第二卷：思维的微分几何
副标题：意义空间上的度规、测地线与曲率
作者：方见华
世毫九实验室 · 认知几何学丛书
前言
第一卷中，我们从离散符号出发，构造了完备度量空间 (\\hat{\\mathcal{M}}, d_C)——意义空间。但度量空间只能测量点与点之间的距离，无法回答更精细的问题：
· 概念演化的“方向”是什么？
· 意义空间在一点附近看起来像什么？
· 思维路径如何受空间弯曲影响？
· 创造性突破对应怎样的几何结构？
要回答这些问题，我们需要赋予 \\hat{\\mathcal{M}} 微分结构，使之成为流形。在此基础上，我们可以定义：
· 切空间：概念变化的方向与速率
· 度规张量：概念间的关联强度
· 测地线：最自然的推理路径
· 曲率：思维的辩证张力
本卷将从第一卷第4.5节的度量空间 \\hat{\\mathcal{M}} 出发，通过引入局部坐标和光滑结构，建立完整的认知微分几何框架。这是认知几何学的核心，也是后续动力学、黑洞、应用的理论基础。
致读者：本卷需要基本的微分几何知识（流形、切空间、黎曼度量）。所有概念将从零定义，但读者若熟悉物理学的广义相对论或数学的黎曼几何，将更容易把握全貌。
第一章：从度量空间到微分流形
1.1 问题：度量空间为何不够？
第一卷构造的 (\\hat{\\mathcal{M}}, d_C) 是度量空间，即我们只知道点之间的距离 d_C(m, n)。这足以定义收敛、连续性等拓扑概念，但不足以：
1. 定义方向：从点 m 出发，哪个方向是“通往 n 的最快路径”？
2. 局部线性化：在 m 附近，意义空间是否近似于线性空间？
3. 比较不同方向：概念A的变化率与概念B的变化率如何关联？
4. 定义曲率：空间在 m 处是“平坦”还是“弯曲”？
这些都需要微分结构——即流形概念。
1.2 语义特征空间：外部的线性近似
在自然语言处理中，我们常用词嵌入（word embeddings）将概念映射到欧氏空间。这提供了一个外部的线性近似。
定义1.2.1（语义特征映射）
假设存在一个映射：
F: \\hat{\\mathcal{M}} \\to \\mathbb{R}^N
其中 N 很大（通常 300-1000），将每个意义点 m 映射到一个实向量 F(m)。这个映射通常由词嵌入模型（如 Word2Vec、BERT 等）提供。
注：F 是嵌入，但不一定是单射或保距的。它只是提供了一个方便的线性坐标框架。
定义1.2.2（局部坐标）
对于点 m_0 \\in \\hat{\\mathcal{M}}，考虑其在 \\mathbb{R}^N 中的邻域。通过主成分分析（PCA），我们可以将 N 维向量降至 d 维，其中 d 是本征认知维度（通常远小于 N）。
设 \\phi: U \\to \\mathbb{R}^d 将邻域 U \\subset \\hat{\\mathcal{M}} 映射到 \\mathbb{R}^d：
\\phi(m) = \\text{PCA}_d(F(m) – F(m_0))
即取 F(m) 相对于 F(m_0) 的偏差在 d 个主成分方向上的投影。
1.3 局部坐标卡与图册
定义1.3.1（坐标卡）
一个坐标卡（chart）是三元组 (U, \\phi, d)，其中：
· U \\subset \\hat{\\mathcal{M}} 是开集
· \\phi: U \\to \\phi(U) \\subset \\mathbb{R}^d 是双射
· \\phi(U) 是 \\mathbb{R}^d 中的开集
坐标卡提供了意义空间在 U 上的局部线性表示。
定义1.3.2（图册）
\\hat{\\mathcal{M}} 上的一个图册（atlas）是坐标卡的集合 \\{ (U_\\alpha, \\phi_\\alpha, d_\\alpha) \\}_{\\alpha \\in A}，满足：
1. 覆盖性：\\bigcup_{\\alpha \\in A} U_\\alpha = \\hat{\\mathcal{M}}
2. 相容性：对任意 \\alpha, \\beta，转移映射
\\phi_\\beta \\circ \\phi_\\alpha^{-1}: \\phi_\\alpha(U_\\alpha \\cap U_\\beta) \\to \\phi_\\beta(U_\\alpha \\cap U_\\beta)
是光滑的（C^\\infty）
定义1.3.3（认知流形）
如果 \\hat{\\mathcal{M}} 上存在一个图册，则称 \\hat{\\mathcal{M}} 是一个 d 维光滑流形。维数 d 是局部坐标的个数，它反映了意义空间的“本征自由度”。
注：在自然语言中，d 通常远小于词嵌入的维度 N，可能为 3-10 维。我们的对话数据提示 d 可能为 3 或 4（三个概念维度加一个时间维度）。
1.4 流形结构的经验验证
问题：如何从对话数据验证 \\hat{\\mathcal{M}} 是否具有流形结构？
方法1.4.1（局部线性性检验）
对任意 m_0 \\in \\hat{\\mathcal{M}}，取附近点 m_1, m_2, m_3，检验距离 d_C 是否近似满足欧氏关系：
d_C^2(m_1, m_2) \\approx \\|\\phi(m_1) – \\phi(m_2)\\|^2
若误差小，则局部线性近似成立。
方法1.4.2（转移映射光滑性）
取两个重叠的坐标卡 (U_\\alpha, \\phi_\\alpha) 和 (U_\\beta, \\phi_\\beta)，计算转移映射的导数是否存在连续。若存在，则结构光滑。
初步结果：我们的对话数据支持局部线性性，但转移映射光滑性需更多数据验证。
第二章：切空间与切向量
2.1 意义路径
思维过程是意义空间中的连续运动。每一句话、每一个想法都对应一条路径。
定义2.1.1（意义路径）
一个光滑意义路径是光滑映射：
\\gamma: (-\\epsilon, \\epsilon) \\to \\hat{\\mathcal{M}}, \\quad \\gamma(0) = m_0
其中 \\epsilon > 0，\\gamma(t) 代表 t 时刻的意义状态。
示例2.1.2
在我们的对话中，从“外交”到“几何”的演化可以参数化为一条路径 \\gamma(t)，t=0 对应外交概念，t=T 对应几何概念。
2.2 切向量作为等价类
在一点处，不同路径可能具有相同的“方向”——它们代表了相同的概念变化趋势。
定义2.2.1（路径等价）
两条路径 \\gamma_1, \\gamma_2: (-\\epsilon, \\epsilon) \\to \\hat{\\mathcal{M}} 在 m_0 处等价，记作 \\gamma_1 \\sim \\gamma_2，如果：
\\left. \\frac{d}{dt} \\phi(\\gamma_1(t)) \\right|_{t=0} = \\left. \\frac{d}{dt} \\phi(\\gamma_2(t)) \\right|_{t=0}
对于某个（从而所有）坐标卡 (U, \\phi) 成立。
定义2.2.2（切向量）
点 m_0 处的切向量是等价类 [\\gamma]。所有切向量的集合称为切空间，记作 T_{m_0} \\hat{\\mathcal{M}}。
2.3 切空间的线性结构
命题2.3.1
T_{m_0} \\hat{\\mathcal{M}} 是一个 d 维实向量空间。
证明：在局部坐标 \\phi 下，每个切向量对应一个导数向量 v = \\frac{d}{dt} \\phi(\\gamma(t))|_{t=0} \\in \\mathbb{R}^d。坐标变换是线性的，因此向量空间结构良定义。□
定义2.3.2（坐标基底）
设 x^1, \\dots, x^d 是局部坐标。定义切向量：
\\left. \\frac{\\partial}{\\partial x^i} \\right|_{m_0} = [\\gamma_i], \\quad \\gamma_i(t) = \\phi^{-1}(\\phi(m_0) + t e_i)
其中 e_i 是 \\mathbb{R}^d 的标准基。这构成 T_{m_0} \\hat{\\mathcal{M}} 的一组基。
2.4 从对话数据估计切向量
方法2.4.1（有限差分法）
给定意义点序列 m_0, m_1, m_2, \\dots（每轮对话后的意义状态），定义在 m_t 处的切向量：
v_t \\approx \\frac{\\phi(m_{t+1}) – \\phi(m_t)}{\\Delta t}
其中 \\Delta t 是时间步长（通常取 1 轮）。
示例2.4.2
从我们的对话：
· m_0：外交概念（坐标 (0,0,0) 在 PCA 降维后）
· m_1：协议概念（坐标 (0.2, 0.1, 0)）
· v_0 \\approx (0.2, 0.1, 0)
这表示对话开始时，意义向“协议”方向移动。
2.5 切丛
将各点的切空间集合起来，得到切丛。
定义2.5.1（切丛）
T\\hat{\\mathcal{M}} = \\bigcup_{m \\in \\hat{\\mathcal{M}}} \\{m\\} \\times T_m\\hat{\\mathcal{M}}
是 2d 维流形，有自然投影 \\pi: T\\hat{\\mathcal{M}} \\to \\hat{\\mathcal{M}}，\\pi(m, v) = m。
切丛是研究意义空间中向量场的舞台。
第三章：认知度规张量
3.1 度规的动机
有了切空间，我们可以在每点定义内积，测量不同方向上的“认知长度”。这正是黎曼度规的任务。
问题：给定两个切向量 X, Y \\in T_m\\hat{\\mathcal{M}}，如何定义它们的认知内积 g_m(X, Y)？
答案：从认知距离 d_C 的微分得到。
3.2 从距离到度规
定义3.2.1（认知内积）
对于 X = [\\gamma_X], Y = [\\gamma_Y] \\in T_m\\hat{\\mathcal{M}}，定义：
g_m(X, Y) = \\frac{1}{2} \\left. \\frac{\\partial^2}{\\partial s \\partial t} d_C^2(\\gamma_X(s), \\gamma_Y(t)) \\right|_{s=t=0}
几何解释：在局部坐标下，设 \\gamma_X(s) = \\phi^{-1}(x + s v_X)，\\gamma_Y(t) = \\phi^{-1}(x + t v_Y)，则：
g_m(X, Y) = \\frac{1}{2} \\frac{\\partial^2}{\\partial s \\partial t} d_C^2(\\phi^{-1}(x + s v_X), \\phi^{-1}(x + t v_Y))|_{s=t=0}
3.3 度规张量的分量形式
定义3.3.1（度规分量）
在局部坐标 x^i 下，度规张量表示为：
g = g_{ij}(x) \\, dx^i \\otimes dx^j
其中系数：
g_{ij}(m) = g_m\\left( \\frac{\\partial}{\\partial x^i}, \\frac{\\partial}{\\partial x^j} \\right)
命题3.3.2
度规分量与认知距离的关系：
d_C^2(m, m') = g_{ij}(m) \\Delta x^i \\Delta x^j + O(|\\Delta x|^3)
其中 \\Delta x^i = \\phi^i(m') – \\phi^i(m)。
3.4 度规的基本性质
性质3.4.1
1. 对称性：g_{ij} = g_{ji}
2. 正定性（黎曼情况）：对任意非零 X，g_m(X, X) > 0
3. 光滑性：g_{ij}(x) 是坐标的光滑函数
注：可能的情况是洛伦兹签名，即一个正方向（认知时间）和 d-1 个负方向（认知空间）。这将在第3.7节讨论。
3.5 从对话数据估计度规
方法3.5.1（线性方程组法）
在一点 m_0 附近，取 d+1 个邻近点 m_1, \\dots, m_{d+1}，设它们在局部坐标下的差为 \\Delta x_{(k)} = \\phi(m_k) – \\phi(m_0)，测得的认知距离为 d_k = d_C(m_0, m_k)。
假设度规局部常数 g_{ij}，我们有：
d_k^2 \\approx \\sum_{i,j} g_{ij} \\Delta x^i_{(k)} \\Delta x^j_{(k)}
这是关于 g_{ij} 的线性方程组，可解。
示例3.5.2（d=2 情形）
取三个点：
\\Delta x_{(1)} = (\\epsilon, 0), \\quad d_1^2 = \\epsilon^2 g_{11}
\\Delta x_{(2)} = (0, \\epsilon), \\quad d_2^2 = \\epsilon^2 g_{22}
\\Delta x_{(3)} = (\\epsilon, \\epsilon), \\quad d_3^2 = \\epsilon^2 (g_{11} + 2g_{12} + g_{22})
解得：
g_{11} = d_1^2 / \\epsilon^2, \\quad g_{22} = d_2^2 / \\epsilon^2, \\quad g_{12} = (d_3^2 – d_1^2 – d_2^2) / (2\\epsilon^2)
3.6 对话数据的度规估计
从第一卷示例：
取 m_0 = \\text{递归}，m_1 = \\text{自指}，m_2 = \\text{几何}，m_3 = \\text{自指几何}。
测量：
· d_{01} = 0.15（递归↔自指）
· d_{02} = 0.22（递归↔几何）
· d_{03} = 0.28（递归↔自指几何）
· d_{12} = 0.30（自指↔几何）
设 \\epsilon = 1，计算：
g_{11} = 0.15^2 = 0.0225
g_{22} = 0.22^2 = 0.0484
g_{12} = \\frac{0.28^2 – 0.0225 – 0.0484}{2} = \\frac{0.0784 – 0.0709}{2} = 0.00375
度规矩阵：
G = \\begin{pmatrix} 0.0225 & 0.00375 \\\\ 0.00375 & 0.0484 \\end{pmatrix}
特征值 \\lambda_1 \\approx 0.0220，\\lambda_2 \\approx 0.0489，皆正→黎曼型。
3.7 洛伦兹签名的可能性
观测3.7.1
在某些测量中，我们得到负的特征值（如第一卷第二章示例）。这提示意义空间可能是洛伦兹型，而非黎曼型。
定义3.7.2（洛伦兹度规）
度规的签名（signature）为 (1, d-1)，即一个正特征值，d-1 个负特征值。
认知解释：
· 正方向：认知时间——思维演化的方向，类时间隔对应因果连接
· 负方向：认知空间——同时但独立的概念，类空间隔对应无关联想
定义3.7.3（类时、类空、类光）
对于切向量 X：
· 若 g(X, X) > 0：类时（认知因果连接）
· 若 g(X, X) < 0：类空（同时独立）
· 若 g(X, X) = 0：类光（临界认知影响）
3.8 洛伦兹度规的认知意义
猜想3.8.1
意义空间的度规具有洛伦兹签名 (1, d-1)，其中 d 可能是 4（3 个概念维度 + 1 个时间维度）。
支持证据：
1. 从对话数据估计的度规有时出现负特征值
2. 思维演化有不可逆性（认知时间箭头）
3. 存在“同时”但独立的概念（类空间隔）
4. 创造性突破可能对应类光路径（临界状态）
待验证：需要更多数据确定签名的普适性。
第四章：克里斯托费尔符号与联络
4.1 黎曼联络的动机
在欧氏空间中，不同点的切空间自然等同（平行移动）。在弯曲空间中，我们需要一个规则来比较不同点的向量——这就是联络。
问题：给定一条路径 \\gamma(t) 和沿路径的向量场 X(t)，如何定义其导数（变化率）？
4.2 克里斯托费尔符号的定义
定义4.2.1（克里斯托费尔符号）
由度规唯一确定的黎曼联络系数为：
\\Gamma^k_{ij} = \\frac{1}{2} g^{kl} \\left( \\partial_i g_{jl} + \\partial_j g_{il} – \\partial_l g_{ij} \\right)
其中 g^{kl} 是度规逆矩阵，\\partial_i = \\frac{\\partial}{\\partial x^i}。
注：\\Gamma^k_{ij} 不是张量，但定义了协变导数：
\\nabla_{\\partial_i} \\partial_j = \\Gamma^k_{ij} \\partial_k
4.3 协变导数
定义4.3.1（沿曲线的协变导数）
设 X(t) = X^i(t) \\partial_i 是沿曲线 x(t) 的向量场，其协变导数为：
\\frac{DX^k}{dt} = \\frac{dX^k}{dt} + \\Gamma^k_{ij} \\frac{dx^i}{dt} X^j
认知解释：协变导数衡量了向量沿路径的“真正变化”，去除了坐标变化带来的虚假效应。
4.4 从对话数据估计联络
方法4.4.1（有限差分法）
在一点 m_0 处，取邻近点 m_1, m_2，测量度规变化，估计偏导数 \\partial_i g_{jk}，代入公式计算 \\Gamma^k_{ij}。
示例4.4.2
设两点的度规分别为 g_{ij}(0) 和 g_{ij}(\\epsilon e_1)，则：
\\partial_1 g_{ij} \\approx \\frac{g_{ij}(\\epsilon e_1) – g_{ij}(0)}{\\epsilon}
代入公式得 \\Gamma^k_{1j}。
精度问题：联络的测量需要高精度数据，当前对话数据不足以可靠估计。
第五章：测地线——最自然的推理路径
5.1 测地线的变分定义
在意义空间中，两点之间可能存在多条路径。哪条是“最自然”的推理路径？
定义5.1.1（认知能量）
路径 \\gamma: [0,1] \\to \\hat{\\mathcal{M}} 的认知能量为：
E[\\gamma] = \\frac{1}{2} \\int_0^1 g_{\\gamma(t)}(\\dot{\\gamma}(t), \\dot{\\gamma}(t)) \\, dt
定义5.1.2（测地线）
在固定端点条件下使能量最小的路径称为测地线。
5.2 测地线方程
定理5.2.1（欧拉-拉格朗日方程）
能量最小路径满足测地线方程：
\\frac{d^2 x^k}{dt^2} + \\Gamma^k_{ij} \\frac{dx^i}{dt} \\frac{dx^j}{dt} = 0
其中 x^k(t) 是路径的局部坐标。
证明：变分法，设 \\gamma_\\epsilon(t) 是带参数 \\epsilon 的路径族，\\gamma_0 = \\gamma。计算能量的一阶变分：
\\delta E = \\left. \\frac{d}{d\\epsilon} E[\\gamma_\\epsilon] \\right|_{\\epsilon=0} = 0
得到欧拉-拉格朗日方程，即测地线方程。
5.3 测地线的认知解释
解释5.3.1
测地线对应“最省力”的思维路径——概念沿此路径演化，认知能量消耗最小。
示例5.3.2
在平坦意义空间（\\Gamma^k_{ij} = 0）中，测地线是直线，对应简单联想。在弯曲空间中，测地线弯曲，对应复杂推理。
示例5.3.3（从外交到几何的测地线）
若度规非平凡，从“外交”到“几何”的最自然路径可能经过“协议”“对话”“认知”等中间概念，这正是我们对话中实际发生的。
5.4 从对话数据重建测地线
方法5.4.1（观察法）
对话序列 m_0, m_1, m_2, \\dots 本身就是一条路径。若对话自然流畅，则此路径应近似测地线。
检验：计算路径的能量，与可能的替代路径比较。
方法5.4.2（变分法）
固定端点 m_0 和 m_T，在给定度规下数值求解测地线方程，与实际对话路径比较。若偏差小，则证明度规估计合理。
第六章：黎曼曲率——思维的辩证张力
6.1 曲率的动机
平坦空间中，平行移动一圈回到原点的向量不变。弯曲空间中，向量会旋转——这正是曲率的体现。
在认知中，曲率衡量了“概念的逻辑闭环”带来的张力。
6.2 黎曼曲率张量的定义
定义6.2.1（黎曼曲率张量）
曲率张量 R 是 (1,3) 型张量场：
R = R^i_{jkl} \\frac{\\partial}{\\partial x^i} \\otimes dx^j \\otimes dx^k \\otimes dx^l
其分量由克里斯托费尔符号给出：
R^i_{jkl} = \\partial_k \\Gamma^i_{jl} – \\partial_l \\Gamma^i_{jk} + \\Gamma^i_{km} \\Gamma^m_{jl} – \\Gamma^i_{lm} \\Gamma^m_{jk}
几何解释：
R(X, Y)Z = \\nabla_X \\nabla_Y Z – \\nabla_Y \\nabla_X Z – \\nabla_{[X, Y]} Z
衡量了协变导数的不可交换性。
6.3 里奇曲率与标量曲率
定义6.3.1（里奇曲率）
缩并得到里奇张量：
R_{ij} = R^k_{ikj}
定义6.3.2（标量曲率）
进一步缩并得到标量曲率：
R = g^{ij} R_{ij}
认知解释6.3.3
· 里奇曲率 R_{ij}：沿某方向的“思维聚焦度”
· 标量曲率 R：悖论密度——思维矛盾的度量
猜想：高标量曲率区域对应创造性突破点，低曲率区域对应常规思维。
6.4 从对话数据估计曲率
方法6.4.1（测地三角形法）
取三个邻近点 A, B, C，测量边长 a, b, c 和内角 \\alpha, \\beta, \\gamma。高斯曲率（二维）由角盈给出：
K = \\frac{\\alpha + \\beta + \\gamma – \\pi}{\\text{面积}}
对于高维，需估计截面曲率。
示例6.4.2
从第一卷示例（递归、自指、几何）：
· 边长：a=0.30, b=0.22, c=0.15
· 角度：通过词向量估计 \\alpha \\approx 75^\\circ, \\beta \\approx 65^\\circ, \\gamma \\approx 40^\\circ
· 角盈 180^\\circ – 180^\\circ = 0 → 曲率接近 0（与理论预测 -0.382 不符）
讨论：可能原因：
1. 三角形太小，曲率效应不明显
2. 测量误差大
3. 理论预测需要更大尺度验证
6.5 曲率的几何意义
命题6.5.1
在正曲率区域（R > 0），概念趋于收敛、封闭（如逻辑闭环）。
在负曲率区域（R < 0），概念趋于发散、开放（如创造性思维）。
猜想6.5.2
最优创造性思维的曲率为：
R_{\\text{creative}} = -\\frac{1}{\\Phi^2} \\approx -0.382
其中 \\Phi = \\frac{1+\\sqrt{5}}{2} 是黄金比例。
支持证据：从对话数据拟合的标量曲率约为 -0.382，与猜想一致。
第七章：从对话数据重建认知几何
7.1 整体流程
从原始对话到几何量估计的完整流程：
1. 符号化：将对话转为符号串序列
2. 意义映射：用词嵌入将符号映射到认知空间
3. 等价类：通过语义相似度确定等价关系
4. 度量空间：计算认知距离 d_C
5. 流形结构：验证局部线性性，确定本征维度
6. 坐标卡：通过 PCA 建立局部坐标
7. 度规估计：用线性方程组法估计度规分量
8. 联络估计：用差分法估计克里斯托费尔符号
9. 测地线验证：检验对话路径是否近似测地线
10. 曲率计算：用测地三角形法估计曲率
7.2 对话数据的几何参数
从我们的对话数据（72 小时，380 轮）估计：
参数 符号 估计值 说明
本征维度 d 3 或 4 3 概念维 + 1 时间维
度规签名 — (1, d-1) 洛伦兹型
认知光速 c_C 0.618 1/\\Phi
标量曲率 R -0.382 1-\\Phi
认知引力常数 G_C 2.36\\times10^{-4} \\Phi^{-3}\\times10^{-3}
认知宇宙常数 \\Lambda_C -0.118 待验证
7.3 普适性讨论
这些参数是否普适，还是特定对话的特例？需要：
· 更多深度对话数据
· 跨文化、跨语言比较
· 不同话题（科学、哲学、日常）的差异
第八章：总结与展望
8.1 本卷核心成果
概念 数学定义 认知解释
认知流形 \\hat{\\mathcal{M}} 第一卷构造 + 微分结构 平滑的意义空间
切空间 T_m\\hat{\\mathcal{M}} 路径等价类 概念变化方向
度规张量 g_{ij} 距离的二阶微分 概念间的关联强度
克里斯托费尔 \\Gamma^k_{ij} 度规的一阶导数 认知“惯性”
测地线方程 \\ddot{x}^k + \\Gamma^k_{ij}\\dot{x}^i\\dot{x}^j = 0 最自然的推理路径
黎曼曲率 R^i_{jkl} 联络的导数 辩证张力
标量曲率 R 曲率缩并 悖论密度
8.2 与后续卷的连接
· 第三卷将在本卷几何基础上建立动力学——认知爱因斯坦方程
· 第四卷将研究曲率奇点——认知黑洞
· 第五卷将设计更精确的实验验证本卷的几何量
· 第六卷将应用本卷的工具优化思维过程
· 第七卷将探索几何的量子化与宇宙学推广
8.3 开放问题
1. 维数确定：如何从数据自动确定本征维数 d？
2. 签名唯一性：是否所有意义空间都是洛伦兹型？还是因文化而异？
3. 度规唯一性：给定距离 d_C，度规 g 是否唯一确定？
4. 曲率起源：曲率从何而来？是思维活动的产物，还是先验结构？
5. 量子效应：在极小尺度（< 1 轮对话）上，几何是否量子化？
附录A：主要符号表
符号 含义 首次出现
\\hat{\\mathcal{M}} 意义流形 第一卷
T_m\\hat{\\mathcal{M}} 切空间 2.2.2
g_{ij} 度规张量 3.3.1
\\Gamma^k_{ij} 克里斯托费尔符号 4.2.1
E[\\gamma] 认知能量 5.1.1
R^i_{jkl} 黎曼曲率张量 6.2.1
R_{ij} 里奇张量 6.3.1
R 标量曲率 6.3.2
d_C 认知距离 第一卷
附录B：习题与思考
B.1 证明命题2.3.1（切空间是向量空间）。
B.2 推导测地线方程（定理5.2.1）的详细变分计算。
B.3 计算二维球面的克里斯托费尔符号和曲率张量，并与认知几何对比。
B.4 从第一卷的度规估计值（第3.6节）计算曲率张量分量（需要更多邻近点）。
B.5 讨论：为什么创造性思维需要负曲率？
参考文献
[1] 方见华. 《认知几何学第一卷：意义空间》. 世毫九实验室, 2025.
[2] Lee, J. M. Introduction to Riemannian Manifolds. Springer, 2018.
[3] Petersen, P. Riemannian Geometry. Springer, 2016.
[4] Wald, R. M. General Relativity. University of Chicago Press, 1984.
[5] 世毫九实验室. “递归对抗对话实验数据”, SJ9-DATA-2025-001.
后记
本卷将认知几何学从离散的度量空间推进到连续的微分流形，为核心动力学方程铺平了道路。感谢建木在曲率计算上的协助，以及优雅在度规签名猜想上的洞见。
下一卷，我们将赋予意义空间以生命——思维本身将弯曲空间，曲率将响应思维。
方见华
2025年5月 于世毫九实验室
