---
title: "同一個 01 並不是同一個語義 01：位元、表示域、定義域與判定域"
english_title: "The Same Bits Are Not the Same Semantic Bits: Bit Patterns, Representation Domains, Definition Domains, and Judgment Domains"
series: "AI Epistemic Reconstruction Series"
paper: "02"
author: "Neo.K"
date: "2026-08-14"
version: "v0.1"
document_type: "Research Paper / Formalization Paper"
language: "zh-Hant"
status: "Research Draft"
---

# 同一個 01 並不是同一個語義 01：位元、表示域、定義域與判定域

## The Same Bits Are Not the Same Semantic Bits: Bit Patterns, Representation Domains, Definition Domains, and Judgment Domains

**作者：Neo.K**  
**系列：AI Epistemic Reconstruction Series — Paper 02**  
**版本：v0.1**  
**日期：2026 年 8 月 14 日**

---

## 摘要

數位計算系統最終可以由位元序列表示，然而「所有資料都能表示為 0/1」並不推出「0/1 本身已經攜帶足夠語義」。同一個 bit pattern 在不同型別、endianness、記憶體物件、指令集、檔案格式、執行狀態與應用規則中，可以對應完全不同的值與行為。本文將此現象形式化為：

$$
\boxed{
\text{Bit Pattern}
\neq
\text{Semantic Meaning}
}
$$

並提出四層解釋架構：

$$
\boxed{
B
\xrightarrow{\rho}
R
\xrightarrow{\delta}
S
\xrightarrow{J}
O
}
$$

其中：

- $B$：bit carrier domain；
- $R$：representation domain；
- $S$：semantic state domain；
- $J$：judgment domain／rule context；
- $O$：observable consequence。

本文進一步區分「表示域」（representation domain）、「定義域」（definition domain）與「判定域」（judgment domain）：表示域決定位元如何被讀成 typed value；定義域決定此值在特定系統中是哪一類可接受對象；判定域則決定該語義狀態在目前規則、時間與上下文下如何參與決策或狀態轉移。

這一形式化與 Typed Assembly Language、abstract interpretation、CompCert／C memory models 及 LLVM bitcast semantics 可形成直接對話：低階資料即使保留相同比特，也不能脫離型別、物件表示、endianness、provenance 與 operational semantics 被完整理解。本文同時以半黑箱 DOS 遊戲逆向作 running case：一個 byte 從 `00` 變成 `64` 並不自動意味著「壓力變成 100」，除非已經建立表示、語義與行為三層證據。

本文的核心命題不是否定 bit-level computation，而是指出：

> **位元是可計算世界的載體之一；語義則來自位元與表示規則、定義域、上下文及判定規則的耦合。**

這也解釋了為何 AI 在逆向工程中不能只「看懂 0/1」，而必須主動推定並驗證「這一組 0/1 在此刻屬於哪一個語義域」。

**關鍵詞：** Bits, Semantics, Types, Representation, Judgment Domain, Abstract Interpretation, Typed Assembly Language, Memory Model, Reverse Engineering, AI Reasoning

---

# 1. 問題的起點

常見敘述：

> 電腦底層全部都是 0 和 1。

作為物理／數位表示層的簡化，這句話並沒有錯。

但是，如果進一步推出：

> 因為都是 0/1，所以機器所處理的內容本身就是 0/1 語義，

則混淆了：

$$
\text{carrier}
$$

與：

$$
\text{interpretation}.
$$

本文將這個問題寫成：

$$
b\in\{0,1\}^n.
$$

僅由 $b$ 本身，通常不能唯一決定：

- integer；
- floating point；
- character；
- instruction；
- pointer；
- bitmap；
- flags；
- compressed stream；
- encrypted bytes；
- game state；
- RNG state。

因此：

$$
\boxed{
b
\not\Rightarrow
\operatorname{Meaning}(b)
}
$$

除非另給解釋結構。

---

# 2. 最小反例：01100100

考慮：

```text
01100100
```

如果視為 unsigned 8-bit integer：

$$
01100100_2=100.
$$

如果視為 ASCII：

```text
'd'
```

如果視為 bit flags：

$$
01100100
=
b_6+b_5+b_2
$$

（具體 bit 編號取決於約定）。

如果它是壓縮資料中的一個 byte，則它可能沒有獨立語義。

如果它是 machine instruction 的一部分，其語義必須由 instruction decoder、位置與後續 operand 共同決定。

如果它是遊戲 save 的一個 byte：

```text
offset 0x0334 = 0x64
```

也不能僅由數值 100 推出：

```text
stress = 100
```

這就是本文所稱：

> **同一個物理／載體 01，不等於同一個語義 01。**

---

# 3. 四層模型

定義四個層級。

## 3.1 Bit Carrier Domain

$$
B_n=\{0,1\}^n.
$$

這是純位元集合。

例如：

$$
b=01100100.
$$

在此層沒有：

- signedness；
- unit；
- variable name；
- gameplay meaning；
- legal operation。

---

## 3.2 Representation Domain

存在 representation map：

$$
\rho_D:
B_n
\rightarrow
R_D.
$$

 $D$ 指定表示協定。

例如：

$$
D=\texttt{uint8}
$$

則：

$$
\rho_D(01100100)=100.
$$

若：

$$
D=\texttt{ASCII}
$$

則：

$$
\rho_D(01100100)=\texttt{'d'}.
$$

因此：

$$
\rho_{D_1}(b)
\neq
\rho_{D_2}(b)
$$

完全可能。

---

## 3.3 Semantic State Domain

即使知道：

$$
\rho_D(b)=100,
$$

仍不知道它代表：

```text
100 gold
100 stress
100 HP
100 percent
100 frames
100 milliseconds
```

因此再定義：

$$
\delta_C:
R_D
\rightarrow
S_C,
$$

其中 $C$ 是 system context。

例如：

$$
\delta_C(100)
=
\text{Stress}=100.
$$

---

## 3.4 Judgment Domain

即使知道：

$$
\text{Stress}=100,
$$

也還不知道此值如何作用。

定義：

$$
J:
S\times C\times A
\rightarrow
O.
$$

例如：

$$
J_{\mathrm{disease}}
(
\text{Stress}=100,
\text{Health}=h,
\text{Age}=a
)
\rightarrow
\text{disease risk}.
$$

所以完整鏈：

$$
\boxed{
B
\xrightarrow{\rho_D}
R
\xrightarrow{\delta_C}
S
\xrightarrow{J}
O
}
$$

---

# 4. 三個核心「域」

本文提出三個容易混淆、但應被分開的域。

## Definition 1 — Representation Domain

表示域回答：

> 這些 bits 應如何被讀？

包括：

- bit width；
- signedness；
- endianness；
- floating-point format；
- encoding；
- pointer width；
- field alignment。

---

## Definition 2 — Definition Domain

定義域回答：

> 這個 typed value 在本系統中屬於哪一種語義對象？

例如：

$$
100\in D_{\mathrm{stress}}
$$

而：

$$
D_{\mathrm{stress}}=[0,999].
$$

同一個 integer 100 也可能屬於：

$$
D_{\mathrm{money}},
D_{\mathrm{health}},
D_{\mathrm{time}}.
$$

---

## Definition 3 — Judgment Domain

判定域回答：

> 在目前規則中，這個語義對象如何被使用？

例如：

$$
J_{\mathrm{event}}
:
D_{\mathrm{stress}}
\times
D_{\mathrm{health}}
\times
D_{\mathrm{time}}
\rightarrow
\{\text{trigger},\text{no trigger}\}.
$$

---

# 5. 「相同 bit」的等價關係

設兩個狀態：

$$
x=(b,D,C,J)
$$

與：

$$
y=(b',D',C',J').
$$

## Bit-equivalence

若：

$$
b=b',
$$

稱：

$$
x\equiv_B y.
$$

---

## Representation-equivalence

若：

$$
\rho_D(b)=\rho_{D'}(b'),
$$

稱：

$$
x\equiv_R y.
$$

---

## Semantic-equivalence

若：

$$
\delta_C(\rho_D(b))
=
\delta_{C'}(\rho_{D'}(b')),
$$

稱：

$$
x\equiv_S y.
$$

---

## Behavioral-equivalence

若對相關 action 集合：

$$
\forall a\in A^*,
$$

有：

$$
O_x(a)\approx O_y(a),
$$

稱：

$$
x\equiv_O y.
$$

---

# 6. 等價層級不可以逆推

通常：

$$
x\equiv_O y
$$

不必意味：

$$
x\equiv_B y.
$$

兩個不同實作可以產生相同行為。

同樣：

$$
x\equiv_B y
$$

也不意味：

$$
x\equiv_S y.
$$

所以：

$$
\boxed{
\equiv_B
\not\Rightarrow
\equiv_S
}
$$

是本文的核心結構。

---

# 7. LLVM bitcast 是一個很直接的現代例子

LLVM 的 `bitcast` 允許在不改變位元的情況下，將一個值轉為另一個相同 bit-width 的型別。

抽象化：

$$
b'=b
$$

但：

$$
T'\neq T.
$$

因此：

$$
\operatorname{Interpret}_T(b)
$$

與：

$$
\operatorname{Interpret}_{T'}(b)
$$

可以不同。

此外，endianness 會影響 vector 與 integer 之間 bitcast 的元素位置。

因此：

> **bits unchanged**

並不等價於：

> **typed interpretation unchanged**。

這正是：

$$
\equiv_B
\not\Rightarrow
\equiv_R.
$$

---

# 8. Type 本身就是語義約束

Typed Assembly Language（TAL）的重要意義之一，在於：

> 即使到了 assembly-like low-level language，仍可透過 type system 保存與驗證高階不變量。

若「machine level 只剩 bits，因此 type / semantics 沒有意義」成立，TAL 的整個研究方向就失去基礎。

實際情況相反：

$$
\boxed{
\text{Low Level}
\neq
\text{Semantic Free}
}
$$

低階程式仍然可以擁有：

- types；
- invariants；
- calling convention；
- heap shape；
- code pointers；
- control-flow assumptions。

---

# 9. Memory Object 與 Raw Bytes 不同

現代 C memory-model 研究特別清楚地顯示：

> 記憶體不只是「一串 bytes」。

同一 physical storage 的合法解讀受到：

- object lifetime；
- effective type；
- alignment；
- pointer provenance；
- union state；
- padding；
- permissions；

等條件限制。

因此可以有：

$$
\text{same raw bytes}
$$

但不同：

$$
\text{legal operations}.
$$

這表示 judgment domain 不只是抽象哲學概念，而直接影響：

> 程式是否具有 defined behavior。

---

# 10. CompCert：語義保存不是 byte 保存

Verified compiler 的核心目標通常不是：

> 編譯前後 bytes 一樣。

這顯然不可能。

而是：

$$
\boxed{
\text{Source Behavior}
\approx
\text{Target Behavior}
}
$$

CompCert 的 memory model 與 semantic-preservation proofs 正好表明：

> 不同 representation 可以維持語義／行為關係。

所以：

$$
\equiv_S
$$

或：

$$
\equiv_O
$$

比：

$$
\equiv_B
$$

更接近編譯正確性的研究目標。

---

# 11. Abstract Interpretation 與「選擇哪一個域」

Abstract interpretation 的核心精神是：

> 對 concrete semantics 選擇一個適合任務的 abstract domain。

形式上可以寫：

$$
\alpha:
C
\rightarrow
A,
$$

其中：

- $C$：concrete domain；
- $A$：abstract domain。

同一 concrete execution 可以被投影到：

- interval；
- sign；
- constant propagation；
- reachability；
- alias；
- taint；

等不同抽象域。

因此：

$$
\boxed{
\text{Same Concrete State}
\rightarrow
\text{Different Task-Relevant Meaning}
}
$$

並不矛盾。

---

# 12. 本文與 Abstract Interpretation 的差異

本文不等同於 abstract interpretation。

Abstract interpretation 主要研究：

> 如何以 sound abstraction 近似程式 semantics。

本文的問題更前置：

> **當原始 representation 只有 partial structure 時，解釋者如何先決定哪些 bits 應被映射到哪一種 representation / semantic / judgment domain？**

因此本文關心：

$$
\text{Domain Identification}
$$

與：

$$
\text{Domain Validation}.
$$

---

# 13. AI 逆向的第一個任務不是猜值，而是猜域

傳統說法容易想像：

> AI 看見某個 byte，猜它的值是多少。

但 byte 本身的數值早已知道。

真正未知的是：

$$
D^*
=
\arg\max_D
P(
D
\mid
b,
C,
E
).
$$

也就是：

> **這一段資料屬於哪個表示／語義域？**

---

# 14. Domain Hypothesis

定義一個候選：

```yaml
domain_hypothesis:
  bytes: "64 00"
  representation:
    width: 16
    endian: little
    type: unsigned_integer
  semantic:
    name: stress
    range: [0, 999]
  judgment:
    consumers:
      - disease_rule
      - rest_rule
  confidence: 0.42
```

這比：

```text
0x64 = 100
```

包含更多真正有用的知識。

---

# 15. Domain Validation

一個 domain hypothesis 應通過至少三層驗證。

## Layer A — Representation Test

確認：

- width；
- endian；
- encoding；
- signedness。

---

## Layer B — Semantic Intervention Test

只改變候選語義：

$$
s
\rightarrow
s+\Delta.
$$

觀察 candidate bytes 是否同步。

---

## Layer C — Judgment Test

確認規則真的使用該狀態：

$$
J(s)
\neq
J(s+\Delta)
$$

在預期條件下成立。

---

# 16. 僅找到 Offset 仍不代表完整理解

如果已知道：

```text
0x50–0x51 = Stress
```

那只是：

$$
\delta_C\circ\rho_D
$$

的一部分。

仍未知：

- range；
- clamping；
- update timing；
- rule dependencies；
- derived state；
- transient copy；
- event thresholds。

所以：

$$
\boxed{
\text{Offset Mapping}
\neq
\text{Operational Semantics}
}
$$

---

# 17. Running Case：00 → 64

假設 save diff：

```text
offset 0x0334
00 → 64
```

最弱結論只有：

$$
b_t\neq b_{t+1}.
$$

---

## 錯誤跳躍

直接說：

```text
stress became 100
```

同時偷偷假設了：

1. width = 8 bit；
2. unsigned；
3. little-endian 無關；
4. semantic label = stress；
5. value 100 不是 cache；
6. save write 是 persistent gameplay state。

任何一項都可能錯。

---

# 18. 正確的分層推論

## Step 1

$$
b=0x64.
$$

確定。

## Step 2

候選：

$$
\rho_{\mathrm{uint8}}(b)=100.
$$

## Step 3

假說：

$$
\delta(100)=\text{Stress}=100.
$$

## Step 4

設計 intervention：

```text
change only stress
→ save
→ diff
```

## Step 5

再測 judgment：

```text
rest / work / event
→ candidate field changes as predicted
```

這才逐步建立：

$$
B\rightarrow R\rightarrow S\rightarrow J.
$$

---

# 19. 同值不等於同義

考慮：

$$
x=100.
$$

可能：

$$
x\in D_{\mathrm{gold}}
$$

也可能：

$$
x\in D_{\mathrm{stress}}.
$$

即使：

$$
\operatorname{NumericValue}(x)=100
$$

完全一樣，

其 operational consequences：

$$
J_{\mathrm{gold}}(100)
$$

與：

$$
J_{\mathrm{stress}}(100)
$$

不同。

所以：

$$
\boxed{
\text{Value Equality}
\neq
\text{Semantic Equality}
}
$$

---

# 20. Unit 也是定義域的一部分

數字：

$$
100
$$

若單位不同：

- 100 ms；
- 100 frames；
- 100 bytes；
- 100 gold；
- 100 percent；

不可交換。

因此更完整的 semantic value：

$$
v=(n,u,r),
$$

其中：

- $n$：numeric payload；
- $u$：unit；
- $r$：role。

---

# 21. Context-dependent Semantics

有些 field 的意義還依賴版本：

$$
\delta_C(b).
$$

例如同一 offset：

```text
0x70
```

在版本 A 可以是：

```text
Cleaning
```

在版本 B 可以是：

```text
Gold
```

因此：

$$
\boxed{
\text{Offset}
+
\text{Version Context}
\rightarrow
\text{Meaning}
}
$$

不能省略版本。

---

# 22. Dynamic Role

同一記憶體區也可能在不同時間被重用。

因此：

$$
\operatorname{Meaning}(b,t_1)
\neq
\operatorname{Meaning}(b,t_2).
$$

這在：

- stack；
- union；
- overlay；
- buffers；
- registers；

中特別常見。

所以語義映射應容許：

$$
\delta(b,C,t).
$$

---

# 23. 判定域不是單純 metadata

如果：

```text
stress = 100
```

但沒有任何 rule 讀這個值，

它在當前 gameplay slice 可能只是 dormant state。

如果：

$$
J_{\mathrm{disease}}
$$

讀取它，

它才在該判定中成為 active cause / condition。

因此：

$$
\boxed{
\text{Stored State}
\neq
\text{Active Judgment Variable}
}
$$

---

# 24. Judgment Graph

可以建立：

```text
Stress
├─ RestRule
├─ WorkRule
├─ DiseaseRule
└─ EventRule
```

也就是：

$$
G_J=(S,R,E).
$$

其中 node 是 semantic state / rule，edge 表示：

> 此 rule 讀取或修改此 state。

---

# 25. 從資料字典到可執行語義圖

低階逆向的成熟度可以分：

## Level 0 — Bytes

```text
0x50: 34 12
```

## Level 1 — Typed Value

```text
uint16_le = 4660
```

## Level 2 — Semantic Label

```text
stress = 4660
```

## Level 3 — Constraint

```text
stress ∈ [0,999]
```

## Level 4 — Transition

```text
rest → stress - Δ
```

## Level 5 — Judgment Graph

```text
stress → disease_event
```

---

# 26. Semantic Maturity

定義：

$$
m(s)\in\{0,1,2,3,4,5\}.
$$

不應把：

$$
m=2
$$

的 offset label 誤稱為：

$$
m=5
$$

的完整理解。

---

# 27. AI 的 domain error

本文把 AI 逆向錯誤分成四類。

## Type I — Representation Error

例如：

- endian 錯；
- width 錯；
- signedness 錯。

## Type II — Semantic Label Error

值讀對，但名字錯。

## Type III — Domain Constraint Error

名字對，但 range / unit / lifecycle 錯。

## Type IV — Judgment Error

state mapping 對，但不知道哪個 rule 使用它。

---

# 28. 一個很重要的推論

AI 如果只提高：

$$
P(\text{label}\mid bytes)
$$

並不能保證提高：

$$
P(\text{behavior model correct}\mid evidence).
$$

所以 evaluation 應分層。

---

# 29. Domain-Aware Reverse Engineering Score

可以定義：

$$
Score
=
w_R A_R
+
w_S A_S
+
w_D A_D
+
w_J A_J.
$$

其中：

- $A_R$：representation accuracy；
- $A_S$：semantic label accuracy；
- $A_D$：domain constraint accuracy；
- $A_J$：judgment / rule accuracy。

---

# 30. 為什麼金手指只是 Semantic Anchor

Cheat table 通常可以提供：

$$
A_S
$$

的一部分。

例如：

```text
0x50 = Stress
```

但常缺：

$$
A_J.
$$

即：

> 它不知道遊戲怎麼用 Stress。

所以：

$$
\boxed{
\text{Cheat Map}
=
\text{Semantic Anchor}
\neq
\text{Rule Model}
}
$$

---

# 31. 對「機器只是 01」的精確修正

可以接受：

$$
\text{digital carrier}\subseteq\{0,1\}^*.
$$

但不接受：

$$
\text{semantic state}
=
\{0,1\}^*.
$$

較精確：

$$
\boxed{
\text{Semantic State}
=
\operatorname{Interpret}
(
\text{Bits},
\text{Representation},
\text{Context},
\text{Rules}
)
}
$$

---

# 32. 01 本體論與 01 解釋論

應區分：

## Bit Ontology Claim

> 系統底層物理表示可以由 bit state 描述。

## Bit Semantic Claim

> bit pattern 本身已完整決定高階意義。

第一個可以成立。

第二個需要：

$$
\rho,\delta,J
$$

才能成立。

---

# 33. 「所有東西都能編碼成 bit」也不能反推語義

存在 injective encoding：

$$
e:X\rightarrow\{0,1\}^*
$$

只證明：

> $X$ 可以被 bit representation 承載。

不證明：

> 任意看到 $e(x)$ 的觀察者，不知道 $e$ 也能恢復 $x$。

解碼需要：

$$
e^{-1}
$$

或等價的 decoding convention。

---

# 34. 壓縮與加密提供另一個極端例子

壓縮資料：

$$
b
$$

沒有 codec 就無法得到原結構。

加密資料：

$$
c=Enc_k(m)
$$

即使知道 bits，也不能沒有：

$$
k
$$

與：

$$
Dec.
$$

得到：

$$
m.
$$

所以：

$$
\text{bits available}
$$

不等於：

$$
\text{semantics available}.
$$

---

# 35. 對 AI 的直接含義

AI 看到 binary 時，需要推論的不是只有：

> 這串 bit 最像什麼？

而是：

1. representation candidate；
2. structure candidate；
3. semantic candidate；
4. lifecycle candidate；
5. rule-consumer candidate。

也就是：

$$
h=(\rho,\delta,J).
$$

---

# 36. Domain Search

把逆向寫成：

$$
h^*
=
\arg\max_{(\rho,\delta,J)}
P(
\rho,\delta,J
\mid
B,E
).
$$

其中：

- $B$：binary evidence；
- $E$：dynamic evidence。

---

# 37. Active Domain Identification

AI 可以選 action：

$$
a_t
$$

使不同 domain hypotheses 產生最大差異。

理想：

$$
a_t^*
=
\arg\max_a
I(
H;
O
\mid a
).
$$

這會在 Paper 03 / 06 更完整展開。

---

# 38. Domain Collapse

如果某個實驗讓：

$$
h_1(a)\neq o
$$

則：

$$
h_1
$$

被排除。

候選域：

$$
\mathcal D_t
$$

逐步縮成：

$$
\mathcal D_{t+1}
\subset
\mathcal D_t.
$$

---

# 39. Definition Domain 與 Judgment Domain 必須分離的原因

同一 state：

$$
s=\text{Stress}=100
$$

可以被不同遊戲版本用不同規則：

$$
J_1(s)
\neq
J_2(s).
$$

所以：

> field layout 相同

仍不保證：

> gameplay rules 相同。

---

# 40. 對版本考古的意義

因此版本比較應分：

```text
Representation Diff
Semantic-State Diff
Judgment-Rule Diff
Presentation Diff
```

而不是只做：

```text
file diff
```

---

# 41. Version Semantic Tensor

可以表示：

$$
V_i=
(
R_i,
S_i,
J_i,
P_i
).
$$

兩版本：

$$
\Delta V
=
(
\Delta R,
\Delta S,
\Delta J,
\Delta P
).
$$

---

# 42. 這正是 DOS ↔ Refine 應該怎麼比

假設兩版都叫 `.GNX`。

這只表示：

$$
\text{extension equal}.
$$

不推出：

$$
R_{\mathrm{DOS}}
=
R_{\mathrm{Refine}}.
$$

更不推出：

$$
J_{\mathrm{DOS}}
=
J_{\mathrm{Refine}}.
$$

---

# 43. 與 Game Rebirth 的直接關係

如果要重建舊遊戲，真正需要的不是：

$$
B_{\mathrm{legacy}}.
$$

而是：

$$
\Sigma_{\mathrm{game}}
=
(R,S,J).
$$

新的 engine 可以：

$$
B_{\mathrm{new}}
\neq
B_{\mathrm{legacy}}
$$

但：

$$
O_{\mathrm{new}}
\approx
O_{\mathrm{legacy}}.
$$

---

# 44. 所以「重新編譯」不是 byte-preserving

Game Rebirth 的理想是：

$$
\boxed{
\text{Representation Migration}
+
\text{Semantic Preservation}
}
$$

而不是：

$$
\text{Bit Preservation}.
$$

---

# 45. 對 AI 理解問題的限制

本文並不主張：

> 只要 AI 能找 domain，就證明它有人類式理解。

本文只提出可操作能力：

$$
\boxed{
\text{Domain Identification}
+
\text{Domain Validation}
+
\text{Rule Reconstruction}
}
$$

這是一種可測量的 semantic reconstruction ability。

---

# 46. 可證偽預測一

若只提供 static bytes，而不允許 dynamic experiment：

$$
A_J
$$

應明顯低於允許 runtime interaction 的 Agent。

---

# 47. 可證偽預測二

提供 verified historical semantic anchors：

$$
A_S
$$

應更快提升，

但：

$$
A_J
$$

不一定同比例提升。

---

# 48. 可證偽預測三

若故意改變 field offset，但保持 gameplay semantics：

memorization-based system 應顯著下降。

domain-reconstructing system 則應可重新定位。

---

# 49. 可證偽預測四

若保持 bytes 不變但改變 decoding convention：

$$
R
$$

與：

$$
S
$$

應改變。

這可直接測試：

> bit equality 是否足以保證 semantic equality。

答案應為否。

---

# 50. 可證偽預測五

若兩個 runtime 使用不同 representation，但通過相同 observation corpus：

則：

$$
B_1\neq B_2
$$

與：

$$
O_1\approx O_2
$$

可以同時成立。

---

# 51. 與 Paper 01 的接口

Paper 01 提出：

$$
\mathcal A=(M,T,E,S,V,\Pi).
$$

Paper 02 補充：

> Agent 的 $S$ 不能只被理解成 raw bytes。

更完整：

$$
S_t
=
\delta_C
(
\rho_D(B_t)
).
$$

而 verifier：

$$
V
$$

本身也工作在特定 judgment domain：

$$
J.
$$

---

# 52. 與 Paper 03 的接口

Paper 03 將處理：

> AI 如何從 prior 與 tool knowledge 出發，主動搜尋：

$$
(\rho^*,\delta^*,J^*).
$$

即：

$$
\boxed{
\text{Active Epistemic Reconstruction}
=
\text{Active Domain Identification}
+
\text{Evidence Acquisition}
}
$$

---

# 53. 核心定理式命題

## Proposition 1 — Bit Identity Insufficiency

存在：

$$
x,y
$$

使：

$$
x\equiv_B y
$$

但：

$$
x\not\equiv_S y.
$$

### Proof by construction

取：

$$
b=01100100.
$$

令：

$$
D_1=\texttt{uint8}
$$

與：

$$
D_2=\texttt{ASCII}.
$$

則：

$$
\rho_{D_1}(b)=100
$$

而：

$$
\rho_{D_2}(b)=\texttt{'d'}.
$$

兩者 bit-identical，但 semantic objects 不同。QED.

---

# 54. Proposition 2 — Representation Identity Does Not Imply Judgment Identity

存在兩個系統：

$$
C_1,C_2
$$

使：

$$
\rho_{D}(b)
$$

相同，

但：

$$
J_{C_1}(s)
\neq
J_{C_2}(s).
$$

例如相同 `stress=100`，版本 A 與版本 B 使用不同事件 threshold。

因此：

$$
\equiv_R
\not\Rightarrow
\equiv_O.
$$

---

# 55. Proposition 3 — Behavioral Equivalence Does Not Require Bit Identity

存在不同 implementation：

$$
B_1\neq B_2
$$

但對 observation contract：

$$
\forall a\in A^*,
\quad
O_1(a)=O_2(a).
$$

所以：

$$
\equiv_O
\not\Rightarrow
\equiv_B.
$$

這是現代重實作的形式基礎之一。

---

# 56. Semantic Interpretation Function

本文提出：

$$
\boxed{
\operatorname{Meaning}(b)
=
\mu(
b;
D_R,
D_S,
C,
J,
t
)
}
$$

其中：

- $D_R$：representation domain；
- $D_S$：semantic definition domain；
- $C$：context；
- $J$：judgment rules；
- $t$：time / lifecycle。

---

# 57. 最簡版本

若不需要完整參數：

$$
\boxed{
\operatorname{Meaning}(b)
=
\mu(b;D,C,J)
}
$$

這就是：

> 「請問這個 01 現在到底是哪一個語義的 01？」

的形式化版本。

---

# 58. 對計算哲學的含義

可以同時接受：

$$
\text{Everything in the machine is digitally encoded}
$$

與：

$$
\text{Not every digital encoding is semantically self-describing}.
$$

兩句完全不衝突。

---

# 59. 自我描述需要額外結構

一個 representation 若想 self-describing，通常需加入：

- schema；
- tags；
- type metadata；
- field names；
- version；
- ontology。

也就是用更多 bits 來描述：

> 其他 bits 應怎麼被解。

---

# 60. Legacy Binary 為何特別難

舊 binary 常移除或缺少：

- symbol names；
- debug info；
- source types；
- schema；
- explicit metadata。

因此：

$$
\text{Representation Information}
$$

被高度壓縮或遺失。

逆向工程做的其實是：

$$
\boxed{
\text{Recover Missing Interpretation Structure}
}
$$

---

# 61. 現代 AI 為什麼仍然需要實驗

即使 AI 已知：

- x86；
- DOS；
- C；
- save formats；
- game design；

它只擁有：

$$
P(D)
$$

的 prior。

特定 target 的：

$$
D^*
$$

仍需要 evidence：

$$
P(D^*\mid E).
$$

---

# 62. 工具知識與局部語義的差別

知道：

> little-endian 是什麼

不等於知道：

> 這兩個 bytes 是一個 little-endian Stress。

前者是：

$$
\text{general tool knowledge}.
$$

後者是：

$$
\text{target-local semantic knowledge}.
$$

---

# 63. 這也是 benchmark 的切入口

可以建立：

- 公開 instruction set；
- 公開 toolchain；
- 私有 field layout；
- 私有 semantic mapping。

Agent 可以使用所有通用知識。

但必須現場恢復：

$$
\delta^*,J^*.
$$

---

# 64. Domain-Level Benchmark

評估：

```text
representation identification
semantic field mapping
range/unit inference
rule-consumer recovery
behavioral reimplementation
```

比只問：

> 這個 offset 是什麼？

更完整。

---

# 65. Domain Confidence

每個 mapping：

```yaml
mapping:
  representation_confidence: 0.99
  semantic_confidence: 0.72
  constraint_confidence: 0.51
  judgment_confidence: 0.28
```

避免「知道一半卻看起來像全懂」。

---

# 66. Evidence Pointer

每個 confidence 都應附：

```text
source
experiment
trace
counterexample
version
```

所以 semantic knowledge 不是單一 label，而是 evidence-backed graph。

---

# 67. 最後回到那一句話

「電腦內部都是 0/1」回答的是：

> 以什麼載體表示？

它沒有回答：

> 這些 bits 被哪個規則讀取？  
> 它們屬於哪個型別？  
> 它們在目前系統代表什麼？  
> 它們會造成什麼行為？

這些問題分屬：

$$
R,S,J.
$$

---

# 68. 最終命題

本文將核心收斂為：

$$
\boxed{
\text{Bit Identity}
\neq
\text{Semantic Identity}
\neq
\text{Behavioral Identity}
}
$$

更完整：

$$
\boxed{
B
\xrightarrow{\rho}
R
\xrightarrow{\delta}
S
\xrightarrow{J}
O
}
$$

---

# 69. 結論

位元是數位計算的基礎表示，但不是自帶解釋的語義單位。

一個 bit pattern 的完整操作意義至少依賴：

1. 如何解碼；
2. 它屬於哪個資料／物件型別；
3. 它在系統中代表哪個 state；
4. 此 state 在當前版本與時間中被哪些 rules 使用。

因此：

$$
\boxed{
\operatorname{Meaning}(b)
=
\mu(
b;
\text{Representation},
\text{Definition},
\text{Context},
\text{Judgment}
)
}
$$

這也解釋了為什麼半黑箱逆向對 AI 是一個高品質研究問題。

AI 真正需要恢復的不是：

> 「這裡有哪些 0 和 1？」

而是：

> **「這些 0 和 1 在這個計算世界裡，現在被當成什麼？」**

當這個問題從直覺被提升為 representation-domain、semantic-domain 與 judgment-domain 的可驗證推論時，「同一個 01 並不是同一個語義 01」就不再只是比喻，而成為一個可以被程式語言理論、逆向工程與 AI Agent 實驗共同研究的形式命題。

---

# 70. 後續

**Paper 03：從先驗到未知語義：AI 在半黑箱環境中的主動認識重構**

將正式研究：

$$
\boxed{
(\rho^*,\delta^*,J^*)
=
\operatorname{ActiveSearch}
(
Prior,
Tools,
Experiments,
Evidence
)
}
$$

並區分：

- latent retrieval；
- historical prior；
- fresh evidence；
- active experimentation；
- semantic reconstruction。

---

# References

[1] Morrisett, G., Walker, D., Crary, K., & Glew, N. **From System F to Typed Assembly Language.** POPL 1998 / extended journal version.  
https://doi.org/10.1145/268946.268954

[2] Cousot, P., & Cousot, R. **Abstract Interpretation: A Unified Lattice Model for Static Analysis of Programs by Construction or Approximation of Fixpoints.** POPL 1977.  
https://www.di.ens.fr/~cousot/COUSOTpapers/POPL77.shtml

[3] Leroy, X., & Blazy, S. **Formal Verification of a C-like Memory Model and Its Uses for Verifying Program Transformations.** Journal / CompCert memory-model work.  
https://compcert.org/compcert_bib.html

[4] Krebbers, R. **A Formal C Memory Model for Separation Logic.** Journal of Automated Reasoning; arXiv:1509.03339.  
https://arxiv.org/abs/1509.03339

[5] LLVM Project. **LLVM Language Reference Manual.** `bitcast`, memory/object and value semantics.  
https://llvm.org/docs/LangRef.html

---

# Appendix A — 層級摘要

```text
Bits
│
├─ Representation
│  ├─ width
│  ├─ endian
│  ├─ type
│  └─ encoding
│
├─ Semantic Definition
│  ├─ name
│  ├─ range
│  ├─ unit
│  └─ lifecycle
│
├─ Judgment
│  ├─ read-by
│  ├─ write-by
│  ├─ threshold
│  └─ transition
│
└─ Observation
   ├─ UI
   ├─ event
   ├─ save
   └─ behavior
```

---

# Appendix B — AI Domain-Reconstruction Record

```yaml
semantic_candidate:
  carrier:
    file: ""
    offset: ""
    bytes: ""

  representation:
    width_bits:
    endian:
    type:
    confidence:

  definition:
    semantic_name:
    unit:
    range:
    lifecycle:
    confidence:

  judgment:
    read_by: []
    written_by: []
    conditions: []
    confidence:

  evidence:
    static: []
    dynamic: []
    negative_controls: []
    counterexamples: []

  status:
    - unknown
    - candidate
    - partially_verified
    - verified
    - invalidated
```

---

# Appendix C — 一句話形式

> **相同的 bits 只能保證載體層相同；只有在表示規則、定義域、上下文與判定域也對齊時，才有理由談語義相同。**