title 符號、神經與代數不是三個世界：表示制度、共同結構與三重計算體系
english_title Symbolic, Neural, and Algebraic Are Not Three Worlds: Representation Regimes, Shared Structure, and a Triple Computational System
series 理論域擴張、理解解析度與共同底空間
series_english Theory-Domain Expansion, Comprehension Resolution, and Shared-Substrate Theory
series_id TCRS
paper_id TCRS-08
author Neo.K
organization EveMissLab
version 0.1.0
status Research Draft / Series Paper
date 2026-10-06
language zh-TW
canonical_source UTF-8 Markdown
math_source_rule inline math only with $...$ ; display math only with $$...$$
符號、神經與代數不是三個世界
表示制度、共同結構與三重計算體系
Symbolic, Neural, and Algebraic Are Not Three Worlds: Representation Regimes, Shared Structure, and a Triple Computational System
系列： 理論域擴張、理解解析度與共同底空間（TCRS），Paper 08作者： Neo.K機構： EveMissLab版本： v0.1.0日期： 2026-10-06
公司： 一言諾科技有限公司
摘要
AI 歷史常被粗略分成：
Symbolic v s Neural . \boxed{
\text{Symbolic}
\quad vs\quad
\text{Neural}.
} Symbolic v s Neural . 近年又可以再加入一類更底層的 structural / algebraic approaches：
Symbolic v s Neural v s Algebraic / Structural . \boxed{
\text{Symbolic}
\quad vs\quad
\text{Neural}
\quad vs\quad
\text{Algebraic / Structural}.
} Symbolic v s Neural v s Algebraic / Structural . 但本文主張，這三者不應首先被理解為互斥的「智能本體」。
更合理的理解是：
three representation regimes with different computational advantages . \boxed{
\text{three representation regimes with different computational advantages}.
} three representation regimes with different computational advantages . 本文將其抽象為：
S = Symbolic Regime , \boxed{
S
=
\text{Symbolic Regime},
} S = Symbolic Regime , N = Neural Regime , \boxed{
N
=
\text{Neural Regime},
} N = Neural Regime , A = Algebraic / Structural Regime . \boxed{
A
=
\text{Algebraic / Structural Regime}.
} A = Algebraic / Structural Regime . 三者分別具有不同核心能力：
S : Identity + Addressability + Explicit Rule + Verification , \boxed{
S:
\text{Identity}
+
\text{Addressability}
+
\text{Explicit Rule}
+
\text{Verification},
} S : Identity + Addressability + Explicit Rule + Verification , N : Discovery + Adaptation + Distributed Representation + Approximation , \boxed{
N:
\text{Discovery}
+
\text{Adaptation}
+
\text{Distributed Representation}
+
\text{Approximation},
} N : Discovery + Adaptation + Distributed Representation + Approximation , A : Invariant + Composition + Transformation + Equivalence . \boxed{
A:
\text{Invariant}
+
\text{Composition}
+
\text{Transformation}
+
\text{Equivalence}.
} A : Invariant + Composition + Transformation + Equivalence . 傳統 neuro-symbolic AI 常被理解為：
N + S . \boxed{
N+S.
} N + S . 但本文提出，真正缺少的可能是一個中介結構層：
N ↔ A ↔ S . \boxed{
N
\leftrightarrow
A
\leftrightarrow
S.
} N ↔ A ↔ S . 其中 Algebraic / Structural layer 不只是「又一種符號」，而是負責描述：
哪些 transformation 保持不變；
哪些 representation 可以視為等價；
哪些局部結構可組合；
哪些高維狀態可 canonicalize；
哪些 symbolic objects 可以編譯回 neural substrate。
因此本文將未來可能的核心問題重新表述為：
How can the same structure survive across different computational coordinate systems? \boxed{
\text{How can the same structure survive across different computational coordinate systems?}
} How can the same structure survive across different computational coordinate systems? 而不是：
Which school is the true form of intelligence? \boxed{
\text{Which school is the true form of intelligence?}
} Which school is the true form of intelligence? 本文進一步提出：
Representation-Regime Separation；
Identity–Geometry–Invariant Triangle；
Addressability Gap；
Structural Mediation Layer；
Bidirectional Representation Compilation；
Representation-Preserving Translation；
Canonicalization Witness；
Structural Conservation；
Regime-Relative Completeness；
Triple-Regime Architecture。
本文指出，Symbolic、Neural、Algebraic 都可能在自己的 domain 內形成類完備感，並發生 TCRS 前文所述的：
Mutual Theoretical Absorption . \boxed{
\text{Mutual Theoretical Absorption}.
} Mutual Theoretical Absorption . Symbolic 可能說：
neural 最後不就是規則與 relation。
Neural 可能說：
symbolic 最後不就是可學 pattern。
Algebraic 可能說：
兩者最後不都是 transformation structure。
而真正的 Green Model 不是讓其中一派勝出，而是建立：
representation-independent shared structure \boxed{
\text{representation-independent shared structure}
} representation-independent shared structure 並允許不同 regime 在不同 bottleneck 下承擔不同角色。
本文的核心命題為：
Symbolic, neural, and algebraic systems may be better understood as different coordinate systems over partially shared computational structure . \boxed{
\text{Symbolic, neural, and algebraic systems may be better understood as different coordinate systems over partially shared computational structure}.
} Symbolic, neural, and algebraic systems may be better understood as different coordinate systems over partially shared computational structure . 關鍵詞： Symbolic AI、Neural AI、Algebraic AI、Structural AI、Representation Regime、Bidirectional Compilation、Canonicalization、Shared Structure、Neuro-Symbolic、AI Architecture
1. 問題起點：三派真的在研究三種不同智能嗎？
如果只看歷史敘事，很容易得到：
S v s N v s A . \boxed{
S
\quad vs\quad
N
\quad vs\quad
A.
} S v s N v s A . 2. 但這可能把表示形式誤認成智能本體
也就是：
Representation → Ontology . \boxed{
\text{Representation}
\rightarrow
\text{Ontology}.
} Representation → Ontology . 3. Symbolic 的世界
Symbolic 傾向使用：
named objects；
predicates；
rules；
proofs；
explicit relations。
4. Neural 的世界
Neural 傾向使用：
vectors；
matrices；
activations；
weights；
nonlinear transformations；
probabilistic distributions。
5. Algebraic / Structural 的世界
Algebraic 傾向使用：
groups；
rings；
fields；
categories；
operators；
invariants；
equivalence classes；
morphisms。
6. 三者語言非常不同
所以很容易形成：
Language Difference → Ontological Difference . \boxed{
\text{Language Difference}
\rightarrow
\text{Ontological Difference}.
} Language Difference → Ontological Difference . 7. 但這個推論不必成立
可能存在某個：
S ∗ \boxed{
\mathcal S^\ast
} S ∗ 使：
S = Π S ( S ∗ ) , S=\Pi_S(\mathcal S^\ast), S = Π S ( S ∗ ) , N = Π N ( S ∗ ) , N=\Pi_N(\mathcal S^\ast), N = Π N ( S ∗ ) , A = Π A ( S ∗ ) . A=\Pi_A(\mathcal S^\ast). A = Π A ( S ∗ ) . 8. 這不代表三者完全等價
而是：
它們可能保留同一底層結構的不同部分。
9. Representation-Regime Separation
本文提出：
Representation Regime ≠ Intelligence Ontology . \boxed{
\text{Representation Regime}
\neq
\text{Intelligence Ontology}.
} Representation Regime = Intelligence Ontology . 10. Symbolic Regime
本文用：
S \boxed{
S
} S 表示 symbolic regime。
11. S 的第一核心：Identity
Symbolic 很擅長：
x = x . \boxed{
x=x.
} x = x . 12. Named Object
例如：
E n t i t y 17 \boxed{
Entity_{17}
} E n t i t y 17 就是同一個可追蹤 object。
13. 第二核心：Addressability
可以直接：
Access ( E n t i t y 17 ) . \boxed{
\operatorname{Access}(Entity_{17}).
} Access ( E n t i t y 17 ) . 14. 第三核心：Explicit Relation
R ( E n t i t y 17 , E n t i t y 23 ) . \boxed{
R(Entity_{17},Entity_{23}).
} R ( E n t i t y 17 , E n t i t y 23 ) . 15. 第四核心：Rule
P ( x ) ∧ Q ( x ) → R ( x ) . \boxed{
P(x)
\land
Q(x)
\rightarrow
R(x).
} P ( x ) ∧ Q ( x ) → R ( x ) . 16. 第五核心：Verification
如果 rule system well-defined，
可以：
trace → proof . \boxed{
\text{trace}
\rightarrow
\text{proof}.
} trace → proof . 17. Symbolic Strength Vector
本文暫寫：
Q ⃗ S = ( I , A , R , V ) . \boxed{
\vec Q_S
=
(
I,
A,
R,
V
).
} Q S = ( I , A , R , V ) . 其中：
I I I A A A R R R V V V
18. Neural Regime
本文用：
N \boxed{
N
} N 表示 neural regime。
19. N 的第一核心：Distributed Representation
一個 concept 未必存在於：
w i . w_i. w i . 而可能分散於：
Z ⊂ R d . \boxed{
Z
\subset
\mathbb R^d.
} Z ⊂ R d . 20. 第二核心：Adaptation
Neural 可以：
D + O t r a i n → Z . \boxed{
D
+
\mathcal O_{\mathrm{train}}
\rightarrow
Z.
} D + O train → Z . 21. 第三核心：Approximation
對複雜 function：
f f f 學得：
f ^ θ . \boxed{
\hat f_\theta.
} f ^ θ . 22. 第四核心：High-Dimensional Association
大量弱相關訊號可以在：
Z Z Z 中形成可用 geometry。
23. Neural Strength Vector
Q ⃗ N = ( D r , A d , A p , H ) . \boxed{
\vec Q_N
=
(
D_r,
A_d,
A_p,
H
).
} Q N = ( D r , A d , A p , H ) . 其中：
D r D_r D r A d A_d A d A p A_p A p H H H
24. Algebraic / Structural Regime
本文用：
A \boxed{
A
} A 表示 algebraic / structural regime。
25. A 的第一核心：Invariant
問：
what remains unchanged under transformation? \boxed{
\text{what remains unchanged under transformation?}
} what remains unchanged under transformation? 26. 第二核心：Composition
如果：
f : A → B , f:A\rightarrow B, f : A → B , g : B → C , g:B\rightarrow C, g : B → C , 則：
g ∘ f : A → C . \boxed{
g\circ f:A\rightarrow C.
} g ∘ f : A → C . 27. 第三核心：Transformation
研究：
T : X → X ′ . \boxed{
T:X\rightarrow X'.
} T : X → X ′ . 本身的結構。
28. 第四核心：Equivalence
例如：
x ∼ y . \boxed{
x\sim y.
} x ∼ y . 雖表示不同，
但在某 structure 下等價。
29. Algebraic Strength Vector
Q ⃗ A = ( I v , C , T , E q ) . \boxed{
\vec Q_A
=
(
I_v,
C,
T,
E_q
).
} Q A = ( I v , C , T , E q ) . 30. 三者不是同一軸上的高低
不能簡化成：
S < N < A S<N<A S < N < A 或：
A < S < N . A<S<N. A < S < N . 31. 更合理是三個不同優勢軸
R = { S , N , A } . \boxed{
\mathcal R
=
\{S,N,A\}.
} R = { S , N , A } . 32. Identity–Geometry–Invariant Triangle
本文提出：
Identity ↔ Geometry ↔ Invariant . \boxed{
\text{Identity}
\leftrightarrow
\text{Geometry}
\leftrightarrow
\text{Invariant}.
} Identity ↔ Geometry ↔ Invariant . 33. Symbolic 偏 Identity
S → identity / explicit relation . \boxed{
S
\rightarrow
\text{identity / explicit relation}.
} S → identity / explicit relation . 34. Neural 偏 Geometry
N → distributed geometry / state field . \boxed{
N
\rightarrow
\text{distributed geometry / state field}.
} N → distributed geometry / state field . 35. Algebraic 偏 Invariant
A → transformation-invariant structure . \boxed{
A
\rightarrow
\text{transformation-invariant structure}.
} A → transformation-invariant structure . 36. 三者其實互相需要
Identity 沒有 geometry，
可能 rigid。
37. Geometry 沒有 identity
可能難以 address。
38. Invariant 沒有 concrete realization
可能缺少 learnable substrate。
39. 所以未來問題不是選一個
而是：
how to map among them . \boxed{
\text{how to map among them}.
} how to map among them . 40. Neuro-Symbolic 的基本問題
傳統想法：
N + S . \boxed{
N+S.
} N + S . 41. 但 N 與 S 之間存在表示裂縫
Neural state：
z ∈ R d . z\in\mathbb R^d. z ∈ R d . Symbolic object：
s ∈ Σ ∗ s\in\Sigma^\ast s ∈ Σ ∗ 或：
s ∈ K . s\in\mathcal K. s ∈ K . 42. 直接 mapping 很難
因為：
z ↮ s \boxed{
z
\not\leftrightarrow
s
} z ↔ s 通常不是一一對應。
43. 多對多
可能：
{ z i } ↔ { s j } . \boxed{
\{z_i\}
\leftrightarrow
\{s_j\}.
} { z i } ↔ { s j } . 44. 還有 superposition
一個 neural state 可能同時承載：
s 1 , s 2 , … , s k . \boxed{
s_1,s_2,\ldots,s_k.
} s 1 , s 2 , … , s k . 45. 也有 context dependence
同一：
z z z 在不同：
c c c 下可以不同解讀。
46. 所以純 N→S 解碼容易 lossy
N → S \boxed{
N
\rightarrow
S
} N → S 不一定保持：
geometry；
uncertainty；
latent relations。
47. Structural Mediation Hypothesis
本文提出：
N → A → S \boxed{
N
\rightarrow
A
\rightarrow
S
} N → A → S 可能比：
N → S N\rightarrow S N → S 更穩定。
48. A 的功能不是「再加一層符號」
而是先問：
在 neural representation 裡，哪些結構具有可保持性？
49. Structural Extraction
從：
Z Z Z 抽：
I Z \boxed{
\mathcal I_Z
} I Z 即 invariant structure。
50. 可能包含
equivalence class；
relational symmetry；
transformation orbit；
compositional operator；
conserved constraint。
51. 再 canonicalize
I Z → C Z . \boxed{
\mathcal I_Z
\rightarrow
C_Z.
} I Z → C Z . 52. Canonical Form
C Z \boxed{
C_Z
} C Z 是：
對同一結構選一個穩定、可定址的標準表示。
53. 這時再進 Symbolic
C Z → S Z . \boxed{
C_Z
\rightarrow
S_Z.
} C Z → S Z . 54. 整體：
N → A → S . \boxed{
N
\rightarrow
A
\rightarrow
S.
} N → A → S . 55. 反方向也重要
Symbolic specification：
S S S 可以先轉成：
A S \boxed{
A_S
} A S 即結構約束。
56. 再實現在 neural substrate
A S → N S . \boxed{
A_S
\rightarrow
N_S.
} A S → N S . 57. 所以：
S → A → N . \boxed{
S
\rightarrow
A
\rightarrow
N.
} S → A → N . 58. Bidirectional Representation Compilation
本文正式提出：
BRC = Bidirectional Representation Compilation . \boxed{
\text{BRC}
=
\text{Bidirectional Representation Compilation}.
} BRC = Bidirectional Representation Compilation . 59. 核心
N ↔ A ↔ S . \boxed{
N
\leftrightarrow
A
\leftrightarrow
S.
} N ↔ A ↔ S . 60. 這不是簡單 translation
而是：
structure-preserving compilation . \boxed{
\text{structure-preserving compilation}.
} structure-preserving compilation . 61. Representation-Preserving Translation
本文提出：
RPT . \boxed{
\text{RPT}.
} RPT . 要求：
I ( X ) ≈ I ( Φ ( X ) ) \boxed{
I(
X
)
\approx
I(
\Phi(X)
)
} I ( X ) ≈ I ( Φ ( X )) 對關鍵 invariant 成立。
62. Translation 不是只看 output match
兩個 representation：
X , Y X,Y X , Y 可能 output 一樣，
但 internal structure 完全不同。
63. 所以需要 structural witness
Γ Φ . \boxed{
\Gamma_{\Phi}.
} Γ Φ . 64. Canonicalization Witness
本文提出：
Γ C . \boxed{
\Gamma_C.
} Γ C . 表示：
為什麼一組不同表示可以被合法視為同一 canonical structure。
65. 沒有 witness 的 canonicalization
可能只是：
forced discretization . \boxed{
\text{forced discretization}.
} forced discretization . 66. Forced Discretization
Neural state：
z z z 被硬切成：
s . s. s . 但實際：
uncertainty \boxed{
\text{uncertainty}
} uncertainty 與：
superposition \boxed{
\text{superposition}
} superposition 被丟失。
67. 所以 symbolic layer 不應吞掉 neural residual
這又回到 TCRS-05。
68. N→S 也要保存 residual
可寫：
N → ( S , R N ) . \boxed{
N
\rightarrow
(
S,
R_N
).
} N → ( S , R N ) . 69. R_N 是 neural residual
R N \boxed{
R_N
} R N 表示：
尚不能被 canonical symbolic structure 完整表示的部分。
70. 這很重要
否則：
canonicalization → false completeness . \boxed{
\text{canonicalization}
\rightarrow
\text{false completeness}.
} canonicalization → false completeness . 71. Symbolic 也有 residual
反向：
S → ( N , R S ) . \boxed{
S
\rightarrow
(
N,
R_S
).
} S → ( N , R S ) . 72. 某些 symbolic constraint
可能很難自然嵌入：
N . N. N . 73. 所以雙向都不一定 lossless
L N → S > 0 \boxed{
L_{N\rightarrow S}>0
} L N → S > 0 L S → N > 0. \boxed{
L_{S\rightarrow N}>0.
} L S → N > 0. 74. Algebraic layer 的價值
就是把 loss 顯性化。
75. Structural Conservation
本文提出：
Structural Conservation . \boxed{
\text{Structural Conservation}.
} Structural Conservation . 76. 定義
跨 representation 時，不要求：
X = Y , X=Y, X = Y , 而要求：
I ( X ) = I ( Y ) \boxed{
\mathcal I(X)
=
\mathcal I(Y)
} I ( X ) = I ( Y ) 對選定 invariant 成立。
77. 這比 literal identity 更實際
因為：
N , S , A N,S,A N , S , A 本來就不是同一表示。
78. Representation Coordinate System
本文將每個 regime 視為一種：
computational coordinate system . \boxed{
\text{computational coordinate system}.
} computational coordinate system . 79. Neural Coordinate
偏：
continuous / distributed . \boxed{
\text{continuous / distributed}.
} continuous / distributed . 80. Symbolic Coordinate
偏：
discrete / named / explicit . \boxed{
\text{discrete / named / explicit}.
} discrete / named / explicit . 81. Algebraic Coordinate
偏：
relation / transformation / equivalence . \boxed{
\text{relation / transformation / equivalence}.
} relation / transformation / equivalence . 82. 問題變成：
what survives coordinate change? \boxed{
\text{what survives coordinate change?}
} what survives coordinate change? 83. 這是比「誰比較高級」更好的問題
因為它直接指向：
I ∗ . \boxed{
\mathcal I^\ast.
} I ∗ . 84. Representation-Independent Invariant
本文提出：
I ∗ \boxed{
\mathcal I^\ast
} I ∗ 為：
在多個 representation regime 間仍可保持的核心 structure。
85. 這可能包括
causal relation；
equivalence；
order；
constraint；
symmetry；
transition structure。
86. 不是所有資訊都 invariant
重要。
87. 有些資訊只存在於某 regime
例如：
fine-grained geometry \boxed{
\text{fine-grained geometry}
} fine-grained geometry 可能是 neural-specific。
88. 有些則是 symbolic-specific
例如：
explicit identifier provenance . \boxed{
\text{explicit identifier provenance}.
} explicit identifier provenance . 89. 所以共同底空間不等於全資訊交集
而是：
shared invariant + regime-specific residual . \boxed{
\text{shared invariant}
+
\text{regime-specific residual}.
} shared invariant + regime-specific residual . 90. Regime-Relative Completeness
本文提出：
Regime-Relative Completeness . \boxed{
\text{Regime-Relative Completeness}.
} Regime-Relative Completeness . 91. Neural 可以在 perception domain 類完備
例如：
Q N ( D p ) ≈ 1. Q_N(D_p)\approx1. Q N ( D p ) ≈ 1. 92. Symbolic 可以在 formal verification 類完備
Q S ( D v ) ≈ 1. Q_S(D_v)\approx1. Q S ( D v ) ≈ 1. 93. Algebraic 可以在 structural equivalence 類完備
Q A ( D e ) ≈ 1. Q_A(D_e)\approx1. Q A ( D e ) ≈ 1. 94. 但：
Q N ( D p ) ≈ 1 ⇏ Q N ( Ω ) ≈ 1. \boxed{
Q_N(D_p)\approx1
\not\Rightarrow
Q_N(\Omega)\approx1.
} Q N ( D p ) ≈ 1 ⇒ Q N ( Ω ) ≈ 1. 95. 三派都可能犯「萬法皆我」
Symbolic：
所有 neural 最後都是 rules。
96. Neural：
所有 rules 最後都能被 network 學。
97. Algebraic：
所有系統最後都只是 algebraic structure。
98. 三句都可能部分正確
但：
representable ≠ exhausted . \boxed{
\text{representable}
\neq
\text{exhausted}.
} representable = exhausted . 99. Mutual Regime Absorption
本文提出：
MRA = Mutual Regime Absorption . \boxed{
\text{MRA}
=
\text{Mutual Regime Absorption}.
} MRA = Mutual Regime Absorption . 100. 三方各自都能說：
the others are special cases of me . \boxed{
\text{the others are special cases of me}.
} the others are special cases of me . 101. 這是 TCRS-05 的 AI 特例
即：
Mutual Theoretical Absorption . \boxed{
\text{Mutual Theoretical Absorption}.
} Mutual Theoretical Absorption . 102. 真正共同底空間要 de-privilege 三方
所以：
S ∗ \boxed{
S^\ast
} S ∗ 不能預設：
symbol primitive；
vector primitive；
algebraic primitive；
哪一個必然最底層。
103. Shared Structural Substrate
本文暫定義：
S ∗ = ( I , T , C , R ) . \boxed{
\mathcal S^\ast
=
(
I,
T,
C,
R
).
} S ∗ = ( I , T , C , R ) . 其中：
I I I T T T C C C R R R
104. Symbolic Projection
Π S ( S ∗ ) . \boxed{
\Pi_S(
\mathcal S^\ast
).
} Π S ( S ∗ ) . 105. Neural Projection
Π N ( S ∗ ) . \boxed{
\Pi_N(
\mathcal S^\ast
).
} Π N ( S ∗ ) . 106. Algebraic Projection
Π A ( S ∗ ) . \boxed{
\Pi_A(
\mathcal S^\ast
).
} Π A ( S ∗ ) . 107. 不要求三者完全可逆
而要求：
explicitly measured reversibility . \boxed{
\text{explicitly measured reversibility}.
} explicitly measured reversibility . 108. Representation Round-Trip
例如：
N → A → S → A → N ^ . \boxed{
N
\rightarrow
A
\rightarrow
S
\rightarrow
A
\rightarrow
\hat N.
} N → A → S → A → N ^ . 109. Round-Trip Error
E N A S A N = d ( N , N ^ ) . \boxed{
E_{NASAN}
=
d(
N,\hat N
).
} E N A S A N = d ( N , N ^ ) . 110. 同樣：
E S A N A S \boxed{
E_{SANAS}
} E S A N A S 可以測反向。
111. 這比單向 accuracy 更有意義
因為可以暴露：
translation loss . \boxed{
\text{translation loss}.
} translation loss . 112. Addressability Gap
本文提出：
G A = Addressability Gap . \boxed{
G_A
=
\text{Addressability Gap}.
} G A = Addressability Gap . 113. 定義
Neural representation 擁有能力，但無法穩定指向其內部可編輯、可驗證結構的程度。
114. Symbolic 的核心優勢
就是：
G A ↓ . \boxed{
G_A\downarrow.
} G A ↓ . 115. Geometry Gap
反過來 Symbolic 可能有：
G G = Geometry Gap . \boxed{
G_G
=
\text{Geometry Gap}.
} G G = Geometry Gap . 116. 即：
難以自然表達高維連續、模糊、分布式相似性。
117. Structural Gap
如果只有 N+S，
中間可能仍缺：
G N S . \boxed{
G_{NS}.
} G N S . 118. 也就是：
如何判定哪些 neural states 應該對應哪些 symbolic structures？
119. Algebraic layer 可提供
equivalence criteria . \boxed{
\text{equivalence criteria}.
} equivalence criteria . 120. 這就是中介價值
不是因為 algebra 比另外兩者「更真」。
121. 而是因為它擅長：
cross-representation structure . \boxed{
\text{cross-representation structure}.
} cross-representation structure . 122. Triple-Regime Architecture
本文提出：
A S N A \boxed{
\mathcal A_{SNA}
} A S N A 123. 其最小結構
N ↔ A ↔ S . \boxed{
N
\leftrightarrow
A
\leftrightarrow
S.
} N ↔ A ↔ S . 124. Neural Layer
負責：
perception；
learning；
approximation；
high-dimensional association。
125. Algebraic Layer
負責：
invariant extraction；
canonicalization；
compositional relation；
coordinate translation。
126. Symbolic Layer
負責：
naming；
addressability；
explicit rule；
audit；
local repair。
127. 這不是固定分工
不同 task：
Q Q Q 會有不同：
w ⃗ ∗ ( Q ) = ( w N , w A , w S ) . \boxed{
\vec w^\ast(Q)
=
(
w_N,w_A,w_S
).
} w ∗ ( Q ) = ( w N , w A , w S ) . 128. Dynamic Regime Routing
本文提出：
Dynamic Regime Routing . \boxed{
\text{Dynamic Regime Routing}.
} Dynamic Regime Routing . 129. Perception
可能：
w N ≫ w A , w S . w_N\gg w_A,w_S. w N ≫ w A , w S . 130. Formal Proof
可能：
w S , w A ≫ w N . w_S,w_A\gg w_N. w S , w A ≫ w N . 131. World-Model Update
可能：
w N ≈ w A ≈ w S . w_N\approx w_A\approx w_S. w N ≈ w A ≈ w S . 132. 所以未來架構更像 ecology
而不是：
single universal representation . \boxed{
\text{single universal representation}.
} single universal representation . 133. Representation Ecology
延續 TCRS-07：
E R = { N , A , S } \boxed{
\mathcal E_R
=
\{
N,A,S
\}
} E R = { N , A , S } 動態協作。
134. Representation Compiler
本文提出：
C R . \boxed{
\mathcal C_R.
} C R . 135. 它的任務不是只做 serialization
不是：
N → text → S . N
\rightarrow
\text{text}
\rightarrow
S. N → text → S . 136. 因為 text 是低成本 bridge
但常：
lossy . \boxed{
\text{lossy}.
} lossy . 137. 真正 compiler 應操作
structured state；
invariants；
typed relation；
confidence；
residual。
138. Neural-to-Structural Compiler
C N → A . \boxed{
\mathcal C_{N\rightarrow A}.
} C N → A . 139. Structural-to-Symbolic Compiler
C A → S . \boxed{
\mathcal C_{A\rightarrow S}.
} C A → S . 140. Symbolic-to-Structural Compiler
C S → A . \boxed{
\mathcal C_{S\rightarrow A}.
} C S → A . 141. Structural-to-Neural Compiler
C A → N . \boxed{
\mathcal C_{A\rightarrow N}.
} C A → N . 142. 每個 compiler 都應回傳
( output , fidelity , residual , uncertainty ) . \boxed{
(
\text{output},
\text{fidelity},
\text{residual},
\text{uncertainty}
).
} ( output , fidelity , residual , uncertainty ) . 143. 這是關鍵
translation 不應只回：
output . \boxed{
\text{output}.
} output . 144. Compiler Contract
本文提出：
input representation
output representation
preserved invariants
translation loss
unmapped residual
uncertainty
round-trip witness
145. 這可以避免 False Canonicalization
本文定義：
False Canonicalization . \boxed{
\text{False Canonicalization}.
} False Canonicalization . 146. 即：
把尚未證明等價的不同 neural states 強制映射成同一 symbolic identity。
147. 也能避免 False Neuralization
反方向：
把不同 symbolic constraint 編入 neural substrate 後，假設它們仍然完整可分。
148. Structural Layer 必須保存 distinction
否則：
compilation \boxed{
\text{compilation}
} compilation 只是：
information destruction . \boxed{
\text{information destruction}.
} information destruction . 149. Algebraic 不等於人類現成代數
這點非常重要。
本文說的：
A A A 不是：
必須全部用現成人類群論、環論、GF(2) 或某個特定代數語言。
150. 更一般：
A = structure-first representation regime . \boxed{
A
=
\text{structure-first representation regime}.
} A = structure-first representation regime . 151. 其核心問的是：
composition 怎麼定義？
equivalence 怎麼定義？
invariant 是什麼？
transformation 如何組合？
152. 所以未來 A 可能需要新數學
不一定直接是現在的：
human mathematical vocabulary . \boxed{
\text{human mathematical vocabulary}.
} human mathematical vocabulary . 153. 這也避免 Algebraic Theory Empire
否則會變成：
所有 AI 最終都是我們熟悉的代數。
154. 這又是萬法皆劍
所以：
Algebraic \boxed{
\text{Algebraic}
} Algebraic 也必須保留 boundary。
155. Structural Mathematics as Discovery
未來甚至可能：
N → A n e w \boxed{
N
\rightarrow
A_{\mathrm{new}}
} N → A new 由 neural system 自己發現新的 structural algebra。
156. 這會是一個很重要方向
因為：
A n e w A_{\mathrm{new}} A new 未必符合人類原有分類。
157. Machine-Discovered Algebra
本文提出：
Machine-Discovered Structural Algebra . \boxed{
\text{Machine-Discovered Structural Algebra}.
} Machine-Discovered Structural Algebra . 158. 它可以作為：
latent-to-canonical bridge . \boxed{
\text{latent-to-canonical bridge}.
} latent-to-canonical bridge . 159. 這時 AI 不只是學人類符號
而可能發現：
better intermediate structure . \boxed{
\text{better intermediate structure}.
} better intermediate structure . 160. 這比「LLM 接 knowledge graph」更深
因為 knowledge graph 已經預設 symbolic ontology。
161. 本文想問的是：
ontology 本身能不能從 neural 與 world interaction 中被重新編譯？
162. Ontology Compilation
本文提出：
Ontology Compilation . \boxed{
\text{Ontology Compilation}.
} Ontology Compilation . 163. 即：
N + W → A → S . \boxed{
N
+
W
\rightarrow
A
\rightarrow
S.
} N + W → A → S . 164. W 是 World Interaction
不是只靠 internal latent。
165. 因為沒有 world feedback
可能得到：
internally elegant but externally wrong structure . \boxed{
\text{internally elegant but externally wrong structure}.
} internally elegant but externally wrong structure . 166. 所以 World / Verifier 仍重要
這與 ADLM 接上。
167. Triple-Regime + World
更完整：
W ↔ N ↔ A ↔ S . \boxed{
W
\leftrightarrow
N
\leftrightarrow
A
\leftrightarrow
S.
} W ↔ N ↔ A ↔ S . 168. 甚至可形成 loop
S → A → N → W → N → A → S . \boxed{
S
\rightarrow
A
\rightarrow
N
\rightarrow
W
\rightarrow
N
\rightarrow
A
\rightarrow
S.
} S → A → N → W → N → A → S . 169. 這是一個 representation learning cycle
170. Symbolic 可以提出 hypothesis
S h . \boxed{
S_h.
} S h . 171. Algebraic 轉成 structural constraints
A h . \boxed{
A_h.
} A h . 172. Neural 實現／搜索
N h . \boxed{
N_h.
} N h . 173. World 測試
W ( N h ) . \boxed{
W(N_h).
} W ( N h ) . 174. 結果回編
W → N → A → S ′ . \boxed{
W
\rightarrow
N
\rightarrow
A
\rightarrow
S'.
} W → N → A → S ′ . 175. 這是 AI 科學循環
而不是單一 representation。
176. Representation Debt Revisited
TCRS-07 提出：
R r e p r . \boxed{
R_{\mathrm{repr}}.
} R repr . 177. Triple-Regime Architecture 的目標之一
不是完全消除 neural implicitness。
178. 而是：
selectively externalize high-value structure . \boxed{
\text{selectively externalize high-value structure}.
} selectively externalize high-value structure . 179. Selective Canonicalization
本文提出：
Selective Canonicalization . \boxed{
\text{Selective Canonicalization}.
} Selective Canonicalization . 180. 不是所有 latent state 都要 symbolify
否則：
C c a n o n i c a l → ∞ . C_{\mathrm{canonical}}\rightarrow\infty. C canonical → ∞. 181. 應只對：
high reuse；
high risk；
high causal centrality；
high verification value；
的 structure canonicalize。
182. Canonicalization Priority
定義：
P C ( x ) = F ( reuse , risk , causal centrality , verification value ) . \boxed{
P_C(x)
=
F(
\text{reuse},
\text{risk},
\text{causal centrality},
\text{verification value}
).
} P C ( x ) = F ( reuse , risk , causal centrality , verification value ) . 183. 這讓 Symbolic 不會吞掉 Neural
也避免回到 GOFAI 的顯式建構天價成本。
184. 這是一個重要平衡
implicit where cheap + explicit where valuable . \boxed{
\text{implicit where cheap}
+
\text{explicit where valuable}.
} implicit where cheap + explicit where valuable . 185. Structural layer 負責判斷哪裡值得顯式化
這可能是：
A A A 最重要角色之一。
186. Adaptive Explicitness
本文提出：
Adaptive Explicitness . \boxed{
\text{Adaptive Explicitness}.
} Adaptive Explicitness . 187. 即：
explicitness 不是 binary，而是依 task 動態分配。
188. 某些 knowledge
可以留：
N . \boxed{
N.
} N . 189. 某些 structure
升到：
A . \boxed{
A.
} A . 190. 某些 high-value knowledge
進：
S . \boxed{
S.
} S . 191. Representation Promotion
本文提出：
N → A → S \boxed{
N
\rightarrow
A
\rightarrow
S
} N → A → S 作為 promotion path。
192. Representation Demotion
也可以：
S → A → N . \boxed{
S
\rightarrow
A
\rightarrow
N.
} S → A → N . 193. 為什麼要 demote？
因為某些 symbolic structure：
可能更適合回到 learned regime。
194. 所以 representation regime 是動態的
不是知識一旦 symbolized 就永遠 symbolized。
195. Dynamic Representation State
每個 knowledge object：
k i k_i k i 可以有：
r i ( t ) ∈ { N , A , S } . \boxed{
r_i(t)\in\{N,A,S\}.
} r i ( t ) ∈ { N , A , S } . 196. 甚至是混合態
r i ( t ) = ( w N , w A , w S ) . \boxed{
r_i(t)
=
(w_N,w_A,w_S).
} r i ( t ) = ( w N , w A , w S ) . 197. 這與 TCRS-07 的 Representation Ecology 完全接軌
198. 理論完備性再看一次
Symbolic 看起來能：
enumerate and verify \boxed{
\text{enumerate and verify}
} enumerate and verify 所以有類完備感。
199. Neural 看起來能：
approximate arbitrary patterns \boxed{
\text{approximate arbitrary patterns}
} approximate arbitrary patterns 所以也有類完備感。
200. Algebraic 看起來能：
reduce systems to structural relations \boxed{
\text{reduce systems to structural relations}
} reduce systems to structural relations 所以也有類完備感。
201. 但三者的「完備」不是同一種
本文提出：
Completeness Type . \boxed{
\text{Completeness Type}.
} Completeness Type . 202. Symbolic Completeness
偏：
explicit derivational completeness . \boxed{
\text{explicit derivational completeness}.
} explicit derivational completeness . 203. Neural Completeness
偏：
approximation / representation coverage . \boxed{
\text{approximation / representation coverage}.
} approximation / representation coverage . 204. Algebraic Completeness
偏：
structural closure under transformations . \boxed{
\text{structural closure under transformations}.
} structural closure under transformations . 205. 不同 completeness 不能互相偷換
C S ≠ C N ≠ C A . \boxed{
C_S
\neq
C_N
\neq
C_A.
} C S = C N = C A . 206. 這也是學派歧視的來源之一
每派都用自己的 completeness metric 看別人。
207. Symbolic 會覺得 Neural 不完備
因為：
無法明確 trace。
208. Neural 會覺得 Symbolic 不完備
因為：
無法涵蓋 open-ended messy world。
209. Algebraic 可能覺得兩者都太 representation-bound
因為：
沒有抽出 invariant。
210. 三方都可能是對的
只是在不同 metric。
211. Completeness-Metric Mismatch
本文提出：
CMM = Completeness-Metric Mismatch . \boxed{
\text{CMM}
=
\text{Completeness-Metric Mismatch}.
} CMM = Completeness-Metric Mismatch . 212. 當不同 paradigm 用不同 completeness definition
卻假裝在比較同一個：
complete AI , \boxed{
\text{complete AI},
} complete AI , 就產生假衝突。
213. Neutral Completeness Space
未來比較應建立：
C ⃗ = ( C d e r i v , C a p p r o x , C s t r u c t , C w o r l d ) . \boxed{
\vec C
=
(
C_{\mathrm{deriv}},
C_{\mathrm{approx}},
C_{\mathrm{struct}},
C_{\mathrm{world}}
).
} C = ( C deriv , C approx , C struct , C world ) . 214. World Completeness
還要加入：
C w o r l d \boxed{
C_{\mathrm{world}}
} C world 也就是：
系統和實際世界的匹配。
215. 因為內部完備不等於外部正確
Internal Completeness ≠ World Adequacy . \boxed{
\text{Internal Completeness}
\neq
\text{World Adequacy}.
} Internal Completeness = World Adequacy . 216. Triple-Regime Evaluation
因此未來 architecture 應測：
learning coverage；
structural conservation；
symbolic addressability；
world adequacy；
repair cost；
verification cost。
217. 這比 benchmark accuracy 高解析很多
218. TCRS-08 的核心 Green Model
不是：
S wins \boxed{
S\text{ wins}
} S wins 也不是：
N wins . N\text{ wins}. N wins . 219. 更不是：
A wins . A\text{ wins}. A wins . 220. 而是：
regime selection becomes task- and bottleneck-dependent . \boxed{
\text{regime selection becomes task- and bottleneck-dependent}.
} regime selection becomes task- and bottleneck-dependent . 221. Future AI Architecture
可能更接近：
A ∗ = R ( Q , B , W , R ⃗ P ) \boxed{
\mathcal A^\ast
=
\mathcal R(
Q,
B,
W,
\vec R_P
)
} A ∗ = R ( Q , B , W , R P ) 動態選擇 representation regime。
222. Q 是 task
Q . Q. Q . 223. B 是 bottleneck
B . B. B . 224. W 是 world constraints
W . W. W . 225. Debt vector
R ⃗ P . \vec R_P. R P . 226. Router 決定
( w N , w A , w S ) . \boxed{
(w_N,w_A,w_S).
} ( w N , w A , w S ) . 227. 這就是 Representation Router
本文提出：
R r e p . \boxed{
\mathcal R_{\mathrm{rep}}.
} R rep . 228. Representation Router 的學習目標
不是：
永遠偏某一派。
而是：
min ( cost + error + debt ) \boxed{
\min
(
\text{cost}
+
\text{error}
+
\text{debt}
)
} min ( cost + error + debt ) 在保持 capability 下。
229. 形式：
w ⃗ ∗ = arg min w ⃗ [ C ( w ⃗ ) + E ( w ⃗ ) + R ( w ⃗ ) ] . \boxed{
\vec w^\ast
=
\arg\min_{\vec w}
\left[
C(\vec w)
+
E(\vec w)
+
R(\vec w)
\right].
} w ∗ = arg w min [ C ( w ) + E ( w ) + R ( w ) ] . 230. 這就完全離開「學派戰爭」
問題變成 engineering / epistemic optimization。
231. 與 TCRS-07 的 Bottleneck-Neutral Comparison 接軌
不是問：
Neural 怎麼解？
而是：
哪種 representation 組合最適合這個問題？ \boxed{
\text{哪種 representation 組合最適合這個問題？}
} 哪種 representation 組合最適合這個問題？ 232. 本文第一原則：Representation-Regime Principle
Symbolic, neural, and algebraic systems should first be treated as representation regimes, not exclusive ontologies of intelligence . \boxed{
\text{Symbolic, neural, and algebraic systems should first be treated as representation regimes, not exclusive ontologies of intelligence}.
} Symbolic, neural, and algebraic systems should first be treated as representation regimes, not exclusive ontologies of intelligence . 233. 第二原則：Identity–Geometry–Invariant Principle
Identity, geometry, and invariant structure are distinct computational assets that need not reside in one representation . \boxed{
\text{Identity, geometry, and invariant structure are distinct computational assets that need not reside in one representation}.
} Identity, geometry, and invariant structure are distinct computational assets that need not reside in one representation . 234. 第三原則：Structural-Mediation Principle
A structural layer may mediate neural–symbolic translation more faithfully than direct serialization . \boxed{
\text{A structural layer may mediate neural–symbolic translation more faithfully than direct serialization}.
} A structural layer may mediate neural–symbolic translation more faithfully than direct serialization . 235. 第四原則：Bidirectional Compilation Principle
N ↔ A ↔ S \boxed{
N
\leftrightarrow
A
\leftrightarrow
S
} N ↔ A ↔ S 應支援雙向而非單向投影。
236. 第五原則：Residual Preservation Principle
No representation conversion should claim completeness without tracking residual information . \boxed{
\text{No representation conversion should claim completeness without tracking residual information}.
} No representation conversion should claim completeness without tracking residual information . 237. 第六原則：Structural Conservation Principle
Cross-regime translation should preserve selected invariants rather than literal representation identity . \boxed{
\text{Cross-regime translation should preserve selected invariants rather than literal representation identity}.
} Cross-regime translation should preserve selected invariants rather than literal representation identity . 238. 第七原則：Adaptive Explicitness Principle
Not all learned structure should be made explicit; explicitness should be allocated where its value exceeds its cost . \boxed{
\text{Not all learned structure should be made explicit; explicitness should be allocated where its value exceeds its cost}.
} Not all learned structure should be made explicit; explicitness should be allocated where its value exceeds its cost . 239. 第八原則：Completeness-Type Principle
Different representation regimes possess different kinds of completeness and must not be compared using one regime’s metric alone . \boxed{
\text{Different representation regimes possess different kinds of completeness and must not be compared using one regime's metric alone}.
} Different representation regimes possess different kinds of completeness and must not be compared using one regime’s metric alone . 240. 第九原則：World-Adequacy Principle
Internal structural elegance across representations does not replace external world validation . \boxed{
\text{Internal structural elegance across representations does not replace external world validation}.
} Internal structural elegance across representations does not replace external world validation . 241. 第十原則：Representation-Ecology Principle
Future AI may be better modeled as a dynamic ecology of representation regimes than as a single universal representation . \boxed{
\text{Future AI may be better modeled as a dynamic ecology of representation regimes than as a single universal representation}.
} Future AI may be better modeled as a dynamic ecology of representation regimes than as a single universal representation . 242. 本文不主張事項
本文不主張：
Symbolic、Neural、Algebraic 是完整且互斥的 AI 分類；
Algebraic layer 一定是 neuro-symbolic 唯一缺失層；
所有 neural state 都能被 canonicalize；
所有 symbolic structure 都能無損編入 neural substrate；
現有代數語言足以描述未來 AI；
Neural 應被 Symbolic 取代；
Symbolic 應被 Algebraic 取代；
Triple-Regime Architecture 一定優於 pure neural；
representation-independent invariant 一定存在於所有任務；
AI 最終必須使用人類可讀 symbolic language。
本文只主張：
the competition between symbolic, neural, and algebraic approaches may be better reframed as a problem of cross-regime structure preservation, compilation, and task-dependent routing . \boxed{
\text{the competition between symbolic, neural, and algebraic approaches may be better reframed as a problem of cross-regime structure preservation, compilation, and task-dependent routing}.
} the competition between symbolic, neural, and algebraic approaches may be better reframed as a problem of cross-regime structure preservation, compilation, and task-dependent routing . 243. 與 TCRS-09 的接口
下一篇將完成主系列 closure：
《從學派到共同底空間：多解析度理論比較與跨範式編譯的統一方法》
它會把：
一劍萬法／萬法一劍；
多層理論域；
理解解析度；
對話假對齊；
Shared-Substrate Occlusion；
Theory Empire；
Bottleneck Migration；
Symbolic–Neural–Algebraic；
統一成一個跨學科方法論。
244. 結論
Symbolic、Neural 與 Algebraic 之間真正的差異，很大一部分可能不是：
哪一個才是真正智能。 \boxed{
\text{哪一個才是真正智能。}
} 哪一個才是真正智能。 而是：
它們選擇了不同的 computational coordinates。 \boxed{
\text{它們選擇了不同的 computational coordinates。}
} 它們選擇了不同的 computational coordinates 。 Symbolic 重視：
Identity + Addressability + Explicit Rule . \boxed{
\text{Identity}
+
\text{Addressability}
+
\text{Explicit Rule}.
} Identity + Addressability + Explicit Rule . Neural 重視：
Distributed Geometry + Adaptation + Approximation . \boxed{
\text{Distributed Geometry}
+
\text{Adaptation}
+
\text{Approximation}.
} Distributed Geometry + Adaptation + Approximation . Algebraic / Structural 重視：
Invariant + Composition + Transformation + Equivalence . \boxed{
\text{Invariant}
+
\text{Composition}
+
\text{Transformation}
+
\text{Equivalence}.
} Invariant + Composition + Transformation + Equivalence . 因此真正困難的問題不是：
哪一派應該消滅另外兩派？
而是：
同一結構在不同表示制度間轉換時，哪些東西應該被保留？ \boxed{
\text{同一結構在不同表示制度間轉換時，哪些東西應該被保留？}
} 同一結構在不同表示制度間轉換時，哪些東西應該被保留？ 如果只有：
N → S , N\rightarrow S, N → S , 很容易把 neural geometry 與 uncertainty 強行壓成 symbolic object。
如果只有：
S → N , S\rightarrow N, S → N , 又可能把 explicit identity 與 constraint 編進一個難以回收的 distributed state。
所以本文提出：
N ↔ A ↔ S . \boxed{
N
\leftrightarrow
A
\leftrightarrow
S.
} N ↔ A ↔ S . 讓：
A A A 不是第三個學派王座，
而是：
structure-preserving mediation layer . \boxed{
\text{structure-preserving mediation layer}.
} structure-preserving mediation layer . 它負責問：
什麼是同一個 structure？
哪些 transformation 可以組合？
哪些 representation 應視為等價？
哪些 invariant 在 coordinate change 後仍然存在？
哪些 residual 不能被任何一方吸收？
真正好的未來 AI 不必把所有東西都 symbolify。
也不必把所有東西永遠留在 latent space。
它可以：
implicit where cheap + structural where compositional + explicit where valuable . \boxed{
\text{implicit where cheap}
+
\text{structural where compositional}
+
\text{explicit where valuable}.
} implicit where cheap + structural where compositional + explicit where valuable . 也就是：
Adaptive Explicitness . \boxed{
\text{Adaptive Explicitness}.
} Adaptive Explicitness . 這樣一來，Symbolic、Neural、Algebraic 不再是三個互斥世界。
它們更像：
同一計算結構的三種座標系。 \boxed{
\text{同一計算結構的三種座標系。}
} 同一計算結構的三種座標系。 而真正值得研究的，便從：
Which school wins? \boxed{
\text{Which school wins?}
} Which school wins? 變成：
What survives when we change representation? \boxed{
\text{What survives when we change representation?}
} What survives when we change representation? 這就是 TCRS-08 的核心。
版本紀錄
v0.1.0 — 2026-10-06
建立 TCRS 系列 Paper 08；
將 Symbolic / Neural / Algebraic 重新定義為三種 representation regimes；
建立 Symbolic 的 Identity / Addressability / Explicit Rule / Verification 優勢；
建立 Neural 的 Distributed Representation / Adaptation / Approximation / High-Dimensional Association 優勢；
建立 Algebraic / Structural 的 Invariant / Composition / Transformation / Equivalence 優勢；
提出 Identity–Geometry–Invariant Triangle；
正式提出 Structural Mediation Hypothesis；
建立 Neural → Algebraic → Symbolic 與反向路徑；
正式提出 Bidirectional Representation Compilation；
提出 Representation-Preserving Translation；
建立 Canonicalization Witness 與 False Canonicalization；
提出 Structural Conservation；
將 representation 視為 computational coordinate systems；
建立 Representation-Independent Invariant；
提出 Regime-Relative Completeness；
建立 Mutual Regime Absorption；
定義 Shared Structural Substrate；
提出 Representation Round-Trip 與 Round-Trip Error；
建立 Addressability Gap、Geometry Gap 與 Structural Gap；
正式提出 Triple-Regime Architecture；
提出 Dynamic Regime Routing；
建立 Representation Compiler Contract；
將 Algebraic 抽象為 structure-first regime，而非限定現成人類代數；
提出 Machine-Discovered Structural Algebra；
建立 Ontology Compilation；
將 Triple-Regime 與 World / Verifier 接軌；
提出 Selective Canonicalization、Adaptive Explicitness、Representation Promotion / Demotion；
建立 Completeness-Type 與 Completeness-Metric Mismatch；
提出 Representation Router；
建立十項核心原則；
為 TCRS-09 統一 closure 建立最後理論前置。