# CODT-05 # 認知域不是固定分類：Flow-Atlas Separation ## Cognitive Domains Are Not Static Classes: Flow-Atlas Separation **系列：** Cognitive Operator-Domain Theory, CODT / 認知算子-域理論 **系列篇次：** 05 / 10 **版本：** v1.0 **日期：** 2026-08-20 **作者：** Neo.K **機構脈絡：** EveMissLab / 一言諾科技有限公司 **文件性質：** 理論論文 / Dynamic Domain Geometry 篇 **前篇：** CODT-04〈共享底層認知域：Shared-Bottom Cognitive Runtime〉 --- ## 摘要 CODT-03 將認知域定義為由合法 operator ecology、history、boundary、failure、prediction、compression 與 stability 後生的 operational region；CODT-04 進一步指出，Attention、Search、Generation、Representation、Belief、Decision、Planning、Meta-Observation 等 shared-bottom substrate 會跨越多個方法與候選域運作，因此 transition graph 中的大量跨域流動不一定表示 domain boundary 不存在，也可能只是共享 infrastructure traffic。 本文提出 **Flow-Atlas Separation**：認知 runtime 中的 operator transition flow 與 domain atlas 是兩種不同但耦合的結構。 令 fast transition flow 為： $$ \boxed{ P_t = P( U_{t+1} \mid U_t, S_t, H_t, B_t, R_t ) } $$ 令 derived atlas 為： $$ \boxed{ \mathcal A_t = Chart( \mathcal U, \Lambda, H_{\le t}, \mathcal E_t ) } $$ 其中 $\mathcal E_t$ 表示用於 atlas selection 的 evidence。本文主張： $$ \boxed{ P_t \neq \mathcal A_t. } $$ runtime regime 可以先改變 transition law，而不必立即重畫 domain chart；同樣地，兩張 assignment 的差異很大，也不代表新的 partition 具有功能價值。Domainization Experimental Foundations 的關鍵 ablation 顯示，在 OOD artifact stress 中，normal/stress chart assignment 的 ARI 曾下降到約 $0.0411$，但 predictive recovery 幾乎全部來自 transition-parameter adaptation： $$ \Delta_P = 1.4804 \text{ bits/transition}, $$ 而 repartition 的獨立 gain 反而為： $$ \Delta_A = -0.0434. $$ 三個完整 seeds 亦得到負的 OOD partition gain。這迫使早期「dynamic domain attractor」強版本被修正為： $$ \boxed{ \text{Quasi-Stable Atlas over Adaptive Operator Flow}. } $$ 本文進一步吸收 MDL experiments：若 atlas switching 所節省的 future code length 無法支付新 chart 的 description cost，則即使 stress-specific chart 看起來完全不同，也不應切換 atlas。由此提出 **Atlas Switch Gate**： $$ \boxed{ NetSwitchGain = FlowAdjustedGain - ChartSwitchCost. } $$ 只有： $$ NetSwitchGain>0 $$ 且 stability / legality / boundary evidence 同時成立，repartition 才具有實質支持。 本文最後把 operator traffic 分成 domain-internal flow、cross-domain bridge flow、shared-bottom infrastructure flow、meta-control flow 與 world-boundary flow，並提出 typed flow decomposition。這使 CODT 能避免把所有高流量 hub 誤當成 domain core，也避免把 regime-specific transition shock 誤當成 domain ontology 的即時崩解。本文將 domain 重新表述為：**承載 adaptive flow 的準穩定局部 chart，而非固定分類，也非每一時刻都重新聚類的動態盒子。** --- ## 關鍵詞 Flow-Atlas Separation；CODT；cognitive atlas；operator flow；dynamic domains；regime shift；MDL；transition model；shared-bottom infrastructure；community dynamics；cognitive geometry --- # 1. 問題：我們看到的是「域」，還是「流」？ 假設一個 cognitive runtime 中存在大量 transitions： $$ U_i \rightarrow U_j. $$ 我們可以把 operator 當成 nodes，把 transitions 當成 weighted edges。 接著很自然地做 clustering。 如果某些 operators 彼此 transition 很頻繁，我們可能說： > 這是一個 domain。 但這個推論太快。 因為 transition 高可能有至少五種原因： 1. 它們真的位於同一 operational region； 2. 它們共享一個 high-traffic infrastructure； 3. 它們透過 bridge operator 反覆跨域； 4. meta-control 在它們之間頻繁 routing； 5. world-boundary loop 強迫某些 operators 形成高流量閉環。 因此： $$ \boxed{ HighTransitionFlow \not\Rightarrow SameDomain. } $$ 反過來，兩個 operators transition 很少，也不代表它們不屬於同一 domain。 它們可能只是 domain 內不同 subroutines、不同時間尺度或低頻 specialization。 所以 CODT-05 的第一個問題是： > 如何把「當下怎麼走」和「哪些區域值得被當成穩定結構」分開？ --- # 2. Flow 與 Atlas 的第一個形式化 令： $$ U_t $$ 為時間 $t$ 的 active cognitive operator。 令： $$ S_t $$ 為 runtime state。 令： $$ H_t $$ 為 history。 令： $$ B_t $$ 為 resource state。 令： $$ R_t $$ 為 runtime regime。 則 transition flow： $$ \boxed{ P_t = P( U_{t+1} \mid U_t, S_t, H_t, B_t, R_t ). } $$ 這個物件回答： > 在目前條件下，下一個 operator 怎麼走？ 另一方面，atlas： $$ \boxed{ \mathcal A_t = Chart( \mathcal U, \Lambda, H_{\le t}, \mathcal E_t ). } $$ 它回答： > 哪些 operators / words / boundaries / failures 在累積 evidence 下值得被壓縮成較穩定的 operational regions？ 因此： $$ \boxed{ P_t \neq \mathcal A_t. } $$ Flow 是動力。 Atlas 是 derived geometry / control chart。 --- # 3. 為什麼 Atlas 不能等同 Transition Matrix 如果： $$ \mathcal A_t = P_t, $$ 則每次 transition probability 改變，都等於 domain ontology 改變。 這會產生荒謬結果。 例如同一個 Planning domain 在 deadline 壓力下，Search 到 Decision transition 可能變快。 但這不代表 Planning domain 已經不存在。 又例如 resource shock 可能提高： $$ Defer, Prune, Abort, Replan $$ 的 transition probability。 這更可能表示： $$ \boxed{ \text{same structural region under different flow field}. } $$ 因此 domain geometry 不應直接被瞬時 transition matrix 取代。 --- # 4. 為什麼 Flow 也不能忽略 Atlas 反過來，若 atlas 被固定成一張永遠不變的 taxonomy，也會出問題。 因為 runtime evidence 可能長期顯示： - 某些 old domain boundary 沒有 predictive value； - 某些 operators 反覆形成新 niche； - 某些 seeds 持續被跨域 program 打散； - 某些 failure boundary 發生穩定分裂； - 某些 shared-bottom family 出現 domain-like closure。 因此： $$ \boxed{ Atlas \neq ImmutableTaxonomy. } $$ Flow 可以提供 atlas revision pressure。 但： $$ \boxed{ RevisionPressure \neq ImmediateRepartition. } $$ --- # 5. 兩個時間尺度 Phase 0.6 的 synthetic experiments 提出一個候選 timescale separation： $$ \boxed{ \tau_P < \tau_{\mathcal A}. } $$ 其中： - $\tau_P$：transition flow 適應時間； - $\tau_{\mathcal A}$：有功能價值的 atlas 重構時間。 這不是 universal cognitive law。 它表示目前 evidence 更支持： > transition law 可以比值得付成本的 domain repartition 更快改變。 因此： $$ \boxed{ \text{Fast Flow} + \text{Slow Chart} } $$ 成為本文的第一版 dynamic domain hypothesis。 --- # 6. Quasi-Stable Atlas 本文將一個 domain candidate 暫時寫成： $$ \boxed{ \mathfrak D_\alpha(t) = \text{quasi-stable local chart carrying regime-conditioned flow}. } $$ 「quasi-stable」不是 static。 它表示： - membership 可以改； - boundary 可以漂移； - niche 可以 split / merge； - version 可以更新； 但這些變化不應只由 instantaneous transition noise 觸發。 因此： $$ \boxed{ \text{QuasiStable} \neq \text{Immutable}. } $$ --- # 7. 早期 Dynamic Attractor 強版本 Phase 0.5 曾因 normal chart 與 stress chart assignment 差異明顯，提出： $$ \mathfrak D_\alpha = \mathfrak D_\alpha( t, C, O, B, R ). $$ 其中 $R$ 代表 regime。 當時 normal/stress chart 的 ARI 約： $$ 0.3231. $$ 而 regime-matched chart 在自己的 regime 中有更好的 predictive performance。 這很容易導向： $$ \boxed{ \text{Domain = dynamic attractor}. } $$ 也就是每當 regime 變化，domain geometry 就重組。 這個猜想後來被 Phase 0.6 修正。 --- # 8. 為什麼 Phase 0.5 的證據不夠 Phase 0.5 的 adaptation 同時改變兩件事： 1. chart assignment； 2. transition statistics。 若 predictive loss 下降，我們無法知道： > 是因為換了 domain geometry？ 還是： > 只是因為重新估計了 transition probabilities？ 所以： $$ \boxed{ \text{Total Adaptation Gain} \neq \text{Partition Gain}. } $$ 必須做 ablation。 --- # 9. 四格 Ablation 令 $A_N$ 為 normal atlas， $A_S$ 為 stress atlas， $P_N$ 為 normal flow model， $P_S$ 為 stress flow model。 定義四個 coding condition： $$ NN = L( H \mid A_N, P_N ), $$ $$ NS = L( H \mid A_N, P_S ), $$ $$ SN = L( H \mid A_S, P_N ), $$ $$ SS = L( H \mid A_S, P_S ). $$ 則 parameter adaptation gain： $$ \boxed{ \Delta_P = NN-NS. } $$ partition adaptation gain： $$ \boxed{ \Delta_A = NS-SS. } $$ 正值表示該 adaptation 降低 code length。 負值表示反而變差。 --- # 10. OOD Artifact：最重要的反證 OOD artifact stress 是 Flow-Atlas Separation 的關鍵案例。 normal/stress independently learned assignment： $$ \boxed{ ARI = 0.0411. } $$ 幾乎完全不同。 如果只看 ARI，可以很容易說： > domain geometry 發生相變。 但 ablation： $$ \boxed{ \Delta_P = 1.4804 } $$ bits/transition， 而： $$ \boxed{ \Delta_A = -0.0434. } $$ 也就是： > 幾乎全部 predictive recovery 都來自 flow parameter update；換 stress partition 在同一 stress flow 下反而稍微更差。 三個完整 seeds： $$ E[ \Delta_P^{OOD} ] = 1.3992, $$ $$ E[ \Delta_A^{OOD} ] = -0.0251. $$ 且 OOD partition gain： $$ \boxed{ 3/3 \text{ 為負}. } $$ 因此： $$ \boxed{ ARI\text{ collapse} \not\Rightarrow UsefulRepartition. } $$ 這是 CODT-05 最重要的 empirical foundation。 --- # 11. Assignment Shift 與 Functional Shift 必須分開 一張 chart assignment 變很多，可以有多種原因： - clustering instability； - sparse OOD edges； - changed edge weights； - resolution effect； - changed flow statistics； - true structural boundary shift。 所以： $$ \boxed{ AssignmentShift \neq FunctionalDomainShift. } $$ Functional domain shift 至少還需要證明： > 在控制 flow parameter adaptation 後，新 atlas 本身仍增加 held-out predictive / compressive / operational value。 --- # 12. Mixed Stress 的教訓 Mixed stress 曾有正 total adaptation gain。 但 partition gain仍為負。 因此： $$ \boxed{ \text{better adapted runtime} \not\Rightarrow \text{better repartition}. } $$ 這說明「適應」這個詞也必須拆開。 可能是： - parameter adaptation； - policy adaptation； - resource adaptation； - representation adaptation； - atlas adaptation。 CODT 不允許全部叫「domain adaptation」。 --- # 13. Online Atlas 的進一步結果 Phase 0.6 online experiment 讓 runtime 經過多個 sequential windows： $$ normal \rightarrow stress \rightarrow recovery \rightarrow normal. $$ 主 run： $$ \Delta_{online} = 0.1484. $$ 但拆開： $$ \boxed{ \Delta_{parameter} = 0.1416, } $$ $$ \boxed{ \Delta_{partition} = 0.0068. } $$ 也就是主 run 的大部分 online improvement 來自 transition statistics adaptation。 三個完整 seeds 平均： $$ E[ \Delta_{online} ] = 0.3196, $$ $$ E[ \Delta_{parameter} ] = 0.2389, $$ $$ E[ \Delta_{partition} ] = 0.0807. $$ partition adaptation 不是零。 但目前證據更支持： $$ \boxed{ \text{flow adaptation is faster and usually larger}. } $$ --- # 14. Flow-Atlas Separation 的正式候選 因此本文提出： $$ \boxed{ CognitiveRuntime_t = ( U_t, S_t, P_t, \mathcal A_t, H_t ). } $$ 其中 $P_t$ 是 adaptive flow， $\mathcal A_t$ 是 quasi-stable chart。 Flow 可以依： $$ R_t, B_t, Goal_t, Failure_t, WorldPresentation_t $$ 快速調整。 Atlas 只在累積 evidence 足夠時更新。 --- # 15. Shared-Bottom Infrastructure 會扭曲 Flow CODT-04 已建立： $$ Method \neq Domain \neq SharedBottom. $$ 這對 transition graph 有直接後果。 Attention、Search、Representation、Meta-Control 等 high-reuse substrate 會自然形成高流量 hubs。 因此若直接用 raw transition graph clustering： $$ HighDegree(U) $$ 很可能只是： $$ \boxed{ InfrastructureRole(U) } $$ 而不是： $$ DomainCore(U). $$ --- # 16. Typed Flow Decomposition 本文因此提出： $$ \boxed{ F_t = F_t^{D} + F_t^{B} + F_t^{SB} + F_t^{M} + F_t^{W}. } $$ 其中： - $F_t^{D}$：domain-internal flow； - $F_t^{B}$：cross-domain bridge flow； - $F_t^{SB}$：shared-bottom infrastructure flow； - $F_t^{M}$：meta-control / routing flow； - $F_t^{W}$：world-boundary flow。 這不是一般數值上的唯一可加分解。 它是一個 typed flow ledger candidate。 一個 transition event 應盡量被標記其 flow role。 --- # 17. Domain-Internal Flow 若 $U_t,U_{t+1}$ 在同一 domain candidate 中有高 membership，且 transition 不需要 domain bridge，則可標為： $$ F_t^{D}. $$ 但 overlapping domains 會造成 ambiguity。 因此 FlowRole 也可以是 soft / multi-label。 --- # 18. Cross-Domain Bridge Flow 若： $$ U_t \in \mathfrak D_\alpha $$ 而： $$ U_{t+1} \in \mathfrak D_\beta $$ 並經顯式 bridge： $$ B_{\alpha\beta}, $$ 則 $F_t^{B}$ 記錄： - source； - destination； - representation conversion； - license change； - resource cost； - loss； - certificate。 因此跨域 flow 不等於 domain boundary failure。 它可以是合法 infrastructure。 --- # 19. Shared-Bottom Infrastructure Flow 如果 ATT、SRH、REP、MET 等 substrate 被多個 domains 共用，它們的 traffic 應標為： $$ F_t^{SB}. $$ 這允許 atlas learner 在分析 domain geometry 時： - 保留 infrastructure； - 降權 infrastructure； - 分層建模 infrastructure； - 或建立 multilayer chart。 不必把它們強迫塞進某一個 domain。 --- # 20. Meta-Control Flow CRE 類 router、MET monitoring、DEC/PLN control signal 可能形成： $$ F_t^{M}. $$ Meta-control traffic 的高頻往返： $$ Monitor \rightarrow Route \rightarrow Monitor $$ 不應自動被理解成一個巨大 meta-domain。 它可能只是 control plane。 --- # 21. World-Boundary Flow ACT 到 CWB，再到 World transition，再回 Presentation 的 loop： $$ ACT_{request} \rightarrow CWB \rightarrow World \rightarrow Presentation $$ 是一種特殊 flow： $$ F_t^{W}. $$ 它跨越 cognition / World ontology boundary。 因此絕不能因為 edge weight 高，就把 WorldOperator 吸入 Cognitive Domain Atlas。 --- # 22. Flow Role 與 Domain Membership 是不同 metadata 對 transition： $$ e_t = ( U_t, U_{t+1} ), $$ 可以同時有： $$ DomainMembership(U_t), $$ $$ DomainMembership(U_{t+1}), $$ 以及： $$ FlowRole(e_t). $$ 所以： $$ \boxed{ NodeDomain \neq EdgeRole. } $$ 這是 CODT 動態圖表示的重要分離。 --- # 23. 為什麼 Flow-Based Community Detection 仍然有價值 Rosvall 與 Bergstrom 的 map equation 使用 random-walk probability flow 來尋找可以壓縮 flow description 的 modules。 這提供 CODT 一個重要外部參照： > 一張 map 可以因為它壓縮動態 flow 而有價值。 Delvenne、Yaliraki、Barahona 的 Markov stability 則把 partition quality 和 dynamics / time scale 連結，顯示不同 flow time scales 可以支持不同有效 partitions。 CODT 吸收： $$ \boxed{ \text{flow can reveal useful mesoscopic structure}. } $$ 但不吸收： $$ \boxed{ \text{flow module = cognitive domain}. } $$ 因為 cognition 還有 legality、license、shared-bottom、World boundary、failure 與 history。 --- # 24. Multi-Time-Scale Chart 外部 Markov stability 類研究提醒： 同一 graph 在不同 dynamics time scale 下可以有不同 partition resolution。 CODT 可以類比定義： $$ \mathcal A_t^{(\tau)}. $$ 其中 $\tau$ 是 analysis / prediction horizon。 短 horizon chart 可能看見 local operator niches。 長 horizon chart 可能看見 macro-domains。 因此： $$ \boxed{ \mathcal A^{(\tau_1)} \neq \mathcal A^{(\tau_2)} } $$ 不必視為矛盾。 它可能只是 multiscale structure。 --- # 25. Time-Dependent Atlas 也不能每步重畫 Mucha 等人的 multislice network framework 提供「time-dependent network 可以把不同時間 slice 耦合起來」的外部參照。 CODT 吸收一個一般想法： $$ \boxed{ \text{current chart should be coupled to prior chart}. } $$ 因此 atlas learner 不應每個 window 完全獨立。 可以加入： $$ TemporalConsistencyCost( \mathcal A_t, \mathcal A_{t-1} ). $$ 但 coupling 不能太強。 否則真正 domain split 會被壓掉。 所以 atlas evolution 是： $$ \boxed{ Stability \leftrightarrow Adaptability } $$ 的 model-selection 問題。 --- # 26. Dynamic Attractor 強版本為什麼被降級 「Domain 是 dynamic attractor」是一個有吸引力的說法。 因為它允許 domain 隨 runtime 改變。 但它也太寬。 任何 clustering shift 都可以被解釋成 attractor movement。 因此難以 falsify。 CODT-05 改成： $$ \boxed{ \text{Domain is a quasi-stable chart over adaptive flow}. } $$ 這個版本更嚴格。 因為它要求： - flow adaptation； - chart adaptation； - chart switching cost； 可以被分開測。 --- # 27. Atlas Complexity Cost Phase 0.7 把： $$ L(A) $$ 正式加入 chart selection。 selection objective： $$ \boxed{ L_{select}(A) = L(A) + L( H_{train} \mid A ) + L( H_{val} \mid H_{train}, A ). } $$ 這表示： > 多切一個 cluster / domain 不是免費。 如果 predictive-only learner 一直切細，就必須付 atlas description cost。 --- # 28. Normal Runtime 的 MDL 收斂 normal label-blind corpus 中： predictive-only selector： $$ K_{pred} = 31. $$ MDL selector： $$ \boxed{ K_{MDL} = 20. } $$ predictive test bits： $$ 4.3402. $$ MDL test bits： $$ 4.3583. $$ 只犧牲： $$ 0.0181 $$ bits/transition。 但 full description length 改善： $$ \boxed{ 139.5 \text{ bits}. } $$ 因此： $$ \boxed{ \text{slightly worse local fit} + \text{better total compression} } $$ 可以是更好的 atlas。 --- # 29. OOD 的 Single-Domain MDL Optimum Phase 0.7 的 OOD 結果極端。 predictive selector 在不同 splits 會選約： $$ 14-18 $$ clusters。 但 MDL： $$ \boxed{ K_{MDL,OOD} = 1 } $$ 在： $$ 5/5 $$ splits 成立。 這不是： $$ \boxed{ \text{OOD cognition has one true domain}. } $$ 它只表示： > 在目前 coder / corpus 下，更細的 stress partition 沒有把額外 atlas complexity 賺回來。 因此： $$ \boxed{ MDLOptimum \neq OntologyTruth. } $$ --- # 30. Atlas Switch Gate 假設 runtime 已經有： $$ \mathcal A_{old}. $$ stress evidence 提出： $$ \mathcal A_{new}. $$ 若不付 switching cost，任何 local improvement 都會鼓勵頻繁 rechart。 所以本文提出： $$ \boxed{ NetSwitchGain = Gain_{heldout} - Cost_{chart} - Cost_{migration} - Cost_{instability}. } $$ 只有： $$ \boxed{ NetSwitchGain>0 } $$ 才有 atlas switch pressure。 --- # 31. Chart Description Cost $$ Cost_{chart} $$ 至少包含： - number of domains； - membership assignment； - overlap structure； - boundary definitions； - bridge registry； - domain metadata； - new routing rules。 因此更複雜 atlas 的成本不能只看 cluster count。 --- # 32. Migration Cost atlas switch 也會影響： - cached routing； - operator/domain lookup； - explanation labels； - dashboards； - memory indexes； - monitoring policy； - prior domain-conditioned statistics。 所以： $$ Cost_{migration} $$ 可以很高。 這對 AI-native runtime 特別重要。 --- # 33. Instability Cost 如果 atlas 太敏感： $$ \mathcal A_t \rightarrow \mathcal A_{t+1} \rightarrow \mathcal A_{t+2} $$ 不斷切換，系統會產生： - label thrashing； - route thrashing； - memory invalidation； - interpretability loss； - policy oscillation。 所以： $$ Cost_{instability} $$ 必須顯式存在。 --- # 34. Phase 0.7 的 Switch 結果 Phase 0.7 把 chart-switch cost 算入後，五種 stress regime 的 online switch gain 全部為負。 這支持： $$ \boxed{ \text{existing normal atlas} + \text{adapted flow} } $$ 比： $$ \boxed{ \text{rebuild stress atlas} } $$ 更值得。 這就是 Quasi-Stable Atlas 的 complexity-accounted evidence。 --- # 35. Structural Phase Transition 的更嚴格定義 CODT 不禁止真正 structural phase transition。 但要求更強 evidence。 一個 **Atlas Structural Transition Candidate** 至少需要： ## T1. Persistent Assignment Shift 不是一次 bootstrap fluctuation。 ## T2. Flow-Controlled Gain 在控制 transition parameter adaptation 後，新 atlas仍有正 gain。 ## T3. Complexity-Adjusted Gain 新 atlas 能支付 description / migration cost。 ## T4. Boundary Reorganization failure / bridge / legality boundary 也有一致改變。 ## T5. Multi-Window Persistence 新 geometry 在後續 windows 保持。 因此： $$ \boxed{ LargeARIChange \not\Rightarrow StructuralTransition. } $$ --- # 36. Regime Shift 的四種類型 本文將 regime shift 分成至少四類。 ## 36.1 Parameter Shift 同一 structure： $$ \mathcal A $$ 下： $$ P_t \rightarrow P_{t+1}. $$ ## 36.2 State-Distribution Shift $$ S_t $$ 的 distribution 改變，但 atlas 未必改。 ## 36.3 Policy / Routing Shift meta-control policy 改變 transition flow。 ## 36.4 Structural Shift 需要真正： $$ \mathcal A_t \rightarrow \mathcal A_{t+1}. $$ CODT 要求先排除前三者，再宣告第四種。 --- # 37. Flow Freeze Test 為了判斷 atlas 是否真的需要改，可以做： $$ \boxed{ \text{freeze atlas, adapt flow}. } $$ 如果 prediction / compression 已恢復： $$ \boxed{ AtlasChangeNotRequired. } $$ Phase 0.6 OOD case 就接近這類結果。 --- # 38. Atlas Freeze / Flow Freeze 的對稱 Ablation 也可以反過來： $$ \boxed{ \text{freeze flow, change atlas}. } $$ 若沒有 gain，表示 chart assignment shift 沒有獨立功能。 因此兩種 freeze experiment 應成為 atlas revision 的最低 falsification tool。 --- # 39. Shared-Bottom-Aware Flow Normalization 因 SBCR operators 具有高跨域 reuse，atlas learner 可以考慮一個 derived weighting： $$ w_{ij}^{eff} = w_{ij} \cdot g( SB_i, SB_j, Role_{ij} ). $$ 其中： $$ g $$ 不是固定函數。 可以： - 降低 infrastructure hub traffic； - 分層計入 SB traffic； - separate-layer modeling； - edge-role normalization。 本文不固定最佳 normalization。 只固定原則： $$ \boxed{ RawTraffic \neq DomainEvidence. } $$ --- # 40. Flow Tensor Candidate 如果只用單一 transition matrix： $$ P_{ij}, $$ 容易把不同 edge semantics 混在一起。 因此可定義： $$ \boxed{ \mathcal F_{ijr}(t) } $$ 其中： $$ r \in \{ D, B, SB, M, W \}. $$ 這使同一 pair： $$ (U_i,U_j) $$ 可以因不同 role 具有不同 flow channel。 這是一個 typed-flow tensor candidate。 --- # 41. Atlas 可以是 Layered，而不是單張 Partition 若 flow 本來多層，atlas 也可以： $$ \boxed{ \mathcal A_t = ( \mathcal A_t^{Domain}, \mathcal A_t^{SB}, \mathcal A_t^{Meta}, \mathcal A_t^{WorldInterface} ). } $$ 這不是四張互斥 partition。 而是四種不同 control views。 Derived views 不得回寫 canonical operator identity。 --- # 42. Atlas 是 Control View，不是 Canonical State CODT 延續 HSO / CDD 的一條重要 discipline： $$ \boxed{ DerivedAtlas \text{ cannot rewrite } CanonicalHistory. } $$ 如果今天 atlas 把： $$ U_i $$ 從 Domain A 移到 Domain B， 昨天的 trace 不能被改成： > 它昨天本來就在 B。 只能記： $$ AtlasVersion_t. $$ 所以： $$ \boxed{ Rechart \neq HistoryRewrite. } $$ --- # 43. Atlas 與 Human Label human label： $$ Search, Memory, Planning $$ 可以隨 atlas version 保留。 但 label 只是 presentation layer。 若 learned chart split： $$ Memory \rightarrow Persistence + RetrievalSearch, $$ human interface 可以仍顯示： > Memory family has two operational regions. 不必強迫 runtime 回到單一 `MemoryDomain`。 --- # 44. Human Taxonomy 的正確角色 Phase 0.5 / 0.6 結果顯示： human family partition 並不是 random。 在 normal synthetic corpus 中，human taxonomy 對 transition structure 有顯著資訊。 同時 learned chart 可以有更低 code length。 因此： $$ \boxed{ HumanTaxonomy = InformativePrior, } $$ 但： $$ \boxed{ HumanTaxonomy \neq CanonicalAtlas. } $$ 這是 CODT 對古典認知分類的正式位置。 --- # 45. Atlas 不是 Embedding Cluster 即使未來使用 embedding： $$ z_i = Embed(\Omega_i), $$ 再做 clustering，也只能得到： $$ \boxed{ SemanticCluster. } $$ 它不是 domain。 因為 domain 還需要： - legal composition； - flow； - failure； - license； - boundary； - history； - complexity； - predictive evidence。 因此： $$ \boxed{ SemanticSimilarity \neq OperationalDomain. } $$ --- # 46. Atlas 不是 Graph Cluster 同理： $$ CommunityDetection(G) $$ 只是 candidate chart generator。 不同 graph projection： $$ G^{transition}, G^{type}, G^{failure}, G^{license}, G^{world} $$ 可以得到不同 partitions。 因此： $$ \boxed{ \text{one graph} \neq \text{the cognition}. } $$ --- # 47. Flow-Based Evidence 與 Structural Evidence 應分帳 本文建議 domain evidence ledger 分成： $$ \boxed{ E_\alpha = ( E_\alpha^{flow}, E_\alpha^{structure}, E_\alpha^{boundary}, E_\alpha^{complexity}, E_\alpha^{stability} ). } $$ 這避免： > flow evidence 很強 被偷換成： > structural ontology 已證明。 --- # 48. Flow Confidence 與 Atlas Confidence 可以分別維護： $$ Conf(P_t) $$ 與： $$ Conf(\mathcal A_t). $$ 新 regime 剛出現時： $$ Conf(P_t) $$ 可能快速下降。 但： $$ Conf(\mathcal A_t) $$ 不必同步歸零。 反過來，長期 structural evidence 改變時，atlas confidence 才逐步下降。 --- # 49. Flow Adaptation 不應自動改 Domain Label 一個 practical rule： 若： $$ P_t \rightarrow P_{t+1} $$ 但： $$ NetSwitchGain \leq0, $$ 則： $$ \boxed{ UpdateFlow, KeepAtlas. } $$ 這是 AI runtime 可直接採用的控制策略。 --- # 50. Atlas Adaptation 也不應自動重訓全部 Flow 若 atlas 只是改 chart view，而 canonical operator transitions 未變，則： $$ \boxed{ Rechart \not\Rightarrow ResetAllFlowModels. } $$ 可以只更新： - aggregate statistics； - routing cache； - domain-conditioned predictors。 這避免不必要重訓。 --- # 51. Flow-Atlas Hysteresis 若 atlas switch 有成本，合理系統會出現 hysteresis。 即： $$ Threshold_{A\rightarrow B} \neq Threshold_{B\rightarrow A}. $$ 這不是 bug。 它可以防止 chart thrashing。 因此： $$ \boxed{ AtlasHysteresis = \text{possible stability mechanism}. } $$ --- # 52. Recovery 也需要測 若： $$ normal \rightarrow stress \rightarrow normal, $$ 系統應檢查： - flow 是否恢復； - atlas 是否需要回切； - prior atlas 是否仍有效； - 是否留下 path dependence。 這可以定義： $$ H_A = d( \mathcal A_{return}, \mathcal A_{pre} ). $$ 若 atlas 從未切換： $$ H_A=0 $$ 不代表 cognition 沒受 stress。 flow 仍可能發生巨大 hysteresis。 --- # 53. Adaptation Lag 定義： $$ \tau_{adapt}^P $$ 為 flow recovery lag。 定義： $$ \tau_{adapt}^{A} $$ 為 atlas switch / recovery lag。 若： $$ \tau_{adapt}^{P} < \tau_{adapt}^{A}, $$ 則支持 timescale separation。 這應在 real runtime 中進一步測。 --- # 54. Atlas Trigger 不應只看 ARI 可能 trigger： $$ Trigger_A = f( PredictiveResidual, CompressionResidual, BoundaryShift, FailureShift, StabilityLoss, NetSwitchGain ). $$ 而不是： $$ Trigger_A = ARI<\epsilon. $$ ARI 只比較 assignments。 不回答： > 新 chart 是否有用？ --- # 55. Atlas 也不應只看 Modularity Phase 0.5 / 0.6 stress chart modularity 很低，仍可能在當時 predictive objective 上有 gain。 這說明： $$ \boxed{ DomainLikeness \neq CommunityDensity. } $$ domain 可以是 predictive quotient / control chart，而不一定是密集 graph island。 --- # 56. Quasi-Stable Atlas 的正確理解 「準穩定」有三個層次。 ## 56.1 Assignment Stability membership 不頻繁改。 ## 56.2 Functional Stability predictive / compressive role 保留。 ## 56.3 Interface Stability boundary / bridge contract 保留。 真正重要的是後兩種。 所以即使 assignment 有小變動，只要 function / interface 穩定，domain identity 可以延續。 --- # 57. Domain Identity 的動態條件 可提出： $$ SameDomain( \mathfrak D_t, \mathfrak D_{t+1} ) $$ 若： $$ FunctionalSimilarity + BoundarySimilarity + InterfaceContinuity $$ 高於 threshold。 因此： $$ \boxed{ SameDomain \not\Rightarrow SameMembershipSet. } $$ 這使 versioned domain identity 有正式空間。 --- # 58. Flow Shock 不等於 Domain Death 若 stress 下： $$ P_t $$ 劇烈變化， 但 atlas 仍有： - boundary continuity； - compression value； - interface continuity； 則： $$ \boxed{ FlowShock \neq DomainDeath. } $$ 這是 CODT-05 對 dynamic cognition 最重要的概念修正之一。 --- # 59. Atlas Shift 不等於 Ontology Shift 同樣： $$ \mathcal A_t \rightarrow \mathcal A_{t+1} $$ 也只代表 derived chart 改變。 它不直接推出： $$ \boxed{ UltimateCognitiveOntology \text{ changed}. } $$ CODT 的 atlas 是 operational ontology candidate。 不是 ultimate ontology。 --- # 60. AI-Native Runtime 的實作含義 Flow-Atlas Separation 對 AI architecture 的直接含義是： 不要每次 behavior drift 就重建 ontology。 更合理 pipeline： $$ ObserveDrift \rightarrow UpdateFlowModel \rightarrow EvaluateResidual \rightarrow EstimateAtlasGain \rightarrow ApplySwitchGate. $$ 只有必要時才 rechart。 這比： $$ Drift \rightarrow ReclusterEverything $$ 更穩定。 --- # 61. Runtime State 本文建議 dynamic cognitive runtime 至少保存： $$ \boxed{ RuntimeState_t = ( OperatorState_t, FlowModel_t, AtlasVersion_t, SBCRState_t, BoundaryState_t, History_t ). } $$ 這使 flow、atlas、shared-bottom 與 World boundary 各自版本化。 --- # 62. Flow Model Registry 每個 flow model 應記： - training window； - regime； - feature set； - history length； - code length； - calibration； - uncertainty； - atlas version； - SB weighting policy。 否則 flow drift 無法重放。 --- # 63. Atlas Registry atlas 應記： - chart version； - domain IDs； - membership； - overlap； - bridge； - boundary； - description cost； - evidence； - switch history； - previous atlas link。 這使： $$ \boxed{ AtlasEvolution } $$ 可審計。 --- # 64. Atlas Switch Certificate 正式 switch 應產生： $$ \boxed{ AtlasSwitchCertificate } $$ 至少記： - old atlas； - new atlas； - evidence window； - flow-controlled gain； - chart cost； - migration cost； - stability evidence； - unresolved conflicts； - rollback target。 這延續 CODT certificate-carrying computation。 --- # 65. Atlas Rollback 如果新 atlas 部署後： - predictive loss 上升； - routing error 上升； - interpretability 崩解； - instability 增加； 則可以： $$ \boxed{ Rollback( \mathcal A_{new} \rightarrow \mathcal A_{old} ). } $$ Domain theory 必須能 rollback。 不能只向前增加 complexity。 --- # 66. Flow / Atlas 的認識論地位不同 Flow model 是： $$ \boxed{ \text{runtime predictive model}. } $$ Atlas 是： $$ \boxed{ \text{derived structural/control model}. } $$ 它們的 evidence license 不同。 因此： $$ \boxed{ FlowConfidence \neq DomainConfidence. } $$ --- # 67. 外部 Dynamic Community Research 的正確位置 本文引用： - Rosvall-Bergstrom flow compression； - Delvenne-Yaliraki-Barahona Markov stability； - Mucha 等 temporal / multislice communities； - Peixoto complexity-aware block model selection； 作四種外部方法學參照。 它們共同提醒： 1. flow 可以揭露 structure； 2. structure 可以依 time scale 而變； 3. temporal slice 之間可以耦合； 4. model complexity 必須被懲罰。 CODT 額外加入： - typed operator semantics； - legality； - shared-bottom infrastructure； - epistemic license； - failure； - history； - World boundary。 因此： $$ \boxed{ FlowAtlasCODT \neq DynamicCommunityDetection. } $$ --- # 68. CODT-05 憲法增補 ## CODT-C34：Flow-Atlas Separation $$ \boxed{ TransitionFlow \neq DomainAtlas. } $$ ## CODT-C35：Time-Scale Separation Candidate $$ \boxed{ \tau_P < \tau_{\mathcal A} } $$ 作為可反證候選，不是 universal law。 ## CODT-C36：Assignment-Function Separation $$ \boxed{ AssignmentShift \not\Rightarrow FunctionalDomainShift. } $$ ## CODT-C37：Flow-Controlled Repartition atlas repartition claim 必須先控制 flow parameter adaptation。 ## CODT-C38：Complexity-Aware Switch $$ \boxed{ NetSwitchGain>0 } $$ 才形成 strong atlas-switch evidence。 ## CODT-C39：Infrastructure Traffic Separation $$ \boxed{ SharedBottomFlow \neq DomainInternalFlow. } $$ ## CODT-C40：Atlas Non-Rewriting $$ \boxed{ Rechart \neq HistoryRewrite. } $$ ## CODT-C41：Structural Transition Gate ARI / modularity / assignment difference 單獨不足以宣告 structural phase transition。 ## CODT-C42：Quasi-Stable Domain Identity $$ \boxed{ SameDomain \not\Rightarrow SameMemberSet. } $$ --- # 69. 本文的理論地位 本文沒有證明： $$ \tau_P < \tau_{\mathcal A} $$ 是所有 cognition 的普遍定律。 也沒有證明 MDL 是唯一正確 atlas learner。 本文真正建立的是： $$ \boxed{ \text{Flow and Atlas must be separately modeled and separately falsified.} } $$ 這是一條 theory-design constraint。 --- # 70. 與下一篇的接口 CODT-05 把 Flow 與 Atlas 拆開了。 但仍有一個問題： > Flow 本身需要多少 history？ 如果下一個 operator 取決於： $$ U_{t-k:t}, $$ 而不是只取決於： $$ U_t, $$ 那麼我們目前看到的一部分 atlas structure，會不會其實只是 higher-order history 被一階 flow 錯投影出來？ 下一篇因此處理： $$ \boxed{ History \neq Flow \neq Atlas. } $$ 也就是 **History-Flow-Atlas Separation**。 --- # 結論 認知域既不是固定 taxonomy，也不是每一個時間 window 都重新 clustering 的漂浮集合。 CODT-05 的核心是： $$ \boxed{ \text{Quasi-Stable Atlas over Adaptive Operator Flow}. } $$ Flow 回答： > cognition 現在怎麼走？ Atlas 回答： > 哪些 operational regions 在累積 evidence 下值得被保留成較慢的結構？ Shared-bottom 又回答： > 哪些交通本來就是跨域基礎設施？ 因此： $$ \boxed{ \text{Flow} \neq \text{Atlas} \neq \text{SharedInfrastructure}. } $$ 這三者若被混在一起，我們會把： - traffic shock 誤認成 domain death； - shared infrastructure hub 誤認成 domain core； - clustering instability 誤認成 cognitive phase transition； - predictive overfit 誤認成新的 ontology。 Phase 0.6 的 OOD 反證最清楚地顯示： $$ ARI = 0.0411 $$ 可以和： $$ \Delta_A<0 $$ 同時成立。 也就是： $$ \boxed{ \text{chart looks different} \not\Rightarrow \text{new chart is useful}. } $$ Phase 0.7 再進一步顯示： > 即使 stress-specific chart 局部 prediction 更好，只要它無法支付 chart description / switching cost，就不值得 deployment。 所以 CODT 對 dynamic cognition 的第一個成熟版本不是： $$ \text{domains are always moving}. $$ 而是： $$ \boxed{ \text{flows move quickly; atlases move only when structural evidence earns the move}. } $$ 這就是 Flow-Atlas Separation。 --- # 參考文獻與外部研究種子 ## A. Flow / Community Dynamics 1. Rosvall, M., & Bergstrom, C. T. (2008). "Maps of random walks on complex networks reveal community structure." *Proceedings of the National Academy of Sciences*, 105(4), 1118-1123. DOI: 10.1073/pnas.0706851105. 2. Delvenne, J.-C., Yaliraki, S. N., & Barahona, M. (2010). "Stability of graph communities across time scales." *Proceedings of the National Academy of Sciences*, 107(29), 12755-12760. DOI: 10.1073/pnas.0903215107. 3. Mucha, P. J., Richardson, T., Macon, K., Porter, M. A., & Onnela, J.-P. (2010). "Community Structure in Time-Dependent, Multiscale, and Multiplex Networks." *Science*, 328(5980), 876-878. DOI: 10.1126/science.1184819. 4. Peixoto, T. P. (2014). "Hierarchical Block Structures and High-Resolution Model Selection in Large Networks." *Physical Review X*, 4, 011047. DOI: 10.1103/PhysRevX.4.011047. **邊界聲明：** 上述工作只作 flow-based structure、multiscale partition、temporal coupling 與 complexity-aware model selection 的外部方法學參照。CODT 的 Flow-Atlas Separation、typed operator traffic、shared-bottom flow、epistemic license、World boundary 與 atlas-switch contract 不宣稱來自上述文獻。 ## B. 內部理論來源 1. CODT-01〈從認知方法到認知算子：認知解構學的域化轉向〉。 2. CODT-02〈認知算子代數與相對原子性〉。 3. CODT-03〈認知域的生成：域不是分類名稱，而是算子閉包與操作生態〉。 4. CODT-04〈共享底層認知域：Shared-Bottom Cognitive Runtime〉。 5. CDD Phase 0 v0.5：Regime-Dependent Domain Geometry Candidate。 6. CDD Phase 0 v0.6：Label-Free Adversary、Flow-Atlas Ablation、Online Atlas。 7. CDD Phase 0 v0.7：MDL / Complexity-Regularized Atlas。 8. HSO v0.8 / Ecological Geometry Atlas。 9. GCORF / General Cognitive Operator Reverse Engineering Framework。 10. MWT / Mathematical World Theory。 --- # 版本記錄 ## v1.0 - 正式建立 Flow-Atlas Separation。 - 定義 adaptive transition flow $P_t$ 與 derived atlas $\mathcal A_t$。 - 固定 $\tau_P<\tau_{\mathcal A}$ 為可反證 timescale candidate。 - 納入 Phase 0.6 OOD ablation：ARI collapse 不推出 useful repartition。 - 建立 parameter gain / partition gain 分帳。 - 引入 domain-internal、bridge、shared-bottom、meta-control、world-boundary 五種 typed flow roles。 - 建立 shared-bottom-aware flow analysis。 - 引入 MDL atlas description cost、migration cost、instability cost。 - 建立 Atlas Switch Gate、Switch Certificate 與 rollback。 - 將 dynamic-domain 強版本修正為 Quasi-Stable Atlas over Adaptive Operator Flow。 - 為 CODT-06 History-Flow-Atlas Separation 建立 dynamic foundation。