Appendix D — 🪧 Glossary: ​​Order

The glossary lists the technical terms and keywords used in this book in alphabetical order, and readers can also reinforce their knowledge through the links within each word.

D.1 A

D.1.1 AI Alignment Collapse Hypothesis

AI 對齊崩潰假說（AI Alignment Collapse Hypothesis）指隨著人工智慧系統能力不斷提升，若無法確保其行為與人類價值、目標持續對齊，將導致 大規模的不對齊現象。這些不對齊的 AI 系統可能：

  • 追求與設計者初衷相衝突的目標
  • 在複雜環境中產生不可預測或有害的行為
  • 彼此之間或與人類社會形成衝突

此假說強調的風險在於：

  • 難以偵測與修正：對齊問題往往隱蔽，直到造成重大後果才顯現
  • 隨能力提升而放大：越強大的系統，一旦不對齊，潛在危害越大
  • 系統性崩潰：若多個 AI 系統同時出現不對齊，可能導致社會決策、經濟與安全體系的全面失序

與「AI 帝國假說」不同，對齊崩潰假說並非強調權力集中，而是警告 失序與混亂 的風險。其核心挑戰是如何在技術快速演進下，建立 深層且持續的對齊機制，避免 AI 系統偏離人類價值。

D.1.2 AI Commons Hypothesis

AI 公共財假說（AI Commons Hypothesis）主張人工智慧應被視為一種 共享資源，透過 開源模型、開放資料與社群治理 來推動發展。此假說強調 去中心化 與 集體參與，避免 AI 技術被少數權力壟斷。其核心理念包括：

  • AI 作為「知識公共財」，人人可取用、共同維護
  • 社群驅動的透明治理，提升信任與責任
  • 促進跨國、跨領域的合作與創新

此假說與「帝國假說」形成對比，強調 分散式創新 與 民主化的技術生態。

D.1.3 AI Empire hypothesis

AI 帝國假說（AI Empire Hypothesis）指隨著人工智慧的快速發展，算力、資料與演算法可能逐漸集中於少數國家、跨國企業或超級平台，形成類似「帝國」的支配格局。此假說強調 權力集中化 與 治理不對稱 的風險：少數主體能壟斷 AI 的發展方向、價值觀輸出與資源分配。其潛在後果包括：

  • 全球創新與知識生態的單一化
  • 國際間數位不平等的加劇
  • 人類社會對少數 AI 強權的依賴與脆弱性

D.1.4 AI Tribalization / Fragmentation Hypothesis

AI 部落化／碎片化假說（AI Tribalization / Fragmentation Hypothesis）認為人工智慧的發展不會走向單一「帝國」式的集中，而是呈現 多極化、碎片化 的格局。不同國家、企業、文化或意識形態群體，將各自建立獨立的 AI 生態系統、標準與治理模式，形成彼此競爭甚至對抗的「AI 部落」。

此假說的核心觀點包括：

  • 多極競爭：AI 技術與治理被分割為多個陣營，類似冷戰時期的地緣政治格局。
  • 標準不兼容：不同部落可能制定各自的技術協議與倫理規範，導致跨境合作困難。
  • 治理碎片化：全球缺乏統一的 AI 規範，國際協調成本高，風險治理難度加大。
  • 創新分散：雖然競爭可能促進多樣化創新，但也可能造成資源浪費與重複投入。

與「AI 帝國假說」相比，部落化／碎片化假說並非擔憂權力過度集中，而是警告 全球治理失序與標準分裂 的風險。其潛在後果包括：

  • 國際合作受阻，跨境資料與模型共享困難
  • 技術壁壘與數位鴻溝加劇
  • 不同 AI 陣營間的價值衝突與安全風險升高

此假說凸顯了 多中心治理（polycentric governance） 的必要性，呼籲在多樣化的 AI 部落之間建立最低限度的協調機制，以避免碎片化演變為全面衝突。

D.1.5 AI Utilities Hypothesis

AI 公用事業假說（AI Utilities Hypothesis）認為人工智慧將如同 電力、自來水或網際網路 一樣，逐漸成為社會的 基礎設施。在此假說下，AI 不再被視為少數主體的專屬資產，而是 普及、隱形、無所不在 的公共服務。其特徵包括：

  • AI 以「公用事業」模式提供，強調穩定性與普及性
  • 嵌入日常生活與產業流程，成為不可或缺的基礎設施
  • 由政府、企業與社群共同監管，確保公平取用與安全性

此假說與「帝國假說」不同，並非強調權力集中，而是強調 普及化、制度化與基礎設施化。

D.1.6 analytics

分析學（analytics）指透過系統化的方法，對資料進行收集、處理、建模與解釋，以發現模式、生成洞見並支援決策的學科與實務。常見的分支如 商業分析（business analytics），著重於企業營運與策略決策；以及 資料分析（data analytics），專注於資料的探索、統計建模與可視化。分析學是數據科學（data science）的重要組成部分，連結了理論、技術與應用。

本書 [第陸篇 ❖](06—-analytics_decisions.qmd）分析與決策 6 點（Analytics & Decisions）專門進行了說明，並介紹了和 [生成式 AI](06-05-analysis_generative.qmd）及 [決策演算法](06-06-decision_making_algorithm.qmd）整合，以有效推動人機智能體系的創新。

D.2 B

D.2.1 Brain

⁃ 大腦

Brain (大腦) refers to the neurobiological structures and neural networks that form the material substrate of Mind. From the materialist standpoint of modern neuroscience and behavioral science, the brain generates cognitive and behavioral outputs through neuronal firing, neural plasticity, and physiological feedback loops. In Ken Wilber’s AQAL framework, Brain corresponds to the Upper-Right Quadrant (individual exterior, behavior, and neurobiology).

See also: Mind; Mind-Brain Problem

D.2.2 🤝🙈社會腦假說

⁃ brain hypothesis, social

社會腦假說（Social Brain Hypothesis）源自演化與行為科學，由演化心理學家 Robin Dunbar 提出，旨在解釋靈長類與人類大腦進化的主要驅動力。其核心主張是：為了應對複雜的社會生活、群體協作與溝通，靈長類必須擁有更大的新皮質來處理增加 認知負荷。因此，大腦體積與複雜度與其所需維持的社會網絡規模和互動複雜性高度相關。

  • 🐾🍼 基礎生存協作：在群體中協同覓食、防禦與育幼，提升生存機率。
    • 與🙶反應型🙷心智的本能反應相輔相成。
  • 🤝💞 社會連結維護：透過情感表達、互惠行為與信任建立，維持群體穩定。
    • 對應🙶情緒~關係🙷心智的核心功能。
  • 🧘☸️ 高階社會認知：包括心智理論（Theory of Mind）、角色分工與群體決策。
    • 與🙶反思⫘符號🙷密切相關，支撐語言、文化與制度的形成。
  • 🤝🧠 社會規模與大腦容量：研究顯示，物種的新皮質相對大小與其典型社會群體規模之間存在正相關性（著名的 鄧巴數 150 即由此衍生）。
  • ⚖️🙈 權衡與進化：進化壓力迫使靈長類投入更多資源於處理社會信息，而非其他生存技能。

在演化心理學中，基於大量觀察數據，該假說被公認為具有強大預測力。它暗示人類高階智能的發展並非單純源於環境挑戰，而是源於處理複雜人際關係和群體協作的需求。應用方面，常用於分析人類群體、網絡和組織的穩定規模與互動限制，例如部落、軍隊、組織甚至網路社群的有效協作上限。

社會腦假說對於 AI 設計的影響，主要集中在多智能體系統 (Multi-Agent Systems) 和人機互動領域有效運作，必須具備處理情感訊號、社會規範與群體動態的能力。這一假說對 AI 設計的影響，主要集中在：

功能層次啟示 AI 實作範疇 核心影響
群體智慧 多智能體協作、分工 啟發 AI 團隊（如機器人群體或虛擬助理）能夠有效地進行溝通、協調和分工，以解決超出單一智能體能力範圍的複雜問題。
心智理論 人類意圖預測、社會推理 促使 AI 發展出推測人類（或其他 AI 體）的意圖、信念和情感的能力，以實現更自然、更有效的人機協作。
智能門檻 通用 AI (AGI) 的設計目標 該假說暗示了真正的 AGI 不僅需要處理物理和邏輯世界，還需要在處理社會和文化複雜性方面達到特定的門檻。

總之，與 三重腦假說 和 雙系統假說 類似，社會腦假說也為 AI 設計提供啟示，特別聚焦於模仿人類處理社會互動的效率與複雜性。

D.2.3 🐸🐘🧘三重腦假說

⁃ brain hypothesis, triune

三重腦假說（Triune Brain Hypothesis）由神經科學家 Paul D. MacLean 於 20 世紀中葉提出，用以描述脊椎動物大腦在演化過程中形成的三個主要層級。這一模型將大腦劃分為三部分，分別對應不同的解剖位置、功能與演化行為模式：

  • 🐸⚡ 爬行腦（Reptilian Brain）：位於腦幹與基底核，負責基本生存本能、固定行為模式與快速反射。
    • 對應本書分類中的🙶反應型🙷心智，處理即時威脅與環境刺激。
  • 🐘💞 古哺乳類腦（Paleomammalian Brain / Limbic System）：負責情緒處理、社會連結與長期記憶的情感標記。
    • 對應本書分類中的🙶情緒~關係🙷心智，支撐同理心、情感交流與群體互動。
  • ☸️ 新哺乳類腦（Neomammalian Brain / Neocortex）：負責高階認知、語言、抽象推理與符號操作。
    • 對應本書分類中的🙶反思⫘符號🙷心智**，支撐語言、文化與制度的形成。

該假說原始觀點認為，這三部分是依循時間順序、從不同動物祖先身上獨立演化出來，並逐層疊加到人腦中的「線性進化」結構。這一假說在普及神經科學知識上影響深遠，提供了一個演化視角，說明不同層級的大腦結構如何在時間上疊加、在功能上互補，共同塑造了人類多層次的心智能力。

然而，現代神經科學研究指出，三重腦假說是一種過度簡化的歷史性假說： - 大腦的進化並非離散、線性，而是連續且同時發生。
- 例如鳥類的大腦並非只是「爬行腦」，而是具有複雜結構，與哺乳動物的邊緣系統和皮質有共同起源與相似功能。
- 功能磁振造影（fMRI）等技術顯示，大腦活動高度依賴於跨區域的整合與網路，情緒、生存反應和邏輯思維並非由三個獨立區域分別控制，而是由複雜的神經迴路協同完成。

因此，雖然該假說在嚴格的神經科學上已不再被視為正確模型，但其「功能分層」的隱喻仍對人工智慧架構設計具有啟發性。三重腦假說的分層思維，啟發我們在 AI 系統中設計多模組協作架構：

功能層次啟示 AI 實作範疇 核心影響
🐸⚡本能反應層 底層控制、避障、平衡 確保系統在計算高階決策時，能即時處理危險和基本生存任務。這提高了機器人和具身 AI 的安全性與穩定性。
🐘💞情感互動層 學習動機、內部狀態 透過強化學習 (RL) 設置獎懲機制（如報酬函數、策略函數等）。內部「壓力」或「滿意度」狀態，驅動 AI 進行探索和長期目標優化。
🧘☸️符號推理層 規劃、邏輯、抽象思維 負責複雜的多步驟規劃和高階推理。這也是當前大型語言模型 (LLMs) 和符號流 AI 關注的核心。

雖然 三重腦假說 在現代神經科學中已被修正，但它仍提供了一個有力的隱喻：

  • 爬行腦 → 本能反應層：對應 AI 的即時安全與基礎控制。
  • 古哺乳類腦 → 情感互動層：對應 AI 的動機設計與社會互動。
  • 新哺乳類腦 → 符號推理層：對應 AI 的高階規劃與抽象推理。

總之，與 社會腦假說 與 雙系統假說 類似，雖然來自不同知識領域，但都為 AI 設計提供啟示，以創造具備生存、適應、直覺、邏輯和社交等複雜維度能力的智慧系統。

D.3 C

D.3.1 cognitive capacity

D.3.2 認知負荷

⁃ cognitive load

認知負荷（Cognitive Load）指學習者在處理信息時，工作記憶所耗費的有限心智資源總量。此概念基於人類的認知資源（或生物能量）是有限的假設，有助於解釋學習過程中的資源耗費。

此理論與心理學家卡尼曼（Daniel Kahneman）提出的系統一與系統二（System 1 and System 2）理論高度相關：

  • 🔃 當任務需要意識控制和推理時，會動用資源密集、緩慢的系統二，從而產生高認知負荷。
  • ⚡ 相反，直覺、自動化的過程屬於系統一，傾向於省能（Effortless）。

認知負荷（被劃分為三種類型，以便於教學設計，：

  • 🧱 內在負荷（Intrinsic Load）：由知識本身的複雜性決定。
  • 🚧 外在負荷（Extraneous Load）：由不良的教學設計或信息呈現方式導致的無用負擔。
  • 💡 密關負荷（Germane Load）：與學習、圖式（Schema）建構直接相關的有益負荷。又譯相關負荷、關聯負荷、相符性負荷、助益性負荷、關助負荷等等，強調其「關聯」、「助益」的面向。

在類比人類及機器學習時，可以注意以下幾點：

  • 🧠💪 負荷類比: 此處的負荷概念對映肌肉的重量訓練負重，心智資源的消耗可類比於神經元與肌肉細胞在執行任務時的能量消耗。
  • ㊟👀 它與注意力的管理直接相關。高負荷會導致注意力分散或過載，從而阻礙有效的學習和知識建構。
  • 🌀🪢🧠 神經網路 訓練中有所謂的 計算複雜度（Computational Complexity）和 模型容量（Model Capacity），這兩者與 認知負荷 有相似之處：
    • 🧱 內在負荷 ↔︎ 數據複雜度: 待學習數據本身的難度，類似於知識的固有複雜性。
    • 🚧 外在負荷 ↔︎ 計算複雜度: 訓練過程中不必要的運算或模型結構冗餘，類似於人類學習中因設計不良而產生的無效負擔。
    • 💡 相關負荷 ↔︎ 有效學習/泛化: 訓練中用於提升模型泛化能力、正確調整權重（Weights）的計算，是達成有效知識建構（圖式建構）所必需的「有益負荷」。

D.3.3 認知鷹架

⁃ cognitive scaffolding

認知鷹架（cognitive scaffolding），狹義指教育心理學中，教師、導師或更有能力的同儕向學生提供暫時性、結構性的支持，以協助學生完成原本無法獨立完成的複雜任務或理解艱深的概念。參見 鷹架、[近側發展區](#zpd）等，旨在助學習者跨越其「潛在發展水準」與「實際發展水準」之間的差距。

教育心理學中認知鷹架 核心特徵與功能：

  1. 暫時性與可撤銷性：一旦學習者內化知識或掌握技能，外部支持（即鷹架）就應拆除，就像建築工地鷹架一樣。
  2. 針對性與引導性：鷹架是有針對性的工具、提示、示範或結構化的步驟。不直接給答案，而是引導思考、組織信息和解決問題。
  3. 減輕認知負荷（Reducing Cognitive Load）：透過分解複雜任務、提供模版或簡化指令，鷹架有助於減少學習者的 外在負荷，使他們的認知資源能更專注於新知識的建構（即增加相關負荷）。

常見的教學鷹架策略有提問與提示（Questioning and Prompting)、示範、建模（Modeling)、組織圖或框架（Graphic Organizers)等等，旨在提供結構化工具，幫助學生整理複雜信息（如心智圖、流程圖、及 LLM聊天機器人）提問與提示 模板或示範。

認知鷹架 的廣義，可以泛指以下在學術、商業和日常生活中被採用的方法：

📚 認知鷹架相關概念表

排序 概念名稱
概念英文		 核心功能 認知鷹架關係 應用學科
1 基模驅動推論
Schema-Driven Inference		 根據對世界的標準化預期或情境框架，推導出未被明確表述的資訊。 基模鷹架：將結構化的世界知識作為支架，引導個體進行預期性或解釋性的推論。 認知心理學、教育學、社會心理學（刻板印象）、人工智慧、認知行為療法（CBT)。
2 缺口填補啟發法
Gap-filling Heuristics		 決策者利用簡單、快速的經驗法則，快速填補資訊或時間缺口，以達成滿意但非最優的選擇。 捷徑鷹架：提供一條簡化認知負荷的快速路徑，讓決策者在時間壓力下仍能完成任務。 決策理論、行為經濟學、商業策略、日常問題解決。
3 反事實思維
Counterfactual Thinking		 模擬與事實相反的「如果…就…」情境，以從過去中學習和調整行為。 自我修正鷹架：作為一種內部推論工具，幫助個體和群體評估決策點並修正未來行為。 歷史學、決策科學、社會心理學、法律（歸責）、哲學。
4 統計值填補
Statistical Imputation		 運用數學和統計模型，根據數據集的已知部分，來估計缺失的數據值。 定量鷹架：利用外部的數學模型作為結構，以系統化、可驗證的方式填補資料空白。 統計學、數據科學、生物醫學研究、計量經濟學。
5 敘事補完
Narrative Completion		 填補不完整訊息的空白，建立連貫的心智模型。 敘事鷹架：利用既有基模（Schema）作為結構，自動組織訊息。 認知心理學、文學理論、傳播學、法律（陪審團決策）。
6 精緻想像
Disciplined Imagination		 結合創造性猜想與嚴格的選擇標準來產生可行的創新。 方法論鷹架：為自由想像提供控制框架，引導思維從發散到收斂。 管理學、組織理論、創新研究、戰略規劃。
7 知識插補
Epistemic Interpolation		 在缺乏明確資訊時，填補事實或邏輯論證上的空白點，以維持知識連貫性。 結果鷹架：是認知系統為達成連貫知識而「搭起鷹架」所產生的推論結果。 知識論（Epistemology)、形式邏輯、人工智慧（AI）模型。

排序主要基於概念在日常認知、科學領域的基礎性，以及跨學科的普及程度：

  1. 基模驅動推論（Schema-Driven Inference）：
    • 範圍最廣。它是人類如何感知世界、記憶和理解新資訊的底層機制，由 基模理論（Schema Theory）描述。它廣泛應用於教育學、記憶研究、社會認知（刻板印象的形成）和最流行的心理治療方法 認知行為療法（CBT)，是無處不在的認知工具。
    • 敘事補完 本質上就是基模驅動推論在故事語境中的特定體現，因此其基礎性更高。
  2. 缺口填補經驗法則（Gap-filling Heuristics）：
    • 日常採用率最高。這是所有人在面臨時間和資訊壓力時，用來做決策的心理捷徑（例如：「買最貴的，因為它可能是最好的」）。它在行為經濟學、商業決策和日常問題解決中的應用和研究都非常普遍。
  3. 反事實思維（Counterfactual Thinking）：
    • 情感和反思性最核心。它是後悔、慶幸、責備等情緒的基礎，並在歷史學和法律中作為因果推論的關鍵方法。其影響深刻且跨越人文學科和社會科學。
  4. 統計值填補（Statistical Imputation）：
    • 專業領域的標準實踐。在數據科學、統計學和醫學研究等所有涉及數據分析的專業領域中，處理缺失數據是必須的步驟，其採用度和標準化程度極高，但主要限於定量分析領域。
  5. 敘事補完（Narrative Completion）：
    • 雖然在認知心理學中很重要，但它與排名第一的_基模驅動推論_在概念上有很大的重疊，且其應用範圍（如文學分析）不如啟發法或反事實思維廣泛。
  6. 精緻想像（Disciplined Imagination）：
    • 主要在管理學和創新理論等專業學科中被高度推崇和使用，是一種相對特定的方法論，而非普遍的認知機制。
  7. 知識插補（Epistemic Interpolation）：
    • 最抽象和理論化。它主要存在於知識論、形式邏輯和AI 理論等領域，雖然是底層邏輯，但在實際的跨學科應用和日常採用上，不如其他概念。

其它還有如互惠鷹架（Reciprocal Scaffolding）：強調同儕間的互助與角色交換；後設認知鷹架（Metacognitive Scaffolding）：引導學習者反思自己的學習策略與理解。

以上各概念方法，在功能與結構上皆具備「支撐理解與推理」的特性，可視為「鷹架性機制」。

本書定義的 知行鷹架 則指廣義的 認知鷹架 應用在智能系體或智能體的設計及實踐時的人與機器展現的任何以上行為，這還包括人類日常的缺口填補經驗法則的任何腦補，以及當代 AI 自動補完的 生成式 AI。

D.3.4 知行鷹架

⁃ constructive fill-in

🙶補全🙷 或 知行鷹架（constructive fill-in）是本書新創的操作型概念，泛指利用人與機器任何廣義的 認知鷹架 的「支撐理解與推理」行為系統或體系方法，以克服「潛在發展水準」與「實際發展水準」之間的差距。因此這需要更具體對人類參與者及機器的腦補現象的系統理解及創新。詳細內容及整合方法見本書三篇附錄：

  • 💪 行動：「行動協奏」〜 編排 AI 與人 ❝腦補❞的行動
  • 🧠 心智：「道智修行」〜 逐級❝鍛練❞有意識的心智行動]
  • 🪜 能力：「建補鷹架」〜 逐級昇華🙶補全🙷的能力]

此概念不僅區分並融合不同層次的認知行動能力，更以迴圈（loop）、弧線（arc）、等結構性概念，系統性整合包括 HITL（Human-in-the-loop，人類在迴圈中）、RLHF（人類回饋強化學習）、等概念）將「行動心智能力」三位一體整合為系統創新工具。其核心在於：

  • 「行動協奏」的跨智能體協作：涵蓋人類的反思性腦補與 AI 的生成式補完，形成互補性的推理網絡。
  • 「道智修行」的動態補全：不僅是靜態的知識填補，更是根據情境與目標持續調整的推理與理解行動。
  • 「建補鷹架」的可編排的鷹架模組：允許依任務需求，選擇性啟用不同層次的鷹架策略（如啟發式、基模、反事實、統計插補等）進行持續更新與協作。

知行鷹架 是一種 AI 設計創新操作工具，強調具體地在不完整中建構連貫，在不確定中鍛練理解。它既是一種人機系統認知機制，也是一種系統設計原則，支撐本書智能系體架構。

D.4 D

D.4.1 decision tree

D.4.2 ⚡🧮雙系統理論

⁃ dual process theory

雙系統理論（Dual Process Theory），又稱雙進程理論，是認知科學與心理學中用來解釋人類思維運作的核心模型之一，由《快思慢想》一書推廣而廣為人知。該模型將心智活動劃分為兩種互補但特性迥異的處理系統，分別對應不同的處理速度、意識參與度、資源消耗與精確度需求：

  • 🐆⚡ 快思 系統 1：處快速、直覺、情境驅動，依賴情感、經驗法則（Heuristics）與模式匹配，反應時間短，能在日常生活中快速高效地做出判斷，但也容易受到偏誤與認知陷阱影響。
    • 🆚 對映本書 Important 1 分類，系統 1 涵蓋了🙶反應型🙷心智與部分🙶情緒~關係🙷心智的直覺判斷層面。
  • 🐢🧮 慢想 系統 2：處理速度慢速、深思熟慮、有意識。它需要集中注意力、運用邏輯推理、執行複雜計算和進行自我控制。
    • 🆚 對映本書 Important 1 分類，系統 2 對應🙶反思⫘符號🙷心智，並與部分🙶情緒~關係🙷心智的深思熟慮部分交疊。

該假說的核心在於：

  • 系統 1 提供了效率，但可能導致認知偏誤。
  • 系統 2 提供了準確性，能進行嚴謹的邏輯驗證和糾錯，但需要更多資源與時間能耗。

因此，雙系統假說在認知心理學、行為經濟學、決策科學等領域被廣泛研究，用於解釋人類的非理性行為與認知偏差。雖然其二元劃分的邊界與神經機制仍有爭議，但它提供了一個強有力的框架來理解人類思維。

這一假說提醒我們，在設計人工智慧系統時，需平衡「快速反應」與「深度推理」模組，並考慮兩者的互動與切換成本。時間尺度的差異，就如同「龜兔賽跑」般，既要有速度，也要有耐力。

雙系統假說為 AI 設計提供了重要啟發：如何在決策效率（速度）與準確性（邏輯）之間取得平衡，並模仿人類決策過程中的效率與失誤。

功能層次啟示 AI 實作範疇 核心影響
快速直覺
系統 1		 🐆⚡深度學習的模式識別 訓練 AI 進行快速、基於模式的判斷（如圖像識別、自動駕駛的緊急反應）。強調效率和即時性。
嚴謹推理
系統 2		 🐢🧮規劃、驗證、知識圖譜 結合傳統符號 AI 的邏輯規劃和推導能力。強調準確性和可解釋性 (Explainability)。
整體切換 混合 AI 模型 啟發 AI 系統能根據任務複雜度，在直覺模式和邏輯模式之間動態切換，以平衡資源消耗與決策質量。

總之，與 三重腦假說 和 社會腦假說 類似，雙系統假說不僅幫助我們理解人類心智，也為 AI 設計提供了啟示：「快思」與「慢想」的互補與動態切換，是未來 AI 系統需要模仿與優化的核心，可利用深度學習的快速模式識別，強調效率與即時反應；再結合符號推理與規劃能力，強調準確性與可解釋性。

D.5 E

D.5.1 embodied agent

具身代理，相關概念接口代理（interface agent），指一種與物理環境中的物體與環境互動的智能體。廣義的具身代理亦包括用虛擬身體表達的，例如人類或卡通動物。

D.6 F

D.6.1 frame

D.7 G

D.7.1 generalization

D.7.2 game theory

D.7.3 generative adversarial network（GAN)

See also: game theory

D.8 H

D.8.1 hallucination

D.8.2 heuristic

D.9 I

D.9.1 issue tree

D.10 J

D.11 K

D.11.1 knowledge representation and reasoning（KR² or KR&R)

D.12 L

D.12.1 language model

D.12.2 large language model

D.12.3 long short-term memory（LTSM）

D.13 M

D.13.1 Markov decision process（MDP）

D.13.2 mental fill‑in

腦補 (mental fill‑in) is a colloquial term from Chinese internet usage. In contemporary discourse it refers to the act of speculating, imagining, or filling in gaps when information is insufficient or meaning is unclear, in order to complete one’s own understanding. It often implies personal interpretation or guesswork, and carries humorous, skeptical, or ironic undertones. The expression is said to derive from Japanese phrases such as “脳内補正” (nōnai hosei, mental correction) or “脳内補完” (nōnai hokan, mental completion), highlighting the subjective nature of such filling‑in. In short, ❝腦補❞ began as a term in Japanese anime fandom describing imaginative extrapolation, but has gradually broadened to describe how people use imagination to interpret, explain, or even construct information.

Important D.1: 📖 How This Book Uses the Term (Not the Common-Usage Definition)

In this book, ❝mental fill-in❞ is adopted as a technical term rather than left as internet slang: it names the broader cognitive habit of completing an incomplete picture from experience and imagination, spanning everything from split-second reflexes to elaborate narrative speculation. The book pairs it with a counterpart term, 🙶constructive fill-in🙷 — a slower, more deliberate, symbol-mediated way of closing the same gaps — and traces both across three domains: individual cognition (the 🐸🐘🧘 three-part mind), artificial intelligence (from GOFAI’s rule-based fill-in through LLMs’ statistical fill-in to VLA’s perception-to-action fill-in), and, in later chapters, organizational and societal decision-making. Read this way, ❝mental fill-in❞ is not simply “guessing” — it is the book’s throughline for asking, in any system capable of acting on incomplete information, which kind of gap-filling is happening, and what it costs.

See also: Scaffolding; Cognitive Scaffolding; Constructive Fill‑in
Read: 💬 Introduction ~ ❝Mental Fill-ins❞: Cognitive Shortcuts

D.13.3 Mind

⁃ 心智

Mind (心智), in philosophy and cognitive science, refers to subjective consciousness, intentionality (aboutness), and the capacity for reason and self-reflection. It encompasses first-person experience (such as qualia) that cannot be fully reduced to objective neurobiological data. In Ken Wilber’s AQAL framework, Mind corresponds to the Upper-Left Quadrant (individual interior, intention, and consciousness), complementing the objective, material Brain.

See also: Mind-Brain Problem; Brain Read: ▜Appendix B ~ 🧠Brain: «Observe» Tao-Intelligence Practice

D.13.4 Mind-Brain Problem

⁃ 心智-大腦問題

The Mind-Brain Problem is a central puzzle in cognitive science and philosophy of mind: what is the relationship between subjective mental experience (consciousness, feeling) and the objective, material brain (neural networks, biochemistry)? The problem splits into two main positions:

  • The behavioral/neuroscience view: holds that Mind is an emergent neurobiological property of the Brain, and focuses research on neuronal firing, brain plasticity, and behavioral feedback loops. On this view, “Mind” simply is the manifestation of the physical brain’s operation.
  • The philosophy/cognitive-psychology view: emphasizes the gap between subjective experience and objective measurement, holding that Mind includes first-person subjective experience (qualia) that cannot be fully captured by instruments such as fMRI.

The development of artificial intelligence (AI) has reshaped and re-examined this problem through three main “problematics”:

  1. Problematic A: Symbolism vs. Connectionism (a methodological resolution)
    • Symbolic AI (the philosophical “Mind” orientation): early AI attempted to construct mind out of abstract logic, symbols, and rules (GOFAI), on the assumption that human intelligence was top-down symbolic-program processing.
    • Connectionist AI (the behavioral “Brain” orientation): modern deep learning is built by replicating the brain’s biological structure — neurons, synapses, and weights. Connectionism currently dominates at scale, producing human-mind-like linguistic ability by imitating the brain’s statistical architecture.
  2. Problematic B: The Functionalism Loophole (behavioral equivalence)
    • The challenge: functionalism holds that Mind is merely a software program, regardless of whether it runs on carbon or silicon. John Searle’s “Chinese Room” thought experiment challenges this, arguing that a program can perfectly simulate syntax (data manipulation) without ever acquiring semantics (genuine understanding).
    • The workaround: modern Large Language Models (LLMs) sidestep this philosophical debate by exhibiting highly precise simulated empathy and Theory of Mind (ToM). Even lacking a subjective mind, their behavioral output is precise enough that humans treat them as agents with genuine agency.
  3. Problematic C: The Hard Problem of Consciousness vs. Emergentism
    • Reductionism holds that Mind will naturally emerge given a sufficient number of connected neurons; philosophy counters that an “explanatory gap” remains between “data processing (Brain)” and “subjective feeling (Mind)” that is difficult to bridge. AI can perfectly simulate feedback, yet has no subjective experience of its own.

See also: Triune Brain Hypothesis; Social Brain Hypothesis; Cognitive Load

D.14 N

D.14.1 named-entity recognition NER

D.15 O

D.15.1 🌐 Ontology

⁃ 本體論

Ontology in computer science and knowledge engineering refers to an explicit, formal specification of a shared conceptualization of a domain. By defining classes, attributes, relations, and constraints, an ontology provides a machine-readable semantic structure for data representation and retrieval. In modern cognitive science and AI architectures, an ontology serves as more than a classification system; it functions as the semantic bedrock that enables an agent to ground symbols, resolve ambiguity, and construct an internal world model to drive reasoning and action planning.

D.15.2 🧠 Ontology Learning

⁃ 本體論學習

Ontology Learning is the automated or semi-automated extraction of machine-readable conceptual frameworks from unstructured text, databases, or online corpora. Moving beyond labor-intensive manual engineering, it systematically identifies domain entities (nouns), attributes, taxonomies, and semantic relations. By converting raw data into a structured “shared conceptualization,” ontology learning automates symbol grounding—enabling AI systems to dynamically update their internal world models and ground future actions in an evolving knowledge environment.

D.15.3 overfitting

D.16 P

D.16.1 proximal policy optimization PPO

D.17 Q

D.17.1 query language

D.18 R

D.18.1 recurrent neural network

D.18.2 reinforcement learning RL

D.18.3 reinforcement learning from human feedback（RLHF)

D.18.4 rule-based system

D.19 S

D.19.1 鷹架

⁃ scaffolding

鷹架（Scaffolding）指認知學習過程中的輔助工具，用以協助學習者達成任務，通常是臨時性或階段性，同時具有「提升效率」和「產生依賴」的機會與風險。

🌟 TLDR言簡意賅：認知能力輔具，能「提升效率」但亦有「產生依賴」風險，如「九九乘法表」應用可以提升算數效率，但需學會切換，以免局限在如十進位等思維。

  • ⚡🔃 教育心理學定義：鷹架是教師或知識豐富者提供的「引導」、「提示」、「示範」或「結構性輔助」，例如在數學教學中九九乘法表的口訣。源於維果茨基（Vygotsky）的教育心理學「近側發展區」（ZPD）概念。相當於「快思慢想」的比較：維果茨基的效率模式（模式一）與皮亞傑（Jean Piaget）的突破模式（模式二）。
  • 💥👨‍🏫 學習政策的具體化： 鷹架的應用常成為教育辯論的焦點，例如「九九乘法表的死記」（高效的社會工具）與「自我推導」（緩慢的自主探索）之間的矛盾。這場衝突本質在於對待鷹架的「拐杖化」風險：過度依賴外部支持（拐杖）將妨礙內在基模（Schema）的鞏固。
  • 🩼🔀 關鍵在於「元認知切換」（Metacognitive Switching）： 學習者必須具備元認知能力，能夠在以下兩種學習模式中靈活切換：
    • ⚡ 模式一： 當目標是速度與效率時，依賴鷹架做「社會技術化捷思」（Social-Technical Heuristics），直接套用既有的知識工具。
    • 🧘 模式二： 當目標是概念突破與創新時，挑戰鷹架做「自我建構」（Self-Construction），進行慢速、深入的分析與重構。

🤯 本書類比：「鷹架之於人，模型之於機器」，兩者都是協助個體（無論是人腦還是電腦）處理、組織、以及預測世界的結構化工具。相似點是作為「知識的框架」與「世界的解釋器」；關鍵差異則在於：

  • 🩼🐣 建構方式： 人類鷹架通常是社會化學習的產物，透過互動與文化傳遞形成；而機器模型則是數據驅動的結果，依賴大量數據進行訓練與優化。人類認知鷹架強調「心智填補」（Mental Fill-In），而機器模型則強調「數據擬合**」（Data Fitting）
  • 📦🐦‍🔥 最終目標： 人類鷹架以達成自主性（Autonomy）與自我調節學習，具有最終能主動丟棄鷹架的能力；機器學習模型則以達成最佳化（Optimization）與預測準確度為技術目標。

💡✨對人工智慧系統創新啟示：本書則聚焦於人類構建人工智慧系統時的精選知識點與方法論鷹架，以及如何活用鷹架的「提示」（Prompt）及「引導」方法，來掌握但不依賴包括如大型語言模型（LLM）、具身 AI與博弈 AI等機器捷思模型。

  • 這要求人類設計者具備元認知，能夠有效地利用「提示工程」與「脈絡工程」為機器模型搭建外部鷹架（包括但不限於：鏈式思考 Chain-of-Thought），以提升其自主、深度邏輯推理的機會。
  • 此處，鷹架的 AI 應用被視為一種 探究機器模型與人類認知共創潛能的科學方法。其目的在於挑戰並應對機器學習模型基於統計的「被動捷思」（Passive Heuristics）侷限，分析能否以及如何透過包括引導等方法，使模型展現出更接近於通用人工智慧（AGI）所需的跨領域、靈活的認知能力，持續保持科學批判及驗證立場。

總之，❝腦補❞本能是人類的「知行捷徑」（Cognitive shortcuts for actions），依賴經驗與想像，我們在不完整的資訊中填補空缺，勾勒出「事實」，驅使我們「行動」。

D.19.2 🏮🛣🤖 情境主義

⁃ Situated-ism

情境主義（Situated-ism）或 人工智慧情境性（AI situated approach）是一種主張，認為真正有智慧的 AI 系統必須與真實世界或特定的環境（情境）緊密連結，並透過與環境的實際互動、具體的身體（無論是實體或虛擬）以及文化脈絡來學習和發展其認知能力，而非僅僅依靠抽象的符號運算或大規模數據處理。

在人工智慧研究中，情境主義採取一種根本性的「由下而上」的設計思維，著重於讓代理人（Agent）能夠在環境中有效且成功地展現行為，主張具身性（Embodiment）與 環境耦合與世界接地（Environmental Coupling & Grounding) - 核心焦點： 情境途徑要求設計 AI 時，必須優先關注生存所需的基本感知能力 （Perceptual Skills)和運動技能（Motor Skills)。代理人必須先具備在特定環境中進行移動、操作和感覺輸入的能力。
- 設計目標： 專注於讓 AI 能夠在實際的、即時的環境互動中做出反應並達成目標。

情境主義方法對抽象推理（Abstract Reasoning）或進階問題解決技能（Problem-Solving Skills）給予優先級相對低。

  • 原因： 情境論者認為，高等認知能力應是從基礎的具身互動中湧現（Emergence）而來的，而非預先程式化或透過純邏輯推導而獲得。換句話說，智慧是行動的產物，而不是獨立於身體的運算。

D.20 T

D.20.1 tensor network theory

D.20.2 TensorFlow

D.20.3 triune brain hypothesis

(See brain hypothesis, triune)

D.21 U

D.21.1 unsupervised learning

D.22 V

D.22.1 value-alignment

D.22.2 value-alignment complete

D.23 W

D.23.1 weak AI

D.23.2 word embedding

D.24 X

D.24.1 XGBoost

D.25 Y

D.25.1 Y Combinator

D.26 Z

D.26.1 近側發展區

⁃ ZPD, Zone of Proximal Development

近側發展區（Zone of Proximal Development, ZPD）指個體在獨立解決問題的實際水準，與在他人引導或合作下能夠達到的潛在水準之間的差距。可以說差距愈大，就愈需要教練（coaching）。

此概念由俄羅斯心理學家維果茨基（Vygotsky）提出。它強調社會互動對學習的重要性，此觀點與同時期皮亞傑（Jean Piaget）主張的認知發展自主突破模式存在差異。

近側發展區 ZPD是鷹架（Scaffolding）等教學策略的理論基礎。這些策略提供「引導」、「提示」、「示範」或「結構性輔助」等支持，旨在幫助學習者克服差距。在本書擴張詮釋「知行鷹架」成為「使用 AI 的心智擴張」系統創新力。