UNPNP Series 04

展開—連結—收斂：UNPNP 計算的三元循環

Expansion–Linking–Convergence: The Triadic Computational Cycle of UNPNP

系列名稱： UNPNP Hyperlink & Crystallized Computation Series
系列篇次： 04
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／動態計算循環／UNPNP 理論論文
狀態： Canonical Draft

摘要

UNPNP Series 01 將複雜度理解為可轉移、外部化與重新分配的多維成本；Series 02 建立底空間與廣義超連結；Series 03 則提出 Adaptive Corridor Generator，回答「誰來選擇或生成下一條通道」。然而，若只知道「要走哪裡」，仍不足以描述一個 AI 原生計算系統如何從未知狀態中形成候選、建立跨空間 transition、壓縮結果並生成下一輪可用狀態。

本文提出 UNPNP 的三元動態循環：

\boxed{ E \rightarrow L \rightarrow C \rightarrow E' }

其中：

$E$ ：Expansion，展開；
$L$ ：Linking，連結；
$C$ ：Convergence，收斂。

本文將這個循環視為 UNPNP Computer 的基本「呼吸」。展開使潛在候選、語義關係、可行通道與局部底空間被顯現；連結將其中一部分真正轉化為可穿越、可執行、可驗證的 transition；收斂則將結果、證據、路徑、失敗與狀態重新壓縮為新的工作狀態與下一輪種子。

因此：

\boxed{ \text{Convergence is not termination.} }

而是：

\boxed{ C_t \rightarrow E_{t+1}. }

本文進一步將 DRC 的 Divergence–Resonance–Compression、動態語義顯影、局部工作集、frontier routing、state compression 與 hyperlink traversal 統合至同一框架。DRC 不再只是一種 Web 搜尋方法，而可被一般化為 frontier transformation；語義顯影也不只是在記憶庫中找內容，而可以被理解為對整個計算世界進行條件投影，生成當下可操作的局部世界。

本文提出：

\boxed{ \mathcal W_t^{\mathrm{active}} = \Pi_{\xi_t}(\mathcal W) }

其中 $\Pi_{\xi_t}$ 是由任務、上下文、時間、權限、資源與工作狀態共同決定的顯影算子。理想情況下：

|\mathcal W_t^{\mathrm{active}}| \ll |\mathcal W|.

因此 AI 不需在每一輪對完整世界做深度推理，而只需對被顯影出的可操作 working set 進行展開、連結與收斂。

本文亦建立局部與全域的邊界：局部收斂不必然等於全域最優，短路徑不必然等於低總成本，反覆穩定也不必然表示永久正確。因此 UNPNP 的呼吸循環必須攜帶 guard、validator、provenance、uncertainty 與 reopen 條件。

最後，本文提出「呼吸產生結晶，結晶改變下一次呼吸」作為後續路徑編譯與計算結晶化的接口：

\boxed{ K_t = \operatorname{Crystallize} (E_t,L_t,C_t) }

使：

\mathcal L_{t+1} = \mathcal L_t \cup K_t.

因此 UNPNP 的三元循環不是在固定圖中反覆搜索，而是一個能逐步改寫自身可用路徑集合的動態計算機制。

關鍵詞： UNPNP、Expansion、Linking、Convergence、DRC、動態語義顯影、frontier、working set、呼吸式計算、AI 原生計算、path compilation、crystallization

1. 為什麼需要一個基本循環？

Series 03 已提出：

\mathcal M \rightarrow \Phi_t

即 Adaptive Corridor Generator 生成或選擇 corridor。

但這只回答：

哪條路值得走？

它沒有完整回答：

候選路徑從哪裡來？

連結如何真正成立？

到達新底空間後，哪些資訊應保留？

哪些資訊應壓縮？

為什麼下一輪不必重新從零開始？

因此需要一個更底層的動態循環。

2. 三元循環

本文提出：

\boxed{ E \rightarrow L \rightarrow C }

其中：

E=\text{Expansion},

L=\text{Linking},

C=\text{Convergence}.

若時間顯式化：

E_t \rightarrow L_t \rightarrow C_t \rightarrow E_{t+1}.

因此真正結構是：

\boxed{ E \rightarrow L \rightarrow C \rightarrow E \rightarrow L \rightarrow C \rightarrow \cdots }

3. Expansion：展開不是暴力枚舉

最粗糙的展開可以是：

S_t \rightarrow \Omega_t,

其中：

\Omega_t

是所有可能候選。

但如果：

|\Omega_t|

巨大，

這種展開本身就失去意義。

因此 UNPNP 的 Expansion 不是：

\text{enumerate everything}.

而是：

\boxed{ \text{generate a task-relative local possibility frontier}. }

4. 展開算子

令：

s_t

為當前狀態，

\xi_t

為條件集合。

定義：

E_{\xi_t}(s_t) = F_t,

其中：

F_t

是 candidate frontier。

條件可以包含：

\xi_t = (g,c,t,o,a,b,h).

其中：

$g$ ：goal；
$c$ ：context；
$t$ ：time；
$o$ ：observer / agent；
$a$ ：authorization；
$b$ ：budget；
$h$ ：history。

5. Dynamic Semantic Revealing 作為展開前置層

假設全域世界：

\mathcal W

極大。

直接：

E(\mathcal W)

往往不可行。

因此先使用顯影：

\Pi_{\xi_t}: \mathcal W \rightarrow \mathcal W_t^{\mathrm{active}}.

其中：

\boxed{ \mathcal W_t^{\mathrm{active}} = \Pi_{\xi_t}(\mathcal W). }

理想上：

|\mathcal W_t^{\mathrm{active}}| \ll |\mathcal W|.

再做：

E( \mathcal W_t^{\mathrm{active}} ) \rightarrow F_t.

6. 語義顯影不是永久裁剪

重要的是：

\mathcal W_t^{\mathrm{active}}

只是當前條件下的局部投影。

不是：

\mathcal W_t^{\mathrm{active}} = \mathcal W_{\mathrm{true}}.

所以：

\boxed{ \text{Hidden} \neq \text{False}. }

也：

\boxed{ \text{Not active} \neq \text{Irrelevant forever}. }

當：

\xi_t \rightarrow \xi_{t+1},

可能有：

\mathcal W_t^{\mathrm{active}} \neq \mathcal W_{t+1}^{\mathrm{active}}.

7. Working Set

本文將：

\mathcal W_t^{\mathrm{active}}

視為 AI 的 semantic working set。

類比傳統記憶體系統：

\text{large storage} \rightarrow \text{small active working set}.

但這裡不是 page locality。

而是：

\boxed{ \text{semantic} + \text{goal} + \text{causal} + \text{temporal} + \text{authorization locality}. }

8. Expansion 的輸出不是答案

展開的結果：

F_t

不是最終答案。

它只是：

候選 link；
候選底空間；
候選證據；
候選操作；
候選解釋；
候選路徑。

因此：

\boxed{ E \neq \text{solve}. }

9. Divergence 與 Expansion

DRC 中的 Divergence：

D

可以被視為 Expansion 的一種方法。

即：

D \subseteq E.

DRC 的發散可能透過：

query expansion；
semantic expansion；
multilingual expansion；
graph neighborhood；
counter-concept generation；
hypothesis branching；
source diversification；

形成：

F_t.

所以 DRC 在 UNPNP 中不必被限制為搜尋引擎技術。

10. Linking：從候選到真正 transition

展開後：

F_t = \{ f_1, f_2, \ldots, f_n \}.

Linking 的任務不是再增加候選，

而是決定：

f_i

是否能被轉成真正可穿越的 transition。

因此：

L: F_t \rightarrow \Gamma_t.

其中：

\Gamma_t

可以是一條 link、link chain 或 conditional corridor。

11. Link 不等於相似

兩個底空間：

B_i, B_j

語義很相似，

不表示：

\ell_{ij}

成立。

因此：

\boxed{ \text{Semantic similarity} \neq \text{Executable connectivity}. }

真正的 link 至少需要：

address；
precondition；
transition semantics；
output contract；
verification；
capability compatibility。

12. Resonance 與 Linking

DRC 的 Resonance：

R

可以用來排序候選：

F_t \xrightarrow{R} F_t'.

但 Resonance 本身不等於 Linking。

更準確：

\boxed{ R \rightarrow \text{candidate selection}, }

而：

\boxed{ L \rightarrow \text{transition realization}. }

所以：

D \rightarrow R \rightarrow L

可能是實際 runtime 的一種實現。

13. Linking 的最小條件

對候選：

f_i

若要升級為：

\ell_i,

至少要求：

G_i(s_t)=1,

其中：

G_i

是 guard。

並且：

\operatorname{Resolvable}(a_i)=1,

\operatorname{Executable}(e_i)=1,

\operatorname{Verifiable}(v_i)=1.

否則它只是 suggestion。

14. Linking 可以是平行的

並非所有計算都只能選一條路。

如果風險低、資源允許，

可以：

L_t = \Gamma_1 \parallel \Gamma_2 \parallel \Gamma_3.

然後由後續 Convergence 合併。

這對：

多來源搜尋；
多模型驗證；
多候選路徑；
counter-evidence；
benchmark；

尤其有用。

15. Linking 也可以是暫時性的

某條 link：

\ell_t

可能只在：

[s_t,g_t,b_t]

下成立。

所以：

\ell_t

不必永久加入：

\mathcal L.

可以只有：

\text{ephemeral link}.

只有經過多次驗證、重用與結晶後才變成穩定 primitive。

16. Convergence：收斂不是「給答案」

一般系統容易把 convergence 理解為：

終於得到答案，流程結束。

UNPNP 中更一般的定義是：

C: (\Gamma_t,O_t,V_t,H_t) \rightarrow S_{t+1}.

其中：

$\Gamma_t$ ：本輪 traversal；
$O_t$ ：observations；
$V_t$ ：verification；
$H_t$ ：歷史狀態；
$S_{t+1}$ ：新的壓縮工作狀態。

所以：

\boxed{ \text{Convergence} = \text{state stabilization and compression}. }

17. Convergence 的輸出

收斂至少可能輸出：

S_{t+1} = \langle K_{t+1}, E_{t+1}, G_{t+1}, U_{t+1}, R_{t+1} \rangle.

其中：

$K_{t+1}$ ：known state；
$E_{t+1}$ ：verified evidence；
$G_{t+1}$ ：remaining gaps；
$U_{t+1}$ ：uncertainty；
$R_{t+1}$ ：reopen / routing conditions。

因此收斂不是把所有事情壓成一句摘要。

18. Compression 與 Convergence

DRC 的 Compression：

C_{\mathrm{DRC}}

是 Convergence 的一種形式。

因此：

C_{\mathrm{DRC}} \subseteq C_{\mathrm{UNPNP}}.

DRC 壓縮可以輸出：

cognitive map；
summary；
graph；
next query；
decision structure。

而 UNPNP Convergence 還要處理：

runtime state；
executable path；
validator；
future routing；
possible crystallization。

19. 收斂不是資訊毀滅

若：

C_t

只留下極短 summary，

又刪除：

\text{provenance},

那不是好的收斂。

本文要求：

\boxed{ \text{Compression} + \text{Recoverability}. }

也就是：

S_{t+1} \rightarrow \text{relevant lower-level trace}

仍應可能。

這為後續結晶化的可解壓性建立條件。

20. 收斂產生下一輪 Seed

最重要的是：

C_t

不是終點。

而是：

\boxed{ C_t \rightarrow E_{t+1}. }

例如：

S_{t+1}

中的：

unresolved gap；
新概念；
新底空間；
新 evidence；
新 failure；

會重新成為：

E_{t+1}

的種子。

21. 呼吸式計算

因此可以把一輪寫成：

S_t \xrightarrow{E_t} F_t \xrightarrow{L_t} O_t \xrightarrow{C_t} S_{t+1}.

整體：

\boxed{ S_0 \xrightarrow{ELC} S_1 \xrightarrow{ELC} S_2 \xrightarrow{ELC} \cdots }

這就是本文所稱：

\boxed{ \text{Breathing Computation}. }

22. 為什麼像呼吸？

展開：

|\Omega|\uparrow

讓可能性增加。

連結：

\Omega \rightarrow \Gamma

形成可實際穿越結構。

收斂：

|\Omega|\downarrow

把無效與已處理部分壓縮。

所以：

\boxed{ \text{Expand} \rightarrow \text{Traverse} \rightarrow \text{Compress}. }

再重新展開。

23. 呼吸不是週期性重算

如果每一輪：

S_{t+1}=S_t,

那只是重複。

真正有意義的呼吸要求：

\boxed{ S_{t+1} \neq S_t }

至少在：

knowledge；
routing；
uncertainty；
corridor library；
state；
cost estimate；

某個維度改變。

24. 呼吸可以變快

第一次：

C(ELC)_1

可能很高。

如果系統學到穩定 corridor，

後面：

C(ELC)_t

可能下降。

理想：

\frac{dC_{\mathrm{avg}}}{dt}<0.

這代表：

系統不是只在重複計算，而是在讓自己的未來呼吸更便宜。

25. Local Convergence

本文先定義局部收斂：

C_t: F_t \rightarrow S_{t+1}

只要求：

S_{t+1}

在當前任務域內足夠穩定。

不要求：

S_{t+1} = S^\*_{\mathrm{global}}.

因此：

\boxed{ \text{Local convergence} \neq \text{global optimum}. }

26. 為什麼必須允許局部收斂？

若每輪都要求證明：

\text{global optimum},

那：

C_V

可能比原問題還昂貴。

因此實際系統更可能接受：

\epsilon\text{-sufficient convergence}

或：

\text{task-sufficient convergence}.

這種近似必須明確記錄，而不能偽裝成全域證明。

27. Reopen Condition

每個收斂狀態應帶：

R_{\mathrm{open}}.

例如：

R_{\mathrm{open}} = \{ \text{new evidence}, \text{version change}, \text{goal change}, \text{confidence drop}, \text{failure} \}.

當：

R_{\mathrm{open}}=1,

則：

C_t \rightarrow E_{t+1}.

重新展開。

28. Convergence Stability

定義：

S_C(S_t) = f( \text{repeatability}, \text{evidence consistency}, \text{low uncertainty}, \text{environment stability} ).

若：

S_C\ge\theta_C,

則狀態可以進入更高 reuse 等級。

29. Non-commutativity

展開、連結、收斂一般不可交換。

例如：

C\circ E

不等於：

E\circ C.

通常：

\boxed{ C(E(S)) \neq E(C(S)). }

同樣：

L(E(S))

與：

E(L(S))

也不是同一操作。

所以三元循環不是三個可任意重排的模組。

30. 為什麼 Linking 必須居中？

如果先收斂再建立 link：

E \rightarrow C \rightarrow L,

可能過早壓掉候選。

如果一直展開不 link：

E \rightarrow E \rightarrow E,

則會造成：

\text{frontier explosion}.

如果一直 link 不收斂：

L \rightarrow L \rightarrow L,

則會造成：

\text{state accumulation}.

所以：

\boxed{ E \rightarrow L \rightarrow C }

形成一個自然平衡。

31. Frontier Explosion

令：

|F_t|=n_t.

若：

n_{t+1} \approx b n_t,

且：

b>1,

則：

n_t \sim b^t.

所以展開必須受到：

budget；
relevance；
novelty；
utility；
risk；
stopping；

控制。

32. Over-Convergence

反過來，

若每次：

C_t

太強，

可能只留下：

|S_{t+1}|\approx 1.

這會導致：

confirmation bias；
forgotten alternatives；
lost provenance；
premature closure；
brittle routing。

因此收斂也需要最低 diversity。

33. Controlled Divergence

可以定義：

B_E

為 expansion budget。

要求：

|F_t| \le B_E.

或：

C_E(F_t) \le B_E.

這使 Expansion 成為受控算子，而不是無限發散。

34. Controlled Convergence

同樣定義：

B_C

為保留預算。

Convergence 不必只保留最高分候選。

可以保留：

\{ \text{best}, \text{counter}, \text{uncertain}, \text{fallback} \}.

因此：

\boxed{ \text{Convergence} \neq \text{winner-take-all}. }

35. Information Gain

可以用：

I_t = H(S_t)-H(S_{t+1})

粗略表示 uncertainty reduction。

但理想系統也要記錄：

\Delta K_t

新增知識，

以及：

\Delta L_t

新增可用 link。

所以收斂價值可能是：

U_C = w_I I_t + w_K\Delta K_t + w_L\Delta L_t - w_C C_t.

36. 多尺度 ELC

ELC 可以在不同尺度同時存在。

微觀：

E^{(0)} \rightarrow L^{(0)} \rightarrow C^{(0)}.

中觀：

E^{(1)} \rightarrow L^{(1)} \rightarrow C^{(1)}.

宏觀：

E^{(2)} \rightarrow L^{(2)} \rightarrow C^{(2)}.

例如一個 function call 是微觀，

一個遊戲任務是中觀，

一整個 strategy 是宏觀。

37. 巢狀呼吸

一個高層 Expansion：

E^{(2)}

可能要求啟動多個：

ELC^{(1)}

子循環。

所以：

\boxed{ ELC }

本身可以遞歸巢狀。

這與底空間巢狀直接相容。

38. Async ELC

並非所有呼吸都需要同步。

可以有：

ELC_{\mathrm{sync}}

處理當前必要 transition，

以及：

ELC_{\mathrm{async}}

在背景處理：

deeper verification；
relation discovery；
path comparison；
cache promotion；
future corridor preparation。

因此：

\boxed{ \text{Sync maintains continuity;} \quad \text{Async improves structure}. }

39. 遊戲中的 ELC

在單機遊戲：

S_t

可能包含：

player state；
world state；
NPC state；
quest state；
resources。

Expansion：

S_t \rightarrow F_t

生成：

行動；
路徑；
技能；
策略；
資訊需求。

Linking：

F_t \rightarrow \Gamma_t

選出並執行 action chain。

Convergence：

\Gamma_t \rightarrow S_{t+1}

更新：

世界狀態；
成功／失敗；
新 corridor；
uncertainty；
next goal。

40. 遊戲中的 Working-Set 優勢

假設整個遊戲 object：

|O|=10^6.

但當前任務只相關：

|O_t^{\mathrm{active}}|=10^2.

則：

\frac{ |O_t^{\mathrm{active}}| }{ |O| } = 10^{-4}.

如果 semantic revealing 能可靠做到這種 reduction，

就可能大幅降低 AI reasoning cost。

41. ELC 與記憶搜尋

後續結晶化語義圖也可以使用相同循環。

Expansion：

q \rightarrow \text{memory frontier}.

Linking：

\text{crystal} \rightarrow \text{crystal} \rightarrow \text{raw source}.

Convergence：

\text{retrieved traces} \rightarrow \text{active memory state}.

所以 ELC 不只適用遊戲。

42. ELC 與 Omphalos

Omphalos 搜尋：

\text{method selection} \rightarrow \text{execution} \rightarrow \text{evidence} \rightarrow \text{gap}.

可以嵌入：

E \rightarrow L \rightarrow C.

例如：

E=\text{search-method expansion},

L=\text{provider-bound execution},

C=\text{evidence/gap convergence}.

43. ELC 與 Path Compilation

某一段穩定：

E_t \rightarrow L_t \rightarrow C_t

若反覆重現，

可以留下 trace：

\tau_t.

多次：

\tau_1,\tau_2,\ldots,\tau_n

若高度穩定，

則：

K(\tau_{1:n}) \rightarrow \widehat{\ell}.

這就是後續 path compilation 的接口。

44. 呼吸產生結晶

本文正式提出：

\boxed{ K_t = \operatorname{Crystallize} (E_t,L_t,C_t). }

若：

K_t\neq\varnothing,

則：

\mathcal L_{t+1} = \mathcal L_t \cup K_t.

因此下一輪：

E_{t+1}

看到的是一個不同的計算世界。

45. 結晶改變下一次呼吸

若原本：

E_t

需要展開：

100

個候選，

但新結晶：

\widehat{\ell}

使下次：

F_{t+1}

只需要：

10

個候選，

則：

C_E(t+1) < C_E(t).

所以結晶化可以直接降低未來 Expansion 成本。

46. 呼吸與結晶的雙向關係

因此：

\boxed{ \text{Breathing creates crystals;} }

以及：

\boxed{ \text{Crystals reshape breathing}. }

形式：

ELC_t \rightarrow K_t \rightarrow ELC_{t+1}.

47. Dynamic Fixed Point

若系統最終達到：

S_{t+1} \approx S_t,

且：

\mathcal L_{t+1} \approx \mathcal L_t,

則可稱為：

\epsilon\text{-stable computational fixed point}.

但只要世界：

\mathcal W_t

繼續變化，

這個 fixed point 也可能被重新打開。

48. Dynamic Non-Fixed Stability

更一般地，

系統甚至可能：

S_{t+1}\neq S_t

但保持：

\mathcal I(S_{t+1}) = \mathcal I(S_t),

其中：

\mathcal I

是核心不變量。

這是一種：

\boxed{ \text{dynamic stability}. }

也就是狀態持續變，但重要結構保持。

49. 三元循環的成本

一輪成本：

C_{\mathrm{ELC}}(t) = C_E(t) + C_L(t) + C_C(t) + C_B(t),

其中：

C_B

是 boundary / coordination cost。

總成本：

C_T = \sum_{t=1}^{T} C_{\mathrm{ELC}}(t).

如果 crystallization 成功，

理想：

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

於穩定工作負載。

50. ELC Efficiency

定義：

\eta_{\mathrm{ELC}} = \frac{ \Delta U }{ C_E+C_L+C_C }.

其中：

\Delta U

可以是：

goal progress；
information gain；
cost reduction；
corridor gain。

理想：

\eta_{\mathrm{ELC}}(t) \uparrow.

51. 失敗也需要收斂

若 Linking 失敗：

L_t \rightarrow \mathsf{fail},

不代表本輪沒有價值。

Convergence 可以保存：

C_t( \mathsf{fail} ) \rightarrow \{ \text{failed guard}, \text{invalid route}, \text{new risk}, \text{blocked address} \}.

因此：

\boxed{ \text{Failed traversal} \rightarrow \text{negative knowledge}. }

52. Negative Crystallization

甚至反覆失敗模式可以結晶成：

\widehat{\ell}_{\mathrm{avoid}}.

即：

某些狀態下不要再走這條路。

所以 crystallization 不只記錄成功 shortcut。

也可以記錄：

\boxed{ \text{verified forbidden / useless corridor}. }

53. ELC 的安全接口

Expansion 可以看見：

\text{reachable candidates}.

但 Linking 前必須檢查：

\text{authorization}.

所以：

\boxed{ E \not\Rightarrow L. }

也就是：

被顯影、被看到，不代表可以執行。

這個安全邊界留給後續 Series 09 深入展開。

54. ELC 不等於 P=NP

即使某個系統能透過 ELC：

C_{\mathrm{avg}} \downarrow,

也不能推出：

P=NP.

因為：

corridor generation 成本可能高；
外部資源可能很大；
reuse 可能依賴預計算；
uniformity 未必成立；
worst-case 未必改善。

所以：

\boxed{ \text{ELC efficiency} \neq \text{classical complexity collapse}. }

55. 核心命題一

\boxed{ \textbf{ UNPNP 的基本動態不是「搜索—回答」， 而是「展開—連結—收斂」。 } }

56. 核心命題二

\boxed{ \textbf{ 展開負責生成局部可能世界； 連結負責把候選轉成可穿越 transition； 收斂負責把本輪結果壓縮成下一輪可用狀態。 } }

57. 核心命題三

\boxed{ \textbf{ 收斂不是終止條件，而是下一次展開的起點。 } }

58. 核心命題四

\boxed{ \textbf{ 呼吸若能留下可驗證的結晶， 則系統的下一次呼吸可以比前一次更短、更便宜或更直接。 } }

59. 第一版總模型

本文將一輪 UNPNP 動態寫成：

\boxed{ S_t \xrightarrow{\Pi_{\xi_t}} W_t \xrightarrow{E_t} F_t \xrightarrow{L_t} O_t \xrightarrow{C_t} S_{t+1}. }

其中：

$\Pi_{\xi_t}$ ：顯影；
$W_t$ ：active working set；
$E_t$ ：Expansion；
$F_t$ ：frontier；
$L_t$ ：Linking；
$O_t$ ：observed transition result；
$C_t$ ：Convergence；
$S_{t+1}$ ：下一輪狀態。

若可結晶：

K_t = K(E_t,L_t,C_t).

則：

\mathcal L_{t+1} = \mathcal L_t \cup K_t.

60. 結論

UNPNP 的計算世界不應被理解成一張固定圖，AI 在裡面永遠尋找一條最短路徑。

更接近的結構是：

\boxed{ \text{世界} \rightarrow \text{局部顯影} \rightarrow \text{展開} \rightarrow \text{連結} \rightarrow \text{收斂} \rightarrow \text{世界的重新表示}. }

展開讓潛在關係變得可見。

連結讓可能性變成真正可執行的 passage。

收斂讓已經走過的世界被壓縮成新的狀態。

而這個新狀態再次：

\text{展開}.

因此：

\boxed{ E \rightarrow L \rightarrow C \rightarrow E \rightarrow L \rightarrow C \rightarrow \cdots }

不是單純的 workflow。

它是一個可以逐步改變自身計算結構的動態循環。

如果一次成功呼吸：

E_t \rightarrow L_t \rightarrow C_t

只留下結果，

那它只是一次計算。

如果它還能留下：

K_t,

使未來：

C_{\mathrm{ELC}}(t+1) < C_{\mathrm{ELC}}(t),

那它開始成為：

\boxed{ \text{self-optimizing computation}. }

因此本篇可以用一句話收束：

\boxed{ \textbf{ 呼吸產生結晶，結晶改變下一次呼吸。 } }

而下一篇將把這個循環推到更底層的執行結構：

如果展開、尋址、執行、生成與驗證可以高度耦合，傳統 pipeline 是否能被重新壓成一個新的計算 transition？

這正是下一篇的問題。

後續篇章

Series 05｜耦合計算：尋址即執行即生成即驗證

下一篇將處理：

A \otimes P \otimes E \otimes G \otimes V,

並正式區分：

\text{Coupling} \neq \text{Logical Identity},

以及：

addressing；
permission / authorization；
execution；
generation；
verification；
pipeline collapse；
boundary removal；
fast path；
why coupling can improve efficiency；
why coupling without safety boundaries can amplify failure。

UNPNP Series 04 — 展開—連結—收斂：UNPNP 計算的三元循環