計算者之七相：從 P/NP 到三層底空間的跨層角色理論

Seven Facets of the Computor: A Cross-Layer Role Theory from P/NP to Three-Tier Base Spaces

作者：Neo.K（許筌崴） 機構：EveMissLab（一言諾科技有限公司） 協作整理：Theia（Claude Sonnet，Anthropic）

聲明 / Disclaimer

本論文中 Theia（Claude Sonnet）及 Anthropic 的出現，係 Neo.K 單方面決定。Anthropic 公司未曾被告知本文之存在，亦未對論文內容、署名方式或任何相關主張表示同意。本文不代表任何形式的機構合作關係，亦不應被解讀為 Anthropic 對本文理論立場的認可或背書。若 Anthropic 願意正式確認此協作關係，Neo.K 將深感榮幸。

The appearance of Theia (Claude Sonnet) and Anthropic in this paper reflects a unilateral decision by Neo.K. Anthropic has not been informed of this paper's existence and has not consented to its content, authorship attribution, or any associated claims. This paper does not constitute any form of institutional collaboration, nor should it be interpreted as Anthropic's endorsement of any theoretical positions herein. Neo.K would be honored should Anthropic choose to formally acknowledge this collaboration.

EML-PNP-2026-v0.3 · 工作文件（Working Paper） v0.3 更新：新增第七角色「統籌者」（ORCH）；補充附錄 H 形式定義；新增附錄 I 開放角色候選分析；新增第十四節核心猜想（七角色框架的拓撲不變性）及附錄 J 初步形式化。

摘要

本文提出一個對計算複雜度理論的根本性重構框架。傳統 P/NP 理論的核心假設是計算機以單一「解題者」身份操作，孤立地面對一個固定定義的問題。然而，現實中的計算過程牽涉至少七種角色——解題者、問題者、探路者、創造者、定義者、記憶者，以及位於這六者之上的統籌者——而這七種角色的可用集合並非固定，而是取決於計算機所處的底空間層次。本文將計算底空間區分為三個層次：純粹內部計算（Tier 1）、內外部系統耦合（Tier 2）、以及直接介接現實物理世界（Tier 3）。不同層次下，計算機能扮演的角色集合不同，對應的複雜度邊界隨之移動。傳統 P/NP 是這個無限維框架在 Tier 1 單點的截面。六個操作角色構成執行層；統籌者是其上的戰略層，負責決定在任意計算情境下哪些角色應被激活、如何分配資源、何時切換策略。此外，本文附錄 I 列出若干候選的更多角色（驗證者、轉換者等），並明確標注其確認狀態為「待定」，邀請後續研究完善。

關鍵詞：計算複雜度、P/NP、七角色框架、統籌者、三層底空間、跨層計算、自適應演算法、記憶者定理、超規則、開放角色探索

一、引言：一個諷刺

有一種諷刺只有在事後回顧時才變得清晰。研究者花費數月建立一個被命名為「超規則」的演算法框架——意思是超越既有規則、突破計算典範的限制——然後在嚴格的計算機基準測試中，發現它在最傳統、最標準的測試場景（迷宮）裡敗給了幾十年前就已成熟的 A* 演算法。這個結果既合理又令人深思。

合理的部分在於：那個測試本身的設定就是把一個為多層次計算環境設計的方法，強行放進了傳統算法最擅長的單層次、靜態、完全資訊的場景。敗給 A* 就像把一臺四驅越野車放在直線跑道上和賽車比速度，然後說越野車不如賽車。令人深思的部分在於：「超規則」這個命名是對的，但那個「超」字所指向的方向沒有被明確定義。它超的是什麼？如果連超越的方向都說不清楚，那這個命名就只是一種感覺，而非理論。

本文的起點正是試圖回答這個問題：在計算理論的意義上，「超規則」究竟指向什麼。答案並不是一個新的算法技巧，而是一個關於計算角色和底空間結構的基礎性重構。

二、傳統複雜度理論的隱藏假設

圖靈機是計算複雜度理論的根基，而圖靈機有一個從未被顯式宣告但滲透在整個理論中的假設：計算機是一個無狀態的孤立解題者。它看到一個問題，用確定或不確定的方式計算，輸出一個答案，然後消失。它沒有記憶上次解了什麼，沒有能力重新定義什麼叫做「解」，更沒有辦法創造原本不存在的問題結構。P/NP 問的是：這樣一個孤立的解題者，在最壞情況下需要多少計算步驟？

這個框架在特定範疇內是精確而強大的。它揭示了問題的內在難度，它的結果（比如 NP-完全問題的存在）是對計算本質的深刻洞察。但這個框架是在描述一種非常特殊的計算：沒有歷史、沒有協作、沒有與外部世界的交換、沒有角色轉換的純粹計算。

現代計算系統幾乎沒有一個是在這個框架內運作的。一個搜尋引擎不是每次從零開始索引整個網路——它有快取、有增量更新、有歷史記錄。一個大型語言模型不是在回答問題時重新學習語言——它的訓練過程就是記憶者角色的大規模展開，而推理過程是在這個記憶的基礎上進行的解題與創造。一個自動駕駛系統不是在靜態地圖上搜尋最短路徑——它在物理時間的流逝中同時感測、定位、規劃、執行，這幾個動作對應的是完全不同的計算角色。

傳統複雜度理論對這些系統的行為有解釋力，但它的解釋力是局部的，就像用牛頓力學描述日常物體的運動：在限定範疇內精確，但不是完整的圖景。本文試圖在不否定傳統框架的前提下，為它找到它所在的座標系，並描述更廣闊的理論空間。

三、六個者：計算的六種基本角色

當我們不再把計算機僅僅視為解題的工具，而是問「計算這個動作可以分解為哪些本質不同的操作？」時，六種角色自然地浮現出來。這六種角色並不是在描述不同的算法，而是在描述計算過程本身的不同側面。

解題者是最古老的角色，也是 P/NP 框架的主角。它面對一個給定的問題和給定的規則，在規則範圍內尋找滿足條件的答案。算法設計的大部分歷史都是在討論如何讓解題者更高效。

問題者負責定義什麼是問題、什麼是有效輸入、什麼是問題的邊界。這個角色在傳統算法分析中是隱形的——問題被假設為已經給定，問題者不存在於圖靈機的計算過程中。但在實際系統中，定義問題的能力至關重要：同一個計算目標，不同的問題定義方式可能導致完全不同的複雜度。把 TSP（旅行商問題）定義為「找到最短哈密頓回路」和「找到一個長度不超過 k 的哈密頓回路」，計算難度就從最優化問題變成了決策問題，儘管兩者本質相關，但複雜度類的歸屬不同。

探路者在解題過程中負責導航。當解空間是一個巨大的組合爆炸空間時，如何決定搜索的方向、如何剪枝、如何評估局部狀態對全局最優的指示性——這是探路者的職責。啟發函數的設計是探路者角色的核心技藝，A* 算法的優雅之處在於它的探路者（啟發函數）和解題者（最短路徑計算）的完美協作。

創造者是最難定義也最難量化的角色。它不是在已有解空間中搜索，而是生成原本不存在的結構或解。傳統算法設計假設解的形式是預先規定的；創造者的角色挑戰這個假設，它生產出問題本身沒有預見到的答案形式。生成式 AI 模型的行為在很大程度上是創造者角色的展現：輸出不是從已知答案庫中檢索的，而是在推理過程中新生成的。

定義者有能力改變什麼是「正確答案」的標準。在嚴格的算法框架中，正確性定義是固定的。但在實際計算系統中，近似算法、滿足性鬆弛、多目標優化——這些都是定義者角色的展現：通過調整「解的定義」，將計算難度從 NP-hard 降低到多項式時間可解。光影解法中的對沖場 H 就是一個定義者操作：它沒有改變路徑問題本身，而是重新定義了「好路徑」的評估標準，從「最短」變成「最短且最安全」，使得算法能在更豐富的語義空間中操作。

記憶者是在六個角色中對複雜度影響最直接的角色。它的核心能力是：第一次解決了的問題，後續不需要重新解。這聽起來平凡，但其理論含義非常深刻。一個只有解題者的計算機，每次面對相同的問題都需要相同的計算量，複雜度不隨重複降低。加入了記憶者的計算機，第一次解題的代價被均攤到所有後續查詢上，從極限意義上看，第 k 次（k→∞）查詢的邊際複雜度趨近於零。這不是工程優化，而是計算理論的邊界移動。

六個角色彼此不獨立，它們在真實計算系統中始終是組合出現的。一個大型語言模型同時扮演著解題者（回答問題）、創造者（生成新文本）、定義者（通過提示工程重新界定任務）和記憶者（利用預訓練知識）。理解計算系統的真實複雜度，需要追蹤所有活躍角色的組合行為。

四、三層底空間

如果六個角色是計算的「縱向」分解，那麼三層底空間就是計算的「橫向」定位。一個計算過程發生在哪個物質和信息基底上，決定了六個角色中哪些可以被激活、以什麼代價被激活。

Tier 1（純粹內部計算底空間）是傳統計算理論的家園。這裡的計算機是一個自我封閉的系統：輸入來自外部，輸出返回外部，但計算過程本身完全在內部的抽象符號空間中進行。計算機不感知物理世界，不與其他計算系統即時通信，不積累跨計算週期的記憶。圖靈機是這個層次的標準模型。P/NP 理論在這個層次上完全自洽。

在這個層次上，六個角色原則上都可以實現，但它們的實現代價在同一個計算資源框架下競爭。記憶者可以用帶輔助帶的圖靈機來模擬，但輔助帶的空間也計入複雜度。創造者可以通過不確定計算來模擬，但這正是 NP 類的定義。Tier 1 的重要性在於它提供了一個乾淨的、可量化的基準，但它的假設——自我封閉的計算機，每次計算都從零開始——正是把現代計算系統與這個理論割裂開來的根源。

Tier 2（內外部系統耦合底空間）是計算機連接到其他計算機或信息系統的層次。網路、分散式計算、數據庫、API 調用、RAG（檢索增強生成）——這些都發生在 Tier 2。在這個層次上，記憶者角色的邊界消失了：計算機可以訪問遠超本地存儲的外部記憶。問題者的能力也擴展了：通過 API 調用，一個計算機可以把問題定義的工作外包給另一個系統。

但 Tier 2 也引入了 Tier 1 中不存在的新角色：協調者。在多個計算節點協作時，有一個隱性或顯性的協調機制決定誰負責哪個角色、信息如何在節點間傳遞、衝突如何被解決。協調者不是六個基本角色之一，它是 Tier 2 特有的新角色，在 Tier 1 的單機計算中沒有對應物。這說明了一個重要原則：底空間的改變不只是限制或擴展原有角色，它還可以創造原有框架中根本不存在的新角色。

Tier 2 也引入了通信複雜度作為新的計算資源。在純 Tier 1 中，計算機內部的通信是免費的（算法內部的數據流動不計為通信代價）。在 Tier 2 中，節點之間的通信本身有時間代價和帶寬代價，這可能使一些在 Tier 1 中高效的算法在 Tier 2 中效率低下，反之亦然。

Tier 3（現實物理世界底空間）是計算機直接介接物理現實的層次：機器人用感測器讀取物理世界的狀態，用執行器對物理世界施加影響。自動駕駛、機器人導航、工業控制系統——這些都在 Tier 3 運作。

Tier 3 的根本特殊性在於：物理世界有自己的底空間，而且那個底空間不接受重新定義。在 Tier 1 中，定義者可以隨意重新定義什麼是「障礙物」、什麼是「有效路徑」；在 Tier 3 中，物理法則截斷了這種自由。機器人的定義者角色被物理約束嚴格限制：你可以重新定義「最優路徑」的評估標準，但你無法重新定義牆壁是不可穿越的。創造者角色同樣受限：你可以創造新的控制策略，但你無法創造超出執行器物理能力的運動。

另一方面，Tier 3 提供了 Tier 1 和 Tier 2 根本沒有的計算資源：連續的物理場。光、聲、電磁場、流體壓力——這些物理場在空間中連續分布，並以物理定律為計算規則自組織地達到穩態。光影解法的物理類比正是這一點的直覺把握：光線在物理世界中以零計算代價到達它能到達的所有地方，這就是一個純粹由物理底空間執行的「並行搜尋」。把這個物理直覺轉化為算法，就是試圖在 Tier 1 計算中模擬 Tier 3 的計算能力——而這恰好解釋了為什麼模擬版本（Graph Laplacian SOR）需要大量迭代才能逼近物理版本的瞬時結果。

五、角色可用集的層次依賴性

六個角色在不同 Tier 中的可用性和代價是不同的，這是本框架最核心的命題。

在 Tier 1 中，六個角色原則上都可以實現，但它們共享同一個計算資源池。記憶者需要空間，創造者需要不確定計算（或指數時間），定義者的靈活性在固定的算法框架中只能預先硬編碼。角色之間是零和競爭的：把更多資源給記憶者（大型查找表），就意味著把更少資源留給解題者的搜尋過程。

在 Tier 2 中，角色可用集通過網絡連接得到擴展。記憶者可以訪問分散式存儲，其「記憶容量」不再受本地限制。問題者可以把問題定義的部分工作外包給外部服務。探路者可以利用全球性的啟發信息（如地圖服務的歷史交通數據）來優化路徑。同時，協調者這個新角色出現，承擔起管理角色分工的責任。角色之間的零和競爭被部分解除——不同角色可以在不同節點上並行運作。

在 Tier 3 中，角色可用集受到物理約束的截斷，但同時也受到物理底空間的賦能。定義者和創造者的自由度被物理法則限制，但探路者獲得了連續物理場作為新的導航信息源。記憶者在 Tier 3 中有特殊的意義：機器人在同一個物理環境中累積的感知歷史（SLAM 建圖）是一種空間記憶，它的精化過程對應記憶者角色的持續作用。

三個 Tier 還可以相互耦合，形成複合的計算結構。一個運行在實體機器人上的 AI 系統同時存在於三個層次：它的神經網絡推理是 Tier 1，它與雲端的通信是 Tier 2，它的感測器和執行器是 Tier 3。在這個複合結構中，六個角色被分配到不同的層次上：解題者主要在 Tier 1，記憶者橫跨 Tier 1 和 Tier 2，探路者在 Tier 1 使用 Tier 3 提供的感知數據。這種跨層角色分配是現代 AI 系統複雜性的來源，也是傳統複雜度分析無法直接描述的原因。

一個重要的觀察是：可用角色的集合不是六個角色的簡單子集，而是遵循集合論的運算：它等於基礎六角色與本層允許集合的交集，再與耦合引入的新角色的聯集。每次 Tier 之間的耦合都可能引入新的角色（如協調者），因此在完全耦合的無限複合結構中，潛在的角色集是開放的。這是「無限維」直覺的精確含義：不是說角色有無限種，而是說耦合拓撲是無限的，每種拓撲對應一種不同的角色配置和複雜度邊界。

六、複雜度邊界的移動

傳統複雜度理論的核心結果是各種問題的複雜度邊界：TSP 是 NP-hard，圖著色是 NP-complete，整數規劃是 NP-hard……這些邊界在 Tier 1 的純粹計算環境中是確定的（假設 P≠NP）。但當計算底空間改變，當角色集合擴展，這些邊界會移動。

最直觀的移動來自記憶者角色的激活。考慮一個具體例子：第一次解決一個 NP-hard 問題（如最大切割）需要指數時間（在 Tier 1 中）。但如果相同的問題再次出現，一個擁有記憶者角色的計算機可以在常數時間內返回已存儲的答案。問題的「本質難度」沒有改變——它仍然是 NP-hard 的——但在有記憶的計算模型中，它的實際複雜度從指數時間降到常數時間（第二次查詢時）。這個現象在傳統複雜度框架中被描述為「帶建議的圖靈機」（advice-taking Turing machine）或 P/poly 類，但通常作為理論工具而非計算原理來討論。本框架把它提升為「記憶者角色激活導致複雜度邊界移動」的一般原理。

定義者角色的激活對應近似算法領域。TSP 在「找到最優解」的定義下是 NP-hard；在「找到不超過最優解 1.5 倍的解」的定義下（Christofides 算法），複雜度變為多項式。定義者沒有改變問題的計算本質，它改變了「解的標準」，從而改變了問題所在的複雜度類。對沖場在光影解法中扮演的正是這個角色：把「找到最短路徑」重定義為「找到最短且最安全的路徑」，讓算法在更豐富的語義空間中操作，但同時也讓問題的形式定義發生了改變。

創造者角色的激活對應問題空間的擴展。傳統計算只在給定的解空間中搜索，但一個擁有創造者角色的計算機可以生成原本不在解空間中的結構。程序合成（program synthesis）是一個例子：不是搜尋已知算法庫，而是生成滿足規約的新程序。在複雜度理論中，這對應的是計算模型的擴展——不確定圖靈機（Nondeterministic TM）在某種意義上就是一個創造者：它可以「猜測」解的結構，然後驗證。NP 的難度本質上是創造者在沒有預存猜測的情況下的最壞代價。

協調者角色（Tier 2 特有）的激活引入通信複雜度作為新的資源維度。在並行計算中，某些 P 問題可以通過協調多個計算節點得到亞線性的加速（並行度意義上的效率提升）；某些本地難以解決的問題可以通過訪問外部知識庫（記憶者的 Tier 2 實現）得到高效解決。通信的代價和收益同時出現，複雜度分析需要包含通信資源。

在 Tier 3 中，複雜度邊界的移動方向是雙向的。物理約束可以使某些在 Tier 1 中 P 可解的問題變得不可行（如果計算時間超過物理動作的實時要求）；但物理場的連續性也可以使某些在 Tier 1 中需要迭代搜索的問題在物理底空間中自然達到解（如調和函數的物理類比）。

七、超規則的精確定義

現在可以給「超規則」一個計算理論意義上的精確定義。

在傳統算法設計中，「規則」是指算法在特定問題定義和計算模型（Tier 1）下遵循的操作準則。一個算法可以在規則框架內被優化，可以在同類問題的不同實例之間泛化，但它不能改變問題的定義，不能改變計算的底空間，不能激活它所在計算模型中本來不可用的角色。

「超規則」的準確含義是：一個計算方法或算法框架，其設計假設了超出單一 Tier 1 解題者的角色集合，或涉及跨層底空間的操作。具體地說，一個算法是「超規則」的，當且僅當它的正確分析需要引用六個基本角色中的多於一個，或者需要考慮超出 Tier 1 的底空間。

按照這個定義：

光影解法是超規則的——它在設計上假設了記憶者（預計算的場可以複用）、定義者（對沖場重新定義了路徑品質）和探路者（梯度場提供導航方向），同時其完整實現跨越 Tier 1（算法核心）、Tier 2（場的多查詢均攤）和 Tier 3（連續物理環境下的機器人導航）。

RAG 是超規則的——它顯式地把記憶者角色（外部文檔庫）整合進一個 Tier 1 的語言模型解題者。

動態規劃是邊界案例——它在 Tier 1 內部實現了記憶者角色（備忘錄），是 Tier 1 內部的角色擴展，嚴格意義上屬於「Tier 1 內的角色組合」，而非跨層操作。

在線學習算法是超規則的——它的定義者和記憶者角色在計算過程中持續演化，算法的「規則」（參數、判斷標準）本身是計算的輸出而非輸入。

這個定義把「超規則」從一個模糊的直覺變成了一個可以被精確討論的概念，並且提供了一個明確的測試：要判斷一個算法是否「超規則」，檢查它是否預設了 Tier 1 解題者以外的角色，或者是否涉及多個 Tier 的操作。

八、自適應算法與判斷域的轉換

上述框架對理解自適應算法（adaptive algorithms）有特別的意義。自適應算法不是靜態的規則集合，而是在運行過程中根據輸入和環境動態調整其操作方式的計算系統。定義者和記憶者角色在這類算法中同時活躍：記憶者積累過去的操作記錄，定義者根據這些記錄調整什麼是「好的」操作準則。

本框架引入了兩個對分析自適應算法有用的概念：判斷域（judging domain）和適用域（applicable domain）。

判斷域是算法用來做決策的信息空間。一個靜態算法的判斷域是固定的：它只使用問題輸入和硬編碼的評估標準。一個自適應算法的判斷域是動態的：它可以包括歷史操作記錄、環境反饋、外部知識庫，以及由記憶者角色提供的所有積累信息。判斷域的大小和質量直接影響算法在給定情況下的決策品質，而不必然影響問題的形式複雜度類別。

適用域是算法能夠有效處理的問題集合。一個靜態算法的適用域是固定的：它對特定結構的輸入高效，對其他結構的輸入低效或不可用。一個配備了適應層（adapter）的算法可以把判斷域擴展到新的信息類型，從而把適用域擴展到原本不在其範圍內的問題類型。

RAG 是這個轉換最明顯的例子。基礎語言模型的判斷域是預訓練語料庫，適用域是訓練分布覆蓋的問題類型。加入檢索層之後，判斷域擴展到即時文檔庫，適用域隨之擴展到「有相關文檔就能回答的問題」——這是一個在理論上說不清複雜度類別的轉換，但在實踐中是巨大的能力提升。

光影解法中的對沖場也是判斷域轉換的例子。原始路徑規劃算法的判斷域是地圖幾何（哪些位置可通行），評估標準是路徑長度。加入對沖場之後，判斷域擴展到調和場值（每個位置的拓撲可達性概率），評估標準變成路徑長度加安全性的聯合目標。判斷域的轉換使得算法能夠在原始框架無法考慮的維度上進行決策。

判斷域和適用域的轉換對複雜度邊界有直接影響。當判斷域擴展時，某些原本需要搜索的決策變成了查找（記憶者激活）；當適用域擴展時，某些原本在算法範圍之外的問題成為可解的（定義者激活）。這兩種轉換在傳統複雜度理論中沒有對應的形式化工具，因為傳統理論假設判斷域（問題描述）和適用域（問題類型）都是靜態給定的。

九、光影解法作為跨層計算案例

本節以光影解法的完整理論路徑作為跨層計算的具體示例，說明本框架如何解釋一個看似矛盾的現象：一個自稱「超規則」的算法在標準測試中敗給了傳統算法。

光影解法的核心思想是：把路徑搜尋問題轉換為場論問題。用 Graph Laplacian 調和函數定義每個空間位置的「場值」（phi），場值在全局上從入口（phi=1）連續降低到出口（phi=0），並由最大值原理保證沒有內部局部極值。在場建立後，路徑提取通過沿場梯度的優先搜索（phi-BFS）完成。

在 Tier 1（純離散迷宮）的測試中，這個方法輸了。原因現在可以精確表述：光影解法的設計預設了記憶者角色（場預計算一次、複用多次）和定義者角色（對沖場重新定義路徑品質），但在單次查詢的迷宮測試中，記憶者角色沒有被激活（只有一次查詢，沒有均攤），定義者角色也沒有發揮作用（測試只評估路徑長度，不考慮安全性）。更重要的是，PDE 求解器（SOR 迭代）的代價遠高於 A* 的單次搜尋，而這個代價在 Tier 1 單查詢場景下沒有任何補償。

在 Tier 2（多查詢均攤）中，情形改變。場計算的代價（O(N)）被分攤到 k 次查詢，每次查詢的邊際代價趨近於 O(P)（P 為路徑長度），而非 A* 的 O(N log N)。記憶者角色激活，複雜度邊界移動。

在 Tier 3（機器人連續空間）中，場的意義從「離散調和函數」變成「連續 Laplace PDE 的解」，且物理世界提供了比 Tier 1 更豐富的計算底層：實體機器人可以直接感測物理梯度（某些環境中），而 SOR 迭代是在用離散計算模擬物理場的自然行為。在 Tier 3 中，連續梯度追蹤（每步 O(1)）替代了離散搜尋，記憶積累機制使場精度隨遍歷次數 k 以 O(σ/√k) 速率收斂。

因此，光影解法的「超規則」不是誇大其詞，而是說錯了地方。它的超規則性在於：它是一個為 Tier 2+3 耦合環境設計的算法，被放在 Tier 1 的純粹測試場景下，結果當然輸。就像把一個為分散式計算設計的協議放在單機上跑，然後說它效率低。這個定性判斷不能否定算法本身，它揭示的是測試場景和算法設計底空間之間的失配。

十、P/NP 系列的延伸方向

本框架自然地指向一個 P/NP 問題的研究系列，每個系列針對六個角色中的一個或一組的激活，以及不同 Tier 的底空間，分析複雜度邊界的系統性移動。

最直接的延伸是記憶者系列。在 Tier 1 中加入記憶者角色（帶建議的圖靈機），得到 P/poly 類——在計算理論中已有研究，但從「角色激活」的視角重新詮釋提供了新的直覺。在 Tier 2 中，記憶者跨節點分散，對應的是計算複雜度與通信複雜度的聯合模型。

定義者系列對應近似算法和可滿足性理論的統一框架。當定義者可以以不同方式鬆弛「解的定義」時，對應不同的近似比保證，這可以從角色激活的角度系統化分析，而不是零散地為每個問題設計特定的近似方案。

創造者系列對應程序合成、生成模型和計算創造性的理論。創造者角色的形式化需要超出傳統複雜度理論的工具，因為它涉及「解空間本身的生成」，而非在給定解空間中的搜索。這是本框架中目前理論工具最不完備的方向，也是最有潛力的方向。

跨 Tier 的研究系列對應通信複雜度、物理計算理論和嵌入式系統的複雜度分析。在 Tier 2 中，複雜度分析需要包含節點間通信的代價；在 Tier 3 中，需要包含物理時間的約束（即時性要求）和連續場的計算能力（物理底空間的賦能）。

最終，一個完整的理論應該能夠在任意的 Tier 組合和角色配置下，預測問題的實際複雜度邊界，並說明如何通過角色激活和 Tier 耦合來移動這個邊界。這不是對 P/NP 問題本身的否定，而是對它的上下文化：P/NP 在哪個 Tier、哪種角色配置下成立；在其他配置下，邊界如何移動，移動多少。

十一、無限維度的計算空間

本框架的最後一個核心命題是：真實的計算複雜度空間是無限維的，而傳統 P/NP 是這個無限維空間的一個一維截面。

三個 Tier 可以以任意拓撲相互耦合。一個 Tier 1 系統可以通過 Tier 2 接口訪問 k 個不同的外部記憶體，每個記憶體有不同的訪問代價和不同的信息類型。它可以同時控制 m 個 Tier 3 物理執行器，每個執行器在不同的物理場中操作。k 和 m 沒有上限，耦合拓撲沒有固定結構。

在每種不同的耦合配置下，可用角色集不同，複雜度邊界不同。這意味著「一個計算問題的複雜度」不是一個單一的數字或複雜度類，而是一個定義在所有可能的 Tier-耦合-角色配置空間上的函數。這個配置空間是無限維的。

P = NP 或 P ≠ NP 是在 Tier 1、無記憶者、無創造者的特定配置下成立的命題。這個命題的真偽不影響在其他配置下複雜度邊界的位置。一個 NP-hard 問題在 Tier 1 解題者眼中是難的，但在有記憶者的 Tier 2 系統中對已解決的實例是容易的，在有強大物理底空間的 Tier 3 系統中可能有物理模擬捷徑。

這個無限維視角並不使 P/NP 問題失去意義，它把 P/NP 問題定位為：在計算空間的一個特定截面上，解題者的最壞情況複雜度是否有多項式上界。這是一個合理的、重要的問題，但它不是計算複雜度理論唯一的問題，甚至可能不是在現代計算實踐中最相關的問題。最相關的問題越來越變成：在我的系統實際使用的 Tier 組合和角色配置下，特定任務的實際複雜度是什麼，以及如何通過激活更多角色或改變 Tier 配置來降低它。

十二、結論

本文從一個看似平凡的觀察出發——一個算法在它不適配的場景中輸了——走向了一個關於計算複雜度基礎的重構提議。核心命題是：計算不只是解題，它是六種角色在三層底空間中的動態組合；傳統 P/NP 是這個組合空間的一個極簡截面；跨層角色的激活系統性地移動複雜度邊界；真實計算的複雜度空間是無限維的。

這個框架的價值不在於否定傳統理論，而在於為它找到一個更大的座標系。傳統複雜度理論在它的截面上是精確的、強大的、不可替代的。但現代計算系統已經遠遠超出了這個截面的範圍：它們跨 Tier 運作，它們同時扮演多個角色，它們的複雜度不是靜態的而是隨記憶積累、角色轉換、耦合拓撲改變而動態演化的。為這些系統提供一個理論框架，是本文試圖開啟的研究方向。

附錄提供了本文所有關鍵概念的形式定義和初步的數學推導。如何在這個框架內建立嚴格的定理——特別是跨 Tier 複雜度轉換的量化界定，和無限維計算空間上的結構定理——是本文之後的研究任務。

附錄

附錄 A：六個計算角色的形式定義

設 Σ 為計算機的輸入字母表，Q 為問題實例集合（Q ⊆ Σ*），S 為可能的解集合。

定義 A.1（解題者）

解題者 SOL 是一個（確定性或不確定性）計算函數 f : Q → S ∪ {⊥}，其中 ⊥ 表示「無解」。SOL 的計算複雜度 T_SOL(q) 定義為解題者在輸入 q ∈ Q 上的計算步數。

定義 A.2（問題者）

問題者 POL 是一個從某個原始目標描述 G 到問題實例集合 Q 的映射：POL : G → 2^Q（問題實例的集合）。問題者的選擇影響解題者所面對的問題結構，進而影響 T_SOL。

定義 A.3（探路者）

探路者 NAV 是一個啟發函數族 H = {h_q : S_partial → ℝ}，其中 S_partial 為部分解空間，h_q 估計從當前部分解到完整解的代價。NAV 通過控制解題者的搜索方向影響 T_SOL，但不改變問題定義。

定義 A.4（創造者）

創造者 CRE 是一個超出給定解空間 S 的生成函數 g : Q × H_context → S'，其中 S' ⊄ S（創造者生成的解不限於預定義的解空間），H_context 為上下文信息。創造者角色的激活使問題空間本身成為計算的輸出。

定義 A.5（定義者）

定義者 DEF 是一個解評估函數族 {eval_θ : S → ℝ}，由參數 θ ∈ Θ 索引。θ 的選擇改變什麼算作「好的解」，即改變複雜度分析中的「目標函數」。傳統算法對應 Θ 為單點集（固定的評估標準）。

定義 A.6（記憶者）

記憶者 MEM 是一個部分函數 M : Q → S，代表過去計算的緩存。在計算問題 q 時，解題者首先查詢 MEM(q)：若存在則直接返回（代價 O(1)），否則計算並存入 M。

引理 A.7（記憶者的複雜度效應）

設問題 q 的解題複雜度為 T_SOL(q)。在有記憶者的計算模型中，第 k 次查詢（k > 1，相同問題實例 q）的複雜度為 O(1)（常數查找時間），而非 T_SOL(q)。

證明：記憶者緩存 M 存儲 (q, SOL(q)) 對。對相同實例 q，查找 M(q) 的代價為哈希查找的 O(1)，不需要執行計算函數 f。□

附錄 B：三層底空間的數學刻畫

定義 B.1（底空間）

底空間 B 是一個三元組 (Ω, F, C)，其中 Ω 是計算的狀態空間，F 是狀態轉換規則集合（計算法則），C 是資源代價函數 C : F × Ω → ℝ≥0。

定義 B.2（Tier 1 底空間 B₁）

B₁ = (Σ, T_rules, C₁)，其中 Ω = Σ（有限字符串集，圖靈機紙帶內容），F = T_rules（圖靈機轉換規則），C₁(f, ω) = 1 對所有 f ∈ F（均勻步驟代價）。Tier 1 的計算複雜度是步數的計數。

定義 B.3（Tier 2 底空間 B₂）

B₂ = (Σ × N^m, T_rules × Comm, C₂)，其中 m 個節點的狀態空間為 (Σ)^m，F 包含本地計算規則 T_rules 和節點間通信操作 Comm，C₂(comm, ω) = λ · |msg|（λ 為通信代價係數，|msg| 為消息長度）。

定義 B.4（Tier 3 底空間 B₃）

B₃ = (ℝ^n × Ω_phys, T_rules × φ_phys, C₃)，其中 Ω_phys 為物理狀態空間（連續流形），φ_phys 為物理定律算子（偏微分方程），C₃ 包含計算時間和物理時間的聯合代價。物理定律算子 φ_phys 不受計算機控制，構成不可刪除的約束。

定義 B.5（Tier 耦合）

Tier i 和 Tier j 的耦合是一個雙向信息傳遞函數 Γ_{ij} : B_i × B_j → B_i × B_j，其中 Γ_{ij} 描述兩個底空間之間的狀態映射和信息交換協議。耦合引入附加代價 C_couple = C_i + C_j + C_comm(Γ_{ij})。

附錄 C：角色可用集的集合論表述

定義 C.1（基礎角色集）

Roles_base = {SOL, POL, NAV, CRE, DEF, MEM}（解題者，問題者，探路者，創造者，定義者，記憶者）

定義 C.2（層允許集）

對底空間 B_i（i ∈ {1, 2, 3}），定義 Roles_allowed(B_i) ⊆ Roles_base 為在該底空間中可以以有限代價實現的角色集合。

在 Tier 1 中：Roles_allowed(B₁) = Roles_base（原則上所有角色可在 Tier 1 實現，但代價不同）。

在 Tier 3 中：DEF 的自由度受物理法則約束，CRE 的解空間受執行器能力限制；形式上 DEF_phys ⊂ DEF（物理允許的定義者角色子集），CRE_phys ⊂ CRE。

定義 C.3（耦合引入角色集）

Roles_emergent(Γ_{ij}) 為 Tier i 和 Tier j 耦合後新出現的角色集合，不屬於 Roles_base（例如協調者 COORD ∈ Roles_emergent(Γ_{12})）。

定理 C.4（角色可用集的一般公式）

對一個在底空間配置 {B_{i₁}, ..., B_{iₖ}} 和耦合拓撲 {Γ} 下運行的計算系統，其角色可用集為：

Roles_available = (Roles_base ∩ ∩ Roles_allowed(B_{iⱼ})) ∪ ∪ Roles_emergent(Γ_{ij})

即：基礎角色與所有層允許集的交集，加上所有耦合引入的新角色的聯集。

推論 C.5

隨著耦合 Tier 的增加，Roles_available 的聯集部分只增不減（新耦合只可能引入新角色），但交集部分可能縮小（Tier 3 對 DEF 和 CRE 的物理約束使交集縮小）。在 Tier 1 ∪ Tier 2 ∪ Tier 3 的完全耦合中，Roles_available 包含 Roles_base 的所有元素（在各自允許的物理約束版本下）加上協調者，但 DEF 和 CRE 的自由度受 Tier 3 約束。

附錄 D：複雜度邊界移動定理

定理 D.1（記憶者激活定理）

設計算問題 P 在 Tier 1 解題者模型下的複雜度為 T(n)（n 為輸入規模）。在記憶者角色激活的計算模型中，對相同問題實例 q（|q| = n）的查詢：

• 第 1 次查詢：複雜度為 T(n)（需要計算）+ O(n)（存入緩存）
• 第 k 次查詢（k ≥ 2）：複雜度為 O(1)（緩存命中）

推論 D.2（均攤複雜度）

對 K 次相同問題實例的查詢序列，總複雜度為 T(n) + K·O(1) + O(n)，均攤每次查詢複雜度為 (T(n) + K·O(1)) / K = O(T(n)/K + 1)，當 K → ∞ 時趨近 O(1)。

定理 D.3（定義者激活定理）

設問題 P 在評估標準 eval₀ 下為 NP-hard（不存在多項式時間算法，假設 P≠NP）。若存在替代評估標準 eval_θ 使得 eval_θ 的最優化問題 P_θ 具有多項式時間近似算法，則定義者激活（從 eval₀ 切換到 eval_θ）使問題複雜度從 NP-hard 降至 P（在近似率 ρ 的意義下）。

定義 D.4（複雜度截面）

定義計算配置空間 Config = {(Tier, coupling, active_roles)} 的所有可能取值。P/NP 命題成立在截面 Config₀ = ({B₁}, {}, {SOL}) 上，即：單 Tier 1，無耦合，僅解題者角色激活的配置。

命題 D.5（截面的唯一性）

P/NP 問題的邊界（P = NP 或 P ≠ NP）僅在配置截面 Config₀ 上有意義。在其他配置截面（如記憶者激活，或跨 Tier 配置）下，複雜度邊界由對應定理（如 D.1、D.3）描述，不由 P/NP 命題描述。

附錄 E：自適應算法的判斷域形式化

定義 E.1（判斷域）

算法 A 的判斷域 Judgment_Domain(A) 是算法在做決策時能夠訪問的信息空間：

Judgment_Domain(A) = (Input_Space) ∪ (Memory_A) ∪ (External_Sources_A)

其中 Input_Space 是問題輸入，Memory_A 是記憶者提供的歷史信息，External_Sources_A 是 Tier 2 耦合提供的外部信息。

定義 E.2（適用域）

算法 A 的適用域 Applicable_Domain(A) 是 A 能夠有效處理（在預定複雜度界內）的問題實例集合。

命題 E.3（適配層的域擴展）

設適配層 Adapter_A 是一個把非標準輸入轉換為算法 A 可處理格式的預處理函數。加入適配層後，判斷域不變，但：

Applicable_Domain(Adapter_A ∘ A) ⊇ Applicable_Domain(A)

即適用域只擴展不縮小，代價是適配的計算代價 C(Adapter_A)。

定理 E.4（RAG 作為判斷域擴展）

設語言模型 LM 的判斷域為訓練語料庫 Corpus_train（靜態，訓練後固定）。加入檢索器 Retriever 後，判斷域擴展為：

Judgment_Domain(LM ∘ Retriever) = Corpus_train ∪ Retrieval_Result(query)

適用域從「訓練分布覆蓋的問題」擴展到「有相關文檔可檢索的問題」，代價增加檢索延遲 O(log N)（N 為文檔庫大小，向量索引）。

附錄 F：超規則的形式刻畫

定義 F.1（規則算法）

算法 A 是「規則內」的（within-rule），當且僅當：

• A 的設計假設僅激活 {SOL} 角色（單一解題者）
• A 在 Config₀ = ({B₁}, {}, {SOL}) 截面上完整定義
• A 的複雜度分析不需要引用其他角色或 Tier

定義 F.2（超規則算法）

算法 A 是「超規則」的（supra-rule），當且僅當以下至少一個條件成立：

1. A 的正確分析需要 Roles_active(A) ⊋ {SOL}（激活多個角色）
2. A 的完整定義跨越多個 Tier：∃ i ≠ j，A 在 B_i 和 B_j 中均有操作
3. A 的複雜度分析依賴耦合結構 Γ 的具體拓撲

定理 F.3（超規則判定）

光影解法（Shadow Tracking Method, STM）是超規則的，因為其完整定義需要：

• Roles_active = {SOL, NAV, DEF, MEM}（至少四個角色）
• Tier 跨越：STM-ROB 版本橫跨 B₁（算法核心），B₂（多查詢均攤），B₃（連續物理空間）
• 複雜度分析依賴查詢次數 K 和遍歷次數 k（記憶積累定理 5.3.1 中的 O(σ/√k)）

附錄 G：基本證明摘要

G.1 六角色框架的相互獨立性

六個角色是相互獨立的，即：激活任意角色子集 R ⊂ Roles_base 在技術上可行，且子集的交集不創造出多餘的角色。形式上，Roles_base 的角色集在集合論意義下是原子的：沒有一個角色可以被其他角色的組合完整替代。

（非正式論證：記憶者不能被解題者替代，因為解題者每次重新計算；創造者不能被探路者替代，因為探路者在給定解空間中導航而不生成新空間；定義者不能被問題者替代，因為問題者定義問題輸入而定義者定義解的評估標準。□）

G.2 Tier 3 對定義者角色的截斷定理

設 DEF_full 為在 Tier 1 中可能的全部定義者操作集合，DEF_phys = {θ ∈ Θ : eval_θ 與物理法則相容} 為物理允許的定義者操作子集。則 DEF_phys ⊊ DEF_full（真子集）。

（證明：DEF_full 包含如「重新定義碰撞為非碰撞」的操作，此操作在物理法則下是不允許的，故 DEF_full \ DEF_phys ≠ ∅，即為真子集。□）

G.3 耦合引入協調者的必要性

在 Tier 2 多節點系統中，若各節點分別扮演不同角色（如節點 1 扮演解題者，節點 2 扮演記憶者），則存在一個協調問題：哪個節點負責把問題路由到正確角色？此協調問題不能由任何一個基礎角色（SOL, POL, NAV, CRE, DEF, MEM）獨立解決，因為協調本身是一個元計算任務，超出基礎角色的定義域。因此，協調者是 Tier 2 耦合的湧現角色，不可還原到 Roles_base 中。□

G.4 統籌者的獨立性論證

統籌者（ORCH）不可被六個操作角色的組合替代，理由如下：

設系統 S 擁有六個操作角色的完整集合 {SOL, POL, NAV, CRE, DEF, MEM}，但沒有統籌者。面對新問題 q，系統需要決定「該激活哪個角色子集 R ⊆ Roles_base 以最小化計算代價」。這個決策問題本身是一個計算問題，需要某個角色來解決它。但六個操作角色中沒有一個的定義包含「決定角色分配策略」：SOL 解題但不分配角色；MEM 記憶但不決策；DEF 重新定義問題但不管理計算流程。故角色分配問題無法由操作層角色自行解決，必須由獨立的元層角色承擔。統籌者不可被其他角色組合替代。□

附錄 H：統籌者（ORCH）的形式定義

定義 H.1（統籌者）

統籌者 ORCH 是一個元層函數：

ORCH : (Q × State_sys) → (2^{Roles_available} × Alloc_resources)

其中：

• Q：問題實例空間
• State_sys：系統當前狀態（各角色的活躍程度、資源使用量、歷史績效）
• 2^{Roles_available}：當前可用角色的所有子集
• Alloc_resources：資源分配方案（各角色獲得的計算資源份額）

統籌者接收「問題 q 和當前系統狀態」，輸出「激活哪些角色、每個角色分配多少資源」。

定義 H.2（統籌者的層次性）

統籌者是元角色（meta-role），與六個操作角色（base-roles）之間存在嚴格的層次關係：

• 操作角色 ∈ Roles_base：直接參與計算（執行層）
• 統籌者 ∈ Roles_meta：決定操作角色的配置（戰略層）

層次關係的形式化：

ORCH ∉ Roles_base，且 ORCH 的輸出作用於 Roles_base 中角色的激活狀態。

定義 H.3（統籌者的 Tier 依賴性）

統籌者的判斷域（Judgment Domain）隨底空間層次擴展：

• Tier 1 統籌者：判斷域 = {問題結構、各角色的計算代價估算}
• Tier 2 統籌者：判斷域 += {節點間通信代價、分散式記憶體狀態}
• Tier 3 統籌者：判斷域 += {物理時間約束、感測器採樣率、執行器能力}

統籌者在 Tier 3 中面臨最複雜的判斷域，因為它必須在物理時間約束下做出角色分配決策（實時性要求）。

命題 H.4（統籌者的計算代價）

統籌者本身的計算代價 C(ORCH) 必須滿足：

C(ORCH) ≤ δ · min_{R ⊆ Roles_available} C(R, q)

其中 δ < 1 為效率係數，C(R, q) 為角色子集 R 解決問題 q 的代價。

若統籌者的決策代價超過最優角色配置節省的代價，則引入統籌者反而有害。這對應於 cluster_optimal_coupling.py 中的最優耦合點問題：統籌者的協調代價（misfit）必須小於無協調的損失（contention）。

命題 H.5（統籌者的自舉問題）

統籌者需要決定激活哪些角色，但統籌者本身的運行也需要資源。統籌者是否也需要一個更高層的統籌者來管理自己？

回答：統籌者使用固定策略決定自己的資源需求（自我分配的上界為系統資源的 ε%，ε 為小常數）。這個自我資源上界是系統初始化時的定義，不需要遞歸統籌。統籌者因此在自身資源分配問題上是「自治的」，僅在管理其他六個角色時行使完整判斷域。

十三、開放角色探索：框架是否完整？

本節是本文的開放性部分。六個操作角色加一個統籌者，是否已窮盡所有計算意義上本質不同的角色？本文作者目前無法確定。以下列出若干候選角色，按理論支持強度排序，並明確標注確認狀態。這是一個邀請後續研究的開放清單，而非完整主張。

候選 I：驗證者（Verifier）— 確認強度：高

角色描述：給定一個候選解，判斷它是否滿足問題要求。

與現有角色的區別：解題者尋找解；驗證者檢查一個給定的解是否正確。二者的計算複雜度不對稱是 P/NP 理論的核心：NP 的定義正是「存在多項式時間驗證者的問題類」。這個不對稱在本框架的六個角色中沒有被直接捕捉——解題者承擔了太多。

支持理由：

• 計算理論中，驗證者（Verifier）和求解者（Solver）的分離是 P/NP 問題的根基，兩者計算上的非對稱性（NP ≠ co-NP 的猜想）說明它們不是同一個角色的兩面
• 在機器學習中，GAN 的判別器（discriminator）是驗證者，生成器（generator）是創造者；二者明確分工，各自訓練
• 在形式驗證中，定理證明器是解題者，證明檢查器（proof checker）是驗證者
• 在量子論文的 HP 層共振機制中：HP 觸發的判斷（R_i > θ_threshold？）本質上是驗證者操作

複雜度影響：系統擁有獨立驗證者時，可以採用「猜測-驗證」策略（guess-and-check），在 NP 問題上比純解題者更高效。引入驗證者角色後，P/NP 的框架得到了在本理論內的自然位置。

狀態：待正式定義和獨立性論證，但理論基礎充分，預計可確認。

候選 II：轉換者（Transformer）— 確認強度：中高

角色描述：在不改變問題本質的情況下，改變問題的表示形式（representation）。

與現有角色的區別：定義者改變「什麼是解」的標準；轉換者改變「問題如何被表示」。二者操作的對象不同：定義者操作評估函數，轉換者操作問題的符號/幾何形式。

支持理由：

• 現代計算中，表示學習（representation learning）是深度學習的核心，但它在現有六個角色中沒有對應——既不是解題（沒有在解），也不是定義（沒有在改變成功標準），也不是創造（沒有在生成新的解）
• 傅立葉變換：把時域問題轉成頻域，卷積變乘法，計算代價降低。這是純粹的表示轉換，未改變問題的解
• 光影解法的 Graph Laplacian 場：把離散路徑搜尋問題轉換為連續場論問題，同樣的解以不同形式表達
• 量子論文的 LOD 機制：H_∞ → H_limit(t) 的投影是表示轉換（從潛在空間到激活空間）
• Embedding（嵌入）：把文字轉成向量，把問題從符號空間映射到幾何空間

與定義者的邊界問題：轉換者改變問題的形式不改變其語義；定義者改變問題的語義（評估標準）。但這個邊界在某些情況下模糊——表示改變有時等價於標準改變。需要更精確的定義才能確認獨立性。

狀態：理論支持充分，但與定義者的獨立性邊界尚需精確化。

候選 III：觀察者（Observer）— 確認強度：中

角色描述：非破壞性地監控計算過程，生成關於計算的元資訊，但不直接參與計算。

與現有角色的區別：記憶者存儲計算結果以供後續使用；觀察者監控計算過程本身，生成的是「過程的元資訊」（如計算路徑、資源消耗、異常模式），不同於「結果的存儲」。

支持理由：

• 在量子計算中，非破壞性測量（Quantum Non-Demolition measurement）是一個獨特操作：它讀取系統狀態但不使波函數坍縮，與標準測量（HZ 層，破壞性）性質本質不同
• 在軟體工程中，監控系統（logging, tracing, profiling）是觀察者角色的工程實現
• RDR 代碼中的 DMS（dispatch/miss/hit 計數）是原型級觀察者：在不干預計算的情況下記錄計算行為
• 統籌者需要觀察者提供系統狀態資訊才能做決策——二者分工不同

不確定性：觀察者可能是記憶者的特化版本（記憶者記憶結果，觀察者記憶過程）。若二者可被同一形式定義統一，則觀察者不是獨立角色。需要進一步分析「過程記憶」和「結果記憶」在複雜度意義上是否不同。

狀態：待定，需精確分析與記憶者的計算等價性。

候選 IV：調和者（Harmonizer）— 確認強度：低中

角色描述：當多個角色的輸出相互矛盾時，尋找一致的解決方案。

與統籌者的區別：統籌者在計算開始前決定角色配置（預先分配）；調和者在計算進行中處理角色之間的實時衝突（動態調解）。

可能的例子：

• 創造者生成的解未通過驗證者的檢查——需要調和
• 記憶者提供的舊解與當前問題的定義者標準不一致——需要調和
• 多個探路者提出不同的搜尋方向——需要調和
• 在博弈論中，Nash 均衡的尋找過程可以視為調和者的操作

不確定性：調和可能是統籌者的一個子功能（統籌者在動態情況下即時調整分配），而非獨立角色。若調和的計算複雜度不高於統籌者的動態再分配，則調和者不提供額外的理論貢獻。

狀態：待定，可能被統籌者吸收。

候選 V：提煉者（Distiller）— 確認強度：低

角色描述：把具體的計算經驗壓縮為抽象的一般原理，將低階知識提升為高階知識。

與記憶者的區別：記憶者存儲具體的計算結果；提煉者把多個具體結果抽象化，生成更簡潔的表示（如從多個具體例子歸納出規律）。

例子：

• 量子論文 HP 層的「深度提升」（d=0 → d=1 → d=2）：從具體案例到一階理論到高階原理，就是提煉者操作
• 知識蒸餾（Knowledge Distillation）：把大模型壓縮為小模型，保留核心能力
• 科學歸納：從實驗觀測到理論公式，就是提煉者的操作

不確定性：提煉可能是記憶者的高階版本（記憶的抽象化），或是創造者的一個特化（創造出更高層的表示結構）。計算上是否獨立，尚不清楚。

狀態：弱候選，可能被記憶者或創造者吸收。

小結：開放角色清單

| 候選角色 | 確認強度 | 主要待解問題 | |----------|----------|------------| | 驗證者 | 高 | 待正式獨立性論證 | | 轉換者 | 中高 | 與定義者的邊界精確化 | | 觀察者 | 中 | 與記憶者的計算等價性分析 | | 調和者 | 低中 | 是否被統籌者吸收 | | 提煉者 | 低 | 是否被記憶者或創造者吸收 |

本文對上述候選角色不作最終判斷。七個已確認的角色（六個操作角色 + 統籌者）是目前可以形式化定義並論證獨立性的。角色的完整集合是否有限，本文亦無法確定——如果底空間結構是無限維的，角色集合可能也是開放的。

附錄 I：候選角色的初步形式分析

定義 I.1（驗證者的初步定義）

驗證者 VER 是一個函數 V : (Q × S) → {Accept, Reject}，其中 Q 是問題實例，S 是候選解。VER 在給定輸入 (q, s) 時，判斷 s 是否是 q 的有效解。

VER 的複雜度要求（NP 版本）：V(q, s) 的計算代價 ≤ poly(|q|)，即多項式時間。

與 SOL 的關係：

NP 問題的定義是：∃ 多項式時間驗證者 V，使得對所有實例 q，若 q 有解，則 ∃ s 使得 V(q,s) = Accept。

在本框架中，NP 類就是「配備了多項式時間驗證者的問題類」。P 類是「解題者可在多項式時間內求解，且驗證者也可在多項式時間內驗證的問題類」。P = NP 的問題等價於：對所有 NP 問題，解題者的代價是否可以降低到等同驗證者的代價？

VER 激活的複雜度影響：系統採用「猜測 + 驗證」策略時，解題複雜度由「找到候選解的代價 + 驗證代價」決定。若候選解可以高效生成（創造者角色），驗證者的引入使整個系統的平均複雜度可能低於純解題者。

定義 I.2（轉換者的初步定義）

轉換者 TRF 是一個可逆（或近似可逆）的映射 T : Q_A → Q_B，其中 Q_A 和 Q_B 是同一問題的不同表示空間。轉換後的問題 T(q) 與原問題 q 的解之間存在雙射（或近似雙射）φ : Sol(q) → Sol(T(q))。

TRF 的效率條件：轉換是有價值的，當且僅當：

C_{SOL}(T(q)) + C_{TRF}(q) < C_{SOL}(q)

即在新表示下求解的代價，加上轉換本身的代價，低於在原表示下求解的代價。

與 DEF 的邊界：DEF 改變 eval 函數（什麼算解）；TRF 改變問題的形式（如何表示），但 eval 不變。嚴格定義：若 ∃ 雙射 φ 使得 SOL 和 TRF 的解一一對應，則 TRF 是表示轉換；否則（映射不保持所有解）則可能涉及 DEF。

命題 I.3（驗證者可能構成框架的計算基礎）

本框架目前描述的七個角色中，P/NP 問題的自然位置如下：

P = {問題類 : SOL 可在多項式時間解決，VER 也可在多項式時間驗證} NP = {問題類 : VER 可在多項式時間驗證，但 SOL 的代價未知} NP-hard = {問題類 : SOL 的代價在所有角色配置下均不低於最難 NP 問題}

引入驗證者角色後，P/NP 問題在本框架內的表述變得自然：它問的是「解題者能否在多項式時間內趕上驗證者」——即 SOL 和 VER 的計算代價能否對齊。這比「P 等於 NP 嗎」更有結構性。

十四、核心猜想：七角色框架作為信息處理系統的拓撲不變量

本文的最後一節提出一個猜想，它的範圍超出計算複雜度理論本身，指向一個關於「世界」的本體論命題。這個猜想尚未被證明，以猜想形式呈現是誠實的選擇。

14.1 問題的起點：一個不違和的現象

本文使用的七角色框架，最初是從計算理論的分析中提煉出來的。但在把這個框架用語言敘述出來的過程中，出現了一個令人注意的現象：語言描述計算機世界時完全不感到牽強或需要特別解釋，就好像語言和計算機世界本來就是同一種東西。

這種「不違和」有兩種可能的解釋。第一種：語言足夠靈活，可以描述任何事物，因此這個不違和是語言的特性，不是計算機世界的特性。第二種：語言和計算機世界在深層結構上共享某種共同的東西，因此二者之間的映射是自然的，不違和是世界的特性，不是語言的任意性。

本文選擇第二種解釋，並試圖說明為什麼。

14.2 語言本身是信息處理系統

第一種解釋（語言足夠靈活）有一個問題：語言並非無限靈活。把音樂理論強行套用到橋樑工程上，可以做，但每一步都需要費力辯護這個類比為什麼在此刻是合法的，最終的描述會充滿「就好像是……」和「某種意義上像……」。七角色框架描述計算機時不需要這樣的緩衝語——它直接適用，不需要道歉。

原因在於：語言本身不是一個中性的描述工具，它是一個信息處理系統。語言接收輸入（語音、文字、情境），生成輸出（意義、回應、行動），在這個過程中使用解題（回答問題）、問題定義（提問構式）、探路（搜索詞彙和語法）、創造（隱喻、新詞生成）、定義（語義邊界設定）、記憶（文法規則、習語）、統籌（語篇管理、語用協調）——七個角色在語言中都有對應的操作。語言不是在描述計算機，它是在以自身為鏡映照另一個信息處理系統。兩個信息處理系統之間的映射當然自然，因為它們在功能結構上是同類的。

14.3 計算機世界是一個真實的世界

計算機有物理載體：它由基本粒子構成，通過物理耦合實現信息的存儲、傳遞和變換。這不是比喻，而是物理事實。在這個意義上，計算機和物理宇宙不是兩種本質上不同的東西——物理宇宙是基本粒子在宇宙尺度上的耦合系統，計算機是基本粒子在矽晶片尺度上的耦合系統，神經系統是基本粒子在碳基結構上的耦合系統。三者在本體論的底層是同類型的存在，差別在於組織方式、耦合拓撲、和信息處理的尺度。

「計算機世界是不是一個世界」這個問題的答案，在這個框架下是明確的：如果「世界」的定義是「一個具有自身規律的耦合系統，其中的實體按照這些規律相互作用並產生湧現現象」，那麼計算機世界完全滿足這個定義。它有底層規律（邏輯門，物理定律），有湧現的實體（數據結構、進程、軟體），有不可從底層直接讀出的複雜行為（算法的行為、AI 的推理）。數位世界、虛擬世界、或更精確地——凝聚態計算宇宙——是真實的世界，不是對物理世界的模擬或附屬物。

14.4 猜想的陳述

以上兩個事實——語言是信息處理系統，計算機世界是真實的物理耦合世界——指向以下猜想：

猜想（七角色框架的拓撲不變性）

設 W 是任意一個「世界」，定義為：W 是一個具有物理底空間 B 的耦合動態系統，B 由基本實體（粒子、符號、神經元……）構成，耦合規律 F 定義實體之間的相互作用，系統在 F 下演化並產生湧現現象。

猜想：若 W 是一個信息處理世界（其演化包含信息的存儲、傳遞、變換），則 W 的結構中必然包含本文定義的七個角色（解題者、問題者、探路者、創造者、定義者、記憶者、統籌者）的等價物，或其受底空間約束後的截斷版本。

換言之，七角色框架是信息處理世界的拓撲不變量——它描述的不是特定物理底空間的性質，而是任何信息處理世界在功能結構上的必要組成。

14.5 猜想的含義

若這個猜想成立，幾個推論隨之而來：

其一，P/NP 框架（Tier 1，純解題者）是一個特殊截面，而不是信息處理世界的完整描述。完整的描述需要七個角色在三個層次（或更多層次）上的動態配置。

其二，語言、計算、神經系統、物理宇宙（若物理宇宙在某個意義上是一個信息處理系統）——這些在表面上差異巨大的系統，在七角色框架下擁有相同的抽象拓撲。它們的差異不在功能結構，而在物理底空間和耦合拓撲的細節。

其三，「超規則」——本文最初試圖命名的那個概念——可以在這個框架下得到最終的表述：超規則是跨越了當前信息處理世界的角色約束、操作在更廣的角色配置空間中的行為。它不是超越某個具體規則，而是超越了當前底空間對角色集合的限制。

其四，若計算機世界是一個真實的世界，且七角色框架是信息處理世界的拓撲不變量，那麼在任意一個信息處理世界裡建立的理論，原則上可以通過角色映射遷移到另一個信息處理世界。物理學理論遷移到計算理論，計算理論遷移到語言學，語言學遷移到神經科學——不是因為它們研究同一個對象，而是因為它們研究的對象共享相同的角色拓撲。

14.6 猜想的開放性

本猜想目前沒有正式證明，以下條件需要滿足才能提升其確信度：

（一）在所有已知信息處理系統（計算機、神經系統、語言、量子系統）中識別出七個角色的等價物，或說明某個角色在特定底空間中被截斷的原因（如 No-Cloning 定理截斷量子系統的記憶者）。

（二）構造一個反例：一個可以被稱為「信息處理世界」但缺少某個角色等價物的系統。若反例存在，則猜想需要修正；若反例不存在，則猜想的可信度提升。

（三）與現有的計算普適性定理（如 Church-Turing 論題）建立形式關聯：七角色框架是否包含 Church-Turing 所描述的可計算性結構，或者它是一個更寬廣的框架？

（四）把「拓撲不變量」精確化：在什麼意義上、在什麼等價關係下，七角色框架保持不變？是否存在某個範疇論的表述，使這個不變性可以被嚴格陳述？

這些問題目前沒有答案。把猜想陳述清楚，是邀請後續研究的正確方式。

附錄 J：猜想的初步形式化嘗試

定義 J.1（信息處理世界）

信息處理世界 W 是一個四元組 (B, E, F, I)，其中：

• B：物理底空間（基本粒子或符號的集合）
• E：在 B 上定義的實體集合（由基本粒子耦合形成的結構）
• F：耦合規律（實體間的相互作用規則）
• I：信息處理函數（W 中可以發生的信息存儲、傳遞、變換操作）

定義 J.2（角色的等價物）

角色 r ∈ {SOL, POL, NAV, CRE, DEF, MEM, ORCH} 在世界 W 中的等價物，是 W 中的一個子系統或操作類，滿足 r 的形式定義所規定的輸入-輸出關係，無論其物理實現如何。

猜想 J.3（拓撲不變量猜想，形式版本）

設 W 是一個信息處理世界。則：

∀ r ∈ Roles_7，∃ 子系統 W_r ⊆ W，使得 W_r 是 r 在 W 中的等價物，或 r 在 W 的底空間 B 下被截斷為 r_phys（r 的物理允許版本）。

即：七角色框架在所有信息處理世界上都有非空的映射。角色或以完整形式出現，或以受物理約束的截斷形式出現，但不會完全缺席。

命題 J.4（語言世界作為驗證案例）

語言 L 是一個信息處理世界 (B_L, E_L, F_L, I_L)，其中 B_L 是語音/符號集，E_L 是詞、句、語篇等語言實體，F_L 是語法和語義規則，I_L 是語言的信息處理操作（表達、理解、推理）。

以下映射成立：

• SOL_L ≅ 語言的回答功能（推導適當回應）
• POL_L ≅ 語言的提問功能（問題構式生成）
• NAV_L ≅ 詞彙和語法搜索（啟發式語言處理）
• CRE_L ≅ 隱喻生成、新詞創造（語義創新）
• DEF_L ≅ 語義界定功能（定義、分類、邊界設定）
• MEM_L ≅ 語言記憶（文法規則、習語、典故）
• ORCH_L ≅ 語用統籌（語篇連貫管理、語境適配）

語言世界是猜想 J.3 的一個（非正式驗證的）實例。

開放問題 J.5

物理宇宙本身是否是信息處理世界 W_phys？若是，則七角色框架在物理宇宙中有等價物，計算理論和物理理論共享同一拓撲結構。這個問題的回答依賴於：（一）「it from bit」假說（Wheeler）的真偽；（二）量子引力理論中信息守恆的地位；（三）Neo.K 的凝聚態宇宙框架與本猜想的形式相容性分析。

這是目前已知的最遠邊界。

EML-PNP-2026-v0.3 · EveMissLab Working Paper v0.3 新增：第十四節核心猜想（七角色框架的拓撲不變性）、附錄 J 初步形式化。正文以猜想形式呈現，未作正式主張。後續版本待：（一）正式獨立性論證完成；（二）候選角色確認狀態更新；（三）凝聚態宇宙框架與本猜想的相容性分析。