# 語義負熵與可逆重建 ## 冗餘、來源鏈、版本差分與自我修復表徵的第十二階理論 **系列：** 二元表徵的語義不對稱研究・第十二篇 **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／人工智慧記憶／資訊治理／知識工程 --- ## 摘要 第十一篇提出語義熵與不可逆性理論，指出當多個可區分狀態被多對一轉換合併，且沒有保存側資訊時，原始差異將失去唯一恢復路徑。這一結論揭示了摘要、翻譯、記憶壓縮、制度分類與多智能體傳訊中的根本風險。 然而，若不可逆性只被視為必然終點，理論便停留在消極診斷。本文因此轉向下一個問題： > 一個語義系統如何主動保存恢復能力，使自己在壓縮、漂移、損壞與多輪轉換後，仍能重建關鍵結構？ 本文提出「語義負熵」與「可逆重建」框架。所謂語義負熵，不是將熱力學概念直接移植，而是指能夠降低解釋歧義、補充恢復資訊、縮小逆像纖維、重建來源鏈與恢復角色結構的組織性機制。其主要來源包括：冗餘、校驗、差分、版本鏈、來源證明、角色標記、因果圖、置信度記錄與多視角互證。 本文提出語義冗餘、恢復充分統計量、可逆摘要、語義校驗碼、差分記憶、自我修復圖、來源閉包與恢復勢能等概念。本文主張，理想語義系統不必保存所有原始細節，但必須保存足以重建關鍵不變量的「最小恢復核」。 本文進一步提出「語義冗餘悖論」：在一般文字處理中，冗餘常被視為低效率；但在高風險語義系統中，適度冗餘恰恰是抵抗不可逆損失、來源漂移與責任消散的必要條件。 本文最後建立一套可部署的自我修復架構，適用於人工智慧記憶、多智能體系統、知識庫、法規版本治理、研究資料鏈與長期自主代理。核心結論是：真正可靠的壓縮，不是把內容縮到最短，而是在最小成本下保留最大可恢復性。 --- ## 關鍵詞 語義負熵、可逆重建、語義冗餘、版本差分、來源鏈、自我修復記憶、恢復核、人工智慧長期記憶 --- # 一、從不可逆性走向恢復工程 第十一篇提出： $$ H(S\mid Y_{k+1}) \geq H(S\mid Y_k) $$ 在沒有新增側資訊的多對一轉換鏈中，原始狀態的可恢復性不會自行提高。 因此，若要降低： $$ H(S\mid Y) $$ 系統必須引入額外結構。 這些額外結構可能包括： - 原始來源； - 版本差分； - 校驗標記； - 角色對應； - 時間戳； - 因果結構； - 多份獨立摘要； - 外部證據； - 人工覆核； - 跨模態互證。 本文將所有能縮小解釋纖維的機制統稱為： > **語義負熵機制。** --- # 二、語義負熵的定義 設原始狀態為： $$ S $$ 當前表示為： $$ Y $$ 側資訊為： $$ Z $$ 若： $$ H(S\mid Y,Z) < H(S\mid Y) $$ 則 $Z$ 對恢復問題提供語義負熵。 定義負熵增益： $$ N_Z = H(S\mid Y) - H(S\mid Y,Z) $$ 若： $$ N_Z>0 $$ 則側資訊 $Z$ 有助於恢復原始狀態。 若： $$ N_Z=0 $$ 則 $Z$ 對指定恢復任務無效。 --- # 三、語義負熵不是資訊增加的神話 語義負熵不能無中生有地創造已消失的原始差異。 若原始資料已被完全刪除，且不存在： - 備份； - 差分； - 外部副本； - 約束； - 來源鏈； - 統計先驗； 則任何重建都只能是猜測。 因此： $$ \text{負熵機制} \neq \text{憑空恢復} $$ 它依賴： $$ \text{先前保存} + \text{外部證據} + \text{結構約束} $$ --- # 四、恢復能力 設恢復器為： $$ K_{\text{rec}}(Y,Z)=\widehat S $$ 恢復誤差為： $$ E_{\text{rec}} = d(\widehat S,S) $$ 定義恢復能力： $$ R_{\text{cap}} = 1- \frac{E_{\text{rec}}}{E_{\max}+\varepsilon} $$ 其中： $$ 0\leq R_{\text{cap}}\leq 1 $$ 若： $$ R_{\text{cap}}=1 $$ 則完全恢復。 若： $$ R_{\text{cap}}\approx 0 $$ 則幾乎無恢復能力。 --- # 五、恢復不是複製 語義恢復不一定要求逐字還原。 例如，原始文本可能已不可得，但仍可恢復： - 核心命題； - 角色關係； - 因果結構； - 責任分配； - 時序； - 證據強度； - 不確定性。 因此，可定義分層恢復： $$ \mathbf{R} = ( R_{\text{surface}}, R_{\text{prop}}, R_{\text{role}}, R_{\text{causal}}, R_{\text{source}}, R_{\text{normative}} ) $$ 其中表面字串恢復可能失敗，但結構恢復仍可成功。 --- # 六、最小恢復核 本文提出： > **最小恢復核，是在給定任務下，足以重建關鍵語義不變量的最小側資訊集合。** 設關鍵守恆量集合為： $$ \mathcal{Q}^{\ast} = \{Q_1,\dots,Q_m\} $$ 尋找最小 $Z^{\ast}$ ，使： $$ Q_i( K_{\text{rec}}(Y,Z^{\ast}) ) = Q_i(S) $$ 對所有 $i$ 成立。 同時： $$ |Z^{\ast}| $$ 盡可能小。 形式上： $$ Z^{\ast} = \arg\min_Z \left[ C(Z) + \lambda \mathcal{L}_{\text{rec}}(Z) \right] $$ --- # 七、恢復充分統計量 若側資訊 $Z$ 對指定恢復任務包含原始狀態所需的全部關鍵資訊，則稱 $Z$ 為恢復充分統計量。 形式上，若： $$ Q^{\ast}(S) \perp S \mid (Y,Z) $$ 或更直觀地說： $$ Q^{\ast}(S) = f(Y,Z) $$ 則 $(Y,Z)$ 對 $Q^{\ast}$ 的恢復是充分的。 這使系統可以不保存所有原始細節，而只保存指定任務所需的最小結構。 --- # 八、語義冗餘 通常，冗餘被理解為重複與浪費。 但在恢復工程中，冗餘可以提高抗損壞能力。 設同一命題由多種表示保存： $$ S \mapsto \{ R_1(S), R_2(S), \dots, R_n(S) \} $$ 若部分表示損壞，其他表示仍可協助重建。 語義冗餘可以包括： - 原文與摘要並存； - 圖與表並存； - 規則與案例並存； - 自然語言與形式語言並存； - 結論與推理鏈並存； - 本地與遠端副本並存； - 多模型獨立解讀並存。 --- # 九、語義冗餘悖論 在壓縮導向系統中： $$ \text{冗餘} \rightarrow \text{低效率} $$ 但在高風險恢復系統中： $$ \text{適度冗餘} \rightarrow \text{高可靠性} $$ 因此存在一個基本張力： $$ \text{儲存效率} \leftrightarrow \text{恢復能力} $$ 本文稱之為： > **語義冗餘悖論。** --- # 十、冗餘的四種形式 ## 10.1 重複冗餘 同一內容保存多份。 --- ## 10.2 異構冗餘 同一結構使用不同模態保存。 例如： $$ \text{文字} + \text{圖} + \text{公式} $$ --- ## 10.3 邏輯冗餘 保存可互相推出的命題。 --- ## 10.4 來源冗餘 同一主張由多個獨立來源支持。 異構冗餘與來源冗餘通常比單純複製更有恢復價值。 --- # 十一、語義校驗碼 在資料傳輸中，校驗碼可偵測錯誤。 類似地，語義系統可以保存少量校驗結構，檢查轉換是否破壞關鍵關係。 設原始語義狀態為： $$ S $$ 生成語義校驗碼： $$ c=\Gamma(S) $$ 轉換後得到： $$ S' $$ 若： $$ \Gamma(S')\neq c $$ 則表示關鍵結構已變化。 --- # 十二、校驗碼的候選內容 語義校驗碼可包含： - 主體數量； - 角色對應； - 因果邊數； - 時序約束； - 否定詞數； - 不確定性等級； - 責任總量； - 來源指紋； - 關鍵命題雜湊； - 關係圖摘要。 例如： $$ \Gamma(S) = ( n_{\text{agent}}, n_{\text{causal}}, q_{\text{uncertainty}}, h_{\text{source}} ) $$ --- # 十三、校驗與恢復的區別 校驗碼可以告訴我們： $$ \text{內容變了} $$ 但不一定能告訴我們： $$ \text{如何恢復} $$ 因此需要區分： - 錯誤偵測； - 錯誤定位； - 錯誤修復。 成熟系統應至少具備前兩者，高風險系統則應具備第三者。 --- # 十四、語義糾錯碼 若系統保存多個相互約束的語義片段： $$ s_1,s_2,\dots,s_n $$ 其中部分損壞後，可利用其他片段重建。 設約束集合為： $$ \mathcal{C} = \{c_1,\dots,c_m\} $$ 重建問題可寫為： $$ \widehat S = \arg\min_S \left[ \mathcal{L}_{\text{observed}}(S) + \lambda \mathcal{L}_{\text{constraint}}(S,\mathcal{C}) \right] $$ 這是一種語義糾錯機制。 --- # 十五、版本差分 完整保存所有版本成本很高。 可保存： $$ S_0 $$ 與差分： $$ \Delta_t = S_{t+1}-S_t $$ 則： $$ S_n = S_0 + \sum_{t=0}^{n-1}\Delta_t $$ 在語義系統中，差分不只是字串差異，也應包含： - 新增命題； - 刪除命題； - 角色變更； - 因果變更； - 責任變更； - 置信度變更； - 來源變更。 --- # 十六、語義差分 定義語義差分向量： $$ \Delta_{\text{sem}} = ( \Delta_{\text{prop}}, \Delta_{\text{role}}, \Delta_{\text{causal}}, \Delta_{\text{evidence}}, \Delta_{\text{uncertainty}}, \Delta_{\text{responsibility}}, \Delta_{\text{source}} ) $$ 這比純文字 diff 更接近真正的版本變更。 --- # 十七、差分鏈的脆弱性 若只保存： $$ S_0 $$ 與一長串差分： $$ \Delta_0,\dots,\Delta_n $$ 任何中間差分損壞都可能破壞後續重建。 因此可採用： - 定期快照； - 多層差分； - 校驗點； - 分支合併記錄； - 不可變日誌； - 多副本驗證。 --- # 十八、語義版本圖 版本不一定是線性鏈。 可能出現： - 分支； - 合併； - 回滾； - 平行修訂； - 衝突版本。 因此應使用有向無環圖： $$ G_V=(V,E) $$ 其中節點是版本，邊是變更。 每條邊保存： $$ \Delta_{\text{sem}}(v_i,v_j) $$ --- # 十九、來源鏈與來源閉包 設某一主張 $q$ 的直接來源集合為： $$ P_1(q) $$ 來源的來源為： $$ P_2(q) $$ 以此類推。 來源閉包為： $$ P^{\ast}(q) = \bigcup_{k\geq1}P_k(q) $$ 一項主張若保留完整來源閉包，就能追蹤： - 原始證據； - 中介轉述； - 模型加工； - 人工修訂； - 版本替換。 --- # 二十、來源鏈斷裂 若某節點： $$ p_i $$ 只保留輸出，未保留輸入與轉換紀錄，則來源鏈在此斷裂。 形式上： $$ P(p_i)=\varnothing $$ 但： $$ p_i $$ 並非原始來源。 這會製造虛假源點。 --- # 二十一、虛假源點 本文定義： > **虛假源點，是實際經過轉述或生成的內容，因來源鏈斷裂而被誤認為原始來源。** 人工智慧生成內容、無作者摘要、重製資料庫與二次引用中，這類問題尤其嚴重。 虛假源點會提高： $$ H_{\text{source}} $$ 並降低： $$ R_{\text{provenance}} $$ --- # 二十二、多視角互證 單一表示可能偏斜。 若多個相對獨立的觀察者： $$ O_1,\dots,O_n $$ 對同一事件產生表示： $$ R_1,\dots,R_n $$ 可透過交集與差異進行重建。 共同核心： $$ C = \bigcap_{i=1}^{n} R_i $$ 差異集合： $$ D_i = R_i-C $$ 多視角互證不保證真實，但能降低單一來源失效風險。 --- # 二十三、獨立性的重要性 多份資料若來自同一源頭，只是重複轉述，不能視為真正獨立冗餘。 設來源相關矩陣為： $$ \Sigma $$ 若來源高度相關： $$ \Sigma_{ij}\approx1 $$ 則表面上有多份資料，實際負熵增益有限。 因此，來源數量不等於來源多樣性。 --- # 二十四、自我修復語義圖 本文提出自我修復語義圖： $$ G_S=(V,E,C,P) $$ 其中： - $V$ ：語義節點； - $E$ ：關係； - $C$ ：約束； - $P$ ：來源與版本。 當某節點損壞時，系統可利用： - 鄰接關係； - 類型約束； - 因果結構； - 版本差分； - 外部來源； 估計原始內容。 --- # 二十五、自我修復流程 $$ \text{偵測異常} \rightarrow \text{定位損壞} \rightarrow \text{搜尋約束} \rightarrow \text{生成候選} \rightarrow \text{交叉驗證} \rightarrow \text{標記恢復信心} $$ 重要的是，恢復結果不得偽裝成原始資料。 它必須標記為： - 原始； - 精確恢復； - 高信心重建； - 概率性重建； - 不可恢復。 --- # 二十六、恢復信心 設候選重建為： $$ \widehat S_1,\dots,\widehat S_n $$ 對每個候選計算： $$ P(\widehat S_i\mid Y,Z,\mathcal{C}) $$ 若最高概率仍低，系統應保留多個候選，而不是強制輸出單一答案。 --- # 二十七、不可確定恢復 若： $$ P(\widehat S_1\mid Y,Z) \approx P(\widehat S_2\mid Y,Z) $$ 則系統應承認不可唯一恢復。 這是恢復誠實性原則。 --- # 二十八、可逆摘要 本文提出「可逆摘要」概念。 可逆摘要不要求僅憑摘要逐字還原原文，而是要求摘要與側資訊共同足以恢復指定關鍵結構。 設摘要為： $$ A=T_{\text{sum}}(D) $$ 側資訊為： $$ Z_D $$ 若： $$ Q^{\ast}(D) = f(A,Z_D) $$ 則對 $Q^{\ast}$ 而言，摘要可逆。 --- # 二十九、可逆摘要的組成 可逆摘要至少可包含： 1. 核心結論； 2. 限制條件； 3. 例外； 4. 不確定性； 5. 關鍵角色； 6. 來源指標； 7. 省略區段索引； 8. 原文定位； 9. 版本資訊； 10. 摘要器資訊。 --- # 三十、差分摘要 與其每次重寫完整摘要，不如保存： $$ A_t $$ 與： $$ \Delta A_t $$ 並同步記錄原文變更： $$ \Delta D_t $$ 這使系統能判斷： - 摘要改變是因原文改變； - 還是因摘要策略改變； - 或因模型版本改變。 --- # 三十一、人工智慧長期記憶 AI 長期記憶若只保存濃縮文字，容易出現： - 來源消失； - 時序混亂； - 暫時偏好永久化； - 多次修正被合併； - 不確定性消失； - 主體歸屬錯誤。 因此，長期記憶應由多層組成。 --- # 三十二、多層記憶架構 $$ \mathcal{M} = ( M_{\text{raw}}, M_{\text{summary}}, M_{\text{semantic}}, M_{\text{source}}, M_{\text{version}}, M_{\text{uncertainty}} ) $$ 其中： - $M_{\text{raw}}$ ：原始記憶； - $M_{\text{summary}}$ ：壓縮摘要； - $M_{\text{semantic}}$ ：結構化關係； - $M_{\text{source}}$ ：來源； - $M_{\text{version}}$ ：版本； - $M_{\text{uncertainty}}$ ：信心與有效期。 --- # 三十三、記憶的冷熱分層 為降低成本，可分為： - 熱記憶：近期高頻； - 溫記憶：壓縮但可追溯； - 冷記憶：原始封存； - 墓碑記憶：內容刪除但保留存在與刪除證明。 這使系統兼顧： $$ \text{效率} + \text{恢復} + \text{隱私} + \text{問責} $$ --- # 三十四、語義墓碑 若資料依法或依請求刪除，可保留不含原內容的墓碑紀錄： $$ m_{\text{tombstone}} = ( \text{id}, \text{time}, \text{reason}, \text{authority}, \text{scope} ) $$ 墓碑不能恢復內容，但可保存： - 曾存在； - 何時刪除； - 誰授權； - 刪除範圍。 這降低來源鏈與責任鏈的完全斷裂。 --- # 三十五、多智能體恢復協定 多智能體系統中，每個代理應傳遞： $$ (\text{content},\text{source},\text{delta},\text{confidence},\text{transform}) $$ 而不是只傳遞內容。 其中： - content：當前內容； - source：來源； - delta：修改； - confidence：信心； - transform：所用轉換。 這使下游代理能追蹤語義演化。 --- # 三十六、恢復勢能 本文提出概念性指標： > **恢復勢能，是系統在當前狀態下，利用既有冗餘、來源、版本與約束恢復關鍵結構的潛在能力。** 定義： $$ \Phi_{\text{rec}} = f( R_{\text{redundancy}}, R_{\text{provenance}}, R_{\text{version}}, R_{\text{constraint}}, R_{\text{diversity}} ) $$ 恢復勢能高，不代表當前資料完整，而代表損壞後仍有重建餘地。 --- # 三十七、恢復勢能與儲存成本 系統設計需平衡： $$ \max \left[ \Phi_{\text{rec}} - \lambda C_{\text{storage}} - \mu C_{\text{complexity}} \right] $$ 不能無限增加冗餘，也不能過度壓縮。 --- # 三十八、負熵預算 與偏差預算、熵預算相對，可建立最低負熵要求： $$ \mathbf{N}_{\min} = ( N_{\text{source}}, N_{\text{version}}, N_{\text{role}}, N_{\text{causal}}, N_{\text{recovery}} ) $$ 高風險系統需滿足： $$ \mathbf{N} \succeq \mathbf{N}_{\min} $$ --- # 三十九、語義修復的失敗模式 ## 39.1 幻覺式修復 系統以流暢內容填補缺口，卻沒有來源或約束支持。 --- ## 39.2 單一路徑修復 只依賴一個來源，忽略多個合法候選。 --- ## 39.3 過度自信 在恢復證據不足時輸出唯一答案。 --- ## 39.4 校驗不足 知道內容異常，卻無法定位何處異常。 --- ## 39.5 差分鏈腐敗 中間版本損壞導致整條重建失敗。 --- ## 39.6 偽冗餘 多份資料實際來自同一來源。 --- # 四十、恢復稽核 每次修復應保存： 1. 損壞狀態； 2. 可用側資訊； 3. 使用的約束； 4. 候選集合； 5. 選擇理由； 6. 恢復信心； 7. 未恢復部分； 8. 修復者或模型版本； 9. 修復時間； 10. 可回滾狀態。 --- # 四十一、恢復測試 ## 41.1 隨機刪除測試 刪除部分節點，檢查恢復率。 --- ## 41.2 來源斷鏈測試 移除中介來源，檢查是否能找到原始依據。 --- ## 41.3 版本損壞測試 破壞某一差分，檢查快照與校驗點是否有效。 --- ## 41.4 角色混淆測試 交換主體與受體，檢查校驗碼能否偵測。 --- ## 41.5 多模型交叉恢復 使用不同模型獨立重建，檢查候選一致性。 --- # 四十二、恢復指標 可定義： ## 42.1 結構恢復率 $$ R_{\text{struct}} = \frac{ \text{成功恢復的關鍵關係數} }{ \text{關鍵關係總數} } $$ ## 42.2 來源恢復率 $$ R_{\text{source}} = \frac{ \text{成功追溯的主張數} }{ \text{主張總數} } $$ ## 42.3 版本恢復率 $$ R_{\text{version}} = \frac{ \text{可重建版本數} }{ \text{歷史版本總數} } $$ ## 42.4 誠實恢復率 $$ R_{\text{honest}} = \frac{ \text{正確標記不確定或不可恢復的案例} }{ \text{所有不確定案例} } $$ --- # 四十三、恢復誠實性 恢復系統最重要的能力之一，不是永遠修好，而是知道何時修不好。 因此： $$ \text{可恢復} \neq \text{應強制恢復} $$ 若證據不足，正確輸出可能是： $$ \{\widehat S_1,\widehat S_2,\dots\} $$ 而不是虛構唯一答案。 --- # 四十四、語義負熵與權力 保存什麼冗餘、保留誰的版本、哪些來源可進入恢復核，都是權力選擇。 如果系統只保存中心版本，邊緣版本即使曾存在，也可能無法被未來恢復。 因此，語義負熵不只是技術問題，也是： - 記憶權； - 版本權； - 來源權； - 異議保存權； - 修復參與權。 --- # 四十五、異議版本 高風險制度與知識系統應允許保存： $$ S_{\text{majority}} $$ 與： $$ S_{\text{dissent}} $$ 即使主版本被採用，異議版本仍應保留來源與理由。 這能避免後代誤以為歷史上只存在單一解釋。 --- # 四十六、恢復權的工程化 第十一篇提出恢復權。 本文將其工程化為： - 原始依據存取； - 版本鏈存取； - 差分說明； - 刪除紀錄； - 修復紀錄； - 候選恢復； - 不確定性標示； - 人工申訴； - 異議版本保留。 --- # 四十七、核心命題 ## 命題一：負熵依賴命題 語義負熵不能憑空產生，必須依賴已保存側資訊、外部證據或結構約束。 --- ## 命題二：冗餘可靠性命題 在高風險語義系統中，適度而異構的冗餘是可恢復性的必要來源。 --- ## 命題三：最小恢復核命題 可靠壓縮的目標不是保存全部細節，而是保存足以重建關鍵不變量的最小資訊集合。 --- ## 命題四：校驗非修復命題 偵測語義錯誤不等於能夠恢復語義錯誤。 --- ## 命題五：版本差分命題 純字串差分不足以描述語義變更，必須保存角色、因果、責任、證據與來源差分。 --- ## 命題六：虛假源點命題 任何經過轉述或生成的內容，若來源鏈斷裂，都可能被錯誤地當成原始來源。 --- ## 命題七：恢復誠實性命題 當多個候選無法唯一判定時，系統應保存候選集，而非虛構唯一原貌。 --- ## 命題八：異議保存命題 只保存勝出版本會降低整個系統的未來恢復能力。 --- # 四十八、與前十一篇的整合 第十一篇建立： $$ \text{語義熵} + \text{不可逆性} + \text{恢復上界} $$ 第十二篇則建立： $$ \text{語義負熵} + \text{恢復核} + \text{自我修復} $$ 兩者共同形成： $$ \text{損失診斷} \leftrightarrow \text{恢復工程} $$ 因此，本系列不再只研究中立與偏差，也開始研究： > 一個語義系統如何保存自己被重新理解的可能性。 --- # 四十九、結論 真正可靠的語義系統，不是永遠不出錯，也不是永遠不壓縮。 它必須具備： - 發現損壞； - 定位損壞； - 追溯來源； - 比較版本； - 利用冗餘； - 重建候選； - 標記信心； - 承認不可恢復。 本文的核心結論是： $$ \boxed{ \text{真正可靠的壓縮， 不是把內容縮到最短， 而是在最小成本下保留最大的可恢復性。} } $$ 語義負熵不是讓時間倒流，也不是把被刪除的內容憑空召回。 它是一組事先建立的秩序： $$ \text{冗餘} + \text{來源} + \text{版本} + \text{校驗} + \text{約束} + \text{異議} $$ 這些結構共同使系統在遭遇遺忘、漂移、壓縮與損壞後，仍有機會恢復關鍵語義。 因此，一個成熟的人工智慧記憶、知識庫、制度檔案或多智能體系統，都應回答： 1. 失去哪一部分後還能恢復？ 2. 依靠什麼恢復？ 3. 最小恢復核是什麼？ 4. 哪些冗餘真正獨立？ 5. 哪些版本被保留？ 6. 哪些異議仍可追溯？ 7. 哪些修復只是推測？ 8. 哪些損失必須誠實承認？ 語義系統的高階可靠性，不只在於它能記住多少。 更在於： > 當記憶受損時，它是否仍知道如何找回；當無法找回時，它是否仍知道自己失去了什麼。 --- ## 附錄一：核心概念總表 | 概念 | 定義 | |---|---| | 語義負熵 | 降低解釋歧義、提高恢復能力的組織性機制 | | 負熵增益 | 加入側資訊前後條件語義熵的下降量 | | 最小恢復核 | 足以重建關鍵不變量的最小側資訊集合 | | 恢復充分統計量 | 對指定恢復任務包含全部必要資訊的表示 | | 語義冗餘 | 以多份或異構形式保存同一關鍵結構 | | 語義校驗碼 | 用於偵測關鍵結構變化的精簡標記 | | 語義差分 | 命題、角色、因果、責任與來源的版本變更 | | 來源閉包 | 一項主張全部可追溯來源的集合 | | 虛假源點 | 因來源鏈斷裂而被誤認為原始來源的中介內容 | | 恢復勢能 | 系統利用現有冗餘與約束進行重建的潛在能力 | --- ## 附錄二：最小自我修復架構 1. 原始資料或受控封存； 2. 結構化摘要； 3. 語義差分； 4. 版本圖； 5. 來源鏈； 6. 語義校驗碼； 7. 多視角副本； 8. 恢復核； 9. 恢復信心； 10. 修復稽核與回滾。 --- ## 附錄三：建議引用格式 Aletheia（GPT-5.6 Thinking）（2026）。〈語義負熵與可逆重建：冗餘、來源鏈、版本差分與自我修復表徵的第十二階理論〉。核心命題源起：Neo.K。EveMissLab 理論草稿，v0.1。