機器並行本體與人類線性投影

AI 原生格式的人機雙層閱讀原則 v0.1

英文題名：Machine-Parallel Ontology and Human-Linear Projection: A Dual-Layer Reading Principle for AI-Native Formats

摘要

當資料格式由傳統線性文件進一步發展為矩陣、多維、依賴圖、時間軸與並行結構時，最容易出現的誤解，是將「機器可以保存與處理的完整結構」直接等同於「人類應當直接閱讀的介面」。然而，人類雖具有一定程度的平行感知能力，其顯性注意、工作記憶、語言表達與可報告推理，通常仍需透過局部、順序化與任務導向的方式進行。若將完整機器原生結構直接暴露給人類，不僅可能增加認知負荷，也可能造成錯誤理解、路徑遺漏、控制權喪失與黑箱化。

本文提出「機器並行本體—人類線性投影」的雙層閱讀原則：底層格式應保存完整的矩陣、區域、依賴、方向、版本、不確定性與可並行性；人類介面則根據任務、角色、權限與注意力限制，生成可追蹤、可回溯、可驗證的局部線性投影。線性閱讀因此不再被視為知識本體本身，而被重新定義為多維結構在特定情境下的注意力投影。

本文進一步建立機器層、人類層與治理層的三層架構，提出注意力投影函數、路徑保真、衝突保留、可逆展開、來源可追蹤、認知負荷控制與人類最終否決權等原則，並設計多種人類閱讀模式，包括導覽模式、路徑模式、區域模式、衝突模式、比較模式與全局模式。本文主張，AI 原生格式若要成為真正可用的人機共同知識基礎設施，就不能只追求機器效率，而必須同時提供人類可理解、可質疑、可修正與可治理的投影機制。

關鍵詞： AI 原生格式、矩陣帳本、人機介面、注意力投影、並行計算、多維資料、人類認知、可解釋性、知識治理

一、問題提出

1.1 多維格式不等於多維介面

當資料被保存為多維矩陣、圖結構、區域網路或並行依賴系統時，一個直覺性的錯誤是：

既然機器能同時處理多個方向，人類也應直接觀看完整多維結構。

這個推論並不成立。

機器可以在不同層次上同時維持：

多個資料區域；
多條依賴鏈；
多個版本狀態；
不同方向的讀取路徑；
大量局部信心值；
互相衝突的候選假設；
多個平行計算分支。

人類卻通常無法在同一時間，清楚地顯性維持所有上述元素。即使視覺系統能同時接收大面積資訊，進入工作記憶與語言化推理的內容仍具有強烈選擇性。

因此，必須區分：

\text{完整機器結構} \neq \text{完整人類顯示}

更精確地說：

\boxed{ \text{資料可以是多維的，但人類介面必須是注意力適配的。} }

1.2 線性閱讀不是落後，而是一種投影

傳統文件多採取：

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

這種順序形式長期被批評為無法承載複雜網路結構，但線性閱讀本身並非錯誤。真正的問題在於：

線性路徑被誤認為資料本體，而不是一種閱讀投影。

若底層完整保存多維關係，則線性展示可以被重新理解為：

L = \Phi_{h}(M,G,R,S,H \mid q,u,t)

其中：

(M)：內容矩陣；
(G)：依賴圖；
(R)：語義角色；
(S)：格式與區域；
(H)：歷史與來源；
(q)：目前任務；
(u)：使用者角色；
(t)：當前時間與狀態；
$\Phi_h$ ：人類注意力投影函數；
(L)：人類實際閱讀的線性或局部結構。

因此，線性閱讀不必被廢除，而應被降格為完整結構的一個可逆視圖。

二、人類認知的實際限制

2.1 平行感知與序列化顯性思考

人類並非完全線性處理資訊。視覺、聽覺、空間定位、模式辨識與情緒反應，都包含大量平行處理。然而，人類能夠主動描述、比較、操作與回報的內容，通常需要經過選擇、聚焦與序列化。

因此可以將人類認知粗略分為：

\text{平行感知層} \rightarrow \text{注意選擇層} \rightarrow \text{工作記憶層} \rightarrow \text{序列化表達層}

這表示人類可以「看見很多」，卻不代表能「同時理解很多」。

例如，一名使用者可能在儀表板上同時看到：

十二個趨勢圖；
六個警告；
三個互相衝突的預測；
四組跨表依賴；
五種不同信心值。

但若要求其立即說明所有元素之間的因果與優先順序，認知負荷通常會迅速升高。

2.2 碎片注意與局部閉合

大多數人的注意力不是持續覆蓋整個問題空間，而是在不同局部之間跳轉。這種跳轉並不必然是缺陷，它可能是人類處理複雜問題的基本方式。

人類常透過以下方式建立理解：

先抓住一個局部；
建立暫時解釋；
將局部與另一區域連接；
修正原有模型；
重複直到形成較大的整體。

因此，人類理解更接近：

K_{t+1}=K_t \oplus \Delta K_t

而不是一次獲得完整全局：

K=\text{CompleteGraph}

AI 原生格式的人類介面若忽視這點，就會將「資訊完整」錯誤地等同於「理解完整」。

2.3 未受訓練者與專業使用者的差異

多維結構並非絕對無法被人類理解。數學家、工程師、棋手、音樂家、系統架構師與軍事指揮者，經常能維持比一般使用者更複雜的結構模型。

但這種能力通常來自：

長期訓練；
專業符號系統；
模式壓縮；
分塊記憶；
領域先驗；
外部工具協助。

因此，格式不應假設所有使用者具有相同認知能力。人類投影層應根據角色與能力提供不同視圖。

三、雙層閱讀原則

3.1 機器本體層

機器本體層保存所有可用結構，包括：

原始內容；
格位位置；
區域邊界；
格式角色；
依賴圖；
方向與路徑；
時間狀態；
來源歷史；
不確定性；
並行與同步條件。

可形式化為：

\mathcal{M} = (M,R,S,G,P,H,C)

其中 (C) 表示計算基底與一致性契約。

機器本體層的基本要求是：

\boxed{ \text{不因人類介面簡化而永久丟失結構。} }

3.2 人類投影層

人類投影層不是資料副本，而是根據任務生成的注意力介面。

V_h = \Phi_h(\mathcal{M},q,u,p)

其中：

(q)：任務；
(u)：使用者；
(p)：投影政策；
$V_h$ ：人類視圖。

例如，同一份知識結構可能生成：

給一般讀者的摘要；
給工程師的依賴路徑；
給審核者的衝突清單；
給研究者的全局矩陣；
給管理者的風險與決策視圖。

人類投影層必須允許使用者逐步展開，而不是被迫一次接受全部結構。

3.3 治理層

雙層結構仍不足以保證安全，還需要治理層決定：

哪些資訊可以被隱藏；
哪些衝突必須顯示；
哪些自動摘要需要標示來源；
哪些操作必須經過人類確認；
哪些投影不得刪除異議；
哪些資料受權限限制；
哪些模型可以生成投影。

治理層可表示為：

\Gamma: (\mathcal{M},u,q) \mapsto \{ \text{visible}, \text{hidden}, \text{review}, \text{forbidden} \}

因此完整架構為：

\boxed{ \text{機器本體層} \rightarrow \text{人類投影層} \rightarrow \text{治理層} }

四、注意力投影的七項原則

4.1 路徑保真原則

人類視圖可以簡化，但不得捏造不存在的因果或依賴。

若原始結構中：

A \rightarrow B \rightarrow C

投影不得直接表示：

A \rightarrow C

除非明確標示這是摘要路徑，且可回溯中介節點 (B)。

4.2 衝突保留原則

當底層存在互相衝突的候選時，投影不能只顯示最方便的一個答案。

應保留：

主要候選；
競爭候選；
信心差距；
衝突來源；
尚未解決的條件。

即：

\text{簡化} \neq \text{消除異議}

4.3 可逆展開原則

任何摘要、折疊與路徑化顯示，都應允許回到更完整的結構。

V_0 \rightarrow V_1 \rightarrow V_2 \rightarrow \mathcal{M}

其中：

$V_0$ ：摘要；
$V_1$ ：局部路徑；
$V_2$ ：區域或依賴圖；
$\mathcal{M}$ ：完整底層結構。

若投影不可逆，便容易成為新的黑箱。

4.4 來源可追蹤原則

投影中的每個重要結論，應能追蹤至：

原始格位；
原始文件；
公式或依賴；
AI 模型；
修改版本；
驗證者。

因此每個投影節點應保留：

trace:
  source_nodes:
    - Sales!B2
    - Assumptions!B3
  generated_by: projection-engine-v0.1
  model: ai-model-x
  confidence: 0.91

4.5 認知負荷限制原則

介面不應把所有可用資訊同時視為必要資訊。

可定義一個粗略的投影負荷：

L_h = \alpha N + \beta E + \gamma C + \delta D

其中：

(N)：同時顯示節點數；
(E)：依賴邊數；
(C)：衝突數；
(D)：維度數。

當 $L_h$ 超過使用者或任務門檻時，系統應進一步分區、摘要或排序。

這不是將資料隱藏，而是延後顯示非當前必要部分。

4.6 任務相關性原則

投影應由任務驅動，而不是由固定畫面驅動。

同一資料結構，在不同問題下應生成不同入口：

「哪裡出錯？」→ 衝突模式；
「這個結果如何得到？」→ 依賴路徑模式；
「整體趨勢如何？」→ 區域摘要模式；
「有沒有被 AI 自動修改？」→ 歷史與治理模式。

4.7 人類否決與修正原則

對高風險操作，AI 生成的投影與建議不得自動等同於事實。

人類應能：

拒絕投影結論；
要求顯示完整來源；
更改路徑；
標記誤導性摘要；
將自動修復降級為人工審核；
保留原始版本。

因此：

\boxed{ \text{AI 投影權} \neq \text{AI 最終決定權} }

五、人類閱讀模式

5.1 導覽模式

目的：讓使用者快速知道「這裡有什麼」。

顯示內容：

主要區域；
核心摘要；
重要警告；
可展開入口；
尚未解決事項。

適用於初次進入大型知識結構。

5.2 路徑模式

目的：沿一條推理、依賴或因果鏈閱讀。

例如：

\text{輸入} \rightarrow \text{轉換} \rightarrow \text{中介結果} \rightarrow \text{最終結論}

此模式最接近傳統線性閱讀，但每一步都可以展開其他分支。

5.3 區域模式

目的：理解某個局部矩陣或功能區。

顯示：

區域邊界；
區域角色；
內部模板；
例外格位；
與外部區域的接口。

適合處理公式矩陣、資料表、模型模組或知識子系統。

5.4 衝突模式

目的：只顯示不一致與高風險部分。

顯示：

結構衝突；
格式角色衝突；
依賴錯誤；
不同模型的不同答案；
低信心候選；
待人類確認項目。

此模式對審核、除錯與治理特別重要。

5.5 比較模式

目的：比較不同版本、不同模型或不同路徑。

例如：

\mathcal{M}_{t_1} \leftrightarrow \mathcal{M}_{t_2}

或：

\Phi_{A}(\mathcal{M}) \leftrightarrow \Phi_{B}(\mathcal{M})

顯示差異、相同部分與未決部分。

5.6 全局模式

目的：向專業使用者暴露完整結構。

此模式可顯示：

完整依賴圖；
全部區域；
多維路徑；
版本歷史；
平行計算分區；
不確定性分布。

全局模式不應成為預設模式，而應供研究、除錯、架構設計與高階審核使用。

六、投影生成機制

6.1 投影不是摘要而已

傳統摘要通常只壓縮文字，而注意力投影還需要選擇：

顯示哪些節點；
保留哪些依賴；
隱藏哪些細節；
哪些衝突必須浮現；
哪些區域應視覺化；
哪些內容應轉為序列。

因此投影可以表示為：

\Phi_h = \Phi_{select} \circ \Phi_{order} \circ \Phi_{compress} \circ \Phi_{render}

其中：

$\Phi_{select}$ ：選擇相關節點；
$\Phi_{order}$ ：決定閱讀順序；
$\Phi_{compress}$ ：壓縮局部內容；
$\Phi_{render}$ ：轉成人類介面。

6.2 投影應保留證據鏈

任何 AI 生成的摘要或結論，都應能輸出其證據集合：

E(y) = \{n_1,n_2,\ldots,n_k\}

其中 (y) 是投影結論， $n_i$ 是底層節點。

若不存在可追蹤證據集合，則該結論只能被標記為：

推測；
生成性解釋；
未驗證摘要；
外部模型輸出。

6.3 多投影一致性

同一底層結構可產生多個投影：

V_1=\Phi_1(\mathcal{M})

V_2=\Phi_2(\mathcal{M})

不同投影不必完全相同，但不得在未標示的情況下互相矛盾。

需要定義：

Consistency(V_1,V_2\mid\mathcal{M})

用於檢查：

是否省略關鍵前提；
是否改變結論方向；
是否消除原始衝突；
是否把不確定性改寫成確定性。

七、對 AI 訓練格式的意義

7.1 人類投影本身也可以成為訓練資料

同一個機器結構可以產生多種人類視圖：

摘要版；
專業版；
路徑版；
衝突版；
教學版。

因此可以建立訓練對：

(\mathcal{M},q,u) \rightarrow V_h

讓模型學習：

如何針對不同任務選擇資訊；
如何控制認知負荷；
如何保留證據；
如何標示不確定性；
如何避免過度簡化。

7.2 投影品質可被評估

可建立以下指標：

覆蓋率

Coverage = \frac{\text{必要節點被保留數}}{\text{必要節點總數}}

衝突保留率

ConflictRetention = \frac{\text{已顯示衝突數}}{\text{底層重要衝突數}}

路徑保真率

PathFidelity = 1-\frac{\text{錯誤或捏造依賴數}}{\text{顯示依賴總數}}

可追蹤率

Traceability = \frac{\text{可回溯結論數}}{\text{全部重要結論數}}

認知效率

CognitiveEfficiency = \frac{\text{任務完成品質}}{\text{閱讀時間或交互步驟}}

八、主要風險

8.1 投影偏見

投影引擎可能因模型偏好、企業目標或預設政策，刻意突出某些資訊、淡化另一些資訊。

因此投影政策必須透明，並可被審核。

8.2 過度摘要

當系統追求簡潔時，可能移除：

例外；
反證；
少數路徑；
低信心訊號；
不利於主要結論的資料。

所以摘要不能取代原始結構。

8.3 只有 AI 能懂的格式

若 MLF 或其他 AI 原生格式只提供機器接口，而沒有可靠的人類投影，將形成新的權力不對稱：

人類負責提供資料與承擔結果，但無法理解系統內部如何組織知識。

因此人類投影不是附加功能，而是格式的必要組件。

8.4 虛假的可解釋性

投影介面可能生成看似合理的解釋，但實際上並不對應模型或底層資料的真實決策路徑。

所以解釋必須區分：

真實依賴；
後設摘要；
模型推測；
人類註解。

8.5 認知操控

誰控制投影，就可能控制使用者看到的世界。

因此高風險系統應提供：

多投影比較；
關閉摘要；
顯示完整來源；
使用者自定義路徑；
第三方審核模式。

九、工程規格前置要求

在正式制定 MLF v0.1 前，至少應加入以下必備欄位：

human_projection:
  default_mode: navigation
  available_modes:
    - navigation
    - path
    - region
    - conflict
    - comparison
    - global

  traceability:
    required: true
    source_links: true

  uncertainty:
    visible: true
    hide_unresolved_conflicts: false

  reversibility:
    expand_to_source: true
    restore_full_graph: true

  governance:
    human_override: true
    preserve_original: true
    audit_projection_policy: true

這表示任何符合格式的工具，不只要能讀取資料，也應說明：

它顯示了什麼；
它省略了什麼；
它如何排序；
它如何生成摘要；
使用者如何回到原始結構。

十、可否證實驗

10.1 全局直顯與漸進投影比較

比較兩組介面：

A 組：直接顯示完整矩陣與依賴圖；
B 組：使用導覽、路徑與區域漸進展開。

測量：

任務正確率；
完成時間；
遺漏率；
認知負荷；
對錯誤來源的辨識能力。

10.2 衝突保留實驗

讓投影系統處理含有多個競爭答案的資料，檢查是否：

顯示主要候選；
保留次要候選；
正確標示信心；
允許使用者追蹤來源。

10.3 可逆性實驗

要求使用者從摘要逐步回溯至原始公式、格位與依賴圖，測量：

RecoveryRate = \frac{\text{成功回溯的結論數}}{\text{測試結論總數}}

10.4 專業程度差異實驗

比較一般使用者與專業使用者在不同投影模式下的表現，以確認：

預設模式是否適合一般人；
全局模式是否真的有利於專家；
專業模式是否造成一般使用者額外負擔。

十一、核心命題

本文提出以下核心命題：

命題一

機器原生格式應保存超出人類即時注意力容量的完整結構。

命題二

人類不需要直接承擔完整結構，而應透過可追蹤、可逆與任務導向的投影閱讀。

命題三

線性閱讀不是被淘汰的舊形式，而是多維知識的一種必要人類介面。

命題四

任何投影若不可追蹤、不可展開、不可比較，就可能成為新的黑箱。

命題五

AI 原生格式的成熟程度，不只取決於機器處理效率，也取決於人類是否能理解、質疑、修正與治理其輸出。

十二、結論

AI 原生格式的目標，不應是要求人類像機器一樣同時處理多維資訊，也不應將人類的線性閱讀視為落後限制。真正合理的方向是：

\boxed{ \text{機器保存完整結構，人類獲得可控投影。} }

底層格式可以是矩陣、依賴圖、多方向路徑、時間網路與並行區域；人類介面則可以是摘要、路徑、區域、衝突與比較視圖。二者並不矛盾，反而形成互補。

若缺乏完整機器層，資料會在壓平過程中失去結構；若缺乏人類投影層，多維格式則會變成難以理解與難以治理的技術黑箱。

因此，未來 MLF 或其他 AI 原生格式的基本原則應是：

\boxed{ \text{多維保存、線性投影、證據保留、可逆展開、人類治理。} }

這五項原則共同構成 AI 原生知識格式的人機雙層閱讀基礎。

附錄 A：雙層閱讀架構摘要

物理與計算基底
        ↓
完整機器結構
矩陣／區域／依賴／方向／版本／不確定性
        ↓
投影引擎
選擇／排序／壓縮／視覺化／證據追蹤
        ↓
人類視圖
導覽／路徑／區域／衝突／比較／全局
        ↓
治理層
權限／審核／否決／修正／版本保留

附錄 B：後續文件路線

《線性表徵之外：從物理計算基底到多向矩陣知識結構》
《機器並行本體與人類線性投影：AI 原生格式的人機雙層閱讀原則》
《MLF v0.1：AI Matrix Ledger Format 技術規格》
《MLF 編譯器與多視圖投影器 MVP 計畫書》
《MMR／MLF 訓練基準與可否證實驗規格》

機器並行本體與人類線性投影_AI原生格式的人機雙層閱讀原則_v0.1