# 計算七十二格候選空間的操作性驗證
## ——從確定演算法、機率系統、量子過程到自適應混合計算

**English Title:**  
**Operational Validation of the Seventy-Two-Cell Candidate Space of Computation: From Deterministic Algorithms and Stochastic Systems to Quantum Processes and Adaptive Hybrid Computation**

**文件編號：** EML-COMP-72-OV-v0.1  
**版本：** v0.1（公開自足版）  
**日期：** 2026 年 7 月 19 日  
**作者：** Neo.K（許筌崴）  
**AI 協作：** Aletheia（GPT）  
**機構：** EveMissLab（一言諾科技有限公司）

---

## 摘要

本文提出並操作性驗證一個由七十二個基本座標格構成的計算分類候選空間。其出發點是：傳統計算分類往往分別討論離散與連續、序列與並行、確定與隨機、古典與量子，但缺乏一個能將這些差異放入同一座標系的簡潔框架。

本文首先定義三個計算形態軸：

$$
\mathfrak B_2=\{\mathsf C,\mathsf D\}
$$

表示連續與離散底空間；

$$
\mathfrak U_4=\{\mathsf S,\mathsf J,\mathsf P,\mathsf R\}
$$

表示序列更新、選擇性跳躍、並行更新與識別讀出；

$$
\mathfrak O_3=\{\mathsf C,\mathsf D,\mathsf X\}
$$

表示連續觀察、離散觀察與拒絕單一觀察尺度。三軸相乘得到二十四格計算形態空間：

$$
\mathfrak P_{24}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
$$

然而，確定性細胞自動機與機率細胞自動機在上述三軸上可能取得相同座標，卻具有根本不同的下一狀態生成機制。為修補此缺口，本文增加狀態轉移律第四軸：

$$
\mathfrak L_3
=
\{\mathsf F,\mathsf K,\mathsf Q\}
$$

其中 $\mathsf F$ 表示函數型或確定型轉移， $\mathsf K$ 表示古典機率核型轉移， $\mathsf Q$ 表示必須以量子態與量子通道描述的轉移。由此得到：

$$
\mathfrak P_{72}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
\times
\mathfrak L_3
$$

$$
|\mathfrak P_{72}|=2\times4\times3\times3=72
$$

本文以八類標準案例進行壓力測試：確定性與機率細胞自動機、馬可夫鏈、神經網路推理、生成式模型、量子電路、變分量子演算法、強化學習智能體與具身機器人閉環。結果顯示，大型計算系統不應被強迫歸入單一格，而應拆成局部計算事件，並以帶七十二格標籤的有向圖表示其混合路徑。

本文據此提出「暫定操作完備性」：相對於本文測試集合，尚未發現必須增加第五核心軸或第四種基本轉移律的案例。新狀態、新角色、新硬體、新終止性、新因果拓撲或自適應性，通常屬於修飾層或系統組合層，而非新的基本狀態轉移律。此結論不等於對所有可能計算的宇宙級完備性證明；它是一個可被反例推翻的有限主張。

**關鍵詞：** 計算分類、計算七十二格、狀態轉移律、確定計算、機率計算、量子計算、混合計算、自適應系統、操作完備性

---

# 一、問題：為何還需要一個新的計算分類座標

## 1.1 計算理論已有很多分類，問題仍未消失

現有計算理論已經擁有大量成熟區分，例如：

- 離散計算與連續計算；
- 序列計算與並行計算；
- 確定計算與非確定計算；
- 隨機演算法與確定演算法；
- 古典計算與量子計算；
- 批次計算與互動計算；
- 軟體計算與物理計算；
- 封閉系統與具身系統。

問題不在於分類太少，而在於這些分類多半分散於不同學科與不同語境中。

例如，一個神經網路推理系統可能同時具有：

- 連續權重；
- 大量並行乘加；
- 離散 token 輸出；
- 確定性前向傳播；
- 機率式抽樣；
- 外部記憶；
- 互動式回饋。

若只用「神經網路」「機率模型」或「並行計算」描述，往往只能說出其中一面。

本文嘗試建立的不是一個取代所有既有理論的總分類，而是一個較低階的共同座標系：

> 一個局部計算事件究竟在什麼底空間上、以何種更新方式、透過何種觀察模式，並依靠何種最低充分轉移律發生？

---

## 1.2 分類對象必須是局部計算事件

本文不把整台電腦、整個人工智能系統或整個機器人視為一個不可再分的分類單位。

定義一個局部計算事件：

$$
\mathcal E
=
(X,U,Y,T)
$$

其中：

- $X$ ：事件的有效狀態空間；
- $U$ ：輸入或控制；
- $Y$ ：可觀察輸出；
- $T$ ：從當前狀態到下一狀態的轉移規則。

一個大型系統通常是多個事件的組合：

$$
\mathcal S
=
\mathcal E_1
\circ
\mathcal E_2
\circ
\cdots
\circ
\mathcal E_n
$$

因此，「一個系統屬於哪一格」通常不是好問題。更準確的問題是：

> 這個系統包含哪些計算事件？這些事件各自屬於哪一格？它們如何形成因果路徑？

---

# 二、二十四格計算形態空間

## 2.1 第一軸：底空間

定義：

$$
\mathfrak B_2
=
\{\mathsf C,\mathsf D\}
$$

### $\mathsf C$ ：連續底空間

事件的有效狀態主要由連續變量表示，例如：

- 微分方程中的場；
- 模擬電路中的電壓；
- 神經網路的實數權重與激活；
- 機器人的位置、速度與姿態；
- 流體、熱場與電磁場。

### $\mathsf D$ ：離散底空間

事件狀態主要由可數符號、位元或有限結構表示，例如：

- 圖靈機符號；
- 程式控制狀態；
- 布林電路；
- 細胞自動機；
- token 序列；
- 有限狀態機。

底空間標記依賴分析尺度。同一台數位電腦在電晶體電壓尺度可視為連續，在邏輯閘尺度則視為離散。

因此，分類必須寫成：

$$
B_\Gamma(\mathcal E)
$$

其中 $\Gamma$ 是分析語境與解析尺度。

---

## 2.2 第二軸：更新組織

定義：

$$
\mathfrak U_4
=
\{\mathsf S,\mathsf J,\mathsf P,\mathsf R\}
$$

### $\mathsf S$ ：序列更新

系統依步驟或順序推進：

$$
x_0\to x_1\to x_2\to\cdots
$$

典型例子包括：

- 傳統指令流；
- 動態規劃遞推；
- 序列解析；
- 單執行緒狀態機。

### $\mathsf J$ ：選擇性跳躍

系統不均勻地遍歷全部狀態，而是依條件、採樣、分支或啟發式選擇部分候選：

$$
x_t
\to
x_{t+\Delta(x_t)}
$$

典型例子包括：

- Monte Carlo 抽樣；
- 搜尋剪枝；
- beam search；
- 稀疏注意力；
- 事件驅動更新；
- 跳躍程序。

$\mathsf J$ 不等於隨機。確定性剪枝也可能是 $\mathsf J$ 。

### $\mathsf P$ ：並行更新

多個局部狀態同時或近似同時更新：

$$
(x_1,\ldots,x_n)
\mapsto
(x_1',\ldots,x_n')
$$

例如：

- 細胞自動機；
- GPU 張量運算；
- PDE 網格更新；
- 大規模神經網路前向傳播；
- 光場與物理場演化。

### $\mathsf R$ ：識別或讀出

計算主要透過匹配、判別、分類、檢索或測量讀出完成，例如：

- 雜湊表查詢；
- 最近鄰辨識；
- 模式分類；
- 記憶檢索；
- 量測結果解碼；
- 已訓練分類器的決策輸出。

$\mathsf R$ 不是說內部完全沒有其他運算，而是表示在所選事件尺度下，核心操作是從既有狀態或表示中識別結果。

---

## 2.3 第三軸：觀察模式

定義：

$$
\mathfrak O_3
=
\{\mathsf C,\mathsf D,\mathsf X\}
$$

### $\mathsf C$ ：連續觀察

輸出保留為連續量，例如：

- 溫度；
- 位移；
- 電壓；
- 機率密度；
- 連續控制訊號；
- 實數向量。

### $\mathsf D$ ：離散觀察

輸出被讀為離散符號或有限判斷，例如：

- 0 或 1；
- 類別標籤；
- token；
- 接受或拒絕；
- 棋步；
- 離散動作。

### $\mathsf X$ ：拒絕單一觀察尺度

某些系統的完整行為不能由單一連續讀數或單一離散結果充分表達。

例如：

- 多尺度湧現系統；
- 需要同時保留微觀與宏觀描述的過程；
- 單次量測不足以代表完整狀態的量子系統；
- 觀察框架本身改變可見結構的系統；
- 同時要求軌道、分布與關係拓撲的系統。

$\mathsf X$ 不等於神秘或不可測量。其含義是：

$$
\text{單一觀察映射不足以保留研究所需的結構}
$$

---

## 2.4 二十四格

三軸相乘：

$$
\mathfrak P_{24}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
$$

得到：

$$
|\mathfrak P_{24}|=2\times4\times3=24
$$

每個局部事件取得三元座標：

$$
p_{24,\Gamma}(\mathcal E)
=
\langle B;U;O\rangle
$$

例如，確定性同步細胞自動機可暫標為：

$$
\langle
\mathsf D;
\mathsf P;
\mathsf D
\rangle
$$

但這立刻暴露出一個缺口。

---

# 三、第四軸的必要性

## 3.1 最小成對反例

考慮兩個系統。

### 系統 A：確定性細胞自動機

每個格點依固定局部規則更新：

$$
x_{t+1}
=
F(x_t)
$$

### 系統 B：機率細胞自動機

每個格點依條件機率更新：

$$
x_{t+1}
\sim
K(\cdot\mid x_t)
$$

二者都可以具有：

- 離散底空間；
- 並行更新；
- 離散觀察。

因此：

$$
p_{24}(A)
=
p_{24}(B)
=
\langle
\mathsf D;
\mathsf P;
\mathsf D
\rangle
$$

但兩者的因果結構不同：

$$
F
\neq
K
$$

在 A 中，給定完整當前狀態，下一狀態唯一。

在 B 中，給定完整當前狀態，仍只得到下一狀態分布。

這個差異會改變：

- 可重現性；
- 驗證方法；
- 誤差分析；
- 模型識別；
- 長期軌道；
- 模擬策略；
- 可逆性與資訊損失。

因此，三軸不足。

---

## 3.2 第四軸：狀態轉移律

定義：

$$
\mathfrak L_3
=
\{\mathsf F,\mathsf K,\mathsf Q\}
$$

### $\mathsf F$ ：函數型轉移

$$
x_{t+1}
=
F(x_t,u_t)
$$

在模型狀態與輸入充分時，下一狀態唯一。

$\mathsf F$ 包含：

- 普通確定演算法；
- 微分方程的確定演化；
- 固定神經網路前向傳播；
- 確定控制器；
- 離散狀態機；
- 確定性物理模擬。

混沌系統仍可屬於 $\mathsf F$ 。對初值高度敏感不等於轉移本身是隨機的。

### $\mathsf K$ ：古典機率核型轉移

$$
x_{t+1}
\sim
K(\cdot\mid x_t,u_t)
$$

$K$ 是條件機率核。它包含：

- 馬可夫鏈；
- 隨機微分方程；
- 隨機演算法；
- Monte Carlo；
- 機率策略；
- token 抽樣；
- 熱噪聲主導的物理過程。

### $\mathsf Q$ ：量子通道型轉移

$$
\rho_{t+1}
=
\mathcal E(\rho_t)
$$

其中 $\rho$ 為密度算子， $\mathcal E$ 為量子通道。

一個事件只有在研究目的要求保留以下至少一項時，才應分類為 $\mathsf Q$ ：

- 相位；
- 疊加；
- 干涉；
- 糾纏；
- 非交換觀察量；
- 無法由古典機率分布充分替代的量子態結構。

使用量子硬體不必然意味著每個事件都是 $\mathsf Q$ 。例如量子測量後的古典資料處理通常屬於 $\mathsf F$ 或 $\mathsf K$ 。

---

## 3.3 七十二格

由此得到：

$$
\mathfrak P_{72}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
\times
\mathfrak L_3
$$

$$
|\mathfrak P_{72}|=72
$$

完整座標為：

$$
p_{72,\Gamma}(\mathcal E)
=
\langle B;U;O;L\rangle
$$

確定性細胞自動機：

$$
\boxed{
\langle
\mathsf D;
\mathsf P;
\mathsf D;
\mathsf F
\rangle
}
$$

機率細胞自動機：

$$
\boxed{
\langle
\mathsf D;
\mathsf P;
\mathsf D;
\mathsf K
\rangle
}
$$

第四軸因此具有可辨識的資訊增益。

---

# 四、最低充分轉移律

## 4.1 為何不能只看物理來源

一個系統可能在微觀上由量子物理構成，但其計算事件不一定需要 $\mathsf Q$ 。

例如，普通數位電腦底層最終由量子物質構成，但在邏輯閘尺度：

$$
x_{t+1}=F(x_t)
$$

已足以描述其計算。

同理，若量子隨機數產生器的輸出已被讀成古典位元，後續抽樣與應用可屬於 $\mathsf K$ 或 $\mathsf F$ 。

因此定義：

$$
L_{\min,\Gamma}(\mathcal E)
=
\text{在語境 }\Gamma\text{ 下，充分保留研究所需結構的最低轉移律}
$$

---

## 4.2 包含關係

從表示能力看，可寫出：

$$
\mathsf F
\preceq
\mathsf K
\preceq
\mathsf Q
$$

因為確定函數可嵌入機率核：

$$
K_F(A\mid x)
=
\delta_{F(x)}(A)
$$

而古典機率分布可嵌入對角密度矩陣。

但分類不應總是選擇最強表示。否則所有確定系統都可被勉強稱為機率系統，所有機率系統都可被嵌入量子形式，分類便失去辨識力。

本文採取：

> 選擇完成當前分析所需的最低充分轉移律。

---

# 五、操作性判定流程

## 5.1 事件切分

分類前先問：

1. 這是一個單一局部事件，還是一個多階段系統？
2. 輸入、狀態、轉移與輸出能否明確界定？
3. 是否混合了訓練、推理、抽樣、測量與控制？
4. 是否需要分成物理層、演算法層與功能層？

若答案顯示存在多種機制，應先切分：

$$
\mathcal S
\mapsto
\{\mathcal E_1,\ldots,\mathcal E_n\}
$$

---

## 5.2 四軸判定

### 第一步：底空間

- 有效狀態是否主要由連續變量表示？選 $\mathsf C$ 。
- 是否主要由離散符號、格點或有限狀態表示？選 $\mathsf D$ 。

### 第二步：更新組織

- 逐步依序推進： $\mathsf S$ ；
- 選擇性分支、抽樣、剪枝或事件跳轉： $\mathsf J$ ；
- 多個單位同時更新： $\mathsf P$ ；
- 主要工作是匹配、辨識或讀出： $\mathsf R$ 。

### 第三步：觀察模式

- 輸出保留連續量： $\mathsf C$ ；
- 輸出為離散符號或判斷： $\mathsf D$ ；
- 單一觀察尺度不足： $\mathsf X$ 。

### 第四步：最低充分轉移律

```text
給定完整有效狀態與輸入，下一狀態是否唯一？
├─ 是：F
└─ 否
   ├─ 是否可由古典條件機率分布充分描述？
   │  └─ 是：K
   └─ 是否必須保留相位、干涉、糾纏或非交換量子態？
      └─ 是：Q
```

若三者都不足，該案例才可能成為第四種轉移律的反例候選。

---

# 六、案例一：馬可夫鏈

設有限狀態集合：

$$
X=\{1,\ldots,n\}
$$

轉移矩陣：

$$
P_{ij}
=
\Pr(X_{t+1}=j\mid X_t=i)
$$

其事件分類為：

$$
\boxed{
\langle
\mathsf D;
\mathsf S;
\mathsf D;
\mathsf K
\rangle
}
$$

理由：

- 狀態離散；
- 時間按步推進；
- 觀察通常是離散狀態；
- 下一狀態由機率核產生。

若同時更新大量獨立鏈，更新軸可以改為 $\mathsf P$ 。這再次說明分類依賴所選事件尺度。

---

# 七、案例二：神經網路推理

## 7.1 前向傳播事件

對固定權重網路：

$$
h_{\ell+1}
=
\sigma(W_\ell h_\ell+b_\ell)
$$

在數值計算尺度下：

$$
\boxed{
\langle
\mathsf C;
\mathsf P;
\mathsf C;
\mathsf F
\rangle
}
$$

理由：

- 權重與激活通常視為連續量；
- 矩陣乘法高度並行；
- 中間表示是連續向量；
- 固定權重、輸入與數值規則時，前向結果確定。

## 7.2 分類讀出事件

若輸出取最大類別：

$$
y
=
\operatorname*{argmax}_i z_i
$$

則可另外標記：

$$
\boxed{
\langle
\mathsf C;
\mathsf R;
\mathsf D;
\mathsf F
\rangle
}
$$

同一模組在物理／數值層是並行計算，在功能層是識別。這不是矛盾，而是分析尺度不同。

---

# 八、案例三：生成式語言模型

生成式語言模型不是單一格，而是至少包含三個事件。

## 8.1 隱表示演算

$$
h_t
=
F_\theta(x_{\leq t})
$$

分類為：

$$
\langle
\mathsf C;
\mathsf P;
\mathsf C;
\mathsf F
\rangle
$$

## 8.2 機率分布生成

$$
p_\theta(v\mid x_{\leq t})
=
\operatorname{softmax}(z_t)
$$

若只計算分布而不抽樣，仍可視為：

$$
\langle
\mathsf C;
\mathsf P;
\mathsf C;
\mathsf F
\rangle
$$

因為分布向量由輸入確定。

## 8.3 token 抽樣

$$
x_{t+1}
\sim
p_\theta(\cdot\mid x_{\leq t})
$$

分類為：

$$
\boxed{
\langle
\mathsf D;
\mathsf J;
\mathsf D;
\mathsf K
\rangle
}
$$

因此完整生成路徑是：

$$
\mathsf F
\to
\mathsf F
\to
\mathsf K
$$

若採用 greedy decoding：

$$
x_{t+1}
=
\operatorname*{argmax}_v p_\theta(v\mid x_{\leq t})
$$

最後一步便從 $\mathsf K$ 變成 $\mathsf F$ 。

同一模型可因解碼政策不同而取得不同轉移律，這正是第四軸的實用價值。

---

# 九、案例四：量子電路與測量

## 9.1 量子演化

設量子態：

$$
\rho
$$

經量子電路：

$$
\rho'
=
U\rho U^\dagger
$$

或一般量子通道：

$$
\rho'
=
\mathcal E(\rho)
$$

分類為：

$$
\boxed{
\langle
\mathsf D/\mathsf C;
\mathsf P;
\mathsf X;
\mathsf Q
\rangle
}
$$

底空間取決於使用量子位還是連續變量量子模式。

觀察標為 $\mathsf X$ ，是因為單一古典讀出不能完整代表量子態；不同測量基底揭示不同信息。

## 9.2 測量事件

測量輸出：

$$
y
\sim
\Pr(y\mid\rho')
$$

在古典輸出尺度可分類為：

$$
\boxed{
\langle
\mathsf D;
\mathsf R;
\mathsf D;
\mathsf K
\rangle
}
$$

因此量子電路的完整路徑不是單一 $\mathsf Q$ ，而是：

$$
\boxed{
\mathsf Q
\to
\mathsf K
}
$$

---

# 十、案例五：變分量子演算法

變分量子演算法由古典與量子階段構成：

$$
\theta_t
\to
U(\theta_t)
\to
\rho_t
\to
y_t
\to
\widehat L(\theta_t)
\to
\theta_{t+1}
$$

## 10.1 古典參數設定

$$
\theta_t
=
F_{\mathrm{opt}}(h_t)
$$

通常為 $\mathsf F$ ，若使用隨機最佳化則可為 $\mathsf K$ 。

## 10.2 量子態演化

$$
\rho_t
=
\mathcal E_{\theta_t}(\rho_0)
$$

為 $\mathsf Q$ 。

## 10.3 測量

$$
y_t
\sim
K_{\mathrm{meas}}(\cdot\mid\rho_t)
$$

為 $\mathsf K$ 。

## 10.4 古典參數更新

$$
\theta_{t+1}
=
F_{\mathrm{update}}(\theta_t,\widehat L_t)
$$

為 $\mathsf F$ 。

整體路徑：

$$
\boxed{
\mathsf F
\to
\mathsf Q
\to
\mathsf K
\to
\mathsf F
}
$$

這是七十二格必須採用圖式表示，而不能只要求單格歸類的典型案例。

---

# 十一、案例六：強化學習智能體

強化學習閉環為：

$$
s_t
\to
a_t
\to
r_t,s_{t+1}
\to
\theta_{t+1}
$$

## 11.1 狀態辨識

若由感測資料估計狀態：

$$
\hat s_t
=
F_{\mathrm{enc}}(o_t)
$$

可分類為：

$$
\langle
\mathsf C;
\mathsf R;
\mathsf D/\mathsf C;
\mathsf F
\rangle
$$

## 11.2 策略選擇

機率策略：

$$
a_t
\sim
\pi_\theta(\cdot\mid s_t)
$$

分類為：

$$
\boxed{
\langle
\mathsf D/\mathsf C;
\mathsf J;
\mathsf D;
\mathsf K
\rangle
}
$$

確定策略則可為 $\mathsf F$ 。

## 11.3 環境轉移

若環境確定：

$$
s_{t+1}
=
F_{\mathrm{env}}(s_t,a_t)
$$

為 $\mathsf F$ 。

若環境隨機：

$$
s_{t+1}
\sim
K_{\mathrm{env}}(\cdot\mid s_t,a_t)
$$

為 $\mathsf K$ 。

## 11.4 學習更新

確定梯度更新：

$$
\theta_{t+1}
=
\theta_t-\eta\nabla_\theta L_t
$$

為 $\mathsf F$ 。

隨機梯度與探索噪聲主導時，可在較粗尺度標為 $\mathsf K$ 。

### 11.5 自適應不是第四種律

強化學習會改變自己的政策：

$$
\pi_{\theta_t}
\neq
\pi_{\theta_{t+1}}
$$

但政策更新仍由 $\mathsf F$ 或 $\mathsf K$ 描述。

因此：

$$
\text{規則會改變}
\not\Rightarrow
\text{存在第四種基本轉移律}
$$

更準確地說，自適應系統是在七十二格之間形成動態路徑。

---

# 十二、案例七：具身機器人閉環

一個機器人系統通常包含：

$$
\text{感測}
\to
\text{辨識}
\to
\text{規劃}
\to
\text{控制}
\to
\text{物理環境}
\to
\text{新感測}
$$

## 12.1 感測

連續感測：

$$
y_t
=
F_{\mathrm{sensor}}(e_t)+\epsilon_t
$$

可依噪聲模型標為 $\mathsf F$ 或 $\mathsf K$ 。

## 12.2 辨識

$$
\hat z_t
=
F_{\mathrm{perception}}(y_t)
$$

通常為：

$$
\langle
\mathsf C;
\mathsf R;
\mathsf D/\mathsf C;
\mathsf F
\rangle
$$

## 12.3 規劃

A* 等確定搜尋可由 $\mathsf J+\mathsf F$ 描述；隨機路徑規劃則為 $\mathsf J+\mathsf K$ 。

## 12.4 控制

連續控制：

$$
u_t
=
F_{\mathrm{ctrl}}(\hat z_t)
$$

可分類為：

$$
\langle
\mathsf C;
\mathsf S;
\mathsf C;
\mathsf F
\rangle
$$

## 12.5 物理環境

理想確定動力：

$$
e_{t+1}
=
F_{\mathrm{phys}}(e_t,u_t)
$$

含擾動時：

$$
e_{t+1}
\sim
K_{\mathrm{phys}}(\cdot\mid e_t,u_t)
$$

### 12.6 具身性不是新核心軸

具身性改變：

- 系統與環境是否閉合；
- 感測與執行延遲；
- 物理約束；
- 安全條件；
- 即時性；
- 能源與材料。

這些非常重要，但它們描述的是計算事件所處的世界與限制，不是基本下一狀態生成律。

---

# 十三、案例八：事件驅動與混合系統

考慮一個混合自動機：

$$
\dot x
=
f_q(x)
$$

當守衛條件成立：

$$
g(x)=0
$$

系統發生離散跳轉：

$$
q^+
=
R(q^-,x)
$$

連續流動階段可分類為：

$$
\langle
\mathsf C;
\mathsf P/\mathsf S;
\mathsf C;
\mathsf F
\rangle
$$

事件跳轉階段則為：

$$
\langle
\mathsf D;
\mathsf J;
\mathsf D;
\mathsf F
\rangle
$$

若加入隨機跳躍率：

$$
q^+
\sim
K(\cdot\mid q^-,x)
$$

則跳轉階段改為 $\mathsf K$ 。

混合系統再次說明：

$$
\text{跨格路徑}
\neq
\text{分類失敗}
$$

---

# 十四、什麼不構成新軸

## 14.1 新狀態不等於新轉移律

加入：

- 未知態；
- 崩潰態；
- 臨界態；
- 混沌態；
- 吸收態；
- 記憶態；

只是擴張狀態集合 $X$ 。

只要仍存在：

$$
F:X\to X
$$

或：

$$
K:X\to\mathcal P(X)
$$

或量子通道：

$$
\mathcal E:\mathcal D(\mathcal H)\to\mathcal D(\mathcal H)
$$

便沒有產生新轉移律。

---

## 14.2 新角色不等於新轉移律

同一個 $\mathsf F$ 事件可以扮演：

- 解題；
- 記憶；
- 驗證；
- 控制；
- 規劃；
- 定義；
- 協調。

角色回答「它在系統中做什麼」；第四軸回答「下一狀態如何產生」。

---

## 14.3 新硬體不等於新轉移律

CPU、GPU、光子晶片、類比電路、神經形態晶片與量子硬體可能實現相同抽象事件。

硬體載體應作為額外標籤：

$$
H(\mathcal E)
$$

而不是自動乘入核心七十二格。

---

## 14.4 非交換不等於量子

若：

$$
a\star b
\neq
b\star a
$$

但給定有序輸入後，輸出仍唯一：

$$
c=F_\star(a,b)
$$

則仍屬於 $\mathsf F$ 。

矩陣乘法、函數合成與字串串接都可能非交換。

---

## 14.5 非結合不等於新轉移律

若：

$$
(a\star b)\star c
\neq
a\star(b\star c)
$$

只表示計算路徑與括號結構重要。

將歷史或語法樹納入狀態後，仍可由 $\mathsf F$ 或 $\mathsf K$ 描述。

---

## 14.6 非終止不等於新轉移律

一個系統可能永不停止：

$$
x_0\to x_1\to x_2\to\cdots
$$

非終止是軌道性質，不是下一狀態生成形式。

---

## 14.7 超圖不等於新轉移律

多元關係：

$$
H\subseteq\mathcal P(V)
$$

描述的是因果或依賴拓撲。

超圖節點的更新仍可能屬於 $\mathsf F$ 、 $\mathsf K$ 或 $\mathsf Q$ 。

---

## 14.8 自適應不等於新轉移律

即使轉移規則本身更新：

$$
T_{t+1}
=
\Phi(T_t,h_t)
$$

只要 $\Phi$ 是函數、機率核或量子通道，自適應仍在三類之內。

---

# 十五、從靜態表格到因果圖

## 15.1 系統表示

定義有向圖：

$$
G_{\mathcal S}
=
(V,E)
$$

其中每個節點：

$$
v_i\in V
$$

代表一個局部計算事件。

定義七十二格標記：

$$
\lambda_{72}:V\to\mathfrak P_{72}
$$

邊：

$$
e_{ij}\in E
$$

表示：

- 資訊流；
- 控制流；
- 能量流；
- 測量；
- 參數更新；
- 因果影響；
- 回饋。

因此：

$$
\boxed{
\mathcal S
=
G_{\mathcal S}[\mathfrak P_{72}]
}
$$

才是大型系統的實用表示。

---

## 15.2 修飾層

七十二格之外，可加入修飾向量：

$$
m(\mathcal E)
=
(R,T,I,\tau,H,C,\Omega)
$$

其中：

- $R$ ：功能角色；
- $T$ ：執行層或環境層；
- $I$ ：封閉、互動或自適應；
- $\tau$ ：時鐘、事件驅動或自主時間；
- $H$ ：硬體或物理載體；
- $C$ ：資源向量；
- $\Omega$ ：終止性、可逆性與安全屬性。

完整描述為：

$$
\chi(\mathcal E)
=
[
\langle B;U;O;L\rangle;
m(\mathcal E)
]
$$

七十二格是核心座標，不是系統的全部描述。

---

# 十六、操作完備性

## 16.1 定義

令本文測試集合為：

$$
\mathcal C_{\mathrm{test}}
$$

包括：

- 確定細胞自動機；
- 機率細胞自動機；
- 馬可夫鏈；
- 神經網路；
- 生成式模型；
- 量子電路；
- 變分量子演算法；
- 強化學習；
- 具身機器人；
- 混合自動機。

若對每個：

$$
\mathcal S\in\mathcal C_{\mathrm{test}}
$$

皆存在事件分解：

$$
D(\mathcal S)
=
\{\mathcal E_i\}_{i\in I}
$$

使：

$$
p_{72}(\mathcal E_i)
\in
\mathfrak P_{72}
$$

且剩餘差異可由圖結構或修飾層表示，則稱 $\mathfrak P_{72}$ 對 $\mathcal C_{\mathrm{test}}$ 具有操作完備性。

---

## 16.2 本文結果

本文案例均可表示為：

$$
\mathsf F,\quad
\mathsf K,\quad
\mathsf Q
$$

或其混合路徑。

因此得到有限結論：

$$
\boxed{
\mathfrak P_{72}
\text{ 對本文測試集合具有暫定操作完備性}
}
$$

「暫定」表示它仍可被未來反例推翻。

---

# 十七、反例與第五軸觸發條件

七十二格不應被宣布為宇宙級完備分類。真正的反例應滿足以下條件。

存在兩個局部計算事件：

$$
\mathcal E_1,\mathcal E_2
$$

使：

$$
p_{72}(\mathcal E_1)
=
p_{72}(\mathcal E_2)
$$

但存在根本差異 $\Delta$ ，而且：

1. $\Delta$ 不是狀態空間大小差異；
2. $\Delta$ 不是角色差異；
3. $\Delta$ 不是硬體載體差異；
4. $\Delta$ 不是運算資源差異；
5. $\Delta$ 不是因果圖位置差異；
6. $\Delta$ 不是可逆性或終止性差異；
7. $\Delta$ 不能由多個七十二格事件的混合路徑表示；
8. $\Delta$ 改變基本可計算性、生成方式或驗證方法。

只有此時，才應考慮第五核心軸。

可能的未來反例來源包括：

- 一般化機率理論；
- 非量子但非古典的狀態代數；
- 超計算 oracle；
- 無法局部化的整體計算；
- 不能被函數、機率核或量子通道充分表示的新物理理論。

---

# 十八、框架限制

## 18.1 軸之間未必完全獨立

例如：

- $\mathsf R$ 常伴隨離散輸出；
- $\mathsf Q$ 常伴隨 $\mathsf X$ ；
- 並行物理場常伴隨連續底空間。

因此七十二格是形式乘積，不代表所有格都同樣自然或同樣容易實現。

---

## 18.2 語境依賴

分類是：

$$
p_{72,\Gamma}(\mathcal E)
$$

而不是脫離分析目的的絕對名稱。

同一系統可在不同尺度取得不同標記，但每次標記必須說明：

- 分析層；
- 有效狀態；
- 事件邊界；
- 觀察輸出；
- 最低充分律。

---

## 18.3 事件切分尚未唯一

同一系統可能存在多種合理分解。

例如語言模型可拆為：

- 每個 Transformer block；
- 整個前向傳播；
- 分布計算與抽樣兩階段；
- 每個 token 的完整生成循環。

未來需要研究不同分解是否存在等價關係或正規形式。

---

## 18.4 $\mathsf X$ 需要更精確的判定標準

拒絕單一觀察尺度是三個觀察類別中最容易被濫用的一類。

未來應要求至少滿足一項：

- 不同觀察基底不可同時被單一輸出保留；
- 單尺度粗粒化破壞關鍵不變量；
- 微觀與宏觀描述均為任務必要；
- 觀察行為改變可觀察結構；
- 需要分布、軌道與拓撲等多種輸出共同構成充分統計量。

---

# 十九、後續研究計畫

## 19.1 標準案例資料庫

每個案例應保存：

- 事件定義；
- 四軸座標；
- 判定理由；
- 可替代分類；
- 分析尺度；
- 混合路徑；
- 分類信心；
- 爭議點。

---

## 19.2 跨分類者一致性

讓多位人類與多個 AI 獨立分類同一案例，測量：

- 單軸一致率；
- 完整座標一致率；
- 事件切分一致率；
- Cohen's $\kappa$ ；
- 分歧來源。

若一致性過低，代表框架需要更嚴格的操作定義。

---

## 19.3 自動分類引擎

未來可建立：

$$
\text{系統說明}
\to
\text{事件切分}
\to
\text{四軸分類}
\to
\text{因果圖}
\to
\text{反例警告}
$$

該引擎不只是輸出一個名稱，而應同時輸出：

- 主要分類；
- 次要分類；
- 尺度依賴；
- 混合路徑；
- 不確定性；
- 是否疑似需要新軸。

---

## 19.4 對抗性反例生成

可以訓練或設計一個系統，專門尋找：

$$
p_{72}(\mathcal E_1)
=
p_{72}(\mathcal E_2)
$$

但兩者在基本計算可行性上仍不等價的事件對。

這比繼續增加案例數更重要，因為真正有價值的是找出框架失敗的最小反例。

---

# 二十、結論

本文建立了一個自足的計算七十二格候選空間，並以標準計算案例進行操作性驗證。

首先，二十四格形態空間：

$$
\mathfrak P_{24}
=
\mathfrak B_2
\times
\mathfrak U_4
\times
\mathfrak O_3
$$

能描述底空間、更新組織與觀察模式，但不能區分具有相同形態、不同狀態生成機制的系統。

確定性與機率細胞自動機構成最小反例，因此需要第四軸：

$$
\mathfrak L_3
=
\{\mathsf F,\mathsf K,\mathsf Q\}
$$

得到：

$$
\mathfrak P_{72}
=
\mathfrak P_{24}
\times
\mathfrak L_3
$$

標準案例顯示：

- 馬可夫鏈屬於 $\mathsf K$ ；
- 固定神經網路前向傳播屬於 $\mathsf F$ ；
- token 抽樣屬於 $\mathsf K$ ；
- 量子態演化屬於 $\mathsf Q$ ；
- 量子測量後的古典輸出屬於 $\mathsf K$ ；
- 變分量子演算法形成 $\mathsf F\to\mathsf Q\to\mathsf K\to\mathsf F$ ；
- 強化學習與具身機器人形成動態混合路徑；
- 自適應、非終止、非交換、超圖與新狀態均不自動構成新轉移律。

因此，七十二格的正確用途不是要求人類記住七十二個名稱，也不是將整個複雜系統塞入一個格，而是：

$$
\boxed{
\text{把局部計算事件標記為七十二格節點，再以因果圖組成完整系統}
}
$$

本文最終支持：

$$
\boxed{
\mathfrak P_{72}
\text{ 對本文標準測試集合具有暫定操作完備性}
}
$$

但不支持宇宙級完備性宣稱。

在尚未出現符合第五軸觸發條件的強反例之前，合理策略不是繼續無限制擴張分類表，而是：

1. 改進事件切分；
2. 建立操作判定規則；
3. 測量分類一致性；
4. 建立對抗性反例生成；
5. 將七十二格實作為分類引擎與因果圖工具。

七十二格不是所有計算理論的終點。它更像是一套低階共同字母表：

> **它不回答整個系統最終是什麼，而回答系統中的局部計算事件如何發生。**

---

# 參考文獻

1. Turing, A. M. (1936). *On Computable Numbers, with an Application to the Entscheidungsproblem*. Proceedings of the London Mathematical Society.
2. Shannon, C. E. (1948). *A Mathematical Theory of Communication*. Bell System Technical Journal.
3. von Neumann, J. (1958). *The Computer and the Brain*. Yale University Press.
4. Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. *Proceedings of the National Academy of Sciences*.
5. Wolfram, S. (1983). Statistical mechanics of cellular automata. *Reviews of Modern Physics*.
6. Nielsen, M. A., & Chuang, I. L. (2010). *Quantum Computation and Quantum Information*. Cambridge University Press.
7. Sutton, R. S., & Barto, A. G. (2018). *Reinforcement Learning: An Introduction* (2nd ed.). MIT Press.
8. Pearl, J. (2009). *Causality: Models, Reasoning, and Inference* (2nd ed.). Cambridge University Press.
9. Boyd, S., & Vandenberghe, L. (2004). *Convex Optimization*. Cambridge University Press.
10. Alur, R., Courcoubetis, C., Henzinger, T. A., & Ho, P.-H. (1995). Hybrid automata: An algorithmic approach to the specification and verification of hybrid systems. In *Hybrid Systems*.

---

# 版本聲明

本稿為公開自足版 v0.1。其目標是讓未接觸作者其他理論的讀者，也能獨立理解七十二格的來源、必要性、操作方式、案例驗證、限制與可證偽條件。後續版本應優先補充分類一致性實驗、更多跨學科案例與形式化事件分解，而非直接增加新的核心軸。