非對稱時空張力下的動態知識圖

——自適應世界狀態系統的第一原理框架

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

摘要

多數圖模型、知識系統與狀態空間模型，在工程實作上往往隱含一個容易被忽略的假設：不同節點、不同關係與不同知識域，可以被放置於相同或近似相同的更新時間尺度中。然而，真實世界中的知識穩定性高度不均。形式體系中的某些命題在指定公理與語義下具有極高穩定性；部分基礎物理關係具有長期經驗穩定性，但仍保留可修正性；社會、政治、市場、法律與即時事件則可能在極短時間內改變。若所有節點被要求以相同頻率刷新，系統不是浪費大量計算資源，就是在快速變動區域產生過時狀態。

本文提出一個「非對稱時空張力」框架，將非對稱性從傳統的邊方向或權重不對稱，提升為節點與關係的有效時間尺度不對稱。系統以動態圖 $\mathcal{G}_t$ 表示世界狀態，並為每個節點配置穩定性、資訊衰減率、更新張力、系統影響度與局部有效時間。更新不再由單一全域時鐘同步驅動，而是由節點自身的張力、外部擾動、資訊年齡、變化速度、變化加速度與事件相關性共同觸發。此設計使穩定知識可長時間保持沉睡，快速變動知識可高頻更新，而低頻但高影響的基礎節點一旦改變，則可觸發大範圍依賴重算。

本文進一步提出局部喚醒、非對稱傳播、不可逆歷史與多重有效時間等結構，並說明這類系統如何在不要求全域同步重計算的前提下，形成可擴展的自適應世界狀態模型。貝葉斯更新在本文中被視為可用的信念修正算子之一，而不是預設為唯一或最高階的認識論機制。本文構成後續關於符號輸入輸出、記憶外掛、算法重用、異質計算容器、智能架構收斂與貝葉斯認識論批判的基礎。

關鍵詞： 非對稱時空張力、動態知識圖、自適應世界狀態、異步更新、資訊衰減、局部有效時間、信念修正、事件驅動計算

1. 問題：為何世界不應以同一速度被重新認識？

一個世界知識系統通常保存大量不同類型的命題。例如：

形式系統中的算術命題；
物理定律與經驗常數；
生物分類與科學模型；
法律條文與制度規則；
經濟數據與市場價格；
社會態度與政治支持度；
即時新聞與突發事件。

這些資訊雖然都可以被表示為「知識」，但它們的更新需求並不相同。

在指定的形式體系中，像

1+1=2

這類命題的有效性不會因為外部新聞事件而每天改變。相對地，「某一資產此刻的市場價格」可能在極短時間內失效；「某國現行法律」可能在某次修法後突然改變；「某理論目前的實驗支持程度」則可能長期穩定，但在新的關鍵實驗出現後重新調整。

因此，若一個系統把所有節點都放在相同更新頻率下，就會面臨兩種失敗。

第一種是過度更新：

\Delta t_i \ll \Delta t_i^{\mathrm{needed}}

即明明不需要重新計算，系統仍反覆刷新。

第二種是更新不足：

\Delta t_i \gg \Delta t_i^{\mathrm{needed}}

即世界已經改變，但系統仍保留舊狀態。

本文的基本主張是：

\boxed{ \text{World knowledge is temporally heterogeneous.} }

因此：

\boxed{ \Delta t_i \neq \Delta t_j }

不應被視為例外，而應被視為世界狀態系統的預設條件。

2. 非對稱不是只有方向不對稱

傳統有向圖常用：

W_{ij}\neq W_{ji}

表示節點 $i$ 對節點 $j$ 的作用與反向作用不同。

這種非對稱是重要的，但仍不足以描述本文關心的問題。

本文所稱的核心非對稱，是：

\frac{\partial X_i}{\partial t} \neq \frac{\partial X_j}{\partial t}

以及更一般地：

\frac{\partial W_{ij}}{\partial t} \neq \frac{\partial W_{ji}}{\partial t}

其中 $X_i$ 為節點狀態，$$W_{ij}$$ 為關係權重。

也就是說，非對稱不只存在於「誰影響誰」，還存在於：

誰變得比較快；
誰應該比較常被檢查；
哪條關係比較容易失效；
哪種證據會對哪個節點產生較大張力；
哪個節點一旦更新，會傳播多大的依賴重算。

因此，本文將非對稱性提升為：

\boxed{ \text{asymmetric temporal-spatial update tension} }

即「非對稱時空更新張力」。

這裡的「時空」不是額外假設一套物理時空，而是描述世界狀態圖中不同局部區域具有不同的有效演化速度、更新半徑與傳播範圍。

3. 動態世界圖的基本狀態

定義時間 $t$ 的系統狀態為：

\mathcal{G}_t = \left( V_t, E_t, W_t, X_t, B_t, S_t, T_t, \Lambda_t, I_t \right)

其中：

V_t

為節點集合；

E_t

為關係集合；

W_t

為非對稱權重；

X_t

為節點狀態；

B_t

為信念或不確定性狀態；

S_t

為穩定性；

T_t

為更新張力；

\Lambda_t

為資訊衰減參數；

I_t

為系統影響度。

因此，節點可表示為：

v_i = \left( x_i, b_i, s_i, T_i, \lambda_i, I_i, t_i^{\mathrm{last}} \right)

這裡的節點不被要求只有單一數值。它可以代表命題、事件、實體、關係、規則、模型、資料來源或其他可被狀態化的世界對象。

4. 穩定性、資訊老化與更新張力必須分離

「穩定」不是「重要」。

一個節點可以非常穩定，但對大量其他節點具有巨大影響；也可以非常穩定但幾乎無人依賴。

因此至少需要區分：

S_i\in[0,1]

表示節點的結構或經驗穩定性；

I_i\ge0

表示節點的系統影響度。

這會形成四種基本型態：

類型	穩定性 $S_i$	影響度 $I_i$	典型更新策略
基礎錨點	高	高	低頻驗證，改變時大範圍重算
靜態邊緣	高	低	極低頻更新
動態核心	低	高	高頻監控與局部傳播
短暫噪音	低	低	快速衰減或刪除

資訊有效性則可另外表示為：

F_i(t) = \exp\left( -\lambda_i \left( t-t_i^{\mathrm{last}} \right) \right)

其中：

\lambda_i\ge0

為資訊衰減率。

因此，高穩定節點可能具有：

\lambda_i\approx0

而即時市場或事件狀態可能具有：

\lambda_i\gg0

。

這裡不主張所有命題都必須被轉換成概率。形式命題、經驗命題、制度狀態與即時觀測具有不同認識論性質。 $S_i$ 與 $\lambda_i$ 的存在，是為了表示不同更新需求，而不是把所有知識都強制概率化。

5. 更新張力函數

更新張力 $T_i(t)$ 用於回答：

現在是否值得重新檢查或重新計算節點 $i$ ？

一個基本形式可以寫成：

T_i(t) = \alpha_i(1-S_i) + \beta_i \left| \frac{dX_i}{dt} \right| + \gamma_i \left| \frac{d^2X_i}{dt^2} \right| + \delta_i A_i(t) + \epsilon_i R_i(t) + \zeta_i U_i(t)

其中：

A_i(t) = t-t_i^{\mathrm{last}}

為資訊年齡；

R_i(t)

為外部事件與該節點的相關性；

U_i(t)

為未解釋殘差、驚訝度或新證據造成的不一致程度。

各係數：

\alpha_i,\beta_i,\gamma_i,\delta_i,\epsilon_i,\zeta_i

允許不同節點具有不同敏感度。

因此，不存在唯一全域更新週期，而是：

\Delta t_i = \frac{K_i}{T_i(t)+\varepsilon}

使得：

T_i\uparrow \Rightarrow \Delta t_i\downarrow

與：

T_i\downarrow \Rightarrow \Delta t_i\uparrow

。

換言之，張力越高，節點越快被重新評估。

6. 多重有效時間

若不同節點的演化速度不同，則全域牆鐘時間 $t$ 不足以完整描述系統。

定義節點 $i$ 的局部有效時間：

\tau_i(t)

並令：

\frac{d\tau_i}{dt} = \rho_i(T_i,S_i,\lambda_i)

其中 $\rho_i$ 為局部時間速率函數。

對高穩定節點：

\frac{d\tau_i}{dt} \approx0

表示外部雖經過大量牆鐘時間，該節點的有效狀態幾乎未發生需要處理的變化。

對快速變動節點：

\frac{d\tau_j}{dt} \gg \frac{d\tau_i}{dt}

因此同一段外部時間內，兩個節點可能經歷完全不同數量的有效更新。

這使系統從：

\mathcal{G}_{t+1} = F(\mathcal{G}_t)

轉化為更一般的局部形式：

\mathcal{G}^{(i)}_{\tau_i+\Delta\tau_i} = F_i \left( \mathcal{G}^{(i)}_{\tau_i}, O_t \right)

。

系統不是「整張圖一起跳」，而是不同區域以不同速度流動。

7. 事件驅動的局部喚醒

當圖規模擴張後，全域同步更新會造成不可接受的計算成本。

因此，本文採用局部喚醒原則。

若：

T_i(t)>\theta_i

則節點 $i$ 被喚醒並重新計算。

更新後若：

\left| \Delta X_i \right| > \eta_i

或其信念狀態發生足夠大改變，則沿依賴關係向鄰近節點傳播新的張力。

可表示為：

T_j \leftarrow T_j + \kappa_{ij} I_i \left| \Delta X_i \right|

其中：

\kappa_{ij}

表示更新影響從 $i$ 傳播至 $j$ 的耦合強度。

若：

T_j>\theta_j

則 $j$ 進一步被喚醒。

因此整體更新形成：

i \Rightarrow j \Rightarrow k \Rightarrow \cdots

但只在張力超過局部門檻時傳播。

這使系統可以只計算真正受到影響的子圖：

G_{\mathrm{active}} \subseteq G_{\mathrm{world}}

而不必每次重新處理全部世界狀態。

8. 更新頻率與更新影響必須解耦

一個容易犯的錯誤是認為：

越重要的節點，應該更新得越頻繁。

這不一定成立。

對某些高穩定、高影響節點：

S_i\uparrow

I_i\uparrow

可能同時成立。

因此其日常更新頻率很低：

f_i^{\mathrm{update}}\downarrow

但一旦真的發生有效改變：

\left| \Delta X_i \right|>0

其傳播半徑可能非常大：

R_i^{\mathrm{propagation}}\uparrow

因此：

\boxed{ \text{update frequency} \neq \text{update impact} }

更可能存在：

f_i^{\mathrm{update}}\downarrow \quad\text{while}\quad R_i^{\mathrm{propagation}}\uparrow

。

這一點對大型世界狀態系統尤其重要，因為它允許基礎結構長期保持沉睡，同時保留罕見但大規模重算的能力。

9. 信念更新：貝葉斯只是可選算子之一

若某個節點代表不確定假設 $H$ ，新的證據為 $E_t$ ，則可以使用：

P_{t+1}(H) = P_t(H\mid E_t) = \frac{ P(E_t\mid H)P_t(H) }{ P(E_t) }

進行更新。

但本文不把此式提升為所有知識的唯一更新原理。

更一般地，定義認識論更新算子集合：

\mathcal{U} = \left\{ U_{\mathrm{Bayes}}, U_{\mathrm{logic}}, U_{\mathrm{det}}, U_{\mathrm{constraint}}, U_{\mathrm{optimization}}, U_{\mathrm{heuristic}}, \ldots \right\}

每個節點或子圖可根據其知識性質選擇適用的更新方式：

U_i^\ast = \operatorname{Select} \left( \mathcal{U}, v_i, O_t, C_t \right)

其中 $C_t$ 為上下文與系統約束。

因此，本文的主張不是：

\text{Bayes is universally superior}

而是：

\boxed{ \text{The system should explicitly represent uncertainty where uncertainty is meaningful.} }

這為後續對「什麼才算真正的貝葉斯更新」與「更新規則自身如何取得認識論正當性」保留了空間。

10. 狀態返回不代表系統返回

動態世界圖具有歷史依賴。

即使某個時間點：

X_{t+n}=X_t

也不代表：

\mathcal{G}_{t+n} = \mathcal{G}_t

因為可能存在：

W_{t+n}\neq W_t

B_{t+n}\neq B_t

T_{t+n}\neq T_t

\Lambda_{t+n}\neq\Lambda_t

甚至：

V_{t+n}\neq V_t

。

因此：

\boxed{ \text{same observable state} \neq \text{same historical system} }

。

更一般地：

\mathcal{G}_{t+1} = \Omega \left( \mathcal{G}_t, O_t \right)

通常不存在唯一的逆函數：

\Omega^{-1}

。

這使世界狀態系統具有路徑依賴與不可逆歷史。

11. 從狀態動力學到結構動力學

若系統只更新 $X_t$ ，那麼圖本身仍是固定容器。

本文允許：

V_t, E_t, W_t

一起變化。

因此：

V_{t+1} = V_t + V_t^{+} - V_t^{-} + V_t^{\mathrm{merge}} + V_t^{\mathrm{split}}

表示節點可新增、刪除、合併與拆分。

同理：

E_{t+1} = \Phi_E \left( E_t, X_{t+1}, B_{t+1}, O_t \right)

與：

W_{t+1} = \Phi_W \left( W_t, X_{t+1}, B_{t+1}, O_t \right)

使關係存在性與關係強度都可以改變。

因此系統的核心不再只是：

\text{state dynamics}

而是：

\boxed{ \text{state dynamics} + \text{structural dynamics} }

。

這也是自適應世界表示與靜態知識庫的根本差異之一。

12. 系統的完整局部更新循環

綜合前述結構，一次局部更新可表示為：

O_t \rightarrow \operatorname{Route}(O_t) \rightarrow \operatorname{Activate}(G_{\mathrm{local}}) \rightarrow \operatorname{Evaluate}(T_i) \rightarrow U_i^\ast \rightarrow \Delta X_i \rightarrow \Delta B_i \rightarrow \Delta W_i \rightarrow \operatorname{Propagate} \rightarrow \mathcal{G}_{t+1}

其中：

\operatorname{Route}(O_t)

將外部事件映射到可能相關的局部區域；

\operatorname{Activate}(G_{\mathrm{local}})

只喚醒必要子圖；

U_i^\ast

選擇適合該節點的更新算子；

\operatorname{Propagate}

根據依賴、影響度與更新幅度決定是否喚醒其他節點。

因此系統不需要：

\forall i,\quad \operatorname{Update}(v_i)

而只需要：

\forall i\in V_{\mathrm{active}},\quad \operatorname{Update}(v_i)

。

13. 計算複雜度直覺

假設完整世界圖包含：

|V|=N

個節點。

全域同步更新的單輪成本至少與 $N$ 呈直接關係，且若需要處理大量邊，可能進一步與：

|E|

相關。

但若每輪只喚醒：

|V_{\mathrm{active}}|=k

且：

k\ll N

則有效更新成本可近似轉為與局部活化區域相關：

C_{\mathrm{update}} \approx O \left( k+ |E_{\mathrm{active}}| \right)

而不是：

O \left( N+ |E| \right)

。

當穩定節點大量存在時，這種差異可能非常巨大。

因此，非對稱時間尺度不只是一個認識論描述，也是一個計算資源配置原理：

\boxed{ \text{Do not recompute what the world has not meaningfully changed.} }

14. 四個核心命題

命題一：時間異質性命題

對真實世界的廣域知識系統，一般不存在單一最佳全域更新週期：

\not\exists\Delta t^\ast \quad \text{s.t.} \quad \forall i,\ \Delta t_i^{\mathrm{optimal}} = \Delta t^\ast

。

命題二：頻率—影響解耦命題

節點更新頻率與其系統影響度是不同變數：

f_i^{\mathrm{update}} \not\propto I_i

在一般情況下不應假設單調對應。

命題三：歷史非等價命題

若：

X_{t_1}=X_{t_2}

不能推出：

\mathcal{G}_{t_1} = \mathcal{G}_{t_2}

則世界狀態必須包含歷史形成的結構與信念資訊，而不能只保存表面狀態。

命題四：局部喚醒可擴展性命題

若世界變化具有稀疏局部性，且依賴傳播可被有效門檻控制，則：

|V_{\mathrm{active}}| \ll |V|

可使大型世界狀態系統避免每輪全域重算。

15. 可驗證的工程預測

本文框架不是只提供描述性隱喻，而應產生可測量預測。

15.1 同等正確率下的重算量降低

在相同資料與相同輸出任務下，若非對稱更新張力有效，則應觀察到：

C_{\mathrm{asym}} < C_{\mathrm{sync}}

同時：

Accuracy_{\mathrm{asym}} \approx Accuracy_{\mathrm{sync}}

。

15.2 快速變動區域的狀態過期率降低

對高 $\lambda_i$ 區域，事件驅動更新應使：

Staleness_{\mathrm{asym}} < Staleness_{\mathrm{fixed}}

。

15.3 基礎節點改變時的依賴重算集中化

對高 $S_i$$、高 $$I_i$ 節點，平時更新率應低，但一旦出現真正狀態改變，應觀察：

PropagationRadius_i \gg \operatorname{median} \left( PropagationRadius \right)

。

15.4 不同知識域應形成不同局部時間速率

若將系統運行於多領域資料，應可測得：

\mathbb{E} \left[ \frac{d\tau_i}{dt} \right]

在不同知識域具有顯著差異。

若完全沒有這些差異，則「非對稱時空張力」可能只是額外複雜度，而未形成實質架構收益。

16. 失敗模式與限制

16.1 錯誤穩定性估計

若系統誤將高變動節點判定為高穩定：

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

則可能長時間保留過時資訊。

16.2 過度敏感造成更新風暴

若張力函數過度敏感：

T_i\gg\theta_i

在大量節點同時成立，則局部喚醒可能退化成全域更新。

16.3 錯誤依賴造成連鎖污染

若：

W_{ij}

或依賴方向錯誤，節點更新可能喚醒不相關區域，甚至傳播錯誤狀態。

16.4 穩定不等於真實

一個長期未被推翻的節點：

S_i\rightarrow1

並不代表它在形上學或認識論上必然為真。

因此：

\boxed{ \text{stability} \neq \text{truth} }

。

16.5 張力不是單一客觀物理量

T_i$$ 是工程與認識論上的狀態變數，需要依節點性質、資料來源、任務要求與風險函數進行設計。本文不主張存在一個對所有知識域唯一正確的張力公式。 --- ## 17. 與後續研究的關係 本文只回答第一個問題： > 世界狀態若具有不同穩定性與變化速度，系統應如何表示與更新？ 後續問題包括： 1. 如何讓這個動態圖支援正式符號語言與自然語言輸入輸出； 2. 如何擴張世界知識而不使節點數量退化為無結構資訊堆積； 3. 如何接入外部記憶、資料庫與算法庫； 4. 如何讓系統優先重用已存在的算法，再視需要修改或重新構造； 5. 如何把不同物理或計算載體統一視為可調度的計算容器； 6. 為何從不同第一原理出發的智能系統可能重新收斂到相似工程結構； 7. 如何判斷這種收斂只是表面相似、觀測等價，還是真正的計算同構； 8. 「概率」、「貝葉斯式行為」與「真正貝葉斯更新」應如何區分； 9. 更新規則本身的認識論正當性從何而來； 10. 若新架構實作後沒有比現有 AI 更好，實驗結果究竟意味著什麼。 因此，本篇不是一個完整智能系統的宣告，而是整個系列的第一層狀態論基礎。 --- ## 18. 結論 本文提出一種將知識更新視為非對稱時空過程的動態世界圖框架。 核心不是單純：

W_{ij}\neq W_{ji} $$

而是：

\boxed{ \text{different knowledge regions evolve at different effective rates} }

。

每個節點具有自己的穩定性、資訊老化速度、更新張力、系統影響度與局部有效時間。系統只在局部張力超過閾值時喚醒節點，並依賴狀態變化幅度與關係結構決定是否傳播至其他區域。

因此：

\text{stable knowledge} \rightarrow \text{low-frequency maintenance}

\text{dynamic knowledge} \rightarrow \text{high-frequency adaptation}

而：

\text{stable but foundational knowledge} \rightarrow \text{rare update + large propagation}

。

這使世界模型從靜態資料集合轉變為一個具有多重時間、局部喚醒、歷史依賴與結構自適應能力的持續狀態系統。

更重要的是，本文不預設所有知識都必須使用同一種認識論更新機制。貝葉斯更新可以成為其中一個重要算子，但不是因為帶有概率形式就自然取得更高的認識論地位。

後續工作將從此狀態框架向符號系統、輸入輸出、記憶、算法、外部系統與異質計算容器擴張，並最終回頭檢驗一個更具反身性的問題：

\boxed{ \text{當不同第一原理導出的智能架構被真正實作後，它們究竟還有多少實質差異？} }

附錄 A：最小符號表

符號	定義
$\mathcal{G}_t$	時間 $t$ 的完整世界狀態圖
$V_t$	節點集合
$E_t$	邊／依賴關係集合
$W_t$	非對稱關係權重
$X_t$	節點狀態
$B_t$	信念／不確定性狀態
$S_i$	節點穩定性
$T_i$	更新張力
$\lambda_i$	資訊衰減率
$I_i$	系統影響度
$\tau_i$	節點局部有效時間
$\theta_i$	節點喚醒閾值
$\kappa_{ij}$	更新傳播耦合強度
$\mathcal{U}$	可用認識論更新算子集合

附錄 B：最小演化式

系統的最小局部演化可濃縮為：

\boxed{ \mathcal{G}_{t+1} = \Omega \left( \mathcal{G}_t, O_t, \mathcal{U}, T_t \right) }

但實際執行不要求整張圖同步更新，而是：

\boxed{ \mathcal{G}^{\mathrm{active}}_{t+1} = \Omega_{\mathrm{local}} \left( \mathcal{G}^{\mathrm{active}}_t, O_t \right) }

其中：

\mathcal{G}^{\mathrm{active}}_t \subseteq \mathcal{G}_t

由更新張力與事件相關性動態決定。

這個局部性，是後續可擴展智能系統設計的主要計算基礎之一。

非對稱時空張力下的動態知識圖 — ——自適應世界狀態系統的第一原理框架