# 《序列域相對論與探針演算》第 2 篇 ## 表示、商化與觀測：從進位制、投影、模系統到資訊損失 **系列名：** 序列域相對論與探針演算 **英文：** Sequence-Domain Relativity and Probe Calculus **縮寫：** SDRPC **篇次：** 02 / 06 **作者：** Neo.K；Aletheia（GPT-5.6 Sol） **日期：** 2026-09-22 **版本：** v0.1 **文件性質：** 理論篇／觀測與商化篇 **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 前兩篇已建立兩個基本前提： 1. 數學 predicate 依賴其所在的結構域； 2. 重新命名、重新編碼、子序列、子結構與真正換域必須區分。 本篇進一步研究一個更直接影響數學推理的問題： > 我們看到的「規律」，究竟屬於數學對象本身，還是由表示、投影、商化、截斷與觀測方式共同生成？ 本文將 representation、radix、projection、subsequence、truncation、quotient、modulus、residue class、wheel refinement、fiber 與 information loss 放進同一框架。 核心觀念是： \[ \boxed{ \text{Observation} = \text{structure-preserving part} + \text{information discard} } \] 而一個 probe 的作用，不只是「取值」，更可以被理解成： \[ P:X\to Y \] 其中 \(Y\) 是經過壓縮、商化或特徵化後的觀測空間。 本文特別重新解讀： \[ 6,\ 30,\ 210,\ 2310,\ldots \] 這族 primorial / wheel modulus。它們不是神秘質數常數，而是逐步吸收更多小質數整除資訊的 quotient probes。若令： \[ M_k=\prod_{i=1}^{k}p_i, \] 則： \[ C_k = \{n:\gcd(n,M_k)=1\} \] 構成逐步收縮的候選域： \[ C_1\supseteq C_2\supseteq C_3\supseteq\cdots. \] 這一族的真正意義不是直接產生質數，而是在有限 quotient 中壓縮「不可被前 \(k\) 個小質數整除」的必要條件。 本文最後提出三個後續探針演算需要的量： \[ \operatorname{Fiber}(P,y), \quad \operatorname{Loss}(P), \quad \operatorname{TaskLoss}(P,Q), \] 分別描述觀測 fiber、一般資訊損失與對指定 predicate 的任務性資訊損失。 --- # 一、為什麼表示本身必須被研究 在傳統數學推理裡，表示通常被視為中性的： \[ x \longleftrightarrow \text{notation of }x. \] 例如： \[ 10_{10} = 1010_2 = A_{16}. \] 若只是可逆編碼，這確實沒有問題。 但很多實際數學觀測不是純粹可逆 representation，而是： - 截斷； - 取模； - 取符號； - 取序列位置； - 取 residue； - 取 local block； - 取 frequency； - 取 parity； - 取 factor compatibility； - 取有限精度近似。 這些都可能丟失資訊。 所以： \[ \boxed{ \text{representation} \neq \text{observation} } \] 更精確地說： - representation 可以是無損； - observation 常常是有損。 --- # 二、表示映射 設： \[ E:X\to R \] 為表示映射。 若存在： \[ D:R\to X \] 使： \[ D(E(x))=x, \] 則 \(E\) 對 \(X\) 是可逆表示。 此時： \[ \boxed{ \text{Loss}(E)=0 } \] 在理想數學意義上成立。 例如整數在不同進位制中的有限表示，本質上是無損的。 --- # 三、進位制不是數本體 對固定基數： \[ b\ge2, \] 整數可寫成： \[ n = \sum_{k=0}^{m} d_k b^k. \] 其中： \[ 0\le d_k1, \] 則投影壓縮了信息。 例如只取： \[ \operatorname{sign}(x), \] 把整個實數域壓成： \[ \{-1,0,+1\}. \] 這不是表示，而是 observation。 --- # 六、Subsequence 作為選擇型 Probe 對序列： \[ \mathbf x=(x_n)_{n\in I}, \] 選擇： \[ J\subseteq I \] 得到： \[ \mathbf x|_J. \] 這可以被視為： \[ P_J(\mathbf x) = \mathbf x|_J. \] 它保留： \[ J \] 中的信息，捨棄： \[ I\setminus J \] 中的信息。 因此 subsequence 是一種 selection probe。 --- # 七、截斷 對實數 \(x\)，可定義基數 \(b\) 下的有限截斷： \[ T_n^{(b)}(x) = \frac{\lfloor b^n x\rfloor}{b^n}. \] 這個映射： \[ T_n^{(b)}:\mathbb R\to b^{-n}\mathbb Z \] 是高度有損的。 因為無限多個： \[ x \] 會映射到同一個截斷值。 對任意： \[ y=\frac{k}{b^n}, \] fiber 為： \[ (T_n^{(b)})^{-1}(y) = \left[ \frac{k}{b^n}, \frac{k+1}{b^n} \right). \] 因此截斷本身天然產生不可區分區間。 --- # 八、Fiber 對映射： \[ P:X\to Y, \] 定義： \[ \boxed{ \operatorname{Fiber}(P,y) = P^{-1}(y) } \] 即所有被 probe \(P\) 壓成同一觀測值 \(y\) 的原始元素。 如果： \[ |\operatorname{Fiber}(P,y)|=1, \] 則對該 \(y\) probe 沒有局部歧義。 如果很大，表示 probe 對原域的辨識力低。 --- # 九、Fiber 是 Probe Residual 的原型 第 0 篇定義： \[ [x]_{\mathcal P} \] 為探針等價類。 其實單一 probe 時： \[ [x]_P = P^{-1}(P(x)). \] 也就是： \[ \boxed{ \text{Probe Residual} = \text{Fiber} } \] 的直接推廣。 當 probe family 增加： \[ \mathcal P_k = \{P_1,\ldots,P_k\}, \] 則： \[ [x]_{\mathcal P_k} = \bigcap_{i=1}^k P_i^{-1}(P_i(x)). \] 因此 probe refinement 的本質就是： \[ \boxed{ \text{fiber intersection refinement}. } \] --- # 十、Quotient 若： \[ \sim \] 是等價關係，則： \[ X/{\sim} \] 形成等價類集合。 商映射： \[ q:X\to X/{\sim} \] 定義： \[ q(x)=[x]. \] 此時： \[ \operatorname{Fiber}(q,[x]) = [x]. \] 所以 quotient 天然就是一種： \[ \boxed{ \text{many-to-one structural observation}. } \] --- # 十一、Modulus 是 Quotient Probe 定義： \[ a\sim_m b \iff a-b\in m\mathbb Z. \] 則： \[ \mathbb Z/m\mathbb Z \] 是商結構。 商映射： \[ q_m:\mathbb Z\to\mathbb Z/m\mathbb Z \] 為： \[ q_m(n)=[n]_m. \] 若使用 residue notation： \[ P_m(n)=n\bmod m, \] 本質上就是： \[ q_m. \] 所以： \[ \boxed{ \text{modulus} = \text{quotient probe}. } \] --- # 十二、模探針到底保存什麼 \(P_m\) 保存： \[ n \] 相對於： \[ m \] 的 residue class。 它丟失： - 絕對大小； - quotient 部分； - 很多 factor information； - 序列位置； - 高階結構。 但若： \[ d\mid m, \] 則 \(n\bmod m\) 可以推導： \[ n\bmod d. \] 因此較大且結構良好的 modulus 可以包含較小 modulus 的 residue information。 --- # 十三、Modulus Refinement 若： \[ m\mid M, \] 則存在自然映射： \[ \phi_{M\to m}: \mathbb Z/M\mathbb Z \to \mathbb Z/m\mathbb Z. \] 因此 \(P_M\) 通常比 \(P_m\) 保留更多 residue information。 在這種情況可以寫： \[ P_m = \phi_{M\to m}\circ P_M. \] 所以： \[ \boxed{ m\mid M \Rightarrow P_M\text{ refines }P_m. } \] --- # 十四、Primorial / Wheel Refinement 令： \[ p_1=2,\quad p_2=3,\quad p_3=5,\ldots \] 定義： \[ M_k = \prod_{i=1}^{k}p_i. \] 則： \[ M_1=2, \quad M_2=6, \quad M_3=30, \quad M_4=210, \quad M_5=2310. \] 因： \[ M_k\mid M_{k+1}, \] 所以： \[ P_{M_{k+1}} \] 是： \[ P_{M_k} \] 的自然 refinement。 --- # 十五、候選域 定義： \[ C_k = \{n>1:\gcd(n,M_k)=1\}. \] 等價地： \[ C_k = \{n>1: p_i\nmid n \text{ for all }i\le k \}. \] 因此： \[ C_{k+1} \subseteq C_k. \] 這是一個單調收縮候選族。 --- # 十六、質數保留 對任意： \[ p>p_k \] 且 \(p\) 為質數，有： \[ \gcd(p,M_k)=1. \] 所以： \[ p\in C_k. \] 因此 \(C_k\) 保留所有大於目前 wheel 所含最大質數的質數。 這表示 \(C_k\) 是 prime 的必要候選域。 --- # 十七、合數拒絕 如果合數 \(n\) 含有某個： \[ p_i,\quad i\le k \] 作為因子， 則： \[ n\notin C_k. \] 所以每增加一個新質數進入： \[ M_{k+1}=M_k p_{k+1}, \] 就能排除更多合數。 但仍會保留： \[ n=q_1q_2 \] 其中： \[ q_1,q_2>p_k. \] 因此： \[ \boxed{ C_k \neq \mathbb P. } \] --- # 十八、M6 的精確定位 對： \[ M_2=6, \] 有： \[ C_2 = \{n:\gcd(n,6)=1\}. \] 其 residue classes 為： \[ [1]_6, \quad [5]_6. \] 因此： \[ 6k\pm1 \] 只是： \[ C_2 \] 在 residue notation 下的展開。 這個結果現在可精確描述成： \[ \boxed{ \text{M6 pattern} = \text{wheel depth }2\text{ quotient image}. } \] --- # 十九、30、210、2310 不是新神秘規律 同理： \[ M_3=30 \] 保留： \[ \varphi(30)=8 \] 個互質 residue classes。 而： \[ M_4=210 \] 保留： \[ \varphi(210)=48 \] 個 residue classes。 所以隨著 modulus 增大： - residue class 數量增加； - 每個 class 更細； - 候選密度下降； - 更多小因子合數被排除。 這是可預期的 quotient refinement，而不是突然冒出的神秘質數結構。 --- # 二十、候選密度 在一個完整 period： \[ 0,\ldots,M_k-1 \] 中，與 \(M_k\) 互質的 residue 數量為： \[ \varphi(M_k). \] 因此候選密度： \[ \rho_k = \frac{\varphi(M_k)}{M_k} = \prod_{i=1}^{k} \left( 1-\frac1{p_i} \right). \] 這量化了 wheel refinement 的壓縮能力。 --- # 二十一、Probe Information Gain 可粗略定義從 \(k\) 到 \(k+1\) 的候選壓縮比： \[ G_k = \frac{\rho_k}{\rho_{k+1}} = \frac{1}{1-\frac1{p_{k+1}}}. \] 也可以定義 log-information： \[ I_k = -\log \rho_k. \] 則新增質數 \(p_{k+1}\) 帶來： \[ \Delta I_k = -\log \left( 1-\frac1{p_{k+1}} \right). \] 這不是完整資訊理論定義，但提供一個可測 probe refinement 指標。 --- # 二十二、必要條件壓縮 \(C_k\) 的本質可寫為： \[ \boxed{ \text{Prime} \Rightarrow \text{survive all small-prime exclusion probes}. } \] 但不能反過來： \[ \text{survive} \Rightarrow \text{prime}. \] 所以： \[ C_k \] 是： \[ \boxed{ \text{necessary-condition compression}. } \] --- # 二十三、為什麼 mod \(6\) 看起來很強 因為： \[ 2 \] 與： \[ 3 \] 是最小的兩個質數。 排除它們後： \[ \frac{\varphi(6)}{6} = \frac{2}{6} = \frac13. \] 也就是只剩三分之一 residue classes。 從： \[ \mathbb Z \] 到： \[ C_2 \] 是一個相當強的早期壓縮。 因此 \(6k\pm1\) 在視覺上會顯得很有「規律」。 但其根源是： \[ 2,3 \] 的整除排除被 quotient 合併，而不是 6 本身具有神秘本體地位。 --- # 二十四、Quotient-Induced Pattern 本篇定義： \[ \boxed{ \text{Quotient-Induced Pattern} } \] 若一個 pattern 主要是由： \[ q:X\to X/{\sim} \] 後的 class structure 所產生，而在原域沒有對應獨立 invariant，則稱為 quotient-induced。 例如： \[ 6k\pm1 \] 首先是一個 quotient-induced pattern。 但這不表示它毫無數學意義。 它表示我們必須標明： \[ \text{pattern source} = \text{quotient structure}. \] --- # 二十五、Representation-Induced Pattern 同理，若 pattern 只依賴基數表示： \[ E_b(x), \] 則可標記： \[ \boxed{ \text{representation-induced}. } \] 例如： - 十進位數字和； - 最後一位； - 末尾 0； - 重複小數區塊。 這些可以非常有用，但不能未經跨表示檢查就當成本體 invariant。 --- # 二十六、Projection-Induced Pattern 若 pattern 只在某個低維 projection 中出現： \[ \pi:X\to Y, \] 則稱： \[ \boxed{ \text{projection-induced}. } \] 例如高維資料投到 2D 後形成線性外觀，但在原空間其實不是線。 這種情形在數學 probe 中同樣可能發生。 --- # 二十七、截斷誘導規律 對： \[ T_n^{(b)}(x), \] 如果我們研究有限尾數，可能看到： - repeating blocks； - finite cycles； - apparent fixed points； - residue regularity。 但這些規律可能來自： \[ b^{-n} \] 精度格點本身。 所以所有小數／浮點規律都要問： \[ \boxed{ \text{是原對象規律，還是 truncation lattice 規律？} } \] --- # 二十八、一般資訊損失 對： \[ P:X\to Y, \] 理想上可定義某種： \[ \operatorname{Loss}(P). \] 本系列暫不固定唯一形式，但可以至少從三種角度測量。 ## 28.1 Fiber Size \[ |\operatorname{Fiber}(P,y)|. \] ## 28.2 Entropy Reduction 若有概率測度： \[ \mu \] 可研究： \[ H(X)-H(P(X)). \] ## 28.3 Recoverability 若存在 reconstruction： \[ R:Y\to X, \] 可研究： \[ d(x,R(P(x))). \] --- # 二十九、Task-Specific Loss 對目標 predicate： \[ Q:X\to\{0,1\}, \] 一般資訊損失可能很大，但若 probe 仍能決定 \(Q\)，則對任務來說可能零損失。 因此定義： \[ \boxed{ \operatorname{TaskLoss}(P,Q) } \] 若： \[ P(x)=P(y) \Rightarrow Q(x)=Q(y), \] 則： \[ \operatorname{TaskLoss}(P,Q)=0. \] 這和第 0 篇 Task Sufficiency 完全一致。 --- # 三十、Prime 對 Mod Probe 的 Task Loss 對： \[ P_6(n)=n\bmod6, \] 存在： \[ 5\equiv 35\equiv5\pmod6, \] 但： \[ 5 \] 是質數， \[ 35 \] 是合數。 因此： \[ P_6(5)=P_6(35) \] 但： \[ Q_{\mathrm{prime}}(5) \neq Q_{\mathrm{prime}}(35). \] 所以： \[ \boxed{ \operatorname{TaskLoss}(P_6,Q_{\mathrm{prime}})>0. } \] mod 6 對 primality task 不充分。 --- # 三十一、有限 Modulus 對 Prime 是否可能充分 對任何固定： \[ m, \] 都存在不同整數： \[ a\equiv b\pmod m \] 其中一個可為質數、另一個可為合數。 因此單一有限 modulus 一般不能充分決定 primality。 這表示： \[ \boxed{ \text{finite residue class alone} } \] 不足以作為完整 prime oracle。 這是後續 probe sufficiency 測試的重要 negative control。 --- # 三十二、Probe Family 可以降低 Task Loss 雖然單一 \(P_m\) 不充分，但 probe family： \[ \mathcal P = \{P_{m_1},P_{m_2},\ldots\} \] 可以縮小等價類。 若： \[ \mathcal P_k \subset \mathcal P_{k+1}, \] 則： \[ [x]_{\mathcal P_{k+1}} \subseteq [x]_{\mathcal P_k}. \] 所以： \[ \operatorname{TaskLoss} \] 可能隨 probe refinement 下降。 --- # 三十三、但 Infinite Probe Family 不等於有限算法 若需要： \[ \{P_p:p\text{ prime}\} \] 對所有質數逐一檢查， 那可能只是把 trial division 改寫成 probe family。 所以後續必須區分： \[ \boxed{ \text{probe compression} } \] 與： \[ \boxed{ \text{hidden enumeration}. } \] --- # 三十四、真正有價值的是結構壓縮 假設存在： \[ F(n) \] 能用有限描述同時吸收大量 divisibility information，而不逐一測試每個因子， 那才可能構成新的結構壓縮。 因此後續會測： \[ \boxed{ \text{information gained per computational / structural cost}. } \] --- # 三十五、Modulus Family 的層級 可將： \[ P_2, P_6, P_{30}, P_{210}, P_{2310}, \ldots \] 視為： \[ \boxed{ \text{nested quotient probe family}. } \] 因： \[ M_k\mid M_{k+1}, \] 每一層都能投影回上一層。 因此： \[ \mathbb Z/M_{k+1}\mathbb Z \to \mathbb Z/M_k\mathbb Z. \] 這形成一條 inverse-system-like 結構。 --- # 三十六、逆向觀察 因為高階 modulus 可以投影到低階 modulus，我們也可以反問： > 給定低階 residue class，哪些高階 residue class 是其 refinement？ 例如： \[ [1]_6 \] 在 mod 30 下分裂成多個 class。 這種： \[ \text{coarse class} \to \text{refined fibers} \] 就是後續 Bidirectional Probe 的簡單原型。 --- # 三十七、觀測精化樹 可以建立： \[ \mathcal T_{\mathrm{probe}} \] 其中節點是 coarse equivalence classes，子節點是更高解析 probe 下的 refinement。 例如： \[ [1]_6 \] 可被： \[ P_{30} \] 分裂成： \[ [1]_{30}, [7]_{30}, [13]_{30}, [19]_{30}, [25]_{30}. \] 其中： \[ [25]_{30} \] 還包含大量合數。 所以 refinement 不是直接等於 truth classification。 --- # 三十八、觀測樹與證明樹不同 Probe refinement tree 表示： \[ \text{what becomes distinguishable}. \] Proof tree 表示： \[ \text{what is logically established}. \] 兩者不能混淆。 因此： \[ \boxed{ \text{refinement} \neq \text{proof}. } \] --- # 三十九、Representation Artifact 測試 對某 pattern \(R\)，應至少測： \[ R_{b_1}, R_{b_2}, \ldots,R_{b_k}. \] 若 pattern 只在單一基數出現： \[ R_{10} \] 但： \[ R_2,R_3,R_7,R_{16} \] 皆不存在， 則優先標記： \[ \text{representation-dependent}. \] --- # 四十、Quotient Artifact 測試 對某 modulus pattern \(R_m\)，應檢查： - 是否可由 quotient definition 直接推出； - 是否只是 residue class bookkeeping； - 是否在其他 modulus 下仍有 invariant 對應； - 是否產生新的 task-relevant information。 如果只是： \[ q_m \] 的 class geometry，則應標記 quotient-induced。 --- # 四十一、觀測不變量 若一個性質 \(I\) 在多個 representation / quotient / probe 下保持： \[ I_{\rho_1}(x) = I_{\rho_2}(x) = \cdots, \] 則可視為： \[ \boxed{ \text{cross-observation invariant candidate}. } \] 但仍需檢查： - 是否由共同底層結構強迫； - 是否真的獨立； - 是否只是 probes 共享同一來源。 --- # 四十二、共享來源問題 兩個 probe 可能看似獨立： \[ P_1,P_2, \] 但其實都由同一個底層量： \[ Z(x) \] 導出： \[ P_1=f(Z(x)), \quad P_2=g(Z(x)). \] 那麼跨 probe 一致並不等於獨立證據。 這和 FELRA 裡的 provenance 問題相似。 所以後續需要： \[ \boxed{ \text{Probe Provenance}. } \] --- # 四十三、Probe Provenance 每個 probe 應記錄： ```yaml probe: id: source_domain: target_space: dependencies: representation: quotient: source_operations: derived_from: lossy: invertible: target_predicate: ``` 這可防止將同源 probe 當成獨立驗證。 --- # 四十四、觀測層級 本篇提出： \[ \boxed{ \text{Observation Ladder} } \] 由低到高： ### O0：Literal Readout 直接讀原值。 ### O1：Representation Readout 讀 digit / encoding。 ### O2：Selection 抽取子序列。 ### O3：Projection 壓低維或取部分變數。 ### O4：Quotient 壓成等價類。 ### O5：Derived Feature 計算 residue、gap、ratio、spectrum。 ### O6：Task-Oriented Probe 專門為 predicate \(Q\) 設計。 這不是唯一分類，但足以作後續實驗標記。 --- # 四十五、表示與觀測的組合 實際 probe 常是複合映射： \[ X \xrightarrow{E} R \xrightarrow{T} R' \xrightarrow{F} Y. \] 例如： \[ x \to \text{decimal expansion} \to \text{truncate 10 digits} \to \text{digit sum}. \] 如果最後看到規律，必須追蹤： \[ E,T,F \] 每一層的作用。 --- # 四十六、Probe Composition 若： \[ P:X\to Y, \quad Q:Y\to Z, \] 則： \[ Q\circ P:X\to Z. \] 一般有： \[ \operatorname{Fiber}(Q\circ P,z) \supseteq \operatorname{Fiber}(P,y) \] 在適當條件下會進一步合併信息。 所以 probe composition 通常增加信息損失，除非第二步是無損。 --- # 四十七、Refinement Composition 相反地，若同時使用多個 probe： \[ P_1,\ldots,P_k, \] 聯合映射： \[ P^{(k)}(x) = (P_1(x),\ldots,P_k(x)) \] 會減少 fiber： \[ [x]_{P^{(k+1)}} \subseteq [x]_{P^{(k)}}. \] 這是後續 probe calculus 的核心形式。 --- # 四十八、觀測成本 probe 不只要看資訊，也要看成本。 可定義： \[ \operatorname{Cost}(P). \] 例如： - residue mod 6 很便宜； - 大 modulus residue 更昂貴； - factorization 很昂貴； - primality test 有不同複雜度； - full divisibility scan 可能更昂貴。 真正重要的是： \[ \boxed{ \frac{\text{Task Information Gain}} {\text{Cost}} } \] 而不是 probe 越多越好。 --- # 四十九、Prime Probe Efficiency 對 prime task \(Q_{\mathrm{prime}}\)，可以考慮： \[ \eta(P) = \frac{ \Delta \operatorname{TaskLoss} }{ \operatorname{Cost}(P) }. \] 這不是最終定義，只是後續實驗可用的候選指標。 mod 6 的價值就在於： - 成本低； - 可快速排除大量合數； - 但 task loss 仍很高。 --- # 五十、為什麼「模 X 本身就是問題」 以前常問： > 哪個 modulus 對質數最有規律？ 現在應該改問： 1. 為什麼選 quotient family？ 2. modulus 在保留哪種 dependency？ 3. 信息損失如何隨 \(m\) 變化？ 4. 是否存在更便宜但更 task-sufficient 的 probe？ 5. 是否存在非 modular probe 能更直接壓縮 primality information？ 因此： \[ \boxed{ \text{modulus choice itself} } \] 成為被研究對象。 --- # 五十一、問題的問題 本系列稱這種操作為： \[ \boxed{ \text{meta-problem extraction}. } \] 原問題： \[ \text{Prime distribution under mod }6 \] 提升成： \[ \text{Why mod }6? \] 再提升成： \[ \text{Why quotient probes?} \] 再提升成： \[ \text{What class of probes minimizes task loss?} \] 這不是抽象遊戲，而是重新定位證明搜尋空間。 --- # 五十二、從 pattern search 到 probe search 傳統搜尋： \[ \text{find pattern in data}. \] SDRPC 轉換為： \[ \boxed{ \text{find probe family that exposes task-relevant invariant}. } \] 前者搜尋「規律」。 後者搜尋「能看見什麼的觀測器」。 這是一個重要方法論轉向。 --- # 五十三、對後續 Prime 驗證的直接規格 未來質數實驗至少要比較： \[ P_2, P_6, P_{30}, P_{210}, P_{2310}. \] 每層記錄： - modulus； - residue count； - candidate density； - prime retention； - composite rejection； - false-positive rate； - fiber size； - task loss； - computational cost。 不能只畫 residue pattern。 --- # 五十四、有限區間中的實驗量 對： \[ X_N=\{2,\ldots,N\}, \] 定義： \[ C_k(N) = C_k\cap X_N. \] 可測： \[ \operatorname{Compression}_k(N) = \frac{|C_k(N)|}{|X_N|}. \] \[ \operatorname{PrimeRetention}_k(N) = \frac{|C_k(N)\cap\mathbb P|}{|\mathbb P\cap X_N|}. \] 理想上： \[ \operatorname{PrimeRetention}_k(N)=1 \] 對大於 \(p_k\) 的質數成立。 再測： \[ \operatorname{FalsePositive}_k(N) = \frac{|C_k(N)\setminus\mathbb P|}{|C_k(N)|}. \] 這會直接量化 wheel probe 的限制。 --- # 五十五、有限實驗不能取代全域證明 即使： \[ N=10^{12} \] 也只能得到： \[ X_N \] 上的統計與反例搜尋。 所以： \[ \boxed{ \text{empirical probe efficiency} \neq \text{global theorem}. } \] 但有限實驗可以用來： - 淘汰錯誤 probe； - 找 counterexample； - 估計 scaling； - 發現候選 invariant； - 建立後續形式命題。 --- # 五十六、Cross-Representation Validation 對任何 digit-based 或 truncation-based 質數 pattern，至少要求： \[ b\in\{2,3,8,10,16\}. \] 如果 pattern 在多基數下仍以同構方式存在，再考慮是否有更深 invariant。 若只在某一基數存在，應保留為 representation-dependent observation。 --- # 五十七、Cross-Quotient Validation 對 modulus-based pattern，至少比較： \[ m=6,30,210,2310. \] 研究： - 是否只是 coarse-to-fine splitting； - 是否有跨 modulus invariant； - 是否存在某個 stable structure； - 是否 task loss 單調下降； - 是否 cost 增長太快。 --- # 五十八、本篇的形式防線 ## 58.1 Representation Is Not Ontology 表示規律不是自動的本體規律。 ## 58.2 Quotient Pattern Is Not Full Structure 商空間模式不能直接代表原域完整結構。 ## 58.3 Refinement Is Not Proof probe refinement 只增加辨識力，不自動產生證明。 ## 58.4 More Resolution Is Not More Understanding 更大的 modulus 不一定帶來更好的 proof compression。 ## 58.5 Multiple Probes Are Not Independent Evidence 若共享 dependency，不能當獨立證據。 --- # 五十九、本篇的核心命題 ## 命題 A：表示與觀測分離 \[ \boxed{ \text{representation} \neq \text{observation}. } \] ## 命題 B：Quotient 是有損觀測 \[ \boxed{ q:X\to X/{\sim} } \] 天然以 fiber 壓縮原域資訊。 ## 命題 C：Modulus 是 Quotient Probe \[ \boxed{ P_m(n)=n\bmod m } \] 是： \[ \mathbb Z\to\mathbb Z/m\mathbb Z \] 的商觀測。 ## 命題 D：Primorial Modulus 形成自然 Refinement Family \[ \boxed{ 2\to6\to30\to210\to2310\to\cdots } \] 是一族 nested quotient probes。 ## 命題 E：Wheel Candidate Domain 是必要條件壓縮 \[ \boxed{ \mathbb P_{>p_k} \subseteq C_k } \] 但： \[ C_k\not\subseteq\mathbb P. \] ## 命題 F：Probe Sufficiency 由 Fiber 決定 若同一 fiber 中存在： \[ Q=0 \] 與： \[ Q=1, \] 則 probe 對 \(Q\) 不充分。 --- # 六十、結論 本篇把： \[ \text{radix}, \text{subsequence}, \text{projection}, \text{truncation}, \text{quotient}, \text{modulus} \] 放進同一個 observation framework。 最重要的轉向是： \[ \boxed{ \text{不要只問看到了什麼規律， 而要問是哪個映射讓這個規律變得可見。} } \] 對質數而言： \[ 6k\pm1 \] 不再是神秘入口。 它被精確定位為： \[ \boxed{ \text{mod }6 \text{ quotient probe 下， 排除 }2,3\text{ 因子的必要候選影像。} } \] 而： \[ 6\to30\to210\to2310 \] 則是一個自然的 probe refinement family。 這族 refinement 真正做的是： \[ \boxed{ \text{逐步加入更多小質數整除約束， 縮小候選 fiber， 降低 primality task 的資訊損失。} } \] 但只要 fiber 中仍同時存在質數與合數： \[ \boxed{ \text{它就仍然不是 primality proof。} } \] 因此本篇為下一篇留下真正的核心問題： > 除了 modulus 之外，還有哪些 probe family？它們如何組合、比較、反向推理、計算信息增益，並判定何時已對某個 predicate 足夠？ 這正是第 3 篇「探針演算」的主題。 --- # 附錄 A：核心符號 \[ E:X\to R \] 表示映射。 \[ P:X\to Y \] probe / observation。 \[ \operatorname{Fiber}(P,y) = P^{-1}(y) \] fiber。 \[ q:X\to X/{\sim} \] quotient map。 \[ P_m(n)=n\bmod m \] modulus probe。 \[ M_k=\prod_{i=1}^{k}p_i \] primorial modulus。 \[ C_k=\{n:\gcd(n,M_k)=1\} \] wheel candidate domain。 \[ \operatorname{TaskLoss}(P,Q) \] probe 對指定 predicate 的任務性資訊損失。 --- # 附錄 B：下一篇 **第 3 篇：探針演算** 下一篇將正式建立： - Extractive Probe； - Derived Probe； - Comparative Probe； - Relational Probe； - Spectral Probe； - Bidirectional Probe； - Probe Composition； - Probe Refinement； - Probe Equivalence； - Probe Provenance； - Probe Independence； - Task Sufficiency； - Observable Exhaustion。 核心問題： \[ \boxed{ \text{如何把「觀測器」本身變成可計算、可比較、可組合、 可反向推理的數學對象？} } \]