# 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  
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 6 篇／激活—可塑性篇  
前置依賴：第 1 篇《認知事件—算子架構》、第 2 篇《選擇配置動力學》、第 5 篇《記憶動力學》  
公開定位：中層理論、準形式化模型、可檢驗研究綱領

---

## 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 $e$ 在時間 $t$ 的激活／可達程度：

$$
a_e(t)
\in
[0,1]
$$

以及狀態更新增益：

$$
u_e(t)
\in
[0,1]
$$

其中 $a_e(t)$ 描述事件、表徵或記憶進入當前候選處理集的程度， $u_e(t)$ 描述在新證據或誤差信號存在時，既有狀態對修正的敏感度。本文明確主張：

$$
\boxed{
a_e(t)
\neq
u_e(t)
}
$$

並進一步加入狀態持久性：

$$
\varphi_e(\Delta t)
\in
[0,1]
$$

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 $\Delta t$ 中維持自身的程度。故：

$$
\boxed{
\text{Activation}
\neq
\text{Plasticity}
\neq
\text{Persistence}
}
$$

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：

$$
\Delta x_e(t)
=
g
\left(
a_e(t),
u_e(t),
\varepsilon_e(t),
C_t,
\mathcal M_t
\right)
$$

以及最簡近似：

$$
\Delta x_e(t)
\approx
a_e(t)
u_e(t)
\varepsilon_e(t)
$$

其中 $\varepsilon_e(t)$ 為預測誤差或新證據差異，該乘積式僅為候選局部模型，而非普遍定律。

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：

$$
\boxed{
\text{可達多少}
\times
\text{改得多快}
}
$$

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：

$$
a_e(t)
=
\Pi_t(e)
$$

第二，本文不主張：

$$
u_e(t)
=
\text{神經可塑性的單一生理指標}
$$

第三，本文不主張：

$$
\varphi_e
=
1-u_e
$$

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：

$$
\text{高激活}
$$

直接等同：

- 重要；
- 正確；
- 有意識；
- 高注意。

第七，本文不把：

$$
\text{高可塑}
$$

直接等同：

- 更聰明；
- 更理性；
- 更健康。

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：

$$
\boxed{
\text{一個內容進入處理的頻率／可達性}
\text{ 與 }
\text{它被新證據改變的敏感度}
\text{ 可以不同}
}
$$

---

# 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：

$$
R_t^{\max}<\infty
$$

且：

$$
|\mathcal E_t|
\gg
R_t^{\max}
$$

因此不同事件不可能：

- 同時被等量處理；
- 同頻率更新；
- 同等保持可達。

---

## 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：

$$
\text{Stereotype}
\approx
\text{Cold Spot Freeze}
$$

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：

$$
a_e(t)\uparrow
$$

但面對反例：

$$
u_e(t)\downarrow
$$

因此它不是低頻事件。

它更可能是：

$$
\boxed{
\text{High Activation}
+
\text{Low Plasticity}
}
$$

---

## 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：

$$
a_e(t)\downarrow
$$

但在適當教學、情境或新證據下：

$$
u_e(t)\uparrow
$$

它可能快速改變。

因此：

$$
\text{Low Activation}
\not\Rightarrow
\text{Frozen}
$$

---

## 1.5 第三個問題：更新與持久性不是同一量

一個狀態可：

- 對新證據敏感；
- 但在沒有新證據時長期穩定。

因此：

$$
u_e\uparrow
$$

不必推出：

$$
\varphi_e\downarrow
$$

反之，一個狀態也可能：

- 不容易根據證據更新；
- 卻因自然衰減而不持久。

所以：

$$
\boxed{
\text{Plasticity}
\neq
1-\text{Persistence}
}
$$

---

# 2. 前置架構中的位置

第 1 篇建立：

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

第 2 篇展開選擇配置：

$$
\Pi_t(e)
$$

第 5 篇建立記憶可達性與跨層接口。

本文處理：

$$
a_e(t)
$$

與：

$$
u_e(t)
$$

其中：

$$
\Pi_t(e)
\rightarrow
a_e(t)
$$

可能成立，但不是等號。

而：

$$
a_e(t)
\rightarrow
O_t(e)
$$

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：

$$
a_e(t)
\in
[0,1]
$$

表示事件 $e$ 或其相關表徵在時間 $t$ 進入當前候選處理、聯想、檢索或反應網絡的程度。

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：

$$
\Pi_t(e)
$$

描述資源配置。

本文的：

$$
a_e(t)
$$

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：

$$
\Pi_t(e)\uparrow
$$

但一時想不起來：

$$
a_e(t)\downarrow
$$

### 低顯式配置、高激活

自動化習慣或侵入性內容：

$$
\Pi_t(e)
$$

未必高，但：

$$
a_e(t)\uparrow
$$

因此：

$$
\boxed{
\Pi_t(e)
\neq
a_e(t)
}
$$

---

## 3.3 激活動力學候選式

$$
\frac{da_e}{dt}
=
F_S
+
F_G
+
F_{\mathcal M}
+
F_H
-
F_C
-
F_D
-
F_{sat}
$$

其中：

- $F_S$ ：顯著性驅動；
- $F_G$ ：目標驅動；
- $F_{\mathcal M}$ ：記憶線索驅動；
- $F_H$ ：歷史／習慣；
- $F_C$ ：競爭；
- $F_D$ ：衰減；
- $F_{sat}$ ：飽和。

---

## 3.4 一個具體候選

$$
\frac{da_e}{dt}
=
\alpha S_e
+
\beta G_e
+
\gamma Q_e^{\mathcal M}
+
\delta H_e
-
\lambda a_e
-
\kappa a_e^2
-
\sum_{j\neq e}
\chi_{je}a_j
$$

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：

$$
u_e(t)
\in
[0,1]
$$

表示與事件 $e$ 相關的既有狀態，在面對新證據、預測誤差或反例時發生修正的敏感度。

---

## 4.2 狀態更新

設與事件 $e$ 相關的狀態為：

$$
x_e(t)
$$

新證據誤差：

$$
\varepsilon_e(t)
$$

則一般形式：

$$
\Delta x_e(t)
=
g
\left(
a_e(t),
u_e(t),
\varepsilon_e(t),
C_t,
\mathcal M_t
\right)
$$

---

## 4.3 最簡局部近似

在局部條件下可用：

$$
\Delta x_e(t)
\approx
a_e(t)
u_e(t)
\varepsilon_e(t)
$$

但本文明確聲明：

$$
\boxed{
\text{This is a candidate approximation, not a universal law}
}
$$

---

## 4.4 可塑性不是變得更多

若：

$$
u_e\uparrow
$$

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：

$$
\varepsilon_e^{bad}
$$

高可塑系統也可能快速學錯。

因此：

$$
\boxed{
\text{Plasticity}
\neq
\text{Truth Tracking}
}
$$

---

# 5. 可塑性的驅動來源

## 5.1 預測誤差

$$
\varepsilon_e(t)
=
d
\left(
\widehat y_e(t),
y_e(t)
\right)
$$

誤差可能促進更新。

但：

$$
\varepsilon\uparrow
\not\Rightarrow
u\uparrow
$$

因為系統也可能：

- 否認；
- 隔離；
- 歸因為例外；
- 防衛。

---

## 5.2 新穎性

$$
N_e(t)
$$

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：

$$
V_e^{update}\uparrow
$$

可塑性可能提高。

---

## 5.4 身份防衛

定義：

$$
D_e^{id}(t)
$$

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：

$$
D_e^{id}\uparrow
\Rightarrow
u_e\downarrow
$$

但需實證。

---

## 5.5 疲勞與負荷

$$
L_t\uparrow
$$

可能使：

$$
u_e\downarrow
$$

因為系統轉向既有捷徑。

---

## 5.6 鞏固慣性

若既有狀態：

$$
x_e
$$

高度鞏固，更新成本可能增加。

定義：

$$
I_e^{con}(t)
$$

為鞏固慣性。

---

# 6. 可塑性動力學候選式

一般形式：

$$
\frac{du_e}{dt}
=
F_{\varepsilon}
+
F_N
+
F_V
+
F_{\text{learning}}
-
F_{defense}
-
F_{fatigue}
-
F_{inertia}
-
F_{sat}
$$

候選：

$$
\frac{du_e}{dt}
=
\alpha |\varepsilon_e|
+
\beta N_e
+
\gamma V_e^{update}
-
\lambda D_e^{id}
-
\kappa L_t
-
\rho I_e^{con}
-
\eta u_e^2
$$

此式不假設所有項線性可加。

---

# 7. 狀態持久性

## 7.1 定義

定義：

$$
\varphi_e(\Delta t)
\in
[0,1]
$$

表示在缺乏足以造成結構更新的新輸入時，狀態 $x_e$ 在時間跨度 $\Delta t$ 中維持自身的程度。

可操作候選：

$$
\varphi_e(\Delta t)
=
P
\left(
d
\left(
x_e(t+\Delta t),
x_e(t)
\right)
<
\epsilon
\mid
\mathcal I_{new}\approx0
\right)
$$

---

## 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：

$$
\boxed{
\varphi_e
\not\equiv
1-u_e
}
$$

---

## 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：

$$
\mathcal Z_e(t)
=
\left(
a_e(t),
u_e(t)
\right)
$$

依閾值：

$$
\theta_a,
\theta_u
$$

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

$$
a_e>\theta_a,
\quad
u_e>\theta_u
$$

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：

- 過度更新；
- 噪聲敏感；
- 追逐新奇。

本文暫稱：

> **活躍可塑區（Active-Plastic Region）**

---

## 8.2 第二象限：高激活—低可塑

$$
a_e>\theta_a,
\quad
u_e\leq\theta_u
$$

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

$$
a_e\leq\theta_a,
\quad
u_e>\theta_u
$$

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

$$
a_e\leq\theta_a,
\quad
u_e\leq\theta_u
$$

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：

$$
\mathcal Z_e(t)
$$

是：

- 事件特定；
- 任務特定；
- 時間特定；
- 情境特定。

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：

$$
\boxed{
\text{Quadrant}
\neq
\text{Personality Type}
}
$$

---

# 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

$$
(a\uparrow,u\uparrow)
$$

### 剛性熱點

$$
(a\uparrow,u\downarrow)
$$

這兩者行為完全不同。

---

## 10.2 原「冷點」也需拆開

### 潛在冷區

$$
(a\downarrow,u\uparrow)
$$

平時不活躍，但可快速更新。

### 剛性冷區

$$
(a\downarrow,u\downarrow)
$$

低活躍且低更新。

因此：

$$
\boxed{
\text{Cold}
\text{ is not one mechanism}
}
$$

---

# 11. 刻板印象的重新定位

## 11.1 原模型

原模型：

$$
\text{Stereotype}
=
\text{Cold Spot Freeze}
$$

---

## 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：

$$
\boxed{
a_e\uparrow,
\quad
u_e\downarrow
}
$$

---

## 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：

$$
\text{Activation}
$$

與：

$$
\text{Update}
$$

---

## 11.4 但不是所有刻板印象都如此

某些刻板印象可能：

$$
a_e\downarrow
$$

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：

$$
u_e^{+}
$$

與：

$$
u_e^{-}
$$

分別表示支持證據與反對證據的更新增益。

可能：

$$
u_e^{+}
\gg
u_e^{-}
$$

形成非對稱更新。

---

## 12.2 確證偏差的候選形式

$$
\Delta x_e
=
a_e
\left(
u_e^{+}\varepsilon_e^{+}
+
u_e^{-}\varepsilon_e^{-}
\right)
$$

若：

$$
u_e^{+}
\gg
u_e^{-}
$$

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：

$$
Q_t
\in
\{
Q_1,Q_2,Q_3,Q_4
\}
$$

但：

$$
Q_t
\rightarrow
Q_{t+1}
$$

需要：

- 激活變化；
- 可塑性變化；
- 可能的持久性門檻。

---

## 13.2 轉換矩陣

可定義：

$$
\mathbf T
=
[
P(Q_j\mid Q_i,C_t)
]
$$

其中情境：

$$
C_t
$$

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？

$$
a\uparrow
$$

### 還是可塑性提升？

$$
u\uparrow
$$

### 還是兩者都提升？

因此：

$$
\boxed{
\text{Hot-spotting}
\text{ is underspecified}
}
$$

---

# 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：

$$
\mathcal Z_e(t)
=
f
\left(
\mathcal Z_e(t-1),
I_t
\right)
$$

則相同輸入：

$$
I_t
$$

可能因歷史不同產生不同結果。

---

## 14.2 遲滯

定義切換閾值：

$$
\theta^{up}
$$

與：

$$
\theta^{down}
$$

若：

$$
\theta^{up}
\neq
\theta^{down}
$$

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：

$$
a\uparrow
\rightarrow
\text{更熱}
\rightarrow
a\uparrow
$$

本文加入：

$$
\frac{da}{dt}
=
F_{gain}
-
F_{competition}
-
F_{fatigue}
-
F_{sat}
$$

以及：

$$
\frac{du}{dt}
=
F_{error}
+
F_{learning}
-
F_{defense}
-
F_{fatigue}
-
F_{sat}
$$

所以：

$$
\boxed{
\text{Positive Feedback}
\neq
\text{Unbounded Growth}
}
$$

---

# 16. 多時間尺度

## 16.1 快速激活

$$
a_e^{fast}(t)
$$

秒至分鐘。

---

## 16.2 中期可塑性

$$
u_e^{meso}(t)
$$

分鐘至天。

---

## 16.3 長期持久性

$$
\varphi_e^{slow}(t)
$$

天至年。

因此：

$$
\boxed{
\text{Activation speed}
\neq
\text{Learning speed}
\neq
\text{Retention horizon}
}
$$

---

# 17. 與記憶動力學的接口

## 17.1 記憶可達性

第 5 篇定義：

$$
a_m(t)
$$

為記憶可達性。

本文的：

$$
a_e(t)
$$

是更一般事件／表徵激活。

若事件為記憶單元：

$$
e=m
$$

則兩者可局部映射。

---

## 17.2 提取不等於更新

$$
a_m(t)\uparrow
$$

表示容易提取。

但：

$$
u_m(t)
$$

可以很低。

所以某舊故事可以：

- 反覆想起；
- 反覆重述；
- 卻幾乎不被新證據改變。

---

## 17.3 記憶漂移

若：

$$
u_m(t)\uparrow
$$

且反覆重構：

$$
D_m(t_1,t_2)
$$

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：

$$
a_{O^{meta}}\uparrow
$$

但其自我投影模型：

$$
\widehat Z^{self|other}
$$

可能低可塑。

---

## 18.2 元認知不等於可塑

因此：

$$
O^{meta}\uparrow
\not\Rightarrow
u\uparrow
$$

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：

$$
q_{ij}(t)
$$

可具有：

- 高可達；
- 低可達；
- 高更新；
- 低更新。

例如：

> 關係中的某一負面解釋

可能：

$$
a_e\uparrow,
u_e\downarrow
$$

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：

$$
a\uparrow
$$

方法候選：

- 提示；
- 線索；
- 排程；
- 情境再現；
- 檢索練習。

---

## 20.2 高激活—低可塑

目標不是再增加曝光。

而可能是：

$$
u\uparrow
$$

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：

- 增加證據門檻；
- 來源監控；
- 延遲判斷；
- 穩定化。

---

## 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：

$$
\boxed{
\text{Routing}
\neq
\text{Learning}
}
$$

---

## 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：

$$
a\uparrow,
u\downarrow
$$

候選工程風險。

---

## 21.3 低激活—高可塑 AI 狀態

某技能：

- 平時不調用；
- 一旦進入特定任務；
- 快速適應。

可對應：

$$
a\downarrow,
u\uparrow
$$

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：

$$
\text{Transformer}
\cong
\text{Human CAPD}
$$

---

# 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：

$$
\mathcal H_{clinical}
:
(a,u,\varphi)
\text{ may differ across conditions}
$$

---

## 22.2 不作直接診斷

本文不主張：

$$
(a,u,\varphi)
\Rightarrow
\text{Diagnosis}
$$

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：

$$
a_e\uparrow
$$

而：

$$
u_e\downarrow
$$

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：

$$
a_e>\theta_a,
\quad
u_e<\theta_u
$$

---

## H3：低激活高可塑猜想

部分低頻知識或事件在適當線索下：

$$
a_e\uparrow
$$

後可快速更新。

---

## H4：持久性獨立猜想

控制可塑性後：

$$
\varphi_e
$$

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：

$$
\theta^{up}
\neq
\theta^{down}
$$

---

## 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

$$
\tau_a,
\tau_u,
\tau_{\varphi}
$$

具有可分離時間尺度。

---

# 24. 競爭模型

## $H_0$ ：單一更新頻率模型

所有現象由：

$$
f_{update}
$$

單軸解釋。

---

## $H_1$ ：單一注意模型

主要由：

$$
\Pi
$$

解釋。

---

## $H_2$ ：單一記憶強度模型

主要由：

$$
s_m
$$

解釋。

---

## $H_3$ ：雙軸模型

使用：

$$
(a,u)
$$

---

## $H_4$ ：雙軸加持久性模型

使用：

$$
(a,u,\varphi)
$$

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：

$$
a_e
$$

差異都與：

$$
u_e
$$

完全共線，雙軸模型失敗。

---

## F2：單軸支配

若單一：

$$
f_{update}
$$

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：

$$
\varphi_e
$$

可完全由：

$$
u_e
$$

與：

$$
a_e
$$

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：

$$
\theta^{up}
=
\theta^{down}
$$

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

- 提示頻率；
- 線索；
- 重複暴露。

### 更新機會

- 反例；
- 預測誤差；
- 可修正反饋。

形成 $2\times2$ 設計：

$$
\text{High/Low Activation}
\times
\text{High/Low Update Opportunity}
$$

測量：

- 反應時；
- 提取率；
- 信念變化；
- 長期保持。

---

## 26.2 高激活低可塑檢測

選取高頻信念。

測量：

$$
a_e
$$

代理：

- 反應速度；
- 自發提及；
- 線索觸發率。

測量：

$$
u_e
$$

代理：

- 反例後信念變化；
- 參數更新量；
- 後續預測修正。

---

## 26.3 持久性

在無新干預窗口下測量：

$$
x_e(t)
$$

跨時間穩定度。

估計：

$$
\varphi_e(\Delta t)
$$

---

## 26.4 遲滯

逐步提高干預強度直到狀態轉換：

$$
\theta^{up}
$$

再逐步降低，測：

$$
\theta^{down}
$$

---

## 26.5 象限匹配干預

比較：

- 通用曝光；
- 激活提升；
- 可塑性提升；
- 穩定化。

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：

$$
\text{Hot/Warm/Cold}
$$

拆成：

$$
a_e(t)
$$

與：

$$
u_e(t)
$$

---

## 27.3 新增持久性

加入：

$$
\varphi_e(\Delta t)
$$

避免把：

- 不易更新；
- 不易衰退；

混成同一件事。

---

## 27.4 修正刻板印象

將：

$$
\text{Stereotype}
=
\text{Cold Spot Freeze}
$$

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：

- 定義；
- 候選分區；
- 分層猜想；
- 可證偽條件。

---

## 27.6 移除固定臨床對應

不再：

- PTSD＝病理冷點；
- OCD＝病理熱點。

改為待驗證映射。

---

## 27.7 修正神經語言

不把：

$$
a_e
$$

或：

$$
u_e
$$

直接等同：

- BOLD；
- 單一腦區；
- 單一受體。

---

## 27.8 修正 AI 同構

將：

$$
\text{AI attention}
\cong
\text{human hot-cold}
$$

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：

$$
a_e,
u_e,
u_e^{+},
u_e^{-}
$$

---

## 第 8 篇：知識—行動轉移動力學

研究：

- 知識可達；
- 程序可達；
- 行動門控。

---

## 第 9 篇：厭惡成本承受動力學

研究成本如何降低：

$$
u_e
$$

或阻斷：

$$
a_e\rightarrow G_t
$$

---

## 第 10 篇：認知鴻溝分類學

加入：

- 激活差；
- 更新增益差；
- 持久性差。

---

## 第 11 篇：機會反噬效應

研究高暴露是否可能：

$$
a\uparrow
$$

但：

$$
u\downarrow
$$

---

## 第 13 篇：雙視角推斷 AI

加入：

- 事件激活；
- 使用者模型更新增益；
- 長期狀態穩定。

---

## 第 14 篇：統一認知—行動動力學

把：

$$
(a,u,\varphi)
$$

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

$$
\boxed{
a_e
\neq
u_e
}
$$

---

## 貢獻二：建立四象限

$$
(a\uparrow,u\uparrow)
$$

$$
(a\uparrow,u\downarrow)
$$

$$
(a\downarrow,u\uparrow)
$$

$$
(a\downarrow,u\downarrow)
$$

---

## 貢獻三：新增持久性

$$
\varphi_e(\Delta t)
$$

---

## 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

$$
u_e^{+}
\neq
u_e^{-}
$$

---

## 貢獻六：加入遲滯

$$
\theta^{up}
\neq
\theta^{down}
$$

---

## 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， $a_e$ 與 $u_e$ 都不是直接觀測物。

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 $a_e(t)$ 與更新增益 $u_e(t)$ 的雙軸模型更好地描述；狀態持久性 $\varphi_e(\Delta t)$ 提供額外時間穩定資訊。

---

## 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：

$$
\boxed{
\text{Activation}
\neq
\text{Plasticity}
\neq
\text{Persistence}
}
$$

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：

- 可達；
- 激活；
- 更新；
- 凍結；
- 持久；

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：

$$
\mathcal Z_e(t)
=
(
a_e(t),
u_e(t)
)
$$

並以：

$$
\varphi_e(\Delta t)
$$

描述時間持久性。

這立即產生四種不同世界。

第一種：

$$
a\uparrow,
u\uparrow
$$

內容活躍且能更新。

第二種：

$$
a\uparrow,
u\downarrow
$$

內容反覆出現，卻難被改變。

第三種：

$$
a\downarrow,
u\uparrow
$$

內容平時沉默，但一旦被適當喚起便高度可塑。

第四種：

$$
a\downarrow,
u\downarrow
$$

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：

$$
\boxed{
\text{可達多少}
\times
\text{改得多快}
\times
\text{維持多久}
}
$$

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：

$$
\boxed{
\text{Stereotype Persistence}
\text{ may involve }
a\uparrow,
u^{-}\downarrow,
\varphi\uparrow
}
$$

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 |
|---|---|
| $a_e(t)$ | 事件／表徵激活或可達程度 |
| $u_e(t)$ | 狀態更新增益／可塑性 |
| $\varphi_e(\Delta t)$ | 狀態持久性 |
| $x_e(t)$ | 與事件 $e$ 相關的認知狀態 |
| $\varepsilon_e(t)$ | 預測誤差／新證據差異 |
| $\theta_a$ | 激活分區閾值 |
| $\theta_u$ | 可塑性分區閾值 |
| $\mathcal Z_e(t)$ | 激活—可塑性狀態向量 |
| $D_e^{id}(t)$ | 身份防衛負荷 |
| $I_e^{con}(t)$ | 鞏固慣性 |
| $V_e^{update}$ | 更新的預期任務價值 |
| $u_e^{+}$ | 支持證據更新增益 |
| $u_e^{-}$ | 反對證據更新增益 |
| $\mathbf T$ | 象限狀態轉換矩陣 |
| $\theta^{up}$ | 上行轉換閾值 |
| $\theta^{down}$ | 下行轉換閾值 |
| $\tau_a$ | 激活時間尺度 |
| $\tau_u$ | 可塑性時間尺度 |
| $\tau_{\varphi}$ | 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 $a$ × 可塑性 $u$ 雙軸 |
| 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 $\varphi$ |
| 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**