# TADC-04：嵌套注意域與觀察尺度——宏觀／微觀的相對性與多尺度重索引 **英文題名：** Nested Attentional Domains and Observation Scale: Relative Macro–Micro Structure and Multiscale Re-indexing **系列：** Topological Attention and Dynamic Cognitive Domains — Conjecture Series（TADC） **中文系列名：** 拓樸注意力與動態認知域命題系列 **編號：** TADC-04 **版本：** v0.1 **日期：** 2026-08-17 **作者：** Neo.K（許筌崴） **協作：** GPT-5.6 Sol **文件性質：** 理論命題／多尺度形式化／可證偽研究綱領 **文獻檢索截點：** 2026-08-17 --- ## 摘要 TADC-01 提出可變認知空間與注意—空間轉換猜想；TADC-02 將有效認知域描述為由目標、關係、可達性與解析尺度所誘導出的局部 chart；TADC-03 再提出 Expansion、Contraction、Traversal、Gluing、Detachment、Re-indexing 六個候選認知算子。 本文處理由此自然產生的第四個問題： > **如果認知域可以嵌套，而同一結構又可以在不同解析度下被視為「一個物件」或「一整個域」，那麼 macro 與 micro 是否真的是固定層級？** 本文提出四個核心猜想： 1. **Nested Attentional Domain Conjecture（NADC）**：有效認知域可以形成多層嵌套結構，但一般不必被限制為單一樹狀 hierarchy； 2. **Object–Domain Duality Conjecture（ODDC）**：同一認知結構可在粗解析度下作為單一 object，在細解析度下作為具有內部關係的 domain； 3. **Scale-Relative Macro–Micro Conjecture（SRMMC）**：macro / micro 不是絕對本體分類，而是相對於觀察尺度與當前表示層級的關係； 4. **Cross-Scale Invariance Conjecture（CSIC）**：若多尺度表示不是任意分析產物，應存在部分跨尺度保持的關係、可達性或功能不變量。 本文引入觀察尺度算子： $$ \mathcal O_\lambda, $$ 粗粒化算子： $$ P_{\lambda_f\rightarrow\lambda_c}, $$ 以及細化／展開算子： $$ F_{\lambda_c\rightarrow\lambda_f}. $$ 同一認知結構： $$ U $$ 可在細尺度表示為： $$ U^{(\lambda_f)} = \{x_1,\ldots,x_n;\mathcal R\}, $$ 而在粗尺度被壓縮為： $$ P_{\lambda_f\rightarrow\lambda_c} ( U^{(\lambda_f)} ) = z_U. $$ 因此： $$ \boxed{ \text{domain at one scale} \leftrightarrow \text{object at another scale}. } $$ 現有研究已顯示人類能形成 nested spatial cognitive maps、學習不同抽象層級的 hierarchical concepts、在 hierarchical cognitive control 中分離 abstract context 與 subordinate task-set updating，並以快速神經序列建構嵌套結構。這些結果支持 multilevel representation 的存在，但尚未證明 macro / micro 必然具有本文所主張的尺度相對性，也未證明一般 cognition 存在可逆的跨尺度 re-indexing operator。 本文進一步提出 scale-consistency diagram、跨尺度可達性、scale-dependent boundary、resolution cost、representation loss 與 coarse-graining invariants，並建立 fixed hierarchy、single-resolution、analyst-only multiscale decomposition 等虛無模型。 本文的目的不是宣稱 cognition 已被證明具有無限嵌套拓樸，而是把「宏觀／微觀可能只是觀察尺度」改寫成一組可被行為、神經表示與模型比較直接擊敗的命題。 **關鍵詞：** nested attention；hierarchy；multiscale cognition；macro–micro relativity；re-indexing；coarse-graining；cognitive maps；hierarchical control；cognitive invariants；TADC --- # 0. 邊界聲明 本文不是臨床研究、醫療模型或個人認知診斷。 本文亦不主張： $$ \boxed{ \text{the brain is literally an infinitely nested topological manifold}. } $$ 本文所稱： - macro； - micro； - scale； - coarse-graining； - chart； - invariant； 皆為候選形式語言。 只有在這些結構能提供超越傳統： - hierarchical task representation； - chunking； - abstraction； - cognitive map； - category learning； - multilevel control； 的增量預測後，才應保留。 本文也明確區分： $$ \boxed{ \text{observer-relative} } $$ 與： $$ \boxed{ \text{arbitrary}. } $$ 尺度相對不表示任何尺度都同樣合理。 有效解析度必須受到： $$ \text{behavior}, \text{task}, \text{representation}, \text{prediction} $$ 約束。 --- # 1. 前三篇留下的問題 TADC-01 定義： $$ \mathcal C_t = ( X_t, \mathcal R_t, \kappa_t, \mathcal N_t, A_t, G_t ). $$ TADC-02 定義 dynamic cognitive atlas： $$ \mathfrak A_t = \{ (U_{\alpha,t},\phi_{\alpha,t}) \}. $$ TADC-03 又定義 Re-indexing： $$ R_\lambda: \mathfrak A^{(\lambda_1)} \rightarrow \mathfrak A^{(\lambda_2)}. $$ 但這立即引出： > 如果不同 \(\lambda\) 會改變「什麼算一個 object」，那 macro / micro 到底在哪裡？ 若： $$ U = \{x_1,\ldots,x_n\} $$ 在某一尺度是一個 domain， 但在另一尺度： $$ U \mapsto z_U, $$ 變成一個單一 object， 那麼： $$ \boxed{ \text{object} \quad\text{and}\quad \text{domain} } $$ 就不再是絕對互斥類別。 這是本文的起點。 --- # 2. 最小尺度參數 令： $$ \lambda $$ 表示認知表示或觀察解析度。 本文約定： $$ \lambda_f < \lambda_c $$ 表示： $$ \lambda_f $$ 較細， $$ \lambda_c $$ 較粗。 這只是符號慣例。 細尺度： $$ \mathcal C^{(\lambda_f)} $$ 保留更多內部區分。 粗尺度： $$ \mathcal C^{(\lambda_c)} $$ 把部分內部差異 coarse-grain。 因此： $$ \boxed{ \mathcal O_\lambda: \mathcal C \mapsto \mathcal C^{(\lambda)} } $$ 稱為 observation-scale operator。 --- # 3. 「觀察者」在本文中是什麼？ 本文不要求神秘的外部心靈觀察者。 觀察者可以是： 1. 認知主體在某個任務中的 representational policy； 2. 實驗要求形成的 abstraction level； 3. 一個分析模型； 4. 一個神經解碼尺度； 5. 一個外部測量系統。 因此： $$ \mathcal O_\lambda $$ 真正表示： $$ \boxed{ \text{which distinctions are retained at scale }\lambda. } $$ 不同觀察者只要使用相同 discrimination policy， 可以得到近似相同： $$ \mathcal C^{(\lambda)}. $$ 所以本文的 observer relativity 並不是主觀任意性。 --- # 4. Nested Attentional Domain Conjecture（NADC） 若存在一組 domains： $$ U_0,U_1,\ldots,U_n $$ 使： $$ U_0 \subset U_1 \subset \cdots \subset U_n, $$ 則形成一條 nested chain。 但一般 cognition 不必只有一條 chain。 更一般地： $$ \mathcal U = \{U_\alpha\} $$ 可以形成 partial order： $$ U_\alpha \preceq U_\beta $$ 若： $$ U_\alpha $$ 在某解析度上被包含或抽象進： $$ U_\beta. $$ NADC 宣稱： $$ \boxed{ \text{effective attentional domains can support multilevel nested organization}. } $$ --- # 5. 為什麼不能直接假定是一棵樹？ 樹要求每個 child： $$ U_i $$ 只有一個 parent。 但 TADC-02 已允許 overlap： $$ U_A\cap U_B\neq\varnothing. $$ 因此一個局部結構： $$ U_x $$ 可能同時參與： $$ U_A $$ 與： $$ U_B. $$ 所以一般結構可能是： - tree； - DAG； - lattice-like partial order； - overlapping nested cover； - heterarchy。 因此： $$ \boxed{ \text{hierarchical} \neq \text{strictly tree-structured}. } $$ 這是一個必要限制。 --- # 6. 現有 nested-space 證據 Peer 與 Epstein（2025）讓參與者學習一個「庭院中包含建築物」的 virtual environment。 也就是： $$ U_{\mathrm{building}} \subset U_{\mathrm{courtyard}}. $$ 跨 subspace integration 比同一 subspace 內判斷更慢、更不準，且 hippocampus、retrosplenial complex、occipital place area 等區域呈現與 hierarchical organization 相符的神經結果。 這提供直接證據： $$ \boxed{ \text{humans can form cognitive maps of nested spaces}. } $$ 但它不證明： $$ \boxed{ \text{all abstract cognition is nested}. } $$ 也不證明： $$ \boxed{ \text{macro/micro is always re-indexable}. } $$ --- # 7. Hierarchical Concepts 也具有多層級表示 Mack 等人（2021）研究 hierarchical concept learning，讓 participants 在不同抽象層次學習 category structure。 其結果顯示 hippocampus 與 prefrontal regions 參與 hierarchical conceptual learning，而 cognition 可以在： $$ \text{superordinate} $$ 與： $$ \text{subordinate} $$ 層次操作。 這至少支持： $$ \boxed{ \text{conceptual cognition is not restricted to one fixed level}. } $$ 但： $$ \text{multi-level classification} $$ 仍不等於： $$ \text{dynamic object-domain duality}. $$ --- # 8. Object–Domain Duality Conjecture（ODDC） 假設： $$ U = ( X_U, \mathcal R_U ) $$ 是一個具有內部關係的 cognitive domain。 在細尺度： $$ \mathcal O_{\lambda_f}(U) = ( X_U,\mathcal R_U ). $$ 在粗尺度： $$ \mathcal O_{\lambda_c}(U) = z_U. $$ 其中： $$ z_U $$ 作為單一 functional object。 因此： $$ \boxed{ U^{(\lambda_f)} \leftrightarrow z_U^{(\lambda_c)}. } $$ ODDC 宣稱： > 同一認知結構可以依表示解析度，在一個尺度上作為 domain，在另一個尺度上作為 object。 --- # 9. Objecthood 因此可能是尺度相對的 一般語言常假定： $$ x = \text{object} $$ 是固定事實。 但考慮： $$ x = \text{a theorem}. $$ 在高階規劃中， 整個 theorem 可以是一個 node： $$ z_{\mathrm{thm}}. $$ 但在 proof construction 中， 它展開成： $$ U_{\mathrm{thm}} = \{ \text{definitions}, \text{lemmas}, \text{dependencies}, \text{proof steps} \}. $$ 因此： $$ \boxed{ \text{objecthood} = \text{resolution-dependent functional status}. } $$ 這不是否定客觀物件存在， 而是區分： $$ \text{physical / semantic identity} $$ 與： $$ \text{current cognitive objecthood}. $$ --- # 10. 粗粒化算子 \(P\) 定義： $$ P_{\lambda_f\rightarrow\lambda_c}: \mathcal C^{(\lambda_f)} \rightarrow \mathcal C^{(\lambda_c)}. $$ 對一個 domain： $$ U = \{x_1,\ldots,x_n\}, $$ 粗粒化： $$ P(U) = z_U. $$ 理想 coarse-graining 不是任意刪資料。 它應保留： $$ \boxed{ \text{task-relevant sufficient structure}. } $$ 所以： $$ P $$ 的品質需要用後續行為預測測量。 --- # 11. 細化算子 \(F\) 反方向： $$ F_{\lambda_c\rightarrow\lambda_f}: z_U \mapsto \widetilde U. $$ 理想情況： $$ \widetilde U \approx U. $$ 但通常： $$ F(P(U)) \neq U. $$ 原因包括： - compression loss； - forgetting； - context change； - abstraction； - reconstruction error。 因此： $$ \boxed{ F\neq P^{-1} } $$ 一般成立。 這延續 TADC-03 的不可逆性。 --- # 12. Re-indexing 的正式拆解 TADC-03 的： $$ R_\lambda $$ 現在可以拆成： ### Coarse Re-indexing $$ R^- = P_{\lambda_f\rightarrow\lambda_c}. $$ ### Fine Re-indexing $$ R^+ = F_{\lambda_c\rightarrow\lambda_f}. $$ 因此： $$ \boxed{ R = \{R^-,R^+\}. } $$ 這讓「物件 ↔ 域」第一次具有明確雙向操作。 --- # 13. Scale-Relative Macro–Micro Conjecture（SRMMC） 若： $$ U_i\subset U_j, $$ 則相對於： $$ U_j, $$ 可稱： $$ U_i $$ 為 micro。 但是相對於： $$ x\in U_i, $$ 則： $$ U_i $$ 又是 macro。 所以： $$ \boxed{ \operatorname{Macro}(U_i,U_j) } $$ 或： $$ \boxed{ \operatorname{Micro}(U_i,U_j) } $$ 應該是 binary relation， 而不是 unary property。 形式： $$ \operatorname{Micro}(A,B) \iff A\prec B. $$ 因此不存在無參照物的： $$ \text{absolute micro}. $$ --- # 14. Macro / Micro 不是消失，而是關係化 SRMMC 並不是說： > 宏觀和微觀毫無意義。 而是說： $$ \boxed{ \text{macro/micro should be relational, not absolute}. } $$ 就像： $$ \text{left/right} $$ 需要 reference frame。 macro/micro 也需要： $$ \lambda $$ 或： $$ U_{\mathrm{reference}}. $$ 所以更精確寫： $$ \operatorname{ScaleLevel} ( U\mid\lambda,G ). $$ --- # 15. 觀察尺度與認知尺度必須分離 研究者可以使用： $$ \lambda_{\mathrm{analysis}}. $$ participant 自己則可能使用： $$ \lambda_{\mathrm{cog}}. $$ 兩者不必相同。 所以： $$ \boxed{ \lambda_{\mathrm{analysis}} \neq \lambda_{\mathrm{cog}} } $$ 是一個重要風險。 如果研究者事後把資料切成三層， 並不能證明 participant 真的使用三層 cognition。 真正的 multiscale cognition 證據需要： - behavioral discontinuity； - switch cost； - generalization pattern； - neural decoding； - spontaneous grouping； 指向同樣的 scale structure。 --- # 16. Hierarchical Cognitive Control 的鄰接證據 Leach、Chen 與 Hwang（2026）區分： $$ \text{higher-level context} $$ 與： $$ \text{subordinate task set}. $$ 其結果顯示： - subordinate rule switches 較快； - 更容易受 task-irrelevant perceptual change 影響； - abstract context switches 較慢但較穩定； - neural reconfiguration pattern 在不同 hierarchy level 不同。 這支持： $$ \boxed{ \text{different representational scales have different updating dynamics}. } $$ 但它仍可由固定 hierarchy 解釋。 所以對 SRMMC 而言只是必要鄰接證據， 不是充分證據。 --- # 17. 快速建構嵌套結構 2025 年 PNAS 研究《Building hierarchically nested structure by rapid neural sequences》使用 MEG 研究人類建構 hierarchical nested structures。 研究報告快速神經序列執行反覆的 generative operations，使 cognition 能構造 nested hierarchy。 這非常接近： $$ \boxed{ \text{hierarchy as dynamically constructed structure}. } $$ 但該研究針對特定 hierarchical structure task。 它並不證明 TADC 所說： $$ \boxed{ \text{domain/object status is generally scale-relative}. } $$ --- # 18. Hierarchy Construction 與 Hierarchy Navigation 必須分離 假設 hierarchy： $$ H $$ 已經存在。 從： $$ U_i $$ 走到： $$ U_j $$ 是： $$ \boxed{ \text{hierarchy navigation}. } $$ 而： $$ H_t \rightarrow H_{t+1} $$ 才是： $$ \boxed{ \text{hierarchy construction / transformation}. } $$ TADC 主要關注後者。 因此： $$ \boxed{ \text{navigating levels} \neq \text{changing levels or boundaries}. } $$ --- # 19. Scale-Dependent Domain Boundary TADC-02 定義： $$ \partial D_t = \partial D( G_t,\theta,\lambda ). $$ 本文進一步強調： $$ \boxed{ \partial D^{(\lambda_f)} \neq \partial D^{(\lambda_c)} } $$ 可以成立。 例如細尺度看： $$ D = D_1\cup D_2\cup D_3. $$ 粗尺度： $$ P(D_1,D_2,D_3) = D^*. $$ 原來的內部 boundaries： $$ \partial D_1, \partial D_2, \partial D_3 $$ 在粗尺度可能消失。 --- # 20. Boundary Disappearance 不等於資訊不存在 如果： $$ P: D_1,D_2 \mapsto D^*, $$ 不表示： $$ D_1,D_2 $$ 物理或記憶上不存在。 只表示： $$ \boxed{ \text{their distinction is currently suppressed at scale }\lambda_c. } $$ 這是 representational suppression， 不是 ontological deletion。 --- # 21. 多尺度可達性 在尺度： $$ \lambda $$ 定義： $$ \operatorname{Reach}^{(k)}_\lambda(x). $$ 同一兩個 fine-scale objects： $$ x,y $$ 可能： $$ d_{\lambda_f}(x,y)\gg0, $$ 但它們各自 coarse-grain 後： $$ P(x)\approx P(y). $$ 因此： $$ d_{\lambda_c}(P(x),P(y)) \ll d_{\lambda_f}(x,y). $$ 所以： $$ \boxed{ \text{cognitive distance is scale-dependent}. } $$ --- # 22. 跨尺度最短路徑 一個問題的最佳 reasoning path 不必全部在同一尺度。 例如： $$ x \overset{R^-}{\longrightarrow} U \overset{T}{\longrightarrow} V \overset{R^+}{\longrightarrow} y. $$ 也就是： 1. 把細節 coarse-grain； 2. 在高階 domain 間快速 Traversal； 3. 再展開到細節。 總成本： $$ K_{\mathrm{multi}} = K_{R^-} + K_T + K_{R^+}. $$ 若： $$ K_{\mathrm{multi}} < K_{\mathrm{fine-only}}, $$ 那跨尺度 reasoning 更有效。 這是一個非常直接的可測命題。 --- # 23. Multiscale Routing Conjecture（MRC） 本文增加一個衍生命題： > 高階 cognition 的有效 trajectory 可以主動跨解析度 routing，而不必在單一 resolution 中完成。 形式： $$ \boxed{ \gamma = ( x^{(\lambda_1)}_1, x^{(\lambda_2)}_2, \ldots ) } $$ 允許： $$ \lambda_i \neq \lambda_{i+1}. $$ 若最佳 path： $$ \gamma^* $$ 經常包含： $$ R^-, R^+, $$ 則 Re-indexing 不是附帶現象，而是 reasoning strategy 的核心部分。 --- # 24. 認知解析度成本 細尺度保留更多資訊， 但成本高。 定義： $$ K(\lambda) $$ 使： $$ \lambda\downarrow \Rightarrow K(\lambda)\uparrow $$ 作為候選關係。 成本來源： - working memory； - search； - representation； - interference； - update； - serialization。 因此 cognition 可能在： $$ \boxed{ \text{detail} \quad\text{vs}\quad \text{cost} } $$ 之間選擇解析度。 --- # 25. Resolution Utility 定義： $$ U(\lambda) = V_{\mathrm{task}}(\lambda) - \beta K(\lambda) - \gamma L(\lambda), $$ 其中： $$ L(\lambda) $$ 是 coarse-graining information loss。 最佳尺度： $$ \lambda^* = \arg\max_\lambda U(\lambda). $$ 這不是已證明模型， 但提供一個可測的 bounded multiscale cognition framework。 --- # 26. 太粗與太細都可能失敗 若： $$ \lambda $$ 太粗： $$ L(\lambda)\uparrow $$ 造成： - critical distinction 消失； - false equivalence； - bad transfer； - causal detail 遺失。 若太細： $$ K(\lambda)\uparrow $$ 造成： - overload； - slow reasoning； - interference； - search explosion。 所以 cognition 可能需要： $$ \boxed{ \text{adaptive resolution}. } $$ --- # 27. Scale Transition Cost Re-indexing 不是免費。 定義： $$ K_R( \lambda_i \rightarrow \lambda_j ). $$ 若： $$ |\lambda_i-\lambda_j| \uparrow, $$ 通常： $$ K_R $$ 可能增加。 但如果已形成穩定 chunk / schema： $$ K_R\downarrow. $$ 因此 expertise 可能部分表現在： $$ \boxed{ \text{lower cross-scale re-indexing cost}. } $$ 這是待驗證命題。 --- # 28. 專家與新手的多尺度差異 新手可能： $$ R^-: U \rightarrow z_U $$ 非常不可靠， 因為還不知道哪些 detail 可以安全省略。 專家則可能形成： $$ \boxed{ \text{high-fidelity coarse-graining}. } $$ 也就是： $$ P_{\mathrm{expert}}(U) $$ 雖然壓縮， 仍保留 task-relevant invariants。 因此 expert advantage 不一定只來自： $$ \text{more knowledge}. $$ 可能還包括： $$ \boxed{ \text{better multiscale representation policy}. } $$ 本文不宣稱這已被證明。 --- # 29. Cross-Scale Invariance Conjecture（CSIC） 如果： $$ P $$ 只是任意壓縮， 那 TADC 的 multiscale language 沒有深度。 因此必須問： > 哪些結構在尺度改變後保持？ 定義 invariant： $$ I(\mathcal C). $$ 若： $$ I( P_{\lambda_f\rightarrow\lambda_c} ( \mathcal C^{(\lambda_f)} ) ) = I( \mathcal C^{(\lambda_f)} ), $$ 則： $$ I $$ 是候選 coarse-graining invariant。 --- # 30. 候選不變量 可能包括： ### Goal identity $$ I_G. $$ ### Causal ordering $$ x\prec y. $$ ### Reachability class $$ [x]_{\mathrm{reach}}. $$ ### Critical bridge identity $$ B^*. $$ ### Solution equivalence class $$ [\sigma]. $$ ### Component relation $$ \operatorname{Conn}(U,V). $$ 這些都只是候選。 真正不變量必須透過不同 task / scale 驗證。 --- # 31. Scale Consistency Diagram 若 fine-scale dynamics： $$ \Phi_f: \mathcal C_f \rightarrow \mathcal C_f' $$ 以及 coarse-scale dynamics： $$ \Phi_c: \mathcal C_c \rightarrow \mathcal C_c', $$ 理想 scale-consistency 要求： $$ P\circ\Phi_f \approx \Phi_c\circ P. $$ 圖式： $$ \begin{array}{ccc} \mathcal C_f & \xrightarrow{\Phi_f} & \mathcal C_f'\\ \downarrow P & & \downarrow P\\ \mathcal C_c & \xrightarrow{\Phi_c} & \mathcal C_c' \end{array} $$ 若： $$ P\Phi_f = \Phi_cP, $$ 稱強尺度一致。 若只近似： $$ P\Phi_f \approx \Phi_cP, $$ 稱 approximate scale consistency。 --- # 32. 為什麼這個交換圖很重要？ 因為如果粗尺度模型完全預測錯： $$ P\Phi_f \not\approx \Phi_cP, $$ 那 coarse representation： $$ \mathcal C_c $$ 不是有效 abstraction。 也就是： $$ \boxed{ \text{good coarse-graining must preserve enough dynamics}. } $$ 這使「macro representation」變成可驗證概念， 而不是研究者方便畫圖。 --- # 33. Scale-Dependent Dynamics 但是並不要求： $$ \Phi_c $$ 與： $$ \Phi_f $$ 形式完全一樣。 粗尺度可能： $$ \Phi_c $$ 非常簡單， 細尺度： $$ \Phi_f $$ 非常複雜。 真正要求的是： $$ \boxed{ \text{coarse dynamics reproduce task-relevant fine outcomes}. } $$ 這和物理 coarse-graining / effective theory 有類比， 但本文不宣稱使用 renormalization group。 --- # 34. 不要偷渡 Renormalization Group 如果要叫： $$ \text{renormalization}, $$ 需要： - scale transformation； - parameter flow； - fixed points； - universality； - well-defined coarse-graining map。 目前 TADC 尚未建立。 所以本文只使用： $$ \boxed{ \text{coarse-graining} } $$ 與： $$ \boxed{ \text{multiscale re-indexing}. } $$ 不使用 RG 作為正式機制。 --- # 35. Scale Change 與 TADC-03 六算子 Re-indexing： $$ R $$ 直接改變尺度。 但其他算子也可能是 scale-dependent。 例如： $$ E_{\lambda_f} \neq E_{\lambda_c}. $$ 細尺度 Expansion： 可能找到 local relation。 粗尺度 Expansion： 可能找到 whole-domain bridge。 因此： $$ \boxed{ O^{(\lambda_f)} \neq O^{(\lambda_c)} } $$ 一般成立。 --- # 36. Operator–Scale Non-Commutativity 可能： $$ R^-E \neq ER^-. $$ 先 Expansion 再 coarse-grain： $$ R^-( E(U) ) $$ 與先 coarse-grain 再 Expansion： $$ E( R^-(U) ) $$ 可能得到不同結果。 同樣： $$ R^-G \neq GR^-. $$ 所以 TADC-03 的 non-commutativity 現在增加一個新來源： $$ \boxed{ \text{operator order} + \text{observation scale}. } $$ --- # 37. Scale Hysteresis 從： $$ \lambda_f \rightarrow \lambda_c \rightarrow \lambda_f $$ 未必回到同一 representation。 即： $$ F(P(U)) \neq U. $$ 如果第一次 coarse-graining 已改變： - memory； - weighting； - chunking； - relation strength； 那回到 fine scale： $$ \widetilde U $$ 可能不同。 這就是： $$ \boxed{ \text{scale hysteresis}. } $$ 仍需和一般 memory reconstruction 區分。 --- # 38. Nested Domains 不代表無限嵌套 理論上可以寫： $$ U_0 \subset U_1 \subset U_2 \subset\cdots. $$ 但實際 cognition 受限於： $$ B = \text{finite cognitive budget}. $$ 所以實際有效 nesting depth： $$ L_{\mathrm{eff}} $$ 應有限。 因此： $$ \boxed{ \text{conceptual unbounded nesting} \neq \text{simultaneously represented infinite nesting}. } $$ 這是必要的 boundedness 條件。 --- # 39. Effective Nesting Depth 定義： $$ L_{\mathrm{eff}} = \max \left\{ n: U_0\prec U_1\prec\cdots\prec U_n \text{ is behaviorally distinguishable} \right\}. $$ 這是一個可測量概念。 不同任務、訓練程度與個體： $$ L_{\mathrm{eff}} $$ 可能不同。 --- # 40. Nested Breadth 與 Nested Depth 兩個不同維度： $$ B_{\mathrm{nest}} = \text{number of siblings / parallel subdomains}, $$ $$ D_{\mathrm{nest}} = \text{maximum nesting depth}. $$ 因此： $$ \boxed{ \text{broad cognition} \neq \text{deeply nested cognition}. } $$ 一個系統可以 breadth 高、depth 低； 也可以 breadth 低、depth 高。 --- # 41. Vertical 與 Horizontal Attention 因此可以暫定： ### Horizontal Traversal 同尺度： $$ \lambda_i=\lambda_j. $$ ### Vertical Re-indexing 跨尺度： $$ \lambda_i\neq\lambda_j. $$ 所以一條 trajectory： $$ \gamma $$ 可以分成： $$ \gamma_H + \gamma_V. $$ 高階 cognition 可能同時需要： $$ \boxed{ \text{horizontal mobility} + \text{vertical mobility}. } $$ --- # 42. 「高速切換」也可能其實是高階水平遍歷 如果 subject 已將： $$ D_1,D_2,D_3 $$ 在 coarse scale 壓成三個 objects： $$ z_1,z_2,z_3, $$ 那： $$ z_1\rightarrow z_2\rightarrow z_3 $$ 可以非常快。 外部研究者若用 fine-grained discipline labels 看， 可能以為： $$ \text{large domain switching}. $$ 但 subject 的 internal scale： $$ \lambda_c $$ 可能只是在同一 high-level chart 中 horizontal traversal。 因此： $$ \boxed{ \text{observed switching cost depends on which scale is treated as the unit}. } $$ 這提供了一個很重要的 measurement warning。 --- # 43. 反過來：同一個「領域」內也可能需要巨大 vertical cost 外部 label： $$ D_{\mathrm{math}} $$ 保持不變， 但 subject 從： $$ \text{theorem-level} $$ 切到： $$ \text{symbol-level proof audit} $$ 可能需要： $$ R^+. $$ 這可能比從 theorem A 跳 theorem B 更昂貴。 因此： $$ \boxed{ \text{same disciplinary domain} \not\Rightarrow \text{same cognitive scale}. } $$ --- # 44. Scale–Goal Coupling 最佳尺度依 goal： $$ \lambda^* = \lambda^*(G). $$ 例如： ### Planning $$ \lambda^*\uparrow $$ 偏粗。 ### Verification $$ \lambda^*\downarrow $$ 偏細。 ### Exploration 可能需要： $$ \lambda_c \leftrightarrow \lambda_f $$ 頻繁切換。 因此： $$ \boxed{ \text{attention scope} \neq \text{fixed personal trait only}. } $$ 它也可能是 task policy。 --- # 45. Attention Depth 與 Attention Scope 本文將： $$ d_A = \text{attention depth}, $$ $$ s_A = \text{attention scope} $$ 分離。 高 depth： $$ d_A\uparrow $$ 不一定代表： $$ s_A\downarrow. $$ 一個 nested domain 中可以同時： $$ d_A\uparrow $$ 且： $$ s_A\uparrow $$ 如果高階 object 已經 coarse-grain 多個 subdomains。 因此： $$ \boxed{ \text{deep attention} \neq \text{necessarily narrow attention}. } $$ 這將對 TADC-05 的 hyperfocus 分析非常重要。 --- # 46. 多尺度注意配置 定義： $$ \mathbf a_t = ( \lambda_t, d_t, s_t, \nu_H, \nu_V ), $$ 其中： - \(\lambda_t\)：current resolution； - \(d_t\)：depth； - \(s_t\)：scope； - \(\nu_H\)：horizontal traversal rate； - \(\nu_V\)：vertical re-indexing rate。 因此： $$ \boxed{ \text{attention state} } $$ 不應只用： $$ \text{focus intensity} $$ 描述。 --- # 47. Null Model 1：Fixed Hierarchy Model 假設： $$ H $$ 從頭到尾固定。 cognition 只是在： $$ H $$ 上切換 node。 如果這就能完整解釋： - switch cost； - abstraction； - behavior； - neural decoding； - generalization； 則： $$ \boxed{ \text{dynamic re-indexing is unnecessary}. } $$ --- # 48. Null Model 2：Single-Resolution Model 假設所有 task behavior 都可以在同一 latent representation： $$ Z $$ 中解釋。 不同「尺度」只是研究者後處理。 如果： $$ M_{\mathrm{single}} $$ 與 multiscale model： $$ M_{\mathrm{multi}} $$ 預測力相同， 則 SRMMC 沒必要。 --- # 49. Null Model 3：Chunking Only object–domain duality 可能完全是： $$ \boxed{ \text{chunking}. } $$ 如果一個 chunk： $$ z_U $$ 只是在 working memory / long-term memory 中形成一個單位， 就可以解釋所有 coarse-scale behavior， 則： $$ \text{ODDC} $$ 不需獨立存在。 TADC 只有在： - nested relations； - cross-scale routing； - scale-dependent operators； - invariants； 提供額外預測時才有增量。 --- # 50. Null Model 4：Analyst-Only Hierarchy 研究者總能對任何資料做 clustering： $$ \mathcal D \rightarrow \text{hierarchy}. $$ 所以找到「多尺度結構」本身幾乎沒有意義。 真正證據必須要求： $$ \boxed{ \text{participant behavior predicts the same hierarchy}. } $$ 或： $$ \boxed{ \text{neural representation independently recovers it}. } $$ --- # 51. 實驗一：Object ↔ Domain Re-indexing 建立人工 hierarchy： $$ U_i = \{x_{i1},x_{i2},x_{i3},x_{i4}\}. $$ Block A： 只問： $$ U_i $$ 間的 high-level relations。 Block B： 要求進入： $$ U_i $$ 內處理： $$ x_{ij}. $$ Block C： 再回 high-level。 測： - RT； - switch cost； - memory precision； - neural decoding； - generalization； - hierarchical error pattern。 如果： $$ U_i $$ 能在 A / C 呈現 unit-like behavior， 而在 B 展開成 internal relational domain， 支持 ODDC。 --- # 52. 實驗二：Scale-Specific Switching 比較： ### Horizontal switch $$ U_A^{(\lambda_c)} \rightarrow U_B^{(\lambda_c)}. $$ ### Vertical switch $$ U_A^{(\lambda_c)} \rightarrow x_{A1}^{(\lambda_f)}. $$ 匹配 sensory / motor demand。 若： $$ K_H \neq K_V, $$ 且 neural reconfiguration pattern 不同， 支持 horizontal / vertical operation distinction。 --- # 53. 實驗三：Coarse-Graining Fidelity participants 學習 fine graph： $$ \mathcal G_f. $$ 之後要求產生 coarse summary： $$ \mathcal G_c. $$ 再只依 coarse representation 預測新情境。 定義 fidelity： $$ F_P = \operatorname{PredictiveAccuracy} ( \mathcal G_c \rightarrow Y_f ). $$ 如果 experts / trained participants： $$ F_P\uparrow, $$ 可測「高品質 coarse-graining」。 --- # 54. 實驗四：Cross-Scale Routing Advantage Task A 強迫： $$ \lambda_f $$ 一路完成。 Task B 允許： $$ \lambda_f \rightarrow \lambda_c \rightarrow \lambda_f. $$ 比較： $$ K, $$ $$ T, $$ $$ Accuracy. $$ 若： $$ K_{\mathrm{multi}} < K_{\mathrm{fine-only}} $$ 且 accuracy 不下降， 支持 MRC。 --- # 55. 實驗五：Scale-Consistency Test 建立 fine-scale dynamic task： $$ \Phi_f. $$ 由 participant 自己形成 coarse categories。 測： $$ P\Phi_f $$ 與： $$ \Phi_cP. $$ 若： $$ P\Phi_f \approx \Phi_cP, $$ 代表 coarse model 具有動態有效性。 如果完全不一致： $$ \mathcal C_c $$ 只是壓縮描述， 不是有效 cognitive model。 --- # 56. 實驗六：Nested Depth 建立： $$ L=1,2,3,4,\ldots $$ 不同 nesting depths。 測： - accuracy； - RT； - memory； - neural representation； - re-indexing cost。 估計： $$ L_{\mathrm{eff}}. $$ 若 behavior 完全不區分 hierarchy depth， NADC 的 functional significance 受損。 --- # 57. 實驗七：Scale Hysteresis 流程： $$ \lambda_f \rightarrow \lambda_c \rightarrow \lambda_f. $$ 比較最終： $$ \widetilde{\mathcal C}_f $$ 與原： $$ \mathcal C_f. $$ 如果： $$ \widetilde{\mathcal C}_f \neq \mathcal C_f, $$ 再測差異是否超越普通 forgetting / reconstruction。 只有在 history-specific pattern 存在時， 才支持 scale hysteresis。 --- # 58. 七個核心可證偽命題 ## TADC4-H1 — Nested Representation 至少部分 cognition 能形成： $$ U_1\prec U_2\prec\cdots $$ 且 hierarchy level 可由 behavior / neural representation 獨立辨識。 --- ## TADC4-H2 — Object–Domain Duality 同一： $$ U $$ 可在不同 task scale 呈現： $$ \text{unit-like} $$ 與： $$ \text{domain-like} $$ 雙重功能。 --- ## TADC4-H3 — Horizontal / Vertical Cost Difference $$ K_H \neq K_V $$ 在適當匹配條件下可重現。 --- ## TADC4-H4 — Multiscale Routing Advantage 至少某類 hierarchical task： $$ P_{\mathrm{multi}} > P_{\mathrm{single-scale}}. $$ --- ## TADC4-H5 — Coarse-Graining Preserves Invariants 存在： $$ I $$ 使： $$ I(P(\mathcal C_f)) \approx I(\mathcal C_f). $$ --- ## TADC4-H6 — Scale-Dependent Operator Effects 至少一個： $$ O $$ 滿足： $$ O^{(\lambda_f)} \neq O^{(\lambda_c)}. $$ --- ## TADC4-H7 — Multiscale Model Adds Prediction $$ M_{\mathrm{multi}} $$ 對 unseen behavior / neural patterns 的預測必須穩定優於： $$ M_{\mathrm{fixed-hierarchy}} $$ 與： $$ M_{\mathrm{single-resolution}}. $$ --- # 59. 什麼會真正殺掉本篇？ ## F1 — No Cognitive Scale Effect 若所有 scale manipulations 只改 task difficulty， 沒有獨立 representational effect， SRMMC 失敗。 --- ## F2 — Object–Domain Duality Collapses to Chunking 若： $$ \text{chunking model} $$ 完整解釋所有 unit/domain behavior， ODDC 無增量。 --- ## F3 — No Horizontal / Vertical Distinction 若： $$ K_H \approx K_V $$ 且 neural reconfiguration 也無差異， multiscale switching language 被削弱。 --- ## F4 — Coarse Models Have No Predictive Validity 若： $$ P\Phi_f \not\approx \Phi_cP $$ 普遍成立， 則 coarse macro-domain 只是方便描述。 --- ## F5 — No Invariant 若所有： $$ I $$ 都在 scale change 後崩解， 沒有任何 task-relevant structure 保持， 「同一結構跨尺度」這個說法需要重寫。 --- ## F6 — Hierarchy Is Always Fixed 如果所有資料都由固定： $$ H $$ 上的 node switching 解釋， dynamic re-indexing 不需要。 --- ## F7 — Scale Exists Only in Analyst Choice 若 participant / neural data 不支持任何特定： $$ \lambda, $$ 則本文的尺度結構只是分析框架， 不是 cognitive mechanism。 --- # 60. Macro / Micro 的三種意義必須分開 本文最後特別區分： ## 60.1 Physical Macro / Micro 例如 neural population vs whole brain network。 --- ## 60.2 Representational Macro / Micro 例如： $$ \text{feature} \subset \text{object} \subset \text{task} \subset \text{context}. $$ --- ## 60.3 Goal-Relative Macro / Micro 同一 object 在不同 goal 中可能被提升或下降尺度。 TADC-04 主要研究： $$ \boxed{ \text{representational} + \text{goal-relative macro/micro}. } $$ 不能拿來直接推論物理腦尺度。 --- # 61. Scale Relativity 與 Observer Relativity 若： $$ \mathcal O_{\lambda_1} \neq \mathcal O_{\lambda_2}, $$ 則： $$ \mathcal C^{(\lambda_1)} \neq \mathcal C^{(\lambda_2)}. $$ 所以： $$ \boxed{ \text{same underlying cognitive process can admit different valid descriptions}. } $$ 但有效描述必須滿足： 1. 可重現； 2. 可預測； 3. 和 behavior / neural data 對應； 4. scale transition 有明確規則。 因此： $$ \boxed{ \text{observer-relative} \neq \text{truth-relative}. } $$ --- # 62. 一個重要結果：宏觀鎖定與微觀切換可能是同一件事的不同投影 假設 coarse scale： $$ \mathcal O_{\lambda_c}(\gamma) $$ 顯示 trajectory 長期留在： $$ U^*. $$ 所以： $$ P( U^* ) \rightarrow1. $$ 但 fine scale： $$ \mathcal O_{\lambda_f}(\gamma) $$ 可能看到： $$ x_1\rightarrow x_7\rightarrow x_{13}\rightarrow x_{22}\rightarrow\cdots $$ 高速切換。 因此： $$ \boxed{ \text{macro persistence} + \text{micro mobility} } $$ 可以不是矛盾， 而只是： $$ \boxed{ \text{one trajectory observed at two resolutions}. } $$ 這個結果將直接成為 TADC-05 的入口。 --- # 63. 深度專注與高切換率也不必矛盾 如果： $$ x_i $$ 全部屬於： $$ U^*, $$ 則： $$ \nu_{\mathrm{fine}} \uparrow $$ 可以同時： $$ P(U^*)\uparrow. $$ 所以： $$ \boxed{ \text{high micro-switching} \not\Rightarrow \text{low macro-focus}. } $$ 但這只在： $$ x_i $$ 具有高 domain coherence 時成立。 若切換是： $$ U^* \rightarrow V_{\mathrm{irrelevant}}, $$ 則是另一種現象。 --- # 64. TADC-05 的自然入口：Topological Hyperfocus 如果 hyperfocus 只定義： $$ P(x^*)\rightarrow1, $$ 那高速 internal mobility 無法被表示。 但若： $$ P(U^*)\rightarrow1 $$ 而： $$ H( X\mid U^* ) $$ 仍很高， 則可能存在： $$ \boxed{ \text{domain-level persistence with high internal entropy}. } $$ TADC-05 將正式比較： - pointwise hyperfocus； - domain hyperfocus； - topological hyperfocus。 本文只建立 multiscale 基礎。 --- # 65. 與現有文獻的最保守整合 目前已有研究支持： $$ \boxed{ \text{nested cognitive maps exist in specific tasks} } $$ （Peer & Epstein, 2025）。 已有研究支持： $$ \boxed{ \text{hierarchical concept levels are neurally represented} } $$ （Mack et al., 2021）。 已有研究支持： $$ \boxed{ \text{hierarchical control levels show distinct reconfiguration dynamics} } $$ （Leach et al., 2026）。 已有研究支持： $$ \boxed{ \text{nested structures can be dynamically constructed through rapid neural sequences} } $$ （2025 PNAS）。 但目前仍沒有充分證據直接支持： $$ \boxed{ \text{all macro/micro cognitive distinctions are scale-relative re-indexings}. } $$ 這仍是本文自己的強猜想。 --- # 66. 系列統一 TADC-01： $$ \boxed{ \mathcal C_t \text{ can change?} } $$ TADC-02： $$ \boxed{ D_t \text{ can be dynamically induced?} } $$ TADC-03： $$ \boxed{ \mathcal O = \{E,C,T,G,D,R\} } $$ TADC-04： $$ \boxed{ \mathcal O_\lambda \text{ determines which distinctions count as objects/domains.} } $$ 因此目前最小總模型： $$ \boxed{ \mathcal C_t^{(\lambda_t)} = \mathcal O_{\lambda_t} ( \mathcal C_t ) } $$ 以及： $$ \boxed{ \mathcal C_{t+1}^{(\lambda_{t+1})} = R_{\lambda_t\rightarrow\lambda_{t+1}} \circ O_t ( \mathcal C_t^{(\lambda_t)} ). } $$ --- # 67. 結論 本文提出四個主要猜想。 第一： $$ \boxed{ \textbf{NADC} } $$ 有效認知域可以形成嵌套的多層結構， 但一般不必限制為單一 tree。 第二： $$ \boxed{ \textbf{ODDC} } $$ 同一結構： $$ U $$ 可在細尺度是： $$ \text{domain}, $$ 在粗尺度是： $$ \text{object}. $$ 因此： $$ \boxed{ \text{object/domain} } $$ 可能是表示尺度相對的功能身份。 第三： $$ \boxed{ \textbf{SRMMC} } $$ macro / micro 應被定義成： $$ \operatorname{Micro}(A,B), $$ 而不是絕對屬性。 第四： $$ \boxed{ \textbf{CSIC} } $$ 若 multiscale cognition 具有理論內容， 則不同尺度之間必須存在某些可測的： $$ \text{invariants} $$ 或： $$ \text{scale-consistent dynamics}. $$ 因此： $$ \boxed{ P\circ\Phi_f \approx \Phi_c\circ P } $$ 成為本篇最重要的跨尺度判準之一。 這讓「宏觀／微觀只是相對的」從哲學敘述轉成可以被實驗擊敗的命題。 若： - participant 沒有真正 scale-sensitive representation； - object/domain duality 完全等同 ordinary chunking； - coarse-graining 沒有 predictive validity； - 沒有任何 cross-scale invariant； - fixed hierarchy 就能完整解釋資料； 那麼 TADC-04 的強版本必須被拒絕。 反之，如果： $$ \boxed{ \text{同一認知結構確實能在不同尺度間被穩定重索引， 並以跨尺度不變量維持其功能身份，} } $$ 則注意力研究就需要新增一個問題： > **目前注意的不只是「哪個對象」，而是「目前把世界切在哪一個解析尺度」。** 這也使 TADC 的核心由： $$ \text{attention allocation} $$ 進一步變成： $$ \boxed{ \text{attention allocation} + \text{space transformation} + \text{scale selection}. } $$ 而下一篇 TADC-05 將直接處理這個結果的極端情形： $$ \boxed{ \text{如果一個人長期鎖定的不是單一點， 而是一個可以持續展開、收斂與內部遍歷的連通認知域， 那還應不應把它叫作「超專注」？} } $$ --- # 參考文獻 1. Peer M, Epstein RA. **Cognitive maps for hierarchical spaces in the human brain.** *Cerebral Cortex*. 2025;35(9):bhaf261. doi:10.1093/cercor/bhaf261. PMID: 40982478. 2. Leach SC, Chen X, Hwang K. **Hierarchical Reconfiguration of Neurocognitive Task Set Representations Mediates Cognitive Flexibility.** *Journal of Neuroscience*. 2026. doi:10.1523/JNEUROSCI.0113-26.2026. PMID: 42276789. 3. Mack ML, Preston AR, Love BC. **Learning and Representation of Hierarchical Concepts in Hippocampus and Prefrontal Cortex.** *Journal of Neuroscience*. 2021. PMID: 34330775. 4. **Building hierarchically nested structure by rapid neural sequences.** *Proceedings of the National Academy of Sciences*. 2025;122(50):e2507417122. PMID: 41379999. 5. Tan L, Qiu Y, Qiu L, et al. **The medial and lateral orbitofrontal cortex jointly represent the cognitive map of task space.** *Communications Biology*. 2025;8:163. doi:10.1038/s42003-025-07588-w. PMID: 39900714. 6. Qiu Y, Li H, Liao J, et al. **Forming cognitive maps for abstract spaces: the roles of the human hippocampus and orbitofrontal cortex.** *Communications Biology*. 2024;7:517. doi:10.1038/s42003-024-06214-5. PMID: 38693344. 7. **Two-dimensional neural geometry underpins hierarchical organization of sequence in human working memory.** *Nature Human Behaviour*. 2025;9(2):360–375. PMID: 39511344. 8. Qiu Y, et al. **Dynamic changes in orbitofrontal-hippocampal connectivity linked to cognitive map formation in humans.** *NeuroImage*. 2025;318:121415. PMID: 40780573. 9. Garvert MM, Dolan RJ, Behrens TEJ. **A map of abstract relational knowledge in the human hippocampal-entorhinal cortex.** *eLife*. 2017;6:e17086. doi:10.7554/eLife.17086. 10. Park SA, Miller DS, Nili H, Ranganath C, Boorman ED. **Map Making: Constructing, Combining, and Inferring on Abstract Cognitive Maps.** *Neuron*. 2020;107(6):1226–1238.e8. doi:10.1016/j.neuron.2020.06.030. 11. Behrens TEJ, Muller TH, Whittington JCR, et al. **What Is a Cognitive Map? Organizing Knowledge for Flexible Behavior.** *Neuron*. 2018;100(2):490–509. doi:10.1016/j.neuron.2018.10.002. 12. Theves S, Fernández G, Doeller CF. **The hippocampal-entorhinal system represents nested hierarchical relations between words during concept learning.** *Hippocampus*. 2021. PMID: 33675679. --- ## 與系列的關係 **已完成：** - TADC-01：《注意力不是單點選擇——可變認知空間與注意—空間轉換猜想》 - TADC-02：《動態認知域——領域作為局部座標圖》 - TADC-03：《拓樸注意力六算子——展開、收斂、遍歷、黏合、切離與重索引》 - TADC-04：《嵌套注意域與觀察尺度——宏觀／微觀的相對性與多尺度重索引》 **下一篇：** - TADC-05：《從單點超專注到拓樸超專注》 後續： - TADC-06：《關係優先認知與跨域連續性》 - TADC-07：《外部認知支架與人—AI 認知拓樸》 - TADC-08：《拓樸注意力的測量、反證與工程化》 --- **狀態：** TADC-04 v0.1 **原始人體／臨床數據：** 無 **理論狀態：** 猜想／研究綱領；未經實驗驗證 **尺度狀態：** \(\lambda\) 為候選認知／表示解析度，不是已確認神經尺度 **拓樸狀態：** 尚未證明存在嚴格跨尺度拓樸不變量；CSIC 為待驗證猜想