穩定性不是靜態值

——知識新鮮度、衰減率與更新張力的動態模型

Series: Adaptive Epistemic Systems Series
Paper: 2 / 11
Version: v0.1
Language: zh-TW
Status: Complete Draft / Canonical UTF-8 Source

摘要

在持續與外部世界互動的智能系統中，「這筆知識是否仍然有效」不能被簡化成一個時間戳問題。某些資訊經過多年仍然有效，某些資訊在數秒內即可能失效；某些知識平時極度穩定，卻會在少數關鍵事件出現後發生結構性改變；另一些資訊則表面頻繁波動，但對系統核心推理幾乎沒有影響。因此，知識更新系統若只使用固定 TTL、定期刷新或單一衰減函數，通常無法同時處理高穩定知識、快速變動狀態與低頻高衝擊事件。

本文延伸非對稱時空張力框架，提出一個由「結構穩定性」、「資訊新鮮度」、「衰減率」、「外部變化危險率」、「事件相關性」、「系統影響度」與「更新成本」共同決定的動態更新模型。本文區分真實世界狀態的變化、系統對世界的認知老化，以及資料來源本身的可靠性衰退，並提出多種非指數型衰減函數，以避免把所有知識誤視為具有相同記憶半衰期。

本文進一步提出風險加權更新張力、更新債務、重驗證半徑、事件觸發喚醒、反脆弱更新與錯誤穩定性等概念。其核心命題是：知識的「新鮮」不是由時間單獨決定，而是由世界變化速率、資訊來源、依賴結構、任務風險與系統影響共同決定。高穩定知識不應被高頻刷新；高變動知識不應依賴低頻批次更新；而高穩定、高影響的基礎節點則應採取「低頻維護、事件監測、變化時大範圍重算」的非對稱策略。

關鍵詞： 知識新鮮度、資訊衰減、更新張力、危險率、更新債務、事件觸發、風險加權、動態知識系統、非對稱時間尺度

1. 新鮮度不是時間戳

很多資訊系統以「最後更新時間」決定資料是否過期。最簡化的判斷是：

Fresh_i(t) = \mathbf{1} \left[ t-t_i^{\mathrm{last}}<\Delta_i \right]

其中 $\Delta_i$ 是固定 TTL。

這種方法對快取管理十分實用，但若把它提升成一般知識新鮮度模型，就會出現明顯問題。

兩筆同樣在一年前取得的資訊：

k_a

與：

k_b

可能具有完全不同的有效性。

若 $k_a$ 是一個在指定形式體系中已完成證明的定理，而 $k_b$ 是某組織當時的主管名單，那麼：

t-t_a^{\mathrm{last}} = t-t_b^{\mathrm{last}}

並不能推出：

Fresh_a(t) = Fresh_b(t)

。

因此，本文主張：

\boxed{ \text{freshness is not elapsed time} }

更精確地說，新鮮度應是：

F_i(t) = \mathcal{F} \left( \text{age}, \text{world volatility}, \text{source reliability}, \text{event exposure}, \text{dependency change}, \text{task risk} \right)

的函數。

2. 三種不同的「老化」

為避免概念混淆，本文至少區分三種老化。

2.1 世界狀態老化

真實世界本身發生改變：

X_i^{\mathrm{world}}(t_1) \neq X_i^{\mathrm{world}}(t_2)

因此系統中保存的舊值失效。

2.2 認知狀態老化

即使世界沒有改變，系統仍可能因缺乏重新驗證，而逐漸降低對某資訊的信心：

C_i(t_2) < C_i(t_1)

。

2.3 資料來源老化

某個來源原本可靠，但其制度、介面、維護狀態或可信度改變：

R_{\mathrm{source}}(t_2) \neq R_{\mathrm{source}}(t_1)

。

因此一個節點的有效性不應只寫成：

F_i(t) = e^{-\lambda_i(t-t_i^{\mathrm{last}})}

而應拆成：

F_i(t) = F_i^{\mathrm{world}}(t) \cdot F_i^{\mathrm{epistemic}}(t) \cdot F_i^{\mathrm{source}}(t)

。

這三者可以具有完全不同的時間尺度。

3. 穩定性不是「永遠不變」

第一篇定義：

S_i\in[0,1]

表示節點穩定性。

但若直接把 $S_i$ 當成固定常數，仍然會過度簡化世界。

更合理的形式是：

S_i=S_i(t,\mathcal{C})

其中 $\mathcal{C}$ 是知識域與上下文。

例如某個制度在平常時期可能：

S_i\approx0.95

但在戰爭、政權更替、制度改革或重大危機下：

S_i\rightarrow0.4

。

因此，穩定性本身也需要更新。

可定義：

S_i(t+1) = (1-\eta_i)S_i(t) + \eta_i\widehat{S}_i(t)

其中：

\widehat{S}_i(t)

是根據最近觀測推估的局部穩定性。

這使系統能夠學習：

某類知識原本被認為穩定，但近期已進入高變動區。

4. 從衰減率到危險率

固定指數衰減：

F_i(t) = e^{-\lambda_i\Delta t}

具有計算簡單與無記憶性的優點，但它隱含：

\lambda_i=\text{constant}

。

真實世界通常不是如此。

更一般地，可用時間變動危險率：

h_i(t)

表示節點在時間 $t$ 發生有效改變的瞬時風險。

則生存函數為：

F_i^{\mathrm{world}}(t) = \exp \left( - \int_{t_0}^{t} h_i(u)\,du \right)

。

如果：

h_i(t)=\lambda_i

就退化為指數衰減。

但若世界具有週期、制度節點或事件集中特性，$$h_i(t)$$ 可以是：

h_i(t) = h_i^{\mathrm{base}} + h_i^{\mathrm{seasonal}}(t) + h_i^{\mathrm{event}}(t)

。

例如某些狀態在固定政策會議、財報季、選舉期或年度更新日前後具有更高變動概率。

這比固定 TTL 更接近真實世界。

5. 不同知識需要不同衰減函數

知識衰減不一定服從同一分布。

5.1 近乎不衰減

對指定形式體系中的已證命題：

F_i(t)\approx1

除非公理、語義或形式環境改變。

5.2 指數型衰減

某些具有近似常數風險率的狀態可使用：

F_i(t) = e^{-\lambda_i\Delta t}

。

5.3 Weibull 型衰減

若失效風險會隨時間增加或降低，可使用：

F_i(t) = \exp \left( -\left( \frac{\Delta t}{\alpha_i} \right)^{\beta_i} \right)

。

當：

\beta_i>1

失效風險隨時間增加；

當：

\beta_i<1

則早期較容易失效，之後反而趨穩。

5.4 階躍型失效

某些制度資料在特定事件之前幾乎完全有效，但事件一旦發生便突然失效：

F_i(t) = \begin{cases} 1, & t<t_c\\ 0, & t\ge t_c \end{cases}

。

5.5 事件驅動型

某些節點幾乎與經過多少時間無關，而取決於是否發生特定事件：

F_i(t) = \mathcal{F} \left( E_{0:t} \right)

。

因此：

\boxed{ \text{knowledge decay is a family of processes, not one decay law} }

。

6. 更新張力的第二版

第一篇使用：

T_i(t)

表示更新張力。

本篇進一步將其拆成：

T_i(t) = T_i^{\mathrm{age}} + T_i^{\mathrm{vol}} + T_i^{\mathrm{shock}} + T_i^{\mathrm{dep}} + T_i^{\mathrm{risk}} - T_i^{\mathrm{cost}}

。

其中：

T_i^{\mathrm{age}}

表示資訊年齡；

T_i^{\mathrm{vol}}

表示世界變動速率；

T_i^{\mathrm{shock}}

表示新事件造成的異常張力；

T_i^{\mathrm{dep}}

表示上游依賴變化；

T_i^{\mathrm{risk}}

表示錯誤使用此知識的任務風險；

T_i^{\mathrm{cost}}

表示重新驗證所需成本。

一個具體形式可以寫成：

T_i(t) = \alpha_iA_i(t) + \beta_iV_i(t) + \gamma_iJ_i(t) + \delta_iD_i(t) + \epsilon_iR_i(t) - \zeta_iC_i^{\mathrm{verify}}(t)

。

這裡有一個重要改變：

T_i

不是純粹描述「這筆資料多舊」，而是在回答：

現在把有限計算資源拿來重新驗證這個節點，值不值得？

因此，更新張力本質上是一個資源配置變數。

7. 任務依賴的新鮮度

同一筆資訊對不同任務可能有不同新鮮度要求。

定義任務 $q$ 下的有效新鮮度：

F_i(t\mid q)

。

例如一筆半年前的公司基本資料，對歷史研究可能足夠新：

F_i(t\mid q_{\mathrm{history}}) \approx1

但對「今天誰是 CEO」這類任務可能：

F_i(t\mid q_{\mathrm{current}}) \ll1

。

因此不應有唯一：

Fresh_i(t)

而是：

\boxed{ Fresh_i=Fresh_i(t,q) }

。

更新閾值也應依任務調整：

\theta_i=\theta_i(q)

。

在高風險任務下：

\theta_i(q_{\mathrm{high-risk}}) < \theta_i(q_{\mathrm{low-risk}})

使系統更容易觸發重新驗證。

8. 更新債務

若某節點的更新張力長時間高於閾值，但系統因資源不足而沒有執行更新，就會累積「更新債務」。

定義：

D_i^{\mathrm{update}}(t) = \int_{t_0}^{t} \max \left( 0, T_i(u)-\theta_i \right) du

。

若：

D_i^{\mathrm{update}}\uparrow

表示該節點已經長時間處於「應重新確認但未確認」的狀態。

因此調度器不只應看瞬時張力，也要看：

Priority_i = f \left( T_i, D_i^{\mathrm{update}}, I_i, R_i^{\mathrm{task}} \right)

。

這能避免某些中等張力節點因總是輸給高張力節點，而永遠不被更新。

9. 更新不是越頻繁越好

如果每次有微小變化都更新，系統可能進入更新震盪。

設：

\epsilon_i

為最小有效變化門檻。

只有當：

|\Delta X_i|>\epsilon_i

或：

D_{\mathrm{belief}} \left( B_i^{t+1}, B_i^t \right) > \epsilon_i^{B}

時，才將變化視為值得寫回 canonical state。

因此需要區分：

\text{observe}

與：

\text{commit}

。

一個節點可以被高頻觀察，但只有低頻提交正式狀態：

f_i^{\mathrm{observe}} \gg f_i^{\mathrm{commit}}

。

這對高噪音資料尤其重要。

10. 雙閾值與遲滯

如果更新閾值只有一條：

T_i>\theta_i

則張力在閾值附近上下波動時，系統可能反覆喚醒與休眠。

可採用雙閾值：

\theta_i^{\mathrm{on}} > \theta_i^{\mathrm{off}}

。

當：

T_i>\theta_i^{\mathrm{on}}

節點進入活化；

當：

T_i<\theta_i^{\mathrm{off}}

才重新休眠。

因此形成遲滯：

\boxed{ \text{activation threshold} \neq \text{deactivation threshold} }

。

這可以降低更新震盪與不必要的狀態切換。

11. 事件衝擊與結構性斷點

並非所有世界變化都是連續的。

若系統只依賴：

\frac{dX_i}{dt}

可能無法充分處理突發結構性改變。

因此加入衝擊項：

J_i(t)

。

當觀測與現有模型差異：

D \left( O_t, \widehat{O}_t \right) > \theta_i^{\mathrm{shock}}

則：

J_i(t)\uparrow

並直接提升：

T_i(t)

。

在極端情況下可以：

T_i(t)\rightarrow\infty

強制立即重驗證。

這使原本極度穩定的節點也不會因為高 $S_i$ 而永久免疫新證據。

因此：

\boxed{ \text{high stability must not imply epistemic immunity} }

。

12. 基礎節點的重驗證半徑

對高穩定、高影響節點：

S_i\uparrow

I_i\uparrow

平時更新頻率可以很低。

但若發生結構性改變，依賴其上的節點應被重新檢查。

定義重驗證半徑：

R_i^{\mathrm{reval}} = g \left( I_i, |\Delta X_i|, C_i, Topology(G) \right)

。

若：

|\Delta X_i|

很小，可能只需局部重算。

若：

|\Delta X_i|

很大，而且 $i$ 位於高中心性的上游位置，則：

R_i^{\mathrm{reval}}\uparrow

。

因此，低頻更新不代表低重要性。

13. 依賴驅動的新鮮度

一個節點即使自己沒有直接收到新證據，也可能因上游依賴改變而失效。

若：

v_j\rightarrow v_i

且：

\Delta X_j\neq0

則：

F_i(t)

應受到影響。

可定義：

F_i^{\mathrm{dep}}(t) = \prod_{j\in Pa(i)} \left[ F_j(t) \right]^{\omega_{ji}}

其中：

Pa(i)

為 $i$ 的上游依賴集合。

則完整新鮮度可以寫成：

F_i^{\mathrm{total}}(t) = F_i^{\mathrm{self}}(t) \cdot F_i^{\mathrm{dep}}(t)

。

這表示：

一個節點可以因自己的資訊老化，也可以因它所依賴的世界已經改變而變舊。

14. 新鮮度與可信度不能混為一談

一筆資訊可以很新，但不可靠：

Fresh_i\approx1

Confidence_i\ll1

。

也可以很舊但仍然高度可信：

Fresh_j<1

Confidence_j\approx1

。

因此至少需要：

N_i = ( x_i, F_i, C_i, S_i, T_i )

而不能只保存一個「confidence」。

新鮮度回答：

這筆資訊距離需要重新確認的程度有多遠？

可信度回答：

在目前證據下，我們有多相信這筆資訊？

兩者不同。

15. 新鮮度也不等於真實性

即使：

F_i(t)=1

也只能表示：

根據目前的更新政策，此資訊仍被視為足夠新。

不能推出：

x_i=\text{truth}

。

因此：

\boxed{ Freshness \neq Confidence \neq Truth }

。

這個三分法是大型知識系統非常重要的認識論衛生。

若三者被混在同一個分數裡，系統很容易將：

最近取得的錯誤資訊；
長期未更新但仍正確的資訊；
高可信但已過時的資訊；

錯誤地排列在同一維度上。

16. 風險加權更新

更新策略不應只由知識本身決定，也應受到「如果錯了會發生什麼」影響。

定義任務風險：

L_i(q)

表示在任務 $q$ 中使用錯誤節點 $i$ 的預期損失。

則可將更新優先級寫成：

P_i^{\mathrm{update}} = T_i \cdot I_i \cdot L_i(q)

。

若：

L_i(q)\uparrow

即使 $T_i$ 只有中等程度，也可能值得立即驗證。

反之，若某節點容易變，但對當前任務影響極低：

L_i(q)\approx0

則不必浪費資源高頻刷新。

因此：

\boxed{ \text{freshness policy should be risk-aware} }

。

17. 有限算力下的更新排程

假設系統每一時間窗口只有總驗證預算：

B_t

。

對每個候選節點定義：

U_i^{\mathrm{verify}} = \frac{ T_i \cdot I_i \cdot L_i \cdot D_i^{\mathrm{update}} }{ C_i^{\mathrm{verify}}+\varepsilon }

。

則可以按照：

U_i^{\mathrm{verify}}

排序並分配計算。

這裡的思想是：

\boxed{ \text{update where uncertainty, impact, debt and risk justify the cost} }

。

因此，大型系統不需要追求「所有知識永遠最新」，而是追求：

\text{bounded staleness under bounded resources}

。

18. 穩定節點的事件監測模式

高穩定節點沒有必要高頻完整重算，但可以低成本監測是否出現能推翻其穩定假設的事件。

因此可分成：

\text{monitor}

與：

\text{recompute}

兩條路。

對穩定節點：

C_i^{\mathrm{monitor}} \ll C_i^{\mathrm{recompute}}

。

平時只執行：

Monitor(v_i)

若：

J_i(t)>\theta_i^{\mathrm{shock}}

才：

Recompute(v_i)

。

因此：

\text{low-frequency recomputation} + \text{continuous low-cost event watch}

可以比單純固定週期更新更有效率。

19. 錯誤穩定性與「熟悉造成的幻覺」

一個危險情況是：系統因某知識長期未被推翻，而逐步將其穩定性提高：

S_i(t)\uparrow

最後使：

T_i(t)\downarrow

。

若缺乏外部反證渠道，系統可能進入：

\text{not challenged} \Rightarrow \text{assumed stable} \Rightarrow \text{checked less} \Rightarrow \text{even less likely to be challenged}

的閉環。

這是一種錯誤穩定性：

S_i^{\mathrm{perceived}} \gg S_i^{\mathrm{actual}}

。

因此，需要加入最低驗證機率：

P(\mathrm{revalidate}_i)\ge\epsilon_i

或者保留外部異常監測，使任何高穩定節點仍有非零機會被重新挑戰。

20. 探索與維護的張力

有限資源下，系統需要在兩種行為之間分配算力：

\text{Maintenance}

重新驗證已有知識；

以及：

\text{Exploration}

尋找新的世界狀態與新節點。

若所有算力都用來維護：

B_{\mathrm{maintenance}} \rightarrow B

系統可能很穩，但停止學習。

若所有算力都用於探索：

B_{\mathrm{exploration}} \rightarrow B

則已有世界模型可能快速過時。

因此：

B = B_{\mathrm{maintenance}} + B_{\mathrm{exploration}}

且兩者比例需要依世界波動與任務狀態動態調整。

在高變動事件期間：

B_{\mathrm{maintenance}}\uparrow

在低變動、知識空白較大時：

B_{\mathrm{exploration}}\uparrow

。

21. 可驗證命題

命題一：固定 TTL 非普適性

不存在單一固定：

\Delta^\ast

可同時最小化所有知識域的過度更新與過時風險。

命題二：任務條件化新鮮度

同一節點的最佳新鮮度閾值依任務而變：

F_i^\ast(q_1) \neq F_i^\ast(q_2)

。

命題三：事件驅動優勢

對具有低基線變動率但高衝擊事件的節點：

C_{\mathrm{event-driven}} < C_{\mathrm{fixed-refresh}}

且可維持相近或更低的失效延遲。

命題四：更新債務有助於避免飢餓

加入：

D_i^{\mathrm{update}}

後，長期未更新節點的最大等待時間應下降。

命題五：依賴感知優於孤立新鮮度

在存在明確依賴網路的系統中：

Error_{\mathrm{dependency-aware}} < Error_{\mathrm{isolated-refresh}}

應至少在部分結構性變化場景成立。

22. 實驗設計草案

可建立四類節點：

V = V_{\mathrm{formal}} \cup V_{\mathrm{slow}} \cup V_{\mathrm{fast}} \cup V_{\mathrm{shock}}

。

其中：

V_{\mathrm{formal}}

幾乎不變；

V_{\mathrm{slow}}

緩慢變動；

V_{\mathrm{fast}}

高頻變動；

V_{\mathrm{shock}}

平時穩定但偶爾產生結構性跳變。

比較三種更新策略：

\Pi_1=\text{global fixed refresh}

\Pi_2=\text{per-domain TTL}

\Pi_3=\text{dynamic tension scheduling}

。

主要指標包括：

C_{\mathrm{compute}}

Staleness

DetectionLatency

PropagationError

UpdateDebt

與：

TaskLoss

。

若：

\Pi_3

在相同資源下沒有降低過時率、偵測延遲或重算成本，則動態張力模型的工程價值必須受到質疑。

23. 與貝葉斯更新的關係

本篇使用概率、危險率與信念概念，但不將所有更新都稱為貝葉斯。

例如：

F_i(t) = \exp \left( - \int h_i(u)\,du \right)

本身只是生存／失效模型。

只有當系統有明確的：

P(H)

P(E\mid H)

並依條件化規則得到：

P(H\mid E)

時，才具有嚴格的貝葉斯更新語義。

因此：

\boxed{ \text{probabilistic freshness model} \neq \text{Bayesian epistemology} }

。

這一區分將在系列後段被完整展開。

24. 從「多久更新一次」到「什麼情況值得更新」

固定週期思維詢問：

這筆資料每多久更新一次？

本篇改問：

什麼狀態變化，使重新驗證這筆知識的期望價值高於成本？

這可以寫成：

\mathbb{E} \left[ Value(\mathrm{verify}_i) \right] > C_i^{\mathrm{verify}}

。

因此，時間只是一個輸入變數，不是更新政策本身。

這是一個重要轉換：

\boxed{ \text{calendar-driven update} \rightarrow \text{state-driven update} }

。

25. 最小更新策略

對每個節點 $v_i$ ：

v_i = ( x_i, F_i, C_i, S_i, T_i, I_i, D_i^{\mathrm{update}} )

。

每輪系統：

接收外部事件 $$O_t$$；
更新事件相關性與衝擊項；
根據依賴變化調整局部新鮮度；
計算 $$T_i$$；
累積 $$D_i^{\mathrm{update}}$$；
依任務風險與驗證成本計算優先級；
在有限預算下選擇要驗證的節點；
觀察結果與舊狀態差異；
超過 commit 閾值才寫回 canonical state；
必要時向下游傳播重驗證張力。

可濃縮為：

\boxed{ O_t \rightarrow T_i \rightarrow Priority_i \rightarrow Verify_i \rightarrow Commit_i \rightarrow Propagate_i }

。

26. 結論

知識的新鮮度不是一個單純的：

t-t_i^{\mathrm{last}}

問題。

更合理的世界狀態系統必須同時考慮：

\text{stability}

\text{world volatility}

\text{hazard}

\text{source reliability}

\text{dependency change}

\text{task risk}

\text{verification cost}

與：

\text{update debt}

。

因此：

\boxed{ Freshness \neq Age }

\boxed{ Freshness \neq Confidence }

\boxed{ Stability \neq Truth }

以及：

\boxed{ UpdateFrequency \neq SystemicImportance }

。

真正的更新問題不是：

每隔多久重新算一次？

而是：

\boxed{ \text{When does the expected value of revalidation exceed its cost?} }

。

這使第一篇提出的「非對稱時空張力」從一個描述世界不同變化速度的抽象概念，進一步成為可實作的計算資源調度原理。

當不同節點能以不同有效時間流動、不同資訊能採用不同衰減模型、不同任務能要求不同新鮮度，而基礎節點又能在罕見結構性改變時觸發大範圍重驗證，世界狀態系統才真正開始擺脫「所有知識都在同一個時鐘裡老化」的假設。

下一篇將進一步處理另一個核心問題：當這些動態狀態需要被讀取、操作、計算與表達時，如何從動態圖建立一個可執行的符號層，並使自然語言成為世界狀態的輸入／輸出界面，而不是把文字本身誤當成 canonical state。

附錄 A：核心變數

符號	定義
$F_i$	節點資訊新鮮度
$S_i$	節點穩定性
$C_i$	節點可信度
$T_i$	更新張力
$h_i(t)$	世界狀態變化危險率
$I_i$	系統影響度
$A_i$	資訊年齡
$J_i$	事件衝擊量
$D_i^{\mathrm{update}}$	更新債務
$L_i(q)$	任務風險／錯誤損失
$C_i^{\mathrm{verify}}$	重驗證成本
$R_i^{\mathrm{reval}}$	重驗證傳播半徑

附錄 B：最小風險加權張力模型

一個可供實驗起始使用的簡化式為：

T_i(t) = \alpha A_i(t) + \beta h_i(t) + \gamma J_i(t) + \delta D_i^{\mathrm{dep}}(t)

並定義：

Priority_i(t,q) = \frac{ T_i(t) \cdot I_i \cdot L_i(q) \cdot \left( 1+D_i^{\mathrm{update}}(t) \right) }{ C_i^{\mathrm{verify}}(t)+\varepsilon }

。

系統在有限預算 $B_t$ 下選擇優先級最高的節點進行重新驗證。

此公式不是宣稱唯一正確的更新法則，而是一個可以被實驗比較、校準與否證的最小實作起點。

穩定性不是靜態值 — ——知識新鮮度、衰減率與更新張力的動態模型