--- title: "AI Matrix Ledger Format：從試算表格式到可追溯計算結構" title_en: "AI Matrix Ledger Format: From Spreadsheet Formats to Traceable Computational Structure" series: "矩陣原生智能與可稽核計算系列" series_en: "Matrix-Native Intelligence and Auditable Computation Series" series_id: "EML-MNIAC-2026" paper_id: "EML-MNIAC-2026-06" version: "v0.1" date: "2026-08-16" language: "zh-Hant" document_type: "系列第06篇／MLF 1.0 統一格式論文／Canonical Representation" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-05 試算表智能的可證偽實驗 v0.1" internal_artifacts: - "MLF_1.0_技術規格_繁中.md" - "MLF_1.0_Specification_EN.md" - "MLF_1.0_Release_Notes.md" - "MLF_1.0_GitHub發布與命名說明.md" - "MLF Compiler 1.0.0" - "kakon77777-commits/matrix-ledger-format" canonical_keywords: - MLF - AI Matrix Ledger Format - Canonical Structure - Traceable Projection - Formula AST - Dependency Graph - Route Graph - Provenance - Conversion Loss - Fingerprint - Human Projection - AI Projection --- # AI Matrix Ledger Format ## 從試算表格式到可追溯計算結構 **AI Matrix Ledger Format: From Spreadsheet Formats to Traceable Computational Structure** --- ## 摘要 本文是《矩陣原生智能與可稽核計算》系列第 06 篇，正式整理 AI Matrix Ledger Format（MLF）1.0 的理論位置、穩定核心、格式結構、投影原則、損失模型與工程邊界。 前五篇的研究路徑由 CSV 模型狀態、帳本約束、Spreadsheet Runtime、MMR / MMLC 到 MMR-Bench，逐步揭露一個共同問題：**單一平面表示不足以同時保存計算物件的值、身份、公式、依賴、方向、來源、歷史、視覺角色與不同使用者／模型需要的讀取方式。** 因此 MLF 1.0 不再問： > 「Excel 能不能成為 AI？」 而改問： > **當同一計算／知識物件需要被試算表、人類、AI、圖演算法、張量模型與執行器以不同方式讀取時，哪一層應被視為 canonical，哪些只應被視為 projection？** MLF 1.0 的核心答案為： $$ \boxed{ \text{完整結構是規範核心；} } $$ $$ \boxed{ \text{線性、張量、圖、執行與人類閱讀皆是可追溯投影。} } $$ MLF 文件可形式化為： $$ \boxed{ \mathcal F = (C,M,R,S,A,G,P,H,V,L) } $$ 其中： - $C$：computational substrate contract； - $M$：matrices / cells； - $R$：regions / semantic roles； - $S$：semantic / presentation style； - $A$：formula AST 與 derived assets； - $G$：dependency graph； - $P$：route / traversal graph； - $H$：provenance 與 append-only history； - $V$：human / model projections； - $L$：conversion-loss / warnings。 MLF 的目的不是取代 ONNX、MLIR、Apache Arrow、資料庫、Spreadsheet、Workflow IR 或所有知識圖譜格式。ONNX 專注於可攜 computation graph；MLIR 專注於多層 compiler IR 與 lowering；Arrow 專注於跨語言高效率 columnar memory / transport；W3C PROV 提供跨系統 provenance 模型。MLF 的研究位置更窄：**保存「矩陣化知識與計算」從原始人類結構到模型／執行投影時容易遺失的 identity、formula source+AST、dependency、route、role、provenance 與 conversion-loss evidence。** 本文亦區分 MLF 1.0 的 stable core 與 repository 中的 research/governed modules。MLF 1.0 / MLF Compiler 1.0.0 的發布候選紀錄顯示 54 項自動測試通過、Manifest JSON Schema 通過、MLF 0.1 可讀、0.1→1.0 遷移保持 semantic 與 presentation fingerprints，且核心 CLI 可在不依賴 NumPy／PyTorch 的乾淨環境安裝執行。相對地，learned dependency inference、calibration、OOD routing、自動審核與外部自然工作簿授權仍屬研究或治理模組，不應被當成 MLF 1.0 已證實能力。 --- # 1. 從 Spreadsheet 到 Format 的轉折 前一階段的工作簿研究已經顯示： $$ Value \neq Formula \neq Cache \neq Dependency \neq Role \neq Provenance. $$ 但 `.xlsx` 的存在並不自動保證上述層全部能被： - AI 讀懂； - 圖演算法直接使用； - 轉換器無損映射； - 人類投影重建； - 版本差分比較。 所以真正問題變成： $$ \boxed{ \text{如何建立一個「結構先於投影」的交換層？} } $$ MLF 就是在這個問題上出現。 --- # 2. MLF 不應被理解成「更複雜的 Excel」 若： $$ XLSX $$ 是輸入來源， MLF 可以進行： $$ XLSX \rightarrow MLF. $$ 但 MLF 本身不等於： $$ XLSX'. $$ 因為它也可以接： $$ CSV, $$ $$ Markdown, $$ $$ JSON, $$ 或其他 structured source。 因此： $$ \boxed{ MLF \neq SpreadsheetFileFormat. } $$ 更精確是： $$ \boxed{ MLF = \text{Structured Interchange Format for Matrix-Shaped Knowledge and Computation}. } $$ --- # 3. Canonical 的真正意思 本文使用 canonical，不表示： > MLF 是宇宙唯一正確的知識本體。 而表示： > **在一個 MLF document scope 內，完整結構是格式契約中的規範來源；各種 projection 不應偷偷反過來覆蓋它。** 所以： $$ \boxed{ Canonical_{MLF} \neq UltimateOntology. } $$ --- # 4. MLF 文件的十元組 MLF 1.0 將文件表示為： $$ \boxed{ \mathcal F = (C,M,R,S,A,G,P,H,V,L). } $$ 此結構的真正意義不是多放幾個 metadata 欄。 而是將先前容易互相坍縮的層拆開。 --- # 5. $C$ — Computational Substrate Contract $C$ 描述： > 這個文件的計算語義需要哪些邏輯條件？ 它不直接指定： - CPU； - GPU； - specific spreadsheet engine； - cluster vendor。 而可以描述： - deterministic / nondeterministic； - numeric precision； - cycle semantics； - required operators； - execution assumptions； - synchronization boundaries。 因此： $$ \boxed{ LogicalExecutionContract \neq PhysicalHardware. } $$ --- # 6. 邏輯平行不等於實體平行 如果 graph 中有： $$ T_1\parallel T_2, $$ 只代表： $$ T_1 $$ 與： $$ T_2 $$ 在 dependency 上可獨立。 不能推出： $$ \boxed{ \text{它們在硬體上一定同時跑。} } $$ 所以： $$ \boxed{ LogicalParallelism \neq PhysicalParallelism. } $$ MLF 1.0 甚至明確把： > 不保證 logical parallelism 帶來 physical speedup 列為 non-goal。 --- # 7. $M$ — Matrix and Cells MLF 中一個 cell 不只是一個 scalar。 可以寫成： $$ \boxed{ c_i = \langle id, matrix, coordinate, value, type, role, style, formula, provenance \rangle. } $$ 其中： $$ coordinate(c_i) $$ 與： $$ id(c_i) $$ 不能被視為同一概念。 --- # 8. Coordinate 不等於 Identity 若一個 cell 從： $$ B3 $$ 移到： $$ C7, $$ 它的 coordinate 改變。 但如果只是 presentation rearrangement， stable： $$ cell\_id $$ 不應改。 因此： $$ \boxed{ Location \neq Identity. } $$ 這是 MMR / MMLC 的 identity-preservation 原則正式進入交換格式。 --- # 9. Missing 不等於 Zero MLF 要求： $$ typed\_missing $$ 必須可區分於： $$ 0, $$ $$ "", $$ 以及： $$ formula\_error. $$ 所以： $$ \boxed{ Absent \neq Zero \neq EmptyString \neq Error. } $$ 這種 distinction 在 AI ingest 時尤其重要。 如果 flatten 過程把它們全部轉成： ```text 0 ``` 則已發生語義損失。 --- # 10. $R$ — Region and Semantic Role Region 對矩陣的某個 meaningful subset 給予 stable identity。 例如： - header； - data body； - formula band； - assumption； - summary； - table； - named range。 所以： $$ \boxed{ Region \neq JustBoundingBox. } $$ bounding box 是位置， region 還具有角色。 --- # 11. Semantic Role 與 Presentation Style 必須拆開 例如： ```text 黃色底 ``` 可能表示： $$ warning $$ 也可能只是： $$ theme. $$ 因此 MLF 將： $$ \boxed{ semantic\ style } $$ 與： $$ \boxed{ presentation\ style } $$ 分離。 所以 theme change 可以： $$ PresentationFingerprint \rightarrow PresentationFingerprint' $$ 但： $$ SemanticFingerprint $$ 保持不變。 --- # 12. $A$ — Formula Source + AST 一個公式至少有三個互相關聯但不應互相取代的表示： 1. source formula； 2. normalized semantic AST； 3. dependency edges。 因此： $$ \boxed{ FormulaSource + AST + DependencyGraph. } $$ --- # 13. 為什麼三個都要保存？ 例如： ```text =SUM(A1:A3) ``` source formula 保留： - 原語言； - human-editable syntax。 AST 保留： - operator structure； - normalized semantics。 dependency graph 保留： - 哪些 cells 是 prerequisites。 如果只保留 source： $$ Parser $$ 每次都要重新猜。 如果只保留 AST： 原始： $$ source syntax $$ 可能丟失。 如果只保留 dependency： $$ SUM $$ 這個 operator semantics 又消失。 因此： $$ \boxed{ No Single Formula Representation Is Sufficient. } $$ --- # 14. 三者衝突時不能偷偷選一個 假設： $$ SourceFormula $$ 表示： $$ A+B, $$ 但 AST 表示： $$ A-B. $$ 同時 dependency 又引用： $$ A,C. $$ 系統不能： > 「我覺得 AST 比較像真的。」 而直接抹掉其餘兩層。 正確處置： $$ \boxed{ ConflictRecord. } $$ --- # 15. $G$ — Dependency Graph Dependency edge 應保存： - stable edge ID； - dependent cell； - prerequisite cell； - relation； - required flag； - reference kind； - evidence / provenance。 MLF reference orientation 中： $$ source $$ 是 dependent， $$ target $$ 是 prerequisite。 這需要明文定義，避免不同 graph convention 互相顛倒。 --- # 16. Dependency Graph 不等於 Route Graph 這是整個格式最重要的分離之一。 $$ G $$ 回答： > **什麼依賴什麼？** 而： $$ P $$ 回答： > **我要怎麼讀／查／執行這個結構？** 因此： $$ \boxed{ Dependency \neq Traversal. } $$ --- # 17. $P$ — Route Graph 可定義： - row-major； - column-major； - dependency-topological； - reverse dependency； - region-first； - conflict-first； - task-specific route。 一個 route 可以用於： - summary； - formula audit； - evidence trace； - conflict check； - model training； - human review。 --- # 18. Route 不是完整文件 如果 AI 只拿到： $$ \pi_Q(\mathcal F), $$ 那只是： $$ \boxed{ TaskProjection. } $$ 不是： $$ \boxed{ \mathcal F. } $$ 所以 route / projection 必須留下： $$ source\ linkage. $$ --- # 19. Reversible Projection 的最低定義 設： $$ \Phi: \mathcal F \rightarrow V. $$ 若 $V$ 是 task projection， 則至少應保存反向 linkage： $$ \lambda: V \rightarrow \mathcal P(\mathcal F) $$ 使每個 projection element 能指出： - 來自哪些 cells； - 哪些 regions； - 哪些 edges； - 省略哪些 material。 因此： $$ \boxed{ Projection \neq Destructive Flattening. } $$ --- # 20. Human-Readable 不等於永遠攤平 MLF 的設計句可以寫成： $$ \boxed{ HumanReadable \neq PermanentlyFlattened. } $$ 同樣： $$ \boxed{ AIReadable \neq Opaque. } $$ AI 不需要因為「吃 tensor」就失去： - source identity； - provenance； - dependency； - route origin。 --- # 21. $H$ — Provenance and Append-Only History MLF provenance event 可以記錄： - import； - migration； - validation； - inference； - review； - promotion； - deidentification； - export。 所以： $$ \boxed{ State + History } $$ 被同時保存。 --- # 22. 與 W3C PROV 的關係 W3C PROV 已經提供： - Entity； - Activity； - Agent； 以及跨系統 provenance interchange 的一般模型。 因此 MLF 不應宣稱： > 「第一次發明 provenance。」 MLF 的研究重點是： > 如何把 provenance 直接綁到 matrix/cell/formula/edge/projection 的 AI-native exchange context。 --- # 23. Prediction、Decision、Promotion 三分 MLF governed inference 明確分： $$ \boxed{ prediction } $$ $$ \boxed{ decision } $$ $$ \boxed{ promotion. } $$ 因此： $$ ModelConfidence=0.999 $$ 不能直接： $$ \Rightarrow FormalEdge. $$ --- # 24. 為什麼這三層重要？ AI 可以產生： $$ prediction: A\rightarrow B. $$ review policy 決定： $$ decision: accept. $$ 最後才： $$ promotion: G \leftarrow G\cup\{A\rightarrow B\}. $$ 所以： $$ \boxed{ Inference \neq Authority. } $$ --- # 25. $L$ — Conversion Loss MLF 的一個關鍵思想是： > **轉換失敗不是非黑即白。** 匯入可能是： $$ lossless, $$ $$ partial, $$ $$ unsupported, $$ $$ warning. $$ 因此： $$ \boxed{ CompilationSuccess \neq LosslessConversion. } $$ --- # 26. CSV 是最好的反例 CSV 可以保留： - 二維位置； -文字； -基本數值。 但通常無法自然保存： - multiple sheets； - semantic style； - formula AST； - dependency history； - role； - provenance。 所以： $$ CSV \rightarrow MLF $$ 時可以建立新結構， 但如果原 CSV 本身沒有這些資訊， 不能假裝： $$ \boxed{ \text{它們原本就存在。} } $$ --- # 27. XLSX Import 也不是無損神話 XLSX 可以嘗試映射： $$ Worksheet \rightarrow Matrix, $$ $$ Cell \rightarrow Cell, $$ $$ Formula \rightarrow Source+AST, $$ $$ NamedRange \rightarrow Region. $$ 但： $$ Style \rightarrow SemanticRole $$ 常常只是 inference。 所以必須標記： $$ \boxed{ InferredRole \neq ExplicitRole. } $$ --- # 28. Export Loss 也必須寫出來 假設： $$ MLF \rightarrow CSV. $$ 則 export report 可以寫： ```json { "target": "csv", "losses": [ "dependency_graph", "provenance_history", "style_semantics", "human_projection_policies" ] } ``` 這表示： $$ \boxed{ \text{Loss is a first-class output.} } $$ --- # 29. 四層 Fingerprint MLF 支援四種 fingerprint： $$ \boxed{ F_{struct} } $$ $$ \boxed{ F_{content} } $$ $$ \boxed{ F_{semantic} } $$ $$ \boxed{ F_{presentation}. } $$ 這使不同類型變更可以被分開判定。 --- # 30. 為什麼一個 hash 不夠？ 若只 hash 全文件 bytes： $$ H_{bytes}, $$ 只要改： - 換行； - ZIP packing； - style； - field order； 就可能完全不同。 但我們想問的可能是： > 語義有沒有改？ 所以需要： $$ \boxed{ CanonicalSemanticFingerprint. } $$ --- # 31. Presentation-only Change 若只是： - theme； - fill； - font； - border； 改變， 而 formula、value、dependency 不變， 則希望： $$ F_{presentation}\neq F'_{presentation}, $$ 但： $$ \boxed{ F_{semantic}=F'_{semantic}. } $$ 這使： $$ \boxed{ VisualChange \neq SemanticChange. } $$ 成為可測命題。 --- # 32. Content Change 若： $$ A1=3 $$ 改成： $$ A1=4, $$ 那麼： $$ F_{content} $$ 應改。 若 formula： $$ =A1+B1 $$ 改為： $$ =A1-B1, $$ 則： $$ F_{semantic} $$ 也應改。 --- # 33. Checksums 與 Fingerprints 不是同一層 `checksums.json` 回答： > 這些 package bytes 有沒有被改？ Fingerprint 回答： > 結構／內容／語義／呈現是否等價？ 所以： $$ \boxed{ ByteIntegrity \neq SemanticIdentity. } $$ --- # 34. Checksums 也不能證明作者身份 SHA-256 可以證明： $$ bytes $$ 和紀錄一致。 不能證明： - authorship； - authorization； - lawful authority； - truth。 所以： $$ \boxed{ Hash \neq Authority. } $$ --- # 35. Physical Container MLF 1.0 有： $$ .mlfdir $$ 開發／檢查形態， 以及： $$ .mlf $$ single-file exchange container。 `.mlf` 是 deterministic ZIP-compatible container。 唯一 mandatory entry： $$ \boxed{ manifest.json. } $$ --- # 36. 為什麼 Manifest 是唯一入口？ 因為 reader 不應靠： > 猜資料夾長什麼樣。 而應從： $$ Manifest $$ 取得： - version； - document ID； - conformance； - matrices； - graphs； - provenance； - projections； - reports。 這是一個： $$ \boxed{ Self-Describing Package Contract. } $$ --- # 37. Conformance Profile MLF 1.0 不要求： > 支援一個 feature 就自稱完整 MLF。 reader / writer 必須聲明 profile。 例如： $$ core, $$ $$ ledger, $$ $$ ai\text{-}projection, $$ $$ distributed, $$ 以及 human-related profile。 這種設計避免： $$ \boxed{ PartialSupport \rightarrow FalseCompleteClaim. } $$ --- # 38. Core Profile Core 至少處理： - container； - manifest； - matrices； - cells； - type； - coordinate； - stable ID； - checksums； - validation。 這是： $$ \boxed{ Minimum Structural Interchange. } $$ --- # 39. Ledger Profile Ledger 再加入： - provenance； - append-only history； - source reference； - conversion loss； - explicit conflict。 所以： $$ \boxed{ Structure \rightarrow TraceableStructure. } $$ --- # 40. AI Projection Profile AI projection 保存： - sequence view； - matrix view； - tensor view； - graph view； - mask； - task projection。 但重要的是： $$ \boxed{ ProjectionMetadata } $$ 而不是： $$ \boxed{ 「丟給模型的 tensor 就是全部真相」。 } $$ --- # 41. Distributed Profile Distributed profile 可以描述： - shardability； - partition hints； - dependency stages； - synchronization boundary。 但： $$ \boxed{ DistributedMetadata \neq ActualDistributedExecution. } $$ 這延續了： $$ LogicalParallelism \neq PhysicalExecution. $$ --- # 42. AI Training Task 也可以被格式化 MLF 可保存： ```text task_id type visible_regions masked_cells allowed_routes targets leakage_policy evaluation ``` 例如： $$ cell\ reconstruction. $$ 這使 dataset generation 不再只是： $$ Input, Label. $$ 而可以保存： $$ \boxed{ InputStructure + AllowedView + HiddenTarget + LeakagePolicy. } $$ --- # 43. 這直接吸收 MMR-Bench 的教訓 MMR-Bench v0.1 曾因： $$ direction\ token $$ 洩漏答案。 所以 MLF task profile 明確要求： $$ \boxed{ TrainingInput \neq Answer. } $$ 並可保存： $$ leakage\_policy. $$ 這是 benchmark 失敗經驗進入格式治理的例子。 --- # 44. 參考讀取流程 MLF reference flow： ```text Open container → validate manifest / safe paths → load substrate → build matrix index → validate cells / roles → load formula AST → build dependency graph → check cycles / consistency → load routes / projections → generate task view → retain reverse mapping ``` 因此 projection 並不是最後才臨時 flatten。 它建立在完整 source index 上。 --- # 45. 參考寫入流程 寫入原則： ```text Do not overwrite original snapshot → create candidate change → validate structure / dependency → compute impact → apply policy → human review if required → append new event/version → update semantic fingerprint ``` 所以： $$ \boxed{ Edit \neq SilentMutation. } $$ --- # 46. MLF 與 ONNX：不是競爭同一問題 ONNX 是： $$ \boxed{ PortableSerializedComputationGraph. } $$ 它主要保存： - model； - graph； - operators； - tensors； - metadata。 ONNX graph 還要求 main computation graph 依 data dependencies 拓撲排序，並使用 SSA-style value definitions。 MLF 則保留： - human regions； - spreadsheet identity； - source formula； - AST； - dependency； - routes； - provenance history； - conversion loss； - presentation fingerprint。 因此： $$ \boxed{ ONNX \neq MLF. } $$ 較合理關係是： $$ MLF \xrightarrow{\Phi_{model}} ONNX $$ 或某些 MLF tensor / graph projection 成為模型工具鏈輸入。 --- # 47. MLF 與 MLIR MLIR 提供： $$ Operation + Value + Block + Region + Dialect $$ 的 extensible compiler IR， 並可同時有： - human-readable text； - in-memory form； - compact serialized form； 且這些形式描述相同 semantic content。 這和 MLF 有很強的哲學近鄰： $$ \boxed{ \text{一個 semantic object 可以有多種 physical representation}. } $$ 但 MLIR 的目標是： $$ \boxed{ CompilerTransformation + Lowering. } $$ MLF 的目標則更偏： $$ \boxed{ Cross-Interface Structural Preservation + Audit + Projection. } $$ --- # 48. MLF 與 Apache Arrow Arrow 專注： $$ \boxed{ LanguageAgnosticColumnarMemory } $$ 與： - metadata serialization； - zero-copy-friendly transport； - SIMD / locality； - analytical access。 所以 Arrow 的核心優化目標是： $$ \boxed{ PhysicalDataLayoutEfficiency. } $$ MLF 不是。 MLF 可以把某些 dense / tabular projection： $$ \Phi_{arrow}(\mathcal F) $$ 交給 Arrow， 但 MLF 仍保存 Arrow 不負責的： - formula AST； - route； - provenance event； - conversion loss； - human projection semantics。 --- # 49. MLF 與 W3C PROV PROV-O 提供一般： $$ Entity + Activity + Agent $$ provenance vocabulary。 MLF 沒必要重造一般 provenance ontology。 更合理方向： $$ \boxed{ MLFProvenance \leftrightarrow PROV. } $$ 也就是讓 MLF 的 cell/formula/projection events 可以映射到標準 provenance 世界。 --- # 50. MLF 的真正研究主張 所以 MLF 的研究增量不是： > 「我們做了一個 ZIP 裝 JSON。」 真正命題是： $$ \boxed{ \textbf{ 如果一個計算／知識物件會在多種表示之間流動， 那麼 identity、dependency、semantics、provenance 與 loss 應該成為跨 projection 保存的一等公民。 } } $$ --- # 51. Stable Core 與 Research Module MLF 1.0 stable core 包含： - containers； - Manifest； - cells / IDs； - regions / roles； - formula source + AST； - dependency graph； - route / projection； - provenance； - conversion loss； - fingerprints； - checksums； - migration； - validation。 --- # 52. Research / Governed Modules repository 另外保留： - dataset generation； - anti-leakage splitting； - runtime projections； - model comparison； - inference ledger； - review / promotion； - calibration； - OOD routing； - natural workbook intake。 但： $$ \boxed{ RepositoryFeature \neq NormativeMLF1.0. } $$ --- # 53. 為什麼保留負面結果？ 如果 repository 只留下： > 最後成功版。 就會失去： - leakage history； - failed model comparison； - unsupported semantics； - calibration boundary。 因此 negative result 本身應進： $$ \boxed{ ResearchProvenance. } $$ 這和 MMR-Bench 的自我否證路線一致。 --- # 54. 1.0 發布驗證 MLF 1.0 / Compiler 1.0.0 的 release candidate 記錄： - 54 automated tests PASS； - Python syntax compilation PASS； - Manifest JSON Schema PASS； - README 24 relative links 存在； - fresh MLF 1.0 validate； - MLF 0.1 readable； - migration preserves semantic / presentation fingerprints； - repository scan 無本機 absolute paths / cache / hard-coded secret； - wheel 在無 NumPy / PyTorch 的 fresh environment 可安裝核心 CLI； - release ZIP 解壓後再次 54 tests PASS。 所以： $$ \boxed{ StableSpec + ReferenceImplementation + ReleaseVerification. } $$ 三層都已有對應。 --- # 55. 這些驗證不能證明什麼？ 不能證明： - MLF 是最佳格式； - MLF 比 ONNX / MLIR / Arrow 更快； - AI 用 MLF 一定更準； - enterprise XLSX 全支援； - learned dependency inference 已 production-ready； - conversion 能普遍 lossless。 所以： $$ \boxed{ Conformance \neq Superiority. } $$ --- # 56. MLF 的 Falsification Plan MLF 的價值仍應與： - flat JSON； - CSV； - spreadsheet； - graph-only IR； - AST-only IR； 比較。 --- # 57. F1 — No Structural Benefit 如果： $$ FlatJSON+Metadata $$ 可以更簡單、低成本地保存全部 MLF useful semantics， 那 MLF 應被降格為： $$ \boxed{ NamingConvention. } $$ --- # 58. F2 — Projection Overhead 如果任何 AI task 都必須： $$ MLF \rightarrow HugeFlattening $$ 且： $$ TokenCost_{MLF} > TokenCost_{baseline}, $$ 沒有 accuracy / audit benefit， 則 AI projection value 失敗。 --- # 59. F3 — Conversion Loss Too Large 若 real workbook import 長期產生大量： $$ unsupported, $$ $$ ambiguous, $$ 使： $$ UsefulStructureRatio $$ 過低， 則 XLSX bridge 只適合小子集。 --- # 60. F4 — Fingerprints Unstable 若 semantic-preserving repackaging： $$ R_1\sim_{sem}R_2 $$ 卻頻繁得到： $$ F_{semantic}(R_1) \neq F_{semantic}(R_2), $$ 則 canonicalization 設計失敗。 --- # 61. F5 — Projection Not Reversible Enough 若模型 projection 無法回答： > 「這個 token / node / tensor slice 原來來自哪個 cell / region / formula？」 則： $$ \boxed{ TraceableProjection } $$ 主張失敗。 --- # 62. F6 — Governance Becomes Metadata Theater 如果 prediction / decision / promotion 雖然被分欄， 但實際 runtime 還是： $$ ModelOutput \rightarrow CanonicalGraph $$ 直接寫入， 那治理欄位只是裝飾。 因此： $$ \boxed{ Governance } $$ 必須在 runtime policy 中真正生效。 --- # 63. 從 Spreadsheet 到 Canonical Structure 的最終轉折 現在可以重新畫整條歷史： $$ \boxed{ Excel\ Cell } $$ $$ \downarrow $$ $$ \boxed{ Cell+Formula } $$ $$ \downarrow $$ $$ \boxed{ Cell+Dependency+Role } $$ $$ \downarrow $$ $$ \boxed{ MMR\ Route } $$ $$ \downarrow $$ $$ \boxed{ MMLC\ Transaction+Audit } $$ $$ \downarrow $$ $$ \boxed{ MMR\text{-}Bench\ Evidence } $$ $$ \downarrow $$ $$ \boxed{ MLF\ CanonicalStructure. } $$ --- # 64. Excel 最終成為 Projection 這是整個系列最重要的一次概念反轉。 最早： > Excel 能不能成為 AI？ 到 MLF： $$ \boxed{ Excel = \Phi_{sheet}(\mathcal F). } $$ 同時： $$ Sequence = \Phi_{seq}(\mathcal F), $$ $$ Tensor = \Phi_{tensor}(\mathcal F), $$ $$ Graph = \Phi_{graph}(\mathcal F), $$ $$ HumanView = \Phi_{human}(\mathcal F). $$ 沒有任何一個 projection 天然擁有全域特權。 --- # 65. 但 Projection 也不是「假的」 若： $$ V=\Phi(\mathcal F), $$ 不能說： > V 只是幻影。 因為不同 projection 可以是： - 真實可執行； - 真實可讀； - 真實可訓練； - 真實可視化。 真正差異是： $$ \boxed{ \text{它們只保存任務需要的部分結構。} } $$ --- # 66. Conversion Loss 讓投影不再假裝完整 所以 MLF 最值得保留的一個概念其實可能是： $$ \boxed{ L. } $$ 也就是： $$ \boxed{ \text{每個 projection 都應該有勇氣說自己丟了什麼。} } $$ 這讓： $$ Projection $$ 從一個形上學詞彙， 變成工程可檢查物件。 --- # 67. 本文結論 MLF 1.0 的核心不是： > 再發明一個通用格式。 而是建立一個明確界線： $$ \boxed{ \textbf{ 完整結構負責保存； 投影負責使用； 損失負責誠實； 來源負責追蹤； 指紋負責判定何種同一性。 } } $$ 因此： $$ \boxed{ \text{Storage} \neq \text{Projection} \neq \text{Execution} \neq \text{ModelInput} \neq \text{HumanView}. } $$ MLF 不要求這些層最後長得一樣。 它要求： > **它們不同時，不要失去彼此的來源關係。** 這就是： $$ \boxed{ \text{Traceable Multi-Projection Structure}. } $$ 從這裡開始，下一個問題自然變成： > 如果同一 canonical structure 可以被人類、AI、試算表、Runtime 同時投影，那麼如何保證它們真的仍然指向同一份執行狀態，而不是各自長成不同真實？ 這就是下一篇的： $$ \boxed{ \text{Executable Identity}. } $$ --- # 68. 下一篇 ## EML-MNIAC-2026-07 **《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》** 下一篇將正式整合： - MLF； - MMLC Runtime； - PHOSPHOR-SHEET； - canonical state； - human / AI / spreadsheet projection； - authority； - write-back； - conflict； - executable identity； - state divergence； - round-trip control。 --- # 參考資料 ## 內部規格與工程 1. EveMissLab, **AI Matrix Ledger Format (MLF) 1.0 — Traditional Chinese Specification**. 2. EveMissLab, **AI Matrix Ledger Format (MLF) 1.0 — English Specification**. 3. EveMissLab, **MLF 1.0 / MLF Compiler 1.0.0 Release Notes**. 4. EveMissLab, **MLF 1.0 GitHub 發布與命名說明**. 5. EveMissLab, **MLF Compiler 1.0.0**. 6. Repository: `kakon77777-commits/matrix-ledger-format`. 7. EML-MNIAC-2026-05, 《試算表智能的可證偽實驗》. ## 外部技術近鄰 8. ONNX, **Open Neural Network Exchange Intermediate Representation Specification**. https://onnx.ai/onnx/repo-docs/IR.html 9. LLVM Project, **MLIR Language Reference**. https://mlir.llvm.org/docs/LangRef/ 10. Apache Arrow, **Arrow Columnar Format**. https://arrow.apache.org/docs/format/Columnar.html 11. W3C, **PROV-O: The PROV Ontology**. https://www.w3.org/TR/prov-o/ 這些外部系統已分別處理 computation graph、compiler IR、多形態 semantic IR、columnar data transport 與 provenance interchange。MLF 的合理定位不是宣稱取代它們，而是將 matrix/spreadsheet-originated knowledge 的 identity、formula AST、dependency、route、human/model projection 與 conversion loss 放進同一可追蹤交換契約，並在需要時投影到這些既有工具鏈。 --- **系列狀態：** 第 06 篇完成。 **下一篇：** EML-MNIAC-2026-07 —《單一狀態、多重投影：人類、AI、試算表與 Runtime 的執行同一性》