02．暴力窮舉不只需要計算力

系列：《從路徑覆蓋到行星智能：記憶編譯型計算存在論》
部別：第一部——搜尋、記憶與路徑覆蓋
版本：v0.1
日期：2026-08-01

摘要

暴力窮舉通常被描述為一個「算力不足」的問題：候選數量太大，所以只要計算得更快，就能展開更多狀態。然而這種敘述忽略了一個更基本的事實：任何實際搜尋系統都不只是在做算術運算，它還必須保存中間狀態、決定哪些節點尚待展開、維持長序列、避免重複、從歷史中重新取回相關路徑，並把局部結果重新組合成可持續的搜尋過程。

本文因此將暴力搜尋拆解為五種彼此耦合但不可互相取代的能力：計算能力 $\kappa$ 、記憶能力 $\mu$ 、展開能力 $\epsilon$ 、序列生成能力 $\sigma$ 與回憶能力 $\rho$ 。本文借用圖搜尋的時間—空間差異、系統動力學、帶記憶的非馬可夫系統與泛函表示，建立一個最小耦合模型，說明為何「提高算力」並不等於「提高有效覆蓋率」，以及為何一個真正高效的搜尋智能體必須同時管理分支寬度、路徑深度、記憶密度、索引效率與重複展開。

本文的目的不是提出新的複雜度類別，也不是用認知術語取代演算法理論，而是建立後續「高重疊知識空間」、「有效覆蓋率」與「記憶編譯型智能體」所需的能力分解框架。

關鍵詞： 暴力窮舉、圖搜尋、記憶、展開、序列生成、回憶、時間—空間權衡、非馬可夫系統、計算智能

1．暴力搜尋真的只是「一直算」嗎？

最直覺的暴力窮舉可以寫成：

\Omega= \{x_1,x_2,\ldots,x_N\}

然後逐一驗證：

V(x_i)\in\{0,1\}

直到找到可接受解。

如果候選數量隨問題規模快速增加，例如：

N=2^n

我們自然會認為主要瓶頸是：

\text{計算速度不足}

因此最簡單的想像是：

\text{更強算力} \Rightarrow \text{每秒驗證更多候選}

這當然沒有錯。

但只要搜尋不是「每個候選彼此完全獨立」，事情就開始改變。

真實搜尋往往更接近一個狀態圖：

G=(V,E)

其中從狀態 $v_i$ 展開後產生一組後繼：

\Gamma^+(v_i)= \{v_{i1},v_{i2},\ldots,v_{ib}\}

此時系統至少還要知道：

哪些節點已經走過；
哪些節點尚待展開；
當前路徑是什麼；
是否形成循環；
哪些中間結果可以重用；
哪些分支已經證明無效；
是否需要返回較早的狀態；
是否有相似問題曾經被處理過。

所以搜尋不是單一算術操作，而是一整套動態過程。

2．經典圖搜尋已經透露了這個問題

以最基本的 BFS 與 DFS 為例。

廣度優先搜尋傾向同時保存大量待展開節點，因此具有較高的記憶需求；深度優先搜尋則沿單一路徑深入，通常只需要保存較小的活動路徑與回溯資訊。

若分支因子為 $b$ ，最淺解深度為 $d$ ，最大搜尋深度為 $D$ ，典型樹搜尋的粗略複雜度可以表示為：

T_{\mathrm{BFS}} = O(b^d)

S_{\mathrm{BFS}} = O(b^d)

而 DFS 常寫為：

T_{\mathrm{DFS}} = O(b^D)

S_{\mathrm{DFS}} = O(D)

這裡最重要的不是背公式，而是看到一件事：

\boxed{ \text{搜尋能力天然同時包含時間與空間。} }

兩個演算法可以擁有類似的「展開動作」，卻因為記憶管理方式不同，形成完全不同的搜尋行為。

因此，暴力窮舉即使在最經典的演算法形式中，也從來不只是「計算幾次」這麼簡單。

3．第一項能力：計算能力 $\kappa$

本文把計算能力記為：

\kappa

它表示單位時間內可完成的狀態轉換、比較、評分、驗證或運算量。

粗略地，可以想成：

\kappa \sim \frac{\text{operations}}{\text{time}}

如果其他條件都不變，提高 $\kappa$ 可以讓系統：

更快驗證候選；
更快計算後繼；
更快比較策略；
更快完成局部推理。

若單一節點平均需要計算成本 $c_v$ ，理想狀態下單位時間可處理節點數約為：

R_{\mathrm{compute}} \approx \frac{\kappa}{c_v}

但這只是理論吞吐量。

如果系統沒有足夠記憶保存產生的節點，或沒有能力決定下一個該處理誰，那麼：

R_{\mathrm{effective}} < R_{\mathrm{compute}}

甚至可能遠小於它。

所以：

\boxed{ \kappa\text{ 決定你能算多快，但不決定你算的是不是新的東西。} }

4．第二項能力：記憶能力 $\mu$

記憶能力記為：

\mu

但這裡不能只把它理解成硬碟容量。

至少要區分：

\mu= (\mu_{\mathrm{capacity}}, \mu_{\mathrm{retention}}, \mu_{\mathrm{organization}})

也就是：

能存多少；
能保存多久；
能否以可利用形式保存。

對搜尋而言，記憶至少承擔四種功能：

4.1 保存當前活動前沿

例如 BFS 的 queue：

F_t= \{v_1,v_2,\ldots,v_m\}

這些都是尚待展開的候選狀態。

4.2 保存已訪問集合

H_t= \{v:\text{visited before }t\}

用來避免循環與重複。

若沒有 $H_t$ ，圖搜尋可能將同一個狀態反覆當成新狀態。

4.3 保存局部結果

例如：

f(x_i)=y_i

若未來再次需要 $f(x_i)$ ，可以直接重用。

4.4 保存完整或部分路徑

p= (v_0,v_1,\ldots,v_n)

使系統可以回溯、解釋或從中間狀態重新開始。

因此，記憶不是搜尋結束後才附加上去的「紀錄功能」。

它本身就是搜尋演算法的一部分。

5．第三項能力：展開能力 $\epsilon$

本文將展開能力記為：

\epsilon

它表示系統從當前狀態產生候選後繼的能力。

對某狀態 $v$ ：

E(v)= \{v_1',v_2',\ldots,v_b'\}

其中 $b$ 是有效分支數。

如果 $\epsilon$ 很低，系統可能一次只能提出很少候選。

如果 $\epsilon$ 很高，則可以快速生成：

b\gg1

的大量分支。

表面上看：

\epsilon\uparrow \Rightarrow \text{搜尋能力}\uparrow

但這只在其他能力同步提高時成立。

因為展開本身會產生新的負擔：

\epsilon\uparrow \Rightarrow |F_t|\uparrow

也就是待處理前沿快速增大。

當：

\frac{d|F_t|}{dt} > \frac{dN_{\mathrm{processed}}}{dt}

系統會出現「候選生成速度大於候選消化速度」的情況。

此時更強的展開能力反而製造擁塞。

因此：

\boxed{ \text{能想到更多可能性} \neq \text{能有效處理更多可能性} }

6．第四項能力：序列生成能力 $\sigma$

展開能力回答的是：

我一次能產生多少後繼？

序列生成能力則回答：

我能否維持一條長而連續的有效路徑？

將它記為：

\sigma

假設一條路徑為：

p_n= (v_0,v_1,\ldots,v_n)

序列生成能力涉及：

維持前面狀態的約束；
保持長距離一致性；
知道當前位於哪一層；
在需要時回溯；
避免局部正確、全局失效。

一個系統完全可能具有：

\epsilon\gg1

卻只有：

\sigma\ll\epsilon

也就是很會產生候選，但不擅長把候選組成長程路徑。

這種系統的外部表現可能是：

靈感很多；
分支很多；
局部建議很多；
但長任務容易失去一致性。

反之，一個 $\sigma$ 很高但 $\epsilon$ 很低的系統，則可能：

能沿著一條路走很遠；
但不容易想到替代路徑。

所以：

\boxed{ \text{分支寬度} \neq \text{路徑深度維持能力} }

7．第五項能力：回憶能力 $\rho$

回憶能力記為：

\rho

它不是「記憶中有沒有」，而是：

當前狀態能否快速索引到真正有用的歷史資訊？

若記憶空間為：

\mathcal M= \{m_1,m_2,\ldots,m_N\}

面對查詢狀態 $q$ ，回憶函數可以寫成：

R(q,\mathcal M) \rightarrow \mathcal M_q

其中：

\mathcal M_q\subseteq\mathcal M

是與當前任務相關的記憶。

如果記憶容量巨大：

|\mathcal M|\gg1

但每次都需要線性掃描：

T_{\mathrm{retrieve}} = O(|\mathcal M|)

那麼「記得很多」可能反而讓系統越來越慢。

真正可用的強記憶，需要：

\text{高容量} + \text{高精度索引} + \text{低檢索延遲}

因此：

\boxed{ \mu\text{ 決定保存了多少，}\rho\text{ 決定需要時能拿回多少。} }

8．五項能力不是加法，而是耦合

最簡單的錯誤模型是：

I= \kappa+\mu+\epsilon+\sigma+\rho

這暗示任何一項增加，都能等量增加整體搜尋能力。

但實際上，更合理的是：

I_{\mathrm{eff}} = F(\kappa,\mu,\epsilon,\sigma,\rho)

其中 $F$ 具有強烈耦合。

例如：

\epsilon\uparrow

只有在：

\kappa,\mu,\rho

足以處理新增候選時，才真正增加有效探索。

同樣地：

\mu\uparrow

只有在：

\rho\uparrow

或至少不顯著下降時，才增加可用記憶。

可以用一個純概念性的乘法模型表示：

I_{\mathrm{eff}} = \kappa^\alpha \mu^\beta \epsilon^\gamma \sigma^\delta \rho^\eta

其中：

\alpha,\beta,\gamma,\delta,\eta>0

這不是經驗定律，而是在表達：

某一項接近零時，其他能力再高也可能無法完全補償。

9．瓶頸形式：最弱能力可能決定整體吞吐量

另一種建模方式是：

I_{\mathrm{eff}} \leq \min \{ f_\kappa(\kappa), f_\mu(\mu), f_\epsilon(\epsilon), f_\sigma(\sigma), f_\rho(\rho) \}

例如：

每秒可以生成一萬個候選；
但每秒只能驗證一千個；
那麼剩下九千個會堆積。

或者：

可以保存十億條記憶；
但每次只能有效找到其中十條；
那麼大量容量不能直接轉化為反應能力。

這和流體系統或管線系統很相似：

Q_{\mathrm{system}} \approx \min_i Q_i

最窄的瓶頸限制整體流量。

因此，一個高性能搜尋智能體的設計目標不是單點極大化，而是：

\boxed{ \text{讓五種能力的比例彼此匹配。} }

10．用系統動力學描述候選前沿

設：

F(t)

為尚未處理的候選前沿數量。

候選被產生的速率可寫成：

G(t) = g(\epsilon_t,\sigma_t)

候選被處理的速率為：

P(t) = p(\kappa_t,\rho_t,\mu_t)

那麼：

\frac{dF}{dt} = G(t)-P(t)-D(t)

其中 $D(t)$ 是因去重、剪枝或失效而直接移除的候選量。

如果：

G(t)>P(t)+D(t)

則：

F(t)\rightarrow\text{持續膨脹}

這就是搜尋爆炸的一種動力學表述。

因此，「更能展開」甚至可能使系統更快進入資源飽和。

真正重要的是：

\frac{G(t)-D(t)}{P(t)}

是否可以維持在系統可承受區域。

11．記憶如何改變搜尋動力學？

若完全沒有歷史記憶，系統看到一個狀態時，只能當作新的候選處理。

設原始生成速率為：

G_0(t)

若記憶與回憶可以辨識其中比例：

r_t\in[0,1]

為已知或高度重複狀態，那麼真正需要重新計算的有效生成速率為：

G_{\mathrm{eff}}(t) = G_0(t)(1-r_t)

當：

r_t\uparrow

即使原始展開量沒有下降：

G_0(t)=\text{constant}

真正需要支付的重新計算成本仍然下降。

這是本系列後面極重要的一個方向：

\boxed{ \text{智能提升不一定來自算得更多，也可能來自需要重算的東西變少。} }

12．從馬可夫搜尋到帶歷史的非馬可夫搜尋

如果下一步只依賴當前狀態：

P(x_{t+1}\mid x_t)

我們得到的是近似馬可夫式描述。

但具有長期記憶的智能體，其決策可能依賴：

x_0,x_1,\ldots,x_t

更一般地：

P(x_{t+1}) = P \left( x_{t+1} \mid x_t,\mathcal M_t \right)

而：

\mathcal M_t = U(x_0,\ldots,x_t)

所以當前搜尋方向受到歷史影響。

用記憶核 $K$ 表示，可以概念性地寫成：

\dot x_t = F \left( x_t, \int_0^tK(t-s)x_s\,ds \right)

這表示：

過去走過的路徑會改變現在的搜尋向量場。

當某些區域已被大量探索，系統可以降低它們的再次進入權重；當某些路徑曾經失敗，也可以直接抑制相似展開。

因此記憶不是被動檔案，而是：

\boxed{ \text{改寫未來搜尋機率的動態場。} }

13．泛函表示：搜尋能力是一個作用在狀態空間上的算子族

設知識或候選狀態位於某個函數空間：

\mathcal H

可以暫時引入五個算子：

\mathcal K

代表計算與轉換；

\mathcal M

代表記憶保存；

\mathcal E

代表候選展開；

\mathcal S

代表序列延伸；

\mathcal R

代表記憶回取。

那麼一次完整的智能搜尋不再是單一函數：

f:x\rightarrow y

而更像算子組合：

\mathcal T = \mathcal V \circ \mathcal K \circ \mathcal R \circ \mathcal S \circ \mathcal E \circ \mathcal M

實際順序可以依系統而不同，也可能形成迴圈：

\mathcal E \rightarrow \mathcal K \rightarrow \mathcal M \rightarrow \mathcal R \rightarrow \mathcal E

因此，真正需要研究的是：

\text{算子之間的作用與回饋}

而不是只看某一個算子的速度。

14．展開能力過強也可能降低有效覆蓋率

假設單位時間生成候選數：

N_{\mathrm{gen}}

其中真正新的候選為：

N_{\mathrm{new}}

則可以定義一個簡單的有效展開率：

\eta_{\mathrm{expand}} = \frac{N_{\mathrm{new}}}{N_{\mathrm{gen}}}

若系統瘋狂生成大量相似狀態：

N_{\mathrm{gen}}\uparrow

但：

N_{\mathrm{new}} \approx\text{constant}

則：

\eta_{\mathrm{expand}}\downarrow

因此：

\text{更多生成} \not\Rightarrow \text{更多有效覆蓋}

這正是下一篇要進一步處理的高重疊知識空間問題。

15．記憶容量過強也可能形成新瓶頸

同樣地，假設：

|\mathcal M_t|\rightarrow\infty

但索引品質不變。

若每次檢索都必須在越來越大的記憶中做近似全域搜尋，則：

T_{\mathrm{retrieve}} = f(|\mathcal M|)

可能持續上升。

於是出現一種反直覺情況：

\mu\uparrow

卻：

\rho_{\mathrm{effective}}\downarrow

也就是：

記得越多，越難找到真正需要的東西。

所以後續若要討論「極強記憶智能體」，不能只假設無限容量，還必須要求：

\boxed{ \text{可用記憶的增長速度高於檢索負擔的增長速度。} }

這會直接導向後面「極致分類與快速索引」的主題。

16．序列能力與記憶之間也存在交換

一條長路徑：

p_n= (v_0,\ldots,v_n)

可以用至少兩種方式維持。

第一種是完整保存：

M(p_n)= (v_0,\ldots,v_n)

第二種是只保存：

M(p_n)= (A,G,V)

其中：

$A$ ：少數錨點；
$G$ ：路徑生成規則；
$V$ ：驗證條件。

然後需要時重新生成中間段。

這表示：

\mu

與：

\sigma+\kappa

之間可能存在某種資源交換。

保存更多，可以減少重新生成；

保存更少，則需要更強生成與計算。

因此：

\boxed{ \text{記憶與計算不是單向替代，而是一種動態時間—空間—生成權衡。} }

17．一個最小耦合狀態向量

現在可以把五種能力寫成：

z_t= \left( \kappa_t, \mu_t, \epsilon_t, \sigma_t, \rho_t \right)

並定義整體有效搜尋能力：

Q_t= F(z_t,\Omega_t,H_t)

其中：

$\Omega_t$ ：仍可能需要探索的空間；
$H_t$ ：已探索歷史。

若要再加入重複率：

D_t\in[0,1]

則可以寫一個概念性的有效覆蓋速率：

\frac{dC}{dt} = \alpha \kappa_t \epsilon_t \sigma_t \rho_t \Psi(\mu_t) (1-D_t)

其中 $\Psi(\mu_t)$ 表示記憶被有效組織後對搜尋產生的增益。

這不是物理定律，也不是已驗證經驗式，而是一個理論骨架。

它要表達的只有一件事：

\boxed{ \text{有效覆蓋率是多項能力的耦合結果。} }

18．真正的暴力搜尋其實有六個循環

一個完整的搜尋智能體可以被拆成：

\text{生成候選}

\downarrow

\text{保存候選}

\downarrow

\text{選擇下一狀態}

\downarrow

\text{計算／驗證}

\downarrow

\text{更新歷史記憶}

\downarrow

\text{回憶與去重}

然後重新進入：

\text{生成候選}

因此暴力窮舉更完整的形式不是：

\text{for }x\in\Omega:\;V(x)

而是：

\boxed{ \text{生成—記憶—調度—計算—回寫—回憶} }

的反覆閉環。

19．從「暴力窮舉」走向「記憶化覆蓋」

當系統沒有記憶時，最接近：

\text{blind expansion}

每次只知道目前位置。

當加入 visited set、dynamic programming、memoization、transposition table 或其他重用機制後，系統開始把：

\text{已支付的計算}

保存成：

\text{未來可以跳過的計算}

如果再加入跨問題的長期記憶與結構索引，則進一步變成：

\text{過去任務} \rightarrow \text{未來任務的搜尋先驗}

這就是本系列真正想推進的方向：

\boxed{ \text{搜尋不再只是當下展開，而是被整個歷史塑形的覆蓋過程。} }

20．本文的三個核心結論

20.1 暴力窮舉不只需要計算力

因為搜尋還需要：

\mu,\epsilon,\sigma,\rho

共同工作。

20.2 展開量不等於有效覆蓋量

如果大量路徑重複：

\text{raw expansion}\gg\text{effective expansion}

那麼更高吞吐量只會更快製造冗餘。

20.3 記憶的真正價值是降低未來重算率

高效智能不只追求：

\kappa\uparrow

還追求：

P(\text{需要重新從零計算})\downarrow

因此，智能的累積效應可以來自：

\boxed{ \text{更多計算} + \text{更少重算} }

21．結論：下一步不是算得更多，而是問「哪些根本不必再算」

一個完全沒有歷史的計算系統，面對巨大狀態空間時，只能不斷重新展開。

一個具有持久記憶、有效回憶與序列能力的系統，則可以逐漸把已經探索過的空間從：

\text{待求解}

轉化為：

\text{可索引}

真正的分水嶺因此不是：

每秒能算多少？

而是：

每秒新增了多少不可由既有歷史替代的覆蓋？

於是，本篇最後留下的問題是：

\boxed{ \text{如果知識空間本身存在極大量重複、交叉、循環與等價路徑，那麼應該如何定義真正的「新覆蓋」？} }

這正是下一篇：

《知識不是樹：高重疊知識空間中的路徑問題》

所要處理的核心。

參考資料

MIT OpenCourseWare, Lecture 12: Searching I: Graph Search and Representations, Introduction to Algorithms.
https://ocw.mit.edu/courses/6-006-introduction-to-algorithms-spring-2008/resources/lec12/
Stanford CS221, States-based Models Cheatsheet.
https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-states-models/
NIST Dictionary of Algorithms and Data Structures, Asymptotic Space Complexity.
https://xlinux.nist.gov/dads/HTML/asymptoticSpaceComplexity.html
Hu, Y. et al., Memory in the Age of AI Agents, arXiv, 2025.
https://arxiv.org/abs/2512.13564
Lipton, Z. C., Berkowitz, J., & Elkan, C., A Critical Review of Recurrent Neural Networks for Sequence Learning, arXiv, 2015.
https://arxiv.org/abs/1506.00019

系列內部依賴

前置： 01《知道答案之後，真的就容易了嗎？》
後續： 03《知識不是樹：高重疊知識空間中的路徑問題》、04《從路徑數量到有效覆蓋率》、06《記憶編譯型狀態智能體》。

一句話摘要

\boxed{ \text{搜尋效率不是單純的計算吞吐量，而是計算、記憶、展開、序列生成與回憶共同決定的有效新增覆蓋率。} }

02_暴力窮舉不只需要計算力