# Paper 03｜多表示不是多份記憶：Vector、Graph、Tensor、Symbol 與 Raw Source 的共同本體

## Multiple Representations Are Not Multiple Memories: A Shared Ontology for Vectors, Graphs, Tensors, Symbols, and Raw Sources

**系列：** 反身多表示認知記憶架構系列（Reflexive Multi-Representation Cognitive Memory Architecture Series）  
**篇次：** Paper 03 / 14  
**作者：** Neo.K with Aletheia  
**機構：** EveMissLab／一言諾科技有限公司  
**版本：** v0.1 Canonical Draft  
**日期：** 2026-09-11  
**文件性質：** 多表示本體論／記憶架構／跨表示編譯與治理  
**前篇：** Paper 02｜動態顯影與任務條件化耦合：SGCD 作為認知場動力學  
**Canonical Source：** UTF-8 Markdown  
**數學原始碼規範：** inline math 僅使用 ` $...$ `；display math 僅使用 `$$...$$`

---

## 摘要

未來人工智慧記憶不會只存在於單一資料表示中。Raw source、事件紀錄、自然語言、向量嵌入、Knowledge Graph、Context Graph、局部張量態、ISQL、形式符號、程式 AST、執行 trace、semantic crystal 與 world-state projection 都可能同時存在，並服務不同認知任務。然而，若每一種 representation 都被當成一份獨立記憶，系統將迅速出現版本漂移、來源失真、跨表示矛盾、重複儲存、錯誤權威與「哪一份才是真的」等問題。

本文提出「共同記憶本體、多表示投影」（Shared Memory Ontology with Multiple Projections）作為反身多表示認知記憶架構的第三個核心層。其基本立場是：

$$
\boxed{
\text{Multiple Representations}
\neq
\text{Multiple Independent Memories}
}
$$

而應理解為：

$$
\boxed{
\mathfrak M_t
\xrightarrow{\Pi_i}
R_i
}
$$

其中 $\mathfrak M_t$ 是可由 exact substrate、identity、relation、history、provenance、epistemic state 與 dynamic field 共同支持的記憶本體，而 $R_i$ 是特定用途下的 projection、materialization 或 compiled view。

本文區分五種容易被混淆的層次：

1. **Canonical Evidence / Exact Source**：原始來源、事件與不可變證據；
2. **Memory Ontology State**：身份、版本、關係、歷史、認識狀態與可重建結構；
3. **Operational Representation**：Vector、Graph、Tensor、Symbol、ISQL、AST、Natural Language 等；
4. **Working Projection**：針對任務、模型、權限與預算生成的局部工作表示；
5. **Rendered Surface**：提供人類或外部系統閱讀的文字、圖像、UI 或報告。

因此：

$$
\boxed{
\text{Source}
\neq
\text{Ontology}
\neq
\text{Representation}
\neq
\text{Working State}
\neq
\text{Rendered View}
}
$$

本文進一步提出 Representation Contract、Cross-Representation Invariant、Projection Receipt、Round-Trip Verification、Canonical Authority Separation、Representation Drift、Loss Budget 與 Precision Escalation 等概念。核心目標不是要求所有 representation 彼此完全可逆，而是明確管理：哪些性質必須保存、哪些資訊可以失真、哪一層具有權威、何時需要回到 exact source，以及何時可以只使用高階結晶或近似視圖。

由此，Vector 不再被視為 memory item 本身；Graph 不再被視為唯一知識世界；Tensor 不再被視為完整 semantic truth；Symbol 不再因可讀或可形式化而自動取得 canonical authority；Raw Source 也不直接等於 current semantic validity。所有表示都被放回同一個具有來源、版本、權限、演化與可重建性的共同認知記憶本體中。

**關鍵詞：** Multi-Representation Memory、Vector Memory、Graph Memory、Tensor-Native Memory、ISQL、Raw Source、Canonical Authority、Projection、Semantic Invariant、Cross-Representation Consistency、Memory Ontology

---

# 0. 本篇定位：真正的問題不是選哪一種表示

Paper 01 建立：

$$
\boxed{
\text{Graph}
=
\text{Task-Compiled Cognitive Projection}
}
$$

Paper 02 進一步建立：

$$
\boxed{
G_{\xi,t}
=
\Pi_{\xi,t}^{graph}
(
\mathbb M_t
)
}
$$

並說明顯影與耦合依任務、時間、observer、authority、working state 與 budget 而變。

一旦接受這兩點，下一個問題自然出現：

> 如果 Graph 只是 projection，那 Vector、Tensor、Symbol、ISQL、Raw Source 又是什麼？

最容易犯的錯誤是把每個 representation 視為不同 memory system：

$$
M_{vector},
M_{graph},
M_{tensor},
M_{symbol},
M_{raw}.
$$

然後用同步機制努力維持它們一致。

本文主張這個起點不理想。

更合理的是：

$$
\boxed{
\text{One governed memory ontology}
\rightarrow
\text{many representations}
}
$$

也就是：

$$
\boxed{
\mathfrak M_t
\rightarrow
\{
R_1,R_2,\ldots,R_n
\}.
}
$$

---

# 1. 五層必須分開

本文先定義五個層次。

## 1.1 Exact Source Layer

令：

$$
\mathcal X_t
$$

表示 exact substrate。

它保存：

- 原始文件；
- 原始對話；
- 原始事件；
- tool output；
- 程式碼版本；
- commit；
- hash；
- timestamp；
- immutable receipt；
- external evidence。

它回答：

> 當時實際存在或發生了什麼？

## 1.2 Memory Ontology Layer

令：

$$
\mathfrak M_t
$$

表示長期記憶本體狀態。

它回答：

- 這些來源指向哪些 object？
- 哪些 object 具有同一 identity？
- 哪些版本互相取代？
- 哪些 relation 是 proposal？
- 哪些已被驗證？
- 哪些仍 unresolved？
- 哪些 branch 仍存在？
- 哪些 structure 可以被重建？

## 1.3 Representation Layer

令：

$$
\mathcal R
=
\{
R_{vec},
R_{graph},
R_{tensor},
R_{symbol},
R_{ISQL},
R_{AST},
R_{NL},
\ldots
\}.
$$

它回答：

> 要用什麼 machine-operable form 表示當前需要的結構？

## 1.4 Working Projection Layer

令：

$$
W_{\xi,t}^{(r)}
$$

表示條件 $\xi$ 下、以 representation $r$ 形成的工作表示。

它回答：

> 現在這個模型真正要吃什麼？

## 1.5 Render Layer

令：

$$
Y_{\lambda}
$$

表示面向某個外部介面的 render。

例如：

- 中文；
- English；
- diagram；
- UI；
- JSON；
- PDF；
- code；
- speech。

因此：

$$
\boxed{
\mathcal X_t
\neq
\mathfrak M_t
\neq
R_i
\neq
W_{\xi,t}^{(i)}
\neq
Y_{\lambda}.
}
$$

---

# 2. 為什麼 Raw Source 也不是「完整記憶」

Raw source 很重要。

但：

$$
\boxed{
\text{Exact Source}
\neq
\text{Current Memory State}.
}
$$

假設歷史中存在：

$$
D_{v1}
$$

與：

$$
D_{v2}.
$$

兩份 raw file 都是真實存在。

但目前有效版本可能只有：

$$
\operatorname{Current}(D)=D_{v2}.
$$

或者：

$$
D_{v2}
$$

後來又被否定。

所以 exact source 只能保證：

$$
\operatorname{ExistsHistorically}(x).
$$

不能直接推出：

$$
\operatorname{ValidNow}(x).
$$

因此：

$$
\boxed{
\text{Historical Exactness}
\neq
\text{Semantic Currency}.
}
$$

---

# 3. Raw Source 的真正角色

Raw source 應是：

$$
\boxed{
\text{Recovery Substrate}
}
$$

而不是：

$$
\text{Everyday Active Representation}.
$$

它負責：

- audit；
- dispute resolution；
- exact reconstruction；
- provenance；
- rollback；
- forensic verification；
- re-derivation。

平常 cognition 不應每一步都重讀全部 raw source。

否則：

$$
\text{Memory}
\rightarrow
\text{Archive Search}
$$

而不是：

$$
\text{Cognitive Continuity}.
$$

---

# 4. Vector：最強的近似介面之一，但不是身份

令：

$$
E(x)
=
\mathbf z_x
\in
\mathbb R^d.
$$

Vector representation 的價值包括：

- fuzzy similarity；
- semantic neighborhood；
- cross-lingual retrieval；
- latent clustering；
- continuous optimization；
- nearest-neighbor search。

但：

$$
\boxed{
\mathbf z_x
\neq
\operatorname{Identity}(x).
}
$$

因為：

1. encoder 版本改變，向量會改；
2. 不同模型 latent space 不同；
3. normalization 不同；
4. projection head 不同；
5. 同一 object 可有多個 embedding。

所以：

$$
E_{v1}(x)
\neq
E_{v2}(x)
$$

完全正常。

因此：

$$
\boxed{
\text{Embedding}
=
\text{Representation Instance}
}
$$

而不是 canonical identity。

---

# 5. Vector 也不是完整語義

即使：

$$
\mathbf z_x
$$

很高維，也不能假設：

$$
\mathbf z_x
=
\operatorname{Meaning}(x).
$$

原因包括：

- decoder dependence；
- training distribution；
- model-specific geometry；
- local aliasing；
- relation compression；
- task dependence。

所以：

$$
\boxed{
\text{High Dimension}
\neq
\text{Ontological Completeness}.
}
$$

十萬維 vector 仍可能只是一階 projection。

---

# 6. Graph：顯式關係強，但仍是離散視圖

Graph：

$$
G=(V,E)
$$

優於單向量之處，在於顯式保存：

- identity relation；
- dependency；
- causality；
- contradiction；
- version；
- provenance；
- branch。

但如 Paper 01 所示：

$$
G_{\xi}
=
\Pi_{\xi}^{graph}
(
\mathfrak M
).
$$

所以 Graph 的限制是：

- discretization；
- threshold dependence；
- schema dependence；
- edge-type dependence；
- scale dependence。

因此：

$$
\boxed{
\text{Graph Explicitness}
\neq
\text{Graph Ontological Finality}.
}
$$

---

# 7. Tensor：關係態可以更原生，但 Tensor 也不是 Truth

Tensor representation 可以表達：

$$
\mathbb T
\in
\mathcal V_1
\otimes
\mathcal V_2
\otimes
\cdots
\otimes
\mathcal V_k.
$$

它適合描述：

- multimodal relation；
- conditional state；
- coupled modes；
- high-order interaction。

但：

$$
\boxed{
\text{Tensor-Native}
\neq
\text{Canonical Truth}.
}
$$

Tensor 仍可能是：

- inferred；
- compressed；
- learned；
- approximate；
- model-dependent；
- task-conditioned。

所以 Tensor 提供的是：

$$
\text{richer operational ontology}
$$

而不是自動真理權。

---

# 8. Symbol：精確不等於完整

形式符號：

$$
\sigma
$$

的優勢是：

- exact syntax；
- compositional rule；
- machine checking；
- low ambiguity；
- formal proof compatibility。

但：

$$
\boxed{
\text{Symbolic Precision}
\neq
\text{Semantic Completeness}.
}
$$

一個公式可能精確表示某個 formal slice，卻忽略：

- original intent；
- scope；
- hidden assumption；
- context；
- historical reason；
- alternative interpretation。

所以 Symbol 很適合：

$$
\text{Commit}
$$

卻不一定適合：

$$
\text{Explore}.
$$

---

# 9. ISQL：高精度 machine representation，但不應壟斷 cognition

ISQL 類表示提供：

$$
\text{Identity}
+
\text{Registry}
+
\text{Version}
+
\text{CanonicalForm}
+
\text{DecoderContract}.
$$

這對：

- cross-agent handoff；
- long-term addressability；
- stable binding；
- machine validation；

非常重要。

但如果所有 cognition 都被要求：

$$
x
\rightarrow
ISQL(x)
$$

才可運作，會導致：

- compilation overhead；
- schema pressure；
- exploratory rigidity；
- representation mismatch。

因此本文採：

$$
\boxed{
ISQL
=
\text{Precision Domain}
}
$$

而不是：

$$
\text{Universal Cognitive Substrate}.
$$

---

# 10. Natural Language：不是低等格式，而是另一種高價值 projection

自然語言常被 AI 原生表示研究視為：

> 要被淘汰的人類介面。

本文不採這種簡化。

自然語言具有：

- 高壓縮社會語境；
- 模糊容忍；
- 類比能力；
- 可談未知；
- 可談未定義；
- 可快速創造新概念；
- 人類可共享。

因此：

$$
\boxed{
\text{Natural Language}
\neq
\text{Primitive Noise}.
}
$$

它是：

$$
\boxed{
\text{High-Flexibility Human-Semantic Projection}.
}
$$

只是它不應被誤當 canonical machine ontology。

---

# 11. 同一記憶可以同時存在多種表示

令記憶 object：

$$
m
$$

有 identity：

$$
ID(m).
$$

它可以同時存在：

$$
R_{vec}(m),
$$

$$
R_{graph}(m),
$$

$$
R_{tensor}(m),
$$

$$
R_{symbol}(m),
$$

$$
R_{ISQL}(m),
$$

$$
R_{NL}(m).
$$

但這些不表示：

$$
m_1,m_2,\ldots,m_6.
$$

而是：

$$
\boxed{
\{R_i(m)\}_{i=1}^{6}
}
$$

——同一 memory object 的六種 representation。

---

# 12. Identity 必須跨表示穩定

若：

$$
ID_{graph}(x)
\neq
ID_{ISQL}(x)
$$

而系統沒有 bridge，就會出現 duplicate identity。

因此必須存在：

$$
\boxed{
\operatorname{Bind}
(
ID,
R_i
)
}
$$

即：

$$
B_i:
ID(x)
\leftrightarrow
R_i(x).
$$

Representation 可以改。

Identity 不應因 representation 改變而被默默改寫。

---

# 13. Representation Contract

本文提出每一 representation 都應攜帶：

$$
\boxed{
C_R
=
(
\text{type},
\text{version},
\text{source},
\text{scope},
\text{resolution},
\text{invariants},
\text{loss},
\text{decoder},
\text{validator},
\text{authority}
)
}
$$

其中：

- `type`：vector / graph / tensor / symbol / ISQL / NL；
- `version`：encoder / schema / format version；
- `source`：從哪個 state 投影；
- `scope`：表示範圍；
- `resolution`：解析度；
- `invariants`：必須保存內容；
- `loss`：已知損失；
- `decoder`：如何解讀；
- `validator`：如何檢查；
- `authority`：此表示是否可作 commit source。

沒有 contract 的 representation 很容易被誤用。

---

# 14. Projection 不是 Copy

從 ontology：

$$
\mathfrak M
$$

到 representation：

$$
R_i
$$

不應理解為：

$$
R_i
=
Copy(
\mathfrak M
).
$$

而是：

$$
\boxed{
R_i
=
\Pi_i(
\mathfrak M
|
\text{task},
\text{resolution},
\text{budget}
).
}
$$

也就是選擇性顯現。

Projection 必然回答：

> 哪些東西現在要保留？

所以：

$$
\Pi_i
$$

本身就是 cognition policy。

---

# 15. Projection 的三種情況

## 15.1 Lossless within Scope

對指定 scope：

$$
Recover(
\Pi_i(x)
)
=
x.
$$

## 15.2 Bounded Loss

$$
d(
x,
Recover(\Pi_i(x))
)
\le
\epsilon.
$$

## 15.3 Irreversible View

例如 human-readable summary：

$$
Y
=
Render(x)
$$

不要求：

$$
Render^{-1}(Y)=x.
$$

這三者不能混淆。

---

# 16. Canonical 不等於 Lossless Projection

即使某 representation 是 lossless，也不代表它是 canonical authority。

例如：

$$
ZIP(raw)
$$

可以 lossless。

但它不是 semantic truth authority。

因此：

$$
\boxed{
\text{Losslessness}
\neq
\text{Canonicality}.
}
$$

Canonicality 是治理關係。

---

# 17. Canonical Authority 的分離

本文提出：

$$
A_c(R)
\in
\{
\text{none},
\text{derived},
\text{operational},
\text{commit},
\text{source}
\}.
$$

例如：

- embedding：`derived`；
- task graph：`operational`；
- ISQL validated state：可能 `commit`；
- raw event receipt：`source`。

因此：

$$
\boxed{
\text{Readable}
\neq
\text{Authoritative}.
}
$$

以及：

$$
\boxed{
\text{Machine Efficient}
\neq
\text{Authoritative}.
}
$$

---

# 18. Source Authority 與 Semantic Authority 也不同

Raw source 可以有：

$$
A_{source}=1.
$$

但：

$$
A_{semantic}
$$

未必為 1。

例如一份舊文件真實存在，但其中命題已被否定。

所以：

$$
\boxed{
\text{Source Authenticity}
\neq
\text{Semantic Validity}.
}
$$

---

# 19. Derived Representation 不可靜默覆寫 Source

如果 AI 生成：

$$
R_{graph}^{new}
$$

不能因此修改：

$$
\mathcal X.
$$

正確流程：

$$
\text{DerivedProposal}
\rightarrow
\text{Validation}
\rightarrow
\text{OntologyUpdate}
$$

而：

$$
\text{RawSource}
$$

仍保持原樣。

所以：

$$
\boxed{
\text{Projection Write}
\neq
\text{Source Rewrite}.
}
$$

---

# 20. Cross-Representation Invariant

不同 representation 不需要完全相同。

但應定義：

$$
I
=
\{
i_1,i_2,\ldots,i_k
\}
$$

作為必須保存的不變量。

例如：

- object identity；
- negation；
- quantifier；
- version；
- source；
- causal direction；
- epistemic status。

若：

$$
R_a
\rightarrow
R_b
$$

則要求：

$$
\boxed{
I(R_a)
=
I(R_b)
}
$$

或在允許近似時：

$$
d_I(
I(R_a),
I(R_b)
)
\le
\epsilon_I.
$$

---

# 21. 不同任務需要不同 invariant

翻譯任務可能要求：

$$
I_{translation}
=
\{
\text{claim},
\text{negation},
\text{quantifier},
\text{modality}
\}.
$$

程式執行任務可能要求：

$$
I_{execution}
=
\{
\text{type},
\text{dependency},
\text{precondition},
\text{postcondition}
\}.
$$

歷史重建可能要求：

$$
I_{history}
=
\{
\text{time},
\text{source},
\text{version},
\text{branch}
\}.
$$

所以：

$$
\boxed{
I
=
I(\tau).
}
$$

---

# 22. Cross-Representation Consistency 不等於相同輸出

中文：

$$
R_{zh}
$$

英文：

$$
R_{en}
$$

Graph：

$$
R_G
$$

可以形式不同。

只要：

$$
I_{\tau}(R_{zh})
=
I_{\tau}(R_{en})
=
I_{\tau}(R_G).
$$

所以一致性應定義在：

$$
\text{invariant space}
$$

而不是：

$$
\text{surface equality}.
$$

---

# 23. Round-Trip Verification

若：

$$
R_A
\xrightarrow{T_{AB}}
R_B
$$

可再投影回：

$$
\widehat R_A
=
T_{BA}(R_B),
$$

則可以檢查：

$$
D(
R_A,
\widehat R_A
).
$$

但 Round-Trip 也不是完美保證。

因為兩個 decoder 可能共享同一錯誤。

所以：

$$
\boxed{
\text{Round-Trip}
=
\text{One Validator}
}
$$

而不是終極真理測試。

---

# 24. Projection Receipt

每一次重要 representation transition 應留下：

$$
\boxed{
Receipt_{\Pi}
=
(
\text{source},
\text{target},
\text{transform},
\text{version},
\text{invariants},
\text{loss},
\text{validator},
\text{time}
)
}
$$

這使未來可以回答：

> 這張 graph 是怎麼從哪個 state 生成的？

而不是只剩一個結果檔。

---

# 25. Representation Drift

若同一 object：

$$
x
$$

長期存在多種 representation：

$$
R_i^t(x),
$$

則不同 representation 可能逐步漂移。

定義：

$$
D_{ij}^{t}
=
D_I(
R_i^t(x),
R_j^t(x)
).
$$

若：

$$
D_{ij}^{t}
>
\theta
$$

則觸發：

$$
Reconcile(
R_i,
R_j
).
$$

這叫：

$$
\boxed{
\text{Representation Drift Detection}.
}
$$

---

# 26. Drift 不代表一定要合併

如果 Graph 表示的是：

$$
\text{CurrentWorkingState}
$$

而 Raw Source 是：

$$
\text{HistoricalRecord},
$$

兩者不同是正常的。

所以 reconcile 前要先問：

$$
\boxed{
\text{Should these representations agree?}
}
$$

而不是看到差異就同步。

---

# 27. Synchronization Fallacy

最危險的多表示設計之一是：

> 所有 representation 永遠互相同步。

如果：

$$
R_1,R_2,\ldots,R_n
$$

都被要求實時 identical，系統會失去：

- representation specialization；
- historical distinction；
- exploratory branches；
- lossy efficiency。

因此：

$$
\boxed{
\text{Consistency}
\neq
\text{Universal Synchronization}.
}
$$

---

# 28. Projection Family

本文定義：

$$
\mathcal P
=
\{
\Pi_{raw},
\Pi_{vec},
\Pi_{graph},
\Pi_{tensor},
\Pi_{symbol},
\Pi_{ISQL},
\Pi_{NL},
\Pi_{crystal}
\}.
$$

每個：

$$
\Pi_i
$$

都有不同：

- fidelity；
- cost；
- latency；
- explainability；
- machine usability；
- human usability。

所以 representation selection 是多目標問題。

---

# 29. Representation Selection Function

令：

$$
SelectRep(
\tau,
M,
B,
R,
U
)
\rightarrow
r.
$$

其中：

- $\tau$：task；
- $M$：consumer model；
- $B$：budget；
- $R$：risk；
- $U$：uncertainty。

例如：

探索：

$$
r
=
\text{Vector}+\text{Graph}.
$$

正式證明：

$$
r
=
Symbol+ISQL+RawSource.
$$

UI 呈現：

$$
r
=
NaturalLanguage+Diagram.
$$

---

# 30. Representation Stack

某些任務不是選一種表示，而是組合：

$$
\boxed{
R^{stack}
=
R_{graph}
\oplus
R_{vec}
\oplus
R_{source}.
}
$$

例如：

- Graph 提供結構；
- Vector 提供 fuzzy recall；
- Raw 提供 exact support。

所以：

$$
\text{Multi-Representation}
$$

不表示：

$$
\text{one representation at a time}.
$$

---

# 31. Mixed Projection

定義：

$$
\Pi_{\mathrm{mix}}
=
F(
\Pi_{graph},
\Pi_{vec},
\Pi_{symbol}
).
$$

輸出可以是一個：

$$
\text{WorkingObject}
=
(
\text{GraphSlice},
\text{VectorCandidates},
\text{SymbolicConstraints}
).
$$

這比強迫所有資訊進同一格式更符合 AI cognition。

---

# 32. Representation Switching

AI 應能在 cognition 中切換：

$$
R_{vec}
\rightarrow
R_{graph}
\rightarrow
R_{symbol}
\rightarrow
R_{raw}.
$$

這不是資料轉檔而已。

它是：

$$
\boxed{
\text{Cognitive Resolution Switching}.
}
$$

每次切換都可能改變：

- 可見結構；
- 可操作算子；
- loss；
- cost；
- uncertainty。

---

# 33. Cross-Representation Hyperlink

因此超連結可連接不同 representation：

$$
H:
R_i
\xRightarrow{}
R_j.
$$

例如：

$$
\text{VectorCluster}
\rightarrow
\text{GraphCommunity}
$$

$$
\text{GraphClaim}
\rightarrow
\text{RawSource}
$$

$$
\text{Crystal}
\rightarrow
\text{ISQLContract}
$$

$$
\text{SymbolicProofNode}
\rightarrow
\text{ExecutionTrace}.
$$

所以未來 hyperlink 不只連 object。

它也連：

$$
\boxed{
\text{representation domains}.
}
$$

---

# 34. Representation Transition 也要有成本

令：

$$
C_{ij}
=
Cost(
R_i
\rightarrow
R_j
).
$$

可能包括：

- compute；
- token；
- latency；
- validator；
- source access；
- human review。

因此 cognition routing 應考慮：

$$
\boxed{
\text{semantic gain}
-
\text{transition cost}.
}
$$

---

# 35. Precision Escalation as Representation Path

Explore：

$$
R_{vec}
\rightarrow
R_{graph}.
$$

Resolve：

$$
R_{graph}
\rightarrow
R_{ISQL}.
$$

Verify：

$$
R_{ISQL}
\rightarrow
R_{raw}.
$$

Commit：

$$
R_{raw}
+
R_{ISQL}
+
\text{Validator}.
$$

這形成：

$$
\boxed{
\text{Representation Escalation Path}.
}
$$

---

# 36. Precision De-escalation

反方向也重要。

完成 exact validation 後，不需要永久把全部 exact detail 留在 working memory。

可以：

$$
R_{raw}
\rightarrow
R_{crystal}.
$$

因此：

$$
\boxed{
\text{Precision Escalation}
\leftrightarrow
\text{Cognitive Compression}.
}
$$

---

# 37. Crystal 是 Representation 還是 Memory Object？

答案是：

> 兩者都可能，但必須分層。

Crystal 可以是：

$$
R_{crystal}(m)
$$

即某 memory object 的高階 representation。

但若它具有：

- stable identity；
- lifecycle；
- provenance；
- reusable behavior；
- independent relation；

則也可以成為新的 higher-order memory object：

$$
m_{crystal}.
$$

因此：

$$
\boxed{
\text{Representation}
\rightarrow
\text{Re-unitized Object}
}
$$

在特定 gate 下成立。

---

# 38. 什麼時候 Representation 能升格為 Object

本文提出最低 gate：

$$
G_{unit}
=
G_{identity}
\land
G_{stability}
\land
G_{provenance}
\land
G_{recoverability}
\land
G_{utility}.
$$

只有全部成立，projection 才能被重新單元化。

否則它仍只是 temporary view。

---

# 39. Representation Inflation 風險

如果每個 query 都生成：

$$
R_i
$$

並永久存成 object：

$$
|M|
\rightarrow
\infty.
$$

所以：

$$
\boxed{
\text{Projection}
\not\Rightarrow
\text{Persistence}.
}
$$

持久化需要 gate。

---

# 40. Temporary Representation

系統應容許：

$$
R_{temp}
$$

只存在於一次 cognition cycle。

其 lifecycle：

$$
\text{Create}
\rightarrow
\text{Use}
\rightarrow
\text{Discard}.
$$

只保留：

$$
\text{Receipt}.
$$

這可大幅降低 memory pollution。

---

# 41. Persistent Representation

若：

$$
ReuseProbability(R)
>
\theta
$$

或：

$$
AuditValue(R)
>
\theta
$$

可持久化。

因此：

$$
Persist(R)
$$

是資源決策。

---

# 42. Representation Cache

某些 projection 可作為 cache：

$$
Cache(
\Pi_i(\mathfrak M)
).
$$

但 cache invalidation 需考慮：

- source version change；
- ontology change；
- relation update；
- authority change。

所以：

$$
\boxed{
\text{Representation Cache}
\neq
\text{Canonical Memory}.
}
$$

---

# 43. Version Binding

每個 representation 至少應知道：

$$
\text{SourceVersion}.
$$

如果：

$$
R_G
$$

來自：

$$
M_{v3}
$$

而 ontology 已到：

$$
M_{v5},
$$

則：

$$
R_G
$$

可能 stale。

所以：

$$
\boxed{
\text{Representation Validity}
\text{ is version-relative}.
}
$$

---

# 44. Semantic Policy Change 造成舊 Projection 陳舊化

若 ontology contract：

$$
C_1
\rightarrow
C_2,
$$

先前：

$$
R_i^{C_1}
$$

可能需要：

$$
Revalidate(
R_i^{C_1}
|
C_2
).
$$

因此：

$$
\boxed{
\text{Semantic Policy Change}
\Rightarrow
\text{Possible Representation Staleness}.
}
$$

---

# 45. Decoder Contract

任何 machine-native representation 都不能假設：

> 未來模型自然會知道怎麼讀。

所以：

$$
R
$$

應綁定：

$$
D_R.
$$

即：

$$
\boxed{
(R,D_R)
}
$$

而不是只有 bytes。

這對長期 AI memory 特別重要。

---

# 46. Decoder Version

若：

$$
D_{v1}
\neq
D_{v2}
$$

同一 payload 可能產生不同 meaning。

因此：

$$
\boxed{
\text{Representation Version}
+
\text{Decoder Version}
}
$$

必須共同記錄。

---

# 47. Anchor 不是 Meaning

Semantic Anchor 可以幫助不同 representation 對齊。

但：

$$
\boxed{
Anchor(x)
\neq
\operatorname{Meaning}(x).
}
$$

Anchor 提供：

- localization；
- relative relation；
- reconstruction handle。

它不必包含完整內容。

---

# 48. Cross-Model Representation

模型：

$$
M_A
$$

與：

$$
M_B
$$

可能具有不同 latent space。

因此：

$$
Z_A(x)
\not\cong
Z_B(x).
$$

若要跨模型共享，應透過：

- stable ID；
- anchor；
- typed relation；
- source；
- decoder contract；
- structured IR。

而不是假設 embedding 可直接搬移。

---

# 49. Model-Native Projection

不同模型可以擁有：

$$
\Pi^{M_A}
$$

與：

$$
\Pi^{M_B}.
$$

所以：

$$
R^{M_A}(x)
\neq
R^{M_B}(x)
$$

可以成立。

只要：

$$
I_{\tau}
$$

保持。

因此：

$$
\boxed{
\text{Shared Memory}
\neq
\text{Shared Internal Representation}.
}
$$

---

# 50. Multi-Agent Shared Memory

若 Agent A、B 共用：

$$
\mathfrak M
$$

A 可以使用：

$$
R_A
=
\Pi_A(\mathfrak M),
$$

B 使用：

$$
R_B
=
\Pi_B(\mathfrak M).
$$

這比要求：

$$
R_A=R_B
$$

更合理。

共享的是：

$$
\boxed{
\text{identity, provenance, relation contracts, and reconstructability}
}
$$

不是所有 internal state。

---

# 51. Working Memory 是 Representation Bundle

一次任務工作態可表示：

$$
\widehat W_{\xi}
=
(
R_{graph},
R_{vec},
R_{symbol},
\text{SourceHandles},
\text{OpenNodes}
).
$$

它不是單一 format。

因此：

$$
\boxed{
\text{Working Memory}
=
\text{Task-Compiled Representation Bundle}.
}
$$

---

# 52. Model Input 只是 Working Memory 的再投影

最終送進模型 context：

$$
C_t
$$

可能只是：

$$
C_t
=
Render(
\widehat W_{\xi}
).
$$

所以：

$$
\boxed{
\text{Context}
\neq
\text{Working Memory}.
}
$$

更不等於：

$$
\text{Long-Term Memory}.
$$

---

# 53. Memory Continuity 不依賴固定文字

若一個 task 昨天以文字表示：

$$
R_{NL}^{t}
$$

今天改為：

$$
R_{graph}^{t+1},
$$

只要 identity、state、provenance、open nodes、next actions 可恢復：

$$
Continuity=1.
$$

因此：

$$
\boxed{
\text{Memory Continuity}
\neq
\text{Surface Persistence}.
}
$$

---

# 54. 表示可消失，但記憶不能因此消失

若 cached graph：

$$
G_c
$$

被刪除，

系統應能：

$$
\mathfrak M
\rightarrow
Rebuild(G_c).
$$

因此：

$$
\boxed{
\text{Rebuildable Projection}
\text{ may be disposable}.
}
$$

這是降低 storage complexity 的重要原則。

---

# 55. Index 也是 Representation

向量 index、graph index、lexical index 都應被理解為：

$$
\boxed{
\text{Rebuildable Access Representation}.
}
$$

不是 canonical truth。

因此 index corruption 不應等同 memory corruption。

---

# 56. Representation Failure 分級

本文暫分：

## L1：Surface Failure

文字 render 不佳。

## L2：Projection Failure

某 projection 遺失必要 invariant。

## L3：Binding Failure

representation 指向錯 identity。

## L4：Ontology Failure

底層 relation / state 本身錯誤。

## L5：Source Failure

原始證據缺失或不可驗證。

這五層需要不同修復方式。

---

# 57. Representation Repair

若只是：

$$
L2
$$

錯誤，可：

$$
Reproject(
\mathfrak M
).
$$

若：

$$
L3
$$

則需：

$$
\text{Rebind}.
$$

若：

$$
L4
$$

則需：

$$
\text{EpistemicReview}.
$$

若：

$$
L5
$$

則可能需要：

$$
\text{ExternalRecovery}.
$$

這避免把所有問題都當成「重新 embedding」。

---

# 58. Representation Conflict

若：

$$
R_{graph}
$$

說：

$$
A\rightarrow B
$$

但：

$$
R_{symbol}
$$

說：

$$
A\nrightarrow B,
$$

不能直接平均。

應判斷：

1. 是否 projection scope 不同？
2. version 是否不同？
3. invariant 是否不同？
4. source 是否不同？
5. 是否某 representation stale？
6. 是否 ontology 真有 unresolved contradiction？

所以 conflict 是 diagnostic signal。

---

# 59. 不應追求 Representation Collapse

一個誘惑是：

> 既然多表示麻煩，不如找到唯一 universal representation。

本文不否認遠期可能存在更通用 machine representation。

但在目前架構中：

$$
\boxed{
\text{Representation Diversity}
}
$$

本身具有價值。

因為不同 representation 擅長不同認知操作。

---

# 60. Representation Specialization

Vector 擅長：

$$
\text{approximate neighborhood}.
$$

Graph 擅長：

$$
\text{explicit relation}.
$$

Tensor 擅長：

$$
\text{multimodal coupling}.
$$

Symbol 擅長：

$$
\text{exact manipulation}.
$$

Raw 擅長：

$$
\text{audit}.
$$

Crystal 擅長：

$$
\text{recursive compression}.
$$

Natural Language 擅長：

$$
\text{human semantic negotiation}.
$$

所以：

$$
\boxed{
\text{Diversity}
=
\text{Functional Specialization}.
}
$$

---

# 61. 多表示系統的真正挑戰：路由

當 representation 越來越多，核心問題變成：

> 何時用哪個？

因此：

$$
\boxed{
\text{Representation Problem}
\rightarrow
\text{Routing Problem}.
}
$$

這會直接接到 Paper 06 的 AI Hyperlink。

---

# 62. Representation Router

本文先定義：

$$
\rho_t
=
Router(
\text{task},
\text{state},
\text{risk},
\text{budget},
\text{model},
\text{uncertainty}
).
$$

輸出：

$$
\rho_t
\rightarrow
(
R_i,
R_j,
\text{transition}
).
$$

它可以決定：

- 留在 current representation；
- 升級 precision；
- 降低 resolution；
- 查 raw；
- 轉 graph；
- 打開 crystal。

---

# 63. Router 不應只有成本最佳化

如果只做：

$$
\min \text{Cost}
$$

可能長期停留在低精度。

所以：

$$
U_{\rho}
=
\text{Gain}
-
\text{Cost}
-
\text{Risk}
-
\text{Distortion}
-
\text{Staleness}.
$$

需要平衡。

---

# 64. Representation 與反身性

反身 AI 還會問：

> 我現在為什麼用 Graph 看這個問題？

這表示 representation choice 本身成為 cognition object。

令：

$$
RChoice_t
$$

可被：

$$
Observe(
RChoice_t
).
$$

這形成：

$$
\boxed{
\text{Representation Reflexivity}.
}
$$

---

# 65. Representation Reflexivity 的風險

如果 AI 每一步都重新評估 representation：

$$
\text{Switch}
\rightarrow
\text{EvaluateSwitch}
\rightarrow
\text{EvaluateEvaluation}
\rightarrow
\cdots
$$

會產生 meta-overhead。

所以 representation switching 也需要 stop rule。

---

# 66. Stable Route Compilation

若反覆出現：

$$
R_{vec}
\rightarrow
R_{graph}
\rightarrow
R_{ISQL}
$$

且成功率高，可編譯成：

$$
H_{VGQ}.
$$

未來：

$$
TaskType_X
\xRightarrow{H_{VGQ}}
\text{ResolvedState}.
$$

這是 representation routing 的結晶。

---

# 67. Representation Route 不能編譯 Authority

即使 route 過去成功：

$$
R_A
\rightarrow
R_B
$$

也不能永久附帶：

$$
\text{Permission}=\text{Granted}.
$$

因為 authority 可能變。

所以：

$$
\boxed{
\text{Compiled Route}
\neq
\text{Compiled Permission}.
}
$$

---

# 68. Loss 與 Invariant 必須共同記錄

任何 projection 若只有：

$$
\text{loss\_score}
$$

還不夠。

因為：

$$
0.1
$$

的平均 loss 可能剛好丟掉最重要的 negation。

所以需要：

$$
\boxed{
\text{LossProfile}
+
\text{InvariantProfile}.
}
$$

---

# 69. Critical Invariant

對高風險 task，可定義：

$$
I_{critical}
=
\{
\text{Identity},
\text{Negation},
\text{Version},
\text{Authority},
\text{Source},
\text{Constraint}
\}.
$$

即使其他資訊允許高失真：

$$
\epsilon_{other}\gg0,
$$

這些維度要求：

$$
\epsilon_{critical}\approx0.
$$

---

# 70. Representation Confidence

每個 representation 可攜帶：

$$
Conf(R_i)
$$

但 confidence 不能取代 source validation。

因此：

$$
\boxed{
\text{Model Confidence}
\neq
\text{Evidence Strength}.
}
$$

---

# 71. Epistemic State 必須跨表示保持

若 claim：

$$
P
$$

狀態為：

$$
\text{CONTESTED},
$$

不能因轉成摘要而變成：

$$
\text{SUPPORTED}.
$$

因此 epistemic status 是重要 invariant。

---

# 72. Unknown 必須可跨表示存在

很多 representation 系統會把 unknown 壓成：

- zero；
- null；
- omitted；
- default。

本文要求：

$$
\boxed{
\text{Unknown}
\neq
\text{Absent}
\neq
\text{False}.
}
$$

且這個區分應跨 representation 保存。

---

# 73. Contradiction 也必須跨表示保存

如果 graph 有：

$$
A
\xleftrightarrow{\text{contradiction}}
B,
$$

summary 不應只保留一邊。

所以 contradiction set：

$$
\mathcal C
$$

是可指定 invariant。

---

# 74. Alternative Hypothesis Preservation

Explore 模式中：

$$
H_1,H_2,H_3
$$

可能都保留。

若 projection 強迫：

$$
\arg\max H_i
$$

則會過早收斂。

因此：

$$
\boxed{
\text{Projection}
\text{ may preserve multiplicity}.
}
$$

---

# 75. Multi-State Representation

某 representation 可以直接表示：

$$
P(H_i|E)
$$

而不是單一 winner。

這對：

- scientific reasoning；
- planning；
- diagnosis；
- world reconstruction；

更適合。

---

# 76. Representation 與時間

同一 object：

$$
x
$$

可有：

$$
R_i(x,t_1)
$$

與：

$$
R_i(x,t_2).
$$

所以：

$$
\boxed{
\text{Representation}
\text{ is temporally indexed}.
}
$$

否則 current state 與 historical state 容易混淆。

---

# 77. Snapshot 與 Live Projection

Snapshot：

$$
R_i^{snap}(t)
$$

固定。

Live projection：

$$
R_i^{live}
=
\Pi_i(
\mathfrak M_{now}
).
$$

兩者用途不同。

Snapshot 適合 audit。

Live projection 適合 current cognition。

---

# 78. Representation Lineage

應能回答：

$$
R_0
\rightarrow
R_1
\rightarrow
R_2.
$$

例如：

$$
\text{Raw}
\rightarrow
\text{Graph}
\rightarrow
\text{Crystal}.
$$

這條 lineage 本身也是 memory。

---

# 79. Lineage Compression

若 representation lineage 太長，可保存：

$$
\text{Checkpoint}
+
\text{CriticalTransitions}.
$$

但原始 receipt 應可追溯。

這與 event sourcing 相容。

---

# 80. Representation Equality 需要型別

不能直接問：

$$
R_i=R_j?
$$

應問：

$$
R_i
\equiv_{\tau,I}
R_j?
$$

即：

> 對任務 $\tau$ 與 invariant set $I$ 而言是否等價？

因此：

$$
\boxed{
\text{Equivalence is typed and task-relative}.
}
$$

---

# 81. 六種可區分的等價

本文暫分：

1. byte equality；
2. identity equality；
3. semantic equivalence；
4. operational equivalence；
5. task equivalence；
6. reconstructive equivalence。

它們不能互相替代。

---

# 82. Byte 不同但 Semantic Equivalent

例如：

$$
T_{zh}
\neq
T_{en}
$$

但：

$$
T_{zh}
\equiv_{semantic}
T_{en}.
$$

---

# 83. Semantic Equivalent 但 Operational Different

兩個描述同一規則的格式：

$$
R_A
\equiv_{semantic}
R_B
$$

但其中一個不能直接執行。

所以：

$$
R_A
\not\equiv_{operational}
R_B.
$$

---

# 84. Operational Equivalent 但 Provenance Different

兩段程式產出相同結果。

但：

$$
\text{Source}_A
\neq
\text{Source}_B.
$$

若任務是 audit，它們不等價。

---

# 85. Reconstructive Equivalence

若兩個 representations：

$$
R_A,R_B
$$

都能在指定 contract 下恢復同一工作態：

$$
\text{Recover}(R_A)
\approx
\text{Recover}(R_B),
$$

則可稱：

$$
R_A
\equiv_{recon}
R_B.
$$

這對長期 memory 很重要。

---

# 86. Semantic Seed 與 Representation

一個極小 seed：

$$
s
$$

可以透過 shared decoder / registry：

$$
D(s,C)
\rightarrow
R.
$$

因此：

$$
\boxed{
\text{Compact Seed}
\neq
\text{Stored Meaning Alone}.
}
$$

有效資訊量包含：

$$
\text{seed}
+
\text{decoder}
+
\text{shared context}.
$$

這避免違反資訊論。

---

# 87. Representation 與 INSL / Abyss

INSL / Abyss 類思想可作：

$$
\text{addressing / compact generative representation}.
$$

但應區分：

$$
\boxed{
\text{Address}
\neq
\text{Expanded Semantic State}.
}
$$

因此它適合放在：

$$
\mathcal A
$$

與：

$$
\mathcal P
$$

的交界，而不是取代全部 memory ontology。

---

# 88. Representation 與 PSSA

PSSA 更進一步允許：

$$
\text{PreConcept}
\rightarrow
\text{Address}
\rightarrow
\text{MaterializedState}.
$$

因此未完成概念不需要先被壓成正式 symbol。

它可以先存在為：

$$
\boxed{
\text{Addressable but Underdefined State}.
}
$$

---

# 89. Underdefined State 不能被強制補值

若：

$$
U_t
\neq
\varnothing,
$$

representation 應保留 unknown。

否則 projection 會製造：

$$
\text{False Closure}.
$$

---

# 90. Representation 與創造性

過度精確 representation 可能提高：

$$
\text{ConstraintPressure}.
$$

所以 Explore 階段可以選：

$$
R_{fuzzy}.
$$

Resolve 階段再切：

$$
R_{exact}.
$$

這讓：

$$
\boxed{
\text{Representation Choice}
\text{ become part of creativity control}.
}
$$

---

# 91. Memory Dominance 與 Representation Dominance

除了：

$$
\lambda_M
$$

記憶支配度，

還可定義：

$$
\lambda_R
$$

表示某 representation 對 cognition 的支配度。

如果：

$$
\lambda_{symbol}\rightarrow1,
$$

AI 可能過度形式化。

如果：

$$
\lambda_{vector}\rightarrow1,
$$

AI 可能過度相似化。

如果：

$$
\lambda_{graph}\rightarrow1,
$$

AI 可能把所有問題都圖化。

所以：

$$
\boxed{
\text{Representation Pluralism}
}
$$

也是 anti-fixation 機制。

---

# 92. Representation Balance

可定義：

$$
\boldsymbol\lambda_R
=
(
\lambda_{vec},
\lambda_{graph},
\lambda_{tensor},
\lambda_{symbol},
\lambda_{raw}
).
$$

依任務動態調整。

這與 system balance 一致。

---

# 93. Multi-Representation Consensus

高風險任務可以要求：

$$
R_{graph},
R_{symbol},
R_{source}
$$

共同支持。

若三者一致：

$$
\text{Consensus}
\uparrow.
$$

若分歧：

$$
\text{Escalate}.
$$

這是一種 representation-level cross-check。

---

# 94. Consensus 仍不等於 Truth

多表示可能共用同一錯誤 source。

所以：

$$
\boxed{
\text{Representation Agreement}
\neq
\text{Ground Truth}.
}
$$

仍需要 external evidence。

---

# 95. Representation Diversity 可提高錯誤可見性

若不同 representation 使用不同失真方式，某個錯誤可能只在一種表示下隱藏。

因此：

$$
\boxed{
\text{Diverse Projections}
\rightarrow
\text{Error Surface Expansion}.
}
$$

這是多表示的另一個價值。

---

# 96. Cognitive Parallax

本文將同一 memory state 在多 projection 下產生的差異稱為：

$$
\boxed{
\text{Cognitive Parallax}.
}
$$

它不一定是錯誤。

它可能幫助系統看見：

- hidden assumption；
- missing relation；
- projection bias；
- scale dependence。

---

# 97. Parallax Analysis

令：

$$
R_1,\ldots,R_n
$$

是同一 ontology state 的不同投影。

定義：

$$
P_{ij}
=
\text{Diff}(
R_i,R_j
).
$$

若差異集中在非 critical dimension，可接受。

若差異觸及：

$$
I_{critical},
$$

則升級驗證。

---

# 98. 表示不是越多越好

如果：

$$
n\rightarrow\infty,
$$

representation management cost 也爆炸。

所以應持續問：

$$
Utility(R_i)
>
MaintenanceCost(R_i)?
$$

低價值 representation 應 retire。

---

# 99. Representation Lifecycle

可以定義：

$$
\text{Candidate}
\rightarrow
\text{Active}
\rightarrow
\text{Cached}
\rightarrow
\text{Stale}
\rightarrow
\text{Rebuild}
\rightarrow
\text{Retired}.
$$

某些 persistent representation 還可以：

$$
\text{Superseded}.
$$

---

# 100. Representation Registry

系統需要：

$$
\mathcal R_t
$$

記錄：

- representation type；
- schema；
- version；
- encoder；
- decoder；
- source binding；
- invariant contract；
- validator；
- authority；
- lifecycle。

否則多表示很快失控。

---

# 101. Representation Registry 不是 Memory Registry

Memory Registry 管：

$$
\text{object identity}.
$$

Representation Registry 管：

$$
\text{representation instances}.
$$

所以：

$$
\boxed{
\text{Object Registry}
\neq
\text{Representation Registry}.
}
$$

---

# 102. One Object, Many Representation Instances

例如：

$$
ID(P)=P001.
$$

可綁定：

$$
Vector(P001,v3)
$$

$$
Graph(P001,schema2)
$$

$$
ISQL(P001,profile4)
$$

$$
NL(P001,zh-TW)
$$

這些都指向：

$$
P001.
$$

---

# 103. Representations Can Be Derived From Other Representations

不是每次都要：

$$
\text{Ontology}
\rightarrow
R_i.
$$

可：

$$
R_a
\rightarrow
R_b
$$

只要 transition contract 明確。

例如：

$$
\text{Graph}
\rightarrow
\text{NaturalLanguageSummary}.
$$

但 lineage 必須保存。

---

# 104. Derived-from-Projection 會累積失真

若：

$$
R_0
\rightarrow
R_1
\rightarrow
R_2
\rightarrow
R_3,
$$

每一步 loss：

$$
\epsilon_1,\epsilon_2,\epsilon_3.
$$

總失真可能：

$$
\epsilon_{total}
\gg
\epsilon_i.
$$

因此長鏈應定期：

$$
Reanchor(
R_k,
Raw/Ontology
).
$$

---

# 105. Source Re-anchoring

定義：

$$
AnchorCheck(R_i)
$$

檢查 representation 是否仍能回到：

$$
\mathcal X
$$

或：

$$
\mathfrak M.
$$

若不能：

$$
\text{RepresentationDriftRisk}
\uparrow.
$$

---

# 106. Crystal Re-anchoring

Crystal 也需要定期：

$$
\text{Expand}
\rightarrow
\text{Validate}
\rightarrow
\text{Recrystallize}.
$$

否則：

$$
\text{Crystal Drift}
$$

可能發生。

---

# 107. Representation State Vector

對一個 representation instance：

$$
r
$$

可記錄：

$$
State(r)
=
(
\text{freshness},
\text{confidence},
\text{authority},
\text{loss},
\text{resolution},
\text{cost},
\text{rebuildability}
).
$$

這使 router 能更理性選擇。

---

# 108. Representation Utility Function

可暫定：

$$
U(r|\tau)
=
\alpha F
+
\beta O
+
\gamma E
+
\delta X
-
\lambda C
-
\mu D
-
\nu S
$$

其中：

- $F$：fidelity；
- $O$：operability；
- $E$：explainability；
- $X$：cross-model usability；
- $C$：cost；
- $D$：distortion；
- $S$：staleness。

不鎖死係數。

---

# 109. Representation 不應脫離 Model Capability

某模型可能擅長：

$$
\text{NaturalLanguage}
$$

但不擅長複雜 graph DSL。

另一模型可能能直接使用：

$$
\text{StructuredIR}.
$$

所以：

$$
U(r|\tau,M)
$$

依 consumer model 而變。

---

# 110. Capability-Gated Representation Access

低能力模型可使用：

$$
\text{RenderedSummary}.
$$

中階模型：

$$
\text{GraphSlice}.
$$

高階模型：

$$
\text{MixedFieldProjection}.
$$

前沿模型：

$$
\text{DynamicCrossRepresentationRouting}.
$$

因此：

$$
\boxed{
\text{Same Memory}
\rightarrow
\text{Different Representation Freedom}.
}
$$

---

# 111. Human Interface 也是 Representation Consumer

人類不是 canonical authority by default。

但人類需要：

$$
R_{human}.
$$

所以 UI / report / diagram 也是 projection target。

這意味著人類與 AI 可以讀同一 memory ontology 的不同 view。

---

# 112. Human-Readable Projection 不得反向主宰 Machine Ontology

如果為了漂亮報告，將：

$$
\text{ComplexState}
$$

強迫變成：

$$
\text{SimpleParagraph},
$$

再讓系統把 paragraph 當 canonical，就會資訊降維。

所以：

$$
\boxed{
\text{Human View}
\not\Rightarrow
\text{Machine Canonicalization}.
}
$$

---

# 113. Machine-Native 也不得排除 Human Audit

相反地，如果 machine representation 完全不可解釋，也會降低治理能力。

所以高風險系統應提供：

$$
\text{MachineCanonical}
\rightarrow
\text{HumanAuditProjection}.
$$

這是雙向接口。

---

# 114. Representation and Governance

所有 representation 操作至少應遵守：

1. 不改 identity；
2. 不抹除 provenance；
3. 不靜默升權威；
4. 不把 unknown 填成 false；
5. 不把 speculation 變 fact；
6. 不把 stale view 當 current；
7. critical invariant 必須可驗證。

---

# 115. Representation Write-Back

不是所有 projection 結果都應寫回 ontology。

正確流程：

$$
\text{WorkingProjection}
\rightarrow
\text{CandidateInsight}
\rightarrow
\text{WriteBackProposal}
\rightarrow
\text{Validation}
\rightarrow
\text{OntologyUpdate}.
$$

因此：

$$
\boxed{
\text{Read Projection}
\neq
\text{Write Authority}.
}
$$

---

# 116. Write-Back Proposal

可以包含：

$$
\text{Proposal}
=
(
\text{target},
\text{change},
\text{source},
\text{reason},
\text{confidence},
\text{validator},
\text{risk}
).
$$

系統再決定是否 commit。

---

# 117. Representation-Derived New Relation

若 vector cluster 發現：

$$
A,B,C
$$

可能形成新類別，

這只是：

$$
\text{RelationProposal}.
$$

不能直接：

$$
\text{CreateCanonicalOntologyNode}.
$$

---

# 118. Representation-Derived New Concept

PSSA 可先建立：

$$
a_t
$$

作為新概念地址。

等：

- recurrence；
- stability；
- usefulness；
- validation；

足夠後再升：

$$
\text{CanonicalConcept}.
$$

---

# 119. Multi-Representation Learning

系統可以從不同 projection 的 discrepancy 學習：

$$
R_{graph}
\not\approx
R_{vector}
$$

可能指出：

- ontology missing edge；
- embedding alias；
- graph over-pruning；
- source ambiguity。

這使 representation difference 成為 learning signal。

---

# 120. Representation Learning 不等於 Parametric Training

這些修正可以只更新：

- registry；
- graph；
- ontology；
- route；
- crystal；
- index。

不一定更新 model weight。

所以：

$$
\boxed{
\text{Memory Evolution}
\neq
\text{Model Retraining}.
}
$$

---

# 121. Non-Parametric Cognitive Evolution

一個 AI 可以透過：

$$
\mathcal R_t,
\mathcal H_t,
\mathcal K_t,
\mathfrak M_t
$$

持續成長。

因此能力進步不只來自：

$$
\theta_t
\rightarrow
\theta_{t+1}.
$$

也來自：

$$
\boxed{
\text{External Cognitive Structure Evolution}.
}
$$

---

# 122. Representation Reuse

成功 representation pattern 可以被 cache。

例如：

$$
TaskType_A
\rightarrow
GraphProfile_7.
$$

未來直接套用。

這是一種：

$$
\text{representation route compilation}.
$$

---

# 123. Representation Profile

定義：

$$
Profile_p
=
(
\text{rep types},
\text{resolution},
\text{invariants},
\text{budget},
\text{fallback}
).
$$

例如：

`Research-Explore`：

- vector；
- graph；
- low source pressure；
- high branching。

`Formal-Commit`：

- symbol；
- ISQL；
- raw source；
- strict validator。

---

# 124. Profile 不能變成僵化規則

若新任務不符合 profile：

$$
Adapt(Profile_p).
$$

否則：

$$
\text{RepresentationProfile}
\rightarrow
\text{CognitiveFixation}.
$$

---

# 125. Representation and World Model

World model：

$$
W_t
$$

也不應被假設為單一 representation。

可以有：

- causal world graph；
- geometric state；
- probability field；
- symbolic constraints；
- simulation state。

因此本文架構自然延伸到 world model。

---

# 126. Memory–World Boundary

Memory 說：

> 我們保存／推導了什麼。

World model 說：

> 系統目前認為世界如何。

兩者重疊但不相同。

因此：

$$
\boxed{
\text{Memory State}
\neq
\text{World State}.
}
$$

Paper 10 將處理兩者如何重建 working world。

---

# 127. Representation and Action

Action system 最終需要：

$$
\text{ExecutableState}.
$$

所以 cognition 可能：

$$
\text{NaturalLanguage}
\rightarrow
\text{Graph}
\rightarrow
\text{PlanIR}
\rightarrow
\text{ActionRequest}.
$$

不同 representation 的責任鏈要保留。

---

# 128. Action Commit 的 representation 要求

真正改變世界前：

$$
\text{ActionRequest}
$$

應達：

- exact target；
- exact authority；
- exact constraints；
- current version；
- validated preconditions。

所以：

$$
\boxed{
\text{Loose Cognition}
\rightarrow
\text{Exact Action Boundary}.
}
$$

---

# 129. Representation and Security

不同 representation 也有不同安全風險。

例如：

- raw source 可能含 secret；
- graph 可洩漏 relation；
- embedding 可遭 inversion；
- crystal 可隱藏 provenance；
- natural language 可誤導。

所以 access control 必須是 representation-aware。

---

# 130. Visibility Projection

同一 memory ontology：

$$
\mathfrak M
$$

對不同 authority：

$$
a_1,a_2
$$

形成：

$$
R^{a_1}
\neq
R^{a_2}.
$$

但不應因此複製兩份 canonical memory。

---

# 131. Redaction as Projection

敏感資料遮罩最好表示為：

$$
\Pi_{redact}
(
\mathfrak M
)
$$

而不是破壞 source。

這維持：

$$
\boxed{
\text{Security View}
\neq
\text{Data Erasure}.
}
$$

---

# 132. Representation and Privacy

某些 embedding / crystal 可能間接洩漏原始資訊。

所以：

$$
Loss_{semantic}
$$

與：

$$
Leakage_{privacy}
$$

是不同維度。

Representation contract 應分開記錄。

---

# 133. Representation Fidelity Vector

本文不使用單一 fidelity score。

而使用：

$$
\mathbf F_R
=
(
F_{identity},
F_{semantic},
F_{relation},
F_{temporal},
F_{provenance},
F_{epistemic},
F_{authority}
).
$$

這比單一平均值更誠實。

---

# 134. Representation Loss Vector

同樣：

$$
\mathbf L_R
=
(
L_{detail},
L_{relation},
L_{source},
L_{uncertainty},
L_{branch},
L_{context}
).
$$

因此系統知道：

> 這個 representation 到底丟了什麼。

---

# 135. Loss 不一定是壞事

若任務只需：

$$
\text{TopLevelDecision},
$$

丟掉低階文字細節可能是好事。

所以：

$$
\boxed{
\text{Loss}
\neq
\text{Failure}.
}
$$

真正問題是：

$$
\boxed{
\text{Uncontrolled Loss}.
}
$$

---

# 136. Representation Compression 的目的

壓縮可以降低：

- token；
- memory bandwidth；
- reasoning branching；
- graph size；
- context pressure。

因此 representation compression 是 cognition scaling 的必要技術。

---

# 137. Compression 與 Crystallization 不同

普通 compression：

$$
x
\rightarrow
\hat x
$$

主要降低 size。

Crystallization：

$$
\text{Route}
\rightarrow
\text{ReusableUnit}
$$

還增加：

$$
\text{operational reusability}.
$$

所以：

$$
\boxed{
\text{Crystallization}
\supset
\text{Compression}
+
\text{Executable Semantics}.
}
$$

---

# 138. Representation and X-Order Cognition

X 階 cognition 不可能每階都攜帶所有 representation。

所以每階：

$$
R^{(k)}
$$

應只載入：

$$
Bundle^{(k)}.
$$

這使多表示選擇成為 recursive control 的一部分。

---

# 139. Higher-Order Representation

第 $k$ 階可以只看到：

$$
CrystalSummary(
R^{(k-1)}
)
$$

而不是整個下階 trace。

當需要：

$$
\text{Expand}.
$$

這降低 meta-cognition cost。

---

# 140. Reflexive Representation Reopening

若 AI 發現：

$$
R^{(k)}
$$

與現實結果不符，

可沿 lineage：

$$
R^{(k)}
\rightarrow
R^{(k-1)}
\rightarrow
\text{Source}.
$$

重新檢查。

這就是：

$$
\boxed{
\text{Reopening for Reflexivity}.
}
$$

---

# 141. Representation and Forgetting

「忘記」不必等於刪除 source。

可以只是：

$$
\text{ActiveProjectionProbability}
\downarrow.
$$

或者：

$$
\text{CacheRetire}.
$$

因此：

$$
\boxed{
\text{Functional Forgetting}
\neq
\text{Historical Erasure}.
}
$$

---

# 142. Representation and Attention

Attention 是當前模型內部資源分配。

Projection 是外部 memory runtime 的表示選擇。

所以：

$$
\boxed{
\text{Attention}
\neq
\text{Projection}.
}
$$

兩者可以耦合，但不能混為一談。

---

# 143. Representation and Retrieval

Retrieval 找：

$$
\text{candidate}.
$$

Projection 決定：

$$
\text{form}.
$$

Revealing 決定：

$$
\text{visibility / role}.
$$

Working-state compilation 決定：

$$
\text{what enters current cognition}.
$$

因此：

$$
\boxed{
\text{Retrieval}
\neq
\text{Projection}
\neq
\text{Revealing}
\neq
\text{WorkingMemory}.
}
$$

---

# 144. 統一運行鏈

一次完整多表示 cognition 可以寫成：

$$
\boxed{
\begin{aligned}
\text{Task}
&\rightarrow
\text{NeedAnalysis}\\
&\rightarrow
\text{MemoryReveal}\\
&\rightarrow
\text{RepresentationSelection}\\
&\rightarrow
\text{ProjectionBundle}\\
&\rightarrow
\text{Cognition}\\
&\rightarrow
\text{PrecisionEscalation}\\
&\rightarrow
\text{Validation}\\
&\rightarrow
\text{WriteBackProposal}\\
&\rightarrow
\text{OntologyEvolution}.
\end{aligned}
}
$$

---

# 145. Shared Memory Ontology 的最小形式

本文暫定：

$$
\boxed{
\mathfrak M_t
=
(
O_t,
R_t,
H_t,
P_t,
E_t,
V_t
)
}
$$

其中：

- $O_t$：objects / identities；
- $R_t$：typed relations；
- $H_t$：history / lineage；
- $P_t$：provenance；
- $E_t$：epistemic state；
- $V_t$：version / validity state。

Representation 由：

$$
\Pi_i(
\mathfrak M_t
)
$$

產生。

---

# 146. Exact Substrate 與 Ontology 的接口

Raw source：

$$
x
\in
\mathcal X.
$$

Ontology object：

$$
o
\in
O.
$$

透過：

$$
Anchor(
o,x
).
$$

一個 object 可有多個 source：

$$
Anchor(
o,
\{x_1,\ldots,x_n\}
).
$$

這使 memory 不等於單一 file。

---

# 147. Source-Free Object

某些 object 是系統推導：

$$
o_{\text{derived}}.
$$

它可能沒有一個單一 raw source。

但需要：

$$
\text{DerivationLineage}.
$$

所以 provenance 可以是：

$$
\text{Source}
$$

或：

$$
\text{DerivationGraph}.
$$

---

# 148. Synthetic Memory

AI 生成的推論可以成為 memory。

但必須標記：

$$
\text{origin}=\text{synthetic}.
$$

因此：

$$
\boxed{
\text{Remembered}
\neq
\text{Observed}.
}
$$

---

# 149. Observation、Inference、Hypothesis

至少區分：

$$
\text{Observed}
$$

$$
\text{Derived}
$$

$$
\text{Hypothesized}.
$$

不同 representation 不能抹掉這個 status。

---

# 150. Representation and Epistemic Projection

同一 claim 可以被投影成：

$$
\text{ACTIVE},
\text{SUPPORTED},
\text{CONTESTED},
\text{SUPERSEDED},
\text{REFUTED},
\text{UNRESOLVED}.
$$

這是 derived epistemic view。

不應改寫歷史 record。

---

# 151. Current State Compiler

當系統問：

> 現在怎麼看？

需要：

$$
CompileCurrentState(
\text{History},
\text{Evidence},
\text{Validation}
).
$$

這本身也是 projection。

---

# 152. Current State 也不是 Source

所以：

$$
\boxed{
\text{Current Projection}
\neq
\text{Historical Record}.
}
$$

兩者都需要。

---

# 153. Representation and Branches

不同 hypotheses：

$$
B_1,B_2
$$

可有不同 projection。

不能因 current branch 主流，就刪除 alternate branch。

因此：

$$
\boxed{
\text{Branch Visibility}
\neq
\text{Branch Existence}.
}
$$

---

# 154. Branch-Specific Representation

令：

$$
R_i^{B_k}.
$$

同一 object 在不同 branch 可有不同 relation。

這對 scientific exploration 很重要。

---

# 155. Merge 不應平均 representation

若：

$$
B_1
$$

與：

$$
B_2
$$

合併，

不能：

$$
R_{\text{merge}}
=
\frac{R_1+R_2}{2}.
$$

應：

$$
Merge(
\text{OntologyStates},
\text{Conflicts},
\text{Evidence}
).
$$

然後重新 project。

---

# 156. Representation Should Be Rebuilt After Semantic Merge

正確：

$$
\text{OntologyMerge}
\rightarrow
\text{Reproject}.
$$

而不是：

$$
\text{RepresentationMerge}
\rightarrow
\text{PretendOntologyMerged}.
$$

---

# 157. Representation-first Architecture 的危險

如果系統只管理：

$$
\text{VectorDB}
+
\text{GraphDB}
+
\text{DocumentDB}
$$

但沒有 shared identity / ontology，跨庫一致性會靠 heuristic。

本文認為：

$$
\boxed{
\text{Representation Stores}
\text{ need a shared semantic control plane}.
}
$$

---

# 158. Shared Semantic Control Plane

其最低內容：

- identity；
- version；
- provenance；
- relation contract；
- authority；
- lifecycle；
- projection lineage。

這不必是一個單一 database。

它是一組 invariant。

---

# 159. Distributed Storage, Unified Semantics

因此可以：

$$
\text{Raw}
\in
\text{ObjectStore},
$$

$$
\text{Vector}
\in
\text{VectorDB},
$$

$$
\text{Graph}
\in
\text{GraphDB},
$$

$$
\text{Events}
\in
\text{EventStore}.
$$

只要：

$$
\boxed{
\text{Semantic Binding}
}
$$

一致。

所以：

$$
\text{Unified Ontology}
\neq
\text{Single Physical Store}.
$$

---

# 160. Representation Federation

大型系統應允許：

$$
Store_1,\ldots,Store_n.
$$

每個 provider 有自己的：

- API；
- index；
- lifecycle。

但透過：

$$
\text{TypedHyperlink}
+
\text{StableIdentity}
+
\text{ProjectionContract}.
$$

形成 federation。

---

# 161. Representation Location 不是 Semantic Identity

object 搬家：

$$
Store_A
\rightarrow
Store_B
$$

不應改變：

$$
ID(x).
$$

所以：

$$
\boxed{
\text{Location}
\neq
\text{Identity}.
}
$$

---

# 162. Address 不等於 Physical Location

Semantic address 可解析到：

$$
\text{one or more physical locations}.
$$

所以：

$$
Address(x)
\rightarrow
Resolve(
\text{Locations}
).
$$

這對分散式記憶必要。

---

# 163. Representation and Cloud / Local

同一 ontology object 可有：

- local vector；
- cloud raw；
- local crystal；
- remote graph。

Representation router 可以依成本與隱私選路。

---

# 164. Representation as Resource Placement

於是：

$$
\text{Representation Choice}
$$

也會成為：

$$
\text{Compute / Storage Placement Decision}.
$$

這與「語義即路由」自然相接。

---

# 165. Semantic Routing

如果 object type 是：

$$
\text{ExactEvidence},
$$

route 到 source store。

如果是：

$$
\text{ApproximateAssociation},
$$

route 到 vector engine。

如果是：

$$
\text{DependencyQuery},
$$

route 到 graph engine。

所以：

$$
\boxed{
\text{Semantic Need}
\rightarrow
\text{Representation Route}.
}
$$

---

# 166. Representation Need Detection

真正 router 的前一步是：

> 我缺的是什麼認知能力？

例如：

- exact citation；
- fuzzy association；
- causal chain；
- formal constraint；
- historical reconstruction。

因此：

$$
\boxed{
\text{Memory Need}
\neq
\text{Query String}.
}
$$

---

# 167. Need → Strategy → Representation → Backend

完整鏈：

$$
\boxed{
\text{Need}
\rightarrow
\text{Strategy}
\rightarrow
\text{Representation}
\rightarrow
\text{Backend}.
}
$$

不能倒過來：

$$
\text{Backend}
\rightarrow
\text{Query}.
$$

這是 AI-native memory runtime 的重要方向。

---

# 168. 表示選擇與認知成本分離

同一 cognition task 可測：

$$
Cost_{vec},
Cost_{graph},
Cost_{symbol}.
$$

選最低 total cost，而不是只看 retrieval latency。

Total cost 應包含：

$$
\text{Retrieval}
+
\text{Interpretation}
+
\text{Verification}
+
\text{Correction}.
$$

---

# 169. Cheap Retrieval Can Be Expensive Cognition

Vector recall 很便宜。

但若結果缺乏 relation，模型要花大量推理恢復結構。

所以：

$$
\boxed{
\text{Retrieval Cost}
\neq
\text{Cognitive Cost}.
}
$$

---

# 170. Expensive Representation May Save Total Cost

Graph construction 較貴。

但可降低：

$$
\text{ReasoningCost}.
$$

因此總最佳化應看：

$$
C_{total}.
$$

---

# 171. Representation and Latency

Interactive task 要：

$$
\text{low latency}.
$$

Deep research 可以：

$$
\text{higher latency}
$$

換 higher fidelity。

所以 profile 依 use case 動態調整。

---

# 172. Representation Budget

可分：

$$
B
=
(
B_{time},
B_{token},
B_{compute},
B_{IO},
B_{risk}
).
$$

Representation selection 必須在 budget 內。

---

# 173. Multi-Representation Cascade

一個高效架構可：

$$
\text{CheapRep}
\rightarrow
\text{NeedMore?}
\rightarrow
\text{ExpensiveRep}.
$$

例如：

$$
\text{Vector}
\rightarrow
\text{Graph}
\rightarrow
\text{Raw}.
$$

這是 adaptive cascade。

---

# 174. Cascade Stop

如果：

$$
\text{Confidence}
>
\theta
$$

且：

$$
\text{Risk}
<
r,
$$

停止。

否則升級。

這就是 precision on demand 的 operational form。

---

# 175. Representation and Error Recovery

若結果錯誤，系統不應只重跑同一 representation。

可：

$$
\text{SwitchRepresentation}.
$$

例如 Graph 路徑失敗，就回 Raw / Vector。

這增加韌性。

---

# 176. Representation Diversity as Fault Tolerance

若：

$$
R_A
$$

與：

$$
R_B
$$

使用不同 failure mode，

可互為 fallback。

因此：

$$
\boxed{
\text{Multi-Representation}
\rightarrow
\text{Cognitive Fault Tolerance}.
}
$$

---

# 177. 但冗餘也有成本

每多一個 representation：

$$
C_{maint}
\uparrow.
$$

所以只保留：

$$
\boxed{
\text{functionally differentiated redundancy}.
}
$$

而不是重複格式堆積。

---

# 178. Representation Minimality

若：

$$
R_A
$$

完全被：

$$
R_B
$$

支配：

$$
Utility(R_A)
<
Utility(R_B)
$$

且沒有 unique failure resistance，

可 retire：

$$
R_A.
$$

---

# 179. Representation Architecture as Ecology

因此整體不是：

$$
\text{one best format}.
$$

而是：

$$
\boxed{
\text{Representation Ecology}.
}
$$

不同 representation：

- 競爭；
- 合作；
- 替代；
- 分化；
- 退役。

---

# 180. Representation Evolution

隨模型能力變化：

$$
R_i
$$

的重要性會變。

未來模型可能直接使用 tensor-native state。

那時：

$$
\text{NaturalLanguageIntermediate}
$$

的使用比例可能下降。

但人類 audit 仍需要它。

所以 representation ecology 會隨時代演化。

---

# 181. Representation Evolution 不改變母原則

即使未來出現新的：

$$
R_{future},
$$

只要遵守：

- identity separation；
- provenance；
- invariant；
- loss contract；
- authority；
- lifecycle；

就能插入架構。

這是本體與表示分離的主要價值。

---

# 182. Future-Proofing

因此：

$$
\boxed{
\text{Future-proof Memory}
\text{ requires representation replaceability}.
}
$$

如果 memory identity 綁死在今天的 embedding model，未來必然難遷移。

---

# 183. Representation Migration

當：

$$
Encoder_{old}
\rightarrow
Encoder_{new},
$$

可：

$$
Reproject(
\mathfrak M
).
$$

而不必：

$$
\text{RewriteIdentity}.
$$

---

# 184. Migration Receipt

遷移應保存：

$$
\text{MigrationReceipt}
=
(
\text{old},
\text{new},
\text{date},
\text{validator},
\text{coverage},
\text{loss}
).
$$

避免未來不知道 representation 何時變了。

---

# 185. Representation Deprecation

舊 representation 可以：

$$
\text{Deprecated}
$$

但若 historical task 仍需，可以保留 decoder。

因此：

$$
\boxed{
\text{Deprecated}
\neq
\text{Unreadable}.
}
$$

---

# 186. Long-Term Decoder Preservation

若 memory 要跨十年，decoder 本身也要版本化保存。

否則：

$$
R_{old}
$$

變成 orphan data。

---

# 187. Self-Describing Representation

理想格式可攜帶：

- schema ID；
- version；
- decoder ref；
- semantic profile；
- source binding。

這增加 recoverability。

---

# 188. Representation Provenance

不只 memory content 有 provenance。

representation 本身也有：

$$
Prov(R).
$$

例如：

> 這個 graph 是由哪個 model、哪個 prompt、哪個 schema 生成？

這對 audit 很重要。

---

# 189. AI-Generated Representation Must Be Identifiable

所以至少保存：

$$
generator\_id,
generator\_version.
$$

避免把 AI projection 誤當 human-authored source。

---

# 190. Representation Quality Is Not Model Reputation

即使強模型生成：

$$
R
$$

也需要 validator。

所以：

$$
\boxed{
\text{Model Prestige}
\neq
\text{Representation Validity}.
}
$$

---

# 191. Representation Test Suite

每種 representation profile 應測：

- round-trip；
- invariant preservation；
- version binding；
- provenance；
- contradiction retention；
- unknown retention；
- stale invalidation；
- permission boundary。

---

# 192. Representation Conformance

定義：

$$
Conform(
R,C_R
)
\in
\{\text{pass},\text{fail}\}.
$$

重要 representation 在寫回前必須通過 conformance。

---

# 193. Representation Failure Should Be Observable

不能 silently fallback 後假裝沒事。

應產生：

$$
\text{FailureReceipt}.
$$

這讓 routing 可以學習。

---

# 194. Routing Learning

若：

$$
R_{graph}
$$

在某 task type 經常失敗，

系統可以降低：

$$
P(R_{graph}|\tau).
$$

這是 runtime learning。

---

# 195. Runtime Learning 不必修改核心模型

更新：

$$
\text{RoutingPolicy}
$$

即可。

因此：

$$
\boxed{
\text{Cognitive Adaptation}
\neq
\text{Weight Update}.
}
$$

---

# 196. Representation Route Crystallization

高頻成功 route：

$$
Need_A
\rightarrow
\text{Vector}
\rightarrow
\text{Graph}
\rightarrow
\text{Raw}
$$

可結晶為：

$$
K_{routeA}.
$$

下次直接調用。

---

# 197. Route Crystal 仍須可解晶

若 backend 改版或 validator 改變：

$$
\text{Expand}(
K_{routeA}
)
$$

重新驗證。

---

# 198. Representation and Capability Crystallization

若某 representation transformation 高頻且穩定：

$$
R_A
\rightarrow
R_B
$$

甚至可以編譯成 specialized converter / small model。

所以 representation ecology 可進一步產生 capability ecology。

---

# 199. 這也是未來模型能力分層的基礎

低階模型只讀：

$$
R_{simple}.
$$

高階模型可以自己：

$$
\text{Select},
\text{Switch},
\text{Compose},
\text{Reopen}.
$$

因此 multi-representation memory 天生支援 capability-gated architecture。

---

# 200. 本篇的十二項核心命題

## 命題一

$$
\boxed{
\text{Multiple representations do not imply multiple independent memories}.
}
$$

## 命題二

$$
\boxed{
\text{Identity must be representation-independent}.
}
$$

## 命題三

$$
\boxed{
\text{Raw source is recovery authority, not automatic semantic truth}.
}
$$

## 命題四

$$
\boxed{
\text{Vector, Graph, Tensor, Symbol, and ISQL are specialized cognitive views}.
}
$$

## 命題五

$$
\boxed{
\text{Projection requires explicit invariants and loss contracts}.
}
$$

## 命題六

$$
\boxed{
\text{Consistency is task-relative, not surface equality}.
}
$$

## 命題七

$$
\boxed{
\text{Representation switching is a cognitive operation}.
}
$$

## 命題八

$$
\boxed{
\text{Representation routing should be need-driven}.
}
$$

## 命題九

$$
\boxed{
\text{Projection does not imply persistence}.
}
$$

## 命題十

$$
\boxed{
\text{Derived representations do not automatically gain canonical authority}.
}
$$

## 命題十一

$$
\boxed{
\text{Representation diversity can improve fault tolerance and anti-fixation}.
}
$$

## 命題十二

$$
\boxed{
\text{Future-proof memory requires representation replaceability}.
}
$$

---

# 201. 最小工程架構

一個 MVP 可以分成：

## 201.1 Object Registry

保存：

$$
\text{ID}.
$$

## 201.2 Source Store

保存：

$$
\text{Raw / Event / Evidence}.
$$

## 201.3 Ontology / Relation Store

保存：

$$
\text{CurrentSemanticState}.
$$

## 201.4 Projection Services

提供：

- vector；
- graph；
- symbol；
- ISQL；
- summary。

## 201.5 Representation Registry

保存：

- version；
- encoder；
- decoder；
- loss contract；
- source binding。

## 201.6 Router

根據：

$$
\text{Need}
$$

選 representation。

## 201.7 Validator

檢查 invariant。

這已足以建立第一代實驗。

---

# 202. 可證偽實驗

## Experiment A：Single-Representation vs Multi-Representation

比較：

- Vector only；
- Graph only；
- Hybrid；
- Shared ontology + dynamic projection。

測：

- accuracy；
- provenance；
- version errors；
- total cognitive cost。

## Experiment B：Representation Drift

長期更新 memory，測：

$$
D_{ij}^{t}.
$$

## Experiment C：Precision Escalation

比較：

$$
\text{AlwaysExact}
$$

與：

$$
\text{Approximate}\rightarrow\text{Exact}.
$$

## Experiment D：Cross-Model Portability

比較 raw embeddings 與 stable identity + structured anchors。

## Experiment E：Projection Failure Recovery

故意破壞一種 representation，看系統能否切換到另一種。

---

# 203. 評估向量

定義：

$$
\mathbf Q
=
(
\text{Fidelity},
\text{Cost},
\text{Latency},
\text{Explainability},
\text{Reconstructability},
\text{Portability},
\text{Governability},
\text{FaultTolerance}
).
$$

多表示架構不能只看 retrieval accuracy。

---

# 204. 失敗模式總表

## 204.1 Representation Identity Collapse

把 representation ID 當 object ID。

## 204.2 Canonicality Confusion

把 derived view 當 truth。

## 204.3 Stale Projection

舊 projection 未失效。

## 204.4 Silent Loss

失真未記錄。

## 204.5 Unknown Collapse

unknown 被填成 false/default。

## 204.6 Provenance Loss

轉換後來源消失。

## 204.7 Synchronization Overreach

強迫所有 representation 一致。

## 204.8 Representation Explosion

每次投影都永久保存。

## 204.9 Decoder Orphaning

舊資料無 decoder。

## 204.10 Representation Fixation

某一 representation 支配所有 cognition。

---

# 205. 與 Paper 04 的接口

本篇已接受：

$$
\boxed{
R_i
=
\Pi_i(
\mathfrak M
)
}
$$

並明確承認不同 projection 可以有：

$$
\text{Loss}(R_i)>0.
$$

下一篇真正要處理的是：

> 既然允許 loss，什麼 loss 是可接受的？

也就是：

$$
\boxed{
\text{Controlled Distortion}.
}
$$

Paper 04 將正式建立：

- distortion budget；
- invariant preservation；
- lossy coupling；
- Explore / Resolve / Commit 三種精度域；
- system balance；
- non-isomorphic translation；
- information loss governance。

---

# 206. 結論：記憶不是格式，而是可重建的共同本體

未來 AI 記憶若只選一種 representation，必然會把其他認知能力壓縮掉。

Vector 很強，但它不等於 identity。

Graph 很強，但它不等於完整 field。

Tensor 很強，但它不等於 truth。

Symbol 很強，但它不等於完整 meaning。

ISQL 很強，但它不應成為所有 cognition 的唯一通道。

Raw source 最接近歷史事實，但它也不直接等於現在的 semantic validity。

因此本文提出：

$$
\boxed{
\text{Memory is not a format}.
}
$$

更完整地說：

$$
\boxed{
\text{Memory}
=
\text{Governed, Reconstructable Shared Ontology}
}
$$

而：

$$
\boxed{
\text{Representations}
=
\text{Task-, Model-, Risk-, and Budget-Conditioned Views}.
}
$$

所以真正穩定的不是：

$$
\text{Vector},
\text{Graph},
\text{Tensor},
\text{Symbol},
\text{NaturalLanguage}.
$$

真正穩定的是：

$$
\boxed{
\text{Identity}
+
\text{Provenance}
+
\text{Relation}
+
\text{History}
+
\text{Invariant}
+
\text{Reconstructability}.
}
$$

這些構成不同 representation 之間可以共同依附的認知骨架。

當這個骨架存在，未來模型可以自由升級 representation：

$$
R_{2026}
\rightarrow
R_{2030}
\rightarrow
R_{2040}
$$

而不必因此重新定義：

$$
\text{Who / what the memory object is}.
$$

因此，反身多表示認知記憶架構的真正方向不是打造一個「終極格式」，而是建立一個能容納格式演化、 representation 切換、受控失真、精度升級與跨模型重建的長期共同記憶本體。

下一篇將進入本系列目前最關鍵的新命題之一：

$$
\boxed{
\text{Loss can be intentional, bounded, and cognitively useful}.
}
$$

也就是：為什麼未來 AI 若要進行大規模耦合、反身遞迴與 X 階調用，就不能要求所有中間 cognition 永遠保持無損。