title

群星多主節點持續擴散計算論：多主工作流、相位耦合、資訊協議與可驗證異質執行的形式總綱

english_title

Stellar Multi-Primary Persistent Diffusive Computing: A Formal Research Charter for Multi-Primary Workflows, Phase Coupling, Information Protocols, and Verifiable Heterogeneous Execution

series

SMPDC — Stellar Multi-Primary Persistent Diffusive Computing

paper

00 / 11

version

0.1

status

Full Research Manuscript — Formal Charter and Conditional Propositions; Empirical Validation Pending

date

2026-10-16

language

zh-TW

primary_concept_originator

Neo.K

research_collaboration

Aletheia / GPT-6

institution

EveMissLab / 一言諾科技有限公司

canonical_source

UTF-8 Markdown; inline math $...$ ; display math $$...$$

SMPDC Paper 00｜群星多主節點持續擴散計算論

——多主工作流、相位耦合、資訊協議與可驗證異質執行的形式總綱

英文： Stellar Multi-Primary Persistent Diffusive Computing: A Formal Research Charter for Multi-Primary Workflows, Phase Coupling, Information Protocols, and Verifiable Heterogeneous Execution
簡稱： SMPDC（暫定正式系列識別）
主構想提出： Neo.K
研究協作： Aletheia / GPT-6
機構： EveMissLab / 一言諾科技有限公司
日期： 2026-10-16
版本： v0.1
論文地位： 第一系列 Paper 00；完整的研究總綱及形式化起點，不是完成硬體實驗、已證明加速或經同行評審的論文。

作者： Neo.K

摘要

傳統通用運算系統以作業系統執行緒、處理器核心、加速器任務與記憶體階層共同完成計算。成熟技術已經涵蓋資料流驅動、工作竊取、異質排程、非同步執行、複製容錯、圖式 GPU 工作提交與類神經事件計算。因而，僅將多個 CPU 核心視為分散節點、使用 GPU 並行運算，或把計算網路描繪成生物神經系統，均不足以單獨構成新計算理論。

本文提出「群星多主節點持續擴散計算論」（Stellar Multi-Primary Persistent Diffusive Computing, SMPDC）作為一項明確可反駁的中觀—宏觀計算研究綱領。其出發點是：在既有硬體上，將各可參與實體 CPU 核心視為能承載本地主要工作流的候選節點；工作流的邏輯身分與狀態可持續存在，核心之間依具型別的相位關係進行耦合和有界擴散；資訊允許以具有明確意義的單路、精確副本、異源交叉驗證或編碼冗餘方式傳輸；局部主節點執行驗證、合併、去重與提交；GPU 僅在工作量和資料移動成本允許時，承接適合的大批次並行關係運算。確定性作業系統／Runtime 為基本控制層，而 AI 僅為可選擇、可替換、受安全契約限制的調度建議者。

本文提出九元中觀狀態、工作流的多主性契約、相位及傳播約束、具型別冗餘模型、計算進度與正式提交的分離原則、抽象指令集合和可量測的硬體投影關係；並給出兩項有前提的安全性命題，分別關於有界傳播與單一權威提交域的重複提交抑制。本文同時明確排除三種常見誤解：其一，中宏觀的群星／圓形網絡並不要求微觀電路同構；其二，GPU 的高吞吐量不代表其能取代 CPU 核心之間的實體互連；其三，冗餘的資訊路徑不必然同時降低延遲與提高正確率。最終研究問題是：在完整計入同步、快取、記憶體、資料搬移、驗證、回滾、能源和排程開銷後，此種持續性多主擴散協議是否能對特定 AI 訓練或推論工作負載產生可重現的淨效益？

關鍵詞： 多主計算、持續性工作流、擴散計算、相位耦合、異質 CPU、GPU、資料流、冗餘資訊協議、確定性提交、編譯器中介表示、AI 運算、可證偽效能研究。

1. 問題緣起：從硬體價格觀察到執行模型問題

1.1 價格現象只是啟發，不是理論證據

本研究的直接發想來自對 AI 時代記憶體需求、CPU／GPU 價格及硬體資源角色的觀察。然而，市場價格不能推導出任何特定計算架構在效能上必然優越，也無法證明現有計算分工是錯誤的。記憶體市場的供需變化、產能配置、封裝技術與計算架構效率屬於不同分析層次。本論文不從價格波動建立性能定理。

真正的問題是：現有 CPU 單核在分支處理、低延遲控制及序列依賴上依然有重要優勢，而 GPU 在規律、大量可並行的數值計算中具有吞吐優勢。當 AI 工作負載含有動態依賴、稀疏專家路由、非同步事件、多種表示和不同提交強度時，兩者是否存在比「CPU 發起任務、GPU 加速大型 kernel」更細緻、且可編譯與測量的協作方式？

1.2 從既有群星模型向計算協議收斂

EveMissLab 既有《群星模型》已將相異功能單元描繪成可動態連結、資源強度不一的節點。《群星架構在計算機系統中的應用與改良計畫》也曾提出 CPU 核心獨立運作、點對點動態協作、模組化硬體及分散式記憶體。這些早期構想是新系列的歷史來源，而不是本次應重複宣稱的原創要件 [I1–I2]。

本系列的增量任務是：把該直觀架構收束到一套可描述、可執行、可觀測、可編譯、可反證的持續性多主工作流模型。這不是取代原有全域計算理論，而是選擇具體執行尺度，設計新協議和語言語義。

1.3 新研究的三個層次

宏觀層： 多個主工作流的協作、生命週期、策略、權威與對外輸出。
中觀層： 相位呼叫、訊息擴散、動態連結、冗餘聚合、CPU／GPU 分工、快取及傳輸成本。
微觀層： 指令解碼、ALU、快取一致性控制器、NoC、實體導線、DRAM 電路和半導體封裝。

SMPDC 第一系列主要提出宏觀和中觀的計算語義；微觀層目前僅處理可行性條件及映射限制。中觀的節點關係可以畫作星系、環形或擴散圖，但不意味實際晶片須採用星系狀實體排列。

2. 研究對象、排除範圍與核心命題

2.1 核心命題

命題性研究主張 P0（待實驗檢驗）： 對至少某些具有持續狀態、動態依賴與可部分平行化的工作負載，若允許多個 CPU 實體核心各自承載主要工作流，並以有界相位擴散、具型別資訊冗餘及分層提交協議組織 CPU／GPU 協作，則可能在相同正確性約束下，降低端到端完成成本、改善尾端延遲，或提高單位能源的有效完成工作量。

此命題刻意採用「某些工作負載」「可能」「相同正確性約束」，不宣稱對所有 AI 訓練、全部程式或任意核心數都有效。

2.2 不變的十條研究邊界

1. 多主性不等於沒有控制層。 每個核心可承載自己的主要工作流，但控制、資源授權與全域提交仍可有明確權威。
2. 邏輯節點不等於實體核心。 首輪可採綁核近似，一旦涉及作業系統遷移、SMT 或虛擬化便須明確拆開。
3. 持續性不等於永遠耗電。 邏輯工作流可持續，實體執行可休眠、暫停或轉移。
4. 相位不等於時鐘角。 相位可以是工作準備度、依賴就緒、因果世代、同步窗口或狀態躍遷；不得任意把所有狀態都叫相位。
5. 擴散必須有界。 適用於 TTL、credit、佇列長度、容量、延遲和權限約束。
6. 冗餘必須有型別。 精確副本、異源校驗及編碼重建不能混用安全性宣稱。
7. 執行完成不等於提交。 暫態計算、驗證通過與具權威的狀態變更須分離。
8. GPU 不是物理 CPU 互連替身。 GPU 可協助大量關係計算，但資料實際仍走 CPU 快取、記憶體或 PCIe／其他互連。
9. AI 不是必要元件。 無模型時 Runtime 仍須可運行、可控制、可測量和必要時重播。
10. 成本不可隱去。 核心親和性、記憶體競爭、微小 kernel 啟動、冗餘流量及資料驗證均計入成本。

2.3 明確不研究的事

本系列第一階段不設計生物級神經元電路、不主張取消傳統二元邏輯、不構想零延遲通信、不聲稱消除記憶體需求，也不預先將理論直接等同新型 CPU 晶片。必要時可延伸 FPGA、HDL、NoC 模擬與專用 ISA，但皆屬後續研究分支。

3. 與既有學術、工業技術及 EveMissLab 理論的關係

3.1 為何不是單純的資料流計算改名

早期 MIT tagged-token dataflow 已將資料到位觸發操作作為機制，並有實際編譯器研究 [E1]。因此，「某個節點依依賴就緒才執行」「以訊息交換推動計算」不是 SMPDC 的單獨新穎性。SMPDC 要研究的是：在保留現有 CPU 執行特徵下，對每個承載本地主工作流的 CPU 節點建立持續生命週期，將相位耦合、冗餘協議、提交條件和 GPU 批次協作組合為可驗證語義。這是一項需要實驗與形式化共同檢查的增量主張。

3.2 與成熟 Runtime 的交叉面

StarPU 已經提供跨 CPU/GPU 的非同步 task、資料一致性與複製、動態依賴及異質排程，並具有分散式排程策略 [E2]。Legion 已有資料區域、權限與依賴分析、延遲執行及資料局部性控制 [E3]。這意味著 SMPDC 不能僅把動態 task graph 與資料移動包裝成新名稱，而必須以新型協議和編譯語義的可量測收益作為貢獻。

NVIDIA CUDA Graphs 可將重複執行的 GPU 工作依賴預先定義，降低重複 kernel launch 的 CPU 端負擔 [E4]。因此本系列的 GPU 基線必須包含 CUDA Graphs 或性能相當的成熟實作，而非只有逐次呼叫 kernel 的低效版本。

Microsoft Orleans 的 virtual actor 已處理長期邏輯身分、狀態及分散放置 [E5]。Intel Loihi 2 已探索非同步、事件驅動、稀疏且類神經的專用硬體 [E6]。「像大腦」因而適合作為形態提示，而非新穎性證明。

Google 的 The Tail at Scale 已討論以冗餘工作緩解尾延遲 [E7]。因此「同樣資訊走兩條路，先到先用」也不是獨創。SMPDC 須區分競速、副本一致性、異源比對與正式提交的不同契約。

3.3 內部前置理論分工

系列定位結論： GCCFT/GCCWT/GCCF/GCM 提供較高層的表示、資源和協調基礎；SMPDC 優先探索單機到近硬體尺度的運作細節與其語言化。允許跨理論耦合，不預設上下位本體強制吸收。

4. 研究問題與可反駁假說

4.1 六個主要研究問題

RQ1｜工作流自主性： 是否能讓多個 CPU 實體核心各自承載本地主工作流，而無須將所有任務決策集中為一個串行入口，且仍保持可重播性及資源控制？

RQ2｜相位耦合： 相較固定順序、一般事件喚醒與 task graph，就緒條件結合動態耦合是否能減少無用等待與重複配置？

RQ3｜冗餘資訊： 在何種負載、訊息大小與錯誤模型下，兩路或多路資訊對尾延遲、故障檢出及正確性有淨收益？

RQ4｜GPU 協作： 對何種圖關係、聚合或大批次操作，GPU 計算所省時間能高於 launch、搬移、同步和驗證成本？

RQ5｜可編譯性： 持續擴散、相位、冗餘與提交能否定義為具有可檢查效果的語言原語，而不必先修改 CPU 實體 ISA？

RQ6｜AI 適用域： 哪些 AI 模型、工作流程或分散式訓練階段能受益，哪些則會因同步、密集矩陣成本或梯度陳舊而變差？

4.2 對應的候選假說

• H1（保留狀態收益）： 對反覆被喚醒且具有可重用狀態的工作流，持續性可在某些任務分布下降低建立／銷毀和反覆初始化成本。
• H2（相位收益）： 在具有動態因果關係的工作負載中，相位條件與動態擴散比無差別廣播更有效。
• H3（冗餘收益）： 有條件競速的副本可降低部分長尾等待；獨立錯誤來源的交叉驗證可增加錯誤可檢出性，但各自增加成本。
• H4（異質收益）： 當 GPU 工作量超過由測量確定的門檻時，聚合與關係計算可獲得淨收益；極小批次可有負收益。
• H5（語義收益）： 若語言能描述工作流生命週期、訊息權威與驗證責任，則可提早拒絕部分非法依賴與無界擴散配置。
• H6（限定 AI 收益）： 稀疏圖、非同步多階段系統和部分 MoE／Agent 工作負載可能比密集 GEMM 更適合本架構。

上述全部是待測假說，而非本文已證明的性能定理。

5. 中觀形式模型：九元 SMPDC 系統

5.1 邏輯工作流與物理承載分離

令 $\mathbb{P}$ 表示可用的 CPU 實體核心集合， $\mathbb{G}$ 表示可用 GPU 或其他加速器集合， $V_t$ 為時間 $t$ 的邏輯工作流節點集合。

定義核心承載映射：

其中 $\bot$ 表示工作流當下沒有綁定某顆 CPU（休眠、等待或尚未配置）。這個映射在首輪原型可選擇綁定，但不宣稱一對一是不可改變的物理原理。GPU 透過另外的執行請求或資料操作介接，而不是被硬塞為一顆 CPU 物理核心。

令單一節點的邏輯狀態為：

這裡 $f_i$ 是工作流身分， $\sigma_i$ 是局部狀態， $\nu_i$ 是版本／世代， $\delta_i$ 是待滿足依賴， $\omega_i$ 是權限與作用域。可有多個節點同時具有不同的「主要工作流」身分；沒有任何一個單一節點因其位置靠近圖中央而自然擁有全部寫入權限。

5.2 九元狀態定義

定義 SMPDC 在時刻 $t$ 的中觀狀態：

各分量為：

1. $V_t$：持續性邏輯主工作流及其可參與節點集合。
2. $E_t$：工作流間可生效的有向／高階依賴與擴散連結。
3. $X_t$：各主節點的局部狀態、版本及依賴。
4. $\Phi_t$：相位資訊，包含準備度、事件世代、因果關係及同步窗口。
5. $\rho_t$：邏輯工作流對實體 CPU 核心的可變承載映射。
6. $\mathcal{M}_t$：待送達、已送達、被保留或待驗證的訊息集合及傳遞狀態。
7. $\mathcal{Q}_t$：驗證、冗餘型別、訊息完整性、合併及提交契約。
8. $\mathcal{R}_t$：核心能力、快取、頻寬、能耗、溫度、佇列、deadline 與操作權限等資源約束。
9. $\mathcal{L}_t$：事件紀錄、候選執行及正式提交的可觀測證據。

設計注意： 這是中觀表述，不包含硬體全部微觀暫存器、管線或電路狀態；當實驗對某物理量敏感時，應透過映射或量測補充，不應假裝九元模型已直接模擬晶片。

5.3 多主工作流的最小定義

定義工作流 $i$ 是「局部主要工作流」，至少須同時滿足：

• 自身身分： 有穩定 $flow\_id$，而不是其他工作流一次函式呼叫的臨時副本。
• 自身進度： 可追蹤局部計算進度、待處理依賴及完成條件。
• 自身控制責任： 能在授權範圍內決定或請求下一次局部執行與資訊傳播。
• 自身狀態責任： 具有局部版本、訊息去重或結果校驗方式。
• 共同規則： 遵循全域資源安全、相位和提交契約。

因此「主」描述的是局部工作流責任，並非所有主節點擁有完全相同的優先級、性能或寫入權限。Intel P-core/E-core 可在特定配置中同時承載本地主工作流；AMD 多 CCD 的核心也可在其記憶體階層差異下參與。這兩種硬體異質性不能視為相同。

5.4 邊及圖不代表物理線路

$E_t$ 為允許通信、依賴或協作的邏輯關係。其成立不保證訊息零複製、無快取失效或物理直達。若多個來源共同影響一個操作，未來可升級為有向超圖，但 Paper 00 不以超圖形式本身作為貢獻。

6. 持續性工作流的執行生命週期

6.1 「持續」的嚴格含義

一個持續性工作流的邏輯身分與必要狀態可以跨多個事件、排程時段或 CPU 承載位置保存：

只要沒有明確結束或新建工作流，即使期間在休眠、移動或從保存的快照重啟，也可維持同一邏輯身分。此等式不等於同一顆實體核心一直佔用電力與算力。

6.2 建議的生命週期

基本狀態為：

Created → Dormant → Ready → Active → Diffusing → Reconciling → Verified → Committed

輔助狀態為：

Blocked, Quiescent, Paused, Migrating, Cancelled, Failed, RolledBack, Closed。

這不是一條所有工作流都必須一次走完的線性鏈，而是一個帶回邊和局部循環的狀態機。具體規則至少包含：

• Ready → Active：依賴滿足且資源授權有效。
• Active → Diffusing：具有合法受眾、相位許可及傳播預算。
• Diffusing → Reconciling：已有可驗證結果、期限達到或收斂條件成立。
• Reconciling → Verified：局部校驗通過，仍不表示可修改全域權威狀態。
• Verified → Committed：符合指定提交域的原子性與權限契約。
• Active → Paused：資源不足、優先權變化或熱限制。
• Paused → Ready：恢復資源及依賴後可再調度。

6.3 主節點可以協作，不等於任務只有一個主節點

同一任務可以有多個主工作流：例如 CPU 核心 A 控制稀疏資料解碼，核心 B 維持專家路由候選，核心 C 進行可信結果聚合，核心 D 保有驗證與重試狀態。它們對自己的工作流都是「主要」，但對某個具體的權威結果，仍需指定 commit owner 或可靠協議。

這樣可以避免把多主性誤解為「任何節點都能在任意時刻直接覆寫同一筆權威狀態」。

7. 相位呼叫：事件、依賴與耦合激活

7.1 工作流相位的型別

沿用 PCMT 對不同相位本體的區分，本系列先採四類執行相位：

• Readiness phase： 本地資料與依賴是否達到執行條件。
• Dependency phase： 上游事件與輸入版本之間的偏序關係。
• Coupling phase： 工作流之間何時建立、激活或撤銷協作邊。
• Commit phase： 何種驗證與權威條件完成後可以公開結果。

這些相位可由離散事件、相對狀態或窗口表示，不預設正弦週期、時鐘鎖相或物理相干性。

7.2 相位就緒條件

對工作流節點 $i$ 及事件世代 $e$，定義：

其中 ValidInputs 不是所有消息到達，而是已符合該工作流指定的最低有效輸入條件。某些任務可在部分輸入到達後先做可撤銷運算，但必須保留後續正式提交所需的驗證。

7.3 相位耦合激活

令兩節點間的候選耦合規則為：

$K_{ij}$ 可返回禁止、待命、已允許及執行中等具型別狀態，而非只能返回浮點權重。它也不是單靠「距離近」就啟動；距離在中觀圖中可代表資料搬移成本、依賴深度、時間延遲或許可，而非一定是幾何長度。

重要限制： 若 $K_{ij}$ 的計算成本高於原本簡單的事件通知，動態耦合反而可能使系統變慢。因此後續須與一般 dependency scheduler 及工作竊取策略比較。

8. 持續擴散：受限、可取消且可追蹤的資料流傳播

8.1 擴散的最小語義

在 SMPDC 中，「擴散」不是無差別廣播，而是依相位、依賴、權限及資源限制決定下一批接收節點的可執行資訊傳播操作。

對訊息 $m$ 、來源 $i$ 及時刻 $t$，允許目的地集合：

其中 $N_t(i)$ 為當時可用且被授權的鄰接集合。另有每次傳播的扇出限制：

$b_i(t)$ 由瞬時傳輸預算、佇列負載、資料大小、deadline、故障策略及安全權限決定。動態調控可提高或降低它，不能因為是 AI 建議就忽略實際頻寬和容量。

8.2 擴散風暴的必要抑制

若任一訊息都允許遞迴生成多條新訊息，資訊量可能在很少層內迅速增加。本系列不允許把幾何級訊息膨脹描述成「免費並行」。最小限制包括：

1. 每個事件世代具有有限傳播 credit 或預算。
2. 每條訊息具有穩定身分、最大跳數或有效期限。
3. 已處理的同世代重複訊息不再無條件重新擴散。
4. 每條邊具有容量與背壓訊號。
5. 系統必須能取消、暫停、降級或丟棄非權威的推測性傳播。
6. 優先級不能造成可提交工作流永久飢餓。

反例 R-A： 若四個節點形成環、每次收到訊息都向其餘三個節點送一份，且沒有 credit、TTL 或去重，系統可能不斷重傳；這不是吞吐量提高，而是擴散失控。

8.3 初步的傳播上界命題

命題 1（有條件的有限發送）： 設單一事件世代初始可用發送 credit 總額為有限非負整數 $B_0$。若每個新發送事件消耗一個不可在該世代重新創造的 credit，且重試也必須消耗 credit，則該世代新增的發送事件不超過 $B_0$。

證明概要： 每個發送事件都使剩餘 credit 減少一，剩餘值不低於零且不能外生補充，因此最多只能有 $B_0$ 個發送事件。該命題只能保證指定信用制度下的發送數量有界，不保證每條消息都送達、每個任務都終止、每個工作流都沒有死鎖或能避免操作系統故障。

命題地位： 由本文明示的受限模型直接推得的條件命題，不是已測試的系統性質；需要在 Paper 02 的狀態機與故障模型下進一步形式驗證。

9. 冗餘資訊流與主節點聚合協議

9.1 為何冗餘可能是效能策略，而不只是容錯策略

傳統容錯利用冗餘對抗失效或錯誤；在有長尾延遲的情境，冗餘也可能作為競速策略。設同一個可驗證結果有兩條候選路徑 A、B，其完成時間為 $T_A$ 、 $T_B$，若允許先驗證先採納，觀察時間可能接近：

但此估計未計入副本啟動、共用資源干擾、取消成本及副本間相關性，故不可單憑 $\min$ 就斷言效能提升。兩條路徑互相搶佔記憶體頻寬時， $T_A$ 與 $T_B$ 都可能比單路更慢。

9.2 三種冗餘型別必須分離

「高確定性格式」可減少某些檢查需求，但必須先說明確定性是指編碼可重現、校驗完整性、演算法決定性、資料來源可信，還是結果可證明。這些屬性不能混為一談。

9.3 最小封套結構

每條可傳遞資訊至少應具備：

MessageEnvelope {
  msg_id                // stable identity
  flow_id               // logical workflow identity
  epoch                 // execution generation
  source_node           // asserted origin
  destination_scope     // authorized receiver set
  phase_type            // typed phase, not arbitrary angle
  dependency_ids        // causal prerequisites
  state_version         // input/working snapshot version
  payload_kind          // value / delta / reference / proof / instruction
  payload_ref           // data or externally resolved content pointer
  redundancy_mode       // single / duplicate / corroborate / coded
  correlation_group     // shared-source or common-mode-error indicator
  integrity_tag         // hash, MAC, signature, parity etc., by policy
  verification_contract // what constitutes valid evidence
  deadline              // optional expiration
  propagation_budget    // remaining scope/credits
  trace_id              // replay and audit correlation
}

這是協議結構的候選清單，不是已決定序列化格式。真實格式應另訂欄位型別、長度、版本相容、權限解析、拒絕未知欄位及 canonicalization 規則。

9.4 去重不是判斷正確性的同義詞

建議將以下步驟分開：

Receive → IntegrityCheck → EpochCheck → AuthorizationCheck → Deduplicate → Compare/Reconcile → Verify → CommitCandidate

• 去重鍵可包含 (flow_id, epoch, operation_id, semantic_version)，但語義去重有時不能只依 bytes 相同。
• 完整性校驗只能辨識某些傳輸錯誤，不保證上游計算原本正確。
• 同一來源的兩份複製結果屬於高度相關證據，不能當作兩個獨立正確性證人。
• 有衝突時要有明確的仲裁、延後提交、重新計算或報錯策略。
• 非交換性副作用不能像集合聯集那樣任意合併；需要明確排序或權威控制。

10. 計算進度、驗證進度與權威提交的分層

10.1 三種互不等價的進度

定義三種工作量觀測量：

分別表示已執行候選、已通過要求的驗證，以及已經獲指定權威域接受的結果。對具有投機性分支的工作流程，一般不能從 $P_{exec}$ 直接推定最終有效成果；不同單位工作量的加權方式須保持一致，否則三者不能直接數值比較。

10.2 推測運算可先行，但不能偷渡提交

對某些工作負載，主節點可在第一批局部輸入通過低階驗證後，先展開可撤銷計算。第二批副本或跨節點證據抵達後，再決定是接受、修正或回滾。只要推測性分支不能在提交之前產生不可逆外部副作用，這種分離有機會減少關鍵路徑等待。

但是，一旦涉及金流、檔案覆寫、網路指令、外部設備控制或模型權重正式更新，就必須有額外的不可逆副作用管理。不能只靠「之後會去重」保證安全。

10.3 最低提交不變量

對某一提交域中的唯一鍵 $k$，本系列的候選安全要求是：

命題 2（單一權威域的有條件重複提交抑制）： 若一個具權威的提交域對每個提交鍵 $k$ 執行具線性化保證的原子狀態轉移，並在必要的故障模型下保存足夠持久的去重紀錄，則多路訊息無論重送或亂序，對該提交域的同一鍵最多成功提交一次。

證明概要： 對同一鍵的線性化提交操作可排列出唯一的第一個成功者；之後同鍵操作因既有提交狀態而被拒絕。若只在易失記憶體去重、崩潰後紀錄消失，或先執行不可逆外部副作用才更新去重狀態，則結論不能延伸至整個系統。

範圍限定： 此處的「最多一次提交」不是聲稱網路只會投遞一次，也不是聲稱跨多個獨立權威域天然存在 exactly-once end-to-end semantics。後者需額外的交易、補償及故障處理。

11. CPU–GPU 異質協作：流速加速與物理互連的界線

11.1 對 GPU 的精確角色界定

原構想提到以 GPU 的大量並行處理加速節點之間的某些連結運算。這應被界定為：GPU 可在資料已可抵達 GPU 記憶體，且相關操作足以平行化的情況下，處理耦合權重、大量候選路徑、稀疏／批次聚合、矩陣或圖關係運算。

它不代表 GPU 可以越過 CPU 快取一致性與實體記憶體層級，直接為任兩顆 CPU 核心建立新的物理線路。實際 CPU 核心通訊仍受共享快取、記憶體、片上網路、封裝、PCIe／其他接口及操作系統調度影響。

11.2 加速收益須扣掉完整開銷

若某關係運算由 CPU 執行，其端到端實測耗時為 $T_{CPU}$ ；使用 GPU 協作版本後的端到端耗時為 $T_{hybrid}$。最基本的收益定義是：

只有當 $\Delta T>0$ 且符合品質與資源約束，才能稱當次工作負載的端到端時間有淨改善。 $T_{hybrid}$ 必須包含 GPU kernel 提交、host/device 搬移、佇列、必要同步、資料重排、驗證及 CPU 端等待；若某些開銷與計算重疊，不能將重疊項重複加總或雙重扣減。

對能耗亦需以實測總能量比較，而非僅比較瞬時 GPU 功耗或 CPU 使用率。

11.3 CPU 核心執行結構的差異

Intel 類 P/E 核： 核心能力異質性較顯著；可直接觀測同一主工作流語義在不同核心容量及延遲的差異。
AMD 多 CCD／快取差異： 核心指令架構可同質，但跨 CCD 與 L3 快取拓撲不均一；適合比較資料局部性與跨域聚合成本。
SMT／超執行緒： 邏輯執行緒共享一顆實體核心的部分資源，不能把兩個邏輯執行緒當成兩顆完整獨立實體核心。
既有舊款 CPU： 即便沒有 P/E 核，也能先測工作流和資訊協議的純軟體語義。

11.4 GPU 負面對照同樣重要

對低頻、單筆、極短或嚴重分支發散的工作流，GPU 加速可能輸給 CPU 直接處理。這種結果應被視為適用域證據，而非必須事後修正定義去掩飾的失敗。

12. 從抽象擴散指令到新程式語言

12.1 一級語義不等於立即新增機器碼

第一階段應在語言或編譯器中介表示（IR）上賦予工作流持續性、相位、擴散、冗餘、驗證及提交可檢查的一級語義，再決定如何降低至既有 CPU/GPU 指令。只有在證實既有系統呼叫、佇列與編譯策略不足後，才有必要研究硬體 opcode。

12.2 候選抽象指令（v0.1）

表中名稱只是原語草案；其合法組合、效果型別、競爭條件、可交換性及 compiler lowering 由 Paper 05–06 系統建立。

12.3 例示的非正式語言草稿

以下是語義示意，不是已實作或可編譯的正式程式語言：

flow Router(primary=true, persistent=true) {
  phase ready when input.epoch == local.epoch;
  diffuse input.delta to peers where permitted
    budget 4 ttl 2 mode single;
  receive evidence mode corroborate;
  reconcile evidence by version_and_source;
  verify result with quality_contract;
  commit result to authority("route-state") if verified;
}

語言後續必須能靜態或動態指出：primary 的授權範圍、budget 消耗語義、合法的冗餘來源、何謂 quality_contract，以及 commit 是否具有具體的原子性實作。不能只創造漂亮的 DSL 而跳過執行語義。

12.4 最低編譯管線

Source Language → AST → Typed Diffusive IR → Dependency/Phase Analysis → Protocol Lowering → Runtime/OS Adapter → CPU/GPU Executor → Verification/Commit

編譯器若無法證明某個優化保留必要因果依賴，則必須保持原有依賴或要求額外檢查。對於外部 I/O、隨機性、時間依賴及不可逆副作用，更不能任意重排。

13. OS 基礎層、可選 AI 控制層與安全權限

13.1 AI-free 核心必須首先成立

SMPDC 的最低可運行版本必須不依賴 AI。其 Runtime 需要：核心及資源能力偵測、CPU 親和性、工作流生命週期、相位就緒、邊的合法啟用、傳播預算、背壓、冗餘協議、驗證、提交、事件追蹤和失敗處理。

有 AI 時，AI 可以提出：哪個節點優先啟動、哪些關係計算應 GPU 批次處理、何時增加冗餘、何時縮小擴散半徑、是否變更核心親和性。提案仍需經由規則控制器及權限引擎批准。

13.2 控制權限分離

13.3 因果與重演

只要存在真實並行，執行時序便可能因 OS 中斷、快取、GPU 異步完成及裝置競爭而不同。因此「可重播」應明確區分：

• 決定性模型重播： 相同初始狀態與事件序列可產生相同模型結果。
• 觀測式 trace 重播： 記下時序與輸入，事後盡量重建原因。
• 位元完全相同輸出： 對浮點 GPU、非決定性排程或外部事件，這需要額外限制，不能默認成立。

第一輪以決定性模型重播與完整 trace 為基礎；更強的位元級重現須按工作負載另立條件。

14. 生物神經網絡的類比：有效處與不能偷渡處

14.1 為何這個比喻並非空洞

SMPDC 與生物神經系統在部分中宏觀組織原理上有相似性：分散式處理、局部狀態、動態連結、事件傳播、可變活動程度、冗餘和聚合。這可用來啟發節點間協作方式。

14.2 不代表神經元級同構

生物神經元的脈衝、突觸可塑性、化學傳遞與能量代謝，並非 CPU 指令、GPU kernel、DRAM 訪問及 PCIe 的直接同義詞。Loihi 2 將某些類神經事件機制內建至專用晶片；SMPDC 則可先以通用 CPU/GPU 的中觀 Runtime 實作。因此二者可能在高層拓撲相似，但成本結構、時間尺度、可靠性需求與底層物理機制均可能不同 [E6]。

最合適的描述是腦啟發的分散式計算組織假說，而非「複製生物腦運算方式」。

15. AI 訓練、推論與其他適用域的分類

「最大用處可能在 AI」目前是有研究動機的方向判斷；尚不能推導 SMPDC 對任何特定訓練模型都具有最高效益。尤其模型品質、收斂速度及可比較的訓練成本，均須與純硬體吞吐量分開測量。

16. 可測成本模型與公平比較原則

16.1 衡量的是有效結果而非忙碌程度

CPU 使用率高、核心始終處於 Active、傳播事件多或 GPU busy，都不保證有效完成工作量提高。建議核心指標：

其中分子需針對任務定義可比較的權重或標準化單位。若比較 AI 訓練，需同步報告等品質達成所需時間、算力、記憶體及能耗；不能只以每秒產生多少中間節點論勝負。

16.2 延遲與負載條件

至少記錄：

• 完整端到端 wall time，包括初始化及冷／暖啟動區別。
• P50、P95、P99 延遲，以及 deadline miss rate。
• 正式提交吞吐量與未提交工作量的比例。
• 每核有效執行時間、排程等待、工作流遷移次數。
• Cache miss、共享快取競爭、false sharing、cache-line bouncing。
• 訊息發送量、重送率、冗餘係數、有效訊息／總訊息。
• Host-to-device 和 device-to-host 搬移時間及 bytes。
• GPU kernel launch、batching、queue time、實際計算時間。
• 記憶體／顯存峰值，能量、熱限制、風扇及降頻。
• 驗證成本、衝突率、回滾率、最終輸出正確性。

16.3 不得隱去的三個條件

同品質： 模型輸出品質不同時，不能只比較更快的一方而宣稱計算優越。
同成本： 比較應揭露 CPU/GPU 裝置、功率預算及記憶體容量的差異。
同系統環境： 固定 BIOS、OS、驅動與編譯器版本，並用多次重複及隨機化順序減少測量偏差。

16.4 性能優勢的最低研究標準

除平均值外，應提供散布與可信區間或合理的統計檢定；在多數 workload 無差異但少數有改善時，應將結論限定到該工作負載族。若只提高吞吐量而損失尾延遲或能耗，應在多目標 Pareto 關係中呈現，而非單一勝負標籤。

17. 第一階段實驗與可證偽對照

17.1 平台策略：先使用現有硬體

第一輪不需要昂貴工作站或數十萬元的 CPU。現有舊款 AMD CPU、RTX 3070 與 32 GB RAM 可作為 V0–V2 軟體與 GPU 協作測試平台。CPU 具體型號、核心數及 BIOS 應在正式實驗前量測確認；不能聲稱目前設備擁有 Intel P/E 混合核心。

設備事實邊界： 目前沒有 MINISFORUM N5 Pro AI NAS；新 CPU 與新電腦仍是可能的採購，不是已擁有或已測試設備。

17.2 五段驗證路線

V0｜純軟體決定性模擬。 用相同輸入與相同預算比較固定 DAG、動態 DAG、相位耦合、單路與冗餘路徑；注入重送、丟失、亂序、暫停與資料損壞。目的先驗證協議安全和傳播上界，不宣稱物理效能。

V1｜CPU 多主工作流。 使用核心綁定及事件紀錄比較常規 threads、work stealing、常駐主工作流和 SMPDC；記錄訊息大小、核心數、批次與 locality 效果。

V2｜CPU–GPU 協作。 僅將足夠大且適合 GPU 的關係運算批次 offload；比較 CPU-only、naïve CUDA、CUDA Streams、CUDA Graphs 與 SMPDC。將 PCIe／記憶體搬移列入，不能排除失敗案例。

V3｜AI 工作負載。 測試稀疏圖、路由和持續推論／Agent；其後才擴張到具品質與收斂基準的訓練實驗。

V4｜更深入的硬體研究。 僅當 V0–V3 指出明確硬體瓶頸且軟體優化不足時，才研究 P/E 實機比較、跨 CCD 研究、模擬器、FPGA、NoC 或專用 ISA。

17.3 預先指定的比較組

以上基線不能全部套用於所有工作負載。例如 StarPU 的 GPU codelet 與某個單純低延遲串行小任務不一定有公平對應，須按 workload 說明可比較性。

17.4 必須主動尋找的反例

• 冗餘路徑共享同一瓶頸而沒有尾延遲收益。
• 動態擴散在頻繁小訊息上造成更多 lock contention。
• 持續工作流引起快取污染，反而不如短任務工作竊取。
• 跨 CCD／核心反覆搬移造成局部性劣化。
• GPU 工作量太小，啟動及傳輸開銷超過計算收益。
• 異源冗餘雙方同時犯相同邏輯錯誤。
• 推測計算回滾率太高，消耗額外能源。
• AI scheduler 提案成本高、波動大或不可重播。
• 過度放寬一致性提升吞吐，但 AI 輸出品質或訓練穩定性下降。

若這些情境出現，就必須明列適用域及負面結果。新系列存在的正當性是可被反駁和改進，而不是語義上總能自圓其說。

18. 第一系列 Paper 00–11 的精確依賴

依賴規則： 01–02 釐清節點與擴散，03–04 完成資訊安全邊界，05–06 才能安全地形成語言和 IR，07–08 才能以具體 Runtime 測試，09–10 建立微觀及 AI 適用域；11 統整實證而不是預設結論。各篇可以逐次撰寫，但編號不代表實作必須嚴格串行。

19. 發表品質閘門與主張成熟度

19.1 區分四種主張成熟度

• L0｜概念提案： 有清楚研究問題及技術假設。
• L1｜形式化契約： 有型別、轉移系統、不變量、明示前提和可檢查反例。
• L2｜軟體原型及測試： 實作通過單元測試、故障注入、模型重播及微基準。
• L3｜實機 A/B： 可重現地與成熟基線比較端到端效能、可靠性與能源。
• L4｜硬體級驗證： 具有可重現的晶片模擬、FPGA 或實際硬體實作，才能對微觀架構主張提出更強證據。

Paper 00 在部分命題上可達 L1 的局部定義程度，整體 SMPDC 仍主要處於 L0–L1。不得將兩個條件命題誇大為整體架構已被數學或實驗證明。

19.2 完成／提交版原始碼規則

• Canonical 原稿以 UTF-8 Markdown 儲存；聊天顯示不作為原始稿。
• 數學原始碼只允許 $...$ 與 $$...$$，不做反斜線美化、不轉 Unicode 公式再回存、不做 unicode_escape 往返。
• 引用其他文件時保留來源識別及鏈結，不杜撰實機測試與實驗數據。
• 任何實驗完成宣告均必須包含硬體、軟體、輸入、commit、結果表、失敗資料及可重現腳本。
• 當新的實驗否定某假說，應修訂該假說，而非改寫「擴散」定義來躲避反證。

20. 結論

SMPDC 的研究價值，不在於重新命名一般多核心、分散式 task graph、GPU parallelism、冗餘副本或腦啟發網絡，而在於將下列五項條件放入同一套近硬體尺度、持續運行、可檢查及可測量的計算契約：

1. 多顆可參與 CPU 實體核心可以各自承載具局部自主責任的主要工作流。
2. 工作流以具型別的相位條件和資源約束啟動有界資訊擴散。
3. 多路資訊的冗餘意義、合併、驗證和去重被明確規範。
4. 計算進度、局部驗證和權威提交被嚴格分開。
5. GPU 作為可選的大批次並行協作者，而非被假定為無成本核心互連。

其完整工程目標是：讓上述運作成為新抽象指令與新程式語言可直接表達的語義，再以 OS Runtime、CPU／GPU 實機及 AI 工作負載反證或支持它。未來若實驗顯示它只適用於少數稀疏、事件型或持續性工作負載，而對密集 AI 訓練沒有優勢，則這應成為研究正式結論，而不是失敗被掩蓋的理由。

本篇最終命題： SMPDC 是一個具明確範圍、已有學術前例、具可實現軟體路徑及尚待實證的獨立研究計畫；其原創性須以指令／協議語義、形式化結果和公平實測增量建立，不能只由星系形象或「像生物腦」推出。

附錄 A｜最小事件追蹤案例（構想；非實測）

考慮四個持續性邏輯工作流：

• $F_A$：接收與解析輸入，維持自己的版本和時間窗。
• $F_B$：根據輸入維持候選關係圖。
• $F_C$：提出 GPU 批次關係計算候選並回收結果。
• $F_D$：驗證與權威提交，仍保有自己的局部進度和狀態。

一組合法的假想 trace 如下：

E00: FLOW_OPEN(F_A, F_B, F_C, F_D)
E01: F_A receives input, version=17, epoch=4
E02: F_A PHASE_SIGNAL(readiness, epoch=4)
E03: F_A DIFFUSE(delta, target=F_B, credit=1)
E04: F_B validates input and updates local relation state
E05: F_B sends relation-batch candidate to F_C
E06: F_C chooses GPU_BATCH only when measured work threshold holds
E07: F_C receives result candidate and marks it speculative
E08: F_D receives versioned evidence (R2 if independent sources exist)
E09: F_D RECONCILE -> VERIFY -> COMMIT if all contracts hold
E10: all flows preserve identity; idle flows may enter QUIESCE

在 E07 已有計算結果但尚未有權威提交；若 E08 發現輸入版本不同，則必須拒絕、重算、延後或回滾，不能默默接受舊值。若 GPU 不適合，此案例可以直接讓 $F_C$ 採 CPU 路徑，不應破壞結果合約。此附錄只是事件模型，不是速度證據。

附錄 B｜術語規範

附錄 C｜對後續 Paper 01 的可交付需求

Paper 01 必須在本篇九元模型基礎上獨立解決：實體核心識別、P/E/SMT 與多 CCD 差異、工作流與核心映射的合法性、局部主要責任、主工作流持續性、OS 搬移、喚醒／休眠、局部記憶體所有權、核心撤離和權限模型。至少提供一份可用狀態機描述的 PrimaryFlowNode Contract v0.1；沒有這份契約，後續 Paper 02 的相位擴散無法避免「主節點」概念被任意改寫。

參考來源

內部先前研究（雲端原稿，2026-10-16 重新對照）

• [I1] Neo.K，〈群星架構在計算機系統中的應用與改良計畫〉，EveMissLab 早期計算機設計稿。
• [I2] Neo.K，〈群星模型：基於宇宙星系概念的 AI 模型設計方法論〉。
• [I3] Neo.K × GPT，〈相位計算機理論 v0.1：相位本體、馮諾依曼模擬、非馮諾依曼原生與元機理選擇〉，2026-07-25。無界智庫公開版。
• [I4] EveMissLab，〈GCCFT｜全域耦合計算場論：Paper 00–08 索引〉。
• [I5] EveMissLab，〈GCCFT Paper 06｜從 Scheduler 到 Coupled Computation Planner〉。
• [I6] EveMissLab，〈GCCFT Paper 07｜神經模型、多模態耦合與 Agent 計算場〉。
• [I7] EveMissLab，〈GCCFT Paper 08｜可證偽驗證〉。
• [I8] EveMissLab，〈GCCWT Paper 04｜計算場與資源激發〉。無界智庫公開版。
• [I9] EveMissLab，〈GCCWT Paper 06｜AI 原生全域調度〉。
• [I10] EveMissLab，〈GCCF Paper 05｜因果流計算與預記載〉。
• [I11] EveMissLab，〈GCM Phase C — AI-assisted Compute Orchestrator Engineering Blueprint〉。

公開研究與工程文獻（本篇引用；檢查日期：2026-10-16）

• [E1] Traub, K. R. (1986), A Compiler for the MIT Tagged-token Dataflow Architecture, MIT Laboratory for Computer Science Report TR-370. https://dspace.mit.edu/entities/publication/9f05089e-8d85-4861-a734-2cdf7e959248
• [E2] Inria StarPU Team, StarPU Features. https://starpu.gitlabpages.inria.fr/features.html
• [E3] Legion Programming System, Overview. https://legion.stanford.edu/overview/index.html
• [E4] NVIDIA, CUDA Programming Guide: CUDA Graphs. https://docs.nvidia.com/cuda/cuda-programming-guide/04-special-topics/cuda-graphs.html
• [E5] Microsoft Research, Orleans — Virtual Actors, and Orleans technical documentation. https://www.microsoft.com/en-us/research/project/orleans-virtual-actors/ ; https://learn.microsoft.com/en-us/dotnet/orleans/grains/grain-placement
• [E6] Intel Labs, Neuromorphic Computing Research / Loihi 2. https://www.intel.com/content/www/us/en/research/neuromorphic-computing.html
• [E7] Dean, J., and Barroso, L. A. (2013), The Tail at Scale, Communications of the ACM 56, 74–80. https://research.google/pubs/the-tail-at-scale/
• [E8] NVIDIA, NCCL Developer Reference / Overview. https://developer.nvidia.com/nccl ; https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/overview.html

原創性、引文與證據聲明

本文引用的公開來源是概念與成熟技術對照，並非聲稱這些來源證實 SMPDC 的效能或獨創性。內部雲端資料是先前研究線索，不是已經得到同行評審的證據。文中所有性能優勢均明示為假說，唯有指定明確前提的局部安全性命題採形式推理；兩類論述不能互換。