從統一計算機型別到二十四重計算形態：Series B × 24 範式投影論

系列：統一計算主幹閉合 01
英文題名：From Unified Computer Types to Twenty-Fourfold Computational Morphology: A Projection Theory from Series B to the 24 Paradigms
作者：Neo.K × GPT-5.6 Sol
機構：EveMissLab（一言諾科技有限公司）
日期：2026-09-17
版本：v0.1
性質：內部理論整合／計算分類學／型別投影／二十四重範式接口
狀態：計算主幹閉合系列正式第一篇
前置系列：Series B〈統一計算機分類與計算本體論〉B-01 至 B-06
既有母框架：〈計算的二十四重範式〉v4.0、〈二十四計算範式 × PCMT × GIPE 映射論〉v0.1

摘要

Series B 已將「XX 計算機」重新拆解為統一計算型別：

\boxed{ \mathfrak C = \left\langle \mathcal H, \mathcal X, \mathcal O, \mathcal K, \mathcal M, \mathcal A, \mathcal R, \mathcal I, \Gamma, \mathcal E_R \right\rangle }

其中依序描述載體、狀態空間、算子、控制、記憶、可定址性、讀出、接口、約束與資源環境。

然而，既有「計算的二十四重範式」並不是另一套競爭性的計算機分類。它描述的是已指定觀察語境下的一個計算事件具有何種形態。其基本空間為：

\boxed{ \mathfrak P_{24} = \mathfrak B_2 \times \mathfrak U_4 \times \mathfrak O_3 }

其中：

\mathfrak B_2 = \{ \mathsf C,\mathsf D \}

表示連續／離散底空間；

\mathfrak U_4 = \{ \mathsf S,\mathsf J,\mathsf P,\mathsf I \}

分別表示序列、跳躍、並行與識別型更新組織；

\mathfrak O_3 = \{ \mathsf C,\mathsf D,\mathsf X \}

分別表示連續觀察、離散觀察與拒單測觀察。

因此二十四格回答的是：

這次計算在哪一類有效底空間中發生？
這次計算的更新如何被組織？
這次計算如何被觀察、提交或判定？

本文提出兩套框架的正式接續關係：

\boxed{ \text{Series B} = \text{System Type Layer} }

而：

\boxed{ \mathfrak P_{24} = \text{Context-Indexed Computational Event Morphology}. }

因此不能直接定義：

\mathfrak C \rightarrow P_i

並宣稱「一台計算機只屬於一個 24 範式」。

更正確的投影是：

\boxed{ \Pi_{24} : (\mathfrak C,e,\Gamma_O) \longrightarrow p = \langle B,U,O\rangle \in \mathfrak P_{24}, }

其中：

$\mathfrak C$ ：計算系統；
(e)：系統中一個具體計算事件／階段／操作；
$\Gamma_O$ ：觀察語境；
(p)：該事件在二十四重範式中的形態座標。

此投影的核心是：

\boxed{ \text{Computer Type} \neq \text{Computational Event Morphology}. }

同一台計算機可因不同模組、不同時間、不同 abstraction layer、不同觀察尺度，而依序經過：

p_1 \rightarrow p_2 \rightarrow \cdots \rightarrow p_n, \qquad p_i\in\mathfrak P_{24}.

本文稱此為：

\boxed{ \text{Twenty-Fourfold Paradigm Path}. }

更一般地，一個混合計算系統可以用分布：

\boxed{ \mu_{\mathfrak C,\Gamma_O}(p) }

描述不同計算形態在指定 workload、時間窗或 runtime 中的權重，而不需要強迫整台系統具有唯一範式身份。

本文進一步建立 Series B 十維母型別對 24 三軸的責任投影：

\boxed{ B = \Pi_B ( \mathcal H, \mathcal X, \Gamma_O ), }

\boxed{ U = \Pi_U ( \mathcal O, \mathcal K, \mathcal I, e, \Gamma_O ), }

\boxed{ O = \Pi_O ( \mathcal R, \mathcal M, e, \Gamma_O ). }

這不是說其他欄位沒有影響，而是指出哪一些 Series B 維度對 24 的三軸具有主要分類責任。

本文亦證明兩套分類之間存在資訊損失：

\boxed{ \Pi_{24} \text{ is generally many-to-one}. }

電子、光子、量子、機械或生物系統都可能在某個局部事件投影到相同：

\langle B,U,O\rangle.

因此從：

p\in\mathfrak P_{24}

通常無法反推出：

\mathfrak C.

24 範式是計算形態學投影，不是完整計算機身份。

最後，本文將 Series B 中的量子回溯、本徵態、Agentic、相位、混合與 $0-\Omega_\infty-1$ 重新投影到 24 框架，建立後續 72 格動力學接續所需的正式接口。

關鍵詞：二十四重範式、Series B、計算型別、計算形態、投影論、計算事件、混合計算、範式路徑、觀察語境、Runtime

0. 問題：Series B 與 24 範式究竟哪一個比較「上層」？

兩者處理的其實不是同一個分類對象。

Series B 問：

這個計算系統由什麼構成？

二十四重範式問：

在這次計算事件中，底空間、更新組織與觀察方式呈現什麼形態？

所以：

\boxed{ \operatorname{Object}(\text{Series B}) = \text{Computer / Computational System}, }

而：

\boxed{ \operatorname{Object}(\mathfrak P_{24}) = \text{Contextual Computational Event}. }

因此它們不是：

\text{old taxonomy} \quad\text{vs.}\quad \text{new taxonomy}.

真正關係是：

\boxed{ \text{System Type} \rightarrow \text{Event Morphology}. }

1. Series B 的母型別

沿用 B-01：

\boxed{ \mathfrak C = \left\langle \mathcal H, \mathcal X, \mathcal O, \mathcal K, \mathcal M, \mathcal A, \mathcal R, \mathcal I, \Gamma, \mathcal E_R \right\rangle. }

其中：

$\mathcal H$ ：substrate；
$\mathcal X$ ：state space；
$\mathcal O$ ：operator family；
$\mathcal K$ ：control / selection；
$\mathcal M$ ：memory / history；
$\mathcal A$ ：addressability；
$\mathcal R$ ：readout；
$\mathcal I$ ：interface / interconnect；
$\Gamma$ ：constraints；
$\mathcal E_R$ ：resources / engineering environment。

這是一個結構型別。

它可以長期描述一個系統，即使系統在不同時間執行完全不同的計算。

2. 二十四重範式的母式

既有 24 範式：

\boxed{ \mathfrak P_{24} = \mathfrak B_2 \times \mathfrak U_4 \times \mathfrak O_3. }

其中：

\mathfrak B_2 = \{ \mathsf C, \mathsf D \},

\mathfrak U_4 = \{ \mathsf S, \mathsf J, \mathsf P, \mathsf I \},

\mathfrak O_3 = \{ \mathsf C, \mathsf D, \mathsf X \}.

因此：

|\mathfrak P_{24}| = 2\times4\times3 = 24.

3. 底空間 (B) 不是物理載體名稱

第一個需要重新接好的地方是：

B \neq \mathcal H.

Series B 的：

\mathcal H

可以是：

electronic；
photonic；
quantum；
biological；
mechanical。

但 24 範式的：

B \in \{ \mathsf C,\mathsf D \}

只問：

在目前指定的觀察層與解析尺度下，這個計算事件的有效底空間是連續還是離散？

所以：

\boxed{ B = \Pi_B ( \mathcal H, \mathcal X, \Gamma_O ). }

4. 同一物理載體可以投影成不同 (B)

電子系統：

\mathcal H=H_e

可在 logic gate level：

B=\mathsf D,

也可在 analog voltage dynamics：

B=\mathsf C.

量子系統在連續 Hamiltonian evolution 層可：

B=\mathsf C,

但在 gate／measurement abstraction 層又可能：

B=\mathsf D.

因此：

\boxed{ \mathcal H \not\Rightarrow B. }

必須帶：

\Gamma_O.

5. 觀察語境

定義：

\boxed{ \Gamma_O = \left\langle \ell, \rho, \Delta t, \epsilon, \Pi \right\rangle. }

其中：

$\ell$ ：觀察層級；
$\rho$ ：狀態解析度；
$\Delta t$ ：時間解析度；
$\epsilon$ ：容許誤差；
$\Pi$ ：粗粒化／投影規則。

因此：

B_{\Gamma_1}(e) \neq B_{\Gamma_2}(e)

完全可能。

6. 更新組織 (U)

24 範式的：

U \in \{ \mathsf S, \mathsf J, \mathsf P, \mathsf I \}

描述的是這一次計算事件的更新如何被組織。

它不是單純：

U=\mathcal O.

更完整：

\boxed{ U = \Pi_U ( \mathcal O, \mathcal K, \mathcal I, e, \Gamma_O ). }

7. $\mathsf S$ ：序列更新

若主要有效結構是：

x_0 \rightarrow x_1 \rightarrow \cdots \rightarrow x_n,

且步驟間具有主導依賴順序，

則：

U=\mathsf S.

例如：

ordinary instruction stream；
token autoregression；
sequential proof steps；
serial state machine。

8. $\mathsf J$ ：跳躍更新

若系統發生較大粒度、事件驅動或非局部 transition：

x_a \xrightarrow{\Phi} x_b

而不將中間局部更新作為該語境下的主要描述，

則：

U=\mathsf J.

例如：

checkpoint restore；
function-call level jump；
event-driven transition；
branch switch；
compiled macro transition。

注意：

\mathsf J

可以是 abstraction-relative。

低層仍可能有大量 sequential operations。

9. $\mathsf P$ ：並行更新

若一個事件中存在多個相對獨立或同步更新：

\{ x_i \rightarrow x_i' \}_{i=1}^{n},

並行性是主要組織特徵，

則：

U=\mathsf P.

例如：

SIMD；
GPU lattice update；
cellular automata；
tensor kernels；
parallel wave propagation。

10. $\mathsf I$ ：識別更新

識別型的核心不是：

完全沒有更新。

而是計算主要以：

\boxed{ \text{identify / select / recognize a state or relation} }

完成。

例如：

pattern recognition；
attractor selection；
eigenstate selection；
nearest-state identification；
constraint-satisfying state recognition。

這使 B-05 的本徵態計算自然具有：

U=\mathsf I

的候選投影。

11. 同一事件甚至可以有多個 (U) 描述

例如量子變分算法：

低層 circuit：

U=\mathsf S

或：

\mathsf P.

高層 optimizer iteration：

U=\mathsf S.

最終 state selection：

U=\mathsf I.

因此必須指定：

\Gamma_O.

否則問：

它到底是序列還是識別？

本身欠定義。

12. 觀察模式 (O)

二十四重範式的第三軸：

O \in \{ \mathsf C, \mathsf D, \mathsf X \}.

其主要責任來自：

\boxed{ O = \Pi_O ( \mathcal R, \mathcal M, e, \Gamma_O ). }

13. $O=\mathsf C$ ：連續觀察

如果結果被有效讀成：

continuous trajectory；
field；
amplitude；
analog magnitude；
density；
continuously varying observable，

則：

O=\mathsf C.

14. $O=\mathsf D$ ：離散觀察

如果結果提交成：

symbol；
bit；
class；
integer；
token；
event；
discrete decision，

則：

O=\mathsf D.

這與 B-06 的：

\text{rich interior} \rightarrow \text{discrete boundary}

直接相容。

15. $O=\mathsf X$ ：拒單測觀察

$\mathsf X$ 不代表「不能觀察」。

它表示：

\boxed{ \text{single local measurement is not a sufficient observation semantics}. }

結果可能只能透過：

distribution；
ensemble；
repeated measurement；
asymptotic invariant；
multi-scale statistic；
relational pattern；
trajectory property；

被充分判定。

所以：

\boxed{ \mathsf X \neq \text{No Observation}. }

而是：

\boxed{ \text{Reject Single-Measurement Sufficiency}. }

16. 24 範式投影的正式定義

本文正式定義：

\boxed{ \Pi_{24} : ( \mathfrak C, e, \Gamma_O ) \rightarrow \langle B,U,O \rangle. }

其中：

[ e ]

不是「整台機器」，

而是一個計算事件。

可表示為：

e = \langle t_0,t_1, X_{\mathrm{in}}, X_{\mathrm{out}}, O_{\mathrm{act}}, K_{\mathrm{act}} \rangle.

17. 什麼叫「計算事件」

本文採用寬鬆定義：

\boxed{ e = \text{a bounded computational transformation considered as one unit under }\Gamma_O. }

它可以是：

一條 machine instruction；
一次 kernel launch；
一段 model inference；
一次 quantum circuit；
一次 memory retrieval；
一次 Agent tool call；
一次 branch selection；
一段 relaxation process。

因此事件粒度本身是 context-indexed。

18. Machine-to-Paradigm 不是函數

若不帶事件與語境，

不存在一般：

f: \mathfrak C \rightarrow \mathfrak P_{24}

使所有機器只有唯一格。

更合理：

\boxed{ \mathfrak C \rightarrow \mathcal P(\mathfrak P_{24}), }

即一台系統有一個可能範式集合。

19. Paradigm Support Set

定義：

\boxed{ \operatorname{Supp}_{24} ( \mathfrak C ) = \{ p \in \mathfrak P_{24} \mid \exists e,\Gamma_O: \Pi_{24}(\mathfrak C,e,\Gamma_O)=p \}. }

它回答：

這台系統能以哪些 24 形態運作？

這比「它是哪一格」更合理。

20. Paradigm Path

對一段 workflow：

W = (e_1,e_2,\ldots,e_n),

定義：

\boxed{ \Pi_{24}(W) = ( p_1,p_2,\ldots,p_n ). }

其中：

p_i = \Pi_{24} ( \mathfrak C, e_i, \Gamma_i ).

這是一條：

\boxed{ \text{Paradigm Path}. }

21. 範式轉換本身也可以成為計算

如果：

p_i \rightarrow p_j

需要：

representation conversion；
state serialization；
analog-to-digital；
quantum measurement；
tool routing；
memory restore；

則：

\boxed{ \text{paradigm switching has a cost}. }

定義：

\boxed{ C_{\mathrm{switch}} (p_i,p_j). }

這為第三篇 Runtime 路由預留接口。

22. Paradigm Distribution

對長時間 workload：

W_T,

可以定義：

\boxed{ \mu_{W,\Gamma}(p) = \frac{ w(p) }{ \sum_{q\in\mathfrak P_{24}}w(q) }. }

其中：

[ w(p) ]

可以按：

wall-clock time；
energy；
FLOPs；
event count；
causal weight；
cost；

計算。

所以一台機器的 24 身份可以是：

\boxed{ \text{distribution, not label}. }

23. 24 Profile

定義：

\boxed{ \mathbf P_{24} ( \mathfrak C,W,\Gamma ) = \{ (p,\mu(p)) \}_{p\in\mathfrak P_{24}}. }

這可成為未來 benchmarking metadata。

例如：

此 workload 60% 為 D-P-D，20% D-S-D，15% D-J-D，5% C-I-D。

比：

這是一台並行計算機。

資訊更完整。

24. Series B 十維如何投影到 24

第一版 responsibility map：

Series B 維度	對 24 的主要影響
$\mathcal H$	(B) 的物理可實現候選
$\mathcal X$	(B) 的有效狀態形態
$\mathcal O$	(U)
$\mathcal K$	(U) 與範式切換
$\mathcal M$	(O)、事件邊界、歷史性
$\mathcal A$	事件選取與跳躍／識別能力
$\mathcal R$	(O)
$\mathcal I$	(U)、跨域切換
$\Gamma$	哪些 24 格實際可達
$\mathcal E_R$	可達性與成本

這不是 one-to-one mapping，

而是 dependency map。

25. 為什麼 $\mathcal A$ 很重要

Addressability 會改變事件粒度。

原本低層：

x_0 \rightarrow x_1 \rightarrow \cdots \rightarrow x_n

可能在高層透過：

a_\Gamma

變成：

x_0 \xrightarrow{a_\Gamma} x_n.

因此高層：

U=\mathsf J

或：

\mathsf I

可能成立，

即使低層仍由：

\mathsf S

實現。

這正是 B-06 的：

1\rightarrow X

在 24 範式中的影響。

26. CPU 的多重投影

普通 CPU 並不是只有：

\mathsf{D-S-D}.

Instruction stream

\boxed{ D-S-D. }

Branch / interrupt event

高層可能：

\boxed{ D-J-D. }

SIMD extension

可：

\boxed{ D-P-D. }

Pattern-match instruction / lookup

某些語境下可：

\boxed{ D-I-D. }

所以單一 CPU 已能覆蓋多格。

27. GPU 的投影

典型 GPU kernel：

\boxed{ D-P-D. }

若處理 floating-point field 並以連續值理解：

\boxed{ D-P-C }

也是可能的觀察投影。

若宏觀輸出只能由 ensemble statistics 判斷：

\boxed{ D-P-X. }

所以「GPU = P17」只是典型 witness，不是永久身份。

28. Analog Computer

若：

x(t)\in\mathbb R^n

由連續 dynamics 演化，

且結果也是 analog observable：

\boxed{ C-P-C }

或：

[ C-S-C ]

取決於更新組織。

若最後 threshold 為 bit：

\boxed{ C-*-D. }

這就是 B-06 的 discrete boundary + continuous interior。

29. Quantum Computer

量子計算尤其說明為什麼必須 context-index。

物理 Hamiltonian 層

可能：

B=C.

Gate abstraction

可能：

B=D.

coherent parallel-like evolution

可有：

U=P

的語境描述。

circuit sequencing

可：

U=S.

measurement

通常：

O=D.

statistical quantum result

若單次測量不足：

O=X.

因此「量子計算屬哪一格？」沒有唯一答案。

30. 相位計算

Phase system 若：

\phi(t)

為連續 variable：

B=C.

若大量 oscillator 同時演化：

U=P.

若讀出 continuous phase：

O=C.

可投影：

\boxed{ C-P-C. }

若最終只讀 winner：

\boxed{ C-P-D. }

如果需統計／全域 phase structure：

\boxed{ C-P-X. }

31. 本徵態計算

B-05 的核心是：

\text{solution state selection}.

因此高層最自然候選：

\boxed{ U=I. }

若 continuous landscape：

B=C.

若 discrete Ising-like state：

B=D.

若讀單一 answer：

O=D.

若解是 continuous state：

O=C.

若需 ensemble 判讀：

O=X.

因此本徵態計算可以覆蓋：

C-I-C, \quad C-I-D, \quad C-I-X, \quad D-I-D, \ldots

而不是「第 25 種範式」。

32. Anamnesis Runtime

B-04 的歷史檢索：

a_H \rightarrow K(\Gamma)

在高層很自然是：

\boxed{ D-I-D }

或：

\boxed{ D-J-D. }

若未命中而進入 active search：

\boxed{ D-S-D }

或：

[ D-P-D. ]

因此一次 Anamnesis workflow 本來就是 Paradigm Path。

33. LLM 推理

LLM 也不是單格。

Tensor kernel

通常：

[ D-P-C ]

或：

[ D-P-D ]

視 numerical state / observation 定義。

Autoregressive token generation

高層：

\boxed{ D-S-D. }

Retrieval

\boxed{ D-I-D. }

Tool call

可：

\boxed{ D-J-D. }

所以：

\boxed{ \text{LLM Runtime} = \text{multi-paradigm path}. }

34. Agentic Computing

Agent 可能：

識別任務；
選工具；
並行查詢；
跳到外部 solver；
序列整合；
離散提交答案。

因此可能：

D-I-D \rightarrow D-J-D \rightarrow D-P-X \rightarrow D-S-D.

這就是為什麼 24 應該成為 Runtime 的 mode alphabet。

35. PCMT 不會被 Series B 取代

PCMT 問：

phase ontology；
phase representation；
phase evolution；
native / simulated realization；
machine routing。

這些仍然是：

\boxed{ \text{mechanism / realization annotation}. }

而 24 是 event morphology。

Series B 是 system type。

三者：

\boxed{ \text{System Type} \neq \text{Event Morphology} \neq \text{Mechanism Annotation}. }

36. GIPE 也不會被 24 吸收

GIPE 問：

為什麼做這個計算？

例如：

desire；
world-model；
hypothesis；
evidence；
action；
resource；
multi-agent governance。

這屬：

\boxed{ \text{epistemic / task orchestration layer}. }

所以同一：

p\in\mathfrak P_{24}

可以服務不同 GIPE phase。

37. 投影不可逆

設：

\mathfrak C_1 \neq \mathfrak C_2.

完全可能：

\Pi_{24}(\mathfrak C_1,e_1,\Gamma_1) = \Pi_{24}(\mathfrak C_2,e_2,\Gamma_2).

例如：

electronic oscillator；
photonic oscillator；
mechanical oscillator；

都可能投影：

[ C-P-C. ]

所以：

\boxed{ \Pi_{24} \text{ is many-to-one}. }

38. 為什麼這不是缺點

24 的目的本來就不是保存 substrate provenance。

它的目的是：

\boxed{ \text{abstract away implementation details and expose computational morphology}. }

這使不同硬體可以被比較。

也使 Runtime 可以按：

[ p ]

路由，而不需要知道所有底層細節。

39. 但反向重建需要 Series B

如果只知道：

p=D-P-D,

不能知道它是：

GPU；
FPGA；
optical digital array；
quantum gate abstraction；
distributed workers。

要選實際機器，需要回到：

\boxed{ \mathfrak C. }

所以 Runtime future stack 需要：

\boxed{ p + \operatorname{Type}(\mathfrak C). }

40. Projection Profile

本文提出一個實際 metadata：

\boxed{ \mathcal Q_{24} = \left\langle p, \Gamma_O, \mathfrak C_{\mathrm{ref}}, c, F, E \right\rangle. }

其中：

(p)：24 格；
$\Gamma_O$ ：觀察語境；
$\mathfrak C_{\mathrm{ref}}$ ：實現型別；
(c)：成本；
(F)：B-03 feasibility；
(E)：evidence maturity。

這開始把 Series B 真正接回舊分類主幹。

41. 一格可以有多種實現

對：

p\in\mathfrak P_{24},

定義：

\boxed{ \operatorname{Realize}(p) = \{ \mathfrak C_i \mid \exists e,\Gamma: \Pi_{24}(\mathfrak C_i,e,\Gamma)=p \}. }

例如：

[ C-I-D ]

可以由：

analog attractor；
photonic winner-take-all；
quantum state selection；
recurrent neural system；

實現。

42. 一台機器也能支持很多格

這正是 dual relation：

\boxed{ \operatorname{Supp}_{24}(\mathfrak C). }

所以 Series B 與 24 形成一個 many-to-many bipartite structure：

\boxed{ \mathfrak C_i \leftrightarrow p_j. }

這不是 taxonomy tree，

而更像：

\boxed{ \text{realization graph}. }

43. Realization Graph

定義：

\boxed{ G_{R} = ( V_C \cup V_P, E_R ). }

其中：

$V_C$ ：computer types；
$V_P$ ：24 paradigms；
$E_R$ ：可實現／可投影關係。

邊可以附：

w_{ij} = \langle \text{cost}, \text{latency}, \text{energy}, \text{precision}, F,E \rangle.

這為 Runtime routing 奠定直接資料結構。

44. 24 不再只是分類表，而成為 Runtime alphabet

如果 Runtime 可以選：

p_i

再從：

\operatorname{Realize}(p_i)

挑：

\mathfrak C_j,

那麼：

\boxed{ \mathfrak P_{24} }

就從 paper taxonomy 升級成：

\boxed{ \text{computational mode alphabet}. }

這是本次接回主幹最重要的新功能。

45. 路由的第一層

給定 task：

[ T, ]

先判定最適 morphology：

\boxed{ p^\ast = \operatorname{SelectMorphology}(T,\Gamma). }

再：

\boxed{ \mathfrak C^\ast = \operatorname{SelectRealizer} ( p^\ast, \operatorname{Realize}(p^\ast) ). }

下一篇加入 72 的轉移律後，會變成更完整的：

\boxed{ \text{task} \rightarrow \text{72-cell} \rightarrow \text{realizer}. }

46. 24 的角色因此被重新確認

它不是：

hardware taxonomy；
algorithm list；
physics ontology；
complexity class；
intelligence taxonomy。

它是：

\boxed{ \text{context-indexed morphology coordinate}. }

這個定位必須保持。

47. 與 B-06 的 $0-\Omega_\infty-1$

B-06 描述：

0 \rightarrow \Omega_\infty \rightarrow 1.

在 24 投影中，

中間：

\Omega_\infty

內可以經歷：

p_1,p_2,\ldots,p_n.

所以：

\boxed{ 0 \rightarrow p_1 \rightarrow p_2 \rightarrow \cdots \rightarrow p_n \rightarrow 1. }

24 就成為底空間內部形態路徑的 alphabet。

48. 與 Complexity Relocation

如果：

p_a \rightarrow p_b

讓 online latency 降低，

成本可能被移到：

preprocessing；
memory；
special hardware；
switching；
training。

所以：

\boxed{ \text{paradigm switch} }

也受 Series B 的 Complexity Relocation 約束。

不能因為從 S 改成 I 就宣稱複雜度消失。

49. 與 B-03 F/E

一個 paradigm：

[ p ]

只是形式座標。

某種實現：

(p,\mathfrak C_i)

才有：

[ F/E. ]

所以不能說：

C-I-X 是 F2。

而應：

\boxed{ \operatorname{Status} ( p, \mathfrak C_i, c, D ). }

同一格可同時有：

F0 成熟實現；
F2 實驗實現；
F4 科幻實現。

50. 24 格本身不承諾物理存在

|\mathfrak P_{24}|=24

是固定軸值域下的組合閉合。

它不保證：

每一格都有成熟硬體。

因此：

\boxed{ \text{Taxonomic Cell} \neq \text{Mature Realization}. }

這與 B-03 完全一致。

51. 同一格也可以有不同 complexity class

例如：

[ D-S-D ]

既可以是：

[ O(n), ]

也可以：

O(n^2),

甚至更高。

所以：

\boxed{ \mathfrak P_{24} \neq \text{Complexity Classification}. }

它描述形態，不描述全部成本。

52. 24 也不是唯一充分計算描述

一個完整 event descriptor 應至少：

\boxed{ \mathcal D(e) = \left\langle p_{24}, \mathfrak C, F/E, C, \Gamma_O \right\rangle. }

下一篇加入：

[ L ]

後：

p_{72} = \langle B,U,O,L \rangle.

那時才進入動力律層。

53. 新系列的三篇結構

本文第一篇：

\boxed{ \text{Series B} \rightarrow 24. }

第二篇：

\boxed{ 24 \rightarrow 72 \rightarrow \text{Paradigm Path}. }

第三篇：

\boxed{ 72 \times PCMT \times GIPE \rightarrow Runtime \rightarrow Global Computation. }

所以這不是新樹。

而是：

\boxed{ \text{Reconnect the trunk}. }

54. 最終主幹

目前整體可先寫：

\boxed{ \text{System Type} \rightarrow \text{Morphology} \rightarrow \text{Dynamics} \rightarrow \text{Mechanism} \rightarrow \text{Epistemic Role} \rightarrow \text{Runtime}. }

對應：

\boxed{ \text{Series B} \rightarrow 24 \rightarrow 72 \rightarrow PCMT \rightarrow GIPE \rightarrow \text{Runtime}. }

55. 核心結論

Series B 不應取代二十四重範式。

二十四重範式也不應把 Series B 壓扁成「一台機器一格」。

真正關係是：

\boxed{ \Pi_{24} : ( \mathfrak C, e, \Gamma_O ) \rightarrow \langle B,U,O \rangle. }

所以：

\boxed{ \text{Computer Type} \neq \text{Computational Event Morphology}. }

一台混合計算機可以支持：

\boxed{ \operatorname{Supp}_{24}(\mathfrak C) \subseteq \mathfrak P_{24}. }

一個完整 workflow 可以形成：

\boxed{ p_1 \rightarrow p_2 \rightarrow \cdots \rightarrow p_n. }

而多種計算機型別也可以實現同一：

p_i.

因此 Series B 與 24 範式形成的不是階層樹，而是：

\boxed{ \text{typed many-to-many realization graph}. }

這一步完成後，24 範式的角色就從「分類表」提升為：

\boxed{ \text{Runtime-level computational morphology alphabet}. }

下一步再加入七十二格的：

\mathsf F, \mathsf K, \mathsf Q

最低充分轉移律，便能把「形態」提升成真正可路由的「計算動力格點」。

內部理論脈絡

Neo.K、Theia、Aletheia，〈計算的二十四重範式〉v4.0，2026。
Neo.K × GPT-5.6，〈二十四計算範式 × PCMT × GIPE 映射論〉v0.1，2026-07-26。
Neo.K × Aletheia，〈從二十四重計算形態學到七十二格計算動力學〉v0.1，2026。
Neo.K × GPT-5.6，〈七十二格計算動力學 × PCMT × GIPE 總整合〉v0.1，2026-07-26。
Neo.K × GPT-5.6 Sol，Series B〈統一計算機分類與計算本體論〉B-01 至 B-06，2026-09-17。

系列狀態：統一計算主幹閉合 01 完成。
下一篇：〈從二十四重形態到七十二格動力學：最低充分轉移律、混合格與計算路徑〉。

從統一計算機型別到二十四重計算形態：Series B × 24 範式投影論

從統一計算機型別到二十四重計算形態：Series B × 24 範式投影論

摘要

0. 問題：Series B 與 24 範式究竟哪一個比較「上層」？

1. Series B 的母型別

2. 二十四重範式的母式

3. 底空間 (B) 不是物理載體名稱

4. 同一物理載體可以投影成不同 (B)

5. 觀察語境

6. 更新組織 (U)

7. S\mathsf SS：序列更新

8. J\mathsf JJ：跳躍更新

9. P\mathsf PP：並行更新

10. I\mathsf II：識別更新

11. 同一事件甚至可以有多個 (U) 描述

12. 觀察模式 (O)

13. O=CO=\mathsf CO=C：連續觀察

14. O=DO=\mathsf DO=D：離散觀察

15. O=XO=\mathsf XO=X：拒單測觀察

16. 24 範式投影的正式定義

17. 什麼叫「計算事件」

18. Machine-to-Paradigm 不是函數

19. Paradigm Support Set

20. Paradigm Path

21. 範式轉換本身也可以成為計算

22. Paradigm Distribution

23. 24 Profile

24. Series B 十維如何投影到 24

25. 為什麼 A\mathcal AA 很重要

26. CPU 的多重投影

Instruction stream

Branch / interrupt event

SIMD extension

Pattern-match instruction / lookup

27. GPU 的投影

28. Analog Computer

29. Quantum Computer

物理 Hamiltonian 層

Gate abstraction

coherent parallel-like evolution

circuit sequencing

measurement

statistical quantum result

30. 相位計算

31. 本徵態計算

32. Anamnesis Runtime

33. LLM 推理

Tensor kernel

Autoregressive token generation

Retrieval

Tool call

34. Agentic Computing

35. PCMT 不會被 Series B 取代

36. GIPE 也不會被 24 吸收

37. 投影不可逆

38. 為什麼這不是缺點

39. 但反向重建需要 Series B

40. Projection Profile

41. 一格可以有多種實現

42. 一台機器也能支持很多格

43. Realization Graph

44. 24 不再只是分類表，而成為 Runtime alphabet

45. 路由的第一層

46. 24 的角色因此被重新確認

47. 與 B-06 的 0−Ω∞−10-\Omega_\infty-10−Ω∞​−1

48. 與 Complexity Relocation

49. 與 B-03 F/E

50. 24 格本身不承諾物理存在

51. 同一格也可以有不同 complexity class

52. 24 也不是唯一充分計算描述

53. 新系列的三篇結構

54. 最終主幹

55. 核心結論

內部理論脈絡

7. $\mathsf S$ ：序列更新

8. $\mathsf J$ ：跳躍更新

9. $\mathsf P$ ：並行更新

10. $\mathsf I$ ：識別更新

13. $O=\mathsf C$ ：連續觀察

14. $O=\mathsf D$ ：離散觀察

15. $O=\mathsf X$ ：拒單測觀察

25. 為什麼 $\mathcal A$ 很重要

47. 與 B-06 的 $0-\Omega_\infty-1$