# 世界知識擴張與自適應表示空間 ## ——從節點數量增長到有效結構化資訊的能力擴張 **Series:** Adaptive Epistemic Systems Series **Paper:** 4 / 11 **Version:** v0.1 **Language:** zh-TW **Status:** Complete Draft / Canonical UTF-8 Source --- ## 摘要 當一個自適應智能系統希望提升輸入辨識、世界理解、推理與輸出能力時，最直接的直覺是增加更多知識、更多節點與更多資料。然而，節點數量增加本身並不等同於能力增加。若新節點彼此孤立、重複、缺乏來源、缺少抽象層級或無法與既有狀態形成有效關係，系統得到的可能只是規模更大的資訊堆積，而不是更強的世界模型。 本文提出「有效結構化資訊」作為世界知識擴張的核心尺度，將能力增長拆解為表示擴張、關係擴張、抽象壓縮、橋接連通、結構重組與世界覆蓋六個維度。本文進一步提出節點 split、merge、delete、abstract 與 bridge 操作，使圖結構能隨世界資料與任務需求持續重構，而非單向增加。系統不只被允許吸收新事實，也能發現既有表示不足、建立新概念、合併近似概念、淘汰無效節點與形成跨域橋接節點。 本文同時指出，輸入能力與輸出能力受內部表示空間上限約束。系統若不能區分兩種世界狀態，就無法穩定產生對應的精細輸出；反之，增加有效表示維度與關係結構，可提升世界辨識度與可組合推理空間。但這種能力提升具有非線性：某些單一橋接節點可能連接兩個原本分離的大型子圖，其價值遠高於大量孤立節點。 本文最終提出一個能力增長框架： $$ \text{Capability Growth} = \text{Representation Expansion} + \text{Relational Expansion} + \text{Abstraction} + \text{Bridge Formation} + \text{Adaptive Reorganization} + \text{World Assimilation} $$ 並提出一組可驗證命題，用以區分「資料量變大」與「世界模型實際變強」。 **關鍵詞：** 世界知識擴張、自適應表示空間、有效結構化資訊、圖重構、橋接節點、抽象、節點分裂、節點合併、能力擴張、世界模型 --- ## 1. 問題：更多節點真的代表更強嗎？ 假設一個系統的知識圖具有： $$ |V_t|=N $$ 個節點。 最直觀的能力擴張方式是： $$ |V_{t+1}|>|V_t| $$ 。 但這只能說明： $$ \text{stored objects}\uparrow $$ 不能直接推出： $$ \text{capability}\uparrow $$ 。 例如新增： $$ 10^6 $$ 個彼此孤立、重複或無法被查詢利用的節點，可能對實際能力幾乎沒有貢獻。 因此： $$ \boxed{ |V|\uparrow \not\Rightarrow \mathcal{C}\uparrow } $$ 其中： $$ \mathcal{C} $$ 表示系統能力。 真正的問題不是： > 系統知道多少筆資料？ 而是： > 系統能表示多少不同世界狀態，能形成多少有效關係，又能否在需要時正確喚醒、組合與重構這些表示？ --- ## 2. 從節點數量到有效結構化資訊 定義： $$ K_{\mathrm{eff}} $$ 為有效結構化資訊量。 可粗略寫成： $$ K_{\mathrm{eff}} = f \left( |V|, |E|, Q_V, Q_E, H, B, A, R \right) $$ 其中： $$ Q_V $$ 為節點品質； $$ Q_E $$ 為關係品質； $$ H $$ 為階層與抽象深度； $$ B $$ 為橋接連通能力； $$ A $$ 為可操作性； $$ R $$ 為檢索與喚醒能力。 因此： $$ \boxed{ \mathcal{C} \propto K_{\mathrm{eff}} } $$ 比： $$ \mathcal{C} \propto |V| $$ 更合理。 --- ## 3. 表示空間決定輸入辨識上限 假設真實世界包含： $$ X = \{ x_1, x_2, x_3, x_4 \} $$ 而系統內部只有： $$ V = \{ v_A, v_B \} $$ 。 若映射： $$ \phi(x_1)=v_A $$ $$ \phi(x_2)=v_A $$ $$ \phi(x_3)=v_B $$ $$ \phi(x_4)=v_B $$ 則系統根本無法表示： $$ x_1\neq x_2 $$ 與： $$ x_3\neq x_4 $$ 。 因此： $$ \boxed{ \text{input discrimination} \le \text{internal representational resolution} } $$ 。 若新增更細粒度節點： $$ V' = \{ v_{A1}, v_{A2}, v_{B1}, v_{B2} \} $$ 則： $$ \phi'(x_i) $$ 可以提供更高辨識度。 這不是單純儲存更多資料，而是增加系統可區分的世界狀態數量。 --- ## 4. 輸出能力也受內部表示上限約束 如果系統只能表示： $$ \text{hot} $$ 與： $$ \text{cold} $$ 那麼無論文字 renderer 多強，穩定輸出也很難超越這個內部解析度。 若系統新增： $$ temperature $$ $$ humidity $$ $$ trend $$ $$ location $$ $$ uncertainty $$ 等狀態，則可形成更細緻的： $$ Z_q $$ 並輸出更精細描述。 因此： $$ \boxed{ \text{output semantic richness} \le \text{internal representational richness} } $$ 。 語言模組可以改變表達品質，但無法可靠創造 canonical state 根本不存在的知識結構。 --- ## 5. 新增節點不是唯一學習形式 學習至少包含： $$ \Delta V $$ 新增節點； $$ \Delta E $$ 新增關係； $$ \Delta W $$ 修改關係強度； $$ \Delta Z $$ 修改符號結構； $$ \Delta H $$ 修改抽象階層。 因此： $$ \boxed{ Learn = \{ \Delta V, \Delta E, \Delta W, \Delta Z, \Delta H \} } $$ 。 如果只有： $$ \Delta V>0 $$ 而其他全部近似： $$ 0 $$ 那很可能只是資料累積。 --- ## 6. 節點分裂：一個概念不夠用了 假設節點： $$ v_i $$ 承載的觀測逐漸出現兩個明顯群集： $$ D_1 $$ 與： $$ D_2 $$ 且： $$ Distance(D_1,D_2)>\theta_{\mathrm{split}} $$ 則原本的表示： $$ v_i $$ 可能過度粗糙。 系統可執行： $$ Split(v_i) \rightarrow \{ v_{i1}, v_{i2} \} $$ 。 例如原本只有： $$ Vehicle $$ 後來發現需要區分： $$ Vehicle_{\mathrm{land}} $$ 與： $$ Vehicle_{\mathrm{air}} $$ 。 這表示系統不是被動接受 ontology，而能根據世界資料修改概念邊界。 --- ## 7. 節點合併：不同名字可能是同一結構 相反地，若： $$ D(v_i,v_j)<\epsilon $$ 且兩者： $$ Relations(v_i) \approx Relations(v_j) $$ $$ Semantics(v_i) \approx Semantics(v_j) $$ 則可考慮： $$ Merge(v_i,v_j) \rightarrow v_k $$ 。 但合併不能只依名稱相似。 必須考慮： $$ \text{semantic equivalence} $$ $$ \text{context equivalence} $$ $$ \text{temporal equivalence} $$ 與： $$ \text{provenance} $$ 。 否則可能把： $$ Bank_{\mathrm{finance}} $$ 與： $$ Bank_{\mathrm{river}} $$ 錯誤合併。 --- ## 8. 節點刪除：知識系統必須會忘記 若系統永遠： $$ V_{t+1}=V_t+\Delta V $$ 則： $$ |V_t|\rightarrow\infty $$ 。 這會帶來： $$ \text{retrieval cost}\uparrow $$ $$ \text{duplication}\uparrow $$ $$ \text{noise}\uparrow $$ 以及： $$ \text{conflict surface}\uparrow $$ 。 因此需要： $$ Delete(v_i) $$ 或更保守的： $$ Archive(v_i) $$ 。 刪除條件可能包含： $$ Usage(v_i)<\theta_u $$ $$ Confidence(v_i)<\theta_c $$ $$ Redundancy(v_i)>\theta_r $$ $$ Obsolete(v_i)=True $$ 。 因此： $$ \boxed{ \text{learning requires forgetting} } $$ 。 --- ## 9. 抽象：把多個具體狀態壓縮成高階節點 若多個節點共享結構： $$ \{v_1,\ldots,v_n\} $$ 系統可以建立： $$ v_A = Abstract(v_1,\ldots,v_n) $$ 。 例如： $$ sparrow $$ $$ eagle $$ $$ crow $$ 可被更高階節點： $$ bird $$ 統攝。 抽象不只是分類。 它還能降低推理成本。 若規則： $$ R(bird) $$ 適用於大量子節點，則不必對每個具體節點重新保存同一規則。 因此： $$ \text{abstraction} \rightarrow \text{compression} + \text{generalization} $$ 。 --- ## 10. 階層不是固定樹 真實世界概念通常不是單一樹狀結構。 一個節點可以同時屬於： $$ Category_A $$ 與： $$ Category_B $$ 。 因此更一般的抽象結構是： $$ H = (V_H,E_H) $$ 其中： $$ E_H $$ 可以表示： $$ is\_a $$ $$ part\_of $$ $$ instance\_of $$ $$ functional\_role $$ 等不同抽象關係。 所以： $$ \boxed{ \text{abstraction hierarchy} \neq \text{single taxonomy tree} } $$ 。 --- ## 11. 橋接節點：非線性能力提升的來源 假設有兩個大型子圖： $$ G_A $$ 與： $$ G_B $$ 原本： $$ E(G_A,G_B)\approx0 $$ 。 新增一個橋接節點： $$ v_b $$ 使： $$ G_A \rightarrow v_b \rightarrow G_B $$ 。 這個單一節點可能創造大量新的組合路徑。 因此其能力貢獻： $$ \Delta\mathcal{C}(v_b) $$ 可能遠大於大量孤立節點： $$ \sum_{i=1}^{n} \Delta\mathcal{C}(v_i^{\mathrm{isolated}}) $$ 。 這是一個重要的非線性： $$ \boxed{ \text{one bridge can be worth more than many isolated facts} } $$ 。 --- ## 12. 關係密度不是越高越好 另一方面，若所有節點彼此大量連接： $$ |E| \rightarrow O(|V|^2) $$ 系統可能陷入： $$ \text{retrieval explosion} $$ $$ \text{propagation explosion} $$ 與： $$ \text{false association} $$ 。 因此能力不是： $$ |E|\uparrow $$ 越多越好。 更合理的是： $$ Q_E $$ 即關係品質。 可以定義有效邊集合： $$ E_{\mathrm{eff}} = \{ e_{ij} \mid Confidence(e_{ij})>\theta_c \land Usefulness(e_{ij})>\theta_u \} $$ 。 真正重要的是： $$ |E_{\mathrm{eff}}| $$ 而不是： $$ |E| $$ 。 --- ## 13. 世界知識擴張必須包含來源與時間 新增節點： $$ v_{\mathrm{new}} $$ 若沒有： $$ Source(v_{\mathrm{new}}) $$ $$ ObservedTime(v_{\mathrm{new}}) $$ $$ ValidTime(v_{\mathrm{new}}) $$ 則它很難進入前兩篇所建立的新鮮度與張力系統。 因此有效新節點至少應滿足： $$ v_{\mathrm{new}} = ( content, type, source, time, confidence, freshness ) $$ 。 這使新增知識可以被後續重新驗證，而不是成為永久不可追溯資料。 --- ## 14. 系統可以從不可解釋殘差中創造新節點 假設新觀測： $$ O_t $$ 無法被現有節點良好解釋： $$ \max_i P(O_t\mid v_i) < \theta $$ 。 這表示： $$ \text{representation gap} $$ 存在。 若類似殘差反覆出現： $$ \{ O_{t_1}, O_{t_2}, \ldots, O_{t_n} \} $$ 且形成穩定模式，系統可以： $$ v_{\mathrm{new}} = Abstract \left( O_{t_1}, \ldots, O_{t_n} \right) $$ 。 這使世界 ontology 不再完全由外部人工預先給定。 --- ## 15. 但新節點必須先以候選狀態存在 新抽象不能直接： $$ Candidate \rightarrow Canonical $$ 。 更安全的是： $$ CandidateNode \rightarrow Test \rightarrow Validate \rightarrow Promote $$ 。 因此： $$ status(v_i) \in \{ candidate, experimental, validated, canonical, deprecated \} $$ 。 這與第三篇的： $$ Candidate \rightarrow Validate \rightarrow Commit $$ 保持一致。 --- ## 16. 概念形成也應可撤銷 如果新節點： $$ v_n $$ 後續沒有證據支持，則可以： $$ Demote(v_n) $$ 或： $$ Delete(v_n) $$ 。 因此系統的 ontology 是： $$ \boxed{ \text{revisable} } $$ 而不是單向擴張。 這使： $$ \text{concept formation} $$ 也成為可驗證、可修正的動態過程。 --- ## 17. 表示空間本身是動態狀態 傳統狀態模型常假設： $$ X_t\in\mathcal{X} $$ 其中： $$ \mathcal{X} $$ 固定。 本文允許： $$ \mathcal{X}_{t+1} \neq \mathcal{X}_t $$ 。 因為新增、合併、分裂與刪除節點都會改變可表示空間。 因此： $$ \boxed{ \text{the state space itself evolves} } $$ 。 更一般地： $$ \mathcal{X}_{t+1} = \Psi \left( \mathcal{X}_t, O_t, Task_t \right) $$ 。 --- ## 18. 局部模型與世界模型 隨著知識量增加，系統不應每次使用整張世界圖。 定義： $$ G_q \subseteq G $$ 為任務 $$q$$ 的局部工作圖。 則： $$ G_q = Retrieve \left( G, q, T, F, I \right) $$ 。 這使世界模型與當下工作模型分離： $$ \boxed{ \text{world model} \neq \text{active working subgraph} } $$ 。 因此大規模知識擴張不必直接導致每輪計算爆炸。 --- ## 19. 局部喚醒需要抽象層級 若查詢： > 某種鳥類是否可能飛行？ 系統不一定需要展開所有具體鳥類節點。 可以先在： $$ bird $$ 抽象層處理。 只有當例外或細節重要時才下鑽到： $$ species $$ 或： $$ individual $$ 層。 因此： $$ \boxed{ \text{reason at the highest sufficient abstraction level} } $$ 是一個重要的計算壓縮原則。 --- ## 20. 抽象層級的動態選擇 對任務 $$q$$，選擇： $$ h^\ast = \arg\min_h \left[ Cost(h) + Error(h,q) \right] $$ 。 若抽象過高： $$ Error(h,q)\uparrow $$ 。 若抽象過低： $$ Cost(h)\uparrow $$ 。 因此需要在： $$ \text{precision} $$ 與： $$ \text{cost} $$ 之間取得平衡。 --- ## 21. 世界覆蓋與表示解析度是不同維度 一個系統可以涵蓋很多領域，但每個領域都很粗糙： $$ Coverage\uparrow $$ $$ Resolution\downarrow $$ 。 也可以只涵蓋少數領域，但極度精細： $$ Coverage\downarrow $$ $$ Resolution\uparrow $$ 。 因此能力應至少拆成： $$ \mathcal{C} = f \left( Coverage, Resolution, Connectivity, Abstraction, Updateability \right) $$ 。 單一「知識量」不足以描述系統能力。 --- ## 22. 世界知識吸收不是全部寫入 大量外部資訊不應全部進入 canonical state。 定義： $$ I_{\mathrm{external}} $$ 為外部資訊流。 需要經過： $$ Filter $$ $$ Deduplicate $$ $$ Resolve $$ $$ Assess $$ $$ Commit $$ 。 即： $$ I_{\mathrm{external}} \rightarrow CandidateKnowledge \rightarrow CanonicalKnowledge $$ 。 因此： $$ \boxed{ \text{world assimilation} \neq \text{world copying} } $$ 。 --- ## 23. 重複資訊也可能有價值 Deduplicate 不代表重複來源全部刪除。 若： $$ Source_1 $$ 與： $$ Source_2 $$ 獨立支持同一命題： $$ p $$ 則： $$ EvidenceCount(p) $$ 可以增加。 因此需要區分： $$ \text{duplicate semantics} $$ 與： $$ \text{duplicate evidence} $$ 。 前者可合併表示； 後者仍應保留 provenance。 --- ## 24. 跨域映射與概念橋接 很多高價值能力不是新增知識，而是發現： $$ Pattern_A \sim Pattern_B $$ 。 如果： $$ G_A $$ 與： $$ G_B $$ 原本屬於不同知識域，系統找到： $$ M: G_A \rightarrow G_B $$ 的結構映射，可能產生新的可遷移規則。 因此： $$ \boxed{ \text{cross-domain mapping} } $$ 本身應是一種高價值學習事件。 --- ## 25. 能力增長的非線性 假設新增節點： $$ v_n $$ 與既有圖形成： $$ k $$ 條有效關係。 則其貢獻可能與： $$ k $$ 以及所連接子圖大小相關。 若它連接兩個大子圖： $$ G_A $$ 與： $$ G_B $$ 則新可達路徑數可能近似增加： $$ \Delta Paths \propto |G_A| \cdot |G_B| $$ 。 因此： $$ \boxed{ \Delta\mathcal{C} \not\propto \Delta|V| } $$ 。 能力增長可能存在突變點。 --- ## 26. 結構熵與可用秩序 若圖完全無關聯： $$ E\approx\varnothing $$ 系統缺乏組合能力。 若圖完全密集： $$ E\approx V\times V $$ 則關係失去區辨度。 因此有效知識結構可能存在中間區域： $$ H_{\mathrm{structure}}^\ast $$ 使圖既有足夠連通，也保留足夠稀疏性與可辨識性。 這可被理解為： $$ \boxed{ \text{useful order lies between isolation and indiscriminate connectivity} } $$ 。 --- ## 27. 認知負載與世界模型大小 即使 canonical world graph 很大，工作記憶或 active subgraph 仍應有限。 令： $$ B_{\mathrm{active}} $$ 表示單輪活化預算。 則： $$ |V_{\mathrm{active}}| \le B_{\mathrm{active}} $$ 。 因此： $$ \text{long-term world knowledge}\uparrow $$ 不必導致： $$ \text{instantaneous cognitive load}\uparrow $$ 等比例增加。 這與前兩篇的局部喚醒原則一致。 --- ## 28. 節點價值函數 可為節點定義： $$ Value(v_i) = f \left( Usage_i, Bridge_i, InformationGain_i, PredictivePower_i, TaskRelevance_i, Cost_i \right) $$ 。 其中： $$ Bridge_i $$ 反映橋接作用； $$ InformationGain_i $$ 表示對世界區分度的提升； $$ PredictivePower_i $$ 表示對後續狀態預測的貢獻。 因此保留與刪除不再只看「多久沒用」。 --- ## 29. 表示擴張與計算成本的張力 增加有效結構通常提升能力，但也增加： $$ C_{\mathrm{storage}} $$ $$ C_{\mathrm{retrieval}} $$ $$ C_{\mathrm{validation}} $$ 與： $$ C_{\mathrm{update}} $$ 。 因此系統應優化： $$ U_{\mathrm{representation}} = \frac{ CapabilityGain }{ LifecycleCost+\varepsilon } $$ 。 新增一個節點不只問： > 它是不是新知識？ 還要問： > 它是否值得被正式維護？ --- ## 30. 知識生命週期 本文建議： $$ ExternalObservation \rightarrow Candidate \rightarrow Validated \rightarrow Canonical \rightarrow Maintained \rightarrow Deprecated \rightarrow Archived/Delete $$ 。 不同節點可以在此生命週期中反覆移動。 例如： $$ Deprecated \rightarrow Validated $$ 若舊概念重新獲得新用途。 這使世界模型具有： $$ \boxed{ \text{knowledge lifecycle semantics} } $$ 。 --- ## 31. 表示空間的自適應重組算子 定義： $$ \mathcal{R}_{\mathrm{space}} = \{ Add, Delete, Merge, Split, Abstract, Bridge, Reclassify \} $$ 。 則： $$ \mathcal{X}_{t+1} = R_t \left( \mathcal{X}_t, O_t \right) $$ 其中： $$ R_t \in \mathcal{R}_{\mathrm{space}} $$ 或其組合。 這使系統不只更新「世界內容」，也更新「如何切割世界」。 --- ## 32. 世界切割本身是一種模型假設 任意 ontology 都在做： $$ \text{world} \rightarrow \text{categories} $$ 。 因此： $$ V $$ 不是世界本身，而是系統對世界的離散化。 若： $$ Partition_1(W) \neq Partition_2(W) $$ 兩個系統即使觀察同一世界，也可能形成不同節點結構。 因此： $$ \boxed{ \text{representation is an epistemic choice} } $$ 。 這也意味著新節點生成不是中性的，它會改變後續可推理的世界。 --- ## 33. 表示錯誤 主要錯誤至少包括： ### 33.1 過度合併 $$ v_a\neq v_b $$ 卻： $$ Merge(v_a,v_b) $$ 。 ### 33.2 過度分裂 本來是一個統一概念，卻被拆成大量碎片。 ### 33.3 錯誤抽象 建立的高階節點無法保留真正共同結構。 ### 33.4 錯誤橋接 將只有表面相似的兩個子圖建立不合理連接。 ### 33.5 錯誤淘汰 刪除低頻但關鍵的基礎知識。 因此 representation update 也需要： $$ Validate $$ 。 --- ## 34. 表示變更也需要版本控制 當： $$ V_t \rightarrow V_{t+1} $$ 發生大量重組，系統需要知道： $$ v_i^{old} $$ 與： $$ v_j^{new} $$ 之間的映射。 例如： $$ Split(v_i) \rightarrow \{ v_{i1}, v_{i2} \} $$ 需要保存： $$ Lineage(v_{i1})=v_i $$ $$ Lineage(v_{i2})=v_i $$ 。 因此： $$ \boxed{ \text{ontology evolution requires provenance} } $$ 。 --- ## 35. 對輸入能力的直接預測 若有效表示空間增加： $$ K_{\mathrm{eff}}\uparrow $$ 則對具有足夠差異性的輸入集合： $$ X $$ 應觀察： $$ DiscriminationAccuracy\uparrow $$ 。 但如果只是增加無用節點： $$ |V|\uparrow $$ 而： $$ K_{\mathrm{eff}}\approx constant $$ 則輸入辨識不應有顯著提升。 --- ## 36. 對輸出能力的直接預測 若 canonical state 增加真正可用的： $$ Concepts $$ $$ Relations $$ $$ Abstractions $$ 則在要求細緻解釋的任務中： $$ SemanticCoverage\uparrow $$ 與： $$ Consistency\uparrow $$ 應可被觀察。 但若只增加 raw text memory： $$ SemanticCoverage $$ 未必同步提高。 --- ## 37. 對推理能力的直接預測 若橋接節點形成： $$ G_A \leftrightarrow G_B $$ 則跨域問題： $$ Q_{A\rightarrow B} $$ 的成功率應高於橋接前。 因此： $$ Performance_{\mathrm{after\ bridge}} > Performance_{\mathrm{before\ bridge}} $$ 應在特定跨域任務成立。 --- ## 38. 與純資料擴張基線的比較 可比較： $$ System_A $$ 只增加 raw data； 與： $$ System_B $$ 增加同量資料，但執行： $$ Deduplicate + Resolve + Relate + Abstract + Bridge $$ 。 若本文主張成立，則在相同原始資料量下： $$ Capability(System_B) > Capability(System_A) $$ 。 --- ## 39. 可驗證命題 ### 命題一：節點數量非充分條件 存在： $$ G_1,G_2 $$ 使： $$ |V_1|>|V_2| $$ 但： $$ Capability(G_1) 每次遇到任務，都要重新建立求解方法嗎？ 如果答案是肯定的，系統會浪費大量計算。 因此下一篇將引入： $$ \text{memory} $$ $$ \text{algorithm library} $$ $$ \text{past solution paths} $$ 並正式建立： $$ Reuse \succ Adapt \succ Create $$ 的能力累積機制。 --- ## 46. 結論 世界知識擴張不能被簡化成： $$ |V|\uparrow $$ 。 如果新增節點缺乏關係、抽象、來源、更新機制與可操作性，系統得到的只是更大的資料庫。 真正有意義的能力擴張需要： $$ K_{\mathrm{eff}}\uparrow $$ 也就是： $$ \boxed{ \text{effective structured information} } $$ 增加。 因此，系統不應只學會「增加」，還要學會： $$ Add $$ $$ Delete $$ $$ Merge $$ $$ Split $$ $$ Abstract $$ $$ Bridge $$ $$ Reclassify $$ 。 這些操作共同改變： $$ \mathcal{X}_t $$ 本身，使： $$ \mathcal{X}_{t+1} \neq \mathcal{X}_t $$ 。 換句話說，系統不只是在固定表示空間裡更新世界，而是在持續重新決定： $$ \boxed{ \text{世界應該如何被切割、連接與理解} } $$ 。 這使自適應世界模型真正跨越： $$ \text{knowledge accumulation} $$ 走向： $$ \text{representation evolution} $$ 。 而這一步也是後續記憶、算法重用與外部系統調用的必要基礎。因為只有當系統能建立穩定、可尋址、可比較、可重構的世界與能力節點，過去的求解方法才可能被真正重用，而不是每次重新生成。 --- ## 附錄 A：表示空間重構算子 $$ \mathcal{R}_{\mathrm{space}} = \{ Add, Delete, Merge, Split, Abstract, Bridge, Reclassify \} $$ 。 最小更新： $$ \mathcal{X}_{t+1} = R_t \left( \mathcal{X}_t, O_t \right) $$ 其中： $$ R_t \in \mathcal{R}_{\mathrm{space}}^\ast $$ 表示可由多個重構算子組合。 --- ## 附錄 B：最小節點價值函數 $$ Value(v_i) = \alpha Usage_i + \beta Bridge_i + \gamma InformationGain_i + \delta PredictivePower_i + \epsilon TaskRelevance_i - \zeta LifecycleCost_i $$ 。 此函數可用於： $$ Keep $$ $$ Archive $$ $$ Delete $$ 與： $$ Promote $$ 決策。 --- ## 附錄 C：有效結構化資訊的最小近似 一個可供實驗使用的簡化定義： $$ K_{\mathrm{eff}} = \sum_{v_i\in V} q_i + \lambda \sum_{e_{ij}\in E} q_{ij} + \mu \sum_{b_k\in B} BridgeValue(b_k) + \nu \sum_{a_l\in A} AbstractionValue(a_l) $$ 其中： $$ q_i $$ 表示節點品質； $$ q_{ij} $$ 表示關係品質； $$ BridgeValue $$ 表示跨子圖連接價值； $$ AbstractionValue $$ 表示壓縮與泛化價值。 此式不是唯一正式定義，而是一個用來與： $$ |V| $$ 及： $$ |E| $$ 單純規模指標比較的起始模型。