title: "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" title_en: "Tables Are Not Magic: Boundaries, Failure Modes, and the Next Validation Program for Matrix-Native Intelligence" 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-2026-10" version: "v0.1" date: "2026-08-17" language: "zh-Hant" document_type: "系列第10篇／封頂篇／Claim Maturity Audit and Validation Roadmap" status: "Public Draft / Series Closure" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-00～09" canonical_keywords: - Matrix-Native Intelligence - Auditable Computation - Claim Maturity - Falsification - Failure Modes - Spreadsheet Intelligence - MMR - MMLC - MLF - Executable Identity - MMR-IFN - Agent Control Plane - Validation Roadmap - Research Closure

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

Tables Are Not Magic:
Boundaries, Failure Modes, and the Next Validation Program for Matrix-Native Intelligence

摘要

本文是《矩陣原生智能與可稽核計算》系列第 10 篇與第一階段封頂篇。

本系列最早由一個極端、甚至容易被誤解的問題開始：

Excel、CSV、試算表與矩陣，能不能不只是 AI 的資料容器，而真正進入模型狀態、計算、智能、Agent 與人機共同操作架構？

經過前九篇整理後，這個問題已被拆成多個彼此獨立、可驗證也可失敗的子命題：

模型狀態能否以開放表格形式保存並重建；
學習能否在顯式 invariant 下進行；
錯誤 constraint 是否產生不可消除 structural residual；
Spreadsheet 是否能作有限可見 runtime / state machine；
MMR / MMLC 是否能把方向、身份、依賴、交易與稽核顯式化；
這些結構是否真的能改善 formula audit / repair；
MLF 是否能作為跨 spreadsheet / sequence / tensor / graph / human view 的可追溯 canonical interchange；
多個 projection 是否能共同指向一個 executable state，而不產生多重真實；
MMR / IFN 是否能被編譯成真正控制 neural interaction graph 的 sparse-attention backend；
Spreadsheet / matrix ledger 是否能成為 Agent Operations 的人類可見 control plane。

第一階段的答案不是一個單一的 Yes / No。

目前已有較硬內部證據支持：

CSV-native toy Transformer 的 open model state 與 deterministic reload；
constrained linear learning 中 trace-mismatch structural floor 的解析式與數值吻合；
Spreadsheet Ledger / EML-LQ 的有限自適應計算與顯式 invariant；
MMR-Bench 對 synthetic structure、Formula AST、dependency graph、real XLSX / OOXML cache、multi-engine disagreement 與 signed replayable certificates 的受控驗證；
MLF 1.0 stable core 與 Compiler 1.0.0 的 release verification；
MMLC deterministic runtime / audit / replay 路線；
PHOSPHOR-SHEET 的 Human / AI / Spreadsheet projection 以及 governed XLSX round trip；
MMR-IFN 的 deterministic hierarchical graph、edge-list sparse attention、same-graph numerical equivalence 與 CPU prototype；
Veritaxa Workbench 的 Spreadsheet Control Plane、SQLite Source of Truth、Agent Task Ledger、Evidence / Review / Audit workflow。

但第一階段也有明確未跨越的邊界：

沒有真實企業 workbook 大規模外部驗證；
沒有證明 MMR direction semantics 對一般 spreadsheet task 有普遍增益；
沒有證明 MLF 能提高一般模型 sample efficiency 或 accuracy；
沒有 MMR-IFN causal language-model training、GPU/Triton kernel、quality parity 或 large-scale scaling law；
沒有 D-ALAN production multi-node network；
沒有多工作簿 concurrent write / conflict-resolution protocol；
沒有 production-grade fully autonomous Agent governance；
沒有獨立第三方重現整個系列的主要工程結果。

本文因此提出五級 Claim Maturity Scale：

L0 \rightarrow L1 \rightarrow L2 \rightarrow L3 \rightarrow L4 \rightarrow L5

分別代表：構想、形式化、可執行原型、受控驗證、真實／外部驗證、跨環境生產與獨立重現。

本文的核心結論不是「矩陣原生智能已成立」，而是：

\boxed{ \textbf{ 這個研究綱領已成功把一個容易無限膨脹的直覺， 拆成一組可以各自被證成、降格、保留或淘汰的研究物件。 } }

因此最強命題即使失敗，也不會使整個系列歸零。反之，若要讓「Matrix-Native Intelligence」從研究名稱升格為強架構主張，下一階段必須停止主要依賴 synthetic success，直接進入真實 workbook、因果式 ablation、GPU hardware profile、small-LM training、multi-writer conflict、durable Agent failure injection 與外部重現。

1. 封頂篇的任務：不是再加一層理論

本篇不再增加：

新矩陣；
新公理；
新縮寫；
新 Agent；
新 route family。

它只做三件事：

\boxed{ AuditClaims + LocateFailureModes + DefineNextTests. }

2. 系列最危險的失敗方式

這個研究線最容易失敗的方式不是：

某個程式跑錯。

而是：

每一個局部成功都被語言膨脹成更大的成功。

例如：

CSV\ can\ store\ weights

被偷換成：

CSV\ is\ an\ AI\ runtime.

或者：

Spreadsheet\ formulas\ can\ execute

被偷換成：

Excel\ is\ a\ general\ AI.

因此本文首先列出十個禁止偷換的等號。

3. 十個禁止等號

3.1 CSV 不等於 Runtime

\boxed{ CSVState \neq ExecutionEngine. }

CSV-native prototype 證明的是：

\text{State Externalization}.

3.2 Excel 不等於 LLM

\boxed{ SpreadsheetRuntime \neq LanguageModel. }

Excel 可以計算、更新、顯示 state。

不代表它具有語言模型的 learned representation。

3.3 Matrix 不等於 Universal Ontology

\boxed{ MatrixRepresentation \neq UniversalRealityStructure. }

矩陣是有用表示。

不是宇宙本體論。

3.4 Direction 不等於天然語義

\boxed{ DirectionMeaning = f(Task,Context,Schema). }

不是：

\boxed{ RIGHT=Future }

之類的永久本體真理。

3.5 MMLC 不等於新通用電腦

\boxed{ MMLC \neq ReplacementForAllProgramming. }

它是一種 identity / dependency / transaction / audit 組合架構。

3.6 MLF 不等於 Universal Format

\boxed{ MLF \neq OneFormatToReplaceAllFormats. }

它處理 matrix-originated structured interchange 的一個特定問題域。

3.7 Executable Identity 不等於形上學單一真理

\boxed{ SingleExecutableAuthority \neq MetaphysicalMonism. }

它只是 runtime scope 中的 authority contract。

3.8 Sparse Graph 不等於硬體加速

\boxed{ GraphSparse \neq HardwareFast. }

這是 MMR-IFN 下一階段最重要的系統性風險。

3.9 Agent Control Plane 不等於 Solved Autonomy

\boxed{ VisibleWorkflow \neq ReliableAGI. }

治理只是自治的一個必要條件。

3.10 多 Agent 不等於多份獨立證據

\boxed{ AgentCount \neq EvidenceIndependence. }

共同來源、共同模型與共同偏差可能產生假共識。

4. Claim Maturity Scale

本文採五級成熟度，加一個 L0 構想層。

L0 — Intuition / Question

只有：

直覺；
問題；
類比。

沒有正式 claim。

L1 — Formalized Hypothesis

已有：

定義；
架構；
數學式；
failure condition；

但沒有真正執行。

L2 — Executable Prototype

已有：

code；
workbook；
runtime；
reproducible local artifact。

但未形成充分 benchmark。

L3 — Controlled Internal Validation

已有：

regression tests；
controlled benchmark；
synthetic / bounded fixture；
replay；
tamper test；
analytic cross-check。

但沒有外部真實世界充分驗證。

L4 — Real-World / External Validation

至少有：

natural / real workload；
independent environment；
external reproduction；
blinded or held-out data；
matched strong baseline。

L5 — Production / Independent Robustness

已有：

prolonged deployment；
multi-environment reproduction；
independent users / teams；
failure monitoring；
scale evidence；
documented operational reliability。

5. 一條重要規則：元件成熟度不等於強主張成熟度

MLF 1.0 可以是：

L3

的 format / compiler。

但：

「MLF 讓 AI 更準」

可能仍只有：

L0-L1.

同理：

MMR-IFN sparse backend 可以：

L2-L3,

但：

「MMR-IFN 是更好的 LLM 架構」

仍只有：

L1.

所以 maturity 必須綁定：

\boxed{ SpecificClaim. }

6. 系列 Claim Maturity Matrix

ID	主張	目前級別	已有證據	尚缺
C1	有限神經模型狀態可完整外部化為 open tabular state	L3	toy Transformer、gradient、loss、save/reload	大模型可用性與外部重現
C2	正確 invariant 可與 learning 共存	L3	controlled linear experiment	更一般非線性任務
C3	錯誤 invariant 可造成 structural error floor	L3	解析式＋數值吻合	更一般 constraint families
C4	Spreadsheet 可作有限 visible computational environment	L3	EML-LQ、Excel numerical workbook	大規模／多人／性能
C5	MMR identity/direction/traversal 可形式化	L2–L3	MMR/MLA/MMLC runtime	一般任務必要性
C6	MMR direction 在結構任務可能有額外資訊值	L3（窄域）	synthetic route task / formula tasks	natural task incremental gain
C7	Formula audit 可整合 AST/dependency/role/multi-engine/certificate	L3	MMR-Bench v1.0	real enterprise corpus
C8	MLF 可保存完整結構並產生可追溯 projection	L3	stable spec/compiler/migration/tests	外部 ecosystem / adoption
C9	MMLC 可作 deterministic auditable ledger runtime	L3	runtime / audit / hashes / replay	independent domain benchmarks
C10	單一 executable state 可有 Human/AI/Sheet projections	L3	PHOSPHOR-SHEET v1.0–1.2	multi-writer / long-run deployment
C11	Spreadsheet 可作 governed Agent control plane	L3	Veritaxa / PHOSPHOR control	production workload / external team
C12	IFN hierarchical routes 可編譯為 sparse neural graph	L3（後端）	10/10 tests、same-graph equivalence	trained task quality
C13	MMR-IFN 具有 useful model architecture tradeoff	L1–L2	executable backend only	causal LM、training、GPU、quality
C14	D-ALAN 多節點分歧可改善可靠度	L1	formal architecture	real multi-node experiment
C15	Matrix-native intelligence 對一般 AI 有普遍優勢	L0–L1	無充分證據	整套外部 benchmark

7. C1：Open Model State 已經證明什麼？

nanocsv_llm.py 的強點不在模型品質。

它已經證明：

\boxed{ \Theta + Vocab + Config \rightarrow OpenTabularState }

可以支援指定條件下：

Generate(M) = Generate(Load(Save(M))).

8. C1 沒證明什麼？

它沒有證明：

CSV 是大型 checkpoint 最佳格式；
CSV 讀取最快；
人類看到權重就理解模型；
tabular state 自動帶來 interpretability。

所以：

\boxed{ Inspectable \neq Interpretable. }

9. C1 下一步其實不需要「一兆參數 CSV」

真正合理下一步是：

\boxed{ BinaryCanonicalTensor + InspectableTabularProjection. }

而不是強迫 production LLM 把每個 float 寫成文字。

10. C2/C3：系列最硬的數學結果之一

對原 trace mismatch experiment：

L(E) = \frac{1}{2mn} \operatorname{Tr}(E^\top A E),

subject to：

\operatorname{Tr}(E)=\Delta,

得到：

\boxed{ L_{\min} = \frac{\Delta^2} {2mn\operatorname{Tr}(A^{-1})}. }

原實驗：

L_{\min} \approx0.000172209714,

而 gradient run：

L_{final} \approx0.000172.

11. 這個結果的價值不依賴 Spreadsheet

即使整個「矩陣原生 AI」最後失敗，

此結果仍然獨立存在：

\boxed{ TotalGap = OptimizationGap + StructuralGap. }

這是本系列一個真正不依賴品牌架構的數學產物。

12. C2/C3 的下一步

應擴展至：

nonlinear constraints；
multiple invariants；
inconsistent constraint sets；
soft constraints；
dynamic feasible sets；
neural network tasks。

核心問題：

\boxed{ \text{何時 residual 來自 optimizer，何時來自制度本身？} }

13. C4：Spreadsheet Runtime 的成熟邊界

EML-LQ 與 log-coordinate workbook 已足以支持：

\boxed{ \text{有限自適應計算、狀態遞迴、公式依賴與稽核可存在於工作簿。} }

但成熟架構最後反而把：

large data；
runtime；
persistence；

移出 workbook。

這不是失敗。

而是：

\boxed{ \text{Role Differentiation}. }

14. C4 的殺死條件

如果一個 workload：

workbook size 過大；
recalculation 過慢；
concurrency 不可控；
formula lineage 不透明；
version conflicts 過高；

那 Spreadsheet 應退回：

\boxed{ Projection / Control Surface. }

而不是堅持：

SpreadsheetOnly.

15. C5/C6：MMR 的真正風險

MMR 最容易變成：

為每個方向、區域、路徑加 metadata。

如果：

PlainGraph + RoleMetadata

在更低成本下做到同樣效果，

則：

\boxed{ MMR }

應被降格為：

\boxed{ Schema / UI Convention. }

16. Direction Gain 必須是 Incremental Gain

不能只比較：

MMR

和：

FlatSequenceWithoutAnyStructure.

真正 baseline 必須至少包含：

AST；
dependency graph；
region；
role；
normal graph path。

然後測：

\boxed{ G_{dir} = Metric(Graph+MMR) - Metric(GraphOnly). }

17. 如果 $G_{dir}\le0$ 怎麼辦？

答案不是修改定義直到成功。

而是：

\boxed{ Direction \rightarrow HumanExplanation / UI Layer. }

這仍然可能有價值。

18. C7：MMR-Bench 最成熟的成果是「知道自己會錯」

MMR-Bench 的第一階段歷史包含：

direction leakage；
clustered error majority；
stale OOXML cache；
MMR evaluator XOR bug；
external evaluator 1904-date bug。

所以：

\boxed{ \text{Benchmark itself became an audit target}. }

這是比單次高分更重要的成果。

19. v1.0 的硬邊界

v1.0 目前最強紀錄包括：

69/69 regression；
4/4 certificate signatures；
4/4 exact replay；
10/10 tamper rejection；
10/10 wrong-source rejection；
zero formula writes；
20/20 exponent agreement；
20/20 ROUND agreement；
20/20 1904-gap retention。

但：

\boxed{ \text{Real XLSX Container} \neq \text{Real Enterprise Workbook Corpus}. }

20. C7 下一步：Natural Workbook Benchmark

下一代 benchmark 必須把資料拆成兩種：

A — Natural Errors

真實人工產生：

inconsistent formulas；
stale caches；
legitimate exceptions；
copied mistakes；
broken names；
changed business logic。

B — Controlled Injections

可精確知道 ground truth：

formula drift；
cache corruption；
reference mutation；
region pattern error；
date system mismatch。

兩者不能混在一起報一個 accuracy。

21. Real Workbook Data Split

為防止 template leakage，

train / development / test 不應按 cell 隨機切。

應按：

\boxed{ WorkbookFamily / Organization / TemplateLineage. }

切分。

否則同一模板的不同月份可能洩漏答案。

22. C7 下一階段必須有真正 Baselines

至少比較：

simple formula majority；
AST pattern；
dependency graph only；
static spreadsheet analyzer；
LLM-only；
graph+LLM；
MMR without direction；
full MMR；
human reviewer baseline。

23. Spreadsheet Intelligence 的真正主要指標

不能只看：

Recall.

至少報：

\boxed{ Precision + Recall + UnsafeWriteRate + ReviewLoad + TimeSaved + RootCauseAccuracy. }

24. Safety Gate 應比 Accuracy 更嚴格

對自動寫回，

本文建議：

\boxed{ UnsafeAutoWriteRate = 0 }

作第一階段 safety target。

這是工程目標，不是數學定理。

如果做不到，

系統仍可保留：

\boxed{ Detection / Review Assistant }

角色。

25. C8：MLF 1.0 已經是一個 stable core，但不是通用格式勝利

MLF 1.0 已凍結：

deterministic container；
manifest；
cells / regions / roles；
source formula + AST + dependency；
routes；
provenance；
conversion loss；
four fingerprints；
migration；
safe import/export boundaries。

這是格式工程層的實質成果。

26. MLF 已知限制應保持在正文，不是腳註

包括：

bounded XLSX；
no VBA；
no Power Query；
no pivot execution；
no external refresh；
presentation round-trip not universally lossless；
no production claim for learned dependency inference；
naturalistic workbook fixtures still synthetic。

27. MLF 的死亡測試

如果：

FlatJSON + Graph + Provenance

在真實 pipeline 中：

更簡單；
更小；
更快；
一樣可追蹤；

那麼 MLF 不應宣稱獨立格式必要性。

它可以退回：

\boxed{ Interchange Profile / Schema Family. }

28. MLF 真正最值得保留的變數可能是 $L$

即：

\boxed{ ConversionLoss. }

因為很多格式轉換最大問題不是：

不能轉。

而是：

轉成功了，但沒有人記得丟了什麼。

所以：

\boxed{ Projection + DeclaredLoss }

可能比「無損萬能格式」更現實。

29. C9：MMLC Runtime 的真正價值

MMLC 現階段最有力的不是「多向」。

而是：

\boxed{ TypedTransaction + LocalAudit + Dependency + Replay + SemanticHash + ExecutionHash. }

這些特性可以在其他表示中也有價值。

30. MMLC 必須和普通 DAG / workflow runtime 正面比較

需要問：

多向矩陣帳本到底比普通 DAG + provenance 多出什麼？

若答案只剩：

顯示比較漂亮。

那麼 execution-layer claim 應降格。

31. C10：Executable Identity 是工程原則，不是哲學

PHOSPHOR-SHEET 已經支持：

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

並以受控 09_Control 完成 round trip。

這是一個實際工程原型。

32. C10 還沒跨過的關卡

目前尚未證明：

multi-workbook concurrent edit；
multi-user RBAC；
quorum approval；
offline merge；
network-partition behavior；
long-running production sessions；
distributed writer arbitration。

因此：

\boxed{ SingleWorkbookRoundTrip \neq MultiWriterConsistency. }

33. 下一代 Executable Identity 壓力測試

至少要製造：

stale workbook；
wrong session；
duplicate command；
executed command replay；
wrong runtime version；
two workbooks editing same target；
approval revocation；
handler removed after approval；
workbook tampering；
crash after side effect but before status write。

34. 最後一個案例最重要

若：

ActionExecuted=1

但 process 在：

Status=EXECUTED

寫入前 crash，

resume 後可能再執行一次。

這是：

\boxed{ ExactlyOnceIllusion. }

需要：

idempotency key；
transaction log；
external-side-effect receipt；

才能處理。

35. C11：Agent Control Plane 已有形，不等於自治問題被解完

Veritaxa 已有：

17-sheet control plane；
SQLite Source of Truth；
status machine；
URL frontier；
evidence；
review；
ranking；
publishing；
audit；
monitoring。

這支持：

\boxed{ \text{Agent workflow can be exposed as visible governed state}. }

36. 但「看得見」不等於「做得對」

Agent 仍可能：

crawl wrong source；
misclassify；
hallucinate extraction；
overuse expensive tools；
generate review backlog；
publish bad conclusions。

所以：

\boxed{ Observability \neq Correctness. }

37. Agent 系統下一步應測 Failure Recovery，不只正常流程

每一 stage 都應注入：

timeout；
process kill；
invalid tool result；
partial write；
duplicate event；
stale approval；
network disconnect。

然後問：

\boxed{ \text{Can the workflow resume without duplicate irreversible effects?} }

38. 外部 durable-execution 世界給了很清楚的壓力

Temporal 把：

crash 後從原位置繼續

直接作為 durable execution 核心。

OpenAI Agents SDK 現行 HITL 也把：

RunState

作為 approval pause / serialize / resume boundary。

所以 MNIAC Agent 線下一階段不能只證明：

狀態表看起來完整。

而要證明：

\boxed{ \text{Pause / Fail / Resume actually works}. }

39. C12/C13：MMR-IFN 的兩種成熟度必須拆開

Backend Claim

\boxed{ IFNStructure \rightarrow SparseGraph \rightarrow EdgeListAttention }

已有：

L3

級受控原型。

Model Quality Claim

\boxed{ MMR\text{-}IFN \text{ improves real model quality/efficiency} }

只有：

L1-L2.

40. MMR-IFN v0.1 已經做對的事

它沒有宣稱：

CPU ratio 21.75 = LLM speedup。

而是明確限制：

same route graph；
CPU；
unoptimized dense reference；
inference；
no GPU；
no training quality。

這個邊界必須保持。

41. 2026 sparse-attention frontier 使門檻更高

現代比較對象已不只：

Longformer；
BigBird；
Routing Transformer。

還包括：

FlashAttention 類 IO-aware dense；
hardware-aligned learned sparsity；
adaptive content sparse methods；
2026 年仍在快速出現的新動態 sparse schemes。

因此：

\boxed{ SubquadraticEdges }

本身已遠遠不足以構成競爭優勢。

42. 最新 frontier 帶來的一個反直覺

2026 已出現使用 compression signal 做 parameter-free adaptive sparse selection 的研究。

這代表：

甚至「不增加 learnable router」也不再是 MMR-IFN 的獨特點。

所以真正 differentiation 必須是：

\boxed{ \text{Structured Hierarchy} + \text{Traceability} + \text{Task-Aligned Route Semantics}. }

43. MMR-IFN 下一代最小實驗不是直接訓練巨大模型

合理順序：

causal correctness；
graph batching；
hierarchical synthetic tasks；
flat-sparse baselines；
hardware profile；
small language model；
larger context；
only then scale.

44. 第一階段 Small-LM Gate

建議使用一個可以負擔的模型規模，

例如：

30M\sim100M

級別，

做：

causal LM；
4K / 8K context；
held-out perplexity；
wall-clock；
peak memory；
route recall；
hardware utilization。

數值只是實驗規模建議，不是架構常數。

45. Small-LM Go Condition

只有在至少滿足一種：

Quality parity + resource gain

Quality_{IFN} \approx Quality_{baseline},

同時：

Resource_{IFN} < Resource_{baseline}.

或：

Better quality at matched budget

Quality_{IFN} > Quality_{baseline}

在相同 training budget。

才值得 scale。

46. 如果只得到「更可稽核」呢？

那仍可能成立：

\boxed{ \text{AuditableSparseRouter}. }

不必硬升格成：

\boxed{ \text{BetterLLM}. }

47. C14：D-ALAN 是目前最應克制的一條線

D-ALAN 有：

independent sources；
independent models；
divergence matrix；
consensus estimate；
active causal verification；

完整理論藍圖。

但 production evidence 幾乎不存在。

所以：

\boxed{ D\text{-}ALAN=L1. }

48. D-ALAN 第一個真正實驗不應碰「世界真理」

先做可控 simulation。

例如：

M=5

nodes，

其中：

2 independent reliable sources；
1 noisy source；
2 correlated copied sources。

測：

divergence detection；
false consensus；
correlated-source weighting；
retraction；
source failure recovery。

49. 多 Agent 的真正 baseline

不能只比：

1\ Agent \quad vs\quad 5\ Agents.

應比較：

one model / one source；
five models / same source；
same model / five sources；
five models / five independent sources；
five agents with correlated provenance；
provenance-aware aggregation。

這才能知道：

增益來自模型數還是證據獨立性？

50. C15：最強總命題目前必須保持弱

系列名稱：

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

不等於目前已證：

\boxed{ \text{Matrix representation is generally better for AI}. }

目前最強可守住的版本是：

\boxed{ \textbf{ Matrix / graph / region / route structure can be preserved far enough to influence storage, audit, agent operation, and neural interaction topology. } }

51. 這已經不是零成果

因為「最強命題未證」和：

\boxed{ NothingWorks }

完全不同。

前九篇已經產生多個獨立子成果。

52. 即使 Matrix-Native LLM 失敗，哪些仍成立？

至少：

Open Model State；
Constraint structural residual；
Visible Spreadsheet Runtime；
typed transaction / local audit；
Formula AST / dependency / cache differential；
signed spreadsheet calculation certificates；
MLF traceable projection；
semantic vs execution identity；
governed multi-projection state；
spreadsheet-native Agent control surface；
route-certificate engineering。

53. 這是整個系列真正成功的地方

最早的問題是一個：

\boxed{ \text{MonolithicQuestion}. }

現在變成：

\boxed{ \{Q_1,Q_2,\ldots,Q_n\}. }

每個 $Q_i$ 可以：

pass；
fail；
downgrade；
remain open。

所以研究不再需要：

「全對或全錯」。

54. 下一代驗證計畫總覽

本文提出六條平行路線。

Track A — Real Workbook Audit

驗證 MMR / MMR-Bench。

Track B — Format / Projection Interoperability

驗證 MLF。

Track C — Multi-Projection Runtime Stress

驗證 Executable Identity。

Track D — Small-LM Structural Sparse Training

驗證 MMR-IFN。

Track E — Durable Agent Operations

驗證 Veritaxa / PHOSPHOR Agent control。

Track F — Multi-Agent Divergence

驗證 D-ALAN。

55. Track A — Real Workbook Audit

最低資料要求：

multiple workbook families；
natural formula exceptions；
multiple formula languages / styles；
stale caches；
named ranges；
tables；
date systems；
hidden sheets；
external-link metadata；
different business templates。

56. Track A 的兩組 Ground Truth

Natural

由 human expert review 產生。

Injected

由 controlled mutation 產生。

兩者分開報告。

57. Track A 核心指標

Precision_{detect},

Recall_{detect},

Precision_{repair},

UnsafeWriteRate,

ReviewLoad,

RootCauseAccuracy,

TimeToDecision.

58. Track A Kill Criterion

如果：

MMR

控制 AST / dependency / role 後，

在 natural workbook 上沒有穩定 incremental gain，

則：

\boxed{ MMRDirection \rightarrow OptionalViewMetadata. }

停止擴張「方向智能」主張。

59. Track B — MLF Interoperability

選來源：

XLSX；
CSV；
Markdown；
graph JSON；
formula AST；
selected ONNX-like graph projection。

測：

Source \rightarrow MLF \rightarrow Projection \rightarrow RoundTrip.

60. Track B 核心指標

semantic fingerprint preservation；
presentation preservation；
dependency preservation；
provenance preservation；
declared loss accuracy；
package size；
conversion time；
tooling complexity。

61. Track B Kill Criterion

若：

ConversionLoss

長期過高，

或：

FlatAlternative

以顯著更低複雜度達到相同可追蹤性，

則：

\boxed{ MLF \rightarrow DomainProfile, }

不再追求 broad interchange format。

62. Track C — Executable Identity Stress

建立：

Runtime + HumanUI + AIView + Workbook_1 + Workbook_2.

刻意製造 concurrent mutations。

63. Track C 測試矩陣

測試	應有結果
stale workbook	reject / explicit rebase
wrong session	reject
duplicate command	reject
terminal replay	no second execution
wrong version	migrate or reject
two writers same revision	conflict
invalid approval	reject
capability removed	reject
crash before action	recover
crash after action/before receipt	no duplicate irreversible action

64. Track C 最硬的成功條件

在完整 failure-injection suite：

\boxed{ DuplicateIrreversibleSideEffect=0. }

這比「UI 看起來一致」更重要。

65. Track D — MMR-IFN

分四階段。

D1 — Structural tasks

nested retrieval；
tree path；
variable binding；
workbook lineage。

D2 — Negative controls

random dependency；
flat locality；
no hierarchy。

D3 — Small causal LM

perplexity；
quality；
throughput；
memory。

D4 — Hardware

CUDA / Triton / ROCm；
block layout；
HBM traffic；
kernel utilization。

66. Track D 必須新增 2026 Baselines

除傳統：

Longformer；
BigBird；
Routing Transformer；

還應納入：

FlashAttention dense；
hardware-aligned sparse；
adaptive content-based sparse；
最新 parameter-free adaptive sparse。

因為 benchmark 必須跟：

\boxed{ \text{current frontier} }

比較，

不是只打 2020 baseline。

67. Track D Kill Criterion

若在 hierarchy-rich tasks 上：

MMRIFN

相對：

BestSparseBaseline

沒有：

quality；
resource；
auditability；

任一可重現優勢，

則：

\boxed{ MMR\text{-}IFN \rightarrow AuditableRoutingResearchTool. }

停止強模型競爭主張。

68. Track E — Durable Agent Operations

Veritaxa / PHOSPHOR 應從：

HappyPath

轉：

FailureInjection.

每個 workflow stage 都 kill process。

69. Track E 要測的不是「能不能重試」

而是：

\boxed{ \text{Can it recover without losing provenance or duplicating actions?} }

70. Track E 測試

process crash；
DB locked；
storage unavailable；
model timeout；
approval delayed 24h；
tool args invalid；
event duplicated；
retry after partial success；
publish interrupted；
external source changed during run。

71. Track E 核心指標

RecoveryRate,

DuplicateActionRate,

LostEventRate,

MeanRecoveryTime,

ReviewBacklog,

CostPerAcceptedResult.

72. Track E Kill Criterion

如果 human review backlog：

B_t

長期：

\frac{dB}{dt}>0

且 automation 不能降低，

則：

\boxed{ AutonomyLevel }

應下調。

不能只繼續增加 Agent 數量。

73. Track F — D-ALAN

先用 simulation。

再用 low-risk public-data tasks。

最後才考慮高風險 domain。

74. Track F 核心指標

false consensus；
divergence recall；
provenance-aware calibration；
correlated-source penalty；
source failure isolation；
recovery after source correction；
evidence independence estimate。

75. Track F Kill Criterion

如果 provenance-aware multi-node：

\not>

single strong node，

則：

\boxed{ D\text{-}ALAN }

不應以「多 AI」作賣點。

76. 需要第三方重現

目前大量證據仍屬：

\boxed{ InternalReproduction. }

下一階段至少應選三個最容易獨立重現的 artifact：

Ledger mismatch analytic experiment；
MMR-Bench certificate replay；
MMR-IFN route graph / same-graph attention equivalence。

讓第三方在乾淨環境執行。

77. 為什麼先選這三個？

因為它們：

資源低；
ground truth 清楚；
不需要 proprietary data；
pass/fail 清楚；
容易產生 machine-verifiable result。

這比一開始要求第三方訓練大模型更合理。

78. Independent Reproduction Gate

只有當外部環境可重現：

\boxed{ Artifact + Procedure + ExpectedInvariant }

時，

claim maturity 才升到：

L4.

79. 需要「失敗註冊」

未來每個實驗不只保存：

PASS

還應保存：

FAILED_HYPOTHESIS
NO_GAIN
UNSUPPORTED
INCONCLUSIVE
ENVIRONMENT_FAILURE
BASELINE_WINS

避免：

\boxed{ \text{NegativeResult} \rightarrow \text{Disappear}. }

80. 這和本系列精神一致

MMR-Bench 最有價值的歷史之一就是：

100% 假成功被自己抓掉。

所以封頂後真正應標準化的是：

\boxed{ \text{Failure Preservation}. }

81. Claim Registry 建議

每個 claim 保存：

claim_id:
statement:
scope:
maturity:
supporting_artifacts:
external_baselines:
known_counterexamples:
falsification_test:
last_verified:
next_gate:
status:

82. 不再使用「整篇論文成熟度」

一篇 paper 可以同時有：

theorem-like result：L3；
architecture：L2；
speculation：L1。

所以：

\boxed{ Maturity(Paper) }

太粗。

應使用：

\boxed{ Maturity(Claim_i). }

83. 下一代最小研究包

如果只做一個總實驗包，

本文建議包含：

MNIAC-Validation-v1/
├─ claims/
├─ open-state/
├─ constraint-floor/
├─ real-workbook-bench/
├─ mlf-roundtrip/
├─ executable-identity-chaos/
├─ mmr-ifn-structural/
├─ agent-failure-injection/
├─ multi-agent-divergence/
├─ baselines/
├─ certificates/
└─ failures/

84. 每一個結果都要有三個答案

它證明了什麼？
它沒有證明什麼？
下一個會殺死它的測試是什麼？

這三問應成為之後所有 MNIAC 文件的固定格式。

85. 系列的「最強主張」現在應重新命名

不應是：

\boxed{ \text{Matrix Is The Future Of AI}. }

更精確是：

\boxed{ \textbf{ Structure should remain computationally available instead of being silently destroyed by representation changes. } }

即：

結構不一定必須是矩陣，但如果原始問題具有身份、區域、方向、依賴、歷史與路由，這些結構不應只因模型偏好線性輸入就被無聲丟失。

86. 這個命題比「Excel AI」更耐久

即使未來模型完全改變：

Transformer；
SSM；
graph model；
symbolic-neural hybrid；

仍然會問：

\boxed{ \text{What structure was preserved?} }

87. 系列真正統一的核心不是 Matrix，而是 Preservation

回頭看 00–09：

CSV 保存 model state；
Ledger 保存 constraint；
Spreadsheet 保存 visible state；
MMR 保存 direction / identity；
MMLC 保存 dependency / audit；
MMR-Bench 保存 disagreement / certificate；
MLF 保存 projection linkage / loss；
Executable Identity 保存 runtime authority；
MMR-IFN 保存 interaction graph；
Agent Control Plane 保存 task / evidence / review history。

所以最深層共同變數其實是：

\boxed{ \text{Preservation}. }

88. Preservation 的七個維度

本文提出：

\boxed{ \mathcal P = ( P_I, P_S, P_D, P_H, P_A, P_R, P_V ) }

其中：

$P_I$ ：identity preservation；
$P_S$ ：semantic preservation；
$P_D$ ：dependency preservation；
$P_H$ ：history / provenance preservation；
$P_A$ ：authority preservation；
$P_R$ ：route / relation preservation；
$P_V$ ：verification evidence preservation。

89. 「完整保存」也不是永遠最佳

保存所有東西會增加：

storage；
token；
compute；
complexity；
privacy risk。

所以真正問題是：

\boxed{ \text{What must be preserved for this task?} }

而不是：

\boxed{ \text{PreserveEverything}. }

90. 因此 Projection 仍然必要

好的 projection 是：

\boxed{ \text{Intentional Loss}. }

壞的 projection 是：

\boxed{ \text{Silent Loss}. }

這可能是整個系列最簡短的工程原則之一。

91. 最終統一模型

可以將整個 MNIAC 寫成：

\boxed{ \mathfrak U = ( S, C, G, R, I, H, \Pi, A, V ) }

其中：

$S$ ：state / canonical objects；
$C$ ：computation；
$G$ ：dependency / graph；
$R$ ：route / representation；
$I$ ：intelligence；
$H$ ：history；
$\Pi$ ：projections；
$A$ ：authority / governance；
$V$ ：verification / audit。

92. 任何大型主張都必須回答九個問題

State 在哪？
Computation 誰做？
Dependency 怎麼保存？
Route 誰決定？
AI 的 authority 有多大？
History 能否 replay？
Projection 丟了什麼？
Verification 誰負責？
Failure 發生時怎麼恢復？

93. 如果答不出來，就不是「AI Native」的證據

模型很強並不能自動回答這九題。

所以：

\boxed{ ModelCapability \neq SystemMaturity. }

這也是 Agent 時代越來越重要的區分。

94. 系列的最終降格原則

每條研究線都應允許被降格而不是被硬救。

MMR direction 無增益

→ UI / metadata。

MMLC 無額外 execution value

→ audit schema。

MLF 太重

→ interchange profile。

MMR-IFN 不快不準

→ auditable routing tool。

Spreadsheet control 負擔太大

→ Web / API projection。

D-ALAN 無益

→ multi-source audit protocol。

95. 降格不是失敗

一個研究物件最終從：

新計算範式

降成：

很好用的 audit format

仍然可能是有價值成果。

真正的失敗是：

\boxed{ \text{Evidence says downgrade, language refuses downgrade}. }

96. 系列封頂後不應繼續無限擴文

第一階段研究綱領已足夠完整：

00\rightarrow10.

下一步的主要增量應來自：

\boxed{ Data + Execution + ExternalReproduction. }

而不是再增加同義理論名稱。

97. 第一優先：真實 workbook

因為這同時驗證：

MMR；
MMLC；
MMR-Bench；
MLF import；
Agent review surface。

是一個高信息-density test。

98. 第二優先：MMR-IFN causal small model

因為這直接測：

「矩陣結構能否真正成為模型架構優勢？」

是整個系列最強命題的主要 gate。

99. 第三優先：Executable Identity chaos test

因為 Agent 越來越能執行外部 action，

multi-projection stale write / replay / duplicate action 的成本會快速上升。

這是一個直接有工程價值的方向。

100. 第四優先：外部重現

沒有外部重現，

整個系列最多仍是：

\boxed{ \text{well-developed internal research program}. }

要跨到：

L4,

必須有人在不同環境得到同一結論。

101. 最終結論：表格真的不是魔法

表格不會因為：

有很多格子；
可以放公式；
可以存權重；

就自動變成 AI。

矩陣也不會因為：

有方向；
有圖；
有路徑；

就自動變成更好的智能架構。

102. 但「不是魔法」不等於「沒有力量」

表格的力量在於：

\boxed{ \text{Addressability}. }

矩陣帳本的力量在於：

\boxed{ \text{ExplicitStructure}. }

MLF 的力量在於：

\boxed{ \text{TraceableProjection}. }

Executable Identity 的力量在於：

\boxed{ \text{ControlledAuthority}. }

MMR-IFN 的潛力在於：

\boxed{ \text{StructureConstrainedInteraction}. }

Agent Control Plane 的力量在於：

\boxed{ \text{VisibleGovernedAutonomy}. }

103. 這個系列真正做完的是「拆解」

最早：

\boxed{ \text{Can Excel Be AI?} }

現在被拆成：

\boxed{ \begin{aligned} &\text{Can state be open?}\\ &\text{Can learning be constrained and audited?}\\ &\text{Can spreadsheets execute bounded state transitions?}\\ &\text{Can identity/dependency/routes remain explicit?}\\ &\text{Can spreadsheet intelligence be falsified?}\\ &\text{Can complete structure survive projections?}\\ &\text{Can many views share one executable authority?}\\ &\text{Can structure control neural interaction?}\\ &\text{Can Agents remain governable while becoming autonomous?} \end{aligned} }

104. 強命題還沒完成，但研究對象完成了

這是封頂篇最重要的一句：

\boxed{ \textbf{ 我們還沒有證明 Matrix-Native Intelligence 是下一代 AI 架構； 但我們已經把它變成一組可以真正被實驗殺死的研究對象。 } }

這比永遠不會錯的概念框架更重要。

105. 系列最終狀態

已封頂

00 — Unified Program
01 — Open Model State
02 — Constrained Learning
03 — Spreadsheet Runtime
04 — MMR / MMLC
05 — MMR-Bench
06 — MLF
07 — Executable Identity
08 — MMR-IFN
09 — Agent Control Plane
10 — Boundaries / Failure / Validation

106. 第一階段不再新增核心篇

後續若繼續，

應以：

experiment report；
benchmark release；
runtime release；
external audit；
replication report；

為主。

也就是：

\boxed{ \text{Theory Expansion} \rightarrow \text{Evidence Accumulation}. }

107. 封頂命題

最後將整個系列壓成一個最保守、也最難被未來淘汰的命題：

\boxed{ \textbf{ 智能系統中的狀態、結構、依賴、歷史、權限與證據， 若對任務具有意義，就不應在表示、執行與模型轉換中被無聲消失。 } }

而任何壓縮、投影、稀疏化與自動化都應能回答：

\boxed{ \textbf{ 保留了什麼？ 丟失了什麼？ 誰有權修改？ 如何知道它仍然是同一件事？ 如果錯了，如何回查？ } }

這就是第一階段《矩陣原生智能與可稽核計算》系列的最終封頂。

參考資料

系列內部文件

EML-MNIAC-2026-00, 《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》.
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》.
EML-MNIAC-2026-02, 《學習作為帳本流：不變量、投影約束與不可消除結構殘差》.
EML-MNIAC-2026-03, 《試算表作為可見計算環境：狀態、公式、依賴、記憶與稽核》.
EML-MNIAC-2026-04, 《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》.
EML-MNIAC-2026-05, 《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》.
EML-MNIAC-2026-06, 《AI Matrix Ledger Format：從試算表格式到可追溯計算結構》.
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》.
EML-MNIAC-2026-08, 《矩陣原生智能：從多方向路由到 MMR-IFN 稀疏注意力》.
EML-MNIAC-2026-09, 《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》.

核心工程

nanocsv_llm.py.
ledger_experiment.py.
EML-LQ Spreadsheet Ledger / build_xlsx.py.
MMR-Bench v0.1–v1.0.
MLF 1.0 / MLF Compiler 1.0.0.
kakon77777-commits/matrix-ledger-format.
MMLC Runtime 1.0 / MMLF 1.0.
kakon77777-commits/mmlc-runtime.
PHOSPHOR-SHEET v1.0–v1.2.
kakon77777-commits/eml-phosphor.
Veritaxa Workbench v0.1–v0.4.
MMR-IFN Transformer v0.1.

外部技術與研究近鄰

PyTorch, Saving and Loading Models.
ONNX, Intermediate Representation Specification.
Microsoft Learn, Excel Recalculation.
LLVM Project, MLIR Language Reference.
W3C, PROV-O: The PROV Ontology.
Microsoft Azure Architecture Center, Event Sourcing, CQRS, Materialized View patterns.
Kubernetes Documentation, Controllers.
Temporal, Durable Execution / Workflow Documentation.
OpenAI Agents SDK, Human-in-the-loop and RunState documentation.
Beltagy et al., Longformer.
Zaheer et al., Big Bird.
Roy et al., Routing Transformer.
Dao et al., FlashAttention.
Yuan et al., Native Sparse Attention, 2025.
Kundu, Ghosh & Honavar, Parameter-free Adaptive Sparse Attention via Compression-Based Content Selection, 2026.
Barowy et al., ExceLint: Automatically Finding Spreadsheet Formula Errors.
Abraham & Erwig, Spreadsheet Debugging.
Tang et al., Efficient and Compact Spreadsheet Formula Graphs.

系列狀態：第一階段封頂。

\boxed{ \text{Next Phase} = \text{Real Data} + \text{Failure Injection} + \text{Training} + \text{External Reproduction}. }

表格不是魔法

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

摘要

1. 封頂篇的任務：不是再加一層理論

2. 系列最危險的失敗方式

3. 十個禁止等號

3.1 CSV 不等於 Runtime

3.2 Excel 不等於 LLM

3.3 Matrix 不等於 Universal Ontology

3.4 Direction 不等於天然語義

3.5 MMLC 不等於新通用電腦

3.6 MLF 不等於 Universal Format

3.7 Executable Identity 不等於形上學單一真理

3.8 Sparse Graph 不等於硬體加速

3.9 Agent Control Plane 不等於 Solved Autonomy

3.10 多 Agent 不等於多份獨立證據

4. Claim Maturity Scale

L0 — Intuition / Question

L1 — Formalized Hypothesis

L2 — Executable Prototype

L3 — Controlled Internal Validation

L4 — Real-World / External Validation

L5 — Production / Independent Robustness

5. 一條重要規則：元件成熟度不等於強主張成熟度

6. 系列 Claim Maturity Matrix

7. C1：Open Model State 已經證明什麼？

8. C1 沒證明什麼？

9. C1 下一步其實不需要「一兆參數 CSV」

10. C2/C3：系列最硬的數學結果之一

11. 這個結果的價值不依賴 Spreadsheet

12. C2/C3 的下一步

13. C4：Spreadsheet Runtime 的成熟邊界

14. C4 的殺死條件

15. C5/C6：MMR 的真正風險

16. Direction Gain 必須是 Incremental Gain

17. 如果 Gdir≤0G_{dir}\le0Gdir​≤0 怎麼辦？

18. C7：MMR-Bench 最成熟的成果是「知道自己會錯」

19. v1.0 的硬邊界

20. C7 下一步：Natural Workbook Benchmark

A — Natural Errors

B — Controlled Injections

21. Real Workbook Data Split

22. C7 下一階段必須有真正 Baselines

23. Spreadsheet Intelligence 的真正主要指標

24. Safety Gate 應比 Accuracy 更嚴格

25. C8：MLF 1.0 已經是一個 stable core，但不是通用格式勝利

26. MLF 已知限制應保持在正文，不是腳註

27. MLF 的死亡測試

28. MLF 真正最值得保留的變數可能是 LLL

29. C9：MMLC Runtime 的真正價值

30. MMLC 必須和普通 DAG / workflow runtime 正面比較

31. C10：Executable Identity 是工程原則，不是哲學

32. C10 還沒跨過的關卡

33. 下一代 Executable Identity 壓力測試

34. 最後一個案例最重要

35. C11：Agent Control Plane 已有形，不等於自治問題被解完

36. 但「看得見」不等於「做得對」

37. Agent 系統下一步應測 Failure Recovery，不只正常流程

38. 外部 durable-execution 世界給了很清楚的壓力

39. C12/C13：MMR-IFN 的兩種成熟度必須拆開

Backend Claim

Model Quality Claim

40. MMR-IFN v0.1 已經做對的事

41. 2026 sparse-attention frontier 使門檻更高

42. 最新 frontier 帶來的一個反直覺

43. MMR-IFN 下一代最小實驗不是直接訓練巨大模型

44. 第一階段 Small-LM Gate

45. Small-LM Go Condition

Quality parity + resource gain

Better quality at matched budget

46. 如果只得到「更可稽核」呢？

47. C14：D-ALAN 是目前最應克制的一條線

48. D-ALAN 第一個真正實驗不應碰「世界真理」

49. 多 Agent 的真正 baseline

50. C15：最強總命題目前必須保持弱

51. 這已經不是零成果

52. 即使 Matrix-Native LLM 失敗，哪些仍成立？

53. 這是整個系列真正成功的地方

54. 下一代驗證計畫總覽

17. 如果 $G_{dir}\le0$ 怎麼辦？

28. MLF 真正最值得保留的變數可能是 $L$