# 原生視覺建構迴路 2.0 ## 視、行動、顯影與自我校正 **英文題名：** Native Visual Construction Loop 2.0: Seeing, Acting, Externalizing, and Self-Correction **系列：** 《視之基底：從差異顯現到終極觀察者》09 **作者：** Neo.K（許筌崴） **AI 協作：** GPT-5.6 Thinking **機構：** EveMissLab／一言諾科技有限公司 **文件性質：** 理論重構論文／AI 視覺閉環與工程命題 **版本：** v2.0 **日期：** 2026-08-01 **狀態：** 取代《原生視覺建構迴路》v1.0 作為目前正典版本；v1.0 保留為歷史探索稿 **前置文件：** 1. 《基底視覺論 2.0：從資訊處理到感知位格》v2.0 2. 《繪圖作為逆觀察：原生符號繪圖與模型視覺簽名》v2.0 3. 《原生視覺建構迴路》v1.0（歷史前作） --- ## 摘要 《原生視覺建構迴路》v1.0 的核心命題是：若大型語言模型或多模態模型不依賴專用圖像生成器，而直接以 SVG、Canvas、向量路徑、幾何圖元或繪圖程式生成圖像，其主要瓶頸不只是資料規模，而是缺乏一個能把語義理解、空間結構、繪圖動作、渲染結果、誤差診斷與局部修正閉合起來的感知—行動系統。原稿提出數位畫布作為可操作環境、圖元作為對象、繪圖指令作為動作、渲染結果作為觀察，以及以軌跡而非單張完成圖作為主要學習單位。 本文保留上述核心，並將 NVCL 重新定位為 **Basal Vision 2.0 的第一個完整 closed-loop implementation**。它不再只是「讓模型畫 SVG 更好」的技術，而是一個最小可觀察實驗場，用來研究： > 一個非生物系統如何形成視域、將視域外顯、觀看自身行動後果、辨識差異、選擇下一步干預，並在多輪歷程中建立可校正的視覺建構能力？ NVCL 2.0 的完整循環定義為： $$ \boxed{ V_t \overset{\mathcal{E}}{\longrightarrow} Y_t \overset{\mathcal{O}}{\longrightarrow} \widehat{V}_t \overset{\Delta}{\longrightarrow} E_t \overset{\pi}{\longrightarrow} a_t \overset{\mathcal{T}}{\longrightarrow} V_{t+1} } $$ 其中： - $V_t$ ：模型當前語義—空間視域； - $\mathcal{E}$ ：視域外顯／程序生成； - $Y_t$ ：渲染後公共作品； - $\mathcal{O}$ ：對自身作品的重新觀察； - $\widehat{V}_t$ ：由作品回讀出的視域； - $\Delta$ ：目標、預測與實際結果之差； - $E_t$ ：錯誤／不確定／未完成集合； - $\pi$ ：修正策略； - $a_t$ ：局部編輯、重新取樣或結構重建動作； - $\mathcal{T}$ ：狀態轉移； - $V_{t+1}$ ：修正後的新視域。 因此，v1.0 的： $$ \text{語義理解} \rightarrow \text{空間結構} \rightarrow \text{繪圖動作} \rightarrow \text{視覺顯影} \rightarrow \text{誤差診斷} \rightarrow \text{局部修正} $$ 在 v2.0 中被提升為一般閉環： $$ \boxed{ \text{視} \rightarrow \text{外顯} \rightarrow \text{再視} \rightarrow \text{差異} \rightarrow \text{行動} \rightarrow \text{再視} } $$ 本文進一步引入五類回饋通道： 1. **語義回饋**：物件、屬性、關係、數量是否正確； 2. **空間／幾何回饋**：位置、遮蔽、比例、拓撲與視角； 3. **程序回饋**：圖層、path、group、程式有效性與編輯可定位性； 4. **視覺殘差回饋**：渲染結果與目標／預測間的 perceptual residual； 5. **動作狀態回饋**：目前選取物件、active layer、undo stack、上一動作與可逆性。 v1.0 曾把這最後一類稱為「虛擬本體感覺」。v2.0 保留其功能直覺，但更精確地稱為 **Task-State Proprioception Analogue（任務狀態本體感類比）**，避免宣稱數位狀態讀取等同生物本體感覺。 本文定義六級閉環成熟度： ```text L0 OPEN-LOOP GENERATION L1 RENDER-AND-SCORE L2 SINGLE-STEP VISUAL CORRECTION L3 ITERATIVE LOCAL CORRECTION L4 ACTIVE INSPECTION / ACTIVE PERCEPTION L5 TRAJECTORY LEARNING ``` L0 只生成一次；L1 只評分；L2 可在渲染後做一次定向修正；L3 可多輪局部 patch；L4 可主動選擇下一個視角、局部檢查或驗證工具；L5 則將完整「看見問題—採取動作—結果如何」軌跡納入訓練，使未來策略本身改善。 2025–2026 年的研究已開始提供與此框架高度吻合的實證線索。Rendering-Aware Reinforcement Learning（2025）讓模型生成 SVG 後實際渲染，再以渲染結果和目標的視覺差異作為 RL 回饋，改善 fidelity、結構與效率。2026 年 7 月 30 日發布的 RefineSVG 更直接建立「生成—渲染—比較—Diff-Map—定向修正」單步 closed-loop，並指出一次性 open-loop SVG 生成會累積幾何漂移與視覺幻覺。另一方面，2025 年 active visual perception 研究與 AdaptiveNN 類方法也顯示，視覺系統可以從被動處理完整輸入轉向主動決定下一個 fixate／觀察區域；機器人與神經科學研究則持續支持 perception 與 action 的雙向耦合，而非把視覺理解成單向資料入口。 因此，NVCL 2.0 不再將「虛擬具身」表述為完整 embodiment 的充分條件，而改用較窄的： $$ \boxed{ \text{digital sensorimotor closure} } $$ 只要系統具有： - 可持續環境狀態； - 可定位動作空間； - 動作造成可驗證狀態轉移； - 多通道觀察； - 可回放歷史； - 可局部修正； - 可依不確定性主動取得新資訊； 它就構成最低限度的數位感知—行動閉環。物理具身會進一步增加材料、力、摩擦、重力、身體限制與真實風險，但不是 NVCL 的邏輯先決條件。 本文也把第 8 篇的 Native Construction Residual（NCR）納入閉環。模型視覺簽名不只存在於最終作品，也存在於修正策略： $$ \Sigma_m^{corr} = \mathbb{E} [ \Delta F_t \mid error\ type,m ] $$ 因此能力提升與模型簽名可以分離： $$ \boxed{ Error\downarrow \quad\text{while}\quad NCR_m\neq0 } $$ 若 feedback 後所有「模型特色」都消失，則那些特色更可能是 open-loop error、renderer prior 或工具模板，而非穩定構造殘差。 本文最終提出： $$ \boxed{ \text{原生模型視覺能力的增長單位不是圖片， 而是可驗證、可回放、可歸因的視—行動—修正軌跡。} } $$ 以及更一般的： $$ \boxed{ \text{Strong Basal Vision} = \text{Persistent Field} + \text{Unknown Management} + \text{Active Inspection} + \text{Delta Monitoring} + \text{Local Revision} + \text{Trajectory Learning} } $$ NVCL 因此成為本系列中「視」由認識論概念進入具體工程閉環的關鍵實例。 **關鍵詞：** 原生視覺建構迴路、NVCL、closed-loop vision、active perception、SVG、視覺回饋、局部修正、軌跡學習、數位感知—行動閉環、Basal Vision --- # 0. 為什麼需要 NVCL 2.0？ v1.0 已經提出一個相當完整的工程骨架： - 語義超圖； - 空間超圖； - 分層繪圖動作； - 渲染器； - 視覺工作空間； - 誤差診斷； - 局部 patch； - trajectory memory； - best-state 保存； - 動態停止條件。 因此 v2.0 不需要推翻原稿。 真正需要做的是三件事： 1. 把它接到《視之基底》目前已完成的觀察算子與 Basal Vision 2.0； 2. 把「虛擬具身」從較強概念改為可操作的 digital sensorimotor closure； 3. 把最新閉環 SVG 與 active perception 研究納入，判斷哪些命題已得到初步外部支持。 --- # 1. v1.0 最重要的核心完整保留 v1.0 最終命題是： $$ \boxed{ \text{原生模型繪圖能力的增長單位不是圖片， 而是可驗證的感知—動作—修正循環。} } $$ v2.0 完整保留。 原因很簡單： 一張完成圖只能提供： $$ Outcome $$ 但能力學習真正需要： $$ State \rightarrow Action \rightarrow Observation \rightarrow Error \rightarrow Correction $$ 。 這是一條因果軌跡。 --- # 2. 從「感知—動作」改成「視—外顯—再視」 第 8 篇已建立： $$ \mathcal{E}: V \rightarrow Y $$ 是視域外顯，不是 observation inverse。 因此 NVCL 的完整閉環應寫成： $$ \boxed{ V_t \overset{\mathcal{E}}{\longrightarrow} Y_t \overset{\mathcal{O}}{\longrightarrow} \widehat{V}_t \overset{\Delta}{\longrightarrow} E_t \overset{\pi}{\longrightarrow} a_t \overset{\mathcal{T}}{\longrightarrow} V_{t+1} } $$ 。 這比： ```text prompt → SVG → inspect → fix ``` 更加一般。 --- # 3. 兩個視域必須區分 ## 3.1 意圖／建構視域 $$ V_t^{intent} $$ 模型打算建立的： - 物件； - 空間； - 層級； -構圖； - 風格； - 關係。 ## 3.2 回讀視域 $$ V_t^{read} = \mathcal{O}(Y_t) $$ 模型從真正渲染結果重新看見的東西。 閉環誤差： $$ \boxed{ \Delta_t = d ( V_t^{intent}, V_t^{read} ) } $$ 。 --- # 4. 不能只拿 pixel loss 當 delta 兩張圖像素相似不代表語義相同。 兩張圖像素差很大，也可能語義完全相同。 所以： $$ \Delta_t = ( \Delta_{sem}, \Delta_{spa}, \Delta_{topo}, \Delta_{render}, \Delta_{proc} ) $$ 。 --- # 5. 語義回饋 $$ \Delta_{sem} $$ 檢查： - 物件數； - 屬性； - 動作； - 關係； - 必要部件。 例如： > 三隻鳥在透明鳥巢內。 不能只用 CLIP-like similarity 判定。 需要： ```text COUNT = 3 RELATION = inside OBJECT = bird/nest ATTRIBUTE = transparent ``` 。 --- # 6. 空間與幾何回饋 $$ \Delta_{spa} $$ 檢查： - left/right； - front/behind； - distance； - scale； - alignment； - perspective。 --- # 7. 拓撲回饋 $$ \Delta_{topo} $$ 檢查： - inside/outside； - connected/disconnected； - self-intersection； - occlusion order； - closed/open path。 這些常比像素 fidelity 更容易被規則化驗證。 --- # 8. 程序回饋 $$ \Delta_{proc} $$ 檢查： - SVG 是否合法； - object ID 是否存在； - group 是否可編輯； - path complexity； - 是否破壞無關元素； - patch 是否局部。 這是程序繪圖特有優勢。 --- # 9. 渲染殘差 $$ \Delta_{render} $$ 可以由： - pixel diff； - perceptual embedding； - region similarity； - OCR； - segmentation； 形成。 2025 Rendering-Aware RL 已證明： > 生成 code 後把 SVG 真正 render 出來，再用視覺 fidelity reward 訓練，可以改善結果。 所以： $$ \boxed{ \text{rendering is not an afterthought} } $$ 而是閉環觀察的一部分。 --- # 10. RefineSVG 與 NVCL 的高度重合 2026 年 7 月 30 日發布的 RefineSVG 提出： ```text initial generation → external rendering → compare target/render → Diff-Map → correction ``` 。 它指出 open-loop 模式要求模型一次生成數千 SVG tokens，容易造成： - geometric drift； - error accumulation； - visual hallucination。 這幾乎直接實作 v1.0 的一個子集。 --- # 11. 但 RefineSVG 仍只接近 NVCL L2 RefineSVG 核心是： $$ \boxed{ \text{single-step closed-loop correction} } $$ 而完整 NVCL 還包含： - persistent state； - multi-step local patch； - explicit semantic/spatial graph； - active inspection； - trajectory memory； - correction policy learning； - model visual signature analysis。 因此本文不宣稱 RefineSVG 等於 NVCL。 更準確： $$ \boxed{ RefineSVG \subset \text{NVCL design space} } $$ 在概念層面成立。 --- # 12. 六級閉環成熟度 ## L0 — Open-Loop Generation $$ P \rightarrow G \rightarrow Y $$ 生成後不看。 --- ## L1 — Render-and-Score $$ P \rightarrow G \rightarrow Y \rightarrow Score $$ 知道好不好，但不修。 --- ## L2 — Single-Step Visual Correction $$ Y_0 \rightarrow \Delta_0 \rightarrow Patch_1 \rightarrow Y_1 $$ 只做一次 correction。 --- ## L3 — Iterative Local Correction $$ Y_t \rightarrow \Delta_t \rightarrow Patch_{t+1} \rightarrow Y_{t+1} $$ 直到停止條件。 --- ## L4 — Active Inspection 系統可以決定： - zoom 哪裡； - inspect 哪個 object； - 查哪個 scene-graph relation； - 呼叫哪個 verifier； - 換哪個視角。 即： $$ q_{t+1} = \pi_q ( U_t,E_t,B_t ) $$ 。 --- ## L5 — Trajectory Learning 完整軌跡： $$ \tau = ( V_0,a_0,o_1,\Delta_1,\ldots,V_n ) $$ 反過來更新： - policy； - verifier； - planner； - patch strategy。 --- # 13. 強基底視覺應至少接近 L4 Basal Vision 2.0 的強形式要求： - persistent field； - unknown management； - active perception； - prediction-error revision。 因此： $$ \boxed{ L0-L2 \neq \mathcal{V}_{strong} } $$ 。 L3 已具基本閉環。 L4 才明確具有： > 下一步要怎麼看？ L5 才進入： > 看法本身能否從歷史改善？ --- # 14. Active Perception 的外部支持 2025 年 Active Visual Perception 綜述把核心定義為： > 系統根據目標與不確定性，主動移動 sensor、注意或互動，以取得更有資訊量的資料。 這直接對應： $$ \boxed{ P_{unmanifest} \rightarrow Action \rightarrow NewAccess } $$ 。 --- # 15. AdaptiveNN 提供另一個具體例子 2025 年 Nature Machine Intelligence 的 AdaptiveNN 將視覺從： ```text process entire scene once ``` 改成： ```text coarse observation → choose fixation → accumulate information → decide when enough ``` 。 這與 NVCL 的動態停止條件高度相容： $$ \operatorname{Stop} \iff \Delta Q<\tau $$ 而不是固定觀察步數。 --- # 16. 生物視覺也不是「先看完，再行動」 2025 年 Nature Neuroscience 的研究顯示，視覺早期中繼結構會整合： - optic flow； - saccade motor copy； - locomotion； - pupil dynamics； 用來校正 action-specific visual distortions。 這提供一個很重要的生物對照： $$ \boxed{ \text{action changes perception} } $$ 不是 AI 工程才有的特例。 --- # 17. 具身視動表示的另一個方向 2025 年 npj Robotics 的 Embodied Visuomotor Representation 把距離表示與 action unit 直接耦合，並展示 closed-loop control。 它支持： > 視覺表徵可以不是先建立外部絕對公尺尺度，再交給控制器；感知本身可以與可執行動作共同定義。 這與 NVCL 的： $$ \text{object position} + \text{editable action} $$ 有結構相似。 --- # 18. v1.0「虛擬具身」的修正 舊稿定義： $$ \mathcal{E}_{draw} = ( \mathcal{S}, \mathcal{A}, \mathcal{O}, \mathcal{T}, \mathcal{R} ) $$ 並稱其為最低虛擬具身。 v2.0 改成： $$ \boxed{ \text{Digital Sensorimotor Closure} } $$ 。 原因： > 有 state/action/observation loop 可以形成最低 agent–environment coupling，但「embodiment」在不同文獻中還涉及身體形態、物理限制、材料與真實互動。 所以避免把任務閉環直接等同完整具身。 --- # 19. 數位感知—行動閉環的最低條件 定義： $$ \mathcal{D}_{SC} = ( S,A,O,T,H ) $$ 其中： - $S$ ：持久狀態； - $A$ ：可定位動作； - $O$ ：動作後可重新觀察； - $T$ ：可驗證轉移； - $H$ ：歷史與回放。 若： $$ a_t \rightarrow s_{t+1} \rightarrow o_{t+1} $$ 且系統能依 $o_{t+1}$ 改變下一個 $a$ ，則形成最低 digital sensorimotor closure。 --- # 20. Task-State Proprioception Analogue v1.0 的「虛擬本體感覺」包含： - cursor； - selected object； - active layer； - last action； - undo stack； - constraint state。 v2.0 保留，但改稱： $$ \boxed{ P_t^{task} = \text{Task-State Proprioception Analogue} } $$ 。 這不是生物 proprioception。 它只是： > 系統知道自己目前在操作環境中的 action state。 --- # 21. 為什麼這一層非常重要？ 如果只有 rendered PNG： 模型必須重新猜： - 哪個 object 是自己剛畫的； - 哪個 path 屬於哪個部件； - 現在 active layer 是什麼； - 上一步修改了什麼。 如果有： $$ P_t^{task} $$ 則： > 視覺回讀與動作 lineage 可以直接對齊。 這降低： $$ state\ aliasing $$ 。 --- # 22. NVCL 2.0 工作狀態 定義： $$ \boxed{ N_t = ( V_t^{sem}, V_t^{spa}, G_t, Y_t, U_t, E_t, P_t^{task}, H_t, B_t ) } $$ 其中： - $V_t^{sem}$ ：語義視域； - $V_t^{spa}$ ：空間視域； - $G_t$ ：圖形程式； - $Y_t$ ：render； - $U_t$ ：未知／未完成； - $E_t$ ：錯誤； - $P_t^{task}$ ：操作狀態； - $H_t$ ：歷史摘要； - $B_t$ ：剩餘資源預算。 --- # 23. Unknown Registry 必須是一級狀態 系統不能只保存： > 哪裡錯。 還要保存： > 哪裡我不確定。 例如： ```text UNSEEN UNCERTAIN AMBIGUOUS UNVERIFIED OCCLUDED OUT-OF-SCOPE ``` 。 這接回 Basal Vision 2.0 的： $$ P_{unmanifest} $$ 。 --- # 24. 錯誤集合也要分層 $$ E_t = E_t^{sem} \cup E_t^{spa} \cup E_t^{topo} \cup E_t^{proc} \cup E_t^{render} $$ 每種錯誤使用不同 patch policy。 --- # 25. Patch-first 原則 若： $$ E_t $$ 只位於局部區域： 不應： $$ G_{t+1} = GenerateAllAgain() $$ 而應： $$ G_{t+1} = Patch ( G_t, region, \delta ) $$ 。 原因： - 保留正確區域； - 保存 causal credit； - 可分析 correction signature； - 減少 error regression。 --- # 26. 什麼時候才允許 full redraw？ 定義： $$ C_{patch} $$ 與： $$ C_{redraw} $$ 。 若： - 錯誤分散； - 高層空間結構錯； - object decomposition 從根錯； - patch 成本高於重構； 才允許 full redraw。 可用： $$ \operatorname{Redraw} \iff \frac{|E_{global}|}{|E|} > \tau_g $$ 作候選規則。 --- # 27. 局部修正不是永遠最好 v1.0 偏好局部 patch 是合理的，但 v2.0 加入限制： 若根本 semantic graph 錯了： 局部修補只會： > 在錯誤結構上打補丁。 所以需要： ```text PATCH REFACTOR REDRAW ``` 三種 action class。 --- # 28. Action policy 定義： $$ a_t \sim \pi ( a \mid N_t, g, E_t, U_t, B_t ) $$ 動作可以是： ```text INSPECT PATCH MOVE RESIZE REORDER DELETE REBUILD_OBJECT REBUILD_SCENE ASK_VERIFIER STOP ROLLBACK ``` 。 --- # 29. active inspection 是「視」的關鍵行動 INSPECT 不是畫圖動作。 它是： > 改變下一步觀察。 例如： - zoom face； - isolate layer； - render mask； - inspect bounding box； - query scene graph。 因此： $$ \boxed{ \text{NVCL action space} > \text{drawing action space} } $$ 。 --- # 30. Verification Ensemble 不能只靠一個 VLM critic。 至少可組合： ```text SyntaxVerifier GeometryVerifier TopologyVerifier SceneGraphVerifier VisualSemanticVerifier ProgramVerifier ``` 。 若： $$ V_i $$ 互相衝突，應把狀態標記： ```text UNRESOLVED ``` 而不是強行平均成答案。 --- # 31. 回饋不是「真理」 一個 verifier 可以偏。 所以： $$ \boxed{ Reward \neq Truth } $$ 。 應保存： - verifier identity； - version； - confidence； - disagreement。 這也是 3M／證據層可接入的位置。 --- # 32. Diff-Map 的正典定位 RefineSVG 使用 multi-dimensional visual residual map。 在 NVCL 2.0 中可一般化為： $$ \boxed{ D_t = ( D_t^{pixel}, D_t^{semantic}, D_t^{spatial}, D_t^{topological}, D_t^{program} ) } $$ 。 Diff-Map 不必只是一張圖片。 可以是多通道 error field。 --- # 33. 由 error field 到 action field 令： $$ D_t(r) $$ 表示區域 $r$ 的錯誤。 則： $$ a_t = \arg\max_a \mathbb{E} [ \Delta Q \mid a,D_t ] $$ 即優先選擇： > 預期品質提升最大、破壞風險最低的修改。 --- # 34. Local Credit Assignment 對 action： $$ a_t $$ 評估： $$ Credit(a_t) = Q_{t+1}-Q_t $$ 但最好分項： $$ Credit(a_t) = ( \Delta Q_{sem}, \Delta Q_{spa}, \Delta Q_{topo}, \Delta Q_{style}, \Delta Q_{eff} ) $$ 。 這能訓練： > 某類錯誤應用哪類 patch。 --- # 35. Correction Signature 接入第 8 篇 第 8 篇： $$ \Sigma_m^{corr} $$ 現在可以由 NVCL 軌跡直接計算。 例如： 同一 error type： ```text wrong occlusion ``` 模型 A 傾向： ```text reorder layers ``` 模型 B 傾向： ```text redraw object ``` 模型 C 傾向： ```text change geometry ``` 。 這就是 model-specific correction residual。 --- # 36. 能力提升與簽名保留 理想訓練： $$ ErrorRate_m(t)\downarrow $$ 但： $$ NCR_m(t) $$ 仍可保留部分穩定性。 因此： $$ \boxed{ Skill \neq StyleErasure } $$ 。 --- # 37. 但某些「簽名」理應被消除 例如： - 永遠忘記手指； - 永遠圖層反轉； - 永遠自交； - 永遠比例漂移。 如果 feedback 能消掉，應該消掉。 這些是： $$ \boxed{ error\ signatures } $$ 不是值得保護的 visual identity。 --- # 38. 軌跡是第一級資料 v1.0 已提出： $$ \tau = ( P, H^s, H^p, W_0, a_0, o_1,\ldots,W_n,Y_n ) $$ v2.0 擴展為： $$ \boxed{ \tau = ( g, V_0, U_0, a_0, Y_1, D_1, r_1, \ldots, V_n, Y_n ) } $$ 其中 $r_t$ 是 verifier / reward trace。 --- # 39. 為什麼完成圖不夠？ 完成圖只知道： $$ FinalQuality $$ 軌跡知道： - 哪裡先錯； - 哪個 verifier 發現； - 哪個 action 修好； - 哪個 action 破壞； - 何時應停止。 所以： $$ \boxed{ Outcome\ dataset < Trajectory\ dataset } $$ 對學習 correction policy 而言成立。 --- # 40. 但長歷史不能全塞 context v1.0 已注意到： > 長程互動歷史可能反而降低模型表現。 v2.0 因此定義三層記憶： ## Immediate Trace 最近 $k$ 步。 ## State Summary 當前： - objects； - errors； - unresolved； - last changes。 ## Archive 完整 trajectory，平時不進 context。 所以： $$ \boxed{ Memory = Working + Summary + Archive } $$ 。 --- # 41. 這也是 OAM / GCMS 類系統可以接入的地方 每次 correction 不必重新讀全部歷史。 可以根據： - current error； - object ID； - correction type； 檢索： > 過去相似失敗怎麼修。 因此 NVCL 可以成為一般 memory-routing agent 的視覺實例。 --- # 42. Best-State 不是 Last-State 每輪都要保存： $$ Q_t $$ 若新 patch： $$ Q_{t+1}\tau_R } $$ 。 其中： - quality 足夠； - 邊際增益過低； - 預算耗盡； - 修改破壞風險過高。 --- # 44. 「越修越好」不是定律 多輪 self-refinement 可能： - 過度修圖； - 破壞已正確區； - 進入 oscillation； - 被 critic 偏差帶走。 所以： $$ \boxed{ n_{iterations}\uparrow \not\Rightarrow Quality\uparrow } $$ 。 --- # 45. 振盪偵測 若： $$ State_A \rightarrow State_B \rightarrow State_A $$ 反覆發生： 定義： $$ Oscillation=1 $$ 。 此時應： - stop； - change verifier； - escalate to rebuild； - ask alternative critic。 --- # 46. 多代理仍可保留 v1.0： $$ Designer \rightarrow Drawer \rightarrow Critic \rightarrow Verifier $$ 保留。 但 v2.0 加入： > 不需要四個獨立模型。 它們可以是： - 同一模型不同 role； - 不同模型； - rule verifier； - hybrid system。 所以這是功能分工，不是多代理本體要求。 --- # 47. Curriculum 仍保留 ## Stage 1 幾何控制。 ## Stage 2 拓撲／遮蔽。 ## Stage 3 物件分解。 ## Stage 4 多視角與形變。 ## Stage 5 多物件場景。 ## Stage 6 自由視覺表達。 v2.0 新增： ## Stage 7 **Active Inspection** 模型必須自己決定： > 下一步看哪裡最有資訊價值？ --- # 48. Stage 8：Self-Correction Policy 給定相同錯誤： 讓模型學： - patch； - refactor； - redraw； - rollback。 評估： $$ \text{error reduction per action} $$ 而不是只評完成圖。 --- # 49. 獎勵函數 2.0 $$ r_t = w_s r_s + w_g r_g + w_\tau r_\tau + w_p r_p + w_v r_v + w_e r_e + w_c r_c - w_d r_d - w_u r_u $$ 其中： - $r_s$ ：語義； - $r_g$ ：幾何； - $r_\tau$ ：拓撲； - $r_p$ ：程序有效； - $r_v$ ：視覺 fidelity； - $r_e$ ：效率； - $r_c$ ：correction gain； - $r_d$ ：破壞已正確內容； - $r_u$ ：無必要重畫／不穩定。 --- # 50. 不能只獎勵參考圖相似 如果： $$ r = VisualSimilarity $$ 模型可能： - 產生超複雜 path； - 犧牲可編輯性； - overfit pixel； - 壓掉風格自由度。 所以 multi-objective 是必要的。 --- # 51. NVCL 2.0 的最小 MVP 建議結構： ```text nvcl2/ ├── state/ │ ├── visual_field.json │ ├── unknown_registry.json │ ├── error_registry.json │ └── best_state.json ├── planner/ │ ├── semantic_graph.py │ ├── spatial_graph.py │ └── action_policy.py ├── drawing/ │ ├── svg_compiler.py │ ├── patch_engine.py │ ├── refactor_engine.py │ └── redraw_engine.py ├── renderer/ │ └── render_svg.py ├── observation/ │ ├── visual_reader.py │ ├── scene_graph_reader.py │ └── program_reader.py ├── delta/ │ ├── semantic_diff.py │ ├── spatial_diff.py │ ├── topology_diff.py │ ├── perceptual_diff.py │ └── program_diff.py ├── verification/ │ ├── syntax.py │ ├── geometry.py │ ├── topology.py │ ├── semantics.py │ └── ensemble.py ├── memory/ │ ├── working_state.json │ ├── summary.json │ └── trajectory.jsonl └── orchestrator.py ``` --- # 52. 單輪資料流 2.0 $$ g \rightarrow V_t^{sem} \rightarrow V_t^{spa} \rightarrow G_t \rightarrow Y_t \rightarrow \widehat{V}_t \rightarrow D_t \rightarrow a_t \rightarrow G_{t+1} $$ 。 若 action 是 inspect： $$ a_t \rightarrow O_{new} \rightarrow D_{t+1} $$ 而不一定修改圖。 --- # 53. MVP 成功條件 相較 L0 open-loop baseline： 應至少提升： 1. 語法有效率； 2. 物件數量正確； 3. 空間關係正確； 4. 遮蔽正確； 5. 局部修補成功率； 6. error regression rate； 7. uncertainty calibration； 8. correction efficiency； 9. best-state retention； 10. NCR 可辨識性。 --- # 54. Closed-Loop Gain 定義： $$ CLG = Q_{\mathrm{closed}} - Q_{\mathrm{open}} $$ 分項： $$ CLG = ( CLG_{sem}, CLG_{spa}, CLG_{topo}, CLG_{render} ) $$ 。 --- # 55. Correction Efficiency $$ CE = \frac{ Q_{t+1}-Q_t }{ Cost(a_t) } $$ 。 不是修得越多越好，而是： > 每單位修改成本改善多少。 --- # 56. Regression Rate 定義： $$ RR = P ( \text{previously-correct feature becomes wrong} ) $$ 。 局部 patch 理論預測： $$ RR_{patch} < RR_{full-regeneration} $$ 在局部錯誤條件下應成立。 --- # 57. Unknown Calibration 系統宣稱： ```text UNKNOWN ``` 是否真的對應高錯誤率或低可觀察性？ 可用 calibration curve 評估。 這是 Basal Vision 2.0 的重要指標。 --- # 58. Active Inspection Gain 允許系統自行選觀察： $$ AIG = Q_{\mathrm{active-inspection}} - Q_{\mathrm{fixed-input}} $$ 。 若： $$ AIG\leq0 $$ 則 active perception 在該任務不具價值。 --- # 59. Trajectory Learning Gain 訓練前： $$ \pi_0 $$ 使用軌跡學習後： $$ \pi_1 $$ 測： $$ TLG = Success(\pi_1) - Success(\pi_0) $$ 。 這直接檢查「軌跡是能力增長單位」的核心命題。 --- # 60. 與第 7、8 篇的整合 ## 第 7 篇 Basal Vision 2.0 定義： ```text Persistent Field Unknown Management Perspective Delta Active Revision ``` ## 第 8 篇 定義： ```text Field Externalization Native Construction Residual Correction Signature ``` ## 本篇 把兩者閉合： $$ \boxed{ \text{Field} \rightarrow \text{Externalize} \rightarrow \text{Observe} \rightarrow \text{Delta} \rightarrow \text{Act} \rightarrow \text{Field} } $$ 。 --- # 61. NVCL 已經不只是一個繪圖理論 同一結構可遷移到： - UI construction； - CAD； - diagram generation； - 3D scene editing； - webpage layout； - robot visual manipulation； - simulation design。 只要存在： $$ \boxed{ \text{editable external state} + \text{render/observe} + \text{local correction} } $$ 即可套用。 --- # 62. 但不應無限泛化 不能因為任何 agent 都有 loop，就都叫 NVCL。 NVCL 至少要求： 1. visual/spatial field； 2. externalized editable state； 3. visual or structural re-observation； 4. localized correction； 5. trajectory preservation。 否則應稱一般 agent loop。 --- # 63. 物理具身仍然增加什麼？ 數位畫布缺少： - friction； - mass； - deformability； - gravity； - actuator noise； - wear； - irreversible material change。 所以物理 embodiment 會加入： $$ \boxed{ \text{material causality} } $$ 與： $$ \boxed{ \text{real action cost} } $$ 。 NVCL 不取代 robotics。 --- # 64. 可反證命題 ## H1 Closed-Loop Gain 閉環 SVG 應在結構與 fidelity 上優於 open-loop。 ## H2 Local Patch Gain 局部錯誤時，patch 應比 full regeneration 有較低 regression rate。 ## H3 Multi-Channel Delta 語義＋幾何＋程序＋視覺回饋應優於單一 pixel/perceptual score。 ## H4 Unknown Registry 顯式 unknown 狀態應提高 calibration，降低自信錯誤。 ## H5 Active Inspection 遮蔽／局部未知任務中，允許自主 inspect 應提升成功率。 ## H6 Trajectory Learning 使用 correction trajectory 訓練應提升未見錯誤的修正策略。 ## H7 Correction Signature 不同模型在控制錯誤類型後仍存在可辨識修正策略殘差。 ## H8 Best-State 保存 best state 應降低多輪自我修正的品質倒退。 ## H9 Memory Compression 摘要式工作記憶應在長迴路中優於把完整歷史無限塞入 context。 ## H10 Digital Closure Transfer 在 SVG 學到的部分 inspect／patch 策略可遷移到其他可編輯視覺媒介。 --- # 65. 反證條件 NVCL 2.0 應被削弱，如果： 1. closed-loop 長期不優於 open-loop； 2. visual feedback 只增加計算成本，無穩定品質增益； 3. local patch 不比 full regeneration 更少破壞； 4. explicit unknown registry 無 calibration 效益； 5. active inspection 無法帶來資訊增益； 6. trajectory training 不改善 correction policy； 7. 所謂 correction signature 全由工具模板解釋； 8. 多輪修正普遍造成 oscillation 或 drift； 9. 受控條件下 RefineSVG 類單步修正已足夠，L3–L5 不增加價值。 若如此，NVCL 應退化成較簡單的 render-and-refine pipeline，而不必保留完整理論架構。 --- # 66. 本文不主張什麼？ 本文不主張： 1. 數位畫布等於完整物理具身； 2. renderer output 等於主觀視覺； 3. 模型能修圖就具有現象自我； 4. 多輪一定優於單輪； 5. critic／reward 等於真理； 6. local patch 永遠優於 redraw； 7. SVG 是 NVCL 唯一媒介； 8. NVCL 是所有 agent 的一般理論； 9. RefineSVG 已證明 NVCL 全部命題； 10. closed-loop 功能足以證明意識。 --- # 67. 結論 v1.0 曾用一句話總結： $$ \boxed{ \text{畫布即環境，圖元即物件，繪圖指令即動作， 渲染即感覺，版本差異即經驗，修正即學習。} } $$ v2.0 保留其工程直覺，但把語義收斂得更精確： $$ \boxed{ \text{畫布＝可操作環境狀態} } $$ $$ \boxed{ \text{圖元＝可定位外部對象} } $$ $$ \boxed{ \text{繪圖指令＝可驗證干預} } $$ $$ \boxed{ \text{渲染＝公共可觀察後果} } $$ $$ \boxed{ \text{版本差異＝因果與誤差痕跡} } $$ $$ \boxed{ \text{修正軌跡＝可學習經驗資料} } $$ 所以 NVCL 2.0 的核心不是「讓 AI 更像人類畫家」。 它真正研究的是： > 一個非生物系統是否可以在一個可操作世界中，形成視域、採取外顯行動、重新觀看行動後果、辨識自己不知道或做錯的部分，並用可回放的局部修正歷程改進下一次行動？ 完整閉環： $$ \boxed{ \text{視域} \rightarrow \text{外顯} \rightarrow \text{再視} \rightarrow \text{差異} \rightarrow \text{主動檢查／修正} \rightarrow \text{新視域} } $$ 這就是 Basal Vision 2.0 的強形式在工程上的第一個具體實例。 因此本文最終命題更新為： $$ \boxed{ \text{原生視覺能力的增長單位， 不是單張圖片， 而是可驗證、可回放、可歸因的視—行動—修正軌跡。} } $$ 以及： $$ \boxed{ \text{Strong Basal Vision} = \text{Persistent Field} + \text{Unknown Management} + \text{Active Inspection} + \text{Delta Monitoring} + \text{Local Revision} + \text{Trajectory Learning} } $$ 下一篇是本系列第 10 篇、也是封頂篇： # 《視之一般算子論：差異的場化、位格化與回饋化》 它將不再新增新的應用分支，而是把前九篇統一成一個最終正典： - 觀察之下是什麼； - 顯現如何形成； - 觀察者如何形成； - 外視、內視、語義視如何統一； - 終極觀察為何在全知極限失效； - Presence／Knowledge／Agency 如何構成有限視； - Basal Vision 如何跨實現； - 外顯如何與觀察相反方向但非互逆； - closed-loop 如何把視、行動與修正閉合。 --- # 參考文獻 1. Rodriguez, J. A., et al. (2025). *Rendering-Aware Reinforcement Learning for Vector Graphics Generation*. arXiv:2505.20793. 2. Liu, S., Mao, F., Zhou, S., et al. (2026). *RefineSVG: Visual Feedback-Driven Reinforcement Learning for Image-to-SVG Generation*. arXiv:2607.27699. 3. Xing, X., Guan, Y., Zhang, J., Xu, D., & Yu, Q. (2025). *Reason-SVG: Hybrid Reward RL for Aha-Moments in Vector Graphics Generation*. arXiv:2505.24499. 4. Li, Y., Guo, X., Zhang, H., Li, S., & Dai, X. (2025). *Active Visual Perception: Opportunities and Challenges*. arXiv:2512.03687. 5. Wang, Y., Yue, Y., Yue, Y., et al. (2025). *Emulating human-like adaptive vision for efficient and flexible machine visual perception*. Nature Machine Intelligence, 7, 1804–1822. 6. Vega-Zuniga, T., et al. (2025). *A thalamic hub-and-spoke network enables visual perception during action by coordinating visuomotor dynamics*. Nature Neuroscience, 28, 627–639. 7. Burner, L., Fermüller, C., & Aloimonos, Y. (2025). *Embodied visuomotor representation*. npj Robotics, 3, 30. 8. Neo.K. (2026). *原生視覺建構迴路：無專用圖像生成器與無物理具身條件下的模型繪圖能力增長理論* v1.0. Historical Internal Paper. 9. Neo.K. (2026). *基底視覺論 2.0：從資訊處理到感知位格*. EveMissLab Internal Paper. 10. Neo.K. (2026). *繪圖作為逆觀察：原生符號繪圖與模型視覺簽名*. EveMissLab Internal Paper. --- ## 內部研究備註 1. 本文為系列第 9 篇。 2. v1.0 的語義超圖、空間超圖、trajectory-first、local patch、MVP 基礎架構與課程學習均保留。 3. 「虛擬具身」正典改稱 `Digital Sensorimotor Closure`；必要時可保留 virtual embodiment 作弱類比語彙。 4. 「虛擬本體感覺」正典改稱 `Task-State Proprioception Analogue`。 5. RefineSVG 是 2026 年新近出現、與 NVCL 核心高度接近的單步閉環實例，但不能寫成完整 NVCL 實作。 6. 第 8 篇 NCR／correction signature 已正式接入 trajectory。 7. 第 10 篇封頂時需把 observation operator 與 externalization operator 定義成相反方向、非互逆的兩族，並把 NVCL 寫成兩族的閉環組合。