# 從螺旋到折疊圖：分支、合併、壓縮與再展開的認知動力學

## From Spiral to Fold Graph: Cognitive Dynamics of Branching, Merging, Compression, and Re-Expansion

**系列**：遞歸折疊認識論：從 PDF 成功—排除雙法到多模型可修正認知，第 5 篇／共 8 篇＋1 篇總結  
**系列英文名**：Recursive Fold Epistemology: From the PDF Success–Falsification Duality to Corrigible Multi-Model Cognition  
**文件編號**：EML-RFE-2026-05-v0.1  
**作者**：Neo.K with Aletheia（GPT-5.6 Sol）  
**機構**：EveMissLab／一言諾科技有限公司  
**版本**：v0.1  
**日期**：2026-09-02  
**性質**：認識論／Cognitive Dynamics／Graph Epistemology／Branching Cognition／Knowledge Compression  
**狀態**：Public Theory Draft  
**直接前置**：EML-RFE-2026-01 至 04；PDF 成功法；PDF 排除法；認知呼吸理論；認知解構學

---

## 生成、認識論與範圍聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文所提出的「折疊圖」首先是一個認知建模框架，而不是聲稱人腦、科學共同體或大型語言模型在物理上必然依照本文圖結構運作。其目的在於提供一個比「線性進步」或「單一螺旋」更能表達真實研究活動的外部形式語言。

本文延續前四篇：

$$
\boxed{
\text{Corrigibility}
}
$$

$$
\boxed{
\text{Construction}
+
\text{Discrimination}
+
\text{Revision}
}
$$

$$
\boxed{
\Theta_{t+1}
\not\subseteq
\Theta_t
}
$$

以及：

$$
\boxed{
F_t
\rightarrow
\operatorname{Fold}
\rightarrow
K_{t+1}^{\mathrm{meta}}.
}
$$

本篇進一步問：

> 當認知可以同時擁有多條模型支線，而且失敗、成功、壓縮與重構都會彼此交叉時，整個認知過程應如何表示？

本文答案是：

$$
\boxed{
\text{Spiral}
\rightarrow
\text{Recursive Fold Graph}.
}
$$

---

# 摘要

傳統知識進步常被畫成：

$$
T_0
\rightarrow
T_1
\rightarrow
T_2
\rightarrow
\cdots
$$

認知呼吸理論則進一步強調：

$$
\boxed{
\text{Expand}
\rightarrow
\text{Integrate}
\rightarrow
\text{Compress}.
}
$$

這比線性累積更接近實際理解：同一問題會反覆被重新展開、整合並壓縮。

然而，當研究進入多模型、跨尺度、跨本體與 AI 協作環境後，單一螺旋仍然不足。

因為實際研究往往是：

$$
T_0
\rightarrow
\begin{cases}
T_{1a}\\
T_{1b}\\
T_{1c}
\end{cases}
\rightarrow
\begin{cases}
T_{2\alpha}\\
T_{2\beta}
\end{cases}
\rightarrow
T_3'
$$

其中某些支線會：

- 繼續發展；
- 暫時休眠；
- 被排除；
- 與其他支線合併；
- 被壓縮成不變量；
- 在未來新證據出現時重新展開。

本文因此提出：

$$
\boxed{
\mathcal G_E(t)
=
(
V_t,
E_t,
W_t,
P_t
)
}
$$

作為「認知折疊圖（Epistemic Fold Graph）」。

其中：

- $V_t$：認知節點，包括理論、證據、問題、約束、失敗與壓縮表示；
- $E_t$：節點間關係；
- $W_t$：可信度、資源或激活權重；
- $P_t$：provenance 與版本歷史。

本文定義六個主要動力算子：

$$
\boxed{
\mathfrak O
=
\{
B,E,C,F,M,R
\}.
}
$$

其中：

- $B$：Branch，分支；
- $E$：Explore，探索；
- $C$：Compare，比較；
- $F$：Fold，折疊失敗與邊界；
- $M$：Merge，合併相容結構；
- $R$：Re-expand，再展開。

完整循環：

$$
\boxed{
\text{Branch}
\rightarrow
\text{Explore}
\rightarrow
\text{Compare}
\rightarrow
\text{Fold}
\rightarrow
\text{Merge}
\rightarrow
\text{Compress}
\rightarrow
\text{Re-expand}.
}
$$

本文進一步提出「分支預算」：

$$
\boxed{
B_{\mathrm{budget}}
}
$$

以避免：

$$
|\Theta_t|
\rightarrow
\infty
$$

造成認知爆炸。

並提出「支線存活分數」：

$$
\boxed{
S_b
=
f(
E_b,
D_b,
N_b,
C_b,
R_b
).
}
$$

其中可包含：

- evidence fit；
- distinctiveness；
- novelty；
- explanatory compression；
- reusability。

支線不必立即二值淘汰，而可以：

$$
\boxed{
\text{Active},
\text{Dormant},
\text{Archived},
\text{Rejected}
}
$$

四態管理。

本文也正式區分：

$$
\boxed{
\text{Merge}
\neq
\text{Average}.
}
$$

只有當兩條支線共享可兼容不變量、作用域或生成機制時，才應合併。

本文最終提出：

$$
\boxed{
\text{Cognitive Progress}
=
\text{Dynamic Reconfiguration of an Epistemic Graph},
}
$$

而不是：

$$
\boxed{
\text{Monotonic Movement Along a Single Line}.
}
$$

最終命題：

$$
\boxed{
\text{Mature cognition is not a path toward one answer; it is the controlled evolution of a graph of possibilities}.
}
$$

中文：

> **成熟的認知，不是一條直線走向唯一答案；而是一張可能性圖，在分支、比較、失敗折疊、合併與重新展開中持續重構。**

**關鍵詞**：認知折疊圖、分支認知、模型合併、知識壓縮、再展開、認知呼吸、圖式認識論、多模型推理、分支預算

---

# 0. 為什麼螺旋還不夠？

線性模型：

$$
T_0
\rightarrow
T_1
\rightarrow
T_2.
$$

無法表示：

- 平行假設；
- 回到舊模型；
- 多支線合併；
- 失敗保留；
- 不同尺度共存。

---

# 1. 螺旋比線性更好

認知呼吸已經指出：

$$
\boxed{
\text{Expand}
\rightarrow
\text{Integrate}
\rightarrow
\text{Compress}.
}
$$

每次回到同一主題時，

理解狀態可以不同。

---

# 2. 但單一螺旋仍假設一條主軌跡

即使：

$$
C_0
\rightarrow
C_1
\rightarrow
C_2
$$

不是直線，

它仍然是一條序列。

---

# 3. 前沿研究常不是一條序列

更接近：

$$
\boxed{
C_0
\rightarrow
\{C_{1a},C_{1b},C_{1c}\}.
}
$$

多個模型可以同時保留。

---

# 4. 因此認知需要圖模型

本文提出：

$$
\boxed{
\mathcal G_E(t)
=
(
V_t,E_t,W_t,P_t
).
}
$$

稱為：

$$
\boxed{
\text{Epistemic Fold Graph}.
}
$$

---

# 5. 節點 $V_t$

節點可以是：

- Theory；
- Hypothesis；
- Evidence；
- Question；
- Constraint；
- Failure；
- Boundary；
- Invariant；
- Ontology；
- Method。

因此：

$$
\boxed{
V_t
\neq
\text{Theory Nodes Only}.
}
$$

---

# 6. 邊 $E_t$

兩個節點間可存在：

$$
\boxed{
E_{ij}
\in
\{
supports,
contradicts,
refines,
depends,
contains,
derives,
fails\_under,
merges\_with
\}.
}
$$

---

# 7. 權重 $W_t$

節點和邊可有：

- confidence；
- information value；
- resource priority；
- activation；
- reliability。

所以：

$$
\boxed{
W_t
=
\text{dynamic epistemic weight}.
}
$$

---

# 8. Provenance $P_t$

每個節點必須能回溯：

- 誰生成；
- 由何證據；
- 哪個版本；
- 哪次 Fold；
- 哪些模型合併而來。

因此：

$$
\boxed{
P_t
=
\text{epistemic lineage}.
}
$$

---

# 9. Graph State

完整認知狀態：

$$
\boxed{
\mathcal E_t
=
(
\mathcal G_E(t),
D_t,
U_t
).
}
$$

也就是：

- 認知圖；
- 證據帳本；
- 更新器。

---

# 10. 第一個算子：Branch

定義：

$$
\boxed{
B:
v_i
\rightarrow
\{v_{i1},v_{i2},\ldots,v_{ik}\}.
}
$$

Branch 代表：

> 從一個問題或模型產生多條候選支線。

---

# 11. Branch 的來源

支線可能來自：

- 反例；
- 替代因果；
- 新尺度；
- 新變量；
- 新 ontology；
- AI 生成；
- 跨學科類比。

---

# 12. Branch 不是錯誤

如果：

$$
|\Theta_t|>1,
$$

不代表研究者「不知道自己在幹嘛」。

它可能只是：

$$
\boxed{
\text{uncertainty represented honestly}.
}
$$

---

# 13. 過早單線化

如果一開始就：

$$
\Theta_t
\rightarrow
\{T_1\},
$$

可能造成：

$$
\boxed{
\text{Premature Convergence}.
}
$$

---

# 14. 多支線保存

本文提出：

$$
\boxed{
\text{Parallel Hypothesis Preservation}.
}
$$

也就是在證據不足時，不強迫所有可能性立即坍縮成單一工作模型。

---

# 15. 但無限分支也會失控

若：

$$
|\Theta_t|
\rightarrow
\infty,
$$

會造成：

$$
\boxed{
\text{Epistemic Branch Explosion}.
}
$$

---

# 16. 分支預算

本文提出：

$$
\boxed{
B_{\mathrm{budget}}(t).
}
$$

表示在特定資源條件下，可維持的有效支線數量。

---

# 17. 分支預算不是固定數字

它依賴：

$$
\boxed{
B_{\mathrm{budget}}
=
f(
Compute,
Time,
HumanAttention,
AIResources,
Risk
).
}
$$

---

# 18. 支線必須競爭資源

因此：

$$
\boxed{
\sum_bR_b
\le
R_{\mathrm{total}}.
}
$$

不是所有有趣模型都值得同時投入相同資源。

---

# 19. 支線存活分數

本文提出：

$$
\boxed{
S_b
=
f(
E_b,
D_b,
N_b,
C_b,
R_b
).
}
$$

---

# 20. $E_b$：Evidence Fit

支線與現有證據的相容程度。

---

# 21. $D_b$：Distinctiveness

它是否真正提供不同解釋，

還是只是換名字。

---

# 22. $N_b$：Novelty

支線是否打開新的模型區域。

---

# 23. $C_b$：Compression

支線能否用更簡潔結構解釋更多資料。

---

# 24. $R_b$：Reusability

支線產生的概念是否能遷移到其他問題。

---

# 25. 支線不是只有生與死

本文提出四態：

$$
\boxed{
State(b)
\in
\{
Active,
Dormant,
Archived,
Rejected
\}.
}
$$

---

# 26. Active

目前投入資源驗證。

---

# 27. Dormant

暫時沒有足夠證據，

但仍有未解潛力。

---

# 28. Archived

已不再主動探索，

但保留歷史與可能再利用性。

---

# 29. Rejected

有足夠證據支持：

> 在明確範圍內不應再作為工作模型。

---

# 30. Dormant 很重要

因為：

$$
\boxed{
\text{Low Current Priority}
\neq
\text{Permanent Falsehood}.
}
$$

某些支線可能只是：

> 現在沒有工具驗證。

---

# 31. 第二個算子：Explore

$$
\boxed{
E:
b_i
\rightarrow
\{
e_{i1},e_{i2},\ldots
\}.
}
$$

Explore 是為支線生成：

- 預測；
- 實驗；
- 資料；
- 模擬；
- 外部搜尋。

---

# 32. 探索不是平均撒資源

資源應依：

$$
S_b
$$

與：

$$
\text{Expected Information Gain}.
$$

動態分配。

---

# 33. Exploration Value

概念上：

$$
\boxed{
V_E(b)
=
\mathbb E[
\Delta\mathcal E
]
-
Cost
-
Risk.
}
$$

---

# 34. 高風險支線需要更高門檻

如果探索會造成不可逆世界作用，

則：

$$
\boxed{
Risk\uparrow
\Rightarrow
RequiredEvidence\uparrow.
}
$$

---

# 35. 第三個算子：Compare

$$
\boxed{
C:
\{b_1,\ldots,b_n\}
\rightarrow
\mathcal R_C.
}
$$

其中：

$$
\mathcal R_C
$$

是支線間比較結構。

---

# 36. Compare 不只比較 likelihood

還可以比較：

- explanatory scope；
- complexity；
- robustness；
- transferability；
- falsifiability；
- boundary clarity。

---

# 37. 多目標比較

因此：

$$
\boxed{
Score(b)
=
\mathbf s_b
}
$$

可以是向量，

而不是強迫壓成單一標量。

---

# 38. Pareto Front

多個模型可能形成：

$$
\boxed{
\text{Epistemic Pareto Front}.
}
$$

例如：

- 一個模型預測強；
- 一個模型解釋簡；
- 一個模型跨域性強。

---

# 39. 不必過早選唯一冠軍

如果多模型位於 Pareto frontier，

可以繼續共存。

---

# 40. 第四個算子：Fold

Paper 04 已建立：

$$
\boxed{
F:
F_t
\rightarrow
K_{t+1}^{\mathrm{meta}}.
}
$$

在圖模型中，

Fold 會：

- 生成約束節點；
- 生成失敗模式節點；
- 修改邊；
- 降低支線權重；
- 觸發新分支。

---

# 41. Fold 是圖重寫

因此：

$$
\boxed{
\operatorname{Fold}
:
\mathcal G_E(t)
\rightarrow
\mathcal G_E'(t).
}
$$

它不是只新增一段文字。

---

# 42. Failure Node 可以轉成 Constraint Node

$$
\boxed{
v_F
\rightarrow
v_C.
}
$$

這就是失敗折回未來搜尋空間。

---

# 43. 一個失敗可以同時影響多條支線

如果：

$$
f
$$

是共享反例，

它可能連接：

$$
b_1,b_2,b_3.
$$

因此圖模型比單線更自然。

---

# 44. 第五個算子：Merge

本文正式定義：

$$
\boxed{
M:
\{b_i,b_j\}
\rightarrow
b_{ij}.
}
$$

但：

$$
\boxed{
\text{Merge}
\neq
\text{Average}.
}
$$

---

# 45. 不能把矛盾模型硬平均

若：

$$
b_i
\models
A
$$

而：

$$
b_j
\models
\neg A,
$$

直接平均不會得到更好的模型。

---

# 46. 合併需要 Compatibility Test

定義：

$$
\boxed{
\kappa(b_i,b_j)
=
\text{compatibility}.
}
$$

若：

$$
\kappa
<
\theta_M,
$$

不應強行合併。

---

# 47. 合併的第一種：Scope Merge

若：

$$
b_i
$$

適用：

$$
\mathcal D_1,
$$

而：

$$
b_j
$$

適用：

$$
\mathcal D_2,
$$

則：

$$
\boxed{
b_{ij}
=
b_i\oplus b_j
}
$$

可以成為分域模型。

---

# 48. 合併第二種：Invariant Merge

若兩支線共享：

$$
I(b_i)=I(b_j)=I^*,
$$

則可以把：

$$
I^*
$$

提取成高階節點。

---

# 49. 合併第三種：Mechanism Merge

兩支線可能描述同一機制的不同尺度。

此時可建立：

$$
\boxed{
\text{multi-scale model}.
}
$$

---

# 50. 合併第四種：Representation Merge

不同表示可能彼此可轉換：

$$
b_i
\leftrightarrow
b_j.
$$

此時真正統一的是：

$$
\boxed{
\text{equivalence class}.
}
$$

---

# 51. 合併不是終結多樣性

即使產生：

$$
b_{ij},
$$

原支線仍可保留 provenance。

所以：

$$
\boxed{
\text{Merge}
\neq
\text{Erase Lineage}.
}
$$

---

# 52. 第六個算子：Compress

本文定義：

$$
\boxed{
K:
\mathcal G_E
\rightarrow
\tilde{\mathcal G}_E.
}
$$

其中：

$$
|\tilde{\mathcal G}_E|
<
|\mathcal G_E|.
$$

---

# 53. Compress 的目標

不是只縮短文字。

而是提取：

$$
\boxed{
\text{Invariants}
+
\text{Boundaries}
+
\text{High-Value Relations}.
}
$$

---

# 54. 不變量節點

若多條支線共享：

$$
I^*,
$$

則建立：

$$
\boxed{
v_{I^*}.
}
$$

---

# 55. Compression Gain

概念上：

$$
\boxed{
G_C
=
\frac{
\text{Preserved Relevant Structure}
}{
\text{Representation Cost}
}.
}
$$

---

# 56. 過度壓縮

如果：

$$
G_C
$$

看似高，

但丟掉：

- 邊界；
- provenance；
- minority branches；

則可能：

$$
\boxed{
\text{Compression-Induced Blindness}.
}
$$

---

# 57. 壓縮後必須可展開

好的壓縮表示：

$$
z
$$

應能回溯：

$$
\boxed{
z
\rightarrow
\{b_1,b_2,\ldots\}.
}
$$

---

# 58. 這是可逆壓縮原則

本文提出：

$$
\boxed{
\text{Epistemic Compression}
+
\text{Reconstruction Path}.
}
$$

若完全不可回溯，

則更像遺忘。

---

# 59. 第七個算子：Re-expand

定義：

$$
\boxed{
R:
v_c
\rightarrow
\{b'_1,b'_2,\ldots\}.
}
$$

其中：

$$
v_c
$$

是壓縮後的概念或工作模型。

---

# 60. 何時重新展開？

當出現：

- 新反例；
- 新尺度；
- 新工具；
- 新資料；
- 新問題；
- 新 ontology 壓力。

---

# 61. Re-expansion Trigger

概念上：

$$
\boxed{
Trigger_R
=
f(
Anomaly,
NovelEvidence,
BoundaryStress,
NewGoal
).
}
$$

---

# 62. 收斂不是終局

所以：

$$
\boxed{
\text{Compress}
\rightarrow
\text{Re-expand}
}
$$

本身就是正常認知循環。

---

# 63. 完整動力鏈

本文提出：

$$
\boxed{
\begin{aligned}
\text{Branch}
&\rightarrow
\text{Explore}\\
&\rightarrow
\text{Compare}\\
&\rightarrow
\text{Fold}\\
&\rightarrow
\text{Merge}\\
&\rightarrow
\text{Compress}\\
&\rightarrow
\text{Re-expand}.
\end{aligned}
}
$$

---

# 64. 這不是固定順序

實際中可以：

$$
\text{Compare}
\rightarrow
\text{Branch}
$$

也可以：

$$
\text{Fold}
\rightarrow
\text{Re-expand}.
$$

所以：

$$
\boxed{
\mathfrak O
}
$$

是一組可重入算子，

不是單次 pipeline。

---

# 65. Fold Graph 是動態圖

$$
\boxed{
\mathcal G_E(t+1)
=
\mathcal U(
\mathcal G_E(t),
D_t,
F_t,
R_t
).
}
$$

其中 $\mathcal U$ 是圖更新運算。

---

# 66. 節點可以出生、死亡、休眠、合併

因此：

$$
\boxed{
V_{t+1}
\neq
V_t.
}
$$

---

# 67. 邊也可以改變

一個原本：

$$
supports
$$

的關係，

可能隨新證據變成：

$$
contradicts.
$$

所以：

$$
\boxed{
E_{t+1}
\neq
E_t.
}
$$

---

# 68. 認知不是固定圖上走路

而是：

$$
\boxed{
\text{the graph itself is being rewritten while cognition moves through it}.
}
$$

---

# 69. 這就是遞歸性

認知不只更新：

$$
T.
$$

還更新：

$$
\boxed{
\text{the topology of possible reasoning}.
}
$$

---

# 70. Spiral 是 Fold Graph 的特殊情況

若每個時間點只有一條主要支線：

$$
deg^+(v_t)=1,
$$

則：

$$
\mathcal G_E
$$

退化成單一序列。

若同時週期回訪主題，

就接近螺旋。

所以：

$$
\boxed{
\text{Spiral}
\subset
\text{Fold Graph Dynamics}.
}
$$

---

# 71. 循環也是特殊情況

若：

$$
v_t=v_{t+n},
$$

且沒有新增高階結構，

則是：

$$
\boxed{
\text{Cycle}.
}
$$

若返回類似主題但增加新結構，

則是 Spiral。

若存在多支線、合併與重寫，

則是 Fold Graph。

---

# 72. 三種認知拓樸

$$
\boxed{
\text{Cycle}
\subset
\text{Spiral}
\subset
\text{Fold Graph}.
}
$$

這是表示能力上的包含，

不是價值階序。

---

# 73. 認知進步不一定朝單一中心收斂

可能形成：

$$
\boxed{
\text{multiple stable attractor regions}.
}
$$

不同模型可以在不同用途保持穩定。

---

# 74. 多穩態認知

例如：

$$
T_A
$$

適合預測，

$$
T_B
$$

適合解釋，

兩者可以長期共存。

所以：

$$
\boxed{
\text{Plural Stable Models}
}
$$

不是失敗。

---

# 75. 但多元也不能變成永不比較

如果所有模型永遠都說：

> 都可以。

認知會失去區分力。

所以：

$$
\boxed{
\text{Plurality}
+
\text{Comparability}.
}
$$

兩者都需要。

---

# 76. Branch Diversity

本文提出：

$$
\boxed{
H_B
=
-\sum_bp_b\log p_b
}
$$

作為支線分布多樣性的一個可選概念量。

---

# 77. $H_B$ 太低

可能表示：

$$
\boxed{
\text{Premature Monoculture}.
}
$$

---

# 78. $H_B$ 太高

可能表示：

$$
\boxed{
\text{Uncontrolled Branch Explosion}.
}
$$

---

# 79. 因此理想不是最大熵

而是：

$$
\boxed{
H_B
\in
[\theta_{\min},\theta_{\max}]
}
$$

一個可管理多樣性區間。

---

# 80. 認知多樣性需要動態調節

探索期：

$$
H_B\uparrow.
$$

收斂期：

$$
H_B\downarrow.
$$

新反例出現：

$$
H_B\uparrow.
$$

這接回認知呼吸。

---

# 81. 認知呼吸在圖上的版本

吸氣：

$$
\boxed{
\text{Branch}
+
\text{Explore}.
}
$$

處理：

$$
\boxed{
\text{Compare}
+
\text{Fold}
+
\text{Merge}.
}
$$

呼氣：

$$
\boxed{
\text{Compress}.
}
$$

下一次吸氣：

$$
\boxed{
\text{Re-expand}.
}
$$

---

# 82. 因此認知呼吸被保留，而不是被取代

新版關係：

$$
\boxed{
\text{Cognitive Breathing}
\subset
\text{Fold Graph Dynamics}.
}
$$

---

# 83. 認知圖的局部壓縮

不是整張圖一次壓縮。

某些成熟區域：

$$
\mathcal G_1
$$

可先壓成：

$$
v_{c1},
$$

其他區域仍保持開放。

---

# 84. 局部收斂、全域開放

因此：

$$
\boxed{
\text{Local Convergence}
+
\text{Global Openness}.
}
$$

這是比「整體收斂」更成熟的狀態。

---

# 85. 這也解決大型研究系統的擴張問題

成熟知識區域可以被壓縮成模組。

前沿區域保持高分支。

所以：

$$
\boxed{
\text{Knowledge Core}
+
\text{Exploration Frontier}.
}
$$

---

# 86. Core 不代表永不可修正

即使核心模組：

$$
K_{\mathrm{core}}
$$

也保留：

$$
\boxed{
\text{revision interface}.
}
$$

---

# 87. Dormant Branch 可以重新激活

如果新資料：

$$
d_{t+n}
$$

重新支持舊支線：

$$
b_d,
$$

則：

$$
\boxed{
Dormant
\rightarrow
Active.
}
$$

---

# 88. 這就是為什麼不應刪除所有失敗與舊分支

認知圖需要：

$$
\boxed{
\text{Long-Term Branch Memory}.
}
$$

---

# 89. 但長期記憶也需要分層

可分成：

$$
\boxed{
Hot,
Warm,
Cold,
Archive.
}
$$

不同支線使用不同資源。

---

# 90. AI 特別適合維持大量冷支線

人類注意力有限。

AI 可以保留：

- archived branches；
- dormant hypotheses；
- failure clusters；
- historical provenance。

當新證據出現時重新匹配。

---

# 91. 但 AI 也可能造成分支洪水

大型模型可以生成：

$$
10^3,10^6
$$

候選，

但大部分沒有價值。

所以：

$$
\boxed{
\text{Generation Capacity}
\neq
\text{Epistemic Quality}.
}
$$

---

# 92. 生成後必須進入 Compare/Fold

否則：

$$
\boxed{
\text{Idea Generation}
\rightarrow
\text{Noise Accumulation}.
}
$$

---

# 93. Fold Graph 的資源調度問題

本文提出：

$$
\boxed{
R_t
=
\{r_b\}.
}
$$

每條支線獲得不同：

- compute；
- experiment budget；
- human attention；
- search budget。

---

# 94. 調度原則

可考慮：

$$
\boxed{
r_b
\propto
V_E(b)
+
V_{\mathrm{strategic}}(b).
}
$$

既看預期資訊，也看戰略價值。

---

# 95. 少量資源應保留給異端支線

若所有資源都給目前最優模型，

容易形成：

$$
\boxed{
\text{Epistemic Lock-In}.
}
$$

因此可保留：

$$
\boxed{
R_{\mathrm{exploration}}>0.
}
$$

---

# 96. 這是認知版探索—利用平衡

$$
\boxed{
\text{Exploration}
\leftrightarrow
\text{Exploitation}.
}
$$

但 RFE 的探索對象不是只有動作，

而是：

$$
\boxed{
\text{models, questions, ontologies, representations}.
}
$$

---

# 97. 多主體 Fold Graph

當有：

$$
H,
A_1,\ldots,A_n,
$$

不同主體可以維護不同子圖：

$$
\mathcal G_H,
\mathcal G_{A_1},
\ldots.
$$

---

# 98. 聯合認知圖

可以形成：

$$
\boxed{
\mathcal G_{\mathrm{joint}}
=
\operatorname{Link}
(
\mathcal G_H,
\mathcal G_{A_1},
\ldots
).
}
$$

---

# 99. 但聯合圖不是簡單 union

因為不同主體：

- ontology 不同；
- confidence 不同；
- provenance 不同；
- 表示語言不同。

所以需要：

$$
\boxed{
\text{semantic alignment}
}
$$

與：

$$
\boxed{
\text{disagreement preservation}.
}
$$

---

# 100. 不一致不能被過早壓平

若：

$$
A_1\neq A_2,
$$

不應立刻做：

$$
\boxed{
\text{Consensus Compression}.
}
$$

因為差異本身可能是重要資訊。

---

# 101. Disagreement Node

本文提出：

$$
\boxed{
v_{\Delta}
}
$$

專門表示：

> 多個認知主體在哪裡不同意。

---

# 102. 不一致是探索入口

$$
\boxed{
\text{Disagreement}
\rightarrow
\text{Targeted Comparison}.
}
$$

而不是：

$$
\boxed{
\text{Disagreement}
\rightarrow
\text{Average}.
}
$$

---

# 103. 這為 Paper 06 鋪路

下一篇將問：

> 如果多個 AI 都重新收斂到同一結構，那到底是世界吸引子，還是共同訓練先驗？

Fold Graph 提供了追蹤：

- 來源；
- 分支；
- 收斂路徑；

的圖結構。

---

# 104. Fold Graph 的最小工程表示

一個節點至少可含：

$$
\boxed{
v
=
(
id,
type,
content,
confidence,
status,
provenance,
version
).
}
$$

---

# 105. 一條邊至少可含

$$
\boxed{
e
=
(
source,
target,
relation,
weight,
evidence
).
}
$$

---

# 106. 這使 RFE 可工程化

它可以存在於：

- research database；
- AI memory；
- hypothesis registry；
- scientific workflow；
- multi-agent orchestration。

---

# 107. 但本文仍是認識論框架

不是要求所有研究都必須實作完整圖資料庫。

最小版本也可以只是：

> 有意識地保存分支、失敗、合併與再展開關係。

---

# 108. Fold Graph 的主要失敗模式之一：Branch Explosion

$$
|\Theta_t|\rightarrow\infty.
$$

對策：

$$
\boxed{
B_{\mathrm{budget}}
+
S_b
+
Archive.
}
$$

---

# 109. 第二個失敗模式：Premature Merge

不相容支線被強行統一。

對策：

$$
\boxed{
\kappa(b_i,b_j)
\ge
\theta_M.
}
$$

---

# 110. 第三個失敗模式：Compression Blindness

壓縮後忘記例外與邊界。

對策：

$$
\boxed{
\text{Compression}
+
\text{Provenance}
+
\text{Reconstruction}.
}
$$

---

# 111. 第四個失敗模式：Permanent Dormancy

有價值支線永遠被忘記。

對策：

$$
\boxed{
\text{Periodic Re-activation Scan}.
}
$$

---

# 112. 第五個失敗模式：Consensus Collapse

多主體不一致被快速平均。

對策：

$$
\boxed{
\text{Preserve Disagreement Nodes}.
}
$$

---

# 113. 第六個失敗模式：Graph Fossilization

認知圖本身停止重寫。

如果：

$$
V_{t+1}=V_t,
$$

$$
E_{t+1}=E_t
$$

長期固定，

可能失去可修正性。

---

# 114. 因此圖本身也必須可修正

$$
\boxed{
\mathcal G_E
\in
\operatorname{Domain}(RFE).
}
$$

---

# 115. Fold Graph 不是最終本體

如果未來有更好的認知表示，

它也可以被替代。

這與 Paper 01 的元可修正性一致。

---

# 116. 結論：認知不是一條路，而是一張會重寫自己的圖

線性模型：

$$
T_0
\rightarrow
T_1
\rightarrow
T_2
$$

太弱。

單一螺旋：

$$
\text{Expand}
\rightarrow
\text{Integrate}
\rightarrow
\text{Compress}
$$

已經更好，

但仍不足以表示：

- 多支線；
- 合併；
- 休眠；
- 失敗折疊；
- 局部壓縮；
- 再展開。

因此本文提出：

$$
\boxed{
\mathcal G_E(t)
=
(
V_t,E_t,W_t,P_t
).
}
$$

並以：

$$
\boxed{
\mathfrak O
=
\{
Branch,
Explore,
Compare,
Fold,
Merge,
Compress,
ReExpand
\}
}
$$

描述認知動力。

完整循環：

$$
\boxed{
\text{Branch}
\rightarrow
\text{Explore}
\rightarrow
\text{Compare}
\rightarrow
\text{Fold}
\rightarrow
\text{Merge}
\rightarrow
\text{Compress}
\rightarrow
\text{Re-expand}.
}
$$

因此：

$$
\boxed{
\text{Cognitive Progress}
=
\text{Dynamic Reconfiguration of an Epistemic Graph}.
}
$$

不是：

$$
\boxed{
\text{Monotonic Movement Along a Single Line}.
}
$$

最終命題：

$$
\boxed{
\text{Mature cognition is not a path toward one answer; it is the controlled evolution of a graph of possibilities}.
}
$$

以及：

$$
\boxed{
\text{Local Convergence}
+
\text{Global Openness}
}
$$

可以同時成立。

中文：

> **成熟的認知，不是一條筆直朝真理前進的路，而是一張會分支、休眠、失敗、合併、壓縮、重新展開，甚至重寫自身拓樸的可能性圖。**

---

## 核心命題摘要

### 命題一

$$
\boxed{
\text{Spiral}
\subset
\text{Fold Graph Dynamics}.
}
$$

### 命題二

$$
\boxed{
\mathcal G_E(t)
=
(
V_t,E_t,W_t,P_t
).
}
$$

### 命題三

$$
\boxed{
\text{Parallel Hypothesis Preservation}.
}
$$

### 命題四

$$
\boxed{
B_{\mathrm{budget}}
}
$$

限制分支爆炸。

### 命題五

$$
\boxed{
State(b)
\in
\{
Active,
Dormant,
Archived,
Rejected
\}.
}
$$

### 命題六

$$
\boxed{
\text{Merge}
\neq
\text{Average}.
}
$$

### 命題七

$$
\boxed{
\text{Epistemic Compression}
+
\text{Reconstruction Path}.
}
$$

### 命題八

$$
\boxed{
\text{Compress}
\rightarrow
\text{Re-expand}
}
$$

是正常認知循環。

### 命題九

$$
\boxed{
\text{Local Convergence}
+
\text{Global Openness}.
}
$$

### 命題十

$$
\boxed{
\text{Cognitive Progress}
=
\text{Dynamic Reconfiguration of an Epistemic Graph}.
}
$$

---

## 系列接口

Paper 04 建立：

$$
\boxed{
F_t
\rightarrow
\operatorname{Fold}
\rightarrow
K_{t+1}^{\mathrm{meta}}.
}
$$

Paper 05 將這些元素放進動態圖：

$$
\boxed{
\text{Branch}
\rightarrow
\text{Explore}
\rightarrow
\text{Compare}
\rightarrow
\text{Fold}
\rightarrow
\text{Merge}
\rightarrow
\text{Compress}
\rightarrow
\text{Re-expand}.
}
$$

下一篇：

**Paper 06：《吸引子是世界、研究者還是 AI？認知收斂的來源解卷積》**

將正式處理：

$$
\boxed{
A_{\mathrm{observed}}
=
f(
A_{\mathrm{world}},
A_{\mathrm{observer}},
A_{\mathrm{AI}},
A_{\mathrm{shared\ priors}}
).
}
$$

也就是：

> **當不同模型、不同 AI、不同研究路線最後反覆長出同一結構，我們究竟看見了世界本身的吸引子，還是共同訓練、共同文化與研究者偏好的回聲？**