理解共享域算子族：跨觀察者的視覺關係語義

Understanding Shared-Domain Operators for Cross-Observer Visual Semantics

——從人類高階感受詞，走向可組合、可比較、可反事實推理的視覺關係結構

VUSD Series — Paper 03 / 05
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-31
定位： 基礎理論 / Shared-Domain Semantics / Operator Theory
研究狀態： 理論原型；目前提出的是 bootstrap operator family，而非宣稱完成全部視覺本體

摘要

Visual Understanding Shared-Domain Theory（VUSD）在 Paper 01 中提出：

I \rightarrow C \rightarrow D \rightarrow P \rightarrow U \rightarrow \Pi_O \rightarrow M,

其中：

$D$ ：Visual Decision；
$P$ ：Perceptual / Relational Mechanism；
$U$ ：Understanding Shared Domain；
$\Pi_O$ ：Observer Projection；
$M$ ：Experienced Meaning。

Paper 02 進一步區分：

\text{Creator Rationale} \neq \text{Contextual Cause} \neq \text{Functional Rationale}.

本文專門處理其中最重要、也最容易被混淆的一層：

Understanding Shared Domain

理解共享域

核心問題是：

若我們暫時不把「性感、神聖、威嚴、可愛、恐怖、優雅」等人類高階感受詞當作最底層 primitive，是否能建立一組較底層、可跨觀察者描述的視覺關係算子？

本文提出第一版：

\mathcal U_0 = \{ Attention, Salience, Contrast, Distance, Approach, Avoidance, Reciprocity, Dominance, Symmetry, Asymmetry, Expectation, Violation, Uncertainty, Reveal, Conceal, Rhythm, Closure, Tension, Coherence, Separation, Grouping, Direction, Repetition, Scale, Density, Continuity, Interruption \}.

但強調：

\boxed{ \mathcal U_0 \neq \mathcal U_{\mathrm{all}}. }

這些算子不是「宇宙終極美學字典」，而是可供 AI 與人類共同推理的初始共享描述域。

本文主張：

\boxed{ \text{Shared Relation} \neq \text{Shared Subjective Experience}. }

同一個 Shared-domain State 可以被不同 observer 投影成不同 Experienced Meaning。

例如：

Reveal + Conceal + Reciprocity + Uncertainty

可能被某個 observer 感受為「誘惑」，被另一個 observer 感受為「神秘」，也可能被第三個 observer 解讀為「不安」。

因此：

M_O = \Pi_O(U,C_O),

而不是：

M = U.

VUSD 的目標不是消除主觀性，而是在主觀經驗之前建立一層較可共享、可計算、可反事實比較的關係語義。

1. 為什麼需要 Shared Domain？

AI 視覺分析常直接輸出：

這張圖很性感
這張圖很莊嚴
這張圖很有壓迫感
這張圖很可愛
這張圖很孤獨

這些描述具有實用價值。

但如果把它們直接當作底層變量，就會出現三個問題。

1.1 同一視覺形式可能被不同 observer 解讀不同

例如：

黑色大面積背景

可能被描述為：

神秘
高級
孤獨
壓迫
死亡
極簡

因此：

\text{BlackBackground} \neq \text{Mystery}.

1.2 同一高階感受可由不同形式產生

例如：

威嚴

可能來自：

低視角
大尺度
中央構圖
對稱
距離
高垂直線
低頻動作
高材質重量

所以：

\text{Majesty} \not\Rightarrow \text{One Fixed Visual Recipe}.

1.3 高階感受詞往往包含文化與語言投影

例如：

性感

並不是單一物理或知覺量。

它可能涉及：

身體可讀性
距離
視線
互惠
遮蔽 / 揭露
姿態
文化規範
性別角色
時代審美
個人偏好

因此：

\boxed{ \text{High-level Meaning} = \text{Structured Relation} + \text{Observer Projection}. }

2. Shared Domain 的定義

本文暫定：

Understanding Shared Domain

為：

一組位於純像素／幾何描述與具體 observer 主觀經驗之間，能描述視覺關係、注意力配置、方向、距離、衝突、遮蔽、群組、節奏等結構的中介語義域。

形式：

U = \Phi( Artifact, PerceptualMechanisms ).

其中：

U \neq M.

3. Shared 不代表所有觀察者完全一致

「Shared」不是：

所有 observer 看見同一感覺。

而是：

不同 observer 或不同智能系統有可能對某些較底層關係達成較高程度的一致描述。

例如：

A 比 B 更亮
人物比背景更突出
視線指向觀者
兩個主要形體重複
臉與身體朝向不同
某物被部分遮住

這些描述通常比：

性感
神聖
漂亮

更容易跨 observer 對齊。

所以：

\boxed{ \text{Shared} = \text{Potentially Interoperable}, }

而不是：

\text{Universally Identical}.

4. 三層語義結構

VUSD 建議將視覺語義拆成：

L1 — Artifact / Structural State

例如：

亮度
位置
角度
面積
遮擋
輪廓
顏色
姿態
材質
透明度

L2 — Shared-Domain Relation

例如：

salience
contrast
distance
repetition
reveal
conceal
directional conflict
reciprocity
dominance
uncertainty

L3 — Observer Meaning

例如：

性感
恐怖
神聖
溫柔
壓迫
可愛
優雅
危險

因此：

Artifact \rightarrow U \rightarrow M_O.

5. Primitive 不應定義得太快

本文使用「operator」而不是「emotion primitive」。

原因是：

Attention
Contrast
Reveal
Distance

仍可能不是不可再分解的真正 primitive。

它們只是目前足夠有用的：

Operational Primitives

即：

工程上暫時可操作、可測量、可組合的基礎單位。

因此：

\boxed{ \text{Operational Primitive} \neq \text{Ontological Primitive}. }

6. 第一類：Attention / Salience Operators

這一類描述：

什麼更容易被觀察系統優先選取。

包括：

ATTENTION
SALIENCE
FOCALITY
COMPETITION
DISTRACTION

例如：

SubjectContrast\uparrow \Rightarrow Salience_{subject}\uparrow

在某些條件下成立。

但不表示：

Salience = Beauty.

7. 第二類：Contrast / Difference Operators

視覺系統大量依賴差異。

包括：

LUMINANCE_CONTRAST
COLOR_CONTRAST
SCALE_CONTRAST
TEXTURE_CONTRAST
MATERIAL_CONTRAST
DENSITY_CONTRAST
DIRECTION_CONTRAST
SEMANTIC_CONTRAST

可以統合成：

Contrast(x,y).

例如：

柔軟皮膚
vs
蛇鱗

不只是材質不同。

它還可能造成：

surface contrast
tactile contrast
semantic contrast

8. 第三類：Distance / Proximity Operators

包括：

DISTANCE
PROXIMITY
SEPARATION
CONTACT
OVERLAP
ENCLOSURE

它們不必先被解釋成：

親密
疏離

而是描述：

元素之間的空間與關係距離。

例如：

FaceToViewerDistance\downarrow

可能影響：

PerceivedProximity\uparrow.

但「親密感」仍需 Observer Projection。

9. 第四類：Direction / Orientation Operators

包括：

DIRECTION
ALIGNMENT
OPPOSITION
CONVERGENCE
DIVERGENCE
DIRECTIONAL_CONFLICT
GAZE_DIRECTION
BODY_DIRECTION
FLOW_DIRECTION

例如：

BodyDirection \neq GazeDirection

可以產生：

DIRECTIONAL_CONFLICT

再與：

RECIPROCITY
DISTANCE

形成更高階關係。

10. 第五類：Reciprocity / Relation Operators

這類算子描述：

畫面元素是否建立「互相指向」或「對 observer 回應」的關係。

包括：

RECIPROCITY
ADDRESS
RESPONSE
MUTUAL_ORIENTATION
VIEWER_BINDING

例如角色直視鏡頭：

Gaze \rightarrow Observer.

可建立較高：

ViewerBinding.

但：

ViewerBinding

不自動等於：

誘惑
威脅
親密

這些取決於其他 state。

11. 第六類：Approach / Avoidance Operators

包括：

APPROACH
AVOIDANCE
INVITATION
WITHDRAWAL
ACCESSIBILITY
INACCESSIBILITY

這裡必須小心。

Invitation 已比純幾何更高階。

所以 VUSD v0.1 將它視為：

Composite Shared Operator

例如：

Invitation = f( Reciprocity, Proximity, Openness, Direction ).

而不是 primitive。

12. 第七類：Reveal / Conceal Operators

這一類對人物設計尤其重要。

包括：

REVEAL
CONCEAL
PARTIAL_VISIBILITY
OCCLUSION
TRANSPARENCY
LAYERED_VISIBILITY

例如薄紗：

Occlusion > 0

但：

Visibility > 0.

所以：

Reveal + Conceal

可以同時存在。

這比：

透明 = 性感

更精確。

13. 第八類：Expectation / Violation Operators

包括：

EXPECTATION
PREDICTABILITY
VIOLATION
SURPRISE
NOVELTY
DEVIATION

這些 operator 必須依賴：

observer prior
genre prior
historical prior

所以：

Expectation = f( Artifact, Prior_O ).

因此它是：

Observer-conditioned Shared Operator

不是完全 observer-independent。

14. Shared Domain 也有條件式算子

這表示 Shared Domain 並非全部都是：

observer-free

更合理是分成：

Type A — Mostly Structural

例如：

overlap
direction
scale contrast
repetition

Type B — Observer-conditioned

例如：

expectation
novelty
familiarity
semantic violation

所以：

U = U_s \cup U_o.

其中：

$U_s$ ：structural shared operators；
$U_o$ ：observer-conditioned operators。

15. 第九類：Symmetry / Asymmetry Operators

包括：

SYMMETRY
ASYMMETRY
BALANCE
IMBALANCE
CENTERING
OFFSET

必須再次強調：

Symmetry \neq Beauty.

對稱可能提高：

stability
formality
predictability

但也可能降低：

dynamic tension
novelty

視 task 而定。

16. 第十類：Rhythm / Repetition Operators

包括：

RHYTHM
REPETITION
ALTERNATION
INTERVAL
ACCELERATION
DECELERATION
CADENCE

例如：

蛇的曲線
髮絲曲線
衣帶曲線

若方向相互呼應：

CurveRepetition\uparrow

可形成：

visual rhythm
thematic coherence

17. 第十一類：Coherence / Conflict Operators

包括：

COHERENCE
INCOHERENCE
COMPATIBILITY
CONFLICT
STYLE_CONFLICT
SEMANTIC_CONFLICT

例如同一角色：

古風服裝
+
科幻槍械

不一定 incoherent。

若世界觀支持，它可以 coherence 很高。

因此：

Coherence = f( Relations, Context ),

而不是單純：

元素相似

18. 第十二類：Grouping / Segmentation Operators

包括：

GROUPING
SEPARATION
FIGURE_GROUND
ENCLOSURE
SIMILARITY_GROUP
PROXIMITY_GROUP
CONTINUITY_GROUP

它們回答：

觀察系統把哪些東西視為同一群？

這對：

構圖
服裝
UI
群像
背景

都非常重要。

19. 第十三類：Scale / Dominance Operators

包括：

SCALE
DOMINANCE
SUBORDINATION
OCCUPANCY
VISUAL_WEIGHT
HIERARCHY

例如：

Area_{subject} \gg Area_{secondary}

可能提高：

visual dominance

但：

權力感

仍是更高階 Observer Meaning。

20. Dominance ≠ Social Meaning

這是一個典型去混淆：

\boxed{ \text{Visual Dominance} \neq \text{Social Dominance}. }

一個物件在畫面上最大，

不代表它在故事中權力最高。

兩者可能相關，但需 context。

21. 第十四類：Density / Complexity Operators

包括：

DENSITY
SPARSITY
DETAIL
CLUTTER
COMPLEXITY
REDUNDANCY

例如：

BackgroundDensity\downarrow

可能：

SubjectCompetition\downarrow.

但：

簡潔 = 高級

仍是 observer/context-dependent projection。

22. 第十五類：Continuity / Interruption Operators

包括：

CONTINUITY
INTERRUPTION
BREAK
FLOW
DISCONTINUITY

例如：

長髮流線
突然被武器切斷

可能形成：

flow interruption

並提高某區域 attention。

23. 第十六類：Uncertainty Operators

包括：

UNCERTAINTY
AMBIGUITY
INCOMPLETENESS
MULTISTABILITY
INDETERMINACY

例如：

表情似笑非笑
視線不完全對準
物件被遮擋一部分

可提高：

InterpretiveUncertainty.

這不等於：

神秘

但可以成為神秘感的一部分。

24. 第十七類：Tension Operators

Tension 不應是一個單一數字。

可以拆成：

DIRECTIONAL_TENSION
SPATIAL_TENSION
RELATIONAL_TENSION
BALANCE_TENSION
EXPECTATION_TENSION
REVEAL_CONCEAL_TENSION
APPROACH_AVOIDANCE_TENSION

因此：

Tension = \mathbf T.

而不是：

Tension\in[0,1].

25. Tension 是 composite operator

例如：

T_{approach-avoidance} = f( Approach, Avoidance, Reciprocity, Distance ).

所以：

\boxed{ \text{Tension} \text{ is usually relational and composite.} }

這與既有角色魅力研究中：

Exposure \neq Tension

完全相容。

26. Shared-Domain Operator 的四種類型

VUSD v0.1 建議：

Type S — Structural

主要從 artifact 結構計算。

overlap
scale
direction
repetition
symmetry

Type P — Perceptual

依賴基本 observer / perceptual model。

salience
figure-ground
grouping

Type R — Relational

依賴元素之間交互。

reciprocity
dominance
distance tension
reveal-conceal

Type C — Context-conditioned

依賴文化、歷史、observer prior。

expectation
novelty
semantic violation
symbolic distance

27. Operator 不是詞彙表，而是可執行關係

若只把：

reveal
contrast
distance

存成文字，

價值有限。

真正 Operator 應至少有：

O= ( Input, Condition, Relation, Output, Scope ).

例如：

REVEAL_CONCEAL

可以定義：

Inputs:
foreground coverage
underlying feature visibility
material transparency

Condition:
partial occlusion

Output:
reveal_conceal_state

Scope:
layered visual structure

28. Operator Schema

建議：

{
  "operatorId": "vusd.shared.reveal_conceal.v0.1",
  "class": "RELATIONAL",
  "inputs": [
    "occlusion_map",
    "visibility_map",
    "transparency_map"
  ],
  "outputs": [
    "reveal",
    "conceal",
    "partial_visibility"
  ],
  "scope": [
    "character_art",
    "material_layers"
  ],
  "observerConditioned": false,
  "confidence": 0.81
}

29. Composite Operator

高階關係可由低階組合。

例如：

ViewerTension = f( Reciprocity, Distance, Uncertainty, Approach, Avoidance ).

這樣可以避免：

性感

變成黑盒 primitive。

30. Experienced Meaning 作為 Projection

假設：

U= ( Reciprocity=0.8, RevealConceal=0.7, Uncertainty=0.6, Distance=0.4 ).

不同 observer：

O_1,O_2,O_3

可能得到：

M_{O_1} = \text{誘惑},

M_{O_2} = \text{神秘},

M_{O_3} = \text{不舒服}.

因此：

\boxed{ U \text{ may be shared while } M \text{ diverges}. }

31. 共享域不是去除人類經驗

VUSD 不是要說：

「性感、可愛、恐怖」都不重要。

相反，它們仍然重要。

只是它們應位於：

Experienced Meaning

或：

Observer-conditioned semantic layer

而不是被錯當成：

pixel-native universal property

32. Human Meaning 可以作為高階 Operator Family

例如：

SENSUALITY
MAJESTY
CUTENESS
HORROR
SACRALITY
ELEGANCE

可以建立成：

Observer-domain Composite Operators

其形式：

M_k = g_k( U, O, C ).

33. 「性感」範例

不應：

Sensuality = Exposure.

更合理：

Sensuality = g( BodySalience, Reciprocity, Distance, RevealConceal, Gesture, Uncertainty, Culture, Observer ).

因此：

\boxed{ Exposure \neq RevealConceal \neq Sensuality. }

34. 「威嚴」範例

可能：

Majesty = g( Scale, Dominance, Symmetry, Distance, Verticality, LowMotion, Context ).

但沒有必要每個作品都用相同組合。

所以：

Majesty \text{ is a family of realizations.}

35. 「可愛」範例

可能涉及：

small scale
rounded contour
large head/body ratio
high reciprocity
low threat cue
soft material
predictability

但：

Cuteness \neq LargeEyes.

大眼只是某些文化與風格中的常見實現。

36. 「恐怖」範例

可能涉及：

uncertainty
expectation violation
low visibility
scale mismatch
body deformation
approach ambiguity
semantic conflict

因此：

Horror \neq DarkColor.

37. Shared Domain 對 AI 的意義

若 AI 只知道：

這張比較性感

它很難知道應該改什麼。

若知道：

reciprocity 太低
reveal-conceal 降低
bodyline salience 被衣服吞掉
distance tension 消失

就可以更精確地選 Operator。

因此：

\boxed{ \text{Shared-Domain Diagnosis} \rightarrow \text{Better Revision Targeting}. }

38. 與 AADS 的關係

AADS 可以把 Intent：

保留危險魅力但不要改變角色身份

編譯成 shared-domain targets：

retain:
reciprocity
uncertainty
reveal_conceal
body_salience

do not modify:
identity
garment topology

再選擇 Operator。

因此：

Intent \rightarrow U_{target} \rightarrow OperatorPlan.

39. 與 RVGR 的關係

Reflexive Visual Generation 可以在中途觀察：

reciprocity drift
silhouette dominance drift
reveal-conceal collapse

比只說：

looks less attractive

更適合生成改寫。

40. 與 Style Control 的關係

Style Control 的：

Surface
Shape Syntax
Volume Syntax
Composition Rhythm
Palette

可以映射到 Shared Domain。

例如：

Composition Rhythm
→ rhythm / repetition / interval

Shape Syntax
→ continuity / scale / dominance

Palette
→ contrast / grouping / salience

因此 Style 不只是 feature vector。

它可以被理解成：

\boxed{ \text{Repeated Shared-Domain Configuration}. }

41. Artist Style 的更深表示

某畫家的風格不只是：

常用黃色
常用粗筆觸

也可能是：

反覆建立高 directional rhythm
偏好高 salience contrast
偏好不穩定 asymmetry
偏好 figure-ground compression

因此：

ArtistStyle = Distribution( D, U ).

42. 風格相似 ≠ Shared-Domain 相同

兩張圖可能：

同筆觸
同色盤

但：

composition rhythm
dominance
distance
tension

不同。

因此：

\boxed{ \text{Surface Similarity} \neq \text{Relational Similarity}. }

這解釋了為什麼某些「畫風轉換」看起來像同一畫家，卻不像同一系列。

43. Observer Profile

Observer Projection 至少可包含：

culture
era
domain expertise
genre familiarity
age
task
preference
visual ability
AI model/version

形式：

O= ( Culture, Time, Knowledge, Preference, Task, Capabilities ).

44. AI 也可以是 Observer

這是 VUSD 的重要延伸。

Observer 不必限定為人類。

可以：

O= AI.

AI 的 projection 可能不具有：

人類現象意識

但仍可以進行：

relation detection
ranking
similarity
counterfactual prediction
semantic mapping

因此：

\boxed{ \text{Observer} \neq \text{Human-only}. }

45. 不需要先解決「AI 是否真的有感覺」

VUSD 可以先保持不可知。

即：

AI may or may not have phenomenal experience

不影響：

AI can model shared-domain relations

所以：

\boxed{ \text{Relational Understanding} \text{ can be studied independently from } \text{phenomenal consciousness}. }

46. Cross-Observer Agreement

可測量不同 observer 對 $U$ 的一致度：

A_U = Agreement( O_1, O_2, \dots,O_n ).

例如：

人物比背景更突出

可能 agreement 很高。

而：

人物很性感

agreement 可能較低。

這可以成為 Shared Domain 的實證基礎。

47. Sharedness Score

對 operator $u_i$ ：

S(u_i) = f( CrossObserverAgreement, CrossDomainTransfer, CounterfactualStability ).

如果：

跨人類
跨 AI
跨文化
跨作品

都高度穩定，

可視為較強 shared operator。

48. Shared 不代表 Immutable

即使一個 operator 現在 agreement 很高：

S_t(u_i)\uparrow,

未來也可能：

S_{t+1}(u_i)\downarrow.

因為：

文化
媒介
AI
observer

都會演化。

這會在 Paper 05 正式處理。

49. Cross-Model Convergence Experiment

可以讓多個不同 AI：

在沒有共享固定詞表的情況下
分析同一批作品

要求：

找出最少的中介關係，用來解釋視覺效果。

觀察它們是否獨立收斂到：

contrast
distance
repetition
salience
symmetry
uncertainty

等概念。

若有收斂：

\boxed{ \text{Emergent Operator Convergence} }

可能成為 Shared Domain 的一種證據。

50. Human–AI Alignment Experiment

給人類分析者與 AI 相同作品。

分別標註：

Visual Decision
Shared Relation
Experienced Meaning

如果發現：

Decision agreement > Meaning agreement

或：

Shared Relation agreement > Meaning agreement

則支持：

\text{Shared Domain}

具有實際中介價值。

51. Counterfactual Test

例如原圖：

backward glance

修改成：

front gaze

問不同 observer：

reciprocity 是否改變？
directional conflict 是否改變？
mystery 是否改變？

若：

reciprocity agreement 高
mystery agreement 低

這正是 VUSD 預測。

52. Operator Discovery

不能只由研究者先寫死。

未來 AI 應能：

observe
cluster
hypothesize
name
test
split
merge

新的 Shared Operator。

因此：

\mathcal U_{t+1} = Update( \mathcal U_t, Evidence_t ).

53. Operator Split

例如目前：

TENSION

過於寬廣。

未來可能拆成：

directional tension
spatial tension
social tension
expectation tension
material tension

因此：

u \rightarrow \{u_1,u_2,\dots\}.

54. Operator Merge

反過來，若兩個 operator 長期：

高度共變
功能重疊
不可穩定區分

可能：

u_a+u_b \rightarrow u_c.

55. Operator Scope

每個 operator 必須標：

scope

例如：

character_art
landscape
film
UI
architecture
abstract_art

避免：

在角色立繪成立
→ 宣稱全藝術成立

56. Domain-Specific Shared Operators

例如人物角色可以有：

BODYLINE_SALIENCE
GAZE_RECIPROCITY
POSE_OPENNESS
GARMENT_REVEAL_CONCEAL
IDENTITY_SALIENCE

而 UI 可能有：

ACTION_SALIENCE
NAVIGATION_HIERARCHY
CONTROL_GROUPING

它們可以共享底層 operator，但 domain composite 不同。

57. Shared Operator 與文化符號必須分開

例如：

紅色

是 artifact feature。

high chromatic salience

可能是 shared-domain relation。

喜慶

可能是 culture-conditioned meaning。

所以：

\boxed{ Feature \neq Shared Relation \neq Cultural Meaning. }

58. Symbolic Operator

符號本身可以建模：

SYMBOL_RECOGNITION
SYMBOL_ASSOCIATION
CULTURAL_BINDING

但這些屬於：

Context-conditioned operator

而不是普適視覺 primitive。

59. Dynamic Shared-Domain State

一張作品可表示為：

U(A) = ( u_1, u_2, \dots,u_n ).

但不同區域可不同：

U(A,r_i).

因此：

臉
衣服
背景
武器

都可以有局部 shared-domain state。

60. Spatial Graph

更完整可用：

G_U = ( V, E, O_U ),

其中：

$V$ ：視覺實體／區域；
$E$ ：空間與語義關係；
$O_U$ ：Shared-domain operators。

這比單一 vector 更適合表示：

誰支配誰
誰指向誰
誰遮蔽誰
誰與誰重複

61. Temporal Visual Shared Domain

對動畫／影片：

U_t

還要加入：

motion
anticipation
delay
tempo
acceleration
temporal repetition
temporal interruption

因此 VUSD 並不限於靜態圖像。

62. 跨模態延伸

未來也可研究：

視覺節奏
音樂節奏
語言節奏
動作節奏

是否存在更高階共享域。

但本文暫不宣稱：

所有 modality 已統一

只保留接口。

63. Shared-Domain Loss

對 style transformation，可定義：

L_U = d( U_{source}, U_{output} ).

如果使用者只要求 renderer 改變，

可能希望：

L_U \rightarrow 0

對某些 selected dimensions。

64. Targeted Shared-Domain Edit

如果使用者要求：

更有威嚴。

系統不一定直接改「威嚴」。

可以先推導：

dominance ↑
distance ↑
symmetry ↑
visual hierarchy ↑

但應作為：

candidate realization

不是硬規則。

65. Operator Planning

因此 AADS 可以：

Goal \rightarrow TargetU \rightarrow CandidateDecisions \rightarrow Operators.

例如：

Goal:
增加疏離感

Possible Shared Targets:
viewer distance ↑
reciprocity ↓
accessibility ↓

Candidate Decisions:
turn gaze away
increase negative space
reduce frontal orientation

66. Multi-objective Shared State

一個作品可以同時要求：

danger ↑
appeal ↑
identity stable
readability stable

所以 shared-domain target：

U^*

是一個多目標狀態。

67. Conflict Detection

例如：

distance ↑

可能降低：

facial readability

因此：

TargetU

內部也會衝突。

VUSD 不把美術變成「最大化所有變量」。

68. Pareto Visual Design

可將設計視為：

D^* \in Pareto( U_1,U_2,\dots,U_n ).

這比：

beauty score = 9.2

更接近真實設計。

69. Shared-Domain Explainability

理想 AI 不只是說：

我把這張圖改得更好看。

而是：

我提高了人物與背景的 salience contrast，
保留原本 reveal-conceal，
減少袖口細節的 competition，
因此主體可讀性提高，
但角色原有 tension state 未被削弱。

這就是 Shared-Domain Explainability。

70. Failure Taxonomy

U-F01 — Meaning Collapse

把：

高階感受

直接當成底層 property。

U-F02 — Cultural Universalization

把特定文化意味宣稱為普適。

U-F03 — Operator Overcompression

用一個：

tension

吞掉太多不同關係。

U-F04 — Operator Explosion

反過來建立數千個幾乎無法泛化的微型 operator。

U-F05 — Observer Erasure

忽略 observer 差異。

U-F06 — Structure Erasure

只談 observer 主觀感覺，完全不分析 artifact relation。

U-F07 — Static Ontology

把當前 operator set 永久固定。

71. Minimal Shared-Domain Runtime Interface

observe(artifact)
decompose_visual_relations()
infer_shared_state()
bind_observer(observer_profile)
project_meaning()
compare_states()
run_counterfactual()
propose_operator_update()

72. Core Invariants

VUSD-U1

\boxed{ \text{Shared Relation} \neq \text{Shared Subjective Experience}. }

VUSD-U2

\boxed{ \text{Artifact Feature} \neq \text{Shared Relation}. }

VUSD-U3

\boxed{ \text{Shared Relation} \neq \text{Cultural Meaning}. }

VUSD-U4

\boxed{ \text{Operational Primitive} \neq \text{Ontological Primitive}. }

VUSD-U5

\boxed{ \text{Observer} \neq \text{Human-only}. }

VUSD-U6

\boxed{ \text{High-level Meaning} \neq \text{One Fixed Visual Recipe}. }

VUSD-U7

\boxed{ \text{Shared} \neq \text{Immutable}. }

VUSD-U8

\boxed{ \mathcal U_0 \neq \mathcal U_{\mathrm{all}}. }

VUSD-U9

\boxed{ \text{Surface Similarity} \neq \text{Relational Similarity}. }

VUSD-U10

\boxed{ \text{Domain Constraint} \neq \text{Ontological Closure}. }

73. 實驗路線

VUSD Shared Domain 應至少進行：

E1 — Human–Human Agreement

不同人類分析者對：

Decision
Shared Relation
Meaning

分層標註。

E2 — AI–AI Convergence

不同多模態模型獨立提出最小視覺關係詞彙。

E3 — Human–AI Alignment

比較人類與 AI shared-domain state。

E4 — Counterfactual Stability

改動單一 Decision，檢查預測 $\Delta U$ 。

E5 — Cross-Cultural Projection

固定 $U$ ，觀察不同 observer 對 $M$ 的差異。

E6 — Revision Utility

測試使用 Shared-domain diagnosis 是否比單純自然語言評語更能改善生成修正。

74. 與 Paper 04 的接口

本篇建立：

D \rightarrow P \rightarrow U.

Paper 04 將反過來問：

D' \Rightarrow \Delta U \Rightarrow \Delta M_O?

也就是：

如果不這樣畫，會發生什麼？

因此 Counterfactual Reasoning 是 Shared-domain Theory 的直接驗證工具。

75. 與 Paper 05 的接口

本文只提出：

\mathcal U_0.

但 Paper 05 必須處理：

\mathcal U_t \rightarrow \mathcal U_{t+1}.

也就是：

新的美術
新的媒介
新的 AI
新的文化
新的觀察者

如何讓 Shared-domain operator：

出現
分裂
合併
失效
再解釋
復興

76. 結論

人類藝術語言擁有大量有價值的高階詞彙：

優雅
神聖
性感
可愛
壓迫
荒涼
危險
浪漫

VUSD 並不想消滅它們。

真正的目標是：

不要讓這些高階結果詞，遮蔽作品中可被分析、比較與反事實測試的中介結構。

因此本文提出：

\boxed{ Artifact \rightarrow SharedRelations \rightarrow ObserverProjection \rightarrow ExperiencedMeaning. }

在這個模型中：

contrast
distance
direction
reciprocity
reveal-conceal
repetition
symmetry
uncertainty
dominance
rhythm

不是美感真理。

它們是：

可供不同智能共同操作的候選理解語彙。

真正重要的是它們是否：

可觀察
可區分
可組合
可反事實測試
可跨 observer 比較
可支持生成修正
可隨新證據演化

如果成立，AI 就不再只能說：

「這張圖比較性感。」

而可以進一步說：

「它保留了高 reciprocity、較強 reveal-conceal、清楚 bodyline salience 與不完全的 approach–avoidance tension，因此對這個 observer profile 而言，更容易投影成既危險又具吸引力的角色關係。」

這不是宣稱 AI 已經獲得人類的全部審美經驗。

而是開始建立：

\boxed{ \text{可共享的視覺理解中介層}. }

而一旦這一層存在，

生成、評估、反事實、藝術史分析、Style Atlas、AADS 與 Reflexive Visual Generation 才能真正共享同一套「為什麼」語言。

End of VUSD Paper 03 / 05 — v0.1