# 載體投影與內視系列（B06）
## 外視與內視其實是一個循環
### 遞歸再投影與認知載體閉環

**英文題名：** Outer and Inner Observation as a Loop: Recursive Reprojection and Closed-Loop Cognitive Carriers  
**作者：** Neo.K  
**AI 協作：** Aletheia（GPT-5.6 Sol）  
**機構：** EveMissLab／一言諾科技有限公司  
**系列：** 載體投影與內視系列（Carrier Projection, Imagination, and Inner Observation）  
**篇次：** B06  
**版本：** v0.1  
**日期：** 2026-09-08  
**理論定位：** 載體幾何 × 內視算子論 × cognitive offloading × distributed cognition × closed-loop perception × perception–action loop  
**前篇接口：** B05《閉上眼睛之後，世界沒有消失》  
**狀態：** 概念、形式與可檢驗框架；不宣稱任何單一閉環理論已充分解釋人類意識或認知本體

---

## 摘要

前五篇依序建立：觀察者通常透過投影物體而非無中介地取得目標；巨大尺度可經尺度投影與序列 Zoom 轉成可操作直觀；想像可以是受模型約束的結構操作而非單純虛構；內視是對觀察者可及內部表徵的選取與操作，而不是對完整自我的透明掃描；當即時感官耦合下降時，內部表徵仍可維持、重建、模擬，並在感知再進入時接受新證據校正。這些結果若只被理解成一串單向流程，仍缺少一個關鍵結構：人類認知並不是一次完成的「世界進入心智」，而是一個反覆把世界轉成表示、把表示轉成內部操作、把內部操作重新外顯，再由自己、他人、工具與世界重新約束的閉環。

本文提出**遞歸再投影閉環（Recursive Reprojection Loop, RRL）**。設第 $k$ 輪的目標模型為 $M_k$，外部投影為 $P_k$，內部表徵為 $X_k$，內部操作族為 $\mathfrak{O}_k$，外顯化後的新投影為 $P_k'$，重新取得的證據為 $Y_{k+1}$，更新後模型為 $M_{k+1}$。核心鏈為：

$$
M_k
\xrightarrow{\Pi_k}
P_k
\xrightarrow{\mathcal{I}_k}
X_k
\xrightarrow{\mathfrak{O}_k}
X_k'
\xrightarrow{\mathcal{E}_k}
P_k'
\xrightarrow{\mathcal{V}_k}
Y_{k+1}
\xrightarrow{\mathcal{U}_k}
M_{k+1}.
$$

其中 $\Pi$ 是投影， $\mathcal{I}$ 是內化／表徵實例化， $\mathfrak{O}$ 是想像、內視、比較、模擬與推理等操作， $\mathcal{E}$ 是外顯化， $\mathcal{V}$ 是重新觀察或驗證， $\mathcal{U}$ 是更新。若 $M_{k+1}$ 再生成下一輪投影，便得到：

$$
\boxed{
M_k
\rightarrow
P_k
\rightarrow
X_k
\rightarrow
X_k'
\rightarrow
P_k'
\rightarrow
Y_{k+1}
\rightarrow
M_{k+1}
\rightarrow
\cdots
}
$$

本文主張，這個閉環至少包含三種不能混淆的回路。第一是**觀察回路（observational loop）**：外部狀態被投影、感知、內化並再檢查，但不必改變目標世界。第二是**認知再投影回路（epistemic reprojection loop）**：觀察者把內部表徵外顯成草圖、文字、公式、動畫、模型、程式或 AI 可操作結構，再透過重新觀看與操作降低認知負荷、暴露錯誤或生成新洞見。第三是**世界干預回路（intervention loop）**：內部判斷經授權轉成行動，實際改變世界，然後重新觀察結果。三者的差異可以寫為：

$$
\boxed{
\text{Observe}
\neq
\text{Reproject}
\neq
\text{Actuate}.
}
$$

這一區分與 epistemic action、cognitive offloading、distributed cognition、extended cognition、active inference 與 closed-loop perception 等既有研究形成接口，但本文不把任何單一既有框架當成完整基礎。cognitive offloading 實證顯示，人會利用外部提醒、物件操作與環境變換降低內部記憶或計算需求；epistemic action 顯示某些外部動作的直接目的不是完成世界任務，而是讓認知問題更容易；closed-loop perception 則強調生物知覺依賴感官取得與動作之間的持續互動。本文將這些結果整合到「投影載體閉環」中，同時保留哲學邊界：外部工具能成為認知實作的一部分，不自動意味外部工具與人類形成同一主觀主體。

本文進一步提出**再投影不是修正（Reprojection $\neq$ Correction）**。舊投影可能在舊任務、舊尺度、舊觀察者或舊載體下完全有效，只是在新條件下不再是最佳表示。因此再投影可以由錯誤觸發，也可以由任務切換、注意切換、尺度切換、觀察者切換、載體切換、資源預算改變或協作需要觸發。這使再投影成為一種認知版本轉換，而不只是錯誤修補。

本文最後提出**認知閉環債務（Cognitive Loop Debt）**與**跨載體校正**。每次投影、內化、內部操作、外顯與重新驗證都可能帶來壓縮、延遲、來源混淆、語義漂移與權威誤置。有效閉環不是讓所有階段完美無損，而是保存 provenance、task scope、projection debt、uncertainty、validation state 與 rollback path，使系統知道哪個表示在何種條件下有效。

因此，本文對人類與 AI 的共同問題提出一個較一般的答案：智能不是只發生在「腦內思考」或「外部感知」任一端，而可以被理解為一個在世界、外部載體、內部表徵、工具、他人與行動之間反覆遞歸再投影的有限閉環系統。

**關鍵詞：** 遞歸再投影、認知閉環、外視、內視、投影物體、cognitive offloading、epistemic action、distributed cognition、closed-loop perception、perception–action loop、AI-native cognition

---

# 0. 問題：為什麼「世界進入心智」這個箭頭還不夠？

前五篇可以暫時壓縮成：

$$
\mathcal{R}
\rightarrow
M
\rightarrow
P
\rightarrow
X
\rightarrow
J.
$$

這條鏈有用。

但它容易讓人誤會認知是一次性的：

> 世界提供資訊，人把資訊收進來，最後理解完成。

實際認知通常不是這樣。

人會：

1. 看；
2. 想；
3. 畫；
4. 再看；
5. 修改；
6. 問別人；
7. 用工具算；
8. 再修改；
9. 嘗試行動；
10. 看結果；
11. 再建立模型。

因此更接近：

$$
\boxed{
\text{world}
\rightarrow
\text{representation}
\rightarrow
\text{internal operation}
\rightarrow
\text{externalization}
\rightarrow
\text{new observation}
\rightarrow
\text{model update}.
}
$$

這不是一條線。

它是一個迴圈。

---

# 1. B01–B05 的五個接口

## 1.1 B01：投影物體

$$
P
=
\Pi(M,o,c,\tau,b).
$$

目標不是把實在原封不動複製，而是在特定載體、任務與預算下保存可操作結構。

## 1.2 B02：跨尺度投影

$$
\text{global scale span}
\rightarrow
\text{temporal traversal of local scale windows}.
$$

## 1.3 B03：模型媒介結構想像

$$
X
\xrightarrow{\mathfrak{O}_{\mathrm{imag}}}
X'.
$$

## 1.4 B04：新版內視

$$
X'
\xrightarrow{\mathfrak{O}_{\mathrm{intro}}}
J.
$$

## 1.5 B05：離線模擬與再進入

$$
X^{-}
\xrightarrow{\text{new evidence}}
X^{+}.
$$

B06 將它們閉合。

---

# 2. 遞歸再投影閉環

**定義 2.1（Recursive Reprojection Loop, RRL）**

對第 $k$ 輪認知狀態，定義：

$$
\mathsf{RRL}_k
=
\left(
M_k,
P_k,
X_k,
\mathfrak{O}_k,
P_k',
Y_{k+1},
M_{k+1}
\right).
$$

其狀態流為：

$$
\boxed{
M_k
\xrightarrow{\Pi_k}
P_k
\xrightarrow{\mathcal{I}_k}
X_k
\xrightarrow{\mathfrak{O}_k}
X_k'
\xrightarrow{\mathcal{E}_k}
P_k'
\xrightarrow{\mathcal{V}_k}
Y_{k+1}
\xrightarrow{\mathcal{U}_k}
M_{k+1}.
}
$$

若：

$$
M_{k+1}
\xrightarrow{\Pi_{k+1}}
P_{k+1},
$$

則開始下一輪。

---

# 3. 各算子的功能

## 3.1 Projection

$$
\Pi_k:
M_k
\rightarrow
P_k.
$$

把模型轉成觀察者可用載體表示。

## 3.2 Internalization

$$
\mathcal{I}_k:
P_k
\rightarrow
X_k.
$$

將外部投影轉成內部可操作表徵。

## 3.3 Internal Operations

$$
\mathfrak{O}_k:
X_k
\rightarrow
X_k'.
$$

包括：

- 比較；
- 旋轉；
- 縮放；
- 切片；
- 模擬；
- 內視；
- 反事實；
- 推理；
- 重組。

## 3.4 Externalization

$$
\mathcal{E}_k:
X_k'
\rightarrow
P_k'.
$$

把內部結果轉回外部載體。

## 3.5 Validation / Re-observation

$$
\mathcal{V}_k:
P_k'
\rightarrow
Y_{k+1}.
$$

由自己、他人、儀器、程式、實驗或環境重新讀取。

## 3.6 Update

$$
\mathcal{U}_k:
(M_k,Y_{k+1})
\rightarrow
M_{k+1}.
$$

---

# 4. Reprojection 是什麼？

B06 使用「reprojection」指：

> 已存在一個可操作表示後，認知系統基於新的內部狀態、任務、觀察者、載體、證據或尺度，再建立另一個表示。

因此：

$$
P_k
\rightarrow
X_k
\rightarrow
P_k'
$$

是一種最小再投影。

更一般地：

$$
\boxed{
\operatorname{Reproject}
:
(M,c,\tau,o)
\rightarrow
P'.
}
$$

---

# 5. Reprojection 不等於 Correction

這一點與既有 SPET 線一致。

$$
\boxed{
\text{Reprojection}
\neq
\text{Correction}.
}
$$

舊投影 $P_k$ 可能：

- 沒有錯；
- 對舊任務最佳；
- 對舊尺度最佳；
- 對另一觀察者最佳；
- 對另一資源預算最佳。

只是：

$$
P_k
$$

不再適合：

$$
(c_{k+1},\tau_{k+1},o_{k+1},b_{k+1}).
$$

所以再投影可以是：

$$
\text{representation migration},
$$

不是：

$$
\text{error repair only}.
$$

---

# 6. 再投影的七種觸發

本文提出：

$$
\mathcal{T}_{\mathrm{reproj}}
=
\{
T_{\mathrm{error}},
T_{\mathrm{task}},
T_{\mathrm{attention}},
T_{\mathrm{scale}},
T_{\mathrm{carrier}},
T_{\mathrm{observer}},
T_{\mathrm{budget}}
\}.
$$

分別代表：

- 誤差變大；
- 任務改變；
- 注意目標改變；
- 尺度改變；
- 載體改變；
- 觀察者改變；
- 計算／認知預算改變。

因此：

$$
\boxed{
\text{representation change}
\text{ can be rational without prior representation being false}.
}
$$

---

# 7. 認知不是只有 Read-Side

如果只有：

$$
\text{World}
\rightarrow
\text{Projection}
\rightarrow
\text{Observer},
$$

那是一個 read-side 架構。

但實際思考需要：

$$
\text{Observer}
\rightarrow
\text{Projection}'
\rightarrow
\text{Observer}'.
$$

若還有行動：

$$
\text{Observer}
\rightarrow
\text{Action}
\rightarrow
\text{World}'.
$$

所以完整認知不能只建模「怎麼看」。

還需要：

$$
\boxed{
\text{perceive}
+
\text{represent}
+
\text{re-represent}
+
\text{act}
+
\text{verify}.
}
$$

---

# 8. 三種閉環必須分開

本文定義三種基本 loop。

## 8.1 觀察回路

$$
W
\rightarrow
P
\rightarrow
X
\rightarrow
J.
$$

主要目標是取得與更新知識。

## 8.2 認知再投影回路

$$
X
\rightarrow
P'
\rightarrow
X'.
$$

主要目標是改變表示條件，使思考更容易。

## 8.3 世界干預回路

$$
J
\rightarrow
A
\rightarrow
W'
\rightarrow
Y'.
$$

主要目標是實際改變世界並觀察後果。

因此：

$$
\boxed{
\text{Observe}
\neq
\text{Reproject}
\neq
\text{Actuate}.
}
$$

---

# 9. Epistemic Action 正好位於中間

Kirsh 與 Maglio 的 epistemic action 提醒我們：

有些外部動作不是直接讓世界更接近最終目標，而是：

$$
\boxed{
\text{change the world}
\text{ to make cognition easier}.
}
$$

例如：

- 旋轉 Tetris 方塊以更容易判斷；
- 把紙轉方向；
- 寫下中間結果；
- 排列實體卡片；
- 移動棋子來看局面；
- 畫輔助線。

因此 epistemic action 可以寫為：

$$
A_{\mathrm{epi}}
:
(W,X)
\rightarrow
(W',X'),
$$

其中主要效用不是 $W'$ 本身，而是：

$$
C_{\mathrm{cog}}(X')
<
C_{\mathrm{cog}}(X).
$$

---

# 10. Pragmatic Action 與 Epistemic Action

Pragmatic action：

$$
A_{\mathrm{prag}}
\rightarrow
\text{goal-state progress}.
$$

Epistemic action：

$$
A_{\mathrm{epi}}
\rightarrow
\text{information / computational advantage}.
$$

同一動作可以同時具有兩種成分。

因此：

$$
\boxed{
A
=
A_{\mathrm{prag}}
+
A_{\mathrm{epi}}
}
$$

只是概念分解，不必表示物理動作真的可線性拆開。

---

# 11. Cognitive Offloading：把認知工作搬到外部

若內部負荷為：

$$
C_{\mathrm{int}},
$$

外部載體操作成本為：

$$
C_{\mathrm{ext}},
$$

則觀察者可能選擇：

$$
\operatorname{Offload}
$$

使：

$$
C_{\mathrm{int}}'
<
C_{\mathrm{int}}.
$$

代價是：

$$
C_{\mathrm{ext}}>0.
$$

因此 cognitive offloading 不是免費。

它是：

$$
\boxed{
\text{internal load reduction}
\leftrightarrow
\text{external action / dependency cost}.
}
$$

---

# 12. 外部載體不是單純輸出介面

紙張、螢幕、白板、程式、CAD、VR 與 AI 可以：

- 保存狀態；
- 重新排列；
- 暴露關係；
- 降低記憶負荷；
- 提供新的視覺不變量；
- 允許多次重讀；
- 讓他人加入。

因此：

$$
\boxed{
\text{external carrier}
\neq
\text{passive display only}.
}
$$

它可以是閉環中的工作狀態。

---

# 13. Hybrid Reflective System

B04 已提出：

$$
\text{human introspection}
+
\text{external carrier}
=
\text{hybrid reflective system}.
$$

B06 將其一般化。

令：

$$
\mathcal{H}_k
=
\left(
X_k,
P_k,
T_k
\right),
$$

其中 $T_k$ 是工具或外部載體狀態。

則認知狀態可跨：

$$
\text{internal}
+
\text{external}
$$

反覆更新。

---

# 14. Extended Cognition 與 Extended Subject 必須分開

外部工具可能參與認知實作。

但不能因此直接推出：

$$
\boxed{
\text{Extended Cognition}
=
\text{Extended Subject}.
}
$$

更保守的是：

$$
\text{cognitive implementation boundary}
$$

可能比：

$$
\text{skull boundary}
$$

更有彈性。

但：

$$
\text{phenomenal subject boundary}
$$

仍是另一個問題。

---

# 15. Distributed Cognition 的接口

在導航、航空、團隊協作等場景中，認知工作可以分散在：

- 多個人；
- 儀表；
- 規則；
- 地圖；
- 文件；
- 社會程序。

因此一個有效認知單元可以寫成：

$$
\mathcal{C}_{\mathrm{dist}}
=
(V_{\mathrm{agent}},V_{\mathrm{artifact}},E_{\mathrm{interaction}}).
$$

這不是說團隊自動形成一個意識。

而是：

$$
\boxed{
\text{task cognition}
\text{ can be distributed across heterogeneous carriers}.
}
$$

---

# 16. 外顯化本身會改變想法

內部表徵：

$$
X
$$

被寫成：

$$
P=\mathcal{E}(X).
$$

外顯化不一定是無損輸出。

可能有：

$$
P
=
X
-
L_{\mathrm{express}}
+
G_{\mathrm{struct}}.
$$

其中：

- $L_{\mathrm{express}}$：表達損失；
- $G_{\mathrm{struct}}$：外顯後新增的可見結構。

例如寫公式可能丟失一些直覺，但讓隱藏矛盾變得可見。

---

# 17. 外顯化可以創造新的可觀察性

原本內部：

$$
X
$$

中的關係可能不易直接比較。

經外顯：

$$
P
=
\mathcal{E}(X),
$$

觀察者可以執行：

$$
\mathcal{O}_{\mathrm{compare}}(P).
$$

因此：

$$
\boxed{
\text{Externalization}
\text{ can create new observables}.
}
$$

這是再投影閉環的重要機制。

---

# 18. 「把問題寫下來」不是附加動作

寫下來可能：

- 固定變量；
- 暴露缺項；
- 建立順序；
- 減少工作記憶；
- 允許回看；
- 允許他人檢查。

因此：

$$
\boxed{
\text{write}
\rightarrow
\text{reconfigure cognitive problem}.
}
$$

不是單純保存已完成思想。

---

# 19. 「畫圖」也是一種重新計算

如果：

$$
X
\rightarrow
P_{\mathrm{graph}},
$$

圖形布局可以把：

$$
\text{symbolic relation}
$$

轉成：

$$
\text{spatial relation}.
$$

新的載體使某些問題由：

$$
C_{\mathrm{symbolic}}
$$

變成：

$$
C_{\mathrm{visual}}.
$$

因此：

$$
\boxed{
\text{reprojection}
=
\text{possible change of computational difficulty}.
}
$$

---

# 20. 載體選擇是一個認知優化問題

設候選載體：

$$
\mathcal{C}
=
\{c_1,\ldots,c_n\}.
$$

對任務 $\tau$，可定義：

$$
J(c\mid\tau)
=
Q_{\tau}(c)
-
\lambda T(c)
-
\mu C(c)
-
\nu D(c).
$$

其中：

- $Q_\tau$：任務品質；
- $T$：時間成本；
- $C$：計算／認知成本；
- $D$：投影債務。

最佳載體：

$$
c^\ast
=
\operatorname*{arg\,max}_{c\in\mathcal{C}}
J(c\mid\tau).
$$

---

# 21. 最佳載體不必是最「直觀」的載體

例如：

- 人類看圖快；
- 程式驗證符號規則快；
- AI 直接讀 graph 或 tensor 可能更有效；
- 數值 solver 不需要 3D 動畫。

所以：

$$
\boxed{
\text{intuitive for human}
\neq
\text{computationally optimal for all carriers}.
}
$$

---

# 22. 再投影是跨載體編譯

若：

$$
P_i
\in
c_i,
$$

轉到：

$$
P_j
\in
c_j,
$$

可以寫：

$$
P_j
=
\mathcal{C}_{i\rightarrow j}(P_i).
$$

這是：

$$
\boxed{
\text{cross-carrier representation compilation}.
}
$$

例如：

$$
\text{equation}
\rightarrow
\text{plot},
$$

$$
\text{graph}
\rightarrow
\text{table},
$$

$$
\text{human sketch}
\rightarrow
\text{machine-readable geometry}.
$$

---

# 23. Cross-Carrier Invariants

不同投影應追蹤：

$$
\mathcal{I}_{\mathrm{cross}}
=
\{
I_1,\ldots,I_m
\}.
$$

例如：

- identity；
- adjacency；
- ordering；
- causal direction；
- scale；
- units；
- provenance。

若跨投影後：

$$
I_k(P_i)
\neq
I_k(P_j),
$$

就需要聲明失真或錯誤。

---

# 24. 再投影需要 Provenance

定義：

$$
\operatorname{Prov}(P_{k+1})
=
\left(
P_k,
\mathcal{C}_{k\rightarrow k+1},
\tau,
o,
c,
t,
Q,
D
\right).
$$

至少要知道：

- 從哪來；
- 為什麼轉；
- 誰轉；
- 用什麼規則；
- 哪些結構保存；
- 哪些結構失去。

---

# 25. 認知 Epoch

在一段時間內，系統可能使用穩定表示：

$$
\mathcal{E}_k
=
(M_k,P_k,\tau_k,c_k,o_k).
$$

當條件改變，再進入：

$$
\mathcal{E}_{k+1}.
$$

因此：

$$
\boxed{
\text{cognitive representation}
\text{ can have epochs}.
}
$$

這與 SPET 的 projection epoch 有結構接口，但 B06 用於一般認知表示，不直接繼承 SPET 的全部工程語義。

---

# 26. 何時需要 Release？

舊表示可能已經形成認知慣性。

若新證據持續被硬塞進舊 frame，可能增加：

$$
D_{\mathrm{frame}}.
$$

因此需要：

$$
\mathsf{Release}(P_k),
$$

讓系統停止把舊 frame 當成唯一 authoritative view。

---

# 27. Reopen、Recompute、Reproject 不能混用

$$
\boxed{
\mathsf{Release}
\neq
\mathsf{Reopen}
\neq
\mathsf{Recompute}
\neq
\mathsf{Reproject}.
}
$$

- Release：解除舊表示權威；
- Reopen：重新打開候選空間；
- Recompute：重新推理；
- Reproject：建立新表示。

這對科學思考尤其重要。

---

# 28. 同一理論可以換表示而不改理論內容

例如：

$$
M
$$

可以同時投影成：

$$
P_{\mathrm{text}},
P_{\mathrm{equation}},
P_{\mathrm{graph}},
P_{\mathrm{simulation}}.
$$

換表示不必意味：

$$
M\rightarrow M'.
$$

所以：

$$
\boxed{
\text{representation change}
\neq
\text{theory change}.
}
$$

---

# 29. 但表示也可以促成理論改變

新投影可能暴露：

$$
e
=
\operatorname{Contradiction}(P').
$$

於是：

$$
M
\xrightarrow{\mathcal{U}(e)}
M'.
$$

所以：

$$
\boxed{
\text{reprojection}
\text{ can be epistemically generative}.
}
$$

---

# 30. 認知閉環不是單一固定點

若：

$$
M_{k+1}\approx M_k,
$$

可能表示模型穩定。

但不應強迫所有認知閉環收斂到：

$$
M^\ast.
$$

因為：

- 世界會變；
- 任務會變；
- 新資料會進入；
- 新載體會出現；
- 模型粒度會變。

因此：

$$
\boxed{
\text{cognitive loop}
\text{ may stabilize locally without globally terminating}.
}
$$

---

# 31. 動態不動點的接口

若在某一 scope $\sigma$ 下：

$$
\mathcal{F}_{\sigma}(M^\ast)
\approx
M^\ast,
$$

可以稱其為局部穩定表示。

但在新 scope：

$$
\sigma',
$$

可能：

$$
\mathcal{F}_{\sigma'}(M^\ast)
\neq
M^\ast.
$$

所以「穩定」本身是條件化的。

---

# 32. Feedback 不是永遠好

閉環太強也可能造成：

- confirmation loop；
- self-reinforcing bias；
- echo chamber；
- overfitting；
- fixation。

如果：

$$
P_k
\rightarrow
X_k
\rightarrow
P_k'
$$

始終只由同一模型生成、同一觀察者驗證，則：

$$
\text{loop closure}
$$

可能變成：

$$
\text{epistemic self-sealing}.
$$

---

# 33. 因此需要 External Constraint Injection

定義：

$$
Y^{\mathrm{ind}}
$$

為相對獨立證據。

更新時：

$$
M_{k+1}
=
\mathcal{U}
(M_k,Y_{k+1},Y^{\mathrm{ind}}).
$$

因此：

$$
\boxed{
\text{closed loop}
\text{ needs open evidence channels}.
}
$$

---

# 34. Closed Loop 不等於 Closed World

這是一個重要區分：

$$
\boxed{
\text{Closed-Loop Cognition}
\neq
\text{Closed-World Epistemology}.
}
$$

closed loop 指感知、表示、內部操作、外顯與校正形成回饋。

它不應意味系統拒絕新證據。

---

# 35. 多觀察者再投影

觀察者 $o_1$ 產生：

$$
P^{(1)}.
$$

觀察者 $o_2$ 取得：

$$
X^{(2)}
=
\mathcal{I}_{o_2}(P^{(1)}).
$$

再輸出：

$$
P^{(2)}.
$$

因此：

$$
\boxed{
o_1
\rightarrow
P^{(1)}
\rightarrow
o_2
\rightarrow
P^{(2)}
}
$$

形成跨人再投影。

---

# 36. 科學共同體就是大型再投影系統之一

論文：

$$
P_{\mathrm{paper}}
$$

由作者內部模型外顯。

審稿者建立：

$$
X_{\mathrm{reviewer}}.
$$

批評變成：

$$
P_{\mathrm{review}}.
$$

作者再更新：

$$
M'.
$$

因此科學不是純粹：

$$
\text{individual thought}.
$$

而包含：

$$
\boxed{
\text{distributed recursive reprojection}.
}
$$

---

# 37. 語言本身就是跨主體投影載體

內部表徵：

$$
X_A
$$

被語言化：

$$
P_L.
$$

另一人重建：

$$
X_B.
$$

一般：

$$
X_A
\neq
X_B.
$$

但可以透過：

$$
\text{dialogue}
+
\text{examples}
+
\text{formalization}
+
\text{feedback}
$$

減少映射債務。

---

# 38. 對話就是 Reprojection Loop

一輪對話可以寫：

$$
X_A
\xrightarrow{\mathcal{E}}
P_A
\xrightarrow{\mathcal{I}_B}
X_B
\xrightarrow{\mathcal{O}_B}
P_B
\xrightarrow{\mathcal{I}_A}
X_A'.
$$

這解釋了為什麼：

> 說出來之後，我反而更懂自己剛才在想什麼。

因為回覆本身成為新的外部投影。

---

# 39. AI 協作是新型再投影閉環

人類：

$$
X_H
\rightarrow
P_H.
$$

AI：

$$
P_H
\rightarrow
X_{AI}
\rightarrow
P_{AI}.
$$

人類再取得：

$$
P_{AI}
\rightarrow
X_H'.
$$

因此：

$$
\boxed{
H
\rightarrow
AI
\rightarrow
H'
}
$$

可以成為認知再投影循環。

---

# 40. AI 不是「第二個腦袋」這麼簡單

AI 可以提供：

- 另一種表示；
- 另一組檢索；
- 另一種壓縮；
- 反例；
- 程式執行；
- 圖形化；
- 長上下文重組。

因此 AI 的價值常常不是：

$$
\text{duplicate human cognition}.
$$

而是：

$$
\boxed{
\text{representation diversity}
+
\text{cross-carrier transformation}.
}
$$

---

# 41. 人機閉環也可能自我強化錯誤

若：

$$
H
$$

提供錯誤假設，

AI 又只依此生成，

人再把 AI 輸出當成獨立驗證，

則形成：

$$
\boxed{
\text{pseudo-independent confirmation loop}.
}
$$

因此：

$$
\text{AI output}
\neq
\text{independent evidence by default}.
$$

---

# 42. Verification Independence

定義驗證來源獨立度：

$$
I_{\mathrm{ver}}
=
\operatorname{Independence}
(Y_{\mathrm{verify}},M_{\mathrm{source}}).
$$

若：

$$
I_{\mathrm{ver}}\approx0,
$$

則即使兩個表示一致，也不能強化太多證據權重。

---

# 43. 多投影一致不等於獨立證據一致

B01 已提出：

$$
\text{Multi-Projection Convergence}
>
\text{Single-Projection Intuition}.
$$

B06 補充：

若多投影全部由同一錯誤模型生成：

$$
P_i
=
\Pi_i(M_{\mathrm{wrong}}),
$$

則：

$$
\bigcap_i P_i
$$

的一致性不構成獨立本體證明。

所以必須區分：

$$
\boxed{
\text{representation convergence}
\neq
\text{evidence independence}.
}
$$

---

# 44. Closed-Loop Perception 的接口

2025 年 closed-loop perception 綜述強調：

生物知覺不是固定相機式輸入，而是感官取得與動作持續耦合。

本文可抽象為：

$$
A_t
\rightarrow
Y_{t+1}
\rightarrow
X_{t+1}
\rightarrow
A_{t+1}.
$$

因此：

$$
\boxed{
\text{perception}
\text{ is partly shaped by how the system samples the world}.
}
$$

---

# 45. 主動看是一種資料取得策略

例如：

- 轉頭；
- 走近；
- 觸摸；
- 放大；
- 換角度；
- 使用儀器。

這些行為改變：

$$
P(Y\mid W,A).
$$

所以觀察不是純被動事件。

---

# 46. Active Inference 的相鄰關係

active inference 把感知與行動放進生成模型與預測的統一框架。

這與 B06 的：

$$
\text{model}
\leftrightarrow
\text{perception}
\leftrightarrow
\text{action}
$$

具有概念鄰接。

但本文不採：

$$
\boxed{
\text{RRL}
=
\text{Active Inference}.
}
$$

原因包括：

- RRL 允許非概率表示；
- RRL 專門處理外顯化與跨載體再投影；
- RRL 不要求 variational free energy 作為共同目標；
- active inference 的整體經驗支持仍需持續檢驗。

---

# 47. RRL 可以是非 Bayesian 的

模型更新：

$$
M_{k+1}
=
\mathcal{U}(M_k,Y)
$$

可以使用：

- Bayesian；
- gradient；
- rule-based；
- theorem proving；
- causal revision；
- human deliberation；
- model replacement。

因此：

$$
\boxed{
\text{recursive reprojection}
\neq
\text{Bayesian-only cognition}.
}
$$

---

# 48. Perception–Action Loop 與 Projection Loop 的差異

Perception–action loop：

$$
W
\rightarrow
Y
\rightarrow
A
\rightarrow
W'.
$$

Projection loop：

$$
M
\rightarrow
P
\rightarrow
X
\rightarrow
P'.
$$

兩者可以耦合：

$$
\boxed{
\text{Projection Loop}
\leftrightarrow
\text{Perception–Action Loop}.
}
$$

但不能合併成同一箭頭。

---

# 49. 投影可以改變行動，而行動可以改變投影

若新投影：

$$
P'
$$

讓某個策略變得可見：

$$
A^\ast
=
\operatorname{Select}(P').
$$

行動後：

$$
W'
$$

又生成新投影：

$$
P''.
$$

因此：

$$
\boxed{
P'
\rightarrow
A^\ast
\rightarrow
W'
\rightarrow
P''.
}
$$

---

# 50. PNCW 的雙向投影閉環接口

既有 PNCW 已分成：

感知方向：

$$
\text{World}
\rightarrow
\text{Many Structural Projections}
\rightarrow
\text{Evidence}
\rightarrow
\text{Cognition}.
$$

表達方向：

$$
\text{Cognition}
\rightarrow
\text{Stable Machine Projection}
\rightarrow
\text{Observer}.
$$

行動方向：

$$
\text{Cognition}
\rightarrow
\text{Proposal}
\rightarrow
\text{Authority}
\rightarrow
\text{Actuation}
\rightarrow
\text{World}.
$$

B06 將其抽象化到一般認知。

---

# 51. Proposal 不等於 Action

尤其在人機系統中：

$$
\boxed{
\text{Cognitive Proposal}
\neq
\text{Action Authority}.
}
$$

這使認知閉環可以高自由度地生成候選，而不必每個候選都改變世界。

---

# 52. 這也是安全閉環

安全 agent 可以：

$$
\text{simulate freely}
$$

但：

$$
\text{act under authority constraints}.
$$

因此：

$$
\boxed{
\text{epistemic freedom}
\neq
\text{actuation freedom}.
}
$$

---

# 53. 世界干預後必須重新觀察

若：

$$
A_t
:
W_t
\rightarrow
W_{t+1},
$$

不能只相信：

$$
\operatorname{ExpectedOutcome}(A_t).
$$

需要：

$$
Y_{t+1}
=
\operatorname{Observe}(W_{t+1}).
$$

所以：

$$
\boxed{
\text{Expected Outcome}
\neq
\text{Observed Outcome}.
}
$$

---

# 54. 認知閉環債務

定義：

$$
\mathbf{D}_{\mathrm{loop}}
=
\left(
D_{\mathrm{proj}},
D_{\mathrm{int}},
D_{\mathrm{transform}},
D_{\mathrm{expr}},
D_{\mathrm{latency}},
D_{\mathrm{source}},
D_{\mathrm{authority}},
D_{\mathrm{validation}}
\right).
$$

其中：

- $D_{\mathrm{proj}}$：外部投影失真；
- $D_{\mathrm{int}}$：內化失真；
- $D_{\mathrm{transform}}$：內部操作誤差；
- $D_{\mathrm{expr}}$：外顯失真；
- $D_{\mathrm{latency}}$：狀態過時；
- $D_{\mathrm{source}}$：來源混淆；
- $D_{\mathrm{authority}}$：把候選誤當權威；
- $D_{\mathrm{validation}}$：驗證不獨立或不足。

---

# 55. Loop Quality

可概念化：

$$
Q_{\mathrm{loop}}
=
F
\left(
Q_{\mathrm{task}},
I_{\mathrm{preserve}},
V_{\mathrm{ind}},
U_{\mathrm{cal}},
L_{\mathrm{latency}}
\right).
$$

其中：

- $Q_{\mathrm{task}}$：任務表現；
- $I_{\mathrm{preserve}}$：不變量保存；
- $V_{\mathrm{ind}}$：驗證獨立度；
- $U_{\mathrm{cal}}$：不確定性校準；
- $L_{\mathrm{latency}}$：延遲與 stale cost。

---

# 56. 越多 Loop 不一定越好

如果每一步都：

- 重投影；
- 重新檢查；
- 再外顯；
- 再驗證；

成本會爆炸。

設：

$$
C_k
$$

是第 $k$ 輪成本，

收益：

$$
G_k
=
Q_{k+1}-Q_k.
$$

當：

$$
G_k<C_k,
$$

繼續閉環可能不划算。

---

# 57. 終止條件

可以定義：

$$
\operatorname{Stop}
\iff
\left(
Q_k\geq Q_{\min}
\right)
\land
\left(
D_k\leq D_{\max}
\right)
\land
\left(
G_k<C_{\mathrm{next}}
\right).
$$

這是一般任務設計形式，不是人腦的生理定律。

---

# 58. Reopen 條件

即使已停止，如果：

$$
e_{\mathrm{new}}>\theta_e,
$$

或：

$$
\tau_{\mathrm{new}}\neq\tau_{\mathrm{old}},
$$

則：

$$
\operatorname{Reopen}=1.
$$

因此停止不是永久封閉。

---

# 59. 認知可重播性

如果要科學或工程治理，需要保留：

$$
\mathcal{L}_{\mathrm{loop}}
=
\{
M_k,
P_k,
O_k,
Y_k,
A_k,
D_k
\}_{k=0}^{n}.
$$

這形成：

$$
\boxed{
\text{cognitive loop provenance ledger}.
}
$$

---

# 60. 人類不可能完整記錄所有內部 Loop

對自然人類：

$$
\mathcal{L}_{\mathrm{human}}
$$

必然是不完整的。

因此不要假裝可以重建完整思考歷史。

更合理的是記錄：

- 重要外部化節點；
- 明確決策；
- 關鍵模型改變；
- 可報告信心；
- 使用工具；
- 驗證結果。

---

# 61. AI 系統更適合保存 Loop Provenance

AI-native 系統可以記錄：

- model version；
- prompt / task；
- retrieved evidence；
- tool calls；
- intermediate artifacts；
- validation；
- action receipts。

但：

$$
\boxed{
\text{logged computation}
\neq
\text{complete subjective process}.
}
$$

如果沒有主觀過程證據，就不應用 log 代替它。

---

# 62. Canonical Model 與 Rendering View

整個系列在這裡再次回到：

$$
\boxed{
\text{rendering view}
\neq
\text{canonical source}.
}
$$

閉環中的：

$$
P_1,P_2,\ldots
$$

都是 views。

真正需要治理的是：

$$
M_k
$$

與其：

- provenance；
- scope；
- version；
- evidence；
- uncertainty。

---

# 63. 不要讓 View 變成暗中權威 Source

如果使用者直接在某張圖上改數值，但 canonical model 沒更新，就可能產生：

$$
P'
\neq
\Pi(M).
$$

因此系統要明確區分：

$$
\text{view edit}
$$

與：

$$
\text{model commit}.
$$

---

# 64. Commit 前需要 Validate

可寫：

$$
P'
\rightarrow
M^\ast
\rightarrow
\operatorname{Validate}
\rightarrow
M_{k+1}.
$$

因此：

$$
\boxed{
\text{reprojection}
\neq
\text{commit}.
}
$$

這對文件、程式、數學與世界模型都成立。

---

# 65. 認知閉環的四種驗證

## 65.1 Internal Consistency

$$
V_{\mathrm{int}}.
$$

## 65.2 Cross-Projection Consistency

$$
V_{\mathrm{cross}}.
$$

## 65.3 External Evidence

$$
V_{\mathrm{ext}}.
$$

## 65.4 Intervention Outcome

$$
V_{\mathrm{act}}.
$$

四者回答不同問題。

---

# 66. 一致性不等於真實

若：

$$
V_{\mathrm{int}}=1,
$$

只代表模型內部一致。

不能推出：

$$
V_{\mathrm{ext}}=1.
$$

同樣：

$$
V_{\mathrm{cross}}=1
$$

也可能只是同一錯誤 source 的多投影一致。

---

# 67. Intervention 提供更強但仍有限的證據

如果模型預測：

$$
A
\rightarrow
Y,
$$

實際干預後：

$$
Y_{\mathrm{obs}}
\approx
Y,
$$

證據強度提高。

但仍需考慮：

- confound；
- alternative model；
- measurement error；
- scope。

所以：

$$
\boxed{
\text{successful intervention}
\not\Rightarrow
\text{complete ontology identification}.
}
$$

---

# 68. 認知閉環中的注意力

不是所有資訊都進入每輪。

定義：

$$
A_k
=
\operatorname{Attend}
(M_k,\tau,b).
$$

投影：

$$
P_k
=
\Pi(M_k,A_k).
$$

因此注意力會改變：

$$
\text{what becomes projectable}.
$$

---

# 69. 注意力也是再投影觸發器

若：

$$
A_{k+1}\neq A_k,
$$

同一模型：

$$
M
$$

可以生成：

$$
P_{k+1}\neq P_k.
$$

所以：

$$
\boxed{
\text{attention change}
\text{ can justify reprojection without model change}.
}
$$

---

# 70. 協作本身是一種載體切換

一個人內部理解：

$$
X_H
$$

要交給另一人或 AI，必須轉成：

$$
P_{\mathrm{share}}.
$$

因此協作必然伴隨某種：

$$
\text{carrier compilation}.
$$

這使：

$$
\boxed{
\text{collaboration}
=
\text{repeated cross-observer reprojection}.
}
$$

---

# 71. 協作的核心不是傳送「同一想法」

因為：

$$
X_A\neq X_B.
$$

協作真正追求的是：

$$
I_{\mathrm{task}}(X_A)
\approx
I_{\mathrm{task}}(X_B).
$$

也就是任務相關不變量對齊。

---

# 72. 共享理解可以是部分的

不需要：

$$
X_A=X_B.
$$

只要：

$$
Q_\tau(X_A,X_B)\geq q_{\min}.
$$

因此：

$$
\boxed{
\text{shared understanding}
\neq
\text{identical internal representation}.
}
$$

---

# 73. Loop 可以跨人、跨 AI、跨時間

一般化：

$$
\mathcal{N}
=
\{
n_1,\ldots,n_m
\}
$$

是認知節點集合。

再投影邊：

$$
e_{ij}
:
n_i
\rightarrow
P_{ij}
\rightarrow
n_j.
$$

因此形成：

$$
G_{\mathrm{RRL}}
=
(\mathcal{N},\mathcal{E}).
$$

---

# 74. 這形成認知圖，而不是必然形成一個主體

即使：

$$
G_{\mathrm{RRL}}
$$

高度連接，

也不能直接推出：

$$
\boxed{
\text{distributed cognition}
\Rightarrow
\text{single distributed subject}.
}
$$

這再次保留主體性問題的獨立性。

---

# 75. 世界本身也是閉環的一部分

如果世界只在最開始出現：

$$
W\rightarrow M_0,
$$

後續就全部是內部循環，

那系統很快變成自我封閉。

真正健康的閉環需要：

$$
W_k
\rightarrow
Y_k
$$

不斷重新進入。

因此：

$$
\boxed{
\text{world is a recurrent constraint, not merely an initial input}.
}
$$

---

# 76. 認知不是複製世界，而是保持可校正耦合

本文最終不採：

$$
\text{Knowledge}
=
\text{perfect internal copy}.
$$

更接近：

$$
\boxed{
\text{Knowledge Process}
=
\text{maintaining useful, revisable coupling between models and evidence}.
}
$$

---

# 77. 世界—模型耦合強度

可概念化：

$$
K_t
=
\operatorname{Coupling}
(M_t,W_t).
$$

如果系統長期只在內部自我更新：

$$
K_t\downarrow
$$

可能形成 model drift。

如果外部證據持續進入：

$$
K_t
$$

可以被重新校準。

---

# 78. 不要把 Closed Loop 神化成必然收斂

即使有 feedback：

$$
M_k
\rightarrow
M_{k+1},
$$

也不保證：

$$
M_k\rightarrow M^\ast_{\mathrm{truth}}.
$$

回饋可能：

- 噪聲；
- 偏誤；
- 不獨立；
- 不可識別；
- 欠定。

所以：

$$
\boxed{
\text{feedback}
\not\Rightarrow
\text{truth convergence}.
}
$$

---

# 79. 認知閉環的真正品質在校正能力

好的系統不是永不犯錯。

而是：

$$
\boxed{
\text{detect}
+
\text{reopen}
+
\text{reproject}
+
\text{update}
+
\text{rollback}.
}
$$

因此：

$$
\text{corrigibility}
$$

是閉環品質的重要部分。

---

# 80. 可實驗研究一：Internal-only vs Externalized Loop

比較：

1. 純腦內解題；
2. 可寫草稿；
3. 可畫圖；
4. 可操作實體；
5. 可使用互動工具。

測量：

$$
Q,
\quad
T,
\quad
E,
\quad
\text{error type}.
$$

檢驗哪些任務受益於再投影。

---

# 81. 可實驗研究二：Representation Switch

同一模型依序使用：

$$
P_{\mathrm{text}},
P_{\mathrm{table}},
P_{\mathrm{graph}},
P_{\mathrm{animation}}.
$$

研究：

$$
\Delta Q_{\tau}
$$

與：

$$
\Delta C_{\mathrm{cog}}.
$$

---

# 82. 可實驗研究三：Epistemic Action

設計問題允許：

- 心算／內部旋轉；
- 外部移動；
- 外部標記；
- 外部排序。

測試觀察者何時選擇：

$$
A_{\mathrm{epi}}
$$

以及是否真正降低總成本。

---

# 83. 可實驗研究四：Feedback Independence

比較：

1. 自己重讀；
2. 同模型 AI 重寫；
3. 不同模型／方法；
4. 獨立資料；
5. 真實實驗。

檢驗：

$$
I_{\mathrm{ver}}
$$

如何影響錯誤發現率。

---

# 84. 可實驗研究五：Reprojection without Error

先讓某投影對任務 A 表現很好。

不改 source model，只改任務 B。

測試新投影：

$$
P_B
$$

是否比強迫沿用：

$$
P_A
$$

更有效。

這直接測試：

$$
\text{Reprojection}
\neq
\text{Correction}.
$$

---

# 85. 可實驗研究六：Closed-Loop vs Open-Loop Perception

讓受試者或 agent：

1. 只能被動接收固定觀察；
2. 可以主動選視角；
3. 可以移動物體；
4. 可以要求新感測。

比較：

$$
Q_{\mathrm{inference}},
\quad
T,
\quad
N_{\mathrm{samples}}.
$$

---

# 86. 可實驗研究七：人—AI再投影

同一任務比較：

- human-only；
- AI answer only；
- human $\rightarrow$ AI；
- human $\rightarrow$ AI $\rightarrow$ human revision；
- human $\rightarrow$ two independent AI methods $\rightarrow$ human.

測試：

$$
Q_{\mathrm{final}},
\quad
D_{\mathrm{confirmation}},
\quad
I_{\mathrm{ver}}.
$$

---

# 87. 現有研究提供的接口

第一，Kirsh 與 Maglio 的 epistemic action 顯示，某些外部動作之所以有認知價值，是因為它們讓原本較難的內部計算變容易，而不只是直接推進物理任務。

第二，cognitive offloading 文獻顯示，人會透過外部提醒、書寫、裝置與實體操作降低內部記憶或計算需求；2025 年回顧同時指出 offloading 有效益，也可能帶來依賴與內部記憶成本。

第三，distributed cognition 與 extended cognition 傳統提供了一套嚴肅討論「認知實作是否跨越腦與身體邊界」的框架。本文採取較弱工程版本：外部人工物可以構成任務認知閉環的一部分，但不由此決定主觀主體邊界。

第四，active inference 研究把感知與行動置於生成模型與預測的統一循環，提供本篇 perception–action 接口；但 2024 年針對 predictive coding 與 active inference 的評估也指出，整體經驗支持仍有範圍與可檢驗性問題，因此本文不把 RRL 等同 active inference。

第五，2025 年 closed-loop perception 綜述強調，生物知覺依賴感官輸入與取得感官輸入的行動之間的動態耦合，並指出許多人工知覺仍偏 open-loop。這與本文把「重新取樣世界」視為認知閉環核心一環的立場相容。

第六，既有 PNCW 研究已在 AI runtime 層提出 Projection-Native Perception–Action Loop，把感知、穩定機器投影、認知、授權行動與獨立驗證接成雙向投影閉環。B06 將此結構向一般人類—工具—AI 認知抽象化，而不直接把工程 runtime 等同人類心理機制。

---

# 88. 本文不主張什麼

本文明確不主張：

1. 所有認知都必須經過外部工具；
2. 外部工具一定屬於人的心靈；
3. distributed cognition 等於 distributed consciousness；
4. closed-loop cognition 保證收斂真理；
5. active inference 已完整解釋人類認知；
6. RRL 與 active inference 是同一理論；
7. 所有行動都是 epistemic action；
8. 所有 externalization 都會改善思考；
9. 投影越多越好；
10. AI 回覆天然是獨立驗證；
11. 多模型一致天然代表本體真實；
12. 再投影表示舊投影一定錯；
13. 重新觀察世界就能直接取得本體；
14. cognition implementation 的擴張自動意味 subject boundary 擴張；
15. 認知閉環可以取代實驗、證明或公共驗證。

---

# 89. 核心命題總結

## 命題 A：認知是遞歸再投影閉環

$$
\boxed{
M_k
\rightarrow
P_k
\rightarrow
X_k
\rightarrow
X_k'
\rightarrow
P_k'
\rightarrow
Y_{k+1}
\rightarrow
M_{k+1}.
}
$$

## 命題 B：觀察、再投影與行動不可混同

$$
\boxed{
\text{Observe}
\neq
\text{Reproject}
\neq
\text{Actuate}.
}
$$

## 命題 C：再投影不等於修正

$$
\boxed{
\text{Reprojection}
\neq
\text{Correction}.
}
$$

## 命題 D：外部載體可以成為認知工作狀態

$$
\boxed{
\text{external carrier}
\neq
\text{passive display only}.
}
$$

## 命題 E：認知擴張不等於主體擴張

$$
\boxed{
\text{Extended Cognition}
\neq
\text{Extended Subject}.
}
$$

## 命題 F：多投影一致不等於獨立證據一致

$$
\boxed{
\text{representation convergence}
\neq
\text{evidence independence}.
}
$$

## 命題 G：Closed Loop 不等於 Closed World

$$
\boxed{
\text{Closed-Loop Cognition}
\neq
\text{Closed-World Epistemology}.
}
$$

## 命題 H：回饋不保證真理收斂

$$
\boxed{
\text{feedback}
\not\Rightarrow
\text{truth convergence}.
}
$$

## 命題 I：世界必須反覆作為外部約束重新進入

$$
\boxed{
\text{world}
=
\text{recurrent constraint},
\text{ not merely initial input}.
}
$$

---

# 90. 結論：我們不是把世界看進來，而是不斷把世界與自己互相重新投影

到 B06 為止，整條研究線可以重新描述。

人類不是：

$$
\text{World}
\rightarrow
\text{Mind}
$$

一次完成認知。

也不是：

$$
\text{Mind}
\rightarrow
\text{World}
$$

單向把想法輸出。

更接近：

$$
\boxed{
\text{World}
\rightarrow
\text{Projection}
\rightarrow
\text{Internal Representation}
\rightarrow
\text{Transformation}
\rightarrow
\text{Reprojection}
\rightarrow
\text{Re-observation}
\rightarrow
\text{Update}.
}
$$

然後再來一次。

我們看地圖，形成世界模型；發現尺度錯覺，換一張地圖。

我們看宇宙 Zoom，形成尺度直觀；在腦中重新縮放，再畫成圖。

我們看數學式，形成結構想像；畫圖、寫程式、跑驗證，再修正公式。

我們想到一個設計；把它做成模型；模型暴露衝突；再回到想法。

我們與另一個人對話；把內部表徵變成語言；對方重新投影；回覆又變成我們新的外部認知載體。

我們與 AI 協作時，同樣如此。

所以：

$$
\boxed{
\text{thinking}
\text{ can be a recursive circulation across carriers}.
}
$$

這並不否認內部認知。

恰恰相反。

內部認知之所以強大，很大一部分正因為它不是被鎖死在內部。

它可以：

- 外顯；
- 重新排列；
- 交給別人；
- 交給工具；
- 換一種載體；
- 再讀回來；
- 被外部證據打臉；
- 重新建立模型。

因此真正強的認知系統不是：

> 永遠一次想對。

而是：

$$
\boxed{
\text{can represent}
+
\text{can externalize}
+
\text{can reproject}
+
\text{can verify}
+
\text{can reopen}
+
\text{can correct}.
}
$$

這也讓整個系列走到一個新的階段。

B01–B05 主要回答：

> 我們如何把不可直接感知的東西變成可以操作的東西？

B06 的回答則是：

> **而真正的認知能力，來自這些投影不是一次性的。它們可以在內外載體之間不斷循環，每一輪都重新生成新的可見性、新的操作性與新的校正機會。**

所以外視與內視並不是兩個互相隔離的世界。

它們更像同一個閉環的兩側：

$$
\boxed{
\text{outer projection}
\leftrightarrow
\text{inner representation}
\leftrightarrow
\text{recursive reprojection}.
}
$$

---

# 91. 系列接口：B07

下一篇：

**B07《投影可以幫助理解，也可以讓你理解錯：不變量保存、投影債務與內視幻覺》**

B07 將把本系列的風險面正式集中處理：

$$
\boxed{
\text{Intuitive Success}
\not\Rightarrow
\text{Representational Fidelity}
\not\Rightarrow
\text{Ontological Truth}.
}
$$

核心問題包括：

1. 一個投影到底保存了哪些 invariant？
2. 投影債務如何累積與跨載體傳播？
3. 為什麼越直觀的表示有時反而越危險？
4. 多投影何時真的能校正，何時只是同源錯誤的多次重畫？
5. 內視、想像與 closed loop 如何形成 self-confirming illusion？
6. 如何建立 projection audit、independent evidence 與 adversarial reprojection？

---

# 參考文獻

1. Kirsh, D., & Maglio, P. (1994). On Distinguishing Epistemic from Pragmatic Action. *Cognitive Science*, 18(4), 513–549. DOI: 10.1207/s15516709cog1804_1.
2. Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. *Trends in Cognitive Sciences*, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002.
3. Gilbert, S. J. (2024). Cognitive offloading is value-based decision making: Modelling cognitive effort and the expected value of memory. *Cognition*, 247, 105783. DOI: 10.1016/j.cognition.2024.105783.
4. Richmond, L. L., & Taylor, R. G. (2025). The benefits and potential costs of cognitive offloading for retrospective information. *Nature Reviews Psychology*, 4, 312–321. DOI: 10.1038/s44159-025-00432-2.
5. Clark, A., & Chalmers, D. (1998). The Extended Mind. *Analysis*, 58(1), 7–19. DOI: 10.1111/1467-8284.00096.
6. Hutchins, E. (1995). *Cognition in the Wild*. MIT Press.
7. Pezzulo, G., Parr, T., Cisek, P., Clark, A., & Friston, K. J. (2024). Active inference as a theory of sentient behavior. *Biological Psychology*, 186, 108741. DOI: 10.1016/j.biopsycho.2023.108741.
8. Hodson, R., Mehta, M., & Smith, R. (2024). The empirical status of predictive coding and active inference. *Neuroscience & Biobehavioral Reviews*, 157, 105473. DOI: 10.1016/j.neubiorev.2023.105473.
9. *Closed-loop perception: gaps between artificial intelligence and biology*. (2025). *Current Opinion in Behavioral Sciences*, 65, 101572.
10. Neo.K (2026). 《PNCW Paper 08：Projection-Native Perception–Action Loop》.
11. Neo.K (2026). 《SPET Paper 04：Certified Reprojection, Release, Reopening, and Epoch Transition》.
12. Neo.K (2026). 《載體投影與內視系列（B01）：我們不是看見實在，而是在操作它的投影》.
13. Neo.K (2026). 《載體投影與內視系列（B02）：把不可見之物變成可以看的東西》.
14. Neo.K (2026). 《載體投影與內視系列（B03）：想像不是虛構》.
15. Neo.K (2026). 《載體投影與內視系列（B04）：新版內視：我們到底在「裡面」看什麼？》.
16. Neo.K (2026). 《載體投影與內視系列（B05）：閉上眼睛之後，世界沒有消失》.

---

**系列狀態：** B06 完成，下一篇 B07。  
**Canonical source format：** UTF-8 Markdown；數學 delimiter 僅使用 ` $...$ ` 與 `$$...$$`。