5D Library › 多层条件激发系统中的幂律权重与逆向控制可及性 · English
第六章 潜能与兑现
两个变量,而不是一个
上一章的命题说:如果先天先验不可改变,底层的输入就推不动它。可是作者的直觉并非没有道理:很多人的确感到,持续的学习让自己「原有的天赋」发挥了出来,好像顶层被「解锁」了。这两者并不矛盾,只要把一个变量拆成两个:
- 潜能 :作者所说的先天先验本身,在模型中是常数(不可控的状态);
- 兑现 :潜能实际表现出来的程度,例如 ,其中 是其他各层的状态, 取值在 0 到 1 之间。
「解锁」在模型中对应的是提高 ,而不是提高 。这个区分不是文字游戏:它决定了「能做什么」与「不能做什么」的边界,也决定了怎样检验。
注
作者的定义。 「潜能」与「兑现」是本书为澄清作者框架而引入的作者的定义; 的形式(这里取 S 形函数)是示意的选择。 在现实中无法直接测量:我们看到的总是某种兑现。这意味着「某人潜能高但没有兑现」这类说法,在没有独立测量的情况下是不可检验的。
兑现有上限
推导
作者的模型。 潜能 固定。第 2—5 层按第五章 UP 结构耦合, 上施加恒定输入 。兑现 ,其中 是第 2—5 层的平均偏离,,所以 ,只有在 时 。程序计算不同输入下的稳态与兑现,比较潜能为 0.5 与 0.9 的两个虚构的人,并在线性模型中检验「输出可控性」: 不可控,但由第 2—5 层构成的输出 是否可控?
# Potential versus realization (author's model, Chapter 6).
# Potential P (layer C1) is fixed: an uncontrollable state (p10). Layers 2-5 follow the UP
# coupling of p10 with a constant input u on C5. Realized level of C1: R = P g(zbar),
# g(z) = 1 / (1 + exp(-(2 z - 2))), zbar = mean of layers 2-5, so g(0) = 0.12 and g -> 1
# only as zbar -> infinity: R can approach P, never exceed it. Linear version: the output
# y = zbar is output-controllable although c1 is not. All numbers illustrative.
import math
A = [[-1.0, 0.4, 0.0, 0.0], [0.5, -1.0, 0.4, 0.0], [0.0, 0.5, -1.0, 0.4],
[0.0, 0.0, 0.5, -1.0]] # layers 2-5 of structure UP
B, c = [0.0, 0.0, 0.0, 1.0], [0.25] * 4
def mv(v): return [sum(a * b for a, b in zip(r, v)) for r in A]
def g(z): return 1 / (1 + math.exp(-(2 * z - 2)))
def steady(u): # solve 0 = A z + B u by elimination
X = [row[:] + [-b * u] for row, b in zip(A, B)]
for j in range(4):
for i in range(4):
if i != j: X[i] = [a - X[i][j] / X[j][j] * b for a, b in zip(X[i], X[j])]
return [X[i][4] / X[i][i] for i in range(4)]
if __name__ == "__main__":
print("constant input u on C5 -> steady state of layers 2-5 and realization R = P g")
print(" u C2 C3 C4 C5 g(zbar) R (P = 0.5) R (P = 0.9) gap")
for u in (0.0, 1.0, 2.0, 4.0, 8.0, 16.0):
z = steady(u); gz = g(sum(z) / 4)
print(f" {u:4.0f} " + " ".join(f"{x:5.2f}" for x in z)
+ f" {gz:8.4f} {0.5 * gz:12.3f} {0.9 * gz:13.3f} {0.4 * gz:6.3f}")
print("potential P is the same in every row; R / P = g < 1 for every finite input")
k, v = [], B[:]
for _ in range(4):
k.append(sum(a * b for a, b in zip(c, v))); v = mv(v)
print("output y = mean of layers 2-5: c A^j B, j = 0..3 = "
+ " ".join(f"{x:.4f}" for x in k))
print(" not all zero -> y is output-controllable although c1 is not")
h, vs, v = 0.005, [], B[:]
for _ in range(2001):
vs.append(sum(a * b for a, b in zip(c, v)))
v = [a + h * b for a, b in zip(v, mv(v))]
wy = sum(x * x for x in vs) * h
print(f"minimum energy to raise y by one unit in T = 10: {1 / wy:.1f}")
print("(to raise C5 alone: 1.75; to raise C1 itself: impossible)")
# constant input u on C5 -> steady state of layers 2-5 and realization R = P g
# u C2 C3 C4 C5 g(zbar) R (P = 0.5) R (P = 0.9) gap
# 0 0.00 0.00 0.00 0.00 0.1192 0.060 0.107 0.048
# 1 0.15 0.36 0.73 1.36 0.3318 0.166 0.299 0.133
# 2 0.29 0.73 1.45 2.73 0.6457 0.323 0.581 0.258
# 4 0.58 1.45 2.91 5.45 0.9608 0.480 0.865 0.384
# 8 1.16 2.91 5.82 10.91 0.9998 0.500 0.900 0.400
# 16 2.33 5.82 11.64 21.82 1.0000 0.500 0.900 0.400
# potential P is the same in every row; R / P = g < 1 for every finite input
# output y = mean of layers 2-5: c A^j B, j = 0..3 = 0.2500 -0.1500 0.1400 -0.1640
# not all zero -> y is output-controllable although c1 is not
# minimum energy to raise y by one unit in T = 10: 14.4
# (to raise C5 alone: 1.75; to raise C1 itself: impossible)结果有四点。第一,潜能 在每一行都不变:输入从 0 增加到 16,没有任何一行改变了 。第二,兑现比例 从 0.12 上升到接近 1: 时为 0.96, 时为 0.9998。对潜能 0.5 的人,兑现从 0.060 上升到接近 0.5;对潜能 0.9 的人,从 0.107 上升到接近 0.9。兑现可以逼近潜能,但不能超过潜能。作者框架中的「」,在模型中对应输入很大、 接近 1 的情形:它把兑现推向天花板,但天花板本身不动。
第三,在乘法模型中,同样的输入会扩大两人之间的绝对差距:没有输入时差距是 0.048,输入足够大时是 0.40。这是乘法结构的直接结果(),与第四章的累积优势同向。如果目标是缩小差距,同样的投入应当更多地给兑现比例低的人,而不是平均分配。
第四,线性模型中的输出 (第 2—5 层的平均)是输出可控的: 不全为零,把 提高一个单位的最小能量是 14.4。这正是「解锁」的严格含义:不可控的是状态 ,可控的是由其他层构成的兑现。
同样的输入,相反的结论
上一章说过,可控性只取决于耦合结构。这一节进一步看:不同的耦合假设,会使「加大知识投入」的效果连方向都不同。
推导
在 上施加恒定的单位输入,比较 时各层与 的变化。三种耦合:UP(第五章);PL(先验可塑,);CROWD(在 UP 之外,学习时间挤占了经营人脉的时间: 的耦合为 −0.9)。然后保持零模式不变,把每个非零耦合随机重抽 1,000 次(符号随机,绝对值在 0.1 到 1 之间),看卡尔曼秩是否随数值改变。
# Same input, different coupling assumptions, opposite conclusions (Chapter 6).
# A constant unit input on C5 runs from t = 0 to 40; read the change of every layer and of
# ln S = c1 + ... + c5 at t = 40. UP and PL as in p10; CROWD = UP plus crowding-out
# (study hours taken from networking): C5 -> C3 = -0.9. Then the zero pattern is kept and
# the nonzero couplings are redrawn at random 1,000 times: the Kalman rank belongs to the
# pattern, not to the numbers (structural controllability, Lin 1974).
import random
def structure(name, k=0.5, h=0.4, eps=0.05, d1=0.1):
A = [[0.0] * 5 for _ in range(5)]
for i in range(1, 5): A[i][i] = -1.0
for i in range(4): A[i + 1][i] = k
for i in range(1, 4): A[i][i + 1] = h
if name == "PL": A[0][0], A[0][1] = -d1, eps
if name == "CROWD": A[2][4] = -0.9
return A
def respond(A, T=40.0, h=0.01):
f = lambda x: [sum(a * b for a, b in zip(r, x)) + (i == 4) for i, r in enumerate(A)]
step = lambda x, k, s: [a + s * b for a, b in zip(x, k)]
x = [0.0] * 5
for _ in range(int(T / h)):
k1 = f(x); k2 = f(step(x, k1, h / 2)); k3 = f(step(x, k2, h / 2))
k4 = f(step(x, k3, h))
x = [a + h / 6 * (b + 2 * c + 2 * d + e)
for a, b, c, d, e in zip(x, k1, k2, k3, k4)]
return x
def kalman_rank(A, tol=1e-9):
M = [[0, 0, 0, 0, 1.0]]
for _ in range(4): M.append([sum(a * b for a, b in zip(r, M[-1])) for r in A])
r = 0; scale = max(abs(x) for c in M for x in c)
for j in range(5):
p = max(range(r, 5), key=lambda i: abs(M[i][j]), default=None)
if p is None or abs(M[p][j]) < tol * scale: continue
M[r], M[p] = M[p], M[r]
for i in range(5):
if i != r: M[i] = [a - M[i][j] / M[r][j] * b for a, b in zip(M[i], M[r])]
r += 1
return r
if __name__ == "__main__":
print("change at t = 40 after a constant unit input on C5")
print(" coupling C1 C2 C3 C4 C5 ln S")
for name in ("UP", "PL", "CROWD"):
x = respond(structure(name))
print(f" {name:6s} " + " ".join(f"{v:+7.3f}" for v in x) + f" {sum(x):+7.3f}")
rng = random.Random(41)
for name in ("UP", "PL"):
A0 = structure(name); ranks = {}
for _ in range(1000):
A = [[rng.choice((-1, 1)) * rng.uniform(0.1, 1.0) if a else 0.0 for a in row]
for row in A0]
r = kalman_rank(A); ranks[r] = ranks.get(r, 0) + 1
print(f" {name} pattern, 1,000 random couplings: Kalman rank counts {ranks}")
# change at t = 40 after a constant unit input on C5
# coupling C1 C2 C3 C4 C5 ln S
# UP +0.000 +0.145 +0.364 +0.727 +1.364 +2.600
# PL +0.096 +0.209 +0.405 +0.753 +1.376 +2.839
# CROWD +0.000 -0.445 -1.113 -0.195 +0.902 -0.851
# UP pattern, 1,000 random couplings: Kalman rank counts {4: 1000}
# PL pattern, 1,000 random couplings: Kalman rank counts {5: 1000}在 UP 下,单位输入使 增加 2.60,其中 不变;在 PL 下增加 2.84,其中 只增加 0.096;在 CROWD 下, 仍然上升 0.90,但 下降 1.11,并拖累 (−0.45)与 (−0.20), 反而下降 0.85。同一个输入,在一种假设下「解锁」了上层,在另一种假设下「锁死」了上层。哪一种假设更接近现实,不是数学能回答的,只能靠测量。
随机重抽的结果显示,UP 零模式的 1,000 组数值全部给出秩 4,PL 零模式全部给出秩 5。这就是结构可控性:能不能到达由「谁影响谁」决定;到达要花多少、方向是正是负则由具体数值决定。
假说 · 尚未验证
兑现上限假说(作者的假说,尚未确立)。对同一项技能,持续的结构化投入使表现向一个个人特有的渐近线靠拢,渐近线因人而异,而投入主要改变的是接近渐近线的速度与程度。可以检验的预测:在一项长期训练研究中,用预先登记的指数或 S 形学习曲线拟合每个人的表现,估计的个人渐近线在训练剂量随机不同的组之间没有系统差异,而接近渐近线的比例有差异。如果渐近线本身随训练剂量显著上升,「潜能不变」的设定就需要放弃,而改用 PL 一类「可塑」的模型。
注
避免两种宿命论。 这一章的数学不支持「先天决定一切」:在任何有自下而上反馈的结构中,兑现都可以被提高,而且在模型中兑现比例离 1 越远,同样投入带来的提高越大。它也不支持「努力万能」:在写明的设定下,潜能是天花板;在挤出的设定下,投入方向错了会适得其反。两种说法都把一个依赖假设的数学结论说成了关于人的事实。
本章小结
把先天先验拆成「潜能」与「兑现」两个变量后,作者的两个直觉可以同时成立:潜能在模型中不可控,兑现可控。持续的投入可以把兑现推向潜能,但不能推过潜能;在乘法结构中,同样的投入还会扩大不同潜能者之间的绝对差距。不同的耦合假设会使同一个输入的效果连方向都不同;能不能到达由耦合的零模式决定,到达的代价与方向由数值决定,这些都需要测量而不是推理。下一章看古人怎样讨论「命」与「为」之间的张力。
Fan, Y. (2026). Power-Law Weighting and Bottom-Up Controllability in Multi-Tier Conditional Excitation Systems: A Mathematical Synthesis of Endogenous Priors, Timing Windows, Network Topology and Reputational Games [多层条件激发系统中的幂律权重与逆向控制可及性] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23810093 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).