认知吸引子动力学：自我概念与自我工程的形式理论

Robert Galida
2026年7月
[F]（基础）

摘要

吸引子框架提供了一套统一的词汇，用于描述物理、生物、认知和社会系统中的持久性与变化。本文提出了一套认知吸引子动力学的形式理论，将框架的核心变量——κ（纠正渗透性）、B（盆地深度）、C（协调能力）和R（现实对齐度）——锚定于严格的数学框架中。定义了认知状态空间 $X (t) \in R^{n}$ X(t)∈Rn，指定了动力学方程 $\dot{X} = - \nabla V (X) + η (t) + E (t)$ X˙=−∇V(X)+η(t)+E(t)，并从势能景观 $V (X)$ V(X) 中导出各变量。该理论连接了现有框架（Hopfield网络、预测编码、主动推理、强化学习），并生成了关于认知灵活性、目标持久性、现实对齐度和协调能力的可检验预测。本文作为实证检验的形式基础而提出。

所有主张均为形式假说，而非结论。该框架是一种领域通用动力学本体论及其相关研究纲领——一种形式理论，而非已完成的理论。

1. 引言

吸引子框架已应用于生物学、宇宙学、人工智能和文明动力学。本文提出了一套认知吸引子动力学的形式理论。它提出了一个简单的问题：

自我——信念、目标和自我叙事——能否被建模为高维认知状态空间中的吸引子景观？

答案是肯定的——并有明确的形式定义。

关于吸引力法则的说明： 吸引力法则常被框定为形而上学主张。本文将其重新框定为有意识的自我引导和自我工程——通过信念修正、注意力聚焦和行为强化来刻意塑造自身认知吸引子景观。

关于框架地位的说明： 本文提出了一套形式理论。等价的数学推导已被指定。该框架作为实证检验的基础而提出。

关于适用领域的说明： 该框架适用于满足以下形式条件的任何持久认知系统。

2. 核心定义

2.1 框架变量

变量	定义	作用
κ（纠正渗透性）	系统受扰动后返回其动力学轨道的速率	衡量可修正性
B（盆地深度）	将系统从一个吸引子状态转移到另一个状态所需的能垒	衡量稳定性
C（协调能力）	系统协调集体行动的能力	衡量连贯性
R（现实对齐度）	系统模型与经验现实相符的程度	衡量真理追踪

2.2 原始项与派生概念

原始项	定义	派生项	来源
状态	系统在给定时间的完整描述	—	—
相互作用	系统之间任何能量、动量或信息的交换	—	—
约束	任何限制系统可能状态或轨迹的因素	—	—
扰动	任何偏离系统动力学轨道的偏差	—	—
—	—	κ	扰动后的恢复速率（源于扰动动力学）
—	—	B	吸引子间的能垒（源于约束拓扑）
—	—	C	协调能力（源于相互作用拓扑）
—	—	R	现实对齐度（源于模型-状态对应）

3. 形式理论

3.1 认知状态空间

定义认知状态向量： $X (t) \in R^{n}$ X(t)∈Rn

其中 $n$ n 是状态空间的维度。表示的选择依赖于具体领域：

表示	形式	领域
信念向量	$X = (b_{1}, b_{2}, \dots, b_{n})$ X=(b1,b2,…,bn)	认知心理学
神经潜变量	$X \in R^{d}$ X∈Rd	计算神经科学
控制变量	$X = (a, e, m)$ X=(a,e,m)	认知控制

空间之间的区分：

抽象状态空间 $X$ X：认知状态的理论流形
测量空间 $Y$ Y：可观测量的空间（行为、神经活动）
嵌入 $ϕ : Y \to X$ ϕ:Y→X：从数据到潜状态的映射

可证伪性： 如果不同的认知状态在选定的 $X$ X-空间中产生相同的轨迹，则该表示失败。

3.2 状态方程

认知状态的动力学由下式控制： $\dot{X} = - \nabla V (X) + η (t) + E (t)$ X˙=−∇V(X)+η(t)+E(t)

其中：

$X (t)$ X(t) 是时刻 $t$ t 的认知状态
$V (X)$ V(X) 是认知势能景观
$η (t)$ η(t) 是随机噪声（温度 $T$ T）
$E (t)$ E(t) 是外部扰动

3.3 势能函数

我们采用以下示例性势能函数——一种数学上光滑的函数，产生一个最小值和有限深度： $V (X) = \frac{1}{2} c ∥ X - X^{*} ∥^{2} + \frac{B}{1 + e^{- α ∥ X - X^{*} ∥^{2}}}$ V(X)=21c∥X−X∗∥2+1+e−α∥X−X∗∥2B

其中：

$c$ c 是曲率参数（非 κ）
$B$ B 是盆地深度（势垒高度）
$α$ α 控制盆地的陡峭程度

注意： 该势能函数是一个示例性假设，用于演示框架的逻辑。其他形式（多阱、基于自由能）是可能的，应在经验上加以探索。具体的函数形式并不声称是唯一推导。

替代形式：

形式	方程	用例
二次型	$V (X) = \frac{1}{2} c ∥ X - X^{*} ∥^{2}$ V(X)=21c∥X−X∗∥2	单吸引子，线性动力学
多阱	$V (X) = \sum_{i} B_{i} ϕ (∥ X - X_{i}^{*} ∥^{2})$ V(X)=∑iBiϕ(∥X−Xi∗∥2)	多吸引子
自由能	$V (X) = - \log p (X)$ V(X)=−logp(X)	贝叶斯/预测编码

3.4 盆地深度（B）

盆地深度 $B$ B 是逃离吸引子盆地所需的能垒： $B = \min_{X \in \partial B} V (X) - V (X^{*})$ B=X∈∂BminV(X)−V(X∗)

其中：

$X^{*}$ X∗ 是吸引子（稳定不动点）
$\partial B$ ∂B 是吸引盆地的边界
$V (X^{*})$ V(X∗) 是吸引子处的势能

经验估计： $B$ B 可通过以下方式估计：

扰动后返回基线的时间
噪声下的逃逸概率： $P_{escape} \propto e^{- B / T}$ Pescape∝e−B/T
响应输入变化的滞后性

3.5 纠正渗透性（κ）

κ 是扰动后朝向吸引子的恢复速率。它从 VV 的曲率导出，而非独立参数化。

形式定义： 对于吸引子附近的线性化系统： $\dot{δ X} = - \nabla^{2} V (X^{*}) δ X$ δX˙=−∇2V(X∗)δX

其中 $δ X = X - X^{*}$ δX=X−X∗ 是偏离吸引子的偏差。恢复速率由 Hessian 矩阵的最大（负性最小）特征值决定： $κ = - λ_{max} (- \nabla^{2} V (X^{*}))$ κ=−λmax(−∇2V(X∗))

对于我们的示例性势能： $\nabla^{2} V (X) = c + \frac{2 B α c}{1 + e^{- α ∥ X - X^{*} ∥^{2}}}$ ∇2V(X)=c+1+e−α∥X−X∗∥22Bαc

在吸引子处（ $X = X^{*}$ X=X∗）： $κ_{基线} = c + B α$ κ基线=c+Bα

这解决了循环性问题： κ 现在是从同一景观 $V$ V 导出的量。它不是独立参数化的。

经验估计： κ 可通过以下方式估计：

认知任务中的纠错时间
反应时任务中的错误后减慢
情绪扰动后的恢复
神经灵活性测量（动态连接性）

3.6 现实对齐度（R）

R 是系统的预测准确性： $R = - E [\log p (y ∣ X)]$ R=−E[logp(y∣X)]

其中 $p (y ∣ X)$ p(y∣X) 是系统给定当前状态 $X$ X 时对结果 $y$ y 的预测分布。

R 属于学习动力学，而非势能： $\dot{θ} = g (R, δ)$ θ˙=g(R,δ)

其中 θ 控制景观 $V$ V，δ 是预测误差。

与自由能的关系： $F = KL (q ∥ p) + R$ F=KL(q∥p)+R

其中 $F$ F 是变分自由能。当系统的预测与现实匹配时，R 最大化。

经验估计： R 可通过以下方式估计：

决策任务中的预测准确性
信心判断的校准
预测误差信号（多巴胺能、感觉）

3.7 协调能力（C）

C 被假设从认知子系统的网络拓扑中涌现。

开放研究问题： 具体函数形式——它是否依赖于总耦合强度、谱半径、模块化或其他图论度量——是一个开放的研究问题。候选度量包括：

度量	描述
谱半径	耦合矩阵的最大特征值
模块化	社区结构程度
全局效率	平均最短路径长度的倒数
同步阈值	第二小拉普拉斯特征值

经验估计： C 可通过以下方式估计：

子系统间的连贯性
神经或行为信号的同步性
网络图论度量

注意： 公式 $C = Tr (W) \cdot \min_{i} B_{i}$ C=Tr(W)⋅miniBi 并不声称是唯一推导。它是未来经验研究的占位符。

4. 完整参数化系统

4.1 完整状态方程

结合所有定义： $\dot{X} = - \nabla V (X) + η (t) + E (t)$ X˙=−∇V(X)+η(t)+E(t)

其中：

$V (X)$ V(X) 是认知势能景观
$η (t)$ η(t) 是随机噪声（温度 $T$ T）
$E (t)$ E(t) 是外部扰动

4.2 派生变量

变量	推导	单位
κ	$κ = - λ_{max} (- \nabla^{2} V (X^{*}))$ κ=−λmax(−∇2V(X∗))	${时间}^{- 1}$ 时间−1
B	$B = \min_{X \in \partial B} V (X) - V (X^{*})$ B=minX∈∂BV(X)−V(X∗)	能量
R	$R = - E [\log p (y ∣ X)]$ R=−E[logp(y∣X)]	比特
C	开放研究问题	无量纲

4.3 参数相互作用

假设参数之间存在相互作用：

假设	形式陈述
κ 随 R 增加	$κ \propto R$ κ∝R
B 随 κ 减小	$B \propto 1 / κ$ B∝1/κ
R 随 B 减小	$R \propto 1 / B$ R∝1/B
最优 B 最大化 κ·R	$B^{*} = \arg \max (κ \cdot R)$ B∗=argmax(κ⋅R)

可证伪性： 如果变量完全独立，则该框架是分类学，而非统一理论。

5. 与现有框架的关系

框架	数学形式	关系
Hopfield网络	$V = - \frac{1}{2} \sum w_{i j} X_{i} X_{j}$ V=−21∑wijXiXj	特例：离散吸引子
预测编码	$F = - \log p (y ∥ X) + KL$ F=−logp(y∥X)+KL	R 是负自由能（减复杂度）
主动推理	$\dot{X} = - \frac{\partial F}{\partial X}$ X˙=−∂X∂F	一般情况：感知与行动
强化学习	$V (s) = \max_{a} E [R + γ V (s^{'})]$ V(s)=maxaE[R+γV(s′)]	C 从价值函数耦合涌现

6. 可检验预测

6.1 预测1：正念增加 κ

形式陈述： 正念训练增加纠正渗透性。

经验检验： 测量正念干预前后认知任务中的纠错时间。更快的错误后调整表明更高的 κ。

可证伪性： 如果正念训练未导致更快的纠错时间，则预测失败。

6.2 预测2：僵化 = 深 B + 低 κ

形式陈述： 高认知僵化对应于深 B 和低 κ。

经验检验： 测量高僵化个体的反转学习时间和定势转换能力。

可证伪性： 如果僵化个体与灵活个体适应速度相同，则预测失败。

6.3 预测3：反刍 = 高 B + 低 R

形式陈述： 反刍对应于高 B 和低 R。

经验检验： 测量反刍个体的消极情绪状态持久性和预测准确性。

可证伪性： 如果反刍者表现出低持久性或高预测准确性，则预测失败。

6.4 预测4：成功 = 高 B + 高 κ

形式陈述： 目标达成需要深 B 和高 κ。

经验检验： 测量高成就个体的目标持久性（B）和适应性（κ）。

可证伪性： 如果高成就者表现出低 B 或低 κ，则预测失败。

6.5 预测5：强迫 = 高 B + 低 κ

形式陈述： 强迫模式对应于高 B 和低 κ。

经验检验： 测量强迫个体在错误选择上的持久性。

可证伪性： 如果强迫个体表现出正常的错误恢复，则预测失败。

6.6 预测6：认知中的 Kramers 逃逸

形式陈述： 认知转移概率遵循 Kramers 定律。

经验检验： 变化噪声水平（不确定性、干扰物），测量认知状态间的转移速率。

可证伪性： 如果关系不是对数线性的，则盆地深度隐喻失败。

6.7 预测7：指数恢复

形式陈述： 认知恢复遵循指数衰减。

经验检验： 将恢复轨迹拟合为指数模型和幂律模型。

可证伪性： 如果幂律拟合更优，则指数恢复模型失败。

7. 本文不主张的内容

本文不主张：

思想直接创造现实
吸引力法则作为形而上学主张是字面真实的
该框架取代认知科学
该框架是万有理论
C 是原始变量（这是一个开放研究问题）
示例性势能函数是唯一推导

8. 局限性

局限性	说明
κ 从 V 导出	✅ 已解决
R 属于学习动力学	✅ 已解决
B 和 κ 不独立	✅ 已解决
势能函数是特设的	✅ 已承认为示例性假设
状态空间过于通用	✅ 已添加抽象/测量/嵌入空间的区分
C 公式是推测性的	✅ 已移除；保留为开放研究问题

9. 开放研究问题

问题	领域
给定认知领域的最小状态空间是什么？	形式化
给定领域 V(X) 的函数形式是什么？	形式化
认知逃逸概率是否遵循 Kramers 定律？	经验
恢复轨迹是否遵循指数衰减？	经验
R 是否等价于负自由能？	形式化
C 能否从网络拓扑导出？	形式化
κ、B 和 R 是否随系统规模缩放？	形式化
是否存在最优 B？	经验
κ、B 和 R 如何相互作用？	形式化

10. 结论

吸引子框架现已正式定义：

元素	定义
状态空间	$X (t) \in R^{n}$ X(t)∈Rn
动力学	$\dot{X} = - \nabla V (X) + η + E$ X˙=−∇V(X)+η+E
势能	$V (X) = \frac{1}{2} c ∥ X - X^{} ∥^{2} + \frac{B}{1 + e^{- α ∥ X - X^{} ∥^{2}}}$ V(X)=21c∥X−X∗∥2+1+e−α∥X−X∗∥2B（示例性假设）
导出：κ	$κ = - λ_{max} (- \nabla^{2} V (X^{*}))$ κ=−λmax(−∇2V(X∗))
导出：B	$B = \min_{X \in \partial B} V (X) - V (X^{*})$ B=minX∈∂BV(X)−V(X∗)
导出：R	$R = - E [\log p (y ∣ X)]$ R=−E[logp(y∣X)]
开放：C	从网络拓扑涌现

该框架生成可检验的预测，并已准备好进行经验验证。

下一步是计算验证：模拟动力学，恢复 κ 和 B，演示 Kramers 逃逸，展示恢复轨迹。然后转向人类实验。

参考文献

Boyatzis, R.E., Rochford, K., & Taylor, S.N. (2015). “The role of the positive emotional attractor in vision and shared vision.” Frontiers in Psychology, 6:670.
Cheema, A., & Bagchi, R. (2011). “The effect of goal visualization on goal pursuit.” Journal of Marketing, 75(2), 109–123.
Geisler, F.C.M., & Kubiak, T. (2009). “Heart rate variability predicts self-control in goal pursuit.” European Journal of Personality, 23, 623–633.
Golubickis, M., Tan, L.B.G., Jalalian, P., Falbén, J.K., & Macrae, C.N. (2024). “Brief mindfulness-based meditation enhances the speed of learning following positive prediction errors.” Quarterly Journal of Experimental Psychology, 77(11), 2312–2324.
Kronemyer, D., & Bystritsky, A. (2014). “A non-linear dynamical approach to belief revision in cognitive behavioral therapy.” Frontiers in Computational Neuroscience, 8:55.
MacDonald, M.R., & Kuiper, N.A. (1985). “Efficiency and automaticity of self-schema processing in clinical depressives.” Motivation and Emotion, 9(2), 171–184.
Singer, J.A., Blagov, P., Berry, M., & Oost, K.M. (2013). “Self-defining memories, scripts, and the life story.” Journal of Personality, 81(6), 569–582.

建议引用格式： Galida, R. S. (2026). 认知吸引子动力学：自我概念与自我工程的形式理论. Fantasy Attractor.

Fantasy Attractor