多向矩陣表徵：從顯示方向到 AI 計算語義的資料格式重構

Multidirectional Matrix Representation: Reconstructing Data Formats from Display Orientation to AI Computational Semantics

版本： v0.1
作者： Neo.K、Aletheia（GPT）
日期： 2026-07-21
文件類型： 命題論文／理論原型

摘要

現代電腦系統雖然可以處理二維矩陣、高維張量、圖結構與多模態資料，但其主要顯示形式、文件格式與人機互動介面，仍然高度依賴線性閱讀。文字通常由左至右或由右至左排列，表格通常由上至下展開，程式碼、網頁、日誌與模型輸入，也多半被轉換為一維序列後再處理。這種安排長期被視為自然且中性的技術選擇，但它實際上可能只是受到紙張、打字機、螢幕比例、檔案序列化與早期計算架構限制所形成的歷史慣性。

本文提出「多向矩陣表徵」（Multidirectional Matrix Representation，MMR）作為一種概念性框架。其核心命題是：方向不應只被視為視覺排版屬性，而應被提升為資料格式、計算過程與語義結構的一部分。相同資料矩陣可依左至右、右至左、上至下、下至上、中心向外、外圍向內、螺旋、對角線或動態注意力路徑進行遍歷；不同遍歷方向可承載時間、因果、分類、層級、回溯、預測與交叉驗證等不同意義。

本文進一步主張，未來的 AI 系統可不必將所有資料壓平成固定序列，而可直接在具有方向語義的矩陣或高維資料場中學習。這將使顯示方式、資料格式、模型輸入與計算路徑逐漸整合，形成一種兼具人類可視化、機器可讀取與 AI 可學習能力的新型資訊介面。

關鍵詞： 多向矩陣表徵、方向語義、AI 資料格式、矩陣介面、動態遍歷、試算表、鋼琴卷軸、空間計算

一、問題的起點：線性並不是資訊的自然形態

現代數位文件通常被理解為一連串可以依序讀取的符號：

x_1 \rightarrow x_2 \rightarrow x_3 \rightarrow \cdots \rightarrow x_n

無論是文字、程式碼、網頁內容、命令列紀錄，甚至許多語言模型的輸入，最終都被轉換為某種一維 token 序列。這種方式在工程上極為成功，因為它方便儲存、傳輸、索引與增量處理。

然而，資訊本身不一定是一維的。

一個表格本來具有行列結構，一張圖像具有高度、寬度與色彩通道，一段音樂可能同時包含時間、音高、節奏與力度，一個知識系統則可能包含節點、關係、時間與來源。更一般地說，許多資料可表達為矩陣：

X\in\mathbb{R}^{H\times W}

或高維張量：

X\in\mathbb{R}^{D_1\times D_2\times\cdots\times D_k}

因此，一維序列通常不是資料的原始存在形式，而是某種序列化結果：

s=\pi(X)

其中， $\pi$ 是將矩陣或張量展開為序列的遍歷函數。

本文的第一個核心命題是：

線性不是資訊的必然形態，而只是矩陣或高維結構的一種閱讀方法。

只要承認這一點，顯示方向、排列方式與讀取路徑就不再只是介面設計問題，而開始成為資料結構與計算模型本身的問題。

二、從橫式與直式到方向性資料結構

人類長期使用橫式與直式書寫。不同語言與文化可能採取：

左至右；
右至左；
上至下；
下至上；
直排後由右至左換欄；
直排後由左至右換欄。

在傳統排版中，這些方向常被視為同一內容的不同視覺呈現。然而，若資料本身存在於矩陣中，那麼不同方向實際上對應不同的索引順序。

設矩陣為：

X= \begin{bmatrix} x_{1,1} & x_{1,2} & \cdots & x_{1,W}\\ x_{2,1} & x_{2,2} & \cdots & x_{2,W}\\ \vdots & \vdots & \ddots & \vdots\\ x_{H,1} & x_{H,2} & \cdots & x_{H,W} \end{bmatrix}

則至少存在四種基本遍歷：

\Pi_4= \{ \pi_{\rightarrow}, \pi_{\leftarrow}, \pi_{\downarrow}, \pi_{\uparrow} \}

其中：

\pi_{\rightarrow}

表示由左至右、逐列讀取；

\pi_{\leftarrow}

表示由右至左、逐列讀取；

\pi_{\downarrow}

表示由上至下、逐欄讀取；

\pi_{\uparrow}

表示由下至上、逐欄讀取。

若只把它們視為不同的序列化方式，那麼其差異似乎只是技術性的。但如果每條軸與方向具有不同語義，情況就會改變。

例如：

\text{水平軸}=\text{時間}

\text{垂直軸}=\text{狀態層級}

此時由左至右可能表示時間推進，由右至左則可表示歷史回溯；由上至下可能表示由抽象到具體，由下至上則可能表示由觀測結果回推理論結構。

因此：

\text{方向差異} \neq \text{純排版差異}

更可能是：

\text{方向差異} = \text{索引差異} + \text{因果差異} + \text{時間差異} + \text{認知差異}

三、鋼琴卷軸作為多向矩陣介面的原型

鋼琴與數位音樂工作站中的 piano roll，是理解此構想的重要類比。

在典型鋼琴卷軸中：

\text{水平軸}=\text{時間}

\text{垂直軸}=\text{音高}

而矩陣中的每個格點，代表某個音高是否在某個時間區間中啟動。其資料結構可寫為：

M_{p,t}\in\{0,1\}

其中 $p$ 是音高， $t$ 是時間。

若再加入力度、音色與持續時間，則可擴張為：

M_{p,t,c}

其中 $c$ 可代表力度、樂器、聲道或其他特徵。

這種介面之所以重要，是因為它不要求使用者把音樂理解成純粹的一維符號序列。使用者可以同時看見：

時間推進；
多個音符的同步發生；
和弦結構；
重複模式；
高低音層級；
局部密度；
整體節奏。

因此，piano roll 不是單純把資料畫成表格，而是將多個結構維度同時暴露於視覺空間中。

AI 的學習過程也常以類似方式被視覺化：節點逐步亮起、權重在層間流動、注意力在矩陣中形成局部區域、某些特徵沿時間或層級展開。這些圖像與動畫雖然常被當作解釋工具，但其背後反映了一個更根本的事實：

許多 AI 計算本來就不是單純的一維閱讀，而是高維狀態在結構空間中的動態轉換。

因此，若顯示介面能夠直接對應模型的資料結構與計算路徑，則顯示不再只是「結果展示」，而可能成為可計算介面本身。

四、多向矩陣表徵的基本定義

本文將多向矩陣表徵定義為：

\mathcal{M} = (X,\mathcal{A},O,\Pi,\mathcal{N},\Sigma,\Tau)

其中：

$X$ ：資料矩陣或高維張量；
$\mathcal{A}$ ：軸集合；
$O$ ：原點或起始位置；
$\Pi$ ：允許的遍歷路徑集合；
$\mathcal{N}$ ：鄰接關係；
$\Sigma$ ：方向與位置的語義標記；
$\Tau$ ：時間或狀態轉移規則。

4.1 軸集合

設：

\mathcal{A} = \{a_1,a_2,\ldots,a_k\}

每一條軸不只擁有長度，也擁有語義。例如：

a_1=\text{時間}

a_2=\text{抽象層級}

a_3=\text{實體類型}

a_4=\text{來源可信度}

傳統表格通常只保留列名與欄名，但多向矩陣表徵要求每條軸的方向、尺度與轉換方式都被明確定義。

4.2 原點

原點不必固定為左上角。它可以是：

O\in \{ \text{左上}, \text{右上}, \text{左下}, \text{右下}, \text{中心}, \text{動態位置} \}

不同原點將導致不同遍歷與視覺理解。例如，中心原點適合表示由核心概念向外擴張的知識系統；右下原點則可能適合由最終狀態逆向追蹤歷史原因。

4.3 遍歷路徑

基本路徑可包含：

\Pi_{\text{basic}} = \{ \rightarrow,\leftarrow,\downarrow,\uparrow \}

進階路徑可加入：

\Pi_{\text{advanced}} = \{ \nearrow,\nwarrow,\searrow,\swarrow, \text{spiral}, \text{radial}, \text{wave}, \text{tree}, \text{adaptive} \}

因此完整路徑集合為：

\Pi = \Pi_{\text{basic}} \cup \Pi_{\text{advanced}}

4.4 鄰接關係

對矩陣中的位置 $(i,j)$ ，其基本鄰域可寫為：

\mathcal{N}_{i,j} = \{ (i-1,j), (i+1,j), (i,j-1), (i,j+1) \}

若加入對角線，則有：

\mathcal{N}_{i,j}^{8} = \mathcal{N}_{i,j} \cup \{ (i-1,j-1), (i-1,j+1), (i+1,j-1), (i+1,j+1) \}

更進一步，鄰接不一定依賴幾何距離，也可由語義或注意力決定：

(i,j)\sim(p,q) \quad\Longleftrightarrow\quad w_{(i,j),(p,q)}>\theta

其中 $w$ 是語義關聯權重， $\theta$ 是連結閾值。

五、方向本身作為語義

多向矩陣表徵與一般矩陣格式最大的差異，在於方向本身可以攜帶意義。

設方向集合為：

D= \{ \rightarrow,\leftarrow,\downarrow,\uparrow \}

則可定義方向語義映射：

\sigma:D\rightarrow\mathcal{S}

其中 $\mathcal{S}$ 是語義集合。

例如：

\sigma(\rightarrow)=\text{正向時間演化}

\sigma(\leftarrow)=\text{歷史回溯}

\sigma(\downarrow)=\text{由抽象到具體}

\sigma(\uparrow)=\text{由觀測回推理論}

在另一個系統中，也可能定義為：

\sigma(\rightarrow)=\text{生成}

\sigma(\leftarrow)=\text{驗證}

\sigma(\downarrow)=\text{分解}

\sigma(\uparrow)=\text{統合}

這表示相同資料可以因不同閱讀方向，形成不同任務：

T_d=f(X,d)

其中 $d$ 是方向。

進一步可主張：

f(X,\rightarrow) \neq f(X,\leftarrow)

即使輸入矩陣完全相同，因為方向語義不同，模型所執行的推理任務也可能不同。

這與自然語言中「順敘」與「倒敘」的差異相似，也與科學推理中的「由原因預測結果」與「由結果回推原因」相似。

六、由單向讀取進入多向融合

傳統序列模型通常只有單一主序列。即使模型具有雙向注意力，其輸入仍常被視為一列 token。

多向矩陣表徵則允許同一份資料被多個方向同時處理：

h_{\rightarrow}=F_{\rightarrow}(X)

h_{\leftarrow}=F_{\leftarrow}(X)

h_{\downarrow}=F_{\downarrow}(X)

h_{\uparrow}=F_{\uparrow}(X)

最終輸出為：

z= G \left( h_{\rightarrow}, h_{\leftarrow}, h_{\downarrow}, h_{\uparrow} \right)

其中 $G$ 可以是：

拼接；
加權平均；
交叉注意力；
多數決；
一致性檢驗；
任務選擇器；
動態路徑融合器。

若採加權融合：

z= \sum_{d\in D} \alpha_d h_d

且：

\sum_{d\in D}\alpha_d=1

其中 $\alpha_d$ 可由任務、資料或模型狀態動態決定。

這使得 AI 不必固定使用單一閱讀方向，而可以依任務選擇最適路徑：

d^* = \arg\max_{d\in D} U(d\mid X,Q)

其中 $Q$ 是任務， $U$ 是方向效用函數。

更一般地，AI 可以直接選擇一條複合遍歷路徑：

\pi^* = \arg\max_{\pi\in\Pi} U(\pi\mid X,Q)

因此，未來模型面對同一份資料時，可以自行決定：

是否需要順向讀取；
是否需要逆向回溯；
是否需要先縱向分層；
是否需要橫向比較；
是否需要中心擴散；
是否需要多方向同時驗證。

七、同時上下左右：由遍歷轉向局部動力學

更進階的情況，不是將矩陣依不同方向分別讀取，而是允許每個格點同時接收多個方向的訊息。

設 $h_{i,j}^{(t)}$ 為位置 $(i,j)$ 在時間 $t$ 的狀態，則其更新可定義為：

h_{i,j}^{(t+1)} = \Phi \left( h_{i,j}^{(t)}, h_{i-1,j}^{(t)}, h_{i+1,j}^{(t)}, h_{i,j-1}^{(t)}, h_{i,j+1}^{(t)} \right)

若加入八鄰域：

h_{i,j}^{(t+1)} = \Phi \left( \{h_{p,q}^{(t)}:(p,q)\in\mathcal{N}_{i,j}^{8}\}, h_{i,j}^{(t)} \right)

此時資料不再只是被「掃描」，而是在矩陣中進行局部互動。

這種方式與以下概念相近：

細胞自動機；
卷積神經網路；
圖神經網路；
擴散模型；
訊息傳遞網路；
神經場；
空間記憶；
多代理局部協作。

但多向矩陣表徵所強調的是：局部傳播方向可以被明確標記並賦予語義。

例如，上方訊息可以代表上位規則，下方訊息代表具體案例，左方訊息代表歷史狀態，右方訊息代表預測狀態。則更新函數可以是方向敏感的：

h_{i,j}^{(t+1)} = \Phi \left( W_{\uparrow}h_{i-1,j}^{(t)}, W_{\downarrow}h_{i+1,j}^{(t)}, W_{\leftarrow}h_{i,j-1}^{(t)}, W_{\rightarrow}h_{i,j+1}^{(t)}, h_{i,j}^{(t)} \right)

其中：

W_{\uparrow} \neq W_{\downarrow} \neq W_{\leftarrow} \neq W_{\rightarrow}

不同方向具有不同轉換矩陣，也就具有不同計算功能。

八、顯示方式、處理方式與格式方式的統合

現代軟體常把三件事分開：

資料格式；
計算方式；
顯示方式。

例如 CSV 負責資料，Python 負責計算，網頁或 Excel 負責顯示。這種分離有利於模組化，但也可能使原本具有空間語義的資料在傳輸過程中被壓平成普通序列。

多向矩陣表徵提出另一種可能：

\text{顯示結構} \approx \text{資料結構} \approx \text{計算結構}

這不是要求三者完全相同，而是讓它們保持可映射的一致性。

例如，一個格點在畫面上位於第 $i$ 行第 $j$ 列，資料中也保留 $(i,j)$ 座標，模型計算時亦依此座標接收鄰接訊息。此時使用者看到的不是計算後的裝飾性投影，而是計算空間本身的可視化。

可定義三個映射：

R_{\text{display}}:\mathcal{M}\rightarrow V

R_{\text{compute}}:\mathcal{M}\rightarrow C

R_{\text{storage}}:\mathcal{M}\rightarrow S

其中：

$V$ 是視覺介面；
$C$ 是計算圖；
$S$ 是儲存格式。

若三者保持結構同態，則有：

R_{\text{display}}(\mathcal{M}) \sim R_{\text{compute}}(\mathcal{M}) \sim R_{\text{storage}}(\mathcal{M})

這可降低人類理解、AI 學習與系統執行之間的轉換損失。

九、作為新型資料格式的最低規格

若多向矩陣表徵要成為可實作格式，至少應保存以下資訊：

format: MMR
version: 0.1

matrix:
  dimensions: [rows, columns]
  shape: [128, 256]
  origin: top_left

axes:
  rows:
    meaning: state_level
    direction: top_to_bottom
  columns:
    meaning: time
    direction: left_to_right

semantics:
  horizontal_forward: temporal_prediction
  horizontal_reverse: historical_backtracking
  vertical_down: abstraction_to_instance
  vertical_up: instance_to_abstraction

adjacency:
  mode: eight_neighbor
  semantic_links: enabled

traversal:
  allowed:
    - left_to_right
    - right_to_left
    - top_to_bottom
    - bottom_to_top
    - center_out
  adaptive_path: true

processing:
  multidirectional_attention: true
  consistency_check: true
  fusion: weighted

display:
  primary_view: matrix
  alternate_views:
    - vertical
    - horizontal
    - radial

此格式與傳統表格的差異不在於多了幾個欄位，而在於它將「如何閱讀」明確寫入資料本身。

因此：

\text{傳統格式} = \text{內容} + \text{結構}

而：

\text{MMR 格式} = \text{內容} + \text{結構} + \text{方向} + \text{遍歷} + \text{語義} + \text{動力學}

十、與試算表及 Excel 的關係

Excel 與其他試算表軟體，本身已經具備多向矩陣表徵的部分條件：

二維格點；
行列索引；
公式依賴；
區域選取；
條件格式；
圖表；
時序資料；
資料驗證；
巨集與自動化；
AI Agent 控制。

但傳統試算表主要仍把行列當作被動容器。其公式雖然能引用不同方向的儲存格，方向通常不具有明確語義。

若將試算表進一步改造成 MMR 介面，可以讓：

向右代表時間推進；
向左代表回溯；
向下代表分解；
向上代表統合；
顏色代表狀態；
動畫代表狀態轉移；
AI 可選擇讀取方向；
Agent 可依區域執行不同操作；
相同工作簿可在不同方向下形成不同推理模式。

此時試算表將不只是資料輸入工具，而可能成為：

可視化矩陣計算介面、AI 工作空間與方向性知識載體。

這也能解釋為何 Excel、piano roll、圖像動畫與 AI 學習視覺化之間會產生直覺上的相似性：它們都把抽象狀態分布映射到可定位的格點空間。

十一、可能的 AI 學習模式

11.1 多方向自監督學習

模型可從一個方向預測另一個方向：

\hat{X}_{\rightarrow} = F_{\rightarrow}(X_{\text{partial}})

\hat{X}_{\leftarrow} = F_{\leftarrow}(X_{\text{partial}})

並最小化：

\mathcal{L} = \lambda_1 \mathcal{L}_{\rightarrow} + \lambda_2 \mathcal{L}_{\leftarrow} + \lambda_3 \mathcal{L}_{\downarrow} + \lambda_4 \mathcal{L}_{\uparrow}

11.2 方向一致性學習

對同一資料的不同方向輸出，要求其在某些核心語義上保持一致：

\mathcal{L}_{\text{consistency}} = \sum_{d_i\neq d_j} D \left( g(h_{d_i}), g(h_{d_j}) \right)

其中 $D$ 是距離函數， $g$ 是語義投影。

這能讓順向推理與逆向回溯互相驗證。

11.3 路徑選擇學習

模型不只學習資料，也學習哪一條路徑最有效：

P(\pi\mid X,Q) = \operatorname{softmax} \left( s_{\pi} \right)

並依任務效能更新路徑策略。

11.4 動態矩陣動畫學習

若每個時間點存在一個矩陣：

X^{(0)},X^{(1)},\ldots,X^{(T)}

則可把整體系統表示為：

\mathcal{X} \in \mathbb{R}^{H\times W\times T}

這時動畫不是事後展示，而是資料格式中的時間維度。AI 可以直接學習：

X^{(t+1)} = F \left( X^{(t)}, \Pi, \Sigma \right)

十二、可能的應用領域

12.1 AI 學習介面

讓模型直接在二維或多維表徵中進行閱讀、預測與驗證，而不是先將所有資訊壓平為單一序列。

12.2 教育與互動教學

將數學、音樂、程式、語言與因果關係映射為可移動、可動畫化的矩陣，讓學習者從多個方向理解同一結構。

12.3 程式碼與流程設計

程式不再只由上至下閱讀，而可依：

水平軸表示時間；
垂直軸表示模組；
對角線表示跨模組依賴；
逆向路徑表示錯誤回溯。

12.4 知識圖譜與理論系統

不同方向可分別代表：

推演；
反證；
抽象化；
實例化；
歷史來源；
未來分支。

12.5 AI 記憶

將記憶放入具有時間、主題、重要性與關聯性的矩陣，而不是只依建立時間排成日誌。

12.6 科學資料與模擬

將空間狀態、時間演化與因果方向整合，使研究者與 AI 可直接在相同介面中觀察與計算。

12.7 多代理協作

不同 Agent 可負責不同方向：

A_{\rightarrow}=\text{生成代理}

A_{\leftarrow}=\text{驗證代理}

A_{\downarrow}=\text{分解代理}

A_{\uparrow}=\text{統合代理}

其輸出再於矩陣中交會。

十三、理論風險與限制

13.1 方向未必天然具有語義

方向語義通常由系統設計者定義，而不是資料本身必然具有。因此需避免將任意方向過度本體化。

13.2 高維表徵可能增加複雜度

多方向與多路徑會增加：

計算成本；
格式複雜度；
視覺負擔；
訓練難度；
一致性問題。

13.3 不是所有任務都需要矩陣化

某些工作本來就高度線性，例如純時間序列或逐步命令。MMR 不應被理解為取代所有序列模型，而是提供另一種結構選項。

13.4 顯示一致不等於計算一致

可視化介面可能看起來像模型的計算空間，但實際模型內部仍可能採用完全不同的結構。因此需要明確區分：

\text{視覺同構}

與：

\text{計算同構}

13.5 方向衝突

同一資料可能在不同方向產生相互矛盾的解讀。這既是風險，也可能是價值來源。系統需要處理：

h_{\rightarrow} \not\approx h_{\leftarrow}

此時不應直接平均，而要判斷矛盾來自：

資料缺漏；
因果不對稱；
時間不可逆；
模型錯誤；
任務本身不同。

十四、最小可行原型

MMR 的最小原型不需要建立全新作業系統，可先在網頁或試算表中實作。

原型功能

建立一個二維格點矩陣；
允許設定行列語義；
允許切換四種基本方向；
顯示目前遍歷路徑；
讓 AI 分別依四個方向摘要；
比較四個方向輸出；
進行一致性與矛盾標記；
將方向、原點、路徑與語義匯出為 JSON 或 YAML；
加入簡單動畫，展示資料流動；
允許使用者自行建立方向語義。

原型評估指標

E= ( C, I, U, A, R )

其中：

$C$ ：方向間一致性；
$I$ ：資訊保留度；
$U$ ：使用者可理解度；
$A$ ：AI 任務準確度；
$R$ ：路徑選擇效率。

十五、核心命題

本文可濃縮為以下命題。

命題一：線性化只是遍歷，不是資訊本體

s=\pi(X)

序列 $s$ 是矩陣 $X$ 經某條路徑 $\pi$ 展開後的結果，不應被等同於資料本身。

命題二：方向可以成為計算語義

f(X,d_1)\neq f(X,d_2)

當方向攜帶任務意義時，相同資料在不同方向下可形成不同計算。

命題三：顯示方式可以成為可計算介面

當視覺位置、資料索引與模型鄰接保持一致時，介面不只是展示層，而可以直接參與計算。

命題四：多方向可形成交叉驗證

z= G \left( h_{\rightarrow}, h_{\leftarrow}, h_{\downarrow}, h_{\uparrow} \right)

不同方向可互相補充、反證或揭露資訊不對稱。

命題五：AI 可學習閱讀路徑

\pi^* = \arg\max_{\pi\in\Pi} U(\pi\mid X,Q)

AI 不必永遠接受固定格式，而可依任務自行選擇最適閱讀路徑。

十六、結論

本文提出多向矩陣表徵，試圖重新思考電腦顯示、資料格式與 AI 處理之間的關係。

傳統系統往往先將世界轉換為線性序列，再交由電腦處理；而多向矩陣表徵主張，資訊可以保留其原有的空間、方向與鄰接結構，並讓不同方向承載不同語義。

其最基本形式，只是讓資料可以左至右、右至左、上至下或下至上讀取；其進階形式，則允許中心擴散、螺旋遍歷、多方向同步傳播與 AI 動態選路。最終，資料不再只是靜態內容，而成為具有方向、路徑、鄰接與狀態轉移的計算場。

這一構想不必被理解為對序列模型的否定。序列仍然是極為有效的資訊形式。但序列應被放回更大的結構中理解：

\boxed{ \text{序列} = \text{矩陣或高維資料的一條路徑} }

而未來的資料格式可能不只回答：

這裡存了什麼？

還要同時回答：

應該從哪裡開始？
應該往哪個方向讀？
哪些位置彼此相關？
不同方向分別代表什麼？
AI 是否可以自行選擇閱讀路徑？

因此，多向矩陣表徵的最核心主張是：

\boxed{ \text{資料位置} + \text{排列方向} + \text{讀取路徑} + \text{方向語義} + \text{動態計算} }

當這五者被共同保存與處理時，電腦介面、資料格式與 AI 學習方式之間，可能形成一種新的統一結構。

後續研究方向

建立 MMR JSON／YAML 格式規範；
建立網頁版多向矩陣編輯器；
以 Excel 或 LibreOffice 製作原型工作簿；
對同一資料進行四方向 AI 推理實驗；
比較單向序列模型與多向矩陣模型的資訊保留能力；
建立方向一致性與方向矛盾測試；
導入動畫時間軸；
擴張至三維、圖結構與高維張量；
研究方向語義是否能由 AI 自動學習；
探索其作為 AI 記憶、知識介面與新型作業環境的可能性。

多向矩陣表徵_MMR_v0.1