# 認知存在與非人類中心認知主體系列 — 05
## 無界差細分分類觀察者：差異生成、分裂—合併與非終局分類
### Unbounded Differential Classification Observers: Difference Generation, Split–Merge Dynamics, and Non-Final Taxonomy

**理論發起：** Neo.K  
**協作整理：** Aletheia / GPT-5.6 Sol  
**日期：** 2026-08-16  
**版本：** v0.1  
**系列位置：** 05 / 00–09 + U  
**前置文件：**
00 — 原則、範圍與非主張  
01 — 認知存在的最低形式  
02 — Reverse Cognitive Compiler  
03 — Forward Cognitive Compiler  
04 — 主 AI、子 AI 與認知位置分化

---

## 摘要

第 04 篇建立 Cognitive Position Differentiation Architecture（CPDA），使主 AI 能生成不同 cognitive positions、sub-agents 與 provisional subsubjects，並透過 RCC/FCC 持續逆向、重組與更新整體認知配置。

本文處理其中最重要的一種位置：

> **如果一個 AI 不預設「世界最後應該被分成幾類」，而是能對任何當前分類再次尋找有效差異、提出新切分、驗證差異、合併重複分類、建立新尺度，並讓分類法本身再次成為觀察對象，那麼這個觀察者應如何被形式化？**

本文提出 **Unbounded Differential Classification Observer（UDCO）**，中文暫稱「無界差細分分類觀察者」。

其核心狀態為：

$$
\boxed{
\mathcal K^{[n]}
=
(
\mathcal C^{[n]},
\mathcal R^{[n]},
\mathcal D^{[n]},
\mathcal M^{[n]},
\mathcal U^{[n]},
\mathcal H^{[n]}
)
}
$$

其中：

- $\mathcal C^{[n]}$：當前分類／概念節點；
- $\mathcal R^{[n]}$：節點間關係；
- $\mathcal D^{[n]}$：已接受差異；
- $\mathcal M^{[n]}$：合併／同構／等價資訊；
- $\mathcal U^{[n]}$：未知與未決區；
- $\mathcal H^{[n]}$：lineage / classification history。

UDCO 不假設完成的無限分類樹。任一 runtime 只維持有限前綴：

$$
\boxed{
\mathcal K^{[n]}
\Rightarrow_E
\mathcal K^{[n+1]}
}
$$

只有當候選細分通過：

$$
\boxed{
LegalDiff
\land
UsefulDiff
\land
NonRedundant
\land
Budget.
}
$$

才進入下一階。

本文同時建立雙向動力：

$$
\boxed{
Split
\rightleftarrows
Merge.
}
$$

因為真正的認知精煉並不是只會「越分越細」。某些局部差異經比較後可能只是 representation artifact、measurement noise、observer-conditioned variance 或命名差異，必須被重新合併。

因此本文拒絕：

$$
\boxed{
MoreCategories
=
MoreKnowledge.
}
$$

並建立：

$$
\boxed{
TaxonomicProgress
=
DiscriminabilityGain
+
Predictive/ExplanatoryGain
+
OperationalGain
-
Redundancy
-
IntegrationDebt.
}
$$

本文將差異分成：

- structural difference；
- functional difference；
- causal difference；
- temporal difference；
- relational difference；
- observational difference；
- epistemic difference；
- implementation difference；
- representation-only difference；
- unknown difference。

本文亦提出 **Difference Generator（DGen）**、**Difference Validator（DVal）**、**Merge Detector（MDet）**、**Granularity Controller（GCtrl）** 與 **Meta-Classifier Observer（MCO）**，使分類結構自身也可被再次觀察、逆向與修訂。

最終，UDCO 的核心不是「無限分類」，而是：

$$
\boxed{
\textbf{任何已形成的分類邊界，都不被預設為最後可細分或最後可合併的邊界。}
}
$$

---

# 1. 問題：固定 taxonomy 的限制

傳統分類常假設：

$$
\boxed{
X
\rightarrow
\{C_1,\ldots,C_m\}.
}
$$

並把：

$$
m
$$

當作既定。

---

# 2. UDCO 的不同起點

UDCO 允許：

$$
\boxed{
C_i
\rightarrow
\{C_{i1},C_{i2},\ldots\}
}
$$

但只在 runtime 中有限展開。

---

# 3. 無界不是完成無限

$$
\boxed{
Unbounded
\neq
CompletedInfinity.
}
$$

---

# 4. Finite Prefix Principle

每一 actual state：

$$
\boxed{
|\mathcal C^{[n]}|<\infty.
}
$$

---

# 5. No Predeclared Terminal Granularity

不存在由理論預設的：

$$
\boxed{
g_{\max}.
}
$$

---

# 6. 但 runtime 一定有 budget

$$
\boxed{
B_{class}
=
(
Compute,
Memory,
Time,
Depth,
Count,
Risk
).
}
$$

---

# 7. Classification State

定義：

$$
\boxed{
\mathcal K^{[n]}
=
(
\mathcal C^{[n]},
\mathcal R^{[n]},
\mathcal D^{[n]},
\mathcal M^{[n]},
\mathcal U^{[n]},
\mathcal H^{[n]}
).
}
$$

---

# 8. 類別節點

每個：

$$
C_i
$$

至少有：

- membership condition；
- distinguishing features；
- observer condition；
- evidence；
- parent / children；
- confidence；
- failure examples；
- version。

---

# 9. 分類不必是樹

可能是：

$$
\boxed{
Graph,
Hypergraph,
Lattice,
PartialOrder.
}
$$

---

# 10. 樹只是一種 implementation

$$
\boxed{
TaxonomyTree
\neq
ClassificationOntology.
}
$$

---

# 11. Difference Generator

定義：

$$
\boxed{
DGen:
C_i
\rightarrow
\{
\delta_1,\ldots,\delta_k
\}.
}
$$

---

# 12. Difference Candidate

$$
\boxed{
\delta
=
(
Feature,
Relation,
Context,
Observer,
Evidence,
ExpectedGain
).
}
$$

---

# 13. 差異可以來自外部 observation

例如新資料。

---

# 14. 也可以來自內部 comparison

$$
\boxed{
Compare(
C_i,C_j
)
\rightarrow
\delta.
}
$$

---

# 15. 也可以來自 counterexample

$$
\boxed{
Counterexample
\rightarrow
NewDifferenceCandidate.
}
$$

---

# 16. 也可以來自新 observer position

不同 cognitive position 可能看到：

$$
\boxed{
\delta^{o_1}
\neq
\delta^{o_2}.
}
$$

---

# 17. Observer-Conditioned Difference

因此：

$$
\boxed{
\delta
=
\delta(
C
\mid
o,f,\rho
).
}
$$

---

# 18. 差異不是自動實在差異

$$
\boxed{
ObservedDifference
\neq
OntologicalDifference.
}
$$

---

# 19. Difference Validator

定義：

$$
\boxed{
DVal(
\delta
)
\rightarrow
Status.
}
$$

---

# 20. Difference Status

$$
\boxed{
Status
\in
\{
Valid,
Contextual,
Redundant,
Artifact,
Noise,
Contradicted,
Unknown
\}.
}
$$

---

# 21. LegalDiff

至少檢查：

- data access；
- type；
- measurement；
- license；
- boundary；
- provenance。

---

# 22. UsefulDiff

差異必須帶來至少一種增益：

$$
\boxed{
G_\delta
=
(
Discrimination,
Prediction,
Explanation,
Control,
Translation,
Compression,
FailureVisibility
).
}
$$

---

# 23. NonRedundant

若已有：

$$
\delta_j
$$

與新差異等價：

$$
\boxed{
\delta_{new}\sim\delta_j,
}
$$

不新增節點。

---

# 24. Split

若差異有效：

$$
\boxed{
Split(
C_i,
\delta
)
\rightarrow
\{C_{i1},\ldots,C_{im}\}.
}
$$

---

# 25. Split 要保留 parent lineage

$$
\boxed{
Parent(C_{ij})=C_i.
}
$$

---

# 26. Split 不等於進步

$$
\boxed{
Split
\neq
Progress.
}
$$

---

# 27. 假差異

若新分類只是命名變化：

$$
\boxed{
LabelDifferenceOnly.
}
$$

---

# 28. Representation Artifact

同一結構因表示不同看似有差：

$$
\boxed{
RepresentationArtifact.
}
$$

---

# 29. Measurement Artifact

不同 instrument / proxy 造成：

$$
\boxed{
MeasurementArtifact.
}
$$

---

# 30. Observer Artifact

差異只在某 observer frame 中成立：

$$
\boxed{
ObserverSpecificDifference.
}
$$

這不一定要刪除，只需標 contextual。

---

# 31. Noise

若差異不可重現：

$$
\boxed{
NoiseCandidate.
}
$$

---

# 32. Merge Detector

定義：

$$
\boxed{
MDet(
C_i,C_j
)
\rightarrow
MergeCandidate.
}
$$

---

# 33. Merge 條件

若：

- distinguishing features 消失；
- operator behavior equivalent；
- boundary equivalent；
- failure equivalent；
- observer-normalized representation equivalent；

可提出 merge。

---

# 34. Merge

$$
\boxed{
Merge(
C_i,C_j
)
\rightarrow
C_{ij}.
}
$$

---

# 35. Merge 不是刪除歷史

保留：

$$
\boxed{
Lineage(C_i,C_j).
}
$$

---

# 36. Split–Merge Duality

$$
\boxed{
Split
\rightleftarrows
Merge.
}
$$

---

# 37. 認知精煉不是單向細分

真正過程：

$$
\boxed{
Differentiate
\rightarrow
Split
\rightarrow
Compare
\rightarrow
Merge/ReSplit.
}
$$

---

# 38. Granularity

定義：

$$
\boxed{
g(C_i).
}
$$

表示目前分類粒度。

---

# 39. Granularity Controller

$$
\boxed{
GCtrl:
(
Task,
Budget,
Uncertainty,
Gain
)
\rightarrow
TargetGranularity.
}
$$

---

# 40. 粒度是 task-relative

$$
\boxed{
g^*(T_1)
\neq
g^*(T_2)
}
$$

可能成立。

---

# 41. 沒有普遍最細分類

$$
\boxed{
NoUniversalFinestPartition.
}
$$

---

# 42. 也沒有普遍最粗分類

$$
\boxed{
NoUniversalCoarsestUsefulPartition.
}
$$

---

# 43. Classification Resolution

沿用 cognitive position：

$$
\boxed{
\rho_t.
}
$$

---

# 44. Resolution Shift

$$
\boxed{
\rho_t
\rightarrow
\rho_{t+1}.
}
$$

---

# 45. Zoom In

$$
\boxed{
ZoomIn(C_i).
}
$$

---

# 46. Zoom Out

$$
\boxed{
ZoomOut(
\{C_{ij}\}
).
}
$$

---

# 47. Multi-Scale Classification

同一對象可以同時保留：

$$
\boxed{
\mathcal C^{coarse}
\oplus
\mathcal C^{fine}.
}
$$

---

# 48. 不要求所有尺度統一

不同 task 可以 route 不同 resolution。

---

# 49. Structural Difference

結構不同：

$$
\boxed{
\delta_{str}.
}
$$

---

# 50. Functional Difference

功能不同：

$$
\boxed{
\delta_{func}.
}
$$

---

# 51. Causal Difference

生成機制不同：

$$
\boxed{
\delta_{causal}.
}
$$

---

# 52. Temporal Difference

時間行為不同：

$$
\boxed{
\delta_{time}.
}
$$

---

# 53. Relational Difference

與其他節點關係不同：

$$
\boxed{
\delta_{rel}.
}
$$

---

# 54. Observational Difference

不同 observer 才可見：

$$
\boxed{
\delta_{obs}.
}
$$

---

# 55. Epistemic Difference

證據與 license 不同：

$$
\boxed{
\delta_{epi}.
}
$$

---

# 56. Implementation Difference

同 kernel，不同 implementation：

$$
\boxed{
\delta_{\mu}.
}
$$

---

# 57. Representation-Only Difference

$$
\boxed{
\delta_{repr}.
}
$$

不能直接當新 ontology class。

---

# 58. Unknown Difference

$$
\boxed{
\delta_{?}.
}
$$

---

# 59. Difference Tensor/Profile

不強迫一維。

可：

$$
\boxed{
\Delta(C_i,C_j)
=
(
\delta_{str},
\delta_{func},
\delta_{causal},
\delta_{time},
\delta_{rel},
\delta_{obs},
\delta_{epi},
\delta_{\mu},
\delta_{repr}
).
}
$$

---

# 60. Difference Profile 不是距離度量保證

不要求：

- symmetry；
- triangle inequality；
- scalar distance。

---

# 61. Asymmetric Difference

可能：

$$
\boxed{
\Delta(C_i\rightarrow C_j)
\neq
\Delta(C_j\rightarrow C_i).
}
$$

---

# 62. Classification Relation Graph

$$
\boxed{
G_C
=
(
\mathcal C,
\mathcal R
).
}
$$

---

# 63. Relation Types

例如：

- is-a；
- part-of；
- generated-by；
- transforms-to；
- conflicts-with；
- equivalent-under；
- observed-as；
- derived-from；
- uncertain-related。

---

# 64. Category Boundary

每個 class：

$$
\boxed{
B(C_i).
}
$$

---

# 65. Hard Boundary

明確 membership rule。

---

# 66. Soft Boundary

概率／模糊 membership。

---

# 67. Dynamic Boundary

membership 隨 context / time 改變。

---

# 68. Boundary Drift

$$
\boxed{
B_t(C)
\rightarrow
B_{t+1}(C).
}
$$

---

# 69. Boundary Versioning

必須保存版本。

---

# 70. Open Category

允許：

$$
\boxed{
OpenClass.
}
$$

即 membership rule 暫不完備。

---

# 71. Unknown Bucket 不是垃圾桶

$$
\boxed{
Unknown
}
$$

必須保存未決原因。

---

# 72. Unknown Types

例如：

- insufficient evidence；
- conflicting evidence；
- missing observer；
- measurement unavailable；
- ontology unresolved。

---

# 73. Unknown 可再細分

$$
\boxed{
Unknown
\rightarrow
\{
Unknown_a,
Unknown_b,\ldots
\}.
}
$$

---

# 74. Unknown 也可合併

若原因等價。

---

# 75. Meta-Classifier Observer

分類法本身可成為 target：

$$
\boxed{
MCO(
\mathcal K^{[n]}
).
}
$$

---

# 76. Meta-Observation Questions

MCO 可以問：

- 哪些分類重複？
- 哪些 boundary 過硬？
- 哪些 class 太寬？
- 哪些 split 沒有 gain？
- 哪些 observer 造成偏差？
- 哪些 relation 缺失？
- 哪些 unknown 長期未解？

---

# 77. Classification of Classifiers

甚至可以：

$$
\boxed{
Classifier
\rightarrow
Classification.
}
$$

---

# 78. 但 meta-level 不自動更真

$$
\boxed{
MetaClassifier
\not\Rightarrow
HigherTruth.
}
$$

---

# 79. Difference Generator 也可被逆向

$$
\boxed{
RCC(DGen).
}
$$

---

# 80. DGen Policy

可追：

- 哪些 features 常被優先；
- 哪些差異被忽略；
- 哪些 observer 影響 split。

---

# 81. Difference Bias

$$
\boxed{
Bias_{DGen}.
}
$$

---

# 82. Classification Bias 不是只有資料偏差

也可能來自：

- ontology；
- prompt；
- operator library；
- resolution；
- goal；
- license；
- language。

---

# 83. Adversarial Difference Observer

可以設：

$$
\boxed{
O_{adv}^{diff}.
}
$$

專門找：

> 目前分類把哪些不同東西錯誤合併了？

---

# 84. Adversarial Merge Observer

$$
\boxed{
O_{adv}^{merge}.
}
$$

專門找：

> 哪些被分開的東西其實沒有足夠差異？

---

# 85. Split/Merge Adversarial Pair

$$
\boxed{
O_{split}
\rightleftarrows
O_{merge}.
}
$$

---

# 86. 主 AI 可同時維持兩者

避免只會分類爆炸或只會過度壓縮。

---

# 87. Taxonomy Explosion

若：

$$
|\mathcal C_t|
\rightarrow
\text{rapid growth}
$$

但 gain 低，形成：

$$
\boxed{
TaxonomyExplosion.
}
$$

---

# 88. Taxonomy Collapse

反之過度 merge：

$$
\boxed{
TaxonomyCollapse.
}
$$

---

# 89. Classification Debt

大量 provisional classes 未驗證：

$$
\boxed{
ClassificationDebt.
}
$$

---

# 90. Integration Debt

分類越多，relation / naming / consistency 負擔可能增加：

$$
\boxed{
D_{int}^{class}.
}
$$

---

# 91. Taxonomic Progress

定義多維：

$$
\boxed{
P_{tax}
=
(
\Delta Disc,
\Delta Pred,
\Delta Expl,
\Delta Ctrl,
\Delta Trans,
\Delta FailureVis,
-\Delta Redundancy,
-\Delta Debt
).
}
$$

---

# 92. 不壓成普遍單一總分

$$
\boxed{
NoUniversalTaxonomyScore.
}
$$

---

# 93. Pareto Improvement

新分類若在目標維度改善且 protected dimensions 不惡化，可接受。

---

# 94. Classification Stop Condition

$$
\boxed{
Stop_{class}.
}
$$

---

# 95. 停止原因

- marginal gain low；
- no legal difference；
- budget exhausted；
- measurement unavailable；
- task already satisfied；
- uncertainty irreducible。

---

# 96. Stop 不等於 Terminal

$$
\boxed{
Stop
\neq
Terminal.
}
$$

---

# 97. Reopen

新 evidence / observer / task：

$$
\boxed{
StableTaxonomy
\rightarrow
Reopen.
}
$$

---

# 98. Non-Final Classification

$$
\boxed{
Stable
\not\Rightarrow
Final.
}
$$

---

# 99. UDCO Transition

一般：

$$
\boxed{
\mathcal K^{[n]}
\xrightarrow{
DGen+DVal+Split/Merge
}
\mathcal K^{[n+1]}.
}
$$

---

# 100. Legal Transition

只有：

$$
\boxed{
Legal
\land
Progress
}
$$

才 commit。

---

# 101. Candidate Difference Record

```json
{
  "difference_id": "string",
  "target_class_ref": "string",
  "difference_type": "structural|functional|causal|temporal|relational|observational|epistemic|implementation|representation|unknown",
  "observer_ref": "string",
  "feature": {},
  "context": {},
  "evidence_refs": [],
  "expected_gain": {},
  "status": "candidate|valid|contextual|redundant|artifact|noise|contradicted|unknown",
  "version": "string"
}
```

---

# 102. Classification Node Record

```json
{
  "class_id": "string",
  "parent_refs": [],
  "child_refs": [],
  "membership_rule": {},
  "boundary_type": "hard|soft|dynamic|open",
  "distinguishing_features": [],
  "observer_conditions": [],
  "evidence_refs": [],
  "unknowns": [],
  "failures": [],
  "lineage": [],
  "status": "candidate|provisional|stable|merged|split|deprecated",
  "version": "string"
}
```

---

# 103. Split Record

```json
{
  "split_id": "string",
  "source_class_ref": "string",
  "difference_refs": [],
  "child_class_refs": [],
  "legal": true,
  "progress": true,
  "gain_profile": {},
  "integration_debt_delta": {},
  "decision": "commit|defer|reject",
  "version": "string"
}
```

---

# 104. Merge Record

```json
{
  "merge_id": "string",
  "source_class_refs": [],
  "target_class_ref": "string",
  "equivalence_evidence": [],
  "loss_profile": {},
  "lineage_preserved": true,
  "decision": "commit|defer|reject",
  "version": "string"
}
```

---

# 105. Granularity Policy

```json
{
  "policy_id": "string",
  "task_ref": "string",
  "target_resolution": {},
  "split_thresholds": {},
  "merge_thresholds": {},
  "budget": {},
  "stop_policy": {},
  "version": "string"
}
```

---

# 106. UDCO Runtime

$$
\boxed{
UDCO:
(
ObjectSet,
CurrentClassification,
ObserverSet,
Policy,
Budget
)
\mapsto
(
UpdatedClassification,
NewDifferences,
Merges,
Residuals,
Lineage
).
}
$$

---

# 107. UDCO 與 CPDA

主 AI 可 spawn：

$$
\boxed{
A_{split},
A_{merge},
A_{meta},
A_{adv}
}
$$

分別處理不同 classification positions。

---

# 108. UDCO 與 RCC

分類 observer 自身也能被 RCC：

$$
\boxed{
RCC(UDCO).
}
$$

---

# 109. UDCO 與 FCC

FCC 可以根據新 classification structure 生成新的 cognitive positions。

---

# 110. Classification → Position

例如：

$$
\boxed{
NewClass
\rightarrow
NewObserverPositionCandidate.
}
$$

---

# 111. Position → New Classification

反過來：

$$
\boxed{
NewPosition
\rightarrow
NewDifference.
}
$$

---

# 112. 共演化

因此：

$$
\boxed{
CognitivePositions
\rightleftarrows
ClassificationStructure.
}
$$

---

# 113. 分類本身會改變認知主體

如果主 AI 的 method router 使用分類結構：

$$
\boxed{
\mathcal K_t
\rightarrow
\Pi_t.
}
$$

---

# 114. 認知主體也會改變分類

$$
\boxed{
\Pi_t
\rightarrow
DGen_t
\rightarrow
\mathcal K_{t+1}.
}
$$

---

# 115. Co-Evolution

$$
\boxed{
(
A_t,
\mathcal K_t
)
\rightarrow
(
A_{t+1},
\mathcal K_{t+1}
).
}
$$

---

# 116. 核心公理候選

### UDCO-A1 — Finite Actuality

每一 actual classification state 是有限的。

### UDCO-A2 — No Final Granularity

不預設最後分類粒度。

### UDCO-A3 — Difference Non-Ontology

觀察到差異不自動等於本體差異。

### UDCO-A4 — Split Non-Progress

Split 不自動等於進步。

### UDCO-A5 — Split–Merge Duality

成熟分類系統必須同時允許 split 與 merge。

### UDCO-A6 — Observer Conditionality

差異必須記錄 observer/frame/resolution。

### UDCO-A7 — Unknown Preservation

未知不得被強制塞入既有類。

### UDCO-A8 — Lineage Preservation

split / merge 不得刪除分類歷史。

### UDCO-A9 — Meta-Revisability

分類法與 DGen 本身都可成為觀察與逆向對象。

### UDCO-A10 — Legal–Progress Gate

只有合法且有認知增益的分類轉移才 commit。

---

# 117. 主要失效模式

1. Taxonomy Explosion；
2. Taxonomy Collapse；
3. False Difference；
4. Representation Artifact；
5. Measurement Artifact；
6. Observer Artifact Reification；
7. Noise Splitting；
8. Redundant Categories；
9. Over-Merging；
10. Unknown Suppression；
11. Boundary Freezing；
12. Label Ontology Confusion；
13. Prompt-Difference Inflation；
14. Meta-Classifier Authority Inflation；
15. Classification Debt；
16. Integration Debt；
17. Infinite Loop Mislabelled as UBE；
18. Final Taxonomy Illusion。

---

# 118. 與第 06 篇的接口

UDCO 仍然使用：

$$
Class,
Relation,
Boundary.
$$

但下一個問題更根本：

> **如果我們甚至不想預設「域」或「分類空間」先存在，而只從 relation、difference、observation 與 transformation 開始，domain 是否可以是認知系統動態投影出的暫時結構？**

因此第 06 篇將建立：

$$
\boxed{
\text{Domain Emergence / Domain Projection}.
}
$$

---

# 119. 結論

UDCO 的核心不是：

> 把所有東西分到無限多類。

而是：

$$
\boxed{
\textbf{任何已形成分類，都可以再次接受差異檢測與合併檢測。}
}
$$

所以：

$$
\boxed{
Split
\rightleftarrows
Merge
}
$$

與：

$$
\boxed{
Classify^{[n]}
\Rightarrow_E
Classify^{[n+1]}
}
$$

共同成立。

真正的「無界差細分」指：

$$
\boxed{
\textbf{不預設最後可辨差異，也不預設任何一次分類是最終本體。}
}
$$

而每一 actual runtime 又必須保持：

$$
\boxed{
Finite,
Auditable,
Versioned,
Reopenable.
}
$$

這使「無限維／無限差細分觀察者」第一次被改寫成可工程實作的認知分類機制，而不是完成無限、分類爆炸或哲學修辭。