# ESC-EXP-06：Common Kernel Optimization

**系列：** Extensional Structural Convergence — Experimental Phase  
**文件編號：** ESC-EXP-06  
**版本：** v0.1  
**日期：** 2026-09-22  
**前置：** ESC-00 ～ ESC-06、ESC-EXP-00 ～ ESC-EXP-05  
**狀態：** Executable Finite-Model Evidence / Canonical UTF-8 Source

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

ESC-EXP-05 已把 compatibility 寫成多維 phase geometry：

$$
\operatorname{Compat}_J
(F,C,I\mid\boldsymbol\kappa).
$$

本輪不再只描述「哪裡相容」，而解一個反向最佳化問題：

> 給定一組目標共同 kernel，F、C、I 各自最少要增加哪些 observable，才能在指定 domain 上全部恢復它？總資訊成本最低是多少？

本輪目標 kernel 為：

$$
\mathcal J
=
\left\{
\text{partition block count},
\text{type entropy},
\text{directional source entropy},
\text{context mode},
\text{probe mode},
\text{history length}
\right\}.
$$

有限 domain 使用 EXP-05 的 controlled $n=3$ family：

- unordered relation support complete；
- relation type 二元變化；
- direction 變化；
- 所有 partition；
- formation context 二元變化；
- probe frame 二元變化；
- history length $0/1$ ；
- guard 固定。

canonicalize 後共有：

$$
624
$$

個 substrate classes。

本輪的最小總補充成本為：

$$
\boxed{
6.713545\text{ bits}
}
$$

總共只需要：

$$
\boxed{
4\text{ 個 supplemental channels}
}
$$

而不是把所有底層欄位複製給三條 projection。

---

# 1. Runtime 狀態

本輪新增 EXP-06 regression：

```text
4 passed
```

完整 ESC experimental regression：

```text
32 passed
```

因此 EXP-06 沒有破壞 EXP-01 ～ EXP-05 已建立的 finite properties。

---

# 2. Optimization Problem

對 projection：

$$
\Pi_P,
\quad
P\in\{F,C,I\},
$$

允許增加 supplemental channels：

$$
S_P.
$$

增廣 projection：

$$
\Pi_P^{+}(B)
=
\left(
\Pi_P(B),
S_P(B)
\right).
$$

要求對所有：

$$
J\in\mathcal J
$$

存在：

$$
f_{P,J}
$$

使：

$$
J
=
f_{P,J}
\circ
\Pi_P^{+}.
$$

目標：

$$
\boxed{
\min_{S_F,S_C,S_I}
\sum_P
\operatorname{Cost}(S_P)
}
$$

subject to：

$$
\boxed{
\forall P,\forall J\in\mathcal J,
\quad
J
\text{ recoverable from }
\Pi_P^{+}.
}
$$

---

# 3. Channel Cost

本輪不把 channel 數量直接當成本。

每個 channel 的成本用 finite domain 上 empirical entropy：

$$
\boxed{
c(S)
=
H(S)
}
$$

以 bits 計。

因此高度相關的 bundle 可能比拆成多個獨立 channel 更有效率。

本輪提供 atomic channels：

- partition count；
- type entropy；
- direction entropy；
- context；
- probe；
- history；

以及 bundles：

- relation frame；
- semantic frame；
- provenance frame；
- observer frame。

---

# 4. Base Projection Deficit Matrix

True 表示該 projection 在不補 channel 時不能完整恢復 target。

| Projection | partition | type | direction | context | probe | history |
|---|---:|---:|---:|---:|---:|---:|
| F | No | No | No | No | **Yes** | No |
| C | No | No | No | **Yes** | **Yes** | No |
| I | No | **Yes** | **Yes** | **Yes** | No | **Yes** |

也就是：

$$
\boxed{
F
\text{ 只缺 probe}
}
$$

$$
\boxed{
C
\text{ 缺 context + probe}
}
$$

$$
\boxed{
I
\text{ 缺 type + direction + context + history}
}
$$

在此 controlled domain 中成立。

---

# 5. F 的最小補充

最佳方案：

$$
\boxed{
S_F^\ast
=
\{\text{probe}\}
}
$$

成本：

$$
\boxed{
1\text{ bit}
}
$$

這與 EXP-04/05 的 visibility analysis 一致。

---

# 6. C 的最小補充

最佳方案：

$$
\boxed{
S_C^\ast
=
\{\text{semantic frame}\}
}
$$

其中：

$$
\text{semantic frame}
=
(\text{context},\text{probe}).
$$

成本：

$$
\boxed{
2\text{ bits}
}
$$

---

# 7. I 的最小補充

最佳方案：

$$
\boxed{
S_I^\ast
=
\{
\text{relation frame},
\text{provenance frame}
\}
}
$$

其中：

$$
\text{relation frame}
=
(
\text{type entropy},
\text{direction entropy}
),
$$

$$
\text{provenance frame}
=
(
\text{context},
\text{history}
).
$$

總成本：

$$
\boxed{
3.713545\text{ bits}
}
$$

所以 I 不需要直接吸收整個 F 或 C representation。

它只需要補上 incidence view 天生看不到的兩組自由度：

$$
\boxed{
\text{relation semantics}
+
\text{provenance}.
}
$$

---

# 8. Global Minimum

三條路總計：

$$
\boxed{
\operatorname{Cost}_{\min}
=
6.713545\text{ bits}
}
$$

channel count：

$$
\boxed{
4
}
$$

最小方案：

$$
\boxed{
F:\text{probe}
}
$$

$$
\boxed{
C:\text{semantic frame}
}
$$

$$
\boxed{
I:\text{relation frame}+\text{provenance frame}
}
$$

---

# 9. 這個數值不代表什麼？

它不代表真實宇宙只需要約 $6.7$ bits。

此成本只屬於目前：

$$
624
$$

個 finite substrate classes 與其 empirical distribution。

真正有理論價值的是：

$$
\boxed{
\text{不需要把三套 representation 完全合併。}
}
$$

要讓指定 common kernel 對齊，只需補足各 projection 的 blind directions。

即：

$$
\boxed{
\text{alignment}
\neq
\text{identity collapse}.
}
$$

---

# 10. Common Kernel Bridge

supplemental channels 可解釋為：

$$
\boxed{
\text{bridge observables}
}
$$

而不是把 F/C/I 改寫成同一資料結構。

對本 domain：

$$
B_F
=
\{P\},
$$

$$
B_C
=
\{\Gamma,P\},
$$

$$
B_I
=
\{R_{\mathrm{sem}},H_{\mathrm{prov}}\}.
$$

三條路保留自身表示，只透過極小 bridge 共享 common kernel。

---

# 11. 從「統一」到「最小橋接」

所以 ESC 到 EXP-06 的概念已再次收斂。

最初可能問：

> F、C、I 是否其實同一套理論？

現在更成熟的問題是：

> 保持 F/C/I 各自語義的前提下，最少交換多少資訊，才能讓指定共同 invariant 對齊？

形式上：

$$
\boxed{
\text{Unification}
\longrightarrow
\text{Minimal Compatibility Bridge}.
}
$$

---

# 12. Bridge Cost

對 target kernel：

$$
\mathcal J,
$$

定義：

$$
\boxed{
\mathcal C_{\mathrm{bridge}}
(\mathcal J,\mathcal D)
=
\min
\sum_P
H(S_P)
}
$$

subject to：

$$
\mathcal J
$$

在 domain：

$$
\mathcal D
$$

上由每個增廣 projection 恢復。

這可以視為：

$$
\boxed{
\text{表示之間的最小相容資訊成本}
}
$$

的一個候選量。

---

# 13. Target Removal Sensitivity

移除單一 target 後，最低 bridge cost 的下降量：

- `context_mode`: cost reduction = 2.000000 bits
- `probe_mode`: cost reduction = 2.000000 bits
- `history_length`: cost reduction = 0.941829 bits
- `type_entropy`: cost reduction = 0.940744 bits
- `directional_source_entropy`: cost reduction = 0.829888 bits
- `partition_block_count`: cost reduction = 0.000000 bits

這提供：

$$
\boxed{
B(J)
=
\mathcal C_{\mathrm{bridge}}(\mathcal J)
-
\mathcal C_{\mathrm{bridge}}(\mathcal J\setminus\{J\})
}
$$

作為 target 的 bridge burden。

高：

$$
B(J)
$$

表示該 invariant 是目前 common-kernel 對齊成本的重要來源。

---

# 14. Bridge-Compatible Structural Convergence

到這一步，ESC 不一定需要把：

$$
Q_3
$$

商空間同構當成唯一成功條件。

另一個嚴格而實用的成功概念是：

$$
\boxed{
\text{Bridge-Compatible Structural Convergence}
}
$$

即存在低成本：

$$
S_F,S_C,S_I
$$

使指定：

$$
\mathcal J
$$

在各自 augmented view 中都可恢復，同時保留三條 representation 的獨立語義。

---

# 15. 對「合法放一起」的回扣

現在答案已經非常具體。

三套理論：

- 不需要被證成完全相同；
- 不應無條件全域合併；
- 各自有真實 blind spots；
- 有 invariant-dependent compatibility regions；
- 可以透過最小 supplemental observables 建立共同 kernel。

因此：

$$
\boxed{
\text{合法在一起}
\neq
\text{變成同一個東西}.
}
$$

更準確的是：

$$
\boxed{
\text{合法在一起}
=
\text{可明確橋接且不破壞各自身份}.
}
$$

---

# 16. 系列錨點

$$
\boxed{
\textbf{ESC-EXP-06.A}
\quad
\text{Common kernel alignment 可寫成最小 observation-cost optimization。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-06.B}
\quad
\text{在本 finite domain 中，F/C/I 不需完整共享 substrate 即可共同恢復六維 target kernel。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-06.C}
\quad
F\text{ 的最小 bridge 為 probe；}
C\text{ 為 semantic frame；}
I\text{ 為 relation frame + provenance frame。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-06.D}
\quad
\mathcal C_{\mathrm{bridge}}
\text{ 是 representation compatibility distance 的候選基礎。}
}
$$

$$
\boxed{
\textbf{ESC-EXP-06.E}
\quad
\text{alignment 不要求 identity collapse。}
}
$$

---

# 17. 下一輪：ESC-EXP-07

下一輪可以把單一 target kernel：

$$
\mathcal J
$$

擴成多個 domain、不同 kernel priorities 與不同 channel costs。

研究：

$$
\boxed{
\text{Pareto frontier}
:
\text{bridge cost}
\;\text{vs.}\;
\text{kernel coverage}
}
$$

以及 pairwise compatibility costs：

$$
d_{\mathrm{ESC}}(F,C),
\quad
d_{\mathrm{ESC}}(F,I),
\quad
d_{\mathrm{ESC}}(C,I).
$$

也就是開始回答：

> **三套表示彼此究竟有多遠？哪些共同核心很便宜，哪些共同核心必須付出大量觀察資訊才能對齊？**