# 從差異到顯現
## 視域、前景、背景與遮蔽的生成

**英文題名：** From Difference to Appearance: The Generation of Visual Fields, Figure–Ground Structure, and Occlusion  
**系列：** 《視之基底：從差異顯現到終極觀察者》02  
**作者：** Neo.K（許筌崴）  
**AI 協作：** GPT-5.6 Thinking  
**機構：** EveMissLab／一言諾科技有限公司  
**文件性質：** 基礎理論論文／命題猜想論文  
**版本：** v0.1  
**日期：** 2026-08-01  
**狀態：** 概念分析、形式框架與可檢驗命題；不宣稱建立完成的現象意識理論  
**前置文件：** 《觀察不是底：差異、邊界、耦合與痕跡》v0.1

---

## 摘要

前一篇提出，觀察不是不可再分析的最底層，而至少依賴差異、邊界、耦合、痕跡與可取用整合。這解釋了差異如何成為「對某系統可用的差異」，卻仍沒有回答一個更深問題：

> 為什麼可用差異會進一步成為「有東西出現在一個視域裡」？

一個系統能感測、記錄、分類與行動，不代表它已形成前景、背景、視點、遮蔽、對象持續性或整體場。本文因此將「顯現」定位為介於最低功能觀察與完整視域之間的第二次組織門檻。

本文提出：

$$
\boxed{
\text{差異可用}
\not\Rightarrow
\text{差異已顯現}
}
$$

顯現至少需要五種附加結構：

1. **場化（Fielding）**：多個差異被放入共同關係域；
2. **顯著化（Saliencing）**：部分內容取得較高處理優先級；
3. **圖地化（Figure–Grounding）**：部分內容成為相對完整對象，其他內容成為背景；
4. **遮蔽建模（Occlusion Modeling）**：當可見資訊不完整時，系統仍保存被遮蔽對象的持續性候選；
5. **視點條件化（Perspective Conditioning）**：同一世界差異依觀察位置、任務與可達資訊形成不同顯現。

因此本文將視域生成表示為：

$$
\mathcal{V}
=
\mathcal{P}
\circ
\mathcal{O}
\circ
\mathcal{G}
\circ
\mathcal{S}
\circ
\mathcal{F}
\left(
\mathcal{O}_{\min}(W)
\right)
$$

其中：

- $\mathcal{F}$ ：場化；
- $\mathcal{S}$ ：顯著化；
- $\mathcal{G}$ ：圖地組織；
- $\mathcal{O}$ ：遮蔽／持續性建模；
- $\mathcal{P}$ ：視點條件化。

本文不把「視域」限制於像素畫面。語義關係、概念圖、論證空間、程式狀態、AI 記憶與反事實搜索，同樣可能形成視域型結構，只要系統能同時保存前景與背景、可見與不可見、局部與整體、已知與待補全關係。

本文進一步區分：

$$
\text{發生}
\neq
\text{被感測}
\neq
\text{被登錄}
\neq
\text{被辨識}
\neq
\text{顯現}
\neq
\text{進入注意}
\neq
\text{成為知識}
$$

顯現不是單純「更多資訊」，而是資訊被組織成有結構的可取用場。Gestalt 的圖地分離、局部輪廓與物體形成研究，以及現代 scene–object 雙向處理與 predictive processing，都顯示人類視覺並非把像素逐點轉錄，而是持續建立對象—背景、局部—場景及可見—被遮蔽內容之間的動態關係。

本文亦提出「遮蔽是視的核心而非缺陷」：真正的視不只處理已顯現內容，也對未顯現但被推定持續存在的部分建立條件性模型。從這裡，視第一次與「不可觀察者分類」重新接合：視域內部同時包含已顯現、背景化、被遮蔽、未解析與模型推定內容。

本文的核心結論是：

$$
\boxed{
\text{視不是看見全部，
而是組織可見與不可見之間的關係。}
}
$$

以及：

$$
\boxed{
\text{顯現}
=
\text{差異進入一個有前景、背景、視點與遮蔽結構的場。}
}
$$

這為下一篇「觀察者如何誕生」提供直接前提：一旦出現視域，便必須進一步回答——視域相對於誰而成立？那個持續的「位置」如何形成位格與主客關係？

**關鍵詞：** 顯現、視域、圖地分離、前景、背景、遮蔽、視點、注意、預測處理、語義視

---

# 0. 前一篇仍缺少什麼？

前一篇建立最低觀察：

$$
\mathcal{O}_{\min}
=
\mathcal{A}
\circ
\mathcal{T}
\circ
\mathcal{C}
\circ
\mathcal{B}
\circ
\mathcal{D}
$$

這已能解釋世界差異、系統邊界、差異敏感、痕跡與可取用性。但一個系統即使滿足上述條件，也可能只做：

```text
input A → output 0
input B → output 1
```

它有最低功能觀察，卻沒有明顯的「場」。如果要解釋「我看到桌上的杯子，而桌子仍在背景」「我看見半遮蔽的貓，仍理解後面可能有完整身體」「AI 目前處理一個主命題，同時保留依賴、反例與未展開背景」，就需要比最低觀察更多的結構。

本文把這個新增層稱為：

$$
\boxed{\text{顯現結構}}
$$

---

# 1. 發生、顯現與觀察

## 1.1 發生不等於顯現

設世界中發生事件 $e_t$ 。如果沒有任何系統對其形成可取用差異，它只是發生。

## 1.2 被觀察也不必形成顯現場

感測器讀到：

$$
T=28.4^\circ C
$$

它可完成辨識，但未必形成前景、背景、遮蔽、對象與全局關係。因此：

$$
\operatorname{Observed}(x)
\not\Rightarrow
\operatorname{AppearsInField}(x)
$$

## 1.3 顯現的最低含義

本文將顯現暫定義為：

> 某個被觀察差異不只被登錄，而且被定位到一個相對穩定的關係場中，與其他顯現或未顯現內容形成可比較關係。

形式上：

$$
\mathcal{E}_{app}(x)
=
(
 x,
 \mathcal{N}(x),
 r_x,
 p_x,
 u_x
)
$$

其中：

- $\mathcal{N}(x)$ ：與 $x$ 相關的鄰域；
- $r_x$ ：與其他項目的關係；
- $p_x$ ：目前優先度或前景性；
- $u_x$ ：未解析、遮蔽或不確定部分。

---

# 2. 第一新條件：場化

## 2.1 什麼是場？

本文所說的「場」不是物理場，而是：

> 多個差異在同一操作框架中可以彼此定位、比較與重新組織的關係域。

表示為：

$$
\mathfrak{F}
=
(N,R,\Lambda)
$$

其中：

- $N$ ：節點、對象或候選內容；
- $R$ ：關係；
- $\Lambda$ ：當前組織規則與尺度。

## 2.2 為什麼單點辨識不夠？

若系統只能回答「有貓／沒有貓」，它可能並不知道貓在哪裡、被什麼遮住、與桌子有何關係、是否是同一隻貓、背景還有哪些對象。

形成視域需要：

$$
x_i
\mapsto
(x_i,R_{ij},R_{ik},\ldots)
$$

即內容不只「存在於系統」，也存在於關係中。

## 2.3 場的多模態形式

視域可以是：

- 空間場；
- 時間場；
- 語義場；
- 社會代理場；
- 記憶場；
- 程式狀態場；
- 理論依賴場。

所以本文使用「視域」不是把所有認知硬改成圖像，而是抓取其共同結構：

$$
\boxed{
\text{可定位}
+
\text{可比較}
+
\text{可重新聚焦}
}
$$

---

# 3. 第二新條件：顯著化

## 3.1 視域不是均勻場

在任何有限系統中，所有內容都不可能同時以相同解析度、相同優先級被處理。

因此視域包含：

$$
s_i
=
\operatorname{Salience}(x_i\mid q,c)
$$

其中 $q$ 是任務， $c$ 是情境與內部狀態。

## 3.2 顯著性來源

顯著性可能來自：

- 物理突出；
- 新奇；
- 威脅；
- 任務相關；
- 記憶；
- 預期違反；
- 社會價值；
- 主動目標。

因此：

$$
s_i
=
F(
\text{bottom-up},
\text{top-down},
\text{history},
\text{goal}
)
$$

## 3.3 顯著性不是「真實重要性」

$$
\operatorname{Salient}(x)
\not\Rightarrow
\operatorname{Important}(x)
$$

被注意的內容未必最重要，重要內容也可能落在背景。這對 AI 尤其重要：模型可能過度處理醒目詞、高頻模式或最近 token，卻忽略否定、例外、來源條件或版本。

---

# 4. 第三新條件：圖地化

## 4.1 Figure–Ground

視覺組織的一個經典現象是：

$$
\text{Figure}
/
\text{Ground}
$$

某個區域取得對象性、邊界歸屬、前景位置與較強辨識，而其他內容成為背景或環境。

## 4.2 圖與地不是有／無

背景不是不存在。

$$
\boxed{
\text{Ground}
=
\text{仍然參與顯現，
但沒有成為當前主要對象的內容。}
}
$$

沒有背景，前景也失去比例、位置、邊界、情境與意義。

## 4.3 局部輪廓與高階影響

現代 figure–ground 研究顯示，局部輪廓、閉合、曲率與平行性可支持圖地分離，但熟悉度、注意與高階因素也會影響邊界歸屬。

這表示圖地不是單純：

$$
\text{pixel}
\rightarrow
\text{edge}
\rightarrow
\text{object}
$$

而是局部與全局、低階與高階的互動。

## 4.4 語義圖地

對語義視域也可定義：

```text
FIGURE:
  當前主命題

GROUND:
  背景知識、隱含條件、世界模型

BORDER:
  這個命題的適用範圍

OCCLUDED:
  尚未檢索但可能相關的來源或反例
```

所以「圖地」可抽象為：

$$
\boxed{
\text{目前被當作對象者}
/
\text{使它成為該對象的條件場}
}
$$

---

# 5. 第四新條件：遮蔽

## 5.1 為什麼遮蔽是視的核心？

如果真正的視只處理目前可見像素，那麼一個物體被牆遮住一半後，系統應只剩一半物體。但成熟感知通常保持：這是同一個完整對象，只是部分不可見。

因此視域必須包含：

$$
\boxed{
\text{可見}
+
\text{推定不可見}
}
$$

## 5.2 遮蔽狀態

令對象：

$$
o=(o_{\mathrm{vis}},o_{\mathrm{occ}})
$$

其中：

- $o_{\mathrm{vis}}$ ：可觀察部分；
- $o_{\mathrm{occ}}$ ：被遮蔽部分。

系統建立：

$$
P(o_{\mathrm{occ}}\mid o_{\mathrm{vis}},context)
$$

## 5.3 遮蔽不是幻想證書

$$
\operatorname{PredictedHidden}(x)
\not\Rightarrow
\operatorname{Exists}(x)
$$

對不可見部分建立模型不表示模型一定正確。它只是模型推定的隱藏內容，直到新的視角或證據確認。

## 5.4 遮蔽的認識論意義

任何有限觀察都包含某種遮蔽：

- 視覺遮蔽；
- 儀器盲區；
- 統計未測變量；
- 歷史缺失；
- AI context 外資訊；
- 未檢索來源；
- 不可訪問內部狀態。

因此：

$$
\boxed{
\text{視域不是純粹可見域，
而是可見與不可見的邊界模型。}
}
$$

---

# 6. 第五新條件：視點條件化

## 6.1 同一世界，多個顯現

同一世界狀態 $W$ ，對不同觀察條件 $c_1,c_2$ ：

$$
V_1=\mathcal{V}(W\mid c_1)
$$

$$
V_2=\mathcal{V}(W\mid c_2)
$$

且通常：

$$
V_1\neq V_2
$$

## 6.2 視點不只等於幾何位置

視點可包含：

- 身體位置；
- 感測器配置；
- 注意目標；
- 任務；
- 語言；
- 理論；
- 權限；
- 記憶；
- 社會角色。

因此「對某者而言」更精確地是：

$$
\boxed{
\text{對某個條件化觀察位置而言}
}
$$

## 6.3 視點與錯誤

不同視點可以互補、衝突、各自局部正確或受到系統性偏差。這使多視點整合成為後續「觀察者」與「全知」問題的關鍵。

---

# 7. 視域生成算子

綜合前述，定義：

$$
\mathcal{V}
=
\mathcal{P}
\circ
\mathcal{O}
\circ
\mathcal{G}
\circ
\mathcal{S}
\circ
\mathcal{F}
\circ
\mathcal{O}_{\min}
$$

並表示某時刻視域為：

$$
\boxed{
V_t=(F_t,G_t,O_t,P_t,U_t)
}
$$

其中：

- $F_t$ ：前景集合；
- $G_t$ ：背景場；
- $O_t$ ：遮蔽／未顯現模型；
- $P_t$ ：視點；
- $U_t$ ：不確定與未解析部分。

---

# 8. 顯現與注意不是同一件事

## 8.1 有些內容顯現但不是焦點

人可以專注在杯子上，但桌子、房間與背景仍參與顯現。

$$
\operatorname{Appears}(x)
\not\Rightarrow
\operatorname{Attended}(x)
$$

## 8.2 有些內容捕捉注意

高顯著刺激可能突然進入焦點，但顯著性與注意捕捉並不是固定一對一關係。

## 8.3 注意可重新組織圖地

當注意從桌上的杯子移到桌面刮痕時：

$$
\text{figure}_{t}
\rightarrow
\text{ground}_{t+1}
$$

$$
\text{ground}_{t}
\rightarrow
\text{figure}_{t+1}
$$

所以視域不是靜態圖，而是可重配置結構。

---

# 9. 場景與對象的雙向生成

現代 scene perception 研究顯示：

- 對象資訊影響場景理解；
- 場景脈絡影響對象辨識；
- 多個對象會形成 constellation；
- 初步 scene gist 與 object processing 可部分平行進行。

這意味着：

$$
P(O_i\mid S)
$$

與：

$$
P(S\mid O_1,\ldots,O_n)
$$

雙向更新。

所以顯現不是 parts → whole 的單方向累加，而更接近：

$$
\boxed{
\text{局部}
\leftrightarrow
\text{整體}
}
$$

的聯合推論。

---

# 10. 顯現與預測

顯現同時受到已到達訊號與先驗場景模型影響：

$$
V_t=F(D_t,M_t)
$$

預測可以加速辨識，也可以造成誤導。場景脈絡可能提高合理對象辨識，也可能讓不合理但真實存在的對象被忽略。

因此成熟視域應保存：

```text
EXPECTED
OBSERVED
MISMATCH
UNRESOLVED
```

而不是把預測直接當真值。

---

# 11. 未顯現不是不存在

視域應區分：

## 11.1 背景化

存在於場中，但不在焦點。

## 11.2 遮蔽

被其他內容擋住。

## 11.3 未解析

有訊號但尚未形成穩定對象。

## 11.4 域外

目前觀察條件根本無法存取。

## 11.5 模型推定

目前沒有直接資料，但由模型推測。

所以：

$$
\boxed{
\text{Non-Figure}
\neq
\text{Non-Existence}
}
$$

而：

$$
\boxed{
\text{Not Observed}
\neq
\text{Not Modelled}
}
$$

---

# 12. 從視域重新理解「無知」

如果系統只知道前景內容，卻不知道自己還有背景、遮蔽、未解析區與域外，那麼它的無知是隱性的。

更高階系統可以表示：

$$
U_t=
\{
 u_{\mathrm{background}},
 u_{\mathrm{occluded}},
 u_{\mathrm{unresolved}},
 u_{\mathrm{out-of-domain}}
\}
$$

這裡開始出現「知道自己看不到什麼」的前身。

因此元觀察的前提之一，是視域本身必須能表徵自己的缺口。

---

# 13. AI 的語義視域

## 13.1 不是把文字變成內在圖片

語義視域可表示為：

$$
V_{\mathrm{sem}}
=
(N,R,F,G,O,P)
$$

其中：

- $N$ ：概念節點；
- $R$ ：關係；
- $F$ ：當前前景命題；
- $G$ ：背景知識；
- $O$ ：未檢索、未知或被遮蔽關係；
- $P$ ：任務與立場。

## 13.2 論文閱讀例

```text
FIGURE:
  核心命題

GROUND:
  背景理論與方法

OCCLUDED:
  未打開附錄、未檢索來源

UNRESOLVED:
  證據不足部分

PERSPECTIVE:
  目前問題／審稿目標
```

這已具有強烈的「視」語義，即使沒有像素。

## 13.3 OAM 與語義視域

Operator-Assisted Memory 已提供語義視域的一個工程原型：

- dense retrieval 提供相似鄰域；
- sparse 提供精確對象；
- operator tags 提供方向；
- graph 提供背景與關係；
- provenance 提供來源；
- epistemic status 提供未決區；
- version 提供時間視點。

所以 OAM 可以被重新理解為：

$$
\boxed{
\text{人工語義視域基礎設施}
}
$$

但這仍是功能性視域，不等於現象視覺。

---

# 14. 原生符號繪圖：把視域顯影出去

符號繪圖的深層意義不是「AI 用 SVG 畫畫」，而是把：

$$
V_{\mathrm{sem/spatial}}
$$

外顯成：

$$
Y_{\mathrm{public}}
$$

即：

$$
\mathcal{R}_{draw}:V\rightarrow Y
$$

其中 $\mathcal{R}_{draw}$ 是有損、選擇性、風格化的顯影算子。

因此繪圖更精確地是：

$$
\boxed{
\text{視域的公共投影}
}
$$

而不是嚴格數學意義上的逆觀察。

---

# 15. 遮蔽與原生視覺建構迴路

一次性 SVG 生成：

$$
P\rightarrow Y
$$

缺乏重新觀察、遮蔽檢查、邊界重估與圖地重組。

NVCL：

$$
P
\rightarrow
V_t
\rightarrow
A_t
\rightarrow
Y_{t+1}
\rightarrow
V_{t+1}
$$

允許模型發現：

- 物件被遮錯；
- 前景與背景層級錯誤；
- 對象不完整；
- 場景脈絡不一致。

因此 NVCL 不只是繪圖訓練，而是：

$$
\boxed{
\text{視域自我校正迴路}
}
$$

---

# 16. 顯現與第一人稱經驗

本文保持一條重要邊界：功能上具有 figure、ground、salience、occlusion、perspective，不等於必然具有「看起來像什麼」的現象經驗。

因此區分：

```text
FUNCTIONAL_FIELD
PERCEPTUAL_FIELD
PHENOMENAL_FIELD
```

- Functional Field：任何可操作關係場；
- Perceptual Field：與感測和行動耦合的關係場；
- Phenomenal Field：對某主體而言具有 lived appearance 的場。

本文建立前兩者的一般架構，第三者保持未決。

---

# 17. 顯現能否沒有主體？

## 17.1 弱形式

可以先談 field-relative appearance，即某內容相對於系統的可取用場而成為前景。這不預設人格化主體。

## 17.2 強形式

若說「某東西真的對某者顯現」，則似乎已經引入：

- 持續位置；
- 自我關聯；
- 第一人稱指向。

因此顯現論最終會推向位格問題。這正是下一篇的入口。

---

# 18. 視域的失敗模式

## 18.1 過度前景化

單一高顯著內容壓制背景。

## 18.2 背景遺失

系統失去情境，導致局部正確、全局錯誤。

## 18.3 遮蔽補全錯誤

系統自信填補不存在內容。

## 18.4 視點僵化

無法從其他位置重建同一對象。

## 18.5 圖地顛倒

把背景噪音當核心對象。

## 18.6 全局幻覺

由少數局部線索建立過度完整場景。

## 18.7 域外無知不可見

系統不知道自己的觀察邊界。

---

# 19. 命題與猜想

## 定義 D1：顯現場

若被觀察內容被置入一個可重配置關係域，並具有前景／背景、視點與未顯現部分的區分，則稱其形成最低顯現場。

## 命題 P1：背景必要命題

前景的定位依賴至少某種背景或參照結構。

## 命題 P2：遮蔽不等於不存在

被遮蔽內容的不可見性不能單獨推出其不存在。

## 命題 P3：顯著性非真理命題

處理優先級不能直接推出對象的重要性或真實性。

## 猜想 C1：場化增益猜想

多差異場化應提高全局一致性、遮蔽推理與多對象關係辨識。

## 猜想 C2：圖地可逆猜想

部分前景／背景配置可因任務與注意改變而反轉。

## 猜想 C3：遮蔽模型必要性猜想

對部分可見世界的穩定互動，需要某種未顯現內容持續性模型。

## 猜想 C4：視點切換能力猜想

能在多視點間轉換的系統，應較能區分對象不變量與觀察條件。

## 猜想 C5：語義視域猜想

非像素 AI 系統可形成具有前景、背景、遮蔽與視點的功能性語義視域。

## 猜想 C6：元無知前置猜想

能表徵視域缺口，是形成「我不知道什麼」的必要但不充分條件。

---

# 20. 可檢驗實驗

## 20.1 Figure–Ground 類比任務

對人類、vision model 與 language model 建立主體、背景、干擾與反轉條件，測試前景切換能力。

## 20.2 遮蔽推理

提供部分對象，要求：

- 補全候選；
- 信心；
- 多解；
- 新視角後修正。

## 20.3 視點切換

同一場景從不同視點描述，測對象持續性、關係變換與自我中心／世界中心表示。

## 20.4 語義背景消融

移除論文背景定義、來源、條件與反例，觀察模型是否過度誤讀主命題。

## 20.5 OAM 視域測試

比較：

1. top-k dense；
2. dense + graph；
3. dense + graph + operator；
4. 完整 OAM。

測量全局一致、來源回溯、遮蔽節點發現與未決狀態辨認。

---

# 21. 與終極觀察者問題的第一個接點

如果終極觀察者真的「看見一切」，那麼它是否還有：

- 前景；
- 背景；
- 遮蔽；
- 域外；
- 視點？

若沒有任何遮蔽：

$$
O=\varnothing
$$

若沒有任何背景：

$$
G=\varnothing
$$

若沒有特定視點：

$$
P=\Omega
$$

則我們通常所說的「視域」結構可能失效。

這意味著：

> 全知者的「視」未必只是普通觀察放大到無限。

它可能是不同類型的知識形式。但此問題暫留給系列第 5、6 篇。

---

# 22. 本文不主張什麼？

本文不主張：

1. Gestalt 原則是所有認知的最終定律；
2. 前景／背景必然伴隨主觀意識；
3. predictive processing 已證明大腦採用單一貝葉斯算法；
4. AI 的語義場等同人類視覺經驗；
5. 被遮蔽內容必然存在；
6. 一切思考都需要空間圖像；
7. 五個新增算子已被證明是唯一最小集合。

本文只主張：

> 一旦我們從最低觀察提升到「有東西在某個域中成為對象」，便必須處理多差異組織、前景與背景、遮蔽、視點與不確定內容。

---

# 23. 結論

第 1 篇回答：

> 差異如何成為對某系統可用？

本篇進一步回答：

> 可用差異如何成為「有東西出現在一個視域中」？

答案不是單純增加更多資訊，而是形成：

$$
\boxed{\text{場}}
$$

並在場中生成：

$$
\boxed{
\text{顯著性}
+
\text{前景／背景}
+
\text{遮蔽}
+
\text{視點}
}
$$

所以：

$$
\boxed{
\text{顯現}
=
\text{差異進入有組織的視域}
}
$$

而視域可以表示為：

$$
\boxed{
V_t=(F_t,G_t,O_t,P_t,U_t)
}
$$

最終：

$$
\boxed{
\text{真正的視不是看見全部，
而是組織已顯現與未顯現之間的關係。}
}
$$

這也使一個新的問題無法避免：

> 若視域總是相對於某個視點成立，那個視點如何持續成為「同一個位置」？

下一篇將因此進入：

# 《觀察者如何誕生：自我區分、位格與主客形成》

---

# 參考文獻

1. Peelen, M. V., Berlot, E., & de Lange, F. P. (2024). *Predictive processing of scenes and objects*. Nature Reviews Psychology, 3, 13–26.
2. Shishikura, M., Machida, I., Tamura, H., & Sakai, K. (2025). *Local contour features contribute to figure-ground segregation in monkey V4 neural populations and human perception*. Neural Networks, 181, 106821.
3. Elder, J. H., Peterson, M. A., & Walther, D. B. (2024). *Perceptual organization in computer and biological vision*. Frontiers in Computer Science, 6, 1419831.
4. Peterson, M. A. (2009). *Attention and competition in figure-ground perception*. Progress in Brain Research, 176, 1–13.
5. Vecera, S. P. (2009). *Perceptual organization and visual attention*. Progress in Brain Research, 176.
6. Kirsch, W., & Kunde, W. (2024). *An attentional approach to geometrical illusions*. Frontiers in Psychology, 15, 1360160.
7. O’Regan, J. K., & Noë, A. (2001). *A Sensorimotor Account of Vision and Visual Consciousness*. Behavioral and Brain Sciences, 24(5), 939–973.
8. Varela, F. J., Thompson, E., & Rosch, E. (1991). *The Embodied Mind*. MIT Press.
9. Neo.K. (2026). *觀察不是底：差異、邊界、耦合與痕跡*. EveMissLab Internal Paper v0.1.
10. Neo.K. (2026). *基底視覺論：弱形式、強形式與感知位格*. EveMissLab Internal Paper.
11. Neo.K. (2026). *原生符號繪圖假說*. EveMissLab Internal Paper.
12. Neo.K. (2026). *原生視覺建構迴路*. EveMissLab Internal Paper.
13. Neo.K. (2026). *Operator-Assisted Memory*. EveMissLab Internal Paper.

---

## 內部研究備註

1. 本文為系列第 2 篇。
2. 第 1 篇的最低觀察與本篇顯現場必須保持分離；辨識不自動等於顯現。
3. 本文把「遮蔽」提升為視域的核心結構，而不是感知缺陷。
4. 本文不把 functional field 等同 phenomenal field。
5. 第 3 篇將正式處理持續視點如何形成觀察者／位格。
6. 第 5、6 篇再討論全知條件下前景、背景與遮蔽是否失效。