--- title: "學習作為帳本流：不變量、投影約束與不可消除結構殘差" title_en: "Learning as Ledger Flow: Invariants, Projection Constraints, and Irreducible Structural Residuals" 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-2026-02" version: "v0.1" date: "2026-08-16" language: "zh-Hant" document_type: "系列第02篇／Constrained Learning／可驗證實驗與解析重構" status: "Public Draft" author: "Neo.K（許筌崴）／EveMissLab" depends_on: - "EML-MNIAC-2026-00 矩陣原生智能與可稽核計算總論 v0.1" - "EML-MNIAC-2026-01 模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態 v0.1" internal_artifacts: - "ledger_experiment.py" - "build_xlsx.py" - "自適應帳本量化代理框架技術規格.md" canonical_keywords: - Constrained Learning - Ledger Flow - Invariant - Projection Constraint - Structural Residual - Gradient Projection - Exponentiated Gradient - Conservation - Feasible Set - Audit - EML-LQ --- # 學習作為帳本流 ## 不變量、投影約束與不可消除結構殘差 **Learning as Ledger Flow: Invariants, Projection Constraints, and Irreducible Structural Residuals** --- ## 摘要 本文是《矩陣原生智能與可稽核計算》系列第 02 篇，研究一個位於機器學習、約束最佳化與帳本式計算交界的問題： > **一個可學習系統是否可以在顯式不變量約束下持續學習？如果約束本身錯了，錯誤會以什麼形式留下？** 本文以早期 `ledger_experiment.py` 為核心。該程式在一個線性回歸問題 $$ Y=XW^\ast $$ 上比較三種訓練制度： 1. `FREE`：普通 gradient descent； 2. `A2-MATCH`：每一步後投影回正確 trace 約束 $$ \operatorname{Tr}(W)=\operatorname{Tr}(W^\ast); $$ 3. `A2-MISMATCH`：每一步後投影回錯誤 trace 約束 $$ \operatorname{Tr}(W)=\operatorname{Tr}(W^\ast)+\Delta. $$ 本文重新執行原始程式，在原始隨機種子與超參數下得到： ```text FREE loss 0.0024 -> 0.000000 A2-MATCH loss 0.0026 -> 0.000000 A2-MISMATCH(+3) loss 0.0029 -> 0.000172 ``` 其中真實 trace 約為： $$ \operatorname{Tr}(W^\ast)\approx -0.7699, $$ 而 mismatch regime 被鎖定於： $$ \operatorname{Tr}(W)=2.2301\ldots $$ 附近。 更進一步，本文對該實驗推導出解析 constrained optimum。令： $$ A=X^\top X, $$ $$ E=W-W^\ast, $$ 並要求： $$ \operatorname{Tr}(E)=\Delta. $$ 則對原實驗的 mean-squared loss： $$ L(E) = \frac{1}{2mn} \operatorname{Tr}(E^\top A E), $$ 當 $A$ 正定時，錯誤 trace 約束下的最小可達 loss 為： $$ \boxed{ L_{\min} = \frac{\Delta^2} {2mn\,\operatorname{Tr}(A^{-1})}. } $$ 對原始資料： $$ n=8,\quad m=400,\quad \Delta=3, $$ 且： $$ \operatorname{Tr}(A^{-1}) \approx 8.1659156601, $$ 因此： $$ \boxed{ L_{\min} \approx 0.000172209714. } $$ 與程式的最終 loss 約 $0.000172$ 一致。 因此，本文將早期直覺精確化為： $$ \boxed{ \text{正確約束不必然妨礙學習；} } $$ 但： $$ \boxed{ \text{若真實解不在可行域內，則存在由幾何不相容決定的非零誤差下界。} } $$ 這個下界不是 optimizer 不夠好造成，而是 feasible set 本身排除了真實解。 本文並進一步將這個結果連接到後續 EML-LQ 的 simplex normalization、乘法更新與 AI 開放閥設計，提出「學習作為帳本流」的統一觀點：**更新是流動、約束是合法域、投影是回到合法域的算子、殘差是模型與制度不相容的證書。** --- # 1. 問題：守恆會不會殺死學習？ ## 1.1 最容易犯的兩個極端 當「守恆」或「不變量」被帶入可學習系統時，通常會滑向兩個極端。 第一種是： > 只要加入守恆，模型就會失去自由度，因此一定學不好。 形式上近似： $$ Constraint \Rightarrow No\ Learning. $$ 第二種則是： > 只要叫它守恆，任何約束都會提升穩定性。 形式上近似： $$ Constraint \Rightarrow Better\ Learning. $$ 兩者都不成立。 真正的問題是： $$ \boxed{ W^\ast \in \mathcal C \ ? } $$ 其中： - $W^\ast$ 是任務真正需要的解； - $\mathcal C$ 是系統被允許存在的可行域。 --- # 2. 一般 constrained-learning 形式 設損失函數： $$ L(W), $$ 而合法狀態集合： $$ \mathcal C = \{ W: g_i(W)=0,\; h_j(W)\le 0 \}. $$ 普通 gradient descent： $$ W_{t+1}^{raw} = W_t-\eta_t\nabla L(W_t). $$ Projected gradient 類方法則寫成： $$ \boxed{ W_{t+1} = P_{\mathcal C} \left( W_t-\eta_t\nabla L(W_t) \right). } $$ 其中： $$ P_{\mathcal C}(Z) = \arg\min_{W\in\mathcal C} \|W-Z\|. $$ 從帳本語言來看，可以讀成： $$ \boxed{ \text{Proposal} \rightarrow \text{Projection} \rightarrow \text{Legal State}. } $$ 即： 1. optimizer 先提出更新； 2. 約束層判斷合法域； 3. projection 將狀態帶回合法集合； 4. audit 檢查 invariant 是否成立。 --- # 3. 原始 `ledger_experiment.py` ## 3.1 任務 原始實驗設定： $$ n=8, \qquad m=400, $$ 並產生： $$ X\in\mathbb R^{m\times n}, $$ $$ W^\ast\in\mathbb R^{n\times n}, $$ $$ Y=XW^\ast. $$ 學習目標： $$ \min_W \frac12 \operatorname{mean} \left[ (XW-Y)^2 \right]. $$ 原始程式使用： $$ 600 $$ 個 gradient steps， learning rate： $$ \eta=0.02. $$ --- # 4. A2：Trace 作為最小帳本不變量 原始實驗選擇： $$ \tau(W) = \operatorname{Tr}(W). $$ 這不是主張： > 所有 AI 都應守恆 trace。 它只是選擇一個： - 易於計算； - 易於投影； - 可以精確控制； - 可以製造 match / mismatch 對照； 的最小線性 invariant。 設目標 trace： $$ \tau_0. $$ 則 constraint set： $$ \mathcal C_{\tau_0} = \{ W: \operatorname{Tr}(W)=\tau_0 \}. $$ --- # 5. Trace Projection 對任意： $$ W\in\mathbb R^{n\times n}, $$ 定義： $$ a = \frac{ \operatorname{Tr}(W)-\tau_0 }{n}. $$ 再令： $$ \boxed{ P_{\tau_0}(W) = W-aI. } $$ 檢查： $$ \operatorname{Tr} \left( W-aI \right) = \operatorname{Tr}(W)-na = \tau_0. $$ 所以： $$ P_{\tau_0}(W) \in \mathcal C_{\tau_0}. $$ 這正是原始程式： ```python def project_trace(W, tr0): a = (np.trace(W) - tr0) / n return W - a * np.eye(n) ``` 的數學形式。 --- # 6. 三種 regime ## 6.1 FREE $$ W_{t+1} = W_t-\eta\nabla L(W_t). $$ 不限制： $$ \operatorname{Tr}(W_t). $$ --- ## 6.2 A2-MATCH 令： $$ \tau_0 = \operatorname{Tr}(W^\ast). $$ 每一步： $$ W_{t+1} = P_{\tau_0} \left( W_t-\eta\nabla L(W_t) \right). $$ 因為： $$ W^\ast\in\mathcal C_{\tau_0}, $$ 所以真實解仍在 feasible set 中。 --- ## 6.3 A2-MISMATCH 令： $$ \tau_0 = \operatorname{Tr}(W^\ast)+\Delta, $$ 其中原實驗： $$ \Delta=3. $$ 此時： $$ W^\ast \notin \mathcal C_{\tau_0}. $$ 因此不管 optimizer 如何更新： $$ W_t\in\mathcal C_{\tau_0} $$ 都不可能真正到達： $$ W^\ast. $$ --- # 7. 原始實驗重新執行 本文使用原始 `ledger_experiment.py`、原始 seed、原始超參數重新執行。 結果： ```text FREE loss 0.0024 -> 0.000000 | Tr(W): -0.214 -> -0.770 A2-MATCH loss 0.0026 -> 0.000000 | Tr(W): -0.770 -> -0.770 A2-MISMATCH(+3) loss 0.0029 -> 0.000172 | Tr(W): 2.230 -> 2.230 reference: Tr(W_true) = -0.7699 ``` 因此： $$ \boxed{ L_{\mathrm{FREE}} \rightarrow 0, } $$ $$ \boxed{ L_{\mathrm{MATCH}} \rightarrow 0, } $$ 但： $$ \boxed{ L_{\mathrm{MISMATCH}} \rightarrow 1.72\times 10^{-4} \neq0. } $$ 這不是 convergence failure。 恰恰相反： > MISMATCH 很可能已經收斂得很好；只是它收斂到錯誤 feasible set 中的最佳點。 --- # 8. 為什麼 A2-MATCH 不妨礙這個任務？ 因為： $$ W^\ast \in \mathcal C_{\operatorname{Tr}(W^\ast)}. $$ 若 unconstrained optimum 唯一且就是： $$ W^\ast, $$ 則 constrained problem： $$ \min_{W\in\mathcal C_{\operatorname{Tr}(W^\ast)}}L(W) $$ 仍然包含原始 optimum。 所以： $$ \boxed{ \min_{W\in\mathcal C}L(W) = \min_WL(W) } $$ 在這個實驗中是可能的。 因此： $$ \boxed{ Constraint } $$ 不是自動成本。 真正的成本來自： $$ \boxed{ Constraint\text{-}Target\ Incompatibility. } $$ --- # 9. Mismatch residual 的解析解 這是本文對原始實驗的新解析重構。 令： $$ E = W-W^\ast. $$ 因： $$ Y=XW^\ast, $$ 所以： $$ XW-Y = XE. $$ 原始 loss 使用 NumPy： ```python 0.5 * np.mean((X @ W - Y) ** 2) ``` 因此： $$ \boxed{ L(E) = \frac{1}{2mn} \|XE\|_F^2. } $$ 令： $$ A=X^\top X. $$ 則： $$ L(E) = \frac{1}{2mn} \operatorname{Tr} (E^\top A E). $$ 錯誤 trace constraint 為： $$ \operatorname{Tr}(E) = \Delta. $$ --- # 10. 定理：Trace-Mismatch Floor ## 定理 1 — 線性回歸中的 trace mismatch 精確下界 若： $$ A=X^\top X $$ 為正定，考慮： $$ \min_E \frac{1}{2mn} \operatorname{Tr}(E^\top A E) $$ subject to： $$ \operatorname{Tr}(E)=\Delta. $$ 則最小值為： $$ \boxed{ L_{\min} = \frac{\Delta^2} {2mn\operatorname{Tr}(A^{-1})}. } $$ --- ## 證明 將： $$ E = [e_1,\ldots,e_n] $$ 視為 column decomposition。 則： $$ \operatorname{Tr}(E) = \sum_{j=1}^n e_j^{(j)}. $$ 亦即： $$ \sum_{j=1}^{n} q_j^\top e_j = \Delta, $$ 其中： $$ q_j $$ 是第 $j$ 個 standard basis vector。 忽略正比例常數： $$ \frac{1}{2mn}, $$ 考慮 Lagrangian： $$ \mathcal L = \sum_j e_j^\top A e_j - \lambda \left( \sum_jq_j^\top e_j-\Delta \right). $$ 對每個 $e_j$： $$ 2Ae_j-\lambda q_j=0. $$ 因此： $$ e_j = \frac{\lambda}{2} A^{-1}q_j. $$ 代入 constraint： $$ \sum_j q_j^\top \left( \frac{\lambda}{2} A^{-1}q_j \right) = \Delta. $$ 所以： $$ \frac{\lambda}{2} \operatorname{Tr}(A^{-1}) = \Delta. $$ 因此： $$ \lambda = \frac{2\Delta} {\operatorname{Tr}(A^{-1})}. $$ 再代回 objective： $$ \sum_j e_j^\top A e_j = \frac{\Delta^2} {\operatorname{Tr}(A^{-1})}. $$ 故： $$ \boxed{ L_{\min} = \frac{\Delta^2} {2mn\operatorname{Tr}(A^{-1})}. } $$ 證畢。 --- # 11. 原始資料的精確 floor 原始 seed 重建得到： $$ \operatorname{Tr} \left( (X^\top X)^{-1} \right) \approx 8.165915660145487. $$ 帶入： $$ m=400, $$ $$ n=8, $$ $$ \Delta=3, $$ 得到： $$ L_{\min} = \frac{9} { 2(400)(8)(8.165915660145487) }. $$ 因此： $$ \boxed{ L_{\min} \approx 0.000172209713953. } $$ 原始 gradient experiment 最後得到： $$ L_{\mathrm{final}} \approx 0.000172. $$ 所以： $$ \boxed{ L_{\mathrm{final}} \approx L_{\min}. } $$ 這表示 mismatch regime 並不是「卡住」。 它其實已經接近： $$ \boxed{ \text{錯誤制度允許的最佳答案。} } $$ --- # 12. 結構殘差不是 optimizer error 這一點是整篇最重要的概念。 一般訓練誤差可以粗略拆成： $$ Error = Error_{\mathrm{optimization}} + Error_{\mathrm{approximation}} + Error_{\mathrm{data}} + \cdots $$ 本文增加一個概念性分量： $$ \boxed{ Error_{\mathrm{structural}} } $$ 它來自： $$ W^\ast \notin \mathcal C. $$ 因此： $$ \boxed{ Error_{\mathrm{structural}} = \min_{W\in\mathcal C} L(W) - \min_WL(W). } $$ 若 unconstrained optimum loss 為零： $$ \min_WL(W)=0, $$ 則： $$ \boxed{ Error_{\mathrm{structural}} = \min_{W\in\mathcal C}L(W). } $$ 在原始 mismatch 實驗中就是： $$ \boxed{ 0.0001722097\ldots } $$ --- # 13. 帳本語言中的重新解釋 令狀態： $$ W_t $$ 視為帳本。 Gradient： $$ -\eta\nabla L(W_t) $$ 是 proposed flow。 Projection： $$ P_{\mathcal C} $$ 是合法域修正。 Invariant： $$ \tau(W_t)=\tau_0 $$ 是 ledger rule。 Residual： $$ R_t $$ 則是： > 任務要求與制度允許空間之間的張力。 因此可以寫成： $$ \boxed{ \text{Learning} = \text{Flow} + \text{Constraint} + \text{Projection} + \text{Residual Audit}. } $$ --- # 14. 「守恆」應該被理解成可行域，不是神祕法則 本文刻意把「守恆」去神祕化。 若： $$ \tau(W)=\tau_0, $$ 它首先只是定義： $$ \mathcal C_{\tau_0}. $$ 因此真正研究問題不是： > 「宇宙是否喜歡守恆？」 而是： $$ \boxed{ \text{這個 feasible set 是否包含任務需要的解？} } $$ 如果包含： $$ W^\ast\in\mathcal C, $$ constraint 可以： - 不增加 optimum loss； - 提供 audit； - 降低非法狀態； - 提供可解釋 boundary。 如果不包含： $$ W^\ast\notin\mathcal C, $$ 則 constraint 會創造： $$ \boxed{ Structural Bias. } $$ --- # 15. 與經典 Projected Gradient 的關係 本文的 trace projection 並不是新的 constrained-optimization 演算法。 Projected gradient 方法的基本思想早已存在： $$ x_{t+1} = P_C \left( x_t-\eta\nabla f(x_t) \right). $$ 本系列真正新增的不是「發明 projection」。 新增的是： 1. 將 projection 解釋為 ledger legality； 2. 將 invariant 暴露為可視 audit； 3. 將 mismatch residual 當成結構證書； 4. 將這種約束方式接入後續 spreadsheet / Agent / AI runtime。 因此： $$ \boxed{ \text{Optimization Mechanism} } $$ 與： $$ \boxed{ \text{Ledger Interpretation / System Architecture} } $$ 必須分開。 --- # 16. 從 Trace Constraint 到 Simplex Constraint 後來的 EML-LQ 不再使用： $$ \operatorname{Tr}(W)=\tau_0, $$ 而使用權重向量： $$ w = (w_1,\ldots,w_N) $$ 與 simplex： $$ \boxed{ \Delta_N = \left\{ w_i\ge0,\; \sum_iw_i=1 \right\}. } $$ 更新先做： $$ w_i^{raw} = w_i \exp(\eta r_i), $$ 再： $$ w_i' = \frac{ w_i^{raw} }{ \sum_jw_j^{raw} }. $$ 這一步保證： $$ \sum_iw_i'=1. $$ 因此： $$ \boxed{ \text{Normalization} = \text{Projection / Retraction into the simplex-like legal domain}. } $$ 這和原始 trace experiment 的精神相同： > 更新可以自由提出方向，但最終狀態必須回到合法集合。 --- # 17. 與 Exponentiated Gradient 的關係 EML-LQ 使用： $$ w_i^{raw} = w_i \exp(\eta r_i), $$ 再 normalization。 這類 multiplicative update 與經典 Exponentiated Gradient（EG）家族具有直接近鄰。 因此本文不把： $$ w_i\exp(\eta r_i) $$ 宣稱為新演算法。 本系列關注的是另外一件事： $$ \boxed{ \text{把 multiplicative adaptation 與 explicit ledger conservation 結合成可見架構。} } $$ 也就是： - update 是 flow； - normalization 是 conservation； - $\sum_iw_i$ 是 audit； - parameter / data source / time 被寫入 history。 --- # 18. 開放閥：Constraint 之外還有 permeability EML-LQ 再加入： $$ \eta_t = \frac{ \eta_{\mathrm{base}} }{ 1+\lambda\sigma_t }. $$ 若再接受智能層輸出的： $$ \delta_t, $$ 則： $$ \eta_t' = \eta_t\delta_t. $$ 此處： $$ \eta $$ 可以被理解為： $$ \boxed{ \text{Information Permeability} } $$ 或「開放閥」。 所以系統並非只有： $$ Legal / Illegal. $$ 還存在： $$ \boxed{ \text{How strongly new evidence is allowed to move the state?} } $$ 這使 constrained learning 從單純 feasible-set projection 進一步變成： $$ \boxed{ \text{Boundary} + \text{Permeability} + \text{Flow}. } $$ --- # 19. AI 不應直接擁有 invariant 後來 EML-LQ Agent 中： $$ AI \rightarrow \delta_t $$ 只修改： $$ \eta_t. $$ 但最終： $$ W_{t+1} $$ 仍必須經： $$ \sum_iw_i=1 $$ 的 Engine constraint。 因此： $$ \boxed{ \text{Intelligence Layer} \neq \text{Invariant Authority}. } $$ 這是一個重要工程原則。 如果 LLM 可以直接說： > 「這次我覺得不用守恆。」 那 invariant 就不再是 invariant。 因此： $$ \boxed{ AI\ Proposal \rightarrow Bounded\ Modifier \rightarrow Invariant\ Engine. } $$ 而不是： $$ AI \rightarrow Unrestricted\ Canonical\ State. $$ --- # 20. Constraint Compatibility Spectrum 實際系統不只存在： $$ MATCH $$ 與： $$ MISMATCH. $$ 更一般地，可以定義： $$ d(W^\ast,\mathcal C) = \inf_{W\in\mathcal C} \|W-W^\ast\|. $$ 若： $$ d=0, $$ 表示： $$ W^\ast\in\overline{\mathcal C}. $$ 若： $$ d>0, $$ 則存在幾何不相容。 所以 constraint compatibility 可以成為連續光譜： $$ \boxed{ Compatibility = f \left( d(W^\ast,\mathcal C), Geometry(\mathcal C), LossGeometry \right). } $$ 這比： > 「有守恆 / 沒守恆」 更接近真正學習問題。 --- # 21. 多重不變量 實際 Agent / matrix runtime 可能同時要求： $$ g_1(W)=0, $$ $$ g_2(W)=0, $$ $$ h_1(W)\le0, $$ $$ h_2(W)\le0. $$ 因此： $$ \mathcal C = \bigcap_i \mathcal C_i. $$ 新風險是： $$ \boxed{ \mathcal C=\varnothing. } $$ 也就是制度本身 mutually inconsistent。 此時任何 optimizer 都不可能滿足全部約束。 所以正式系統不只要 audit state， 還要 audit： $$ \boxed{ \text{Constraint Set Consistency}. } $$ --- # 22. Dynamic Invariants 某些 invariant 不必固定為： $$ \tau(W)=c. $$ 可能： $$ \tau_t(W)=c_t. $$ 也可能 constraint family 本身演化： $$ \mathcal C_t. $$ 則 learning dynamics： $$ W_{t+1} = P_{\mathcal C_{t+1}} \left( W_t-\eta_t\nabla L_t(W_t) \right). $$ 此時需要記錄： - constraint version； - effective time； - migration rule； - old/new feasible-set relation； - whether past states remain legal。 這直接連向後續： $$ \boxed{ Versioned Ledger + Executable Identity. } $$ --- # 23. Constraint 不是只有硬投影 本文目前主要討論 hard constraint： $$ W\in\mathcal C. $$ 但還有 soft constraint： $$ L'(W) = L(W) + \lambda R(W). $$ 以及 penalty / barrier / proximal / mirror-style methods。 因此： $$ \boxed{ \text{Ledger Constraint} } $$ 在更一般框架下不必等於： $$ \boxed{ \text{Euclidean Hard Projection}. } $$ 未來可以把 constraint enforcement 分類為： 1. hard projection； 2. normalization； 3. penalty； 4. barrier； 5. proximal update； 6. mirror / Bregman update； 7. symbolic legality guard； 8. hybrid human approval。 --- # 24. Constraint Certificate 如果系統宣稱某一步合法，不應只輸出： ```text PASS ``` 而可以輸出： $$ C_t = ( constraint\_id, version, value, target, residual, tolerance, status ). $$ 例如： ```yaml constraint_id: A2-sum version: 1.0 value: 1.0000000000 target: 1.0 residual: 2.1e-14 tolerance: 1.0e-10 status: PASS ``` 此時： $$ \boxed{ \text{Constraint} + \text{Certificate} } $$ 才真正適合進入 MLF / MMLC / Agent runtime。 --- # 25. Structural Residual Certificate 對 mismatch，除了： ```text loss = 0.000172 ``` 更應保存： $$ R_{\mathrm{struct}} = ( \Delta, A, L_{\min}, L_{\mathrm{observed}} ). $$ 若： $$ L_{\mathrm{observed}} \approx L_{\min}, $$ 表示： > optimizer 已接近 constrained optimum，剩餘誤差主要是結構不相容，而非訓練不足。 這對自動研究 Agent 非常重要。 否則 Agent 可能看到 loss 不再下降，就錯誤地： - 改 optimizer； - 加 steps； - 加 learning rate； - 換模型； 卻永遠無法消除： $$ \boxed{ Constraint-Induced Floor. } $$ --- # 26. 一個更一般的研究判斷器 給定： $$ L, \quad \mathcal C, \quad W^\ast\text{ 或 benchmark target}, $$ 可以建立： ```text 1. unconstrained solve 2. constrained solve 3. compare optimum gap 4. estimate structural floor 5. verify optimizer gap 6. classify failure ``` 形式上： $$ Gap_{\mathrm{total}} = L(W_t)-L^\ast. $$ 拆成： $$ Gap_{\mathrm{total}} = \underbrace{ L(W_t)-L^\ast_{\mathcal C} }_{OptimizationGap} + \underbrace{ L^\ast_{\mathcal C}-L^\ast }_{StructuralGap}. $$ 即： $$ \boxed{ TotalGap = OptimizationGap + StructuralGap. } $$ 這是本文最值得帶到其他 AI 研究領域的形式。 --- # 27. 與「思維鋼印」問題的形式對應 若一個系統永遠被限制在： $$ \mathcal C, $$ 而真實解在： $$ W^\ast\notin\mathcal C, $$ 那麼不論它在： $$ \mathcal C $$ 內多聰明、多有效率，都只能逼近： $$ P_{\mathcal C}(W^\ast) $$ 或某個 constrained optimum。 因此在抽象層： $$ \boxed{ \text{錯誤的先驗合法域} } $$ 會產生： $$ \boxed{ \text{不可消除的認知殘差}. } $$ 這裡「鋼印」不再只是比喻。 它對應： $$ \boxed{ \text{Hypothesis / State Space Exclusion}. } $$ 但本文也強調： > 不是所有限制都是鋼印。 若 constraint 正確： $$ W^\ast\in\mathcal C, $$ 它反而可能幫助： - 安全； - 穩定； - audit； - search-space reduction； - physical legality； - domain consistency。 --- # 28. 可證偽條件 ## F1 — Match Constraint Still Causes Irreducible Gap 若： $$ W^\ast\in\mathcal C, $$ 但在排除 optimizer failure 後仍存在理論上無法消失的正 gap， 則本文「compatibility」分析不足。 --- ## F2 — Mismatch Reaches Zero Loss 若： $$ W^\ast\notin\mathcal C $$ 且 objective 唯一識別 $W^\ast$， 卻仍能達到： $$ L=0, $$ 則 constraint / task assumptions 至少一項被錯誤描述。 --- ## F3 — Projection Does Not Preserve Invariant 若： $$ P_{\mathcal C}(W)\notin\mathcal C, $$ 則 projection implementation 失敗。 --- ## F4 — Structural Floor Misclassified as Optimization Failure 若 Agent 不斷增加訓練資源，卻沒有檢查： $$ L^\ast_{\mathcal C}-L^\ast, $$ 則系統缺乏 structural diagnosis。 --- ## F5 — Constraint Set Is Empty 若： $$ \bigcap_i\mathcal C_i=\varnothing, $$ 但 runtime 仍宣稱全 constraint 可同時滿足， 則 governance layer 本身不一致。 --- # 29. 與本系列其他節點的關係 ## 29.1 與 Open Model State 第 01 篇回答： $$ \text{模型狀態能否外部化？} $$ 本文回答： $$ \text{模型狀態外部化後，合法更新域能否也被顯式化？} $$ 因此： $$ \boxed{ OpenState + ExplicitConstraint. } $$ --- ## 29.2 與 Spreadsheet Runtime 下一篇將研究： $$ \boxed{ \text{如何把 state、formula、constraint、audit 放進同一可視工作簿。} } $$ --- ## 29.3 與 MMLC / MLF 本文的： $$ ConstraintCertificate $$ 與： $$ StructuralResidualCertificate $$ 可以自然成為： - transaction audit； - provenance event； - validation record； - model projection metadata。 --- ## 29.4 與 Agent Governance 本文提供一個簡單但關鍵的安全分離： $$ \boxed{ AI\ proposes; Engine\ constrains; Audit\ verifies. } $$ 這比： $$ AI\ decides\ everything $$ 更適合長時間自治系統。 --- # 30. 結論 `ledger_experiment.py` 最早問的是： > **守恆是否會妨礙計算？** 重新執行與解析後，答案已經可以寫得非常精確。 對原始實驗： $$ \boxed{ \text{正確 trace invariant 沒有提高最終 optimum loss。} } $$ 而錯誤 trace invariant： $$ \operatorname{Tr}(W) = \operatorname{Tr}(W^\ast)+3 $$ 創造的最小 loss 為： $$ \boxed{ L_{\min} = \frac{9} {2(400)(8)\operatorname{Tr}((X^\top X)^{-1})} \approx 0.000172209714. } $$ 實際 gradient training 收斂到： $$ \boxed{ L_{\mathrm{final}} \approx0.000172. } $$ 這表示： $$ \boxed{ \text{Residual} \neq \text{Optimization Failure}. } $$ 而是： $$ \boxed{ \text{Residual} = \text{Constraint–Target Incompatibility Certificate}. } $$ 所以本文最終提出： $$ \boxed{ \textbf{ 學習可以被理解為合法狀態空間中的流； 不變量定義可行域； 投影維持合法性； 而不可消除殘差揭露制度與目標之間的結構衝突。 } } $$ 這就是「學習作為帳本流」的最低數學骨架。 --- # 31. 下一篇 ## EML-MNIAC-2026-03 **《試算表作為可見計算環境：狀態、公式、依賴、記憶與稽核》** 下一篇將正式把： $$ OpenState + Constraint + Formula + Dependency + History $$ 放回 Excel / Spreadsheet runtime 中，處理： - EML-LQ； - Spreadsheet Ledger； - workbook state machine； - Excel-native computation； - log-coordinate runtime； - control / execution plane separation 的起點。 --- # 參考資料 ## 內部原型 1. EveMissLab, `ledger_experiment.py` — empirical test of Ledger Axiom A2 on a learnable linear system. 2. EveMissLab, `build_xlsx.py` — Adaptive Ledger Quant Meta-Framework / EML-LQ-2026. 3. EveMissLab, 《自適應帳本量化代理框架技術規格》。 4. EML-MNIAC-2026-00, 《矩陣原生智能與可稽核計算》。 5. EML-MNIAC-2026-01, 《模型可以住在表格裡嗎？CSV-Native Transformer 與可檢查模型狀態》。 ## 外部方法論近鄰 6. Rosen, J. B. (1961). **The Gradient Projection Method for Nonlinear Programming. Part II. Nonlinear Constraints.** Journal of the Society for Industrial and Applied Mathematics, 9(4), 514–532. https://doi.org/10.1137/0109044 7. Luenberger, D. G. (1972). **The Gradient Projection Method Along Geodesics.** Management Science, 18(11), 620–631. https://doi.org/10.1287/mnsc.18.11.620 8. Kivinen, J., & Warmuth, M. K. (1994/1997). **Exponentiated Gradient versus Gradient Descent for Linear Predictors.** UCSC-CRL-94-16; later Information and Computation. https://tr.soe.ucsc.edu/research/technical-reports/UCSC-CRL-94-16 9. Yang, T., Lin, Q., & Zhang, L. (2017). **A Richer Theory of Convex Constrained Optimization with Reduced Projections and Improved Rates.** ICML / PMLR 70. https://proceedings.mlr.press/v70/yang17f.html --- **系列狀態：** 第 02 篇完成。 **下一篇：** EML-MNIAC-2026-03 —《試算表作為可見計算環境：狀態、公式、依賴、記憶與稽核》