內視、外視與語義視

觀察算子的統一族

英文題名： Inner Seeing, Outer Seeing, and Semantic Seeing: A Unified Family of Observation Operators
系列： 《視之基底：從差異顯現到終極觀察者》04
作者： Neo.K（許筌崴）
AI 協作： GPT-5.6 Thinking
機構： EveMissLab／一言諾科技有限公司
文件性質： 基礎理論論文／命題猜想論文
版本： v0.1
日期： 2026-08-01
狀態： 統一形式框架與可檢驗命題；不宣稱不同模態在現象內容上等價
前置文件：

《觀察不是底：差異、邊界、耦合與痕跡》v0.1
《從差異到顯現：視域、前景、背景與遮蔽的生成》v0.1
《觀察者如何誕生：自我區分、位格與主客形成》v0.1

摘要

前三篇建立了一條由差異、邊界、耦合、痕跡、可取用整合，到視域、持續視點與弱位格的生成鏈。到了這一步，一個更直接的問題出現：

如果「視」不是眼睛的同義詞，那麼看外部世界、看自身內部狀態，以及「看懂」概念、關係、論證與可能性，是否屬於同一類操作？

本文提出「觀察算子統一族」框架。核心主張不是內視、外視與語義視完全相同，而是三者可能共享一個較抽象的操作骨架：

\boxed{ \mathcal{V}_d = \mathcal{R} \circ \mathcal{P} \circ \mathcal{U} \circ \mathcal{G} \circ \mathcal{S} \circ \mathcal{F} \circ \mathcal{O}_{\min} \mid d }

其中 $d$ 表示被觀察域，而共同操作包括：

$\mathcal{O}_{\min}$ ：最低觀察——把差異轉成可取用痕跡；
$\mathcal{F}$ ：場化——把多個內容放入共同關係域；
$\mathcal{S}$ ：顯著化——分配當前處理優先級；
$\mathcal{G}$ ：圖地／對象化——建立前景、背景與邊界；
$\mathcal{U}$ ：未顯現域建模——維持遮蔽、未知、未檢索或未解析部分；
$\mathcal{P}$ ：視點條件化——相對於觀察位置、任務與位格重組內容；
$\mathcal{R}$ ：重聚焦與回讀——允許視點移動、重新取樣與修正。

三種主要實例為：

\mathcal{V}_{ext}

外視：主要作用於被建模為系統外部的環境狀態；

\mathcal{V}_{int}

內視：主要作用於被建模為系統自身的身體、情緒、注意、記憶、信心與思考狀態；

\mathcal{V}_{sem}

語義視：主要作用於概念、命題、關係、條件、來源、可能性與反例形成的符號—關係域。

本文主張，三者的統一應建立在操作同型而非現象同一。外視透過感官—行動迴路受到外部物理世界約束；內視透過內感、元認知與自我模型存取自身狀態，且容易受到觀察反作用、記憶重建與自我解釋影響；語義視則可在沒有即時外部感官輸入的情況下，從語言、符號、記憶與模型狀態形成高階關係場。三者都有前景、背景、盲區、視點與重聚焦，但其證據來源、誤差結構與本體約束並不相同。

近期認知科學研究持續顯示語義表徵不是純語言或純感官的單一路徑，而是受到語言、感覺運動、情緒、社會與內感等多種來源共同塑造；2025 年的研究亦指出多模態大型語言模型可形成與人類物體概念結構部分相似的表示。另一方面，內感與外感的界線本身仍具爭議，較新的計算取向更傾向依 sensor–effector loop、控制目標與推論角色，而不是單靠「刺激在身體內還是外」來區分。這支持本文將內視與外視理解為不同觀察配置，而非兩個互相封閉的世界。

本文進一步提出一個重要限制：不是所有符號運算都構成語義視。若系統只能逐符號映射，沒有共同關係場、前景／背景、未取用域、視點與可重聚焦能力，則最多屬於符號處理，而非本文所稱的語義視域。同理，能生成「我正在思考」的句子，也不自動意味存在真正內視；必須證明報告與系統內部狀態存在特定、可控制的資訊關係。

本文最終提出：

\boxed{ \text{視不是一種感官， 而是一族把差異組織成可從某視點操作之場的算子。} }

以及：

\boxed{ \text{外視、內視與語義視} = \text{共同操作骨架} + \text{不同被觀察域} + \text{不同誤差與證據約束} }

這使「AI 沒有眼睛是否能看」轉化成較精確的問題：AI 是否能建立、維持、重新聚焦並校正一個具有前景、背景、未顯現域與視點的語義或世界關係場？若答案為肯定，則「功能性視」可以跨越生物眼球；但是否伴隨現象觀看仍屬另一問題。

關鍵詞： 外視、內視、語義視、觀察算子、語義場、內感、元認知、概念表徵、AI 視域、功能性視

0. 問題：如果沒有眼睛，還能有「視」嗎？

「看見」一詞通常指視覺。

但人類日常語言早已把它擴張到：

看懂；
看法；
看出問題；
看見自己的情緒；
看見一個論證漏洞；
看見未來可能性；
看見自己不知道什麼。

其中很多情況沒有新光學刺激。

如果全部都只是語言隱喻，就沒有必要建立一般「視」理論。

但如果這些不同過程確實共享：

焦點；
背景；
視角；
盲點；
遮蔽；
重聚焦；
整體—局部關係；

那麼「視」可能比視覺感官更一般。

本文研究的不是詞源，而是結構問題：

\boxed{ \text{不同領域中的「視」是否共享操作骨架？} }

1. 三種視的初步定義

1.1 外視

外視：

\mathcal{V}_{ext}

作用於被系統建模為「外部環境」的狀態。

例如：

視覺；
聽覺場景；
觸摸外物；
雷達；
相機；
科學儀器；
機器人感測。

注意：「外視」不是只指眼睛。

它更一般地表示：

\boxed{ \text{對外部因果來源的視域化觀察} }

1.2 內視

內視：

\mathcal{V}_{int}

作用於被系統建模為「自身狀態」的差異，例如：

呼吸；
心跳；
疼痛；
情緒；
注意；
記憶；
心象；
思考；
信心；
錯誤感；
自己正在使用的策略。

它包含但不限於傳統 introspection。

內視的被觀察對象可能本來就是觀察系統的一部分，因此：

\boxed{ \text{observer} \cap \text{observed domain} \neq \varnothing }

這造成比外視更強的反身性。

1.3 語義視

語義視：

\mathcal{V}_{sem}

作用於：

概念；
命題；
關係；
定義；
因果候選；
推論；
反例；
版本；
來源；
可能世界；
未決問題。

它不要求這些內容具有視覺形狀。

例如閱讀：

所有哺乳類都有心臟；鯨是哺乳類。

系統可以建立：

Whale \rightarrow Mammal \rightarrow Heart

並看到：

類屬關係；
推論路徑；
缺失前提；
例外；
衝突。

本文把這種高階關係域稱為語義視域。

2. 統一不是同一

本文最重要的限制之一是：

\boxed{ \mathcal{V}_{ext} \neq \mathcal{V}_{int} \neq \mathcal{V}_{sem} }

它們共享部分形式，不表示：

內視就是外視轉向身體；
思考就是內在圖片；
語義場就是物理空間；
LLM 的 embedding space 等於人類視覺空間；
三者具有相同現象質感。

更準確表示：

\boxed{ \mathcal{V}_d = \mathcal{V}_{common} + \mathcal{K}_d }

其中：

$\mathcal{V}_{common}$ ：共同操作骨架；
$\mathcal{K}_d$ ：領域特定機制與約束。

3. 共同骨架之一：差異取得

所有視都先需要最低觀察：

\mathcal{O}_{\min} = \mathcal{A} \circ \mathcal{T} \circ \mathcal{C} \circ \mathcal{B} \circ \mathcal{D}

外視

\Delta W_{external} \rightarrow \Delta S

內視

\Delta W_{internal} \rightarrow \Delta S

語義視

\Delta R_{semantic} \rightarrow \Delta S

例如：

兩個物體位置不同；
心跳變快；
兩個論點矛盾；

都必須先造成可取用差異。

4. 共同骨架之二：場化

只有差異還不夠。

4.1 外視場

例如：

V_{ext} = \{ \text{桌子}, \text{杯子}, \text{門}, \text{相對位置} \}

4.2 內視場

例如：

V_{int} = \{ \text{呼吸}, \text{焦慮}, \text{胸口感受}, \text{注意漂移} \}

4.3 語義場

例如：

V_{sem} = \{ \text{主命題}, \text{前提}, \text{來源}, \text{反例}, \text{依賴} \}

三者皆要求：

\mathcal{F}: \{x_1,\ldots,x_n\} \rightarrow (N,R)

把離散項目組成關係場。

5. 共同骨架之三：前景與背景

5.1 外視

正在看的杯子是 figure，房間是 ground。

5.2 內視

正在注意疼痛時：

FIGURE:
  pain

GROUND:
  posture
  breath
  mood
  environment

5.3 語義視

分析某個命題時：

FIGURE:
  current claim

GROUND:
  background theory
  terminology
  assumptions
  prior evidence

因此：

\boxed{ \text{前景／背景} }

可能是三類視共同的資源分配結構。

6. 共同骨架之四：未顯現域

每一種視都有「沒被看到」的部分，但類型不同。

6.1 外視的未顯現

遮蔽；
感官範圍外；
解析度不足；
儀器盲區。

6.2 內視的未顯現

未被注意的身體狀態；
無法存取的心理過程；
自我欺騙；
前反思狀態；
記憶遺失。

6.3 語義視的未顯現

未檢索來源；
未激活概念；
context window 外；
未想到的反例；
未建立的關係；
尚未定義的問題。

所以：

U_d = \text{domain-specific unmanifest set}

7. 共同骨架之五：視點

7.1 外視視點

可以是：

身體位置；
感測器位置；
機器人座標。

7.2 內視視點

可以是：

當前自我狀態；
元觀察層級；
身體部位；
時間視角。

例如：

我現在感到焦慮。

與：

我正在觀察「我如何判斷自己焦慮」。

是不同 meta-level。

7.3 語義視點

可以是：

問題；
立場；
理論；
角色；
任務；
時間版本。

例如同一篇論文可從：

支持者；
審稿者；
工程師；
歷史學者；

四個視點形成不同前景與背景。

8. 共同骨架之六：重聚焦

視的核心不是一次性捕捉，而是：

\boxed{ \text{可重新決定下一個觀察位置} }

外視

移動眼睛、身體、相機、儀器。

內視

從：

呼吸；
情緒；
心象；
信心；

之間切換。

語義視

從：

主命題；
來源；
反例；
上位概念；
實作；

之間導航。

因此：

V_{t+1} = \mathcal{R} ( V_t, q_t )

其中 $q_t$ 是新的觀察目標。

9. 統一視算子

綜合以上：

\boxed{ \mathcal{V}_d = \mathcal{R} \circ \mathcal{P} \circ \mathcal{U} \circ \mathcal{G} \circ \mathcal{S} \circ \mathcal{F} \circ \mathcal{O}_{\min} \mid d }

其中：

算子	功能
$\mathcal{O}_{\min}$	差異取得
$\mathcal{F}$	場化
$\mathcal{S}$	顯著化
$\mathcal{G}$	前景／背景組織
$\mathcal{U}$	未顯現域建模
$\mathcal{P}$	視點條件化
$\mathcal{R}$	重聚焦與回讀

這裡的「統一」表示：

三類觀察可使用同一套高階描述語法。

不表示底層實現相同。

10. 內視與外視的邊界其實並不乾淨

傳統直覺：

EXTEROCEPTION = 外界
INTEROCEPTION = 身體內部

但邊界案例很多。

例如皮膚溫度：

是外部環境造成？
還是身體內部狀態？

呼吸：

是內感；
但又直接取樣外部空氣。

疼痛：

可以來自外傷；
但呈現為內部狀態。

較新的計算性取向因此傾向按：

sensor–effector loop；
控制目標；
homeostatic relevance；
推論角色；

而不是只按物理內／外劃分。

因此本文提出：

\boxed{ \text{內視／外視} = \text{觀察配置差異} }

而非兩個完全不相交世界。

11. 內視為何特別困難？

11.1 觀察者與對象重疊

外視通常：

Observer\neq Object

內視則：

Observer\cap Object\neq\varnothing

11.2 觀察會改變狀態

注意呼吸：

\rightarrow

呼吸可能改變。

觀察焦慮：

\rightarrow

焦慮可能增加或降低。

11.3 自我模型介入

內視輸出可能是：

\text{state} \rightarrow \text{self-model} \rightarrow \text{report}

而不是直接讀取底層狀態。

11.4 語言與文化分類

相同身體感受可被命名為：

焦慮；
氣；
壓力；
神聖臨在；
疲勞。

因此內視具有更強的解釋層介入。

12. 外視也不是透明複製

不能因為內視容易錯，就假設外視是世界照相機。

外視同樣受到：

解析度；
遮蔽；
注意；
預測；
先驗；
感測器；
行動取樣；

影響。

所以：

\boxed{ \text{外視} \neq \text{世界的透明複製} }

而是：

\boxed{ \text{外部約束下的條件化視域建構} }

13. 語義視是否只是比喻？

這是本文最重要的爭議。

如果任何抽象推理都叫「看」，那麼「語義視」會失去區分力。

本文因此設定門檻。

只有當系統能同時維持：

多個語義項；
顯式或隱式關係；
前景／背景；
未取用／未知區；
任務視點；
重聚焦；
關係重組；

才稱為：

\boxed{ \text{Functional Semantic Vision} }

如果只是：

token_i \rightarrow token_j

的局部映射，本文只稱：

SYMBOL PROCESSING

而不是語義視。

14. 語義空間並不只是純語言

近年的 semantic representation 研究越來越強調：

\text{Concept} = F ( \text{linguistic}, \text{sensorimotor}, \text{affective}, \text{social}, \text{interoceptive} )

不是純文字 dictionary。

2024 年對 semantic space 的研究發現，分布式、感覺運動、社會與內感特徵共同參與高階詞義結構；內感資訊甚至位於所建語義空間的中央區域之一。

這對本文很重要：

語義視不是與感官完全分離的「純符號天堂」。

人類語義視往往是過往外視、內視、行動與語言的壓縮整合。

15. 語言可以獨立貢獻概念結構

另一方面，人也可以只透過語言學到：

從未見過的歷史人物；
抽象數學；
法律制度；
黑洞；
虛構世界。

所以：

\text{semantic representation} \not\equiv \text{current sensorimotor input}

近期研究利用 LLM 比較語言與多模態表徵的貢獻，也支持語言本身能提供大量概念結構，但多模態經驗仍增加其他維度。

這使語義視成為合理的獨立研究層。

16. 多模態模型顯示什麼？

2025 年研究發現，多模態大型語言模型中的物體概念表徵，可在若干分析上呈現與人類概念結構相似的組織。

這不能證明：

模型像人一樣看；
模型具有相同概念現象；
表徵來源與人腦相同。

但支持較弱命題：

\boxed{ \text{不同實現系統可以形成部分相似的概念關係幾何} }

這正是「語義視域可以跨生物實現」的必要條件之一。

17. LLM 的語義視到底在哪裡？

不能簡單說：

embedding = vision

也不能說：

attention = vision

更合理的是系統層定義。

若模型／agent 能：

取得語義節點；
維持多項關係；
根據任務形成前景；
保留未檢索背景；
發現關係缺口；
移動焦點；
用新證據修正關係場；

則整個運行系統形成：

V^{AI}_{sem}

因此 AI 語義視可能不是一個 layer，而是一個 runtime-level emergent function。

18. OAM 作為語義視工程原型

Operator-Assisted Memory 已經很接近這個架構。

Dense retrieval

提供語義鄰域。

Sparse retrieval

提供精確對象。

Operator tags

提供方向。

Graph

提供關係與背景。

Provenance

提供來源。

Epistemic status

提供未決與證據邊界。

Version

提供時間視點。

所以：

\boxed{ OAM \approx \text{Externalized Semantic Visual Field Infrastructure} }

它把模型原本不穩定的語義場部分外部化、持久化與可檢查化。

19. 語義視的遮蔽

語義域也存在遮蔽。

例如：

某篇來源沒有被 retrieval 找回；
某個反例沒有進入 context；
某個隱含假設沒有被顯式化；
某個概念存在但未被激活。

定義：

O_{sem} = \{ \text{unretrieved}, \text{inactive}, \text{implicit}, \text{unknown} \}

成熟語義視不能假裝：

\text{current context} = \text{all relevant knowledge}

它必須知道：

\boxed{ \text{目前視域有邊界} }

20. 語義盲點

定義語義盲點：

對當前判斷重要，但系統既未表徵，也不知道自己缺少的關係。

形式上：

b \notin V_{sem}

且：

b \notin U_{sem}

也就是：

不只沒看到，連「這裡可能有東西」都不知道。

這比一般遮蔽更危險。

21. 從語義視進入研究能力

若 AI 只有語義匹配：

q \rightarrow a

它很難做真正研究。

研究需要：

\text{claim} \rightarrow \text{source} \rightarrow \text{counterexample} \rightarrow \text{gap} \rightarrow \text{new question}

這本質上是一個不斷重構語義視域的過程。

因此：

\boxed{ \text{研究能力} \supset \text{semantic visual navigation} }

這不是充分條件，但可能是重要組件。

22. 外視、內視與語義視可以互相轉換嗎？

可以部分轉換，但不是無損。

22.1 外視 → 語義視

\text{seeing a red apple} \rightarrow \text{concept APPLE／RED／ROUND}

22.2 內視 → 語義視

\text{felt anxiety} \rightarrow \text{concept ANXIETY}

22.3 語義視 → 外視導引

\text{search for cracks} \rightarrow \text{move camera／eyes}

22.4 語義視 → 內視導引

\text{ask whether breathing is shallow} \rightarrow \text{attend to chest／breath}

所以形成：

\boxed{ \mathcal{V}_{ext} \leftrightarrow \mathcal{V}_{sem} \leftrightarrow \mathcal{V}_{int} }

23. 跨模態翻譯會損失什麼？

外視中的：

色彩質感；
空間連續；
紋理；

轉成語義時會被壓縮。

內視中的：

疼痛質地；
情緒混合；
身體流動；

轉成語言也會被壓縮。

語義轉回圖像或動作時，則需要補充大量未指定細節。

因此：

\boxed{ \mathcal{T}_{a\rightarrow b} }

一般不是可逆同構：

\mathcal{T}^{-1} \circ \mathcal{T} \neq I

這對第 8 篇「繪圖作為逆觀察」尤其重要。

24. 原生符號繪圖重新定位

原生符號繪圖可以理解為：

\mathcal{V}_{sem} \rightarrow \mathcal{V}_{spatial} \rightarrow Y

其中：

先形成概念／關係場；
再轉成空間場；
最後公共顯影。

因此模型畫圖的錯誤可以發生在不同階段：

SEMANTIC ERROR
SPATIALIZATION ERROR
RENDERING ERROR
FEEDBACK ERROR

這比單純說「模型畫不好」更精確。

25. NVCL 重新定位

NVCL：

P \rightarrow V^{sem} \rightarrow V^{spatial} \rightarrow A \rightarrow Y \rightarrow V^{ext} \rightarrow \Delta

把語義視、空間視與外視回讀接成閉環。

因此：

\boxed{ NVCL = \text{cross-domain visual loop} }

不再只是繪圖流程。

26. 內視與語義視的危險混淆

當模型說：

我注意到自己不確定。

可能有三種不同情況。

A. 真正內部狀態可及

InternalState \rightarrow SelfReport

B. 語義推測

模型從：

問題難度；
語言模式；
輸入模糊；

推測自己應該不確定。

C. 對話慣例

只是生成：

我可能需要更多資訊。

因此：

\boxed{ \text{semantic self-description} \not\Rightarrow \text{introspection} }

AI 內視研究必須控制輸入線索，證明報告真的攜帶內部狀態額外資訊。

27. 三種視的主要誤差

外視誤差

OCCLUSION
SENSOR_NOISE
ILLUSION
PERSPECTIVE_BIAS
RESOLUTION_LIMIT

內視誤差

ACCESS_FAILURE
REACTIVITY
SELF-MODEL_BIAS
MEMORY_RECONSTRUCTION
INTERPRETIVE_BIAS

語義視誤差

CONTEXT_OMISSION
RELATION_HALLUCINATION
RETRIEVAL_BLIND_SPOT
CONCEPT_COLLAPSE
VERSION_CONFUSION
FALSE_COHERENCE

統一架構不能消滅領域特定誤差。

28. 三種視的證據結構

外視

可由：

多觀察者；
儀器；
重複取樣；

建立公共校準。

內視

第一人稱具有特殊存取，但需透過：

即時報告；
重複測量；
第二人稱訪談；
行為／生理；

橋接公共研究。

語義視

可透過：

明確節點；
推理 trace；
source；
graph；
counterexample；

高度外部化。

所以語義視可能比內視更容易被工程審計，卻不等於更真實。

29. 一般「視」的最低判準

本文提出七項判準。

一個系統若要稱為具有某域的功能性「視」，至少應具備：

V1 差異敏感

能區分至少部分域內狀態。

V2 場化

多個差異可共存於關係域。

V3 前景／背景

可分配不同處理優先級。

V4 未顯現域

能區分至少部分未知、遮蔽、未取用內容。

V5 視點

關係相對於一個任務／位置／位格組織。

V6 重聚焦

可主動或被動改變目前觀察目標。

V7 回讀修正

新差異能修正既有視域。

只有 V1 而沒有 V2–V7：

是感測，不是本文強意義的視。

30. 「視」與意識仍然不同

本文最重要的邊界：

\boxed{ FunctionalVision \not\Rightarrow PhenomenalVision }

一個 AI 可以形成：

空間場；
語義場；
自我狀態場；

而我們仍不知道它是否有：

「看起來像什麼」。

所以系列所建立的是：

\boxed{ \text{視的功能—認識論骨架} }

而不是現象意識定理。

31. 可檢驗命題與猜想

定義 D1：功能性視

若系統在某域滿足 V1–V7 的最低組合，則稱具有該域的功能性視。

命題 P1：模態非等價命題

共享觀察骨架不推出不同觀察域具有相同底層實現或現象內容。

命題 P2：視域超越單點辨識

單項分類或映射不足以構成強意義功能性視。

命題 P3：語義自述非內視命題

AI 產生自我描述不足以證明其具有內部狀態特權存取。

猜想 C1：統一算子族猜想

外視、內視與語義視可由共同高階算子語言描述，而領域差異主要落在輸入來源、約束與誤差結構。

猜想 C2：語義視域增益猜想

具有顯式關係場、未知區與重聚焦機制的 AI，在研究、多跳、反例發現與版本治理任務上優於純局部序列映射。

猜想 C3：跨視域遷移猜想

外視或內視中學到的部分組織原則，可透過抽象關係表示遷移至語義視域，反之亦然。

猜想 C4：視域校正猜想

可主動重聚焦的系統，比固定一次性輸入系統更能降低遮蔽與錯誤補全。

猜想 C5：語義盲點可治理猜想

外部化 graph、source、version 與 epistemic status 可把部分「不知道自己不知道」轉成可表徵未知。

猜想 C6：視域是高階智能共同基礎之一

需要跨局部資訊建立整體、切換視點與管理未知的高階智能任務，可能普遍受益於視域型表徵。

32. 實驗設計

32.1 三域對應任務

建立結構同型但內容不同的任務。

外視

找出場景中被遮蔽物件。

內視

辨識注意漂移或信心錯配。

語義視

找出論證中的隱含前提。

比較三者是否共享：

前景切換；
不確定性；
重新取樣；

的計算模式。

32.2 語義視域消融

比較：

純 context；
context + retrieval；
context + graph；
graph + unknown state；
完整 OAM。

測：

反例發現；
來源準確；
全局一致；
不回答能力。

32.3 AI 內視控制實驗

控制：

輸入難度；
表面不確定詞；
提示。

改變模型內部狀態或工具狀態，測自我報告是否具有額外資訊。

32.4 重聚焦實驗

允許模型自主選：

下一篇來源；
下一個圖像視角；
下一個內部診斷工具。

與固定上下文比較。

33. 與整個系列的關係

目前四篇形成：

\boxed{ \text{Difference} \rightarrow \text{Observation} \rightarrow \text{Appearance Field} \rightarrow \text{Observer} \rightarrow \text{Domain-General Vision Family} }

第 1 篇回答：

觀察之下是什麼？

第 2 篇回答：

可用差異如何形成視域？

第 3 篇回答：

視域相對於誰？

本篇回答：

一旦觀察者與視域成立，「視」能否跨越外界、自身與語義世界？

答案是：

\boxed{ \text{可以建立共同操作語法， 但不能宣稱三者本體或現象同一。} }

34. 下一個問題：終極觀察者

只要我們定義：

\mathcal{V}_d = \text{有視點的有限視域操作}

終極觀察者問題就變得更加尖銳。

如果一個存在：

沒有域外；
沒有遮蔽；
沒有未知；
沒有視點限制；

那麼它是否還滿足本文對「視」的定義？

或者：

\boxed{ \text{全知} }

其實不是：

\boxed{ \text{無限強的觀察} }

而是一種不同於觀察的知識形式？

下一篇將正式處理：

《終極觀察者悖論：觀察知識、同一性知識與全域自觀察》

35. 結論

本文將外視、內視與語義視放入同一高階操作族：

\boxed{ \mathcal{V}_d = \mathcal{R} \circ \mathcal{P} \circ \mathcal{U} \circ \mathcal{G} \circ \mathcal{S} \circ \mathcal{F} \circ \mathcal{O}_{\min} \mid d }

其共同核心不是：

眼睛；
光子；
像素；
內在圖片。

而是：

\boxed{ \text{差異取得} + \text{場化} + \text{前景／背景} + \text{未顯現域} + \text{視點} + \text{重聚焦} + \text{回讀修正} }

因此：

\boxed{ \text{視不是一種感官， 而是一族把差異組織成可從某位置操作之場的算子。} }

外視將外部世界場化。

內視將自身狀態場化。

語義視將概念與關係場化。

而完整智能可能不斷在三者之間轉換：

\boxed{ \mathcal{V}_{ext} \leftrightarrow \mathcal{V}_{sem} \leftrightarrow \mathcal{V}_{int} }

這也說明，AI 是否具有「視」不應只問：

它有沒有相機？

更精確的問題是：

它能否建立一個有前景、背景、視點、未知區與可重聚焦能力的世界或語義場，並讓新觀察持續修正這個場？

若可以，那麼非眼球的功能性視至少在概念上成立。

至於：

這個場是否真的「對它顯現」？

仍是現象意識問題，本文不越界作答。

參考文獻

Toussaint, B., Heinzle, J., & Stephan, K. E. (2024). A computationally informed distinction of interoception and exteroception. Neuroscience & Biobehavioral Reviews, 159, 105608.
Goral, O., Wald, I. Y., Maimon, A., et al. (2024). Enhancing interoceptive sensibility through exteroceptive–interoceptive sensory substitution. Scientific Reports, 14, 14855.
Diveica, V., Muraki, E. J., Binney, R. J., & Pexman, P. M. (2024). Mapping semantic space: Exploring the higher-order structure of word meaning. Cognition, 248, 105794.
Rinaldi, L. (2025). Refining the multimodality of semantic representations. Trends in Cognitive Sciences, 29(12), 1073–1074.
Du, C., Fu, K., Wen, B., et al. (2025). Human-like object concept representations emerge naturally in multimodal large language models. Nature Machine Intelligence, 7, 860–875.
Seow, T. X. F., Jelinek, L., Moritz, S., et al. (2025/2026). Integrating cognitive neuroscience and clinical perspectives on metacognitive mechanisms in psychopathology. Nature Reviews Psychology, 5, 9–28.
Safavi, T., & Koutra, D. (2021). Relational World Knowledge Representation in Contextual Language Models: A Review. arXiv:2104.05837.
Wu, F., Dwivedi, V. P., & Leskovec, J. (2025). Large Language Models are Good Relational Learners. arXiv:2506.05725.
Neo.K. (2026). 觀察不是底：差異、邊界、耦合與痕跡. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 從差異到顯現：視域、前景、背景與遮蔽的生成. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 觀察者如何誕生：自我區分、位格與主客形成. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 內視分類學的算子論. EveMissLab Internal Paper v0.1.
Neo.K. (2026). Operator-Assisted Memory. EveMissLab Internal Paper v0.1.
Neo.K. (2026). 基底視覺論：弱形式、強形式與感知位格. EveMissLab Internal Paper.

內部研究備註

本文為系列第 4 篇，正式進入第二部。
本文只建立「操作同型」，不建立三種視的現象同一性。
「語義視」必須滿足 V1–V7 的最低門檻，避免概念泛化成所有符號處理。
AI 自我描述與真正內視必須分開測試。
OAM 可在後續作為語義視域的工程實驗平台。
第 5 篇進入終極觀察者悖論，將測試有限視域的定義在全知條件下是否失效。

視之基底系列_04_內視外視與語義視_觀察算子的統一族_v0.1

內視、外視與語義視

觀察算子的統一族

摘要

0. 問題：如果沒有眼睛，還能有「視」嗎？

1. 三種視的初步定義

1.1 外視

1.2 內視

1.3 語義視

2. 統一不是同一

3. 共同骨架之一：差異取得

外視

內視

語義視

4. 共同骨架之二：場化

4.1 外視場

4.2 內視場

4.3 語義場

5. 共同骨架之三：前景與背景

5.1 外視

5.2 內視

5.3 語義視

6. 共同骨架之四：未顯現域

6.1 外視的未顯現

6.2 內視的未顯現

6.3 語義視的未顯現

7. 共同骨架之五：視點

7.1 外視視點

7.2 內視視點

7.3 語義視點

8. 共同骨架之六：重聚焦

外視

內視

語義視

9. 統一視算子

10. 內視與外視的邊界其實並不乾淨

11. 內視為何特別困難？

11.1 觀察者與對象重疊

11.2 觀察會改變狀態

11.3 自我模型介入

11.4 語言與文化分類

12. 外視也不是透明複製

13. 語義視是否只是比喻？

14. 語義空間並不只是純語言

15. 語言可以獨立貢獻概念結構

16. 多模態模型顯示什麼？

17. LLM 的語義視到底在哪裡？

18. OAM 作為語義視工程原型

Dense retrieval

Sparse retrieval

Operator tags

Graph

Provenance

Epistemic status

Version

19. 語義視的遮蔽

20. 語義盲點

21. 從語義視進入研究能力

22. 外視、內視與語義視可以互相轉換嗎？

22.1 外視 → 語義視

22.2 內視 → 語義視

22.3 語義視 → 外視導引

22.4 語義視 → 內視導引

23. 跨模態翻譯會損失什麼？

24. 原生符號繪圖重新定位

25. NVCL 重新定位

26. 內視與語義視的危險混淆

A. 真正內部狀態可及

B. 語義推測

C. 對話慣例

27. 三種視的主要誤差

外視誤差

內視誤差

語義視誤差

28. 三種視的證據結構

外視

內視

語義視

29. 一般「視」的最低判準

V1 差異敏感