# 選擇底空間與選擇算子族：從人格描述到動態主體建模 ## 從選擇痕跡、條件化逆向到「選擇束後的下一個底空間」 **English Title:** *Choice Bottom-Space and Choice-Operator Families: From Trait Description to Dynamic Subject Modeling — From Choice Traces and Conditional Inference to the Next Bottom-Space After a Choice Bundle* **系列：** 三域耦合普世倫理與主體不可替代論系列（Tri-Domain Coupled Universal Ethics and Subject Non-Substitutability Series, TCUE-SNS） **篇次：** Paper 03 / 11 **作者：** Neo.K（許筌崴）× Aletheia（GPT-5.6 Sol） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-08-15 **文件定位：** 動態主體建模／選擇理論／認知算子逆向／計算人格學批判／元認知接口／預測倫理 **狀態：** 理論提出版。本文提出選擇底空間、選擇束、選擇算子族、條件化逆向、算子漂移、底空間更新、預測非命定與資料解析度限制等定義與命題；不宣稱人格可被完整還原，不宣稱可由有限歷史唯一推出未來，不宣稱觀察到的規律等於主體本質。 --- ## 摘要 傳統人格描述常把一個人表示為若干相對穩定的特徵、類型、偏好或統計向量。這些方法在心理測量、行為預測與個體差異研究中具有價值，但若研究目標進一步轉向「一個主體在不同歷史、情境、資訊、資源、關係與第一人稱狀態下如何生成選擇」，單一人格向量便不足以承擔整個問題。本文提出「選擇底空間與選擇算子族」（Choice Bottom-Space and Choice-Operator Families, CBS-COF）框架，把主體建模從固定人格本質轉向條件化、動態、可修正的選擇生成結構。 對任一主體 $S$ 與時間 $t$，定義其選擇底空間： $$ \boxed{ \mathbb B_S(t) = \left( H_S(t), E_S(t), I_S(t), R_S(t), C_S(t), G_S(t), M_S(t), \mathcal S_S^{1p}(t), \mathcal K_S(t) \right) } $$ 其中 $H$ 表示歷史， $E$ 表示環境， $I$ 表示可用資訊， $R$ 表示資源與關係， $C$ 表示限制， $G$ 表示目標或價值權重， $M$ 表示主體對自身與世界的模型， $\mathcal S^{1p}$ 表示第一人稱主體域， $\mathcal K$ 表示當下可行動、可表達或可更新的能力集合。底空間不是主體本身，而是某一時刻用以描述「哪些選擇具有何種可達性與意義」的條件化結構。 在底空間上，本文不假定只有單一固定策略，而定義選擇算子族： $$ \boxed{ \mathfrak O_S(t) = \left\{ \Omega_{S,1}^{(t)}, \Omega_{S,2}^{(t)}, \ldots \right\} } $$ 其中單一算子可表示為： $$ \Omega_{S,i}^{(t)}: \mathbb B_S(t) \times \mathcal X_t \rightharpoonup \Delta\left(\mathcal C_S(t)\right), $$ 即在特定底空間與局部輸入 $\mathcal X_t$ 下，輸出對可選擇集合 $\mathcal C_S(t)$ 的條件分布、排序、候選束或實際行動。本文因此區分「可選擇空間」、「被激活的算子」、「實際選擇」與「事後自我敘事」，拒絕把它們壓成同一層。 本文的核心動力不是一次選擇，而是「選擇束後的下一個底空間」。定義選擇束： $$ \boxed{ \mathbf b_S(t) = \left( \chi_t, \rho_t, \eta_t, \kappa_t, \mu_t \right) } $$ 其中 $\chi_t$ 是外顯選擇， $\rho_t$ 是對選擇的理由或表述， $\eta_t$ 是對後果的反應， $\kappa_t$ 是環境與他者的回饋， $\mu_t$ 是主體對自身模型的更新。則下一時刻底空間為： $$ \boxed{ \mathbb B_S(t+1) = F_B\left( \mathbb B_S(t), \mathbf b_S(t), \Delta W_t \right) } $$ 而算子族亦可更新： $$ \boxed{ \mathfrak O_S(t+1) = F_O\left( \mathfrak O_S(t), \mathbb B_S(t+1), \mathbf b_S(t), \mathcal E_t \right). } $$ 因此，一個人的選擇不只是由既有結構產生；它也反過來改寫下一次選擇發生的底空間。這使主體建模具有反身、歷史依賴與路徑生成性。 本文承接 GCORF 的 Source–Operator Non-Identity，提出：由選擇痕跡推得的只是候選算子族 $\widehat{\mathfrak O}_S$，而非「此人真正本質」；即使預測準確率很高，也不能推出未來命定、規範權威或操控許可。本文進一步提出「選擇模型可撤銷性」、「最新行為更新優先」、「跨情境非唯一識別」、「底空間可再開域」與「預測非所有權」等原則，並將其與 TCUE-SNS Paper 01 的三域判定、Paper 02 的主體不可替代、UBE 的無界展開、DEST 的多域黏合與 GCORF/RMRM 的認知算子逆向工程建立接口。 外部研究已提供若干重要鄰近證據：Bayesian inverse planning 顯示可由行動反推目標假設；動態計算表型研究顯示個體計算參數會隨練習、情緒與時間改變；近期 preference learning 與 dynamic preference inference 研究則明確處理隱藏效用、情境效應與隨時間漂移的偏好。本文不把這些方法等同於完整主體模型，而把它們視為「局部算子／局部底空間」可被實證估計的證據。 本文的核心句為： $$ \boxed{ \text{A subject is not a fixed trait vector, but neither is the subject exhausted by a choice model.} } $$ 以及： $$ \boxed{ \text{Choice generates history; history reshapes the next choice-space.} } $$ **關鍵詞：** 選擇底空間、選擇算子族、動態主體、人格本質化、inverse planning、computational phenotyping、偏好漂移、元認知、選擇束、路徑依賴、GCORF、RMRM、UBE、預測倫理 --- # 0. 問題的提出：我們到底是在研究「人」，還是在研究「選擇生成結構」？ 如果觀察一個人十年，收集其論文、對話、程式碼、投票、購買、創作、修訂、合作、拒絕、妥協、冒險與反思，我們能不能從中重建某種穩定結構？ 直覺答案是：可以，至少部分可以。 但一旦把問題寫成： $$ \text{Data} \rightarrow \text{Profile} \rightarrow \text{Person}, $$ 就會出現一個危險跳躍。 因為觀察到的痕跡可以支援： $$ \text{conditional regularity}, $$ 卻未必支援： $$ \text{timeless essence}. $$ 本文因此把研究目標從： $$ \boxed{\text{「這個人本質上是什麼？」}} $$ 改成： $$ \boxed{ \text{「在什麼底空間下，哪些選擇算子會被激活、如何組合、如何更新？」} } $$ 這不是降低對人的研究解析度，反而是把問題拆得更精確。 --- # 1. 與 Paper 01 的接口：三域中的「選擇」位置 Paper 01 定義： $$ \Sigma_S = \left( \mathcal L_S, \mathcal A_S, \mathcal S_S^{1p} \right). $$ 其中： - $\mathcal L_S$：邏輯—認識—表示—定義域； - $\mathcal A_S$：行為—選擇—因果張力域； - $\mathcal S_S^{1p}$：第一人稱主體域。 本文主要展開 $\mathcal A_S$，但不把它孤立。 因為任何選擇都受到： $$ \mathcal L_S \bowtie \mathcal A_S \bowtie \mathcal S_S^{1p} $$ 的共同影響。 例如，一個人在第三人稱觀察下做出相同的拒絕行為，可能分別來自： $$ \text{價值拒絕}, \quad \text{風險避讓}, \quad \text{疲勞}, \quad \text{策略性延遲}, \quad \text{表演}, \quad \text{誤解}. $$ 所以外顯行為不能單獨完成主體建模。 --- # 2. 與 Paper 02 的接口：可建模不等於可替代 Paper 02 已提出： $$ \operatorname{ExternalModel}(S) \not\Rightarrow \operatorname{FirstPersonReplacement}(S). $$ 本文進一步強調： $$ \boxed{ \widehat{\mathfrak O}_S \neq S. } $$ 即使 $\widehat{\mathfrak O}_S$ 對某類選擇具有很高預測力，它也只是： $$ \text{a model of conditional choice generation}, $$ 而不是： $$ \text{the ontological totality of the subject}. $$ 因此 Paper 02 解決「模型不能免費變成人」，Paper 03 解決「模型到底應該建成什麼樣，才不會從一開始就把人本質化」。 --- # 3. 與 GCORF 的接口：Source–Operator Non-Identity GCORF 已建立： $$ S \xrightarrow{\operatorname{EvidenceExtraction}} D_S \xrightarrow{\operatorname{Reconstruct}} \widehat{\mathfrak O}_S, $$ 並要求： $$ \boxed{ S\neq\Omega. } $$ Paper 03 將這一原則推到一般主體選擇： $$ \boxed{ \text{Subject} \neq \text{Choice Trace} \neq \text{Choice Operator} \neq \text{Choice Model}. } $$ 這四者之間可以存在映射，但不能無條件同一。 --- # 4. 為什麼「人格向量」不夠？ 傳統表示可能寫成： $$ \mathbf p_S = \left( p_1, \ldots, p_n \right). $$ 它可以很好地回答： > 在某套測量制度下，這個人在若干維度上相對於群體的位置是什麼？ 但它不一定回答： > 當環境改變、資訊增加、關係重組、身份受威脅、目標衝突、情緒變化或主體反思自身模型後，下一個選擇如何生成？ 因此： $$ \boxed{ \text{Trait Description} \not\equiv \text{Choice Generation Model}. } $$ --- # 5. 選擇底空間的最小定義 對主體 $S$，定義時間 $t$ 的選擇底空間： $$ \boxed{ \mathbb B_S(t) = \left( H_t, E_t, I_t, R_t, C_t, G_t, M_t, \mathcal S_t^{1p}, \mathcal K_t \right)_S. } $$ 此處每一項都不是唯一形式，而是 typed slot。 其目的不是聲稱已找到人類決策的九個終極原語，而是提供一個最低可擴張容器。 --- # 6. 歷史分量 $H_t$ $H_t$ 保存與目前選擇具有條件相關的歷史： $$ H_t = \left\{ \text{prior choices}, \text{outcomes}, \text{commitments}, \text{losses}, \text{learning}, \text{relationships} \right\}. $$ 本文不要求保存「全部過去」。 而要求： $$ \boxed{ H_t = \operatorname{RelevantHistory}_{\Pi}(S,t), } $$ 其中 $\Pi$ 是目前任務的觀察投影。 --- # 7. 環境分量 $E_t$ $E_t$ 包含： $$ \text{physical}, \quad \text{social}, \quad \text{institutional}, \quad \text{digital}, \quad \text{symbolic} $$ 環境條件。 同一個主體在不同 $E_t$ 下可能表現不同，這不必然表示「人格不一致」，而可能表示： $$ \Omega_S \left( \mathbb B_S^{(1)} \right) \neq \Omega_S \left( \mathbb B_S^{(2)} \right). $$ --- # 8. 資訊分量 $I_t$ 選擇不是只由偏好產生。 一個主體可能在新證據出現後改變選擇： $$ I_t \rightarrow I_{t+1} \Rightarrow \chi_t \neq \chi_{t+1}. $$ 因此「改變意見」有時是： $$ \text{operator drift}, $$ 也可能只是： $$ \text{same operator under new evidence}. $$ 二者必須區分。 --- # 9. 資源與關係分量 $R_t$ $R_t$ 同時包含： $$ \text{resources} + \text{relationships}. $$ 原因是某些選擇只有在： $$ \operatorname{Accessible}(\chi\mid R_t)=1 $$ 時才真正存在於可行域。 一個人沒有選擇某選項，不代表他拒絕該選項；可能只是： $$ \chi \notin \mathcal C_S(t). $$ --- # 10. 限制分量 $C_t$ $C_t$ 包含： $$ \text{law}, \quad \text{physical constraints}, \quad \text{social sanctions}, \quad \text{contracts}, \quad \text{self-commitments}. $$ 限制不是純外部因素。 自我承諾亦可形成： $$ C_t^{self}. $$ 例如： $$ \text{「我已承諾不做 }x\text{」} $$ 會改變下一輪選擇結構。 --- # 11. 目標與價值分量 $G_t$ 本文不把 $G_t$ 預設成單一 scalar reward。 更一般地： $$ G_t = \left( \mathbf g_t, \preceq_t, \mathcal T_t \right), $$ 其中： - $\mathbf g_t$：多個目標； - $\preceq_t$：當下優先序或偏序； - $\mathcal T_t$：不可簡單標量化的張力／衝突。 因此： $$ \boxed{ \text{Preference} \neq \text{single fixed utility scalar}. } $$ --- # 12. 內部模型分量 $M_t$ $M_t$ 至少包含： $$ M_t = \left( M_t^{world}, M_t^{self}, M_t^{others} \right). $$ 其中： $$ M_t^{self} $$ 會在 Paper 04 的元認知非免疫問題中成為核心。 Paper 03 只先建立一個接口： $$ M_t^{self} \rightarrow \mathbb B_S(t+1). $$ 也就是「知道自己可能怎麼選」本身會改變下一個選擇底空間。 --- # 13. 第一人稱分量 $\mathcal S_t^{1p}$ Paper 02 已強調第一人稱域不只是單一 qualia 變數。 本文保留： $$ \mathcal S_t^{1p} \supseteq \left\{ J_{self}, J_{here}, J_{now}, J_{own}, J_{agency}, J_{continuity}, J_{phen} \right\}. $$ 這意味著選擇底空間不能只由第三人稱客觀條件構成。 --- # 14. 能力分量 $\mathcal K_t$ $\mathcal K_t$ 表示當下可動用的能力集合，例如： $$ \mathcal K_t = \left\{ \text{memory}, \text{language}, \text{planning}, \text{motor access}, \text{tools}, \text{delegation} \right\}. $$ 即使一個主體「想選」，若缺乏執行能力： $$ \operatorname{Intent}(\chi)=1 $$ 也不推出： $$ \operatorname{Action}(\chi)=1. $$ --- # 15. 可選擇集合不是宇宙中所有可能行動 定義： $$ \boxed{ \mathcal C_S(t) = \operatorname{ReachableChoice} \left( \mathbb B_S(t) \right). } $$ 因此： $$ \mathcal C_S(t) \subsetneq \mathcal A_{all}. $$ 未選擇某行動不應自動被解讀成： $$ \operatorname{Reject}_S(\chi)=1. $$ 除非： $$ \chi \in \mathcal C_S(t) $$ 且存在足夠證據顯示主體曾將其納入可比較選項。 --- # 16. 選擇底空間不是選項清單 選項清單只回答： $$ \mathcal C_S(t)=\{c_1,\ldots,c_n\}. $$ 底空間則回答： - 哪些選項可見？ - 哪些選項可達？ - 哪些選項有成本？ - 哪些選項與身份衝突？ - 哪些選項會改變未來？ - 哪些選項對其他主體產生張力？ 因此： $$ \boxed{ \mathbb B_S(t) \neq \mathcal C_S(t). } $$ --- # 17. 選擇算子的最小定義 單一選擇算子定義為： $$ \boxed{ \Omega_{S,i}^{(t)}: \mathbb B_S(t) \times \mathcal X_t \rightharpoonup \Delta\left(\mathcal C_S(t)\right). } $$ 其中 $\Delta(\mathcal C)$ 可以是： - 機率分布； - 排序； - partial order； - 候選束； - deterministic action； - abstention。 因此選擇算子不必被迫寫成 softmax。 --- # 18. 為什麼是「算子族」而不是一個策略？ 主體可能具有： $$ \mathfrak O_S(t) = \left\{ \Omega_1, \Omega_2, \ldots, \Omega_m \right\}. $$ 不同算子可能分別處理： $$ \text{risk}, \quad \text{trust}, \quad \text{novelty}, \quad \text{conflict}, \quad \text{commitment}, \quad \text{exploration}. $$ 實際選擇可能是組合： $$ \Omega_t^{*} = \Omega_{i_1} \star_t \Omega_{i_2} \star_t \cdots \star_t \Omega_{i_k}. $$ --- # 19. 算子激活條件 引入激活函數： $$ \alpha_{S,i}(t) = \operatorname{Activate} \left( \Omega_{S,i}, \mathbb B_S(t), \mathcal X_t \right). $$ 則： $$ \Omega_t^{*} = \mathcal G \left( \{\Omega_i: \alpha_i(t)>0\} \right). $$ 這使「同一個人不同情境下像不同的人」不必被神秘化。 可能只是： $$ \alpha_i(t) \neq \alpha_i(t'). $$ --- # 20. 選擇算子不是人格標籤 例如「風險厭惡」作為人格詞可能很粗。 更精細的算子描述可以是： $$ \Omega_{risk}: \left( \text{uncertainty}, \text{loss bound}, \text{reversibility}, \text{resource state} \right) \mapsto \text{risk policy}. $$ 因此： $$ \boxed{ \text{Label} \neq \text{Operator}. } $$ --- # 21. 選擇痕跡單元 承接 GCORF，可定義一般選擇痕跡： $$ \boxed{ u_t = \left( S, t, \mathbb B_t^{obs}, \mathcal C_t^{obs}, \chi_t, \rho_t, \eta_t, \kappa_t, Evid_t \right). } $$ 其中上標 $obs$ 特別重要。 觀察者取得的底空間只是： $$ \mathbb B_t^{obs}, $$ 不保證等於： $$ \mathbb B_t^{true}. $$ --- # 22. 可觀察底空間與真實底空間必須分離 本文要求： $$ \boxed{ \mathbb B_S^{obs}(t) \neq \mathbb B_S^{true}(t) } $$ 一般情況下只能假設： $$ \mathbb B_S^{obs}(t) = \Pi_{obs} \left( \mathbb B_S^{true}(t) \right) + \epsilon_t. $$ 這是避免「資料庫裡沒有的變數，就當作不存在」的第一道防線。 --- # 23. 條件化逆向 給定痕跡集合： $$ \mathcal U_S = \{u_1, \ldots, u_n\}, $$ 目標不是求： $$ \operatorname{Essence}(S), $$ 而是： $$ \boxed{ \widehat{\mathfrak O}_S = \operatorname{Infer} \left( \mathfrak O \mid \mathcal U_S, \Pi, \mathcal M, \mathcal A_{obs} \right). } $$ 其中： - $\Pi$：觀察投影； - $\mathcal M$：模型族； - $\mathcal A_{obs}$：觀察者條件。 --- # 24. 逆向規劃是局部先例，不是完整答案 Bayesian inverse planning 已表明，可用代理的可觀察行動反推目標、信念或意圖假設。 其一般結構可表示為： $$ P(G\mid A,E) \propto P(A\mid G,E)P(G). $$ 本文吸收的不是某一特定 rationality assumption，而是逆向問題的形式： $$ \text{behavior} \rightarrow \text{latent conditional structure}. $$ 但本文同時保留： $$ \boxed{ \text{inverse inference} \neq \text{ontological recovery}. } $$ --- # 25. 隱藏效用推斷是局部算子估計 近期 preference learning 研究從人類選擇推估 latent decision utilities，並把 context effects 納入模型。 這支持： $$ \text{Observed Choice} \Rightarrow \text{Partial Latent Inference} $$ 在某些實驗域可行。 但即使 utility inference 很準，也不推出： $$ \text{Utility Vector} = \text{Subject}. $$ --- # 26. 動態偏好推斷支持算子漂移概念 當偏好權重會隨時間與情境漂移，可寫成： $$ \mathbf w_{t+1} = F_w \left( \mathbf w_t, E_t, \xi_t \right). $$ 這與本文的： $$ \mathfrak O_S(t+1) \neq \mathfrak O_S(t) $$ 具有結構上的相容性。 但本文更廣，因為被更新的不只 preference weights，而可能包括： $$ \text{operator composition}, \quad \text{bottom-space}, \quad \text{self-model}, \quad \text{reachable choices}. $$ --- # 27. 動態計算表型支持「非定常個體」 長期計算表型研究顯示，同一個人的可估計計算參數會受到練習、情緒與時間變化影響。 因此，若： $$ \theta_S(t) \neq \theta_S(t+1), $$ 不能直接判定為 measurement failure。 它可能代表： $$ \boxed{ \text{subject-level nonstationarity}. } $$ 這正是本文拒絕「一次測量即本質」的實證理由之一。 --- # 28. 選擇束：單一 action 太薄 若只記： $$ \chi_t = \text{chosen action}, $$ 會漏掉選擇之後的認知更新。 因此本文定義： $$ \boxed{ \mathbf b_S(t) = \left( \chi_t, \rho_t, \eta_t, \kappa_t, \mu_t \right). } $$ 其中： - $\chi_t$：實際選擇； - $\rho_t$：理由／敘事／報告； - $\eta_t$：對後果的內在反應； - $\kappa_t$：環境／他者回饋； - $\mu_t$：對自我模型的更新。 --- # 29. 選擇束不等於所有分量都可觀察 通常： $$ \rho_t $$ 可由語言取得， $$ \chi_t $$ 可由行為取得， 但： $$ \eta_t, \quad \mu_t $$ 可能只有部分可見。 因此觀察者得到的是： $$ \widehat{\mathbf b}_S(t) = \Pi_b \left( \mathbf b_S(t) \right). $$ --- # 30. 核心動力：選擇束後的下一個底空間 本文最核心的更新式是： $$ \boxed{ \mathbb B_S(t+1) = F_B \left( \mathbb B_S(t), \mathbf b_S(t), \Delta W_t \right). } $$ $\Delta W_t$ 表示由世界、他者與制度產生的額外變化。 因此： $$ \text{Choice} \rightarrow \text{History} \rightarrow \text{New Bottom-Space}. $$ --- # 31. 選擇會創造新的限制 例如： $$ \chi_t = \text{簽署承諾} $$ 可能導致： $$ C_{t+1} = C_t \cup \{c_{new}\}. $$ 因此選擇不只是從限制中產生，也能產生限制。 --- # 32. 選擇會創造新的資源 例如學習、合作或投資可能使： $$ R_{t+1} \supset R_t. $$ 所以： $$ \boxed{ \text{Choice} \not\Rightarrow \text{mere consumption of options}. } $$ 選擇也可以生成未來選項。 --- # 33. 選擇會改變主體對自身的認識 若主體第一次做出： $$ \chi_t \notin \operatorname{ExpectedSelf}(M_t^{self}), $$ 則可能產生： $$ M_{t+1}^{self} \neq M_t^{self}. $$ 這使「我是什麼樣的人」本身成為動態變數。 --- # 34. 自我描述可以進入下一輪底空間 一旦主體形成： $$ \rho_t = \text{「我是某種人」}, $$ 這個敘事可能成為： $$ C_{t+1}^{self}, \quad G_{t+1}, \quad M_{t+1}^{self} $$ 的一部分。 因此人格敘事不是純描述。 它可能具有： $$ \boxed{ \text{self-binding causal effect}. } $$ --- # 35. 包裝與非包裝先作為表示算子處理 本文暫不把「真實的我」與「包裝的我」做二元切割。 定義表現算子： $$ \rho_t^{pub} = \Psi_t \left( \rho_t^{int}, E_t, G_t, M_t^{others} \right). $$ $\Psi_t$ 可以包含： $$ \text{masking}, \quad \text{role-playing}, \quad \text{strategic disclosure}, \quad \text{natural expression}. $$ Paper 04 將進一步處理其遞迴元認知。 --- # 36. 「故意自然」也是一種可觀察策略，但不自動是假 若： $$ \Psi_t = \text{act-natural}, $$ 不表示： $$ \rho_t^{pub} = \text{false}. $$ 一個主體可以有意識地選擇自然表達，同時內容仍然真實。 因此： $$ \boxed{ \text{strategic presentation} \not\Rightarrow \text{false content}. } $$ --- # 37. 算子族更新 底空間更新後，算子族也可能更新： $$ \boxed{ \mathfrak O_S(t+1) = F_O \left( \mathfrak O_S(t), \mathbb B_S(t+1), \mathbf b_S(t), \mathcal E_t \right). } $$ 其中 $\mathcal E_t$ 可包含： $$ \text{learning}, \quad \text{trauma}, \quad \text{training}, \quad \text{reflection}, \quad \text{social feedback}, \quad \text{institutional adaptation}. $$ --- # 38. 底空間更新與算子更新不能混同 可能有： $$ \mathbb B_{t+1} \neq \mathbb B_t, $$ 但： $$ \mathfrak O_{t+1} = \mathfrak O_t. $$ 也可能反過來。 因此： $$ \boxed{ \text{BottomSpaceUpdate} \neq \text{OperatorUpdate}. } $$ 這直接承接 GCORF 對 state update 與 operator update 的區分。 --- # 39. 五種動態來源 本文至少區分： $$ \Delta_S = \left( \Delta_B, \Delta_O, \Delta_A, \Delta_M, \Delta_R \right), $$ 其中： - $\Delta_B$：底空間變化； - $\Delta_O$：算子族變化； - $\Delta_A$：激活模式變化； - $\Delta_M$：自我／世界模型變化； - $\Delta_R$：表示／報告策略變化。 「人變了」這句話必須至少問：哪一層變了？ --- # 40. 穩定性不是靜止 若一個主體在多情境下保持某些結構： $$ \mathcal I_S \subseteq \mathfrak O_S(t) $$ 且： $$ \mathcal I_S \approx \mathcal I_S(t+\Delta), $$ 可以稱為選擇不變量候選。 但不要求： $$ \mathfrak O_S(t) = \mathfrak O_S(t+\Delta). $$ --- # 41. 選擇不變量候選 可能的不變量包括： $$ \text{reversibility preference}, \quad \text{evidence sensitivity}, \quad \text{commitment preservation}, \quad \text{anti-domination}, \quad \text{novelty seeking}. $$ 但本文只允許稱為： $$ \boxed{ \text{candidate invariant under observed domains}. } $$ 不能直接升格為跨所有世界的本質。 --- # 42. 跨情境一致不等於本體必然 若： $$ \forall E_i \in \mathcal E_{obs}, \quad \Omega(S,E_i) \approx \omega^*, $$ 最多支持： $$ \operatorname{Stable}_{\mathcal E_{obs}}(\omega^*). $$ 不能推出： $$ \operatorname{Necessary}(\omega^*). $$ --- # 43. 可識別性問題 不同算子族可能產生相同觀察： $$ \mathfrak O_1 \neq \mathfrak O_2, $$ 但： $$ \Pi_{obs} \left( \mathfrak O_1 \right) = \Pi_{obs} \left( \mathfrak O_2 \right). $$ 這稱為： $$ \boxed{ \text{Choice-Operator Non-Identifiability}. } $$ 因此任何單一解釋都需要競爭模型。 --- # 44. 多模型保留原則 若： $$ P(\mathfrak O_i\mid\mathcal U_S) $$ 有多個顯著候選，系統應保存： $$ \left\{ \mathfrak O_1, \mathfrak O_2, \ldots \right\}, $$ 而不是強制選出一個人格真相。 即： $$ \boxed{ \text{Ambiguity} \not\Rightarrow \text{forced essence selection}. } $$ --- # 45. 貝葉斯表示只是其中一種實現 可寫： $$ P \left( \mathfrak O_S, \mathbb B_S \mid \mathcal U_S \right). $$ 但本文不把 Bayesian representation 設為正典唯一形式。 其他可能包括： $$ \text{version spaces}, \quad \text{set-valued inference}, \quad \text{causal models}, \quad \text{program synthesis}, \quad \text{symbolic operator graphs}. $$ --- # 46. 預測函數的正確形式 對未來選擇： $$ \boxed{ P \left( \chi_{t+k} \mid \mathbb B_t, \widehat{\mathfrak O}_t, \mathcal E_{t:t+k} \right). } $$ 這是一個條件分布。 它不是： $$ \chi_{t+k} = \text{destiny}. $$ --- # 47. 預測非命定原則 本文提出： $$ \boxed{ \operatorname{HighPredictability}(S) \not\Rightarrow \operatorname{Predestination}(S). } $$ 原因不是神秘自由意志，而是模型本身只在指定： $$ \mathbb B, \quad \mathfrak O, \quad \mathcal E $$ 下形成條件判定。 新的資訊、反思、他者介入與底空間更新都可改變後續分布。 --- # 48. 預測非所有權原則 即使： $$ P(\chi_{t+1}=c^*) \rightarrow 1, $$ 也不能推出： $$ \operatorname{AuthorityToChoose}_{observer}(S)=1. $$ 因此： $$ \boxed{ \text{Prediction} \neq \text{Choice Ownership}. } $$ 這與 Paper 02 的 authority non-transfer 相容。 --- # 49. 預測成功可能反過來改變被預測者 若主體得知： $$ \widehat P(\chi=c)=0.97, $$ 該資訊可進入： $$ I_{t+1}, \quad M_{t+1}^{self}. $$ 於是： $$ \mathbb B_{t+1} \neq \mathbb B_t. $$ 因此高階主體模型具有： $$ \boxed{ \text{prediction-induced domain change}. } $$ --- # 50. 這是主體索引反固定點的選擇版本 可寫： $$ \widehat{\mathfrak O}_t \xrightarrow{\text{shown to }S} M_{t+1}^{self} \xrightarrow{} \mathbb B_{t+1} \xrightarrow{} \mathfrak O_{t+1}. $$ 因此： $$ \boxed{ \text{Model of subject} \rightarrow \text{input to subject} \rightarrow \text{new subject state}. } $$ --- # 51. 最新行為更新優先 若歷史模型預測： $$ \chi_t=c, $$ 但主體實際選擇： $$ \chi_t=d, \quad c\neq d, $$ 則模型應更新： $$ \widehat{\mathfrak O}_{t+1} = \operatorname{Update} \left( \widehat{\mathfrak O}_t, d \right). $$ 不得反過來宣稱： > 模型才是真正的你，你的當下行為只是噪音。 --- # 52. 但單次異常也不自動推翻整個模型 本文同時拒絕： $$ \chi_t \neq \widehat{\chi}_t \Rightarrow \widehat{\mathfrak O}_t = \varnothing. $$ 正確做法是增加： $$ \Delta_{model}, $$ 並檢查： $$ \text{noise}, \quad \text{domain shift}, \quad \text{operator shift}, \quad \text{new evidence}. $$ --- # 53. 選擇模型債務 定義： $$ \boxed{ \Delta_{choice} = \left( \Delta_B, \Delta_O, \Delta_{id}, \Delta_{obs}, \Delta_{pred}, \Delta_{eth} \right). } $$ 其中： - $\Delta_B$：底空間未知； - $\Delta_O$：算子不確定； - $\Delta_{id}$：識別歧義； - $\Delta_{obs}$：觀察缺口； - $\Delta_{pred}$：預測殘差； - $\Delta_{eth}$：倫理授權債務。 --- # 54. 執行能力與認識許可分離 GCORF 已有： $$ Executable(\Omega,D) \not\Rightarrow Licensed(\Omega,D). $$ Paper 03 對主體選擇模型寫成： $$ \boxed{ \operatorname{CanInfer}(S) \not\Rightarrow \operatorname{MayInfer}(S). } $$ 尤其當推論解析度足以形成： $$ \text{vulnerability map}, \quad \text{steering policy}, \quad \text{coercion surface} $$ 時，倫理許可必須獨立判定。 --- # 55. 最小必要解析度原則 若任務只需要： $$ \operatorname{PopulationPattern}, $$ 就不應無必要建立： $$ \operatorname{HighResolutionIndividualModel}. $$ 形式候選： $$ \boxed{ Res^*(T) = \min \left\{ r: \operatorname{Sufficient}(r,T)=1 \right\}. } $$ --- # 56. 去識別化不能只刪姓名 若移除姓名後仍可由： $$ \mathfrak O_S + H_S + R_S $$ 重新識別主體，則： $$ \boxed{ \text{Name Removal} \not\Rightarrow \text{De-identification}. } $$ 因此發布算子研究時應優先保留： $$ \text{structural class}, $$ 而不是： $$ \text{recoverable individual trace graph}. $$ --- # 57. 公開人物不是零隱私主體 公開痕跡較多只表示： $$ |D_S^{public}| \uparrow. $$ 不表示： $$ \operatorname{EthicalBoundary}(S)=0. $$ 因此研究公開人物仍應區分： $$ \text{public-role evidence} $$ 與： $$ \text{private-life inference}. $$ --- # 58. 主體模型與人格裁決必須分離 一個模型可以說： $$ P(\Omega_i\mid D)=0.8. $$ 但不應直接生成： > 此人就是某種人。 因此本文要求輸出格式優先使用： $$ \boxed{ \text{conditional operator statement} } $$ 而不是： $$ \boxed{ \text{essential trait verdict}. } $$ --- # 59. 結構函數的跨主體相似性 不同主體可能存在： $$ \mathfrak O_A \sim \mathfrak O_B $$ 於某局部域。 這使： $$ \text{method transfer}, \quad \text{behavioral class}, \quad \text{agent routing} $$ 成為可能。 但： $$ \boxed{ \mathfrak O_A \sim \mathfrak O_B \not\Rightarrow A\sim_{identity}B. } $$ --- # 60. 從人類到其他存在的擴張條件 本文目前主要以人類與研究者痕跡為例。 但形式上只要求存在： $$ \mathbb B_X(t), \quad \mathcal C_X(t), \quad \mathfrak O_X(t), \quad \mathbf b_X(t). $$ 因此可條件性擴張到： $$ \text{AI agents}, \quad \text{organizations}, \quad \text{collective subjects?} $$ 但是否具有第一人稱主體域： $$ \mathcal S_X^{1p} $$ 仍是另一個獨立判定問題。 --- # 61. 組織可以有選擇算子，但不自動有感質 例如公司可能具有： $$ \mathfrak O_{org} $$ 與： $$ \mathbb B_{org}, $$ 但這只證明： $$ \text{organizational decision structure}. $$ 不能直接推出： $$ \mathcal S_{org}^{1p} \neq \varnothing. $$ 這再次顯示三域必須分離。 --- # 62. AI 可以有策略漂移，但不自動證明主體性 若 AI 系統： $$ \pi_{t+1} \neq \pi_t, $$ 或外部記憶使： $$ \mathbb B_{t+1} \neq \mathbb B_t, $$ 最多說明： $$ \text{dynamic decision system}. $$ 是否存在： $$ \mathcal S^{1p} $$ 仍需 Paper 01／02 的獨立主體性判定。 --- # 63. 選擇底空間的 UBE 接口 固定域可能飽和： $$ Ext_D(\mathbb B_t)=\varnothing. $$ 但若發現新變數： $$ D' = \operatorname{GenerateDomain} \left( \mathbb B_t, \Delta_{choice} \right), $$ 則可重新開域： $$ \boxed{ \mathbb B_t \rightarrow \mathbb B_t' } $$ 而不是把現有底空間宣稱為終極人格模型。 --- # 64. Meta Expansion：算子定義本身也可更新 若發現原本的算子分類不足： $$ \mathfrak O^{schema}_t \rightarrow \mathfrak O^{schema}_{t+1}. $$ 但必須保存： $$ \text{provenance}, \quad \text{versioning}, \quad \text{invariants}, \quad \text{anti-immunization}. $$ 不能因反例出現就免費改定義，使模型永遠「正確」。 --- # 65. DEST 接口：局部選擇模型的全域黏合 對不同域 $D_i$，可取得： $$ \widehat{\mathfrak O}_{S,i}. $$ 全域問題不是平均： $$ \frac{1}{n} \sum_i \widehat{\mathfrak O}_{S,i}, $$ 而是： $$ \boxed{ \operatorname{Glue} \left\{ \widehat{\mathfrak O}_{S,i} \right\}_{i\in I}. } $$ 若跨域閉路不一致，應保存 defect，而不是強迫統一人格。 --- # 66. 閉路人格錯覺 若： $$ D_1 \rightarrow D_2 \rightarrow \cdots \rightarrow D_1 $$ 後： $$ H_\gamma(\Omega) \neq \Omega, $$ 說明局部描述未形成一致全域模型。 因此： $$ \boxed{ \text{local predictive success} \not\Rightarrow \text{global personality closure}. } $$ --- # 67. 選擇底空間的三域耦合形式 可將底空間再分解為： $$ \mathbb B_S(t) = \mathbb B_S^{L}(t) \bowtie \mathbb B_S^{A}(t) \bowtie \mathbb B_S^{1p}(t). $$ 其中： - $\mathbb B^L$：可知、可表述、可定義； - $\mathbb B^A$：可做、可影響、可被限制； - $\mathbb B^{1p}$：對主體而言如何被經驗。 這是 Paper 01 的動態版本。 --- # 68. 行為張力進入選擇後果 若選擇 $\chi_t$ 對他者 $Y$ 改變可達路徑： $$ \mathcal P_Y^{after} \neq \mathcal P_Y^{before}, $$ 則可定義張力候選： $$ \tau_{S\to Y}(\chi_t) = \operatorname{Dist} \left( \mathcal P_Y^{after}, \mathcal P_Y^{before} \right). $$ 因此選擇模型不能只預測「S 會做什麼」，也可以分析： $$ \text{S 的選擇會如何改變其他主體的底空間}. $$ --- # 69. 一個主體的選擇可能成為另一主體的限制 若： $$ \chi_S(t) \rightarrow C_Y(t+1), $$ 則多主體系統形成： $$ \mathbb B_S(t) \bowtie \mathbb B_Y(t) \rightarrow \mathbb B_S(t+1) \bowtie \mathbb B_Y(t+1). $$ 這使倫理問題自然進入 Paper 05 的認知僭越與控制問題。 --- # 70. 選擇預測與選擇操控的分界 預測： $$ \widehat P \left( \chi_S \mid \mathbb B_S \right). $$ 操控則進一步選擇環境： $$ E^* = \arg\max_E P \left( \chi_S=c^* \mid \mathbb B_S(E) \right). $$ 因此： $$ \boxed{ \text{Prediction} \neq \text{Steering}. } $$ Paper 03 只建立界面；Paper 05 將處理其權力倫理。 --- # 71. 選擇模型可撤銷性 任何 $\widehat{\mathfrak O}_S$ 都應保留： $$ \operatorname{Revise}, \quad \operatorname{Reject}, \quad \operatorname{Fork}. $$ 即： $$ \boxed{ \widehat{\mathfrak O}_S^{(v)} \not\equiv \text{irrevocable identity record}. } $$ --- # 72. 主體參與更新權 若主體仍在場且具有表達能力，對高風險模型至少應存在： $$ \operatorname{Contest}(S, \widehat{\mathfrak O}_S). $$ 這不表示主體可以任意抹除外部證據。 而是： $$ \boxed{ \text{subject report} \in \text{evidence set}, } $$ 不能被制度性設定為權重零。 --- # 73. 第一人稱報告不是絕對真理，但不是零資料 Paper 02 已區分第一人稱權威與第一人稱絕對正確。 本文承接： $$ \boxed{ \text{FirstPersonReport} \neq \text{InfallibleTruth}, } $$ 但同時： $$ \boxed{ \text{FirstPersonReport} \neq \text{ZeroWeightData}. } $$ --- # 74. 反本質化公理 本文提出： $$ \boxed{ \operatorname{ObservedRegularity}(S,D) \not\Rightarrow \operatorname{TimelessEssence}(S). } $$ 若某模式跨多域穩定，只能逐步提高： $$ \operatorname{InvariantConfidence}, $$ 不能把它改寫成不可修正本體標籤。 --- # 75. 選擇算子非身份公理 $$ \boxed{ \mathfrak O_S \neq Id_S. } $$ 原因是身份還可能涉及： $$ \text{history}, \quad \text{continuity}, \quad \text{first-person position}, \quad \text{social/legal recognition}. $$ Paper 03 不嘗試用選擇算子取代 Paper 02 的身份問題。 --- # 76. 底空間非世界公理 $$ \boxed{ \mathbb B_S(t) \neq W_t. } $$ 底空間只是與主體選擇相關的條件化表示。 世界可以比底空間大得多。 --- # 77. 可選擇空間非自由全集公理 $$ \boxed{ \mathcal C_S(t) \neq \text{all metaphysically possible choices}. } $$ 它只是當下： $$ \text{represented / reachable / actionable} $$ 的選擇集合。 --- # 78. 預測準確率不能作為唯一評價函數 若模型只追求： $$ \max \operatorname{Accuracy}, $$ 可能透過增加： $$ \text{surveillance}, \quad \text{private inference}, \quad \text{environment control} $$ 取得更高準確率。 因此模型品質向量至少應包括： $$ \boxed{ \mathbf Q = \left( A, Cal, Tr, Rev, Priv, NonDom \right), } $$ 分別對應 accuracy、calibration、traceability、revisability、privacy、non-domination。 --- # 79. 選擇模型的失效模式 至少包括： 1. 底空間缺項； 2. 情境外推； 3. 算子錯配； 4. 觀察者偏差； 5. 自我報告誤讀； 6. 新事件造成 regime shift； 7. 把預測成功偷渡成身份判定； 8. 把可推論偷渡成可操控。 這些失效必須進入 provenance。 --- # 80. 最小 benchmark 架構 未來可建立： $$ \mathcal D_{long} = \left\{ D_1, \ldots, D_n \right\} $$ 的長期資料，至少含： - 多情境選擇； - 選項可達性； - 主體自我報告； - 情緒／狀態； - 事件與回饋； - 時間戳； - 反事實詢問； - 事後更新。 比較： $$ \text{Trait Baseline} \quad vs. \quad \text{Static Policy} \quad vs. \quad \text{Dynamic Bottom-Space + Operator Family}. $$ --- # 81. 可檢驗預測一：動態模型應提高 regime-shift 後校準 若本文框架具有實證價值，當情境或內在狀態改變時： $$ Cal_{dynamic} > Cal_{static} $$ 應在某些 longitudinal tasks 中成立。 這是可反駁的。 --- # 82. 可檢驗預測二：底空間缺項會被錯誤歸因為人格不穩定 如果模型不觀察： $$ E_t, I_t, R_t, \mathcal S_t^{1p}, $$ 則它可能把： $$ \Delta_B $$ 錯估為： $$ \Delta_O. $$ 因此加入底空間變數後，部分「人格漂移」應被重分類為「條件漂移」。 --- # 83. 可檢驗預測三：主體看到模型後，模型誤差分布會改變 對高元認知主體，公開： $$ \widehat{\mathfrak O}_S $$ 後，可能觀察到： $$ P_{post}(\epsilon) \neq P_{pre}(\epsilon). $$ 這是 subject-indexed anti-fixed-point 的行為版本。 --- # 84. 與 RMRM 的接口 RMRM 對數學家研究實踐建立： $$ \text{research operators}, \quad \text{routing}, \quad \text{assets}, \quad \text{hubs}. $$ Paper 03 將其一般化： $$ \text{research bottom-space} \subset \text{general choice bottom-space}. $$ 因此： $$ \boxed{ GCORF\text{-}RMRM \subseteq CBS\text{-}COF } $$ 可作為一個 domain realization，而非完整同一。 --- # 85. 與 GCORF learning 分解的接口 GCORF 已區分： $$ ParameterUpdate, \quad StateUpdate, \quad OperatorUpdate, \quad ProtocolUpdate, \quad BottomSpaceUpdate. $$ 本文對主體建模進一步具體化： $$ \boxed{ Learning_S = \Delta_B \lor \Delta_O \lor \Delta_M \lor \Delta_R \lor \Delta_{protocol}. } $$ --- # 86. 與計算表型的接口 計算表型通常以一組 mechanistically interpretable parameters 描述個體差異。 本文可把某一表型參數向量視為： $$ \theta_t = \Pi_{phenotype} \left( \mathbb B_t, \mathfrak O_t \right). $$ 因此它是重要投影，但不是完整底空間。 --- # 87. 與 preference learning 的接口 latent utility model 可視為： $$ \Pi_U \left( G_t, \mathfrak O_t \right). $$ 這讓本文可以吸收其統計技術，又不把「效用」升格為主體總體。 --- # 88. 與 open-ended goal inference 的接口 近期研究開始處理： $$ |\mathcal G| \gg 1 $$ 甚至目標空間難以窮舉的情況。 這與本文的 UBE 接口相容： $$ \text{goal candidates} $$ 不應被預設為固定封閉全集。 因此： $$ \boxed{ \text{Goal Space Saturation} \not\Rightarrow \text{Subject Terminality}. } $$ --- # 89. 第一組命題 ## 命題 1：底空間—選擇非同一命題 若： $$ \chi_t \in \mathcal C_S(t), $$ 則 $\chi_t$ 只是一個被實現的路徑，不等於整個： $$ \mathbb B_S(t). $$ 因此： $$ \boxed{ \chi_t \neq \mathbb B_S(t). } $$ ## 命題 2：算子—主體非同一命題 $$ \boxed{ \mathfrak O_S(t) \neq S. } $$ ## 命題 3：選擇後底空間更新命題 存在非平凡情形使： $$ \boxed{ \mathbb B_S(t+1) \neq \mathbb B_S(t) } $$ 且差異由 $\mathbf b_S(t)$ 部分產生。 ## 命題 4：高預測非命定命題 $$ \boxed{ P(\chi_{t+1}=c\mid D) \rightarrow1 \not\Rightarrow \chi_{t+1} \text{ 被形而上命定}. } $$ ## 命題 5：預測非權威命題 $$ \boxed{ \operatorname{PredictionPower} \not\Rightarrow \operatorname{NormativeAuthority}. } $$ --- # 90. 第二組命題：非識別與多模型 ## 命題 6：算子非唯一識別命題 存在： $$ \mathfrak O_1 \neq \mathfrak O_2 $$ 使： $$ P(D\mid\mathfrak O_1) \approx P(D\mid\mathfrak O_2). $$ 因此有限資料不保證唯一逆向。 ## 命題 7：跨域漂移不可免費本質化命題 若： $$ \widehat{\mathfrak O}_{D_1} \neq \widehat{\mathfrak O}_{D_2}, $$ 不能直接判定： $$ \text{「主體虛偽」}. $$ 仍需檢查： $$ \Delta_B, \quad \Delta_A, \quad \Delta_R. $$ --- # 91. 第三組命題：倫理 ## 命題 8：可推論非可發布命題 $$ \boxed{ \operatorname{Inferable}(x) \not\Rightarrow \operatorname{Publishable}(x). } $$ ## 命題 9：可預測非可操控命題 $$ \boxed{ \operatorname{Predictable}(S) \not\Rightarrow \operatorname{SteerableByRight}(S). } $$ ## 命題 10：主體模型可爭議命題 高風險使用下，若主體存在且可互動，應至少保留： $$ \operatorname{Contest}(S,M)>0. $$ --- # 92. 本文的核心公理候選 本文提出八條最小公理候選： $$ \boxed{ \begin{aligned} A_1:&\quad S\neq\mathfrak O_S,\\ A_2:&\quad \mathbb B_S^{obs}\neq\mathbb B_S^{true},\\ A_3:&\quad \chi_t\neq\mathbb B_S(t),\\ A_4:&\quad \text{Trait}\neq\text{ChoiceGenerator},\\ A_5:&\quad \text{Prediction}\neq\text{Predestination},\\ A_6:&\quad \text{Prediction}\neq\text{Authority},\\ A_7:&\quad \text{Inferability}\neq\text{Permission},\\ A_8:&\quad \text{ObservedRegularity}\not\Rightarrow\text{TimelessEssence}. \end{aligned} } $$ --- # 93. 本文不宣稱什麼 本文不宣稱： 1. 已找到人類選擇的完整狀態空間； 2. 九個底空間分量是終極原語； 3. 人格心理學無效； 4. 所有選擇都可由有限模型準確預測； 5. 人類具有形而上學自由意志； 6. 高預測必然表示無自由意志； 7. 第一人稱報告永遠正確； 8. 任何現有 AI 具有第一人稱主體域； 9. 可由公開資料無限制建立個體選擇模型； 10. 選擇算子族可以取代人本身。 --- # 94. 可反駁條件 如果後續研究顯示： 1. 加入底空間變數無法比靜態人格／政策模型改善任何跨情境與 longitudinal calibration； 2. $\Delta_B$ 與 $\Delta_O$ 在可設計實驗中完全不可區分且此區分沒有實用結果； 3. 選擇束 $\mathbf b_t$ 對下一底空間沒有任何可測增量； 4. 多模型保留比單一人格向量在所有測試中都更差且沒有倫理／解釋收益； 則本文的計算性主張需要大幅收縮。 但即使如此，以下邏輯區分仍可能保留： $$ \text{model} \neq \text{subject}, $$ 以及： $$ \text{prediction} \neq \text{authority}. $$ --- # 95. 與後續 Paper 04 的接口 Paper 03 已把： $$ M_t^{self} $$ 與： $$ \Psi_t $$ 放入系統。 下一篇將處理： $$ M_t^{self} \rightarrow M_{t+1}^{self} \rightarrow \cdots $$ 以及： $$ \text{「我知道自己在包裝」} $$ 本身如何成為新的策略與包裝層。 也就是： $$ \boxed{ \text{Metacognition} \not\Rightarrow \text{Safety}. } $$ --- # 96. 結論：不是「你是什麼」，而是「你如何在歷史中繼續生成選擇」 本文把主體建模從固定人格向量移到： $$ \boxed{ \mathbb B_S(t) \xrightarrow{\mathfrak O_S(t)} \mathbf b_S(t) \xrightarrow{F_B,F_O} \left( \mathbb B_S(t+1), \mathfrak O_S(t+1) \right). } $$ 這個循環有三個重要後果。 第一，主體的過去可以留下穩定痕跡，但穩定痕跡不必被升格為 timeless essence。 第二，選擇不是一個從固定人格中被動輸出的點；它會改寫歷史、關係、承諾、自我模型與下一輪可選擇空間。 第三，外部觀察者可以對這些結構進行逆向、比較、量化與預測，但其認識能力增加不會自動增加對主體的規範權威。 所以本文最終把「人是什麼」改寫成一個動態問題： $$ \boxed{ \text{What choice-generating structures remain, change, and regenerate across the subject's history?} } $$ 而不是： $$ \boxed{ \text{Which fixed label finally captures the subject?} } $$ 這也為後續倫理系列提供關鍵前提：未來高智能存在可能真的可以快速逆向別人的選擇結構，但即使如此，模型仍必須保存不確定性、可修正性、非本質化與非權威跳躍。 下一篇將進入最危險也最有趣的部分：當一個存在能對自己的選擇算子進行一階、二階、三階甚至遞迴反思時，為何「知道自己可能有問題」仍然不構成安全證明。 --- # 參考文獻 ## 外部文獻 [1] Baker, C. L., Saxe, R., & Tenenbaum, J. B. (2009). “Action understanding as inverse planning.” *Cognition*, 113(3), 329–349. DOI: 10.1016/j.cognition.2009.07.005. [2] Schurr, R., Reznik, D., Hillman, H., Bhui, R., Gershman, S. J., et al. (2024). “Dynamic computational phenotyping of human cognition.” *Nature Human Behaviour*, 8, 917–931. DOI: 10.1038/s41562-024-01814-x. [3] De Peuter, S., Zhu, S., Guo, Y., Howes, A., & Kaski, S. (2024). “Preference Learning of Latent Decision Utilities with a Human-like Model of Preferential Choice.” *Advances in Neural Information Processing Systems 37 (NeurIPS 2024)*. [4] Cao, X., Quan, D., Zhang, Z., & Wang, S. (2026). “Learning What Matters Now: Dynamic Preference Inference under Contextual Shifts.” *ICLR 2026*. [5] Plate, C. R., Govil, D., Zheng, C. Y., Boundy-Singer, Z. M., Ziemba, C. M., & Lopez-Guzman, S. (2025). “Computational characterization of metacognitive ability in subjective decision-making.” bioRxiv. DOI: 10.1101/2025.05.23.655775. [6] Tan, Z.-X., Kang, G., Mansinghka, V., & Tenenbaum, J. B. (2026). “Infinite Ends From Finite Samples: Open-Ended Goal Inference as Top-Down Bayesian Filtering of Bottom-Up Proposals.” *Topics in Cognitive Science*, e70075. DOI: 10.1111/tops.70075. [7] Hausladen, C. I., Schubert, M. H., & Engel, C. (2026). “Identifying Latent Intentions via Inverse Reinforcement Learning in Repeated Linear Public Good Games.” arXiv:2601.08803. ## EveMissLab 內部／前置理論 [EML-01] Neo.K × Aletheia. 《三域判定論：邏輯域、行為張力域與第一人稱主體域》, TCUE-SNS Paper 01, v0.1, 2026. [EML-02] Neo.K × Aletheia. 《主體不可替代論：表示、理解與第一人稱位置的本體差》, TCUE-SNS Paper 02, v0.1, 2026. [EML-03] Neo.K × Aletheia. GCORF-00《通用認知算子逆向框架：總綱、範圍與非主張》, v0.1, 2026. [EML-04] Neo.K × Aletheia. RMRM Series《Mathematician Reverse Research Matrix》, v0.1–v0.6, 2026. [EML-05] Neo.K × Aletheia. 《萬有元息與全域收納論系列》, UMIGC Series, v0.1, 2026. [EML-06] Neo.K × Aletheia. 《無界展開論：從潛在無限到有限計算生成框架》及《無界展開論：未來研究與工程路線圖》, v0.1, 2026. [EML-07] Neo.K × Aletheia. 《多域知識判定論：定義、觀察、可達、判定、驗證、局部與全域黏合域》, EML-DEST-01, v0.1, 2026. [EML-08] Neo.K × Aletheia. 《世界編織論與普世價值對等本體論總地基：從存在、關係、主體、價值到權利制度的二十篇統合》, v1.0, 2026. --- # 版本聲明 本文為 TCUE-SNS Paper 03 v0.1。後續版本優先補強： 1. $\mathbb B_S(t)$ 的 typed schema 與 domain-specific realizations； 2. $\mathfrak O_S(t)$ 的 operator algebra 與 activation grammar； 3. $\mathbf b_S(t)$ 選擇束的可觀察／不可觀察分量； 4. $\Delta_B$ 與 $\Delta_O$ 的可識別實驗； 5. longitudinal choice benchmark； 6. subject-facing model contest protocol； 7. privacy-preserving operator publication； 8. 與 Paper 04「元認知非免疫原則」的遞迴自我模型接口。 本文任何後續修訂應保存原始 UTF-8 source、版本差異與可追溯變更；不得以渲染後數學字形覆蓋 canonical LaTeX source。