Paper 02｜動態顯影與任務條件化耦合：SGCD 作為認知場動力學

Dynamic Revealing and Task-Conditioned Coupling: SGCD as the Dynamics of Cognitive Memory Fields

系列： 反身多表示認知記憶架構系列（Reflexive Multi-Representation Cognitive Memory Architecture Series）
篇次： Paper 02 / 14
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1 Canonical Draft
日期： 2026-09-11
文件性質： 認知場動力學／SGCD 統合／動態語義顯影／任務條件化耦合
前篇： Paper 01｜圖之後：從 Semantic Graph 到原生高維關係場
Canonical Source： UTF-8 Markdown
數學原始碼規範： inline math 僅使用 $...$ ；display math 僅使用 $$...$$

摘要

Paper 01 已提出：Semantic Graph、Context Graph 與 Typed Multi-Graph 雖然是未來 AI 記憶不可缺少的結構層，但 Graph 本身不應被視為最終記憶本體；真正更一般的底層是一個稀疏、型別化、可變階、局部 materialized 的高維關係記憶場。若如此，下一個問題就不再是「圖中有哪些節點與邊」，而是：在某一時刻、某一任務、某一觀察位置、某一權限與某一模型能力下，哪些潛在記憶結構應該真正進入當前 cognition？

本文將這個問題定義為「認知場動力學」，並以既有的 Semantic Graph Coupling Dynamics（SGCD，語義圖論耦合動力學）與 Dynamic Semantic Revealing（動態語義顯影）為基礎，建立反身多表示認知記憶架構中的 Activation / Coupling Layer。

本文首先區分三個層次：

\boxed{ \text{Existence} \neq \text{Availability} \neq \text{Activation} }

一項記憶可以存在於 exact substrate；可以被當前 agent 合法存取；但仍不代表它此刻應被激活。真正的 active cognition 應由條件向量：

\xi_t = (q_t,g_t,c_t,t,o,a,w_t,r_t,b_t,m_t)

共同決定，其中分別表示 query、goal、context、time、observer、authority、working state、risk、budget 與 model capability。

本文重新定義 SGCD 的耦合向量：

\mathbf c_{ij}(t) = ( c_{ij}^{sem}, c_{ij}^{term}, c_{ij}^{sym}, c_{ij}^{dep}, c_{ij}^{gene}, c_{ij}^{prop}, c_{ij}^{temp}, c_{ij}^{contra}, c_{ij}^{ref}, c_{ij}^{causal}, c_{ij}^{epi}, c_{ij}^{auth}, c_{ij}^{risk} )

並令任務條件化耦合強度為：

\boxed{ \kappa_{ij}^{(\xi_t)} = F_{\xi_t} \left( \mathbf c_{ij}(t), s_i(t), s_j(t), \mathcal H_t, \mathcal K_t \right) }

其中 $\mathcal H_t$ 為可用 cognitive hyperlinks， $\mathcal K_t$ 為已存在的 semantic / metacognitive crystals。實際工作圖則由：

\boxed{ G_{\xi,t} = \Pi_{\xi,t}^{graph} \left( \mathbb M_t; \kappa^{(\xi_t)} \right) }

動態顯影而得。

本文進一步提出：顯影不是單純 ranking；它是一個包含顯現、強調、淡化、折疊、遮蔽與解晶請求的多態操作。耦合也不是單純 cosine similarity；contradiction、dependency、provenance、version tension 與 epistemic conflict 都可能形成高權重耦合。系統因此不應只問「什麼最像」，而應問「什麼在此刻最應被帶入 cognition」。

本文亦加入資源與能力限制，提出 Budgeted Revealing、Capability-Conditioned Revealing、Reflexive Re-Revealing、Exploration Pressure 與 Fixation Control。由此，SGCD 不再只是一套搜尋排序方法，而成為高維認知記憶場的局部動力學：它決定哪些結構相互吸引、排斥、競爭、共振、矛盾、折疊與重新顯影，並為後續 Paper 03 的多表示共同本體、Paper 04 的受控失真、Paper 06 的認知超連結與 Paper 08 的 X 階認知調用提供共同 Activation substrate。

關鍵詞： SGCD、Dynamic Semantic Revealing、Task-Conditioned Coupling、Cognitive Memory Field、Activation Dynamics、Graph Projection、Context Graph、Reflexive Cognition、Budgeted Revealing、AI Memory

0. 問題：存在於記憶中的東西，不應全部進入 cognition

若一個長期 AI 已累積：

|\mathcal M_t| \gg 10^6

個記憶單位、relation、trace、crystal、artifact 與 route，則「全部載入」不只是昂貴，而是概念上錯誤。

真正的長期 cognition 必須回答：

在這一刻，什麼值得被看見？

而不是：

什麼曾經存在？

因此首先區分：

\boxed{ \text{Memory Existence} \neq \text{Current Cognitive Activation} }

一段歷史可能應被保存十年，卻在今天的 task 中完全不需要被激活。

反過來，一條長期沉睡的舊失敗路徑，也可能因新 evidence 出現而突然成為高優先節點。

所以 AI memory 的核心不只是 storage。

還需要：

\boxed{ \text{Activation Dynamics}. }

1. 三層分離：Existence、Availability、Activation

令一個 memory object 為：

m_i.

本文區分三個 predicate。

1.1 Existence

E(m_i,t) \in \{0,1\}

表示它是否存在於系統的合法歷史／canonical substrate 中。

1.2 Availability

A(m_i|o,a,t) \in \{0,1\}

表示 observer $o$ 在 authority state $a$ 下是否可以存取。

1.3 Activation

V(m_i|\xi_t) \in [0,1]

表示在 cognition condition $\xi_t$ 下，它此刻應具有多高的認知可見度。

因此：

\boxed{ E=1 \not\Rightarrow A=1 \not\Rightarrow V\approx1. }

這個分離是未來大型記憶系統避免「記得越多，context 越爆炸」的基本條件。

2. 認知條件向量

本文定義：

\boxed{ \xi_t = (q_t,g_t,c_t,t,o,a,w_t,r_t,b_t,m_t) }

其中：

$q_t$ ：當前 query / cognitive trigger；
$g_t$ ：goal / objective；
$c_t$ ：current context；
$t$ ：時間位置；
$o$ ：observer / agent identity；
$a$ ：authority / permission state；
$w_t$ ：working state；
$r_t$ ：risk profile；
$b_t$ ：cognitive budget；
$m_t$ ：consumer model capability profile。

這比傳統 retrieval 的：

S(q,d)

多出一整層 cognition semantics。

真正問題不是：

Similarity(q,d)

而是：

\boxed{ Utility(d|\xi_t). }

3. SGCD：語義關係不是固定距離，而是條件化耦合

早期 SGCD 已提出多維 coupling vector。

本文將其統合為：

\mathbf c_{ij}(t) = ( c_{ij}^{sem}, c_{ij}^{term}, c_{ij}^{sym}, c_{ij}^{dep}, c_{ij}^{gene}, c_{ij}^{prop}, c_{ij}^{temp}, c_{ij}^{contra}, c_{ij}^{ref}, c_{ij}^{causal}, c_{ij}^{epi}, c_{ij}^{auth}, c_{ij}^{risk} ).

其中：

$sem$ ：語義接近；
$term$ ：術語共享；
$sym$ ：符號／形式結構共享；
$dep$ ：依賴；
$gene$ ：理論譜系；
$prop$ ：命題結構；
$temp$ ：時間關聯；
$contra$ ：矛盾／反例；
$ref$ ：引用／來源；
$causal$ ：因果；
$epi$ ：認識狀態；
$auth$ ：權限／責任關係；
$risk$ ：風險耦合。

這個向量不應被理解成永久固定。

因此：

\mathbf c_{ij} = \mathbf c_{ij}(t).

4. 任務條件化耦合

真正用於 cognition 的 coupling 不是：

\|\mathbf c_{ij}\|.

而是：

\boxed{ \kappa_{ij}^{(\xi_t)} = F_{\xi_t} \left( \mathbf c_{ij}(t), s_i(t), s_j(t) \right) }

其中：

s_i(t),s_j(t)

表示節點自身狀態。

例如研究「某理論為何失敗」時：

w_{contra}

與：

w_{version}

會提高。

研究「最新可用方案」時：

w_{current}

與：

w_{validated}

會提高。

所以：

\boxed{ \text{Relevance is not intrinsic to an edge}. }

它是 task-conditioned。

5. 矛盾可以比相似更相關

傳統 semantic search 很容易把：

\text{Similarity}

當成 relevance 的主要代理。

但在科學研究中：

A

和：

B

即使互相矛盾，也可能具有最高關聯度。

所以：

\boxed{ \text{Contradiction} \not\Rightarrow \text{LowCoupling}. }

相反地：

c_{ij}^{contra}

可以在某些 task 下成為最強 coupling source。

例如：

task= \text{verify theorem}

時，反例與失敗證據可能比支持文件更重要。

6. 關係耦合不是只有吸引

本文將 relation dynamics 區分為至少五類。

6.1 Attraction

促使兩個 cognition object 同時進入 active state。

6.2 Repulsion

促使某些表示避免共同使用，例如版本不兼容。

6.3 Tension

兩者都必須保留，但存在 unresolved contradiction。

6.4 Gating

只有當 authority / precondition 成立時才允許連接。

6.5 Collapse / Folding Pressure

當一段結構反覆成熟，可傾向 crystalize 成高階 node。

因此：

\boxed{ \text{Coupling} \neq \text{Similarity Weight}. }

7. 動態語義顯影

本文沿用 Dynamic Semantic Revealing 的核心表示：

\Pi_{\xi} : \mathcal H \rightarrow \mathcal K_{\xi}.

但在本系列中，底層從 trace set 提升為：

\mathbb M_t.

因此：

\boxed{ \Pi_{\xi,t} : \mathbb M_t \rightarrow \mathcal K_{\xi,t}. }

其中：

\mathcal K_{\xi,t}

不是 Top-K list。

而是當前 task 下的局部 cognition field。

8. 顯影不是二值檢索

對 memory object：

m_i

可定義：

V(m_i|\xi_t) \in \{ \text{Reveal}, \text{Emphasize}, \text{Normal}, \text{Fade}, \text{Fold}, \text{Mask}, \text{RequestExpand} \}.

或使用連續 state：

V_i(t) \in [0,1].

這表示知識不是只有：

\text{Retrieved} / \text{NotRetrieved}.

而是：

\boxed{ \text{Cognitive Visibility is graded and operational}. }

9. Reveal 與 Fold 可以同時存在

一個大型 subgraph：

G_s

對當前 task 可能高度重要。

但不代表要展開全部細節。

可以：

Importance(G_s) \approx1

同時：

Representation(G_s) = Crystal(K_s).

也就是：

\boxed{ \text{High Importance} \neq \text{High Detail}. }

這是控制 context cost 的重要原則。

10. 顯影解析度

定義：

\rho

為 semantic resolution。

對同一 object：

M^{(0)}

可能只顯示高階摘要；

M^{(1)}

顯示結構；

M^{(2)}

顯示命題；

M^{(3)}

顯示 source / evidence。

因此：

\boxed{ \text{Visibility} \neq \text{Resolution}. }

一個 object 可以高可見、低解析度。

11. 動態解析度升級

若當前 cognition 出現：

Uncertainty>\theta_U

或：

Conflict>\theta_C

則：

\rho_t \rightarrow \rho_{t+1}> \rho_t.

即：

\boxed{ \text{Zoom on Demand}. }

這比一開始就展開全部 source 更有效率。

12. Working State 參與顯影

同一 query：

q

在不同 working state 下不應產生相同 activation。

假設：

w_A = \text{“剛開始研究”}

和：

w_B = \text{“已排除方案 1–8”}.

則：

\Pi(q,w_A) \neq \Pi(q,w_B).

否則系統會不斷把已知失敗重新顯影。

所以：

\boxed{ \text{Memory activation must be continuation-aware}. }

13. 失敗記憶也是高耦合記憶

傳統 retrieval 容易偏好：

accepted result；
latest summary；
high confidence content。

但長期 Agent 必須保存：

\text{FailureMemory}.

若當前 path 與某過去失敗高度重疊：

Overlap(path_t,Failure_k)>\theta

則失敗記憶應被強制提升：

V(Failure_k|\xi_t)\uparrow.

所以：

\boxed{ \text{Negative Knowledge can have positive activation value}. }

14. Authority 參與顯影，而不是事後遮掉

若某 memory：

m_i

對 agent $o$ 不可存取，系統不應先把它完整 materialize，再最後 hide。

而應：

A(m_i|o,a)=0 \Rightarrow V(m_i|\xi_t)=0.

因此 governance 應位於 revealing pipeline 前段：

\boxed{ \text{Governance} \rightarrow \text{Revealing} }

而不是：

\text{Revealing} \rightarrow \text{HideLater}.

15. Observer-Relative Revealing

不同 observer：

o_1,o_2

可能具有不同：

capability；
identity；
responsibility；
authority；
model architecture；
context。

因此：

\boxed{ \Pi_{\xi(o_1)} \neq \Pi_{\xi(o_2)}. }

這不表示底層 truth 不一致。

而是 active cognition 不同。

16. Model Capability 參與顯影

令模型能力 profile：

m = ( C_{context}, C_{graph}, C_{crossrep}, C_{reflex}, C_{verify} ).

一個只能穩定處理小圖的模型，不應被塞入高階 multi-graph state。

因此：

\Pi_{\xi,m_A} \neq \Pi_{\xi,m_B}.

即使 task 相同。

所以：

\boxed{ \text{Revealing is consumer-aware}. }

17. Budgeted Revealing

令 cognition budget：

b_t = ( B_{token}, B_{latency}, B_{compute}, B_{tool}, B_{risk} ).

顯影必須滿足：

Cost(\mathcal K_{\xi,t}) \le B_t.

因此不是：

\max Recall.

而是：

\boxed{ \max U(\mathcal K_{\xi,t}) \quad s.t. \quad Cost\le B_t. }

18. 認知效用函數

可定義候選 object $m_i$ 的 activation utility：

U_i = \alpha R_i + \beta I_i + \gamma C_i + \delta P_i + \eta N_i - \lambda Cost_i - \mu Risk_i.

其中：

$R_i$ ：task relevance；
$I_i$ ：information gain；
$C_i$ ：causal / structural centrality；
$P_i$ ：provenance importance；
$N_i$ ：novelty / contradiction value；
$Cost_i$ ：載入與處理成本；
$Risk_i$ ：錯誤耦合風險。

權重不應固定。

它們依：

\xi_t

改變。

19. 為什麼不能只用一個 Score

即使有：

U_i

也不能假設所有 cognition 都是 single-score ranking。

因為某些 task 需要：

至少一個 counterexample；
至少一個 exact source；
至少一個 current version；
至少一條 failure path；
至少一個 alternative branch。

所以 active set selection 更接近：

\boxed{ \text{Constrained Cognitive Set Construction} }

而不是：

TopK(U_i).

20. 顯影中的互補性

若兩個 memory：

m_i,m_j

單獨價值一般，但一起出現可以解釋 conflict，則：

U(m_i,m_j) > U(m_i)+U(m_j).

這是：

\boxed{ \text{Complementary Activation}. }

所以 activation 不能只做 independent ranking。

這也是原生張量／關係場比單向量 retrieval 更自然的地方。

21. 顯影中的冗餘

相反地，若：

m_i,m_j

高度重複，則：

U(m_i,m_j) < U(m_i)+U(m_j).

因此 system 應做：

\boxed{ \text{Redundancy Suppression}. }

但 suppression 不是 delete。

只是：

V(m_j|\xi_t)\downarrow.

22. 顯影與 Semantic Crystallization

若：

m_1,\ldots,m_k

長期反覆以同一結構共同被激活，可形成 crystal candidate：

K = CrystalCandidate( \{m_1,\ldots,m_k\} ).

因此 activation statistics 本身可以成為 crystallization evidence。

但：

\text{HighCoactivation} \neq \text{CrystallizationPermission}.

仍需：

structural stability；
validation；
recoverability；
non-accidentalness。

23. Co-Activation Graph

可以建立：

G_{co}

其中 edge weight：

w_{ij}^{co} = P( V_i>\theta, V_j>\theta ).

這不是 canonical semantic graph。

它是 runtime behavior graph。

用途：

發現重複 cognition bundle；
尋找 candidate crystal；
發現 routing bottleneck；
觀察 memory fixation。

24. Fixation Risk

強記憶可能造成：

\text{historical activation bias}.

令：

\lambda_M

為 memory dominance coefficient。

若：

\lambda_M\rightarrow1

新 cognition 幾乎只在既有高頻路徑中運作。

因此 Explore 模式應允許：

\lambda_M\downarrow.

甚至主動提升：

weakly connected nodes；
frontier regions；
unresolved contradictions；
low-density semantic areas。

25. Exploration Pressure

定義：

E_i = Novelty_i + Frontier_i + Unresolved_i - Redundancy_i.

在 Explore mode：

U_i^{explore} = U_i + \omega E_i.

這使系統不只顯影「最熟悉」的內容。

而能主動尋找：

\boxed{ \text{Residual Semantic Space}. }

26. Resolve Mode

Resolve 模式的權重不同。

提高：

\text{provenance}, \text{version}, \text{evidence}, \text{contradiction}, \text{validation}.

降低：

\text{speculative} \text{eweaks}.

所以：

\kappa^{explore}_{ij} \neq \kappa^{resolve}_{ij}.

這也是為什麼不應只有一張永久 relevance graph。

27. Commit Mode

Commit 模式要求：

EvidenceAnchor=1

VersionResolved=1

AuthorityOK=1

ValidationOK=1.

因此許多 Explore 中的高 coupling relation，在 Commit 中應直接被 mask。

即：

\boxed{ \text{Strong Cognitive Coupling} \not\Rightarrow \text{Commit Eligibility}. }

28. Dynamic Graph Projection

根據耦合：

\kappa_{ij}^{(\xi_t)}

與節點 activation：

V_i^{(\xi_t)},

可生成：

G_{\xi,t} = (V_{\xi,t},E_{\xi,t}).

其中：

V_{\xi,t} = \{ v_i | V_i^{(\xi_t)}>\theta_V \}

E_{\xi,t} = \{ e_{ij} | \kappa_{ij}^{(\xi_t)}>\theta_E \}.

因此 graph topology 是 emergent projection。

29. Soft Graph

也可以不立即 threshold。

保留：

\widetilde G_{\xi,t} = (V,\K_{\xi,t})

其中：

\K_{\xi,t} = [\kappa_{ij}^{(\xi_t)}].

這是一個 soft coupling graph。

只有在需要：

traversal；
visualization；
symbolic execution；

時才 materialize hard graph。

30. Soft → Hard 是一次 projection

所以：

\boxed{ \text{Soft Coupling Field} \rightarrow \text{Operational Graph} }

本身就是 projection。

不同 threshold：

\theta_1,\theta_2

會得到：

G_1 \neq G_2.

這解釋了為什麼「Graph 邊界」不應被當成本體邊界。

31. 時間動力學

令 coupling 隨時間變化：

\frac{d\mathbf c_{ij}}{dt} = \mathcal F_{ij} ( \mathbb M_t, Events_t, Evidence_t, Usage_t ).

relation 可以因：

新 evidence；
version update；
failed usage；
contradiction resolution；
repeated co-activation；

改變。

因此記憶不是：

\text{StaticGraph}.

而是：

\boxed{ \text{Evolving Relational Field}. }

32. Activation Dynamics

節點 activation 可寫成：

V_i(t+1) = \sigma \left( B_i(\xi_t) + \sum_j \kappa_{ji}^{(\xi_t)}V_j(t) - \lambda_i D_i(t) \right)

其中：

$B_i$ ：task-conditioned base drive；
coupling sum：其他節點傳遞的 activation；
$D_i$ ：suppression / redundancy / risk pressure；
$\sigma$ ：activation transform。

這只是研究用 abstraction，不主張今日 runtime 必須採 neural differential equation。

但它提供一個重要直覺：

\boxed{ \text{Memory activation can be dynamical, not only ranked}. }

33. Inhibition

若兩個 node 高度重複：

Redundancy(i,j)\uparrow

可以引入 inhibition：

I_{ij}<0.

若兩個 node 為 incompatible version：

VersionConflict(i,j)=1

也可以彼此抑制共同 commit。

所以 coupling matrix 不必全正。

34. Contradiction Tension

矛盾不等於 mutual suppression。

某些 task 中：

A

與：

B

互相矛盾時，反而應同時高 activation。

因此定義 tension：

T_{ij}^{contra}>0.

使：

V_i,V_j

同時被保留。

這可以避免系統過早把其中一方壓掉。

35. Unresolved Preservation

只要：

ResolutionState(i,j)=UNRESOLVED

系統應保留：

A,B,Conflict(A,B).

而不是：

Average(A,B).

所以：

\boxed{ \text{Unresolved contradiction should remain structurally visible}. }

36. Version-Sensitive Revealing

若：

V_1 \rightarrow V_2 \rightarrow V_3

當 task 是 current implementation：

Activation(V_3)\uparrow.

當 task 是 failure genealogy：

Activation(V_1,V_2)\uparrow.

所以：

\boxed{ \text{Latest} \neq \text{Always Most Relevant}. }

37. Provenance-Sensitive Revealing

若一個 claim：

P

存在多個來源：

S_1,S_2,S_3,

對低風險探索：

P

本身可能足夠。

對 formal verification：

S_1,S_2,S_3

應被向上顯影。

即：

\boxed{ \text{Source resolution is task-conditioned}. }

38. Query-Time Classification

傳統分類：

C(d)=label.

本文採：

C_{\xi}(d)=role_{\xi}.

同一文件可以在不同 task 中被分類為：

evidence；
counterexample；
historical branch；
obsolete implementation；
conceptual precursor；
active dependency。

因此分類本身也可 dynamic reveal。

39. Semantic Role 不是 Permanent Tag

Permanent tag：

role(d)=X

容易把 cognition 固定死。

本文採：

role_t(d|\xi).

也就是：

\boxed{ \text{Knowledge Role is contextual}. }

這與 SGCD 的 task-conditioned coupling 同源。

40. Operator-Assisted Revealing

若 query intent 是：

找更抽象版本。

則 system 不只做 semantic similarity。

而使用 operator：

ABSTRACTION.UP.

如果 query 是：

找反例。

則：

EVIDENCE.COUNTEREXAMPLE.

因此 activation 可接受 operator pressure：

\kappa_{ij}^{(\xi,\Omega)}.

這使 SGCD 與 Operator-Assisted Memory 接軌。

41. Search Strategy 也應動態選擇

不同 cognition need 應使用不同 retrieval strategy：

\text{Strategy} \in \{ \text{lexical}, \text{dense}, \text{graph}, \text{temporal}, \text{causal}, \text{provenance}, \text{symbolic}, \text{recompute}, \text{external-search} \}.

因此：

\boxed{ \text{Memory Need} \neq \text{Query} \neq \text{Retrieval Strategy}. }

顯影層應先判斷 cognitive need，再選 strategy。

42. Hyperlink-Assisted Revealing

若過去已編譯成功 route：

H_{ij}

則 active coupling 可以提高：

\kappa_{ij}\uparrow.

但 hyperlink 只是 route prior。

不能自動覆蓋：

version invalidation；
authority change；
evidence change。

所以：

\boxed{ \text{Compiled Route} \neq \text{Permanent Activation Guarantee}. }

43. Cold、Warm、Hot Route

可以定義：

\text{Cold} \rightarrow \text{Warm} \rightarrow \text{Hot}.

Cold：每次重新搜尋與解析。

Warm：已記錄候選 route。

Hot：已編譯 cognition transition。

SGCD 可以將 route maturity 作為 coupling factor：

c_{ij}^{route}.

但 mature route 仍可因新 evidence 降溫。

44. Route Invalidation

若：

VersionChanged=1

或：

AuthorityChanged=1

或：

ValidatorFailed=1,

則：

H_{ij}^{hot} \rightarrow H_{ij}^{cold/warm}.

因此 cognition routing 是可逆成熟，而不是永久 cache。

45. Reflexive Revealing

AI 可以觀察自己的 active set：

\mathcal K_{\xi,t}.

並問：

為什麼這些記憶被激活？

產生：

O_t = Observe(\mathcal K_{\xi,t}).

接著：

\xi_{t+1} = Update(\xi_t,O_t).

再重新顯影：

\mathcal K_{\xi,t} \rightarrow \mathcal K_{\xi',t+1}.

這就是：

\boxed{ \text{Reflexive Re-Revealing}. }

46. 反身顯影的風險

如果每次重新顯影又觸發下一次重新顯影：

\Pi_1 \rightarrow \Pi_2 \rightarrow \Pi_3 \rightarrow \cdots

會形成 recursion explosion。

因此需要：

\Delta U_{reveal} < Cost_{reveal}

時停止。

也就是：

\boxed{ \text{Re-Revealing must be gain-bounded}. }

47. X 階 cognition 的前置門

X 階 cognition 不應直接展開。

每開一階：

R^{(k+1)}

前，應先重新估計：

\xi^{(k+1)}.

因此：

\boxed{ \text{Revealing} \rightarrow \text{Invocation} }

是合理順序。

不是：

\text{Invoke Everything} \rightarrow \text{See What Happens}.

48. Cognitive Branching Control

若當前有：

b

個候選 branch。

深度：

k.

完全展開近似：

O(b^k).

SGCD 可先做 branch coupling estimation：

\kappa(branch_i|\xi).

只啟動：

\kappa>\theta.

這是控制 X 階 explosion 的第一道門。

49. Diversity Constraint

單純保留最高 coupling branch 可能造成早熟收斂。

因此可加入 diversity constraint：

Diversity(B_{active}) \ge \delta.

確保：

至少一條主路徑；
至少一條替代；
必要時至少一條反例／挑戰路徑。

這對探索非常重要。

50. Cognitive Ecology

因此 active cognition 不是一條 chain。

更像：

\boxed{ \text{Temporary Ecology of Activated Structures}. }

其中不同 node／route：

競爭；
共振；
抑制；
互補；
結晶；
失活。

這比單一 chain-of-thought 更符合多工具、多代理未來 AI。

51. 但 Ecology 不能變成無治理湧現

所有 active relation 必須保留：

\text{Origin}.

例如：

source relation；
inferred relation；
model proposal；
crystal-derived relation；
user constraint；
external evidence。

所以：

\boxed{ \text{Activation Freedom} \neq \text{Epistemic Anarchy}. }

52. Activation Receipt

高風險 cognition 可以記錄：

activation_id
task_id
condition_hash
selected_nodes
selected_relations
suppressed_candidates
projection_resolution
route_versions
model_id
budget
risk_profile

此 receipt 不需要保存 private chain-of-thought。

它只保存：

\boxed{ \text{Cognitive Routing State}. }

53. 為什麼不應保存完整 hidden reasoning

未來 memory architecture 的目的不是把模型每個內部推理 token 全部永久化。

真正需要保存的是：

decision-relevant state；
source；
selected route；
failure；
open branch；
crystal candidate；
verification result。

所以：

\boxed{ \text{Persistent Cognition State} \neq \text{Private Internal Reasoning Transcript}. }

這同時降低成本與 reflexive pollution。

54. Semantic Pollution

若所有 temporary association 都寫回長期 memory：

\text{ExploreAssociation} \rightarrow \text{PersistentRelation},

則系統會快速污染。

因此：

\boxed{ \text{Activation} \not\Rightarrow \text{Memory Commit}. }

只有經過：

\text{Proposal} \rightarrow \text{Evidence} \rightarrow \text{Validation}

才可寫入高可信 relation layer。

55. Short-Lived Activation Layer

因此可以分：

L_{active}

與：

L_{persistent}.

Active layer 可高自由度：

fuzzy；
lossy；
speculative。

Persistent layer 則較保守。

這是：

\boxed{ \text{Loose Coupling for Cognition} + \text{Governance for Evolution}. }

56. Coupling Field 與 Raw Source 的關係

若 active relation：

r_{ij}

需要正式 commit，系統應向下追溯：

r_{ij} \rightarrow \text{Evidence} \rightarrow \text{Source}.

因此高維 coupling field 是：

\text{cognitive layer}

不是：

\text{ultimate evidence layer}.

57. Coupling Field 與 ISQL

當 relation 需要高精度交接：

\kappa_{ij}^{(\xi)}

可以被解析成：

ISQL_{ij}^{exact}.

例如把模糊：

A 大概依賴 B。

升級為：

relation type；
scope；
version；
precondition；
provenance；
confidence；
validator。

因此：

\boxed{ \text{Coupling Discovery} \rightarrow \text{Precision Resolution}. }

58. Coupling Field 與 PSSA

對尚未命名的新概念：

r_t

可以先由鄰域 coupling 定位：

\alpha_t = (\kappa(r_t,a_1),\ldots,\kappa(r_t,a_n)).

也就是：

\boxed{ \text{Coupling Pattern can become a pre-symbolic address}. }

這使 SGCD 直接接到 PSSA。

59. Negative Constraints 也是耦合資訊

如果新概念：

r_t

與：

A,B,C

接近，但明確不是它們：

r_t\not\equiv A,

r_t\not\equiv B,

r_t\not\equiv C,

這些 negative relation 應提高定位精度。

所以 semantic field 不只由 positive similarity 構成。

60. Dynamic Revealing 與世界模型

若 memory field 逐步擴展成 world-reconstructive substrate，顯影的對象不只 document。

可以是：

entity；
event；
hypothesis；
causal chain；
counterfactual branch；
agent state；
tool state；
environment state。

因此：

\boxed{ \text{Semantic Revealing} \rightarrow \text{World-State Revealing}. }

61. Working World

真正的 output 不一定是：

\text{TopK}.

而可以是：

\widehat{W}_{\xi,t}.

其中包含：

active entities；
active relations；
current goal；
constraints；
evidence；
unresolved nodes；
next legal actions。

這會在 Paper 10 完整展開。

62. Stable Attractor 與 Temporary Cognition State

在某些 task 下，activation 可能迭代：

S_0 \rightarrow S_1 \rightarrow \cdots \rightarrow S^*.

如果：

F(S^*)\approx S^*,

可將：

S^*

視為 temporary cognition attractor。

但：

S^*

不等於 truth。

它只是：

\boxed{ \text{a locally stable cognitive configuration}. }

63. 反身性會移動吸引子

一旦系統觀察：

S^*,

新的 observation：

O(S^*)

可能改變：

\xi.

所以：

S^* \rightarrow S^{**}.

這是反身 cognition 與普通 static retrieval 的根本不同。

64. Coupling Dynamics 的非交換性

如果先做：

\text{VersionFilter}

再做：

\text{SemanticExpand},

可能與先 semantic expand 再 version filter 結果不同：

\Pi_A\circ\Pi_B \neq \Pi_B\circ\Pi_A.

因此 projection order 是 cognition semantics 的一部分。

這也解釋了為什麼 runtime 需要 route contract。

65. Operator Order

例如：

\text{compress} \circ \text{contradiction-detect}

與：

\text{contradiction-detect} \circ \text{compress}

可能不同。

若先 compress，矛盾可能被抹平。

所以：

\boxed{ \text{Cognitive Operator Order Matters}. }

SGCD 可以將 operator compatibility 納入 coupling policy。

66. 需要一個 Revealing Planner

因此大型系統不應只做一次 scoring。

可設：

\text{Planner}_R

輸入：

\xi_t.

輸出：

\mathcal P_R = ( \text{strategy}, \text{projection}, \text{resolution}, \text{operators}, \text{stop} \text{after} ).

所以：

\boxed{ \text{Revealing can itself be planned}. }

67. 但 Revealing Planner 也不能無限元規劃

否則：

\text{Plan}(\text{Plan}(\text{Plan}(\cdots)))

會再形成 meta-planning regress。

因此 planner 同樣接受：

\text{TaskSufficientStop}.

這與 Paper 09 的 reflexive stopping 直接相連。

68. SGCD 作為整套架構的 Dynamics Layer

Paper 00 定義母架構：

\mathfrak C_t = ( \mathcal X_t, \mathcal A_t, \mathbb M_t, \mathcal P_t, \mathcal H_t, \mathcal K_t, \mathcal E_t, \mathcal R_t ).

本文則給出其中「現在怎麼動」的接口：

\boxed{ \mathcal D_t = ( \Xi_t, \Kappa_t, \Pi_t, \Omega_t, \Sigma_t ) }

其中：

$\Xi_t$ ：current cognition condition；
$\Kappa_t$ ：coupling field；
$\Pi_t$ ：revealing / projection family；
$\Omega_t$ ：operators；
$\Sigma_t$ ：stop / gating policy。

這就是 cognition dynamics layer。

69. 一個統一運行式

可以將一次 local cognition activation 寫成：

\boxed{ \mathcal K_{\xi,t}^{*} = \Sigma_t \circ \Pi_{\xi,t} \circ \Kappa_{\xi,t} \circ \Gamma_{\xi,t} ( \mathbb M_t ) }

其中：

$\Gamma$ ：governance / availability gate；
$\Kappa$ ：task-conditioned coupling；
$\Pi$ ：representation / revealing；
$\Sigma$ ：budget / stop / stability filter。

輸出：

\mathcal K_{\xi,t}^{*}

為當前可進入 cognition 的局部活動場。

70. 這個輸出不是最終工作記憶

還必須經過：

backtracking；
disentanglement；
reconstruction；
validation；

才成為：

\widehat{\mathbb W}_{\xi,t}^{*}.

因此：

\boxed{ \text{Activated Memory} \neq \text{Recovered Working State}. }

本文只處理 activation / revealing 層。

71. 工程最小實作

可從現有技術開始。

71.1 Candidate Generation

混合：

lexical；
dense vector；
graph neighborhood；
temporal；
provenance；
route cache。

71.2 Coupling Scorer

計算：

\mathbf c_{ij}.

71.3 Task Conditioner

依：

\xi

調整 relation weight。

71.4 Budget Selector

在 resource constraint 下選 active subgraph。

71.5 Resolution Controller

決定：

\text{fold} / \text{expand}.

71.6 Provenance Gate

確保 high-risk output 有 source path。

這已足以建立第一版 prototype。

72. 實驗設計

至少比較：

\text{Baseline}_1 = \text{DenseRAG}

\text{Baseline}_2 = \text{HybridRAG}

\text{Baseline}_3 = \text{GraphRAG}

\text{Baseline}_4 = \text{StaticMultiGraph}

\text{Candidate} = \text{TaskConditionedSGCD}.

73. 評估指標

73.1 Task Utility

U_T.

73.2 Context Cost

C_{\text{ctx}}.

73.3 Contradiction Recall

R_{\text{contra}}.

73.4 Failure Avoidance

A_{\text{fail}}.

73.5 Version Error Rate

E_{\text{version}}.

73.6 Provenance Recovery

R_{\text{prov}}.

73.7 Re-Revealing Gain

G_{\text{reveal}}.

73.8 Fixation Index

F_{\text{fix}}.

用來檢查強記憶是否壓制探索。

74. 主要失敗模式

74.1 Similarity Dominance

仍然把 semantic similarity 當唯一 relevance。

74.2 Over-Coupling

太多 relation 同時 activation。

74.3 Under-Coupling

過度 pruning 導致跨域橋接消失。

74.4 Contradiction Suppression

錯把矛盾當噪聲。

74.5 History Fixation

高頻舊路徑永遠佔優。

74.6 Reflexive Loop

不斷重新顯影，沒有停止條件。

74.7 Model Overload

active field 超出 consumer model 能力。

74.8 Epistemic Pollution

temporary relation 被寫回 canonical memory。

75. 九條運行不變量

I1

\text{Existence} \neq \text{Activation}.

I2

\text{Availability} \neq \text{Activation}.

I3

\text{Similarity} \neq \text{Coupling}.

I4

\text{Contradiction} \not\Rightarrow \text{LowRelevance}.

I5

\text{Activation} \not\Rightarrow \text{Commit}.

I6

\text{HighImportance} \not\Rightarrow \text{HighResolution}.

I7

\text{Revealing} \text{ must be budget-aware}.

I8

\text{Revealing} \text{ must be observer/model-aware}.

I9

\text{ReflexiveRevealing} \text{ must have a stop rule}.

76. 與 Paper 03 的接口

本文已建立：

\mathbb M_t \rightarrow \mathcal K_{\xi,t}.

但仍未完整回答：

同一個 active cognition state 應如何同時以 vector、graph、tensor、symbol、ISQL、raw source 等 representation 存在，而不把它們錯當成多份互相競爭的 memory？

下一篇 Paper 03 將正式處理：

\boxed{ \text{Multi-Representation} \neq \text{Multi-Memory}. }

並建立 shared ontology、projection contract、cross-representation consistency 與 canonical-source separation。

77. 結論

本篇將 SGCD 從「語義圖搜尋方法」提升為整套反身多表示認知記憶架構中的動力學層。

核心轉換是：

\text{Stored Graph} \rightarrow \text{Dynamic Coupling Field}.

以及：

\text{Retrieval} \rightarrow \text{Revealing}.

未來 AI 不應把所有存在的記憶同時帶進 cognition，也不應只依相似度挑選 Top-K。

它應先考慮：

當前任務；
目標；
工作狀態；
observer；
authority；
risk；
model capability；
budget；
history；
contradiction；
provenance。

然後形成：

\boxed{ \kappa_{ij}^{(\xi_t)} }

並由此顯影：

\boxed{ G_{\xi,t} }

或其他 representation。

因此真正的認知活動不再是：

\text{Query} \rightarrow \text{TopK}.

而是：

\boxed{ \text{Condition} \rightarrow \text{Coupling} \rightarrow \text{Revealing} \rightarrow \text{Local Cognitive Field}. }

這個局部場可以包含支持、矛盾、失敗、替代路徑、source、crystal 與未解節點，並依 task 動態改變解析度與活動度。

由此，記憶架構第一次真正從「保存與召回」進入：

\boxed{ \text{Cognitive Field Dynamics}. }

下一篇將處理這個動態顯影出的 cognition state，如何同時跨越 vector、graph、tensor、symbol、ISQL 與 raw source 等多種 representation，而仍然保持同一個底層認知身份。