title: "AI Matrix Ledger Format：從試算表格式到可追溯計算結構" title_en: "AI Matrix Ledger Format: From Spreadsheet Formats to Traceable Computational Structure" series: "矩陣原生智能與可稽核計算系列" series_en: "Matrix-Native Intelligence and Auditable Computation Series" series_id: "EML-MNIAC-2026" paper_id: "EML-MNIAC-2026-06" version: "v0.1" date: "2026-08-16" language: "zh-Hant" document_type: "系列第06篇／MLF 1.0 統一格式論文／Canonical Representation" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-05 試算表智能的可證偽實驗 v0.1" internal_artifacts: - "MLF_1.0_技術規格_繁中.md" - "MLF_1.0_Specification_EN.md" - "MLF_1.0_Release_Notes.md" - "MLF_1.0_GitHub發布與命名說明.md" - "MLF Compiler 1.0.0" - "kakon77777-commits/matrix-ledger-format" canonical_keywords: - MLF - AI Matrix Ledger Format - Canonical Structure - Traceable Projection - Formula AST - Dependency Graph - Route Graph - Provenance - Conversion Loss - Fingerprint - Human Projection - AI Projection

AI Matrix Ledger Format

從試算表格式到可追溯計算結構

AI Matrix Ledger Format:
From Spreadsheet Formats to Traceable Computational Structure

摘要

本文是《矩陣原生智能與可稽核計算》系列第 06 篇，正式整理 AI Matrix Ledger Format（MLF）1.0 的理論位置、穩定核心、格式結構、投影原則、損失模型與工程邊界。

前五篇的研究路徑由 CSV 模型狀態、帳本約束、Spreadsheet Runtime、MMR / MMLC 到 MMR-Bench，逐步揭露一個共同問題：單一平面表示不足以同時保存計算物件的值、身份、公式、依賴、方向、來源、歷史、視覺角色與不同使用者／模型需要的讀取方式。

因此 MLF 1.0 不再問：

「Excel 能不能成為 AI？」

而改問：

當同一計算／知識物件需要被試算表、人類、AI、圖演算法、張量模型與執行器以不同方式讀取時，哪一層應被視為 canonical，哪些只應被視為 projection？

MLF 1.0 的核心答案為：

\boxed{ \text{完整結構是規範核心；} }

\boxed{ \text{線性、張量、圖、執行與人類閱讀皆是可追溯投影。} }

MLF 文件可形式化為：

\boxed{ \mathcal F = (C,M,R,S,A,G,P,H,V,L) }

其中：

$C$ ：computational substrate contract；
$M$ ：matrices / cells；
$R$ ：regions / semantic roles；
$S$ ：semantic / presentation style；
$A$ ：formula AST 與 derived assets；
$G$ ：dependency graph；
$P$ ：route / traversal graph；
$H$ ：provenance 與 append-only history；
$V$ ：human / model projections；
$L$ ：conversion-loss / warnings。

MLF 的目的不是取代 ONNX、MLIR、Apache Arrow、資料庫、Spreadsheet、Workflow IR 或所有知識圖譜格式。ONNX 專注於可攜 computation graph；MLIR 專注於多層 compiler IR 與 lowering；Arrow 專注於跨語言高效率 columnar memory / transport；W3C PROV 提供跨系統 provenance 模型。MLF 的研究位置更窄：保存「矩陣化知識與計算」從原始人類結構到模型／執行投影時容易遺失的 identity、formula source+AST、dependency、route、role、provenance 與 conversion-loss evidence。

本文亦區分 MLF 1.0 的 stable core 與 repository 中的 research/governed modules。MLF 1.0 / MLF Compiler 1.0.0 的發布候選紀錄顯示 54 項自動測試通過、Manifest JSON Schema 通過、MLF 0.1 可讀、0.1→1.0 遷移保持 semantic 與 presentation fingerprints，且核心 CLI 可在不依賴 NumPy／PyTorch 的乾淨環境安裝執行。相對地，learned dependency inference、calibration、OOD routing、自動審核與外部自然工作簿授權仍屬研究或治理模組，不應被當成 MLF 1.0 已證實能力。

1. 從 Spreadsheet 到 Format 的轉折

前一階段的工作簿研究已經顯示：

Value \neq Formula \neq Cache \neq Dependency \neq Role \neq Provenance.

但 .xlsx 的存在並不自動保證上述層全部能被：

AI 讀懂；
圖演算法直接使用；
轉換器無損映射；
人類投影重建；
版本差分比較。

所以真正問題變成：

\boxed{ \text{如何建立一個「結構先於投影」的交換層？} }

MLF 就是在這個問題上出現。

2. MLF 不應被理解成「更複雜的 Excel」

若：

XLSX

是輸入來源，

MLF 可以進行：

XLSX \rightarrow MLF.

但 MLF 本身不等於：

XLSX'.

因為它也可以接：

CSV,

Markdown,

JSON,

或其他 structured source。

因此：

\boxed{ MLF \neq SpreadsheetFileFormat. }

更精確是：

\boxed{ MLF = \text{Structured Interchange Format for Matrix-Shaped Knowledge and Computation}. }

3. Canonical 的真正意思

本文使用 canonical，不表示：

MLF 是宇宙唯一正確的知識本體。

而表示：

在一個 MLF document scope 內，完整結構是格式契約中的規範來源；各種 projection 不應偷偷反過來覆蓋它。

所以：

\boxed{ Canonical_{MLF} \neq UltimateOntology. }

4. MLF 文件的十元組

MLF 1.0 將文件表示為：

\boxed{ \mathcal F = (C,M,R,S,A,G,P,H,V,L). }

此結構的真正意義不是多放幾個 metadata 欄。

而是將先前容易互相坍縮的層拆開。

5. $C$ — Computational Substrate Contract

$C$ 描述：

這個文件的計算語義需要哪些邏輯條件？

它不直接指定：

CPU；
GPU；
specific spreadsheet engine；
cluster vendor。

而可以描述：

deterministic / nondeterministic；
numeric precision；
cycle semantics；
required operators；
execution assumptions；
synchronization boundaries。

因此：

\boxed{ LogicalExecutionContract \neq PhysicalHardware. }

6. 邏輯平行不等於實體平行

如果 graph 中有：

T_1\parallel T_2,

只代表：

T_1

與：

T_2

在 dependency 上可獨立。

不能推出：

\boxed{ \text{它們在硬體上一定同時跑。} }

所以：

\boxed{ LogicalParallelism \neq PhysicalParallelism. }

MLF 1.0 甚至明確把：

不保證 logical parallelism 帶來 physical speedup

列為 non-goal。

7. $M$ — Matrix and Cells

MLF 中一個 cell 不只是一個 scalar。

可以寫成：

\boxed{ c_i = \langle id, matrix, coordinate, value, type, role, style, formula, provenance \rangle. }

其中：

coordinate(c_i)

與：

id(c_i)

不能被視為同一概念。

8. Coordinate 不等於 Identity

若一個 cell 從：

B3

移到：

C7,

它的 coordinate 改變。

但如果只是 presentation rearrangement，

stable：

cell\_id

不應改。

因此：

\boxed{ Location \neq Identity. }

這是 MMR / MMLC 的 identity-preservation 原則正式進入交換格式。

9. Missing 不等於 Zero

MLF 要求：

typed\_missing

必須可區分於：

0,

"",

以及：

formula\_error.

所以：

\boxed{ Absent \neq Zero \neq EmptyString \neq Error. }

這種 distinction 在 AI ingest 時尤其重要。

如果 flatten 過程把它們全部轉成：

則已發生語義損失。

10. $R$ — Region and Semantic Role

Region 對矩陣的某個 meaningful subset 給予 stable identity。

例如：

header；
data body；
formula band；
assumption；
summary；
table；
named range。

所以：

\boxed{ Region \neq JustBoundingBox. }

bounding box 是位置，

region 還具有角色。

11. Semantic Role 與 Presentation Style 必須拆開

例如：

黃色底

可能表示：

warning

也可能只是：

theme.

因此 MLF 將：

\boxed{ semantic\ style }

與：

\boxed{ presentation\ style }

分離。

所以 theme change 可以：

PresentationFingerprint \rightarrow PresentationFingerprint'

但：

SemanticFingerprint

保持不變。

12. $A$ — Formula Source + AST

一個公式至少有三個互相關聯但不應互相取代的表示：

source formula；
normalized semantic AST；
dependency edges。

因此：

\boxed{ FormulaSource + AST + DependencyGraph. }

13. 為什麼三個都要保存？

例如：

=SUM(A1:A3)

source formula 保留：

原語言；
human-editable syntax。

AST 保留：

operator structure；
normalized semantics。

dependency graph 保留：

哪些 cells 是 prerequisites。

如果只保留 source：

Parser

每次都要重新猜。

如果只保留 AST：

原始：

source syntax

可能丟失。

如果只保留 dependency：

SUM

這個 operator semantics 又消失。

因此：

\boxed{ No Single Formula Representation Is Sufficient. }

14. 三者衝突時不能偷偷選一個

假設：

SourceFormula

表示：

A+B,

但 AST 表示：

A-B.

同時 dependency 又引用：

A,C.

系統不能：

「我覺得 AST 比較像真的。」

而直接抹掉其餘兩層。

正確處置：

\boxed{ ConflictRecord. }

15. $G$ — Dependency Graph

Dependency edge 應保存：

stable edge ID；
dependent cell；
prerequisite cell；
relation；
required flag；
reference kind；
evidence / provenance。

MLF reference orientation 中：

source

是 dependent，

target

是 prerequisite。

這需要明文定義，避免不同 graph convention 互相顛倒。

16. Dependency Graph 不等於 Route Graph

這是整個格式最重要的分離之一。

G

回答：

什麼依賴什麼？

而：

P

回答：

我要怎麼讀／查／執行這個結構？

因此：

\boxed{ Dependency \neq Traversal. }

17. $P$ — Route Graph

可定義：

row-major；
column-major；
dependency-topological；
reverse dependency；
region-first；
conflict-first；
task-specific route。

一個 route 可以用於：

summary；
formula audit；
evidence trace；
conflict check；
model training；
human review。

18. Route 不是完整文件

如果 AI 只拿到：

\pi_Q(\mathcal F),

那只是：

\boxed{ TaskProjection. }

不是：

\boxed{ \mathcal F. }

所以 route / projection 必須留下：

source\ linkage.

19. Reversible Projection 的最低定義

設：

\Phi: \mathcal F \rightarrow V.

若 $V$ 是 task projection，

則至少應保存反向 linkage：

\lambda: V \rightarrow \mathcal P(\mathcal F)

使每個 projection element 能指出：

來自哪些 cells；
哪些 regions；
哪些 edges；
省略哪些 material。

因此：

\boxed{ Projection \neq Destructive Flattening. }

20. Human-Readable 不等於永遠攤平

MLF 的設計句可以寫成：

\boxed{ HumanReadable \neq PermanentlyFlattened. }

同樣：

\boxed{ AIReadable \neq Opaque. }

AI 不需要因為「吃 tensor」就失去：

source identity；
provenance；
dependency；
route origin。

21. $H$ — Provenance and Append-Only History

MLF provenance event 可以記錄：

import；
migration；
validation；
inference；
review；
promotion；
deidentification；
export。

所以：

\boxed{ State + History }

被同時保存。

22. 與 W3C PROV 的關係

W3C PROV 已經提供：

Entity；
Activity；
Agent；

以及跨系統 provenance interchange 的一般模型。

因此 MLF 不應宣稱：

「第一次發明 provenance。」

MLF 的研究重點是：

如何把 provenance 直接綁到 matrix/cell/formula/edge/projection 的 AI-native exchange context。

23. Prediction、Decision、Promotion 三分

MLF governed inference 明確分：

\boxed{ prediction }

\boxed{ decision }

\boxed{ promotion. }

因此：

ModelConfidence=0.999

不能直接：

\Rightarrow FormalEdge.

24. 為什麼這三層重要？

AI 可以產生：

prediction: A\rightarrow B.

review policy 決定：

decision: accept.

最後才：

promotion: G \leftarrow G\cup\{A\rightarrow B\}.

所以：

\boxed{ Inference \neq Authority. }

25. $L$ — Conversion Loss

MLF 的一個關鍵思想是：

轉換失敗不是非黑即白。

匯入可能是：

lossless,

partial,

unsupported,

warning.

因此：

\boxed{ CompilationSuccess \neq LosslessConversion. }

26. CSV 是最好的反例

CSV 可以保留：

二維位置； -文字； -基本數值。

但通常無法自然保存：

multiple sheets；
semantic style；
formula AST；
dependency history；
role；
provenance。

所以：

CSV \rightarrow MLF

時可以建立新結構，

但如果原 CSV 本身沒有這些資訊，

不能假裝：

\boxed{ \text{它們原本就存在。} }

27. XLSX Import 也不是無損神話

XLSX 可以嘗試映射：

Worksheet \rightarrow Matrix,

Cell \rightarrow Cell,

Formula \rightarrow Source+AST,

NamedRange \rightarrow Region.

但：

Style \rightarrow SemanticRole

常常只是 inference。

所以必須標記：

\boxed{ InferredRole \neq ExplicitRole. }

28. Export Loss 也必須寫出來

假設：

MLF \rightarrow CSV.

則 export report 可以寫：

{
  "target": "csv",
  "losses": [
    "dependency_graph",
    "provenance_history",
    "style_semantics",
    "human_projection_policies"
  ]
}

這表示：

\boxed{ \text{Loss is a first-class output.} }

29. 四層 Fingerprint

MLF 支援四種 fingerprint：

\boxed{ F_{struct} }

\boxed{ F_{content} }

\boxed{ F_{semantic} }

\boxed{ F_{presentation}. }

這使不同類型變更可以被分開判定。

30. 為什麼一個 hash 不夠？

若只 hash 全文件 bytes：

H_{bytes},

只要改：

換行；
ZIP packing；
style；
field order；

就可能完全不同。

但我們想問的可能是：

語義有沒有改？

所以需要：

\boxed{ CanonicalSemanticFingerprint. }

31. Presentation-only Change

若只是：

theme；
fill；
font；
border；

改變，

而 formula、value、dependency 不變，

則希望：

F_{presentation}\neq F'_{presentation},

但：

\boxed{ F_{semantic}=F'_{semantic}. }

這使：

\boxed{ VisualChange \neq SemanticChange. }

成為可測命題。

32. Content Change

若：

A1=3

改成：

A1=4,

那麼：

F_{content}

應改。

若 formula：

=A1+B1

改為：

=A1-B1,

則：

F_{semantic}

也應改。

33. Checksums 與 Fingerprints 不是同一層

checksums.json 回答：

這些 package bytes 有沒有被改？

Fingerprint 回答：

結構／內容／語義／呈現是否等價？

所以：

\boxed{ ByteIntegrity \neq SemanticIdentity. }

34. Checksums 也不能證明作者身份

SHA-256 可以證明：

bytes

和紀錄一致。

不能證明：

authorship；
authorization；
lawful authority；
truth。

所以：

\boxed{ Hash \neq Authority. }

35. Physical Container

MLF 1.0 有：

.mlfdir

開發／檢查形態，

以及：

.mlf

single-file exchange container。

.mlf 是 deterministic ZIP-compatible container。

唯一 mandatory entry：

\boxed{ manifest.json. }

36. 為什麼 Manifest 是唯一入口？

因為 reader 不應靠：

猜資料夾長什麼樣。

而應從：

Manifest

取得：

version；
document ID；
conformance；
matrices；
graphs；
provenance；
projections；
reports。

這是一個：

\boxed{ Self-Describing Package Contract. }

37. Conformance Profile

MLF 1.0 不要求：

支援一個 feature 就自稱完整 MLF。

reader / writer 必須聲明 profile。

例如：

core,

ledger,

ai\text{-}projection,

distributed,

以及 human-related profile。

這種設計避免：

\boxed{ PartialSupport \rightarrow FalseCompleteClaim. }

38. Core Profile

Core 至少處理：

container；
manifest；
matrices；
cells；
type；
coordinate；
stable ID；
checksums；
validation。

這是：

\boxed{ Minimum Structural Interchange. }

39. Ledger Profile

Ledger 再加入：

provenance；
append-only history；
source reference；
conversion loss；
explicit conflict。

所以：

\boxed{ Structure \rightarrow TraceableStructure. }

40. AI Projection Profile

AI projection 保存：

sequence view；
matrix view；
tensor view；
graph view；
mask；
task projection。

但重要的是：

\boxed{ ProjectionMetadata }

而不是：

\boxed{ 「丟給模型的 tensor 就是全部真相」。 }

41. Distributed Profile

Distributed profile 可以描述：

shardability；
partition hints；
dependency stages；
synchronization boundary。

但：

\boxed{ DistributedMetadata \neq ActualDistributedExecution. }

這延續了：

LogicalParallelism \neq PhysicalExecution.

42. AI Training Task 也可以被格式化

MLF 可保存：

task_id
type
visible_regions
masked_cells
allowed_routes
targets
leakage_policy
evaluation

例如：

cell\ reconstruction.

這使 dataset generation 不再只是：

Input, Label.

而可以保存：

\boxed{ InputStructure + AllowedView + HiddenTarget + LeakagePolicy. }

43. 這直接吸收 MMR-Bench 的教訓

MMR-Bench v0.1 曾因：

direction\ token

洩漏答案。

所以 MLF task profile 明確要求：

\boxed{ TrainingInput \neq Answer. }

並可保存：

leakage\_policy.

這是 benchmark 失敗經驗進入格式治理的例子。

44. 參考讀取流程

MLF reference flow：

Open container
→ validate manifest / safe paths
→ load substrate
→ build matrix index
→ validate cells / roles
→ load formula AST
→ build dependency graph
→ check cycles / consistency
→ load routes / projections
→ generate task view
→ retain reverse mapping

因此 projection 並不是最後才臨時 flatten。

它建立在完整 source index 上。

45. 參考寫入流程

寫入原則：

Do not overwrite original snapshot
→ create candidate change
→ validate structure / dependency
→ compute impact
→ apply policy
→ human review if required
→ append new event/version
→ update semantic fingerprint

所以：

\boxed{ Edit \neq SilentMutation. }

46. MLF 與 ONNX：不是競爭同一問題

ONNX 是：

\boxed{ PortableSerializedComputationGraph. }

它主要保存：

model；
graph；
operators；
tensors；
metadata。

ONNX graph 還要求 main computation graph 依 data dependencies 拓撲排序，並使用 SSA-style value definitions。

MLF 則保留：

human regions；
spreadsheet identity；
source formula；
AST；
dependency；
routes；
provenance history；
conversion loss；
presentation fingerprint。

因此：

\boxed{ ONNX \neq MLF. }

較合理關係是：

MLF \xrightarrow{\Phi_{model}} ONNX

或某些 MLF tensor / graph projection 成為模型工具鏈輸入。

47. MLF 與 MLIR

MLIR 提供：

Operation + Value + Block + Region + Dialect

的 extensible compiler IR，

並可同時有：

human-readable text；
in-memory form；
compact serialized form；

且這些形式描述相同 semantic content。

這和 MLF 有很強的哲學近鄰：

\boxed{ \text{一個 semantic object 可以有多種 physical representation}. }

但 MLIR 的目標是：

\boxed{ CompilerTransformation + Lowering. }

MLF 的目標則更偏：

\boxed{ Cross-Interface Structural Preservation + Audit + Projection. }

48. MLF 與 Apache Arrow

Arrow 專注：

\boxed{ LanguageAgnosticColumnarMemory }

與：

metadata serialization；
zero-copy-friendly transport；
SIMD / locality；
analytical access。

所以 Arrow 的核心優化目標是：

\boxed{ PhysicalDataLayoutEfficiency. }

MLF 不是。

MLF 可以把某些 dense / tabular projection：

\Phi_{arrow}(\mathcal F)

交給 Arrow，

但 MLF 仍保存 Arrow 不負責的：

formula AST；
route；
provenance event；
conversion loss；
human projection semantics。

49. MLF 與 W3C PROV

PROV-O 提供一般：

Entity + Activity + Agent

provenance vocabulary。

MLF 沒必要重造一般 provenance ontology。

更合理方向：

\boxed{ MLFProvenance \leftrightarrow PROV. }

也就是讓 MLF 的 cell/formula/projection events 可以映射到標準 provenance 世界。

50. MLF 的真正研究主張

所以 MLF 的研究增量不是：

「我們做了一個 ZIP 裝 JSON。」

真正命題是：

\boxed{ \textbf{ 如果一個計算／知識物件會在多種表示之間流動， 那麼 identity、dependency、semantics、provenance 與 loss 應該成為跨 projection 保存的一等公民。 } }

51. Stable Core 與 Research Module

MLF 1.0 stable core 包含：

containers；
Manifest；
cells / IDs；
regions / roles；
formula source + AST；
dependency graph；
route / projection；
provenance；
conversion loss；
fingerprints；
checksums；
migration；
validation。

52. Research / Governed Modules

repository 另外保留：

dataset generation；
anti-leakage splitting；
runtime projections；
model comparison；
inference ledger；
review / promotion；
calibration；
OOD routing；
natural workbook intake。

但：

\boxed{ RepositoryFeature \neq NormativeMLF1.0. }

53. 為什麼保留負面結果？

如果 repository 只留下：

最後成功版。

就會失去：

leakage history；
failed model comparison；
unsupported semantics；
calibration boundary。

因此 negative result 本身應進：

\boxed{ ResearchProvenance. }

這和 MMR-Bench 的自我否證路線一致。

54. 1.0 發布驗證

MLF 1.0 / Compiler 1.0.0 的 release candidate 記錄：

54 automated tests PASS；
Python syntax compilation PASS；
Manifest JSON Schema PASS；
README 24 relative links 存在；
fresh MLF 1.0 validate；
MLF 0.1 readable；
migration preserves semantic / presentation fingerprints；
repository scan 無本機 absolute paths / cache / hard-coded secret；
wheel 在無 NumPy / PyTorch 的 fresh environment 可安裝核心 CLI；
release ZIP 解壓後再次 54 tests PASS。

所以：

\boxed{ StableSpec + ReferenceImplementation + ReleaseVerification. }

三層都已有對應。

55. 這些驗證不能證明什麼？

不能證明：

MLF 是最佳格式；
MLF 比 ONNX / MLIR / Arrow 更快；
AI 用 MLF 一定更準；
enterprise XLSX 全支援；
learned dependency inference 已 production-ready；
conversion 能普遍 lossless。

所以：

\boxed{ Conformance \neq Superiority. }

56. MLF 的 Falsification Plan

MLF 的價值仍應與：

flat JSON；
CSV；
spreadsheet；
graph-only IR；
AST-only IR；

比較。

57. F1 — No Structural Benefit

如果：

FlatJSON+Metadata

可以更簡單、低成本地保存全部 MLF useful semantics，

那 MLF 應被降格為：

\boxed{ NamingConvention. }

58. F2 — Projection Overhead

如果任何 AI task 都必須：

MLF \rightarrow HugeFlattening

且：

TokenCost_{MLF} > TokenCost_{baseline},

沒有 accuracy / audit benefit，

則 AI projection value 失敗。

59. F3 — Conversion Loss Too Large

若 real workbook import 長期產生大量：

unsupported,

ambiguous,

使：

UsefulStructureRatio

過低，

則 XLSX bridge 只適合小子集。

60. F4 — Fingerprints Unstable

若 semantic-preserving repackaging：

R_1\sim_{sem}R_2

卻頻繁得到：

F_{semantic}(R_1) \neq F_{semantic}(R_2),

則 canonicalization 設計失敗。

61. F5 — Projection Not Reversible Enough

若模型 projection 無法回答：

「這個 token / node / tensor slice 原來來自哪個 cell / region / formula？」

則：

\boxed{ TraceableProjection }

主張失敗。

62. F6 — Governance Becomes Metadata Theater

如果 prediction / decision / promotion 雖然被分欄，

但實際 runtime 還是：

ModelOutput \rightarrow CanonicalGraph

直接寫入，

那治理欄位只是裝飾。

因此：

\boxed{ Governance }

必須在 runtime policy 中真正生效。

63. 從 Spreadsheet 到 Canonical Structure 的最終轉折

現在可以重新畫整條歷史：

\boxed{ Excel\ Cell }

\downarrow

\boxed{ Cell+Formula }

\downarrow

\boxed{ Cell+Dependency+Role }

\downarrow

\boxed{ MMR\ Route }

\downarrow

\boxed{ MMLC\ Transaction+Audit }

\downarrow

\boxed{ MMR\text{-}Bench\ Evidence }

\downarrow

\boxed{ MLF\ CanonicalStructure. }

64. Excel 最終成為 Projection

這是整個系列最重要的一次概念反轉。

最早：

Excel 能不能成為 AI？

到 MLF：

\boxed{ Excel = \Phi_{sheet}(\mathcal F). }

同時：

Sequence = \Phi_{seq}(\mathcal F),

Tensor = \Phi_{tensor}(\mathcal F),

Graph = \Phi_{graph}(\mathcal F),

HumanView = \Phi_{human}(\mathcal F).

沒有任何一個 projection 天然擁有全域特權。

65. 但 Projection 也不是「假的」

若：

V=\Phi(\mathcal F),

不能說：

V 只是幻影。

因為不同 projection 可以是：

真實可執行；
真實可讀；
真實可訓練；
真實可視化。

真正差異是：

\boxed{ \text{它們只保存任務需要的部分結構。} }

66. Conversion Loss 讓投影不再假裝完整

所以 MLF 最值得保留的一個概念其實可能是：

\boxed{ L. }

也就是：

\boxed{ \text{每個 projection 都應該有勇氣說自己丟了什麼。} }

這讓：

Projection

從一個形上學詞彙，

變成工程可檢查物件。

67. 本文結論

MLF 1.0 的核心不是：

再發明一個通用格式。

而是建立一個明確界線：

\boxed{ \textbf{ 完整結構負責保存； 投影負責使用； 損失負責誠實； 來源負責追蹤； 指紋負責判定何種同一性。 } }

因此：

\boxed{ \text{Storage} \neq \text{Projection} \neq \text{Execution} \neq \text{ModelInput} \neq \text{HumanView}. }

MLF 不要求這些層最後長得一樣。

它要求：

它們不同時，不要失去彼此的來源關係。

這就是：

\boxed{ \text{Traceable Multi-Projection Structure}. }

從這裡開始，下一個問題自然變成：

如果同一 canonical structure 可以被人類、AI、試算表、Runtime 同時投影，那麼如何保證它們真的仍然指向同一份執行狀態，而不是各自長成不同真實？

這就是下一篇的：

\boxed{ \text{Executable Identity}. }

68. 下一篇

EML-MNIAC-2026-07

《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》

下一篇將正式整合：

MLF；
MMLC Runtime；
PHOSPHOR-SHEET；
canonical state；
human / AI / spreadsheet projection；
authority；
write-back；
conflict；
executable identity；
state divergence；
round-trip control。

參考資料

內部規格與工程

EveMissLab, AI Matrix Ledger Format (MLF) 1.0 — Traditional Chinese Specification.
EveMissLab, AI Matrix Ledger Format (MLF) 1.0 — English Specification.
EveMissLab, MLF 1.0 / MLF Compiler 1.0.0 Release Notes.
EveMissLab, MLF 1.0 GitHub 發布與命名說明.
EveMissLab, MLF Compiler 1.0.0.
Repository: kakon77777-commits/matrix-ledger-format.
EML-MNIAC-2026-05, 《試算表智能的可證偽實驗》.

外部技術近鄰

ONNX, Open Neural Network Exchange Intermediate Representation Specification.
https://onnx.ai/onnx/repo-docs/IR.html
LLVM Project, MLIR Language Reference.
https://mlir.llvm.org/docs/LangRef/
Apache Arrow, Arrow Columnar Format.
https://arrow.apache.org/docs/format/Columnar.html
W3C, PROV-O: The PROV Ontology.
https://www.w3.org/TR/prov-o/

這些外部系統已分別處理 computation graph、compiler IR、多形態 semantic IR、columnar data transport 與 provenance interchange。MLF 的合理定位不是宣稱取代它們，而是將 matrix/spreadsheet-originated knowledge 的 identity、formula AST、dependency、route、human/model projection 與 conversion loss 放進同一可追蹤交換契約，並在需要時投影到這些既有工具鏈。

系列狀態： 第 06 篇完成。
下一篇： EML-MNIAC-2026-07 —《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》

AI Matrix Ledger Format

AI Matrix Ledger Format

從試算表格式到可追溯計算結構

摘要

1. 從 Spreadsheet 到 Format 的轉折

2. MLF 不應被理解成「更複雜的 Excel」

3. Canonical 的真正意思

4. MLF 文件的十元組

5. CCC — Computational Substrate Contract

6. 邏輯平行不等於實體平行

7. MMM — Matrix and Cells

8. Coordinate 不等於 Identity

9. Missing 不等於 Zero

10. RRR — Region and Semantic Role

11. Semantic Role 與 Presentation Style 必須拆開

12. AAA — Formula Source + AST

13. 為什麼三個都要保存？

14. 三者衝突時不能偷偷選一個

15. GGG — Dependency Graph

16. Dependency Graph 不等於 Route Graph

17. PPP — Route Graph

18. Route 不是完整文件

19. Reversible Projection 的最低定義

20. Human-Readable 不等於永遠攤平

21. HHH — Provenance and Append-Only History

22. 與 W3C PROV 的關係

23. Prediction、Decision、Promotion 三分

24. 為什麼這三層重要？

25. LLL — Conversion Loss

26. CSV 是最好的反例

27. XLSX Import 也不是無損神話

28. Export Loss 也必須寫出來

29. 四層 Fingerprint

30. 為什麼一個 hash 不夠？

31. Presentation-only Change

32. Content Change

33. Checksums 與 Fingerprints 不是同一層

34. Checksums 也不能證明作者身份

35. Physical Container

36. 為什麼 Manifest 是唯一入口？

37. Conformance Profile

38. Core Profile

39. Ledger Profile

40. AI Projection Profile

41. Distributed Profile

42. AI Training Task 也可以被格式化

43. 這直接吸收 MMR-Bench 的教訓

44. 參考讀取流程

45. 參考寫入流程

46. MLF 與 ONNX：不是競爭同一問題

47. MLF 與 MLIR

48. MLF 與 Apache Arrow

49. MLF 與 W3C PROV

50. MLF 的真正研究主張

51. Stable Core 與 Research Module

52. Research / Governed Modules

53. 為什麼保留負面結果？

54. 1.0 發布驗證

55. 這些驗證不能證明什麼？

56. MLF 的 Falsification Plan

57. F1 — No Structural Benefit

58. F2 — Projection Overhead

59. F3 — Conversion Loss Too Large

60. F4 — Fingerprints Unstable

61. F5 — Projection Not Reversible Enough

62. F6 — Governance Becomes Metadata Theater

63. 從 Spreadsheet 到 Canonical Structure 的最終轉折

64. Excel 最終成為 Projection

65. 但 Projection 也不是「假的」

66. Conversion Loss 讓投影不再假裝完整

67. 本文結論

68. 下一篇

EML-MNIAC-2026-07

參考資料

內部規格與工程

外部技術近鄰

5. $C$ — Computational Substrate Contract

7. $M$ — Matrix and Cells

10. $R$ — Region and Semantic Role

12. $A$ — Formula Source + AST

15. $G$ — Dependency Graph

17. $P$ — Route Graph

21. $H$ — Provenance and Append-Only History

25. $L$ — Conversion Loss