--- title: "符號、神經與代數不是三個世界：表示制度、共同結構與三重計算體系" english_title: "Symbolic, Neural, and Algebraic Are Not Three Worlds: Representation Regimes, Shared Structure, and a Triple Computational System" series: "理論域擴張、理解解析度與共同底空間" series_english: "Theory-Domain Expansion, Comprehension Resolution, and Shared-Substrate Theory" series_id: "TCRS" paper_id: "TCRS-08" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Series Paper" date: "2026-10-06" language: "zh-TW" canonical_source: "UTF-8 Markdown" math_source_rule: "inline math only with $...$ ; display math only with $$...$$" --- # 符號、神經與代數不是三個世界 ## 表示制度、共同結構與三重計算體系 ### Symbolic, Neural, and Algebraic Are Not Three Worlds: Representation Regimes, Shared Structure, and a Triple Computational System **系列：** 理論域擴張、理解解析度與共同底空間（TCRS），Paper 08 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-10-06 **公司：** 一言諾科技有限公司 --- # 摘要 AI 歷史常被粗略分成： $$ \boxed{ \text{Symbolic} \quad vs\quad \text{Neural}. } $$ 近年又可以再加入一類更底層的 structural / algebraic approaches： $$ \boxed{ \text{Symbolic} \quad vs\quad \text{Neural} \quad vs\quad \text{Algebraic / Structural}. } $$ 但本文主張，這三者不應首先被理解為互斥的「智能本體」。 更合理的理解是： $$ \boxed{ \text{three representation regimes with different computational advantages}. } $$ 本文將其抽象為： $$ \boxed{ S = \text{Symbolic Regime}, } $$ $$ \boxed{ N = \text{Neural Regime}, } $$ $$ \boxed{ A = \text{Algebraic / Structural Regime}. } $$ 三者分別具有不同核心能力： $$ \boxed{ S: \text{Identity} + \text{Addressability} + \text{Explicit Rule} + \text{Verification}, } $$ $$ \boxed{ N: \text{Discovery} + \text{Adaptation} + \text{Distributed Representation} + \text{Approximation}, } $$ $$ \boxed{ A: \text{Invariant} + \text{Composition} + \text{Transformation} + \text{Equivalence}. } $$ 傳統 neuro-symbolic AI 常被理解為： $$ \boxed{ N+S. } $$ 但本文提出，真正缺少的可能是一個中介結構層： $$ \boxed{ N \leftrightarrow A \leftrightarrow S. } $$ 其中 Algebraic / Structural layer 不只是「又一種符號」，而是負責描述： - 哪些 transformation 保持不變； - 哪些 representation 可以視為等價； - 哪些局部結構可組合； - 哪些高維狀態可 canonicalize； - 哪些 symbolic objects 可以編譯回 neural substrate。 因此本文將未來可能的核心問題重新表述為： $$ \boxed{ \text{How can the same structure survive across different computational coordinate systems?} } $$ 而不是： $$ \boxed{ \text{Which school is the true form of intelligence?} } $$ 本文進一步提出： - Representation-Regime Separation； - Identity–Geometry–Invariant Triangle； - Addressability Gap； - Structural Mediation Layer； - Bidirectional Representation Compilation； - Representation-Preserving Translation； - Canonicalization Witness； - Structural Conservation； - Regime-Relative Completeness； - Triple-Regime Architecture。 本文指出，Symbolic、Neural、Algebraic 都可能在自己的 domain 內形成類完備感，並發生 TCRS 前文所述的： $$ \boxed{ \text{Mutual Theoretical Absorption}. } $$ Symbolic 可能說： > neural 最後不就是規則與 relation。 Neural 可能說： > symbolic 最後不就是可學 pattern。 Algebraic 可能說： > 兩者最後不都是 transformation structure。 而真正的 Green Model 不是讓其中一派勝出，而是建立： $$ \boxed{ \text{representation-independent shared structure} } $$ 並允許不同 regime 在不同 bottleneck 下承擔不同角色。 本文的核心命題為： $$ \boxed{ \text{Symbolic, neural, and algebraic systems may be better understood as different coordinate systems over partially shared computational structure}. } $$ **關鍵詞：** Symbolic AI、Neural AI、Algebraic AI、Structural AI、Representation Regime、Bidirectional Compilation、Canonicalization、Shared Structure、Neuro-Symbolic、AI Architecture --- # 1. 問題起點：三派真的在研究三種不同智能嗎？ 如果只看歷史敘事，很容易得到： $$ \boxed{ S \quad vs\quad N \quad vs\quad A. } $$ --- # 2. 但這可能把表示形式誤認成智能本體 也就是： $$ \boxed{ \text{Representation} \rightarrow \text{Ontology}. } $$ --- # 3. Symbolic 的世界 Symbolic 傾向使用： - named objects； - predicates； - rules； - proofs； - explicit relations。 --- # 4. Neural 的世界 Neural 傾向使用： - vectors； - matrices； - activations； - weights； - nonlinear transformations； - probabilistic distributions。 --- # 5. Algebraic / Structural 的世界 Algebraic 傾向使用： - groups； - rings； - fields； - categories； - operators； - invariants； - equivalence classes； - morphisms。 --- # 6. 三者語言非常不同 所以很容易形成： $$ \boxed{ \text{Language Difference} \rightarrow \text{Ontological Difference}. } $$ --- # 7. 但這個推論不必成立 可能存在某個： $$ \boxed{ \mathcal S^\ast } $$ 使： $$ S=\Pi_S(\mathcal S^\ast), $$ $$ N=\Pi_N(\mathcal S^\ast), $$ $$ A=\Pi_A(\mathcal S^\ast). $$ --- # 8. 這不代表三者完全等價 而是： > 它們可能保留同一底層結構的不同部分。 --- # 9. Representation-Regime Separation 本文提出： $$ \boxed{ \text{Representation Regime} \neq \text{Intelligence Ontology}. } $$ --- # 10. Symbolic Regime 本文用： $$ \boxed{ S } $$ 表示 symbolic regime。 --- # 11. S 的第一核心：Identity Symbolic 很擅長： $$ \boxed{ x=x. } $$ --- # 12. Named Object 例如： $$ \boxed{ Entity_{17} } $$ 就是同一個可追蹤 object。 --- # 13. 第二核心：Addressability 可以直接： $$ \boxed{ \operatorname{Access}(Entity_{17}). } $$ --- # 14. 第三核心：Explicit Relation $$ \boxed{ R(Entity_{17},Entity_{23}). } $$ --- # 15. 第四核心：Rule $$ \boxed{ P(x) \land Q(x) \rightarrow R(x). } $$ --- # 16. 第五核心：Verification 如果 rule system well-defined， 可以： $$ \boxed{ \text{trace} \rightarrow \text{proof}. } $$ --- # 17. Symbolic Strength Vector 本文暫寫： $$ \boxed{ \vec Q_S = ( I, A, R, V ). } $$ 其中： - $I$：identity； - $A$：addressability； - $R$：rule explicitness； - $V$：verifiability。 --- # 18. Neural Regime 本文用： $$ \boxed{ N } $$ 表示 neural regime。 --- # 19. N 的第一核心：Distributed Representation 一個 concept 未必存在於： $$ w_i. $$ 而可能分散於： $$ \boxed{ Z \subset \mathbb R^d. } $$ --- # 20. 第二核心：Adaptation Neural 可以： $$ \boxed{ D + \mathcal O_{\mathrm{train}} \rightarrow Z. } $$ --- # 21. 第三核心：Approximation 對複雜 function： $$ f $$ 學得： $$ \boxed{ \hat f_\theta. } $$ --- # 22. 第四核心：High-Dimensional Association 大量弱相關訊號可以在： $$ Z $$ 中形成可用 geometry。 --- # 23. Neural Strength Vector $$ \boxed{ \vec Q_N = ( D_r, A_d, A_p, H ). } $$ 其中： - $D_r$：distributed representation； - $A_d$：adaptation； - $A_p$：approximation； - $H$：high-dimensional association。 --- # 24. Algebraic / Structural Regime 本文用： $$ \boxed{ A } $$ 表示 algebraic / structural regime。 --- # 25. A 的第一核心：Invariant 問： $$ \boxed{ \text{what remains unchanged under transformation?} } $$ --- # 26. 第二核心：Composition 如果： $$ f:A\rightarrow B, $$ $$ g:B\rightarrow C, $$ 則： $$ \boxed{ g\circ f:A\rightarrow C. } $$ --- # 27. 第三核心：Transformation 研究： $$ \boxed{ T:X\rightarrow X'. } $$ 本身的結構。 --- # 28. 第四核心：Equivalence 例如： $$ \boxed{ x\sim y. } $$ 雖表示不同， 但在某 structure 下等價。 --- # 29. Algebraic Strength Vector $$ \boxed{ \vec Q_A = ( I_v, C, T, E_q ). } $$ --- # 30. 三者不是同一軸上的高低 不能簡化成： $$ S 在 neural representation 裡，哪些結構具有可保持性？ --- # 49. Structural Extraction 從： $$ Z $$ 抽： $$ \boxed{ \mathcal I_Z } $$ 即 invariant structure。 --- # 50. 可能包含 - equivalence class； - relational symmetry； - transformation orbit； - compositional operator； - conserved constraint。 --- # 51. 再 canonicalize $$ \boxed{ \mathcal I_Z \rightarrow C_Z. } $$ --- # 52. Canonical Form $$ \boxed{ C_Z } $$ 是： > 對同一結構選一個穩定、可定址的標準表示。 --- # 53. 這時再進 Symbolic $$ \boxed{ C_Z \rightarrow S_Z. } $$ --- # 54. 整體： $$ \boxed{ N \rightarrow A \rightarrow S. } $$ --- # 55. 反方向也重要 Symbolic specification： $$ S $$ 可以先轉成： $$ \boxed{ A_S } $$ 即結構約束。 --- # 56. 再實現在 neural substrate $$ \boxed{ A_S \rightarrow N_S. } $$ --- # 57. 所以： $$ \boxed{ S \rightarrow A \rightarrow N. } $$ --- # 58. Bidirectional Representation Compilation 本文正式提出： $$ \boxed{ \text{BRC} = \text{Bidirectional Representation Compilation}. } $$ --- # 59. 核心 $$ \boxed{ N \leftrightarrow A \leftrightarrow S. } $$ --- # 60. 這不是簡單 translation 而是： $$ \boxed{ \text{structure-preserving compilation}. } $$ --- # 61. Representation-Preserving Translation 本文提出： $$ \boxed{ \text{RPT}. } $$ 要求： $$ \boxed{ I( X ) \approx I( \Phi(X) ) } $$ 對關鍵 invariant 成立。 --- # 62. Translation 不是只看 output match 兩個 representation： $$ X,Y $$ 可能 output 一樣， 但 internal structure 完全不同。 --- # 63. 所以需要 structural witness $$ \boxed{ \Gamma_{\Phi}. } $$ --- # 64. Canonicalization Witness 本文提出： $$ \boxed{ \Gamma_C. } $$ 表示： > 為什麼一組不同表示可以被合法視為同一 canonical structure。 --- # 65. 沒有 witness 的 canonicalization 可能只是： $$ \boxed{ \text{forced discretization}. } $$ --- # 66. Forced Discretization Neural state： $$ z $$ 被硬切成： $$ s. $$ 但實際： $$ \boxed{ \text{uncertainty} } $$ 與： $$ \boxed{ \text{superposition} } $$ 被丟失。 --- # 67. 所以 symbolic layer 不應吞掉 neural residual 這又回到 TCRS-05。 --- # 68. N→S 也要保存 residual 可寫： $$ \boxed{ N \rightarrow ( S, R_N ). } $$ --- # 69. R_N 是 neural residual $$ \boxed{ R_N } $$ 表示： > 尚不能被 canonical symbolic structure 完整表示的部分。 --- # 70. 這很重要 否則： $$ \boxed{ \text{canonicalization} \rightarrow \text{false completeness}. } $$ --- # 71. Symbolic 也有 residual 反向： $$ \boxed{ S \rightarrow ( N, R_S ). } $$ --- # 72. 某些 symbolic constraint 可能很難自然嵌入： $$ N. $$ --- # 73. 所以雙向都不一定 lossless $$ \boxed{ L_{N\rightarrow S}>0 } $$ $$ \boxed{ L_{S\rightarrow N}>0. } $$ --- # 74. Algebraic layer 的價值 就是把 loss 顯性化。 --- # 75. Structural Conservation 本文提出： $$ \boxed{ \text{Structural Conservation}. } $$ --- # 76. 定義 跨 representation 時，不要求： $$ X=Y, $$ 而要求： $$ \boxed{ \mathcal I(X) = \mathcal I(Y) } $$ 對選定 invariant 成立。 --- # 77. 這比 literal identity 更實際 因為： $$ N,S,A $$ 本來就不是同一表示。 --- # 78. Representation Coordinate System 本文將每個 regime 視為一種： $$ \boxed{ \text{computational coordinate system}. } $$ --- # 79. Neural Coordinate 偏： $$ \boxed{ \text{continuous / distributed}. } $$ --- # 80. Symbolic Coordinate 偏： $$ \boxed{ \text{discrete / named / explicit}. } $$ --- # 81. Algebraic Coordinate 偏： $$ \boxed{ \text{relation / transformation / equivalence}. } $$ --- # 82. 問題變成： $$ \boxed{ \text{what survives coordinate change?} } $$ --- # 83. 這是比「誰比較高級」更好的問題 因為它直接指向： $$ \boxed{ \mathcal I^\ast. } $$ --- # 84. Representation-Independent Invariant 本文提出： $$ \boxed{ \mathcal I^\ast } $$ 為： > 在多個 representation regime 間仍可保持的核心 structure。 --- # 85. 這可能包括 - causal relation； - equivalence； - order； - constraint； - symmetry； - transition structure。 --- # 86. 不是所有資訊都 invariant 重要。 --- # 87. 有些資訊只存在於某 regime 例如： $$ \boxed{ \text{fine-grained geometry} } $$ 可能是 neural-specific。 --- # 88. 有些則是 symbolic-specific 例如： $$ \boxed{ \text{explicit identifier provenance}. } $$ --- # 89. 所以共同底空間不等於全資訊交集 而是： $$ \boxed{ \text{shared invariant} + \text{regime-specific residual}. } $$ --- # 90. Regime-Relative Completeness 本文提出： $$ \boxed{ \text{Regime-Relative Completeness}. } $$ --- # 91. Neural 可以在 perception domain 類完備 例如： $$ Q_N(D_p)\approx1. $$ --- # 92. Symbolic 可以在 formal verification 類完備 $$ Q_S(D_v)\approx1. $$ --- # 93. Algebraic 可以在 structural equivalence 類完備 $$ Q_A(D_e)\approx1. $$ --- # 94. 但： $$ \boxed{ Q_N(D_p)\approx1 \not\Rightarrow Q_N(\Omega)\approx1. } $$ --- # 95. 三派都可能犯「萬法皆我」 Symbolic： > 所有 neural 最後都是 rules。 --- # 96. Neural： > 所有 rules 最後都能被 network 學。 --- # 97. Algebraic： > 所有系統最後都只是 algebraic structure。 --- # 98. 三句都可能部分正確 但： $$ \boxed{ \text{representable} \neq \text{exhausted}. } $$ --- # 99. Mutual Regime Absorption 本文提出： $$ \boxed{ \text{MRA} = \text{Mutual Regime Absorption}. } $$ --- # 100. 三方各自都能說： $$ \boxed{ \text{the others are special cases of me}. } $$ --- # 101. 這是 TCRS-05 的 AI 特例 即： $$ \boxed{ \text{Mutual Theoretical Absorption}. } $$ --- # 102. 真正共同底空間要 de-privilege 三方 所以： $$ \boxed{ S^\ast } $$ 不能預設： - symbol primitive； - vector primitive； - algebraic primitive； 哪一個必然最底層。 --- # 103. Shared Structural Substrate 本文暫定義： $$ \boxed{ \mathcal S^\ast = ( I, T, C, R ). } $$ 其中： - $I$：invariants； - $T$：transformations； - $C$：constraints； - $R$：residual channels。 --- # 104. Symbolic Projection $$ \boxed{ \Pi_S( \mathcal S^\ast ). } $$ --- # 105. Neural Projection $$ \boxed{ \Pi_N( \mathcal S^\ast ). } $$ --- # 106. Algebraic Projection $$ \boxed{ \Pi_A( \mathcal S^\ast ). } $$ --- # 107. 不要求三者完全可逆 而要求： $$ \boxed{ \text{explicitly measured reversibility}. } $$ --- # 108. Representation Round-Trip 例如： $$ \boxed{ N \rightarrow A \rightarrow S \rightarrow A \rightarrow \hat N. } $$ --- # 109. Round-Trip Error $$ \boxed{ E_{NASAN} = d( N,\hat N ). } $$ --- # 110. 同樣： $$ \boxed{ E_{SANAS} } $$ 可以測反向。 --- # 111. 這比單向 accuracy 更有意義 因為可以暴露： $$ \boxed{ \text{translation loss}. } $$ --- # 112. Addressability Gap 本文提出： $$ \boxed{ G_A = \text{Addressability Gap}. } $$ --- # 113. 定義 > Neural representation 擁有能力，但無法穩定指向其內部可編輯、可驗證結構的程度。 --- # 114. Symbolic 的核心優勢 就是： $$ \boxed{ G_A\downarrow. } $$ --- # 115. Geometry Gap 反過來 Symbolic 可能有： $$ \boxed{ G_G = \text{Geometry Gap}. } $$ --- # 116. 即： > 難以自然表達高維連續、模糊、分布式相似性。 --- # 117. Structural Gap 如果只有 N+S， 中間可能仍缺： $$ \boxed{ G_{NS}. } $$ --- # 118. 也就是： > 如何判定哪些 neural states 應該對應哪些 symbolic structures？ --- # 119. Algebraic layer 可提供 $$ \boxed{ \text{equivalence criteria}. } $$ --- # 120. 這就是中介價值 不是因為 algebra 比另外兩者「更真」。 --- # 121. 而是因為它擅長： $$ \boxed{ \text{cross-representation structure}. } $$ --- # 122. Triple-Regime Architecture 本文提出： $$ \boxed{ \mathcal A_{SNA} } $$ --- # 123. 其最小結構 $$ \boxed{ N \leftrightarrow A \leftrightarrow S. } $$ --- # 124. Neural Layer 負責： - perception； - learning； - approximation； - high-dimensional association。 --- # 125. Algebraic Layer 負責： - invariant extraction； - canonicalization； - compositional relation； - coordinate translation。 --- # 126. Symbolic Layer 負責： - naming； - addressability； - explicit rule； - audit； - local repair。 --- # 127. 這不是固定分工 不同 task： $$ Q $$ 會有不同： $$ \boxed{ \vec w^\ast(Q) = ( w_N,w_A,w_S ). } $$ --- # 128. Dynamic Regime Routing 本文提出： $$ \boxed{ \text{Dynamic Regime Routing}. } $$ --- # 129. Perception 可能： $$ w_N\gg w_A,w_S. $$ --- # 130. Formal Proof 可能： $$ w_S,w_A\gg w_N. $$ --- # 131. World-Model Update 可能： $$ w_N\approx w_A\approx w_S. $$ --- # 132. 所以未來架構更像 ecology 而不是： $$ \boxed{ \text{single universal representation}. } $$ --- # 133. Representation Ecology 延續 TCRS-07： $$ \boxed{ \mathcal E_R = \{ N,A,S \} } $$ 動態協作。 --- # 134. Representation Compiler 本文提出： $$ \boxed{ \mathcal C_R. } $$ --- # 135. 它的任務不是只做 serialization 不是： $$ N \rightarrow \text{text} \rightarrow S. $$ --- # 136. 因為 text 是低成本 bridge 但常： $$ \boxed{ \text{lossy}. } $$ --- # 137. 真正 compiler 應操作 - structured state； - invariants； - typed relation； - confidence； - residual。 --- # 138. Neural-to-Structural Compiler $$ \boxed{ \mathcal C_{N\rightarrow A}. } $$ --- # 139. Structural-to-Symbolic Compiler $$ \boxed{ \mathcal C_{A\rightarrow S}. } $$ --- # 140. Symbolic-to-Structural Compiler $$ \boxed{ \mathcal C_{S\rightarrow A}. } $$ --- # 141. Structural-to-Neural Compiler $$ \boxed{ \mathcal C_{A\rightarrow N}. } $$ --- # 142. 每個 compiler 都應回傳 $$ \boxed{ ( \text{output}, \text{fidelity}, \text{residual}, \text{uncertainty} ). } $$ --- # 143. 這是關鍵 translation 不應只回： $$ \boxed{ \text{output}. } $$ --- # 144. Compiler Contract 本文提出： ```text input representation output representation preserved invariants translation loss unmapped residual uncertainty round-trip witness ``` --- # 145. 這可以避免 False Canonicalization 本文定義： $$ \boxed{ \text{False Canonicalization}. } $$ --- # 146. 即： > 把尚未證明等價的不同 neural states 強制映射成同一 symbolic identity。 --- # 147. 也能避免 False Neuralization 反方向： > 把不同 symbolic constraint 編入 neural substrate 後，假設它們仍然完整可分。 --- # 148. Structural Layer 必須保存 distinction 否則： $$ \boxed{ \text{compilation} } $$ 只是： $$ \boxed{ \text{information destruction}. } $$ --- # 149. Algebraic 不等於人類現成代數 這點非常重要。 本文說的： $$ A $$ 不是： > 必須全部用現成人類群論、環論、GF(2) 或某個特定代數語言。 --- # 150. 更一般： $$ \boxed{ A = \text{structure-first representation regime}. } $$ --- # 151. 其核心問的是： - composition 怎麼定義？ - equivalence 怎麼定義？ - invariant 是什麼？ - transformation 如何組合？ --- # 152. 所以未來 A 可能需要新數學 不一定直接是現在的： $$ \boxed{ \text{human mathematical vocabulary}. } $$ --- # 153. 這也避免 Algebraic Theory Empire 否則會變成： > 所有 AI 最終都是我們熟悉的代數。 --- # 154. 這又是萬法皆劍 所以： $$ \boxed{ \text{Algebraic} } $$ 也必須保留 boundary。 --- # 155. Structural Mathematics as Discovery 未來甚至可能： $$ \boxed{ N \rightarrow A_{\mathrm{new}} } $$ 由 neural system 自己發現新的 structural algebra。 --- # 156. 這會是一個很重要方向 因為： $$ A_{\mathrm{new}} $$ 未必符合人類原有分類。 --- # 157. Machine-Discovered Algebra 本文提出： $$ \boxed{ \text{Machine-Discovered Structural Algebra}. } $$ --- # 158. 它可以作為： $$ \boxed{ \text{latent-to-canonical bridge}. } $$ --- # 159. 這時 AI 不只是學人類符號 而可能發現： $$ \boxed{ \text{better intermediate structure}. } $$ --- # 160. 這比「LLM 接 knowledge graph」更深 因為 knowledge graph 已經預設 symbolic ontology。 --- # 161. 本文想問的是： > ontology 本身能不能從 neural 與 world interaction 中被重新編譯？ --- # 162. Ontology Compilation 本文提出： $$ \boxed{ \text{Ontology Compilation}. } $$ --- # 163. 即： $$ \boxed{ N + W \rightarrow A \rightarrow S. } $$ --- # 164. W 是 World Interaction 不是只靠 internal latent。 --- # 165. 因為沒有 world feedback 可能得到： $$ \boxed{ \text{internally elegant but externally wrong structure}. } $$ --- # 166. 所以 World / Verifier 仍重要 這與 ADLM 接上。 --- # 167. Triple-Regime + World 更完整： $$ \boxed{ W \leftrightarrow N \leftrightarrow A \leftrightarrow S. } $$ --- # 168. 甚至可形成 loop $$ \boxed{ S \rightarrow A \rightarrow N \rightarrow W \rightarrow N \rightarrow A \rightarrow S. } $$ --- # 169. 這是一個 representation learning cycle --- # 170. Symbolic 可以提出 hypothesis $$ \boxed{ S_h. } $$ --- # 171. Algebraic 轉成 structural constraints $$ \boxed{ A_h. } $$ --- # 172. Neural 實現／搜索 $$ \boxed{ N_h. } $$ --- # 173. World 測試 $$ \boxed{ W(N_h). } $$ --- # 174. 結果回編 $$ \boxed{ W \rightarrow N \rightarrow A \rightarrow S'. } $$ --- # 175. 這是 AI 科學循環 而不是單一 representation。 --- # 176. Representation Debt Revisited TCRS-07 提出： $$ \boxed{ R_{\mathrm{repr}}. } $$ --- # 177. Triple-Regime Architecture 的目標之一 不是完全消除 neural implicitness。 --- # 178. 而是： $$ \boxed{ \text{selectively externalize high-value structure}. } $$ --- # 179. Selective Canonicalization 本文提出： $$ \boxed{ \text{Selective Canonicalization}. } $$ --- # 180. 不是所有 latent state 都要 symbolify 否則： $$ C_{\mathrm{canonical}}\rightarrow\infty. $$ --- # 181. 應只對： - high reuse； - high risk； - high causal centrality； - high verification value； 的 structure canonicalize。 --- # 182. Canonicalization Priority 定義： $$ \boxed{ P_C(x) = F( \text{reuse}, \text{risk}, \text{causal centrality}, \text{verification value} ). } $$ --- # 183. 這讓 Symbolic 不會吞掉 Neural 也避免回到 GOFAI 的顯式建構天價成本。 --- # 184. 這是一個重要平衡 $$ \boxed{ \text{implicit where cheap} + \text{explicit where valuable}. } $$ --- # 185. Structural layer 負責判斷哪裡值得顯式化 這可能是： $$ A $$ 最重要角色之一。 --- # 186. Adaptive Explicitness 本文提出： $$ \boxed{ \text{Adaptive Explicitness}. } $$ --- # 187. 即： > explicitness 不是 binary，而是依 task 動態分配。 --- # 188. 某些 knowledge 可以留： $$ \boxed{ N. } $$ --- # 189. 某些 structure 升到： $$ \boxed{ A. } $$ --- # 190. 某些 high-value knowledge 進： $$ \boxed{ S. } $$ --- # 191. Representation Promotion 本文提出： $$ \boxed{ N \rightarrow A \rightarrow S } $$ 作為 promotion path。 --- # 192. Representation Demotion 也可以： $$ \boxed{ S \rightarrow A \rightarrow N. } $$ --- # 193. 為什麼要 demote？ 因為某些 symbolic structure： - 太僵硬； - 太昂貴； - 太多例外； 可能更適合回到 learned regime。 --- # 194. 所以 representation regime 是動態的 不是知識一旦 symbolized 就永遠 symbolized。 --- # 195. Dynamic Representation State 每個 knowledge object： $$ k_i $$ 可以有： $$ \boxed{ r_i(t)\in\{N,A,S\}. } $$ --- # 196. 甚至是混合態 $$ \boxed{ r_i(t) = (w_N,w_A,w_S). } $$ --- # 197. 這與 TCRS-07 的 Representation Ecology 完全接軌 --- # 198. 理論完備性再看一次 Symbolic 看起來能： $$ \boxed{ \text{enumerate and verify} } $$ 所以有類完備感。 --- # 199. Neural 看起來能： $$ \boxed{ \text{approximate arbitrary patterns} } $$ 所以也有類完備感。 --- # 200. Algebraic 看起來能： $$ \boxed{ \text{reduce systems to structural relations} } $$ 所以也有類完備感。 --- # 201. 但三者的「完備」不是同一種 本文提出： $$ \boxed{ \text{Completeness Type}. } $$ --- # 202. Symbolic Completeness 偏： $$ \boxed{ \text{explicit derivational completeness}. } $$ --- # 203. Neural Completeness 偏： $$ \boxed{ \text{approximation / representation coverage}. } $$ --- # 204. Algebraic Completeness 偏： $$ \boxed{ \text{structural closure under transformations}. } $$ --- # 205. 不同 completeness 不能互相偷換 $$ \boxed{ C_S \neq C_N \neq C_A. } $$ --- # 206. 這也是學派歧視的來源之一 每派都用自己的 completeness metric 看別人。 --- # 207. Symbolic 會覺得 Neural 不完備 因為： > 無法明確 trace。 --- # 208. Neural 會覺得 Symbolic 不完備 因為： > 無法涵蓋 open-ended messy world。 --- # 209. Algebraic 可能覺得兩者都太 representation-bound 因為： > 沒有抽出 invariant。 --- # 210. 三方都可能是對的 只是在不同 metric。 --- # 211. Completeness-Metric Mismatch 本文提出： $$ \boxed{ \text{CMM} = \text{Completeness-Metric Mismatch}. } $$ --- # 212. 當不同 paradigm 用不同 completeness definition 卻假裝在比較同一個： $$ \boxed{ \text{complete AI}, } $$ 就產生假衝突。 --- # 213. Neutral Completeness Space 未來比較應建立： $$ \boxed{ \vec C = ( C_{\mathrm{deriv}}, C_{\mathrm{approx}}, C_{\mathrm{struct}}, C_{\mathrm{world}} ). } $$ --- # 214. World Completeness 還要加入： $$ \boxed{ C_{\mathrm{world}} } $$ 也就是： > 系統和實際世界的匹配。 --- # 215. 因為內部完備不等於外部正確 $$ \boxed{ \text{Internal Completeness} \neq \text{World Adequacy}. } $$ --- # 216. Triple-Regime Evaluation 因此未來 architecture 應測： - learning coverage； - structural conservation； - symbolic addressability； - world adequacy； - repair cost； - verification cost。 --- # 217. 這比 benchmark accuracy 高解析很多 --- # 218. TCRS-08 的核心 Green Model 不是： $$ \boxed{ S\text{ wins} } $$ 也不是： $$ N\text{ wins}. $$ --- # 219. 更不是： $$ A\text{ wins}. $$ --- # 220. 而是： $$ \boxed{ \text{regime selection becomes task- and bottleneck-dependent}. } $$ --- # 221. Future AI Architecture 可能更接近： $$ \boxed{ \mathcal A^\ast = \mathcal R( Q, B, W, \vec R_P ) } $$ 動態選擇 representation regime。 --- # 222. Q 是 task $$ Q. $$ --- # 223. B 是 bottleneck $$ B. $$ --- # 224. W 是 world constraints $$ W. $$ --- # 225. Debt vector $$ \vec R_P. $$ --- # 226. Router 決定 $$ \boxed{ (w_N,w_A,w_S). } $$ --- # 227. 這就是 Representation Router 本文提出： $$ \boxed{ \mathcal R_{\mathrm{rep}}. } $$ --- # 228. Representation Router 的學習目標 不是： > 永遠偏某一派。 而是： $$ \boxed{ \min ( \text{cost} + \text{error} + \text{debt} ) } $$ 在保持 capability 下。 --- # 229. 形式： $$ \boxed{ \vec w^\ast = \arg\min_{\vec w} \left[ C(\vec w) + E(\vec w) + R(\vec w) \right]. } $$ --- # 230. 這就完全離開「學派戰爭」 問題變成 engineering / epistemic optimization。 --- # 231. 與 TCRS-07 的 Bottleneck-Neutral Comparison 接軌 不是問： > Neural 怎麼解？ 而是： $$ \boxed{ \text{哪種 representation 組合最適合這個問題？} } $$ --- # 232. 本文第一原則：Representation-Regime Principle $$ \boxed{ \text{Symbolic, neural, and algebraic systems should first be treated as representation regimes, not exclusive ontologies of intelligence}. } $$ --- # 233. 第二原則：Identity–Geometry–Invariant Principle $$ \boxed{ \text{Identity, geometry, and invariant structure are distinct computational assets that need not reside in one representation}. } $$ --- # 234. 第三原則：Structural-Mediation Principle $$ \boxed{ \text{A structural layer may mediate neural–symbolic translation more faithfully than direct serialization}. } $$ --- # 235. 第四原則：Bidirectional Compilation Principle $$ \boxed{ N \leftrightarrow A \leftrightarrow S } $$ 應支援雙向而非單向投影。 --- # 236. 第五原則：Residual Preservation Principle $$ \boxed{ \text{No representation conversion should claim completeness without tracking residual information}. } $$ --- # 237. 第六原則：Structural Conservation Principle $$ \boxed{ \text{Cross-regime translation should preserve selected invariants rather than literal representation identity}. } $$ --- # 238. 第七原則：Adaptive Explicitness Principle $$ \boxed{ \text{Not all learned structure should be made explicit; explicitness should be allocated where its value exceeds its cost}. } $$ --- # 239. 第八原則：Completeness-Type Principle $$ \boxed{ \text{Different representation regimes possess different kinds of completeness and must not be compared using one regime's metric alone}. } $$ --- # 240. 第九原則：World-Adequacy Principle $$ \boxed{ \text{Internal structural elegance across representations does not replace external world validation}. } $$ --- # 241. 第十原則：Representation-Ecology Principle $$ \boxed{ \text{Future AI may be better modeled as a dynamic ecology of representation regimes than as a single universal representation}. } $$ --- # 242. 本文不主張事項 本文不主張： 1. Symbolic、Neural、Algebraic 是完整且互斥的 AI 分類； 2. Algebraic layer 一定是 neuro-symbolic 唯一缺失層； 3. 所有 neural state 都能被 canonicalize； 4. 所有 symbolic structure 都能無損編入 neural substrate； 5. 現有代數語言足以描述未來 AI； 6. Neural 應被 Symbolic 取代； 7. Symbolic 應被 Algebraic 取代； 8. Triple-Regime Architecture 一定優於 pure neural； 9. representation-independent invariant 一定存在於所有任務； 10. AI 最終必須使用人類可讀 symbolic language。 本文只主張： $$ \boxed{ \text{the competition between symbolic, neural, and algebraic approaches may be better reframed as a problem of cross-regime structure preservation, compilation, and task-dependent routing}. } $$ --- # 243. 與 TCRS-09 的接口 下一篇將完成主系列 closure： # 《從學派到共同底空間：多解析度理論比較與跨範式編譯的統一方法》 它會把： - 一劍萬法／萬法一劍； - 多層理論域； - 理解解析度； - 對話假對齊； - Shared-Substrate Occlusion； - Theory Empire； - Bottleneck Migration； - Symbolic–Neural–Algebraic； 統一成一個跨學科方法論。 --- # 244. 結論 Symbolic、Neural 與 Algebraic 之間真正的差異，很大一部分可能不是： $$ \boxed{ \text{哪一個才是真正智能。} } $$ 而是： $$ \boxed{ \text{它們選擇了不同的 computational coordinates。} } $$ Symbolic 重視： $$ \boxed{ \text{Identity} + \text{Addressability} + \text{Explicit Rule}. } $$ Neural 重視： $$ \boxed{ \text{Distributed Geometry} + \text{Adaptation} + \text{Approximation}. } $$ Algebraic / Structural 重視： $$ \boxed{ \text{Invariant} + \text{Composition} + \text{Transformation} + \text{Equivalence}. } $$ 因此真正困難的問題不是： > 哪一派應該消滅另外兩派？ 而是： $$ \boxed{ \text{同一結構在不同表示制度間轉換時，哪些東西應該被保留？} } $$ 如果只有： $$ N\rightarrow S, $$ 很容易把 neural geometry 與 uncertainty 強行壓成 symbolic object。 如果只有： $$ S\rightarrow N, $$ 又可能把 explicit identity 與 constraint 編進一個難以回收的 distributed state。 所以本文提出： $$ \boxed{ N \leftrightarrow A \leftrightarrow S. } $$ 讓： $$ A $$ 不是第三個學派王座， 而是： $$ \boxed{ \text{structure-preserving mediation layer}. } $$ 它負責問： > 什麼是同一個 structure？ > 哪些 transformation 可以組合？ > 哪些 representation 應視為等價？ > 哪些 invariant 在 coordinate change 後仍然存在？ > 哪些 residual 不能被任何一方吸收？ 真正好的未來 AI 不必把所有東西都 symbolify。 也不必把所有東西永遠留在 latent space。 它可以： $$ \boxed{ \text{implicit where cheap} + \text{structural where compositional} + \text{explicit where valuable}. } $$ 也就是： $$ \boxed{ \text{Adaptive Explicitness}. } $$ 這樣一來，Symbolic、Neural、Algebraic 不再是三個互斥世界。 它們更像： $$ \boxed{ \text{同一計算結構的三種座標系。} } $$ 而真正值得研究的，便從： $$ \boxed{ \text{Which school wins?} } $$ 變成： $$ \boxed{ \text{What survives when we change representation?} } $$ 這就是 TCRS-08 的核心。 --- # 版本紀錄 ## v0.1.0 — 2026-10-06 - 建立 TCRS 系列 Paper 08； - 將 Symbolic / Neural / Algebraic 重新定義為三種 representation regimes； - 建立 Symbolic 的 Identity / Addressability / Explicit Rule / Verification 優勢； - 建立 Neural 的 Distributed Representation / Adaptation / Approximation / High-Dimensional Association 優勢； - 建立 Algebraic / Structural 的 Invariant / Composition / Transformation / Equivalence 優勢； - 提出 Identity–Geometry–Invariant Triangle； - 正式提出 Structural Mediation Hypothesis； - 建立 Neural → Algebraic → Symbolic 與反向路徑； - 正式提出 Bidirectional Representation Compilation； - 提出 Representation-Preserving Translation； - 建立 Canonicalization Witness 與 False Canonicalization； - 提出 Structural Conservation； - 將 representation 視為 computational coordinate systems； - 建立 Representation-Independent Invariant； - 提出 Regime-Relative Completeness； - 建立 Mutual Regime Absorption； - 定義 Shared Structural Substrate； - 提出 Representation Round-Trip 與 Round-Trip Error； - 建立 Addressability Gap、Geometry Gap 與 Structural Gap； - 正式提出 Triple-Regime Architecture； - 提出 Dynamic Regime Routing； - 建立 Representation Compiler Contract； - 將 Algebraic 抽象為 structure-first regime，而非限定現成人類代數； - 提出 Machine-Discovered Structural Algebra； - 建立 Ontology Compilation； - 將 Triple-Regime 與 World / Verifier 接軌； - 提出 Selective Canonicalization、Adaptive Explicitness、Representation Promotion / Demotion； - 建立 Completeness-Type 與 Completeness-Metric Mismatch； - 提出 Representation Router； - 建立十項核心原則； - 為 TCRS-09 統一 closure 建立最後理論前置。