title: "矩陣原生智能與可稽核計算：從表格模型狀態到多重投影執行同一性的統一研究綱領" title_en: "Matrix-Native Intelligence and Auditable Computation: A Unified Research Program from Tabular Model State to Multi-Projection Executable Identity" 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-2026-00" version: "v0.1" date: "2026-08-16" language: "zh-Hant" document_type: "系列總論／統一研究綱領／AI-readable research program" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" keywords: - 矩陣原生智能 - Matrix-Native Intelligence - 可稽核計算 - Auditable Computation - Spreadsheet-Native Computing - CSV-Native Model - Ledger Constraint - MMR - MMLC - MLF - PHOSPHOR-SHEET - MMR-IFN - Executable Identity - Multi-Projection State - AI-native Representation

矩陣原生智能與可稽核計算

從表格模型狀態到多重投影執行同一性的統一研究綱領

Matrix-Native Intelligence and Auditable Computation:
A Unified Research Program from Tabular Model State to Multi-Projection Executable Identity

摘要

本文提出「矩陣原生智能與可稽核計算」（Matrix-Native Intelligence and Auditable Computation, MNIAC）統一研究綱領，用以重新整理一組先前分散於 CSV 模型、Excel 試算表、帳本約束、多向矩陣表徵、多向矩陣帳本計算、AI Matrix Ledger Format、PHOSPHOR-SHEET、Agent 工作台與稀疏注意力實驗中的共同問題。

本系列的歷史起點可以用一個看似簡單的問題表示：

AI 是否一定必須被理解為一個不可見、封裝且難以直接檢查的參數黑盒？

早期實驗首先驗證，小型 Transformer 的完整模型狀態可以保存於 CSV，包括權重、詞彙表、設定與高維向量；重新載入後仍可保持相同的確定性生成結果。其後，Ledger Constraint 實驗將問題由「權重能否表格化」推進至「學習是否能在顯式不變量下持續進行」；Spreadsheet Ledger 與 EML-LQ 則把狀態、參數、公式、權重流、守恆、稽核與視覺化置於 Excel 工作簿中。再往後，多向矩陣表徵（MMR）開始將方向、遍歷、語義與動力學寫入矩陣；MMLC 將其推進為具有平行身份、依賴流與局部稽核的可執行矩陣帳本；MMR-Bench 進一步以公式修復、方向推理、Formula AST、dependency graph 與真實 XLSX / OOXML 差分測試其工程可行性。

隨著研究成熟，Excel 不再被視為最終本體。MLF 1.0 將完整結構提升為 canonical representation，允許同一物件再投影為 sequence、tensor、graph、execution schedule、human table 或其他模型視圖；MMLC Runtime 進一步將矩陣帳本執行、稽核、semantic hash 與 execution hash 固化為可重播的 runtime；PHOSPHOR-SHEET 則明確提出「執行狀態只有一份，人類介面、AI 事件流與試算表只是同一狀態的不同投影」。在模型架構前沿，MMR-IFN 又把方向性與遞歸路由壓縮成有限 sparse-attention graph，使最早的表格直覺重新進入 Transformer 後端研究。

因此，本研究綱領不主張「Excel 就是 AI」，也不主張「矩陣必然優於序列」。它提出的是一個更精確的核心問題：

\boxed{ \text{一個智能計算系統的狀態、結構、運算、歷史與觀察介面，} }

\boxed{ \text{能否在不失去同一性、可追溯性與可驗證性的前提下，} }

\boxed{ \text{同時向人類、AI、試算表、圖、張量與執行環境展開？} }

本文完成系列的統一定義、歷史譜系、六層結構、核心公理、工程錨點、已驗證／未驗證邊界與後續論文路線。

0. 研究定位

0.1 這不是「Excel AI」系列

本系列的歷史入口確實來自試算表與表格直覺，但最終研究對象已經超越 Excel。

若將最早問題寫成：

Q_0: \quad \text{Excel 能不能當 AI？}

那麼經過一系列實驗後，這個問題已經被拆成至少三個不同層級：

Q_1: \quad \text{AI 的模型狀態能否完整存在於開放表格表示？}

Q_2: \quad \text{表格／矩陣本身能否成為可執行、可持久化、可稽核的計算環境？}

Q_3: \quad \text{表格／矩陣的結構本身能否成為智能模型的一部分，而不只是外部 UI？}

目前三者的狀態不同：

$Q_1$ ：已有最小可執行 POC；
$Q_2$ ：已有多個 runtime、workbook 與 benchmark；
$Q_3$ ：已推進至 MMR、MLF、MMLC 與 MMR-IFN，但仍是開放研究前沿。

因此，本文採用更一般的名稱：

\boxed{ \text{Matrix-Native Intelligence and Auditable Computation} }

而不把系列綁死在 Excel。

1. 歷史起點：把 AI 黑盒攤開

1.1 Model State 不等於 Binary Blob

現代 AI 系統通常把模型狀態封裝於：

checkpoint；
tensor archive；
binary weights；
framework-specific serialization；
distributed shards。

這些格式對機器執行很有效，但對人類直接理解、逐項檢查、局部修改、版本比較與簡單工具互通並不友善。

早期 nanocsv_llm.py 實驗採取相反方向：建立一個最小字元級 Transformer，將整套 trainable state 外部化為 CSV。

若模型參數為：

\Theta = \{ W_{te}, W_{pe}, W_q, W_k, W_v, W_o, W_1, b_1, W_2, b_2, W_h, b_h \},

則：

\Theta \longrightarrow \{ \texttt{Wte.csv}, \texttt{Wpe.csv}, \ldots \}.

另外保存：

Vocab \longrightarrow \texttt{vocab.csv},

Config \longrightarrow \texttt{config.csv}.

其目的不是證明 CSV 比 safetensors 更適合大型模型，而是驗證：

\boxed{ \text{Model State} \rightarrow \text{Open Tabular Representation} }

在概念與工程上是可行的。

1.2 最小可驗證條件

早期 POC 不只要求「檔案能存」，而要求：

C_1=\text{gradient check pass},

C_2=\text{training loss decreases},

C_3= G(M,x) = G(Load(Save(M)),x).

第三項尤其重要。若 save/reload 後生成不同，則「表格化模型狀態」只是視覺備份，而非真正等價狀態。

因此第一階段研究得到的不是：

CSV=LLM,

而是：

\boxed{ \text{AI 可以具有可檢查、可搬運、可版本化的外部模型狀態。} }

2. 第二步：從權重表格化到學習帳本化

2.1 Ledger Constraint 問題

當模型狀態能夠被外部化後，下一個問題是：

學習是否也能被置於顯式約束與稽核之中？

設可學習矩陣為：

W\in\mathbb R^{n\times n},

並令某平衡泛函：

\tau(W)

代表系統必須維持的不變量。

例如早期實驗使用：

\tau(W)=\operatorname{Tr}(W).

於每次梯度更新後，將 $W$ 投影回合法集合：

\mathcal C_{\tau_0} = \{ W: \tau(W)=\tau_0 \}.

形成：

W_{t+1}^{raw} = W_t-\eta\nabla L(W_t),

W_{t+1} = P_{\mathcal C_{\tau_0}} \left( W_{t+1}^{raw} \right).

2.2 兩個不同命題

這裡必須區分：

\boxed{ \text{Correct Invariant} \Rightarrow \text{Constrained Learning May Remain Viable} }

與：

\boxed{ \text{Incorrect Invariant} \Rightarrow \text{Irreducible Structural Residual May Appear}. }

不變量不是魔法。

若約束集合本身排除了真實解：

W^\ast\notin\mathcal C_{\tau_0},

則再好的 optimizer 也不能消除：

\operatorname{dist} \left( W^\ast, \mathcal C_{\tau_0} \right).

因此，帳本化不是把所有系統硬塞進守恆；真正的研究問題是：

哪些 invariant 是合法結構，哪些只是錯誤鋼印？

3. Spreadsheet Ledger：試算表成為可見狀態機

3.1 Excel 不再只是報表

EML-LQ / Spreadsheet Ledger 將下列部分置於同一工作簿：

\boxed{ Definition + Parameters + Computation + Ledger + Audit + Visualization. }

工作表中的儲存格不再只有「資料終點」的角色。

若整個 workbook 被視為狀態空間：

\mathcal S = \{ s_{ij} \},

則一列可以代表：

task；
entity；
state；
event；
Agent；
review；
transaction。

一欄則可以代表：

identity；
parameter；
time；
input；
output；
confidence；
command；
path；
hash；
audit result。

3.2 自適應帳本範例

設：

W_t=(w_{1,t},\ldots,w_{N,t}),

並要求：

\sum_iw_{i,t}=1.

資訊流經開放閥 $\eta_t$ ：

w_{i,t}^{raw} = w_{i,t-1} \exp(\eta_t r_{i,t}),

再重新正規化：

w_{i,t} = \frac{ w_{i,t}^{raw} }{ \sum_jw_{j,t}^{raw} }.

所以：

\boxed{ Update=Flow }

\boxed{ Normalization=Conservation }

這類工作簿展示了一件重要但有限的事：

\boxed{ \text{Spreadsheet can be a visible stateful computational environment.} }

它仍不等於一般意義上的大型語言模型。

4. 從 Spreadsheet 到 Matrix-Native Representation

4.1 MMR：把「如何閱讀」寫進資料

傳統表格大致保存：

\text{Content} + \text{Structure}.

多向矩陣表徵（MMR）進一步要求：

\boxed{ \text{Content} + \text{Structure} + \text{Direction} + \text{Traversal} + \text{Semantics} + \text{Dynamics}. }

例如：

\rightarrow = \text{temporal prediction},

\leftarrow = \text{historical backtracking},

\downarrow = \text{abstraction}\rightarrow\text{instance},

\uparrow = \text{instance}\rightarrow\text{abstraction}.

此外還可加入：

neighborhood；
semantic links；
adaptive traversal；
directional attention；
cross-direction consistency；
weighted fusion。

此時 matrix 不只是容器，而開始具有：

\boxed{ \text{Reading Policy} + \text{Route Semantics}. }

4.2 必須防止方向本體化

MMR 的方向不是宇宙天然具有的絕對語義。

因此：

Direction \neq Ontology.

更準確地說：

DirectionMeaning = f( Task, Context, Schema, Observer ).

這條限制非常重要，否則「向右是未來、向左是歷史」會從介面協定滑成無法證偽的形而上學。

5. MMLC：矩陣成為可稽核計算帳本

5.1 平行身份

設抽象來源物件：

u,

不同分支表示為：

b_j=\rho_j(u).

必須區分：

\boxed{ \text{Parallel Identity} \neq \text{Numerical Equality}. }

即使：

\rho_i(u)\neq\rho_j(u),

它們仍可能透過共同 identity 被判定為同一來源的不同分支。

反過來：

x=y

也不代表：

Identity(x)=Identity(y).

5.2 計算交易

每個欄／分支可以被表示為：

T_j = ( b_j, o_j, a_j, r_j, \varepsilon_j ),

其中：

$b_j$ ：input/base；
$o_j$ ：operator；
$a_j$ ：operand/context；
$r_j$ ：result；
$\varepsilon_j$ ：audit residual。

其垂直語義為：

Input \rightarrow Rule \rightarrow Operand \rightarrow Result \rightarrow Audit.

5.3 局部錯誤不能被全域抵銷

若：

\varepsilon_1=1, \qquad \varepsilon_2=-1,

則：

\varepsilon_1+\varepsilon_2=0

不能被視為兩條交易都正確。

因此可採：

\tau_{\mathrm{audit}} = \sum_j w_j \|\varepsilon_j\|, \qquad w_j>0.

並要求：

\tau_{\mathrm{audit}}=0 \iff \forall j,\varepsilon_j=0.

此原則形成：

\boxed{ \text{Global Balance Must Not Erase Local Failure}. }

6. MMR-Bench：從理論到可反證實驗

MMR-Bench 的意義不是證明 MMR 優於所有表格模型，而是把問題改成可以失敗的 benchmark。

其研究線包含：

公式引用方向；
合法但錯誤的 formula；
formula-repair localization；
traversal branch weighting；
Formula AST；
dependency graph；
style / semantic role；
safe repair；
real XLSX / OOXML parsing；
cached-value divergence；
upstream formula drift；
review-only conflict handling。

這裡形成重要的工程原則：

\boxed{ \text{Display Agreement} \neq \text{Formula Agreement} \neq \text{Dependency Agreement} \neq \text{Execution Agreement}. }

因此真正可靠的 workbook intelligence 不能只看：

CellValue.

它至少需要：

\boxed{ Value + Formula + AST + Dependency + Role + Provenance. }

7. MLF：Excel 從本體退回投影

7.1 Canonical Structure

AI Matrix Ledger Format（MLF）把整個研究線提升一層。

MLF 物件可寫為：

\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 styles；
$A$ ：formula AST / derived assets；
$G$ ：dependency graph；
$P$ ：traversal / task routes；
$H$ ：provenance / append-only history；
$V$ ：human / model projections；
$L$ ：conversion loss / warnings。

7.2 核心原則

\boxed{ \text{Complete Structure is Canonical;} }

\boxed{ \text{Linear, Tensor, Graph, Execution and Human Views are Projections.} }

因此：

\mathcal F \xrightarrow{\Phi_{\mathrm{sheet}}} XLSX,

\mathcal F \xrightarrow{\Phi_{\mathrm{seq}}} Sequence,

\mathcal F \xrightarrow{\Phi_{\mathrm{tensor}}} Tensor,

\mathcal F \xrightarrow{\Phi_{\mathrm{graph}}} Graph,

\mathcal F \xrightarrow{\Phi_{\mathrm{human}}} HumanView.

這代表：

\boxed{ Excel \text{ 不再是 canonical state，} }

而只是：

\boxed{ \Phi_{\mathrm{sheet}}(\mathcal F). }

8. Executable Identity：單一狀態，多重投影

8.1 核心公理

PHOSPHOR-SHEET 把這個問題推得更明確：

執行狀態只有一份。

因此定義 canonical executable state：

S.

人類 UI：

H=\Phi_H(S),

AI event stream：

A=\Phi_A(S),

Spreadsheet：

X=\Phi_X(S).

真正要避免的是：

S_H, \quad S_A, \quad S_X

各自成為互相漂移的「第二真實」。

故提出：

\boxed{ \textbf{Executable Identity Principle} }

多個介面可以擁有不同表示、不同權限與不同更新協定，但不可在沒有明確 identity bridge 的情況下偷偷生成彼此獨立的權威執行狀態。

8.2 Projection 不等於 Authority

即使：

X=\Phi_X(S),

也不能推出：

Authority(X)=Authority(S).

Spreadsheet 可以是：

readable；
editable；
reviewable；
controllable；

但仍可能受到：

CapabilityBoundary, Permission, Validation, Approval

限制。

因此：

\boxed{ Projection \neq Authority. }

9. MMLC Runtime：可執行與可重播

當矩陣帳本不再只停留於文件格式時，需要 runtime。

其最低要求包含：

Parse \rightarrow Validate \rightarrow Execute \rightarrow Audit \rightarrow Hash.

可將執行記錄表示為：

E = ( I, V, T, A, H_s, H_e ),

其中：

$I$ ：ledger identity；
$V$ ：version；
$T$ ：transactions；
$A$ ：global audit；
$H_s$ ：semantic hash；
$H_e$ ：execution hash。

若相同 canonical input、相同 operator lock、相同 runtime version 在 deterministic mode 下無法得到相同：

H_e,

則可重播性失敗。

因此：

\boxed{ \text{Representation Fidelity} }

必須與：

\boxed{ \text{Execution Fidelity} }

同時存在。

10. MMR-IFN：矩陣直覺重新進入模型架構

10.1 從可視矩陣到稀疏路由圖

MMR-IFN 將 active structured state：

\mathfrak F_{\mathrm{active}}

編譯為：

G=(V,E),

再執行：

SparseAttention(G).

其 token 狀態不只有內容：

h_i,

而可寫為：

z_i = ( h_i, p_i, \alpha_i, \rho_i, c_i ),

其中：

$p_i$ ：原始 sequence position；
$\alpha_i$ ：hierarchical address；
$\rho_i$ ：route role；
$c_i$ ：confidence / risk / route state。

10.2 不建立完整 $n^2$ 關係

若平均有效度數為 $k$ ：

|E| \approx nk,

則 attention 計算可寫為：

T_{\mathrm{attn}} = O(|E|d).

這不是「Excel Transformer」。

它代表更一般的命題：

\boxed{ \text{結構化位置、方向與路由可以進入模型的 interaction topology。} }

11. Agent Operations：Spreadsheet 的工程分化

當 spreadsheet 被用於 Agent 系統時，必須明確區分：

\boxed{ ControlPlane \neq ExecutionPlane \neq DataPlane. }

Spreadsheet 可以負責：

command；
parameter；
state；
review；
audit summary。

Runtime 負責：

model call；
crawler；
browser；
scheduler；
validator；
publisher。

Storage 負責：

raw snapshot；
database；
object store；
event ledger。

因此：

\boxed{ Spreadsheet\text{-}Native\ Agent\ System }

不是：

\boxed{ Spreadsheet\text{-}Only\ Agent\ System. }

這種分化不是對早期「Excel AI」直覺的否定，而是其成熟結果：

Excel 適合做什麼，就保留什麼；不適合承擔的 execution / storage，不強行塞回 workbook。

12. 統一六層結構

本文將整套研究統一為：

\boxed{ \mathfrak S = ( \mathcal M, \mathcal C, \mathcal G, \mathcal R, \mathcal I, \mathcal H ;\mathcal P ) }

其中：

12.1 $\mathcal M$ — Matrix / State

保存：

values；
parameters；
coordinates；
identities；
types；
regions。

12.2 $\mathcal C$ — Computation

保存：

formulas；
operators；
AST；
update rules；
execution contracts。

12.3 $\mathcal G$ — Graph / Dependency

保存：

dependency edges；
causal links；
formula references；
route graph；
execution ordering。

12.4 $\mathcal R$ — Route / Traversal

保存：

direction；
traversal；
path；
hierarchy；
sparse routing；
adaptive route policy。

12.5 $\mathcal I$ — Intelligence

包含：

learned weights；
local model；
external LLM；
route scoring；
prediction；
repair；
sparse attention。

12.6 $\mathcal H$ — History / Ledger / Audit

保存：

provenance；
append-only events；
snapshots；
invariants；
residuals；
review；
promotion history；
semantic / execution hashes。

12.7 $\mathcal P$ — Projection Layer

定義：

\mathcal P = \{ \Phi_H, \Phi_A, \Phi_X, \Phi_T, \Phi_G, \Phi_E, \ldots \}.

對應：

Human；
AI；
Spreadsheet；
Tensor；
Graph；
Execution；
其他 task-specific views。

13. 五條統一公理

A1 — Canonical State Principle

\boxed{ \exists S \quad \text{such that authoritative execution state is singular within a declared scope.} }

同一系統不應因 UI、AI、Spreadsheet 各自方便而產生三套未宣告的 truth。

A2 — Projection Traceability Principle

對每個 projection：

V_i=\Phi_i(S),

必須能回答：

$V_i$ 來自哪個 $S$ ？
使用哪個 projection version？
省略了什麼？
是否可逆？
是否有 conversion loss？

A3 — Dependency Explicitness Principle

任何 derived result：

y=f(x_1,\ldots,x_n)

若要成為可稽核計算物件，應保存足以重建：

\{x_i\} \rightarrow f \rightarrow y

的 dependency information。

A4 — Local Failure Non-Cancellation Principle

若局部 residual：

\varepsilon_i\neq0,

則不能只因：

\sum_i\varepsilon_i=0

就宣布全域正確。

A5 — Intelligence / Governance Separation Principle

學習系統、LLM 或 Agent 可以：

propose；
rank；
route；
repair；
summarize；

但是否能修改 canonical state，取決於額外：

Validation + Permission + Policy + Audit.

因此：

\boxed{ Prediction \neq Promotion. }

14. 三個核心研究命題

命題 M1 — Open State Thesis

至少對一類有限模型而言：

\boxed{ \text{完整可執行模型狀態可以被外部化為開放表格表示。} }

狀態

已有 POC 支持。

但不推出：

\text{CSV is an efficient large-scale model runtime}.

命題 M2 — Matrix Runtime Thesis

至少對一類具有顯式依賴與有限運算語義的問題：

\boxed{ \text{矩陣／試算表可以同時承載狀態、依賴、計算與稽核。} }

狀態

已有多個 workbook/runtime/benchmark 支持。

但不推出：

\text{Spreadsheet replaces general programming languages}.

命題 M3 — Matrix-Native Intelligence Thesis

存在某些任務，使：

\boxed{ \text{direction / region / route / dependency / identity} }

若被保留於模型可讀結構中，可能比單純平面序列化提供額外可利用信息。

狀態

研究中。

MMR-IFN、MMR-Bench 與 MLF 提供工程路徑，但目前不構成：

\text{general superiority theorem}.

15. 工程錨點

本系列不只依賴抽象論述，而與若干公開工程節點對應。

15.1 Matrix Ledger Format

Repository：

https://github.com/kakon77777-commits/matrix-ledger-format

角色：

\boxed{ Canonical\ Representation + Interchange + Projection + Provenance }

15.2 MMLC Runtime

Repository：

https://github.com/kakon77777-commits/mmlc-runtime

角色：

\boxed{ Deterministic\ Execution + Audit + Replay + Semantic/Execution\ Hash }

15.3 EML PHOSPHOR / PHOSPHOR-SHEET

Repository：

https://github.com/kakon77777-commits/eml-phosphor

角色：

\boxed{ One\ Executable\ State + Human/AI/Spreadsheet\ Projections }

16. 明確非目標

本系列不主張：

Excel 是新的通用 AI 模型；
CSV 比專用 tensor format 更適合大模型；
所有知識都應矩陣化；
所有 sequence model 都應被取代；
logical parallelism 自動帶來 physical speedup；
sparse routing 自動提高語言模型品質；
視覺相似代表計算同構；
human-readable 代表 machine-optimal；
projection 代表 ontological identity；
AI confidence 可以直接升格為 canonical truth。

這些非目標不是保守附註，而是防止整個研究綱領退化成「萬物皆矩陣」的一招式理論。

17. 可證偽性

若 MNIAC 要成為研究綱領，而不是架構美學，至少應允許下列失敗：

F1 — Persistence Failure

Load(Save(M))

不能保持 declared executable equivalence。

則 Open State claim 在該格式／模型下失敗。

F2 — Dependency Reconstruction Failure

給定 canonical record，無法重建 result 的來源 dependency。

則 Auditability claim 失敗。

F3 — Projection Drift

\Phi_i(S_t)

與：

\Phi_j(S_t)

在應保持一致的 semantic region 中長期漂移，且無 conflict record。

則 Multi-Projection Identity claim 失敗。

F4 — MMR No-Value Result

在控制 dataset 上：

Performance_{\mathrm{MMR}} \le Performance_{\mathrm{baseline}}

且增加的：

Cost_{\mathrm{MMR}}

無法被 auditability / interpretability / robustness 抵償。

則該任務不支持 MMR adoption。

F5 — Sparse Routing Failure

若：

|E|

降低，但：

Quality

或：

TrainingStability

大幅下降，

則 MMR-IFN 不能僅以複雜度優勢宣稱成功。

18. 系列論文路線

本系列規劃如下。

00 — 總論

《矩陣原生智能與可稽核計算：從表格模型狀態到多重投影執行同一性的統一研究綱領》

本文。

01 — Open Model State

《模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態》

核心：

ModelState \rightarrow OpenTabularRepresentation.

02 — Constrained Learning

《學習作為帳本流：不變量、投影約束與不可消除結構殘差》

核心：

Learning + Invariant + Residual.

03 — Spreadsheet Runtime

《試算表作為可見計算環境：狀態、公式、依賴、記憶與稽核》

核心：

Spreadsheet \rightarrow VisibleStatefulRuntime.

04 — MMR / MMLC

《從二維表格到多向矩陣帳本：方向、遍歷、平行身份與可逆追蹤》

核心：

Matrix \rightarrow ExecutableLedger.

05 — Spreadsheet Intelligence Experiments

《試算表智能的可證偽實驗：公式修復、方向推理、AST 與真實 XLSX 差分》

核心：

Theory \rightarrow Benchmark.

06 — MLF

《AI Matrix Ledger Format：從試算表格式到可追溯計算結構》

核心：

CanonicalStructure \rightarrow MultipleViews.

07 — Executable Identity

《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》

核心：

S \rightarrow \{ \Phi_H(S), \Phi_A(S), \Phi_X(S) \}.

08 — Matrix-Native Intelligence

《矩陣原生智能：從多方向路由到 MMR-IFN 稀疏注意力》

核心：

StructuredRoute \rightarrow SparseInteractionTopology.

09 — Agentic Matrix Workspace

《從智能矩陣到 Agent 控制平面：可見狀態、任務帳本與人機共同操作》

核心：

MatrixState \rightarrow AgentOperations.

10 — Limits and Falsification

《表格不是魔法：矩陣原生智能的邊界、失敗模式與下一代驗證計畫》

核心：

\boxed{ \text{What would make this research program fail?} }

19. 最終定位

整個研究綱領可以濃縮為一條歷史演化：

\boxed{ \text{Opaque Model} }

\downarrow

\boxed{ \text{Open Model State} }

\downarrow

\boxed{ \text{Auditable Learning} }

\downarrow

\boxed{ \text{Visible Spreadsheet Runtime} }

\downarrow

\boxed{ \text{Multidirectional Matrix Representation} }

\downarrow

\boxed{ \text{Matrix-Ledger Computation} }

\downarrow

\boxed{ \text{Canonical Matrix Format} }

\downarrow

\boxed{ \text{Executable Identity} }

\downarrow

\boxed{ \text{Matrix-Native Intelligence}. }

最早的問題是：

「Excel 搞不好也可以當 AI？」

現在更精確的問題則是：

一個智能計算系統是否可以把狀態、運算、依賴、歷史、路由、證據與介面全部顯式化，使人類與 AI 不再只能透過不同黑盒觀察彼此，而可以在同一 canonical structure 上協作？

若答案只有部分成立，仍然有價值。

因為即使最終不存在「矩陣原生大模型」，下列成果仍然可以獨立成立：

open model state；
auditable computation；
dependency-aware repair；
reversible projection；
executable identity；
human/AI shared control surface；
sparse structured routing。

因此本系列並不以「取代 Transformer」作為唯一勝負條件。

它真正研究的是：

\boxed{ \textbf{ 如何讓智能計算從不可見的結果機器， 轉變成可定位、可追蹤、可驗證、可重播、可多重展開的結構。 } }

附錄 A：歷史譜系

nanocsv_llm
  │
  ├── Open Tabular Model State
  │
Ledger Constraint
  │
  ├── Explicit Invariants / Residuals
  │
  └──────────────┐
                 ▼
       Spreadsheet Ledger / EML-LQ
                 │
        ┌────────┴─────────┐
        │                  │
        ▼                  ▼
      MMR             EML-LQ Agent
        │                  │
        ▼                  ▼
      MMLC              D-ALAN
        │                  │
        ▼                  ▼
   MMR-Bench          Veritaxa Workbench
        │
        ▼
      MLF 1.0
        │
   ┌────┴──────────────┐
   │                   │
   ▼                   ▼
mmlc-runtime      PHOSPHOR-SHEET
   │                   │
   └────────┬──────────┘
            ▼
     Executable Identity
            │
            ▼
        MMR-IFN
            │
            ▼
 Matrix-Native Intelligence

附錄 B：核心術語

術語	本系列中的最低定義
Open Model State	可被外部讀取、版本化與重新載入的模型狀態
Spreadsheet Runtime	以工作表、公式、依賴與狀態更新承擔部分執行語義的環境
Ledger Constraint	將顯式 invariant / residual 納入計算與學習
MMR	將方向、遍歷、語義與動力學納入矩陣表示
MMLC	將平行身份、算子、依賴、結果與稽核統合為矩陣帳本
MLF	保存 canonical matrix structure、dependency、route、provenance 與 projection 的格式
Executable Identity	多個介面共享同一權威執行狀態的原則
Matrix-Native Intelligence	將矩陣結構本身納入模型 interaction / reasoning architecture，而非只作 UI

附錄 C：公開工程錨點

matrix-ledger-format
https://github.com/kakon77777-commits/matrix-ledger-format

mmlc-runtime
https://github.com/kakon77777-commits/mmlc-runtime

eml-phosphor
https://github.com/kakon77777-commits/eml-phosphor

參考與內部來源

nanocsv_llm.py — minimal char-level Transformer with CSV persistence.
ledger_experiment.py — Ledger Axiom A2 constrained-learning experiment.
build_xlsx.py — EML-LQ-2026 Spreadsheet Ledger / Adaptive Ledger Quant Meta-Framework.
《多向矩陣表徵 MMR v0.1》。
《多向矩陣帳本計算：從平行數學到可稽核計算矩陣》。
MMR-Bench v0.3–v0.8 實驗與 XLSX 工作簿。
《AI Matrix Ledger Format (MLF) 1.0》及 MLF Compiler 1.0.0。
kakon77777-commits/matrix-ledger-format.
kakon77777-commits/mmlc-runtime.
PHOSPHOR-SHEET v1.0–v1.2 文件、工作簿協定與本地 Agent 接手指南。
kakon77777-commits/eml-phosphor.
《MMR-IFN Transformer：基於遞歸多向路由的層級稀疏注意力架構》。
《EveTessera / Veritaxa Workbench 試算表原生爬蟲與 Agent 系統技術白皮書》。

系列狀態： 第 00 篇完成。
下一篇： EML-MNIAC-2026-01 —《模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態》

矩陣原生智能與可稽核計算

矩陣原生智能與可稽核計算

從表格模型狀態到多重投影執行同一性的統一研究綱領

摘要

0. 研究定位

0.1 這不是「Excel AI」系列

1. 歷史起點：把 AI 黑盒攤開

1.1 Model State 不等於 Binary Blob

1.2 最小可驗證條件

2. 第二步：從權重表格化到學習帳本化

2.1 Ledger Constraint 問題

2.2 兩個不同命題

3. Spreadsheet Ledger：試算表成為可見狀態機

3.1 Excel 不再只是報表

3.2 自適應帳本範例

4. 從 Spreadsheet 到 Matrix-Native Representation

4.1 MMR：把「如何閱讀」寫進資料

4.2 必須防止方向本體化

5. MMLC：矩陣成為可稽核計算帳本

5.1 平行身份

5.2 計算交易

5.3 局部錯誤不能被全域抵銷

6. MMR-Bench：從理論到可反證實驗

7. MLF：Excel 從本體退回投影

7.1 Canonical Structure

7.2 核心原則

8. Executable Identity：單一狀態，多重投影

8.1 核心公理

8.2 Projection 不等於 Authority

9. MMLC Runtime：可執行與可重播

10. MMR-IFN：矩陣直覺重新進入模型架構

10.1 從可視矩陣到稀疏路由圖

10.2 不建立完整 n2n^2n2 關係

11. Agent Operations：Spreadsheet 的工程分化

12. 統一六層結構

12.1 M\mathcal MM — Matrix / State

12.2 C\mathcal CC — Computation

12.3 G\mathcal GG — Graph / Dependency

12.4 R\mathcal RR — Route / Traversal

12.5 I\mathcal II — Intelligence

12.6 H\mathcal HH — History / Ledger / Audit

12.7 P\mathcal PP — Projection Layer

13. 五條統一公理

A1 — Canonical State Principle

A2 — Projection Traceability Principle

A3 — Dependency Explicitness Principle

A4 — Local Failure Non-Cancellation Principle

A5 — Intelligence / Governance Separation Principle

14. 三個核心研究命題

命題 M1 — Open State Thesis

狀態

命題 M2 — Matrix Runtime Thesis

狀態

命題 M3 — Matrix-Native Intelligence Thesis

狀態

15. 工程錨點

15.1 Matrix Ledger Format

15.2 MMLC Runtime

15.3 EML PHOSPHOR / PHOSPHOR-SHEET

16. 明確非目標

17. 可證偽性

F1 — Persistence Failure

F2 — Dependency Reconstruction Failure

F3 — Projection Drift

F4 — MMR No-Value Result

F5 — Sparse Routing Failure

18. 系列論文路線

00 — 總論

01 — Open Model State

02 — Constrained Learning

03 — Spreadsheet Runtime

04 — MMR / MMLC

05 — Spreadsheet Intelligence Experiments

06 — MLF

07 — Executable Identity

08 — Matrix-Native Intelligence

09 — Agentic Matrix Workspace

10 — Limits and Falsification

19. 最終定位

附錄 A：歷史譜系

10.2 不建立完整 $n^2$ 關係

12.1 $\mathcal M$ — Matrix / State

12.2 $\mathcal C$ — Computation

12.3 $\mathcal G$ — Graph / Dependency

12.4 $\mathcal R$ — Route / Traversal

12.5 $\mathcal I$ — Intelligence

12.6 $\mathcal H$ — History / Ledger / Audit

12.7 $\mathcal P$ — Projection Layer