同构惊讶 9 · 具体 9 · 可行 8

8086 上电后 BIOS 把 256 个中断 handler 的 far pointer 写入 0000h–03ffh——这就是著名的 IVT，每个 entry 4 字节，256 个 entry 恰好占满 1KB。此后 DOS 可以覆盖某些 entry（INT 21h 系列），但未被覆盖的 entry 仍指向最初 BIOS 的 ISR。Ediacara-style fossilization 的核心机制（Tarhan 2016 Geology; Bobrovskiy 2019 Nat. Ecol. Evol.）是：high dissolved silica 海水 + 微生膜（microbial mat）共同沉淀 silica cement 在软体周围，软体腐烂，cement 保留三维形态——所以化石是 cement，不是 body。IVT 与 Ediacara death-mask 的同构极其精确：handler code = soft body（会腐烂/被覆盖），IVT entry = silica cement（保留了原 handler 的地址），boot 时刻 = diagenetic window（低能量沉积期），reboot 后 IVT 被清零 = post-burial erosion。

如果要做写一篇 “boot-time fossil record: IVT as death mask”——左栏画 x86 IVT 内存图（0000h–03ffh，标 256 个 entry，每个指向 BIOS handler），右栏画 Ediacaran taphonomy 流程图（软体 → 微生膜 → silica cement 沉淀 → 腐烂 → 三维铸模），中间共享一个红色框 “preserved at low-energy deposition: cement outlives body”。附录：用 righto.com 的 8086 microcode 截图作为 cement 的实物锚。

同构惊讶 8 · 具体 9 · 可行 8

Atomic Layer-by-Layer Lithography with Step-Terrace Topography Control（Kim et al., Nature Commun. 2024 路线上的工作）的核心是：单层原子高度（0.3 nm 量级）的 terrace = “minimal vertical lattice unit”，是 epitaxial growth 的 “fossilized growth front”。每完成一层 ALD 沉积，step edge 就被”埋藏”，下一次沉积开始新的 terrace——这就是硅晶版本的 Steno 1669 superposition 律。DOS/8086 中断向量表的”step edge”则是 INT 13h disk interrupt（BIOS 磁盘服务）：CPU 接到 INT 13h 就把当前 CS:IP 推到栈，跳转到 IVT[0x13] 指向的 handler——这是 8086 内部最”沉积感”的瞬间，“指令流”被 terrace-like 沉积切断。古生物学角度：每一个 INT 13h 调用就是一条新的 step edge；每一条 step edge 都把当时的 CS:IP “fossilize” 到栈里。

如果要做写一篇 “from ALD terrace to Steno’s bed”——左栏画 ALD step-terrace 的 STM 截面图（每个 terrace = 一个 Si 原子层高度），右栏画 Burgess Shale bedding 截面图（每个 bed = 一次沉积事件），中间标注 “minimal deposition unit = 1 terrace = 1 bed”。

8086 INT 13h 是 BIOS 磁盘服务（read/write sectors, get disk type, etc.）——本质是”按 cylinder/head/sector 地址读磁盘”。光刻机的 stepper interrupt（wafer stage 每移动一个 die 就触发 alignment + exposure）按 (column, row, exposure_dose) 地址”读晶圆”。两者都是：把”数据”按二维网格地址取出，每读一个位置就触发一次精确的中断/对齐。DOS 时代没有 DMA 时，INT 13h 一次只能读一个 sector（512 字节）——这与早期光刻机每个 die 一次曝光完全同构。从化石角度看：每一个 INT 13h sector read 是一次”drilling core sample”，把磁盘某一 cylinder 上的某 sector 取回，就像 deep-sea drilling 把某一地层的 core 取回。

同构惊讶 8 · 具体 8 · 可行 8

如果要做写一篇 “sector read as lithography step”——左栏画 INT 13h cylinder-head-sector 三维地址空间，右栏画 wafer stage X-Y-step 曝光矩阵，中间标注 “2D address grid + 1 interrupt per cell”。

同构惊讶 9 · 具体 9 · 可行 8

Mufwene 2001 “The Ecology of Language Evolution” 把语言变化建模为：所有 speakers 把 features 贡献到一个 pool，新学习者只从这个 pool 的 accessible 子集里挑——这跟 Linux 新 distro 的产生完全一样：Debian/Ubuntu/Fedora 不可能从零编 kernel + libc + coreutils，它们只能从 upstream pool（kernel.org, GNU, …）里选 feature 再组合。GPL/BSD/MIT license 是这个 pool 的”许可证”——它规定谁能 fork、谁能 rebrand、谁能闭源。Mufwene 强调的 Founder Principle 在 0 预算场景下特别明显：Ian’s founder principle 之于 Debian 就像 Gullah 之于 Atlantic creoles——founder speakers/packages 决定了后续 90% 的 feature composition。“完全 GPL” = 0 预算 commons-only = 翻译学的”完全不译 proprietary”，比 closed-source distro 更像 Mufwene 描述的”open feature pool”。

如果要做写一篇 “Founder principle: from Gullah to Debian”——左栏画 Mufwene 的 Atlantic creole founder speaker 树（feature flow），右栏画 Debian founder 树（package flow），中间标注 “founder contributors dominate initial pool composition”。附录：用 dpkg/apt 的 real dependency graph 作为 modern 实例。

同构惊讶 8 · 具体 9 · 可行 8

ECOS 项目（González-Barahona et al.）发现 Linux distros 的 popularity 服从 lognormal 分布，niche breadth（package 数）与 commonness 服从 power-law mean-variance scaling——这与 Mufwene 描述的语言 macroevolution 几乎一字不差：“language commonness follows lognormal, niche breadth (vocabulary size) correlates with population size”。两者都展示了”多样性-稳定性”（diversity-stability）权衡：distro 包含的 package 越多越稳定（不易因某个 dependency 失败而崩溃），语言包含的 vocabulary 越多越稳定（不易因新概念出现而废弃）。0 预算 / GPL-only 约束把镜头拉回到 OSS-only 池，所以只能用 GPL/BSD 的 R 包做生态位建模——Wallace（Kass et al. 2018 Methods Ecol. Evol. 9:1151–1156）就是 GPL-3.0，专为 ENM/SDM 设计，自带 module extension 机制（像 feature pool 一样接受新贡献）。

如果要做用 Wallace 2 + R-base 的 ENM pipeline，传入 Debian popcon 数据，对世界 200+ 国家做”distro niche modeling”——预测哪些国家未来 5 年会偏好哪个 distro（对比传统语言生态学预测新语言的扩张模式）。

同构惊讶 8 · 具体 9 · 可行 8

Lazaridou et al. 2017 (Emergent Linguistic Phenomena in Multi-Agent Communication Games) 证明：当 agents 群组被 partial connectivity 隔开，contact 会要么向多数协议收敛，要么在 balanced cases 形成”低复杂度的 creole”。0 预算 GPL 生态正是如此：fork 之后没有 proprietary 资金注入，新 distro 必须沿 upstream pool 自组装——结果就是 distro 多元化（Debian→Ubuntu→Mint）或协议 convergence（systemd 主导大多数 distro）。从语言生态学角度，Linux 的 POSIX standard + GNU coreutils 就是 lingua franca；distro fork 创造了 dialects；某些 fork 演化成完整 creole（如 Alpine 的 musl + busybox minimalism 是”creole”语料，从零自造词汇）。

如果要做写一篇 “Linux creoles”——把 20 个最 popular distros 按 dependency graph 距离聚类，标注哪些是 “creole”（从零+musl/busybox 自造词汇，如 Alpine, Void），哪些是 “dialect”（Debian family），哪些是 “lingua franca speaker”（systemd 通用）。

1.2 million km 海底电信光缆横跨全球（dosits.org 2023），过去十年通过 Distributed Acoustic Sensing（DAS, Matsumoto et al. 2021 Sci. Rep.）变声学传感：在 cable 一端发射相干激光脉冲，每个 fiber segment 的 Rayleigh backscatter 对 strain 敏感——strain 来自地震波、鲸鱼 20 Hz calls、船舶噪音、洋流内部波。这意味着 120 万 km 的光纤是 120 万 km 长的 myelinated axon：激光脉冲 = action potential，Rayleigh backscatter = synapse firing，鲸鱼 / 地震 / 洋流 = 各种 sensory receptor（mechanoreceptor, thermoreceptor, chemoreceptor）。完全离线约束特别贴：DAS 在 sensing 端完全不需要 internet，传感发生在光纤本身，信号回收到岸上才需要——所以你能在离线海域做地震预警。这与 peripheral nervous system 的设计哲学同构：信号从 receptor 沿 axon 到 spinal cord，再上行到 brain，但 signal 已经在 receptor 那里完成”事件检测”（whale call vs. noise），不必 ship 全部 raw data 到 central brain——和 neuromorphic edge computing 的”local-first inference”完全一致。

同构惊讶 8 · 具体 9 · 可行 8

Bayesian Confidence Propagation Neural Network（BCPNN, Sandberg & Lansner 2002）是 neuromorphic edge 的核心算法：sparse architecture + local learning rules + Bayesian updates on chip，全部 inference 离线完成，不需要 cloud——这与 DAS 的 ship-side inference（Matsumoto et al. 2021 在 Trondheimsfjord 实验中用 laptop + amplifier 在 cable 端做 JANUS packet decoding）完全同构。两者都实现了”online learning on substrate, no central training”：BCPNN 在 memristor crossbar 上做 local Hebbian update，DAS 在 fiber segment 上做 Rayleigh backscatter strain decoding——都是”substrate is the computer”的设计哲学。完全离线约束把这种同构推到了极致：如果 submarine cable 完全切断（hyperscale cable cut，2024 Red Sea 事件），DAS 仍然能在 local laptop 上做 inference，BCPNN 仍然能在 edge chip 上做 inference——中枢断了，但”神经系统”还能感知局部。

如果要做用公开的 Trondheimsfjord DAS dataset 跑 BCPNN 离线训练，对比同一模型在 cloud-centralized training 的性能——量化”offline-first”在 ocean sensing 上能保留多少 accuracy。