# 動態語義顯影總論：從查詢時語義投影到原生張量記憶場的理論地基 **A General Theory of Dynamic Semantic Revealing: From Query-Time Semantic Projection to the Foundations of Tensor-Native Memory Fields** - 系列：動態顯影與原生張量記憶系列 - 篇次：第一篇 - 版本：v0.1 - 日期：2026-07-27 - 文件性質：基礎理論論文 --- ## 摘要 傳統資訊檢索與知識庫系統通常假設，文件必須先被分類、標記與向量化，之後才可依查詢進行召回與排序。然而，當文件規模持續增長、概念橫跨多個領域、版本與關係不斷演化，而且使用者任務具有高度情境性時，固定分類與單一向量相似度都不足以描述「某份知識為何在此刻應被看見」。 本文提出「動態語義顯影」的基礎理論。其核心主張是：語義顯現不只是從資料庫中找回已存在的結果，而是由查詢、任務、時間、權限、觀測位置與既有工作狀態共同形成的條件投影。文件的可見性、重要性與解釋角色，不必被永久固定；它們可以在不同條件下被重新顯影、淡化、折疊、連接或暫時遮蔽。 本文進一步區分「語義表示」、「語義檢索」與「語義顯影」三個層次，指出現有向量嵌入雖可作為語義顯影的第一階近似，但向量本身不應被視為完整語義本體。向量更適合被理解為多模式潛在語義結構在特定查詢條件下的低階投影。由此，本文建立通往原生張量記憶的理論接口：未來的記憶系統可將語義、時間、因果、任務、版本、來源、代理與權限視為共同構成的多模式關係態，而動態語義顯影則成為對此關係態進行條件收縮與局部投影的前置機制。 本文亦提出逆向語義遮罩、非歸零但誠實的候選保留、來源與信心標記、顯影穩定度、語義漂移率、條件非交換性與投影損失等概念，並給出可實作的混合檢索架構。本文的目的不是提前完成張量記憶理論，而是建立整個「動態顯影與原生張量記憶系列」的第一層地基。 **關鍵詞：** 動態語義顯影、逆向語義遮罩、查詢時投影、語義場、混合檢索、向量嵌入、原生張量記憶、記憶顯影、知識庫 --- ## 1. 導論：知識不是只有「被找到」與「未被找到」 現有知識庫大多遵循以下流程： $$ \text{文件生成} \rightarrow \text{分類與標記} \rightarrow \text{索引與向量化} \rightarrow \text{查詢召回} \rightarrow \text{排序輸出} $$ 這個流程在資料規模較小、分類邊界穩定、查詢意圖相對固定時是有效的。然而，大型異質知識庫通常具有下列特徵： - 同一文件同時屬於多個主題、方法與系列； - 同一概念在不同時期使用不同名稱； - 文件的重要性隨任務改變； - 新文件會改變舊文件的解釋地位； - 某些文件只有在特定版本或因果鏈中才重要； - 權限、代理身分與工作狀態會改變可見範圍； - 使用者不只想「找文件」，還想恢復某個研究或工作狀態。 在此情況下，二元匹配： $$ \operatorname{match}(d,q)\in\{0,1\} $$ 以及單一相似度： $$ S(d,q)\in[0,1] $$ 都不足以完整表達知識在當前情境中的角色。 因為真正需要回答的問題往往不是： > 哪些文件與查詢相似？ 而是： > 在當前任務、時間、權限與工作狀態下，哪些知識應該被顯現，它們應以何種強度、關係與解釋層級被顯現？ 本文將這個問題稱為「動態語義顯影」。 --- ## 2. 三個不同層次：表示、檢索與顯影 ### 2.1 語義表示 語義表示處理的是： > 如何把文本、圖像、程式碼、事件或概念轉化成可計算形式？ 典型形式為： $$ \operatorname{Encode}(d)=\mathbf v_d $$ 其中 $\mathbf v_d\in\mathbb R^n$ 是文件或內容的向量表示。 ### 2.2 語義檢索 語義檢索處理的是： > 哪些已表示內容與查詢最接近？ 典型形式為： $$ \mathcal R(q,\mathcal D) = \operatorname{TopK}_{d\in\mathcal D} S(\mathbf v_d,\mathbf v_q) $$ 其中 $S$ 可以是餘弦相似度、內積或其他距離函數。 ### 2.3 語義顯影 語義顯影處理的是： > 哪些內容在此刻應成為可見、可操作、可解釋的局部知識狀態？ 因此，顯影不只依賴查詢 $q$ ，還依賴： - 當前任務 $g$ ； - 當前上下文 $c$ ； - 時間位置 $t$ ； - 觀測者或代理 $o$ ； - 權限條件 $a$ ； - 既有工作狀態 $w$ 。 令總條件為： $$ \xi=(q,g,c,t,o,a,w) $$ 則動態語義顯影算子定義為： $$ \Pi_{\xi}:\mathcal H\rightarrow\mathcal K_{\xi} $$ 其中： - $\mathcal H$ 是全部可用知識痕跡； - $\mathcal K_{\xi}$ 是條件 $\xi$ 下被顯影出的局部知識狀態。 因此： $$ \text{Representation} \neq \text{Retrieval} \neq \text{Revealing} $$ 表示提供可計算材料，檢索提供候選，顯影則決定當前知識如何成為有效狀態。 --- ## 3. 動態語義顯影的核心定義 ### 3.1 知識痕跡集合 令知識痕跡集合為： $$ \mathcal H = \{h_1,h_2,\ldots,h_N\} $$ 每個痕跡 $h_i$ 不只包含內容，也可包含： $$ h_i = (x_i,\tau_i,p_i,v_i,r_i,a_i,\gamma_i) $$ 其中： - $x_i$ ：內容； - $\tau_i$ ：時間資訊； - $p_i$ ：來源與作者； - $v_i$ ：版本資訊； - $r_i$ ：與其他痕跡的關係； - $a_i$ ：權限； - $\gamma_i$ ：可信度與狀態標記。 ### 3.2 顯影輸出 動態顯影輸出不應只是排序後的文件清單，而應至少包含： $$ \mathcal K_{\xi} = \left( \mathcal C_{\xi}, \mathcal E_{\xi}, \mathcal R_{\xi}, \mathcal V_{\xi} \right) $$ 其中： - $\mathcal C_{\xi}$ ：候選痕跡； - $\mathcal E_{\xi}$ ：顯影理由與證據； - $\mathcal R_{\xi}$ ：候選間的局部關係； - $\mathcal V_{\xi}$ ：每個候選的可見狀態。 ### 3.3 可見狀態 可見狀態可定義為： $$ V(h_i\mid\xi) \in \{\text{顯現},\text{強調},\text{淡化},\text{折疊},\text{遮蔽}\} $$ 也可以使用連續值： $$ V(h_i\mid\xi)\in[0,1] $$ 其中 $1$ 表示最高可見度， $0$ 表示不可見或無權限顯示。 因此，顯影是「可見性生成」，而不是單純的文件過濾。 --- ## 4. 從固定分類到查詢時分類 ### 4.1 固定分類的限制 傳統分類可表示為： $$ C:\mathcal H\rightarrow\mathcal L $$ 其中 $\mathcal L$ 是固定標籤集合。 但一個文件常同時具有多個關係： $$ C(h_i) = \{\ell_1,\ell_2,\ldots,\ell_m\} $$ 即使允許多標籤，分類架構仍必須預先存在。 ### 4.2 查詢時分類 動態語義顯影將分類改寫為： $$ C_{\xi}:\mathcal H\rightarrow\mathcal L_{\xi} $$ 其中 $\mathcal L_{\xi}$ 不是永久分類，而是條件 $\xi$ 下暫時生成的語義角色集合。 例如，同一篇文件在不同任務下可以分別成為： - 理論來源； - 反例； - 歷史版本； - 工程參考； - 已被否定的舊路徑； - 可重新開啟的研究節點。 因此： $$ C_{\xi_1}(h_i) \neq C_{\xi_2}(h_i) $$ 這不是分類不穩定，而是知識角色依條件改變。 ### 4.3 命題一：查詢時分類命題 > 對大型異質知識庫而言，分類不必完全先於檢索；查詢與任務本身可以成為暫時分類算子。 形式上： $$ \mathcal H \xrightarrow{\Pi_{\xi}} \mathcal K_{\xi} $$ 其中 $\mathcal K_{\xi}$ 是一個可撤銷、可重算、可比較的局部知識場，而非永久資料庫重組。 --- ## 5. 逆向語義遮罩 ### 5.1 定義 傳統搜尋通常生成一份脫離原始結構的新結果清單。逆向語義遮罩則保留原有時間線、版本樹、系列、文件架構或知識圖，只改變各痕跡的可見程度。 令遮罩算子為： $$ \mathcal M_{\xi}(h_i) = 1-V(h_i\mid\xi) $$ 當 $\mathcal M_{\xi}(h_i)$ 越高，痕跡越不顯著。 ### 5.2 顯影與遮罩的互補 顯影回答： > 哪些內容應被看見？ 遮罩回答： > 哪些內容目前不需要占據主要注意力？ 兩者共同形成： $$ \text{Dynamic Revealing} = \text{Positive Emphasis} + \text{Reverse Masking} $$ ### 5.3 非破壞性原則 逆向遮罩不應直接刪除原始內容。應滿足： $$ \mathcal M_{\xi}(h_i)=1 \not\Rightarrow h_i\notin\mathcal H $$ 也就是「當前不可見」不等於「不存在」或「已被刪除」。 這個原則在未來記憶系統中極為重要，因為暫時無關的痕跡，可能在另一任務中重新成為核心證據。 --- ## 6. 混合顯影評分模型 ### 6.1 候選評分 對痕跡 $h$ 與條件 $\xi$ ，可定義： $$ S(h\mid\xi) = w_EE +w_LL +w_MM +w_GG +w_TT +w_CC +w_PP $$ 其中： - $E$ ：精確詞組或實體命中； - $L$ ：詞彙、別名、縮寫與詞形關係； - $M$ ：向量語義相似度； - $G$ ：圖、引用、系列與結構關聯； - $T$ ：時間與版本相關度； - $C$ ：當前任務與上下文適合度； - $P$ ：來源、可信度與權限條件； - $w_*$ ：對應權重。 ### 6.2 直接證據優先 在一般知識庫顯影中，宜滿足： $$ w_E>w_L\geq w_M $$ 原因是純向量近似容易出現語義漂移，而直接文字、實體、版本或明確關係錨點通常具有較高可解釋性。 ### 6.3 欄位權重 同一概念出現在不同位置，證據強度不同： $$ E(h,q) = \alpha_{\mathrm{title}}E_{\mathrm{title}} + \alpha_{\mathrm{summary}}E_{\mathrm{summary}} + \alpha_{\mathrm{heading}}E_{\mathrm{heading}} + \alpha_{\mathrm{body}}E_{\mathrm{body}} $$ 通常可設： $$ \alpha_{\mathrm{title}} > \alpha_{\mathrm{summary}} > \alpha_{\mathrm{heading}} > \alpha_{\mathrm{body}} $$ ### 6.4 錨定函數 為避免向量近似被誤當成直接證據，可定義： $$ A(h,q) = \begin{cases} 1, & \text{存在文字、實體、別名、版本或關係錨點}\ 0, & \text{否則} \end{cases} $$ 修正後分數為： $$ S'(h\mid\xi) = S(h\mid\xi)+\lambda A(h,q) $$ 無錨點的向量近似仍可保留，但必須被標記為近似，而不得偽裝成直接命中。 --- ## 7. 分級顯影而非單一排序 本文建議至少區分五級結果。 ### 7.1 第一級：原始直接證據 包括： - 標題或正文直接命中； - 原始紀錄中的明確實體； - 明確版本、引用或時間標記； - 作者或系統已確認關係。 ### 7.2 第二級：高可信詞彙與結構關聯 包括： - 已確認別名； - 縮寫； - 系列關係； - 直接上下游版本； - 明確引用鏈。 ### 7.3 第三級：語義近似 包括向量或模型判定的概念相近內容，但缺乏直接錨點。 ### 7.4 第四級：任務推導關聯 內容本身未直接匹配，但對當前任務可能具有方法、限制、反例或歷史解釋價值。 ### 7.5 第五級：低可信探索候選 此層只應在使用者允許探索或高可信結果不足時出現，並明確標示低信心。 因此： $$ \text{Displayed Results} \neq \text{Undifferentiated Ranked List} $$ 不同顯影層級必須保留不同的語義誠實程度。 --- ## 8. 非歸零，但不得偽造相關性 ### 8.1 零結果的多重原因 零結果可能意味： - 資料庫確實沒有相關內容； - 查詢詞與庫內術語不同； - 使用者記錯名稱； - 門檻過高； - 只有結構或概念關聯； - 權限阻止了結果顯影。 因此，零結果不是單一語義事件。 ### 8.2 最低候選保留 設定最低候選數： $$ K_{\min}>0 $$ 若初始門檻 $\tau_0$ 下結果不足： $$ |\mathcal R(\xi,\tau_0)| 未找到高可信直接結果；以下內容僅為詞彙、結構或語義上最接近的候選。 這個區分將在未來記憶顯影中成為防止記憶幻覺的基礎。 --- ## 9. 查詢、任務與觀測條件 ### 9.1 查詢不是唯一條件 若只以查詢 $q$ 決定結果，則同一句查詢在不同工作狀態下會產生相同結果。然而，實際上： - 撰寫論文時需要理論與引用； - 除錯時需要失敗路徑與版本差異； - 專案交接時需要決策、進度與下一步； - 法規檢索時需要有效日期與適用範圍。 因此，顯影條件應至少寫成： $$ \xi=(q,g,c,t,o,a,w) $$ ### 9.2 觀測條件改變顯影結果 對同一知識庫 $\mathcal H$ ： $$ \Pi_{\xi_1}(\mathcal H) \neq \Pi_{\xi_2}(\mathcal H) $$ 即使 $q$ 相同，只要任務、版本位置、代理或權限不同，局部知識場也可能不同。 ### 9.3 命題二：條件相對顯影命題 > 知識痕跡的顯影地位不是其孤立、永久的屬性，而是痕跡與當前條件之間的關係結果。 形式上： $$ V(h_i\mid\xi) \neq V(h_i) $$ 這不等於否認文件具有內容，而是區分「內容存在」與「當前作用」。 --- ## 10. 顯影操作的非交換性 ### 10.1 靜態過濾的交換性 若兩個過濾器只做集合交集，通常有： $$ F_A(F_B(\mathcal H)) = F_B(F_A(\mathcal H)) $$ ### 10.2 動態顯影的非交換性 若第一次顯影會更新工作狀態、候選關係或查詢解釋，則第二次顯影的輸入已改變。 因此可能出現： $$ \Pi_{\xi_2}\bigl(\Pi_{\xi_1}(\mathcal H)\bigr) \neq \Pi_{\xi_1}\bigl(\Pi_{\xi_2}(\mathcal H)\bigr) $$ 例如： 1. 先以「失敗版本」顯影，再以「核心假設」顯影； 2. 先以「核心假設」顯影，再以「失敗版本」顯影。 兩者可能形成不同局部關係圖與解釋路徑。 ### 10.3 命題三：顯影次序命題 > 當顯影會改變工作狀態、關係權重或後續查詢解釋時，顯影操作一般不具交換性。 這個命題使動態顯影從靜態搜尋提升為狀態轉移過程。 --- ## 11. 向量是顯影工具，不是完整語義本體 ### 11.1 向量表示的能力 向量嵌入可以有效表示： - 詞彙與句子相近性； - 文件主題聚類； - 模糊自然語言查詢； - 跨語言或跨形式近似。 因此它是動態語義顯影的重要召回工具。 ### 11.2 向量壓縮的限制 單一向量通常會壓縮： - 時間順序； - 因果方向； - 版本差異； - 來源； - 權限； - 任務角色； - 矛盾狀態； - 推定與原始證據的區分。 若兩份文件語義相似，但一份是已被否定的舊版本，另一份是最新結論，純向量相似度可能無法穩定區分兩者。 ### 11.3 命題四：向量投影命題 > 語義向量更適合被理解為多模式潛在結構在特定編碼與任務條件下的低階投影，而非完整語義本體。 可形式化為： $$ \mathbf v_{h,\xi} = \pi_{\xi}(\mathbb S_h) $$ 其中： - $\mathbb S_h$ 是痕跡 $h$ 的潛在多模式語義結構； - $\pi_{\xi}$ 是依條件 $\xi$ 進行的降階投影； - $\mathbf v_{h,\xi}$ 是投影後的向量表示。 同一痕跡在不同條件下可有： $$ \mathbf v_{h,\xi_1} \neq \mathbf v_{h,\xi_2} $$ 這說明「一文件一向量」只是工程近似，而不是理論必然。 --- ## 12. 從語義場到原生張量記憶的接口 ### 12.1 多模式語義結構 未來可將一個知識痕跡表示在多模式空間中： $$ \mathcal V_S = \mathcal V_{\mathrm{semantic}} \otimes \mathcal V_{\mathrm{temporal}} \otimes \mathcal V_{\mathrm{causal}} \otimes \mathcal V_{\mathrm{task}} \otimes \mathcal V_{\mathrm{version}} \otimes \mathcal V_{\mathrm{source}} \otimes \mathcal V_{\mathrm{permission}} $$ 相應狀態可表示為： $$ \mathbb S \in \mathcal V_S $$ ### 12.2 原生張量的最低定義 本文所稱「原生張量」不只是程式內部使用多維陣列，而是指： 1. 系統資料模型原生承認多模式關係； 2. 不先把所有關係壓縮成單一向量； 3. 顯影、更新與重建算子可直接作用於多模式結構； 4. 來源、時間、版本與因果不是事後附加的無關 metadata； 5. 模式之間的耦合與可分離性本身成為可計算對象。 因此： $$ \text{Tensor Computation} \neq \text{Tensor-Native Semantic State} $$ ### 12.3 顯影作為張量收縮 若查詢與任務條件本身形成條件張量： $$ \mathbb Q_{\xi} = \mathbf q_{\mathrm{semantic}} \otimes \mathbf q_{\mathrm{task}} \otimes \mathbf q_{\mathrm{temporal}} \otimes \mathbf q_{\mathrm{permission}} $$ 則顯影可以寫成： $$ \mathbb K_{\xi} = \operatorname{Contract}(\mathbb S,\mathbb Q_{\xi}) $$ 之後再投影成介面可見結果： $$ \mathcal K_{\xi} = \Pi_{\mathrm{display}}(\mathbb K_{\xi}) $$ 本文不在此完成張量記憶的全部形式化，只建立關鍵接口： > 動態語義顯影可以由向量召回實作，但其理論上限不必停留於單一向量空間。 --- ## 13. 語義顯影與動態記憶顯影的區分 ### 13.1 語義顯影 動態語義顯影主要回答： > 在當前條件下，哪些知識痕跡與關係應被凸顯？ 形式上： $$ \mathcal H \xrightarrow{\Pi_{\xi}} \mathcal K_{\xi} $$ ### 13.2 記憶顯影 動態記憶顯影則進一步回答： > 如何由顯影出的痕跡，回溯並重建可延續工作的狀態？ 其後續流程為： $$ \text{顯影} \rightarrow \text{回溯} \rightarrow \text{重建} \rightarrow \text{驗證} \rightarrow \text{延續} $$ ### 13.3 兩者的包含關係 語義顯影提供候選與局部結構；記憶顯影則對局部結構進行歷史重建與工作狀態恢復。 因此： $$ \text{Semantic Revealing} \subset \text{Memory Revealing Pipeline} $$ 但兩者不能直接等同。檢索到相關文件，不代表已恢復決策、版本、失敗路徑與下一步。 --- ## 14. 來源、推定與語義誠實 ### 14.1 顯影節點的狀態分類 每個顯影節點至少應標記為： - `observed`：原始保存的直接內容； - `declared`：作者或系統明確宣告； - `derived`：由原始資料直接推導； - `inferred`：依關係與上下文推定； - `speculative`：低可信探索候選； - `contradicted`：已被其他證據否定； - `superseded`：已被新版本取代； - `restricted`：存在但當前無權限顯示。 ### 14.2 顯影理由 每個結果應能提供： $$ E_i = (\text{reason},\text{source},\text{confidence},\text{alternatives}) $$ 例如： ```text 直接命中：標題包含原始查詢詞 版本關聯：為直接命中文件的上一版本 語義近似：摘要向量接近，但沒有文字錨點 任務推導：曾作為目前方案的反例 ``` ### 14.3 推定不得冒充原始內容 應滿足： $$ \text{Inferred} \not\equiv \text{Observed} $$ 否則語義顯影將把模型生成的連接反覆回寫成確定知識，形成語義污染。 --- ## 15. 權限先於顯影 ### 15.1 權限候選域 對代理或使用者 $u$ ，先建立可存取集合： $$ \mathcal H_u = \{h\in\mathcal H\mid\operatorname{Access}(u,h)=1\} $$ 之後才執行： $$ \Pi_{\xi}(\mathcal H_u) $$ 不應先對全部資料顯影，再於介面隱藏受限內容。 ### 15.2 存在洩漏 即使不顯示受限內容，排名變化、結果數量與關係提示仍可能洩漏某文件存在。因此權限不只是顯示層遮罩，而是候選生成層約束。 ### 15.3 權限作為張量模式 在原生張量架構中，權限不只是事後判斷，而可被視為一個模式： $$ \mathcal V_{\mathrm{permission}} $$ 但工程上仍必須確保無權限狀態不進入可被反推的局部收縮結果。 --- ## 16. 顯影穩定性與可撤銷性 ### 16.1 相近條件下的穩定性 對相近條件 $\xi_1$ 與 $\xi_2$ ，顯影結果不應任意劇烈跳動。 可定義集合穩定度： $$ \operatorname{Stability}(\xi_1,\xi_2) = \frac{ |\mathcal C_{\xi_1}\cap\mathcal C_{\xi_2}| }{ |\mathcal C_{\xi_1}\cup\mathcal C_{\xi_2}| } $$ 也可比較排序、層級與關係圖變化。 ### 16.2 顯影不是永久改寫 動態顯影結果應被視為暫時工作視圖： $$ \mathcal K_{\xi} \neq \mathcal H $$ 不應因一次查詢就永久改寫原始知識庫。 ### 16.3 可撤銷原則 任何由模型推定、查詢生成或臨時重排的關係，都應可被新證據撤銷： $$ R^{\mathrm{inferred}}_{ij} \xrightarrow{\text{new evidence}} \{\text{confirmed},\text{revised},\text{rejected}\} $$ --- ## 17. 評估框架 ### 17.1 傳統檢索指標 可使用： - Precision； - Recall； - F1； - Mean Reciprocal Rank； - nDCG； - 首頁有效結果率； - 零結果率。 ### 17.2 顯影特有指標 #### 可解釋覆蓋率 $$ R_{\mathrm{explain}} = \frac{ \text{具有明確顯影理由的結果數} }{ \text{全部顯影結果數} } $$ #### 語義漂移率 $$ R_{\mathrm{drift}} = \frac{ \text{被判定為錯誤近似的結果數} }{ \text{全部語義近似結果數} } $$ #### 原始證據保持率 $$ R_{\mathrm{source}} = \frac{ \text{可追溯至來源的結果數} }{ \text{全部結果數} } $$ #### 版本邊界保持率 $$ R_{\mathrm{version}} = 1- \frac{ \text{被錯誤混同的版本對數} }{ \text{全部測試版本對數} } $$ #### 顯影連續度 對逐步變化的查詢序列 $\xi_1,\ldots,\xi_T$ ： $$ C_{\mathrm{reveal}} = \frac{1}{T-1} \sum_{t=1}^{T-1} \operatorname{Stability}(\xi_t,\xi_{t+1}) $$ ### 17.3 投影損失 若完整多模式狀態為 $\mathbb S$ ，投影結果為 $\mathbf v=\pi_{\xi}(\mathbb S)$ ，則可定義任務相關投影損失： $$ L_{\mathrm{proj}}(\xi) = \operatorname{Dist} \left( \mathbb S^{\mathrm{relevant}}_{\xi}, \operatorname{Reconstruct}_{\xi}(\mathbf v) \right) $$ 此指標用來測量單一向量表示在當前任務下遺失了多少必要關係。 --- ## 18. 主要失敗模式 ### 18.1 全文偶然命中 某詞只在正文偶然出現一次，卻被排在前列。 **修正：** 降低正文單次命中的權重，增加標題、摘要與關係錨定。 ### 18.2 向量語義漂移 向量模型將寬泛相似誤判為任務相關。 **修正：** 將向量召回與直接證據分層，加入錨點與重新排序。 ### 18.3 查詢展開過度 同義詞與領域詞擴展過多，使結果失焦。 **修正：** 為每個擴展詞保存來源、方向、信心與最大深度。 ### 18.4 大型系列壟斷 某系列文件數量過多，壓制其他有效結果。 **修正：** 使用多樣性重排、系列配額與關係群組顯示。 ### 18.5 舊版本覆蓋新版本 語義相似使舊版本排名過高。 **修正：** 將版本與有效時間設為獨立高權重條件。 ### 18.6 推定污染 一次模型推定被後續系統當成原始事實。 **修正：** 嚴格區分 `observed`、`derived`、`inferred` 與 `speculative`。 ### 18.7 過度順暢化 系統把矛盾、分支與中斷整理成過度連續的敘事。 **修正：** 顯示未決狀態、矛盾與替代解釋，不以敘事流暢度取代證據。 ### 18.8 權限側信道 使用者無法讀取內容，但可從顯影結果推測受限資料存在。 **修正：** 權限先於候選召回，並檢查結果數量與關係提示的洩漏。 --- ## 19. 最小工程架構 ### 19.1 雙層架構 初步系統可採： $$ \text{Stable Evidence Layer} + \text{Dynamic Revealing Layer} $$ 穩定證據層保存： - 原始文件； - 版本； - 時間戳； - 來源； - 權限； - 人工確認的標籤與關係。 動態顯影層負責： - 查詢正規化； - 詞彙與實體展開； - 精確檢索； - 向量召回； - 圖與版本擴展； - 分數融合； - 顯影分級； - 顯影理由生成； - 暫時工作視圖。 ### 19.2 最小流程 $$ \text{Condition Input} \rightarrow \text{Access Filtering} \rightarrow \text{Normalization} \rightarrow \text{Multi-Channel Recall} \rightarrow \text{Evidence Anchoring} \rightarrow \text{Relation Expansion} \rightarrow \text{Score Fusion} \rightarrow \text{Tier Assignment} \rightarrow \text{Dynamic Revealing} $$ ### 19.3 候選聯集 $$ \mathcal C = \mathcal C_E \cup \mathcal C_L \cup \mathcal C_M \cup \mathcal C_G \cup \mathcal C_T $$ 其中各集合分別來自精確、詞彙、向量、關係與時間版本檢索。 ### 19.4 重新排序 $$ \operatorname{rank}(h\mid\xi) = g(E,L,M,G,T,C,P,A) $$ ### 19.5 顯影資料物件 ```json { "trace_id": "trace-001", "visibility": 0.91, "tier": "observed_direct", "reason": [ "title_exact_match", "current_version" ], "source_status": "observed", "confidence": 0.97, "version": "v0.3", "time_range": { "start": "2026-07-20", "end": null }, "relations": [ { "type": "supersedes", "target": "trace-000" } ], "alternatives": [], "permission": "allowed" } ``` --- ## 20. 與差合化的初步接口 本文不在第一篇完整展開差合化，但可先確立其接口。 動態語義顯影至少包含三種操作： 1. 區分痕跡與關係； 2. 合成多通道候選與局部語義結構； 3. 隨條件變化更新顯影狀態。 可暫寫為： $$ \mathfrak D_S = \left( \mathbb S, \{\Delta_{\alpha}\}, \{\mathcal U_{\beta}\}, \mathfrak T, \{\Pi_{\xi}\} \right) $$ 其中： - $\Delta_{\alpha}$ ：差異辨識、邊界保留與後續解纏接口； - $\mathcal U_{\beta}$ ：候選、證據與關係的受控合成； - $\mathfrak T$ ：條件變化下的狀態演化； - $\Pi_{\xi}$ ：條件顯影。 第一篇只確認： > 顯影不是無差別合併，也不是永久分類；它要求在合成可用局部狀態時，仍保留差異、來源與可撤銷邊界。 完整的記憶糾纏、解纏與差合化算子，將在系列後續專篇處理。 --- ## 21. 系列中的位置 本系列預計形成以下理論鏈： $$ \text{動態語義顯影} \rightarrow \text{動態記憶顯影} \rightarrow \text{原生張量記憶本體} \rightarrow \text{記憶糾纏與可分離性} $$ $$ \rightarrow \text{差合化張量操作} \rightarrow \text{工作記憶重構} \rightarrow \text{連續性與污染治理} \rightarrow \text{稀疏張量工程與實驗} $$ 本文負責第一個問題： > 知識如何在查詢與任務條件下被局部顯現？ 第二篇將處理： > 顯影出的歷史痕跡，如何被回溯、重建、驗證並轉化為可延續的工作記憶？ 第三篇之後才正式進入： > 記憶為何應被表示為多模式關係態，以及它如何糾纏、分離與演化？ --- ## 22. 核心命題總結 ### 命題一：查詢時分類命題 $$ \mathcal H \xrightarrow{\Pi_{\xi}} \mathcal K_{\xi} $$ 分類可以在查詢與任務發生時被暫時生成，而不必完全預先固定。 ### 命題二：條件相對顯影命題 $$ V(h_i\mid\xi) \neq V(h_i) $$ 知識的當前顯影角色取決於痕跡與條件的關係。 ### 命題三：顯影次序命題 $$ \Pi_{\xi_2}\circ\Pi_{\xi_1} \neq \Pi_{\xi_1}\circ\Pi_{\xi_2} $$ 當顯影會更新狀態與關係時，操作通常不具交換性。 ### 命題四：向量投影命題 $$ \mathbf v_{h,\xi} = \pi_{\xi}(\mathbb S_h) $$ 向量是多模式潛在語義結構的低階投影，而非完整語義本體。 ### 命題五：非破壞顯影命題 $$ V(h_i\mid\xi)=0 \not\Rightarrow h_i\notin\mathcal H $$ 當前未顯影不等於永久不存在。 ### 命題六：語義誠實命題 $$ \text{Observed} > \text{Derived} > \text{Inferred} > \text{Speculative} $$ 不同來源層級不得在顯影介面中被無差別混同。 --- ## 23. 結論 本文提出動態語義顯影的總體理論，將知識系統由「固定分類與結果召回」提升為「條件化可見狀態生成」。 其核心不在於否定關鍵字、向量搜尋、知識圖譜或人工元資料，而在於重新安排它們的層級： $$ \text{Representation} \rightarrow \text{Candidate Retrieval} \rightarrow \text{Conditional Revealing} \rightarrow \text{Working Knowledge State} $$ 在此架構中： - 關鍵字提供直接錨點； - 向量提供模糊召回； - 圖與版本提供關係結構； - 任務與上下文決定當前角色； - 權限決定候選域； - 顯影算子形成局部可見知識場； - 來源與信心標記維持語義誠實。 本文最重要的理論提升是： > 語義向量不是知識本身，而是知識在特定條件下的一種可計算投影。 由此，動態語義顯影可以自然通往原生張量記憶。未來的記憶系統不必只保存「一段內容對應一個向量」，而可原生保存語義、時間、因果、任務、版本、來源、代理與權限之間的多模式關係。動態顯影則負責從此多模式結構中，生成當前可用的局部知識與工作狀態。 最終可以將本文濃縮為： $$ \boxed{ \text{知識的存在不等於其在每一時刻都應以相同方式被看見；} \text{顯影是知識與條件共同生成的局部可見狀態。} } $$ --- ## 附錄 A：最小概念流程 ```text 輸入查詢、任務與權限 ↓ 建立可存取候選域 ↓ 查詢正規化與詞彙展開 ↓ 精確、全文、向量、圖與版本召回 ↓ 保存每一候選的來源與理由 ↓ 混合評分與分級 ↓ 保留原始結構進行逆向遮罩 ↓ 生成局部可見知識場 ↓ 必要時交給記憶回溯與重建模組 ``` --- ## 附錄 B：最小顯影算子 令： $$ \xi=(q,g,c,t,o,a,w) $$ 則： $$ \Pi_{\xi}(\mathcal H) = \left\{ \left( h_i, S(h_i\mid\xi), V(h_i\mid\xi), E(h_i\mid\xi) \right) \right\}_{i=1}^{N} $$ 其中： - $S$ ：綜合相關度； - $V$ ：可見狀態； - $E$ ：顯影理由與來源證據。 --- ## 附錄 C：最小分數示例 $$ S(h\mid\xi) = 0.30E + 0.12L + 0.18M + 0.12G + 0.10T + 0.12C + 0.06P $$ 加入直接錨定： $$ S'(h\mid\xi) = S(h\mid\xi) + 0.08A(h,q) $$ 此數值僅供原型測試，實際權重必須由領域測試集、人工審核與使用行為共同調整。 --- ## 附錄 D：後續研究問題 1. 如何定義多模式語義張量的最小模式集合？ 2. 語義、時間、因果與版本何時可分離，何時形成不可分離關係？ 3. 顯影算子如何在不同條件間保持連續而不過度僵化？ 4. 如何測量向量投影所遺失的任務必要關係？ 5. 如何防止模型推定關係反覆回寫形成語義污染？ 6. 如何將差合化操作用於受控耦合、邊界保持與後續解纏？ 7. 如何使動態語義顯影與動態記憶顯影形成可驗證閉環？ 8. 如何以稀疏張量、張量網路或超圖—張量混合形式落實工程原型？