# 計算機不是處理器：可定址狀態轉換空間的重新定義

## Computer Is Not the Processor: Redefining Computation as an Addressable State-Transition Space

**系列：** Computational Space and Hyperconnected Complexity Series  
**Paper：** 01 / 09  
**作者：** Neo.K  
**協作整理：** Aletheia / GPT-5.6 Sol  
**機構：** EveMissLab／一言諾科技有限公司  
**版本：** v0.1  
**日期：** 2026-08-29  
**文件性質：** 計算本體論／計算空間理論／狀態轉換方法論  
**研究狀態：** 理論框架與後續形式化基礎；不宣稱建立新的經典複雜度類，不宣稱證明 $P=NP$ 或 $P\neq NP$

---

## 摘要

現代計算機通常被描述為處理器、記憶體、儲存、輸入輸出與軟體所構成的系統；在經典計算理論中，則常進一步抽象為圖靈機、RAM machine、circuit、automaton、transition system 或其他形式模型。這些表示各自具有明確用途，但在面對今日由 CPU、GPU、AI accelerator、network service、database、API、distributed worker、compiler、operating system、agent runtime、persistent memory 與外部工具共同構成的計算環境時，「計算機等於執行指令的處理器」已不足以描述實際計算能力的形成方式。

本文提出一個更高層的候選描述：

$$
\boxed{
\text{Computer}
=
\text{Addressable State-Transition Space}.
}
$$

亦即，一個計算系統的能力不應只以單位時間內可以執行多少 primitive operations 描述，也應考慮：

1. 系統具有哪些可區分狀態；
2. 哪些狀態之間存在合法轉換；
3. 一個局部符號或地址可以啟動多大的狀態展開；
4. 一個狀態轉換是否由本地處理、外部能力、預計算、硬體結構或歷史結果承載；
5. 系統能否持續增加新的可定址轉換；
6. 不同底空間、表示、轉移律與執行載體如何形成一致的全域計算。

本文將最基本的轉換壓縮為：

$$
1\rightarrow1,
\qquad
1\rightarrow X,
\qquad
X\rightarrow1,
\qquad
X\rightarrow X.
$$

其中 $1$ 不必理解為二進位 bit，而可表示局部符號、地址、指令、token、capability handle 或最小可定址控制單位； $X$ 則表示相對較大的狀態、結構、程序、世界片段或計算域。

本文的核心命題是：

$$
\boxed{
\text{計算技術的一條重要演化方向，
就是提高 }1\rightarrow X\text{ 的展開能力，
以及提高可被直接定址的 }1_i\rightarrow X_i\text{ 覆蓋度。}
}
$$

這使機器指令、函式呼叫、library、system call、GPU kernel、database index、API、MCP、Agent capability 與 MSSP–RDR capability routing 可以被理解為同一類更高階現象：**將原本需要長狀態路徑完成的計算，壓縮成較短的可定址狀態轉換入口。**

本文不主張這種路徑壓縮會消除總體計算複雜度。相反，它為後續「複雜度位移原則」建立基礎：當時間路徑縮短時，原有成本可能被轉移到空間結構、記憶、連接、預處理、外部 provider、硬體、歷史或維護之中。

**關鍵詞：** 計算空間、狀態轉換、可定址計算、 $1\rightarrow X$ 、超連接計算、相位計算、MSSP、RDR、計算複雜度、Agentic Computation

---

# 1. 問題：我們究竟把什麼叫做「一台計算機」？

對傳統個人電腦而言，一個直觀描述是：

$$
\text{Computer}
=
\text{CPU}
+
\text{Memory}
+
\text{Storage}
+
\text{I/O}.
$$

若再加入現代硬體：

$$
\text{Computer}
=
\text{CPU}
+
\text{GPU}
+
\text{Accelerators}
+
\text{Memory}
+
\text{Interconnect}
+
\text{Storage}.
$$

這些描述對硬體工程有效。

然而，當使用者執行：

```text
render(scene)
```

真正完成工作的可能同時包括：

- compiler；
- operating system；
- graphics driver；
- CPU；
- GPU；
- shader program；
- texture cache；
- memory controller；
- DMA；
- filesystem；
- external asset database；
- network resource；
- AI-generated intermediate data。

使用者只送出一個極短的符號序列。

實際被啟動的狀態轉換卻可能極其龐大。

因此：

$$
\boxed{
\text{Instruction Length}
\neq
\text{Activated Computational Structure}.
}
$$

同樣地：

$$
\boxed{
\text{Caller Complexity}
\neq
\text{Whole-System Computational Structure}.
}
$$

如果仍然只把「執行當前幾條指令的 CPU」視為計算機本身，就會逐漸無法描述現代計算。

---

# 2. 第一個重新定義：計算機是一個狀態轉換空間

令某一計算存在於時間 $t$ 的有效狀態為：

$$
\Sigma_t.
$$

最基本的計算可以表示為：

$$
\Sigma_t
\xrightarrow{\Phi_t}
\Sigma_{t+1}.
$$

其中：

$$
\Phi_t
$$

是合法狀態轉換。

因此，一個計算系統不只包含狀態集合，也包含：

- 可作用算子；
- 合法轉換；
- 地址結構；
- 資源條件；
- 執行載體；
- 歷史；
- 外部接口。

本文暫定：

$$
\boxed{
\mathfrak C_t
=
(
\mathcal S_t,
\mathcal T_t,
\mathcal A_t,
\mathcal R_t,
\mathcal I_t,
\mathcal H_t
).
}
$$

其中：

- $\mathcal S_t$：可表示或有效可達的狀態；
- $\mathcal T_t$：候選狀態轉換；
- $\mathcal A_t$：可定址入口；
- $\mathcal R_t$：資源與執行載體；
- $\mathcal I_t$：接口、映射與連接；
- $\mathcal H_t$：歷史、預處理、cache、訓練與已建立結構。

於是：

$$
\boxed{
\text{Computer}_t
=
\mathfrak C_t
}
$$

而不是只等於某一個 processor。

---

# 3. 「1」不是 bit：最小可定址控制單位

本文使用：

$$
1
$$

並不是把所有計算還原為單一二進位位元。

這裡的 $1$ 表示：

> 在指定計算層級下，可以被系統唯一識別並直接觸發後續作用的最小有效控制單位。

它可以是：

- machine opcode；
- function identifier；
- memory address；
- symbolic token；
- API endpoint；
- capability ID；
- database key；
- event；
- message；
- graph node；
- callable object；
- Agent tool handle。

因此更完整應寫成：

$$
1_i.
$$

其核心性質不是：

$$
1_i\in\{0,1\},
$$

而是：

$$
\boxed{
\operatorname{Addressable}(1_i)=1.
}
$$

也就是系統知道：

> 「這一個就是這一個。」

這和機器碼最原始的精神是一致的。

一個 opcode 的重要性並不在於它本身包含多少資訊，而在於：

$$
\boxed{
\text{一個短的局部識別，
可以啟動一個更大的既有轉換結構。}
}
$$

---

# 4. 四種基本狀態轉換

本文將第一版計算空間壓成四種基本關係。

## 4.1 $1\rightarrow1$

$$
\boxed{
1_i\rightarrow1_j
}
$$

表示最小可定址單位之間的轉換。

例如：

- register update；
- opcode transition；
- symbol substitution；
- index routing；
- pointer redirection。

這是最低階的地址—地址轉換。

---

## 4.2 $1\rightarrow X$

$$
\boxed{
1_i\rightarrow X
}
$$

表示一個局部地址啟動較大的狀態展開。

例如：

```text
CALL render
```

可能展開成：

$$
1_{\text{render}}
\rightarrow
X_{\text{graphics-pipeline}}.
$$

API：

```text
solve(request)
```

則可能是：

$$
1_{\text{API}}
\rightarrow
X_{\text{remote-computation}}.
$$

這是本文最重要的轉換。

---

## 4.3 $X\rightarrow1$

$$
\boxed{
X\rightarrow1_i
}
$$

表示大量結構被壓縮、編譯、索引或抽象成一個可重新使用的入口。

例如：

$$
\text{Large Program}
\rightarrow
\text{Function ID},
$$

$$
\text{Database}
\rightarrow
\text{Index},
$$

$$
\text{Learned Structure}
\rightarrow
\text{Model Handle}.
$$

這可以理解為：

$$
\boxed{
\text{Address Formation}.
}
$$

---

## 4.4 $X\rightarrow X$

$$
\boxed{
X_a\rightarrow X_b
}
$$

表示大型狀態域之間的完整轉換。

例如：

- compilation；
- simulation；
- rendering；
- optimization；
- proof transformation；
- model training；
- world-state update；
- distributed workflow。

傳統意義上的「大量計算」，多半發生於這一層。

---

# 5. 計算演化的一個核心方向：提高 $1\rightarrow X$

假設早期系統中：

$$
1_i
$$

只能觸發非常有限的操作：

$$
1_i\rightarrow X_i^{(0)}.
$$

後來，同一層級的控制入口可以啟動更大的結構：

$$
1_i\rightarrow X_i^{(1)},
$$

且：

$$
X_i^{(0)}
\subset
X_i^{(1)}.
$$

則可稱：

$$
\boxed{
\operatorname{ExpansionCapacity}(1_i)
}
$$

增加。

因此定義候選量：

$$
\boxed{
\kappa_1(1_i)
=
\operatorname{EffectiveExpansion}(1_i).
}
$$

其直觀意義為：

> 一個最小可定址入口，可以合法調動多大的有效狀態轉換結構。

---

# 6. 第二個核心量：有多少個 $1_i\rightarrow X_i$

除了單一入口有多強，另一個重要問題是：

> 系統究竟有多少種狀態轉換已經被做成可直接定址能力？

令：

$$
\mathcal A_t
=
\{1_1,1_2,\ldots,1_m\}
$$

為系統在時間 $t$ 的有效地址集合。

若每一個地址：

$$
1_i
$$

對應一個有效能力：

$$
1_i\rightarrow X_i,
$$

則可定義：

$$
\boxed{
\kappa_2(t)
=
\operatorname{Coverage}
\left(
\{1_i\rightarrow X_i\}_{i=1}^{m}
\right).
}
$$

這不是單純計算 address 數量。

真正重要的是：

- 覆蓋多少問題域；
- 覆蓋多少轉換型別；
- 覆蓋多少底空間；
- 是否可以組合；
- 是否可跨域路由；
- 是否可以新增。

因此：

$$
\boxed{
\text{Computational Capability}
\not\propto
|\mathcal A_t|
}
$$

但：

$$
\mathcal A_t
$$

的有效覆蓋仍是重要能力指標。

---

# 7. 從機器碼到 API：同一條歷史

從這個角度回看計算史，可以得到一條非常有意思的連續線。

最底層：

$$
\text{opcode}
\rightarrow
\text{hardware operation}.
$$

再來：

$$
\text{function call}
\rightarrow
\text{code block}.
$$

再來：

$$
\text{system call}
\rightarrow
\text{OS capability}.
$$

再來：

$$
\text{library call}
\rightarrow
\text{algorithmic subsystem}.
$$

再來：

$$
\text{GPU kernel}
\rightarrow
\text{massively parallel execution}.
$$

再來：

$$
\text{API}
\rightarrow
\text{remote service}.
$$

再來：

$$
\text{tool call}
\rightarrow
\text{external capability}.
$$

最後可能是：

$$
\boxed{
\text{symbol}
\rightarrow
\text{arbitrary registered capability}.
}
$$

這些看似不同的工程技術，其實都在增加：

$$
\boxed{
1\rightarrow X.
}
$$

---

# 8. 無限維奧賽羅：從逐步運算到狀態翻轉

「無限維奧賽羅」早期直覺的重要性，不在於真的建立一個物理無限維棋盤。

它更深的問題是：

> 如果一個巨大狀態可以被一個規則直接翻轉，我們是否還需要沿傳統序列逐格重算？

普通過程可能是：

$$
x_0
\rightarrow
x_1
\rightarrow
x_2
\rightarrow
\cdots
\rightarrow
x_n.
$$

奧賽羅式狀態轉換則試圖尋找：

$$
\boxed{
x_0
\xrightarrow{\Phi}
x_n.
}
$$

這並不表示：

$$
\Phi
$$

沒有複雜度。

它只表示：

$$
\boxed{
\text{狀態路徑可以被壓縮成一個高階轉換算子。}
}
$$

因此無限維奧賽羅應被重新理解為：

$$
\boxed{
\text{State-Flip Computation}.
}
$$

它是後來 $1\rightarrow X$ 理論的一個早期前身。

---

# 9. 相位計算：計算不必只有序列指令

Phase Computation Machine Theory 已經指出：

$$
\text{Phase Computation}
$$

不應被限定為某一個特定物理振盪器。

其重要貢獻之一，是把：

- 相位本體；
- 相位表示；
- 相位演化；
- 承載架構；
- 元機理選擇

分離。

因此：

$$
\boxed{
\text{Computation Form}
\neq
\text{Execution Substrate}.
}
$$

同一狀態轉換可以被：

- CPU 模擬；
- GPU 並行；
- event-driven system；
- neuromorphic hardware；
- analog oscillator；
- quantum interface；
- formal proof engine

承載。

這進一步支持本文的核心立場：

$$
\boxed{
\text{計算機不應被等同於特定處理器。}
}
$$

---

# 10. 二十四範式與七十二格：計算形態不是單一軸

計算的二十四重範式已把計算形態寫成：

$$
\mathfrak P_{24}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3.
$$

亦即：

- 底空間；
- 更新組織；
- 觀察模式。

七十二格再加入：

$$
\mathfrak L_3,
$$

形成：

$$
\boxed{
\mathfrak P_{72}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
\times
\mathfrak L_3.
}
$$

這意味真正的計算配置本身就是空間。

一個系統不只選：

> 「跑哪一個 algorithm？」

而可以選：

> 「使用哪一種底空間、哪一種更新組織、哪一種轉移律、哪一種觀察方式、由哪一種 machine 承載？」

因此本文將：

$$
\boxed{
\text{Algorithm Selection}
}
$$

擴張為：

$$
\boxed{
\text{Computational Configuration Selection}.
}
$$

---

# 11. MSSP–RDR：從演算法呼叫進入能力空間

MSSP–RDR 的重要性，在於它已經把：

$$
\text{What}
$$

與：

$$
\text{How}
$$

分離。

即：

$$
\boxed{
MSSP=\text{What},
\qquad
RDR=\text{How}.
}
$$

MSSP 處理：

- 系統有哪些能力；
- 能力如何分類；
- 能力在哪裡；
- 能力之間有哪些關係。

RDR 則處理：

- 如何解析；
- 如何物化；
- 在哪裡執行；
- 使用什麼 provider；
- 如何配置資源；
- 如何追蹤結果。

這使一個 capability 可以被寫成：

$$
\boxed{
1_i
=
\operatorname{Address}(Capability_i).
}
$$

執行時：

$$
1_i
\xrightarrow{\mathrm{RDR}}
X_i.
$$

因此 MSSP–RDR 可以被看成：

$$
\boxed{
\text{Addressable Computational Capability Space}.
}
$$

---

# 12. 極限 MSSP–RDR：超連接計算

現在進行極端思維實驗。

假設一個系統中，任何已知、合法、可驗證的能力：

$$
F_i
$$

都存在唯一地址：

$$
1_i.
$$

並且任意需要該能力的任務都能：

$$
1_i\rightarrow F_i.
$$

若能力之間還可以任意合法組合：

$$
F_i\circ F_j\circ F_k,
$$

那麼原本的大量計算路徑可以被壓縮成：

$$
1_a
\rightarrow
1_b
\rightarrow
1_c.
$$

如果這種直接連接持續增加，則：

$$
\boxed{
\text{Path Length}
\downarrow.
}
$$

這就是：

# Hyperconnected Computation

超連接計算。

極限情況下，對有效狀態：

$$
x,y\in\mathcal S
$$

若存在直接 macro-transition：

$$
e_{xy},
$$

則：

$$
d(x,y)=1.
$$

因此：

$$
\boxed{
\text{極致通道}
=
\text{極致連接}.
}
$$

---

# 13. 但連接不是免費的

這裡必須立刻加入限制。

如果：

$$
d(x,y)
$$

因新增 direct edge 而降低，

並不表示系統總成本同步降低。

新增：

$$
e_{xy}
$$

可能需要：

- 設計；
- 預處理；
- 儲存；
- 訓練；
- 編譯；
- provider；
- 硬體；
- bandwidth；
- index；
- verification；
- maintenance。

所以：

$$
\boxed{
\text{Transition Distance}
\neq
\text{Lifecycle Cost}.
}
$$

這將成為本系列 Paper 04「複雜度位移原則」的核心。

---

# 14. 計算空間的兩種成長

本文因此提出兩個不同的計算進步方向。

## 14.1 深度增長

單一入口能啟動更大的能力：

$$
\kappa_1\uparrow.
$$

即：

$$
1_i
\rightarrow
X_i
\rightarrow
X'_i
\rightarrow
X''_i.
$$

---

## 14.2 廣度增長

更多狀態轉換被做成可直接定址能力：

$$
\kappa_2\uparrow.
$$

即：

$$
\{
1_1\rightarrow X_1,
1_2\rightarrow X_2,
\ldots
\}
$$

持續擴張。

---

兩者共同形成：

$$
\boxed{
\mathbf K_{\mathrm{addr}}
=
(
\kappa_1,
\kappa_2
).
}
$$

本文暫稱：

# Addressable Transition Capacity

可定址轉換容量。

---

# 15. 單一計算機與集體計算機

若所有 capability 都存在於同一裝置：

$$
\mathfrak C_{\mathrm{local}},
$$

則形成 local computational space。

如果能力分布在：

- CPU；
- GPU；
- NAS；
- LAN worker；
- cloud；
- API；
- database；
- remote agent；
- specialized machine；

則系統為：

$$
\mathfrak C_{\mathrm{federated}}.
$$

對 caller 而言，只要 address contract 保持：

$$
1_i\rightarrow X_i
$$

可能看起來完全相同。

因此：

$$
\boxed{
\text{Locality of Interface}
\neq
\text{Locality of Computation}.
}
$$

這是未來超連接計算的關鍵。

---

# 16. 從「電腦速度」轉向「狀態轉換能力」

傳統性能比較常問：

- clock；
- IPC；
- FLOPS；
- memory bandwidth；
- latency。

這些仍然重要。

但若研究整體計算空間，還應詢問：

$$
\boxed{
\text{一個系統能從哪些狀態，
以哪些合法方式，
在什麼成本下，
抵達哪些其他狀態？}
}
$$

因此可定義：

$$
\operatorname{Reach}_B(\Sigma)
=
\{
\Sigma'
:
\Sigma
\xRightarrow[\leq B]{}
\Sigma'
\}.
$$

其中 $B$ 是資源向量。

兩台電腦即使在可計算性意義上等價：

$$
\mathcal C_1
\sim
\mathcal C_2,
$$

仍可能有：

$$
\boxed{
\operatorname{Reach}_B(\mathcal C_1)
\ll
\operatorname{Reach}_B(\mathcal C_2).
}
$$

這就是「理論上能算」與「當前狀態下有效可達」的差異。

---

# 17. 計算機的歷史也屬於計算空間

現代電腦之所以能用：

```text
fft(x)
```

不是因為這幾個字元本身具有傅立葉分析能力。

它依賴此前的：

- 數學；
- 演算法；
- compiler；
- library；
- instruction set；
- hardware；
- software engineering；
- accumulated testing。

因此一個短 address：

$$
1_i
$$

可能承載巨大的歷史。

所以：

$$
\boxed{
\mathcal H_t
}
$$

不應被完全排除在計算能力描述之外。

這不表示經典 complexity analysis 必須把人類文明史全部加進 runtime。

而是說：

> 在研究「實際計算存在如何獲得能力」時，歷史成本與當前 online cost 必須被區分。

---

# 18. Dynamic MSSP：連 What 本身都會變

如果系統能力永遠固定，則：

$$
\mathcal A_t
=
\mathcal A_{t+1}.
$$

但現代 AI-native system 並非如此。

新的：

- algorithm；
- tool；
- API；
- model；
- hardware；
- representation；
- capability

可以被加入。

因此：

$$
\boxed{
\mathcal A_t
\neq
\mathcal A_{t+1}.
}
$$

更進一步：

$$
\text{What}_t
\neq
\text{What}_{t+1}.
$$

這表示：

> 計算機不只在既有狀態空間內移動；它甚至可以改寫自己的可用轉換空間。

因此：

$$
\boxed{
\text{Computer}
}
$$

不是靜態名詞，而可以是一條 trajectory：

$$
\mathfrak C_0
\rightarrow
\mathfrak C_1
\rightarrow
\mathfrak C_2
\rightarrow
\cdots
$$

---

# 19. 第一個核心命題：可定址展開命題

本文提出：

## Addressable Expansion Proposition

對某些計算系統，存在一個最小可定址入口 $1_i$，使：

$$
\boxed{
1_i
\xrightarrow{\Phi_i}
X_i
}
$$

且：

$$
\operatorname{DescriptionCost}(1_i)
\ll
\operatorname{ExplicitStateSize}(X_i).
$$

此命題不代表：

$$
C(\Phi_i)=O(1).
$$

它只表示：

$$
\boxed{
\text{短描述可以調用大轉換。}
}
$$

---

# 20. 第二個核心命題：路徑壓縮命題

若原狀態路徑為：

$$
x_0
\rightarrow
x_1
\rightarrow
\cdots
\rightarrow
x_n,
$$

且存在 macro-transition：

$$
\Phi:
x_0\rightarrow x_n,
$$

則在 macro-level graph 中：

$$
d_{\Phi}(x_0,x_n)
<
d_{\mathrm{primitive}}(x_0,x_n).
$$

因此：

$$
\boxed{
\text{Computational Path Length}
}
$$

具有 representation dependence。

換句話說：

> 同一底層過程，在不同計算抽象層中可以具有不同的有效路徑長度。

---

# 21. 第三個核心命題：能力空間非固定命題

存在系統使：

$$
\boxed{
\mathcal A_t
\subsetneq
\mathcal A_{t+1}.
}
$$

因此：

$$
\boxed{
\operatorname{Reach}_B(\Sigma_t)
\neq
\operatorname{Reach}_B(\Sigma_{t+1}).
}
$$

即使物理硬體完全沒有更換，也可能因：

- 新演算法；
- 新索引；
- 新模型；
- 新 API；
- 新表示；
- 新外部連接

而增加有效可達空間。

---

# 22. 第四個核心命題：介面局部性與計算全域性分離

存在：

$$
1_i
$$

使 caller 僅執行：

$$
O(1)
$$

次 interface action，

但 provider 執行成本為：

$$
C_{\mathrm{provider}}(n).
$$

因此：

$$
\boxed{
O(1)_{\mathrm{interface}}
\not\Rightarrow
O(1)_{\mathrm{global}}.
}
$$

這個命題將直接導向後續 Complexity Displacement。

---

# 23. 與經典計算理論的關係

本文不主張取代：

- Turing machine；
- RAM model；
- circuit complexity；
- communication complexity；
- distributed computing；
- oracle computation；
- complexity theory。

相反，本文的定位是：

$$
\boxed{
\text{higher-level computational ontology / architecture layer}.
}
$$

經典模型常刻意固定：

- machine；
- instruction；
- input encoding；
- cost model。

這是其理論力量來源。

本文則有意重新打開：

- machine；
- state space；
- available operator；
- connection；
- provider；
- representation；
- history

等維度。

因此兩者回答不同問題。

---

# 24. 與 P/NP 的關係：本篇暫不越界

如果某個巨大 NP 問題的所有答案被預先寫入 database：

$$
x
\rightarrow
\operatorname{lookup}(x)
\rightarrow
y,
$$

那 query 可能近似：

$$
O(1).
$$

這並不構成：

$$
P=NP
$$

的證明。

因為：

$$
\boxed{
\text{Lookup Complexity}
\neq
\text{Construction Complexity}.
}
$$

本文只建立後續研究所需的底層語言：

$$
\boxed{
\text{誰算？}
+
\text{在哪裡算？}
+
\text{哪一段已經變成空間結構？}
+
\text{哪一段仍然需要時間展開？}
}
$$

正式 $P/NP$ 問題將留待本系列後段處理。

---

# 25. 可反駁條件

本文理論不應因名稱宏大而免於反駁。

至少存在以下失敗條件。

第一，如果：

$$
1\rightarrow X
$$

完全可以被現有普通 function-call abstraction 無損涵蓋，且加入 addressable state-transition space 不產生新的可測量、可推導或可工程化區分，那麼本文只是重新命名。

第二，如果 $\kappa_1,\kappa_2$ 無法形成任何穩定、可比較或任務相對的能力度量，它們只能保留作啟發式語言。

第三，如果所有宏觀路徑壓縮最後都必須展開成完全相同的 primitive sequence，且沒有任何 cache、hardware、parallelism、external provider、precomputation 或 spatial structure 可以改變有效成本，則本文對現實計算能力的增量解釋力會大幅下降。

第四，若可定址能力的增加不能改變：

$$
\operatorname{Reach}_B,
$$

則「能力空間增長」命題失效。

---

# 26. 研究議程

下一階段至少需要完成：

1. $1$ 的嚴格層級相對定義；
2. $X$ 的狀態域與計算域區分；
3. macro-transition 與 primitive transition 的 formal relation；
4. $\kappa_1$ 的任務相對定義；
5. $\kappa_2$ 的 coverage metric；
6. local / federated / external computational space；
7. interface complexity 與 lifecycle complexity 分離；
8. provider boundary；
9. history / preprocessing accounting；
10. Hyperconnected Computation graph model；
11. 與 GCM computational configuration space 的正式接口；
12. 與 PCMT machine registry 的接口；
13. 與 MSSP–RDR capability registry 的實作接口。

---

# 27. 系列中的位置

本文是整個系列的底層本體論。

後續：

## Paper 02

將正式處理：

$$
\boxed{
1\rightarrow X,
\quad
X\rightarrow1,
\quad
X\rightarrow X
}
$$

的符號、地址、展開、壓縮與狀態翻轉理論。

## Paper 03

將把：

- 無限維奧賽羅；
- PCMT；
- MSSP–RDR；
- Dynamic MSSP

統一成：

# Hyperconnected Computation

## Paper 04–06

轉向：

# Complexity Displacement

研究複雜度如何從：

$$
\text{time path}
$$

移動到：

$$
\text{space}
+
\text{connection}
+
\text{history}
+
\text{provider}.
$$

## Paper 07–08

再正式進入：

$$
P/NP
$$

與：

# Agentic P/NP

---

# 28. 結論

本文提出一個簡單但具有廣泛後果的重新定位：

$$
\boxed{
\text{Computer}
\neq
\text{Processor}.
}
$$

一個更一般的候選定義是：

$$
\boxed{
\text{Computer}
=
\text{Addressable State-Transition Space}.
}
$$

其核心能力可以從兩個方向理解：

$$
\boxed{
\kappa_1
=
\text{一個地址能展開多大的計算能力},
}
$$

以及：

$$
\boxed{
\kappa_2
=
\text{有多少有效狀態轉換已被變成可直接定址能力}.
}
$$

因此，計算技術的歷史不只是：

$$
\text{more operations per second}.
$$

它同時也是：

$$
\boxed{
\text{long transition}
\rightarrow
\text{macro transition}
\rightarrow
\text{addressable transition}.
}
$$

換句話說：

$$
\boxed{
\text{我們不只是在讓機器算得更快；
我們也一直在把原本必須重新走過的計算路徑，
變成可以直接被呼叫的狀態通道。}
}
$$

而當這個方向被推向極限時，計算機將不再主要表現為一個依序執行指令的裝置。

它會更像：

$$
\boxed{
\text{一個由大量可定址狀態、
宏觀轉換、外部能力與動態連接構成的計算空間。}
}
$$

這正是下一篇《從 $1$ 到 $X$：符號、地址、展開與狀態翻轉計算》要正式處理的問題。

---

## 內部理論血統

1. Neo.K，《無限維奧賽羅與特徵共振：從 $O(n)$ 到 $O(0)$ 的計算範式革命》。
2. Neo.K，《物理化無限維奧賽羅：完整實現路徑》。
3. Neo.K、Theia、Aletheia，《計算的二十四重範式》v4.0。
4. Neo.K、Aletheia，《從二十四重計算形態學到七十二格計算動力學》v0.1。
5. Neo.K × GPT-5.6 Thinking，《相位計算機理論》v0.1。
6. Neo.K × GPT-5.6 Thinking，《相位本體分類論》v0.1。
7. Neo.K × GPT-5.6 Thinking，《相位機器型別系統與能力登錄標準》v0.1。
8. Neo.K × GPT-5.6 Thinking，《元相位選擇器》v0.1。
9. Neo.K × GPT-5.6 Thinking，《二十四計算範式 × PCMT × GIPE 映射論》v0.1。
10. Neo.K × GPT-5.6 Thinking，《七十二格計算動力學 × PCMT × GIPE 總整合》v0.1。
11. Neo.K，《MSSP × RDR Runtime Architecture》。
12. Neo.K，《從靜態 MSSP 到動態 MSSP：讓架構角色成為可觀察狀態》。
13. Neo.K，《空間狀態論：異質底空間、嵌套尺度與空間改寫算子的統一方法論》。
14. Neo.K，《Global Computation Methodology》Series。
15. Neo.K，《Mathematical World Theory》Series。