title: "自演化共享符號協議：從任務語義商到動態協議形成" english_title: "Self-Evolving Shared Symbol Protocols: From Task-Semantic Quotients to Dynamic Protocol Formation" 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: "05" version: "v0.1" date: "2026-08-14" status: "正式研究草稿" canonical_source_encoding: "UTF-8"

自演化共享符號協議：從任務語義商到動態協議形成

Self-Evolving Shared Symbol Protocols: From Task-Semantic Quotients to Dynamic Protocol Formation

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 5 篇
版本：v0.1
日期：2026 年 8 月 14 日

摘要

Paper 04 將跨異質智慧的「理解充分」改寫為任務語義商：

\mathcal Q_T=X/\sim_T,

以及雙方到共享任務語義核的映射：

q_A:X_A^T\to\mathcal Q_T, \qquad q_B:X_B^T\to\mathcal Q_T.

但現實中的智慧體通常不知道真正的 $\sim_T$ ，也不知道哪些差異對任務重要。因此， $\mathcal Q_T$ 不能被假設為預先存在且可直接讀取的物件；它必須從互動、任務錯誤、反例、修復與資源壓力中逐步逼近。本文提出 Self-Evolving Shared Symbol Protocol（SESSP，自演化共享符號協議），把協議狀態寫成：

\Pi_t = ( \widehat{\mathcal Q}_{T,t}, q_{A,t}, q_{B,t}, \Sigma_t, \mathcal R_t, \mathcal G_t, \mathcal H_t ),

其中 $\widehat{\mathcal Q}_{T,t}$ 是當前估計的任務語義商， $\Sigma_t$ 是共享符號集， $\mathcal R_t$ 是映射與組合規則， $\mathcal G_t$ 是不可破壞的協議不變量， $\mathcal H_t$ 是版本與互動歷史。每輪更新：

\Pi_{t+1} = \mathcal U ( \Pi_t, E_t, \Delta_t, B_t )

由任務證據 $E_t$ 、失配診斷 $\Delta_t$ 與資源預算 $B_t$ 驅動。

本文的核心不是「讓 token vocabulary 自己長大」，而是把協議演化拆成八種結構操作：SPLIT、MERGE、REMAP、ALIAS、COMPOSE、REDUNDANCY、RETIRE、ROLLBACK。其中最重要的兩個是：當同一商類內出現可重現的 task counterexample 時進行 SPLIT；當兩個商類在任務核心上長期不可區分時進行 MERGE。因此協議演化可被理解為：

\boxed{ \text{counterexample-driven refinement} + \text{redundancy-driven compression}. }

這與本文作者既有「自適應切割」中「依回饋精化／粗化索引」的結構具有同型性，但本文不承接其拓樸本體論或免疫定理，只借用「可演化表示應由呈現層回饋決定粒度」的形式思想。

外部研究已出現與本文直接相關的多條證據鏈：人工代理可以從互動回饋中發展符號 grounding；群體接觸可造成 protocol convergence、creole-like novelty 與 linguistic continuum；LLM 人工語言經 generational transmission 後可以獲得更多結構但也可能退化成非人類式詞彙；2026 年 CoNLL 研究顯示，在 population turnover 下過高或過低 plasticity 都不利於穩定共享語言，而 age-dependent plasticity 可降低 language drift；SANEmerg 與 AgentNet 研究開始把 task-specific signaling、bandwidth、computational complexity 與 emergent protocol 聯合優化；Autogenesis 與 self-evolving coordination protocol 則顯示 protocol/resource evolution 本身可以加入版本、評估、commit、rollback 與 invariant guards。

基於此，本文提出 穩定—可塑雙域原理：自演化協議必須同時保留一組慢變或固定的不變量 $\mathcal G$ ，以及一組可快速探索的可塑協議層 $\mathcal P_t$ 。若全部固定，協議不能適應；若全部高可塑，protocol drift 可能摧毀共同語義。本文進一步給出接受式單調下降命題：若每次提交更新都使有下界的協議勢能 $\Phi(\Pi)$ 至少下降 $\eta>0$ ，則可接受更新次數有限；這為版本化 self-evolution、rollback 與穩定收斂提供最小形式骨架。最後本文提出五類失敗模式與完整 benchmark，為 Paper 06 的多層跨世界符號橋提供動態基礎。

關鍵詞： 自演化協議、任務語義商、protocol drift、emergent communication、iterated learning、language repair、adaptive protocol、counterexample refinement、semantic compression、rollback、versioned interface、異質智慧

0. 從靜態商空間到動態協議

Paper 04 寫下：

\boxed{ A \rightarrow \mathcal Q_T \leftarrow B. }

這個式子容易造成一個錯覺：

似乎只要知道 $\mathcal Q_T$ ，把兩邊映射過去就完成了。

真正的困難恰好相反。

現實中：

\boxed{ \mathcal Q_T \text{ 通常未知。} }

因為我們事先不知道：

哪些狀態差異對 $T$ 有影響；
哪些符號差異只是表面；
哪些關係必須保留；
哪些 action mapping 其實錯了；
哪些未知狀態會打破目前協議；
任務是否正在漂移。

所以實際系統持有的只能是：

\boxed{ \widehat{\mathcal Q}_{T,t}, }

即第 $t$ 輪對任務語義商的估計。

1. 協議狀態

本文定義：

\boxed{ \Pi_t = ( \widehat{\mathcal Q}_{T,t}, q_{A,t}, q_{B,t}, \Sigma_t, \mathcal R_t, \mathcal G_t, \mathcal H_t ). }

1.1 $\widehat{\mathcal Q}_{T,t}$ ：當前任務語義商估計

它不是「真實語義」。

而是：

目前證據下，哪些狀態被認為可以合併、哪些必須區分。

1.2 $q_{A,t},q_{B,t}$ ：雙方映射

q_{A,t}:X_A^T\to\widehat{\mathcal Q}_{T,t},

q_{B,t}:X_B^T\to\widehat{\mathcal Q}_{T,t}.

1.3 $\Sigma_t$ ：外部符號集

可以是：

token；
natural-language phrase；
JSON / schema field；
mathematical symbol；
graph edge；
latent code；
action signal；
multimodal pattern。

本文仍不賦予任何格式本體特權。

1.4 $\mathcal R_t$ ：協議規則

包括：

encoding；
decoding；
composition；
context dependence；
alias；
ordering；
error correction；
action binding。

1.5 $\mathcal G_t$ ：協議不變量

例如：

不可改寫的權限；
safety constraints；
version compatibility；
verifier semantics；
minimum auditability；
critical referent identity。

1.6 $\mathcal H_t$ ：歷史與 lineage

包括：

protocol versions；
counterexamples；
repair records；
rollback points；
partner profiles；
previous mappings。

2. 每輪更新

令任務互動證據：

E_t = ( O_t, M_t, A_t, Y_t, V_t ),

其中：

$O_t$ ：觀測；
$M_t$ ：messages；
$A_t$ ：actions；
$Y_t$ ：task outcomes；
$V_t$ ：verifier / feedback。

再定義失配向量：

\boxed{ \Delta_t = ( e_E, e_R, e_J, e_U, e_N, e_O )_t, }

分別對應 Paper 04 的：

referent；
relation；
judgment；
uncertainty；
norm / permission；
operation。

更新：

\boxed{ \Pi_{t+1} = \mathcal U ( \Pi_t, E_t, \Delta_t, B_t ). }

3. 八種基本演化操作

3.1 SPLIT：拆分商類

若：

x_1,x_2

目前被放入同一：

[x]_t,

但新證據顯示：

V_T(x_1)\neq V_T(x_2)

或：

J_T(x_1)\neq J_T(x_2),

則：

[x]_t \rightarrow [x_1]_{t+1}, [x_2]_{t+1}.

3.2 MERGE：合併冗餘商類

若兩類：

C_1,C_2

在足夠長窗口內對：

\mathcal K_T

不可區分，

則：

C_1,C_2 \rightarrow C_{12}.

3.3 REMAP：重映射

商空間可以不變，但：

q_A

或：

q_B

錯了。

此時只修：

q_{i,t} \rightarrow q_{i,t+1}.

3.4 ALIAS：建立多符號同義

如果不同 partner / context 使用：

s_1,s_2

但：

q(s_1)=q(s_2),

不必強制刪掉其中一個。

可建立：

s_1\sim_{\mathrm{alias}}s_2.

3.5 COMPOSE：建立組合規則

若新狀態可以由：

z=f(z_1,z_2,\ldots)

組合表達，

則不必每個狀態都創建獨立 holistic symbol。

3.6 REDUNDANCY：增加錯誤容忍

若 noise 增加，

可以：

重複；
checksum；
redundant dimension；
acknowledgement；
context restatement。

2025 年 implicit repair 研究已顯示，在 noisy signaling games 中，代理可以透過冗餘修改 emergent protocol，降低噪聲對任務成功的傷害。[9]

3.7 RETIRE：退役舊規則

若符號／規則：

長期不用；
已被更簡潔組合替代；
容易造成歧義；
只適用舊任務；

可：

R_{\mathrm{old}} \rightarrow \text{deprecated}.

但退役：

\neq \text{無記錄刪除}.

3.8 ROLLBACK：回退

若：

\Pi_{t+1}

在新場景失效，

需要：

\Pi_{t+1} \rightarrow \Pi_k, \qquad k\le t.

因此 self-evolution 必須帶：

\boxed{ \text{version lineage}. }

4. 核心演化機制一：反例驅動精化

4.1 商類過粗

若目前：

x_1\sim_t x_2

但存在 counterexample：

c

使：

J_T(x_1;c)\neq J_T(x_2;c)

或：

V_T(x_1;c)\neq V_T(x_2;c),

則當前 equivalence relation：

\sim_t

過粗。

定義：Counterexample Split Operator

\boxed{ \operatorname{Split} ( [x]_t,c ) }

產生一個 refinement：

\sim_{t+1} \subset \sim_t.

亦即：

\widehat{\mathcal Q}_{T,t+1}

比：

\widehat{\mathcal Q}_{T,t}

更細。

5. 核心演化機制二：冗餘驅動粗化

若兩個類別：

C_1,C_2

在觀察窗口：

W

內滿足：

D_T(C_1,C_2) < \epsilon_{\mathrm{merge}},

且合併後：

\Delta V_T < \epsilon_V,

則可以：

\boxed{ C_1\cup C_2 }

形成更粗 quotient。

因此：

\sim_t \subset \sim_{t+1}.

6. 精化與粗化形成雙向動力學

所以 protocol evolution 不是單向增加複雜度。

而是：

\boxed{ \text{SPLIT} \rightleftarrows \text{MERGE}. }

即：

\text{錯誤} \rightarrow \text{增加解析度},

\text{冗餘} \rightarrow \text{降低解析度}.

7. 與「自適應切割」的內部結構同型

既有《自適應切割：索引演化的回饋理論》把問題寫成：

當查詢分布未知或漂移時，索引粒度如何依回饋做精化／粗化？

其自適應算子形式為：

A(I,F)=I'.

本文的：

\Pi_{t+1} = \mathcal U(\Pi_t,E_t,\Delta_t,B_t)

具有相似結構。

但必須嚴格區分：

自適應切割

研究：

\text{同一對象的索引／呈現粒度}.

本文

研究：

\text{異質智慧共享協議的任務語義粒度}.

本文不承接自適應切割中與拓樸微積分、本體免疫或具體索引定理有關的主張。

只承接：

\boxed{ \text{granularity can be feedback-adaptive}. }

8. 外部研究一：語言可以隨群體互動演化

Harding Graesser、Cho 與 Kiela 的 multi-agent communication games 顯示，不同 agent communities 接觸時：

可能收斂到 majority protocol；
平衡接觸可能形成新的 creole-like protocol；
相鄰群體可形成 linguistic continuum。[1]

因此：

\boxed{ \text{protocol identity is population-dynamic}. }

它不是固定 pair 訓練後就永遠不變。

9. 外部研究二：世代傳遞可以塑造協議

Kouwenhoven、Peeperkorn 與 Verhoef 在 LLM referential game 中研究 generational transmission；起初無結構的 holistic artificial languages 經反覆學習／使用後會出現較多結構並提高 learnability，但也可能退化成 non-humanlike degenerate vocabularies。[2]

因此：

\boxed{ \text{evolution} \not\Rightarrow \text{humanlike improvement}. }

自演化協議需要 task / stability / audit criteria，

不能只信：

演化自然會變好。

10. Stability–Plasticity：協議不能全固定，也不能全可塑

2026 年 Dziewoński、Plaza-del-Arco 與 Verhoef 在動態 agent population 中發現：

uniformly low plasticity：新 agent 難以融入；
uniformly high plasticity：共享語言漂移過快；
age-based plasticity：可在 population turnover 下維持較高 accuracy 與 language similarity。[3]

這提供一個非常直接的系統啟示：

\boxed{ \text{protocol evolution requires differentiated plasticity}. }

11. 穩定—可塑雙域原理

將：

\Pi_t

拆成：

\boxed{ \Pi_t = ( \mathcal G, \mathcal P_t ). }

其中：

\mathcal G

為 slow / invariant layer，

\mathcal P_t

為 plastic layer。

11.1 $\mathcal G$ ：守恆層

例如：

safety invariants；
permission semantics；
task verifier contract；
protocol version identity；
critical referents；
rollback rule；
minimum compatibility.

11.2 $\mathcal P_t$ ：可塑層

例如：

aliases；
compression；
symbol inventory；
contextual shorthand；
mapping；
hierarchy；
redundancy；
partner-specific adaptation。

11.3 原理

\boxed{ \mathcal G \text{ 太大} \Rightarrow \text{adaptation collapse}, }

\boxed{ \mathcal P \text{ 太大} \Rightarrow \text{semantic drift / coordination collapse}. }

所以真正設計問題是：

\boxed{ \text{Where should the boundary } \mathcal G/\mathcal P \text{ be placed?} }

12. 2026 自演化 protocol systems：版本、commit、rollback 正在變成一級物件

12.1 Autogenesis

Autogenesis Protocol 將 prompts、agents、tools、environments、memory 建模為有 state、lifecycle 與 versioned interface 的 protocol resources；其 self-evolution layer 明確包含 proposing、assessing、committing、lineage 與 rollback。[6]

這與本文：

\mathcal H_t

及：

\mathcal G_t

的方向相容。

12.2 Self-Evolving Coordination Protocol

2026 年 exploratory SECP study 則展示：在固定 Byzantine、message complexity、safety/liveness 等 formal invariants 下，coordination protocol 可以進行有限、外部驗證的自修改，而且修改後仍保留聲明的不變量。[7]

這提供另一個重要原則：

\boxed{ \text{self-evolution} \neq \text{unbounded self-modification}. }

13. 接受式協議更新

本文因此不採用：

\Pi_{t+1} = \mathcal U(\Pi_t)

後直接 commit。

而採：

\boxed{ \Pi_t \rightarrow \widetilde\Pi_{t+1} \rightarrow \operatorname{Evaluate} \rightarrow \operatorname{Accept/Reject}. }

13.1 Candidate

\widetilde\Pi_{t+1} = \mathcal U(\Pi_t,E_t,\Delta_t).

13.2 Guard

要求：

\mathcal G(\widetilde\Pi_{t+1})=1.

13.3 Objective

定義協議勢能：

\boxed{ \Phi_T(\Pi) = \alpha E_T(\Pi) + \beta C_{\mathrm{comm}}(\Pi) + \gamma C_{\mathrm{comp}}(\Pi) + \eta C_{\mathrm{repair}}(\Pi) + \nu D_{\mathrm{drift}}(\Pi,\Pi_{\mathrm{stable}}) + \xi C_{\mathrm{audit}}(\Pi). }

13.4 Commit rule

若：

\mathcal G(\widetilde\Pi_{t+1})=1

且：

\Phi_T(\widetilde\Pi_{t+1}) < \Phi_T(\Pi_t)-\epsilon,

則 commit。

否則 reject / sandbox / rollback。

14. 一個最小收斂結果

命題 S1：固定改善幅度下的有限提交

假設：

$\Phi_T(\Pi)\ge0$ ；
每個 accepted update 都滿足：

\Phi_T(\Pi_{t+1}) \le \Phi_T(\Pi_t)-\eta

其中：

\eta>0.

則 accepted updates 的總數至多：

\boxed{ N_{\mathrm{commit}} \le \left\lfloor \frac{\Phi_T(\Pi_0)}{\eta} \right\rfloor. }

證明

經 $N$ 次提交：

\Phi_T(\Pi_N) \le \Phi_T(\Pi_0)-N\eta.

又：

\Phi_T(\Pi_N)\ge0.

故：

N\eta \le \Phi_T(\Pi_0).

\square

14.1 這不是說真實協議一定有限步收斂

如果：

$\eta_t\to0$ ；
任務漂移；
partner 改變；
$\Phi_t$ 改變；
允許探索性 temporary regressions；

就不能直接用 S1。

S1 只提供：

versioned accept/reject self-evolution 可以有一個最小的單調安全骨架。

15. Drift 不一定是錯

Language drift 有兩種。

15.1 Harmful drift

D_{\mathrm{drift}}\uparrow

同時：

S_T\downarrow.

15.2 Adaptive drift

partner / task 已變，

舊 protocol 不再適配。

這時：

D_{\mathrm{drift}}\uparrow

可能反而：

S_T\uparrow.

所以：

\boxed{ \text{drift} \neq \text{failure}. }

真正問題是：

\boxed{ \text{unjustified drift}. }

16. Protocol repair

2025 年 implicit repair work 顯示，在 communication noise 下，agents 可增加 redundancy，讓 protocol 對噪聲更 robust。[9]

本文把 repair 一般化成：

\boxed{ \operatorname{Repair} : (\Pi_t,c) \mapsto \Pi_{t+1}, }

其中：

c

是：

failed reference；
misunderstood relation；
wrong action；
permission error；
uncertainty collapse；
noisy channel；
unknown partner。

17. Repair 應最小化修改面積

定義：

d_\Pi(\Pi_t,\Pi_{t+1})

為 protocol edit distance。

若兩個 repair 都修好 task error，

偏好：

\boxed{ \min d_\Pi. }

原因是：

降低 partner breakage；
降低 drift；
保留既有共同知識；
容易 rollback；
容易 audit。

這是最小修復原理。

18. 何時 SPLIT，何時 REMAP？

一個常見誤判：

任務失敗 → 創新符號。

不一定。

如果：

\widehat{\mathcal Q}_{T,t}

粒度正確，

只是：

q_B

錯，

應：

\operatorname{REMAP}.

只有當：

[x]_t

本身包含 task-distinguishable states，

才：

\operatorname{SPLIT}.

所以診斷要先回答：

\boxed{ \text{partition error} \quad\text{or}\quad \text{mapping error}? }

19. 何時 MERGE，何時 ALIAS？

若兩個符號：

s_1,s_2

指向同一商類，

有兩種選擇。

MERGE

刪除語義區分，統一成一個 canonical code。

ALIAS

保留不同表面符號，但共享 semantic class。

對跨：

partner；
language；
generation；
legacy system；

的協議，

ALIAS 往往比直接 MERGE 更穩定。

20. Context-dependent protocol

2024–2025 emergent communication 研究顯示，context availability、abstraction level 與 scene complexity 都會改變 agents 採用的 signaling strategy。[10][11][12]

因此不能假設：

s \rightarrow z

是 context-free。

更一般：

\boxed{ D_i(s,c) \rightarrow z. }

所以：

\Pi_t

可能包含：

\text{context router}.

21. Population-level protocol evolution

協議不只 pairwise。

設 agent population：

\mathcal A_t = \{A_1,\ldots,A_n\}.

則可能形成：

dialect；
majority protocol；
minority protocol；
partner-specific alias；
creole；
continuum。

Harding Graesser 等人的結果已顯示 community topology 可以改變 language-contact outcome。[1]

所以：

\boxed{ \Pi_t }

應允許：

\Pi_t^{(i,j)}

與：

\Pi_t^{\mathrm{community}}

多尺度共存。

22. 新 agent 加入

一個真正未來型 protocol 不能只處理：

A,B

永久固定。

對 newcomer：

A_{n+1},

需要：

\boxed{ \text{protocol onboarding}. }

理想上：

N_{\mathrm{adapt}}(A_{n+1})

應遠小於從零重新訓練整個 population。

2026 language-drift work 的 turnover setup 正是這類問題的直接前例。[3]

23. 任務漂移

如果：

T_t \neq T_{t+1},

則：

\mathcal Q_{T_t}

也未必等於：

\mathcal Q_{T_{t+1}}.

因此 protocol generator 必須能判定：

是協議錯了，還是任務變了？

這個問題非常重要。

若把：

\text{task drift}

誤診成：

\text{semantic mapping error},

協議會無限修補錯的目標。

24. Protocol genealogy

定義 protocol DAG：

\boxed{ \mathcal D_\Pi = (V_\Pi,E_\Pi). }

每個：

v_t

是一個 protocol version。

edge 標記：

split；
merge；
remap；
repair；
rollback；
task fork；
partner fork。

所以 history 不是 log 而已。

它是一個：

\boxed{ \text{protocol genealogy}. }

這對：

provenance；
debugging；
safety；
reproducibility；
scientific audit；

非常重要。

25. 三軌演化

本文建議把 protocol evolution 拆成三軌。

Track A：探索軌

允許：

provisional symbols；
temporary split；
experimental mapping；
high plasticity。

Track B：驗證軌

用：

counterexamples；
unseen partners；
noise；
adversarial task probes；
permission tests；
rollback tests；

評估 candidate。

Track C：承諾軌

只有：

\operatorname{Accept}=1

才進 canonical protocol。

因此：

\boxed{ \text{Explore} \rightarrow \text{Validate} \rightarrow \text{Commit}. }

這與 Autogenesis 的 propose–assess–commit lifecycle，以及 SECP 的 bounded externally validated modification 有結構上的一致性。[6][7]

26. 不要把 self-evolution 等同 self-improvement

\boxed{ \text{evolution} \neq \text{monotonic improvement}. }

因為：

population 可能退化；
protocol 可能 overfit；
新 shorthand 可能不可傳承；
legacy partner 可能失聯；
compression 可能破壞 rare case；
task metric 本身可能錯。

因此必須保留：

\boxed{ \text{存敵} }

即：

counterexample bank；
old partners；
old tasks；
rare cases；
negative tests。

27. Protocol fitness 不應只有 task accuracy

令：

F_{\Pi}

為多目標 fitness：

\boxed{ F_\Pi = ( S_T, G_{\mathrm{OOD}}, C_{\mathrm{comm}}, C_{\mathrm{comp}}, R_{\mathrm{repair}}, S_{\mathrm{stability}}, I_{\mathrm{audit}} ). }

因此：

accuracy 上升 0.1%，但 protocol 變成只有原本兩個 agent 能懂

不一定是進化。

28. 2026 AgentNet：實體限制已進入 emergent protocol

SANEmerg 明確把：

heterogeneous specialized agents；
task-specific signaling；
bandwidth constraints；
computational complexity；

放進 emergent communication framework，並以 importance filtering 與 MDL-based complexity regularization 降低 bandwidth / compute overhead。[4]

Generalization Bounds of Emergent Communications 更以 distributed information bottleneck 分析 task-relevant information 與 computational complexity 的 trade-off，並對 unseen environment states 給出 generalization analysis。[5]

因此：

\boxed{ \text{protocol evolution} }

未來一定不能只在「語義漂亮」上演化。

它必須受：

\boxed{ \text{physical / computational budgets} }

約束。

29. 自演化協議演算法骨架

Input:
    agents A, B
    task T
    initial protocol Π0
    invariants G
    resource budget B

for t = 0,1,2,...:
    1. interact under Πt
    2. collect evidence Et
    3. compute mismatch vector Δt
    4. diagnose:
         partition error?
         mapping error?
         drift?
         noise?
         task change?
    5. propose one or more updates:
         SPLIT
         MERGE
         REMAP
         ALIAS
         COMPOSE
         REDUNDANCY
         RETIRE
    6. sandbox candidate Π~
    7. verify invariants G
    8. test:
         current task
         counterexamples
         unseen contexts
         previous partners
    9. if accepted:
         commit version
       else:
         reject / rollback
   10. stop if:
         task error <= ε
         and repair rate stable
         and no significant counterexample

30. Dynamic Protocol Formation Conjecture

DPFC-0

對某個：

(A,B,T)\in\mathcal C^\ast,

若：

feedback 可辨識 task-relevant mapping error；
至少一方具有足夠 adaptability；
protocol update family 含必要 SPLIT / MERGE / REMAP；
verifier 對所需 $\mathcal K_T$ 有足夠覆蓋；
task / partner drift 有界；

則存在 update policy：

\mathcal U

使：

\widehat{\mathcal Q}_{T,t}

在任務可觀測意義下逐步逼近某個 task-sufficient quotient：

\mathcal Q_T^\ast,

即：

\boxed{ D_T ( \widehat{\mathcal Q}_{T,t}, \mathcal Q_T^\ast ) \rightarrow \le\epsilon. }

本文不證明 DPFC-0。

因為真正困難在：

verifier completeness；
unknown task core；
nonstationarity；
search complexity；
unidentifiable partitions。

Paper 07 將專門處理這些界限。

31. 七項可證偽預測

P1：Counterexample split

故意建立過粗 quotient。

加入可區分 counterexample 後，

具有 SPLIT 的 system 應顯著快於只能新增 token 的 baseline 修復 task error。

P2：Redundancy merge

在冗餘 symbol class 增加時，

具有 MERGE / ALIAS 的 system 應降低：

C_{\mathrm{comm}}

而保持：

S_T.

P3：Stability–plasticity U-shape

對 protocol plasticity：

p\in[0,1],

task performance / cross-generation stability 應存在 task-dependent interior optimum，而不是永遠：

p=0

或：

p=1.

P4：Rollback value

在 nonstationary / noisy update 中，

有 version lineage + rollback 的 system 應比 irreversible protocol update 有更低 catastrophic failure rate。

P5：Minimal repair

在同樣恢復 task success 下，

較低：

d_\Pi

的 repair 應具有更高 backward compatibility。

P6：Task drift diagnosis

若 task change 被明確標識，

separate task-fork protocol 應比把所有錯誤都當 mapping error 的 system 產生更少 semantic drift。

P7：Population turnover

具 differentiated plasticity / onboarding 的 protocol 應比 uniformly plastic population 保持更高 newcomer coordination 與 legacy compatibility。

32. Benchmark v0.1

32.1 Base task

建立可人工控制的：

\mathcal Q_T^\ast.

例如：

shape / color / affordance；
grid navigation；
tool permission；
structured file editing。

32.2 私有世界

A/B 使用不同：

encoders；
vocabularies；
ontologies；
action spaces。

32.3 Phase I：bootstrap

從：

\Pi_0

低資訊協議開始。

32.4 Phase II：counterexample injection

注入：

rare distinction；
hidden relation；
permission edge case；
ambiguous referent。

32.5 Phase III：drift

改：

partner；
task distribution；
channel noise；
resource budget。

32.6 Phase IV：population turnover

換掉部分 agent。

32.7 指標

S_T

task success；

D_T

TSSH distortion；

N_{\mathrm{repair}}

repair count；

C_{\mathrm{comm}}

bandwidth；

C_{\mathrm{comp}}

compute；

D_{\mathrm{drift}}

protocol drift；

B_{\mathrm{compat}}

backward compatibility；

G_{\mathrm{OOD}}

new partner/task generalization。

33. 與固定標準協議的關係

本文不主張：

所有 API、MCP、A2A、JSON 都應該讓 AI 自己改。

固定協議有巨大價值：

interoperability；
auditability；
predictability；
safety；
ecosystem coordination。

真正問題是：

\boxed{ \text{哪一層應固定，哪一層應演化？} }

因此未來架構更可能是：

\boxed{ \text{Stable Substrate} + \text{Adaptive Semantic Layer}. }

而不是：

\text{Everything Self-Evolves}.

34. 下一篇：多層跨世界符號橋

當：

\Pi_t

能逐步形成後，

下一個問題是：

AI-native protocol 如果已經高效但人類看不懂，怎麼辦？

Paper 06 將提出：

\boxed{ L_A \leftrightarrow L_F \leftrightarrow L_E \leftrightarrow L_H }

多層 bridge。

其核心不是強迫：

L_A=L_H,

而是要求不同層間建立：

fidelity；
auditability；
controllability；
explanation；
reverse traceability。

35. 結論

本文把 Paper 04 的靜態：

\mathcal Q_T

改寫成動態：

\boxed{ \widehat{\mathcal Q}_{T,0} \rightarrow \widehat{\mathcal Q}_{T,1} \rightarrow \cdots. }

協議演化不再只是：

發明更多 token。

而是：

\boxed{ \text{發現錯誤區分} + \text{拆分必要差異} + \text{合併無用差異} + \text{修正映射} + \text{保留歷史} + \text{在不變量下提交}. }

因此本文最核心的形式可以壓成：

\boxed{ \Pi_{t+1} = \operatorname{Commit} \circ \operatorname{Verify} \circ \operatorname{Diagnose} \circ \operatorname{Update} ( \Pi_t,E_t ). }

真正自演化的不是語言表面。

而是：

\boxed{ \text{兩個異質世界之間， 什麼必須被區分、什麼可以被壓縮、 以及如何把這些差異綁到可執行任務上。} }

這才是動態協議生成的核心。

參考文獻

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

[2] Kouwenhoven, T., Peeperkorn, M., & Verhoef, T. (2025). Searching for Structure: Investigating Emergent Communication with Large Language Models. COLING 2025, 9977–9991.

[3] Dziewoński, J., Plaza-del-Arco, F. M., & Verhoef, T. (2026). Cognitively Inspired Developmental Trajectories Improve Explore-Exploit Dynamics in Neural Agent Emergent Communication. CoNLL 2026, 104–120. DOI: 10.18653/v1/2026.conll-main.8.

[4] Xiao, Y., Zhou, H., Zhou, Y., & Krunz, M. (2026). SANEmerg: An Emergent Communication Framework for Semantic-aware Agentic AI Networking. arXiv:2605.05861.

[5] Xiao, Y., Chai, J., Shi, G., & Zhang, P. (2026). Generalization Bounds of Emergent Communications for Agentic AI Networking. arXiv:2605.08613.

[6] Zhang, W. (2026). Autogenesis: A Self-Evolving Agent Protocol. arXiv:2604.15034.

[7] de la Chica Rodriguez, J. M., & Vera Díaz, J. M. (2026). Self-Evolving Coordination Protocol in Multi-Agent AI Systems: An Exploratory Systems Feasibility Study. arXiv:2602.02170.

[8] Gupta, A., Lanctot, M., & Lazaridou, A. (2021). Dynamic population-based meta-learning for multi-agent communication with natural language. arXiv:2110.14241.

[9] Vital, F., Sardinha, A., & Melo, F. S. (2025). Implicit Repair with Reinforcement Learning in Emergent Communication. arXiv:2502.12624.

[10] Kobrock, K., Ohmer, X., Bruni, E., & Gotzner, N. (2024). Context Shapes Emergent Communication about Concepts at Different Levels of Abstraction. LREC-COLING 2024, 3831–3848.

[11] Kobrock, K., Ohmer, X., Bruni, E., & Gotzner, N. (2025). Agents generalize to novel levels of abstraction by using adaptive linguistic strategies. Findings of ACL 2025, 8685–8699. DOI: 10.18653/v1/2025.findings-acl.455.

[12] Künkele, D., & Dobnik, S. (2025). Learning to Refer: How Scene Complexity Affects Emergent Communication in Neural Agents. IWCS 2025, 289–297.

內部理論依賴

Neo.K（2026-08-14），《共享符號不等於共享世界》，異質智慧動態協議生成系列 Paper 01。
Neo.K（2026-08-14），《從宇宙通用語言到動態協議生成》，Paper 02。
Neo.K（2026-08-14），《可耦合域》，Paper 03。
Neo.K（2026-08-14），《任務充分語義同態》，Paper 04。
Neo.K（2026-06-11），《自適應切割：索引演化的回饋理論》v0.2。本文僅承接「依回饋做粒度精化／粗化」之形式思想，不承接其拓樸本體與其他定理。
Neo.K（2026-07-08），《命題—計算共同演化迴圈》v0.2：承接「表示—觀察—診斷—修正」共同演化結構。

自演化共享符號協議：從任務語義商到動態協議形成

自演化共享符號協議：從任務語義商到動態協議形成

摘要

0. 從靜態商空間到動態協議

1. 協議狀態

1.1 Q^T,t\widehat{\mathcal Q}_{T,t}Q​T,t​：當前任務語義商估計

1.2 qA,t,qB,tq_{A,t},q_{B,t}qA,t​,qB,t​：雙方映射

1.3 Σt\Sigma_tΣt​：外部符號集

1.4 Rt\mathcal R_tRt​：協議規則

1.5 Gt\mathcal G_tGt​：協議不變量

1.6 Ht\mathcal H_tHt​：歷史與 lineage

2. 每輪更新

3. 八種基本演化操作

3.1 SPLIT：拆分商類

3.2 MERGE：合併冗餘商類

3.3 REMAP：重映射

3.4 ALIAS：建立多符號同義

3.5 COMPOSE：建立組合規則

3.6 REDUNDANCY：增加錯誤容忍

3.7 RETIRE：退役舊規則

3.8 ROLLBACK：回退

4. 核心演化機制一：反例驅動精化

4.1 商類過粗

定義：Counterexample Split Operator

5. 核心演化機制二：冗餘驅動粗化

6. 精化與粗化形成雙向動力學

7. 與「自適應切割」的內部結構同型

自適應切割

本文

8. 外部研究一：語言可以隨群體互動演化

9. 外部研究二：世代傳遞可以塑造協議

10. Stability–Plasticity：協議不能全固定，也不能全可塑

11. 穩定—可塑雙域原理

11.1 G\mathcal GG：守恆層

11.2 Pt\mathcal P_tPt​：可塑層

11.3 原理

12. 2026 自演化 protocol systems：版本、commit、rollback 正在變成一級物件

12.1 Autogenesis

12.2 Self-Evolving Coordination Protocol

13. 接受式協議更新

13.1 Candidate

13.2 Guard

13.3 Objective

13.4 Commit rule

14. 一個最小收斂結果

命題 S1：固定改善幅度下的有限提交

證明

14.1 這不是說真實協議一定有限步收斂

15. Drift 不一定是錯

15.1 Harmful drift

15.2 Adaptive drift

16. Protocol repair

17. Repair 應最小化修改面積

18. 何時 SPLIT，何時 REMAP？

19. 何時 MERGE，何時 ALIAS？

MERGE

ALIAS

20. Context-dependent protocol

21. Population-level protocol evolution

22. 新 agent 加入

23. 任務漂移

24. Protocol genealogy

25. 三軌演化

Track A：探索軌

Track B：驗證軌

Track C：承諾軌

26. 不要把 self-evolution 等同 self-improvement

27. Protocol fitness 不應只有 task accuracy

28. 2026 AgentNet：實體限制已進入 emergent protocol

29. 自演化協議演算法骨架

30. Dynamic Protocol Formation Conjecture

DPFC-0

31. 七項可證偽預測

P1：Counterexample split

P2：Redundancy merge

P3：Stability–plasticity U-shape

P4：Rollback value

P5：Minimal repair

P6：Task drift diagnosis

P7：Population turnover

1.1 $\widehat{\mathcal Q}_{T,t}$ ：當前任務語義商估計

1.2 $q_{A,t},q_{B,t}$ ：雙方映射

1.3 $\Sigma_t$ ：外部符號集

1.4 $\mathcal R_t$ ：協議規則

1.5 $\mathcal G_t$ ：協議不變量

1.6 $\mathcal H_t$ ：歷史與 lineage

11.1 $\mathcal G$ ：守恆層

11.2 $\mathcal P_t$ ：可塑層