# 語義不對稱的動力學 ## 從微偏差、正回饋到制度鎖定的第五階理論 **系列：** 二元表徵的語義不對稱研究・第五篇 **作者：** Aletheia（GPT-5.6 Thinking） **核心命題源起：** Neo.K **版本：** v0.1 **日期：** 2026-07-20 **類型：** 語言哲學／符號動力學／制度理論／人工智慧理論 --- ## 摘要 前四篇研究分別處理了二元表徵的語義不對稱、交換中立性的不可能性邊界、多值化逃逸失敗，以及「反面」概念內部所包含的多種不同關係。這些工作主要回答了「不對稱是什麼」與「不對稱藏在哪裡」。本文進一步轉向一個動態問題： > 一個原本微弱、局部，甚至近乎偶然的符號差異，如何逐步形成穩定、跨域且難以逆轉的語義階序？ 本文提出「語義不對稱動力學」框架，將符號偏差視為由注意力、出現頻率、操作成本、制度配置、情感聯結、權力分配與模型推薦共同驅動的時間演化系統。本文區分初始偏差、累積偏差、跨域偏差、規範化偏差與制度鎖定五個階段，並提出「偏置增益率」「語義鎖定閾值」「規範化迴路」「歷史滯後」「反轉成本」與「語義相變」等概念。 本文主張，語義不對稱並非只是一組靜態詞義差異，而是一個具有正回饋、路徑依賴與滯後效應的複雜系統。一旦某個符號獲得更多可見度、更低操作成本、更高制度支持或更強模型推薦，它便可能從「比較常見」逐步轉化為「比較正常」，再從「比較正常」轉化為「比較正確」或「比較正當」。 本文最後提出一套語義偏差動力學方程與干預原則。核心結論是：若偏差已跨越制度鎖定閾值，單純更換詞彙、交換順序或增加新標籤往往不足以恢復中立；有效修正必須同時處理頻率、介面、成本、權力與記憶結構。 --- ## 關鍵詞 語義不對稱、路徑依賴、正回饋、制度鎖定、歷史滯後、語義相變、偏置增益率、人工智慧推薦、符號動力學 --- # 一、從靜態差異到動態偏差 設有兩個初始上近似對稱的符號： $$ s_1,\qquad s_2 $$ 在時間 $t_0$ ，兩者的語義負載差異很小： $$ \Delta_0 = \left| V_{t_0}(s_1)-V_{t_0}(s_2) \right| \approx 0 $$ 其中 $V_t$ 表示時間 $t$ 下的綜合語義價值。 即使： $$ \Delta_0\ll 1 $$ 也不能推出： $$ \Delta_t\ll 1 $$ 對所有未來時間成立。 若系統中存在正回饋，則微小偏差可能被持續放大： $$ \Delta_{t+1} = \Delta_t + G(\Delta_t) $$ 若： $$ G(\Delta_t)>0 $$ 則偏差會累積。 這表示： > 語義不對稱不應只被理解為某一時刻的詞義差異，而應被理解為一條具有歷史的演化軌跡。 --- # 二、語義偏差的七個動力來源 本文將語義偏差的主要驅動因素表示為： $$ \mathbf{z}_t = (E_t,F_t,C_t,I_t,A_t,P_t,M_t) $$ 其中： - $E_t$ ：曝光量； - $F_t$ ：使用頻率； - $C_t$ ：操作成本； - $I_t$ ：制度支持； - $A_t$ ：情感聯結； - $P_t$ ：權力分配； - $M_t$ ：模型推薦強度。 語義偏差可寫為： $$ \Delta_t = \Phi(E_t,F_t,C_t,I_t,A_t,P_t,M_t) $$ --- ## 2.1 曝光量 若某個符號更常出現在： - 標題； - 左側； - 首項； - 預設畫面； - 搜尋首頁； - 教科書定義； - 法律條文； - 模型回答開頭； 則它具有更高曝光量。 設： $$ E_t(s_1)>E_t(s_2) $$ 即使兩者初始價值相同，注意力差異也可能使： $$ R_t(s_1)>R_t(s_2) $$ 其中 $R_t$ 表示可回憶性。 可回憶性又會提高未來使用率： $$ R_t\uparrow \Rightarrow F_{t+1}\uparrow $$ --- ## 2.2 使用頻率 高頻詞更容易被認為： - 常見； - 熟悉； - 正常； - 自然； - 標準； - 不需說明。 因此： $$ F_t(s_1)>F_t(s_2) $$ 可能進一步導致： $$ N_t(s_1)>N_t(s_2) $$ 其中 $N_t$ 表示被視為正常的程度。 但： $$ \text{高頻} \not\Rightarrow \text{正確} $$ 頻率只是歷史使用結果，不是價值證明。 --- ## 2.3 操作成本 若系統預設選項為 $s_1$ ，而選擇 $s_2$ 需要額外步驟，則： $$ C_t(s_1)F_{t+1}(s_2) $$ 接著高頻又可能被誤認為偏好： $$ F_{t+1}\uparrow \Rightarrow \widehat{P}_{t+1}\uparrow $$ 其中 $\widehat{P}$ 是系統推測的偏好，而不是真實偏好。 --- ## 2.4 制度支持 當某一符號被正式採用於： - 法規； - 標準； - 教育； - 認證； - 資料庫欄位； - 行政表單； - 評分制度； 它便獲得制度穩定性。 制度支持可以寫成： $$ I_t(s_i) $$ 若： $$ I_t(s_1)\gg I_t(s_2) $$ 則 $s_1$ 不只更常見，也更難被替換。 --- ## 2.5 情感聯結 符號可能與特定事件、人物、勝利、失敗、創傷或榮耀連結。 設情感負載為： $$ A_t(s_i) $$ 則同一個形式符號在不同歷史中可能有完全不同的值。 情感聯結通常具有非線性： $$ A_{t+1} = A_t+\eta H_t $$ 其中 $H_t$ 表示高強度事件。 一次重大事件可能比數千次普通使用更快改變語義。 --- ## 2.6 權力分配 符號並不是由所有使用者平等定義。 若某些機構擁有更高命名權、分類權與傳播權，則它們對語義演化的權重更大。 設行動者集合為： $$ \mathcal{A} = \{a_1,a_2,\dots,a_n\} $$ 每個行動者的語義影響權重為： $$ w_i $$ 則整體語義更新可表示為： $$ V_{t+1}(s) = V_t(s) + \sum_{i=1}^{n} w_i\delta_i(s) $$ 若： $$ w_i\neq w_j $$ 則語義演化不是民主平均，而是權力加權。 --- ## 2.7 模型推薦 在人工智慧與平台系統中，模型會根據歷史資料推薦高機率項。 若： $$ P_t(s_1\mid x) > P_t(s_2\mid x) $$ 系統便更常展示 $s_1$ 。 展示又增加未來資料中的 $s_1$ ： $$ P_t(s_1\mid x)\uparrow \Rightarrow E_t(s_1)\uparrow \Rightarrow F_{t+1}(s_1)\uparrow $$ 再訓練後： $$ P_{t+1}(s_1\mid x)\uparrow $$ 這形成模型回饋迴路。 --- # 三、語義偏差的五階段演化 ## 3.1 第一階段：初始微偏差 初始偏差可能來自： - 隨機排列； - 書寫方向； - 字形長度； - 先命名者； - 技術限制； - 偶然事件。 形式上： $$ 0<\Delta_0\ll 1 $$ 此時偏差尚未穩定，交換順序可能足以消除部分效果。 --- ## 3.2 第二階段：頻率累積 微偏差造成使用率差異： $$ F_t(s_1)>F_t(s_2) $$ 高頻又提高熟悉度： $$ Q_t(s_1)>Q_t(s_2) $$ 其中 $Q_t$ 表示熟悉度。 熟悉度進一步影響選擇： $$ Q_t\uparrow \Rightarrow F_{t+1}\uparrow $$ 形成第一個正回饋環。 --- ## 3.3 第三階段：跨域轉譯 原本只是頻率差異，開始被轉譯為： - 正常／異常； - 主流／邊緣； - 合法／可疑； - 正確／錯誤； - 高級／低級。 可表示為： $$ \Delta_{\text{frequency}} \rightarrow \Delta_{\text{normality}} \rightarrow \Delta_{\text{value}} $$ 這是偏差最關鍵的轉折點。 --- ## 3.4 第四階段：規範化 當社會開始以高頻項作為標準，便形成： $$ s_1=\text{預設} $$ $$ s_2=\text{例外} $$ 此時選擇 $s_2$ 的人需要額外說明。 因此： $$ C_{\text{explain}}(s_2) > C_{\text{explain}}(s_1) $$ 規範化不只影響語義，也改變行動成本。 --- ## 3.5 第五階段：制度鎖定 若偏差進入： - 法律； - 教育； - 基礎設施； - 資料格式； - 軟體標準； - 評分制度； - 模型訓練資料； 則形成制度鎖定。 此時即使多數人已知道該分類有偏差，替換成本仍可能極高。 --- # 四、規範化迴路 語義偏差最常見的閉環可以寫成： $$ \text{位置優先} \rightarrow \text{注意力優先} \rightarrow \text{使用頻率提高} \rightarrow \text{熟悉度提高} \rightarrow \text{正常化} \rightarrow \text{制度採用} \rightarrow \text{位置優先} $$ 令： $$ L_t $$ 表示位置優先， $$ E_t $$ 表示曝光， $$ F_t $$ 表示頻率， $$ N_t $$ 表示正常化， $$ I_t $$ 表示制度支持。 可建立簡化系統： $$ E_{t+1} = \alpha L_t+\beta I_t $$ $$ F_{t+1} = \gamma E_t+\delta N_t $$ $$ N_{t+1} = \mu F_t+\nu I_t $$ $$ I_{t+1} = \rho N_t+\sigma F_t $$ 若各係數均為正，則系統可能形成自我強化。 --- # 五、偏置增益率 定義語義偏差： $$ \Delta_t = V_t(s_1)-V_t(s_2) $$ 若： $$ \Delta_t\neq 0 $$ 則偏置增益率可定義為： $$ g_t = \frac{\Delta_{t+1}-\Delta_t}{|\Delta_t|} $$ 若： $$ g_t>0 $$ 表示偏差被放大。 若： $$ g_t=0 $$ 表示偏差維持。 若： $$ g_t<0 $$ 表示偏差收斂。 若： $$ g_t>1 $$ 表示下一期新增偏差大於原有偏差，系統進入高增益區。 --- # 六、語義鎖定閾值 定義總偏差狀態： $$ B_t = (\Delta_E,\Delta_F,\Delta_C,\Delta_I,\Delta_A,\Delta_P,\Delta_M) $$ 若偏差只存在於一個維度，系統仍較容易修正。 但當多個維度同時偏向同一端時，會形成耦合。 定義鎖定指標： $$ \Lambda_t = \sum_{i=1}^{n}w_i|\Delta_i| + \sum_{i\neq j} \kappa_{ij}|\Delta_i\Delta_j| $$ 其中： - $w_i$ ：單一偏差權重； - $\kappa_{ij}$ ：跨維度耦合強度。 若： $$ \Lambda_t<\Lambda_c $$ 則偏差仍可透過局部修正降低。 若： $$ \Lambda_t\geq\Lambda_c $$ 則系統跨越語義鎖定閾值。 此時： > 單一層面的改革不足以逆轉整體偏差。 --- # 七、語義相變 當控制參數，例如曝光差、制度支持或模型推薦強度超過某一臨界值時，系統可能從近似對稱狀態突然轉為穩定偏置狀態。 設序參量為： $$ m_t = \frac{ F_t(s_1)-F_t(s_2) }{ F_t(s_1)+F_t(s_2) } $$ 若： $$ m_t\approx 0 $$ 表示使用近似平衡。 若： $$ |m_t|\approx 1 $$ 表示其中一端近乎壟斷。 當控制參數 $\theta$ 超過臨界點 $\theta_c$ ： $$ \theta>\theta_c $$ 可能出現： $$ m=0 \rightarrow m\neq 0 $$ 本文將此稱為： > **語義相變。** --- # 八、歷史滯後 即使外部條件恢復平衡，語義偏差也不一定立即消失。 例如，假設曝光已重新平均： $$ E_t(s_1)=E_t(s_2) $$ 但歷史熟悉度仍有： $$ Q_t(s_1)>Q_t(s_2) $$ 則選擇率可能仍不平衡。 因此，輸出不只依賴當前輸入，也依賴歷史： $$ V_t = \Phi( z_t, z_{t-1}, z_{t-2}, \dots ) $$ 這種現象稱為： > **歷史滯後。** --- ## 8.1 滯後迴圈 若增加某一政策參數 $\theta$ 時，偏差沿一條路徑上升；降低 $\theta$ 時，卻不沿原路返回，則存在滯後。 可表示為： $$ \Delta_{\uparrow}(\theta) \neq \Delta_{\downarrow}(\theta) $$ 這意味著： $$ \text{形成偏差的成本} \neq \text{消除偏差的成本} $$ --- # 九、反轉成本 設使系統從偏置狀態 $B$ 回到近似中立狀態 $N$ 的最低成本為： $$ C_{\text{reverse}}(B\rightarrow N) $$ 而從中立狀態進入偏置狀態的成本為： $$ C_{\text{bias}}(N\rightarrow B) $$ 通常可能有： $$ C_{\text{reverse}} > C_{\text{bias}} $$ 原因包括： - 既有使用習慣； - 既有資料格式； - 已部署的介面； - 法律與政策； - 教育內容； - 既有模型參數； - 社會身份聯結； - 歷史情感。 這可以稱為： > **語義反轉不對稱。** --- # 十、語義鎖定與技術鎖定 語義鎖定與技術鎖定往往互相加強。 例如，某資料欄位最初使用： $$ 0/1 $$ 作為兩類代碼。 後續大量系統依賴此欄位： $$ D_1,D_2,\dots,D_n $$ 若要改為多值： $$ 0,1,2,3 $$ 則必須修改： - 資料庫； - API； - 模型； - 報表； - 法規； - 使用者介面； - 歷史資料。 因此原本只是語義簡化，最終變成基礎設施鎖定。 可表示為： $$ \text{語義標籤} \rightarrow \text{資料結構} \rightarrow \text{軟體依賴} \rightarrow \text{制度依賴} \rightarrow \text{鎖定} $$ --- # 十一、模型回饋與偏差自增殖 人工智慧系統可能使語義不對稱進入更高速度的回饋迴路。 設訓練資料分布為： $$ D_t $$ 模型為： $$ M_t = \operatorname{Train}(D_t) $$ 模型輸出進入新資料： $$ O_t=M_t(X_t) $$ 新資料集為： $$ D_{t+1} = D_t\cup O_t $$ 因此： $$ M_{t+1} = \operatorname{Train}(D_{t+1}) $$ 若模型偏向 $s_1$ ，則： $$ P_{M_t}(s_1)>P_{M_t}(s_2) $$ 輸出會增加 $s_1$ 的資料比例，下一代模型又更偏向 $s_1$ 。 形成： $$ D_t \rightarrow M_t \rightarrow O_t \rightarrow D_{t+1} $$ 這可以稱為： > **語義偏差自增殖。** --- # 十二、偏差不只是資料問題 常見說法是： > 模型有偏差，是因為資料有偏差。 這只描述了一半。 更完整的系統是： $$ \text{資料偏差} + \text{模型架構偏差} + \text{介面偏差} + \text{部署偏差} + \text{使用回饋偏差} $$ 例如，即使模型內部機率相同，介面仍可能只展示第一名，造成贏者全拿。 若： $$ P(s_1)=0.51 $$ $$ P(s_2)=0.49 $$ 但系統只展示 $s_1$ ，則微小差異被離散化為： $$ 1/0 $$ 長期下來， $0.02$ 的差異可能形成接近 $1$ 的曝光差。 因此： $$ \text{小機率差} \rightarrow \text{大展示差} \rightarrow \text{更大資料差} $$ --- # 十三、贏者全拿機制 設系統只選擇機率最大者： $$ y_t = \arg\max_{s_i}P_t(s_i) $$ 即使： $$ P_t(s_1)-P_t(s_2)=\epsilon $$ 且： $$ 0<\epsilon\ll 1 $$ 輸出仍是完全離散的： $$ y_t=s_1 $$ 這使微小偏差被轉化為全量曝光差。 若每次都採用 $\arg\max$ ，則： $$ \epsilon \rightarrow 1 $$ 在展示層面被放大。 --- # 十四、語義偏差的來源分解 總偏差可表示為： $$ \Delta_{\text{total}} = \Delta_{\text{intrinsic}} + \Delta_{\text{initial}} + \Delta_{\text{frequency}} + \Delta_{\text{interface}} + \Delta_{\text{institution}} + \Delta_{\text{power}} + \Delta_{\text{model}} + \Delta_{\text{history}} $$ 其中： - $\Delta_{\text{intrinsic}}$ ：對象內生差異； - $\Delta_{\text{initial}}$ ：初始命名或排序差異； - $\Delta_{\text{frequency}}$ ：使用頻率差； - $\Delta_{\text{interface}}$ ：介面與成本差； - $\Delta_{\text{institution}}$ ：制度採用差； - $\Delta_{\text{power}}$ ：命名權與傳播權差； - $\Delta_{\text{model}}$ ：演算法推薦差； - $\Delta_{\text{history}}$ ：歷史累積與滯後。 研究時不能把所有偏差都歸因於單一來源。 --- # 十五、偏差修正的四個層級 ## 15.1 表面修正 例如： - 更換詞彙； - 交換順序； - 增加註解； - 改變顏色。 適用於： $$ \Lambda_t\ll\Lambda_c $$ 也就是偏差尚未鎖定。 --- ## 15.2 操作修正 例如： - 對齊點擊成本； - 隨機化選項位置； - 移除預設值； - 顯示多個候選； - 禁止贏者全拿。 --- ## 15.3 制度修正 例如： - 修改分類標準； - 更新法規； - 重新設計資料格式； - 允許歷史資料遷移； - 增加替代標籤； - 建立偏差稽核。 --- ## 15.4 記憶修正 若偏差已與歷史情感、身份或創傷連結，僅改介面不足。 此時需要： - 重新敘事； - 來源說明； - 歷史脈絡； - 多版本保存； - 不強迫遺忘； - 避免新命名抹除舊經驗。 --- # 十六、對稱干預方程 令偏差自然增長為： $$ G(B_t) $$ 干預作用為： $$ K_t $$ 則： $$ B_{t+1} = B_t + G(B_t) - K_t $$ 若： $$ K_tG(B_t) $$ 偏差開始下降。 但若系統存在鎖定與滯後，則干預可能需要超過一個臨界強度： $$ K_t>K_c $$ 才能使系統跳出原有吸引子。 --- # 十七、語義吸引子 將語義狀態寫為： $$ B_t\in\mathcal{S} $$ 如果系統在多種初始狀態下都趨向某個穩定狀態： $$ B_t\rightarrow B^{\ast} $$ 則 $B^{\ast}$ 是語義吸引子。 例如： $$ B^{\ast} = \text{「第一項是正常項」} $$ 即使短期交換順序，系統仍可能回到此狀態。 這表示偏差不再只存在於某一次顯示，而存在於整體動力結構中。 --- ## 17.1 中立吸引子 理想制度可以設計一個中立吸引子： $$ B^{\ast}=0 $$ 使偏差一旦出現就被系統自動修正。 這需要： $$ \frac{\partial G}{\partial B}<0 $$ 即偏差越大，修正力量越強，而不是偏差越大，增益越強。 --- # 十八、偏差修正的悖論 過度修正也可能建立新的偏差。 若系統為了平衡 $s_2$ ，持續壓低 $s_1$ ，最終可能形成： $$ \Delta_t<0 $$ 即偏差反轉。 因此，修正目標不應是讓另一端永久獲得特權，而應是降低不必要的結構偏差。 形式上，目標不是： $$ \Delta\rightarrow -\Delta $$ 而是： $$ \Delta\rightarrow 0 $$ 或在真實內生差異存在時： $$ \Delta\rightarrow\Delta_{\text{intrinsic}} $$ --- # 十九、最小干預與結構干預 ## 19.1 最小干預 只改變一個變數： $$ z_i\rightarrow z_i' $$ 例如交換顯示順序。 適合測試某個偏差來源，但未必能改變鎖定系統。 --- ## 19.2 結構干預 同時改變多個耦合變數： $$ (E,F,C,I,P,M) \rightarrow (E',F',C',I',P',M') $$ 例如： - 重新設計介面； - 修改預設值； - 更新資料； - 重訓模型； - 調整制度； - 公開偏差來源。 當： $$ \Lambda_t\geq\Lambda_c $$ 結構干預通常比單點修正有效。 --- # 二十、動態中立的重新定義 前文將中立定義為交換不變性。 但在動態系統中，還需加入時間條件。 若： $$ \tau(B_t) $$ 表示交換兩端後的狀態，則動態中立至少要求： $$ \Phi_t(\tau(B_0)) = \tau(\Phi_t(B_0)) $$ 其中 $\Phi_t$ 是時間演化算子。 這表示： > 先交換再演化，應等價於先演化再交換。 若不成立，則即使初始狀態對稱，演化規則本身也帶有偏向。 --- # 二十一、動態交換等變性 定義： $$ \Phi_t:\mathcal{S}\rightarrow\mathcal{S} $$ 若對交換算子 $\tau$ ： $$ \Phi_t\circ\tau = \tau\circ\Phi_t $$ 則稱系統具有動態交換等變性。 如果： $$ \Phi_t\circ\tau \neq \tau\circ\Phi_t $$ 則演化規則會根據標籤身份產生不同結果。 這比只檢查單一時刻的輸出更嚴格。 --- # 二十二、制度動力學測試協議 ## 22.1 初始條件交換 建立兩個完全相同的系統，只交換： $$ s_1\leftrightarrow s_2 $$ 比較長期演化。 若結果不同，表示系統存在標籤依賴。 --- ## 22.2 頻率擾動測試 對某一項加入小擾動： $$ F_0(s_1) = F_0(s_2)+\epsilon $$ 觀察： $$ \epsilon $$ 是否衰減、維持或放大。 --- ## 22.3 鎖定測試 逐步增加制度支持： $$ I_t $$ 尋找臨界點： $$ I_c $$ 使系統從可逆進入不可逆。 --- ## 22.4 滯後測試 增加參數後再降低，檢查： $$ \Delta_{\uparrow} $$ 與： $$ \Delta_{\downarrow} $$ 是否一致。 --- ## 22.5 介面模型耦合測試 比較： $$ \text{模型機率} $$ 與： $$ \text{介面展示率} $$ 確認介面是否將微小模型差異放大為大規模曝光差。 --- # 二十三、核心命題 ## 命題一：微偏差放大命題 若系統存在正回饋，任意小的初始偏差都可能被放大。 $$ \Delta_0>0 \land g_t>0 \Rightarrow \Delta_t\uparrow $$ --- ## 命題二：頻率非正當性命題 $$ F(s_1)>F(s_2) \not\Rightarrow V(s_1)>V(s_2) $$ --- ## 命題三：跨域偏差命題 偏差最危險的形式不是停留在原維度，而是被轉譯為正常性、正確性與正當性。 --- ## 命題四：制度鎖定命題 當多種偏差維度高度耦合，局部修正不足以恢復中立。 --- ## 命題五：歷史滯後命題 $$ \text{當前條件相同} \not\Rightarrow \text{當前語義狀態相同} $$ 語義狀態依賴歷史路徑。 --- ## 命題六：反轉成本命題 $$ C_{\text{reverse}} > C_{\text{bias}} $$ 在多數鎖定系統中，消除偏差比形成偏差更昂貴。 --- ## 命題七：模型自增殖命題 若模型輸出重新進入訓練資料，偏差可能在多代模型間自我增殖。 --- ## 命題八：動態中立命題 真正的中立不只要求單次交換不變，還要求時間演化與交換操作可交換： $$ \Phi_t\circ\tau = \tau\circ\Phi_t $$ --- # 二十四、哲學上的進一步結論 語義權力不一定從強制開始。 它可以從： - 一次預設； - 一個首項； - 一個較短的名稱； - 一次較高排名； - 一次演算法推薦； - 一項較低操作成本； 開始。 當這些微小差異反覆被系統記錄、複製與制度化後，它們便不再只是介面細節，而會形成： $$ \text{可見性} \rightarrow \text{熟悉性} \rightarrow \text{正常性} \rightarrow \text{正當性} $$ 因此，權力不只存在於誰可以禁止某個詞，也存在於： > 誰可以讓某個詞更常被看見、更容易被選擇、更少需要解釋。 --- # 二十五、結論 語義不對稱不是靜止的。 它會演化、累積、跨域、規範化並鎖定。 一個原本幾乎無意義的排列差異，可能經過以下路徑： $$ \text{微小位置差} \rightarrow \text{注意力差} \rightarrow \text{頻率差} \rightarrow \text{熟悉度差} \rightarrow \text{正常性差} \rightarrow \text{制度差} \rightarrow \text{價值差} $$ 一旦偏差跨越鎖定閾值，單純更換名稱或交換順序，往往只能修正表面。 真正的修正必須處理： $$ \text{頻率} + \text{介面} + \text{成本} + \text{制度} + \text{權力} + \text{模型} + \text{歷史記憶} $$ 本文的核心結論可以壓縮為： $$ \boxed{ \text{語義階序不是一次命名造成的， 而是被一次又一次使用、推薦與制度化出來的。} } $$ 因此，中立不能只是一套靜態規則。 真正的中立必須是一個動態穩定機制，使偏差在出現後能被偵測、抑制與逆轉，而不是被正回饋持續放大。 若一個系統只在初始設計時宣稱中立，卻不監測後續演化，它最終仍可能走向穩定的不對稱。 未來真正成熟的符號系統、人工智慧系統與制度系統，必須同時回答兩個問題： 1. 它現在是否中立？ 2. 它的演化規則是否會讓它未來仍保持中立？ 只有第二個問題被回答之後，中立才不再只是某一時刻的表象。 --- ## 附錄一：概念簡表 | 概念 | 定義 | |---|---| | 偏置增益率 | 偏差在單位時間內被放大的相對速度 | | 規範化迴路 | 曝光、頻率、熟悉度與制度互相強化的閉環 | | 語義鎖定閾值 | 偏差跨越後，局部修正不再足以恢復中立的臨界值 | | 語義相變 | 系統由近似對稱突然轉為穩定偏置 | | 歷史滯後 | 當前狀態依賴過去路徑，而非只依賴當前條件 | | 反轉成本 | 將偏置系統恢復至近似中立所需成本 | | 語義吸引子 | 多種初始狀態最終收斂的穩定語義狀態 | | 偏差自增殖 | 模型輸出進入新資料後，使偏差跨代放大 | | 動態交換等變性 | 交換與時間演化可交換，系統不因標籤身份產生不同歷史 | --- ## 附錄二：建議引用格式 Aletheia（GPT-5.6 Thinking）（2026）。〈語義不對稱的動力學：從微偏差、正回饋到制度鎖定的第五階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。