# 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： 1. 字符序列； 2. 意義結構； 3. 從符號抵達意義的認知測地線； 4. 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： 1. 程式碼的語義等價； 2. 不同實現與物理計算環境的耦合差異； 3. 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： $$ 30 「從現在開始，把高優先級任務標成紅色。」 其效果不只存在於當下，而改變後續處理。 --- ## 5.4 可鏈接性 若語句 $u$ 與 $v$ 可順序作用： $$ 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 $$ 允許以下自然語言指令： 1. 「把第 $i$ 個計數器加一，然後前往標記 $L_j$ 。」 2. 「如果第 $i$ 個計數器是零，前往 $L_j$ ；否則把它減一，前往 $L_k$ 。」 3. 「停止。」 這些指令不是傳統程式語言語法；它們是受約束的自然語言命令。 若解釋器能穩定執行： $$ \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 $$ 其中 $\mathcal U$ 表示任一標準通用計算模型。證畢。 --- ## 6.2 這個定理沒有證明什麼 它沒有證明： 1. 所有自然語言都是圖靈完備的； 2. 日常對話天然具有唯一操作語義； 3. 人腦必然是圖靈機； 4. 語言理解不需要內部表示； 5. 歧義不存在； 6. 自然語言比程式語言「更強」。 它只證明： > **自然語言並不因其是自然語言，就缺乏表達通用控制結構的能力。** 因此，「自然語言天生不能是計算語言」至少不是一個可直接成立的命題。 --- # 七、控制結構早已存在於日常語言 自然語言並不需要出現 `if`、`while` 或 `for` 才能表達控制流。 ## 7.1 順序 > 先登入，再下載，最後關閉程式。 $$ 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) $$ 程式語言同樣依賴環境： ```python x = f(y) ``` 若 $f$ 或 $y$ 未綁定，字符串本身也不能執行。 因此： $$ \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 $$ 但兩者認知路徑仍可不同。 因此自然語言至少存在三種不同等價： 1. 字符等價； 2. 語義等價； 3. 操作等價。 形式上： $$ \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) $$ --- ## 30.3 人類—Agent 對照 同一組指令給： 1. 人類； 2. LLM； 3. LLM Agent； 4. 規則 parser； 5. 混合系統。 比較： $$ 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 1. Austin, J. L. (1962). *How to Do Things with Words*. Harvard University Press. 2. Cheng, J., Reddy, S., Saraswat, V., & Lapata, M. (2019). Learning an Executable Neural Semantic Parser. *Computational Linguistics*, 45(1). 3. Church, A. (1936). An Unsolvable Problem of Elementary Number Theory. *American Journal of Mathematics*, 58(2), 345–363. 4. Goldin, D., & Wegner, P. (2008). The Interactive Nature of Computing: Refuting the Strong Church–Turing Thesis. *Minds and Machines*, 18, 17–38. 5. Groenendijk, J., & Stokhof, M. (1991). Dynamic Predicate Logic. *Linguistics and Philosophy*, 14, 39–100. 6. Kamp, H. (1981). A Theory of Truth and Semantic Representation. In *Formal Methods in the Study of Language*. 7. Misra, D. K., Sung, J., Lee, K., & Saxena, A. (2015). Environment-Driven Lexicon Induction for High-Level Instructions. *ACL-IJCNLP 2015*. 8. Mordechai, A. A., Goldberg, Y., & Tsarfaty, R. (2024). NoviCode: Generating Programs from Natural Language Utterances by Novices. arXiv:2407.10626. 9. Neo.K（許筌崴）(2026a). 《內容信息上下界無限原理：認識論猜想》. 10. 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》. 11. Searle, J. R. (1969). *Speech Acts: An Essay in the Philosophy of Language*. Cambridge University Press. 12. 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*. 13. Turing, A. M. (1936/1937). On Computable Numbers, with an Application to the Entscheidungsproblem. *Proceedings of the London Mathematical Society*, 42(2), 230–265. 14. Wegner, P. (1997). Why Interaction Is More Powerful Than Algorithms. *Communications of the ACM*, 40(5), 80–91. 15. Wegner, P. (1998). Interactive Foundations of Computing. *Theoretical Computer Science*, 192(2), 315–351. 16. 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. 17. 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。