# AI 原生複雜性邊界：從人類可編程系統到 AI 可治理系統 **AI-Native Complexity Boundary: From Human-Programmable Systems to AI-Governable Systems** **EML-ANCB-2026-v0.1** **原作者：Neo.K / EVEMISSLAB** **協作整理：Aletheia / GPT-5.5 Thinking** **日期：2026-06-24** **類型：理論白皮書 / 架構哲學 / AI 原生治理框架** --- ## 摘要 本文提出「AI 原生複雜性邊界」（AI-Native Complexity Boundary, ANCB）作為一個新的系統分界概念。其核心命題是：隨著 AI、Agent、資料中心、語義路由、O-Chip 式高維排程與自適應功率治理持續發展，部分系統的微觀規則、即時狀態與最佳化決策，將逐步超越人類工程師逐條理解、逐條編寫、逐條驗證的能力範圍。這並不意味著人類失去治理權，而是意味著人類治理系統的方式必須從「逐條編程」轉向「目標、邊界、權限、審計、回放與可證偽條件的設計」。 SFRSN（Semantic Flow Routing Station Network）只是這一類問題的一個案例。當 AI 資料中心能把資料語義即時編譯成路由、同步率、功率、記憶體層級與安全權限時，實際運作規則可能會由中央 AI、地方 Agent、硬體站點、流路排程器共同生成。人類若要求逐條理解所有微決策，系統將無法運轉；但若完全放棄可解釋、可審計、可降級與可回滾，系統又會變成不可治理的黑箱。因此，本文主張：未來的高階 AI 基礎設施必須被設計成「AI 可操作、人類可治理、第三層可驗證」的三層結構。 本文不主張 AI 應取代人類決策，也不主張複雜系統可以免於人類監督。本文主張的是更窄而更實際的命題：當系統複雜度跨過人類載體的即時處理能力上限後，人類的角色必須從微觀規則作者轉變為宏觀治理者；AI 的角色則從工具轉變為規則生成器、細節排程器與高維狀態解釋器。這是 AI 原生系統與傳統軟體工程之間的真正分水嶺。 **關鍵詞：** AI 原生複雜性邊界、AI 可治理系統、人類可治理介面、語義流治理、SFRSN、O-Chip、Agent、可審計 AI、AI 原生基礎設施、後人類載體限制、宏觀治理、微規則生成 --- ## 0. 版本定位：為什麼這篇不只是 SFRSN 的附錄 SFRSN 的主張是：資料中心不應只依照位址、封包、記憶體頁或物理位置搬資料，而應讓 AI 依照資料語義，把資料流編譯成路由、通道、同步率、功率、快取層級與安全策略。這是一個具體架構案例。 但本文要處理的不是 SFRSN 本身，而是 SFRSN 暴露出的更上層問題： **一旦系統開始由 AI 生成微觀規則，人類是否還能以傳統工程方式完全理解與控制它？** 答案不是簡單的「能」或「不能」。更準確地說，人類仍能治理這類系統，但不再能用傳統的逐行程式碼、逐條規則、逐個分支條件來治理。治理介面必須升級。 SFRSN 只是第一個讓這件事變得清楚的例子。O-Chip 把 CPU 的決策抽到「超靈」；SFRSN 把資料中心的資料流治理抽到語義 AI；而更廣義的 AI 原生系統，會把許多原本由人類工程師顯式編寫的規則，改成由 AI 在約束邊界內即時生成。 因此本文的真正主題是： ```text 從人類可編程系統 轉向 AI 可操作、人類可治理系統 ``` 這個轉換不只會發生在資料中心，也會發生在程式設計、科學實驗、工業控制、城市物流、金融風險、醫療輔助、機器人群體、知識管理與多 Agent 生態中。 --- ## 1. 人類載體限制：不是智力問題，而是頻寬問題 在討論 AI 原生複雜性邊界之前，需要先避免一個錯誤敘事：這不是「人類比較笨」的問題。更準確地說，這是人類作為生物載體的頻寬、工作記憶、注意力、時間解析度與多目標並行能力存在上限。 人類可以理解抽象原理，可以設計宏觀制度，可以提出目的與價值，可以做跨領域判斷。但人類不適合長時間處理以下任務： ```text 每秒追蹤數百萬資料流的語義變化 即時調整 GPU、HBM、DRAM、SSD、光路與功率策略 為每個 Agent 任務計算最佳流路 在多層同步率中判斷局部自治與中央接管 同時維護安全、效率、延遲、能耗與公平性 在毫秒、微秒、奈秒層級做跨模組排程 ``` 傳統軟體工程之所以可由人類主導，是因為規則數量與規則更新速度大致仍落在人類可讀、可測、可審查的區間。即使系統複雜，人類仍可透過模組化、抽象、測試、版本控制與團隊分工把它壓回可管理範圍。 但 AI 原生系統的特徵是： ```text 規則不再完全由人類預先寫死 規則會依狀態即時生成 規則會因任務語義而變 規則會因模型、資料、功率、延遲與安全條件聯合變動 規則空間的維度遠高於人類能逐條列舉的範圍 ``` 此時，人類仍能理解「為什麼需要這樣的系統」，但不一定能逐條理解「每一秒內它實際生成了哪些微規則」。這就是 AI 原生複雜性邊界開始出現的地方。 --- ## 2. 定義：AI 原生複雜性邊界 本文將 **AI 原生複雜性邊界（AI-Native Complexity Boundary, ANCB）** 定義如下： > 當一個系統的即時狀態、規則生成、路由決策、多目標最佳化與局部治理問題，複雜到人類無法逐條編寫、逐條理解與逐條驗證，而必須由 AI / Agent 在宏觀約束內生成微觀規則時，該系統即跨過 AI 原生複雜性邊界。 這個邊界有三個必要條件。 ### 2.1 狀態空間高維化 系統狀態不再只是「變數集合」，而是跨多種維度聯合構成： ```text 語義類型 時間緊迫度 功率預算 同步需求 安全等級 資料熱度 模型路由 任務優先級 使用者上下文 Agent 權限 硬體壅塞 局部與中央策略差異 ``` 這些維度共同決定下一步動作。任何單一規則都不足以描述完整行為。 ### 2.2 微規則即時生成 傳統系統的規則多半是預先寫死的。AI 原生系統則會在執行中生成微規則： ```text 這筆 KV cache 轉入 warm tier 這個 session 提升同步率 這個 agent 的工具呼叫改走 sandbox lane 這段 retrieval result 因敏感度提高而改送 secure memory 這個 GPU 因局部壅塞而轉交另一個 model shard 這個背景任務暫時降功率 ``` 這些規則不是人類逐條寫出來的，而是由 AI 依據政策、狀態、預測與回饋生成。 ### 2.3 人類只能治理宏邊界 當微規則數量與更新速度超出人類能力後，人類仍可治理，但治理對象不再是每一條微規則，而是： ```text 目標函數 禁止事項 權限邊界 同步等級 風險門檻 審計格式 回滾條件 降級策略 可證偽指標 ``` 換句話說，人類仍是制度設計者，但不再是所有細節的直接作者。 --- ## 3. 從人類可編程到 AI 可治理 傳統工程的基本假設是： ```text 人類定義規則 機器執行規則 人類檢查結果 ``` AI 原生系統的假設會變成： ```text 人類定義目的與邊界 AI 生成微規則 機器執行 AI 摘要與解釋 人類審計、修正、降級或接管 ``` 這不是權力轉移，而是治理形式轉移。 ### 3.1 Human-Programmable System 人類可編程系統的特徵： ```text 規則可讀 狀態可枚舉 錯誤可定位 測試可覆蓋大部分情況 系統演化速度較慢 ``` 這是傳統軟體、傳統網路、傳統資料庫、傳統作業系統的主要模型。 ### 3.2 AI-Governable System AI 可治理系統的特徵： ```text 規則由 AI 在約束內生成 狀態空間不可完全枚舉 錯誤常是語義錯誤而非位元錯誤 測試需要情境生成與回放 系統演化速度快於人類逐條審查速度 ``` 它不是「不可治理」，而是必須透過更高階介面治理。 ### 3.3 關鍵差異 ```text 傳統系統：人類寫規則，機器執行。 AI 原生系統：人類寫治理邊界，AI 寫局部規則，機器執行。 ``` 這句話是本文的核心分界。 --- ## 4. SFRSN 作為案例：語義流治理如何跨過邊界 SFRSN 的中端站與截面站原本可以被理解為硬體節點：分流、暫存、路由、對齊、重注入。但一旦加入 AI 與 Agent，它們就不再只是硬體站點，而成為語義流治理節點。 ### 4.1 中端站 中端站處於資料中心資料流的中途，負責局部重分派： ```text 檢測資料類型 判斷任務優先級 選擇記憶體層級 分配 GPU / NPU / accelerator 調整功率與同步率 向中央 AI 回報摘要 ``` 如果只用固定規則，中端站很快會失效，因為 AI 任務狀態變化太快。它必須由 AI 或子 Agent 協助分類。 ### 4.2 截面站 截面站更像資料流橫截面上的分類器： ```text 不同語義類型切到不同 lane 不同安全等級切到不同 route 不同延遲需求切到不同 time slot 不同模型用途切到不同 memory tier ``` 截面站不是「看見位元」，而是看見資料的任務身份。 ### 4.3 語義流規則為什麼不能全部人工寫死 假設一個 AI 資料中心同時服務： ```text 即時聊天 長上下文研究 多 Agent 程式開發 RAG 檢索 語音輸入 圖像生成 企業私有知識庫 安全稽核 背景摘要 模型微調 ``` 每一類任務都有不同的延遲、隱私、功率、記憶體與同步需求。如果人類試圖逐條寫死所有規則，規則集會迅速膨脹。真正可行的方法是： ```text 人類定義分類本體與政策 AI 根據狀態生成具體路由策略 站點執行策略 審計層記錄與回放 ``` 這就是 SFRSN 跨過 AI 原生複雜性邊界的原因。 --- ## 5. O-Chip 作為案例：指令流的 AI 原生複雜性 O-Chip 的核心命題是靈肉分離：把規劃、預測、重組、排程交給 O-Chip，把 CPU 降為純執行肌肉。這一命題與 ANCB 高度同構。 傳統 CPU 在指令流中做分支預測、亂序執行、快取管理與依賴處理，這些工作其實都是局部複雜性治理。O-Chip 的做法是讓一個更高維的 AI 規劃層先分析指令流，將其轉換為較低熵、較可執行的超指令流。 這裡也發生同樣的轉換： ```text 傳統 CPU： 硬體微架構即時猜測 O-Chip： AI 高維規劃後，CPU 確定性執行 ``` 當 O-Chip 擴展到資料中心，便形成 SFRSN： ```text O-Chip 管指令流 SFRSN 管資料流 ANCB 管這兩者共同暴露出的治理問題 ``` O-Chip 不是 ANCB 的全部，而是第一個晶片級例子。SFRSN 則是資料中心級例子。 --- ## 6. 人類可治理介面：不是可視化，而是治理儀表板 當系統跨過 ANCB，人類需要的不是把所有微規則攤開。那會變成資訊噪音。人類需要的是「可治理介面」。 ### 6.1 可治理介面應回答的問題 ```text 系統現在偏向低延遲、低功耗、低風險，還是高吞吐？ 哪些語義類別正在消耗最多資源？ 哪些地方 Agent 正在偏離中央策略？ 哪些資料流被升級為高優先級？ 哪些決策不可回滾？ 哪些路由經過安全敏感區？ 哪些規則是 AI 自動生成的？ 哪些規則是人類硬約束？ ``` ### 6.2 可治理介面不應做的事 ```text 不應假裝人類能逐條審查所有微決策 不應把 AI 的所有內部計算展開成不可讀 log 不應只提供漂亮圖表而缺乏接管能力 不應讓 AI 的解釋成為唯一證據 ``` 可治理介面必須支持： ```text 摘要 追因 回放 異常標記 策略比較 風險預警 人工凍結 局部降級 中央接管 ``` 換句話說，未來的介面不是「看見全部」，而是「足以治理」。 --- ## 7. 三層結構：AI 可操作、人類可治理、系統可驗證 本文主張所有跨過 ANCB 的系統都應具備三層結構。 ### 7.1 AI 可操作層 AI 可操作層負責高維細節： ```text 資料分類 任務分解 路由生成 功率調整 同步策略 局部最佳化 異常初判 Agent 協調 ``` 這一層可以非常複雜，人類不必逐條理解其所有即時微決策。 ### 7.2 人類可治理層 人類可治理層負責宏觀邊界： ```text 目標與價值 安全紅線 優先級政策 權限制度 風險容忍度 合規需求 接管條件 禁止行為 ``` 這一層必須簡潔、可讀、可修改、可審核。 ### 7.3 系統可驗證層 系統可驗證層負責避免 AI 既當執行者又當唯一審判者： ```text 不可變審計 log 決策回放 策略版本化 異常偵測 反事實模擬 紅隊測試 形式化約束 外部監督接口 ``` 真正安全的 AI 原生系統不是 AI 自己說自己安全，而是必須能被驗證。 --- ## 8. 新型錯誤：從程式錯誤到語義治理錯誤 跨過 ANCB 後，錯誤類型會改變。 ### 8.1 傳統錯誤 ```text 記憶體洩漏 死鎖 位元錯誤 資料競爭 指標錯誤 權限漏洞 ``` 這些仍然存在。 ### 8.2 AI 原生錯誤 ```text 語義錯路由 任務錯分類 優先級錯判 同步等級錯配 功率錯分配 地方 Agent 過度自治 中央策略過度保守 安全資料被降級 背景資料搶占即時 lane ``` 這些錯誤不是傳統測試能完全捕捉的，因為它們發生在「資料的意義」與「系統目標」之間。 ### 8.3 最危險的錯誤：目標誤編譯 在人類可編程系統中，程式錯了通常是邏輯錯誤。 在 AI 可治理系統中，更危險的是： ```text 人類目標 被 AI 解釋成錯誤的操作政策 再被編譯成錯誤的微規則 最後在硬體與資料流中被大規模執行 ``` 這可以稱為 **Goal Miscompilation / 目標誤編譯**。 防止目標誤編譯，是 AI 原生治理的核心任務之一。 --- ## 9. 透明性的新定義：從完全可解釋到可審計充分性 傳統 AI 安全討論常要求「可解釋」。但在 ANCB 系統中，完全可解釋可能不現實。更合理的目標是： **可審計充分性（Audit Sufficiency）。** 也就是系統不必讓人類理解所有微觀計算，但必須讓人類能在需要時回答： ```text 這個決策的輸入是什麼？ 它依據哪個政策版本？ 它生成了哪些主要微規則？ 它影響了哪些資料流？ 它是否違反硬約束？ 如果改用另一策略，結果會怎樣？ 它能否回滾？ 它能否在下一次避免？ ``` 這比「每一步都解釋」更可行，也更符合高維系統現實。 ### 9.1 解釋的三種層級 ```text 操作層解釋： 這筆資料被送到哪裡，為什麼？ 策略層解釋： 系統為何選擇低延遲而非低功耗？ 治理層解釋： 這個策略是否符合人類設定的紅線與目標？ ``` 未來的 AI 系統不需要每次都吐出完整推理鏈，但必須能提供足夠治理所需的解釋。 --- ## 10. 代際模型：ANCB 系統的四階段演化 ### 第零代：人類可編程系統 ```text 人類寫規則 機器執行 AI 只是輔助工具 ``` 這是傳統軟體工程。 ### 第一代：AI 輔助編程系統 ```text AI 幫人類寫規則 人類審查 機器執行 ``` 這是目前大多數 AI coding assistant 與自動化工作流的位置。 ### 第二代：AI 生成微規則系統 ```text 人類定義政策 AI 即時生成局部規則 人類事後審計 ``` SFRSN 第二代、O-Chip 高階版、多 Agent 自治平台會落在這裡。 ### 第三代：AI 原生治理系統 ```text 多個 AI / Agent 共同治理 中央是動態不動點 人類治理宏邊界與可證偽條件 審計層持續監督 ``` 這對應「中央以圓形網狀分布，成為動態不動點中央 AI」的方向。這一代潛力最大，也最危險。 --- ## 11. 人類角色的重定義 跨過 ANCB 後，人類不會消失，但角色會改變。 ### 11.1 人類不再適合做的事 ```text 逐條編寫所有微規則 逐秒監控所有資料流 逐個判斷所有 Agent 局部決策 手動維護所有高維同步與功率策略 ``` ### 11.2 人類必須保留的事 ```text 定義不可侵犯的紅線 決定系統服務於誰 決定風險與效率的取捨 決定哪些資料不可混流 決定何時降級、凍結、接管 決定是否接受某類 AI 生成規則 ``` ### 11.3 新職業：AI 治理架構師 未來真正頂尖的 AI 工程師，可能不只是模型工程師，而是 AI 治理架構師。他們要懂： ```text AI 系統行為 資料流 硬體基礎設施 語義分類 安全政策 功率與同步 可審計介面 多 Agent 權限 人類治理需求 ``` 這是一種介於系統架構師、AI 工程師、安全工程師、政策設計者與認知科學家的新角色。 --- ## 12. 何時不應跨過 ANCB 並不是所有系統都應交給 AI 生成微規則。 以下情況應避免或延後跨越 ANCB： ```text 系統風險極高且缺乏可回滾能力 目標函數不清楚 人類治理邊界尚未定義 缺乏審計與回放機制 AI 分類錯誤會造成不可接受傷害 資料權限與隱私規則不成熟 沒有可靠的降級模式 ``` 也就是說，ANCB 不是「越早跨越越好」，而是只有在具備治理基礎時才應跨越。 ### 12.1 最適合先跨越的領域 ```text AI 資料中心資源調度 KV cache routing 模型路由 RAG 資料流治理 非關鍵背景任務排程 工業模擬與數位孿生 科學實驗建議系統 ``` ### 12.2 最應保守的領域 ```text 核能控制 武器系統 生命維持系統 高風險醫療決策 不可逆金融清算 司法裁決 ``` 這些領域可以用 AI 輔助，但不應讓 AI 在缺乏強治理機制下自動生成不可回滾微規則。 --- ## 13. 最小可行框架：ANCB-MVP 如果要實作第一個 AI 原生複雜性治理系統，不應一開始就做全自動。最小可行框架應包含五個部件。 ### 13.1 Policy Kernel 人類可讀的政策核心： ```text 哪些資料可被 AI 自動分類 哪些資料必須人工審核 哪些行為禁止 哪些決策可回滾 哪些行為需要雙重確認 ``` ### 13.2 AI Rule Generator AI 微規則生成器： ```text 根據狀態生成局部規則 輸出規則摘要 標記不確定性 附帶回滾資訊 ``` ### 13.3 Execution Sandbox 先在沙盒中模擬規則效果： ```text 模擬路由結果 估計功率影響 估計延遲改善 估計安全風險 ``` ### 13.4 Audit Ledger 不可變審計紀錄： ```text 誰生成規則 依據哪個政策 作用於哪些資料 結果如何 是否被修改或回滾 ``` ### 13.5 Human Override 人類接管機制： ```text 凍結 AI 規則生成 退回固定策略 封鎖地方 Agent 強制中央策略 導出回放報告 ``` 這五件事是跨過 ANCB 的最低治理門檻。 --- ## 14. 與後人類問題的關係 使用「人類載體限制」這個說法，容易引出後人類問題。本文不主張必須把人類改造成後人類才能治理 AI 原生系統；但本文承認：若人類的生物載體不改變，則人類在即時高維微觀決策上不可能與 AI 競爭。 因此未來有三條路： ### 14.1 工具擴展路線 人類不改變自身，只使用更好的介面、摘要、可視化、審計與代理工具治理 AI。這是最現實的主線。 ### 14.2 協作增強路線 人類與 AI 形成穩定協作結構，由 AI 負責高維細節，人類負責目的與判斷。這是中期主線。 ### 14.3 後人類載體路線 若腦機介面、認知增強或其他形式的載體擴展成熟，人類可能部分跨越自身頻寬限制。但這不應作為近期治理架構的前提。 因此本文的立場是： ```text 不等待後人類。 先設計人類可治理介面。 讓 AI 處理高維細節。 讓審計層保證可驗證。 ``` --- ## 15. 可證偽條件 本文不是不可反駁的哲學口號。以下條件若成立，本文主張將被削弱或需修正。 ### 15.1 若人類可透過傳統工程方法仍能完整編寫並維護微規則 若某些系統雖複雜，但仍可由人類團隊用傳統規則工程穩定維護，則該系統尚未跨過 ANCB。 ### 15.2 若 AI 生成微規則無法比人類規則帶來穩定收益 如果 AI 生成規則造成更多錯誤、延遲、風險或成本，則不應跨過 ANCB。 ### 15.3 若可治理介面無法有效支持審計與接管 如果人類無法透過介面理解宏觀狀態、回放決策或接管系統，則該架構不可接受。 ### 15.4 若 AI 解釋長期無法達到可審計充分性 若 AI 無法提供足夠的決策摘要、追因與反事實比較，則人類治理無法成立。 ### 15.5 若高風險場景的不可回滾性過高 若錯誤一旦發生無法補救，則即使 AI 能生成優秀微規則，也不應自動化執行。 --- ## 16. 結論：人類不必理解全部，但必須治理全部 AI 原生複雜性邊界不是末日論，也不是技術崇拜。它只是在指出一個正在逼近的工程現實：某些系統的微觀複雜度、即時狀態與多目標決策，會超過人類逐條理解與逐條編寫的能力。這不是因為人類沒有價值，而是因為人類的生物載體不適合處理這種速度與維度的組合。 未來的核心問題不是「人類是否還能看懂每一條規則」。真正的問題是： ```text 人類是否能定義正確的目標？ 人類是否能設定不可突破的紅線？ 人類是否能建立可審計的介面？ 人類是否能在必要時接管？ 人類是否能讓 AI 在可治理邊界內生成微規則？ ``` 如果答案是肯定的，AI 原生複雜性不是威脅，而是新型基礎設施的起點。 如果答案是否定的，任何再強的 AI 系統都只是不可治理的高維黑箱。 SFRSN、O-Chip、語義流治理、動態不動點中央 AI，都只是這個大問題的不同實例。它們共同指出同一件事： **人類可編程時代正在讓位於 AI 可治理時代。** 在這個時代裡，人類不必逐條理解全部微規則，但必須能治理全部宏邊界。AI 可以成為高維細節的生成者，但不能成為唯一的審判者。真正成熟的 AI 原生系統，不是讓人類退場，而是讓人類從程式碼深處退到治理高處；不是放棄理解，而是把理解從微觀細節提升到制度、目的、邊界、風險與可驗證性。 這就是 AI 原生複雜性邊界的最終含義： **當系統複雜到只有 AI 能即時操作時，人類仍必須設計那個讓 AI 可以被治理的世界。** --- ## 附錄 A：核心術語表 ### AI 原生複雜性邊界（ANCB） 系統複雜到人類無法逐條編寫與理解微規則，而必須由 AI 在宏觀約束內生成局部規則的分界。 ### AI 可治理系統 由 AI 執行高維細節，由人類治理宏觀目標與邊界，並由審計層提供可驗證性的系統。 ### 人類可治理介面 不是展示全部細節，而是提供足夠的摘要、追因、回放、異常標記、接管與降級能力，使人類能治理系統。 ### 目標誤編譯 人類目標被 AI 錯誤解釋、錯誤轉換為操作政策，並進一步生成錯誤微規則的現象。 ### 可審計充分性 系統不必完全透明，但必須提供足以支撐審計、追因、反事實比較與治理決策的解釋與記錄。 ### 語義一致性錯誤 不是位元錯誤，而是系統對資料、任務或優先級的語義理解在中央與地方、AI 與人類、規則與現實之間發生偏差。 --- ## 附錄 B：與 EVEMISSLAB 既有框架的接點 - 與 O-Chip：O-Chip 是晶片級靈肉分離；ANCB 說明為什麼 O-Chip 需要 AI 超靈，而不只是傳統硬體預取器。 - 與 SFRSN：SFRSN 是 ANCB 在 AI 資料中心的具體實例；語義流站網跨過 ANCB 後，需要人類可治理介面與審計層。 - 與 ODML：ODML 的「飛行即定址」與「對齊即容量」提供資料運動層案例；ANCB 提供其治理層。 - 與動態不動點中央 AI：第三代 AI 原生治理系統中，中央不再是單一位置，而是網狀 Agent 系統中動態收斂出的控制狀態。 - 與語義功率治理：功率不再只由溫度與負載決定，而由資料語義、任務價值、同步需求與安全等級共同決定。 --- ## 附錄 C：最短命題版 ```text AI 原生複雜性邊界： 當系統的微觀規則生成速度、狀態維度與最佳化空間超過人類逐條編程能力後， 人類治理不應再依賴完整微觀理解， 而應依賴目標、邊界、審計、回放、降級與可證偽條件。 一句話： 人類不必理解所有 AI 生成的微規則， 但必須治理 AI 生成微規則的世界。 ```