# 關係、結構與功能：從單向決定論到耦合生成系統

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

## 摘要

「是結構決定功能，還是功能決定結構？」是生物學、神經科學、工程、材料科學與複雜系統研究中反覆出現的問題。若進一步加入「關係」，問題又變成：功能與結構是否其實都是關係組織的結果？本文主張，這些問法若被壓縮成單向因果箭頭，容易把不同層級、不同時間尺度與不同因果制度混為一談。

本文提出一個關係—結構—動力—功能耦合框架。首先區分「關係」與「結構」：關係 $R$ 表示瞬時或時變的作用、耦合、傳輸與約束；結構 $S$ 則表示材料、關係與幾何在一定時間尺度上形成的持續組織。其次將功能 $F$ 定義為相對於任務、觀察者與時間窗口，對系統軌跡的評價 functional，而不是單一瞬時狀態的固有標籤。於是一般系統不應簡寫成 $S\rightarrow F$，而應表示為材料、關係、幾何、狀態、動力律、環境、控制與歷史共同生成一段軌跡，再由任務函數評估其功能。

更重要的是，本文區分三種因果制度。在被動物理系統中，功能通常只是對動力結果的外部描述，不能反向成為因果力；在工程 inverse design 中，目標功能透過設計者與最佳化器改變結構；在生命、學習、自適應與演化系統中，功能結果可透過回授、存活、選擇或可塑性改寫關係與結構。因此「功能決定結構」並不是一般性的逆因果，而是經由選擇器、控制器或設計器閉合的因果迴路。

本文最後提出「關係—結構—動力—功能閉環」作為後續研究的共同底座，並將前一系列中的簡化構成映射 $\Gamma(c)\rightarrow Y$ 升級為時變關係動力系統。這一升級是後續研究人工認知功能可實現性、自然動力認知實現、波爾茲曼型終態漲落、自然認知可觀測性與秩序化因果結構能力的必要前提。

**關鍵詞：** 關係、結構、功能、動力系統、適應網路、structure–function coupling、inverse design、因果閉環、多重實現

---

## 1. 一個看似簡單、其實層級錯置的問題

常見問題是：

$$
\text{Structure}\rightarrow\text{Function}?
$$

或：

$$
\text{Function}\rightarrow\text{Structure}?
$$

再進一步：

$$
\text{Relation}\rightarrow(\text{Structure},\text{Function})?
$$

這三種寫法各自在特定情境下都可能有意義，但若被當成普遍單向定律，就會出現問題。

蛋白質科學提供最經典的 $\text{sequence}\rightarrow\text{structure}\rightarrow\text{function}$ 語言，但現代蛋白質設計又會反向指定 desired function，再搜尋可實現該功能的結構與序列。[1] 神經科學中的 structure–function coupling 也不是固定的一對一映射；宏觀腦結構與功能耦合會隨腦區、個體、認知任務與時間改變。[2] Adaptive-network 研究更直接讓 network topology 與 node dynamics 共同演化，使「結構影響動力」與「動力改寫結構」同時成立。[3,4]

因此更適當的問題不是：

> 誰決定誰？

而是：

> **在什麼時間尺度、什麼系統邊界與什麼因果制度下，哪些變量是狀態，哪些是約束，哪些是控制，哪些是評價，而它們如何互相耦合？**

---

## 2. 關係與結構不是完全平行的變量

令系統由組件集合

$$
V=\{v_1,v_2,\ldots,v_N\}
$$

構成。

定義時變關係：

$$
R_{ij}(t)
=
\left(
 w_{ij}(t),
 \tau_{ij}(t),
 \kappa_{ij}(t),
 d_{ij}(t),
 \ldots
\right),
$$

其中可以包含耦合強度、時間延遲、作用類型、方向、權重與狀態依賴。

若只有 $R(t)$，我們得到的是一張時變作用網路；但「結構」通常還隱含至少三件事：

1. 某種材料或 carrier；
2. 某種幾何／拓撲 embedding；
3. 某種跨時間的持續性。

因此本文不將 $R$ 與 $S$ 視為完全對稱的原始變量，而寫成：

$$
\boxed{
S_t
=
\Sigma_{\Delta}
\left[
M,
R_{[t-\Delta,t]},
G_{[t-\Delta,t]},
H_t
\right]
}
$$

其中：

- $M$：材料或組件性質；
- $R$：關係；
- $G$：幾何與拓撲；
- $H$：歷史／內部記憶；
- $\Sigma_{\Delta}$：在時間窗 $\Delta$ 上將持續關係組織化為結構的算子。

因此可以粗略地說：

$$
\boxed{
\text{Structure}
\approx
\text{persistent organization of relations in a material-geometric carrier}
}
$$

這不是宣稱所有結構都能被簡化成 graph，而是指出「關係」比固定 snapshot 結構更接近時變因果層。

---

## 3. 結構確實會限制功能，但不是唯一決定者

若系統狀態為 $X(t)$，則其演化可寫成：

$$
\dot X(t)
=
\mathcal D
\left(
X,
M,
R,
G,
S,
E,
U,
H;
\mathcal L
\right),
$$

其中：

- $E$：環境與邊界條件；
- $U$：控制與輸入；
- $\mathcal L$：底層物理律；
- $\mathcal D$：有效動力律。

固定結構 $S$ 當然會限制哪些動力模式可被實現，但：

$$
S_1=S_2
$$

並不保證：

$$
X_1(t)=X_2(t),
$$

更不保證：

$$
F_1=F_2.
$$

因為功能還可能依賴：

$$
X,
R,
E,
U,
H
$$

等變量。

2024 年的宏觀腦 structure–function coupling 綜述正顯示，結構—功能對應具有區域差異、個體差異、task dependence 與時間變化；而 directed connectivity 的推論也高度依賴使用的因果／動力模型。[2,5]

因此更合理的是：

$$
\boxed{
S
\text{ constrains }
\mathcal D,
\quad
\mathcal D
\text{ generates trajectories},
\quad
F
\text{ evaluates trajectories}
}
$$

而不是簡單：

$$
S\rightarrow F.
$$

---

## 4. 功能不是裸變量，而是軌跡 functional

一個瞬間的系統 snapshot 往往不足以定義功能。

泵浦功能需要觀察它在一段時間內是否持續搬運流體；記憶需要比較不同時間的狀態依賴；適應需要比較擾動前後；預測需要比較現在行為與未來環境；認知功能更不可能只從一張結構圖推出。

因此令任務為 $\tau$，觀察者／讀取規約為 $O$，時間區間為 $[t_0,t_1]$，定義：

$$
\boxed{
F_{\tau,O}
=
\mathcal J_{\tau,O}
\left[
X_{[t_0,t_1]},
R_{[t_0,t_1]},
S_{[t_0,t_1]},
E_{[t_0,t_1]},
U_{[t_0,t_1]}
\right]
}
$$

其中 $\mathcal J$ 是功能評價 functional。

這立即產生兩個重要結果。

第一：

$$
\boxed{
\text{Function is task-relative}
}
$$

同一塊石頭對某個人可以是紙鎮，對河流是障礙物，對微生物是棲地。這些功能不是互相矛盾，而是 $\tau$ 不同。

第二：

$$
\boxed{
\text{Function need not be an intrinsic instantaneous property}
}
$$

因此在後續研究 AI-like functional system 時，我們不能只搜尋「看起來像神經網路」的結構，而必須定義跨時間的功能評價域。

---

## 5. 三種不同的因果制度

「功能決定結構」是否成立，取決於是否存在一個把功能結果重新寫回物理系統的機制。

### 5.1 被動物理制度

對一般非適應系統：

$$
(M,R,G,S,X,E)
\rightarrow
\mathcal D
\rightarrow
\text{trajectory}
\rightarrow
F_{\tau,O}.
$$

此時 $F$ 只是觀察者對軌跡的描述或評價。

若人類說：

> 這塊石頭的功能是壓紙。

這句話本身不會產生：

$$
F_{\mathrm{paperweight}}
\rightarrow
S_{\mathrm{rock}}.
$$

因此「功能反向決定結構」在一般被動物理系統中並不是原始因果箭頭。

### 5.2 工程／inverse-design 制度

工程系統存在外部設計器 $A$。

先指定目標功能：

$$
F^\star.
$$

再搜尋：

$$
(M,R,G,S)^\star
=
\arg\min
L(F,F^\star).
$$

於是出現：

$$
F^\star
\rightarrow
A
\rightarrow
(R,S).
$$

蛋白質 de novo design 已直接採用這類反向工作流：指定 desired function，尋找能實現它的結構，再設計能折疊到該結構的序列。[1]

所以這不是「未來的功能跨時間逆向造成過去結構」，而是：

$$
\boxed{
\text{functional objective}
\rightarrow
\text{designer/optimizer}
\rightarrow
\text{structure}
}
$$

### 5.3 自適應／生命／演化制度

若系統內部存在能根據功能結果修改自身的機制，則閉環真正內生化。

令 performance 或 viability 為：

$$
V_t
=
\mathcal V(F_t).
$$

關係更新：

$$
\dot R
=
\mathcal A_R
(R,X,E,V,H),
$$

結構更新：

$$
\dot S
=
\mathcal A_S
(S,R,X,E,V,H).
$$

形成：

$$
\boxed{
R,S
\rightarrow
\mathcal D
\rightarrow
F
\rightarrow
V
\rightarrow
R',S'
}
$$

這才是功能結果真正反過來塑造結構的制度。

Adaptive-network 研究已明確研究 network connection weights 與 node dynamics 共演化的情形；higher-order adaptive networks 也進一步讓群體交互關係隨動力狀態改變。[3,4]

---

## 6. 演化中的「功能決定結構」其實是選擇器閉環

生物演化提供另一個清楚例子。

某一代的結構：

$$
S_i
$$

產生某種功能與表型：

$$
S_i
\rightarrow
F_i.
$$

不同 $F_i$ 影響 survival/reproduction：

$$
F_i
\rightarrow
W_i.
$$

selection 再改變下一代結構分布：

$$
W_i
\rightarrow
P(S_{t+1}).
$$

因此跨世代閉環是：

$$
\boxed{
S_t
\rightarrow
F_t
\rightarrow
W_t
\rightarrow
S_{t+1}
}
$$

2024 年 biomineralized structures 的收斂演化綜述顯示，不同 lineage 可以在相似 selection pressures 下獨立形成相似的多尺度結構與性能；這正說明功能／選擇壓力可以在長時間尺度上約束可存續的結構解空間。[6]

因此「功能塑造結構」在演化語境下是合理的，但它不是裸 $F\rightarrow S$，而是：

$$
\boxed{
F
\rightarrow
\text{selection operator}
\rightarrow
S'
}
$$

---

## 7. Mechanobiology：單一生命體內也能形成快速雙向閉環

不必等到跨世代演化，組織與細胞本身就會出現結構—功能的快速雙向作用。

2025 年 mechanobiology 跨時間尺度綜述指出，短時間機械刺激可以透過 mechanosensing、cytoplasmic mechanotransduction 與 nuclear response 影響長時間尺度的發育與病理；同時細胞自己產生的力又會改變組織結構與力學環境。[7]

因此：

$$
S_t
\rightarrow
\text{mechanical dynamics}
\rightarrow
F_t
$$

可以進一步閉合成：

$$
F_t
\rightarrow
\text{cellular action}
\rightarrow
S_{t+1}.
$$

這表明在 adaptive living systems 中，「結構」與「功能」甚至不是慢變與快變的固定角色，而會隨尺度不同交換地位。

---

## 8. 關係可能比固定結構更底層，但仍不是唯一底層

如果兩個系統具有相同組件集合：

$$
M_1=M_2,
$$

但：

$$
R_1\neq R_2,
$$

則可產生不同結構與功能。

反之，即使 static topology 看起來相同，只要 interaction law 不同：

$$
\mathcal D_1\neq\mathcal D_2,
$$

也可得到完全不同的功能。

因此我們不能寫：

$$
R\rightarrow(S,F)
$$

就結束。

更合理的是：

$$
\boxed{
(M,R,G,X,H,E,U)
\xrightarrow{\mathcal D}
\text{trajectory}
\xrightarrow{\mathcal J_{\tau,O}}
F
}
$$

同時：

$$
S
=
\Sigma(M,R,G,H).
$$

若系統 adaptive：

$$
\dot R,
\dot G,
\dot S
$$

又會依賴過去的 $F$ 、 $V$ 與 $X$。

所以真正的中心不是三個名詞互相畫箭頭，而是**一組時變耦合算子**。

---

## 9. 關係—結構—動力—功能閉環模型

本文給出一個最低限度模型。

### 9.1 狀態動力

$$
\dot X
=
\mathcal D_X
(X,M,R,G,S,E,U,H;\mathcal L).
$$

### 9.2 關係更新

$$
\dot R
=
\mathcal D_R
(R,X,G,S,E,U,H,V).
$$

### 9.3 幾何更新

$$
\dot G
=
\mathcal D_G
(G,R,X,E,U,H,V).
$$

### 9.4 結構形成

$$
S_t
=
\Sigma_{\Delta}
[M,R,G,H].
$$

### 9.5 歷史／記憶更新

$$
\dot H
=
\mathcal D_H
(H,X,R,S,E,U).
$$

### 9.6 功能評價

$$
F_{\tau,O}
=
\mathcal J_{\tau,O}
[X,R,S,E,U]_{[t_0,t_1]}.
$$

### 9.7 選擇／控制評價

若存在內生 adaptive mechanism：

$$
V
=
\mathcal V(F,E,H).
$$

於是 $V$ 再進入 $\mathcal D_R$ 、 $\mathcal D_G$ 或 $\mathcal D_X$。

完整閉環為：

$$
\boxed{
(M,R,G,S,X,H,E,U)
\rightarrow
\mathcal D
\rightarrow
F
\rightarrow
V
\rightarrow
(R',G',S',X',H')
}
$$

---

## 10. 這個模型為何對認知問題重要？

若我們未來要搜尋 AI-like functional system，最危險的錯誤就是預設：

$$
\text{cognition}
\Rightarrow
\text{brain-like structure}.
$$

若功能是整段關係動力軌跡的性質，那真正應搜尋的是：

$$
\Phi_{\mathrm{cog}}
=
\left(
\text{memory},
\text{integration},
\text{adaptive control},
\text{prediction},
\text{history dependence},
\text{causal restructuring},
\ldots
\right).
$$

此時不同 substrate：

$$
M_{\mathrm{neural}},
M_{\mathrm{electronic}},
M_{\mathrm{photonic}},
M_{\mathrm{chemical}},
M_{\mathrm{field}}
$$

原則上可以具有完全不同的 $R,S,G$，卻仍在某些功能描述下：

$$
\Phi_{\mathrm{cog}}(X_i)
\approx
\Phi_{\mathrm{cog}}(X_j).
$$

這不證明意識等價。

它只表示：

$$
\boxed{
\text{cognitive functional equivalence}
\text{ must not be reduced to morphological similarity}
}
$$

這是本系列後續 AFR、NDR 與 NCOP 的共同前提。

---

## 11. 對前一系列 CRC 的形式修正

前一系列使用：

$$
\Gamma(c)
\rightarrow
Y
$$

表示構成 $c$ 產生有效物理目標 $Y$。

這對固定材料與靜態 inverse design 很有用，但若研究生命、認知或 adaptive physical systems，這個映射太壓縮。

更完整應改為：

$$
\boxed{
\Gamma(c,H_0,E,U)
\rightarrow
\mathcal T_{[t_0,t_1]}
\rightarrow
\mathcal J_{\tau,O}(\mathcal T)
=
F_{\tau,O}
}
$$

其中：

$$
\mathcal T_{[t_0,t_1]}
$$

是一整段 system trajectory。

若系統可自我改寫：

$$
c(t)
$$

本身也變成狀態，因此：

$$
\dot c
=
\mathcal A(c,X,E,F,H).
$$

這意味著「構成復現」在認知系統裡不是搜尋一個靜態物件，而可能是搜尋一個**能生成、維持與修改自身構成的動力制度**。

---

## 12. 四個不能混淆的等價

後續研究必須區分：

### 12.1 結構等價

$$
S_1\approx S_2.
$$

### 12.2 動力等價

$$
\mathcal D_1\approx\mathcal D_2.
$$

### 12.3 功能等價

$$
F_{\tau,O}^{(1)}
\approx
F_{\tau,O}^{(2)}.
$$

### 12.4 認知功能等價

$$
\Phi_{\mathrm{cog}}(X_1)
\approx
\Phi_{\mathrm{cog}}(X_2).
$$

前三者都不能自動推出 consciousness equivalence：

$$
\boxed{
\text{functional/cognitive equivalence}
\not\Rightarrow
\text{phenomenal-consciousness equivalence}
}
$$

至少以目前科學狀態而言，這最後一步仍然缺乏已知充分條件。

因此本系列使用「認知功能體」而不是預設「意識體」，以保留功能研究與意識本體論之間的必要距離。

---

## 13. 可檢驗預測

### 預測一：固定結構不足以唯一預測功能

對結構相似樣本控制 $S$，改變：

$$
X,H,E,U
$$

應可產生顯著不同功能結果。

神經科學 structure–function coupling 的 task/time dependence 已是這類現象的重要實例。[2]

### 預測二：adaptive systems 中因果方向會隨時間尺度改變

短時間：

$$
S_t
\rightarrow
F_t.
$$

較長時間：

$$
F_t
\rightarrow
V_t
\rightarrow
S_{t+1}.
$$

因此只做 instantaneous causal graph 會漏掉跨尺度 feedback。

### 預測三：功能等價可以由結構差異很大的系統實現

若 multiple realizability 成立，則應存在：

$$
S_1\not\approx S_2
$$

但：

$$
F_{\tau,O}^{(1)}
\approx
F_{\tau,O}^{(2)}.
$$

這將直接連到下一篇的跨 substrate 認知功能實現。

### 預測四：真正高階 adaptive function 應伴隨可測的 causal restructuring

若一個系統不只執行固定 response，而能因歷史結果提高未來性能，則應能測得：

$$
R_t\neq R_{t+1}
$$

或：

$$
\mathcal D_t\neq\mathcal D_{t+1}
$$

且這種改變與後續 performance gain 存在介入式因果關係。

---

## 14. 對「功能決定結構」問題的最終回答

本文因此給出四個不同答案。

### 對被動物理系統

$$
\boxed{
\text{通常是結構／關係／狀態／動力共同生成行為，功能只是任務性描述。}
}
$$

### 對工程系統

$$
\boxed{
\text{功能目標經由設計器與最佳化器反向選擇結構。}
}
$$

### 對生命與 adaptive systems

$$
\boxed{
\text{結構產生功能，功能結果經回授／選擇反過來改變結構。}
}
$$

### 對一般關係動力系統

$$
\boxed{
\text{關係與結構共同限制動力；功能是軌跡的任務性評價；若存在回寫機制，整體形成閉環。}
}
$$

所以真正的答案不是：

$$
S\rightarrow F,
$$

也不是：

$$
F\rightarrow S,
$$

而是：

$$
\boxed{
R,S,X,H,E,U
\leftrightarrow
\mathcal D
\rightarrow
F
\xrightarrow[\text{if adaptive}]{\text{selection/control}}
R',S',X',H'
}
$$

---

## 15. 結論：功能不是結構的影子，結構也不是功能的倒影

「結構決定功能」在很多局部問題中有用，但作為跨尺度一般理論太強；「功能決定結構」在 inverse design、演化與 adaptive feedback 中也成立，但必須指出實際執行反向選擇的因果機制；「關係決定一切」同樣太簡化，因為材料、幾何、狀態、歷史、環境與底層動力律都不能省略。

本文提出的更一般形式是：

$$
\boxed{
\text{material}
+
\text{relations}
+
\text{geometry}
+
\text{state}
+
\text{history}
+
\text{environment/control}
\rightarrow
\text{dynamics}
\rightarrow
\text{trajectory-relative function}
}
$$

若系統具有 selection、learning、adaptation、feedback 或 design：

$$
\boxed{
\text{function outcome}
\rightarrow
\text{selector/controller}
\rightarrow
\text{new relations and structure}
}
$$

這個閉環使「結構—功能」問題從靜態對應問題，變成一個高維、歷史依賴、跨尺度的關係動力系統問題。

它同時為新系列建立了最低層的物理語言：未來若要問光、電子、場、化學或其他非神經 substrate 能否形成 AI-like 功能體，我們首先不應搜尋固定腦形，而應搜尋能否形成相應的關係—動力—功能等價類；若再問自然界能否自行生成，就必須研究這類閉環能否在沒有工程者時自發形成；若再問我們如何知道，則必須建立 substrate-neutral 的因果觀測方法。

下一篇將因此進入：

$$
\boxed{
\text{人工認知功能可實現性}
}
$$

並檢查光、電子、電磁場、波動介質與其他人工約束物理系統，究竟已經能在多大程度上實現 AI-like functional organization。

---

## 參考文獻

1. Chu, A. E., Lu, T., & Huang, P.-S. (2024). “Sparks of function by de novo protein design.” *Nature Biotechnology*, 42, 203–215. DOI: 10.1038/s41587-024-02133-2.
2. Fotiadis, P., Parkes, L., Davis, K. A., et al. (2024). “Structure–function coupling in macroscale human brain networks.” *Nature Reviews Neuroscience*, 25, 688–704. DOI: 10.1038/s41583-024-00846-6.
3. Thamizharasan, S., Chandrasekar, V. K., Senthilvelan, M., & Senthilkumar, D. V. (2024). “Hebbian and anti-Hebbian adaptation-induced dynamical states in adaptive networks.” *Physical Review E*, 109, 014221. DOI: 10.1103/PhysRevE.109.014221.
4. Anwar, M. S., Jenifer, S. N., Muruganandam, P., Ghosh, D., & Carletti, T. (2024). “Synchronization in adaptive higher-order networks.” *Physical Review E*, 110, 064305. DOI: 10.1103/PhysRevE.110.064305.
5. Greaves, M. D., Novelli, L., Mansour L., S., et al. (2025). “Structurally informed models of directed brain connectivity.” *Nature Reviews Neuroscience*, 26, 23–41. DOI: 10.1038/s41583-024-00881-3.
6. Perricone, V., Sarmiento, E., Nguyen, A., et al. (2024). “The convergent design evolution of multiscale biomineralized structures in extinct and extant organisms.” *Communications Materials*, 5, 227. DOI: 10.1038/s43246-024-00669-z.
7. Cheng, B., Li, M., Lin, M., et al. (2025). “Mechanobiology across timescales.” *Nature Reviews Physics*, 7, 621–644. DOI: 10.1038/s42254-025-00874-w.
8. Listov, D., Goverde, C. A., Correia, B. E., & Fleishman, S. J. (2024). “Opportunities and challenges in design and optimization of protein function.” *Nature Reviews Molecular Cell Biology*, 25, 639–653. DOI: 10.1038/s41580-024-00718-y.

---

## 新系列預定結構

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