# 03．知識不是樹：高重疊知識空間中的路徑問題

**系列：《從路徑覆蓋到行星智能：記憶編譯型計算存在論》**  
**部別：第一部——搜尋、記憶與路徑覆蓋**  
**版本：v0.1**  
**日期：2026-08-01**

---

## 摘要

許多搜尋問題習慣以樹來表示：從一個根節點開始，每一步產生若干分支，直到找到答案。然而對知識、推理、規劃與長期智能體而言，樹往往只是「展開過程」的表面表示，而不是底層狀態空間本身。真實知識結構通常具有多重父節點、交叉連結、循環、平行關係、局部重合、同一狀態的多路徑抵達，以及不同表面表示之間的結構等價。若把這類空間強行展開成樹，同一個底層狀態可能被複製成大量不同樹節點，進而使搜尋系統把「路徑數量」誤認為「新知識數量」。

本文以圖論、商空間、路徑重疊與泛函表示為基礎，提出「高重疊知識空間」的最小模型。本文區分節點重複、邊重複、局部路徑重複、終點重複與結構重複，並說明為什麼真正需要覆蓋的對象可能不是所有表面路徑，而是狀態、關係、局部結構與等價類。進一步地，本文引入路徑投影、重疊核與商圖的概念，為下一篇「從路徑數量到有效覆蓋率」建立形式基礎。

**關鍵詞：** 知識圖譜、圖論、路徑覆蓋、結構重複、商圖、等價類、循環、知識空間、狀態空間、記憶去重

---

# 1．樹是一種很好的搜尋表示，但不是世界本身

對一個具有分支的問題，我們常畫成：

$$
v_0
\rightarrow
\{v_1,v_2,\ldots,v_b\}
$$

接著每個節點繼續向下展開：

$$
v_i
\rightarrow
\{v_{i1},v_{i2},\ldots\}
$$

於是形成一棵搜尋樹：

$$
T=(V_T,E_T)
$$

這種表示非常自然。

因為它清楚展示：

- 起點；
- 分支；
- 深度；
- 父子關係；
- 搜尋順序。

但樹具有一個非常強的結構限制：

> 任意兩個節點之間只有唯一的簡單路徑。

也就是說，若某節點已經在一個父節點之下出現，它不會再以同一個圖節點同時屬於另一個父節點。

對真正的知識空間而言，這通常不成立。

例如某個概念 $c$ 可能同時由：

$$
a\rightarrow c
$$

與：

$$
b\rightarrow c
$$

兩條路抵達。

若仍要畫成樹，就必須複製：

$$
c^{(1)},c^{(2)}
$$

於是表面上看起來像兩個不同節點：

$$
a\rightarrow c^{(1)}
$$

$$
b\rightarrow c^{(2)}
$$

但底層其實是：

$$
c^{(1)}\equiv c^{(2)}\equiv c
$$

因此：

$$
\boxed{
\text{搜尋樹中的節點數量，可以大於底層真實狀態數量。}
}
$$

---

# 2．樹展開會把「多路徑抵達」複製成「多個狀態」

設底層狀態空間是圖：

$$
G=(V,E)
$$

從根節點 $r$ 出發，可以存在兩條不同路徑：

$$
p_1:
r\rightarrow a\rightarrow c
$$

與：

$$
p_2:
r\rightarrow b\rightarrow c
$$

如果把搜尋歷史展開成樹，常會得到：

$$
r
\rightarrow
\begin{cases}
a\rightarrow c_1\\
b\rightarrow c_2
\end{cases}
$$

其中：

$$
c_1\neq c_2
$$

作為「樹節點」是不同的；

但：

$$
\pi(c_1)=\pi(c_2)=c
$$

其中 $\pi$ 是從搜尋樹映射到底層狀態圖的投影。

因此可以把搜尋樹理解為：

$$
\pi:T\rightarrow G
$$

而且通常：

$$
|\pi^{-1}(v)|\geq1
$$

某些底層狀態可能有非常多個樹中的副本。

若：

$$
|\pi^{-1}(v)|\gg1
$$

表示很多不同搜尋歷史其實反覆抵達同一個底層狀態。

這是本系列所說「高重疊」的第一個來源。

---

# 3．知識空間更適合表示成圖，而不是樹

最簡單的知識圖可以寫成：

$$
G_K=(V_K,E_K)
$$

其中：

- $V_K$ ：概念、命題、狀態、事件、模型或知識單元；
- $E_K$ ：它們之間的關係。

若關係具有方向：

$$
E_K\subseteq V_K\times V_K
$$

則可以使用有向圖。

若同一對節點之間存在多種關係：

$$
u\xrightarrow{r_1}v
$$

$$
u\xrightarrow{r_2}v
$$

則更接近多重有向圖。

若一條關係同時涉及多個節點：

$$
e=(v_1,v_2,\ldots,v_k)
$$

則可以進一步使用超圖。

這也符合知識圖譜的一般思想：將實體或概念表示為節點，將它們的關係表示為邊，並允許在圖上進行關係推理、補全與路徑推斷。

所以本文不主張：

$$
\text{所有知識都必須是普通圖}
$$

而是主張：

$$
\boxed{
\text{知識至少需要允許非樹狀關係。}
}
$$

---

# 4．第一種重複：節點重複

最簡單的情況是：

兩條不同路徑抵達同一節點：

$$
p_1:
a\rightarrow b\rightarrow z
$$

$$
p_2:
a\rightarrow c\rightarrow z
$$

此時：

$$
\operatorname{end}(p_1)
=
\operatorname{end}(p_2)
=
z
$$

如果 $z$ 後方還有一整片子圖：

$$
G_z
$$

而搜尋系統不知道兩個 $z$ 是同一狀態，就可能把：

$$
G_z
$$

完整搜尋兩次。

若同一狀態有 $k$ 條抵達路徑，則最壞情況下：

$$
\text{同一後繼區域被重複展開 }k\text{ 次}
$$

所以最基礎的 visited set、memoization、transposition table 等機制，其核心作用就是：

$$
\boxed{
\text{辨認「不同路徑是否已經抵達同一狀態」。}
}
$$

---

# 5．第二種重複：邊與關係重複

兩條路徑也可能不是共用完整節點集合，而只是共用某些轉換：

$$
p_1=
(a,b,c,d)
$$

$$
p_2=
(x,b,c,y)
$$

它們共享：

$$
b\rightarrow c
$$

如果：

$$
b\rightarrow c
$$

代表一個昂貴推理、轉換、證明步驟或模擬程序，那麼第二次重新計算它可能完全沒有必要。

因此，重用單位不一定是：

$$
\text{完整答案}
$$

也可以是：

$$
\text{局部邊}
$$

或：

$$
\text{局部轉換算子}
$$

這使記憶的粒度從「整題記住」進一步細化到：

$$
\boxed{
\text{可重用的局部狀態轉換}
}
$$

---

# 6．第三種重複：局部路徑重複

更一般地，兩條路徑可能共享一整段：

$$
p_1=
(a,b,c,d,e)
$$

$$
p_2=
(x,b,c,d,y)
$$

共有子路徑：

$$
q=(b,c,d)
$$

可以定義：

$$
q\preceq p_1
$$

且：

$$
q\preceq p_2
$$

如果這類局部重疊大量存在，那麼路徑集合：

$$
\mathcal P=
\{p_1,p_2,\ldots,p_N\}
$$

的總長度：

$$
\sum_{i=1}^{N}|p_i|
$$

會遠大於它們真正包含的獨特結構總量。

因此：

$$
\boxed{
\text{路徑總長度不是知識總量。}
}
$$

這一點非常重要。

---

# 7．第四種重複：終點相同，但中間歷史不同

有些不同路徑完全沒有共享中間節點，卻得到同一結果：

$$
p_1:
a\rightarrow b\rightarrow c\rightarrow z
$$

$$
p_2:
a\rightarrow x\rightarrow y\rightarrow z
$$

這時不能簡單說其中一條「沒有價值」。

因為兩條路可能：

- 使用不同證明方法；
- 具有不同成本；
- 對不同條件更穩健；
- 提供不同中間知識；
- 在某些故障下可以互相備援。

所以：

$$
\operatorname{end}(p_1)
=
\operatorname{end}(p_2)
$$

並不推出：

$$
p_1\sim p_2
$$

我們需要更細的等價定義。

也就是：

> 兩條路徑在什麼意義下才算「重複」？

---

# 8．第五種重複：表面不同，但結構等價

這是最困難的一種。

例如兩條路徑：

$$
p_1=
(v_1,v_2,v_3,v_4)
$$

$$
p_2=
(u_1,u_2,u_3,u_4)
$$

表面上：

$$
v_i\neq u_i
$$

甚至來自完全不同領域。

但可能存在某個結構保持映射：

$$
\phi:v_i\mapsto u_i
$$

使得：

$$
(v_i,v_j)\in E
\iff
(\phi(v_i),\phi(v_j))\in E'
$$

那麼兩條路徑可能具有同一種關係骨架。

例如：

- 一個控制系統的負回饋；
- 一個生物系統的抑制調節；
- 一個市場中的價格回調；
- 一個軟體系統中的錯誤校正。

它們的語義材料不同，但在某個抽象層可能共享：

$$
\text{偏離}
\rightarrow
\text{偵測}
\rightarrow
\text{反向作用}
\rightarrow
\text{回到穩定區}
$$

此時，單純用字面相似度或節點 ID 去重是無效的。

真正需要辨認的是：

$$
\boxed{
\text{結構重複}
}
$$

---

# 9．因此必須引入等價關係

設路徑集合為：

$$
\mathcal P
$$

定義一個等價關係：

$$
p_i\sim p_j
$$

表示：

> 在目前研究目的與抽象尺度下， $p_i$ 與 $p_j$ 可以被視為同一類結構。

若 $\sim$ 滿足：

$$
p\sim p
$$

$$
p_i\sim p_j
\Rightarrow
p_j\sim p_i
$$

以及：

$$
p_i\sim p_j,\;
p_j\sim p_k
\Rightarrow
p_i\sim p_k
$$

則可形成等價類：

$$
[p]
=
\{q\in\mathcal P:q\sim p\}
$$

於是我們不再只看：

$$
|\mathcal P|
$$

而開始看：

$$
|\mathcal P/{\sim}|
$$

也就是表面路徑被壓縮後，真正不同的結構類別數量。

---

# 10．從路徑集合到商空間

這一步是整個系列的重要轉折。

若大量知識片段只是在表面上不同，而在某個任務尺度下具有等價結構，那麼真正需要覆蓋的對象可以從：

$$
\mathcal P
$$

改成：

$$
\mathcal P/{\sim}
$$

類似地，若節點本身存在等價關係：

$$
u\sim_V v
$$

則可將節點集合壓縮成：

$$
V/{\sim_V}
$$

並形成商圖：

$$
G/{\sim_V}
$$

商圖中的每一個節點代表一整個等價類，而不是單一原始狀態。

因此：

$$
\boxed{
\text{高效覆蓋的第一步，可能不是走更多路，而是先決定哪些路其實屬於同一類。}
}
$$

---

# 11．但等價關係永遠依賴目的

不能把：

$$
p_i\sim p_j
$$

理解成絕對真理。

同一對路徑可能：

在粗尺度下：

$$
p_i\sim p_j
$$

但在細尺度下：

$$
p_i\not\sim p_j
$$

例如兩個演算法都能排序。

若研究目標只是：

$$
\text{輸入集合}
\rightarrow
\text{輸出有序集合}
$$

它們可能被歸為同一功能類。

但若研究：

- 時間複雜度；
- 空間需求；
- 穩定性；
- 平行化；
- 資料分布敏感性；

那麼兩者又必須分開。

因此更準確地寫成：

$$
p_i\sim_{\theta}p_j
$$

其中 $\theta$ 是：

$$
\text{任務}
+
\text{尺度}
+
\text{關注變數}
+
\text{容忍誤差}
$$

所以「去重」本身其實也是一個智能判斷問題。

---

# 12．知識圖不是靜態圖，而可能是時間圖

如果知識、環境與策略會改變，那麼：

$$
G_t=(V_t,E_t,W_t)
$$

會隨時間演化。

某個關係在 $t_1$ 成立：

$$
(u,v)\in E_{t_1}
$$

不代表它在 $t_2$ 仍成立：

$$
(u,v)\notin E_{t_2}
$$

某個路徑以前有效：

$$
p\in\mathcal P_{t_1}^{\mathrm{valid}}
$$

後來可能失效：

$$
p\notin\mathcal P_{t_2}^{\mathrm{valid}}
$$

這意味著記憶系統不能只問：

> 我以前看過嗎？

還必須問：

> 我以前看過的這個結構，現在仍然有效嗎？

所以路徑記憶至少要帶有：

$$
\text{時間}
+
\text{條件}
+
\text{適用範圍}
$$

這也為後續「狀態索引」埋下基礎。

---

# 13．知識圖也可能是多層圖

同一組節點可以同時存在不同類型的邊：

$$
E=
E_{\mathrm{causal}}
\cup
E_{\mathrm{semantic}}
\cup
E_{\mathrm{temporal}}
\cup
E_{\mathrm{procedural}}
\cup
E_{\mathrm{similarity}}
$$

例如兩個概念之間可能同時存在：

- 因果關係；
- 相似關係；
- 時序關係；
- 包含關係；
- 推導關係。

因此一條知識路徑真正應寫成：

$$
p=
(v_0,r_1,v_1,r_2,v_2,\ldots,r_n,v_n)
$$

其中 $r_i$ 表示關係類型。

這比單純：

$$
(v_0,v_1,\ldots,v_n)
$$

保留更多結構資訊。

而當關係類型不同，即使節點序列相同：

$$
(v_0,v_1,v_2)
$$

兩條路徑仍可能不是同一條知識路徑。

---

# 14．高重疊知識空間的最小模型

現在可以定義一個簡化的高重疊知識空間：

$$
\mathfrak K=
(G,\mathcal P,\sim,\omega)
$$

其中：

$$
G=(V,E)
$$

是底層知識圖；

$$
\mathcal P
$$

是可行知識路徑集合；

$$
\sim
$$

是依照任務尺度定義的結構等價關係；

$$
\omega
$$

則描述節點、邊或路徑之間的重疊程度。

例如定義兩條路徑的節點重疊率：

$$
O_V(p_i,p_j)
=
\frac{|V(p_i)\cap V(p_j)|}
{|V(p_i)\cup V(p_j)|}
$$

以及邊重疊率：

$$
O_E(p_i,p_j)
=
\frac{|E(p_i)\cap E(p_j)|}
{|E(p_i)\cup E(p_j)|}
$$

則可以組合為：

$$
O(p_i,p_j)
=
\alpha O_V(p_i,p_j)
+
\beta O_E(p_i,p_j)
+
\gamma O_S(p_i,p_j)
$$

其中 $O_S$ 是結構相似度。

這不是唯一的定義，只是一個最小骨架。

---

# 15．路徑數量可以呈爆炸，但有效結構未必同步爆炸

假設搜尋深度為 $d$ ，平均分支數為 $b$ 。

樹展開可能產生：

$$
N_{\mathrm{tree}}
\sim
b^d
$$

個路徑前綴。

但若大量前綴映射到相同底層狀態：

$$
\pi:T\rightarrow G
$$

則底層唯一狀態數可能只有：

$$
N_{\mathrm{state}}
\ll
N_{\mathrm{tree}}
$$

若再將結構等價類壓縮：

$$
N_{\mathrm{class}}
=
|V/{\sim}|
$$

則甚至可能：

$$
N_{\mathrm{class}}
\ll
N_{\mathrm{state}}
\ll
N_{\mathrm{tree}}
$$

因此我們得到三種完全不同的「大小」：

$$
\boxed{
N_{\mathrm{tree}},
\quad
N_{\mathrm{state}},
\quad
N_{\mathrm{class}}
}
$$

它們分別代表：

1. 展開歷史的大小；
2. 底層狀態空間的大小；
3. 任務尺度下不可再合併的結構類數量。

這三者不能混為一談。

---

# 16．這也是為什麼「全面覆蓋」不能直接理解為走完所有路徑

如果要求：

$$
\text{遍歷所有表面路徑}
$$

在有循環的圖中，甚至可能不存在有限終點。

例如：

$$
a\rightarrow b\rightarrow c\rightarrow a
$$

如果允許 walk 重複節點，則可以產生：

$$
a\rightarrow b\rightarrow c\rightarrow a
$$

$$
a\rightarrow b\rightarrow c\rightarrow a\rightarrow b
$$

$$
a\rightarrow b\rightarrow c\rightarrow a\rightarrow b\rightarrow c
$$

以及無限延長的序列。

所以：

$$
|\mathcal W|=\infty
$$

即使底層圖：

$$
|V|<\infty
$$

因此：

$$
\boxed{
\text{全面覆蓋}
\neq
\text{列舉所有可能 walk。}
}
$$

更合理的覆蓋對象可能是：

- 所有節點；
- 所有邊；
- 所有重要局部結構；
- 所有等價類；
- 所有高價值狀態轉換；
- 所有尚未被解釋的殘差方向。

第四篇將正式處理這個問題。

---

# 17．用泛函分析理解「重疊知識」

除了圖論，也可以把知識片段表示為某個內積空間中的元素：

$$
\phi_i\in\mathcal H
$$

若兩個知識片段完全不相關，理想化地可以有：

$$
\langle\phi_i,\phi_j\rangle\approx0
$$

若高度重複，則：

$$
|\langle\phi_i,\phi_j\rangle|
$$

較大。

定義 Gram 矩陣：

$$
G_{ij}
=
\langle\phi_i,\phi_j\rangle
$$

若大量知識片段高度線性相關，則即使：

$$
N\gg1
$$

有效張成維度仍可能很低：

$$
\dim
\operatorname{span}
\{\phi_1,\ldots,\phi_N\}
\ll
N
$$

這提供另一個理解方式：

> 一百萬個知識碎片，不代表有一百萬個獨立知識方向。

---

# 18．新的知識價值可以看成對既有子空間的殘差

設目前已覆蓋的知識子空間為：

$$
\mathcal S_t
=
\operatorname{span}
\{\phi_1,\ldots,\phi_t\}
$$

新知識候選為：

$$
\phi
$$

投影到既有空間：

$$
\Pi_{\mathcal S_t}\phi
$$

則真正不能被現有知識表示的部分是：

$$
\phi^\perp
=
\phi-\Pi_{\mathcal S_t}\phi
$$

其大小：

$$
\|\phi^\perp\|
$$

可以被理解為一種「新增方向量」。

如果：

$$
\|\phi^\perp\|\approx0
$$

那麼這個新碎片大部分只是已有知識的重新表述。

如果：

$$
\|\phi^\perp\|\gg0
$$

則它開啟了新的方向。

這就是第四篇「邊際覆蓋收益」的一個自然數學入口。

---

# 19．圖論重疊與泛函重疊不是同一件事

這裡必須避免偷換概念。

圖論中的：

$$
p_i\cap p_j
$$

描述節點或邊是否重合。

泛函空間中的：

$$
\langle\phi_i,\phi_j\rangle
$$

描述某種表示下的相似或相關程度。

兩者不是同一個量。

因此可以把高重疊至少拆成：

$$
O_{\mathrm{topology}}
$$

拓撲／圖結構重疊；

$$
O_{\mathrm{semantic}}
$$

語義重疊；

$$
O_{\mathrm{functional}}
$$

功能重疊；

$$
O_{\mathrm{causal}}
$$

因果結構重疊。

最後形成多尺度重疊向量：

$$
\mathbf O
=
(
O_{\mathrm{topology}},
O_{\mathrm{semantic}},
O_{\mathrm{functional}},
O_{\mathrm{causal}}
)
$$

這比單一「相似度」更適合後續的智能分類。

---

# 20．重複不一定是垃圾

高重疊也不代表所有重複都應被刪除。

某些重複具有功能價值。

例如：

## 20.1 冗餘可以提供驗證

兩條獨立路徑得到相同結果：

$$
p_1\rightarrow z
$$

$$
p_2\rightarrow z
$$

可能提高對 $z$ 的信心。

---

## 20.2 冗餘可以提供容錯

如果：

$$
p_1
$$

失效，仍有：

$$
p_2
$$

可用。

---

## 20.3 不同路徑可能揭示不同中間結構

即使終點相同：

$$
\operatorname{end}(p_1)=\operatorname{end}(p_2)
$$

中間知識價值仍不同。

---

## 20.4 重複可以估計穩定性

若多個條件、資料集或起點都導向同一結構，這本身就是新資訊。

所以：

$$
\boxed{
\text{高效去重不是刪掉所有重複，而是區分「無效重算」與「有價值冗餘」。}
}
$$

---

# 21．因此需要「覆蓋」而不是「去重」作為更高層目標

若只追求去重，系統可能刪掉必要的：

- 驗證路徑；
- 替代策略；
- 容錯結構；
- 證據獨立性；
- 不同機制。

真正合理的目標應該是：

$$
\text{Coverage}
$$

而不是單純：

$$
\text{Deduplication}
$$

去重只是工具。

覆蓋才是目的。

於是問題從：

> 這條路以前走過嗎？

提升為：

> 這條路相對於現在已有的知識，還增加了什麼不可替代結構？

這正是下一篇的核心。

---

# 22．高重疊知識空間中的快速通道

當系統辨認出：

$$
p_1,p_2,\ldots,p_k
$$

其實都共享某個公共中間結構：

$$
q
$$

就不必每次從起點重走完整路徑。

可以建立：

$$
\text{入口}
\rightarrow
q
\rightarrow
\text{後續分支}
$$

也就是快速通道。

更一般地，若某個子圖：

$$
H\subseteq G
$$

已經被充分理解，就可以把 $H$ 壓縮成一個宏節點：

$$
[H]
$$

從：

$$
G
$$

形成更高階圖：

$$
G'
$$

這相當於把已經探索成熟的知識區域「編譯」成可快速調用的模組。

因此：

$$
\boxed{
\text{路徑壓縮是記憶編譯的前身。}
}
$$

---

# 23．知識空間會形成階層式壓縮

假設原始圖為：

$$
G_0
$$

經過局部聚類與等價壓縮：

$$
G_0
\rightarrow
G_1
$$

再將成熟結構繼續抽象：

$$
G_1
\rightarrow
G_2
$$

最終得到多尺度表示：

$$
G_0
\rightarrow
G_1
\rightarrow
\cdots
\rightarrow
G_L
$$

其中：

- $G_0$ ：細粒度事件與知識碎片；
- $G_1$ ：局部模式；
- $G_2$ ：問題族；
- $G_3$ ：高階結構；
- $G_L$ ：少量非常抽象的狀態類型。

面對問題時，智能體不必永遠從 $G_0$ 搜尋。

可以先在：

$$
G_L
$$

完成粗定位，再逐層下降。

這就是未來「極致分類—快速索引」最自然的結構。

---

# 24．記憶在高重疊圖中的真正作用

前一篇將記憶能力記為：

$$
\mu
$$

回憶能力記為：

$$
\rho
$$

現在可以更準確理解兩者。

記憶不只是保存：

$$
V
$$

還需要保存：

$$
E
$$

以及：

$$
\text{哪些路徑其實共享結構}
$$

因此真正的記憶結構更接近：

$$
\mathcal M_t=
(G_t,\sim_t,\mathcal P_t,\mathcal S_t)
$$

其中：

- $G_t$ ：已知狀態與關係；
- $\sim_t$ ：目前辨認出的等價關係；
- $\mathcal P_t$ ：重要歷史路徑；
- $\mathcal S_t$ ：壓縮後的高階結構。

這種記憶不只是「存檔」。

它本身就是一張持續重組的搜尋地圖。

---

# 25．高重疊會使「記憶越多越有價值」成為可能

在完全獨立的候選空間中：

$$
x_i\perp x_j
$$

記住 $x_i$ 幾乎不能幫助處理 $x_j$ 。

但在高度重疊空間中：

$$
O(x_i,x_j)\gg0
$$

記住一個狀態或路徑，可能同時降低大量鄰近問題的成本。

也就是：

$$
\Delta M(x_i)
$$

帶來的收益不只作用於 $x_i$ ，還可能作用於：

$$
N(x_i)
$$

即一整片鄰域。

因此：

$$
\boxed{
\text{知識越高度重疊，好的記憶與分類系統越可能產生超線性的重用收益。}
}
$$

這也是後面「極強記憶智能體」為什麼值得獨立討論。

---

# 26．但高重疊同時也帶來錯誤類比風險

如果：

$$
O(x_i,x_j)
$$

很高，系統可能過早判定：

$$
x_i\sim x_j
$$

但真正決定行動的某個細微變數：

$$
z_k
$$

其實不同。

於是：

$$
\text{高相似}
\not\Rightarrow
\text{策略等價}
$$

這是非常重要的風險。

所以等價關係最好不是：

$$
x_i\sim x_j
$$

單一布林值，而可能是：

$$
P(x_i\sim_\theta x_j)
$$

或者帶有置信度與適用條件。

這樣未來遇到邊界案例時，系統才能知道：

> 這是一個「看起來很像」但仍值得重新展開的狀態。

---

# 27．本系列所說的「知識碎片」現在可以正式重寫

原本直覺上的：

$$
\text{碎片片}
$$

可以被寫成：

$$
\mathcal F=
\{f_1,f_2,\ldots,f_N\}
$$

但這些碎片不是孤立集合。

它們透過關係：

$$
R(f_i,f_j)
$$

形成圖：

$$
G_{\mathcal F}
=
(\mathcal F,R)
$$

而每一個新的推理、閱讀、計算或行動，都可能：

1. 新增節點；
2. 新增邊；
3. 合併等價節點；
4. 發現新路徑；
5. 壓縮成熟子圖；
6. 推翻舊關係；
7. 建立跨區域橋樑。

所以知識增長不是：

$$
N\rightarrow N+1
$$

而更接近：

$$
G_t\rightarrow G_{t+1}
$$

這就是「知識空間」比「知識列表」更精確的原因。

---

# 28．本文的核心命題

本文可以收斂成四個命題。

## 命題一：搜尋樹不是底層狀態空間

$$
\boxed{
T\neq G
}
$$

搜尋樹可以是圖的歷史展開，但會複製多路徑抵達的相同狀態。

---

## 命題二：路徑數量不等於獨立知識量

$$
\boxed{
|\mathcal P|
\not\propto
\text{Independent Knowledge}
}
$$

尤其在高重疊空間中，路徑數可能遠大於有效結構數。

---

## 命題三：真正的去重需要任務依賴的結構等價

$$
\boxed{
p_i\sim_\theta p_j
}
$$

其中 $\theta$ 決定什麼差異重要、什麼差異可以忽略。

---

## 命題四：高效覆蓋應作用於商空間與殘差，而不是原始路徑總數

也就是從：

$$
\mathcal P
$$

逐步轉向：

$$
\mathcal P/{\sim}
$$

以及：

$$
\phi-\Pi_{\mathcal S}\phi
$$

真正關注不可被既有結構替代的部分。

---

# 29．結論：真正昂貴的不是路多，而是不知道哪些路其實已經走過

如果每一條路徑都完全獨立，那麼大量路徑確實只能依靠更強計算逐一處理。

但若知識空間具有：

- 大量交叉；
- 多路徑抵達；
- 局部共用；
- 循環；
- 結構等價；
- 跨領域同構；
- 時間演化；

那麼真正的問題就不再只是：

$$
\text{如何更快展開？}
$$

而是：

$$
\boxed{
\text{如何知道新的展開究竟增加了多少真正的新結構？}
}
$$

因此，下一篇將不再計算：

$$
\text{走過幾條路}
$$

而開始計算：

$$
\boxed{
\text{每一條新路徑帶來多少邊際有效覆蓋。}
}
$$

也就是第四篇：

# 《從路徑數量到有效覆蓋率》

的核心問題。

---

# 參考資料

1. Ji, S., Pan, S., Cambria, E., Marttinen, P., & Yu, P. S., **A Survey on Knowledge Graphs: Representation, Acquisition and Applications**, IEEE Transactions on Neural Networks and Learning Systems / arXiv:2002.00388.  
   https://arxiv.org/abs/2002.00388

2. NetworkX Documentation, **Directed Acyclic Graphs**.  
   https://networkx.org/documentation/stable/reference/algorithms/dag.html

3. NetworkX Documentation, **Cycles**.  
   https://networkx.org/documentation/stable/reference/algorithms/cycles.html

4. NetworkX Documentation, **Quotient Graph**.  
   https://networkx.org/documentation/networkx-2.6/reference/algorithms/generated/networkx.algorithms.minors.quotient_graph.html

5. NIST, **Graph Theory / Tree discussion**, Special Publication 958.  
   https://nvlpubs.nist.gov/nistpubs/sp958-lide/html/140-144.html

---

## 系列內部依賴

**前置：** 01《知道答案之後，真的就容易了嗎？》、02《暴力窮舉不只需要計算力》  
**後續：** 04《從路徑數量到有效覆蓋率》、06《記憶編譯型狀態智能體》、07《極致分類、快速索引與計算直覺》。

## 一句話摘要

$$
\boxed{
\text{高重疊知識空間中，真正需要計算的不是「有多少表面路徑」，而是「還有多少不可由既有結構替代的路徑類與殘差方向」。}
}
$$