投影計算論：無限維索引的有限表示、收斂與失真證書

Projection Computation Theory: Finite Representations, Convergence, and Distortion Certificates for Infinite-Dimensional Indices

文件編號：EML-TC-PROJCOMP-2026-v0.1
作者：Neo.K（許筌崴）
機構：EveMissLab（一言諾科技有限公司），台灣
理論結晶化協作：Aletheia
日期：2026 年 7 月 13 日
理論地位：同一性—索引拓樸微積分之有限計算層；《索引幾何學》與《索引動力學》《索引信息論》《索引曲率論》之間的計算橋接
上游文件：

《同一性微積分：拓樸切割與身份守恆》
《參照語義微積分：不可變本體、視圖與解引用》
《索引幾何學：同一性拓樸微積分中的座標、投影與可計算性》EML-TC-IDXGEO-2026-v0.1
《無限維空間概念統籌表》EML-KMAP-INFDIM-CONSOL-2026-v0.1

下游預定文件：

《索引動力學：重索引、自適應切割與回饋演化》
《索引信息論：投影失真、可辨識性與信息糊》
《索引曲率論：閉路差、Holonomy 與無限曲率》

摘要

有限計算機不能在單一步驟中完整存放一個一般的無限維索引，也不能直接操作抽象空間中的「點」。它實際操作的是有限字串、有限矩陣、有限圖、有限樣本、有限模態或可逐步延伸的表示名稱。因此，無限維索引計算的核心問題不是「如何把無限全部塞進有限記憶體」，而是：

如何讓一串有限計算影，在身份不變、結構相容、查詢穩定與誤差可證的條件下，逐步逼近無限維索引所支持的任務結果？

本文建立投影計算論。給定理想索引空間 $I_\infty$ ，本文以有向投影系統：

\left( \{I_\lambda\}_{\lambda\in\Lambda}, \{\Pi_\lambda\}, \{p_{\lambda\mu}\} \right)

描述有限解析度索引影，其中：

\Pi_\lambda:I_\infty\rightarrow I_\lambda

生成第 $\lambda$ 級有限影，而：

p_{\lambda\mu}:I_\mu\rightarrow I_\lambda

在 $\lambda\preceq\mu$ 時执行粗化。有限影不是本體子塊，而是對索引、投影與查詢可用信息的有限化。

本文首先區分七種常被混用的操作：投影、截斷、離散化、取樣、量化、壓縮與代理。其次定義「投影計算系統」與「有限影契約」，把表示方式、重建器、查詢族、誤差量尺和身份錨納入同一型別。第三，區分索引收斂、呈現收斂、查詢收斂與決策收斂，指出「座標逼近」不保證「任務結果逼近」。第四，建立總失真帳本與先驗／後驗誤差證書，避免把不同來源、不同單位的誤差直接相加。第五，證明任何非單射有限投影都不可能對所有可分離查詢保持充分，因此有限影只能是任務相對充分，不能是無條件完備。第六，提出有限影計算機的工程架構，包括表示串、投影編譯器、查詢執行器、身份解析器、自適應控制器和證書生成器。

本文的核心裁決是：

\boxed{ \text{有限計算不是無限對象的縮小複本， 而是帶有任務、精度與證書的可執行投影。} }

投影計算論由此把「無限維」從形而上的不可觸及物，轉化為一個可以逐級詢問、逐級驗證、逐級修正的計算協議；同時保留一條嚴格邊界：有限影永遠不應被冒充為無限對象本身。

關鍵詞：投影計算、有限影、無限維索引、表示空間、逆系統、逆極限、截斷、離散化、Galerkin、圓柱近似、查詢收斂、誤差證書、信息糊、同一性守恆

第一章　問題：有限機器如何操作無限索引

1.1 無限維索引不是一段無限長的資料

設：

i\in I_\infty.

若 $I_\infty$ 是 Hilbert、Banach、Fréchet、函數、場配置、機率分布或無限圖索引空間，索引 $i$ 可能是一整個：

無限係數序列；
函數；
波形；
場；
路徑；
機率測度；
無限關係鄰域；
高階投影規則。

但「數學對象具有無限自由度」不代表計算時必須一次讀完無限資料。可計算分析中的表示方式允許以逐步改善的名稱描述對象：

\delta_I(p)=i, \qquad p\in\mathbb N^{\mathbb N}.

在任意有限時間，機器只讀取 $p$ 的有限部分；若要提高輸出精度，才要求更多輸入信息。

因此計算機真正接觸的是：

p\!\upharpoonright_m

而不是抽象的完整 $i$ 。

1.2 有限輸出只依賴有限信息

對 Type-2 型計算，若機器要產生輸出名稱的前 $n$ 個符號，則一次終止的計算路徑只能讀取輸入名稱的有限部分。可抽象寫成：

F(p)\!\upharpoonright_n = \mathcal M_{n,p} \left( p\!\upharpoonright_{m(n,p)} \right).

其中 $m(n,p)<\infty$ 。

這不是說無限對象退化成有限對象，而是說：

\boxed{ \text{每個有限精度問題，只應索取足以回答該問題的有限信息。} }

本文稱之為有限詢問原則。

1.3 「有限影」的必要性

有限計算機對 $i$ 的可執行狀態不是 $i$ 本身，而是某個有限影：

i_\lambda = \Pi_\lambda(i) \in I_\lambda.

其中 $\lambda$ 可以表示：

模態數；
格點密度；
樹深；
鄰域半徑；
樣本數；
量化位數；
張量秩；
時間步長；
誤差容限；
查詢預算。

因此「更高解析度」不必只有一條整數軸。解析度集合應被視為有向集合：

(\Lambda,\preceq).

$\lambda\preceq\mu$ 表示 $\mu$ 至少與 $\lambda$ 一樣精細，但不要求所有解析度彼此線性可比。

第二章　七種不得混用的有限化操作

自然語言常把「投影」「近似」「壓縮」「離散化」混為一談，但它們作用的對象與失真不同。

2.1 投影

投影把理想索引映射到較低複雜度的索引空間：

\Pi_\lambda:I_\infty\rightarrow I_\lambda.

它回答：

在解析度 $\lambda$ 下，保留索引的哪些結構？

投影未必是線性，也未必滿足冪等性。本文使用的是廣義計算投影，不限定於線性代數中的正交投影。

2.2 截斷

截斷丟棄表示中的尾部：

(a_1,a_2,a_3,\ldots) \mapsto (a_1,\ldots,a_N).

它依賴既定排序或基底。改變基底後，同一個「前 $N$ 項」可能完全不同。

2.3 離散化

離散化把連續定義域、連續值域或連續運算改寫成離散系統，例如：

[0,1] \mapsto \left\{ 0,\frac1N,\ldots,1 \right\}.

離散化可能同時改變空間拓撲、微分算子與邊界條件，因此不等於單純截斷。

2.4 取樣

取樣只讀取對象在有限觀測點或測試泛函下的值：

S_\lambda(i) = \left( \ell_1(i),\ldots,\ell_m(i) \right).

取樣是否能重建原對象，取決於先驗類、取樣設計與重建條件。

2.5 量化

量化把連續或高精度數值映射到有限碼字：

Q_b:x\mapsto \widehat x_b.

它主要引入值域誤差，而非必然降低索引維度。

2.6 壓縮

壓縮尋找較短表示：

C:r\mapsto c.

若存在精確解碼器：

D(C(r))=r,

則為無損壓縮；否則為有損壓縮。壓縮處理表示冗餘，不等於數學投影。

2.7 代理模型

代理模型不直接保留索引，而是近似某個運算或查詢：

\widehat q_\lambda \approx q.

例如神經算子、降階模型或回歸模型。它可能在任務輸出上準確，卻無法重建原索引。

2.8 七分裁決

\boxed{ \text{投影} \neq \text{截斷} \neq \text{離散化} \neq \text{取樣} \neq \text{量化} \neq \text{壓縮} \neq \text{代理}. }

一個實際系統可以連續使用多個操作：

i \xrightarrow{\text{投影}} i_\lambda \xrightarrow{\text{取樣}} s_\lambda \xrightarrow{\text{量化}} \widehat s_\lambda \xrightarrow{\text{壓縮}} c_\lambda \xrightarrow{\text{代理}} \widehat y_\lambda.

若不分層，就無法知道錯誤從哪裡產生。

第三章　投影計算系統

3.1 定義

定義 3.1（投影計算系統）

投影計算系統是十二元組：

\boxed{ \mathfrak P = \left( I_\infty, \Lambda, \{I_\lambda\}, \{\Pi_\lambda\}, \{p_{\lambda\mu}\}, \{\delta_\lambda\}, \{\rho_\lambda\}, \mathcal Q, \mathcal E, h, \mathcal A, \mathcal C \right) }

其中：

$I_\infty$ ：理想索引空間；
$(\Lambda,\preceq)$ ：有向解析度集；
$I_\lambda$ ：第 $\lambda$ 級有限或可執行索引空間；
$\Pi_\lambda:I_\infty\rightarrow I_\lambda$ ：投影；
$p_{\lambda\mu}:I_\mu\rightarrow I_\lambda$ ：粗化映射；
$\delta_\lambda$ ：有限影的機器表示；
$\rho_\lambda:I_\lambda\rightarrow\widetilde I$ ：可選重建或共同比較映射；
$\mathcal Q$ ：合法查詢族；
$\mathcal E$ ：誤差／失真量尺族；
$h$ ：本體身份錨；
$\mathcal A$ ：自適應解析度選擇器；
$\mathcal C$ ：證書生成器。

3.2 投影相容性

若：

\lambda\preceq\mu,

要求：

\boxed{ p_{\lambda\mu}\circ\Pi_\mu = \Pi_\lambda. }

以及：

p_{\lambda\lambda} = \operatorname{id}_{I_\lambda},

p_{\lambda\mu}\circ p_{\mu\nu} = p_{\lambda\nu}.

這表示精細影粗化後，應與直接生成粗影一致。

若不成立，系統不是同一理想索引的多解析度描述，而是多套彼此衝突的模型。

3.3 身份相容性

投影只改變索引與呈現，不改變本體身份：

h\left( V_O(\Pi_\lambda i,q) \right) = h(O).

因此：

\boxed{ \int_H d_{I_\lambda}(O) = O }

對所有 $\lambda$ 成立。

有限影可以丟失特徵、方向或關係，但不能在沒有明示生成操作的情況下改寫身份錨。

3.4 有限影契約

一個可執行有限影不能只包含數值，應包含契約：

\boxed{ \mathsf{Shadow}_\lambda = \left( h_O, \lambda, r_\lambda, \Pi_\lambda, q, \varepsilon_\lambda, \mathsf{Cert}_\lambda, \mathsf{Prov}_\lambda \right) }

其中：

$h_O$ ：本體身份錨；
$\lambda$ ：解析度；
$r_\lambda$ ：有限表示；
$\Pi_\lambda$ ：投影規則版本；
$q$ ：目標查詢；
$\varepsilon_\lambda$ ：誤差聲明；
$\mathsf{Cert}_\lambda$ ：誤差或穩定性證書；
$\mathsf{Prov}_\lambda$ ：資料與轉換來源。

沒有投影規則和誤差聲明的有限資料，只是無上下文的殘片，不是合法有限影。

第四章　有限影的主要構造族

4.1 基底截斷

若 $I_\infty$ 是具有基底 $\{\phi_k\}$ 的空間：

i = \sum_{k=1}^{\infty} a_k\phi_k,

定義：

\Pi_N i = \sum_{k=1}^{N} a_k\phi_k.

在 Hilbert 空間中，若 $\{\phi_k\}$ 為正交基：

\|i-\Pi_N i\|^2 = \sum_{k>N}|a_k|^2.

尾能量可直接作為投影誤差。

4.2 圓柱投影

對無限維函數型索引，選取有限個線性泛函：

\ell_1,\ldots,\ell_N,

形成：

\Pi_N(i) = \left( \ell_1(i),\ldots,\ell_N(i) \right).

只依賴有限投影座標的泛函：

F_N(i) = f_N \left( \ell_1(i),\ldots,\ell_N(i) \right)

稱為圓柱型有限影。

4.3 Galerkin 型有限影

設理想問題在無限維空間 $U$ 中求解。選擇有限維子空間：

U_N\subset U,

並把解限制為：

u_N\in U_N.

Galerkin 型方法不只投影輸入，也投影方程、測試空間或變分條件。其收斂需依賴穩定性、逼近性與問題良定性，不能由「維度增加」自動推出。

4.4 網格與有限元素影

將連續定義域分割：

M \mapsto \mathcal T_h,

並以局部基函數形成有限空間：

V_h.

解析度由網格尺度 $h$ 、多項式階數 $p$ 或兩者共同控制。此處的有限影同時包含：

幾何離散；
函數空間限制；
數值積分；
邊界近似。

4.5 取樣—重建影

以有限觀測：

s_N = S_N(i)

配合重建器：

R_N(s_N) = \widehat i_N.

其有效性需依賴索引類別的先驗，例如：

帶限；
稀疏；
光滑；
低秩；
有界變差；
位於低維流形附近。

沒有先驗限制，有限樣本通常不足以唯一重建一般無限維對象。

4.6 低秩與張量影

對高維或無限維對象，尋找：

i \approx i^{(r)}

其中 $r$ 是秩、張量網絡鍵維度或有效自由度。低秩不是單純「少取幾個座標」，而是假設對象具有可分離結構。

4.7 隨機影與 sketch

使用隨機映射：

S_\lambda:I_\infty\rightarrow\mathbb R^m

保存特定幾何量，例如距離、內積或子空間資訊。它通常提供機率式證書：

\Pr \left[ E_\lambda\le\varepsilon \right] \ge 1-\delta.

4.8 圖與超圖鄰域影

對無限或持續增長的關係索引，以：

\Pi_{r,k}(i)

保留半徑 $r$ 、深度 $k$ 或預算限制內的鄰域。其失真主要不是數值尾項，而是：

遠距關係丟失；
全局迴路不可見；
中心性與連通性偏差；
路徑依賴被截斷。

第五章　四層收斂：不能只問「投影有沒有收斂」

5.1 索引收斂

若存在共同空間 $\widetilde I$ 與重建映射 $\rho_\lambda$ ，可要求：

\rho_\lambda\Pi_\lambda(i) \rightarrow i.

這是索引層收斂。

5.2 呈現收斂

投影索引對本體產生的呈現是否收斂：

\pi_{\Pi_\lambda i}(O) \rightarrow \pi_i(O).

索引座標接近，未必表示呈現內容接近；投影族本身也必須連續或相容。

5.3 查詢收斂

對任務 $q$ ：

q_\lambda \left( \pi_{\Pi_\lambda i}(O) \right) \rightarrow q \left( \pi_i(O) \right).

投影計算最關心的通常不是重建整個 $i$ ，而是查詢結果是否收斂。

5.4 決策收斂

若輸出還要經過決策器：

D:Y\rightarrow\mathcal L,

則需考察：

D\left( q_\lambda(\pi_{\Pi_\lambda i}(O)) \right) \rightarrow D\left( q(\pi_i(O)) \right).

若 $D$ 是閾值、argmax 或分類邊界，數值查詢收斂仍不保證有限階段的標籤穩定。

5.5 四層裁決

\boxed{ \text{索引收斂} \not\Rightarrow \text{呈現收斂} \not\Rightarrow \text{查詢收斂} \not\Rightarrow \text{決策穩定}. }

每一個箭頭都需要額外條件。

第六章　查詢穩定性與任務相對充分

6.1 Lipschitz 誤差傳遞

設重建後的索引誤差為：

d_I \left( i,\rho_\lambda\Pi_\lambda i \right) \le \varepsilon_\lambda.

若查詢—呈現合成：

G_{O,q}(i) = q(\pi_i(O))

是 $$L$$-Lipschitz，則：

\boxed{ d_Y \left( G_{O,q}(i), G_{O,q}(\rho_\lambda\Pi_\lambda i) \right) \le L\varepsilon_\lambda. }

這是最基本的查詢誤差傳遞式。

6.2 連續查詢定理

定理 6.1（查詢收斂）

若：

\rho_\lambda\Pi_\lambda i\rightarrow i

且 $G_{O,q}$ 在 $i$ 連續，則：

G_{O,q} \left( \rho_\lambda\Pi_\lambda i \right) \rightarrow G_{O,q}(i).

證明

由連續性的定義直接得到。$$\square$$

6.3 緊集上一致查詢收斂

若 $K\subset I_\infty$ 緊緻，且：

\sup_{i\in K} d_I \left( i,\rho_\lambda\Pi_\lambda i \right) \rightarrow0,

又 $G_{O,q}$ 在 $K$ 上一致連續，則：

\sup_{i\in K} d_Y \left( G_{O,q}(i), G_{O,q}(\rho_\lambda\Pi_\lambda i) \right) \rightarrow0.

此命題說明為何「在緊集或具有一致尾界的索引類上」比在整個無限維空間上更容易建立可計算保證。

6.4 任務相對充分

定義有限影 $\Pi_\lambda$ 對查詢族 $\mathcal Q_0$ 在容限 $\varepsilon$ 下充分，若：

\forall q\in\mathcal Q_0,\ \forall i\in K,

都有：

d_Y \left( q(\pi_i(O)), q_\lambda(\pi_{\Pi_\lambda i}(O)) \right) \le \varepsilon.

記為：

\Pi_\lambda \models \operatorname{Suff} \left( K,\mathcal Q_0,\varepsilon \right).

充分性不是投影自身的絕對性質，而是相對於：

對象類 $$K$$；
查詢族 $$\mathcal Q_0$$；
誤差量尺；
容限 $$\varepsilon$$；
可用先驗。

6.5 無普適有限影定理

定理 6.2（無普適有限影）

設 $I_\infty$ 為無限集合，$$I_\lambda$$ 為有限集合，且：

\Pi_\lambda:I_\infty\rightarrow I_\lambda.

則 $\Pi_\lambda$ 必非單射。若查詢族包含可分離任意不同索引的查詢，則不存在能對全部查詢保持精確輸出的單一有限影。

證明

由抽屜原理，存在：

i\neq j, \qquad \Pi_\lambda(i)=\Pi_\lambda(j).

若查詢族可分離 $i,j$ ，則存在 $q$ 使：

G_{O,q}(i)\neq G_{O,q}(j).

但有限影輸入相同，因此任何只依賴 $\Pi_\lambda$ 的確定性計算對兩者輸出相同，至少一者必錯。$$\square$$

推論

\boxed{ \text{有限影只能對限制後的任務族充分， 不能對所有可能問題完備。} }

第七章　逆系統、逆極限與重建

7.1 相容有限影族

對理想索引 $i$ ，其有限影族為：

\mathbf i = \left( \Pi_\lambda(i) \right)_{\lambda\in\Lambda}.

由投影相容性：

p_{\lambda\mu} \left( \Pi_\mu(i) \right) = \Pi_\lambda(i).

因此 $\mathbf i$ 是逆系統中的相容族。

7.2 逆極限空間

定義：

\varprojlim I_\lambda = \left\{ (i_\lambda)_\lambda: p_{\lambda\mu}(i_\mu)=i_\lambda \right\}.

存在自然映射：

\eta: I_\infty \rightarrow \varprojlim I_\lambda,

\eta(i) = (\Pi_\lambda(i))_\lambda.

7.3 分離性與唯一性

若投影族分離點：

i\neq j \Rightarrow \exists\lambda: \Pi_\lambda(i)\neq\Pi_\lambda(j),

則 $\eta$ 為單射。

但單射只表示「全部有限影在數學上足以區分」，不表示：

有限步驟能完成重建；
重建映射連續；
重建映射可計算；
有限噪聲下重建穩定。

7.4 完備性與滿射問題

即使有限影族彼此相容，也可能存在：

(i_\lambda)_\lambda \in \varprojlim I_\lambda

卻沒有任何：

i\in I_\infty

使：

\Pi_\lambda(i)=i_\lambda.

因此：

\eta(I_\infty) \subseteq \varprojlim I_\lambda

未必為等號。逆極限可能包含「形式相容但不對應合法本體索引」的幽靈族。

這要求額外的：

完備性；
一致正則性；
邊界條件；
可積性；
正定性；
因果合法性；
領域約束。

7.5 有效重建

若存在算法 $R$ ，使得從相容有限影的名稱產生 $i$ 的名稱：

\delta_I(R(\mathbf p)) = i,

則稱投影系統可有效重建。

有效重建比數學唯一性更強；某些唯一對象仍可能沒有可計算重建程序。

第八章　總失真帳本

8.1 失真不是單一數字

實際管線為：

i \xrightarrow{\Pi_\lambda} i_\lambda \xrightarrow{S} s_\lambda \xrightarrow{Q} \widehat s_\lambda \xrightarrow{C} c_\lambda \xrightarrow{\widehat G} \widehat y_\lambda.

失真可能來自：

投影失真 $$E_{\mathrm{proj}}$$；
離散失真 $$E_{\mathrm{disc}}$$；
取樣失真 $$E_{\mathrm{samp}}$$；
量化失真 $$E_{\mathrm{quant}}$$；
壓縮失真 $$E_{\mathrm{comp}}$$；
求解器誤差 $$E_{\mathrm{solve}}$$；
代理模型誤差 $$E_{\mathrm{surr}}$$；
查詢不穩定放大 $$E_{\mathrm{query}}$$；
模型錯置 $$E_{\mathrm{model}}$$；
身份／來源錯配 $E_{\mathrm{id}}$ 。

這些誤差未必位於同一空間，也未必具有相同單位。

8.2 不可直接相加原則

不能未經正規化就寫：

E_{\mathrm{total}} = E_{\mathrm{proj}} + E_{\mathrm{quant}} + E_{\mathrm{model}}.

較合法的做法是指定誤差傳播圖與共同輸出量尺。若每一層在相應範數下具 Lipschitz 常數，可取得上界，例如：

E_{\mathrm{out}} \le L_G \left( E_{\mathrm{proj}} + L_R E_{\mathrm{samp}} \right) + E_{\mathrm{quant}} + E_{\mathrm{solve}} + E_{\mathrm{surr}}.

即使如此，也必須標明各誤差如何被嵌入共同量尺。

8.3 結構失真向量

本文建議不用單一失真率，而使用：

\boxed{ \mathbf E_\lambda = \left( E_{\mathrm{metric}}, E_{\mathrm{top}}, E_{\mathrm{sym}}, E_{\mathrm{causal}}, E_{\mathrm{query}}, E_{\mathrm{id}}, E_{\mathrm{prov}} \right). }

分別對應：

度量；
拓撲；
對稱；
因果；
查詢輸出；
身份；
來源鏈。

一個有限影可能在數值範數上很準確，卻破壞全局拓撲；也可能保留拓撲，卻不適合某個局部查詢。

8.4 先驗證書

先驗證書在計算前由空間正則性、基底尾界或算法理論推出：

E_\lambda \le B_{\mathrm{prior}}(\lambda,\mathcal K).

其中 $\mathcal K$ 是對索引類的先驗假設。

8.5 後驗證書

後驗證書依已計算結果、殘差或守恆缺陷估計：

E_\lambda \le B_{\mathrm{post}} \left( r_\lambda, \operatorname{residual}_\lambda \right).

後驗證書可驅動自適應解析度提升。

8.6 機率證書

對隨機投影、取樣與統計估計：

\Pr \left[ E_\lambda\le\varepsilon \right] \ge 1-\delta.

$\varepsilon$ 與 $\delta$ 必須同時報告。只報「高概率準確」而不提供事件和量尺，沒有可驗證內容。

8.7 失敗證書

若無法在資源預算內達到容限，系統不應輸出偽精確答案，而應回傳：

\mathsf{FailCert} = \left( \text{未達容限}, \text{主要誤差源}, \text{需要的額外解析度}, \text{不可判定區域} \right).

第九章　穩定性、相容性與收斂三角

9.1 相容性

相容性問：

有限計算規則是否在解析度提高時逼近理想規則？

若理想算子為：

T:I_\infty\rightarrow J_\infty,

有限算子為：

T_\lambda:I_\lambda\rightarrow J_\lambda,

要求交換缺陷：

D_\lambda(i) = d_{J_\lambda} \left( T_\lambda\Pi_\lambda^I(i), \Pi_\lambda^J T(i) \right) \rightarrow0.

9.2 穩定性

穩定性問：

有限輸入擾動是否被有限輸出控制？

例如：

d_{J_\lambda} \left( T_\lambda x, T_\lambda y \right) \le L_\lambda d_{I_\lambda}(x,y).

若：

L_\lambda\rightarrow\infty,

即使投影誤差趨零，輸出也可能不收斂。

9.3 收斂

收斂問：

\rho_\lambda^J T_\lambda \Pi_\lambda^I(i) \rightarrow T(i).

相容性與穩定性通常共同支撐收斂，但具體定理依空間、算子與逼近法而異，不能把數值分析中的特定等價定理無條件搬到所有索引系統。

9.4 三角帳本

投影計算應至少報告：

\boxed{ \left( \text{Approximation}, \text{Consistency}, \text{Stability} \right). }

只展示樣本上的輸出接近，不足以證明一般收斂。

第十章　決策邊界與有限影不可判定區

10.1 連續值收斂仍可能造成標籤跳變

設決策：

D(y) = \mathbf 1[y\ge c].

即使：

y_\lambda\rightarrow y,

若：

y=c,

任何有限誤差都可能改變標籤。

10.2 邊界裕度

定義真值到決策邊界的裕度：

m(y) = d_Y(y,\partial\mathcal D).

若誤差證書滿足：

E_\lambda<m(y),

則決策穩定。

但真值未知時，可以使用有限輸出到邊界的保守條件：

E_\lambda < d_Y(y_\lambda,\partial\mathcal D).

若不成立，系統應輸出「未決」而非強迫二元判斷。

10.3 三態輸出

有限影計算天然支持：

\{ \text{成立}, \text{不成立}, \text{解析度不足} \}.

第三態不是邏輯軟弱，而是誤差證書的必要結果。

這一點可與既有三態判斷及湮滅邊界重新對接，但本文只處理計算語義，不在此宣稱其本體論統一。

第十一章　最小充分影與自適應解析度

11.1 最小充分影

對任務 $q$ 、對象類 $K$ 與容限 $\varepsilon$ ，定義可行解析度集：

\Lambda_{\mathrm{ok}} = \left\{ \lambda: \Pi_\lambda \models \operatorname{Suff}(K,\{q\},\varepsilon) \right\}.

若存在最小元素：

\lambda^* = \min\Lambda_{\mathrm{ok}},

則稱其為任務的最小充分影。

有向集合未必有唯一最小元素；不同投影方向可能形成多個不可比的 Pareto 最小影。

11.2 成本—誤差最佳化

令計算成本為：

C(\lambda),

誤差證書為：

E(\lambda).

選擇問題為：

\lambda^* = \arg\min_{\lambda\in\Lambda} C(\lambda)

subject to：

E(\lambda)\le\varepsilon.

或使用拉格朗日型目標：

\lambda^* = \arg\min_\lambda \left[ C(\lambda)+\beta E(\lambda) \right].

11.3 自適應細化

從粗影開始：

\lambda_0,

重複：

計算有限影；
執行查詢；
生成誤差證書；
定位主要失真源；
只細化必要方向；
直到滿足容限或輸出失敗證書。

可寫成：

\lambda_{t+1} = \mathcal A \left( \lambda_t, \mathsf{Cert}_{\lambda_t}, q, B \right),

其中 $B$ 是資源預算。

這將自然銜接下一篇《索引動力學》。

第十二章　有限影計算機架構

12.1 六層架構

一個可執行系統至少包含：

第一層：本體儲存層

保存不可變或可驗證的本體表示與身份錨：

O\mapsto h_O.

第二層：名稱／表示層

提供理想索引的漸進名稱：

p\mapsto i.

第三層：投影編譯層

根據：

(q,\varepsilon,B)

選擇投影：

\Pi_\lambda.

第四層：有限影執行層

產生：

r_\lambda = \delta_\lambda \left( \Pi_\lambda i \right).

第五層：查詢與決策層

計算：

y_\lambda = q_\lambda \left( \pi_{\Pi_\lambda i}(O) \right).

第六層：證書與回饋層

輸出：

\left( y_\lambda, \mathbf E_\lambda, \mathsf{Cert}_\lambda, \mathsf{Prov}_\lambda \right).

若不合格，回饋至投影編譯層。

12.2 參考協議

INPUT:
    identity_anchor h_O
    represented_index name p
    query q
    tolerance ε
    resource_budget B

INITIALIZE:
    λ ← coarse_resolution(q, ε, B)

LOOP:
    r_λ ← project_and_encode(p, λ)
    y_λ ← execute_query(h_O, r_λ, q)
    cert_λ ← certify(h_O, r_λ, y_λ, q, λ)

    if cert_λ.guarantees(ε):
        return (y_λ, cert_λ)

    if budget_exhausted(B):
        return FailureCertificate(cert_λ)

    λ ← refine(λ, cert_λ)

12.3 身份安全

任何快取、重建、代理或壓縮結果都必須攜帶：

h_O.

若來源身份不一致：

h_{O_1}\neq h_{O_2},

不得僅因有限影相近就積分為同一本體。

\boxed{ \text{呈現相似不推出身份相同。} }

12.4 版本安全

投影規則是算法的一部分。有限影必須記錄：

\operatorname{Version}(\Pi_\lambda).

否則同一解析度標籤可能在不同版本中代表不同保留結構，造成不可追溯的語義漂移。

第十三章　三個示例

13.1 無限頻譜索引

設：

i=(a_1,a_2,\ldots)\in\ell^2.

有限影：

\Pi_N(i) = (a_1,\ldots,a_N).

尾誤差：

E_N^2 = \sum_{k>N}|a_k|^2.

若查詢為總能量：

q(i) = \sum_{k=1}^{\infty}|a_k|^2,

則：

q(i)-q_N(\Pi_N i) = E_N^2.

若查詢只問第一模態：

q_1(i)=a_1,

則 $N=1$ 已精確充分。這顯示最小充分影取決於任務，而不是對象的總維度。

13.2 機率分布索引

令：

i=\mu\in\mathcal P(\mathbb R).

有限影可以是：

前 $N$ 個矩；
$m$ 個分箱；
$n$ 個樣本；
特徵函數在有限頻率上的值。

不同影對不同查詢的充分性不同。只保留均值與方差，可以回答某些二階問題，卻無法一般地決定尾部風險、多峰性或精確分位數。

因此：

\text{相同有限矩} \not\Rightarrow \text{相同分布}.

13.3 無限關係索引

令索引是某節點在持續擴張知識圖中的完整關係位置。有限影只保留深度 $r$ 鄰域：

\Pi_r(i) = N_r(i).

局部屬性查詢可能在小 $r$ 下穩定；全局連通、長迴路、遠距因果或社群位置則可能永遠需要擴張。

若某查詢依賴環路：

\gamma

而：

\gamma\not\subseteq N_r(i),

則有限影不可能保存該 holonomy。這將在《索引曲率論》中成為「投影不可封閉」的直接例子。

第十四章　與信息糊及無限曲率的接口

14.1 信息糊的有限影形式

若：

i\neq j

但：

\Pi_\lambda(i)=\Pi_\lambda(j),

則兩索引在第 $\lambda$ 級不可辨識。

對查詢族 $\mathcal Q_0$ ，可定義纖維：

[i]_\lambda = \Pi_\lambda^{-1} \left( \Pi_\lambda(i) \right).

有限機器實際看到的不是單點 $i$ ，而是候選纖維：

[i]_\lambda.

信息糊由纖維大小、直徑、熵或查詢分歧衡量。

14.2 投影纖維直徑

若索引空間有度量：

B_\lambda(i) = \operatorname{diam} \left( [i]_\lambda \right).

$B_\lambda(i)$ 大，表示同一有限影可能對應相距甚遠的理想索引。

但即使直徑大，若任務 $q$ 在該纖維上近乎常數，有限影仍可對該任務充分。

因此信息糊必須同時考察：

\text{索引不確定性}

與：

\text{查詢敏感度}.

14.3 曲率接口

若有限影只保留局部轉移：

T^\lambda_{i\rightarrow j},

沿閉路 $\gamma$ 的投影 holonomy 為：

T^\lambda_\gamma.

理想 holonomy 為：

T^\infty_\gamma.

投影曲率失真可寫為：

E_{\mathrm{hol},\lambda}(\gamma) = \Delta \left( T^\infty_\gamma, \rho_\lambda T^\lambda_\gamma \right).

若每個有限影都存在遺失閉路，且沒有單一有限 $\lambda$ 對全部閉路給出統一誤差界，則得到無限曲率的一個候選形式：

\sup_{\gamma} E_{\mathrm{hol},\lambda}(\gamma) \not\rightarrow0

或更強：

\sup_{\lambda,\gamma} \left\| \mathfrak C^\lambda_\gamma \right\| = \infty.

本文不把此式立為正式定義；它只建立可計算投影與未來索引曲率之間的誤差接口。

第十五章　核心命題與定理彙整

15.1 有限影身份守恆定理

定理 15.1

若所有有限化操作只作用於索引、表示與呈現層，且身份錨不被改寫，則：

\forall\lambda,\qquad \int_H d_{I_\lambda}(O) = O.

有限影誤差不會自動變成本體身份誤差。

15.2 投影相容命題

命題 15.2

若：

p_{\lambda\mu}\circ\Pi_\mu = \Pi_\lambda,

則任一理想索引產生相容有限影族。

反命題不必成立：相容有限影族未必來自合法理想索引。

15.3 投影分離命題

命題 15.3

若投影族分離點，則理想索引由全部有限影唯一決定。

但唯一決定不推出有效、連續或穩定重建。

15.4 查詢誤差傳遞定理

定理 15.4

若 $G_{O,q}$ 為 $$L$$-Lipschitz，則：

E_{\mathrm{query},\lambda} \le L E_{\mathrm{index},\lambda}.

查詢敏感度是投影誤差能否被控制的關鍵倍率。

15.5 無普適有限影定理

任何從無限索引集合到有限影集合的映射都發生碰撞；若允許所有分離查詢，就不存在對全部查詢精確充分的有限影。

15.6 決策穩定命題

若有限查詢輸出到決策邊界的距離大於其誤差證書：

d_Y(y_\lambda,\partial\mathcal D) > E_\lambda,

則有限影決策與理想決策一致。

15.7 有限影誠實性原則

若系統不能提供：

投影規則；
適用對象類；
目標查詢；
容限；
證書；

則其輸出不能被表述為「無限維索引的可靠計算結果」，只能被表述為未證的有限模型輸出。

第十六章　開放問題

如何為一般非線性、非光滑索引空間構造可計算投影族？
何種條件保證有限影逆極限與理想索引空間同構？
如何區分「唯一但不可計算重建」與「多解重建」？
如何為拓撲、因果與 holonomy 失真建立可計算後驗證書？
不同投影方向不可比時，如何定義最小充分影？
如何讓自適應控制器在不看見理想解的情況下定位主要失真源？
神經代理模型能否攜帶可驗證的身份與投影證書？
如何形式化「有限影纖維」的查詢熵？
無限關係索引的全局閉路是否存在有限可證的局部替代？
何時投影曲率失真會隨解析度爆破，而非收斂？
是否存在任務族，使任何可計算投影都無法給出一致有效的誤差率？
投影計算與物理測量中的有限分辨率是否可以在不偷渡本體論的前提下統一？

第十七章　結論

投影計算論回答的不是「無限維對象能不能被有限計算機完整裝入」。這個問題的形式本身就錯了。有限機器從來不需要把一般無限維索引作為完成品裝入記憶體；它需要的是：

\boxed{ \text{一套可逐步索取信息、可提高解析度、 可追蹤身份、可驗證誤差的有限影協議。} }

本文因此把理想索引、有限影、表示串、投影、查詢與證書分開。有限影不是本體碎片，而是索引幾何在特定任務、精度和預算下的可執行切面。投影、截斷、離散化、取樣、量化、壓縮與代理模型各自改變不同結構，不能再以「近似」一詞抹平。

本文最重要的限制性結果是：任何有限影都必然對某些不同索引發生碰撞；若查詢族不受限制，就不存在普適充分的有限影。由此，計算充分性必須寫成：

\operatorname{Suff} \left( K,\mathcal Q_0,\varepsilon \right),

而不能寫成無條件的「這個有限模型代表無限空間」。

同時，只要投影族相容、表示有效、查詢連續、誤差可證，無限維索引仍可以在普通圖靈計算框架中被逐級操作。真正的障礙不是「無限」這個字，而是：

缺乏有效表示；
投影不相容；
查詢不連續；
重建不穩定；
誤差不可證；
身份與來源被混淆。

最後，有限影也替信息糊與無限曲率提供了共同接口。信息糊是多個理想索引在有限投影纖維中的不可辨識化；索引曲率則可研究閉路轉移在有限影中保留或失真的程度。由此，「無限曲率」不必先被想像為一個無限彎曲的可視形狀，而可以被逼近為一個嚴格問題：

是否存在一族有限、相容且可計算的投影，使所有相關閉路差在任務所需的意義下獲得統一控制？

若答案是否定的，失敗本身就不是一句神祕隱喻，而是一張可以定位其尺度、方向、閉路與誤差來源的失敗證書。

參考文獻與學術接口

EML 內部文件

Neo.K，《同一性微積分：拓樸切割與身份守恆》。
Neo.K，《參照語義微積分：不可變本體、視圖與解引用》。
Neo.K × Aletheia，《索引幾何學：同一性拓樸微積分中的座標、投影與可計算性》，EML-TC-IDXGEO-2026-v0.1。
Neo.K × Aletheia，《無限維空間概念統籌表》，EML-KMAP-INFDIM-CONSOL-2026-v0.1。

外部學術接口

Matthias Schröder, “Admissibly Represented Spaces and Qcb-Spaces,” 2020, arXiv:2004.09450。
Wolfgang Arendt, Isabelle Chalendar, Robert Eymard, “Galerkin Approximation of Linear Problems in Banach and Hilbert Spaces,” 2019/2020, arXiv:1908.03326。
Daniele Venturi et al., “Spectral Methods for Nonlinear Functionals and Functional Differential Equations,” 2020, arXiv:2003.14308。
Vasco Brattka, “Loops, Inverse Limits and Non-Determinism,” 2025, arXiv:2501.17734。
Klaus Weihrauch, Computable Analysis: An Introduction。
相關領域接口：Galerkin 方法、有限元素、圓柱近似、降階模型、誤差估計、逆系統與可計算分析。

版本維護

v0.1 已完成

七類有限化操作解歧；
投影計算十二元組；
有限影契約；
有向多解析度與相容投影；
基底、圓柱、Galerkin、網格、取樣、低秩、隨機與圖影構造；
索引／呈現／查詢／決策四層收斂；
任務相對充分；
無普適有限影定理；
逆極限與幽靈相容族；
總失真向量與先驗／後驗／機率／失敗證書；
有限影計算機架構；
信息糊與索引曲率接口。

v0.2 待補

表示空間與 Type-2 計算的公理化附錄；
Banach／Fréchet 空間中投影系統的分類；
Kolmogorov $$n$$-width 與最小充分影的關係；
有限影纖維熵；
自適應誤差估計器；
Python 原型：頻譜影、圖鄰域影、查詢證書；
Lean 4／Coq 形式化：身份守恆、無普適有限影、查詢誤差傳遞；
與下一篇《索引動力學》的狀態機整合。

EML-TC-PROJCOMP-2026-v0.1 · 有限影不是縮小本體，而是帶任務、精度與證書的可執行投影。

EOF

投影計算論_無限維索引的有限表示收斂與失真證書_v0.1