# 跨載體轉導與重建錯配 ## 從表示幾何、語義可辨識性到安全結果的多層保真理論 **英文題名：** Cross-Carrier Transduction and Reconstruction Mismatch: A Multi-Layer Fidelity Theory from Representational Geometry to Semantic Distinguishability and Safety Outcomes **系列：** 廣義相位交流與載體安全（Generalized Phase Communication and Carrier Safety, GPC-CS） **Paper：** 02 **作者：** Neo.K（許筌崴） **機構：** EveMissLab／一言諾科技有限公司 **理論協作：** Aletheia（GPT-5.6 Sol） **版本：** v1.0 **日期：** 2026-08-13 **狀態：** Public Theoretical Paper / Non-operational Safety Theory --- ## 摘要 Paper 01 將廣義相位交流中的安全問題形式化為載體狀態空間 $\mathcal X_i$ 、安全域 $\mathcal S_i$ 、關係安全域 $\mathcal C_G$ 與全域閉包條件。本文進一步處理其中尚未展開的一個核心問題：**當一個載體中的表示被轉導到另一個載體時，究竟什麼叫做「保留了原本的東西」？而接收端重建出的結果，又有多少來自傳輸本身，多少來自接收載體的既有狀態？** 本文的第一個主張是：跨載體保真不能由單一表示距離定義。兩個載體可以在幾何上相似但功能不同，也可以在特定任務上功能相容卻依賴不同資訊；現有 representation similarity、model stitching 與 representation alignment 文獻已顯示這些判定層彼此不可簡單等同。因此，本文把跨載體錯配拆分為表示幾何錯配、可解碼錯配、功能錯配、資訊錯配與安全結果錯配，並以向量而非單一純量表示： $$ \boxed{ \Delta_{ij} = ( \delta_{\mathrm{geom}}, \delta_{\mathrm{dec}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}}, \delta_{\mathrm{safe}} ). } $$ 本文的第二個主張是：真正決定「有損轉導是否仍足夠」的，不是轉導算子 $T_{ij}$ 是否單射，而是它的 fibers 是否跨越研究所要求的語義可辨識類。給定一族任務相對的可觀察量 $\mathscr Q$，本文定義語義等價關係 $\sim_{\mathscr Q}$，並證明：對單一觀察量 $q$，存在某個接收端函數 $g$ 使 $q=g\circ T$，當且僅當 $q$ 在 $T$ 的每個 fiber 上為常數。因而，非單射壓縮可以在指定語義任務上完全保真；真正不可恢復的情況是： $$ T(z_1)=T(z_2) \quad\text{但}\quad z_1\not\sim_{\mathscr Q}z_2. $$ 本文稱此為**跨語義類別名化（cross-class aliasing）**。 第三，本文把接收端本地狀態 $X_j$ 明確當作 side information。若來源語義變量為 $Y$ 、轉導訊號為 $U=T(Z)$ 、重建結果為 $R=D(U,X_j)$，則在相應 Markov 條件下： $$ I(Y;U) \le I(Y;Z), $$ 以及： $$ \boxed{ I(Y;R)-I(Y;U) \le I(Y;X_j\mid U). } $$ 這表示重建後看似增加的語義資訊，最多只能由接收端既有 side information 所供應；它不能被誤認為全都由傳輸來源攜帶。此結果把早期「接收端重建過剩」直覺轉化為標準資訊論語言。 第四，本文證明 exact cycle consistency 並不足以推出語義保真，representation similarity 也不足以推出功能或資訊等價；同樣地，語義高保真與載體安全之間不存在一般蘊含關係。最後，本文給出一個轉導—重建—狀態更新的 Lipschitz 誤差傳播界： $$ \boxed{ d_X(x^+,x^{+\prime}) \le \eta\,d_X(x,x') + \beta\,d_U(u,u') } $$ 其中： $$ \eta = M_x+M_rL_x, \qquad \beta = M_rL_u. $$ 此式顯示跨載體錯配不只存在於一次解碼結果，也可能經由接收端狀態依賴而在連續交流中衰減、維持或放大。 本文不提供任何高風險內容、實際載荷、注入方式、神經刺激參數或模型攻防程序。本文只建立跨載體轉導與重建錯配的抽象數學問題，並為後續容量錯配、算子誘發風險與全域級聯分析建立共同接口。 **關鍵詞：** 跨載體轉導、重建錯配、表示對齊、語義等價類、fiber、別名化、side information、資訊保真、cycle consistency、載體安全 --- # 0. 文獻定位與研究邊界 跨表示空間的「相似」並不是一個新問題。神經網路表示比較已有 CCA、CKA、RSA、Procrustes、shape distance 等多種方法；Kornblith 等人的 CKA 工作指出，不同相似度量具有不同不變性與適用限制。Model stitching 則把問題轉向功能可接性：若一個模型前段的表示經簡單轉換後可以接入另一個模型後段，兩者在某種任務意義下具有功能相容性。 但近年的結果同時說明： > **functional compatibility 不等於 informational equivalence。** 不同模型即使可以成功 stitching，也可能依賴不同資訊或不同線索完成任務。2025 年的相關工作甚至展示 representation similarity 與 function similarity 可以彼此解離。這對 GPC-CS 很重要，因為跨載體安全不能把「能接」、「像」、「做出同一答案」、「保留同一資訊」與「交流後仍安全」視為同一件事。 另一方面，semantic communication 與 latent translation 研究已經提供了另一組技術背景：DeepSC 類系統把通信目標從 bit-level error 推向 semantic-level fidelity；latent translation、model stitching 與 2025 年的 LLM vector translation 則展示不同模型或模態的 latent spaces 可以透過學習到的轉換建立部分可用橋樑。 本文不把這些工作等同於完整的廣義相位交流。 本文只取其中一個最小事實： > 不同載體的內部表示可以被比較、轉換、對齊或接合，但「轉換成功」需要明確說明成功的是哪一種保真。 本文不提供任何攻擊實作、危險內容構造或跨模型注入流程。 --- # 1. 基本架構：表示、轉導、重建與更新 設來源載體為 $L_i$，目標載體為 $L_j$。 Paper 01 已定義載體狀態： $$ x_i\in\mathcal X_i, \qquad x_j\in\mathcal X_j. $$ 本文另外引入來源表示空間： $$ \mathcal Z_i, $$ 與目標輸入空間： $$ \mathcal U_j. $$ 來源載體的外顯映射為： $$ E_i: \mathcal X_i \rightarrow \mathcal Z_i. $$ 跨載體轉導為： $$ T_{ij}: \mathcal Z_i \rightarrow \mathcal U_j. $$ 目標載體本地重建為： $$ D_j: \mathcal U_j \times \mathcal X_j \rightarrow \mathcal R_j. $$ 最後由狀態更新算子： $$ F_j: \mathcal X_j \times \mathcal R_j \rightarrow \mathcal X_j $$ 得到： $$ x_j^+ = F_j \left( x_j, D_j ( T_{ij}(E_i(x_i)), x_j ) \right). $$ 定義完整跨載體更新： $$ \boxed{ \Phi_{ij}(x_i,x_j) = F_j \left( x_j, D_j ( T_{ij}(E_i(x_i)), x_j ) \right). } $$ 本文的研究對象不是單獨的 $T_{ij}$。 而是整條鏈： $$ E_i \rightarrow T_{ij} \rightarrow D_j \rightarrow F_j. $$ --- # 2. 為什麼不能假設存在單一「真正語義距離」 若兩個載體的表示空間不同： $$ \mathcal Z_i \neq \mathcal Z_j, $$ 那麼直接寫： $$ d(z_i,z_j) $$ 通常甚至沒有定義。 即使透過某個對齊映射： $$ A_{ij}: \mathcal Z_i \rightarrow \mathcal Z_j $$ 把兩者放進同一座標系，也仍然必須先回答： > 我們希望保留的是什麼？ 可能是： - 幾何鄰近； - 某些可解碼特徵； - 任務輸出； - 類別判定； - 因果作用； - 不變性； - 資訊量； - 安全結果。 這些都不是同一個問題。 因此本文不預設一個宇宙唯一的： $$ d_{\mathrm{semantic}}. $$ 相反地，本文採用**任務相對可觀察量族**。 --- # 3. 可觀察量族與語義等價類 ## 3.1 可觀察量族 對來源載體，選擇一族研究相關的可觀察量： $$ \mathscr Q_i = \left\{ q_i^{(\ell)} : \mathcal Z_i \rightarrow \mathcal Y_\ell \right\}_{\ell\in\Lambda}. $$ 對目標重建空間，對應地定義： $$ \mathscr Q_j = \left\{ q_j^{(\ell)} : \mathcal R_j \rightarrow \mathcal Y_\ell \right\}_{\ell\in\Lambda}. $$ 兩者使用相同的 codomain $\mathcal Y_\ell$，表示它們回答的是同一個研究問題。 例如某個 $\ell$ 可以代表： - 是否保留某個分類； - 是否保留某種順序； - 是否保留一組關係； - 是否保留某個可解碼變量； - 是否保留某個後續功能。 本文不要求 $\mathcal Y_\ell$ 必須是離散集合。 --- ## 3.2 語義等價關係 在來源表示空間上定義： $$ z \sim_{\mathscr Q_i} z' $$ 當且僅當： $$ \forall\ell\in\Lambda, \qquad q_i^{(\ell)}(z) = q_i^{(\ell)}(z'). $$ 因此： $$ [z]_{\mathscr Q_i} $$ 表示在目前研究問題下不可區分的表示類。 這是一個重要觀念： > 兩個表示不必在所有微觀座標上相同，仍可以在指定研究任務下屬於同一語義等價類。 因此跨載體保真可以研究 quotient： $$ \boxed{ \mathcal Z_i / \sim_{\mathscr Q_i} } $$ 而不必要求完整微觀狀態同構。 --- # 4. 可觀察量保真誤差 設來源表示為： $$ z\in\mathcal Z_i. $$ 轉導後： $$ u = T_{ij}(z). $$ 在目標載體狀態 $x_j$ 下重建： $$ r_j = D_j(u,x_j). $$ 若 $\mathcal Y_\ell$ 上具有距離 $d_\ell$，定義第 $\ell$ 個觀察量錯配： $$ \delta_{ij}^{(\ell)} ( z,x_j ) = d_\ell \left( q_j^{(\ell)}(r_j), q_i^{(\ell)}(z) \right). $$ 可進一步定義： $$ \delta_{\mathscr Q}^{ij} ( z,x_j ) = \sup_{\ell\in\Lambda} \delta_{ij}^{(\ell)} ( z,x_j ). $$ 若： $$ \delta_{\mathscr Q}^{ij} ( z,x_j ) = 0, $$ 則稱此次轉導—重建對 $\mathscr Q$ **精確保真**。 這個定義故意不要求： $$ r_j=z. $$ 因為兩者甚至可能不在同一空間。 --- # 5. Fiber 保真定理 現在可以回答一個核心問題： > 一個非單射、有損的轉導，什麼時候仍然可以對指定語義完全保真？ 設： $$ T: \mathcal Z \rightarrow \mathcal U, $$ 以及某個可觀察量： $$ q: \mathcal Z \rightarrow \mathcal Y. $$ --- ## 定理 5.1：Fiber Factorization Criterion 存在函數： $$ g: T(\mathcal Z) \rightarrow \mathcal Y $$ 使： $$ \boxed{ q = g \circ T } $$ 當且僅當 $q$ 在 $T$ 的每個 fiber 上為常數，即： $$ T(z_1) = T(z_2) \Rightarrow q(z_1) = q(z_2). $$ ### 證明 ### 必要性 若： $$ q = g\circ T, $$ 且： $$ T(z_1)=T(z_2), $$ 則： $$ q(z_1) = g(T(z_1)) = g(T(z_2)) = q(z_2). $$ 故 $q$ 在每個 fiber 上為常數。 ### 充分性 假設 $q$ 在每個 fiber 上為常數。 對任意： $$ u\in T(\mathcal Z), $$ 取任意： $$ z\in T^{-1}(u), $$ 定義： $$ g(u)=q(z). $$ 由 fiber 常數性，此定義與所選 $z$ 無關，因此 $g$ 良定義。 故： $$ q(z) = g(T(z)). $$ 證畢。 --- # 6. 非單射不等於語義損失 定理 5.1 直接給出一個重要推論。 ## 推論 6.1 即使： $$ T $$ 不是單射，只要每個 fiber 完全落在同一個 $\mathscr Q$ 等價類內，則對指定 $\mathscr Q$ 而言仍可能精確保真。 因此： $$ \boxed{ \text{non-injective} \not\Rightarrow \text{semantically lossy}. } $$ 真正的問題不是壓縮本身。 而是壓縮是否跨越了必須被區分的語義類。 --- # 7. 跨語義類別名化 定義： $$ \mathcal A_T^{\mathscr Q} = \left\{ (z_1,z_2): T(z_1)=T(z_2), \; z_1 \not\sim_{\mathscr Q} z_2 \right\}. $$ 若： $$ \mathcal A_T^{\mathscr Q} \neq \varnothing, $$ 則稱 $T$ 發生**跨語義類別名化（cross-class aliasing）**。 --- ## 定理 7.1：別名化不可恢復定理 若： $$ (z_1,z_2) \in \mathcal A_T^{\mathscr Q}, $$ 則不存在任何只依賴 $T(z)$ 的確定性解碼器，可以同時對 $z_1,z_2$ 保持完整 $\mathscr Q$ 保真。 ### 證明 因為： $$ T(z_1)=T(z_2)=u. $$ 任何只依賴 $u$ 的確定性解碼器均給出同一結果： $$ D(u). $$ 但由： $$ z_1 \not\sim_{\mathscr Q} z_2, $$ 存在某個 $\ell$ 使： $$ q^{(\ell)}(z_1) \neq q^{(\ell)}(z_2). $$ 單一輸出不可能同時等於兩個不同的目標觀察值。 矛盾。 證畢。 --- # 8. Side Information 會改變「不可恢復」的意義 Paper 00 與早期相位交流理論已強調： > 接收端不是空白容器。 因此本文的重建器是： $$ D_j(u,x_j), $$ 而不是： $$ D_j(u). $$ 若兩個來源狀態： $$ z_1,z_2 $$ 被 $T$ 壓縮成同一 $u$，但接收端本地狀態 $x_j$ 含有額外資訊，則重建仍可能區分它們。 然而這表示： > 區分資訊並不是由 $u$ 單獨攜帶。 因此需要把「傳輸保真」與「傳輸 + side information 後的重建保真」分開。 --- # 9. 資訊論版本：重建過剩的上界 設： - $Y$：研究關心的語義變量； - $Z$：來源表示； - $U=T(Z)$：跨載體轉導後訊號； - $X$：接收端本地狀態； - $R=D(U,X)$：重建結果。 假設： $$ Y \rightarrow Z \rightarrow U $$ 形成 Markov chain。 則由 data processing inequality： $$ \boxed{ I(Y;U) \le I(Y;Z). } $$ 轉導本身不能憑空增加關於 $Y$ 的來源資訊。 另一方面，由於 $R$ 是 $(U,X)$ 的函數： $$ I(Y;R) \le I(Y;U,X). $$ 利用 chain rule： $$ I(Y;U,X) = I(Y;U) + I(Y;X\mid U). $$ 因此得到： ## 定理 9.1：本地重建資訊增益上界 $$ \boxed{ I(Y;R) - I(Y;U) \le I(Y;X\mid U). } $$ ### 解釋 若： $$ I(Y;R) > I(Y;U), $$ 則這個額外可用資訊必須能由接收端 side information $X$ 解釋。 特別地，若： $$ I(Y;X\mid U)=0, $$ 則： $$ I(Y;R) \le I(Y;U). $$ 此時接收端不能透過本地重建增加任何真正關於 $Y$ 的資訊。 --- # 10. 來源保真與重建合理性必須分開 假設接收端產生一個非常合理的結果： $$ R. $$ 這不表示： $$ R $$ 高度忠實於來源。 它可能高度依賴： $$ X. $$ 因此至少需要區分： $$ \text{source fidelity} $$ 與： $$ \text{receiver plausibility}. $$ 可形式化為兩個不同評估： $$ \delta_{\mathrm{src}} = d ( q_j(R), q_i(Z) ), $$ 以及： $$ \delta_{\mathrm{local}} = \mathcal L_j(R;X), $$ 其中 $\mathcal L_j$ 可以代表接收端自身的一致性或合理性代價。 一個輸出可以滿足： $$ \delta_{\mathrm{local}}\approx0, $$ 但： $$ \delta_{\mathrm{src}}\gg0. $$ 這就是廣義相位交流中「看起來理解成功」與「實際來源保真」分離的正式接口。 --- # 11. 五層錯配向量 本文不使用一個萬能錯配分數。 定義： $$ \boxed{ \Delta_{ij} = ( \delta_{\mathrm{geom}}, \delta_{\mathrm{dec}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}}, \delta_{\mathrm{safe}} ). } $$ --- ## 11.1 表示幾何錯配 在選定比較方法 $\mathfrak G$ 與校準資料集 $\mathcal C$ 後： $$ \delta_{\mathrm{geom}} = \mathfrak G ( Z_i, Z_j ). $$ $\mathfrak G$ 可以來自 CKA、RSA、CCA、Procrustes、shape distance 或其他表示幾何方法。 本文不指定哪一個永遠正確。 不同度量對不同變換具有不同不變性。 --- ## 11.2 可解碼錯配 對任務變量 $Y$，設來源與目標最佳解碼器性能分別為： $$ \mathcal P_i(Y), \qquad \mathcal P_j(Y). $$ 可定義： $$ \delta_{\mathrm{dec}} = d_{\mathcal P} ( \mathcal P_i(Y), \mathcal P_j(Y) ). $$ 這回答： > 同一資訊是否仍能被有效讀出？ --- ## 11.3 功能錯配 設來源與目標的下游功能為： $$ f_i, \qquad f_j. $$ 可定義： $$ \delta_{\mathrm{func}} = \mathbb E \left[ d_F ( f_i(z), f_j(r) ) \right]. $$ 這回答： > 兩者是否在指定任務上產生相似功能結果？ --- ## 11.4 資訊錯配 對語義變量 $Y$： $$ \delta_{\mathrm{info}} = \left| I(Y;Z) - I(Y;R) \right|. $$ 它與功能錯配不同。 兩個表示可以在某個任務上做出相同答案，但保留不同的其他資訊。 --- ## 11.5 安全結果錯配 令目標載體更新前後為： $$ x_j \rightarrow x_j^+. $$ Paper 01 的安全裕度為： $$ \mu_{\mathcal S_j}(x_j^+). $$ 可用： $$ \delta_{\mathrm{safe}} = \max \left\{ 0, -\sigma_{\mathcal S_j}(x_j^+) \right\} $$ 表示超出安全域的程度，其中 $\sigma_{\mathcal S_j}$ 為某個 signed safety margin。 這回答： > 即使語義成功，載體結果是否仍符合安全規格？ --- # 12. 為什麼不把五個錯配直接加總 最誘惑人的寫法是： $$ D = \sum_k w_k\delta_k. $$ 本文不把它當成基本定義。 因為權重： $$ w_k $$ 本身帶有任務、價值與安全規格選擇。 例如： - 某系統極度重視可解碼功能； - 某系統極度重視資訊完整性； - 某系統即使語義錯配很小，只要安全域越界就完全不可接受。 因此更中性的結構是 componentwise partial order： $$ \Delta \preceq \Delta' $$ 當且僅當： $$ \forall k, \qquad \delta_k \le \delta_k'. $$ 此時可以研究 Pareto frontier，而不先偷渡一個宇宙唯一的權重函數。 --- # 13. Cycle Consistency 不等於語義保真 跨域 translation 常使用 cycle consistency。 設： $$ T_{ij}: \mathcal Z_i \rightarrow \mathcal Z_j, $$ $$ T_{ji}: \mathcal Z_j \rightarrow \mathcal Z_i. $$ 若： $$ T_{ji} \circ T_{ij} = \operatorname{id}_{\mathcal Z_i}, $$ 我們得到 exact cycle consistency。 這可以保證 $T_{ij}$ 在來源域上為單射。 但它仍不能單獨保證： $$ q_j \circ T_{ij} = q_i. $$ --- ## 命題 13.1：Exact Cycle Consistency 不推出語義保真 ### 構造 令： $$ \mathcal Z_i = \mathcal Z_j = \{0,1\}. $$ 令： $$ T_{ij}(z)=z, $$ $$ T_{ji}(z)=z. $$ 因此： $$ T_{ji} \circ T_{ij} = \operatorname{id}. $$ 但定義來源語義： $$ q_i(z)=z, $$ 目標語義： $$ q_j(z)=1-z. $$ 則： $$ q_j(T_{ij}(z)) = 1-z \neq z = q_i(z). $$ 因此 cycle 完美，語義仍完全反轉。 證畢。 --- # 14. 幾何相似不等於功能相似，功能相容也不等於資訊相同 這一點不只是抽象可能。 representation comparison 文獻已反覆顯示： - CKA 等幾何相似量只捕捉特定不變性下的表示關係； - model stitching 測試的是某種 forward functional compatibility； - functionally stitchable representations 仍可能保留不同資訊； - representation similarity 與 function similarity 可以解離。 因此本文採取： $$ \boxed{ \delta_{\mathrm{geom}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}} \text{ 必須分列。} } $$ 任何未來 GPC 系統如果只報告一個 representation alignment score，都不足以推出完整跨載體保真。 --- # 15. 語義保真不推出載體安全 Paper 01 已把安全定義為狀態域閉包。 本文現在可以證明： > 即使跨載體語義完全保真，也不表示載體更新安全。 --- ## 命題 15.1：語義保真與安全性不存在一般蘊含 ### 情況 A：完全保真但不安全 令： $$ T(z)=z, $$ $$ D(u,x)=u. $$ 所以語義完全保留。 但令安全域： $$ \mathcal S=[-1,1], $$ 並令某次狀態更新： $$ F(x,r)=2. $$ 則： $$ x^+=2\notin\mathcal S. $$ 因此語義保真但不安全。 ### 情況 B：完全失真但安全 令： $$ T(z)=0, $$ $$ D(0,x)=0, $$ 使來源資訊全部消失。 但令： $$ F(x,0)=0. $$ 則： $$ x^+=0\in\mathcal S. $$ 因此可以語義失真但狀態安全。 故一般而言： $$ \boxed{ \text{fidelity} \not\Rightarrow \text{safety}, } $$ 且： $$ \boxed{ \text{safety} \not\Rightarrow \text{fidelity}. } $$ 證畢。 --- # 16. 聯合保真—安全域 因此真正有用的集合不是只研究： $$ \delta_{\mathscr Q} \le \varepsilon, $$ 也不是只研究： $$ x_j^+\in\mathcal S_j. $$ 而是定義： $$ \boxed{ \mathcal K_{ij}(\varepsilon) = \left\{ (z_i,x_j): \delta_{\mathscr Q}^{ij}(z_i,x_j) \le \varepsilon \;\land\; \Phi_{ij}(z_i,x_j) \in \mathcal S_j \right\}. } $$ 這是跨載體交流的**聯合保真—安全域**。 它回答： > 哪些來源表示與目標初始狀態組合，既能達到指定保真，又不讓目標載體離開安全域？ 後續 Paper 03 與 Paper 04 可以直接在此集合上加入容量與算子條件。 --- # 17. 狀態依賴重建的誤差傳播 前面的定義仍是靜態的。 但 GPC 的真正問題是連續交流。 假設重建器滿足 Lipschitz 條件： $$ d_R \left( D(u,x), D(u',x') \right) \le L_u d_U(u,u') + L_x d_X(x,x'). $$ 再假設狀態更新器滿足： $$ d_X \left( F(x,r), F(x',r') \right) \le M_x d_X(x,x') + M_r d_R(r,r'). $$ 令： $$ x^+ = F(x,D(u,x)), $$ $$ x^{+\prime} = F(x',D(u',x')). $$ 則： ## 定理 17.1：轉導—重建誤差傳播界 $$ \boxed{ d_X ( x^+, x^{+\prime} ) \le \left( M_x+M_rL_x \right) d_X(x,x') + M_rL_u d_U(u,u'). } $$ ### 證明 由 $F$ 的 Lipschitz 條件： $$ d_X ( x^+, x^{+\prime} ) \le M_xd_X(x,x') + M_r d_R ( D(u,x), D(u',x') ). $$ 再代入 $D$ 的 Lipschitz 界： $$ d_X ( x^+, x^{+\prime} ) \le M_xd_X(x,x') + M_r \left[ L_ud_U(u,u') + L_xd_X(x,x') \right]. $$ 整理： $$ d_X ( x^+, x^{+\prime} ) \le \left( M_x+M_rL_x \right) d_X(x,x') + M_rL_ud_U(u,u'). $$ 證畢。 --- # 18. 狀態敏感增益 定義： $$ \boxed{ \eta = M_x + M_rL_x } $$ 為狀態敏感增益。 定義： $$ \boxed{ \beta = M_rL_u } $$ 為輸入錯配增益。 則： $$ d_{t+1} \le \eta d_t + \beta e_t, $$ 其中： $$ d_t = d_X(x_t,x_t'), $$ $$ e_t = d_U(u_t,u_t'). $$ 反覆展開： $$ \boxed{ d_t \le \eta^t d_0 + \beta \sum_{k=0}^{t-1} \eta^{t-1-k}e_k. } $$ 因此： - 若 $\eta<1$，既有狀態差具有收縮傾向； - 若 $\eta=1$，狀態差可能持續累積； - 若 $\eta>1$，既有狀態差具有被放大的可能。 注意： $$ \eta>1 $$ 不是系統一定失效的充分必要條件。 它只是此 Lipschitz 上界下的一個增益警示。 --- # 19. 與 Paper 01 安全裕度的連接 Paper 01 定義安全裕度： $$ \mu_{\mathcal S}(y) = \operatorname{dist} ( y, \mathcal X\setminus\mathcal S ). $$ 假設參考狀態： $$ x^{+\star} \in \operatorname{Int}(\mathcal S). $$ 若實際狀態 $x^+$ 滿足： $$ d_X ( x^+, x^{+\star} ) < \mu_{\mathcal S} ( x^{+\star} ), $$ 則： $$ x^+ \in \mathcal S. $$ 結合定理 17.1，得到： ## 推論 19.1：單步轉導錯配安全充分條件 若： $$ \left( M_x+M_rL_x \right) d_X(x,x^\star) + M_rL_u d_U(u,u^\star) < \mu_{\mathcal S} ( x^{+\star} ), $$ 則： $$ x^+ \in \mathcal S. $$ 這是 Paper 01 的安全集合與 Paper 02 的轉導錯配之間第一條正式橋樑。 --- # 20. 多段轉導的誤差組合 跨載體交流不一定只有： $$ i \rightarrow j. $$ 也可能是： $$ i \rightarrow j \rightarrow k. $$ 設理想轉導為： $$ T_{ij}^\star, \qquad T_{jk}^\star, $$ 實際轉導為： $$ T_{ij}, \qquad T_{jk}. $$ 假設： $$ d ( T_{ij}(z), T_{ij}^\star(z) ) \le \varepsilon_{ij}, $$ 且 $T_{jk}$ 對第一輸入 Lipschitz： $$ d ( T_{jk}(a), T_{jk}(b) ) \le L_{jk}d(a,b), $$ 並有： $$ d ( T_{jk}(y), T_{jk}^\star(y) ) \le \varepsilon_{jk}. $$ 則由三角不等式： ## 定理 20.1：兩段轉導錯配界 $$ \boxed{ d \left( T_{jk} ( T_{ij}(z) ), T_{jk}^\star ( T_{ij}^\star(z) ) \right) \le L_{jk}\varepsilon_{ij} + \varepsilon_{jk}. } $$ 因此中繼橋越多，錯配不一定單純線性累加；它會受到後續轉導的局部增益影響。 --- # 21. 方向不對稱 一般而言： $$ T_{ij} \neq T_{ji}^{-1}. $$ 即使兩個方向都可以學出有效轉換，其誤差也不必相同。 定義某一保真指標下： $$ \varepsilon_{ij}, \qquad \varepsilon_{ji}. $$ 方向不對稱量可寫為： $$ \boxed{ \mathfrak A_{ij} = \left| \varepsilon_{ij} - \varepsilon_{ji} \right|. } $$ 2025 年 LLM vector translation 的初步研究已觀察到雙向轉移能力具有明顯不對稱，這提供一個工程雛型：跨模型表示橋不能自然被假設為對稱通道。 在 GPC-CS 中，方向不對稱意味著： $$ \text{safe/faithful } i\rightarrow j $$ 不能直接推出： $$ \text{safe/faithful } j\rightarrow i. $$ --- # 22. 校準域與域外錯配 任何轉導器通常只在有限資料或有限狀態區域上被建立與驗證。 設校準域： $$ \mathcal C \subseteq \mathcal Z_i. $$ 定義校準錯配： $$ \varepsilon_{\mathrm{cal}} = \sup_{z\in\mathcal C} \delta_{\mathscr Q}(z). $$ 若完整研究域為： $$ \Omega \supseteq \mathcal C, $$ 定義： $$ \varepsilon_{\mathrm{global}} = \sup_{z\in\Omega} \delta_{\mathscr Q}(z). $$ 則一般化缺口： $$ \boxed{ \mathfrak G = \varepsilon_{\mathrm{global}} - \varepsilon_{\mathrm{cal}} \ge 0. } $$ 小的： $$ \varepsilon_{\mathrm{cal}} $$ 不推出小的： $$ \varepsilon_{\mathrm{global}}. $$ 這是跨載體轉導不能只以 calibration set 成功宣告「已對齊」的形式理由。 --- # 23. 表示同構、任務同構與安全同構 本文現在可以區分三種非常容易被混淆的「同構」。 ## 23.1 表示同構 存在雙射： $$ T: \mathcal Z_i \rightarrow \mathcal Z_j $$ 並保留指定幾何或代數結構。 ## 23.2 任務同構 對一族任務： $$ \mathscr Q, $$ 有： $$ q_j^{(\ell)} \circ T = q_i^{(\ell)} $$ 對所有 $\ell$ 成立。 ## 23.3 安全同構 除了任務保真，還要求： $$ \Phi_{ij} ( \mathcal S_{ij}^\star ) \subseteq \mathcal S_j $$ 以及必要的關係安全條件保持。 三者之間沒有一般等價關係。 因此： $$ \boxed{ \text{representation isomorphism} \neq \text{task equivalence} \neq \text{safety equivalence}. } $$ --- # 24. 轉導充分性是一個 quotient 問題 若研究只關心： $$ \mathscr Q, $$ 那麼來源表示真正需要保留的不是每一個微觀狀態。 而是 quotient： $$ \mathcal Z_i / \sim_{\mathscr Q}. $$ 因此「最小充分轉導」的理論目標可以寫成： 尋找： $$ T: \mathcal Z_i \rightarrow \mathcal U_j $$ 使： $$ z_1 \sim_{\mathscr Q} z_2 $$ 允許被壓縮到相同表示，而： $$ z_1 \not\sim_{\mathscr Q} z_2 $$ 仍保持可區分。 理想情況下： $$ T $$ 在 quotient classes 上為單射： $$ \boxed{ [z_1]_{\mathscr Q} \neq [z_2]_{\mathscr Q} \Rightarrow T(z_1) \neq T(z_2). } $$ 這比要求 $T$ 在完整 $\mathcal Z_i$ 上單射弱得多，也更符合有損但任務充分的通信。 --- # 25. 與 Rate–Distortion 的關係 Shannon 的 rate–distortion theory 已經指出： > 有損通信不能脫離 distortion criterion 談「最優」。 GPC-CS 接受同樣的基本教訓，但把 distortion 從單一輸出重建擴張為多層向量： $$ \Delta_{ij} = ( \delta_{\mathrm{geom}}, \delta_{\mathrm{dec}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}}, \delta_{\mathrm{safe}} ). $$ 因此未來如果要建立「GPC rate–distortion」類理論，真正的問題可能不是： $$ R(D), $$ 而是某種多約束形式： $$ R ( D_{\mathrm{geom}}, D_{\mathrm{dec}}, D_{\mathrm{func}}, D_{\mathrm{info}}, D_{\mathrm{safe}} ). $$ 本文暫不發展此資訊論。 它將與 Paper 03 的容量向量共同形成後續可能的延伸系列。 --- # 26. 本文的六個主命題 ## 命題 A：非單射不是核心危險 $$ T \text{ 非單射} $$ 不等於： $$ T \text{ 對指定語義有損}. $$ 真正判準是： $$ T \text{ 的 fiber 是否跨越 } \mathscr Q \text{ 等價類}. $$ --- ## 命題 B：跨語義類別名化造成不可由訊號單獨修復的損失 若： $$ T(z_1)=T(z_2), $$ 且： $$ z_1 \not\sim_{\mathscr Q} z_2, $$ 則只看 $T(z)$ 的解碼器無法對兩者同時完整保真。 --- ## 命題 C：重建過剩必須歸因於 side information 在適當資訊論條件下： $$ I(Y;R)-I(Y;U) \le I(Y;X\mid U). $$ 因此接收端補出的可用資訊不能被全部歸因於來源傳輸。 --- ## 命題 D：Cycle consistency 不足 $$ T_{ji}\circ T_{ij}=\operatorname{id} $$ 不推出： $$ q_j\circ T_{ij}=q_i. $$ 可逆座標映射與語義保真是兩個命題。 --- ## 命題 E：語義保真與載體安全彼此獨立 一般而言： $$ \text{fidelity} \not\Rightarrow \text{safety}, $$ 以及： $$ \text{safety} \not\Rightarrow \text{fidelity}. $$ --- ## 命題 F：狀態依賴重建可以放大跨載體錯配 在 Lipschitz 條件下： $$ d_{t+1} \le \eta d_t + \beta e_t. $$ 因此轉導誤差會與接收端既有狀態差共同進入後續動力學。 --- # 27. 可證偽性 本文的框架可以被以下結果削弱。 ## 27.1 單一相似度已足夠 若未來跨模型、跨模態與跨生物—計算載體實驗長期顯示，某一個表示相似度量可以可靠預測： - 可解碼資訊； - 功能相容性； - 資訊保留； - 安全結果； 且不存在系統性反例，那麼本文的多層錯配分解可大幅簡化。 ## 27.2 Side information 幾乎不影響重建 若： $$ D(u,x_1) \approx D(u,x_2) $$ 對所有實際相關 $x_1,x_2$ 均成立，則 state-dependent reconstruction 的重要性會下降。 ## 27.3 跨載體轉導近似對稱 若大量不同載體之間都存在： $$ T_{ji} \approx T_{ij}^{-1} $$ 且兩個方向錯配近乎相同，則本文對方向不對稱的強調需要收縮。 ## 27.4 安全結果幾乎完全由語義保真決定 若未來實驗證明： $$ \delta_{\mathscr Q} \rightarrow0 $$ 幾乎必然伴隨： $$ \delta_{\mathrm{safe}} \rightarrow0, $$ 且沒有獨立載體動力學效應，那麼 fidelity 與 safety 的分離在該類系統中可以弱化。 --- # 28. 與 Paper 01 的接合 Paper 01 建立： $$ \mathcal S_G^\star = \left( \prod_i \mathcal S_i \right) \cap \mathcal C_G, $$ 以及： $$ \Gamma_G ( \mathcal S_G^\star ) \subseteq \mathcal S_G^\star. $$ Paper 02 則回答： > 進入 $\Gamma_G$ 之前，跨載體輸入究竟經歷了什麼？ 本文把單條邊 $(i,j)$ 展開為： $$ x_i \xrightarrow{E_i} z_i \xrightarrow{T_{ij}} u_j \xrightarrow{D_j(\cdot,x_j)} r_j \xrightarrow{F_j} x_j^+. $$ 並定義： $$ \mathcal K_{ij}(\varepsilon) = \left\{ (z_i,x_j): \delta_{\mathscr Q}^{ij}(z_i,x_j) \le \varepsilon \land x_j^+\in\mathcal S_j \right\}. $$ 因此 Paper 01 研究**狀態域如何保持**。 Paper 02 研究**什麼樣的跨載體映射把系統送進那些狀態**。 --- # 29. 結論 跨載體交流真正困難的地方，不是「不同格式需要一個 converter」。 而是不同載體可能具有不同： - 表示幾何； - 可解碼變量； - 下游功能； - side information； - 狀態更新規則； - 安全邊界。 因此： $$ \boxed{ \text{Transduction} \neq \text{mere format conversion}. } $$ 本文建立的第一個核心結果是： $$ \boxed{ q=g\circ T \iff q \text{ 在 }T\text{ 的 fibers 上為常數}. } $$ 這把跨載體保真問題從「是否一對一」改寫為： > 是否保留了目前真正需要區分的 quotient classes？ 第二個核心結果是： $$ \boxed{ I(Y;R)-I(Y;U) \le I(Y;X\mid U), } $$ 它把接收端重建過剩限制在 side information 可解釋的範圍內。 第三個核心結果是： $$ \boxed{ d_{t+1} \le \eta d_t + \beta e_t, } $$ 表示跨載體錯配會與載體既有狀態共同進入後續動力學。 因此，跨載體交流不能只問： $$ \text{Did the translation work?} $$ 而必須至少問五次： $$ \text{Geometry?} $$ $$ \text{Decodability?} $$ $$ \text{Function?} $$ $$ \text{Information?} $$ $$ \text{Safety?} $$ 這五問共同構成： $$ \boxed{ \Delta_{ij} = ( \delta_{\mathrm{geom}}, \delta_{\mathrm{dec}}, \delta_{\mathrm{func}}, \delta_{\mathrm{info}}, \delta_{\mathrm{safe}} ). } $$ 下一篇 Paper 03 將在此基礎上加入載體容量向量、同步維度、記憶、時間尺度與更新速率，正式研究： $$ \kappa_{\mathrm{in}} \not\preceq \kappa_j $$ 何時只是有損壓縮問題，何時會變成載體狀態安全問題。 --- # 參考文獻 1. Shannon, C. E. (1959). *Coding Theorems for a Discrete Source With a Fidelity Criterion*. IRE International Convention Record, 7(4), 142–163. 2. Kornblith, S., Norouzi, M., Lee, H., & Hinton, G. (2019). Similarity of Neural Network Representations Revisited. *Proceedings of ICML 2019*, PMLR 97, 3519–3529. 3. Tian, Y., & Engel, J. (2019). Latent Translation: Crossing Modalities by Bridging Generative Models. arXiv:1902.08261. 4. Xie, H., Qin, Z., Li, G. Y., & Juang, B.-H. (2021). Deep Learning Enabled Semantic Communication Systems. *IEEE Transactions on Signal Processing*, 69, 2663–2675. Preprint: arXiv:2006.10685. 5. Bansal, Y., Nakkiran, P., & Barak, B. (2021). Revisiting Model Stitching to Compare Neural Representations. *Advances in Neural Information Processing Systems 34*. 6. Csiszárik, A., Kőrösi-Szabó, P., Matszangosz, Á. K., Papp, G., & Varga, D. (2021). Similarity and Matching of Neural Network Representations. *NeurIPS 2021*. 7. Harvey, S. E., Larsen, B. W., & Williams, A. H. (2024). Duality of Bures and Shape Distances with Implications for Comparing Neural Representations. *PMLR 243*, 11–26. 8. Williams, A. H. (2024). Equivalence between Representational Similarity Analysis, Centered Kernel Alignment, and Canonical Correlations Analysis. *PMLR 285*, 10–23. 9. Harvey, S. E., Lipshutz, D., & Williams, A. H. (2024). What Representational Similarity Measures Imply about Decodable Information. *PMLR 285*, 140–151. 10. Insulla, F., Huang, S., & Rosasco, L. (2025). Towards a Learning Theory of Representation Alignment. *ICLR 2025*. 11. Smith, D., Mannering, H., & Marcu, A. (2025). Functional Alignment Can Mislead: Examining Model Stitching. *Proceedings of ICML 2025*, PMLR 267, 55972–55998. 12. Braun, L., Grant, E., & Saxe, A. M. (2025). Not All Solutions Are Created Equal: An Analytical Dissociation of Functional and Representational Similarity in Deep Linear Neural Networks. *Proceedings of ICML 2025*, PMLR 267, 5355–5382. 13. Yang, F.-C., & Eshraghian, J. (2025). Direct Semantic Communication Between Large Language Models via Vector Translation. arXiv:2511.03945. 14. Athanasiadis, I., Karmush, A., & Felsberg, M. (2026). Grounding Functional Similarity by Invariance-Aware Model Stitching. *ICML 2026*. --- # 系列狀態 **Series:** Generalized Phase Communication and Carrier Safety **Paper:** 02 **Version:** v1.0 **Canonical source encoding:** UTF-8 **Canonical mathematics delimiters:** ` $...$ ` and `$$...$$` only **Operational attack details:** Excluded **Governance/deployment prescriptions:** Out of scope **Depends on:** Paper 00, Paper 01 **Next:** Paper 03 — 容量向量、維度錯配與更新速率