# 無限分形九宮格：基於多向矩陣表徵的遞歸計算拓撲 **Infinite Fractal Nonet: A Recursive Computational Topology Based on Multidirectional Matrix Representation** - 作者：Neo.K（許筌崴）／EveMissLab - 協作整理：OpenAI GPT-5.6 Thinking - 日期：2026-07-23 - 性質：概念論文／可驗證架構提案 - 狀態：新稿，未沿用任何既有版本號 --- ## 摘要 本研究提出一種新的無限分形九宮格（Infinite Fractal Nonet, IFN）概念框架。與把 IFN 描述成單純的幾何分形、概念隱喻或 Transformer 稀疏化技巧不同，本文從多向矩陣表徵（Multidirectional Matrix Representation, MMR）出發，將 IFN 重新定義為：**由可定址、可路由、可追蹤、可停止且可驗證的局部 MMR 單元，經自相似遞歸組合而成的計算拓撲。** MMR 提供單一局部區域內的方向、位置、區域、遍歷順序、依賴血緣、路由類型與證據狀態；IFN 則規定這些局部單元如何嵌套、展開、剪枝、跨層連接與形成有限計算切片。其「無限」不表示任何一次實際計算必須執行無限步，而表示地址空間與遞歸語法不預設最大深度。任一實例都必須在有限資源、有限證據與有限停止條件下執行。 本文建立以下核心內容： 1. 定義 IFN 的有限地址空間與潛在無界地址空間； 2. 將九宮格視為一種標準中心—八方向局部圖表，而非宇宙必然結構； 3. 使用 MMR 描述每一個分形節點的內部計算狀態； 4. 建立局部、同胞、父子、祖先、區域、捷徑與血緣等多類路由； 5. 將展開視為受查詢、收益、成本、不確定性與風險共同控制的決策； 6. 把 IFN-Transformer 定位為 IFN 的一種有限編譯後端，而非 IFN 本體； 7. 明確區分可證明性質、工程假設、待驗證主張與禁止提前宣稱的效能結論。 本文的目的不是宣稱 IFN 已取代 Transformer、圖神經網路或狀態空間模型，而是提出一套能把「自相似結構」「多向局部計算」「有限稀疏路由」與「可驗證執行」放在同一框架內的研究對象。 **關鍵詞：** 多向矩陣表徵、無限分形九宮格、自相似計算、遞歸拓撲、稀疏路由、計算血緣、可驗證計算、IFN-Transformer --- ## 一、問題：分形概念為何一直難以工程化 許多分形計算構想都具有相似直覺： - 一個局部結構可以在更深層再次出現； - 大型問題只需展開相關分支； - 中心節點負責聚合，外圍節點負責方向性分化； - 遞歸深度可依問題而變； - 長距離關係可透過跨層捷徑建立。 這些直覺本身並不等於可執行架構。若缺少以下要素，分形仍只是一種描述： 1. 每個節點究竟保存什麼； 2. 方向是否具有穩定語義； 3. 分支何時建立； 4. 路由如何生成； 5. 原始順序如何保存； 6. 跨層連接如何記錄； 7. 哪些結果來自哪些證據； 8. 何時停止； 9. 錯誤與不確定性如何沿路徑傳播； 10. 如何重播並驗證一次執行。 MMR 所補足的正是這個中間層。它不直接回答「所有計算都應該使用九宮格嗎」，而是先回答更基礎的問題： > 一個局部計算區域，如何同時保存內容、方向、區域、路徑、血緣與操作順序？ 因此本文不把 IFN 建立在抽象分形圖形上，而建立在 MMR 局部計算單元上。 --- ## 二、MMR 作為 IFN 的局部計算母語 ### 2.1 MMR 局部單元 令一個 MMR 局部單元為： $$ \mathcal{M}_{\alpha} = \left( X_{\alpha}, D_{\alpha}, R_{\alpha}, P_{\alpha}, L_{\alpha}, C_{\alpha}, B_{\alpha} \right) $$ 其中： - $X_{\alpha}$ ：局部狀態、資料、表示或符號； - $D_{\alpha}$ ：方向集合與方向語義； - $R_{\alpha}$ ：允許的局部與跨區路由； - $P_{\alpha}$ ：遍歷、讀取、更新與聚合次序； - $L_{\alpha}$ ：來源、依賴與下游血緣； - $C_{\alpha}$ ：信心、不確定性、衝突與證據狀態； - $B_{\alpha}$ ：計算預算、記憶體、延遲與展開成本。 MMR 的核心不是把資料排成矩陣，而是承認同一批元素可以被多種方向、區域與路徑讀取。矩陣不再只有「由左到右的一行序列」，而是具有： - 水平與垂直方向； - 正向與反向遍歷； - 區塊與區域； - 父子與同胞； - 來源與下游； - 聚合與反向追蹤； - 直接路由與間接路由。 ### 2.2 MMR 不要求九宮格 MMR 可以使用任意有限局部圖表。九宮格只是 IFN 的標準圖表： $$ \mathcal{N}_9 = \{O,N,NE,E,SE,S,SW,W,NW\} $$ 其中： - $O$ 為中心槽位； - 其餘八個槽位為方向槽位。 這個配置的優點是： 1. 可明確區分中心與外圍； 2. 同時含正交與對角方向； 3. 適合二維視覺化； 4. 每個槽位都能遞歸成下一個局部單元； 5. 地址可以由九元字母表表示。 但本文不主張九宮格是唯一合法結構。一般化後，可定義： $$ \mathcal{N}_b=\{O,C_1,\ldots,C_{b-1}\} $$ IFN 選擇 $b=9$ ，是標準化與可視化決策，不是未經證明的本體論必然。 --- ## 三、IFN 的正式定義 ### 3.1 地址空間 令九元字母表為： $$ \Sigma_9=\{0,1,\ldots,8\} $$ 其中 $0$ 對應中心 $O$ ， $1$ 至 $8$ 對應八個方向槽位。 所有有限地址構成： $$ \mathcal{A}_{<\omega} = \bigcup_{d=0}^{\infty}\Sigma_9^d $$ 空地址 $\epsilon$ 表示根節點。任意有限地址可寫成： $$ \alpha=(a_1,a_2,\ldots,a_d) $$ 其深度為： $$ |\alpha|=d $$ 子地址為： $$ \alpha i=(a_1,\ldots,a_d,i) $$ 潛在無界地址可表示為： $$ \mathcal{A}_{\omega}=\Sigma_9^{\mathbb{N}} $$ 但實際執行只允許有限切片： $$ \mathcal{A}^{(t)}_{\mathrm{active}} \subset \mathcal{A}_{<\omega} $$ 且在任意有限時間 $t$ ： $$ \left|\mathcal{A}^{(t)}_{\mathrm{active}}\right|<\infty $$ 因此 IFN 的「無限」是**生成語法無界**，不是**實例執行無限**。 ### 3.2 IFN 結構 定義 IFN 為： $$ \mathfrak{F} = \left( \mathcal{A}_{<\omega}, \{\mathcal{M}_{\alpha}\}_{\alpha\in\mathcal{A}_{<\omega}}, E, \mathfrak{E}, \mathfrak{K}, \mathfrak{V} \right) $$ 其中： - $\mathcal{A}_{<\omega}$ ：有限分形地址空間； - $\mathcal{M}_{\alpha}$ ：地址 $\alpha$ 上的 MMR 局部單元； - $E$ ：跨單元路由集合； - $\mathfrak{E}$ ：展開算子； - $\mathfrak{K}$ ：剪枝、合併與停止算子； - $\mathfrak{V}$ ：驗證、血緣與重播機制。 這一定義把 IFN 從「每格內又有九宮格」提升為一個可操作系統： $$ \boxed{ \text{IFN} = \text{MMR 局部單元} + \text{遞歸地址} + \text{路由規則} + \text{有限展開} + \text{可驗證執行} } $$ ### 3.3 自相似性的弱形式 舊式分形常要求部分與整體完全同構。對實際計算而言，這個條件過強。不同深度節點可能擁有不同維度、權重、資料型別與預算。 本文採用**結構自相似**而非**內容全同構**： $$ \operatorname{Schema}(\mathcal{M}_{\alpha}) \cong \operatorname{Schema}(\mathcal{M}_{\alpha i}) $$ 但不要求： $$ X_{\alpha}=X_{\alpha i} $$ 也不要求所有節點具有相同參數。 也就是說，子節點繼承的是： - 可定址性； - 方向結構； - 路由介面； - 血緣欄位； - 停止與驗證協定。 它不必複製父節點的內容。 --- ## 四、中心、方向與原始位置 ### 4.1 中心不是自動保證收斂的不動點 中心槽位 $O$ 可以扮演： - 區域摘要； - 父層接口； - 路由錨點； - 聚合器； - 查詢條件； - 狀態記憶； - 局部控制器。 但中心本身不保證： - 全域最優； - 自動收斂； - 唯一真值； - 語義穩定； - 對所有任務都最重要。 因此本文把中心稱為**局部錨點**，而不直接稱為全局不動點。 若要聲稱某個中心狀態收斂，必須另行證明某個更新算子 $\Phi$ 滿足收縮、單調或能量下降條件，例如： $$ d\bigl(\Phi(x),\Phi(y)\bigr) \leq \lambda d(x,y), \qquad 0\leq\lambda<1 $$ 否則只能說中心被配置為穩定參考點。 ### 4.2 方向具有局部語義 方向集合不必永久綁定「北、南、東、西」的自然語義。它們可以是： - 空間方向； - 因果方向； - 時序方向； - 正反命題； - 上位／下位概念； - 輸入／輸出； - 來源／結果； - 局部／全域； - 具體／抽象。 對每個節點 $\alpha$ ，定義方向語義映射： $$ \delta_{\alpha}: \{1,\ldots,8\} \rightarrow \mathcal{S}_{\alpha} $$ 其中 $\mathcal{S}_{\alpha}$ 是該節點的方向語義集合。 這意味著同一地址數字在不同子空間中可以有不同語義，但每次執行都必須保存其映射。 ### 4.3 分形地址不能取代原始順序 若 IFN 被應用於語言、時間序列或程式碼，原始位置必須獨立保存。 對 token $x_i$ ，其表示至少包含： $$ z_i= \left( h_i, p_i, \alpha_i, r_i \right) $$ 其中： - $h_i$ ：內容表示； - $p_i$ ：原始序列位置； - $\alpha_i$ ：IFN 地址； - $r_i$ ：角色與路由狀態。 IFN 地址描述層級與局部拓撲，不能代替 $p_i$ 。因此： $$ \alpha_i=\alpha_j \not\Rightarrow p_i=p_j $$ 也不允許因重要性排序而丟失原始順序。 --- ## 五、IFN 的多類路由 ### 5.1 路由集合 令 IFN 的有效邊集合為： $$ E = E_{\mathrm{local}} \cup E_{\mathrm{sibling}} \cup E_{\mathrm{parent}} \cup E_{\mathrm{child}} \cup E_{\mathrm{ancestor}} \cup E_{\mathrm{region}} \cup E_{\mathrm{shortcut}} \cup E_{\mathrm{lineage}} $$ 其中： 1. **局部邊** $E_{\mathrm{local}}$ 同一 MMR 單元內的方向與區域路徑。 2. **同胞邊** $E_{\mathrm{sibling}}$ 相同父地址下的不同子節點。 3. **父邊** $E_{\mathrm{parent}}$ 從子節點回到父節點的聚合接口。 4. **子邊** $E_{\mathrm{child}}$ 從父節點進入被激活的子單元。 5. **祖先邊** $E_{\mathrm{ancestor}}$ 跨越多層的受限摘要路由。 6. **區域邊** $E_{\mathrm{region}}$ 連接矩形、群組、表格、語義區塊或共享結構。 7. **捷徑邊** $E_{\mathrm{shortcut}}$ 由高相似度、共同依賴或查詢需求建立的受控跨層邊。 8. **血緣邊** $E_{\mathrm{lineage}}$ 用於記錄資訊來源與下游影響，不必等同於前向計算邊。 ### 5.2 路由不是 dense mask IFN 不先建立 $n\times n$ 布林遮罩，再對所有位置執行密集乘法。路由應以鄰接表、索引、區塊或壓縮稀疏格式表示： $$ \operatorname{Nbr}(i) = \{j\mid(i,j)\in E\} $$ 總邊數為： $$ |E|=\sum_{i=1}^{n}|\operatorname{Nbr}(i)| $$ 若平均有效度數為 $k$ ： $$ |E|\approx nk $$ 只有在路由建構成本也低於密集注意力時，稀疏化才具有意義。 ### 5.3 路由血緣 每一條推理或計算路徑都應保存： $$ \ell= ( \text{source}, \text{route type}, \text{operator}, \text{timestamp}, \text{confidence}, \text{result} ) $$ 由此可回答： - 這個結果來自哪個父節點； - 經過哪些跨層捷徑； - 哪個路由造成錯誤傳播； - 某個局部更新影響了哪些下游節點； - 若刪除一條邊，哪些結果會失效。 MMR-Bench 中的依賴血緣與爆炸半徑概念可直接成為 IFN 的驗證基礎。 --- ## 六、展開、剪枝與停止 ### 6.1 展開不是固定九分支 對查詢 $q$ 與節點 $\alpha$ ，定義候選子節點： $$ \mathcal{C}(\alpha)=\{\alpha0,\ldots,\alpha8\} $$ 但實際激活集合為： $$ A_q(\alpha) = \left\{ \alpha i \mid U_q(\alpha i)>\tau \right\} $$ 其中效用函數可以寫成： $$ U_q(\alpha i) = G_q(\alpha i) - \lambda_1 K(\alpha i) - \lambda_2 R(\alpha i) - \lambda_3 H(\alpha i) $$ 其中： - $G_q$ ：預期資訊增益； - $K$ ：計算與記憶體成本； - $R$ ：錯誤、衝突與安全風險； - $H$ ：不確定性或熵； - $\lambda_1,\lambda_2,\lambda_3$ ：權重。 ### 6.2 停止條件 IFN 不能以「中心存在」作為停止證明。至少應有以下一種或多種條件： #### 邊際收益停止 $$ \max_{\beta\in\mathcal{C}(\alpha)} U_q(\beta) \leq\tau $$ #### 預算停止 $$ B_{\mathrm{used}}\geq B_{\max} $$ #### 深度停止 $$ |\alpha|\geq d_{\max} $$ #### 不確定性停止 若新展開無法有效降低不確定性： $$ H_t-H_{t+1}<\varepsilon $$ #### 穩定性停止 $$ \|X^{(t+1)}-X^{(t)}\|<\varepsilon $$ #### 風險停止 $$ R(\alpha)>R_{\max} $$ ### 6.3 剪枝與回收 剪枝算子 $\mathfrak{K}$ 可以： - 停用低效用分支； - 合併相似子樹； - 將深層狀態壓縮成摘要； - 保存血緣後釋放中間張量； - 把不確定結果標記為 review； - 將計算結果寫入可重播證書。 因此 IFN 的生命週期不是無限增長，而是： $$ \text{展開} \rightarrow \text{局部計算} \rightarrow \text{聚合} \rightarrow \text{驗證} \rightarrow \text{剪枝或保留} $$ --- ## 七、複雜度與效能主張的邊界 ### 7.1 一般成本式 令： - $n$ ：當前有效元素數； - $k$ ：平均有效鄰居數； - $d_h$ ：表示維度； - $C_R(n)$ ：路由建構成本； - $C_E(n)$ ：分形展開與維護成本； - $C_V(n)$ ：血緣與驗證成本。 則一個有限 IFN 注意力或消息傳遞層的成本可表示為： $$ T_{\mathrm{IFN}} = C_R(n) + C_E(n) + O(nkd_h) + C_V(n) $$ 而不是只寫成 $O(nk)$ 。 ### 7.2 何時可能優於密集計算 IFN 有潛力優於密集方法，至少需要： $$ k\ll n $$ 且： $$ C_R(n)+C_E(n)+C_V(n) \ll O(n^2d_h) $$ 若路由仍以雙重迴圈建立： $$ C_R(n)=O(n^2) $$ 則 IFN 並沒有解決主要瓶頸。 ### 7.3 總體加速受 Amdahl 定律限制 假設 attention 佔總成本比例為 $\alpha$ ，attention 加速為 $S_A$ ，則： $$ S_{\mathrm{total}} = \frac{1} {(1-\alpha)+\alpha/S_A} $$ 因此，任何總體加速主張都必須同時報告： - attention 比例； - FFN 成本； - 路由成本； - 記憶體搬移； - 核心利用率； - 序列長度； - batch size； - 硬體； - 精度； - kernel 實作。 本文不預先聲稱固定倍數。 ### 7.4 效能是待驗證命題 IFN 的效能主張必須寫成： > 在具有可利用層級結構、路由建構成本受控且平均有效度數遠小於序列長度的任務中，IFN 可能降低局部交互成本。 不能直接寫成： > IFN 必然比 Transformer 快。 --- ## 八、IFN-Transformer：IFN 的有限編譯後端 ### 8.1 定位 IFN-Transformer 定義為： $$ \boxed{ \text{將有限 IFN 路由圖編譯為稀疏注意力運算的模型後端} } $$ 它只是 IFN 的一種實現。其他後端可以是： - 圖神經網路； - 稀疏張量運算； - 分散式路由系統； - 知識圖譜； - 多代理工作流； - 資料庫查詢計畫； - 神經符號推理器； - 局部狀態空間模型。 ### 8.2 Token 狀態 對 token $i$ ： $$ z_i= (h_i,p_i,\alpha_i,\rho_i,c_i) $$ 其中： - $h_i$ ：內容表示； - $p_i$ ：RoPE、ALiBi 或其他原始位置編碼； - $\alpha_i$ ：IFN 地址； - $\rho_i$ ：路由角色； - $c_i$ ：路由信心與不確定性。 ### 8.3 稀疏注意力 只在 $E$ 中的邊上計算： $$ s_{ij} = \frac{Q_iK_j^\top}{\sqrt{d_k}} + b_{\operatorname{type}(i,j)} + g(\alpha_i,\alpha_j) + u(c_i,c_j) $$ 其中： - $b_{\operatorname{type}(i,j)}$ ：路由類型偏置； - $g$ ：地址距離或共同前綴偏置； - $u$ ：信心與風險調節項。 注意力為： $$ a_{ij} = \frac{\exp(s_{ij})} {\sum_{m\in\operatorname{Nbr}(i)}\exp(s_{im})} $$ 輸出為： $$ y_i = \sum_{j\in\operatorname{Nbr}(i)} a_{ij}V_j $$ ### 8.4 防止長距離訊號衰減 單純依賴多跳稀疏傳播會造成資訊稀釋。因此 IFN-Transformer 應保留： 1. 局部視窗邊； 2. 全域錨點； 3. 父層摘要； 4. 可學習捷徑； 5. 殘差連接； 6. 必要時的週期性密集層； 7. 多尺度讀寫。 可定義混合層： $$ Y = \gamma Y_{\mathrm{IFN}} + (1-\gamma)Y_{\mathrm{dense/local}} $$ 或每隔 $m$ 層插入全域聚合。 ### 8.5 地址分配 地址不能只由重要性排序決定。可使用以下訊號組合： $$ \alpha_i = \operatorname{Route} ( h_i, p_i, \text{syntax}_i, \text{segment}_i, \text{dependency}_i, q ) $$ 可選方法包括： - 固定層級分塊； - 語法樹或 AST； - 文件章節結構； - 聚類； - 路由網路； - 可微排序； - 監督式角色標註； - MMR 區域推理。 地址只決定路由，不覆蓋原始位置。 --- ## 九、IFN、IDN 與 HNM 的新關係 舊構想曾分別處理空間嵌套、迭代深度與統一流形。本文保留其區分，但重新建立更清楚的層級。 ### 9.1 IFN：嵌套軸 IFN 描述： $$ \alpha \rightarrow \alpha i $$ 也就是空間或結構上的遞歸細分。 ### 9.2 IDN：迭代軸 若系統在時間或推理輪次 $t$ 更新： $$ \mathfrak{F}^{(t+1)} = \Phi\bigl(\mathfrak{F}^{(t)},q\bigr) $$ 則 IDN 可重新理解為 IFN 狀態的迭代演化，而不是另一套與 IFN 競爭的結構。 ### 9.3 HNM：聯合狀態空間 若同時考慮： - 迭代時間 $t$ ； - 分形地址 $\alpha$ ； - MMR 局部狀態 $\mathcal{M}_{\alpha}^{(t)}$ ； 則聯合狀態可寫成： $$ \mathcal{H} = \left\{ (t,\alpha,\mathcal{M}_{\alpha}^{(t)}) \right\} $$ 這可作為 HNM 的離散、可計算版本。 本文不直接宣稱它是黎曼流形，也不預設存在自然曲率、測地線或無限維流形結構。若未來需要使用流形語言，必須先定義： - 拓撲； - 度量； - 局部座標； - 可微結構； - 距離與路由的關係。 --- ## 十、可驗證執行與 MMR-Bench 的接合 ### 10.1 IFN 執行證書 一次 IFN 執行可輸出： $$ \mathcal{C}_{\mathrm{IFN}} = ( H_{\mathrm{input}}, H_{\mathrm{route}}, H_{\mathrm{state}}, H_{\mathrm{lineage}}, H_{\mathrm{decision}}, \Sigma ) $$ 其中： - $H_{\mathrm{input}}$ ：輸入雜湊； - $H_{\mathrm{route}}$ ：路由圖雜湊； - $H_{\mathrm{state}}$ ：節點狀態摘要； - $H_{\mathrm{lineage}}$ ：血緣摘要； - $H_{\mathrm{decision}}$ ：展開、剪枝與停止決策摘要； - $\Sigma$ ：簽章。 ### 10.2 重播條件 重播至少驗證： 1. 相同輸入； 2. 相同模型與版本； 3. 相同路由規則； 4. 相同正規化； 5. 相同預算與停止條件； 6. 相同隨機種子，或明確記錄非確定性； 7. 相同證據與決策摘要。 ### 10.3 不把一致性誤當成真理 即使兩個 IFN 後端輸出一致，也只能證明： $$ \text{在已記錄條件下結果一致} $$ 不能直接證明： $$ \text{結果符合外部世界真實意圖} $$ 因此 IFN 必須維持： - 計算正確性； - 路由正確性； - 資料正確性； - 任務意圖正確性； 四者的分離。 --- ## 十一、研究問題與實驗路線 ### 11.1 核心可否證問題 IFN 是否值得保留，不取決於名稱或幾何美感，而取決於以下問題： 1. IFN 路由是否能以次平方成本建立？ 2. 層級路由是否比平面稀疏路由更有效？ 3. IFN 是否能在相同計算預算下保存更多長距離資訊？ 4. 路由錯誤是否會造成比 dense attention 更嚴重的不可恢復損失？ 5. 自適應展開是否比固定層級分塊更穩定？ 6. 血緣與證書成本是否可接受？ 7. IFN 是否只在具有天然層級的任務上有效？ 8. 九分支是否比其他分支數更好？ ### 11.2 最小實驗階段 #### 階段 A：路由資料結構 比較： - dense mask； - Python 雙迴圈； - trie； - CSR／COO； - block-sparse； - GPU 原生稀疏 kernel。 量測： - 建圖時間； - 記憶體； - 邊數； - 更新成本； - 不同 $n$ 與 $k$ 的 scaling。 #### 階段 B：合成結構任務 使用： - 樹路徑查詢； - 多層區域依賴； - 括號匹配； - 程式 AST； - 章節—段落—句子檢索； - 長距離指標追蹤。 比較： - dense attention； - local window； - local + global； - flat sparse； - IFN hierarchical sparse。 #### 階段 C：IFN-Transformer 至少報告： - wall-clock； - kernel 利用率； - 記憶體； - perplexity／accuracy； - 路由召回率； - 長距離依賴召回； - 不同深度與分支數； - 路由錯誤敏感度； - Amdahl 分解。 #### 階段 D：可驗證重播 測試： - 路由篡改； - 輸入篡改； - 地址映射篡改； - 停止條件篡改； - 模型版本差異； - 不同硬體的容差； - 非確定性重播。 --- ## 十二、理論邊界 本文明確不主張： 1. 所有高維資訊必然集中在可被 IFN 找出的低維流形； 2. 九宮格是唯一或普遍最優的局部結構； 3. 中心槽位自然保證收斂； 4. 無限地址表示等於實際無限維計算； 5. 任意概念都能唯一映射為 IFN 地址； 6. IFN 必然降低複雜度； 7. IFN 必然改善推理品質； 8. IFN-Transformer 必然優於 FlashAttention、Longformer、BigBird、Mamba 或其他架構； 9. 多跳稀疏路由天然保存長距離資訊； 10. 分形自相似會自動產生零樣本泛化。 本文只提出： $$ \boxed{ \text{MMR 可作為局部計算語法，IFN 可作為其遞歸組合拓撲} } $$ 這是一個可實作、可測試、可失敗的研究命題。 --- ## 十三、概念貢獻 本文的核心貢獻不是「九宮格比 Transformer 更快」，而是建立了以下分層： ### 第一層：局部表示 $$ \text{MMR} = \text{內容} + \text{方向} + \text{區域} + \text{遍歷} + \text{血緣} $$ ### 第二層：遞歸結構 $$ \text{IFN} = \text{MMR 單元} + \text{分形地址} + \text{有限展開} + \text{多類路由} $$ ### 第三層：時間演化 $$ \text{IDN} = \text{IFN 狀態的迭代更新} $$ ### 第四層：有限工程後端 $$ \text{IFN-Transformer} = \text{IFN 路由圖} \rightarrow \text{稀疏注意力} $$ ### 第五層：可驗證執行 $$ \text{MMR-Bench／IFN Certificate} = \text{來源} + \text{路由} + \text{證據} + \text{決策} + \text{重播} $$ 這個分層避免把幾何隱喻、計算架構與效能結論混成同一個命題。 --- ## 十四、結論 無限分形九宮格不應被理解為一張會無限展開的九宮格圖片，也不應被縮減成「按重要性排序 token」的稀疏注意力技巧。 本文重新提出： $$ \boxed{ \text{IFN 是由 MMR 局部單元構成的、可無界定址但有限執行的遞歸計算拓撲} } $$ MMR 使每一個分形節點具有明確的內容、方向、區域、路徑、血緣、信心與成本；IFN 則使這些節點能被自相似地組合、按需展開、跨層連接、受限剪枝並形成可重播證據。 IFN 的研究價值不取決於它是否被稱為「新範式」，而取決於以下事實能否被實驗支持： - 層級路由能否低成本建立； - 分形地址能否帶來比平面稀疏更好的結構偏置； - 路由與停止能否被驗證； - 長距離訊息能否在有限路徑中保留； - 相同精度下，計算與記憶體是否真正下降。 因此，本論文把 IFN 從一個宣言轉化為一個研究程序： $$ \boxed{ \text{定義} \rightarrow \text{實作} \rightarrow \text{量測} \rightarrow \text{反例} \rightarrow \text{修正} \rightarrow \text{驗證} } $$ 這不是對既有架構的勝利宣告，而是 IFN 第一次成為可以被工程實現、學術批判與獨立重播的計算對象。 --- ## 附錄 A：最小 IFN 執行模型 ```python from dataclasses import dataclass, field from typing import Any, Callable Address = tuple[int, ...] @dataclass class MMRNode: address: Address state: Any direction_schema: dict[int, str] neighbors: dict[str, list[Address]] = field(default_factory=dict) lineage: list[dict[str, Any]] = field(default_factory=list) confidence: float = 1.0 uncertainty: float = 0.0 budget_used: float = 0.0 @dataclass class IFNRuntime: nodes: dict[Address, MMRNode] max_depth: int max_budget: float utility_threshold: float def candidate_children(self, address: Address) -> list[Address]: if len(address) >= self.max_depth: return [] return [address + (i,) for i in range(9)] def expand( self, address: Address, utility: Callable[[Address], float], make_node: Callable[[Address], MMRNode], ) -> list[Address]: activated: list[Address] = [] for child in self.candidate_children(address): if utility(child) <= self.utility_threshold: continue node = make_node(child) if node.budget_used + self.total_budget() > self.max_budget: break self.nodes[child] = node activated.append(child) return activated def total_budget(self) -> float: return sum(node.budget_used for node in self.nodes.values()) ``` 此模型刻意不承諾： - 九個子節點全部建立； - 中心必然最重要； - 地址自動具有語義； - 路由必然低成本； - 展開必然提升答案品質。 這些都必須由任務、路由器與實驗決定。 --- ## 附錄 B：下一篇工程論文的建議名稱 **中文：** 《MMR-IFN Transformer：基於遞歸多向路由的層級稀疏注意力架構》 **英文：** **MMR-IFN Transformer: Hierarchical Sparse Attention through Recursive Multidirectional Routing** 其任務不再是證明 IFN 本體，而是驗證： 1. MMR 路由能否有效編譯成稀疏 attention； 2. 路由建構能否真正低於 $O(n^2)$ ； 3. 分層稀疏是否優於平面稀疏； 4. 可驗證血緣是否能在合理成本內保留； 5. IFN 的優勢是否只存在於特定層級任務。