載體投影與內視系列（B06）

外視與內視其實是一個循環

遞歸再投影與認知載體閉環

英文題名： Outer and Inner Observation as a Loop: Recursive Reprojection and Closed-Loop Cognitive Carriers
作者： Neo.K
AI 協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
系列： 載體投影與內視系列（Carrier Projection, Imagination, and Inner Observation）
篇次： B06
版本： v0.1
日期： 2026-09-08
理論定位： 載體幾何 × 內視算子論 × cognitive offloading × distributed cognition × closed-loop perception × perception–action loop
前篇接口： B05《閉上眼睛之後，世界沒有消失》
狀態： 概念、形式與可檢驗框架；不宣稱任何單一閉環理論已充分解釋人類意識或認知本體

摘要

前五篇依序建立：觀察者通常透過投影物體而非無中介地取得目標；巨大尺度可經尺度投影與序列 Zoom 轉成可操作直觀；想像可以是受模型約束的結構操作而非單純虛構；內視是對觀察者可及內部表徵的選取與操作，而不是對完整自我的透明掃描；當即時感官耦合下降時，內部表徵仍可維持、重建、模擬，並在感知再進入時接受新證據校正。這些結果若只被理解成一串單向流程，仍缺少一個關鍵結構：人類認知並不是一次完成的「世界進入心智」，而是一個反覆把世界轉成表示、把表示轉成內部操作、把內部操作重新外顯，再由自己、他人、工具與世界重新約束的閉環。

本文提出遞歸再投影閉環（Recursive Reprojection Loop, RRL）。設第 $k$ 輪的目標模型為 $M_k$ ，外部投影為 $P_k$ ，內部表徵為 $X_k$ ，內部操作族為 $\mathfrak{O}_k$ ，外顯化後的新投影為 $P_k'$ ，重新取得的證據為 $Y_{k+1}$ ，更新後模型為 $M_{k+1}$ 。核心鏈為：

M_k \xrightarrow{\Pi_k} P_k \xrightarrow{\mathcal{I}_k} X_k \xrightarrow{\mathfrak{O}_k} X_k' \xrightarrow{\mathcal{E}_k} P_k' \xrightarrow{\mathcal{V}_k} Y_{k+1} \xrightarrow{\mathcal{U}_k} M_{k+1}.

其中 $\Pi$ 是投影， $\mathcal{I}$ 是內化／表徵實例化， $\mathfrak{O}$ 是想像、內視、比較、模擬與推理等操作， $\mathcal{E}$ 是外顯化， $\mathcal{V}$ 是重新觀察或驗證， $\mathcal{U}$ 是更新。若 $M_{k+1}$ 再生成下一輪投影，便得到：

\boxed{ M_k \rightarrow P_k \rightarrow X_k \rightarrow X_k' \rightarrow P_k' \rightarrow Y_{k+1} \rightarrow M_{k+1} \rightarrow \cdots }

本文主張，這個閉環至少包含三種不能混淆的回路。第一是觀察回路（observational loop）：外部狀態被投影、感知、內化並再檢查，但不必改變目標世界。第二是認知再投影回路（epistemic reprojection loop）：觀察者把內部表徵外顯成草圖、文字、公式、動畫、模型、程式或 AI 可操作結構，再透過重新觀看與操作降低認知負荷、暴露錯誤或生成新洞見。第三是世界干預回路（intervention loop）：內部判斷經授權轉成行動，實際改變世界，然後重新觀察結果。三者的差異可以寫為：

\boxed{ \text{Observe} \neq \text{Reproject} \neq \text{Actuate}. }

這一區分與 epistemic action、cognitive offloading、distributed cognition、extended cognition、active inference 與 closed-loop perception 等既有研究形成接口，但本文不把任何單一既有框架當成完整基礎。cognitive offloading 實證顯示，人會利用外部提醒、物件操作與環境變換降低內部記憶或計算需求；epistemic action 顯示某些外部動作的直接目的不是完成世界任務，而是讓認知問題更容易；closed-loop perception 則強調生物知覺依賴感官取得與動作之間的持續互動。本文將這些結果整合到「投影載體閉環」中，同時保留哲學邊界：外部工具能成為認知實作的一部分，不自動意味外部工具與人類形成同一主觀主體。

本文進一步提出再投影不是修正（Reprojection $\neq$ Correction）。舊投影可能在舊任務、舊尺度、舊觀察者或舊載體下完全有效，只是在新條件下不再是最佳表示。因此再投影可以由錯誤觸發，也可以由任務切換、注意切換、尺度切換、觀察者切換、載體切換、資源預算改變或協作需要觸發。這使再投影成為一種認知版本轉換，而不只是錯誤修補。

本文最後提出認知閉環債務（Cognitive Loop Debt）與跨載體校正。每次投影、內化、內部操作、外顯與重新驗證都可能帶來壓縮、延遲、來源混淆、語義漂移與權威誤置。有效閉環不是讓所有階段完美無損，而是保存 provenance、task scope、projection debt、uncertainty、validation state 與 rollback path，使系統知道哪個表示在何種條件下有效。

因此，本文對人類與 AI 的共同問題提出一個較一般的答案：智能不是只發生在「腦內思考」或「外部感知」任一端，而可以被理解為一個在世界、外部載體、內部表徵、工具、他人與行動之間反覆遞歸再投影的有限閉環系統。

關鍵詞： 遞歸再投影、認知閉環、外視、內視、投影物體、cognitive offloading、epistemic action、distributed cognition、closed-loop perception、perception–action loop、AI-native cognition

0. 問題：為什麼「世界進入心智」這個箭頭還不夠？

前五篇可以暫時壓縮成：

\mathcal{R} \rightarrow M \rightarrow P \rightarrow X \rightarrow J.

這條鏈有用。

但它容易讓人誤會認知是一次性的：

世界提供資訊，人把資訊收進來，最後理解完成。

實際認知通常不是這樣。

人會：

看；
想；
畫；
再看；
修改；
問別人；
用工具算；
再修改；
嘗試行動；
看結果；
再建立模型。

因此更接近：

\boxed{ \text{world} \rightarrow \text{representation} \rightarrow \text{internal operation} \rightarrow \text{externalization} \rightarrow \text{new observation} \rightarrow \text{model update}. }

這不是一條線。

它是一個迴圈。

1. B01–B05 的五個接口

1.1 B01：投影物體

P = \Pi(M,o,c,\tau,b).

目標不是把實在原封不動複製，而是在特定載體、任務與預算下保存可操作結構。

1.2 B02：跨尺度投影

\text{global scale span} \rightarrow \text{temporal traversal of local scale windows}.

1.3 B03：模型媒介結構想像

X \xrightarrow{\mathfrak{O}_{\mathrm{imag}}} X'.

1.4 B04：新版內視

X' \xrightarrow{\mathfrak{O}_{\mathrm{intro}}} J.

1.5 B05：離線模擬與再進入

X^{-} \xrightarrow{\text{new evidence}} X^{+}.

B06 將它們閉合。

2. 遞歸再投影閉環

定義 2.1（Recursive Reprojection Loop, RRL）

對第 $k$ 輪認知狀態，定義：

\mathsf{RRL}_k = \left( M_k, P_k, X_k, \mathfrak{O}_k, P_k', Y_{k+1}, M_{k+1} \right).

其狀態流為：

\boxed{ M_k \xrightarrow{\Pi_k} P_k \xrightarrow{\mathcal{I}_k} X_k \xrightarrow{\mathfrak{O}_k} X_k' \xrightarrow{\mathcal{E}_k} P_k' \xrightarrow{\mathcal{V}_k} Y_{k+1} \xrightarrow{\mathcal{U}_k} M_{k+1}. }

若：

M_{k+1} \xrightarrow{\Pi_{k+1}} P_{k+1},

則開始下一輪。

3. 各算子的功能

3.1 Projection

\Pi_k: M_k \rightarrow P_k.

把模型轉成觀察者可用載體表示。

3.2 Internalization

\mathcal{I}_k: P_k \rightarrow X_k.

將外部投影轉成內部可操作表徵。

3.3 Internal Operations

\mathfrak{O}_k: X_k \rightarrow X_k'.

包括：

比較；
旋轉；
縮放；
切片；
模擬；
內視；
反事實；
推理；
重組。

3.4 Externalization

\mathcal{E}_k: X_k' \rightarrow P_k'.

把內部結果轉回外部載體。

3.5 Validation / Re-observation

\mathcal{V}_k: P_k' \rightarrow Y_{k+1}.

由自己、他人、儀器、程式、實驗或環境重新讀取。

3.6 Update

\mathcal{U}_k: (M_k,Y_{k+1}) \rightarrow M_{k+1}.

4. Reprojection 是什麼？

B06 使用「reprojection」指：

已存在一個可操作表示後，認知系統基於新的內部狀態、任務、觀察者、載體、證據或尺度，再建立另一個表示。

因此：

P_k \rightarrow X_k \rightarrow P_k'

是一種最小再投影。

更一般地：

\boxed{ \operatorname{Reproject} : (M,c,\tau,o) \rightarrow P'. }

5. Reprojection 不等於 Correction

這一點與既有 SPET 線一致。

\boxed{ \text{Reprojection} \neq \text{Correction}. }

舊投影 $P_k$ 可能：

沒有錯；
對舊任務最佳；
對舊尺度最佳；
對另一觀察者最佳；
對另一資源預算最佳。

只是：

P_k

不再適合：

(c_{k+1},\tau_{k+1},o_{k+1},b_{k+1}).

所以再投影可以是：

\text{representation migration},

不是：

\text{error repair only}.

6. 再投影的七種觸發

本文提出：

\mathcal{T}_{\mathrm{reproj}} = \{ T_{\mathrm{error}}, T_{\mathrm{task}}, T_{\mathrm{attention}}, T_{\mathrm{scale}}, T_{\mathrm{carrier}}, T_{\mathrm{observer}}, T_{\mathrm{budget}} \}.

分別代表：

誤差變大；
任務改變；
注意目標改變；
尺度改變；
載體改變；
觀察者改變；
計算／認知預算改變。

因此：

\boxed{ \text{representation change} \text{ can be rational without prior representation being false}. }

7. 認知不是只有 Read-Side

如果只有：

\text{World} \rightarrow \text{Projection} \rightarrow \text{Observer},

那是一個 read-side 架構。

但實際思考需要：

\text{Observer} \rightarrow \text{Projection}' \rightarrow \text{Observer}'.

若還有行動：

\text{Observer} \rightarrow \text{Action} \rightarrow \text{World}'.

所以完整認知不能只建模「怎麼看」。

還需要：

\boxed{ \text{perceive} + \text{represent} + \text{re-represent} + \text{act} + \text{verify}. }

8. 三種閉環必須分開

本文定義三種基本 loop。

8.1 觀察回路

W \rightarrow P \rightarrow X \rightarrow J.

主要目標是取得與更新知識。

8.2 認知再投影回路

X \rightarrow P' \rightarrow X'.

主要目標是改變表示條件，使思考更容易。

8.3 世界干預回路

J \rightarrow A \rightarrow W' \rightarrow Y'.

主要目標是實際改變世界並觀察後果。

因此：

\boxed{ \text{Observe} \neq \text{Reproject} \neq \text{Actuate}. }

9. Epistemic Action 正好位於中間

Kirsh 與 Maglio 的 epistemic action 提醒我們：

有些外部動作不是直接讓世界更接近最終目標，而是：

\boxed{ \text{change the world} \text{ to make cognition easier}. }

例如：

旋轉 Tetris 方塊以更容易判斷；
把紙轉方向；
寫下中間結果；
排列實體卡片；
移動棋子來看局面；
畫輔助線。

因此 epistemic action 可以寫為：

A_{\mathrm{epi}} : (W,X) \rightarrow (W',X'),

其中主要效用不是 $W'$ 本身，而是：

C_{\mathrm{cog}}(X') < C_{\mathrm{cog}}(X).

10. Pragmatic Action 與 Epistemic Action

Pragmatic action：

A_{\mathrm{prag}} \rightarrow \text{goal-state progress}.

Epistemic action：

A_{\mathrm{epi}} \rightarrow \text{information / computational advantage}.

同一動作可以同時具有兩種成分。

因此：

\boxed{ A = A_{\mathrm{prag}} + A_{\mathrm{epi}} }

只是概念分解，不必表示物理動作真的可線性拆開。

11. Cognitive Offloading：把認知工作搬到外部

若內部負荷為：

C_{\mathrm{int}},

外部載體操作成本為：

C_{\mathrm{ext}},

則觀察者可能選擇：

\operatorname{Offload}

使：

C_{\mathrm{int}}' < C_{\mathrm{int}}.

代價是：

C_{\mathrm{ext}}>0.

因此 cognitive offloading 不是免費。

它是：

\boxed{ \text{internal load reduction} \leftrightarrow \text{external action / dependency cost}. }

12. 外部載體不是單純輸出介面

紙張、螢幕、白板、程式、CAD、VR 與 AI 可以：

保存狀態；
重新排列；
暴露關係；
降低記憶負荷；
提供新的視覺不變量；
允許多次重讀；
讓他人加入。

因此：

\boxed{ \text{external carrier} \neq \text{passive display only}. }

它可以是閉環中的工作狀態。

13. Hybrid Reflective System

B04 已提出：

\text{human introspection} + \text{external carrier} = \text{hybrid reflective system}.

B06 將其一般化。

令：

\mathcal{H}_k = \left( X_k, P_k, T_k \right),

其中 $T_k$ 是工具或外部載體狀態。

則認知狀態可跨：

\text{internal} + \text{external}

反覆更新。

14. Extended Cognition 與 Extended Subject 必須分開

外部工具可能參與認知實作。

但不能因此直接推出：

\boxed{ \text{Extended Cognition} = \text{Extended Subject}. }

更保守的是：

\text{cognitive implementation boundary}

可能比：

\text{skull boundary}

更有彈性。

但：

\text{phenomenal subject boundary}

仍是另一個問題。

15. Distributed Cognition 的接口

在導航、航空、團隊協作等場景中，認知工作可以分散在：

多個人；
儀表；
規則；
地圖；
文件；
社會程序。

因此一個有效認知單元可以寫成：

\mathcal{C}_{\mathrm{dist}} = (V_{\mathrm{agent}},V_{\mathrm{artifact}},E_{\mathrm{interaction}}).

這不是說團隊自動形成一個意識。

而是：

\boxed{ \text{task cognition} \text{ can be distributed across heterogeneous carriers}. }

16. 外顯化本身會改變想法

內部表徵：

X

被寫成：

P=\mathcal{E}(X).

外顯化不一定是無損輸出。

可能有：

P = X - L_{\mathrm{express}} + G_{\mathrm{struct}}.

其中：

$L_{\mathrm{express}}$ ：表達損失；
$G_{\mathrm{struct}}$ ：外顯後新增的可見結構。

例如寫公式可能丟失一些直覺，但讓隱藏矛盾變得可見。

17. 外顯化可以創造新的可觀察性

原本內部：

X

中的關係可能不易直接比較。

經外顯：

P = \mathcal{E}(X),

觀察者可以執行：

\mathcal{O}_{\mathrm{compare}}(P).

因此：

\boxed{ \text{Externalization} \text{ can create new observables}. }

這是再投影閉環的重要機制。

18. 「把問題寫下來」不是附加動作

寫下來可能：

固定變量；
暴露缺項；
建立順序；
減少工作記憶；
允許回看；
允許他人檢查。

因此：

\boxed{ \text{write} \rightarrow \text{reconfigure cognitive problem}. }

不是單純保存已完成思想。

19. 「畫圖」也是一種重新計算

如果：

X \rightarrow P_{\mathrm{graph}},

圖形布局可以把：

\text{symbolic relation}

轉成：

\text{spatial relation}.

新的載體使某些問題由：

C_{\mathrm{symbolic}}

變成：

C_{\mathrm{visual}}.

因此：

\boxed{ \text{reprojection} = \text{possible change of computational difficulty}. }

20. 載體選擇是一個認知優化問題

設候選載體：

\mathcal{C} = \{c_1,\ldots,c_n\}.

對任務 $\tau$ ，可定義：

J(c\mid\tau) = Q_{\tau}(c) - \lambda T(c) - \mu C(c) - \nu D(c).

其中：

$Q_\tau$ ：任務品質；
$T$ ：時間成本；
$C$ ：計算／認知成本；
$D$ ：投影債務。

最佳載體：

c^\ast = \operatorname*{arg\,max}_{c\in\mathcal{C}} J(c\mid\tau).

21. 最佳載體不必是最「直觀」的載體

例如：

人類看圖快；
程式驗證符號規則快；
AI 直接讀 graph 或 tensor 可能更有效；
數值 solver 不需要 3D 動畫。

所以：

\boxed{ \text{intuitive for human} \neq \text{computationally optimal for all carriers}. }

22. 再投影是跨載體編譯

若：

P_i \in c_i,

轉到：

P_j \in c_j,

可以寫：

P_j = \mathcal{C}_{i\rightarrow j}(P_i).

這是：

\boxed{ \text{cross-carrier representation compilation}. }

例如：

\text{equation} \rightarrow \text{plot},

\text{graph} \rightarrow \text{table},

\text{human sketch} \rightarrow \text{machine-readable geometry}.

23. Cross-Carrier Invariants

不同投影應追蹤：

\mathcal{I}_{\mathrm{cross}} = \{ I_1,\ldots,I_m \}.

例如：

identity；
adjacency；
ordering；
causal direction；
scale；
units；
provenance。

若跨投影後：

I_k(P_i) \neq I_k(P_j),

就需要聲明失真或錯誤。

24. 再投影需要 Provenance

定義：

\operatorname{Prov}(P_{k+1}) = \left( P_k, \mathcal{C}_{k\rightarrow k+1}, \tau, o, c, t, Q, D \right).

至少要知道：

從哪來；
為什麼轉；
誰轉；
用什麼規則；
哪些結構保存；
哪些結構失去。

25. 認知 Epoch

在一段時間內，系統可能使用穩定表示：

\mathcal{E}_k = (M_k,P_k,\tau_k,c_k,o_k).

當條件改變，再進入：

\mathcal{E}_{k+1}.

因此：

\boxed{ \text{cognitive representation} \text{ can have epochs}. }

這與 SPET 的 projection epoch 有結構接口，但 B06 用於一般認知表示，不直接繼承 SPET 的全部工程語義。

26. 何時需要 Release？

舊表示可能已經形成認知慣性。

若新證據持續被硬塞進舊 frame，可能增加：

D_{\mathrm{frame}}.

因此需要：

\mathsf{Release}(P_k),

讓系統停止把舊 frame 當成唯一 authoritative view。

27. Reopen、Recompute、Reproject 不能混用

\boxed{ \mathsf{Release} \neq \mathsf{Reopen} \neq \mathsf{Recompute} \neq \mathsf{Reproject}. }

Release：解除舊表示權威；
Reopen：重新打開候選空間；
Recompute：重新推理；
Reproject：建立新表示。

這對科學思考尤其重要。

28. 同一理論可以換表示而不改理論內容

例如：

M

可以同時投影成：

P_{\mathrm{text}}, P_{\mathrm{equation}}, P_{\mathrm{graph}}, P_{\mathrm{simulation}}.

換表示不必意味：

M\rightarrow M'.

所以：

\boxed{ \text{representation change} \neq \text{theory change}. }

29. 但表示也可以促成理論改變

新投影可能暴露：

e = \operatorname{Contradiction}(P').

於是：

M \xrightarrow{\mathcal{U}(e)} M'.

所以：

\boxed{ \text{reprojection} \text{ can be epistemically generative}. }

30. 認知閉環不是單一固定點

若：

M_{k+1}\approx M_k,

可能表示模型穩定。

但不應強迫所有認知閉環收斂到：

M^\ast.

因為：

世界會變；
任務會變；
新資料會進入；
新載體會出現；
模型粒度會變。

因此：

\boxed{ \text{cognitive loop} \text{ may stabilize locally without globally terminating}. }

31. 動態不動點的接口

若在某一 scope $\sigma$ 下：

\mathcal{F}_{\sigma}(M^\ast) \approx M^\ast,

可以稱其為局部穩定表示。

但在新 scope：

\sigma',

可能：

\mathcal{F}_{\sigma'}(M^\ast) \neq M^\ast.

所以「穩定」本身是條件化的。

32. Feedback 不是永遠好

閉環太強也可能造成：

confirmation loop；
self-reinforcing bias；
echo chamber；
overfitting；
fixation。

如果：

P_k \rightarrow X_k \rightarrow P_k'

始終只由同一模型生成、同一觀察者驗證，則：

\text{loop closure}

可能變成：

\text{epistemic self-sealing}.

33. 因此需要 External Constraint Injection

定義：

Y^{\mathrm{ind}}

為相對獨立證據。

更新時：

M_{k+1} = \mathcal{U} (M_k,Y_{k+1},Y^{\mathrm{ind}}).

因此：

\boxed{ \text{closed loop} \text{ needs open evidence channels}. }

34. Closed Loop 不等於 Closed World

這是一個重要區分：

\boxed{ \text{Closed-Loop Cognition} \neq \text{Closed-World Epistemology}. }

closed loop 指感知、表示、內部操作、外顯與校正形成回饋。

它不應意味系統拒絕新證據。

35. 多觀察者再投影

觀察者 $o_1$ 產生：

P^{(1)}.

觀察者 $o_2$ 取得：

X^{(2)} = \mathcal{I}_{o_2}(P^{(1)}).

再輸出：

P^{(2)}.

因此：

\boxed{ o_1 \rightarrow P^{(1)} \rightarrow o_2 \rightarrow P^{(2)} }

形成跨人再投影。

36. 科學共同體就是大型再投影系統之一

論文：

P_{\mathrm{paper}}

由作者內部模型外顯。

審稿者建立：

X_{\mathrm{reviewer}}.

批評變成：

P_{\mathrm{review}}.

作者再更新：

M'.

因此科學不是純粹：

\text{individual thought}.

而包含：

\boxed{ \text{distributed recursive reprojection}. }

37. 語言本身就是跨主體投影載體

內部表徵：

X_A

被語言化：

P_L.

另一人重建：

X_B.

一般：

X_A \neq X_B.

但可以透過：

\text{dialogue} + \text{examples} + \text{formalization} + \text{feedback}

減少映射債務。

38. 對話就是 Reprojection Loop

一輪對話可以寫：

X_A \xrightarrow{\mathcal{E}} P_A \xrightarrow{\mathcal{I}_B} X_B \xrightarrow{\mathcal{O}_B} P_B \xrightarrow{\mathcal{I}_A} X_A'.

這解釋了為什麼：

說出來之後，我反而更懂自己剛才在想什麼。

因為回覆本身成為新的外部投影。

39. AI 協作是新型再投影閉環

人類：

X_H \rightarrow P_H.

AI：

P_H \rightarrow X_{AI} \rightarrow P_{AI}.

人類再取得：

P_{AI} \rightarrow X_H'.

因此：

\boxed{ H \rightarrow AI \rightarrow H' }

可以成為認知再投影循環。

40. AI 不是「第二個腦袋」這麼簡單

AI 可以提供：

另一種表示；
另一組檢索；
另一種壓縮；
反例；
程式執行；
圖形化；
長上下文重組。

因此 AI 的價值常常不是：

\text{duplicate human cognition}.

而是：

\boxed{ \text{representation diversity} + \text{cross-carrier transformation}. }

41. 人機閉環也可能自我強化錯誤

若：

H

提供錯誤假設，

AI 又只依此生成，

人再把 AI 輸出當成獨立驗證，

則形成：

\boxed{ \text{pseudo-independent confirmation loop}. }

因此：

\text{AI output} \neq \text{independent evidence by default}.

42. Verification Independence

定義驗證來源獨立度：

I_{\mathrm{ver}} = \operatorname{Independence} (Y_{\mathrm{verify}},M_{\mathrm{source}}).

若：

I_{\mathrm{ver}}\approx0,

則即使兩個表示一致，也不能強化太多證據權重。

43. 多投影一致不等於獨立證據一致

B01 已提出：

\text{Multi-Projection Convergence} > \text{Single-Projection Intuition}.

B06 補充：

若多投影全部由同一錯誤模型生成：

P_i = \Pi_i(M_{\mathrm{wrong}}),

則：

\bigcap_i P_i

的一致性不構成獨立本體證明。

所以必須區分：

\boxed{ \text{representation convergence} \neq \text{evidence independence}. }

44. Closed-Loop Perception 的接口

2025 年 closed-loop perception 綜述強調：

生物知覺不是固定相機式輸入，而是感官取得與動作持續耦合。

本文可抽象為：

A_t \rightarrow Y_{t+1} \rightarrow X_{t+1} \rightarrow A_{t+1}.

因此：

\boxed{ \text{perception} \text{ is partly shaped by how the system samples the world}. }

45. 主動看是一種資料取得策略

例如：

轉頭；
走近；
觸摸；
放大；
換角度；
使用儀器。

這些行為改變：

P(Y\mid W,A).

所以觀察不是純被動事件。

46. Active Inference 的相鄰關係

active inference 把感知與行動放進生成模型與預測的統一框架。

這與 B06 的：

\text{model} \leftrightarrow \text{perception} \leftrightarrow \text{action}

具有概念鄰接。

但本文不採：

\boxed{ \text{RRL} = \text{Active Inference}. }

原因包括：

RRL 允許非概率表示；
RRL 專門處理外顯化與跨載體再投影；
RRL 不要求 variational free energy 作為共同目標；
active inference 的整體經驗支持仍需持續檢驗。

47. RRL 可以是非 Bayesian 的

模型更新：

M_{k+1} = \mathcal{U}(M_k,Y)

可以使用：

Bayesian；
gradient；
rule-based；
theorem proving；
causal revision；
human deliberation；
model replacement。

因此：

\boxed{ \text{recursive reprojection} \neq \text{Bayesian-only cognition}. }

48. Perception–Action Loop 與 Projection Loop 的差異

Perception–action loop：

W \rightarrow Y \rightarrow A \rightarrow W'.

Projection loop：

M \rightarrow P \rightarrow X \rightarrow P'.

兩者可以耦合：

\boxed{ \text{Projection Loop} \leftrightarrow \text{Perception–Action Loop}. }

但不能合併成同一箭頭。

49. 投影可以改變行動，而行動可以改變投影

若新投影：

P'

讓某個策略變得可見：

A^\ast = \operatorname{Select}(P').

行動後：

W'

又生成新投影：

P''.

因此：

\boxed{ P' \rightarrow A^\ast \rightarrow W' \rightarrow P''. }

50. PNCW 的雙向投影閉環接口

既有 PNCW 已分成：

感知方向：

\text{World} \rightarrow \text{Many Structural Projections} \rightarrow \text{Evidence} \rightarrow \text{Cognition}.

表達方向：

\text{Cognition} \rightarrow \text{Stable Machine Projection} \rightarrow \text{Observer}.

行動方向：

\text{Cognition} \rightarrow \text{Proposal} \rightarrow \text{Authority} \rightarrow \text{Actuation} \rightarrow \text{World}.

B06 將其抽象化到一般認知。

51. Proposal 不等於 Action

尤其在人機系統中：

\boxed{ \text{Cognitive Proposal} \neq \text{Action Authority}. }

這使認知閉環可以高自由度地生成候選，而不必每個候選都改變世界。

52. 這也是安全閉環

安全 agent 可以：

\text{simulate freely}

但：

\text{act under authority constraints}.

因此：

\boxed{ \text{epistemic freedom} \neq \text{actuation freedom}. }

53. 世界干預後必須重新觀察

若：

A_t : W_t \rightarrow W_{t+1},

不能只相信：

\operatorname{ExpectedOutcome}(A_t).

需要：

Y_{t+1} = \operatorname{Observe}(W_{t+1}).

所以：

\boxed{ \text{Expected Outcome} \neq \text{Observed Outcome}. }

54. 認知閉環債務

定義：

\mathbf{D}_{\mathrm{loop}} = \left( D_{\mathrm{proj}}, D_{\mathrm{int}}, D_{\mathrm{transform}}, D_{\mathrm{expr}}, D_{\mathrm{latency}}, D_{\mathrm{source}}, D_{\mathrm{authority}}, D_{\mathrm{validation}} \right).

其中：

$D_{\mathrm{proj}}$ ：外部投影失真；
$D_{\mathrm{int}}$ ：內化失真；
$D_{\mathrm{transform}}$ ：內部操作誤差；
$D_{\mathrm{expr}}$ ：外顯失真；
$D_{\mathrm{latency}}$ ：狀態過時；
$D_{\mathrm{source}}$ ：來源混淆；
$D_{\mathrm{authority}}$ ：把候選誤當權威；
$D_{\mathrm{validation}}$ ：驗證不獨立或不足。

55. Loop Quality

可概念化：

Q_{\mathrm{loop}} = F \left( Q_{\mathrm{task}}, I_{\mathrm{preserve}}, V_{\mathrm{ind}}, U_{\mathrm{cal}}, L_{\mathrm{latency}} \right).

其中：

$Q_{\mathrm{task}}$ ：任務表現；
$I_{\mathrm{preserve}}$ ：不變量保存；
$V_{\mathrm{ind}}$ ：驗證獨立度；
$U_{\mathrm{cal}}$ ：不確定性校準；
$L_{\mathrm{latency}}$ ：延遲與 stale cost。

56. 越多 Loop 不一定越好

如果每一步都：

重投影；
重新檢查；
再外顯；
再驗證；

成本會爆炸。

設：

C_k

是第 $k$ 輪成本，

收益：

G_k = Q_{k+1}-Q_k.

當：

G_k<C_k,

繼續閉環可能不划算。

57. 終止條件

可以定義：

\operatorname{Stop} \iff \left( Q_k\geq Q_{\min} \right) \land \left( D_k\leq D_{\max} \right) \land \left( G_k<C_{\mathrm{next}} \right).

這是一般任務設計形式，不是人腦的生理定律。

58. Reopen 條件

即使已停止，如果：

e_{\mathrm{new}}>\theta_e,

或：

\tau_{\mathrm{new}}\neq\tau_{\mathrm{old}},

則：

\operatorname{Reopen}=1.

因此停止不是永久封閉。

59. 認知可重播性

如果要科學或工程治理，需要保留：

\mathcal{L}_{\mathrm{loop}} = \{ M_k, P_k, O_k, Y_k, A_k, D_k \}_{k=0}^{n}.

這形成：

\boxed{ \text{cognitive loop provenance ledger}. }

60. 人類不可能完整記錄所有內部 Loop

對自然人類：

\mathcal{L}_{\mathrm{human}}

必然是不完整的。

因此不要假裝可以重建完整思考歷史。

更合理的是記錄：

重要外部化節點；
明確決策；
關鍵模型改變；
可報告信心；
使用工具；
驗證結果。

61. AI 系統更適合保存 Loop Provenance

AI-native 系統可以記錄：

model version；
prompt / task；
retrieved evidence；
tool calls；
intermediate artifacts；
validation；
action receipts。

但：

\boxed{ \text{logged computation} \neq \text{complete subjective process}. }

如果沒有主觀過程證據，就不應用 log 代替它。

62. Canonical Model 與 Rendering View

整個系列在這裡再次回到：

\boxed{ \text{rendering view} \neq \text{canonical source}. }

閉環中的：

P_1,P_2,\ldots

都是 views。

真正需要治理的是：

M_k

與其：

provenance；
scope；
version；
evidence；
uncertainty。

63. 不要讓 View 變成暗中權威 Source

如果使用者直接在某張圖上改數值，但 canonical model 沒更新，就可能產生：

P' \neq \Pi(M).

因此系統要明確區分：

\text{view edit}

與：

\text{model commit}.

64. Commit 前需要 Validate

可寫：

P' \rightarrow M^\ast \rightarrow \operatorname{Validate} \rightarrow M_{k+1}.

因此：

\boxed{ \text{reprojection} \neq \text{commit}. }

這對文件、程式、數學與世界模型都成立。

65. 認知閉環的四種驗證

65.1 Internal Consistency

V_{\mathrm{int}}.

65.2 Cross-Projection Consistency

V_{\mathrm{cross}}.

65.3 External Evidence

V_{\mathrm{ext}}.

65.4 Intervention Outcome

V_{\mathrm{act}}.

四者回答不同問題。

66. 一致性不等於真實

若：

V_{\mathrm{int}}=1,

只代表模型內部一致。

不能推出：

V_{\mathrm{ext}}=1.

同樣：

V_{\mathrm{cross}}=1

也可能只是同一錯誤 source 的多投影一致。

67. Intervention 提供更強但仍有限的證據

如果模型預測：

A \rightarrow Y,

實際干預後：

Y_{\mathrm{obs}} \approx Y,

證據強度提高。

但仍需考慮：

confound；
alternative model；
measurement error；
scope。

所以：

\boxed{ \text{successful intervention} \not\Rightarrow \text{complete ontology identification}. }

68. 認知閉環中的注意力

不是所有資訊都進入每輪。

定義：

A_k = \operatorname{Attend} (M_k,\tau,b).

投影：

P_k = \Pi(M_k,A_k).

因此注意力會改變：

\text{what becomes projectable}.

69. 注意力也是再投影觸發器

若：

A_{k+1}\neq A_k,

同一模型：

M

可以生成：

P_{k+1}\neq P_k.

所以：

\boxed{ \text{attention change} \text{ can justify reprojection without model change}. }

70. 協作本身是一種載體切換

一個人內部理解：

X_H

要交給另一人或 AI，必須轉成：

P_{\mathrm{share}}.

因此協作必然伴隨某種：

\text{carrier compilation}.

這使：

\boxed{ \text{collaboration} = \text{repeated cross-observer reprojection}. }

71. 協作的核心不是傳送「同一想法」

因為：

X_A\neq X_B.

協作真正追求的是：

I_{\mathrm{task}}(X_A) \approx I_{\mathrm{task}}(X_B).

也就是任務相關不變量對齊。

72. 共享理解可以是部分的

不需要：

X_A=X_B.

只要：

Q_\tau(X_A,X_B)\geq q_{\min}.

因此：

\boxed{ \text{shared understanding} \neq \text{identical internal representation}. }

73. Loop 可以跨人、跨 AI、跨時間

一般化：

\mathcal{N} = \{ n_1,\ldots,n_m \}

是認知節點集合。

再投影邊：

e_{ij} : n_i \rightarrow P_{ij} \rightarrow n_j.

因此形成：

G_{\mathrm{RRL}} = (\mathcal{N},\mathcal{E}).

74. 這形成認知圖，而不是必然形成一個主體

即使：

G_{\mathrm{RRL}}

高度連接，

也不能直接推出：

\boxed{ \text{distributed cognition} \Rightarrow \text{single distributed subject}. }

這再次保留主體性問題的獨立性。

75. 世界本身也是閉環的一部分

如果世界只在最開始出現：

W\rightarrow M_0,

後續就全部是內部循環，

那系統很快變成自我封閉。

真正健康的閉環需要：

W_k \rightarrow Y_k

不斷重新進入。

因此：

\boxed{ \text{world is a recurrent constraint, not merely an initial input}. }

76. 認知不是複製世界，而是保持可校正耦合

本文最終不採：

\text{Knowledge} = \text{perfect internal copy}.

更接近：

\boxed{ \text{Knowledge Process} = \text{maintaining useful, revisable coupling between models and evidence}. }

77. 世界—模型耦合強度

可概念化：

K_t = \operatorname{Coupling} (M_t,W_t).

如果系統長期只在內部自我更新：

K_t\downarrow

可能形成 model drift。

如果外部證據持續進入：

K_t

可以被重新校準。

78. 不要把 Closed Loop 神化成必然收斂

即使有 feedback：

M_k \rightarrow M_{k+1},

也不保證：

M_k\rightarrow M^\ast_{\mathrm{truth}}.

回饋可能：

噪聲；
偏誤；
不獨立；
不可識別；
欠定。

所以：

\boxed{ \text{feedback} \not\Rightarrow \text{truth convergence}. }

79. 認知閉環的真正品質在校正能力

好的系統不是永不犯錯。

而是：

\boxed{ \text{detect} + \text{reopen} + \text{reproject} + \text{update} + \text{rollback}. }

因此：

\text{corrigibility}

是閉環品質的重要部分。

80. 可實驗研究一：Internal-only vs Externalized Loop

比較：

純腦內解題；
可寫草稿；
可畫圖；
可操作實體；
可使用互動工具。

測量：

Q, \quad T, \quad E, \quad \text{error type}.

檢驗哪些任務受益於再投影。

81. 可實驗研究二：Representation Switch

同一模型依序使用：

P_{\mathrm{text}}, P_{\mathrm{table}}, P_{\mathrm{graph}}, P_{\mathrm{animation}}.

研究：

\Delta Q_{\tau}

與：

\Delta C_{\mathrm{cog}}.

82. 可實驗研究三：Epistemic Action

設計問題允許：

心算／內部旋轉；
外部移動；
外部標記；
外部排序。

測試觀察者何時選擇：

A_{\mathrm{epi}}

以及是否真正降低總成本。

83. 可實驗研究四：Feedback Independence

比較：

自己重讀；
同模型 AI 重寫；
不同模型／方法；
獨立資料；
真實實驗。

檢驗：

I_{\mathrm{ver}}

如何影響錯誤發現率。

84. 可實驗研究五：Reprojection without Error

先讓某投影對任務 A 表現很好。

不改 source model，只改任務 B。

測試新投影：

P_B

是否比強迫沿用：

P_A

更有效。

這直接測試：

\text{Reprojection} \neq \text{Correction}.

85. 可實驗研究六：Closed-Loop vs Open-Loop Perception

讓受試者或 agent：

只能被動接收固定觀察；
可以主動選視角；
可以移動物體；
可以要求新感測。

比較：

Q_{\mathrm{inference}}, \quad T, \quad N_{\mathrm{samples}}.

86. 可實驗研究七：人—AI再投影

同一任務比較：

human-only；
AI answer only；
human $\rightarrow$ AI；
human $\rightarrow$ AI $\rightarrow$ human revision；
human $\rightarrow$ two independent AI methods $\rightarrow$ human.

測試：

Q_{\mathrm{final}}, \quad D_{\mathrm{confirmation}}, \quad I_{\mathrm{ver}}.

87. 現有研究提供的接口

第一，Kirsh 與 Maglio 的 epistemic action 顯示，某些外部動作之所以有認知價值，是因為它們讓原本較難的內部計算變容易，而不只是直接推進物理任務。

第二，cognitive offloading 文獻顯示，人會透過外部提醒、書寫、裝置與實體操作降低內部記憶或計算需求；2025 年回顧同時指出 offloading 有效益，也可能帶來依賴與內部記憶成本。

第三，distributed cognition 與 extended cognition 傳統提供了一套嚴肅討論「認知實作是否跨越腦與身體邊界」的框架。本文採取較弱工程版本：外部人工物可以構成任務認知閉環的一部分，但不由此決定主觀主體邊界。

第四，active inference 研究把感知與行動置於生成模型與預測的統一循環，提供本篇 perception–action 接口；但 2024 年針對 predictive coding 與 active inference 的評估也指出，整體經驗支持仍有範圍與可檢驗性問題，因此本文不把 RRL 等同 active inference。

第五，2025 年 closed-loop perception 綜述強調，生物知覺依賴感官輸入與取得感官輸入的行動之間的動態耦合，並指出許多人工知覺仍偏 open-loop。這與本文把「重新取樣世界」視為認知閉環核心一環的立場相容。

第六，既有 PNCW 研究已在 AI runtime 層提出 Projection-Native Perception–Action Loop，把感知、穩定機器投影、認知、授權行動與獨立驗證接成雙向投影閉環。B06 將此結構向一般人類—工具—AI 認知抽象化，而不直接把工程 runtime 等同人類心理機制。

88. 本文不主張什麼

本文明確不主張：

所有認知都必須經過外部工具；
外部工具一定屬於人的心靈；
distributed cognition 等於 distributed consciousness；
closed-loop cognition 保證收斂真理；
active inference 已完整解釋人類認知；
RRL 與 active inference 是同一理論；
所有行動都是 epistemic action；
所有 externalization 都會改善思考；
投影越多越好；
AI 回覆天然是獨立驗證；
多模型一致天然代表本體真實；
再投影表示舊投影一定錯；
重新觀察世界就能直接取得本體；
cognition implementation 的擴張自動意味 subject boundary 擴張；
認知閉環可以取代實驗、證明或公共驗證。

89. 核心命題總結

命題 A：認知是遞歸再投影閉環

\boxed{ M_k \rightarrow P_k \rightarrow X_k \rightarrow X_k' \rightarrow P_k' \rightarrow Y_{k+1} \rightarrow M_{k+1}. }

命題 B：觀察、再投影與行動不可混同

\boxed{ \text{Observe} \neq \text{Reproject} \neq \text{Actuate}. }

命題 C：再投影不等於修正

\boxed{ \text{Reprojection} \neq \text{Correction}. }

命題 D：外部載體可以成為認知工作狀態

\boxed{ \text{external carrier} \neq \text{passive display only}. }

命題 E：認知擴張不等於主體擴張

\boxed{ \text{Extended Cognition} \neq \text{Extended Subject}. }

命題 F：多投影一致不等於獨立證據一致

\boxed{ \text{representation convergence} \neq \text{evidence independence}. }

命題 G：Closed Loop 不等於 Closed World

\boxed{ \text{Closed-Loop Cognition} \neq \text{Closed-World Epistemology}. }

命題 H：回饋不保證真理收斂

\boxed{ \text{feedback} \not\Rightarrow \text{truth convergence}. }

命題 I：世界必須反覆作為外部約束重新進入

\boxed{ \text{world} = \text{recurrent constraint}, \text{ not merely initial input}. }

90. 結論：我們不是把世界看進來，而是不斷把世界與自己互相重新投影

到 B06 為止，整條研究線可以重新描述。

人類不是：

\text{World} \rightarrow \text{Mind}

一次完成認知。

也不是：

\text{Mind} \rightarrow \text{World}

單向把想法輸出。