# Past–Present–Future 六向認知耦合與時間位移算子 **Six-Way Temporal Coupling: A Unified Shift Operator for Past–Present–Future Cognitive Dynamics** **Tri-Temporal Cognitive Dynamics — 三生認知耦合動力學系列** **TCD-07 / Unified Synthesis I** 作者：Neo.K（許筌崴） 協作形式化：Aletheia 機構：一言諾科技有限公司（EveMissLab） 日期：2026-08-17 版本：v0.1 狀態：TCD first unified dynamics paper / six-way coupling synthesis --- ## Canonical Non-Identity Statement TCD-01 至 TCD-06 已分別建立： $$ \boxed{ \mathcal B_t^-, \qquad \mathcal B_t^0, \qquad \mathcal B_t^+ } $$ 以及六個方向的機制雛型。 本文第一次統一： $$ \boxed{ \mathfrak T_t^{(3)} = ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ) } $$ 並建立時間位移： $$ \boxed{ \mathscr S_t: \mathfrak T_t^{(3)} \rightarrow \mathfrak T_{t+1}^{(3)}. } $$ 但永久保留： $$ \boxed{ \text{Six Coupling Directions} \neq \text{Six Identical Operators}. } $$ 以及： $$ \boxed{ \text{Temporal Coupling} \neq \text{Physical Retrocausality}. } $$ 本文不主張： - Past、Present、Future 是三個本體上獨立的宇宙層； - 六條箭頭具有同樣的數學型別； - Future Event 會物理地改變 Past Fact； - 任何 agent 都需要完整六向 coupling； - 六向 coupling 越強 intelligence 越高； - TCD 是一般認知科學的已證實普遍定律； - 同一時間內的 iterative deliberation 是時間旅行； - 所有 coupling 都會收斂； - TCD 可直接取代 POMDP、MPC、RL、world models、memory systems 或 causal models； - 本文已給出完整跨域實證證明。 --- # 摘要 Tri-Temporal Cognitive Dynamics（TCD）前六篇依序完成三個時間底座與六個 directional couplings。 Past： $$ \boxed{ \mathcal B_t^- = \text{compressed historical choice lineage}. } $$ Present： $$ \boxed{ \mathcal B_t^0 = \text{historically conditioned actionable / reachable domain}. } $$ Future： $$ \boxed{ \mathcal B_t^+ = \text{agent-generated prospective possibility domain}. } $$ 六個方向分別為： $$ \boxed{ \begin{array}{lll} \mathcal B^- \rightarrow \mathcal B^0 &:& \text{Historical Conditioning},\\ \mathcal B^0 \rightarrow \mathcal B^+ &:& \text{Present-Conditioned Future Generation},\\ \mathcal B^+ \rightarrow \mathcal B^0 &:& \text{Prospective Attraction},\\ \mathcal B^0 \rightarrow \mathcal B^- &:& \text{Historical Sedimentation},\\ \mathcal B^- \rightarrow \mathcal B^+ &:& \text{Historical Projection},\\ \mathcal B^+ \rightarrow \mathcal B^- &:& \text{Retrospective Relevance}. \end{array} } $$ 本文最重要的第一個統一原則是： $$ \boxed{ \textbf{the six arrows are typed}. } $$ 它們分別可能是： - state construction； - candidate generation； - policy valuation； - provenance / dependency sedimentation； - historical projection； - relevance reweighting。 因此不能把： $$ \mathcal B^- , \mathcal B^0 , \mathcal B^+ $$ 當成三個 ordinary vectors，再把六條 coupling 當同一種線性 matrix edge。 本文定義 typed temporal coupling graph： $$ \boxed{ G_{\mathrm{TCD},t} = ( V_t, E_t, \tau_E ), } $$ 其中： $$ V_t = \{ \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ \}, $$ 而： $$ \tau_E: E_t \rightarrow \{ Condition, Generate, Attract, Sediment, Project, Reweight \} $$ 記錄每條 edge 的 operator type。 本文進一步解決一個形式上的核心問題：如果在同一時刻同時寫： $$ \mathcal B_t^+ \rightarrow \mathcal B_t^0 \rightarrow \mathcal B_t^+ $$ 以及： $$ \mathcal B_t^+ \rightarrow \mathcal B_t^- \rightarrow \mathcal B_t^+, $$ 表面上會形成 circular definition。 因此本文區分： $$ \boxed{ t = \text{environment / historical time index} } $$ 與： $$ \boxed{ k = \text{within-step deliberation index}. } $$ 在同一 physical / historical time $t$ 中，agent 可以執行 bounded deliberation： $$ \boxed{ \mathcal B_t^{+,(k)} \rightarrow \mathbf w_t^{-,(k)} \rightarrow \pi_t^{(k)} \rightarrow \mathcal B_t^{+,(k+1)}, } $$ 但只要： $$ a_t $$ 尚未對環境執行， 就仍然位於： $$ \boxed{ t. } $$ 真正 time shift 發生在 action execution 與 environment transition 之後： $$ \boxed{ Z_t \xrightarrow{a_t} Z_{t+1}. } $$ 本文因此提出一個完整 staged update： $$ \boxed{ \begin{aligned} \widetilde{\mathcal B}_t^0 &= \Phi_{-0} ( \mathcal B_t^-, \Xi_t ), \\ \mathcal B_t^{+,(0)} &= \Gamma_F ( \mathcal B_t^-, \widetilde{\mathcal B}_t^0, \Xi_t ), \\ \mathbf w_t^{-,(k)} &= \mathcal R_{+-} ( \mathcal H_t^{prov}, \mathcal B_t^{+,(k)}, q_t ), \\ \pi_t^{(k)} &= \Pi ( \widetilde{\mathcal B}_t^0, \mathcal B_t^{+,(k)}, \mathbf w_t^{-,(k)} ), \\ \mathcal B_t^{+,(k+1)} &= \Gamma_F^{refine} ( \mathcal B_t^-, \widetilde{\mathcal B}_t^0, \pi_t^{(k)}, \Xi_t ), \\ a_t &\sim \pi_t^{(K)}, \\ Z_{t+1} &= T_Z( Z_t, a_t, \varepsilon_t ), \\ \mathcal B_{t+1}^- &= \mathcal H_- ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+, a_t, Z_{t+1}, E_t ), \\ \mathcal B_{t+1}^0 &= \Phi_{-0} ( \mathcal B_{t+1}^-, \Xi_{t+1} ), \\ \mathcal B_{t+1}^+ &= \Gamma_F ( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \Xi_{t+1} ). \end{aligned} } $$ 其中： - $\Xi_t$：當前 exogenous information / environment / other-agent input； - $\mathcal H_t^{prov}$：TCD-06 的 stable historical provenance layer； - $\mathbf w_t^-$：retrospective relevance layer； - $K$：bounded deliberation budget； - $T_Z$：actual environment / system transition； - $\mathcal H_-$：Historical Sedimentation update； - $\Gamma_F$：Future Base Space generation operator。 因此： $$ \boxed{ \text{Deliberative Recursion} \neq \text{Physical Time Loop}. } $$ 同一個 $t$ 內可以反覆： > 想未來 → 重看過去 → 改估值 → 再想未來。 只有真正 action execution 才讓： $$ t \rightarrow t+1. $$ 本文也正式提出 **Temporal Shift Operator**： $$ \boxed{ \mathscr S_t \left( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+; \Xi_t, \varepsilon_t \right) = \left( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \mathcal B_{t+1}^+ \right). } $$ 這是 TCD 第一個完整 dynamical-system scaffold。 外部 AI、控制與認知研究提供了六向架構的局部工程對照，但沒有任何單一外部系統等同完整 TCD。MuZero 以 learned future-relevant dynamics 與 tree search 支援 current action selection；DreamerV3 的 world model 預測 potential actions outcomes、critic 評估 imagined outcomes、actor 學習 present policy；Mattar–Daw 的 prioritized-memory theory 則依某 memory 對未來 decision improvement 的 utility 選擇現在應 replay 的 past；Momennejad 等人的 human revaluation experiment 顯示 offline replay of distal past states 與之後 replanning 相關。2025 年的 navigation neuroscience 結果進一步顯示，新資訊可以快速改變 prospective representations of future choices，並伴隨 flexible route switching。這些局部結果共同支持一個保守結論： $$ \boxed{ \text{past representations, prospective representations, and present choices can participate in recurrent decision loops}. } $$ 但本文仍不宣稱六向 TCD 已被任何單一 biological or artificial system 實驗完整驗證。 本文最後提出： $$ \boxed{ \textbf{Intelligence is not only a function from present state to action; for history-bearing prospective agents, it may be more usefully modeled as a bounded recurrent transformation among remembered/structured past, actionable present, and generated future.} } $$ 中文： > **智能不只是在現在輸入狀態後輸出 action；對具有歷史與前瞻能力的 agent，它可以被更完整地描述成：過去、現在與生成未來之間的有限反覆轉換，最後再把 action 寫回世界與歷史。** 本文將 TCD-01～07 封裝成第一版： # **TCD v0.1 Core** 下一個理論接口不再只是增加第七條時間箭頭，而是把： $$ \boxed{ \mathcal B_t^+ } $$ 中的 prospective branches 從 cognitive objects 升級為： $$ \boxed{ \text{runnable world instances}. } $$ 也就是後續： # **Branching World Computation** ## **分支世界計算／世界域認知 Runtime** 的正式入口。 **關鍵詞：** Tri-Temporal Cognitive Dynamics、Six-Way Coupling、Temporal Shift Operator、Deliberative Recursion、World Models、Replay、Prospective Attraction、Historical Sedimentation、Retrospective Relevance、UCPNP --- # 1. TCD-07 的任務：從六篇局部理論變成一個系統 TCD-01～03 建立三個 object。 TCD-04～06 建立三組重要 feedback mechanisms。 現在需要問： > **如果把它們放在同一個 agent 裡，究竟怎麼更新？** --- # 2. 三個基本時間域 ## 2.1 Past $$ \boxed{ \mathcal B_t^- } $$ 是： > historical choice lineage 的 task-relative compressed structure。 --- # 3. Present $$ \boxed{ \mathcal B_t^0 } $$ 是： > historically conditioned actionable / reachable domain。 --- # 4. Future $$ \boxed{ \mathcal B_t^+ } $$ 是： > agent-generated prospective possibility / choice domain。 --- # 5. Triple State 因此： $$ \boxed{ \mathfrak T_t^{(3)} = ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ). } $$ --- # 6. 為什麼不是三個普通 state vectors？ 因為三者內部型別不同。 --- # 7. Past 可能包含 $$ \boxed{ \mathcal B_t^- = ( \mathcal H_t^{prov}, \mathbf w_t^-, D_t, L_t, O_t ). } $$ --- # 8. Present 可能包含 $$ \boxed{ \mathcal B_t^0 = ( Z_t^{est}, \mathcal A_t^{eff}, \widehat{\mathcal R}_{t:H}^{eff}, \mathcal V_t, U_t^0 ). } $$ --- # 9. Future 可能包含 $$ \boxed{ \mathcal B_t^+ = ( \Omega_t^F, P_t, \Pi_t, \mathcal G_t^F, U_t^+, E_t^+ ). } $$ --- # 10. 所以 coupling 必須 Typed 一條： $$ \mathcal B_t^- \rightarrow \mathcal B_t^0 $$ 和： $$ \mathcal B_t^+ \rightarrow \mathcal B_t^- $$ 根本不是同一種 function。 --- # 11. Typed Coupling Graph 定義： $$ \boxed{ G_{\mathrm{TCD},t} = ( V_t, E_t, \tau_E ). } $$ --- # 12. Vertex Set $$ \boxed{ V_t = \{ B^-, B^0, B^+ \}. } $$ --- # 13. Edge-Type Map $$ \boxed{ \tau_E(e) \in \{ Condition, Generate, Attract, Sediment, Project, Reweight \}. } $$ --- # 14. Edge I — Past → Present $$ \boxed{ \Phi_{-0}: \mathcal B_t^- \times \Xi_t \rightarrow \mathcal B_t^0. } $$ 名稱： # **Historical Conditioning** --- # 15. 它做什麼？ Past 的： - capability residue； - dependency； - resource history； - permissions； - path dependence； - lost / recovered options； 參與構造現在有效 domain。 --- # 16. 它不是 Memory Retrieval $$ \boxed{ \Phi_{-0} \neq RetrieveMemory. } $$ 因為很多 history 已經固著在 current structure。 --- # 17. Edge II — Present → Future $$ \boxed{ \Gamma_{0+}: \mathcal B_t^0 \rightarrow \mathcal B_t^+. } $$ 名稱： # **Present-Conditioned Future Generation** --- # 18. 它做什麼？ Present 決定： - current capabilities； - current resources； - current permissions； - current reachable paths； 因此限制／啟發 agent 生成哪些 futures。 --- # 19. Edge III — Future → Present $$ \boxed{ \Phi_{+0}: ( \mathcal B_t^+, \mathcal B_t^0 ) \rightarrow \pi_t. } $$ 名稱： # **Prospective Attraction** --- # 20. 它做什麼？ Future representations 經： - probability； - value； - risk； - option preservation； - preparation； 改變現在 policy。 --- # 21. 永久邊界 $$ \boxed{ \Phi_{+0} } $$ 使用的是： $$ \boxed{ \operatorname{Rep}_t(Future), } $$ 不是： $$ \boxed{ FutureEvent_{t+\Delta}. } $$ --- # 22. Edge IV — Present → Past $$ \boxed{ \mathsf{Sed}_{0-}: ( \mathcal B_t^0, a_t, Z_{t+1}, E_t ) \rightarrow \Delta\mathcal B_{t+1}^-. } $$ 名稱： # **Historical Sedimentation** --- # 23. 它做什麼？ 把： - actual action； - alternatives； - dependencies； - plasticity； - resource changes； - permission changes； - decision provenance； 寫入下一時刻 Past。 --- # 24. Edge V — Past → Future $$ \boxed{ \Gamma_{-+}: \mathcal B_t^- \rightarrow \mathcal B_t^+. } $$ 名稱： # **Historical Projection** --- # 25. 它做什麼？ 使用： - analogies； - prior failures； - historical trajectories； - recurring mechanisms； - latent capabilities； - dormant options； 生成／約束 future candidates。 --- # 26. Historical Projection 不是簡單 Extrapolation $$ \boxed{ \Gamma_{-+} \neq \text{trend line only}. } $$ 它可以： - recombine past； - invert past failure； - reopen lost branches； - abstract mechanism。 --- # 27. Edge VI — Future → Past $$ \boxed{ \mathcal R_{+-}: ( \mathcal H_t^{prov}, \mathcal B_t^+, q_t ) \rightarrow \mathbf w_t^-. } $$ 名稱： # **Retrospective Relevance** --- # 28. 它做什麼？ Future target 改變： - retrieval； - attention； - support search； - counterevidence search； - historical reactivation。 --- # 29. 它不能改 Past Fact $$ \boxed{ \mathcal R_{+-} : \text{weights change} } $$ 而不是： $$ \boxed{ \mathcal H_t^{prov} : \text{facts change}. } $$ --- # 30. 六條 Edge 的 Mechanism Table | Edge | Name | Primary Mechanism | |---|---|---| | $-\to0$ | Historical Conditioning | state construction | | $0\to+$ | Present-Conditioned Future Generation | prospective generation | | $+\to0$ | Prospective Attraction | valuation / policy | | $0\to-$ | Historical Sedimentation | provenance / structural update | | $-\to+$ | Historical Projection | analogy / mechanism generation | | $+\to-$ | Retrospective Relevance | retrieval / relevance reweighting | --- # 31. 六向不等於六個對稱 Arrow 例如： $$ \boxed{ \Phi_{-0} \neq \mathcal R_{+-}^{-1}. } $$ --- # 32. 同樣： $$ \boxed{ \Gamma_{0+} \neq \mathsf{Sed}_{0-}^{-1}. } $$ --- # 33. 過去、現在、未來也不是 Information-Conserving Transform 一般： $$ \boxed{ \mathscr S } $$ 可以： - lose information； - add exogenous information； - generate candidates； - compress history。 --- # 34. TCD 因此不是 Reversible Time Physics 它是： $$ \boxed{ \text{agent-level cognitive dynamics}. } $$ --- # 35. Circularity Problem 如果直接寫： $$ B^0 \rightarrow B^+ \rightarrow B^0, $$ 會問： > 哪個先算？ --- # 36. 第二個 Circularity $$ B^- \rightarrow B^+ \rightarrow B^-. $$ 也會問： > 是 history 先生成 future，還是 future 先重看 history？ --- # 37. 解法：分離兩種時間 Index 本文定義： $$ \boxed{ t = \text{historical / environment time} } $$ 與： $$ \boxed{ k = \text{deliberation iteration}. } $$ --- # 38. $t$ 的意義 當 agent 真正： - act； - environment transition； - resource change； - external event； 才進入下一個： $$ t+1. $$ --- # 39. $k$ 的意義 同一 decision moment 中： > 想一下。 可以： $$ k\rightarrow k+1. $$ --- # 40. Deliberation Does Not Advance Historical Time $$ \boxed{ k\rightarrow k+1 \not\Rightarrow t\rightarrow t+1. } $$ --- # 41. Initial Present Construction 先從 past + exogenous current information： $$ \boxed{ \widetilde{\mathcal B}_t^0 = \Phi_{-0} ( \mathcal B_t^-, \Xi_t ). } $$ --- # 42. Initial Future Generation $$ \boxed{ \mathcal B_t^{+,(0)} = \Gamma_F ( \mathcal B_t^-, \widetilde{\mathcal B}_t^0, \Xi_t ). } $$ --- # 43. $\Gamma_F$ 同時接受 Past 與 Present 因此概念上： $$ \boxed{ \Gamma_F = \operatorname{Couple} ( \Gamma_{-+}, \Gamma_{0+} ). } $$ 這不是線性加法。 --- # 44. Retrospective Reweighting 第 $k$ 輪： $$ \boxed{ \mathbf w_t^{-,(k)} = \mathcal R_{+-} ( \mathcal H_t^{prov}, \mathcal B_t^{+,(k)}, q_t ). } $$ --- # 45. Active Past $$ \boxed{ \mathcal B_t^{-,act,(k)} = View( \mathcal H_t^{prov}, \mathbf w_t^{-,(k)} ). } $$ --- # 46. Policy Update $$ \boxed{ \pi_t^{(k)} = \Pi ( \widetilde{\mathcal B}_t^0, \mathcal B_t^{+,(k)}, \mathcal B_t^{-,act,(k)} ). } $$ --- # 47. Future Refinement policy candidate 本身可以改變： > 如果我這樣行動，future 會怎樣？ 因此： $$ \boxed{ \mathcal B_t^{+,(k+1)} = \Gamma_F^{refine} ( \mathcal B_t^-, \widetilde{\mathcal B}_t^0, \pi_t^{(k)}, \Xi_t ). } $$ --- # 48. 這形成 Deliberation Loop $$ \boxed{ Future^{(k)} \rightarrow PastView^{(k)} \rightarrow Policy^{(k)} \rightarrow Future^{(k+1)}. } $$ --- # 49. Deliberation Loop 可以很短 例如： $$ K=1. $$ 就是一次： > 預測 → 選 action。 --- # 50. 也可以多輪 $$ K>1. $$ 例如： > 提方案 → 找歷史反例 → 改方案 → 再模擬。 --- # 51. $K$ 必須 Bounded 真實 agent： $$ \boxed{ K<\infty } $$ 受： - latency； - compute； - energy； - deadline； 限制。 --- # 52. 不要求 Fixed-Point Convergence $$ \boxed{ \pi^{(k+1)} \rightarrow \pi^\star } $$ 不保證。 --- # 53. Deliberation 可 Oscillate 例如： $$ f_1 \rightarrow h_1 \rightarrow f_2 \rightarrow h_2 \rightarrow f_1. $$ --- # 54. Oscillation 不是自動 Bug 若 evidence 真 ambiguous， policy indecision 可能合理。 --- # 55. 但需要 Stopping Contract 例如： $$ \boxed{ Stop = BudgetExhausted \lor PolicyStable \lor RiskThreshold \lor Deadline. } $$ --- # 56. Policy Stability $$ \boxed{ d_\pi( \pi^{(k+1)}, \pi^{(k)} ) < \epsilon_\pi. } $$ --- # 57. Future-Space Stability $$ \boxed{ d_F( \mathcal B^{+,(k+1)}, \mathcal B^{+,(k)} ) < \epsilon_F. } $$ --- # 58. Historical-View Stability $$ \boxed{ d_H( \mathbf w^{-,(k+1)}, \mathbf w^{-,(k)} ) < \epsilon_H. } $$ --- # 59. Bounded Cognitive Closure 可定義： $$ \boxed{ \mathfrak C_t^{(K)} = \operatorname{Delib}^{K} ( \mathfrak T_t^{(3)} ). } $$ --- # 60. Cognitive Closure 不是 Logical Completeness 它只表示： > 在 bounded deliberation budget 下完成的一輪 internal refinement。 --- # 61. Action Commitment deliberation 結束： $$ \boxed{ a_t \sim \pi_t^{(K)}. } $$ --- # 62. Environment Transition $$ \boxed{ Z_{t+1} = T_Z( Z_t, a_t, \varepsilon_t ). } $$ --- # 63. $\varepsilon_t$ 包含 - noise； - exogenous event； - other-agent action； - model mismatch； - stochasticity。 --- # 64. Actual Outcome May Differ from Predicted Future $$ \boxed{ Z_{t+1}^{real} \neq \widehat Z_{t+1}. } $$ --- # 65. Prediction Error Becomes New Information 定義： $$ \boxed{ \delta_t = d( Z_{t+1}^{real}, \widehat Z_{t+1} ). } $$ --- # 66. Sedimentation TCD-05： $$ \boxed{ \mathcal B_{t+1}^- = \mathcal H_- ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+, a_t, Z_{t+1}, E_t ). } $$ --- # 67. New Past Includes - what happened； - what was chosen； - what was unchosen； - which future influenced decision； - which dependencies changed； - which prediction failed。 --- # 68. New Present 新 observation： $$ \Xi_{t+1} $$ 到來後： $$ \boxed{ \mathcal B_{t+1}^0 = \Phi_{-0} ( \mathcal B_{t+1}^-, \Xi_{t+1} ). } $$ --- # 69. New Future $$ \boxed{ \mathcal B_{t+1}^+ = \Gamma_F ( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \Xi_{t+1} ). } $$ --- # 70. Full Shift 因此： $$ \boxed{ \mathscr S_t : ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ) \rightarrow ( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \mathcal B_{t+1}^+ ). } $$ --- # 71. Extended Shift 更完整： $$ \boxed{ \mathscr S_t = \mathscr S ( \mathfrak T_t^{(3)}, \Xi_t, \varepsilon_t, \mathbf B_t, \kappa_t ). } $$ --- # 72. TCD Master Update 本文將第一版 master update 壓縮為： $$ \boxed{ \begin{aligned} \widetilde B_t^0 &= \Phi_{-0}(B_t^-,\Xi_t),\\ B_t^{+,(0)} &= \Gamma_F(B_t^-,\widetilde B_t^0,\Xi_t),\\ (w_t^{-,(k)},\pi_t^{(k)},B_t^{+,(k+1)}) &= \mathfrak D( B_t^-, \widetilde B_t^0, B_t^{+,(k)} ),\\ a_t &\sim \pi_t^{(K)},\\ Z_{t+1} &= T_Z(Z_t,a_t,\varepsilon_t),\\ B_{t+1}^- &= \mathcal H_-(B_t^-,B_t^0,B_t^+,a_t,Z_{t+1}),\\ B_{t+1}^0 &= \Phi_{-0}(B_{t+1}^-,\Xi_{t+1}),\\ B_{t+1}^+ &= \Gamma_F(B_{t+1}^-,B_{t+1}^0,\Xi_{t+1}). \end{aligned} } $$ --- # 73. $\mathfrak D$ 是 Deliberative Coupling Block 它包含： $$ \boxed{ \mathcal R_{+-} + \Phi_{+0} + \Gamma_F^{refine}. } $$ 仍然不是普通 algebraic sum。 --- # 74. Why Deliberative Block Matters 因為 agent 在 action 前可以： - 生成 future； - 用 future 找 past； - 用 past 修正 future； - 用 future 重新排序 action。 --- # 75. 這就是 Reflexive Cognition 不是： $$ \boxed{ \text{one-pass inference}. } $$ 而是： $$ \boxed{ \text{bounded recurrent inference}. } $$ --- # 76. TCD 與普通 Markov Policy 的差別 普通形式： $$ \boxed{ a_t \sim \pi(a\mid s_t). } $$ --- # 77. TCD 形式 更像： $$ \boxed{ a_t \sim \pi \left( a \mid \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ \right). } $$ --- # 78. 但如果 $s_t$ 已充分包含三者呢？ 那： $$ \boxed{ s_t = Compress( B^-, B^0, B^+ ) } $$ 完全可以。 --- # 79. TCD 不反對 Markovization 如果能找到 sufficient augmented state： $$ S_t^\star, $$ TCD 可被壓縮進： $$ S_t^\star. $$ --- # 80. TCD 真正關心的是：壓縮前你有沒有漏掉功能 所以： $$ \boxed{ \text{TCD} \neq \text{anti-Markov}. } $$ --- # 81. Temporal Sufficiency 定義： $$ \boxed{ S_t^\star = \Psi_{TCD} ( B_t^-, B_t^0, B_t^+ ). } $$ --- # 82. 若 $S_t^\star$ 足夠 使： $$ P( Y_{t:H} \mid B^-, B^0, B^+ ) \approx P( Y_{t:H} \mid S_t^\star ), $$ 則可使用 compressed state。 --- # 83. 這延續 HSV 不是所有 history 都要永久展開。 --- # 84. Coupling Strength 如何量一條 edge 的重要性？ 用 ablation。 --- # 85. Edge-Ablation 對 edge： $$ e_{ij}, $$ 建立： $$ \boxed{ G_{\mathrm{TCD}}^{-e_{ij}}. } $$ --- # 86. Coupling Sensitivity 對 task loss： $$ \mathcal L_T, $$ 定義： $$ \boxed{ \chi_{ij}^{(T)} = \mathcal L_T( G^{-e_{ij}} ) - \mathcal L_T( G ). } $$ --- # 87. $\chi>0$ 表示移除 coupling 使 performance 變差。 --- # 88. $\chi\approx0$ 表示在該 task： > 這條 edge 可能不重要。 --- # 89. $\chi<0$ 表示移除 edge 反而更好。 這非常重要。 --- # 90. More Coupling Is Not Always Better $$ \boxed{ \text{more temporal coupling} \not\Rightarrow \text{better cognition}. } $$ --- # 91. Example：Bad Future Representation 如果： $$ B_t^+ $$ 充滿 phantom futures， 強： $$ +\to0 $$ 可能傷害 policy。 --- # 92. Example：Bad Retrospective Relevance 若： $$ +\to- $$ 只找支持 future 的 history， 形成 narrative capture。 --- # 93. Example：Excess Sedimentation 若： $$ 0\to- $$ 保存太多 old constraints， plasticity 崩潰。 --- # 94. TCD 因此需要 Coupling Governance 每條 edge 都要有： - budget； - uncertainty； - evidence； - stopping； - audit。 --- # 95. Coupling Profile 對 agent： $$ \boxed{ \Pi_{\mathrm{TCD}}^A = ( Q_{-0}, Q_{0+}, Q_{+0}, Q_{0-}, Q_{-+}, Q_{+-} ). } $$ --- # 96. 不是 Scalar 不要： $$ \boxed{ TCDIQ=95. } $$ --- # 97. Agent A 可能 History 強 $$ Q_{-0}\gg0, $$ 但： $$ Q_{0+} $$ 弱。 --- # 98. Agent B 可能 Future Generation 強 但 Sedimentation 差， 反覆重犯。 --- # 99. Agent C 可能 Prospective Attraction 太強 容易被 phantom future 操縱。 --- # 100. Agent D 可能 Retrospective Relevance 太弱 無法從新目標重新啟用 old knowledge。 --- # 101. Six-Edge Bottleneck 定義： $$ \boxed{ e^\star = \arg\max_e \chi_e^{(T)}. } $$ 表示在該 task 移除後造成最大性能損失的 temporal coupling。 --- # 102. Coupling Bottleneck Can Migrate 隨 agent 改進： $$ \boxed{ e_t^\star \neq e_{t+1}^\star. } $$ --- # 103. Positive Feedback Loop I — Narrative Capture $$ \boxed{ f \rightarrow supportive\ past \rightarrow P(f)\uparrow \rightarrow more\ support\ search. } $$ --- # 104. 這可能形成 Self-Reinforcing Belief 不是因為 evidence 真變強， 而是 retrieval bias。 --- # 105. Negative Feedback Loop I — Adversarial Correction $$ \boxed{ f \rightarrow counterhistory \rightarrow P(f)\downarrow \rightarrow future\ revision. } $$ --- # 106. 這是 Desired Stabilization TCD 不只研究正 feedback。 --- # 107. Positive Feedback Loop II — Constructive Realization $$ \boxed{ f \rightarrow action \rightarrow infrastructure \rightarrow P(f)\uparrow. } $$ --- # 108. Negative Feedback Loop II — Prevention $$ \boxed{ f_{bad} \rightarrow mitigation \rightarrow P(f_{bad})\downarrow. } $$ --- # 109. Feedback Sign Depends on Mechanism 所以： $$ \boxed{ Cycle \neq SelfReinforcement. } $$ --- # 110. Loop Gain 概念上可定義： $$ \boxed{ G_{loop} = \prod_{e\in cycle} g_e. } $$ 但只在 edge gains 有可比尺度時使用。 --- # 111. 一般 TCD 不假設 Linear Stability Theory 直接適用 如果 operator nonlinear / typed， 應使用： - simulation； - ablation； - local linearization； - empirical dynamics。 --- # 112. Temporal Coherence 一個 mature agent 的三個 base spaces 不應互相完全矛盾。 --- # 113. Example Present says： $$ \text{resource}=0, $$ Future says： > tomorrow deploy giant system。 若沒有 path： $$ \boxed{ \text{future-present incoherence}. } $$ --- # 114. Past-Future Coherence Future claim 若依賴已被 Past falsified 的 dependency， 也有： $$ \boxed{ \text{historical-future incoherence}. } $$ --- # 115. Coherence Checks 可定義： $$ \boxed{ C_{-0}, C_{0+}, C_{-+}. } $$ --- # 116. Coherence 不等於 Conformism new future 可以挑戰 past trend。 只要： > 有 explicit mechanism。 --- # 117. Surprise Is Allowed TCD Future 仍保留： $$ U_t^+. $$ --- # 118. Unknown Mass Prevents Temporal Overclosure 如果： $$ p_\bot=0 $$ 被濫用， agent 容易： > 把目前三生模型當宇宙全部可能性。 --- # 119. TCD Unknown Triple 可寫： $$ \boxed{ \mathbf U_t = ( U_t^-, U_t^0, U_t^+ ). } $$ --- # 120. Past Unknown 無法完整重建 historical alternatives。 --- # 121. Present Unknown 不知道 hidden capability / path / dependency。 --- # 122. Future Unknown 不知道未命名 future regions。 --- # 123. Temporal Epistemic Humility 所以： $$ \boxed{ \widehat{\mathfrak T}_t^{(3)} \neq \mathfrak T_t^{(3),true} } $$ 一般應保留。 --- # 124. Observation of TCD Is Observer-Relative 不同 observer： $$ A,B $$ 可能建出： $$ \widehat{\mathfrak T}_t^{(3),A} \neq \widehat{\mathfrak T}_t^{(3),B}. $$ --- # 125. Observer Difference 不是 Arbitrary Subjectivism 仍受： - evidence； - provenance； - dynamics； - experiment； - resolution； 約束。 --- # 126. Multi-Agent TCD 對 agents： $$ A_1,\ldots,A_n, $$ 每個有： $$ \mathfrak T_t^{(3),i}. $$ --- # 127. Shared Present 它們可能共享： $$ Env_t, $$ 但： $$ B_t^{+,i} $$ 不同。 --- # 128. Shared Future Candidate Can Couple Agents 若： $$ f $$ 被多人採用， 可： $$ \boxed{ f \rightarrow a_t^1,\ldots,a_t^n. } $$ --- # 129. Collective Prospective Attraction 未來 narrative 可以形成 collective coordination。 --- # 130. 也可能形成 Collective Phantom Future 錯誤 future narrative 也能同時改變大量 agents。 --- # 131. Collective Sedimentation multi-agent actions 產生： - standards； - institutions； - markets； - infrastructure。 --- # 132. 這為 Branching World / Institution TCD 留接口 本文不展開。 --- # 133. MuZero 的外部對照 MuZero 建立 planning-relevant learned dynamics， 用 tree search 評估 action sequences， 再選 current action。 外部意義： $$ \boxed{ \text{future model} \rightarrow \text{present action}. } $$ --- # 134. DreamerV3 的外部對照 DreamerV3 的 world model： > 預測 potential action outcomes； critic： > 評估 imagined outcomes； actor： > 學習導向高 value outcome 的 action。 這是非常清楚的： $$ \boxed{ FutureRepresentation \rightarrow Valuation \rightarrow Policy. } $$ --- # 135. Mattar–Daw 的外部對照 其 prioritized memory access theory： > 依 memory 對 future decision improvement 的 utility 決定 replay priority。 對照： $$ \boxed{ FutureNeed \rightarrow PastAccess. } $$ --- # 136. Momennejad 等人的外部對照 reward revaluation 後： > distal past states 的 offline replay 與後續 replanning 相關。 對照： $$ \boxed{ NewInformation \rightarrow PastReplay \rightarrow NewPolicy. } $$ --- # 137. 2025 Prospective Navigation Codes 的外部對照 一項大鼠 flexible navigation 研究顯示： > 新 reward-location information 到來後，hippocampal/prefrontal prospective representations of future choices 可以快速調整，並伴隨 route switching。 --- # 138. TCD 的最保守讀法 這只支持： $$ \boxed{ \text{past integration} + \text{prospective representation} + \text{current choice update} } $$ 在至少某些 biological decision tasks 中具有經驗相鄰性。 --- # 139. 不宣稱 Rat Brain = TCD Runtime $$ \boxed{ \text{biological analogue} \neq \text{theory identity}. } $$ --- # 140. Six-Edge Ablation Benchmark 建立 finite environment。 --- # 141. Full Agent 有六條 coupling。 --- # 142. Ablation 1 移除： $$ -\to0. $$ --- # 143. Ablation 2 移除： $$ 0\to+. $$ --- # 144. Ablation 3 移除： $$ +\to0. $$ --- # 145. Ablation 4 移除： $$ 0\to-. $$ --- # 146. Ablation 5 移除： $$ -\to+. $$ --- # 147. Ablation 6 移除： $$ +\to-. $$ --- # 148. Measure 比較： - cumulative task return； - safe reachability； - future coverage； - adaptation； - repeated-error rate； - option preservation； - provenance fidelity； - compute cost。 --- # 149. Exact Finite Micro-Model 可用 dynamic graph： $$ G_t=(V_t,E_t). $$ --- # 150. Past Choice Alters Graph action： $$ a_t $$ 可以： - add edge； - remove edge； - increase edge cost。 --- # 151. Present Domain agent 只能看到： $$ V_t^{vis} $$ 與： $$ E_t^{vis}. $$ --- # 152. Future Generator 生成 candidate goals： $$ f_1,\ldots,f_n. $$ --- # 153. Prospective Attraction future value 改 path selection。 --- # 154. Sedimentation action 改 graph + log。 --- # 155. Retrospective Relevance future goal 改 past transition retrieval。 --- # 156. 這可以完整執行六條 Edge 而且： $$ \boxed{ \text{finite} } $$ 可 exact audit。 --- # 157. TCD Runtime Trace 每輪至少輸出： ```text t past_base_version present_base_version future_base_version deliberation_rounds active_past_items future_candidates future_unknown_mass policy_before_future policy_after_future chosen_action predicted_outcomes real_outcome prediction_error sedimentation_record dependencies_changed options_lost options_opened next_state_versions ``` --- # 158. Replayability 理想： $$ \boxed{ Trace_{0:t} \rightarrow \widehat{\mathfrak T}_t^{(3)}. } $$ --- # 159. Replay 不必 Deterministic 若 system stochastic， 保存： - seeds； - distributions； - model versions。 --- # 160. Temporal Provenance 每一個： $$ B^-, B^0,B^+ $$ 都應有： - timestamp； - version； - parent； - evidence； - operator； - cost。 --- # 161. Six-Way Coupling Evidence Passport 對每條 edge claim： ```text edge agent task domain source_state target_state operator budget ablation effect_size uncertainty evidence_level failure_conditions ``` --- # 162. Edge Claim 不能越界 例如： > DreamerV3 有 $+\to0$ engineering analogue。 不能推出： > DreamerV3 已具完整 TCD。 --- # 163. Temporal Shift Operator 本文正式命名： # **TCD Shift Operator** $$ \boxed{ \mathscr S_t. } $$ --- # 164. Minimal Definition $$ \boxed{ \mathscr S_t : \mathfrak T_t^{(3)} \times \Xi_t \times \mathcal E_t \rightarrow \mathfrak T_{t+1}^{(3)}. } $$ --- # 165. $\mathcal E_t$ 表示 - actual action； - environment event； - observed consequence； - new evidence。 --- # 166. Shift Operator 不是 Closed Autonomous Law 真實 agent 會接收： $$ \boxed{ \Xi_t. } $$ --- # 167. 所以 TCD 是 Open Dynamical System $$ \boxed{ \text{TCD agent} + \text{environment} + \text{other agents}. } $$ --- # 168. No Closed-World Assumption future unknown： $$ U_t^+ $$ 永遠可能非零。 --- # 169. Temporal Fixed Point 若： $$ \mathfrak T_{t+1}^{(3)} \approx \mathfrak T_t^{(3)}, $$ 可稱： $$ \boxed{ \text{local temporal cognitive fixed regime}. } $$ --- # 170. 不一定是好事 可能是： - stable expertise； - rigid institution； - stuck loop； - mature policy。 --- # 171. Temporal Cycle 若： $$ \mathfrak T_{t+k}^{(3)} \approx \mathfrak T_t^{(3)}, $$ 可研究 periodic cognitive regime。 --- # 172. Temporal Drift 若 state 持續移動但無突然轉變： $$ \boxed{ \text{drift}. } $$ --- # 173. Temporal Phase Shift 若： - future ontology； - capability； - reachable domain； - historical relevance； 突然重構， 可標： $$ \boxed{ \text{temporal cognitive phase shift}. } $$ --- # 174. 本文不正式建立 Phase Theory 只留接口。 --- # 175. Learning Is Temporal-State Change 如果： $$ Cap_{t+1}\neq Cap_t, $$ 這是： $$ \boxed{ \mathfrak T_{t+1}^{(3)} \neq \mathfrak T_t^{(3)}. } $$ --- # 176. Forgetting Is Temporal-State Change 如果： $$ B_{t+1}^- $$ 壓縮／失活某些 residue， 也會改： $$ B_{t+1}^0, B_{t+1}^+. $$ --- # 177. Prediction Error Can Trigger Temporal Reorganization 若： $$ \delta_t\gg0, $$ agent 可能： - reweight past； - revise world model； - expand unknown mass； - generate new future ontology。 --- # 178. Error-Driven TCD Update 概念： $$ \boxed{ \delta_t \rightarrow ( \Delta B^-, \Delta B^0, \Delta B^+ ). } $$ --- # 179. Surprise Does Not Automatically Mean Learning 若 agent 不 sediment / update： $$ \delta_t $$ 可能被忽略。 --- # 180. Long-Term Intelligence Requires Temporal Credit Assignment 某 action： $$ a_t $$ 結果： $$ t+100 $$ 才顯現。 --- # 181. Credit Assignment Across TCD 需要追： $$ \boxed{ R_t^+ \rightarrow a_t \rightarrow Sediment \rightarrow FutureOutcome. } $$ --- # 182. 這是 PCI 長期 Resolution 的 runtime 版本 PCI 保存： - prediction； - realization path； - future resolution。 TCD 現在保存它們之間的 temporal lineage。 --- # 183. TCD 與 UCPNP 的關係 UCPNP 問： > 哪些 intervention 能改變 agent-relative tractability frontier？ --- # 184. TCD 回答其中一個動力來源 同一 intervention： - 新 knowledge； - new tool； - new future； - reactivated past； 會經 TCD couplings 改變： $$ \boxed{ \mathcal B^0 } $$ 與： $$ \boxed{ \mathcal B^+. } $$ --- # 185. UCPNP 是 Frontier Program TCD 是： $$ \boxed{ \text{one temporal dynamics layer beneath frontier motion}. } $$ --- # 186. TCD 不能取代 UCPNP 它不直接定義： - verification； - certification； - completion cost； - complexity regime。 --- # 187. 兩者接口 $$ \boxed{ \mathfrak U_t \supset \mathfrak T_t^{(3)} } $$ 可作未來整合方向。 --- # 188. TCD v0.1 Core 本文建議將： # **TCD-01～TCD-07** 視為： $$ \boxed{ \text{TCD v0.1 Core}. } $$ --- # 189. v0.1 包含 1. Past Base Space； 2. Present Base Space； 3. Future Base Space； 4. Prospective Attraction； 5. Historical Sedimentation； 6. Retrospective Relevance； 7. Six-Way Coupling + Shift Operator。 --- # 190. v0.1 不包含 - runnable world branching； - world-domain governance； - cross-world evidence； - multi-world allocation； - persistent subworld agents； - full normative deployment layer。 --- # 191. 為什麼下一步應該分新系列？ 因為： $$ \boxed{ \mathcal B_t^+ } $$ 目前仍是： > cognitive / modelled future domain。 --- # 192. 下一階 若把 candidate： $$ f_i $$ instantiate： $$ \boxed{ f_i \rightarrow W_i, } $$ 世界： $$ W_i $$ 開始： - run； - accumulate history； - contain agents； - receive interventions； 就不是單純 TCD representation。 --- # 193. 這是 Runnable Future $$ \boxed{ \text{Represented Future} \rightarrow \text{Executable Future World}. } $$ --- # 194. 新問題 不再只是： > 哪些 futures 值得想？ 而是： $$ \boxed{ \text{哪些 futures 值得實際投入計算？} } $$ --- # 195. 這就是下一系列 # **Branching World Computation** ## **分支世界計算／世界域認知 Runtime** --- # 196. 可否證條件 ## F196.1 Edge-Indistinguishability 若六條 coupling 在 controlled ablation 中無法操作性區分， taxonomy 應簡化。 ## F196.2 Deliberation No-Gain 若 $K>1$ 的 reflective loop 長期不比 $K=1$ 好， bounded recursion 不應被神化。 ## F196.3 Circularity Failure 若 implementation 無法區分 deliberation index $k$ 與 historical time $t$， runtime formalization 需要重構。 ## F196.4 Past-Fact Contamination 若 $+\to-$ 會 silently rewrite provenance， 統一系統失效。 ## F196.5 Phantom-Future Instability 若錯誤 future representation 經 $+\to0$ 造成大規模 harmful lock-in， 需要降低 coupling gain / 增加 adversarial gate。 ## F196.6 Over-Sedimentation 若 $0\to-$ 造成 memory rigidity / plasticity collapse， 需增加 forgetting / archive。 ## F196.7 Historical Confirmation Loop 若 $+\to-\to+$ 只強化同一 narrative， 需強制 counter-retrieval。 ## F196.8 External-Shock Failure 若 TCD 忽略 $\Xi_t,\varepsilon_t$ 後只能解釋封閉世界， 必須保留 open-system formulation。 ## F196.9 No Predictive Gain 若完整 TCD state 對 planning / adaptation / audit 完全不優於更簡單 sufficient state， 應使用簡單模型。 --- # 197. 結論 TCD-01 說： $$ \boxed{ Past\neq Memory. } $$ TCD-02 說： $$ \boxed{ Present\neq Point. } $$ TCD-03 說： $$ \boxed{ Future\neq PreGivenMap. } $$ TCD-04 說： $$ \boxed{ FutureRepresentation \rightarrow PresentPolicy. } $$ TCD-05 說： $$ \boxed{ PresentAction \rightarrow PastSediment. } $$ TCD-06 說： $$ \boxed{ FutureTarget \rightarrow PastRelevance. } $$ TCD-07 現在把它們全部放進同一個系統。 真正的核心不再是： $$ \boxed{ Past, Present, Future. } $$ 而是： $$ \boxed{ Past \leftrightarrows Present \leftrightarrows Future \leftrightarrows Past } $$ 但每一條箭頭都有不同 operator semantics。 在 agent 的同一 decision moment： $$ t $$ 內， 可以有： $$ \boxed{ Future^{(k)} \rightarrow PastView^{(k)} \rightarrow Policy^{(k)} \rightarrow Future^{(k+1)}. } $$ 這不是時間旅行。 它只是： $$ \boxed{ \text{bounded deliberation}. } $$ 當 agent 真正執行： $$ a_t, $$ 世界才： $$ \boxed{ t\rightarrow t+1. } $$ 於是： $$ \boxed{ PresentAction_t \rightarrow Past_{t+1}. } $$ 新的 Past 又重新構造： $$ Present_{t+1}, $$ 新的 Present 再與新的 Past 一起生成： $$ Future_{t+1}. $$ 所以第一版完整 TCD 可以壓縮成一句話： > **智能不只是在現在解題；它利用沉積的過去生成可行的現在與想像的未來，再讓被生成的未來重新組織現在的行動與過去的相關性，而行動又被沉積成下一輪歷史。** 形式上： $$ \boxed{ \mathscr S_t: ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ) \longrightarrow ( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \mathcal B_{t+1}^+ ). } $$ 這就是： # **Tri-Temporal Cognitive Dynamics v0.1 Core** 第一次完整閉合。 下一步不再需要多畫一條時間箭頭。 真正的新問題是： > **如果 Future Base Space 中的候選不只被想像，而可以被 instantiate 成可持續執行、具有自身 agent、history、rules 與 interventions 的子世界，智能體要如何管理大量並行世界？** 那已經是另一個研究層： # **Branching World Computation** --- # Claim Typing | Claim | Type | Status | |---|---|---| | TCD 可表示為三個 typed temporal base spaces | D | Canonical synthesis | | 六個 coupling 方向具有不同 operator semantics | D | Canonical boundary | | deliberation index $k$ 應與 historical time $t$ 分離 | D / methodology | Core anti-circularity formalization | | TCD Shift Operator 可作完整一步更新 scaffold | D | Proposed unified dynamics | | coupling importance 可用 edge ablation 衡量 | D / experiment design | Proposed operationalization | | MuZero / Dreamer 提供 future-model-to-present-action engineering analogues | E | External calibration | | prioritized / offline replay 提供 future-need-to-past-access analogues | E | External calibration | | prospective navigation codes adapt with new information | E | External neuroscience evidence | | 完整六向 TCD 已被單一實驗系統證明 | — | Not claimed | | Future $\to$ Past 是物理逆因果 | — | Explicitly rejected | | 更多 coupling 一定更智能 | — | Explicitly rejected | --- # Evidence Ladder 本文目前主要位於： - **L0**：typed six-way coupling + shift operator； - **L1–L2**：finite six-edge ablation / deliberation benchmarks 可實作； - **L3**：world-model planning、replay、revaluation、prospective-navigation studies 提供局部機制外部對照； - **L4**：需要 persistent AI / robot / institution runtime 做 longitudinal six-edge ablation； - **L5+**：跨 domain replication、multi-agent TCD、runnable-world extension 尚待後續。 --- # 參考文獻 ## Neo.K 內部正典與譜系 1. Neo.K. *歷史作為狀態變量：路徑依賴、記憶增廣與複雜系統的動力身份*. 2026. 2. Neo.K with Aletheia. *Past Is Not Memory*. TCD-01, 2026. 3. Neo.K with Aletheia. *The Present Is Not a Point*. TCD-02, 2026. 4. Neo.K with Aletheia. *Future as a Generated Base Space*. TCD-03, 2026. 5. Neo.K with Aletheia. *Prospective Attraction*. TCD-04, 2026. 6. Neo.K with Aletheia. *Historical Sedimentation*. TCD-05, 2026. 7. Neo.K with Aletheia. *Retrospective Relevance*. TCD-06, 2026. 8. Neo.K with Aletheia. *Neo.K Ultimate Cognitive P/NP Unified Theory*. UCPNP Paper 09, 2026. 9. Neo.K with Aletheia. *Generative Forecasting*. UCPNP Series II Paper 13, 2026. 10. Neo.K with Aletheia. *Prospective Constructive Intelligence*. UCPNP Series II Paper 14, 2026. ## External technical calibration 11. Schrittwieser, J., Antonoglou, I., Hubert, T., et al. *Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model*. Nature 588, 604–609, 2020. 12. Hafner, D., Pasukonis, J., Ba, J., & Lillicrap, T. *Mastering Diverse Control Tasks through World Models*. Nature 640, 647–653, 2025. 13. Mattar, M. G., & Daw, N. D. *Prioritized Memory Access Explains Planning and Hippocampal Replay*. Nature Neuroscience 21, 1609–1617, 2018. 14. Momennejad, I., Otto, A. R., Daw, N. D., & Norman, K. A. *Offline Replay Supports Planning in Human Reinforcement Learning*. eLife 7:e32548, 2018. 15. Prince, S. M., Cushing, S. D., Yassine, T. A., et al. *New Information Triggers Prospective Codes to Adapt for Flexible Navigation*. Nature Communications 16, 4822, 2025. 16. Schaul, T., Quan, J., Antonoglou, I., & Silver, D. *Prioritized Experience Replay*. arXiv:1511.05952, 2015. 17. Andrychowicz, M., Wolski, F., Ray, A., et al. *Hindsight Experience Replay*. Advances in Neural Information Processing Systems 30, 2017. --- ## Public Version Disclaimer 本文是 agent-level cognitive / decision / temporal dynamics framework。 本文不聲稱： - 六向 coupling 是標準認知科學定律； - Past、Present、Future 是三個物理本體層； - Future physically causes Past； - recurrent deliberation 是時間旅行； - 六條 edge 必須存在於所有 agent； - coupling strength 可以跨 domain 直接比較； - world models、replay 或 hippocampal prospective coding 等同完整 TCD； - TCD 必然提高 performance； - TCD v0.1 已經完成 runnable-world / multi-world architecture； - 本文對 classical $P$ vs. $NP$ 提供任何新證明。 本文真正建立的是： $$ \boxed{ \mathfrak T_t^{(3)} = ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ) } $$ 與： $$ \boxed{ \mathscr S_t: \mathfrak T_t^{(3)} \rightarrow \mathfrak T_{t+1}^{(3)}. } $$ 並明確要求： $$ \boxed{ \text{six temporal couplings are typed, bounded, auditable, and empirically ablatable}. } $$