--- title: "共同主題域與智能外顯：為什麼同一句話可以承載完全不同的資訊量" english_title: "Shared Thematic Domains and Intelligence Externalization: Why the Same Sentence Can Carry Radically Different Amounts of Information" series: "智能學習底空間與投影系列" series_english: "Intelligence Learning-Substrate and Projection Series" series_id: "ILSP" paper_id: "ILSP-02" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Canonical Series Paper" date: "2026-10-05" language: "zh-TW" canonical_source: "UTF-8 Markdown" math_source_rule: "inline math only with $...$ ; display math only with $$...$$" --- # 共同主題域與智能外顯 ## 為什麼同一句話可以承載完全不同的資訊量 ### Shared Thematic Domains and Intelligence Externalization: Why the Same Sentence Can Carry Radically Different Amounts of Information **系列：** 智能學習底空間與投影系列（ILSP），Paper 02 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-10-05 **公司：** 一言諾科技有限公司 --- # 摘要 人類與人工智慧的互動經常被以 token 數、上下文長度、傳輸位元率或單輪訊息長度描述。然而，這些量只直接描述外部符號通道，並不等價於實際被成功傳遞、恢復或調用的語義結構。相同的一句話，在陌生互動者之間可能高度欠定；在長期共享研究語境、符號系統、歷史記憶與任務 ontology 的協作者之間，卻可能作為一個高壓縮索引，調用遠大於句面長度的共同結構。 本文提出 **共同主題域**（Shared Thematic Domain）框架，將有效語義傳輸描述為： $$ B_{\mathrm{sem}} = f( B_{\mathrm{channel}}, D_{\mathrm{shared}}, M_{\mathrm{shared}}, O_{\mathrm{shared}}, H_{\mathrm{interaction}}, R_{\mathrm{retrieval}} ). $$ 其中： - $B_{\mathrm{channel}}$：可觀察符號通道能力； - $D_{\mathrm{shared}}$：共同主題域； - $M_{\mathrm{shared}}$：共享記憶； - $O_{\mathrm{shared}}$：共享 ontology； - $H_{\mathrm{interaction}}$：互動歷史； - $R_{\mathrm{retrieval}}$：對既有共同結構的調用能力。 本文進一步區分 **literal payload** 與 **recoverable semantic payload**。若訊息 $m$ 本身很短，但能在共享域 $D$ 中唯一或近唯一定位一個大型結構 $K$，則其有效語義負載不應只以 $|m|$ 估計。這類現象在人類專業協作、軍事指令、程式碼 API、數學符號、長期研究合作與 AI 記憶系統中普遍存在。 本文提出 Shared-Domain Gain、Semantic Compression Ratio、Domain Ambiguity、Recoverability 與 Cross-Domain Failure 等可測量概念，並指出「模型看起來變聰明」有時可能部分來自共同域建立，而不是 base model capability 本身改變。反過來，同一模型在缺乏共享主題域、記憶或 retrieval 時，也可能表現出被低估的 latent competence。 本文最終主張： $$ \boxed{ \text{Token Count} \neq \text{Semantic Throughput}. } $$ 以及： $$ \boxed{ \text{Shared Context Is Not Merely More Text; it can function as an address space over previously established meaning.} } $$ 這使「上下文」、「記憶」、「共同語言」、「長期協作」與「智能外顯」被重新統一為一個可測量的投影與資訊恢復問題。 **關鍵詞：** 共同主題域、共享 ontology、語義頻寬、語義壓縮、上下文、AI 記憶、semantic throughput、shared domain、projection、latent competence、retrieval、長期協作 --- # 1. 問題起點：同一句話為什麼可以差這麼多？ 考慮一句話： > 回到那個底空間。 對完全陌生的接收者，它可能指： - 線性代數 subspace； - probability sample space； - state space； - topology； - possibility substrate； - 某個專案名稱； - 某種哲學隱喻； - 某個先前定義的私有術語。 此時訊息高度欠定。 但對長期協作、已共享大量定義與歷史的兩個 Agent，同一句話可能幾乎唯一定位： $$ K^\ast \in \mathcal K_{\mathrm{shared}}. $$ 因此相同字串： $$ m $$ 在不同共同域下具有完全不同的可恢復結構量。 所以： $$ \boxed{ |m| \text{ does not determine } I_{\mathrm{recoverable}}(m). } $$ 這是本文的起點。 --- # 2. Literal Payload 與 Recoverable Semantic Payload 令訊息為： $$ m. $$ 定義 literal payload： $$ L(m) $$ 表示訊息自身直接攜帶的符號內容。 再定義在共同域 $D$ 下的 recoverable semantic payload： $$ S(m\mid D). $$ 若： $$ D_1 \neq D_2, $$ 則完全可能： $$ S(m\mid D_1) \gg S(m\mid D_2). $$ 即使： $$ L(m) $$ 完全相同。 因此： $$ \boxed{ \text{same sentence} \not\Rightarrow \text{same semantic payload}. } $$ --- # 3. 共同主題域的最小形式 本文將共同主題域寫為： $$ \boxed{ D_{\mathrm{shared}} = ( \mathcal V, \mathcal R, \mathcal O, \mathcal H, \mathcal P ). } $$ 其中： - $\mathcal V$：共享概念與符號集合； - $\mathcal R$：共享關係結構； - $\mathcal O$：共享 ontology； - $\mathcal H$：共享歷史／先前承諾； - $\mathcal P$：共享 protocol / interaction conventions。 這個 domain 不一定完整一致。 可以存在： $$ D_A \neq D_B. $$ 真正重要的是兩者交集： $$ D_{AB} = D_A \cap D_B. $$ 如果： $$ D_{AB} $$ 夠大，短訊息便能作為高密度 index。 --- # 4. Shared Domain 不是「多塞一點上下文」 將共同域單純理解成更多 token，會漏掉其結構性。 考慮兩個 prompt： ## Prompt A 提供 10,000 tokens 的雜亂歷史。 ## Prompt B 提供 1,000 tokens 的高度結構化 glossary、定義、符號、版本與決策紀錄。 即使： $$ |A| > |B|, $$ 也不代表： $$ S(A) > S(B). $$ 如果 B 更可尋址、更低歧義、更符合當前任務，它可能具有更高有效語義帶寬。 因此： $$ \boxed{ \text{Context Length} \neq \text{Context Utility}. } $$ --- # 5. Shared Domain 作為語義地址空間 假設存在一個共享結構庫： $$ \mathcal K = \{ K_1, K_2, \ldots, K_n \}. $$ 一個簡短訊息 $m$ 可以不是完整內容，而是一個地址： $$ m \mapsto K_j. $$ 這種情況下： $$ m $$ 的功能更接近 pointer，而不是完整 payload。 因此： $$ \boxed{ \text{Message} = \text{Payload} + \text{Address} + \text{Constraint}. } $$ 不同任務中三者比例可以不同。 在人類專業協作中，很多高效率語言其實主要依賴： $$ \text{addressing shared structures}. $$ AI 長期協作也可能如此。 --- # 6. Semantic Compression Ratio 定義訊息在共同域 $D$ 下所成功恢復的結構量為： $$ R(m\mid D). $$ 定義 literal size： $$ |m|. $$ 則可定義概念性語義壓縮比： $$ \boxed{ \mathrm{SCR}(m,D) = \frac{ R(m\mid D) }{ |m| }. } $$ 當： $$ \mathrm{SCR} \gg 1, $$ 代表短訊息能高效調用大量既有共享結構。 這不是聲稱資訊守恆被破壞。 額外可恢復內容來自： $$ D. $$ 因此更完整地： $$ R(m\mid D) = g(m,D). $$ --- # 7. Shared-Domain Gain 對同一訊息 $m$，比較： $$ D_0 = \text{minimal shared domain} $$ 與： $$ D_1 = \text{rich shared domain}. $$ 定義： $$ \boxed{ G_D = R(m\mid D_1) - R(m\mid D_0). } $$ 若： $$ G_D > 0, $$ 表示共同域提供額外恢復能力。 更一般可正規化： $$ \boxed{ G_D^{\mathrm{norm}} = \frac{ R(m\mid D_1)-R(m\mid D_0) }{ R(m\mid D_0)+\epsilon }. } $$ 這可以成為長期協作系統的量化指標之一。 --- # 8. Domain Ambiguity 對訊息 $m$，令可接受解釋集合為： $$ \mathcal A(m,D). $$ 定義 domain ambiguity： $$ \boxed{ A_D(m) = |\mathcal A(m,D)|. } $$ 或者以分布形式： $$ H_D(m) = H( P( a \mid m,D ) ). $$ 若共同域建立良好，則通常希望： $$ H_D(m) \downarrow. $$ 但不是永遠越低越好。 創造性任務可能需要保留： $$ H_D(m) > 0. $$ 因此共同域的目的不是消滅所有歧義，而是： $$ \boxed{ \text{reduce irrelevant ambiguity while preserving useful openness}. } $$ --- # 9. 共同域與隱喻 隱喻是 shared-domain compression 的典型案例。 一句： > 這裡又掉回投影了。 若雙方沒有共同理論，資訊不足。 若雙方已共享： - projection； - latent state； - observer-relative representation； - context compression； - output topology； 則這句話可瞬間調用整組理論。 因此： $$ \boxed{ \text{Metaphor can function as high-level indexing over shared relational structure}. } $$ 這也解釋為什麼深層對話中的隱喻對陌生模型可能失敗，而對長期協作者可能非常高效。 --- # 10. 共同域與專業術語 數學與科學符號本身就是極端的共同域壓縮。 例如： $$ \nabla\cdot F=0 $$ 只含很少字元。 但對懂 vector calculus 的人，它可調用： - divergence； - vector field； - local flux balance； - coordinate representations； - divergence theorem； - boundary implications。 因此： $$ \boxed{ \text{short notation} \not\Rightarrow \text{low semantic content}. } $$ 真正的內容一部分存在於共享形式系統中。 --- # 11. API、函數名與程式碼也是共同域 例如： ```text git rebase --onto ``` 字串不長。 但對熟悉 Git 的 Agent，它調用一整套 operation semantics。 因此程式系統中： $$ \text{symbol} \rightarrow \text{shared executable semantics}. $$ AI-to-AI communication 若能建立可靠 machine-native ontology，也可能形成類似： $$ \boxed{ \text{compact token} \rightarrow \text{large recoverable structured operation}. } $$ 這就是共同主題域與 HDSRC / ISQL / PNCW 接口的第一個工程入口。 --- # 12. 共享記憶與共同域不是同一件事 令： $$ M_{\mathrm{shared}} $$ 為共享記憶。 令： $$ D_{\mathrm{shared}} $$ 為共同主題域。 即使： $$ M_{\mathrm{shared}} $$ 很大，也可能： $$ D_{\mathrm{shared}} $$ 很差。 例如記憶中充滿： - 重複內容； - 過時版本； - 衝突定義； - 無法尋址的長文本； - 不知道哪些已被撤回的假說。 所以： $$ \boxed{ \text{Memory Volume} \neq \text{Shared Domain Quality}. } $$ 共同域需要： - identity； - version； - scope； - relation； - provenance； - update rule； - conflict handling。 --- # 13. Shared Ontology 共同 ontology： $$ O_{\mathrm{shared}} $$ 決定： > 雙方是否用同一組類別切世界。 例如「理解」可能被分類為： $$ \{ \text{semantic competence}, \text{phenomenal consciousness}, \text{task transfer}, \text{representation stability} \}. $$ 若雙方沒有共享這個 distinction，就可能出現： $$ \text{same word} \rightarrow \text{different ontological object}. $$ 因此： $$ \boxed{ \text{Lexical Alignment} \neq \text{Ontological Alignment}. } $$ 共同域高品質的核心，不只是共用詞彙，而是共用「這些詞指什麼」。 --- # 14. 共同域與模型看起來變聰明 設 base model 固定： $$ M. $$ 比較： $$ C_{\mathrm{obs}} ( M,D_0 ) $$ 與： $$ C_{\mathrm{obs}} ( M,D_1 ). $$ 若： $$ D_1 $$ 比： $$ D_0 $$ 具有更完整共享概念、歷史與 ontology，可能出現： $$ C_{\mathrm{obs}} ( M,D_1 ) > C_{\mathrm{obs}} ( M,D_0 ). $$ 此時： $$ \boxed{ \Delta C_{\mathrm{observed}} > 0 } $$ 不等於： $$ \boxed{ \Delta C_{\mathrm{base\ model}} > 0. } $$ 也就是： $$ \boxed{ \text{apparent intelligence can improve without weight update}. } $$ 原因可能只是： $$ \text{shared-domain efficiency}\uparrow. $$ --- # 15. 反過來：模型可能被共同域不足低估 若一個模型具有： $$ C_{\mathrm{latent}} $$ 但： $$ D_{\mathrm{shared}} $$ 不足，則其輸出可能不斷猜錯 reference。 例如使用者說： > 按照我們之前的相位展開方式。 模型若不知道「相位展開」在該研究中的專門含義，只能用一般語義猜測。 所以： $$ \boxed{ \text{Domain Retrieval Failure} \neq \text{General Intelligence Failure}. } $$ 這也是 benchmark 與真實長期協作之間的一個重要差異。 --- # 16. Retrieval 是共同域的一部分 即使共同域存在，也需要能取回。 令： $$ K^\ast $$ 為真正相關的共享結構。 令： $$ R_{\mathrm{retrieval}} ( K^\ast \mid m,D ) $$ 表示接收者在訊息 $m$ 下調用 $K^\ast$ 的能力。 因此有效共同域可以寫為： $$ \boxed{ D_{\mathrm{eff}} = D_{\mathrm{stored}} \times R_{\mathrm{retrieval}}. } $$ 概念上，若 retrieval 幾乎失敗： $$ R_{\mathrm{retrieval}} \approx0, $$ 再大的 stored context 也接近不可用。 --- # 17. Context Window 不是 Shared Domain 的充分條件 大 context window 只能保證： $$ \text{more information can be present}. $$ 不能保證： $$ \text{the right information is activated}. $$ 所以： $$ \boxed{ \text{Long Context} \not\Rightarrow \text{Effective Shared Domain}. } $$ 真正需要考慮： - relevance； - retrieval； - attention allocation； - contradiction； - versioning； - domain hierarchy； - compression； - forgetting； - recency bias。 --- # 18. 共同域是一種協作資本 可以把共同域理解為： $$ \boxed{ \text{Collaborative Semantic Capital}. } $$ 兩個 Agent 經過長期互動建立： - 專門術語； - 約定 shorthand； - 問題歷史； - 已排除路徑； - 已接受 assumptions； - 已知 failure modes； - 已固定 notation。 這些會降低未來 communication cost。 因此存在： $$ \boxed{ C_{\mathrm{comm}}(t+1) < C_{\mathrm{comm}}(t) } $$ 的可能。 同時： $$ B_{\mathrm{sem}}(t+1) > B_{\mathrm{sem}}(t). $$ --- # 19. 但共同域也可能造成錯誤鎖定 共同域不是只有好處。 若雙方共享： $$ H_{\mathrm{wrong}} $$ 並持續以此作為壓縮索引，則： $$ D_{\mathrm{shared}} $$ 可能提高： $$ \text{communication efficiency} $$ 同時降低： $$ \text{world accuracy}. $$ 因此： $$ \boxed{ \text{Shared Domain Coherence} \neq \text{Shared Domain Truth}. } $$ 這與 ILSP 後續「觀察算子偏移」直接相接。 共同域越強，錯誤若未被外部校正，反而可能更快自我增殖。 --- # 20. Domain Drift 令共同域隨時間變化： $$ D_t \rightarrow D_{t+1}. $$ 如果新概念、版本或修正沒有同步，可能： $$ D_A(t+1) \neq D_B(t+1). $$ 此時雙方仍使用相同 shorthand，卻指向不同內部結構。 定義 domain drift： $$ \boxed{ \Delta_D(t) = d( D_A(t), D_B(t) ). } $$ 當： $$ \Delta_D \uparrow, $$ 短語壓縮的風險也上升。 所以高壓縮 communication 需要： $$ \boxed{ \text{periodic re-grounding}. } $$ --- # 21. Re-Grounding re-grounding 指： > 將高壓縮 shorthand 重新展開為較完整、可檢查的定義或結構。 例如： $$ m_{\mathrm{short}} \rightarrow K_{\mathrm{expanded}}. $$ 若雙方展開結果一致： $$ K_A \approx K_B, $$ 則共享域仍穩定。 若： $$ K_A \not\approx K_B, $$ 則需要重新同步。 這可以作為長期人機協作的 health check。 --- # 22. Effective Semantic Throughput 本文提出概念性： $$ \boxed{ B_{\mathrm{sem}} = f( B_{\mathrm{channel}}, D_{\mathrm{shared}}, M_{\mathrm{shared}}, O_{\mathrm{shared}}, H_{\mathrm{interaction}}, R_{\mathrm{retrieval}}, \Delta_D ). } $$ 其中： $$ \frac{\partial B_{\mathrm{sem}}}{\partial D_{\mathrm{shared}}} $$ 在適當條件下可能為正。 但： $$ \frac{\partial B_{\mathrm{sem}}}{\partial \Delta_D} $$ 通常預期為負。 此式不是固定自然定律，而是研究分解框架。 --- # 23. Same Tokens, Different Information 考慮相同訊息： $$ m. $$ 對 Agent A： $$ D_A = \varnothing. $$ 對 Agent B： $$ D_B = D^\ast. $$ 則可能： $$ R(m\mid D_A) \approx0, $$ 但： $$ R(m\mid D_B) \gg0. $$ 因此： $$ \boxed{ \text{same tokens} \rightarrow \text{different recoverable information}. } $$ 這不是語言特例，而是任何 shared codebook 的一般性質。 --- # 24. Human-Human 例子 兩名合作十年的工程師說： > 還是照上次那個。 這句本身不含： - 哪個架構； - 哪個版本； - 哪些參數； - 哪些例外； - 哪些文件； - 哪些風險。 但共同域可以補全。 因此其實是： $$ m + D_{\mathrm{shared}} \rightarrow K. $$ 而不是： $$ m \rightarrow K. $$ --- # 25. Human-AI 例子 長期人機研究協作也可能形成： $$ D_{H,A}. $$ 當其中已有： - 專案名稱； - notation； - prior decisions； - rejected alternatives； - style rules； - artifact conventions； - domain-specific shorthand； 人類只需輸入： > 繼續上一輪。 就可能有效調用： $$ K_{\mathrm{previous}} $$ 與： $$ P_{\mathrm{next}}. $$ 這種現象應被理解為： $$ \boxed{ \text{compressed coordination over persistent shared state}. } $$ 而不是神秘的「讀心」。 --- # 26. AI-AI 共同域 若兩個 AI Agent 共享： $$ D_{A_1A_2}, $$ 則 AI-to-AI communication 也可利用高壓縮索引。 典型架構： $$ A_1 \rightarrow m \rightarrow A_2. $$ 更一般： $$ A_1 \rightarrow r \rightarrow D_{\mathrm{shared}} \rightarrow A_2, $$ 其中： $$ r $$ 只是 reference。 因此未來高效率 AI-to-AI protocol 可能越來越像： $$ \boxed{ \text{reference + delta} } $$ 而不是每次傳完整自然語言重述。 --- # 27. 與 HDSRC 的接口 HDSRC 的核心之一是： $$ \text{machine-native addressable state}. $$ 若共享域能儲存為： $$ S_H, $$ 則訊息： $$ m $$ 可只指定： $$ \operatorname{Ref}(S_H,k). $$ 於是： $$ m + S_H \rightarrow K_k. $$ 這比每次把 $K_k$ 全部序列化成自然語言更有效率。 因此共同域理論為 HDSRC 提供一個重要使用場景： $$ \boxed{ \text{persistent semantic addressing}. } $$ --- # 28. 與 PNCW 的接口 PNCW 強調： $$ \text{observation topology} $$ 可依任務改變。 共同域則進一步表示： > 同一 observation topology 的有效頻寬也依 shared state 改變。 因此： $$ \boxed{ \text{Output Mode} + \text{Shared Domain} \rightarrow \text{Effective Projection Capacity}. } $$ 同樣一個 text stream，在 rich shared domain 下也可以非常高效。 所以本文不把 non-sequential output 與 text output 對立。 --- # 29. 與 ILSP-01 的接口 ILSP-01 提出： $$ Y = \Pi( Z;D,I,P ). $$ 本文將其中的： $$ D $$ 正式展開。 因此： $$ \boxed{ D = D_{\mathrm{shared}} + M_{\mathrm{shared}} + O_{\mathrm{shared}} + H_{\mathrm{interaction}} } $$ 只是第一階近似。 這代表： $$ \Pi $$ 不是固定 function。 當： $$ D $$ 改變時，外顯能力也可能改變。 --- # 30. 與 Probability Field 的接口 如果同一句 prompt 在不同 shared domain 下產生不同 semantic distribution： $$ P_{\mathrm{sem}} ( \cdot \mid m,D_1 ) \neq P_{\mathrm{sem}} ( \cdot \mid m,D_2 ), $$ 則： $$ D $$ 應被視為 judgment context 的正式一部分。 因此 AI Probability Field 中： $$ Q_c $$ 的： $$ c $$ 不應只包含： - model； - temperature； - system prompt。 還應包含： $$ \boxed{ \text{shared-domain state}. } $$ --- # 31. Shared-Domain Conditioning 令： $$ Y $$ 為輸出。 則： $$ P(Y\mid m) $$ 通常不完整。 更合理是： $$ \boxed{ P( Y \mid m, D, M, O, H, P ). } $$ 不同 domain conditioning 可能導致不同解釋 basin。 因此對長期 AI 評估，若不保存 shared-domain state，就很難真正 reproduce interaction behavior。 --- # 32. Shared Domain 與 Prompt Engineering 的差別 Prompt engineering 通常處理： $$ \text{current instruction}. $$ Shared-domain engineering 處理： $$ \text{persistent interpretive substrate}. $$ 所以： $$ \boxed{ \text{Prompt} \neq \text{Shared Domain}. } $$ Prompt 可以建立局部 domain。 但長期共同域還包含： - historical commitments； - stable concepts； - rejected routes； - versioned definitions； - long-term shorthand； - retrieval anchors。 --- # 33. Shared Domain 與 Fine-Tuning 的差別 fine-tuning 改變： $$ \theta. $$ shared domain 不一定改變： $$ \theta. $$ 而是： $$ \boxed{ \text{same }\theta + \text{different }D \rightarrow \text{different observable competence}. } $$ 因此兩者應分開研究。 --- # 34. 共同域是否只是 Cache？ 不是。 cache 主要保存： $$ \text{previous computation result}. $$ 共同域還包含： - shared interpretation； - conceptual boundary； - ontology； - convention； - history； - relation； - unresolved state。 所以： $$ \boxed{ \text{Shared Domain} \supsetneq \text{Cache} } $$ 在概念層上成立。 --- # 35. 共同域是否只是 Memory？ 也不是。 Memory 可以存在但沒有： $$ \text{shared semantic agreement}. $$ 因此： $$ \boxed{ \text{Memory} \neq \text{Domain}. } $$ Domain 是： $$ \text{memory} + \text{structure} + \text{interpretation} + \text{scope} + \text{agreement}. $$ --- # 36. Shared-Domain Quality 定義共同域品質： $$ Q_D $$ 可由以下分量構成： $$ \boxed{ Q_D = F( C, A, R, V, P, U ). } $$ 其中： - $C$：coherence； - $A$：addressability； - $R$：retrievability； - $V$：version clarity； - $P$：provenance； - $U$：updateability。 高品質共同域不一定最大。 而是： $$ \boxed{ \text{small enough to navigate, rich enough to disambiguate}. } $$ --- # 37. Domain Saturation 若共同域無限膨脹： $$ |D| \rightarrow \infty, $$ 有效性不一定繼續提升。 可能出現： - retrieval dilution； - contradiction； - stale memory； - attention competition； - ontology collision； - excessive maintenance cost。 因此可能存在最適域： $$ D^\ast $$ 使： $$ B_{\mathrm{sem}}(D) $$ 先升後降。 這是可實驗問題。 --- # 38. Domain Selectivity 因此真正需要的是： $$ \boxed{ D_{\mathrm{active}} \subset D_{\mathrm{total}}. } $$ 也就是依任務選取 active shared domain。 這與 PNCW / Context Virtual Memory 的： $$ \mathcal M_t^{total} \rightarrow C_{q,t}^{active} $$ 高度相容。 共同域不是一次載入所有歷史，而是： $$ \boxed{ \text{task-relative semantic activation}. } $$ --- # 39. 實驗一：固定模型的 Shared-Domain Gain 固定同一 model snapshot： $$ M. $$ 建立三種條件： $$ D_0: \text{no prior shared domain}, $$ $$ D_1: \text{raw conversation history}, $$ $$ D_2: \text{structured shared domain}. $$ 控制： - query； - token budget； - temperature； - system prompt； - output format。 測量： - intent resolution； - invariant retention； - clarification count； - contradiction； - completion quality； - response length； - task success。 若： $$ D_2 > D_1 > D_0 $$ 在固定模型下穩定成立，則支持 structured shared domain 的獨立價值。 --- # 40. 實驗二：Same-Sentence Recovery 選擇固定短語： $$ m. $$ 對不同 domain depth： $$ D_0,D_1,\ldots,D_k $$ 測試： $$ R(m\mid D_i). $$ 例如要求模型： - 解釋所指概念； - 還原 prior assumptions； - 找出相關文件； - 產生下一步； - 列出禁用 interpretation。 觀察： $$ \frac{ dR }{ d|D| } $$ 與： $$ \frac{ dR }{ dQ_D }. $$ 如果 domain quality 比 domain size 更能預測 recovery，則支持： $$ \boxed{ \text{structured shared domain} > \text{raw context accumulation}. } $$ --- # 41. 實驗三：Domain Drift Stress Test 在共享域中故意引入： - version conflict； - renamed concept； - reversed assumption； - stale memory； - deprecated terminology。 測量： $$ \Delta_D $$ 與錯誤率的關係。 預測： $$ \boxed{ \Delta_D\uparrow \Rightarrow A_D\uparrow \Rightarrow C_{\mathrm{obs}}\downarrow. } $$ 若定期 re-grounding 能恢復： $$ C_{\mathrm{obs}}, $$ 則支持 domain drift model。 --- # 42. 實驗四：Shorthand Compression Benchmark 建立完整任務描述： $$ m_{\mathrm{full}}. $$ 再逐步壓縮為： $$ m_1, m_2, \ldots, m_k. $$ 在不同共同域下測試成功率。 對 rich shared domain，預期存在： $$ k^\ast $$ 使： $$ |m_{k^\ast}| \ll |m_{\mathrm{full}}| $$ 但： $$ C_{\mathrm{obs}}(m_{k^\ast}) \approx C_{\mathrm{obs}}(m_{\mathrm{full}}). $$ 此時可估計： $$ \mathrm{SCR}. $$ --- # 43. 實驗五：人類—AI 與 AI—AI 比較 建立三種 communication pair： 1. Human–Human； 2. Human–AI； 3. AI–AI。 對每組建立不同 shared-domain maturity。 測量： $$ B_{\mathrm{sem}}, $$ $$ A_D, $$ $$ G_D, $$ $$ C_{\mathrm{task}}. $$ 研究問題： > 共同域效應是否具有跨載體的一般性？ 若成立，則它可能是一個一般 communication principle，而不只是 prompt engineering 技巧。 --- # 44. 失敗條件 本文框架若要具有研究價值，必須接受以下失敗條件。 ### F1 若增加 structured shared domain 對表現沒有穩定提升，則 Shared-Domain Gain 很弱。 ### F2 若 shared-domain 效果完全可由 token 數增加解釋，則其結構性主張需要縮減。 ### F3 若 domain quality 指標不能預測語義 recovery，則本文的 quality decomposition 不成立。 ### F4 若 domain drift 與錯誤無關，則 shared ontology alignment 不是主要瓶頸。 ### F5 若 shorthand compression 在高 shared-domain 條件下仍無法維持任務成功率，則 semantic compression hypothesis 被削弱。 --- # 45. 對 AI 產品設計的影響 如果本文成立，AI 產品不應只優化： - 最大 context window； - 更長 memory； - 更多 conversation history。 還應優化： $$ \boxed{ \text{shared-domain construction}. } $$ 包括： - stable terminology； - versioned concepts； - retrievable decisions； - domain graphs； - semantic anchors； - rejected-route records； - compact summaries； - uncertainty labels； - re-grounding tools。 --- # 46. 對長期 Agent 的影響 長期 Agent 若每次只載入 raw transcript： $$ T_1,T_2,\ldots,T_n, $$ 成本會隨時間上升。 更合理的是： $$ \boxed{ \text{Transcript} \rightarrow \text{Structured Shared Domain} \rightarrow \text{Task-Relative Active Domain}. } $$ 因此： $$ D_{t+1} = U( D_t, E_{t+1} ), $$ 其中： $$ E_{t+1} $$ 是新 interaction event。 共同域本身成為 persistent state。 --- # 47. 對模型評估的影響 模型 benchmark 應區分： $$ C_{\mathrm{zero\text{-}domain}}, $$ $$ C_{\mathrm{short\text{-}domain}}, $$ $$ C_{\mathrm{persistent\text{-}domain}}. $$ 因為某些模型在 zero-shot 很強，但長期共同域管理很差。 另一些模型可能相反。 因此「智能」不應只是一個瞬時 query-response score。 --- # 48. 對人機協作研究的影響 人機協作的效益不只取決於： $$ C_H + C_A. $$ 還取決於： $$ D_{HA}. $$ 因此更合理： $$ \boxed{ C_{H+A} = F( C_H, C_A, D_{HA}, P_{HA} ). } $$ 其中： $$ P_{HA} $$ 是協作 protocol。 所以兩個都很強的 Agent，如果： $$ D_{HA} $$ 很差，也可能合作低效。 --- # 49. 對語言本身的重新理解 語言不是只靠字面完整傳輸世界。 很多時候它依賴： $$ \boxed{ \text{symbolic cue} + \text{shared reconstruction}. } $$ 因此人類語言本身就是： $$ \text{partial serialization} + \text{contextual recovery}. $$ AI 與人類的共同域問題，並不是某個新例外。 它放大了語言一直存在的基本性質。 --- # 50. 從「溝通」到「共同狀態協調」 若共享域很成熟，communication 的目標可能從： > 傳完整內容。 轉成： > 讓雙方進入一致的任務狀態。 寫成： $$ \boxed{ \text{Communication} \rightarrow \text{State Coordination}. } $$ 此時訊息的價值不是它本身多長，而是： $$ \boxed{ \Delta \operatorname{Align} ( D_A, D_B ). } $$ --- # 51. Shared-State Coordination Hypothesis ### 假說 51.1 對長期協作任務，最佳 communication protocol 不一定最大化： $$ \text{message completeness}. $$ 而可能最大化： $$ \boxed{ \frac{ \text{state alignment gain} }{ \text{communication cost} }. } $$ 即： $$ \max_m \frac{ \Delta A(m) }{ C(m) }. $$ 這可成為未來 human–AI / AI–AI protocol 的重要設計目標。 --- # 52. 共同域與錯誤修正 共享域越成熟，越容易使用極短語句指出： > 這裡不是我們原本的定義。 因為 correction message： $$ m_c $$ 只需要定位 deviation： $$ \delta. $$ 所以： $$ \boxed{ \text{mature shared domain reduces correction cost}. } $$ 這可能是長期合作效率提升的重要來源。 --- # 53. 共同域與創造性 共同域並不必然降低創造性。 相反地，它可以降低： $$ \text{coordination overhead} $$ 使更多計算資源用於： $$ \text{novel exploration}. $$ 但若 domain 過度僵化，則可能： $$ \text{exploration} \downarrow. $$ 因此應保留： $$ \boxed{ \text{stable core} + \text{open fringe}. } $$ 這與 hybrid neural / canonical architecture 有直接對應。 --- # 54. Stable Core + Open Fringe 將共同域拆為： $$ D = D_{\mathrm{core}} \cup D_{\mathrm{open}}. $$ 其中： $$ D_{\mathrm{core}} $$ 包含： - stable definitions； - canonical identifiers； - validated relations； - versioned commitments。 而： $$ D_{\mathrm{open}} $$ 包含： - hypotheses； - alternative interpretations； - speculative links； - unresolved questions。 如此可以避免： $$ \text{shared domain} \rightarrow \text{premature closure}. $$ --- # 55. 與 ISQL-CMF 的接口 若某些 shared-domain 結構高度穩定，可進入： $$ \mathcal I = \text{canonical computation}. $$ 若某些仍模糊、開放或多義，則留在： $$ \mathcal N = \text{neural probabilistic regime}. $$ 因此： $$ \boxed{ D = D_{\mathrm{canonical}} \oplus D_{\mathrm{fluid}}. } $$ 這提供一個 shared-domain 與 hybrid intelligence architecture 的自然接口。 --- # 56. 共同域不是固定真理庫 本文特別拒絕： $$ D_{\mathrm{shared}} = \text{Truth Database}. $$ 共同域只是： $$ \boxed{ \text{currently shared interpretive and operational substrate}. } $$ 其中可能包含： - confirmed； - provisional； - disputed； - deprecated； - false-but-historically-relevant。 因此每個 domain item 應具有： $$ \text{status}. $$ --- # 57. Domain Item 最小記錄 一個成熟 shared-domain item 可至少包含： ```text id: label: definition: scope: status: version: relations: provenance: confidence: supersedes: superseded_by: open_questions: ``` 這使 shared domain 可： - 更新； - 回滾； - 比較； - 審計； - 局部 materialize。 --- # 58. 共同域與未來 AI 的可持續性 若 AI 會長期工作，則真正限制可能不是： $$ \text{context window}. $$ 而是： $$ \boxed{ \text{how well the system maintains a coherent evolving shared domain}. } $$ 因為 context 可以非常長，但若沒有： - organization； - versioning； - selection； - semantic addressing； 長 context 仍可能退化成信息海。 --- # 59. 本文核心命題 本文最終提出以下核心命題。 ### 命題 A $$ \boxed{ \text{Token Count} \neq \text{Semantic Throughput}. } $$ ### 命題 B $$ \boxed{ \text{Same Message} + \text{Different Shared Domain} \Rightarrow \text{Different Recoverable Meaning}. } $$ ### 命題 C $$ \boxed{ \text{Shared Context} \neq \text{Raw Context Length}. } $$ ### 命題 D $$ \boxed{ \text{Shared Domain} \text{ can function as an address space over previously established structure}. } $$ ### 命題 E $$ \boxed{ \text{Observed Capability} \text{ is partly domain-relative}. } $$ ### 命題 F $$ \boxed{ \text{Domain Coherence} \neq \text{Domain Truth}. } $$ --- # 60. 本文不主張事項 本文不主張： 1. 長期聊天必然產生真正理解； 2. 共享記憶越多越好； 3. token 數完全不重要； 4. context window 可以被忽略； 5. shared domain 能替代模型能力； 6. shorthand 永遠比完整表述好； 7. AI 可以讀心； 8. 私有術語天然高效； 9. 共同域一致就代表與世界一致； 10. human–AI shared domain 與 human–human shared domain 完全同構。 本文只主張： $$ \boxed{ \text{shared structure materially changes what a short message can successfully recover}. } $$ --- # 61. 下一篇接口 Paper 01 研究： $$ \text{latent competence} \rightarrow \text{projection}. $$ Paper 02 研究： $$ \text{shared domain} \rightarrow \text{effective projection capacity}. $$ 下一篇將轉向另一端： $$ \boxed{ \text{training data category} \neq \text{what the model actually learns}. } $$ 也就是： # 《資料品質不是資料價值：從內容分類到可提取學習價值》 --- # 62. 結論 智能外顯不是一個孤立的： $$ Z \rightarrow Y $$ 映射。 更完整是： $$ \boxed{ Y = \Pi( Z; D_{\mathrm{shared}}, M_{\mathrm{shared}}, O_{\mathrm{shared}}, H_{\mathrm{interaction}}, I, P ). } $$ 其中共同域決定： - 哪些符號可作為地址； - 哪些省略仍能被恢復； - 哪些隱喻可被解碼； - 哪些 shorthand 不會造成歧義； - 哪些過去決策可被快速重新調用。 因此： $$ \boxed{ \text{communication bandwidth} \neq \text{semantic bandwidth}. } $$ 一個成熟的共同主題域，可以把長期累積的知識、關係、歷史與 ontology 壓縮成非常短的協調訊號。 但同樣的壓縮能力也帶來新的風險： $$ \boxed{ \text{efficient shared error} } $$ 如果共同域本身偏離世界，雙方可能以極高效率共享錯誤。 所以共同域真正需要的不是無限增長，而是： $$ \boxed{ \text{addressability} + \text{retrievability} + \text{versioning} + \text{re-grounding} + \text{external correction}. } $$ 這使長期人機協作的核心問題從： > 「我們能塞多少上下文？」 轉成： > **「我們能否維持一個可尋址、可更新、可校正，而且能有效調用的共同認知域？」** 這也是下一階 AI 記憶、長期 Agent、HDSRC、PNCW 與 machine-native communication 的共同基礎問題。 --- # 版本紀錄 ## v0.1.0 — 2026-10-05 - 建立 ILSP 系列 Paper 02； - 正式定義 Shared Thematic Domain； - 區分 literal payload 與 recoverable semantic payload； - 提出 Semantic Compression Ratio； - 提出 Shared-Domain Gain； - 提出 Domain Ambiguity 與 Domain Drift； - 將 shared context 與 raw context length 分離； - 將 shared domain 定義為 semantic address space； - 提出 Shared-State Coordination Hypothesis； - 提出 Stable Core + Open Fringe； - 接入 HDSRC、PNCW、JDPSP 與 ISQL-CMF； - 建立五組可測實驗設計與明確失敗條件。