認知激活—可塑性動力學：事件可達性、更新速率與狀態持久性的雙軸模型
Cognitive Activation–Plasticity Dynamics: A Dual-Axis Model of Event Accessibility, Update Gain, and State Persistence
作者：Neo.K
摘要
既有「認知冷熱點機制」將事件依更新頻率區分為熱點、溫點與冷點，並進一步把刻板印象描述為冷點事件的狀態凍結。此框架成功指出認知資源有限會造成事件網絡非均勻更新，也嘗試統一注意力、記憶、刻板印象與認知偏差。然而，單一冷熱軸存在一個根本性問題：事件「經常被激活」與「容易被新證據更新」不是同一件事。某些刻板印象、反芻內容、固定政治敘事或高頻習慣可能反覆進入認知，卻極少改變；反之，某些低頻事件平時幾乎不被激活，但一旦被適當線索喚起，便可能快速重構。
本文提出「認知激活—可塑性動力學」（Cognitive Activation–Plasticity Dynamics, CAPD），將原單軸冷熱模型重構為雙軸狀態空間。定義事件 e e e t t t
a e ( t ) ∈ [ 0 , 1 ] a_e(t)
\in
[0,1] a e ( t ) ∈ [ 0 , 1 ] 以及狀態更新增益：
u e ( t ) ∈ [ 0 , 1 ] u_e(t)
\in
[0,1] u e ( t ) ∈ [ 0 , 1 ] 其中 a e ( t ) a_e(t) a e ( t ) u e ( t ) u_e(t) u e ( t )
a e ( t ) ≠ u e ( t ) \boxed{
a_e(t)
\neq
u_e(t)
} a e ( t ) = u e ( t ) 並進一步加入狀態持久性：
φ e ( Δ t ) ∈ [ 0 , 1 ] \varphi_e(\Delta t)
\in
[0,1] φ e ( Δ t ) ∈ [ 0 , 1 ] 表示在缺乏足以造成結構改變的新輸入時，既有狀態於時間跨度 Δ t \Delta t Δ t
Activation ≠ Plasticity ≠ Persistence \boxed{
\text{Activation}
\neq
\text{Plasticity}
\neq
\text{Persistence}
} Activation = Plasticity = Persistence 本文建立四象限分類：（I）高激活—高可塑；（II）高激活—低可塑；（III）低激活—高可塑；（IV）低激活—低可塑。第二象限尤其重要，因其提供一個比「冷點凍結」更精確的刻板印象候選機制：某些信念可被高頻激活，卻因低更新增益而持續抵抗反例。本文提出候選狀態更新式：
Δ x e ( t ) = g ( a e ( t ) , u e ( t ) , ε e ( t ) , C t , M t ) \Delta x_e(t)
=
g
\left(
a_e(t),
u_e(t),
\varepsilon_e(t),
C_t,
\mathcal M_t
\right) Δ x e ( t ) = g ( a e ( t ) , u e ( t ) , ε e ( t ) , C t , M t ) 以及最簡近似：
Δ x e ( t ) ≈ a e ( t ) u e ( t ) ε e ( t ) \Delta x_e(t)
\approx
a_e(t)
u_e(t)
\varepsilon_e(t) Δ x e ( t ) ≈ a e ( t ) u e ( t ) ε e ( t ) 其中 ε e ( t ) \varepsilon_e(t) ε e ( t )
本文進一步提出激活動力學、可塑性動力學、持久性、飽和、遲滯、轉換成本與多時間尺度模型；並重新解釋「熱點化」、「冷點化」、「凍結」與「去刻板化」等概念。本文不再把 PTSD、OCD、刻板印象或任何臨床現象直接等同某一象限，而只提出待驗證映射。本文亦把 AI 中的快取、檢索、路由、在線更新與參數穩定性區分為不同功能，避免將模型注意力直接等同人類冷熱點。
本文的主要貢獻是把原本單一更新頻率軸升級為：
可達多少 × 改得多快 \boxed{
\text{可達多少}
\times
\text{改得多快}
} 可達多少 × 改得多快 並以狀態持久性作為第三個調節量。此架構為後續刻板印象非對稱更新、知識—行動轉移、認知鴻溝與 AI 記憶治理提供共同接口。
關鍵詞： 認知激活、可塑性、更新增益、狀態持久性、事件可達性、冷熱點、刻板印象、遲滯、認知凍結、動態狀態空間
0. 邊界聲明
本文首先明確以下限制。
第一，本文不主張：
a e ( t ) = Π t ( e ) a_e(t)
=
\Pi_t(e) a e ( t ) = Π t ( e ) 第二，本文不主張：
u e ( t ) = 神經可塑性的單一生理指標 u_e(t)
=
\text{神經可塑性的單一生理指標} u e ( t ) = 神經可塑性的單一生理指標 第三，本文不主張：
φ e = 1 − u e \varphi_e
=
1-u_e φ e = 1 − u e 持久性與可塑性可能相關，但不必互為補數。
第四，本文不主張所有刻板印象都必然屬於「高激活—低可塑」。
第五，本文不主張任何臨床診斷可由單一象限取代。
第六，本文不把：
高激活 \text{高激活} 高激活 直接等同：
第七，本文不把：
高可塑 \text{高可塑} 高可塑 直接等同：
第八，本文中的雙軸模型是中層描述框架，不是已證明的完整神經本體。
本文的最低承諾是：
一個內容進入處理的頻率／可達性 與 它被新證據改變的敏感度 可以不同 \boxed{
\text{一個內容進入處理的頻率／可達性}
\text{ 與 }
\text{它被新證據改變的敏感度}
\text{ 可以不同}
} 一個內容進入處理的頻率／可達性 與 它被新證據改變的敏感度 可以不同 1. 原冷熱點模型的核心洞見與根本限制
1.1 值得保留的核心
原模型提出：
有限認知資源導致事件網絡非均勻更新。
這個洞見可保留。
形式上：
R t max < ∞ R_t^{\max}<\infty R t m a x < ∞ 且：
∣ E t ∣ ≫ R t max |\mathcal E_t|
\gg
R_t^{\max} ∣ E t ∣ ≫ R t m a x 因此不同事件不可能：
1.2 原三分類
原模型將事件分為：
熱點：高頻更新；
溫點：中頻更新；
冷點：低頻更新或凍結。
並把：
Stereotype ≈ Cold Spot Freeze \text{Stereotype}
\approx
\text{Cold Spot Freeze} Stereotype ≈ Cold Spot Freeze 作為核心命題。
1.3 第一個問題：高頻出現不等於高頻更新
考慮某固定偏見：
「某群體都怎樣。」
主體可能：
每天提及；
每次看到相關新聞就激活；
主動搜尋符合信念的案例；
反覆向他人重述。
此時：
a e ( t ) ↑ a_e(t)\uparrow a e ( t ) ↑ 但面對反例：
u e ( t ) ↓ u_e(t)\downarrow u e ( t ) ↓ 因此它不是低頻事件。
它更可能是：
High Activation + Low Plasticity \boxed{
\text{High Activation}
+
\text{Low Plasticity}
} High Activation + Low Plasticity 1.4 第二個問題：低頻事件不等於凍結
某個知識平時幾乎不被想起：
a e ( t ) ↓ a_e(t)\downarrow a e ( t ) ↓ 但在適當教學、情境或新證據下：
u e ( t ) ↑ u_e(t)\uparrow u e ( t ) ↑ 它可能快速改變。
因此：
Low Activation ⇏ Frozen \text{Low Activation}
\not\Rightarrow
\text{Frozen} Low Activation ⇒ Frozen 1.5 第三個問題：更新與持久性不是同一量
一個狀態可：
因此：
u e ↑ u_e\uparrow u e ↑ 不必推出：
φ e ↓ \varphi_e\downarrow φ e ↓ 反之，一個狀態也可能：
所以：
Plasticity ≠ 1 − Persistence \boxed{
\text{Plasticity}
\neq
1-\text{Persistence}
} Plasticity = 1 − Persistence 2. 前置架構中的位置
第 1 篇建立：
S t = ( X t , Π t , O t , U t , M t , G t , A t ) \mathcal S_t
=
(
X_t,
\Pi_t,
O_t,
U_t,
\mathcal M_t,
G_t,
A_t
) S t = ( X t , Π t , O t , U t , M t , G t , A t ) 第 2 篇展開選擇配置：
Π t ( e ) \Pi_t(e) Π t ( e ) 第 5 篇建立記憶可達性與跨層接口。
本文處理：
a e ( t ) a_e(t) a e ( t ) 與：
u e ( t ) u_e(t) u e ( t ) 其中：
Π t ( e ) → a e ( t ) \Pi_t(e)
\rightarrow
a_e(t) Π t ( e ) → a e ( t ) 可能成立，但不是等號。
而：
a e ( t ) → O t ( e ) a_e(t)
\rightarrow
O_t(e) a e ( t ) → O t ( e ) 也不是充分條件。
本文研究的是：
某個事件、表徵、記憶或信念一旦進入候選處理區後，它以何種程度被激活，以及既有狀態對新證據有多大更新增益。
3. 激活的定義
3.1 事件激活
定義：
a e ( t ) ∈ [ 0 , 1 ] a_e(t)
\in
[0,1] a e ( t ) ∈ [ 0 , 1 ] 表示事件 e e e t t t
它可以受：
當前刺激；
記憶線索；
習慣；
情緒；
目標；
社會提示；
影響。
3.2 激活不等於注意配置
第 2 篇的：
Π t ( e ) \Pi_t(e) Π t ( e ) 描述資源配置。
本文的：
a e ( t ) a_e(t) a e ( t ) 描述事件或表徵的當前活化／可達程度。
可能出現：
高配置、低激活
主體努力搜尋某記憶：
Π t ( e ) ↑ \Pi_t(e)\uparrow Π t ( e ) ↑ 但一時想不起來：
a e ( t ) ↓ a_e(t)\downarrow a e ( t ) ↓ 低顯式配置、高激活
自動化習慣或侵入性內容：
Π t ( e ) \Pi_t(e) Π t ( e ) 未必高，但：
a e ( t ) ↑ a_e(t)\uparrow a e ( t ) ↑ 因此：
Π t ( e ) ≠ a e ( t ) \boxed{
\Pi_t(e)
\neq
a_e(t)
} Π t ( e ) = a e ( t ) 3.3 激活動力學候選式
d a e d t = F S + F G + F M + F H − F C − F D − F s a t \frac{da_e}{dt}
=
F_S
+
F_G
+
F_{\mathcal M}
+
F_H
-
F_C
-
F_D
-
F_{sat} d t d a e = F S + F G + F M + F H − F C − F D − F s a t 其中：
F S F_S F S F G F_G F G F M F_{\mathcal M} F M F H F_H F H F C F_C F C F D F_D F D F s a t F_{sat} F s a t
3.4 一個具體候選
d a e d t = α S e + β G e + γ Q e M + δ H e − λ a e − κ a e 2 − ∑ j ≠ e χ j e a j \frac{da_e}{dt}
=
\alpha S_e
+
\beta G_e
+
\gamma Q_e^{\mathcal M}
+
\delta H_e
-
\lambda a_e
-
\kappa a_e^2
-
\sum_{j\neq e}
\chi_{je}a_j d t d a e = α S e + β G e + γ Q e M + δ H e − λ a e − κ a e 2 − j = e ∑ χ j e a j 此式只是一個可檢驗候選。
4. 可塑性的定義
4.1 更新增益
定義：
u e ( t ) ∈ [ 0 , 1 ] u_e(t)
\in
[0,1] u e ( t ) ∈ [ 0 , 1 ] 表示與事件 e e e
4.2 狀態更新
設與事件 e e e
x e ( t ) x_e(t) x e ( t ) 新證據誤差：
ε e ( t ) \varepsilon_e(t) ε e ( t ) 則一般形式：
Δ x e ( t ) = g ( a e ( t ) , u e ( t ) , ε e ( t ) , C t , M t ) \Delta x_e(t)
=
g
\left(
a_e(t),
u_e(t),
\varepsilon_e(t),
C_t,
\mathcal M_t
\right) Δ x e ( t ) = g ( a e ( t ) , u e ( t ) , ε e ( t ) , C t , M t ) 4.3 最簡局部近似
在局部條件下可用：
Δ x e ( t ) ≈ a e ( t ) u e ( t ) ε e ( t ) \Delta x_e(t)
\approx
a_e(t)
u_e(t)
\varepsilon_e(t) Δ x e ( t ) ≈ a e ( t ) u e ( t ) ε e ( t ) 但本文明確聲明：
This is a candidate approximation, not a universal law \boxed{
\text{This is a candidate approximation, not a universal law}
} This is a candidate approximation, not a universal law 4.4 可塑性不是變得更多
若：
u e ↑ u_e\uparrow u e ↑ 表示狀態更容易根據有效輸入改變。
它不保證改變方向正確。
若新證據本身錯誤：
ε e b a d \varepsilon_e^{bad} ε e ba d 高可塑系統也可能快速學錯。
因此：
Plasticity ≠ Truth Tracking \boxed{
\text{Plasticity}
\neq
\text{Truth Tracking}
} Plasticity = Truth Tracking 5. 可塑性的驅動來源
5.1 預測誤差
ε e ( t ) = d ( y ^ e ( t ) , y e ( t ) ) \varepsilon_e(t)
=
d
\left(
\widehat y_e(t),
y_e(t)
\right) ε e ( t ) = d ( y e ( t ) , y e ( t ) ) 誤差可能促進更新。
但：
ε ↑ ⇏ u ↑ \varepsilon\uparrow
\not\Rightarrow
u\uparrow ε ↑ ⇒ u ↑ 因為系統也可能：
5.2 新穎性
N e ( t ) N_e(t) N e ( t ) 可增加重構機會。
但過度新穎也可能無法整合。
5.3 任務價值
若更新可改善目標：
V e u p d a t e ↑ V_e^{update}\uparrow V e u p d a t e ↑ 可塑性可能提高。
5.4 身份防衛
定義：
D e i d ( t ) D_e^{id}(t) D e i d ( t ) 表示狀態改變對身份、自尊、群體位置或既有敘事的威脅。
可能：
D e i d ↑ ⇒ u e ↓ D_e^{id}\uparrow
\Rightarrow
u_e\downarrow D e i d ↑⇒ u e ↓ 但需實證。
5.5 疲勞與負荷
L t ↑ L_t\uparrow L t ↑ 可能使：
u e ↓ u_e\downarrow u e ↓ 因為系統轉向既有捷徑。
5.6 鞏固慣性
若既有狀態：
x e x_e x e 高度鞏固，更新成本可能增加。
定義：
I e c o n ( t ) I_e^{con}(t) I e co n ( t ) 為鞏固慣性。
6. 可塑性動力學候選式
一般形式：
d u e d t = F ε + F N + F V + F learning − F d e f e n s e − F f a t i g u e − F i n e r t i a − F s a t \frac{du_e}{dt}
=
F_{\varepsilon}
+
F_N
+
F_V
+
F_{\text{learning}}
-
F_{defense}
-
F_{fatigue}
-
F_{inertia}
-
F_{sat} d t d u e = F ε + F N + F V + F learning − F d e f e n se − F f a t i g u e − F in er t ia − F s a t 候選：
d u e d t = α ∣ ε e ∣ + β N e + γ V e u p d a t e − λ D e i d − κ L t − ρ I e c o n − η u e 2 \frac{du_e}{dt}
=
\alpha |\varepsilon_e|
+
\beta N_e
+
\gamma V_e^{update}
-
\lambda D_e^{id}
-
\kappa L_t
-
\rho I_e^{con}
-
\eta u_e^2 d t d u e = α ∣ ε e ∣ + β N e + γ V e u p d a t e − λ D e i d − κ L t − ρ I e co n − η u e 2 此式不假設所有項線性可加。
7. 狀態持久性
7.1 定義
定義：
φ e ( Δ t ) ∈ [ 0 , 1 ] \varphi_e(\Delta t)
\in
[0,1] φ e ( Δ t ) ∈ [ 0 , 1 ] 表示在缺乏足以造成結構更新的新輸入時，狀態 x e x_e x e Δ t \Delta t Δ t
可操作候選：
φ e ( Δ t ) = P ( d ( x e ( t + Δ t ) , x e ( t ) ) < ϵ ∣ I n e w ≈ 0 ) \varphi_e(\Delta t)
=
P
\left(
d
\left(
x_e(t+\Delta t),
x_e(t)
\right)
<
\epsilon
\mid
\mathcal I_{new}\approx0
\right) φ e ( Δ t ) = P ( d ( x e ( t + Δ t ) , x e ( t ) ) < ϵ ∣ I n e w ≈ 0 ) 7.2 持久性與可塑性分離
高持久、高可塑可能成立：
平時穩定，但有好證據就快速修正。
低持久、低可塑也可能成立：
狀態自然衰退，但遇到證據也不形成穩定學習。
因此：
φ e ≢ 1 − u e \boxed{
\varphi_e
\not\equiv
1-u_e
} φ e ≡ 1 − u e 7.3 持久性來源
可能包括：
鞏固；
重複；
結構嵌入；
程序化；
外部環境持續支持；
社會回饋。
8. 雙軸狀態空間
定義：
Z e ( t ) = ( a e ( t ) , u e ( t ) ) \mathcal Z_e(t)
=
\left(
a_e(t),
u_e(t)
\right) Z e ( t ) = ( a e ( t ) , u e ( t ) ) 依閾值：
θ a , θ u \theta_a,
\theta_u θ a , θ u 形成四象限。
本文不主張閾值跨任務固定。
8.1 第一象限：高激活—高可塑
a e > θ a , u e > θ u a_e>\theta_a,
\quad
u_e>\theta_u a e > θ a , u e > θ u 候選狀態：
主動學習；
探索性推理；
高度開放的問題處理；
快速技能調整。
風險：
本文暫稱：
活躍可塑區（Active-Plastic Region）
8.2 第二象限：高激活—低可塑
a e > θ a , u e ≤ θ u a_e>\theta_a,
\quad
u_e\leq\theta_u a e > θ a , u e ≤ θ u 候選狀態：
反覆被提及的固定信念；
高頻刻板印象；
某些反芻；
高度自動化敘事。
本文暫稱：
剛性熱區（Rigid-Active Region）
這是原模型最需要補出的區域。
8.3 第三象限：低激活—高可塑
a e ≤ θ a , u e > θ u a_e\leq\theta_a,
\quad
u_e>\theta_u a e ≤ θ a , u e > θ u 候選狀態：
平時少被調用；
適當線索下快速更新；
未被充分探索的新領域；
潛在學習窗口。
本文暫稱：
潛在可塑區（Latent-Plastic Region）
8.4 第四象限：低激活—低可塑
a e ≤ θ a , u e ≤ θ u a_e\leq\theta_a,
\quad
u_e\leq\theta_u a e ≤ θ a , u e ≤ θ u 候選狀態：
長期不被調用的穩定舊結構；
低可達、低更新模式；
某些背景規則。
本文暫稱：
休眠剛性區（Dormant-Rigid Region）
9. 四象限不是人格分類
本文拒絕：
某人是第二象限人格。
因為：
Z e ( t ) \mathcal Z_e(t) Z e ( t ) 是：
同一人可以：
物理學問題在 Q1；
某身份議題在 Q2；
陌生藝術領域在 Q3；
舊密碼記憶在 Q4。
因此：
Quadrant ≠ Personality Type \boxed{
\text{Quadrant}
\neq
\text{Personality Type}
} Quadrant = Personality Type 10. 原「熱點」概念的重構
10.1 熱點不再是一個單值
原熱點可拆為至少兩種：
可塑熱點
( a ↑ , u ↑ ) (a\uparrow,u\uparrow) ( a ↑ , u ↑ ) 剛性熱點
( a ↑ , u ↓ ) (a\uparrow,u\downarrow) ( a ↑ , u ↓ ) 這兩者行為完全不同。
10.2 原「冷點」也需拆開
潛在冷區
( a ↓ , u ↑ ) (a\downarrow,u\uparrow) ( a ↓ , u ↑ ) 平時不活躍，但可快速更新。
剛性冷區
( a ↓ , u ↓ ) (a\downarrow,u\downarrow) ( a ↓ , u ↓ ) 低活躍且低更新。
因此：
Cold is not one mechanism \boxed{
\text{Cold}
\text{ is not one mechanism}
} Cold is not one mechanism 11. 刻板印象的重新定位
11.1 原模型
原模型：
Stereotype = Cold Spot Freeze \text{Stereotype}
=
\text{Cold Spot Freeze} Stereotype = Cold Spot Freeze 11.2 新模型
本文提出更弱的候選：
部分高度可用、反覆調用、卻對反例低敏感的刻板印象，可能對應高激活—低可塑狀態。
即：
a e ↑ , u e ↓ \boxed{
a_e\uparrow,
\quad
u_e\downarrow
} a e ↑ , u e ↓ 11.3 為何更合理
刻板印象常可能：
快速被叫起；
高度可達；
低證據門檻啟動；
對反例子類化；
重複敘述。
所以稱它「冷」會混淆：
Activation \text{Activation} Activation 與：
Update \text{Update} Update 11.4 但不是所有刻板印象都如此
某些刻板印象可能：
a e ↓ a_e\downarrow a e ↓ 只有特定情境才出現。
因此完整理論留給第 7 篇。
12. 反例、誤差與非對稱更新
12.1 正例與反例可有不同更新增益
定義：
u e + u_e^{+} u e + 與：
u e − u_e^{-} u e − 分別表示支持證據與反對證據的更新增益。
可能：
u e + ≫ u e − u_e^{+}
\gg
u_e^{-} u e + ≫ u e − 形成非對稱更新。
12.2 確證偏差的候選形式
Δ x e = a e ( u e + ε e + + u e − ε e − ) \Delta x_e
=
a_e
\left(
u_e^{+}\varepsilon_e^{+}
+
u_e^{-}\varepsilon_e^{-}
\right) Δ x e = a e ( u e + ε e + + u e − ε e − ) 若：
u e + ≫ u e − u_e^{+}
\gg
u_e^{-} u e + ≫ u e − 則支持證據累積更快。
12.3 這不是完整刻板印象理論
本文只提供接口。
第 7 篇將進一步研究：
反例隔離；
子類化；
身份防衛；
高激活低可塑；
群體傳播。
13. 狀態轉換
13.1 轉換不是瞬時改名
定義：
Q t ∈ { Q 1 , Q 2 , Q 3 , Q 4 } Q_t
\in
\{
Q_1,Q_2,Q_3,Q_4
\} Q t ∈ { Q 1 , Q 2 , Q 3 , Q 4 } 但：
Q t → Q t + 1 Q_t
\rightarrow
Q_{t+1} Q t → Q t + 1 需要：
13.2 轉換矩陣
可定義：
T = [ P ( Q j ∣ Q i , C t ) ] \mathbf T
=
[
P(Q_j\mid Q_i,C_t)
] T = [ P ( Q j ∣ Q i , C t )] 其中情境：
C t C_t C t 影響轉換概率。
13.3 熱點化的重構
原：
冷點 → 熱點。
新模型需問：
激活提升？
a ↑ a\uparrow a ↑ 還是可塑性提升？
u ↑ u\uparrow u ↑ 還是兩者都提升？
因此：
Hot-spotting is underspecified \boxed{
\text{Hot-spotting}
\text{ is underspecified}
} Hot-spotting is underspecified 14. 遲滯與路徑依賴
14.1 同一輸入，不同歷史
若系統具有路徑依賴：
Z e ( t ) = f ( Z e ( t − 1 ) , I t ) \mathcal Z_e(t)
=
f
\left(
\mathcal Z_e(t-1),
I_t
\right) Z e ( t ) = f ( Z e ( t − 1 ) , I t ) 則相同輸入：
I t I_t I t 可能因歷史不同產生不同結果。
14.2 遲滯
定義切換閾值：
θ u p \theta^{up} θ u p 與：
θ d o w n \theta^{down} θ d o w n 若：
θ u p ≠ θ d o w n \theta^{up}
\neq
\theta^{down} θ u p = θ d o w n 則存在遲滯。
例如信念從低可塑變高可塑的門檻，可能不同於從高可塑回落的門檻。
14.3 理論意義
這解釋：
為何改變一旦發生，不會立即因刺激撤除而完全回到原狀。
但需實證。
15. 飽和與反作用
原模型容易寫：
a ↑ → 更熱 → a ↑ a\uparrow
\rightarrow
\text{更熱}
\rightarrow
a\uparrow a ↑→ 更熱 → a ↑ 本文加入：
d a d t = F g a i n − F c o m p e t i t i o n − F f a t i g u e − F s a t \frac{da}{dt}
=
F_{gain}
-
F_{competition}
-
F_{fatigue}
-
F_{sat} d t d a = F g ain − F co m p e t i t i o n − F f a t i g u e − F s a t 以及：
d u d t = F e r r o r + F l e a r n i n g − F d e f e n s e − F f a t i g u e − F s a t \frac{du}{dt}
=
F_{error}
+
F_{learning}
-
F_{defense}
-
F_{fatigue}
-
F_{sat} d t d u = F er r or + F l e a r nin g − F d e f e n se − F f a t i g u e − F s a t 所以：
Positive Feedback ≠ Unbounded Growth \boxed{
\text{Positive Feedback}
\neq
\text{Unbounded Growth}
} Positive Feedback = Unbounded Growth 16. 多時間尺度
16.1 快速激活
a e f a s t ( t ) a_e^{fast}(t) a e f a s t ( t ) 秒至分鐘。
16.2 中期可塑性
u e m e s o ( t ) u_e^{meso}(t) u e m eso ( t ) 分鐘至天。
16.3 長期持久性
φ e s l o w ( t ) \varphi_e^{slow}(t) φ e s l o w ( t ) 天至年。
因此：
Activation speed ≠ Learning speed ≠ Retention horizon \boxed{
\text{Activation speed}
\neq
\text{Learning speed}
\neq
\text{Retention horizon}
} Activation speed = Learning speed = Retention horizon 17. 與記憶動力學的接口
17.1 記憶可達性
第 5 篇定義：
a m ( t ) a_m(t) a m ( t ) 為記憶可達性。
本文的：
a e ( t ) a_e(t) a e ( t ) 是更一般事件／表徵激活。
若事件為記憶單元：
e = m e=m e = m 則兩者可局部映射。
17.2 提取不等於更新
a m ( t ) ↑ a_m(t)\uparrow a m ( t ) ↑ 表示容易提取。
但：
u m ( t ) u_m(t) u m ( t ) 可以很低。
所以某舊故事可以：
17.3 記憶漂移
若：
u m ( t ) ↑ u_m(t)\uparrow u m ( t ) ↑ 且反覆重構：
D m ( t 1 , t 2 ) D_m(t_1,t_2) D m ( t 1 , t 2 ) 可能上升。
所以高可塑也可能增加漂移。
18. 與雙重觀察的接口
18.1 元模型也有激活與可塑性
某人可高頻思考：
他怎麼看我？
即：
a O m e t a ↑ a_{O^{meta}}\uparrow a O m e t a ↑ 但其自我投影模型：
Z ^ s e l f ∣ o t h e r \widehat Z^{self|other} Z se l f ∣ o t h er 可能低可塑。
18.2 元認知不等於可塑
因此：
O m e t a ↑ ⇏ u ↑ O^{meta}\uparrow
\not\Rightarrow
u\uparrow O m e t a ↑ ⇒ u ↑ 一個人可以非常會分析自己，卻永遠得出同一結論。
19. 與關係動力學的接口
第 4 篇的：
q i j ( t ) q_{ij}(t) q ij ( t ) 可具有：
例如：
關係中的某一負面解釋
可能：
a e ↑ , u e ↓ a_e\uparrow,
u_e\downarrow a e ↑ , u e ↓ 導致反覆出現且難修正。
20. 干預設計：先判斷是激活問題還是可塑性問題
20.1 低激活—高可塑
目標：
a ↑ a\uparrow a ↑ 方法候選：
20.2 高激活—低可塑
目標不是再增加曝光。
而可能是：
u ↑ u\uparrow u ↑ 方法候選：
降低身份威脅；
多假說比較；
反例結構化；
增加安全探索；
改變更新規則。
20.3 高激活—高可塑
風險可能是過度更新。
方法候選：
20.4 低激活—低可塑
需先判斷：
是否值得干預；
是否只是低相關背景；
是否存在真正功能損害。
不應預設所有低激活低可塑都要「治療」。
21. AI 映射
21.1 路由不等於更新
AI 中：
retrieval frequency；
cache hit；
attention weight；
expert routing；
較接近激活／配置側。
而：
online learning；
parameter update；
memory rewrite；
policy adaptation；
較接近可塑性側。
因此：
Routing ≠ Learning \boxed{
\text{Routing}
\neq
\text{Learning}
} Routing = Learning 21.2 高激活—低可塑 AI 狀態
例如某資料：
被頻繁檢索；
被反覆生成；
但模型更新機制不修正。
可能形成：
a ↑ , u ↓ a\uparrow,
u\downarrow a ↑ , u ↓ 候選工程風險。
21.3 低激活—高可塑 AI 狀態
某技能：
可對應：
a ↓ , u ↑ a\downarrow,
u\uparrow a ↓ , u ↑ 候選設計。
21.4 AI 不應直接複製人類象限
本文只提供功能映射。
不主張：
Transformer ≅ Human CAPD \text{Transformer}
\cong
\text{Human CAPD} Transformer ≅ Human CAPD 22. 原臨床映射的降階
原冷熱點理論曾把：
PTSD 對應病理性冷點；
OCD 對應病理性熱點。
本文認為過強。
22.1 修正
只保留候選問題：
某些臨床現象是否可部分表現為異常激活、異常更新增益或異常持久性？
即：
H c l i n i c a l : ( a , u , φ ) may differ across conditions \mathcal H_{clinical}
:
(a,u,\varphi)
\text{ may differ across conditions} H c l ini c a l : ( a , u , φ ) may differ across conditions 22.2 不作直接診斷
本文不主張：
( a , u , φ ) ⇒ Diagnosis (a,u,\varphi)
\Rightarrow
\text{Diagnosis} ( a , u , φ ) ⇒ Diagnosis 臨床應由專門研究處理。
23. 分層猜想
H1：激活—可塑性可分離猜想
存在任務使：
a e ↑ a_e\uparrow a e ↑ 而：
u e ↓ u_e\downarrow u e ↓ 以及反向情況。
H2：高激活低可塑猜想
部分固定信念或刻板印象呈現：
a e > θ a , u e < θ u a_e>\theta_a,
\quad
u_e<\theta_u a e > θ a , u e < θ u H3：低激活高可塑猜想
部分低頻知識或事件在適當線索下：
a e ↑ a_e\uparrow a e ↑ 後可快速更新。
H4：持久性獨立猜想
控制可塑性後：
φ e \varphi_e φ e 仍對長期狀態穩定有獨立預測力。
H5：遲滯猜想
至少部分認知狀態：
θ u p ≠ θ d o w n \theta^{up}
\neq
\theta^{down} θ u p = θ d o w n H6：干預匹配猜想
針對象限瓶頸的干預，優於不區分激活與可塑性的通用曝光。
H7：多時間尺度猜想
τ a , τ u , τ φ \tau_a,
\tau_u,
\tau_{\varphi} τ a , τ u , τ φ 具有可分離時間尺度。
24. 競爭模型
H 0 H_0 H 0 所有現象由：
f u p d a t e f_{update} f u p d a t e 單軸解釋。
H 1 H_1 H 1 主要由：
Π \Pi Π 解釋。
H 2 H_2 H 2 主要由：
s m s_m s m 解釋。
H 3 H_3 H 3 使用：
( a , u ) (a,u) ( a , u ) H 4 H_4 H 4 使用：
( a , u , φ ) (a,u,\varphi) ( a , u , φ ) 比較：
預測力；
干預特異性；
跨時間泛化；
模型複雜度。
25. 可證偽條件
F1：不可分離
若所有：
a e a_e a e 差異都與：
u e u_e u e 完全共線，雙軸模型失敗。
F2：單軸支配
若單一：
f u p d a t e f_{update} f u p d a t e 模型在同等複雜度下穩定優於雙軸模型，本文應降階。
F3：持久性無獨立增益
若：
φ e \varphi_e φ e 可完全由：
u e u_e u e 與：
a e a_e a e 推出，第三調節量可刪除。
F4：象限無干預差異
若不同象限對同一干預反應無系統差異，分類價值下降。
F5：遲滯不存在
若所有狀態切換：
θ u p = θ d o w n \theta^{up}
=
\theta^{down} θ u p = θ d o w n 且無路徑依賴，遲滯部分失敗。
F6：刻板印象不符合
若控制內容頻率後，刻板印象完全不呈現高激活低更新特徵，第 7 篇需採其他機制。
26. 實驗設計
26.1 激活—更新正交操弄
操弄：
激活
更新機會
形成 2 × 2 2\times2 2 × 2
High/Low Activation × High/Low Update Opportunity \text{High/Low Activation}
\times
\text{High/Low Update Opportunity} High/Low Activation × High/Low Update Opportunity 測量：
26.2 高激活低可塑檢測
選取高頻信念。
測量：
a e a_e a e 代理：
測量：
u e u_e u e 代理：
26.3 持久性
在無新干預窗口下測量：
x e ( t ) x_e(t) x e ( t ) 跨時間穩定度。
估計：
φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t ) 26.4 遲滯
逐步提高干預強度直到狀態轉換：
θ u p \theta^{up} θ u p 再逐步降低，測：
θ d o w n \theta^{down} θ d o w n 26.5 象限匹配干預
比較：
檢查不同象限是否有交互效應。
27. 對原《認知的冷熱點機制》的正式修補
27.1 保留
保留：
有限資源；
非均勻事件處理；
狀態轉換；
更新速率差異；
刻板印象作為動力問題；
AI 動態優先級與記憶管理接口。
27.2 拆軸
將：
Hot/Warm/Cold \text{Hot/Warm/Cold} Hot/Warm/Cold 拆成：
a e ( t ) a_e(t) a e ( t ) 與：
u e ( t ) u_e(t) u e ( t ) 27.3 新增持久性
加入：
φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t ) 避免把：
混成同一件事。
27.4 修正刻板印象
將：
Stereotype = Cold Spot Freeze \text{Stereotype}
=
\text{Cold Spot Freeze} Stereotype = Cold Spot Freeze 改為：
部分刻板印象可能呈高激活—低可塑與非對稱更新。
完整理論留到第 7 篇。
27.5 移除「證明」
原稿對事件必然分成熱／溫／冷與神經對應使用過強語言。
本文改為：
27.6 移除固定臨床對應
不再：
改為待驗證映射。
27.7 修正神經語言
不把：
a e a_e a e 或：
u e u_e u e 直接等同：
27.8 修正 AI 同構
將：
AI attention ≅ human hot-cold \text{AI attention}
\cong
\text{human hot-cold} AI attention ≅ human hot-cold 改為功能映射候選。
28. 與後續系列的依賴
本文直接支持：
第 7 篇：刻板印象的非對稱更新動力學
使用：
a e , u e , u e + , u e − a_e,
u_e,
u_e^{+},
u_e^{-} a e , u e , u e + , u e − 第 8 篇：知識—行動轉移動力學
研究：
第 9 篇：厭惡成本承受動力學
研究成本如何降低：
u e u_e u e 或阻斷：
a e → G t a_e\rightarrow G_t a e → G t 第 10 篇：認知鴻溝分類學
加入：
第 11 篇：機會反噬效應
研究高暴露是否可能：
a ↑ a\uparrow a ↑ 但：
u ↓ u\downarrow u ↓ 第 13 篇：雙視角推斷 AI
加入：
第 14 篇：統一認知—行動動力學
把：
( a , u , φ ) (a,u,\varphi) ( a , u , φ ) 作為跨算子狀態調節量。
29. 理論貢獻
貢獻一：拆開激活與更新
a e ≠ u e \boxed{
a_e
\neq
u_e
} a e = u e 貢獻二：建立四象限
( a ↑ , u ↑ ) (a\uparrow,u\uparrow) ( a ↑ , u ↑ ) ( a ↑ , u ↓ ) (a\uparrow,u\downarrow) ( a ↑ , u ↓ ) ( a ↓ , u ↑ ) (a\downarrow,u\uparrow) ( a ↓ , u ↑ ) ( a ↓ , u ↓ ) (a\downarrow,u\downarrow) ( a ↓ , u ↓ ) 貢獻三：新增持久性
φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t ) 貢獻四：修正刻板印象位置
由「冷點」轉向「部分高激活—低可塑」。
貢獻五：建立非對稱更新接口
u e + ≠ u e − u_e^{+}
\neq
u_e^{-} u e + = u e − 貢獻六：加入遲滯
θ u p ≠ θ d o w n \theta^{up}
\neq
\theta^{down} θ u p = θ d o w n 貢獻七：讓干預可以匹配瓶頸
先判斷：
缺少激活？
還是：
缺少可塑性？
30. 限制
第一， a e a_e a e u e u_e u e
第二，代理指標可能互相污染。
第三，事件粒度會影響象限位置。
第四，閾值依任務與個體變化。
第五，持久性需要長期資料。
第六，神經可塑性與認知可塑性不可直接等同。
第七，象限可能快速轉換。
第八，本文不取代臨床診斷。
31. 核心命題
弱版本
事件被頻繁激活與事件相關狀態容易被新證據更新，不是同一現象。
中版本
至少部分認知狀態可由激活／可達程度 a e ( t ) a_e(t) a e ( t ) u e ( t ) u_e(t) u e ( t ) φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t )
強版本猜想
對具有有限資源、跨時間記憶與持續學習能力的高階認知系統，激活、可塑性與持久性可能形成可重複的動態分解，並預測不同干預的效果。
本文不聲稱已證明強版本。
終章：真正需要拆開的，不是「熱」與「冷」，而是「出現」與「改變」
一個想法經常出現，不代表它經常被修正。
一個記憶很少出現，也不代表它已經凍結。
一個信念長期穩定，不代表它對證據完全不敏感。
因此：
Activation ≠ Plasticity ≠ Persistence \boxed{
\text{Activation}
\neq
\text{Plasticity}
\neq
\text{Persistence}
} Activation = Plasticity = Persistence 這是本文最核心的重構。
原冷熱點理論真正值得保留的洞見是：
有限資源使事件網絡不可能均勻處理。
但若把：
全部壓縮成一個「熱度」，理論就會失去最重要的微觀區分。
本文因此提出：
Z e ( t ) = ( a e ( t ) , u e ( t ) ) \mathcal Z_e(t)
=
(
a_e(t),
u_e(t)
) Z e ( t ) = ( a e ( t ) , u e ( t )) 並以：
φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t ) 描述時間持久性。
這立即產生四種不同世界。
第一種：
a ↑ , u ↑ a\uparrow,
u\uparrow a ↑ , u ↑ 內容活躍且能更新。
第二種：
a ↑ , u ↓ a\uparrow,
u\downarrow a ↑ , u ↓ 內容反覆出現，卻難被改變。
第三種：
a ↓ , u ↑ a\downarrow,
u\uparrow a ↓ , u ↑ 內容平時沉默，但一旦被適當喚起便高度可塑。
第四種：
a ↓ , u ↓ a\downarrow,
u\downarrow a ↓ , u ↓ 內容既少出現，也少更新。
因此，原本一句：
這是冷點。
現在必須改問：
它是低激活，還是低可塑？
而原本一句：
我們要把它熱點化。
現在必須改問：
我們要增加可達性，還是增加更新能力？
這不是用更多符號取代舊詞。
而是把真正不同的機制分開。
最終，本篇把「冷熱點」從一個有啟發性的單軸隱喻，重構為：
可達多少 × 改得多快 × 維持多久 \boxed{
\text{可達多少}
\times
\text{改得多快}
\times
\text{維持多久}
} 可達多少 × 改得多快 × 維持多久 的動態認知模型。
這也為下一篇刻板印象理論建立了更精確的入口：
Stereotype Persistence may involve a ↑ , u − ↓ , φ ↑ \boxed{
\text{Stereotype Persistence}
\text{ may involve }
a\uparrow,
u^{-}\downarrow,
\varphi\uparrow
} Stereotype Persistence may involve a ↑ , u − ↓ , φ ↑ 但這仍只是下一篇需要正式檢驗的候選結構，而不是本文提前宣布的定理。
附錄 A：核心符號表
符號
定義
a e ( t ) a_e(t) a e ( t ) 事件／表徵激活或可達程度
u e ( t ) u_e(t) u e ( t ) 狀態更新增益／可塑性
φ e ( Δ t ) \varphi_e(\Delta t) φ e ( Δ t ) 狀態持久性
x e ( t ) x_e(t) x e ( t ) 與事件 e e e
ε e ( t ) \varepsilon_e(t) ε e ( t ) 預測誤差／新證據差異
θ a \theta_a θ a 激活分區閾值
θ u \theta_u θ u 可塑性分區閾值
Z e ( t ) \mathcal Z_e(t) Z e ( t ) 激活—可塑性狀態向量
D e i d ( t ) D_e^{id}(t) D e i d ( t ) 身份防衛負荷
I e c o n ( t ) I_e^{con}(t) I e co n ( t ) 鞏固慣性
V e u p d a t e V_e^{update} V e u p d a t e 更新的預期任務價值
u e + u_e^{+} u e + 支持證據更新增益
u e − u_e^{-} u e − 反對證據更新增益
T \mathbf T T 象限狀態轉換矩陣
θ u p \theta^{up} θ u p 上行轉換閾值
θ d o w n \theta^{down} θ d o w n 下行轉換閾值
τ a \tau_a τ a 激活時間尺度
τ u \tau_u τ u 可塑性時間尺度
τ φ \tau_{\varphi} τ φ 持久性時間尺度
附錄 B：一句話版本
認知內容「多久出現一次」、「出現後多容易被新證據改變」與「在沒有新輸入時能維持多久」是三個不同問題；冷熱點理論因此應重構為激活—可塑性雙軸模型，並以持久性作為時間調節量。
附錄 C：與原稿的版本差異
原始版本
v2.0 重構
熱／溫／冷單軸
激活 a a a u u u
冷點＝低更新
拆成低激活與低可塑
熱點＝高更新
拆成高激活高可塑、與高激活低可塑
刻板印象＝冷點凍結
改為部分高激活—低可塑候選
凍結＝單一狀態
新增持久性 φ \varphi φ
更新頻率統一所有現象
加入激活、更新、持久分離
冷→熱相變
改為象限轉換矩陣
單一臨界點
加入情境閾值與遲滯
正反饋
加入競爭、疲勞、飽和
PTSD＝冷點
移除固定臨床同一化
OCD＝熱點
移除固定臨床同一化
BOLD 高＝熱點
移除直接神經等同
AI attention≈人類冷熱點
改為功能映射候選
去刻板化＝熱點化
改為需判斷激活與可塑性瓶頸
三類事件定理
改為四象限候選分類與可證偽模型
全文完