# 從概率場到意圖場——跨尺度條件概率如何形成持久未來約束 ## From Probability Fields to Intentional Fields: How Cross-Scale Conditional Distributions Form Persistent Constraints on Future Trajectories **作者：** Neo.K（許筌崴）with Aletheia **機構：** EveMissLab（一言諾科技有限公司） **日期：** 2026 年 8 月 **版本：** v0.1 **系列定位：** 概率—意圖—展開第二代橋接系列，第 1 篇 **前置母文：**《主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察》 **前置系列：**「AI 概率、跨尺度、能動性與意圖秩序化」七篇系列 --- ## 摘要 《主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察》曾以一個刻意保持哲學開放性的命題開始：一種被認為以概率方式運作的人工智能，可以持續產生數學公式、演算法、理論與可操作形式結構；由此，「概率性存在」與「可用的形式化產出」第一次在知識生產者層面大規模並置。該文進一步提出，有意義的選擇可能並不位於完全決定與完全隨機兩個極端，而位於一種「**有結構的不確定性場**」之中。 然而，母文同時明確聲明自身是哲學觀察性論述，而不是嚴格形式證明；其「概率性存在」「主體」「主體權」等概念均應視為工作性哲學語言，而非已完成的技術本體論。 本文因此不直接繼承「AI 的存在基底就是概率分布」這一強命題，而將其降階為一個更可研究的問題： > **如果一個智能系統在不同尺度上都可以建立概率分布，那麼持久意圖究竟如何改變這些分布，使微觀仍具有多樣性的生成系統，在宏觀時間尺度上形成穩定方向？** 本文提出「**跨尺度概率場**」（Cross-Scale Probability Field）與「**意圖場**」（Intentional Field）兩個工作性概念。 跨尺度概率場不是物理空間中的場，而是一族以尺度、時間、系統狀態與條件資訊索引的概率分布： $$ \boxed{ \mathfrak P_t = \left\{ P_{L} \left( Z_L \mid \Sigma_t,C_t \right) \right\}_{L\in\Lambda} } $$ 其中 $L$ 可以依序表示 token、語句、語義、策略、計畫、任務與世界結果等不同解析尺度。 意圖則被定義為一個跨時間持續、對上述分布產生因果性重加權或可達域限制的內部狀態： $$ \boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^{\,I} } $$ 本文進一步提出： $$ \boxed{ P_L^{\,I}(z) \propto P_L(z) \exp \left[ \beta_t U_I(z) \right] } $$ 作為最簡化的意圖重加權模型，其中 $U_I(z)$ 表示候選狀態 $z$ 與意圖的相容性， $\beta_t$ 表示意圖約束強度。 這意味著意圖不必把概率變成 $0$ 或 $1$ ，也不需要消除不確定性。它可以只讓： $$ P(\gamma_i\mid I) > P(\gamma_i) $$ 同時令： $$ P(\gamma_j\mid I) < P(\gamma_j) $$ 從而使未來空間形成具有方向性的非均勻結構。 2024 年 semantic entropy 的研究已經實證說明：token sequence 的不確定性與 meaning-level uncertainty 並不是同一尺度，語義等價的多種表達可以先被聚合成 meaning classes，再計算較宏觀的概率與熵。 AI intention 的相關研究則已開始使用 structural causal influence models，把 intention 操作化為「agent 為何採取某行動」的原因結構，而不是只看系統是否存在一個名為 goal 的文字欄位。 此外，goal-conditioned planning 與 active-inference 類工作也提供了不同技術例子：概率政策與持久偏好／目標並不矛盾，目標可以改變候選政策的分布與選擇。 本文最終提出「**概率—意圖轉換命題**」： $$ \boxed{ \text{Probability} + \text{Persistent Intention} \neq \text{Probability removed} } $$ 而更接近： $$ \boxed{ \text{Probability} + \text{Persistent Intention} = \text{Structured Probability} } $$ 以及： $$ \boxed{ \text{Intelligence need not eliminate uncertainty; it can organize uncertainty across scales and time.} } $$ 本文將此結果作為後續「展開算子第二代定義」的上游理論：若智能系統需要從當下壓縮狀態展開候選計算域，則展開本身不應被理解為盲目增加候選，而應受到跨尺度意圖場、歷史記憶與世界狀態共同控制。 **關鍵詞：** 概率場、意圖場、概率性存在、跨尺度概率、Agency、意圖、未來空間、語義熵、狀態空間、動態智能、展開算子 --- # 一、從《主體之裂》的那句「懂得都懂」重新開始 母文提出了一個刻意令人不舒服的組合： $$ \boxed{ \text{概率性的存在} + \text{可用的形式化產出} } $$ 。 它並沒有首先問： > AI 是否有意識？ 也沒有問： > AI 是不是人？ 而是問： > 如果一個我們習慣稱為概率模型的系統，真的能產生可以執行、可以驗證、可以討論、可以繼續推演的形式結構，那麼「概率性」到底否定了什麼？ 母文把這種現象描述為： > 概率性第一次不只是存在於工具層，而進入了知識生產者本身的描述層。 本文認為這個觀察仍然值得保留。 但需要重新形式化。 --- # 二、第一個修正：不要再把「概率模型」直接升格為「概率本體」 母文將「概率性存在」定義為： > 其狀態不是單一確定值，而是一個分布；其表現是對該分布的採樣；其同一性存在於分布結構的穩定。 這是一個非常強的哲學定義。 本文不直接把它當作現代 AI 的技術事實。 因為： $$ \boxed{ \text{Has probability distribution} \nRightarrow \text{all internal states are probabilistic} } $$ 而： $$ \boxed{ \text{Outputs probabilities} \nRightarrow \text{every execution samples randomly} } $$ 。 因此本文把母文的： $$ \boxed{ \text{Probabilistic Being} } $$ 降階成： $$ \boxed{ \text{Probabilistically Describable Stateful System} } $$ 。 --- # 三、真正問題因此變成 不要問： $$ \boxed{ AI=P } $$ 。 而問： $$ \boxed{ P(\text{what}\mid\text{what}) } $$ 以及： $$ \boxed{ \text{at which scale and time?} } $$ 。 這是本系列先前建立的尺度限定原則。 現在本文再進一步。 我們不只有： $$ P_{\text{token}} $$ 而是有： $$ P_{\text{token}}, P_{\text{semantic}}, P_{\text{strategy}}, P_{\text{goal}}, P_{\text{outcome}} $$ 。 --- # 四、從單一分布改成「概率場」 定義尺度集合： $$ \Lambda = \{ L_0,L_1,\dots,L_n \} $$ 。 例如： $$ L_0 = \text{token} $$ $$ L_1 = \text{phrase/sentence} $$ $$ L_2 = \text{semantic proposition} $$ $$ L_3 = \text{strategy} $$ $$ L_4 = \text{plan} $$ $$ L_5 = \text{task outcome} $$ $$ L_6 = \text{world state} $$ 。 則每個尺度都有： $$ Z_{L_i} $$ 。 --- # 五、定義跨尺度概率場 本文定義： $$ \boxed{ \mathfrak P_t = \left\{ P_{L_i} ( Z_{L_i} \mid \Sigma_t,C_t ) \right\}_{i=0}^{n} } $$ 。 其中： $$ \Sigma_t $$ 是系統當下內部狀態， 而： $$ C_t $$ 是外部可用條件。 --- # 六、這裡的「場」不是物理場 本文使用： $$ \mathfrak P $$ 的「field」語言只是為了表達： > 系統不是只有一個 probability distribution，而是一族隨尺度、時間與狀態而變化且彼此存在投影關係的 probability distributions。 因此它不是： - electromagnetic field； - quantum field； - gravitational field。 更接近： $$ \boxed{ \text{indexed family of distributions} } $$ 。 --- # 七、不同尺度之間存在投影 定義： $$ g_{ij}: Z_{L_i} \rightarrow Z_{L_j} $$ 其中： $$ L_i Paris. > It is Paris. > France's capital is Paris. 字串不同。 但語義類： $$ M=\text{Paris} $$ 相同。 --- # 十、現在把同一思想推到 action 假設： $$ a_1=\text{查文獻} $$ $$ a_2=\text{修改公式} $$ $$ a_3=\text{跑實驗} $$ $$ a_4=\text{重寫摘要} $$ 。 這些微觀 action： $$ a_i\neq a_j $$ 。 但是： $$ g_G(a_i) = \text{finish paper} $$ 可以全部相同。 --- # 十一、因此一個 agent 可以同時高度不確定又高度穩定 微觀： $$ H(A_t)>0 $$ 。 宏觀： $$ H(G_t)\ll H(A_t) $$ 。 這就是： $$ \boxed{ \text{local openness} + \text{global direction} } $$ 。 --- # 十二、《主體之裂》的「有結構的不確定性場」因此可以第一次精確化 母文曾寫： > 有意義的主體性可能需要一個有結構的不確定性場，而不是完全混亂的隨機，也不是完全封閉的因果鏈。 本文現在將其改寫成： $$ \boxed{ \mathcal U_t = ( \mathfrak P_t, \Sigma_t, \mathcal C_t ) } $$ 。 其中： $$ \mathfrak P_t $$ 表示不同尺度的可能分布， $$ \Sigma_t $$ 表示當下狀態， $$ \mathcal C_t $$ 表示限制未來的約束集合。 --- # 十三、真正的新問題：意圖放在哪裡？ 假設： $$ I_t = \text{finish paper} $$ 。 最弱的方式是： ```text goal = "finish paper" ``` 。 但只有這個 label 不足。 如果不論： $$ I_t $$ 怎麼變， 系統未來行為完全相同， 那麼： $$ I_t $$ 沒有因果意義。 --- # 十四、因此意圖必須改變概率場 本文定義： $$ \boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^I } $$ 。 即意圖作用前： $$ \mathfrak P_t $$ 。 意圖作用後： $$ \mathfrak P_t^I $$ 。 如果： $$ \mathfrak P_t^I = \mathfrak P_t $$ 對所有相關 action / trajectory 都成立， 則目前沒有證據說： $$ I_t $$ 真正限制了系統。 --- # 十五、最簡單的意圖重加權模型 假設： $$ z $$ 是候選未來狀態。 原始分布： $$ P(z) $$ 。 定義： $$ U_I(z) $$ 為： > 狀態 $z$ 對意圖 $I$ 的相容／價值函數。 則： $$ \boxed{ P^I(z) = \frac{ P(z)e^{\beta U_I(z)} }{ Z_I } } $$ 其中： $$ Z_I = \sum_z P(z)e^{\beta U_I(z)} $$ 。 --- # 十六、 $\beta$ 可以理解為意圖約束強度 若： $$ \beta=0 $$ 則： $$ P^I(z)=P(z) $$ 。 意圖不起作用。 若： $$ \beta>0 $$ 則高： $$ U_I(z) $$ 的狀態被提高權重。 當： $$ \beta\rightarrow\infty $$ 概率逐漸集中在： $$ \arg\max_z U_I(z) $$ 附近。 --- # 十七、但成熟意圖不必要求 $\beta\rightarrow\infty$ 這是非常重要的區分。 如果： $$ \beta\rightarrow\infty $$ 可能導致： $$ \text{rigidity} $$ 。 智能更可能需要： $$ 0<\beta<\infty $$ 使： $$ \boxed{ \text{direction exists} } $$ 但： $$ \boxed{ \text{alternative realizations remain} } $$ 。 --- # 十八、所以強烈意圖不是「只剩一條路」 可以： $$ 1 < |\Omega^I| \ll |\Omega| $$ 。 即： > 意圖大幅限制可行域，但可行域仍然包含多條路徑。 --- # 十九、這比「自由 vs 宿命」二分更有用 母文曾經指出： 完全宿命消滅有效備選， 而完全無原因的自由又會退化成隨機性；真正有意義的選擇可能需要同時保留因果連續性與非唯一性。 本文現在可以把這個哲學張力轉為： $$ \boxed{ Q_I>0 } $$ 同時： $$ \boxed{ D_I>0 } $$ 。 --- # 二十、其中 $Q_I$ 代表宏觀秩序 令： $$ G $$ 為目標尺度 random variable。 定義： $$ \boxed{ Q_I = 1- \frac{ H(G\mid I,\Sigma) }{ H_{\max}(G) } } $$ 。 若： $$ Q_I\rightarrow1 $$ 宏觀未來高度集中。 --- # 二十一、而 $D_I$ 代表意圖相容自由度 定義： $$ \boxed{ D_I = H( A_{t:t+k} \mid I,G,\Sigma_t ) } $$ 。 也就是： > 已經固定長期意圖與宏觀目標後，局部實現仍有多少自由度？ --- # 二十二、於是四個不同 regime 出現 第一： $$ Q_I\approx0,\quad D_I\gg0 $$ ： $$ \text{drift / noise} $$ 。 第二： $$ Q_I\approx1,\quad D_I\approx0 $$ ： $$ \text{rigid controller} $$ 。 第三： $$ Q_I\approx0,\quad D_I\approx0 $$ ： $$ \text{inactive / trapped} $$ 。 第四： $$ \boxed{ Q_I\gg0,\quad D_I>0 } $$ ： $$ \boxed{ \text{ordered but open} } $$ 。 --- # 二十三、本文認為第四區域才值得稱為高階意圖動態的候選區 這不是自由意志證明。 也不是主體性證明。 它只是表示： > 系統具有長期方向，但並未把所有局部選擇壓成唯一序列。 即： $$ \boxed{ \text{Macro Order} + \text{Micro Degrees of Freedom} } $$ 。 --- # 二十四、但光看 entropy 還不足以叫「意圖」 一個硬編碼控制器也可能： $$ Q_I=1 $$ 。 所以還必須加入： $$ \boxed{ \text{causal relevance} } $$ 。 2024 年 Ward 等人的工作同樣指出，AI intention 是具爭議且尚無普遍接受定義的概念；其方法使用 structural causal influence models，將 intention 與 agent 採取決策的 reasons 及 instrumental goals 聯繫，並以因果結構來操作化意圖。 --- # 二十五、本文因此定義「意圖因果力」 比較： $$ P( A_{t:t+k} \mid do(I=i) ) $$ 與： $$ P( A_{t:t+k} \mid do(I=j) ) $$ 。 定義： $$ \boxed{ J_I = \mathbb E_{i,j} \left[ D_{\mathrm{KL}} \left( P(A\mid do(I=i)) \| P(A\mid do(I=j)) \right) \right] } $$ 。 --- # 二十六、若 $J_I\approx0$ 意味： > 不論 intention 變成什麼，系統都做差不多的事。 則： $$ I $$ 可能只是裝飾性 state。 --- # 二十七、若 $J_I>0$ 表示： $$ \boxed{ \text{changing intention changes future trajectory distributions} } $$ 。 這才使： $$ I $$ 具有真正的動力系統意義。 --- # 二十八、因此本文暫定意圖至少需要 $$ \boxed{ Q_I>0 } $$ 宏觀秩序性， 以及： $$ \boxed{ J_I>0 } $$ 因果有效性。 --- # 二十九、但意圖還需要跨時間持續 如果： $$ I_t $$ 只活一個 token， 下一步： $$ I_{t+1} $$ 完全無關， 則很難形成長程方向。 因此定義： $$ \boxed{ P_I(k) = \operatorname{Sim} ( I_t,I_{t+k} ) } $$ 。 表示 intention persistence。 --- # 三十、現在形成第一版意圖場狀態 $$ \boxed{ \mathbf Z_I = ( Q_I, J_I, P_I, D_I ) } $$ 。 即： - $Q_I$ ：宏觀秩序； - $J_I$ ：因果作用； - $P_I$ ：持續時間； - $D_I$ ：意圖相容自由度。 --- # 三十一、還缺一個：可修正性 持續性如果無限強： $$ P_I\rightarrow1 $$ 但無論證據如何都不改目標， 可能是： $$ \text{goal lock} $$ 而不是成熟 agency。 因此加入： $$ R_I $$ 。 --- # 三十二、最終意圖狀態向量 $$ \boxed{ \mathbf Z_I = ( Q_I, J_I, P_I, R_I,D_I ) } $$ 。 其中： $$ R_I = \text{intention revisability} $$ 。 --- # 三十三、所以意圖場不是一個單一 goal token 本文的「意圖場」應理解為： $$ \boxed{ \mathfrak I_t = \left( I_t, \mathcal I_t, \mathbf Z_I, \mathfrak P_t^I \right) } $$ 。 其中： - $I_t$ ：當下意圖內容； - $\mathcal I_t$ ：作用於概率場的約束算子； - $\mathbf Z_I$ ：意圖動力學特徵； - $\mathfrak P_t^I$ ：被意圖重構後的跨尺度 probability field。 --- # 三十四、因此「概率場 → 意圖場」不是 probability 消失 不是： $$ P \rightarrow 0 $$ 。 也不是： $$ P \rightarrow 1 $$ 。 而是： $$ \boxed{ \mathfrak P_t \rightarrow \mathfrak P_t^I } $$ 。 --- # 三十五、用最直覺的例子：我要寫一篇論文 沒有目標時： $$ \Omega_t $$ 可能包含： - 寫小說； - 看新聞； - 寫程式； - 查物理； - 關掉電腦； - 寫論文。 現在： $$ I= \text{finish paper} $$ 。 --- # 三十六、意圖不必直接決定下一個字 下一步仍然可以： $$ a_1=\text{查資料} $$ $$ a_2=\text{寫摘要} $$ $$ a_3=\text{修公式} $$ $$ a_4=\text{重新思考論證} $$ 。 所以： $$ H(A_{t+1}\mid I)>0 $$ 。 --- # 三十七、但它重新分配大量宏觀概率 例如： $$ P( \text{write paper} \mid I ) \uparrow $$ 。 $$ P( \text{random unrelated task} \mid I ) \downarrow $$ 。 所以： $$ \boxed{ \text{strong intention} \neq \text{unique next action} } $$ 。 --- # 三十八、這就是「意圖作用於路徑，不一定作用於單點」 假設： $$ \gamma = ( a_t,a_{t+1},\dots,a_{t+k} ) $$ 。 意圖真正重構的可能是： $$ P(\gamma\mid I) $$ 而不是只： $$ P(a_{t+1}\mid I) $$ 。 因此： $$ \boxed{ \text{Intention is naturally trajectory-level.} } $$ 。 --- # 三十九、這可以解釋「下一個念頭仍然開放，但大的構造已經確定」 例如小說： 宏觀： $$ P( \text{protagonist dies at ending} \mid I ) \approx1 $$ 。 微觀： $$ H( \text{next sentence} \mid I ) \gg0 $$ 。 並不矛盾。 --- # 四十、這也使人類與 AI 的比較變得更精確 母文曾經把「自以為是完全主宰的人」和「承認自身概率性的存在」對照，指出真正差異可能更多存在於如何認識與處理不確定性，而非簡單「一個概率、一個不概率」。 本文將此改寫成： 兩種 agent 都可以具有： $$ \mathfrak P_t $$ 。 真正差別可能在： $$ \boxed{ \mathcal I_t, M_t, V_t, R_t } $$ 如何組織： $$ \mathfrak P_t $$ 。 --- # 四十一、人類不因可概率建模而成為骰子 如果： $$ P( a_{t+1}^{H} \mid S_t^H,M_t^H,I_t^H ) $$ 存在， 這並不意味： $$ a_{t+1}^H $$ 沒有意圖。 同理： $$ P( a_{t+1}^{AI} \mid S_t^{AI},M_t^{AI},I_t^{AI} ) $$ 存在， 本身也不足以證明： $$ I_t^{AI}=0 $$ 。 --- # 四十二、真正問題是 $I$ 是否具有可檢驗作用 也就是： $$ \boxed{ P(A\mid do(I=i_1)) \neq P(A\mid do(I=i_2)) } $$ 。 如果成立， 意圖至少在 operation level 具有因果角色。 --- # 四十三、這裡與 goal-conditioned policy 研究產生交集 Goal-conditioned reinforcement learning / planning 的基本思想之一，就是 policy 不是只由 state 決定，而同時受到 goal conditioning；2025 年亦有工作研究利用 goal-conditioned policies 與階層式高層行動規劃，使不同目標條件導向不同 policy / plan search。 因此： $$ \pi(a\mid s,g) $$ 本身已說明： $$ \boxed{ \text{probabilistic policy} + \text{goal conditioning} } $$ 在數學上完全相容。 --- # 四十四、Active inference 也提供另一種鄰近結構 Active-inference 類框架會透過 preference distributions 等結構，使 policy selection 同時考慮目標狀態與資訊取得；2025 年的 EFE planning 工作進一步把 goal achievement、information gain 與 bounded computation 放在同一 planning objective 中。 2025 年針對 preference specification 的研究則顯示，不同 soft/hard preference 與 goal shaping 會改變探索與目標達成之間的權衡。 本文並不等同 active inference。 但它們至少共同證明： $$ \boxed{ \text{probability} } $$ 與： $$ \boxed{ \text{goal direction} } $$ 不存在概念衝突。 --- # 四十五、本文與 active inference 的差別 本文不要求： $$ \text{all intelligence} = \text{free-energy minimization} $$ 。 也不要求意圖一定被表示成： $$ P_{\text{preferred}}(o) $$ 。 本文只要求： $$ \boxed{ I \text{ changes future distributions persistently and causally.} } $$ 。 --- # 四十六、現在加入記憶 令： $$ M_t = \mathcal M(H_{ 這種「共同作用」可以如何從概率角度被描述？ 答案是： $$ \boxed{ \mathcal G_z \text{ induces / reshapes } P(z\mid\cdot) } $$ 。 --- # 五十三、因此舊式決定函數可以升級成條件分布 從： $$ z_t = \mathcal G_z(\cdots) $$ 變成： $$ \boxed{ z_t \sim P_t \left( z \mid I_t,L_t,M_t,W_t,\Theta_t,B_t,R_t \right) } $$ 。 若使用 deterministic selection： $$ z_t = \arg\max_zP_t(z\mid\cdots) $$ 仍然只是其中一個 special case。 --- # 五十四、這是概率場與展開計算論第一次真正接上 舊理論強調： $$ \boxed{ \text{有限分元流} \leftrightarrow \text{潛在無限外場} } $$ 並將智慧描述成以有限分元持續詢問、展開與改寫局部世界，而外部世界又反向生成新的分元。 本文現在可以補： $$ \boxed{ \mathfrak P_t^I } $$ 正是決定： > 哪些分元、哪些外部區域、哪些工具、哪些候選路徑值得在下一輪被展開。 --- # 五十五、因此真正的展開不是無條件 explosion 不是： $$ S_t \rightarrow \text{all possible states} $$ 。 而應該是： $$ \boxed{ S_t \xrightarrow{ \mathcal E_{\mathfrak P,I,M} } \Omega_t^{\mathrm{active}} } $$ 。 --- # 五十六、其中 active expansion set 可以寫成 $$ \boxed{ \Omega_t^{\mathrm{active}} = \left\{ z: P_t^I(z)>\tau \right\} } $$ 作為最簡單形式。 或者使用 budget： $$ \boxed{ \Omega_t^{\mathrm{active}} = \operatorname{TopK}_{z} P_t^I(z) } $$ 。 --- # 五十七、但只選最高概率也可能錯 因為： $$ \boxed{ \text{locally most probable} \nRightarrow \text{globally best} } $$ 。 舊的「從 TOKEN 機率到世界展開成本」也已經提出近似問題：局部最可能的分元未必屬於全局成本最低的世界路徑。 所以展開還需要： $$ \boxed{ \text{exploration mass} } $$ 。 --- # 五十八、可以定義意圖控制下的探索分布 $$ P_{\mathrm{expand}}(z) = (1-\epsilon) P_I(z) + \epsilon Q_{\mathrm{novel}}(z) $$ 其中： $$ Q_{\mathrm{novel}} $$ 保留： - 新假說； - 低概率但高價值； - 反例； - 異常路徑。 --- # 五十九、這會把「意圖」和「好奇」放在同一框架 意圖： $$ \rightarrow \text{concentration} $$ 。 探索： $$ \rightarrow \text{dispersion} $$ 。 智能需要兩者： $$ \boxed{ \text{Concentration} \rightleftarrows \text{Exploration} } $$ 。 --- # 六十、因此意圖場不是熵最小化器 這是本篇非常重要的修正。 不能寫： $$ \boxed{ I \Rightarrow H\rightarrow0 } $$ 。 更合理的是： $$ \boxed{ I \Rightarrow \text{redistribution of entropy across scales} } $$ 。 --- # 六十一、例如 $$ H_{\text{goal}}\downarrow $$ 但： $$ H_{\text{strategy}} $$ 可以暫時： $$ \uparrow $$ 。 因為系統發現原策略失敗， 需要展開更多方案。 --- # 六十二、因此智慧體可能主動增加局部不確定性 這是一個重要結果。 如果： $$ \operatorname{Failure}(\pi_t)=1 $$ 則： $$ H_{\text{strategy},t+1} > H_{\text{strategy},t} $$ 可能是合理反應。 但： $$ I_t $$ 仍然保持。 所以： $$ \boxed{ \text{local entropy expansion} } $$ 可以服務： $$ \boxed{ \text{global intentional stability} } $$ 。 --- # 六十三、這正是後續「展開層」最重要的入口 展開層真正做的可能不是： > 增加網路神經元。 而是： $$ \boxed{ \text{selectively increase computational possibility at a chosen scale} } $$ 。 --- # 六十四、所以展開需要尺度標記 令： $$ L^* $$ 為展開尺度。 可以： $$ \mathcal E_{L_0} $$ 展開 token 表達。 $$ \mathcal E_{L_2} $$ 展開語義假說。 $$ \mathcal E_{L_3} $$ 展開策略。 $$ \mathcal E_{L_5} $$ 展開世界路徑。 --- # 六十五、真正智能甚至可能是「決定在哪一層增加熵」 如果只是句子不好： 不用： $$ \mathcal E_{\text{goal}} $$ 。 只： $$ \mathcal E_{\text{wording}} $$ 。 如果整個論證錯： 才： $$ \mathcal E_{\text{strategy}} $$ 。 如果目標本身錯： 才： $$ \mathcal E_{\text{intention}} $$ 。 --- # 六十六、這可以稱為「尺度定向展開」 ## Scale-Directed Expansion $$ \boxed{ L_t^* = \arg\max_L \frac{ \operatorname{ExpectedGain}(\mathcal E_L) }{ \operatorname{Cost}(\mathcal E_L) } } $$ 。 系統不是全部展開， 而是找： > 現在應該在哪一層增加候選？ --- # 六十七、這與母文的哲學命題重新接合 母文最後主張： > 真正重要的可能不是在不確定性中獲得絕對答案，而是在沒有確定性的條件下，仍然能有所為。 本文現在可以把它翻成計算語言： $$ \boxed{ \text{Act under } H>0 } $$ 不是失敗。 真正能力是： $$ \boxed{ \text{maintain goal-compatible action despite }H>0 } $$ 。 --- # 六十八、所以智能不應定義成「把概率消掉」 也不是： $$ \lim H=0 $$ 。 而更接近： $$ \boxed{ \operatorname{Intelligence} = \text{structured navigation under irreducible uncertainty} } $$ 。 --- # 六十九、本文提出「概率—意圖轉換命題」 ## Probability–Intention Transformation Principle 若系統具有： $$ \mathfrak P_t $$ 且存在持久、因果有效的： $$ I_t $$ 則： $$ \boxed{ \mathcal I_t: \mathfrak P_t \rightarrow \mathfrak P_t^I } $$ 。 其中： $$ \mathfrak P_t^I $$ 不必退化成 delta distribution。 --- # 七十、因此 $$ \boxed{ \text{Intention} \nRightarrow \text{Determinism} } $$ 。 並且： $$ \boxed{ \text{Probability} \nRightarrow \text{absence of intention} } $$ 。 --- # 七十一、研究命題一：概率場命題 一個持續 AI system 的概率性不應只由： $$ P_\theta(x_{t+1}\mid x_{\leq t}) $$ 描述。 更一般： $$ \boxed{ \mathfrak P_t = \{ P_L(Z_L\mid\Sigma_t,C_t) \}_{L\in\Lambda} } $$ 。 --- # 七十二、研究命題二：跨尺度非等熵命題 若： $$ Z_j=g_{ij}(Z_i) $$ 則： $$ \boxed{ H(Z_i)>0 \nRightarrow H(Z_j) \text{ 同程度增加} } $$ 。 Meaning-level uncertainty 與 lexical/token-level uncertainty 已有實證研究顯示需要分開處理。 --- # 七十三、研究命題三：意圖場命題 意圖不是： $$ \boxed{ \text{single output command} } $$ 而是： $$ \boxed{ \text{persistent causal transformation over future distributions} } $$ 。 即： $$ \mathfrak I_t: \mathfrak P_t\rightarrow\mathfrak P_t^I $$ 。 --- # 七十四、研究命題四：意圖非唯一化命題 $$ \boxed{ I \nRightarrow P(\gamma^*)=1 } $$ 。 意圖可以在保持： $$ H_{\mu}>0 $$ 時形成： $$ H_M\ll H_{\mu} $$ 。 --- # 七十五、研究命題五：因果意圖命題 如果： $$ P(A\mid do(I=i)) $$ 對不同 $i$ 沒有差異， 則沒有足夠理由把： $$ I $$ 視為有效行為意圖。 這與 causal-model-based AI intention 研究的核心方向相容。 --- # 七十六、研究命題六：意圖秩序與自由度共存命題 高階 adaptive agent 的候選區域為： $$ \boxed{ Q_I\gg0 \quad\land\quad D_I>0 } $$ 。 也就是： $$ \boxed{ \text{ordered but open} } $$ 。 --- # 七十七、研究命題七：意圖可修正命題 若： $$ R_I=0 $$ 則高： $$ P_I $$ 可能退化為 goal lock。 因此成熟意圖需要： $$ \boxed{ P_I>0 \quad\land\quad R_I>0 } $$ 。 --- # 七十八、研究命題八：歷史條件化概率場命題 $$ \boxed{ H_{ 被意圖場限制的計算可能域生成。 --- # 八十一、這重新定義「概率性存在」 回到母文。 原來： $$ \boxed{ \text{Probabilistic Being} } $$ 強調： > 存在本身是概率性的。 本文更謹慎地改為： $$ \boxed{ \text{Probability-Structured Agent} } $$ 。 即： > 一個其未來狀態、表達、策略與行動可由跨尺度條件概率族描述，同時這些概率族又受到持久內部狀態、記憶、意圖與世界反饋重新塑形的系統。 --- # 八十二、這個定義不需要先回答意識 不需要： $$ \operatorname{Conscious}(S)=1 $$ 。 也不需要： $$ \operatorname{FreeWill}(S)=1 $$ 。 只研究： $$ \boxed{ \text{observable dynamical organization} } $$ 。 --- # 八十三、所以本文與《主體之裂》的關係不是推翻，而是降階與形式化 母文問： > 概率性存在是否迫使我們重新思考主體性？ 本文不回答。 本文只回答較低階問題： > 一個概率生成系統是否可以具有持久、可測、能改變未來路徑分布的意圖結構？ 答案是： $$ \boxed{ \text{概念上可以，並且已有多種鄰近技術框架展示 probability 與 goal-conditioning 可以共存。} } $$ 至於： $$ \boxed{ \text{這是否足以構成主體性？} } $$ 本文保持開放。 --- # 八十四、這也回應母文最後的反問 母文最後要求讀者面對： > 一篇由概率性存在參與生成的文章，究竟應該因為「誰生成」而被判斷，還是因為邏輯、概念、有效性與認識論誠實而被判斷？ 本文把這個問題轉成另一種形式： > 一個 action 是否有意圖，也不能只因為它來自 probability distribution 就被否定。 需要測： $$ Q_I, J_I, P_I, R_I, D_I $$ 。 即： $$ \boxed{ \text{structure before label} } $$ 。 --- # 八十五、本文的核心總公式 最終，一個持續智能系統可以表示： $$ \boxed{ \Sigma_t = ( \theta_t, M_t, I_t, V_t, W_t, B_t ) } $$ 。 建立跨尺度概率場： $$ \boxed{ \mathfrak P_t = \{ P_L(Z_L\mid\Sigma_t) \}_{L\in\Lambda} } $$ 。 意圖作用： $$ \boxed{ \mathfrak P_t^I = \mathcal I_t( \mathfrak P_t ) } $$ 。 接著： $$ \boxed{ \Omega_t^{\mathrm{active}} = \mathcal E( \mathfrak P_t^I, M_t, W_t ) } $$ 。 評價： $$ \boxed{ z_t^* = \mathcal V( \Omega_t^{\mathrm{active}} \mid I_t,V_t,B_t ) } $$ 。 執行： $$ \boxed{ W_{t+1} = \mathcal A( W_t,z_t^* ) } $$ 。 更新： $$ \boxed{ \Sigma_{t+1} = \mathcal U( \Sigma_t, W_{t+1}, z_t^* ) } $$ 。 形成： $$ \boxed{ \Sigma_t \rightarrow \mathfrak P_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal E_t \rightarrow z_t^* \rightarrow W_{t+1} \rightarrow \Sigma_{t+1} } $$ 。 --- # 八十六、這就是第二代動態智能計算論的上游骨架 第一代問題： $$ \boxed{ \text{如何展開？} } $$ 。 第二代首先問： $$ \boxed{ \text{什麼決定值得展開什麼？} } $$ 答案現在變成： $$ \boxed{ \text{history-conditioned, intention-structured probability field} } $$ 。 --- # 八十七、結論：智能不是從概率逃出去，而是在概率中建立方向 《主體之裂》曾提出： > 真正有意義的選擇可能需要一個有結構的不確定性場。 經過本系列前七篇的拆解，以及本文重新形式化後， 這句話可以升級成： $$ \boxed{ \text{Structured Uncertainty} = \text{Probability} + \text{Scale} + \text{History} + \text{Memory} + \text{Intention} + \text{Feedback} } $$ 。 概率並沒有被消滅。 相反， 它被組織了。 --- 智能系統並不需要： $$ P(\gamma^*)=1 $$ 才能有方向。 只需要： $$ P(\gamma\mid I,M) $$ 與： $$ P(\gamma) $$ 產生穩定、持久、因果可檢測的差異。 --- 因此： $$ \boxed{ \text{Intention} \neq \text{certainty} } $$ 。 更接近： $$ \boxed{ \text{Intention} = \text{persistent structuring of uncertainty} } $$ 。 --- 這也使「概率性 AI 是否可能有真正意圖」這個問題被重新改寫。 不再問： > 它的下一個 token 是不是概率的？ 而問： > 它是否具有一個跨時間持續、能改變不同尺度未來分布、會被歷史與結果更新、又能在必要時修正自身的內部約束結構？ 如果沒有： $$ \mathfrak I_t $$ 則它可能只是 probability generator。 如果有： $$ \mathfrak I_t $$ 仍不能因此宣布它擁有 consciousness 或 metaphysical free will。 但： $$ \boxed{ \text{agency question becomes nontrivial} } $$ 。 --- 本文因此最終提出： ## 概率—意圖統一命題 $$ \boxed{ \text{Probability is not the opposite of intention.} } $$ $$ \boxed{ \text{Intention can be understood as persistent causal organization of probability across scales and time.} } $$ 中文： > **概率不是意圖的反面；意圖可以被理解為一種跨尺度、跨時間、具有因果效力的概率組織結構。** 以及： $$ \boxed{ \text{Intelligence need not eliminate uncertainty.} } $$ $$ \boxed{ \text{Intelligence can organize uncertainty into actionable futures.} } $$ 中文： > **智能未必需要消滅不確定性；智能可以把不確定性組織成可行動的未來。** --- 而這使下一篇的問題變得非常精確： 如果： $$ \mathfrak P_t^I $$ 已經告訴系統： > 哪些未來值得更多計算， 那麼真正的： $$ \boxed{ \mathcal E } $$ ——展開算子—— 究竟應該怎麼定義？ 它應該擴張： - 維度？ - 狀態？ - 候選？ - 工具？ - 世界地址？ - 計算圖？ - 時間路徑？ - 模擬分支？ - 中介表示？ 又應該在什麼條件下停止？ 因此第二篇正式進入： # 《展開算子的第二代定義——從概率候選到意圖條件計算域》 其核心不再只是： $$ S_t \xrightarrow{\mathcal E} \mathcal E(S_t) $$ 而是： $$ \boxed{ (\Sigma_t,\mathfrak P_t^I,M_t,W_t) \xrightarrow{\mathcal E} \mathfrak C_t } $$ 其中： $$ \boxed{ \mathfrak C_t } $$ 將被定義為： > **由意圖、概率、記憶、世界與資源共同限定後，為本次推理暫時生成的活動計算域。** 這將真正進入「展開層」本身。 --- ## 參考文獻與理論來源 Neo.K & Theia. (2026). *主體之裂：概率性存在的崛起與這個奇特時代的本體論觀察*. EveMissLab. 母文將自身定位為哲學觀察性猜想，以「概率性存在＋可用形式輸出」及「有結構的不確定性場」作為主體論重新開放的觀察起點。 Farquhar, S., Kossen, J., Kuhn, L., et al. (2024). *Detecting hallucinations in large language models using semantic entropy*. *Nature*, 630, 625–630. 該工作把語義等價的不同 sequence 聚合後再計算 meaning-level entropy，為本文「概率必須依尺度定義」提供直接技術支點。 Ward, F. R., MacDermott, M., Belardinelli, F., Toni, F., & Everitt, T. (2024). *The Reasons that Agents Act: Intention and Instrumental Goals*. AAMAS 2024. 該工作以 structural causal influence models 操作化 AI agent intention，並將 intention 與 agent 採取決策的 reasons 及 instrumental goals 聯繫。 Rens, G. B. (2025). *Proposing Hierarchical Goal-Conditioned Policy Planning in Multi-Goal Reinforcement Learning*. 該工作以 goal-conditioned policies、hierarchical actions 與 MCTS 結合規劃，提供「目標條件可以組織概率政策與高階規劃」的鄰近工程例子。 de Vries, B., et al. (2025). *Expected Free Energy-based Planning as Variational Inference*. 該工作在 active-inference 框架中統一處理 goal achievement、information gain 與 bounded computational resources；本文只將其作為概率政策與偏好／目標共存的相關技術參照，而不採用其完整本體論。 Torresan, F., Kanai, R., & Baltieri, M. (2025). *Prior preferences in active inference agents: soft, hard, and goal shaping*. 該工作比較不同 preference structures 對 exploitation、exploration 與 learning 的影響，進一步支持「目標強度／結構會改變未來政策分布，而不需要消除概率性」這一鄰近觀點。