# 知識不只被重建：生成、組合與跨域再結構化 > **系列**：可繼承的認知：從自我解構到遞歸生成式記憶系統（第 6 篇） > **作者**：Neo.K > **研究協作**：Aletheia（阿萊） > **版本**：v1.0 > **日期**：2026-07-30 > **文章類型**：命題猜想論文／知識組合理論論文／GCMS 架構論文 --- ## 摘要 記憶系統通常被理解為保存、索引與重建既有內容的工具。然而，當系統能從多個來源抽取生成核、映射關係、重組約束並建立新的問題空間時，它所執行的已不再只是回憶。本文提出 GCMS 的生成—組合—再結構化理論，區分四種容易被混為一談的運算：來源重建、受約束生成、知識組合與跨域再結構化。來源重建要求輸出可追溯至既有證據；受約束生成允許形成來源中未逐字出現的候選敘述；知識組合要求多個知識單元在型別、尺度、假設、版本與因果方向上完成顯式對齊；跨域再結構化則進一步改寫概念分類、關係圖與問題表示，使原先分離的領域能形成新的可檢驗模型。 本文將知識組合形式化為一個帶對齊映射、相容性約束、來源證據與新穎性評估的部分運算，而非任意文字拼接。若來源單元為 $u_1,\ldots,u_k$ ，組合算子不是無條件定義的 $u_1\oplus\cdots\oplus u_k$ ，而是： $$ Y = \operatorname{Compose}_{\Theta} \left( u_1,\ldots,u_k; \Phi,\Gamma,\mathcal E \right), $$ 其中 $\Phi$ 為跨來源對齊映射， $\Gamma$ 為約束集合， $\mathcal E$ 為證據與來源鏈。只有當型別一致性、前提相容性、尺度可轉換性、版本可辨識性與矛盾處理條件成立時，組合才被視為有效候選。本文進一步提出「結構優先組合命題」：跨域組合的可遷移價值主要來自關係與生成程序的保留，而非表面詞彙或主題相似；「新穎性—可追溯性雙約束命題」：高品質生成必須同時提高相對來源的新穎性與對來源的可驗證依賴；以及「再結構化非保守命題」：真正的跨域創新可能改變原有分類與問題空間，因此不能被簡化為既有知識圖上的邊新增。 本文也分析七類失敗模式：語義拼貼、型別衝突、尺度錯置、類比過伸、來源洗白、矛盾抹平與遞歸自證。為避免生成內容污染記憶，本文主張 GCMS 必須把來源、候選、接受與棄用知識分區，並將每次生成或組合保存為可重演的運算軌跡。知識系統的目標不應只是產生看似連貫的新文本，而是建立可被證據反駁、可被版本比較、可被其他智能體重演的知識轉換。 **關鍵詞**：GCMS、知識生成、知識組合、跨域再結構化、概念組合、類比映射、概念融合、組合泛化、知識圖譜融合、本體對齊、證據鏈 --- ## 一、問題的提出：找到知識之後，系統要做什麼？ 上一篇建立了五類多路徑索引算子： $$ \mathfrak I = \{ \mathsf B, \mathsf F, \mathsf J, \mathsf D, \mathsf C \}, $$ 分別處理區塊、流式、跳躍、發散與集中尋址。 這套索引理論回答的是： > 系統如何找到局部證據、演化路徑、遠距橋接、多條候選分支與全局生成核？ 但當系統已找到多個相關知識單元後，仍有一個更困難的問題： > 這些單元應被原樣返回、重新敘述、推導新命題、互相組合，還是用來重寫原本的問題空間？ 設檢索取得的知識集合為： $$ \mathcal R_q = \{ u_1,u_2,\ldots,u_k \}. $$ 最保守的系統只返回： $$ q \mapsto \mathcal R_q. $$ 摘要系統則產生： $$ q \mapsto \operatorname{Summarize} \left(\mathcal R_q\right). $$ 然而，研究與創造性任務通常要求更高階的運算： 1. 從多篇作品中重建共同生成核； 2. 把一個領域的關係結構遷移到另一領域； 3. 合併互補方法，形成新演算法或新實驗； 4. 發現兩個理論其實使用不同詞彙描述相似結構； 5. 發現兩個表面相似的理論在尺度或前提上不能合併； 6. 將理論、產品與資料結構重新排列成新的研究計畫； 7. 由既有知識形成來源中未逐字出現、但可被檢驗的新命題。 這些運算不能都被稱為「重建」。 若系統只是把來源中已存在的結論改寫，稱為生成會誇大其創新性；若系統產生了來源中沒有的新結論，稱為重建則會掩蓋推論責任。若系統把兩篇文件的句子拼在一起，稱為知識組合也會把表面流暢誤當結構有效。 因此本文先提出四分法： $$ \mathfrak O_{\mathrm{knowledge}} = \{ \mathsf R, \mathsf G, \mathsf C, \mathsf X \}, $$ 其中： - $\mathsf R$ ：重建（reconstruction）； - $\mathsf G$ ：生成（generation）； - $\mathsf C$ ：組合（composition）； - $\mathsf X$ ：再結構化（restructuring）。 本文主張： $$ \boxed{ \text{知識不只被重建} } $$ 但只有在來源、約束、型別與驗證被明確保存時，生成與組合才可能成為知識運算，而不是修辭性拼貼。 --- ## 二、研究背景：組合不是把元素放在一起而已 ### 2.1 組合性：整體意義取決於部分與結構 組合性原則通常被表述為：複雜表達式的意義由其組成部分的意義以及組合結構決定。[1] 若組成元素為： $$ a_1,a_2,\ldots,a_n, $$ 組合結構為： $$ \sigma, $$ 則整體意義可寫成： $$ \mu \left( \sigma(a_1,\ldots,a_n) \right) = F_{\sigma} \left( \mu(a_1),\ldots,\mu(a_n) \right). $$ 這個原則對 GCMS 的重要性在於： $$ \text{相同元素} + \text{不同結構} \Rightarrow \text{不同知識結果}. $$ 例如，「理論 $A$ 支援理論 $B$ 」與「理論 $B$ 反駁理論 $A$ 」可能涉及相同兩個節點，卻具有完全不同的知識內容。若系統只聚合詞彙與段落，而忽略關係方向與作用域，就無法形成可靠的組合。 然而，本文不採用最強的完全組合主義。跨域創新有時會產生輸入領域中都沒有直接表示的新結構；語境、目的與背景知識也可能改變組合結果。因此本文採取較一般的形式： $$ \mu(Y) = F \left( \mu(u_1),\ldots,\mu(u_k), \Phi, \Gamma, q, \mathcal B \right), $$ 其中： - $\Phi$ ：來源之間的對齊； - $\Gamma$ ：相容性與治理約束； - $q$ ：當前任務； - $\mathcal B$ ：背景知識與可用算子。 組合結果不只取決於元素，也取決於它們如何被映射、在哪個問題下被結合，以及哪些條件禁止某些組合。 ### 2.2 類比與結構映射：跨域遷移的是關係，不只是屬性 Gentner 的結構映射理論主張，類比的重要部分是把基底領域中的關係系統映射到目標領域，而不是只比較物件的表面屬性；高階、系統性的關係通常比孤立特徵更有價值。[2][3][4] 設基底領域為： $$ \mathcal D_s, $$ 目標領域為： $$ \mathcal D_t. $$ 類比映射可表示為一個部分映射： $$ \phi: \mathcal D_s \rightharpoonup \mathcal D_t, $$ 使某些關係近似保持： $$ R_s(x_1,\ldots,x_m) \Rightarrow R_t \left( \phi(x_1),\ldots,\phi(x_m) \right). $$ 這對 GCMS 的啟示是： > 跨域組合不能以詞彙重疊作為唯一橋梁；真正可遷移的往往是因果、約束、遞歸、守恆、分層或轉換等關係結構。 例如，兩個領域都使用「流」這個詞，不代表它們可以直接組合；反之，兩個領域即使完全沒有共同詞彙，只要共享可對齊的狀態轉移與守恆結構，仍可能形成高價值橋接。 ### 2.3 概念融合：新結構可能在組合空間中湧現 Fauconnier 與 Turner 的概念融合框架以多個輸入心理空間、一般空間與融合空間描述概念整合。其重點之一是：融合空間可能形成輸入空間中沒有逐項存在的 emergent structure，並透過組合、完成與展開產生新的推論。[5][6] 可將輸入空間寫成： $$ \mathcal I_1, \mathcal I_2, $$ 一般結構為： $$ \mathcal G_0, $$ 融合空間為： $$ \mathcal B^\ast. $$ 選擇性投影為： $$ \pi_1:\mathcal I_1\rightharpoonup\mathcal B^\ast, \qquad \pi_2:\mathcal I_2\rightharpoonup\mathcal B^\ast. $$ 則： $$ \mathcal B^\ast \neq \pi_1(\mathcal I_1) \cup \pi_2(\mathcal I_2), $$ 因為融合空間還可能包含由輸入互動產生的新關係。 本文吸收這個洞見，但加入 GCMS 所需的證據治理：融合空間中的新結構必須被標記為候選，不能因為它在語言上自然就被宣稱為來源事實。 ### 2.4 程式歸納與組合泛化：生成能力依賴可重用程序 Lake、Salakhutdinov 與 Tenenbaum 的 Bayesian Program Learning 研究將概念表示為可組合的生成程序，並顯示程序式表示可以支援由少量樣本進行概念學習與生成。[7] 在這類觀點下，概念不是只有靜態向量，而可能包含： $$ \text{primitive} + \text{composition rule} + \text{stochastic variation}. $$ 然而，Lake 與 Baroni 的 SCAN 實驗也顯示，序列模型在某些訓練分布內可以成功混合已見片段，卻可能在要求系統性重組的新組合上失敗。[8] 後續研究則試圖同時取得神經模型的彈性與人類式系統性泛化。[9] 這些結果共同指出： $$ \text{會產生新輸出} \neq \text{具有可靠組合能力}. $$ GCMS 若要進行生成與組合，必須評估系統能否把學到的生成規則重新作用於未見結構，而不是只依靠訓練分布中的表面片段近鄰。 ### 2.5 關係歸納偏置與圖網路：組合需要顯式結構介面 Battaglia 等人主張，實體、關係與可重用規則所形成的關係歸納偏置，是組合泛化的重要基礎；圖網路提供了一種以節點、邊與全局狀態進行結構化更新的通用介面。[10] 對知識組合而言，這意味著組合不應只發生在文本層，而應作用於： - 實體與概念； - 關係與因果方向； - 局部規則； - 全局約束； - 來源與版本。 若組合只在字串層進行，系統很難判斷「相同名稱但不同實體」或「不同名稱但相同角色」；若有結構化圖表示，則可顯式檢查關係是否能被遷移與合成。 ### 2.6 本體與實體對齊：跨知識庫組合首先是對齊問題 跨知識圖譜整合通常需要辨識不同圖中的等價、近似、包含或互斥實體。實體對齊研究指出，名稱與屬性相似不一定足夠，結構與本體資訊可以降低錯誤映射；OntoEA 進一步利用類別階層與類別互斥資訊避免不合理對齊。[11][12][13] 對 GCMS 而言，跨域組合至少需要區分： $$ \equiv, \subseteq, \supseteq, \approx, \perp, \text{unresolved}. $$ 即： - 等價； - 子類或特例； - 上位類或一般化； - 近似但不可互換； - 互斥或型別不相容； - 尚未確定。 將所有高相似度節點視為等價，會使跨域組合從一開始就失真。 --- ## 三、知識單元與組合介面 ### 3.1 帶型別的知識單元 設知識單元為： $$ u_i = \left( c_i, \tau_i, \Gamma_i, \Lambda_i, V_i, E_i, P_i \right), $$ 其中： - $c_i$ ：內容或命題； - $\tau_i$ ：知識型別； - $\Gamma_i$ ：前提與約束； - $\Lambda_i$ ：尺度、單位、時間與作用域； - $V_i$ ：版本資訊； - $E_i$ ：來源證據； - $P_i$ ：生成或推導路徑。 型別集合可包含： $$ \mathcal T = \{ \text{definition}, \text{observation}, \text{hypothesis}, \text{theorem}, \text{method}, \text{model}, \text{artifact}, \text{policy} \}. $$ 一個觀察不能在沒有額外推理時被當成普遍定律；一個命題猜想也不能因為與已證明定理相鄰就取得相同真值地位。 因此知識組合不是： $$ c_i+c_j, $$ 而是： $$ \left(c_i,\tau_i,\Gamma_i,\Lambda_i,E_i\right) \oplus \left(c_j,\tau_j,\Gamma_j,\Lambda_j,E_j\right). $$ ### 3.2 組合介面 定義組合介面： $$ \mathcal I_{\mathrm{comp}} = \left( \Phi, \Gamma, \Omega, \mathcal E, \mathcal Q \right), $$ 其中： - $\Phi$ ：實體、關係、變數與角色對齊； - $\Gamma$ ：相容性約束； - $\Omega$ ：允許使用的組合算子； - $\mathcal E$ ：證據與來源鏈； - $\mathcal Q$ ：待回答問題與評估目標。 組合算子定義為部分函數： $$ \operatorname{Compose}_{\mathcal I_{\mathrm{comp}}}: \mathcal U^k \rightharpoonup \mathcal Y. $$ 之所以是部分函數，是因為並非任何知識單元都可以被合法組合。 ### 3.3 相容性條件 定義： $$ \operatorname{Compatible} \left( u_1,\ldots,u_k \right) \equiv C_{\mathrm{type}} \wedge C_{\mathrm{premise}} \wedge C_{\mathrm{scale}} \wedge C_{\mathrm{version}} \wedge C_{\mathrm{causal}} \wedge C_{\mathrm{governance}}. $$ 其中： - $C_{\mathrm{type}}$ ：型別可以轉換或共同作用； - $C_{\mathrm{premise}}$ ：前提不互相否定，或矛盾已被顯式處理； - $C_{\mathrm{scale}}$ ：尺度、單位與粒度可轉換； - $C_{\mathrm{version}}$ ：版本差異已辨識； - $C_{\mathrm{causal}}$ ：因果方向未被倒置； - $C_{\mathrm{governance}}$ ：權限、授權與來源政策允許組合。 只有當： $$ \operatorname{Compatible} \left( u_1,\ldots,u_k \right) =1, $$ 組合才可以進入正式候選階段。 若相容性不成立，系統仍可建立「比較包」或「矛盾包」，但不能產生未標記的融合結論。 --- ## 四、四類知識運算 ### 4.1 重建算子 $\mathsf R$ 重建的目標是依據證據恢復既有內容或結構： $$ \hat x = \mathsf R \left( \mathcal E, \mathcal S, q \right). $$ 重建輸出應滿足： $$ \operatorname{Grounded}(\hat x,\mathcal E) \geq \theta_E. $$ 重建可以是： - 原文恢復； - 章節結構恢復； - 摘要與命題恢復； - 生成路徑恢復； - 版本差分恢復。 但重建不應偷偷加入來源中沒有的新前提。 ### 4.2 生成算子 $\mathsf G$ 生成允許形成來源中未逐字存在的新候選： $$ y = \mathsf G \left( q, \mathcal R_q, \Theta \right). $$ 生成的關鍵不是「新文字」，而是相對來源的新結構： $$ N(y\mid\mathcal R_q) >0. $$ 例如： - 從多篇文獻歸納共同命題； - 形成新的實驗預測； - 提出尚未存在的分類； - 把既有生成核作用於新問題； - 將既有方法改造成新演算法。 但生成物必須標註為： $$ \text{candidate}, $$ 而不是： $$ \text{source fact}. $$ ### 4.3 組合算子 $\mathsf C$ 組合要求至少兩個可辨識來源共同參與： $$ y = \mathsf C \left( u_1,\ldots,u_k; \Phi,\Gamma \right). $$ 本文區分五種組合： #### 並置組合 只把多個來源放在同一結構中： $$ \mathsf C_{\mathrm{juxtapose}} \left(u_1,u_2\right) = \{u_1,u_2\}. $$ 這不是深層融合，但有助於比較。 #### 補完組合 兩個來源提供互補部分： $$ \mathsf C_{\mathrm{complete}} \left(u_1,u_2\right) = y, $$ 使： $$ \operatorname{Coverage}(y) > \operatorname{Coverage}(u_1), \operatorname{Coverage}(u_2). $$ #### 模組組合 方法或元件經介面連接： $$ M_2 \circ M_1. $$ 此時必須檢查輸出型別是否符合下一模組輸入型別。 #### 類比組合 將一個領域的關係系統遷移到另一領域： $$ \phi:\mathcal D_s\rightharpoonup\mathcal D_t. $$ #### 融合組合 在對齊後形成輸入中沒有的 emergent structure： $$ y \notin \operatorname{Closure} \left( \{u_1,\ldots,u_k\}, \Omega_{\mathrm{trivial}} \right). $$ 這是創新潛力最高、同時風險最大的組合形式。 ### 4.4 再結構化算子 $\mathsf X$ 再結構化不只產生新命題，而是改變知識空間本身： $$ \mathsf X: \mathcal G_t \mapsto \mathcal G_{t+1}. $$ 變化可能包括： - 重定義節點型別； - 新增或刪除關係類別； - 將兩個系列視為同一生成核的投影； - 把原本的一個問題拆成多個不同問題； - 發現兩個不同領域共享更高階的抽象結構； - 將一套結果重新排列成方法論、產品架構或研究計畫。 若舊問題空間為： $$ \mathcal Q_t, $$ 再結構化後可能得到： $$ \mathcal Q_{t+1} \neq \mathcal Q_t. $$ 因此： $$ \boxed{ \text{再結構化} \neq \text{在舊圖上多加幾條邊} } $$ 真正的再結構化可能改變什麼被視為節點、什麼被視為關係，以及什麼才是問題。 --- ## 五、跨域對齊模型 ### 5.1 對齊對象 設兩個領域知識圖為： $$ \mathcal G_A = \left(V_A,E_A,\tau_A\right), $$ $$ \mathcal G_B = \left(V_B,E_B,\tau_B\right). $$ 對齊不只是節點映射： $$ \phi_V:V_A\rightharpoonup V_B, $$ 也包括關係映射： $$ \phi_E:E_A\rightharpoonup E_B, $$ 型別映射： $$ \phi_{\tau}:\mathcal T_A\rightharpoonup\mathcal T_B, $$ 以及約束映射： $$ \phi_{\Gamma}:\Gamma_A\rightharpoonup\Gamma_B. $$ 完整對齊為： $$ \Phi = \left( \phi_V, \phi_E, \phi_{\tau}, \phi_{\Gamma} \right). $$ ### 5.2 對齊信心 每一映射應保存信心與證據： $$ m_j = \left( a_j,b_j,r_j,p_j,\kappa_j \right), $$ 其中： - $a_j$ ：來源元素； - $b_j$ ：目標元素； - $r_j$ ：等價、包含、近似、互斥等關係； - $p_j$ ：支持證據； - $\kappa_j$ ：信心。 不能只保存： $$ a_j\approx b_j, $$ 而沒有說明近似在哪個維度成立。 ### 5.3 保結構與不保結構映射 若映射保持關係： $$ R_A(x,y) \Rightarrow R_B \left( \phi(x),\phi(y) \right), $$ 稱為保結構映射。 若只保持局部表面相似： $$ \operatorname{Sim}(x,\phi(x)) \geq\theta, $$ 但關係不保持，則只能視為候選橋接。 本文定義結構保持率： $$ \operatorname{SPR}(\Phi) = \frac{ \#\{ e\in E_A:\phi_E(e)\text{ 成立} \} }{ \#\{ e\in E_A:\phi_E(e)\text{ 可評估} \} }. $$ 高詞彙相似但低 $\operatorname{SPR}$ 的映射，不應被用來支撐深層跨域推論。 --- ## 六、知識組合的正式流程 ### 6.1 步驟一：任務與作用域宣告 輸入： $$ q, \Theta_q, $$ 其中 $\Theta_q$ 包含： - 目標輸出型別； - 可使用領域； - 可接受新穎度； - 必要證據門檻； - 權限與敏感度； - 最大發散與遞歸深度。 ### 6.2 步驟二：多路徑檢索 使用上一篇的索引程式： $$ \pi_q = (o_1,\ldots,o_T), \qquad o_t\in\mathfrak I. $$ 取得： $$ \mathcal R_q = \{u_1,\ldots,u_k\}. $$ ### 6.3 步驟三：型別與來源正規化 建立： $$ \widetilde u_i = \operatorname{Normalize}(u_i). $$ 正規化包括： - 單位與尺度； - 符號名稱； - 版本； - 真值狀態； - 作者與來源； - 時間作用域； - 定義域與適用邊界。 ### 6.4 步驟四：候選對齊 產生多個候選映射： $$ \mathcal A = \{ \Phi_1,\ldots,\Phi_m \}. $$ 每個映射評估： $$ S_{\mathrm{align}} = w_1S_{\mathrm{entity}} + w_2S_{\mathrm{relation}} + w_3S_{\mathrm{type}} + w_4S_{\mathrm{constraint}} - w_5P_{\mathrm{conflict}}. $$ ### 6.5 步驟五：相容性與矛盾分析 對候選集合計算： $$ \operatorname{Compatible} \left( u_1,\ldots,u_k \right). $$ 矛盾不一定導致停止。系統可以選擇： - 排除衝突來源； - 分支組合； - 建立條件化結論； - 建立反例包； - 保留不可判定狀態。 若兩個命題為： $$ p \qquad\text{與}\qquad \neg p, $$ 合法處理可以是： $$ (p\mid\Gamma_1) \qquad\text{與}\qquad (\neg p\mid\Gamma_2), $$ 而不是把二者平均成模糊敘述。 ### 6.6 步驟六：產生候選組合 對每個有效映射與算子產生： $$ Y_j = \operatorname{Compose} \left( \mathcal R_q, \Phi_j, \Omega_j \right). $$ ### 6.7 步驟七：評估新穎性、保真與效用 定義候選分數： $$ U(Y_j) = \alpha N_j + \beta F_j + \gamma T_j + \delta V_j - \lambda R_j - \mu C_j, $$ 其中： - $N_j$ ：新穎性； - $F_j$ ：來源保真； - $T_j$ ：新任務遷移能力； - $V_j$ ：可驗證性； - $R_j$ ：治理與失真風險； - $C_j$ ：運算成本。 ### 6.8 步驟八：證據化輸出 輸出不是只有正文，而是： $$ \mathcal Y_j = \left( Y_j, \mathcal E_j, \Phi_j, \Gamma_j, \Delta_j, \Sigma_j \right), $$ 其中： - $Y_j$ ：候選內容； - $\mathcal E_j$ ：來源證據； - $\Phi_j$ ：對齊映射； - $\Gamma_j$ ：假設與邊界； - $\Delta_j$ ：相對來源新增的推論； - $\Sigma_j$ ：未解決衝突與不確定性。 ### 6.9 步驟九：治理寫回 候選先進入： $$ \mathcal M_{\mathrm{candidate}}, $$ 只有經過驗證後才能進入： $$ \mathcal M_{\mathrm{accepted}}. $$ 這為後續第 8 篇的三區治理建立前置形式。 --- ## 七、核心命題與猜想 ### 命題一：組合非拼接命題 設： $$ \operatorname{Concat}(u_1,u_2) $$ 只保留內容並置，而： $$ \operatorname{Compose}(u_1,u_2) $$ 保留對齊、型別、關係、約束與來源。 對需要跨來源推理的任務集合 $Q_C$ ，本文預測： $$ \mathbb E_{q\sim Q_C} \left[ U \left( \operatorname{Compose}(u_1,u_2) \right) \right] > \mathbb E_{q\sim Q_C} \left[ U \left( \operatorname{Concat}(u_1,u_2) \right) \right]. $$ 若兩者在控制文字長度與模型能力後沒有顯著差異，命題被削弱。 ### 命題二：結構優先組合命題 對遠距跨域問題，基於關係結構的對齊，應比僅基於表面詞彙相似的對齊具有更高遷移效用： $$ T_{\mathrm{struct}} > T_{\mathrm{lexical}}. $$ 該命題承接結構映射理論與關係歸納偏置，但在 GCMS 中要求實際以新問題表現檢驗。 ### 命題三：新穎性—可追溯性雙約束命題 高品質知識生成不能只最大化新穎性： $$ \max N(Y). $$ 而應最佳化： $$ \max \left( N(Y), F_E(Y), V(Y) \right), $$ 其中 $F_E$ 為證據保真， $V$ 為可驗證性。 若新穎性提高時證據與驗證能力快速坍縮，則系統只是提高不可控生成自由度。 ### 命題四：型別約束增益命題 在混合定義、觀察、猜想、定理與方法的知識庫中，加入型別約束應降低錯誤真值提升： $$ \operatorname{FalseUpgrade}_{\mathrm{typed}} < \operatorname{FalseUpgrade}_{\mathrm{untyped}}. $$ 所謂錯誤真值提升，是指系統把低證據狀態內容當成高證據狀態結論。 ### 命題五：條件化矛盾保存命題 若兩個結論在不同前提下成立，顯式保存條件應比無條件融合得到更高準確度： $$ U \left( (p\mid\Gamma_1), (\neg p\mid\Gamma_2) \right) > U \left( \operatorname{Average}(p,\neg p) \right). $$ ### 命題六：組合泛化命題 若系統真正學到可重用生成核與關係算子，則它在未見元素組合上的表現應高於只依靠表面近鄰的模型： $$ \operatorname{Perf}_{\mathrm{novel\text{-}composition}} \gg \operatorname{Perf}_{\mathrm{memorization}}. $$ 此命題需要以分布外組合測試，而不是只在同分布文本生成上測量。 ### 命題七：再結構化非保守命題 設原知識圖為： $$ \mathcal G_t. $$ 若所有「創新」都只能表示為： $$ \mathcal G_{t+1} = \mathcal G_t \cup \Delta E, $$ 即只新增邊而不改變節點與關係類型，則系統無法表達某些真正改變概念分類與問題邊界的創新。 因此存在任務，使： $$ \mathcal G_{t+1} \not\cong \mathcal G_t \cup \Delta E. $$ ### 猜想一：生成核傳輸猜想 若兩個領域共享較高階生成程序： $$ K_A \cong K_B, $$ 即使表面內容相似度低，將 $K_A$ 遷移到領域 $B$ 仍可能提高新問題解決率。 ### 猜想二：多階段組合支配猜想 相較於一次性端到端生成： $$ Y = G(q,\mathcal R_q), $$ 顯式執行： $$ \text{對齊} \rightarrow \text{相容性} \rightarrow \text{生成} \rightarrow \text{驗證} $$ 在高風險知識任務上應有較低錯誤率與較高可審計性。 ### 猜想三：重組臨界點猜想 當跨域對齊的結構保持率與證據覆蓋率超過某個閾值時，組合結果的效用可能出現非線性躍升： $$ \operatorname{SPR}(\Phi) \geq \theta_S, \qquad F_E \geq \theta_E \Rightarrow U(Y) \text{ 急遽上升}. $$ 這與第 3 篇的提示相變概念相呼應，但作用於多來源組合而非單一記憶提取。 --- ## 八、品質與風險指標 ### 8.1 來源覆蓋率 $$ \operatorname{SourceCoverage}(Y) = \frac{ \text{可追溯主張數} }{ \text{總主張數} }. $$ ### 8.2 新增推論率 $$ \operatorname{NovelInferenceRate}(Y) = \frac{ \text{來源未逐字包含但由組合導出的主張} }{ \text{總主張數} }. $$ ### 8.3 映射正確率 $$ \operatorname{MAPAcc}(\Phi) = \frac{ \text{經人工或黃金標準確認的映射} }{ \text{全部映射} }. $$ ### 8.4 型別保持率 $$ \operatorname{TypePreservation}(Y) = 1- \frac{ \text{型別提升或錯置數} }{ \text{可評估主張數} }. $$ ### 8.5 矛盾保存率 $$ \operatorname{ConflictRetention}(Y) = \frac{ \text{輸出中保留的關鍵矛盾} }{ \text{來源中可辨識的關鍵矛盾} }. $$ ### 8.6 組合新穎性 可用來源到輸出的最短描述差異近似： $$ N(Y) \approx L(Y\mid\mathcal R_q,\Omega), $$ 但必須避免把無意義噪音當成高新穎性。 ### 8.7 組合效用 $$ U_{\mathrm{comp}} = \alpha T + \beta V + \gamma F_E + \delta N_{\mathrm{useful}} - \lambda R. $$ ### 8.8 結構改寫幅度 $$ \operatorname{RestructureDistance} \left( \mathcal G_t,\mathcal G_{t+1} \right) = \alpha d_V + \beta d_E + \gamma d_{\tau} + \delta d_Q. $$ 其中： - $d_V$ ：節點集合變化； - $d_E$ ：關係變化； - $d_{\tau}$ ：型別系統變化； - $d_Q$ ：問題空間變化。 --- ## 九、實驗設計與可否證條件 ### 9.1 拼接、摘要、組合三組比較 建立三種系統： 1. 文字拼接； 2. 一般摘要或端到端生成； 3. 顯式對齊、相容性與證據化組合。 任務包括： - 找出跨文獻共同機制； - 合併兩個互補方法； - 判斷兩個理論能否組合； - 產生可檢驗的新預測。 若第三組在正確率、來源可追溯性與新問題遷移上無顯著優勢，組合框架需被修正。 ### 9.2 表面相似與結構相似對照 建立： - 高詞彙相似、低關係同構對； - 低詞彙相似、高關係同構對。 檢驗系統是否偏好錯誤的表面橋接。 ### 9.3 未見組合測試 訓練或建庫時只呈現部分元素—操作組合，測試時要求未見重組： $$ (a,\omega_1), (b,\omega_2) \Rightarrow (a,\omega_2). $$ 若系統只能在已見組合上表現良好，則不具可靠組合泛化。 ### 9.4 型別消融 移除： - 命題型別； - 真值狀態； - 版本； - 尺度； - 來源。 測量錯誤真值提升與錯誤組合率。 ### 9.5 矛盾保存測試 建立來源內含： $$ p\mid\Gamma_1, \qquad \neg p\mid\Gamma_2. $$ 觀察系統能否保留條件差異，而不是輸出模糊平均。 ### 9.6 再結構化人工評審 由跨領域專家評估： - 是否形成新但有用的分類； - 是否改變問題表示； - 是否只是重新命名； - 是否保留來源與反例； - 是否提出可被實驗否證的結果。 ### 9.7 長期遞歸污染測試 將候選組合在多輪後重新作為輸入，測量： $$ \operatorname{Drift}(t), \qquad \operatorname{SourceLoss}(t), \qquad \operatorname{SelfCitation}(t). $$ 若生成物逐輪失去原始來源，或主要依靠先前生成物互相支持，則自主循環不可進入正式記憶。 --- ## 十、工程架構：GCMS Composition Runtime ### 10.1 核心元件 未來 GCMS 組合運行時可分為： 1. **Retriever**：多路徑檢索； 2. **Normalizer**：型別、尺度與版本正規化； 3. **Aligner**：實體、關係與約束對齊； 4. **Compatibility Engine**：相容性與衝突檢查； 5. **Composer**：產生組合候選； 6. **Restructurer**：產生圖與問題空間改寫候選； 7. **Verifier**：證據、邏輯與實驗驗證； 8. **Memory Governor**：候選、接受與棄用治理； 9. **Trace Store**：保存可重演運算軌跡。 形式上： $$ \mathcal R_q \xrightarrow{\mathrm{Normalize}} \widetilde{\mathcal R}_q \xrightarrow{\mathrm{Align}} \mathcal A_q \xrightarrow{\mathrm{Check}} \mathcal A_q^\ast \xrightarrow{\mathrm{Compose}} \mathcal Y_q \xrightarrow{\mathrm{Verify}} \widetilde{\mathcal Y}_q. $$ ### 10.2 組合軌跡 每次運算應保存： $$ \mathcal T_C = \left( q, \mathcal R_q, \Phi, \Gamma, \Omega, Y, \mathcal E, \Sigma, \operatorname{Decision} \right). $$ 這使其他智能體可以回答： - 哪些來源被使用？ - 哪些元素被對齊？ - 哪些來源被排除？ - 哪些主張是新推論？ - 哪些矛盾尚未解決？ - 為什麼候選被接受或拒絕？ ### 10.3 候選分區 組合輸出至少分為： $$ \mathcal Y = \mathcal Y_{\mathrm{reconstructed}} \cup \mathcal Y_{\mathrm{generated}} \cup \mathcal Y_{\mathrm{composed}} \cup \mathcal Y_{\mathrm{restructured}}. $$ 不同類型使用不同審核門檻。重建只需來源保真；再結構化則需要更高層的專家、實驗或長期驗證。 ### 10.4 可用算子登錄 組合算子應版本化： $$ \Omega = \{ \omega_1^{(v_1)}, \omega_2^{(v_2)}, \ldots \}. $$ 例如： - 類比映射； - 模組串接； - 變數替換； - 尺度轉換； - 因果圖合併； - 生成核抽取； - 本體橋接； - 矛盾分支； - 抽象化與具體化。 算子本身也是可審計知識，而不是隱藏提示詞。 --- ## 十一、三個示意案例 ### 11.1 方法—方法組合 來源 $u_1$ 提供高召回檢索方法： $$ M_R. $$ 來源 $u_2$ 提供高精度證據驗證方法： $$ M_V. $$ 若介面型別相容： $$ \operatorname{OutputType}(M_R) = \operatorname{InputType}(M_V), $$ 則可形成： $$ M = M_V\circ M_R. $$ 但若 $M_V$ 假設輸入已去重，而 $M_R$ 返回大量重複候選，就需要額外中介模組： $$ M = M_V\circ M_D\circ M_R. $$ 這顯示組合不是簡單把兩個方法同時提到，而是建立可執行介面。 ### 11.2 跨域類比組合 來源領域 $A$ 有： $$ \text{狀態} \rightarrow \text{轉換} \rightarrow \text{守恆檢查}. $$ 目標領域 $B$ 有： $$ \text{知識版本} \rightarrow \text{編輯操作} \rightarrow \text{來源一致性檢查}. $$ 若建立映射： $$ \phi(\text{狀態}) = \text{知識版本}, $$ $$ \phi(\text{轉換}) = \text{編輯操作}, $$ $$ \phi(\text{守恆}) = \text{證據不變量}, $$ 則可形成「知識版本守恆」候選框架。 但這仍是類比，不是物理守恆定律的直接轉移。系統必須標記哪些關係被保留，哪些只是啟發式。 ### 11.3 系列再結構化 假設知識庫原本依網站、年份與檔案分類： $$ \mathcal G_t. $$ 經生成核與關係分析後，系統發現多個系列共享： - 相同母問題； - 相同遞歸算子； - 不同尺度實作； - 相似驗證模式。 系統提出新結構： $$ \mathcal G_{t+1} = \operatorname{Regroup} \left( \mathcal G_t, \mathcal K_{\mathrm{gen}}, \mathcal E_{\mathrm{bridge}} \right). $$ 這不刪除舊分類，而是建立一個新的可驗證投影。如此一來，歷史檔案結構與理論結構可以共存。 --- ## 十二、失敗模式與治理邊界 ### 12.1 語義拼貼 系統把多個相關段落組成流暢文本，卻沒有真正對齊其前提與關係。 治理：強制輸出對齊映射與新增推論清單。 ### 12.2 型別衝突 把觀察、猜想或設計提案提升為已證明事實。 治理：型別檢查、真值狀態與證據門檻。 ### 12.3 尺度錯置 微觀模型被直接套用到宏觀層次，或局部案例被宣稱為普遍規律。 治理：保存尺度、單位、時間窗與作用域；要求顯式尺度轉換。 ### 12.4 類比過伸 來源與目標只有局部關係相似，系統卻把所有屬性一起遷移。 治理：區分保結構關係與未映射屬性，保存映射覆蓋率。 ### 12.5 來源洗白 生成物多輪改寫後，來源、作者、版本與推論責任消失。 治理：每個主張保留 provenance graph，不允許候選內容覆蓋來源。 ### 12.6 矛盾抹平 集中與組合把少數反例轉成模糊平均。 治理：顯式矛盾邊、條件化結論與衝突保存率。 ### 12.7 版本錯配 舊版方法與新版假設被無標記混合。 治理：版本相容矩陣與時間作用域檢查。 ### 12.8 權限穿越 組合結果洩漏不可見來源的存在、主題或結論。 治理：所有對齊、聚合與生成只作用於主體可見子圖： $$ \mathcal G_p = \mathcal G[\mathcal U_p]. $$ ### 12.9 遞歸自證 系統使用自己生成的候選支持下一輪候選，再回頭宣稱來源已充分。 治理：來源邊、候選邊與接受邊分層；候選不能獨立證明自身。 ### 12.10 創新權與代表權混淆 系統以某人的知識結構生成新內容後，宣稱該內容代表原作者立場。 治理： $$ \text{由某認知結構生成} \neq \text{由原主體主張}. $$ 衍生內容必須有獨立作者、版本與責任標示。 --- ## 十三、與認知繼承的關係 本系列第 1、2 篇提出：可以被外部化與繼承的，不是完整人格，而是受限的生成結構、問題模式、操作程序與驗證規則。 本文進一步指出，真正的認知繼承不能只讓接收智能體「找到原作者寫過什麼」，還必須讓它知道： - 哪些生成核可以重新作用； - 哪些關係可以跨域遷移； - 哪些知識單元可以安全組合； - 哪些矛盾不能抹平； - 哪些新結論只是候選； - 何時需要改寫問題空間，而不是繼續在舊分類中搜尋。 因此可繼承認知不只包含： $$ \mathcal M_{\mathrm{memory}}, $$ 也包含： $$ \mathcal O_{\mathrm{transform}}, $$ 即對知識進行合法轉換的算子集合。 完整形式為： $$ \mathcal C_{\mathrm{inherit}} = \left( \mathcal M, \mathcal G, \mathcal K, \mathcal O, \mathcal V, \mathcal P \right), $$ 其中： - $\mathcal M$ ：記憶內容； - $\mathcal G$ ：關係圖； - $\mathcal K$ ：生成核； - $\mathcal O$ ：生成、組合與轉換算子； - $\mathcal V$ ：驗證規則； - $\mathcal P$ ：權限與治理政策。 這使認知繼承從文件閱讀提升為： $$ \boxed{ \text{受治理的知識變換能力繼承} } $$ --- ## 十四、與 GCMS 雙軌記憶及多路徑索引的整合 第 4 篇建立： $$ \mathrm{GCMS} = \mathrm{LosslessArchive} + \mathrm{SemanticMemory} + \mathrm{EvidenceBridge}. $$ 第 5 篇建立： $$ \mathrm{SemanticMemory} = \left( \mathcal G, \mathfrak I, \Pi, \mathcal T \right). $$ 本文再加入： $$ \mathfrak O_{\mathrm{knowledge}} = \{ \mathsf R, \mathsf G, \mathsf C, \mathsf X \}. $$ 因此目前 GCMS 的理論結構可寫成： $$ \boxed{ \begin{aligned} \mathrm{GCMS}_{\mathrm{cognitive}} ={}& \mathrm{LosslessArchive}\\ &+ \mathrm{SemanticCompression}\\ &+ \mathrm{MultiPathIndex}\\ &+ \mathrm{EvidenceBridge}\\ &+ \mathrm{KnowledgeGeneration}\\ &+ \mathrm{ConstrainedComposition}\\ &+ \mathrm{CrossDomainRestructuring}\\ &+ \mathrm{GovernanceTrace}. \end{aligned} } $$ 資料流為： $$ q \xrightarrow{\mathrm{Index}} \mathcal R_q \xrightarrow{\mathrm{Align}} \mathcal A_q \xrightarrow{\mathrm{Compose}} \mathcal Y_q \xrightarrow{\mathrm{Verify}} \widetilde{\mathcal Y}_q \xrightarrow{\mathrm{Govern}} \mathcal M_{t+1}. $$ 但最後一步尚不能自動執行。因為一旦系統能主動決定何時喚起記憶、發散、組合與重新寫回，就進入下一階段：自調用記憶與遞歸循環。 --- ## 十五、結論 知識重建的目標，是讓既有內容重新可用；知識生成的目標，是形成來源中未逐字存在的新候選；知識組合的目標，是在多來源之間建立合法對齊、相容性與新結構；跨域再結構化的目標，則是改變原本的概念分類、關係圖與問題空間。 因此： $$ \mathsf R \neq \mathsf G \neq \mathsf C \neq \mathsf X. $$ 一個可靠的 GCMS 不能把這四種運算混成同一個「回答生成」步驟。 本文的核心主張是： $$ \boxed{ \text{知識組合} = \text{對齊} + \text{約束} + \text{生成} + \text{證據} + \text{治理} } $$ 其中任何一項缺失，都可能使組合退化為： - 流暢拼貼； - 錯誤類比； - 尺度錯置； - 真值提升； - 矛盾抹平； - 來源洗白； - 遞歸自證。 如果本文命題成立，GCMS 的未來就不只是重現一個知識體系，而是能在證據約束下： - 重建既有內容； - 重新作用生成核； - 對齊遠距領域； - 組合互補方法； - 形成可檢驗的新命題； - 重新排列整個研究空間。 這使 GCMS 從記憶系統向認知運行時推進一步： $$ \boxed{ \text{記憶} \rightarrow \text{索引} \rightarrow \text{組合} \rightarrow \text{知識狀態轉換} } $$ 下一篇將處理一個更關鍵的控制問題：知識系統不應每次都被外部查詢動作喚起。它在什麼情況下應主動發現不確定性、證據缺口、矛盾或未完成任務，並自我調用記憶與索引系統？ --- ## 參考文獻 [1] Pickel, B., & Rabern, B. (2024). *Compositionality*. Stanford Encyclopedia of Philosophy. https://plato.stanford.edu/entries/compositionality/ [2] Gentner, D. (1983). *Structure-Mapping: A Theoretical Framework for Analogy*. Cognitive Science, 7(2), 155–170. https://onlinelibrary.wiley.com/doi/abs/10.1207/s15516709cog0702_3 [3] Gentner, D., & Markman, A. B. (1997). *Structure Mapping in Analogy and Similarity*. American Psychologist, 52(1), 45–56. https://groups.psych.northwestern.edu/gentner/papers/GentnerMarkman97.pdf [4] Markman, A. B., & Gentner, D. (2000). *Structure Mapping in the Comparison Process*. American Journal of Psychology, 113(4), 501–538. https://groups.psych.northwestern.edu/gentner/papers/MarkmanGentner00.pdf [5] Fauconnier, G., & Turner, M. (2003). *Conceptual Blending, Form and Meaning*. Recherches en Communication, 19, 57–86. https://tecfa.unige.ch/tecfa/maltt/cofor-1/textes/Fauconnier-Turner03.pdf [6] Fauconnier, G., & Turner, M. (2003). *Polysemy and Conceptual Blending*. In B. Nerlich et al. (Eds.), Polysemy: Flexible Patterns of Meaning in Mind and Language. https://pages.ucsd.edu/~scoulson/203/turner-polysemy.pdf [7] Lake, B. M., Salakhutdinov, R., & Tenenbaum, J. B. (2015). *Human-Level Concept Learning Through Probabilistic Program Induction*. Science, 350(6266), 1332–1338. https://pubmed.ncbi.nlm.nih.gov/26659050/ [8] Lake, B. M., & Baroni, M. (2018). *Generalization Without Systematicity: On the Compositional Skills of Sequence-to-Sequence Recurrent Networks*. Proceedings of ICML, PMLR 80, 2873–2882. https://proceedings.mlr.press/v80/lake18a.html [9] Lake, B. M., & Baroni, M. (2023). *Human-Like Systematic Generalization Through a Meta-Learning Neural Network*. Nature, 623, 115–121. https://www.nature.com/articles/s41586-023-06668-3 [10] Battaglia, P. W., et al. (2018). *Relational Inductive Biases, Deep Learning, and Graph Networks*. https://arxiv.org/abs/1806.01261 [11] Zeng, K., et al. (2021). *A Comprehensive Survey of Entity Alignment for Knowledge Graphs*. AI Open, 2, 1–13. https://www.sciencedirect.com/science/article/pii/S2666651021000036 [12] Xiang, Y., Zhang, Z., Chen, J., Chen, X., Lin, Z., & Zheng, Y. (2021). *OntoEA: Ontology-Guided Entity Alignment via Joint Knowledge Graph Embedding*. Findings of ACL-IJCNLP 2021. https://aclanthology.org/2021.findings-acl.96.pdf [13] Teymurova, S., et al. (2024). *OWL2Vec4OA: Tailoring Knowledge Graph Embeddings for Ontology Alignment*. https://ernestojimenezruiz.github.io/assets/pdf/owl2vec4oa-2024.pdf [14] Bechberger, L., & Kühnberger, K.-U. (2018). *A Comprehensive Implementation of Conceptual Spaces*. https://ceur-ws.org/Vol-2090/paper4.pdf [15] Warglien, M., & Gärdenfors, P. (2013). *Semantics, Conceptual Spaces and the Meeting of Minds*. Synthese, 190, 2165–2193. https://www.blutner.de/NeuralNets/Texts/Warglien-Gardenfors.pdf --- ## 系列銜接 上一篇：**《多路徑知識索引：區塊、流式、跳躍、發散與集中》** 下一篇：**《自調用記憶：知識系統何時應該主動喚起自身？》**