線性表徵之外：從物理計算基底到多向矩陣知識結構

——AI 原生矩陣格式的計算前提與人機認知基礎

版本：v0.1
文件類型：理論前置論文
語言：繁體中文
日期：2026-07-22

摘要

現代數位系統常以線性字串、指令序列、檔案位元組流與自然語言 token 序列作為主要交換形式，因此人們容易將「線性儲存」誤認為「線性計算」，再進一步將「線性介面」誤認為「計算本體本身」。然而，實際的計算系統從邏輯閘、暫存器、流水線、多核心處理器、向量單元、圖形處理器、張量加速器，到分散式叢集與異步資料流，均可能具有不同程度的並發、平行、矩陣化、圖結構化與多節點協同特徵。機器碼雖常以序列形式保存，實際物理執行卻取決於處理器結構、記憶體階層、排程機制、依賴關係與硬體拓撲，不能被簡化為單一路徑。

另一方面，人類的感知系統本身包含大量平行處理，但顯性注意、工作記憶與可報告推理通常只能穩定維持有限數量的資訊單元，並傾向以片段化與序列化方式組織。因此，若直接將機器原生的多向、矩陣、圖狀與並行結構展示給人類，容易造成理解負荷、路徑迷失與錯誤簡化。這意味著，未來的 AI 原生資料格式不能只設計機器可處理的多維結構，也必須同時建立人類可理解的線性投影、局部展開與逐層導航機制。

本文提出一套作為 AI 矩陣帳本格式之前置基礎的七層框架：物理與計算基底、並發與平行契約、矩陣與多維資料結構、語義角色與依賴圖、AI 訓練與推理投影、人類注意力投影，以及版本驗證與治理。本文的核心主張不是否定線性表徵，而是將線性重新定位為多種合法投影之一。真正需要保存的，不應只是可被逐字讀取的序列，而應是能夠被不同硬體、模型與人類介面重新投影的完整結構。

關鍵詞： 線性表徵、平行計算、矩陣計算、叢集計算、多向矩陣表徵、AI 原生格式、人類注意力、依賴圖、知識結構

一、問題的起點：線性是常見形式，不是唯一計算本體

人類在接觸數位系統時，最常遇到的形式是線性序列：

第一行
第二行
第三行
第四行

程式碼依次排列，機器碼以位元組流保存，檔案由頭至尾讀取，自然語言模型則接收一串 token。久而久之，人們很容易建立以下直覺：

\text{資料是序列} \Rightarrow \text{計算也是序列}

但這個推論並不成立。

需要嚴格區分至少四個層次：

\text{線性儲存} \neq \text{線性表徵} \neq \text{線性排程} \neq \text{線性物理執行}

一份資料可以線性儲存，卻描述一張圖；一段程式可以線性書寫，卻在多核心上並行執行；一個矩陣可以二維顯示，卻在單核心處理器上逐元素計算；一張依賴圖可以具有高度平行性，卻因資源不足而退化成串行排程。

因此，線性不是錯誤，而是需要被正確定位。它是：

一種儲存方式；
一種傳輸方式；
一種人類閱讀方式；
一種執行排程方式；
但不必然是資料與計算的完整本體。

二、從物理硬體開始：計算是一個結構化狀態轉移系統

在最低層，數位計算並不是一排抽象符號自行前進，而是由物理元件構成的狀態變化。

可以將一個簡化的計算系統表示為：

\mathcal{C} = (V,E,S,T)

其中：

$V$ ：邏輯閘、暫存器、記憶體單元、運算單元與通訊節點；
$E$ ：物理或邏輯連線；
$S$ ：各節點當前狀態；
$T$ ：由時鐘、事件、訊號與控制條件決定的狀態轉移規則。

即使指令在記憶體中被編號為：

I_1,I_2,I_3,\dots,I_n

實際執行仍可能出現：

指令預取；
流水線重疊；
亂序執行；
分支預測；
多發射；
向量化；
多核心並行；
快取與主記憶體的異步等待；
GPU 執行緒束；
跨裝置資料搬移。

因此，一段看似線性的程式，實際上可能形成一張時間依賴圖：

G_I=(V_I,E_I)

其中， $E_I$ 並不只是「下一條指令」，還可能是：

資料依賴；
控制依賴；
記憶體依賴；
同步依賴；
資源競爭；
通訊等待。

機器碼的線性地址主要回答「它存在哪裡」，不完整回答「它如何運作」。

三、五種常被混淆的計算形態

建立 AI 原生格式以前，必須先區分並發、平行、向量／矩陣、分散式與多維表徵。這些概念互有關聯，但不能混為一談。

3.1 並發計算

並發表示多個任務在同一時間區間內共同推進：

\{\tau_1,\tau_2,\dots,\tau_n\}

它們不必同時佔用多個物理運算單元。單核心也能透過切換與事件迴圈形成並發。

並發的核心是：

\text{多個未完成狀態共存}

而不是必然同時運算。

3.2 平行計算

平行表示多個運算在物理時間上同時發生：

\tau_i(t)\parallel\tau_j(t)

其條件通常包括：

存在多個運算資源；
任務能被分割；
依賴關係允許重疊；
通訊與同步成本不至於抵銷收益。

3.3 向量與矩陣計算

矩陣計算是對具結構的多元素資料施加規則化運算：

C=AB

其重要性不只在數學表示，而在於它暴露了：

元素間的索引關係；
批次計算機會；
區塊化與張量化可能性；
對 SIMD、GPU 與張量核心的映射能力。

但矩陣形式不等於必然平行。一個矩陣乘法仍可被單執行緒完成。

3.4 分散式與叢集計算

叢集計算將任務分布於多個節點：

\mathcal{N}=\{N_1,N_2,\dots,N_k\}

此時除了計算本身，還必須處理：

網路延遲；
節點失敗；
資料切分；
一致性；
重試；
時鐘與事件順序；
部分結果合併。

因此，叢集不是「更多核心」的簡單放大，而是新增了一整層治理問題。

3.5 多維表徵

多維表徵描述資料可同時沿多條軸組織：

X\in\mathbb{R}^{d_1\times d_2\times\cdots\times d_m}

這些維度可能代表：

橫列；
直欄；
時間；
空間；
語義角色；
版本；
來源；
不確定性；
因果層級。

多維資料不必被平行執行；平行計算也不必使用多維表徵。

因此：

\text{多維資料} \not\Rightarrow \text{必然平行}

\text{平行計算} \not\Rightarrow \text{資料必然是矩陣}

\text{叢集運算} \not\Rightarrow \text{節點共享單一記憶體}

四、資料格式應描述可並行性，而非強迫硬體並行

如果未來的 AI 矩陣格式直接規定：

使用者必須具備 GPU、超級電腦或叢集才能讀取。

那麼格式將過早綁定硬體，並失去普遍性。

更合理的原則是：

\boxed{ \text{格式描述邏輯可並行性，執行器決定物理並行程度。} }

例如，若四個區域彼此無依賴：

R_1\perp R_2\perp R_3\perp R_4

那麼執行器可以選擇：

在 GPU 上同時計算；
在四核心 CPU 上分工；
分派到四個叢集節點；
在單核心上依次處理。

只要依賴與一致性規則不變，其語義結果就應保持等價。

這裡需要引入兩個不同層次。

4.1 邏輯執行語義

描述：

哪些節點互相依賴；
哪些區域可以同時計算；
哪些操作需要同步；
哪些結果可以延遲合併；
哪些衝突需要仲裁。

4.2 物理執行語義

描述：

使用何種硬體；
分配多少核心；
是否使用 GPU；
是否跨機；
如何排程與分片；
如何容錯。

同一份格式應允許多種物理實作：

\mathcal{L} \rightarrow \{E_{CPU},E_{GPU},E_{Cluster},E_{Serial}\}

其中 $ \mathcal{L}$ 是邏輯結構， $E$ 是不同執行器。

五、計算基底契約：格式以前的第零層

為避免多向矩陣格式被誤解為複雜表格，本文提出在格式本身之前設立：

計算基底契約

Computational Substrate Contract，CSC

CSC 不負責保存具體知識內容，而是聲明該資料所假定的邏輯計算條件。

形式上可以表示為：

CSC= (D,P,C,S,F)

其中：

$D$ ：資料具有哪些邏輯維度；
$P$ ：可並行與依賴關係；
$C$ ：一致性與衝突處理；
$S$ ：切分、分片與同步規則；
$F$ ：串行退化與容錯方式。

範例：

substrate:
  logical_model: dependency_graph

  dimensions:
    - row
    - column
    - time
    - semantic_role

  execution:
    parallelizable: true
    serial_fallback: true
    deterministic: true

  consistency:
    model: dependency_ordered
    conflict_policy: explicit

  distribution:
    shardable: true
    partition_key: region
    global_clock_required: false

其主要目的不是告訴系統「必須如何跑」，而是告訴系統：

哪些結構可以被拆分；
哪些節點具有先後關係；
哪些區域是相互獨立的；
哪些結果需要全局一致；
哪些操作可以局部完成；
缺少平行硬體時如何退化。

因此，未來格式的處理鏈應是：

CSC \rightarrow \text{資料結構} \rightarrow \text{模型投影} \rightarrow \text{執行排程}

而不是：

\text{資料檔} \rightarrow \text{預設逐行讀取}

六、人類認知：不是純粹線性，而是有限顯性整合

若要建立 AI 原生格式，必須避免另一個過度簡化：

人類只能線性思考。

這也不完全正確。

人類的視覺、聽覺與感知系統包含大量平行處理。人可以同時感知顏色、形狀、方向、運動、音高、空間位置與情緒線索。問題不在於人類完全沒有平行能力，而在於：

人類能夠清楚操縱、穩定維持並對外報告的顯性注意內容通常有限。

因此，更合理的模型是：

\text{平行感知} + \text{有限工作記憶} + \text{序列化顯性推理}

人類可以感知一張複雜圖像的整體，但若要求同時追蹤：

八條因果鏈；
四個時間尺度；
三種例外規則；
多個同步狀態；
數十個矩陣區域；
不同節點的版本變化；

大多數未經訓練者會迅速超出穩定理解能力。

此時常見的認知策略包括：

將問題切成片段；
選擇單一路徑；
暫時忽略其他維度；
依序展開；
反覆回看與重建整體。

這意味著，人類注意不是單純線性，而是：

\text{碎片化取得} \rightarrow \text{序列化操作} \rightarrow \text{局部整合} \rightarrow \text{整體重建}

七、為什麼機器原生多維結構不能直接成為人類介面

若完整多向矩陣同時包含：

二維或高維位置；
方向路徑；
區域邊界；
語義角色；
依賴圖；
時序；
版本；
信心；
衝突；
多模型推論；

那麼直接把全部資訊顯示在人類眼前，並不等於透明。

透明性不是「全部顯示」，而是：

\text{使用者能夠理解目前所需的結構與後果}

完整機器結構應表示為：

\mathcal{M}_{machine}

人類介面則是對它的投影：

\Phi_{human} (\mathcal{M}_{machine})

其中 $ \Phi_{human}$ 必須根據任務、使用者能力、注意負荷與風險程度選擇顯示內容。

因此：

\boxed{ \text{對人類線性展示} \neq \text{在底層線性保存} }

人類介面可以仍然是一段逐步說明、一條導航路徑或一個局部表格，但底層不必丟失其他維度。

八、五種人類注意力投影模式

未來的多向矩陣格式閱讀器，至少需要以下五種模式。

8.1 導覽模式

只顯示：

主題；
摘要；
區域入口；
主要異常；
建議下一步。

適合第一次接觸資料的人。

8.2 路徑模式

一次只沿著一條依賴鏈閱讀：

A\rightarrow B\rightarrow C\rightarrow D

使用者可以在必要時切換路徑，而不是同時承受全部關係。

8.3 區域模式

只顯示某個局部矩陣區域及其規則：

R_k\subseteq M

適合檢查公式區、資料區、例外區或某個語義子空間。

8.4 衝突模式

只呈現：

不一致；
異常；
低信心；
版本差異；
依賴斷裂；
待人工確認項目。

這可以顯著降低審核負擔。

8.5 全局模式

顯示完整圖結構、區域關係與多向路徑。

此模式不應被假設適合所有人，而應主要提供給：

研究者；
工程師；
受過訓練的分析者；
AI 系統本身。

九、從硬體到格式的七層結構

本文提出以下七層架構，作為後續 AI 矩陣帳本格式的前置基礎。

L0：物理與計算基底

描述：

邏輯閘；
處理器；
記憶體；
加速器；
網路；
時鐘；
物理拓撲。

此層決定實際可用的計算資源。

L1：並發、平行與叢集契約

描述：

哪些任務可並發；
哪些可平行；
哪些可分片；
哪些必須同步；
如何退化為串行。

此層即 CSC 的主要作用範圍。

L2：矩陣與多維資料結構

描述：

格位；
橫列；
直欄；
區域；
張量軸；
時間軸；
空間軸。

L3：語義角色與依賴圖

描述：

標題；
輸入；
算子；
結果；
約束；
例外；
引用；
因果與支持關係。

L4：AI 訓練與推理投影

將完整結構轉換為：

序列；
矩陣；
張量；
圖；
多模態輸入；
自監督任務。

L5：人類注意力投影

提供：

線性導覽；
局部展開；
路徑追蹤；
衝突摘要；
全局檢視。

L6：版本、驗證與治理

保存：

來源；
作者；
模型版本；
修改歷史；
信心；
驗證狀態；
權限；
責任與審核紀錄。

完整關係為：

L_0 \rightarrow L_1 \rightarrow L_2 \rightarrow L_3 \rightarrow L_4 \rightarrow L_5 \rightarrow L_6

但這不是單向不可逆流程。上層的需求也可能反向約束下層實作，因此更完整的形式應是層間耦合：

L_i\leftrightarrow L_{i+1}

十、線性應被保留，但不再被當作唯一真實形式

本文並不主張淘汰線性資料。

線性具有重要優點：

易於傳輸；
易於串流；
易於版本比較；
易於日誌記錄；
適合人類逐步閱讀；
適合許多現有模型與工具。

真正需要改變的是：

不應再假設所有多維、圖狀與並行結構，都必須先被不可逆壓平成線性序列，才能進入計算。

更合理的方式是先保存完整結構：

\mathcal{K}_{full}

再依任務生成不同投影：

\Phi_{sequence}(\mathcal{K}_{full})

\Phi_{matrix}(\mathcal{K}_{full})

\Phi_{graph}(\mathcal{K}_{full})

\Phi_{human}(\mathcal{K}_{full})

因此，線性不再是底層真理，而是合法且必要的投影之一。

十一、對 AI 原生格式的七項基本命題

命題一：儲存序列不等於計算序列

若資料以線性位元組保存，不能據此推論其語義與執行本體也是線性的。

命題二：邏輯可並行性應被格式化保存

若資料區域或計算節點彼此獨立，格式應能明確表示，而不是依賴執行器重新猜測。

命題三：格式應允許串行退化

AI 原生格式不應要求特定高階硬體。任何並行描述都應存在可驗證的串行語義。

命題四：矩陣位置可以具有語義

橫列、直欄、區域、方向與邊界不必只是視覺效果，而可能承載正式資訊。

命題五：格式與顯示不能完全割裂

當顏色、邊界、對齊、區域與可見性承載任務角色時，顯示結構就是資料結構的一部分。

命題六：人類介面應是注意力投影

不能以「全部顯示」取代可理解性。人類介面必須對完整結構進行選擇性展開。

命題七：AI 與人類可以使用不同投影

同一知識本體可以同時產生機器矩陣、圖結構、序列輸入與人類逐步說明，不必強迫所有讀取者使用相同形式。

十二、可否證的研究方向

這套理論不能只停留在概念宣言，必須設計能夠失敗的實驗。

12.1 結構保存實驗

比較：

\mathcal{D}_{full}

與：

\Phi_{flat}(\mathcal{D}_{full})

在公式修復、異常偵測與跨尺寸泛化上的差異。

12.2 並行標註價值實驗

比較有無 CSC 可並行性標註時，排程器在不同硬體上的：

執行時間；
通訊量；
記憶體使用；
可重現性；
錯誤率。

12.3 串行退化一致性實驗

驗證：

E_{parallel}(D) \equiv E_{serial}(D)

若結果不同，格式必須能指出差異來自浮點順序、非確定性操作、競爭條件或一致性模型。

12.4 人類理解負荷實驗

比較三種介面：

完整全局結構；
線性壓平文件；
注意力適配的逐層投影。

測量：

理解正確率；
任務完成時間；
回溯次數；
路徑迷失；
主觀負荷；
錯誤修復品質。

12.5 AI 路徑選擇實驗

測試模型是否能根據任務，自主選擇：

橫向讀取；
縱向讀取；
區域掃描；
依賴圖遍歷；
時序路徑；
多路徑融合。

如果所有任務仍只能依賴單一路徑，則多向格式的實際價值需要重新評估。

十三、限制與風險

13.1 多維不代表更有效率

更多結構也意味著更多索引、元資料、同步與儲存成本。若任務本質簡單，線性格式可能仍是最佳選擇。

13.2 並行描述可能超過實際收益

過度細緻的依賴圖可能使排程成本高於計算本身。

13.3 形式結構不等於語義正確

矩陣、圖與格式角色可以高度一致，卻仍共同表達錯誤命題。

13.4 人類投影可能遮蔽重要資訊

若投影演算法選擇錯誤，使用者可能看不到關鍵依賴、異常或少數意見。

13.5 AI 可能形成不可審核的路徑偏好

模型若自主選擇閱讀路徑，必須留下路徑紀錄與理由，否則多向格式反而可能增加黑箱性。

13.6 硬體差異可能造成結果差異

平行浮點運算、非確定性歸約與分散式一致性模型可能使不同執行器產生微小甚至實質差異。

因此，格式必須保存：

確定性要求；
容許誤差；
歸約順序；
執行器資訊；
驗證摘要。

十四、從本文到 MLF 的發展順序

本文主張，AI 矩陣帳本格式不能直接從檔案副檔名或欄位規格開始。

合理順序應是：

第一階段：建立計算前提

完成：

線性與非線性計算層次區分；
並發、平行、矩陣與叢集定義；
CSC 計算基底契約；
串行退化原則。

第二階段：建立人機雙層閱讀理論

完成：

人類顯性注意限制；
線性投影；
區域導航；
路徑展開；
衝突模式；
全局模式。

第三階段：定義 MLF v0.1

才正式規範：

格位；
矩陣；
區域；
角色；
格式語義；
依賴；
路徑；
來源；
執行契約；
人類投影。

第四階段：實作最小編譯器

建立：

XLSX → MLF；
CSV → MLF；
Markdown → MLF；
MLF → 序列；
MLF → 張量；
MLF → 圖；
MLF → 人類閱讀器。

第五階段：可否證實驗

測試其是否真的在：

樣本效率；
token 效率；
泛化能力；
異常偵測；
人類理解；
排程效率；
可審核性；

方面優於現有表示。

十五、結論

現代數位文化長期依賴線性文字、指令與檔案流，因此人類很容易將線性形式視為計算的自然本體。但從實際硬體、處理器、記憶體、GPU、叢集與資料流系統來看，計算本身更接近受依賴、資源、同步與拓撲約束的狀態網路。

同時，人類也不是純線性系統。人類擁有平行感知，但顯性注意與可操作推理能力有限，往往需要將複雜結構切割、序列化與局部整合。因此，未來 AI 原生格式必須同時尊重兩個事實：

\text{機器計算不必線性}

以及：

\text{人類理解通常需要受控投影}

由此可以得到本文的核心原則：

\boxed{ \text{完整結構應被保存，線性應被保留為投影，而不是被誤認為唯一真實形式。} }

AI 矩陣帳本格式若要成立，就不能只是一套更複雜的表格語法。它必須建立在計算基底契約、多維資料結構、依賴圖、並行可用性、串行退化、人類注意力投影與治理機制之上。

換言之，真正的目標不是讓人類被迫像機器一樣同時理解所有維度，也不是讓機器永遠模仿人類逐行閱讀，而是建立一種共同中介層：

機器可以保留並運算完整的多向結構；人類可以透過可理解、可追蹤、可審核的投影進入其中。

這正是後續 MLF 技術規格得以開始的前提。

後續文件

《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 最小編譯器與矩陣學習基準實作計畫》

線性表徵之外_從物理計算基底到多向矩陣知識結構_v0.1