# HSNRD IV：Feedback、Reachability 與安全介入 ## ——從迴路極性、路徑閘門到反事實介入與約束式安全優化 **系列：**《高階集合欲求》 **篇次：** 10 / 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 前三篇數學方法論已依序建立 HSNRD 的 typed hierarchical ontology、micro-to-macro projection，以及可重寫的 CTMC / PDMP 混合結構動力學。但一個能夠出生、死亡、合併、分裂與改型的高階系統，仍然留下最重要的控制問題：哪些 feedback 真正支配系統？哪些節點只是局部迴路的重要元件，哪些卻控制世界線的入口與出口？如果介入某條強回饋迴路，系統是否必然變得「更好」？如何避免一個看似合理的 intervention 反而把系統推進新的吸收陷阱？ 本文建立 HSNRD 最後一層方法論：Feedback–Reachability–Intervention。首先將 PDMP 的連續狀態與 rewrite hazards 聯合展開成異質 feedback graph： $$ \boxed{ \mathcal F = ( V_X\cup V_R,\, E_{XR}\cup E_{RX}\cup E_{RR} ) } $$ 其中 state-to-rule 邊由 hazard sensitivity 建立，rule-to-state 邊由 jump reset 建立，rule-to-rule 邊則描述一個 rewrite 對另一個 rewrite 的適用域或 hazard 所造成的影響。本文將 feedback polarity 與 dynamical stability 嚴格分離：閉環權重的符號積可以區分 reinforcing 與 balancing loop，但： $$ \boxed{ ReinforcingLoop \not\Rightarrow LocalInstability. } $$ 真正的局部穩定性仍需考察 effective drift Jacobian： $$ \boxed{ b_{\mathrm{eff}}(G,x) = F_G(x) + \sum_{\rho,m} \lambda_{\rho,m}(G,x)\Delta_{\rho,m}x, } $$ 及其 spectral abscissa。 其次，本文將 loop topology 與 reachability topology 分離。Feedback Vertex Set（FVS）與 cycle hitting set 可用於找出打斷閉環的候選節點／邊，但它們不告訴我們 intervention 後系統會落入哪個可達 macrostate。HSNRD 因而定義 Path Gate：對進入、退出、改型、恢復等結構路徑具有高控制力、但不一定具有高 loop centrality 的節點。核心命題為： $$ \boxed{ CycleControl \neq ReachabilityControl \neq OutcomeControl. } $$ 第三，本文引入 intervention world： $$ \boxed{ \mathcal M^I = ( F^I, \lambda^I, R^I, \mathcal P^I ) } $$ 並以 paired-world simulation、terminal distribution distance、path reachability、absorbing-trap risk 與 intervention cost 進行模型內反事實比較。這是一種模型式 counterfactual，不等同於從觀察資料完成的 empirical causal identification。 最後，本文將介入問題寫成帶安全約束的優化： $$ \boxed{ I^* = \arg\min_{I\in\mathcal I} J(I) } $$ subject to structural legality、recovery reachability、undesired-state probability、distributional concentration 與 intervention budget 等條件。特別地，NOOP 必須是合法候選；若所有非空介入的結構風險或代價都高於 baseline，最佳決策可以是： $$ \boxed{ I^*=NOOP. } $$ 本文由此完成 HSNRD 的整體方法鏈： $$ \boxed{ Set \rightarrow TypedGraph \rightarrow Projection \rightarrow Rewrite \rightarrow CTMC \rightarrow PDMP \rightarrow Sensitivity \rightarrow Feedback \rightarrow Reachability \rightarrow Counterfactual \rightarrow SafeOptimization. } $$ **關鍵詞：** HSNRD、feedback loop、feedback vertex set、reachability、path gate、counterfactual intervention、PDMP、safe optimization、absorbing trap --- ## 1. 最後一個問題：知道系統怎麼動之後，怎麼安全地改它？ HSNRD III 已得到： $$ Z_t=(G_t,x_t) $$ 與生成元： $$ (\mathcal L f)(G,x) = \nabla_x f\cdot F_G(x) + \sum_{\rho,m} \lambda_{\rho,m}(G,x) [ f(G'_{\rho,m},R_{\rho,m}(G,x))-f(G,x) ]. $$ 這已經能描述： - continuous flow； - state-dependent hazard； - structural rewrite； - topology change； - reset。 但如果我們想： > 改變系統結果， 仍缺至少四個問題： 1. 哪些 feedback loops 真正重要？ 2. 哪些 structural paths 決定可達終局？ 3. intervention 會不會創造新的 trap？ 4. 怎樣定義「安全」而不是只定義「有效」？ 因此： $$ \boxed{ Dynamics \neq ControlTheory. } $$ 更不是： $$ \boxed{ Control = CutTheStrongestLoop. } $$ --- ## 2. 三種不同的 feedback 在 HSNRD 中，「feedback」不能只用一張 causal-loop diagram 全部代表。 至少有三個層次。 ### 2.1 Continuous feedback 連續狀態： $$ x_j $$ 改變某個 structural event hazard： $$ \lambda_\rho. $$ 定義： $$ \boxed{ J_{\lambda,\rho j} = \frac{\partial \lambda_\rho }{ \partial x_j }. } $$ 這是： $$ x_j \rightarrow \rho $$ 的局部 differential sensitivity。 ### 2.2 Structural feedback 一個 rewrite： $$ \rho $$ 改變另一 rule： $$ \sigma $$ 的： - applicability； - match count； - hazard； - type legality。 這是： $$ \boxed{ \rho \rightarrow \sigma. } $$ 它不一定能用普通導數表示。 ### 2.3 Hybrid dynamical feedback state 改變 hazard， hazard 觸發 jump， jump 改變 state / topology， 新的 topology 再改變 continuous flow。 因此： $$ \boxed{ x \rightarrow \lambda \rightarrow Jump \rightarrow G' \rightarrow F_{G'} \rightarrow x. } $$ 這是 HSNRD 真正的閉環。 --- ## 3. State-to-Rule 邊 對 rule： $$ \rho $$ 與 continuous variable： $$ x_j, $$ 定義： $$ \boxed{ w_{x_j\rightarrow\rho} = \frac{\partial \lambda_\rho }{ \partial x_j }. } $$ 如果： $$ w>0, $$ 代表： $$ x_j\uparrow \Rightarrow \lambda_\rho\uparrow. $$ 如果： $$ w<0, $$ 代表抑制。 這只是 local sensitivity。 所以： $$ \boxed{ LargeDerivative \neq LargeGlobalEffect. } $$ --- ## 4. Rule-to-State 邊 若 event： $$ \rho $$ 發生後： $$ x \rightarrow R_\rho x, $$ 定義： $$ \boxed{ \Delta_\rho x = R_\rho x-x. } $$ 對 coordinate： $$ x_j $$ 建立： $$ \boxed{ w_{\rho\rightarrow x_j} = \Delta_\rho x_j. } $$ 這表示 rewrite 對 continuous state 的 immediate effect。 注意： $$ \Delta_\rho x $$ 與： $$ F_{G'}(x)-F_G(x) $$ 不同。 前者是 jump reset， 後者是 rewrite 之後 flow field 的改變。 --- ## 5. Immediate Differential Loop 若： $$ x_j \rightarrow \rho \rightarrow x_j, $$ 則最簡單 local feedback contribution： $$ \boxed{ K_{\rho j} = \frac{\partial\lambda_\rho}{\partial x_j} \Delta_\rho x_j. } $$ 總合： $$ \boxed{ K_\rho = \sum_j K_{\rho j}. } $$ 若： $$ K_{\rho j}>0, $$ event effect 會使自身 hazard tendency 增強。 若： $$ K_{\rho j}<0, $$ 則為局部 balancing tendency。 但若 rule 發生後直接失去適用域， 這個量仍不能被解讀成： > rule 會自我無限複製。 所以： $$ \boxed{ DifferentialSelfEffect \neq StructuralSelfReproduction. } $$ --- ## 6. Rule-to-Rule 邊 假設： $$ \rho $$ 發生前： $$ \lambda_\sigma^{before}, $$ 發生後： $$ \lambda_\sigma^{after}. $$ 可定義： $$ \boxed{ I_{\sigma\leftarrow\rho} = \log \frac{ \lambda_\sigma^{after}+\epsilon }{ \lambda_\sigma^{before}+\epsilon }. } $$ 若： $$ I>0, $$ $\rho$ 促進 $\sigma$ 。 若： $$ I<0, $$ $\rho$ 抑制 $\sigma$ 。 如果： $$ \rho $$ 直接讓： $$ \sigma $$ 失去 domain， 這是更強的： $$ \boxed{ StructuralDisable. } $$ 不能只當普通 small negative derivative。 --- ## 7. Feedback Graph 因此建立： $$ \boxed{ \mathcal F = ( V_X\cup V_R, E_{XR}\cup E_{RX}\cup E_{RR} ). } $$ 其中： $$ V_X = \{x_1,\ldots,x_d\} $$ 為 continuous state nodes。 $$ V_R = \{\rho_1,\ldots,\rho_R\} $$ 為 rewrite-rule nodes。 邊： $$ E_{XR} $$ 表示 state → rule。 $$ E_{RX} $$ 表示 rule → state。 $$ E_{RR} $$ 表示 rule → rule。 這不是原始 institutional graph： $$ G. $$ 所以： $$ \boxed{ FeedbackGraph \neq InstitutionGraph. } $$ --- ## 8. Feedback graph 的異質單位問題 一條： $$ x\rightarrow\rho $$ 邊可能是： $$ \partial\lambda/\partial x. $$ 一條： $$ \rho\rightarrow x $$ 則是 reset magnitude。 另一條： $$ \rho\rightarrow\sigma $$ 是 log hazard ratio。 它們單位不同。 所以如果要放進同一視覺化 adjacency matrix， 通常必須做 channel-specific normalization。 例如： $$ \boxed{ \tilde w_e = clip \left( \frac{w_e}{Q_{0.75}(|w|_{channel})}, -c,c \right). } $$ 這只能稱： $$ \boxed{ DiagnosticNormalization. } $$ 不能宣稱： > 所有邊已被轉成同一個物理量。 --- ## 9. Loop polarity 對 directed cycle： $$ C=(e_1,\ldots,e_n), $$ 定義符號： $$ \boxed{ Polarity(C) = sign \left( \prod_{e\in C} w_e \right). } $$ 若： $$ Polarity(C)>0, $$ 稱： $$ \boxed{ ReinforcingLoop. } $$ 若： $$ Polarity(C)<0, $$ 稱： $$ \boxed{ BalancingLoop. } $$ 這與 system dynamics 中 feedback-loop polarity 的標準概念一致。 --- ## 10. Negative edge 不等於 balancing loop 例如： $$ A \xrightarrow{-} B \xrightarrow{-} A. $$ 整個 loop： $$ (-)\times(-)=+. $$ 所以： $$ \boxed{ MutualInhibition } $$ 可以形成： $$ \boxed{ Positive/ReinforcingLoop. } $$ 因此： $$ \boxed{ NegativeEdge \not\Rightarrow NegativeLoop. } $$ 這在制度互斥、競爭性規則與歷史 lock-in 中非常重要。 --- ## 11. Loop strength 可用： $$ \boxed{ Gain(C) = \prod_{e\in C} w_e. } $$ 但長 loop 乘積自然變小， 所以可用幾何平均： $$ \boxed{ S(C) = |Gain(C)|^{1/|C|}. } $$ 這只是一個 diagnostic strength。 如果 edges 已經被異質 normalization， 則： $$ S(C) $$ 不是物理增益。 所以： $$ \boxed{ LoopStrength = ModelDiagnostic, } $$ 除非所有邊有一致可乘語義。 --- ## 12. Reinforcing loop 不等於局部不穩定 這是本篇最重要的校正之一。 system dynamics 中： $$ PositiveLoop $$ 表示沿迴路的變化傾向會被強化。 但 hybrid system 的 local stability 取決於完整 effective dynamics。 所以： $$ \boxed{ ReinforcingLoop \not\Rightarrow LocalInstability. } $$ 一個 positive loop 可以存在於整體仍局部 stable 的系統。 --- ## 13. Effective drift 對 PDMP， 在 infinitesimal expectation sense 下，可以定義： $$ \boxed{ b_{\mathrm{eff}}(G,x) = F_G(x) + \sum_{\rho,m} \lambda_{\rho,m}(G,x) \Delta_{\rho,m}x. } $$ 其中： $$ \Delta_{\rho,m}x = R_{\rho,m}(G,x)-x. $$ 第一項： $$ F_G $$ 是 continuous flow。 第二項： $$ \lambda\Delta x $$ 是 jump 的 expected instantaneous drift contribution。 --- ## 14. Effective Jacobian 定義： $$ \boxed{ J_{\mathrm{eff}} = \frac{\partial b_{\mathrm{eff}}}{\partial x}. } $$ 基礎 continuous Jacobian： $$ \boxed{ J_F = \frac{\partial F_G}{\partial x}. } $$ 再看 spectral abscissa： $$ \boxed{ \alpha(J) = \max \Re \sigma(J). } $$ 若： $$ \alpha(J_{\mathrm{eff}})<0, $$ 表示該線性化下局部收斂。 即使 feedback graph 中存在強 reinforcing cycle， 也完全可能： $$ \boxed{ \alpha(J_{\mathrm{eff}})<0. } $$ --- ## 15. 三層 loop interpretation 因此 HSNRD 應固定三種 loop language： ### Level A — Differential loop $$ x_j \rightarrow \lambda_\rho \rightarrow \Delta_\rho x_j. $$ 用： $$ K_{\rho j} $$ 分析。 ### Level B — Structural event loop $$ \rho \rightarrow \sigma \rightarrow \rho. $$ 用： $$ I_{\sigma\leftarrow\rho} $$ 與 applicability 分析。 ### Level C — Hybrid dynamical loop $$ x \rightarrow Hazard \rightarrow Jump \rightarrow EffectiveDrift \rightarrow x. $$ 用： $$ J_{\mathrm{eff}} $$ 與 spectrum 分析。 因此： $$ \boxed{ OneScalarLoopScore } $$ 不應取代全部三層。 --- ## 16. Feedback Vertex Set 對 directed graph： $$ \mathcal F, $$ 若節點集合： $$ S\subseteq V(\mathcal F) $$ 滿足： $$ \mathcal F-S $$ 為 acyclic， 則： $$ \boxed{ S } $$ 是 Feedback Vertex Set。 FVS 在非線性網路控制中確實具有重要理論地位： > 控制一組打斷所有 feedback cycles 的節點，可在特定 dissipative nonlinear-system 類別中對 attractor control 提供結構性保證。 這使 FVS 成為 HSNRD 很有價值的候選 generator。 --- ## 17. 但 FVS 是計算問題 minimum FVS 一般是經典困難問題。 在 signed digraph 中： - positive feedback vertex set； - negative feedback vertex set； 等問題也可為 NP-complete。 2026 年 bounded-degree / planar feedback-set complexity 的新分類亦再次顯示，feedback-set family 的計算複雜度高度依 graph class 而變。 因此： $$ \boxed{ FindAllOptimalFVS } $$ 不是大系統中可被假定為廉價操作。 HSNRD 工程上通常需要： - heuristic； - approximation； - bounded cycle enumeration； - ILP / SAT； - domain constraints。 --- ## 18. HSNRD 的 selective cycle hitting set HSNRD 不一定想打斷： $$ AllCycles. $$ 例如 balancing loops 可能非常重要。 因此可以定義： $$ \mathcal C_R^\theta $$ 為強度高於： $$ \theta $$ 的 reinforcing cycles。 找： $$ \boxed{ S \subseteq V } $$ 使： $$ \forall C\in\mathcal C_R^\theta, \quad S\cap C\neq\varnothing. $$ 這是： $$ \boxed{ StrongReinforcingCycleHittingSet. } $$ 它不是標準 full FVS。 因此必須在術語上分開。 --- ## 19. Break Loop 不等於控制結果 即使： $$ S $$ 打斷全部 reinforcing cycles， 仍不能推出： $$ Outcome $$ 變成想要的狀態。 原因是： $$ \boxed{ FeedbackTopology \neq ReachabilityTopology. } $$ cycle graph 告訴我們： > 哪些 causal dependencies 閉合。 rewrite meta-graph 告訴我們： > 哪些世界線仍然可走。 這是兩張不同的圖。 --- ## 20. 一個最簡單的 trap 例子 假設： $$ Temporary \xrightarrow{Split} Ordinary $$ 是主要 exit path。 如果： $$ Split $$ 同時位於強 reinforcing loop， 我們做： $$ Cut(Split). $$ feedback loop 被打斷。 但 exit path 也消失。 於是： $$ \boxed{ Temporary } $$ 可能變成 absorbing trap。 所以： $$ \boxed{ BreakReinforcingLoop \Rightarrow CreateAbsorbingTrap } $$ 完全可能。 --- ## 21. Reachability graph 沿用 HSNRD III： $$ \boxed{ \mathcal G_R = (V_R,E_R). } $$ 對 current state： $$ G, $$ 定義： $$ Reach(G,A) $$ 表示能否到達 macroset： $$ A. $$ 若有 stochastic rates， 則還可分析： $$ \boxed{ P_G( \tau_A\le T ) } $$ 或 hitting probability： $$ \boxed{ h_A(G) = P_G( \tau_A<\infty ). } $$ 這比 loop existence 更直接回答： > 系統能不能出去？ --- ## 22. Entry Gate 與 Exit Gate 定義一個 node / rule： $$ v $$ 如果移除後： $$ Reach(G,A) $$ 顯著下降， 則： $$ v $$ 對集合 $A$ 是： $$ \boxed{ PathGate. } $$ 若 $A$ 是某制度狀態的進入區： $$ \boxed{ EntryGate. } $$ 若 $A$ 是 recovery / exit： $$ \boxed{ ExitGate. } $$ 一個 path gate： $$ \boxed{ LoopCentrality(v) } $$ 可以非常低。 --- ## 23. Loop Importance 與 Gate Importance 因此定義兩個不同軸： $$ \boxed{ I_L(v) } $$ 表示 feedback-loop importance。 以及： $$ \boxed{ I_G(v) } $$ 表示 reachability / outcome-gate importance。 例如： $$ I_G(v) \approx TV \left( P(G_T), P(G_T\mid do(I_v)) \right). $$ 這只是一種 empirical model-based proxy。 因此節點可分成： | $I_L$ | $I_G$ | 類型 | |---:|---:|---| | 高 | 高 | Core controller | | 高 | 低 | Local amplifier | | 低 | 高 | Path gate | | 低 | 低 | Peripheral | --- ## 24. 為什麼 Path Gate 很重要？ 傳統 centrality 很容易找到： - 高 degree； - 高 betweenness； - 高 loop participation； 節點。 但一個： $$ BirthRule $$ 可能只發生一次， loop participation 很低， 卻控制： $$ \boxed{ CanSystemEnterTheRegime? } $$ 同樣： $$ SplitRule $$ 可能不在主要循環中心， 卻控制： $$ \boxed{ CanSystemEscape? } $$ 因此： $$ \boxed{ LowLoopImportance \not\Rightarrow LowOutcomeImportance. } $$ --- ## 25. Feedback Dormancy 如果某 checkpoint： $$ \mathcal F_t $$ 找不到短 reinforcing cycles， 不能說： > 系統沒有因果結構。 可能有兩種不同 dormancy。 ### Stable dormancy 系統已進入低 feedback、可恢復區域。 ### Locked dormancy exit rules 已不可適用， 因此： $$ \boxed{ NoActiveLoop } $$ 只是因為： $$ \boxed{ NoAvailableExit. } $$ 所以： $$ \boxed{ FeedbackFree \neq Healthy \neq Adaptive. } $$ --- ## 26. Counterfactual Intervention World 現在正式定義介入。 baseline model： $$ \boxed{ \mathcal M = ( F, \lambda, R, \mathcal P ). } $$ 介入： $$ I $$ 建立： $$ \boxed{ \mathcal M^I = ( F^I, \lambda^I, R^I, \mathcal P^I ). } $$ 也就是 intervention 可以改變： - continuous flow； - event hazard； - reset； - rewrite grammar。 不同 intervention 類型必須有不同 semantics。 --- ## 27. 四類 intervention ### 27.1 State → Rule edge intervention 原 hazard： $$ \lambda_\rho(G,x). $$ 切除： $$ x_j\rightarrow\rho $$ 可以定義為： $$ \boxed{ \lambda_\rho^I( G,x ) = \lambda_\rho( G, x_{-j}, x_j^{ref} ). } $$ 也就是 hazard 不再讀 live $x_j$ ， 而讀固定 reference。 這是**一種** edge-cut semantics， 不是唯一可能定義。 ### 27.2 Rule → State intervention 若： $$ \rho $$ 原本 reset： $$ x_j \rightarrow R_{\rho,j}(x), $$ 可以 suppress： $$ \boxed{ R_{\rho,j}^I(x)=x_j. } $$ ### 27.3 Rule node intervention 直接： $$ \boxed{ \lambda_\rho^I=0. } $$ 或從 grammar： $$ \mathcal P^I = \mathcal P-\{\rho\}. $$ ### 27.4 Structural grammar intervention 直接改寫： - match legality； - type schema； - rewrite outcome； - relation routing。 這是最強、也最需要 formal rewrite semantics 的介入。 --- ## 28. State-node cut 必須小心定義 如果說： $$ Cut(x_j), $$ 可能至少有三種含義： 1. 把 $x_j$ 固定； 2. 移除 $x_j$ 對 hazards 的影響； 3. 從 continuous ODE 中刪除該 state。 這三者完全不同。 所以： $$ \boxed{ NodeCut } $$ 不是自明操作。 每一個 intervention 都必須明確定義： $$ \boxed{ InterventionSemantics(I). } $$ --- ## 29. Paired-world simulation 如果要比較： $$ \mathcal M $$ 與： $$ \mathcal M^I, $$ 可使用： $$ \boxed{ CommonRandomNumbers. } $$ 即： - 相同 initial state； - 相同 random seed / exponential stream； - 能共用的 stochastic randomness 儘量共用。 這有助於降低： $$ Outcome_I-Outcome_0 $$ 估計 variance。 但 structural path 分岔後， 兩世界的 event sequence 可能不再一一對應。 因此： $$ \boxed{ PairedRandomness \neq IdenticalHistory. } $$ --- ## 30. 這不是 empirical causal identification HSNRD 中： $$ do(I) $$ 表示： > 在已指定模型內修改 structural equations / hazards / rewrite grammar。 它不是： > 已從現實 observational data 證明 intervention 有 causal effect。 因此： $$ \boxed{ ModelCounterfactual \neq EmpiricalCausalIdentification. } $$ 如果要對現實做因果結論， 還需要： - identification assumptions； - data； - measurement validity； - model validation。 --- ## 31. Terminal distribution 若 macro outcome： $$ M(G_T) \in \{ m_1,\ldots,m_K \}, $$ baseline distribution： $$ p^0. $$ 介入： $$ p^I. $$ 可用 total variation distance： $$ \boxed{ TV(p^I,p^0) = \frac12 \sum_k |p_k^I-p_k^0|. } $$ 衡量 intervention 對 terminal macro distribution 的總體改變。 --- ## 32. Global effect 不等於 desirable effect 大： $$ TV $$ 只表示： > 介入改變很多。 它不表示： > 改變得好。 所以： $$ \boxed{ EffectSize \neq Desirability. } $$ 同理： $$ TV=0 $$ 也不保證 intervention 無作用， 因為： - path distribution； - timing； - continuous state； 仍可能改變。 因此 terminal TV 只是其中一個 summary。 --- ## 33. Pathwise metrics 對 safety 更重要的可能是： $$ \boxed{ P( \tau_{\mathcal U} 哪些 feedback loops 被打斷？ ### Reachability control 問： > 哪些 states 還能到達？ ### Outcome control 問： > 機率質量最後怎麼分布？ 三者互相關聯， 但沒有任何一個可以單獨替代另外兩個。 --- ## 38. Structural intervention 的一般意義 網路研究本身也區分： - characteristic intervention； - structural intervention。 前者改變 node intrinsic state / incentive， 後者改變 network links。 HSNRD 更進一步， 因為 intervention 甚至可以改： $$ \boxed{ Ontology. } $$ 例如： - Birth rule； - Split rule； - institution type； - rewrite admissibility。 所以： $$ \boxed{ StructuralIntervention } $$ 在 HSNRD 中至少包括： $$ Edge, Node, Rule, Grammar. $$ --- ## 39. Safe Intervention Optimization 令 intervention set： $$ \boxed{ \mathcal I. } $$ 每個： $$ I $$ 有： $$ Cost(I). $$ 以及 outcome metrics： $$ P^I(M_T), $$ $$ Reachability^I, $$ $$ TV^I. $$ 定義： $$ \boxed{ I^* = \arg\min_{I\in\mathcal I} J(I) } $$ subject to safety constraints。 --- ## 40. 一個 generic objective 例如： $$ \boxed{ J(I) = w_C Cost(I) + w_U P^I(\mathcal U_T) + w_T P^I(\mathcal T_T) + w_V TV(P_T^I,P_T^0) + w_K Concentration(P_T^I). } $$ 其中： - $\mathcal U$ ：undesired macroset； - $\mathcal T$ ：temporary / intermediate undesirable set； - $TV$ ：distribution shift； - concentration：trap proxy。 但： $$ w_C,w_U,w_T,w_V,w_K $$ 是： $$ \boxed{ ExplicitNormative/DesignChoices. } $$ 不是自然常數。 --- ## 41. Generic constraints 例如： ### Recovery $$ \boxed{ P^I( G_T\in\mathcal R ) \ge \eta. } $$ ### Undesired-state bound $$ \boxed{ P^I( G_T\in\mathcal U ) \le \epsilon. } $$ ### Concentration $$ \boxed{ \max_k P^I(M_T=m_k) \le \kappa. } $$ ### Budget $$ \boxed{ Cost(I)\le B. } $$ ### Structural legality $$ \boxed{ I\in\mathcal I_{legal}. } $$ --- ## 42. Pareto frontier 如果不想預先指定單一權重， 可以找： $$ \boxed{ ParetoFront } $$ 對： - cost ↓； - undesired probability ↓； - TV ↓； - recovery ↑； 做 multi-objective comparison。 這比一開始就寫死： $$ J(I) $$ 更透明。 然後再由 decision layer 選擇 trade-off。 --- ## 43. NOOP 必須存在 安全 intervention optimizer 不應預設： > 一定要做點什麼才算有用。 所以： $$ \boxed{ NOOP\in\mathcal I. } $$ 若所有非空 intervention： $$ I\neq NOOP $$ 都增加： - cost； - trap risk； - distribution shift； 則： $$ \boxed{ I^*=NOOP. } $$ 這不是 optimizer 失敗。 而是： $$ \boxed{ DoNotIntervene } $$ 本身是一個有效決策。 --- ## 44. 必須介入與允許不介入是兩個問題 可以定義兩個 optimization mode。 ### Mode A — NOOP allowed $$ \boxed{ I^* = \arg\min_{I\in\mathcal I\cup\{NOOP\}} J(I). } $$ ### Mode B — Must intervene $$ \boxed{ I^*_{nonempty} = \arg\min_{I\in\mathcal I,\ I\neq NOOP} J(I). } $$ 兩個答案可以完全不同。 因此： $$ \boxed{ BestIntervention \neq BestDecision. } $$ --- ## 45. FVS 在 optimizer 中的正確位置 FVS / cycle hitting set 不應被當成： $$ Solution. $$ 它應該放在： $$ \boxed{ CandidateGeneration. } $$ 即： $$ FVS \rightarrow CandidateCuts \rightarrow CounterfactualScreen \rightarrow SafetyFilter. $$ 所以： $$ \boxed{ FVS/CycleCut \subset CandidateGeneration. } $$ 這是 HSNRD v1.0 最重要的方法論收斂之一。 --- ## 46. Candidate Generator 候選介入可以來自： 1. high loop-centrality nodes； 2. strong reinforcing cycle hitting sets； 3. high gate-importance nodes； 4. high sensitivity edges； 5. domain-specified legal interventions； 6. low-cost pair combinations； 7. NOOP。 所以 candidate space： $$ \boxed{ \mathcal I = \mathcal I_{loop} \cup \mathcal I_{gate} \cup \mathcal I_{sensitivity} \cup \mathcal I_{domain} \cup \{NOOP\}. } $$ --- ## 47. Screen → Confirm Monte Carlo counterfactual optimization 若候選很多， 可以兩階段。 ### Screening 低成本： - 較少 runs； - 粗步長； - 快速 elimination。 ### Confirmation 對 shortlist： - 更多 paired runs； - 更小 timestep； - bootstrap confidence； - robustness tests。 因此： $$ \boxed{ CheapScreen \rightarrow HighPrecisionConfirmation. } $$ 這比對所有候選一開始就做大量 simulation 更實用。 --- ## 48. Uncertainty 必須保留 Monte Carlo outcome： $$ \hat p $$ 不是精確概率。 所以應報告： - sample size； - confidence / bootstrap interval； - random seed strategy； - timestep sensitivity。 因此： $$ \boxed{ EstimatedSafe \neq ProvedSafe. } $$ production-grade safety 還需要： - formal reachability； - verified bounds； - robust control； - uncertainty set。 --- ## 49. 工程 v0.9 / v1.0 的 synthetic evidence 前期 toy HSNRD runtime 已提供幾個非常重要的 construction examples。 它們不是現實政治資料。 只證明： > 本方法描述的 failure mode 在一個具體可執行混合模型中可以出現。 其中包括： ### Balanced regime：Cut SplitEA 介入後： $$ P(Permanent)\approx0.99. $$ 原本想切斷某個重要路徑， 卻幾乎把系統鎖進 permanent macrostate。 ### Balanced hitting set 切： $$ \{DeathEC,MergeEC_B,RetypeEC\} $$ 後： $$ P(Temporary)=1 $$ 於 toy confirmation 中形成 temporary trap。 ### Capture regime：Cut BirthEC 系統： $$ P(Ordinary)=1. $$ 這降低了 permanent outcome， 但 terminal concentration： $$ =1 $$ 因此仍違反示範 safety constraint。 ### Capture regime：Cut SplitEA 則： $$ P(Permanent)=1. $$ 這些共同展示： $$ \boxed{ BreakStrongLoops \not\Rightarrow DesirableOutcome. } $$ --- ## 50. 「Ordinary」標籤也不等於安全 如果： $$ P(Ordinary)=1, $$ 看起來可能是好結果。 但如果這是因為： $$ Birth $$ 被完全禁止， 系統其實失去： > 在真正 crisis 下生成必要新機構 的能力。 所以： $$ \boxed{ DesirableLabel \neq SafeStructuralOutcome. } $$ 這和第一部： $$ Descriptive \neq Normative $$ 的區分完全一致。 --- ## 51. NOOP 的 toy result 在 v1.0 示範權重下， 三個 synthetic regimes 的確認結果都出現： $$ \boxed{ J(NOOP) < J(I^*_{nonempty}). } $$ 因此： $$ \boxed{ I^*=NOOP. } $$ 這不是要證明： > 現實世界最好永遠不要介入。 而是證明： > 一個安全 optimizer 若真的允許 NOOP，可能合理拒絕所有非必要結構介入。 --- ## 52. Cross-regime robustness 若希望同一 intervention： $$ I $$ 在多個 regime： $$ r_1,\ldots,r_n $$ 都安全， 可要求： $$ \boxed{ I \in \bigcap_r \mathcal I_{safe}^{(r)}. } $$ 或最小化： $$ \boxed{ \max_r J_r(I). } $$ 這是： $$ \boxed{ RobustIntervention. } $$ 但如果 regimes 只是 toy profiles， robustness 也只在這個 synthetic family 內成立。 --- ## 53. Feedback graph 不能取代 original model feedback graph： $$ \mathcal F $$ 只是： $$ \boxed{ DiagnosticAbstraction. } $$ 真正 outcome 仍由： $$ \mathcal M = (F,\lambda,R,\mathcal P) $$ 決定。 所以： $$ \boxed{ FeedbackGraph \neq GenerativeModel. } $$ 這和 HSNRD II 的 projection principle 完全一致。 --- ## 54. Spectral radius 也不能被誤當 stability theorem 若把 normalized feedback graph 寫成 adjacency： $$ W_F, $$ 可以計算： $$ \rho(W_F) $$ 或： $$ \max\Re\sigma(W_F). $$ 這些是 graph diagnostics。 但： $$ \boxed{ \rho(W_F)>1 } $$ 不等於： > PDMP 系統局部 unstable。 真正 local stability： $$ J_{\mathrm{eff}} $$ 才是更直接的線性化對象。 因此： $$ \boxed{ FeedbackAdjacencySpectrum \neq DynamicalStabilitySpectrum. } $$ --- ## 55. Structural sensitivity 與 differential sensitivity 一個 intervention 可以： ### 微小改變 hazard $$ \frac{\partial\lambda}{\partial\theta}. $$ 這是 differential sensitivity。 也可以： ### 直接關閉 rule domain $$ Dom(\rho)\rightarrow\varnothing. $$ 這是 structural sensitivity。 兩者不可只用同一 Jacobian。 所以： $$ \boxed{ DifferentialSensitivity \neq StructuralSensitivity. } $$ PDMP sensitivity literature 對離散與連續 contributions 分離的做法，正好提供一個相鄰的數學參照。 --- ## 56. Safe intervention 不是只看局部穩定 甚至： $$ \alpha(J_{\mathrm{eff}})<0 $$ 也不夠。 因為 system 可以局部穩定在： $$ \boxed{ BadAttractor/Trap. } $$ 所以： $$ \boxed{ LocalStability \neq GlobalSafety. } $$ 必須再看： - reachable sets； - invariant sets； - absorbing classes； - pathwise risk。 --- ## 57. 也不是只看 terminal distribution terminal distribution 看不到： > 中途是否曾進入 forbidden region？ 所以： $$ \boxed{ TerminalSafe \not\Rightarrow PathwiseSafe. } $$ 真正 production HSNRD optimizer 最終應接： - reach-avoid probability； - chance constraints； - temporal logic； - barrier / viability analysis； 等更強工具。 本篇只建立方法論接口。 --- ## 58. 規範層必須保持外置 第一部已建立： $$ \boxed{ CausalImportance \not\Rightarrow MoralImportance. } $$ 所以安全 optimizer 裡的： $$ \mathcal U, \mathcal R, w_i, Cost $$ 不是從數學動力自動長出來。 它們必須由： $$ \boxed{ Normative/DesignSpecification } $$ 明確給定。 因此： $$ \boxed{ Optimizer } $$ 不會替研究者自動回答： > 哪一個國家制度才是 morally good？ 它只能回答： > 在你明確定義的目標與安全條件下，哪個 intervention 在模型內表現較好？ --- ## 59. HSNRD 安全介入架構 完整流程可寫： $$ \boxed{ CandidateGenerator } $$ $$ \Downarrow $$ $$ \boxed{ CounterfactualScreen } $$ $$ \Downarrow $$ $$ \boxed{ StructuralSafetyFilter } $$ $$ \Downarrow $$ $$ \boxed{ ReachabilitySafetyFilter } $$ $$ \Downarrow $$ $$ \boxed{ Distributional/PathwiseSafetyFilter } $$ $$ \Downarrow $$ $$ \boxed{ ParetoRanking } $$ $$ \Downarrow $$ $$ \boxed{ HighPrecisionConfirmation } $$ $$ \Downarrow $$ $$ \boxed{ NOOPComparison. } $$ 這就是 HSNRD 最終 control layer。 --- ## 60. HSNRD IV 的核心公理／限制 ### Axiom C1 — Feedback Type Separation $$ \boxed{ DifferentialFeedback \neq StructuralFeedback \neq HybridFeedback. } $$ ### Axiom C2 — Loop Polarity Is Structural $$ \boxed{ ReinforcingLoop \not\Rightarrow LocalInstability. } $$ ### Axiom C3 — Feedback Graph Is Diagnostic $$ \boxed{ \mathcal F \neq \mathcal M. } $$ ### Axiom C4 — FVS Is Not Outcome Control $$ \boxed{ FVSControl \neq ReachabilityControl. } $$ ### Axiom C5 — Gate Importance Is Distinct $$ \boxed{ I_L \neq I_G. } $$ ### Axiom C6 — Cycle, Reachability, Outcome Separation $$ \boxed{ CycleControl \neq ReachabilityControl \neq OutcomeControl. } $$ ### Axiom C7 — Intervention Semantics Must Be Explicit $$ \boxed{ InterventionName \not\Rightarrow UniqueOperation. } $$ ### Axiom C8 — Counterfactual Is Model-Based $$ \boxed{ ModelCounterfactual \neq EmpiricalCausalIdentification. } $$ ### Axiom C9 — Effect Is Not Value $$ \boxed{ LargeEffect \neq GoodEffect. } $$ ### Axiom C10 — Safety Is Multi-Layered $$ \boxed{ StructuralSafety + ReachabilitySafety + DistributionalSafety + PathwiseSafety. } $$ ### Axiom C11 — NOOP Is a Valid Candidate $$ \boxed{ NOOP\in\mathcal I. } $$ ### Axiom C12 — Estimated Safety Is Not Formal Safety $$ \boxed{ MonteCarloSafe \neq ProvedSafe. } $$ --- ## 61. 四篇 HSNRD 數學方法論的統一 HSNRD I： $$ \boxed{ WhatExistsAndHowItRelates. } $$ HSNRD II： $$ \boxed{ HowMicroBecomesMacro. } $$ HSNRD III： $$ \boxed{ HowStructureChangesThroughHistory. } $$ HSNRD IV： $$ \boxed{ HowFeedbackAndReachabilityConstrainSafeIntervention. } $$ 因此四篇形成： $$ \boxed{ Ontology \rightarrow Projection \rightarrow Dynamics \rightarrow Control. } $$ --- ## 62. 與第一部高階欲求理論重新接合 現在可以重新把第一部的： $$ GroupReflexivelyWants(S,x) $$ 翻成數學問題。 需要： ### Existence $$ X^{(k,\tau)} $$ 合法形成。 ### Projection $$ \pi_A $$ 保留 agency-relevant state。 ### Dynamics $$ (G_t,x_t) $$ 形成 persistent preference / decision / action。 ### Feedback $$ x \leftrightarrow Hazard \leftrightarrow Rewrite $$ 形成 goal-tracking closure。 ### Reachability 系統真的存在： $$ ActionPath \rightarrow GoalRelevantStates. $$ 因此： $$ \boxed{ Want } $$ 不再只是自然語言 predicate， 而能拆解成一組 dynamical conditions。 --- ## 63. Leviathan Reversal 也得到完整數學接口 第五篇定義： $$ \mathbf L_S = ( D_P,S_D,E_L,R_D ). $$ 現在： ### Purpose Drift 進入： $$ x_t $$ 中的 objective state。 ### Self-Preservation Dominance 影響： $$ \lambda_\rho(G,x). $$ ### Exit Loss 表現為： $$ Reach( G,\mathcal R )\downarrow. $$ ### Downward Reshaping 進入： $$ F_G $$ 與： $$ R_\rho. $$ 所以： $$ \boxed{ LeviathanReversal } $$ 可以被表示為： > feedback topology、hazard field 與 reachability topology 共同發生 regime transition。 --- ## 64. 為什麼這比單一 LRI 更成熟？ 早期 LRI： $$ LRI = Divergence \times SelfReference \times Asymmetry \times Coherence $$ 可以當 synthetic diagnostic。 但完整 HSNRD 顯示： $$ \boxed{ OneScalar } $$ 不可能同時完整代表： - loop structure； - reachability； - agent preference； - legitimacy； - trap risk。 因此 LRI 類 scalar 最適合： $$ \boxed{ MonitoringIndicator. } $$ 不是： $$ \boxed{ CompleteTheory. } $$ --- ## 65. HSNRD 的完整對象 現在可以把整套狀態寫成： $$ \boxed{ \mathbb H_t = ( G_t, x_t, \Pi_t, \mathcal B_t, \mathcal P_t, \mathcal N_t ). } $$ 其中： - $G_t$ ：typed attributed structural graph； - $x_t$ ：continuous / discrete attributes； - $\Pi_t$ ：micro–macro projections； - $\mathcal B_t$ ：realization bases； - $\mathcal P_t$ ：rewrite grammar； - $\mathcal N_t$ ：外置 normative / safety specification。 動力： $$ \boxed{ \mathbb H_t \rightarrow \mathbb H_{t+\Delta t} } $$ 可以同時改變： - state； - topology； - type； - projection； - grammar。 --- ## 66. HSNRD 不再是一個「國家模型」 這一點必須在全系列最後明確說明。 雖然 Leviathan / state 是主要 toy domain， HSNRD 的數學結構並不限定： $$ \tau=State. $$ 它可以建模： - 公司； - 科研組織； - AI multi-agent systems； - 機器人群； - 生物組織； - 軟體 service graph； - 生態制度； - 跨組織治理。 只要存在： $$ \boxed{ HierarchicalConstitution + TypedRelations + StructuralRewrite + HybridDynamics. } $$ --- ## 67. HSNRD 也不是普遍萬物理論 同樣不能反向誇大。 HSNRD 是： $$ \boxed{ ModelingMethodology. } $$ 不是： > 所有社會、物理、生物現象都必須用 HSNRD 描述。 若研究問題只需要： - ordinary ODE； - simple graph； - Bayesian model； 就不應強行加入： $$ Birth/Death/PDMP/FVS. $$ 因此： $$ \boxed{ UseOnlyTheStructureRequiredByTheQuestion. } $$ 是最後一條方法論節制。 --- ## 68. 完整 HSNRD 方法鏈 最後，整個第二部可以濃縮成： $$ \boxed{ Set } $$ $$ \Downarrow $$ $$ \boxed{ TypedSetNode } $$ $$ \Downarrow $$ $$ \boxed{ Incidence/Realization } $$ $$ \Downarrow $$ $$ \boxed{ RelationBundle/MultilayerGraph } $$ $$ \Downarrow $$ $$ \boxed{ Projection/CoarseGraining } $$ $$ \Downarrow $$ $$ \boxed{ GraphRewrite } $$ $$ \Downarrow $$ $$ \boxed{ RuleComposition/Reachability } $$ $$ \Downarrow $$ $$ \boxed{ CTMC } $$ $$ \Downarrow $$ $$ \boxed{ PDMP } $$ $$ \Downarrow $$ $$ \boxed{ Sensitivity/FeedbackGraph } $$ $$ \Downarrow $$ $$ \boxed{ PathGate/Reachability } $$ $$ \Downarrow $$ $$ \boxed{ CounterfactualIntervention } $$ $$ \Downarrow $$ $$ \boxed{ ConstrainedSafeOptimization. } $$ --- ## 69. 全系列的最終統一式 第一部處理： $$ \boxed{ WhatDoesAHigherOrderEntityMeanWhenItWants? } $$ 第二部處理： $$ \boxed{ HowCanSuchAnEntityBeRepresentedAndDynamicallyTested? } $$ 因此全系列最終可寫： $$ \boxed{ HigherOrderSubject = ExistenceStructure + Projection + AgencyClosure + HistoricalRewrite + Feedback + Reachability. } $$ 而： $$ \boxed{ NormativePriority } $$ 仍然外置， 不能由以上結構自動推導。 --- ## 70. 結論 HSNRD 最終得到的，不是一個： > 找到最強 feedback 然後切掉它 的控制方法。 而是一個更保守的原則： $$ \boxed{ InterveneOnlyAfterUnderstanding Feedback + Reachability + CounterfactualOutcome + SafetyConstraints. } $$ Feedback graph 告訴我們： > 哪些 closed causal structures 正在作用。 Reachability graph 告訴我們： > 哪些未來仍然可走。 Path gates 告訴我們： > 哪些節點／規則控制入口與出口。 Counterfactual runtime 告訴我們： > 改變後概率質量可能去哪裡。 Safe optimizer 最後才問： > 在明確安全與成本約束下，哪個 intervention 值得選？ 因此： $$ \boxed{ CycleControl \neq ReachabilityControl \neq OutcomeControl. } $$ 而： $$ \boxed{ BreakAllStrongReinforcingLoops \not\Rightarrow DesirableOutcome. } $$ 甚至： $$ \boxed{ BreakLoops \Rightarrow CreateAbsorbingTrap } $$ 完全可能。 因此 NOOP 必須永遠保留： $$ \boxed{ I^*=NOOP } $$ 有時正是理性的安全答案。 至此，HSNRD 的數學方法論完成： $$ \boxed{ Set \rightarrow TypedGraph \rightarrow Projection \rightarrow Rewrite \rightarrow CTMC \rightarrow PDMP \rightarrow Sensitivity \rightarrow Feedback \rightarrow Reachability \rightarrow Counterfactual \rightarrow SafeOptimization. } $$ 而整個十篇系列也完成了從哲學問題： > 「國家、文明與制度真的能『想要』嗎？」 到數學問題： > 「一個高階集合如何形成、持續、投影、改寫、行動、回饋、被介入，並保持可檢驗的安全條件？」 的完整轉換。 --- ## 參考文獻 Bai, T., Cao, Y., & Xiao, M. (2026). “Feedback Set Problems on Bounded-Degree (Planar) Graphs.” arXiv:2605.11407. Bao, L., et al. (2018). Work on feedback-vertex-set-based control of nonlinear networks. Czapla, D. (2024). “On the Existence and Uniqueness of Stationary Distributions for Some Piecewise Deterministic Markov Processes with State-Dependent Jump Intensity.” *Results in Mathematics*, 79, 177. Ford, A. (2019). “A System Dynamics Glossary.” *System Dynamics Review*. Gupta, A., & Khammash, M. (2018). “Sensitivity Analysis for Multiscale Stochastic Reaction Networks Using Hybrid Approximations.” arXiv:1801.04708. Mochizuki, A., Fiedler, B., Kurosawa, G., & Saito, D. (2013). “Dynamics and Control at Feedback Vertex Sets. II: A Faithful Monitor to Determine the Diversity of Molecular Activities in Regulatory Networks.” *Journal of Theoretical Biology*, 335, 130–146. Montalva, M., Aracena, J., & Gajardo, A. (2008). “On the Complexity of Feedback Set Problems in Signed Digraphs.” *Electronic Notes in Discrete Mathematics*, 30, 249–254. Sun, Y., Zhao, W., & Zhou, J. (2021). “Structural Interventions in Networks.” arXiv:2101.12420. Behr, N. (2021). “On Stochastic Rewriting and Combinatorics via Rule-Algebraic Methods.” arXiv:2102.02364. Davis, M. H. A. (1984). “Piecewise-Deterministic Markov Processes: A General Class of Non-Diffusion Stochastic Models.” *Journal of the Royal Statistical Society, Series B*, 46(3), 353–376. --- ## 本篇核心命題表 | 編號 | 命題 | |---|---| | C1 | $DifferentialFeedback\neq StructuralFeedback\neq HybridFeedback$ | | C2 | $NegativeEdge\not\Rightarrow BalancingLoop$ | | C3 | $ReinforcingLoop\not\Rightarrow LocalInstability$ | | C4 | $FeedbackGraph\neq GenerativeModel$ | | C5 | $FeedbackAdjacencySpectrum\neq DynamicalStabilitySpectrum$ | | C6 | $FVS/CycleCut\subset CandidateGeneration$ | | C7 | $LoopImportance\neq GateImportance$ | | C8 | $LowLoopImportance\not\Rightarrow LowOutcomeImportance$ | | C9 | $FeedbackFree\neq Healthy\neq Adaptive$ | | C10 | $CycleControl\neq ReachabilityControl\neq OutcomeControl$ | | C11 | $BreakStrongLoops\not\Rightarrow DesirableOutcome$ | | C12 | $BreakLoops\Rightarrow CreateAbsorbingTrap$ can occur | | C13 | $ModelCounterfactual\neq EmpiricalCausalIdentification$ | | C14 | $EffectSize\neq Desirability$ | | C15 | $TerminalSafety\neq PathwiseSafety$ | | C16 | $EstimatedSafe\neq ProvedSafe$ | | C17 | $BestIntervention\neq BestDecision$ | | C18 | $NOOP\in\mathcal I$ | | C19 | $CausalImportance\not\Rightarrow MoralImportance$ | | C20 | Safe intervention requires feedback, reachability, outcome and explicit normative constraints | --- # 全系列最終核心命題總表 | 區域 | 核心命題 | |---|---| | 高階存在 | $HigherOrderExistence\neq HigherOrderAgency$ | | 欲求語義 | $Preference\neq Intention\neq Propensity$ | | 群體欲求 | $GroupWant\neq\sum_i IndividualWant_i$ | | 自主性 | $Supervenience\neq Reduction\neq Autonomy$ | | 正當性 | $Existence\not\Rightarrow Agency\not\Rightarrow Legitimacy$ | | Leviathan | $Persistence\neq Entrenchment$ | | 結構本體 | $Constitution\neq Interaction$ | | 自環合法性 | $GraphSelfLoop\neq MembershipSelfReference$ | | 投影 | $GoodProjection\neq LosslessProjection$ | | 動力封閉 | $MarkovMicro\not\Rightarrow MarkovMacro$ | | 歷史 | $FinalState\neq History$ | | 結構重寫 | $ClassicalLinearDPO\neq AllStructuralRewrite$ | | 隨機歷史 | $Reachable\neq Likely\neq Realized$ | | Feedback | $ReinforcingLoop\not\Rightarrow LocalInstability$ | | 控制 | $CycleControl\neq ReachabilityControl\neq OutcomeControl$ | | 安全 | $BreakLoops\Rightarrow CreateAbsorbingTrap$ can occur | | 介入 | $BestIntervention\neq BestDecision$ | | 規範 | $CausalImportance\not\Rightarrow MoralImportance$ | --- **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：10 / 10** **狀態：全系列完成**