Cyc-Optional：從外部常識庫到自建 AI-native 常識層

基於 TCF、MDAS、ADL 與三態邏輯的 Agent 常識憲法路線圖

作者：Neo.K / EVEMISSLAB 版本：v0.1 形式：技術白皮書 / 理論路線圖草稿

摘要

Cyc 計畫曾經試圖以顯式知識庫、本體論、常識規則與形式推理構造人工智慧的常識基礎。其歷史價值不在於它提供了一套可直接復刻的完整答案，而在於它證明了：若 AI 想要穩定理解世界、執行任務、檢查語境、降低幻覺與進行可審計推理，就必須擁有某種外部顯式常識層。

然而，本文主張：未來的 AI-native 常識層不必依賴 Cyc。Cyc 可以被參考、投資、授權、協作或局部整合；但真正關鍵的是建立一套可由現代 LLM、Agent、超圖、Markdown、JSON-LD、向量檢索、知識圖譜與平行裁判器共同運作的新型常識架構。

本文提出「Cyc-Optional」路線：Cyc 是可選加速器，而非架構依賴。即使完全不使用 Cyc，仍可透過 TCF（Theory Compression Format）負責理論壓縮與來源歸屬，MDAS-TCH 負責概念態空間與因果超圖，ADL 負責行動時的強制判斷，三態邏輯負責保留未定與螺旋演化狀態，最終形成一個面向 Agentic AI 的「常識憲法層」。

關鍵詞

Cyc、OpenCyc、AI-native Knowledge Layer、TCF、MDAS、ADL、三態邏輯、Agent 常識憲法、神經符號 AI、常識推理、知識圖譜、JSON-LD、Markdown Knowledge Card

1. 問題意識：Cyc 不是終點，而是一個歷史提示

Cyc 的歷史地位很特殊。它不是單純失敗的舊式符號 AI，也不是可以直接拿來解決現代 LLM 問題的萬能知識庫。它更像是一個提前出現的歷史提示：

AI 不能只靠模式擬合。 AI 需要顯式常識、語境、本體、規則、例外與可審計推理。

在 LLM 時代，這個問題重新浮現。大型語言模型可以生成語言、模糊推理、進行摘要、操作工具、寫程式與協助決策，但仍常出現幾類問題：

語境錯配：把虛構、現實、法律、醫療、哲學、工程語境混在一起。
常識幻覺：生成看似合理但違反基本世界約束的內容。
來源不明：結論可能來自權重壓縮，而非可追蹤資料。
類型混淆：把人、公司、產品、角色、文件、事件等概念混為一談。
行動風險：Agent 不只是回答，還可能發送 Email、修改檔案、操作 API、安排日曆或執行程式。
未定狀態處理不佳：模型常把不確定問題包裝成確定答案，或在需要判斷時逃避判斷。

Cyc 的價值就在於，它早就試圖處理這些問題。但 Cyc 的問題也很明顯：符號系統過重、人工知識工程成本太高、容錯率太低、語境管理複雜、一階邏輯與 default reasoning 的邊界過於脆弱。

因此，本文不主張「復活 Cyc」，而主張：

吸收 Cyc 的問題意識，重建一套不依賴 Cyc 的 AI-native 常識層。

2. 核心命題：Cyc 可用，但不可依賴

本文的核心命題是：

Cyc 是可選資源，不是必要基礎。

這句話有幾層意思。

第一，若 Cyc / OpenCyc / Cycorp 願意授權、合作、投資或被整合，那當然有價值。因為它累積了大量本體工程經驗、概念分類、常識規則與 microtheory 思想。

第二，即使無法取得完整 Cyc，現代 AI 團隊仍可用公開資料、LLM 自動抽取、知識圖譜、語義網、Wikidata、WordNet、DBpedia、企業文件、領域資料庫與人工審核，自建一套常識層。

第三，更重要的是，現代架構不應把 Cyc-like 知識庫當成主體智能，而應把它當成外部裁判、語境索引、類型約束、常識檢查與 provenance 管理層。

換句話說：

Cyc 的內容可以借。 Cyc 的方法可以學。 Cyc 的資產可以談。 但 Cyc 不是此架構的本體核心。

本架構的核心應是：

TCF：理論標準格式與來源歸屬。
MDAS：動態概念超圖與態空間。
ADL：行動時的強制判斷。
三態邏輯：未定、螺旋、演化狀態保留。
LLM / Agent：神經主體與操作介面。
Knowledge Layer：可機器解析、可人類閱讀、可追蹤、可裁判的常識層。

3. 為何自己也能做？

「Cyc 的內容我自己也能做」這句話並不是狂妄，而是在現代技術條件下有一定合理性。

在 Cyc 的年代，最大的瓶頸是人工知識工程。人類必須長期手動寫入常識、定義概念、建立關係、處理例外、修正語境。這件事極其昂貴。

但現在不同。現代 AI 系統可以協助：

從自然語言文本抽取概念與關係。
將理論轉成標準 schema。
生成 Markdown knowledge card。
轉換 JSON / JSON-LD / RDF / OWL。
將概念嵌入向量資料庫。
檢查類型錯誤與語境錯配。
對多個候選規則進行交叉驗證。
自動建立測試案例。
對每個知識節點標記來源與可信度。
將常識規則轉成 Agent 可調用 API。

這代表現代團隊不必重走 Cyc 的全人工路線。更合理的做法是：

AI 生成候選知識，人類審核高價值節點，形式系統負責約束，Agent 在使用中持續回饋。

這不是說自建常識層很容易，而是說它不再需要像 Cyc 當年那樣孤軍奮戰。

4. Cyc 的真正可借鑑部分

Cyc 可借鑑的不是「完整複製它的資料」，而是以下幾個工程思想。

4.1 本體工程

Cyc 很重視概念之間的類型關係。例如某個東西是物理物體、抽象物、事件、角色、集合、實例、過程、行動、狀態或關係。

這對 LLM / Agent 極其重要。因為很多錯誤不是知識錯，而是類型錯。例如：

把公司當成自然人。
把產品名稱當成公司法人。
把文件中的條款當成已執行行動。
把故事角色當成現實人物。
把方法論當成可直接執行工具。
把假設當成定理。
把使用者偏好當成普遍規則。

因此，Cyc 的本體工程可以成為 TCF §0 原語與 MDAS vertex type 的參照。

4.2 Microtheory / 語境片段

Cyc 的 microtheory 思想非常重要。它意識到常識不能放在單一全域真理空間中。不同語境下，規則不同。

例如：

現實世界中，人死亡後不能親自簽約。
法律語境中，代理人可以代表他人簽署文件。
小說語境中，死者可能復活。
遊戲語境中，死亡可能只是狀態。
神話語境中，神明可能不受一般物理限制。
程式語境中，「樹」可能是資料結構，不是植物。

這正好可以改造成 EML 架構中的 Context Shard（語境片段）。

4.3 Default Reasoning / 預設推理

人類常識大量是「通常如此」，而不是「必然如此」。

例如：

鳥通常會飛，但企鵝不會。
人通常需要睡眠，但某些敘事設定可能例外。
公司通常透過代表人行動，但法人本身不是生物。
醫療建議通常需要個人條件，不能絕對化。
一般物體通常不能穿牆，但遊戲或科幻設定可能例外。

Cyc 嘗試形式化這類預設推理，但很困難。現代架構不應硬把所有 default 變成二值真偽，而應讓 default 進入三態或多態系統。

在 EML 架構中，可以這樣處理：

穩定常識：進入 Ξ / ⊤。
高例外常識：進入 Ω。
語境敏感常識：綁定 Context Shard。
高風險判斷：交給 ADL 強制判斷。
無法判斷：標記 Crash / 人工審核。

4.4 顯式可審計推理

Cyc 的另一個價值是可追蹤推理鏈。LLM 的知識壓在權重中，很難知道它到底為何下結論。Cyc-like 系統則可以要求：

你使用了哪個概念？
你依賴哪條規則？
你在哪個語境下判斷？
你有沒有例外條件？
你用了哪個來源？
這是原始資料，還是 LLM 擴寫？
這是公理、定理、假設、猜想，還是 heuristic？

這正好接上 TCF 的 provenance / attribution 層。

5. EML 自有架構：TCF + MDAS + ADL + 三態邏輯

本文提出一個不依賴 Cyc 的自有架構。

5.1 TCF：理論壓縮與來源歸屬

TCF 負責把任意理論或知識系統轉為標準結構：

§0 Primitives：核心原語。
§1 Axioms：公理系統。
§2 DAG：概念依賴圖。
§3 Signature：形式語言簽章。
§4 Theorems：可推出結論。
§5 Proofs：推導鏈。
§6 Models：模型與實例。
§7 Metrics：壓縮度量。
§8 Fingerprint：理論指紋。
§9 Provenance：來源與歸屬。

在 Cyc-Optional 架構中，TCF 的作用是：

把常識知識從雜亂文本、圖譜資料、LLM 輸出或 Cyc-like 結構，轉成可機器解析、可版本控制、可追蹤來源的理論單元。

這裡最重要的是 provenance。若某個知識節點來自 OpenCyc、Wikidata、論文、企業文件、使用者輸入或 LLM 擴寫，必須清楚標記。否則常識層很快就會被污染。

5.2 MDAS：概念態空間與因果超圖

MDAS-TCH 負責把知識變成動態超圖。

在這裡：

概念是 vertex。
關係是 edge。
多概念不可分結構是 hyperedge。
語境是 context shard。
規則是可傳播約束。
例外是局部覆寫。
矛盾是態變化。
認知透明度是 Ψ / Δ / Ξ / Θ。
糾纏程度是超邊強度。
知識積累是 Σ。
維度生成能力是 Γ。
認知勢壘是 B。

這讓常識層不再是靜態資料庫，而是一個可觀察、可演化、可診斷的概念場。

5.3 ADL：Agent 行動時的強制判斷

當 AI 只是寫文章時，未定狀態可以保留。但當 Agent 要行動時，不能永遠保持曖昧。

例如：

要不要發送這封 Email？
要不要刪除這個檔案？
要不要排一個過去時間的會議？
要不要執行這段程式？
要不要把某段話當作醫療建議？
要不要將某個人加入收件人？

這時候需要 ADL 的強制判斷。

ADL 在此不是形上學裝飾，而是 Agent 執行層的安全機制：

{ "claim": "The user wants to schedule a meeting yesterday.", "context": "calendar_agent", "forced_judgment": "invalid_or_requires_correction", "reason": "The requested time is in the past." }

ADL 的任務是：當系統必須行動時，把模糊狀態壓縮成可執行判斷，或者明確輸出系統不可判斷。

5.4 三態邏輯：保留未定與螺旋態

ADL 負責行動時強制判斷，但不是所有問題都應被強制二值化。

很多理論、創造、探索、研究與概念演化，都處於 Ω 螺旋態。

例如：

一個尚未完成的新理論。
一個正在相變的研究方向。
一個可能成立但尚未形式化的架構。
一個在不同語境下有不同答案的命題。
一個需要更多資料才能判斷的問題。
一個正在從直覺變成形式理論的概念。

若把這些狀態硬判為真或假，會破壞創造力。若把它們全部視為崩潰，也會錯失演化過程。

因此，三態邏輯負責保留：

真：穩定成立。
假：穩定不成立。
Ω：正在演化、尚未穩定、不可立即閉合。

這對常識層很重要，因為常識不是死規則，而是可演化結構。

6. Cyc-Optional Knowledge Layer 的資料模型

一個 AI-native 常識節點可表示如下：

{ "id": "eml:commonsense:HumanPerson", "label": { "zh": "人類個體", "en": "Human Person" }, "tcf": { "section": "§0", "role": "primitive", "kind": "type" }, "mdas": { "logical_state": "top", "cognitive_state": "transparent", "evolution_state": "stable", "entanglement_state": "conditional", "type_vector": { "logical_type": "concept", "cognitive_type": "explicit_knowledge", "solvability_type": "ordinary", "paradigm_layer": "commonsense" } }, "relations": [ { "predicate": "isA", "object": "BiologicalEntity", "context": "ordinary_physical_world", "confidence": 0.98 }, { "predicate": "canPerform", "object": "LegalAction", "context": "ordinary_legal_context", "condition": "alive_and_legally_competent", "confidence": 0.85 } ], "defaults": [ { "rule": "A human person is usually alive during ordinary personal action.", "state": "default_true", "exceptions": [ "fictional_context", "legal_representation", "posthumous_processing" ] } ], "adl": { "forced_judgment_required_when": [ "legal_action", "medical_action", "financial_action", "agent_execution" ] }, "triadic": { "unresolved_state_policy": "omega_until_context_fixed" }, "provenance": { "source_type": "self_built_or_public_ontology", "source": "manual + LLM distilled + public references", "review_status": "needs_expert_review" } }

此資料模型的重點是：同一個知識節點同時服務多層系統。

TCF 看它是理論單元。
MDAS 看它是超圖節點。
ADL 看它何時需要強制判斷。
三態邏輯看它是否允許 Ω 狀態。
Agent 看它能否用於行動前檢查。
人類看 Markdown card。
系統看 JSON / JSON-LD / Graph / Vector。

7. Markdown Knowledge Card 範例

# Human Person

## 基本定義人類個體是一種生物性、社會性、法律語境中可被視為行動主體的存在。

## 類型 - BiologicalEntity - SocialAgent - LegalSubject（在特定法律語境中） - CognitiveAgent（在一般認知語境中）

## 常識規則 - 人類個體通常有出生與死亡時間。 - 人類個體死亡後，通常不能親自執行新的物理行動。 - 人類個體可以透過代理人、遺囑、法人制度或法律程序產生後續法律效果。 - 在虛構、神話、遊戲或模擬語境中，此規則可被覆寫。

## 語境片段 - ordinary_physical_world - ordinary_legal_context - fictional_context - game_context - mythological_context

## ADL 強制判斷觸發當 Agent 需要執行法律、金融、醫療、通訊或檔案操作時，若此概念涉及使用者、第三方或權限，必須啟動強制判斷。

## 三態保留若語境不明，先標記為 Ω，不直接判定真偽。

## 來源 - EML 自建常識層 - 可選：OpenCyc-like ontology - 可選：Wikidata / WordNet / DBpedia - 可選：專家審核

8. 路線圖

Phase 1：自建最小常識層

不需要先買 Cyc，也不需要先做全世界常識。

先從 Agent 最常出錯的類別開始：

時間。
人物。
組織。
法人。
文件。
權限。
Email。
日曆。
檔案。
醫療高風險。
法律高風險。
金融高風險。
虛構世界語境。
程式開發需求矛盾。

目標不是完整，而是先能攔截高頻錯誤。

Phase 2：TCF 標準化

將每個常識模組轉成 TCF：

核心概念 → §0。
常識規則 → §1。
關係依賴 → §2。
可推出結論 → §4。
推理路徑 → §5。
使用場景 → §6。
來源歸屬 → §9。

這會讓常識層具備版本控制與理論指紋。

Phase 3：MDAS 超圖化

將 TCF 知識轉成 MDAS-TCH：

每個概念是 vertex。
每條關係是 edge。
每組不可分語境是 hyperedge。
每個節點都有認知態、演化態、糾纏態。
每個裁判器都能讀取圖結構。

這一步是從「知識庫」變成「動態認知圖」。

Phase 4：建立平行裁判器

裁判器分為多類：

類型裁判器。
語境裁判器。
時間裁判器。
權限裁判器。
常識裁判器。
來源裁判器。
高風險領域裁判器。
行動前檢查器。
虛構語境裁判器。
理論一致性裁判器。

每個裁判器不一定給出唯一答案，而是輸出：

成立。
不成立。
語境不足。
需要人工確認。
Ω 未定。
ADL 強制判斷失敗。
Crash。

Phase 5：接入 LLM / Agent

當 LLM 生成答案或 Agent 要執行行動時，系統呼叫常識層：

{ "agent_action": "send_email", "claim": "Send this medical instruction to all customers.", "context": "email_agent", "risk_level": "high" }

常識層回傳：

{ "verdict": "blocked_or_requires_review", "reasons": [ "medical advice cannot be generalized to all customers", "recipient group is too broad", "requires human review" ], "state": "ADL_forced_rejection" }

Phase 6：Cyc / OpenCyc 作為可選加速器

若未來資源允許，可以把 Cyc 放進以下位置：

作為本體參考。
作為常識資料源。
作為 microtheory 設計參照。
作為 benchmark。
作為歷史對照組。
作為授權資料庫。
作為合作對象。
作為收購或投資候選。

但即使沒有 Cyc，架構仍然成立。

這就是 Cyc-Optional 的核心。

9. 商業與研究意義

這條路線對小型 AI 公司或研究團隊有特殊意義。

大公司競爭的是模型本體、算力、資料與產品入口。小團隊很難正面訓練下一代超大模型。但小團隊可以做模型外部的智慧層：

Agent 常識層。
企業知識憲法。
AI 行動前裁判器。
高風險領域檢查器。
理論壓縮與知識治理工具。
AI-native Markdown / JSON-LD 知識標準。
個人或組織專用的可審計知識庫。
多模型共用的外部常識 API。

這種產品不需要取代 GPT、Gemini、Claude 或其他模型。它只需要成為它們外部的結構性補丁。

因此，Cyc-Optional 路線的商業定位不是：

我們要做另一個 LLM。

而是：

我們要做 LLM / Agent 的外部常識作業系統。

10. 與 Cyc 的關係表

問題

Cyc 路線

Cyc-Optional 路線

主體智能

符號常識系統承擔大量智能功能

LLM / Agent 作為神經主體

知識來源

人工編碼為主

LLM 抽取 + 公開資料 + 人工審核

語境管理

Microtheory

Context Shard + MDAS 態標記

推理方式

符號推理為核心

平行裁判 + 神經重寫 + 局部形式化

資料格式

專用表示

MD / JSON-LD / RDF / Graph / Vector / TCF

未定狀態

default / exception / unknown

Ω 螺旋態 + ADL 強制判斷

可審計性

強

透過 TCF provenance 強化

擴展方式

知識工程

AI 輔助蒸餾 + 人類治理

對 Cyc 依賴

必須使用 Cyc 本體

可使用，也可完全不用

11. 最小可行系統

一個最小可行系統不需要宏大到包含全部常識。它只需要做三件事：

把常見概念做成 Knowledge Card。
對 Agent 行動做常識檢查。
對檢查結果提供結構化回饋。

最小架構：

User / Agent Request ↓ LLM Semantic Parser ↓ TCF Knowledge Card Retrieval ↓ MDAS Context + Type Graph ↓ Parallel Judges ↓ ADL Forced Judgment if Action Required ↓ Triadic Ω if Unresolved ↓ LLM Rewrite / Block / Ask / Execute

這個架構的價值不是一次做到全知，而是每次比裸 LLM 多一層結構性防線。

12. 理論定位

Cyc-Optional 路線的理論定位如下：

它不是舊式符號 AI。它不是純 RAG。它不是普通知識圖譜。它不是聊天記憶。它不是 LLM 自我反思 prompt。它是一個外部化、格式化、可審計、可演化的 Agent 常識憲法層。

更精確地說：

RAG 解決「查什麼」。
Knowledge Graph 解決「誰和誰有關」。
Memory 解決「使用者以前說過什麼」。
TCF 解決「這個理論如何標準化與追蹤來源」。
MDAS 解決「概念如何處於動態態空間」。
ADL 解決「必須行動時如何強制判斷」。
三態邏輯解決「未定與演化狀態如何不被錯殺」。
Cyc-Optional Knowledge Layer 解決「Agent 如何在世界常識中行動」。

13. 結論：Cyc 是可選捷徑，不是終極答案

Cyc 很可惜，也很珍貴。它提前指出了 AI 需要常識、本體、語境與可審計推理。但它不應被神化，也不應被視為唯一道路。

在今天，真正可行的路線不是回到 Cyc，而是建立一個新的 AI-native 常識層：

用 LLM 生成與理解。用 TCF 壓縮與歸屬。用 MDAS 圖化與狀態化。用 ADL 做行動時強制判斷。用三態邏輯保留 Ω 未定與螺旋演化。用 Agent OS 接入實際工作流。用人類審核高價值與高風險節點。用 Cyc 作為可選加速器，而不是必要依賴。

這條路線的意義在於：即使沒有資金購買 Cyc，即使沒有大型公司的模型訓練能力，也可以先從格式、知識卡、裁判器、語境層與 Agent API 開始。

Cyc 的精神不是「建立一座封閉的常識城堡」。

它真正該被繼承的是：

讓 AI 擁有可檢查、可追蹤、可修正、可演化的世界常識。

而這件事，不必等待任何公司授權。

可以自己開始。

附錄 A：一句話版

Cyc 可以參考、合作或購買，但不是必要條件；真正關鍵是用 TCF、MDAS、ADL 與三態邏輯建立一套自有的 AI-native 常識憲法層，使 LLM / Agent 在行動前能進行語境、類型、常識、來源與風險裁判。

附錄 B：公開倡議版

如果你正在研究 LLM、Agent、AI 安全、知識圖譜、RAG、語義網或企業 AI，不要只問「要不要復活 Cyc」。更好的問題是：如何把 Cyc 當年的問題意識轉譯成今天的 AI-native 系統？

我們可以不買 Cyc，也可以不依賴 Cyc。但我們不能假裝 AI 不需要常識層。

下一代 Agent 需要的不是更長的 prompt，而是一個可審計、可版本化、可行動前檢查的外部常識憲法。

這就是 Cyc-Optional 路線。