選擇配置動力學：有限認知資源下的注意分配、激活與競爭

Selection Allocation Dynamics: Attention Distribution, Activation, and Competition under Finite Cognitive Resources

作者：Neo.K
機構：一言諾科技有限公司（EveMissLab）
版本：v1.0
日期：2026 年 7 月
文件性質：認知動力學系列核心理論論文
系列位置：第 2 篇／選擇配置篇
前置依賴：第 1 篇《認知事件—算子架構》
公開定位：中層理論、準形式化模型、可檢驗研究綱領

摘要

任何有限認知主體都面對同一問題：可被處理的候選事件、內部狀態、記憶線索、行動需求與外部刺激，通常多於其當下可投入的處理資源。因此，認知並非首先發生於「完整接收世界」，而必須持續進行非均勻配置。本文提出「選擇配置動力學」（Selection Allocation Dynamics, SAD），將既有注意力動力學中的選擇算子 $\Pi$ 從「整個認知—行為因果鏈的唯一源頭」降階並重構為有限資源條件下的動態配置算子。

本文不主張 $\Pi$ 等同意識、不主張 $\Pi$ 是單一神經模組，也不主張所有行動失敗都可歸因於注意力不足。本文將 $\Pi_t$ 定義為：

\Pi_t: \mathcal E_t \rightarrow \mathbb R_{\geq 0}

其中 $\Pi_t(e)$ 表示時間 $t$ 對候選事件 $e$ 所配置的相對處理資源、優先權或准入強度。於有限資源約束下：

\int_{\mathcal E_t} c(e,t)\Pi_t(e)\,d\mu(e) \leq R_t^{\max}

其中 $c(e,t)$ 是處理成本， $R_t^{\max}$ 是當下可用資源上界。

本文建立五項核心機制：（1）非均勻配置；（2）事件間競爭；（3）激活與配置的分離；（4）跨時間慣性與記憶回饋；（5）探索—利用與切換成本。本文提出條件式配置分數：

s_t(e) = \alpha_t S_t(e) + \beta_t G_t(e) + \gamma_t N_t(e) + \delta_t H_t(e) + \zeta_t Q_t(e) - \lambda_t C_t(e) - \kappa_t K_t(e)

並以：

\Pi_t(e) = R_t^{\max} \cdot \operatorname{softmax}_{\tau_t} \big( s_t(e) \big)

作為候選配置模型，而非普遍定律。各項分別表示顯著性、目標相關性、新穎性、歷史／習慣、預期資訊價值、處理成本與切換成本。

本文進一步區分：

\text{Salience} \neq \text{Allocation} \neq \text{Activation} \neq \text{Observation} \neq \text{Update}

並證明在概念上，「高注意」不能直接推出「正確理解」、「穩定記憶」、「實際行動」或「外部影響」。本文提出資源稀釋、競爭排擠、配置鎖定、探索不足、切換摩擦與注意債務等失效模式，並給出替代模型、可證偽條件與實驗設計。

本研究的主要貢獻不是宣稱「注意力決定一切」，而是建立一個更嚴格的中層命題：在有限資源系統中，選擇配置是影響後續處理機會結構的重要條件之一；其效果依賴觀察、更新、記憶、行動門控與環境回饋等其他算子的耦合。

關鍵詞： 選擇配置、注意力動力學、有限認知資源、事件競爭、激活、切換成本、探索利用、資源稀釋、注意慣性、認知瓶頸

0. 邊界聲明

本文首先明確以下限制。

第一，本文不主張選擇配置算子 $\Pi$ 是「認知的唯一源頭」。

第二，本文不主張：

\Pi = \text{Consciousness}

也不主張：

\Pi = \text{Transformer Attention}

第三，本文不把任何「沒有行動」都解釋成 $\Pi$ 不足。行動可能失敗於：

表徵；
更新；
記憶提取；
程序可用性；
行動門控；
即時厭惡成本；
外部環境。

第四，本文不預設 $\Pi$ 最終來自 $\Omega$ 或其他高階本體。這類主張可作為後續哲學猜想，但不是本文成立條件。

第五，本文中的數學主要是：

定義；
候選模型；
關係式；
可檢驗假說；
算子前置表示。

除非另有證明，不稱為普遍定理。

因此本文的最小立場是：

\boxed{ \text{有限資源} \Rightarrow \text{必須存在某種非均勻配置問題} }

但不預先斷言：

\boxed{ \text{所有系統都以同一機制解決配置問題} }

1. 從「注意力是源頭」到「配置是條件」

1.1 原始問題

一個認知主體在任一時刻都可能同時面對：

多個外部刺激；
多個內部念頭；
多個記憶線索；
多個目標；
多個社會需求；
多個可能行動。

設候選事件集合為：

\mathcal E_t = \{ e_1,e_2,\ldots,e_n \}

若：

n \gg R_t^{\max}

其中 $R_t^{\max}$ 是當下可用處理資源，則系統不可能對所有事件投入等量深度處理。

因此真正的基礎問題是：

在資源有限、事件過多、成本不同、價值不確定的情況下，資源如何被非均勻配置？

1.2 重新定位 $\Pi$

本文定義：

\Pi_t(e)

為時間 $t$ 對事件 $e$ 的相對配置強度。

它可能代表：

處理時間；
採樣頻率；
計算預算；
覺察優先權；
搜尋深度；
內部重放頻率；
行動前評估資源。

因此：

\Pi_t(e) \neq \Pr(e\text{ 存在})

也不等於：

\Pi_t(e) = \text{對 }e\text{ 的喜歡程度}

更不等於：

\Pi_t(e) = \text{對 }e\text{ 的正確理解}

1.3 機會結構命題

本文提出：

$\Pi$ 最直接改變的不是最終結果，而是後續處理的機會結構。

可寫為：

P( O_t(e)\text{ 被充分執行} \mid \Pi_t(e) )

通常隨 $\Pi_t(e)$ 增加而上升，但不必線性。

因此：

\boxed{ \Pi \text{ 是條件，不是結果保證} }

2. 前置架構中的位置

第 1 篇已定義：

\mathcal S_t = ( X_t, \Pi_t, O_t, U_t, \mathcal M_t, G_t, A_t )

本文只展開：

\Pi_t

不重新定義其他算子。

最小關係：

E_t \rightarrow \Pi_t \rightarrow O_t

但同時：

X_t \rightarrow \Pi_t

\mathcal M_t \rightarrow \Pi_t

R_{t-1} \rightarrow \Pi_t

A_{t-1} \rightarrow E_t \rightarrow \Pi_t

所以 $\Pi$ 不是一個孤立入口，而是一個受歷史與狀態影響的配置節點。

3. 有限資源公理

3.1 候選事件過剩

設：

\mu(\mathcal E_t)

表示候選事件空間的有效規模。

若：

\mu(\mathcal E_t) > R_t^{\max}

則無法對所有事件進行等深度處理。

這不是說人類或 AI 必然有同一種資源，而是：

只要處理能力有限，而候選事件足夠多，就存在配置問題。

3.2 成本加權約束

不同事件的處理成本不同。

定義：

c(e,t) > 0

為事件 $e$ 在時間 $t$ 的邊際處理成本。

則：

\int_{\mathcal E_t} c(e,t)\Pi_t(e)\,d\mu(e) \leq R_t^{\max}

離散形式：

\sum_{i=1}^{n} c_i(t)\Pi_i(t) \leq R_t^{\max}

因此等量配置：

\Pi_i=\Pi_j

不代表等量資源消耗，若：

c_i\neq c_j

3.3 資源上界的時間變化

可用資源不是常數。

R_t^{\max} = f( F_t, A_t^{\text{arousal}}, S_t^{\text{sleep}}, L_t^{\text{load}}, D_t^{\text{disease}}, \Xi_t )

其中可能包括：

疲勞；
喚醒；
睡眠；
同時任務負荷；
疾病；
外部擾動。

因此：

R_{t_1}^{\max} \neq R_{t_2}^{\max}

即使主體能力沒有根本改變。

4. 配置分數模型

4.1 候選分數

本文提出候選配置分數：

s_t(e) = \alpha_t S_t(e) + \beta_t G_t(e) + \gamma_t N_t(e) + \delta_t H_t(e) + \zeta_t Q_t(e) - \lambda_t C_t(e) - \kappa_t K_t(e)

其中：

$S_t(e)$ ：顯著性；
$G_t(e)$ ：目標相關性；
$N_t(e)$ ：新穎性／驚奇；
$H_t(e)$ ：歷史習慣／重複暴露；
$Q_t(e)$ ：預期資訊價值或不確定性縮減；
$C_t(e)$ ：即時處理成本；
$K_t(e)$ ：從當前焦點轉向 $e$ 的切換成本。

此式不是普遍真理，而是一個可替換、可比較的候選模型。

4.2 配置映射

可採：

\Pi_t(e) = R_t^{\max} \cdot \frac{ \exp( s_t(e)/\tau_t ) }{ \sum_{j} \exp( s_t(e_j)/\tau_t ) }

其中 $\tau_t$ 為配置溫度。

當：

\tau_t\downarrow

配置更集中。

當：

\tau_t\uparrow

配置更分散。

因此 $\tau_t$ 可作為：

探索程度；
分散程度；
選擇尖銳度；

的候選參數。

4.3 不使用 softmax 的情況

本文不主張配置必須是 softmax。

替代形式包括：

稀疏最大化；
winner-take-all；
top-$k$ ；
門檻准入；
多層 routing；
非參數過程。

因此：

\Pi_t = \mathcal A_{\theta} ( s_t )

其中 $\mathcal A_{\theta}$ 是待檢驗配置機制。

5. 五個驅動來源

5.1 顯著性 $S_t(e)$

顯著性表示事件在當前感知或內部狀態中突出程度。

高顯著性可能來自：

強烈聲音；
高對比；
威脅；
情緒刺激；
身體疼痛。

但：

S_t(e)\uparrow \not\Rightarrow G_t(e)\uparrow

某事件可以很顯眼，但與目標無關。

5.2 目標相關性 $G_t(e)$

定義：

G_t(e) = \operatorname{Rel} ( e, \mathcal G_t )

其中 $\mathcal G_t$ 是當前目標集合。

但目標也可能衝突：

\mathcal G_t = \{ g_1,g_2,\ldots,g_m \}

例如：

完成研究；
維持關係；
避免衝突；
即時休息。

因此目標相關性本身是多目標問題。

5.3 新穎性 $N_t(e)$

可候選定義：

N_t(e) = d( e, \mathcal M_t^{\text{prior}} )

即事件與既有記憶模型的距離。

但新穎性具有雙重性。

若：

N_t(e) \approx 0

事件可能被忽略。

若：

N_t(e) \gg \theta

事件也可能因過度陌生而無法整合。

因此可能存在：

\Pi_t(e) = f(N_t(e))

的倒 U 型關係。

5.4 歷史／習慣 $H_t(e)$

定義：

H_t(e) = \int_0^t w(t-\tau) \Pi_{\tau}(e) \,d\tau

其中 $w$ 是時間衰減核。

這表示過去配置會改變未來配置傾向。

候選動力學：

\frac{dH_t(e)}{dt} = \alpha \Pi_t(e) - \beta H_t(e)

產生：

\Pi\uparrow \rightarrow H\uparrow \rightarrow \Pi\uparrow

的正反饋。

但本文加入飽和與反作用：

\frac{dH_t(e)}{dt} = \alpha \Pi_t(e) - \beta H_t(e) - \rho H_t(e)^2

避免無限增長。

5.5 預期資訊價值 $Q_t(e)$

有些事件不顯著、不熟悉、也不直接相關，但可能大幅降低不確定性。

可定義：

Q_t(e) = \mathbb E \left[ \Delta \mathcal U \mid \operatorname{Process}(e) \right]

其中 $\Delta\mathcal U$ 是不確定性下降。

此項允許系統主動搜尋：

反例；
新證據；
高資訊量觀測；
未知區域。

它為探索行為提供接口。

6. 七個不可混同

6.1 顯著性不等於配置

S_t(e)\uparrow \not\Rightarrow \Pi_t(e)\uparrow

當系統具強目標控制時，可抑制高顯著干擾。

6.2 配置不等於激活

定義事件激活：

a_e(t)

則：

\Pi_t(e) \neq a_e(t)

可能出現：

高配置但低激活：深度搜尋尚未找到表徵；
低外顯配置但高激活：習慣性、自動化或殘留狀態。

6.3 激活不等於觀察

a_e(t)\uparrow \not\Rightarrow O_t(e)=z^{*}

高激活可能只是反覆錯誤表徵。

6.4 觀察不等於更新

O_t(e) \not\Rightarrow U_t(X_t,e)\neq X_t

看見反例不代表改變。

6.5 配置不等於記憶

\Pi_t(e)\uparrow \not\Rightarrow \mathcal M_{t+\Delta}^{\text{ret}}(e)\uparrow

深度處理可能有助記憶，但不是充分條件。

6.6 配置不等於行動

\Pi_t(e)\uparrow \not\Rightarrow A_t(e)

一個人可反覆想運動卻不運動。

6.7 配置不等於影響

\Pi_t(e)\uparrow \not\Rightarrow I_t(e)\uparrow

若行動門控、外部權重或環境條件失敗，影響仍可能為零。

7. 事件競爭

7.1 相對配置

在固定資源下：

\Pi_t(e_i)\uparrow

通常意味：

\sum_{j\neq i} c_j\Pi_t(e_j) \downarrow

因此注意並非單純「增加」，而常是重新分配。

7.2 排擠效應

定義事件 $i$ 對事件 $j$ 的配置排擠：

\chi_{ij}(t) = - \frac{ \partial \Pi_t(e_j) }{ \partial s_t(e_i) }

若：

\chi_{ij}>0

表示提升 $i$ 的優先度會降低 $j$ 的配置。

這可用於研究：

通知對深度工作的排擠；
焦慮對任務注意的排擠；
社交關係對自我目標的排擠；
高頻推薦對長期閱讀的排擠。

7.3 競爭不必對稱

一般情況：

\chi_{ij} \neq \chi_{ji}

例如高情緒事件對平靜任務的排擠可能遠大於反向。

8. 切換成本與配置摩擦

8.1 切換成本

從當前事件 $e_i$ 轉向 $e_j$ ，定義：

K_t(i\rightarrow j) \geq 0

其可能來自：

工作記憶重建；
上下文重新載入；
情緒殘留；
工具切換；
任務規則切換。

因此：

K_t(i\rightarrow j) \neq K_t(j\rightarrow i)

8.2 配置慣性

可寫：

\Pi_{t+1} = (1-\rho_t) \tilde\Pi_{t+1} + \rho_t \Pi_t

其中：

$\tilde\Pi_{t+1}$ ：依新分數計算的候選配置；
$\rho_t$ ：慣性係數。

若：

\rho_t\rightarrow 1

系統高度鎖定。

若：

\rho_t\rightarrow 0

系統高度可切換。

8.3 過度切換

切換頻率：

f_{\text{switch}}

過高時，可能造成：

R_t^{\text{effective}} = R_t^{\max} - \sum K_t(i\rightarrow j)

有效資源下降。

因此：

\boxed{ \text{更多切換} \neq \text{更多有效探索} }

9. 探索—利用動力學

9.1 利用

利用既有高價值事件：

e^{*} = \arg\max_e \hat V_t(e)

可提升短期效率。

9.2 探索

對不確定事件投入配置：

\Pi_t(e) \propto Q_t(e)

可發現新維度。

9.3 失衡

過度利用：

\Pi_t \rightarrow \delta_{e^{*}}

可能造成：

視野縮窄；
反例不足；
配置鎖定；
認知繭房。

過度探索則：

H(\Pi_t)\uparrow

但深度不足。

其中配置熵：

H(\Pi_t) = - \sum_i p_i(t) \log p_i(t)

可作為分散程度指標之一。

9.4 動態溫度

因此 $\tau_t$ 不應固定。

候選策略：

\tau_t = f( \text{uncertainty}, \text{deadline}, \text{fatigue}, \text{novelty} )

例如：

高不確定性 → 提高探索；
臨近截止 → 提高集中；
長期鎖定 → 暫時提高探索；
高疲勞 → 降低複雜切換。

10. 配置的時間動力學

10.1 三種時間尺度

瞬時配置

\Pi_t^{\text{fast}}

毫秒至秒級。

任務配置

\Pi_t^{\text{task}}

分鐘至小時級。

長期配置

\Pi_t^{\text{long}}

天至年級。

因此：

\Pi_t = \Pi_t^{\text{fast}} + \Pi_t^{\text{task}} + \Pi_t^{\text{long}}

只是概念分解，未必線性可加。

10.2 長期遷移

一個人的長期生活軌跡可能由配置積分近似描述：

A_i(T) = \int_0^T \Pi_t(e_i) \,dt

但：

A_i(T)

不是能力，也不是成果。

它只是累積配置量。

成果仍依賴：

O, U, \mathcal M, G, E_{\text{env}}

10.3 配置窗口

可定義：

W_i = [t_i^{start},t_i^{end}]

表示某類事件的高配置窗口。

這允許：

分時段工作；
多目標輪替；
高維研究與生存任務並行。

但不預設存在普遍最佳窗口。

11. 六種失效模式

11.1 資源稀釋

事件太多：

|\mathcal E_t|\uparrow

導致單事件平均配置：

\bar \Pi_t \downarrow

11.2 競爭排擠

高顯著事件：

S_t(e_i)\gg S_t(e_j)

使長期高價值事件 $e_j$ 被排擠。

11.3 配置鎖定

\rho_t \rightarrow 1

導致新證據難以獲得資源。

11.4 探索不足

H(\Pi_t) \rightarrow 0

長期集中於少數已知事件。

11.5 切換摩擦

\sum K_t(i\rightarrow j)

過高，導致有效資源下降。

11.6 注意債務

本文提出「注意債務」作為候選概念：

長期被延後但仍需處理的事件，持續占用提醒、焦慮、未完成目標或背景監控資源。

定義待處理集合：

\mathcal D_t = \{ e: \text{required}(e)=1, \text{processed}(e)=0 \}

注意債務：

D_t^{\Pi} = \sum_{e\in\mathcal D_t} w_e \cdot r_e(t)

其中：

$w_e$ ：事件重要度；
$r_e(t)$ ：背景占用或重啟成本。

若：

D_t^{\Pi}\uparrow

可能降低：

R_t^{\text{effective}}

但這是待驗證假說。

12. 由正反饋到飽和與反作用

原始注意力模型容易形成：

\Pi\uparrow \rightarrow H\uparrow \rightarrow \Pi\uparrow

若無限制，會導致無限增長。

本文改為：

\frac{d\Pi_t(e)}{dt} = F_{\text{gain}} - F_{\text{competition}} - F_{\text{fatigue}} - F_{\text{saturation}} + F_{\text{recovery}}

具體候選：

\frac{d\Pi}{dt} = \alpha s - \beta \Pi - \gamma \Pi^2 - \eta L_t + \xi Rec_t

其中：

$\gamma\Pi^2$ ：飽和；
$L_t$ ：負荷；
$Rec_t$ ：恢復。

因此高配置不會必然永久維持。

13. 「零配置」命題的修正

原始強版本容易寫成：

\Pi(e)=0 \Rightarrow I(e)=0

本文認為此式只在特定路徑成立。

因為：

自動化行為可在低顯式注意下執行；
環境可代理觸發；
習慣可繞過深度配置；
其他主體可代為行動。

因此改為：

條件式零配置命題

若某任務要求：

事件 $e$ 必須被當前系統選取；
無自動化替代；
無外部代理；
無已存程序直接觸發；

則：

\Pi_t(e)\approx 0

可能使該路徑的後續處理機率趨近零。

形式上：

P( O_t(e)\text{充分處理} \mid \Pi_t(e)\approx 0, C ) \approx 0

其中 $C$ 是上述條件集合。

14. 「槓桿的槓桿」命題的修正

原始版本主張上游微小 $\Pi$ 改變可產生巨大倍增。

這在零基線附近可能出現比例幻覺。

若：

I_0=0

則：

\frac{I_1-I_0}{I_0}

無定義。

因此不能把：

0 \rightarrow \epsilon

稱為「無窮倍改善」。

本文改為局部敏感度：

S_{\Pi}^{Y} = \frac{\partial Y}{\partial \Pi}

以及彈性：

\varepsilon_{\Pi}^{Y} = \frac{\partial Y}{\partial \Pi} \frac{\Pi}{Y}

是否存在高槓桿，應由：

任務；
基線；
其他瓶頸；
非線性區域；

共同決定。

因此：

\boxed{ \Pi\text{ 可能是高槓桿節點} \neq \Pi\text{ 必然是最高 ROI 節點} }

15. 配置與其他算子的耦合

15.1 與觀察 $O$

P( O_t(e)\text{充分} ) = f( \Pi_t(e), X_t, \mathcal M_t )

高配置增加機會，但不保證正確。

15.2 與更新 $U$

U_t = f( O_t, X_t, \mathcal M_t, C_{\text{defense}} )

即使 $\Pi$ 高，身份防衛仍可能使更新接近零。

15.3 與記憶 $\mathcal M$

過去配置形成歷史：

H_t(e) = \int w(\tau)\Pi_{t-\tau}(e)\,d\tau

而記憶又反向影響：

\Pi_{t+1}(e)

因此：

\Pi \leftrightarrow \mathcal M

15.4 與行動門控 $G$

\Pi_t(e)\uparrow

可能提高某行動候選的可用性，但：

G_t(A)

仍可因成本與風險拒絕行動。

16. 個體干預：從「提高注意力」到「重塑配置條件」

本文不提出「只要更專注」的道德化建議。

干預應對應模型項。

16.1 降低競爭

降低：

S_t(e_{\text{noise}})

例如：

關閉通知；
隔離干擾；
降低高頻切換。

16.2 提升目標可見性

提高：

G_t(e_{\text{target}})

例如：

明確下一步；
外部進度；
任務分解；
具體截止條件。

16.3 管理切換成本

降低：

K_t(i\rightarrow j)

例如：

固定工具；
保存上下文；
任務批次化；
預先載入資料。

16.4 調節探索溫度

不是永久聚焦，而是按任務調整：

\tau_t

研究早期可提高探索，收斂期降低。

16.5 處理注意債務

減少：

D_t^{\Pi}

例如：

外部記錄；
明確刪除低價值待辦；
設置延後窗口；
關閉無效提醒。

17. 關係情境的邊界

原始理論常以：

\Pi_B(e_A)

表示 B 對 A 的在乎程度。

本文保留其作為候選隱變量，但不直接等同愛、重視或承諾。

因為行為訊號：

回應延遲；
主動聯絡；
記憶；
眼神；

同時受：

忙碌；
人格；
文化；
策略；
疲勞；
技術平台；

影響。

因此：

P( \Pi \mid s_1,\ldots,s_n )

只能作為逆推問題。

關係層完整展開留待第 4 篇。

18. 群體層邊界

本文只研究個體層：

\Pi_i(e)

群體層：

\Pi_{ij}

形成矩陣：

\mathbf\Pi = [ \Pi_{ij} ]

涉及：

中心化；
全連接；
模組化；
耦合成本；
創造力；

屬第 12 篇《群體創造力耦合拓撲》。

本文不提前證明群體最優拓撲。

19. AI 映射

19.1 候選對應

AI 中可能存在與 $\Pi$ 類似的配置功能：

token attention；
retrieval routing；
expert routing；
tool selection；
memory retrieval；
context compression；
scheduler。

但：

\text{Self-Attention} \neq \Pi_{\text{cognitive}}

兩者只有功能類比或局部映射。

19.2 AI 改變配置環境

AI 系統可能同時：

降低成本

C_t(e)\downarrow

提高新穎性

N_t(e)\uparrow

提高回饋頻率

R_t^{\text{feedback}}\uparrow

增加候選事件量

|\mathcal E_t|\uparrow

因此 AI 既可能擴展探索，也可能增加資源稀釋。

本文不預先斷言 AI 必然打破或加劇繭房。

20. 分層猜想

H1：有限資源非均勻配置猜想

當：

\mu(\mathcal E_t) \gg R_t^{\max}

時，穩定系統將形成非均勻配置。

H2：配置—處理機會猜想

在控制其他條件後：

\frac{ \partial P(O_t(e)\text{充分}) }{ \partial \Pi_t(e) } > 0

至少在某一有效區間成立。

H3：競爭排擠猜想

在固定總資源下，提高一類事件分數，將對部分其他事件產生可測量負排擠。

H4：配置慣性猜想

存在：

\rho_t>0

使過去配置對未來配置有獨立預測力。

H5：切換成本猜想

頻繁切換在控制總時間後，會降低至少部分複雜任務的有效處理量。

H6：動態溫度猜想

固定集中度策略不會跨所有任務最優；探索—利用的最佳配置分散度依情境變化。

H7：瓶頸條件猜想

當其他算子成为主要瓶頸時：

\frac{\partial Y}{\partial \Pi} \rightarrow 0

因此增加 $\Pi$ 的邊際效益可能消失。

這是對「注意力永遠最高 ROI」的直接限制。

21. 競爭模型

$H_0$ ：單一能力模型

所有差異主要來自一般能力：

g_c

不需獨立配置算子。

$H_1$ ：刺激顯著性模型

配置主要由：

S_t(e)

決定。

$H_2$ ：目標控制模型

配置主要由：

G_t(e)

決定。

$H_3$ ：強化歷史模型

配置主要由：

H_t(e)

決定。

$H_4$ ：多因子選擇配置模型

使用本文：

S,G,N,H,Q,C,K

比較：

預測力；
泛化；
參數穩定性；
干預可識別性；
模型複雜度。

22. 可證偽條件

F1：配置無獨立解釋力

若控制能力、目標、刺激與記憶後， $\Pi$ 不改善預測，則其獨立地位下降。

F2：競爭效應不存在

若固定資源下增加某事件配置不對其他事件產生任何可測影響，資源競爭模型需修正。

F3：慣性不存在

若：

\Pi_t

對：

\Pi_{t+1}

無獨立預測力，歷史／習慣項需刪減。

F4：切換成本不存在

若跨任務切換不產生可重複成本， $K_t$ 不是必要項。

F5：單一模型支配

若更簡單的顯著性或目標模型跨場景穩定優於多因子模型，本文應降階。

F6：干預無特異性

若所有所謂 $\Pi$ 干預效果都可完全由動機、能力提升或環境便利性解釋，則配置理論需重估。

23. 實驗設計

23.1 有限資源與排擠

操弄：

候選事件數量；
刺激顯著性；
任務相關性。

測量：

\Pi_t(e)

代理指標可包括：

注視時間；
採樣頻率；
反應時；
主動搜尋；
計算資源分配。

檢查：

\chi_{ij}

23.2 配置與觀察分離

控制：

\Pi_t(e)

後測量：

O_t(e)

的表徵正確性。

若高配置仍可產生低正確表徵，支持兩者分離。

23.3 配置慣性

長期追蹤：

\Pi_t(e)

與：

\Pi_{t+1}(e)

並控制事件價值與目標。

23.4 切換成本

比較：

單任務；
固定批次；
高頻切換。

測量：

R_t^{\text{effective}}

與輸出品質。

23.5 動態溫度

比較：

固定高集中；
固定高探索；
階段性調溫。

測量：

新穎解數；
錯誤率；
收斂速度；
長期保留。

24. 對原《注意力動力學》的正式修補

本文對原理論做以下轉換。

24.1 保留

保留：

有限資源；
非均勻配置；
$\Pi$ 的時間遷移；
配置對後續處理的上游作用；
習慣回饋；
群體 $\Pi$ 的擴展可能；
AI 配置問題。

24.2 降階

將：

$\Pi$ 是影響力真正源頭。

改為：

$\Pi$ 是有限資源下的重要機會結構算子之一。

24.3 移除固定倍數

移除：

1% $\Pi$ 改變必然造成 10 倍影響；
$\Pi$ 干預必然比 $B$ 高 3–5 倍；
ROI 必然高 $10^3$ – $10^4$ 。

改用：

S_{\Pi}^{Y}

與：

\varepsilon_{\Pi}^{Y}

做情境化敏感度。

24.4 移除強本體依賴

不以：

\Omega \rightarrow \delta \rightarrow \Pi

作為最低前提。

24.5 拆出關係與群體

關係逆推留待第 4 篇。

群體 $\mathbf\Pi$ 留待第 12 篇。

25. 與後續系列的依賴

本文直接支持：

第 4 篇：關係注意不對稱動力學

使用：

\Pi_{ij}(t)

第 5 篇：記憶動力學

使用：

H_t(e) = \int w(\tau)\Pi_{t-\tau}(e)d\tau

第 6 篇：認知激活—可塑性動力學

區分：

\Pi_t(e) \neq a_e(t) \neq u_e(t)

第 12 篇：群體創造力耦合拓撲

擴展：

\Pi_i(e) \rightarrow \Pi_{ij}

第 13 篇：雙視角推斷架構

將 $\Pi$ 作為可逆推的隱變量之一，而非「真正理解」的充分條件。

第 14 篇：統一認知—行動動力學

回到：

\mathcal S_{t+1} = \mathcal F( \mathcal S_t,E_t,R_t,\Xi_t )

26. 理論貢獻

貢獻一：從源頭論轉向配置論

不再尋找唯一認知源頭。

貢獻二：建立成本加權資源約束

\int c(e,t)\Pi_t(e)d\mu(e) \leq R_t^{\max}

貢獻三：加入競爭與排擠

\chi_{ij} = - \frac{ \partial \Pi_j }{ \partial s_i }

貢獻四：加入切換摩擦

K_t(i\rightarrow j)

貢獻五：加入探索—利用

以：

H(\Pi_t)

與：

\tau_t

描述分散程度。

貢獻六：建立注意債務

D_t^{\Pi}

作為待驗證候選概念。

貢獻七：限制自身

明確承認：

\frac{\partial Y}{\partial \Pi} \rightarrow 0

在其他瓶頸主導時可能成立。

27. 限制

第一， $\Pi$ 的可觀測性仍是問題。

第二，眼動、反應時、搜尋頻率只是代理，不等於 $\Pi$ 本體。

第三，不同事件粒度會改變模型。

第四， $S,G,N,H,Q,C,K$ 之間可能高度相關。

第五，配置可能由多層機制共同完成。

第六，本文尚未建立跨文化穩定參數。

第七，AI 與人類的配置機制可能不同。

第八，本文沒有解決意識本體問題。

28. 核心命題

弱版本

有限認知資源導致候選事件不能被等量深度處理。

中版本

事件配置受到顯著性、目標、新穎性、歷史、資訊價值、處理成本與切換成本等因素耦合影響，且配置競爭會改變後續處理機會。

強版本猜想

對所有具有有限資源、持續狀態與多候選事件的認知系統，都存在某種與選擇配置算子近似同構的功能機制。

本文不聲稱已證明強版本。

終章：真正的注意力問題，不是「更專注」，而是「有限資源如何被配置」

注意力理論最容易滑向兩種極端。

第一種極端是：

注意力只是眾多心理變量之一。

第二種極端是：

注意力是一切認知與影響力的真正源頭。

本文拒絕兩者。

選擇配置的重要性來自一個更簡單的事實：

\boxed{ \text{候選事件通常多於可用處理資源} }

因此系統必須持續決定：

哪些事件得到資源；
得到多少；
持續多久；
何時切換；
何時探索；
何時集中；
哪些未完成事件形成背景債務。

這個問題不是「意志力不夠」的道德問題，也不是「所有結果都由注意力決定」的單源問題。

它是一個動態配置問題：

\boxed{ \Pi_t = \mathcal A ( E_t, X_t, \mathcal M_t, R_t^{\max}, \text{history}, \text{cost} ) }

而其效果必須放回整體系統：

\boxed{ \mathcal S_{t+1} = \mathcal F ( \mathcal S_t, E_t, R_t, \Xi_t ) }

因此，第 2 篇的核心不是：

$\Pi$ 決定一切。

而是：

在有限資源世界中，配置改變了哪些事件有機會被進一步觀察、更新、記憶與轉化；但配置本身也受歷史、狀態、成本與其他算子的限制。

這使「注意力動力學」從一個過強的源頭理論，轉化為可檢驗、可擴展、可被後續系列共同使用的中層動力學。

附錄 A：核心符號表

符號	定義
$\mathcal E_t$	時間 $t$ 的候選事件空間
$\Pi_t(e)$	對事件 $e$ 的配置強度
$R_t^{\max}$	可用資源上界
$c(e,t)$	事件處理成本
$s_t(e)$	候選配置分數
$S_t(e)$	顯著性
$G_t(e)$	目標相關性
$N_t(e)$	新穎性
$H_t(e)$	歷史／習慣
$Q_t(e)$	預期資訊價值
$C_t(e)$	即時處理成本
$K_t(i\rightarrow j)$	切換成本
$\tau_t$	配置溫度
$a_e(t)$	激活／可達性
$\chi_{ij}(t)$	配置排擠係數
$\rho_t$	配置慣性
$H(\Pi_t)$	配置熵
$D_t^{\Pi}$	注意債務
$S_{\Pi}^{Y}$	輸出對配置的局部敏感度
$\varepsilon_{\Pi}^{Y}$	輸出對配置的彈性

附錄 B：一句話版本

注意力不是「一切的源頭」，而是有限認知資源在多個候選事件之間持續競爭、分配、鎖定、切換與探索的動態配置問題。

附錄 C：與原稿的版本差異

原始版本	v2.0 重構
$\Pi$ 是真正源頭	$\Pi$ 是重要配置條件之一
$\Omega\rightarrow\delta\rightarrow\Pi$	不作最低前提
五層線性坍塌	動態耦合系統
零 $\Pi$ 必然零影響	改為條件式路徑命題
1% 改變造成十倍影響	改為局部敏感度與彈性
$\Pi$ 干預固定 3–5 倍	移除虛構精度
ROI 高 $10^3$ – $10^4$	移除
關係 $\Pi$ 同篇處理	拆到第 4 篇
群體 $\Pi$ 為補充章	拆到第 12 篇
注意力＝激活	明確分離
正反饋	加入飽和、疲勞、恢復
只有聚焦	加入探索—利用與動態溫度

全文完

選擇配置動力學：有限認知資源下的注意分配、激活與競爭

選擇配置動力學：有限認知資源下的注意分配、激活與競爭

摘要

0. 邊界聲明

1. 從「注意力是源頭」到「配置是條件」

1.1 原始問題

1.2 重新定位 Π\PiΠ

1.3 機會結構命題

2. 前置架構中的位置

3. 有限資源公理

3.1 候選事件過剩

3.2 成本加權約束

3.3 資源上界的時間變化

4. 配置分數模型

4.1 候選分數

4.2 配置映射

4.3 不使用 softmax 的情況

5. 五個驅動來源

5.1 顯著性 St(e)S_t(e)St​(e)

5.2 目標相關性 Gt(e)G_t(e)Gt​(e)

5.3 新穎性 Nt(e)N_t(e)Nt​(e)

5.4 歷史／習慣 Ht(e)H_t(e)Ht​(e)

5.5 預期資訊價值 Qt(e)Q_t(e)Qt​(e)

6. 七個不可混同

6.1 顯著性不等於配置

6.2 配置不等於激活

6.3 激活不等於觀察

6.4 觀察不等於更新

6.5 配置不等於記憶

6.6 配置不等於行動

6.7 配置不等於影響

7. 事件競爭

7.1 相對配置

7.2 排擠效應

7.3 競爭不必對稱

8. 切換成本與配置摩擦

8.1 切換成本

8.2 配置慣性

8.3 過度切換

9. 探索—利用動力學

9.1 利用

9.2 探索

9.3 失衡

9.4 動態溫度

10. 配置的時間動力學

10.1 三種時間尺度

瞬時配置

任務配置

長期配置

10.2 長期遷移

10.3 配置窗口

11. 六種失效模式

11.1 資源稀釋

11.2 競爭排擠

11.3 配置鎖定

11.4 探索不足

11.5 切換摩擦

11.6 注意債務

12. 由正反饋到飽和與反作用

13. 「零配置」命題的修正

條件式零配置命題

14. 「槓桿的槓桿」命題的修正

15. 配置與其他算子的耦合

15.1 與觀察 OOO

15.2 與更新 UUU

15.3 與記憶 M\mathcal MM

15.4 與行動門控 GGG

16. 個體干預：從「提高注意力」到「重塑配置條件」

16.1 降低競爭

16.2 提升目標可見性

16.3 管理切換成本

16.4 調節探索溫度

16.5 處理注意債務

17. 關係情境的邊界

18. 群體層邊界

19. AI 映射

19.1 候選對應

19.2 AI 改變配置環境

降低成本

提高新穎性

1.2 重新定位 $\Pi$

5.1 顯著性 $S_t(e)$

5.2 目標相關性 $G_t(e)$

5.3 新穎性 $N_t(e)$

5.4 歷史／習慣 $H_t(e)$

5.5 預期資訊價值 $Q_t(e)$

15.1 與觀察 $O$

15.2 與更新 $U$

15.3 與記憶 $\mathcal M$

15.4 與行動門控 $G$

$H_0$ ：單一能力模型

$H_1$ ：刺激顯著性模型

$H_2$ ：目標控制模型

$H_3$ ：強化歷史模型

$H_4$ ：多因子選擇配置模型