❶ 核心問題

是否存在一個跨越物理學、生物學、認知和技術運作的單一變化引擎——一個足夠通用的過程循環，可以描述新穎性如何產生、被測試，並最終持續或消失？

ECI 提出答案是肯定的。**核心循環（Core Cycle）**是一個四階段迴圈：

變異 → 耦合機會 → 過濾 → 持續 → （新的變異）

新的組態出現。它們遇到耦合機會——與其環境和彼此的互動。互動測試它們——有些組態與周圍條件相容，有些則不。相容性（compatibility）和共振（resonance）在這個階段中作為機制運作，而非保證的結果。存活下來的組態成為下一輪變異的起始材料。然後循環重複。

這不是一個向某個終點攀爬的線性階梯。它是一個圓圈：持續反饋到新的變異，新的變異反饋到新的耦合，新的耦合反饋到新的過濾。循環沒有目標、沒有目的地、沒有偏好的方向。它是一個過程，通過自身的邏輯，累積那些足夠強健以存活其自身過濾步驟的組態——並丟棄其餘的。

核心循環是 ECI 提出的過程框架——將 變異與協調（C1）、耦合與共振（B5） 和 持續性過濾（C2） 連接成一個單一動態迴圈的「引擎」。本頁是概念整合；詳細的數學內容在那些連結頁面上。

❷ 具體案例

四個局部類比

核心循環的模式——變異、耦合機會、過濾、持續——以局部形式出現在幾個已充分研究的系統中。這些是局部機制類比，而非核心循環在所有自然系統中運作的證明。 每個例子與循環共享結構特徵，但沒有一個是完美的同構。主張是，這個模式反覆出現得夠頻繁，值得形式化——而非每一個系統都實例化了它。

免疫庫與複製選擇（Clonal Selection）。 適應性免疫系統通過 V(D)J 重組——一種分子混洗過程——產生了巨大的抗體組態多樣性，在人體中產生約 10^11 種不同的抗體變體。這是變異步驟。當病原體進入身體時，抗體遇到其表面的抗原——一個耦合步驟，其中分子形狀相容性（ECI 記法中的 Q）決定了給定抗體是否結合。未能結合的抗體不被擴增；緊密結合的抗體觸發產生它們的 B 細胞的複製擴增——一個過濾步驟。擴增的複製體以記憶 B 細胞的形式持續存在，如果相同的病原體再次出現，就能更快地回應——一個持續步驟。而持續進行的體細胞超突變（somatic hypermutation）為擴增複製體的抗體基因引入進一步變異，餵入循環的下一輪。

機制同構性很強：分子組態的隨機變異、抗體與抗原之間的物理耦合、基於結合親和力的篩選、以及成功變體作為免疫記憶的持續。免疫系統在這個意義上運行著自己的變異-篩選迴圈——一個在數天到數週的時間尺度上運作的迴圈，而非代際尺度。

演化的變異與選擇。 Darwin 演化也許是最為人熟知的實例。隨機突變和重組產生遺傳變異（V）。攜帶這些變體的有機體與其環境互動——競爭資源、躲避掠食者、尋找配偶——一個耦合步驟，其中有機體的表型遇到環境需求。差異性存活和繁殖過濾族群：與環境更匹配的變體留下更多後代。存活的基因型持續存在於基因庫中，成為下一代變異的基質。循環是開放式的——沒有最終的「最佳」基因型，只有對變化環境的持續適應。

（這在 演化過濾（C3） 頁面有詳細處理，該頁面將 Darwin 選擇定位為 持續性過濾（C2） 的特例——即存在複製和遺傳的情況。）

適應性網路搜尋。 在最佳化和機器學習中，遺傳演算法（genetic algorithm）、演化策略（evolutionary strategy）和基於族群的搜尋方法等演算法明確地實例化了這個循環。產生一個候選解的族群（變異）。每個候選解根據目標函數進行評估（候選解與問題景觀之間的耦合）。得分差的解被丟棄；高分的解被保留（過濾）。存活者被重組和突變以產生下一代候選解（持續反饋到新的變異）。循環重複直到達到終止條件。演算法對問題沒有理解——它只是運行變異-耦合-過濾-持續的迴圈，讓循環去做工作。

候選組態與化學中的穩定性選擇。 當一個複雜的化學物種混合物被施加持續的能量輸入——如在前生命化學（prebiotic chemistry）實驗或工業催化中——許多分子組態會形成。這些組態彼此互動並與環境互動：它們反應、分解、催化、抑制（耦合）。熱力學和動力學約束過濾族群：熱力學不穩定的物種分解；被動力學捕獲或位於深自由能最小值中的物種持續存在。存活的分子族群成為下一輪反應的基質，產生新的組態（又是變異）。隨著時間推移，混合物中富含強健的分子物種——不是因為有人設計了它們，而是因為循環優先保留了那些存活其自身過濾步驟的東西。

共享模式

在每一個案例中：(1) 多樣的候選者產生，(2) 它們與環境互動，(3) 互動測試它們，(4) 存活者為下一輪提供種子。細節差異巨大——分子結合不是天擇不是梯度下降不是熱力學穩定性。但過程架構是相同的四階段迴圈。

❸ 已確立的科學

變異與選擇過程超越生物學運作的想法並不新穎。幾個已確立的研究傳統已探索了這一模式的各個面向。

Darwin 演化（Darwin, 1859; Fisher, 1930; Wright, 1932; Maynard Smith, 1982）。循環最為徹底驗證的實例。變異通過突變、重組和遺傳漂變產生。選擇通過差異性存活和繁殖作用。數學框架——族群遺傳學（population genetics）、複製者方程式（replicator equation）、適應景觀理論（adaptive landscape theory）——已充分發展且經過廣泛測試。已確立的是生物學版本；相同的過程架構是否在非生物領域運作是一個獨立的問題。

免疫學中的複製選擇理論（Burnet, 1957; Tonegawa, 1983; Janeway et al., 2001）。免疫系統的變異-選擇迴圈是獨立地充分確立的。V(D)J 重組產生抗體多樣性；抗原結合選擇高親和力的複製體；複製擴增和記憶形成保存成功的變體。與 Darwin 演化的平行關係很早就被認識到，且已被廣泛分析（Jerne, 1955; Edelman, 1974）。

演化計算（Holland, 1975; Goldberg, 1989; Eiben & Smith, 2003）。遺傳演算法、演化策略和相關方法明確地將變異-選擇循環實現為最佳化技術。這些演算法的數學收斂性質已被充分研究。它們證明了循環的過程架構——產生、測試、選擇、重組——足以在沒有特定領域知識的情況下解決複雜的最佳化問題。

Campbell 的演化知識論（Campbell, 1960; Cziko, 1995）。Donald Campbell 提出所有獲取知識的過程——從生物演化到科學探究到個體學習——共享一個「盲目變異與選擇性保留」（blind variation and selective retention）的結構。這個哲學框架預示了核心循環的中心主張，儘管它沒有提供 ECI 所嘗試的形式數學機制。

已確立的 vs. ECI 所提出的。 這些傳統中的每一個在其自身領域內都已充分發展。未確立的是，這些特定領域的循環是一個單一、形式統一的過程的實例——存在一個具有共同結構（V、Gamma、S、Q）的核心循環，能夠同時在所有這些領域產生可測試的預測。那個統一就是 ECI 的提案。

❹ ECI 框架詮釋

核心循環作為 ECI 的通用過程

ECI 提出四階段循環——變異 → 耦合機會 → 過濾 → 持續——是一個通用過程模板，適用於任何組態產生、與周圍環境互動、並最終存活或消失的系統。各階段映射到 ECI 的形式詞彙：

1. 變異（V）。 新的組態進入系統的狀態空間。變異可以是隨機的（突變、熱波動、隨機搜尋）或結構化的（重組、設計、定向擾動）。重要的是，循環開始時存在的組態集合比存活到結束時的要廣泛。V 使用 C1 中定義的量度來量化：熵、變異數、狀態空間佔有率，或適合所研究系統的任何量度。

2. 耦合機會（Gamma）。 多樣的組態與其環境及彼此互動。相容性和共振在這個階段中作為機制運作，而非保證的結果。這是 B5 進入的地方：耦合函數 Gamma(X, Y) 描述系統 X 的狀態如何影響系統 Y 的狀態，而相容性函數 Q(I, C, C) 描述給定組態與其基質和情境的匹配程度。耦合是測試組態的步驟——不是根據抽象標準，而是根據它們實際所在的物理、化學、生物或資訊環境。

3. 過濾（S）。 與環境耦合不良的組態——低 Q、低結構穩定性、不足以維持自身的能量——被消除。這就是 持續性過濾（C2）：存活函數 S(Omega, Delta_t) 決定哪些組態能夠進入下一階段。過濾不是一個代理者的主動選擇；它是差異性強健性的被動後果。

4. 持續。 存活過濾步驟的組態持續進入下一個時間區間。它們成為下一輪變異的基質——起始材料。這是關鍵的反饋：持續不是循環的結束，而是下一個循環的開始。

環形而非線性

核心循環最重要的結構特徵是它是一個封閉迴圈。持續不終結過程；它反饋到變異。一輪的存活者成為下一輪變異步驟的起始族群。這創造了一個棘輪機制（ratchet）：循環優先保留強健的組態，而這些強健的組態成為引入新變異的基礎。

經過多次迭代，這個棘輪機制產生累積性變化——逐漸累積與環境越來越匹配的組態。在生物學中，這是適應（adaptation）。在化學中，這是穩定分子物種的富集。在最佳化中，這是向高適應度解的收斂。機制在每種情況中都相同：循環自身的過濾步驟偏向下一輪的輸入。

但循環也可能陷入停滯。如果過濾太嚴格，所有變異被消除，循環停滯——系統凍結在碰巧存活下來的任何組態中。如果變異太弱，循環沒有原材料可供使用，無法探索組態空間的新區域。如果耦合太弱，組態從未被適當測試，過濾無法區分強健和脆弱的變體。每個階段都約束著其他階段。

每個階段餵入下一個

四個階段不是獨立模組拼接在一起。每個階段的輸出是下一個階段的輸入：

• V 產生 Gamma 測試的候選者。
• Gamma 產生 S 評估的互動。
• S 產生構成下一輪起始條件的存活者。
• 存活者的性質約束並塑造下一輪中哪些類型的 V 是可能的（你無法突變一個已被消除的基因；你無法重組已分解的分子）。

階段之間的這種緊密耦合意味著循環的行為取決於階段之間的平衡，而非任何單一階段的獨立表現。

❺ 如果這是真的⋯⋯

如果核心循環正確地識別了一個通用過程架構——如果相同的四階段迴圈跨越物理學、化學、生物學、認知和技術運作——幾個實踐意涵隨之而來。

設計適應性系統。 任何旨在隨時間適應的系統都需要所有四個階段。一個產生創意想法（變異）但從不用現實測試它們（耦合）的組織，將累積未經測試的提案。一個測試假說（耦合 + 過濾）但從不產生新假說（變異）的研究計畫，將耗盡其管線。一個無情過濾（過濾）但從不保留並建立在有效成果上（持續）的技術，將在每個循環中重新發明輪子。識別給定系統中哪個階段缺失或薄弱，成為一種診斷工具。

預測失敗模式。 每個階段有其特徵性的失敗：

• 變異失敗：系統變得同質化，失去適應新挑戰的能力。（遺傳單一作物、企業群體思維、演算法收斂到局部最佳解。）
• 耦合失敗：組態從未根據環境被測試，因此循環無法區分強健與脆弱。（象牙塔研究、未經測試的商業計畫、從未接觸真實資料的模擬。）
• 過濾失敗：一切都持續存在，無論強健與否，循環無法形成棘輪機制。（軟性選擇制度、無法讓專案失敗的組織、被補貼撐住的市場。）
• 持續失敗：成功的組態在能為下一輪提供種子之前就丟失了。（組織的記憶喪失、資料遺失、關鍵物種在其性狀能傳播之前滅絕。）

跨領域轉移。 如果循環的過程架構是真正通用的，那麼一個領域版本的循環的洞見可能可以轉移到另一個領域。免疫系統產生大量多樣性然後無情篩選的策略，可能為機器學習演算法設計提供啟發。演化在持久媒介（DNA）中保存解方同時允許快速變異（點突變、重組）的策略，可能為組織知識管理提供啟發。

這些意涵是推測性的。它們的價值完全取決於此處形式化的核心循環是否在特定領域理論已提供的基礎之上增加了預測力。

❻ 如何測試？

核心循環的中心經驗問題是，四階段過程架構是否在展現累積適應性變化的系統中自然湧現——還是它僅僅是理論家施加的一個方便比喻。

測試 1：基於代理的湧現。 建構具有最小假設的基於代理模型（agent-based model）：代理可以變異（內部狀態的隨機擾動）、互動（與鄰居交換資訊或資源）、且可被移除（內部狀態低於生存閾值的代理被消除）。不要明確地編程四階段循環。而是問：系統是否自發地組織成一種模式，其中變異餵入耦合、耦合餵入過濾、過濾餵入持續、持續餵入變異？如果循環從最小動力學規則中湧現，這支持了它是適應性系統的自然吸引子的主張。如果沒有——如果系統達到平衡、振盪，或在不展現四階段模式的情況下表現出混沌行為——循環可能是施加的框架而非自然的。

測試 2：階段剔除實驗。 在一個看似運行核心循環的系統中（例如，演化中的微生物族群、免疫反應、機器學習最佳化），一次實驗性地抑制一個階段，並測量對累積適應性變化的影響：

• 抑制變異（將突變率降至接近零；固定抗體庫；凍結候選族群）。預測：適應停滯。
• 抑制耦合（將有機體從環境壓力中隔離；移除抗原暴露；跳過評估步驟）。預測：變異累積但沒有方向。
• 抑制過濾（移除選擇壓力；無論結合力如何保留所有抗體複製體；無論適應度如何保留所有候選者）。預測：系統隨機漂移。
• 抑制持續（阻止記憶細胞形成；每一代重置族群；丟棄被選擇的族群）。預測：每個循環從頭開始；無累積改善。

如果抑制每個階段都產生預測的效果，四階段分解就捕捉了真實的功能結構。如果某些階段可以被移除而沒有預測的效果，分解就太細了。

測試 3：跨領域循環比較。 在至少三個不同領域中映射核心循環——比如，免疫複製選擇、微生物實驗演化和遺傳演算法。對每一個，獨立識別變異來源、耦合機制、過濾標準和持續機制。測量循環時間、變異幅度（V）、耦合強度（Gamma）、過濾嚴格度和每循環的累積變化。框架預測這些參數與累積適應性變化之間的關係在各領域遵循相同的定性模式——即使物理機制完全不同。如果相同的參數關係成立，循環就捕捉了跨領域結構。如果每個領域需要其自身獨特的參數關係，「通用循環」就不增加價值。

什麼會削弱此主張：如果在任何測試領域中，四階段分解的預測系統行為的能力都不優於更簡單的兩階段模型（例如，僅「變異 + 選擇」）。

什麼會推翻此主張：如果累積適應性變化常規性地發生在缺少四個階段中一個或多個的系統中——也就是說，如果循環的各階段並非循環所宣稱解釋的現象所全部必需的。

❼ 連結到其他節點

→ 變異與協調（C1）：V 和 kappa——循環的原材料。變異產生進入循環的多樣組態；協調（kappa）測量這些組態被組織得多有效。核心循環是 V 被產生、測試並過濾成協調結果的過程。

→ 持續性過濾（C2）：循環中的過濾到持續的轉換。C2 在數學細節中發展了存活函數 S(Omega, Delta_t) 和持續性過濾方程式。在核心循環的術語中，C2 形式化了第 3 和第 4 階段所發生的事：哪些組態存活，以及存活者的分佈如何不同於輸入分佈。

→ 耦合與共振（B5）：循環的耦合階段。B5 發展了耦合函數 Gamma(X, Y) 和相容性函數 Q(I, C, C)，它們支配組態如何與其環境互動。在核心循環的術語中，B5 形式化了第 2 階段：組態與測試它的條件之間的互動。

❽ 數學細節

核心循環的數學在本頁刻意保持最小化。詳細的形式機制在連結頁面上：V 定義在 C1，Gamma 和 Q 在 B5，S 在 C2。這裡我們只提供循環的結構記法——各階段如何連接。

循環記法

記循環第 n 輪的組態族群狀態為 P_n（組態在系統的組態空間 Omega 中的分佈）。核心循環通過四個順序操作將 P_n 映射到 P_{n+1}：

P_n → V(P_n) → Gamma(V(P_n)) → S(Gamma(V(P_n))) → P_{n+1}

其中：

• V(P_n)：變異運算元。取當前族群並產生一個引入了新組態的擴展族群（通過突變、重組、波動或其他變異機制）。V(P_n) 在 Omega 中的支撐比 P_n 更廣。
• Gamma(V(P_n))：耦合運算元。多樣的組態與環境及彼此互動。這個步驟不直接改變族群組成；它通過使組態暴露於揭示其相容性 Q 和結構穩定性的耦合互動來評估每個組態。
• S(Gamma(V(P_n)))：過濾運算元。組態根據存活函數 S 被保留或消除。輸出是一個支撐比 V(P_n) 更窄的分佈——未通過耦合測試的組態已被移除。
• P_{n+1}：所得族群，它是下一個循環的輸入。

循環為：

P_{n+1} = S . Gamma . V (P_n)

其中點表示順序應用（非乘法）。這是一個運算元的複合，從右到左讀取：先應用 V，然後 Gamma，然後 S。

• 狀態：提議的記法。這是一種組織循環各階段的方式，而非具有預測內容的動力學方程式。預測內容來自 V、Gamma 和 S 在各自頁面上的具體定義。
• 假設：各階段可以被有意義地分離並順序應用。在許多真實系統中，變異、耦合和過濾是同時且持續發生的，而非以離散的順序步驟進行。順序記法是一種理想化。

符號總覽

| Symbol | Name | Type | Defined in | |---|---|---|---| | V | 變異（量度族） | 量度族 | C1 | | kappa | 協調參數 | 提議的定義 | C1 | | Gamma(X, Y) | 耦合函數 | 提議的定義 | B5 | | Q(I, C, C) | 相容性函數 | 提議的定義 | B5 | | S(Omega, Delta_t) | 存活函數 | 提議的定義 | C2 | | P_n | 循環第 n 輪的組態族群 | 框架變數 | 本頁 | | Omega | 組態空間 | 標準變數 | C2 |

引用的關鍵文獻

| Reference | Result | Relevance to C5 | |---|---|---| | Darwin (1859); Fisher (1930); Wright (1932) | 通過天擇的 Darwin 演化 | 核心循環最發達的實例；生物學的變異-選擇迴圈 | | Burnet (1957); Tonegawa (1983) | 免疫學中的複製選擇理論 | 作用於抗體而非有機體的變異-選擇循環 | | Holland (1975); Goldberg (1989) | 遺傳演算法與演化計算 | 變異-選擇循環的明確計算實現 | | Campbell (1960) | 演化知識論：盲目變異與選擇性保留 | 核心循環跨領域主張的哲學先驅 | | Kauffman (1993) | NK 適應景觀；Boolean 網路中的混沌邊緣 | 變異幅度與適應結果之間的互動 | | Eiben & Smith (2003) | 演化計算：理論與實務 | 對變異、選擇和重組運算元的系統性處理 |