# 穩定性不是靜態值 ## ——知識新鮮度、衰減率與更新張力的動態模型 **Series:** Adaptive Epistemic Systems Series **Paper:** 2 / 11 **Version:** v0.1 **Language:** zh-TW **Status:** Complete Draft / Canonical UTF-8 Source --- ## 摘要 在持續與外部世界互動的智能系統中，「這筆知識是否仍然有效」不能被簡化成一個時間戳問題。某些資訊經過多年仍然有效，某些資訊在數秒內即可能失效；某些知識平時極度穩定，卻會在少數關鍵事件出現後發生結構性改變；另一些資訊則表面頻繁波動，但對系統核心推理幾乎沒有影響。因此，知識更新系統若只使用固定 TTL、定期刷新或單一衰減函數，通常無法同時處理高穩定知識、快速變動狀態與低頻高衝擊事件。 本文延伸非對稱時空張力框架，提出一個由「結構穩定性」、「資訊新鮮度」、「衰減率」、「外部變化危險率」、「事件相關性」、「系統影響度」與「更新成本」共同決定的動態更新模型。本文區分真實世界狀態的變化、系統對世界的認知老化，以及資料來源本身的可靠性衰退，並提出多種非指數型衰減函數，以避免把所有知識誤視為具有相同記憶半衰期。 本文進一步提出風險加權更新張力、更新債務、重驗證半徑、事件觸發喚醒、反脆弱更新與錯誤穩定性等概念。其核心命題是：知識的「新鮮」不是由時間單獨決定，而是由世界變化速率、資訊來源、依賴結構、任務風險與系統影響共同決定。高穩定知識不應被高頻刷新；高變動知識不應依賴低頻批次更新；而高穩定、高影響的基礎節點則應採取「低頻維護、事件監測、變化時大範圍重算」的非對稱策略。 **關鍵詞：** 知識新鮮度、資訊衰減、更新張力、危險率、更新債務、事件觸發、風險加權、動態知識系統、非對稱時間尺度 --- ## 1. 新鮮度不是時間戳 很多資訊系統以「最後更新時間」決定資料是否過期。最簡化的判斷是： $$ Fresh_i(t) = \mathbf{1} \left[ t-t_i^{\mathrm{last}}<\Delta_i \right] $$ 其中 $$\Delta_i$$ 是固定 TTL。 這種方法對快取管理十分實用，但若把它提升成一般知識新鮮度模型，就會出現明顯問題。 兩筆同樣在一年前取得的資訊： $$ k_a $$ 與： $$ k_b $$ 可能具有完全不同的有效性。 若 $$k_a$$ 是一個在指定形式體系中已完成證明的定理，而 $$k_b$$ 是某組織當時的主管名單，那麼： $$ t-t_a^{\mathrm{last}} = t-t_b^{\mathrm{last}} $$ 並不能推出： $$ Fresh_a(t) = Fresh_b(t) $$ 。 因此，本文主張： $$ \boxed{ \text{freshness is not elapsed time} } $$ 更精確地說，新鮮度應是： $$ F_i(t) = \mathcal{F} \left( \text{age}, \text{world volatility}, \text{source reliability}, \text{event exposure}, \text{dependency change}, \text{task risk} \right) $$ 的函數。 --- ## 2. 三種不同的「老化」 為避免概念混淆，本文至少區分三種老化。 ### 2.1 世界狀態老化 真實世界本身發生改變： $$ X_i^{\mathrm{world}}(t_1) \neq X_i^{\mathrm{world}}(t_2) $$ 因此系統中保存的舊值失效。 ### 2.2 認知狀態老化 即使世界沒有改變，系統仍可能因缺乏重新驗證，而逐漸降低對某資訊的信心： $$ C_i(t_2) < C_i(t_1) $$ 。 ### 2.3 資料來源老化 某個來源原本可靠，但其制度、介面、維護狀態或可信度改變： $$ R_{\mathrm{source}}(t_2) \neq R_{\mathrm{source}}(t_1) $$ 。 因此一個節點的有效性不應只寫成： $$ F_i(t) = e^{-\lambda_i(t-t_i^{\mathrm{last}})} $$ 而應拆成： $$ F_i(t) = F_i^{\mathrm{world}}(t) \cdot F_i^{\mathrm{epistemic}}(t) \cdot F_i^{\mathrm{source}}(t) $$ 。 這三者可以具有完全不同的時間尺度。 --- ## 3. 穩定性不是「永遠不變」 第一篇定義： $$ S_i\in[0,1] $$ 表示節點穩定性。 但若直接把 $$S_i$$ 當成固定常數，仍然會過度簡化世界。 更合理的形式是： $$ S_i=S_i(t,\mathcal{C}) $$ 其中 $$\mathcal{C}$$ 是知識域與上下文。 例如某個制度在平常時期可能： $$ S_i\approx0.95 $$ 但在戰爭、政權更替、制度改革或重大危機下： $$ S_i\rightarrow0.4 $$ 。 因此，穩定性本身也需要更新。 可定義： $$ S_i(t+1) = (1-\eta_i)S_i(t) + \eta_i\widehat{S}_i(t) $$ 其中： $$ \widehat{S}_i(t) $$ 是根據最近觀測推估的局部穩定性。 這使系統能夠學習： > 某類知識原本被認為穩定，但近期已進入高變動區。 --- ## 4. 從衰減率到危險率 固定指數衰減： $$ F_i(t) = e^{-\lambda_i\Delta t} $$ 具有計算簡單與無記憶性的優點，但它隱含： $$ \lambda_i=\text{constant} $$ 。 真實世界通常不是如此。 更一般地，可用時間變動危險率： $$ h_i(t) $$ 表示節點在時間 $$t$$ 發生有效改變的瞬時風險。 則生存函數為： $$ F_i^{\mathrm{world}}(t) = \exp \left( - \int_{t_0}^{t} h_i(u)\,du \right) $$ 。 如果： $$ h_i(t)=\lambda_i $$ 就退化為指數衰減。 但若世界具有週期、制度節點或事件集中特性，$$h_i(t)$$ 可以是： $$ h_i(t) = h_i^{\mathrm{base}} + h_i^{\mathrm{seasonal}}(t) + h_i^{\mathrm{event}}(t) $$ 。 例如某些狀態在固定政策會議、財報季、選舉期或年度更新日前後具有更高變動概率。 這比固定 TTL 更接近真實世界。 --- ## 5. 不同知識需要不同衰減函數 知識衰減不一定服從同一分布。 ### 5.1 近乎不衰減 對指定形式體系中的已證命題： $$ F_i(t)\approx1 $$ 除非公理、語義或形式環境改變。 ### 5.2 指數型衰減 某些具有近似常數風險率的狀態可使用： $$ F_i(t) = e^{-\lambda_i\Delta t} $$ 。 ### 5.3 Weibull 型衰減 若失效風險會隨時間增加或降低，可使用： $$ F_i(t) = \exp \left( -\left( \frac{\Delta t}{\alpha_i} \right)^{\beta_i} \right) $$ 。 當： $$ \beta_i>1 $$ 失效風險隨時間增加； 當： $$ \beta_i<1 $$ 則早期較容易失效，之後反而趨穩。 ### 5.4 階躍型失效 某些制度資料在特定事件之前幾乎完全有效，但事件一旦發生便突然失效： $$ F_i(t) = \begin{cases} 1, & t 現在把有限計算資源拿來重新驗證這個節點，值不值得？ 因此，更新張力本質上是一個資源配置變數。 --- ## 7. 任務依賴的新鮮度 同一筆資訊對不同任務可能有不同新鮮度要求。 定義任務 $$q$$ 下的有效新鮮度： $$ F_i(t\mid q) $$ 。 例如一筆半年前的公司基本資料，對歷史研究可能足夠新： $$ F_i(t\mid q_{\mathrm{history}}) \approx1 $$ 但對「今天誰是 CEO」這類任務可能： $$ F_i(t\mid q_{\mathrm{current}}) \ll1 $$ 。 因此不應有唯一： $$ Fresh_i(t) $$ 而是： $$ \boxed{ Fresh_i=Fresh_i(t,q) } $$ 。 更新閾值也應依任務調整： $$ \theta_i=\theta_i(q) $$ 。 在高風險任務下： $$ \theta_i(q_{\mathrm{high-risk}}) < \theta_i(q_{\mathrm{low-risk}}) $$ 使系統更容易觸發重新驗證。 --- ## 8. 更新債務 若某節點的更新張力長時間高於閾值，但系統因資源不足而沒有執行更新，就會累積「更新債務」。 定義： $$ D_i^{\mathrm{update}}(t) = \int_{t_0}^{t} \max \left( 0, T_i(u)-\theta_i \right) du $$ 。 若： $$ D_i^{\mathrm{update}}\uparrow $$ 表示該節點已經長時間處於「應重新確認但未確認」的狀態。 因此調度器不只應看瞬時張力，也要看： $$ Priority_i = f \left( T_i, D_i^{\mathrm{update}}, I_i, R_i^{\mathrm{task}} \right) $$ 。 這能避免某些中等張力節點因總是輸給高張力節點，而永遠不被更新。 --- ## 9. 更新不是越頻繁越好 如果每次有微小變化都更新，系統可能進入更新震盪。 設： $$ \epsilon_i $$ 為最小有效變化門檻。 只有當： $$ |\Delta X_i|>\epsilon_i $$ 或： $$ D_{\mathrm{belief}} \left( B_i^{t+1}, B_i^t \right) > \epsilon_i^{B} $$ 時，才將變化視為值得寫回 canonical state。 因此需要區分： $$ \text{observe} $$ 與： $$ \text{commit} $$ 。 一個節點可以被高頻觀察，但只有低頻提交正式狀態： $$ f_i^{\mathrm{observe}} \gg f_i^{\mathrm{commit}} $$ 。 這對高噪音資料尤其重要。 --- ## 10. 雙閾值與遲滯 如果更新閾值只有一條： $$ T_i>\theta_i $$ 則張力在閾值附近上下波動時，系統可能反覆喚醒與休眠。 可採用雙閾值： $$ \theta_i^{\mathrm{on}} > \theta_i^{\mathrm{off}} $$ 。 當： $$ T_i>\theta_i^{\mathrm{on}} $$ 節點進入活化； 當： $$ T_i<\theta_i^{\mathrm{off}} $$ 才重新休眠。 因此形成遲滯： $$ \boxed{ \text{activation threshold} \neq \text{deactivation threshold} } $$ 。 這可以降低更新震盪與不必要的狀態切換。 --- ## 11. 事件衝擊與結構性斷點 並非所有世界變化都是連續的。 若系統只依賴： $$ \frac{dX_i}{dt} $$ 可能無法充分處理突發結構性改變。 因此加入衝擊項： $$ J_i(t) $$ 。 當觀測與現有模型差異： $$ D \left( O_t, \widehat{O}_t \right) > \theta_i^{\mathrm{shock}} $$ 則： $$ J_i(t)\uparrow $$ 並直接提升： $$ T_i(t) $$ 。 在極端情況下可以： $$ T_i(t)\rightarrow\infty $$ 強制立即重驗證。 這使原本極度穩定的節點也不會因為高 $$S_i$$ 而永久免疫新證據。 因此： $$ \boxed{ \text{high stability must not imply epistemic immunity} } $$ 。 --- ## 12. 基礎節點的重驗證半徑 對高穩定、高影響節點： $$ S_i\uparrow $$ $$ I_i\uparrow $$ 平時更新頻率可以很低。 但若發生結構性改變，依賴其上的節點應被重新檢查。 定義重驗證半徑： $$ R_i^{\mathrm{reval}} = g \left( I_i, |\Delta X_i|, C_i, Topology(G) \right) $$ 。 若： $$ |\Delta X_i| $$ 很小，可能只需局部重算。 若： $$ |\Delta X_i| $$ 很大，而且 $$i$$ 位於高中心性的上游位置，則： $$ R_i^{\mathrm{reval}}\uparrow $$ 。 因此，低頻更新不代表低重要性。 --- ## 13. 依賴驅動的新鮮度 一個節點即使自己沒有直接收到新證據，也可能因上游依賴改變而失效。 若： $$ v_j\rightarrow v_i $$ 且： $$ \Delta X_j\neq0 $$ 則： $$ F_i(t) $$ 應受到影響。 可定義： $$ F_i^{\mathrm{dep}}(t) = \prod_{j\in Pa(i)} \left[ F_j(t) \right]^{\omega_{ji}} $$ 其中： $$ Pa(i) $$ 為 $$i$$ 的上游依賴集合。 則完整新鮮度可以寫成： $$ F_i^{\mathrm{total}}(t) = F_i^{\mathrm{self}}(t) \cdot F_i^{\mathrm{dep}}(t) $$ 。 這表示： > 一個節點可以因自己的資訊老化，也可以因它所依賴的世界已經改變而變舊。 --- ## 14. 新鮮度與可信度不能混為一談 一筆資訊可以很新，但不可靠： $$ Fresh_i\approx1 $$ $$ Confidence_i\ll1 $$ 。 也可以很舊但仍然高度可信： $$ Fresh_j<1 $$ $$ Confidence_j\approx1 $$ 。 因此至少需要： $$ N_i = ( x_i, F_i, C_i, S_i, T_i ) $$ 而不能只保存一個「confidence」。 新鮮度回答： > 這筆資訊距離需要重新確認的程度有多遠？ 可信度回答： > 在目前證據下，我們有多相信這筆資訊？ 兩者不同。 --- ## 15. 新鮮度也不等於真實性 即使： $$ F_i(t)=1 $$ 也只能表示： > 根據目前的更新政策，此資訊仍被視為足夠新。 不能推出： $$ x_i=\text{truth} $$ 。 因此： $$ \boxed{ Freshness \neq Confidence \neq Truth } $$ 。 這個三分法是大型知識系統非常重要的認識論衛生。 若三者被混在同一個分數裡，系統很容易將： - 最近取得的錯誤資訊； - 長期未更新但仍正確的資訊； - 高可信但已過時的資訊； 錯誤地排列在同一維度上。 --- ## 16. 風險加權更新 更新策略不應只由知識本身決定，也應受到「如果錯了會發生什麼」影響。 定義任務風險： $$ L_i(q) $$ 表示在任務 $$q$$ 中使用錯誤節點 $$i$$ 的預期損失。 則可將更新優先級寫成： $$ P_i^{\mathrm{update}} = T_i \cdot I_i \cdot L_i(q) $$ 。 若： $$ L_i(q)\uparrow $$ 即使 $$T_i$$ 只有中等程度，也可能值得立即驗證。 反之，若某節點容易變，但對當前任務影響極低： $$ L_i(q)\approx0 $$ 則不必浪費資源高頻刷新。 因此： $$ \boxed{ \text{freshness policy should be risk-aware} } $$ 。 --- ## 17. 有限算力下的更新排程 假設系統每一時間窗口只有總驗證預算： $$ B_t $$ 。 對每個候選節點定義： $$ U_i^{\mathrm{verify}} = \frac{ T_i \cdot I_i \cdot L_i \cdot D_i^{\mathrm{update}} }{ C_i^{\mathrm{verify}}+\varepsilon } $$ 。 則可以按照： $$ U_i^{\mathrm{verify}} $$ 排序並分配計算。 這裡的思想是： $$ \boxed{ \text{update where uncertainty, impact, debt and risk justify the cost} } $$ 。 因此，大型系統不需要追求「所有知識永遠最新」，而是追求： $$ \text{bounded staleness under bounded resources} $$ 。 --- ## 18. 穩定節點的事件監測模式 高穩定節點沒有必要高頻完整重算，但可以低成本監測是否出現能推翻其穩定假設的事件。 因此可分成： $$ \text{monitor} $$ 與： $$ \text{recompute} $$ 兩條路。 對穩定節點： $$ C_i^{\mathrm{monitor}} \ll C_i^{\mathrm{recompute}} $$ 。 平時只執行： $$ Monitor(v_i) $$ 若： $$ J_i(t)>\theta_i^{\mathrm{shock}} $$ 才： $$ Recompute(v_i) $$ 。 因此： $$ \text{low-frequency recomputation} + \text{continuous low-cost event watch} $$ 可以比單純固定週期更新更有效率。 --- ## 19. 錯誤穩定性與「熟悉造成的幻覺」 一個危險情況是：系統因某知識長期未被推翻，而逐步將其穩定性提高： $$ S_i(t)\uparrow $$ 最後使： $$ T_i(t)\downarrow $$ 。 若缺乏外部反證渠道，系統可能進入： $$ \text{not challenged} \Rightarrow \text{assumed stable} \Rightarrow \text{checked less} \Rightarrow \text{even less likely to be challenged} $$ 的閉環。 這是一種錯誤穩定性： $$ S_i^{\mathrm{perceived}} \gg S_i^{\mathrm{actual}} $$ 。 因此，需要加入最低驗證機率： $$ P(\mathrm{revalidate}_i)\ge\epsilon_i $$ 或者保留外部異常監測，使任何高穩定節點仍有非零機會被重新挑戰。 --- ## 20. 探索與維護的張力 有限資源下，系統需要在兩種行為之間分配算力： $$ \text{Maintenance} $$ 重新驗證已有知識； 以及： $$ \text{Exploration} $$ 尋找新的世界狀態與新節點。 若所有算力都用來維護： $$ B_{\mathrm{maintenance}} \rightarrow B $$ 系統可能很穩，但停止學習。 若所有算力都用於探索： $$ B_{\mathrm{exploration}} \rightarrow B $$ 則已有世界模型可能快速過時。 因此： $$ B = B_{\mathrm{maintenance}} + B_{\mathrm{exploration}} $$ 且兩者比例需要依世界波動與任務狀態動態調整。 在高變動事件期間： $$ B_{\mathrm{maintenance}}\uparrow $$ 在低變動、知識空白較大時： $$ B_{\mathrm{exploration}}\uparrow $$ 。 --- ## 21. 可驗證命題 ### 命題一：固定 TTL 非普適性 不存在單一固定： $$ \Delta^\ast $$ 可同時最小化所有知識域的過度更新與過時風險。 ### 命題二：任務條件化新鮮度 同一節點的最佳新鮮度閾值依任務而變： $$ F_i^\ast(q_1) \neq F_i^\ast(q_2) $$ 。 ### 命題三：事件驅動優勢 對具有低基線變動率但高衝擊事件的節點： $$ C_{\mathrm{event-driven}} < C_{\mathrm{fixed-refresh}} $$ 且可維持相近或更低的失效延遲。 ### 命題四：更新債務有助於避免飢餓 加入： $$ D_i^{\mathrm{update}} $$ 後，長期未更新節點的最大等待時間應下降。 ### 命題五：依賴感知優於孤立新鮮度 在存在明確依賴網路的系統中： $$ Error_{\mathrm{dependency-aware}} < Error_{\mathrm{isolated-refresh}} $$ 應至少在部分結構性變化場景成立。 --- ## 22. 實驗設計草案 可建立四類節點： $$ V = V_{\mathrm{formal}} \cup V_{\mathrm{slow}} \cup V_{\mathrm{fast}} \cup V_{\mathrm{shock}} $$ 。 其中： $$ V_{\mathrm{formal}} $$ 幾乎不變； $$ V_{\mathrm{slow}} $$ 緩慢變動； $$ V_{\mathrm{fast}} $$ 高頻變動； $$ V_{\mathrm{shock}} $$ 平時穩定但偶爾產生結構性跳變。 比較三種更新策略： $$ \Pi_1=\text{global fixed refresh} $$ $$ \Pi_2=\text{per-domain TTL} $$ $$ \Pi_3=\text{dynamic tension scheduling} $$ 。 主要指標包括： $$ C_{\mathrm{compute}} $$ $$ Staleness $$ $$ DetectionLatency $$ $$ PropagationError $$ $$ UpdateDebt $$ 與： $$ TaskLoss $$ 。 若： $$ \Pi_3 $$ 在相同資源下沒有降低過時率、偵測延遲或重算成本，則動態張力模型的工程價值必須受到質疑。 --- ## 23. 與貝葉斯更新的關係 本篇使用概率、危險率與信念概念，但不將所有更新都稱為貝葉斯。 例如： $$ F_i(t) = \exp \left( - \int h_i(u)\,du \right) $$ 本身只是生存／失效模型。 只有當系統有明確的： $$ P(H) $$ $$ P(E\mid H) $$ 並依條件化規則得到： $$ P(H\mid E) $$ 時，才具有嚴格的貝葉斯更新語義。 因此： $$ \boxed{ \text{probabilistic freshness model} \neq \text{Bayesian epistemology} } $$ 。 這一區分將在系列後段被完整展開。 --- ## 24. 從「多久更新一次」到「什麼情況值得更新」 固定週期思維詢問： > 這筆資料每多久更新一次？ 本篇改問： > 什麼狀態變化，使重新驗證這筆知識的期望價值高於成本？ 這可以寫成： $$ \mathbb{E} \left[ Value(\mathrm{verify}_i) \right] > C_i^{\mathrm{verify}} $$ 。 因此，時間只是一個輸入變數，不是更新政策本身。 這是一個重要轉換： $$ \boxed{ \text{calendar-driven update} \rightarrow \text{state-driven update} } $$ 。 --- ## 25. 最小更新策略 對每個節點 $$v_i$$： $$ v_i = ( x_i, F_i, C_i, S_i, T_i, I_i, D_i^{\mathrm{update}} ) $$ 。 每輪系統： 1. 接收外部事件 $$O_t$$； 2. 更新事件相關性與衝擊項； 3. 根據依賴變化調整局部新鮮度； 4. 計算 $$T_i$$； 5. 累積 $$D_i^{\mathrm{update}}$$； 6. 依任務風險與驗證成本計算優先級； 7. 在有限預算下選擇要驗證的節點； 8. 觀察結果與舊狀態差異； 9. 超過 commit 閾值才寫回 canonical state； 10. 必要時向下游傳播重驗證張力。 可濃縮為： $$ \boxed{ O_t \rightarrow T_i \rightarrow Priority_i \rightarrow Verify_i \rightarrow Commit_i \rightarrow Propagate_i } $$ 。 --- ## 26. 結論 知識的新鮮度不是一個單純的： $$ t-t_i^{\mathrm{last}} $$ 問題。 更合理的世界狀態系統必須同時考慮： $$ \text{stability} $$ $$ \text{world volatility} $$ $$ \text{hazard} $$ $$ \text{source reliability} $$ $$ \text{dependency change} $$ $$ \text{task risk} $$ $$ \text{verification cost} $$ 與： $$ \text{update debt} $$ 。 因此： $$ \boxed{ Freshness \neq Age } $$ $$ \boxed{ Freshness \neq Confidence } $$ $$ \boxed{ Stability \neq Truth } $$ 以及： $$ \boxed{ UpdateFrequency \neq SystemicImportance } $$ 。 真正的更新問題不是： > 每隔多久重新算一次？ 而是： $$ \boxed{ \text{When does the expected value of revalidation exceed its cost?} } $$ 。 這使第一篇提出的「非對稱時空張力」從一個描述世界不同變化速度的抽象概念，進一步成為可實作的計算資源調度原理。 當不同節點能以不同有效時間流動、不同資訊能採用不同衰減模型、不同任務能要求不同新鮮度，而基礎節點又能在罕見結構性改變時觸發大範圍重驗證，世界狀態系統才真正開始擺脫「所有知識都在同一個時鐘裡老化」的假設。 下一篇將進一步處理另一個核心問題：當這些動態狀態需要被讀取、操作、計算與表達時，如何從動態圖建立一個可執行的符號層，並使自然語言成為世界狀態的輸入／輸出界面，而不是把文字本身誤當成 canonical state。 --- ## 附錄 A：核心變數 | 符號 | 定義 | |---|---| | $$F_i$$ | 節點資訊新鮮度 | | $$S_i$$ | 節點穩定性 | | $$C_i$$ | 節點可信度 | | $$T_i$$ | 更新張力 | | $$h_i(t)$$ | 世界狀態變化危險率 | | $$I_i$$ | 系統影響度 | | $$A_i$$ | 資訊年齡 | | $$J_i$$ | 事件衝擊量 | | $$D_i^{\mathrm{update}}$$ | 更新債務 | | $$L_i(q)$$ | 任務風險／錯誤損失 | | $$C_i^{\mathrm{verify}}$$ | 重驗證成本 | | $$R_i^{\mathrm{reval}}$$ | 重驗證傳播半徑 | --- ## 附錄 B：最小風險加權張力模型 一個可供實驗起始使用的簡化式為： $$ T_i(t) = \alpha A_i(t) + \beta h_i(t) + \gamma J_i(t) + \delta D_i^{\mathrm{dep}}(t) $$ 並定義： $$ Priority_i(t,q) = \frac{ T_i(t) \cdot I_i \cdot L_i(q) \cdot \left( 1+D_i^{\mathrm{update}}(t) \right) }{ C_i^{\mathrm{verify}}(t)+\varepsilon } $$ 。 系統在有限預算 $$B_t$$ 下選擇優先級最高的節點進行重新驗證。 此公式不是宣稱唯一正確的更新法則，而是一個可以被實驗比較、校準與否證的最小實作起點。