# HSNRD II：投影、資訊失真與高階代理 ## ——從 Microstate 到 Macrostate 的可逆性、充分性與因果抽象 **系列：**《高階集合欲求》 **篇次：** 08 / 10 **作者：** Neo.K × Aletheia **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-08-07 ### 摘要 HSNRD I 已建立階梯集合、typed set-node、incidence、relation bundle 與 multilayer graph 的靜態本體。然而，只要模型中存在由低階節點構成的高階節點，就必須回答一個更基本的數學問題：低階世界究竟如何投影為高階世界？投影丟失了哪些資訊？什麼資訊是無關細節，什麼資訊卻是代理、決策與因果分析不可丟失的結構？ 本文將低階狀態表示為隨機變量 $X$ ，高階表示為： $$ \boxed{ Z=\pi(X) } $$ 其中 $\pi$ 是 micro-to-macro projection / coarse-graining。對離散確定性投影，本文以： $$ \boxed{ H(X\mid Z) } $$ 衡量由高階表示留下的微觀重建歧義，並強調這不是物理世界「資訊被銷毀」的普遍命題，而是相對於觀察者與投影映射的表徵資訊損失。若研究目標為 $Y$ ，則更適合用： $$ \boxed{ \Delta I_Y = I(X;Y)-I(Z;Y) } $$ 衡量 projection 對任務相關資訊的損失。依 data-processing inequality，若 $Y\rightarrow X\rightarrow Z$ 形成 Markov chain，則： $$ I(Z;Y)\le I(X;Y). $$ 若等號成立， $Z$ 對 $Y$ 可視為充分表示；因此 HSNRD 不應追求「保留全部微觀資訊」，而應尋找對研究問題足夠的宏觀表示。 本文進一步處理：（1）非單射投影與 multiple realization；（2）線性 incidence projection 與 pseudoinverse reconstruction；（3）information bottleneck 式的壓縮—任務資訊權衡；（4）Markov lumpability 與宏觀動力封閉；（5）causal abstraction 下的 intervention consistency；（6）高階代理所需的 agency-sufficient projection。本文亦說明 Hoel 式 causal emergence 可用來比較不同尺度的有效因果資訊，但不應被直接解讀為宏觀層產生了脫離微觀基底的新本體因果力。 本文最終提出： $$ \boxed{ GoodMacrostate \neq MaximallyDetailedMacrostate } $$ 而應是： $$ \boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. } $$ 這構成 HSNRD 從靜態階梯集合進入高階代理與動力模型的關鍵橋梁。 **關鍵詞：** HSNRD、coarse-graining、projection、conditional entropy、information bottleneck、lumpability、causal abstraction、multiple realization、高階代理 --- ## 1. 問題：高階世界是怎麼「看見」低階世界的？ HSNRD I 定義了： $$ X_i^{(k,\tau)} $$ 以及多階集合： $$ \mathcal L_0 \rightarrow \mathcal L_1 \rightarrow \cdots \rightarrow \mathcal L_K. $$ 但只要： $$ X^{(k+1)} $$ 由： $$ \{X_i^{(k)}\} $$ 構成， 就出現一個不可迴避的問題： > 高階狀態是否只是低階全部狀態的完整複製？ 如果是， 那麼： $$ X^{(k+1)} $$ 沒有任何壓縮作用。 如果不是， 就必須存在： $$ \boxed{ \pi_k: \Omega_k \rightarrow \Omega_{k+1} } $$ 將低階狀態空間映射到高階狀態空間。 因此： $$ \boxed{ Macrostate = Projection(Microstate). } $$ HSNRD 的第二個數學核心就是 projection。 --- ## 2. 確定性投影 令低階隨機狀態： $$ X\in\Omega. $$ 高階狀態： $$ Z\in\mathcal Z. $$ 若： $$ \boxed{ Z=\pi(X), } $$ 則 $\pi$ 為 deterministic coarse-graining。 例如三個人的二元偏好： $$ X=(x_1,x_2,x_3) \in \{0,1\}^3. $$ 可以投影為： ### 多數決 $$ Z_M = \mathbf 1 \left[ x_1+x_2+x_3\ge2 \right]. $$ ### 支持人數 $$ Z_C = x_1+x_2+x_3. $$ 兩者都是合法 projection， 但保留的資訊量不同。 --- ## 3. 投影通常不是單射 對大多數 coarse-graining： $$ \boxed{ \pi \text{ is not injective}. } $$ 也就是存在： $$ x\neq x' $$ 使： $$ \pi(x)=\pi(x'). $$ 這表示同一高階狀態可能具有多個低階 realization。 因此： $$ \boxed{ NonInjectiveProjection \Longleftrightarrow MacrostateAmbiguity. } $$ 同時也提供： $$ \boxed{ MultipleRealization } $$ 的自然數學表示。 如果： $$ \pi^{-1}(z) $$ 包含大量 microstates， 則： $$ z $$ 是一個 coarse-grained equivalence class。 --- ## 4. Macrostate 作為等價類 投影 $\pi$ 自然誘導等價關係： $$ x\sim_\pi x' \iff \pi(x)=\pi(x'). $$ 因此： $$ \boxed{ \Omega/\sim_\pi } $$ 可以視為 macrostate space。 每個： $$ [z]_\pi = \pi^{-1}(z) $$ 包含被高階描述視為「同一狀態」的 microstates。 這裡的重要問題不再是： > 低階狀態真的一樣嗎？ 而是： > 對目前研究問題，它們是否可以被合法視為等價？ 所以 coarse-graining 是： $$ \boxed{ QuestionRelativeEquivalence. } $$ --- ## 5. 離散投影的資訊損失 若 $X$ 為離散隨機變量，且： $$ Z=\pi(X) $$ 為 deterministic function， 則： $$ H(Z\mid X)=0. $$ 因此： $$ \boxed{ H(X) = H(Z) + H(X\mid Z). } $$ 所以可以把： $$ \boxed{ \mathcal I_\pi = H(X\mid Z) } $$ 稱為 projection ambiguity / reconstruction uncertainty。 它回答： > 已知 macrostate $Z$ 後，仍有多少關於原 microstate $X$ 的不確定性？ --- ## 6. 這不是「宇宙資訊被消滅」 這一點必須嚴格限制。 $$ H(X\mid Z)>0 $$ 表示： > 從投影後表徵 $Z$ 無法唯一恢復 $X$ 。 它不是： > 物理宇宙真的銷毀了資訊。 因此： $$ \boxed{ RepresentationalInformationLoss \neq PhysicalInformationDestruction. } $$ HSNRD 處理的是： - observer description； - model representation； - coarse-grained state； 中的資訊損失。 不對一般物理資訊守恆作額外主張。 --- ## 7. 三個公平二元成員的 toy example 令： $$ X=(X_1,X_2,X_3) $$ 三者 independent Bernoulli$(1/2)$ 。 則： $$ H(X)=3\text{ bits}. $$ ### 投影一：只保留多數 $$ Z_M = Majority(X). $$ 由對稱性： $$ P(Z_M=0)=P(Z_M=1)=1/2. $$ 因此： $$ H(Z_M)=1. $$ 所以： $$ \boxed{ H(X\mid Z_M) = 3-1 = 2\text{ bits}. } $$ --- ## 8. 支持人數保留更多資訊 若： $$ Z_C = X_1+X_2+X_3, $$ 則： $$ P(Z_C=0,1,2,3) = \left( \frac18, \frac38, \frac38, \frac18 \right). $$ 因此： $$ H(Z_C) \approx 1.811 \text{ bits}. $$ 所以： $$ \boxed{ H(X\mid Z_C) \approx 1.189 \text{ bits}. } $$ 比較： $$ 2 > 1.189. $$ 支持人數比單純 majority label 保留更多 micro-information。 --- ## 9. 再加入一個成員身份 若 projection 為： $$ Z_{C1} = (Z_C,X_1), $$ 則可以得到： $$ H(Z_{C1}) = 2.5 \text{ bits}. $$ 因此： $$ \boxed{ H(X\mid Z_{C1}) = 0.5 \text{ bits}. } $$ 所以： $$ Majority \rightarrow Count \rightarrow Count+MemberIdentity $$ 形成逐步更豐富的 projection。 但： $$ \boxed{ MoreInformation \not\Rightarrow BetterMacroModel. } $$ 因為宏觀模型的目的不是永遠最大化 $H(Z)$ 。 --- ## 10. 為什麼不能追求「零資訊損失」？ 如果選： $$ Z=X, $$ 則： $$ H(X\mid Z)=0. $$ 看似最好。 但這等於： $$ \boxed{ NoCompression. } $$ 高階層失去存在意義。 所以 HSNRD 的目標不是： $$ \min H(X\mid Z) $$ 單獨最小化。 而是： $$ \boxed{ CompressIrrelevantDetail } $$ 同時： $$ \boxed{ PreserveRelevantStructure. } $$ 這正是 information bottleneck 的基本精神。 --- ## 11. Relevant Information 假設研究問題不是「恢復完整 microstate」， 而是預測： $$ Y. $$ 例如： - 下一期政策； - 組織是否解體； - 公司是否併購； - 國家是否進入戰爭。 此時真正重要的是： $$ I(X;Y). $$ 投影後： $$ I(Z;Y). $$ 如果： $$ Y \rightarrow X \rightarrow Z $$ 構成 Markov chain， 由 data-processing inequality： $$ \boxed{ I(Z;Y) \le I(X;Y). } $$ 投影不能憑空創造關於 $Y$ 的資訊。 --- ## 12. Task-Relevant Information Loss 因此定義： $$ \boxed{ \Delta I_Y(\pi) = I(X;Y)-I(Z;Y). } $$ 如果： $$ \Delta I_Y = 0, $$ 則： $$ Z $$ 對 $Y$ 保留了 $X$ 中全部相關資訊。 這比： $$ H(X\mid Z) $$ 更適合回答： > 這個 macrostate 對研究任務夠不夠？ 因為可能： $$ H(X\mid Z)\gg0 $$ 但： $$ \Delta I_Y=0. $$ 也就是大量微觀細節被丟掉， 卻沒有丟掉任何任務相關資訊。 --- ## 13. Sufficient Macrostate 如果： $$ I(Z;Y)=I(X;Y), $$ 則對該推論任務可把 $Z$ 理解成某種 sufficient representation。 因此： $$ \boxed{ TaskSufficientMacrostate } $$ 不需要保留： $$ AllMicroInformation. $$ 它只需要保留： $$ AllRelevantInformationFor(Y). $$ 這是 HSNRD 投影方法論最重要的轉折： $$ \boxed{ GoodProjection \neq LosslessProjection. } $$ 而是： $$ \boxed{ GoodProjection = RelevantInformationPreservingProjection. } $$ --- ## 14. Information Bottleneck 式目標 Tishby、Pereira 與 Bialek 的 Information Bottleneck 將問題表達為： > 壓縮 $X$ ，同時盡可能保留與 $Y$ 有關的資訊。 HSNRD 可借用同樣思想： $$ \boxed{ \min_{\pi} \quad I(X;Z) - \beta I(Z;Y). } $$ 或者等價地理解為： - 壓縮：降低 $I(X;Z)$ ； - 任務保留：提高 $I(Z;Y)$ 。 在 HSNRD 中： $$ Y $$ 不必是普通分類標籤。 它可以是： - future state； - intervention response； - agency decision； - rewrite event； - survival / dissolution outcome。 --- ## 15. Projection 必須是 Query-Relative 因此每一個 projection 應標註： $$ \boxed{ \pi^{(\mathcal Q)}. } $$ 例如： ### 對選舉結果 $$ \pi^{Election} $$ 可能只需要保留： - voter blocs； - turnout； - preference ranking。 ### 對暴力風險 $$ \pi^{Conflict} $$ 可能需要： - coercive capacity； - faction structure； - escalation relations。 ### 對制度代理性 $$ \pi^{Agency} $$ 需要： - memory； - decision closure； - action channels； - feedback。 因此： $$ \boxed{ OneProjectionDoesNotFitAllQueries. } $$ --- ## 16. 線性 incidence projection HSNRD I 中有： $$ P $$ 表示 incidence / aggregation。 在線性近似下： $$ x\in\mathbb R^n $$ 為 microstate， 則： $$ \boxed{ z = Px } $$ 是最簡單 projection。 例如： $$ P $$ 可以： - sum； - average； - weighted aggregate。 --- ## 17. 線性重建誤差 若： $$ P^+ $$ 為 Moore–Penrose pseudoinverse， 可以重建： $$ \hat x = P^+Px. $$ 定義： $$ \boxed{ D_\pi(x) = \|x-P^+Px\|_2. } $$ 這測量： > 在指定 Euclidean linear model 中，投影後再做最小平方重建所留下的誤差。 但它不是普遍資訊損失。 因此： $$ \boxed{ LinearReconstructionError \neq ShannonInformationLoss. } $$ 兩者可以並用，但不能混稱同一量。 --- ## 18. 非線性 projection 真實 HSNRD projection 通常： $$ \boxed{ z = \pi(x;G,\tau,\Gamma) } $$ 可能依賴： - graph topology $G$ ； - node types $\tau$ ； - institutional rules $\Gamma$ 。 例如「國家政策」不是公民 preference vector 的簡單平均。 可能經過： $$ Citizens \rightarrow Election \rightarrow Legislature \rightarrow Executive \rightarrow Policy. $$ 因此： $$ \boxed{ MacroProjection } $$ 本身可能是一個組織 operator。 --- ## 19. 投影本身可以隨時間改變 如果制度改變： - 選舉規則； - 代表權； - 公司治理； - 聚合程序； 則： $$ \boxed{ \pi_t } $$ 也會改變。 因此： $$ Z_t = \pi_t(X_t). $$ 甚至： $$ \boxed{ ProjectionDynamics } $$ 本身就是制度動力的一部分。 同一個 microstate： $$ X $$ 在不同制度下可能得到： $$ \pi_1(X) \neq \pi_2(X). $$ 所以： $$ \boxed{ MacroReality = Microstate + ProjectionRule. } $$ --- ## 20. 投影規則具有制度性 這提供一個重要社會科學含義： > 誰能被算進「人民」？ > 哪些票被加權？ > 哪些公司行為算公司正式決策？ 本質上都是： $$ \boxed{ ProjectionDesign. } $$ 因此政治與制度不是只改變： $$ X. $$ 也在改變： $$ \pi. $$ 這會改變高階「想要什麼」的形成方式。 --- ## 21. Macrostate 不一定有封閉動力 假設 microstate： $$ X_t $$ 是一階 Markov： $$ P(X_{t+1}\mid X_t). $$ 令： $$ Z_t=\pi(X_t). $$ 不能因此推出： $$ \boxed{ P(Z_{t+1}\mid Z_t) } $$ 足以描述 macro dynamics。 可能需要： $$ P( Z_{t+1} \mid Z_t,Z_{t-1},\ldots ). $$ 也就是： $$ \boxed{ MarkovMicro \not\Rightarrow MarkovMacro. } $$ 這是一條非常重要的 HSNRD 限制。 --- ## 22. Lumpability Markov-chain lumpability 正是研究： > 哪些 state partition / projection 可以產生封閉的宏觀 Markov process？ 若 micro state blocks 為： $$ C_a,C_b, $$ 強 lumpability 的典型條件要求： 對所有： $$ x,x'\in C_a, $$ 都有： $$ \boxed{ \sum_{y\in C_b} P(x,y) = \sum_{y\in C_b} P(x',y) } $$ 對所有 $b$ 成立。 其意義是： > 只知道 macro-block $C_a$ 就足以知道下一 macro-block 的轉移機率，而不需要知道 block 內具體是哪個 microstate。 --- ## 23. Dynamical Closure 因此可定義： $$ \boxed{ C_D(\pi) } $$ 表示 projection 的 dynamical closure。 若： $$ C_D\approx1, $$ macrostate dynamics 可以較封閉地建模。 若： $$ C_D\ll1, $$ 則： $$ Z_t $$ 只是描述性 coarse-graining， 卻不是良好的 autonomous dynamical state。 因此： $$ \boxed{ DescriptiveMacrostate \neq DynamicalMacrostate. } $$ --- ## 24. 高階代理尤其需要 dynamical closure 如果我們說： > 公司是一個 agent。 那麼只知道： $$ CompanyState_t $$ 應至少對： $$ CompanyState_{t+1} $$ 有相當預測能力。 如果所有未來行為都必須重新讀取全部： $$ Microstate_t $$ 才能判斷， 則： $$ CompanyState $$ 的 dynamical autonomy 很弱。 所以高階代理需要： $$ \boxed{ Projection + Memory + DynamicalClosure. } $$ --- ## 25. Projection 與 Organizational Memory 但即使即時 macrostate： $$ Z_t $$ 不具 Markov closure， 也可能透過擴充 memory state： $$ M_t $$ 得到： $$ \tilde Z_t = (Z_t,M_t) $$ 使： $$ P( \tilde Z_{t+1} \mid \tilde Z_t ) $$ 更接近封閉。 所以： $$ \boxed{ Memory } $$ 可以被理解成： > 為高階代理恢復 dynamical sufficiency 的一種 state augmentation。 這使前面文字理論中的 institutional memory 取得明確數學功能。 --- ## 26. More State Can Restore Closure 如果： $$ Z_t $$ 過度粗糙， 則可以引入： $$ Z_t^* = ( Z_t, HistoryFeature_t ). $$ 使： $$ \boxed{ H( Z_{t+1} \mid Z_t^* ) < H( Z_{t+1} \mid Z_t ). } $$ 這表示 richer macrostate 對未來有更高預測力。 因此： $$ \boxed{ ProjectionDesign } $$ 和： $$ \boxed{ StateAugmentation } $$ 必須一起考慮。 --- ## 27. 高階資訊不是魔法恢復 如果： $$ \pi $$ 真的 non-injective， 僅知道： $$ Z=\pi(X) $$ 不能唯一反演： $$ X. $$ 高階智能即使再強，也不能從不存在於 input 的資訊中保證唯一重建。 它只能加入： $$ \boxed{ AuxiliaryInformation\ Z_{aux} } $$ 例如： - history； - sensor； - memory； - priors； - external records。 此時： $$ \boxed{ H( X \mid Z,Z_{aux} ) \le H( X \mid Z ). } $$ 但不保證為零。 所以： $$ \boxed{ Intelligence \neq InverseOfNonInjectiveProjection. } $$ --- ## 28. Causal Abstraction 僅有 observational prediction 還不夠。 更強的 macro validity 要求： > 高階 intervention 是否能與低階 intervention 對應？ 設 micro model： $$ M_L, $$ macro model： $$ M_H, $$ projection： $$ \pi: M_L\rightarrow M_H. $$ 若高階介入： $$ I_H $$ 存在對應低階介入： $$ \omega(I_H)=I_L, $$ 而： $$ \boxed{ \pi \left( do_{L}(I_L)(x) \right) \approx do_H(I_H) \left( \pi(x) \right), } $$ 則 diagram 近似 commute。 --- ## 29. Causal Fidelity Error 可定義： $$ \boxed{ \epsilon_C(\pi,I) = D \left( \pi( do_L(\omega(I))(X) ), do_H(I)(\pi(X)) \right). } $$ 若對研究範圍中的 interventions： $$ \epsilon_C\ll1, $$ 則 high-level model 有較高： $$ \boxed{ InterventionalFidelity. } $$ 這比： $$ Correlation(Z_t,Z_{t+1}) $$ 更強。 --- ## 30. 2026 的 compositional causal abstraction 近期工作進一步把 causal abstraction 表達為可組合模型之間的 abstraction，並區分 high-to-low / low-to-high query mapping。 這對 HSNRD 很重要。 因為我們不只需要： $$ StateProjection, $$ 還需要： $$ \boxed{ QueryProjection } $$ 與： $$ \boxed{ InterventionProjection. } $$ 例如： > 「解散公司」這個 high-level intervention 不能只被理解成： > 把某一個員工變量設成 0。 它需要對應一組低階 structural interventions。 --- ## 31. Causal Emergence Hoel 等人的 causal emergence 提供另一個尺度比較方法。 在 Markov system 中，可以比較： $$ EI_{micro} $$ 與： $$ EI_{macro}. $$ 若： $$ \boxed{ EI_{macro} > EI_{micro}, } $$ 則在該 coarse-graining 與 effective-information measure 下，可以說 macro model 表現出 causal emergence。 直觀上： > 適當 coarse-graining 可能移除 micro-level degeneracy / noise，使 macro transitions 更有效率地指定未來狀態。 --- ## 32. 但 Causal Emergence 不是新的神秘因果力 HSNRD 不應把： $$ EI_{macro}>EI_{micro} $$ 翻譯成： > 宏觀實體產生了完全脫離微觀的新宇宙力。 更保守的是： $$ \boxed{ MacroLevel \text{ can be a better causal description} } $$ 在特定： - coarse-graining； - intervention distribution； - causal metric； 之下成立。 因此： $$ \boxed{ CausalEmergenceMetric \neq OntologicalIndependence. } $$ 這和前一篇： $$ DependentAutonomy $$ 完全一致。 --- ## 33. Agency-Sufficient Projection 現在進入 HSNRD 最重要的新定義之一。 若研究問題是： $$ \mathcal Q_A = \text{Does }S\text{ behave as an agent?} $$ 則 projection 必須至少保留： - identity； - memory； - preference； - decision； - action； - feedback。 定義： $$ \boxed{ Z_A = \pi_A(X). } $$ 若： $$ Z_A $$ 足以預測與解釋： $$ Decision, Action, Update $$ 並在 relevant interventions 下保持 causal fidelity， 則稱： $$ \boxed{ \pi_A } $$ 為： # **Agency-Sufficient Projection** --- ## 34. Agency-Sufficient 不等於 Microstate-Sufficient 可能： $$ H(X\mid Z_A)\gg0. $$ 也就是： > 大量 micro information 已被丟掉。 但只要： $$ \Delta I_{Decision}\approx0, $$ $$ \Delta I_{Action}\approx0, $$ $$ \epsilon_C\approx0, $$ 則： $$ Z_A $$ 仍可能足以支撐高階 agent model。 因此： $$ \boxed{ AgentReality \not\Rightarrow MicrostateRecoverability. } $$ 這是高階代理數學化的一條非常重要結論。 --- ## 35. Member Replacement 作為 projection invariance test 令： $$ T_\sigma $$ 為 member replacement transformation。 如果： $$ X' = T_\sigma(X) $$ 改變大量具體成員， 但： $$ \boxed{ \pi_A(X') \approx \pi_A(X), } $$ 則 high-level agency representation 對特定成員具： $$ ReplacementInvariance. $$ 這正是上一篇的： $$ RealizerFlexibility $$ 在 projection language 中的版本。 --- ## 36. Multiple Realization 的 fiber 對宏觀代理狀態： $$ z_A, $$ 其 preimage： $$ \boxed{ \pi_A^{-1}(z_A) } $$ 包含所有能實現相同高階代理狀態的 micro-configurations。 因此： $$ \boxed{ MultipleRealizationClass = \pi_A^{-1}(z_A). } $$ 這裡使用 preimage / fiber 一詞是標準函數語義。 但這不等於 HSNRD I 的「relation bundle」變成微分幾何 fiber bundle。 兩者仍須分開。 --- ## 37. Projection 與 Type 不同 node type 應具有不同 projection： $$ \boxed{ \pi_\tau. } $$ Family 的 macrostate 可能保留： - care structure； - kinship； - household memory。 Corporation 則保留： - ownership； - governance； - cashflow； - strategy。 所以： $$ \boxed{ Projection = TypeDependent. } $$ 這和 HSNRD I： $$ ExistenceCondition = TypeDependent $$ 平行。 --- ## 38. Projection 與 Relation Type 同樣， 不同 relation layer 可以使用不同 coarse-graining operator： $$ \boxed{ \pi_\rho. } $$ 例如： ### Economic flow 可以近似 sum： $$ \bar W^{econ} = P W^{econ}P^\top. $$ ### Belief 可能需要 distribution / entropy。 ### Coercion 可能需要 max / threshold / capacity。 ### Information 可能需要 channel capacity / mutual information。 因此： $$ \boxed{ OneAggregationOperator \not\Rightarrow AllRelationLayers. } $$ --- ## 39. 高階狀態的資訊預算 可以把 macro representation 想成有限 budget： $$ B_Z. $$ 我們要選擇保留： $$ \boxed{ RelevantStateVariables } $$ 而不是： $$ Everything. $$ 因此可以寫一個 HSNRD conceptual optimization： $$ \boxed{ \min_{\pi} \quad \lambda_C C(\pi) + \lambda_L \Delta I_{\mathcal Q}(\pi) + \lambda_D D_{dyn}(\pi) + \lambda_I \epsilon_C(\pi). } $$ 其中： - $C(\pi)$ ：representation complexity； - $\Delta I_{\mathcal Q}$ ：task information loss； - $D_{dyn}$ ：dynamical non-closure； - $\epsilon_C$ ：causal abstraction error。 這不是唯一正式 objective， 但揭示 HSNRD projection design 的四個互相衝突目標。 --- ## 40. Good Macrostate 的四個條件 因此本文提出： $$ \boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. } $$ ### Compression $$ Complexity(Z) 一張宇宙唯一正確的宏觀圖。 而是： > 對指定問題足夠、合法且可驗證的高階表示。 --- ## 42. 投影的合法性層級 本文建議把 projection validity 分成四級。 ### Level P0 — Descriptive Projection 只做到： $$ Z=\pi(X). $$ ### Level P1 — Informational Projection 能量化： $$ H(X\mid Z) $$ 與： $$ \Delta I_{\mathcal Q}. $$ ### Level P2 — Dynamical Projection 具有： $$ DynamicalClosure. $$ ### Level P3 — Causal Projection 具有： $$ InterventionalFidelity. $$ 若還要做 agent attribution， 需要再加： ### Level PA — Agency-Sufficient Projection 保留： $$ Identity,Memory,Preference,Decision,Action,Feedback. $$ --- ## 43. HSNRD II 的數學公理／限制 ### Axiom P1 — Projection Explicitness 每個 macrostate 應明確說明： $$ \boxed{ Z=\pi(X). } $$ ### Axiom P2 — Non-Injectivity Awareness 若： $$ \pi $$ 非單射， 不得宣稱從 $Z$ 唯一恢復 $X$ 。 ### Axiom P3 — Representation–Physics Separation $$ \boxed{ H(X\mid Z)>0 } $$ 不是物理資訊毀滅命題。 ### Axiom P4 — Query Relativity $$ \boxed{ ProjectionValidity = ProjectionValidity(\mathcal Q). } $$ ### Axiom P5 — Data Processing 在適當 Markov 條件下： $$ \boxed{ I(Z;Y)\le I(X;Y). } $$ ### Axiom P6 — Markov Closure Not Automatic $$ \boxed{ MarkovMicro \not\Rightarrow MarkovMacro. } $$ ### Axiom P7 — Causal Fidelity Requires Interventions observational compression 不足以證明 causal abstraction。 ### Axiom P8 — Agency Requires Agency-Sufficient Projection 高階 agent attribution 不應只依 macro correlation。 --- ## 44. 與第一部的重新連接 第一部說： $$ HigherOrderExistence \neq HigherOrderAgency. $$ 本篇現在補上： > 高階 existence projection 與高階 agency projection 也不一定相同。 因此： $$ \boxed{ \pi_E \neq \pi_A } $$ 一般成立。 用來判斷「公司是否存在」的變量， 不一定足以判斷： > 公司究竟想要什麼？ --- ## 45. Want 的投影條件 如果要寫： $$ GroupReflexivelyWants(S,x), $$ projection 至少應保存： $$ P_S(x), $$ $$ I_S(x), $$ $$ ActionCoupling, $$ $$ Feedback, $$ $$ SelfModel. $$ 因此： $$ \boxed{ WantAttribution = ProjectionSensitive. } $$ 若 projection 只保留： $$ Outcome=x, $$ 就不能從： $$ SystemReached(x) $$ 反推出： $$ SystemWanted(x). $$ 所以： $$ \boxed{ OutcomeProjection \not\Rightarrow IntentionProjection. } $$ --- ## 46. Leviathan Reversal 的投影問題 同理， 只看： $$ StatePolicy_t $$ 可能看不到： $$ PurposeDrift, ExitLoss, DownwardReshaping. $$ 所以 Leviathan analysis 需要： $$ \boxed{ \pi_L } $$ 保留： - purpose state； - rewrite reachability； - top-down coupling； - self-preservation weight。 如果 projection 過粗， 一個 entrenched system 可能看起來只是： > 穩定。 因此： $$ \boxed{ StabilityProjection \neq EntrenchmentProjection. } $$ --- ## 47. 投影本身也可以成為權力 第一部曾區分正當性與代理。 現在可以再看到： > 誰決定 macro categories？ 本身就是制度問題。 例如： - 哪些個體被統計； - 哪些事件被記錄； - 哪些偏好被聚合； - 哪些 relation 被忽略。 這些都決定： $$ \pi. $$ 因此： $$ \boxed{ ProjectionRule } $$ 可以具有政治與制度後果。 但這屬 normative / institutional analysis， 不應被 Shannon entropy 本身偷偷決定。 --- ## 48. 結論 HSNRD 若沒有 projection theory， 高階集合只是： > 被人為畫在低階節點上方的第二張圖。 真正讓： $$ Micro \rightarrow Macro $$ 成立的是： $$ \boxed{ Projection. } $$ 而 projection 必然帶來： - equivalence classes； - multiple realization； - information compression； - possible ambiguity。 因此： $$ \boxed{ H(X\mid\pi(X)) } $$ 可以衡量離散 deterministic projection 下的 micro reconstruction uncertainty， 而： $$ \boxed{ \Delta I_Y = I(X;Y)-I(\pi(X);Y) } $$ 則衡量 task-relevant information loss。 但 good macrostate 不應只追求資訊最多。 它還必須考慮： $$ \boxed{ DynamicalClosure } $$ 與： $$ \boxed{ InterventionalFidelity. } $$ 所以本文最終得到： $$ \boxed{ GoodMacrostate = Compression + TaskSufficiency + DynamicalClosure + InterventionalFidelity. } $$ 對高階代理，還要再加入： $$ \boxed{ AgencySufficiency. } $$ 因此： $$ \boxed{ AgentReality \not\Rightarrow MicrostateRecoverability. } $$ 高階 agent 可以是真實、穩定且具有解釋力， 即使我們無法從高階狀態唯一重建每一個低階細節。 下一篇將正式讓這些 macro nodes 開始： - 出生； - 死亡； - 合併； - 分裂； - 改型； 並把 graph rewriting、rule algebra、CTMC 與 PDMP 統一起來： # **HSNRD III：結構重寫、歷史路徑與混合動力學** --- ## 參考文獻 Geiger, B. C., & Temmel, C. (2014). “Lumpings of Markov Chains, Entropy Rate Preservation, and Higher-Order Lumpability.” *Journal of Applied Probability*, 51(4). Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying Causal Emergence Shows That Macro Can Beat Micro.” *Proceedings of the National Academy of Sciences*, 110(49), 19790–19795. Jørgensen, F. H., Weichwald, S., & Hammond, L. (2026). “Causal Foundations of Collective Agency.” arXiv:2605.00248. List, C., & Pettit, P. (2008). “Group Agency and Supervenience.” In *Being Reduced: New Essays on Reduction, Explanation, and Causation*. Oxford University Press. List, C., & Pettit, P. (2011). *Group Agency: The Possibility, Design, and Status of Corporate Agents*. Oxford University Press. Lorenz, R., & Tull, S. (2026). “Causal and Compositional Abstraction.” arXiv:2602.16612. Massidda, R., Geiger, A., Icard, T., & Bacciu, D. (2022). “Causal Abstraction with Soft Interventions.” arXiv:2211.12270. Tishby, N., Pereira, F. C., & Bialek, W. (2000). “The Information Bottleneck Method.” arXiv:physics/0004057. Polyanskiy, Y., & Wu, Y. *Information Theory* / MIT 6.441 lecture notes. --- ## 本篇核心命題表 | 編號 | 命題 | |---|---| | P8.1 | $Macrostate=Projection(Microstate)$ | | P8.2 | $NonInjectiveProjection\Rightarrow MultipleRealization$ | | P8.3 | $RepresentationalInformationLoss\neq PhysicalInformationDestruction$ | | P8.4 | $GoodProjection\neq LosslessProjection$ | | P8.5 | $I(Z;Y)\le I(X;Y)$ under data-processing conditions | | P8.6 | $MarkovMicro\not\Rightarrow MarkovMacro$ | | P8.7 | $DescriptiveMacrostate\neq DynamicalMacrostate$ | | P8.8 | $Intelligence\neq InverseOfNonInjectiveProjection$ | | P8.9 | $CausalEmergenceMetric\neq OntologicalIndependence$ | | P8.10 | $AgentReality\not\Rightarrow MicrostateRecoverability$ | | P8.11 | $\pi_E\neq\pi_A$ in general | | P8.12 | $OutcomeProjection\not\Rightarrow IntentionProjection$ | | P8.13 | $StabilityProjection\neq EntrenchmentProjection$ | | P8.14 | Projection validity is query-, type-, and tolerance-relative | --- **系列：高階集合、欲求與 Leviathan / HSNRD 完整数學方法論** **第二部：HSNRD 完整数學方法論** **篇次：08 / 10**