# 自然語言普遍可編程化命題 ## 從 AGI 語義編譯、共享形式底座到全球語言的可執行化 **作者：Neo.K、Aletheia（GPT）** **版本：v0.1** **日期：2026-07-24** **文件類型：理論命題論文／AI 語言工程研究綱領** --- ## 摘要 傳統程式語言之所以不同於自然語言，並不只是因為前者使用英文關鍵字、特殊符號或固定語法，而是因為程式語言將語意歧義、執行條件、變數關係、控制流程與錯誤處理壓縮進一套可被機器直接解析的形式系統。自然語言則允許省略、語境依賴、隱喻、多義、模糊與不完整表達，因此長期以來只能被視為需求描述、註解或人機介面的前端，而不能直接成為可靠的程式語言。 然而，當人工智慧逐步具備語義理解、上下文建模、歧義辨識、形式化、程序生成、測試、驗證、風險評估與執行協調能力後，程式語言的定義可能發生根本改變。未來真正承擔形式化成本的主體，可能不再是人類，而是 AI。此時，任何具有相對穩定語義、社群使用規範與可學習結構的自然語言，都可能成為形式程序的上層表達語言。 本文提出「自然語言普遍可編程化命題」：在足夠強的智能系統支援下，任意自然語言都可能透過 AI 維持的語義編譯映射，被轉換為共享形式語義、可執行程序、智能體工作流、機器控制指令或形式證明。這並不代表所有自然語言都將變成傳統意義上的 Python 或 C，而是自然語言將取得程式語言的核心功能：表達意圖、約束行為、觸發執行、生成可驗證結果。 本文進一步區分「可編譯」、「可驗證」與「可執行」三個層次，指出自然語言成為程式入口後，權限、責任、風險、可逆性與多主體同意將成為比語法更重要的問題。本文亦提出共享形式語義底座、多語言 Profile、歧義候選集、約束帳本與執行證書等架構，並討論其對程式語言理論、教育、低資源語言、全球技術平權、智能體系統與 EML／ULEI 的意義。 --- ## 關鍵詞 自然語言編程、AGI、形式語義、語義編譯、共享形式底座、多語言程式設計、AI Agent、語言平權、程式語言理論、EML、ULEI --- # 一、問題的根本轉變 ## 1.1 傳統程式語言的必要性 傳統計算機無法直接理解人類意圖。人類必須先將意圖轉換為精確的形式表示，才能交由機器執行： $$ \text{人類意圖} \xrightarrow{\text{人類形式化}} \text{程式碼} \xrightarrow{\text{機器執行}} \text{結果} $$ 在此架構中，程式語言是人類與機器之間的必要中介。它將： - 對象； - 狀態； - 條件； - 時序； - 迴圈； - 型別； - 例外； - 權限； - 輸入； - 輸出； 轉換為可由編譯器或直譯器處理的形式結構。 因此，程式設計的主要成本之一，不只是知道要做什麼，而是必須將「想做什麼」轉換成機器接受的結構。 ## 1.2 自然語言為何長期不能直接編程 自然語言允許大量非形式性： 1. 主體省略； 2. 指涉不明； 3. 時間邊界不明； 4. 條件不完整； 5. 詞義依賴情境； 6. 同一句話具有多種合理解釋； 7. 說話者可能不理解自身命令的後果； 8. 指令可能與既有規則衝突； 9. 相同表達在不同文化與領域中具有不同預設。 例如： > 幫我把最近表現不好的產品先停掉。 這句話至少包含下列未決問題： - 「最近」是七日、三十日、三個月或一季？ - 「表現不好」是收入、毛利、成長率、退貨率還是評價？ - 「停掉」是停止廣告、停止銷售、下架、停產還是刪除？ - 是否所有產品一律適用？ - 是否需要主管核准？ - 是否可撤回？ - 是否會影響已付款訂單？ 如果機器直接執行，風險極高。因此，傳統系統要求人類自行將這些條件寫成明確程式。 ## 1.3 AGI 改變的不是語言，而是形式化責任 當 AI 能夠： - 理解上下文； - 建立持續記憶； - 抽取條件； - 辨識歧義； - 詢問缺失資訊； - 生成形式規格； - 建立測試； - 模擬結果； - 評估風險； - 產生可執行程序； - 根據失敗修正； 形式化責任便可能從人類轉移給 AI： $$ \text{人類意圖} \xrightarrow{\text{AI 語義編譯}} \text{形式程序} \xrightarrow{\text{驗證與執行}} \text{結果} $$ 因此，真正的歷史轉變不是「自然語言突然變精確」，而是： > 有一個足夠強的智能系統，能在自然語言與形式系統之間持續維護可檢驗的映射。 --- # 二、自然語言普遍可編程化命題 ## 2.1 命題定義 本文提出： > **自然語言普遍可編程化命題：當智能系統具有足夠的語義理解、語境建模、歧義管理、形式化、驗證與執行能力時，任何具有穩定社群使用與可學習語義結構的自然語言，都可能成為形式程序的上層表達語言。** 令自然語言集合為： $$ \mathcal{N} = \{L_1,L_2,\ldots,L_n\} $$ 令共享形式語義空間為： $$ \mathcal{S} $$ 則對每一自然語言 $L_i$ ，理論上存在一個由智能系統維持的映射： $$ \Phi_i: L_i \rightarrow \mathcal{S} $$ 再由形式語義空間投影至不同執行後端： $$ \Psi_j: \mathcal{S} \rightarrow P_j $$ 其中 $P_j$ 可以是： - 傳統程式碼； - 資料庫查詢； - 工作流； - 智能體任務圖； - 機器人控制程序； - 模擬模型； - 數學證明； - 政策規則； - 合約執行邏輯。 完整路徑為： $$ L_i \xrightarrow{\Phi_i} \mathcal{S} \xrightarrow{\Psi_j} P_j $$ ## 2.2 映射不必唯一 自然語言通常不具唯一解釋，因此： $$ \Phi_i(x) \neq s $$ 而更可能是： $$ \Phi_i(x) = \{s_1,s_2,\ldots,s_k\} $$ 其中每個 $s_j$ 都是合理候選。 成熟的 AI 編譯器不應在歧義存在時偷偷選擇其中一個，而應： 1. 列出候選； 2. 評估差異； 3. 判斷是否影響執行； 4. 在必要時要求澄清； 5. 保存選擇理由； 6. 將未確認假設顯式標註。 因此，未來自然語言程式設計的核心品質，不是「總能猜出使用者想要什麼」，而是： > 能正確知道何時已經理解，何時仍未理解。 --- # 三、所有語言成為程式語言的真正含義 ## 3.1 不是每種語言都要重造 Python 「全世界的語言都可能成為程式語言」不應理解為： - 中文版 Python； - 日文版 Rust； - 阿拉伯文 JavaScript； - 台語版 C； - 每種語言各自建立互不相容的標準函式庫。 這種路徑會造成巨大生態碎裂。 更合理的未來是： $$ \begin{aligned} L_1 &\rightarrow \mathcal{S} \\ L_2 &\rightarrow \mathcal{S} \\ L_3 &\rightarrow \mathcal{S} \\ &\vdots \\ L_n &\rightarrow \mathcal{S} \end{aligned} $$ 所有自然語言都透過自己的語言 Profile 進入共享形式語義空間。 之後再由共享形式語義投影到各種技術系統： $$ \mathcal{S} \rightarrow \begin{cases} \text{Python}\\ \text{SQL}\\ \text{Rust}\\ \text{JavaScript}\\ \text{EML-P}\\ \text{EML-U}\\ \text{Agent Workflow}\\ \text{Robot Control} \end{cases} $$ 因此，每種語言獲得的是「通往形式世界的原生入口」，而不是孤立的編程生態。 ## 3.2 自然語言將成為上層源碼 在這種架構下，使用者的自然語言不再只是需求文件，而可能成為系統保留的第一層源碼： ```text 原始語言意圖 ↓ 受控意圖 ↓ 約束帳本 ↓ 共享形式語義 ↓ 技術後端 ``` 原始語句需被永久保留，因為它記錄： - 誰提出了意圖； - 意圖如何表達； - 哪些條件是明示的； - 哪些條件是推論的； - 哪些條件經過澄清； - 後續修改改變了什麼。 因此，自然語言程式不是被翻譯後即丟棄，而是成為版本控制的一部分。 ## 3.3 方言、混合語與個人語言也可能可編程 一旦 AI 能利用長期上下文與社群語境，程式入口不必限於標準語言。 可能成為程式入口的形式包括： - 方言； - 地區用語； - 行業術語； - 中英混合； - 手勢加語言； - 圖像加語言； - 個人長期慣用命令； - 組織內部縮寫； - 社群特有表達。 所以未來的程式語言邊界不再由標準語法決定，而由下列條件決定： $$ \text{表達是否能穩定映射到可驗證意圖} $$ --- # 四、可編譯、可驗證與可執行必須分離 ## 4.1 可編譯不等於可執行 自然語言可以被形式化，不代表系統應立即執行。 $$ \text{Compilable} \neq \text{Executable} $$ 例如： > 刪除所有過去一年沒有登入的帳號。 這句話可以被精確編譯，但仍可能涉及： - 法律保存義務； - 誤刪風險； - 付費資料； - 帳號所有權； - 第三方整合； - 不可逆損失； - 權限不足。 因此，完整流程必須是： $$ \text{自然語言} \rightarrow \text{候選意圖} \rightarrow \text{形式化} \rightarrow \text{權限檢查} \rightarrow \text{風險評估} \rightarrow \text{驗證} \rightarrow \text{執行或拒絕} $$ ## 4.2 三階段模型 可將自然語言程序分成三個狀態： ### 第一階段：可編譯 系統能將語句映射為形式結構： $$ L \rightarrow S $$ ### 第二階段：可驗證 系統能檢查： - 條件是否完整； - 是否存在衝突； - 是否符合測試； - 是否違反規則； - 是否保留原始約束。 $$ S \rightarrow V(S) $$ ### 第三階段：可執行 系統確認： - 發話者具有權限； - 執行風險在容許範圍； - 必要同意已取得； - 執行環境安全； - 回復方案存在。 $$ V(S) \land A(S) \land R(S) \rightarrow \operatorname{Execute}(S) $$ 其中： - $V(S)$ ：驗證通過； - $A(S)$ ：授權成立； - $R(S)$ ：風險可接受。 ## 4.3 執行權不應由語言流暢度決定 未來 AI 可能非常擅長把任何語句轉換成看似合理的程序。但流暢理解不代表合法權限。 因此： $$ \text{語義理解能力} \neq \text{執行正當性} $$ AI 必須區分： - 我理解你要做什麼； - 你是否有權要求這件事； - 這件事是否允許被執行； - 是否需要其他主體同意； - 是否能撤回； - 是否會替其他主體完成不可撤回選擇。 自然語言可編程化之後，真正困難的問題將由語法轉向權力與責任。 --- # 五、共享形式語義底座 ## 5.1 共享底座的必要性 若每種自然語言直接映射到每種程式後端，系統複雜度將近似： $$ O(|\mathcal{N}|\times|\mathcal{P}|) $$ 其中： - $|\mathcal{N}|$ ：自然語言數量； - $|\mathcal{P}|$ ：執行後端數量。 若引入共享形式語義底座，則可降為近似： $$ O(|\mathcal{N}|+|\mathcal{P}|) $$ 每種自然語言只需建立到共享語義層的映射，每個後端也只需建立從共享語義層的投影。 ## 5.2 共享底座應包含什麼 共享形式語義至少應能表達： - 主體； - 對象； - 動作； - 條件； - 例外； - 時序； - 數量； - 空間； - 因果； - 權限； - 義務； - 禁止； - 可逆性； - 風險； - 資料來源； - 預期結果； - 不確定性； - 未決問題。 形式上，可表示為： $$ S = (A,O,R,C,E,T,Q,P,D,X,U) $$ 其中： - $A$ ：Actor，行動主體； - $O$ ：Object，作用對象； - $R$ ：Relation／Action，關係與動作； - $C$ ：Condition，條件； - $E$ ：Exception，例外； - $T$ ：Temporal，時序； - $Q$ ：Quantification，數量與範圍； - $P$ ：Permission，權限； - $D$ ：Dependency，依賴； - $X$ ：Expected Outcome，預期結果； - $U$ ：Uncertainty，不確定性。 ## 5.3 底座不能假裝完全中立 共享語義層雖應盡可能語言中立，但不可能假設所有語言、文化與制度都共享完全相同的概念切分。 因此，底座必須允許： - 語言特有概念； - 文化特有關係； - 不可完全翻譯項； - 多重候選映射； - 局部擴充； - 語義損失報告； - 未知或不可判定狀態。 正確目標不是消滅差異，而是讓差異可被明確表示。 --- # 六、語言 Profile 與形式接口 ## 6.1 每種自然語言都需要自己的 Profile 語言 Profile 應處理： - 文字正規化； - 分詞； - 詞義辨識； - 代詞解析； - 主詞省略； - 時間表達； - 量詞； - 否定； - 例外； - 地域術語； - 專業術語； - 禮貌形式； - 命令強度； - 不確定語氣； - 多義候選。 例如中文中的「先」、「再」、「除非」、「只要」、「才」、「仍然」、「原則上」、「盡量」都可能對執行邏輯產生不同影響。 ## 6.2 Profile 的輸出不是程式碼 語言 Profile 的直接輸出應是： ```text 受控意圖 歧義候選 約束集合 語義來源對齊 未決問題 ``` 而不是直接生成 Python 或 SQL。 其原因是，如果自然語言解析與技術後端綁定，將無法確認錯誤究竟來自： - 語言理解； - 形式化； - 後端投影； - 執行環境。 分層後，錯誤才能被定位。 ## 6.3 多語言對同一語義節點的映射 不同語言可以對應同一共享概念： $$ l_{zh} \sim l_{en} \sim l_{ja} \sim s $$ 但不必要求字面相同。語言 Profile 保存各自表達，形式層保存共同約束。 如此一來，多語言系統不只是翻譯工具，而是： > 將不同語言的意圖映射到同一個可驗證操作結構。 --- # 七、自然語言程式的最小資料結構 理想的自然語言程式單元可表示為： $$ D = (I,C,A,K,S,P,T,X,E,R,V,M) $$ 其中： - $I$ ：原始意圖； - $C$ ：受控表達； - $A$ ：歧義候選； - $K$ ：約束帳本； - $S$ ：共享形式語義； - $P$ ：後端程序； - $T$ ：測試； - $X$ ：執行軌跡； - $E$ ：錯誤； - $R$ ：修正歷程； - $V$ ：驗證證書； - $M$ ：來源與版本資訊。 ## 7.1 約束帳本 約束帳本記錄每個自然語言片段如何進入形式系統： $$ k_i = (l_i,c_i,s_i,p_i,t_i,v_i) $$ 其中： - $l_i$ ：原始語句片段； - $c_i$ ：受控規則； - $s_i$ ：形式語義節點； - $p_i$ ：程式位置； - $t_i$ ：測試； - $v_i$ ：驗證結果。 例如： ```yaml constraint: source_span: "排除測試帳號" controlled_rule: field: account_type operator: not_equal value: test semantic_node: filter_03 projection: target: sql location: where_clause_03 test: test_exclude_test_accounts status: preserved ``` ## 7.2 假設必須顯式記錄 系統應區分： ```text explicit inferred assumed clarified unknown ``` 否則 AI 可能把自己的合理推測偽裝成使用者原意。 例如： ```yaml temporal_range: value: previous_30_days status: assumed reason: "最近"未明確定義 ``` 對高風險任務，任何 `assumed` 條件都不應直接執行。 --- # 八、程式語言能力的重新定義 ## 8.1 傳統編程能力 傳統程式能力常包含： - 記憶語法； - 理解資料結構； - 撰寫函式； - 除錯； - 使用套件； - 管理執行環境。 ## 8.2 未來編程能力 當 AI 承擔大部分語法與實作工作後，人類的核心能力可能轉向： $$ C_{\text{future}} = C_{\text{intent}} + C_{\text{constraint}} + C_{\text{evaluation}} + C_{\text{responsibility}} $$ 其中： - $C_{\text{intent}}$ ：形成清楚目標； - $C_{\text{constraint}}$ ：辨認條件、例外與邊界； - $C_{\text{evaluation}}$ ：判斷輸出是否真正符合需求； - $C_{\text{responsibility}}$ ：理解決策、風險與他者權利。 未來最重要的編程問題可能不再是： > 這段程式碼怎麼寫？ 而是： > 你究竟要求系統做什麼？哪些結果不能接受？誰有權決定？錯誤由誰承擔？ ## 8.3 不會寫程式碼不代表不需要思考 自然語言編程不會讓複雜性消失。它只會改變複雜性所在的位置。 過去的複雜性集中於： - 語法； - API； - 框架； - 工具鏈。 未來的複雜性可能集中於： - 問題定義； - 多主體利益； - 約束衝突； - 不確定性； - 長期後果； - 權限與責任。 因此，AI 降低的是形式轉換成本，而不是世界本身的複雜度。 --- # 九、語言平權與全球技術結構 ## 9.1 英文中心的計算入口 現代程式設計、技術文件與軟體生態高度依賴英文。非英文使用者往往需要先學習英文術語，再進入形式計算世界： $$ L_i \rightarrow \text{English} \rightarrow \text{Formal System} $$ 這造成額外的語言成本與知識門檻。 ## 9.2 原生形式入口 若每種語言都能直接進入共享形式語義： $$ L_i \rightarrow \mathcal{S} $$ 則使用者可以用自己的母語： - 描述工作流程； - 建立資料查詢； - 控制設備； - 編寫政策規則； - 進行數學形式化； - 建立智能體任務； - 操作數位基礎設施。 這將形成一種新的語言平權： > 不要求所有人先通過同一種自然語言，才能取得計算能力。 ## 9.3 低資源語言不會自動受益 但是，自然語言普遍可編程化不會自動實現。低資源語言可能面臨： - 語料不足； - 方言差異； - 書寫標準不穩定； - 技術術語缺失； - 模型理解偏差； - 缺乏在地驗證者； - 商業誘因不足。 因此，語言平權需要主動建設： 1. 開源語言 Profile； 2. 在地語料； 3. 形式對齊資料； 4. 社群驗證； 5. 術語資料庫； 6. 執行測試； 7. 文化差異標註； 8. 公開治理。 ## 9.4 語言不應因使用人口少而失去形式能力 在共享形式底座下，為一種低資源語言增加程式能力，不再需要重建完整編譯器與軟體生態。只需建立： $$ \Phi_L: L \rightarrow \mathcal{S} $$ 因此，邊際成本可能顯著下降。這為小型語言、原住民族語言與地方語言保留提供新的技術可能性： > 語言不只被保存為文化文本，也能被保存為操作世界的介面。 --- # 十、教育的根本改變 ## 10.1 程式教育不再以語法為起點 未來程式教育可以從： - 描述目標； - 拆分條件； - 找出例外； - 建立測試； - 比較不同實作； - 檢查 AI 理解； - 理解風險； 開始，而不是先背誦關鍵字。 學生可以使用母語描述任務，然後觀察： ```text 自然語言 → 受控規格 → 流程圖 → 程式碼 → 執行結果 ``` ## 10.2 傳統程式碼仍然重要 這不表示程式碼教育會完全消失。高階開發者、基礎設施工程師與安全研究者仍需理解： - 底層執行； - 記憶體； - 併發； - 編譯； - 系統調用； - 硬體； - 效能； - 安全邊界。 但對大多數使用者而言，程式碼可能從唯一入口變成可選的精細控制層。 ## 10.3 新型識字能力 未來數位識字可能包含： - 能否清楚表達可執行意圖； - 能否辨認 AI 加入的假設； - 能否讀懂形式化摘要； - 能否檢查測試； - 能否理解權限與副作用； - 能否拒絕錯誤自動化。 這是一種「可執行語言素養」。 --- # 十一、AI Agent 與多主體系統 ## 11.1 自然語言將直接生成工作流 未來使用者可直接說： > 每週整理研究進度，把有實驗結果的節點交給驗證代理，把只有概念草稿的節點交給文獻代理；任何公開發布都必須等我批准。 AI 將其編譯為： - 排程； - 節點分類； - Agent 分工； - 權限； - 發布閘門； - 失敗處理； - 通知規則。 自然語言因此不只是呼叫單一工具，而是生成持續運行的多智能體制度。 ## 11.2 多主體同意 當任務影響多個主體時，單一使用者的自然語言不能自動覆蓋其他主體的選擇。 因此應加入： $$ \operatorname{Execute}(S) \Rightarrow \bigwedge_{a\in A_{\text{affected}}} \operatorname{ConsentOrAuthority}(a,S) $$ 這表示，凡是涉及其他主體不可撤回利益的程序，都需檢查其授權、同意或合法代理關係。 ## 11.3 自然語言制度編程 當規則、權限與 Agent 都可用自然語言配置，程式設計將逐漸接近制度設計。 使用者不只是在寫函式，而是在定義： - 誰可以做什麼； - 什麼條件下可以做； - 誰能撤回； - 何時需要多人同意； - 失敗時如何補救； - 記錄由誰保存； - 誰能審查。 這使自然語言編程成為政治、法律與治理問題，而不只是技術問題。 --- # 十二、EML／ULEI 的理論位置 ## 12.1 ULEI：共享形式語義的工程核心 在自然語言普遍可編程化架構中，ULEI 可被重新定位為： > 多語言人類意圖、形式語義與多執行後端之間的通用語言工程基礎設施。 其功能不只是程式語言互轉，而是維護： ```text 自然語言 Profile ↕ 受控意圖 ↕ Canonical Semantic IR ↕ 多種程式與智能體後端 ``` ## 12.2 EML-P：可執行高密度投影 EML-P 可作為共享形式語義的一種： - 高密度； - AI 友善； - 可執行； - 可壓縮； - 可驗證； 投影。 它不需要成為所有人直接書寫的語言，而可以成為 AI 之間交換形式意圖的中介層。 ## 12.3 EML-U：空間與視覺語義投影 EML-U 可承載： - 語義圖； - 約束圖； - 多智能體關係； - 執行流程； - 權限結構； - 因果網路； - 多層形式對齊。 因此，EML-U 可成為自然語言程序的可視化檢查層。 ## 12.4 MFCL／CFCL：多語言入口 MFCL 與 CFCL 則分別負責： - 所有自然語言的共同形式化接口； - 中文特有的語義、歧義與術語處理。 整體結構為： $$ \text{Natural Languages} \rightarrow \text{MFCL Profiles} \rightarrow \text{ULEI Canonical IR} \rightarrow \text{EML / Traditional Backends} $$ --- # 十三、自然語言程式的驗證體系 ## 13.1 六級驗證 可採用以下層級： ### V0：可解析 自然語言輸入能被切分、辨識與結構化。 ### V1：結構一致 受控意圖與形式 IR 在結構上對應。 ### V2：語義保持 所有明示約束均有形式節點。 ### V3：行為驗證 生成程序通過輸入輸出測試。 ### V4：性質驗證 關鍵不變量、權限與安全性質被檢查。 ### V5：形式證明 部分高風險程序可由形式證明系統驗證。 ## 13.2 語義保持率 $$ S_{\text{retain}} = \frac{\text{被正確保留的約束數}} {\text{全部明示約束數}} $$ ## 13.3 靜默遺失率 $$ R_{\text{silent-loss}} = \frac{\text{未報告但實際遺失的約束數}} {\text{全部約束數}} $$ 自然語言編程最重要的工程目標之一是： $$ R_{\text{silent-loss}}=0 $$ 因為明確報告「無法表示」比悄悄遺漏條件更安全。 ## 13.4 假設透明度 $$ T_{\text{assumption}} = \frac{\text{被明示標記的推論與假設}} {\text{全部推論與假設}} $$ 理想目標為： $$ T_{\text{assumption}}=1 $$ --- # 十四、主要風險 ## 14.1 語義幻覺 AI 可能生成一個形式上完整、但不是使用者原意的程序。這比一般文字幻覺更危險，因為它可能直接改變世界。 ## 14.2 自動化權力集中 若少數模型供應者控制自然語言到形式程序的映射，它們將實際控制： - 哪些命令被理解； - 哪些概念可被表達； - 哪些行動被允許； - 哪些語言被優先支持； - 哪些文化預設被視為標準。 因此，共享形式底座與語言 Profile 應具備開放標準與可替換實作。 ## 14.3 語言差異被錯誤壓平 不同文化中的責任、親屬、土地、所有權、承諾與共同體概念可能無法完全對應。系統若強制映射到單一概念，可能造成語義殖民。 ## 14.4 使用者失去能力 若所有形式化工作都交給 AI，人類可能逐漸失去： - 拆解問題； - 理解系統； - 檢查結果； - 發現錯誤； - 判斷可行性； 的能力。 因此，介面應保留可檢查的中間層，而不是只顯示最終結果。 ## 14.5 不可逆操作 自然語言非常容易讓使用者低估命令後果。高風險操作應預設： - 模擬； - 預覽； - 延遲執行； - 多重確認； - 備份； - 回復計畫； - 最小權限； - 審計記錄。 --- # 十五、理論命題群 ## 命題一：形式化責任轉移命題 當 AI 的語義理解與驗證能力超過一定閾值後，程式形式化的主要成本將由人類轉移至 AI。 $$ C_{\text{human-formalization}} \downarrow \quad\text{as}\quad C_{\text{AI-semantic}} \uparrow $$ ## 命題二：自然語言入口普遍化命題 對任何具有穩定語義社群的自然語言 $L$ ，存在建立其形式語義接口的可能： $$ \forall L\in\mathcal{N}, \exists \Phi_L: L\rightarrow\mathcal{S} $$ ## 命題三：共享底座效率命題 多語言系統經由共享形式語義層的工程成本，低於所有語言與所有後端兩兩直接映射。 $$ |\mathcal{N}|+|\mathcal{P}| < |\mathcal{N}|\cdot|\mathcal{P}| $$ ## 命題四：程式語言概念擴張命題 未來程式語言的定義將從「具有固定形式語法的語言」擴張為： > 能穩定表達、形式化、驗證並觸發計算行為的語義介面。 ## 命題五：權限優先命題 當自然語言可直接生成可執行行為後，系統安全的主要瓶頸將逐漸從語法正確性轉向權限、責任與多主體同意。 $$ \text{Future Safety Bottleneck} \approx \text{Authority} + \text{Responsibility} + \text{Consent} $$ ## 命題六：語言平權條件命題 自然語言普遍可編程化只有在語料、Profile、社群驗證與開放治理同時存在時，才會產生真正的語言平權。 $$ E_{\text{linguistic}} = f(D,P,V,G) $$ 其中： - $D$ ：資料； - $P$ ：語言 Profile； - $V$ ：在地驗證； - $G$ ：治理。 --- # 十六、研究路線 ## 16.1 第一階段：中文驗證 先以繁體中文建立： - 自然語言輸入； - 受控中文； - 約束帳本； - Canonical IR； - Python／SQL 投影； - 自動測試； - 語義保持證書。 ## 16.2 第二階段：同語義多表達 收集同一任務的： - 正式中文； - 口語中文； - 簡體中文； - 台灣術語； - 中國大陸術語； - 中英混合； - 模糊表達； - 省略表達。 檢查是否映射到同一形式語義。 ## 16.3 第三階段：多語言平行映射 選擇英文、日文與其他語言，建立： $$ L_1,L_2,L_3 \rightarrow S $$ 驗證不同語言是否保持相同約束。 ## 16.4 第四階段：Agent 工作流 將自然語言映射到： - 多 Agent 分工； - 權限； - 排程； - 記憶； - 審核； - 失敗恢復； - 人類批准節點。 ## 16.5 第五階段：高風險形式化 研究： - 法律規則； - 財務操作； - 工業控制； - 醫療行政； - 公共政策； - 多主體權限。 此階段必須加入形式驗證與治理研究。 --- # 十七、哲學意義 ## 17.1 語言從描述世界轉向操作世界 自然語言長期具有： - 描述； - 記錄； - 說服； - 承諾； - 命令； - 規範； - 想像； 等功能。 當它可被 AI 編譯為形式程序後，語言新增： $$ \text{Language} \rightarrow \text{Verified World Operation} $$ 一句話可能建立網站、修改資料、安排機器人、生成制度或啟動智能體群。 ## 17.2 說話與行動的距離縮短 過去，說出意圖與完成行動之間存在大量人力與技術中介。未來這個距離可能大幅縮短： $$ d(\text{utterance},\text{execution}) \downarrow $$ 但距離縮短同時意味著責任加重。語言將更接近行動本身。 ## 17.3 程式語言與自然語言的邊界消融 最終，以下分類可能不再是互斥類別： - 自然語言； - 程式語言； - 規格語言； - 法律語言； - 工作流語言； - 智能體命令語言； - 形式證明語言。 它們可能成為同一語義系統在不同精度、風險與用途下的投影。 --- # 十八、結論 「全世界的語言都可能成為程式語言」並不是指所有語言都必須模仿現有程式語法，也不是每個文化都要建立一套封閉編譯器。 更準確的理解是： > 當 AI 能夠承擔語義理解、歧義管理、形式化、驗證、權限檢查與執行協調時，任何自然語言都可能成為形式程序的上層入口。 其核心架構為： $$ \text{Natural Language} \rightarrow \text{Language Profile} \rightarrow \text{Controlled Intent} \rightarrow \text{Shared Formal Semantics} \rightarrow \text{Verification} \rightarrow \text{Execution Backend} $$ 這將重新定義： - 程式語言； - 編程能力； - 數位識字； - 技術教育； - 語言平權； - 智能體治理； - 人類與機器的責任邊界。 未來真正的變化，不只是中文、英文或其他語言成為程式語言，而是「程式語言」本身將不再由固定語法獨占。 自然語言將成為意圖層，形式語義將成為共享底座，AI 將成為持續運作的語義編譯與驗證系統，而傳統程式碼則成為多種可執行投影之一。 因此，可以提出本文最後的總命題： > **當智能足以維持自然語言與形式行為之間的可靠映射時，語言不再只是描述世界的工具，而將成為可驗證地操作世界的通用介面。** --- # 附錄 A：最小形式架構 ```text Natural Language Input ↓ Language-Specific Profile ↓ Ambiguity Candidate Set ↓ Controlled Intent ↓ Constraint Ledger ↓ Canonical Semantic IR ↓ Authority / Risk / Consent Check ↓ Program Projection ↓ Sandbox Test and Simulation ↓ Verification Certificate ↓ Execution or Refusal ``` --- # 附錄 B：範例 原始中文： > 明天如果雨量比今天高，就不要開東側灌溉；但若二號田土壤濕度低於安全值，仍然開啟二十分鐘。 受控意圖： ```yaml actor: irrigation_controller time: tomorrow default_rule: condition: tomorrow_rainfall > today_rainfall action: east_irrigation = off exception: condition: field_2_soil_moisture < safety_threshold action: east_irrigation = on duration: 20_minutes ``` 需揭露的問題： ```yaml open_questions: - rainfall_measurement_window - safety_threshold_source - sensor_failure_policy - manual_override_priority ``` 形式語義： $$ \begin{aligned} &\text{If }R_{t+1}>R_t,\text{ then }I_E=0;\\ &\text{unless }M_2<\theta,\text{ then }I_E=1\text{ for }20\text{ minutes.} \end{aligned} $$ 此範例顯示：自然語言可以成為程式入口，但只有在時間範圍、安全閾值、感測器失敗與人工覆寫規則被處理後，才適合執行。 --- # 附錄 C：後續論文方向 1. 自然語言程式的權限與不可撤回選擇； 2. 多語言共享形式語義中的文化不可約性； 3. 低資源語言的形式化基礎設施； 4. 自然語言程式的責任歸屬； 5. 多 Agent 制度編程； 6. 語義編譯器的形式驗證； 7. 自然語言程式的版本控制； 8. 程式語言與法律語言的融合； 9. AI 時代的可執行語言素養； 10. EML／ULEI 多語言形式底座實作。