# 現在如何沉積成過去：行動、依賴與路徑的歷史化 **Historical Sedimentation: How Present Actions Become Past Structure** **Tri-Temporal Cognitive Dynamics — 三生認知耦合動力學系列** **TCD-05 / Coupling Paper II** 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 present-to-past coupling paper / historical sedimentation formalization --- ## Canonical Non-Identity Statement TCD-04 建立： $$ \boxed{ \mathcal B_t^+ \rightarrow \mathcal B_t^0 } $$ 的非逆因果版本： $$ \boxed{ \operatorname{Rep}_t(Future) \rightarrow Valuation_t \rightarrow Policy_t \rightarrow Action_t. } $$ 本文進一步建立： $$ \boxed{ \mathcal B_t^0 \rightarrow \mathcal B_{t+1}^-. } $$ 但本文永久保留： $$ \boxed{ \text{Event Record} \neq \text{Historical Residue} \neq \text{Historical Choice Base Space}. } $$ 以及： $$ \boxed{ \text{Unchosen} \neq \text{Lost} \neq \text{Rejected} \neq \text{Impossible}. } $$ 本文不主張： - 所有 present state 都必須被完整保存； - 所有未選 alternatives 都應永久記錄； - 所有 past influence 都可被精確追溯； - event log 本身等於因果模型； - action 一旦發生就必然永久鎖定未來； - forgetting 必然是缺陷； - retention 越多越好； - path dependence 等於不可逆； - history sedimentation 等於生物記憶 consolidation； - 本文已完成完整六向 TCD coupling。 --- # 摘要 Tri-Temporal Cognitive Dynamics 前四篇已依序建立 Past、Present、Future 三個時間底座，以及第一條真正具有前瞻反饋效果的 Future $\rightarrow$ Present 耦合。 目前已有： $$ \boxed{ \mathcal B_t^- \rightarrow \mathcal B_t^0, } $$ 表示過去透過能力、依賴、知識、資源、權限與失去／新增的選項構造現在； $$ \boxed{ ( \mathcal B_t^-, \mathcal B_t^0 ) \rightarrow \mathcal B_t^+, } $$ 表示過去與現在共同生成 agent 的 prospective future space； 以及： $$ \boxed{ \mathcal B_t^+ \rightarrow \mathcal B_t^0, } $$ 表示未來表徵透過 valuation、policy、resource allocation 與 commitment 改變當前行動。 但這仍缺少一個最基本的時間轉換： > **現在做出的 action，如何成為下一時刻的過去？** 本文將此過程定義為： # **Historical Sedimentation** ## **歷史沉積** 定義 sedimentation operator： $$ \boxed{ \mathsf{Sed}_t^A: ( \mathcal B_t^{-,A}, \mathcal B_t^{0,A}, R_t^{+,A}, a_t, Z_{t+1}, E_t ) \rightarrow \Delta\Lambda_{t\rightarrow t+1}^{-,A}. } $$ 其中： - $\mathcal B_t^-$：已有 Past Base Space； - $\mathcal B_t^0$：當前有效 action / reachable domain； - $R_t^+$：TCD-04 的 future representation / prospective decision context； - $a_t$：實際 action； - $Z_{t+1}$：action、environment 與其他 actors 共同形成的下一狀態； - $E_t$：observation / evidence / provenance； - $\Delta\Lambda^-$：本輪新增的 historical lineage unit。 本文將單一步 sedimentation record 定義為： $$ \boxed{ \mathfrak s_t^A = ( Z_t, \mathcal A_t^{eff,A}, a_t, \mathcal U_t^A, R_t^{+,A}, Z_{t+1}, \Delta D_t, \Delta Cap_t, \Delta Res_t, \Delta Perm_t, L_t, O_t, E_t ). } $$ 其中： - $\mathcal U_t^A=\mathcal A_t^{eff,A}\setminus\{a_t\}$：當時可見但未選 alternatives； - $R_t^{+,A}$：當時影響 decision 的 future representations； - $\Delta D_t$：新增／移除 dependencies； - $\Delta Cap_t$：能力變化； - $\Delta Res_t$：資源變化； - $\Delta Perm_t$：權限／制度狀態變化； - $L_t$：本輪被關閉或失去的 options； - $O_t$：本輪新開啟／恢復的 options； - $E_t$：decision / event provenance。 歷史譜系更新： $$ \boxed{ \Lambda_{0:t+1}^{-,A} = \Lambda_{0:t}^{-,A} \oplus \mathfrak s_t^A. } $$ 再經 task-relative compression： $$ \boxed{ \mathcal B_{t+1}^{-,A;(T,\epsilon)} = \Psi_{T,\epsilon}^{-} \left( \Lambda_{0:t+1}^{-,A} \right). } $$ 這使「現在變成過去」不再只是： $$ a_t \rightarrow \text{log entry}. $$ 而是至少包含五種不同的 sedimentation： 1. **Actualization Sedimentation**：一條 possible path 變成 actual history； 2. **Alternative Sedimentation**：其他 visible paths 變成 unchosen history； 3. **Dependency Sedimentation**：action 建立新的 commitments / lock-in / infrastructures； 4. **Plasticity Sedimentation**：experience 改寫能力、參數、習慣、制度或 policy； 5. **Provenance Sedimentation**：保存 action 為何被選、哪些 future representations 參與決策。 本文特別指出： > **未選 alternatives 不應被自動視為失去。** 定義： $$ \boxed{ \mathcal U_t^A = \mathcal A_t^{eff,A} \setminus \{a_t\}. } $$ 其中只有滿足： $$ u\notin \mathcal A_{t+1:H}^{recoverable,A} $$ 或在指定 intervention contract 下不可再取得的部分，才進入： $$ \boxed{ L_t. } $$ 其餘可成為： - deferred options； - recoverable options； - shadow alternatives； - dormant branches。 本文亦提出 **Counterfactual Shadow Record**： $$ \boxed{ \mathcal S_t^{cf} \subseteq \mathcal U_t^A, } $$ 表示： > 雖未成為 actual path，但值得保留以供未來 regret analysis、policy audit、counterfactual simulation、replanning 或 research backtest 的 alternatives。 本文進一步建立 **Prospective-Cause Sedimentation**。若 TCD-04 中某 future representation： $$ f \in R_t^+ $$ 明顯改變了 action score： $$ \mathcal A_t^+(a;f)\neq0, $$ 則歷史 record 不應只保存： $$ a_t. $$ 還應保存： $$ \boxed{ f \rightarrow Q_t(a) \rightarrow a_t } $$ 的 decision provenance。如此未來才可能區分： - ordinary action； - forecast-induced action； - self-fulfilling loop； - preventive loop； - constructive realization。 本文並建立 **Sedimentation Persistence Profile**： $$ \boxed{ \rho_t^{sed}(r,\Delta) } $$ 表示某歷史 residue $r$ 在經過 $\Delta$ 時間後，對： - policy； - reachability； - capability； - resource； - permission； - future generation； 仍保有多少 task-relative influence。 因此： $$ \boxed{ \text{Past} } $$ 不是所有 historical details 永久等權保存，而是一組具有不同 persistence、decay、reactivation 與 recoverability 的結構殘差。 外部研究提供了幾個重要工程相鄰形式。Deep Q-Network 將 agent 的 transition experience 保存於 replay memory，之後重抽過去 experience 更新 value function，使實際 interaction history 成為後續 policy learning 的資料；Synaptic Intelligence 讓每個 connection 隨訓練累積 task-relevant importance，使過去 task information 直接約束後續 learning；Elastic Weight Consolidation 同樣根據舊 task 的 parameter importance 降低重要參數在新 task 中的可變性。2025 年的 Bayesian continual-learning work 更明確呈現 stability–plasticity 的另一面：不是「保留越多越好」，過度保存舊資訊可能造成 memory rigidity 與 plasticity collapse，因此 continual system 必須同時管理 consolidation 與 forgetting。軟體工程中的 Event Sourcing pattern 則提供一個不同但非常直觀的 ledger 類比：每次 command 產生 append-only event，current state 可由 ordered event stream 重建，且 snapshot 只是 replay optimization，不取代 authoritative event lineage。 這些外部工作不等於 TCD，但共同支持一個有限結論： $$ \boxed{ \text{present interaction can leave persistent records or parameter/structural residues that alter future behavior}. } $$ 本文最後提出： $$ \boxed{ \textbf{The present becomes past not when time merely passes, but when current action, alternatives, consequences, dependencies, and reasons are irreversibly or persistently incorporated into the system's later state description.} } $$ 中文： > **現在之所以成為過去，不只是因為時間往前走；而是因為現在的行動、未選路徑、結果、依賴與理由，被不同程度地寫進下一個系統狀態與歷史譜系。** 下一篇 TCD-06 將處理另一條更微妙的耦合： # **Retrospective Relevance** ## **未來如何改變我們閱讀過去：不是改寫歷史，而是重加權歷史相關性** 即： $$ \boxed{ \mathcal B_t^+ \rightarrow \operatorname{Reweight} ( \mathcal B_t^- ). } $$ **關鍵詞：** Historical Sedimentation、Event Sourcing、Experience Replay、Continual Learning、Path Dependence、Decision Provenance、Counterfactual Shadow、Plasticity、Consolidation、Tri-Temporal Cognitive Dynamics --- # 1. 為什麼「時間過了」還不夠？ 如果： $$ t\rightarrow t+1 $$ 只表示 clock tick， 那麼我們仍不知道： - 哪個 action 發生； - 哪些 alternatives 沒選； - 哪個 dependency 新增； - 哪個 option 消失； - 哪個 capability 改變； - 哪個 future representation 影響了 decision。 因此： $$ \boxed{ \text{time passage} \neq \text{historical sedimentation}. } $$ --- # 2. Minimal Transition 最小 dynamics： $$ \boxed{ Z_{t+1} = F( Z_t, a_t, \xi_t ). } $$ 其中： - $Z_t$：present state； - $a_t$：action； - $\xi_t$：environment / other-agent / stochastic input。 --- # 3. 但 TCD 需要比 $Z_t\rightarrow Z_{t+1}$ 更多 因為： $$ Z_{t+1} $$ 可能不包含： > action 當時是從哪些 alternatives 中選出來的？ 也不包含： > 為什麼選它？ --- # 4. Decision Context 定義： $$ \boxed{ C_t^{dec} = ( \mathcal A_t^{eff}, Q_t, R_t^+, \kappa_t ). } $$ --- # 5. $Q_t$ 保存什麼？ $$ Q_t $$ 可以是： - action values； - rankings； - risk estimates； - confidence； - constraint satisfaction； - policy logits。 --- # 6. $R_t^+$ 保存什麼？ TCD-04 的 prospective decision context： - desired future； - predicted future； - catastrophic future； - unknown future mass； - realization path； - expected future cost。 --- # 7. Decision Record 本文定義： $$ \boxed{ DRec_t = ( C_t^{dec}, a_t, Z_{t+1} ). } $$ --- # 8. Action Record 不等於 Decision Record $$ \boxed{ (a_t,Z_{t+1}) \neq DRec_t. } $$ --- # 9. 為什麼要保存理由？ 因為未來要回答： > 這個 action 是因為什麼被做出來的？ 如果沒有： $$ R_t^+, Q_t, \mathcal A_t^{eff}, $$ 只能事後猜。 --- # 10. Reason Provenance 定義： $$ \boxed{ P_t^{reason} = \{ e_i \rightarrow q_i \rightarrow a_t \}. } $$ 其中： $$ e_i $$ 可以是： - evidence； - forecast； - constraint； - authority instruction； - risk； - preference。 --- # 11. Reason Provenance 不是「真實心靈因果」的完整讀取 對 LLM / human / opaque system： $$ P_t^{reason} $$ 通常只是： - reported reason； - traceable computational dependency； - experiment-derived causal factor； - provenance artifact。 不能自動當作完整 internal cause。 --- # 12. Actualization Sedimentation 在時間 $t$： $$ a_t \in \mathcal A_t^{eff}. $$ 執行後： $$ \boxed{ a_t: \text{candidate action} \rightarrow \text{realized action}. } $$ --- # 13. Realized Path 路徑 prefix 更新： $$ \boxed{ \pi_{0:t+1}^{real} = \pi_{0:t}^{real} \oplus a_t. } $$ --- # 14. 這就是最弱的歷史沉積 $$ \boxed{ \text{possible} \rightarrow \text{actual}. } $$ --- # 15. Alternative Sedimentation 同一時刻： $$ \mathcal U_t = \mathcal A_t^{eff} \setminus \{a_t\}. $$ 它們成為： $$ \boxed{ \text{unchosen alternatives at }t. } $$ --- # 16. Unchosen 不等於 Rejected 若 agent 沒有明確 negative evaluation， 只能標： $$ \boxed{ UNCHOSEN. } $$ --- # 17. Explicit Rejection 若存在： $$ Q_t(u)<\theta $$ 或明確 decision reason， 才可標： $$ \boxed{ REJECTED. } $$ --- # 18. Deferred Alternative 若： $$ u $$ 未選但仍計畫： $$ t+k $$ 考慮， 標： $$ \boxed{ DEFERRED. } $$ --- # 19. Dormant Alternative 若沒有 current plan， 但仍保持 recoverability： $$ \boxed{ DORMANT. } $$ --- # 20. Lost Alternative 只有當： $$ u $$ 在後續有效 domain 中不可恢復， 才： $$ \boxed{ LOST. } $$ --- # 21. Alternative Status Transition $$ \boxed{ UNCHOSEN \rightarrow \{ DEFERRED, DORMANT, REJECTED, LOST, RECOVERED \}. } $$ --- # 22. Lost Option Set 定義： $$ \boxed{ L_t^A = \left\{ u\in\mathcal U_t^A: u\notin \mathcal R_{t+1:H}^{recoverable,A} \right\}. } $$ --- # 23. 仍然是 Contract-Relative 如果 intervention class： $$ \mathcal I $$ 改變， 某些： $$ u $$ 可能從 LOST 變成 RECOVERABLE。 所以： $$ \boxed{ Lost = Lost(H,\mathcal I,\kappa). } $$ --- # 24. Counterfactual Shadow 未選路徑可以只保存 summary： $$ \boxed{ \mathcal S_t^{cf} \subseteq \mathcal U_t. } $$ --- # 25. 為什麼要 Shadow Record？ 未來可用於： - regret analysis； - counterfactual simulation； - audit； - explanation； - recovery； - branch reopening。 --- # 26. Shadow 不是 Actual History $$ \boxed{ \mathcal S_t^{cf} \neq H_t^{actual}. } $$ 這條必須永久保留。 --- # 27. Dependency Sedimentation action： $$ a_t $$ 可能新增： $$ \boxed{ \Delta D_t^+ } $$ 或移除： $$ \boxed{ \Delta D_t^-. } $$ --- # 28. Dependency Update $$ \boxed{ D_{t+1} = D_t \cup \Delta D_t^+ \setminus \Delta D_t^-. } $$ --- # 29. Dependency 可以是什麼？ - code dependency； - vendor； - contract； - debt； - skill specialization； - infrastructure； - social tie； - legal obligation； - dataset schema； - hardware commitment。 --- # 30. Enabling Dependency 新增 dependency： $$ d $$ 可能： $$ \boxed{ \mathcal R_{t+1:H} \supset \mathcal R_{t:H}. } $$ --- # 31. Constraining Dependency 也可能： $$ \boxed{ \mathcal R_{t+1:H} \subset \mathcal R_{t:H}. } $$ --- # 32. 同一 Dependency 可以兩者同時存在 例如採用 platform： - 增加 ecosystem capabilities； - 同時提高 switching cost。 所以： $$ \boxed{ Enable(d) \land Constrain(d) } $$ 完全可能。 --- # 33. Commitment Sedimentation 若 action： $$ a_t $$ 創造： - contract； - standard； - sunk cost； - identity commitment； - legal obligation； 則： $$ \boxed{ Commit_t \rightarrow D_{t+1}. } $$ --- # 34. Future-Induced Commitment TCD-04 中： $$ R_t^+(f) \rightarrow a_t^{commit}. $$ TCD-05 接： $$ \boxed{ a_t^{commit} \rightarrow D_{t+1}. } $$ --- # 35. 因此想像的未來可以沉積成真實依賴 完整鏈： $$ \boxed{ FutureRepresentation_t \rightarrow Action_t \rightarrow Dependency_{t+1}. } $$ --- # 36. 這不是 Future Event Retrocausality 因為真正 causal input 是： $$ R_t^+. $$ --- # 37. Plasticity Sedimentation action / experience： $$ e_t $$ 可能更新： $$ \boxed{ \theta_{t+1} = U( \theta_t, e_t ). } $$ --- # 38. Neural Parameters 對學習 agent： $$ \theta_t $$ 可能是 network weights。 --- # 39. Human / Institution 更一般可表示： - habit； - skill； - trust； - norm； - procedure； - organizational routine。 --- # 40. Capability Sedimentation 若 experience 產生新 skill： $$ \boxed{ Cap_{t+1} = Cap_t \cup \Delta Cap_t. } $$ --- # 41. Capability Loss 也可能： $$ \boxed{ Cap_{t+1} = Cap_t \setminus \Delta Cap_t^-. } $$ 例如： - de-skilling； - forgetting； - disuse； - tool removal。 --- # 42. Resource Sedimentation $$ \boxed{ Res_{t+1} = Res_t - Cost(a_t) + Gain(a_t). } $$ --- # 43. Permission Sedimentation action 可能產生： - certification； - license； - sanction； - ban； - trust； - authority change。 所以： $$ \boxed{ Perm_{t+1} \neq Perm_t. } $$ --- # 44. Environment Sedimentation agent 也會改變外部 environment： $$ \boxed{ Env_{t+1} = F_E( Env_t, a_t ). } $$ --- # 45. 因此「歷史」可以在 Agent 外部 TCD-01 已說 Past 不只是 memory。 TCD-05 現在更明確： > action 可以把歷史寫進世界本身。 --- # 46. External Historical Residue 例如： - building； - database； - law； - road； - codebase； - manufactured object； - environmental damage； - infrastructure。 --- # 47. Internal Historical Residue 例如： - weights； - memories； - habits； - skills； - policy； - belief state。 --- # 48. Distributed Historical Residue 真實系統常： $$ \boxed{ R_t^- = R_t^{internal} \oplus R_t^{external} \oplus R_t^{institutional}. } $$ --- # 49. Event Sourcing 的工程校準 Microsoft Azure 的 Event Sourcing pattern 明確使用： $$ \boxed{ \text{append-only event stream} } $$ 保存對 object 執行的每次 logical change。 --- # 50. Event Stream 對 entity： $$ x, $$ 有： $$ \boxed{ E_x = ( e_1,e_2,\ldots,e_t ). } $$ --- # 51. Current State by Replay current state 可以： $$ \boxed{ State_t = Replay( E_x ). } $$ --- # 52. Snapshot 是 Optimization Event Sourcing 特別指出： > snapshot 可以降低完整 replay 成本，但 event stream 仍是 authoritative history。 這跟 TCD 的： $$ \boxed{ \text{compressed Past} } $$ 非常相鄰。 --- # 53. 但 Event Sourcing 不等於 TCD Event sourcing 通常保存： > 發生的 operation。 TCD 還想保存： - alternatives； - future representations； - lost options； - hidden / unknown regions； - causal decision context。 所以： $$ \boxed{ EventStore \subsetneq? HistoricalChoiceLineage. } $$ 只是概念近鄰，不做嚴格集合 claim。 --- # 54. DQN Experience Replay 的外部校準 Deep Q-Network 將 interaction experience： $$ \boxed{ e_t = (s_t,a_t,r_t,s_{t+1}) } $$ 存入 replay memory。 --- # 55. Past Experience Re-enters Learning 之後 training 從 replay memory sample experience， 更新： $$ Q(s,a;\theta). $$ 所以： $$ \boxed{ \text{past interaction} \rightarrow \text{future policy parameters}. } $$ --- # 56. TCD 對 Experience Replay 的讀法 這是一個： $$ \boxed{ \text{explicit memory sedimentation} } $$ 的 engineering micro-model。 --- # 57. 但 TCD 不要求 Replay 歷史也可以只以： $$ \theta_t $$ 形式留下， 即： $$ \boxed{ \text{implicit sedimentation}. } $$ --- # 58. Synaptic Intelligence 的校準 Synaptic Intelligence 對每個 synapse 累積： > 它對先前 task performance 的 contribution / importance。 --- # 59. Past Task Becomes Constraint on Future Plasticity 其核心： $$ \boxed{ \text{past importance} \rightarrow \text{future parameter update constraint}. } $$ --- # 60. 這非常接近 Dependency Residue 不是說 synapse 是「歷史本身」。 而是： > past learning 以 parameter importance 的形式形成後續 update constraint。 --- # 61. EWC 的校準 Elastic Weight Consolidation 同樣： > 對舊 task 重要的 parameters，在學新 task 時降低修改幅度。 --- # 62. TCD 的讀法 $$ \boxed{ \text{past competence} \rightarrow \text{present/future plasticity geometry}. } $$ --- # 63. Sedimentation Can Protect and Constrain Simultaneously EWC / SI 都提醒： > history preservation 可以避免 forgetting， 但也會限制 new adaptation。 --- # 64. Stability–Plasticity Tradeoff $$ \boxed{ \text{stability} \leftrightarrow \text{plasticity}. } $$ --- # 65. 2025 Bayesian Continual Learning 的重要提醒 近期 Bayesian continual-learning work 顯示： > 過度保持舊資訊也可能產生 memory rigidity，使新 task learning 能力下降。 --- # 66. 所以「全部沉積」不是理想 $$ \boxed{ \text{more historical retention} \not\Rightarrow \text{better agent}. } $$ --- # 67. Historical Sedimentation 必須同時管理 Forgetting 真正： $$ \boxed{ \text{Sedimentation} + \text{Selective Forgetting}. } $$ --- # 68. Forgetting 不是 Delete History 的同義詞 可以： - lower weight； - compress； - archive； - make dormant； - remove from active policy state。 --- # 69. Active Past 與 Archived Past 定義： $$ \boxed{ \mathcal B_t^{-,active} } $$ 與： $$ \boxed{ \mathcal B_t^{-,archive}. } $$ --- # 70. Reactivation 若 archived residue 因新 task 變 relevant： $$ \boxed{ archive \rightarrow active. } $$ --- # 71. Sedimentation Persistence Profile 對 residue： $$ r, $$ 定義： $$ \boxed{ \rho_t^{sed}(r,\Delta;T) } $$ 表示： > 經過 $\Delta$ 時間後， $r$ 對 task $T$ 的剩餘 functional influence。 --- # 72. Persistence 不一定指 Exponential Decay 本文不假設： $$ \rho(\Delta) = e^{-\lambda\Delta}. $$ 它可以： - decay； - remain stable； - reactivate； - abruptly disappear； - increase with reinforcement。 --- # 73. Sedimentation Half-Life 若某 domain 適合， 可定義： $$ \boxed{ \tau_{1/2}(r) } $$ 使： $$ \rho(r,\tau_{1/2}) = \frac12\rho(r,0). $$ 但不是 universal requirement。 --- # 74. Permanent Sedimentation 若在指定 horizon： $$ \rho(r,\Delta) \approx1, $$ 可稱： $$ \boxed{ \text{persistent sediment}. } $$ --- # 75. Transient Sedimentation 若快速： $$ \rho\rightarrow0, $$ 只是 transient historical trace。 --- # 76. Sedimentation Depth 有些 action 只改： $$ \text{event log}. $$ 有些改： - policy； - capability； - infrastructure； - legal regime。 可定義： $$ \boxed{ D_{sed}(a) } $$ 作多層影響深度。 --- # 77. Sedimentation Type Vector $$ \boxed{ \mathbf S_t = ( S_{event}, S_{param}, S_{cap}, S_{dep}, S_{res}, S_{perm}, S_{env}, S_{prov} ). } $$ --- # 78. Event Sedimentation action 被記錄。 --- # 79. Parameter Sedimentation 內部 state / weight 改變。 --- # 80. Capability Sedimentation skill / tool / model ability 改變。 --- # 81. Dependency Sedimentation commitment / lock-in 改變。 --- # 82. Resource Sedimentation 資源 budget / asset 改變。 --- # 83. Permission Sedimentation 權限／制度可行性改變。 --- # 84. Environmental Sedimentation 外部 world structure 改變。 --- # 85. Provenance Sedimentation decision reasons / forecasts / evidence 被記錄。 --- # 86. 不是每個 Action 都八層全改 所以： $$ \boxed{ \mathbf S_t } $$ 通常 sparse。 --- # 87. Historical Unit 本文最終採： $$ \boxed{ \mathfrak s_t = ( Z_t, \mathcal A_t^{eff}, a_t, \mathcal U_t, R_t^+, Z_{t+1}, \Delta\mathbf S_t, E_t ). } $$ --- # 88. 其中 $\Delta\mathbf S_t$ 可展開 $$ \boxed{ \Delta\mathbf S_t = ( \Delta D, \Delta Cap, \Delta Res, \Delta Perm, \Delta Env, L, O ). } $$ --- # 89. Past Lineage Update $$ \boxed{ \Lambda_{0:t+1}^- = \Lambda_{0:t}^- \oplus \mathfrak s_t. } $$ --- # 90. Past Compression Update $$ \boxed{ \mathcal B_{t+1}^- = \Psi^-( \mathcal B_t^-, \mathfrak s_t ). } $$ 這是 online / incremental form。 --- # 91. Full Rebuild Form 也可以： $$ \boxed{ \mathcal B_{t+1}^- = \Psi^-( \Lambda_{0:t+1}^- ). } $$ --- # 92. Incremental 與 Full Rebuild 應可 Audit 若： $$ \Psi^-_{inc} $$ 與： $$ \Psi^-_{full} $$ 差太大， 代表 compression drift。 --- # 93. Historical Compression Drift 定義： $$ \boxed{ \delta_{hist} = d( \mathcal B_{t+1}^{-,inc}, \mathcal B_{t+1}^{-,full} ). } $$ --- # 94. Snapshot Rebuild Event Sourcing 類系統會定期 snapshot， 降低 replay cost。 TCD 也可以： $$ \boxed{ \Lambda \rightarrow \mathcal B^- \text{ checkpoint}. } $$ --- # 95. Checkpoint 不應刪 Provenance 否則無法： - audit； - rebuild； - counterfactual study； - causal trace。 --- # 96. Compression Loss Ledger 定義： $$ \boxed{ L_{comp}^- } $$ 記錄： > 哪些 historical detail 被丟棄、降權或 archive。 --- # 97. Why Compression Loss Matters 未來新 task： $$ T' $$ 可能需要過去被認為無用的 detail。 --- # 98. Task-Relative Sedimentation 所以： $$ \boxed{ \mathcal B_t^{-,T} \neq \mathcal B_t^{-,T'}. } $$ --- # 99. Universal Archive + Task Views 工程上可考慮： $$ \boxed{ \text{immutable-ish provenance archive} + \text{task-relative active past}. } $$ --- # 100. 但 Archive 也受 Privacy / Storage / Governance 限制 TCD 不要求永久全量監控。 --- # 101. Historical Privacy 若 decision provenance 涉及： - personal data； - sensitive reasoning； - trade secrets； history storage 本身有治理成本。 --- # 102. History Auditability vs Privacy 形成： $$ \boxed{ Auditability \leftrightarrow Privacy. } $$ 需要 domain-specific contract。 --- # 103. Historical Integrity 對沉積 event： $$ e_t, $$ 可保存： - timestamp； - hash； - version； - source； - author / agent； - evidence link。 --- # 104. Provenance 不等於 Truth $$ \boxed{ \text{well-recorded event} \neq \text{correct interpretation}. } $$ --- # 105. Decision Reason 也可能是錯的 future representation： $$ f $$ 可能 phantom。 但如果它影響了 action， 仍應保存： $$ \boxed{ f\text{ influenced }a_t. } $$ --- # 106. Prospective-Cause Sedimentation 定義： $$ \boxed{ PCS_t = \left\{ f: \mathcal A_t^+(a_t;f) \neq0 \right\}. } $$ --- # 107. 這讓 TCD-04 可被歷史 Audit 未來可以問： > 哪些 historical actions 是 forecast-induced？ --- # 108. Self-Fulfilling Audit 若： $$ f \in PCS_t $$ 且： $$ a_t $$ 提高： $$ P(f), $$ 標： $$ \boxed{ \text{candidate self-fulfilling contribution}. } $$ --- # 109. Preventive Audit 若： $$ f_{bad} \in PCS_t $$ 且 mitigation 降低： $$ P(f_{bad}), $$ 標： $$ \boxed{ \text{preventive contribution}. } $$ --- # 110. Constructive Realization Audit 若 future candidate： $$ f $$ 經： $$ f \rightarrow a_t \rightarrow artifact \rightarrow f^{real} $$ 則 decision provenance 提供： $$ \boxed{ \text{constructive lineage}. } $$ --- # 111. Without Sedimentation, Reflexivity Cannot Be Studied Well 如果不保存： $$ f\rightarrow a_t, $$ 多年後只看到： $$ f^{real}, $$ 很難判斷： - prediction； - construction； - coincidence； - shared external cause。 --- # 112. Historical Causal Graph 可以建立： $$ \boxed{ G_t^{hist} = ( V, E_{event}, E_{decision}, E_{dep}, E_{prospective} ). } $$ --- # 113. Event Edge $$ e_i \rightarrow e_j. $$ --- # 114. Decision Edge $$ evidence \rightarrow decision. $$ --- # 115. Dependency Edge $$ action \rightarrow commitment. $$ --- # 116. Prospective Edge $$ futureRepresentation \rightarrow action. $$ --- # 117. Graph 仍不是完整 Causal Proof 因為： - hidden confounders； - incomplete logs； - shared causes。 所以標： $$ \boxed{ \text{causal hypothesis / provenance graph}. } $$ --- # 118. Historical Sedimentation Can Be Reversible 一個 dependency： $$ d $$ 可以後來移除。 --- # 119. De-Sedimentation 定義： $$ \boxed{ \mathsf{DeSed}(r) } $$ 表示： > 歷史 residue 的 functional effect 被消除／恢復／解鎖。 --- # 120. 但 De-Sedimentation 不等於 Erasing History 例如解除 contract： dependency 消失， 但： $$ \boxed{ \text{it happened} } $$ 仍屬 historical fact。 --- # 121. Functional Reversal vs Historical Erasure $$ \boxed{ \text{FunctionalReversal} \neq \text{HistoricalErasure}. } $$ --- # 122. Reopening a Lost Option 如果： $$ u \in L_t $$ 後來新 technology 恢復： $$ u, $$ 則： $$ \boxed{ LOST \rightarrow RECOVERED. } $$ --- # 123. History Changes Current Meaning Without Changing Past Fact 這會直接接下一篇 TCD-06。 同一 historical action： $$ a_\tau $$ 在新 future target 下可能變得： - relevant； - irrelevant； - enabling； - bottleneck。 --- # 124. But the Event Itself Did Not Change $$ \boxed{ a_\tau^{past} = a_\tau^{past}. } $$ 改的是： $$ \boxed{ Weight_t(a_\tau). } $$ --- # 125. Benchmark A — Event vs Residue 建立相同 event log， 但不同 parameter update / dependency residue。 測： $$ future behavior $$ 是否不同。 --- # 126. Benchmark B — Same State, Different Decision Provenance 兩個 agents 最終做同一： $$ a_t, $$ 但一個因 future $f_1$， 另一個因 $f_2$。 之後改變 future context， 測 resumption / replanning 是否不同。 --- # 127. Benchmark C — Unchosen vs Lost 在 action 後追蹤： $$ u_1,u_2. $$ 其中一個可恢復， 一個不可恢復。 測 framework 是否正確分類。 --- # 128. Benchmark D — Continual Learning Sedimentation sequence tasks： $$ T_1,T_2,\ldots. $$ 比較： - no retention； - replay； - SI / EWC-like consolidation； - over-rigid retention。 測： $$ stability, plasticity, transfer. $$ --- # 129. Benchmark E — Future-Induced Commitment 給 agent： $$ R_t^+(f) $$ 與 control。 看是否： $$ D_{t+1} $$ 出現不同 commitment。 --- # 130. Benchmark F — Historical Compression 比較： - full provenance； - event-only； - event + dependency； - event + decision context； - compressed active past。 測後續： - prediction； - audit； - counterfactual reconstruction； - planning。 --- # 131. Benchmark G — Forgetting Benefit 設計 changing environment， 過度保存舊 task constraint 反而傷害 adaptation。 測 selective forgetting 是否改善。 --- # 132. Benchmark H — Event-Sourced Agent Runtime 讓 agent 每次 major action append： $$ \mathfrak s_t. $$ 再從 event stream + checkpoint reconstruct： $$ \mathcal B_t^-. $$ 測： - auditability； - storage； - replay cost； - drift。 --- # 133. Historical Sedimentation Principle 本文提出： $$ \boxed{ \textbf{Historical Sedimentation Principle} } $$ > **現在成為過去，不只是 action 被記錄，而是 actual action、未選 alternatives、結果、dependency、capability/resource/permission changes 與 decision provenance 被不同程度地納入後續 state 與 historical lineage。** --- # 134. Alternative Status Principle $$ \boxed{ \textbf{Alternative Status Principle} } $$ > **未選路徑必須區分 deferred、dormant、rejected、lost 與 recovered；「未選」不能直接推論成「不可再走」。** --- # 135. Prospective-Cause Preservation Principle $$ \boxed{ \textbf{Prospective-Cause Preservation Principle} } $$ > **若某 future representation 對 present action 有可測影響，則歷史 audit 應保存該 prospective decision context，否則未來無法區分 prediction、prevention、construction 與 coincidence。** --- # 136. Selective Sedimentation Principle $$ \boxed{ \textbf{Selective Sedimentation Principle} } $$ > **歷史 representation 應保留未來任務所需的 functional residue，而不是把所有歷史資訊永久、等權地放在 active state。** --- # 137. Stability–Plasticity Principle $$ \boxed{ \textbf{Historical Stability–Plasticity Principle} } $$ > **保存過去可以保護既有能力，但過度沉積也可能降低新適應能力；因此成熟的長期 agent 必須同時管理 retention、compression、forgetting 與 reactivation。** --- # 138. TCD 已完成的時間箭頭 目前： $$ \boxed{ \mathcal B_t^- \rightarrow \mathcal B_t^0 } $$ Historical Conditioning。 --- # 139. Future Generation $$ \boxed{ ( \mathcal B_t^-, \mathcal B_t^0 ) \rightarrow \mathcal B_t^+ } $$ Generated Future。 --- # 140. Prospective Attraction $$ \boxed{ \mathcal B_t^+ \rightarrow \mathcal B_t^0 } $$ Future Representation reshapes Present。 --- # 141. 本文新增 Historical Sedimentation $$ \boxed{ \mathcal B_t^0 \rightarrow \mathcal B_{t+1}^-. } $$ --- # 142. 小閉環第一次閉起來 因此： $$ \boxed{ \mathcal B_t^+ \rightarrow \mathcal B_t^0 \rightarrow \mathcal B_{t+1}^-. } $$ --- # 143. 以及： $$ \boxed{ \mathcal B_t^- \rightarrow \mathcal B_t^0 \rightarrow \mathcal B_t^+. } $$ --- # 144. 但還缺兩種重要 Coupling 第一： $$ \boxed{ \mathcal B_t^+ \rightarrow \operatorname{Reweight}( \mathcal B_t^- ) } $$ 未來如何改變今天閱讀過去的方式。 --- # 145. 第二： 完整 time-shift： $$ \boxed{ ( \mathcal B_t^-, \mathcal B_t^0, \mathcal B_t^+ ) \rightarrow ( \mathcal B_{t+1}^-, \mathcal B_{t+1}^0, \mathcal B_{t+1}^+ ). } $$ --- # 146. TCD-06 的入口 下一篇： # **TCD-06 — Retrospective Relevance** ## **《未來如何改變我們閱讀過去：不是改寫歷史，而是重加權歷史相關性》** 將正式處理： $$ \boxed{ FutureTarget_t \rightarrow Weight_t( PastEvidence ). } $$ --- # 147. 可否證條件 ## F147.1 Event-Only Sufficiency 若 event log 已足以預測、audit、reconstruct 所有研究任務， 額外 sedimentation structure 應簡化。 ## F147.2 Provenance No-Gain 若 decision context / future-representation provenance 不改善 reflexivity / causal audit， 不應要求全面保存。 ## F147.3 Over-Retention Harm 若 retention 明顯降低 adaptation， framework 必須允許 forgetting / archive。 ## F147.4 Lost-Option Misclassification 若大量 LOST options 後來低成本恢復， lost criterion 太強。 ## F147.5 Causal-Reason Overclaim 若 reported reason 與 actual causal dependency 不一致， 不得把 provenance 當完整心智因果。 ## F147.6 Replay Overgeneralization 若 replay / event sourcing / continual-learning micro-model 無法轉移到其他 domains， 其 evidence scope 保持局部。 ## F147.7 Immutable-History Overreach 若制度／privacy 要求合法刪除或 redaction， TCD 不應把 append-only engineering pattern升格成普遍規範。 --- # 148. 結論 TCD-04 告訴我們： $$ \boxed{ FutureRepresentation_t \rightarrow PresentAction_t. } $$ TCD-05 現在接著回答： > **PresentAction 做完之後去哪裡？** 答案不是單純： > 消失在時間裡。 而是： $$ \boxed{ a_t \rightarrow \mathfrak s_t \rightarrow \mathcal B_{t+1}^-. } $$ 一條當時只是： $$ \boxed{ \text{possible path} } $$ 的 action， 一旦執行， 就成為： $$ \boxed{ \text{actual path}. } $$ 其他 alternatives 則分成： $$ \boxed{ \text{deferred} , \text{dormant} , \text{rejected} , \text{lost} , \text{recoverable}. } $$ action 又可能： $$ \boxed{ \text{create dependencies} } $$ $$ + $$ $$ \boxed{ \text{change capabilities} } $$ $$ + $$ $$ \boxed{ \text{consume or create resources} } $$ $$ + $$ $$ \boxed{ \text{change permissions} } $$ $$ + $$ $$ \boxed{ \text{modify the external world}. } $$ 因此： $$ \boxed{ \textbf{history is not merely recorded after action; history is produced by action.} } $$ 中文： > **歷史不只是行動之後被記錄；歷史本身就是由行動所生成。** 而最重要的閉環已經出現： $$ \boxed{ FutureRepresentation_t \rightarrow Action_t \rightarrow HistoricalResidue_{t+1}. } $$ 也就是： > 昨天還只是被想像的未來，今天可以推動一個選擇；而這個選擇明天就變成新的歷史，進一步限制或開啟下一輪現在與未來。 到這裡，TCD 已經第一次真正具有： $$ \boxed{ \text{temporal accumulation}. } $$ 下一篇要處理一個更細緻、也很容易被誤會成「改變過去」的效果： > **當我們今天生成一個新的 future target，為什麼昨天某些原本不重要的歷史 suddenly 變得關鍵？** 不是 past facts 改變。 而是： $$ \boxed{ \text{their relevance weights change}. } $$ 這就是： # **Retrospective Relevance** --- # Claim Typing | Claim | Type | Status | |---|---|---| | Present-to-Past 可建模為 sedimentation operator | D | TCD formalization | | Action record、historical residue、choice-base space 非同一 | D | Canonical separation | | Unchosen / rejected / lost / recoverable 必須分離 | D | Canonical taxonomy | | Future-representation decision context 可作 historical provenance | D / methodology | Proposed audit rule | | Selective forgetting / archive 應與 retention 一起建模 | D / methodology | Core design principle | | DQN experience replay 保存 interaction experience 供後續 learning | E | External engineering evidence | | SI / EWC 讓 past-task importance 約束後續 parameter updates | E | External continual-learning evidence | | 2025 Bayesian continual-learning results呈現 retention–plasticity tension | E | Recent external evidence | | Azure Event Sourcing 使用 append-only event stream 重建 state | E | Official engineering pattern | | event sourcing 等於 TCD | — | Explicitly rejected | | reported reason 等於完整 internal cause | — | Explicitly rejected | --- # Evidence Ladder 本文目前主要位於： - **L0**：Historical Sedimentation formalism； - **L1–L2**：event/residue、lost-option、decision-provenance、retention/forgetting benchmarks； - **L3**：experience replay、continual learning、event sourcing 提供工程相鄰證據； - **L4**：需要 persistent AI-agent / robot / institutional runtime 進行 longitudinal sedimentation audit； - **L5+**：完整 retrospective relevance 與 full TCD shift operator 尚未完成。 --- # 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. *Prospective Constructive Intelligence*. UCPNP Series II Paper 14, 2026. ## External technical calibration 7. Mnih, V., Kavukcuoglu, K., Silver, D., et al. *Human-level control through deep reinforcement learning*. Nature 518, 529–533, 2015. 8. Kirkpatrick, J., Pascanu, R., Rabinowitz, N., et al. *Overcoming catastrophic forgetting in neural networks*. PNAS 114(13), 3521–3526, 2017. 9. Zenke, F., Poole, B., & Ganguli, S. *Continual Learning Through Synaptic Intelligence*. Proceedings of Machine Learning Research 70, 3987–3995, 2017. 10. *Bayesian continual learning and forgetting in neural networks*. Nature Communications, 2025. 11. Microsoft Azure Architecture Center. *Event Sourcing Pattern*. Current official documentation, accessed 2026-08-17. 12. Arthur, W. B. *Competing Technologies, Increasing Returns, and Lock-In by Historical Events*. The Economic Journal 99(394), 116–131, 1989. --- ## Public Version Disclaimer 本文是一個 cognitive / agent / decision / historical-dynamics framework。 本文不聲稱： - 所有歷史都應以 append-only log 永久保存； - event sourcing 是認知科學理論； - replay memory 等於人類記憶； - SI / EWC 等同歷史沉積； - forgetting 必然有益或必然有害； - action reason provenance 可以完整讀取 opaque agent 的真正內因； - counterfactual shadow 等於真實歷史； - lost option 永久不可恢復； - 本文已完成全部 Tri-Temporal Cognitive Dynamics； - 本文涉及 physical retrocausality； - 本文對 classical $P$ vs. $NP$ 提供任何新證明。 本文真正建立的是： $$ \boxed{ \mathcal B_t^0 \rightarrow \mathcal B_{t+1}^-. } $$ 以及： $$ \boxed{ \text{history is produced through selective sedimentation of action, alternatives, consequences, dependencies, plasticity, and provenance}. } $$