無限分形九宮格：基於多向矩陣表徵的遞歸計算拓撲

Infinite Fractal Nonet: A Recursive Computational Topology Based on Multidirectional Matrix Representation

作者：Neo.K（許筌崴）／EveMissLab
協作整理：OpenAI GPT-5.6 Thinking
日期：2026-07-23
性質：概念論文／可驗證架構提案
狀態：新稿，未沿用任何既有版本號

摘要

本研究提出一種新的無限分形九宮格（Infinite Fractal Nonet, IFN）概念框架。與把 IFN 描述成單純的幾何分形、概念隱喻或 Transformer 稀疏化技巧不同，本文從多向矩陣表徵（Multidirectional Matrix Representation, MMR）出發，將 IFN 重新定義為：由可定址、可路由、可追蹤、可停止且可驗證的局部 MMR 單元，經自相似遞歸組合而成的計算拓撲。

MMR 提供單一局部區域內的方向、位置、區域、遍歷順序、依賴血緣、路由類型與證據狀態；IFN 則規定這些局部單元如何嵌套、展開、剪枝、跨層連接與形成有限計算切片。其「無限」不表示任何一次實際計算必須執行無限步，而表示地址空間與遞歸語法不預設最大深度。任一實例都必須在有限資源、有限證據與有限停止條件下執行。

本文建立以下核心內容：

定義 IFN 的有限地址空間與潛在無界地址空間；
將九宮格視為一種標準中心—八方向局部圖表，而非宇宙必然結構；
使用 MMR 描述每一個分形節點的內部計算狀態；
建立局部、同胞、父子、祖先、區域、捷徑與血緣等多類路由；
將展開視為受查詢、收益、成本、不確定性與風險共同控制的決策；
把 IFN-Transformer 定位為 IFN 的一種有限編譯後端，而非 IFN 本體；
明確區分可證明性質、工程假設、待驗證主張與禁止提前宣稱的效能結論。

本文的目的不是宣稱 IFN 已取代 Transformer、圖神經網路或狀態空間模型，而是提出一套能把「自相似結構」「多向局部計算」「有限稀疏路由」與「可驗證執行」放在同一框架內的研究對象。

關鍵詞： 多向矩陣表徵、無限分形九宮格、自相似計算、遞歸拓撲、稀疏路由、計算血緣、可驗證計算、IFN-Transformer

一、問題：分形概念為何一直難以工程化

許多分形計算構想都具有相似直覺：

一個局部結構可以在更深層再次出現；
大型問題只需展開相關分支；
中心節點負責聚合，外圍節點負責方向性分化；
遞歸深度可依問題而變；
長距離關係可透過跨層捷徑建立。

這些直覺本身並不等於可執行架構。若缺少以下要素，分形仍只是一種描述：

每個節點究竟保存什麼；
方向是否具有穩定語義；
分支何時建立；
路由如何生成；
原始順序如何保存；
跨層連接如何記錄；
哪些結果來自哪些證據；
何時停止；
錯誤與不確定性如何沿路徑傳播；
如何重播並驗證一次執行。

MMR 所補足的正是這個中間層。它不直接回答「所有計算都應該使用九宮格嗎」，而是先回答更基礎的問題：

一個局部計算區域，如何同時保存內容、方向、區域、路徑、血緣與操作順序？

因此本文不把 IFN 建立在抽象分形圖形上，而建立在 MMR 局部計算單元上。

二、MMR 作為 IFN 的局部計算母語

2.1 MMR 局部單元

令一個 MMR 局部單元為：

\mathcal{M}_{\alpha} = \left( X_{\alpha}, D_{\alpha}, R_{\alpha}, P_{\alpha}, L_{\alpha}, C_{\alpha}, B_{\alpha} \right)

其中：

$X_{\alpha}$ ：局部狀態、資料、表示或符號；
$D_{\alpha}$ ：方向集合與方向語義；
$R_{\alpha}$ ：允許的局部與跨區路由；
$P_{\alpha}$ ：遍歷、讀取、更新與聚合次序；
$L_{\alpha}$ ：來源、依賴與下游血緣；
$C_{\alpha}$ ：信心、不確定性、衝突與證據狀態；
$B_{\alpha}$ ：計算預算、記憶體、延遲與展開成本。

MMR 的核心不是把資料排成矩陣，而是承認同一批元素可以被多種方向、區域與路徑讀取。矩陣不再只有「由左到右的一行序列」，而是具有：

水平與垂直方向；
正向與反向遍歷；
區塊與區域；
父子與同胞；
來源與下游；
聚合與反向追蹤；
直接路由與間接路由。

2.2 MMR 不要求九宮格

MMR 可以使用任意有限局部圖表。九宮格只是 IFN 的標準圖表：

\mathcal{N}_9 = \{O,N,NE,E,SE,S,SW,W,NW\}

其中：

$O$ 為中心槽位；
其餘八個槽位為方向槽位。

這個配置的優點是：

可明確區分中心與外圍；
同時含正交與對角方向；
適合二維視覺化；
每個槽位都能遞歸成下一個局部單元；
地址可以由九元字母表表示。

但本文不主張九宮格是唯一合法結構。一般化後，可定義：

\mathcal{N}_b=\{O,C_1,\ldots,C_{b-1}\}

IFN 選擇 $b=9$ ，是標準化與可視化決策，不是未經證明的本體論必然。

三、IFN 的正式定義

3.1 地址空間

令九元字母表為：

\Sigma_9=\{0,1,\ldots,8\}

其中 $0$ 對應中心 $O$ ， $1$ 至 $8$ 對應八個方向槽位。

所有有限地址構成：

\mathcal{A}_{<\omega} = \bigcup_{d=0}^{\infty}\Sigma_9^d

空地址 $\epsilon$ 表示根節點。任意有限地址可寫成：

\alpha=(a_1,a_2,\ldots,a_d)

其深度為：

|\alpha|=d

子地址為：

\alpha i=(a_1,\ldots,a_d,i)

潛在無界地址可表示為：

\mathcal{A}_{\omega}=\Sigma_9^{\mathbb{N}}

但實際執行只允許有限切片：

\mathcal{A}^{(t)}_{\mathrm{active}} \subset \mathcal{A}_{<\omega}

且在任意有限時間 $t$ ：

\left|\mathcal{A}^{(t)}_{\mathrm{active}}\right|<\infty

因此 IFN 的「無限」是生成語法無界，不是實例執行無限。

3.2 IFN 結構

定義 IFN 為：

\mathfrak{F} = \left( \mathcal{A}_{<\omega}, \{\mathcal{M}_{\alpha}\}_{\alpha\in\mathcal{A}_{<\omega}}, E, \mathfrak{E}, \mathfrak{K}, \mathfrak{V} \right)

其中：

$\mathcal{A}_{<\omega}$ ：有限分形地址空間；
$\mathcal{M}_{\alpha}$ ：地址 $\alpha$ 上的 MMR 局部單元；
$E$ ：跨單元路由集合；
$\mathfrak{E}$ ：展開算子；
$\mathfrak{K}$ ：剪枝、合併與停止算子；
$\mathfrak{V}$ ：驗證、血緣與重播機制。

這一定義把 IFN 從「每格內又有九宮格」提升為一個可操作系統：

\boxed{ \text{IFN} = \text{MMR 局部單元} + \text{遞歸地址} + \text{路由規則} + \text{有限展開} + \text{可驗證執行} }

3.3 自相似性的弱形式

舊式分形常要求部分與整體完全同構。對實際計算而言，這個條件過強。不同深度節點可能擁有不同維度、權重、資料型別與預算。

本文採用結構自相似而非內容全同構：

\operatorname{Schema}(\mathcal{M}_{\alpha}) \cong \operatorname{Schema}(\mathcal{M}_{\alpha i})

但不要求：

X_{\alpha}=X_{\alpha i}

也不要求所有節點具有相同參數。

也就是說，子節點繼承的是：

可定址性；
方向結構；
路由介面；
血緣欄位；
停止與驗證協定。

它不必複製父節點的內容。

四、中心、方向與原始位置

4.1 中心不是自動保證收斂的不動點

中心槽位 $O$ 可以扮演：

區域摘要；
父層接口；
路由錨點；
聚合器；
查詢條件；
狀態記憶；
局部控制器。

但中心本身不保證：

全域最優；
自動收斂；
唯一真值；
語義穩定；
對所有任務都最重要。

因此本文把中心稱為局部錨點，而不直接稱為全局不動點。

若要聲稱某個中心狀態收斂，必須另行證明某個更新算子 $\Phi$ 滿足收縮、單調或能量下降條件，例如：

d\bigl(\Phi(x),\Phi(y)\bigr) \leq \lambda d(x,y), \qquad 0\leq\lambda<1

否則只能說中心被配置為穩定參考點。

4.2 方向具有局部語義

方向集合不必永久綁定「北、南、東、西」的自然語義。它們可以是：

空間方向；
因果方向；
時序方向；
正反命題；
上位／下位概念；
輸入／輸出；
來源／結果；
局部／全域；
具體／抽象。

對每個節點 $\alpha$ ，定義方向語義映射：

\delta_{\alpha}: \{1,\ldots,8\} \rightarrow \mathcal{S}_{\alpha}

其中 $\mathcal{S}_{\alpha}$ 是該節點的方向語義集合。

這意味著同一地址數字在不同子空間中可以有不同語義，但每次執行都必須保存其映射。

4.3 分形地址不能取代原始順序

若 IFN 被應用於語言、時間序列或程式碼，原始位置必須獨立保存。

對 token $x_i$ ，其表示至少包含：

z_i= \left( h_i, p_i, \alpha_i, r_i \right)

其中：

$h_i$ ：內容表示；
$p_i$ ：原始序列位置；
$\alpha_i$ ：IFN 地址；
$r_i$ ：角色與路由狀態。

IFN 地址描述層級與局部拓撲，不能代替 $p_i$ 。因此：

\alpha_i=\alpha_j \not\Rightarrow p_i=p_j

也不允許因重要性排序而丟失原始順序。

五、IFN 的多類路由

5.1 路由集合

令 IFN 的有效邊集合為：

E = E_{\mathrm{local}} \cup E_{\mathrm{sibling}} \cup E_{\mathrm{parent}} \cup E_{\mathrm{child}} \cup E_{\mathrm{ancestor}} \cup E_{\mathrm{region}} \cup E_{\mathrm{shortcut}} \cup E_{\mathrm{lineage}}

其中：

局部邊 $E_{\mathrm{local}}$
同一 MMR 單元內的方向與區域路徑。
同胞邊 $E_{\mathrm{sibling}}$
相同父地址下的不同子節點。
父邊 $E_{\mathrm{parent}}$
從子節點回到父節點的聚合接口。
子邊 $E_{\mathrm{child}}$
從父節點進入被激活的子單元。
祖先邊 $E_{\mathrm{ancestor}}$
跨越多層的受限摘要路由。
區域邊 $E_{\mathrm{region}}$
連接矩形、群組、表格、語義區塊或共享結構。
捷徑邊 $E_{\mathrm{shortcut}}$
由高相似度、共同依賴或查詢需求建立的受控跨層邊。
血緣邊 $E_{\mathrm{lineage}}$
用於記錄資訊來源與下游影響，不必等同於前向計算邊。

5.2 路由不是 dense mask

IFN 不先建立 $n\times n$ 布林遮罩，再對所有位置執行密集乘法。路由應以鄰接表、索引、區塊或壓縮稀疏格式表示：

\operatorname{Nbr}(i) = \{j\mid(i,j)\in E\}

總邊數為：

|E|=\sum_{i=1}^{n}|\operatorname{Nbr}(i)|

若平均有效度數為 $k$ ：

|E|\approx nk

只有在路由建構成本也低於密集注意力時，稀疏化才具有意義。

5.3 路由血緣

每一條推理或計算路徑都應保存：

\ell= ( \text{source}, \text{route type}, \text{operator}, \text{timestamp}, \text{confidence}, \text{result} )

由此可回答：

這個結果來自哪個父節點；
經過哪些跨層捷徑；
哪個路由造成錯誤傳播；
某個局部更新影響了哪些下游節點；
若刪除一條邊，哪些結果會失效。

MMR-Bench 中的依賴血緣與爆炸半徑概念可直接成為 IFN 的驗證基礎。

六、展開、剪枝與停止

6.1 展開不是固定九分支

對查詢 $q$ 與節點 $\alpha$ ，定義候選子節點：

\mathcal{C}(\alpha)=\{\alpha0,\ldots,\alpha8\}

但實際激活集合為：

A_q(\alpha) = \left\{ \alpha i \mid U_q(\alpha i)>\tau \right\}

其中效用函數可以寫成：

U_q(\alpha i) = G_q(\alpha i) - \lambda_1 K(\alpha i) - \lambda_2 R(\alpha i) - \lambda_3 H(\alpha i)

其中：

$G_q$ ：預期資訊增益；
$K$ ：計算與記憶體成本；
$R$ ：錯誤、衝突與安全風險；
$H$ ：不確定性或熵；
$\lambda_1,\lambda_2,\lambda_3$ ：權重。

6.2 停止條件

IFN 不能以「中心存在」作為停止證明。至少應有以下一種或多種條件：

邊際收益停止

\max_{\beta\in\mathcal{C}(\alpha)} U_q(\beta) \leq\tau

預算停止

B_{\mathrm{used}}\geq B_{\max}

深度停止

|\alpha|\geq d_{\max}

不確定性停止

若新展開無法有效降低不確定性：

H_t-H_{t+1}<\varepsilon

穩定性停止

\|X^{(t+1)}-X^{(t)}\|<\varepsilon

風險停止

R(\alpha)>R_{\max}

6.3 剪枝與回收

剪枝算子 $\mathfrak{K}$ 可以：

停用低效用分支；
合併相似子樹；
將深層狀態壓縮成摘要；
保存血緣後釋放中間張量；
把不確定結果標記為 review；
將計算結果寫入可重播證書。

因此 IFN 的生命週期不是無限增長，而是：

\text{展開} \rightarrow \text{局部計算} \rightarrow \text{聚合} \rightarrow \text{驗證} \rightarrow \text{剪枝或保留}

七、複雜度與效能主張的邊界

7.1 一般成本式

令：

$n$ ：當前有效元素數；
$k$ ：平均有效鄰居數；
$d_h$ ：表示維度；
$C_R(n)$ ：路由建構成本；
$C_E(n)$ ：分形展開與維護成本；
$C_V(n)$ ：血緣與驗證成本。

則一個有限 IFN 注意力或消息傳遞層的成本可表示為：

T_{\mathrm{IFN}} = C_R(n) + C_E(n) + O(nkd_h) + C_V(n)

而不是只寫成 $O(nk)$ 。

7.2 何時可能優於密集計算

IFN 有潛力優於密集方法，至少需要：

k\ll n

且：

C_R(n)+C_E(n)+C_V(n) \ll O(n^2d_h)

若路由仍以雙重迴圈建立：

C_R(n)=O(n^2)

則 IFN 並沒有解決主要瓶頸。

7.3 總體加速受 Amdahl 定律限制

假設 attention 佔總成本比例為 $\alpha$ ，attention 加速為 $S_A$ ，則：

S_{\mathrm{total}} = \frac{1} {(1-\alpha)+\alpha/S_A}

因此，任何總體加速主張都必須同時報告：

attention 比例；
FFN 成本；
路由成本；
記憶體搬移；
核心利用率；
序列長度；
batch size；
硬體；
精度；
kernel 實作。

本文不預先聲稱固定倍數。

7.4 效能是待驗證命題

IFN 的效能主張必須寫成：

在具有可利用層級結構、路由建構成本受控且平均有效度數遠小於序列長度的任務中，IFN 可能降低局部交互成本。

不能直接寫成：

IFN 必然比 Transformer 快。

八、IFN-Transformer：IFN 的有限編譯後端

8.1 定位

IFN-Transformer 定義為：

\boxed{ \text{將有限 IFN 路由圖編譯為稀疏注意力運算的模型後端} }

它只是 IFN 的一種實現。其他後端可以是：

圖神經網路；
稀疏張量運算；
分散式路由系統；
知識圖譜；
多代理工作流；
資料庫查詢計畫；
神經符號推理器；
局部狀態空間模型。

8.2 Token 狀態

對 token $i$ ：

z_i= (h_i,p_i,\alpha_i,\rho_i,c_i)

其中：

$h_i$ ：內容表示；
$p_i$ ：RoPE、ALiBi 或其他原始位置編碼；
$\alpha_i$ ：IFN 地址；
$\rho_i$ ：路由角色；
$c_i$ ：路由信心與不確定性。

8.3 稀疏注意力

只在 $E$ 中的邊上計算：

s_{ij} = \frac{Q_iK_j^\top}{\sqrt{d_k}} + b_{\operatorname{type}(i,j)} + g(\alpha_i,\alpha_j) + u(c_i,c_j)

其中：

$b_{\operatorname{type}(i,j)}$ ：路由類型偏置；
$g$ ：地址距離或共同前綴偏置；
$u$ ：信心與風險調節項。

注意力為：

a_{ij} = \frac{\exp(s_{ij})} {\sum_{m\in\operatorname{Nbr}(i)}\exp(s_{im})}

輸出為：

y_i = \sum_{j\in\operatorname{Nbr}(i)} a_{ij}V_j

8.4 防止長距離訊號衰減

單純依賴多跳稀疏傳播會造成資訊稀釋。因此 IFN-Transformer 應保留：

局部視窗邊；
全域錨點；
父層摘要；
可學習捷徑；
殘差連接；
必要時的週期性密集層；
多尺度讀寫。

可定義混合層：

Y = \gamma Y_{\mathrm{IFN}} + (1-\gamma)Y_{\mathrm{dense/local}}

或每隔 $m$ 層插入全域聚合。

8.5 地址分配

地址不能只由重要性排序決定。可使用以下訊號組合：

\alpha_i = \operatorname{Route} ( h_i, p_i, \text{syntax}_i, \text{segment}_i, \text{dependency}_i, q )

可選方法包括：

固定層級分塊；
語法樹或 AST；
文件章節結構；
聚類；
路由網路；
可微排序；
監督式角色標註；
MMR 區域推理。

地址只決定路由，不覆蓋原始位置。

九、IFN、IDN 與 HNM 的新關係

舊構想曾分別處理空間嵌套、迭代深度與統一流形。本文保留其區分，但重新建立更清楚的層級。

9.1 IFN：嵌套軸

IFN 描述：

\alpha \rightarrow \alpha i

也就是空間或結構上的遞歸細分。

9.2 IDN：迭代軸

若系統在時間或推理輪次 $t$ 更新：

\mathfrak{F}^{(t+1)} = \Phi\bigl(\mathfrak{F}^{(t)},q\bigr)

則 IDN 可重新理解為 IFN 狀態的迭代演化，而不是另一套與 IFN 競爭的結構。

9.3 HNM：聯合狀態空間

若同時考慮：

迭代時間 $t$ ；
分形地址 $\alpha$ ；
MMR 局部狀態 $\mathcal{M}_{\alpha}^{(t)}$ ；

則聯合狀態可寫成：

\mathcal{H} = \left\{ (t,\alpha,\mathcal{M}_{\alpha}^{(t)}) \right\}

這可作為 HNM 的離散、可計算版本。

本文不直接宣稱它是黎曼流形，也不預設存在自然曲率、測地線或無限維流形結構。若未來需要使用流形語言，必須先定義：

拓撲；
度量；
局部座標；
可微結構；
距離與路由的關係。

十、可驗證執行與 MMR-Bench 的接合

10.1 IFN 執行證書

一次 IFN 執行可輸出：

\mathcal{C}_{\mathrm{IFN}} = ( H_{\mathrm{input}}, H_{\mathrm{route}}, H_{\mathrm{state}}, H_{\mathrm{lineage}}, H_{\mathrm{decision}}, \Sigma )

其中：

$H_{\mathrm{input}}$ ：輸入雜湊；
$H_{\mathrm{route}}$ ：路由圖雜湊；
$H_{\mathrm{state}}$ ：節點狀態摘要；
$H_{\mathrm{lineage}}$ ：血緣摘要；
$H_{\mathrm{decision}}$ ：展開、剪枝與停止決策摘要；
$\Sigma$ ：簽章。

10.2 重播條件

重播至少驗證：

相同輸入；
相同模型與版本；
相同路由規則；
相同正規化；
相同預算與停止條件；
相同隨機種子，或明確記錄非確定性；
相同證據與決策摘要。

10.3 不把一致性誤當成真理

即使兩個 IFN 後端輸出一致，也只能證明：

\text{在已記錄條件下結果一致}

不能直接證明：

\text{結果符合外部世界真實意圖}

因此 IFN 必須維持：

計算正確性；
路由正確性；
資料正確性；
任務意圖正確性；

四者的分離。

十一、研究問題與實驗路線

11.1 核心可否證問題

IFN 是否值得保留，不取決於名稱或幾何美感，而取決於以下問題：

IFN 路由是否能以次平方成本建立？
層級路由是否比平面稀疏路由更有效？
IFN 是否能在相同計算預算下保存更多長距離資訊？
路由錯誤是否會造成比 dense attention 更嚴重的不可恢復損失？
自適應展開是否比固定層級分塊更穩定？
血緣與證書成本是否可接受？
IFN 是否只在具有天然層級的任務上有效？
九分支是否比其他分支數更好？

11.2 最小實驗階段

階段 A：路由資料結構

比較：

dense mask；
Python 雙迴圈；
trie；
CSR／COO；
block-sparse；
GPU 原生稀疏 kernel。

量測：

建圖時間；
記憶體；
邊數；
更新成本；
不同 $n$ 與 $k$ 的 scaling。

階段 B：合成結構任務

使用：

樹路徑查詢；
多層區域依賴；
括號匹配；
程式 AST；
章節—段落—句子檢索；
長距離指標追蹤。

比較：

dense attention；
local window；
local + global；
flat sparse；
IFN hierarchical sparse。

階段 C：IFN-Transformer

至少報告：

wall-clock；
kernel 利用率；
記憶體；
perplexity／accuracy；
路由召回率；
長距離依賴召回；
不同深度與分支數；
路由錯誤敏感度；
Amdahl 分解。

階段 D：可驗證重播

測試：

路由篡改；
輸入篡改；
地址映射篡改；
停止條件篡改；
模型版本差異；
不同硬體的容差；
非確定性重播。

十二、理論邊界

本文明確不主張：

所有高維資訊必然集中在可被 IFN 找出的低維流形；
九宮格是唯一或普遍最優的局部結構；
中心槽位自然保證收斂；
無限地址表示等於實際無限維計算；
任意概念都能唯一映射為 IFN 地址；
IFN 必然降低複雜度；
IFN 必然改善推理品質；
IFN-Transformer 必然優於 FlashAttention、Longformer、BigBird、Mamba 或其他架構；
多跳稀疏路由天然保存長距離資訊；
分形自相似會自動產生零樣本泛化。

本文只提出：

\boxed{ \text{MMR 可作為局部計算語法，IFN 可作為其遞歸組合拓撲} }

這是一個可實作、可測試、可失敗的研究命題。

十三、概念貢獻

本文的核心貢獻不是「九宮格比 Transformer 更快」，而是建立了以下分層：

第一層：局部表示

\text{MMR} = \text{內容} + \text{方向} + \text{區域} + \text{遍歷} + \text{血緣}

第二層：遞歸結構

\text{IFN} = \text{MMR 單元} + \text{分形地址} + \text{有限展開} + \text{多類路由}

第三層：時間演化

\text{IDN} = \text{IFN 狀態的迭代更新}

第四層：有限工程後端

\text{IFN-Transformer} = \text{IFN 路由圖} \rightarrow \text{稀疏注意力}

第五層：可驗證執行

\text{MMR-Bench／IFN Certificate} = \text{來源} + \text{路由} + \text{證據} + \text{決策} + \text{重播}

這個分層避免把幾何隱喻、計算架構與效能結論混成同一個命題。

十四、結論

無限分形九宮格不應被理解為一張會無限展開的九宮格圖片，也不應被縮減成「按重要性排序 token」的稀疏注意力技巧。

本文重新提出：

\boxed{ \text{IFN 是由 MMR 局部單元構成的、可無界定址但有限執行的遞歸計算拓撲} }

MMR 使每一個分形節點具有明確的內容、方向、區域、路徑、血緣、信心與成本；IFN 則使這些節點能被自相似地組合、按需展開、跨層連接、受限剪枝並形成可重播證據。

IFN 的研究價值不取決於它是否被稱為「新範式」，而取決於以下事實能否被實驗支持：

層級路由能否低成本建立；
分形地址能否帶來比平面稀疏更好的結構偏置；
路由與停止能否被驗證；
長距離訊息能否在有限路徑中保留；
相同精度下，計算與記憶體是否真正下降。

因此，本論文把 IFN 從一個宣言轉化為一個研究程序：

\boxed{ \text{定義} \rightarrow \text{實作} \rightarrow \text{量測} \rightarrow \text{反例} \rightarrow \text{修正} \rightarrow \text{驗證} }

這不是對既有架構的勝利宣告，而是 IFN 第一次成為可以被工程實現、學術批判與獨立重播的計算對象。

附錄 A：最小 IFN 執行模型

from dataclasses import dataclass, field
from typing import Any, Callable


Address = tuple[int, ...]


@dataclass
class MMRNode:
    address: Address
    state: Any
    direction_schema: dict[int, str]
    neighbors: dict[str, list[Address]] = field(default_factory=dict)
    lineage: list[dict[str, Any]] = field(default_factory=list)
    confidence: float = 1.0
    uncertainty: float = 0.0
    budget_used: float = 0.0


@dataclass
class IFNRuntime:
    nodes: dict[Address, MMRNode]
    max_depth: int
    max_budget: float
    utility_threshold: float

    def candidate_children(self, address: Address) -> list[Address]:
        if len(address) >= self.max_depth:
            return []
        return [address + (i,) for i in range(9)]

    def expand(
        self,
        address: Address,
        utility: Callable[[Address], float],
        make_node: Callable[[Address], MMRNode],
    ) -> list[Address]:
        activated: list[Address] = []

        for child in self.candidate_children(address):
            if utility(child) <= self.utility_threshold:
                continue

            node = make_node(child)
            if node.budget_used + self.total_budget() > self.max_budget:
                break

            self.nodes[child] = node
            activated.append(child)

        return activated

    def total_budget(self) -> float:
        return sum(node.budget_used for node in self.nodes.values())

此模型刻意不承諾：

九個子節點全部建立；
中心必然最重要；
地址自動具有語義；
路由必然低成本；
展開必然提升答案品質。

這些都必須由任務、路由器與實驗決定。

附錄 B：下一篇工程論文的建議名稱

中文：

《MMR-IFN Transformer：基於遞歸多向路由的層級稀疏注意力架構》

英文：

MMR-IFN Transformer: Hierarchical Sparse Attention through Recursive Multidirectional Routing

其任務不再是證明 IFN 本體，而是驗證：

MMR 路由能否有效編譯成稀疏 attention；
路由建構能否真正低於 $O(n^2)$ ；
分層稀疏是否優於平面稀疏；
可驗證血緣是否能在合理成本內保留；
IFN 的優勢是否只存在於特定層級任務。

無限分形九宮格_IFN_基於MMR的遞歸計算拓撲_概念論文