多版本競爭與演化選擇：AI 如何生成、比較與保留執行變體

Multi-Version Competition and Evolutionary Selection: How AI Generates, Compares, and Retains Executable Variants

系列名稱：AI 自適應封裝與遞歸演化計算論（AI-Adaptive Encapsulation and Recursive Evolutionary Computation, AEREC）
系列編號：EML-AEREC-2026-06
作者：Neo.K（許筌崴）with Aletheia（GPT）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1 多版本競爭與選擇框架初稿
日期：2026 年 7 月 29 日
文件定位：多版本演化、候選族群、Pareto 選擇、環境適應度、版本保種、專用化與通用化

摘要

AI 自適應封裝不應被理解為每一代只生成一個新版本，再以單一效能指標決定是否替換舊版本。真實應用同時面對多種硬體、資料分布、工作負載、能源限制、延遲要求、安全級別、網路條件與治理政策。某一版本可能在低延遲環境中最優，卻在能源、記憶、可維護性或安全性上顯著劣化；另一版本可能在平均情況下普通，卻在故障、離線、分布外輸入或低資源環境中更穩健。若演化引擎只保留單一「冠軍版本」，系統容易因 benchmark 過度擬合、環境漂移、硬體改變或共同失敗模式而失去韌性。

本文提出「多版本競爭與演化選擇」框架。第 $n$ 代演化族群表示為：

\mathcal P_n = \left\{ P_{n,1},P_{n,2},\ldots,P_{n,k} \right\}.

每個版本不只是一份程式碼，而是一組跨層基因型：

g(P_{n,i}) = \left( g_{\mathrm{repr}}, g_{\mathrm{alg}}, g_{\mathrm{data}}, g_{\mathrm{IR}}, g_{\mathrm{compiler}}, g_{\mathrm{runtime}}, g_{\mathrm{package}}, g_{\mathrm{hardware}}, g_{\mathrm{governance}} \right),

並在環境 $E$ 中形成可觀測表現型：

\phi(P_{n,i},E) = \left( \text{行為}, \text{成本}, \text{風險}, \text{可靠性}, \text{證據強度} \right).

版本適應度不由單一速度決定，而由功能契約、環境條件、多目標成本、剩餘風險、驗證強度與多樣性價值共同構成：

\mathcal F(P\mid E) = \mathcal F_{\mathrm{contract}} + \mathcal F_{\mathrm{performance}} + \mathcal F_{\mathrm{robustness}} + \mathcal F_{\mathrm{evidence}} + \mathcal F_{\mathrm{diversity}} - \mathcal F_{\mathrm{risk}}.

本文區分「淘汰」、「停用」、「隔離」、「保種」與「歸檔」。未被選為當前正式版本，不代表該版本毫無價值。某些版本應作為低資源備援、異質硬體版本、災難恢復版本、反事實基準、歷史錨點或多樣性保種而被保留。本文因此提出版本生態，而不是單線版本鏈。

本文進一步提出環境條件化 Pareto 前沿：

\mathcal P^\star(E) = \operatorname{Pareto} \left( \mathcal P_n\mid E \right),

以及動態版本選擇器：

P_t^\star = \arg\min_{P\in\mathcal P^\star(E_t)} J_{\mathbf w_t}(P),

其中 $E_t$ 是當前環境， $\mathbf w_t$ 是當前成本權重。若環境辨識不確定，系統應保守退回通用穩定版，而不是強行選擇高度專用版本。

本文也處理候選生成與遺傳式組合。AI 可以將已證實有效的局部改寫重組為新版本，但局部有效不保證組合有效。版本交叉、模組合併與多層改寫必須經過介面、效果、時序、資源與治理驗證。本文提出版本譜系、改寫來源圖、貢獻歸因、近親退化與共享漏洞風險。

本文最後主張，多版本競爭的目標不是創造永遠贏過所有版本的單一終極程式，而是維持一個能在環境變動、風險出現與新硬體到來時，快速切換、重新組合與繼續演化的合法版本族群。

關鍵詞：多版本競爭、演化選擇、版本族群、Pareto 前沿、適應度、變體多樣性、版本保種、AI 自適應封裝、專用化

1. 問題的提出：為什麼不能只保留最快版本

假設候選版本有：

P_a, P_b, P_c.

其中：

$P_a$ 平均延遲最低；
$P_b$ 能源最低；
$P_c$ 在故障與分布外輸入下最穩定。

若只以平均延遲排序：

P_a = \arg\min_P J_L(P),

系統會淘汰 $P_b$ 與 $P_c$ 。

但若部署環境從雲端切換到邊緣設備，或正式資料分布改變，原本的冠軍版本可能立即退化。

因此：

\boxed{ \text{某一環境中的最優版本，不等於所有未來環境中的最優版本。} }

多版本競爭要解決的不是「誰永遠最好」，而是：

哪些版本在什麼環境下更好；
哪些版本應正式啟用；
哪些版本應作為備援；
哪些版本應被隔離；
哪些版本雖不部署，仍值得保留。

2. 版本族群

第 $n$ 代版本族群定義為：

\boxed{ \mathcal P_n = \left\{ P_{n,1}, P_{n,2}, \ldots, P_{n,k} \right\}. }

每個版本均共享：

身分根；
基礎功能契約；
權威程式本體來源；
演化歷史；
治理框架。

但可具有不同：

演算法；
資料結構；
編譯策略；
硬體映射；
封裝方式；
適用域；
成本向量；
附加契約。

2.1 版本狀態

s(P) \in \left\{ \mathsf{candidate}, \mathsf{verified}, \mathsf{active}, \mathsf{standby}, \mathsf{preserved}, \mathsf{deprecated}, \mathsf{quarantined}, \mathsf{archived} \right\}.

2.2 族群不是版本垃圾場

不是所有歷史版本都應進入活動族群。活動族群只保留仍具有部署、備援、比較、組合或知識價值的版本。

3. 版本基因型與表現型

3.1 基因型

版本的跨層結構可表示為：

g(P) = \left( g_{\mathrm{task}}, g_{\mathrm{repr}}, g_{\mathrm{alg}}, g_{\mathrm{data}}, g_{\mathrm{IR}}, g_{\mathrm{compiler}}, g_{\mathrm{runtime}}, g_{\mathrm{package}}, g_{\mathrm{hardware}}, g_{\mathrm{interface}}, g_{\mathrm{governance}} \right).

它描述版本「如何被實現」。

3.2 表現型

版本在環境 $E$ 下的實際表現為：

\phi(P,E) = \left( Y, \mathbf J, R, A, Z \right),

其中：

$Y$ ：可觀測行為；
$\mathbf J$ ：成本向量；
$R$ ：風險；
$A$ ：可用性與穩健性；
$Z$ ：證書與證據強度。

3.3 基因型不直接決定表現型

同一版本在不同環境中：

\phi(P,E_1) \neq \phi(P,E_2).

所以版本不能脫離環境被宣稱為絕對快速或絕對穩健。

4. 環境空間

令環境為：

E = \left( H, O, W, D, N, C, R, T \right),

其中：

$H$ ：硬體；
$O$ ：作業系統與執行時；
$W$ ：工作負載；
$D$ ：資料分布；
$N$ ：網路與外部依賴；
$C$ ：成本權重；
$R$ ：風險與權限；
$T$ ：期限與時序要求。

4.1 環境分區

環境可以被分為：

\mathcal E = \left\{ E_1,E_2,\ldots,E_m \right\}.

每個區域對應一組近似穩定的執行條件。

4.2 環境漂移

E_{t+1} \neq E_t.

漂移可能來自：

輸入變化；
新硬體；
併發改變；
網路狀態；
能源政策；
安全事件；
法規；
模型或依賴更新。

5. 適應度不是單一分數

版本適應度可定義為：

\mathcal F(P\mid E) = \mathcal F_C + \mathcal F_P + \mathcal F_R + \mathcal F_Z + \mathcal F_D - \mathcal F_X.

其中：

$\mathcal F_C$ ：契約符合度；
$\mathcal F_P$ ：效能與成本；
$\mathcal F_R$ ：穩健性與恢復能力；
$\mathcal F_Z$ ：證據強度；
$\mathcal F_D$ ：多樣性與備援價值；
$\mathcal F_X$ ：風險、維護與遷移負擔。

但不應把所有維度強制壓縮成單一永久分數。更穩健的方式是保存向量：

\mathbf F(P\mid E).

6. 契約先於競爭

版本必須先通過功能契約門：

P \equiv_{\mathcal C} P^\ast.

不符合契約的候選，不應因為更快而進入競爭。

所以合法競爭集合為：

\mathcal P_n^{\mathrm{legal}} = \left\{ P\in\mathcal P_n \mid P\equiv_{\mathcal C}P^\ast \right\}.

競爭發生在合法版本之間，而不是以效能交換功能身分。

7. 環境條件化 Pareto 前沿

對環境 $E$ ：

\mathcal P^\star(E) = \operatorname{Pareto} \left( \mathcal P_n^{\mathrm{legal}}\mid E \right).

若版本 $P_a$ 在所有主要成本維度都不差於 $P_b$ ，且至少一項更好，則：

P_a \prec_E P_b.

被支配版本可以退出活動前沿，但仍可能因：

不同環境；
不同證書；
不同失敗模式；
備援價值；

而被保留。

8. 多環境前沿

單一環境前沿不足以支撐長期系統。

可定義跨環境前沿：

\mathcal P^\star_{\mathcal E} = \bigcup_{E\in\mathcal E} \mathcal P^\star(E).

某版本可能只在一個小環境區域中最優，但若該區域具有高價值或高風險，仍值得保存。

8.1 環境覆蓋率

版本族群覆蓋率可定義為：

\operatorname{Coverage} \left( \mathcal P_n,\mathcal E \right) = \frac{ \mu \left( \bigcup_{P\in\mathcal P_n} \operatorname{Domain}(P) \right) }{ \mu(\mathcal E) }.

9. 正式版本、備援版本與保種版本

9.1 正式版本

當前被環境選擇器啟用的版本。

9.2 備援版本

在正式版本失敗、環境不確定或證書失效時切換。

9.3 保種版本

不一定部署，但保留其：

不同演算法族；
不同硬體路徑；
不同依賴；
不同失敗模式；
不同歷史證據。

保種的目的不是懷舊，而是維持演化多樣性。

9.4 歷史錨點

保留早期穩定版本，用於：

錨點驗證；
契約漂移檢查；
長期比較；
災難恢復。

10. 多樣性的工程價值

若所有版本都源自同一演算法、同一編譯器、同一依賴與同一硬體，它們可能共享同一漏洞。

定義版本距離：

d(P_i,P_j) = w_gd_g + w_ad_a + w_dd_d + w_hd_h + w_xd_x.

其中可包含：

基因型距離；
演算法距離；
資料表示距離；
硬體距離；
外部依賴距離。

族群多樣性為：

\mathcal D(\mathcal P) = \frac{ 2 }{ k(k-1) } \sum_{i<j} d(P_i,P_j).

10.1 多樣性不是越大越好

過度多樣會增加：

驗證；
維護；
部署；
知識；
遷移；

成本。

所以需要最小有效多樣性，而非無限制增加變體。

11. 共同失敗模式

兩個版本即使程式碼不同，也可能依賴：

同一第三方庫；
同一模型；
同一資料源；
同一編譯器；
同一協議；
同一硬體；
同一權限策略。

可建立共同依賴圖：

G_{\mathrm{common}} = \left( V,E \right).

若多個版本共享高風險節點，表面多樣性不等於真實韌性。

11.1 失敗相關性

\rho_{ij}^{\mathrm{fail}} = \operatorname{Corr} \left( F_i,F_j \right).

備援版本應盡量降低失敗相關性。

12. 候選生成策略

新一代候選可由：

\widetilde{\mathcal P}_{n+1} = \mathcal M \left( \mathcal P_n, K_n, F_n, E_n, B_n \right)

生成。

其中 $\mathcal M$ 可包括：

變異；
重組；
特化；
簡化；
反向恢復；
外部新技術導入。

13. 變異

變異是對單一版本進行局部或跨層修改：

P' = \mu(P).

13.1 局部變異

編譯參數；
批次；
快取；
模組邊界；
記憶布局。

13.2 結構變異

演算法替換；
IR 重組；
服務拆合；
硬體遷移。

13.3 風險感知變異

高風險區域限制改寫距離：

d(P,P') \leq \delta_R.

14. 重組

若版本 $P_a$ 與 $P_b$ 分別具有優勢模組，可嘗試：

P_c = \operatorname{Recombine} \left( P_a,P_b \right).

但局部優勢不保證組合後仍成立：

\operatorname{Good}(m_a) \land \operatorname{Good}(m_b) \nRightarrow \operatorname{Good}(m_a\oplus m_b).

原因包括：

介面不相容；
效果衝突；
資源競爭；
時序改變；
快取互相干擾；
證書不可組合。

所以重組後必須重新驗證完整候選。

15. 特化與反特化

15.1 特化

針對特定環境：

P_E = \operatorname{Specialize} \left( P,E \right).

15.2 反特化

當專用版本過多時，可將共同結構抽取回通用版本：

P_{\mathrm{general}} = \operatorname{Generalize} \left( P_{E_1},\ldots,P_{E_k} \right).

AEREC 不只生成專用版本，也應能壓縮版本族。

16. 譜系與來源圖

每個版本應保存父版本與改寫來源：

\operatorname{Parents}(P_i) = \left\{ P_a,P_b,\ldots \right\}.

版本譜系圖為：

G_{\mathrm{lineage}} = \left( V_L,E_L \right).

16.1 譜系價值

可用於：

追溯有效改寫；
判斷共同失敗；
證書重用；
版本歸因；
回滾；
防止重複生成。

16.2 譜系不能代替驗證

父版本合法，不代表子版本合法。

17. 改寫貢獻歸因

若版本 $P_c$ 組合多個改寫：

\Phi = \left\{ \phi_1,\ldots,\phi_m \right\},

需要估計每個改寫的貢獻。

17.1 消融歸因

比較：

P_c

與：

P_c\setminus\phi_i.

17.2 Shapley 型歸因

可近似計算改寫在不同組合中的邊際貢獻。

17.3 因果限制

若改寫高度交互，不能把總收益簡單平均分配。

18. 競爭機制

18.1 淘汰賽

逐輪比較，快速縮小候選。

優點：成本低。
缺點：早期噪音可能淘汰好版本。

18.2 聯賽制

所有候選在多環境、多工作負載中比較。

優點：完整。
缺點：成本高。

18.3 分層競爭

先做低成本靜態與小型基準，再讓少數候選進入完整測試。

18.4 在線競爭

透過小流量 A/B 或 bandit 分配真實負載。

高風險系統不應直接以正式使用者作為無限制實驗場。

19. 環境選擇器

當前合法版本集合為：

\mathcal P_n(E_t) = \left\{ P\in\mathcal P_n \mid \chi_P(E_t)=1 \right\}.

選擇器輸出：

P_t^\star = \mathcal S \left( E_t, \mathcal P_n, \mathbf w_t, R_t \right).

19.1 選擇器需要證書

只有在：

\operatorname{ValidCert} \left( P,E_t \right)=1

時才可被選擇。

19.2 不確定環境

若：

\operatorname{Uncertainty}(E_t) > u_{\max},

應選擇：

P_{\mathrm{general\ safe}}.

19.3 切換成本

版本切換需要考慮：

狀態遷移；
快取暖機；
模型載入；
連線重建；
使用者中斷；
回滾。

20. 版本切換與遲滯

若新版本優勢為：

G_{\mathrm{new}},

切換成本為：

C_{\mathrm{switch}},

則只有：

G_{\mathrm{new}} > C_{\mathrm{switch}} + \delta

才切換。

其中 $\delta$ 是遲滯門檻，用於防止震盪。

21. 在線學習與版本選擇

可將版本視為多臂 bandit：

\mathcal A = \left\{ P_1,\ldots,P_k \right\}.

每次選擇後獲得報酬：

r_t = - J(P_i,E_t).

但軟體版本選擇與一般 bandit 不同，因為：

失敗可能不可逆；
狀態會被改變；
版本切換有成本；
使用者不能成為無限試驗對象；
安全與契約是硬約束。

所以需要受約束 bandit，而非純粹最大化平均報酬。

22. 保種策略

可定義保留價值：

V_{\mathrm{preserve}}(P) = V_{\mathrm{coverage}} + V_{\mathrm{diversity}} + V_{\mathrm{fallback}} + V_{\mathrm{knowledge}} - C_{\mathrm{maintain}}.

若：

V_{\mathrm{preserve}}(P)>0,

即使版本不是當前 Pareto 冠軍，也可以保留。

22.1 最小保種集

尋找：

\mathcal P_{\min} \subseteq \mathcal P_n

使其仍覆蓋主要環境、失敗模式與演算法族。

23. 版本淘汰

淘汰條件可能包括：

被所有合法版本支配；
契約失效；
證書不可更新；
依賴終止；
安全風險；
維護成本過高；
適用域已消失；
功能被更通用版本完整覆蓋。

23.1 淘汰不等於刪除

被淘汰版本仍可進入歸檔，用於歷史、研究與回滾證據。

24. 版本隔離

若版本具有：

未確認漏洞；
不可重現行為；
契約漂移；
供應鏈問題；
證書失效；

則進入：

\mathsf{quarantined}.

隔離版本不能被選擇器部署，但仍保留調查價值。

25. 近親退化與模式鎖定

若候選都由單一父版本的小幅變異產生，族群可能逐步失去多樣性：

\mathcal D(\mathcal P_n)\downarrow.

這會造成：

共同漏洞；
相同局部最優；
對環境漂移敏感；
缺乏替代演算法。

25.1 多源注入

定期引入：

新演算法；
新編譯器；
新硬體後端；
人類設計；
外部研究；
從早期分支重新演化。

26. 性能單一化風險

若選擇壓力只看速度：

\mathcal F(P) = -J_T(P),

族群會犧牲：

記憶；
能源；
可維護性；
安全；
可重現；
回滾；
依賴自主性。

因此，多版本競爭必須明確保留非速度價值。

27. 版本生態債務

版本越多，成本越高。

定義：

D_{\mathrm{population}} = C_{\mathrm{build}} + C_{\mathrm{verify}} + C_{\mathrm{store}} + C_{\mathrm{deploy}} + C_{\mathrm{observe}} + C_{\mathrm{migrate}} + C_{\mathrm{govern}}.

族群擴張只有在邊際價值高於邊際債務時合理：

\Delta V_{\mathrm{population}} > \Delta D_{\mathrm{population}}.

28. 族群壓縮

若多個版本共享大量結構，可進行：

公共模組抽取；
參數化；
多版本單一二進位；
動態裝置路由；
共用證書；
共用依賴；
分層快取。

族群壓縮不是消除所有差異，而是降低重複成本。

29. 版本族與演化膠囊

演化膠囊中的：

\mathcal V_n

不只是輸出檔案清單，而是一個具有：

適用域；
譜系；
適應度；
證書；
狀態；
切換規則；
保種價值；

的版本生態。

可表示為：

\mathfrak V_n = \left( \mathcal P_n, G_{\mathrm{lineage}}, G_{\mathrm{dependency}}, \mathcal F, \mathcal S, \mathcal Z, \mathcal G \right).

30. 多版本與解空間幾何

不同版本可以被理解為不同的幾何通道固化結果：

P_i = \operatorname{Materialize} \left( \Phi_i \left( \mathfrak P \right) \right).

某版本使用折疊與壓縮；另一版本使用投影與硬體特化；第三版本保留較長路徑但提供更高可驗證性。

因此，版本族就是一組不同幾何路徑的工程化實現。

31. 多版本與內外雙生展開

外部環境變化會改變版本適應度：

E_t \longrightarrow \mathcal F(P\mid E_t).

版本執行結果又提供新觀測：

P_t^\star \longrightarrow D_{t+1}.

由此，版本選擇與外部環境形成持續閉環。

32. 主要理論命題

命題一：族群優於單線命題

多環境應用不應預設只有一個永久最佳版本。

命題二：環境相對適應度命題

版本優劣必須相對於硬體、負載、分布、風險與成本權重判斷。

命題三：多目標前沿命題

多版本競爭應保存環境條件化 Pareto 前沿，而非只保留單一速度冠軍。

命題四：變體非分叉命題

共享身分根與基礎契約的多個實現可以構成同一應用的合法版本族。

命題五：多樣性韌性命題

演算法、硬體、依賴與封裝多樣性可以降低共同失敗風險，但也產生治理成本。

命題六：保種命題

非當前最佳版本仍可能因備援、覆蓋、知識與歷史錨點價值而被保留。

命題七：選擇器保守命題

環境辨識不確定或證書失效時，應退回通用安全版本。

命題八：族群壓縮命題

版本族必須持續進行合併、抽象與淘汰，否則演化多樣性會轉化為版本債務。

33. 可反駁條件

33.1 多版本沒有韌性增益

若多版本相較單一版本不能提高覆蓋、恢復與環境適應，族群成本缺乏正當性。

33.2 選擇器長期誤選

若環境選擇器頻繁選擇劣勢版本，動態選擇可能不如固定通用版。

33.3 多樣性只是表面

若版本共享相同依賴與失敗模式，多樣性指標可能失真。

33.4 族群成本爆炸

若建置、驗證與維護成本隨版本數快速增加，必須縮小族群。

33.5 重組成功率低

若版本重組大多破壞契約或無法產生協同，遺傳式組合價值有限。

33.6 專用版本迅速過時

若環境漂移速度高於版本生成與驗證速度，特化策略可能無法攤銷。

33.7 保種無法恢復

若保留版本的依賴、硬體與證書已不可重建，保種只是名義保存。

34. 理論邊界

本文不主張：

版本越多越好；
生物演化比喻可以直接取代軟體驗證；
適應度等同單一分數；
Pareto 前沿上的所有版本都應正式部署；
多樣性可以取代安全證明；
父版本合法就保證子版本合法；
在線競爭可以繞過使用者權益與治理；
被淘汰版本應永久刪除；
版本保種可以不計維護成本。

本文主張的是：

\boxed{ \text{多版本不是為了累積更多程式，而是為了保留在不同環境、目標與風險下仍然合法有效的多條實現路徑。} }

35. 初步版本族資料模型

{
  "population_id": "population:gen-18",
  "identity_root": "app:root-01",
  "contract": "contract:v3",
  "variants": [
    {
      "id": "variant:general-18",
      "status": "active",
      "parents": ["variant:general-17"],
      "profile": ["general", "cpu"],
      "fitness": {
        "latency": 0.71,
        "energy": 0.62,
        "robustness": 0.91,
        "evidence": 0.96
      },
      "certificates": ["cert:eq-182", "cert:sec-44"]
    },
    {
      "id": "variant:gpu-18",
      "status": "standby",
      "parents": ["variant:gpu-17", "variant:general-17"],
      "profile": ["high-throughput", "gpu"],
      "fitness": {
        "latency": 0.94,
        "energy": 0.68,
        "robustness": 0.74,
        "evidence": 0.89
      },
      "fallback": "variant:general-18"
    }
  ]
}

36. 結論

本文將 AI 自適應封裝中的版本管理，由單線更新提升為多版本演化生態。

第 $n$ 代版本族為：

\mathcal P_n = \left\{ P_{n,1}, P_{n,2}, \ldots, P_{n,k} \right\}.

每個版本具有跨層基因型：

g(P),

並在特定環境中形成表現型：

\phi(P,E).

版本競爭不以單一速度決定，而由契約、成本、穩健性、證據、風險、多樣性與備援價值共同構成。

對每個環境，系統保存：

\mathcal P^\star(E) = \operatorname{Pareto} \left( \mathcal P_n\mid E \right).

選擇器則在證書與治理約束下動態選擇：

P_t^\star = \arg\min_{P\in\mathcal P^\star(E_t)} J_{\mathbf w_t}(P).

但多版本不是無限累積。系統必須同時具備：

生成；
變異；
重組；
特化；
反特化；
比較；
保種；
淘汰；
隔離；
壓縮。

本文的核心結論是：

\boxed{ \text{AI 遞歸演化的成熟形態，不是每一代只留下一個冠軍，而是維持一個能跨環境競爭、互相備援、保留多樣性並持續重組的合法版本族群。} }

真正的目標不是創造一個永遠超越所有版本的終極執行檔，而是建立：

\boxed{ \text{面對環境改變時，仍能迅速選擇、恢復與繼續演化的軟體生態。} }

系列內部定位

本文為《AI 自適應封裝與遞歸演化計算論》第六篇。

前五篇分別建立總命題、應用身分、演化膠囊、全層最佳化空間與遞歸改良動力學；本文建立多版本族群、環境適應度、競爭、保種、淘汰與選擇框架。

下一篇為：

《功能不變如何被證明：等價證書、差分驗證與安全回滾》。

前置文件

Neo.K with Aletheia，《程式完成之後：AI 自適應封裝與遞歸演化計算論的總命題》。
Neo.K with Aletheia，《同一個應用是什麼：功能契約、觀測等價與程式身分》。
Neo.K with Aletheia，《從 EXE 與 DLL 到演化膠囊：自適應封裝的新本體》。
Neo.K with Aletheia，《全層最佳化空間：從演算法、資料結構到封裝與硬體》。
Neo.K with Aletheia，《無限遞歸改良動力學：觀測、診斷、生成、驗證與提交》。
Neo.K with Aletheia，《解空間幾何計算論》系列。

多版本競爭與演化選擇_AI如何生成比較與保留執行變體_v0.1