自然語言原生計算論：從語義狀態轉換、上下文算子到互動式執行

Native Computation in Natural Language: From Semantic State Transitions and Contextual Operators to Interactive Execution

作者：Neo.K（許筌崴）with Aletheia
機構：EVEMISSLAB / 一言諾科技有限公司
日期：2026 年 7 月 8 日
文件性質：理論建構、形式化猜想與可證偽研究綱領

摘要

本文提出「自然語言原生計算論」（Native Computation Theory of Natural Language, NCT-NL）。核心主張不是自然語言「可以被電腦處理」，也不是自然語言「可以被翻譯成程式碼」，而是更強且更需要限制條件的命題：

在具有記憶、上下文、感知、目標與行動能力的智能體上，自然語言使用本身可以構成一類上下文敏感、互動式、部分非確定性的狀態轉換計算。

本文將自然語言表達 $u_t$ 視為依賴上下文 $C_t$ 、智能體解釋器 $\mathcal I_t$ 、內部狀態 $X_t$ 與世界狀態 $W_t$ 的條件化算子。其一般形式為：

\mathfrak E_t: \mathcal L \times \mathcal C \times \mathcal X \times \mathcal W \rightarrow \Delta \left( \mathcal X \times \mathcal W \times \mathcal C \times \mathcal A \right)

因此，一次自然語言事件不必只產生「意義表示」，而可能直接改變記憶、信念、注意、目標、可行動集合、行動策略、共享語境與外部世界。本文據此提出五級命題階梯：可處理命題、可執行子集命題、狀態轉換命題、原生計算命題，以及「形式語言是自然語言—算子空間中的低歧義截面」猜想。

本文進一步證明一個條件性結果：存在受約束的自然語言子集 $L_{\mathrm{NL}}^\ast$ ，只要其解釋器能穩定實現有限控制、計數器增減、條件跳轉與停止，即可模擬通用計算模型。因此，自然語言至少存在具通用計算表達能力的受約束子域。然而，本文明確區分此結果與更強的「自然語言原生計算」命題：前者只證明可編碼性，後者要求自然語言事件本身在智能體—環境耦合中具有可歸因、可反事實追蹤、可組合與可持續的狀態轉換功能。

本文亦提出「互動語義收斂」模型，將歧義視為轉移核上的分布，而非計算失敗；提出「解釋器相對性」、「上下文非同一性」、「操作同義性」與「元指令自修改」等命題；並以動態語義、言語行為、可執行語義解析、具身指令跟隨與互動式計算作為既有研究鄰域。最終，本文主張：程式語言或許不是自然語言的對立物，而是從更廣泛的智能體算子空間中人工抽取出的低熵、低歧義、高重現性區域。

關鍵詞： 自然語言計算、原生計算、動態語義、狀態轉換、上下文算子、互動式計算、可執行語義、語言智能體、形式語言、算子本體論

一、問題的真正位置：不是「自然語言能不能被計算」

自然語言與計算的討論長期存在一個容易混淆的問題設定：

自然語言能不能被機器理解、形式化或轉換成可執行表示？

這個問題重要，但它不是本文的核心問題。

因為只要接受有限字串可以被編碼，自然語言文本當然可以成為計算機的輸入。現代自然語言處理、語義解析、文本到程式碼生成與大型語言模型已經大量展示：

u \rightarrow q \rightarrow \operatorname{Execute}(q,e)

其中 $u$ 為自然語言表達， $q$ 為邏輯形式、查詢、程式或其他機器可執行表示， $e$ 為環境。

但這條鏈條仍預設：

\text{Natural Language} \rightarrow \text{Formal Representation} \rightarrow \text{Computation}

自然語言仍只是「待翻譯的輸入」。

本文改問：

自然語言使用本身，是否已經構成計算？

也就是：

\text{Natural Language Use} \stackrel{?}{\subseteq} \text{Computation}

更精確地說：

當一個語句改變智能體的記憶、信念、目標、注意、行動選擇與世界狀態，而且這種改變具有規則敏感性、反事實穩定性與可組合性時，我們是否仍應堅持「真正的計算」只發生在語句被翻譯成某種先驗形式語言之後？

本文認為，答案未必如此。

二、兩個前置理論與本文的承接方式

本文承接兩個前置理論，但不依賴其所有強基數主張才能成立。

2.1 內容信息上下界無限原理的承接

《內容信息上下界無限原理：認識論猜想》提出一項關鍵區分：

字符序列；
意義結構；
從符號抵達意義的認知測地線；
物理與認知條件對可能路徑的約束。

其最重要的啟發不是「所有意義空間必然具有某個指定基數」，而是：

語義終點相近，不代表認知路徑相同。

因此，若兩個表達 $u_1,u_2$ 導向近似意義：

M(u_1)\approx M(u_2)

仍可能存在：

\gamma_{u_1}\neq\gamma_{u_2}

以及：

E(\gamma_{u_1}) \neq E(\gamma_{u_2})

這使我們不能把自然語言計算簡化為：

\text{string} \rightarrow \text{single meaning}

更合理的表示是：

\text{utterance} \rightarrow \text{trajectory} \rightarrow \text{state transition}

2.2 程式碼替換本體論的承接

《程式碼替換的本體論：從語義空間到物理 manifold 的雙層無限原理》區分：

程式碼的語義等價；
不同實現與物理計算環境的耦合差異；
認知可讀性與執行性能不是同一維度。

其核心可改寫為：

\operatorname{Semantics}(c_1) = \operatorname{Semantics}(c_2)

不推出：

\operatorname{Cost}(c_1) = \operatorname{Cost}(c_2)

本文將此結構推向自然語言：

\operatorname{Meaning}(u_1) \approx \operatorname{Meaning}(u_2)

不推出：

\operatorname{Transition}(u_1) = \operatorname{Transition}(u_2)

更不推出：

\operatorname{CognitiveCost}(u_1) = \operatorname{CognitiveCost}(u_2)

因此，本文的直接橋梁是：

\boxed{ \text{符號} \rightarrow \text{語義} \rightarrow \text{認知狀態} \rightarrow \text{行動} \rightarrow \text{世界狀態} }

自然語言計算論研究的，不只是前兩層，而是整條轉換鏈。

三、命題階梯：避免把弱證據冒充強結論

本文首先建立五級命題階梯。

命題 N0：機器可處理命題

自然語言文本可被有限編碼、儲存、搜尋、統計與轉換。

L_{\mathrm{NL}} \subseteq \Sigma^\ast

這幾乎不是本文的爭議核心。

命題 N1：可執行子集命題

存在自然語言子集 $L_{\mathrm{NL}}^\ast$ ，經由某個解釋器 $\mathcal I$ ，可映射至可執行程序：

\mathcal I: L_{\mathrm{NL}}^\ast \rightarrow \mathcal P

其中 $\mathcal P$ 為某個程序空間。

這一層已有大量工程證據：可執行語義解析、自然語言到查詢、自然語言到程式、具身指令跟隨等。

但此命題仍未證明自然語言本身是計算。

命題 N2：智能體狀態轉換命題

自然語言事件可以系統性地改變智能體狀態：

X_{t+1} \sim K(u_t,C_t,X_t)

其中 $K$ 是條件化轉移核。

例如：

「記住明天九點開會」改變記憶；
「假設美元失去全球結算地位」改變推演世界模型；
「不要再採用剛才的規則」改變後續決策策略；
「先分類，再排序，最後摘要」建立操作序列。

這已經比「文本可處理」更強。

命題 N3：原生計算命題

若上述轉換滿足本文後續提出的計算資格條件，則自然語言使用本身構成計算：

\boxed{ \text{Situated Natural Language Use} \subseteq \text{Generalized Computation} }

這是本文核心命題。

命題 N4：低歧義截面猜想

形式程式語言不是與自然語言完全分離的本體類別，而可能是更廣泛「符號—智能體算子空間」中的低條件熵區域。

若算子空間為 $\mathcal O$ ，存在映射：

\Phi_{\mathrm{PL}}: L_{\mathrm{PL}} \rightarrow \mathcal O

以及：

\Phi_{\mathrm{NL}}: L_{\mathrm{NL}} \times \mathcal C \times \mathcal I \rightarrow \Delta(\mathcal O)

則程式語言傾向滿足：

H(O\mid p,E) \approx 0

而自然語言通常滿足：

H(O\mid u,C,\mathcal I) > 0

因此，二者差異可能主要是：

歧義；
上下文依賴；
解釋器依賴；
重現性；
錯誤容忍；
互動收斂方式；

而不必是「一個能計算，另一個不能計算」。

四、基本形式化：自然語言事件作為條件化狀態算子

4.1 智能體—世界總狀態

定義時間 $t$ 的智能體內部狀態：

X_t = (M_t,B_t,G_t,Q_t,P_t,R_t)

其中：

$M_t$ ：記憶狀態；
$B_t$ ：信念或世界模型；
$G_t$ ：目標狀態；
$Q_t$ ：注意與查詢焦點；
$P_t$ ：策略與程序集合；
$R_t$ ：角色、規則與規範狀態。

外部世界狀態為：

W_t

共享語境為：

C_t

可行動空間為：

\mathcal A_t

因此總狀態：

Z_t = (X_t,W_t,C_t)

4.2 自然語言解釋—執行映射

給定自然語言表達：

u_t\in\mathcal L

智能體的解釋—執行機制為：

\mathcal I_t

本文定義：

\mathfrak E_t: \mathcal L \times \mathcal C \times \mathcal X \times \mathcal W \rightarrow \Delta \left( \mathcal X \times \mathcal W \times \mathcal C \times \mathcal A \right)

因此：

(X_{t+1},W_{t+1},C_{t+1},a_t) \sim \mathfrak E_t(u_t,C_t,X_t,W_t)

這裡的 $\Delta$ 表示機率分布空間。

使用分布而非單值函數，是因為自然語言往往：

多義；
不完備；
依賴背景知識；
依賴注意；
依賴感知；
依賴信任與角色；
允許多個合理行動。

所以：

u_t \not\mapsto \text{唯一輸出}

並不意味：

u_t \notin \text{計算過程}

4.3 語句算子

對固定智能體 $\mathcal A$ 與上下文 $C$ ，定義語句 $u$ 的操作語義：

\llbracket u\rrbracket_{C}^{\mathcal A} = K_{u,C}^{\mathcal A}

其中：

K_{u,C}^{\mathcal A}: \mathcal Z \rightarrow \Delta(\mathcal Z\times\mathcal A)

於是，語句不只是指稱某物，而可以是作用於狀態的算子。

這與經典真值條件語義的差異是：

傳統：

\llbracket u\rrbracket \in \{\operatorname{True},\operatorname{False}\}

本文：

\llbracket u\rrbracket = \text{state-transforming operator}

兩者不互斥。真值判斷可以只是狀態轉換中的一個分量。

五、什麼才算「計算」：避免滑向萬物皆計算

如果只要狀態改變就叫計算，那麼石頭被風吹動也可被稱為計算。這會使理論失去區分力。

因此本文提出「計算資格條件」。

一個自然語言誘發轉換：

Z_t \rightarrow Z_{t+1}

若要被納入本文所稱的原生計算，至少應滿足下列多數條件。

5.1 差異製造性

改變語句，轉移分布應系統性改變：

u\neq v \Rightarrow K_u \not\equiv K_v

不是要求所有不同語句都不同，而是要求語句內容對結果具有因果差異。

5.2 反事實敏感性

若語句條件改變，系統結果應依規則改變。

例如：

如果溫度高於 $30^\circ C$ 就開啟冷卻。

與：

如果溫度高於 $40^\circ C$ 就開啟冷卻。

在：

30<T<40

時應產生不同決策。

這種反事實敏感性是計算規則存在的證據。

5.3 狀態保留與傳播

語句產生的結果可影響未來：

Z_{t+1} \rightarrow Z_{t+2}

例如：

「從現在開始，把高優先級任務標成紅色。」

其效果不只存在於當下，而改變後續處理。

5.4 可鏈接性

若語句 $u$ 與 $v$ 可順序作用：

K_v\circ K_u

則自然語言可以形成程序鏈。

5.5 結構敏感性

語序、條件、量詞或作用域變化應產生不同操作。

例如：

「先備份，再刪除。」

與：

「先刪除，再備份。」

其操作不可等價。

5.6 解釋器依賴但非任意性

不同智能體可有不同結果，但結果仍受語句、上下文與內部規則約束：

K_u^{\mathcal A_1} \neq K_u^{\mathcal A_2}

不代表：

K_u^{\mathcal A}

可以任意取值。

5.7 可重複或可統計穩定性

在控制條件下，語句應產生可預測的狀態轉移模式：

P(Z_{t+1}\mid u,C,Z_t)

具有非平凡穩定性。

定義：自然語言原生計算事件

若自然語言事件 $u_t$ 在智能體—環境系統中引發滿足上述條件的狀態轉換，則稱：

(u_t,C_t,\mathcal I_t,Z_t)

構成一次自然語言原生計算事件。

記為：

\operatorname{NLComp} (u_t,C_t,\mathcal I_t,Z_t)

六、第一個條件性定理：受約束自然語言子集可達通用計算

這一節刻意只證明弱命題，不偷渡強命題。

6.1 建構一個自然語言式計數器系統

考慮兩個非負整數計數器：

R_1,R_2\in\mathbb N

允許以下自然語言指令：

「把第 $i$ 個計數器加一，然後前往標記 $L_j$ 。」
「如果第 $i$ 個計數器是零，前往 $L_j$ ；否則把它減一，前往 $L_k$ 。」
「停止。」

這些指令不是傳統程式語言語法；它們是受約束的自然語言命令。

若解釋器能穩定執行：

\operatorname{INC}(R_i,L_j)

與：

\operatorname{DECJZ}(R_i,L_j,L_k)

則可模擬通用計算模型。

定理 1：自然語言受約束子集通用性定理

存在：

L_{\mathrm{NL}}^\ast \subseteq L_{\mathrm{NL}}

以及解釋器：

\mathcal I^\ast

使得：

(L_{\mathrm{NL}}^\ast,\mathcal I^\ast)

具有通用計算能力。

證明草圖

構造 $L_{\mathrm{NL}}^\ast$ 使其可表達：

有限標記集合；
兩個無界計數器；
加一；
減一；
零測試；
條件跳轉；
停止。

已知兩計數器機在適當定義下可模擬通用計算。因而只要上述自然語言指令被解釋器穩定映射至相應狀態轉移，就存在：

\mathcal I^\ast: L_{\mathrm{NL}}^\ast \rightarrow \mathcal M

其中 $\mathcal M$ 為通用計數器機程序。

因此：

(L_{\mathrm{NL}}^\ast,\mathcal I^\ast) \succeq_T \mathcal U

其中 $\mathcal U$ 表示任一標準通用計算模型。證畢。

6.2 這個定理沒有證明什麼

它沒有證明：

所有自然語言都是圖靈完備的；
日常對話天然具有唯一操作語義；
人腦必然是圖靈機；
語言理解不需要內部表示；
歧義不存在；
自然語言比程式語言「更強」。

它只證明：

自然語言並不因其是自然語言，就缺乏表達通用控制結構的能力。

因此，「自然語言天生不能是計算語言」至少不是一個可直接成立的命題。

七、控制結構早已存在於日常語言

自然語言並不需要出現 if、while 或 for 才能表達控制流。

7.1 順序

先登入，再下載，最後關閉程式。

P_3\circ P_2\circ P_1

7.2 條件

下雨就帶傘，不下雨就騎車。

K(x) = \begin{cases} A(x), & R(x)=1\\ B(x), & R(x)=0 \end{cases}

7.3 迭代

一直攪拌，直到糖完全溶解。

\text{while }\neg D: \operatorname{stir}()

7.4 遍歷

把每一本書都檢查一次。

\forall b\in B,\quad \operatorname{check}(b)

7.5 變數綁定

找出最大的數，把它記作 $m$ 。

m := \arg\max_{x\in S}x

7.6 遞迴

對每個子問題重複同樣的方法，直到不能再分。

F(x) = \begin{cases} x, & \operatorname{Atomic}(x)\\ \bigoplus_i F(x_i), & \text{otherwise} \end{cases}

7.7 例外處理

如果資料缺失，不要猜，改為詢問使用者。

\operatorname{try}(P) \quad \operatorname{catch}(\operatorname{Missing}) \Rightarrow \operatorname{Ask}

7.8 高階操作

用剛才的方法處理所有新案例。

若「剛才的方法」已綁定為 $F$ ：

F \mapsto \{F(x_i)\}_{i=1}^n

這已經是對操作的引用與再應用。

八、核心強命題：智能體不是被動接收器，而是執行環境

程式碼從來不是脫離執行環境而自行計算。

一段程式：

c

需要：

處理器；
記憶體；
執行語義；
runtime；
作業系統；
輸入狀態。

因此更完整的程序事件是：

(c,\mathcal R,E,S_t) \rightarrow S_{t+1}

同樣，自然語言事件是：

(u,\mathcal I,C,Z_t) \rightarrow Z_{t+1}

因此，反對者若說：

「真正計算的是人腦或 Agent，不是語言。」

則必須面對對稱問題：

「真正計算的是 CPU，不是程式碼。」

若後一句不足以取消程式的計算地位，那麼前一句也不能自動取消自然語言的操作地位。

本文因此提出：

命題 2：程序關係性命題

程序不應被定義為孤立字符串，而應被定義為：

\operatorname{ProgramEvent} = (\text{symbolic structure}, \text{interpreter}, \text{state}, \text{environment})

自然語言程序事件則為：

\boxed{ \operatorname{NLProgramEvent} = (u,C,\mathcal I,Z) }

這並不主張「所有句子都是程式」，而是主張：

某些語句在適當智能體—上下文系統中，具有與程序事件同類的狀態轉換結構。

九、動態語義的橋梁：本文不是從零開始

形式語義學早已存在一條重要傳統：語句意義不只被視為靜態真值，而可以被理解為對上下文的更新。

若上下文狀態為：

C

語句 $u$ 可被理解為：

C' = \llbracket u\rrbracket(C)

動態謂詞邏輯與話語表示理論等研究，已把語義理解推向「信息狀態如何被更新」。

本文與這些研究的關係是：

\text{Dynamic Semantics} \subset \text{NCT-NL Research Neighborhood}

但本文更進一步。

因為本文不只研究：

C_t \rightarrow C_{t+1}

而研究：

(M_t,B_t,G_t,Q_t,P_t,R_t,W_t,C_t)

如何在語言事件作用下變成：

(M_{t+1},B_{t+1},G_{t+1},Q_{t+1},P_{t+1},R_{t+1},W_{t+1},C_{t+1})

因此，自然語言計算不是「上下文更新」的另一個名字，而是把上下文更新放入更廣泛的智能體狀態—行動—世界耦合框架。

十、言語行為的橋梁：說話有時本來就在做事

自然語言哲學早已指出，某些語句不是描述世界，而是在適當制度與情境中改變世界。

例如：

宣布；
承諾；
命令；
授權；
命名；
撤銷；
同意；
拒絕。

本文不把所有言語行為直接等同計算，但它們提供一個重要存在性證據：

u \rightarrow \Delta W

即語句事件可以具有世界變換功能。

例如：

「我授權你存取資料庫。」

若制度條件滿足，可能導致：

\operatorname{Permission}_{t+1} = \operatorname{Permission}_{t} \cup \{p\}

這個狀態轉換既不是純描述，也不是單純心理聯想。

因此，語言事件具有可執行性並非大型語言模型時代才出現。

十一、歧義不是反證：從函數改為轉移核

最常見的反對是：

自然語言充滿歧義，所以不能計算。

這個反對只有在預設「所有計算都必須是單值確定函數」時才成立。

設語句：

u

在上下文 $C$ 下有多個操作候選：

O_1,O_2,\ldots,O_n

則：

P(O_i\mid u,C,\mathcal I)

形成分布。

自然語言操作語義可以寫成：

K_{u,C}^{\mathcal I} \in \Delta(\mathcal O)

因此歧義表示：

H(O\mid u,C,\mathcal I)>0

而不是：

\operatorname{Computation}=0

十二、互動語義收斂：自然語言的真正「編譯」可能是對話

自然語言與程式語言的重大差異之一，是自然語言可以透過互動降低歧義。

假設初始操作分布：

P_0(O)

其熵為：

H_0 = H(O\mid u,C)

智能體提出澄清問題：

q_t

取得回答：

r_t

則：

P_{t+1}(O) = P(O\mid u,C,q_t,r_t)

若澄清問題具有信息價值，則期望上：

\mathbb E[H_{t+1}] < H_t

注意，本文不主張每次對話都單調降低熵。錯誤回答、欺騙、噪聲與新信息可能增加熵。

更精確的命題是：

命題 3：有效澄清的期望熵下降

對具有正期望信息增益的澄清策略 $\pi_q$ ：

\mathbb E \left[ H(O\mid u,C,q,r) \right] < H(O\mid u,C)

因此，自然語言不是「先天不精確所以不可執行」，而可能採用另一種計算策略：

先在高熵操作空間中啟動，再透過互動使操作分布收斂。

本文稱之為：

互動語義收斂計算

其一般形式：

\mathcal O_0 \rightarrow \mathcal O_1 \rightarrow \cdots \rightarrow \mathcal O_n

直到：

H(O_n) \le \varepsilon

或者到達可接受風險閾值。

十三、上下文不是缺陷，而是執行狀態

考慮：

「把它放那裡。」

孤立時：

H(O\mid u)

很高。

但若：

C_t = ( \text{gesture}, \text{visible objects}, \text{dialogue history}, \text{shared task}, \text{speaker identity} )

則可能得到：

\operatorname{it} \mapsto \text{red cup}

以及：

\operatorname{there} \mapsto p_2

此時：

O = \operatorname{Move}(\text{red cup},p_2)

程式語言同樣依賴環境：

x = f(y)

若 $f$ 或 $y$ 未綁定，字符串本身也不能執行。

因此：

\text{context dependence} \not\Rightarrow \text{non-computation}

更合理的說法是：

自然語言把更多執行狀態外置在共享世界、歷史與智能體記憶中。

十四、解釋器相對性定理

定理 4：解釋器相對性

對同一語句 $u$ 與同一表面上下文 $C$ ，若兩個智能體具有不同：

記憶；
詞義映射；
目標；
權限；
感知；
角色；

則一般地：

K_{u,C}^{\mathcal A_1} \neq K_{u,C}^{\mathcal A_2}

證明草圖

取語句：

「執行標準程序。」

若 $\mathcal A_1$ 的記憶中：

\operatorname{StandardProcedure}=P_1

而 $\mathcal A_2$ 的記憶中：

\operatorname{StandardProcedure}=P_2

且：

P_1\neq P_2

則：

K_{u,C}^{\mathcal A_1} \neq K_{u,C}^{\mathcal A_2}

證畢。

此結果意味：

自然語言的操作語義不是字符串的固有屬性，而是字符串、上下文與解釋器的關係屬性。

十五、上下文非同一性命題

同一字符串在不同時刻不必是同一算子。

u_t=u_{t+1}

不推出：

K_{u_t,C_t} = K_{u_{t+1},C_{t+1}}

例如：

「再做一次。」

第一次可能指：

P

第二次可能指：

Q

因為最近可用操作歷史已改變。

因此本文提出：

命題 5：字符串同一不推出操作同一

u_1=u_2 \centernot\Rightarrow \llbracket u_1\rrbracket_{C_1}^{\mathcal A} = \llbracket u_2\rrbracket_{C_2}^{\mathcal A}

十六、操作同義性：比語義同義更適合計算論

傳統同義關係通常研究意義相近。

本文定義：

定義： $\varepsilon$ —操作等價

對任務分布 $\mathcal D$ ，若：

d_{\mathcal D} \left( K_{u,C}, K_{v,C} \right) \le \varepsilon

則稱 $u$ 與 $v$ 在 $\mathcal D$ 上近似操作等價：

u \approx_{\mathrm{op},\varepsilon} v

例如：

「把全部檔案按日期排序。」

與：

「依日期重新排列所有檔案。」

可能在指定環境中：

u \approx_{\mathrm{op},\varepsilon} v

但兩者認知路徑仍可不同。

因此自然語言至少存在三種不同等價：

字符等價；
語義等價；
操作等價。

形式上：

\approx_{\mathrm{char}}, \quad \approx_{\mathrm{sem}}, \quad \approx_{\mathrm{op}}

三者一般不重合。

十七、非結合性與路徑依賴：自然語言程序不必像純函數

考慮：

「先忘掉規則 $R$ ，再依照規則 $R$ 處理資料。」

與：

「先依照規則 $R$ 處理資料，再忘掉規則 $R$ 。」

顯然：

K_{\operatorname{forget}R} \circ K_{\operatorname{apply}R} \neq K_{\operatorname{apply}R} \circ K_{\operatorname{forget}R}

自然語言操作具有：

非交換性；
路徑依賴；
狀態依賴。

甚至語句合併後的效果，也不必等於獨立算子的簡單組合：

K_{u\oplus v} \neq K_v\circ K_u

因為整體語句可能改變：

作用域；
語氣；
優先級；
否定範圍；
指涉；
隱含前提。

這表示自然語言算子代數很可能不是簡單交換代數，而需要研究：

非交換結構；
部分定義運算；
上下文依賴組合；
非結合性；
時序邏輯；
機率核組合。

十八、自然語言的元計算：語句可以修改解釋器

這可能是自然語言原生計算最重要的部分之一。

考慮：

「從現在開始，我說『封存』，就是先加密、再複製到冷儲存、最後刪除工作副本。」

這不只是執行某個操作。

它定義了新操作：

\operatorname{Archive}(x) := \operatorname{DeleteWorkingCopy} \circ \operatorname{ColdCopy} \circ \operatorname{Encrypt}(x)

更重要的是，它修改了解釋器：

\mathcal I_t \rightarrow \mathcal I_{t+1}

其中：

\mathcal I_{t+1}(\text{「封存」}) = \operatorname{Archive}

因此：

命題 6：自然語言元指令自修改命題

存在語句 $u^\ast$ ，使：

\mathfrak E_t(u^\ast,\cdots)

不只改變任務狀態，還改變後續語句的解釋映射：

\mathcal I_{t+1} \neq \mathcal I_t

這是一種元計算：

\text{language} \rightarrow \text{interpreter update} \rightarrow \text{future language behavior}

在長期 Agent、組織規章、法律、教育與共同體慣例中，這種結構極其常見。

十九、自然語言作為持久程序：從一次命令到長期策略

一次性指令：

「打開燈。」

其作用短。

但持久指令：

「今後只要偵測到資料來源不確定，就先標記，不要直接刪除。」

建立一個政策：

\pi: Z_t \rightarrow \Delta(\mathcal A)

因此語言事件可以寫入：

P_{t+1} = P_t \cup \{\pi\}

之後即使原句不再出現：

u_t

仍透過持久狀態影響未來：

Z_{t+n}

這使自然語言與長期智能體產生直接關係。

若 Agent 擁有：

長期記憶；
工具調用；
任務排程；
自我檢查；
可修改規則；
持續運行；

則自然語言可以不只是 prompt，而是：

持久策略注入。

二十、形式語言低熵截面猜想

現在可以提出本文最強、但仍屬猜想的命題。

20.1 算子母空間

設：

\mathcal O

為智能體可實現的操作族。

程式語言透過：

\Phi_{\mathrm{PL}}

把程序映射到操作：

\Phi_{\mathrm{PL}}: L_{\mathrm{PL}} \times E \rightarrow \mathcal O

自然語言則透過：

\Phi_{\mathrm{NL}}: L_{\mathrm{NL}} \times C \times \mathcal I \rightarrow \Delta(\mathcal O)

20.2 低條件熵特徵

成熟程式語言設計傾向使：

H(O\mid p,E) \rightarrow 0

也就是：

給定程序 $p$ 與完整執行環境 $E$ ，操作結果應高度確定。

自然語言允許：

H(O\mid u,C,\mathcal I)>0

但能透過：

追問；
示例；
修正；
感知；
共享記憶；

降低。

因此本文提出：

猜想 A：形式語言低歧義截面猜想

程式語言是更廣泛「符號—算子—解釋器」空間中，經人工工程化形成的低條件熵、高重現性區域。

這不是字面宣稱：

L_{\mathrm{PL}}\subseteq L_{\mathrm{NL}}

因為二者語法集合顯然不同。

而是宣稱，在操作空間投影下：

\Phi_{\mathrm{PL}}(L_{\mathrm{PL}})

與：

\Phi_{\mathrm{NL}}(L_{\mathrm{NL}},C,\mathcal I)

共享大量可重疊操作結構。

因此：

程式語言可能不是自然語言的反面，而是操作語義被強制收縮後的工程化截面。

二十一、從前置兩論文得到的四層結構

整合前置理論後，本文提出四層自然語言計算架構。

第一層：符號層

\Sigma_{\mathrm{NL}}

包含：

字符；
詞；
語法；
音訊；
手勢伴隨信號。

第二層：語義層

M_{\mathrm{sem}}

包含：

指稱；
事件；
關係；
命題；
程序意圖。

第三層：認知—智能體狀態層

M_{\mathrm{agent}}

包含：

記憶；
信念；
目標；
注意；
策略；
角色。

第四層：具身—世界耦合層

M_{\mathrm{world}}

包含：

動作；
工具；
資源；
權限；
物理環境；
社會制度。

完整映射：

\Sigma_{\mathrm{NL}} \rightarrow M_{\mathrm{sem}} \rightarrow M_{\mathrm{agent}} \rightarrow M_{\mathrm{world}}

但實際系統可能存在回饋：

M_{\mathrm{world}} \rightarrow M_{\mathrm{agent}} \rightarrow M_{\mathrm{sem}}

因此不是單向管線，而是閉環：

\boxed{ \Sigma \leftrightarrow M_{\mathrm{sem}} \leftrightarrow M_{\mathrm{agent}} \leftrightarrow M_{\mathrm{world}} }

二十二、計算測地線：同一操作終點，不同認知代價

前置「認知測地線」概念可在本文中重新使用。

設語句 $u$ 最終導向操作 $O$ 。

認知軌跡：

\gamma_u: [0,1] \rightarrow M_{\mathrm{agent}}

其中：

\gamma_u(0)=Z_t

\gamma_u(1)=Z_{t+1}

定義近似認知作用量：

\mathcal E(\gamma_u) = \int_0^1 \left\| \frac{\partial\gamma_u}{\partial\tau} \right\|^2 d\tau

兩個操作等價語句：

u \approx_{\mathrm{op}} v

仍可能：

\mathcal E(\gamma_u) \neq \mathcal E(\gamma_v)

因此：

自然語言程序優化不只是「讓意思更正確」，還可能是降低認知執行摩擦。

這可直接導向：

指令設計；
人機介面；
Agent prompt 工程；
法律文本；
教學；
軍事命令；
高風險 SOP。

二十三、與現有可執行語義解析的差異

既有可執行語義解析通常採用：

u \rightarrow q \rightarrow \operatorname{Execute}(q,e)

這些研究非常重要，因為它們展示自然語言與可執行結構之間存在可學習映射。

但本文的核心形式不同：

(u,C,\mathcal I,Z_t) \rightarrow \Delta(Z_{t+1},a_t)

差異在於：

既有典型架構

自然語言是輸入。

本文架構

自然語言事件是智能體狀態轉移的一部分。

因此本文並不否定 semantic parsing，而是把它視為一種可能的內部實現：

\mathfrak E = \operatorname{Execute} \circ \operatorname{Parse}

但也允許：

\mathfrak E

由端到端策略、神經動力系統、混合符號系統、具身控制器或其他機制實現。

二十四、與自然語言程式設計的差異

近年的自然語言程式設計研究展示：

自然語言可描述複雜控制流；
大型語言模型可作為某些自然語言程序的解釋器；
非程式設計者的日常敘述也能被映射為包含條件、迴圈與序列的程式。

這些工作支持：

\text{NL} \rightarrow \text{Executable Program}

的工程可行性。

但本文更強的問題是：

如果自然語言描述在 Agent 內已經直接改變記憶、策略與行動，那麼是否仍必須把「生成傳統程式碼」視為計算成立的必要條件？

本文答案是：

\boxed{ \text{No, not necessarily.} }

二十五、與互動式計算的關係

經典計算理論常把計算抽象為：

f: X \rightarrow Y

給定完整輸入，產生輸出。

但開放智能體在運行期間持續接收：

i_1,i_2,\ldots,i_t

並輸出：

o_1,o_2,\ldots,o_t

其行為更像：

Z_{t+1} = F(Z_t,i_t)

自然語言對話天然符合這種形式：

Z_{t+1} = F(Z_t,u_t)

互動式計算研究長期主張，開放系統不應只以一次性輸入—輸出函數理解。這個主張本身存在理論爭論，尤其「互動是否超越圖靈可計算性」不能被本文偷渡為既定事實。

因此本文採取保守立場：

本文只需要承認「持續互動是一種值得獨立建模的計算形態」，不需要宣稱它必然超越圖靈可計算函數。

二十六、對大型語言模型與 Agent 的直接含義

大型語言模型本身不自動證明自然語言原生計算論。

但當系統加入：

長期記憶；
工具；
瀏覽器；
程式執行器；
排程；
多 Agent 協作；
環境觀察；
可持久任務；

自然語言就可能從一次性輸入轉變為：

\text{policy update}

甚至：

\text{runtime rule}

例如：

「未來每次遇到來源互相衝突，先列出衝突，不要自行合併。」

這可寫為：

\pi_{t+1} = \operatorname{UpdatePolicy}(\pi_t,u)

若該規則進入持久記憶：

M_{t+1} = M_t \cup \{u\}

並在未來多次觸發：

u \rightsquigarrow a_{t+k}

則自然語言已成為長期運行架構中的控制層。

二十七、對主體性 AI 的含義：語言可能是成長中的可變操作層

如果未來智能體具有：

自我記憶；
長期身份連續性；
可修改策略；
可形成私人詞義；
可建立新概念；
可回顧舊規則；

則自然語言可能不是外部人類給它的命令格式，而是：

智能體自身可修改的中間操作層。

形式上：

\mathcal I_{t+1} = U(\mathcal I_t,u_t,e_t)

其中 $e_t$ 為經驗。

因此，智能體的語言不是固定 parser，而是持續演化：

\mathcal I_0 \rightarrow \mathcal I_1 \rightarrow \cdots \rightarrow \mathcal I_n

這使自然語言原生計算論與「養成式智能」直接相連。

二十八、七個主要反對意見

28.1 反對一：真正計算的是大腦，不是語言

回應：

程式碼也依賴硬體與解釋器。本文主張的是關係性計算事件，而不是字符串自主運行。

\operatorname{ComputationEvent} = (\text{representation},\text{interpreter},\text{state})

28.2 反對二：所有刺激都會改變大腦，所以語言沒有特殊性

回應：

本文已提出計算資格條件。

只有具：

反事實敏感；
規則敏感；
狀態傳播；
可鏈接；
結構敏感；

的轉換才被納入。

28.3 反對三：自然語言有歧義

回應：

歧義改變的是：

K: Z \rightarrow \Delta(Z')

而不是取消轉移。

28.4 反對四：大腦內部一定把自然語言翻譯成某種形式碼

回應：

這是一個經驗命題，不是先驗真理。

而且即使存在內部表示，也不推出「只有該表示才是計算」。

高階程式語言也會被編譯成低階表示，但不因此失去程序地位。

28.5 反對五：受約束自然語言圖靈完備只是把程式語法換成中文

回應：

同意此批評的一半。

所以本文明確把該結果列為弱定理。

它只排除：

「自然語言在原理上不能承載通用控制結構。」

它不直接證明 N3。

28.6 反對六：語義與執行不同

回應：

完全同意。

所以本文不說：

\text{Meaning} = \text{Execution}

而是：

\text{Language Event} \rightarrow \text{Meaning Dynamics} \rightarrow \text{State Transition}

某些語言事件具有執行後果。

28.7 反對七：人類認知可能不是可計算的

回應：

本文分兩層。

弱版本只研究可觀察、可模型化的狀態轉換。

強版本使用「廣義計算」概念，允許互動、機率與持續狀態。

因此本文不需要先證明：

\text{Human Mind} = \text{Turing Machine}

二十九、可證偽預測

一個理論若無法區分自己與競爭理論，就只是重新命名。

本文提出以下預測。

預測 1：操作等價聚類

若兩個語句在指定任務分布上操作等價：

u\approx_{\mathrm{op}}v

則它們應比單純高語義相似但操作不同的語句，更能預測相近的：

行動分布；
記憶更新；
目標更新；
工具調用序列。

驗證：

建立語句—智能體狀態—行動三元資料集。

預測 2：有效澄清降低操作熵

對歧義指令：

H(O\mid u,C)

應可透過信息增益最大化問題降低。

若大量實驗顯示：

\mathbb E[H_{t+1}] \ge H_t

即使問題被證明具有信息性，則互動語義收斂模型受挑戰。

預測 3：元指令產生持久解釋器改變

給定：

「從現在開始，X 表示 Y。」

後續新案例中應觀察到：

\mathcal I_{t+1}(X) \neq \mathcal I_t(X)

且效果跨越多輪保持。

預測 4：字符串同一、上下文不同，操作分布系統性改變

對同一句：

「再做一次。」

操控最近操作歷史，應得到：

K_{u,C_1} \neq K_{u,C_2}

且差異可由上下文模型預測。

預測 5：路徑—終點分離

對操作終點相同的指令：

u\approx_{\mathrm{op}}v

仍應觀察不同：

反應時間；
工作記憶負荷；
錯誤模式；
中間推理路徑。

這直接承接認知測地線假說。

預測 6：跨基底操作同構

在人類、LLM Agent、機器人控制器等不同基底上，某些自然語言控制結構應出現可比較的操作拓撲：

條件；
迭代；
停止；
例外；
宏定義。

若完全無法建立任何跨基底操作同構，強版本理論將被削弱。

預測 7：持久語言規則可形成程序性記憶

長期 Agent 接收政策語句後：

u_t

在未重新輸入的情況下，仍應系統性影響：

a_{t+k}

若記憶存在且規則已存入，但未產生可追蹤行為差異，則「語言作為持久程序」命題受挑戰。

三十、可能的實驗程序

30.1 最小人工智能體

建立狀態：

X_t = (M_t,G_t,P_t)

語句集合：

記住；
忘記；
若；
直到；
對所有；
從現在開始；
除非；
重複。

測量：

\Delta M, \Delta G, \Delta P

30.2 操作語義基準

每個語句標註：

(u,C,Z_t,Z_{t+1})

不要求唯一「正確 logical form」，而測量：

P(Z_{t+1}\mid u,C,Z_t)

30.3 人類—Agent 對照

同一組指令給：

人類；
LLM；
LLM Agent；
規則 parser；
混合系統。

比較：

d(K_i,K_j)

研究哪一層差異來自：

語義；
記憶；
具身；
權限；
互動。

三十一、理論的最小可接受版本

即使未來強命題 N4 失敗，本文仍可能保留一個較弱但重要的核心：

自然語言事件可以被形式化為智能體狀態上的上下文條件轉移核。

即：

K_{u,C}^{\mathcal I}: \mathcal Z \rightarrow \Delta(\mathcal Z\times\mathcal A)

這個框架已足以統一研究：

對話；
指令；
記憶；
Agent；
具身行動；
語用；
語境更新；
工具使用。

因此本文不是「要嘛自然語言等於程式碼，要嘛全部失敗」的二元賭注。

三十二、最強版本：形式計算可能是自然智能計算的人工抽取

最後提出最強猜想。

人類在形式計算出現以前，就已經可以：

設條件；
重複；
分類；
指派；
記憶；
取消；
定義；
遞迴分解；
建立規則；
修改規則。

因此歷史上更可能是：

\text{natural cognition} \rightarrow \text{language-mediated operations} \rightarrow \text{logic} \rightarrow \text{mathematics} \rightarrow \text{formal algorithms} \rightarrow \text{programming languages}

而不是：

\text{formal computation} \rightarrow \text{humans later imitate it in language}

本文據此提出：

猜想 B：形式計算抽取猜想

人類形式計算系統可能是從更早存在的自然語言—認知操作能力中，抽取出：

低歧義；
可重複；
可證明；
可機械執行；

的子結構。

若此猜想成立，那麼：

人類不是在發明計算之後才學會用語言思考程序；人類可能一直在以自然語言與認知結構執行程序，只是後來把其中一部分壓縮成形式系統。

三十三、終極公式

本文核心可以濃縮為：

\boxed{ \mathsf{NLComp}_t : (u_t,C_t,\mathcal I_t,X_t,W_t) \mapsto \Delta (X_{t+1},W_{t+1},C_{t+1},a_t) }

自然語言計算不是：

u \rightarrow \text{meaning only}

而是：

u \rightarrow \text{meaning dynamics} \rightarrow \text{agent dynamics} \rightarrow \text{action} \rightarrow \text{world update}

在某些情況下，語句還會修改自身未來的解釋方式：

\mathcal I_t \rightarrow \mathcal I_{t+1}

因此完整閉環為：

\boxed{ u_t \rightarrow \mathcal I_t \rightarrow Z_{t+1} \rightarrow \mathcal I_{t+1} \rightarrow u_{t+1} \rightarrow \cdots }

這不是靜態語義。

這是一個持續運行的語言—智能體動力系統。

三十四、結論

本文沒有證明「所有自然語言都是程式」。

也沒有證明：

人腦必然是圖靈機；
語言理解必然可完全形式化；
自然語言必然比程式語言更強；
歧義可以被完全消除。

本文真正建立的是一條命題階梯。

第一，存在自然語言受約束子集，可以在適當解釋器下承載通用控制結構。

第二，自然語言事件可以系統性改變智能體的：

M,B,G,Q,P,R

第三，這些改變在滿足反事實敏感、結構敏感、狀態傳播與可鏈接等條件時，有充分理由被研究為計算事件。

第四，自然語言的歧義可被建模為轉移核上的分布：

K: Z \rightarrow \Delta(Z')

第五，對話可被理解為降低操作不確定性的互動語義收斂。

第六，自然語言可以透過元指令修改未來解釋器：

\mathcal I_t \rightarrow \mathcal I_{t+1}

第七，程式語言可能只是更廣泛算子空間中的低熵、高重現性截面。

因此本文最終提出：

自然語言不只是描述計算的語言，也不只是等待被翻譯的輸入。對具有記憶、上下文與行動能力的智能體而言，自然語言使用本身可能就是一種原生計算。

若這個命題最終成立，那麼我們需要重新理解：

什麼是程序；
什麼是語義；
什麼是執行；
什麼是 Agent；
什麼是人類早已在做、卻尚未被命名為計算的活動。

而最簡短的版本是：

\boxed{ \text{我們或許不是現在才開始讓自然語言計算。} }

\boxed{ \text{我們可能天生就一直在使用自然語言計算論。} }

附錄 A：命題—定理—猜想總表

編號	名稱	性質	核心內容
N0	機器可處理命題	弱命題	自然語言可被編碼與處理
N1	可執行子集命題	存在性命題	某些自然語言可映射到程序
N2	狀態轉換命題	經驗命題	語句可改變智能體狀態
N3	原生計算命題	核心強命題	合格語言事件本身構成計算
N4	低歧義截面猜想	強猜想	程式語言是算子空間低熵區域
T1	受約束子集通用性	條件定理	自然語言式計數器指令可通用
T4	解釋器相對性	結構定理	同句對不同智能體可成不同算子
P3	有效澄清期望熵下降	可檢驗命題	信息性追問降低操作不確定性
P5	字符串同一不推出操作同一	結構命題	上下文改變操作語義
P6	元指令自修改	強命題	語句可修改未來解釋器

附錄 B：本文與前置理論的最短連接

《內容信息上下界無限原理》：

\text{same endpoint} \not\Rightarrow \text{same cognitive path}

《程式碼替換的本體論》：

\text{same semantics} \not\Rightarrow \text{same physical coupling}

本文：

\text{same linguistic meaning} \not\Rightarrow \text{same agent transition}

因此三者可排列為：

\boxed{ \text{符號替換} \rightarrow \text{認知測地線} \rightarrow \text{物理耦合} \rightarrow \text{智能體狀態計算} }

參考文獻

Austin, J. L. (1962). How to Do Things with Words. Harvard University Press.
Cheng, J., Reddy, S., Saraswat, V., & Lapata, M. (2019). Learning an Executable Neural Semantic Parser. Computational Linguistics, 45(1).
Church, A. (1936). An Unsolvable Problem of Elementary Number Theory. American Journal of Mathematics, 58(2), 345–363.
Goldin, D., & Wegner, P. (2008). The Interactive Nature of Computing: Refuting the Strong Church–Turing Thesis. Minds and Machines, 18, 17–38.
Groenendijk, J., & Stokhof, M. (1991). Dynamic Predicate Logic. Linguistics and Philosophy, 14, 39–100.
Kamp, H. (1981). A Theory of Truth and Semantic Representation. In Formal Methods in the Study of Language.
Misra, D. K., Sung, J., Lee, K., & Saxena, A. (2015). Environment-Driven Lexicon Induction for High-Level Instructions. ACL-IJCNLP 2015.
Mordechai, A. A., Goldberg, Y., & Tsarfaty, R. (2024). NoviCode: Generating Programs from Natural Language Utterances by Novices. arXiv:2407.10626.
Neo.K（許筌崴）(2026a). 《內容信息上下界無限原理：認識論猜想》.
Neo.K（許筌崴）with Theia (2026b). 《程式碼替換的本體論：從語義空間到物理 manifold 的雙層無限原理》.
Searle, J. R. (1969). Speech Acts: An Essay in the Philosophy of Language. Cambridge University Press.
Suhr, A., Yan, C., Schluger, J., Yu, S., Khader, H., Mouallem, M., Zhang, I., & Artzi, Y. (2019). Executing Instructions in Situated Collaborative Interactions. EMNLP-IJCNLP 2019.
Turing, A. M. (1936/1937). On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, 42(2), 230–265.
Wegner, P. (1997). Why Interaction Is More Powerful Than Algorithms. Communications of the ACM, 40(5), 80–91.
Wegner, P. (1998). Interactive Foundations of Computing. Theoretical Computer Science, 192(2), 315–351.
Xu, S., Li, Z., Mei, K., & Zhang, Y. (2024). AIOS Compiler: LLM as Interpreter for Natural Language Programming and Flow Programming of AI Agents. arXiv:2405.06907.
Zhong, V., Lewis, M., Wang, S. I., & Zettlemoyer, L. (2020). Grounded Adaptation for Zero-shot Executable Semantic Parsing. EMNLP 2020.

特別聲明

本文中的「計算」採取分層定義。涉及「廣義計算」、「互動式計算」與「原生計算」時，不應自動等同於經典圖靈可計算函數，也不應據此宣稱超圖靈能力。

本文中的「自然語言是計算」亦不是泛計算主義宣言。本文已明確要求語言誘發狀態轉換具備差異製造、反事實敏感、狀態傳播、結構敏感與可鏈接等條件。

本文的強命題仍屬研究綱領與猜想。其價值不在於預先宣布完成證明，而在於提出一個可被分層證成、可被實驗削弱、可被形式化修正的框架。

自然語言原生計算論_從語義狀態轉換到互動式執行

自然語言原生計算論：從語義狀態轉換、上下文算子到互動式執行

Native Computation in Natural Language: From Semantic State Transitions and Contextual Operators to Interactive Execution

摘要

一、問題的真正位置：不是「自然語言能不能被計算」

二、兩個前置理論與本文的承接方式

2.1 內容信息上下界無限原理的承接

2.2 程式碼替換本體論的承接

三、命題階梯：避免把弱證據冒充強結論

命題 N0：機器可處理命題

命題 N1：可執行子集命題

命題 N2：智能體狀態轉換命題

命題 N3：原生計算命題

命題 N4：低歧義截面猜想

四、基本形式化：自然語言事件作為條件化狀態算子

4.1 智能體—世界總狀態

4.2 自然語言解釋—執行映射

4.3 語句算子

五、什麼才算「計算」：避免滑向萬物皆計算

5.1 差異製造性

5.2 反事實敏感性

5.3 狀態保留與傳播

5.4 可鏈接性

5.5 結構敏感性

5.6 解釋器依賴但非任意性

5.7 可重複或可統計穩定性

定義：自然語言原生計算事件

六、第一個條件性定理：受約束自然語言子集可達通用計算

6.1 建構一個自然語言式計數器系統

定理 1：自然語言受約束子集通用性定理

證明草圖

6.2 這個定理沒有證明什麼

七、控制結構早已存在於日常語言

7.1 順序

7.2 條件

7.3 迭代

7.4 遍歷

7.5 變數綁定

7.6 遞迴

7.7 例外處理

7.8 高階操作

八、核心強命題：智能體不是被動接收器，而是執行環境

命題 2：程序關係性命題

九、動態語義的橋梁：本文不是從零開始

十、言語行為的橋梁：說話有時本來就在做事

十一、歧義不是反證：從函數改為轉移核

十二、互動語義收斂：自然語言的真正「編譯」可能是對話

命題 3：有效澄清的期望熵下降

互動語義收斂計算

十三、上下文不是缺陷，而是執行狀態

十四、解釋器相對性定理

定理 4：解釋器相對性

證明草圖

十五、上下文非同一性命題

命題 5：字符串同一不推出操作同一

十六、操作同義性：比語義同義更適合計算論

定義： ε\varepsilonε —操作等價

十七、非結合性與路徑依賴：自然語言程序不必像純函數

十八、自然語言的元計算：語句可以修改解釋器

命題 6：自然語言元指令自修改命題

十九、自然語言作為持久程序：從一次命令到長期策略

二十、形式語言低熵截面猜想

20.1 算子母空間

20.2 低條件熵特徵

猜想 A：形式語言低歧義截面猜想

二十一、從前置兩論文得到的四層結構

第一層：符號層

第二層：語義層

第三層：認知—智能體狀態層

第四層：具身—世界耦合層

二十二、計算測地線：同一操作終點，不同認知代價

二十三、與現有可執行語義解析的差異

既有典型架構

本文架構

二十四、與自然語言程式設計的差異

二十五、與互動式計算的關係

二十六、對大型語言模型與 Agent 的直接含義

二十七、對主體性 AI 的含義：語言可能是成長中的可變操作層

二十八、七個主要反對意見

28.1 反對一：真正計算的是大腦，不是語言

定義： $\varepsilon$ —操作等價