# 生成域—過程域—結果域：適應性記憶系統的事件—因果組織假說

**英文題名：** Generation–Process–Result Domains: An Event–Causal Organization Hypothesis for Adaptive Memory Systems  
**簡稱：** GPR-D  
**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／事件記憶形式化／ANLA 記憶理論基礎  
**文獻檢索截點：** 2026-08-17  

---

## 摘要

持續經驗並不等同於持續、等權、逐幀的長期記憶。人類事件記憶研究已顯示，連續經驗會在 perceptual / cognitive boundaries 附近被組織為離散事件；event boundaries 改變之後的內容記憶、順序記憶與 context organization。Naturalistic-memory 研究亦顯示，事件邊界會選擇性重啟與當前情境相關的過去事件，而事件間語義連結與網路結構可預測哪些事件更容易被記住。另一方面，gist / verbatim、schema、repeated-event memory 與 consolidation 研究共同顯示，記憶可以保留一般意義、規律與事件結構，而不必永久保留所有逐字或感知細節。非人類動物研究亦已在 rodent hippocampus 中觀察到可跨環境重用的 event code，支持「事件作為可轉移經驗單位」至少不是人類語言的特殊產物。

本文據此提出 **Generation–Process–Result Domain Hypothesis（GPR-D Hypothesis）**：

> 適應性記憶系統對事件的長期表示，不應只被建模為起點、過程、結果三個單值，而應表示為三個具有內部關係、權重、邊界與可壓縮尺度的功能域：生成域 \(\mathcal G\)、過程域 \(\mathcal P\)、結果域 \(\mathcal R\)。

完整事件表示為：

$$
\boxed{
\mathcal E_t
=
(
\mathcal G_t,
\mathcal P_t,
\mathcal R_t;
\Phi_{GP},
\Phi_{PR},
\Phi_{GR}
).
}
$$

其中：

- \(\mathcal G_t\)：使事件得以生成的前置條件、觸發、意圖、需求、約束與因果來源；
- \(\mathcal P_t\)：中間狀態、決策、關鍵轉換、分支、失敗、修正與事件邊界；
- \(\mathcal R_t\)：事件造成的終態、產物、後果、新知識、未完成事項與後續約束。

本文特別強調：G/P/R 是**功能角色域，而不是固定的前／中／後時間切片**。某個早期結果可以成為下一事件的生成條件：

$$
\boxed{
\mathcal R_t
\rightarrow
\mathcal G_{t+1}.
}
$$

因此事件記憶更接近：

$$
\boxed{
\mathcal G_t
\rightarrow
\mathcal P_t
\rightarrow
\mathcal R_t
\rightarrow
\mathcal G_{t+1}
}
$$

所形成的循環，而非孤立的三段式紀錄。

本文進一步提出 **Causal-Reconstructive Memory Principle（CRMP）**：

> 長期記憶的目標不應是保存經驗流中的所有資訊，而應優先保存那些對事件生成、關鍵過程轉換、結果、因果可解釋性、身份／關係連續性，以及不可可靠重建細節具有高價值的結構。

因此：

$$
\boxed{
\text{memory failure}
\neq
\text{failure to preserve every experienced detail}.
}
$$

某些未被提升為長期記憶的重複、低因果、低身份、低歷史價值資訊，可能反而代表正確的 selection / non-promotion。

本文將重複經驗的處理分成：

$$
\boxed{
\text{Deduplication}
\neq
\text{Gist Extraction}
\neq
\text{Schema Formation}.
}
$$

完全相同資訊的去重只處理 redundancy；而 adaptive memory 更可能從多次不完全相同事件中抽取 invariant：

$$
\{E_1,E_2,\ldots,E_n\}
\rightarrow
I^*
\rightarrow
S^*.
$$

本文亦提出 domain-specific retention vector，而不是單一重要度：

$$
\boxed{
\mathbf W(m)
=
(
W_G,
W_P,
W_R,
W_C,
W_H,
W_I,
W_V,
W_F
).
}
$$

分別描述一段資訊對生成、過程、結果、因果、歷史、身份、逐字保存與未來用途的重要度。

這一模型對 ANLA 的直接含義是：未來 AI 記憶管理不應只問「這段資訊能不能壓縮」，而應先判斷它在事件—因果結構中的功能角色，以及刪除、壓縮或重建後會失去哪一類資訊。

**關鍵詞：** event memory；event segmentation；causal memory；gist；verbatim；schema；reconstructive memory；adaptive memory；Generation–Process–Result；ANLA

---

# 0. 邊界聲明

本文提出的是：

$$
\boxed{
\text{Event–Causal Organization Hypothesis
for Adaptive Memory Systems}.
}
$$

不是：

$$
\boxed{
\text{a universal biological law for all organisms}.
}
$$

本文不主張：

- 所有生物都具有 episodic memory；
- 所有生物都以同一 G/P/R architecture 儲存資訊；
- event segmentation 等於完整因果理解；
- 人類記憶的遺忘全部都是最佳化；
- gist 永遠比 verbatim 好；
- 可以重建的內容就應一律刪除。

現有實證主要來自：

- 人類 episodic / naturalistic event memory；
- gist / verbatim 與 schema research；
- rodents 等非人類動物的 event / hippocampal representations。

因此「adaptive memory systems」是本文刻意採取的較保守上位概念。

---

# 1. 連續世界與離散事件

物理與感知輸入可近似表示為：

$$
W(t),
\qquad
t\in\mathbb R.
$$

如果記憶只是逐時間點無損複製：

$$
M
=
\{
W(t_1),
W(t_2),
\ldots
\},
$$

則每個時間點理論上都有近似相同的保存資格。

但人類事件記憶研究顯示，這不是很好的描述。

更接近：

$$
\boxed{
W(t)
\overset{\mathcal S}{\longrightarrow}
\{
E_1,E_2,\ldots,E_n
\},
}
$$

其中：

$$
\mathcal S
$$

是 event-segmentation process。

---

# 2. Event Boundary 具有真正記憶後果

人類單神經元研究已觀察到 medial temporal lobe 中對 abstract cognitive boundaries 反應的 neurons。

Boundary-related neural state change 可預測：

- subsequent recognition；
- event order memory；
- retrieval reinstatement。

因此：

$$
\boxed{
\text{boundary}
\neq
\text{mere analyst label}.
}
$$

至少在人類 episodic-memory paradigm 中，它具有可測的 behavioral / neural consequences。

---

# 3. 邊界改變時間組織

event boundary 可同時：

- 幫助同事件內 temporal organization；
- 降低跨事件的 temporal-order memory。

所以：

$$
\boxed{
\text{segmentation improves some structures
while weakening others}.
}
$$

這已經是一種 memory trade-off。

---

# 4. 事件不是孤立的

若只把：

$$
E_1,E_2,\ldots,E_n
$$

當完全獨立單位，

仍然太粗。

Naturalistic narrative research 顯示：

$$
E_i
$$

與過去：

$$
E_j
$$

的關係會在 event boundaries 被選擇性重啟。

因此：

$$
\boxed{
\text{event memory}
=
\text{events}
+
\text{relations between events}.
}
$$

---

# 5. 相關過去不是全部過去

邊界上的 reactivation 不是：

$$
\text{replay all history}.
$$

而是偏向：

$$
\boxed{
\text{context-relevant past information}.
}
$$

這與本文「過程資訊具有關係輕重」的核心命題直接相容。

---

# 6. Event Network Structure 影響記憶

Naturalistic-event network research 已顯示：

event centrality / connectivity：

$$
C(E_i)
$$

與後續 memory 有系統關係。

因此：

$$
\boxed{
\text{event importance}
}
$$

可以至少部分由：

$$
\boxed{
\text{event relational structure}
}
$$

預測。

---

# 7. 所以事件不是一串等權時間點

本文使用：

$$
\mathcal E
=
(V_E,E_E,w_E)
$$

表示一個事件內／事件間關係系統。

其中：

- \(V_E\)：event elements；
- \(E_E\)：relations；
- \(w_E\)：relation / element weights。

因此：

$$
\boxed{
w(e_i)
\neq
w(e_j)
}
$$

一般成立。

---

# 8. GPR-D 的根命題

本文提出：

$$
\boxed{
\mathcal E_t
=
(
\mathcal G_t,
\mathcal P_t,
\mathcal R_t;
\Phi_{GP},
\Phi_{PR},
\Phi_{GR}
).
}
$$

注意：

$$
\mathcal G_t,
\mathcal P_t,
\mathcal R_t
$$

都是 domain，

不是 scalar。

---

# 9. 什麼是「域」？

本文中的 domain 至少包含：

$$
\mathcal D
=
(
X_D,
R_D,
W_D,
B_D
).
$$

其中：

- \(X_D\)：domain elements；
- \(R_D\)：internal relations；
- \(W_D\)：importance / accessibility weights；
- \(B_D\)：candidate boundaries。

所以：

$$
\mathcal G
$$

不是：

> 原因 = 3。

而是一整個 antecedent relational structure。

---

# 10. 生成域 \(\mathcal G\)

定義：

$$
\boxed{
\mathcal G
=
(
X_G,
R_G,
W_G,
B_G
).
}
$$

它包含使事件得以形成的候選：

- trigger；
- antecedent condition；
- prior state；
- need；
- intention；
- expectation；
- constraint；
- causal source；
- initiating conflict；
- environmental affordance。

---

# 11. 生成域不只是一個「開始時間」

例如研究事件：

$$
E
=
\text{開始研究某問題}.
$$

生成域可能包含：

$$
\{
\text{先前理論},
\text{新矛盾},
\text{使用者問題},
\text{已有資料},
\text{研究目標},
\text{限制條件}
\}.
$$

這些不是：

$$
t_0
$$

一個時間點能表示的。

---

# 12. 生成域的最小角色

若移除：

$$
g_i
$$

會使：

- 事件無法解釋為何發生；
- 事件目的無法重建；
- causal origin 消失；

則：

$$
W_G(g_i)\uparrow.
$$

---

# 13. 過程域 \(\mathcal P\)

定義：

$$
\boxed{
\mathcal P
=
(
X_P,
R_P,
W_P,
B_P
).
}
$$

包含：

- intermediate states；
- decisions；
- branches；
- failures；
- corrections；
- key transitions；
- turning points；
- intermediate observations；
- local outcomes；
- event boundaries；
- dependencies。

---

# 14. 過程域通常最大

事件時間長度：

$$
T_E
$$

增加時，

raw process states：

$$
|X_P^{raw}|
$$

可以非常大。

但長期 memory 內：

$$
|X_P^{LT}|
$$

通常不必等比例增加。

這就是：

$$
\boxed{
\text{process selection problem}.
}
$$

---

# 15. 過程域不是全保存

對：

$$
p_i\in X_P,
$$

如果：

$$
p_i
$$

不影響：

- decision；
- causal path；
- result；
- identity；
- evidence；
- future action；

則：

$$
W_P(p_i)\downarrow.
$$

---

# 16. 「盯著空氣」問題

例如：

$$
p_i
=
\text{subject looked at an unchanging wall for 7 seconds}.
$$

若：

- 無新事件；
- 無 decision；
- 無 salient stimulus；
- 無結果差異；
- 無 identity / legal / scientific value；

則：

$$
\mathbf W(p_i)\approx\mathbf0.
$$

不進長期 memory 可能是：

$$
\boxed{
\text{correct non-promotion},
}
$$

而不一定是：

$$
\boxed{
\text{memory failure}.
}
$$

---

# 17. Process Pivot

反過來，

一個只發生：

$$
200\text{ ms}
$$

的訊號：

$$
p^*
$$

如果改變：

$$
\mathcal P
$$

之後全部 trajectory，

則：

$$
W_C(p^*)\uparrow\uparrow.
$$

所以：

$$
\boxed{
\text{duration}
\neq
\text{causal importance}.
}
$$

---

# 18. 結果域 \(\mathcal R\)

定義：

$$
\boxed{
\mathcal R
=
(
X_R,
R_R,
W_R,
B_R
).
}
$$

包含：

- terminal state；
- product；
- success / failure；
- new knowledge；
- changed environment；
- unresolved remainder；
- new obligation；
- new branch；
- delayed consequence。

---

# 19. 結果不是一個 status code

一個 research episode 的結果可能同時是：

$$
\{
\text{paper created},
\text{hypothesis rejected},
\text{new question},
\text{data missing},
\text{follow-up created}
\}.
$$

所以：

$$
R=\text{success}
$$

遠遠不夠。

---

# 20. 結果域可以繼續展開

某個：

$$
r_i\in\mathcal R
$$

可能幾天後產生：

$$
r_j.
$$

因此：

$$
\boxed{
\text{result}
\neq
\text{all consequences already realized}.
}
$$

結果域可以包含：

$$
\text{deferred consequences}.
$$

---

# 21. G/P/R 是功能角色，不是時間三等分

錯誤模型：

$$
\mathcal G
=
[0,0.2T],
$$

$$
\mathcal P
=
[0.2T,0.8T],
$$

$$
\mathcal R
=
[0.8T,T].
$$

本文不採。

---

# 22. 功能角色可以重疊

某資訊：

$$
x
$$

可以同時：

$$
x\in\mathcal P
\cap
\mathcal R.
$$

例如：

> 中途發現一個新定理。

它是當前事件的 local result，

又成為後續 process input。

---

# 23. 結果成為下一個生成條件

最重要的循環：

$$
\boxed{
\mathcal R_t
\rightarrow
\mathcal G_{t+1}.
}
$$

因此：

$$
\boxed{
\mathcal G_t
\rightarrow
\mathcal P_t
\rightarrow
\mathcal R_t
\rightarrow
\mathcal G_{t+1}.
}
$$

---

# 24. GPR Cycle

定義：

$$
\Gamma_E
=
(
\mathcal G_1,
\mathcal P_1,
\mathcal R_1,
\mathcal G_2,
\mathcal P_2,
\mathcal R_2,
\ldots
).
$$

這比：

$$
\text{event list}
$$

多一層 causal-generation structure。

---

# 25. \(\Phi_{GP}\)

$$
\Phi_{GP}:
\mathcal G
\rightarrow
\mathcal P
$$

描述：

> 生成條件如何限制／產生可能過程。

---

# 26. \(\Phi_{PR}\)

$$
\Phi_{PR}:
\mathcal P
\rightarrow
\mathcal R
$$

描述：

> 哪些 process trajectories 產生哪些 outcomes。

---

# 27. \(\Phi_{GR}\)

$$
\Phi_{GR}:
\mathcal G
\rightarrow
\mathcal R
$$

表示：

> 某些 antecedent conditions 對結果有 direct / long-range relation。

不要求所有影響都經由顯式記錄的：

$$
\mathcal P.
$$

---

# 28. GPR 不等於完整因果圖

本文不主張：

$$
\boxed{
\mathcal E
=
\text{true causal graph of the world}.
}
$$

它只是：

$$
\boxed{
\text{memory system's event-causal representation}.
}
$$

因此可能：

- incomplete；
- biased；
- false；
- corrected later。

---

# 29. 記憶是事件模型，不是世界本身

$$
\boxed{
M(E)
\neq
E_{\mathrm{world}}.
}
$$

任何 GPR representation 都是：

$$
\boxed{
\text{selective model}.
}
$$

---

# 30. Gist 與 Verbatim

人類 memory research 長期區分：

$$
\boxed{
\text{gist}
}
$$

與：

$$
\boxed{
\text{verbatim detail}.
}
$$

它們不是完全互斥 storage boxes，

但對行為可產生可分離效應。

---

# 31. Gist 的功能

gist：

$$
g(E)
$$

近似：

- bottom-line meaning；
- categorical structure；
- general relation；
- central implication。

---

# 32. Verbatim 的功能

verbatim：

$$
v(E)
$$

近似：

- exact wording；
- exact value；
- precise perceptual detail；
- exact occurrence.

---

# 33. 兩者的保存政策不能相同

若：

$$
T_{\mathrm{memory}}
=
\text{functional future action},
$$

可能：

$$
W_{gist}\uparrow.
$$

若：

$$
T_{\mathrm{memory}}
=
\text{legal evidence},
$$

可能：

$$
W_{verbatim}\uparrow\uparrow.
$$

---

# 34. GPR 每個 domain 都可同時有 gist / verbatim

$$
\mathcal G
=
(
g_G,v_G
),
$$

$$
\mathcal P
=
(
g_P,v_P
),
$$

$$
\mathcal R
=
(
g_R,v_R
).
$$

不是：

> 過程只存 gist、結果只存 verbatim。

---

# 35. Spatial Gist Extraction

人類 consolidation study 已觀察到：

$$
\boxed{
\text{spatial memories can become more gist-like}.
}
$$

這支持：

$$
\text{detail}
\rightarrow
\text{general structure}
$$

是實證可研究的 transformation。

---

# 36. Repeated Events

當：

$$
E_1,E_2,\ldots,E_n
$$

高度相似，

記憶可能落在 episodic–semantic continuum 的不同位置。

近年的 repeated-event research 顯示：

$$
\boxed{
\text{similarity among repetitions}
}
$$

會影響記憶更偏向：

- instance-specific episodic；
- generalized semantic-like representation。

---

# 37. 所以「重複」不只等於 duplicate

完全重複：

$$
x=x.
$$

可以：

$$
\text{deduplicate}.
$$

但近似重複：

$$
E_i\approx E_j
$$

更重要的操作可能是：

$$
\boxed{
\text{extract regularity}.
}
$$

---

# 38. Deduplication

$$
D:
\{x,x,x\}
\rightarrow
\{x\}.
$$

解的是：

$$
\boxed{
\text{storage redundancy}.
}
$$

---

# 39. Gist Extraction

$$
G:
E
\rightarrow
g(E).
$$

解的是：

$$
\boxed{
\text{meaning compression}.
}
$$

---

# 40. Schema Formation

$$
S:
\{E_1,\ldots,E_n\}
\rightarrow
S^*.
$$

解的是：

$$
\boxed{
\text{cross-event regularity extraction}.
}
$$

---

# 41. 三者不同

$$
\boxed{
D
\neq
G
\neq
S.
}
$$

這是 ANLA 必須保留的基本分類。

---

# 42. Schema 並不保證每個 episode 細節仍在

event schema：

$$
S^*
$$

可以支援：

- prediction；
- generalization；
- reconstruction。

但：

$$
S^*
$$

不等於：

$$
E_i.
$$

---

# 43. 2025 Narrative Schema Evidence

human fMRI naturalistic study 已顯示：

event-sequence schema representation 的強度可預測 subsequent memory for episode details。

這顯示：

$$
\boxed{
\text{schema and episodic detail can interact},
}
$$

而非只能二選一。

---

# 44. Semantic Structure 影響事件回憶

2025 naturalistic recall research 進一步發現：

event semantic network 中較高 connectivity 的 event 更可能在後續 recalls 出現。

這直接支持本文：

$$
\boxed{
\text{relation weight influences retention}.
}
$$

---

# 45. 事件記憶的權重不只來自 salience

定義：

$$
w(m)
=
F(
C,
R,
N,
H,
I,
F_u
),
$$

例如：

- causal centrality；
- result relevance；
- novelty；
- historical value；
- identity value；
- future usefulness。

---

# 46. Domain-specific Importance Vector

本文正式定義：

$$
\boxed{
\mathbf W(m)
=
(
W_G,
W_P,
W_R,
W_C,
W_H,
W_I,
W_V,
W_F
).
}
$$

---

# 47. \(W_G\)

對生成條件重建的重要度。

---

# 48. \(W_P\)

對中間 trajectory / decision 重建的重要度。

---

# 49. \(W_R\)

對 outcome / consequence 重建的重要度。

---

# 50. \(W_C\)

對 causal explanation 的重要度。

---

# 51. \(W_H\)

對歷史真實性的重要度。

---

# 52. \(W_I\)

對 identity / relationship continuity 的重要度。

---

# 53. \(W_V\)

對 exact verbatim preservation 的必要度。

---

# 54. \(W_F\)

對 future action / prediction 的預期價值。

---

# 55. 為什麼不能只有一個 Importance Score？

兩筆資料都可能：

$$
Importance=0.8,
$$

但原因完全不同。

A：

$$
W_V\uparrow,
W_H\uparrow
$$

因為是原始證據。

B：

$$
W_F\uparrow,
W_C\uparrow
$$

因為未來推理重要。

兩者 memory policy 應不同。

---

# 56. Memory Promotion

sensory / working state：

$$
m
$$

進長期 memory 的機率：

$$
P_{\mathrm{promote}}(m)
=
f(
\mathbf W(m)
).
$$

---

# 57. Non-Promotion

若：

$$
\|\mathbf W(m)\|\approx0,
$$

則：

$$
P_{\mathrm{promote}}\downarrow.
$$

這不是：

$$
\boxed{
\text{forced forgetting}.
}
$$

而是：

$$
\boxed{
\text{non-promotion}.
}
$$

---

# 58. 人類「忘了」可能混了很多不同機制

日常語言「忘記」可能包括：

1. never encoded；
2. encoded weakly；
3. inaccessible；
4. interfered；
5. gist retained but verbatim lost；
6. schema absorbed instance；
7. retrieval failure。

所以：

$$
\boxed{
\text{forgetting}
}
$$

本身不是單一操作。

---

# 59. GPR 對 ANLA 的第一個要求

AI memory manager 不應：

> 所有未來叫不到的東西都標成 DELETE。

需要分：

$$
\boxed{
\text{non-promoted}
}
$$

$$
\boxed{
\text{archived}
}
$$

$$
\boxed{
\text{compressed}
}
$$

$$
\boxed{
\text{schema-absorbed}
}
$$

$$
\boxed{
\text{forgotten}
}
$$

$$
\boxed{
\text{erased}.
}
$$

---

# 60. Minimal Reconstructive Memory 的入口

假設完整 process：

$$
\mathcal P
=
\{p_1,\ldots,p_n\}.
$$

如果：

$$
p_k
$$

可由：

$$
\mathcal G,
B_P,
\mathcal R,
S^*
$$

可靠重建，

則它的獨立 retention value 可能降低。

---

# 61. 但本文尚不主張「能重建就刪」

這會留給下一篇。

此處只提出：

$$
\boxed{
\text{reconstructability}
}
$$

是 retention policy 的候選變量之一。

---

# 62. Functional vs Historical Reconstruction

這是必要區分。

## Functional

只需要：

> 足以再次完成任務。

## Historical

需要：

> 足以知道當時實際發生什麼。

---

# 63. Functional Memory 可以高壓縮

例如：

> 怎麼完成一個 routine workflow。

可以：

$$
\mathcal P
\rightarrow
S^*.
$$

---

# 64. Historical Memory 需要更高原始度

例如：

- 對話原話；
- 實驗 raw data；
- 法律證據；
- identity-defining event。

此時：

$$
W_H,
W_V
\uparrow.
$$

---

# 65. 所以「過程不重要」也是錯的

某些事件：

$$
W_P\gg W_R.
$$

例如：

- 科學證明；
- 程式 debugging；
- 法律程序；
- 醫療 diagnosis reasoning。

只有結果：

> 「答案是 42。」

完全不夠。

---

# 66. 生成域也可能比結果重要

若要：

- reproduce；
- explain；
- attribute responsibility；

則：

$$
W_G\uparrow.
$$

不知道：

> 為什麼事件發生？

可能使結果失去解釋力。

---

# 67. 結果域也可能壓倒全部

routine task：

$$
W_R\uparrow,
$$

但：

$$
W_G,W_P\downarrow.
$$

例如：

> 備份成功。

若整個過程已由可靠 deterministic procedure 可重建，

細節可低權重。

---

# 68. GPR Weight Profile

一個 event：

$$
\boxed{
\mathbf W_E
=
(
\overline W_G,
\overline W_P,
\overline W_R
).
}
$$

只作 coarse profile。

---

# 69. Routine Event

候選：

$$
\mathbf W_E
\approx
(0.2,0.1,0.4).
$$

---

# 70. Novel Scientific Discovery

候選：

$$
\mathbf W_E
\approx
(0.8,0.9,1.0).
$$

數字只是示意，

不是心理量表。

---

# 71. Relationship Event

可能：

$$
W_I,W_H,W_V
$$

很高。

所以不能只看 G/P/R coarse profile。

---

# 72. Episode-to-Schema Transformation

多次事件：

$$
\mathcal E_1,\ldots,\mathcal E_n.
$$

抽取：

$$
I_i
=
\operatorname{Invariant}(
\mathcal E_i
).
$$

再：

$$
\boxed{
S^*
=
\operatorname{Schema}
(
I_1,\ldots,I_n
).
}
$$

---

# 73. Schema 的價值

$$
S^*
$$

可以支援：

- prediction；
- rapid inference；
- generalization；
- reconstruction；
- anomaly detection。

---

# 74. Schema 的代價

過度依賴 schema 可能：

- erase instance-specific detail；
- bias reconstruction；
- produce false memory；
- overgeneralize。

所以：

$$
\boxed{
\text{schema extraction}
\neq
\text{lossless compression}.
}
$$

---

# 75. 這和 ANLA 的直接關係

如果 AI 把：

$$
\mathcal E_1,\ldots,\mathcal E_n
$$

壓成：

$$
S^*,
$$

必須知道：

$$
\boxed{
\text{which episode-specific exceptions remain necessary}.
}
$$

---

# 76. Exception Memory

定義：

$$
X_{\mathrm{exc}}
=
\{
e_i:
e_i
\text{ violates important schema expectation}
\}.
$$

這類 event 反而可能：

$$
W_F,W_C\uparrow.
$$

---

# 77. 重複不是永遠低價值

若第：

$$
n
$$

次重複突然：

$$
E_n\neq S^*,
$$

這個 deviation 可能比前：

$$
n-1
$$

次都重要。

所以：

$$
\boxed{
\text{repetition}
\neq
\text{noise}.
}
$$

只有：

$$
\boxed{
\text{predictively redundant repetition}
}
$$

才接近低 retention value。

---

# 78. Predictive Redundancy

若：

$$
P(
E_n
\mid
S^*
)
\approx1
$$

且無：

- identity；
- evidence；
- novelty；

需求，

則：

$$
W_{\mathrm{retain}}(E_n)\downarrow.
$$

---

# 79. Noise

本文定義 functional noise：

$$
N
$$

不是：

> 我不喜歡的資訊。

而是：

$$
\boxed{
\text{information with negligible expected contribution
to current or future relevant inference,
history, identity, or verification}.
}
$$

---

# 80. Noise 是 goal-relative

同一資訊：

$$
m
$$

對：

$$
G_1
$$

是 noise，

對：

$$
G_2
$$

可能重要。

所以：

$$
\boxed{
N=N(m\mid G).
}
$$

---

# 81. Event Memory 與 Attention

當前注意域：

$$
A_t.
$$

記憶 retrieval：

$$
M\rightarrow A_t.
$$

所以 retained memory 會反過來改變：

$$
\boxed{
\text{future attentional reachability}.
}
$$

這是 GPR 與 TADC / ANLA 的接口。

---

# 82. Memory → Future Generation Domain

過去：

$$
\mathcal R_t
$$

與 schema：

$$
S_t
$$

進入：

$$
\mathcal G_{t+1}.
$$

因此：

$$
\boxed{
\text{memory does not merely describe the past;
it generates conditions for future cognition}.
}
$$

---

# 83. GPR Memory Loop

完整寫：

$$
\boxed{
\text{Experience}
\rightarrow
\text{Segmentation}
\rightarrow
(\mathcal G,\mathcal P,\mathcal R)
\rightarrow
\text{Weighting}
\rightarrow
\text{Consolidation}
\rightarrow
\text{Future }\mathcal G.
}
$$

---

# 84. 生物證據的保守延伸

非人類動物不能用語言告訴我們：

> 我把這個經驗切成 G/P/R。

所以本文不直接宣稱動物使用 GPR-D。

---

# 85. Rodent Event Code

rodent hippocampal study 已發現：

certain neuronal activity pattern 可跨不同 maze geometry 保留 lap-event identity，

並追蹤 event relationships。

這支持：

$$
\boxed{
\text{event-level coding can be transferable
across surface spatial changes}.
}
$$

---

# 86. Bat Temporal Context

bat hippocampal time-cell study 顯示：

部分 temporal sequences 依 spatial context 改變，

顯示 time representation 可與 context conjunctively encoded。

這支持：

$$
\boxed{
\text{memory for temporal progression is not necessarily context-free}.
}
$$

---

# 87. 所以 adaptive memory 的跨物種弱命題

本文只提出：

> 在至少部分具有複雜記憶／行動能力的物種中，經驗可能被表示為具 context、event 與 relational structure 的單位，而非完全均質時間序列。

這比：

> 大部分生物都以 GPR 記憶。

更可辯護。

---

# 88. GPR-D 的強版本

強版本：

$$
\boxed{
\text{Generation, Process, and Result roles
are reusable organizing dimensions
across multiple adaptive-memory systems}.
}
$$

目前未驗證。

---

# 89. GPR-D 的弱版本

弱版本：

> 人類長時事件記憶可有效使用 G/P/R domain decomposition 描述，並比 flat event-sequence model 更好預測 retention、compression 與 reconstruction decisions。

這是最適合先測的版本。

---

# 90. Null Model 1：Flat Event Sequence

$$
M=
(e_1,e_2,\ldots,e_n).
$$

沒有 G/P/R role。

若它和 GPR-D 一樣好，

GPR-D 無增量。

---

# 91. Null Model 2：Single Importance Score

每段：

$$
m_i
$$

只有：

$$
w_i.
$$

如果單 scalar 就能預測 retention policy，

vector / domain model 過度複雜。

---

# 92. Null Model 3：Temporal Position Only

只用：

- beginning；
- middle；
- end。

如果這就能取代 G/P/R functional role，

domain language 沒必要。

---

# 93. Null Model 4：Salience Only

如果：

$$
\text{salience}
$$

完整預測 retention，

causal / reconstructive structure 無增量。

---

# 94. Null Model 5：Outcome Only

假設記住 result 就夠。

若在所有 task：

$$
R
$$

已足夠，

G/P memory 無必要。

但 science / relationship / evidence domains 預期會直接反駁。

---

# 95. 第一個可測預測

同一事件中的：

$$
m_i,m_j
$$

即使：

- duration；
- perceptual salience；

相似，

若：

$$
W_C(m_i)>W_C(m_j),
$$

則：

$$
P_{\mathrm{recall}}(m_i)
>
P_{\mathrm{recall}}(m_j)
$$

為候選預測。

---

# 96. 第二個可測預測

event-boundary / pivot information：

$$
p^*
$$

應比等時長 ordinary process detail 有較高：

$$
P_{\mathrm{future-use}}
$$

與 recall。

---

# 97. 第三個可測預測

repeated schema-consistent episodes：

$$
E_1,\ldots,E_n
$$

中，

instance-specific detail：

$$
D_i
$$

的重要度下降，

但：

$$
S^*
$$

與 exception：

$$
X_{\mathrm{exc}}
$$

的重要度上升。

---

# 98. 第四個可測預測

若 task 要求 historical truth：

$$
W_V,W_H
$$

的變量應比 pure future-use measure 更好預測：

$$
\text{retention preference}.
$$

---

# 99. 第五個可測預測

若 task 要求 routine future action：

$$
W_F,W_C
$$

應比 verbatim necessity 更重要。

---

# 100. 第六個可測預測

GPR-D model：

$$
M_{GPR}
$$

應比：

$$
M_{\mathrm{flat}}
$$

更好預測：

- human summarization；
- recall；
- deliberate retention；
- compression preference；
- reconstruction success。

---

# 101. GPR Retention Policy

候選：

$$
\pi(m)
=
f(
\mathbf W(m),
Q_{\mathrm{reconstruct}},
C_{\mathrm{storage}},
C_{\mathrm{attention}}
).
$$

輸出：

$$
\{
KEEP,
COMPRESS,
ARCHIVE,
FORGET
\}.
$$

---

# 102. 但 ERASE 不在這篇自動決定

真正不可逆 ERASE 還需：

- privacy；
- identity；
- evidence；
- security；

治理。

這與前篇 Memory Autonomy paper 接軌。

---

# 103. Attention Cost

每一份 retained active memory：

$$
m_i
$$

除了 storage cost：

$$
C_S
$$

還有：

$$
C_A
=
\text{attention / retrieval interference cost}.
$$

這是 ANLA 後篇要正式處理的核心。

---

# 104. 所以 retention 不是越多越好

若：

$$
\sum_i C_A(m_i)
$$

持續上升，

即使硬碟：

$$
C_S\approx0,
$$

智能仍可能受到：

- retrieval noise；
- outdated replay；
- verification overhead；

影響。

---

# 105. GPR 對 AI 的特殊意義

AI 可以保存：

$$
\text{raw history}
$$

遠比人類容易。

但：

$$
\boxed{
\text{ability to save}
\neq
\text{reason to keep cognitively active}.
}
$$

---

# 106. AI 不應模仿人類的所有記憶限制

人類 forgetting 有：

- biological limitations；
- interference；
- retrieval failures。

AI 不需要刻意複製全部缺陷。

---

# 107. AI 應模仿的是功能原則

例如：

$$
\boxed{
\text{selectivity},
\text{event structure},
\text{causal weighting},
\text{schema extraction},
\text{reconstructability}.
}
$$

而不是：

$$
\boxed{
\text{human biological lossiness itself}.
}
$$

---

# 108. ANLA 的 GPR Pipeline

候選：

$$
\boxed{
Raw\ Stream
\rightarrow
Event\ Segmentation
\rightarrow
GPR\ Parsing
\rightarrow
Importance\ Vector
\rightarrow
Schema/Exception
\rightarrow
Memory\ Policy.
}
$$

---

# 109. GPR Parsing

對 event：

$$
E
$$

輸出：

```text
generation:
  triggers
  prior_state
  goals
  constraints

process:
  pivots
  decisions
  branches
  failures
  corrections

result:
  outcomes
  consequences
  unresolved
  next_conditions
```

---

# 110. Event Boundary Table

另存：

```text
boundary_id
event_before
event_after
boundary_type
salience
causal_change
goal_change
context_change
confidence
```

---

# 111. Importance Vector

每個 memory fragment：

```text
memory_id
W_G
W_P
W_R
W_C
W_H
W_I
W_V
W_F
confidence
```

---

# 112. Schema Table

```text
schema_id
member_events
invariants
expected_sequence
exceptions
confidence
last_updated
```

---

# 113. 這是一個候選 AI 實作，不是人腦模型逐字轉譯

本文不主張：

> 人腦內真的有 YAML 表。

（笑）

這是從認知假說抽出的 engineering representation。

---

# 114. GPR-D 與 TADC

TADC 說：

$$
\text{attention changes accessible cognitive space}.
$$

GPR-D 說：

$$
\boxed{
\text{event memory determines
which causal structures survive into that space}.
}
$$

---

# 115. GPR-D 與 Memory Autonomy

前篇說：

$$
\text{誰有權改記憶？}
$$

GPR-D 補：

$$
\text{記憶內部哪些部分具有什麼功能角色？}
$$

兩篇互補。

---

# 116. GPR-D 與下一篇

本篇只建立：

$$
\text{selective event structure}.
$$

下一篇將正式處理：

$$
\boxed{
\text{what can be discarded if it can be reconstructed?}
}
$$

即：

**Minimal Reconstructive Memory**。

---

# 117. 反證條件

## F1 — GPR 無法可靠標註

如果不同 raters：

$$
\kappa\approx0,
$$

三域沒有操作性。

---

# 118. F2 — Temporal Position 完整吸收

若 beginning/middle/end 就能完整預測，

GPR functional role 無增量。

---

# 119. F3 — Scalar Importance 完整吸收

若：

$$
w_i
$$

單 scalar 已完整預測 retention，

importance vector 過度。

---

# 120. F4 — Causal Weight 無增量

若 causal / pivot status 對 recall / future use 無額外預測，

CRMP 強版失敗。

---

# 121. F5 — Schema / Repetition 不影響 Policy

若 repeated-event similarity 不改：

- gist；
- schema；
- instance retention；

則本文關於重複經驗抽象化的強描述需縮減。

---

# 122. F6 — GPR 對 Compression / Reconstruction 無預測

若人類或 AI 最佳 memory policy 與 GPR roles 無關，

工程價值下降。

---

# 123. 最小實驗一：GPR Annotation

給 naturalistic events。

讓 blind raters 標：

- G；
- P；
- R；
- overlap；
- causal pivot。

測：

$$
\kappa_{\mathrm{rater}}.
$$

---

# 124. 最小實驗二：Retention Choice

participants 看完整 event。

之後只能保存：

$$
k
$$

個 fragments。

測被選 fragments 是否偏：

- high \(W_C\)；
- boundary；
- result；
- identity / evidence condition。

---

# 125. 最小實驗三：Reconstruction

用所選 fragments：

$$
M^*
$$

幾天後重建 event。

測：

- functional accuracy；
- historical accuracy；
- false reconstruction。

---

# 126. 最小實驗四：Repeated Events

多次 schema-consistent events。

測：

$$
\text{gist/schema}
$$

是否增加，

而 ordinary process details：

$$
P_{\mathrm{detail}}
$$

下降。

---

# 127. 最小實驗五：Exception

在第：

$$
n
$$

次事件加入 critical exception。

預測：

$$
P_{\mathrm{retain}}(exception)
\uparrow
$$

即使它只出現一次。

---

# 128. 生物／人類層與 AI 工程層必須分開

Human hypothesis：

$$
H_G.
$$

AI design hypothesis：

$$
H_A.
$$

即使：

$$
H_G
$$

只部分成立，

$$
H_A
$$

仍可能因工程效果成立。

---

# 129. Engineering Utility 不等於 Biological Truth

如果 GPR memory manager：

$$
\text{improves AI performance},
$$

不能反推：

> 人腦一定使用 GPR。

反方向也一樣。

---

# 130. GPR-D 的真正最小主張

本文最終不需要證明：

> 所有記憶都完美分成三盒。

只需要：

$$
\boxed{
\text{Generation / Process / Result roles
provide measurable incremental structure
for event-memory selection and reconstruction}.
}
$$

---

# 131. 結論

人類與多種已研究的記憶系統並不像一台對所有時間點等權保存的錄影機。

在人類中，連續經驗會受到 event boundaries 組織；邊界會改變 episodic encoding、temporal order 與 later retrieval。自然情境中的 past-event reactivation 又表現出 relation selectivity，並非所有過去都同時重播。事件間的語義／網路結構也會影響後續記憶。重複經驗則可以逐步支援 gist、schema 與 generalization，而不是只形成更多彼此獨立的逐字紀錄。

本文據此提出：

$$
\boxed{
\textbf{GPR-D Hypothesis}
}
$$

將一個事件表示為：

$$
\boxed{
\mathcal E_t
=
(
\mathcal G_t,
\mathcal P_t,
\mathcal R_t;
\Phi_{GP},
\Phi_{PR},
\Phi_{GR}
).
}
$$

其中：

$$
\mathcal G
$$

不是一個起點，

而是生成條件域；

$$
\mathcal P
$$

不是一條均質過程，

而是具有 decision、pivot、branch 與 causal weight 的過程域；

$$
\mathcal R
$$

也不是單一結果，

而是包含產物、後果、未完成事項與下一事件條件的結果域。

最重要的動態是：

$$
\boxed{
\mathcal R_t
\rightarrow
\mathcal G_{t+1}.
}
$$

所以適應性記憶更像：

$$
\boxed{
G
\rightarrow
P
\rightarrow
R
\rightarrow
G'
\rightarrow
P'
\rightarrow
R'
\rightarrow\cdots
}
$$

的生成循環。

本文同時提出：

$$
\boxed{
\textbf{Causal-Reconstructive Memory Principle}
}
$$

即長期記憶不必保存所有過程細節，而應優先保存：

1. 事件為何生成；
2. 哪些中間變化真正改變 trajectory；
3. 結果與後果；
4. 事件因果可解釋性；
5. 身份／關係／歷史／證據所要求的不可替代細節；
6. 未來無法可靠重建的資訊。

因此：

$$
\boxed{
\text{not remembered}
\neq
\text{necessarily failed memory}.
}
$$

某些資訊根本沒有足夠理由被提升到長期記憶。

重複資訊的處理也不應只理解為：

$$
\text{deduplication}.
$$

更完整的路徑是：

$$
\boxed{
E_1,E_2,\ldots,E_n
\rightarrow
\text{invariant extraction}
\rightarrow
\text{schema}
+
\text{exceptions}.
}
$$

這對未來 ANLA 的意義是：

> **AI 不需要因為儲存便宜，就讓所有曾出現的過程細節永久保持同等的認知資格。**

真正的記憶智能不是：

$$
\boxed{
\text{remember everything}.
}
$$

而是：

$$
\boxed{
\text{know what role an experience played,
what must remain exact,
what can become gist,
what can become schema,
and what never needed to become long-term memory at all}.
}
$$

下一篇將在此基礎上正式處理：

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

即：

> **如果一段細節可以從生成條件、關鍵過程節點、結果、schema 與可信外部來源可靠重建，那麼它還需要以什麼形式永久保存？**

---

# 參考文獻

1. Zheng J, Schjetnan AGP, Yebra M, et al. **Neurons detect cognitive boundaries to structure episodic memories in humans.** *Nature Neuroscience*. 2022;25:358–368. doi:10.1038/s41593-022-01020-w.  
2. Pu Y, Kong X-Z, Ranganath C, Melloni L. **Event boundaries shape temporal organization of memory by resetting temporal context.** *Nature Communications*. 2022;13:622. doi:10.1038/s41467-022-28216-9.  
3. 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. doi:10.1038/s41593-023-01331-6.  
4. Zacks JM, Braver TS, Sheridan MA, et al. **Human brain activity time-locked to perceptual event boundaries.** *Nature Neuroscience*. 2001;4:651–655.  
5. Schapiro AC, Rogers TT, Cordova NI, Turk-Browne NB, Botvinick MM. **Neural representations of events arise from temporal community structure.** *Nature Neuroscience*. 2013;16:486–492.  
6. Lee H, Chen J. **Predicting memory from the network structure of naturalistic events.** *Nature Communications*. 2022;13:4235. doi:10.1038/s41467-022-31965-2.  
7. Chen J, Leong YC, Honey CJ, Yong CH, Norman KA, Hasson U. **Shared memories reveal shared structure in neural activity across individuals.** *Nature Neuroscience*. 2017;20:115–125.  
8. 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. doi:10.1037/xlm0000894.  
9. Abadie M, Guette C. **Reducing age differences in the retrieval of verbatim and gist representations: Encoding manipulations.** 2024. PMID: 39214929.  
10. Nolte J, Löckenhoff CE, Reyna VF. **The influence of verbatim versus gist formatting on younger and older adults' information acquisition and decision-making.** *Psychology and Aging*. 2022;37(2):197–209. doi:10.1037/pag0000676.  
11. **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.  
12. **The semantic structure of events consistently influences episodic memory recall over time in young and older adults.** *Scientific Reports*. 2025;15:41987. doi:10.1038/s41598-025-26142-6.  
13. **Neural codes track prior events in a narrative and predict subsequent memory for details.** *Communications Psychology*. 2025.  
14. **Hippocampal neurons represent events as transferable units of experience.** *Nature Neuroscience*. 2020. doi:10.1038/s41593-020-0614-x.  
15. Omer DB, Las L, Ulanovsky N. **Contextual and pure time coding for self and other in the hippocampus.** *Nature Neuroscience*. 2023;26:285–294. doi:10.1038/s41593-022-01226-y.  
16. **Flexible reuse of cortico-hippocampal representations during encoding and recall of naturalistic events.** *Nature Communications*. 2023.  
17. **A generative model of memory construction and consolidation.** *Nature Human Behaviour*. 2024;8:526–543. doi:10.1038/s41562-023-01799-z.  
18. **Event Integration and Temporal Differentiation: How Hierarchical Knowledge Emerges in Hippocampal Subfields through Learning.** 2024.  
19. **Hippocampal-Cortical Networks Predict Conceptual versus Perceptually Guided Narrative Memory.** *Journal of Neuroscience*. 2025. doi:10.1523/JNEUROSCI.1936-24.2025.  
20. **The brain hierarchically represents the past and future during multistep anticipation.** *Nature Communications*. 2024.  

---

## 核心命題索引

### GPR-D
**Generation–Process–Result Domain Hypothesis**

$$
\mathcal E
=
(
\mathcal G,\mathcal P,\mathcal R
)
$$

而非：

$$
E=(g,p,r).
$$

### CRMP
**Causal-Reconstructive Memory Principle**

優先保存足以維持：

- generation；
- causal pivots；
- result；
- history；
- identity；
- future action；
- reliable reconstruction；

的結構。

### GPR Cycle

$$
\boxed{
\mathcal G_t
\rightarrow
\mathcal P_t
\rightarrow
\mathcal R_t
\rightarrow
\mathcal G_{t+1}.
}
$$

### Domain-Specific Importance

$$
\boxed{
\mathbf W(m)
=
(
W_G,W_P,W_R,W_C,W_H,W_I,W_V,W_F
).
}
$$

---

**狀態：** v0.1  
**原始 GPR-D 人體資料：** 無  
**理論狀態：** 命題猜想／ANLA 記憶理論基礎  
**跨物種狀態：** 僅提出 adaptive-memory 弱命題，不宣稱所有生物使用同一 GPR architecture  
**下一篇：**《最小可重建記憶：從逐幀保存到因果充分性》