# 機器並行本體與人類線性投影 ## AI 原生格式的人機雙層閱讀原則 v0.1 **英文題名：Machine-Parallel Ontology and Human-Linear Projection: A Dual-Layer Reading Principle for AI-Native Formats** --- ## 摘要 當資料格式由傳統線性文件進一步發展為矩陣、多維、依賴圖、時間軸與並行結構時，最容易出現的誤解，是將「機器可以保存與處理的完整結構」直接等同於「人類應當直接閱讀的介面」。然而，人類雖具有一定程度的平行感知能力，其顯性注意、工作記憶、語言表達與可報告推理，通常仍需透過局部、順序化與任務導向的方式進行。若將完整機器原生結構直接暴露給人類，不僅可能增加認知負荷，也可能造成錯誤理解、路徑遺漏、控制權喪失與黑箱化。 本文提出「機器並行本體—人類線性投影」的雙層閱讀原則：底層格式應保存完整的矩陣、區域、依賴、方向、版本、不確定性與可並行性；人類介面則根據任務、角色、權限與注意力限制，生成可追蹤、可回溯、可驗證的局部線性投影。線性閱讀因此不再被視為知識本體本身，而被重新定義為多維結構在特定情境下的注意力投影。 本文進一步建立機器層、人類層與治理層的三層架構，提出注意力投影函數、路徑保真、衝突保留、可逆展開、來源可追蹤、認知負荷控制與人類最終否決權等原則，並設計多種人類閱讀模式，包括導覽模式、路徑模式、區域模式、衝突模式、比較模式與全局模式。本文主張，AI 原生格式若要成為真正可用的人機共同知識基礎設施，就不能只追求機器效率，而必須同時提供人類可理解、可質疑、可修正與可治理的投影機制。 **關鍵詞：** AI 原生格式、矩陣帳本、人機介面、注意力投影、並行計算、多維資料、人類認知、可解釋性、知識治理 --- # 一、問題提出 ## 1.1 多維格式不等於多維介面 當資料被保存為多維矩陣、圖結構、區域網路或並行依賴系統時，一個直覺性的錯誤是： > 既然機器能同時處理多個方向，人類也應直接觀看完整多維結構。 這個推論並不成立。 機器可以在不同層次上同時維持： - 多個資料區域； - 多條依賴鏈； - 多個版本狀態； - 不同方向的讀取路徑； - 大量局部信心值； - 互相衝突的候選假設； - 多個平行計算分支。 人類卻通常無法在同一時間，清楚地顯性維持所有上述元素。即使視覺系統能同時接收大面積資訊，進入工作記憶與語言化推理的內容仍具有強烈選擇性。 因此，必須區分： \[ \text{完整機器結構} \neq \text{完整人類顯示} \] 更精確地說： \[ \boxed{ \text{資料可以是多維的，但人類介面必須是注意力適配的。} } \] --- ## 1.2 線性閱讀不是落後，而是一種投影 傳統文件多採取： \[ x_1 \rightarrow x_2 \rightarrow x_3 \rightarrow \cdots \rightarrow x_n \] 這種順序形式長期被批評為無法承載複雜網路結構，但線性閱讀本身並非錯誤。真正的問題在於： > 線性路徑被誤認為資料本體，而不是一種閱讀投影。 若底層完整保存多維關係，則線性展示可以被重新理解為： \[ L = \Phi_{h}(M,G,R,S,H \mid q,u,t) \] 其中： - \(M\)：內容矩陣； - \(G\)：依賴圖； - \(R\)：語義角色； - \(S\)：格式與區域； - \(H\)：歷史與來源； - \(q\)：目前任務； - \(u\)：使用者角色； - \(t\)：當前時間與狀態； - \(\Phi_h\)：人類注意力投影函數； - \(L\)：人類實際閱讀的線性或局部結構。 因此，線性閱讀不必被廢除，而應被降格為完整結構的一個可逆視圖。 --- # 二、人類認知的實際限制 ## 2.1 平行感知與序列化顯性思考 人類並非完全線性處理資訊。視覺、聽覺、空間定位、模式辨識與情緒反應，都包含大量平行處理。然而，人類能夠主動描述、比較、操作與回報的內容，通常需要經過選擇、聚焦與序列化。 因此可以將人類認知粗略分為： \[ \text{平行感知層} \rightarrow \text{注意選擇層} \rightarrow \text{工作記憶層} \rightarrow \text{序列化表達層} \] 這表示人類可以「看見很多」，卻不代表能「同時理解很多」。 例如，一名使用者可能在儀表板上同時看到： - 十二個趨勢圖； - 六個警告； - 三個互相衝突的預測； - 四組跨表依賴； - 五種不同信心值。 但若要求其立即說明所有元素之間的因果與優先順序，認知負荷通常會迅速升高。 --- ## 2.2 碎片注意與局部閉合 大多數人的注意力不是持續覆蓋整個問題空間，而是在不同局部之間跳轉。這種跳轉並不必然是缺陷，它可能是人類處理複雜問題的基本方式。 人類常透過以下方式建立理解： 1. 先抓住一個局部； 2. 建立暫時解釋； 3. 將局部與另一區域連接； 4. 修正原有模型； 5. 重複直到形成較大的整體。 因此，人類理解更接近： \[ K_{t+1}=K_t \oplus \Delta K_t \] 而不是一次獲得完整全局： \[ K=\text{CompleteGraph} \] AI 原生格式的人類介面若忽視這點，就會將「資訊完整」錯誤地等同於「理解完整」。 --- ## 2.3 未受訓練者與專業使用者的差異 多維結構並非絕對無法被人類理解。數學家、工程師、棋手、音樂家、系統架構師與軍事指揮者，經常能維持比一般使用者更複雜的結構模型。 但這種能力通常來自： - 長期訓練； - 專業符號系統； - 模式壓縮； - 分塊記憶； - 領域先驗； - 外部工具協助。 因此，格式不應假設所有使用者具有相同認知能力。人類投影層應根據角色與能力提供不同視圖。 --- # 三、雙層閱讀原則 ## 3.1 機器本體層 機器本體層保存所有可用結構，包括： - 原始內容； - 格位位置； - 區域邊界； - 格式角色； - 依賴圖； - 方向與路徑； - 時間狀態； - 來源歷史； - 不確定性； - 並行與同步條件。 可形式化為： \[ \mathcal{M} = (M,R,S,G,P,H,C) \] 其中 \(C\) 表示計算基底與一致性契約。 機器本體層的基本要求是： \[ \boxed{ \text{不因人類介面簡化而永久丟失結構。} } \] --- ## 3.2 人類投影層 人類投影層不是資料副本，而是根據任務生成的注意力介面。 \[ V_h = \Phi_h(\mathcal{M},q,u,p) \] 其中： - \(q\)：任務； - \(u\)：使用者； - \(p\)：投影政策； - \(V_h\)：人類視圖。 例如，同一份知識結構可能生成： - 給一般讀者的摘要； - 給工程師的依賴路徑； - 給審核者的衝突清單； - 給研究者的全局矩陣； - 給管理者的風險與決策視圖。 人類投影層必須允許使用者逐步展開，而不是被迫一次接受全部結構。 --- ## 3.3 治理層 雙層結構仍不足以保證安全，還需要治理層決定： - 哪些資訊可以被隱藏； - 哪些衝突必須顯示； - 哪些自動摘要需要標示來源； - 哪些操作必須經過人類確認； - 哪些投影不得刪除異議； - 哪些資料受權限限制； - 哪些模型可以生成投影。 治理層可表示為： \[ \Gamma: (\mathcal{M},u,q) \mapsto \{ \text{visible}, \text{hidden}, \text{review}, \text{forbidden} \} \] 因此完整架構為： \[ \boxed{ \text{機器本體層} \rightarrow \text{人類投影層} \rightarrow \text{治理層} } \] --- # 四、注意力投影的七項原則 ## 4.1 路徑保真原則 人類視圖可以簡化，但不得捏造不存在的因果或依賴。 若原始結構中： \[ A \rightarrow B \rightarrow C \] 投影不得直接表示： \[ A \rightarrow C \] 除非明確標示這是摘要路徑，且可回溯中介節點 \(B\)。 --- ## 4.2 衝突保留原則 當底層存在互相衝突的候選時，投影不能只顯示最方便的一個答案。 應保留： - 主要候選； - 競爭候選； - 信心差距； - 衝突來源； - 尚未解決的條件。 即： \[ \text{簡化} \neq \text{消除異議} \] --- ## 4.3 可逆展開原則 任何摘要、折疊與路徑化顯示，都應允許回到更完整的結構。 \[ V_0 \rightarrow V_1 \rightarrow V_2 \rightarrow \mathcal{M} \] 其中： - \(V_0\)：摘要； - \(V_1\)：局部路徑； - \(V_2\)：區域或依賴圖； - \(\mathcal{M}\)：完整底層結構。 若投影不可逆，便容易成為新的黑箱。 --- ## 4.4 來源可追蹤原則 投影中的每個重要結論，應能追蹤至： - 原始格位； - 原始文件； - 公式或依賴； - AI 模型； - 修改版本； - 驗證者。 因此每個投影節點應保留： ```yaml trace: source_nodes: - Sales!B2 - Assumptions!B3 generated_by: projection-engine-v0.1 model: ai-model-x confidence: 0.91 ``` --- ## 4.5 認知負荷限制原則 介面不應把所有可用資訊同時視為必要資訊。 可定義一個粗略的投影負荷： \[ L_h = \alpha N + \beta E + \gamma C + \delta D \] 其中： - \(N\)：同時顯示節點數； - \(E\)：依賴邊數； - \(C\)：衝突數； - \(D\)：維度數。 當 \(L_h\) 超過使用者或任務門檻時，系統應進一步分區、摘要或排序。 這不是將資料隱藏，而是延後顯示非當前必要部分。 --- ## 4.6 任務相關性原則 投影應由任務驅動，而不是由固定畫面驅動。 同一資料結構，在不同問題下應生成不同入口： - 「哪裡出錯？」→ 衝突模式； - 「這個結果如何得到？」→ 依賴路徑模式； - 「整體趨勢如何？」→ 區域摘要模式； - 「有沒有被 AI 自動修改？」→ 歷史與治理模式。 --- ## 4.7 人類否決與修正原則 對高風險操作，AI 生成的投影與建議不得自動等同於事實。 人類應能： - 拒絕投影結論； - 要求顯示完整來源； - 更改路徑； - 標記誤導性摘要； - 將自動修復降級為人工審核； - 保留原始版本。 因此： \[ \boxed{ \text{AI 投影權} \neq \text{AI 最終決定權} } \] --- # 五、人類閱讀模式 ## 5.1 導覽模式 目的：讓使用者快速知道「這裡有什麼」。 顯示內容： - 主要區域； - 核心摘要； - 重要警告； - 可展開入口； - 尚未解決事項。 適用於初次進入大型知識結構。 --- ## 5.2 路徑模式 目的：沿一條推理、依賴或因果鏈閱讀。 例如： \[ \text{輸入} \rightarrow \text{轉換} \rightarrow \text{中介結果} \rightarrow \text{最終結論} \] 此模式最接近傳統線性閱讀，但每一步都可以展開其他分支。 --- ## 5.3 區域模式 目的：理解某個局部矩陣或功能區。 顯示： - 區域邊界； - 區域角色； - 內部模板； - 例外格位； - 與外部區域的接口。 適合處理公式矩陣、資料表、模型模組或知識子系統。 --- ## 5.4 衝突模式 目的：只顯示不一致與高風險部分。 顯示： - 結構衝突； - 格式角色衝突； - 依賴錯誤； - 不同模型的不同答案； - 低信心候選； - 待人類確認項目。 此模式對審核、除錯與治理特別重要。 --- ## 5.5 比較模式 目的：比較不同版本、不同模型或不同路徑。 例如： \[ \mathcal{M}_{t_1} \leftrightarrow \mathcal{M}_{t_2} \] 或： \[ \Phi_{A}(\mathcal{M}) \leftrightarrow \Phi_{B}(\mathcal{M}) \] 顯示差異、相同部分與未決部分。 --- ## 5.6 全局模式 目的：向專業使用者暴露完整結構。 此模式可顯示： - 完整依賴圖； - 全部區域； - 多維路徑； - 版本歷史； - 平行計算分區； - 不確定性分布。 全局模式不應成為預設模式，而應供研究、除錯、架構設計與高階審核使用。 --- # 六、投影生成機制 ## 6.1 投影不是摘要而已 傳統摘要通常只壓縮文字，而注意力投影還需要選擇： - 顯示哪些節點； - 保留哪些依賴； - 隱藏哪些細節； - 哪些衝突必須浮現； - 哪些區域應視覺化； - 哪些內容應轉為序列。 因此投影可以表示為： \[ \Phi_h = \Phi_{select} \circ \Phi_{order} \circ \Phi_{compress} \circ \Phi_{render} \] 其中： - \(\Phi_{select}\)：選擇相關節點； - \(\Phi_{order}\)：決定閱讀順序； - \(\Phi_{compress}\)：壓縮局部內容； - \(\Phi_{render}\)：轉成人類介面。 --- ## 6.2 投影應保留證據鏈 任何 AI 生成的摘要或結論，都應能輸出其證據集合： \[ E(y) = \{n_1,n_2,\ldots,n_k\} \] 其中 \(y\) 是投影結論，\(n_i\) 是底層節點。 若不存在可追蹤證據集合，則該結論只能被標記為： - 推測； - 生成性解釋； - 未驗證摘要； - 外部模型輸出。 --- ## 6.3 多投影一致性 同一底層結構可產生多個投影： \[ V_1=\Phi_1(\mathcal{M}) \] \[ V_2=\Phi_2(\mathcal{M}) \] 不同投影不必完全相同，但不得在未標示的情況下互相矛盾。 需要定義： \[ Consistency(V_1,V_2\mid\mathcal{M}) \] 用於檢查： - 是否省略關鍵前提； - 是否改變結論方向； - 是否消除原始衝突； - 是否把不確定性改寫成確定性。 --- # 七、對 AI 訓練格式的意義 ## 7.1 人類投影本身也可以成為訓練資料 同一個機器結構可以產生多種人類視圖： - 摘要版； - 專業版； - 路徑版； - 衝突版； - 教學版。 因此可以建立訓練對： \[ (\mathcal{M},q,u) \rightarrow V_h \] 讓模型學習： - 如何針對不同任務選擇資訊； - 如何控制認知負荷； - 如何保留證據； - 如何標示不確定性； - 如何避免過度簡化。 --- ## 7.2 投影品質可被評估 可建立以下指標： ### 覆蓋率 \[ Coverage = \frac{\text{必要節點被保留數}}{\text{必要節點總數}} \] ### 衝突保留率 \[ ConflictRetention = \frac{\text{已顯示衝突數}}{\text{底層重要衝突數}} \] ### 路徑保真率 \[ PathFidelity = 1-\frac{\text{錯誤或捏造依賴數}}{\text{顯示依賴總數}} \] ### 可追蹤率 \[ Traceability = \frac{\text{可回溯結論數}}{\text{全部重要結論數}} \] ### 認知效率 \[ CognitiveEfficiency = \frac{\text{任務完成品質}}{\text{閱讀時間或交互步驟}} \] --- # 八、主要風險 ## 8.1 投影偏見 投影引擎可能因模型偏好、企業目標或預設政策，刻意突出某些資訊、淡化另一些資訊。 因此投影政策必須透明，並可被審核。 --- ## 8.2 過度摘要 當系統追求簡潔時，可能移除： - 例外； - 反證； - 少數路徑； - 低信心訊號； - 不利於主要結論的資料。 所以摘要不能取代原始結構。 --- ## 8.3 只有 AI 能懂的格式 若 MLF 或其他 AI 原生格式只提供機器接口，而沒有可靠的人類投影，將形成新的權力不對稱： > 人類負責提供資料與承擔結果，但無法理解系統內部如何組織知識。 因此人類投影不是附加功能，而是格式的必要組件。 --- ## 8.4 虛假的可解釋性 投影介面可能生成看似合理的解釋，但實際上並不對應模型或底層資料的真實決策路徑。 所以解釋必須區分： - 真實依賴； - 後設摘要； - 模型推測； - 人類註解。 --- ## 8.5 認知操控 誰控制投影，就可能控制使用者看到的世界。 因此高風險系統應提供： - 多投影比較； - 關閉摘要； - 顯示完整來源； - 使用者自定義路徑； - 第三方審核模式。 --- # 九、工程規格前置要求 在正式制定 MLF v0.1 前，至少應加入以下必備欄位： ```yaml human_projection: default_mode: navigation available_modes: - navigation - path - region - conflict - comparison - global traceability: required: true source_links: true uncertainty: visible: true hide_unresolved_conflicts: false reversibility: expand_to_source: true restore_full_graph: true governance: human_override: true preserve_original: true audit_projection_policy: true ``` 這表示任何符合格式的工具，不只要能讀取資料，也應說明： - 它顯示了什麼； - 它省略了什麼； - 它如何排序； - 它如何生成摘要； - 使用者如何回到原始結構。 --- # 十、可否證實驗 ## 10.1 全局直顯與漸進投影比較 比較兩組介面： - A 組：直接顯示完整矩陣與依賴圖； - B 組：使用導覽、路徑與區域漸進展開。 測量： - 任務正確率； - 完成時間； - 遺漏率； - 認知負荷； - 對錯誤來源的辨識能力。 --- ## 10.2 衝突保留實驗 讓投影系統處理含有多個競爭答案的資料，檢查是否： - 顯示主要候選； - 保留次要候選； - 正確標示信心； - 允許使用者追蹤來源。 --- ## 10.3 可逆性實驗 要求使用者從摘要逐步回溯至原始公式、格位與依賴圖，測量： \[ RecoveryRate = \frac{\text{成功回溯的結論數}}{\text{測試結論總數}} \] --- ## 10.4 專業程度差異實驗 比較一般使用者與專業使用者在不同投影模式下的表現，以確認： - 預設模式是否適合一般人； - 全局模式是否真的有利於專家； - 專業模式是否造成一般使用者額外負擔。 --- # 十一、核心命題 本文提出以下核心命題： ## 命題一 機器原生格式應保存超出人類即時注意力容量的完整結構。 ## 命題二 人類不需要直接承擔完整結構，而應透過可追蹤、可逆與任務導向的投影閱讀。 ## 命題三 線性閱讀不是被淘汰的舊形式，而是多維知識的一種必要人類介面。 ## 命題四 任何投影若不可追蹤、不可展開、不可比較，就可能成為新的黑箱。 ## 命題五 AI 原生格式的成熟程度，不只取決於機器處理效率，也取決於人類是否能理解、質疑、修正與治理其輸出。 --- # 十二、結論 AI 原生格式的目標，不應是要求人類像機器一樣同時處理多維資訊，也不應將人類的線性閱讀視為落後限制。真正合理的方向是： \[ \boxed{ \text{機器保存完整結構，人類獲得可控投影。} } \] 底層格式可以是矩陣、依賴圖、多方向路徑、時間網路與並行區域；人類介面則可以是摘要、路徑、區域、衝突與比較視圖。二者並不矛盾，反而形成互補。 若缺乏完整機器層，資料會在壓平過程中失去結構；若缺乏人類投影層，多維格式則會變成難以理解與難以治理的技術黑箱。 因此，未來 MLF 或其他 AI 原生格式的基本原則應是： \[ \boxed{ \text{多維保存、線性投影、證據保留、可逆展開、人類治理。} } \] 這五項原則共同構成 AI 原生知識格式的人機雙層閱讀基礎。 --- # 附錄 A：雙層閱讀架構摘要 ```text 物理與計算基底 ↓ 完整機器結構 矩陣／區域／依賴／方向／版本／不確定性 ↓ 投影引擎 選擇／排序／壓縮／視覺化／證據追蹤 ↓ 人類視圖 導覽／路徑／區域／衝突／比較／全局 ↓ 治理層 權限／審核／否決／修正／版本保留 ``` --- # 附錄 B：後續文件路線 1. 《線性表徵之外：從物理計算基底到多向矩陣知識結構》 2. 《機器並行本體與人類線性投影：AI 原生格式的人機雙層閱讀原則》 3. 《MLF v0.1：AI Matrix Ledger Format 技術規格》 4. 《MLF 編譯器與多視圖投影器 MVP 計畫書》 5. 《MMR／MLF 訓練基準與可否證實驗規格》