OOE-III：本體編譯器

從模糊世界到可執行制度狀態

OOE-III: The Ontology Compiler

From an Ambiguous World to Executable Institutional States

系列：Operational Ontology Engineering（OOE／操作本體工程）
作者：Neo.K
機構：EveMissLab／一言諾科技有限公司
日期：2026-08-09
版本：v0.1
性質：核心形式化論文／制度與軟體架構模型
前置論文：

《OOE-I：本體論何時變成工程問題？》
《OOE-II：人類早就在做本體工程——操作本體技術史》
前置理論：Continuity Object Theory（COT）

摘要

OOE-I 提出「本體論操作門檻」：當本體分類開始改變不可懸置的現實行動，且不同分類造成的實際損失超過可忽略門檻時，該問題就必須從純思辨進入操作域。OOE-II 則指出，人類早已透過死亡判準、法律擬制、法人、推定、能力測試、永久繼承、來源鏈與國家連續性等制度反覆進行操作本體工程。

第三篇處理整個 OOE 系列最核心的工程問題：

如果世界本身模糊、證據不完整、本體真值不可直接觀察，而系統又必須行動，那麼「本體編譯器」究竟應如何設計？

本文將本體編譯器定義為：

\boxed{ \mathcal C_O: (O,E,K,V,R,H) \rightarrow (\sigma,\gamma,\rho,\tau,\nu) }

其中：

$O$ ：待判定的本體問題；
$E$ ：證據集合；
$K$ ：具體情境與任務；
$V$ ：倫理、權利與制度價值；
$R$ ：行動風險與誤判成本；
$H$ ：歷史狀態、先前判定與 provenance；
$\sigma$ ：操作狀態；
$\gamma$ ：信心／不確定性表示；
$\rho$ ：允許、限制或凍結的行動集合；
$\tau$ ：有效期限與重新評估條件；
$\nu$ ：編譯器／規則版本。

這一定義刻意拒絕：

\mathcal C_O(O,E)=\text{Truth}.

本體編譯器不是「宇宙真理機」，而是：

\boxed{ \text{Decision Infrastructure under Ontological Uncertainty}. }

本文進一步提出七個核心模組：

Ontology Intake：本體問題與決策域拆解；
Evidence Layer：證據來源、品質、衝突與 provenance；
Uncertainty Layer：概率、區間、不確定、爭議與未知狀態；
Loss & Rights Layer：錯誤成本、不可逆性與權利底線；
State Compiler：將複雜輸入轉為操作狀態；
Action Gate：依狀態與風險控制可執行行動；
Review Loop：覆核、申訴、版本化、快取失效與重新編譯。

本文主張，成熟 OOE 系統不應強迫所有情況輸出二元真值，而應允許：

\boxed{ \text{same}, \text{successor}, \text{disputed}, \text{provisional}, \text{insufficient evidence}, \text{review required} }

等中介狀態，並將「分類」與「行動權限」分離。對不可逆或高權利風險行動，本體編譯器應採用更嚴格的證據門檻、較高的程序保障與可逆優先策略。

本文最後提出一個最小 OOE Runtime 架構，使本體編譯器可以直接進入 AI Identity、醫療決策、數位人格、BCI、法人身份與責任治理等未來系統。

關鍵詞：Ontology Compiler、操作本體工程、不確定性、Decision Gate、本體快取、版本控制、申訴、AI Governance、COT、不可逆性

一、本體編譯器不是分類器

一般分類器可以寫成：

f(x)\rightarrow y.

例如：

\text{image}\rightarrow\text{cat}.

但 OOE 處理的問題不同。

若問題是：

這個 AI 換模型後是不是同一 Agent？

輸出：

\text{same}=0.71

本身還不足以決定：

是否保留銀行權限；
是否繼承契約；
是否繼承責任；
是否可以刪除舊版本；
是否需要人工覆核。

所以本體編譯器必須至少同時處理：

\boxed{ \text{classification} + \text{uncertainty} + \text{risk} + \text{rights} + \text{action}. }

因此：

\boxed{ \mathcal C_O \neq \text{ordinary classifier}. }

二、編譯器的完整輸入

本文定義：

X_O = (O,E,K,V,R,H).

其中：

1. 本體問題 $O$

例如：

O=\text{same entity?}

或：

O=\text{decision-capable?}

或：

O=\text{legal parent?}

2. 證據 $E$

可寫成：

E = \{e_1,e_2,\ldots,e_n\}.

每個證據不是單純 Boolean，而應具有：

e_i = ( x_i, q_i, s_i, p_i, t_i ),

其中：

$x_i$ ：內容；
$q_i$ ：品質；
$s_i$ ：來源；
$p_i$ ：provenance；
$t_i$ ：時間。

3. 情境 $K$

同一個本體問題在不同情境下可能需要不同操作精度。

例如：

K_1=\text{日常對話}.

K_2=\text{銀行轉帳}.

K_3=\text{永久刪除數位主體}.

所以：

\theta_{K_1} < \theta_{K_2} < \theta_{K_3}

完全合理。

4. 價值與權利 $V$

包括：

autonomy；
privacy；
due process；
welfare；
property；
equality；
reversibility；
human oversight。

5. 風險 $R$

包括：

L_{FP}, L_{FN}, L_{\mathrm{delay}}, L_{\mathrm{irreversible}}.

6. 歷史 $H$

包括：

先前身份狀態；
過去判定；
migration history；
contract history；
appeal history；
rule version；
identity provenance。

因此：

\boxed{ \mathcal C_O \text{ must be stateful}. }

三、輸出不能只有一個標籤

本文定義本體編譯輸出：

Y_O = ( \sigma, \gamma, \rho, \tau, \nu ).

其中：

$\sigma$ ：操作狀態

例如：

\sigma \in \{ \text{same}, \text{successor}, \text{fork}, \text{terminated}, \text{disputed}, \text{provisional} \}.

$\gamma$ ：不確定性

不是所有結果都必須假裝：

P=1.

可以表示：

\gamma = (P,\Delta P,U_{\mathrm{structural}}).

$\rho$ ：行動政策

例如：

\rho = \{ \text{allowed}, \text{restricted}, \text{frozen}, \text{review-required} \}.

$\tau$ ：有效期限

例如：

\tau=30\text{ days}

或：

\tau= \text{until material change}.

$\nu$ ：規則版本

例如：

\nu=\text{OOE-ID-v1.3}.

這使：

\boxed{ \text{status} \neq \text{eternal truth}. }

四、為什麼一定要保存不確定性？

如果世界本來是：

P(O_1)=0.55, \quad P(O_2)=0.45,

編譯器卻輸出：

O_1=1, \quad O_2=0

而且丟掉原始不確定性，

下游系統就會產生：

\boxed{ \text{False Ontological Certainty}. }

這是 OOE 的核心風險之一。

因此編譯器應允許：

\boxed{ \sigma=\text{uncertain / disputed / provisional}. }

這與決策理論中「在不確定下行動」的思想一致：行動可以被選擇，但不需要把不確定性偽裝成確定性。

五、不確定性不是只有概率

有些問題可以使用：

P(O_i).

但有些問題甚至沒有合理的精確概率。

因此可區分：

U= ( U_P, U_I, U_M, U_D )

其中：

$U_P$ ：probabilistic uncertainty；
$U_I$ ：interval / imprecise uncertainty；
$U_M$ ：model uncertainty；
$U_D$ ：disagreement / normative uncertainty。

例如：

某 AI 是否具有 moral patienthood？

目前可能根本不能誠實地給：

P=0.376.

所以：

\boxed{ \text{No fake precision}. }

應該允許：

\gamma=\text{highly uncertain}.

六、證據層必須有 provenance

對證據：

e_i

不能只存：

value.

而應保存：

\boxed{ \text{who} + \text{how} + \text{when} + \text{under which protocol} }

即：

p_i = \text{Evidence Provenance}.

因為兩個相同數值：

x_1=x_2

如果來源不同，其可信度可能完全不同。

這也是未來 AI Identity 特別重要的一點：

\text{memory claim} \neq \text{verified memory provenance}.

七、證據衝突不能被偷偷平均掉

若：

E_A \Rightarrow O_1

但：

E_B \Rightarrow O_2,

不應直接：

\frac{E_A+E_B}{2} \rightarrow O_1.

因為可能存在：

來源依賴；
共同錯誤；
權力偏差；
measurement conflict；
normative conflict。

因此本體編譯器需要：

\boxed{ \text{Conflict Register}. }

記錄：

\mathcal D = \{ (E_A,E_B,\text{reason}) \}.

八、從 Expected Utility 到 OOE Loss

決策理論提供一個自然基礎：

a^* = \arg\max_a \mathbb E[U(a)].

OOE 更適合寫成損失形式：

\boxed{ a^* = \arg\min_a \mathbb E[L(a,O)]. }

但 OOE 的損失函數不應只有經濟效用。

可以分解：

L = w_E L_{\mathrm{error}} + w_R L_{\mathrm{rights}} + w_I L_{\mathrm{irreversible}} + w_D L_{\mathrm{delay}} + w_S L_{\mathrm{social}} + w_G L_{\mathrm{governance}}.

其中：

$L_{\mathrm{error}}$ ：分類錯誤；
$L_{\mathrm{rights}}$ ：權利傷害；
$L_{\mathrm{irreversible}}$ ：不可逆後果；
$L_{\mathrm{delay}}$ ：延遲成本；
$L_{\mathrm{social}}$ ：社會外部性；
$L_{\mathrm{governance}}$ ：治理失配。

九、同一分類，不一定導向同一行動

假設：

\sigma=\text{probably same entity}.

在低風險場景：

K_L,

可以：

\rho=\text{allow}.

但高風險：

K_H,

可能：

\rho=\text{freeze + review}.

所以：

\boxed{ \sigma \neq \rho. }

這是非常重要的分離。

分類是：

我們目前認為它是什麼？

行動政策是：

在這個風險情境下，我們允許做什麼？

十、Action Gate

本文正式定義：

\boxed{ \mathcal G_A: (\sigma,\gamma,R,V,K) \rightarrow \rho. }

稱為：

Action Gate

行動閘門

例如：

if identity == SAME and confidence == HIGH:
    retain_permissions()

elif identity == SAME and confidence == LOW:
    retain_low_risk_permissions()
    freeze_irreversible_actions()
    open_review()

elif identity == DISPUTED:
    freeze_asset_transfer()
    preserve_memory()
    prohibit_deletion()

這使：

\boxed{ \text{ontology classification} }

與：

\boxed{ \text{consequence execution} }

不再硬綁在一起。

十一、不可逆性應該直接進入 Action Gate

定義：

r(a) \in[0,1]

為行動 $a$ 的不可逆程度。

如果：

r(a)\uparrow,

應要求：

\theta_E(a)\uparrow,

\theta_C(a)\uparrow,

以及：

P(\text{human review})\uparrow.

因此：

\boxed{ r(a)\uparrow \Rightarrow \text{stricter ontology execution}. }

這就是：

Irreversibility Gradient Principle

不可逆梯度原理

十二、不是所有行動都應該等到分類完成

如果：

\sigma=\text{disputed},

可能仍然需要立即：

保留資料；
維持生命；
防止資產外流；
保存身份金鑰；
停止不可逆刪除。

因此需要：

\boxed{ \text{Protective Default Actions}. }

形式上：

\rho_{\mathrm{default}} = \arg\min_\rho \max_O L(\rho,O).

也就是在高度不確定時，選擇最能避免災難性錯誤的暫時策略。

十三、這不是「什麼都不要做」

保守預設也有成本。

例如：

L_{\mathrm{delay}}

可能非常高。

所以 OOE 不是：

\text{uncertain} \Rightarrow \text{freeze everything}.

而是：

\boxed{ \text{uncertain} \Rightarrow \text{prefer reversible and rights-preserving actions}. }

十四、暫定狀態

本文新增：

\boxed{ \sigma_P = \text{Provisional Ontological Status}. }

例如：

\sigma_P = \text{provisionally same agent}.

其特徵：

\tau<\infty.

必須在：

t\ge\tau

或新事件：

e_{\mathrm{trigger}}

出現時重新評估。

因此：

\boxed{ \text{provisional status} \neq \text{permanent cache}. }

十五、本體快取與 TTL

OOE-II 提出：

\kappa_O = \text{Ontological Cache}.

OOE-III 現在加入：

\boxed{ TTL_O = \text{Ontology Cache Time-to-Live}. }

某些狀態可以長期有效。

例如法人登記。

某些狀態應短期有效。

例如：

\text{decision capacity at time }t.

所以：

TTL_{\mathrm{corporation}} \gg TTL_{\mathrm{capacity}}.

這與現行 capacity 制度採取「特定時間、特定決策」的思路一致。

十六、Cache Invalidation

本體快取失效條件：

\mathcal I_O = \{ e_1,e_2,\ldots,e_m \}.

例如 AI identity：

foundation model changed；
memory rollback；
identity key compromised；
fork detected；
ownership changed；
legal order issued。

只要：

e_i\in\mathcal I_O,

則：

\boxed{ \kappa_O \rightarrow \text{STALE}. }

必須重新：

\mathcal C_O.

十七、世界變了，舊編譯器也可能失效

不只是 cache 會過期。

連：

\mathcal C_O^{(v)}

本身也可能過期。

例如新技術：

T_{new}

使舊變量之間的關係改變。

若：

d( O_{\mathrm{world}}, \mathcal C_O^{(v)} ) > \theta_C,

則：

\boxed{ \text{compiler revision required}. }

這就是：

Ontology Compiler Drift

本體編譯器漂移

十八、版本化

所有正式編譯結果都應保存：

\nu = \text{compiler version}.

例如：

status: SAME_ENTITY
compiler: COT-AI-ID-v2.1
evidence_snapshot: 2026-08-09T...

因此未來可以知道：

當時為什麼會作出這個判定？

而不是拿：

\mathcal C_O^{(2029)}

去假裝：

\mathcal C_O^{(2026)}

從未存在。

十九、規則版本與狀態版本必須分開

需要至少：

\nu_C = \text{compiler version}

和：

\nu_S = \text{entity state version}.

所以：

Result = ( \sigma, \nu_C, \nu_S ).

否則我們無法區分：

是世界變了？

還是：

是我們的制度規則變了？

二十、申訴不是附加功能，而是本體架構本身

如果：

O_{\mathrm{truth}}

不可直接觀察，

任何：

\mathcal C_O

都有：

P(\mathrm{error})>0.

因此：

\boxed{ \text{Appeal} }

不是「客服功能」。

而是本體判定架構必要部分。

定義：

\mathcal A: (Result,E_{new},Claim) \rightarrow \text{Review}.

二十一、誰可以申訴？

不同系統需要不同：

Standing(O).

例如：

被判定者本人；
代理人；
家屬；
合約對手方；
監管者；
AI owner；
AI itself（若制度承認）；
公共利益代表。

因此 OOE 必須回答：

\boxed{ \text{Who has standing to challenge ontology?} }

這是程序正義問題。

二十二、覆核不能只重跑同一個編譯器

如果 Appeal 只是：

\mathcal C_O(E) \rightarrow \mathcal C_O(E)

結果當然常常一樣。

所以 Review 應至少允許：

新證據；
不同專家；
不同模型；
上級規則；
人工裁決；
conflict disclosure。

可以表示：

\boxed{ \mathcal R_O \neq \mathcal C_O }

至少在權限與方法上不能完全相同。

二十三、三層編譯架構

本文建議最小架構：

Layer 1：Machine Compilation

快速：

\mathcal C_O^{M}.

處理大量低風險案件。

Layer 2：Human / Expert Review

\mathcal C_O^{H}.

處理：

高風險；
低信心；
爭議；
novel case。

Layer 3：Institutional Adjudication

\mathcal C_O^{J}.

處理：

權利衝突；
重大先例；
法律／政策修改。

因此：

\boxed{ \mathcal C_O = \mathcal C_O^M \rightarrow \mathcal C_O^H \rightarrow \mathcal C_O^J. }

不是每個案件都走到最後一層。

二十四、升級條件

定義：

Escalate=1

若：

\gamma<\theta_\gamma

或：

r(a)>\theta_r

或：

L_{\mathrm{rights}}>\theta_R

或：

Novelty>\theta_N.

因此：

\boxed{ \text{low certainty} + \text{high stakes} \rightarrow \text{higher review layer}. }

二十五、權利底線不能被效用總和吃掉

如果只用：

\min \mathbb E[L],

可能產生：

犧牲少數權利可以讓總效用更高。

因此 OOE 必須加入 hard constraints：

V_j\ge V_j^{\min}.

例如：

\text{due process}\ge\theta_D,

\text{non-discrimination}\ge\theta_N.

所以：

\boxed{ \min L \quad \text{subject to rights constraints}. }

這比單純 expected utility 更符合制度治理。

二十六、OOE 的兩階段最佳化

因此可以寫：

Stage 1：排除不可接受行動

\mathcal A_{\mathrm{valid}} = \{ a: V_j(a)\ge\theta_j \}.

Stage 2：在剩餘行動中最小化期望損失

a^* = \arg\min_{a\in\mathcal A_{\mathrm{valid}}} \mathbb E[L(a,O)].

所以：

\boxed{ \text{Rights first as constraints; loss second as optimization}. }

二十七、本體編譯器的正式 Pipeline

完整流程可以寫成：

\boxed{ O }

\downarrow

\boxed{ \text{Scope / Context }K }

\downarrow

\boxed{ E+\text{Provenance} }

\downarrow

\boxed{ \text{Conflict + Uncertainty Model} }

\downarrow

\boxed{ \text{Candidate Ontological States} }

\downarrow

\boxed{ \text{Rights Constraints} }

\downarrow

\boxed{ \text{Loss / Risk Evaluation} }

\downarrow

\boxed{ \sigma+\gamma }

\downarrow

\boxed{ \text{Action Gate }\rho }

\downarrow

\boxed{ \kappa_O+\tau+\nu }

\downarrow

\boxed{ \text{Monitor / Appeal / Invalidate / Recompile}. }

二十八、閉環而不是直線

最終：

\text{Action}

會產生新證據：

E_{t+1}.

因此：

E_t \rightarrow \mathcal C_O \rightarrow \sigma_t \rightarrow A_t \rightarrow E_{t+1}.

所以：

\boxed{ \text{OOE is a closed-loop state machine}. }

而不是一次性：

input\rightarrow label.

二十九、NIST / WHO 類風險治理框架提供了工程先例

現代 AI 風險治理已經逐漸採取類似閉環架構。

例如 NIST AI RMF 使用：

\text{Govern} \rightarrow \text{Map} \rightarrow \text{Measure} \rightarrow \text{Manage}

組織風險活動，並強調風險管理應貫穿 AI 系統生命週期。

WHO 對 AI 與健康政策的近期工作也強調：

living evidence；
human verification；
human-in-the-loop decision gateways；
multidisciplinary oversight；
iterative policy updating。

這些不是 OOE 本身，但它們證明：

\boxed{ \text{high-uncertainty governance naturally tends toward continuous review loops}. }

三十、Mental Capacity 是「情境編譯器」的歷史現成案例

現行 Mental Capacity 實踐要求：

\text{capacity}

針對：

\boxed{ \text{specific decision} + \text{specific time}. }

也就是不能永久把一個人快取成：

\text{incapable forever}.

這正好支持：

TTL_{\mathrm{capacity}}\ll\infty.

因此 OOE 的 context-sensitive compiler 並不是純粹 AI 想像。

人類制度早已在部分領域使用類似架構。

三十一、本體編譯器的最小資料結構

可寫成：

OntologyCase
    case_id
    ontology_question
    entity_id
    context
    evidence[]
    evidence_provenance[]
    conflicts[]
    uncertainty
    candidate_states[]
    rights_constraints[]
    loss_model
    compiler_version

輸出：

OntologyDecision
    operational_status
    confidence
    action_policy
    valid_until
    invalidation_triggers[]
    review_level
    appeal_path
    decision_provenance

這已經是一個可以工程化的最小規格。

三十二、AI Identity 範例

輸入：

ontology_question = SAME_AGENT?
model_changed = true
memory_continuity = 0.97
identity_key_continuity = 1.0
relationship_continuity = 0.94
responsibility_ledger = intact
fork_detected = false

候選：

S = \{ \text{same}, \text{successor}, \text{new} \}.

編譯器可能輸出：

status = PROVISIONALLY_SAME
confidence = MEDIUM

Action Gate：

retain_low_risk_permissions()
retain_liabilities()
freeze_irreversible_asset_transfer()
require_review_for_high_risk_actions()

這比：

same = true

安全得多。

三十三、BCI 範例

假設 neural decoder + language model 產生一句輸出。

本體問題：

O=\text{authorship / agency}.

證據包括：

neural intent signal；
decoder confidence；
LM completion share；
user confirmation；
correction history。

輸出不一定要：

\text{human authored} \quad/\quad \text{AI authored}.

可以是：

\boxed{ \text{jointly mediated output}. }

並為不同用途設定不同 Action Gate：

日常溝通；
法律簽名；
醫療同意；
金融交易。

三十四、OOE 的一個重要結果：不要逼世界假裝二元

很多制度災難源自：

\boxed{ \text{binary coercion}. }

即世界實際是：

x\in[0,1]

甚至：

x\in\text{unknown}.

系統卻逼：

x\in\{0,1\}.

OOE 應允許：

provisional；
disputed；
mixed；
partial；
successor；
shared；
unknown。

這並不是逃避判斷。

因為：

\boxed{ \text{action policy can still be precise even when ontology is not binary}. }

三十五、正式命題一：狀態—行動分離命題

\boxed{ \sigma\neq\rho. }

同一操作本體狀態可以依風險情境導出不同動作政策。

三十六、正式命題二：不確定性保存命題

若：

U(O)>0,

則編譯器不應強制輸出：

U_{\mathrm{output}}=0.

因此：

\boxed{ \text{Compiler should not destroy epistemic uncertainty without justification}. }

三十七、正式命題三：不可逆梯度命題

r(a)\uparrow \Rightarrow \theta_E\uparrow \land P(\text{review})\uparrow.

三十八、正式命題四：本體 TTL 命題

不同本體狀態需要不同：

TTL_O.

如果狀態高度時間敏感：

\boxed{ TTL_O\downarrow. }

三十九、正式命題五：Cache Invalidation 命題

若新事件：

e\in\mathcal I_O,

則：

\boxed{ \kappa_O \rightarrow STALE \rightarrow \mathcal C_O. }

四十、正式命題六：編譯器漂移命題

若制度編譯器與世界的失配：

d( \mathcal C_O, O_{\mathrm{world}} ) > \theta_C,

則：

\boxed{ \text{compiler revision is required}. }

四十一、正式命題七：程序內生性命題

只要：

P(\mathrm{error})>0

且分類具有重大後果，

則：

\boxed{ \text{appeal and review are internal components of ontology engineering}. }

不是外掛。

四十二、正式命題八：權利約束最佳化命題

OOE 的行動最佳化應寫為：

\boxed{ a^* = \arg\min_{a\in\mathcal A_{\mathrm{valid}}} \mathbb E[L(a,O)] }

其中：

\mathcal A_{\mathrm{valid}}

先由權利與倫理底線篩選。

四十三、正式命題九：多層裁決命題

對低風險高信心案件：

\mathcal C_O^M

可能足夠。

對高風險、低信心或新型案件：

\boxed{ \mathcal C_O^M \rightarrow \mathcal C_O^H \rightarrow \mathcal C_O^J. }

因此 review depth 應與：

\text{uncertainty} + \text{stakes} + \text{novelty}

共同增加。

四十四、可反駁預測

如果本模型有解釋力，應看到：

第一，高風險不可逆判定會需要更高證據門檻與更多覆核。

第二，時間敏感的本體狀態會比制度性法人身份具有更短有效期限。

第三，當規則無法表示 disputed / provisional 等中介狀態時，誤判與例外處理成本會上升。

第四，將分類結果與實際動作權限分離，可以降低低信心分類造成的災難性後果。

第五，缺乏 provenance 的證據會降低本體判定可審計性與可申訴性。

第六，當技術條件快速改變時，未版本化的操作本體協議更容易累積治理債。

四十五、反論一：這只是 Expert System

不是。

Expert System 可以：

Rules+Facts\rightarrow Answer.

OOE 額外要求：

\boxed{ \text{uncertainty} + \text{rights} + \text{loss} + \text{action gating} + \text{appeal} + \text{versioning} + \text{cache invalidation}. }

更重要的是：

OOE 的規則本身就是需要治理的本體權力。

四十六、反論二：這是不是把法律和倫理都塞進程式？

不是必然。

OOE 可以是：

純人工制度；
人機混合；
法院流程；
醫療 protocol；
軟體 runtime。

「Compiler」描述的是功能：

\text{ambiguous ontology} \rightarrow \text{operational state}.

而不是說所有倫理判斷都應完全自動化。

四十七、反論三：為什麼不能直接讓人判？

因為：

\text{human judgement}

也需要：

標準；
證據；
程序；
記錄；
一致性；
申訴。

否則只是把：

\text{implicit compiler}

藏在人腦裡。

OOE 的目標不是：

\text{replace humans}.

而是：

\boxed{ \text{make the ontology compiler explicit, inspectable, and governable}. }

四十八、與 OOE-IV 的接口

OOE-III 已經建立：

\mathcal C_O

本身的架構。

下一篇要回答：

人類歷史上哪一個制度最接近大規模「文明本體編譯器」？

答案之一顯然是：

\boxed{ \text{Law}. }

因為法律長期處理：

person；
death；
parent；
owner；
citizen；
corporation；
responsible actor；
successor。

下一篇將正式把法律重新解讀為：

《OOE-IV：法律作為文明本體編譯器——擬制、推定、資格與可執行人格》

四十九、結論

OOE-III 的核心可以濃縮成一句：

\boxed{ \text{本體編譯器不是回答「世界真正是什麼」； 而是在知道自己可能不知道的前提下， 把模糊世界轉換成可安全行動的制度狀態。} }

因此成熟本體編譯器不是：

input -> truth

而應是：

question
-> evidence
-> provenance
-> uncertainty
-> candidate states
-> rights constraints
-> loss model
-> operational status
-> action gate
-> cache
-> monitor
-> appeal
-> invalidate
-> recompile