# 從動態圖到可執行符號系統 ## ——自然語言作為世界狀態的 Rendering，而非 Canonical State **Series:** Adaptive Epistemic Systems Series **Paper:** 3 / 11 **Version:** v0.1 **Language:** zh-TW **Status:** Complete Draft / Canonical UTF-8 Source --- ## 摘要 若一個自適應世界狀態系統只能保存節點、關係、可信度、新鮮度與更新張力，卻無法將其轉換成可操作、可計算、可交換與可表達的形式，那麼它仍然只是一個動態狀態庫，而不是完整的可執行智能架構。本文在前兩篇所提出的非對稱時空張力與動態新鮮度模型之上，引入一個可執行符號層，將世界狀態、命題、規則、事件、算法、外部系統與輸出表達統一映射為具有明確語義與操作規則的 canonical symbolic state。 本文核心主張是：自然語言不應被直接等同於系統內部的 canonical state。文字可以作為輸入，也可以作為輸出，但在內部應經過解析、正規化、語義綁定與來源標記，轉換為可比較、可驗證、可更新的符號結構。反之，最終文字輸出則應由內部符號狀態經 rendering 生成，而不是讓文字本身承擔所有推理、記憶與狀態一致性責任。 本文提出四層結構：世界狀態層、canonical 符號層、可執行操作層與 rendering 層；並進一步定義符號型別、命題結構、規則、操作契約、輸入正規化、輸出投影、自我生成內容的來源隔離與 round-trip consistency。本文同時分析自然語言作為內部主狀態所造成的歧義、同義異構、上下文依賴與自我污染問題，並提出將自然語言視為介面而非本體的架構原則。 在此框架下，文字、表格、程式碼、圖結構、數值、指令與外部動作都只是同一 canonical state 的不同輸出投影。由此，系統不再被限定為「文字生成器」，而成為一個可從多種輸入映射到統一內部狀態，再經計算與驗證後映射到多種輸出介面的自適應符號計算系統。 **關鍵詞：** canonical state、符號系統、自然語言 rendering、可執行語義、狀態正規化、輸入解析、輸出投影、來源隔離、round-trip consistency、自適應智能系統 --- ## 1. 問題：世界狀態如何變成可計算的東西？ 前兩篇建立了： $$ \mathcal{G}_t $$ 作為動態世界狀態圖，並為節點配置： $$ S_i, F_i, T_i, I_i, C_i $$ 等屬性。 但若系統只知道： $$ v_i $$ 存在，卻不知道如何把： $$ v_i $$ 轉換成可執行命題、條件、規則、查詢或輸出，那麼它仍缺少一個關鍵中介。 因此需要： $$ \boxed{ \text{World State} \rightarrow \text{Symbolic State} \rightarrow \text{Executable Operation} } $$ 。 令： $$ Z_t $$ 表示時間 $$t$$ 的 canonical symbolic state。 則完整系統不再只有： $$ \mathcal{G}_t $$ 而是： $$ \mathfrak{S}_t = \left( \mathcal{G}_t, Z_t \right) $$ 。 其中： $$ \mathcal{G}_t $$ 描述「世界目前如何被系統表示」； $$ Z_t $$ 描述「這些狀態如何被正式編碼、引用、計算與交換」。 --- ## 2. 為什麼自然語言不能直接當 canonical state？ 自然語言非常適合人類溝通，但不適合單獨承擔內部 canonical state。 原因至少有四個。 ### 2.1 同義異構 不同句子可能表達近似相同內容： $$ T_1\neq T_2 $$ 但： $$ Meaning(T_1)\approx Meaning(T_2) $$ 。 例如： > A 導致 B。 與： > B 是由 A 所造成。 文字不同，但核心關係接近： $$ CAUSE(A,B) $$ 。 若內部直接保存文字，系統可能建立兩筆重複知識。 --- ### 2.2 同形異義 相同文字在不同上下文可能代表不同內容： $$ T_1=T_2 $$ 但： $$ Meaning(T_1\mid C_1) \neq Meaning(T_2\mid C_2) $$ 。 因此字串相等不能被當成語義相等。 --- ### 2.3 省略與隱含 自然語言大量依賴省略： > 他昨天改了。 系統必須知道： $$ Who(\text{他}) $$ $$ What(\text{改了}) $$ $$ When(\text{昨天}) $$ 才能形成可驗證狀態。 文字本身不足以提供完整 canonical semantics。 --- ### 2.4 修辭與非字面語義 自然語言可能包含： $$ \text{metaphor}, \text{irony}, \text{hyperbole}, \text{fiction}, \text{quotation} $$ 。 若所有文字都被直接寫入世界狀態，系統會把： > 世界末日了。 與： $$ WORLD\_END=True $$ 混為一談。 因此： $$ \boxed{ \text{text} \neq \text{canonical world state} } $$ 。 --- ## 3. 四層架構 本文提出四層： $$ \boxed{ W \rightarrow Z \rightarrow E \rightarrow R } $$ 其中： $$ W $$ 為 world-state layer； $$ Z $$ 為 canonical symbolic layer； $$ E $$ 為 executable operation layer； $$ R $$ 為 rendering layer。 完整形式可寫成： $$ \mathfrak{S} = ( W, Z, E, R ) $$ 。 ### 3.1 世界狀態層 保存： $$ \mathcal{G}_t = ( V_t, E_t, W_t, X_t, B_t, S_t, T_t, \Lambda_t, I_t ) $$ 。 ### 3.2 Canonical 符號層 保存可比較、可引用、可驗證的正式語義： $$ Z_t = \{ z_1, z_2, \ldots, z_n \} $$ 。 ### 3.3 可執行操作層 提供： $$ \mathcal{O} = \{ op_1, op_2, \ldots, op_m \} $$ 使符號狀態可以被變換。 ### 3.4 Rendering 層 將 canonical state 投影成： $$ \text{text}, \text{table}, \text{code}, \text{graph}, \text{number}, \text{command}, \text{action} $$ 。 --- ## 4. Canonical Symbolic State 的最小形式 一個 canonical symbol 可以寫成： $$ z_i = ( id_i, type_i, value_i, args_i, context_i, source_i, confidence_i, time_i, status_i ) $$ 其中： $$ id_i $$ 是穩定識別碼； $$ type_i $$ 是型別； $$ value_i $$ 是核心值； $$ args_i $$ 是參數； $$ context_i $$ 是上下文； $$ source_i $$ 是來源； $$ confidence_i $$ 是可信度； $$ time_i $$ 是時間狀態； $$ status_i $$ 表示 active、deprecated、hypothesis、verified 等狀態。 這樣同一個概念即使有不同自然語言表述，也可以指向同一個： $$ id_i $$ 。 --- ## 5. 符號型別 為避免所有節點都只是無型別字串，可以至少定義： $$ \Sigma = \{ \Sigma_{\mathrm{entity}}, \Sigma_{\mathrm{relation}}, \Sigma_{\mathrm{event}}, \Sigma_{\mathrm{predicate}}, \Sigma_{\mathrm{rule}}, \Sigma_{\mathrm{quantity}}, \Sigma_{\mathrm{hypothesis}}, \Sigma_{\mathrm{algorithm}}, \Sigma_{\mathrm{system}} \} $$ 。 例如： $$ Person(Neo) $$ 可以是一個 entity； $$ CAUSE(A,B) $$ 是一個 relation； $$ Event(ChangeLaw,t) $$ 是一個 event； $$ IF(A)\rightarrow B $$ 是一個 rule； $$ Price(X,t)=100 $$ 是一個 quantity。 不同型別允許不同更新與驗證規則。 --- ## 6. 命題層 一個命題可表示為： $$ p = Predicate(a_1,\ldots,a_n) $$ 。 例如： $$ CEO(CompanyX,PersonY,t) $$ 。 這類命題可以附加： $$ Confidence(p) $$ $$ Freshness(p) $$ $$ Source(p) $$ $$ ValidTime(p) $$ 。 因此，系統不只保存： > PersonY 是 CompanyX 的 CEO。 而是保存： $$ p = CEO(CompanyX,PersonY,t) $$ 以及與其有效性相關的狀態。 --- ## 7. 事件層 世界變化通常由事件驅動。 定義： $$ e = Event( type, participants, time, location, effects ) $$ 。 例如： $$ e_1 = Event( Appointment, CompanyX, PersonY, t_1 ) $$ 。 事件經過規則可以產生狀態更新： $$ e_1 \Rightarrow CEO(CompanyX,PersonY,t\ge t_1) $$ 。 因此： $$ \text{event} $$ 與： $$ \text{state} $$ 必須區分。 事件是變化發生； 狀態是變化後世界如何被表示。 --- ## 8. 規則層 可執行符號系統需要規則。 定義： $$ r_i: Pre_i \rightarrow Post_i $$ 。 例如： $$ IF\; Appointment(c,p,t) \land ValidAppointment(c,p) $$ 則： $$ CEO(c,p,t^+) $$ 。 規則還可以加入： $$ Invariant_i $$ 與： $$ Failure_i $$ 。 因此完整規則可寫成： $$ r_i = ( Pre_i, Transform_i, Post_i, Invariant_i, Failure_i ) $$ 。 這使規則不只是文字敘述，而是正式可執行結構。 --- ## 9. 輸入不是直接寫入世界 定義輸入： $$ I_t $$ 。 無論輸入來自： $$ I_{\mathrm{text}}, I_{\mathrm{number}}, I_{\mathrm{image}}, I_{\mathrm{sensor}}, I_{\mathrm{system}} $$ 都不應直接寫入 canonical world state。 而應先經過： $$ Parse $$ $$ Normalize $$ $$ Resolve $$ $$ Validate $$ 。 即： $$ I_t \rightarrow P_t \rightarrow N_t \rightarrow R_t \rightarrow V_t \rightarrow Z_t $$ 。 其中： $$ P_t $$ 是 parsing； $$ N_t $$ 是 normalization； $$ R_t $$ 是 reference resolution； $$ V_t $$ 是 validation。 --- ## 10. 自然語言輸入的正規化 假設輸入： > A 昨天可能造成了 B。 系統不應直接保存原句作為事實。 而應轉換為： $$ Hypothesis( CAUSE(A,B), time=t-1d, confidence=c ) $$ 其中： $$ 0 我能不能生成一句話？ 而應問： > 這句話引用的 canonical state 是否仍符合當前任務的新鮮度與可信度要求？ 令： $$ Deps(O) $$ 表示輸出 $$O$$ 所依賴的節點集合。 輸出前檢查： $$ \forall v_i\in Deps(O), \quad F_i(t\mid q)\ge\theta_i^F $$ 以及： $$ C_i\ge\theta_i^C $$ 。 若某節點不滿足： $$ F_i<\theta_i^F $$ 則先觸發： $$ Revalidate(v_i) $$ 。 因此： $$ Q \rightarrow RelevantSubgraph \rightarrow FreshnessCheck \rightarrow SelectiveUpdate \rightarrow Render $$ 。 --- ## 14. 查詢本身是一種局部喚醒 使用者問題： $$ Q_t $$ 不只是要求文字輸出，也是一個動態喚醒事件。 定義： $$ Rel(v_i,Q_t) $$ 表示節點與查詢的相關性。 則： $$ T_i'(t) = T_i(t) + \alpha Rel(v_i,Q_t) $$ 。 因此查詢可以提高某些節點的更新張力。 這使系統不需要預先將整個世界更新至「完美最新」，而可以： $$ \boxed{ \text{update on demand where the query makes freshness valuable} } $$ 。 --- ## 15. 可執行操作與符號狀態 操作函數： $$ op_k $$ 接受 canonical symbolic state： $$ op_k: Z_{\mathrm{in}} \rightarrow Z_{\mathrm{out}} $$ 。 例如： $$ Compare(a,b) $$ $$ Infer(p_1,p_2) $$ $$ Update(v_i) $$ $$ Merge(v_i,v_j) $$ $$ Verify(p) $$ 。 因此可執行層不需要依賴自然語言。 自然語言只是可能的： $$ InputAdapter $$ 或： $$ OutputAdapter $$ 。 --- ## 16. 操作契約 每個操作應有明確契約： $$ Contract(op_i) = ( Pre_i, Post_i, Invariant_i, Failure_i ) $$ 。 例如： $$ Pre_i $$ 規定輸入型別； $$ Post_i $$ 規定正常輸出； $$ Invariant_i $$ 規定執行期間不可破壞的狀態； $$ Failure_i $$ 規定失敗形式。 這使系統可以在調用操作後驗證： $$ Verify(Post_i) $$ 而不是只接受任意輸出。 --- ## 17. 自我生成文字不能自動成為證據 如果系統輸出的文字可以再次被讀入，會形成： $$ O_t \rightarrow I_{t+1} $$ 。 若沒有來源隔離，系統可能產生： $$ \text{I generated X} \Rightarrow \text{X is evidence} \Rightarrow \text{I believe X more} $$ 的自我強化。 因此每個符號應標記： $$ src(z) \in \{ external, observed, computed, inferred, self\_generated, quoted \} $$ 。 不同來源具有不同證據權重。 一般應避免： $$ self\_generated \equiv external $$ 。 --- ## 18. 自我引用與來源污染 若： $$ z_1 $$ 由系統自身生成， 再被當作新證據產生： $$ z_2 $$ 則需要追蹤： $$ Prov(z_2) \supseteq Prov(z_1) $$ 。 這使系統可以辨認： $$ z_2 $$ 是否只是： $$ z_1 $$ 的再表述，而非獨立證據。 因此： $$ \boxed{ \text{provenance must survive transformation} } $$ 。 否則系統可能將一個來源經過十次改寫後誤認為十份獨立證據。 --- ## 19. Round-Trip Consistency 若文字是 rendering，則可以檢驗： $$ Z \xrightarrow{\rho_{\mathrm{text}}} T \xrightarrow{\pi_{\mathrm{text}}} \widehat{Z} $$ 其中： $$ \pi_{\mathrm{text}} $$ 為文字解析器。 理想上： $$ \widehat{Z}\approx Z $$ 。 這不要求逐字相同，而要求語義保持。 定義： $$ D_Z(Z,\widehat{Z}) $$ 為 canonical state distance。 則： $$ D_Z(Z,\widehat{Z})<\epsilon $$ 表示 round-trip consistency 可接受。 這可以用來測試輸出 rendering 是否在語義上破壞內部狀態。 --- ## 20. Lossy Rendering 是允許的 自然語言通常是壓縮表達。 因此不要求： $$ \rho_{\mathrm{text}} $$ 保留所有內部資訊。 例如內部可能保存： $$ Confidence=0.731 $$ $$ Freshness=0.842 $$ $$ SourceCount=17 $$ 但文字只說： > 目前證據中度支持此命題。 因此 rendering 可以是： $$ Z \rightarrow T $$ 的有損投影。 但若使用者要求完整輸出，系統可以切換： $$ \rho_{\mathrm{detailed}} $$ 。 關鍵不是所有 rendering 都無損，而是： $$ \boxed{ \text{the canonical state is not lost merely because one rendering is compressed} } $$ 。 --- ## 21. 語言表達與世界承諾分離 輸出一句： > A 很可能導致 B。 不應自動等同： $$ CAUSE(A,B)=True $$ 。 更合理的是： $$ OutputCommitment = ( Proposition, Modality, Confidence, Scope ) $$ 。 例如： $$ ( CAUSE(A,B), Possible, 0.67, Context=C ) $$ 。 這使「文字語氣」與「系統實際信念」可以被正式對齊。 --- ## 22. 模態與認識論標記 canonical symbolic layer 應支持： $$ True $$ $$ False $$ $$ Unknown $$ $$ Possible $$ $$ Probable $$ $$ Hypothesis $$ $$ Counterfactual $$ $$ Fictional $$ $$ Quoted $$ 等模態。 因此： > 假設 A 發生，B 可能發生。 不應被寫成： $$ A=True $$ 或： $$ B=True $$ 。 而應表示為： $$ Counterfactual( A \Rightarrow Possible(B) ) $$ 。 --- ## 23. 文字生成只是 Renderer，推理則可以完全不同 系統內部推理可以由： $$ \text{graph traversal} $$ $$ \text{logic} $$ $$ \text{probability} $$ $$ \text{optimization} $$ $$ \text{algorithm execution} $$ 完成。 文字 rendering 只需要： $$ \rho_{\mathrm{text}}: Z_q \rightarrow T $$ 。 因此即使替換文字生成模組： $$ \rho_{\mathrm{text}}^{(1)} \rightarrow \rho_{\mathrm{text}}^{(2)} $$ 只要： $$ Z_q $$ 保持不變，系統的 canonical world state 仍然保持。 這是一個非常重要的架構測試。 --- ## 24. 語言模組可替換性測試 令： $$ L_1, L_2, L_3 $$ 為不同語言模組。 若： $$ Z_t^{(L_1)} \approx Z_t^{(L_2)} \approx Z_t^{(L_3)} $$ 且最終差異主要存在於： $$ \rho_{\mathrm{text}} $$ 則代表語言模組不是 canonical state 的唯一持有者。 反之，若替換語言模組後： $$ Z_t $$ 本身大量崩解或無法維持，則表示系統的高階狀態仍依賴語言模組。 這一測試將在後續智能架構比較中非常重要。 --- ## 25. 從「生成答案」到「編譯答案」 當 canonical state 與 rendering 分離後，輸出過程可以被重新理解為： $$ \boxed{ \text{compile a representation from verified state} } $$ 。 也就是： $$ Q \rightarrow Z_q \rightarrow Validate \rightarrow PlanRepresentation \rightarrow Render $$ 。 此時答案不是完全從空白生成，而是從已解析、已驗證的內部狀態編譯成使用者要求的表達形式。 --- ## 26. 多語言不再代表多個世界模型 若 canonical state 與語言分離，則： $$ \rho_{\mathrm{zh}} $$ $$ \rho_{\mathrm{en}} $$ $$ \rho_{\mathrm{ja}} $$ 可以對同一： $$ Z_q $$ 進行不同 rendering。 因此： $$ Z_q \rightarrow \{ Text_{\mathrm{zh}}, Text_{\mathrm{en}}, Text_{\mathrm{ja}} \} $$ 。 這意味著多語言能力理論上不必維護多套完全獨立世界狀態。 --- ## 27. 符號層與圖層的雙向映射 定義： $$ \phi: \mathcal{G} \rightarrow Z $$ 將世界圖映射成 canonical symbol； 以及： $$ \psi: Z \rightarrow \mathcal{G} $$ 將符號更新重新寫回世界圖。 理想上： $$ \psi(\phi(\mathcal{G})) \approx \mathcal{G} $$ 。 這提供另一個 consistency test： $$ D_G \left( \mathcal{G}, \psi(\phi(\mathcal{G})) \right) < \epsilon $$ 。 --- ## 28. 狀態變更必須先驗證再提交 新的符號狀態： $$ Z' $$ 不應自動覆寫： $$ Z $$ 。 而應經過： $$ Candidate \rightarrow Validate \rightarrow Commit $$ 。 即： $$ Z_t \xrightarrow{op} Z_{t+1}^{\mathrm{candidate}} $$ 若： $$ Validate \left( Z_{t+1}^{\mathrm{candidate}} \right) =True $$ 才： $$ Commit \left( Z_{t+1}^{\mathrm{candidate}} \right) $$ 。 否則： $$ Rollback $$ 或保持 hypothesis 狀態。 這使符號層具有 transactional semantics。 --- ## 29. Canonical State 的不變量 至少可以要求： ### 29.1 識別一致性 $$ id_i=id_i $$ 不能因 rendering 改變而改變。 ### 29.2 型別一致性 若： $$ type(z_i)=Quantity $$ 則不能突然在無轉換規則下成為： $$ Person $$ 。 ### 29.3 來源可追溯 $$ Prov(z_i)\neq\varnothing $$ 對外部事實節點應盡可能成立。 ### 29.4 時間語義明確 $$ ValidTime(z_i) $$ 與： $$ ObservedTime(z_i) $$ 應區分。 ### 29.5 Rendering 不改寫真值 $$ \rho_k $$ 只能投影，不應自行改變 canonical commitment。 --- ## 30. 可驗證命題 ### 命題一：Canonical State 可降低同義重複 若語言表達先經正規化： $$ DuplicateRate_{\mathrm{canonical}} < DuplicateRate_{\mathrm{raw-text}} $$ 應在多樣化表述輸入中成立。 ### 命題二：來源隔離可降低自我強化污染 若自生成內容與外部證據具有不同 provenance： $$ FalseConfidence_{\mathrm{isolated}} < FalseConfidence_{\mathrm{untracked}} $$ 應在自我引用測試中成立。 ### 命題三：Output-Time Validation 可降低過時回答 若輸出前進行相關節點新鮮度檢查： $$ StaleAnswerRate_{\mathrm{validated}} < StaleAnswerRate_{\mathrm{direct}} $$ 。 ### 命題四：Renderer 可替換性 若系統狀態真正獨立於語言 renderer，則替換： $$ \rho_{\mathrm{text}} $$ 不應造成： $$ D_Z(Z_t,Z_t')\gg0 $$ 。 ### 命題五：Round-Trip 可作為語義保持測試 不同 rendering / parsing 配對之： $$ D_Z(Z,\widehat{Z}) $$ 應可被量化，並用於比較語言接口品質。 --- ## 31. 最小實驗 建立 canonical symbolic set： $$ Z^\ast $$ 其中包含： - 事實； - 假設； - 時間條件； - 因果關係； - 不確定性； - 引用； - 反事實。 生成多組不同自然語言 rendering： $$ T_1,\ldots,T_n $$ 再解析回： $$ \widehat{Z}_1,\ldots,\widehat{Z}_n $$ 。 測量： $$ D_Z \left( Z^\ast, \widehat{Z}_i \right) $$ 。 同時比較： $$ \text{raw text memory} $$ 與： $$ \text{canonical symbolic memory} $$ 在長期重複輸入、同義改寫、語境切換與自我引用下的狀態一致性。 --- ## 32. 與傳統文字中心系統的核心差異 文字中心系統可抽象為： $$ Context \rightarrow Text $$ 。 本文系統則是： $$ Input \rightarrow Parse \rightarrow CanonicalState \rightarrow Compute \rightarrow Validate \rightarrow Render \rightarrow Output $$ 。 因此： $$ \boxed{ \text{language is an interface to intelligence, not necessarily the state substrate of intelligence} } $$ 。 這不否認語言本身可以承載大量推理，而只是拒絕將： $$ \text{surface linguistic sequence} $$ 直接等同於： $$ \text{entire internal epistemic state} $$ 。 --- ## 33. 從單一輸出系統到多介面世界模型 若： $$ Z $$ 是 canonical state， 則同一內部狀態可以支援： $$ Z \rightarrow Text $$ $$ Z \rightarrow Code $$ $$ Z \rightarrow Graph $$ $$ Z \rightarrow Command $$ $$ Z \rightarrow Action $$ 。 因此能力提升不只來自「更會寫文字」，也來自： $$ \text{more precise state representation} $$ 與： $$ \text{more reliable state-to-interface compilation} $$ 。 --- ## 34. 最小完整循環 將前三篇統合後，一次完整循環可以寫成： $$ I_t \rightarrow Parse \rightarrow Resolve \rightarrow Z_t \rightarrow \mathcal{G}_t \rightarrow T_t \rightarrow Activate \rightarrow U^\ast \rightarrow Z_{t+1}^{\mathrm{candidate}} \rightarrow Validate \rightarrow Commit \rightarrow \rho_k \rightarrow O_t $$ 。 其中： $$ T_t $$ 控制哪些世界區域需要被重新喚醒； $$ U^\ast $$ 選擇適用的更新操作； $$ Validate $$ 阻止未驗證狀態直接污染 canonical source； $$ \rho_k $$ 只負責輸出表達。 --- ## 35. 結論 當世界狀態系統需要真正支援輸入、計算、更新與輸出時，單純的動態圖仍不足夠。 系統需要一個： $$ \boxed{ \text{canonical executable symbolic layer} } $$ 。 自然語言可以是極強大的輸入與輸出介面，但不應自動成為： $$ \boxed{ \text{the canonical source of world state} } $$ 。 因此本文提出： $$ \text{World State} \rightarrow \text{Canonical Symbolic State} \rightarrow \text{Executable Operations} \rightarrow \text{Rendering} $$ 的四層結構。 其中： $$ \boxed{ Text = Rendering(Z) } $$ 而不是： $$ \boxed{ Z = Text } $$ 。 這一分離帶來幾個重要效果： $$ \text{same meaning} \Rightarrow \text{same canonical identity} $$ $$ \text{different language} \Rightarrow \text{different rendering, same state} $$ $$ \text{self-generated text} \not\Rightarrow \text{external evidence} $$ $$ \text{stale dependency} \Rightarrow \text{revalidate before output} $$ 以及： $$ \text{renderer replacement} \not\Rightarrow \text{world-state replacement} $$ 。 因此，文字輸出不再是整個系統智能的唯一中心，而只是世界狀態的一種可交換表示。 這使後續研究能進一步處理更大的問題：當世界狀態與符號層可以持續擴張時，系統能力是否能藉由增加有效節點、關係、抽象與世界事實而擴張？而這種擴張究竟會形成真正新的智能結構，還是最終再次收斂到現有 AI 的工程形態？ --- ## 附錄 A：核心映射 輸入解析： $$ \pi_k: I_k \rightarrow Z $$ 世界圖映射： $$ \phi: \mathcal{G} \rightarrow Z $$ 狀態回寫： $$ \psi: Z \rightarrow \mathcal{G} $$ 輸出 rendering： $$ \rho_k: Z \rightarrow O_k $$ 完整介面： $$ I_k \xrightarrow{\pi_k} Z \xrightarrow{op} Z' \xrightarrow{\rho_j} O_j $$ 。 --- ## 附錄 B：最小 Canonical Symbol Schema $$ z_i = ( id_i, type_i, value_i, args_i, context_i, source_i, confidence_i, freshness_i, validTime_i, observedTime_i, status_i ) $$ 。 建議最小 invariant： $$ id_i\neq\varnothing $$ $$ type_i\neq\varnothing $$ $$ source_i\neq\varnothing $$ 對外部事實節點成立； 並且任何 canonical commit 都必須經過： $$ Candidate \rightarrow Validate \rightarrow Commit $$ 而非： $$ Input \rightarrow DirectWrite $$ 。 --- ## 附錄 C：最小輸出驗證流程 對查詢 $$Q$$： $$ Q \rightarrow Z_Q $$ 取得相關 canonical state。 對所有： $$ z_i\in Z_Q $$ 檢查： $$ Freshness_i\ge\theta_i^F(Q) $$ $$ Confidence_i\ge\theta_i^C(Q) $$ 若不成立： $$ Revalidate(z_i) $$ 。 最後： $$ Output = \rho_k \left( Z_Q^{\mathrm{validated}} \right) $$ 。 這使輸出不只是生成，而是： $$ \boxed{ \text{validated state compilation} } $$ 。