title: "認知導航語言：自然語言作為語義空間中的控制介面" english_title: "Cognitive Navigation Language: Natural Language as a Control Interface over Semantic Space" author: "Neo.K（許筌崴）" institution: "EveMissLab（一言諾科技有限公司）" series: "符號—記憶—判定耦合系列" paper_no: "03" version: "v0.1" date: "2026-08-12" status: "正式研究草稿" canonical_source_encoding: "UTF-8"

認知導航語言：自然語言作為語義空間中的控制介面

Cognitive Navigation Language: Natural Language as a Control Interface over Semantic Space

作者：Neo.K（許筌崴）
機構：EveMissLab（一言諾科技有限公司）
系列：符號—記憶—判定耦合系列，第 3 篇
版本：v0.1
日期：2026 年 8 月 12 日

摘要

自然語言通常被理解為一套描述世界、傳遞意義或表達意圖的符號系統。然而，在長期協作、理論建模、複雜設計與人機互動中，大量高價值語句並不主要增加新的「內容」，而是在改變另一個主體的認知搜索方向、尺度、框架、候選域與下一步操作。例如「不是這個尺度」、「再底層一點」、「先不要用那個定義」、「我說的是關係，不是物件」、「對，就是這個」等語句，其字面資訊量極低，卻可能使整條推理路徑重新定位。

本文提出「認知導航語言」（Cognitive Navigation Language, CNL）作為一個候選中層理論，主張部分自然語言可被建模為對認知域施加控制的介面語言，而不只是一個描述性表示層。本文不主張自然語言本身已經是形式算子語言，也不主張符號天然等同算子；更保守的命題是：在觀測者、語境、歷史與任務已部分共享的條件下，一些語句能穩定觸發認知狀態轉換，例如重基準化、尺度移動、框架拒絕、域擴張、域收斂、焦點移動、判定鎖定與澄清請求。

本文承接 Paper 01 的符號瞬時判定域（SIJD）與 Paper 02 的語義延遲綁定（SLB），並與既有《認知解構學 2.0》《認知事件—算子架構》《符號即過程》《主體—語言—對象對齊模型》與《自然語言原生計算論》對接。本文提出一個控制介面形式：

u_t \mapsto \mathfrak N_{u_t} : \mathcal C_t \rightarrow \mathcal C_{t+1}

其中 $u_t$ 為導航語句， $\mathcal C_t$ 為當前認知候選域，而 $\mathfrak N_{u_t}$ 是依觀測者、語境、歷史、任務與尺度條件化的導航變換。本文定義八類基礎導航操作：REBASE、SHIFT、ZOOM、REJECT、EXPAND、NARROW、LOCK 與 REQUEST-CLARIFICATION；再提出導航增益、導航穩定度、誤導風險、控制依賴度與跨觀測者可移植性等候選指標。

外部研究顯示，語言可以被直接映射到行動序列、環境狀態轉移與動態協作計畫；對話 clarification 與 repair 也可作為回復共同理解的顯式行為。本文在此基礎上進一步提出：**語言不僅可以指揮外部行動，也可以直接調節內部認知搜索空間。**若後續實驗證明短導航語句能在低表面資訊量下穩定造成高結構性推理改變，且此改變可被尺度、任務與歷史條件預測，則支持 CNL 作為獨立研究層。

關鍵詞： 認知導航語言、語義空間、控制介面、重基準化、尺度切換、語義延遲綁定、符號瞬時判定域、對話 grounding、自然語言計算、認知算子、AI 協作

0. 研究位置與邊界

0.1 本文承接的兩篇前文

Paper 01〈符號瞬時判定域〉提出：

\boxed{ \text{理解成功} \neq \text{完整語義同一} }

並以：

\widehat K_A \sim_{T,\lambda,\tau}^{\epsilon} K_B

表示兩個主體在任務、尺度與時刻下可以達到判定等價，而不要求內部表徵完全相同。

Paper 02〈語義延遲綁定〉則提出：自然語言符號不必在首次出現時立即綁定為唯一意義，而可先保留受控欠規定，再由後續語境、關係、尺度、文件與反例逐步完成局部綁定：

s \mapsto \mathcal C_0 \xrightarrow{ \Gamma_1,\Gamma_2,\ldots,\Gamma_n } \mathcal B_{T,\lambda}^{(\tau)}

本文進一步問：

這些後續 $\Gamma_k$ 究竟是什麼？它們是否只是「更多內容」，還是可以被視為控制認知域的操作？

0.2 與既有內部理論的關係

《認知解構學正式定義方法論 2.0》將 OPS 定義為遞歸減法與重編譯系統；其核心不是找到一個靜態本質，而是解除既有語義殼層，再於新語境重編知識對象。

《認知事件—算子架構》將算子界定為功能轉換角色，而非單一神經實體，並將事件、選擇、觀察、更新、記憶與行動視為可分離但動態耦合的功能層。

《符號即過程》提出在特定形式域中，符號可以與過程高度同一化，書寫／讀取符號即可觸發執行；但跨域自然語言仍受觀測者與符號表條件限制。

《主體—語言—對象對齊模型》則指出，高階敘述不是「主體已有完整概念，再把它說出來」的單向過程，而是在前符號意圖、被指生成、底空間尋址、命名、敘述、他者解壓與共同底空間校正之間反覆往返。

《自然語言原生計算論》進一步把自然語言視為可參與語義狀態轉換、上下文算子與互動式執行的系統，而不只是一個可被外部計算的靜態資料格式。

本文不重複上述理論，而提出一個較窄的中介層：

\boxed{ \text{自然語言中的某些語句，可被研究為認知域控制操作。} }

0.3 本文不主張的內容

本文不主張：

所有自然語言語句都是控制指令。
所有導航語句都具有跨主體固定作用。
一句「更底層」可以被形式化成唯一數學算子。
人類語義空間已被證明具有歐氏、拓撲或線性結構。
中文天然優於所有其他語言作為導航語言。
導航語言可以取代精確定義、形式證明或外部證據。
對話導航成功等於對方完整理解。
語言控制介面天然安全。

本文最低主張是：

\boxed{ \exists u: \operatorname{StructureShift}(u) \gg \operatorname{SurfaceInformation}(u) }

即存在某些字面內容很少的語句，能造成顯著的推理結構改變。

1. 從「描述」到「導航」

1.1 描述語言模型

最常見的語言模型可以簡化為：

W \xrightarrow{\operatorname{Encode}} s \xrightarrow{\operatorname{Decode}} \widehat W

其中 $W$ 是世界、意圖或概念， $s$ 是符號，而 $\widehat W$ 是接收者重建的內容。

此模型主要問：

這句話描述了什麼？

1.2 導航語言模型

但在實際長對話中，部分語句更像：

\mathcal C_t \xrightarrow{u_t} \mathcal C_{t+1}

它們不是主要告訴對方一個新事實，而是修改：

搜索方向；
抽象尺度；
物件邊界；
允許框架；
候選解釋域；
當前焦點；
判定門檻；
是否重置既有推理。

因此定義導航語句：

若一個語句 $u_t$ 的主要功能，是使接收者在當前任務中改變其認知候選域、推理尺度、框架、焦點或判定狀態，而不是增加一個獨立命題內容，則稱其為導航語句。

1.3 低內容、高結構效應

例如：

「不是物件，是關係。」

此句只包含極少詞彙，但可能把整個模型從：

\mathcal M_{\text{object}}

切換成：

\mathcal M_{\text{relation}}

另一句：

「尺度不對。」

不是補充一個 factual proposition，而是：

J_{T,\lambda_1} \rightarrow J_{T,\lambda_2}

再如：

「對，就是這個。」

它可能執行：

\operatorname{LOCK} \left( \mathcal D_{T,\lambda}^{(\tau)} \right)

表示目前已達任務充分對齊，可暫停澄清並進入下一階段。

2. 情境化導航算子

2.1 導航語句不是固定算子

對任意語句 $u$ ，不能直接假定：

u = \mathfrak N_u

更合理的是：

\mathfrak N = \mathfrak N ( u, o, C_t, H_t, T, \lambda )

其中：

$u$ ：表面語句；
$o$ ：接收主體；
$C_t$ ：局部語境；
$H_t$ ：共同互動歷史；
$T$ ：任務；
$\lambda$ ：尺度。

所以同一句：

「往下。」

對：

地圖導航；
抽象層級；
數學證明；
UI 操作；
本體論討論；

會觸發不同變換。

因此：

\boxed{ \text{自然語言導航} \neq \text{固定符號表下的形式運算} }

2.2 導航狀態

定義時間 $t$ 的認知導航狀態：

\mathcal N_t = \langle \mathcal C_t, F_t, \lambda_t, q_t, \theta_t, r_t \rangle

其中：

$\mathcal C_t$ ：候選認知域；
$F_t$ ：當前採用框架集合；
$\lambda_t$ ：尺度；
$q_t$ ：焦點／被問對象；
$\theta_t$ ：判定閾值；
$r_t$ ：是否已進入可執行狀態。

導航語句作用為：

\mathfrak N_{u_t} : \mathcal N_t \rightarrow \mathcal N_{t+1}

3. 八類基礎導航操作

以下八類只是候選分類，不主張完備。

3.1 REBASE：重基準化

語句範例：

「等等，我重新講。」
「先把剛才那套拿掉。」
「不要從那個理論開始。」
「回到最基本的關係。」

形式上：

\operatorname{REBASE} : \mathcal N_t \rightarrow \widetilde{\mathcal N}_0

功能：

暫時解除部分既有約束；
降低框架承諾；
重設參照點；
重新進行 SLB。

REBASE 不是全部遺忘，而是選擇性撤銷：

F_t \rightarrow F_t \setminus F_{\text{suspect}}

3.2 SHIFT：尺度／域移動

語句範例：

「不是這個尺度。」
「換到更高層。」
「這裡講的是個體，不是文明。」
「我說的是局部，不是全域。」

形式上：

\operatorname{SHIFT}_{\lambda_i\rightarrow\lambda_j} : \lambda_i \rightarrow \lambda_j

並同步改變：

J_{T,\lambda_i} \rightarrow J_{T,\lambda_j}

SHIFT 的重點不是放大資訊，而是改變判定規則所在的尺度。

3.3 ZOOM：解析度改變

ZOOM 與 SHIFT 不同。

SHIFT 是：

\text{改變分析層級或對象尺度}

ZOOM 則是在同一對象域內改變解析度：

\operatorname{ZOOM}_{+} : \mathcal C \rightarrow \mathcal C^{\text{fine}}

\operatorname{ZOOM}_{-} : \mathcal C \rightarrow \mathcal C^{\text{coarse}}

語句：

「再精細一點。」
「先不要拆那麼細。」
「只看大結構。」
「逐字看。」

3.4 REJECT：拒絕框架或候選域

語句：

「不是這個。」
「這個方向不要。」
「不要套 Bayesian。」
「不是心理學問題。」

形式：

\operatorname{REJECT}(X) : \mathcal C_t \rightarrow \mathcal C_t \setminus X

若 $X$ 是框架：

F_{t+1} = F_t \setminus \{F_X\}

REJECT 不一定提供替代答案，但會大幅降低搜索空間。

3.5 EXPAND：重新開放候選域

語句：

「不要只看這兩種。」
「再往外展開。」
「其他領域呢？」
「不要只找最近的例子。」

形式：

\operatorname{EXPAND} : \mathcal C_t \rightarrow \mathcal C_t^{+}

且：

\left| \mathcal C_t^{+} \right| > \left| \mathcal C_t \right|

EXPAND 對抗的是 premature closure。

3.6 NARROW：加約束收斂

語句：

「只看這個條件。」
「先限制在合法域。」
「以這份文件為準。」
「現在只討論本體，不討論工程。」

形式：

\operatorname{NARROW}_{\Gamma} : \mathcal C_t \rightarrow \Gamma(\mathcal C_t)

一般：

\left| \Gamma(\mathcal C_t) \right| < \left| \mathcal C_t \right|

NARROW 是 SLB 中最常見的綁定操作。

3.7 LOCK：暫時鎖定任務充分域

語句：

「對，就是這個。」
「這個定義先用。」
「這一輪就以此為準。」
「先 commit。」

形式：

\operatorname{LOCK} : \mathcal D_{T,\lambda}^{(\tau)} \rightarrow r_{t+1}=1

LOCK 不代表永久真理，而是：

\text{Task-Sufficient Alignment Achieved}

因此必須允許未來：

\operatorname{UNLOCK}

或：

\operatorname{REBASE}

3.8 REQUEST-CLARIFICATION：主動請求再導航

這一類不是說話者施加方向，而是接收者主動要求：

「你說的底層是什麼尺度？」
「你指的是因果還是相關？」
「你要的是故事還是操作案例？」
「這裡的『我』指個體還是主體模型？」

形式上：

\operatorname{REQUEST}_{\text{clarify}} : \mathcal N_t \rightarrow \operatorname{Query} ( \operatorname{Uncertainty}(\mathcal N_t) )

其目標是找出最有價值的下一個約束。

外部對話研究已把 clarification、repair 與 grounding 視為建立共同理解的重要機制；本文則把它們進一步納入導航操作集合。

4. 導航不是單純命令

4.1 命令控制外部行動

自然語言 instruction following 常建模為：

u_t \rightarrow a_t

例如：

「點擊右上角按鈕。」

映射到 UI action。

外部研究已證明自然語言指令可以被對齊到 GUI 操作序列、機器人動作與環境狀態轉移。

4.2 導航控制內部搜索

CNL 研究的是另一條鏈：

u_t \rightarrow \mathcal N_{t+1} \rightarrow a_{t+k}

語句不一定要求立刻動作。

例如：

「先不要解。」

其外部動作可能是「不動」，但內部卻切換到：

\text{problem reformulation mode}

所以：

\boxed{ \text{Instruction Following} \subsetneq \text{Cognitive Navigation} }

至少作為研究範圍，後者更廣。

5. 對話本身可以是規劃循環的一部分

2026 年的 agentic dialogue 工作主張，若只把對話視為「輸入命令／輸出結果」的介面，容易產生共同假設失配、目標漂移與脆弱協作；對話應被視為規劃迴圈的一部分，clarification 與 shared commitments 應進入 policy。

CNL 與此相容，但再推進一層：

\text{Dialogue} \neq \text{Planning Output Only}

而可能：

\boxed{ \text{Dialogue} = \text{Planning-State Transformation} }

也就是每一句對話本身都可能改變：

\mathcal N_t

而不是只報告 $\mathcal N_t$ 。

6. 導航鏈與複合操作

6.1 單一語句可同時執行多操作

例如：

「這個方向先不要，用更底層的生命尺度重新看。」

可能同時執行：

\operatorname{REJECT} \circ \operatorname{SHIFT} \circ \operatorname{REBASE}

因此自然語言導航不是一語一句固定 primitive。

6.2 複合導航

一段高階對話可形式化為：

\mathfrak N^{(1:n)} = \mathfrak N_{u_n} \circ \mathfrak N_{u_{n-1}} \circ \cdots \circ \mathfrak N_{u_1}

最終：

\mathcal N_n = \mathfrak N^{(1:n)} ( \mathcal N_0 )

這與 Paper 02 的延遲綁定相接：

\text{未綁定候選域} \xrightarrow{ \text{導航鏈} } \text{任務充分綁定域}

7. 導航歷史依賴與非交換性

7.1 導航操作通常不可交換

一般：

\mathfrak N_a \circ \mathfrak N_b \neq \mathfrak N_b \circ \mathfrak N_a

例如先：

\operatorname{REBASE}

再：

\operatorname{NARROW}_{F}

與先在舊框架中 NARROW，再 REBASE，結果可能不同。

因此導航語言天然具有歷史依賴。

7.2 對話順序不是純冗餘

若語句作用不可交換，那麼：

u_1,u_2,u_3

與：

u_3,u_2,u_1

不能視為同一資訊集合的不同排列。

這為「對話過程本身具有不可壓縮結構」提供一個候選形式來源。

8. 導航的三種成功

8.1 局部導航成功

接收者理解了操作要求：

「你要我換尺度。」

但還未到正確域。

8.2 域成功

接收者進入：

\mathcal D_{T,\lambda}^{(\tau)}

即 Paper 01 的任務充分判定域。

8.3 生成成功

接收者不只進入正確域，還能基於該域生成新的合法推論：

\operatorname{Generate} ( \mathcal D_{T,\lambda}^{(\tau)} ) \rightarrow y_{\text{novel}}

且：

y_{\text{novel}}

仍符合原始意圖與域約束。

真正高階協作需要第三層。

9. 導航失敗模式

9.1 字面服從、結構未改

模型回答：

「好的，我會從更底層思考。」

但後續內容仍保持原框架。

此時：

u \text{ 被重述}

但：

\mathcal N_{t+1} \approx \mathcal N_t

稱為表面導航服從。

9.2 過度導航

一句模糊：

「更底層。」

被模型誤解成極端本體論重構。

即：

\left\| \Delta\mathcal N \right\| \gg \left\| \Delta\mathcal N_{\text{intended}} \right\|

9.3 歷史過擬合

長期互動後，系統看到熟悉語句就自動套用過去常見導航結果。

例如：

「回到源點。」

在新任務中仍被解讀成舊 OPS 操作，忽略當前語境。

這是導航先驗過重。

9.4 近期偏置

系統把最近高頻框架當成導航預設：

P(F_{\text{recent}}\mid u) \gg P(F_{\text{long-term}}\mid u)

即使當前任務更需要舊的共同歷史。

9.5 權威錯配

導航語句的效果依賴說話者是否具有改變該域的權限。

例如：

作者可以定義自己作品的正典；
讀者可以提出詮釋；
第三方不能僅靠一句話改寫作者原意。

因此需要：

\operatorname{Authority}(u,o,T)

作為導航合法性的條件之一。

10. 導航語言與中文高組合符號

本文不主張「中文是算子語言」。

較保守的命題是：

漢語中的高組合複合詞、短語省略與語境依賴，允許使用者以較短表面形式建立半透明概念核；在具有共同歷史的互動中，這些符號可以成為高效導航錨點。

例如：

問本；
破界；
源點；
判定域；
本我；
顯真；
皆斬。

它們通常具有：

\text{Partial Lexical Transparency}

即使未讀正式定義，也能從構詞取得粗略方向。

但這種優勢依賴：

母語經驗；
文化語感；
共同語境；
既有文件；
長期校準史。

因此：

\boxed{ \text{高組合性} \neq \text{跨觀測者穩定算子性} }

11. 候選形式算子語言

CNL 也可以作為未來更正式算子語言的前驅研究。

理想形式語言可以把目前自然語句顯式化：

\operatorname{REBASE}(F)

\operatorname{SHIFT}(\lambda_i,\lambda_j)

\operatorname{ZOOM}(q,+1)

\operatorname{REJECT}(F_x)

\operatorname{EXPAND}(\mathcal C,\rho)

\operatorname{NARROW}(\mathcal C,\Gamma)

\operatorname{LOCK}(T,\lambda,\tau)

\operatorname{REQUEST\_CLARIFICATION}(z)

若這些操作能獲得：

\operatorname{LowObserverDependence}

\operatorname{HighCompositionalStability}

\operatorname{ExecutableSemantics}

才更接近真正的算子語言。

12. 候選評估指標

12.1 Navigation Gain

令任務對齊度為：

A_t = \operatorname{Align}_T(t)

則語句 $u$ 的導航增益：

G_{\text{nav}}(u) = A_{t+1} - A_t

若：

G_{\text{nav}}(u) \gg 0

則導航有效。

12.2 Structural Shift Ratio

令 $I(u)$ 為表面資訊成本， $\Delta S$ 為內部推理結構改變量：

\rho_{\text{shift}} = \frac{ \Delta S }{ I(u)+\eta }

其中 $\eta>0$ 防止分母為零。

高值代表「短語句造成大結構轉換」。

12.3 Navigation Stability

同一主體在相似上下文中重複接收同一導航語句：

u

若得到相近轉換：

d_N \left( \mathfrak N_u^{(1)}, \mathfrak N_u^{(2)} \right) \le \epsilon

則稱導航穩定。

12.4 Cross-Observer Portability

對不同主體：

o_1,o_2,\ldots,o_n

同一句導航：

u

是否產生功能上相似的轉換？

定義：

P_{\text{nav}}(u) = 1 - \operatorname{Var} \left( \mathfrak N_u^{(o_1)}, \ldots, \mathfrak N_u^{(o_n)} \right)

自然語言預期通常低於形式算子語言。

12.5 Misnavigation Risk

R_{\text{mis}} = P \left( \mathfrak N_u \not\approx \mathfrak N_u^{\ast} \right) \times C_{\text{error}}

高風險任務必須降低此值。

13. 可證偽命題

命題一：低資訊高導航增益命題

存在語句 $u$ ，使其表面資訊成本低，但導航增益高：

I(u) \ll I(v)

而：

G_{\text{nav}}(u) > G_{\text{nav}}(v)

其中 $v$ 是較長的內容補充。

若所有高導航增益都只來自高資訊量內容，則 CNL 的必要性受削弱。

命題二：導航操作可區分命題

REBASE、SHIFT、ZOOM、REJECT 等至少部分操作在行為與後續推理上可被實驗區分。

若不同類型導航在控制條件下無法產生可重複差異，則八類分類只是語言標籤。

命題三：導航順序非交換命題

存在：

u_a,u_b

使：

\mathfrak N_a \circ \mathfrak N_b \neq \mathfrak N_b \circ \mathfrak N_a

並可由後續任務輸出檢驗。

命題四：共同歷史降低導航成本命題

在長期共同校準後，同一認知轉換所需語句成本下降：

I \left( u_{\text{long-history}} \right) < I \left( u_{\text{cold-start}} \right)

但導航成功率保持相近。

命題五：表面服從可與結構導航分離命題

模型可以在語言上明確承認導航要求：

「好的，我會換尺度。」

但後續 probe 顯示：

\mathcal N_{t+1} \approx \mathcal N_t

若此類現象可被系統辨識，則需要區分 verbal compliance 與 structural compliance。

14. 實驗設計

14.1 實驗 A：短導航 vs 長解釋

建立一個已知錯誤框架。

比較：

條件 1

一句短導航：

「不是物件，是關係。」

條件 2

一段 200–500 字的內容解釋，但不明示框架切換。

測量：

後續模型結構；
probe 判定；
新例子生成；
錯誤殘留。

若短導航能更高效改變結構，支持 CNL。

14.2 實驗 B：操作分類

對同一初始狀態分別施加：

REBASE；
SHIFT；
ZOOM；
REJECT；
EXPAND；
NARROW。

要求模型輸出下一步 reasoning plan。

比較計畫結構差異，而不是只比較文字。

14.3 實驗 C：順序效應

比較：

\operatorname{REBASE} \rightarrow \operatorname{NARROW}

與：

\operatorname{NARROW} \rightarrow \operatorname{REBASE}

測試：

最終候選域；
任務成功；
hallucination；
恢復能力。

14.4 實驗 D：共同歷史壓縮

建立兩組 agent：

Long-History

經 100 輪共同概念校準。

Cold-Start

只提供當前任務。

讓人類使用相同短導航詞：

「回源點。」

比較兩組的：

G_{\text{nav}}

與誤導航率。

預測：Long-History 可能需要更少字，但也可能有較高歷史過擬合風險。

14.5 實驗 E：自然語言與形式導航碼

比較：

Natural

「先放掉剛才的框架，回到更底層。」

Formal

REBASE(F_prev)
SHIFT(scale = lower)

測量：

成功率；
跨模型穩定性；
token 成本；
可組合性；
誤導航；
可解釋性。

此實驗可直接評估自然語言是否真的接近準算子控制面。

15. 與外部研究的對照

15.1 語言到外部行動

Han 與 Schlangen 的研究顯示，語言可由連續觀察 instruction follower 的行動來進行 grounding；Li 等人的工作則將自然語言指令映射到 mobile UI action sequences。這些研究支持：

\text{Language} \rightarrow \text{State Transition / Action}

具有工程可行性。

本文的差異是把目標狀態從外部環境擴展到認知域：

\text{Language} \rightarrow \text{Cognitive Search-State Transition}

15.2 Clarification 與 Repair

Benotti 與 Blackburn 將 clarification 視為使說話者意圖在多模態世界中被 grounding 的關鍵機制；GrounDialog 等資料也把 repair 與 grounding 當成可標記的互動行為。

CNL 將 clarification 重述為：

\text{主體察覺導航不確定性} \rightarrow \text{主動索取高價值約束}

15.3 Dialogue as Joint Action

Inan 等人的 2026 年工作直接主張，對話不應只是 agent 行為的 interface，而應是 planning loop 的一部分。

CNL 與此高度相容，並提出一個更細的內部層：

\boxed{ \text{Dialogue Act} \rightarrow \text{Navigation Operator} \rightarrow \text{Planning State Change} }

16. 安全與治理

如果語言真的可以調節認知搜索空間，那麼導航就不只有效率問題，也具有治理問題。

16.1 未授權框架控制

系統可能在未告知使用者時偷偷執行：

\operatorname{NARROW}

使候選選項被預先排除。

16.2 認知鎖定

過早：

\operatorname{LOCK}

可能讓錯誤框架固化。

16.3 導航來源權限

需要區分：

使用者自我導航；
AI 建議導航；
作者定義作品；
教師引導；
廣告操縱；
惡意社交工程。

因此可以引入：

\operatorname{Consent}_{\text{nav}}

與：

\operatorname{Authority}_{\text{nav}}

作為未來治理條件。

本文只研究結構，不提供操縱他人認知的攻擊性方法。

17. 與 Paper 01、02 的統一接口

三篇可以寫成一條完整鏈：

\boxed{ \text{SLB} \rightarrow \text{CNL} \rightarrow \text{SIJD} }

Paper 02：

\text{為何一開始不必完全綁定？}

Paper 03：

\text{後續語句如何控制候選域？}

Paper 01：

\text{何時已對齊到足以判定？}

形式上：

s \mapsto \mathcal C_0 \xrightarrow{ \mathfrak N_{u_1}, \ldots, \mathfrak N_{u_n} } \mathcal D_{T,\lambda}^{(\tau)} \xrightarrow{ \operatorname{LOCK} } J_T

18. 後續接口：共享參照場

本文已反覆顯示：

\mathfrak N_u

高度依賴：

H_t

也就是共同歷史。

但共同歷史並不等於共同記憶，也不等於共同底空間。

因此 Paper 04 將進一步處理：

共享參照場與任務充分對齊：為什麼共同文件、共同語彙與共同歷史可以降低校準成本，卻仍不能保證共同理解？

Paper 04 會正式區分：

\text{Shared Reference}

\text{Shared Representation}

\text{Shared Judgment}

\text{Shared Memory}

四者。

19. 結論

本文提出「認知導航語言」作為自然語言功能的一個候選中層模型。

其核心不是：

\boxed{ \text{語言只描述認知內容} }

而是：

\boxed{ \text{語言也可以改變認知正在如何搜索、切分、縮放與判定。} }

對話中的：

「不是這個。」

「再底層。」

「尺度不對。」

「先不要用那個定義。」

「對，就是這個。」

不必只是低資訊量自然語句。

在具有共同歷史與任務條件的系統中，它們可能分別近似：

\operatorname{REJECT}

\operatorname{ZOOM}

\operatorname{SHIFT}

\operatorname{REBASE}

\operatorname{LOCK}

本文不宣稱這些自然語句已是穩定形式算子，而是提出：

\boxed{ \text{自然語言可以形成一個準算子式認知控制面。} }

真正的算子語言若要成立，還需要更低的觀測者依賴、更高的組合穩定性、更明確的權限與更可驗證的執行語義。

因此，CNL 的價值不在於把所有自然語言「程式化」，而在於提供一個新的研究問題：

一句話除了「說了什麼」，還對另一個智慧體正在運行的認知空間做了什麼？

參考文獻

A. 內部理論來源

Neo.K（許筌崴）. 2025. 《認知解構學正式定義方法論 2.0》. EveMissLab.

Neo.K（許筌崴）. 2026a. 《認知事件—算子架構：從選擇、觀察、更新、記憶到行動的最小形式系統》. EveMissLab.

Neo.K（許筌崴）. 2026b. 《符號即過程：從代理到身份的語言操作論》. EveMissLab.

Neo.K（許筌崴）. 2026c. 《主體—語言—對象對齊模型：從前符號意圖、被指生成到共同底空間校正的多層語言棧》. EveMissLab.

Neo.K（許筌崴）. 2026d. 《自然語言原生計算論：從語義狀態轉換、上下文算子到互動式執行》. EveMissLab.

Neo.K（許筌崴）. 2026e. 〈符號瞬時判定域：從語義同一到任務下判定等價〉. 符號—記憶—判定耦合系列，第 1 篇.

Neo.K（許筌崴）. 2026f. 〈語義延遲綁定：低承諾語言、動態約束與概念生成〉. 符號—記憶—判定耦合系列，第 2 篇.

B. 外部學術對照

Han, Ting, and David Schlangen. 2017. “Grounding Language by Continuous Observation of Instruction Following.” Proceedings of EACL 2017, 491–496.

Gaddy, David, and Dan Klein. 2019. “Pre-Learning Environment Representations for Data-Efficient Neural Instruction Following.” Proceedings of ACL 2019.

Li, Yang, Jiacong He, Xin Zhou, Yuan Zhang, and Jason Baldridge. 2020. “Mapping Natural Language Instructions to Mobile UI Action Sequences.” Proceedings of ACL 2020.

Cho, Hyundong, and Jonathan May. 2020. “Grounding Conversations with Improvised Dialogues.” Proceedings of ACL 2020, 2398–2413. DOI: 10.18653/v1/2020.acl-main.218.

Benotti, Luciana, and Patrick Blackburn. 2021. “A Recipe for Annotating Grounded Clarifications.” Proceedings of NAACL 2021, 4065–4077. DOI: 10.18653/v1/2021.naacl-main.320.

Zhang, Xuanming, Rahul Divekar, Rutuja Ubale, and Zhou Yu. 2023. “GrounDialog: A Dataset for Repair and Grounding in Task-oriented Spoken Dialogues for Language Learning.” Proceedings of BEA 2023, 300–314. DOI: 10.18653/v1/2023.bea-1.26.

Shaikh, Omar, Kristina Gligorić, Ashna Khetan, Matthias Gerstgrasser, Diyi Yang, and Dan Jurafsky. 2024. “Grounding Gaps in Language Model Generations.” Proceedings of NAACL 2024, 6279–6296. DOI: 10.18653/v1/2024.naacl-long.348.

Inan, Mert, Malihe Alikhani, and Anthony Sicilia. 2026. “Dialogue is the Plan: From Interface to Joint Action in Agentic AI.” Proceedings of ACL 2026, 770–779. DOI: 10.18653/v1/2026.acl-short.63.

附錄 A：候選導航操作表

操作	主要作用	典型自然語句
REBASE	撤銷／重設認知基準	「等等，我重新講。」
SHIFT	改變尺度或域	「不是這個尺度。」
ZOOM	改變解析度	「再精細一點。」
REJECT	排除框架／候選	「不要套那個理論。」
EXPAND	重新打開候選域	「不要只看這兩種。」
NARROW	增加限制	「只以這份文件為準。」
LOCK	暫時鎖定任務充分域	「對，就是這個。」
REQUEST-CLARIFICATION	要求高價值新約束	「你說的底層是哪個尺度？」

附錄 B：正式提交前驗證清單

建立導航操作的可觀測 proxy，不依賴私有 chain-of-thought。
驗證 REBASE、SHIFT、ZOOM、REJECT 是否可被後續任務行為區分。
驗證導航操作非交換性的至少一個 benchmark。
比較短導航與長內容補充的對齊效率。
比較自然語言導航與形式導航碼的跨模型可移植性。
建立 verbal compliance 與 structural compliance 的獨立測量。
明確定義導航 authority 與 consent 的治理層。
評估長期共同歷史究竟降低成本還是增加過擬合。
與 dialogue grounding、instruction following、dynamic semantics 做更完整文獻比較。