# 身份漂移與跨載體連續性
## 從可觀測身份狀態、資訊與功能連續到因果譜系與第一人稱不可推出性

**英文題名：** Identity Drift and Cross-Carrier Continuity: From Observable Identity States and Informational–Functional Continuity to Causal Lineage and the Non-Inference of First-Person Persistence  
**系列：** 廣義相位交流與載體安全（Generalized Phase Communication and Carrier Safety, GPC-CS）  
**Paper：** 07  
**作者：** Neo.K（許筌崴）  
**機構：** EveMissLab／一言諾科技有限公司  
**理論協作：** Aletheia（GPT-5.6 Sol）  
**版本：** v1.0  
**日期：** 2026-08-14  
**狀態：** Public Theoretical Paper / Non-operational Safety Theory

---

## 摘要

Paper 00–06 已將廣義相位交流逐步形式化為載體狀態安全、跨載體轉導、容量可行域、算子動力學、雙向耦合與安全恢復。本文進入一個更敏感但不可迴避的問題：**當載體持續被更新、部分狀態被轉導到另一載體、記憶與功能仍保持高度連續時，我們究竟能測量到什麼樣的「身份連續」，又有哪些更強的身份主張不能由這些資料自動推出？**

本文採取嚴格的分層立場。它不把 personal identity、subject identity 或 first-person continuity 直接當成已經可觀測的物理量。相反地，本文先定義一個**身份相關可觀測映射**：

$$
\boxed{
\Psi:
\mathcal X
\rightarrow
\mathcal Y_I,
}
$$

其中 $\Psi(x)$ 可以包含研究者明確指定的記憶摘要、偏好、目標、世界模型、自我模型、技能、行為策略、功能性回應或其他 identity-related observables。本文所稱**身份漂移（identity-related drift）**僅表示：

$$
\Psi(x_t)
$$

隨時間改變；它不是「主體是否仍為同一個」的直接判決。

本文首先區分五種彼此不同的連續性：

1. **可觀測狀態連續（observable-state continuity）**；
2. **資訊連續（informational continuity）**；
3. **功能／行為連續（functional or behavioral continuity）**；
4. **因果／譜系連續（causal-lineage continuity）**；
5. **載體連續（substrate continuity）**。

本文再將它們組成向量：

$$
\boxed{
\mathbf C_{s\to t}
=
(
C_{\mathrm{obs}},
C_{\mathrm{info}},
C_{\mathrm{func}},
C_{\mathrm{lin}},
C_{\mathrm{sub}}
).
}
$$

本文不預設存在一個宇宙唯一的權重把 $\mathbf C$ 壓成單一 identity score，因為這些分量回答的是不同問題。

第二，本文定義淨漂移與路徑變差：

$$
D_I(0,T)
=
d_I
\left(
\Psi(x_0),
\Psi(x_T)
\right),
$$

$$
\boxed{
V_I(0,T)
=
\sum_{t=0}^{T-1}
d_I
\left(
\Psi(x_{t+1}),
\Psi(x_t)
\right).
}
$$

一般有：

$$
D_I(0,T)
\le
V_I(0,T).
$$

因此載體可以在身份相關狀態空間中經歷很大的累積漂移，最後又回到接近起點；只看終點差異會遺失歷史。這與 Paper 06 的 path dependence 直接接合。

第三，本文證明兩個重要的 no-go 結果。首先，若 $\Psi$ 非單射，則：

$$
\Psi(x)=\Psi(y)
$$

不能推出：

$$
x=y.
$$

因此「所有我們目前能測的身份特徵都一樣」一般不能推出完整狀態同一。其次，對任意一般度量空間，閾值連續關係：

$$
x\mathrel{R_\varepsilon}y
\iff
d_I(\Psi(x),\Psi(y))\le\varepsilon
$$

通常不具傳遞性，因此不能直接作為 identity equivalence relation。本文以實數直線上的三點反例證明此事。

第四，本文形式化 branching problem。若某個前身 $x$ 產生兩個彼此不同的後繼 $y_1,y_2$，而某 continuity criterion $C$ 同時滿足：

$$
C(x,y_1)=1,
\qquad
C(x,y_2)=1,
$$

則只要 $y_1\neq y_2$， $C$ 就不能在不加額外 non-branching 條件時成為 personal identity 的充分判準。因為若 $C$ 足以推出 identity，則會得到：

$$
x=y_1,
\qquad
x=y_2,
$$

從 identity 的傳遞性推出：

$$
y_1=y_2,
$$

與分支假設矛盾。這是一個純邏輯 no-go，而不是對任何特定 personal-identity theory 的終結性反駁。

第五，本文引入譜系圖：

$$
\mathcal G_L
=
(V_L,E_L),
$$

其中一條 directed edge：

$$
x_s\rightarrow x_t
$$

表示 $x_t$ 是由明確記錄的更新／轉導／複製／遷移事件從 $x_s$ 產生。因果譜系連續回答「這個狀態是否由那個狀態沿合法歷史演化而來」，但它仍不同於 personal identity。特別是在 copy / fork 中，一個前身可以同時具有多個高連續度後繼。

第六，本文把跨載體遷移寫成：

$$
T_{AB}:
\mathcal X_A
\rightarrow
\mathcal X_B
$$

或更一般的 transport relation，並定義 identity-related fidelity：

$$
\delta_I^{AB}
=
d_I
\left(
\Psi_B(T_{AB}(x_A)),
\Theta_{AB}(\Psi_A(x_A))
\right),
$$

其中 $\Theta_{AB}$ 是把兩種載體的身份相關 observables 放入共同比較空間的映射。高 $C_{\mathrm{obs}}$ 、 $C_{\mathrm{info}}$ 、 $C_{\mathrm{func}}$ 與 $C_{\mathrm{lin}}$ 可以支持「高度連續」這種可觀測陳述，但本文明確不建立：

$$
\boxed{
\mathbf C\text{ 高}
\Rightarrow
\text{first-person continuity}.
}
$$

本文的形式系統根本沒有把第一人稱「正在體驗世界的那個我」建模為可被外部驗證的變量，因此從模型內指標推導 first-person persistence 是類型錯誤，而不是一個尚待補參數的普通估計問題。

最後，本文建立 identity-related safety corridor：

$$
\boxed{
\mathcal S_I
=
\left\{
x\in\mathcal S:
\Psi(x)\in\mathcal A_I
\right\},
}
$$

其中 $\mathcal A_I$ 是事先指定的 identity-related admissible region。離開 $\mathcal S_I$ 只表示身份相關規格被破壞；本文拒絕把它寫成「人格死亡」「主體消失」或「不再是同一存在」。後者屬於更強的形而上學或第一人稱命題。

本文不提供任何改造身份、操控人格、複製主體、覆寫自我模型或跨載體遷移的實作方法。其目的只是建立一套不把「看起來很像」「功能一樣」「資料連續」「譜系相連」誤寫成「必然是同一主體」的安全理論語言。

**關鍵詞：** 身份漂移、心理連續、資訊連續、功能連續、因果譜系、跨載體連續、branching、representation drift、bisimulation、first-person continuity、身份安全

---

# 0. 文獻定位與研究邊界

個人同一性與心理連續性具有悠久哲學傳統。Parfit 1971 年的〈Personal Identity〉已經把 psychological continuity、fission 與「identity 是否是 survival 最重要的問題」推到現代分析哲學核心位置。到了 2026 年，continuity theories 仍在被重新形式化與檢討，尤其是 continuity relation 與 personal identity 之間究竟是定義、grounding、必要充分條件還是較弱 modal connection，仍沒有單一公認答案。

因此本文不宣稱：

$$
\text{psychological continuity}
=
\text{personal identity}.
$$

在計算與神經科學方面，representation drift 也已是一個獨立研究主題。長期神經紀錄顯示，某些神經表示可以隨時間漂移，而部分行為或群體層結構仍保持穩定。Continual learning 研究則直接測量模型在持續學習中的 representational shifts。

這些結果對本文只有一個最小啟示：

> **representation changes do not automatically imply loss of function or loss of entity identity.**

此外，bisimulation metrics 提供了一個很合適的數學鄰居：兩個內部狀態即使不相同，只要它們在指定 transition / reward / observation 意義下行為接近，就可以具有高 behavioral similarity。本文將這種「功能連續」與「狀態同一」嚴格分開。

本文不試圖：

- 解決 personal identity 的所有哲學爭論；
- 宣稱 first-person continuity 可以被目前外部方法驗證；
- 提供人格重寫或身份遷移技術；
- 建立任何人類或 AI 的法律人格判準。

---

# 1. 身份相關狀態，而不是「身份本體」

令：

$$
x
\in
\mathcal X
$$

為完整載體狀態。

本文不定義：

$$
\operatorname{Identity}(x)
$$

為一個已知物理量。

而是定義：

$$
\boxed{
\Psi:
\mathcal X
\rightarrow
\mathcal Y_I
}
$$

為**身份相關可觀測映射（identity-related observable map）**。

例如：

$$
\Psi(x)
=
(
m,p,g,w,s,b
)
$$

可以抽象包含：

- $m$：memory-related observables；
- $p$：preference-related observables；
- $g$：goal-related observables；
- $w$：world-model observables；
- $s$：self-model observables；
- $b$：behavioral / policy observables。

這些分量不是固定標準。

不同研究可以選擇不同：

$$
\Psi.
$$

因此：

$$
\boxed{
\Psi(x)
\text{ 是 identity-related profile，}
\text{不是 metaphysical self 本身。}
}
$$

---

# 2. Identity-Related Drift

給定度量：

$$
d_I
$$

於：

$$
\mathcal Y_I,
$$

定義兩時刻身份相關漂移：

$$
\boxed{
D_I(s,t)
=
d_I
\left(
\Psi(x_s),
\Psi(x_t)
\right).
}
$$

若：

$$
D_I(s,t)>0,
$$

只能說：

> 被納入 $\Psi$ 的可觀測身份相關狀態發生改變。

它不能直接推出：

$$
x_s
\neq
\text{same subject as }
x_t.
$$

---

# 3. 淨漂移與累積路徑變差

定義淨漂移：

$$
\boxed{
D_I(0,T)
=
d_I
\left(
\Psi(x_0),
\Psi(x_T)
\right).
}
$$

定義累積變差：

$$
\boxed{
V_I(0,T)
=
\sum_{t=0}^{T-1}
d_I
\left(
\Psi(x_{t+1}),
\Psi(x_t)
\right).
}
$$

由三角不等式：

## 定理 3.1

$$
\boxed{
D_I(0,T)
\le
V_I(0,T).
}
$$

### 證明

直接對：

$$
\Psi(x_0),
\Psi(x_1),
\ldots,
\Psi(x_T)
$$

使用反覆三角不等式。

證畢。

---

# 4. 回到原點不等於沒有漂移歷史

可能有：

$$
D_I(0,T)
\approx0,
$$

但：

$$
V_I(0,T)\gg0.
$$

也就是身份相關 profile 最後接近原點，卻曾經走過很長的路。

這與 Paper 06 的 hysteresis / path dependence 直接對應。

因此：

$$
\boxed{
\text{same endpoint profile}
\not\Rightarrow
\text{same history}.
}
$$

---

# 5. Representation Drift 不等於 Identity Loss

生物神經與 artificial continual-learning 文獻都存在 representation drift / representation shift。

因此本文採用：

$$
\boxed{
\text{representation drift}
\not\Rightarrow
\text{identity loss}.
}
$$

這不是說 drift 永遠無害。

而是說：

> 「表示變了」與「主體不再是同一個」是不同層級命題。

---

# 6. 可觀測映射的不可識別性

若：

$$
\Psi
$$

不是單射，

則存在：

$$
x\neq y
$$

使：

$$
\Psi(x)=\Psi(y).
$$

因此：

## 定理 6.1：Observable-Profile Non-Identification

若 $\Psi$ 非單射，則：

$$
\boxed{
\Psi(x)=\Psi(y)
\not\Rightarrow
x=y.
}
$$

證明由非單射定義直接成立。

這表示：

> 所有目前測得到的身份特徵完全相同，仍不足以推出完整 carrier state identity。

---

# 7. 完整狀態同一也不自動等於 Personal Identity Theory

即使某種系統可以聲稱：

$$
x_s=x_t
$$

在數學狀態表示中完全相同，

這仍只表示：

> 模型使用的狀態變量全部相同。

是否把這件事解釋成：

$$
\text{same person / same subject}
$$

仍需要額外本體論承諾。

因此本文保持：

$$
\boxed{
\text{state equality}
\neq
\text{personal-identity theorem}.
}
$$

---

# 8. 距離閾值不能一般地定義 Identity Equivalence

最直覺的做法可能是：

$$
x
\mathrel{R_\varepsilon}
y
$$

當且僅當：

$$
d_I
\left(
\Psi(x),
\Psi(y)
\right)
\le
\varepsilon.
$$

它具有 reflexivity 與 symmetry。

但一般沒有 transitivity。

---

# 9. 閾值非傳遞定理

## 定理 9.1

對任意：

$$
\varepsilon>0,
$$

一般存在 $x,y,z$ 使：

$$
xR_\varepsilon y,
$$

$$
yR_\varepsilon z,
$$

但：

$$
x\not R_\varepsilon z.
$$

### 構造

取：

$$
\mathcal Y_I
=
\mathbb R,
$$

標準距離。

令：

$$
\Psi(x)=0,
$$

$$
\Psi(y)=\frac34\varepsilon,
$$

$$
\Psi(z)=\frac32\varepsilon.
$$

則：

$$
d(\Psi(x),\Psi(y))
=
\frac34\varepsilon
\le
\varepsilon,
$$

$$
d(\Psi(y),\Psi(z))
=
\frac34\varepsilon
\le
\varepsilon.
$$

但：

$$
d(\Psi(x),\Psi(z))
=
\frac32\varepsilon
>
\varepsilon.
$$

故 $R_\varepsilon$ 不具傳遞性。

證畢。

---

# 10. Drift Threshold 只能作為規格，不是 Identity Relation

identity 在古典邏輯中至少是一個等價關係。

因此一般的：

$$
D_I\le\varepsilon
$$

不能直接作為 identity relation。

它可以是：

- safety threshold；
- similarity threshold；
- migration fidelity requirement；
- continuity heuristic；

但不能無條件改寫成：

$$
\boxed{
D_I\le\varepsilon
\iff
\text{same subject}.
}
$$

---

# 11. 五種可測連續性

本文把可分析的 continuity 分成五種。

## 11.1 可觀測狀態連續

定義：

$$
C_{\mathrm{obs}}(s,t)
=
f_{\mathrm{obs}}
\left(
D_I(s,t)
\right),
$$

其中：

$$
f_{\mathrm{obs}}
$$

為單調遞減正規化函數，例如：

$$
f_{\mathrm{obs}}(d)
=
e^{-d/\sigma_I}.
$$

這只是 similarity score。

---

## 11.2 資訊連續

對某個離散 identity-related random variable：

$$
I_s,
$$

與未來可恢復表示：

$$
I_t,
$$

可定義：

$$
C_{\mathrm{info}}
=
1-
\frac{
H(I_s\mid I_t,S)
}{
H(I_s)
}
$$

在：

$$
H(I_s)>0
$$

時。

 $S$ 是允許的 side information。

若：

$$
H(I_s\mid I_t,S)=0,
$$

則相關資訊可以被完全恢復。

這與 Paper 06 的 recovery information criterion 一致。

---

## 11.3 功能連續

若兩個狀態具有行為距離：

$$
d_{\mathrm{func}}(x_s,x_t),
$$

可定義：

$$
C_{\mathrm{func}}
=
e^{-d_{\mathrm{func}}/\sigma_F}.
$$

 $d_{\mathrm{func}}$ 可以來自：

- task-output difference；
- policy difference；
- transition behavior；
- bisimulation-type pseudometric。

本文不指定單一唯一方法。

---

## 11.4 因果／譜系連續

定義 lineage graph：

$$
\mathcal G_L
=
(V_L,E_L).
$$

若從：

$$
x_s
$$

存在一條被記錄的更新路徑到：

$$
x_t,
$$

則：

$$
x_s
\leadsto
x_t.
$$

定義簡化：

$$
C_{\mathrm{lin}}(s,t)
=
\begin{cases}
1,
&
x_s\leadsto x_t,\\
0,
&
\text{otherwise}.
\end{cases}
$$

也可以未來擴張為 provenance confidence。

---

## 11.5 載體連續

若兩時刻仍使用同一物理／計算載體 lineage，可定義：

$$
C_{\mathrm{sub}}.
$$

它可以是 binary，也可以是更細的 hardware / biological continuity measure。

但：

$$
C_{\mathrm{sub}}=1
$$

不表示 psychological / informational continuity 必然高。

反過來，換載體也不表示其他 continuity 必然低。

---

# 12. 連續性向量

定義：

$$
\boxed{
\mathbf C_{s\to t}
=
(
C_{\mathrm{obs}},
C_{\mathrm{info}},
C_{\mathrm{func}},
C_{\mathrm{lin}},
C_{\mathrm{sub}}
).
}
$$

本文不先定義：

$$
C_{\mathrm{identity}}
=
\sum_k w_kC_k.
$$

原因與 Paper 02 的多層錯配相同。

不同分量回答不同問題，權重本身是額外理論選擇。

---

# 13. Continuity Vector 不是 Identity Scalar

可以有：

$$
C_{\mathrm{obs}}\approx1
$$

但：

$$
C_{\mathrm{lin}}=0,
$$

例如高度相似的獨立複製。

也可以：

$$
C_{\mathrm{lin}}=1
$$

但：

$$
C_{\mathrm{obs}}\ll1,
$$

例如同一 causal lineage 經歷巨大改變。

因此：

$$
\boxed{
\text{similarity continuity}
\neq
\text{lineage continuity}.
}
$$

---

# 14. 功能相同不等於狀態相同

Ferns–Panangaden–Precup 的 bisimulation metric 路線正是一個很好的鄰居。

兩個狀態可以：

- 內部結構不同；
- 但在指定 transition / reward / observation 意義下行為接近。

因此：

$$
\boxed{
C_{\mathrm{func}}\approx1
\not\Rightarrow
x_s=x_t.
}
$$

也不推出：

$$
\text{personal identity}.
$$

---

# 15. Branching：連續性判準的核心困難

考慮：

$$
x
$$

產生兩個不同後繼：

$$
y_1,
\qquad
y_2.
$$

假設某 continuity criterion：

$$
C(x,y)
\in
\{0,1\}
$$

判定：

$$
C(x,y_1)=1,
$$

$$
C(x,y_2)=1.
$$

且：

$$
y_1\neq y_2.
$$

---

# 16. Branching Insufficiency Theorem

## 定理 16.1

若 personal identity 使用古典 identity relation，且某 continuity criterion $C$ 被宣稱為 identity 的充分條件：

$$
C(x,y)=1
\Rightarrow
x=y,
$$

則在存在 distinct branching successors：

$$
y_1\neq y_2
$$

且：

$$
C(x,y_1)=C(x,y_2)=1
$$

時產生矛盾。

### 證明

由充分條件：

$$
x=y_1,
$$

且：

$$
x=y_2.
$$

由 identity 的對稱與傳遞：

$$
y_1=x=y_2.
$$

故：

$$
y_1=y_2.
$$

與：

$$
y_1\neq y_2
$$

矛盾。

證畢。

---

# 17. Branching Theorem 的正確解讀

定理 16.1 不證明：

> psychological continuity 無用。

它只證明：

> 只要 continuity relation 允許一個前身同時對兩個不同後繼成立，它就不能在不加額外條件時成為古典 identity 的充分判準。

因此需要額外處理：

- non-branching；
- maximality；
- causal exclusivity；
- unique continuation；
- 或乾脆承認 continuity 與 identity 是不同概念。

這正是 personal-identity literature 中 fission 問題的形式核心。

---

# 18. 譜系圖與分支

定義 lineage graph：

$$
\mathcal G_L
=
(V_L,E_L).
$$

若：

$$
x\rightarrow y_1,
$$

$$
x\rightarrow y_2,
$$

且：

$$
y_1\neq y_2,
$$

則：

$$
\deg^+(x)\ge2.
$$

這是 lineage branching。

本文定義 branching count：

$$
\boxed{
B_L(x)
=
\left|
\operatorname{Succ}(x)
\right|.
}
$$

若：

$$
B_L(x)>1,
$$

唯一後繼假設失效。

---

# 19. Continuity-Qualified Branching

只計算高連續度後繼，定義：

$$
\operatorname{Succ}_\tau(x)
=
\left\{
y:
x\rightarrow y,
\;
\mathbf C_{x\to y}
\succeq
\tau
\right\},
$$

其中：

$$
\tau
$$

是一個 componentwise continuity requirement vector。

定義：

$$
\boxed{
B_\tau(x)
=
|
\operatorname{Succ}_\tau(x)
|.
}
$$

若：

$$
B_\tau(x)>1,
$$

表示有多個後繼同時滿足既定可觀測連續規格。

但本文不稱它們為「同一個人」。

---

# 20. Unique Continuation Condition

若某工程／理論系統需要唯一 continuation，可以要求：

$$
\boxed{
B_\tau(x)
\le1.
}
$$

這是一個**唯一連續後繼規格**。

它不是 metaphysical identity theorem。

它只是：

> 系統設計上，不允許同時有兩個都滿足該 continuity profile 的後繼。

---

# 21. Copy、Transfer、Fork 必須分開

對來源：

$$
x_A
$$

與新載體狀態：

$$
y_B,
$$

至少可區分：

### Copy

來源：

$$
x_A
$$

仍持續存在，

且生成：

$$
y_B.
$$

lineage graph 出現新增分支。

### Transfer

來源狀態經 protocol 轉移後，系統規格只保留一個 continuation branch。

### Fork

產生兩個或以上高 continuity successors：

$$
y_1,y_2,\ldots
$$

且它們後續獨立演化。

這些是系統譜系描述，不是 personal-identity 結論。


---

# 22. 跨載體 Transport

令來源載體：

$$
L_A
$$

與目標載體：

$$
L_B.
$$

跨載體狀態轉導可寫成：

$$
\boxed{
T_{AB}:
\mathcal X_A
\rightarrow
\mathcal X_B.
}
$$

但如果轉導本身含有 probabilistic decoding、side information 或多階段重建，更一般地應寫成 relation 或 stochastic kernel。

本文暫時先研究 deterministic transport map。

---

# 23. Identity-Related Observable Alignment

兩個載體的身份相關 observable spaces 可能不同：

$$
\mathcal Y_I^A
\neq
\mathcal Y_I^B.
$$

因此需要一個比較映射：

$$
\Theta_{AB}:
\mathcal Y_I^A
\rightarrow
\mathcal Y_I^B
$$

或把兩者送入共同空間：

$$
\Xi_A:
\mathcal Y_I^A
\rightarrow
\mathcal Y_C,
$$

$$
\Xi_B:
\mathcal Y_I^B
\rightarrow
\mathcal Y_C.
$$

此時可定義跨載體 identity-related mismatch：

$$
\boxed{
\delta_I^{AB}(x_A)
=
d_C
\left(
\Xi_A(\Psi_A(x_A)),
\Xi_B(\Psi_B(T_{AB}(x_A)))
\right).
}
$$

這只是 observable continuity。

---

# 24. Cross-Carrier Continuity Corridor

給定允許誤差：

$$
\varepsilon_I,
$$

定義：

$$
\boxed{
\mathcal C_I^{AB}(\varepsilon_I)
=
\left\{
x_A:
\delta_I^{AB}(x_A)
\le
\varepsilon_I
\right\}.
}
$$

如果：

$$
x_A
\in
\mathcal C_I^{AB}(\varepsilon_I),
$$

只能說：

> 該跨載體轉導在選定 identity-related observables 上達到指定 fidelity。

它不能推出：

$$
\text{same subject}.
$$

---

# 25. Information Continuity Across Carriers

對 identity-related finite random variable：

$$
I_A,
$$

目標載體保留表示：

$$
I_B,
$$

以及允許 side information：

$$
S,
$$

可定義：

$$
\boxed{
C_{\mathrm{info}}^{AB}
=
1-
\frac{
H(I_A\mid I_B,S)
}{
H(I_A)
}
}
$$

在：

$$
H(I_A)>0
$$

時。

若：

$$
C_{\mathrm{info}}^{AB}=1,
$$

表示：

$$
H(I_A\mid I_B,S)=0.
$$

即相關 identity information 可以完全恢復。

但：

$$
\boxed{
\text{information recoverability}
\neq
\text{subject identity}.
}
$$

---

# 26. Causal Lineage Across Carriers

若：

$$
T_{AB}
$$

是由已記錄事件把：

$$
x_A
$$

生成為：

$$
x_B,
$$

可以在 lineage graph 中寫：

$$
x_A
\rightarrow
x_B.
$$

這給出：

$$
C_{\mathrm{lin}}^{AB}=1.
$$

若：

$$
x_B
$$

只是獨立構造但碰巧與：

$$
\Psi_A(x_A)
$$

高度相似，

則可以：

$$
C_{\mathrm{obs}}\approx1,
$$

但：

$$
C_{\mathrm{lin}}=0.
$$

因此：

$$
\boxed{
\text{similarity}
\neq
\text{lineage}.
}
$$

---

# 27. Lineage 也不等於 Identity

反過來，

即使：

$$
C_{\mathrm{lin}}=1,
$$

也只表示：

> 此狀態確實沿某一因果／生成歷史由前一狀態演化而來。

大幅更新、重建、變異、刪除與功能轉換都可能沿同一 lineage 發生。

因此：

$$
\boxed{
\text{causal descent}
\neq
\text{personal identity theorem}.
}
$$

---

# 28. Functional Continuity Across Carriers

若來源與目標具有不同內部狀態空間，但在一族任務：

$$
\mathscr T
$$

上產生近似行為，可以定義：

$$
d_{\mathrm{func}}^{AB}
$$

或使用 bisimulation-inspired pseudometric。

例如抽象地：

$$
d_{\mathrm{func}}(x_A,x_B)
=
\sup_{\tau\in\mathscr T}
d_\tau
\left(
\operatorname{Beh}_A(x_A;\tau),
\operatorname{Beh}_B(x_B;\tau)
\right).
$$

再令：

$$
C_{\mathrm{func}}^{AB}
=
e^{-d_{\mathrm{func}}/\sigma_F}.
$$

高功能連續表示 task behavior 接近。

它仍不是 identity。

---

# 29. Why Bisimulation Is a Useful Neighbor

bisimulation 的思想是：

> 不要求兩個 state 的內部表示相同，而要求它們在指定 transition / observation 結構下無法被行為性地區分。

Ferns、Panangaden、Precup 更進一步建立 quantitative bisimulation metrics，使 behavior similarity 可以連續量化。

這與本文最契合的地方是：

$$
\boxed{
\text{behavioral proximity}
\text{ can be defined without state equality}.
}
$$

因此 functional continuity 是合理可測層，但不能偷偷升格為 subject identity。

---

# 30. Functional Stability Under Representational Drift

representation drift literature 顯示：

$$
\Psi_{\mathrm{rep}}(x_t)
$$

可以持續改變，

而某些：

$$
\operatorname{Beh}(x_t)
$$

或 population-level structure 保持較穩定。

因此可出現：

$$
D_{\mathrm{rep}}(0,T)
\gg0,
$$

但：

$$
d_{\mathrm{func}}(0,T)
\approx0.
$$

這使本文正式承認：

$$
\boxed{
\text{representation stability}
\text{ is not required for functional continuity}.
}
$$

---

# 31. Dynamic Baseline 而非 Frozen Baseline

如果載體本來就會學習、成熟、適應或更新，

以：

$$
x_0
$$

作為永遠固定的「真正身份」基準可能不合理。

因此除了：

$$
D_I(0,t),
$$

本文定義局部漂移：

$$
\boxed{
\delta_I(t)
=
d_I
\left(
\Psi(x_t),
\Psi(x_{t+1})
\right).
}
$$

以及 moving reference：

$$
\bar y_t
$$

例如在時間窗：

$$
W
$$

上的某種 baseline estimator。

則可以研究：

$$
d_I
\left(
\Psi(x_t),
\bar y_t
\right)
$$

而不是只問「離出生點多遠」。

---

# 32. 改變不等於損壞

如果所有變化都被定義成 identity loss，

那麼任何正常學習：

$$
x_t\rightarrow x_{t+1}
$$

都會被判為身份破壞。

因此本文必須保留：

$$
\boxed{
\text{change}
\neq
\text{damage}.
}
$$

identity-related safety 必須由 admissible region 定義，而不是由 drift=0 定義。

---

# 33. Identity-Related Admissible Region

定義：

$$
\mathcal A_I
\subseteq
\mathcal Y_I
$$

為某一研究或系統明確指定的 identity-related admissible region。

再定義：

$$
\boxed{
\mathcal S_I
=
\left\{
x\in\mathcal S:
\Psi(x)\in\mathcal A_I
\right\}.
}
$$

其中：

$$
\mathcal S
$$

是 Paper 01 的一般 carrier safety domain。

因此：

$$
x\in\mathcal S
$$

但：

$$
x\notin\mathcal S_I
$$

表示：

> 載體仍符合一般安全規格，但某些 identity-related observables 已離開指定 admissible region。

本文不把它稱為「主體死亡」。

---

# 34. Identity-Related Safety Margin

定義：

$$
\boxed{
\mu_I(x)
=
\operatorname{dist}_I
\left(
\Psi(x),
\mathcal Y_I\setminus\mathcal A_I
\right).
}
$$

若：

$$
\Psi(x)
\in
\operatorname{Int}(\mathcal A_I),
$$

則：

$$
\mu_I(x)>0.
$$

這個 margin 可與 Paper 02–05 的 transduction / coupling error bounds 結合。

---

# 35. 單步 Identity-Related Safety 充分條件

若名義下一 identity profile：

$$
y^\star
=
\Psi(x^{+\star})
$$

位於：

$$
\operatorname{Int}(\mathcal A_I),
$$

而實際 profile：

$$
y
=
\Psi(x^+)
$$

滿足：

$$
d_I(y,y^\star)
<
\mu_I(x^{+\star}),
$$

則：

$$
x^+
\in
\mathcal S_I
$$

只要一般 carrier safety：

$$
x^+\in\mathcal S
$$

同時成立。

因此 identity-related safety 與 general carrier safety 仍是兩個 constraint layers。

---

# 36. Drift Budget

對一段歷史：

$$
0\rightarrow T,
$$

可設定 cumulative drift budget：

$$
\boxed{
V_I(0,T)
\le
B_I.
}
$$

這可以防止：

> 每一步都小到看起來安全，但長期累積變化非常大。

這與 Paper 06 的 path criterion 同構。

但：

$$
V_I>B_I
$$

只表示該工程／研究規格被超出。

不表示 metaphysical identity 必然失效。

---

# 37. Identity Hysteresis

Paper 06 定義外部 loop residual：

$$
\mathfrak H(\gamma;x_0).
$$

對 identity profile，可定義：

$$
\boxed{
\mathfrak H_I(\gamma;x_0)
=
d_I
\left(
\Psi(\Phi_\gamma(x_0)),
\Psi(x_0)
\right).
}
$$

若外部控制回到相同值，但：

$$
\mathfrak H_I>0,
$$

表示 identity-related observables 留下歷史殘差。

這是 identity-related hysteresis。

---

# 38. Profile Recovery 不等於 History Recovery

若：

$$
\Psi(x_T)
=
\Psi(x_0),
$$

仍可能：

$$
V_I(0,T)>0.
$$

因此：

$$
\boxed{
\text{profile recovered}
\neq
\text{history erased}.
}
$$

Paper 06 已說明，rollback、inverse execution、checkpoint restoration 也都是不同操作。

---

# 39. Profile Recovery 不等於 Subject Recovery

更重要地：

$$
\Psi(x_T)=\Psi(x_0)
$$

只能證明：

> 被 $\Psi$ 觀察的 identity-related profile 完全相同。

由定理 6.1，若 $\Psi$ 非單射，甚至不能推出：

$$
x_T=x_0.
$$

更不能推出：

$$
\boxed{
\text{first-person subject at }T
=
\text{first-person subject at }0.
}
$$

---

# 40. Copy 與「看起來完美恢復」

設：

$$
y
$$

是從：

$$
x
$$

複製得到，

並且：

$$
\Psi(y)=\Psi(x),
$$

功能也完全相同：

$$
C_{\mathrm{func}}=1.
$$

如果：

$$
x
$$

仍同時存在，

就產生兩個 distinct states：

$$
x\neq y.
$$

因此「完美 profile + 完美功能」仍無法以古典 identity 把兩者都判成原本同一個 token individual。

這是 branching theorem 的另一個直接應用。

---

# 41. Transfer 與 Copy 的可觀測差別

在 lineage graph 中：

### Copy

$$
x
\rightarrow
y
$$

且：

$$
x
$$

仍有自己的後續 lineage。

### Transfer-like unique continuation

系統規格要求原 lineage 之後只有單一 continuity-qualified successor：

$$
B_\tau(x)\le1.
$$

這是一個 provenance / system-state 差異。

但它仍不能從外部形式系統自動證明 first-person persistence。

---

# 42. Carrier Replacement

假設：

$$
C_{\mathrm{sub}}
$$

從高值下降，因為底層載體被替換。

如果同時：

$$
C_{\mathrm{obs}},
C_{\mathrm{info}},
C_{\mathrm{func}},
C_{\mathrm{lin}}
$$

保持高，

本文可以說：

> 出現高跨載體 observable / informational / functional / lineage continuity，伴隨 substrate discontinuity。

這是一個精確描述。

本文不需要立刻回答：

> 那是不是同一個我？

---

# 43. Substrate Continuity 也不是 Personal Identity 的充分條件

反過來，即使一直使用同一生物／計算載體：

$$
C_{\mathrm{sub}}=1,
$$

也可能發生：

$$
C_{\mathrm{info}}\ll1,
$$

$$
C_{\mathrm{func}}\ll1,
$$

或：

$$
\Psi(x_t)
$$

大幅重組。

因此：

$$
\boxed{
\text{same substrate}
\not\Rightarrow
\text{same identity profile}.
}
$$

是否進一步推出 same person 同樣超出本文形式系統。

---

# 44. Continuity Partial Order

因為：

$$
\mathbf C
$$

是向量，

本文可定義：

$$
\mathbf C
\succeq
\mathbf C'
$$

當且僅當每個分量都不小於。

這樣可以說一個遷移在所有已選 continuity dimensions 上至少不比另一個差。

但如果一個方案：

- information continuity 更高；
- substrate continuity 更低；

則兩者可能不可比較。

因此 Pareto ordering 比單一 identity score 更中性。

---

# 45. Branching Surface

對每個來源狀態 $x$，

定義 continuity-qualified successor set：

$$
\operatorname{Succ}_\tau(x).
$$

所有滿足：

$$
B_\tau(x)>1
$$

的狀態組成：

$$
\boxed{
\mathcal B_\tau
=
\left\{
x:
B_\tau(x)>1
\right\}.
}
$$

稱為 continuity branching surface / region。

當系統進入：

$$
\mathcal B_\tau,
$$

唯一 continuation 規格失效。

這是一個工程安全／治理未來可以使用的警示集合，但本文暫不討論誰有權禁止 branching。

---

# 46. Branching 不一定是不安全

若系統目標本來就是：

- replication；
- redundancy；
- ensemble；
- backup；

那麼 branching 可以完全正常。

因此：

$$
\boxed{
B_\tau>1
\not\Rightarrow
\text{unsafe}.
}
$$

它只表示：

> continuity 不再唯一。

真正是否安全仍由：

$$
\mathcal S
$$

與相關應用規格決定。

---

# 47. Identity-Related Common-Mode Drift

若多個副本共享：

- 相同更新資料；
- 相同模型；
- 相同轉導器；
- 相同 memory pipeline；

它們的 identity-related drift 可能高度相關。

對副本 $i,j$：

$$
\delta\Psi_i(t),
\qquad
\delta\Psi_j(t)
$$

可以定義 drift correlation：

$$
\rho_{ij}^{I}.
$$

高：

$$
\rho_{ij}^{I}
$$

表示共同 drift component 高。

這是 Paper 08 共模失效與異質載體韌性的前置接口。

---

# 48. Functional Continuity Can Survive Observable Drift

設：

$$
D_I(s,t)
$$

很大，

但 bisimulation / task distance 很小：

$$
d_{\mathrm{func}}(s,t)
\ll1.
$$

此時：

$$
C_{\mathrm{obs}}
$$

低，

但：

$$
C_{\mathrm{func}}
$$

高。

這種情況正是為什麼 identity drift 不能被壓成單一 scalar threshold。

---

# 49. Information Continuity Can Survive Representation Change

如果：

$$
\Psi_{\mathrm{rep}}(x_s)
\neq
\Psi_{\mathrm{rep}}(x_t),
$$

但舊資訊仍可由新狀態與 side information 精確恢復：

$$
H(I_s\mid I_t,S)=0,
$$

則：

$$
C_{\mathrm{info}}=1.
$$

因此：

$$
\boxed{
\text{representation changed}
\not\Rightarrow
\text{information lost}.
}
$$

---

# 50. Information Continuity Can Fail While Behavior Persists

反方向也可能。

某個系統可以：

- 丟失大量內部歷史；
- 卻仍透過替代表示維持相同外部功能。

因此：

$$
C_{\mathrm{info}}\ll1,
$$

但：

$$
C_{\mathrm{func}}\approx1.
$$

這再次證明 continuity dimensions 彼此獨立。

---

# 51. First-Person Continuity 的模型邊界

本文現在明確引入一個**不被形式化為外部可觀測量**的命題：

$$
\mathfrak F(s,t)
=
\text{「時刻 }s\text{ 的第一人稱主體是否持續為時刻 }t\text{ 的主體」}.
$$

本文不賦予：

$$
\mathfrak F
$$

一個已知數值函數。

原因不是本文斷言：

> 第一人稱 continuity 不存在。

而是：

> 本文目前沒有經驗上已驗證、跨載體可外部測量的 operator 可以直接輸出 $\mathfrak F$ 真值。

因此：

$$
\boxed{
\mathfrak F
\text{ is outside the identified observable model.}
}
$$

---

# 52. First-Person Non-Inference Principle

由模型定義可得：

$$
\boxed{
\mathbf C_{s\to t}
\text{ 很高}
\not\Rightarrow
\mathfrak F(s,t)=1.
}
$$

同樣：

$$
\boxed{
\mathbf C_{s\to t}
\text{ 很低}
\not\Rightarrow
\mathfrak F(s,t)=0.
}
$$

這不是實證反例定理。

而是**模型不蘊含原則**：

因為 $\mathfrak F$ 沒有被定義成 $\mathbf C$ 的函數，所以不能從本文形式系統中合法推出。

---

# 53. 這不是「不可知論證明」

本文沒有證明：

> 第一人稱 continuity 永遠不可知。

也沒有證明：

> 未來永遠不可能有新科學工具研究它。

本文只說：

$$
\boxed{
\text{current GPC-CS observable continuity theory}
\text{ does not identify it.}
}
$$

因此未來若真的出現可重複、可驗證的新 measurement theory，Paper 07 可以被擴張。

---

# 54. Identity Criterion 與 Safety Criterion 必須分開

一個系統可以安全地允許：

$$
D_I
$$

很大，

例如本來就希望個體學習與改變。

另一個系統可能要求：

$$
D_I
$$

非常小，

例如某些高完整性 snapshot continuity 任務。

因此：

$$
\boxed{
\text{identity-related safety}
\text{ is specification-relative}.
}
$$

它不是一個普遍形而上學真值。

---

# 55. Cross-Carrier Continuity Safe Set

對 A→B 遷移，定義：

$$
\boxed{
\mathcal S_{I}^{AB}(\tau)
=
\left\{
(x_A,x_B):
x_A\in\mathcal S_A,
x_B\in\mathcal S_B,
\mathbf C_{A\to B}
\succeq
\tau
\right\}.
}
$$

若還要求 unique continuation：

$$
B_\tau(x_A)\le1,
$$

則可定義：

$$
\boxed{
\mathcal S_{I,\mathrm{unique}}^{AB}
=
\mathcal S_I^{AB}
\cap
\{
B_\tau\le1
\}.
}
$$

這是一個工程規格集合，而不是「真正身份」集合。

---

# 56. Continuity-Preserving Transport

若 transport：

$$
T_{AB}
$$

對一個來源集合：

$$
K_A
$$

都滿足：

$$
\mathbf C_{A\to B}(x)
\succeq
\tau
$$

以及：

$$
T_{AB}(x)
\in
\mathcal S_B,
$$

則稱：

$$
T_{AB}
$$

在 $K_A$ 上為 $\tau$ -continuity-preserving transport。

形式化為：

$$
\boxed{
T_{AB}
(
K_A
)
\subseteq
\operatorname{Proj}_B
\left(
\mathcal S_I^{AB}(\tau)
\right).
}
$$

這仍不等於 identity-preserving theorem。

---

# 57. Round-Trip Continuity

若存在：

$$
T_{AB}
$$

與：

$$
T_{BA},
$$

可以研究：

$$
x_A
\rightarrow
T_{AB}(x_A)
\rightarrow
T_{BA}(T_{AB}(x_A)).
$$

定義 round-trip identity-profile residual：

$$
\boxed{
\mathfrak R_I(x_A)
=
d_I
\left(
\Psi_A
\left(
T_{BA}(T_{AB}(x_A))
\right),
\Psi_A(x_A)
\right).
}
$$

這是跨載體版本的 cycle residual。

Paper 02 已證明：

> cycle consistency 不等於語義保真。

同理：

$$
\mathfrak R_I=0
$$

也不等於 first-person continuity。

---

# 58. Identity-Related Recoverability

Paper 06 的 recovery target 可以選擇：

$$
K_I
\subseteq
\mathcal S_I.
$$

定義：

$$
\operatorname{Rec}^{\mathcal S}_{\mathcal L_R}(K_I).
$$

此集合回答：

> 哪些狀態可以安全回到符合 identity-related admissible profile 的核心？

但即使成功回到：

$$
K_I,
$$

本文仍不說：

> 原本的第一人稱主體被恢復。

---

# 59. Identity-Related State vs Legal / Social Identity

本文的：

$$
\Psi
$$

也不等於：

- 法律身份；
- 帳號 ID；
- 公民身份；
- 社會角色；
- cryptographic identity。

這些可以作為 $\Psi$ 的某些 observables 或外部 labels，

但它們本身不解決 personal identity。

因此：

$$
\boxed{
\text{identifier continuity}
\neq
\text{subject continuity}.
}
$$

---

# 60. 本文的十一個主命題

## 命題 A：Identity-related drift 不是 personal identity 判決

$$
D_I(s,t)
$$

只量測：

$$
\Psi(x_s)
$$

與：

$$
\Psi(x_t)
$$

的差異。

## 命題 B：淨漂移不包含完整歷史

$$
\boxed{
D_I(0,T)
\le
V_I(0,T).
}
$$

## 命題 C：Observable profile equality 不推出完整 state equality

若 $\Psi$ 非單射：

$$
\Psi(x)=\Psi(y)
\not\Rightarrow
x=y.
$$

## 命題 D：Metric threshold 一般不是 identity equivalence

因為：

$$
R_\varepsilon
$$

通常不具傳遞性。

## 命題 E：Continuity criterion 在 branching 下不能無條件充分推出 classical identity

若：

$$
C(x,y_1)=C(x,y_2)=1
$$

且：

$$
y_1\neq y_2,
$$

則 continuity sufficiency 產生矛盾。

## 命題 F：Similarity、information、function、lineage、substrate continuity 必須分列

$$
\boxed{
\mathbf C
=
(
C_{\mathrm{obs}},
C_{\mathrm{info}},
C_{\mathrm{func}},
C_{\mathrm{lin}},
C_{\mathrm{sub}}
).
}
$$

## 命題 G：Representation drift 可以與 functional continuity 共存

因此：

$$
\text{representation drift}
\not\Rightarrow
\text{functional loss}.
$$

## 命題 H：Cross-carrier continuity 可以被形式化，但不自動推出 personal identity

$$
\delta_I^{AB}
$$

與：

$$
\mathbf C_{A\to B}
$$

只支持可觀測連續陳述。

## 命題 I：Identity-related safety 是 specification-relative

$$
\mathcal S_I
=
\{
x\in\mathcal S:
\Psi(x)\in\mathcal A_I
\}.
$$

## 命題 J：First-person continuity 不在本文的已識別 observable model 中

因此：

$$
\mathbf C
\not\Rightarrow
\mathfrak F
$$

是模型不蘊含，而不是否定 $\mathfrak F$。

## 命題 K：Copy、transfer、fork 是 lineage topology，不是 metaphysical identity 的同義詞

它們可以被工程上明確區分，而不需要先解決主體本體論。

---

# 61. 可證偽性與未來擴張

本文的框架可以被下列未來結果修正。

## 61.1 找到高度可靠的 identity-related sufficient observable map

若未來建立某個：

$$
\Psi^\star
$$

在實際研究域上近似單射，且其狀態關係被獨立證明足以決定所研究的 identity notion，

則本文對 observable non-identification 的限制可以在該 domain 收縮。

## 61.2 某種 metric continuity relation 被證明具備完整 equivalence structure

若未來有非簡單閾值的 continuity relation 被證明具 reflexive、symmetric、transitive 且與某種 operational identity 完全對齊，

則 Paper 07 可直接吸收該 relation。

## 61.3 Branching 被物理或系統規則完全排除

若某類載體具有基本 no-cloning / no-fork property，導致：

$$
B_\tau(x)\le1
$$

永遠成立，

branching objection 在該載體族中的重要性下降。

## 61.4 First-person continuity 取得可重複的外部測量理論

若未來出現可靠 measurement model：

$$
M_{\mathrm{1p}}
$$

可跨載體預測並驗證第一人稱持續，

則：

$$
\mathfrak F
$$

可以正式加入 GPC-CS observable state。

本文不預先排除這種可能性。

---

# 62. 與 Paper 00–06 的整合

Paper 00：

$$
\text{communication}
\rightarrow
\text{carrier-state transition}.
$$

Paper 01：

$$
\text{state safety}
+
\text{invariance}.
$$

Paper 02：

$$
\text{transduction fidelity}
+
\text{observable quotients}.
$$

Paper 03：

$$
\text{capacity feasibility}.
$$

Paper 04：

$$
\text{operator dynamics}.
$$

Paper 05：

$$
\text{bidirectional coupling}.
$$

Paper 06：

$$
\text{history}
+
\text{recoverability}.
$$

Paper 07 現在加入：

$$
\boxed{
\text{observable continuity}
+
\text{lineage}
+
\text{branching}
+
\text{identity-model boundary}.
}
$$

因此整個系列第一次可以對跨載體「持續」說出一個不過度宣稱的完整句子：

> 某個後繼可以在記憶、資訊、功能、譜系與部分身份相關狀態上高度連續；這些事實足以建立可測的 continuity profile，但本身不自動解決 classical personal identity 或 first-person persistence。

---

# 63. 結論

「還是不是同一個？」看似是一個二值問題：

$$
0
\quad\text{or}\quad
1.
$$

但在可觀測層面，至少存在五個不同維度：

$$
\boxed{
\mathbf C_{s\to t}
=
(
C_{\mathrm{obs}},
C_{\mathrm{info}},
C_{\mathrm{func}},
C_{\mathrm{lin}},
C_{\mathrm{sub}}
).
}
$$

它們可以彼此分離。

載體可以：

- 表示漂移但功能持續；
- 資訊持續但換了 substrate；
- lineage 持續但 profile 大幅改變；
- profile 幾乎完全相同但沒有 causal lineage；
- 一個來源同時產生多個高 continuity successors。

因此本文拒絕把任一單獨分量提升成：

$$
\text{personal identity}.
$$

第一個 no-go 是：

$$
\boxed{
\Psi(x)=\Psi(y)
\not\Rightarrow
x=y
}
$$

只要 $\Psi$ 非單射。

第二個 no-go 是：

$$
\boxed{
d_I(\Psi(x),\Psi(y))
\le\varepsilon
}
$$

一般不能定義 identity equivalence，因為 metric threshold relation 通常不具傳遞性。

第三個 no-go 是 branching：

$$
\boxed{
C(x,y_1)=C(x,y_2)=1
\land
y_1\neq y_2
}
$$

使 continuity 無法在不加 non-branching 條件時充分推出 classical identity。

因此 Paper 07 的真正結論不是：

> identity 無法研究。

而是：

> **必須把「我們能測的連續」與「我們想問的同一」分開。**

對跨載體系統，我們可以非常精確地研究：

$$
\text{memory continuity},
$$

$$
\text{information recoverability},
$$

$$
\text{functional similarity},
$$

$$
\text{causal lineage},
$$

$$
\text{substrate continuity},
$$

$$
\text{branching topology},
$$

以及：

$$
\text{identity-related safe corridor}.
$$

但本文形式系統不合法地推出：

$$
\boxed{
\text{high continuity profile}
\Rightarrow
\text{same first-person subject}.
}
$$

這個限制不是缺點。

它正是未來跨載體技術真正需要的安全語言：**不要把可測 proxy 當成本體答案。**

下一篇 Paper 08 將從單一／雙載體 continuity 問題提升到群體層：

$$
\boxed{
\text{共模失效與異質載體韌性}.
}
$$

核心將研究：如果大量載體共享相同模型、解碼器、轉導器、記憶架構與 identity-related update mechanism，為什麼「高度同質」既能帶來可預測性，也可能帶來相關失效；以及異質載體是否能透過 structural diversity 降低全域共模風險。

---

# 參考文獻

1. Parfit, D. (1971). Personal Identity. *The Philosophical Review*, 80(1), 3–27. DOI: 10.2307/2184309.
2. Lee, H.-y. (2026). Continuity theories reimagined. *Synthese*, 207, Article 248. DOI: 10.1007/s11229-026-05631-9.
3. Ferns, N., Panangaden, P., & Precup, D. (2011). Bisimulation Metrics for Continuous Markov Decision Processes. *SIAM Journal on Computing*, 40(6), 1662–1714. DOI: 10.1137/10080484X.
4. Marks, T. D., & Goard, M. J. (2021). Stimulus-dependent representational drift in primary visual cortex. *Nature Communications*, 12, 5169. DOI: 10.1038/s41467-021-25436-3.
5. Roth, Z. N., & Merriam, E. P. (2023). Representations in human primary visual cortex drift over time. *Nature Communications*, 14, 4422. DOI: 10.1038/s41467-023-40144-w.
6. Qin, S., Farashahi, S., Lipshutz, D., Sengupta, A. M., Chklovskii, D. B., & Pehlevan, C. (2023). Coordinated drift of receptive fields in Hebbian/anti-Hebbian network models during noisy representation learning. *Nature Neuroscience*. DOI: 10.1038/s41593-022-01225-z.
7. Kim, J., Kim, Y., & Sohn, J.-Y. (2025). Measuring Representational Shifts in Continual Learning: A Linear Transformation Perspective. *Proceedings of ICML 2025*, PMLR 267, 30267–30289.
8. van der Veldt, S., van de Ven, G. M., Moorman, S., & Etter, G. (2025). Learning continually with representational drift. arXiv:2512.22045.
9. Kirkpatrick, J., et al. (2017). Overcoming catastrophic forgetting in neural networks. *Proceedings of the National Academy of Sciences*, 114(13), 3521–3526. Preprint: arXiv:1612.00796.

---

# 系列狀態

**Series:** Generalized Phase Communication and Carrier Safety  
**Paper:** 07  
**Version:** v1.0  
**Canonical source encoding:** UTF-8  
**Canonical mathematics delimiters:** ` $...$ ` and `$$...$$` only  
**Operational identity manipulation details:** Excluded  
**Governance/deployment prescriptions:** Out of scope  
**Depends on:** Paper 00–06  
**Next:** Paper 08 — 共模失效與異質載體韌性