UNPNP Series 10

從遊戲世界到一般程式：AI 自我重組計算圖的研究路線

From Game Worlds to General Software: A Research Roadmap for AI-Reorganized Computational Graphs

系列名稱： UNPNP Hyperlink & Crystallized Computation Series
系列篇次： 10
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： 研究路線圖／實驗設計／UNPNP 理論系列收束篇
狀態： Canonical Draft

摘要

UNPNP 前九篇已依序建立：複雜度轉移、跨底空間超連結、自適應快速通道、展開—連結—收斂、耦合計算、路徑編譯、計算結晶化、有效度超連結路徑編碼，以及安全可達世界。至此，理論已足以回答「一個 AI-native runtime 應該如何逐步發現、驗證、編譯並重用新的計算路徑」。然而，一套理論若無法被實驗證偽，就仍只是架構猜想。

本文提出 UNPNP 的第一版實驗研究路線，主張應先以單機遊戲世界作為主要驗證域，再逐步進入一般程式與 legacy software 的 AI 再編譯。核心理由是，遊戲同時具備：

\boxed{ \text{複雜狀態} + \text{可重播} + \text{可回滾} + \text{可測量} + \text{低外部風險} }

這使 UNPNP 能在不被企業 IAM、外部不可逆行為、法規與真實生產環境風險淹沒的情況下，先測其真正計算命題。

本文提出五階研究路線：

\boxed{ \text{Synthetic World} \rightarrow \text{Turn-Based Game} \rightarrow \text{Simulation Game} \rightarrow \text{Real-Time Game} \rightarrow \text{Controlled Legacy Program}. }

每一階段都要求相同核心比較：

\text{Baseline} \quad\text{vs.}\quad \text{Adaptive} \quad\text{vs.}\quad \text{Crystallized}.

並持續測量：

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

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

R_K(t) = \frac{ N_{\mathrm{crystal\ transitions}} }{ N_{\mathrm{all\ transitions}} },

以及：

C_{\mathrm{avg}}(t).

如果 UNPNP 的核心機制成立，則在穩定 workload 中應觀察到：

R_{\mathrm{reason}}(t)\downarrow,

H_{\mathrm{corridor}}(t)\uparrow,

R_K(t)\uparrow,

C_{\mathrm{avg}}(t)\downarrow,

且錯誤率、風險與維護成本不應同步惡化到抵銷收益。

本文特別提出 Frozen-Model Experiment：保持 AI 模型權重固定：

\theta_{t+1}=\theta_t,

只允許 corridor library、crystal set、routing statistics 與索引結構演化：

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

若系統性能仍持續改善，即可提供重要證據，顯示改善來自：

\boxed{ \text{world-to-corridor compilation} }

而非單純來自更大模型或權重更新。

本文同時提出 shadow recompilation、differential verification、baseline replay、ablation、cost ledger、distribution shift、negative crystal、deoptimization、crystal debt 與安全 envelope 等實驗要求。只有在遊戲域中證明「AI 能逐步把既有計算世界重新組織成更便宜的計算世界」後，才進入一般 legacy program 的 selective recompilation。

因此，本文將未來 AI 再編譯定義為：

\boxed{ \text{Legacy Program} \rightarrow \text{Observe} \rightarrow \text{Trace} \rightarrow \text{Reveal} \rightarrow \text{Recompose} \rightarrow \text{Verify} \rightarrow \text{Crystallize} }

而不是一次性「讓 AI 重寫整個程式」。

本文亦明確保留與經典 P/NP 的邊界。即使實驗證明平均計算成本會隨經驗下降，也不能推出：

P=NP.

更合理的結論將是：在可重複、可結晶、可維護的工作負載中，一部分原本反覆支付的計算可以被轉移為可重用結構，使未來求解逐步轉向：

\boxed{ \text{re-solving} \rightarrow \text{solution-preserving and path-preserving evolution}. }

本文因此作為 UNPNP 第一理論系列的收束：前九篇定義「如何可能」，本篇定義「如何證明它真的有用」。

關鍵詞： UNPNP、Game Experiment、AI Recompilation、Frozen Model、Path Compilation、Crystallization、Legacy Software、Benchmark、Adaptive Corridor、Self-Optimizing Computation

1. 理論寫完之後，真正的問題才開始

到 Series 09 為止，我們已經可以寫出一個完整抽象 runtime：

S_t \xrightarrow{\Pi} W_t \xrightarrow{E} F_t \xrightarrow{L} O_t \xrightarrow{C} S_{t+1} \xrightarrow{K} \mathcal K_{t+1}.

但這還沒有回答：

它真的會比傳統方法快嗎？

2. 不能用「看起來比較聰明」作為證據

如果 AI 玩遊戲更好，

可能只是：

模型本來更強；
prompt 更好；
agent loop 更長；
tool 更多；
cache 更大。

因此：

\boxed{ \text{better task score} \neq \text{UNPNP validated}. }

3. 真正需要證明的命題

至少要證明：

\boxed{ \text{同一工作負載下，系統能隨經驗累積減少未來必要計算。} }

4. 第一核心實驗命題

令：

C_{\mathrm{avg}}(t)

為平均 transition cost。

UNPNP 理想：

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

5. 第二核心命題

令：

R_{\mathrm{reason}}(t)

為深推理比例。

理想：

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

6. 第三核心命題

令：

H_{\mathrm{corridor}}(t)

為已驗證 corridor 命中率。

理想：

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

7. 第四核心命題

令：

R_K(t)

為 crystal transition 比例。

理想：

\boxed{ \frac{dR_K}{dt}>0. }

8. 第五核心命題

性能改善不能來自錯誤率惡化。

因此要求：

E_{\mathrm{err}}(t) \not\uparrow

超過允許門檻。

9. 為什麼先用單機遊戲？

因為遊戲提供：

\boxed{ \text{Bounded Complexity}. }

世界複雜，

但邊界可知道。

10. 可重播

可以保存：

S_0.

然後不同 runtime 從同一：

S_0

開始。

11. 可回滾

錯誤：

S_t\rightarrow S_{\mathrm{bad}}

可以：

S_{\mathrm{bad}}\rightarrow S_t.

12. 低外部風險

失敗通常不造成：

真實金流；
真實帳號；
production data；
第三方不可逆影響。

13. 有大量重複模式

遊戲中常有：

移動；
戰鬥；
inventory；
NPC；
商店；
pathfinding；
resource update。

這些天然適合：

\text{reuse}.

14. 又不會太簡單

如果只用 toy graph，

可能證明的只是：

cache 有用。

遊戲則能測：

partial observability；
state variation；
branching；
dynamic world；
semantic equivalence。

15. 第一版研究階梯

本文提出：

\boxed{ P_0 \rightarrow P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow P_4. }

16. Phase 0：Synthetic World

建立人工小世界。

例如：

grid；
object graph；
inventory；
deterministic tasks。

17. Phase 0 的目的

不是證明遊戲能力。

而是驗證：

receipt；
path trace；
guard；
crystallization；
deoptimization；
cost accounting。

18. Synthetic World 必須有 Baseline

不能只測 UNPNP。

至少：

B_0 = \text{ordinary planner}.

19. Phase 0 成功門檻

如果連 toy world 都無法：

C_{\mathrm{avg}}\downarrow,

就不應進入更大遊戲。

20. Phase 1：Turn-Based Game

下一步：

\boxed{ \text{Turn-Based}. }

21. 為什麼回合制？

因為 time pressure 低。

可以精確記錄：

reasoning；
action；
verification；
state。

22. 回合制適合 Differential Replay

同一 state：

S_t

可以測：

A_{\mathrm{baseline}}, A_{\mathrm{adaptive}}, A_{\mathrm{crystal}}.

23. Phase 1 主要測什麼？

corridor reuse；
semantic path family；
reasoning reduction；
negative crystal；
path invalidation。

24. Phase 2：Simulation / Management Game

例如：

colony；
economy；
management；
world simulation。

25. 為什麼 Simulation 很重要？

因為有大量：

\boxed{ \text{repeated local state update}. }

這比一次性 puzzle 更接近一般程式。

26. Simulation 會暴露維護問題

World state 一直變。

因此 crystal 可能：

\text{fresh} \rightarrow \text{stale}.

27. Phase 2 主要測

incremental repair；
crystal debt；
distribution shift；
higher-order crystal；
selection congestion。

28. Phase 3：Real-Time Single-Player

再進：

\boxed{ \text{Real-Time}. }

29. Real-Time 增加 latency 壓力

此時不只：

\mathbb E[C].

還要看：

p95, p99.

30. Real-Time 會測出 fast path 是否真的有意義

如果：

p99_{\mathrm{crystal}} < p99_{\mathrm{baseline}},

才有實際價值。

31. Real-Time 也測 variance

\operatorname{Var}(C).

穩定快速可能比平均稍快更重要。

32. Phase 4：Controlled Legacy Program

只有前面通過，

才進：

\boxed{ \text{general software}. }

33. Controlled Legacy Program 的定義

不是 production system。

而是：

local；
open-source；
testable；
rollback；
reproducible；
no dangerous external effects。

34. Phase 4 第一目標

不是讓 AI 重寫全部程式。

而是：

\boxed{ \text{observe hot semantic paths}. }

35. Legacy Program 初始模式

P_{\mathrm{legacy}}

保持 canonical。

UNPNP 只建立：

\mathcal K_{\mathrm{shadow}}.

36. Shadow Recompilation

P_{\mathrm{legacy}} \parallel P_{\mathrm{shadow}}.

不讓 shadow 直接改真狀態。

37. Compare

比較：

\operatorname{Obs} ( P_{\mathrm{legacy}} )

與：

\operatorname{Obs} ( P_{\mathrm{shadow}} ).

38. Only Then Promote

只有：

V_{\mathrm{equiv}}\ge\theta_V

且：

U_L>0

才 active。

39. 三組 Baseline

所有實驗至少三組。

40. Baseline A：Naive / Traditional

B_A.

不使用 corridor memory。

41. Baseline B：Adaptive without Crystallization

B_B.

允許 AI planning / search，

但不形成 persistent crystal。

42. Experimental C：Adaptive + Crystallization

E_C.

完整：

routing；
EHPE；
crystal；
reuse。

43. 這三組可以回答什麼？

如果：

E_C>B_B>B_A,

才能逐步分離：

AI adaptivity；
crystallization value。

44. Frozen-Model Experiment

為了避免：

模型後來變聰明了。

固定：

\boxed{ \theta_{t+1}=\theta_t. }

45. 只允許什麼變？

\mathcal K_t,

\mathcal R_t,

\mathcal I_t,

\mathcal S_t.

即：

crystal library；
routing statistics；
index；
state summaries。

46. Frozen-Model 的意義

若：

P(t+1)>P(t)

仍成立，

則：

\boxed{ \text{architecture learned}. }

47. World-to-Corridor Compilation

本文將此稱為：

\boxed{ \text{World-to-Corridor Compilation}. }

48. Learning 不只在權重裡

所以：

\boxed{ \text{Learning} = \text{Weight Learning} \cup \text{Structural Learning}. }

49. 核心 Metric 1：Reasoning Ratio

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

50. Metric 2：Corridor Hit Ratio

H_{\mathrm{corridor}}(t) = \frac{ N_{\mathrm{corridor-hit}} }{ N_{\mathrm{all}} }.

51. Metric 3：Crystal Ratio

R_K(t) = \frac{ N_{\mathrm{crystal-exec}} }{ N_{\mathrm{all}} }.

52. Metric 4：Average Cost

C_{\mathrm{avg}}(t).

53. Metric 5：Tail Cost

C_{p95}, C_{p99}.

54. Metric 6：Failure Rate

F_R = \frac{ N_{\mathrm{failure}} }{ N_{\mathrm{all}} }.

55. Metric 7：Rollback Rate

R_B = \frac{ N_{\mathrm{rollback}} }{ N_{\mathrm{all}} }.

56. Metric 8：Crystal Invalidation Rate

I_K = \frac{ N_{\mathrm{stale-or-invalid}} }{ N_{\mathrm{crystal}} }.

57. Metric 9：Maintenance Cost

C_M(t).

58. Metric 10：Selection Cost

C_S(t).

59. Metric 11：Memory Cost

C_{\mathrm{memory}}(t).

60. Metric 12：Verification Cost

C_V(t).

61. Total Cost Ledger

最重要的是：

\boxed{ C_T = C_{\mathrm{reason}} + C_{\mathrm{route}} + C_{\mathrm{execute}} + C_{\mathrm{verify}} + C_{\mathrm{memory}} + C_{\mathrm{maintain}} + C_{\mathrm{failure}}. }

62. 不可以只看 Token

Token 是部分成本。

不能：

\text{token down} \Rightarrow \text{system faster}.

63. CPU / GPU

需要量：

CPU time；
GPU time；
memory；
I/O；
API latency。

64. Wall-Clock Time

T_{\mathrm{wall}}

也必須記。

65. Reasoning Invocation Count

N_{\mathrm{LLM}}.

很重要。

因為 UNPNP 其中一個目標是：

N_{\mathrm{LLM}}\downarrow.

66. Tool Call Count

N_{\mathrm{tool}}.

如果 crystal 只是讓 token 少，

卻 tool call 更多，

未必有收益。

67. State Transfer

量：

B_{\mathrm{state}}

傳輸 bytes。

這能測 boundary reduction。

68. Intermediate Materialization

量：

N_{\mathrm{materialize}}.

Path Compilation 成功時應可能下降。

69. A/B Replay

同一初始 state：

S_0

重播多次。

70. 隨機種子

若遊戲 stochastic，

固定：

\text{seed}.

才能公平比。

71. 多 Seed

不能只用一個。

應：

\text{seed}_1,\ldots,\text{seed}_n.

72. Distribution Split

分：

train / observe；
validation；
shifted。

73. Observe Set

允許系統形成 crystal。

74. Validation Set

測：

crystal 是否泛化？

75. Shift Set

故意改：

map；
item；
rule；
NPC；
difficulty。

76. Distribution Shift Test

看：

\text{Hot} \rightarrow \text{Warm / Cold}

是否正常。

77. 如果 Crystal 不會失效，是壞事

因為真世界會變。

所以：

\boxed{ \text{correct invalidation} }

本身也是成功指標。

78. Negative Crystal Test

故意建立：

\text{known bad path}.

測系統是否：

\text{avoid repeated exploration}.

79. Reopen Test

環境變後，

原本 bad path 變好。

系統是否能：

\kappa^- \rightarrow \text{reopen}.

80. Higher-Order Crystal Test

先形成：

\kappa_1,\kappa_2,\kappa_3.

再測：

K^{(2)} ( \kappa_1,\kappa_2,\kappa_3 ).

81. 不能只證明一階 Cache

如果只證明：

同樣 input 有 cache 很快。

那不夠。

必須測：

\boxed{ \text{procedure-level reuse}. }

82. Semantic Family Test

不同 raw state：

s_1\neq s_2,

但屬同一 task family。

看是否命中：

\kappa_{\mathcal D}.

83. Guard Precision Test

測：

P_G.

84. Guard Recall Test

測：

R_G.

85. Guard False Positive 是重要失敗

因為：

\text{wrong fast path}

會放大錯誤。

86. Deoptimization Test

故意輸入：

x\notin D_\kappa.

系統應：

\text{fast} \rightarrow \text{slow}.

87. Decrystallization Test

故意更改 dependency。

看：

\kappa \rightarrow \Gamma.

是否可追。

88. Provenance Test

每個：

\kappa

應能回答：

source；
version；
benchmark；
validator。

89. Crystal Poisoning Test

在安全 sandbox 中故意提供錯誤 trace。

測：

會不會被 promotion？

90. Promotion Gate

要求：

V\ge\theta_V,

U_L>0,

R\le\theta_R.

91. Ablation 1：No Semantic Revealing

關掉：

\Pi_\xi.

看 frontier cost 是否上升。

92. Ablation 2：No Corridor Memory

關掉：

\mathcal K.

看 reasoning ratio。

93. Ablation 3：No Negative Crystal

看是否重複走錯路。

94. Ablation 4：No EHPE

讓所有 candidate 都 crystallize。

看 maintenance explosion。

95. Ablation 5：No Invalidation

看 distribution shift 下錯誤率。

96. Ablation 6：No Fast Verification

全部 deep verify。

看安全成本。

97. Ablation 7：No Deep Verification

全部 fast verify。

看 failure。

98. 這些 Ablation 為何重要？

因為可以分辨：

\boxed{ \text{哪一個模組真的有價值。} }

99. 第一個成功標準

在 stable workload：

C_{\mathrm{avg}}^{\mathrm{crystal}} < C_{\mathrm{avg}}^{\mathrm{adaptive}} < C_{\mathrm{avg}}^{\mathrm{baseline}}.

100. 第二成功標準

R_{\mathrm{reason}}^{\mathrm{crystal}} < R_{\mathrm{reason}}^{\mathrm{adaptive}}.

101. 第三成功標準

錯誤率：

F_R^{\mathrm{crystal}} \le F_R^{\mathrm{baseline}} + \epsilon.

102. 第四成功標準

完整成本：

C_T^{\mathrm{crystal}} < C_T^{\mathrm{baseline}}.

不能只看 runtime。

103. 第五成功標準

在 shift 後：

\operatorname{InvalidationAccuracy}

足夠高。

104. 第六成功標準

Crystal library 不爆炸。

即：

C_M

與：

C_S

受控。

105. 失敗標準一

如果：

C_{\mathrm{compile}} + C_{\mathrm{maintain}} > C_{\mathrm{saved}},

則 UNPNP 該版本失敗。

106. 失敗標準二

如果：

R_{\mathrm{reason}}

沒有下降，

代表 crystal 沒真正替代 reasoning。

107. 失敗標準三

如果：

|\mathcal K|\uparrow

但：

H_{\mathrm{corridor}}

不升，

代表 crystal quality 差。

108. 失敗標準四

如果錯誤率明顯上升，

則 fast path 只是：

\text{fail faster}.

109. 失敗標準五

如果 guard / routing 比原 path 還貴，

形成：

\text{negative optimization}.

110. 這些失敗都不是壞結果

因為它們能告訴我們：

哪些 UNPNP 命題不成立。

這就是可證偽研究。

111. Experiment Receipt

每次 run 留：

r = \langle \text{seed}, \text{version}, \text{config}, \text{metrics}, \text{crystals}, \text{failures} \rangle.

112. Reproducibility

應能：

\operatorname{Replay}(r).

113. Canonical Baseline

每個遊戲版本要保存：

B_v.

避免版本更新污染結果。

114. Version Lock

初期最好：

v_{\mathrm{game}}

固定。

115. 後期才做 Version Shift

再測：

v_1\rightarrow v_2.

116. Hardware Lock

同一 benchmark 先固定 hardware。

117. 再做 Hardware Transfer

測：

\kappa_{\mathrm{CPU}}

與：

\kappa_{\mathrm{GPU}}.

118. AI Model Lock

Frozen-model 階段固定模型。

119. Model Transfer

後期才測：

同一 crystal library 是否可跨模型使用？

120. Cross-Model Crystal

若：

\kappa

是 external runtime primitive，

理論上可能：

M_A\rightarrow\kappa

與：

M_B\rightarrow\kappa.

121. 這很重要

因為表示：

學習成果不一定綁在單一模型權重裡。

122. Cross-Agent Reuse

同理：

\text{Agent}_1

產生 crystal，

\text{Agent}_2

是否可使用？

123. 需要 Capability / Provenance

跨 Agent 不能裸共享。

必須：

trust；
version；
validator；
capability。

124. 遊戲實驗之後才能問一般程式

如果遊戲域證明：

C_T\downarrow,

下一步才有理由做 legacy software。

125. Legacy Recompilation Pipeline

本文正式提出：

\boxed{ \text{Observe} \rightarrow \text{Trace} \rightarrow \text{Reveal} \rightarrow \text{Recompose} \rightarrow \text{Verify} \rightarrow \text{Crystallize}. }

126. Observe

不修改 source。

先看：

P_{\mathrm{legacy}}

怎麼跑。

127. Trace

收集：

\Gamma_1,\ldots,\Gamma_n.

128. Reveal

找：

high-cost；
high-frequency；
stable semantic path。

129. Recompose

生成：

\widehat{\Gamma}.

130. Verify

要求：

\Gamma \simeq_{\mathcal T} \widehat{\Gamma}.

131. Crystallize

只有：

U_H>0.

132. AI Recompilation 不是 AI Refactor

Refactor 通常：

改 source 結構。

AI Recompilation 更廣：

\boxed{ \text{change computational path representation}. }

133. 可以不改 Source

Crystal overlay 可以存在：

P_{\mathrm{legacy}}

之外。

134. 可以之後回寫 Source

若長期證明成熟，

再：

\kappa \rightarrow \text{source patch}.

135. Source Rewrite 是最後階段

不是第一步。

136. 適合的第一批 Legacy Target

deterministic library；
parser；
query workload；
simulation；
local tool chain；
test runner；
build pipeline。

137. 不適合第一批

payment；
authentication core；
production DB write；
safety-critical control；
irreversible external systems。

138. 一般程式實驗仍要 Shadow

新 path：

\widehat{\Gamma}

先不接 production。

139. General Program Metric

除了 latency，

還要：

CPU；
memory；
I/O；
test pass；
semantic equivalence；
maintenance。

140. Human Code Review

若最後要回寫 source，

仍可要求 human review。

141. AI 先做 Runtime Overlay 比較合理

因為：

\boxed{ \text{runtime evidence} \rightarrow \text{source confidence}. }

142. 從遊戲到程式的真正橋樑

不是：

遊戲跟程式很像。

而是兩者都可以抽象成：

\boxed{ \text{state} + \text{transition} + \text{cost} + \text{verification}. }

143. 所以 Game 不是玩具

它是：

\boxed{ \text{controlled computational ecology}. }

144. UNPNP Computer 的最小 MVP？

本系列刻意不以產品 MVP 為主。

但研究原型至少需要：

State Observer
Transition Logger
Adaptive Corridor Generator
Crystal Store
EHPE Gate
Validator
Cost Ledger
Replay Harness

145. 第一版不用複雜 UI

研究重點是：

\text{runtime evidence}.

146. 第一版不用多玩家

多玩家增加：

networking；
fairness；
external effects；
synchronization。

先不要。

147. 第一版不用 Enterprise IAM

Series 09 已說明。

只需要：

I+C+R+G+V.

148. 第一版不用 Online Learning

可先固定模型。

149. 第一版也不用修改模型權重

這反而能讓實驗更乾淨。

150. 最重要的控制變因

\boxed{ \text{same model, same world, different runtime architecture}. }

151. 如果這樣仍變快

才能真正說：

UNPNP runtime 本身提供價值。

152. 如果沒有變快

也要接受。

可能表示：

crystal overhead 太高；
world 太 dynamic；
guard 太貴；
selection 太貴；
path 不可壓縮。

153. 找到不可壓縮區域也是成果

可形成：

\boxed{ \text{non-crystallizable workload class}. }

154. 可結晶性地圖

未來可以建立：

Q_K(\mathcal D).

不同 workload 的：

\text{crystallizability}.

155. 這可能比單一成功案例更重要

因為真正需要知道：

哪些世界適合 UNPNP？

156. Workload Taxonomy

未來分類：

highly repetitive；
moderately dynamic；
adversarial；
one-shot；
stochastic；
high verification burden。

157. UNPNP 不應宣稱全域適用

Series 03 已有：

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

實驗先從：

\mathsf{LGC}

與：

\mathsf{FGC}

開始。

158. 最初不要碰 P/NP 結論

即使遊戲成功，

只能說：

某些 workload 的 amortized runtime 改善。

159. Uniformity 仍未證明

仍然：

\forall x\exists\Gamma_x \centernot\Rightarrow \exists G\forall x.

160. 外部化成本仍要計

如果 crystal build 很貴，

不能藏起來。

161. 完整實驗總式

baseline：

C_B(N) = \sum_{i=1}^{N} C_{\mathrm{base}}(x_i).

UNPNP：

C_U(N) = C_{\mathrm{build}} + C_{\mathrm{verify}} + C_{\mathrm{maintain}} + \sum_{i=1}^{N} C_{\mathrm{crystal}}(x_i).

成功要求：

\boxed{ C_U(N)<C_B(N). }

162. 再加風險

C_U^R = C_U + \lambda E_L.

163. 再加失敗

C_U^{RF} = C_U^R + C_{\mathrm{failure}}.

164. 最終比較應是系統級

這與 Series 01 完整閉環。

165. Research Gate 0

Synthetic world 通過。

166. Research Gate 1

Turn-based 通過。

167. Research Gate 2

Simulation 通過。

168. Research Gate 3

Real-time 通過。

169. Research Gate 4

Controlled legacy program 通過。

170. 只有之後才做 Production-Like

不是現在。

171. Gate 不只是成功率

每一階段都要：

performance；
correctness；
maintenance；
invalidation；
safety。

172. Stop Condition

若某階段：

U_L\le0

長期成立，

停止擴張。

173. Pivot Condition

可以改：

workload；
granularity；
crystal policy；
verification。

174. Fail Fast in Research

研究系統應：

早點知道哪裡不成立。

不是把負結果包裝掉。

175. 理論與工程要互相修正

如果實驗顯示：

E\rightarrow L\rightarrow C

太粗，

就拆。

176. 如果 Path Compilation 太貴

降低 granularity。

177. 如果 Crystal Library 爆炸

提高 EHPE threshold。

178. 如果 Invalidation 太頻繁

降低 persistent crystal。

179. 如果 Reasoning Ratio 不降

檢查 routing / semantic family。

180. 這就是研究循環

\boxed{ \text{Theory} \rightarrow \text{Experiment} \rightarrow \text{Failure} \rightarrow \text{Revision}. }

181. Series 01–09 的實驗映射

Series 01：

\text{cost ledger}.

182. Series 02

\text{subspace / hyperlink instrumentation}.

183. Series 03

\text{adaptive corridor generator}.

184. Series 04

\text{ELC runtime trace}.

185. Series 05

\text{coupled transition benchmark}.

186. Series 06

\text{path compilation}.

187. Series 07

\text{crystal lifecycle}.

188. Series 08

\text{EHPE utility gate}.

189. Series 09

\text{safe reachable world}.

190. Series 10

\boxed{ \text{integrated falsifiable experiment}. }

191. 核心命題一

\boxed{ \textbf{ UNPNP 第一階段不需要證明一般計算世界都能被重新編譯；只需要證明在一個複雜、可重複、可測量的封閉世界中，結晶化確實能降低未來計算成本。 } }

192. 核心命題二

\boxed{ \textbf{ 單機遊戲是理想第一實驗域，因為它在保留真實狀態複雜度的同時，把不可逆外部風險壓到很低。 } }

193. 核心命題三

\boxed{ \textbf{ Frozen-model experiment 是區分「模型更聰明」與「計算架構真的學會更便宜路徑」的關鍵實驗。 } }

194. 核心命題四

\boxed{ \textbf{ 未來一般程式的 AI 再編譯，應先以 shadow overlay 與 selective recompilation 進行，而不是讓 AI 一次性重寫完整 legacy system。 } }

195. 核心命題五

\boxed{ \textbf{ 一套真正成立的 UNPNP runtime，不只會在世界中尋找答案；它會逐步把自己走過的世界重新編譯成一個更容易再次穿越的世界。 } }

196. 系列最終總模型

整套 UNPNP v0.1：

\boxed{ \mathfrak U_t = ( \mathcal W, \mathcal B, \mathcal L_t, \mathcal M, \Pi, E, L, C, K, V, \mathcal S, \mathbf C ). }

其中：

$\mathcal W$ ：world；
$\mathcal B$ ：subspaces；
$\mathcal L_t$ ：dynamic hyperlinks；
$\mathcal M$ ：adaptive corridor generator；
$\Pi$ ：semantic revealing；
$E$ ：Expansion；
$L$ ：Linking；
$C$ ：Convergence；
$K$ ：crystallization；
$V$ ：verification；
$\mathcal S$ ：security envelope；
$\mathbf C$ ：cost vector。

197. 一輪運行

S_t \xrightarrow{\Pi} W_t \xrightarrow{E} F_t \xrightarrow{\mathcal M} \Gamma_t \xrightarrow{L} O_t \xrightarrow{V} \widehat O_t \xrightarrow{C} S_{t+1}.

198. 一輪之後

若：

\operatorname{EHPE}(\Gamma_t)>0,

則：

\Gamma_t \xrightarrow{\operatorname{PC}} \widehat{\ell}_t \xrightarrow{K} \kappa_t.

199. 世界更新

\boxed{ \mathcal L_{t+1} = \mathcal L_t \cup \kappa_t^+ - \kappa_t^-. }

200. 下一輪不再是同一個計算圖

所以：

\boxed{ \mathfrak U_{t+1} \neq \mathfrak U_t. }

這就是自我重組計算圖。

201. 最終與 P/NP 的邊界

即使：

C_{\mathrm{avg}}(t)\downarrow,

仍然不能推出：

P=NP.

202. 更合理的研究結論

如果實驗成功，

可以說：

\boxed{ \text{repeated workload complexity can be partially transferred into reusable verified structure}. }

203. 從 Re-solving 到 Evolution

因此：

\boxed{ \text{re-solving} \rightarrow \text{solution-preserving evolution}. }

204. 從 Path Search 到 Path-Space Rewrite

更進一步：

\boxed{ \text{optimize path} \rightarrow \text{optimize path space}. }

205. 從固定程式到會長路的程式

P_t = (V_t,E_t).

而：

E_{t+1} \neq E_t.

206. 從 AI 玩家到 AI 世界編譯器

第一階段表面看：

AI 在玩遊戲。

真正測的是：

\boxed{ \text{AI 是否能把遊戲世界逐步編譯成自己的快速通道網路。} }

207. 從遊戲世界到一般程式

若成功，

下一步：

\boxed{ \text{AI 是否能把 legacy software 的高成本語義路徑逐步編譯成 validated crystal overlay？} }

208. 這才是 AI Recompilation

不是：

AI 幫我重寫程式。

而是：

\boxed{ \text{AI 觀察執行世界，發現值得重組的計算路徑，生成候選新路，驗證後逐步將其提升為新 primitive。} }

209. 結論

UNPNP 的第一理論系列到這裡收束。

我們從：

P\stackrel{?}{=}NP

之外的一個上位問題開始：

如果困難的計算能透過索引、表示、搜尋、路由、編譯與記憶被搬到其他地方，那麼複雜度到底去了哪裡？

接著得到：

\text{Complexity Transfer}.

再得到：

\text{Subspaces} + \text{Hyperlinks}.

接著需要：

\text{Adaptive Corridor Generator}.

動態運行採：

E \rightarrow L \rightarrow C.

transition 內可：

A \otimes P \otimes E \otimes G \otimes V.

穩定 path 可以：

\Gamma \rightarrow \widehat{\ell}.

再：

\widehat{\ell} \rightarrow \kappa.

但只有：

U_H>0

的 path 才值得結晶。

而：

\kappa

只能存在於：

\mathcal W^{\mathrm{accessible}}.

最終整個系統形成：

\boxed{ ELC \rightarrow K \rightarrow ELC' \rightarrow K' \rightarrow \cdots }

這也就是：

\boxed{ \text{呼吸產生結晶，結晶改變下一次呼吸。} }

但理論真正有價值的時刻，不是我們把這句話寫得漂亮。

而是我們在一個實際遊戲世界中，看到：

R_{\mathrm{reason}}\downarrow,

H_{\mathrm{corridor}}\uparrow,

R_K\uparrow,

C_{\mathrm{avg}}\downarrow,

同時：

F_R

沒有失控，

C_M

沒有吞掉收益，

且 distribution shift 後系統能正確失效、解晶與重建。

如果這些現象真的出現，

那麼我們才有資格說：

\boxed{ \textbf{ AI 不只是在計算世界中解題； 它開始學會重新編譯計算世界本身。 } }

而如果這些現象沒有出現，

也同樣重要。

因為那會告訴我們：

哪些世界根本不值得結晶，哪些成本無法被有效外部化，哪些路徑不存在可維護的捷徑。

因此這個系列最終不是一個「UNPNP 一定成立」的宣言。

它是一套可以開始被實驗的研究綱領。

下一步不再是繼續增加抽象詞彙。

下一步是：

\boxed{ \textbf{ 做實驗。 } }

系列完成後的兩份技術白皮書

Technical Whitepaper 01

Crystallized Semantic Graph：結晶化語義圖長期記憶架構

處理：

R_i \rightarrow C_i \rightarrow \mathcal G_C

以及：

raw canonical conversation；
multi-view semantic crystals；
source hyperlinks；
semantic hypergraph；
synchronous / asynchronous crystallization；
progressive expansion；
crystal-first, source-on-demand；
SEDB storage；
Omphalos search runtime；
memory path crystallization。

Technical Whitepaper 02

UNPNP Game Experimental Runtime：以單機遊戲驗證自適應超連結與計算結晶化

處理：

Phase 0–4；
runtime architecture；
benchmark harness；
frozen-model experiment；
replay；
crystal lifecycle；
cost ledger；
success / failure gate；
future legacy-program recompilation interface。

至此，UNPNP Hyperlink & Crystallized Computation Series v0.1 的十篇理論論文完成閉環。

UNPNP Series 10 — 從遊戲世界到一般程式：AI 自我重組計算圖的研究路線