《序列域相對論與探針演算》第 2 篇

表示、商化與觀測：從進位制、投影、模系統到資訊損失

系列名： 序列域相對論與探針演算
英文： Sequence-Domain Relativity and Probe Calculus
縮寫： SDRPC
篇次： 02 / 06
作者： Neo.K；Aletheia（GPT-5.6 Sol）
日期： 2026-09-22
版本： v0.1
文件性質： 理論篇／觀測與商化篇

機構： EveMissLab／一言諾科技有限公司

摘要

前兩篇已建立兩個基本前提：

數學 predicate 依賴其所在的結構域；
重新命名、重新編碼、子序列、子結構與真正換域必須區分。

本篇進一步研究一個更直接影響數學推理的問題：

我們看到的「規律」，究竟屬於數學對象本身，還是由表示、投影、商化、截斷與觀測方式共同生成？

本文將 representation、radix、projection、subsequence、truncation、quotient、modulus、residue class、wheel refinement、fiber 與 information loss 放進同一框架。

核心觀念是：

\boxed{ \text{Observation} = \text{structure-preserving part} + \text{information discard} }

而一個 probe 的作用，不只是「取值」，更可以被理解成：

P:X\to Y

其中 (Y) 是經過壓縮、商化或特徵化後的觀測空間。

本文特別重新解讀：

6,\ 30,\ 210,\ 2310,\ldots

這族 primorial / wheel modulus。它們不是神秘質數常數，而是逐步吸收更多小質數整除資訊的 quotient probes。若令：

M_k=\prod_{i=1}^{k}p_i,

則：

C_k = \{n:\gcd(n,M_k)=1\}

構成逐步收縮的候選域：

C_1\supseteq C_2\supseteq C_3\supseteq\cdots.

這一族的真正意義不是直接產生質數，而是在有限 quotient 中壓縮「不可被前 (k) 個小質數整除」的必要條件。

本文最後提出三個後續探針演算需要的量：

\operatorname{Fiber}(P,y), \quad \operatorname{Loss}(P), \quad \operatorname{TaskLoss}(P,Q),

分別描述觀測 fiber、一般資訊損失與對指定 predicate 的任務性資訊損失。

一、為什麼表示本身必須被研究

在傳統數學推理裡，表示通常被視為中性的：

x \longleftrightarrow \text{notation of }x.

例如：

10_{10} = 1010_2 = A_{16}.

若只是可逆編碼，這確實沒有問題。

但很多實際數學觀測不是純粹可逆 representation，而是：

截斷；
取模；
取符號；
取序列位置；
取 residue；
取 local block；
取 frequency；
取 parity；
取 factor compatibility；
取有限精度近似。

這些都可能丟失資訊。

所以：

\boxed{ \text{representation} \neq \text{observation} }

更精確地說：

representation 可以是無損；
observation 常常是有損。

二、表示映射

設：

E:X\to R

為表示映射。

若存在：

D:R\to X

使：

D(E(x))=x,

則 (E) 對 (X) 是可逆表示。

此時：

\boxed{ \text{Loss}(E)=0 }

在理想數學意義上成立。

例如整數在不同進位制中的有限表示，本質上是無損的。

三、進位制不是數本體

對固定基數：

b\ge2,

整數可寫成：

n = \sum_{k=0}^{m} d_k b^k.

其中：

0\le d_k<b.

這給出：

E_b(n) = (d_m,\ldots,d_0).

不同 (b) 產生不同 digit sequence，但：

[ n ]

本身不變。

因此：

\boxed{ \text{radix pattern} }

首先是一種 representation-dependent pattern。

若某規律只在：

b=10

出現，而換成：

b=2,\ 3,\ 7,\ 16

後消失，就不能直接視為對數本體的 invariant。

四、進位制觀測可以是 Probe

雖然 radix 本身只是表示，但我們可以從 radix representation 中定義 probe。

例如：

P_{b,k}(n) = d_k^{(b)},

讀取第 (k) 個 digit。

或者：

P_b^{\mathrm{sum}}(n) = \sum_k d_k^{(b)}.

此時 probe 的輸出依賴：

[ b. ]

所以：

P_b

不是 representation-independent。

這會在後續跨表示驗證中被標記為：

\text{representation-conditioned probe}.

五、投影

一般投影可寫成：

\pi:X\to Y.

若：

\dim(Y)<\dim(X)

或：

|\pi^{-1}(y)|>1,

則投影壓縮了信息。

例如只取：

\operatorname{sign}(x),

把整個實數域壓成：

[ {-1,0,+1}. ]

這不是表示，而是 observation。

六、Subsequence 作為選擇型 Probe

對序列：

\mathbf x=(x_n)_{n\in I},

選擇：

J\subseteq I

得到：

\mathbf x|_J.

這可以被視為：

P_J(\mathbf x) = \mathbf x|_J.

它保留：

[ J ]

中的信息，捨棄：

I\setminus J

中的信息。

因此 subsequence 是一種 selection probe。

七、截斷

對實數 (x)，可定義基數 (b) 下的有限截斷：

T_n^{(b)}(x) = \frac{\lfloor b^n x\rfloor}{b^n}.

這個映射：

T_n^{(b)}:\mathbb R\to b^{-n}\mathbb Z

是高度有損的。

因為無限多個：

[ x ]

會映射到同一個截斷值。

對任意：

y=\frac{k}{b^n},

fiber 為：

(T_n^{(b)})^{-1}(y) = \left[ \frac{k}{b^n}, \frac{k+1}{b^n} \right).

因此截斷本身天然產生不可區分區間。

八、Fiber

對映射：

P:X\to Y,

定義：

\boxed{ \operatorname{Fiber}(P,y) = P^{-1}(y) }

即所有被 probe (P) 壓成同一觀測值 (y) 的原始元素。

如果：

|\operatorname{Fiber}(P,y)|=1,

則對該 (y) probe 沒有局部歧義。

如果很大，表示 probe 對原域的辨識力低。

九、Fiber 是 Probe Residual 的原型

第 0 篇定義：

[x]_{\mathcal P}

為探針等價類。

其實單一 probe 時：

[x]_P = P^{-1}(P(x)).

也就是：

\boxed{ \text{Probe Residual} = \text{Fiber} }

的直接推廣。

當 probe family 增加：

\mathcal P_k = \{P_1,\ldots,P_k\},

則：

[x]_{\mathcal P_k} = \bigcap_{i=1}^k P_i^{-1}(P_i(x)).

因此 probe refinement 的本質就是：

\boxed{ \text{fiber intersection refinement}. }

十、Quotient

若：

\sim

是等價關係，則：

X/{\sim}

形成等價類集合。

商映射：

q:X\to X/{\sim}

定義：

q(x)=[x].

此時：

\operatorname{Fiber}(q,[x]) = [x].

所以 quotient 天然就是一種：

\boxed{ \text{many-to-one structural observation}. }

十一、Modulus 是 Quotient Probe

定義：

a\sim_m b \iff a-b\in m\mathbb Z.

則：

\mathbb Z/m\mathbb Z

是商結構。

商映射：

q_m:\mathbb Z\to\mathbb Z/m\mathbb Z

為：

q_m(n)=[n]_m.

若使用 residue notation：

P_m(n)=n\bmod m,

本質上就是：

q_m.

所以：

\boxed{ \text{modulus} = \text{quotient probe}. }

十二、模探針到底保存什麼

$P_m$ 保存：

[ n ]

相對於：

[ m ]

的 residue class。

它丟失：

絕對大小；
quotient 部分；
很多 factor information；
序列位置；
高階結構。

但若：

d\mid m,

則 $n\bmod m$ 可以推導：

n\bmod d.

因此較大且結構良好的 modulus 可以包含較小 modulus 的 residue information。

十三、Modulus Refinement

若：

m\mid M,

則存在自然映射：

\phi_{M\to m}: \mathbb Z/M\mathbb Z \to \mathbb Z/m\mathbb Z.

因此 $P_M$ 通常比 $P_m$ 保留更多 residue information。

在這種情況可以寫：

P_m = \phi_{M\to m}\circ P_M.

所以：

\boxed{ m\mid M \Rightarrow P_M\text{ refines }P_m. }

十四、Primorial / Wheel Refinement

令：

p_1=2,\quad p_2=3,\quad p_3=5,\ldots

定義：

M_k = \prod_{i=1}^{k}p_i.

則：

M_1=2, \quad M_2=6, \quad M_3=30, \quad M_4=210, \quad M_5=2310.

因：

M_k\mid M_{k+1},

所以：

P_{M_{k+1}}

是：

P_{M_k}

的自然 refinement。

十五、候選域

定義：

C_k = \{n>1:\gcd(n,M_k)=1\}.

等價地：

C_k = \{n>1: p_i\nmid n \text{ for all }i\le k \}.

因此：

C_{k+1} \subseteq C_k.

這是一個單調收縮候選族。

十六、質數保留

對任意：

p>p_k

且 (p) 為質數，有：

\gcd(p,M_k)=1.

所以：

p\in C_k.

因此 $C_k$ 保留所有大於目前 wheel 所含最大質數的質數。

這表示 $C_k$ 是 prime 的必要候選域。

十七、合數拒絕

如果合數 (n) 含有某個：

p_i,\quad i\le k

作為因子，

則：

n\notin C_k.

所以每增加一個新質數進入：

M_{k+1}=M_k p_{k+1},

就能排除更多合數。

但仍會保留：

n=q_1q_2

其中：

q_1,q_2>p_k.

因此：

\boxed{ C_k \neq \mathbb P. }

十八、M6 的精確定位

對：

M_2=6,

有：

C_2 = \{n:\gcd(n,6)=1\}.

其 residue classes 為：

[1]_6, \quad [5]_6.

因此：

6k\pm1

只是：

C_2

在 residue notation 下的展開。

這個結果現在可精確描述成：

\boxed{ \text{M6 pattern} = \text{wheel depth }2\text{ quotient image}. }

十九、30、210、2310 不是新神秘規律

同理：

M_3=30

保留：

\varphi(30)=8

個互質 residue classes。

而：

M_4=210

保留：

\varphi(210)=48

個 residue classes。

所以隨著 modulus 增大：

residue class 數量增加；
每個 class 更細；
候選密度下降；
更多小因子合數被排除。

這是可預期的 quotient refinement，而不是突然冒出的神秘質數結構。

二十、候選密度

在一個完整 period：

0,\ldots,M_k-1

中，與 $M_k$ 互質的 residue 數量為：

\varphi(M_k).

因此候選密度：

\rho_k = \frac{\varphi(M_k)}{M_k} = \prod_{i=1}^{k} \left( 1-\frac1{p_i} \right).

這量化了 wheel refinement 的壓縮能力。

二十一、Probe Information Gain

可粗略定義從 (k) 到 (k+1) 的候選壓縮比：

G_k = \frac{\rho_k}{\rho_{k+1}} = \frac{1}{1-\frac1{p_{k+1}}}.

也可以定義 log-information：

I_k = -\log \rho_k.

則新增質數 $p_{k+1}$ 帶來：

\Delta I_k = -\log \left( 1-\frac1{p_{k+1}} \right).

這不是完整資訊理論定義，但提供一個可測 probe refinement 指標。

二十二、必要條件壓縮

$C_k$ 的本質可寫為：

\boxed{ \text{Prime} \Rightarrow \text{survive all small-prime exclusion probes}. }

但不能反過來：

\text{survive} \Rightarrow \text{prime}.

所以：

C_k

是：

\boxed{ \text{necessary-condition compression}. }

二十三、為什麼 mod (6) 看起來很強

因為：

[ 2 ]

與：

[ 3 ]

是最小的兩個質數。

排除它們後：

\frac{\varphi(6)}{6} = \frac{2}{6} = \frac13.

也就是只剩三分之一 residue classes。

從：

\mathbb Z

到：

C_2

是一個相當強的早期壓縮。

因此 $6k\pm1$ 在視覺上會顯得很有「規律」。

但其根源是：

[ 2,3 ]

的整除排除被 quotient 合併，而不是 6 本身具有神秘本體地位。

二十四、Quotient-Induced Pattern

本篇定義：

\boxed{ \text{Quotient-Induced Pattern} }

若一個 pattern 主要是由：

q:X\to X/{\sim}

後的 class structure 所產生，而在原域沒有對應獨立 invariant，則稱為 quotient-induced。

例如：

6k\pm1

首先是一個 quotient-induced pattern。

但這不表示它毫無數學意義。

它表示我們必須標明：

\text{pattern source} = \text{quotient structure}.

二十五、Representation-Induced Pattern

同理，若 pattern 只依賴基數表示：

E_b(x),

則可標記：

\boxed{ \text{representation-induced}. }

例如：

十進位數字和；
最後一位；
末尾 0；
重複小數區塊。

這些可以非常有用，但不能未經跨表示檢查就當成本體 invariant。

二十六、Projection-Induced Pattern

若 pattern 只在某個低維 projection 中出現：

\pi:X\to Y,

則稱：

\boxed{ \text{projection-induced}. }

例如高維資料投到 2D 後形成線性外觀，但在原空間其實不是線。

這種情形在數學 probe 中同樣可能發生。

二十七、截斷誘導規律

對：

T_n^{(b)}(x),

如果我們研究有限尾數，可能看到：

repeating blocks；
finite cycles；
apparent fixed points；
residue regularity。

但這些規律可能來自：

b^{-n}

精度格點本身。

所以所有小數／浮點規律都要問：

\boxed{ \text{是原對象規律，還是 truncation lattice 規律？} }

二十八、一般資訊損失

對：

P:X\to Y,

理想上可定義某種：

\operatorname{Loss}(P).

本系列暫不固定唯一形式，但可以至少從三種角度測量。

28.1 Fiber Size

|\operatorname{Fiber}(P,y)|.

28.2 Entropy Reduction

若有概率測度：

\mu

可研究：

[ H(X)-H(P(X)). ]

28.3 Recoverability

若存在 reconstruction：

R:Y\to X,

可研究：

[ d(x,R(P(x))). ]

二十九、Task-Specific Loss

對目標 predicate：

Q:X\to\{0,1\},

一般資訊損失可能很大，但若 probe 仍能決定 (Q)，則對任務來說可能零損失。

因此定義：

\boxed{ \operatorname{TaskLoss}(P,Q) }

若：

P(x)=P(y) \Rightarrow Q(x)=Q(y),

則：

\operatorname{TaskLoss}(P,Q)=0.

這和第 0 篇 Task Sufficiency 完全一致。

三十、Prime 對 Mod Probe 的 Task Loss

對：

P_6(n)=n\bmod6,

存在：

5\equiv 35\equiv5\pmod6,

但：

[ 5 ]

是質數，

[ 35 ]

是合數。

因此：

P_6(5)=P_6(35)

但：

Q_{\mathrm{prime}}(5) \neq Q_{\mathrm{prime}}(35).

所以：

\boxed{ \operatorname{TaskLoss}(P_6,Q_{\mathrm{prime}})>0. }

mod 6 對 primality task 不充分。

三十一、有限 Modulus 對 Prime 是否可能充分

對任何固定：

[ m, ]

都存在不同整數：

a\equiv b\pmod m

其中一個可為質數、另一個可為合數。

因此單一有限 modulus 一般不能充分決定 primality。

這表示：

\boxed{ \text{finite residue class alone} }

不足以作為完整 prime oracle。

這是後續 probe sufficiency 測試的重要 negative control。

三十二、Probe Family 可以降低 Task Loss

雖然單一 $P_m$ 不充分，但 probe family：

\mathcal P = \{P_{m_1},P_{m_2},\ldots\}

可以縮小等價類。

若：

\mathcal P_k \subset \mathcal P_{k+1},

則：

[x]_{\mathcal P_{k+1}} \subseteq [x]_{\mathcal P_k}.

所以：

\operatorname{TaskLoss}

可能隨 probe refinement 下降。

三十三、但 Infinite Probe Family 不等於有限算法

若需要：

\{P_p:p\text{ prime}\}

對所有質數逐一檢查，

那可能只是把 trial division 改寫成 probe family。

所以後續必須區分：

\boxed{ \text{probe compression} }

與：

\boxed{ \text{hidden enumeration}. }

三十四、真正有價值的是結構壓縮

假設存在：

[ F(n) ]

能用有限描述同時吸收大量 divisibility information，而不逐一測試每個因子，

那才可能構成新的結構壓縮。

因此後續會測：

\boxed{ \text{information gained per computational / structural cost}. }

三十五、Modulus Family 的層級

可將：

P_2, P_6, P_{30}, P_{210}, P_{2310}, \ldots

視為：

\boxed{ \text{nested quotient probe family}. }

因：

M_k\mid M_{k+1},

每一層都能投影回上一層。

因此：

\mathbb Z/M_{k+1}\mathbb Z \to \mathbb Z/M_k\mathbb Z.

這形成一條 inverse-system-like 結構。

三十六、逆向觀察

因為高階 modulus 可以投影到低階 modulus，我們也可以反問：

給定低階 residue class，哪些高階 residue class 是其 refinement？

例如：

[1]_6

在 mod 30 下分裂成多個 class。

這種：

\text{coarse class} \to \text{refined fibers}

就是後續 Bidirectional Probe 的簡單原型。

三十七、觀測精化樹

可以建立：

\mathcal T_{\mathrm{probe}}

其中節點是 coarse equivalence classes，子節點是更高解析 probe 下的 refinement。

例如：

[1]_6

可被：

P_{30}

分裂成：

[1]_{30}, [7]_{30}, [13]_{30}, [19]_{30}, [25]_{30}.

其中：

[25]_{30}

還包含大量合數。

所以 refinement 不是直接等於 truth classification。

三十八、觀測樹與證明樹不同

Probe refinement tree 表示：

\text{what becomes distinguishable}.

Proof tree 表示：

\text{what is logically established}.

兩者不能混淆。

因此：

\boxed{ \text{refinement} \neq \text{proof}. }

三十九、Representation Artifact 測試

對某 pattern (R)，應至少測：

R_{b_1}, R_{b_2}, \ldots,R_{b_k}.

若 pattern 只在單一基數出現：

R_{10}

但：

R_2,R_3,R_7,R_{16}

皆不存在，

則優先標記：

\text{representation-dependent}.

四十、Quotient Artifact 測試

對某 modulus pattern $R_m$ ，應檢查：

是否可由 quotient definition 直接推出；
是否只是 residue class bookkeeping；
是否在其他 modulus 下仍有 invariant 對應；
是否產生新的 task-relevant information。

如果只是：

q_m

的 class geometry，則應標記 quotient-induced。

四十一、觀測不變量

若一個性質 (I) 在多個 representation / quotient / probe 下保持：

I_{\rho_1}(x) = I_{\rho_2}(x) = \cdots,

則可視為：

\boxed{ \text{cross-observation invariant candidate}. }

但仍需檢查：

是否由共同底層結構強迫；
是否真的獨立；
是否只是 probes 共享同一來源。

四十二、共享來源問題

兩個 probe 可能看似獨立：

P_1,P_2,

但其實都由同一個底層量：

[ Z(x) ]

導出：

P_1=f(Z(x)), \quad P_2=g(Z(x)).

那麼跨 probe 一致並不等於獨立證據。

這和 FELRA 裡的 provenance 問題相似。

所以後續需要：

\boxed{ \text{Probe Provenance}. }

四十三、Probe Provenance

每個 probe 應記錄：

probe:
  id:
  source_domain:
  target_space:
  dependencies:
  representation:
  quotient:
  source_operations:
  derived_from:
  lossy:
  invertible:
  target_predicate:

這可防止將同源 probe 當成獨立驗證。

四十四、觀測層級

本篇提出：

\boxed{ \text{Observation Ladder} }

由低到高：

O0：Literal Readout

直接讀原值。

O1：Representation Readout

讀 digit / encoding。

O2：Selection

抽取子序列。

O3：Projection

壓低維或取部分變數。

O4：Quotient

壓成等價類。

O5：Derived Feature

計算 residue、gap、ratio、spectrum。

O6：Task-Oriented Probe

專門為 predicate (Q) 設計。

這不是唯一分類，但足以作後續實驗標記。

四十五、表示與觀測的組合

實際 probe 常是複合映射：

X \xrightarrow{E} R \xrightarrow{T} R' \xrightarrow{F} Y.

例如：

x \to \text{decimal expansion} \to \text{truncate 10 digits} \to \text{digit sum}.

如果最後看到規律，必須追蹤：

[ E,T,F ]

每一層的作用。

四十六、Probe Composition

若：

P:X\to Y, \quad Q:Y\to Z,

則：

Q\circ P:X\to Z.

一般有：

\operatorname{Fiber}(Q\circ P,z) \supseteq \operatorname{Fiber}(P,y)

在適當條件下會進一步合併信息。

所以 probe composition 通常增加信息損失，除非第二步是無損。

四十七、Refinement Composition

相反地，若同時使用多個 probe：

P_1,\ldots,P_k,

聯合映射：

P^{(k)}(x) = (P_1(x),\ldots,P_k(x))

會減少 fiber：

[x]_{P^{(k+1)}} \subseteq [x]_{P^{(k)}}.

這是後續 probe calculus 的核心形式。

四十八、觀測成本

probe 不只要看資訊，也要看成本。

可定義：

\operatorname{Cost}(P).

例如：

residue mod 6 很便宜；
大 modulus residue 更昂貴；
factorization 很昂貴；
primality test 有不同複雜度；
full divisibility scan 可能更昂貴。

真正重要的是：

\boxed{ \frac{\text{Task Information Gain}} {\text{Cost}} }

而不是 probe 越多越好。

四十九、Prime Probe Efficiency

對 prime task $Q_{\mathrm{prime}}$ ，可以考慮：

\eta(P) = \frac{ \Delta \operatorname{TaskLoss} }{ \operatorname{Cost}(P) }.

這不是最終定義，只是後續實驗可用的候選指標。

mod 6 的價值就在於：

成本低；
可快速排除大量合數；
但 task loss 仍很高。

五十、為什麼「模 X 本身就是問題」

以前常問：

哪個 modulus 對質數最有規律？

現在應該改問：

為什麼選 quotient family？
modulus 在保留哪種 dependency？
信息損失如何隨 (m) 變化？
是否存在更便宜但更 task-sufficient 的 probe？
是否存在非 modular probe 能更直接壓縮 primality information？

因此：

\boxed{ \text{modulus choice itself} }

成為被研究對象。

五十一、問題的問題

本系列稱這種操作為：

\boxed{ \text{meta-problem extraction}. }

原問題：

\text{Prime distribution under mod }6

提升成：

\text{Why mod }6?

再提升成：

\text{Why quotient probes?}

再提升成：

\text{What class of probes minimizes task loss?}

這不是抽象遊戲，而是重新定位證明搜尋空間。

五十二、從 pattern search 到 probe search

傳統搜尋：

\text{find pattern in data}.

SDRPC 轉換為：

\boxed{ \text{find probe family that exposes task-relevant invariant}. }

前者搜尋「規律」。

後者搜尋「能看見什麼的觀測器」。

這是一個重要方法論轉向。

五十三、對後續 Prime 驗證的直接規格

未來質數實驗至少要比較：

P_2, P_6, P_{30}, P_{210}, P_{2310}.

每層記錄：

modulus；
residue count；
candidate density；
prime retention；
composite rejection；
false-positive rate；
fiber size；
task loss；
computational cost。

不能只畫 residue pattern。

五十四、有限區間中的實驗量

對：

X_N=\{2,\ldots,N\},

定義：

C_k(N) = C_k\cap X_N.

可測：

\operatorname{Compression}_k(N) = \frac{|C_k(N)|}{|X_N|}.

\operatorname{PrimeRetention}_k(N) = \frac{|C_k(N)\cap\mathbb P|}{|\mathbb P\cap X_N|}.

理想上：

\operatorname{PrimeRetention}_k(N)=1

對大於 $p_k$ 的質數成立。

再測：

\operatorname{FalsePositive}_k(N) = \frac{|C_k(N)\setminus\mathbb P|}{|C_k(N)|}.

這會直接量化 wheel probe 的限制。

五十五、有限實驗不能取代全域證明

即使：

N=10^{12}

也只能得到：

X_N

上的統計與反例搜尋。

所以：

\boxed{ \text{empirical probe efficiency} \neq \text{global theorem}. }

但有限實驗可以用來：

淘汰錯誤 probe；
找 counterexample；
估計 scaling；
發現候選 invariant；
建立後續形式命題。

五十六、Cross-Representation Validation

對任何 digit-based 或 truncation-based 質數 pattern，至少要求：

b\in\{2,3,8,10,16\}.

如果 pattern 在多基數下仍以同構方式存在，再考慮是否有更深 invariant。

若只在某一基數存在，應保留為 representation-dependent observation。

五十七、Cross-Quotient Validation

對 modulus-based pattern，至少比較：

m=6,30,210,2310.

研究：

是否只是 coarse-to-fine splitting；
是否有跨 modulus invariant；
是否存在某個 stable structure；
是否 task loss 單調下降；
是否 cost 增長太快。

五十八、本篇的形式防線

58.1 Representation Is Not Ontology

表示規律不是自動的本體規律。

58.2 Quotient Pattern Is Not Full Structure

商空間模式不能直接代表原域完整結構。

58.3 Refinement Is Not Proof

probe refinement 只增加辨識力，不自動產生證明。

58.4 More Resolution Is Not More Understanding

更大的 modulus 不一定帶來更好的 proof compression。

58.5 Multiple Probes Are Not Independent Evidence

若共享 dependency，不能當獨立證據。

五十九、本篇的核心命題

命題 A：表示與觀測分離

\boxed{ \text{representation} \neq \text{observation}. }

命題 B：Quotient 是有損觀測

\boxed{ q:X\to X/{\sim} }

天然以 fiber 壓縮原域資訊。

命題 C：Modulus 是 Quotient Probe

\boxed{ P_m(n)=n\bmod m }

是：

\mathbb Z\to\mathbb Z/m\mathbb Z

的商觀測。

命題 D：Primorial Modulus 形成自然 Refinement Family

\boxed{ 2\to6\to30\to210\to2310\to\cdots }

是一族 nested quotient probes。

命題 E：Wheel Candidate Domain 是必要條件壓縮

\boxed{ \mathbb P_{>p_k} \subseteq C_k }

但：

C_k\not\subseteq\mathbb P.

命題 F：Probe Sufficiency 由 Fiber 決定

若同一 fiber 中存在：

Q=0

與：

Q=1,

則 probe 對 (Q) 不充分。

六十、結論

本篇把：

\text{radix}, \text{subsequence}, \text{projection}, \text{truncation}, \text{quotient}, \text{modulus}

放進同一個 observation framework。

最重要的轉向是：

\boxed{ \text{不要只問看到了什麼規律， 而要問是哪個映射讓這個規律變得可見。} }

對質數而言：

6k\pm1

不再是神秘入口。

它被精確定位為：

\boxed{ \text{mod }6 \text{ quotient probe 下， 排除 }2,3\text{ 因子的必要候選影像。} }

而：

6\to30\to210\to2310

則是一個自然的 probe refinement family。

這族 refinement 真正做的是：

\boxed{ \text{逐步加入更多小質數整除約束， 縮小候選 fiber， 降低 primality task 的資訊損失。} }

但只要 fiber 中仍同時存在質數與合數：

\boxed{ \text{它就仍然不是 primality proof。} }

因此本篇為下一篇留下真正的核心問題：

除了 modulus 之外，還有哪些 probe family？它們如何組合、比較、反向推理、計算信息增益，並判定何時已對某個 predicate 足夠？

這正是第 3 篇「探針演算」的主題。

附錄 A：核心符號

E:X\to R

表示映射。

P:X\to Y

probe / observation。

\operatorname{Fiber}(P,y) = P^{-1}(y)

fiber。

q:X\to X/{\sim}

quotient map。

P_m(n)=n\bmod m

modulus probe。

M_k=\prod_{i=1}^{k}p_i

primorial modulus。

C_k=\{n:\gcd(n,M_k)=1\}

wheel candidate domain。

\operatorname{TaskLoss}(P,Q)

probe 對指定 predicate 的任務性資訊損失。

附錄 B：下一篇

第 3 篇：探針演算

下一篇將正式建立：

Extractive Probe；
Derived Probe；
Comparative Probe；
Relational Probe；
Spectral Probe；
Bidirectional Probe；
Probe Composition；
Probe Refinement；
Probe Equivalence；
Probe Provenance；
Probe Independence；
Task Sufficiency；
Observable Exhaustion。

核心問題：

\boxed{ \text{如何把「觀測器」本身變成可計算、可比較、可組合、 可反向推理的數學對象？} }