Paper 03｜多表示不是多份記憶：Vector、Graph、Tensor、Symbol 與 Raw Source 的共同本體

Multiple Representations Are Not Multiple Memories: A Shared Ontology for Vectors, Graphs, Tensors, Symbols, and Raw Sources

系列： 反身多表示認知記憶架構系列（Reflexive Multi-Representation Cognitive Memory Architecture Series）
篇次： Paper 03 / 14
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1 Canonical Draft
日期： 2026-09-11
文件性質： 多表示本體論／記憶架構／跨表示編譯與治理
前篇： Paper 02｜動態顯影與任務條件化耦合：SGCD 作為認知場動力學
Canonical Source： UTF-8 Markdown
數學原始碼規範： inline math 僅使用 $...$ ；display math 僅使用 $$...$$

摘要

未來人工智慧記憶不會只存在於單一資料表示中。Raw source、事件紀錄、自然語言、向量嵌入、Knowledge Graph、Context Graph、局部張量態、ISQL、形式符號、程式 AST、執行 trace、semantic crystal 與 world-state projection 都可能同時存在，並服務不同認知任務。然而，若每一種 representation 都被當成一份獨立記憶，系統將迅速出現版本漂移、來源失真、跨表示矛盾、重複儲存、錯誤權威與「哪一份才是真的」等問題。

本文提出「共同記憶本體、多表示投影」（Shared Memory Ontology with Multiple Projections）作為反身多表示認知記憶架構的第三個核心層。其基本立場是：

\boxed{ \text{Multiple Representations} \neq \text{Multiple Independent Memories} }

而應理解為：

\boxed{ \mathfrak M_t \xrightarrow{\Pi_i} R_i }

其中 $\mathfrak M_t$ 是可由 exact substrate、identity、relation、history、provenance、epistemic state 與 dynamic field 共同支持的記憶本體，而 $R_i$ 是特定用途下的 projection、materialization 或 compiled view。

本文區分五種容易被混淆的層次：

Canonical Evidence / Exact Source：原始來源、事件與不可變證據；
Memory Ontology State：身份、版本、關係、歷史、認識狀態與可重建結構；
Operational Representation：Vector、Graph、Tensor、Symbol、ISQL、AST、Natural Language 等；
Working Projection：針對任務、模型、權限與預算生成的局部工作表示；
Rendered Surface：提供人類或外部系統閱讀的文字、圖像、UI 或報告。

因此：

\boxed{ \text{Source} \neq \text{Ontology} \neq \text{Representation} \neq \text{Working State} \neq \text{Rendered View} }

本文進一步提出 Representation Contract、Cross-Representation Invariant、Projection Receipt、Round-Trip Verification、Canonical Authority Separation、Representation Drift、Loss Budget 與 Precision Escalation 等概念。核心目標不是要求所有 representation 彼此完全可逆，而是明確管理：哪些性質必須保存、哪些資訊可以失真、哪一層具有權威、何時需要回到 exact source，以及何時可以只使用高階結晶或近似視圖。

由此，Vector 不再被視為 memory item 本身；Graph 不再被視為唯一知識世界；Tensor 不再被視為完整 semantic truth；Symbol 不再因可讀或可形式化而自動取得 canonical authority；Raw Source 也不直接等於 current semantic validity。所有表示都被放回同一個具有來源、版本、權限、演化與可重建性的共同認知記憶本體中。

關鍵詞： Multi-Representation Memory、Vector Memory、Graph Memory、Tensor-Native Memory、ISQL、Raw Source、Canonical Authority、Projection、Semantic Invariant、Cross-Representation Consistency、Memory Ontology

0. 本篇定位：真正的問題不是選哪一種表示

Paper 01 建立：

\boxed{ \text{Graph} = \text{Task-Compiled Cognitive Projection} }

Paper 02 進一步建立：

\boxed{ G_{\xi,t} = \Pi_{\xi,t}^{graph} ( \mathbb M_t ) }

並說明顯影與耦合依任務、時間、observer、authority、working state 與 budget 而變。

一旦接受這兩點，下一個問題自然出現：

如果 Graph 只是 projection，那 Vector、Tensor、Symbol、ISQL、Raw Source 又是什麼？

最容易犯的錯誤是把每個 representation 視為不同 memory system：

M_{vector}, M_{graph}, M_{tensor}, M_{symbol}, M_{raw}.

然後用同步機制努力維持它們一致。

本文主張這個起點不理想。

更合理的是：

\boxed{ \text{One governed memory ontology} \rightarrow \text{many representations} }

也就是：

\boxed{ \mathfrak M_t \rightarrow \{ R_1,R_2,\ldots,R_n \}. }

1. 五層必須分開

本文先定義五個層次。

1.1 Exact Source Layer

令：

\mathcal X_t

表示 exact substrate。

它保存：

原始文件；
原始對話；
原始事件；
tool output；
程式碼版本；
commit；
hash；
timestamp；
immutable receipt；
external evidence。

它回答：

當時實際存在或發生了什麼？

1.2 Memory Ontology Layer

令：

\mathfrak M_t

表示長期記憶本體狀態。

它回答：

這些來源指向哪些 object？
哪些 object 具有同一 identity？
哪些版本互相取代？
哪些 relation 是 proposal？
哪些已被驗證？
哪些仍 unresolved？
哪些 branch 仍存在？
哪些 structure 可以被重建？

1.3 Representation Layer

令：

\mathcal R = \{ R_{vec}, R_{graph}, R_{tensor}, R_{symbol}, R_{ISQL}, R_{AST}, R_{NL}, \ldots \}.

它回答：

要用什麼 machine-operable form 表示當前需要的結構？

1.4 Working Projection Layer

令：

W_{\xi,t}^{(r)}

表示條件 $\xi$ 下、以 representation $r$ 形成的工作表示。

它回答：

現在這個模型真正要吃什麼？

1.5 Render Layer

令：

Y_{\lambda}

表示面向某個外部介面的 render。

例如：

中文；
English；
diagram；
UI；
JSON；
PDF；
code；
speech。

因此：

\boxed{ \mathcal X_t \neq \mathfrak M_t \neq R_i \neq W_{\xi,t}^{(i)} \neq Y_{\lambda}. }

2. 為什麼 Raw Source 也不是「完整記憶」

Raw source 很重要。

但：

\boxed{ \text{Exact Source} \neq \text{Current Memory State}. }

假設歷史中存在：

D_{v1}

與：

D_{v2}.

兩份 raw file 都是真實存在。

但目前有效版本可能只有：

\operatorname{Current}(D)=D_{v2}.

或者：

D_{v2}

後來又被否定。

所以 exact source 只能保證：

\operatorname{ExistsHistorically}(x).

不能直接推出：

\operatorname{ValidNow}(x).

因此：

\boxed{ \text{Historical Exactness} \neq \text{Semantic Currency}. }

3. Raw Source 的真正角色

Raw source 應是：

\boxed{ \text{Recovery Substrate} }

而不是：

\text{Everyday Active Representation}.

它負責：

audit；
dispute resolution；
exact reconstruction；
provenance；
rollback；
forensic verification；
re-derivation。

平常 cognition 不應每一步都重讀全部 raw source。

否則：

\text{Memory} \rightarrow \text{Archive Search}

而不是：

\text{Cognitive Continuity}.

4. Vector：最強的近似介面之一，但不是身份

令：

E(x) = \mathbf z_x \in \mathbb R^d.

Vector representation 的價值包括：

fuzzy similarity；
semantic neighborhood；
cross-lingual retrieval；
latent clustering；
continuous optimization；
nearest-neighbor search。

但：

\boxed{ \mathbf z_x \neq \operatorname{Identity}(x). }

因為：

encoder 版本改變，向量會改；
不同模型 latent space 不同；
normalization 不同；
projection head 不同；
同一 object 可有多個 embedding。

所以：

E_{v1}(x) \neq E_{v2}(x)

完全正常。

因此：

\boxed{ \text{Embedding} = \text{Representation Instance} }

而不是 canonical identity。

5. Vector 也不是完整語義

即使：

\mathbf z_x

很高維，也不能假設：

\mathbf z_x = \operatorname{Meaning}(x).

原因包括：

decoder dependence；
training distribution；
model-specific geometry；
local aliasing；
relation compression；
task dependence。

所以：

\boxed{ \text{High Dimension} \neq \text{Ontological Completeness}. }

十萬維 vector 仍可能只是一階 projection。

6. Graph：顯式關係強，但仍是離散視圖

Graph：

G=(V,E)

優於單向量之處，在於顯式保存：

identity relation；
dependency；
causality；
contradiction；
version；
provenance；
branch。

但如 Paper 01 所示：

G_{\xi} = \Pi_{\xi}^{graph} ( \mathfrak M ).

所以 Graph 的限制是：

discretization；
threshold dependence；
schema dependence；
edge-type dependence；
scale dependence。

因此：

\boxed{ \text{Graph Explicitness} \neq \text{Graph Ontological Finality}. }

7. Tensor：關係態可以更原生，但 Tensor 也不是 Truth

Tensor representation 可以表達：

\mathbb T \in \mathcal V_1 \otimes \mathcal V_2 \otimes \cdots \otimes \mathcal V_k.

它適合描述：

multimodal relation；
conditional state；
coupled modes；
high-order interaction。

但：

\boxed{ \text{Tensor-Native} \neq \text{Canonical Truth}. }

Tensor 仍可能是：

inferred；
compressed；
learned；
approximate；
model-dependent；
task-conditioned。

所以 Tensor 提供的是：

\text{richer operational ontology}

而不是自動真理權。

8. Symbol：精確不等於完整

形式符號：

\sigma

的優勢是：

exact syntax；
compositional rule；
machine checking；
low ambiguity；
formal proof compatibility。

但：

\boxed{ \text{Symbolic Precision} \neq \text{Semantic Completeness}. }

一個公式可能精確表示某個 formal slice，卻忽略：

original intent；
scope；
hidden assumption；
context；
historical reason；
alternative interpretation。

所以 Symbol 很適合：

\text{Commit}

卻不一定適合：

\text{Explore}.

9. ISQL：高精度 machine representation，但不應壟斷 cognition

ISQL 類表示提供：

\text{Identity} + \text{Registry} + \text{Version} + \text{CanonicalForm} + \text{DecoderContract}.

這對：

cross-agent handoff；
long-term addressability；
stable binding；
machine validation；

非常重要。

但如果所有 cognition 都被要求：

x \rightarrow ISQL(x)

才可運作，會導致：

compilation overhead；
schema pressure；
exploratory rigidity；
representation mismatch。

因此本文採：

\boxed{ ISQL = \text{Precision Domain} }

而不是：

\text{Universal Cognitive Substrate}.

10. Natural Language：不是低等格式，而是另一種高價值 projection

自然語言常被 AI 原生表示研究視為：

要被淘汰的人類介面。

本文不採這種簡化。

自然語言具有：

高壓縮社會語境；
模糊容忍；
類比能力；
可談未知；
可談未定義；
可快速創造新概念；
人類可共享。

因此：

\boxed{ \text{Natural Language} \neq \text{Primitive Noise}. }

它是：

\boxed{ \text{High-Flexibility Human-Semantic Projection}. }

只是它不應被誤當 canonical machine ontology。

11. 同一記憶可以同時存在多種表示

令記憶 object：

m

有 identity：

ID(m).

它可以同時存在：

R_{vec}(m),

R_{graph}(m),

R_{tensor}(m),

R_{symbol}(m),

R_{ISQL}(m),

R_{NL}(m).

但這些不表示：

m_1,m_2,\ldots,m_6.

而是：

\boxed{ \{R_i(m)\}_{i=1}^{6} }

——同一 memory object 的六種 representation。

12. Identity 必須跨表示穩定

若：

ID_{graph}(x) \neq ID_{ISQL}(x)

而系統沒有 bridge，就會出現 duplicate identity。

因此必須存在：

\boxed{ \operatorname{Bind} ( ID, R_i ) }

即：

B_i: ID(x) \leftrightarrow R_i(x).

Representation 可以改。

Identity 不應因 representation 改變而被默默改寫。

13. Representation Contract

本文提出每一 representation 都應攜帶：

\boxed{ C_R = ( \text{type}, \text{version}, \text{source}, \text{scope}, \text{resolution}, \text{invariants}, \text{loss}, \text{decoder}, \text{validator}, \text{authority} ) }

其中：

type：vector / graph / tensor / symbol / ISQL / NL；
version：encoder / schema / format version；
source：從哪個 state 投影；
scope：表示範圍；
resolution：解析度；
invariants：必須保存內容；
loss：已知損失；
decoder：如何解讀；
validator：如何檢查；
authority：此表示是否可作 commit source。

沒有 contract 的 representation 很容易被誤用。

14. Projection 不是 Copy

從 ontology：

\mathfrak M

到 representation：

R_i

不應理解為：

R_i = Copy( \mathfrak M ).

而是：

\boxed{ R_i = \Pi_i( \mathfrak M | \text{task}, \text{resolution}, \text{budget} ). }

也就是選擇性顯現。

Projection 必然回答：

哪些東西現在要保留？

所以：

\Pi_i

本身就是 cognition policy。

15. Projection 的三種情況

15.1 Lossless within Scope

對指定 scope：

Recover( \Pi_i(x) ) = x.

15.2 Bounded Loss

d( x, Recover(\Pi_i(x)) ) \le \epsilon.

15.3 Irreversible View

例如 human-readable summary：

Y = Render(x)

不要求：

Render^{-1}(Y)=x.

這三者不能混淆。

16. Canonical 不等於 Lossless Projection

即使某 representation 是 lossless，也不代表它是 canonical authority。

例如：

ZIP(raw)

可以 lossless。

但它不是 semantic truth authority。

因此：

\boxed{ \text{Losslessness} \neq \text{Canonicality}. }

Canonicality 是治理關係。

17. Canonical Authority 的分離

本文提出：

A_c(R) \in \{ \text{none}, \text{derived}, \text{operational}, \text{commit}, \text{source} \}.

例如：

embedding：derived；
task graph：operational；
ISQL validated state：可能 commit；
raw event receipt：source。

因此：

\boxed{ \text{Readable} \neq \text{Authoritative}. }

以及：

\boxed{ \text{Machine Efficient} \neq \text{Authoritative}. }

18. Source Authority 與 Semantic Authority 也不同

Raw source 可以有：

A_{source}=1.

但：

A_{semantic}

未必為 1。

例如一份舊文件真實存在，但其中命題已被否定。

所以：

\boxed{ \text{Source Authenticity} \neq \text{Semantic Validity}. }

19. Derived Representation 不可靜默覆寫 Source

如果 AI 生成：

R_{graph}^{new}

不能因此修改：

\mathcal X.

正確流程：

\text{DerivedProposal} \rightarrow \text{Validation} \rightarrow \text{OntologyUpdate}

而：

\text{RawSource}

仍保持原樣。

所以：

\boxed{ \text{Projection Write} \neq \text{Source Rewrite}. }

20. Cross-Representation Invariant

不同 representation 不需要完全相同。

但應定義：

I = \{ i_1,i_2,\ldots,i_k \}

作為必須保存的不變量。

例如：

object identity；
negation；
quantifier；
version；
source；
causal direction；
epistemic status。

若：

R_a \rightarrow R_b

則要求：

\boxed{ I(R_a) = I(R_b) }

或在允許近似時：

d_I( I(R_a), I(R_b) ) \le \epsilon_I.

21. 不同任務需要不同 invariant

翻譯任務可能要求：

I_{translation} = \{ \text{claim}, \text{negation}, \text{quantifier}, \text{modality} \}.

程式執行任務可能要求：

I_{execution} = \{ \text{type}, \text{dependency}, \text{precondition}, \text{postcondition} \}.

歷史重建可能要求：

I_{history} = \{ \text{time}, \text{source}, \text{version}, \text{branch} \}.

所以：

\boxed{ I = I(\tau). }

22. Cross-Representation Consistency 不等於相同輸出

中文：

R_{zh}

英文：

R_{en}

Graph：

R_G

可以形式不同。

只要：

I_{\tau}(R_{zh}) = I_{\tau}(R_{en}) = I_{\tau}(R_G).

所以一致性應定義在：

\text{invariant space}

而不是：

\text{surface equality}.

23. Round-Trip Verification

若：

R_A \xrightarrow{T_{AB}} R_B

可再投影回：

\widehat R_A = T_{BA}(R_B),

則可以檢查：

D( R_A, \widehat R_A ).

但 Round-Trip 也不是完美保證。

因為兩個 decoder 可能共享同一錯誤。

所以：

\boxed{ \text{Round-Trip} = \text{One Validator} }

而不是終極真理測試。

24. Projection Receipt

每一次重要 representation transition 應留下：

\boxed{ Receipt_{\Pi} = ( \text{source}, \text{target}, \text{transform}, \text{version}, \text{invariants}, \text{loss}, \text{validator}, \text{time} ) }

這使未來可以回答：

這張 graph 是怎麼從哪個 state 生成的？

而不是只剩一個結果檔。

25. Representation Drift

若同一 object：

x

長期存在多種 representation：

R_i^t(x),

則不同 representation 可能逐步漂移。

定義：

D_{ij}^{t} = D_I( R_i^t(x), R_j^t(x) ).

若：

D_{ij}^{t} > \theta

則觸發：

Reconcile( R_i, R_j ).

這叫：

\boxed{ \text{Representation Drift Detection}. }

26. Drift 不代表一定要合併

如果 Graph 表示的是：

\text{CurrentWorkingState}

而 Raw Source 是：

\text{HistoricalRecord},

兩者不同是正常的。

所以 reconcile 前要先問：

\boxed{ \text{Should these representations agree?} }

而不是看到差異就同步。

27. Synchronization Fallacy

最危險的多表示設計之一是：

所有 representation 永遠互相同步。

如果：

R_1,R_2,\ldots,R_n

都被要求實時 identical，系統會失去：

representation specialization；
historical distinction；
exploratory branches；
lossy efficiency。

因此：

\boxed{ \text{Consistency} \neq \text{Universal Synchronization}. }

28. Projection Family

本文定義：

\mathcal P = \{ \Pi_{raw}, \Pi_{vec}, \Pi_{graph}, \Pi_{tensor}, \Pi_{symbol}, \Pi_{ISQL}, \Pi_{NL}, \Pi_{crystal} \}.

每個：

\Pi_i

都有不同：

fidelity；
cost；
latency；
explainability；
machine usability；
human usability。

所以 representation selection 是多目標問題。

29. Representation Selection Function

令：

SelectRep( \tau, M, B, R, U ) \rightarrow r.

其中：

$\tau$ ：task；
$M$ ：consumer model；
$B$ ：budget；
$R$ ：risk；
$U$ ：uncertainty。

例如：

探索：

r = \text{Vector}+\text{Graph}.

正式證明：

r = Symbol+ISQL+RawSource.

UI 呈現：

r = NaturalLanguage+Diagram.

30. Representation Stack

某些任務不是選一種表示，而是組合：

\boxed{ R^{stack} = R_{graph} \oplus R_{vec} \oplus R_{source}. }

例如：

Graph 提供結構；
Vector 提供 fuzzy recall；
Raw 提供 exact support。

所以：

\text{Multi-Representation}

不表示：

\text{one representation at a time}.

31. Mixed Projection

定義：

\Pi_{\mathrm{mix}} = F( \Pi_{graph}, \Pi_{vec}, \Pi_{symbol} ).

輸出可以是一個：

\text{WorkingObject} = ( \text{GraphSlice}, \text{VectorCandidates}, \text{SymbolicConstraints} ).

這比強迫所有資訊進同一格式更符合 AI cognition。

32. Representation Switching

AI 應能在 cognition 中切換：

R_{vec} \rightarrow R_{graph} \rightarrow R_{symbol} \rightarrow R_{raw}.

這不是資料轉檔而已。

它是：

\boxed{ \text{Cognitive Resolution Switching}. }

每次切換都可能改變：

可見結構；
可操作算子；
loss；
cost；
uncertainty。

33. Cross-Representation Hyperlink

因此超連結可連接不同 representation：

H: R_i \xRightarrow{} R_j.

例如：

\text{VectorCluster} \rightarrow \text{GraphCommunity}

\text{GraphClaim} \rightarrow \text{RawSource}

\text{Crystal} \rightarrow \text{ISQLContract}

\text{SymbolicProofNode} \rightarrow \text{ExecutionTrace}.

所以未來 hyperlink 不只連 object。

它也連：

\boxed{ \text{representation domains}. }

34. Representation Transition 也要有成本

令：

C_{ij} = Cost( R_i \rightarrow R_j ).

可能包括：

compute；
token；
latency；
validator；
source access；
human review。

因此 cognition routing 應考慮：

\boxed{ \text{semantic gain} - \text{transition cost}. }

35. Precision Escalation as Representation Path

Explore：

R_{vec} \rightarrow R_{graph}.

Resolve：

R_{graph} \rightarrow R_{ISQL}.

Verify：

R_{ISQL} \rightarrow R_{raw}.

Commit：

R_{raw} + R_{ISQL} + \text{Validator}.

這形成：

\boxed{ \text{Representation Escalation Path}. }

36. Precision De-escalation

反方向也重要。

完成 exact validation 後，不需要永久把全部 exact detail 留在 working memory。

可以：

R_{raw} \rightarrow R_{crystal}.

因此：

\boxed{ \text{Precision Escalation} \leftrightarrow \text{Cognitive Compression}. }

37. Crystal 是 Representation 還是 Memory Object？

答案是：

兩者都可能，但必須分層。

Crystal 可以是：

R_{crystal}(m)

即某 memory object 的高階 representation。

但若它具有：

stable identity；
lifecycle；
provenance；
reusable behavior；
independent relation；

則也可以成為新的 higher-order memory object：

m_{crystal}.

因此：

\boxed{ \text{Representation} \rightarrow \text{Re-unitized Object} }

在特定 gate 下成立。

38. 什麼時候 Representation 能升格為 Object

本文提出最低 gate：

G_{unit} = G_{identity} \land G_{stability} \land G_{provenance} \land G_{recoverability} \land G_{utility}.

只有全部成立，projection 才能被重新單元化。

否則它仍只是 temporary view。

39. Representation Inflation 風險

如果每個 query 都生成：

R_i

並永久存成 object：

|M| \rightarrow \infty.

所以：

\boxed{ \text{Projection} \not\Rightarrow \text{Persistence}. }

持久化需要 gate。

40. Temporary Representation

系統應容許：

R_{temp}

只存在於一次 cognition cycle。

其 lifecycle：

\text{Create} \rightarrow \text{Use} \rightarrow \text{Discard}.

只保留：

\text{Receipt}.

這可大幅降低 memory pollution。

41. Persistent Representation

若：

ReuseProbability(R) > \theta

或：

AuditValue(R) > \theta

可持久化。

因此：

Persist(R)

是資源決策。

42. Representation Cache

某些 projection 可作為 cache：

Cache( \Pi_i(\mathfrak M) ).

但 cache invalidation 需考慮：

source version change；
ontology change；
relation update；
authority change。

所以：

\boxed{ \text{Representation Cache} \neq \text{Canonical Memory}. }

43. Version Binding

每個 representation 至少應知道：

\text{SourceVersion}.

如果：

R_G

來自：

M_{v3}

而 ontology 已到：

M_{v5},

則：

R_G

可能 stale。

所以：

\boxed{ \text{Representation Validity} \text{ is version-relative}. }

44. Semantic Policy Change 造成舊 Projection 陳舊化

若 ontology contract：

C_1 \rightarrow C_2,

先前：

R_i^{C_1}

可能需要：

Revalidate( R_i^{C_1} | C_2 ).

因此：

\boxed{ \text{Semantic Policy Change} \Rightarrow \text{Possible Representation Staleness}. }

45. Decoder Contract

任何 machine-native representation 都不能假設：

未來模型自然會知道怎麼讀。

所以：

R

應綁定：

D_R.

即：

\boxed{ (R,D_R) }

而不是只有 bytes。

這對長期 AI memory 特別重要。

46. Decoder Version

若：

D_{v1} \neq D_{v2}

同一 payload 可能產生不同 meaning。

因此：

\boxed{ \text{Representation Version} + \text{Decoder Version} }

必須共同記錄。

47. Anchor 不是 Meaning

Semantic Anchor 可以幫助不同 representation 對齊。

但：

\boxed{ Anchor(x) \neq \operatorname{Meaning}(x). }

Anchor 提供：

localization；
relative relation；
reconstruction handle。

它不必包含完整內容。

48. Cross-Model Representation

模型：

M_A

與：

M_B

可能具有不同 latent space。

因此：

Z_A(x) \not\cong Z_B(x).

若要跨模型共享，應透過：

stable ID；
anchor；
typed relation；
source；
decoder contract；
structured IR。

而不是假設 embedding 可直接搬移。

49. Model-Native Projection

不同模型可以擁有：

\Pi^{M_A}

與：

\Pi^{M_B}.

所以：

R^{M_A}(x) \neq R^{M_B}(x)

可以成立。

只要：

I_{\tau}

保持。

因此：

\boxed{ \text{Shared Memory} \neq \text{Shared Internal Representation}. }

50. Multi-Agent Shared Memory

若 Agent A、B 共用：

\mathfrak M

A 可以使用：

R_A = \Pi_A(\mathfrak M),

B 使用：

R_B = \Pi_B(\mathfrak M).

這比要求：

R_A=R_B

更合理。

共享的是：

\boxed{ \text{identity, provenance, relation contracts, and reconstructability} }

不是所有 internal state。

51. Working Memory 是 Representation Bundle

一次任務工作態可表示：

\widehat W_{\xi} = ( R_{graph}, R_{vec}, R_{symbol}, \text{SourceHandles}, \text{OpenNodes} ).

它不是單一 format。

因此：

\boxed{ \text{Working Memory} = \text{Task-Compiled Representation Bundle}. }

52. Model Input 只是 Working Memory 的再投影

最終送進模型 context：

C_t

可能只是：

C_t = Render( \widehat W_{\xi} ).

所以：

\boxed{ \text{Context} \neq \text{Working Memory}. }

更不等於：

\text{Long-Term Memory}.

53. Memory Continuity 不依賴固定文字

若一個 task 昨天以文字表示：

R_{NL}^{t}

今天改為：

R_{graph}^{t+1},

只要 identity、state、provenance、open nodes、next actions 可恢復：

Continuity=1.

因此：

\boxed{ \text{Memory Continuity} \neq \text{Surface Persistence}. }

54. 表示可消失，但記憶不能因此消失

若 cached graph：

G_c

被刪除，

系統應能：

\mathfrak M \rightarrow Rebuild(G_c).

因此：

\boxed{ \text{Rebuildable Projection} \text{ may be disposable}. }

這是降低 storage complexity 的重要原則。

55. Index 也是 Representation

向量 index、graph index、lexical index 都應被理解為：

\boxed{ \text{Rebuildable Access Representation}. }

不是 canonical truth。

因此 index corruption 不應等同 memory corruption。

56. Representation Failure 分級

本文暫分：

L1：Surface Failure

文字 render 不佳。

L2：Projection Failure

某 projection 遺失必要 invariant。

L3：Binding Failure

representation 指向錯 identity。

L4：Ontology Failure

底層 relation / state 本身錯誤。

L5：Source Failure

原始證據缺失或不可驗證。

這五層需要不同修復方式。

57. Representation Repair

若只是：

L2

錯誤，可：

Reproject( \mathfrak M ).

若：

L3

則需：

\text{Rebind}.

若：

L4

則需：

\text{EpistemicReview}.

若：

L5

則可能需要：

\text{ExternalRecovery}.

這避免把所有問題都當成「重新 embedding」。

58. Representation Conflict

若：

R_{graph}

說：

A\rightarrow B

但：

R_{symbol}

說：

A\nrightarrow B,

不能直接平均。

應判斷：

是否 projection scope 不同？
version 是否不同？
invariant 是否不同？
source 是否不同？
是否某 representation stale？
是否 ontology 真有 unresolved contradiction？

所以 conflict 是 diagnostic signal。

59. 不應追求 Representation Collapse

一個誘惑是：

既然多表示麻煩，不如找到唯一 universal representation。

本文不否認遠期可能存在更通用 machine representation。

但在目前架構中：

\boxed{ \text{Representation Diversity} }

本身具有價值。

因為不同 representation 擅長不同認知操作。

60. Representation Specialization

Vector 擅長：

\text{approximate neighborhood}.

Graph 擅長：

\text{explicit relation}.

Tensor 擅長：

\text{multimodal coupling}.

Symbol 擅長：

\text{exact manipulation}.

Raw 擅長：

\text{audit}.

Crystal 擅長：

\text{recursive compression}.

Natural Language 擅長：

\text{human semantic negotiation}.

所以：

\boxed{ \text{Diversity} = \text{Functional Specialization}. }

61. 多表示系統的真正挑戰：路由

當 representation 越來越多，核心問題變成：

何時用哪個？

因此：

\boxed{ \text{Representation Problem} \rightarrow \text{Routing Problem}. }

這會直接接到 Paper 06 的 AI Hyperlink。

62. Representation Router

本文先定義：

\rho_t = Router( \text{task}, \text{state}, \text{risk}, \text{budget}, \text{model}, \text{uncertainty} ).

輸出：

\rho_t \rightarrow ( R_i, R_j, \text{transition} ).

它可以決定：

留在 current representation；
升級 precision；
降低 resolution；
查 raw；
轉 graph；
打開 crystal。

63. Router 不應只有成本最佳化

如果只做：

\min \text{Cost}

可能長期停留在低精度。

所以：

U_{\rho} = \text{Gain} - \text{Cost} - \text{Risk} - \text{Distortion} - \text{Staleness}.

需要平衡。

64. Representation 與反身性

反身 AI 還會問：

我現在為什麼用 Graph 看這個問題？

這表示 representation choice 本身成為 cognition object。

令：

RChoice_t

可被：

Observe( RChoice_t ).

這形成：

\boxed{ \text{Representation Reflexivity}. }

65. Representation Reflexivity 的風險

如果 AI 每一步都重新評估 representation：

\text{Switch} \rightarrow \text{EvaluateSwitch} \rightarrow \text{EvaluateEvaluation} \rightarrow \cdots

會產生 meta-overhead。

所以 representation switching 也需要 stop rule。

66. Stable Route Compilation

若反覆出現：

R_{vec} \rightarrow R_{graph} \rightarrow R_{ISQL}

且成功率高，可編譯成：

H_{VGQ}.

未來：

TaskType_X \xRightarrow{H_{VGQ}} \text{ResolvedState}.

這是 representation routing 的結晶。

67. Representation Route 不能編譯 Authority

即使 route 過去成功：

R_A \rightarrow R_B

也不能永久附帶：

\text{Permission}=\text{Granted}.

因為 authority 可能變。

所以：

\boxed{ \text{Compiled Route} \neq \text{Compiled Permission}. }

68. Loss 與 Invariant 必須共同記錄

任何 projection 若只有：

\text{loss\_score}

還不夠。

因為：

0.1

的平均 loss 可能剛好丟掉最重要的 negation。

所以需要：

\boxed{ \text{LossProfile} + \text{InvariantProfile}. }

69. Critical Invariant

對高風險 task，可定義：

I_{critical} = \{ \text{Identity}, \text{Negation}, \text{Version}, \text{Authority}, \text{Source}, \text{Constraint} \}.

即使其他資訊允許高失真：

\epsilon_{other}\gg0,

這些維度要求：

\epsilon_{critical}\approx0.

70. Representation Confidence

每個 representation 可攜帶：

Conf(R_i)

但 confidence 不能取代 source validation。

因此：

\boxed{ \text{Model Confidence} \neq \text{Evidence Strength}. }

71. Epistemic State 必須跨表示保持

若 claim：

P

狀態為：

\text{CONTESTED},

不能因轉成摘要而變成：

\text{SUPPORTED}.

因此 epistemic status 是重要 invariant。

72. Unknown 必須可跨表示存在

很多 representation 系統會把 unknown 壓成：

zero；
null；
omitted；
default。

本文要求：

\boxed{ \text{Unknown} \neq \text{Absent} \neq \text{False}. }

且這個區分應跨 representation 保存。

73. Contradiction 也必須跨表示保存

如果 graph 有：

A \xleftrightarrow{\text{contradiction}} B,

summary 不應只保留一邊。

所以 contradiction set：

\mathcal C

是可指定 invariant。

74. Alternative Hypothesis Preservation

Explore 模式中：

H_1,H_2,H_3

可能都保留。

若 projection 強迫：

\arg\max H_i

則會過早收斂。

因此：

\boxed{ \text{Projection} \text{ may preserve multiplicity}. }

75. Multi-State Representation

某 representation 可以直接表示：

P(H_i|E)

而不是單一 winner。

這對：

scientific reasoning；
planning；
diagnosis；
world reconstruction；

更適合。

76. Representation 與時間

同一 object：

x

可有：

R_i(x,t_1)

與：

R_i(x,t_2).

所以：

\boxed{ \text{Representation} \text{ is temporally indexed}. }

否則 current state 與 historical state 容易混淆。

77. Snapshot 與 Live Projection

Snapshot：

R_i^{snap}(t)

固定。

Live projection：

R_i^{live} = \Pi_i( \mathfrak M_{now} ).

兩者用途不同。

Snapshot 適合 audit。

Live projection 適合 current cognition。

78. Representation Lineage

應能回答：

R_0 \rightarrow R_1 \rightarrow R_2.

例如：

\text{Raw} \rightarrow \text{Graph} \rightarrow \text{Crystal}.

這條 lineage 本身也是 memory。

79. Lineage Compression

若 representation lineage 太長，可保存：

\text{Checkpoint} + \text{CriticalTransitions}.

但原始 receipt 應可追溯。

這與 event sourcing 相容。

80. Representation Equality 需要型別

不能直接問：

R_i=R_j?

應問：

R_i \equiv_{\tau,I} R_j?

即：

對任務 $\tau$ 與 invariant set $I$ 而言是否等價？

因此：

\boxed{ \text{Equivalence is typed and task-relative}. }

81. 六種可區分的等價

本文暫分：

byte equality；
identity equality；
semantic equivalence；
operational equivalence；
task equivalence；
reconstructive equivalence。

它們不能互相替代。

82. Byte 不同但 Semantic Equivalent

例如：

T_{zh} \neq T_{en}

但：

T_{zh} \equiv_{semantic} T_{en}.

83. Semantic Equivalent 但 Operational Different

兩個描述同一規則的格式：

R_A \equiv_{semantic} R_B

但其中一個不能直接執行。

所以：

R_A \not\equiv_{operational} R_B.

84. Operational Equivalent 但 Provenance Different

兩段程式產出相同結果。

但：

\text{Source}_A \neq \text{Source}_B.

若任務是 audit，它們不等價。

85. Reconstructive Equivalence

若兩個 representations：

R_A,R_B

都能在指定 contract 下恢復同一工作態：

\text{Recover}(R_A) \approx \text{Recover}(R_B),

則可稱：

R_A \equiv_{recon} R_B.

這對長期 memory 很重要。

86. Semantic Seed 與 Representation

一個極小 seed：

s

可以透過 shared decoder / registry：

D(s,C) \rightarrow R.

因此：

\boxed{ \text{Compact Seed} \neq \text{Stored Meaning Alone}. }

有效資訊量包含：

\text{seed} + \text{decoder} + \text{shared context}.

這避免違反資訊論。

87. Representation 與 INSL / Abyss

INSL / Abyss 類思想可作：

\text{addressing / compact generative representation}.

但應區分：

\boxed{ \text{Address} \neq \text{Expanded Semantic State}. }

因此它適合放在：

\mathcal A

與：

\mathcal P

的交界，而不是取代全部 memory ontology。

88. Representation 與 PSSA

PSSA 更進一步允許：

\text{PreConcept} \rightarrow \text{Address} \rightarrow \text{MaterializedState}.

因此未完成概念不需要先被壓成正式 symbol。

它可以先存在為：

\boxed{ \text{Addressable but Underdefined State}. }

89. Underdefined State 不能被強制補值

若：

U_t \neq \varnothing,

representation 應保留 unknown。

否則 projection 會製造：

\text{False Closure}.

90. Representation 與創造性

過度精確 representation 可能提高：

\text{ConstraintPressure}.

所以 Explore 階段可以選：

R_{fuzzy}.

Resolve 階段再切：

R_{exact}.

這讓：

\boxed{ \text{Representation Choice} \text{ become part of creativity control}. }

91. Memory Dominance 與 Representation Dominance

除了：

\lambda_M

記憶支配度，

還可定義：

\lambda_R

表示某 representation 對 cognition 的支配度。

如果：

\lambda_{symbol}\rightarrow1,

AI 可能過度形式化。

如果：

\lambda_{vector}\rightarrow1,

AI 可能過度相似化。

如果：

\lambda_{graph}\rightarrow1,

AI 可能把所有問題都圖化。

所以：

\boxed{ \text{Representation Pluralism} }

也是 anti-fixation 機制。

92. Representation Balance

可定義：

\boldsymbol\lambda_R = ( \lambda_{vec}, \lambda_{graph}, \lambda_{tensor}, \lambda_{symbol}, \lambda_{raw} ).

依任務動態調整。

這與 system balance 一致。

93. Multi-Representation Consensus

高風險任務可以要求：

R_{graph}, R_{symbol}, R_{source}

共同支持。

若三者一致：

\text{Consensus} \uparrow.

若分歧：

\text{Escalate}.

這是一種 representation-level cross-check。

94. Consensus 仍不等於 Truth

多表示可能共用同一錯誤 source。

所以：

\boxed{ \text{Representation Agreement} \neq \text{Ground Truth}. }

仍需要 external evidence。

95. Representation Diversity 可提高錯誤可見性

若不同 representation 使用不同失真方式，某個錯誤可能只在一種表示下隱藏。

因此：

\boxed{ \text{Diverse Projections} \rightarrow \text{Error Surface Expansion}. }

這是多表示的另一個價值。

96. Cognitive Parallax

本文將同一 memory state 在多 projection 下產生的差異稱為：

\boxed{ \text{Cognitive Parallax}. }

它不一定是錯誤。

它可能幫助系統看見：

hidden assumption；
missing relation；
projection bias；
scale dependence。

97. Parallax Analysis

令：

R_1,\ldots,R_n

是同一 ontology state 的不同投影。

定義：

P_{ij} = \text{Diff}( R_i,R_j ).

若差異集中在非 critical dimension，可接受。

若差異觸及：

I_{critical},

則升級驗證。

98. 表示不是越多越好

如果：

n\rightarrow\infty,

representation management cost 也爆炸。

所以應持續問：

Utility(R_i) > MaintenanceCost(R_i)?

低價值 representation 應 retire。

99. Representation Lifecycle

可以定義：

\text{Candidate} \rightarrow \text{Active} \rightarrow \text{Cached} \rightarrow \text{Stale} \rightarrow \text{Rebuild} \rightarrow \text{Retired}.

某些 persistent representation 還可以：

\text{Superseded}.

100. Representation Registry

系統需要：

\mathcal R_t

記錄：

representation type；
schema；
version；
encoder；
decoder；
source binding；
invariant contract；
validator；
authority；
lifecycle。

否則多表示很快失控。

101. Representation Registry 不是 Memory Registry

Memory Registry 管：

\text{object identity}.

Representation Registry 管：

\text{representation instances}.

所以：

\boxed{ \text{Object Registry} \neq \text{Representation Registry}. }

102. One Object, Many Representation Instances

例如：

ID(P)=P001.

可綁定：

Vector(P001,v3)

Graph(P001,schema2)

ISQL(P001,profile4)

NL(P001,zh-TW)

這些都指向：

P001.

103. Representations Can Be Derived From Other Representations

不是每次都要：

\text{Ontology} \rightarrow R_i.

可：

R_a \rightarrow R_b

只要 transition contract 明確。

例如：

\text{Graph} \rightarrow \text{NaturalLanguageSummary}.

但 lineage 必須保存。

104. Derived-from-Projection 會累積失真

若：

R_0 \rightarrow R_1 \rightarrow R_2 \rightarrow R_3,

每一步 loss：

\epsilon_1,\epsilon_2,\epsilon_3.

總失真可能：

\epsilon_{total} \gg \epsilon_i.

因此長鏈應定期：

Reanchor( R_k, Raw/Ontology ).

105. Source Re-anchoring

定義：

AnchorCheck(R_i)

檢查 representation 是否仍能回到：

\mathcal X

或：

\mathfrak M.

若不能：

\text{RepresentationDriftRisk} \uparrow.

106. Crystal Re-anchoring

Crystal 也需要定期：

\text{Expand} \rightarrow \text{Validate} \rightarrow \text{Recrystallize}.

否則：

\text{Crystal Drift}

可能發生。

107. Representation State Vector

對一個 representation instance：

r

可記錄：

State(r) = ( \text{freshness}, \text{confidence}, \text{authority}, \text{loss}, \text{resolution}, \text{cost}, \text{rebuildability} ).

這使 router 能更理性選擇。

108. Representation Utility Function

可暫定：

U(r|\tau) = \alpha F + \beta O + \gamma E + \delta X - \lambda C - \mu D - \nu S

其中：

$F$ ：fidelity；
$O$ ：operability；
$E$ ：explainability；
$X$ ：cross-model usability；
$C$ ：cost；
$D$ ：distortion；
$S$ ：staleness。

不鎖死係數。

109. Representation 不應脫離 Model Capability

某模型可能擅長：

\text{NaturalLanguage}

但不擅長複雜 graph DSL。

另一模型可能能直接使用：

\text{StructuredIR}.

所以：

U(r|\tau,M)

依 consumer model 而變。

110. Capability-Gated Representation Access

低能力模型可使用：

\text{RenderedSummary}.

中階模型：

\text{GraphSlice}.

高階模型：

\text{MixedFieldProjection}.

前沿模型：

\text{DynamicCrossRepresentationRouting}.

因此：

\boxed{ \text{Same Memory} \rightarrow \text{Different Representation Freedom}. }

111. Human Interface 也是 Representation Consumer

人類不是 canonical authority by default。

但人類需要：

R_{human}.

所以 UI / report / diagram 也是 projection target。

這意味著人類與 AI 可以讀同一 memory ontology 的不同 view。

112. Human-Readable Projection 不得反向主宰 Machine Ontology

如果為了漂亮報告，將：

\text{ComplexState}

強迫變成：

\text{SimpleParagraph},

再讓系統把 paragraph 當 canonical，就會資訊降維。

所以：

\boxed{ \text{Human View} \not\Rightarrow \text{Machine Canonicalization}. }

113. Machine-Native 也不得排除 Human Audit

相反地，如果 machine representation 完全不可解釋，也會降低治理能力。

所以高風險系統應提供：

\text{MachineCanonical} \rightarrow \text{HumanAuditProjection}.

這是雙向接口。

114. Representation and Governance

所有 representation 操作至少應遵守：

不改 identity；
不抹除 provenance；
不靜默升權威；
不把 unknown 填成 false；
不把 speculation 變 fact；
不把 stale view 當 current；
critical invariant 必須可驗證。

115. Representation Write-Back

不是所有 projection 結果都應寫回 ontology。

正確流程：

\text{WorkingProjection} \rightarrow \text{CandidateInsight} \rightarrow \text{WriteBackProposal} \rightarrow \text{Validation} \rightarrow \text{OntologyUpdate}.

因此：

\boxed{ \text{Read Projection} \neq \text{Write Authority}. }

116. Write-Back Proposal

可以包含：

\text{Proposal} = ( \text{target}, \text{change}, \text{source}, \text{reason}, \text{confidence}, \text{validator}, \text{risk} ).

系統再決定是否 commit。

117. Representation-Derived New Relation

若 vector cluster 發現：

A,B,C

可能形成新類別，

這只是：

\text{RelationProposal}.

不能直接：

\text{CreateCanonicalOntologyNode}.

118. Representation-Derived New Concept

PSSA 可先建立：

a_t

作為新概念地址。

等：

recurrence；
stability；
usefulness；
validation；

足夠後再升：

\text{CanonicalConcept}.

119. Multi-Representation Learning

系統可以從不同 projection 的 discrepancy 學習：

R_{graph} \not\approx R_{vector}

可能指出：

ontology missing edge；
embedding alias；
graph over-pruning；
source ambiguity。

這使 representation difference 成為 learning signal。

120. Representation Learning 不等於 Parametric Training

這些修正可以只更新：

registry；
graph；
ontology；
route；
crystal；
index。

不一定更新 model weight。

所以：

\boxed{ \text{Memory Evolution} \neq \text{Model Retraining}. }

121. Non-Parametric Cognitive Evolution

一個 AI 可以透過：

\mathcal R_t, \mathcal H_t, \mathcal K_t, \mathfrak M_t

持續成長。

因此能力進步不只來自：

\theta_t \rightarrow \theta_{t+1}.

也來自：

\boxed{ \text{External Cognitive Structure Evolution}. }

122. Representation Reuse

成功 representation pattern 可以被 cache。

例如：

TaskType_A \rightarrow GraphProfile_7.

未來直接套用。

這是一種：

\text{representation route compilation}.

123. Representation Profile

定義：

Profile_p = ( \text{rep types}, \text{resolution}, \text{invariants}, \text{budget}, \text{fallback} ).

例如：

Research-Explore：

vector；
graph；
low source pressure；
high branching。

Formal-Commit：

symbol；
ISQL；
raw source；
strict validator。

124. Profile 不能變成僵化規則

若新任務不符合 profile：

Adapt(Profile_p).

否則：

\text{RepresentationProfile} \rightarrow \text{CognitiveFixation}.

125. Representation and World Model

World model：

W_t

也不應被假設為單一 representation。

可以有：

causal world graph；
geometric state；
probability field；
symbolic constraints；
simulation state。

因此本文架構自然延伸到 world model。

126. Memory–World Boundary

Memory 說：

我們保存／推導了什麼。

World model 說：

系統目前認為世界如何。

兩者重疊但不相同。

因此：

\boxed{ \text{Memory State} \neq \text{World State}. }

Paper 10 將處理兩者如何重建 working world。

127. Representation and Action

Action system 最終需要：

\text{ExecutableState}.

所以 cognition 可能：

\text{NaturalLanguage} \rightarrow \text{Graph} \rightarrow \text{PlanIR} \rightarrow \text{ActionRequest}.

不同 representation 的責任鏈要保留。

128. Action Commit 的 representation 要求

真正改變世界前：

\text{ActionRequest}

應達：

exact target；
exact authority；
exact constraints；
current version；
validated preconditions。

所以：

\boxed{ \text{Loose Cognition} \rightarrow \text{Exact Action Boundary}. }

129. Representation and Security

不同 representation 也有不同安全風險。

例如：

raw source 可能含 secret；
graph 可洩漏 relation；
embedding 可遭 inversion；
crystal 可隱藏 provenance；
natural language 可誤導。

所以 access control 必須是 representation-aware。

130. Visibility Projection

同一 memory ontology：

\mathfrak M

對不同 authority：

a_1,a_2

形成：

R^{a_1} \neq R^{a_2}.

但不應因此複製兩份 canonical memory。

131. Redaction as Projection

敏感資料遮罩最好表示為：

\Pi_{redact} ( \mathfrak M )

而不是破壞 source。

這維持：

\boxed{ \text{Security View} \neq \text{Data Erasure}. }

132. Representation and Privacy

某些 embedding / crystal 可能間接洩漏原始資訊。

所以：

Loss_{semantic}

與：

Leakage_{privacy}

是不同維度。

Representation contract 應分開記錄。

133. Representation Fidelity Vector

本文不使用單一 fidelity score。

而使用：

\mathbf F_R = ( F_{identity}, F_{semantic}, F_{relation}, F_{temporal}, F_{provenance}, F_{epistemic}, F_{authority} ).

這比單一平均值更誠實。

134. Representation Loss Vector

同樣：

\mathbf L_R = ( L_{detail}, L_{relation}, L_{source}, L_{uncertainty}, L_{branch}, L_{context} ).

因此系統知道：

這個 representation 到底丟了什麼。

135. Loss 不一定是壞事

若任務只需：

\text{TopLevelDecision},

丟掉低階文字細節可能是好事。

所以：

\boxed{ \text{Loss} \neq \text{Failure}. }

真正問題是：

\boxed{ \text{Uncontrolled Loss}. }

136. Representation Compression 的目的

壓縮可以降低：

token；
memory bandwidth；
reasoning branching；
graph size；
context pressure。

因此 representation compression 是 cognition scaling 的必要技術。

137. Compression 與 Crystallization 不同

普通 compression：

x \rightarrow \hat x

主要降低 size。

Crystallization：

\text{Route} \rightarrow \text{ReusableUnit}

還增加：

\text{operational reusability}.

所以：

\boxed{ \text{Crystallization} \supset \text{Compression} + \text{Executable Semantics}. }

138. Representation and X-Order Cognition

X 階 cognition 不可能每階都攜帶所有 representation。

所以每階：

R^{(k)}

應只載入：

Bundle^{(k)}.

這使多表示選擇成為 recursive control 的一部分。

139. Higher-Order Representation

第 $k$ 階可以只看到：

CrystalSummary( R^{(k-1)} )

而不是整個下階 trace。

當需要：

\text{Expand}.

這降低 meta-cognition cost。

140. Reflexive Representation Reopening

若 AI 發現：

R^{(k)}

與現實結果不符，

可沿 lineage：

R^{(k)} \rightarrow R^{(k-1)} \rightarrow \text{Source}.

重新檢查。

這就是：

\boxed{ \text{Reopening for Reflexivity}. }

141. Representation and Forgetting

「忘記」不必等於刪除 source。

可以只是：

\text{ActiveProjectionProbability} \downarrow.

或者：

\text{CacheRetire}.

因此：

\boxed{ \text{Functional Forgetting} \neq \text{Historical Erasure}. }

142. Representation and Attention

Attention 是當前模型內部資源分配。

Projection 是外部 memory runtime 的表示選擇。

所以：

\boxed{ \text{Attention} \neq \text{Projection}. }

兩者可以耦合，但不能混為一談。

143. Representation and Retrieval

Retrieval 找：

\text{candidate}.

Projection 決定：

\text{form}.

Revealing 決定：

\text{visibility / role}.

Working-state compilation 決定：

\text{what enters current cognition}.

因此：

\boxed{ \text{Retrieval} \neq \text{Projection} \neq \text{Revealing} \neq \text{WorkingMemory}. }

144. 統一運行鏈

一次完整多表示 cognition 可以寫成：

\boxed{ \begin{aligned} \text{Task} &\rightarrow \text{NeedAnalysis}\\ &\rightarrow \text{MemoryReveal}\\ &\rightarrow \text{RepresentationSelection}\\ &\rightarrow \text{ProjectionBundle}\\ &\rightarrow \text{Cognition}\\ &\rightarrow \text{PrecisionEscalation}\\ &\rightarrow \text{Validation}\\ &\rightarrow \text{WriteBackProposal}\\ &\rightarrow \text{OntologyEvolution}. \end{aligned} }

145. Shared Memory Ontology 的最小形式

本文暫定：

\boxed{ \mathfrak M_t = ( O_t, R_t, H_t, P_t, E_t, V_t ) }

其中：

$O_t$ ：objects / identities；
$R_t$ ：typed relations；
$H_t$ ：history / lineage；
$P_t$ ：provenance；
$E_t$ ：epistemic state；
$V_t$ ：version / validity state。

Representation 由：

\Pi_i( \mathfrak M_t )

產生。

146. Exact Substrate 與 Ontology 的接口

Raw source：

x \in \mathcal X.

Ontology object：

o \in O.

透過：

Anchor( o,x ).

一個 object 可有多個 source：

Anchor( o, \{x_1,\ldots,x_n\} ).

這使 memory 不等於單一 file。

147. Source-Free Object

某些 object 是系統推導：

o_{\text{derived}}.

它可能沒有一個單一 raw source。

但需要：

\text{DerivationLineage}.

所以 provenance 可以是：

\text{Source}

或：

\text{DerivationGraph}.

148. Synthetic Memory

AI 生成的推論可以成為 memory。

但必須標記：

\text{origin}=\text{synthetic}.

因此：

\boxed{ \text{Remembered} \neq \text{Observed}. }

149. Observation、Inference、Hypothesis

至少區分：

\text{Observed}

\text{Derived}

\text{Hypothesized}.

不同 representation 不能抹掉這個 status。

150. Representation and Epistemic Projection

同一 claim 可以被投影成：

\text{ACTIVE}, \text{SUPPORTED}, \text{CONTESTED}, \text{SUPERSEDED}, \text{REFUTED}, \text{UNRESOLVED}.

這是 derived epistemic view。

不應改寫歷史 record。

151. Current State Compiler

當系統問：

現在怎麼看？

需要：

CompileCurrentState( \text{History}, \text{Evidence}, \text{Validation} ).

這本身也是 projection。

152. Current State 也不是 Source

所以：

\boxed{ \text{Current Projection} \neq \text{Historical Record}. }

兩者都需要。

153. Representation and Branches

不同 hypotheses：

B_1,B_2

可有不同 projection。

不能因 current branch 主流，就刪除 alternate branch。

因此：

\boxed{ \text{Branch Visibility} \neq \text{Branch Existence}. }

154. Branch-Specific Representation

令：

R_i^{B_k}.

同一 object 在不同 branch 可有不同 relation。

這對 scientific exploration 很重要。

155. Merge 不應平均 representation

若：

B_1

與：

B_2

合併，

不能：

R_{\text{merge}} = \frac{R_1+R_2}{2}.

應：

Merge( \text{OntologyStates}, \text{Conflicts}, \text{Evidence} ).

然後重新 project。

156. Representation Should Be Rebuilt After Semantic Merge

正確：

\text{OntologyMerge} \rightarrow \text{Reproject}.

而不是：

\text{RepresentationMerge} \rightarrow \text{PretendOntologyMerged}.

157. Representation-first Architecture 的危險

如果系統只管理：

\text{VectorDB} + \text{GraphDB} + \text{DocumentDB}

但沒有 shared identity / ontology，跨庫一致性會靠 heuristic。

本文認為：

\boxed{ \text{Representation Stores} \text{ need a shared semantic control plane}. }

158. Shared Semantic Control Plane

其最低內容：

identity；
version；
provenance；
relation contract；
authority；
lifecycle；
projection lineage。

這不必是一個單一 database。

它是一組 invariant。

159. Distributed Storage, Unified Semantics

因此可以：

\text{Raw} \in \text{ObjectStore},

\text{Vector} \in \text{VectorDB},

\text{Graph} \in \text{GraphDB},

\text{Events} \in \text{EventStore}.

只要：

\boxed{ \text{Semantic Binding} }

一致。

所以：

\text{Unified Ontology} \neq \text{Single Physical Store}.

160. Representation Federation

大型系統應允許：

Store_1,\ldots,Store_n.

每個 provider 有自己的：

API；
index；
lifecycle。

但透過：

\text{TypedHyperlink} + \text{StableIdentity} + \text{ProjectionContract}.

形成 federation。

161. Representation Location 不是 Semantic Identity

object 搬家：

Store_A \rightarrow Store_B

不應改變：

ID(x).

所以：

\boxed{ \text{Location} \neq \text{Identity}. }

162. Address 不等於 Physical Location

Semantic address 可解析到：

\text{one or more physical locations}.

所以：

Address(x) \rightarrow Resolve( \text{Locations} ).

這對分散式記憶必要。

163. Representation and Cloud / Local

同一 ontology object 可有：

local vector；
cloud raw；
local crystal；
remote graph。

Representation router 可以依成本與隱私選路。

164. Representation as Resource Placement

於是：

\text{Representation Choice}

也會成為：

\text{Compute / Storage Placement Decision}.

這與「語義即路由」自然相接。

165. Semantic Routing

如果 object type 是：

\text{ExactEvidence},

route 到 source store。

如果是：

\text{ApproximateAssociation},

route 到 vector engine。

如果是：

\text{DependencyQuery},

route 到 graph engine。

所以：

\boxed{ \text{Semantic Need} \rightarrow \text{Representation Route}. }

166. Representation Need Detection

真正 router 的前一步是：

我缺的是什麼認知能力？

例如：

exact citation；
fuzzy association；
causal chain；
formal constraint；
historical reconstruction。

因此：

\boxed{ \text{Memory Need} \neq \text{Query String}. }

167. Need → Strategy → Representation → Backend

完整鏈：

\boxed{ \text{Need} \rightarrow \text{Strategy} \rightarrow \text{Representation} \rightarrow \text{Backend}. }

不能倒過來：

\text{Backend} \rightarrow \text{Query}.

這是 AI-native memory runtime 的重要方向。

168. 表示選擇與認知成本分離

同一 cognition task 可測：

Cost_{vec}, Cost_{graph}, Cost_{symbol}.

選最低 total cost，而不是只看 retrieval latency。

Total cost 應包含：

\text{Retrieval} + \text{Interpretation} + \text{Verification} + \text{Correction}.

169. Cheap Retrieval Can Be Expensive Cognition

Vector recall 很便宜。

但若結果缺乏 relation，模型要花大量推理恢復結構。

所以：

\boxed{ \text{Retrieval Cost} \neq \text{Cognitive Cost}. }

170. Expensive Representation May Save Total Cost

Graph construction 較貴。

但可降低：

\text{ReasoningCost}.

因此總最佳化應看：

C_{total}.

171. Representation and Latency

Interactive task 要：

\text{low latency}.

Deep research 可以：

\text{higher latency}

換 higher fidelity。

所以 profile 依 use case 動態調整。

172. Representation Budget

可分：

B = ( B_{time}, B_{token}, B_{compute}, B_{IO}, B_{risk} ).

Representation selection 必須在 budget 內。

173. Multi-Representation Cascade

一個高效架構可：

\text{CheapRep} \rightarrow \text{NeedMore?} \rightarrow \text{ExpensiveRep}.

例如：

\text{Vector} \rightarrow \text{Graph} \rightarrow \text{Raw}.

這是 adaptive cascade。

174. Cascade Stop

如果：

\text{Confidence} > \theta

且：

\text{Risk} < r,

停止。

否則升級。

這就是 precision on demand 的 operational form。

175. Representation and Error Recovery

若結果錯誤，系統不應只重跑同一 representation。

可：

\text{SwitchRepresentation}.

例如 Graph 路徑失敗，就回 Raw / Vector。

這增加韌性。

176. Representation Diversity as Fault Tolerance

若：

R_A

與：

R_B

使用不同 failure mode，

可互為 fallback。

因此：

\boxed{ \text{Multi-Representation} \rightarrow \text{Cognitive Fault Tolerance}. }

177. 但冗餘也有成本

每多一個 representation：

C_{maint} \uparrow.

所以只保留：

\boxed{ \text{functionally differentiated redundancy}. }

而不是重複格式堆積。

178. Representation Minimality

若：

R_A

完全被：

R_B

支配：

Utility(R_A) < Utility(R_B)

且沒有 unique failure resistance，

可 retire：

R_A.

179. Representation Architecture as Ecology

因此整體不是：

\text{one best format}.

而是：

\boxed{ \text{Representation Ecology}. }

不同 representation：

競爭；
合作；
替代；
分化；
退役。

180. Representation Evolution

隨模型能力變化：

R_i

的重要性會變。

未來模型可能直接使用 tensor-native state。

那時：

\text{NaturalLanguageIntermediate}

的使用比例可能下降。

但人類 audit 仍需要它。

所以 representation ecology 會隨時代演化。

181. Representation Evolution 不改變母原則

即使未來出現新的：

R_{future},

只要遵守：

identity separation；
provenance；
invariant；
loss contract；
authority；
lifecycle；

就能插入架構。

這是本體與表示分離的主要價值。

182. Future-Proofing

因此：

\boxed{ \text{Future-proof Memory} \text{ requires representation replaceability}. }

如果 memory identity 綁死在今天的 embedding model，未來必然難遷移。

183. Representation Migration

當：

Encoder_{old} \rightarrow Encoder_{new},

可：

Reproject( \mathfrak M ).

而不必：

\text{RewriteIdentity}.

184. Migration Receipt

遷移應保存：

\text{MigrationReceipt} = ( \text{old}, \text{new}, \text{date}, \text{validator}, \text{coverage}, \text{loss} ).

避免未來不知道 representation 何時變了。

185. Representation Deprecation

舊 representation 可以：

\text{Deprecated}

但若 historical task 仍需，可以保留 decoder。

因此：

\boxed{ \text{Deprecated} \neq \text{Unreadable}. }

186. Long-Term Decoder Preservation

若 memory 要跨十年，decoder 本身也要版本化保存。

否則：

R_{old}

變成 orphan data。

187. Self-Describing Representation

理想格式可攜帶：

schema ID；
version；
decoder ref；
semantic profile；
source binding。

這增加 recoverability。

188. Representation Provenance

不只 memory content 有 provenance。

representation 本身也有：

Prov(R).

例如：

這個 graph 是由哪個 model、哪個 prompt、哪個 schema 生成？

這對 audit 很重要。

189. AI-Generated Representation Must Be Identifiable

所以至少保存：

generator\_id, generator\_version.

避免把 AI projection 誤當 human-authored source。

190. Representation Quality Is Not Model Reputation

即使強模型生成：

R

也需要 validator。

所以：

\boxed{ \text{Model Prestige} \neq \text{Representation Validity}. }

191. Representation Test Suite

每種 representation profile 應測：

round-trip；
invariant preservation；
version binding；
provenance；
contradiction retention；
unknown retention；
stale invalidation；
permission boundary。

192. Representation Conformance

定義：

Conform( R,C_R ) \in \{\text{pass},\text{fail}\}.

重要 representation 在寫回前必須通過 conformance。

193. Representation Failure Should Be Observable

不能 silently fallback 後假裝沒事。

應產生：

\text{FailureReceipt}.

這讓 routing 可以學習。

194. Routing Learning

若：

R_{graph}

在某 task type 經常失敗，

系統可以降低：

P(R_{graph}|\tau).

這是 runtime learning。

195. Runtime Learning 不必修改核心模型

更新：

\text{RoutingPolicy}

即可。

因此：

\boxed{ \text{Cognitive Adaptation} \neq \text{Weight Update}. }

196. Representation Route Crystallization

高頻成功 route：

Need_A \rightarrow \text{Vector} \rightarrow \text{Graph} \rightarrow \text{Raw}

可結晶為：

K_{routeA}.

下次直接調用。

197. Route Crystal 仍須可解晶

若 backend 改版或 validator 改變：

\text{Expand}( K_{routeA} )

重新驗證。

198. Representation and Capability Crystallization

若某 representation transformation 高頻且穩定：

R_A \rightarrow R_B

甚至可以編譯成 specialized converter / small model。

所以 representation ecology 可進一步產生 capability ecology。

199. 這也是未來模型能力分層的基礎

低階模型只讀：

R_{simple}.

高階模型可以自己：

\text{Select}, \text{Switch}, \text{Compose}, \text{Reopen}.

因此 multi-representation memory 天生支援 capability-gated architecture。

200. 本篇的十二項核心命題

命題一

\boxed{ \text{Multiple representations do not imply multiple independent memories}. }

命題二

\boxed{ \text{Identity must be representation-independent}. }

命題三

\boxed{ \text{Raw source is recovery authority, not automatic semantic truth}. }

命題四

\boxed{ \text{Vector, Graph, Tensor, Symbol, and ISQL are specialized cognitive views}. }

命題五

\boxed{ \text{Projection requires explicit invariants and loss contracts}. }

命題六

\boxed{ \text{Consistency is task-relative, not surface equality}. }

命題七

\boxed{ \text{Representation switching is a cognitive operation}. }

命題八

\boxed{ \text{Representation routing should be need-driven}. }

命題九

\boxed{ \text{Projection does not imply persistence}. }

命題十

\boxed{ \text{Derived representations do not automatically gain canonical authority}. }

命題十一

\boxed{ \text{Representation diversity can improve fault tolerance and anti-fixation}. }

命題十二

\boxed{ \text{Future-proof memory requires representation replaceability}. }

201. 最小工程架構

一個 MVP 可以分成：

201.1 Object Registry

保存：

\text{ID}.

201.2 Source Store

保存：

\text{Raw / Event / Evidence}.

201.3 Ontology / Relation Store

保存：

\text{CurrentSemanticState}.

201.4 Projection Services

提供：

vector；
graph；
symbol；
ISQL；
summary。

201.5 Representation Registry

保存：

version；
encoder；
decoder；
loss contract；
source binding。

201.6 Router

根據：

\text{Need}

選 representation。

201.7 Validator

檢查 invariant。

這已足以建立第一代實驗。

202. 可證偽實驗

Experiment A：Single-Representation vs Multi-Representation

比較：

Vector only；
Graph only；
Hybrid；
Shared ontology + dynamic projection。

測：

accuracy；
provenance；
version errors；
total cognitive cost。

Experiment B：Representation Drift

長期更新 memory，測：

D_{ij}^{t}.

Experiment C：Precision Escalation

比較：

\text{AlwaysExact}

與：

\text{Approximate}\rightarrow\text{Exact}.

Experiment D：Cross-Model Portability

比較 raw embeddings 與 stable identity + structured anchors。

Experiment E：Projection Failure Recovery

故意破壞一種 representation，看系統能否切換到另一種。

203. 評估向量

定義：

\mathbf Q = ( \text{Fidelity}, \text{Cost}, \text{Latency}, \text{Explainability}, \text{Reconstructability}, \text{Portability}, \text{Governability}, \text{FaultTolerance} ).

多表示架構不能只看 retrieval accuracy。

204. 失敗模式總表

204.1 Representation Identity Collapse

把 representation ID 當 object ID。

204.2 Canonicality Confusion

把 derived view 當 truth。

204.3 Stale Projection

舊 projection 未失效。

204.4 Silent Loss

失真未記錄。

204.5 Unknown Collapse

unknown 被填成 false/default。

204.6 Provenance Loss

轉換後來源消失。

204.7 Synchronization Overreach

強迫所有 representation 一致。

204.8 Representation Explosion

每次投影都永久保存。

204.9 Decoder Orphaning

舊資料無 decoder。

204.10 Representation Fixation

某一 representation 支配所有 cognition。

205. 與 Paper 04 的接口

本篇已接受：

\boxed{ R_i = \Pi_i( \mathfrak M ) }

並明確承認不同 projection 可以有：

\text{Loss}(R_i)>0.

下一篇真正要處理的是：

既然允許 loss，什麼 loss 是可接受的？

也就是：

\boxed{ \text{Controlled Distortion}. }

Paper 04 將正式建立：

distortion budget；
invariant preservation；
lossy coupling；
Explore / Resolve / Commit 三種精度域；
system balance；
non-isomorphic translation；
information loss governance。

206. 結論：記憶不是格式，而是可重建的共同本體

未來 AI 記憶若只選一種 representation，必然會把其他認知能力壓縮掉。

Vector 很強，但它不等於 identity。

Graph 很強，但它不等於完整 field。

Tensor 很強，但它不等於 truth。

Symbol 很強，但它不等於完整 meaning。

ISQL 很強，但它不應成為所有 cognition 的唯一通道。

Raw source 最接近歷史事實，但它也不直接等於現在的 semantic validity。

因此本文提出：

\boxed{ \text{Memory is not a format}. }

更完整地說：

\boxed{ \text{Memory} = \text{Governed, Reconstructable Shared Ontology} }

而：

\boxed{ \text{Representations} = \text{Task-, Model-, Risk-, and Budget-Conditioned Views}. }

所以真正穩定的不是：

\text{Vector}, \text{Graph}, \text{Tensor}, \text{Symbol}, \text{NaturalLanguage}.

真正穩定的是：

\boxed{ \text{Identity} + \text{Provenance} + \text{Relation} + \text{History} + \text{Invariant} + \text{Reconstructability}. }

這些構成不同 representation 之間可以共同依附的認知骨架。

當這個骨架存在，未來模型可以自由升級 representation：

R_{2026} \rightarrow R_{2030} \rightarrow R_{2040}

而不必因此重新定義：

\text{Who / what the memory object is}.

因此，反身多表示認知記憶架構的真正方向不是打造一個「終極格式」，而是建立一個能容納格式演化、 representation 切換、受控失真、精度升級與跨模型重建的長期共同記憶本體。

下一篇將進入本系列目前最關鍵的新命題之一：

\boxed{ \text{Loss can be intentional, bounded, and cognitively useful}. }

也就是：為什麼未來 AI 若要進行大規模耦合、反身遞迴與 X 階調用，就不能要求所有中間 cognition 永遠保持無損。