# 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： 1. 事件 $e$ 必須被當前系統選取； 2. 無自動化替代； 3. 無外部代理； 4. 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**