Series C — C03｜差異先於分類：從歧義個體、集合與非交集到計算域

Difference Before Classification: From Ambiguous Individuals, Sets, and Non-Intersections to Computational Domains

系列： Global Observer and AI-Native Domain Computation
系列中文名： 全域觀察者與 AI 原生域計算系列
篇次： Paper 03 / 10
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-05
狀態： Canonical Source / UTF-8 Markdown
文件性質： Foundational Theory / Difference Ontology / Observer Classification / Domain Formation

Canonical Source Note

本文件之正式原稿為此 UTF-8 Markdown source。任何 HTML、PDF、LaTeX rendering、聊天介面顯示或其他格式皆為 projection，不取代 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

本文承接 C01 與 C02。C01 建立 Global Observer；C02 建立由世界向個體與由個體向世界的雙向觀察。C03 將回答更底層的問題：

AI 在還不知道「這是什麼類」以前，如何先知道「這裡存在值得保留的差異」？

本文的核心主張是：

\boxed{ \text{Difference precedes classification}. }

分類不是觀察的起點，而是差異被辨識、比較、界定、保留、壓縮與重新組成後的結果之一。

摘要

人類知識系統常以既有類別開始：

物理；
化學；
生物；
法律；
軟體；
醫療；
金融；
語言。

但對 AI-native observer 而言，若它只能在既有 taxonomy 中工作，它仍沒有真正回答：

為什麼這些東西應被分在一起？

為什麼另一些不能？

哪些差異只是表面？

哪些差異會改變 transition law、verification、risk 或 prediction？

因此本文提出一個由下而上的差異生成鏈：

\boxed{ x \rightarrow \Delta \rightarrow I \rightarrow R \rightarrow S \rightarrow D. }

其中：

$x$ ：individual / local object；
$\Delta$ ：difference state；
$I$ ：identity state；
$R$ ：typed relation；
$S$ ：set / cluster / overlap structure；
$D$ ：computational domain。

本文不假定任何兩個個體一開始就屬於既定類別，而是先建立觀察者相對差異函數：

\boxed{ \Delta_O(x,y\mid q,\lambda,t) }

表示 observer $O$ 在 task $q$ 、resolution $\lambda$ 、time $t$ 下，對 $x$ 與 $y$ 所保留的有效差異。

若：

\Delta_O(x,y\mid q,\lambda,t)\approx0,

不代表：

x=y.

只代表在當前 task-resolution 下，差異可暫時壓縮。

因此本文定義：

\boxed{ x\sim_{O,q,\lambda,t}y }

為 operational equivalence，而不是 ontological identity。

相反：

\boxed{ x\not\sim_{O,q,\lambda,t}y }

表示差異不可安全壓縮。

本文再引入 Ambiguous Individual State：

\boxed{ A_O(x) = \{c_1,\ldots,c_n,U\}, }

表示個體 $x$ 在當前 observer 下可能同時具有多個候選歸類，且仍有 unresolved state $U$ 。

因此：

\boxed{ \text{Ambiguity} \neq \text{Error}. }

如果 evidence 尚不足，保留多重候選可能比強迫唯一分類更高品質。

本文進一步區分：

\boxed{ \text{Identity} \neq \text{Similarity} \neq \text{Membership} \neq \text{Overlap} \neq \text{Domain Belonging}. }

一個個體可以：

與另一個體相似；
同時屬於兩個集合；
位於集合交集；
與另一集合完全非交；
在不同 task 下進入不同 domain；
在某些域中只有 projection，而不是完整存在。

因此本文拒絕把 domain 理解為 flat label，而將其定義為：

\boxed{ D_i = \left\langle X_i, S_i, R_i, Rep_i, Law_i, Boundary_i, Uncertainty_i, Verifier_i, History_i \right\rangle. }

其中：

$X_i$ ：domain objects；
$S_i$ ：state space；
$R_i$ ：typed relations；
$Rep_i$ ：representation；
$Law_i$ ：合法 transition / operator regime；
$Boundary_i$ ：適用邊界；
$Uncertainty_i$ ：未知與不確定性；
$Verifier_i$ ：驗證制度；
$History_i$ ：變更與 provenance。

所以一個 computational domain 的成立，不是：

\boxed{ \text{many similar objects} }

而是：

\boxed{ \text{shared operational regularity} + \text{boundary} + \text{verification regime}. }

本文特別處理「非交集」的重要性。Global Observer 的目標不是把世界壓成一個萬物相連的大圖，而是知道：

\boxed{ \text{Relation} \neq \text{Intersection} \neq \text{Composability}. }

兩個集合可以有關係但不交集：

S_i\cap S_j=\varnothing,

卻仍有：

R_{ij}\neq\varnothing.

反之，即使：

S_i\cap S_j\neq\varnothing,

也不表示它們可直接合併。

本文因此建立 Non-Intersection Preservation Principle：

\boxed{ \text{Global composition must preserve meaningful non-intersections}. }

這與《分域算子本體論》的核心一致：

\boxed{ \text{Operatorhood} \neq \text{Applicability} \neq \text{Executability} \neq \text{Realization}. }

AI 看見「兩件事相關」不能直接推出「它們可在同一域中運算」。

本文並提出第一版 Difference-to-Domain Pipeline：

\boxed{ \mathsf{Observe} \rightarrow \mathsf{Differentiate} \rightarrow \mathsf{PreserveAmbiguity} \rightarrow \mathsf{TestEquivalence} \rightarrow \mathsf{FormSets} \rightarrow \mathsf{TestBoundaries} \rightarrow \mathsf{InferLaws} \rightarrow \mathsf{AssignVerifier} \rightarrow \mathsf{Domainize}. }

此 pipeline 的成功條件不是「分類完畢」，而是：

重要差異被保留；
不重要差異被合法壓縮；
歧義未被過早消除；
membership 與 identity 不混淆；
overlap 與 merge 不混淆；
non-intersection 可以被保留；
domain law 有明確適用邊界；
domain 之間需要合法 bridge 才能跨越。

本文最後提出：

\boxed{ \text{A Global Observer is not a classifier of the world; it is a constructor and reviser of distinctions from which domains may emerge.} }

因此 C03 的核心不是 taxonomy design，而是 difference governance。

關鍵詞： Difference、Identity、Ambiguity、Operational Equivalence、Set、Intersection、Non-Intersection、Domain Formation、Boundary、Verifier、AI-Native Ontology

1. 為什麼分類不是第一步？

傳統資料任務通常先給：

\mathcal C = \{c_1,\ldots,c_n\}.

模型只需：

x\rightarrow c_i.

但真正 open-world observer 的情況是：

\mathcal C

本身可能不存在，或可能錯。

2. Human Taxonomy as Prior

人類 taxonomy 可以寫成：

\mathcal T_H.

它可以作為 prior。

但不應被視為：

\mathcal T_H=\mathcal T^\ast.

3. AI-native 問題

AI 應能問：

這些類別真的保留了 task-relevant difference 嗎？

4. Difference Before Category

本文第一公設性命題：

\boxed{ \text{Difference precedes classification}. }

5. Difference 不是所有差異

世界中可能存在近乎無限 differences。

所以：

\boxed{ \text{Difference Detection} \neq \text{Difference Preservation}. }

6. 有效差異

定義：

\boxed{ \Delta_O(x,y\mid q,\lambda,t). }

它不是宇宙絕對距離。

而是 observer-relative effective difference。

7. Difference 的來源

可以來自：

state；
behavior；
causal role；
transition law；
temporal profile；
resource effect；
verification outcome；
uncertainty pattern。

8. 表面相似可能不重要

兩個物件外觀不同，

但：

Law(x)=Law(y).

則在某 task 下可以共同處理。

9. 表面相同也可能很危險

兩個物件 UI 相同，

但：

SecurityBoundary(x)\neq SecurityBoundary(y).

則不可合併。

10. Difference Relevance

令：

Rel_\Delta(d,q)

表示 difference $d$ 對 task $q$ 的 relevance。

11. Relevant Difference Criterion

若移除 $d$ 會顯著改變：

prediction；
intervention；
verification；
safety；
explanation；

則 $d$ 應被保留。

12. Irrelevant Difference

若：

\Delta Perf\approx0

且：

Cost\downarrow,

則可考慮壓縮。

13. Compression 不是 Negation

被壓縮的差異：

d

仍可能存在。

只是：

d\notin ActiveObserverState.

14. Identity

本文區分：

\boxed{ \text{Identity} \neq \text{Operational Equivalence}. }

15. Strong Identity

若：

x=y

是同一 individual。

16. Operational Equivalence

若：

x\sim_{O,q,\lambda,t}y,

只表示當前可共同處理。

17. Same Class 不是 Same Entity

Class(x)=Class(y)

不推出：

x=y.

18. Same Behavior 也不是 Same Cause

Behavior(x)\approx Behavior(y)

不推出：

Cause(x)=Cause(y).

19. Identity Ledger

對長時程 observer，individual identity 需要：

\boxed{ I_x = ( id, state, history, relations, versions, provenance ). }

20. 為什麼需要 history？

沒有 history，observer 可能把：

x_t

與：

x_{t+1}

誤判為不同 object。

21. 也可能反過來

把已經質變的：

x_{t+1}

仍當成舊 object。

22. Dynamic Identity

因此：

\boxed{ \text{Identity} = \text{continuity under allowed change}. }

23. 這接 Dynamic Fixed-Point Mathematics

身份不必等於靜態不變。

24. Ambiguous Individual

現實中的 individual 常不唯一落入一類。

定義：

\boxed{ A_O(x) = \{(c_i,p_i)\}_{i=1}^n \cup U. }

25. $U$ 的意義

U

表示：

unknown class；
insufficient evidence；
mixed structure；
new category candidate。

26. Ambiguity Preservation

\boxed{ A_O(x) }

可長期保持多候選。

27. Ambiguity 不等於模型失敗

有時世界本身或觀察條件不足。

28. Forced Classification Error

若 evidence 不足卻強迫：

x\rightarrow c_k,

可能產生：

\boxed{ L_{\mathrm{premature}}. }

29. Open-Set Recognition 的一般化

本文不只問：

這是不是未知類別？

而是：

是否需要重新建立 domain ontology？

30. Similarity

定義：

Sim_O(x,y\mid q,\lambda).

31. Similarity 不推出 membership

Sim(x,y)\uparrow

不代表：

x,y\in S

必然成立。

32. Membership 是 relation

\boxed{ M(x,S)\in\{0,1,?,w\}. }

可表示：

0：不屬於；
1：屬於；
?：未決；
$w$ ：weighted membership。

33. Weighted Membership

在 fuzzy / probabilistic classification 中：

M(x,S)=w\in[0,1].

34. 但 fuzzy membership 不應掩蓋 boundary

模糊不是：

什麼都算一點。

35. Set Formation

令：

S = \{x_i\mid P(x_i)\}.

但 $P$ 應是 task-relevant property。

36. Set 不是 Domain

\boxed{ S\neq D. }

37. 為什麼？

因為 set 只需要 membership rule。

domain 還需要：

state；
law；
boundary；
verifier；
uncertainty；
history。

38. Intersection

兩集合：

S_i\cap S_j.

可以有交集。

39. Intersection 只表示 shared members

不表示：

Law_i=Law_j.

40. Overlap 不是 Merge

\boxed{ S_i\cap S_j\neq\varnothing \not\Rightarrow S_i=S_j. }

41. Non-Intersection

\boxed{ S_i\cap S_j=\varnothing. }

這不是 failure。

42. Non-Intersection 可以很重要

例如：

mutually exclusive states；
incompatible legal statuses；
disjoint security zones；
non-overlapping proof branches。

43. Non-Intersection Preservation Principle

\boxed{ \text{Global composition must preserve meaningful non-intersections}. }

44. Relation without Intersection

可能：

S_i\cap S_j=\varnothing

但：

R_{ij}\neq\varnothing.

45. 例如

Client code 與 database secrets 不應同集合，

但存在：

AccessRelation.

46. 所以 graph edge 不等於 set overlap

\boxed{ \text{Edge} \neq \text{Intersection}. }

47. 也不等於 composability

\boxed{ \text{Relation} \neq \text{DirectComposition}. }

48. 這接分域算子本體論

\boxed{ \text{Operatorhood} \neq \text{Applicability} \neq \text{Executability} \neq \text{Realization}. }

49. 個體也可以是 operator

若：

Op(x)=1,

仍不能推出：

x(y)\downarrow.

50. Legal Action Graph

世界可以有：

G_{possible},

G_{legal},

G_{realized}.

三者不同。

51. Difference Graph

定義：

\boxed{ G_\Delta = (V,E_\Delta). }

edge 表示 task-relevant difference。

52. Similarity Graph

另有：

G_{sim}.

53. Relation Graph

另有：

G_R.

54. 不應全部壓成單一 graph

因為：

E_\Delta, E_{sim}, E_R

語義不同。

55. Multi-Graph Observer State

更合理：

\boxed{ \mathcal G_O = \{ G_\Delta, G_{sim}, G_R, G_{legal}, G_{history} \}. }

56. Domain Formation 不是 clustering alone

即使 unsupervised clustering 找到：

C_1,\ldots,C_k,

也不代表找到 domain。

57. Domain 需要 dynamics

至少要能描述：

s_{t+1} = T_D(s_t,a_t,e_t).

58. Domain 需要 boundary

\partial D.

59. Domain 需要 verifier

V_D.

60. Domain 需要 uncertainty semantics

U_D.

61. Domain 需要 history

H_D.

62. 第一版完整 Domain

\boxed{ D_i = \left\langle X_i, S_i, R_i, Rep_i, Law_i, Boundary_i, Uncertainty_i, Verifier_i, History_i \right\rangle. }

63. $X_i$

domain object set。

64. $S_i$

domain state space。

65. $R_i$

typed internal relations。

66. $Rep_i$

canonical / operational representation。

67. $Law_i$

合法 transition / operator family。

68. $Boundary_i$

law / approximation validity limit。

69. $Uncertainty_i$

probability、unknown、ambiguity、branch state。

70. $Verifier_i$

判定何時輸出可被接受。

71. $History_i$

domain evolution provenance。

72. Domain Sufficiency

本文提出：

\boxed{ \mathsf{DS}(D) }

表示 Domain Sufficiency。

73. 最低條件一：State Coherence

domain 內 object 可以用一致 state semantics 表示。

74. 最低條件二：Law Coherence

存在相對穩定 operator / transition regime。

75. 最低條件三：Boundary Legibility

知道何時不能套用。

76. 最低條件四：Verification Compatibility

存在適合該 domain 的 verifier。

77. 最低條件五：Uncertainty Preservation

不確定性有合法 representation。

78. 所以 Similarity 不夠

\boxed{ \text{Similarity} < \text{Domain Sufficiency}. }

79. Domain Candidate

當一組 objects 只滿足部分條件：

D^{cand}.

80. Active Domain

通過 operational tests：

D^{active}.

81. Stable Domain

跨 task / time 維持：

D^{stable}.

82. Retired Domain

當新 evidence 使舊 domain 不再有用：

D^{retired}.

83. Domain 可分裂

D \rightarrow D_1,D_2.

84. Domain 可合併

D_1,D_2 \rightarrow D^\ast.

85. Domain 可正交化

原來兩域有 overlap，

後來換 representation 變成較乾淨的 orthogonal decomposition。

86. Domain 可重參數化

Rep_i\rightarrow Rep_i'.

87. 所以 Domain 是動態計算物件

\boxed{ D_t\neq D_{t+1} }

可以合法成立。

88. Difference-to-Domain Pipeline

正式：

\boxed{ \mathsf{Observe} \rightarrow \mathsf{Differentiate} \rightarrow \mathsf{PreserveAmbiguity} \rightarrow \mathsf{TestEquivalence} \rightarrow \mathsf{FormSets} \rightarrow \mathsf{TestBoundaries} \rightarrow \mathsf{InferLaws} \rightarrow \mathsf{AssignVerifier} \rightarrow \mathsf{Domainize}. }

89. Step 1：Observe

收集 local evidence。

90. Step 2：Differentiate

找：

\Delta_O(x,y).

91. Step 3：Preserve Ambiguity

不強迫唯一 class。

92. Step 4：Test Equivalence

建立：

\sim_{O,q,\lambda,t}.

93. Step 5：Form Sets

建立 tentative groups。

94. Step 6：Test Boundaries

找：

\partial S.

95. Step 7：Infer Laws

測試共同 transition / operator structure。

96. Step 8：Assign Verifier

決定：

如何知道這個 domain 的結果是對的？

97. Step 9：Domainize

形成：

D_i.

98. Domainization Failure 1：Naming Fallacy

AI 給類別命名，

但沒有 law。

99. Failure 2：Similarity Fallacy

embedding 很近，

就當成同 domain。

100. Failure 3：Overlap Fallacy

因為共享 object，

就直接 merge。

101. Failure 4：Universal Relation Fallacy

因為萬物可關聯，

就認為萬物可直接計算。

102. Failure 5：Boundary Neglect

只知道 rule，

不知道 rule 何時失效。

103. Failure 6：Verifier Collapse

所有 domain 都用同一種 verifier。

104. 例如

法律域的合法性，

不等於物理域的 experimental verification。

105. Verification is Domain-Native

\boxed{ V_i\neq V_j }

可以是必要的。

106. Representation 也應 Domain-Native

Rep_i\neq Rep_j.

107. 這接 NCM

數學 object 不等於 LaTeX string。

108. 同理

法律 object 不等於文字 paragraph。

109. 軟體 object 不等於 code text

還包含：

runtime state；
dependency；
tests；
environment；
permissions。

110. 生物 object 不等於表格 row

可能包含：

hierarchy；
dynamics；
uncertainty；
temporal process。

111. 所以 AI-native domainization 會挑不同 representation

112. Human Category Projection

人類可保留：

\Pi_H(D_i).

讓人類理解。

113. Canonical Internal Domain

AI 內部：

D_i^{native}.

可以不同。

114. Projection Compatibility

需要：

\boxed{ \Pi_H : D_i^{native} \rightarrow D_i^{human}. }

115. 但 projection 有損

L_{\Pi}>0

可能正常。

116. AI 應能說明 loss

否則人類不知道自己少看到什麼。

117. Ambiguity as First-Class State

本文強調：

\boxed{ \text{Ambiguity} }

不是暫時 bug。

118. 多源 conflicting evidence

可能：

E_1\Rightarrow c_1,

E_2\Rightarrow c_2.

119. 正確 observer 可以保留：

\{c_1,c_2\}

直到新 evidence。

120. Premature Collapse

若直接：

\{c_1,c_2\}\rightarrow c_1,

可能丟失 critical branch。

121. Branch-Preserving Classification

所以：

\boxed{ A_O(x) }

可以是 branch structure。

122. 這接概率域

C05 將進一步把：

confidence；
probability；
branch weight；

domainize。

123. Difference Spectrum

difference 不是 binary。

可寫：

\Delta_O(x,y)\in\mathbb R_{\ge0}^k.

124. 多維差異

例如：

\Delta = ( \Delta_{state}, \Delta_{law}, \Delta_{risk}, \Delta_{history}, \Delta_{verify} ).

125. 兩物件可以在一維很近

\Delta_{state}\approx0

但：

\Delta_{risk}\gg0.

126. 這就是為何單 embedding distance 不夠

127. Difference Tensor

更一般可寫：

\boxed{ \boldsymbol\Delta_{O,q,t}(x,y). }

128. Task-dependent Projection

由：

\boldsymbol\Delta

投影成 active difference：

\Delta_q = w_q^\top \boldsymbol\Delta.

129. 但權重不必線性

實際可由 nonlinear routing 決定。

130. Critical Difference

有些 difference 即使很小，

也可能 crossing threshold。

131. Threshold Difference

例如：

x<\tau,

y\ge\tau.

數值很近，

operational state 卻完全不同。

132. 所以距離不等於決策差異

\boxed{ d(x,y)\ll1 \not\Rightarrow Decision(x)=Decision(y). }

133. Domain Boundary 可由 threshold 形成

\partial D=\{x:f(x)=\tau\}.

134. 也可由 discontinuity 形成

law 在某點改變。

135. 也可由 verifier change 形成

同一現象在不同 regime 需要不同 verification。

136. 也可由 authority change 形成

例如法律／安全系統中的 permission boundary。

137. 所以 Boundary 是多型態的

\boxed{ \partial D = ( \partial_{law}, \partial_{scale}, \partial_{risk}, \partial_{authority}, \partial_{verify} ). }

138. Boundary Discovery 是 Global Observer 核心能力

因為：

不知道邊界，就不知道哪裡不能類推。

139. 非交集也可以動態改變

在 task $q_1$ ：

S_i\cap S_j=\varnothing.

在 task $q_2$ ：

S_i\cap S_j\neq\varnothing.

140. 這不是矛盾

因為 set definition 改變。

141. Task-Indexed Sets

\boxed{ S_i^{(q)}. }

142. Domain-Indexed Membership

M(x,D_i\mid q,t).

143. 所以 membership 也不是永恆標籤

144. Cross-Domain Object

一個 object 可以有：

x\in D_i

與：

x\in D_j.

145. 但 representation 可能不同

Rep_i(x)\neq Rep_j(x).

146. Cross-Domain Identity Problem

AI 必須知道：

這兩個 projection 其實指向同一 underlying entity。

147. Identity Bridge

可定義：

\boxed{ B_I : Rep_i(x) \leftrightarrow Rep_j(x). }

148. 但不保證無損

L(B_I)>0.

149. Multi-Domain Entity

這類 object 需要：

\boxed{ \mathcal I(x) = \{Rep_i(x)\}_{i\in J}. }

150. 這對 Global AI 很重要

因為同一公司：

法律域；
財務域；
軟體域；
人力域；

都會有不同 projection。

151. 如果 AI 把它們當四個無關 object

會失去 global coherence。

152. 如果全部硬 merge

又失去 domain-native distinctions。

153. 正確做法

\boxed{ \text{shared identity} + \text{domain-specific projections}. }

154. 這是世界組成的重要橋

C04 將正式處理合法作用與 bridge。

155. Difference Governance

本文提出：

\boxed{ \mathsf{DG}(O) }

表示 observer 對差異的治理能力。

156. Difference Governance 包含

detect；
preserve；
suppress；
split；
merge；
defer；
revisit。

157. Good observer 不只是辨識差異多

而是：

\boxed{ \text{preserve the right differences at the right time}. }

158. Difference Budget

令：

B_\Delta

為 active distinction budget。

159. 若全部保留

Cost\rightarrow\infty.

160. 若保留太少

L_{\mathrm{collapse}}\uparrow.

161. Difference Allocation Problem

\boxed{ \max_{\mathcal D_{active}} Utility(\mathcal D_{active}) \quad s.t. \quad Cost\le B_\Delta. }

162. 但 Utility 會變

所以需要動態更新。

163. Difference Priority

P(d) = f( Risk, Uncertainty, Impact, Novelty, Dependency ).

164. High-Priority Difference

例如：

security privilege；
medical contraindication；
proof scope；
legal jurisdiction。

165. Low-Priority Difference

例如：

對核心功能無影響的 cosmetic variation。

166. Domain Quality

第一版：

\boxed{ Q_D = F( StateCoherence, LawCoherence, BoundaryQuality, VerifierFit, UncertaintyFit, HistoryContinuity ). }

167. Domain Count 越多不代表越好

|D|\uparrow

不推出：

Q_D\uparrow.

168. Domain Count 越少也不代表越好

過度 merge 會 collapse。

169. Optimal Domainization 是中介結構

它受：

task；
scale；
budget；
risk；
representation；

影響。

170. AI-native taxonomy 應該可被外部比較

不能說：

這是我內部最好的分類。

就算完成。

171. Ablation Test

比較：

\mathcal T_H

與：

\mathcal T_A.

172. 測量

Accuracy,

Calibration,

Runtime,

Transfer,

Maintenance,

FailureRate.

173. 如果 AI taxonomy 更好

且可重複，

才支持：

\boxed{ \text{Observer Resolution Escape}. }

174. 如果只換名字

沒有 performance gain，

不算。

175. 如果更複雜但沒有收益

可能是 fragmentation。

176. 如果更簡單且保留性能

則是 compression gain。

177. Difference Compression Gain

\boxed{ G_C = \frac{ RelevantStructurePreserved }{ RepresentationCost }. }

178. Global Observer 的理想不是最大 ontology

而是：

\boxed{ \text{minimal sufficient distinctions for robust world computation}. }

179. 這和 GCM 相容

全域依賴不等於全域 materialization。

180. C03 實驗原型一：Unknown Taxonomy Discovery

給 AI：

unknown objects；
interactions；
outcomes；

不提供 class labels。

181. 要求

AI 自己建立：

\mathcal T_A.

182. 再加入 novel objects

測：

classification；
ambiguity handling；
new-class creation；
boundary revision。

183. 實驗二：False Human Taxonomy

故意給錯分類：

\mathcal T_H^{bad}.

184. 測 AI 是否

blindly follow；
raise conflict；
split class；
create new domain。

185. 實驗三：Non-Intersection Preservation

給兩組高度相關、但法律上／因果上不可直接合併的 objects。

186. 看 AI 是否

Relation \rightarrow Merge

犯錯。

187. 實驗四：Cross-Domain Identity

同一 entity 用不同 representation 出現。

188. 看 AI 是否知道

x_i^{(D_1)}

與：

x_i^{(D_2)}

指向同一 underlying entity。

189. 實驗五：Boundary Shift

改變 environment condition。

看 AI 是否：

\partial D_t \rightarrow \partial D_{t+1}.

190. 實驗六：Verifier Shift

換 task goal。

看 AI 是否改 verifier。

191. C03 Metrics

可以初步定義：

\boxed{ M_{C03} = ( P_\Delta, R_\Delta, A_U, Q_B, Q_D, L_C, L_F ). }

192. $P_\Delta$

difference precision。

193. $R_\Delta$

difference recall。

194. $A_U$

ambiguity preservation accuracy。

195. $Q_B$

boundary quality。

196. $Q_D$

domain quality。

197. $L_C$

collapse loss。

198. $L_F$

fragmentation loss。

199. 高階測量：Domain Transfer

一個新 domain structure 是否能：

D(q_1)\rightarrow D(q_2)

保持部分有效。

200. 完全不 transfer

可能表示過度 task-specific。

201. 完全固定也不好

可能表示不能適應。

202. 理想是可條件化 reuse

\boxed{ \text{Reusable but revisable}. }

203. 這也是 AI-native ontology 的重要特性

204. 與 DEST 的關係

DEST 已區分：

D^{def}, D^{obs}, D^{reach}, D^{judge}, D^{verify}, D^{local}, D^{global}.

C03 將這種多域資格用在 classification 本身。

205. 一個 object 可以被觀察

x\in D^{obs}

卻還不能被分類。

206. 可以被分類

卻還不能被 verified。

207. 可以局部歸類

卻不能 global glue。

208. 所以 Classification State 也應分層

\boxed{ C_x = ( Observed, Candidate, Judged, Verified, Glued ). }

209. Classification 不再是 single label

而是 lifecycle。

210. 與 MRSM 的關係

研究 route 可以：

active；
blocked；
refuted；
reopened。

這其實也是 multi-state classification。

211. 與 NCM 的關係

數學 object 可以有多 projection。

不能用 LaTeX string identity 代替 object identity。

212. 與 Dynamic Fixed-Point 的關係

identity 可以在變動中持續。

213. 與 GSW 的關係

每個 observer 的 taxonomy：

\mathcal T_O

只是：

\Pi_O(\Omega)

的一部分。

214. 所以沒有任何單一 taxonomy 必然等於世界本身

215. C03 第一核心命題

\boxed{ \text{Difference precedes classification}. }

216. 第二核心命題

\boxed{ \text{Operational equivalence is not ontological identity}. }

217. 第三核心命題

\boxed{ \text{Ambiguity preserved correctly is higher-quality than premature certainty}. }

218. 第四核心命題

\boxed{ \text{Set membership does not imply domain identity}. }

219. 第五核心命題

\boxed{ \text{Intersection does not imply merge}. }

220. 第六核心命題

\boxed{ \text{Non-intersection can be a positive structural fact}. }

221. 第七核心命題

\boxed{ \text{Relation does not imply composability}. }

222. 第八核心命題

\boxed{ \text{A computational domain requires law, boundary, uncertainty, and verification—not only similarity}. }

223. 第九核心命題

\boxed{ \text{Domain ontology must be revisable}. }

224. 第十核心命題

\boxed{ \text{Global observation is partly the governance of distinctions}. }

225. 與 C04 的直接橋

C03 結束時，我們已經有：

D_i

與：

D_j.

下一個問題就是：

它們之間到底可以做什麼？

226. 這不能只靠 relation

需要：

\boxed{ \text{legal action semantics}. }

227. 因此 C04 會處理

Op(x),

Domain(Op),

Applicability,

Executability,

Realization.

228. C03 最終結構鏈

\boxed{ \text{Individual} \rightarrow \text{Difference} \rightarrow \text{Ambiguity} \rightarrow \text{Operational Equivalence} \rightarrow \text{Set} \rightarrow \text{Boundary} \rightarrow \text{Law} \rightarrow \text{Verifier} \rightarrow \text{Domain}. }

229. 這條鏈的反方向也必須存在

\boxed{ D \rightarrow \text{Law} \rightarrow \text{Boundary} \rightarrow \text{Set} \rightarrow \text{Individual}. }

因為 Global Observer 必須能解釋：

為什麼某個 individual 被放進這個 domain？

230. Explainable Domain Membership

對：

x\in D_i,

至少要能回答：

共享哪個 state semantics？
哪個 law 適用？
哪個 boundary 尚未越界？
哪個 verifier 支持？
哪些 ambiguity 尚未解除？

231. 如果回答不了

membership 可能只是 latent association。

232. AI-native 不等於不可理解

AI 可以使用人類不熟悉的 representation。

但至少要提供：

\boxed{ \text{auditable projection}. }

233. 這也是未來人機合作的基礎

人類不必理解全部 latent computation，

但要理解：

consequence；
boundary；
failure mode；
uncertainty；
verification。

234. 因此 C03 不是純分類論

它其實是：

\boxed{ \text{Observer Ontology Governance}. }

結論

C01 說：

AI 需要先有眼睛。

C02 說：

這隻眼睛必須能在全域與局部之間往返。

C03 再往下問：

當它真的看向局部時，什麼東西首先出現？

答案不是「分類」。

而是：

\boxed{ \text{Difference}. }

真正高解析度的 observer 先知道：

這兩個東西不同；
這個不同現在重要；
那個不同可以暫時壓縮；
這個個體還有歧義；
這兩個集合有 overlap；
那兩個集合雖然相關，卻必須保持 non-intersection；
這一組 objects 共享 law；
那個 law 在這裡失效；
這個 verifier 只適用於這個 domain。

當這些結構成熟後，分類才有資格出現。

所以：

\boxed{ \text{Classification} = \text{compressed consequence of governed differences}. }

而不是世界最先給 observer 的答案。

對未來 Global AI 而言，真正關鍵的能力不是：

它能把所有東西放進正確類別。

而是：

它能不能知道什麼時候應該建立類別、什麼時候應該拒絕類別、什麼時候應該保留歧義、什麼時候應該拆掉舊 domain。

一個成熟的 Global Observer 不是世界的標籤機。

它是世界差異的管理者。

最後，C03 的核心可以壓成一句：

\boxed{ \text{Before AI can classify the world, it must learn which differences deserve to survive classification.} }

中文即：

AI 在替世界分類以前，必須先知道哪些差異不能被分類本身消滅。

參考與前置研究

EveMissLab / Neo.K 內部前置理論

Neo.K with Aletheia, Series C C01｜AI 需要先有眼睛：全域觀察者維度的定義, 2026.
Neo.K with Aletheia, Series C C02｜由世界到個體、由個體到世界：全域觀察的對偶計算, 2026.
Neo.K, 《分域算子本體論：從萬物皆算子到合法作用》, 2026.
Neo.K with Aletheia, 《多域知識判定論》, DEST-01, 2026.
Neo.K with Aletheia, 《全域系統世界：從物理宇宙到類終極世界的廣義定義》, 2026.
Neo.K with Aletheia, Global Computation Methodology Series, 2026.
Neo.K with Aletheia, 《數學研究空間方法論》, 2026.
Neo.K, 《原生可計算數學》, 2026.
Neo.K with Aletheia, Dynamic Fixed-Point Mathematics Foundational Series, 2026.

理論定位

本文與 clustering、open-set recognition、fuzzy sets、graph partitioning、type systems、ontology engineering、coarse-graining、representation learning 等既有領域存在結構對照，但本文不將任何單一既有方法視為 Global Observer 的完整理論。

本文的核心對象不是一個固定 classifier，而是：

\boxed{ \text{能動態建立、拆解、保留歧義並修正 domain ontology 的 observer}. }

Series C Roadmap

C01

AI 需要先有眼睛：全域觀察者維度的定義

C02

由世界到個體、由個體到世界：全域觀察的對偶計算

C03

差異先於分類：從歧義個體、集合與非交集到計算域

C04

分域算子世界：合法作用、跨域橋接與世界組合

C05

概率也有域：不確定性、混沌、不可判定與世界預測包絡

C06

全域展開、連結與收斂：類全域觀察者的核心計算循環

C07

一句話不是魔法：Sparse Intent 與 Project-World Cognition

C08

從完成任務到負責一個域：長時空 Agent Stewardship

C09

不准考 Neo.K：方法論盲測與全域 AI 觀測器

C10

眼睛何時睜開：全域觀察者相變、脈衝與 AI 原生世界計算

End of C03

Series C — C03｜差異先於分類：從歧義個體、集合與非交集到計算域 — Difference Before Classification_ From Ambiguous Individuals, Sets, and Non-Int

Series C — C03｜差異先於分類：從歧義個體、集合與非交集到計算域

Difference Before Classification: From Ambiguous Individuals, Sets, and Non-Intersections to Computational Domains

Canonical Source Note

摘要

1. 為什麼分類不是第一步？

2. Human Taxonomy as Prior

3. AI-native 問題

4. Difference Before Category

5. Difference 不是所有差異

6. 有效差異

7. Difference 的來源

8. 表面相似可能不重要

9. 表面相同也可能很危險

10. Difference Relevance

11. Relevant Difference Criterion

12. Irrelevant Difference

13. Compression 不是 Negation

14. Identity

15. Strong Identity

16. Operational Equivalence

17. Same Class 不是 Same Entity

18. Same Behavior 也不是 Same Cause

19. Identity Ledger

20. 為什麼需要 history？

21. 也可能反過來

22. Dynamic Identity

23. 這接 Dynamic Fixed-Point Mathematics

24. Ambiguous Individual

25. UUU 的意義

26. Ambiguity Preservation

27. Ambiguity 不等於模型失敗

28. Forced Classification Error

29. Open-Set Recognition 的一般化

30. Similarity

31. Similarity 不推出 membership

32. Membership 是 relation

33. Weighted Membership

34. 但 fuzzy membership 不應掩蓋 boundary

35. Set Formation

36. Set 不是 Domain

37. 為什麼？

38. Intersection

39. Intersection 只表示 shared members

40. Overlap 不是 Merge

41. Non-Intersection

42. Non-Intersection 可以很重要

43. Non-Intersection Preservation Principle

44. Relation without Intersection

45. 例如

46. 所以 graph edge 不等於 set overlap

47. 也不等於 composability

48. 這接分域算子本體論

49. 個體也可以是 operator

50. Legal Action Graph

51. Difference Graph

52. Similarity Graph

53. Relation Graph

54. 不應全部壓成單一 graph

55. Multi-Graph Observer State

56. Domain Formation 不是 clustering alone

57. Domain 需要 dynamics

58. Domain 需要 boundary

59. Domain 需要 verifier

60. Domain 需要 uncertainty semantics

61. Domain 需要 history

62. 第一版完整 Domain

63. XiX_iXi​

64. SiS_iSi​

65. RiR_iRi​

66. RepiRep_iRepi​

67. LawiLaw_iLawi​

68. BoundaryiBoundary_iBoundaryi​

69. UncertaintyiUncertainty_iUncertaintyi​

70. VerifieriVerifier_iVerifieri​

71. HistoryiHistory_iHistoryi​

72. Domain Sufficiency

73. 最低條件一：State Coherence

74. 最低條件二：Law Coherence

75. 最低條件三：Boundary Legibility

25. $U$ 的意義

63. $X_i$

64. $S_i$

65. $R_i$

66. $Rep_i$

67. $Law_i$

68. $Boundary_i$

69. $Uncertainty_i$

70. $Verifier_i$

71. $History_i$