LRC–COL-09：代際傳播、可學習性與語言退化

Intergenerational Transmission, Learnability, and Language Degeneration

系列：LRC–COL — Language–Reality Coupling & Composite Operator Language
中文：語言—現實耦合與複合算子語言系列
版本：v0.1
日期：2026-08-21 作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

LRC–COL-07 與 LRC–COL-08 分別處理兩個時間尺度：一個 Agent 需要多少有效 exposure 才能操作理解一個複合 operator，以及一套 operator language 經過多少使用、重組、跨 Agent 傳遞與版本事件後才進入語義穩定窗口。本篇進一步研究第三個時間尺度：

一套語言在跨 Agent、跨模型、跨版本甚至跨「世代」傳播時，究竟會保留什麼、壓縮什麼、規則化什麼，又會失去什麼？

經典 iterated-learning 研究指出，語言必須通過有限的 learning bottleneck：下一代 learner 通常只接觸上一代語言可能產生的一小部分輸入，因此必須從有限樣本重建更大的語言系統。這種瓶頸可以產生對規則化、可學習性與 compositionality 的文化選擇壓力。然而，單獨追求「容易學」並不保證得到高品質語言。若沒有足夠的 communication / expressivity pressure，最簡單、最好傳的系統甚至可能退化成高度 underspecified 的 convention：多個原本需要區分的 meaning 被壓成同一 signal。

2025 年針對 LLM 的 artificial-language iterated-transmission 研究也觀察到類似張力：代際傳播可以提高 learnability 並產生部分結構，但同時可能形成 non-humanlike degenerate vocabularies。這使未來 AI-native composite operator language 面臨一個直接工程問題：

\boxed{ \text{Transmissibility} \neq \text{Semantic Preservation}. }

本文因此把代際傳播描述成：

\boxed{ \mathcal L_g \xrightarrow{\;\mathcal T_g\;} D_g \xrightarrow{\;A_{g+1}\;} \hat{\mathcal L}_{g+1} \xrightarrow{\;Use/Revision\;} \mathcal L_{g+1}, }

其中 $\mathcal L_g$ 是第 $g$ 代語言， $\mathcal T_g$ 是 teacher / channel 的 transmission policy， $D_g$ 是實際傳給下一代的有限資料， $A_{g+1}$ 是 learner。

本文提出四個彼此競爭的傳播目標：

\boxed{ \text{Learnability} ,\quad \text{Fidelity} ,\quad \text{Expressivity} ,\quad \text{Innovation}. }

其中：

learnability 要求下一代能以有限成本重建；
fidelity 要求新一代仍保留前一代 semantic contract；
expressivity 要求 critical distinctions 仍可被編碼；
innovation 則允許語言適應新的 Agent、domain 與 world interface。

本文進一步定義 Transmission Bottleneck、Distinction Retention、Transmission Fidelity、Reconstruction Cost、Degeneration Index、Teacher Compression Ratio、Learner Reconstruction Burden、Innovation Rate 與 Transmission Utility。核心候選命題是：傳播 bottleneck 可能存在非單調最佳值 $b^*$ 。太寬時，learner 可以靠 memorization 傳遞大量 idiosyncratic forms，而缺乏形成簡潔 compositional structure 的壓力；太窄時，critical semantic distinctions 又可能被壓掉。因此：

\boxed{ \text{Optimal Transmission} \neq \text{Maximum Fidelity Copying} \neq \text{Maximum Compression}. }

本文最後提出 Anchored Iterated Transmission（AIT） 作為未來 COL 的候選工程框架：允許一般 generations 在有限 bottleneck 下傳播與結構化，但定期透過 semantic anchors、invariant probes、world-grounded tests 與 canonical expansions 重新校準，避免語言越傳越容易學卻越來越偏離原始 world distinctions。

本文的總結是：

\boxed{ \text{A language survives not merely by being easy to copy, but by preserving the distinctions that make the language worth having.} }

關鍵詞

iterated learning；transmission bottleneck；language degeneration；learnability；expressivity；semantic fidelity；AI emergent language；operator transmission；cultural evolution；compositionality

1. 問題：傳得下去，到底代表什麼？

假設第 $g$ 代 Agent 使用：

\mathcal L_g.

下一代：

A_{g+1}

沒有直接取得整套 internal state，

而只看到：

definitions；
examples；
conversations；
operator traces；
artifacts；
tool outcomes。

也就是：

\boxed{ D_g \subset Behavior(\mathcal L_g). }

下一代再從：

D_g

重建：

\hat{\mathcal L}_{g+1}.

所以語言傳播本質上不是：

\mathcal L_g \rightarrow \mathcal L_g.

而是：

\boxed{ \mathcal L_g \rightarrow D_g \rightarrow \hat{\mathcal L}_{g+1}. }

2. 傳播是一個重建問題

teacher 傳出的不是完整語言，

learner 必須推斷：

missing meanings；
composition rules；
operator boundaries；
failure conditions；
type relations。

所以：

\boxed{ \text{Transmission} = \text{Compression} + \text{Inference} + \text{Reconstruction}. }

3. 經典 Learning Bottleneck

人類語言文化演化研究早已指出：

一個巨大甚至開放式的語言系統，必須透過有限量的 learning data 傳給下一代。

這種：

\boxed{ \text{System Size} \gg \text{Observed Transmission Sample} }

的落差，就是：

\boxed{ \text{Learning Bottleneck}. }

4. 為什麼 bottleneck 會促進 compositionality？

如果每個 meaning 都用獨立 holistic signal：

m_i\leftrightarrow s_i,

要完整重建系統，

learner 幾乎必須看過全部 mapping。

但若語言具有：

parts；
rules；
recombination；

則只要學有限 units：

\{o_1,\ldots,o_k\}

與 grammar：

G,

就可重建更大的 closure：

Closure(\mathcal O,G).

所以：

\boxed{ \text{Compositionality} }

可以被理解為對 transmission bottleneck 的一種適應。

5. 但 bottleneck 不是越窄越好

如果 bottleneck：

b

極度小，

learner 幾乎沒有足夠 evidence 區分 meanings。

最容易重建的語言可能變成：

m_1,m_2,\ldots,m_n \rightarrow s.

只要一個 signal。

這是：

\boxed{ \text{Maximally Learnable} }

但：

\boxed{ \text{Minimally Expressive}. }

6. Learnability–Expressivity Tradeoff

因此：

\boxed{ \text{Learnability} \leftrightarrow \text{Expressivity}. }

一端：

Holistic Extreme

每個 meaning 都有獨立 signal。

expressivity 高；
learnability 差；
transmission cost 高。

另一端：

Degenerate Extreme

所有 meaning 共用 signal。

learnability 極高；
expressivity 幾乎為零。

7. Compositionality 是中間解

compositional language 允許：

\boxed{ \text{small reusable basis} + \text{large expressive closure}. }

因此它可能同時滿足：

可學；
可傳；
可泛化；
可區分。

這就是 LRC–COL 為何從一開始研究 operator basis。

8. AI 代際傳播的新版本

對 AI 而言，「generation」不一定是生物世代。

可以是：

新模型版本；
新 Agent instance；
新 context；
新公司／系統；
新 runtime；
下一輪 autonomous retraining；
一個 Agent 教另一個 Agent。

所以：

\boxed{ g = \text{transmission generation index}. }

9. Generational Map

定義：

\boxed{ \mathcal L_{g+1} = \Phi( \mathcal L_g, \mathcal T_g, A_{g+1}, E_{g+1} ). }

其中：

$\mathcal T_g$ ：transmission policy；
$A_{g+1}$ ：learner；
$E_{g+1}$ ：新 environment / domain。

10. Transmission Dataset

teacher 不會傳所有內容。

定義：

\boxed{ D_g = Sample( \mathcal L_g, \mathcal T_g, B_g ). }

其中：

B_g

是 transmission budget。

11. Bottleneck Ratio

可以定義：

\boxed{ b_g = \frac{ Information(D_g) }{ InformationRequired(\mathcal L_g) }. }

越小：

b_g\downarrow

代表 bottleneck 越窄。

實際 measurement 可能需用：

coverage；
MDL；
entropy；
semantic distinctions；

代替理想 information。

12. Exposure Coverage Bottleneck

更可操作：

\boxed{ b_C = \frac{ \text{observed semantic / compositional motifs} }{ \text{relevant motif space} }. }

13. Distinction Coverage Bottleneck

但只看 motif 不夠。

定義 critical distinctions：

\mathcal D^* = \{d_1,\ldots,d_m\}.

傳播資料中真正出現多少：

\boxed{ b_D = \frac{ |\mathcal D_{observed}^*| }{ |\mathcal D^*| }. }

如果：

b_D\ll1,

rare but important distinctions 很容易消失。

14. Transmission Fidelity

令 semantic state：

S_g.

下一代：

S_{g+1}.

定義：

\boxed{ F_T(g) = 1- D_S( S_g, S_{g+1} ). }

但這只是相鄰世代 fidelity。

15. Anchor Fidelity

還要對最初或 canonical anchor：

A.

定義：

\boxed{ F_A(g) = 1- D_S( S_g, A ). }

因為：

F_T(g)\approx1

每代都只漂一點，

長期：

F_A(g)

仍可能很低。

16. Incremental Drift Accumulation

如果每代 drift：

\delta_g,

累積：

\boxed{ D_{cum}(G) \le \sum_{g=1}^{G}\delta_g }

是最粗上界。

實際可能：

cancellation；
nonlinear amplification；
attractor convergence。

17. Distinction Retention

本文提出核心量：

\boxed{ R_{dist}(g) = \frac{ |\mathcal D_g^*\cap\mathcal D_0^*| }{ |\mathcal D_0^*| }. }

也就是：

原本重要 distinctions 還剩多少？

18. Distinction 不只是一個詞

critical distinction 可能是：

accept vs defer；
preview vs commit；
simulate vs execute；
reversible vs irreversible；
evidence vs inference；
object vs meta-object。

所以：

\boxed{ R_{dist} }

比 vocabulary-size retention 更重要。

19. Vocabulary Retention 可以很高但 Distinction Retention 很低

100 個 token 都還在：

N_g=N_0,

但其中 30 個逐漸變成同義。

則：

R_{vocab}=1

但：

R_{dist}<1.

因此：

\boxed{ \text{Vocabulary Preservation} \neq \text{Semantic Preservation}. }

20. Vocabulary Degeneration

2025 年 LLM iterated-transmission 研究觀察到：

語言可變得更 learnable；
但可能發展 non-humanlike degenerate vocabularies；
distinct signals 減少。

本文把這類現象抽象成：

\boxed{ \text{Vocabulary Degeneration}. }

21. Degeneration 不等於 Compression

這是本篇最重要的區分之一。

Good Compression

不同 meanings 透過：

shared primitives；
compositional rules；

仍可重建。

Degeneration

原本需要的 distinctions：

d_i

不可再從 signal 恢復。

所以：

\boxed{ \text{Compression} \neq \text{Information Loss}. }

好的 compression 可保持 recoverability。

22. Recoverable Compression

如果：

Decode( Compress(m) ) \approx m,

則是：

\boxed{ \text{Recoverable Compression}. }

若：

m_1,m_2 \rightarrow s

且無 context 可區分，

則：

\boxed{ \text{Degenerative Collapse}. }

23. Semantic Resolution

定義：

\boxed{ R_{sem} = \frac{ \text{distinguishable target states} }{ \text{required target states} }. }

退化往往：

R_{sem}\downarrow.

24. Degeneration Index

第一版：

\boxed{ D_{deg} = w_1(1-R_{dist}) + w_2(1-R_{sem}) + w_3(1-F_A) + w_4 CollapseRate. }

其中：

CollapseRate

可衡量多個 meaning 被壓成相同 signal 的比例。

25. Learnability Gain

定義：

\boxed{ G_L(g) = T_{learn}(g-1) - T_{learn}(g). }

若：

G_L>0,

新一代更容易學。

26. 危險的組合

如果：

G_L>0

同時：

D_{deg}>0,

就發生：

\boxed{ \text{Learnability-through-Degeneration}. }

語言更好學，

只是因為它少表達了東西。

27. 所以「下一代學得更快」不能當成功指標

真正需要同時看：

\boxed{ Learnability + Expressivity + Fidelity + DistinctionRetention. }

28. 四目標傳播模型

本文將傳播目標定為：

\boxed{ \mathbf T = ( L, F, E, I ). }

其中：

$L$ ：learnability；
$F$ ：fidelity；
$E$ ：expressivity；
$I$ ：innovation / adaptability。

29. Learnability

問：

下一 Agent 要花多少 exposure / compute 才能掌握？

可用：

T_{\epsilon}^{learn}.

30. Fidelity

問：

下一代是否仍忠於前一代／anchor？

可用：

F_T,F_A.

31. Expressivity

問：

critical distinctions 還能不能表達？

可用：

R_{dist},R_{sem}.

32. Innovation

問：

面對新 domain / Agent / world，語言能否長出必要新 distinctions？

若：

I=0

永遠完全複製，

會造成：

\boxed{ \text{Frozen Language}. }

33. Innovation 也不是越高越好

如果每代：

I_g\gg0,

language identity 失控。

所以：

\boxed{ \text{Innovation} \leftrightarrow \text{Fidelity}. }

34. Transmission Pareto Frontier

因此真正最佳 transmission policy：

\boxed{ \mathcal P_T = Pareto( Learnability, Fidelity, Expressivity, Innovation, Cost ). }

不存在一個 scalar 能對所有 domain 通用。

35. Teacher Compression

teacher：

A_g

決定傳什麼。

如果把一整套 operator contract 壓成很短：

D_g^{short},

teacher transmission cost 下降。

定義：

\boxed{ CR_T = \frac{ Size(\mathcal L_g) }{ Size(D_g) }. }

稱：

Teacher Compression Ratio。

36. Learner Reconstruction Burden

learner 從壓縮資料重建：

\hat{\mathcal L}_{g+1}.

定義：

\boxed{ B_R = C( D_g \rightarrow \hat{\mathcal L}_{g+1} ). }

若：

CR_T\uparrow,

通常：

B_R\uparrow.

37. Teacher–Learner Exchange

因此：

\boxed{ \text{Teacher Compression} \leftrightarrow \text{Learner Reconstruction}. }

這和 LRC–COL-05 的 basis-depth tradeoff 同構。

38. 最大壓縮不是最佳傳播

teacher 只傳：

⊕

成本極低，

但 learner 完全不知道意思。

所以：

\boxed{ \max CR_T \neq \max TransmissionUtility. }

39. Transmission Utility

第一版：

\boxed{ U_T = \alpha L + \beta F + \gamma E + \eta I - \lambda C_{teach} - \mu C_{reconstruct} - \nu D_{deg}. }

40. Optimal Bottleneck

因此可能存在：

\boxed{ b^* = \arg\max_b U_T(b). }

這是本篇最重要的新量之一。

41. Too Wide Bottleneck

如果：

b\rightarrow1,

learner 幾乎看到完整 language。

可能：

fidelity 高；
memorization 足夠；
compositional pressure 低；
irregular / redundant structures 被完整保留。

42. Too Narrow Bottleneck

如果：

b\rightarrow0,

learner 只能看到少量 examples。

可能：

regularization 強；
learnability 高；
rare distinction loss 高；
degeneration risk 高。

43. Intermediate Bottleneck Hypothesis

所以：

\boxed{ 0<b^*<1 }

可能是一般候選。

但 $b^*$ 必須條件化：

Agent；
domain；
risk；
communication requirement；
operator complexity。

44. Communication Pressure 防止退化

經典人工語言研究的重要結果之一：

單純 transmission pressure 推動 simplicity，但加入「必須用語言完成 communication」的 expressivity pressure 後，更容易出現既可學又可區分的 compositional structure。

因此：

\boxed{ \text{Transmission Pressure} + \text{Communication Pressure} }

比單純 transmission 更接近良好 language evolution。

45. COL 的 Communication Pressure 是什麼？

未來 operator language 的「communication」不只人類聊天。

可以是：

Agent 必須選對 tool；
compiler 必須產生正確 kernel sequence；
receiver 必須重建 exact world-state intention；
multi-agent 必須完成 coordination。

所以：

\boxed{ \text{Operational Success} }

本身就是 expressivity pressure。

46. 任務成功作為反退化壓力

如果兩個 critical meanings 被壓成同一 operator，

而這會造成不同 world outcomes，

task failure 會把它們重新分開。

因此：

\boxed{ \text{World Coupling} }

可以成為語言維持 distinctions 的外部壓力。

47. LRC 反而能保護語言不退化

語言越接到真實 consequence：

\kappa_{LR}>0,

錯誤合併 distinctions 的代價越可見。

所以：

\boxed{ \text{Grounded Action} }

可能抑制 purely internal shorthand degeneration。

48. 但如果 Agent 群只彼此對話？

如果：

A_1\leftrightarrow A_2\leftrightarrow A_3

只需彼此協調，

沒有外部 grounding，

它們可以形成：

\boxed{ \text{Locally Efficient Private Code}. }

對內成功，

對 world semantics 卻逐漸漂移。

49. Local Communication Success ≠ Global Semantic Fidelity

因此：

\boxed{ Success_{internal} \neq Fidelity_{world}. }

這與 LRC–COL-08 的 False Convergence 直接接合。

50. Shared Shorthand Risk

AI 多 Agent 系統可能自然壓縮：

Long Protocol
→ Short Symbol
→ Shared Convention

這很好，

但如果新 Agent 或人類無法 recover：

\boxed{ \text{Interoperability} \downarrow. }

51. Interoperability Retention

定義：

\boxed{ R_{interop}(g) = P( ExternalAgent \text{ can recover semantics} ). }

通用 COL 不能只讓同一小群 Agent 懂。

52. Vertical vs Horizontal Transmission

Vertical

A_g\rightarrow A_{g+1}.

Horizontal

A_i\leftrightarrow A_j

同一代內互相協調。

兩者壓力不同。

53. Vertical Pressure

強調：

learnability；
reconstructability；
compression。

54. Horizontal Pressure

強調：

coordination；
local efficiency；
shared conventions。

55. 兩者缺一會怎樣？

只有 horizontal：

可能形成難以教給新人的 private shorthand。

只有 vertical：

可能過度追求簡單而退化。

因此：

\boxed{ \text{Healthy Language Evolution} = \text{Vertical Learnability} + \text{Horizontal Expressivity}. }

56. One-to-Many Communication

2024 emergent-communication 研究進一步指出：

多 listener 本身不保證 compositionality。

真正重要的是：

listeners interests 是否不同；
是否需要 coordination。

因此 transmission topology 也是 language structure 的決定因素。

57. Transmission Topology

令：

G_T=(V,E)

表示 Agent communication graph。

edge：

A_i\rightarrow A_j

代表語言／operator 傳播。

不同 topology：

chain；
star；
mesh；
hierarchy；
teacher pool；

可能產生不同 language evolution。

58. Chain 的風險

A_1\rightarrow A_2\rightarrow\cdots\rightarrow A_n

容易累積：

\boxed{ \text{Telephone-Game Drift}. }

59. Multi-Teacher 的好處

如果：

A_{g+1}

同時從：

A_g^1,A_g^2,\ldots

學，

可比較不同 interpretations。

可能降低單一路徑 drift。

60. Multi-Teacher 的壞處

若 teachers 使用不同 versions：

O@v1,O@v2,

learner 可能混合成：

\boxed{ \text{Version Mixture}. }

所以 provenance 必須保留。

61. Canonical Teacher

可以指定：

\boxed{ A_{canon} }

只負責：

semantic anchor；
version；
regression examples。

其他 Agents 可創新。

62. 但 Canonical Teacher 不能變成永遠不變的中心

如果 canonical semantics 過時，

會阻止 adaptation。

所以需要：

\boxed{ \text{Versioned Canonical Anchor}. }

63. Anchored Iterated Transmission（AIT）

本文提出未來 COL 候選架構：

\boxed{ \text{Anchored Iterated Transmission}. }

一般 generations：

有限 transmission；
允許 regularization；
允許 innovation。

但每隔：

r

代：

重對 canonical anchor；
重跑 invariant probes；
重跑 world-grounded tasks；
檢查 distinction retention。

64. Anchor Refresh Interval

定義：

\boxed{ r_A }

每隔多少 transmission generations 重錨。

太頻繁：

抑制自然優化；
增加成本。

太少：

drift 累積。

因此可能存在：

r_A^*.

65. Anchor Refresh 不是 Reset

不是把 learner 強制還原到第 0 代。

而是：

保留合法 innovation，只修正 invariant-breaking drift。

所以：

\boxed{ \text{Reground} \neq \text{Rollback All}. }

66. Stable Core + Evolvable Periphery

AIT 可配合：

\boxed{ \text{Stable Core} + \text{Evolvable Periphery}. }

core：

transmission fidelity 高；
bottleneck 寬；
anchor refresh 頻繁。

periphery：

bottleneck 較窄；
innovation 較高；
可進行 local optimization。

67. Rare-Distinction Preservation

傳播最容易丟的是：

p(d_i)\ll1

的 rare distinctions。

所以 teacher sampling 不能只按 frequency。

68. Risk-Weighted Sampling

對 distinction：

d_i,

sampling probability：

\boxed{ P_{sample}(d_i) \propto f_i + \lambda Risk_i + \mu Novelty_i. }

讓低頻但 high-criticality distinction 仍會被傳給下一代。

69. Transmission Curriculum

因此下一代不應只接 random samples。

可分：

Core Samples

保證 invariants。

Frequency Samples

反映實際 workload。

Boundary Samples

防 semantic collision。

Rare-Critical Samples

防止重要 distinction 消失。

Novel Composition Samples

維持 compositionality。

70. Curriculum-Bottleneck 不是單一 b

更完整：

\boxed{ B_T = ( b_{core}, b_{freq}, b_{boundary}, b_{rare}, b_{novel} ). }

所以 optimal bottleneck 是向量問題。

71. Teacher Selection Problem

teacher 要決定：

傳哪一些 examples 最有價值？

這本身就是：

\boxed{ \text{Transmission Query Selection}. }

與 RLMM 的 VOI 問題同構。

72. Distinction Value of Information

一個 training example：

e

若能讓 learner 區分：

O_i

與：

O_j,

其 transmission value 高。

可定義：

\boxed{ VOI_T(e) = \Delta Fidelity + \Delta DistinctionRetention + \Delta Transfer - Cost(e). }

73. 最佳傳播不是傳最多

teacher budget 有限時：

\boxed{ D_g^* = \arg\max_{D:Cost(D)\le B} U_T(D). }

這是一個 dataset / curriculum selection problem。

74. Compression 與 Examples 的分工

完整 operator definition 可以短。

但 examples / counterexamples 補足：

boundary；
usage；
grounding。

因此：

\boxed{ \text{Short Formal Core} + \text{Rich Sparse Examples} }

可能是比純文字長定義更好的 transmission packet。

75. Transmission Packet

每個 stable operator 可傳：

Symbol
Version
Type
Core Invariants
Minimal Expansion
Positive Example
Negative Example
Boundary Example
World-Grounded Probe
Known Confusions

這是：

\boxed{ \text{Minimal Semantic Transmission Packet}. }

76. 最小 Packet 也是 optimization

packet 太長：

C_{teach}\uparrow.

packet 太短：

C_{reconstruct}\uparrow, \quad D_{deg}\uparrow.

因此存在：

\boxed{ P^*_{transmit}. }

77. Generational Learnability Curve

可追：

\boxed{ T_{learn}(g). }

如果：

T_{learn}(g)\downarrow

同時：

R_{dist}(g)\approx1,

這是真正良性 regularization。

78. Degenerative Learnability Curve

如果：

T_{learn}(g)\downarrow

但：

R_{dist}(g)\downarrow,

則只是退化。

因此兩條曲線必須一起畫。

79. Fidelity–Learnability Plane

四象限：

Q1

高 fidelity / 高 learnability
理想。

Q2

高 fidelity / 低 learnability
太複雜但保真。

Q3

低 fidelity / 高 learnability
退化 shorthand。

Q4

低 fidelity / 低 learnability
全面失敗。

80. 再加入 Expressivity

真正應看三維：

\boxed{ (L,F,E). }

加 innovation 後：

\boxed{ (L,F,E,I). }

81. Language Degeneration 不只 Vocabulary Collapse

至少四種 degeneration：

D1 — Vocabulary Collapse

不同 meanings 共用 signals。

D2 — Boundary Collapse

適用／不適用條件模糊。

D3 — Type Collapse

原本不同 operator type 混用。

D4 — Grounding Collapse

Agent 彼此理解，但外部 world semantics 漂移。

82. D4 最危險

因為內部 communication score 仍可能很高。

所以：

\boxed{ \text{Communication Success} \neq \text{Grounded Language Health}. }

83. Innovation Degeneration

還有另一個方向：

每代都新增 notation，

但沒有 consolidation。

形成：

\boxed{ \text{Innovation Explosion}. }

這不是 compression degeneration，

而是 uncontrolled expansion。

84. 所以語言退化有兩端

Collapse Degeneration

太簡。

Fragmentation Degeneration

太亂。

真正 healthy language 位於兩者之間。

85. Transmission Viability Region

定義：

\boxed{ \mathcal V_T = \{ \mathcal L: L\ge\tau_L, F\ge\tau_F, E\ge\tau_E, I_{min}\le I\le I_{max} \}. }

語言 generations 應盡量留在：

\mathcal V_T.

86. Transmission Hysteresis

與前篇 operator hysteresis 同樣，

語言不應因單一 generation metric 改變就重新設計。

需要：

promote threshold；
deprecate threshold；
anchor-drift threshold。

87. Generation Churn

如果每代都：

rename；
split；
merge；

新 learner 永遠追不上。

因此：

\boxed{ \text{Transmission Stability} }

本身也是 learnability 的一部分。

88. Generation Length

一代要多長？

如果：

G_{length}

太短，

每代 learner 還沒充分使用語言就傳下一代。

如果太長：

local idiosyncrasy 可能固化；
adaptation 變慢。

因此也可能存在：

\boxed{ G_{length}^*. }

89. Human / AI Generation 不必同尺度

AI generation 可以是：

100 tasks；
1000 operator uses；
model update；
monthly release。

所以應用 event count，

不要只用日曆時間。

90. Transmission Rate

定義：

\boxed{ r_T = \frac{ N_{\text{semantic units transmitted}} }{ Time }. }

太高：

learner overload。

太低：

adaptation latency。

91. Transmission Bandwidth

\boxed{ B_T = \frac{ Information(D_g) }{ TransmissionWindow }. }

這是 communication bandwidth 與 learning bottleneck 的接口。

92. Bottleneck 也可以來自 Context Window

AI learner：

Context_{max}

有限。

若整個 operator library：

Size(\mathcal L)>Context_{max},

自然形成 transmission bottleneck。

93. Retrieval 可以改變 Bottleneck

有 external memory / retrieval 時：

learner 不必一次內化全部。

因此：

\boxed{ \text{Retrieval} }

實際上能放寬：

b.

94. 但 Retrieval 也可能阻止結構化壓力

如果所有 rare mapping 都可隨時查表，

Agent 不必 internalize compositional rule。

因此：

\boxed{ \text{Perfect Retrieval} }

也可能降低形成 compact internal basis 的壓力。

這是非常值得後續實驗的新命題。

95. Memory–Composition Tradeoff

因此：

\boxed{ \text{External Memory} \leftrightarrow \text{Internal Compositionality}. }

更多外部查表能力可能允許較多 idiosyncratic forms 存活。

96. 這對 AI 特別重要

人類記憶 bottleneck 很強。

AI 可以有：

huge storage；
perfect logs；
retrieval。

所以人類語言演化的 bottleneck 結論不能原封不動移植。

COL 必須重新研究：

\boxed{ b^*(A,R,C). }

97. AI Bottleneck 可以被人工設計

這是人類自然語言沒有的巨大差別。

我們可以主動控制：

transmission packet；
retrieval availability；
example diversity；
anchor refresh；
memory retention；
versioning。

因此：

\boxed{ \text{Language Evolution} }

第一次可以變成：

\boxed{ \text{partly engineered cultural evolution}. }

98. 但不能過度優化

如果 designer 完全控制所有 transmission，

語言可能過度適配當前 Agent。

未來新 architecture：

A'

反而學不好。

所以要保留：

cross-model tests；
open-world probes；
diversity。

99. Transmission Robustness

定義：

\boxed{ R_T = Performance( \mathcal L \text{ transmitted across heterogeneous }A_i ). }

通用 COL 應追：

R_T.

100. Cross-Model Generation Chain

例如：

GPT\rightarrow Qwen\rightarrow Llama\rightarrow Other.

不要求同一模型 family。

這比同模型自我傳播更能測：

\boxed{ \text{model-independent semantics}. }

101. Translation vs Transmission

如果不同 Agent 有不同 local basis：

\mathcal L_A,\mathcal L_B,

可以用：

\Phi_{AB}

translation。

這時傳播不是：

\mathcal L_A\rightarrow\mathcal L_A,

而是：

\boxed{ \mathcal L_A \rightarrow \Phi_{AB} \rightarrow \mathcal L_B. }

102. Translation Fidelity

定義：

\boxed{ F_{\Phi} = 1- D_S( Sem_A, TranslateBack(Sem_B) ). }

這也需要進 overall transmission fidelity。

103. Universal Interchange Layer

可能存在：

\boxed{ \mathcal L_I }

作為跨 Agent canonical interchange language。

各 Agent：

\mathcal L_i \leftrightarrow \mathcal L_I.

這可以降低 pairwise translation：

O(n^2)

到：

O(n).

104. 但 Interchange Layer 也可能成為 Bottleneck

如果：

\mathcal L_I

太貧乏，

local languages 的 distinctions 會被壓掉。

所以 interchange language 也要測：

R_{dist}.

105. 本篇十二個正式命題

TR-P1 — Bottleneck Structuring

有限 transmission bottleneck 可對語言施加規則化／compositionality 壓力。

TR-P2 — Degenerate Learnability

單獨最大化 learnability 可能導致 underspecified degenerate language。

TR-P3 — Expressivity Counterpressure

communication / operational pressure 可以防止 pure simplicity collapse。

TR-P4 — Intermediate Bottleneck

傳播效用對 bottleneck size 可能非單調，存在 $b^*$ 。

TR-P5 — Distinction Retention

vocabulary retention 不足以衡量 semantic preservation，應追蹤 $R_{dist}$ 。

TR-P6 — Teacher–Learner Exchange

teacher compression 增加時，learner reconstruction burden 通常上升。

TR-P7 — Grounding Protection

world-grounded action pressure 可抑制只對 Agent 內部有效的 shorthand degeneration。

TR-P8 — Vertical–Horizontal Complementarity

vertical transmission 主要施加 learnability pressure，horizontal interaction 主要施加 expressivity / coordination pressure；兩者共同決定 language form。

TR-P9 — Anchored Iterated Transmission

週期性 semantic anchor / invariant probes 可降低 cumulative drift，同時保留有限 innovation。

TR-P10 — Rare-Critical Preservation

sampling curriculum 必須 risk-weight rare distinctions，不能只按 frequency。

TR-P11 — Retrieval–Composition Tradeoff

強 external retrieval 可能放寬 transmission bottleneck，但同時降低 internal compositional pressure。

TR-P12 — Engineered Cultural Evolution

AI-native operator language 的 transmission bottleneck、curriculum、memory 與 anchor 可以被主動設計，因此 language evolution 部分可工程化。

106. 第一版實驗：Bottleneck Sweep

建立固定 meaning space：

\Omega.

bottleneck：

b= 1.0, 0.75, 0.5, 0.25, 0.1.

每個 condition 做多代 transmission。

量：

$T_{learn}(g)$ ；
$F_A(g)$ ；
$R_{dist}(g)$ ；
compositionality；
vocabulary size；
task success。

107. Communication Pressure Ablation

兩條：

Transmission Only

只要求 learner 重建 language。

Transmission + Use

每代還必須用語言完成 communication / tool task。

比較 degeneration。

108. Anchor Ablation

No Anchor

純 chain。

Static Anchor

每代看到 canonical definition。

Periodic Anchor

每 $r$ 代 reground。

Invariant-Only Anchor

只給 core invariants。

測：

drift；
innovation；
learnability。

109. Rare-Distinction Test

設：

p(d_{critical})=0.01

但 error cost 高。

比較：

Frequency Sampling

Risk-Weighted Sampling

看是否保住：

R_{dist}.

110. Teacher Compression Sweep

Transmission packet：

full；
50%；
25%；
10%；
symbol-only。

測 learner：

B_R, T_{learn}, F_A.

找 transmission sweet spot。

111. Retrieval Condition

比較：

No External Memory

learner 只能靠 transmission。

Full Retrieval

所有 legacy examples 可查。

Selective Retrieval

只允許 query canonical anchor / rare cases。

測 compositional pressure 與 degeneration。

112. Heterogeneous-Agent Chain

用不同 Agent / model family 逐代傳。

比同模型 chain 更能測：

R_T.

113. Topology Experiment

比較：

chain；
one teacher → many learners；
many teachers → one learner；
mesh；
hierarchy。

量：

convergence；
fidelity；
innovation；
degeneration。

114. Generational Output

每一代保存：

Generation
Vocabulary Size
Operator Graph
Learnability
Anchor Fidelity
Adjacent Fidelity
Distinction Retention
Semantic Resolution
Innovation Rate
Degeneration Index
Transmission Cost
Reconstruction Cost

115. Language Health Dashboard

整體可以壓成：

\boxed{ \mathbf H_g = ( L_g, F_g, E_g, I_g, D_{deg,g}, C_g ). }

不要只看：

generation 10 accuracy。

116. 什麼才算良性語言演化？

候選判準：

T_{learn}(g)\downarrow

同時：

F_A(g)\ge\tau_F,

R_{dist}(g)\ge\tau_D,

D_{deg}(g)\le B_D.

這才是：

\boxed{ \text{Learnability without Degeneration}. }

117. 長期極限不一定存在

可能：

\mathcal L_g \rightarrow \mathcal L^*

穩定。

也可能：

limit cycle；
branching；
repeated innovation；
periodic re-anchoring。

因此不假設：

\lim_{g\to\infty}\mathcal L_g

必然存在。

118. Branching Language Evolution

不同 Agent groups：

P_1,P_2

可能形成：

\mathcal L_1,\mathcal L_2.

這不一定是 failure。

可能是：

domain specialization；
local efficiency。

但需要 interchange / translation。

119. Language Speciation

當兩個 branches：

F_{\Phi}

太低，

可能形成：

\boxed{ \text{Language Speciation}. }

也就是不再是同一語言版本，而是不同 language family。

120. 通用傳播的真正目標

不是阻止任何分叉。

而是：

\boxed{ \text{preserve a recoverable common semantic substrate}. }

即使 surface dialects 分化。

121. Common Semantic Kernel

因此再次回到：

\boxed{ \mathcal O_{kernel}. }

可能：

surface language 演化快；
kernel semantic invariants 演化慢。

這是跨世代通用傳播的一個強候選架構。

122. Kernel Transmission

kernel packet 要特別高 fidelity：

type；
invariant；
expansion；
world test；
version。

surface macro 可以有更高 plasticity。

123. 這與 LRC–COL-05 的雙層 ISA 合流

前面：

\mathcal O_{surface} \rightarrow \mathcal O_{kernel}^*.

現在：

\boxed{ \text{surface evolves faster} ,\qquad \text{kernel transmits more conservatively}. }

因此 dual-level basis 不只是 execution architecture，

也是 transmission architecture。

124. 本篇核心公式組

代際傳播：

\boxed{ \mathcal L_g \xrightarrow{\mathcal T_g} D_g \xrightarrow{A_{g+1}} \mathcal L_{g+1}. }

bottleneck：

\boxed{ b_g = \frac{ Information(D_g) }{ InformationRequired(\mathcal L_g) }. }

distinction retention：

\boxed{ R_{dist}(g) = \frac{ |\mathcal D_g^*\cap\mathcal D_0^*| }{ |\mathcal D_0^*| }. }

degeneration：

\boxed{ D_{deg} = w_1(1-R_{dist}) +w_2(1-R_{sem}) +w_3(1-F_A) +w_4CollapseRate. }

optimal bottleneck：

\boxed{ b^* = \arg\max_bU_T(b). }

125. 非主張

本文不主張：

人類 iterated-learning 結果可直接無修改套用到 LLM；
transmission bottleneck 越窄一定越 compositional；
compositionality 自動等於高 semantic fidelity；
vocabulary 縮小一定是 degeneration；
LLM 代際傳播一定退化；
communication pressure 能完全防止 drift；
universal optimal bottleneck $b^*$ 存在；
external retrieval 一定降低 compositionality；
canonical anchor 應永遠不變；
AI cultural evolution 可以被完全控制。

本文只提出：

\boxed{ \text{Intergenerational operator-language transmission should be evaluated as a tradeoff among learnability, fidelity, expressivity, innovation, reconstruction cost, and semantic degeneration under an explicit transmission bottleneck.} }

126. 文獻錨點

Cultural evolution: implications for understanding the human language faculty and its evolution（Philosophical Transactions of the Royal Society B, 2008）
系統說明 iterated learning 與 learning bottleneck 如何形成對可學習、可泛化結構的文化選擇壓力；compositionality 可被理解為巨大表達空間通過有限學習資料瓶頸的一種適應。
Kirby et al. 系列 iterated-learning / communication experiments（2008–2015；後續綜述）
相關實驗與理論指出，單純 simplicity / learnability pressure 可導致 underspecified 或 degenerate systems；加入 communication / expressivity pressure 後，語言更可能形成兼顧可學習與可區分性的 compositional structure。
Searching for Structure: Investigating Emergent Communication with Large Language Models（COLING 2025）
LLM artificial-language iterated transmission 可提高 learnability 並產生一些 structure，但同時可能形成 non-humanlike degenerate vocabularies。這是本文 AI 代際傳播問題最直接的近期錨點。
Frequency & Compositionality in Emergent Communication（EMNLP 2025）
顯示 compositionality 不是 frequency 本身的直接函數，limited exposure 是重要驅動。這支持 transmission curriculum / bottleneck 不能只用 raw frequency 設計。
One-to-Many Communication and Compositionality in Emergent Communication（EMNLP 2024）
多 listener 本身不保證 compositionality；不同 listener interests 與 coordination requirements 會改變 emergent language structure，支持 transmission topology 進入模型。
Cultural evolution creates the statistical structure of language（Scientific Reports, 2024）
進一步展示 iterated learning 可讓語言統計結構在傳播中成為 learnability 的原因與結果，支持「語言會適應 learner」的動態觀點。
Efficiency fosters cumulative culture across species（Philosophical Transactions B, 2021）
綜述語言與文化系統中的 information bottleneck、expressivity 與 compression 交換，提供「傳播受限會選擇更有效結構」的廣泛理論背景。

127. 下一篇

LRC–COL-10：多 Agent 傳播拓撲與複合性形成

Multi-Agent Transmission Topology and the Emergence of Compositional Structure

下一篇將不再把：

A_g\rightarrow A_{g+1}

當成單一線性 chain。

而正式研究：

\boxed{ G_T=(V,E) }

不同 communication topology 如何改變：

operator convergence；
dialect branching；
compositionality；
minority innovation；
false consensus；
semantic drift；
transmission speed；
local shorthand；
common kernel。

將比較：

one-to-one；
one-to-many；
many-to-one；
mesh；
hierarchy；
modular communities；
rotating teacher；
federated multi-Agent。

並問：

一套複合 AI 語言到底應該由「中央標準」傳下去，還是讓多 Agent 局部演化再經 common kernel 對齊？

這會是第 11 篇 Operator Basis Adaptation Law 之前，最後一塊群體動力學基礎。

END — LRC–COL-09 v0.1