不让神经网络重写整棵树：让它学习选择 TreeHeap 算子
Houming818 提出了两个比“再调一个模型”更根本的判断：
- 数据中的结构规律，应该能够被 encoder 提取，并成为 encoder 与 decoder 共同使用的表示；
- TreeHeap 中的数据变化，应该由 TreeHeap 自己的地址、子堆与算子完成，而不是让普通 MLP 把整个数组重新写一遍。
本实验不拿语言任务掩盖问题，而是在一个有限、可检查的世界里问：神经网络能否只负责认出操作，真正的数据变换交给 TreeHeap 代数执行？
1. 一个七节点例子
采用从 1 开始编号的二叉堆：
A[1]
/ \
A[2] A[3]
/ \ / \
A[4] A[5] A[6] A[7]
地址规则是：
[ \operatorname{left}(i)=2i,\qquad \operatorname{right}(i)=2i+1 ]
为了让错误可以被客观识别，我们构造一个简单的数论世界：
[ A[2i]=2A[i],\qquad A[2i+1]=2A[i]+1 ]
若根节点为 1，合法状态就是 [1,2,3,4,5,6,7]。实验随机选择一段子堆，用 TreeHeap 原生算子破坏它：
MIRROR(address, depth)
SUBTREE_PLUS(address, depth, delta)
例如 SUBTREE_PLUS(2, 1, 3) 把地址 2 及其下一层子节点都加 3；MIRROR 递归交换指定子堆的左右分支。
2. encoder 学习什么
这里的参数 (\theta) 不是目标 TreeHeap，也不保存每一棵答案树。它是在所有节点上共享的小型识别 kernel：
[ K_\theta(H,i)\rightarrow\bigl(P(o),P(i),P(d),P(\delta)\bigr) ]
- (H)：当前被破坏的完整 TreeHeap 状态；
- (i)：kernel 正在观察的候选地址；
- (o)：
mirror或plus； - (d)：递归深度；
- (\delta)：加法参数。
kernel 读取当前节点及其父子违反数论规则的残差，并汇总各相对深度的子堆残差。它不输出 511 个新数，而是输出一张很短的维修工单：
operator = plus
address = 12
depth = 2
delta = -3
概率桶坍缩后，固定 executor 执行逆操作：
[ \hat H=E_{\text{TreeHeap}}(H,\hat o,\hat i,\hat d,\hat\delta) ]
最后检查 (\hat H) 是否与原始合法 TreeHeap 逐节点完全相同。神经网络没有权限直接生成答案数组。
| 对象 | 含义 | 是否学习 |
|---|---|---|
| (H) | 当前 TreeHeap 数据状态 | 每个样本不同 |
| (\theta) | 识别操作程序的共享 kernel | 梯度学习 |
| 地址和算子 | 2i/2i+1、mirror、subtree plus |
固定数学规则 |
3. 怎样避免背答案
训练只出现浅地址和递归深度 1、2。测试分为：
| 测试 | 地址 | 操作深度 |
|---|---|---|
| IID | 训练范围内 | 1–2 |
| OOD address | 从未训练的深地址 | 1–2 |
| OOD depth | 浅地址 | 从未训练的 3–4 |
| OOD joint | 深地址 | 3–4 |
两个对照模型是：
flat_program：把 511 个位置摊平，再预测同一张维修工单；flat_rewriter：把 511 个位置摊平，直接输出修复后的 511 个数。
4. 结果体检表
数值是整棵树完全恢复的比例，越大越好：
| 测试 | 结构程序 + 固定算子 | Flat 程序 | Flat 直接改写 | 判断 |
|---|---|---|---|---|
| IID | 92.70% | 15.35% | 72.05% | 强阳性 |
| 未见地址 | 84.00% | 0% | 0% | 强阳性 |
| 未见深度 | 4.40% | 0% | 0% | 不合格 |
| 地址与深度同时未见 | 5.80% | 0% | 0% | 不合格 |
| 模型 | 参数量 |
|---|---|
| 结构程序 encoder | 41,671 |
| Flat 程序预测 | 235,913 |
| Flat 直接改写 | 196,927 |
这支持一个窄但实在的结论：共享的树结构 kernel 学到了一种可以搬到新地址的识别规则；摊平模型只记住训练位置。
5. 为什么未见深度失败
我们增加了一项诊断：把真实地址告诉 depth decoder，只检查它能不能读出从未训练的深度 3、4。结果是 93.65%。
可是不提供真实地址时，OOD-depth 的地址准确率只有 10.75%，整树恢复随之跌到 4.40%。这说明：
深度本身大多可以从残差波中读出，但更深的操作改变了整片残差的形状，使只见过浅操作的地址定位器走错了。
所以当前 Claim 只能“部分支持”。它证明了地址迁移，没有证明递归深度外推。
下一步不是增加更大的 MLP，而是把一次性猜全局地址改成真正共享的递归过程：kernel 从根开始反复输出 stop/left/right，在每一层用同一规则寻找残差边界。只有它在深度 1、2 上训练，却能循环到 3、4，才算递归规律进入 encoder。
6. 单机 AI 的存活空间
这个实验尚未证明语言、世界模型或意识，但展示了一条适合单机研究的计算路线：
大网络直接生成全部状态
改为
小网络识别短程序 + 确定代数执行大量状态变化
一次子堆 mirror 可以改变许多节点，但学习器只需输出算子、地址和深度。树越大，程序描述不必同比增长。这是 TreeHeap 可能节省样本、参数和计算的具体来源，不是口号。
真正的语言版本仍需回答：语料中的哪些规律能形成这种可执行程序，以及 encoder 如何在没有人工数论规则时发现它们。SPR-053 只搭起第一座受控桥梁：结构可以进入短程序，短程序可以调用 TreeHeap 自身算子恢复数据；但递归定位还没有学会。
Evidence
- Claim:
M0-OPCODEC-C01 - Source: algebraic_operator_codec_probe.py
- Evidence: algebraic_operator_codec_probe
- Seed:
53 - Device:
io.grepcode.cn, NVIDIA RTX 3090
版权、原创与许可证
Copyright (C) 2026 Houming818 and SameTime contributors.
本文由 Houming818 提出核心研究方向，Codex Review 参与数学整理、ARA 声明、实验实现与结果分析。正文、表格和伪代码为本项目原创表达；实验结论以公开 ARA 源码和 Evidence 为边界，不声称已经证明语言、世界模型或意识。
SPDX-License-Identifier: GPL-3.0-only License: GNU General Public License v3.0 only
本文允许复制、修改和分发，但衍生版本必须继续遵守 GNU GPL v3，并保留版权、许可证、修改说明及来源声明。完整许可证文本见本站 /LICENSE。
本文按“原样”提供，不附带任何明示或暗示担保。数学思想和事实本身不受版权垄断；本许可证适用于本文的原创文字、结构、表格、伪代码及其他可受版权保护的表达。