UNPNP Series 03

自適應快速通道：從固定演算法到 Corridor Generator

Adaptive Fast Corridors: From Fixed Algorithms to Corridor Generators

系列名稱： UNPNP Hyperlink & Crystallized Computation Series
系列篇次： 03
作者： Neo.K with Aletheia（GPT）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-07
文件性質： AI 原生計算／自適應元演算法／UNPNP 理論論文
狀態： Canonical Draft

摘要

UNPNP Series 01 將計算複雜度重新理解為可在建構、表示、搜尋、索引、驗證、執行與維護之間轉移的多維成本結構；Series 02 則將超連結重新定義為跨底空間的可尋址計算 transition。由此自然產生下一個問題：

如果計算世界中存在大量候選超連結，那麼究竟由誰決定「現在應該走哪一條路」？

本文提出 Adaptive Corridor Generator 作為 UNPNP Computer 的前端控制核心。它不是單純 Planner，也不是固定路由表，更不是每一步都呼叫大型語言模型重新思考。其基本任務是：根據當前狀態、目標、歷史、資源、風險、底空間幾何、已知路徑與新穎性，選擇、生成、驗證或重新展開當前最適合的計算通道。

本文將自適應通道生成器寫為：

\boxed{ \mathcal M: (s_t,g,h_t,B_t,R_t,\mathcal G_t,\mathcal K_t) \mapsto \Phi_t }

其中：

$s_t$ ：當前狀態；
$g$ ：任務目標；
$h_t$ ：歷史；
$B_t$ ：計算／時間／能源預算；
$R_t$ ：風險與權限條件；
$\mathcal G_t$ ：當前可見計算圖；
$\mathcal K_t$ ：已結晶的快速通道集合；
$\Phi_t$ ：此次生成或選擇的 corridor。

本文進一步區分五種不同強度的快速通道主張：

\mathsf{LGC} \prec \mathsf{FGC} \prec \mathsf{AGC} \prec \mathsf{UGC} \prec \mathsf{EGC},

即局部通道、問題族通道、自適應通道、通用通道生成與極強通用通道。本文主張，近期最具工程可驗證性的目標不是直接追求通用固定捷徑，而是研究：

\boxed{ \text{能否建立一個低成本、可回退、可學習的 corridor generator。} }

本文也提出 novelty threshold、reasoning escalation、known-route fast path、corridor utility、repair versus re-solve、distribution shift 與 fail-closed 等機制，並主張：

\boxed{ \text{Reasoning should be invoked when routing knowledge is insufficient, not by default.} }

因此，真正 AI-native 的計算系統不應把模型推理當成每一步必經路徑，而應把模型推理視為一種昂貴、可按需提升的 corridor-generation capability。

本文最後建立「固定程式」與「會長路的程式」之間的轉折：UNPNP Computer 的核心不是永遠沿著預先寫好的路運行，而是在可控條件下持續觀察、生成、評估、驗證與淘汰通道，使計算圖本身逐步適應其所處世界。

關鍵詞： UNPNP、自適應演算法、Corridor Generator、快速通道、AI 原生計算、Meta-controller、routing、novelty threshold、adaptive planning、path generation、uniformity

1. 問題：誰來決定下一條超連結？

Series 02 已建立：

\ell: (\mathcal B_i,s_i,H_t) \rightarrow (\mathcal B_j,s_j,H_{t+1}).

如果可用 transition 只有一條，問題很簡單。

但一般情況中：

|\mathcal L_t|\gg 1.

甚至某些狀態下：

|\mathcal L_t| \rightarrow \text{large}.

因此真正的 runtime 問題變成：

\boxed{ \text{Which transition should be selected now?} }

這不是普通搜尋排序。

因為 transition 選擇會改變：

下一個底空間；
可見狀態；
可用工具；
計算成本；
風險；
未來可走路徑；
是否需要重新推理；
是否能形成新的結晶。

所以它是一個計算路由問題。

2. Planner 不足以描述這個角色

一般 Planner 可以抽象為：

\operatorname{Plan}(g,s_t) \rightarrow (a_1,a_2,\ldots,a_n).

這通常假設：

action space 大致已知；
計畫主要是選擇；
世界模型相對固定；
路由不會因運行而新增 primitive。

但 UNPNP 中：

\mathcal L_{t+1} \neq \mathcal L_t

可能成立。

也就是：

系統不只選擇現有路徑，也可能生成新的路徑。

所以更適合的角色不是單純 Planner，而是：

\boxed{ \text{Adaptive Corridor Generator}. }

3. Corridor 的基本定義

本文將 corridor 定義為：

\Phi_t = \langle F_t, \Gamma_t, G_t, V_t, C_t \rangle.

其中：

$F_t$ ：candidate frontier；
$\Gamma_t$ ：選中的 transition chain；
$G_t$ ：guard / applicability conditions；
$V_t$ ：verification strategy；
$C_t$ ：estimated total cost。

Corridor 不必是一條單一路徑。

它也可以是：

\Phi_t = \Gamma_1 \parallel \Gamma_2

的平行探索，

或：

\Gamma_1 \triangleright \Gamma_2

的條件序列。

4. 自適應通道生成器

本文提出：

\boxed{ \mathcal M: (s_t,g,h_t,B_t,R_t,\mathcal G_t,\mathcal K_t) \mapsto \Phi_t. }

其中：

s_t

是目前 state；

g

是 goal；

h_t

是歷史執行／搜尋／驗證記錄；

B_t

是剩餘資源；

R_t

是 risk / authorization state；

\mathcal G_t

是目前可見計算圖；

\mathcal K_t

是已知並驗證的結晶通道；

\Phi_t

是此次選出的 corridor。

5. 自適應不是「每次重新想」

需要避免一個常見錯誤。

所謂 adaptive 不代表：

每次狀態一變，都叫最強模型完整推理一次。

那會導致：

C_{\mathrm{reasoning}}

本身成為主要成本。

真正合理的 adaptive system 應該優先使用已知結構：

\boxed{ \text{Known} \rightarrow \text{Reuse}. }

只有：

\boxed{ \text{Unknown} \rightarrow \text{Reason}. }

因此：

\text{adaptivity} \neq \text{constant deliberation}.

6. Known-Route Fast Path

若目前狀態：

s_t

符合某個已驗證通道：

\widehat{\ell}_k

的 guard：

G_k(s_t)=1,

且：

S_H(\widehat{\ell}_k)\ge\theta_H,

則可以直接：

s_t \xrightarrow{\widehat{\ell}_k} s_{t+1}.

不需要完整 Planner。

所以：

\boxed{ \text{Stable known route} \Rightarrow \text{fast path}. }

7. Novelty Threshold

需要推理的核心不是：

狀態有沒有變？

因為世界每一刻都可能有微小變動。

真正要問的是：

變化是否超出既有 corridor 的有效域？

定義 novelty：

N(s_t\mid\mathcal K_t).

若：

N(s_t\mid\mathcal K_t) < \theta_N,

則：

\text{reuse}.

若：

N(s_t\mid\mathcal K_t) \ge \theta_N,

則：

\text{reveal / replan / reason}.

因此：

\boxed{ \text{Reasoning Escalation} = \mathbb I[N\ge\theta_N]. }

8. 三層計算路由

第一版可以把 runtime 分成三層：

Level 0：Deterministic Fast Path

\text{known state} + \text{known link} \rightarrow \text{execute}.

Level 1：Local Adaptive Routing

若：

N

中等，

則只在局部 frontier 上選擇：

F_t = \Pi_{\xi_t}(\mathcal L).

Level 2：Deep Corridor Generation

若：

N

高，

或者：

F_t=\varnothing,

才呼叫昂貴 reasoning：

\mathcal M_{\mathrm{deep}}.

所以：

\boxed{ L_0 \rightarrow L_1 \rightarrow L_2 }

是一個 escalation ladder。

9. 自適應不是單一模型能力

Adaptive Corridor Generator 可以由：

deterministic rules；
heuristic；
graph algorithm；
DRC；
semantic revealing；
search-method runtime；
local model；
frontier model；
large reasoning model；
verifier；
learned policy；

共同組成。

因此：

\boxed{ \mathcal M \neq \text{one LLM}. }

更接近：

\mathcal M = \mathcal M_{\mathrm{rule}} \cup \mathcal M_{\mathrm{search}} \cup \mathcal M_{\mathrm{AI}} \cup \mathcal M_{\mathrm{verify}}.

10. 固定演算法與自適應通道

固定演算法：

A(x) \rightarrow y.

其主要流程在設計時已固定。

自適應通道系統則是：

x \rightarrow \mathcal M(x) \rightarrow \Phi_x \rightarrow y.

也就是：

\boxed{ \text{solve} = \text{generate corridor} + \text{traverse corridor}. }

所以總成本必須寫成：

C_{\mathrm{total}}(x) = C_{\mathcal M}(x) + C_{\Phi_x}(x) + C_V(x).

這防止把通道生成成本忽略。

11. 局部通道猜想

第一級：

\mathsf{LGC}.

形式：

\exists x,\exists\Phi_x: C_{\Phi_x}(x) < C_0(x).

意思是：

對至少一個問題，存在比 baseline 更便宜的 corridor。

這是最弱也最容易驗證的層級。

12. 問題族通道猜想

第二級：

\mathsf{FGC}.

對一個問題族：

\mathcal D

存在可重用結構：

\Phi_{\mathcal D}.

使：

\mathbb E_{x\sim\mathcal D} [ C_{\Phi_{\mathcal D}}(x) ] < \mathbb E_{x\sim\mathcal D} [ C_0(x) ].

這時開始有：

\text{reuse}

與：

\text{amortization}.

13. 自適應通道猜想

第三級：

\mathsf{AGC}.

存在：

\mathcal M

可以根據新問題生成 corridor：

\mathcal M(x) \mapsto \Phi_x.

並使：

C_{\mathcal M}(x) + C_{\Phi_x}(x) < C_0(x)

在某一問題分布上經常成立。

這是本文最重視的層級。

14. 通用通道生成猜想

第四級：

\mathsf{UGC}.

主張存在某種跨多個問題族仍有效的：

\mathcal M_{\mathrm{general}}.

但這裡必須明確限制：

問題域；
可用表示；
可用外部資源；
oracle；
approximation；
advice；
memory；
learning history；
verifier；
time horizon。

否則「通用」會迅速失去意義。

15. 極強通用通道

第五級：

\mathsf{EGC}.

如果主張：

所有可表述問題都存在低成本可生成通道。

那就會直接碰到：

不可判定性；
不可壓縮性；
halting；
adversarial instance；
non-uniformity；
verifier bottleneck；
representation dependency。

所以本文不把：

\mathsf{EGC}

作為近期工程目標。

16. 五級偏序

正式寫成：

\boxed{ \mathsf{LGC} \prec \mathsf{FGC} \prec \mathsf{AGC} \prec \mathsf{UGC} \prec \mathsf{EGC}. }

其中：

A\prec B

表示：

$B$ 的主張嚴格強於 $A$ 。

不能因為局部遊戲實驗成功，就直接宣稱：

\mathsf{UGC}

成立。

17. 通道生成成本

令：

C_G(x) = C_{\mathcal M}(x).

如果：

C_G(x) \gg C_0(x),

那麼即使生成出的 corridor 很短，也沒有整體加速。

因此：

\boxed{ \text{Cheap corridor} \neq \text{cheap corridor generation}. }

真正有效要求：

C_G(x) + C_{\mathrm{traverse}}(\Phi_x) + C_V(x) < C_0(x).

18. Corridor Utility

可以定義：

U(\Phi\mid s_t) = w_gG -w_cC -w_lL -w_rR +w_iI +w_hH.

其中：

$G$ ：goal contribution；
$C$ ：compute cost；
$L$ ：latency；
$R$ ：risk；
$I$ ：information gain；
$H$ ：future reuse value。

則：

\Phi_t^\* = \arg\max_{\Phi\in\mathcal F_t} U(\Phi\mid s_t).

注意：

H

非常重要。

因為某條路現在稍微昂貴，

但若可結晶並被未來大量重用，

總價值可能更高。

19. 即時最優與長期最優

若只最小化：

C_t,

系統可能永遠走目前最便宜路。

但這可能阻止：

\text{exploration}.

因此需要區分：

U_{\mathrm{immediate}}

與：

U_{\mathrm{long-term}}.

形式：

U_{\mathrm{total}} = U_{\mathrm{immediate}} + \gamma U_{\mathrm{future}}.

這使 corridor generator 可以偶爾選擇：

現在稍微貴，但能增加未來知識的路。

20. Corridor Exploration

假設目前有：

\Phi_a

已知可靠，

以及：

\Phi_b

未知但潛在更便宜。

系統需要平衡：

\text{exploit}

與：

\text{explore}.

可寫成：

\Phi_t = \arg\max \left( U(\Phi) + \beta \operatorname{UncertaintyBonus}(\Phi) \right).

但高風險環境：

\beta

應降低。

單機遊戲 sandbox 中：

\beta

可以提高。

21. 遊戲為什麼是理想實驗域？

遊戲提供：

\boxed{ \text{complexity} + \text{bounded world} + \text{repeatability} + \text{rollback} + \text{measurement}. }

這讓 corridor generator 可以安全探索：

\text{unknown routes}.

失敗通常只意味：

\text{reload state}.

因此可以用高 exploration policy。

22. 自適應與遊戲效率

遊戲世界經常有：

重複狀態；
局部變異；
高頻 transition；
可觀察成本；
低風險 rollback。

這恰好適合：

\text{discover} \rightarrow \text{reuse} \rightarrow \text{compile} \rightarrow \text{crystallize}.

如果自適應成功，理想現象是：

C_{\mathrm{reasoning}}(t)\downarrow

而：

C_{\mathrm{reuse}}(t)\uparrow.

23. Reasoning Ratio

定義：

R_{\mathrm{reason}}(t) = \frac{ N_{\mathrm{deep-reasoned\ transitions}} }{ N_{\mathrm{all\ transitions}} }.

若系統真的學到 corridor：

\frac{dR_{\mathrm{reason}}}{dt}<0

應在穩定遊戲世界中出現。

這比只看任務成功率更能測到 UNPNP 的核心。

24. Corridor Hit Ratio

定義：

H_{\mathrm{corridor}}(t) = \frac{ N_{\mathrm{verified\ corridor\ hits}} }{ N_{\mathrm{all\ transitions}} }.

理想：

\frac{dH_{\mathrm{corridor}}}{dt}>0.

如果：

H_{\mathrm{corridor}}

一直很低，

表示：

世界太不穩定；
corridor 太狹窄；
guard 不好；
結晶策略失敗；
routing 無法泛化。

25. Adaptive Core 的 Cold／Warm／Hot

可以將 corridor 分成：

\boxed{ \text{Cold} \rightarrow \text{Warm} \rightarrow \text{Hot}. }

Cold：

未知；
需要完整探索；
可能需要深 reasoning。

Warm：

曾成功；
已有 trace；
仍需較多驗證。

Hot：

高頻；
高穩定；
已充分驗證；
可直接 fast-path。

所以：

\boxed{ \text{Adaptive routing} = \text{state-dependent temperature transition}. }

26. Promotion

令：

n_{\mathrm{success}}(\Phi)

為成功次數，

n_{\mathrm{verify}}(\Phi)

為驗證次數。

則可以有：

\text{Cold}\rightarrow\text{Warm}

若：

n_{\mathrm{success}}\ge\theta_W.

以及：

\text{Warm}\rightarrow\text{Hot}

若：

n_{\mathrm{verify}}\ge\theta_H

且：

S_H(\Phi)\ge\theta_S.

27. Demotion

反之，如果：

\operatorname{FailRate}(\Phi) > \theta_F,

或環境版本：

v_{t+1}\neq v_t,

則：

\text{Hot}\rightarrow\text{Warm}

甚至：

\text{Warm}\rightarrow\text{Cold}.

因此 corridor temperature 不是永久資格。

28. Repair versus Re-solve

當通道失效時，有兩個策略：

\text{Repair}(\Phi)

或：

\text{ReSolve}(s_t).

若：

C_{\mathrm{repair}}(\Phi) < C_{\mathrm{resolve}}(s_t),

則修 corridor。

反之：

\text{discard and regenerate}.

因此：

\boxed{ \text{Repairability} }

本身也是 corridor utility 的一部分。

29. Distribution Shift

若系統原本在：

\mathcal D_1

上學到 corridor，

後來世界變成：

\mathcal D_2,

則：

\Phi_{\mathcal D_1}

可能不再有效。

所以必須測：

D( \mathcal D_t, \mathcal D_{t+1} ).

若：

D>\theta_D,

提高：

N(s_t\mid\mathcal K_t)

並觸發重新展開。

30. 對抗性狀態

自適應系統特別容易受：

\text{adversarial state}

影響。

例如某個狀態故意長得像：

s_{\mathrm{known}}

但真正語義不同。

所以不能只有：

\text{similarity}.

還需要：

\text{guard} + \text{invariant} + \text{validator}.

因此：

\boxed{ \text{Similarity-based routing alone is insufficient}. }

31. Fail-Closed

若：

G(\Phi,s_t)

無法判定，

則不應默認：

\text{allow}.

而應：

\boxed{ \text{unknown} \rightarrow \text{reveal / verify}. }

這是第一版安全模型最重要的簡化之一。

32. AI 不應自動取得更高權限

即使：

\mathcal M

學到：

某條高權限路徑比較快。

也不能推出：

\text{permission expansion}.

所以：

\boxed{ \text{Learning} \not\Rightarrow \text{Self-Authorization}. }

Adaptive Corridor Generator 可以學：

\text{which path is useful},

不能自行決定：

\text{which forbidden capability becomes allowed}.

33. 內部實驗域

第一代應限制：

\mathcal W_{\mathrm{experiment}} \subset \mathcal W_{\mathrm{safe}}.

可以包括：

synthetic world；
local game state；
local database；
read-only corpus；
sandbox execution；
mock services。

避免：

real payment；
production mutation；
external irreversible action；
privileged account management。

34. Adaptive Generator 與 Omphalos

Omphalos / AUSI 的方法思想可以被一般化。

原本：

\text{Task} \rightarrow \text{Search Method} \rightarrow \text{Provider}.

UNPNP 中：

\text{State} \rightarrow \text{Corridor Method} \rightarrow \text{Transition}.

因此 Search Method Runtime 可以成為：

\mathcal M

的一個子系統，而不是整台 UNPNP Computer。

35. Adaptive Generator 與 DRC

DRC：

D \rightarrow R \rightarrow C.

可以映射為：

\text{candidate expansion} \rightarrow \text{corridor resonance} \rightarrow \text{route compression}.

所以：

\boxed{ \text{DRC} \subset \text{possible corridor-generation operator family}. }

它不必是唯一方法。

36. Adaptive Generator 與語義顯影

語義顯影：

\Pi_{\xi_t}

負責把巨大：

\mathcal L

壓成：

F_t.

Adaptive Generator 則在：

F_t

上生成：

\Phi_t.

因此：

\boxed{ \text{Revealing} \neq \text{Routing}. }

顯影回答：

現在哪些路值得看？

Generator 回答：

現在實際走哪一條？

37. Adaptive Generator 與路徑編譯

第一次：

\mathcal M \rightarrow \Gamma_t.

若：

\Gamma_t

反覆成功，

則後續：

\Gamma_t \xrightarrow{K} \widehat{\ell}.

因此：

\boxed{ \mathcal M \text{ discovers paths;} \quad K \text{ creates new primitives.} }

兩者不同。

38. Generator 本身也可以學習

令：

\theta_t

是 generator policy。

可以有：

\theta_{t+1} = U( \theta_t, \text{receipts}, \text{success}, \text{cost}, \text{failure} ).

但第一代不一定需要更新 neural weights。

也可以只更新：

\mathcal K_t, \mathcal S_t, \mathcal R_t.

即：

corridor library；
statistics；
routing preferences。

所以：

\boxed{ \text{Adaptive learning} \neq \text{weight training}. }

39. Model-Frozen Experiment

為了驗證架構本身，可以故意：

\theta_{\mathrm{model}}(t+1) = \theta_{\mathrm{model}}(t).

而只允許：

\mathcal K_{t+1} \supseteq \mathcal K_t.

如果性能仍提升：

P(t+1)>P(t),

則證明改善主要來自：

\text{computational architecture learning},

而非模型重新訓練。

這會是重要實驗。

40. Uniformity Warning

即使：

\forall x \exists\Phi_x

都存在好 corridor，

也不能推出：

\exists\mathcal M \forall x: \mathcal M(x)=\Phi_x.

因此：

\boxed{ \forall x\exists\Phi_x \centernot\Rightarrow \exists\mathcal M\forall x. }

這是本文最重要的理論限制之一。

41. Discoverability Warning

甚至：

\exists\Phi_x

也不意味：

C_{\mathcal M}(x)

低。

可能存在一條極好路，

但找到它本身：

\text{exponential}.

所以：

\boxed{ \text{Corridor existence} \neq \text{efficient corridor discovery}. }

42. Verification Bottleneck

若：

C_V(\Phi) \gg C_{\mathrm{traverse}}(\Phi),

則 corridor 雖快，

整體仍可能不快。

因此：

C_{\mathrm{effective}} = C_G + C_T + C_V.

三者必須一起看。

43. Corridor Generator 的完整成本

第一版：

\boxed{ C_{\mathcal M} = C_{\mathrm{reveal}} + C_{\mathrm{search}} + C_{\mathrm{reason}} + C_{\mathrm{rank}} + C_{\mathrm{verify}} + C_{\mathrm{route}}. }

因此：

「AI 選到好路」不能只看最後 traversal。

必須把選路成本一起算。

44. Adaptive Corridor Regret

可以定義：

\operatorname{Regret}(T) = \sum_{t=1}^{T} \left[ C(\Phi_t) - C(\Phi_t^\*) \right].

其中：

\Phi_t^\*

是事後知道的最佳 corridor。

如果：

\frac{\operatorname{Regret}(T)}{T} \rightarrow 0,

表示 adaptive routing 長期逼近最佳已知策略。

這可以成為未來 benchmark。

45. 不追求「永遠最佳」

在動態世界中要求：

\Phi_t=\Phi_t^\*

每次都成立，

通常不現實。

更實用的是：

\boxed{ \text{bounded regret} + \text{bounded risk} + \text{improving reuse}. }

這比宣稱全域最優更可實驗。

46. Corridor Generator 的最小架構

第一版可以是：

State Observer
    ↓
Novelty Detector
    ↓
Known-Route Matcher
    ↓
Semantic Revealing
    ↓
Candidate Corridor Generator
    ↓
Utility / Risk Ranker
    ↓
Verifier
    ↓
Router
    ↓
Execution
    ↓
Receipt

其中只有：

\text{Candidate Corridor Generator}

在高 novelty 時才必須使用大型模型。

47. Minimal Adaptive Loop

形式：

s_t \rightarrow N_t \rightarrow F_t \rightarrow \Phi_t \rightarrow V_t \rightarrow s_{t+1}.

再記錄：

r_t = \operatorname{Receipt} (s_t,\Phi_t,s_{t+1}).

並更新：

\mathcal K_{t+1} = U(\mathcal K_t,r_t).

48. 從固定程式到動態通道世界

固定程式：

P = (V,E).

其中：

E

大致固定。

自適應 UNPNP：

P_t = (V_t,E_t),

且：

E_{t+1} = E_t + \Delta E_t^+ - \Delta E_t^-.

其中：

$\Delta E_t^+$ ：新增通道；
$\Delta E_t^-$ ：淘汰通道。

這就是：

\boxed{ \text{program as evolving transition topology}. }

49. 核心命題一

\boxed{ \textbf{ 真正可行的通用性更可能存在於「生成、辨識、驗證與淘汰快速通道的能力」， 而不是存在於一條固定且永久有效的捷徑。 } }

50. 核心命題二

\boxed{ \textbf{ AI 原生計算不應預設每一步都需要 AI 深度推理； 穩定已知路徑應直接執行，只有新穎性與不確定性超過門檻時才提升 reasoning。 } }

51. 核心命題三

\boxed{ \textbf{ Adaptive Corridor Generator 的價值不只在「找出目前最便宜的路」， 還在於建立能被未來重用、編譯與結晶的新路。 } }

52. 結論

UNPNP Computer 若只有超連結，仍然只是一張可導航的計算圖。

真正讓它成為動態計算系統的，是：

\boxed{ \text{Adaptive Corridor Generator}. }

它負責在：

\mathcal L_t

之中持續判斷：

哪些 route 已知；
哪些 route 可直接重用；
哪些狀態已超出既有 guard；
哪些問題需要重新顯影；
哪些候選值得探索；
哪些 corridor 值得結晶；
哪些 corridor 已經失效。

因此：

\boxed{ \text{UNPNP Runtime} = \text{Hyperlink World} + \text{Adaptive Corridor Generator}. }

但這還不是完整系統。

因為 generator 選出 corridor 之後，仍然需要一個更底層的動態循環：

\boxed{ \text{展開} \rightarrow \text{連結} \rightarrow \text{收斂}. }

這個循環將解釋：

新路徑究竟如何從未知空間中被展開、連接並重新壓縮為下一個狀態？

這正是下一篇的主題。

後續篇章

Series 04｜展開—連結—收斂：UNPNP 計算的三元循環

下一篇將正式處理：

E \rightarrow L \rightarrow C \rightarrow E',

並建立：

Expansion；
Linking；
Convergence；
DRC 與 frontier；
語義顯影；
local working set；
收斂後 seed；
呼吸式計算；
為何收斂不是終點；
為何每次呼吸都可能留下可結晶結構。

UNPNP Series 03 — 自適應快速通道：從固定演算法到 Corridor Generator