# 最小可重建記憶：從逐幀保存到因果充分性

**英文題名：** Minimal Reconstructive Memory: From Lossless Experience Storage to Causal Sufficiency  
**簡稱：** MRM  
**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／記憶壓縮與重建形式化／ANLA 核心記憶原理  
**上游依賴：** GPR-D《生成域—過程域—結果域》  
**文獻檢索截點：** 2026-08-17  

---

## 摘要

若長期記憶的目的不是逐幀保存所有曾經發生的資訊，而是支持未來的辨認、預測、行動、解釋、身份連續性與歷史查證，那麼記憶系統就必須回答一個比「能不能壓縮」更基本的問題：

> **哪些資訊可以不被完整保存，因為它們能從已保留結構可靠重建？**

人類記憶研究早已顯示 episodic recall 具有 reconstructive 性。2024 年 Spens 與 Burgess 的生成式記憶模型提出，episodic memory 可由快速保存的獨特資訊與逐步學得的 generative / schema knowledge 協同重建；與既有經驗一致、重建誤差低的部分不必以同等細節重複編碼。2024 年 Lin 等人的實驗與模型又發現，較難從壓縮表徵重建的視覺資訊留下更強記憶痕跡，支持「reconstruction residual」可能與記憶保存需求有關。2026 年 Spens 與 Burgess 更進一步以 compressive retrieval-augmented generation 描述 hippocampal–neocortical interaction：compressed episodic retrieval 與 generative general knowledge 協同支持過去重建與未來問題解決。

這些結果並不證明「只要模型能猜回來就可以刪除原始記憶」。相反，gist、schema 與 generative reconstruction 同時會產生 schema-based distortion 與 false memory。2025 年 false-memory research 亦再次顯示 gist strength 可系統性影響 false recognition。

本文因此提出 **Minimal Reconstructive Memory Principle（MRMP）**：

> 長期記憶系統應尋找在指定用途與真實性要求下，足以重建必要資訊與功能的最小充分記憶結構，而不是追求無條件的最大保存或最大壓縮。

形式上，對完整事件記憶 \(M\)，尋找：

$$
\boxed{
M^*
=
\arg\min_{M'\subseteq M}
C(M')
}
$$

subject to：

$$
\boxed{
Q_j(M')
\ge
\tau_j,
\qquad
\forall j\in\mathcal J_{\mathrm{required}}.
}
$$

其中：

- \(C(M')\)：保存、檢索、注意與驗證總成本；
- \(Q_j\)：第 \(j\) 類重建 fidelity；
- \(\tau_j\)：該用途要求的最低重建門檻。

本文拒絕使用單一 reconstruction score，而定義：

$$
\boxed{
\mathbf Q_{\mathrm{rec}}
=
(
Q_F,
Q_C,
Q_H,
Q_V,
Q_I,
Q_E
)
}
$$

分別表示：

- \(Q_F\)：functional reconstruction；
- \(Q_C\)：causal reconstruction；
- \(Q_H\)：historical reconstruction；
- \(Q_V\)：verbatim / exact reconstruction；
- \(Q_I\)：identity / relationship reconstruction；
- \(Q_E\)：evidentiary / scientific reconstruction。

因此，同一段過程細節可以在功能任務中安全被 schema 重建，卻在法律證據、科學 raw data、身份關係或重要原話情境下絕不能只靠生成式模型補完。

本文提出最重要的護欄：

$$
\boxed{
\text{generative plausibility}
\neq
\text{historical recovery}.
}
$$

沒有 provenance、原始證據或可驗證外部來源時，模型生成的合理細節只能被標記為：

$$
\boxed{
\text{reconstruction hypothesis},
}
$$

不能被回寫成「原來真的發生過」。

本文將「可重建」進一步分為：

1. **Internal reconstructability**：由既有 schema / retained memory 重建；
2. **External reconstructability**：由可信外部來源重新取得；
3. **Procedural reconstructability**：由 deterministic / verified procedure 再生成；
4. **Historical non-reconstructability**：若失去原始紀錄，就無法證明當時真實歷史。

本文最後將 ANLA 的記憶決策從「KEEP vs DELETE」改寫為：

$$
\boxed{
KEEP,
COMPRESS,
SCHEMA,
ARCHIVE,
RE\!-\!FETCH,
FORGET,
ERASE
}
$$

並提出：

$$
\boxed{
\text{Retention Value}
\propto
\text{Irreplaceability}
\times
\text{Required Fidelity}
\times
\text{Future Consequence}.
}
$$

因此，真正值得長期高保真保存的資訊，不是所有「曾經出現過」的資訊，而是那些若失去後，無法在所需 fidelity 下可靠恢復，而且其缺失會破壞事件因果、歷史真實、身份連續性、科學可重現性或未來決策的資訊。

**關鍵詞：** reconstructive memory；minimal sufficient memory；gist；schema；causal sufficiency；provenance；false memory；ANLA；memory compression；memory reconstruction

---

# 0. 邊界聲明

本文不主張：

$$
\boxed{
\text{human memory is optimally compressed}.
}
$$

不主張：

$$
\boxed{
\text{all details that can be guessed are safe to delete}.
}
$$

也不主張：

$$
\boxed{
\text{generative AI reconstruction equals historical truth}.
}
$$

本文提出的是一個工程／認知命題：

> 如果某些資訊的未來功能可以由較小記憶結構可靠重建，則它們不必永遠以原始高解析形式佔據 active long-term memory。

但：

$$
\boxed{
\text{reconstructable function}
\neq
\text{reconstructable history}.
}
$$

---

# 1. 從 GPR-D 到「保存多少？」

GPR-D 將事件寫成：

$$
\mathcal E
=
(
\mathcal G,
\mathcal P,
\mathcal R;
\Phi_{GP},
\Phi_{PR},
\Phi_{GR}
).
$$

其中過程域：

$$
\mathcal P
$$

往往最大。

若事件長時間運行：

$$
|\mathcal P^{raw}|
\gg
|\mathcal G|,
|\mathcal R|.
$$

問題：

> 是否每一個 \(p_i\in\mathcal P\) 都需要永久保留？

本文回答：

$$
\boxed{
\text{not necessarily}.
}
$$

---

# 2. Lossless Event Memory

最極端模型：

$$
M_{\mathrm{lossless}}
=
\{
x_1,x_2,\ldots,x_n
\}.
$$

要求：

$$
\forall i,\quad
x_i
\text{ retained exactly}.
$$

這類模型在：

- forensic record；
- raw experiment；
- audit；
- legal evidence；

可能合理。

但對一般 adaptive cognition，

成本未必合理。

---

# 3. Lossless Storage 與 Cognitive Utility 不同

即使 storage cost：

$$
C_S\rightarrow0,
$$

仍有：

$$
C_R
=
\text{retrieval cost},
$$

$$
C_A
=
\text{attention / interference cost},
$$

$$
C_V
=
\text{verification cost}.
$$

所以：

$$
\boxed{
\text{cheap bytes}
\neq
\text{free cognition}.
}
$$

---

# 4. Reconstructive Memory

定義：

$$
\widehat x
=
R(
M',
S,
C,
E
),
$$

其中：

- \(M'\)：retained memory；
- \(S\)：schema / general knowledge；
- \(C\)：current context；
- \(E\)：optional external evidence。

若：

$$
\widehat x
\approx x,
$$

則：

$$
x
$$

具有某種 reconstructability。

---

# 5. 2024 Generative Memory Model 的鄰接意義

Spens 與 Burgess 的模型將：

- rapidly stored hippocampal episodic information；
- generative neocortical representations；

結合。

隨 consolidation：

$$
\boxed{
\text{general statistical structure}
}
$$

可以支援：

- semantic memory；
- episodic reconstruction；
- imagination；
- relational inference。

這提供：

$$
\boxed{
\text{partial memory + generative structure}
\rightarrow
\text{reconstructed experience}
}
$$

的計算可能性。

---

# 6. 但 Generative Model 也會產生 Distortion

同一模型也產生：

$$
\boxed{
\text{schema-based distortions}.
}
$$

所以：

$$
\boxed{
\text{ability to reconstruct}
\neq
\text{ability to recover exact history}.
}
$$

---

# 7. Reconstruction Residual

2024 Lin 等人提出：

若 compressed representation：

$$
z=C(x),
$$

decoder：

$$
D(z)=\widehat x,
$$

則：

$$
\epsilon_R
=
d(x,\widehat x)
$$

是 reconstruction residual。

研究發現：

$$
\boxed{
\epsilon_R\uparrow
\Rightarrow
\text{memorability}\uparrow
}
$$

在其視覺記憶資料與實驗中成立。

---

# 8. 本文不把這個結果直接一般化

Lin 等人的研究是：

- visual representations；
- specific sparse-coding account；
- memorability tasks。

所以本文只能抽象成候選原理：

$$
\boxed{
\text{hard-to-reconstruct information
may deserve more explicit storage}.
}
$$

需另驗。

---

# 9. Minimal Reconstructive Memory Principle（MRMP）

定義：

$$
\boxed{
M^*
=
\arg\min_{M'\subseteq M}
C(M')
}
$$

subject to：

$$
Q_j(M')
\ge\tau_j.
$$

也就是：

> 保存最小但仍充分的記憶結構。

---

# 10. 「最小」不是最短字串

$$
\boxed{
\text{minimal}
\neq
\text{minimum token count}.
}
$$

如果很短的 summary：

$$
\widehat M
$$

造成：

$$
Q_C,Q_H
$$

大幅下降，

它就不是有效 MRM。

---

# 11. 「充分」必須相對於用途

不同用途：

$$
T_1,T_2,\ldots
$$

要求不同：

$$
\tau_j.
$$

例如：

### Routine action

$$
\tau_F\uparrow,
\quad
\tau_V\downarrow.
$$

### Legal evidence

$$
\tau_V,
\tau_H,
\tau_E
\uparrow\uparrow.
$$

---

# 12. Reconstruction Fidelity Vector

本文定義：

$$
\boxed{
\mathbf Q_{\mathrm{rec}}
=
(
Q_F,
Q_C,
Q_H,
Q_V,
Q_I,
Q_E
).
}
$$

---

# 13. Functional Reconstruction \(Q_F\)

重建後是否仍可：

- 完成任務；
- 做出正確操作；
- 延續 workflow。

---

# 14. Causal Reconstruction \(Q_C\)

是否仍可回答：

- 為什麼發生？
- 哪個 pivot 改變 trajectory？
- 哪個條件導致結果？

---

# 15. Historical Reconstruction \(Q_H\)

是否能判定：

> 當時實際發生過什麼？

這要求：

$$
\boxed{
\text{source fidelity}
}
$$

而非只要合理。

---

# 16. Verbatim Reconstruction \(Q_V\)

是否能恢復：

- exact words；
- exact numbers；
- exact ordering；
- exact code / equation。

---

# 17. Identity / Relationship Reconstruction \(Q_I\)

是否保留：

- commitment；
- relationship history；
- identity-defining event；
- value-changing experience。

---

# 18. Evidentiary / Scientific Reconstruction \(Q_E\)

是否保留：

- raw evidence；
- provenance；
- transformation history；
- reproducibility chain。

---

# 19. 同一記憶可在六維上不同

例如：

> 某次 routine backup 完成。

可能：

$$
Q_F
$$

要求高，

但：

$$
Q_V
$$

要求低。

---

# 20. 重要對話原話

可能：

$$
Q_I,Q_H,Q_V
\uparrow.
$$

不能只保：

> 「對方大概同意。」

---

# 21. Scientific Raw Data

可能：

$$
Q_E,Q_H,Q_V
\uparrow\uparrow.
$$

即使 model 可以生成看起來合理的 data：

$$
\boxed{
\text{never substitute generated data for raw evidence}.
}
$$

---

# 22. Reconstruction Classes

本文區分四種主要 reconstructability。

---

# 23. Internal Reconstructability

$$
Q_{\mathrm{int}}
=
P(
x
\text{ recoverable from }
M',S
).
$$

即：

memory + schema。

---

# 24. External Reconstructability

$$
Q_{\mathrm{ext}}
=
P(
x
\text{ recoverable from trusted external sources}
).
$$

例如：

- official documentation；
- paper；
- public database。

---

# 25. Procedural Reconstructability

若：

$$
x
=
F(z)
$$

且：

$$
F,z
$$

都可驗證保存，

則：

$$
x
$$

可以 deterministic / reproducibly regenerate。

---

# 26. Historical Non-Reconstructability

若：

$$
x
$$

是：

- spontaneous speech；
- transient observation；
- unlogged event；

且沒有 external evidence，

刪掉後：

$$
\boxed{
Q_H\rightarrow0.
}
$$

任何 AI 後來生成的版本都只是：

$$
\boxed{
\text{plausible reconstruction}.
}
$$

---

# 27. Historical Truth Floor

本文提出：

$$
\boxed{
\textbf{Historical Truth Floor（HTF）}.
}
$$

若：

$$
Q_H
$$

要求超過某門檻：

$$
\tau_H,
$$

則至少需要：

$$
\boxed{
\text{provenance-backed evidence}.
}
$$

純 generative reconstruction 不得計入：

$$
Q_H^{verified}.
$$

---

# 28. Generative Plausibility ≠ Historical Recovery

核心護欄：

$$
\boxed{
P(x\mid context)\uparrow
\not\Rightarrow
x
\text{ actually occurred}.
}
$$

---

# 29. Reconstruction Hypothesis

若缺 provenance：

AI 可以輸出：

$$
\widehat x
$$

但 metadata 必須：

```text
status: reconstructed_hypothesis
historical_verification: false
confidence: ...
sources: ...
```

不能回寫成：

```text
status: remembered_fact
```

---

# 30. False Memory Risk

2025 false-memory research 顯示：

gist strength 可以和 false recognition 有系統關係。

所以：

$$
\boxed{
\text{gist is useful}
}
$$

同時：

$$
\boxed{
\text{gist can bias reconstruction}.
}
$$

這兩點必須同時存在。

---

# 31. Reconstruction Error

定義：

$$
E_j
=
1-Q_j.
$$

不同用途的總風險：

$$
\boxed{
E_{\mathrm{total}}
=
\sum_j
w_jE_j.
}
$$

---

# 32. Safe Compression / Forgetting Gate

對 fragment：

$$
m_i,
$$

只有當：

$$
E_{\mathrm{total}}(m_i)
\le
\epsilon
$$

且：

$$
\text{irreversibility risk}
$$

可接受時，

才進一步降低保存層級。

---

# 33. Irreplaceability

定義：

$$
I_R(m)
=
1-
Q_{\mathrm{best-reconstruct}}(m).
$$

其中：

$$
Q_{\mathrm{best-reconstruct}}
=
\max(
Q_{\mathrm{int}},
Q_{\mathrm{ext}},
Q_{\mathrm{proc}}
).
$$

---

# 34. Retention Value

候選：

$$
\boxed{
V_{\mathrm{retain}}(m)
=
I_R(m)
\cdot
F_{\mathrm{required}}(m)
\cdot
C_{\mathrm{future}}(m).
}
$$

---

# 35. \(F_{\mathrm{required}}\)

該記憶需要的 fidelity。

例如：

- gist；
- exact；
- evidence-grade。

---

# 36. \(C_{\mathrm{future}}\)

失去它對未來：

- decision；
- identity；
- verification；
- safety；

的 consequence。

---

# 37. 可替代 ≠ 不重要

一份重要論文：

$$
Importance\uparrow
$$

但如果：

- DOI known；
- source stable；
- network accessible；

則完整內容的 internal retention：

$$
V_{\mathrm{retain}}^{internal}
$$

可以低。

---

# 38. 不可替代 ≠ 長

一句：

> 「我願意。」

如果是關鍵承諾，

可能：

$$
I_R\uparrow,
F_{\mathrm{required}}\uparrow,
C_{\mathrm{future}}\uparrow.
$$

即使只有三個字。

---

# 39. Minimal Sufficient Set

對 event：

$$
E
$$

定義 candidate subset：

$$
M'\subset M_E.
$$

若：

$$
\mathbf Q_{\mathrm{rec}}(M')
\ge
\boldsymbol\tau,
$$

則稱：

$$
\boxed{
\text{Reconstructively Sufficient Set（RSS）}.
}
$$

---

# 40. Minimal Reconstructively Sufficient Set

若：

$$
M^*
$$

是所有 RSS 中總成本最低：

$$
\boxed{
M^*
=
\arg\min_{\mathrm{RSS}}
C(M').
}
$$

則為：

$$
\boxed{
\text{MRSS}.
}
$$

---

# 41. 成本函數

$$
C(M')
=
\alpha C_S
+
\beta C_R
+
\gamma C_A
+
\delta C_V.
$$

其中：

- storage；
- retrieval；
- attention/interference；
- verification。

---

# 42. 這裡 storage 可能反而權重最低

現代／未來 storage：

$$
C_S\downarrow.
$$

但：

$$
C_A,C_V
$$

仍可能高。

所以：

$$
\boxed{
\text{MRM is not primarily a disk-space theory}.
}
$$

---

# 43. GPR-guided MRSS

由 GPR-D：

$$
M^*
$$

優先保：

### \(\mathcal G\)

- trigger；
- original goal；
- critical constraints。

### \(\mathcal P\)

- pivots；
- decisions；
- failures that change future policy；
- exceptions。

### \(\mathcal R\)

- outcome；
- consequences；
- unresolved state。

---

# 44. Process Skeleton

對過程：

$$
\mathcal P
=
(p_1,\ldots,p_n),
$$

抽：

$$
\boxed{
B_P
=
\{
p_{i_1},p_{i_2},\ldots,p_{i_k}
\}
}
$$

作 process skeleton。

---

# 45. Skeleton 條件

若：

$$
B_P
+
\mathcal G
+
\mathcal R
+
S
$$

可以滿足：

$$
Q_F,Q_C
\ge\tau,
$$

則普通 intermediate points 可降級。

---

# 46. Pivot Density

定義：

$$
\rho_P
=
\frac{
|B_P|
}{
|\mathcal P|
}.
$$

routine deterministic process：

$$
\rho_P\downarrow.
$$

novel research / negotiation：

$$
\rho_P\uparrow.
$$

---

# 47. Routine Workflow

如果：

$$
\mathcal P
$$

由 versioned deterministic procedure：

$$
F
$$

重建，

則可以保：

$$
\{
G,
F,
R,
exceptions
\}.
$$

---

# 48. Debugging / Proof

如果每個失敗 branch 對結果有重要解釋力，

則：

$$
B_P
$$

較大。

不能只保 final answer。

---

# 49. Failed Routes 的價值

一個 failed route：

$$
f_i
$$

如果未來避免重複探索：

$$
W_F(f_i)\uparrow.
$$

可以壓成：

> Route X failed because condition C violated.

不必保所有 token。

---

# 50. Negative Knowledge

因此 MRSS 也應包含：

$$
\boxed{
K^{-}
=
\text{what was tried and ruled out}.
}
$$

---

# 51. 可以重建 ≠ 值得每次重建

如果：

$$
C_{\mathrm{reconstruct}}
\gg
C_{\mathrm{retain}},
$$

即使：

$$
Q_{\mathrm{rec}}\approx1,
$$

也可能應保存。

---

# 52. Reconstruct vs Retain Trade-off

定義：

$$
\Delta C
=
C_{\mathrm{reconstruct}}
-
C_{\mathrm{retain}}.
$$

若：

$$
\Delta C\gg0,
$$

KEEP。

若：

$$
\Delta C\ll0
$$

且 fidelity 足夠，

可 COMPRESS / FORGET。

---

# 53. Reconstruction Latency

某資訊需要：

$$
10\text{ min}
$$

重建，

但每秒都會用，

顯然不合理。

所以：

$$
\boxed{
\text{frequency matters}.
}
$$

---

# 54. Access Frequency

定義：

$$
f_A(m).
$$

高：

$$
f_A
$$

提高 active retention value。

---

# 55. Temporal Volatility

外部知識：

$$
x(t)
$$

若變化快，

舊 internal copy：

$$
x(t_0)
$$

可能危險。

所以：

$$
V_{\mathrm{retain}}^{content}
$$

可能下降，

而：

$$
V_{\mathrm{retain}}^{route}
$$

上升。

這是下一篇 Epistemic Routing 的核心。

---

# 56. Internal Reconstruction

人腦式：

$$
M'+S
\rightarrow
\widehat E.
$$

優點：

- fast；
- offline。

缺點：

- schema distortion；
- false memory。

---

# 57. External Reconstruction

$$
Address
+
Query
+
Source
\rightarrow
x.
$$

優點：

- fresh；
- evidence-backed。

缺點：

- availability；
- latency；
- trust；
- network dependency。

---

# 58. Hybrid Reconstruction

最佳可能：

$$
\boxed{
\text{internal schema}
+
\text{external evidence}
\rightarrow
\text{verified reconstruction}.
}
$$

這比 pure generative memory 更適合 AI。

---

# 59. 2026 Compressive RAG Memory Model 的鄰接

Spens 與 Burgess 2026 model 直接將：

- compressed episodic traces；
- generative general knowledge；
- episodic retrieval into working memory；

描述為類 retrieval-augmented generation interaction。

這給 AI memory design 一個很有趣的生物計算類比。

但本文不主張：

$$
\boxed{
\text{brain literally runs LLM RAG}.
}
$$

只是 algorithmic analogy。

---

# 60. Reconstruction Provenance

任何 reconstruction：

$$
\widehat x
$$

應保：

```text
reconstruction_id
source_memories
external_sources
schema_version
model_version
timestamp
confidence
historical_status
```

---

# 61. 不允許 Silent Promotion

若：

$$
\widehat x
$$

只是 reconstructed hypothesis，

不能因被使用多次後自動變：

$$
\boxed{
\text{verified autobiographical memory}.
}
$$

---

# 62. Reconstruction Contamination

若：

$$
\widehat x
$$

被寫回 memory：

$$
M_{t+1}=M_t\cup\{\widehat x\},
$$

且沒有 provenance，

下一次可能把：

$$
\widehat x
$$

當原始 evidence。

形成：

$$
\boxed{
\text{self-reinforcing false memory}.
}
$$

---

# 63. Provenance Barrier

本文提出：

$$
\boxed{
\textbf{Provenance Barrier Principle（PBP）}.
}
$$

不同 epistemic status：

- observed；
- quoted；
- inferred；
- reconstructed；
- simulated；

不得無痕互換。

---

# 64. Historical Memory 的禁止規則

若：

$$
status=\text{historical fact},
$$

至少要：

$$
source\neq\varnothing.
$$

若 source lost：

降級：

$$
\boxed{
\text{unverified recollection}.
}
$$

---

# 65. Relationship Memory

對：

> 使用者曾經說過什麼。

如果沒有 transcript / trusted record，

AI 可以說：

> 我推測我們當時可能談過 X。

不能說：

> 你當時確實逐字說 X。

---

# 66. Identity Memory

identity-relevant memory：

$$
Q_I
$$

高要求時，

compression 必須保：

- actor；
- commitment；
- causal meaning；
- provenance；
- branch lineage。

---

# 67. Scientific Memory

scientific conclusion：

$$
R.
$$

可能可保 gist。

但 raw data：

$$
D.
$$

若不可重新取得：

$$
Q_E
$$

要求高。

所以：

$$
\boxed{
\text{conclusion reconstructable}
\neq
\text{evidence reconstructable}.
}
$$

---

# 68. Legal / Audit Memory

通常：

$$
\tau_H,\tau_V,\tau_E
$$

高。

MRM 不應成為刪證據工具。

---

# 69. Public Knowledge

公開穩定資料：

$$
Q_{\mathrm{ext}}\uparrow.
$$

詳細 content 可低 internal retention。

但：

$$
\boxed{
\text{address + verification route}
}
$$

必須保。

下一篇正式展開。

---

# 70. Compression Types

本文區分：

### Lossless representation compression

bit-level 可逆。

### Semantic compression

保 gist / relation。

### Structural compression

保 graph / causal skeleton。

### Reconstructive compression

保足以再生成所需功能的 core。

---

# 71. Reconstructive Compression 風險最高

因為：

$$
\text{decoder / schema}
$$

本身可能變。

所以需保存：

$$
\boxed{
\text{reconstruction dependencies}.
}
$$

---

# 72. Decoder Drift

如果當時：

$$
D_{v1}
$$

可重建，

幾年後只剩：

$$
D_{v5},
$$

可能：

$$
D_{v5}(z)
\neq
D_{v1}(z).
$$

所以：

$$
\boxed{
\text{model version is part of provenance}.
}
$$

---

# 73. External Source Drift

URL 還在，

內容變了。

因此 external reconstructability：

$$
Q_{\mathrm{ext}}
$$

不能只看「有網址」。

還需要：

- version；
- timestamp；
- checksum；
- archive；
- citation。

---

# 74. Reconstructability Decays

定義：

$$
Q_{\mathrm{rec}}(m,t).
$$

可能隨時間：

$$
\frac{dQ}{dt}<0.
$$

原因：

- source removed；
- model changed；
- schema forgotten；
- API gone；
- format obsolete。

---

# 75. Reconstruction Insurance

高價值但可外部重建資料，

可以保：

- address；
- hash；
- minimal local snapshot；
- citation。

降低：

$$
Q_{\mathrm{ext}}
$$

未來崩潰風險。

---

# 76. Forgetting Decision 不是一次永久判定

memory lifecycle：

$$
KEEP
\rightarrow
COMPRESS
\rightarrow
ARCHIVE
\rightarrow
FORGET.
$$

每步可重新評估。

---

# 77. Memory Promotion / Demotion

$$
M^A
\leftrightarrow
M^R
\leftrightarrow
M^\Omega.
$$

reconstructability 影響：

$$
\boxed{
\text{which layer the memory deserves}.
}
$$

---

# 78. Active Memory

高：

- access frequency；
- goal relevance；
- low reconstruction latency。

---

# 79. Retrievable Memory

不需 active，

但：

- future value；
- moderate reconstruct cost。

---

# 80. Archive

低 access，

但：

- provenance；
- historical insurance；
- rare recovery。

---

# 81. Forget

退出 routine retrieval。

仍可能留下：

- tombstone；
- hash；
- reason；
- deletion log。

---

# 82. Erase

真正不可恢復。

這需要前篇 Memory Autonomy / privacy / safety 治理。

MRM 不自動授權 erase。

---

# 83. Tombstone

被 forget / erase 的 memory 可以只留：

```text
memory_id
operation
date
reason
provenance_hash
recovery_status
```

若 privacy 要求連 tombstone 都不能留，另論。

---

# 84. Reconstructability Score 不應單一化

即使工程想要 scalar：

$$
Q_{\mathrm{scalar}}
=
\sum_jw_jQ_j,
$$

也應同時保原 vector。

避免：

$$
Q_F=1,
Q_H=0
$$

和：

$$
Q_F=0.5,
Q_H=0.5
$$

被誤視一樣。

---

# 85. Hard Constraints

對某些記憶：

$$
Q_H\ge0.99
$$

是 hard constraint，

不能被高：

$$
Q_F
$$

補償。

---

# 86. Soft Objectives

對 routine task：

$$
Q_V
$$

可以是 soft。

所以 MRMP 是：

$$
\boxed{
\text{constrained optimization},
}
$$

不是單一 utility maximization。

---

# 87. Uncertainty

重建品質：

$$
Q_j
$$

也只是估計。

應記：

$$
P(Q_j\mid data).
$$

---

# 88. Conservative Deletion

若 uncertainty：

$$
\sigma_Q\uparrow
$$

且：

$$
w_I,w_H,w_E\uparrow,
$$

應偏：

$$
KEEP/ARCHIVE.
$$

---

# 89. Aggressive Compression

如果：

$$
Q_F,Q_C
$$

高可信，

而：

$$
W_H,W_I,W_E,W_V
$$

低，

可積極：

$$
COMPRESS.
$$

---

# 90. Reconstructive Sufficiency vs Predictive Sufficiency

一個 memory core 可以足夠預測：

$$
Y,
$$

但不足以重建：

$$
E.
$$

所以：

$$
\boxed{
\text{prediction}
\neq
\text{reconstruction}.
}
$$

---

# 91. Causal Sufficiency

對 decision：

如果：

$$
M'
$$

保留所有對 outcome relevant 的 causal parent / pivot，

可說：

$$
Q_C\uparrow.
$$

但這仍可能不保歷史細節。

---

# 92. Counterfactual Sufficiency

若需要回答：

> 如果當時沒做 X 會怎樣？

則需要更多：

$$
\mathcal P
$$

branch / causal alternatives。

MRSS 因 task 而變大。

---

# 93. Explanation Task

要求：

> 為什麼得到 R？

需要：

$$
\mathcal G+B_P+\mathcal R.
$$

---

# 94. Replication Task

要求：

> 怎麼再做一次？

需要：

$$
procedure + parameters + exceptions.
$$

---

# 95. Historical Audit Task

要求：

> 當時究竟做了什麼？

需要：

$$
raw / logs / provenance.
$$

---

# 96. 一個事件可能有多份 MRSS

$$
M^*_{functional}
\neq
M^*_{historical}
\neq
M^*_{scientific}.
$$

所以：

$$
\boxed{
\text{there is no context-free minimal memory}.
}
$$

---

# 97. Multi-Purpose Memory

若同一記憶服務：

$$
T_1,\ldots,T_n,
$$

MRSS 需滿足聯集約束：

$$
Q_j\ge
\max_k\tau_{jk}.
$$

---

# 98. Memory Overprovision

有時保更多比計算最小集便宜。

所以 ANLA 不必真的 solve exact combinatorial optimum。

可以用：

$$
\boxed{
\text{safe approximate MRSS}.
}
$$

---

# 99. MRSS Optimization 可能很難

找最小 subset 保所有 functional constraints，

可類似：

- subset selection；
- set cover；
- information bottleneck；

問題。

本文不宣稱有多項式最優演算法。

---

# 100. Heuristic Policy

先保：

1. GPR pivots；
2. exceptions；
3. provenance；
4. high identity/evidence；
5. low reconstructability；
6. high future access。

再對其餘 compression。

---

# 101. Human Memory 的啟發不是照抄

人類 memory reconstruction 會：

- bias；
- distortion；
- false recall。

AI 不應：

> 因為人類會腦補，所以 AI 也可以亂補。

---

# 102. AI 的優勢

AI 可以：

- 保 provenance；
- 保存 multiple versions；
- re-fetch；
- compare reconstruction to source；
- separate hypothesis from record。

所以理想 AI memory 可以比人類：

$$
\boxed{
\text{more reconstructive}
}
$$

同時：

$$
\boxed{
\text{more epistemically explicit}.
}
$$

---

# 103. AI 的風險

如果生成模型：

$$
G_\theta
$$

和 memory store 混在一起，

很容易：

$$
\boxed{
\text{generation contaminates memory}.
}
$$

所以必須 epistemic tagging。

---

# 104. Memory Status Taxonomy

每筆：

```text
observed
quoted
measured
inferred
summarized
schema
reconstructed
simulated
externally_refetched
verified
disputed
```

---

# 105. Status Transitions

允許：

$$
reconstructed
\rightarrow
verified
$$

若找到 source。

不允許：

$$
reconstructed
\rightarrow
observed
$$

無證據自動升級。

---

# 106. ANLA Memory Decision Function

$$
\pi_M(m)
=
f(
\mathbf W,
\mathbf Q_{\mathrm{rec}},
C_{\mathrm{retain}},
C_{\mathrm{reconstruct}},
U_{\mathrm{uncertainty}},
T_{\mathrm{status}}
).
$$

輸出：

$$
\{
KEEP,
COMPRESS,
SCHEMA,
ARCHIVE,
RE\!-\!FETCH,
FORGET,
ERASE
\}.
$$

---

# 107. KEEP

原樣或高保真。

適合：

- evidence；
- identity-critical；
- low reconstructability。

---

# 108. COMPRESS

保核心 detail / causal skeleton。

---

# 109. SCHEMA

多 episodes 抽 invariant。

但保 exceptions。

---

# 110. ARCHIVE

退出 active retrieval，

仍保歷史原始版本。

---

# 111. RE-FETCH

內部不保 stale detail，

需要時從 source 重取。

下一篇正式展開。

---

# 112. FORGET

退出 normal memory graph。

保最低治理 metadata。

---

# 113. ERASE

不可恢復刪除。

需要額外 governance。

---

# 114. MRM 與 Attention

若大量低價值：

$$
m_i
$$

保持：

$$
M^A,
$$

會增加：

$$
C_A.
$$

MRM 的目的之一：

$$
\boxed{
\text{free active attention without destroying necessary reconstructability}.
}
$$

---

# 115. Local Forgetting, Global Expansion

如果：

$$
M^A
\downarrow
$$

但：

$$
\mathbf Q_{\mathrm{rec}}
$$

保持，

則：

$$
B_{\mathrm{attention,free}}
\uparrow.
$$

可能支援：

$$
\boxed{
\text{future cognitive expansion}.
}
$$

---

# 116. 這不是因為保存能力不足

即使：

$$
Storage=\infty,
$$

MRM 仍有意義。

因為：

$$
\boxed{
\text{attention, verification and retrieval remain selective}.
}
$$

---

# 117. MRM 的第一核心命題

$$
\boxed{
\textbf{Reconstructive Sufficiency Principle（RSP）}
}
$$

> 對指定用途而言，只要保留集合足以在所需 fidelity 下重建必要功能，就沒有認知上的必然理由讓所有原始細節保持同等 active-memory 地位。

---

# 118. 第二核心命題

$$
\boxed{
\textbf{Irreplaceability-Weighted Retention Hypothesis（IWRH）}
}
$$

> retention priority 應隨不可替代性、所需 fidelity 與未來後果上升。

---

# 119. 第三核心命題

$$
\boxed{
\textbf{Provenance Barrier Principle（PBP）}
}
$$

> reconstruction、inference、simulation 與 observation 之間必須保留 epistemic provenance barrier，不得因內容合理而無痕轉換。

---

# 120. 第四核心命題

$$
\boxed{
\textbf{Historical Truth Floor（HTF）}
}
$$

> 當任務要求歷史／證據級真實性時，沒有 provenance 的生成式重建不得被計為充分 historical reconstruction。

---

# 121. 可測預測一

若資訊：

$$
\epsilon_R\uparrow
$$

較難重建，

其 human memory retention / deliberate retention preference 應上升。

Lin et al. 2024 已在 visual domain 提供鄰接證據。

---

# 122. 可測預測二

給 participant 固定 memory budget。

需要 future functional task 時，

被選 fragments 應偏：

- causal pivots；
- exceptions；
- result；
- procedure。

---

# 123. 可測預測三

需要 historical audit 時，

被選 fragments 應偏：

- verbatim；
- timestamp；
- raw record；
- provenance。

---

# 124. 可測預測四

相同 fragment 在不同 task：

$$
T_F
$$

vs：

$$
T_H
$$

其 retention preference 改變。

支持：

$$
\boxed{
\text{task-relative MRSS}.
}
$$

---

# 125. 可測預測五

AI memory system 使用 provenance-aware reconstruction：

應比 silent generative reconstruction 有更低：

$$
\text{false historical memory rate}.
$$

---

# 126. 可測預測六

在固定 storage 容量非常大時，

MRM memory policy 仍可能改善：

- retrieval precision；
- interference；
- verification burden。

若沒有，

attention-cost 理論受損。

---

# 127. Null Model 1：Keep Everything

$$
\pi=KEEP,\forall m.
$$

若 performance 永遠最佳，

MRM 無必要。

---

# 128. Null Model 2：Compression Only

所有內容只：

$$
COMPRESS.
$$

不做 reconstructability classification。

若和 MRM 同效，

MRM 過度。

---

# 129. Null Model 3：Importance Only

只用：

$$
Importance(m).
$$

若單 scalar 足夠，

fidelity vector 過度。

---

# 130. Null Model 4：Recency / Frequency

只留最近／常用。

若已足夠，

GPR / reconstructability 無增量。

---

# 131. Null Model 5：LLM Summary

所有 history 定期摘要。

若 summary-only 在：

- function；
- history；
- evidence；
- identity；

都不劣，

MRM 多餘。

本文預期這不會普遍成立。

---

# 132. 反證條件 F1

如果：

$$
\mathbf Q_{\mathrm{rec}}
$$

不同 fidelity 無法可靠區分，

vector model 失敗。

---

# 133. F2

如果 reconstructability 對 retention / performance 無增量，

MRMP 強版失敗。

---

# 134. F3

如果 provenance-aware 與 silent reconstruction 在 historical errors 無差，

PBP 工程價值降低。

---

# 135. F4

如果 storage 大時 keep-all 不增加任何 retrieval / attention cost，

attention-preserving argument 需縮減。

---

# 136. F5

如果 GPR-guided skeleton 不比 random / salience skeleton 更好重建 causal structure，

GPR–MRM 接口失敗。

---

# 137. 最小實驗一：Budgeted Memory

participants 看一個複雜事件。

只能保：

$$
k
$$

fragments。

分 task：

- future action；
- causal explanation；
- historical audit。

比較保留內容。

---

# 138. 最小實驗二：Reconstruction Test

一週後：

用：

$$
M^*
$$

重建。

分別評：

$$
Q_F,Q_C,Q_H,Q_V.
$$

---

# 139. 最小實驗三：Provenance Barrier

AI / participant 看到：

- original；
- summary；
- generated reconstruction。

測一週後是否錯把 generated detail 當 original。

---

# 140. 最小實驗四：External Source

讓某些 detail 可由 official source re-fetch，

另一些不可重建。

測 retention choice 是否考慮 external reconstructability。

---

# 141. 最小實驗五：Attention Pollution

AI agent memory：

Group A keep-all。

Group B MRM。

在 long-horizon tasks 測：

- retrieval precision；
- wrong replay；
- latency；
- verification cost。

---

# 142. 下一篇接口

本篇已經引入：

$$
Q_{\mathrm{ext}}.
$$

下一篇正式處理：

> 如果專業知識可以從網路、論文、API、官方文件重新取得，那 AI 內部應記住的是內容，還是「去哪找、怎麼驗證」？

也就是：

$$
\boxed{
\textbf{Attention-Preserving Forgetting
and Epistemic Routing}.
}
$$

---

# 143. 結論

長期記憶如果只追求：

$$
\boxed{
\text{maximum retention},
}
$$

會把：

- storage；
- retrieval；
- attention；
- verification；

混成一個問題。

反過來，如果只追求：

$$
\boxed{
\text{maximum compression},
}
$$

又會把：

- functional reconstruction；
- historical truth；
- evidence；
- identity；

混成一個問題。

本文提出第三條路：

$$
\boxed{
\textbf{Minimal Reconstructive Memory}.
}
$$

其核心不是：

> 什麼最少？

而是：

> **在指定用途所要求的 fidelity 下，什麼是足以重建必要功能與真實性的最小充分結構？**

因此：

$$
\boxed{
M^*
=
\arg\min C(M')
}
$$

必須受到：

$$
\boxed{
\mathbf Q_{\mathrm{rec}}
\ge
\boldsymbol\tau
}
$$

約束。

而：

$$
\mathbf Q_{\mathrm{rec}}
=
(
Q_F,Q_C,Q_H,Q_V,Q_I,Q_E
)
$$

明確禁止用「功能上能大概重做」去取代「歷史上真的能證明」。

本篇最重要的防錯原則是：

$$
\boxed{
\text{generative plausibility}
\neq
\text{historical recovery}.
}
$$

AI 可以重建：

> 「當時最可能發生什麼。」

但如果沒有 provenance，

它不能把：

> 「最可能」

偷偷升級成：

> 「我記得就是這樣。」

因此：

$$
\boxed{
\text{reconstruction}
+
\text{provenance}
+
\text{epistemic status}
}
$$

必須一起設計。

另一方面，若某些內容：

- 高度可由 schema 重建；
- 可由 deterministic procedure 再生成；
- 可從可信外部來源重新取得；
- 不具有高歷史／身份／證據價值；

則沒有必要因為儲存成本便宜，就永遠讓它維持在 active cognitive memory。

因此：

$$
\boxed{
\text{the value of memory is not proportional
to the number of preserved details}.
}
$$

更接近：

$$
\boxed{
\text{Memory Value}
=
\text{Irreplaceability}
\times
\text{Required Fidelity}
\times
\text{Future Consequence}.
}
$$

這使 ANLA 的記憶問題從：

> 「怎麼把上下文全部壓小？」

進一步變成：

> **「哪些資訊值得保留原貌，哪些只需保 causal skeleton，哪些可以形成 schema，哪些應只保 retrieval route，哪些可以退出有效記憶域？」**

下一篇將完成第三個理論拼圖：

$$
\boxed{
\textbf{Attention-Preserving Forgetting:
Memory Lifecycles and Epistemic Routing
in Networked Intelligence}
}
$$

把「網路、公開知識、re-fetch、verification」正式納入 AI 長期記憶架構。

---

# 參考文獻

1. Spens E, Burgess N. **A generative model of memory construction and consolidation.** *Nature Human Behaviour*. 2024;8(3):526–543. doi:10.1038/s41562-023-01799-z. PMID: 38242925.  
2. Lin Q, Li Z, Lafferty J, Yildirim I. **Images with harder-to-reconstruct visual representations leave stronger memory traces.** *Nature Human Behaviour*. 2024;8:1309–1320. doi:10.1038/s41562-024-01870-3.  
3. Spens E, Burgess N. **Hippocampo-neocortical interaction as compressive retrieval-augmented generation.** *Nature Communications*. 2026. doi:10.1038/s41467-026-74357-6. PMID: 42350398.  
4. Rubínová E, et al. **Similarity is associated with where repeated-event memories fall on the semantic–episodic continuum.** *Memory & Cognition*. 2025;53(8):2635–2654. doi:10.3758/s13421-025-01729-6. PMID: 40394414.  
5. Chang M, Brainerd CJ, Bialer DM, Liu X. **How gist and association affect false memory: False recognition and gist rating norms.** *Behavior Research Methods*. 2025;57(6):159. doi:10.3758/s13428-025-02681-8. PMID: 40301222.  
6. Antony JW, Stiver CA, Graves KN, Osborne J, Turk-Browne NB, Bennion KA. **Spatial gist extraction during human memory consolidation.** *Journal of Experimental Psychology: Learning, Memory, and Cognition*. 2022;48(7):929–941.  
7. Tompary A, Zhou W, Davachi L. **Schematic memories develop quickly, but are not expressed unless necessary.** *Scientific Reports*. 2020.  
8. Bartlett FC. **Remembering: A Study in Experimental and Social Psychology.** Cambridge University Press, 1932.  
9. Brainerd CJ, Reyna VF. **Fuzzy-trace theory and false memory.** *Current Directions in Psychological Science* / related foundational literature.  
10. van Kesteren MTR, Ruiter DJ, Fernández G, Henson RN. **How schema and novelty augment memory formation.** *Trends in Neurosciences*. 2012.  
11. Gilboa A, Marlatte H. **Neurobiology of schemas and schema-mediated memory.** *Trends in Cognitive Sciences*. 2017.  
12. Schapiro AC, Turk-Browne NB, Norman KA, Botvinick MM. **Statistical learning of temporal community structure in the hippocampus.** *Hippocampus*. 2016.  
13. Zheng J, Schjetnan AGP, Yebra M, et al. **Neurons detect cognitive boundaries to structure episodic memories in humans.** *Nature Neuroscience*. 2022;25:358–368.  
14. Hahamy A, Dubossarsky H, Behrens TEJ. **The human brain reactivates context-specific past information at event boundaries of naturalistic experiences.** *Nature Neuroscience*. 2023;26:1080–1089.  
15. Lee H, Chen J. **Predicting memory from the network structure of naturalistic events.** *Nature Communications*. 2022;13:4235.  
16. Risko EF, Gilbert SJ. **Cognitive Offloading.** *Trends in Cognitive Sciences*. 2016;20(9):676–688.  
17. Gilbert SJ. **Cognitive offloading is value-based decision making: Modelling cognitive effort and the expected value of memory.** *Cognition*. 2024;247:105783.  
18. Burnett LK, Richmond LL. **Meta-analytic investigations of the effect of cognitive offloading on memory-based task performance and interindividual variability.** *Memory & Cognition*. 2026;54(1):144–168.  

---

## 核心命題索引

### MRMP
**Minimal Reconstructive Memory Principle**

$$
M^*
=
\arg\min C(M')
\quad
\text{s.t.}
\quad
\mathbf Q_{\mathrm{rec}}
\ge
\boldsymbol\tau.
$$

### RSS / MRSS
**Reconstructively Sufficient Set / Minimal Reconstructively Sufficient Set**

### RSP
**Reconstructive Sufficiency Principle**

可重建的功能不必等同原始資料永久 active 保存。

### IWRH
**Irreplaceability-Weighted Retention Hypothesis**

$$
V_{\mathrm{retain}}
\propto
\text{Irreplaceability}
\times
\text{Required Fidelity}
\times
\text{Future Consequence}.
$$

### PBP
**Provenance Barrier Principle**

observation、inference、reconstruction、simulation 不得無痕互換。

### HTF
**Historical Truth Floor**

沒有 provenance 的生成式補完不能計為 evidence-grade historical reconstruction。

---

**狀態：** v0.1  
**原始 MRM 人體／AI 實驗資料：** 無  
**理論狀態：** 命題猜想／ANLA 記憶工程原理  
**重建狀態：** 嚴格區分 functional / causal / historical / verbatim / identity / evidentiary fidelity  
**下一篇：**《注意力保存型遺忘：網路化智能的記憶生命週期與認識論路由》