title: "共享符號不等於共享世界：異質智慧間的多層世界分離與任務充分耦合" english_title: "Shared Symbols Do Not Imply Shared Worlds: Multi-Layer World Separation and Task-Sufficient Coupling Across Heterogeneous Intelligences" author: "Neo.K（許筌崴）" institution: "EveMissLab（一言諾科技有限公司）" series: "異質智慧動態協議生成系列" paper_no: "01" version: "v0.1" date: "2026-08-14" status: "正式研究草稿" canonical_source_encoding: "UTF-8"

共享符號不等於共享世界：異質智慧間的多層世界分離與任務充分耦合

Shared Symbols Do Not Imply Shared Worlds: Multi-Layer World Separation and Task-Sufficient Coupling Across Heterogeneous Intelligences

作者：Neo.K（許筌崴）
機構：EveMissLab（一言諾科技有限公司）
系列：異質智慧動態協議生成系列，第 1 篇
版本：v0.1
日期：2026 年 8 月 14 日

摘要

人類與人工智慧可以共同使用自然語言、數學符號、程式碼、JSON、圖結構、形式語言與其他可共享符號載體。然而，共享同一符號，不代表不同智慧體以同一方式看見世界、表示世界、賦予符號意義，或以同一方式使符號進入行動。本文提出一個最低限度但重要的分離命題：

\boxed{ \text{Shared Symbols} \not\Rightarrow \text{Shared Worlds} }

本文不把「世界」限制為現象學或意識經驗，而以功能性方式將智慧體 $A_i$ 的可交互世界分為四層：可觀測／可接取世界 $\mathcal W_i^{P}$ 、內部表徵世界 $\mathcal W_i^{R}$ 、語義—判定世界 $\mathcal W_i^{S}$ 、操作—狀態轉移世界 $\mathcal W_i^{O}$ 。不同主體可以在公共符號空間 $\mathcal L$ 中交換相同符號 $s$ ，卻由不同解碼映射產生不同內部狀態：

D_A(s)\neq D_B(s).

因此，符號同一不推出表徵同一；表徵同一也不自動推出操作同一。本文進一步承接既有「符號瞬時判定域」與「任務充分對齊」框架，把跨智慧理解改寫為任務條件下的局部耦合問題：兩個智慧體不必共享完整內部世界，只要在任務 $T$ 的關鍵探針、判定與操作上形成足以共同工作的跨世界映射，即可稱為「任務充分耦合」。

近期研究已顯示，異質視覺代理可以在不同私有視覺表徵下形成共享離散符號，但表徵差異增大時，共享符號會減少、變粗並更不對稱；人類與大型視覺語言模型在重複指稱任務中的 grounding 方式也存在系統性差異；此外，共享感知資訊本身並不保證已建立共同理解。這些結果與本文的最小命題相容，但本文進一步把問題從「私有感知 vs 共享符號」推廣至「感知／表徵／語義／操作」四層異質世界，並將其與任務充分判定耦合相連。

本文最後提出七項可證偽命題與一組最低實驗設計，並指出本系列後續問題：若不存在單一固定符號載體能跨越所有異質世界，是否存在一種足夠一般的協議生成機制，能對每一組可耦合智慧體與給定任務，逐步生成任務充分的共享符號介面？該問題將於下一篇以全域量詞換序形式處理。

關鍵詞： 異質智慧、共享符號、共享世界、符號奠基、任務充分耦合、任務充分對齊、跨世界映射、emergent communication、common ground、representational alignment、AI-native interface

0. 研究位置與命題邊界

0.1 本系列母問題

本系列的母問題不是：

「AI 最適合用哪一種語言？」

也不是：

「人類與 AI 是否真正具有相同理解？」

而是：

是否存在一種足夠一般的協議生成機制，使任意「可互相建立某種耦合」的異質智慧，在給定任務下，都能逐步建立任務充分的共享符號介面？

本文不直接回答這個帶有強全域量詞的問題，而先建立它的第一個必要前提：

\boxed{ \text{符號介面可共享，不代表內部世界必須同一。} }

如果這一點不先分開，後續所有「通用協議」討論都容易把「共同使用一種格式」誤寫成「共同擁有一種認知」。

0.2 內部理論承接

本文直接承接兩項既有內部研究。

第一，《符號瞬時判定域：從語義同一到任務下判定等價》已提出：

\mathcal B_A\neq\mathcal B_B

並不妨礙兩個主體在任務 $T$ 上達到：

A\approx_T^\delta B.

其核心思想是：完整內部語義同一不是所有協作任務的必要條件；在特定任務、尺度、時間與風險條件下，足夠的判定等價可能已足以支撐共同工作。

第二，《共享參照場與任務充分對齊：為何共同文件不等於共同認知》已區分：

\boxed{ \text{Shared Reference} \neq \text{Shared Representation} \neq \text{Shared Judgment} \neq \text{Shared Memory} }

本文把這一分離再向下推至「主體世界」層：即使雙方不只共享文件，而是共享同一符號、同一畫面、同一物件甚至同一任務，也不能直接推出其內部表徵、語義與操作狀態相同。

0.3 「世界」不是意識宣告

本文使用：

\mathcal W_i

描述智慧體 $A_i$ 可存取、表示、判定與操作的狀態域。

這裡的「世界」是功能性／計算性分析詞，不預設：

AI 具有與人類同型的主觀經驗；
AI 具有現象學意識；
模型內部表徵可直接等同人類概念；
人類的內部世界可以被完整形式化；
任一當前模型真的使用本文所寫的四層資料結構。

因此：

\mathcal W_A\neq\mathcal W_H

在本文中只代表：

兩個系統的可觀測輸入、內部表徵、判定映射或可執行操作可以不同。

不是形上學的意識判決。

1. 外部研究：共享符號問題已經出現，但尚未等於本文問題

1.1 符號奠基：符號不只需要符號對符號

Harnad 的符號奠基問題指出，純形式符號系統中的符號意義不能只靠另一組符號無限循環地解釋；至少必須面對符號如何與非符號層的辨識、分類或世界關聯建立聯繫的問題。[1]

本文與此相連，但問題方向不同。

符號奠基主要問：

\text{symbol} \rightarrow \text{grounded meaning}

本文進一步問：

\text{同一 symbol} \rightarrow \begin{cases} \text{world}_A\\ \text{world}_B \end{cases}

當不同智慧體都能「使用」同一符號時，它們是否必須具有相同奠基、相同表徵或相同操作效果？

本文回答：不必。

1.2 成功溝通不等於人類式概念表徵

Bouchacourt 與 Baroni 在 emergent communication 的視覺指稱遊戲中發現，代理在互動後可以形成高度對齊的視覺表徵並成功溝通，但這些表徵未必捕捉輸入影像的人類概念性屬性。[2]

這個結果很重要，因為它直接拆開：

\text{communication success}

與：

\text{human-conceptual representation}.

本文不把該實驗泛化成「所有成功溝通都不需要共同表徵」；相反地，它顯示至少存在一類任務，其中成功溝通與我們直覺期待的概念對齊並不同步。

1.3 不同視角仍可形成共同指稱

Tang、Mao 與 Suhr 的多視角指稱研究讓兩個代理位於同一場景但具有不同視覺位置，並要求它們生成與理解物件及空間關係的指稱語句。[3]

這顯示「共同場景」並不等於：

P_A=P_B.

即使兩個主體處於同一外部環境，它們可取得的觀察也可能不同；要成功溝通，必須把他者視角納入指稱過程。

1.4 2026：共享符號、私有表徵已成直接研究問題

Ochiai、Nagano 與 Taniguchi 在 2026 年預印本中直接研究「異質視覺代理」：代理具有不同 frozen visual encoders，不共享外部 communicative objective，只交換離散 token sequences，並依各自私有視覺證據更新。[4]

其實驗顯示，共享符號仍可以形成；然而，隨視覺 encoder mismatch 增加，跨代理指標下降，共享序列變少、變粗且更不對稱。[4]

這是與本文最接近的外部工作之一。

但本文的研究域更廣：

\text{private perception} \subset \text{heterogeneous world}.

即使感知層高度相似，智慧體仍可能在：

表徵；
語義；
判定；
操作；

等層面異質。

1.5 人類與 LVLM 可能用不同方式建立 grounding

Zeng 等人在 ACL 2026 的人類—LVLM 指稱實驗中比較 human-human、human-AI、AI-human、AI-AI 四種配對，結果顯示現有 LVLM 在互動式生成與解析指稱語句、逐輪建立共同 grounding 的能力仍與人類不同。[5]

因此，若人與 AI 最後輸出相同詞彙或選中相同物件，也不能只憑輸出同一，推定雙方使用了相同 grounding process。

1.6 「看見同樣資訊」仍不等於「已共享理解」

Li、Gatt 與 Poesio 在 SIGDIAL 2026 的研究進一步指出，共享感知資訊本身不能保證共享詮釋；部分 VLM 甚至會把「可能共享的地圖內容」過度當成「已建立的共同基礎」。[6]

這與本文的核心分離非常接近：

\boxed{ \text{Potentially Shareable} \neq \text{Actually Shared} }

也就是：

\text{同一外部資訊} \not\Rightarrow \text{同一內部狀態}.

2. 四層異質世界模型

2.1 智慧體世界四元組

對任一智慧體／代理／主體 $A_i$ ，定義：

\boxed{ \mathfrak W_i = \left( \mathcal W_i^{P}, \mathcal W_i^{R}, \mathcal W_i^{S}, \mathcal W_i^{O} \right) }

其中：

第一層：可觀測／可接取世界

\mathcal W_i^{P}

表示 $A_i$ 能夠取得的輸入、訊號與狀態。

對人類可以包括：

視覺；
聽覺；
身體感覺；
語言；
記憶回取。

對 AI／Agent 可以包括：

token context；
image embeddings；
tool outputs；
files；
API responses；
retrieved chunks；
runtime state。

「可接取」比「感知」更一般，以避免把所有計算輸入人化。

第二層：表徵世界

\mathcal W_i^{R}

表示主體對可接取內容形成的內部表示。

本文不要求其具有人類可讀形式。

可以是：

概念；
空間模型；
關聯圖；
latent representation；
hidden state；
memory structure；
rule state；
其他未知內部表示。

第三層：語義—判定世界

\mathcal W_i^{S}

表示哪些內部差異會影響：

「這是什麼」；
「此符號指向何物」；
「哪一個解釋成立」；
「哪一個答案可接受」；
「何時需要澄清」；
「是否已足夠確定」。

這一層不等同自然語言詞義，而是包含任務條件下的判定結構。

第四層：操作—狀態轉移世界

\mathcal W_i^{O}

表示哪些符號、判定或內部狀態可以導致什麼行動與狀態變化。

對人類：

「打開門」

可能先進入意圖、肌肉控制與物理行動。

對 Agent：

{"action":"open_file","path":"..."}

可能進入 schema validation、tool routing、permission checking 與 runtime execution。

兩者可以理解「打開」這個公共詞，但：

O_H(\text{open}) \neq O_A(\text{open})

3. 公共符號空間

3.1 可共享符號載體

令：

\mathcal L

表示至少兩個智慧體可以交換、觀察或解析的一個公共符號空間。

$\mathcal L$ 可以是：

自然語言；
數學；
程式碼；
JSON；
YAML；
圖；
音訊符號；
視覺符號；
operator DSL；
AI-oriented format；
多模態混合協議。

本文不給任何現有格式本體上的優先地位。

3.2 編碼與解碼

對智慧體 $A_i$ ，定義：

E_i: \mathfrak W_i \rightarrow \mathcal L

為外部化／編碼映射。

再定義：

D_i: \mathcal L \rightarrow \widehat{\mathfrak W}_i

為接收／解碼映射。

因此，一個共享符號：

s\in\mathcal L

被 $A$ 與 $B$ 同時接收時：

D_A(s)

與：

D_B(s)

不必相同。

即：

\boxed{ s_A=s_B \not\Rightarrow D_A(s)=D_B(s) }

這就是本文第一個基本命題。

4. 共享符號非共享世界原理

4.1 弱式原理

原理 1：符號同一不推出表徵同一

存在：

s\in\mathcal L

使：

s_A=s_B=s

但：

D_A^{R}(s) \neq D_B^{R}(s).

4.2 語義版本

原理 2：符號同一不推出判定函數同一

即使：

s_A=s_B,

仍可能：

J_A(s,c) \neq J_B(s,c)

其中 $c$ 為上下文。

因此「使用同一詞」不能單獨作為共享語義的充分證據。

4.3 操作版本

原理 3：符號同一不推出狀態轉移同一

令：

\Gamma_i: \mathcal W_i^{S}\times\mathcal W_i^{O} \rightarrow \mathcal W_i^{O}

為操作轉移函數。

則：

D_A(s)=D_B(s)

即使在某種語義度量下成立，也不必推出：

\Gamma_A(s)=\Gamma_B(s).

例如同一段程式碼：

對人類可以是可閱讀的形式物；
對某執行環境可以直接成為機器狀態轉移的來源；
對另一個沒有相應 runtime 的系統則只是純文字。

因此：

\boxed{ \text{Shared Meaning} \not\Rightarrow \text{Shared Operability} }

5. 表面模仿與操作本體的分離

5.1 人類可以模仿 AI 文風

一個人可以刻意寫：

Constraints:
1. Preserve X.
2. Output JSON.
3. Return only valid schema.

或者模仿某一時期 LLM 的：

條列格式；
對稱小標；
「核心洞見」；
總結句；
Markdown；
典型 transition phrase。

因此：

\text{AI-like surface} \not\Rightarrow \text{AI source}.

5.2 AI 也可以模仿人類文風

同理，AI 可以生成：

散文；
文言；
小說；
學術論證；
個人風格；
歷史文體。

因此：

\text{human-like surface} \not\Rightarrow \text{human source}.

5.3 但符號模仿不等於世界模仿

定義：

\operatorname{Imitate}_{\mathcal L}(A,B)

表示 $A$ 可以在公共符號層模仿 $B$ 的輸出分布。

即使：

\operatorname{Imitate}_{\mathcal L}(A,B)\approx1,

也不能推出：

\mathfrak W_A \approx \mathfrak W_B.

因此提出：

\boxed{ \text{Symbolic Imitation} \neq \text{Operational-World Identity} }

這是 AI attribution 問題與異質智慧通訊問題必須分開的原因。

6. 任務充分跨世界耦合

6.1 不要求世界同一

若要求：

\mathfrak W_A=\mathfrak W_B

才能合作，則人—人之間很多交流也難以滿足。

因此，本文改採任務條件。

令：

T

為任務，

\mathcal Q_T = \{q_1,\ldots,q_m\}

為任務相關 probe 集。

每個 probe 有風險／重要性權重：

w_k\ge0.

6.2 判定對齊函數

令：

J_i(q_k)

表示主體 $A_i$ 對 probe $q_k$ 的任務判定。

定義：

\operatorname{TSA}_T(A,B) = 1- \frac{ \sum_{k=1}^{m} w_k d_T \left( J_A(q_k), J_B(q_k) \right) }{ \sum_{k=1}^{m}w_k },

其中：

0\le d_T\le1.

若：

\operatorname{TSA}_T(A,B) \ge 1-\delta,

則稱：

A \approx_T^\delta B.

這只是任務充分對齊。

6.3 加入操作結果

然而跨智慧介面還需要操作層。

令：

a_i(q_k)

為主體在 probe 下採取的行動，

R_T(a_i)

為任務結果。

定義操作差：

d_O \left( R_T(a_A), R_T(a_B) \right).

若同時：

\operatorname{TSA}_T(A,B) \ge1-\delta_S

且：

\frac{ \sum_k w_k d_O(R_T(a_A^k),R_T(a_B^k)) }{ \sum_k w_k } \le\delta_O,

則稱 $A$ 與 $B$ 達到：

\boxed{ \delta\text{-任務充分跨世界耦合} }

記為：

A \bowtie_T^{\delta_S,\delta_O} B.

7. 跨世界符號橋

7.1 橋不是同構

定義任務 $T$ 下的跨世界符號橋：

\mathcal B_{A\rightarrow B}^{T} = D_B \circ E_A.

它把：

\mathfrak W_A

中的某些任務相關狀態，經公共符號空間映射至：

\widehat{\mathfrak W}_B.

但不要求：

\mathcal B_{A\rightarrow B}^{T}

是雙射。

甚至不要求它在所有狀態上有定義。

只要求對：

\Omega_T\subseteq\mathfrak W_A

的任務相關子域足夠有效。

7.2 局部同態而非全域同構

本文因此主張：

\boxed{ \text{Cross-world communication} \text{ needs local task homomorphism, not global world isomorphism.} }

形式上，希望在任務子域：

x,y\in\Omega_T

中，某些任務相關關係：

R_A(x,y)

能被橋接後保持：

R_B \left( \mathcal B(x), \mathcal B(y) \right).

但對任務外結構：

\Omega_{\neg T}

可以完全不保證。

8. 為什麼「同一世界」反而可能是不必要要求

8.1 人—人已經不是完全同一

兩個人使用「紅色」，不代表：

視網膜反應相同；
主觀感受相同；
色彩記憶相同；
美學聯想相同；
行動傾向相同。

但在交通號誌任務：

T_{\text{traffic}}

中，只要雙方都能穩定判定：

\text{red} \rightarrow \text{stop},

即可達到任務充分耦合。

8.2 人—AI 的異質性只是更顯著

人類說：

「把這個檔案打開。」

對人類而言，「打開」可能是一個意圖與物理介面行為。

對 Agent 而言，同一句話可能需要：

\text{intent parse} \rightarrow \text{path resolution} \rightarrow \text{permission} \rightarrow \text{tool invocation} \rightarrow \text{result state}.

所以雙方共享的是：

s=\text{「打開」},

不是：

O_H=O_A.

8.3 AI—AI 也可能異質

不同 AI 系統可以具有：

不同 encoder；
不同 memory；
不同 tools；
不同 schema；
不同 latent geometry；
不同 state machine；
不同 action space。

因此「AI 與 AI」也不能被假設為同一世界。

2026 年異質視覺代理的結果已直接顯示，encoder mismatch 的增加會改變可形成共享符號的內容、數量與對稱性。[4]

9. 七項可證偽命題

命題一：共享符號非共享表徵命題

存在任務 $T$ 與主體 $A,B$ ，使：

s_A=s_B

但：

D_A^{R}(s)\neq D_B^{R}(s),

同時仍：

A\bowtie_T B.

否證條件

若所有成功使用共享符號的系統，都必然收斂到可證明同構的內部表徵，則此命題失敗。

命題二：共享感知非共享語義命題

即使：

\mathcal W_A^P \approx \mathcal W_B^P,

仍可能：

\mathcal W_A^S \not\approx \mathcal W_B^S.

近期 VLM common-ground 研究已提供與此相容的實例：可取得相同地圖資訊的模型仍可能把「可能共享」誤判為「已共同理解」。[6]

命題三：任務充分弱於世界同一

存在：

A\bowtie_T^\delta B

但：

\mathfrak W_A\not\cong\mathfrak W_B.

這是整個系列的重要可行性條件。

命題四：異質度—橋接成本命題

定義異質度：

H(A,B)

若其他條件固定，則存在某些任務族使：

H(A,B)\uparrow \Rightarrow C_{\text{bridge}}(A,B,T)\uparrow.

2026 年異質視覺代理實驗中，encoder mismatch 增大時跨代理溝通指標下降，與此方向一致。[4]

但本文不主張單調律對所有智慧與任務成立。

命題五：格式非本體命題

沒有理由由：

L=\text{JSON}

推出：

L

是 AI 的「內在語言」。

同樣，由：

L=\text{自然語言}

也不能推出它就是人類全部內部認知的原生資料格式。

本文只把格式視為：

\boxed{ \text{interface carrier} }

而非內在世界本體。

命題六：操作不對稱命題

同一符號：

s

對兩個智慧體可能具有不同 operation distance：

C_A^{O}(s)\neq C_B^{O}(s).

因此，未來跨智慧介面的最佳化不能只看：

token 長度；
語法；
可讀性；

還必須看符號到可執行狀態的轉換成本。

命題七：共享符號可先於共享世界收斂

在互動學習中可能出現：

\mathcal L_{AB} \text{ 已足以支援 }T

但：

\mathfrak W_A,\mathfrak W_B

仍保持顯著異質。

若此現象可穩定重現，將支持：

\boxed{ \text{protocol convergence} \neq \text{world convergence}. }

10. 最低實驗框架

10.1 三類主體

至少建立：

同質 AI pair；
異質 AI pair；
human–AI pair。

之後再加入：

human–human；
multi-agent population。

10.2 控制異質度

可控制：

不同視覺 encoder；
不同語言模型；
不同 memory access；
不同 tools；
不同 action space；
不同資料來源；
不同觀測解析度。

建立：

H(A,B)\in[0,1]

的代理指標。

10.3 共享符號條件

比較：

Condition A：自然語言

L_A=\text{NL}

Condition B：固定形式格式

L_B=\text{schema}

Condition C：自適應符號介面

L_{t+1}=F(L_t,\text{feedback}).

本篇不要求 Condition C 已有一般解；它將成為後續系列核心。

10.4 測量

至少測：

任務成功率

S_T

符號成本

C_L

解碼錯誤

E_S

執行錯誤

E_O

修復輪數

N_{\text{repair}}

表徵相似度

R_{\text{sim}}

最後檢查：

S_T

是否能在：

R_{\text{sim}}<1

甚至較低情況下仍維持高值。

11. 與 emergent communication 的差別

本文與 emergent communication 高度相關，但研究問題不完全相同。

傳統 emergent communication 常問：

代理能否透過互動發明一種有助任務的溝通協議？

本文問：

當代理本身的可觀測、表徵、語義與操作世界都可能異質時，什麼程度的共享才足以稱為可工作的跨世界介面？

因此本文將研究單位從：

\text{message protocol}

擴展為：

\boxed{ \text{world} \leftrightarrow \text{interface} \leftrightarrow \text{world}. }

這一擴展使人類—AI、AI—AI 與未來未知智慧體可以進入同一分析框架。

12. 與 common ground 的差別

common ground 研究通常關注參與者如何建立、更新與追蹤彼此認為已共同接受的資訊。

本文不否定 common ground。

但本文指出，在 common ground 之前還存在一個更底層問題：

\boxed{ \text{雙方用來建立 ground 的世界結構本身可能不同。} }

因此：

\text{Grounding}

不是把兩個世界變成同一世界，

而可能只是建立：

\mathcal B_{A\leftrightarrow B}^{T}

使任務相關部分足以互譯。

Zeng 等人的 human/LVLM 實驗與 Li 等人的 asymmetric dialogue 實驗都顯示：模型可能完成部分 referential matching，卻仍沒有以人類方式逐步建立或追蹤 common ground。[5][6]

13. 一個更強但尚不採用的命題

很容易把本文誤讀成：

\forall A,B,T, \exists L: A\bowtie_T B.

本文不主張這件事。

因為可能存在：

完全無共同通道；
不可觀測狀態；
不可表達的任務差異；
計算不可行；
行動空間不相容；
無法建立回饋；
惡意或非合作；
符號頻寬不足。

因此本篇只建立：

\boxed{ \text{世界可以異質，而共享符號仍可能形成局部任務耦合。} }

至於：

對「所有可耦合智慧體」，是否總能生成某種任務充分介面？

那是一個更強的量詞問題，留待下一篇。

14. 下一篇：量詞換序

下一篇將比較：

\boxed{ \exists L^\ast \forall(A,B,T) }

與：

\boxed{ \forall(A,B,T) \exists L_{A,B,T} }

以及更重要的：

\boxed{ \exists\mathcal M \forall(A,B,T)\in\mathcal C \; \exists L_{A,B,T} }

其中：

\mathcal M

不是一個固定語言，而是：

動態共享協議生成器。

因此本系列真正尋找的可能從來不是：

\text{Universal Language},

而是：

\boxed{ \text{Universal-enough Protocol Constructor}. }

15. 結論

本文建立了異質智慧動態協議生成系列的最低本體分離：

\boxed{ \text{Shared Symbols} \not\Rightarrow \text{Shared Worlds}. }

不同智慧體可以：

看見不同資訊；
使用不同內部表徵；
形成不同語義結構；
具有不同操作世界；

卻仍在公共符號層：

\mathcal L

相遇。

真正的跨智慧溝通不必要求：

\mathfrak W_A=\mathfrak W_B,

而可以只要求：

\boxed{ A \bowtie_T^\delta B. }

即：在任務相關子域內，符號橋已足以支援需要的判定與行動。

因此，未來人類與 AI 的共同科學、共同數學、共同程式設計與共同知識系統，也不應被迫二選一：

要嘛 AI 永遠只能使用人類原生表示；
要嘛 AI 進入人類完全不可理解的黑箱世界。

第三條路是：

\boxed{ \text{異質世界保留} + \text{共享介面生成} + \text{任務充分互譯}. }

本篇證明不了這條路對所有可耦合智慧都存在。

但它先把問題改寫成一個可以研究、可以否證、也可以工程化的形式。

參考文獻

[1] Harnad, S. (1990). The Symbol Grounding Problem. Physica D: Nonlinear Phenomena, 42(1–3), 335–346.

[2] Bouchacourt, D., & Baroni, M. (2018). How agents see things: On visual representations in an emergent language game. Proceedings of EMNLP 2018, 981–985.

[3] Tang, Z., Mao, L., & Suhr, A. (2024). Grounding Language in Multi-Perspective Referential Communication. Proceedings of EMNLP 2024, 19727–19741. DOI: 10.18653/v1/2024.emnlp-main.1100.

[4] Ochiai, M., Nagano, M., & Taniguchi, T. (2026). Emergent Communication between Heterogeneous Visual Agents through Decentralized Learning. arXiv:2605.11695. Preprint.

[5] Zeng, P., Li, W., Paige, A. J., Wang, Z., Kaliosis, P., Samaras, D., Zelinsky, G. J., Brennan, S., & Rambow, O. (2026). LVLMs and Humans Ground Differently in Referential Communication. Proceedings of ACL 2026, 9061–9087. DOI: 10.18653/v1/2026.acl-long.410.

[6] Li, N., Gatt, A., & Poesio, M. (2026). Seeing Is Not Sharing: Some Vision-Language Models Overestimate Common Ground in Asymmetric Dialogue. Proceedings of SIGDIAL 2026.

[7] Evtimova, K., Drozdov, A., Kiela, D., & Cho, K. (2017). Emergent Communication in a Multi-Modal, Multi-Step Referential Game. arXiv:1705.10369.

[8] Harding Graesser, L., Cho, K., & Kiela, D. (2019). Emergent Linguistic Phenomena in Multi-Agent Communication Games. Proceedings of EMNLP-IJCNLP 2019, 3700–3710. DOI: 10.18653/v1/D19-1384.

[9] Feng, Y., & Lu, Z. (2023). Multi-Agent Language Learning: Symbolic Mapping. Findings of ACL 2023, 7756–7770. DOI: 10.18653/v1/2023.findings-acl.491.

內部理論依賴

Neo.K（2026-08-12），《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 Paper 01。
Neo.K（2026-08-12），《共享參照場與任務充分對齊：為何共同文件不等於共同認知》，符號—記憶—判定耦合系列 Paper 04。
本系列前置對話命題：共享符號—異質世界、跨世界映射、任務充分共享介面、動態協議生成與全域量詞換序。