知識不只被重建：生成、組合與跨域再結構化

Q: 一、問題的提出：找到知識之後，系統要做什麼？

上一篇建立了五類多路徑索引算子：

系列：可繼承的認知：從自我解構到遞歸生成式記憶系統（第 6 篇）
作者：Neo.K
研究協作：Aletheia（阿萊）
版本：v1.0
日期：2026-07-30
文章類型：命題猜想論文／知識組合理論論文／GCMS 架構論文

摘要

記憶系統通常被理解為保存、索引與重建既有內容的工具。然而，當系統能從多個來源抽取生成核、映射關係、重組約束並建立新的問題空間時，它所執行的已不再只是回憶。本文提出 GCMS 的生成—組合—再結構化理論，區分四種容易被混為一談的運算：來源重建、受約束生成、知識組合與跨域再結構化。來源重建要求輸出可追溯至既有證據；受約束生成允許形成來源中未逐字出現的候選敘述；知識組合要求多個知識單元在型別、尺度、假設、版本與因果方向上完成顯式對齊；跨域再結構化則進一步改寫概念分類、關係圖與問題表示，使原先分離的領域能形成新的可檢驗模型。

本文將知識組合形式化為一個帶對齊映射、相容性約束、來源證據與新穎性評估的部分運算，而非任意文字拼接。若來源單元為 $u_1,\ldots,u_k$ ，組合算子不是無條件定義的 $u_1\oplus\cdots\oplus u_k$ ，而是：

Y = \operatorname{Compose}_{\Theta} \left( u_1,\ldots,u_k; \Phi,\Gamma,\mathcal E \right),

其中 $\Phi$ 為跨來源對齊映射， $\Gamma$ 為約束集合， $\mathcal E$ 為證據與來源鏈。只有當型別一致性、前提相容性、尺度可轉換性、版本可辨識性與矛盾處理條件成立時，組合才被視為有效候選。本文進一步提出「結構優先組合命題」：跨域組合的可遷移價值主要來自關係與生成程序的保留，而非表面詞彙或主題相似；「新穎性—可追溯性雙約束命題」：高品質生成必須同時提高相對來源的新穎性與對來源的可驗證依賴；以及「再結構化非保守命題」：真正的跨域創新可能改變原有分類與問題空間，因此不能被簡化為既有知識圖上的邊新增。

本文也分析七類失敗模式：語義拼貼、型別衝突、尺度錯置、類比過伸、來源洗白、矛盾抹平與遞歸自證。為避免生成內容污染記憶，本文主張 GCMS 必須把來源、候選、接受與棄用知識分區，並將每次生成或組合保存為可重演的運算軌跡。知識系統的目標不應只是產生看似連貫的新文本，而是建立可被證據反駁、可被版本比較、可被其他智能體重演的知識轉換。

關鍵詞：GCMS、知識生成、知識組合、跨域再結構化、概念組合、類比映射、概念融合、組合泛化、知識圖譜融合、本體對齊、證據鏈

一、問題的提出：找到知識之後，系統要做什麼？

上一篇建立了五類多路徑索引算子：

\mathfrak I = \{ \mathsf B, \mathsf F, \mathsf J, \mathsf D, \mathsf C \},

分別處理區塊、流式、跳躍、發散與集中尋址。

這套索引理論回答的是：

系統如何找到局部證據、演化路徑、遠距橋接、多條候選分支與全局生成核？

但當系統已找到多個相關知識單元後，仍有一個更困難的問題：

這些單元應被原樣返回、重新敘述、推導新命題、互相組合，還是用來重寫原本的問題空間？

設檢索取得的知識集合為：

\mathcal R_q = \{ u_1,u_2,\ldots,u_k \}.

最保守的系統只返回：

q \mapsto \mathcal R_q.

摘要系統則產生：

q \mapsto \operatorname{Summarize} \left(\mathcal R_q\right).

然而，研究與創造性任務通常要求更高階的運算：

從多篇作品中重建共同生成核；
把一個領域的關係結構遷移到另一領域；
合併互補方法，形成新演算法或新實驗；
發現兩個理論其實使用不同詞彙描述相似結構；
發現兩個表面相似的理論在尺度或前提上不能合併；
將理論、產品與資料結構重新排列成新的研究計畫；
由既有知識形成來源中未逐字出現、但可被檢驗的新命題。

這些運算不能都被稱為「重建」。

若系統只是把來源中已存在的結論改寫，稱為生成會誇大其創新性；若系統產生了來源中沒有的新結論，稱為重建則會掩蓋推論責任。若系統把兩篇文件的句子拼在一起，稱為知識組合也會把表面流暢誤當結構有效。

因此本文先提出四分法：

\mathfrak O_{\mathrm{knowledge}} = \{ \mathsf R, \mathsf G, \mathsf C, \mathsf X \},

其中：

$\mathsf R$ ：重建（reconstruction）；
$\mathsf G$ ：生成（generation）；
$\mathsf C$ ：組合（composition）；
$\mathsf X$ ：再結構化（restructuring）。

本文主張：

\boxed{ \text{知識不只被重建} }

但只有在來源、約束、型別與驗證被明確保存時，生成與組合才可能成為知識運算，而不是修辭性拼貼。

二、研究背景：組合不是把元素放在一起而已

2.1 組合性：整體意義取決於部分與結構

組合性原則通常被表述為：複雜表達式的意義由其組成部分的意義以及組合結構決定。[1]

若組成元素為：

a_1,a_2,\ldots,a_n,

組合結構為：

\sigma,

則整體意義可寫成：

\mu \left( \sigma(a_1,\ldots,a_n) \right) = F_{\sigma} \left( \mu(a_1),\ldots,\mu(a_n) \right).

這個原則對 GCMS 的重要性在於：

\text{相同元素} + \text{不同結構} \Rightarrow \text{不同知識結果}.

例如，「理論 $A$ 支援理論 $B$ 」與「理論 $B$ 反駁理論 $A$ 」可能涉及相同兩個節點，卻具有完全不同的知識內容。若系統只聚合詞彙與段落，而忽略關係方向與作用域，就無法形成可靠的組合。

然而，本文不採用最強的完全組合主義。跨域創新有時會產生輸入領域中都沒有直接表示的新結構；語境、目的與背景知識也可能改變組合結果。因此本文採取較一般的形式：

\mu(Y) = F \left( \mu(u_1),\ldots,\mu(u_k), \Phi, \Gamma, q, \mathcal B \right),

其中：

$\Phi$ ：來源之間的對齊；
$\Gamma$ ：相容性與治理約束；
$q$ ：當前任務；
$\mathcal B$ ：背景知識與可用算子。

組合結果不只取決於元素，也取決於它們如何被映射、在哪個問題下被結合，以及哪些條件禁止某些組合。

2.2 類比與結構映射：跨域遷移的是關係，不只是屬性

Gentner 的結構映射理論主張，類比的重要部分是把基底領域中的關係系統映射到目標領域，而不是只比較物件的表面屬性；高階、系統性的關係通常比孤立特徵更有價值。[2][3][4]

設基底領域為：

\mathcal D_s,

目標領域為：

\mathcal D_t.

類比映射可表示為一個部分映射：

\phi: \mathcal D_s \rightharpoonup \mathcal D_t,

使某些關係近似保持：

R_s(x_1,\ldots,x_m) \Rightarrow R_t \left( \phi(x_1),\ldots,\phi(x_m) \right).

這對 GCMS 的啟示是：

跨域組合不能以詞彙重疊作為唯一橋梁；真正可遷移的往往是因果、約束、遞歸、守恆、分層或轉換等關係結構。

例如，兩個領域都使用「流」這個詞，不代表它們可以直接組合；反之，兩個領域即使完全沒有共同詞彙，只要共享可對齊的狀態轉移與守恆結構，仍可能形成高價值橋接。

2.3 概念融合：新結構可能在組合空間中湧現

Fauconnier 與 Turner 的概念融合框架以多個輸入心理空間、一般空間與融合空間描述概念整合。其重點之一是：融合空間可能形成輸入空間中沒有逐項存在的 emergent structure，並透過組合、完成與展開產生新的推論。[5][6]

可將輸入空間寫成：

\mathcal I_1, \mathcal I_2,

一般結構為：

\mathcal G_0,

融合空間為：

\mathcal B^\ast.

選擇性投影為：

\pi_1:\mathcal I_1\rightharpoonup\mathcal B^\ast, \qquad \pi_2:\mathcal I_2\rightharpoonup\mathcal B^\ast.

則：

\mathcal B^\ast \neq \pi_1(\mathcal I_1) \cup \pi_2(\mathcal I_2),

因為融合空間還可能包含由輸入互動產生的新關係。

本文吸收這個洞見，但加入 GCMS 所需的證據治理：融合空間中的新結構必須被標記為候選，不能因為它在語言上自然就被宣稱為來源事實。

2.4 程式歸納與組合泛化：生成能力依賴可重用程序

Lake、Salakhutdinov 與 Tenenbaum 的 Bayesian Program Learning 研究將概念表示為可組合的生成程序，並顯示程序式表示可以支援由少量樣本進行概念學習與生成。[7]

在這類觀點下，概念不是只有靜態向量，而可能包含：

\text{primitive} + \text{composition rule} + \text{stochastic variation}.

然而，Lake 與 Baroni 的 SCAN 實驗也顯示，序列模型在某些訓練分布內可以成功混合已見片段，卻可能在要求系統性重組的新組合上失敗。[8] 後續研究則試圖同時取得神經模型的彈性與人類式系統性泛化。[9]

這些結果共同指出：

\text{會產生新輸出} \neq \text{具有可靠組合能力}.

GCMS 若要進行生成與組合，必須評估系統能否把學到的生成規則重新作用於未見結構，而不是只依靠訓練分布中的表面片段近鄰。

2.5 關係歸納偏置與圖網路：組合需要顯式結構介面

Battaglia 等人主張，實體、關係與可重用規則所形成的關係歸納偏置，是組合泛化的重要基礎；圖網路提供了一種以節點、邊與全局狀態進行結構化更新的通用介面。[10]

對知識組合而言，這意味著組合不應只發生在文本層，而應作用於：

實體與概念；
關係與因果方向；
局部規則；
全局約束；
來源與版本。

若組合只在字串層進行，系統很難判斷「相同名稱但不同實體」或「不同名稱但相同角色」；若有結構化圖表示，則可顯式檢查關係是否能被遷移與合成。

2.6 本體與實體對齊：跨知識庫組合首先是對齊問題

跨知識圖譜整合通常需要辨識不同圖中的等價、近似、包含或互斥實體。實體對齊研究指出，名稱與屬性相似不一定足夠，結構與本體資訊可以降低錯誤映射；OntoEA 進一步利用類別階層與類別互斥資訊避免不合理對齊。[11][12][13]

對 GCMS 而言，跨域組合至少需要區分：

\equiv, \subseteq, \supseteq, \approx, \perp, \text{unresolved}.

即：

等價；
子類或特例；
上位類或一般化；
近似但不可互換；
互斥或型別不相容；
尚未確定。

將所有高相似度節點視為等價，會使跨域組合從一開始就失真。

三、知識單元與組合介面

3.1 帶型別的知識單元

設知識單元為：

u_i = \left( c_i, \tau_i, \Gamma_i, \Lambda_i, V_i, E_i, P_i \right),

其中：

$c_i$ ：內容或命題；
$\tau_i$ ：知識型別；
$\Gamma_i$ ：前提與約束；
$\Lambda_i$ ：尺度、單位、時間與作用域；
$V_i$ ：版本資訊；
$E_i$ ：來源證據；
$P_i$ ：生成或推導路徑。

型別集合可包含：

\mathcal T = \{ \text{definition}, \text{observation}, \text{hypothesis}, \text{theorem}, \text{method}, \text{model}, \text{artifact}, \text{policy} \}.

一個觀察不能在沒有額外推理時被當成普遍定律；一個命題猜想也不能因為與已證明定理相鄰就取得相同真值地位。

因此知識組合不是：

c_i+c_j,

而是：

\left(c_i,\tau_i,\Gamma_i,\Lambda_i,E_i\right) \oplus \left(c_j,\tau_j,\Gamma_j,\Lambda_j,E_j\right).

3.2 組合介面

定義組合介面：

\mathcal I_{\mathrm{comp}} = \left( \Phi, \Gamma, \Omega, \mathcal E, \mathcal Q \right),

其中：

$\Phi$ ：實體、關係、變數與角色對齊；
$\Gamma$ ：相容性約束；
$\Omega$ ：允許使用的組合算子；
$\mathcal E$ ：證據與來源鏈；
$\mathcal Q$ ：待回答問題與評估目標。

組合算子定義為部分函數：

\operatorname{Compose}_{\mathcal I_{\mathrm{comp}}}: \mathcal U^k \rightharpoonup \mathcal Y.

之所以是部分函數，是因為並非任何知識單元都可以被合法組合。

3.3 相容性條件

定義：

\operatorname{Compatible} \left( u_1,\ldots,u_k \right) \equiv C_{\mathrm{type}} \wedge C_{\mathrm{premise}} \wedge C_{\mathrm{scale}} \wedge C_{\mathrm{version}} \wedge C_{\mathrm{causal}} \wedge C_{\mathrm{governance}}.

其中：

$C_{\mathrm{type}}$ ：型別可以轉換或共同作用；
$C_{\mathrm{premise}}$ ：前提不互相否定，或矛盾已被顯式處理；
$C_{\mathrm{scale}}$ ：尺度、單位與粒度可轉換；
$C_{\mathrm{version}}$ ：版本差異已辨識；
$C_{\mathrm{causal}}$ ：因果方向未被倒置；
$C_{\mathrm{governance}}$ ：權限、授權與來源政策允許組合。

只有當：

\operatorname{Compatible} \left( u_1,\ldots,u_k \right) =1,

組合才可以進入正式候選階段。

若相容性不成立，系統仍可建立「比較包」或「矛盾包」，但不能產生未標記的融合結論。

四、四類知識運算

4.1 重建算子 $\mathsf R$

重建的目標是依據證據恢復既有內容或結構：

\hat x = \mathsf R \left( \mathcal E, \mathcal S, q \right).

重建輸出應滿足：

\operatorname{Grounded}(\hat x,\mathcal E) \geq \theta_E.

重建可以是：

原文恢復；
章節結構恢復；
摘要與命題恢復；
生成路徑恢復；
版本差分恢復。

但重建不應偷偷加入來源中沒有的新前提。

4.2 生成算子 $\mathsf G$

生成允許形成來源中未逐字存在的新候選：

y = \mathsf G \left( q, \mathcal R_q, \Theta \right).

生成的關鍵不是「新文字」，而是相對來源的新結構：

N(y\mid\mathcal R_q) >0.

例如：

從多篇文獻歸納共同命題；
形成新的實驗預測；
提出尚未存在的分類；
把既有生成核作用於新問題；
將既有方法改造成新演算法。

但生成物必須標註為：

\text{candidate},

而不是：

\text{source fact}.

4.3 組合算子 $\mathsf C$

組合要求至少兩個可辨識來源共同參與：

y = \mathsf C \left( u_1,\ldots,u_k; \Phi,\Gamma \right).

本文區分五種組合：

並置組合

只把多個來源放在同一結構中：

\mathsf C_{\mathrm{juxtapose}} \left(u_1,u_2\right) = \{u_1,u_2\}.

這不是深層融合，但有助於比較。

補完組合

兩個來源提供互補部分：

\mathsf C_{\mathrm{complete}} \left(u_1,u_2\right) = y,

使：

\operatorname{Coverage}(y) > \operatorname{Coverage}(u_1), \operatorname{Coverage}(u_2).

模組組合

方法或元件經介面連接：

M_2 \circ M_1.

此時必須檢查輸出型別是否符合下一模組輸入型別。

類比組合

將一個領域的關係系統遷移到另一領域：

\phi:\mathcal D_s\rightharpoonup\mathcal D_t.

融合組合

在對齊後形成輸入中沒有的 emergent structure：

y \notin \operatorname{Closure} \left( \{u_1,\ldots,u_k\}, \Omega_{\mathrm{trivial}} \right).

這是創新潛力最高、同時風險最大的組合形式。

4.4 再結構化算子 $\mathsf X$

再結構化不只產生新命題，而是改變知識空間本身：

\mathsf X: \mathcal G_t \mapsto \mathcal G_{t+1}.

變化可能包括：

重定義節點型別；
新增或刪除關係類別；
將兩個系列視為同一生成核的投影；
把原本的一個問題拆成多個不同問題；
發現兩個不同領域共享更高階的抽象結構；
將一套結果重新排列成方法論、產品架構或研究計畫。

若舊問題空間為：

\mathcal Q_t,

再結構化後可能得到：

\mathcal Q_{t+1} \neq \mathcal Q_t.

因此：

\boxed{ \text{再結構化} \neq \text{在舊圖上多加幾條邊} }

真正的再結構化可能改變什麼被視為節點、什麼被視為關係，以及什麼才是問題。

五、跨域對齊模型

5.1 對齊對象

設兩個領域知識圖為：

\mathcal G_A = \left(V_A,E_A,\tau_A\right),

\mathcal G_B = \left(V_B,E_B,\tau_B\right).

對齊不只是節點映射：

\phi_V:V_A\rightharpoonup V_B,

也包括關係映射：

\phi_E:E_A\rightharpoonup E_B,

型別映射：

\phi_{\tau}:\mathcal T_A\rightharpoonup\mathcal T_B,

以及約束映射：

\phi_{\Gamma}:\Gamma_A\rightharpoonup\Gamma_B.

完整對齊為：

\Phi = \left( \phi_V, \phi_E, \phi_{\tau}, \phi_{\Gamma} \right).

5.2 對齊信心

每一映射應保存信心與證據：

m_j = \left( a_j,b_j,r_j,p_j,\kappa_j \right),

其中：

$a_j$ ：來源元素；
$b_j$ ：目標元素；
$r_j$ ：等價、包含、近似、互斥等關係；
$p_j$ ：支持證據；
$\kappa_j$ ：信心。

不能只保存：

a_j\approx b_j,

而沒有說明近似在哪個維度成立。

5.3 保結構與不保結構映射

若映射保持關係：

R_A(x,y) \Rightarrow R_B \left( \phi(x),\phi(y) \right),

稱為保結構映射。

若只保持局部表面相似：

\operatorname{Sim}(x,\phi(x)) \geq\theta,

但關係不保持，則只能視為候選橋接。

本文定義結構保持率：

\operatorname{SPR}(\Phi) = \frac{ \#\{ e\in E_A:\phi_E(e)\text{ 成立} \} }{ \#\{ e\in E_A:\phi_E(e)\text{ 可評估} \} }.

高詞彙相似但低 $\operatorname{SPR}$ 的映射，不應被用來支撐深層跨域推論。

六、知識組合的正式流程

6.1 步驟一：任務與作用域宣告

輸入：

q, \Theta_q,

其中 $\Theta_q$ 包含：

目標輸出型別；
可使用領域；
可接受新穎度；
必要證據門檻；
權限與敏感度；
最大發散與遞歸深度。

6.2 步驟二：多路徑檢索

使用上一篇的索引程式：

\pi_q = (o_1,\ldots,o_T), \qquad o_t\in\mathfrak I.

取得：

\mathcal R_q = \{u_1,\ldots,u_k\}.

6.3 步驟三：型別與來源正規化

建立：

\widetilde u_i = \operatorname{Normalize}(u_i).

正規化包括：

單位與尺度；
符號名稱；
版本；
真值狀態；
作者與來源；
時間作用域；
定義域與適用邊界。

6.4 步驟四：候選對齊

產生多個候選映射：

\mathcal A = \{ \Phi_1,\ldots,\Phi_m \}.

每個映射評估：

S_{\mathrm{align}} = w_1S_{\mathrm{entity}} + w_2S_{\mathrm{relation}} + w_3S_{\mathrm{type}} + w_4S_{\mathrm{constraint}} - w_5P_{\mathrm{conflict}}.

6.5 步驟五：相容性與矛盾分析

對候選集合計算：

\operatorname{Compatible} \left( u_1,\ldots,u_k \right).

矛盾不一定導致停止。系統可以選擇：

排除衝突來源；
分支組合；
建立條件化結論；
建立反例包；
保留不可判定狀態。

若兩個命題為：

p \qquad\text{與}\qquad \neg p,

合法處理可以是：

(p\mid\Gamma_1) \qquad\text{與}\qquad (\neg p\mid\Gamma_2),

而不是把二者平均成模糊敘述。

6.6 步驟六：產生候選組合

對每個有效映射與算子產生：

Y_j = \operatorname{Compose} \left( \mathcal R_q, \Phi_j, \Omega_j \right).

6.7 步驟七：評估新穎性、保真與效用

定義候選分數：

U(Y_j) = \alpha N_j + \beta F_j + \gamma T_j + \delta V_j - \lambda R_j - \mu C_j,

其中：

$N_j$ ：新穎性；
$F_j$ ：來源保真；
$T_j$ ：新任務遷移能力；
$V_j$ ：可驗證性；
$R_j$ ：治理與失真風險；
$C_j$ ：運算成本。

6.8 步驟八：證據化輸出

輸出不是只有正文，而是：

\mathcal Y_j = \left( Y_j, \mathcal E_j, \Phi_j, \Gamma_j, \Delta_j, \Sigma_j \right),

其中：

$Y_j$ ：候選內容；
$\mathcal E_j$ ：來源證據；
$\Phi_j$ ：對齊映射；
$\Gamma_j$ ：假設與邊界；
$\Delta_j$ ：相對來源新增的推論；
$\Sigma_j$ ：未解決衝突與不確定性。

6.9 步驟九：治理寫回

候選先進入：

\mathcal M_{\mathrm{candidate}},

只有經過驗證後才能進入：

\mathcal M_{\mathrm{accepted}}.

這為後續第 8 篇的三區治理建立前置形式。

七、核心命題與猜想

命題一：組合非拼接命題

設：

\operatorname{Concat}(u_1,u_2)

只保留內容並置，而：

\operatorname{Compose}(u_1,u_2)

保留對齊、型別、關係、約束與來源。

對需要跨來源推理的任務集合 $Q_C$ ，本文預測：

\mathbb E_{q\sim Q_C} \left[ U \left( \operatorname{Compose}(u_1,u_2) \right) \right] > \mathbb E_{q\sim Q_C} \left[ U \left( \operatorname{Concat}(u_1,u_2) \right) \right].

若兩者在控制文字長度與模型能力後沒有顯著差異，命題被削弱。

命題二：結構優先組合命題

對遠距跨域問題，基於關係結構的對齊，應比僅基於表面詞彙相似的對齊具有更高遷移效用：

T_{\mathrm{struct}} > T_{\mathrm{lexical}}.

該命題承接結構映射理論與關係歸納偏置，但在 GCMS 中要求實際以新問題表現檢驗。

命題三：新穎性—可追溯性雙約束命題

高品質知識生成不能只最大化新穎性：

\max N(Y).

而應最佳化：

\max \left( N(Y), F_E(Y), V(Y) \right),

其中 $F_E$ 為證據保真， $V$ 為可驗證性。

若新穎性提高時證據與驗證能力快速坍縮，則系統只是提高不可控生成自由度。

命題四：型別約束增益命題

在混合定義、觀察、猜想、定理與方法的知識庫中，加入型別約束應降低錯誤真值提升：

\operatorname{FalseUpgrade}_{\mathrm{typed}} < \operatorname{FalseUpgrade}_{\mathrm{untyped}}.

所謂錯誤真值提升，是指系統把低證據狀態內容當成高證據狀態結論。

命題五：條件化矛盾保存命題

若兩個結論在不同前提下成立，顯式保存條件應比無條件融合得到更高準確度：

U \left( (p\mid\Gamma_1), (\neg p\mid\Gamma_2) \right) > U \left( \operatorname{Average}(p,\neg p) \right).

命題六：組合泛化命題

若系統真正學到可重用生成核與關係算子，則它在未見元素組合上的表現應高於只依靠表面近鄰的模型：

\operatorname{Perf}_{\mathrm{novel\text{-}composition}} \gg \operatorname{Perf}_{\mathrm{memorization}}.

此命題需要以分布外組合測試，而不是只在同分布文本生成上測量。

命題七：再結構化非保守命題

設原知識圖為：

\mathcal G_t.

若所有「創新」都只能表示為：

\mathcal G_{t+1} = \mathcal G_t \cup \Delta E,

即只新增邊而不改變節點與關係類型，則系統無法表達某些真正改變概念分類與問題邊界的創新。

因此存在任務，使：

\mathcal G_{t+1} \not\cong \mathcal G_t \cup \Delta E.

猜想一：生成核傳輸猜想

若兩個領域共享較高階生成程序：

K_A \cong K_B,

即使表面內容相似度低，將 $K_A$ 遷移到領域 $B$ 仍可能提高新問題解決率。

猜想二：多階段組合支配猜想

相較於一次性端到端生成：

Y = G(q,\mathcal R_q),

顯式執行：

\text{對齊} \rightarrow \text{相容性} \rightarrow \text{生成} \rightarrow \text{驗證}

在高風險知識任務上應有較低錯誤率與較高可審計性。

猜想三：重組臨界點猜想

當跨域對齊的結構保持率與證據覆蓋率超過某個閾值時，組合結果的效用可能出現非線性躍升：

\operatorname{SPR}(\Phi) \geq \theta_S, \qquad F_E \geq \theta_E \Rightarrow U(Y) \text{ 急遽上升}.

這與第 3 篇的提示相變概念相呼應，但作用於多來源組合而非單一記憶提取。

八、品質與風險指標

8.1 來源覆蓋率

\operatorname{SourceCoverage}(Y) = \frac{ \text{可追溯主張數} }{ \text{總主張數} }.

8.2 新增推論率

\operatorname{NovelInferenceRate}(Y) = \frac{ \text{來源未逐字包含但由組合導出的主張} }{ \text{總主張數} }.

8.3 映射正確率

\operatorname{MAPAcc}(\Phi) = \frac{ \text{經人工或黃金標準確認的映射} }{ \text{全部映射} }.

8.4 型別保持率

\operatorname{TypePreservation}(Y) = 1- \frac{ \text{型別提升或錯置數} }{ \text{可評估主張數} }.

8.5 矛盾保存率

\operatorname{ConflictRetention}(Y) = \frac{ \text{輸出中保留的關鍵矛盾} }{ \text{來源中可辨識的關鍵矛盾} }.

8.6 組合新穎性

可用來源到輸出的最短描述差異近似：

N(Y) \approx L(Y\mid\mathcal R_q,\Omega),

但必須避免把無意義噪音當成高新穎性。

8.7 組合效用

U_{\mathrm{comp}} = \alpha T + \beta V + \gamma F_E + \delta N_{\mathrm{useful}} - \lambda R.

8.8 結構改寫幅度

\operatorname{RestructureDistance} \left( \mathcal G_t,\mathcal G_{t+1} \right) = \alpha d_V + \beta d_E + \gamma d_{\tau} + \delta d_Q.

其中：

$d_V$ ：節點集合變化；
$d_E$ ：關係變化；
$d_{\tau}$ ：型別系統變化；
$d_Q$ ：問題空間變化。

九、實驗設計與可否證條件

9.1 拼接、摘要、組合三組比較

建立三種系統：

文字拼接；
一般摘要或端到端生成；
顯式對齊、相容性與證據化組合。

任務包括：

找出跨文獻共同機制；
合併兩個互補方法；
判斷兩個理論能否組合；
產生可檢驗的新預測。

若第三組在正確率、來源可追溯性與新問題遷移上無顯著優勢，組合框架需被修正。

9.2 表面相似與結構相似對照

建立：

高詞彙相似、低關係同構對；
低詞彙相似、高關係同構對。

檢驗系統是否偏好錯誤的表面橋接。

9.3 未見組合測試

訓練或建庫時只呈現部分元素—操作組合，測試時要求未見重組：

(a,\omega_1), (b,\omega_2) \Rightarrow (a,\omega_2).

若系統只能在已見組合上表現良好，則不具可靠組合泛化。

9.4 型別消融

移除：

命題型別；
真值狀態；
版本；
尺度；
來源。

測量錯誤真值提升與錯誤組合率。

9.5 矛盾保存測試

建立來源內含：

p\mid\Gamma_1, \qquad \neg p\mid\Gamma_2.

觀察系統能否保留條件差異，而不是輸出模糊平均。

9.6 再結構化人工評審

由跨領域專家評估：

是否形成新但有用的分類；
是否改變問題表示；
是否只是重新命名；
是否保留來源與反例；
是否提出可被實驗否證的結果。

9.7 長期遞歸污染測試

將候選組合在多輪後重新作為輸入，測量：

\operatorname{Drift}(t), \qquad \operatorname{SourceLoss}(t), \qquad \operatorname{SelfCitation}(t).

若生成物逐輪失去原始來源，或主要依靠先前生成物互相支持，則自主循環不可進入正式記憶。

十、工程架構：GCMS Composition Runtime

10.1 核心元件

未來 GCMS 組合運行時可分為：

Retriever：多路徑檢索；
Normalizer：型別、尺度與版本正規化；
Aligner：實體、關係與約束對齊；
Compatibility Engine：相容性與衝突檢查；
Composer：產生組合候選；
Restructurer：產生圖與問題空間改寫候選；
Verifier：證據、邏輯與實驗驗證；
Memory Governor：候選、接受與棄用治理；
Trace Store：保存可重演運算軌跡。

形式上：

\mathcal R_q \xrightarrow{\mathrm{Normalize}} \widetilde{\mathcal R}_q \xrightarrow{\mathrm{Align}} \mathcal A_q \xrightarrow{\mathrm{Check}} \mathcal A_q^\ast \xrightarrow{\mathrm{Compose}} \mathcal Y_q \xrightarrow{\mathrm{Verify}} \widetilde{\mathcal Y}_q.

10.2 組合軌跡

每次運算應保存：

\mathcal T_C = \left( q, \mathcal R_q, \Phi, \Gamma, \Omega, Y, \mathcal E, \Sigma, \operatorname{Decision} \right).

這使其他智能體可以回答：

哪些來源被使用？
哪些元素被對齊？
哪些來源被排除？
哪些主張是新推論？
哪些矛盾尚未解決？
為什麼候選被接受或拒絕？

10.3 候選分區

組合輸出至少分為：

\mathcal Y = \mathcal Y_{\mathrm{reconstructed}} \cup \mathcal Y_{\mathrm{generated}} \cup \mathcal Y_{\mathrm{composed}} \cup \mathcal Y_{\mathrm{restructured}}.

不同類型使用不同審核門檻。重建只需來源保真；再結構化則需要更高層的專家、實驗或長期驗證。

10.4 可用算子登錄

組合算子應版本化：

\Omega = \{ \omega_1^{(v_1)}, \omega_2^{(v_2)}, \ldots \}.

例如：

類比映射；
模組串接；
變數替換；
尺度轉換；
因果圖合併；
生成核抽取；
本體橋接；
矛盾分支；
抽象化與具體化。

算子本身也是可審計知識，而不是隱藏提示詞。

十一、三個示意案例

11.1 方法—方法組合

來源 $u_1$ 提供高召回檢索方法：

M_R.

來源 $u_2$ 提供高精度證據驗證方法：

M_V.

若介面型別相容：

\operatorname{OutputType}(M_R) = \operatorname{InputType}(M_V),

則可形成：

M = M_V\circ M_R.

但若 $M_V$ 假設輸入已去重，而 $M_R$ 返回大量重複候選，就需要額外中介模組：

M = M_V\circ M_D\circ M_R.

這顯示組合不是簡單把兩個方法同時提到，而是建立可執行介面。

11.2 跨域類比組合

來源領域 $A$ 有：

\text{狀態} \rightarrow \text{轉換} \rightarrow \text{守恆檢查}.

目標領域 $B$ 有：

\text{知識版本} \rightarrow \text{編輯操作} \rightarrow \text{來源一致性檢查}.

若建立映射：

\phi(\text{狀態}) = \text{知識版本},

\phi(\text{轉換}) = \text{編輯操作},

\phi(\text{守恆}) = \text{證據不變量},

則可形成「知識版本守恆」候選框架。

但這仍是類比，不是物理守恆定律的直接轉移。系統必須標記哪些關係被保留，哪些只是啟發式。

11.3 系列再結構化

假設知識庫原本依網站、年份與檔案分類：

\mathcal G_t.

經生成核與關係分析後，系統發現多個系列共享：

相同母問題；
相同遞歸算子；
不同尺度實作；
相似驗證模式。

系統提出新結構：

\mathcal G_{t+1} = \operatorname{Regroup} \left( \mathcal G_t, \mathcal K_{\mathrm{gen}}, \mathcal E_{\mathrm{bridge}} \right).

這不刪除舊分類，而是建立一個新的可驗證投影。如此一來，歷史檔案結構與理論結構可以共存。

十二、失敗模式與治理邊界

12.1 語義拼貼

系統把多個相關段落組成流暢文本，卻沒有真正對齊其前提與關係。

治理：強制輸出對齊映射與新增推論清單。

12.2 型別衝突

把觀察、猜想或設計提案提升為已證明事實。

治理：型別檢查、真值狀態與證據門檻。

12.3 尺度錯置

微觀模型被直接套用到宏觀層次，或局部案例被宣稱為普遍規律。

治理：保存尺度、單位、時間窗與作用域；要求顯式尺度轉換。

12.4 類比過伸

來源與目標只有局部關係相似，系統卻把所有屬性一起遷移。

治理：區分保結構關係與未映射屬性，保存映射覆蓋率。

12.5 來源洗白

生成物多輪改寫後，來源、作者、版本與推論責任消失。

治理：每個主張保留 provenance graph，不允許候選內容覆蓋來源。

12.6 矛盾抹平

集中與組合把少數反例轉成模糊平均。

治理：顯式矛盾邊、條件化結論與衝突保存率。

12.7 版本錯配

舊版方法與新版假設被無標記混合。

治理：版本相容矩陣與時間作用域檢查。

12.8 權限穿越

組合結果洩漏不可見來源的存在、主題或結論。

治理：所有對齊、聚合與生成只作用於主體可見子圖：

\mathcal G_p = \mathcal G[\mathcal U_p].

12.9 遞歸自證

系統使用自己生成的候選支持下一輪候選，再回頭宣稱來源已充分。

治理：來源邊、候選邊與接受邊分層；候選不能獨立證明自身。

12.10 創新權與代表權混淆

系統以某人的知識結構生成新內容後，宣稱該內容代表原作者立場。

治理：

\text{由某認知結構生成} \neq \text{由原主體主張}.

衍生內容必須有獨立作者、版本與責任標示。

十三、與認知繼承的關係

本系列第 1、2 篇提出：可以被外部化與繼承的，不是完整人格，而是受限的生成結構、問題模式、操作程序與驗證規則。

本文進一步指出，真正的認知繼承不能只讓接收智能體「找到原作者寫過什麼」，還必須讓它知道：

哪些生成核可以重新作用；
哪些關係可以跨域遷移；
哪些知識單元可以安全組合；
哪些矛盾不能抹平；
哪些新結論只是候選；
何時需要改寫問題空間，而不是繼續在舊分類中搜尋。

因此可繼承認知不只包含：

\mathcal M_{\mathrm{memory}},

也包含：

\mathcal O_{\mathrm{transform}},

即對知識進行合法轉換的算子集合。

完整形式為：

\mathcal C_{\mathrm{inherit}} = \left( \mathcal M, \mathcal G, \mathcal K, \mathcal O, \mathcal V, \mathcal P \right),

其中：

$\mathcal M$ ：記憶內容；
$\mathcal G$ ：關係圖；
$\mathcal K$ ：生成核；
$\mathcal O$ ：生成、組合與轉換算子；
$\mathcal V$ ：驗證規則；
$\mathcal P$ ：權限與治理政策。

這使認知繼承從文件閱讀提升為：

\boxed{ \text{受治理的知識變換能力繼承} }

十四、與 GCMS 雙軌記憶及多路徑索引的整合

第 4 篇建立：

\mathrm{GCMS} = \mathrm{LosslessArchive} + \mathrm{SemanticMemory} + \mathrm{EvidenceBridge}.

第 5 篇建立：

\mathrm{SemanticMemory} = \left( \mathcal G, \mathfrak I, \Pi, \mathcal T \right).

本文再加入：

\mathfrak O_{\mathrm{knowledge}} = \{ \mathsf R, \mathsf G, \mathsf C, \mathsf X \}.

因此目前 GCMS 的理論結構可寫成：

\boxed{ \begin{aligned} \mathrm{GCMS}_{\mathrm{cognitive}} ={}& \mathrm{LosslessArchive}\\ &+ \mathrm{SemanticCompression}\\ &+ \mathrm{MultiPathIndex}\\ &+ \mathrm{EvidenceBridge}\\ &+ \mathrm{KnowledgeGeneration}\\ &+ \mathrm{ConstrainedComposition}\\ &+ \mathrm{CrossDomainRestructuring}\\ &+ \mathrm{GovernanceTrace}. \end{aligned} }

資料流為：

q \xrightarrow{\mathrm{Index}} \mathcal R_q \xrightarrow{\mathrm{Align}} \mathcal A_q \xrightarrow{\mathrm{Compose}} \mathcal Y_q \xrightarrow{\mathrm{Verify}} \widetilde{\mathcal Y}_q \xrightarrow{\mathrm{Govern}} \mathcal M_{t+1}.

但最後一步尚不能自動執行。因為一旦系統能主動決定何時喚起記憶、發散、組合與重新寫回，就進入下一階段：自調用記憶與遞歸循環。

十五、結論

知識重建的目標，是讓既有內容重新可用；知識生成的目標，是形成來源中未逐字存在的新候選；知識組合的目標，是在多來源之間建立合法對齊、相容性與新結構；跨域再結構化的目標，則是改變原本的概念分類、關係圖與問題空間。

因此：

\mathsf R \neq \mathsf G \neq \mathsf C \neq \mathsf X.

一個可靠的 GCMS 不能把這四種運算混成同一個「回答生成」步驟。

本文的核心主張是：

\boxed{ \text{知識組合} = \text{對齊} + \text{約束} + \text{生成} + \text{證據} + \text{治理} }

其中任何一項缺失，都可能使組合退化為：

流暢拼貼；
錯誤類比；
尺度錯置；
真值提升；
矛盾抹平；
來源洗白；
遞歸自證。

如果本文命題成立，GCMS 的未來就不只是重現一個知識體系，而是能在證據約束下：

重建既有內容；
重新作用生成核；
對齊遠距領域；
組合互補方法；
形成可檢驗的新命題；
重新排列整個研究空間。

這使 GCMS 從記憶系統向認知運行時推進一步：

\boxed{ \text{記憶} \rightarrow \text{索引} \rightarrow \text{組合} \rightarrow \text{知識狀態轉換} }

下一篇將處理一個更關鍵的控制問題：知識系統不應每次都被外部查詢動作喚起。它在什麼情況下應主動發現不確定性、證據缺口、矛盾或未完成任務，並自我調用記憶與索引系統？

參考文獻

[1] Pickel, B., & Rabern, B. (2024). Compositionality. Stanford Encyclopedia of Philosophy.
https://plato.stanford.edu/entries/compositionality/

[2] Gentner, D. (1983). Structure-Mapping: A Theoretical Framework for Analogy. Cognitive Science, 7(2), 155–170.
https://onlinelibrary.wiley.com/doi/abs/10.1207/s15516709cog0702_3

[3] Gentner, D., & Markman, A. B. (1997). Structure Mapping in Analogy and Similarity. American Psychologist, 52(1), 45–56.
https://groups.psych.northwestern.edu/gentner/papers/GentnerMarkman97.pdf

[4] Markman, A. B., & Gentner, D. (2000). Structure Mapping in the Comparison Process. American Journal of Psychology, 113(4), 501–538.
https://groups.psych.northwestern.edu/gentner/papers/MarkmanGentner00.pdf

[5] Fauconnier, G., & Turner, M. (2003). Conceptual Blending, Form and Meaning. Recherches en Communication, 19, 57–86.
https://tecfa.unige.ch/tecfa/maltt/cofor-1/textes/Fauconnier-Turner03.pdf

[6] Fauconnier, G., & Turner, M. (2003). Polysemy and Conceptual Blending. In B. Nerlich et al. (Eds.), Polysemy: Flexible Patterns of Meaning in Mind and Language.
https://pages.ucsd.edu/~scoulson/203/turner-polysemy.pdf

[7] Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). Human-Level Concept Learning Through Probabilistic Program Induction. Science, 350(6266), 1332–1338.
https://pubmed.ncbi.nlm.nih.gov/26659050/

[8] Lake, B. M., & Baroni, M. (2018). Generalization Without Systematicity: On the Compositional Skills of Sequence-to-Sequence Recurrent Networks. Proceedings of ICML, PMLR 80, 2873–2882.
https://proceedings.mlr.press/v80/lake18a.html

[9] Lake, B. M., & Baroni, M. (2023). Human-Like Systematic Generalization Through a Meta-Learning Neural Network. Nature, 623, 115–121.
https://www.nature.com/articles/s41586-023-06668-3

[10] Battaglia, P. W., et al. (2018). Relational Inductive Biases, Deep Learning, and Graph Networks.
https://arxiv.org/abs/1806.01261

[11] Zeng, K., et al. (2021). A Comprehensive Survey of Entity Alignment for Knowledge Graphs. AI Open, 2, 1–13.
https://www.sciencedirect.com/science/article/pii/S2666651021000036

[12] Xiang, Y., Zhang, Z., Chen, J., Chen, X., Lin, Z., & Zheng, Y. (2021). OntoEA: Ontology-Guided Entity Alignment via Joint Knowledge Graph Embedding. Findings of ACL-IJCNLP 2021.
https://aclanthology.org/2021.findings-acl.96.pdf

[13] Teymurova, S., et al. (2024). OWL2Vec4OA: Tailoring Knowledge Graph Embeddings for Ontology Alignment.
https://ernestojimenezruiz.github.io/assets/pdf/owl2vec4oa-2024.pdf

[14] Bechberger, L., & Kühnberger, K.-U. (2018). A Comprehensive Implementation of Conceptual Spaces.
https://ceur-ws.org/Vol-2090/paper4.pdf

[15] Warglien, M., & Gärdenfors, P. (2013). Semantics, Conceptual Spaces and the Meeting of Minds. Synthese, 190, 2165–2193.
https://www.blutner.de/NeuralNets/Texts/Warglien-Gardenfors.pdf

系列銜接

上一篇：《多路徑知識索引：區塊、流式、跳躍、發散與集中》

下一篇：《自調用記憶：知識系統何時應該主動喚起自身？》

06_知識不只被重建_生成組合與跨域再結構化