# LRC–COL-09：代際傳播、可學習性與語言退化 ## Intergenerational Transmission, Learnability, and Language Degeneration **系列：LRC–COL — Language–Reality Coupling & Composite Operator Language** **中文：語言—現實耦合與複合算子語言系列** **版本：v0.1** **日期：2026-08-21** **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 LRC–COL-07 與 LRC–COL-08 分別處理兩個時間尺度：一個 Agent 需要多少有效 exposure 才能操作理解一個複合 operator，以及一套 operator language 經過多少使用、重組、跨 Agent 傳遞與版本事件後才進入語義穩定窗口。本篇進一步研究第三個時間尺度： > **一套語言在跨 Agent、跨模型、跨版本甚至跨「世代」傳播時，究竟會保留什麼、壓縮什麼、規則化什麼，又會失去什麼？** 經典 iterated-learning 研究指出，語言必須通過有限的 learning bottleneck：下一代 learner 通常只接觸上一代語言可能產生的一小部分輸入，因此必須從有限樣本重建更大的語言系統。這種瓶頸可以產生對規則化、可學習性與 compositionality 的文化選擇壓力。然而，單獨追求「容易學」並不保證得到高品質語言。若沒有足夠的 communication / expressivity pressure，最簡單、最好傳的系統甚至可能退化成高度 underspecified 的 convention：多個原本需要區分的 meaning 被壓成同一 signal。 2025 年針對 LLM 的 artificial-language iterated-transmission 研究也觀察到類似張力：代際傳播可以提高 learnability 並產生部分結構，但同時可能形成 non-humanlike degenerate vocabularies。這使未來 AI-native composite operator language 面臨一個直接工程問題： $$ \boxed{ \text{Transmissibility} \neq \text{Semantic Preservation}. } $$ 本文因此把代際傳播描述成： $$ \boxed{ \mathcal L_g \xrightarrow{\;\mathcal T_g\;} D_g \xrightarrow{\;A_{g+1}\;} \hat{\mathcal L}_{g+1} \xrightarrow{\;Use/Revision\;} \mathcal L_{g+1}, } $$ 其中 $\mathcal L_g$ 是第 $g$ 代語言， $\mathcal T_g$ 是 teacher / channel 的 transmission policy， $D_g$ 是實際傳給下一代的有限資料， $A_{g+1}$ 是 learner。 本文提出四個彼此競爭的傳播目標： $$ \boxed{ \text{Learnability} ,\quad \text{Fidelity} ,\quad \text{Expressivity} ,\quad \text{Innovation}. } $$ 其中： - learnability 要求下一代能以有限成本重建； - fidelity 要求新一代仍保留前一代 semantic contract； - expressivity 要求 critical distinctions 仍可被編碼； - innovation 則允許語言適應新的 Agent、domain 與 world interface。 本文進一步定義 Transmission Bottleneck、Distinction Retention、Transmission Fidelity、Reconstruction Cost、Degeneration Index、Teacher Compression Ratio、Learner Reconstruction Burden、Innovation Rate 與 Transmission Utility。核心候選命題是：傳播 bottleneck 可能存在非單調最佳值 $b^*$。太寬時，learner 可以靠 memorization 傳遞大量 idiosyncratic forms，而缺乏形成簡潔 compositional structure 的壓力；太窄時，critical semantic distinctions 又可能被壓掉。因此： $$ \boxed{ \text{Optimal Transmission} \neq \text{Maximum Fidelity Copying} \neq \text{Maximum Compression}. } $$ 本文最後提出 **Anchored Iterated Transmission（AIT）** 作為未來 COL 的候選工程框架：允許一般 generations 在有限 bottleneck 下傳播與結構化，但定期透過 semantic anchors、invariant probes、world-grounded tests 與 canonical expansions 重新校準，避免語言越傳越容易學卻越來越偏離原始 world distinctions。 本文的總結是： $$ \boxed{ \text{A language survives not merely by being easy to copy, but by preserving the distinctions that make the language worth having.} } $$ --- ## 關鍵詞 iterated learning；transmission bottleneck；language degeneration；learnability；expressivity；semantic fidelity；AI emergent language；operator transmission；cultural evolution；compositionality --- # 1. 問題：傳得下去，到底代表什麼？ 假設第 $g$ 代 Agent 使用： $$ \mathcal L_g. $$ 下一代： $$ A_{g+1} $$ 沒有直接取得整套 internal state， 而只看到： - definitions； - examples； - conversations； - operator traces； - artifacts； - tool outcomes。 也就是： $$ \boxed{ D_g \subset Behavior(\mathcal L_g). } $$ 下一代再從： $$ D_g $$ 重建： $$ \hat{\mathcal L}_{g+1}. $$ 所以語言傳播本質上不是： $$ \mathcal L_g \rightarrow \mathcal L_g. $$ 而是： $$ \boxed{ \mathcal L_g \rightarrow D_g \rightarrow \hat{\mathcal L}_{g+1}. } $$ --- # 2. 傳播是一個重建問題 teacher 傳出的不是完整語言， learner 必須推斷： - missing meanings； - composition rules； - operator boundaries； - failure conditions； - type relations。 所以： $$ \boxed{ \text{Transmission} = \text{Compression} + \text{Inference} + \text{Reconstruction}. } $$ --- # 3. 經典 Learning Bottleneck 人類語言文化演化研究早已指出： > 一個巨大甚至開放式的語言系統，必須透過有限量的 learning data 傳給下一代。 這種： $$ \boxed{ \text{System Size} \gg \text{Observed Transmission Sample} } $$ 的落差，就是： $$ \boxed{ \text{Learning Bottleneck}. } $$ --- # 4. 為什麼 bottleneck 會促進 compositionality？ 如果每個 meaning 都用獨立 holistic signal： $$ m_i\leftrightarrow s_i, $$ 要完整重建系統， learner 幾乎必須看過全部 mapping。 但若語言具有： - parts； - rules； - recombination； 則只要學有限 units： $$ \{o_1,\ldots,o_k\} $$ 與 grammar： $$ G, $$ 就可重建更大的 closure： $$ Closure(\mathcal O,G). $$ 所以： $$ \boxed{ \text{Compositionality} } $$ 可以被理解為對 transmission bottleneck 的一種適應。 --- # 5. 但 bottleneck 不是越窄越好 如果 bottleneck： $$ b $$ 極度小， learner 幾乎沒有足夠 evidence 區分 meanings。 最容易重建的語言可能變成： $$ m_1,m_2,\ldots,m_n \rightarrow s. $$ 只要一個 signal。 這是： $$ \boxed{ \text{Maximally Learnable} } $$ 但： $$ \boxed{ \text{Minimally Expressive}. } $$ --- # 6. Learnability–Expressivity Tradeoff 因此： $$ \boxed{ \text{Learnability} \leftrightarrow \text{Expressivity}. } $$ 一端： ### Holistic Extreme 每個 meaning 都有獨立 signal。 - expressivity 高； - learnability 差； - transmission cost 高。 另一端： ### Degenerate Extreme 所有 meaning 共用 signal。 - learnability 極高； - expressivity 幾乎為零。 --- # 7. Compositionality 是中間解 compositional language 允許： $$ \boxed{ \text{small reusable basis} + \text{large expressive closure}. } $$ 因此它可能同時滿足： - 可學； - 可傳； - 可泛化； - 可區分。 這就是 LRC–COL 為何從一開始研究 operator basis。 --- # 8. AI 代際傳播的新版本 對 AI 而言，「generation」不一定是生物世代。 可以是： - 新模型版本； - 新 Agent instance； - 新 context； - 新公司／系統； - 新 runtime； - 下一輪 autonomous retraining； - 一個 Agent 教另一個 Agent。 所以： $$ \boxed{ g = \text{transmission generation index}. } $$ --- # 9. Generational Map 定義： $$ \boxed{ \mathcal L_{g+1} = \Phi( \mathcal L_g, \mathcal T_g, A_{g+1}, E_{g+1} ). } $$ 其中： - $\mathcal T_g$：transmission policy； - $A_{g+1}$：learner； - $E_{g+1}$：新 environment / domain。 --- # 10. Transmission Dataset teacher 不會傳所有內容。 定義： $$ \boxed{ D_g = Sample( \mathcal L_g, \mathcal T_g, B_g ). } $$ 其中： $$ B_g $$ 是 transmission budget。 --- # 11. Bottleneck Ratio 可以定義： $$ \boxed{ b_g = \frac{ Information(D_g) }{ InformationRequired(\mathcal L_g) }. } $$ 越小： $$ b_g\downarrow $$ 代表 bottleneck 越窄。 實際 measurement 可能需用： - coverage； - MDL； - entropy； - semantic distinctions； 代替理想 information。 --- # 12. Exposure Coverage Bottleneck 更可操作： $$ \boxed{ b_C = \frac{ \text{observed semantic / compositional motifs} }{ \text{relevant motif space} }. } $$ --- # 13. Distinction Coverage Bottleneck 但只看 motif 不夠。 定義 critical distinctions： $$ \mathcal D^* = \{d_1,\ldots,d_m\}. $$ 傳播資料中真正出現多少： $$ \boxed{ b_D = \frac{ |\mathcal D_{observed}^*| }{ |\mathcal D^*| }. } $$ 如果： $$ b_D\ll1, $$ rare but important distinctions 很容易消失。 --- # 14. Transmission Fidelity 令 semantic state： $$ S_g. $$ 下一代： $$ S_{g+1}. $$ 定義： $$ \boxed{ F_T(g) = 1- D_S( S_g, S_{g+1} ). } $$ 但這只是相鄰世代 fidelity。 --- # 15. Anchor Fidelity 還要對最初或 canonical anchor： $$ A. $$ 定義： $$ \boxed{ F_A(g) = 1- D_S( S_g, A ). } $$ 因為： $$ F_T(g)\approx1 $$ 每代都只漂一點， 長期： $$ F_A(g) $$ 仍可能很低。 --- # 16. Incremental Drift Accumulation 如果每代 drift： $$ \delta_g, $$ 累積： $$ \boxed{ D_{cum}(G) \le \sum_{g=1}^{G}\delta_g } $$ 是最粗上界。 實際可能： - cancellation； - nonlinear amplification； - attractor convergence。 --- # 17. Distinction Retention 本文提出核心量： $$ \boxed{ R_{dist}(g) = \frac{ |\mathcal D_g^*\cap\mathcal D_0^*| }{ |\mathcal D_0^*| }. } $$ 也就是： > 原本重要 distinctions 還剩多少？ --- # 18. Distinction 不只是一個詞 critical distinction 可能是： - accept vs defer； - preview vs commit； - simulate vs execute； - reversible vs irreversible； - evidence vs inference； - object vs meta-object。 所以： $$ \boxed{ R_{dist} } $$ 比 vocabulary-size retention 更重要。 --- # 19. Vocabulary Retention 可以很高但 Distinction Retention 很低 100 個 token 都還在： $$ N_g=N_0, $$ 但其中 30 個逐漸變成同義。 則： $$ R_{vocab}=1 $$ 但： $$ R_{dist}<1. $$ 因此： $$ \boxed{ \text{Vocabulary Preservation} \neq \text{Semantic Preservation}. } $$ --- # 20. Vocabulary Degeneration 2025 年 LLM iterated-transmission 研究觀察到： - 語言可變得更 learnable； - 但可能發展 non-humanlike degenerate vocabularies； - distinct signals 減少。 本文把這類現象抽象成： $$ \boxed{ \text{Vocabulary Degeneration}. } $$ --- # 21. Degeneration 不等於 Compression 這是本篇最重要的區分之一。 ### Good Compression 不同 meanings 透過： - shared primitives； - compositional rules； 仍可重建。 ### Degeneration 原本需要的 distinctions： $$ d_i $$ 不可再從 signal 恢復。 所以： $$ \boxed{ \text{Compression} \neq \text{Information Loss}. } $$ 好的 compression 可保持 recoverability。 --- # 22. Recoverable Compression 如果： $$ Decode( Compress(m) ) \approx m, $$ 則是： $$ \boxed{ \text{Recoverable Compression}. } $$ 若： $$ m_1,m_2 \rightarrow s $$ 且無 context 可區分， 則： $$ \boxed{ \text{Degenerative Collapse}. } $$ --- # 23. Semantic Resolution 定義： $$ \boxed{ R_{sem} = \frac{ \text{distinguishable target states} }{ \text{required target states} }. } $$ 退化往往： $$ R_{sem}\downarrow. $$ --- # 24. Degeneration Index 第一版： $$ \boxed{ D_{deg} = w_1(1-R_{dist}) + w_2(1-R_{sem}) + w_3(1-F_A) + w_4 CollapseRate. } $$ 其中： $$ CollapseRate $$ 可衡量多個 meaning 被壓成相同 signal 的比例。 --- # 25. Learnability Gain 定義： $$ \boxed{ G_L(g) = T_{learn}(g-1) - T_{learn}(g). } $$ 若： $$ G_L>0, $$ 新一代更容易學。 --- # 26. 危險的組合 如果： $$ G_L>0 $$ 同時： $$ D_{deg}>0, $$ 就發生： $$ \boxed{ \text{Learnability-through-Degeneration}. } $$ 語言更好學， 只是因為它少表達了東西。 --- # 27. 所以「下一代學得更快」不能當成功指標 真正需要同時看： $$ \boxed{ Learnability + Expressivity + Fidelity + DistinctionRetention. } $$ --- # 28. 四目標傳播模型 本文將傳播目標定為： $$ \boxed{ \mathbf T = ( L, F, E, I ). } $$ 其中： - $L$：learnability； - $F$：fidelity； - $E$：expressivity； - $I$：innovation / adaptability。 --- # 29. Learnability 問： > 下一 Agent 要花多少 exposure / compute 才能掌握？ 可用： $$ T_{\epsilon}^{learn}. $$ --- # 30. Fidelity 問： > 下一代是否仍忠於前一代／anchor？ 可用： $$ F_T,F_A. $$ --- # 31. Expressivity 問： > critical distinctions 還能不能表達？ 可用： $$ R_{dist},R_{sem}. $$ --- # 32. Innovation 問： > 面對新 domain / Agent / world，語言能否長出必要新 distinctions？ 若： $$ I=0 $$ 永遠完全複製， 會造成： $$ \boxed{ \text{Frozen Language}. } $$ --- # 33. Innovation 也不是越高越好 如果每代： $$ I_g\gg0, $$ language identity 失控。 所以： $$ \boxed{ \text{Innovation} \leftrightarrow \text{Fidelity}. } $$ --- # 34. Transmission Pareto Frontier 因此真正最佳 transmission policy： $$ \boxed{ \mathcal P_T = Pareto( Learnability, Fidelity, Expressivity, Innovation, Cost ). } $$ 不存在一個 scalar 能對所有 domain 通用。 --- # 35. Teacher Compression teacher： $$ A_g $$ 決定傳什麼。 如果把一整套 operator contract 壓成很短： $$ D_g^{short}, $$ teacher transmission cost 下降。 定義： $$ \boxed{ CR_T = \frac{ Size(\mathcal L_g) }{ Size(D_g) }. } $$ 稱： **Teacher Compression Ratio**。 --- # 36. Learner Reconstruction Burden learner 從壓縮資料重建： $$ \hat{\mathcal L}_{g+1}. $$ 定義： $$ \boxed{ B_R = C( D_g \rightarrow \hat{\mathcal L}_{g+1} ). } $$ 若： $$ CR_T\uparrow, $$ 通常： $$ B_R\uparrow. $$ --- # 37. Teacher–Learner Exchange 因此： $$ \boxed{ \text{Teacher Compression} \leftrightarrow \text{Learner Reconstruction}. } $$ 這和 LRC–COL-05 的 basis-depth tradeoff 同構。 --- # 38. 最大壓縮不是最佳傳播 teacher 只傳： ```text ⊕ ``` 成本極低， 但 learner 完全不知道意思。 所以： $$ \boxed{ \max CR_T \neq \max TransmissionUtility. } $$ --- # 39. Transmission Utility 第一版： $$ \boxed{ U_T = \alpha L + \beta F + \gamma E + \eta I - \lambda C_{teach} - \mu C_{reconstruct} - \nu D_{deg}. } $$ --- # 40. Optimal Bottleneck 因此可能存在： $$ \boxed{ b^* = \arg\max_b U_T(b). } $$ 這是本篇最重要的新量之一。 --- # 41. Too Wide Bottleneck 如果： $$ b\rightarrow1, $$ learner 幾乎看到完整 language。 可能： - fidelity 高； - memorization 足夠； - compositional pressure 低； - irregular / redundant structures 被完整保留。 --- # 42. Too Narrow Bottleneck 如果： $$ b\rightarrow0, $$ learner 只能看到少量 examples。 可能： - regularization 強； - learnability 高； - rare distinction loss 高； - degeneration risk 高。 --- # 43. Intermediate Bottleneck Hypothesis 所以： $$ \boxed{ 0 單純 transmission pressure 推動 simplicity，但加入「必須用語言完成 communication」的 expressivity pressure 後，更容易出現既可學又可區分的 compositional structure。 因此： $$ \boxed{ \text{Transmission Pressure} + \text{Communication Pressure} } $$ 比單純 transmission 更接近良好 language evolution。 --- # 45. COL 的 Communication Pressure 是什麼？ 未來 operator language 的「communication」不只人類聊天。 可以是： - Agent 必須選對 tool； - compiler 必須產生正確 kernel sequence； - receiver 必須重建 exact world-state intention； - multi-agent 必須完成 coordination。 所以： $$ \boxed{ \text{Operational Success} } $$ 本身就是 expressivity pressure。 --- # 46. 任務成功作為反退化壓力 如果兩個 critical meanings 被壓成同一 operator， 而這會造成不同 world outcomes， task failure 會把它們重新分開。 因此： $$ \boxed{ \text{World Coupling} } $$ 可以成為語言維持 distinctions 的外部壓力。 --- # 47. LRC 反而能保護語言不退化 語言越接到真實 consequence： $$ \kappa_{LR}>0, $$ 錯誤合併 distinctions 的代價越可見。 所以： $$ \boxed{ \text{Grounded Action} } $$ 可能抑制 purely internal shorthand degeneration。 --- # 48. 但如果 Agent 群只彼此對話？ 如果： $$ A_1\leftrightarrow A_2\leftrightarrow A_3 $$ 只需彼此協調， 沒有外部 grounding， 它們可以形成： $$ \boxed{ \text{Locally Efficient Private Code}. } $$ 對內成功， 對 world semantics 卻逐漸漂移。 --- # 49. Local Communication Success ≠ Global Semantic Fidelity 因此： $$ \boxed{ Success_{internal} \neq Fidelity_{world}. } $$ 這與 LRC–COL-08 的 False Convergence 直接接合。 --- # 50. Shared Shorthand Risk AI 多 Agent 系統可能自然壓縮： ```text Long Protocol → Short Symbol → Shared Convention ``` 這很好， 但如果新 Agent 或人類無法 recover： $$ \boxed{ \text{Interoperability} \downarrow. } $$ --- # 51. Interoperability Retention 定義： $$ \boxed{ R_{interop}(g) = P( ExternalAgent \text{ can recover semantics} ). } $$ 通用 COL 不能只讓同一小群 Agent 懂。 --- # 52. Vertical vs Horizontal Transmission ### Vertical $$ A_g\rightarrow A_{g+1}. $$ ### Horizontal $$ A_i\leftrightarrow A_j $$ 同一代內互相協調。 兩者壓力不同。 --- # 53. Vertical Pressure 強調： - learnability； - reconstructability； - compression。 --- # 54. Horizontal Pressure 強調： - coordination； - local efficiency； - shared conventions。 --- # 55. 兩者缺一會怎樣？ 只有 horizontal： 可能形成難以教給新人的 private shorthand。 只有 vertical： 可能過度追求簡單而退化。 因此： $$ \boxed{ \text{Healthy Language Evolution} = \text{Vertical Learnability} + \text{Horizontal Expressivity}. } $$ --- # 56. One-to-Many Communication 2024 emergent-communication 研究進一步指出： 多 listener 本身不保證 compositionality。 真正重要的是： - listeners interests 是否不同； - 是否需要 coordination。 因此 transmission topology 也是 language structure 的決定因素。 --- # 57. Transmission Topology 令： $$ G_T=(V,E) $$ 表示 Agent communication graph。 edge： $$ A_i\rightarrow A_j $$ 代表語言／operator 傳播。 不同 topology： - chain； - star； - mesh； - hierarchy； - teacher pool； 可能產生不同 language evolution。 --- # 58. Chain 的風險 $$ A_1\rightarrow A_2\rightarrow\cdots\rightarrow A_n $$ 容易累積： $$ \boxed{ \text{Telephone-Game Drift}. } $$ --- # 59. Multi-Teacher 的好處 如果： $$ A_{g+1} $$ 同時從： $$ A_g^1,A_g^2,\ldots $$ 學， 可比較不同 interpretations。 可能降低單一路徑 drift。 --- # 60. Multi-Teacher 的壞處 若 teachers 使用不同 versions： $$ O@v1,O@v2, $$ learner 可能混合成： $$ \boxed{ \text{Version Mixture}. } $$ 所以 provenance 必須保留。 --- # 61. Canonical Teacher 可以指定： $$ \boxed{ A_{canon} } $$ 只負責： - semantic anchor； - version； - regression examples。 其他 Agents 可創新。 --- # 62. 但 Canonical Teacher 不能變成永遠不變的中心 如果 canonical semantics 過時， 會阻止 adaptation。 所以需要： $$ \boxed{ \text{Versioned Canonical Anchor}. } $$ --- # 63. Anchored Iterated Transmission（AIT） 本文提出未來 COL 候選架構： $$ \boxed{ \text{Anchored Iterated Transmission}. } $$ 一般 generations： - 有限 transmission； - 允許 regularization； - 允許 innovation。 但每隔： $$ r $$ 代： - 重對 canonical anchor； - 重跑 invariant probes； - 重跑 world-grounded tasks； - 檢查 distinction retention。 --- # 64. Anchor Refresh Interval 定義： $$ \boxed{ r_A } $$ 每隔多少 transmission generations 重錨。 太頻繁： - 抑制自然優化； - 增加成本。 太少： - drift 累積。 因此可能存在： $$ r_A^*. $$ --- # 65. Anchor Refresh 不是 Reset 不是把 learner 強制還原到第 0 代。 而是： > 保留合法 innovation，只修正 invariant-breaking drift。 所以： $$ \boxed{ \text{Reground} \neq \text{Rollback All}. } $$ --- # 66. Stable Core + Evolvable Periphery AIT 可配合： $$ \boxed{ \text{Stable Core} + \text{Evolvable Periphery}. } $$ core： - transmission fidelity 高； - bottleneck 寬； - anchor refresh 頻繁。 periphery： - bottleneck 較窄； - innovation 較高； - 可進行 local optimization。 --- # 67. Rare-Distinction Preservation 傳播最容易丟的是： $$ p(d_i)\ll1 $$ 的 rare distinctions。 所以 teacher sampling 不能只按 frequency。 --- # 68. Risk-Weighted Sampling 對 distinction： $$ d_i, $$ sampling probability： $$ \boxed{ P_{sample}(d_i) \propto f_i + \lambda Risk_i + \mu Novelty_i. } $$ 讓低頻但 high-criticality distinction 仍會被傳給下一代。 --- # 69. Transmission Curriculum 因此下一代不應只接 random samples。 可分： ### Core Samples 保證 invariants。 ### Frequency Samples 反映實際 workload。 ### Boundary Samples 防 semantic collision。 ### Rare-Critical Samples 防止重要 distinction 消失。 ### Novel Composition Samples 維持 compositionality。 --- # 70. Curriculum-Bottleneck 不是單一 b 更完整： $$ \boxed{ B_T = ( b_{core}, b_{freq}, b_{boundary}, b_{rare}, b_{novel} ). } $$ 所以 optimal bottleneck 是向量問題。 --- # 71. Teacher Selection Problem teacher 要決定： > 傳哪一些 examples 最有價值？ 這本身就是： $$ \boxed{ \text{Transmission Query Selection}. } $$ 與 RLMM 的 VOI 問題同構。 --- # 72. Distinction Value of Information 一個 training example： $$ e $$ 若能讓 learner 區分： $$ O_i $$ 與： $$ O_j, $$ 其 transmission value 高。 可定義： $$ \boxed{ VOI_T(e) = \Delta Fidelity + \Delta DistinctionRetention + \Delta Transfer - Cost(e). } $$ --- # 73. 最佳傳播不是傳最多 teacher budget 有限時： $$ \boxed{ D_g^* = \arg\max_{D:Cost(D)\le B} U_T(D). } $$ 這是一個 dataset / curriculum selection problem。 --- # 74. Compression 與 Examples 的分工 完整 operator definition 可以短。 但 examples / counterexamples 補足： - boundary； - usage； - grounding。 因此： $$ \boxed{ \text{Short Formal Core} + \text{Rich Sparse Examples} } $$ 可能是比純文字長定義更好的 transmission packet。 --- # 75. Transmission Packet 每個 stable operator 可傳： ```text Symbol Version Type Core Invariants Minimal Expansion Positive Example Negative Example Boundary Example World-Grounded Probe Known Confusions ``` 這是： $$ \boxed{ \text{Minimal Semantic Transmission Packet}. } $$ --- # 76. 最小 Packet 也是 optimization packet 太長： $$ C_{teach}\uparrow. $$ packet 太短： $$ C_{reconstruct}\uparrow, \quad D_{deg}\uparrow. $$ 因此存在： $$ \boxed{ P^*_{transmit}. } $$ --- # 77. Generational Learnability Curve 可追： $$ \boxed{ T_{learn}(g). } $$ 如果： $$ T_{learn}(g)\downarrow $$ 同時： $$ R_{dist}(g)\approx1, $$ 這是真正良性 regularization。 --- # 78. Degenerative Learnability Curve 如果： $$ T_{learn}(g)\downarrow $$ 但： $$ R_{dist}(g)\downarrow, $$ 則只是退化。 因此兩條曲線必須一起畫。 --- # 79. Fidelity–Learnability Plane 四象限： ### Q1 高 fidelity / 高 learnability 理想。 ### Q2 高 fidelity / 低 learnability 太複雜但保真。 ### Q3 低 fidelity / 高 learnability 退化 shorthand。 ### Q4 低 fidelity / 低 learnability 全面失敗。 --- # 80. 再加入 Expressivity 真正應看三維： $$ \boxed{ (L,F,E). } $$ 加 innovation 後： $$ \boxed{ (L,F,E,I). } $$ --- # 81. Language Degeneration 不只 Vocabulary Collapse 至少四種 degeneration： ### D1 — Vocabulary Collapse 不同 meanings 共用 signals。 ### D2 — Boundary Collapse 適用／不適用條件模糊。 ### D3 — Type Collapse 原本不同 operator type 混用。 ### D4 — Grounding Collapse Agent 彼此理解，但外部 world semantics 漂移。 --- # 82. D4 最危險 因為內部 communication score 仍可能很高。 所以： $$ \boxed{ \text{Communication Success} \neq \text{Grounded Language Health}. } $$ --- # 83. Innovation Degeneration 還有另一個方向： 每代都新增 notation， 但沒有 consolidation。 形成： $$ \boxed{ \text{Innovation Explosion}. } $$ 這不是 compression degeneration， 而是 uncontrolled expansion。 --- # 84. 所以語言退化有兩端 ### Collapse Degeneration 太簡。 ### Fragmentation Degeneration 太亂。 真正 healthy language 位於兩者之間。 --- # 85. Transmission Viability Region 定義： $$ \boxed{ \mathcal V_T = \{ \mathcal L: L\ge\tau_L, F\ge\tau_F, E\ge\tau_E, I_{min}\le I\le I_{max} \}. } $$ 語言 generations 應盡量留在： $$ \mathcal V_T. $$ --- # 86. Transmission Hysteresis 與前篇 operator hysteresis 同樣， 語言不應因單一 generation metric 改變就重新設計。 需要： - promote threshold； - deprecate threshold； - anchor-drift threshold。 --- # 87. Generation Churn 如果每代都： - rename； - split； - merge； 新 learner 永遠追不上。 因此： $$ \boxed{ \text{Transmission Stability} } $$ 本身也是 learnability 的一部分。 --- # 88. Generation Length 一代要多長？ 如果： $$ G_{length} $$ 太短， 每代 learner 還沒充分使用語言就傳下一代。 如果太長： - local idiosyncrasy 可能固化； - adaptation 變慢。 因此也可能存在： $$ \boxed{ G_{length}^*. } $$ --- # 89. Human / AI Generation 不必同尺度 AI generation 可以是： - 100 tasks； - 1000 operator uses； - model update； - monthly release。 所以應用 event count， 不要只用日曆時間。 --- # 90. Transmission Rate 定義： $$ \boxed{ r_T = \frac{ N_{\text{semantic units transmitted}} }{ Time }. } $$ 太高： - learner overload。 太低： - adaptation latency。 --- # 91. Transmission Bandwidth $$ \boxed{ B_T = \frac{ Information(D_g) }{ TransmissionWindow }. } $$ 這是 communication bandwidth 與 learning bottleneck 的接口。 --- # 92. Bottleneck 也可以來自 Context Window AI learner： $$ Context_{max} $$ 有限。 若整個 operator library： $$ Size(\mathcal L)>Context_{max}, $$ 自然形成 transmission bottleneck。 --- # 93. Retrieval 可以改變 Bottleneck 有 external memory / retrieval 時： learner 不必一次內化全部。 因此： $$ \boxed{ \text{Retrieval} } $$ 實際上能放寬： $$ b. $$ --- # 94. 但 Retrieval 也可能阻止結構化壓力 如果所有 rare mapping 都可隨時查表， Agent 不必 internalize compositional rule。 因此： $$ \boxed{ \text{Perfect Retrieval} } $$ 也可能降低形成 compact internal basis 的壓力。 這是非常值得後續實驗的新命題。 --- # 95. Memory–Composition Tradeoff 因此： $$ \boxed{ \text{External Memory} \leftrightarrow \text{Internal Compositionality}. } $$ 更多外部查表能力可能允許較多 idiosyncratic forms 存活。 --- # 96. 這對 AI 特別重要 人類記憶 bottleneck 很強。 AI 可以有： - huge storage； - perfect logs； - retrieval。 所以人類語言演化的 bottleneck 結論不能原封不動移植。 COL 必須重新研究： $$ \boxed{ b^*(A,R,C). } $$ --- # 97. AI Bottleneck 可以被人工設計 這是人類自然語言沒有的巨大差別。 我們可以主動控制： - transmission packet； - retrieval availability； - example diversity； - anchor refresh； - memory retention； - versioning。 因此： $$ \boxed{ \text{Language Evolution} } $$ 第一次可以變成： $$ \boxed{ \text{partly engineered cultural evolution}. } $$ --- # 98. 但不能過度優化 如果 designer 完全控制所有 transmission， 語言可能過度適配當前 Agent。 未來新 architecture： $$ A' $$ 反而學不好。 所以要保留： - cross-model tests； - open-world probes； - diversity。 --- # 99. Transmission Robustness 定義： $$ \boxed{ R_T = Performance( \mathcal L \text{ transmitted across heterogeneous }A_i ). } $$ 通用 COL 應追： $$ R_T. $$ --- # 100. Cross-Model Generation Chain 例如： $$ GPT\rightarrow Qwen\rightarrow Llama\rightarrow Other. $$ 不要求同一模型 family。 這比同模型自我傳播更能測： $$ \boxed{ \text{model-independent semantics}. } $$ --- # 101. Translation vs Transmission 如果不同 Agent 有不同 local basis： $$ \mathcal L_A,\mathcal L_B, $$ 可以用： $$ \Phi_{AB} $$ translation。 這時傳播不是： $$ \mathcal L_A\rightarrow\mathcal L_A, $$ 而是： $$ \boxed{ \mathcal L_A \rightarrow \Phi_{AB} \rightarrow \mathcal L_B. } $$ --- # 102. Translation Fidelity 定義： $$ \boxed{ F_{\Phi} = 1- D_S( Sem_A, TranslateBack(Sem_B) ). } $$ 這也需要進 overall transmission fidelity。 --- # 103. Universal Interchange Layer 可能存在： $$ \boxed{ \mathcal L_I } $$ 作為跨 Agent canonical interchange language。 各 Agent： $$ \mathcal L_i \leftrightarrow \mathcal L_I. $$ 這可以降低 pairwise translation： $$ O(n^2) $$ 到： $$ O(n). $$ --- # 104. 但 Interchange Layer 也可能成為 Bottleneck 如果： $$ \mathcal L_I $$ 太貧乏， local languages 的 distinctions 會被壓掉。 所以 interchange language 也要測： $$ R_{dist}. $$ --- # 105. 本篇十二個正式命題 ## TR-P1 — Bottleneck Structuring 有限 transmission bottleneck 可對語言施加規則化／compositionality 壓力。 ## TR-P2 — Degenerate Learnability 單獨最大化 learnability 可能導致 underspecified degenerate language。 ## TR-P3 — Expressivity Counterpressure communication / operational pressure 可以防止 pure simplicity collapse。 ## TR-P4 — Intermediate Bottleneck 傳播效用對 bottleneck size 可能非單調，存在 $b^*$。 ## TR-P5 — Distinction Retention vocabulary retention 不足以衡量 semantic preservation，應追蹤 $R_{dist}$。 ## TR-P6 — Teacher–Learner Exchange teacher compression 增加時，learner reconstruction burden 通常上升。 ## TR-P7 — Grounding Protection world-grounded action pressure 可抑制只對 Agent 內部有效的 shorthand degeneration。 ## TR-P8 — Vertical–Horizontal Complementarity vertical transmission 主要施加 learnability pressure，horizontal interaction 主要施加 expressivity / coordination pressure；兩者共同決定 language form。 ## TR-P9 — Anchored Iterated Transmission 週期性 semantic anchor / invariant probes 可降低 cumulative drift，同時保留有限 innovation。 ## TR-P10 — Rare-Critical Preservation sampling curriculum 必須 risk-weight rare distinctions，不能只按 frequency。 ## TR-P11 — Retrieval–Composition Tradeoff 強 external retrieval 可能放寬 transmission bottleneck，但同時降低 internal compositional pressure。 ## TR-P12 — Engineered Cultural Evolution AI-native operator language 的 transmission bottleneck、curriculum、memory 與 anchor 可以被主動設計，因此 language evolution 部分可工程化。 --- # 106. 第一版實驗：Bottleneck Sweep 建立固定 meaning space： $$ \Omega. $$ bottleneck： $$ b= 1.0, 0.75, 0.5, 0.25, 0.1. $$ 每個 condition 做多代 transmission。 量： - $T_{learn}(g)$ ； - $F_A(g)$ ； - $R_{dist}(g)$ ； - compositionality； - vocabulary size； - task success。 --- # 107. Communication Pressure Ablation 兩條： ### Transmission Only 只要求 learner 重建 language。 ### Transmission + Use 每代還必須用語言完成 communication / tool task。 比較 degeneration。 --- # 108. Anchor Ablation ### No Anchor 純 chain。 ### Static Anchor 每代看到 canonical definition。 ### Periodic Anchor 每 $r$ 代 reground。 ### Invariant-Only Anchor 只給 core invariants。 測： - drift； - innovation； - learnability。 --- # 109. Rare-Distinction Test 設： $$ p(d_{critical})=0.01 $$ 但 error cost 高。 比較： ### Frequency Sampling ### Risk-Weighted Sampling 看是否保住： $$ R_{dist}. $$ --- # 110. Teacher Compression Sweep Transmission packet： - full； - 50%； - 25%； - 10%； - symbol-only。 測 learner： $$ B_R, T_{learn}, F_A. $$ 找 transmission sweet spot。 --- # 111. Retrieval Condition 比較： ### No External Memory learner 只能靠 transmission。 ### Full Retrieval 所有 legacy examples 可查。 ### Selective Retrieval 只允許 query canonical anchor / rare cases。 測 compositional pressure 與 degeneration。 --- # 112. Heterogeneous-Agent Chain 用不同 Agent / model family 逐代傳。 比同模型 chain 更能測： $$ R_T. $$ --- # 113. Topology Experiment 比較： - chain； - one teacher → many learners； - many teachers → one learner； - mesh； - hierarchy。 量： - convergence； - fidelity； - innovation； - degeneration。 --- # 114. Generational Output 每一代保存： ```text Generation Vocabulary Size Operator Graph Learnability Anchor Fidelity Adjacent Fidelity Distinction Retention Semantic Resolution Innovation Rate Degeneration Index Transmission Cost Reconstruction Cost ``` --- # 115. Language Health Dashboard 整體可以壓成： $$ \boxed{ \mathbf H_g = ( L_g, F_g, E_g, I_g, D_{deg,g}, C_g ). } $$ 不要只看： > generation 10 accuracy。 --- # 116. 什麼才算良性語言演化？ 候選判準： $$ T_{learn}(g)\downarrow $$ 同時： $$ F_A(g)\ge\tau_F, $$ $$ R_{dist}(g)\ge\tau_D, $$ $$ D_{deg}(g)\le B_D. $$ 這才是： $$ \boxed{ \text{Learnability without Degeneration}. } $$ --- # 117. 長期極限不一定存在 可能： $$ \mathcal L_g \rightarrow \mathcal L^* $$ 穩定。 也可能： - limit cycle； - branching； - repeated innovation； - periodic re-anchoring。 因此不假設： $$ \lim_{g\to\infty}\mathcal L_g $$ 必然存在。 --- # 118. Branching Language Evolution 不同 Agent groups： $$ P_1,P_2 $$ 可能形成： $$ \mathcal L_1,\mathcal L_2. $$ 這不一定是 failure。 可能是： - domain specialization； - local efficiency。 但需要 interchange / translation。 --- # 119. Language Speciation 當兩個 branches： $$ F_{\Phi} $$ 太低， 可能形成： $$ \boxed{ \text{Language Speciation}. } $$ 也就是不再是同一語言版本，而是不同 language family。 --- # 120. 通用傳播的真正目標 不是阻止任何分叉。 而是： $$ \boxed{ \text{preserve a recoverable common semantic substrate}. } $$ 即使 surface dialects 分化。 --- # 121. Common Semantic Kernel 因此再次回到： $$ \boxed{ \mathcal O_{kernel}. } $$ 可能： - surface language 演化快； - kernel semantic invariants 演化慢。 這是跨世代通用傳播的一個強候選架構。 --- # 122. Kernel Transmission kernel packet 要特別高 fidelity： - type； - invariant； - expansion； - world test； - version。 surface macro 可以有更高 plasticity。 --- # 123. 這與 LRC–COL-05 的雙層 ISA 合流 前面： $$ \mathcal O_{surface} \rightarrow \mathcal O_{kernel}^*. $$ 現在： $$ \boxed{ \text{surface evolves faster} ,\qquad \text{kernel transmits more conservatively}. } $$ 因此 dual-level basis 不只是 execution architecture， 也是 transmission architecture。 --- # 124. 本篇核心公式組 代際傳播： $$ \boxed{ \mathcal L_g \xrightarrow{\mathcal T_g} D_g \xrightarrow{A_{g+1}} \mathcal L_{g+1}. } $$ bottleneck： $$ \boxed{ b_g = \frac{ Information(D_g) }{ InformationRequired(\mathcal L_g) }. } $$ distinction retention： $$ \boxed{ R_{dist}(g) = \frac{ |\mathcal D_g^*\cap\mathcal D_0^*| }{ |\mathcal D_0^*| }. } $$ degeneration： $$ \boxed{ D_{deg} = w_1(1-R_{dist}) +w_2(1-R_{sem}) +w_3(1-F_A) +w_4CollapseRate. } $$ optimal bottleneck： $$ \boxed{ b^* = \arg\max_bU_T(b). } $$ --- # 125. 非主張 本文不主張： 1. 人類 iterated-learning 結果可直接無修改套用到 LLM； 2. transmission bottleneck 越窄一定越 compositional； 3. compositionality 自動等於高 semantic fidelity； 4. vocabulary 縮小一定是 degeneration； 5. LLM 代際傳播一定退化； 6. communication pressure 能完全防止 drift； 7. universal optimal bottleneck $b^*$ 存在； 8. external retrieval 一定降低 compositionality； 9. canonical anchor 應永遠不變； 10. AI cultural evolution 可以被完全控制。 本文只提出： $$ \boxed{ \text{Intergenerational operator-language transmission should be evaluated as a tradeoff among learnability, fidelity, expressivity, innovation, reconstruction cost, and semantic degeneration under an explicit transmission bottleneck.} } $$ --- # 126. 文獻錨點 1. **Cultural evolution: implications for understanding the human language faculty and its evolution（Philosophical Transactions of the Royal Society B, 2008）** 系統說明 iterated learning 與 learning bottleneck 如何形成對可學習、可泛化結構的文化選擇壓力；compositionality 可被理解為巨大表達空間通過有限學習資料瓶頸的一種適應。 2. **Kirby et al. 系列 iterated-learning / communication experiments（2008–2015；後續綜述）** 相關實驗與理論指出，單純 simplicity / learnability pressure 可導致 underspecified 或 degenerate systems；加入 communication / expressivity pressure 後，語言更可能形成兼顧可學習與可區分性的 compositional structure。 3. **Searching for Structure: Investigating Emergent Communication with Large Language Models（COLING 2025）** LLM artificial-language iterated transmission 可提高 learnability 並產生一些 structure，但同時可能形成 non-humanlike degenerate vocabularies。這是本文 AI 代際傳播問題最直接的近期錨點。 4. **Frequency & Compositionality in Emergent Communication（EMNLP 2025）** 顯示 compositionality 不是 frequency 本身的直接函數，limited exposure 是重要驅動。這支持 transmission curriculum / bottleneck 不能只用 raw frequency 設計。 5. **One-to-Many Communication and Compositionality in Emergent Communication（EMNLP 2024）** 多 listener 本身不保證 compositionality；不同 listener interests 與 coordination requirements 會改變 emergent language structure，支持 transmission topology 進入模型。 6. **Cultural evolution creates the statistical structure of language（Scientific Reports, 2024）** 進一步展示 iterated learning 可讓語言統計結構在傳播中成為 learnability 的原因與結果，支持「語言會適應 learner」的動態觀點。 7. **Efficiency fosters cumulative culture across species（Philosophical Transactions B, 2021）** 綜述語言與文化系統中的 information bottleneck、expressivity 與 compression 交換，提供「傳播受限會選擇更有效結構」的廣泛理論背景。 --- # 127. 下一篇 ## LRC–COL-10：多 Agent 傳播拓撲與複合性形成 ### Multi-Agent Transmission Topology and the Emergence of Compositional Structure 下一篇將不再把： $$ A_g\rightarrow A_{g+1} $$ 當成單一線性 chain。 而正式研究： $$ \boxed{ G_T=(V,E) } $$ 不同 communication topology 如何改變： - operator convergence； - dialect branching； - compositionality； - minority innovation； - false consensus； - semantic drift； - transmission speed； - local shorthand； - common kernel。 將比較： - one-to-one； - one-to-many； - many-to-one； - mesh； - hierarchy； - modular communities； - rotating teacher； - federated multi-Agent。 並問： > **一套複合 AI 語言到底應該由「中央標準」傳下去，還是讓多 Agent 局部演化再經 common kernel 對齊？** 這會是第 11 篇 Operator Basis Adaptation Law 之前，最後一塊群體動力學基礎。 **END — LRC–COL-09 v0.1**