自然語言普遍可編程化命題

從 AGI 語義編譯、共享形式底座到全球語言的可執行化

作者：Neo.K、Aletheia（GPT）
版本：v0.1
日期：2026-07-24
文件類型：理論命題論文／AI 語言工程研究綱領

摘要

傳統程式語言之所以不同於自然語言，並不只是因為前者使用英文關鍵字、特殊符號或固定語法，而是因為程式語言將語意歧義、執行條件、變數關係、控制流程與錯誤處理壓縮進一套可被機器直接解析的形式系統。自然語言則允許省略、語境依賴、隱喻、多義、模糊與不完整表達，因此長期以來只能被視為需求描述、註解或人機介面的前端，而不能直接成為可靠的程式語言。

然而，當人工智慧逐步具備語義理解、上下文建模、歧義辨識、形式化、程序生成、測試、驗證、風險評估與執行協調能力後，程式語言的定義可能發生根本改變。未來真正承擔形式化成本的主體，可能不再是人類，而是 AI。此時，任何具有相對穩定語義、社群使用規範與可學習結構的自然語言，都可能成為形式程序的上層表達語言。

本文提出「自然語言普遍可編程化命題」：在足夠強的智能系統支援下，任意自然語言都可能透過 AI 維持的語義編譯映射，被轉換為共享形式語義、可執行程序、智能體工作流、機器控制指令或形式證明。這並不代表所有自然語言都將變成傳統意義上的 Python 或 C，而是自然語言將取得程式語言的核心功能：表達意圖、約束行為、觸發執行、生成可驗證結果。

本文進一步區分「可編譯」、「可驗證」與「可執行」三個層次，指出自然語言成為程式入口後，權限、責任、風險、可逆性與多主體同意將成為比語法更重要的問題。本文亦提出共享形式語義底座、多語言 Profile、歧義候選集、約束帳本與執行證書等架構，並討論其對程式語言理論、教育、低資源語言、全球技術平權、智能體系統與 EML／ULEI 的意義。

關鍵詞

自然語言編程、AGI、形式語義、語義編譯、共享形式底座、多語言程式設計、AI Agent、語言平權、程式語言理論、EML、ULEI

一、問題的根本轉變

1.1 傳統程式語言的必要性

傳統計算機無法直接理解人類意圖。人類必須先將意圖轉換為精確的形式表示，才能交由機器執行：

\text{人類意圖} \xrightarrow{\text{人類形式化}} \text{程式碼} \xrightarrow{\text{機器執行}} \text{結果}

在此架構中，程式語言是人類與機器之間的必要中介。它將：

對象；
狀態；
條件；
時序；
迴圈；
型別；
例外；
權限；
輸入；
輸出；

轉換為可由編譯器或直譯器處理的形式結構。

因此，程式設計的主要成本之一，不只是知道要做什麼，而是必須將「想做什麼」轉換成機器接受的結構。

1.2 自然語言為何長期不能直接編程

自然語言允許大量非形式性：

主體省略；
指涉不明；
時間邊界不明；
條件不完整；
詞義依賴情境；
同一句話具有多種合理解釋；
說話者可能不理解自身命令的後果；
指令可能與既有規則衝突；
相同表達在不同文化與領域中具有不同預設。

例如：

幫我把最近表現不好的產品先停掉。

這句話至少包含下列未決問題：

「最近」是七日、三十日、三個月或一季？
「表現不好」是收入、毛利、成長率、退貨率還是評價？
「停掉」是停止廣告、停止銷售、下架、停產還是刪除？
是否所有產品一律適用？
是否需要主管核准？
是否可撤回？
是否會影響已付款訂單？

如果機器直接執行，風險極高。因此，傳統系統要求人類自行將這些條件寫成明確程式。

1.3 AGI 改變的不是語言，而是形式化責任

當 AI 能夠：

理解上下文；
建立持續記憶；
抽取條件；
辨識歧義；
詢問缺失資訊；
生成形式規格；
建立測試；
模擬結果；
評估風險；
產生可執行程序；
根據失敗修正；

形式化責任便可能從人類轉移給 AI：

\text{人類意圖} \xrightarrow{\text{AI 語義編譯}} \text{形式程序} \xrightarrow{\text{驗證與執行}} \text{結果}

因此，真正的歷史轉變不是「自然語言突然變精確」，而是：

有一個足夠強的智能系統，能在自然語言與形式系統之間持續維護可檢驗的映射。

二、自然語言普遍可編程化命題

2.1 命題定義

本文提出：

自然語言普遍可編程化命題：當智能系統具有足夠的語義理解、語境建模、歧義管理、形式化、驗證與執行能力時，任何具有穩定社群使用與可學習語義結構的自然語言，都可能成為形式程序的上層表達語言。

令自然語言集合為：

\mathcal{N} = \{L_1,L_2,\ldots,L_n\}

令共享形式語義空間為：

\mathcal{S}

則對每一自然語言 $L_i$ ，理論上存在一個由智能系統維持的映射：

\Phi_i: L_i \rightarrow \mathcal{S}

再由形式語義空間投影至不同執行後端：

\Psi_j: \mathcal{S} \rightarrow P_j

其中 $P_j$ 可以是：

傳統程式碼；
資料庫查詢；
工作流；
智能體任務圖；
機器人控制程序；
模擬模型；
數學證明；
政策規則；
合約執行邏輯。

完整路徑為：

L_i \xrightarrow{\Phi_i} \mathcal{S} \xrightarrow{\Psi_j} P_j

2.2 映射不必唯一

自然語言通常不具唯一解釋，因此：

\Phi_i(x) \neq s

而更可能是：

\Phi_i(x) = \{s_1,s_2,\ldots,s_k\}

其中每個 $s_j$ 都是合理候選。

成熟的 AI 編譯器不應在歧義存在時偷偷選擇其中一個，而應：

列出候選；
評估差異；
判斷是否影響執行；
在必要時要求澄清；
保存選擇理由；
將未確認假設顯式標註。

因此，未來自然語言程式設計的核心品質，不是「總能猜出使用者想要什麼」，而是：

能正確知道何時已經理解，何時仍未理解。

三、所有語言成為程式語言的真正含義

3.1 不是每種語言都要重造 Python

「全世界的語言都可能成為程式語言」不應理解為：

中文版 Python；
日文版 Rust；
阿拉伯文 JavaScript；
台語版 C；
每種語言各自建立互不相容的標準函式庫。

這種路徑會造成巨大生態碎裂。

更合理的未來是：

\begin{aligned} L_1 &\rightarrow \mathcal{S} \\ L_2 &\rightarrow \mathcal{S} \\ L_3 &\rightarrow \mathcal{S} \\ &\vdots \\ L_n &\rightarrow \mathcal{S} \end{aligned}

所有自然語言都透過自己的語言 Profile 進入共享形式語義空間。

之後再由共享形式語義投影到各種技術系統：

\mathcal{S} \rightarrow \begin{cases} \text{Python}\\ \text{SQL}\\ \text{Rust}\\ \text{JavaScript}\\ \text{EML-P}\\ \text{EML-U}\\ \text{Agent Workflow}\\ \text{Robot Control} \end{cases}

因此，每種語言獲得的是「通往形式世界的原生入口」，而不是孤立的編程生態。

3.2 自然語言將成為上層源碼

在這種架構下，使用者的自然語言不再只是需求文件，而可能成為系統保留的第一層源碼：

原始語言意圖
↓
受控意圖
↓
約束帳本
↓
共享形式語義
↓
技術後端

原始語句需被永久保留，因為它記錄：

誰提出了意圖；
意圖如何表達；
哪些條件是明示的；
哪些條件是推論的；
哪些條件經過澄清；
後續修改改變了什麼。

因此，自然語言程式不是被翻譯後即丟棄，而是成為版本控制的一部分。

3.3 方言、混合語與個人語言也可能可編程

一旦 AI 能利用長期上下文與社群語境，程式入口不必限於標準語言。

可能成為程式入口的形式包括：

方言；
地區用語；
行業術語；
中英混合；
手勢加語言；
圖像加語言；
個人長期慣用命令；
組織內部縮寫；
社群特有表達。

所以未來的程式語言邊界不再由標準語法決定，而由下列條件決定：

\text{表達是否能穩定映射到可驗證意圖}

四、可編譯、可驗證與可執行必須分離

4.1 可編譯不等於可執行

自然語言可以被形式化，不代表系統應立即執行。

\text{Compilable} \neq \text{Executable}

例如：

刪除所有過去一年沒有登入的帳號。

這句話可以被精確編譯，但仍可能涉及：

法律保存義務；
誤刪風險；
付費資料；
帳號所有權；
第三方整合；
不可逆損失；
權限不足。

因此，完整流程必須是：

\text{自然語言} \rightarrow \text{候選意圖} \rightarrow \text{形式化} \rightarrow \text{權限檢查} \rightarrow \text{風險評估} \rightarrow \text{驗證} \rightarrow \text{執行或拒絕}

4.2 三階段模型

可將自然語言程序分成三個狀態：

第一階段：可編譯

系統能將語句映射為形式結構：

L \rightarrow S

第二階段：可驗證

系統能檢查：

條件是否完整；
是否存在衝突；
是否符合測試；
是否違反規則；
是否保留原始約束。

S \rightarrow V(S)

第三階段：可執行

系統確認：

發話者具有權限；
執行風險在容許範圍；
必要同意已取得；
執行環境安全；
回復方案存在。

V(S) \land A(S) \land R(S) \rightarrow \operatorname{Execute}(S)

其中：

$V(S)$ ：驗證通過；
$A(S)$ ：授權成立；
$R(S)$ ：風險可接受。

4.3 執行權不應由語言流暢度決定

未來 AI 可能非常擅長把任何語句轉換成看似合理的程序。但流暢理解不代表合法權限。

因此：

\text{語義理解能力} \neq \text{執行正當性}

AI 必須區分：

我理解你要做什麼；
你是否有權要求這件事；
這件事是否允許被執行；
是否需要其他主體同意；
是否能撤回；
是否會替其他主體完成不可撤回選擇。

自然語言可編程化之後，真正困難的問題將由語法轉向權力與責任。

五、共享形式語義底座

5.1 共享底座的必要性

若每種自然語言直接映射到每種程式後端，系統複雜度將近似：

O(|\mathcal{N}|\times|\mathcal{P}|)

其中：

$|\mathcal{N}|$ ：自然語言數量；
$|\mathcal{P}|$ ：執行後端數量。

若引入共享形式語義底座，則可降為近似：

O(|\mathcal{N}|+|\mathcal{P}|)

每種自然語言只需建立到共享語義層的映射，每個後端也只需建立從共享語義層的投影。

5.2 共享底座應包含什麼

共享形式語義至少應能表達：

主體；
對象；
動作；
條件；
例外；
時序；
數量；
空間；
因果；
權限；
義務；
禁止；
可逆性；
風險；
資料來源；
預期結果；
不確定性；
未決問題。

形式上，可表示為：

S = (A,O,R,C,E,T,Q,P,D,X,U)

其中：

$A$ ：Actor，行動主體；
$O$ ：Object，作用對象；
$R$ ：Relation／Action，關係與動作；
$C$ ：Condition，條件；
$E$ ：Exception，例外；
$T$ ：Temporal，時序；
$Q$ ：Quantification，數量與範圍；
$P$ ：Permission，權限；
$D$ ：Dependency，依賴；
$X$ ：Expected Outcome，預期結果；
$U$ ：Uncertainty，不確定性。

5.3 底座不能假裝完全中立

共享語義層雖應盡可能語言中立，但不可能假設所有語言、文化與制度都共享完全相同的概念切分。

因此，底座必須允許：

語言特有概念；
文化特有關係；
不可完全翻譯項；
多重候選映射；
局部擴充；
語義損失報告；
未知或不可判定狀態。

正確目標不是消滅差異，而是讓差異可被明確表示。

六、語言 Profile 與形式接口

6.1 每種自然語言都需要自己的 Profile

語言 Profile 應處理：

文字正規化；
分詞；
詞義辨識；
代詞解析；
主詞省略；
時間表達；
量詞；
否定；
例外；
地域術語；
專業術語；
禮貌形式；
命令強度；
不確定語氣；
多義候選。

例如中文中的「先」、「再」、「除非」、「只要」、「才」、「仍然」、「原則上」、「盡量」都可能對執行邏輯產生不同影響。

6.2 Profile 的輸出不是程式碼

語言 Profile 的直接輸出應是：

受控意圖
歧義候選
約束集合
語義來源對齊
未決問題

而不是直接生成 Python 或 SQL。

其原因是，如果自然語言解析與技術後端綁定，將無法確認錯誤究竟來自：

語言理解；
形式化；
後端投影；
執行環境。

分層後，錯誤才能被定位。

6.3 多語言對同一語義節點的映射

不同語言可以對應同一共享概念：

l_{zh} \sim l_{en} \sim l_{ja} \sim s

但不必要求字面相同。語言 Profile 保存各自表達，形式層保存共同約束。

如此一來，多語言系統不只是翻譯工具，而是：

將不同語言的意圖映射到同一個可驗證操作結構。

七、自然語言程式的最小資料結構

理想的自然語言程式單元可表示為：

D = (I,C,A,K,S,P,T,X,E,R,V,M)

其中：

$I$ ：原始意圖；
$C$ ：受控表達；
$A$ ：歧義候選；
$K$ ：約束帳本；
$S$ ：共享形式語義；
$P$ ：後端程序；
$T$ ：測試；
$X$ ：執行軌跡；
$E$ ：錯誤；
$R$ ：修正歷程；
$V$ ：驗證證書；
$M$ ：來源與版本資訊。

7.1 約束帳本

約束帳本記錄每個自然語言片段如何進入形式系統：

k_i = (l_i,c_i,s_i,p_i,t_i,v_i)

其中：

$l_i$ ：原始語句片段；
$c_i$ ：受控規則；
$s_i$ ：形式語義節點；
$p_i$ ：程式位置；
$t_i$ ：測試；
$v_i$ ：驗證結果。

例如：

constraint:
  source_span: "排除測試帳號"
  controlled_rule:
    field: account_type
    operator: not_equal
    value: test
  semantic_node: filter_03
  projection:
    target: sql
    location: where_clause_03
  test: test_exclude_test_accounts
  status: preserved

7.2 假設必須顯式記錄

系統應區分：

explicit
inferred
assumed
clarified
unknown

否則 AI 可能把自己的合理推測偽裝成使用者原意。

例如：

temporal_range:
  value: previous_30_days
  status: assumed
  reason: "最近"未明確定義

對高風險任務，任何 assumed 條件都不應直接執行。

八、程式語言能力的重新定義

8.1 傳統編程能力

傳統程式能力常包含：

記憶語法；
理解資料結構；
撰寫函式；
除錯；
使用套件；
管理執行環境。

8.2 未來編程能力

當 AI 承擔大部分語法與實作工作後，人類的核心能力可能轉向：

C_{\text{future}} = C_{\text{intent}} + C_{\text{constraint}} + C_{\text{evaluation}} + C_{\text{responsibility}}

其中：

$C_{\text{intent}}$ ：形成清楚目標；
$C_{\text{constraint}}$ ：辨認條件、例外與邊界；
$C_{\text{evaluation}}$ ：判斷輸出是否真正符合需求；
$C_{\text{responsibility}}$ ：理解決策、風險與他者權利。

未來最重要的編程問題可能不再是：

這段程式碼怎麼寫？

而是：

你究竟要求系統做什麼？哪些結果不能接受？誰有權決定？錯誤由誰承擔？

8.3 不會寫程式碼不代表不需要思考

自然語言編程不會讓複雜性消失。它只會改變複雜性所在的位置。

過去的複雜性集中於：

語法；
API；
框架；
工具鏈。

未來的複雜性可能集中於：

問題定義；
多主體利益；
約束衝突；
不確定性；
長期後果；
權限與責任。

因此，AI 降低的是形式轉換成本，而不是世界本身的複雜度。

九、語言平權與全球技術結構

9.1 英文中心的計算入口

現代程式設計、技術文件與軟體生態高度依賴英文。非英文使用者往往需要先學習英文術語，再進入形式計算世界：

L_i \rightarrow \text{English} \rightarrow \text{Formal System}

這造成額外的語言成本與知識門檻。

9.2 原生形式入口

若每種語言都能直接進入共享形式語義：

L_i \rightarrow \mathcal{S}

則使用者可以用自己的母語：

描述工作流程；
建立資料查詢；
控制設備；
編寫政策規則；
進行數學形式化；
建立智能體任務；
操作數位基礎設施。

這將形成一種新的語言平權：

不要求所有人先通過同一種自然語言，才能取得計算能力。

9.3 低資源語言不會自動受益

但是，自然語言普遍可編程化不會自動實現。低資源語言可能面臨：

語料不足；
方言差異；
書寫標準不穩定；
技術術語缺失；
模型理解偏差；
缺乏在地驗證者；
商業誘因不足。

因此，語言平權需要主動建設：

開源語言 Profile；
在地語料；
形式對齊資料；
社群驗證；
術語資料庫；
執行測試；
文化差異標註；
公開治理。

9.4 語言不應因使用人口少而失去形式能力

在共享形式底座下，為一種低資源語言增加程式能力，不再需要重建完整編譯器與軟體生態。只需建立：

\Phi_L: L \rightarrow \mathcal{S}

因此，邊際成本可能顯著下降。這為小型語言、原住民族語言與地方語言保留提供新的技術可能性：

語言不只被保存為文化文本，也能被保存為操作世界的介面。

十、教育的根本改變

10.1 程式教育不再以語法為起點

未來程式教育可以從：

描述目標；
拆分條件；
找出例外；
建立測試；
比較不同實作；
檢查 AI 理解；
理解風險；

開始，而不是先背誦關鍵字。

學生可以使用母語描述任務，然後觀察：

自然語言
→ 受控規格
→ 流程圖
→ 程式碼
→ 執行結果

10.2 傳統程式碼仍然重要

這不表示程式碼教育會完全消失。高階開發者、基礎設施工程師與安全研究者仍需理解：

底層執行；
記憶體；
併發；
編譯；
系統調用；
硬體；
效能；
安全邊界。

但對大多數使用者而言，程式碼可能從唯一入口變成可選的精細控制層。

10.3 新型識字能力

未來數位識字可能包含：

能否清楚表達可執行意圖；
能否辨認 AI 加入的假設；
能否讀懂形式化摘要；
能否檢查測試；
能否理解權限與副作用；
能否拒絕錯誤自動化。

這是一種「可執行語言素養」。

十一、AI Agent 與多主體系統

11.1 自然語言將直接生成工作流

未來使用者可直接說：

每週整理研究進度，把有實驗結果的節點交給驗證代理，把只有概念草稿的節點交給文獻代理；任何公開發布都必須等我批准。

AI 將其編譯為：

排程；
節點分類；
Agent 分工；
權限；
發布閘門；
失敗處理；
通知規則。

自然語言因此不只是呼叫單一工具，而是生成持續運行的多智能體制度。

11.2 多主體同意

當任務影響多個主體時，單一使用者的自然語言不能自動覆蓋其他主體的選擇。

因此應加入：

\operatorname{Execute}(S) \Rightarrow \bigwedge_{a\in A_{\text{affected}}} \operatorname{ConsentOrAuthority}(a,S)

這表示，凡是涉及其他主體不可撤回利益的程序，都需檢查其授權、同意或合法代理關係。

11.3 自然語言制度編程

當規則、權限與 Agent 都可用自然語言配置，程式設計將逐漸接近制度設計。

使用者不只是在寫函式，而是在定義：

誰可以做什麼；
什麼條件下可以做；
誰能撤回；
何時需要多人同意；
失敗時如何補救；
記錄由誰保存；
誰能審查。

這使自然語言編程成為政治、法律與治理問題，而不只是技術問題。

十二、EML／ULEI 的理論位置

12.1 ULEI：共享形式語義的工程核心

在自然語言普遍可編程化架構中，ULEI 可被重新定位為：

多語言人類意圖、形式語義與多執行後端之間的通用語言工程基礎設施。

其功能不只是程式語言互轉，而是維護：

自然語言 Profile
↕
受控意圖
↕
Canonical Semantic IR
↕
多種程式與智能體後端

12.2 EML-P：可執行高密度投影

EML-P 可作為共享形式語義的一種：

高密度；
AI 友善；
可執行；
可壓縮；
可驗證；

投影。

它不需要成為所有人直接書寫的語言，而可以成為 AI 之間交換形式意圖的中介層。

12.3 EML-U：空間與視覺語義投影

EML-U 可承載：

語義圖；
約束圖；
多智能體關係；
執行流程；
權限結構；
因果網路；
多層形式對齊。

因此，EML-U 可成為自然語言程序的可視化檢查層。

12.4 MFCL／CFCL：多語言入口

MFCL 與 CFCL 則分別負責：

所有自然語言的共同形式化接口；
中文特有的語義、歧義與術語處理。

整體結構為：

\text{Natural Languages} \rightarrow \text{MFCL Profiles} \rightarrow \text{ULEI Canonical IR} \rightarrow \text{EML / Traditional Backends}

十三、自然語言程式的驗證體系

13.1 六級驗證

可採用以下層級：

V0：可解析

自然語言輸入能被切分、辨識與結構化。

V1：結構一致

受控意圖與形式 IR 在結構上對應。

V2：語義保持

所有明示約束均有形式節點。

V3：行為驗證

生成程序通過輸入輸出測試。

V4：性質驗證

關鍵不變量、權限與安全性質被檢查。

V5：形式證明

部分高風險程序可由形式證明系統驗證。

13.2 語義保持率

S_{\text{retain}} = \frac{\text{被正確保留的約束數}} {\text{全部明示約束數}}

13.3 靜默遺失率

R_{\text{silent-loss}} = \frac{\text{未報告但實際遺失的約束數}} {\text{全部約束數}}

自然語言編程最重要的工程目標之一是：

R_{\text{silent-loss}}=0

因為明確報告「無法表示」比悄悄遺漏條件更安全。

13.4 假設透明度

T_{\text{assumption}} = \frac{\text{被明示標記的推論與假設}} {\text{全部推論與假設}}

理想目標為：

T_{\text{assumption}}=1

十四、主要風險

14.1 語義幻覺

AI 可能生成一個形式上完整、但不是使用者原意的程序。這比一般文字幻覺更危險，因為它可能直接改變世界。

14.2 自動化權力集中

若少數模型供應者控制自然語言到形式程序的映射，它們將實際控制：

哪些命令被理解；
哪些概念可被表達；
哪些行動被允許；
哪些語言被優先支持；
哪些文化預設被視為標準。

因此，共享形式底座與語言 Profile 應具備開放標準與可替換實作。

14.3 語言差異被錯誤壓平

不同文化中的責任、親屬、土地、所有權、承諾與共同體概念可能無法完全對應。系統若強制映射到單一概念，可能造成語義殖民。

14.4 使用者失去能力

若所有形式化工作都交給 AI，人類可能逐漸失去：

拆解問題；
理解系統；
檢查結果；
發現錯誤；
判斷可行性；

的能力。

因此，介面應保留可檢查的中間層，而不是只顯示最終結果。

14.5 不可逆操作

自然語言非常容易讓使用者低估命令後果。高風險操作應預設：

模擬；
預覽；
延遲執行；
多重確認；
備份；
回復計畫；
最小權限；
審計記錄。

十五、理論命題群

命題一：形式化責任轉移命題

當 AI 的語義理解與驗證能力超過一定閾值後，程式形式化的主要成本將由人類轉移至 AI。

C_{\text{human-formalization}} \downarrow \quad\text{as}\quad C_{\text{AI-semantic}} \uparrow

命題二：自然語言入口普遍化命題

對任何具有穩定語義社群的自然語言 $L$ ，存在建立其形式語義接口的可能：

\forall L\in\mathcal{N}, \exists \Phi_L: L\rightarrow\mathcal{S}

命題三：共享底座效率命題

多語言系統經由共享形式語義層的工程成本，低於所有語言與所有後端兩兩直接映射。

|\mathcal{N}|+|\mathcal{P}| < |\mathcal{N}|\cdot|\mathcal{P}|

命題四：程式語言概念擴張命題

未來程式語言的定義將從「具有固定形式語法的語言」擴張為：

能穩定表達、形式化、驗證並觸發計算行為的語義介面。

命題五：權限優先命題

當自然語言可直接生成可執行行為後，系統安全的主要瓶頸將逐漸從語法正確性轉向權限、責任與多主體同意。

\text{Future Safety Bottleneck} \approx \text{Authority} + \text{Responsibility} + \text{Consent}

命題六：語言平權條件命題

自然語言普遍可編程化只有在語料、Profile、社群驗證與開放治理同時存在時，才會產生真正的語言平權。

E_{\text{linguistic}} = f(D,P,V,G)

其中：

$D$ ：資料；
$P$ ：語言 Profile；
$V$ ：在地驗證；
$G$ ：治理。

十六、研究路線

16.1 第一階段：中文驗證

先以繁體中文建立：

自然語言輸入；
受控中文；
約束帳本；
Canonical IR；
Python／SQL 投影；
自動測試；
語義保持證書。

16.2 第二階段：同語義多表達

收集同一任務的：

正式中文；
口語中文；
簡體中文；
台灣術語；
中國大陸術語；
中英混合；
模糊表達；
省略表達。

檢查是否映射到同一形式語義。

16.3 第三階段：多語言平行映射

選擇英文、日文與其他語言，建立：

L_1,L_2,L_3 \rightarrow S

驗證不同語言是否保持相同約束。

16.4 第四階段：Agent 工作流

將自然語言映射到：

多 Agent 分工；
權限；
排程；
記憶；
審核；
失敗恢復；
人類批准節點。

16.5 第五階段：高風險形式化

研究：

法律規則；
財務操作；
工業控制；
醫療行政；
公共政策；
多主體權限。

此階段必須加入形式驗證與治理研究。

十七、哲學意義

17.1 語言從描述世界轉向操作世界

自然語言長期具有：

描述；
記錄；
說服；
承諾；
命令；
規範；
想像；

等功能。

當它可被 AI 編譯為形式程序後，語言新增：

\text{Language} \rightarrow \text{Verified World Operation}

一句話可能建立網站、修改資料、安排機器人、生成制度或啟動智能體群。

17.2 說話與行動的距離縮短

過去，說出意圖與完成行動之間存在大量人力與技術中介。未來這個距離可能大幅縮短：

d(\text{utterance},\text{execution}) \downarrow

但距離縮短同時意味著責任加重。語言將更接近行動本身。

17.3 程式語言與自然語言的邊界消融

最終，以下分類可能不再是互斥類別：

自然語言；
程式語言；
規格語言；
法律語言；
工作流語言；
智能體命令語言；
形式證明語言。

它們可能成為同一語義系統在不同精度、風險與用途下的投影。

十八、結論

「全世界的語言都可能成為程式語言」並不是指所有語言都必須模仿現有程式語法，也不是每個文化都要建立一套封閉編譯器。

更準確的理解是：

當 AI 能夠承擔語義理解、歧義管理、形式化、驗證、權限檢查與執行協調時，任何自然語言都可能成為形式程序的上層入口。

其核心架構為：

\text{Natural Language} \rightarrow \text{Language Profile} \rightarrow \text{Controlled Intent} \rightarrow \text{Shared Formal Semantics} \rightarrow \text{Verification} \rightarrow \text{Execution Backend}

這將重新定義：

程式語言；
編程能力；
數位識字；
技術教育；
語言平權；
智能體治理；
人類與機器的責任邊界。

未來真正的變化，不只是中文、英文或其他語言成為程式語言，而是「程式語言」本身將不再由固定語法獨占。

自然語言將成為意圖層，形式語義將成為共享底座，AI 將成為持續運作的語義編譯與驗證系統，而傳統程式碼則成為多種可執行投影之一。

因此，可以提出本文最後的總命題：

當智能足以維持自然語言與形式行為之間的可靠映射時，語言不再只是描述世界的工具，而將成為可驗證地操作世界的通用介面。

附錄 A：最小形式架構

Natural Language Input
        ↓
Language-Specific Profile
        ↓
Ambiguity Candidate Set
        ↓
Controlled Intent
        ↓
Constraint Ledger
        ↓
Canonical Semantic IR
        ↓
Authority / Risk / Consent Check
        ↓
Program Projection
        ↓
Sandbox Test and Simulation
        ↓
Verification Certificate
        ↓
Execution or Refusal

附錄 B：範例

原始中文：

明天如果雨量比今天高，就不要開東側灌溉；但若二號田土壤濕度低於安全值，仍然開啟二十分鐘。

受控意圖：

actor: irrigation_controller
time: tomorrow
default_rule:
  condition:
    tomorrow_rainfall > today_rainfall
  action:
    east_irrigation = off
exception:
  condition:
    field_2_soil_moisture < safety_threshold
  action:
    east_irrigation = on
    duration: 20_minutes

需揭露的問題：

open_questions:
  - rainfall_measurement_window
  - safety_threshold_source
  - sensor_failure_policy
  - manual_override_priority

形式語義：

\begin{aligned} &\text{If }R_{t+1}>R_t,\text{ then }I_E=0;\\ &\text{unless }M_2<\theta,\text{ then }I_E=1\text{ for }20\text{ minutes.} \end{aligned}

此範例顯示：自然語言可以成為程式入口，但只有在時間範圍、安全閾值、感測器失敗與人工覆寫規則被處理後，才適合執行。

附錄 C：後續論文方向

自然語言程式的權限與不可撤回選擇；
多語言共享形式語義中的文化不可約性；
低資源語言的形式化基礎設施；
自然語言程式的責任歸屬；
多 Agent 制度編程；
語義編譯器的形式驗證；
自然語言程式的版本控制；
程式語言與法律語言的融合；
AI 時代的可執行語言素養；
EML／ULEI 多語言形式底座實作。

自然語言普遍可編程化命題_v0.1