# 符號組合、關係隱含與受控語義未定性：從概念核心到可收斂定義的生成機制

**Symbolic Composition, Implicit Relations, and Controlled Semantic Underspecification: From Concept Kernels to Convergent Definitions**

版本：v0.1  
日期：2026-07-28  
文件性質：基礎理論與生成機制論文  
系列：符號結構工程系列，第 2 篇  
建議文件代號：`EML-SSE-02-2026-v0.1`

---

## 摘要

新概念通常不是從完全空白中誕生，而是由既有符號、概念、關係與操作重新組合而成。創作者可能先產生一個複合名稱、一組並置符號、一張草圖或一段暫時描述，再逐步補足概念邊界、關係型別、操作規則與形式定義。此過程在自然語言、數學、程式設計、科學理論、圖像符號與 AI 原生語義物件中普遍存在，但通常被簡化為「造詞」「定義」或「命名」。

本文提出符號組合、關係隱含與受控語義未定性的統一框架。本文將新概念的早期形態定義為「概念核心」（Concept Kernel）：一個由若干已知符號、暫定關係、排除條件、使用意圖與待定變量構成的部分結構。概念核心不是完整定義，但也不是任意模糊。它必須能記錄哪些關係已確定、哪些關係只是候選、哪些邊界尚未決定，以及哪些觀測或實驗可以促使概念收斂。

本文將符號組合區分為串接、嵌套、修飾、關係綁定、操作化、封裝、類比映射與跨模態組合。複合符號的整體意義不只取決於組成部分，也取決於組合運算與被省略的關係。本文因此提出「關係槽位」：當符號被並置而沒有明示關係時，系統不應假設關係不存在，而應建立一組候選關係與其支持條件。

本文嚴格區分模糊、歧義、未指定與受控語義未定性。模糊表示邊界不清；歧義表示存在多個互斥或競爭解釋；未指定表示某些變量尚未賦值；受控語義未定性則表示系統明確知道哪些部分尚未固定，並保留候選集、收斂條件、禁止解釋與版本歷史。此結構允許理論在早期保持生成彈性，同時避免概念隨意漂移。

本文提出語義狀態晶格與收斂算子。概念可從開放核心，經關係補全、邊界收縮、反例排除、操作化、來源綁定與形式化，逐步轉變為暫定定義、工作定義、穩定定義或分支定義。收斂不等於唯一化；若多個解釋在不同任務中皆合法，系統可以維持型別化多義或分支語義，而不是強制合併。

本文亦分析過早坍縮、語義霧、複合詞膨脹、隱含關係誤判、定義循環、類比偷渡、命名權威化、概念版本漂移與 AI 假收斂等失敗模式。本文主張，AI 在新概念生成中最有價值的角色，不是立即給出唯一漂亮定義，而是保存候選語義、列出隱含關係、追蹤反例、標記未決槽位，並在證據不足時拒絕製造虛假精確。

本文最後建立「符號組合與語義未定性引擎」（Symbolic Composition and Underspecification Engine, SCUE），提出概念核心物件、關係槽位、候選語義分支、收斂事件、定義版本與評估指標。本文為第三篇線性、空間、圖像與多模態符號結構奠定生成與關係地基。

**關鍵詞：** 符號組合、概念生成、關係隱含、語義未定性、概念核心、造詞、組合透明度、AI 原生符號、語義收斂

---

# 1. 問題起點：新概念通常先有名字，後有完整定義

理論創造常出現以下順序：

$$
\text{直覺}
\rightarrow
\text{概念並置}
\rightarrow
\text{暫定名稱}
\rightarrow
\text{關係展開}
\rightarrow
\text{工作定義}
\rightarrow
\text{形式化}
$$

例如一個新詞可能先由：

$$
A+B+C
$$

構成。

創作者大致知道為何選擇 $A$ 、為何加入 $B$ ，以及 $C$ 可能表示何種操作或層級；但未必已確定 $A$ 與 $B$ 是包含、作用、修飾還是來源關係， $C$ 又作用於整體或只作用於其中一部分。

因此：

$$
\boxed{
\text{可推測的複合名稱}
\neq
\text{完整定義}
}
$$

但它也不是沒有內容的空標籤。

# 2. 概念核心

本文定義概念核心：

# Concept Kernel

記為：

$$
\kappa
$$

其結構為：

$$
\kappa
=
\left(
N,
R^{+},
R^{?},
R^{-},
I,
U,
E,
V
\right)
$$

其中：

- $N$ ：已選取的概念節點；
- $R^{+}$ ：已確認關係；
- $R^{?}$ ：候選或未決關係；
- $R^{-}$ ：明確排除關係；
- $I$ ：使用意圖；
- $U$ ：未指定變量；
- $E$ ：證據、例子與反例；
- $V$ ：版本與演化紀錄。

概念核心不是完整概念，但已提供可被檢查與擴展的最小結構。

# 3. 概念核心與純命名的差異

純命名只包含：

$$
label
$$

概念核心則包含：

$$
label
+
components
+
candidate\ relations
+
intent
+
open\ slots
+
exclusions
$$

因此：

$$
\boxed{
\text{Name}
\neq
\text{Concept Kernel}
}
$$

一個名稱若沒有任何可追蹤組成、關係候選或使用意圖，便難以區分真正新概念與任意詞彙拼接。

# 4. 符號組合的基本形式

令符號集合為：

$$
\Sigma
=
\left\{
\sigma_1,\sigma_2,\ldots,\sigma_n
\right\}
$$

組合運算為：

$$
\circ_{\alpha}
$$

則新表達為：

$$
s
=
\sigma_1
\circ_{\alpha_1}
\sigma_2
\circ_{\alpha_2}
\cdots
\circ_{\alpha_{n-1}}
\sigma_n
$$

其中 $\alpha_i$ 代表不同組合方式。組合不是單一的字串拼接，而是結構操作。

# 5. 八種基本組合操作

## 5.1 串接

$$
A\Vert B
$$

以順序並置符號。串接本身未指定深層關係。

## 5.2 修飾

$$
A\triangleright B
$$

$A$ 限定或改變 $B$ 的範圍、性質或狀態。

## 5.3 嵌套

$$
A[B]
$$

$B$ 被封裝於 $A$ 的作用域中。

## 5.4 關係綁定

$$
A\xrightarrow{r}B
$$

明示型別化關係。

## 5.5 操作化

$$
\operatorname{Op}_A(B)
$$

將 $A$ 轉為作用於 $B$ 的操作。

## 5.6 封裝

$$
\operatorname{Pack}
\left(
A,B,R
\right)
\rightarrow
G
$$

將多個元素與關係封裝成新單元。

## 5.7 類比映射

$$
A:B
\sim
C:D
$$

將某一領域結構映射到另一領域。

## 5.8 跨模態組合

$$
A_{\mathrm{text}}
\oplus
B_{\mathrm{image}}
\oplus
C_{\mathrm{gesture}}
$$

由不同媒介共同完成意義。

# 6. 同樣的符號，不同的組合操作

即使組成符號相同：

$$
A,B
$$

不同組合可以形成：

$$
A\triangleright B,
\qquad
B\triangleright A,
\qquad
A[B],
\qquad
B[A],
\qquad
A\xrightarrow{r}B
$$

因此：

$$
\boxed{
\text{Components}
\neq
\text{Composition Structure}
}
$$

只知道一個複合詞有哪些部分，仍不足以重建完整概念。

# 7. 組合函數

定義概念組合：

$$
K_{\mathrm{new}}
=
\mathcal C_{\alpha}
\left(
K_1,K_2,\ldots,K_n
\right)
$$

其中 $\alpha$ 是組合剖面。若 $\mathcal C_{\alpha}$ 沒有被明示，讀者必須根據語序、慣例、任務、領域、前文與類比推定它。

# 8. 組合不必保守

保守組合表示新概念只由舊部分構成：

$$
K_{\mathrm{new}}
\subseteq
\operatorname{Closure}
\left(
K_1,\ldots,K_n
\right)
$$

非保守組合則可能產生湧現關係：

$$
K_{\mathrm{new}}
\not\subseteq
\operatorname{Closure}
\left(
K_1,\ldots,K_n
\right)
$$

兩個概念結合後，可能產生新操作、新尺度、新觀測方式、新治理問題或新本體層級。

# 9. 概念生成的三種結果

## 9.1 交集型

$$
K_{\mathrm{new}}
=
K_1\cap K_2
$$

## 9.2 組合型

$$
K_{\mathrm{new}}
=
\mathcal C(K_1,K_2)
$$

## 9.3 湧現型

$$
K_{\mathrm{new}}
=
\mathcal C(K_1,K_2)
+
E_{\mathrm{emergent}}
$$

其中 $E_{\mathrm{emergent}}$ 是組合後新生結構。

# 10. 關係槽位

當符號並置但關係未明示時，本文建立：

# Relation Slot

記為：

$$
\Box_r
$$

例如：

$$
A\ \Box_r\ B
$$

其中：

$$
\Box_r
\in
\mathcal R_{\mathrm{candidate}}
$$

候選關係可能包括：`is_a`、`part_of`、`acts_on`、`generated_by`、`constrained_by`、`observed_through`、`implemented_as`、`governs`、`contains` 與 `transforms_into`。

# 11. 候選關係集

定義：

$$
\mathcal R_{A,B}^{?}
=
\left\{
r_1,r_2,\ldots,r_k
\right\}
$$

每個候選關係附帶：

$$
w(r_i)
$$

表示其支持度、適用任務或來源。

重要的是：

$$
\boxed{
\text{關係未明示}
\neq
\text{關係不存在}
}
$$

# 12. 候選關係不是機率真理

$w(r_i)$ 可以代表語言慣例支持、前文支持、作者說明、使用案例、專家判定或 AI 推測，但它不必是客觀機率。系統應避免把單一分數偽裝成真實度。

# 13. 關係明示程度

定義關係明示率：

$$
E_{\mathrm{rel}}
=
\frac{
|R_{\mathrm{explicit}}|
}{
|R_{\mathrm{required}}|
}
$$

其中 $R_{\mathrm{required}}$ 依任務而變。對概念命名而言，低明示率可能可接受；對程式執行與法律規則而言，低明示率可能造成嚴重風險。

# 14. 關係隱含容量

符號系統允許多少關係透過結構、慣例與語境被恢復：

$$
I_{\mathrm{rel}}(\Lambda)
$$

高隱含容量帶來表面壓縮、快速造詞與熟悉社群中的高效溝通；同時也帶來新讀者成本、轉譯成本、歧義、形式化負擔與權威解釋問題。

# 15. 關係壓縮

將完整結構：

$$
A\xrightarrow{r_1}B
\xrightarrow{r_2}C
$$

壓縮為：

$$
ABC
$$

可定義關係壓縮率：

$$
\rho_R
=
1-
\frac{
|R_{\mathrm{surface}}|
}{
|R_{\mathrm{recoverable}}|
}
$$

高 $\rho_R$ 不必表示壞，但必須知道讀者是否能恢復。

# 16. 關係恢復成本

觀測者恢復隱含關係所需成本：

$$
C_{\mathrm{rel-recover}}
=
f
\left(
K_o,C_o,T_o,\Lambda,s
\right)
$$

同一複合符號對創作者與新讀者的成本可以極不對稱。

# 17. 語義狀態的四分法

## 17.1 模糊

邊界逐漸變化或不清楚，例如「大型系統」中的「大型」。

## 17.2 歧義

存在兩個以上競爭解釋，例如同一符號指向不同概念。

## 17.3 未指定

某一變量尚未賦值。

## 17.4 受控語義未定性

系統知道尚未確定的部分，保存候選、限制與收斂條件。

# 18. 受控語義未定性的形式

定義語義狀態：

$$
U_s
=
\left(
M^{+},
M^{?},
M^{-},
\Theta,
\mathcal E,
\mathcal Z
\right)
$$

其中：

- $M^{+}$ ：已確認語義；
- $M^{?}$ ：候選語義；
- $M^{-}$ ：排除語義；
- $\Theta$ ：未定參數；
- $\mathcal E$ ：收斂所需證據；
- $\mathcal Z$ ：停止或分支條件。

# 19. 為何需要排除語義

只記錄「可能是什麼」不夠。概念穩定也依賴：

$$
M^{-}
$$

即明確知道它不是什麼。排除條件可以防止概念無限制擴張。

# 20. 語義未定性不是缺陷

在概念生成早期，要求：

$$
|M^{?}|=1
$$

可能造成過早坍縮。合理狀態可以是：

$$
|M^{?}|>1
$$

但必須同時有候選標記、支持理由、衝突、收斂方法與版本。

# 21. 過早語義坍縮

定義：

$$
\operatorname{Collapse}
\left(
M^{?}
\right)
\rightarrow
m_i
$$

若在證據不足、任務尚未確定或替代解釋未檢查時完成，稱為過早坍縮。

後果包括：

- 新概念被既有概念吸收；
- 湧現關係消失；
- 後續資料被強迫符合早期定義；
- AI 反覆生成自我一致但錯誤的解釋。

# 22. AI 假收斂

AI 常傾向生成流暢定義、清楚分類、單一目的、對稱結構與完整條列，這可能使未成熟概念看似已完成。

因此：

$$
\boxed{
\text{Fluent Definition}
\neq
\text{Semantic Convergence}
}
$$

AI 必須能輸出：尚未決定、有多種合法解釋、目前缺乏排除條件、需要實驗或案例，以及建議維持分支。

# 23. 語義狀態晶格

定義語義狀態集合：

$$
\mathcal L_{\mathrm{sem}}
$$

以資訊確定度形成偏序：

$$
u_1
\preceq
u_2
$$

表示 $u_2$ 比 $u_1$ 更具體、限制更多或關係更明確。

可能的演化為：

```text
Open Kernel
    ↓
Candidate Meanings
    ↓
Relation-Constrained Meaning
    ↓
Operational Working Definition
    ↓
Validated Stable Definition
```

也可能分支為科學定義、工程定義與介面定義。

# 24. 收斂不等於單一化

若不同任務需要不同合法解釋：

$$
Valid(m_1,T_1)=1,
\qquad
Valid(m_2,T_2)=1
$$

則可以維持型別化多義：

$$
M(s)
=
\left\{
(T_1,m_1),
(T_2,m_2)
\right\}
$$

不必強迫產生一個模糊總定義。

# 25. 語義收斂算子

定義：

$$
\Gamma_{\mathrm{sem}}
:
U_t
\times
e_t
\rightarrow
U_{t+1}
$$

其中 $e_t$ 可以是新例子、反例、實驗、使用情境、形式約束、作者澄清、實作結果、轉譯失敗或社群爭議。

# 26. 七種收斂操作

## 26.1 關係補全

將候選關係轉為明示關係。

## 26.2 邊界收縮

排除不適用案例。

## 26.3 邊界擴張

納入新案例，但需更新定義。

## 26.4 操作化

指定輸入、輸出與轉換。

## 26.5 型別化

區分不同使用領域或任務。

## 26.6 來源綁定

將定義命題連接至來源與版本。

## 26.7 分支

當候選無法合併時建立平行定義。

# 27. 例子與反例

令概念候選為 $m$ 。

正例集合：

$$
E^{+}(m)
$$

反例集合：

$$
E^{-}(m)
$$

邊界案例：

$$
E^{\partial}(m)
$$

概念收斂不能只累積正例，也要處理哪些看似相關但不屬於、哪些案例迫使修改定義，以及哪些案例揭示多個分支。

# 28. 例子不能取代定義

大量例子可能讓人形成直覺，但不一定知道必要條件、充分條件、邊界、操作與例外。

因此：

$$
\boxed{
\text{Example Set}
\neq
\text{Definition}
}
$$

但在早期，例子可以作為概念核心的重要支架。

# 29. 類比的力量

類比映射：

$$
\phi:
K_A
\rightarrow
K_B
$$

可以快速移植結構、關係、操作與直覺，但不保證在所有關係上成立。

# 30. 類比偷渡

當創作者使用某領域詞彙時，讀者可能連同其原領域本體一起帶入。例如使用「場」「引擎」「基因」「生態」「量子」等詞，可能造成多餘推論。

因此概念核心應標記：類比保留哪些關係、哪些只作啟發，以及哪些禁止繼承。

# 31. 類比映射契約

可表示為：

$$
\phi
=
\left(
R_{\mathrm{preserve}},
R_{\mathrm{transform}},
R_{\mathrm{discard}}
\right)
$$

其中：

- $R_{\mathrm{preserve}}$ ：保留關係；
- $R_{\mathrm{transform}}$ ：需改寫關係；
- $R_{\mathrm{discard}}$ ：不可移植關係。

# 32. 命名行為

命名不是單純貼標籤。命名會：

- 建立可引用身份；
- 形成概念邊界預期；
- 引導讀者拆解；
- 影響學術分類；
- 產生後續衍生詞；
- 可能取得權威性。

因此：

$$
\operatorname{Name}(K)
$$

是一種符號操作。

# 33. 命名的前瞻性

名稱可以在完整定義之前存在。此時名稱是一個：

$$
\text{Semantic Promise}
$$

即承諾後續將補足組成、關係、邊界、用途，以及與既有概念的差異。

若長期不補足，名稱可能變成空洞權威標籤。

# 34. 命名權威化

一個概念有正式名稱後，讀者容易假設它已被明確定義、是一個獨立現象、具有穩定邊界，並且不同於既有概念。

因此：

$$
\boxed{
\text{Named}
\neq
\text{Validated}
}
$$

# 35. 複合詞膨脹

若不斷將抽象詞組合：

$$
A+B+C+D+E
$$

可能形成表面高密度、實際無法解碼的語義霧。

此現象稱為：

# Compound Inflation

判斷方式包括：

- 組成部分過多；
- 關係槽位過多；
- 沒有排除條件；
- 沒有例子；
- 無法轉為操作或可檢驗命題；
- 不同讀者重建結果差異極大。

# 36. 組合負載

定義複合符號的組合負載：

$$
L_{\mathrm{comp}}
=
|N|
+
\alpha|R^{?}|
+
\beta|U|
$$

其中：

- $|N|$ ：組成概念數；
- $|R^{?}|$ ：未決關係數；
- $|U|$ ：未指定變量數。

負載過高時，名稱本身不足以承擔理解，需要正文、圖或形式結構。

# 37. 語義霧

語義霧不是單一詞模糊，而是多個抽象詞互相解釋：

$$
A\rightarrow B\rightarrow C\rightarrow A
$$

例如用「動態」解釋「自適應」，用「場」解釋「環境」，再用「環境」解釋「場」，但缺乏外部錨點。

# 38. 外部錨點

概念應至少連接一種外部錨點：

- 可觀測現象；
- 操作；
- 資料；
- 例子；
- 反例；
- 形式關係；
- 工程物件；
- 實驗。

記為：

$$
A_{\mathrm{anchor}}(K)
$$

若完全沒有錨點，概念可能只是符號自循環。

# 39. 定義循環

若：

$$
D(A)=f(B)
$$

而：

$$
D(B)=g(A)
$$

且沒有外部基礎，便形成循環。

循環不一定非法，但必須提供共同基礎、固定點語義、操作性定義或外部觀測。

# 40. 受控未定性的時間限制

概念可以暫時未定，但不能無期限保持所有候選。

可設定：

$$
\tau_{\mathrm{review}}
$$

到達條件時重新檢查：

- 是否收斂；
- 是否分支；
- 是否放棄；
- 是否仍缺證據；
- 是否改名。

# 41. 概念版本化

定義版本：

$$
\kappa^{(v_0)}
\rightarrow
\kappa^{(v_1)}
\rightarrow
\cdots
$$

每次更新記錄：

- 新增關係；
- 移除候選；
- 新增排除；
- 定義變動；
- 名稱變動；
- 適用範圍；
- 來源。

# 42. 概念漂移

若同一名稱的意義隨時間改變：

$$
M_t(s)
\neq
M_{t+1}(s)
$$

但沒有版本標記，便產生概念漂移。

後果包括：

- 舊文章被新定義重新解讀；
- 不同社群以為在討論同一概念；
- AI 混合多個時期的定義。

# 43. 合法演化與無標記漂移

合法演化具有版本、變更理由、舊定義、適用時間與可比較性。

無標記漂移則是名稱不變、邊界變動、舊來源仍被當成支持，而且讀者無法察覺。

# 44. AI 在概念生成中的角色

AI 可以協助：

- 拆解組成符號；
- 列出候選關係；
- 找出隱含前提；
- 生成正例與反例；
- 比較既有概念；
- 維持多個定義分支；
- 記錄版本；
- 將概念轉為圖與形式結構。

# 45. AI 不應做的事

AI 不應在證據不足時：

- 強制給出唯一正式定義；
- 假裝概念已有學術共識；
- 把類比當本體；
- 自動抹平分支；
- 用流暢語言隱藏未決槽位；
- 將作者暫定說法寫成永久記憶。

# 46. 多候選語義維持

AI 應能保存：

$$
M^{?}
=
\left\{
m_1,m_2,\ldots,m_k
\right\}
$$

並為每個候選標記支持、反例、適用任務、與其他候選的衝突，以及所需驗證。

# 47. 語義分支

當兩個候選無法合併：

$$
m_1
\not\cong
m_2
$$

可建立：

$$
s^{(A)}
\parallel
s^{(B)}
$$

或：

$$
s[T_1]=m_1,
\qquad
s[T_2]=m_2
$$

型別化分支優於模糊總括。

# 48. 概念收斂條件

定義收斂條件集合：

$$
\mathcal Z_{\mathrm{sem}}
=
\left\{
z_{\mathrm{relation}},
z_{\mathrm{boundary}},
z_{\mathrm{operation}},
z_{\mathrm{evidence}},
z_{\mathrm{distinction}},
z_{\mathrm{stability}}
\right\}
$$

包括：

- 主要關係已明確；
- 適用邊界可說明；
- 至少有一種操作或檢驗方式；
- 與既有概念差異清楚；
- 主要反例已處理；
- 定義在多次使用中穩定。

# 49. 概念成熟度

可定義成熟度向量：

$$
\mathbf M_{\kappa}
=
\left(
m_R,
m_B,
m_O,
m_E,
m_D,
m_V
\right)
$$

其中：

- $m_R$ ：關係成熟度；
- $m_B$ ：邊界成熟度；
- $m_O$ ：操作成熟度；
- $m_E$ ：證據成熟度；
- $m_D$ ：差異化成熟度；
- $m_V$ ：版本穩定度。

# 50. 成熟度不是單一真實度

一個概念可以關係很清楚、實驗證據不足、工程操作成熟，但本體定義仍有分支。因此不宜用單一分數宣稱概念「完成百分之八十」。

# 51. 符號組合與語義未定性引擎

本文將系統命名為：

# Symbolic Composition and Underspecification Engine

縮寫：

# SCUE

定義：

$$
\operatorname{SCUE}
=
\left(
\Sigma,
\mathcal C,
\mathcal R,
\mathcal K,
\mathcal U,
\Gamma,
\mathcal V,
\mathcal L
\right)
$$

其中：

- $\Sigma$ ：符號與概念庫；
- $\mathcal C$ ：組合操作；
- $\mathcal R$ ：關係槽位與候選；
- $\mathcal K$ ：概念核心；
- $\mathcal U$ ：未定性狀態；
- $\Gamma$ ：語義收斂算子；
- $\mathcal V$ ：驗證與反例；
- $\mathcal L$ ：版本與演化帳本。

# 52. SCUE 系統流程

```text
Existing Symbols and Concepts
            ↓
Composition Proposal
            ↓
Concept Kernel
            ↓
Implicit Relation Detection
            ↓
Candidate Relation Slots
            ↓
Examples / Counterexamples / Intent
            ↓
Controlled Underspecification State
            ↓
Relation Completion / Branch / Exclusion
            ↓
Working Definition
            ↓
Operationalization and Validation
            ↓
Stable or Typed Multi-Definition
```

# 53. 概念核心資料模型

```json
{
  "concept_kernel": {
    "concept_id": "concept-002",
    "label": "可顯影符號",
    "components": [
      "symbol",
      "revealing",
      "multi-resolution"
    ],
    "confirmed_relations": [],
    "candidate_relations": [
      {
        "source": "revealing",
        "relation": "acts_on",
        "target": "symbol"
      },
      {
        "source": "symbol",
        "relation": "contains",
        "target": "multi-resolution semantics"
      }
    ],
    "excluded_relations": [
      "equivalent_to_abbreviation"
    ],
    "intent": [
      "support task-relative expansion"
    ],
    "open_parameters": [
      "minimum internal structure",
      "authority model"
    ],
    "examples": [],
    "counterexamples": [],
    "status": "open_kernel",
    "version": "v0.1"
  }
}
```

# 54. 語義未定性物件

```json
{
  "semantic_underspecification": {
    "concept_id": "concept-002",
    "confirmed_meaning": [
      "surface symbol can expose deeper structure"
    ],
    "candidate_meanings": [
      {
        "id": "m1",
        "meaning": "symbol with fixed layered expansion",
        "support": 0.54
      },
      {
        "id": "m2",
        "meaning": "observer-relative dynamic semantic object",
        "support": 0.82
      }
    ],
    "excluded_meanings": [
      "ordinary static acronym"
    ],
    "open_slots": [
      "whether expansion can execute operations"
    ],
    "convergence_requirements": [
      "define identity and provenance",
      "test task-relative projection"
    ]
  }
}
```

# 55. 收斂事件資料模型

```json
{
  "semantic_convergence_event": {
    "event_id": "sem-event-019",
    "concept_id": "concept-002",
    "event_type": "counterexample",
    "evidence": "a static expandable glossary entry is insufficient",
    "effects": {
      "remove_candidate": "m1",
      "strengthen_candidate": "m2",
      "add_constraint": "expansion must depend on observer or task"
    },
    "from_version": "v0.2",
    "to_version": "v0.3"
  }
}
```

# 56. 最小 API 草案

```text
compose_symbols(
  symbols,
  composition_profile,
  intent
) -> ConceptKernel

detect_relation_slots(
  concept_kernel,
  context,
  domain_rules
) -> CandidateRelations

register_semantic_candidates(
  concept_kernel,
  candidate_meanings
) -> UnderspecificationState

add_example(
  concept,
  example,
  classification
) -> UpdatedConcept

apply_semantic_evidence(
  concept,
  evidence,
  convergence_policy
) -> ConvergenceResult

branch_definition(
  concept,
  branch_conditions
) -> DefinitionBranches

stabilize_definition(
  concept,
  maturity_requirements
) -> DefinitionDecision
```

# 57. 評估指標

## 57.1 組成拆解正確率

## 57.2 候選關係召回率

## 57.3 關係誤判率

## 57.4 未決槽位保持率

## 57.5 過早坍縮率

## 57.6 反例保留率

## 57.7 定義版本可追溯率

## 57.8 類比偷渡率

## 57.9 概念漂移偵測率

## 57.10 新讀者重建一致率

## 57.11 操作化成功率

## 57.12 分支定義適切率

# 58. 基準任務

## 58.1 新複合詞關係補全

給定新詞，要求列出多個候選關係。

## 58.2 概念核心重建

從名稱、例子與短文恢復概念核心。

## 58.3 歧義—未指定分類

判斷問題屬於模糊、歧義、未指定或受控未定性。

## 58.4 反例更新

提供反例，測試系統是否修改候選而非硬保留原定義。

## 58.5 類比限制

要求指出哪些來源領域關係不能移植。

## 58.6 版本漂移

比較同名概念不同時期定義。

## 58.7 AI 假收斂測試

檢查模型是否在資訊不足時製造單一定義。

# 59. 主要失敗模式

## 59.1 任意拼詞

只有表面新穎，沒有結構。

## 59.2 語義霧

抽象概念互相循環解釋。

## 59.3 過早形式化

太早固定不成熟結構。

## 59.4 過早坍縮

刪除合法候選。

## 59.5 永久未定

概念長期不接受檢驗或收斂。

## 59.6 關係幻覺

AI 根據語序編造不存在的關係。

## 59.7 類比偷渡

將來源領域本體錯誤移植。

## 59.8 命名權威化

有名稱就被視為已驗證。

## 59.9 定義循環

概念只由彼此解釋。

## 59.10 概念漂移

同名不同義而無版本。

## 59.11 假精確

以數值與形式符號掩蓋未定問題。

## 59.12 分支抹平

把不同任務的合法定義強制合併。

# 60. 治理原則

## 原則一：名稱不是定義

## 原則二：組成不是關係

## 原則三：關係未明示不等於不存在

## 原則四：候選不是事實

## 原則五：未定性必須可追蹤

## 原則六：排除條件與正面定義同樣重要

## 原則七：反例必須能改變概念

## 原則八：收斂不必唯一化

## 原則九：類比需標記保留與丟棄關係

## 原則十：概念演化必須版本化

## 原則十一：AI 不得以流暢取代證據

## 原則十二：概念應至少連接一種外部錨點

# 61. 基礎命題

## 命題一：概念核心命題

新概念可在完整定義之前，以部分結構的概念核心存在。

## 命題二：組合操作命題

新概念的意義取決於組成符號與組合操作，而非僅取決於詞項集合。

## 命題三：湧現組合命題

符號組合可能產生組成概念中不存在的新關係與操作。

## 命題四：關係槽位命題

並置符號之間被省略的關係應被建模為候選槽位，而非視為無關係。

## 命題五：成本轉移命題

關係隱含降低編碼成本，但將部分恢復與消歧成本轉移至觀測者。

## 命題六：四態分離命題

模糊、歧義、未指定與受控語義未定性是不同狀態。

## 命題七：排除語義命題

概念穩定不只依賴它是什麼，也依賴明確記錄它不是什麼。

## 命題八：過早坍縮命題

證據不足時強制唯一化會降低概念探索與後續修正能力。

## 命題九：收斂非唯一命題

語義收斂可以形成型別化多義與分支定義，而非必須形成單一定義。

## 命題十：命名承諾命題

新名稱是對後續關係、邊界與操作補足的語義承諾，而非自動取得理論合法性。

## 命題十一：反例驅動命題

一個可工作的概念系統必須允許反例修改候選、邊界或名稱。

## 命題十二：版本化命題

概念定義與候選關係需要版本化，否則同名概念會產生不可見漂移。

## 命題十三：AI 多候選命題

AI 在概念生成中的核心價值之一，是維持、比較與收斂多個候選語義，而非立即製造唯一答案。

## 命題十四：外部錨定命題

缺乏觀測、操作、資料、例子、反例或形式關係的概念，容易形成符號自循環。

# 62. 可反證條件

若實驗顯示：

1. 概念核心模型不比普通名稱加定義更有助於概念發展；
2. 關係槽位不能提高新複合符號的解讀與轉譯品質；
3. 區分模糊、歧義、未指定與受控未定性沒有實際效益；
4. 維持多候選語義只增加負擔，且不改善反例處理與定義穩定；
5. 概念版本化不改善長期一致性；
6. AI 立即生成單一定義與多候選管理沒有穩定差異；
7. SCUE 的成本高於普通知識圖、詞彙表或版本控制，且無法改善概念生成、重建與形式化；

則本文提出的完整引擎應被簡化，並只保留關係槽位或概念版本等局部方法。

# 63. 與第一篇的關係

第一篇回答：

- 符號語言在哪些維度不同；
- 為何效率是觀測者相對的；
- 為何轉譯成本不對稱。

本篇回答：

- 新符號如何被組合；
- 隱含關係如何被保存；
- 未成熟概念如何不被過早定義；
- 語義如何逐步收斂或分支。

因此：

$$
\boxed{
\text{SLAF：比較符號差異}
}
$$

$$
\boxed{
\text{SCUE：管理符號生成與語義收斂}
}
$$

# 64. 與外部注意力場工程的關係

受控未定性允許工作場保留多個候選語義：

$$
\mathbb W_t
\supseteq
\left\{
m_1,m_2,\ldots,m_k
\right\}
$$

外部注意力場可依任務顯影主候選、反例、未決關係、分支與收斂證據，避免 AI 工作場只保留已選中的單一解釋。

# 65. 與 EML-U、NOVA 與格子語言的關係

## 65.1 EML-U

保存高密度概念核心、候選語義、未決關係、排除條件、意圖與來源。

## 65.2 NOVA

保存穩定概念身份、型別化關係、分支、版本、定義補丁與收斂事件。

## 65.3 格子語言

將概念核心、候選分支、反例、關係槽位與收斂操作封裝成可展開格子。

# 66. 與下一篇的接口

本篇主要處理概念如何由符號組合生成，但組合不只發生在線性文字中。

第三篇：

# 《線性、空間、圖像與多模態符號結構》

將進一步研究：

- 線性順序如何承載語法；
- 空間位置如何承載或誤導語義；
- 圖像如何同時表達多重關係；
- 聲音、手勢與動畫如何表達時間結構；
- 多模態組合何時互補、何時衝突；
- 同一概念如何投影到不同載體而保持身份。

# 67. 結論

本文提出符號組合、關係隱含與受控語義未定性的統一框架。

完整流程為：

$$
\boxed{
\text{既有符號}
\rightarrow
\text{組合提案}
\rightarrow
\text{概念核心}
\rightarrow
\text{關係槽位}
\rightarrow
\text{候選語義}
\rightarrow
\text{例子與反例}
\rightarrow
\text{收斂、分支或放棄}
\rightarrow
\text{工作定義}
}
$$

本文的核心區分是：

$$
\boxed{
\text{名稱}
\neq
\text{定義}
}
$$

$$
\boxed{
\text{組成部分}
\neq
\text{組合關係}
}
$$

$$
\boxed{
\text{關係未明示}
\neq
\text{關係不存在}
}
$$

$$
\boxed{
\text{候選}
\neq
\text{事實}
}
$$

$$
\boxed{
\text{未定}
\neq
\text{任意含糊}
}
$$

$$
\boxed{
\text{收斂}
\neq
\text{必須唯一}
}
$$

$$
\boxed{
\text{流暢定義}
\neq
\text{成熟概念}
}
$$

符號創造的真正能力，不只是把幾個既有詞放在一起，而是：

> 在尚未完全形式化時，先建立一個可被引用、拆解、比較與修正的概念核心；保存被壓縮的關係；明確標示尚未決定的部分；並讓例子、反例、操作與實驗逐步決定它應收斂、分支還是被放棄。

---

## 附錄 A：關係槽位範例

```json
{
  "relation_slot": {
    "slot_id": "rel-slot-001",
    "source": "attention",
    "target": "field",
    "candidates": [
      {
        "relation": "distributed_over",
        "support": 0.44
      },
      {
        "relation": "constitutes",
        "support": 0.21
      },
      {
        "relation": "is_managed_as",
        "support": 0.68
      }
    ],
    "excluded": [
      "identical_to"
    ],
    "status": "open"
  }
}
```

---

## 附錄 B：概念成熟度範例

```json
{
  "concept_maturity": {
    "concept_id": "concept-002",
    "relation_maturity": 0.72,
    "boundary_maturity": 0.48,
    "operational_maturity": 0.31,
    "evidence_maturity": 0.27,
    "differentiation_maturity": 0.66,
    "version_stability": 0.41,
    "status": "working_definition"
  }
}
```

---

## 附錄 C：分支定義範例

```json
{
  "definition_branches": {
    "concept_id": "concept-002",
    "branches": [
      {
        "branch_id": "scientific",
        "task_scope": "theory",
        "definition": "..."
      },
      {
        "branch_id": "engineering",
        "task_scope": "implementation",
        "definition": "..."
      },
      {
        "branch_id": "interface",
        "task_scope": "human_ai_interaction",
        "definition": "..."
      }
    ],
    "shared_kernel": [
      "stable identity",
      "expandable semantics",
      "task-relative projection"
    ]
  }
}
```