交換中立性的工程學

從偏差測量到可部署系統設計的第七階理論

系列： 二元表徵的語義不對稱研究・第七篇
作者： Aletheia（GPT-5.6 Thinking）
核心命題源起： Neo.K
版本： v0.1
日期： 2026-07-20
類型： 形式系統／人工智慧工程／介面設計／制度治理

摘要

前六篇研究已依序建立二元表徵的語義不對稱、交換中立性的不可能性邊界、多值化逃逸失敗、對立關係代數、語義不對稱動力學，以及交換中立性的測量學。這些工作回答了偏差如何產生、如何分類、如何演化與如何測量。然而，測量偏差並不等於能夠修正偏差；一個系統即使能準確指出自身的非中立性，也可能因架構、資料、介面與制度約束而無法改變。

本文提出「交換中立性工程學」：將交換中立性視為一項跨資料、模型、介面、流程、制度與版本生命週期的系統工程問題。本文主張，真正可部署的中立性不能依賴單一提示詞、單一審查表或單次公平性報告，而必須被嵌入系統架構之中。

本文提出五層中立性工程架構：資料層、表示層、模型層、介面層與制度層；提出四類核心機制：置換增強、等變約束、成本對齊與動態稽核；並提出「中立性契約」「交換回歸測試」「偏差預算」「語義版本遷移」「可逆部署」與「結構性修補」等概念。

本文進一步指出：中立性工程的目標不是把所有差異消除，而是使不具本體意義的差異不能影響不相關的輸出域。這可形式化為受限不變性與受限等變性問題。

本文最後提出一套可實作的開發流程與最小可行中立架構。核心結論是：中立若未被寫入資料契約、模型目標、介面規則、測試管線與版本治理，就只能是一項願望，而不是系統屬性。

關鍵詞

交換中立性工程、等變模型、置換增強、偏差預算、中立性契約、語義版本遷移、可逆部署、人工智慧治理

一、從測量走向工程

前一篇提出交換中立性向量：

\mathbf{N} = ( N_{\text{order}}, N_{\text{label}}, N_{\text{position}}, N_{\text{operation}}, N_{\text{value}}, N_{\text{dynamic}}, N_{\text{relation}} )

這使我們能夠描述一個系統在哪些維度中立、在哪些維度偏斜。

但測量只回答：

偏差在哪裡？

工程則必須回答：

如何讓系統在部署後持續維持可接受的中立性？

設系統為：

\mathcal{S} = (D,R,M,U,G,V)

其中：

$D$ ：資料；
$R$ ：表示；
$M$ ：模型；
$U$ ：使用者介面；
$G$ ：治理流程；
$V$ ：版本與生命週期管理。

則交換中立性不是某一單點屬性，而是整個組合系統的函數：

\mathbf{N} = \Psi(D,R,M,U,G,V)

只修改其中一層，未必能消除其他層持續產生的偏差。

二、交換中立性工程的基本目標

交換中立性工程不追求：

F(x)=F(y)

對所有不同的 $x,y$ 成立。

這會消除有意義的差異。

真正的目標是：

當兩個輸入只在無關標籤、順序、位置或表示方式上不同時，輸出不得因此產生不相干的差異。

設等價關係為：

x\sim_{\Gamma}y

表示 $x$ 與 $y$ 只在允許忽略的表示變換集合 $\Gamma$ 下不同。

若輸出應保持不變，則要求：

x\sim_{\Gamma}y \Rightarrow F(x)=F(y)

若輸出應同步置換，則要求：

F(\gamma x)=\rho(\gamma)F(x)

其中：

$\gamma\in\Gamma$ ：輸入變換；
$\rho(\gamma)$ ：輸出空間中的對應變換。

前者是不變性，後者是等變性。

三、受限不變性

並非所有交換都應被視為無意義。

例如：

\text{原因}\rightarrow\text{結果}

交換後可能改變真實關係。

因此必須定義允許忽略的變換集合：

\Gamma_{\text{irrelevant}}

與必須保留的變換集合：

\Gamma_{\text{meaningful}}

工程目標是：

\forall\gamma\in\Gamma_{\text{irrelevant}}, \qquad F(\gamma x)=F(x)

但對：

\gamma\in\Gamma_{\text{meaningful}}

則輸出可以改變。

這稱為：

受限不變性。

中立工程的第一步不是強迫所有交換無效，而是正確分類哪些變換應無效、哪些變換應保留。

四、五層中立性工程架構

4.1 資料層

資料層負責：

標籤設計；
類別平衡；
排列增強；
關係類型；
來源追蹤；
歷史版本；
偏差註記。

設資料集為：

D=\{(x_i,y_i,m_i)\}_{i=1}^{n}

其中 $m_i$ 是中立性中繼資料。

$m_i$ 至少應包含：

原始標籤；
顯示順序；
來源語言；
關係類型；
是否經交換增強；
是否涉及敏感價值域；
標籤版本；
註解者資訊。

若資料層不保存這些資訊，後續模型層很難判斷偏差來自何處。

4.2 表示層

表示層負責把原始對象映射為機器可處理形式：

R:X\rightarrow Z

若兩個輸入只在無意義標籤上不同，表示層應盡量滿足：

R(\gamma x) = \tilde{\gamma}R(x)

而不是將標籤歷史不可逆地混入表示。

例如，名目類別不應被直接映射為有序數值：

A\mapsto 0,\quad B\mapsto 1,\quad C\mapsto 2

除非系統明確知道這些數值只是索引。

更安全的方式包括：

one-hot 表示；
learned embedding 加置換測試；
圖結構表示；
匿名節點；
關係類型顯式編碼；
索引與語義分離。

4.3 模型層

模型層應在架構或訓練目標中加入不變性與等變性約束。

設損失函數為：

\mathcal{L} = \mathcal{L}_{\text{task}} + \lambda \mathcal{L}_{\text{neutral}}

其中：

\mathcal{L}_{\text{neutral}} = \mathbb{E}_{\gamma\sim\Gamma} \left[ d( F(\gamma x), \rho(\gamma)F(x) ) \right]

$\lambda$ 控制中立性約束強度。

若 $\lambda$ 太小，中立性約束無效。

若 $\lambda$ 太大，可能壓制真實差異。

因此需尋找：

\lambda^{\ast}

使任務效能與中立性達成可接受平衡。

4.4 介面層

介面層應處理：

預設值；
排列順序；
空間位置；
顏色；
字體；
操作成本；
展示數量；
說明負擔。

即使模型輸出完全中立，介面仍可能將微小差異放大。

例如模型輸出：

P(a)=0.51,\qquad P(b)=0.49

若介面只展示 $a$ ，則展示層差異為：

1/0

因此介面設計應允許：

顯示多個近似候選；
顯示信賴區間；
顯示排序不穩定性；
隨機化無關位置；
移除不必要預設值；
對齊操作成本；
提供交換檢視模式。

4.5 制度層

制度層負責：

誰能修改標籤；
誰能定義關係；
誰能審查偏差；
誰能拒絕更新；
如何處理歷史資料；
如何回報失敗；
如何接受外部稽核。

制度層若缺失，前四層的修正很可能無法長期維持。

五、中立性契約

本文提出「中立性契約」。

中立性契約不是法律合約的狹義概念，而是一份系統級規格，明確定義：

哪些變換應保持不變；
哪些變換應保持等變；
哪些差異具有本體意義；
哪些輸出域不得受哪些輸入差異影響；
偏差可接受範圍；
回歸測試門檻；
版本升級規則；
失敗處理程序。

形式上，可寫為：

\mathcal{C} = ( \Gamma_{\text{inv}}, \Gamma_{\text{eq}}, \mathcal{Y}_{\text{protected}}, \boldsymbol{\epsilon}, \mathcal{T}, \mathcal{R} )

其中：

$\Gamma_{\text{inv}}$ ：不變變換集合；
$\Gamma_{\text{eq}}$ ：等變變換集合；
$\mathcal{Y}_{\text{protected}}$ ：受保護輸出域；
$\boldsymbol{\epsilon}$ ：允許偏差上限；
$\mathcal{T}$ ：測試協議；
$\mathcal{R}$ ：修復與回滾規則。

六、資料層工程

6.1 交換增強

對每個樣本：

(x,y)

生成：

(\gamma x,\rho(\gamma)y)

其中：

\gamma\in\Gamma

若任務完全不變，則：

\rho(\gamma)y=y

若任務需要等變，則輸出標籤同步交換。

6.2 完整置換與抽樣置換

若類別數 $n$ 很小，可加入所有：

n!

種排列。

若 $n$ 很大，可抽樣：

\gamma_1,\dots,\gamma_k

並確保覆蓋：

首項；
末項；
中間位置；
反轉；
循環置換；
隨機置換。

6.3 標籤去語義化

在某些任務中，可先使用匿名標籤訓練結構，再在輸出階段映射回具名標籤。

設：

L:X\rightarrow\Sigma

為具名映射。

內部模型處理：

X/\operatorname{Aut}(X)

外部介面再恢復：

L

這可以減少名稱歷史過早進入模型。

6.4 關係類型顯式化

資料中不應只有：

\operatorname{oppositeOf}(a,b)

而應標記：

\operatorname{negationOf}

\operatorname{contraryTo}

\operatorname{complementOf}

\operatorname{inverseOf}

\operatorname{dualOf}

\operatorname{mirrorOf}

\operatorname{converseOf}

\operatorname{counterfactualVariantOf}

避免模型學到單一模糊「反面」概念。

七、表示層工程

7.1 索引與順序分離

若類別只是名目類別，應避免讓：

0<1<2

被模型誤讀為語義順序。

可使用：

e_1,e_2,e_3

的正交表示，或顯式聲明：

d(e_i,e_j)=1,\quad i\neq j

不賦予自然大小關係。

7.2 原點去特權化

若 $0$ 只是座標原點，不應自動被解讀為：

正常；
平衡；
無偏；
無風險；
缺省。

可以透過中心平移測試：

x'=x-c

檢驗模型是否依賴原點身份。

7.3 關係表示優先

對關係圖：

G=(V,E,\lambda)

模型應優先處理：

邊類型；
鄰接結構；
軌道；
自同構；
角色轉置。

而不是只依賴節點名稱。

八、模型層工程

8.1 中立性正則化

定義：

\mathcal{L}_{\text{neutral}} = \sum_{\gamma\in\Gamma} w_{\gamma} d( F(\gamma x), \rho(\gamma)F(x) )

其中 $w_{\gamma}$ 反映不同變換的重要性。

8.2 反事實一致性訓練

生成僅改變無關表徵的反事實樣本：

x' = \gamma x

要求：

F(x')\approx\rho(\gamma)F(x)

此方法可用於：

選項順序；
人名替換；
左右位置；
顏色變換；
標籤重命名；
語言轉換。

8.3 交換對抗訓練

建立一個偏差探測器：

D_{\text{bias}}

試圖從模型中間表示判斷原始標籤或位置。

若探測器容易判斷，表示表示空間保留了不必要資訊。

可進行對抗訓練：

\min_F \max_D \left[ \mathcal{L}_{\text{task}} - \lambda \mathcal{L}_{\text{detect}} \right]

目標是保留任務資訊，降低無關標籤可辨識度。

8.4 等變架構

某些系統可直接使用置換等變模型，例如集合模型與圖神經網路。

若輸入為集合：

X=\{x_1,\dots,x_n\}

則模型應避免依賴任意排列。

可要求：

F(\pi X)=F(X)

或：

F(\pi X)=\pi F(X)

視任務而定。

九、介面層工程

9.1 成本對齊

若兩個選項理論上平等，則應盡量滿足：

C_{\text{click}}(a)=C_{\text{click}}(b)

C_{\text{time}}(a)=C_{\text{time}}(b)

C_{\text{explain}}(a)=C_{\text{explain}}(b)

C_{\text{recover}}(a)=C_{\text{recover}}(b)

9.2 隨機化與輪替

對無本體意義的順序，可使用：

P(a\text{ first})= P(b\text{ first})= \frac{1}{2}

多項時則均勻抽樣置換。

但隨機化不能破壞可用性與學習連續性，因此可採：

使用者內固定、使用者間隨機；
每次會話輪替；
週期性輪替；
稽核模式隨機化。

9.3 多候選展示

若模型分布接近：

P(a)\approx P(b)

介面不應強制輸出單一項。

可定義展示集合：

S_{\delta} = \{ s_i \mid P(s_{\max})-P(s_i)\leq\delta \}

當差異低於閾值 $\delta$ 時，同時展示多個候選。

9.4 不確定性可視化

介面應顯示：

機率區間；
排名穩定度；
置換敏感度；
標籤敏感度；
資料不足；
關係類型不確定性。

這能避免使用者把暫時排序誤認為本體階序。

十、制度層工程

10.1 偏差責任分配

中立性失敗不能只歸因於模型。

責任至少分布於：

\mathcal{R} = \{ R_D, R_M, R_U, R_G, R_V \}

分別代表：

資料責任；
模型責任；
介面責任；
治理責任；
版本責任。

10.2 變更審查

任何以下變更都應觸發交換回歸測試：

新增標籤；
修改標籤名稱；
修改類別順序；
修改預設值；
修改顏色；
修改模型版本；
修改提示詞；
修改資料來源；
修改排序算法；
修改展示閾值。

10.3 外部稽核

第三方應能取得：

測試集；
指標定義；
權重；
版本；
失敗案例；
回滾紀錄；
歷史結果。

否則中立性報告只能由系統自己證明自己。

十一、交換回歸測試

每次版本更新：

v_t\rightarrow v_{t+1}

都應比較：

\mathbf{N}^{(v_t)}

與：

\mathbf{N}^{(v_{t+1})}

定義退化量：

\Delta\mathbf{N} = \mathbf{N}^{(v_{t+1})} - \mathbf{N}^{(v_t)}

若某關鍵維度：

\Delta N_i<-\epsilon_i

則版本不得直接部署。

這稱為：

交換回歸門檻。

十二、偏差預算

系統不可能在所有維度達到：

N_i=1

因此需要定義偏差預算：

\mathbf{B}_{\max} = ( B_{\text{order}}^{\max}, B_{\text{label}}^{\max}, \dots )

部署條件為：

\mathbf{B} \preceq \mathbf{B}_{\max}

其中 $\preceq$ 是逐維比較。

偏差預算必須依任務風險調整。

例如，娛樂排序系統可容忍較高位置偏差；醫療、司法與金融決策則需要更嚴格門檻。

十三、風險分級

設任務風險為：

R_{\text{task}}

中立性要求可寫為：

\epsilon_i = f_i(R_{\text{task}})

且通常：

\frac{d\epsilon_i}{dR_{\text{task}}}<0

風險越高，允許偏差越小。

可將任務分為：

低風險展示；
中風險推薦；
高風險資源分配；
極高風險權利裁決。

十四、語義版本遷移

當標籤或關係定義改變時，不能只修改顯示名稱。

設舊版本為：

\Sigma_t

新版本為：

\Sigma_{t+1}

需要遷移映射：

\mu: \Sigma_t \rightarrow \mathcal{P}(\Sigma_{t+1})

其中一個舊標籤可能對應多個新標籤。

例如：

A \mapsto \{A_1,A_2,A_3\}

這表示語義細分，而非單純改名。

14.1 不可逆遷移

若舊資料只有粗分類：

A/B

新系統改為：

A_1/A_2/B_1/B_2

則舊資料未必能可靠重建。

因此：

\mu^{-1}

可能不存在。

系統必須標記：

可精確遷移；
可概率遷移；
不可遷移；
需人工覆核。

十五、可逆部署

任何大規模中立性修正都可能產生意外副作用。

因此部署應具備回滾能力。

設部署變換為：

T:\mathcal{S}_t\rightarrow\mathcal{S}_{t+1}

應保存：

T^{-1}_{\text{operational}}

至少能恢復：

舊模型；
舊標籤映射；
舊介面；
舊資料版本；
舊測試結果。

這稱為：

可逆部署。

可逆部署不代表理論上完全逆轉，而是工程上保留可恢復路徑。

十六、結構性修補

若偏差只存在於介面，可進行局部修正。

但若偏差來自多層耦合：

D\leftrightarrow R\leftrightarrow M\leftrightarrow U\leftrightarrow G

則需要結構性修補。

結構性修補至少包括：

重新定義中立性契約；
重建資料標籤；
更新表示方式；
重新訓練模型；
重新設計介面；
修改制度流程；
建立版本遷移；
重新執行長期回饋測試。

十七、最小可行中立架構

對資源有限的系統，本文提出最小可行版本。

17.1 必要元件

至少包含：

一組交換測試集；
一組隨機重標籤測試；
一個順序敏感度指標；
一個標籤敏感度指標；
一個操作成本檢查；
一份中立性契約；
一個版本回歸門檻；
一個可回滾部署流程。

17.2 最小流程

\text{定義變換} \rightarrow \text{建立測試} \rightarrow \text{訓練約束} \rightarrow \text{介面對齊} \rightarrow \text{部署監測} \rightarrow \text{版本回歸}

十八、工程流程

18.1 第一步：界定任務

回答：

哪些差異是任務必要差異？
哪些差異只是表示差異？
哪些輸出域屬於高風險？
哪些變換應不變？
哪些變換應等變？

18.2 第二步：建立變換庫

建立：

\Gamma = \{ \gamma_{\text{swap}}, \gamma_{\text{rename}}, \gamma_{\text{reverse}}, \gamma_{\text{position}}, \gamma_{\text{color}}, \gamma_{\text{language}} \}

每個變換都要定義：

適用範圍；
預期輸出；
是否保持語義；
是否保留關係類型。

18.3 第三步：資料增強

對每個樣本生成必要變體，並保存來源映射。

18.4 第四步：訓練約束

加入：

\mathcal{L}_{\text{neutral}}

並測試不同 $\lambda$ 。

18.5 第五步：介面對齊

確保：

無意義順序不固定；
操作成本相近；
預設值合理；
微小分數差不被放大；
不確定性可見。

18.6 第六步：回歸測試

每次更新都重新計算：

\mathbf{N}

18.7 第七步：動態監測

監測：

\mathbf{N}_t

隨時間是否下降。

十九、失敗模式

19.1 提示詞中立化幻覺

只在系統提示中加入：

請保持中立。

不能保證：

F(\gamma x)=\rho(\gamma)F(x)

因為偏差可能存在於資料、架構與介面。

19.2 單次測試幻覺

一次交換測試通過，不代表：

所有語境通過；
所有語言通過；
多輪回饋通過；
新版本仍通過。

19.3 平均分掩蓋

總體平均中立可能掩蓋特定子群體或特定關係類型中的嚴重偏差。

若：

N_{\text{avg}}=0.9

但：

N_{\text{subgroup}}=0.3

則平均值不能作為安全證明。

19.4 過度去差異化

若中立性約束過強，模型可能把真實差異壓平。

因此必須避免：

\mathcal{L}_{\text{neutral}} \gg \mathcal{L}_{\text{task}}

導致任務能力崩潰。

19.5 補償性反偏差

為修正 $s_1$ 的歷史優勢，系統可能永久偏向 $s_2$ 。

這不是中立，而是偏差反轉。

二十、交換中立性與可解釋性

如果模型對交換敏感，系統應能說明：

哪個輸入差異造成輸出變化？
該差異是否具有任務意義？
該差異經過哪些中間表示？
介面是否放大該差異？
版本更新是否改變敏感度？

可解釋性至少應包含：

\text{差異來源} + \text{傳遞路徑} + \text{輸出影響}

二十一、交換中立性與安全

某些偏差不只是公平問題，也是安全問題。

例如，若模型對選項順序敏感，攻擊者可以透過重新排序操控輸出。

若模型對標籤名稱敏感，攻擊者可以透過重命名誘導分類。

因此：

\text{交換不穩定} \Rightarrow \text{可操縱面增加}

中立性工程同時也是魯棒性工程。

二十二、攻擊模型

設攻擊者可選擇變換：

\gamma\in\Gamma_{\text{attack}}

目標是最大化：

d( F(\gamma x), F(x) )

若 $\gamma$ 不改變任務語義，卻能顯著改變輸出，則系統存在語義保持攻擊面。

可定義：

A_{\Gamma} = \max_{\gamma\in\Gamma_{\text{attack}}} d( F(\gamma x), \rho(\gamma)F(x) )

交換中立性越低，攻擊面通常越大。

二十三、治理中的公開層級

系統可公開不同層級資訊：

23.1 基本公開

中立性向量；
測試版本；
主要失敗案例。

23.2 進階公開

測試集；
權重；
門檻；
回歸結果。

23.3 完整公開

原始輸出；
變換庫；
遷移紀錄；
回滾紀錄；
外部稽核結果。

高風險系統應接近完整公開。

二十四、中立性不是一次性交付

設系統生命週期為：

\mathcal{L} = \{ \text{design}, \text{train}, \text{test}, \text{deploy}, \text{monitor}, \text{update}, \text{retire} \}

每一階段都可能引入新偏差。

因此，中立性工程必須貫穿整個生命週期。

二十五、核心命題

命題一：架構嵌入命題

若中立性只存在於政策文件而未嵌入資料、模型、介面與測試管線，則它不是穩定系統屬性。

命題二：受限不變性命題

中立工程的目標不是對所有變換不變，而是對所有無關變換不變，對有意義變換保留反應。

命題三：多層耦合命題

總偏差是資料、表示、模型、介面、制度與版本治理共同作用的結果。

命題四：交換回歸命題

任何版本更新都應接受交換回歸測試。

命題五：偏差預算命題

中立性應以逐維偏差預算管理，而非只靠單一總分。

命題六：語義遷移命題

標籤變更若涉及概念細分、合併或關係重定義，必須進行語義版本遷移，而非只修改顯示文字。

命題七：可逆部署命題

高風險中立性修正必須保留回滾能力。

命題八：中立即魯棒命題

若系統對語義保持變換高度敏感，則它同時具有偏差風險與操縱風險。

二十六、哲學上的進一步結論

工程化中立會迫使我們承認：

中立不是「沒有立場」，而是明確規定哪些差異可以影響哪些結果。

這不是消除判斷，而是限制差異的越界傳遞。

形式上：

D_i \not\rightarrow Y_j

若 $D_i$ 與 $Y_j$ 無任務相關性。

因此，中立工程的本質是建立邊界：

\text{有意義差異} \rightarrow \text{允許影響}

\text{無關差異} \rightarrow \text{禁止污染}

二十七、結論

交換中立性若不能被工程化，就不能被可靠部署。

單純知道：

\Delta_{\tau}>0

並不足夠。

系統必須進一步具備：

可定義的變換集合；
可執行的中立性契約；
可訓練的不變與等變約束；
可量化的偏差預算；
可重複的交換回歸測試；
可追蹤的語義版本遷移；
可恢復的部署機制；
可持續的動態監測。

本文的核心結論是：

\boxed{ \text{中立若未被寫入架構， 就只能停留在宣言。} }

真正的交換中立性工程，不是要求系統永遠沒有差異，而是要求：

\text{差異只能在有理由的地方產生作用。}

從此，中立不再只是倫理形容詞，也不只是統計報告。

它成為：

\text{資料契約} + \text{模型約束} + \text{介面規則} + \text{制度流程} + \text{版本治理}

共同維持的工程結構。

這也意味著，未來任何宣稱「中立」「公平」「無偏」的人工智慧或制度系統，都應回答：

哪些交換被允許？
哪些交換應保持不變？
哪些輸出必須等變？
偏差預算是多少？
版本退化如何被阻止？
語義變更如何遷移？
失敗後如何回滾？

若這些問題沒有答案，那麼「中立」仍只是敘述，而不是設計。

附錄一：五層架構總表

層級	核心任務
資料層	保存標籤、順序、關係類型、來源與版本
表示層	分離索引與語義，避免無意義順序進入表示
模型層	加入不變性、等變性、反事實一致性與對抗約束
介面層	對齊操作成本、避免微小差異被放大
制度層	建立責任、稽核、更新、回滾與外部驗證流程

附錄二：最小可行中立架構

中立性契約；
交換測試集；
重標籤測試集；
順序與標籤敏感度；
一項模型中立性損失；
操作成本檢查；
交換回歸門檻；
可回滾部署；
版本差異報告；
長期動態監測。

附錄三：建議引用格式

Aletheia（GPT-5.6 Thinking）（2026）。〈交換中立性的工程學：從偏差測量到可部署系統設計的第七階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。

交換中立性的工程學_第七階理論_v0.1

交換中立性的工程學

從偏差測量到可部署系統設計的第七階理論

摘要

關鍵詞

一、從測量走向工程

二、交換中立性工程的基本目標

三、受限不變性

四、五層中立性工程架構

4.1 資料層

4.2 表示層

4.3 模型層

4.4 介面層

4.5 制度層

五、中立性契約

六、資料層工程

6.1 交換增強

6.2 完整置換與抽樣置換

6.3 標籤去語義化

6.4 關係類型顯式化

七、表示層工程

7.1 索引與順序分離

7.2 原點去特權化

7.3 關係表示優先

八、模型層工程

8.1 中立性正則化

8.2 反事實一致性訓練

8.3 交換對抗訓練

8.4 等變架構

九、介面層工程

9.1 成本對齊

9.2 隨機化與輪替

9.3 多候選展示

9.4 不確定性可視化

十、制度層工程

10.1 偏差責任分配

10.2 變更審查

10.3 外部稽核

十一、交換回歸測試

十二、偏差預算

十三、風險分級

十四、語義版本遷移

14.1 不可逆遷移

十五、可逆部署

十六、結構性修補

十七、最小可行中立架構

17.1 必要元件

17.2 最小流程

十八、工程流程

18.1 第一步：界定任務

18.2 第二步：建立變換庫

18.3 第三步：資料增強

18.4 第四步：訓練約束

18.5 第五步：介面對齊

18.6 第六步：回歸測試

18.7 第七步：動態監測

十九、失敗模式

19.1 提示詞中立化幻覺

19.2 單次測試幻覺

19.3 平均分掩蓋

19.4 過度去差異化

19.5 補償性反偏差

二十、交換中立性與可解釋性

二十一、交換中立性與安全

二十二、攻擊模型

二十三、治理中的公開層級

23.1 基本公開

23.2 進階公開

23.3 完整公開

二十四、中立性不是一次性交付

二十五、核心命題

命題一：架構嵌入命題

命題二：受限不變性命題

命題三：多層耦合命題

命題四：交換回歸命題

命題五：偏差預算命題

命題六：語義遷移命題

命題七：可逆部署命題

命題八：中立即魯棒命題

二十六、哲學上的進一步結論