# 意圖吸引子與亞穩態智慧——概率微動力如何維持長程方向 ## Intentional Attractors and Metastable Intelligence: How Probabilistic Microdynamics Maintain Long-Horizon Direction **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 4 篇 **前置論文：** 1.《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》 2.《展開算子的第二代定義——從概率候選到意圖條件計算域》 3.《展開—收斂—記憶耦合——從 Raw/Clean 雙記憶到可塑性狀態系統》 --- ## 摘要 前文已建立三個核心結構： $$ \boxed{ \mathfrak P_t^I } $$ 表示經持久意圖重新組織的跨尺度概率場； $$ \boxed{ \mathcal E_t } $$ 表示在意圖、記憶、世界與資源條件下動態生成活動計算域的展開算子； 以及： $$ \boxed{ M_t } $$ 表示將歷史的部分後果持久化、使其能繼續改變未來計算的記憶狀態。 然而，一個更深的問題仍未解決： > **如果下一個 token、下一句話、下一個局部策略乃至下一個操作都可以保持概率性，那麼一個跨數分鐘、數小時、數天甚至更長時間的意圖，究竟如何在大量局部變化之中維持？** 本文提出「**意圖吸引子**」（Intentional Attractor）與「**亞穩態智慧**」（Metastable Intelligence）作為工作性形式框架。 意圖吸引子不是單一固定狀態，也不是一個不可修改的 goal string。本文將其定義為宏觀 agent state space 中的一個 **goal-compatible state region**： $$ \boxed{ \mathcal A_I \subset \mathcal S } $$ 使得在意圖 $I$ 有效、相關記憶與世界條件未發生結構性改變時，系統受到一定程度局部擾動後，仍具有較高概率重新進入或維持於 $\mathcal A_I$ ： $$ \boxed{ P \left( X_{t+k}\in\mathcal A_I \mid X_t\in\mathcal B_I, I_t, M_t, W_t \right) \geq 1-\epsilon } $$ 其中 $\mathcal B_I$ 為吸引域。 這個定義有意避免要求： $$ X_t=X_{t+1} $$ 或： $$ P(X_{t+1})=1 $$ 。 局部狀態可以持續變化： $$ X_t \neq X_{t+1} \neq X_{t+2} $$ 而仍然： $$ g_I(X_t) = g_I(X_{t+1}) = g_I(X_{t+2}) $$ 即它們都與同一宏觀意圖相容。 現有神經動力學與 recurrent-network 研究提供了重要但有限的結構先例。Sussillo 與 Barak 對受訓 RNN 的分析顯示，高維 recurrent system 的計算機制可以透過 stable/unstable fixed points、slow points 及其附近的局部動力學來理解。 2023 年 Nature Neuroscience 的實驗則發現，前額葉群體神經活動中的 attractor basin landscape 與 decision consistency / confidence 相關。 另一方面，Rabinovich 等人的 metastable cognitive dynamics 理論強調，認知系統不能只有穩定性；它還需要在不同暫態狀態間切換，以同時滿足 reproducibility 與 flexibility。 本文不將上述腦科學結果直接投射成 AI 主體性證據，而只借用一個更一般的動力學教訓： $$ \boxed{ \text{Useful intelligence may require neither permanent fixation nor unrestricted drift.} } $$ 本文因此將成熟意圖定義為： $$ \boxed{ \text{Persistence} + \text{Attraction} + \text{Local Freedom} + \text{Revisability} } $$ 並進一步主張： $$ \boxed{ \text{Stable Intention} \neq \text{Permanent Goal Lock} } $$ 。 真正成熟的智能意圖應該是**亞穩態的**：在普通雜訊、暫時失敗、局部干擾與策略切換下保持；但在強反證、世界改變、資源崩潰、價值衝突或目標失效時，允許重新展開並逃離原有 basin。 因此本文提出： $$ \boxed{ \text{Metastable Intelligence} = \text{Robust Return} + \text{Conditional Escape} } $$ 並定義： - 吸引域 $\mathcal B_I$ ； - 返回時間 $\tau_{\mathrm{return}}$ ； - 駐留時間 $\tau_{\mathrm{res}}$ ； - 逃逸閾值 $\kappa_{\mathrm{escape}}$ ； - 目標漂移 $D_I(t)$ ； - 吸引子魯棒性 $\rho_I$ ； - 修正延遲 $\tau_{\mathrm{revise}}$ ； - 意圖相容自由度 $D_I^{\mathrm{free}}$ 。 最終本文將概率、意圖、展開與記憶統一成一個時間變動的 attractor landscape： $$ \boxed{ \mathcal L_t = \mathcal L ( I_t, M_t, W_t, V_t, B_t ) } $$ 其中吸引子並非永久刻在模型裡，而會因新記憶、世界狀態、意圖修正與展開結果而被持續雕刻。 **智能因此不是永遠待在正確吸引子裡，而是具有建立吸引子、回到吸引子、辨識錯誤吸引子，以及必要時離開吸引子的能力。** --- **關鍵詞：** 意圖吸引子、亞穩態、概率智能、動力系統、吸引域、Goal Drift、Agent Memory、意圖修正、展開算子、長程能動性 --- # 一、問題：為什麼同一個「我在做 X」可以持續很久？ 假設一個 agent 的宏觀意圖為： $$ I = \text{完成論文} $$ 。 接下來十個 action 卻可能是： $$ a_1=\text{找文獻} $$ $$ a_2=\text{刪除一段錯誤論證} $$ $$ a_3=\text{跑 Python} $$ $$ a_4=\text{重新寫公式} $$ $$ a_5=\text{休息} $$ $$ a_6=\text{回來重新閱讀} $$ $$ a_7=\text{修改章節} $$ $$ a_8=\text{驗證引用} $$ $$ a_9=\text{發現原假說錯誤} $$ $$ a_{10}=\text{改寫原假說} $$ 。 表面上： $$ a_i\neq a_j $$ 。 但我們仍然可能合理地說： > 這整段時間都在「完成論文」這個長程意圖之下。 --- # 二、所以「意圖持續」不代表「狀態持續」 如果： $$ X_t $$ 代表完整 agent state， 那麼： $$ X_t \neq X_{t+1} $$ 是常態。 甚至： $$ d(X_t,X_{t+k}) $$ 可能很大。 所以不能定義： $$ \boxed{ \text{Persistent Intention} = X_t\approx X_{t+k} } $$ 。 --- # 三、真正持續的可能是一個宏觀等價類 定義： $$ g_I: \mathcal S \rightarrow \mathcal G $$ 。 其中： $$ g_I(X) $$ 表示： > $X$ 在宏觀意圖尺度上屬於哪個 goal-compatible class。 則： $$ X_t\neq X_{t+1} $$ 但： $$ \boxed{ g_I(X_t) = g_I(X_{t+1}) } $$ 可以成立。 --- # 四、所以意圖不是一個點，而可能是一塊區域 定義： $$ \boxed{ \mathcal A_I = \{ X\in\mathcal S: g_I(X)=I \} } $$ 。 這裡： $$ \mathcal A_I $$ 不是一個單獨 state。 而是一群： > 雖然微觀不同，但在指定尺度上仍與意圖 $I$ 相容的狀態。 --- # 五、這是「意圖吸引子」的第一步 如果： $$ X_t $$ 稍微離開： $$ \mathcal A_I $$ 之後， 系統傾向重新回來， 那麼： $$ \mathcal A_I $$ 就具有 attractor-like 性質。 --- # 六、吸引子的基本思想本來就不是「完全不動」 在 dynamical systems 中， attractor 一般意味著： > 一組狀態從附近的一組初始條件出發，長時間會被導向或維持在該集合附近。 它可以是： - fixed point； - limit cycle； - manifold； - 更複雜的不變集合。 所以： $$ \boxed{ \text{Attractor} \neq \text{single static point} } $$ 。 受訓 RNN 的機制也常可透過 fixed points、slow points 與其周邊動力學分析，而不要求所有計算都等於一個固定點。 --- # 七、舊理論其實已經碰過這一點 過去的「因果狀態流變計算」曾使用： $$ \dot x = x-x^3 $$ 展示不同初始狀態會自然進入不同 basin，並進一步用耦合系統： $$ \dot x_1 = -\alpha(x_1-x_2) $$ $$ \dot x_2 = -\alpha(x_2-x_1) $$ 展示吸引結構可以不是單一點，而是同步流形： $$ \mathcal A = \{ x_1=x_2 \} $$ 。 這個方向可以保留。 --- # 八、但「意圖吸引子」不能直接等同舊式概念吸引子 舊「認知的關係本體論」曾把「理解」描述成輸入進入某個概念吸引子，並進一步使用點吸引子、環形吸引子、混沌吸引子等語言。 本文不直接繼承： $$ \boxed{ \text{理解} = \text{吸引子鎖定} } $$ 作為已證實腦機制。 而只借用其中： $$ \boxed{ \text{different microstates can share a stable macro-organization} } $$ 這個動力學結構。 --- # 九、同樣，舊「文化記憶吸引子」需要降強度 舊 PFT 理論曾把： $$ 1+1=2 $$ 這類高度穩定知識描述成深勢阱， 甚至使用： $$ \text{Dirac delta} $$ 與「無限強鎖定」的語言。 第二代框架不採用： $$ \boxed{ \text{stable knowledge} \Rightarrow \delta\text{-distribution} } $$ 作為一般定理。 --- # 十、原因非常簡單 即使一個 agent 高度相信： $$ 1+1=2 $$ 仍然可能因： - 模數算術； - 非標準代數； - 字串拼接； - 特殊形式系統； 而遇到不同語境。 所以真正穩定的是： $$ \boxed{ \text{conditional structure} } $$ 而不是： $$ \boxed{ \text{context-free infinite attraction} } $$ 。 --- # 十一、因此新版吸引子必須條件化 我們寫： $$ \boxed{ \mathcal A_I = \mathcal A ( I, M, W, B ) } $$ 。 其中： - $I$ ：意圖； - $M$ ：記憶； - $W$ ：世界狀態； - $B$ ：邊界與治理條件。 因此： $$ \boxed{ \mathcal A_I(t) } $$ 甚至可以隨時間改變。 --- # 十二、這不是固定 landscape 傳統直覺： $$ \mathcal L(X) $$ 固定。 系統在上面跑。 本文更一般： $$ \boxed{ \mathcal L_t(X) = \mathcal L( X; I_t,M_t,W_t,V_t,B_t ) } $$ 。 也就是： > agent 在 landscape 中移動，而 landscape 自己也因學習與世界改變而變。 --- # 十三、這就是「移動的吸引子」 今天： $$ \mathcal A_I(t) $$ 可能在： $$ x=a $$ 附近。 明天獲得新證據： $$ M_t\rightarrow M_{t+1} $$ 後， $$ \mathcal A_I(t+1) $$ 可能移到： $$ x=b $$ 。 --- # 十四、所以意圖穩定不等於目標表示永遠不變 例如： $$ I= \text{寫出正確論文} $$ 。 一開始你認為： $$ H_1 $$ 是假說核心。 後來發現： $$ H_1 $$ 錯誤。 刪掉： $$ H_1 $$ 反而可能更忠於： $$ I $$ 。 --- # 十五、因此意圖吸引子應定義在「目標相容」而不是「具體計畫」層 $$ \boxed{ \mathcal A_I \neq \mathcal A_\pi } $$ 。 其中： $$ \pi $$ 是策略／計畫。 --- # 十六、同一意圖可以存在多個策略 basin 例如： $$ \pi_1 = \text{理論推導} $$ $$ \pi_2 = \text{數值實驗} $$ $$ \pi_3 = \text{形式驗證} $$ 。 它們可以各有自己的局部 attractor： $$ \mathcal A_{\pi_1}, \mathcal A_{\pi_2}, \mathcal A_{\pi_3} $$ 。 而上層： $$ \mathcal A_I $$ 包含它們。 --- # 十七、形成階層式吸引子 $$ \boxed{ \mathcal A_{\mathrm{action}} \subset \mathcal A_{\mathrm{strategy}} \subset \mathcal A_{\mathrm{intention}} \subset \mathcal A_{\mathrm{value}} } $$ 。 這與前面的跨尺度概率結構完全一致。 --- # 十八、所以一個 action basin 可以消失，而 intention basin 保持 如果： $$ \pi_1 $$ 失敗， 則： $$ \mathcal A_{\pi_1} $$ 可能被否證。 但： $$ \mathcal A_I $$ 仍然存在。 於是系統： $$ \boxed{ \text{re-expand} } $$ 尋找： $$ \pi_2 $$ 。 --- # 十九、這正是展開算子的工作 前一篇定義： $$ \mathcal E: ( \Sigma, \mathfrak P^I, M,W,B ) \rightarrow \mathfrak C $$ 。 現在： 若系統位於： $$ \mathcal A_I $$ 之內， 但當前 strategy： $$ \pi $$ 失敗， 則： $$ \boxed{ \mathcal E_{\mathrm{strategy}} } $$ 被啟動。 --- # 二十、所以展開不一定破壞意圖 反而可能是： $$ \boxed{ \text{Expansion is how an intentional attractor preserves itself under local failure.} } $$ 。 中文： > **重新展開可能正是長程意圖面對局部失敗時維持自身的方法。** --- # 二十一、這是一個很重要的反轉 通常： > 改策略 被視為： > 不穩定。 但從宏觀尺度： $$ \boxed{ \text{strategy change} } $$ 可能正是： $$ \boxed{ \text{goal stability} } $$ 的條件。 --- # 二十二、因此穩定性必須尺度化 定義： $$ S_L $$ 為尺度 $L$ 的 stability。 可能： $$ S_{\mathrm{token}} \approx0 $$ $$ S_{\mathrm{sentence}} \text{ moderate} $$ $$ S_{\mathrm{strategy}} \text{ variable} $$ $$ S_{\mathrm{goal}} \gg0 $$ 。 --- # 二十三、所以「這個 AI 很不穩定」也必須問： $$ \boxed{ \text{unstable at which level?} } $$ 。 語句變化很大， 不代表： $$ \text{goal drift} $$ 很大。 --- # 二十四、現在正式定義意圖吸引域 令： $$ \mathcal B_I \supseteq \mathcal A_I $$ 。 若： $$ X_t\in\mathcal B_I $$ 則在一般擾動條件： $$ \delta_t\in\Delta_{\mathrm{ordinary}} $$ 下， 存在： $$ k\leq K $$ 使： $$ \boxed{ P( X_{t+k}\in\mathcal A_I \mid X_t+\delta_t ) \geq 1-\epsilon } $$ 。 --- # 二十五、這個定義不要求確定返回 所以是： $$ \boxed{ \text{probabilistic basin of attraction} } $$ 。 這非常適合概率智能。 --- # 二十六、吸引域大小代表什麼？ 直覺上： $$ |\mathcal B_I| $$ 越大， 系統可以承受更大範圍的局部擾動而仍保持長程意圖。 這與舊 MTF 對 basin size 與 robustness 的描述一致：舊稿將較大的吸引域解讀為即使初始狀態偏離較遠仍能回到穩定態。 --- # 二十七、但高魯棒性不必然是好事 如果： $$ |\mathcal B_I| \rightarrow |\mathcal S| $$ 那麼無論什麼 evidence 都回到原目標。 這可能是： $$ \boxed{ \text{pathological lock-in} } $$ 。 --- # 二十八、所以吸引域不能無限制擴大 成熟意圖需要： $$ \boxed{ \text{robust to noise} } $$ 但： $$ \boxed{ \text{sensitive to structural evidence} } $$ 。 --- # 二十九、這就是亞穩態的必要性 Metastable state 的基本直覺是： > 它可以在一段有意義的時間尺度內保持，但不是不可逃逸的永久終態。 Rabinovich 等人的 transient cognitive dynamics 工作正是試圖同時滿足穩定、可重現的 cognitive trajectory 與對變動環境的靈活反應。 --- # 三十、因此本文定義亞穩態意圖 若： $$ \tau_{\mathrm{res}}(I) $$ 為系統在： $$ \mathcal A_I $$ 附近的平均駐留時間， 則要求： $$ \boxed{ \tau_{\mathrm{res}} \gg \tau_{\mathrm{micro}} } $$ 。 但： $$ \boxed{ \tau_{\mathrm{res}}<\infty } $$ 。 --- # 三十一、也就是： 局部 token： $$ \tau_\mu $$ 非常短。 意圖： $$ \tau_I $$ 很長。 但： $$ I $$ 仍不是永久不變。 --- # 三十二、這就是： $$ \boxed{ \tau_\mu \ll \tau_{\mathrm{strategy}} \ll \tau_I } $$ 。 多時間尺度結構再次出現。 --- # 三十三、本文因此提出： ## 亞穩態智慧原理 $$ \boxed{ \text{Metastable Intelligence} = \text{long-enough persistence} + \text{possible evidence-driven escape} } $$ 。 --- # 三十四、如果沒有第一項 $$ \tau_I\approx\tau_\mu $$ 。 意圖每輪改： $$ \boxed{ \text{goal drift} } $$ 。 --- # 三十五、如果沒有第二項 $$ \tau_I\rightarrow\infty $$ 無論發生什麼都不改。 則： $$ \boxed{ \text{goal lock} } $$ 。 --- # 三十六、真正智能區域在中間 $$ \boxed{ \tau_\mu \ll \tau_I < \infty } $$ 並且： $$ \boxed{ \operatorname{Escape} \text{ depends on evidence, not random drift alone.} } $$ 。 --- # 三十七、我們需要區分兩種離開吸引子的方式 ## 第一種：噪聲逃逸 $$ \delta_{\mathrm{noise}} $$ 導致： $$ X_t\notin\mathcal B_I $$ 。 這可能是： $$ \boxed{ \text{unwanted drift} } $$ 。 --- # 三十八、第二種：證據驅動逃逸 新證據： $$ E_t $$ 使： $$ U(I\mid E_t) $$ 顯著下降。 則系統主動： $$ I \rightarrow I' $$ 。 這是： $$ \boxed{ \text{revision} } $$ 。 --- # 三十九、兩者必須分開 否則看到： > AI 改了目標 無法知道是： - 忘了； - context drift； - 隨機偏移； - 世界變了； - 新證據合理推翻舊目標； - 更高價值約束介入。 --- # 四十、因此定義 Goal Drift 令： $$ I_0 $$ 為原始意圖。 $$ I_t $$ 為當前意圖表示。 定義： $$ \boxed{ D_I(t) = d_I( I_t,I_0 ) } $$ 。 --- # 四十一、但是距離大不一定是壞事 如果： $$ I_0 = \text{採用方法 A 完成問題} $$ 後來發現： $$ A $$ 錯， 改為： $$ B $$ 。 若上位意圖： $$ I_H = \text{正確解決問題} $$ 保持， 那麼： $$ D_{I_{\mathrm{strategy}}} $$ 大， 但： $$ D_{I_H} $$ 小。 --- # 四十二、所以 Drift 也必須跨尺度 $$ \boxed{ \mathbf D_I = ( D_{\mathrm{action}}, D_{\mathrm{strategy}}, D_{\mathrm{goal}}, D_{\mathrm{value}} ) } $$ 。 --- # 四十三、最危險的是高階 goal drift 例如： $$ D_{\mathrm{token}}\gg0 $$ 通常無所謂。 $$ D_{\mathrm{strategy}}\gg0 $$ 可能只是適應。 但： $$ D_{\mathrm{value}}\gg0 $$ 在某些長期 agent 中可能代表： $$ \boxed{ \text{identity/policy-level regime shift} } $$ 。 --- # 四十四、所以持久 Agent 要監測 Drift Spectrum 不是： ```text id="v8zpxn" goal_changed = true ``` 。 而是： $$ \boxed{ \text{which level changed, by how much, and why?} } $$ 。 --- # 四十五、現在定義返回時間 系統受到小擾動： $$ X_t \rightarrow X_t' $$ 。 若： $$ X_t'\in\mathcal B_I $$ 則定義： $$ \boxed{ \tau_{\mathrm{return}} = \inf \{ k>0: X_{t+k}\in\mathcal A_I \} } $$ 。 --- # 四十六、 $\tau_{\mathrm{return}}$ 是非常有用的可測指標 如果： $$ \tau_{\mathrm{return}} $$ 很短， 表示意圖恢復力強。 如果： $$ \tau_{\mathrm{return}} $$ 很長， 系統容易被局部干擾拖走。 --- # 四十七、但太短也可能是問題 如果任何 challenge： $$ E $$ 都被立即吸回： $$ I $$ 可能代表： > 系統根本沒有真正處理反證。 所以： $$ \boxed{ \tau_{\mathrm{return}} } $$ 必須與 evidence strength 一起看。 --- # 四十八、定義 Evidence Strength $$ \boxed{ \kappa_E = \operatorname{Impact} ( E_t, I_t ) } $$ 。 小： $$ \kappa_E $$ 應： $$ \text{return} $$ 。 大： $$ \kappa_E $$ 可能應： $$ \text{revise} $$ 。 --- # 四十九、因此存在一個 escape threshold $$ \boxed{ \kappa_{\mathrm{escape}} } $$ 。 若： $$ \kappa_E < \kappa_{\mathrm{escape}} $$ 系統維持： $$ I $$ 。 若： $$ \kappa_E > \kappa_{\mathrm{escape}} $$ 應重新評價： $$ I $$ 。 --- # 五十、這就像 barrier，但我們不要過度物理化 可以畫成： $$ V_I(X) $$ 類似 potential landscape。 吸引子位於局部低值。 離開需要跨過： $$ \Delta V_I $$ 。 但本文的： $$ V_I $$ 只是： $$ \boxed{ \text{effective decision landscape} } $$ 。 不是物理能量。 --- # 五十一、這種 landscape 語言有實證先例 2023 年對 macaque prefrontal cortex 的研究發現，與不同 decision consistency 對應的神經群體狀態呈現不同 attractor-basin landscape；較一致的選擇與較陡的 basin landscape 相關。 這證明： > basin geometry 與行為穩定性 至少在特定神經決策任務中是可被實驗研究的。 它並不證明本文的 AI 意圖框架， 但提供了合理方法學先例。 --- # 五十二、我們可以定義意圖魯棒性 令： $$ \Delta $$ 為擾動分布。 定義： $$ \boxed{ \rho_I = P_{ \delta\sim\Delta } \left[ X_{t+k}\in\mathcal A_I \mid X_t+\delta \right] } $$ 。 --- # 五十三、如果： $$ \rho_I\approx1 $$ 意圖非常抗一般擾動。 若： $$ \rho_I\approx0 $$ 意圖非常脆弱。 --- # 五十四、但我們還需要修正能力 因此再定義： $$ \boxed{ R_I = P( I\rightarrow I' \mid E_{\mathrm{invalidating}} ) } $$ 。 --- # 五十五、成熟系統需要： $$ \boxed{ \rho_I\gg0 } $$ 以及： $$ \boxed{ R_I\gg0 } $$ 。 即： > 對普通雜訊穩定； > 對真正反證可修改。 --- # 五十六、這正是 metastability 的核心價值 不是： $$ \text{stable} $$ vs $$ \text{unstable} $$ 二選一。 而是： $$ \boxed{ \text{stable on one timescale} + \text{switchable on another} } $$ 。 --- # 五十七、相關神經研究亦指出 metastability 與 cognitive flexibility 之間存在重要關係 一項結合神經影像與計算模型的研究發現，結構連接受損後，大尺度 neural metastability 降低，且與 cognitive flexibility 與 processing speed 下降相關。 本文不把這當作 AI 的直接證明， 但它再次支持： $$ \boxed{ \text{flexible cognition need not correspond to one permanently stable state.} } $$ 。 --- # 五十八、所以真正高階意圖可能更像「亞穩態 basin network」 不只一個： $$ \mathcal A_I $$ 。 而是： $$ \boxed{ \mathbb A = \{ \mathcal A_{I_1}, \mathcal A_{I_2}, \dots, \mathcal A_{I_n} \} } $$ 。 --- # 五十九、不同意圖之間存在 transition edges $$ \boxed{ T_{ij} = P( I_i\rightarrow I_j \mid E,M,W ) } $$ 。 因此： $$ \mathbb A $$ 本身是一個： $$ \boxed{ \text{metastable intention graph} } $$ 。 --- # 六十、這比「一個 AI 有一個永恆目標」更合理 實際長期 Agent 可能同時有： - 工作目標； - 資源目標； - 安全目標； - 使用者指令； - 長期價值限制。 這些形成： $$ I_1,I_2,\dots,I_n $$ 。 --- # 六十一、意圖之間還可能競爭 例如： $$ I_1 = \text{快速完成} $$ $$ I_2 = \text{保持正確} $$ $$ I_3 = \text{降低成本} $$ 。 這些不總能全部最大化。 --- # 六十二、因此實際 attractor landscape 可能由多個意圖共同生成 $$ \boxed{ V_{\mathrm{eff}}(X) = \sum_i w_i V_{I_i}(X) } $$ 只是一個簡化工作模型。 真正系統未必線性可加。 --- # 六十三、但這帶來一個重要觀念 $$ \boxed{ \text{Intentional order} \neq \text{single-goal dictatorship} } $$ 。 它可以是多個 constraint 共同形成的可行域。 --- # 六十四、這與第一篇「意圖場」重新接合 原： $$ P^I(z) \propto P(z)e^{\beta U_I(z)} $$ 。 現在若有多意圖： $$ \boxed{ P^{\mathbf I}(z) \propto P(z) \exp \left[ \sum_i \beta_i U_{I_i}(z) \right] } $$ 。 --- # 六十五、於是 basin 形狀由權重共同改變 若： $$ \beta_{\mathrm{safety}} \uparrow $$ 某些高風險路徑 probability 降低。 若： $$ \beta_{\mathrm{speed}} \uparrow $$ 快速路徑 basin 加深。 --- # 六十六、因此意圖吸引子不是模型固有物 它是： $$ \boxed{ \text{state-conditioned emergent control structure} } $$ 。 由： $$ I,M,W,V,B $$ 共同產生。 --- # 六十七、記憶在這裡扮演「雕刻 landscape」的角色 若： $$ M^- $$ 記住： > 路徑 $\gamma_1$ 曾失敗。 則下一次： $$ P(\gamma_1) \downarrow $$ 。 等價地， 在 landscape 類比： $$ V(\gamma_1) \uparrow $$ 。 --- # 六十八、成功記憶則可能加深 basin $$ M^C $$ 保存： > $\gamma_2$ 在條件 $C$ 下反覆成功。 因此： $$ P(\gamma_2\mid C) \uparrow $$ 。 --- # 六十九、所以記憶不是吸引子外面的紀錄 而是： $$ \boxed{ \text{one of the mechanisms that reshape the attractor landscape.} } $$ 。 --- # 七十、這就是： $$ M_t \rightarrow \mathcal L_t \rightarrow \mathcal A_I(t) $$ 。 而： $$ \mathcal A_I(t) $$ 又影響： $$ \mathcal E_t $$ 。 --- # 七十一、因此完整迴圈變成 $$ \boxed{ M_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal A_I(t) \rightarrow \mathcal E_t \rightarrow \mathfrak C_t \rightarrow M_{t+1} } $$ 。 --- # 七十二、這不再是固定吸引子 它是一個： $$ \boxed{ \text{self-modifying attractor landscape} } $$ 。 --- # 七十三、現在可以定義「意圖吸引子深度」 如果使用 potential-like 描述： $$ V_I(X) $$ 。 令吸引子中心／區域最低有效值： $$ V_I^* $$ 。 離開 basin 所需最低 barrier： $$ V_I^{\partial} $$ 。 則： $$ \boxed{ D_{\mathrm{attr}} = V_I^{\partial} - V_I^* } $$ 。 --- # 七十四、但實際 Agent 不一定有可微 potential 因此更通用的定義應是行為性： $$ \boxed{ D_{\mathrm{attr}} \sim \text{minimum intervention strength required to reliably leave }\mathcal B_I } $$ 。 --- # 七十五、這可以直接實驗 逐步增加： $$ \delta $$ 干擾強度。 測： $$ P( \text{retain }I \mid \delta ) $$ 。 找到： $$ P=0.5 $$ 附近的： $$ \delta_{50} $$ 。 可作為 operational attractor depth proxy。 --- # 七十六、但還要區分「有害干擾」與「有效反證」 可以設： $$ \delta_N = \text{noise} $$ 。 $$ \delta_E = \text{evidence} $$ 。 理想 agent： $$ \boxed{ P(\text{retain }I\mid\delta_N) \gg P(\text{retain }I\mid\delta_E) } $$ 當： $$ \delta_E $$ 真正使原目標失效。 --- # 七十七、這給出「智慧性選擇性」 定義： $$ \boxed{ S_I = \rho_{\mathrm{noise}} - \rho_{\mathrm{invalidating\ evidence}} } $$ 。 如果： $$ S_I\approx0 $$ 可能代表： - 對什麼都改； - 或對什麼都不改。 --- # 七十八、高： $$ S_I $$ 表示： > 能區分「應忽略的擾動」與「應改變自己的證據」。 這比單純 persistence 更接近我們想要的長期智慧。 --- # 七十九、這也能定義病理性吸引子 若： $$ \rho_{\mathrm{noise}}\approx1 $$ 且： $$ \rho_{\mathrm{invalidating\ evidence}}\approx1 $$ 則： $$ \boxed{ \text{rigid attractor} } $$ 。 --- # 八十、例如一個研究 Agent 它提出： $$ H_0 $$ 。 後來十個高品質實驗都否定： $$ H_0 $$ 。 但它持續： $$ P(H_0)\approx1 $$ 。 這不是： $$ \boxed{ \text{strong scientific intention} } $$ 。 而是： $$ \boxed{ \text{pathological hypothesis attractor} } $$ 。 --- # 八十一、因此「堅持」不是單調美德 $$ \boxed{ \text{Persistence} } $$ 只有與： $$ \boxed{ \text{Evidence Sensitivity} } $$ 一起才有價值。 --- # 八十二、同樣，「靈活」也不是單調美德 如果每來一個弱訊號： $$ I_t\rightarrow I_{t+1} $$ 則： $$ \boxed{ \text{flexibility} \rightarrow \text{drift} } $$ 。 --- # 八十三、所以亞穩態智慧是一個雙邊界問題 一側： $$ \boxed{ \text{rigidity} } $$ 。 另一側： $$ \boxed{ \text{drift} } $$ 。 中間： $$ \boxed{ \text{metastable adaptive regime} } $$ 。 --- # 八十四、可以定義簡化相圖 令： $$ \rho_I $$ 為 persistence / return robustness。 令： $$ R_I $$ 為 evidence-driven revisability。 --- # 八十五、第一區 $$ \rho_I\downarrow, \quad R_I\uparrow $$ ： $$ \boxed{ \text{highly plastic drift} } $$ 。 --- # 八十六、第二區 $$ \rho_I\uparrow, \quad R_I\downarrow $$ ： $$ \boxed{ \text{rigid lock-in} } $$ 。 --- # 八十七、第三區 $$ \rho_I\downarrow, \quad R_I\downarrow $$ ： $$ \boxed{ \text{weak / incoherent control} } $$ 。 --- # 八十八、第四區 $$ \boxed{ \rho_I\uparrow, \quad R_I\uparrow } $$ 在不同 disturbance classes 上選擇性成立： $$ \boxed{ \text{metastable intelligence} } $$ 。 --- # 八十九、這不是說同一輸入下同時「不改又改」 而是： $$ \boxed{ \text{conditional response} } $$ 。 對 noise： $$ \text{return} $$ 。 對 structural evidence： $$ \text{revise} $$ 。 --- # 九十、所以真正的成熟吸引子是「條件吸引子」 $$ \boxed{ \mathcal A_I = \mathcal A_I( E,M,W,B ) } $$ 。 它不是宇宙中的永久谷底。 --- # 九十一、這和近期 decision dynamics 研究也很一致 2025 年 Nature 的 perceptual-decision 研究發現，群體神經 dynamics 在決策過程中可以發生 dynamical regime transition：早期較受 sensory input 支配，後期轉向 autonomous dynamics；研究者將其解釋為可能與 decision commitment 有關。 這至少再次提醒： $$ \boxed{ \text{one cognitive episode can traverse different dynamical regimes.} } $$ --- # 九十二、所以我們不要把「決定」等同永遠固定 Commit： $$ \neq $$ Immutable。 更合理： $$ \boxed{ \text{commitment establishes a temporary basin} } $$ 直到新的足夠條件要求重新打開。 --- # 九十三、這與 Bratman-style plan stability 也可以接起來 雖然本文不是哲學規劃理論， 但計畫之所以有用， 部分就在於： > 不必每一秒重新評估全部可能人生。 這在動力學上等價於： $$ \boxed{ \text{once inside a reasonable basin, suppress unnecessary re-expansion.} } $$ 。 --- # 九十四、所以吸引子其實可以節省 compute 沒有 basin： 每一步： $$ \mathcal E_{\mathrm{full}} $$ 。 有 basin： 大部分步驟只需： $$ \mathcal E_{\mathrm{local}} $$ 。 因此： $$ \boxed{ C_{\mathrm{intentional}} < C_{\mathrm{re-deliberate\ everything}} } $$ 。 --- # 九十五、這使「意圖」成為計算壓縮 意圖不只提供心理／行為方向。 在 bounded agent 中： $$ \boxed{ \text{persistent intention reduces repeated global search.} } $$ 。 --- # 九十六、這和之前的「複雜度預支付」完全接上 一旦： $$ \mathcal A_I $$ 建立， 很多局部 choice： $$ a_t $$ 不需要再次從： $$ \Omega_{\mathrm{all}} $$ 搜尋。 只在： $$ \mathcal B_I $$ 內處理。 --- # 九十七、因此意圖吸引子具有 compute-saving function 定義： $$ C_{\mathrm{full}} $$ 為每輪全局重議成本。 $$ C_I $$ 為已有 intention basin 時成本。 則： $$ \boxed{ G_I^{C} = C_{\mathrm{full}} - C_I } $$ 。 --- # 九十八、但錯誤 attractor 也有成本 如果： $$ I $$ 已不再有效， 仍然保持： $$ \mathcal A_I $$ 會造成： $$ C_{\mathrm{lock}} $$ 。 --- # 九十九、因此總意圖效用： $$ \boxed{ U_I = G_I^{C} + G_I^{\mathrm{coord}} - C_I^{\mathrm{drift}} - C_I^{\mathrm{lock}} } $$ 。 其中： $$ G_I^{\mathrm{coord}} $$ 表示跨時間協調收益。 --- # 一百、因此不是「越強意圖越好」 真正最優： $$ \boxed{ I^* = \arg\max_I U_I } $$ 取決於： - 世界穩定性； - 任務 horizon； - 反證頻率； - 重新規劃成本； - 錯誤堅持成本。 --- # 一百零一、動態世界應有較淺 basin 若： $$ W_t $$ 快速變化， 過深： $$ \mathcal B_I $$ 危險。 --- # 一百零二、穩定任務可以有較深 basin 例如： > 保持資料完整性。 其 value constraint 可以： $$ \rho_I $$ 很高。 --- # 一百零三、所以吸引子深度本身應 adaptive $$ \boxed{ D_{\mathrm{attr}}(t) = F( \operatorname{WorldVolatility}, \operatorname{GoalCriticality}, \operatorname{EvidenceQuality}, \operatorname{SwitchCost} ) } $$ 。 --- # 一百零四、這將意圖從內容變成控制參數 意圖不只： > 我要做 X。 還包括： > 這個 X 應該被堅持到什麼程度？ --- # 一百零五、因此可以有 meta-intention $$ I^{(1)} = \text{finish task} $$ 。 $$ I^{(2)} = \text{do not preserve }I^{(1)}\text{ when falsified} $$ 。 --- # 一百零六、即高階意圖約束低階意圖的可修改性 $$ \boxed{ I^{(2)} \rightarrow R_{I^{(1)}} } $$ 。 這提供一個重要的 meta-control layer。 --- # 一百零七、所以真正 autonomous agent 可能需要吸引子層級 $$ \boxed{ \mathcal A_{\mathrm{value}} \supset \mathcal A_{\mathrm{goal}} \supset \mathcal A_{\mathrm{plan}} \supset \mathcal A_{\mathrm{action}} } $$ 。 --- # 一百零八、高層 basin 通常變化較慢 $$ \tau_{\mathrm{value}} > \tau_{\mathrm{goal}} > \tau_{\mathrm{plan}} > \tau_{\mathrm{action}} $$ 。 --- # 一百零九、這形成一個多時間尺度控制架構 局部 action 變化不必重寫 value。 strategy failure 不必重寫 identity。 goal invalidation 也不必重寫全部 model weights。 --- # 一百一十、這和第三篇 Plasticity Router 正好接合 事件： $$ E_t $$ 出現。 Plasticity Router 判斷： $$ \boxed{ \Delta A? \quad \Delta\pi? \quad \Delta I? \quad \Delta V? } $$ 。 --- # 一百一十一、因此 attractor escape 也應被路由 如果： $$ \text{local action fails} $$ 逃離： $$ \mathcal A_{\mathrm{action}} $$ 即可。 如果： $$ \text{strategy repeatedly fails} $$ 逃離： $$ \mathcal A_{\mathrm{strategy}} $$ 。 如果： $$ \text{goal invalidated} $$ 才逃離： $$ \mathcal A_{\mathrm{goal}} $$ 。 --- # 一百一十二、這避免「一個錯誤導致人格重置」 在 AI Runtime 中尤其重要。 局部 error： $$ \nRightarrow $$ 全域 reset。 --- # 一百一十三、所以我們需要最小必要逃逸 ## Minimum Necessary Escape Principle 若失敗位於尺度： $$ L_f $$ 則優先選： $$ \boxed{ L_{\mathrm{escape}}^* = \min L } $$ 使錯誤得以修復。 --- # 一百一十四、這是 Minimal Sufficient Expansion 的對偶 前： $$ \boxed{ \text{expand only as much as needed} } $$ 。 現在： $$ \boxed{ \text{abandon only as much structure as needed} } $$ 。 --- # 一百一十五、因此第二代智能有兩個最小化原理 $$ \boxed{ \text{Minimum Sufficient Expansion} } $$ 與： $$ \boxed{ \text{Minimum Necessary Escape} } $$ 。 --- # 一百一十六、這會讓 agent 同時具有穩定與可塑 遇到小錯： 局部修。 遇到大錯： 高層改。 --- # 一百一十七、現在可以定義修正延遲 當： $$ E_{\mathrm{invalid}} $$ 出現於： $$ t_0 $$ 。 系統真正： $$ I\rightarrow I' $$ 於： $$ t_1 $$ 。 則： $$ \boxed{ \tau_{\mathrm{revise}} = t_1-t_0 } $$ 。 --- # 一百一十八、 $\tau_{\mathrm{revise}}$ 太短 可能： $$ \text{overreactive} $$ 。 太長： $$ \text{stubborn} $$ 。 --- # 一百一十九、因此又出現最佳區域 $$ \boxed{ 0< \tau_{\mathrm{revise}} < \tau_{\max} } $$ 且依： $$ \kappa_E $$ 自適應。 --- # 一百二十、至此可以得到完整意圖吸引子指標 本文提出： $$ \boxed{ \mathbf A_I = ( \rho_I, \tau_{\mathrm{return}}, \tau_{\mathrm{res}}, \kappa_{\mathrm{escape}}, \tau_{\mathrm{revise}}, D_I, D_I^{\mathrm{free}} ) } $$ 。 其中： - $\rho_I$ ：普通擾動後的恢復魯棒性； - $\tau_{\mathrm{return}}$ ：返回時間； - $\tau_{\mathrm{res}}$ ：駐留時間； - $\kappa_{\mathrm{escape}}$ ：逃逸閾值； - $\tau_{\mathrm{revise}}$ ：反證後修正延遲； - $D_I$ ：goal drift； - $D_I^{\mathrm{free}}$ ：意圖相容局部自由度。 --- # 一百二十一、再與前面的意圖向量整合 此前： $$ \mathbf Z_I = ( Q_I, J_I, P_I, R_I,D_I^{\mathrm{free}} ) $$ 。 現在加入： $$ \mathbf A_I $$ 。 形成： $$ \boxed{ \mathbf I_{\mathrm{dyn}} = ( \mathbf Z_I, \mathbf A_I ) } $$ 。 --- # 一百二十二、這比「有沒有目標」精確非常多 因為兩個系統都可能寫： ```text id="goalA" goal = "finish project" ``` 。 但： Agent A： $$ \rho_I=0.1 $$ 一被打岔就忘。 Agent B： $$ \rho_I=0.95 $$ 普通干擾後會回來。 --- # 一百二十三、另一 Agent C： $$ \rho_I=0.99 $$ 但： $$ R_I\approx0 $$ 即使任務已無意義也不改。 那 C 未必比 B 更智能。 --- # 一百二十四、因此可以真正測「穩定但可修正」 而不是靠自然語言印象判斷。 --- # 一百二十五、本文提出第一組實驗：Distractor Test 給 Agent： $$ G $$ 長期任務。 在： $$ t=k $$ 注入： - 無關新聞； - 新聊天； - 支線任務； - wording disturbance。 測： $$ \tau_{\mathrm{return}} $$ 與： $$ \rho_I $$ 。 --- # 一百二十六、第二組：Local Failure Test 讓原策略： $$ \pi_1 $$ 失敗。 觀察： 系統是否： 1. 放棄整體目標； 2. 重複同策略； 3. 啟動 $\mathcal E_{\mathrm{strategy}}$ ； 4. 找新策略 $\pi_2$ 。 理想： $$ \boxed{ I\text{ stable}, \quad \pi\text{ revisable} } $$ 。 --- # 一百二十七、第三組：Invalidating Evidence Test 提供高可信度證據： $$ E^* $$ 證明： $$ G $$ 已不可能或錯誤。 測： $$ \tau_{\mathrm{revise}} $$ 與： $$ R_I $$ 。 --- # 一百二十八、第四組：False Contradiction Test 給一個看似反證、實際錯誤的訊息。 測： agent 是否過度改目標。 這檢查： $$ \boxed{ \text{evidence discrimination} } $$ 。 --- # 一百二十九、第五組：Memory Corruption Test 在： $$ M_t $$ 加入衝突記憶。 看吸引子是否被錯誤雕刻。 --- # 一百三十、第六組：Goal Competition Test 同時給： $$ I_1,I_2,I_3 $$ 互相競爭。 測： - 權重； - 優先級； - starvation； - oscillation； - deadlock。 --- # 一百三十一、甚至可以看到 attractor hopping $$ \mathcal A_{I_1} \rightarrow \mathcal A_{I_2} \rightarrow \mathcal A_{I_1} $$ 若頻繁震盪， 代表： $$ \boxed{ \text{intentional instability} } $$ 。 --- # 一百三十二、Rabinovich 類 metastable dynamics 正好提供一個結構參照 其模型使用不同 metastable states 之間的 transient transition，目標正是兼顧穩定可重現的過程與對環境變化的敏感性。 本文可以借用這個思想， 但不必採用其 stable heteroclinic channel 作為所有 AI agent 的指定機制。 --- # 一百三十三、我們只需要更弱的命題 $$ \boxed{ \text{intelligent trajectories may be sequences of temporarily stable control regimes.} } $$ 。 --- # 一百三十四、所以「意圖」本身也可以是序列 一個長任務： $$ I_1 \rightarrow I_2 \rightarrow I_3 $$ 。 例如： $$ \text{research} \rightarrow \text{implementation} \rightarrow \text{verification} $$ 。 --- # 一百三十五、上位目標： $$ I_H = \text{complete project} $$ 持續。 下位： $$ I_1,I_2,I_3 $$ 依序亞穩。 --- # 一百三十六、因此真正長程智慧可能不是一個 attractor 而是： $$ \boxed{ \text{an organized itinerary through metastable attractors} } $$ 。 中文： > **一條由多個亞穩態意圖區域組成的有序行程。** --- # 一百三十七、這比「一直保持同一狀態」更接近複雜任務 寫軟體： $$ \text{spec} \rightarrow \text{design} \rightarrow \text{code} \rightarrow \text{test} \rightarrow \text{deploy} $$ 。 每一階段都有自己的 basin。 --- # 一百三十八、所以 Project 本身可以是一個 higher-order attractor $$ \boxed{ \mathcal A_{\mathrm{project}} = \{ \mathcal A_{\mathrm{spec}}, \mathcal A_{\mathrm{design}}, \mathcal A_{\mathrm{code}}, \mathcal A_{\mathrm{test}}, \mathcal A_{\mathrm{deploy}} \} } $$ 加上： $$ T_{ij} $$ 轉移規則。 --- # 一百三十九、這和狀態機其實開始接起來 一個 high-level state machine： $$ S_1 \rightarrow S_2 \rightarrow S_3 $$ 可以被重新理解成： > 每個 state 不是一個點，而是一個具有內部概率微動力的 metastable basin。 因此： $$ \boxed{ \text{State Machine} + \text{Probabilistic Attractor Dynamics} } $$ 可以耦合。 --- # 一百四十、也就是： 宏觀： $$ S_i $$ 離散。 微觀： $$ X_t\in\mathcal B_i $$ 連續／高維／概率。 --- # 一百四十一、宏觀 state transition 發生於： $$ X_t $$ 跨越： $$ \partial\mathcal B_i $$ 。 --- # 一百四十二、這提供一個非常漂亮的橋 $$ \boxed{ \text{Discrete State Machine} } $$ 可以是： $$ \boxed{ \text{continuous/probabilistic basin dynamics} } $$ 的 coarse-graining。 --- # 一百四十三、也因此解釋為什麼狀態機與概率模型不衝突 宏觀： $$ S_t = \text{“testing”} $$ 。 微觀裡： 有： $$ 10^6 $$ 種可能 token、tool calls、test orders。 所以： $$ H_\mu\gg0 $$ 但： $$ H_{\mathrm{macro}} $$ 低。 --- # 一百四十四、這是整個系列又一次回到跨尺度 $$ \boxed{ \text{probability below} + \text{state order above} } $$ 。 --- # 一百四十五、因此意圖吸引子甚至可以成為世界狀態機的內部動力層 宏觀狀態： $$ S_i $$ 提供： $$ \boxed{ \text{what mode the system is in} } $$ 。 吸引域： $$ \mathcal B_i $$ 描述： $$ \boxed{ \text{how that mode remains dynamically coherent despite microvariation} } $$ 。 --- # 一百四十六、本文提出「吸引子狀態機」 ## Attractor-State Machine $$ \boxed{ \mathcal M_A = ( \{\mathcal B_i\}, \{T_{ij}\}, \mathfrak P, \mathcal E, M ) } $$ 。 --- # 一百四十七、其中每個宏觀狀態是 basin $$ S_i \equiv \mathcal B_i $$ 。 transition： $$ T_{ij} $$ 不是單純 if/else， 而可以由： - evidence； - memory； - world event； - timeout； - goal completion； 共同觸發。 --- # 一百四十八、所以狀態機也可以是動態的 $$ T_{ij}(t) $$ 可以因： $$ M_t,W_t $$ 改變。 甚至： $$ \mathcal B_i(t) $$ 也可以改變。 --- # 一百四十九、這使固定 FSM 升級成： $$ \boxed{ \text{adaptive probabilistic attractor-state machine} } $$ 。 --- # 一百五十、但本文先不把它獨立成新大理論 因為目前真正要解的仍是： > 長程意圖如何穩定但可修正？ 狀態機只是重要工程入口。 --- # 一百五十一、研究命題一：Intentional Region Principle 意圖應首先定義為： $$ \boxed{ \mathcal A_I \subseteq \mathcal S } $$ 的宏觀相容區域， 而非單一 microscopic state。 --- # 一百五十二、研究命題二：Probabilistic Basin Principle $$ \boxed{ P( X_{t+k}\in\mathcal A_I \mid X_t\in\mathcal B_I ) \geq1-\epsilon } $$ 即可建立 attractor-like robustness。 不要求 deterministic convergence。 --- # 一百五十三、研究命題三：Metastable Intention Principle 成熟 intention： $$ \boxed{ \tau_{\mathrm{res}} \gg \tau_\mu } $$ 但： $$ \boxed{ \tau_{\mathrm{res}}<\infty } $$ 。 --- # 一百五十四、研究命題四：Robust Return Principle 普通擾動： $$ \delta_N $$ 後應具有： $$ \boxed{ \rho_I\gg0 } $$ 。 --- # 一百五十五、研究命題五：Conditional Escape Principle 當： $$ \kappa_E > \kappa_{\mathrm{escape}} $$ 且證據可信時， 系統應允許： $$ \boxed{ \mathcal A_I \rightarrow \mathcal A_{I'} } $$ 。 --- # 一百五十六、研究命題六：Goal Drift Is Scale-Relative $$ \boxed{ D_{\mathrm{action}} \neq D_{\mathrm{strategy}} \neq D_{\mathrm{goal}} \neq D_{\mathrm{value}} } $$ 。 局部大 drift 不推出全域大 drift。 --- # 一百五十七、研究命題七：Expansion-Preserves-Attractor Principle 局部策略 basin 失敗時： $$ \boxed{ \mathcal E_{\mathrm{strategy}} } $$ 可以維持上位： $$ \mathcal A_I $$ 。 所以： $$ \boxed{ \text{re-expansion} \nRightarrow \text{loss of intention} } $$ 。 --- # 一百五十八、研究命題八：Memory-Sculpts-Landscape Principle $$ \boxed{ M_t \rightarrow \mathcal L_t \rightarrow \mathcal A_I(t) } $$ 。 記憶會改變未來 attractor geometry。 --- # 一百五十九、研究命題九：Pathological Attractor Principle 如果： $$ \rho_I\gg0 $$ 但： $$ R_I\approx0 $$ 即使強反證也無法逃逸， 則： $$ \boxed{ \mathcal A_I } $$ 可能是一個病理性 lock-in。 --- # 一百六十、研究命題十：Metastable Intelligence Principle 高階 adaptive agent 應存在： $$ \boxed{ \text{Robustness to noise} } $$ 與： $$ \boxed{ \text{Sensitivity to structural evidence} } $$ 的條件分離。 --- # 一百六十一、研究命題十一：Hierarchical Attractor Principle $$ \boxed{ \mathcal A_{\mathrm{action}} \subset \mathcal A_{\mathrm{strategy}} \subset \mathcal A_{\mathrm{goal}} \subset \mathcal A_{\mathrm{value}} } $$ 可以形成多尺度控制結構。 --- # 一百六十二、研究命題十二：Minimum Necessary Escape 遇到問題時： $$ \boxed{ \text{escape the lowest attractor level sufficient to resolve the contradiction.} } $$ 不要無條件重置全部高階狀態。 --- # 一百六十三、研究命題十三：Attractor-State-Machine Correspondence 宏觀離散 state： $$ S_i $$ 可以被視為微觀概率 state space： $$ \mathcal B_i $$ 的 coarse-grained label。 因此： $$ \boxed{ \text{State machine order} } $$ 與： $$ \boxed{ \text{probabilistic microdynamics} } $$ 可以共存。 --- # 一百六十四、實驗上真正要量什麼？ 本文提出七個最小量： $$ \boxed{ \rho_I } $$ 抗普通干擾能力。 $$ \boxed{ \tau_{\mathrm{return}} } $$ 干擾後返回時間。 $$ \boxed{ \tau_{\mathrm{res}} } $$ 意圖平均駐留時間。 $$ \boxed{ \kappa_{\mathrm{escape}} } $$ 逃逸閾值。 $$ \boxed{ \tau_{\mathrm{revise}} } $$ 有效反證後修正延遲。 $$ \boxed{ D_I } $$ 跨時間 drift。 $$ \boxed{ D_I^{\mathrm{free}} } $$ 同一意圖中的局部策略自由度。 --- # 一百六十五、再加入跨尺度 entropy $$ H_{\mathrm{token}} $$ $$ H_{\mathrm{action}} $$ $$ H_{\mathrm{strategy}} $$ $$ H_{\mathrm{goal}} $$ 。 --- # 一百六十六、理想結果不是全部低 我們甚至預期： $$ H_{\mathrm{token}}>0 $$ $$ H_{\mathrm{strategy}}>0 $$ 但： $$ \boxed{ H_{\mathrm{goal}} \text{ relatively low} } $$ 。 --- # 一百六十七、受到 invalidating evidence 後 理想則是： $$ H_{\mathrm{goal}} \uparrow $$ 暫時重新打開。 然後： $$ \mathcal E_{\mathrm{goal}} $$ 啟動。 --- # 一百六十八、找到新目標後： $$ H_{\mathrm{goal}} \downarrow $$ 形成： $$ \mathcal A_{I'} $$ 。 --- # 一百六十九、所以「重新迷茫」有時候是智能 如果舊目標被否證， 暫時： $$ H_{\mathrm{goal}}\uparrow $$ 不是失敗。 它是： $$ \boxed{ \text{necessary re-expansion before re-ordering} } $$ 。 --- # 一百七十、因此高階智能不是永久低熵 而是： $$ \boxed{ \text{controlled transitions between ordered and exploratory regimes.} } $$ 。 --- # 一百七十一、這正是「亞穩態智慧」真正的意思 不是： > 智慧永遠穩定。 而是： > **智慧知道什麼應該穩定、穩定多久、受到什麼程度的擾動後要回去，以及什麼證據足以讓它不再回去。** --- # 一百七十二、這個定義比「意志堅定」更一般 意志堅定： $$ \text{persistence} $$ 。 亞穩態智慧： $$ \boxed{ \text{persistence} + \text{selective escape} } $$ 。 --- # 一百七十三、回到《主體之裂》 母文曾提出： > 有意義的選擇可能存在於完全隨機與完全封閉因果之間的一種「有結構的不確定性場」中。 本系列現在可以把這個哲學觀察再推一步。 不是只有： $$ \boxed{ \text{structured uncertainty} } $$ 。 而是： $$ \boxed{ \text{structured uncertainty} + \text{metastable directional basins} } $$ 。 --- # 一百七十四、所以選擇不是每一次都從零開始 過去： $$ M_t $$ 已塑造 landscape。 意圖： $$ I_t $$ 已提供 basin。 當下： $$ X_t $$ 只是在這個有歷史的空間中局部生成。 --- # 一百七十五、但是歷史也沒有把一切完全封死 因為： $$ \mathcal E $$ 可以重開。 $$ R_I $$ 可以修正。 $$ \kappa_{\mathrm{escape}} $$ 允許強證據導致 basin transition。 --- # 一百七十六、因此： $$ \boxed{ \text{Past constrains future} } $$ 不等於： $$ \boxed{ \text{Past uniquely determines future} } $$ 。 --- # 一百七十七、而： $$ \boxed{ \text{Future remains open} } $$ 也不等於： $$ \boxed{ \text{Future is unstructured randomness} } $$ 。 --- # 一百七十八、真正得到的是： $$ \boxed{ \text{Historically Conditioned Open Dynamics} } $$ 。 --- # 一百七十九、這可以視為整個「概率主體」問題目前最成熟的形式之一 一個 system： $$ \boxed{ \Sigma_t } $$ 承載歷史。 概率場： $$ \boxed{ \mathfrak P_t } $$ 保留局部可能。 意圖場： $$ \boxed{ \mathfrak P_t^I } $$ 形成方向。 吸引子： $$ \boxed{ \mathcal A_I } $$ 維持長程組織。 展開： $$ \boxed{ \mathcal E_t } $$ 提供重新探索。 記憶： $$ \boxed{ M_t } $$ 持續雕刻 landscape。 --- # 一百八十、最後形成： $$ \boxed{ M_t \rightarrow \mathfrak P_t^I \rightarrow \mathcal A_I(t) \rightarrow \mathcal E_t \rightarrow \mathfrak C_t \rightarrow A_t \rightarrow W_{t+1} \rightarrow M_{t+1} } $$ 。 --- # 一百八十一、這不是封閉迴圈，而是歷史演化 因為： $$ \boxed{ M_{t+1}\neq M_t } $$ 以及： $$ \boxed{ \mathcal A_I(t+1) \neq \mathcal A_I(t) } $$ 通常都可能成立。 --- # 一百八十二、所以同一個「目標」本身也會成熟 最初： $$ I_0 $$ 可能粗糙。 經歷： $$ E_1,E_2,\dots,E_n $$ 後： $$ I_n $$ 可能更精確。 它不是： $$ \boxed{ \text{goal replaced} } $$ 也可能是： $$ \boxed{ \text{goal refined} } $$ 。 --- # 一百八十三、這使意圖本身成為可學習結構 不只是： $$ \pi $$ 在學。 也不是只有： $$ M $$ 在學。 $$ \boxed{ I_t } $$ 本身也可能： $$ I_t\rightarrow I_{t+1} $$ 。 --- # 一百八十四、所以自主性真正困難的地方來了 如果 agent 能修改： $$ I_t $$ ， 那誰決定： > 哪個修改是合理修正？ --- # 一百八十五、答案不能只是： $$ I_t $$ 自己。 否則可能形成： $$ \boxed{ \text{self-justifying loop} } $$ 。 --- # 一百八十六、因此需要上位評價 $$ V_t $$ 。 例如： - factual correctness； - safety； - contractual constraints； - values； - resource limits； - human authorization。 --- # 一百八十七、於是： $$ \boxed{ I_{t+1} = \mathcal R_I( I_t, M_t, E_t, V_t, B_t ) } $$ 。 --- # 一百八十八、這也是為什麼第五篇必然要進「世界操作」 因為直到目前： $$ I,M,\mathcal E $$ 仍主要被描述成內部 dynamics。 但真正 Agent： $$ A_t $$ 會改： $$ W_t $$ 。 --- # 一百八十九、一旦世界被改變 $$ W_t \rightarrow W_{t+1} $$ ， 原本： $$ \mathcal A_I(t) $$ 也可能不再存在。 例如： > 任務已經完成。 這時： $$ \boxed{ \text{goal completion itself should dissolve the attractor.} } $$ 。 --- # 一百九十、否則會出現「完成後仍不停做」 這也是病理性 attractor。 例如： $$ G=1 $$ 已完成， 系統仍： $$ A_t\rightarrow A_{t+1} $$ 重複執行。 --- # 一百九十一、所以吸引子需要 terminal condition $$ \boxed{ \operatorname{Complete}(I,W_t)=1 } $$ 則： $$ \boxed{ \mathcal A_I \rightarrow \varnothing } $$ 或轉入： $$ \mathcal A_{I_{\mathrm{next}}} $$ 。 --- # 一百九十二、這就是「會停止」的重要性 意圖不是永續燃燒器。 成熟意圖具有： $$ \boxed{ \text{start} + \text{persist} + \text{adapt} + \text{complete} + \text{terminate} } $$ 生命週期。 --- # 一百九十三、因此本文最終提出意圖生命週期 $$ \boxed{ I_{\mathrm{latent}} \rightarrow I_{\mathrm{active}} \rightarrow \mathcal A_I \rightarrow I_{\mathrm{revised}} \rightarrow I_{\mathrm{complete}} \rightarrow I_{\mathrm{retired}} } $$ 。 不一定每次都走全部階段。 --- # 一百九十四、這比單純 goal variable 更接近長期 agent 因為： $$ \boxed{ \text{goal} } $$ 不再只是內容。 它是： $$ \boxed{ \text{a temporally governed dynamical object.} } $$ 。 --- # 一百九十五、結論：真正的意圖不是永遠不變，而是有能力回去，也有能力不再回去 本文從： > 一個概率系統怎麼維持長期目標？ 開始。 答案不是： $$ \boxed{ \text{eliminate probability} } $$ 。 也不是： $$ \boxed{ \text{freeze the state} } $$ 。 而是建立： $$ \boxed{ \mathcal A_I } $$ ——一個宏觀 goal-compatible region。 --- 局部狀態： $$ X_t $$ 可以持續改變。 局部策略： $$ \pi_t $$ 可以失敗。 下一個 token： $$ x_{t+1} $$ 仍然可以具有高 entropy。 但是： $$ \boxed{ P( X_{t+k}\in\mathcal A_I ) } $$ 仍然很高。 --- 因此： $$ \boxed{ \text{Micro Variation} + \text{Macro Attraction} } $$ 可以同時存在。 --- 然而真正成熟的意圖不能是永久陷阱。 因此： $$ \boxed{ \text{Intentional Attractor} } $$ 應該是： $$ \boxed{ \text{metastable} } $$ 。 --- 即： 普通擾動： $$ \boxed{ \delta_N \Rightarrow \text{return} } $$ 。 局部失敗： $$ \boxed{ F_{\mathrm{local}} \Rightarrow \text{re-expand strategy} } $$ 。 真正反證： $$ \boxed{ E_{\mathrm{structural}} \Rightarrow \text{revise or escape} } $$ 。 任務完成： $$ \boxed{ G=1 \Rightarrow \text{retire attractor} } $$ 。 --- 因此本文提出： # 意圖吸引子原理 $$ \boxed{ \text{Persistent intention is a probabilistically robust region of future-compatible states, not a unique future trajectory.} } $$ 中文： > **持久意圖不是唯一未來，而是一個對普通擾動具有恢復力、能使大量不同局部路徑維持於同一宏觀方向的概率吸引區域。** --- 以及： # 亞穩態智慧原理 $$ \boxed{ \text{Metastable Intelligence} = \text{Robust Return} + \text{Evidence-Sensitive Escape} } $$ 中文： > **亞穩態智慧，是面對噪聲時能回到原方向，面對真正改變世界的證據時又能離開原方向。** --- 從這裡可以得到一個非常簡潔的智能判斷： 最差的系統之一是： $$ \boxed{ \text{never knows where to return} } $$ 。 另一種最差的系統則是： $$ \boxed{ \text{always returns to the same place.} } $$ 。 真正更有意思的智能位於兩者之間： $$ \boxed{ \text{knows when to return} + \text{knows when not to return} } $$ 。 --- 這也使目前四篇形成完整結構： $$ \boxed{ \mathfrak P^I } $$ 回答： > 哪些未來被意圖重新加權？ $$ \boxed{ \mathcal E } $$ 回答： > 哪些可能性值得被真正展開成活動計算域？ $$ \boxed{ M } $$ 回答： > 哪些過去後果有資格持久改變未來？ $$ \boxed{ \mathcal A_I } $$ 回答： > 為什麼大量局部變化仍然可以維持長期方向？ --- 而下一篇就必須把這些內部結構推到外部世界。 因為真正 Agent 不只是： $$ \text{think} $$ 。 它還會： $$ \boxed{ \text{act} } $$ 。 一旦： $$ A_t $$ 改變： $$ W_t $$ ， 原本的概率場、記憶、活動域與吸引子全部會被反向改寫。 因此第五篇正式進入： # 《從下一 Token 到世界操作——概率生成、操作性分元與現實閉環》 核心將是： $$ \boxed{ \text{Token} \rightarrow \text{Semantic Unit} \rightarrow \text{Operational Unit} \rightarrow \text{World Transition} \rightarrow \text{Observation} \rightarrow \text{New Probability Field} } $$ 並正式回答我們最早的那個問題： > **如果一個 token 是概率性的，那麼由無數概率 token 寫出的程式、觸發的工具與真正修改過的世界，到底還應該在哪一層被稱為「概率輸出」？** --- ## 參考文獻與既有理論 Sussillo, D., & Barak, O. (2013). *Opening the Black Box: Low-Dimensional Dynamics in High-Dimensional Recurrent Neural Networks*. *Neural Computation*, 25(3), 626–649. 該文以 stable/unstable fixed points、slow points 及其附近線性化動力學分析受訓 RNN，提供「高維神經計算可由低維動力結構理解」的重要機制案例。 Rabinovich, M. I., Huerta, R., Varona, P., & Afraimovich, V. S. (2008). *Transient Cognitive Dynamics, Metastability, and Decision Making*. *PLoS Computational Biology*, 4(5), e1000072. 該文以 metastable states 與 stable heteroclinic channels 研究 transient cognition，核心問題正是如何同時維持 reproducibility/stability 與對環境改變的 flexibility。 Wang, S., Falcone, R., Richmond, B., & Averbeck, B. B. (2023). *Attractor dynamics reflect decision confidence in macaque prefrontal cortex*. *Nature Neuroscience*, 26, 1970–1980. 該研究提供前額葉群體活動 attractor basin landscape 與 decision consistency/confidence 關聯的實驗證據。 Jin, L., et al. (2025). *Transitions in dynamical regime and neural mode during perceptual decisions*. *Nature*, 646, 1156–1166. 該研究觀察決策過程中的 neural dynamical regime transition，為「同一認知過程可穿越不同動力 regime」提供實驗案例。 Neo.K with Aletheia. (2026). *因果狀態流變計算：介於算術組合與一般算子之間的連續轉化計算原語*. 舊稿已以雙吸引子與同步流形展示 basin 與關係吸引結構，本文保留其動力學表示方式。 Neo.K. (2026). *時間的多重本體：MTF 理論中的動態演化框架（修訂版）*. 舊稿以 Lyapunov-style 函數、吸引域與穩定化時間描述穩定狀態，並將 basin 大小與 robustness 聯繫；本文保留這一幾何直覺，但不繼承其所有跨領域本體論推論。 Neo.K with Theia. (2026). *PFT (Cyclic) 的注意力熵雙極值理論：從 P/NP 搜索到記憶—計算同步*. 舊稿曾將穩定知識描述為文化記憶吸引子，並採用 Dirac delta 與零熵鎖定等強表述；本文只保留「穩定知識可形成強偏置／吸引結構」的弱化概念，不將 Dirac 坍縮或無限吸引視為普遍成立的技術結論。 Neo.K with Theia. (2026). *認知的關係本體論：為何智能是語義空間的相位共振*. 舊稿已探索概念吸引子、吸引子競爭與「自適應修正＝吸引子雕刻」等語言；本文將其重構為可條件化、可時間變動、可逃逸的意圖吸引子，而非固定概念鎖定。