傳承吸引子漂移：內部一致為何不保證源頭一致
Transmission Attractor Drift: Why Internal Consistency Does Not Guarantee Source Fidelity
文件編號： EML-HSGR-2026-04系列： 跨時代主體生成器重建論（Historical Subject-Generator Reconstruction, HSGR）04作者： Neo.K理論整理與形式化協作： Aletheia（GPT-5.6 Sol）版本： v0.1日期： 2026-09-14狀態： 方法論基礎稿
機構： EveMissLab／一言諾科技有限公司
摘要
本文承接 HSGR Paper 01–03，將主體重建問題從單代互動推進到跨世代傳承。若「悟」或高階理解不是從教師到學生的無損狀態複製，而是學生在自身載體、背景與歷史中重新生成一個與教師部分結構相容的狀態，那麼任何長期傳承都必然是一個反覆重建的動力系統，而不是一條靜態訊息管道。
本文提出「傳承吸引子漂移」（Transmission Attractor Drift, TAD）框架。設源頭主體狀態為 S 0 S_0 S 0 t t t S t S_t S t
S t + 1 = T t ( S t , Z t , C t , B t , Π t ) . S_{t+1}
=
\mathcal T_t
\left(
S_t,
Z_t,
C_t,
B_t,
\Pi_t
\right). S t + 1 = T t ( S t , Z t , C t , B t , Π t ) . 其中 T t \mathcal T_t T t
S t → A t r a d . S_t
\rightarrow
A_{\mathrm{trad}}. S t → A trad . 此時，一個傳統可以表現出高度內部一致、可重現、可教學、可自我驗證，甚至讓大量成員產生相似的主觀「悟境」，但仍然不保證：
A t r a d = S 0 . A_{\mathrm{trad}}
=
S_0. A trad = S 0 . 本文因此建立核心命題：
Internal Convergence ⇏ Historical Source Fidelity . \boxed{
\text{Internal Convergence}
\not\Rightarrow
\text{Historical Source Fidelity}.
} Internal Convergence ⇒ Historical Source Fidelity . 本文區分五類漂移機制：隨機傳播噪聲、認知重建偏差、文化吸引、制度選擇與正統化回授。並進一步指出，最危險的不是隨機失真，而是「穩定失真」：當某一後設解釋比源頭版本更容易記憶、更容易教學、更適合制度治理、更符合既有文化或更容易通過正統認證時，它可能在多代傳承後成為新的低能量吸引子。此時，偏離源頭的版本反而會比源頭更容易被保存。
本文結合 Bartlett 的 serial reproduction、文化吸引理論、iterated learning 與文化演化研究，將傳承視為「重建—再編碼—再選擇」鏈，而不是電話遊戲式的單純噪聲累積。這一點尤其重要：文化傳承不只是越傳越模糊，也可能越傳越規整、越一致、越可教，形成新的穩定結構。
本文最後提出 AI 時代的「傳承回溯」方法：將不同年代、語系、宗派、註疏、異文與教學規則建成 provenance graph；以最早共同祖先、分支間共同不變量、後出概念首次出現時間、反事實缺省與跨分支最小交集等方法，估計：
P ( S 0 ∣ E t r a d ) . P(S_0\mid\mathcal E_{\mathrm{trad}}). P ( S 0 ∣ E trad ) . AI 的價值不在於替某一正統背書，而在於讓「傳承內部驗證」與「歷史源頭重建」第一次可以被系統性分離。
關鍵詞： 傳承漂移、文化吸引子、iterated learning、serial reproduction、正統化、源頭保真、知識傳播、AI 歷史重建、文化演化、主體重建
0. 問題提出：所有人都「悟到同一個東西」，就代表源頭也是那個東西嗎？
假設一個傳統延續兩千年。
第 1 1 1 2 2 2
第 2 2 2 3 3 3
如此反覆：
S 0 → S 1 → S 2 → ⋯ → S n . S_0
\rightarrow
S_1
\rightarrow
S_2
\rightarrow
\cdots
\rightarrow
S_n. S 0 → S 1 → S 2 → ⋯ → S n . 若到了第 n n n
S n ( 1 ) ≃ S n ( 2 ) ≃ ⋯ ≃ S n ( m ) , S_n^{(1)}
\simeq
S_n^{(2)}
\simeq
\cdots
\simeq
S_n^{(m)}, S n ( 1 ) ≃ S n ( 2 ) ≃ ⋯ ≃ S n ( m ) , 很容易得到一個直覺：
既然大家都抵達同一個地方，那這一定就是創始者當年抵達的地方。
本文的核心工作，就是否定這個推論。
從：
S n ( 1 ) ≃ S n ( 2 ) ≃ ⋯ ≃ S n ( m ) S_n^{(1)}
\simeq
S_n^{(2)}
\simeq
\cdots
\simeq
S_n^{(m)} S n ( 1 ) ≃ S n ( 2 ) ≃ ⋯ ≃ S n ( m ) 最多只能推出：
現代傳承具有強烈的內部收斂性。 \boxed{
\text{現代傳承具有強烈的內部收斂性。}
} 現代傳承具有強烈的內部收斂性。 不能直接推出：
S n = S 0 . \boxed{
S_n
=
S_0.
} S n = S 0 . 因為只要傳承機制本身具有穩定偏置，多代後就可能形成一個與源頭不同、但極其穩定的吸引子。
本文將這種現象稱為：
Transmission Attractor Drift . \boxed{
\text{Transmission Attractor Drift}.
} Transmission Attractor Drift . 1. 從無損複製模型改成重建模型
最幼稚的傳承模型是：
S t + 1 = S t . S_{t+1}=S_t. S t + 1 = S t . 稍微現實一點：
S t + 1 = S t + ϵ t , S_{t+1}
=
S_t+\epsilon_t, S t + 1 = S t + ϵ t , 其中 ϵ t \epsilon_t ϵ t
這是一個「電話遊戲」模型：
source → copy → copy → copy \text{source}
\rightarrow
\text{copy}
\rightarrow
\text{copy}
\rightarrow
\text{copy} source → copy → copy → copy 每次多一點誤差。
但 HSGR Paper 02–03 已經說明，高階主體狀態通常不是被直接 copy，而是：
representation + context + prior state + carrier → reconstruction . \text{representation}
+
\text{context}
+
\text{prior state}
+
\text{carrier}
\rightarrow
\text{reconstruction}. representation + context + prior state + carrier → reconstruction . 因此更合理的是：
S t + 1 = T t ( S t , Z t , C t , B t , Π t ) , S_{t+1}
=
\mathcal T_t
\left(
S_t,
Z_t,
C_t,
B_t,
\Pi_t
\right), S t + 1 = T t ( S t , Z t , C t , B t , Π t ) , 其中：
S t S_t S t t t t Z t Z_t Z t C t C_t C t B t B_t B t Π t \Pi_t Π t T t \mathcal T_t T t
這不是 copy channel。
它是一個：
reconstructive dynamical system . \boxed{
\text{reconstructive dynamical system}.
} reconstructive dynamical system . 2. 傳承算子的分解
將：
T t \mathcal T_t T t 進一步分解為：
T t = D t ∘ F t ∘ E t ∘ U t . \mathcal T_t
=
D_t
\circ
F_t
\circ
E_t
\circ
U_t. T t = D t ∘ F t ∘ E t ∘ U t . 其中：
U t U_t U t E t E_t E t F t F_t F t D t D_t D t
因此一代傳承不是：
S t → S t + 1 , S_t\rightarrow S_{t+1}, S t → S t + 1 , 而是：
S t → E t Z t → F t Z ~ t → D t + 1 S t + 1 . S_t
\xrightarrow{E_t}
Z_t
\xrightarrow{F_t}
\widetilde Z_t
\xrightarrow{D_{t+1}}
S_{t+1}. S t E t Z t F t Z t D t + 1 S t + 1 . 這裡任何一段都可能產生偏移。
3. 五種主要漂移機制
3.1 隨機傳播噪聲
最直觀的是：
記錯；
抄錯；
翻譯錯；
文本散佚；
記錄不完整；
個人偶然理解差異。
形式上：
Z t + 1 = Z t + ϵ t . Z_{t+1}
=
Z_t+\epsilon_t. Z t + 1 = Z t + ϵ t . 若：
E [ ϵ t ] = 0 , \mathbb E[\epsilon_t]=0, E [ ϵ t ] = 0 , 則這類誤差未必有固定方向。
它可能讓傳承越來越模糊，但不一定形成穩定新理論。
3.2 認知重建偏差
真正更重要的是：
E [ ϵ t ] ≠ 0. \mathbb E[\epsilon_t]\neq0. E [ ϵ t ] = 0. 也就是每一代人的記憶、推理與理解並非中性。
接收者會：
把陌生東西改造成熟悉形式；
補上缺失因果；
將不規則內容規整化；
用既有 schema 重新編排材料；
把難懂語句轉成較容易記憶的版本。
因此：
S t + 1 = R ( S t ; β ) , S_{t+1}
=
R(S_t;\beta), S t + 1 = R ( S t ; β ) , 其中 β \beta β
若 β \beta β
3.3 文化吸引
不同文化背景擁有不同：
C t . C_t. C t . 某些表述與該文化已有概念高度相容，因此更容易：
因此，同一個源內容：
Z 0 Z_0 Z 0 在不同文化中可能分別收斂：
A 1 , A 2 , A 3 . A_1,
A_2,
A_3. A 1 , A 2 , A 3 . 這不是單純「翻譯錯誤」，而是不同文化認知 landscape 中具有不同 basin。
可寫為：
A k = Attr C k ( Z 0 ) . A_k
=
\operatorname{Attr}_{C_k}(Z_0). A k = Attr C k ( Z 0 ) . 3.4 制度選擇
不是所有版本都具有同等存活機率。
設候選傳承版本：
V t = { v 1 , … , v m } . V_t
=
\{v_1,\ldots,v_m\}. V t = { v 1 , … , v m } . 制度選擇算子：
Σ t : V t → V t ′ \Sigma_t:
V_t\rightarrow V_t' Σ t : V t → V t ′ 會依據：
可教性；
權威認證；
政治安全；
儀式適配；
組織治理便利；
與既有經典的一致性；
容易標準化；
提高某些版本的存活率。
因此：
P ( v i survives ) P(v_i\text{ survives}) P ( v i survives ) 不只取決於：
P ( v i historically accurate ) . P(v_i\text{ historically accurate}). P ( v i historically accurate ) . 可能反而主要取決於：
P ( v i institutionally fit ) . P(v_i\text{ institutionally fit}). P ( v i institutionally fit ) . 3.5 正統化回授
當某個版本被認證為正統後，它會反過來塑造下一代的解碼器。
即：
V ∗ → D t + 1 . V^*
\rightarrow
D_{t+1}. V ∗ → D t + 1 . 下一代不是中性讀原文，而是在：
D V ∗ D_{V^*} D V ∗ 下閱讀原文。
因此產生：
V ∗ → D → new interpretation supporting V ∗ → V ∗ . V^*
\rightarrow
D
\rightarrow
\text{new interpretation supporting }V^*
\rightarrow
V^*. V ∗ → D → new interpretation supporting V ∗ → V ∗ . 形成正回授：
Orthodoxy Feedback Loop . \boxed{
\text{Orthodoxy Feedback Loop}.
} Orthodoxy Feedback Loop . 一旦形成，正統版本會越來越容易被「從文本中讀出來」。
4. 穩定失真比隨機失真更重要
若傳承只有隨機噪聲：
S t + 1 = S t + ϵ t , S_{t+1}
=
S_t+\epsilon_t, S t + 1 = S t + ϵ t , 我們主要擔心的是資訊逐漸丟失。
但如果存在吸引子：
A , A, A , 且傳承動力：
S t + 1 = F ( S t ) S_{t+1}=F(S_t) S t + 1 = F ( S t ) 滿足：
F ( A ) = A , F(A)=A, F ( A ) = A , 並且在其吸引盆內：
S t → A , S_t\rightarrow A, S t → A , 則會出現更危險的現象：
失真會變得穩定。 \boxed{
\text{失真會變得穩定。}
} 失真會變得穩定。 也就是傳承不是越來越亂。
反而可能：
越來越一致；
越來越容易說明；
越來越容易教；
越來越有固定術語；
越來越能快速判斷「對／錯」；
越來越像一套成熟體系。
因此：
Consistency ⇏ Historical Accuracy . \boxed{
\text{Consistency}
\not\Rightarrow
\text{Historical Accuracy}.
} Consistency ⇒ Historical Accuracy . 一套錯誤版本完全可以比源頭更穩定。
5. Bartlett：傳承不是機械複印
Bartlett 的 repeated reproduction 與 serial reproduction 實驗提供一個重要歷史參照。
在 serial reproduction 中，一個人接收材料、重現，再由下一人接收前一人的重現，如此形成鏈。
重要現象不是單純字數越來越少。
材料在傳遞中會：
被重新組織；
向群體熟悉形式靠攏；
某些特徵被保留；
某些不熟悉細節消失；
最終形成更 conventionalized 的版本。
因此：
memory transmission ≠ passive storage . \boxed{
\text{memory transmission}
\neq
\text{passive storage}.
} memory transmission = passive storage . 而更接近：
reconstructive stabilization . \boxed{
\text{reconstructive stabilization}.
} reconstructive stabilization . 這與本文 TAD 的核心完全相容。
6. Iterated Learning：文化可以越傳越規整
iterated learning 研究進一步展示：
當學習者必須從有限資料學會一套系統，再把自己的版本傳給下一代時，跨世代結果可能逐漸出現更有系統、可學習或適應當前溝通環境的結構。
抽象地：
L t → learn H t → produce D t → next generation L t + 1 . L_t
\xrightarrow{\text{learn}}
H_t
\xrightarrow{\text{produce}}
D_t
\xrightarrow{\text{next generation}}
L_{t+1}. L t learn H t produce D t next generation L t + 1 . 如果學習者有偏好：
P ( H ) , P(H), P ( H ) , 而傳輸資料存在 bottleneck，跨代後：
P t ( H ) P_t(H) P t ( H ) 會被這些偏好反覆作用。
所以：
cultural transmission can amplify weak individual biases . \boxed{
\text{cultural transmission}
\text{ can amplify weak individual biases}.
} cultural transmission can amplify weak individual biases . 這給傳承漂移一個重要機制：
每一代只偏一點，幾十代後可以變成完全不同的穩定結構。
7. 文化吸引子：不是所有變體都同樣容易生存
文化吸引理論提供另一個重要視角。
文化項目不是像基因那樣被完全精確複製。
它們在每次傳播時都可能被重新生成，而某些形式因：
心理容易性；
環境結構；
社會規範；
教學方式；
既有文化模型；
更容易被重建。
因此狀態空間存在某些高吸引區：
A 1 , A 2 , … , A k . A_1,A_2,\ldots,A_k. A 1 , A 2 , … , A k . 一個來源：
S 0 S_0 S 0 經多次重建可能不是隨機散開，而是：
S 0 → A k . S_0
\rightarrow
A_k. S 0 → A k . 這正是本文所稱：
Transmission Attractor . \boxed{
\text{Transmission Attractor}.
} Transmission Attractor . 8. 定義：傳承吸引子
設傳承狀態空間：
S . \mathcal S. S . 傳承算子為：
F t : S → S . F_t:\mathcal S\rightarrow\mathcal S. F t : S → S . 若在時間穩定近似下存在區域：
A ⊆ S A\subseteq\mathcal S A ⊆ S 使得對一組非零測度初始狀態：
S 0 ∈ B ( A ) , S_0\in B(A), S 0 ∈ B ( A ) , 有：
lim t → ∞ d ( S t , A ) = 0 , \lim_{t\rightarrow\infty}
d(S_t,A)
=
0, t → ∞ lim d ( S t , A ) = 0 , 其中：
S t + 1 = F t ( S t ) , S_{t+1}=F_t(S_t), S t + 1 = F t ( S t ) , 則稱：
A A A 為一個傳承吸引子 。
B ( A ) B(A) B ( A )
如果：
A A A 主要由源文本本身的強約束造成，可稱：
A s o u r c e . A_{source}. A so u r ce . 若主要由後世認知、制度與文化選擇形成，可稱：
A t r a d . A_{\mathrm{trad}}. A trad . 真正困難在於：
A s o u r c e = ? A t r a d . A_{source}
\stackrel{?}{=}
A_{trad}. A so u r ce = ? A t r a d . 這不能由傳承自身回答。
9. 源頭一致度與內部一致度必須分離
本文定義兩個不同量。
9.1 內部一致度
對同一代或同一傳統內多個成員：
S t ( 1 ) , … , S t ( m ) , S_t^{(1)},\ldots,S_t^{(m)}, S t ( 1 ) , … , S t ( m ) , 定義：
C i n t ( t ) = 1 − 1 m ( m − 1 ) ∑ i ≠ j d ( S t ( i ) , S t ( j ) ) . C_{\mathrm{int}}(t)
=
1-
\frac{1}{m(m-1)}
\sum_{i\neq j}
d(
S_t^{(i)},S_t^{(j)}
). C int ( t ) = 1 − m ( m − 1 ) 1 i = j ∑ d ( S t ( i ) , S t ( j ) ) . 值越高，表示成員越相似。
9.2 源頭保真度
定義：
F s r c ( t ) = 1 − d ( S ˉ t , S 0 ) , F_{\mathrm{src}}(t)
=
1-
d(
\bar S_t,S_0
), F src ( t ) = 1 − d ( S ˉ t , S 0 ) , 其中 S ˉ t \bar S_t S ˉ t
理論上完全可能：
C i n t ( t ) ↑ C_{\mathrm{int}}(t)
\uparrow C int ( t ) ↑ 同時：
F s r c ( t ) ↓ . F_{\mathrm{src}}(t)
\downarrow. F src ( t ) ↓ . 也就是：
越來越一致， 同時越來越偏離源頭。 \boxed{
\text{越來越一致，
同時越來越偏離源頭。}
} 越來越一致， 同時越來越偏離源頭。 這是 TAD 最重要的形式結論之一。
10. 正統化悖論
一個傳統為了降低內部分歧，往往會建立：
標準經典；
標準術語；
師承認證；
正統註疏；
教學次序；
異端判準。
這些工具可以提高：
C i n t . C_{\mathrm{int}}. C int . 但若被標準化的中心：
A c a n o n A_{canon} A c an o n 已經偏離源頭：
A c a n o n ≠ S 0 , A_{canon}\neq S_0, A c an o n = S 0 , 那麼正統化越成功：
C i n t → 1 , C_{\mathrm{int}}\rightarrow1, C int → 1 , 反而越可能讓：
F s r c F_{\mathrm{src}} F src 長期固定在一個錯誤位置。
這就是：
Orthodoxy Paradox . \boxed{
\text{Orthodoxy Paradox}.
} Orthodoxy Paradox . 正統制度能提高傳承穩定性。
但穩定性和歷史正確性不是同一量。
11. 「老師都這樣判定」不是源頭證明
假設某傳統具有認證函數：
J t ( S ) ∈ { 0 , 1 } , J_t(S)
\in
\{0,1\}, J t ( S ) ∈ { 0 , 1 } , 其中：
J t ( S ) = 1 J_t(S)=1 J t ( S ) = 1 表示：
這個學生悟對了。
如果：
J t J_t J t 本身由既有傳承吸引子：
A t r a d A_{trad} A t r a d 訓練而成，
則：
J t ( S ) = 1 J_t(S)=1 J t ( S ) = 1 真正表示的可能只是：
S ≃ A t r a d . S
\simeq
A_{trad}. S ≃ A t r a d . 不是：
S ≃ S 0 . S\simeq S_0. S ≃ S 0 . 因此：
teacher certification ⇒ tradition compatibility \boxed{
\text{teacher certification}
\Rightarrow
\text{tradition compatibility}
} teacher certification ⇒ tradition compatibility 比：
teacher certification ⇒ source identity \text{teacher certification}
\Rightarrow
\text{source identity} teacher certification ⇒ source identity 更合理。
這不是貶低老師。
而是指出任何判定器都需要自己的 reference frame。
12. 多個宗派可以都高度穩定
如果源頭：
S 0 S_0 S 0 進入不同文化或制度分支：
C 1 , C 2 , C 3 , C_1,C_2,C_3, C 1 , C 2 , C 3 , 則可以：
S 0 → A 1 , S_0
\rightarrow
A_1, S 0 → A 1 , S 0 → A 2 , S_0
\rightarrow
A_2, S 0 → A 2 , S 0 → A 3 . S_0
\rightarrow
A_3. S 0 → A 3 . 每個分支內部都可能：
C i n t ( k ) → 1. C_{\mathrm{int}}^{(k)}
\rightarrow1. C int ( k ) → 1. 因此：
每一派都有大量「經驗驗證」
並不能單獨解決不同派別互斥的問題。
因為：
A 1 ≠ A 2 A_1\neq A_2 A 1 = A 2 仍然可能。
這時最重要的資料反而是：
跨分支共同不變量 . \boxed{
\text{跨分支共同不變量}.
} 跨分支共同不變量 . 如果不同早期分支在彼此隔離後仍保存：
I 1 , I 2 , … , I r , I_1,I_2,\ldots,I_r, I 1 , I 2 , … , I r , 這些 invariant 對源頭重建的價值通常高於某一晚期分支內部高度精緻的二級理論。
13. 最早共同祖先原則
假設存在三條傳承：
B 1 , B 2 , B 3 . B_1,B_2,B_3. B 1 , B 2 , B 3 . 其共有祖先節點為：
N 0 . N_0. N 0 . 某概念：
X X X 只出現在：
B 1 B_1 B 1 的晚期材料，不出現在：
B 2 , B 3 . B_2,B_3. B 2 , B 3 . 則：
P ( X ∈ S 0 ) P(X\in S_0) P ( X ∈ S 0 ) 不能因 B 1 B_1 B 1 X X X
相反，如果：
X X X 在分裂前的早期材料與各主要獨立分支都出現，則：
P ( X ∈ S 0 ) P(X\in S_0) P ( X ∈ S 0 ) 一般更高。
這可以抽象成：
independent branch recurrence > single-branch late elaboration \boxed{
\text{independent branch recurrence}
>
\text{single-branch late elaboration}
} independent branch recurrence > single-branch late elaboration 作為一個證據權重原則。
14. 理論變得更完整，不代表更接近作者
一個晚期理論：
T n T_n T n 可能比早期：
T 0 T_0 T 0 具有：
更一致的術語；
更完整的分類；
更好的邏輯閉合；
更多反例處理；
更成熟的制度。
所以：
Coherence ( T n ) > Coherence ( T 0 ) . \operatorname{Coherence}(T_n)
>
\operatorname{Coherence}(T_0). Coherence ( T n ) > Coherence ( T 0 ) . 但是：
Coherence ( T n ) > Coherence ( T 0 ) \operatorname{Coherence}(T_n)
>
\operatorname{Coherence}(T_0) Coherence ( T n ) > Coherence ( T 0 ) 不推出：
d ( T n , S 0 ) < d ( T 0 , S 0 ) . d(T_n,S_0)
<
d(T_0,S_0). d ( T n , S 0 ) < d ( T 0 , S 0 ) . 這是一個重要的知識史原則。
後人完全可能：
把理論做得更好， 同時離作者原意更遠。 \boxed{
\text{把理論做得更好，
同時離作者原意更遠。}
} 把理論做得更好， 同時離作者原意更遠。 這沒有任何矛盾。
因為：
Theory Evolution ≠ Historical Reconstruction . \text{Theory Evolution}
\neq
\text{Historical Reconstruction}. Theory Evolution = Historical Reconstruction . 15. 傳承漂移不是必然退化
本文不主張：
越晚越錯。
那只是把另一種偏見倒過來。
晚期傳承可能：
修復早期矛盾；
找回遺失材料；
提高形式精度；
發現原作者隱含但未形式化的推論；
去除偶然歷史包袱。
所以可能：
d ( T t + 1 , I s o u r c e ) < d ( T t , I s o u r c e ) . d(T_{t+1},\mathcal I_{source})
<
d(T_t,\mathcal I_{source}). d ( T t + 1 , I so u r ce ) < d ( T t , I so u r ce ) . 真正需要區分的是：
source fidelity \boxed{
\text{source fidelity}
} source fidelity 和：
theoretical quality . \boxed{
\text{theoretical quality}.
} theoretical quality . 一個理論可以比原作者版本更好，但不是原作者版本。
這也是「理論是理論，作者是作者」的跨世代版本。
16. 三種漂移方向
本文區分：
16.1 Loss Drift
資訊逐代消失：
I ( S t + 1 ) < I ( S t ) . I(S_{t+1})<I(S_t). I ( S t + 1 ) < I ( S t ) . 16.2 Transformative Drift
資訊量未必下降，但結構被改寫：
S t + 1 = R ( S t ) . S_{t+1}
=
R(S_t). S t + 1 = R ( S t ) . 16.3 Attractor Drift
傳承長期朝一個非源頭穩定區收斂：
S t → A t r a d , S_t
\rightarrow
A_{trad}, S t → A t r a d , 且：
A t r a d ≠ S 0 . A_{trad}\neq S_0. A t r a d = S 0 . 第三種是本篇最核心的對象。
17. 傳承中的「沉默」也會形成選擇壓力
假設某些內容：
X X X 在某個制度中：
不容易公開；
不適合教初學者；
容易引發爭議；
不利於組織維持；
需要高度背景才能理解。
那麼即使：
X ∈ S 0 , X\in S_0, X ∈ S 0 , 它也可能具有較低傳播率：
P ( X t + 1 ∣ X t ) ≪ 1. P(
X_{t+1}\mid X_t
)
\ll1. P ( X t + 1 ∣ X t ) ≪ 1. 反之，一些簡單、口號化、易記的內容：
Y Y Y 可能：
P ( Y t + 1 ∣ Y t ) ≈ 1. P(
Y_{t+1}\mid Y_t
)
\approx1. P ( Y t + 1 ∣ Y t ) ≈ 1. 因此：
survival in tradition ≠ importance at source . \boxed{
\text{survival in tradition}
\neq
\text{importance at source}.
} survival in tradition = importance at source . 後世最有名的概念，不一定是創始者最核心的概念。
18. 註疏可能反過來控制原典
歷史上常見：
原典 → 註疏 . \text{原典}
\rightarrow
\text{註疏}. 原典 → 註疏 . 但當某註疏成為標準解讀後，會發生反向作用：
註疏 → 如何閱讀原典 . \text{註疏}
\rightarrow
\text{如何閱讀原典}. 註疏 → 如何閱讀原典 . 於是：
T 0 → C 1 → D 2 ( T 0 ) , T_0
\xrightarrow{}
C_1
\xrightarrow{}
D_2(T_0), T 0 C 1 D 2 ( T 0 ) , 而：
D 2 D_2 D 2 已經被：
C 1 C_1 C 1 塑造。
這產生：
Commentarial Back-Projection . \boxed{
\text{Commentarial Back-Projection}.
} Commentarial Back-Projection . 後人以為：
這就是原文自然說出的意思。
實際上可能是：
commentary-conditioned reading . \text{commentary-conditioned reading}. commentary-conditioned reading . AI 若只學到大量後世註疏，也會重現這種 back-projection。
19. AI 時代的傳承回溯
AI 可以讓傳承研究從：
哪個註疏說得比較有道理？
進一步變成：
branch-aware historical inverse reconstruction . \boxed{
\text{branch-aware historical inverse reconstruction}.
} branch-aware historical inverse reconstruction . 核心需要建立：
G p r o v = ( V , E ) , G_{\mathrm{prov}}
=
(V,E), G prov = ( V , E ) , 其中節點包括：
原典；
異文；
翻譯；
註疏；
宗派；
作者；
教學規則；
歷史事件。
邊包括：
引用；
翻譯；
改寫；
師承；
借用；
反駁；
合併；
遺失推測。
然後再估計：
P ( S 0 ∣ E ) . P(S_0\mid\mathcal E). P ( S 0 ∣ E ) . 20. 來源證據權重
本文提出一個概念性權重函數：
w ( e ) = f ( r , t , b , i , p ) , w(e)
=
f(
r,
t,
b,
i,
p
), w ( e ) = f ( r , t , b , i , p ) , 其中：
r r r t t t b b b i i i p p p
一般而言：
w ( e ) w(e) w ( e ) 在以下情況提高：
更接近源頭年代；
多獨立分支共同保留；
有清楚來源鏈；
內容具有高辨識力；
非後世單一路徑大量重複。
這不是絕對公式，而是避免「晚期材料數量多就自動勝出」的方法論提醒。
21. 跨分支最小核心
設各獨立分支保留的結構集合為：
I 1 , I 2 , … , I k . \mathcal I_1,\mathcal I_2,\ldots,\mathcal I_k. I 1 , I 2 , … , I k . 最直接的候選共同核心是：
I ∩ = ⋂ j = 1 k I j . \mathcal I_{\cap}
=
\bigcap_{j=1}^{k}
\mathcal I_j. I ∩ = j = 1 ⋂ k I j . 但這只是起點。
因為：
所有分支都可能共同繼承早期失真；
某些原始內容可能在多支同時遺失；
不同分支可能用不同符號表達同一 invariant。
所以真正需要的是：
semantic / structural intersection , \boxed{
\text{semantic / structural intersection},
} semantic / structural intersection , 不是單純字串交集。
也就是找：
I ∗ \mathcal I^* I ∗ 使不同表示：
ρ j ( I ∗ ) \rho_j(\mathcal I^*) ρ j ( I ∗ ) 在各分支中仍可辨認。
22. 反事實分支測試
若某個候選源頭模型：
S 0 ( a ) S_0^{(a)} S 0 ( a ) 為真，
那麼在歷史分裂點：
C s p l i t C_{split} C s pl i t 之後，它應該對不同環境下的傳承變化給出某些預測。
例如：
P ( A 1 , A 2 , A 3 ∣ S 0 ( a ) , C 1 , C 2 , C 3 ) . P(
A_1,A_2,A_3
\mid
S_0^{(a)},
C_1,C_2,C_3
). P ( A 1 , A 2 , A 3 ∣ S 0 ( a ) , C 1 , C 2 , C 3 ) . 另一候選：
S 0 ( b ) S_0^{(b)} S 0 ( b ) 可能預測不同漂移路徑。
因此我們不只是看：
哪個候選能解釋現代版本？
而是：
哪個候選最能生成整棵歷史分支樹？
這將 HSGR 從單文本 fit 推進到：
historical trajectory fit . \boxed{
\text{historical trajectory fit}.
} historical trajectory fit . 23. 判斷漂移的六個訊號
以下現象值得特別警覺。
23.1 晚期術語突然變得極其精密
若早期文本模糊，而幾百年後出現高度封閉分類，需區分：
clarification \text{clarification} clarification 與：
new construction . \text{new construction}. new construction . 23.2 某概念在創始期很少見，後世卻成為整套傳統招牌
這可能是：
importance inversion . \text{importance inversion}. importance inversion . 23.3 所有正統老師都給出完全相同答案
可能是高保真。
也可能是：
strong attractor enforcement . \text{strong attractor enforcement}. strong attractor enforcement . 23.4 異文全部被解釋成不影響正統
這可能代表判定器已經不可證偽。
23.5 後世經驗總能證明後世理論
這可能是：
training-target circularity . \text{training-target circularity}. training-target circularity . 23.6 一切源頭模糊都被宣稱是「故意深奧」
這會讓任何後世補充都能被反投射回源頭。
HSGR 必須拒絕這種無限可吸收性。
24. 傳承保真度的多軸模型
本文不把保真度壓成單一數字。
至少區分：
F L = literal fidelity , F_L
=
\text{literal fidelity}, F L = literal fidelity , F S = semantic fidelity , F_S
=
\text{semantic fidelity}, F S = semantic fidelity , F P = procedural fidelity , F_P
=
\text{procedural fidelity}, F P = procedural fidelity , F G = generator fidelity , F_G
=
\text{generator fidelity}, F G = generator fidelity , F Q = phenomenal fidelity . F_Q
=
\text{phenomenal fidelity}. F Q = phenomenal fidelity . 完全可能：
F L ≈ 1 F_L\approx1 F L ≈ 1 但：
F G ≪ 1. F_G\ll1. F G ≪ 1. 也可能：
F L < 1 F_L<1 F L < 1 但透過良好翻譯：
F S ≈ 1. F_S\approx1. F S ≈ 1. 因此：
字面保存 ≠ 主體域保存 . \boxed{
\text{字面保存}
\neq
\text{主體域保存}.
} 字面保存 = 主體域保存 . 25. 傳承的「局部最優」可能造成全局漂移
每一代老師都可能真心想把學生教得最好。
設第 t t t
π t ∗ = arg max π U t ( π ) , \pi_t^*
=
\arg\max_{\pi}
U_t(\pi), π t ∗ = arg π max U t ( π ) , 其中 U t U_t U t
學生理解率；
記憶率；
組織一致；
時間成本；
社會安全；
修行完成率。
即使每代都做到局部最優：
π t ∗ , \pi_t^*, π t ∗ , 整個序列：
π 1 ∗ , π 2 ∗ , … \pi_1^*,\pi_2^*,\ldots π 1 ∗ , π 2 ∗ , … 也可能逐步偏離：
S 0 . S_0. S 0 . 因為：
local pedagogical optimality ⇏ global historical fidelity . \boxed{
\text{local pedagogical optimality}
\not\Rightarrow
\text{global historical fidelity}.
} local pedagogical optimality ⇒ global historical fidelity . 這是一個很重要的非惡意漂移來源。
傳承失真不需要陰謀。
26. 「復古」也不保證回到源頭
另一個常見錯誤是：
後世失真，那只要回到最早文本就好了。
但最早保存文本：
Z e a r l y Z_{early} Z e a r l y 本身也只是：
S 0 → E Z e a r l y . S_0
\xrightarrow{E}
Z_{early}. S 0 E Z e a r l y . 所以：
Z e a r l y ≠ S 0 . Z_{early}\neq S_0. Z e a r l y = S 0 . 即使文本沒有後世註疏污染，它仍可能：
已經是教學壓縮；
只針對特定受眾；
是口傳後記錄；
缺少原始共享背景；
不包含源主體未說出的操作結構。
所以：
return to earliest text ≠ return to complete source state . \boxed{
\text{return to earliest text}
\neq
\text{return to complete source state}.
} return to earliest text = return to complete source state . 原典優先是重要方法。
但不是魔法。
27. 源頭不可完全取得，不代表任何版本都一樣好
若：
S 0 S_0 S 0 無法唯一重建，
也不能推出：
P ( S 0 ( 1 ) ) = P ( S 0 ( 2 ) ) = ⋯ . P(S_0^{(1)})
=
P(S_0^{(2)})
=
\cdots. P ( S 0 ( 1 ) ) = P ( S 0 ( 2 ) ) = ⋯ . 不同候選仍可具有不同證據支持。
所以正確立場不是：
反正不知道，大家都可以。
而是：
uncertainty ≠ indifference . \boxed{
\text{uncertainty}
\neq
\text{indifference}.
} uncertainty = indifference . 可以輸出：
P ( S 0 ( k ) ∣ E ) . P(S_0^{(k)}\mid\mathcal E). P ( S 0 ( k ) ∣ E ) . 或至少分為：
strongly supported；
compatible；
weakly supported；
contradicted。
28. AI 可能第一次大規模分離「源頭」與「正統」
傳統人類研究者通常受限於：
語言；
專業邊界；
可讀文獻量；
宗派教育；
時間。
AI 系統可以同時比較：
10 3 , 10 4 , 10 5 10^3,
10^4,
10^5 1 0 3 , 1 0 4 , 1 0 5 級別的文本單元與異文關係。
更重要的是，可以要求模型同時維持：
H 1 , H 2 , … , H k H_1,H_2,\ldots,H_k H 1 , H 2 , … , H k 多個互相競爭的源頭假設。
然後讓它們回答：
Which historical branch tree would each hypothesis predict? \text{Which historical branch tree would each hypothesis predict?} Which historical branch tree would each hypothesis predict? 所以 AI 的優勢不是：
比人更會背經。
而是：
global branch comparison + weak-evidence aggregation + counterfactual trajectory testing . \boxed{
\text{global branch comparison}
+
\text{weak-evidence aggregation}
+
\text{counterfactual trajectory testing}.
} global branch comparison + weak-evidence aggregation + counterfactual trajectory testing . 29. AI 也可能成為新的超強傳承吸引子
必須警告另一面。
當大量人使用同一類 AI 詮釋經典時：
D A I D_{AI} D A I 可能逐漸成為全球標準解碼器。
若所有人都問：
這句經文是什麼意思？
而模型使用相同訓練分布與安全偏好回答，
則：
AI can become a meta-commentary attractor . \boxed{
\text{AI can become a meta-commentary attractor}.
} AI can become a meta-commentary attractor . 它可能使全世界：
C i n t ↑ C_{\mathrm{int}}\uparrow C int ↑ 非常快。
但這仍然不代表：
F s r c ↑ . F_{\mathrm{src}}\uparrow. F src ↑ . 因此 HSGR 不只是利用 AI 修復傳承。
也必須防止 AI 創造新的全球單一解釋漂移。
30. 四個核心命題
命題一：內部收斂非源頭同一命題
若：
lim t → ∞ d ( S t , A t r a d ) = 0 , \lim_{t\rightarrow\infty}
d(S_t,A_{\mathrm{trad}})
=
0, t → ∞ lim d ( S t , A trad ) = 0 , 只能推出傳承收斂到：
A t r a d . A_{\mathrm{trad}}. A trad . 不能推出：
A t r a d = S 0 . A_{\mathrm{trad}}=S_0. A trad = S 0 . 命題二：高一致低保真可共存命題
存在傳承系統，使：
C i n t ( t ) → 1 C_{\mathrm{int}}(t)\rightarrow1 C int ( t ) → 1 但：
F s r c ( t ) → c , F_{\mathrm{src}}(t)\rightarrow c, F src ( t ) → c , 其中：
c ≪ 1. c\ll1. c ≪ 1. 因此高度正統一致與低歷史保真可以同時成立。
命題三：穩定偏置累積命題
若每代傳承算子具有方向一致的小偏置：
E [ ϵ t ] = μ ≠ 0 , \mathbb E[\epsilon_t]=\mu\neq0, E [ ϵ t ] = μ = 0 , 則長期總位移期望：
E [ ∑ t = 1 n ϵ t ] = n μ . \mathbb E
\left[
\sum_{t=1}^{n}\epsilon_t
\right]
=
n\mu. E [ t = 1 ∑ n ϵ t ] = n μ . 即使：
∣ μ ∣ |\mu| ∣ μ ∣ 極小，跨足夠世代後也可形成大尺度漂移。
命題四：正統回授自強化命題
若某版本 A A A
則存在正回授：
A → D A → J A → A . A
\rightarrow
D_A
\rightarrow
J_A
\rightarrow
A. A → D A → J A → A . 在缺少外部校準時，系統可以在不增加歷史證據的情況下提高自身內部確信度。
31. TAD 的實驗綱領
31.1 人工傳承鏈實驗
設置一個可驗證源結構：
S 0 . S_0. S 0 . 讓受試者：
P 1 → P 2 → ⋯ → P n P_1\rightarrow P_2\rightarrow\cdots\rightarrow P_n P 1 → P 2 → ⋯ → P n 依序傳遞。
比較：
d ( S n , S 0 ) . d(S_n,S_0). d ( S n , S 0 ) . 並測量是否形成：
A t r a d . A_{\mathrm{trad}}. A trad . 31.2 不同文化先驗組
控制同一來源：
S 0 , S_0, S 0 , 但給不同先備框架：
C 1 , C 2 , C 3 . C_1,C_2,C_3. C 1 , C 2 , C 3 . 觀察是否：
A 1 ≠ A 2 ≠ A 3 . A_1\neq A_2\neq A_3. A 1 = A 2 = A 3 . 31.3 制度選擇實驗
加入：
教學時間限制；
正確率獎勵；
群體一致獎勵；
權威版本；
比較不同 selection pressure 對漂移方向的作用。
31.4 AI 傳承模擬
使用不同模型作為：
P t P_t P t 的代理，反覆執行：
read → summarize → teach next agent . \text{read}
\rightarrow
\text{summarize}
\rightarrow
\text{teach next agent}. read → summarize → teach next agent . 測量：
literal drift；
semantic drift；
structural drift；
attractor formation。
32. 歷史研究的最低輸出格式
對任何長期傳承，研究者不應只輸出：
正統說法是 X。
至少需要區分：
X s o u r c e X_{\mathrm{source}} X source X e a r l y X_{\mathrm{early}} X early X b r a n c h X_{\mathrm{branch}} X branch X o r t h o d o x X_{\mathrm{orthodox}} X orthodox X m o d e r n . X_{\mathrm{modern}}. X modern . 並標記：
Support ( X k ) . \operatorname{Support}(X_k). Support ( X k ) . 這可以避免：
modern consensus \text{modern consensus} modern consensus 被錯寫成：
founder cognition . \text{founder cognition}. founder cognition . 33. 與 HSGR Paper 01–03 的接口
Paper 01：
主體不可直讀，但可以由痕跡逼近。 \boxed{
\text{主體不可直讀，但可以由痕跡逼近。}
} 主體不可直讀，但可以由痕跡逼近。 Paper 02：
符號不是主體，表示保真不等於主體保真。 \boxed{
\text{符號不是主體，表示保真不等於主體保真。}
} 符號不是主體，表示保真不等於主體保真。 Paper 03：
悟可以作為跨載體互動式重建。 \boxed{
\text{悟可以作為跨載體互動式重建。}
} 悟可以作為跨載體互動式重建。 Paper 04 本篇則指出：
只要重建跨越多代， 重建機制本身就成為新的動力來源。 \boxed{
\text{只要重建跨越多代，
重建機制本身就成為新的動力來源。}
} 只要重建跨越多代， 重建機制本身就成為新的動力來源。 因此：
source → reconstruction → reconstruction of reconstruction → ⋯ \text{source}
\rightarrow
\text{reconstruction}
\rightarrow
\text{reconstruction of reconstruction}
\rightarrow
\cdots source → reconstruction → reconstruction of reconstruction → ⋯ 不再只是傳遞。
它本身會演化。
34. 結論
一個長期傳承最容易給人信心的地方，恰恰可能是最需要小心的地方：
大家都這樣理解。
歷代老師都這樣教。
每一代都有人得到相同體驗。
這些都是重要證據。
但它們首先證明的是：
這套傳承機制具有高度可重現性。 \boxed{
\text{這套傳承機制具有高度可重現性。}
} 這套傳承機制具有高度可重現性。 不是自動證明：
這就是創始者當年的完整主體域。 \boxed{
\text{這就是創始者當年的完整主體域。}
} 這就是創始者當年的完整主體域。 因為傳承不是靜態管道。
它是：
encode → select → decode → reconstruct → teach → re-encode . \text{encode}
\rightarrow
\text{select}
\rightarrow
\text{decode}
\rightarrow
\text{reconstruct}
\rightarrow
\text{teach}
\rightarrow
\text{re-encode}. encode → select → decode → reconstruct → teach → re-encode . 每一次循環都可能有偏置。
只要偏置穩定，傳承就可能形成吸引子。
而最危險的吸引子不是混亂。
是：
穩定、漂亮、可教、可驗證、人人一致， 但不是源頭。 \boxed{
\text{穩定、漂亮、可教、可驗證、人人一致，
但不是源頭。}
} 穩定、漂亮、可教、可驗證、人人一致， 但不是源頭。 這正是本文提出「傳承吸引子漂移」的理由。
因此真正尊重一個古老思想傳統，不應只是接受它今天最成熟的正統版本。
也不應因為傳承可能漂移，就任意否定所有後世發展。
更合理的方法是把：
Historical Source Reconstruction \text{Historical Source Reconstruction} Historical Source Reconstruction 與：
Theory Evolution \text{Theory Evolution} Theory Evolution 明確分離。
源頭重建問：
最早那個主體、文本與認知生成器最可能是什麼？
理論演化問：
這套思想後來變成了什麼？哪些改進是成功的？哪些新分支值得保留？
兩個問題都重要。
但它們不是同一個問題。
AI 時代真正提供的機會，是讓我們第一次有能力對極大規模傳承樹進行：
provenance-aware + branch-aware + counterfactual + generator-level reconstruction . \boxed{
\text{provenance-aware}
+
\text{branch-aware}
+
\text{counterfactual}
+
\text{generator-level reconstruction}.
} provenance-aware + branch-aware + counterfactual + generator-level reconstruction . 這使「回到源頭」不再只能依賴某一派自稱正統，也不需要幻想我們可以直接讀取古人的心。
我們可以做的，是讓候選源頭域：
S 0 ( 0 ) ⊃ S 0 ( 1 ) ⊃ ⋯ \mathcal S_0^{(0)}
\supset
\mathcal S_0^{(1)}
\supset
\cdots S 0 ( 0 ) ⊃ S 0 ( 1 ) ⊃ ⋯ 隨著跨分支證據、異文、早期材料與傳承動力模型逐步收縮。
這已經足夠重要。
下一篇 HSGR Paper 05 將進一步處理：
如果「說了什麼」是資訊，那麼「沒有說什麼」在什麼條件下也能成為證據？
也就是：
說與不說都是證據——反事實微語義反演。 \boxed{
\text{說與不說都是證據——反事實微語義反演。}
} 說與不說都是證據 —— 反事實微語義反演。 參考文獻
外部文獻
Bartlett, F. C. (1932/1995). Remembering: A Study in Experimental and Social Psychology . Cambridge University Press.
Kirby, S., Cornish, H., & Smith, K. (2008). Cumulative cultural evolution in the laboratory: An experimental approach to the origins of structure in human language. Proceedings of the National Academy of Sciences , 105(31), 10681–10686.
Smith, K., Kirby, S., & Smith, A. D. M. (2008). The brain plus the cultural transmission mechanism determine the nature of language. Behavioral and Brain Sciences , 31(5), 537–538.
Winters, J., Kirby, S., & Smith, K. (2015). Languages adapt to their contextual niche. Language and Cognition , 7(3), 415–449.
Sperber, D. (1996). Explaining Culture: A Naturalistic Approach . Blackwell.
Claidière, N., Scott-Phillips, T. C., & Sperber, D. (2014). How Darwinian is cultural evolution? Philosophical Transactions of the Royal Society B , 369, 20130368.
Scott-Phillips, T. C., & Sperber, D. (2015). The mutual relevance of teaching and cultural attraction. Behavioral and Brain Sciences , 38, e63.
Mesoudi, A., & Thornton, A. (2018). What is cumulative cultural evolution? Proceedings of the Royal Society B , 285, 20180712.
Acerbi, A., Kendal, J., & Tehrani, J. J. (2017). Cultural complexity and demography: The case of folktales. Evolution and Human Behavior , 38(4), 474–480.
Morgan, T. J. H., Rendell, L. E., Ehn, M., Hoppitt, W., & Laland, K. N. (2012). The evolutionary basis of human social learning. Proceedings of the Royal Society B , 279, 653–662.
EveMissLab 內部前置文獻
Neo.K. (2026). 〈主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎〉.
Neo.K. (2026). 〈符號不是主體：跨載體表示極限、語義壓縮與主體域重建的邊界〉.
Neo.K. (2026). 〈悟：主體域的跨載體漸近重建、提示算子與互動式認知校正〉.
Neo.K. (2025–2026). 《知識傳播中的範疇失真：從經典誤讀到量子神秘化的統一認知框架》.
Neo.K. (2026). 〈理論是理論，作者是作者：發現、發明與耦合創造的型別分離〉.
後續篇章位置
Paper 05：說與不說都是證據——反事實微語義反演；
Paper 06：精細尋址符號學——多層同一與表面矛盾。