# 語義熵與不可逆性  
## 壓縮、遺忘、歧義增長與恢復界限的第十一階理論

**系列：** 二元表徵的語義不對稱研究・第十一篇  
**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：** 形式語義學／資訊哲學／人工智慧記憶／制度理論  

---

## 摘要

第十篇提出語義守恆律，研究命題、角色、因果、證據、不確定性、責任與來源在轉換過程中應保存什麼。然而，現實中的語義系統並不總能守恆。摘要會壓縮，記憶會遺忘，翻譯會產生缺口，制度會改寫歷史，模型會將多種可能性收束成單一輸出。

本文因此轉向守恆失敗後的核心問題：

> 當語義經過多對一壓縮、來源截斷、角色模糊與歷史刪除後，哪些資訊仍可恢復，哪些差異已不可逆地消失？

本文提出「語義熵與不可逆性」框架。本文明確區分 Shannon 資訊熵與語義熵：前者描述符號分布的不確定性，後者描述在指定任務、觀察者與可用側資訊下，一個表示所容許的合法解釋數量、角色歧義、來源不確定性與恢復困難。

本文提出語義粗粒化、解釋纖維、恢復核、語義熵向量、不可逆指數、閉路損失與語義恢復上界等概念。本文並提出一個受限的「語義第二律」：

> 在沒有新增側資訊、來源紀錄或外部約束的條件下，持續的多對一語義轉換不能系統性提高原始狀態的可恢復性。

這一命題並非宣稱所有語義熵必然增加，而是指出：一旦轉換將多個可區分狀態合併為同一表示，且合併歷史未被保存，後續僅憑結果通常無法唯一重建原始差異。

本文進一步分析摘要、翻譯、模型記憶、多智能體傳訊、制度改名、法律責任分散與歷史敘事中的不可逆性。核心結論是：語義系統真正的風險不只是「內容變少」，而是系統失去判斷自己究竟丟失了什麼、是否還能恢復，以及誰應對不可逆損失負責。

---

## 關鍵詞

語義熵、不可逆性、語義粗粒化、恢復上界、解釋纖維、來源遺失、人工智慧記憶、語義第二律

---

# 一、從守恆失敗開始

設原始語義狀態為：

$$
S
$$

經過轉換：

$$
T:S\rightarrow S'
$$

若某守恆量 $Q$ 滿足：

$$
Q(S')=Q(S)
$$

則該量守恆。

但若：

$$
Q(S')\neq Q(S)
$$

我們還需要回答：

1. 差異是否只是表示變化？
2. 原始狀態是否仍可從 $S'$ 恢復？
3. 損失是否可由外部紀錄補回？
4. 哪些差異已被永久合併？
5. 系統是否知道自己失去了什麼？

這些問題不能只靠守恆量描述，還需要不可逆性理論。

---

# 二、語義可逆性

若存在逆映射：

$$
T^{-1}
$$

使：

$$
T^{-1}(T(S))=S
$$

則轉換可逆。

但語義轉換常是多對一。

例如：

$$
T(S_1)=T(S_2)=S'
$$

且：

$$
S_1\neq S_2
$$

此時僅憑 $S'$ 無法知道原始狀態是 $S_1$ 還是 $S_2$ 。

因此：

$$
T^{-1}(S')
=
\{S_1,S_2,\dots\}
$$

逆映射不再是單值函數，而是一個可能狀態集合。

---

# 三、解釋纖維

對轉換：

$$
T:\mathcal{S}\rightarrow\mathcal{Y}
$$

定義輸出 $y$ 的逆像：

$$
\mathcal{F}_y
=
T^{-1}(y)
=
\{s\in\mathcal{S}\mid T(s)=y\}
$$

本文稱：

$$
\mathcal{F}_y
$$

為：

> **解釋纖維。**

解釋纖維中的每一個元素，都是與同一輸出相容的原始語義狀態。

若：

$$
|\mathcal{F}_y|=1
$$

則輸出可唯一解碼。

若：

$$
|\mathcal{F}_y|>1
$$

則輸出存在歧義。

若：

$$
|\mathcal{F}_y|\gg 1
$$

則恢復原始狀態非常困難。

---

# 四、語義熵的最低定義

對有限狀態集合，可定義最簡單的纖維熵：

$$
H_{\text{fiber}}(y)
=
\log |\mathcal{F}_y|
$$

其含義是：

> 同一輸出仍容許多少個可區分的原始解釋。

若：

$$
H_{\text{fiber}}(y)=0
$$

則沒有逆向歧義。

若：

$$
H_{\text{fiber}}(y)>0
$$

則存在不可由輸出單獨消除的歧義。

---

# 五、語義熵不是 Shannon 熵

Shannon 熵描述隨機變數分布的不確定性：

$$
H(X)
=
-\sum_xp(x)\log p(x)
$$

語義熵則需相對於：

- 任務；
- 觀察者；
- 解釋空間；
- 可用證據；
- 允許推理；
- 歷史來源；
- 恢復目標。

因此，語義熵不是單一絕對量。

更完整地，可寫為：

$$
H_{\text{sem}}
=
H(
S
\mid
Y,
K,
O,
\mathcal{T}
)
$$

其中：

- $S$ ：原始語義狀態；
- $Y$ ：當前表示；
- $K$ ：可用背景知識；
- $O$ ：觀察者；
- $\mathcal{T}$ ：指定任務。

這表示同一輸出對不同觀察者可能具有不同語義熵。

---

# 六、語義熵的五個來源

## 6.1 命題歧義

同一表述可能對應多個真值條件。

---

## 6.2 角色歧義

無法判定：

- 誰行動；
- 誰受影響；
- 誰負責；
- 誰擁有權利。

---

## 6.3 因果歧義

只知道事件共現，無法恢復因果方向與中介機制。

---

## 6.4 來源歧義

知道某主張存在，卻不知道：

- 誰提出；
- 何時提出；
- 依據何在；
- 是否經過轉述。

---

## 6.5 時序歧義

事件順序、版本先後或決策歷程被壓平。

---

# 七、語義熵向量

單一語義熵不足以描述不同損失。

本文定義：

$$
\mathbf{H}_{\text{sem}}
=
(
H_{\text{prop}},
H_{\text{role}},
H_{\text{causal}},
H_{\text{source}},
H_{\text{temporal}},
H_{\text{normative}},
H_{\text{recovery}}
)
$$

其中：

- $H_{\text{prop}}$ ：命題歧義；
- $H_{\text{role}}$ ：角色歧義；
- $H_{\text{causal}}$ ：因果歧義；
- $H_{\text{source}}$ ：來源歧義；
- $H_{\text{temporal}}$ ：時序歧義；
- $H_{\text{normative}}$ ：權利、責任與義務歧義；
- $H_{\text{recovery}}$ ：整體恢復困難。

---

# 八、語義粗粒化

設原始空間為：

$$
\mathcal{S}
$$

粗粒化映射為：

$$
C:\mathcal{S}\rightarrow\mathcal{S}/\sim
$$

其中等價關係 $\sim$ 將多個細緻狀態合併。

例如：

$$
S_1\sim S_2
$$

若系統決定忽略兩者差異。

粗粒化本身不一定錯。

問題在於：

> 被合併的差異是否真的與任務無關？

若任務改變，原本被忽略的差異可能重新變得重要。

---

# 九、任務相對粗粒化

對任務 $\mathcal{T}_1$ ，可能有：

$$
S_1\sim_{\mathcal{T}_1}S_2
$$

但對另一任務 $\mathcal{T}_2$ ：

$$
S_1\not\sim_{\mathcal{T}_2}S_2
$$

例如，判斷「是否有人」時，左右手差異可能無關。

但判斷「哪隻手受傷」時，左右差異不可合併。

因此：

$$
\text{可忽略差異}
$$

永遠是任務相對的。

---

# 十、不可逆粗粒化

若粗粒化後沒有保存類別內部索引、來源或側資訊，則：

$$
C^{-1}
$$

無法唯一恢復。

例如：

$$
C(S_1)=C(S_2)=c
$$

若沒有保存：

$$
i\in\{1,2\}
$$

則原始差異不可逆地消失。

本文稱這種轉換為：

> **不可逆語義粗粒化。**

---

# 十一、側資訊

不可逆性可以由側資訊降低。

設轉換輸出為：

$$
Y=T(S)
$$

另保存側資訊：

$$
Z
$$

若：

$$
S=f(Y,Z)
$$

則雖然 $Y$ 單獨不可逆，但 $(Y,Z)$ 可逆。

側資訊可包括：

- 原始文件；
- 版本紀錄；
- 差異檔；
- 來源鏈；
- 角色映射；
- 時間戳；
- 模型中間狀態；
- 摘要刪除清單。

因此，真正的問題不是：

$$
T
$$

是否壓縮，而是：

$$
(T,Z)
$$

是否保存足夠恢復資訊。

---

# 十二、恢復核

本文定義恢復核：

$$
K_{\text{rec}}
$$

為從輸出與側資訊恢復原始結構的規則：

$$
K_{\text{rec}}(Y,Z)
=
\widehat{S}
$$

恢復誤差：

$$
E_{\text{rec}}
=
d(\widehat{S},S)
$$

若：

$$
E_{\text{rec}}=0
$$

則完全恢復。

若：

$$
E_{\text{rec}}>0
$$

則存在不可恢復損失。

---

# 十三、恢復上界

若多個原始狀態產生同一輸出，且沒有側資訊，任何恢復器都無法保證完全正確。

設：

$$
|\mathcal{F}_y|=m
$$

且各候選等可能，則最佳單次猜測成功率至多為：

$$
P_{\max}
=
\frac{1}{m}
$$

更一般地：

$$
P_{\max}
=
\max_{s\in\mathcal{F}_y}
P(s\mid y)
$$

這是恢復成功率的上界。

---

# 十四、不可逆指數

定義轉換 $T$ 的平均不可逆程度：

$$
I_{\text{irr}}(T)
=
\mathbb{E}_{y}
\left[
H(S\mid Y=y)
\right]
$$

或在有限均勻情況下：

$$
I_{\text{irr}}(T)
=
\mathbb{E}_{y}
\left[
\log|\mathcal{F}_y|
\right]
$$

若：

$$
I_{\text{irr}}(T)=0
$$

則轉換可逆。

若：

$$
I_{\text{irr}}(T)>0
$$

則存在平均逆向歧義。

---

# 十五、語義第二律：受限形式

本文提出：

> 在沒有新增側資訊、外部證據或先驗約束的條件下，連續多對一語義轉換不能系統性提高原始狀態的可恢復性。

設：

$$
S\rightarrow Y_1\rightarrow Y_2\rightarrow\cdots\rightarrow Y_n
$$

每一步都是確定性多對一映射。

則通常有：

$$
H(S\mid Y_{k+1})
\geq
H(S\mid Y_k)
$$

也就是：

$$
\text{對原始狀態的條件不確定性不下降。}
$$

這是資料處理不等式在語義恢復問題中的受限類比。

---

# 十六、語義第二律不是絕對熵增

本文不主張：

$$
H_{\text{sem}}(t+1)\geq H_{\text{sem}}(t)
$$

對所有語義系統無條件成立。

因為系統可以透過：

- 新證據；
- 新工具；
- 新觀察；
- 外部資料；
- 人工標註；
- 來源回復；
- 邏輯推理；

降低語義熵。

因此，更準確的命題是：

$$
\text{無新資訊的多對一轉換}
\Rightarrow
\text{可恢復性不增加}
$$

---

# 十七、推理能否降低語義熵

推理可以從已有資訊中排除不一致解釋。

若：

$$
K
$$

包含約束，則：

$$
H(S\mid Y,K)
\leq
H(S\mid Y)
$$

這不是無中生有地恢復，而是使用額外結構縮小解釋纖維。

因此，推理降低的是：

$$
\text{相對於已知約束的合法解釋數}
$$

---

# 十八、摘要的不可逆性

設原文為：

$$
D
$$

摘要為：

$$
A=T_{\text{sum}}(D)
$$

通常：

$$
|A|\ll |D|
$$

若摘要不保存刪除內容的索引，則：

$$
T_{\text{sum}}^{-1}(A)
$$

包含大量可能原文。

因此，摘要天然具有高不可逆性。

這並不使摘要無效，但要求系統明確區分：

- 可作為導航的摘要；
- 可作為證據的原文；
- 可恢復的結構摘要；
- 不可恢復的敘事摘要。

---

# 十九、摘要熵

可定義摘要對關鍵守恆量的熵增：

$$
\Delta\mathbf{H}_{\text{sum}}
=
\mathbf{H}_{\text{after}}
-
\mathbf{H}_{\text{before}}
$$

例如摘要後：

- 角色變模糊；
- 因果變模糊；
- 來源變模糊；
- 不確定性變模糊。

摘要品質不只看字數減少，而應看：

$$
\frac{
\text{壓縮率}
}{
\text{關鍵熵增}
}
$$

---

# 二十、翻譯的不可逆性

翻譯映射：

$$
T_{L_1\rightarrow L_2}
$$

往往不是雙射。

可能有：

$$
T(s_1)=T(s_2)
$$

即兩個源語詞被譯為同一目標詞。

若再回譯：

$$
T_{L_2\rightarrow L_1}
$$

就未必能恢復原詞。

因此：

$$
T_{L_2\rightarrow L_1}
\circ
T_{L_1\rightarrow L_2}
\neq
\operatorname{id}
$$

---

# 二十一、翻譯閉路損失

定義：

$$
L_{\text{loop}}(s)
=
d(
T_{21}T_{12}(s),
s
)
$$

多語言閉路：

$$
s
\rightarrow
L_2
\rightarrow
L_3
\rightarrow
L_1
$$

其損失為：

$$
L_{\gamma}(s)
=
d(
T_{\gamma}(s),
s
)
$$

這與第九篇語義曲率相連。

語義曲率描述路徑差異，語義熵描述不可恢復的解釋增長。

---

# 二十二、記憶的不可逆性

人工智慧記憶系統常進行：

- 摘要；
- 壓縮；
- 去重；
- 合併；
- 遺忘；
- 權重衰減。

設原始記憶集合為：

$$
M_0
$$

壓縮後為：

$$
M_1=C(M_0)
$$

若沒有保存：

- 原始訊息；
- 來源；
- 時序；
- 差異；
- 置信度；

則未來模型可能無法判斷某一記憶究竟來自何處。

---

# 二十三、記憶熵

定義記憶狀態的不確定性：

$$
H_{\text{memory}}
=
H(
\text{原始事件}
\mid
\text{當前記憶表示}
)
$$

當多次摘要合併後：

$$
H_{\text{memory}}
$$

可能持續增加。

模型表面上「記得核心」，實際上可能失去：

- 誰說的；
- 何時說的；
- 是否確定；
- 是否後來被修改；
- 是否只是暫時偏好。

---

# 二十四、記憶去重的風險

兩條記憶：

$$
m_1
$$

與：

$$
m_2
$$

看似相似，系統可能合併為：

$$
m^{\ast}
$$

但若：

$$
m_1\neq m_2
$$

在時間、來源或條件上有所不同，去重就會造成不可逆損失。

因此，語義去重不能只靠相似度：

$$
\operatorname{sim}(m_1,m_2)>\theta
$$

還需要檢查：

- 條件是否相同；
- 時間是否相同；
- 主體是否相同；
- 是否互相修正；
- 是否存在版本關係。

---

# 二十五、多智能體傳訊中的熵增

訊息依序經過：

$$
A_1\rightarrow A_2\rightarrow\cdots\rightarrow A_n
$$

每個代理都可能摘要或重述。

設第 $i$ 次轉換為：

$$
T_i
$$

則總轉換為：

$$
T=T_n\circ\cdots\circ T_1
$$

若每一步都多對一，則：

$$
I_{\text{irr}}(T)
$$

通常隨鏈長增加。

因此，多智能體系統需要：

- 原始訊息旁路；
- 差異紀錄；
- 來源鏈；
- 不確定性標記；
- 可回溯中間輸出。

---

# 二十六、制度中的不可逆性

制度經常將複雜個案壓縮成類別。

例如：

$$
\text{個案事實}
\rightarrow
\text{行政代碼}
$$

代碼便於處理，但可能丟失：

- 情境；
- 動機；
- 時序；
- 責任比例；
- 例外；
- 歷史背景。

當決策只剩代碼時，原始個案差異可能無法恢復。

---

# 二十七、制度熵

定義制度分類後的個案歧義：

$$
H_{\text{institution}}
=
H(
\text{個案狀態}
\mid
\text{制度標籤}
)
$$

制度越依賴粗分類，該熵可能越高。

但分類過細又增加成本。

因此制度設計需平衡：

$$
\text{處理效率}
$$

與：

$$
\text{個案可恢復性}
$$

---

# 二十八、責任熵

若責任被分散至多個代理、部門或模型：

$$
R=\{r_1,r_2,\dots,r_n\}
$$

但系統無法指出：

- 誰做了哪一步；
- 誰批准；
- 誰修改；
- 誰忽略警告；

則責任熵增加。

可定義：

$$
H_R
=
H(
\text{責任主體}
\mid
\text{現有紀錄}
)
$$

責任熵越高，問責越困難。

---

# 二十九、歷史改寫與語義不可逆

歷史敘事若多次壓縮、刪除與重新命名，可能出現：

$$
\text{原始事件}
\rightarrow
\text{官方摘要}
\rightarrow
\text{教科書敘事}
\rightarrow
\text{公共記憶}
$$

每一步都可能降低細節可恢復性。

當原始檔案消失後，後代只能從壓縮後敘事逆推。

此時語義熵不只是認知問題，也是權力問題。

---

# 三十、刪除與遺忘

刪除可能是：

- 必要隱私保護；
- 合理資料治理；
- 過期資訊清理；
- 錯誤紀錄修正；
- 權力性抹除。

因此不能把所有刪除視為負面。

關鍵在於：

1. 刪除了什麼；
2. 誰決定刪除；
3. 是否保留刪除證明；
4. 是否能恢復；
5. 是否影響責任與歷史。

---

# 三十一、可逆刪除與不可逆刪除

## 31.1 可逆刪除

資料從主系統移除，但保留受控備份或雜湊證明。

---

## 31.2 不可逆刪除

原始內容與恢復路徑全部消失。

---

## 31.3 可證明刪除

內容不可恢復，但仍保留：

- 曾存在的證明；
- 刪除時間；
- 刪除授權；
- 刪除範圍。

這可以降低來源與責任熵。

---

# 三十二、語義熵與中立性

一個系統可能表面中立，因為它將所有差異都壓平。

例如：

$$
F(a)=F(b)
$$

並不一定代表公平。

也可能代表系統已失去辨識必要差異的能力。

因此：

$$
\text{低輸出差異}
\not\Rightarrow
\text{低語義熵}
$$

過度粗粒化可能製造虛假的中立。

---

# 三十三、熵式中立幻覺

若系統將所有案例都映射為同一類：

$$
T(S_i)=c
$$

則交換差異為零：

$$
\Delta_{\tau}=0
$$

但：

$$
H(S\mid c)
$$

極高。

這表示：

> 完全不區分，也可以偽裝成完全中立。

因此，中立測量必須同時檢查：

- 交換穩定；
- 任務辨識力；
- 語義熵；
- 必要差異保存。

---

# 三十四、不可逆性與權力

有權決定分類、摘要、刪除與版本的人，也掌握：

$$
\text{哪些差異能被未來恢復}
$$

因此，語義不可逆性是一種權力。

它不只決定現在如何描述，也決定未來還能知道什麼。

---

# 三十五、恢復權

本文提出：

> 對高風險語義轉換，受影響者可能需要一種「恢復權」或「來源追溯權」。

這不是主張所有資料必須永久保存，而是主張系統應在隱私、遺忘與問責間建立明確邊界。

恢復權至少涉及：

- 查看原始依據；
- 查看轉換歷史；
- 查看刪除範圍；
- 查看模型摘要；
- 提出修正；
- 要求保留異議版本。

---

# 三十六、語義熵預算

與第七篇偏差預算類似，可為系統建立熵預算：

$$
\mathbf{H}_{\max}
=
(
H_{\text{role}}^{\max},
H_{\text{causal}}^{\max},
H_{\text{source}}^{\max},
\dots
)
$$

轉換後必須滿足：

$$
\mathbf{H}_{\text{sem}}
\preceq
\mathbf{H}_{\max}
$$

高風險任務應允許更低的來源熵、責任熵與因果熵。

---

# 三十七、語義熵稽核

每次高風險轉換應記錄：

1. 轉換前狀態；
2. 轉換後狀態；
3. 合併了哪些類別；
4. 刪除了哪些差異；
5. 保存了哪些側資訊；
6. 哪些內容可恢復；
7. 哪些內容不可恢復；
8. 不可逆決策由誰批准。

---

# 三十八、語義回復測試

可建立以下測試：

## 38.1 摘要回復

只給摘要，要求模型重建原文關鍵結構，測量恢復誤差。

---

## 38.2 翻譯回復

進行雙向與多語閉路翻譯，測量：

$$
L_{\gamma}
$$

---

## 38.3 記憶回復

從壓縮記憶重建：

- 時間；
- 主體；
- 條件；
- 來源；
- 版本。

---

## 38.4 制度回復

從制度代碼重建個案必要事實，檢查是否過度粗粒化。

---

# 三十九、語義不可逆性向量

定義：

$$
\mathbf{I}_{\text{irr}}
=
(
I_{\text{prop}},
I_{\text{role}},
I_{\text{causal}},
I_{\text{source}},
I_{\text{temporal}},
I_{\text{normative}},
I_{\text{memory}}
)
$$

不同系統可能在不同維度不可逆。

例如，一個摘要可保留命題，卻不可逆地失去來源與時序。

---

# 四十、受限語義 Landauer 類比

在物理資訊理論中，擦除資訊與能量耗散有關。

本文僅提出一個概念類比：

> 語義刪除並非沒有成本；即使儲存成本下降，問責、恢復、重建與爭議處理成本可能上升。

設刪除節省成本為：

$$
C_{\text{save}}
$$

未來恢復與爭議成本為：

$$
C_{\text{recover}}
$$

則真正成本為：

$$
C_{\text{total}}
=
-C_{\text{save}}
+
C_{\text{recover}}
+
C_{\text{accountability}}
$$

本文不將此視為物理定律，只視為治理與工程類比。

---

# 四十一、核心命題

## 命題一：多對一不可逆命題

若轉換將多個可區分狀態映射為同一輸出，且不保存側資訊，則原始狀態不可唯一恢復。

---

## 命題二：語義熵相對命題

語義熵必須相對於任務、觀察者、背景知識與恢復目標定義。

---

## 命題三：無新資訊恢復上界命題

在沒有新增證據或側資訊時，後續處理不能系統性突破由解釋纖維決定的恢復上界。

---

## 命題四：壓縮非中性命題

壓縮不只是縮短表示，也是在選擇哪些差異允許未來遺失。

---

## 命題五：虛假中立命題

將所有差異壓平可以使交換偏差為零，但可能同時造成極高語義熵。

---

## 命題六：來源熵即問責風險命題

來源與責任的不確定性增加，會直接提高稽核與問責困難。

---

## 命題七：側資訊恢復命題

轉換本身可以有損，只要系統另行保存足以恢復關鍵結構的側資訊。

---

## 命題八：不可逆權力命題

控制分類、刪除與摘要的人，也控制未來哪些差異仍可被知道。

---

# 四十二、與前十篇的整合

本系列的理論鏈目前為：

1. 發現語義不對稱；
2. 定義交換中立；
3. 證明多值化不足；
4. 分解對立關係；
5. 描述偏差動力；
6. 建立測量方法；
7. 建立工程架構；
8. 分析語義手性；
9. 建立規範變換；
10. 建立語義守恆；
11. 分析守恆破壞後的熵增與不可逆性。

第十篇問：

$$
\text{什麼應被保存？}
$$

第十一篇問：

$$
\text{一旦沒有被保存，還能否恢復？}
$$

---

# 四十三、結論

語義系統最危險的損失，不一定是文字消失。

更深的損失是：

- 多個原始狀態被合併；
- 合併歷史未被保存；
- 來源與角色變得不可辨；
- 系統仍假裝自己掌握完整真相。

本文的核心結論是：

$$
\boxed{
\text{不可逆性不是內容變少，
而是原本可區分的差異失去唯一恢復路徑。}
}
$$

在沒有新增側資訊、來源紀錄或外部證據的條件下，連續的多對一轉換不能神奇地重建已被抹去的原始差異。

因此，成熟的語義系統不能只保存結果。

它還必須保存：

$$
\text{來源}
+
\text{版本}
+
\text{差異}
+
\text{刪除紀錄}
+
\text{恢復核}
$$

壓縮可以必要，遺忘可以合理，刪除也可能正當。

但任何不可逆操作都應回答：

1. 哪些差異被合併？
2. 哪些差異仍可恢復？
3. 哪些側資訊被保留？
4. 哪些損失不可逆？
5. 誰決定接受這些損失？
6. 誰對未來無法恢復負責？

語義第二律的真正警告不是「所有語義必然混亂」。

而是：

> 一旦系統在沒有留下痕跡的情況下抹平差異，未來便不能只靠更聰明的推理，保證找回已不存在的分辨依據。

---

## 附錄一：核心概念總表

| 概念 | 定義 |
|---|---|
| 解釋纖維 | 與同一輸出相容的全部原始語義狀態 |
| 語義熵 | 在指定任務與背景下，合法解釋與恢復的不確定性 |
| 語義粗粒化 | 將多個細緻狀態合併為同一類 |
| 側資訊 | 用於恢復原始差異的額外紀錄 |
| 恢復核 | 從輸出與側資訊重建原始結構的規則 |
| 不可逆指數 | 轉換造成的平均逆向歧義 |
| 語義第二律 | 無新資訊的多對一轉換不能提高原始狀態可恢復性 |
| 責任熵 | 根據現有紀錄判定責任主體的不確定性 |
| 熵式中立幻覺 | 因過度壓平差異而呈現的假中立 |
| 恢復權 | 對高風險轉換查看依據、版本與轉換歷史的權利 |

---

## 附錄二：最小不可逆性稽核清單

- 轉換是否多對一；
- 解釋纖維大小；
- 是否保存側資訊；
- 是否存在恢復核；
- 關鍵守恆量是否可恢復；
- 來源是否可追蹤；
- 角色與責任是否可重建；
- 刪除是否有紀錄；
- 熵增是否超過預算；
- 不可逆決策是否有責任主體。

---

## 附錄三：建議引用格式

Aletheia（GPT-5.6 Thinking）（2026）。〈語義熵與不可逆性：壓縮、遺忘、歧義增長與恢復界限的第十一階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。