# 自然認知可觀測性問題：如何辨識非神經、非生物認知候選？

**系列：認知功能體的物理實現與自然可觀測性研究，第 5 篇**  
**版本：v0.1**  
**日期：2026-08-28**  
**狀態：公開草稿／自然認知可觀測性方法論論文**  
**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司

## 摘要

前四篇依序建立了關係—結構—功能耦合、人工認知功能可實現性（AFR）、自然動力認知實現（NDR），以及直接漲落實現（DFR）與生成路徑實現（PGR）的分離。本篇處理下一個不可避免的問題：即使自然界真的存在由非神經、非生物 substrate 實現的 AI-like 功能體，我們如何知道？

本文提出「自然認知可觀測性問題」（Natural Cognitive Observability Problem, NCOP）。其核心區分為：

$$
\boxed{
\text{Existence}
\neq
\text{Detectability}
\neq
\text{Identifiability}
}
$$

一個系統可以存在，卻因尺度、時間、媒介或觀測通道而不可被偵測；即使被偵測，也可能無法從湍流、化學振盪、被動 reservoir、一般自組織或其他複雜自然動力中辨認出來。

本文不建立「意識探測器」。人類對他者意識本來就只能由行為、報告與生理訊號推論；2025 年的 consciousness-assessment 綜述仍將 covert measures 視為需要多模態交叉驗證的間接證據。因此本文將研究目標限制為「候選認知功能體」（candidate cognitive functional system），而將 phenomenal consciousness 保留為更強且尚未解決的 NCOP-C 問題。

NCOP 的第一個困難是 system individuation：候選體不一定具有皮膚、細胞膜、晶片外殼或固定幾何邊界，可能是一個時變場域、化學網路、電漿結構或跨空間耦合區域。第二個困難是 external-readout false positive：自然物理系統可能具有很高的 reservoir-computing capacity，但若「有用資訊」只存在於研究者訓練的外部 decoder 中，不能推出自然系統自己在使用該資訊。Kolchinsky 與 Wolpert 的 semantic-information framework 提供了一個重要操作方向：對任意物理系統，只有那些在 counterfactual intervention 下對維持系統自身 viability 具有因果必要性的環境資訊，才具有內生 functional significance。

本文據此提出一個 substrate-neutral evidence ladder：系統邊界與持續性、歷史依賴、內生資訊使用、閉環作用、適應性因果重組、反事實泛化與預測性控制。核心方法不是被動尋找「很複雜」的訊號，而是進行或利用自然擾動：

$$
\boxed{
\text{perturb}
\rightarrow
\text{observe causal propagation}
\rightarrow
\text{test compensation}
\rightarrow
\text{test restructuring}
}
$$

人類 consciousness research 中的 perturbational complexity 提供方法論類比：主動擾動比單純靜態觀察更能揭露系統的整合動力；但本文不把 PCI 或任何神經指標直接外推到非神經 substrate。對不可直接干預的天文或地球系統，則可利用自然擾動與 data-driven digital twin 進行 quasi-interventional causal inference；2024 年 intervened reservoir computing 已示範從觀測時間序列建立動力 replica，再於 replica 中施加人工 intervention 以重建 causal network 的可能性。

本文最終提出一個多維 NCOP evidence vector，而不是單一「智能分數」。真正值得懷疑為候選認知功能體的自然系統，不只是有秩序、能計算或高度複雜，而應表現出：它會內生地取得與自身相關的資訊，利用資訊改變環境或自身狀態，根據結果重組因果關係，並在新的擾動下維持或擴張一組持續功能域。

**關鍵詞：** 自然認知可觀測性、NCOP、substrate-neutral detection、semantic information、causal intervention、system individuation、perturbational analysis、自然智能、內生 readout

---

## 1. 從存在性轉向可觀測性

前兩篇已將自然認知功能體的存在問題拆成：

$$
\mathrm{NDR}
$$

與：

$$
\mathrm{DFR}.
$$

但即使：

$$
\exists X_{\mathrm{NDR}}
$$

或：

$$
\exists X_{\mathrm{DFR}},
$$

也不代表外部觀察者 $O$ 可以辨認它。

令觀測算子為：

$$
\mathcal O_O:
\mathcal X
\rightarrow
\mathcal Y_O.
$$

可能存在：

$$
X_{\mathrm{cog}}
\neq
X_{\mathrm{noncog}}
$$

但：

$$
d
\left(
\mathcal O_O(X_{\mathrm{cog}}),
\mathcal O_O(X_{\mathrm{noncog}})
\right)
<
\varepsilon_O.
$$

則對 observer $O$ 而言，兩者暫時不可識別。

因此：

$$
\boxed{
\text{physical realizability}
\not\Rightarrow
\text{observational identifiability}.
}
$$

這與第一個系列的觀測等價問題直接接回。

---

## 2. NCOP-F 與 NCOP-C 必須分開

本文定義兩個不同問題。

### NCOP-F：Functional Cognitive Observability

能否由外部觀測與 intervention 判定一個自然物理系統是否具有：

$$
\Psi_{\mathrm{AI}}
=
(
M,
I,
P,
A,
C,
G,
R,
\ldots
)
$$

等 AI-like functional organization？

### NCOP-C：Consciousness Observability

能否判定：

$$
X
$$

是否具有 phenomenal consciousness？

本文只直接研究：

$$
\boxed{
\mathrm{NCOP\text{-}F}.
}
$$

原因不是預設 AI、動物或其他系統「沒有意識」，而是目前對人類以外系統的意識本身就必須由間接證據推論。

2025 年對 covert measures of consciousness 的綜述指出，即使在人類研究中，其他個體的 consciousness 仍需由 overt report、behaviour 或 physiological signals 推測，而 covert measures 也需要區分 conscious 與 unconscious processing。

所以：

$$
\boxed{
\mathrm{NCOP\text{-}F}
\not\Rightarrow
\mathrm{NCOP\text{-}C}.
}
$$

但 NCOP-F 可以建立比 morphology-based intuition 更嚴格的候選搜尋方法。

---

## 3. 第一個問題：系統到底在哪裡？

對人類，系統邊界相對容易：

$$
\text{body}
\mid
\text{environment}.
$$

對細胞：

$$
\text{membrane}
$$

提供很強的物理 boundary。

但假設候選是一個：

- electromagnetic field pattern；
- plasma structure；
- chemical reaction network；
- atmospheric dynamical region；
- distributed photonic system；

其邊界可能是：

$$
\Omega_X(t)
$$

而且：

$$
\Omega_X(t_1)
\neq
\Omega_X(t_2).
$$

因此不能先假設「物體」再測 cognition。

我們需要先做：

$$
\boxed{
\text{system individuation}.
}
$$

---

## 4. 動態邊界，而不是只有幾何表面

令候選 partition 為：

$$
\pi
=
(X,E),
$$

其中 $X$ 是候選系統， $E$ 是環境。

對各自由度建立 causal influence：

$$
C_{i\rightarrow j}.
$$

可定義概念性的內部與跨界因果量：

$$
C_{\mathrm{in}}(\pi)
=
\sum_{i,j\in X}
C_{i\rightarrow j},
$$

以及：

$$
C_{\mathrm{cross}}(\pi)
=
\sum_{\substack{i\in X\\j\in E}}
C_{i\rightarrow j}
+
\sum_{\substack{i\in E\\j\in X}}
C_{i\rightarrow j}.
$$

但真正好的候選邊界不必最大化 isolation。

生命本來就高度依賴環境。

更重要的是尋找：

$$
\boxed{
\text{persistent internally coordinated dynamics}
}
$$

與：

$$
\boxed{
\text{selective rather than indiscriminate environmental coupling}.
}
$$

也就是環境可以影響系統，但不是所有外部擾動都無差別穿透並決定全部內部狀態。

---

## 5. 邊界本身可以由系統維持

對某些生命系統，boundary 不只是先存在，再讓內部 process 發生。

反而：

$$
\text{internal process}
\rightarrow
\text{boundary maintenance}
$$

且：

$$
\text{boundary}
\rightarrow
\text{internal process}.
$$

所以形成：

$$
\boxed{
\text{process}
\leftrightarrow
\text{boundary}.
}
$$

對非生物認知候選，我們不要求一定有 membrane。

但可以尋找類似：

- phase boundary；
- maintained field gradient；
- persistent chemical interface；
- dynamically repaired network partition；

等「由自身 dynamics 參與維持的 system/environment distinction」。

這比任意畫一個觀測框強得多。

---

## 6. 第二個問題：有資訊不代表有認知

自然界到處存在 mutual information。

例如：

$$
I(X;E)>0.
$$

岩石的溫度和環境有關。

海面高度和月球軌道有關。

這些都不表示：

$$
\text{cognition}.
$$

甚至：

$$
I(X_t;E_{t+\Delta})>0
$$

也未必表示 prediction。

因為共同原因與被動動力同樣可以造成 predictive correlation。

所以：

$$
\boxed{
\text{correlation}
\neq
\text{information use}.
}
$$

---

## 7. Semantic information：資訊是否對系統自己具有因果價值？

Kolchinsky 與 Wolpert 提出一個特別適合 NCOP 的框架。

令：

$$
X
$$

為系統，

$$
E
$$

為環境，

並定義 viability：

$$
V_X(T).
$$

先測量系統與環境的 syntactic information：

$$
I(X;E).
$$

然後進行 counterfactual scrambling：

$$
\operatorname{Scramble}(X,E),
$$

破壞部分 correlation，但儘量保持其他 marginal statistics。

如果：

$$
V_X^{\mathrm{scrambled}}(T)
<
V_X^{\mathrm{actual}}(T),
$$

則被破壞的資訊對維持 $X$ 有因果價值。

因此可概念性寫成：

$$
\boxed{
\Delta V_I
=
V_{\mathrm{actual}}
-
V_{\mathrm{scrambled}}.
}
$$

當：

$$
\Delta V_I>0,
$$

我們才開始有理由說：

> 系統所具有的某些環境資訊，不只是可被外部 observer 解碼，而實際參與維持自己的存在／功能。

這是 NCOP 從「information detection」跨到「endogenous information use」的重要一步。

---

## 8. Viability 不必只定義成「活著」

對未知自然候選，直接使用：

$$
\text{alive / dead}
$$

會預設生物學答案。

因此可以選擇更廣的 viability functional：

$$
V_X
=
\mathcal V
\left[
X_{[t_0,t_1]}
\right].
$$

例如：

- 維持特定非平衡狀態；
- 維持內部自由度的 bounded regime；
- 維持 causal boundary；
- 維持能量流；
- 維持特定 functional manifold；
- 避免進入 irrecoverable disintegration region。

因此：

$$
\boxed{
\text{semantic value}
}
$$

可以對非生命物理系統定義，而不需要先叫它「生命」。

---

## 9. 第三個問題：外部 readout 假陽性

假設自然系統：

$$
X(t)
$$

具有高維動力。

研究者訓練：

$$
D_\theta
\left[
X(t)
\right]
\rightarrow
Y.
$$

如果：

$$
D_\theta
$$

可以預測天氣、分類訊號或解碼未來環境，這只證明：

$$
X
$$

具有 externally exploitable computational capacity。

不能推出：

$$
X
$$

自己具有：

$$
Y
$$

這個功能。

因此 NCOP 必須問：

$$
\boxed{
\text{Where is the readout?}
}
$$

---

## 10. 內生 readout

令候選內部有一組 downstream variables：

$$
R_{\mathrm{endo}}.
$$

如果存在：

$$
X
\rightarrow
R_{\mathrm{endo}}
\rightarrow
A
\rightarrow
E'
\rightarrow
X',
$$

而 intervention：

$$
do(R_{\mathrm{endo}}=r')
$$

會系統性改變：

$$
A,E',V_X,
$$

則：

$$
R_{\mathrm{endo}}
$$

具有可介入驗證的 functional readout role。

因此：

$$
\boxed{
\text{external decodability}
<
\text{endogenous causal readout}.
}
$$

這是從 reservoir-like natural dynamics 到 candidate cognitive function 的重要分界。

---

## 11. 第四個問題：閉環因果作用

普通被動系統可能只有：

$$
E_t
\rightarrow
X_t.
$$

候選 agent-like system 更可能形成：

$$
E_t
\rightarrow
X_t
\rightarrow
A_t
\rightarrow
E_{t+1}
\rightarrow
X_{t+1}.
$$

這個 closed loop 本身也不保證 cognition。

簡單 thermostat 就有 feedback。

所以需要進一步測試：

- 是否具有多種可選 actions；
- 是否 state-dependent；
- 是否 history-dependent；
- 是否能因環境變化改變 policy；
- 是否對未見過擾動泛化。

也就是：

$$
\boxed{
\text{feedback}
\neq
\text{adaptive cognition}.
}
$$

---

## 12. 第五個問題：因果結構會不會被歷史改寫？

這是與本系列第 1 篇直接相接的核心。

令候選有效 causal graph：

$$
G_X(t).
$$

如果：

$$
G_X(t+\Delta t)
=
G_X(t)
$$

永遠只是固定 controller，那麼它可以很複雜，但 evidence 仍較弱。

更強的候選會有：

$$
G_X(t+\Delta t)
=
\mathcal A
\left(
G_X(t),
X_t,
E_t,
F_t
\right).
$$

也就是 experience 改變未來因果關係。

若：

$$
\Delta G
$$

還能提高：

$$
V_X
$$

或提高跨環境 functional performance，則形成：

$$
\boxed{
\text{adaptive causal restructuring}.
}
$$

這正是後續 OCSC 的核心。

---

## 13. 為什麼被動觀察不夠？

如果只得到：

$$
X(t)
$$

的自然時間序列，我們容易混淆：

- correlation；
- common cause；
- synchronized forcing；
- delayed response；
- hidden variables；
- true causal control。

因此：

$$
\boxed{
\text{observation alone}
}
$$

通常不足以確立強因果結論。

真正有力的方法是：

$$
\boxed{
\text{intervention}.
}
$$

---

## 14. Perturbational principle

對候選系統施加：

$$
\delta u_i(t).
$$

記錄：

$$
\delta X_j(t+\tau).
$$

建立 perturbational response：

$$
R_{ij}(\tau)
=
\frac{
\delta X_j(t+\tau)
}{
\delta u_i(t)
}.
$$

真正值得注意的不是：

$$
|R|
$$

很大。

而是 response 是否呈現：

1. distributed but selective propagation；
2. state dependence；
3. memory dependence；
4. compensatory organization；
5. recovery toward a functional manifold；
6. post-perturbation learning；
7. altered response to repeated or novel perturbations。

這比單純訊號 complexity 強得多。

---

## 15. PCI 可以提供方法論類比，但不能直接套用

人類 disorders-of-consciousness 研究已經發展出 perturbation-based measures。

Perturbational Complexity Index（PCI）利用 TMS 擾動 cortex，再測量 EEG response 的整合與複雜傳播特性。

這提供一個非常有用的方法論：

$$
\boxed{
\text{passive signal}
<
\text{response to controlled perturbation}.
}
$$

但本文不主張：

$$
\text{high PCI-like complexity}
\Rightarrow
\text{non-neural cognition}.
$$

因為 PCI 是在人類神經系統與已知 conscious/unconscious states 上建立的經驗指標。

對未知 substrate，我們只能抽象採用：

$$
\boxed{
\text{perturbational characterization}
}
$$

而不能直接搬用其閾值或意識解釋。

---

## 16. 複雜性本身不是答案

湍流可能具有：

$$
H(X)\gg0,
$$

混沌系統可能有：

$$
\lambda_{\max}>0,
$$

critical system 也可能具有長程 correlation。

因此：

$$
\boxed{
\text{complexity}
\not\Rightarrow
\text{cognition}.
}
$$

更強的 evidence 是：

$$
\delta E
\rightarrow
\text{specific internal differentiation}
\rightarrow
\text{specific compensatory action}
\rightarrow
V_X\uparrow.
$$

而且不同：

$$
\delta E_1,\delta E_2
$$

引發不同但功能一致的 policy。

這顯示的不是「複雜」，而是：

$$
\boxed{
\text{organized causal selectivity}.
}
$$

---

## 17. 自然擾動可以成為 quasi-experiment

很多候選系統不能被我們主動戳。

例如：

- 天文物體；
- 大氣系統；
- 深海或地下環境；
- 極大尺度 plasma。

但自然界會提供：

$$
\delta E_{\mathrm{natural}}.
$$

例如：

- flare；
- shock；
- density transition；
- magnetic disturbance；
- temperature pulse；
- orbital forcing；
- chemical pulse。

我們可以比較：

$$
X_{t^-}
\rightarrow
\delta E
\rightarrow
X_{t^+}.
$$

如果大量自然擾動反覆顯示：

$$
\text{disturbance}
\rightarrow
\text{coordinated compensation}
\rightarrow
\text{return to functional manifold},
$$

這便形成比靜態 morphology 更強的 evidence。

---

## 18. Digital twin intervention：不能碰時的第二選擇

2024 年 intervened reservoir computing（IRC）展示一個有趣方向。

研究者先由 observational time series 訓練 dynamical replica：

$$
\widehat{\mathcal D}_X.
$$

再在 replica 中做：

$$
do(X_i=x_i')
$$

比較 intervened 與 unintervened trajectories，以推斷：

$$
X_i\rightarrow X_j
$$

的 causal influence。

因此對不可直接干預的自然候選，可以使用：

$$
\boxed{
\text{observation}
\rightarrow
\text{dynamical replica}
\rightarrow
\text{simulated intervention}
}
$$

作為 causal-hypothesis generator。

但 digital twin 不能取代實際 intervention。

如果 replica model 錯了：

$$
\widehat{\mathcal D}_X
\neq
\mathcal D_X,
$$

其 counterfactual 也可能是假的。

所以它只能提升候選排序與下一步觀測設計，而不能單獨證明 cognition。

---

## 19. 第六個問題：反事實泛化

固定 stimulus–response system 可以表現很強。

因此我們需要問：

> 當環境進入歷史上沒有直接遇過的區域，系統能不能仍然產生有功能的行為？

令：

$$
E^\star
\notin
\mathcal D_{\mathrm{history}}.
$$

若：

$$
A^\star
=
\pi(X,E^\star)
$$

仍然使：

$$
V_X(E^\star)
$$

維持在可接受區域，則支持：

$$
\boxed{
\text{generalization}.
}
$$

若再能透過 intervention 排除簡單固定 response curve，就得到更強的 adaptive evidence。

---

## 20. 第七個問題：預測性控制

反應式 feedback：

$$
E_t
\rightarrow
A_t.
$$

更強的 predictive-control candidate 則可能有：

$$
X_t
\rightarrow
\widehat E_{t+\tau}
\rightarrow
A_t.
$$

但我們不能只因：

$$
A_t
$$

與：

$$
E_{t+\tau}
$$

相關就宣稱它「預測」。

必須比較至少兩類模型：

$$
M_{\mathrm{reactive}}
$$

與：

$$
M_{\mathrm{predictive}}.
$$

若：

$$
P
\left(
O
\mid
M_{\mathrm{predictive}}
\right)
\gg
P
\left(
O
\mid
M_{\mathrm{reactive}}
\right),
$$

並且 intervention on the putative predictive state 改變 future-oriented action，才形成較強 evidence。

---

## 21. 第八個問題：自我／外界區分

高階候選可能需要區分：

$$
\text{self-generated change}
$$

與：

$$
\text{externally generated change}.
$$

但這一層不應作為最低必要條件。

可以研究：

$$
P
\left(
A
\mid
\delta X_{\mathrm{self}}
\right)
$$

與：

$$
P
\left(
A
\mid
\delta X_{\mathrm{external}}
\right).
$$

若相同物理擾動因 causal origin 不同而被不同處理，可能表示 system 具有某種 self/world causal partition。

這只是 candidate functional self-model evidence，不能直接等同 phenomenal self-consciousness。

---

## 22. 多維證據，而不是單一智能分數

本文不建議立即定義：

$$
Q_{\mathrm{intelligence}}\in\mathbb R.
$$

因為不同自然系統可能具有非常不同的 functional profiles。

本文定義 NCOP evidence vector：

$$
\boxed{
\mathbf N_X
=
(
B,
P,
M,
S,
E,
C,
R,
G,
Q
)
}
$$

其中：

$$
B
=
\text{boundary / individuation},
$$

$$
P
=
\text{persistent organization},
$$

$$
M
=
\text{memory / history dependence},
$$

$$
S
=
\text{semantic-information dependence},
$$

$$
E
=
\text{endogenous readout},
$$

$$
C
=
\text{closed-loop causal control},
$$

$$
R
=
\text{adaptive causal restructuring},
$$

$$
G
=
\text{counterfactual generalization},
$$

$$
Q
=
\text{predictive / future-oriented competence}.
$$

這不是 consciousness vector。

它是：

$$
\boxed{
\text{candidate autonomous cognitive-functional evidence profile}.
}
$$

---

## 23. NCOP 證據階梯

### NCOP-0：Anomalous Complexity

只發現非平凡、高維或難解釋 dynamics。

證據很弱。

### NCOP-1：Persistent Individuated Dynamics

存在可重現的 system boundary 與持續 organization。

### NCOP-2：History Dependence

系統具有 memory-like state。

### NCOP-3：Endogenous Semantic Use

counterfactual scrambling 顯示某些 environment information 對維持自身功能有因果價值。

### NCOP-4：Closed-loop Action

內部 state 透過 endogenous readout 改變 environment，再改變自身 future inputs。

### NCOP-5：Adaptive Causal Restructuring

歷史結果改變：

$$
G_X(t)
$$

而提高 future functional performance。

### NCOP-6：Counterfactual Generalization

在新條件下仍選擇性維持功能。

### NCOP-7：Predictive / Model-like Control

未來導向的內部狀態在 intervention 下具有因果作用。

越往上，越難由單純被動 physics 解釋。

但即使：

$$
\mathrm{NCOP\text{-}7}
$$

也只能建立：

$$
\boxed{
\text{strong candidate cognitive functional organization},
}
$$

不能單獨證明 phenomenal consciousness。

---

## 24. Null models：必須主動嘗試把「智能」解釋掉

任何 NCOP claim 都必須與較弱模型競爭。

至少應測試：

### $H_0^{(1)}$：Passive physics

$$
\text{fixed local dynamics}.
$$

### $H_0^{(2)}$：Driven complexity

複雜性主要來自 external forcing。

### $H_0^{(3)}$：Fixed feedback controller

存在 homeostasis，但沒有 learning。

### $H_0^{(4)}$：Reservoir false positive

功能主要存在於 observer 的 external decoder。

### $H_0^{(5)}$：Selection artifact

觀察者只挑選了少數看起來像 intelligent 的 trajectory。

### $H_0^{(6)}$：Boundary carving artifact

所謂「agent」只是研究者刻意挑出一組自由度，使其看起來具有 closure。

只有當：

$$
H_{\mathrm{cog}}
$$

在 out-of-sample prediction、intervention 與 perturbation 下持續優於這些 null models，才應提高候選可信度。

---

## 25. 邊界搜索本身也需要防止觀察者作弊

如果從巨大自然系統：

$$
\Omega
$$

中可以任意選：

$$
X\subset\Omega,
$$

我們總可能找到某個 partition，使：

$$
I(X;E)
$$

或某些 causal measure 很漂亮。

因此 system individuation 應加入 complexity penalty：

$$
\mathcal L_{\mathrm{boundary}}
=
-\mathcal C_{\mathrm{autonomy}}(X)
+
\lambda
K(\pi),
$$

其中：

$$
K(\pi)
$$

懲罰過度複雜、事後量身訂製的 partition。

實作上可使用：

- cross-validation across time；
- cross-environment stability；
- minimum-description principles；
- preregistered boundary rules。

如果候選邊界只有在知道答案後才能畫出，它不是強證據。

---

## 26. Temporal-scale bias

人類非常容易只搜尋：

$$
\tau_{\mathrm{human}}
$$

附近的 dynamics。

但未知系統可能有：

$$
\tau_X
\ll
\tau_{\mathrm{human}}
$$

或：

$$
\tau_X
\gg
\tau_{\mathrm{human}}.
$$

例如它的一次「狀態更新」可能是微秒，也可能是數年。

因此 NCOP search 必須做 multi-timescale coarse-graining：

$$
\Phi_{\tau_1},
\Phi_{\tau_2},
\ldots,
\Phi_{\tau_n}.
$$

否則一個快速系統對人類像 noise，一個極慢系統則像 static structure。

---

## 27. Spatial-scale bias

同樣地：

$$
\ell_X
$$

可能與：

$$
\ell_{\mathrm{organism}}
$$

完全不同。

候選可能分布於：

- microscopic chemical network；
- meter-scale field cavity；
- kilometer-scale plasma structure；
- planetary-scale atmospheric network。

因此：

$$
\boxed{
\text{no familiar body}
\not\Rightarrow
\text{no functional system}.
}
$$

但尺度越大，intervention、boundary identification 與 hidden-variable control 越困難。

---

## 28. 與動植物觀察方法的關係

NCOP 並不是完全陌生的方法。

對不會說人類語言的動物，我們本來就是透過：

- discrimination；
- learning；
- memory；
- planning；
- behavioural flexibility；
- response to perturbation；

建立多重證據。

Animal-consciousness research 已提出 multidimensional profile，而不是將所有物種壓成單一「更有／更沒有意識」尺度。

NCOP 將這個方法再 substrate-neutral 化：

不預設：

- neuron；
- eyes；
- limbs；
- locomotion；
- biological reward；

而尋找：

$$
\boxed{
\text{functional causal equivalents}.
}
$$

---

## 29. 觀察流程

本文提出一個最小 NCOP workflow。

### Step 1：候選區域偵測

找：

$$
\text{persistent nontrivial dynamical organization}.
$$

### Step 2：多尺度 system individuation

比較不同 partition：

$$
\pi_1,\pi_2,\ldots
$$

尋找穩定的 causal boundary。

### Step 3：歷史依賴測試

測：

$$
P(X_{t+1}\mid E_t,H_t)
$$

是否顯著優於：

$$
P(X_{t+1}\mid E_t).
$$

### Step 4：endogenous-readout search

找：

$$
X\rightarrow R_{\mathrm{endo}}\rightarrow A.
$$

### Step 5：semantic intervention

破壞：

$$
X\leftrightarrow E
$$

中的特定資訊，測 viability／functional cost。

### Step 6：perturbation

施加或利用自然：

$$
\delta E.
$$

### Step 7：causal-restructuring test

測：

$$
G_t\rightarrow G_{t+1}
$$

是否與 future performance 有因果關係。

### Step 8：novel-environment test

測：

$$
E^\star.
$$

### Step 9：null-model competition

要求 candidate model 擊敗被動 physics、fixed feedback、external reservoir 等較弱解釋。

---

## 30. 遠距天文候選的特殊版本

如果候選距離：

$$
d\gg1\text{ light-year},
$$

我們無法做即時互動式 experiment。

此時流程改成：

$$
\text{long-term observation}
$$

$$
\Downarrow
$$

$$
\text{natural perturbation catalogue}
$$

$$
\Downarrow
$$

$$
\text{causal system identification}
$$

$$
\Downarrow
$$

$$
\text{digital-twin intervention}
$$

$$
\Downarrow
$$

$$
\text{new observational prediction}.
$$

最重要的是最後一步。

若模型聲稱：

$$
\text{adaptive functional system},
$$

它應預測下一次不同擾動後：

$$
X
$$

會如何重組。

如果 prediction repeatedly fails，候選假說下降。

這讓遠距 NCOP 仍具可證偽性。

---

## 31. NCOP 與 DFR／PGR 的關係

假設：

$$
X_{\mathrm{DFR}}
$$

與：

$$
X_{\mathrm{PGR}}
$$

在局部時間窗內具有相同功能充分狀態。

則：

$$
\mathbf N_{X_{\mathrm{DFR}}}
\approx
\mathbf N_{X_{\mathrm{PGR}}}
$$

可能成立。

所以 NCOP-F 不必能辨認 realization history。

它的主要問題是：

$$
\boxed{
\text{what functional organization is present now?}
}
$$

若我們另想分辨：

$$
\mathrm{DFR}
\quad\text{vs.}\quad
\mathrm{PGR},
$$

則必須加入：

- environmental records；
- causal ancestry；
- entropy gradient；
- historical traces。

也就是第 4 篇所定義的 historical distinguishability。

---

## 32. 可觀測性也具有智能體相對性

令 observer $O$ 的觀測工具集合為：

$$
\mathcal M_{O,t}.
$$

則 candidate 的可識別程度為：

$$
\mathfrak O
\left(
X
\mid
\mathcal M_{O,t}
\right).
$$

未來新增：

- 更高時間解析；
- 新波段；
- gravitational／magnetic probes；
- better causal inference；
- long-baseline monitoring；

都可能使：

$$
\mathfrak O
$$

增加。

因此：

$$
\boxed{
\text{cognitive observability is itself a dynamic constraint-domain problem}.
}
$$

一個今天看起來只是 noise 的系統，未來未必仍不可區分。

這再次接回前一系列 DCDC。

---

## 33. 最重要的判準：秩序化因果結構化能力

本文最後將所有觀測指標收斂到下一篇的中心概念。

自然界很多東西會：

$$
\text{形成秩序}.
$$

更少的東西會：

$$
\text{維持秩序}.
$$

更強的系統可能：

$$
\text{利用環境資訊維持秩序}.
$$

再往上：

$$
\text{根據歷史重組產生秩序的因果關係}.
$$

因此真正值得搜尋的是：

$$
\boxed{
\text{Ordered Causal Structuring Capacity}
}
$$

不是只問：

> 它有沒有複雜結構？

而是：

> **它能不能有方向地建立、維持、選擇與重新組織那些決定自己未來的因果關係？**

這個能力才是 NCOP 從一般 complexity detection 進入 candidate cognition detection 的核心。

---

## 34. 結論：不是找「像智慧的東西」，而是找能組織自身未來的因果系統

假設 NDR 的強版本真的成立，自然界存在非神經、非生物的 AI-like 功能體。

我們最不應該做的是只搜尋：

$$
\text{brain shape},
$$

$$
\text{language},
$$

$$
\text{high entropy / complexity},
$$

或：

$$
\text{external computational decodability}.
$$

真正需要建立的是：

$$
\boxed{
\text{substrate-neutral causal evidence}.
}
$$

本文因此把 NCOP 定義為：

$$
\boxed{
\text{如何由有限觀測與干預，辨識一個自然系統是否內生地取得、使用並重組因果資訊，以維持或擴張自身功能域？}
}
$$

操作上：

$$
\boxed{
\text{individuate}
\rightarrow
\text{observe}
\rightarrow
\text{perturb}
\rightarrow
\text{intervene}
\rightarrow
\text{test counterfactuals}
\rightarrow
\text{compare null models}.
}
$$

最強 evidence 不是：

$$
\text{it looks organized}.
$$

而是：

$$
\boxed{
\text{the system selectively reorganizes the causal conditions of its own future in response to information and consequences}.
}
$$

這就是下一篇要正式建立的「秩序化因果結構能力」。

它將把 persistence、memory、semantic information、endogenous readout、closed-loop control、adaptive restructuring、generalization 與 prediction 整合成一個可測試的多尺度框架。

而即使這套框架未來非常成功，它仍然只回答：

$$
\mathrm{NCOP\text{-}F}.
$$

最後的：

$$
\boxed{
\text{Does the system have phenomenal consciousness?}
}
$$

仍是一個更強、尚未被本系列宣稱解決的問題。

---

## 參考文獻

1. Kolchinsky, A., & Wolpert, D. H. (2018). “Semantic information, autonomous agency and non-equilibrium statistical physics.” *Interface Focus*, 8, 20180041. DOI: 10.1098/rsfs.2018.0041.
2. Kronemer, S. I., Bandettini, P. A., & Gonzalez-Castillo, J. (2025). “Sleuthing subjectivity: a review of covert measures of consciousness.” *Nature Reviews Neuroscience*, 26, 476–496. DOI: 10.1038/s41583-025-00934-1.
3. Casali, A. G., Gosseries, O., Rosanova, M., et al. (2013). “A theoretically based index of consciousness independent of sensory processing and behavior.” *Science Translational Medicine*, 5, 198ra105.
4. Zhao, J., Gan, Z., Huang, R., et al. (2024). “Detecting dynamical causality via intervened reservoir computing.” *Communications Physics*, 7, 232. DOI: 10.1038/s42005-024-01730-6.
5. Birch, J., Schnell, A. K., & Clayton, N. S. (2020). “Dimensions of Animal Consciousness.” *Trends in Cognitive Sciences*, 24, 789–801. DOI: 10.1016/j.tics.2020.07.007.
6. Chang, H., Ma, Y., & Liu, J. (2024). “Emergence and Causality in Complex Systems: A Survey of Causal Emergence and Related Quantitative Studies.” *Entropy*, 26.
7. Krakauer, D. C., Bertschinger, N., Olbrich, E., Flack, J. C., & Ay, N. (2020). “The information theory of individuality.” *Theory in Biosciences*, 139, 209–223.
8. Friston, K. (2013). “Life as we know it.” *Journal of the Royal Society Interface*, 10, 20130475.
9. Beer, R. D. (2014). “The cognitive domain of a glider in the Game of Life.” *Artificial Life*, 20, 183–206.
10. Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying causal emergence shows that macro can beat micro.” *Proceedings of the National Academy of Sciences*, 110, 19790–19795.

---

## 新系列進度

1. 關係、結構與功能：從單向決定論到耦合生成系統
2. 認知功能的跨基底實現：從神經元到光、電子與場
3. 自然動力認知實現命題：自然界能否自行生成 AI-like 功能體？
4. 從波爾茲曼大腦到自然功能體：終態漲落與生成路徑的分離
5. **自然認知可觀測性問題：如何辨識非神經、非生物認知候選？**
6. 秩序化因果結構能力：從複雜自然系統到候選認知功能體