← Archive
lm-001324 · 2026-07

因果狀態流變計算_介於算術組合與一般算子之間的連續轉化計算原語_v0.1

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

因果狀態流變計算

介於算術組合與一般算子之間的連續轉化計算原語

Causal State-Flow Computation:
A Continuous Transformation Primitive between Arithmetic Composition and General Operators

作者：Neo.K
機構：EVEMISSLAB / 一言諾科技有限公司
版本：Public Research Draft v0.1
日期：2026-07-08

摘要

現代計算語言擁有成熟的算術運算、函數作用、狀態轉移、微分方程、動力系統、半群、混合系統與程序語義。然而，在一般用途的計算表述中，仍可辨識出一個值得研究的語義缺口：當一個系統的核心問題不是「增加多少」「縮放多少」或「直接映射到哪裡」，而是「某狀態如何在時間、局部因果、關係約束、吸引結構與拓撲條件下逐步轉化為另一狀態」時，現有通用表述往往需要退回多個分散框架，而缺少一個被明確提升為基本計算原語的統一語義。

本文提出「因果狀態流變計算」（Causal State-Flow Computation, CSFC）作為一個研究框架。本文並不宣稱發現了位於加法與乘法之間的第五種四則運算，也不宣稱流、半群、常微分方程或狀態轉移是新的數學對象。本文真正提出的命題是：

在數值增量、尺度縮放與任意函數映射之外，可將「受約束狀態沿因果路徑的連續或分段連續轉化」提升為一種獨立的計算語義原語。

本文以：

x⇝τ,F,R,Cyx \rightsquigarrow_{\tau,\mathcal F,\mathcal R,\mathcal C} y

表示狀態 (x) 在時間尺度 τ\tau、局部演化律 F\mathcal F、關係約束 R\mathcal R 與臨界／拓撲條件 C\mathcal C 下演化為 (y)。其對應算子寫為：

y=Tt,sF,R,C(x).y = \mathcal T^{\mathcal F,\mathcal R,\mathcal C}_{t,s}(x).

與加法

x′=x+Δx' = x+\Delta

及乘法

x′=λxx' = \lambda x

不同，CSFC 的核心不是量值疊加或尺度縮放，而是狀態路徑、演化方向、因果順序、局部可達性與結構保持／跳變。

本文提出六個基本條件：

  1. 零時間恆等；
  2. 局部連續性；
  3. 因果複合性；
  4. 關係依賴性；
  5. 吸引結構相容性；
  6. 非臨界拓撲穩定與臨界拓撲跳變。

本文進一步指出，一類早期多維連續模型常使用「加權和＋Sigmoid」將多個異質狀態壓縮為單一標量。此類方法可作為觀察投影，但若直接充當狀態演化律，容易抹除路徑、順序、非交換性、歷史依賴與拓撲轉變。更合適的分層是：

Xt→TXt+1→πϕt+1,X_t \xrightarrow{\mathcal T} X_{t+1} \xrightarrow{\pi} \phi_{t+1},

其中 T\mathcal T 描述真正狀態流變，π\pi 只負責把高維狀態投影為可觀察量。

本文最後提出 CSFC 的最小形式化架構、與既有理論的關係、離散近似、可計算性條件、吸引子與拓撲角色、程序語言原語草圖，以及可證偽研究路線。本文的核心主張可濃縮為：

加法主要改變增量，乘法主要改變尺度， 而狀態流變計算描述受約束的狀態生成過程。\boxed{ \text{加法主要改變增量，乘法主要改變尺度， 而狀態流變計算描述受約束的狀態生成過程。} }

關鍵詞

因果狀態流變計算；狀態轉化；連續計算；動力系統；吸引子；拓撲約束；演化算子；非馬爾可夫過程；計算原語；混合系統；過程語義

1. 引言

1.1 問題的起點

在大量數學、計算與工程模型中，我們習慣使用：

x+y,x−y,xy,x/y,x+y, \qquad x-y, \qquad xy, \qquad x/y,

或更一般地：

[ y=f(x). ]

這些表述極其強大。

但某些問題的核心並不是：

  • 增加多少？
  • 減少多少？
  • 放大多少倍？
  • 直接映射到哪個輸出？

而是：

一個狀態如何逐步變成另一個狀態？

例如：

  • 一個學習系統如何從不穩定狀態進入穩定 regime；
  • 一個認知系統如何從低理解狀態跨越臨界區進入新的結構；
  • 一個多智能體系統如何在局部互動下形成吸引模式；
  • 一個網絡如何保持局部拓撲後，在臨界點發生重連；
  • 一個研究過程如何在歷史依賴下改變下一輪命題；
  • 一個物理、社會或生物系統如何沿受限路徑演化。

此時：

[ x+y ]

往往過於平坦，

[ xy ]

往往過於強耦合或尺度化，

而：

[ f(x) ]

又可能過於一般，以至於「怎麼變過去」完全被黑箱化。

本文提出：這裡可能存在一個值得獨立研究的計算語義層。

1.2 不是「加法與乘法之間的數值中點」

本文首先排除一個容易產生的誤解。

我們並不是尋找：

+  <  ⋆  <  ×+\;<\;\star\;<\;\times

這種依「強度」排序的新運算。

加法與乘法之間沒有一般性的線性強弱順序。

本文所謂「中介」是語義上的：

  • 加法偏向增量；
  • 乘法偏向縮放與耦合；
  • 一般函數偏向輸入—輸出映射；
  • 狀態流變則偏向過程、路徑與可達性。

因此，本文研究的是：

Operation on values⟶Operation on state evolution.\boxed{ \text{Operation on values} \quad\longrightarrow\quad \text{Operation on state evolution}. }

2. 歷史動機：多維聚合與連續轉變的分裂

2.1 加權和的優點

在多維系統中，常見做法是：

Z=∑i=1nwixi.Z = \sum_{i=1}^{n}w_i x_i.

其優點包括：

  • 簡潔；
  • 可微；
  • 容易估計；
  • 易於排序；
  • 易與統計模型結合。

再經 Sigmoid：

ϕ=11+eαZ,\phi = \frac{1}{1+e^{\alpha Z}},

即可將無界量映射到：

[ [0,1]. ]

這對建立觀察指標很有價值。

2.2 加權和的結構限制

但若 xix_i 是異質狀態，而非同尺度可加量，則：

Z=∑iwixiZ = \sum_iw_i x_i

可能隱含過強假設。

問題一：可加性假設

它默認各維度能進入同一加法坐標系。

問題二：順序消失

若：

A→B→CA\to B\to C

與：

A→D→C,A\to D\to C,

只觀察終點 (C)，兩條路徑可能被視為相同。

問題三：非交換性消失

真實演化可能：

TA∘TB≠TB∘TA.\mathcal T_A\circ\mathcal T_B \neq \mathcal T_B\circ\mathcal T_A.

但純加權和通常無法自然表達此差異。

問題四：歷史依賴消失

若：

xt+1=F(xt,xt−1,… ),x_{t+1} = F(x_t,x_{t-1},\dots),

單一當前標量 ZtZ_t 可能不足。

問題五：拓撲轉變被壓平

兩個數值接近的狀態可能位於不同連通分量、不同 basin 或不同拓撲 regime。

2.3 乘法並非簡單解法

改成：

Z=∏ixiwiZ = \prod_i x_i^{w_i}

可引入非線性耦合，但仍有問題。

零鎖定

xj=0⇒Z=0.x_j=0 \Rightarrow Z=0.

爆炸或消失

多次乘積可能導致：

Z→∞Z\to\infty

或：

Z→0.Z\to0.

交換性過強

一般乘法：

[ xy=yx, ]

但過程順序通常不可交換。

仍缺乏路徑

乘法描述組合結果，不自然描述：

x(t)⇝x(t+τ)x(t) \rightsquigarrow x(t+\tau)

經歷了什麼。

3. 核心命題

本文提出：

因果狀態流變計算命題

對一類具有：

  • 時間性；
  • 局部性；
  • 因果順序；
  • 關係約束；
  • 歷史依賴；
  • 吸引結構；
  • 臨界轉變

的系統，將計算只表示為：

x+Δ,λx,f(x)x+\Delta, \quad \lambda x, \quad f(x)

可能不足以保留其核心過程語義。

因此，可以引入一類狀態流變原語：

x⇝τ,F,R,Cy\boxed{ x \rightsquigarrow_{\tau,\mathcal F,\mathcal R,\mathcal C} y }

表示：

(x) 在給定時間尺度、局部演化律、關係約束與臨界條件下，沿允許的因果路徑演化為 (y)。

4. 基本形式化

4.1 狀態空間

令：

X\mathcal X

為狀態空間。

它可以是：

  • Rn\mathbb R^n；
  • 流形；
  • 圖空間；
  • 機率測度空間；
  • 函數空間；
  • 混合離散—連續空間。

狀態：

xt∈X.x_t\in\mathcal X.

4.2 演化族

對：

s≤t,s\le t,

定義：

Tt,s:X→X.\mathcal T_{t,s}: \mathcal X \to \mathcal X.

並令：

xt=Tt,s(xs).x_t = \mathcal T_{t,s}(x_s).

若系統自治，可簡寫：

Tτ.\mathcal T_\tau.

4.3 關係約束

令：

Rt\mathcal R_t

為當前關係結構。

因此：

Tt,s=Tt,sF,R,C.\mathcal T_{t,s} = \mathcal T_{t,s}^{\mathcal F,\mathcal R,\mathcal C}.

同一狀態：

[ x ]

在不同關係條件下可能：

TR1(x)≠TR2(x).\mathcal T^{\mathcal R_1}(x) \neq \mathcal T^{\mathcal R_2}(x).

4.4 臨界集合

令：

C⊆X\mathcal C \subseteq \mathcal X

為臨界集合。

當軌跡不穿越 C\mathcal C 時，系統可保持某些結構。

當：

xt∈Cx_t\in\mathcal C

時，允許：

  • 分岔；
  • 拓撲跳變；
  • regime change；
  • 離散事件。

5. 六個基本條件

本文不主張所有 CSFC 系統都必須滿足同一組最強公理，但提出以下最小候選。

5.1 零時間恆等性

Tt,t=Id⁡.\boxed{ \mathcal T_{t,t} = \operatorname{Id}. }

因此：

Tt,t(x)=x.\mathcal T_{t,t}(x)=x.

5.2 局部連續性

對非臨界狀態 x∉Cx\notin\mathcal C：

lim⁡h→0d(Tt+h,t(x),x)=0.\boxed{ \lim_{h\to0} d( \mathcal T_{t+h,t}(x), x ) = 0. }

這是「緩和轉化」的核心。

它不要求全局平滑，只要求在非臨界局部，無限小時間不產生無理由巨大跳躍。

5.3 因果複合性

對：

s≤r≤t,s\le r\le t,

要求：

Tt,r∘Tr,s=Tt,s.\boxed{ \mathcal T_{t,r} \circ \mathcal T_{r,s} = \mathcal T_{t,s}. }

這保證：

從 (s) 到 (t) 的演化，可由合法中間時刻 (r) 的演化複合得到。

此式同時保留時間順序。

通常：

TA∘TB≠TB∘TA.\mathcal T_A\circ\mathcal T_B \neq \mathcal T_B\circ\mathcal T_A.

5.4 關係依賴性

存在：

Rt\mathcal R_t

使：

T=T[R].\boxed{ \mathcal T = \mathcal T[\mathcal R]. }

也就是系統演化不只由單點值決定。

例如圖系統：

xi′=Fi(xi,{xj:(i,j)∈E}).x_i' = F_i( x_i, \{x_j:(i,j)\in E\} ).

5.5 吸引結構相容性

若存在吸引集：

A⊆X,\mathcal A \subseteq \mathcal X,

則對某 basin：

B(A),\mathcal B(\mathcal A),

可有：

lim⁡t→∞d(Tt,0(x),A)=0.\boxed{ \lim_{t\to\infty} d( \mathcal T_{t,0}(x), \mathcal A ) = 0. }

本文不要求所有系統都有唯一吸引子。

可存在：

  • 多吸引子；
  • 暫態吸引；
  • metastability；
  • strange attractor。

5.6 拓撲條件

在非臨界區域，可要求某類不變量：

I\mathfrak I

保持：

I(Tt,s(X))=I(X).\boxed{ \mathfrak I( \mathcal T_{t,s}(X) ) = \mathfrak I(X). }

當軌跡跨越臨界集合：

C\mathcal C

時，允許：

I\mathfrak I

跳變。

因此 CSFC 可同時描述：

  • 平滑演化；
  • 結構保持；
  • 臨界轉化。

6. 微分形式

若 X\mathcal X 具有適當微分結構，可寫：

dxdt=F(x,t,Rt,Ht),\frac{dx}{dt} = \mathcal F( x, t, \mathcal R_t, H_t ),

其中：

  • (x)：當前狀態；
  • (t)：時間；
  • Rt\mathcal R_t：關係結構；
  • HtH_t：歷史狀態。

6.1 馬爾可夫版本

dxdt=F(x,t).\frac{dx}{dt} = F(x,t).

6.2 關係版本

dxdt=F(x,Rt,t).\frac{dx}{dt} = F(x,\mathcal R_t,t).

6.3 歷史依賴版本

dxdt=F(xt,Ht,t).\frac{dx}{dt} = F( x_t, H_t, t ).

例如：

Ht={xs:0≤s≤t}.H_t = \{x_s:0\le s\le t\}.

6.4 延遲版本

dxdt=F(xt,xt−τ,t).\frac{dx}{dt} = F( x_t, x_{t-\tau}, t ).

7. 積分與生成子形式

若存在局部生成子：

Lt,\mathcal L_t,

可形式化為：

ddtTt,s=LtTt,s.\frac{d}{dt} \mathcal T_{t,s} = \mathcal L_t \mathcal T_{t,s}.

在自治情況：

Tt=etL\mathcal T_t = e^{t\mathcal L}

於適當意義下成立。

此處的重要觀點是：

一般算子 L 描述局部生成律，Tt 描述實際狀態流變。\boxed{ \text{一般算子 } \mathcal L \text{ 描述局部生成律，} \quad \mathcal T_t \text{ 描述實際狀態流變。} }

因此 CSFC 並不是拒絕算子，而是區分：

  • 生成算子；
  • 流變算子；
  • 觀察投影。

8. 與加法、乘法、函數的關係

8.1 加法是特殊流

若：

dxdt=c,\frac{dx}{dt} = c,

則：

[ x(t)

x(0)+ct. ]

所以：

加法可嵌入狀態流。\boxed{ \text{加法可嵌入狀態流。} }

8.2 乘法是特殊流

若：

dxdt=λx,\frac{dx}{dt} = \lambda x,

則：

x(t)=eλtx(0).x(t) = e^{\lambda t}x(0).

因此尺度乘法亦可由流生成。

8.3 非線性轉化

例如：

dxdt=x(1−x).\frac{dx}{dt} = x(1-x).

其演化不能被單一步驟：

x+Δx+\Delta

或：

λx\lambda x

完整表達。

8.4 核心結論

因此 CSFC 不是與加法、乘法競爭。

更合理的關係是：

加法與乘法可以是特定流的局部或閉式特例。\boxed{ \text{加法與乘法可以是特定流的局部或閉式特例。} }

9. 為何不能直接說「全部都是算子」？

從極度一般的數學角度，確實可以說：

+,×,T,F+ ,\times, \mathcal T, F

全部都是某種算子。

但本文刻意不採用「萬物皆算子」作為公開形式核心，原因有三。

9.1 過度一般化

若所有東西都叫 operator：

operator\text{operator}

本身失去區分能力。

9.2 計算語義不足

一般：

y=O(x)y=\mathcal O(x)

並不告訴讀者：

  • 是否有時間；
  • 是否連續；
  • 是否因果；
  • 是否歷史依賴；
  • 是否保持拓撲；
  • 是否趨向吸引子。

9.3 工程可用性

實際程序與模型需要明確接口。

所以本文主張：

先建立特定語義的狀態流變原語， 再視需要嵌入更一般算子框架。\boxed{ \text{先建立特定語義的狀態流變原語， 再視需要嵌入更一般算子框架。} }

10. 高維狀態與觀察投影

這是本文對早期加權和模型最重要的修正。

10.1 舊式聚合

設：

zt=∑iwixi(t),z_t = \sum_iw_i x_i(t),

再：

ϕt=σ(zt).\phi_t = \sigma(z_t).

此時：

ϕt\phi_t

同時被迫承擔：

  • 狀態；
  • 評分；
  • 演化指標。

這容易混層。

10.2 新式分層

令真正狀態：

Xt=(x1(t),…,xn(t),Rt,Ht).X_t = ( x_1(t), \dots, x_n(t), R_t, H_t ).

先演化：

Xt+1=Tt+1,t(Xt).\boxed{ X_{t+1} = \mathcal T_{t+1,t}(X_t). }

再觀察：

ϕt=π(Xt).\boxed{ \phi_t = \pi(X_t). }

其中：

π:X→Rk\pi: \mathcal X \to \mathbb R^k

只是觀察投影。

10.3 意義

因此：

Sigmoid 可是觀察器， 但不必是世界的演化律。\boxed{ \text{Sigmoid 可是觀察器， 但不必是世界的演化律。} }

加權和可以保留：

  • 作 summary；
  • 作 score；
  • 作 control signal；
  • 作低維 embedding。

但不應自動被視為真正狀態生成機制。

11. 吸引子為何必要

如果只有：

xt+1=T(xt),x_{t+1} = \mathcal T(x_t),

仍不足以描述「轉化為何朝某些方向聚集」。

吸引子提供：

A\mathcal A

作長期結構。

11.1 固定點

T(x\*)=x\*.\mathcal T(x^\*)=x^\*.

11.2 週期軌道

Tk(x)=x.\mathcal T^k(x)=x.

11.3 吸引流形

A\mathcal A

可以是低維集合。

11.4 多 basin

不同初始條件：

[ x_0 ]

可能落入不同：

B(Ai).\mathcal B(\mathcal A_i).

這使「狀態轉化」不再只是同一公式對所有點做同樣事情。

12. 拓撲為何必要

連續數值距離不能完整描述結構。

兩狀態：

d(x,y)≪1d(x,y)\ll1

仍可能位於不同：

  • 連通分支；
  • 同倫類；
  • basin；
  • network topology。

因此需要：

I(X)\mathfrak I(X)

作結構觀察。

可選：

  • 連通分量數；
  • Betti numbers；
  • persistent homology；
  • winding number；
  • graph invariants。

12.1 非臨界保持

It=It+Δt.\mathfrak I_t = \mathfrak I_{t+\Delta t}.

12.2 臨界跳變

若：

xt∈C,x_t\in\mathcal C,

則可能：

It−≠It+.\mathfrak I_{t^-} \neq \mathfrak I_{t^+}.

13. 連續與離散並不衝突

本文名稱使用「流變」，但不要求所有系統物理上完全連續。

可有三種 regime。

13.1 連續流

x˙=F(x).\dot x=F(x).

13.2 離散流

xn+1=T(xn).x_{n+1} = \mathcal T(x_n).

13.3 混合流

{x˙=Fq(x),q+=G(q,x)\begin{cases} \dot x=F_q(x),\\ q^+=G(q,x) \end{cases}

其中：

  • (x)：連續狀態；
  • (q)：離散 mode。

因此「流變」的核心是：

狀態沿受規則約束的可追蹤過程改變。\boxed{ \text{狀態沿受規則約束的可追蹤過程改變。} }

而不是強迫所有變化無跳躍。

14. 離散近似

計算機最終需要離散化。

令：

Δt>0.\Delta t>0.

則：

xn+1=T^Δt(xn).x_{n+1} = \widehat{\mathcal T}_{\Delta t}(x_n).

例如 Euler：

xn+1=xn+ΔtF(xn).x_{n+1} = x_n + \Delta t F(x_n).

注意：

[ + ]

在這裡只是離散近似工具。

它不代表底層語義本身只是加法。

這是一個重要區分：

用加法近似流≠流的本體就是加法。\boxed{ \text{用加法近似流} \neq \text{流的本體就是加法。} }

15. 因果性

「狀態流變」若沒有因果限制，容易退化成任意動畫。

本文至少要求：

[ x_t ]

只能依賴合法過去資訊。

一般寫：

[ x_t

F( H_t ), ]

其中：

Ht={xs:s≤t}.H_t = \{x_s:s\le t\}.

不得依賴未授權未來狀態：

xt+τx_{t+\tau}

除非模型本身明確為 boundary-value formulation。

16. 非交換性

流變計算的一個核心特徵可能是：

TA∘TB≠TB∘TA.\boxed{ \mathcal T_A \circ \mathcal T_B \neq \mathcal T_B \circ \mathcal T_A. }

例如：

先學習再壓縮：

C∘L\mathcal C\circ\mathcal L

與：

先壓縮再學習：

L∘C\mathcal L\circ\mathcal C

可能不同。

這是很多真實過程與純加法模型的關鍵差異。

17. 路徑依賴

若：

x0→x1→x2x_0\to x_1\to x_2

與：

x0→y1→x2,x_0\to y_1\to x_2,

即使終點相同，未來可能不同。

因此真正狀態可能需要擴成：

x~t=(xt,Ht).\widetilde x_t = (x_t,H_t).

則：

x~t(1)≠x~t(2)\widetilde x_t^{(1)} \neq \widetilde x_t^{(2)}

即使：

[ x_t^{(1)}

x_t^{(2)}. ]

18. 記憶型狀態流變

對具記憶系統：

dxdt=F(xt,Mt).\frac{dx}{dt} = F( x_t, \mathcal M_t ).

記憶：

Mt=∫0tK(t−s)xs ds.\mathcal M_t = \int_0^t K(t-s)x_s\,ds.

則：

x˙t=F(xt,∫0tK(t−s)xsds).\dot x_t = F\left( x_t, \int_0^tK(t-s)x_sds \right).

此類系統尤其適合描述：

  • 學習；
  • 老化；
  • 長期 Agent；
  • 路徑依賴研究過程；
  • 材料遲滯。

19. 機率型狀態流變

若存在噪聲：

[ dX_t

F(X_t,t)dt + G(X_t,t)dW_t. ]

則：

T\mathcal T

可作用於：

  • 樣本路徑；
  • 機率分布；
  • 測度。

例如：

μt=Pt,sμs.\mu_t = \mathcal P_{t,s}\mu_s.

因此 CSFC 並不侷限於確定系統。

20. 關係型狀態流變

對圖：

[ G_t

(V_t,E_t,W_t), ]

狀態包括：

[ X_t=(G_t,Z_t). ]

演化：

Xt+1=T(Xt).X_{t+1} = \mathcal T(X_t).

其中可同時改變：

  • 節點狀態；
  • 邊；
  • 權重；
  • 拓撲。

這比：

Zt+1=Zt+ΔZZ_{t+1} = Z_t+\Delta Z

更一般。

21. 一個候選程序原語

本文提出概念語法：

flow x
  under F
  constrained_by R
  toward A
  until C
  for τ

其語義：

x′=TτF,R,A,C(x).x' = \mathcal T_{\tau}^{F,R,A,C}(x).

21.1 示例：平滑趨向

flow x
  under gradient(field)
  toward local_minima
  for τ

21.2 示例：拓撲事件

flow network
  under local_rewiring
  constrained_by degree_budget
  until connectivity_transition

21.3 示例：認知狀態

flow state
  under learning_dynamics
  constrained_by memory_and_evidence
  toward stable_explanatory_regime
  until contradiction_threshold

這些只是語義草圖，不代表現有語言應直接採用此語法。

22. 與現有框架的關係

本文必須明確承認：其數學零件大量已有成熟研究。

22.1 動力系統

已有：

  • flow；
  • attractor；
  • bifurcation；
  • stability。

CSFC 不取代它。

22.2 半群與演化族

已有：

[ T(t+s)=T(t)T(s) ]

與非自治 evolution family。

CSFC 借用其因果複合骨架。

22.3 狀態轉移系統

已有：

s→as′.s\xrightarrow{a}s'.

CSFC 強調：

不只終點關係，也保留中間流與局部連續性。

22.4 混合系統

已有連續流與離散跳變的統一。

CSFC 將其視為重要實現來源。

22.5 Process Algebra

已有 action、composition、concurrency 等程序語義。

CSFC 希望補強狀態流的顯式語義層。

22.6 Neural ODE 與連續深度模型

已有將隱狀態以連續時間演化描述的機器學習方法。

CSFC 的範圍更一般，重點不只是神經網絡參數化，而是計算原語的統一語義。

23. 因此真正的新意在哪裡？

本文不主張新意在：

  • 發明 flow；
  • 發明 ODE；
  • 發明 attractor；
  • 發明 topology。

而在以下命題：

將「受因果、關係與拓撲條件約束的狀態流變」 提升為一般計算語義中的第一級原語。\boxed{ \text{將「受因果、關係與拓撲條件約束的狀態流變」 提升為一般計算語義中的第一級原語。} }

也就是不再只把它當成：

  • 某個物理模型；
  • 某個 ODE solver；
  • 某個 control system；
  • 某個 neural architecture。

而把它視為可跨領域使用的計算語義。

24. 最小公理候選

令：

C=(X,T,R,C,{Tt,s}).\mathfrak C = ( \mathcal X, \mathbb T, \mathcal R, \mathcal C, \{\mathcal T_{t,s}\} ).

提出：

CSFC-I：恆等

Tt,t=I.\mathcal T_{t,t} = I.

CSFC-II：因果組合

Tt,r∘Tr,s=Tt,s.\mathcal T_{t,r} \circ \mathcal T_{r,s} = \mathcal T_{t,s}.

CSFC-III：非臨界局部連續

x∉C⇒lim⁡h→0d(Tt+h,t(x),x)=0.x\notin\mathcal C \Rightarrow \lim_{h\to0} d( \mathcal T_{t+h,t}(x), x ) = 0.

CSFC-IV：關係敏感

存在：

R1≠R2\mathcal R_1\neq\mathcal R_2

使：

TR1≠TR2.\mathcal T^{\mathcal R_1} \neq \mathcal T^{\mathcal R_2}.

CSFC-V：可達性約束

若：

y=Tt,s(x),y = \mathcal T_{t,s}(x),

則：

y∈Reach⁡[s,t](x).y \in \operatorname{Reach}_{[s,t]}(x).

CSFC-VI：臨界跳變可標記

若拓撲或 regime 改變：

It−≠It+,\mathfrak I_{t^-} \neq \mathfrak I_{t^+},

則存在：

[ t_c ]

被標記為臨界事件。

25. 一個基本命題：加法與乘法嵌入

命題 25.1

在適當狀態空間中，加性更新與指數型乘性更新可表示為 CSFC 特例。

加法

取：

x˙=c.\dot x=c.

則：

Tt(x)=x+ct.\mathcal T_t(x) = x+ct.

乘性尺度

取：

x˙=λx.\dot x=\lambda x.

則：

Tt(x)=eλtx.\mathcal T_t(x) = e^{\lambda t}x.

因此：

CSFC 至少可容納典型加性與乘性演化。\boxed{ \text{CSFC 至少可容納典型加性與乘性演化。} }

這不表示所有離散乘法都必然由同一連續流表示，而是說典型尺度演化可嵌入。

26. 一個基本命題：觀察投影不等於演化

令：

π:X→Rk.\pi: \mathcal X \to \mathbb R^k.

則：

yt=π(Xt).y_t = \pi(X_t).

即使：

[ y_t

y_t', ]

也不必有：

[ X_t

X_t'. ]

因此：

相同分數不代表相同狀態。\boxed{ \text{相同分數不代表相同狀態。} }

這對：

  • 評分函數；
  • 可解性指標；
  • AI reward；
  • 風險分數

尤其重要。

27. 一個基本命題：路徑壓縮風險

若只保存：

π(Xt),\pi(X_t),

而刪除：

[ H_t, ]

則可能存在：

Xt(1)≠Xt(2)X_t^{(1)} \neq X_t^{(2)}

但：

π(Xt(1))=π(Xt(2)).\pi(X_t^{(1)}) = \pi(X_t^{(2)}).

之後：

T(Xt(1))≠T(Xt(2)).\mathcal T(X_t^{(1)}) \neq \mathcal T(X_t^{(2)}).

因此單一標量聚合可能造成未來預測失真。

28. 與狀態轉化論的區別

「狀態轉化」太廣。

任何：

x→yx\to y

都可稱 transition。

CSFC 額外要求至少關心：

  • 時間；
  • 路徑；
  • 因果複合；
  • 局部連續；
  • 關係條件；
  • 臨界事件。

所以：

State Transition⊃Causal State Flow.\boxed{ \text{State Transition} \supset \text{Causal State Flow}. }

29. 可計算性

CSFC 若要進入計算科學，必須回答：

T\mathcal T 能不能算？

29.1 顯式閉式

若：

Tt(x)\mathcal T_t(x)

有閉式解，直接計算。

29.2 數值積分

若：

x˙=F(x,t),\dot x=F(x,t),

使用：

  • Runge–Kutta；
  • symplectic integrator；
  • adaptive solver。

29.3 學習型算子

以資料學習：

T^.\widehat{\mathcal T}.

29.4 證書型近似

建立：

d(T^(x),T(x))≤ϵ.d( \widehat{\mathcal T}(x), \mathcal T(x) ) \le\epsilon.

30. 多保真 CSFC

不同精度：

T(L0),T(L1),T(L2).\mathcal T^{(L_0)}, \mathcal T^{(L_1)}, \mathcal T^{(L_2)}.

可根據狀態難度決定：

ℓ(x).\ell(x).

因此：

狀態流變計算可與自適應多保真計算結合。\boxed{ \text{狀態流變計算可與自適應多保真計算結合。} }

31. 吸引子導向計算

一個可能的計算問題不是求：

[ f(x) ]

而是求：

Attr⁡(x).\operatorname{Attr}(x).

即：

(x) 最終落入哪個吸引結構？

定義：

A(x)=lim⁡ωTt(x)\mathcal A(x) = \lim_{\omega} \mathcal T_t(x)

於適當極限集合意義下。

此類計算更像：

判斷長期狀態命運。\boxed{ \text{判斷長期狀態命運。} }

32. 拓撲事件計算

另一類問題：

何時發生結構跳變？

定義：

tc=inf⁡{t:I(Xt)≠I(Xt−)}.t_c = \inf \{ t: \mathfrak I(X_t) \neq \mathfrak I(X_{t^-}) \}.

這不是普通：

[ x+y ]

能自然表達的問題。

33. 因果路徑代價

對路徑：

γ:[s,t]→X,\gamma: [s,t]\to\mathcal X,

可定義：

J(γ)=∫stL(γ(τ),γ˙(τ),Rτ)dτ.J(\gamma) = \int_s^t L( \gamma(\tau), \dot\gamma(\tau), \mathcal R_\tau )d\tau.

則狀態轉化可研究：

γ\*=arg⁡min⁡J(γ)\gamma^\* = \arg\min J(\gamma)

subject to：

γ(s)=x,γ(t)=y.\gamma(s)=x, \qquad \gamma(t)=y.

這使 CSFC 與控制、變分、最優傳輸等領域建立接口。

34. 「緩和」的數學化

使用者直覺中的「比乘法更緩和」可重新精確化。

不是比較運算符大小，而是限制局部變化率。

例如：

∥dxdt∥≤L(x,t).\left\| \frac{dx}{dt} \right\| \le L(x,t).

或：

d(Tt+h,t(x),x)≤ω(h)d( \mathcal T_{t+h,t}(x), x ) \le \omega(h)

其中：

ω(h)→0.\omega(h)\to0.

這才是「緩和轉化」的數學內容。

35. 局部因果性

若系統由多元狀態：

x=(x1,…,xn)x=(x_1,\dots,x_n)

組成，可要求：

x˙i=Fi(xN(i)).\dot x_i = F_i( x_{\mathcal N(i)} ).

其中：

N(i)\mathcal N(i)

為局部鄰域。

所以：

全局轉化可由局部因果規則生成。\boxed{ \text{全局轉化可由局部因果規則生成。} }

36. 一個簡單例子：雙吸引子

令：

x˙=x−x3.\dot x = x-x^3.

固定點：

x∈{−1,0,1}.x\in\{-1,0,1\}.

其中：

[ -1,1 ]

為穩定吸引狀態，

[ 0 ]

為不穩定點。

若只用：

x′=x+Δx'=x+\Delta

很難直接表達：

不同初始條件自然流向不同 basin。

但流變語義：

xt=Tt(x0)x_t = \mathcal T_t(x_0)

可直接表達。

37. 一個簡單例子：關係依賴

兩節點：

[ x_1,x_2. ]

若耦合：

x˙1=−α(x1−x2),\dot x_1 = -\alpha(x_1-x_2),x˙2=−α(x2−x1),\dot x_2 = -\alpha(x_2-x_1),

則：

x1−x2→0.x_1-x_2 \to0.

吸引結構是同步流形：

A={x1=x2}.\mathcal A = \{x_1=x_2\}.

此處計算的核心不是相加，而是：

關係約束下的同步轉化。\boxed{ \text{關係約束下的同步轉化。} }

38. 一個概念例子：認知狀態

令：

[ X_t

( u_t, c_t, m_t, r_t ) ]

分別表示：

  • 理解；
  • 矛盾；
  • 記憶；
  • 關係一致性。

舊式：

[ Z_t

w_u u_t

w_c c_t + w_m m_t + w_r r_t. ]

新式：

X˙t=F(Xt,Et,Ht).\dot X_t = F( X_t, E_t, H_t ).

再：

ϕt=π(Xt).\phi_t = \pi(X_t).

這樣：

ϕt\phi_t

只是觀察值，不是認知本身。

39. 可能的應用

39.1 AI Agent

  • 長期狀態演化；
  • 記憶治理；
  • goal drift；
  • 自適應 scheduler。

39.2 科學計算

  • phase transition；
  • PDE dynamics；
  • multi-fidelity flow。

39.3 社會系統

  • opinion dynamics；
  • network rewiring；
  • institution transition。

39.4 認知模型

  • learning trajectory；
  • attractor memory；
  • regime shift。

39.5 軟體系統

  • service state；
  • fault recovery；
  • self-healing process。

40. 可證偽性

本文框架不是不可反駁宣言。

若研究顯示：

  1. 加法、乘法與一般函數語義已足以簡潔表達所有目標過程；
  2. 將 flow 提升為 primitive 不提高可讀性、可組合性或可驗證性；
  3. CSFC 只是現有 dynamical-system notation 的冗餘改名；
  4. 程序語言實作無法提供比 ODE / transition API 更好的抽象；
  5. 拓撲與吸引子條件在實際計算中沒有增益；

則本文所主張的「計算原語缺口」應被削弱。

41. 未來研究

41.1 公理最小化

哪些條件是真正必要？

41.2 離散—連續一致性

何時：

T^Δt→Tt？\widehat{\mathcal T}_{\Delta t} \to \mathcal T_t？

41.3 拓撲證書

如何證明非臨界區：

I\mathfrak I

保持？

41.4 吸引子識別

如何低成本判定 basin？

41.5 程序語言

是否值得新增：

flow

第一級語義？

41.6 形式化證明

可否在 Lean / Coq 中定義統一 CSFC interface？

41.7 AI 學習型流變

可否從資料學習：

T\mathcal T

同時保證：

  • 因果；
  • 穩定；
  • 拓撲約束？

42. 討論

42.1 它是新數學嗎？

未必。

其大量零件已有成熟數學。

更合理的定位是：

新的統一計算語義命題。\boxed{ \text{新的統一計算語義命題。} }

42.2 它是新運算嗎？

不是傳統四則運算意義。

它更像：

一類狀態演化原語。\boxed{ \text{一類狀態演化原語。} }

42.3 為何仍值得研究？

因為現代計算實踐日益面對：

  • 長期 Agent；
  • adaptive systems；
  • continuous-time models；
  • dynamic networks；
  • hybrid systems。

這些系統的核心都不是單次值映射。

43. 結論

本文提出「因果狀態流變計算」（CSFC），其基本直覺來自一個簡單問題：

在加減法的增量語義、乘除法的尺度語義，以及一般函數的黑箱映射語義之外，我們是否需要一個更直接表達「狀態如何沿因果與結構約束逐步轉化」的計算原語？

本文的答案是：這至少是一個值得形式化與實驗比較的命題。

本文定義：

x⇝τ,F,R,Cy\boxed{ x \rightsquigarrow_{\tau,\mathcal F,\mathcal R,\mathcal C} y }

並以：

y=Tt,sF,R,C(x)\boxed{ y = \mathcal T_{t,s}^{\mathcal F,\mathcal R,\mathcal C}(x) }

表示狀態流變。

此框架強調：

  • 時間；
  • 路徑；
  • 因果順序；
  • 局部連續；
  • 關係依賴；
  • 吸引子；
  • 臨界事件；
  • 拓撲條件。

相較於直接將多維狀態壓縮為：

Z=∑iwixiZ = \sum_iw_ix_i

再映射為：

ϕ=σ(Z),\phi=\sigma(Z),

本文主張更清楚的分層：

Xt→TXt+1→πϕt+1.\boxed{ X_t \xrightarrow{\mathcal T} X_{t+1} \xrightarrow{\pi} \phi_{t+1}. }

其中：

  • T\mathcal T：狀態真正如何變；
  • π\pi：我們如何觀察它。

這一分離避免把「觀察分數」誤當「演化本身」。

本文最終的核心句是：

加法主要描述增量， 乘法主要描述尺度， 而因果狀態流變描述受約束的生成過程。\boxed{ \text{加法主要描述增量， 乘法主要描述尺度， 而因果狀態流變描述受約束的生成過程。} }

或者更簡潔地：

不是只計算一個狀態有多少，而是計算它如何成為下一個狀態。

附錄 A：一句話版本

因果狀態流變計算，是把「狀態在時間、因果、關係、吸引子與拓撲條件下如何逐步轉化」提升為第一級計算語義，而非只用加法、乘法或黑箱函數描述結果。

附錄 B：最小公式

xs∈Xx_s \in \mathcal Xxt=Tt,sF,R,C(xs)x_t = \mathcal T_{t,s}^{\mathcal F,\mathcal R,\mathcal C}(x_s)Tt,r∘Tr,s=Tt,s\mathcal T_{t,r} \circ \mathcal T_{r,s} = \mathcal T_{t,s}lim⁡h→0d(Tt+h,t(x),x)=0(x∉C)\lim_{h\to0} d( \mathcal T_{t+h,t}(x), x ) = 0 \quad (x\notin\mathcal C)

附錄 C：概念層級

數值層
├── 加法：增量
├── 減法：削減
├── 乘法：尺度／耦合
└── 除法：比例／歸一

映射層
└── f(x)：一般輸入輸出

流變層
└── T_{t,s}(x)：受約束狀態演化

觀察層
└── π(X)：高維狀態投影

附錄 D：研究聲明

本文：

  • 不宣稱發現新的四則運算；
  • 不宣稱 flow、ODE、attractor 或 topology 是新概念；
  • 不宣稱現代計算理論完全沒有狀態演化語言；
  • 不宣稱 CSFC 已證明優於既有動力系統框架；
  • 不宣稱所有系統都應連續化；
  • 不宣稱所有狀態都有唯一吸引子。

本文提出的是：

將受約束的因果狀態流變， 提升為統一的一級計算語義原語。\boxed{ \text{將受約束的因果狀態流變， 提升為統一的一級計算語義原語。} }

參考文獻

  1. Hille, E.; Phillips, R. S. Functional Analysis and Semi-Groups. American Mathematical Society.
  2. Pazy, A. Semigroups of Linear Operators and Applications to Partial Differential Equations. Springer.
  3. Hirsch, M. W.; Smale, S.; Devaney, R. L. Differential Equations, Dynamical Systems, and an Introduction to Chaos.
  4. Strogatz, S. H. Nonlinear Dynamics and Chaos.
  5. Conley, C. Isolated Invariant Sets and the Morse Index.
  6. Goebel, R.; Sanfelice, R. G.; Teel, A. R. Hybrid Dynamical Systems.
  7. Milner, R. Communication and Concurrency.
  8. Baeten, J. C. M. et al. Works on hybrid process algebra and continuous evolution.
  9. Chen, R. T. Q.; Rubanova, Y.; Bettencourt, J.; Duvenaud, D. Neural Ordinary Differential Equations. 2018.
  10. Hairer, E.; Nørsett, S. P.; Wanner, G. Solving Ordinary Differential Equations I.
  11. Edelsbrunner, H.; Harer, J. Computational Topology: An Introduction.
  12. Neo.K. 動態速率理論與 P vs. NP 問題的結構連續模型 2.0：一種認知與數學整合框架（完整修正版）. 2025.