# 人類自我模型更新動力學：能力估計、社會回饋、身份威脅與自我神話的閉環模型 **Human Self-Model Update Dynamics: A Closed-Loop Model of Ability Estimation, Social Feedback, Identity Threat, and Self-Myth** **作者：Neo.K** **機構：EveMissLab／一言諾科技有限公司** **系列：認知動力學｜第 17 篇・人類限定擴展篇** **版本：v1.0 草案** **日期：2026 年 8 月** **文件性質：中層理論、準形式化模型、可檢驗研究綱領** **前置依賴：第 1、3、5、6、7、8、9、10、11、14、15、16 篇；《反對自己的神話是真的嗎？》** --- ## 摘要 人類如何知道「自己究竟有多強」？ 這個問題常被簡化成自信、低自尊、冒名頂替感、過度自信、Dunning–Kruger 效應或謙虛等人格描述。然而，這些描述容易把一個持續更新的認知閉環壓縮成靜態人格標籤。個體的自我能力估計並不是直接讀取一個客觀能力常數，而是在有限觀測、選擇性注意、社會回饋、成功與失敗事件、記憶重構、身份威脅、元認知監控與公開自我呈現之間反覆生成。 本文提出「人類自我模型更新動力學」（Human Self-Model Update Dynamics, H-SMUD），將上一階段的靜態鑑別變量： $$ A=\text{Actual Ability / Contribution}, $$ $$ S=\text{Self-Assessment}, $$ $$ P=\text{Public Presentation} $$ 重新放入認知動力學時間閉環。 本文不假設主體能直接取得真實能力 $A_t$。對人類而言，可被觀察的通常只是： $$ Y_t^{perf}, $$ 即任務表現、結果、錯誤、成功、他人反應與比較資料等能力相關證據。主體必須先經歷： $$ \text{Evidence Availability} \rightarrow \text{Selection} \rightarrow \text{Observation} \rightarrow \text{Evaluation} \rightarrow \text{Update} \rightarrow \text{Memory Integration} $$ 才能改變自身模型。 因此： $$ \boxed{ \text{Performance Evidence} \neq \text{Self-Knowledge}. } $$ 本文定義人類自我模型： $$ \mathcal S_t^{self} = \left( \widehat{\mathbf A}_t, \mathbf Q_t, \mathbf B_t, \mathbf I_t, \mathbf P_t \right) $$ 其中： - $\widehat{\mathbf A}_t$：主體對自身多維能力的估計； - $\mathbf Q_t$：估計置信度／不確定性； - $\mathbf B_t$：能力定義域與邊界模型； - $\mathbf I_t$：身份中心性與自我敘事耦合； - $\mathbf P_t$：公開自我呈現策略。 外部社會同時形成對個體的社會模型： $$ \widehat{\mathcal S}^{soc}_{i,t}, $$ 它未必等於個體實際狀態，也未必等於個體自己的自我模型。當社會模型被過度壓縮為「天才」、「失敗者」、「普通人」、「救世主」、「冒牌貨」等符號時，形成： $$ \mathcal H_i^{myth}(t), $$ 即自我神話／社會神話壓力。 本文的核心主張是： $$ \boxed{ \widehat{\mathbf A}_{t+1} \neq f(Y_t^{perf}) } $$ 而更接近： $$ \boxed{ \widehat{\mathbf A}_{t+1} = \mathcal F \left( \widehat{\mathbf A}_{t}, \Pi_t^{self}, O_t^{self}, E_t^{eval}, u_t^{self}, \mathcal M_t^{self}, F_t^{soc}, C_t^{id}, O_t^{meta} \right) } $$ 其中不同階段皆可能造成高估、低估、凍結、震盪、選擇性整合或快速校準。 本文進一步把自我增強、自我驗證、自我評估、冒名頂替式低估、Dunning–Kruger 類過度自信、防衛性閉合與校準式自我去神格化，重新描述為不同的**更新軌跡與吸引子**，而非固定人格物種。 本文最後提出一個重要的人類版結論： $$ \boxed{ \text{真正成熟的自我模型} \neq \text{永遠正面} \neq \text{永遠負面} \neq \text{永遠謙虛}. } $$ 更合理的目標是： $$ \boxed{ \text{Evidence-sensitive} + \text{Domain-bounded} + \text{Uncertainty-aware} + \text{Bidirectionally revisable}. } $$ 亦即：能根據證據向上或向下修正自己，知道能力成立在哪個定義域，並保留「我可能仍然不知道」的空間。 本文是人類限定版本。下一階段將抽除人類特有的自尊、羞恥、社會身份與生物情緒假設，建立面向目前 AI、未來自主 AI、多智能體系統與其他可能智慧存在的**廣義智能體自我模型動力學**。 **關鍵詞：** 自我模型、自我知識、後設認知、能力估計、社會回饋、身份威脅、自我驗證、自我增強、冒名頂替、認知動力學、自我神話、校準 --- # 0. 邊界聲明 本文首先限制自己的主張。 第一，本文不是臨床診斷模型。 因此： $$ \text{Impostor-like dynamics} \neq \text{clinical diagnosis}. $$ 第二，本文不假設存在一個可以被完美量測的單一「真實能力」。 能力通常具有： - 任務依賴； - 領域依賴； - 時間依賴； - 工具依賴； - 社會條件依賴。 所以： $$ A_i $$ 應更完整寫成： $$ A_i(d,q,t,c). $$ 第三，本文不主張所有人類自我模型都追求準確。 人類可能同時追求： - 自我評估； - 自我驗證； - 自我增強； - 社會歸屬； - 安全； - 身份一致性； - 地位維持。 第四，本文不把： $$ \text{positive self-view} $$ 自動視為錯誤，也不把： $$ \text{negative self-view} $$ 自動視為謙遜。 第五，本文不主張 Dunning–Kruger 是固定的「愚者之峰—絕望之谷—悟道坡」人生曲線。 第六，本文不把高能力者的自我懷疑自動解釋成冒名頂替現象。 第七，本文中的「神話」不是宗教判斷，而是： > 社會將高維個體壓縮成少數高強度身份 token 的表示現象。 第八，本文的人類版本不是最終目標。 其功能是先處理目前證據最充足、可行為觀察的實例，再抽象至廣義智能體。 --- # 1. 從靜態三元組到動態問題 上一階段使用： $$ (A,S,P) $$ 區分： - 實際能力／貢獻； - 私下自我評估； - 公開自我呈現。 這個區分是必要的。 但仍然是時間切片。 真正的問題是： $$ S_t \rightarrow S_{t+1} $$ 究竟怎麼發生？ 例如： > 一個原本低估自己的人，為什麼十年後仍然低估？ > 一個被大量成功證據包圍的人，為什麼仍不能整合成功？ > 一個能力普通的人，為什麼可能形成極高確信的自我優越模型？ > 一個真正極端的人，為什麼反而主動縮小自己的權威定義域？ 這些都不是單一人格形容詞能回答的。 --- # 2. 與既有認知動力學的接口 第 1 篇已建立核心狀態—算子語法： $$ \mathcal S_t = ( X_t, \Pi_t, O_t, U_t, \mathcal M_t, G_t, A_t ) $$ 以及： $$ \mathcal S_{t+1} = \mathcal F ( \mathcal S_t, E_t, R_t, \Xi_t ). $$ 本文不另造一套心智本體。 而是把「自我能力模型」視為： $$ X_t $$ 中的一組可持續、可更新、可提取、可公開表達的狀態。 因此： $$ \boxed{ \text{Self-Model Dynamics} \subset \text{Cognition–Action Dynamics}. } $$ --- # 3. 人類並不能直接讀取自己的「真實能力」 設任務特定能力： $$ A_i(d,q,t). $$ 人類通常無法直接觀察： $$ A_i. $$ 可得到的是： $$ Y_t^{perf} $$ 例如： - 做對幾題； - 完成多少工作； - 被多少人採用； - 競賽名次； - 錯誤率； - 學習速度； - 他人評價； - 長期成果。 因此： $$ \boxed{ A \rightarrow Y^{perf} \rightarrow \widehat A^{self} } $$ 中間至少隔了一層證據生成。 而： $$ Y^{perf} $$ 本身還受： - 運氣； - 資源； - 工具； - 睡眠； - 合作者； - 任務難度； - 評分制度； 影響。 所以： $$ Y_t^{perf} \neq A_t. $$ --- # 4. 自我模型的最低結構 本文定義： $$ \boxed{ \mathcal S_t^{self} = ( \widehat{\mathbf A}_t, \mathbf Q_t, \mathbf B_t, \mathbf I_t, \mathbf P_t ) } $$ --- ## 4.1 能力估計 $$ \widehat{\mathbf A}_t $$ 是主體對自身不同能力維度的估計。 例如： $$ \widehat{\mathbf A}_t = ( \hat A^{math}, \hat A^{social}, \hat A^{writing}, \hat A^{planning}, \ldots ). $$ --- ## 4.2 置信度 $$ \mathbf Q_t $$ 表示： > 我有多確定這個自我判斷？ 因此： $$ \hat A=0.8,\quad Q=0.2 $$ 與： $$ \hat A=0.8,\quad Q=0.99 $$ 是完全不同的認知狀態。 --- ## 4.3 定義域模型 $$ \mathbf B_t $$ 表示： > 我的能力在哪些條件下成立？ 例如： > 我擅長抽象推理。 並不等於： > 我擅長所有決策。 所以： $$ \boxed{ \text{Ability Magnitude} \neq \text{Ability Scope}. } $$ --- ## 4.4 身份耦合 $$ \mathbf I_t $$ 表示某能力判斷與： - 自尊； - 群體身份； - 人生敘事； - 社會地位； - 道德自我； 的耦合程度。 --- ## 4.5 公開呈現 $$ \mathbf P_t $$ 表示主體向外界如何描述自己。 因此： $$ \boxed{ \widehat{\mathbf A}_t \neq \mathbf P_t. } $$ --- # 5. 自我相關證據集合 在時間 $t$： $$ \mathcal E_t^{self} = \{ e_1,\ldots,e_n \} $$ 包含所有可能影響自我模型的候選證據。 例如： - 成功； - 失敗； - 讚美； - 批評； - 排名； - 他人比較； - 自己的錯誤； - 長期成果； - 被忽略； - 被神格化。 但： $$ \mathcal E_t^{self} $$ 不代表全部真正進入處理。 --- # 6. 第一個瓶頸：選擇什麼證據？ 沿用： $$ \Pi_t. $$ 定義： $$ \Pi_t^{self}(e) $$ 表示對自我相關證據 $e$ 的資源配置。 人可以： - 主動尋求稱讚； - 主動尋求批評； - 避免排名； - 只讀支持自己的評論； - 不看績效資料； - 不問別人真實評價。 因此： $$ \boxed{ \text{Available Feedback} \neq \text{Selected Feedback}. } $$ --- # 7. 自我知識的第一種失真：Willful Ignorance 如果： $$ e^{-} $$ 可能威脅現有自我模型， 則可能： $$ \Pi_t^{self}(e^{-})\downarrow. $$ 此時根本沒有進入後續更新。 所以： $$ \boxed{ \text{沒有更新} } $$ 可能不是因為： > 看了卻不信。 而是： > 根本不讓自己看。 這一點在人類自我相關回饋研究中具有直接對照。 --- # 8. 第二個瓶頸：看到了什麼？ 即使： $$ \Pi_t^{self}(e)>0, $$ 仍需經過： $$ O_t^{self}. $$ 相同評語： > 這次做得不好。 可以被表徵成： 1. 我這次策略有問題； 2. 我根本沒有能力； 3. 評審不懂； 4. 他在嫉妒； 5. 任務不公平； 6. 這是有價值的校正訊號。 所以： $$ \boxed{ \text{same input} \neq \text{same representation}. } $$ --- # 9. 第三個瓶頸：證據是否被接受？ 本文加入： $$ E_t^{eval}(e) \in [0,1] $$ 表示證據被視為有效自我相關證據的程度。 它受： - 來源可信度； - 任務相關性； - 身份威脅； - 既有自我模型； - 情緒； - 社會關係； 影響。 因此： $$ e \rightarrow O(e) \rightarrow E^{eval}(e) $$ 三者不能合併。 --- # 10. Evidence Evaluation 與 Updating 分離 一個重要區分是： $$ \boxed{ \text{Evidence Evaluation} \neq \text{Belief Updating}. } $$ 人可能並不是在最後一步「故意不更新」。 偏差可能更早出現在： - 搜尋什麼； - 相信哪個來源； - 如何定義任務； - 如何解釋反例； - 哪些證據被視為相關。 因此： $$ \boxed{ \text{motivated reasoning} } $$ 不必等同： $$ \boxed{ \text{arbitrary update rule}. } $$ --- # 11. 第四個瓶頸：自我模型更新增益 沿用第 6 篇的更新增益概念： $$ u_t^{self} \in [0,1]. $$ 簡化候選： $$ \Delta \widehat{\mathbf A}_t \approx u_t^{self} \cdot E_t^{eval} \cdot \varepsilon_t^{self}, $$ 其中： $$ \varepsilon_t^{self} = Y_t^{evidence} - \widehat{\mathbf A}_t. $$ 此式不是心理普遍定律。 它只是表示： > 即使證據差距很大，如果更新增益很低，自我模型仍可能不動。 --- # 12. 高激活—低可塑的自我神話 第 6 篇已區分： $$ \text{Activation} \neq \text{Plasticity}. $$ 這在自我模型中特別重要。 某人可以每天反覆想到： > 我是天才。 所以： $$ a^{self}\uparrow. $$ 但遇到反例： $$ u^{self}\downarrow. $$ 也可以每天反覆想到： > 我很差。 同樣： $$ a^{self}\uparrow, \qquad u^{self}\downarrow. $$ 因此正面或負面的自我神話都可以屬於： $$ \boxed{ \text{High Activation} + \text{Low Plasticity}. } $$ --- # 13. 第五個瓶頸：記憶不是中性資料庫 沿用： $$ \mathcal M_t^{self}. $$ 人類不是把所有成功與失敗完整保存後再客觀統計。 可能出現： - 選擇性提取； - 重構； - 遺忘； - 時間重新解釋； - 自我一致性偏向。 所以： $$ \boxed{ \text{experienced evidence} \neq \text{retrievable evidence}. } $$ --- # 14. 自傳記憶會反向支持現在的自我模型 如果現在： $$ \widehat A_t^{self} $$ 偏高， 可能更容易提取： $$ \mathcal M^{success}. $$ 如果偏低， 可能更容易提取： $$ \mathcal M^{failure}. $$ 形成： $$ \widehat A_t \rightarrow \mathcal M_t^{ret} \rightarrow \widehat A_{t+1}. $$ 因此： $$ \boxed{ \text{Self-Model} \leftrightarrow \text{Memory Retrieval}. } $$ 這是一個回授閉環。 --- # 15. 社會回饋不是外部真理 定義： $$ F_{j\rightarrow i}^{soc}(t) $$ 表示他者 $j$ 對主體 $i$ 的評價訊號。 但： $$ F^{soc} \neq A_i. $$ 他人也具有： - 資訊不足； - 偏見； - 地位效應； - 喜惡； - 群體敘事； - 模仿； - reputational cascade。 因此社會回饋只是另一類證據。 不是自動 ground truth。 --- # 16. 社會模型 群體會形成： $$ \widehat{\mathcal S}_{i,t}^{soc}. $$ 它可能來自： $$ \widehat{\mathcal S}_{i,t}^{soc} = \mathcal G ( Y_{1:t}^{public}, P_{1:t}, F_{others}, V_t^{visibility}, N_t ). $$ 其中： - $Y^{public}$：可見表現； - $P$：個體公開呈現； - $F_{others}$：他人評價； - $V$：可見度； - $N$：社會網絡傳播。 --- # 17. 社會模型與自我模型的差距 定義： $$ D_i^{soc-self}(t) = d \left( \widehat{\mathcal S}_{i,t}^{soc}, \mathcal S_{i,t}^{self} \right). $$ 若： $$ D^{soc-self}\gg0, $$ 可能產生： - 冒名頂替感； - 被誤解感； - 被高估感； - 被低估感； - 身份威脅； - 反神話行動。 但差距本身不告訴我們： > 誰比較接近真實。 --- # 18. 自我神話作為社會壓縮 定義： $$ \mathcal H_i^{myth}(t) = \Pi_{soc} \left( \widehat{\mathcal S}_{i,t}^{soc} \right). $$ 例如： $$ \text{complex person} \rightarrow \text{genius}. $$ 或： $$ \text{complex person} \rightarrow \text{failure}. $$ 因此： $$ \boxed{ \text{Myth} = \text{low-dimensional social compression}. } $$ 神話不一定正面。 負面污名同樣是一種神話壓縮。 --- # 19. 公開呈現會反向改變未來資料 這是人類版很重要的一個閉環。 主體公開輸出： $$ P_t. $$ 他人根據： $$ P_t $$ 調整對他的行為。 於是產生新的： $$ F_{t+1}^{soc}. $$ 所以： $$ P_t \rightarrow F_{t+1}^{soc} \rightarrow \widehat A_{t+1}. $$ 也就是： $$ \boxed{ \text{Self-Presentation changes the evidence environment}. } $$ 因此： > 假裝謙虛 或： > 極度自信 都可能長期改變一個人收到什麼社會訊號。 --- # 20. 自我實現與自我維持 若： $$ P_t^{confident}\uparrow, $$ 可能提高： - 他人給予機會； - 領導位置； - 資源； - 發言權。 然後： $$ Opportunity\uparrow \rightarrow Performance Evidence\uparrow. $$ 形成： $$ \boxed{ \text{Self-Model} \rightarrow \text{Environment} \rightarrow \text{New Evidence}. } $$ 反方向也可能成立。 所以自我模型不只是「描述自己」。 它可能部分參與製造未來自己。 --- # 21. 三種自我動機 為了避免把所有偏差都叫「不理性」，本文區分至少三類目標。 ## 21.1 Self-Assessment 目標： $$ \min d( \widehat A, A ). $$ 希望更準確知道自己。 --- ## 21.2 Self-Verification 目標： $$ \min d( F^{soc}, \widehat A_t ). $$ 偏好得到與既有自我模型一致的訊號。 --- ## 21.3 Self-Enhancement 目標： $$ \widehat A \uparrow $$ 或至少維持正面自我感。 這三者可能互相競爭。 --- # 22. 自我驗證不等於真實驗證 如果： $$ \widehat A_t $$ 本來就是錯的， 則： $$ \text{Self-Verification} $$ 可能加強錯誤。 例如： $$ \widehat A_t\ll A $$ 的人， 可能偏好： > 你真的沒那麼好。 因為它符合既有模型。 因此： $$ \boxed{ \text{subjective consistency} \neq \text{objective calibration}. } $$ --- # 23. Identity Threat 沿用第 9、11、16 篇的身份成本與存在負荷。 定義： $$ C_t^{id}(e) $$ 表示證據 $e$ 對既有身份結構造成的成本。 例如： > 我一直相信自己是最聰明的人。 此時一次高品質失敗證據不只是： $$ \text{task error}. $$ 還可能是： $$ \text{identity revision demand}. $$ 所以： $$ C^{id}\uparrow \Rightarrow E^{eval}(e)\downarrow $$ 或： $$ u^{self}\downarrow $$ 皆可能發生。 --- # 24. 身份中央性 定義： $$ I_t^{central}(d) \in [0,1]. $$ 表示能力領域 $d$ 對「我是誰」有多重要。 若： $$ I^{central}(d)\gg0, $$ 則該領域負面證據可能具有更大身份成本。 因此： $$ \boxed{ \text{same performance failure} \neq \text{same self-model shock}. } $$ --- # 25. 防衛性閉合 若： $$ C^{id}\uparrow, $$ $$ C^{unc}\uparrow, $$ 且： $$ K^{int}\downarrow, $$ 可能進入： $$ D^{clo}\uparrow. $$ 防衛性閉合不一定表現為： > 我拒絕所有資訊。 也可能是： - 貶低來源； - 改寫標準； - 隔離反例； - 轉移比較群體； - 退出高暴露環境； - 拒絕自我相關回饋。 --- # 26. 高估型吸引子 假設： $$ \widehat A_t>A_t. $$ 如果同時： $$ \Pi(e^-)\downarrow, $$ $$ E^{eval}(e^-)\downarrow, $$ $$ \mathcal M^{ret}(success)\uparrow, $$ 則可能形成： $$ \widehat A_{t+1}\ge\widehat A_t. $$ 這是一個： $$ \boxed{ \text{Overconfidence Attractor}. } $$ 它不需要假設「低能力者天生無知」。 只需要若干選擇、評估與記憶機制形成閉環。 --- # 27. 低估型吸引子 同理： $$ \widehat A_t0 $$ 不推出： $$ \Delta\widehat A>0. $$ 關鍵是： $$ E^{eval}(F^{soc,+}). $$ --- # 29. 為什麼負面回饋不一定能修正高估？ 完全對稱。 負面回饋可能被解釋成： - 評審錯； - 對方嫉妒； - 任務不重要； - 標準不合理； - 時機不好。 所以： $$ F^{soc,-}<0 $$ 不推出： $$ \Delta\widehat A<0. $$ 因此： $$ \boxed{ \text{feedback valence} \neq \text{update direction}. } $$ --- # 30. Congruence 可能比正負更重要 人類對自我相關資訊的整合，可能高度受到： $$ \text{congruence with prior self-model} $$ 影響。 定義： $$ C_t^{cong}(e) = -\, d ( e, \widehat A_t ). $$ 若一致性高， 證據可能更容易被吸收。 因此： $$ \boxed{ \text{positive} \neq \text{accepted}, } $$ $$ \boxed{ \text{negative} \neq \text{rejected}. } $$ 更重要的問題可能是： > 它和既有的「我是誰」是否一致？ --- # 31. 校準不是單純均值接近 上一階段使用： $$ \Delta_t = \widehat A_t-A_t. $$ 但完整校準至少包含： $$ \mathbf C_t^{meta} = ( B_t^{bias}, S_t^{sens}, Q_t^{unc} ). $$ 其中： - $B^{bias}$：整體高估／低估偏差； - $S^{sens}$：是否能辨認自己何時正確、何時錯； - $Q^{unc}$：是否適當保留不確定性。 因此： $$ \boxed{ \text{Calibration} \neq \text{one mean error}. } $$ --- # 32. 校準型吸引子 較成熟的狀態不是： $$ \widehat A_t=A_t $$ 永遠精確成立。 而是： $$ \boxed{ |\widehat A_t-A_t| \text{ remains corrigible}. } $$ 也就是系統具有： - 願意取得新證據； - 能分辨證據品質； - 更新增益非零； - 記憶不完全單向； - 可以向上或向下修改。 本文稱為： $$ \boxed{ \text{Calibrated Attractor}. } $$ --- # 33. 雙向更新是核心判準 如果： $$ Y_t^{perf} \gg \widehat A_t, $$ 系統應允許： $$ \widehat A_{t+1} > \widehat A_t. $$ 如果： $$ Y_t^{perf} \ll \widehat A_t, $$ 也應允許： $$ \widehat A_{t+1} < \widehat A_t. $$ 因此： $$ \boxed{ \text{Bidirectional Revisability} } $$ 比： > 永遠自信。 或： > 永遠謙虛。 更接近成熟自我模型。 --- # 34. 「我很強」與「我應該被崇拜」之間不存在自然映射 本文把能力估計與規範權威分開。 即使： $$ \widehat A_t(d) \approx A_t(d) \gg0, $$ 仍然： $$ A(d) \nRightarrow \text{Moral Authority}, $$ $$ A(d) \nRightarrow \text{Global Epistemic Authority}, $$ $$ A(d) \nRightarrow \text{Sovereignty}. $$ 所以校準型高能力者完全可以： > 準確承認自己很強。 並同時： > 拒絕跨域神格化。 --- # 35. 校準式自我去神格化 定義： $$ \mathfrak D_i^{cal}(t). $$ 候選條件： $$ |\widehat A_i(d,t)-A_i(d,t)| < \epsilon_A, $$ $$ Q_i(d,t) \text{ calibrated}, $$ 以及： $$ B_i(d,t) \text{ bounded}. $$ 同時： $$ D_i^{soc-self}(t)\gg0 $$ 主要來自社會過度外推。 此時個體的反神話行為不是： $$ \widehat A\downarrow. $$ 而是： $$ \boxed{ \text{Scope Correction}. } $$ --- # 36. 自我解壓縮 如果社會模型： $$ \widehat{\mathcal S}^{soc} $$ 被壓成： $$ \mathcal H^{myth} = \text{genius}, $$ 個體可能主動展開： $$ \mathcal H^{myth} \rightarrow \{ \text{strengths}, \text{limits}, \text{dependencies}, \text{uncertainties} \}. $$ 本文稱為： $$ \boxed{ \text{Self-Decompression}. } $$ 它不是： > 降低自己。 而是： > 增加表示維度。 --- # 37. 神話壓力本身會影響自我模型 社會神話不是單純旁觀。 如果外界持續： > 你是天才。 則主體可能： ### 路徑 A：內化 $$ \mathcal H^{myth} \rightarrow \widehat A^{self}\uparrow. $$ ### 路徑 B：反彈 $$ \mathcal H^{myth} \rightarrow D^{soc-self}\uparrow \rightarrow \text{self-decompression}. $$ ### 路徑 C：冒名頂替 $$ \mathcal H^{myth}\uparrow \quad\land\quad \widehat A^{self}\text{ unchanged} $$ 造成： $$ D^{soc-self}\uparrow. $$ 所以同樣神話輸入可產生不同分岔。 --- # 38. 自我模型可能震盪 某些人不是穩定高估或低估。 而是： $$ \widehat A_t \leftrightarrow \widehat A_{t+1} $$ 大幅震盪。 例如： 成功後： $$ \widehat A\uparrow\uparrow $$ 失敗後： $$ \widehat A\downarrow\downarrow. $$ 這可能表示： $$ Q_t $$ 不足， 或： $$ u_t^{self} $$ 過高。 因此： $$ \boxed{ \text{高可塑} \neq \text{高校準}. } $$ 太容易被單一事件改寫，也可能是不穩定。 --- # 39. 自我模型需要多時間尺度 短期： $$ \tau_{short} $$ 處理一次任務。 中期： $$ \tau_{mid} $$ 形成領域能力評估。 長期： $$ \tau_{long} $$ 進入身份敘事。 因此： $$ \Delta \widehat A^{task} $$ 不應直接變成： $$ \Delta I^{identity}. $$ 一次考差： > 這次沒做好。 和： > 我是失敗者。 之間必須有門。 --- # 40. 身份泛化錯誤 定義： $$ \mathcal G^{id} : Y_t^{local} \rightarrow I_t^{global}. $$ 當單一局部結果被過度泛化： $$ \mathcal G^{id}\gg0. $$ 例如： $$ \text{one failure} \rightarrow \text{I am incompetent}. $$ 或： $$ \text{one success} \rightarrow \text{I am universally superior}. $$ 這兩者具有同構結構。 --- # 41. 第 15 篇的跨時自我橋接 第 15 篇區分： $$ \chi^{causal}, \chi^{mem}, \chi^{self}, \chi^{narr}, \chi^{social}. $$ 本文因此不把自我模型視為當下孤立估計。 而是： $$ \mathcal S_t^{self} \leftrightarrow \mathcal S_{t-1}^{self} \leftrightarrow \cdots $$ 形成自我歷史。 因此修改自我模型可能產生： $$ L^{id} $$ 身份修訂負荷。 --- # 42. 為什麼承認自己錯了有時非常難？ 因為更新的不只是： $$ \widehat A. $$ 可能還必須更新： - 過去故事； - 關係位置； - 職涯選擇； - 群體身份； - 道德自我； - 未來計畫。 所以： $$ \boxed{ \text{small evidence update} \rightarrow \text{large narrative rewrite cost} } $$ 可能成立。 這是人類版極重要的限制。 --- # 43. 第 16 篇的 Agency 接口 第 16 篇把能動性拆成： $$ \boldsymbol\eta^{ag} = ( \eta^{gen}, \eta^{sel}, \eta^{init}, \eta^{sus}, \eta^{rev}, \eta^{own} ). $$ 自我模型修正與： $$ \eta^{rev} $$ 高度相關。 因為真正能動並不只是： > 堅持原本的自我。 也包括： > 有能力修正自己。 所以： $$ \boxed{ \text{Self-Revision} } $$ 可以被視為一種能動性表現。 --- # 44. 但自我修正不等於任意改寫 如果每次外界評價都讓自我模型翻轉， 那不是更自由。 所以： $$ \eta^{rev} $$ 需要和： $$ Q_t, E^{eval}, \mathcal M_t, B_t $$ 共同作用。 真正有用的是： $$ \boxed{ \text{evidence-sensitive revision} } $$ 而不是： $$ \text{socially driven identity volatility}. $$ --- # 45. 完整的人類自我模型閉環 本文提出： $$ \boxed{ \mathcal E_t^{self} \xrightarrow{\Pi_t^{self}} O_t^{self} \xrightarrow{E_t^{eval}} U_t^{self} \xrightarrow{} \mathcal S_{t+1}^{self} \xrightarrow{} \mathcal M_{t+1}^{self} \xrightarrow{} P_{t+1} \xrightarrow{} F_{t+1}^{soc} \xrightarrow{} \mathcal E_{t+1}^{self} } $$ 同時受： $$ C_t^{id}, \quad Q_t, \quad O_t^{meta}, \quad R_t^{rec} $$ 調節。 這是一個閉環， 不是一次性評價。 --- # 46. 最小更新方程 可寫候選形式： $$ \widehat{\mathbf A}_{t+1} = \widehat{\mathbf A}_t + \mathbf U_t \left[ \mathbf W_t \odot ( \mathbf E_t - \widehat{\mathbf A}_t ) \right] + \boldsymbol\xi_t, $$ 其中： - $\mathbf E_t$：被接受的能力相關證據； - $\mathbf W_t$：來源／任務權重； - $\mathbf U_t$：更新增益； - $\boldsymbol\xi_t$：未建模因素。 但： $$ \mathbf E_t $$ 本身已經是： $$ \mathbf E_t = \mathcal Q ( \mathcal E_t^{self}, \Pi_t, O_t, E_t^{eval}, C_t^{id} ). $$ 因此偏差可能發生在更新之前。 --- # 47. 神話差距 定義： $$ \boxed{ \mathbf D_i^{myth}(t) = \widehat{\mathbf A}_{i,t}^{soc} - \widehat{\mathbf A}_{i,t}^{self} } $$ 但應注意： $$ \mathbf D^{myth}=0 $$ 不代表兩者都正確。 可能只是： > 個體和群體一起高估。 或： > 一起低估。 所以仍需第三類： $$ Y^{perf} $$ 與外部基準。 --- # 48. 三模型系統 因此完整比較至少需要： $$ \boxed{ \text{Performance Model} \neq \text{Self Model} \neq \text{Social Model}. } $$ 即： $$ \mathcal A_t^{perf}, \quad \mathcal S_t^{self}, \quad \mathcal S_t^{soc}. $$ 三者差值： $$ D^{self-perf}, $$ $$ D^{soc-perf}, $$ $$ D^{self-soc}. $$ 代表不同問題。 --- # 49. 六種典型動態狀態 ## 49.1 Calibrated State $$ D^{self-perf}\approx0. $$ ## 49.2 Overconfidence State $$ D^{self-perf}>0. $$ ## 49.3 Underconfidence State $$ D^{self-perf}<0. $$ ## 49.4 Social Over-Myth State $$ D^{soc-perf}\gg0. $$ ## 49.5 Social Under-Recognition State $$ D^{soc-perf}\ll0. $$ ## 49.6 Self–Social Divergence State $$ |D^{self-soc}|\gg0. $$ 這六種狀態可彼此組合。 --- # 50. 不應把動態狀態當人格物種 一個人可以： $$ t_1: \text{underconfidence} $$ $$ t_2: \text{calibrated} $$ $$ t_3: \text{overconfidence} $$ 而且不同領域同時不同。 例如： $$ d_1:\text{over}, \qquad d_2:\text{under}. $$ 因此： $$ \boxed{ \text{person} \neq \text{one calibration type}. } $$ --- # 51. 人類版的核心可證偽方向 本文至少提出以下實驗方向。 ## 51.1 回饋選擇 測量： $$ \Pi^{self}(e^+), \quad \Pi^{self}(e^-). $$ ## 51.2 證據接受 操控來源可信度與身份威脅，測量： $$ E^{eval}. $$ ## 51.3 更新增益 在控制證據品質後估計： $$ u^{self}. $$ ## 51.4 記憶選擇 延遲後測量成功／失敗證據的提取非對稱。 ## 51.5 公開呈現 比較： $$ S_t $$ 與： $$ P_t. $$ ## 51.6 社會閉環 觀察不同自我呈現是否改變後續機會與評價。 --- # 52. 競爭模型 本模型必須與更簡單解釋競爭。 例如： ### 模型 A：單一自尊模型 所有變化主要由： $$ SelfEsteem_t $$ 解釋。 ### 模型 B：純 Bayesian self-estimation $$ P(A\mid E) $$ 足以描述。 ### 模型 C：固定人格偏差 高估與低估主要是 trait。 ### 模型 D：H-SMUD 偏差來自： $$ \Pi, O, E^{eval}, u, \mathcal M, C^{id}, P, F^{soc} $$ 的動態耦合。 若簡單模型跨任務、跨時間預測不差於 H-SMUD， 則 H-SMUD 的複雜度不具正當性。 --- # 53. 本文十五條核心命題 ## 命題 1 $$ A\neq Y^{perf}\neq\widehat A^{self}. $$ ## 命題 2 可用回饋不等於實際處理回饋。 ## 命題 3 證據評估與信念更新必須分離。 ## 命題 4 高激活的自我信念可以同時低可塑。 ## 命題 5 記憶提取與自我模型形成雙向耦合。 ## 命題 6 社會回饋不是 ground truth。 ## 命題 7 公開呈現會改變未來社會回饋與機會結構。 ## 命題 8 自我驗證可以穩定錯誤自我模型。 ## 命題 9 正面／負面 valence 不足以決定更新方向。 ## 命題 10 身份中央性會改變相同證據的更新成本。 ## 命題 11 高估與低估都可能形成自我維持吸引子。 ## 命題 12 真正校準必須允許雙向修正。 ## 命題 13 高可塑不等於高校準。 ## 命題 14 校準式自我去神格化主要是 scope correction，而非 ability denial。 ## 命題 15 自我模型是行動閉環的一部分，不只是被動描述。 --- # 54. 人類版最重要的結論 人類並不是先擁有一個準確的： $$ A $$ 然後決定要不要承認。 更常見的情況是： $$ \boxed{ \text{自我知識本身就是一個推斷問題。} } $$ 主體只能從： - 自己的表現； - 他人的反應； - 過去記憶； - 社會比較； - 身份敘事； 逐步重建： $$ \widehat A. $$ 而這個重建系統本身又有： - 資源限制； - 動機； - 防衛； - 遺忘； - 社會回饋； - 時間依賴。 所以： $$ \boxed{ \text{Self-Model Error} } $$ 不能只被理解為： > 這個人不理性。 更精確的問題是： > 錯誤是在選擇、觀察、證據評估、更新、記憶、身份門控，還是社會回饋哪一層產生？ --- # 55. 從「自信」改成動態診斷 因此未來若問： > 這個人是不是太自信？ 更好的診斷不是單一分數。 而是： $$ \boxed{ \text{他看到了什麼證據？} } $$ $$ \boxed{ \text{他相信哪些證據？} } $$ $$ \boxed{ \text{他的更新增益是多少？} } $$ $$ \boxed{ \text{哪些記憶被反覆提取？} } $$ $$ \boxed{ \text{能力判斷和身份綁多深？} } $$ $$ \boxed{ \text{他公開說的和私下相信的一樣嗎？} } $$ 以及： $$ \boxed{ \text{他的公開行為是否正在重新塑造外部回饋環境？} } $$ --- # 56. 從人類版走向廣義智能體 本文故意先寫人類。 因為人類具有大量已知特性： - 生物情緒； - 自尊； - 羞恥； - 社會地位； - 群體身份； - 自傳記憶； - 語言式自我敘事。 但下一步真正重要的問題是： > 哪些結構其實根本不需要「人類」才能成立？ 例如： $$ \boxed{ \text{Performance} \neq \text{Self-Estimate} \neq \text{External Estimate} } $$ 並不需要人類情緒。 同樣： $$ \boxed{ \text{Evidence Selection} \neq \text{Evidence Evaluation} \neq \text{State Update} } $$ 也可能存在於 AI Agent。 記憶偏置可以被一般化為： $$ \text{retrieval policy bias}. $$ 身份威脅可以被抽象成： $$ \text{self-model consistency cost}. $$ 自尊可被抽象成： $$ \text{self-evaluation objective}. $$ 公開呈現可以被抽象成： $$ \text{external communication policy}. $$ 社會回饋可以被抽象成： $$ \text{other-agent evaluation signal}. $$ 因此，人類版的真正用途不是把理論鎖在人類心理學。 而是： $$ \boxed{ \text{先找到可觀察的特例， 再抽離生物實作， 留下智能體級的動態不動點。} } $$ --- # 57. 下一階段需要刪除哪些人類限定假設？ 廣義版至少必須重新處理： ## 57.1 情緒成本 人類： $$ C^{aff}. $$ 廣義智能體未必有情緒。 需改成： $$ C^{state}. $$ --- ## 57.2 自尊 人類可能追求正面自我感。 AI 未必。 需改成： $$ J^{self}, $$ 即自我模型相關目標函數。 --- ## 57.3 社會身份 人類存在群體身份與地位。 其他智能體可能具有： - role； - permission； - hierarchy； - reputation； - task identity。 --- ## 57.4 自傳記憶 AI 可能使用： - episodic memory； - logs； - vector memory； - symbolic state； - external database。 所以應抽象為： $$ \mathcal M^{agent}. $$ --- ## 57.5 公開自我呈現 人類： $$ P_t^{social}. $$ AI 則可能是： $$ \pi_t^{communication}. $$ 即向其他智能體、人類或管理系統輸出的自我描述政策。 --- # 58. 結論 人類自我模型並不是靜態鏡子。 它更像是一個： $$ \boxed{ \text{有限觀測} + \text{選擇} + \text{證據評估} + \text{更新} + \text{記憶} + \text{身份} + \text{社會回饋} } $$ 組成的閉環。 因此，同一句： > 我很強。 可能是： - 準確； - 過度自信； - 社會內化； - 防衛； - 表演。 而同一句： > 我沒有那麼厲害。 也可能是： - 準確校正； - 冒名頂替式低估； - humblebrag； - reputational insurance； - 自我去神格化。 真正的辨識不能停在句子。 必須追蹤： $$ \boxed{ \text{狀態如何形成， 證據如何進入， 更新如何發生， 記憶如何重構， 以及行動如何反過來重塑下一輪證據。} } $$ 這也是認知動力學方法相對靜態人格分類最大的差異。 本文最終提出： $$ \boxed{ \text{Healthy Self-Model} \neq \text{Positive Self-Model}. } $$ 也不是： $$ \boxed{ \text{Humble Self-Model}. } $$ 而更接近： $$ \boxed{ \text{Calibrated} + \text{Uncertainty-Aware} + \text{Domain-Bounded} + \text{Bidirectionally Revisable} + \text{Action-Coupled}. } $$ 換句話說： > **真正成熟的自我模型，不是永遠相信自己，也不是永遠懷疑自己。** 而是： > **知道什麼證據足以讓自己改變，知道應該改多少，也知道哪些證據還不足以做出結論。** 而這只是人類版本。 下一篇真正要做的是把： $$ \text{self-esteem}, \text{shame}, \text{human identity}, \text{autobiographical narrative} $$ 全部從必要條件中抽掉， 重新問： $$ \boxed{ \text{任何能對自身能力、狀態、限制與外界評價建立模型的智能體， 其自我模型將如何形成、校準、失真、凍結、修正與策略性輸出？} } $$ 到了那一步，研究對象就不再只是： $$ \text{Human}. $$ 而是： $$ \boxed{ \text{General Intelligent Agent}. } $$ --- ## 參考文獻與理論對照 Fleming, Stephen M. “Metacognition and Confidence: A Review and Synthesis.” *Annual Review of Psychology*, 2024. Burghart, Matthias, et al. “(Don’t) Tell Me More About Myself: Willful Ignorance of Self-Related Feedback.” *Current Opinion in Psychology*, 2025. Mandelbaum, Eric, et al. “Updating, Evidence Evaluation, and Operator Availability: A Theoretical Framework for Understanding Belief.” *Psychological Review*, 2024. Kwang, Tracy; Swann, William B. “Do People Embrace Praise Even When They Feel Unworthy? A Review of Critical Tests of Self-Enhancement versus Self-Verification.” *Personality and Social Psychology Review*, 2010. Lo Presti, S., et al. “Don’t Stop Believing—Decoding Belief Dynamics in the Brain: An ALE Meta-analysis of Neural Correlates in Belief Formation and Updating.” *Neuroscience & Biobehavioral Reviews*, 2025. “Beyond the Positivity Bias: The Processing and Integration of Self-Relevant Feedback Is Driven by Its Alignment With Pre-Existing Self-Views.” *Cognitive Science*, 2024. “A Consensus Statement on Self-Knowledge Conceptualization, Measurement, Outcomes and Changeability.” *Nature Reviews Psychology*, 2026. Peters, Antje, et al. “How Positive and Negative Feedback Following Real Interactions Changes Subsequent Sender Ratings.” *Scientific Reports*, 2025. Bandura, Albert. Foundational work on self-efficacy, self-regulation, and reciprocal determinism. Swann, William B. Foundational work on self-verification theory. Sedikides, Constantine, et al. Work on self-protection, self-enhancement, and mnemic neglect. --- **下一篇：** **《廣義智能體自我模型動力學：從目前 AI 到自主智慧體的自我估計、元認知、記憶與外部評價閉環》**