理論吸收時間與認知資源配置：高階 AI 為何仍可能存在難題
系列： 最後人類認知前沿（Last Human Cognitive Frontier, LHCF）篇次： 09 / 12作者： Neo.K研究協作： Aletheia（GPT-5.6 Thinking）版本： v0.1日期： 2026-08-07
摘要
若未來高階 AI 最終可以理解、驗證、形式化甚至重構幾乎所有人類理論，「難題」是否就會消失？本文主張：不一定。因為「存在可行解」與「在有限時間、算力、搜索、驗證、實驗、記憶和人工協助下可被有效吸收」是不同命題。對高階 AI 而言，真正長期存在的難度可能不再主要表現為絕對不可解，而表現為認知資源價格、關鍵路徑長度、證據取得成本與最佳資源配置問題 。
本文在 LHCF 第 3 篇「認知阻抗」的基礎上，提出 Theory Assimilation Resource Geometry（TARG，理論吸收資源幾何） 。我們不把所有資源粗暴壓成單一 token 數，而將預算寫成向量：
b = ( b t o k , b c m p , b s e a , b v e r , b e x p , b m e m , b h u m , b t i m e ) . \mathbf b
=
(
b_{\mathrm{tok}},
b_{\mathrm{cmp}},
b_{\mathrm{sea}},
b_{\mathrm{ver}},
b_{\mathrm{exp}},
b_{\mathrm{mem}},
b_{\mathrm{hum}},
b_{\mathrm{time}}
). b = ( b tok , b cmp , b sea , b ver , b exp , b mem , b hum , b time ) . 分別表示生成／推理 token、一般計算、搜索與工具調用、驗證器資源、實驗與資料取得、記憶／上下文、人類協助與牆鐘時間。對理論 T T T A \mathbb A A b \mathbf b b
S ( T , A , b ) ∈ [ 0 , 1 ] . S(T,\mathbb A,\mathbf b)\in[0,1]. S ( T , A , b ) ∈ [ 0 , 1 ] . 進一步定義達到可靠吸收門檻 1 − ϵ 1-\epsilon 1 − ϵ
B ϵ ( T , A ) = { b : S ( T , A , b ) ≥ 1 − ϵ } . \mathcal B_\epsilon(T,\mathbb A)
=
\{
\mathbf b:
S(T,\mathbb A,\mathbf b)\ge1-\epsilon
\}. B ϵ ( T , A ) = { b : S ( T , A , b ) ≥ 1 − ϵ } . 其 Pareto 邊界描述一套理論可以透過哪些不同資源組合被吸收。只有在給定價格向量 p \mathbf p p
C ϵ , p ∗ = inf b ∈ B ϵ p ⊤ b . C^*_{\epsilon,\mathbf p}
=
\inf_{\mathbf b\in\mathcal B_\epsilon}
\mathbf p^\top\mathbf b. C ϵ , p ∗ = b ∈ B ϵ inf p ⊤ b . 這使「難度」從抽象分數轉為一個多資源可行域。
2026 年的 AI 評測已經明確向這個方向發展。METR 在 7 月提出 expenditure horizon，將 token 成本、實驗 compute 與人類勞動成本放入同一成本—表現比較；其 NanoGPT 實例中，代理在超過一萬美元的初步實驗支出後，估計 expenditure horizon 仍僅約為零至三千美元。METR 同時提醒 expenditure horizon 在能力曲線斜率相近時可能不穩定。另一方面，test-time compute 研究顯示，資源並非越多越好：適應性分配能以更低成本取得更高準確率，但 inverse scaling 研究也發現延長推理在某些任務上反而降低表現。這意味著「高階 AI 難題」不能定義為「需要想更久」，而應定義為最佳資源配置後仍然昂貴或低成功率的認知物件 。
本文進一步區分三種可解性：理論可解性、工程可吸收性與經濟可吸收性；提出吸收臨界成本、吸收牆鐘時間、串行深度、資源替代率、瓶頸資源、吸收資源彈性與邊際認知收益等量。本文也指出某些理論的真正成本可能不是 LLM token，而是必須等待新實驗、新儀器、新資料或形式 verifier，因此即使 AI 的純推理能力極高，現實世界仍可能保留長時間的「證據型難題」。
最後，本文提出一個重要修正：高階 AI 時代的認知前沿可能由「不可解問題集合」逐步轉向「在當代可接受資源預算下不可經濟吸收的問題集合」。因此 LHCF 不只追蹤：
R ( T , A ) , R(T,A), R ( T , A ) , 還應追蹤：
B ϵ , C ϵ , p ∗ , τ ϵ ∗ , η j , CriticalPath ( T ) . \boxed{
\mathcal B_\epsilon,
\quad
C^*_{\epsilon,\mathbf p},
\quad
\tau^*_\epsilon,
\quad
\eta_j,
\quad
\text{CriticalPath}(T).
} B ϵ , C ϵ , p ∗ , τ ϵ ∗ , η j , CriticalPath ( T ) . 關鍵詞： 理論吸收、認知資源、test-time compute、expenditure horizon、認知阻抗、Pareto frontier、AI 評測、推理成本、LHCF
1. 問題：如果 AI 最終都能解，還有「難」嗎？
設：
∃ b : S ( T , A , b ) ≥ 1 − ϵ . \exists \mathbf b:
S(T,\mathbb A,\mathbf b)\ge1-\epsilon. ∃ b : S ( T , A , b ) ≥ 1 − ϵ . 這表示：
在某個足夠大的資源配置下，AI 可以可靠吸收理論 T T T
但這並不代表：
T T T 在實務上容易。
例如：
情況 A
C ∗ = 10 − 2 C^*=10^{-2} C ∗ = 1 0 − 2 單位成本。
情況 B
C ∗ = 10 6 . C^*=10^6. C ∗ = 1 0 6 . 兩者都：
solvable = 1 , \text{solvable}=1, solvable = 1 , 但其認知經濟學完全不同。
所以：
可解 ≠ 可低成本吸收 . \boxed{
\text{可解}
\neq
\text{可低成本吸收}.
} 可解 = 可低成本吸收 . 2. 三種可解性
本文區分三層。
2.1 理論可解性
存在有限資源：
∃ b < ∞ : S ( T , A , b ) ≥ 1 − ϵ . \exists \mathbf b<\infty:
S(T,\mathbb A,\mathbf b)\ge1-\epsilon. ∃ b < ∞ : S ( T , A , b ) ≥ 1 − ϵ . 2.2 工程可吸收性
存在於現有技術與可取得工具域內的配置：
b ∈ B a v a i l a b l e ( t ) . \mathbf b\in\mathcal B_{\mathrm{available}}(t). b ∈ B available ( t ) . 2.3 經濟可吸收性
存在滿足預算：
p ⊤ b ≤ B \mathbf p^\top\mathbf b\le B p ⊤ b ≤ B 的配置。
因此可以出現：
theoretically solvable \text{theoretically solvable} theoretically solvable 但：
economically infeasible . \text{economically infeasible}. economically infeasible . 這就是高階 AI 時代仍可能存在「實務認知前沿」的第一個來源。
3. 資源向量
延續第 3 篇，本文將認知資源細化為：
b = ( b t o k , b c m p , b s e a , b v e r , b e x p , b m e m , b h u m , b t i m e ) \boxed{
\mathbf b
=
(
b_{\mathrm{tok}},
b_{\mathrm{cmp}},
b_{\mathrm{sea}},
b_{\mathrm{ver}},
b_{\mathrm{exp}},
b_{\mathrm{mem}},
b_{\mathrm{hum}},
b_{\mathrm{time}}
)
} b = ( b tok , b cmp , b sea , b ver , b exp , b mem , b hum , b time ) 其中：
b t o k b_{\mathrm{tok}} b tok b c m p b_{\mathrm{cmp}} b cmp b s e a b_{\mathrm{sea}} b sea b v e r b_{\mathrm{ver}} b ver b e x p b_{\mathrm{exp}} b exp b m e m b_{\mathrm{mem}} b mem b h u m b_{\mathrm{hum}} b hum b t i m e b_{\mathrm{time}} b time
這些資源不能預設完全可互換。
4. 為什麼 token 不是完整難度單位？
假設理論缺一個關鍵實驗：
E ∗ . E^*. E ∗ . 再增加：
10 12 10^{12} 1 0 12 token，也不一定能創造：
E ∗ . E^*. E ∗ . 或者某數學命題需要可信形式驗證器，而不是更多自由文本。
因此：
∂ S ∂ b t o k \frac{\partial S}{\partial b_{\mathrm{tok}}} ∂ b tok ∂ S 可能很低，
但：
∂ S ∂ b v e r \frac{\partial S}{\partial b_{\mathrm{ver}}} ∂ b ver ∂ S 很高。
所以「多想一點」並非通用解。
5. 可行吸收集合
對可靠度：
1 − ϵ , 1-\epsilon, 1 − ϵ , 定義：
B ϵ ( T , A ) = { b : S ( T , A , b ) ≥ 1 − ϵ } . \boxed{
\mathcal B_\epsilon(T,\mathbb A)
=
\left\{
\mathbf b:
S(T,\mathbb A,\mathbf b)\ge1-\epsilon
\right\}.
} B ϵ ( T , A ) = { b : S ( T , A , b ) ≥ 1 − ϵ } . 如果：
B ϵ = ∅ , \mathcal B_\epsilon=\varnothing, B ϵ = ∅ , 則在當前 AI 與資源類型下，該理論尚無可行吸收方案。
如果：
B ϵ ≠ ∅ , \mathcal B_\epsilon\neq\varnothing, B ϵ = ∅ , 則仍要問：
哪一種配置最有效？
6. Pareto 吸收前沿
存在兩個可行配置：
b 1 , b 2 . \mathbf b_1,\mathbf b_2. b 1 , b 2 . 若：
b 1 j ≤ b 2 j b_{1j}\le b_{2j} b 1 j ≤ b 2 j 對所有資源 j j j
b 1 \mathbf b_1 b 1 支配：
b 2 . \mathbf b_2. b 2 . 所有不被其他配置支配的點形成：
P ϵ ( T , A ) \boxed{
\mathcal P_\epsilon(T,\mathbb A)
} P ϵ ( T , A ) 即：
Theory Assimilation Pareto Frontier
這是一套理論真正的「資源幾何」。
7. 為什麼需要 Pareto，而不是單一成本？
例如：
路徑 A
少用人類，但需要大量搜索：
( b h u m ↓ , b s e a ↑ ) . (b_{\mathrm{hum}}\downarrow,\;
b_{\mathrm{sea}}\uparrow). ( b hum ↓ , b sea ↑ ) . 路徑 B
請一位專家給關鍵提示：
( b h u m ↑ , b s e a ↓ ) . (b_{\mathrm{hum}}\uparrow,\;
b_{\mathrm{sea}}\downarrow). ( b hum ↑ , b sea ↓ ) . 路徑 C
直接形式化：
b v e r ↑ , b t o k ↓ . b_{\mathrm{ver}}\uparrow,
\quad
b_{\mathrm{tok}}\downarrow. b ver ↑ , b tok ↓ . 三者都可能達到相同：
S ≥ 1 − ϵ . S\ge1-\epsilon. S ≥ 1 − ϵ . 不存在脫離價格與限制條件的唯一「最佳」。
8. 價格向量與最小吸收成本
給定：
p = ( p 1 , … , p n ) , \mathbf p
=
(
p_1,\ldots,p_n
), p = ( p 1 , … , p n ) , 其中：
p j p_j p j 是每單位資源的價格。
定義：
C p ( b ) = p ⊤ b . C_{\mathbf p}(\mathbf b)
=
\mathbf p^\top\mathbf b. C p ( b ) = p ⊤ b . 則：
C ϵ , p ∗ ( T , A ) = inf b ∈ B ϵ p ⊤ b . \boxed{
C^*_{\epsilon,\mathbf p}(T,\mathbb A)
=
\inf_{\mathbf b\in\mathcal B_\epsilon}
\mathbf p^\top\mathbf b.
} C ϵ , p ∗ ( T , A ) = b ∈ B ϵ inf p ⊤ b . 這稱為：
Minimal Theory Assimilation Expenditure
它不是理論永恆屬性。
因為：
p = p ( t ) . \mathbf p=\mathbf p(t). p = p ( t ) . GPU 變便宜、實驗自動化、verifier 出現後：
C ∗ C^* C ∗ 都可能大幅下降。
9. METR 的 Expenditure Horizon：重要方法論參考
METR 2026 年 7 月提出 expenditure horizon，用來比較 AI agent 與人類在不同支出水平上的優化能力。
其基本精神是比較：
s A ( x ) s_A(x) s A ( x ) 與：
s H ( x ) , s_H(x), s H ( x ) , 其中：
x x x 是共同支出尺度。
METR 特別將：
token cost；
experiment compute；
human labor cost；
納入同一比較。
其 NanoGPT 初步實例中，代理實驗支出已超過：
$ 10 , 000 , \$10,000, $10 , 000 , 但估計 expenditure horizon 約為：
$ 0 − $ 3 , 000. \$0-\$3,000. $0 − $3 , 000. 這說明：
AI 能做 \boxed{
\text{AI 能做}
} AI 能做 與：
AI 在這個預算下比人更值得做 \boxed{
\text{AI 在這個預算下比人更值得做}
} AI 在這個預算下比人更值得做 不是同一問題。
10. Expenditure Horizon 本身也不是絕對穩定量
METR 2026 年 7 月 24 日的 metrics note 明確指出：
若：
s A ( x ) s_A(x) s A ( x ) 與：
s H ( x ) s_H(x) s H ( x ) 斜率接近，
交點可能很不穩定。
因此 LHCF 不應迷信單一：
C ∗ . C^*. C ∗ . 更完整應保存：
S ( C ) S(C) S ( C ) 整條曲線。
這與第 3 篇保存：
R ( b ) R(b) R ( b ) 曲線的思想一致。
11. 理論吸收性能曲線
給定價格：
p , \mathbf p, p , 定義成本受限最優成功度：
S ∗ ( B ) = max b S ( T , A , b ) s.t. p ⊤ b ≤ B . \boxed{
S^*(B)
=
\max_{\mathbf b}
S(T,\mathbb A,\mathbf b)
\quad
\text{s.t.}
\quad
\mathbf p^\top\mathbf b\le B.
} S ∗ ( B ) = b max S ( T , A , b ) s.t. p ⊤ b ≤ B . 其互補形式：
R ∗ ( B ) = 1 − S ∗ ( B ) . R^*(B)=1-S^*(B). R ∗ ( B ) = 1 − S ∗ ( B ) . 這比：
用固定 100K token 測一次。
更有意義。
12. 邊際認知收益
定義：
m ( B ) = d S ∗ d B . m(B)
=
\frac{dS^*}{dB}. m ( B ) = d B d S ∗ . 若：
m ( B ) ≫ 0 , m(B)\gg0, m ( B ) ≫ 0 , 增加資源很有效。
若：
m ( B ) → 0 m(B)\rightarrow0 m ( B ) → 0 且：
S ∗ ( B ) < 1 − ϵ , S^*(B)<1-\epsilon, S ∗ ( B ) < 1 − ϵ , 則出現：
Assimilation Plateau
即：
再花錢也幾乎沒用。
這可能暗示結構性阻抗，而不只是資源不足。
13. 但「更多推理」甚至可能變差
2025 年 Inverse Scaling in Test-Time Compute 系統性展示：
b t o k ↑ b_{\mathrm{tok}}\uparrow b tok ↑ 並不保證：
S ↑ . S\uparrow. S ↑ . 延長推理可能造成：
被無關資訊干擾；
過度服從錯誤 framing；
從合理 prior 移向虛假相關；
長鏈約束失焦。
所以存在區域：
∂ S ∂ b t o k < 0. \frac{\partial S}{\partial b_{\mathrm{tok}}}<0. ∂ b tok ∂ S < 0. 這直接否定：
think longer = always better . \boxed{
\text{think longer}=\text{always better}.
} think longer = always better . 14. 資源配置問題比總量更重要
因此最優策略不是：
max ∑ j b j . \max \sum_jb_j. max j ∑ b j . 而是：
max b S ( T , A , b ) s.t. p ⊤ b ≤ B . \boxed{
\max_{\mathbf b}
S(T,\mathbb A,\mathbf b)
\quad
\text{s.t.}
\quad
\mathbf p^\top\mathbf b\le B.
} b max S ( T , A , b ) s.t. p ⊤ b ≤ B . 這是一個標準的受限資源配置問題。
15. 2026 年 Adaptive Test-Time Compute 的證據
2026 年多項研究已經直接處理：
哪些題目值得多花 inference compute？
Uncertainty-Aware Budget Allocation 將固定 sample budget 依不確定性重新分配，在多個 reasoning benchmark 上比均勻分配取得更高準確率。
另一項 constrained policy optimization 工作直接把問題寫成：
max E [ accuracy ] \max \mathbb E[\text{accuracy}] max E [ accuracy ] subject to：
E [ compute ] ≤ B . \mathbb E[\text{compute}]\le B. E [ compute ] ≤ B . 這正是 LHCF 理論吸收資源配置的局部版本。
16. ACL 2026：不只是分配多少，還要改變怎麼生成
Zuo 等人在 ACL 2026 Findings 提出的 Adaptive Test-Time Compute Allocation，不只重新分配計算，還讓未解題目根據已成功的相似案例動態改變 generation distribution。
因此資源配置實際上同時作用於：
where to compute + how to compute . \boxed{
\text{where to compute}
+
\text{how to compute}.
} where to compute + how to compute . 這對理論吸收很重要。
因為不同階段需要的不是同一種推理方式。
17. 驗證器也是稀缺資源
某些 reasoning pipeline 的真正瓶頸不是 candidate generation，而是：
verification . \text{verification}. verification . 2026 年 selective verification 工作顯示，透過只驗證高信息價值的中間狀態，可以在 MATH 上使用少：
44 % 44\% 44% 的 verifier calls 而取得更好結果。
因此：
b v e r b_{\mathrm{ver}} b ver 應與：
b t o k b_{\mathrm{tok}} b tok 分開。
18. TAP 的分階段資源圖
第 3 篇提出 Theory Absorption Protocol：
Reconstruct → Verify → Formalize → Extend → Reframe → Recursive Challenge . \text{Reconstruct}
\rightarrow
\text{Verify}
\rightarrow
\text{Formalize}
\rightarrow
\text{Extend}
\rightarrow
\text{Reframe}
\rightarrow
\text{Recursive Challenge}. Reconstruct → Verify → Formalize → Extend → Reframe → Recursive Challenge . 本文把它寫成有向無環圖：
G T A P = ( V , E ) . G_{\mathrm{TAP}}=(V,E). G TAP = ( V , E ) . 每個節點：
v i v_i v i 具有資源需求：
b i . \mathbf b_i. b i . 所以理論吸收不只是一次大推理。
它是一個：
resource-constrained project scheduling problem . \boxed{
\text{resource-constrained project scheduling problem}.
} resource-constrained project scheduling problem . 19. 串行深度
很多工作可以平行。
例如：
搜尋 1000 篇文獻；
生成 100 個反例；
跑多個模擬。
但某些依賴不能平行：
d 1 → d 2 → d 3 . d_1
\rightarrow
d_2
\rightarrow
d_3. d 1 → d 2 → d 3 . 在定義沒重建前，可靠形式化可能不能開始。
因此定義：
D s e q ( T ) D_{\mathrm{seq}}(T) D seq ( T ) 為最長必要認知依賴鏈。
這給出牆鐘時間的下界之一。
20. 理論吸收時間
令每個 TAP 節點完成時間為：
τ i ( b i ) . \tau_i(\mathbf b_i). τ i ( b i ) . 則在無限平行資源仍受到依賴限制時：
τ ϵ ∗ ( T , A ) ≥ CriticalPath ( G T A P ) . \boxed{
\tau^*_\epsilon(T,\mathbb A)
\ge
\operatorname{CriticalPath}
(
G_{\mathrm{TAP}}
).
} τ ϵ ∗ ( T , A ) ≥ CriticalPath ( G TAP ) . 因此：
more GPUs \text{more GPUs} more GPUs 不一定能把吸收時間壓到零。
21. 牆鐘時間與總計算量必須分開
兩個系統都使用：
10 6 10^6 1 0 6 GPU-seconds。
系統 A
1000 GPU 平行跑 1000 秒。
系統 B
1 GPU 串行跑：
10 6 10^6 1 0 6 秒。
其：
b c m p b_{\mathrm{cmp}} b cmp 相同，
但：
b t i m e b_{\mathrm{time}} b time 完全不同。
對需要即時決策的前沿：
b t i m e b_{\mathrm{time}} b time 本身就是硬限制。
22. 外部世界等待時間
有些理論需要：
培養細胞；
觀察氣候；
做臨床試驗；
建造儀器；
等待天文事件；
蒐集長期社會資料。
此時：
τ w o r l d \tau_{\mathrm{world}} τ world 不能由語言模型加速到零。
所以：
τ a s s i m = τ c o g + τ w o r l d \boxed{
\tau_{\mathrm{assim}}
=
\tau_{\mathrm{cog}}
+
\tau_{\mathrm{world}}
} τ assim = τ cog + τ world 只是概念分解；實際兩者可部分重疊。
即使：
τ c o g → 0 , \tau_{\mathrm{cog}}\rightarrow0, τ cog → 0 , 仍可能：
τ w o r l d ≫ 0. \tau_{\mathrm{world}}\gg0. τ world ≫ 0. 23. 證據型難題
本文因此提出：
Evidence-Bound Frontier
若主要瓶頸：
j ∗ = e x p j^*
=
\mathrm{exp} j ∗ = exp 或資料取得，
則：
R r e a s o n i n g ≈ 0 R_{\mathrm{reasoning}}\approx0 R reasoning ≈ 0 但：
R e v i d e n c e ≫ 0. R_{\mathrm{evidence}}\gg0. R evidence ≫ 0. AI 已經知道：
下一步該做什麼。
但世界還沒有提供答案。
這仍然是有效研究前沿。
24. 搜索型難題
另一類：
j ∗ = s e a . j^*=\mathrm{sea}. j ∗ = sea . 候選空間：
∣ Ω ∣ ≫ 0. |\Omega|\gg0. ∣Ω∣ ≫ 0. 即使 verifier 很好，每次測試很便宜，仍需要巨大搜索。
這是：
Search-Bound Frontier
其改善可能來自：
更好的 heuristic；
新表示；
分支剪枝；
新框架；
而不只是增加 token。
25. 驗證型難題
如果產生 candidate 很容易：
C g e n ≪ C v e r i f y , C_{\mathrm{gen}}\ll C_{\mathrm{verify}}, C gen ≪ C verify , 則：
Verification-Bound Frontier
例如：
證明是否真的正確；
實驗是否支持；
模型是否利用漏洞；
新理論是否只是 prior art 重新命名。
這類問題對高生成能力 AI 特別重要。
26. 記憶型難題
長理論庫可能主要卡在：
b m e m . b_{\mathrm{mem}}. b mem . 不是因為單一命題深。
而是：
依賴跨幾千文件；
版本多；
定義漂移；
需要長期 state；
需要保留反例歷史。
如果更好的 memory architecture 使：
C ∗ C^* C ∗ 大幅下降，
就證明原阻抗主要是系統架構問題。
27. 人類提示的經濟價值
假設 AI 自己搜索要：
$ 10 , 000. \$10,000. $10 , 000. 但專家一句提示成本：
$ 100 \$100 $100 就把搜索空間縮小：
10 4 10^4 1 0 4 倍。
此時：
b h u m b_{\mathrm{hum}} b hum 具有極高邊際價值。
這也是為什麼即使 AI 比人整體更強，人類仍可能在某些階段具有：
high marginal cognitive value . \boxed{
\text{high marginal cognitive value}.
} high marginal cognitive value . 但這是經濟／信息位置，不等於人類整體智能高於 AI。
28. 資源邊際收益
對資源：
b j , b_j, b j , 定義：
M j = ∂ S ∂ b j . M_j
=
\frac{
\partial S
}{
\partial b_j
}. M j = ∂ b j ∂ S . 最值得追加的資源，在最簡化情況下是：
j ∗ = arg max j M j p j . j^*
=
\arg\max_j
\frac{M_j}{p_j}. j ∗ = arg j max p j M j . 也就是：
每一單位成本帶來最大吸收進度的資源。 \boxed{
\text{每一單位成本帶來最大吸收進度的資源。}
} 每一單位成本帶來最大吸收進度的資源。 29. 吸收資源彈性
定義：
η j = ∂ log S ∂ log b j . \eta_j
=
\frac{
\partial\log S
}{
\partial\log b_j
}. η j = ∂ log b j ∂ log S . 或者對阻抗：
η j R = − ∂ log R ∂ log b j . \eta_j^R
=
-
\frac{
\partial\log R
}{
\partial\log b_j
}. η j R = − ∂ log b j ∂ log R . 不同理論會得到不同：
η ( T ) . \boldsymbol{\eta}(T). η ( T ) . 這形成：
Resource Elasticity Fingerprint
30. 資源替代率
若在固定成功度：
S = s S=s S = s 的等高線上，
資源 i , j i,j i , j
定義邊際替代率：
M R S i j = − d b j d b i ∣ S = s . MRS_{ij}
=
-
\frac{
db_j
}{
db_i
}
\bigg|_{S=s}. M R S ij = − d b i d b j S = s . 例如：
一次專家澄清可以省掉多少搜索？
一個形式 verifier 可以省掉多少 sampling？
這比只看總 token 更接近真實研究工程。
31. 不可替代資源
若：
M R S i j ≈ 0 MRS_{ij}\approx0 M R S ij ≈ 0 對所有 i ≠ j i\neq j i = j
且缺少：
b j b_j b j 就永遠無法跨門檻，
則：
b j b_j b j 近似：
Essential Resource
例如沒有某種關鍵觀測資料。
這種理論即使面對 ASI，也可能暫時保留前沿。
32. R-Horizon：推理長度與預算分配本身仍是能力缺口
ICLR 2026 的 R-Horizon 研究長廣度與深度 reasoning，發現即使先進 reasoning models 仍有有限有效推理長度，並且在多問題情境中難以合理分配 thinking budget。
這支持：
resource allocation \boxed{
\text{resource allocation}
} resource allocation 本身就是一種智能能力。
不是外部工程細節而已。
33. 長時程 Agent 的成本—能力非單調性
YC-Bench 2026 在一年期模擬創業環境測試多個 agent。
其結果中，Claude Opus 4.6 的平均最終資金最高，但 GLM-5 以約：
11 × 11\times 11 × 更低 inference cost 得到非常接近的結果。
這說明：
best score \text{best score} best score 與：
best score-per-cost \text{best score-per-cost} best score-per-cost 完全可能不是同一系統。
LHCF Observatory 因此至少要保留兩條榜：
capability frontier \text{capability frontier} capability frontier 與：
efficiency frontier . \text{efficiency frontier}. efficiency frontier . 34. 高階 AI 的難題可能逐步經濟化
早期我們問：
Can AI solve T ? \text{Can AI solve }T? Can AI solve T ? 下一階段：
Can AI solve T reliably? \text{Can AI solve }T\text{ reliably?} Can AI solve T reliably? 再下一階段：
At what cost? \text{At what cost?} At what cost? 最後：
Is it rational to allocate resources to solve T now? \boxed{
\text{Is it rational to allocate resources to solve }T\text{ now?}
} Is it rational to allocate resources to solve T now? 因此認知前沿可能逐步從能力論轉為資源配置論。
35. 經濟認知前沿
給定社會可接受預算：
B t . B_t. B t . 定義：
F t $ = { T : C ϵ , p t ∗ ( T , A t ⋆ ) > B t } . \boxed{
\mathcal F_t^{\$}
=
\left\{
T:
C^*_{\epsilon,\mathbf p_t}(T,\mathbb A_t^\star)
>
B_t
\right\}.
} F t $ = { T : C ϵ , p t ∗ ( T , A t ⋆ ) > B t } . 這是：
Economic Cognitive Frontier
它包含：
AI 理論上能做，但現在做太貴的問題。
36. 但價格下降會吞掉這個前沿
若：
p c m p ( t ) ↓ , p_{\mathrm{cmp}}(t)\downarrow, p cmp ( t ) ↓ , 或者算法效率提高：
S ( b ) ↑ , S(\mathbf b)\uparrow, S ( b ) ↑ , 則：
C ∗ ( t ) ↓ . C^*(t)\downarrow. C ∗ ( t ) ↓ . 所以：
F t $ \mathcal F_t^{\$} F t $ 也會移動。
這和第 5 篇的：
O t \mathcal O_t O t 完全一致。
37. 認知資源套利
如果一套理論目前主要依賴昂貴資源：
b j , b_j, b j , 研究者可能尋找另一條路：
b j → b k . b_j
\rightarrow
b_k. b j → b k . 例如：
brute-force search → \rightarrow →
大模型 sampling → \rightarrow →
大量人工審稿 → \rightarrow →
真實實驗 → \rightarrow →
本文稱為：
Cognitive Resource Arbitrage
真正的算法／框架創新，往往就是改寫資源組合。
38. 難度類型圖譜
本文提出至少六類：
Type C：Compute-Bound
j ∗ = c m p / t o k . j^*=\mathrm{cmp/tok}. j ∗ = cmp/tok . Type S：Search-Bound
j ∗ = s e a . j^*=\mathrm{sea}. j ∗ = sea . Type V：Verification-Bound
j ∗ = v e r . j^*=\mathrm{ver}. j ∗ = ver . Type E：Evidence／Experiment-Bound
j ∗ = e x p . j^*=\mathrm{exp}. j ∗ = exp . Type M：Memory-Bound
j ∗ = m e m . j^*=\mathrm{mem}. j ∗ = mem . Type H：Human-Context-Bound
j ∗ = h u m . j^*=\mathrm{hum}. j ∗ = hum . 一套理論可以是混合型。
39. 這使「ASI 也會有難題」變得不神祕
我們不需要假設：
有某種問題超越一切智能。
只需要存在：
finite intelligence + finite time + finite resources \boxed{
\text{finite intelligence}
+
\text{finite time}
+
\text{finite resources}
} finite intelligence + finite time + finite resources 就會有：
opportunity cost . \text{opportunity cost}. opportunity cost . 只要：
Q \mathcal Q Q 足夠大，
就不可能同時對每個問題使用無限資源。
因此「難題」可以是一個純資源分配結果，而不是智能神祕性。
40. 適度思考原則
高智能不應對每個問題都使用：
b max . b_{\max}. b m a x . 更合理：
b ∗ ( Q ) = arg max b [ V ( Q ) ⋅ S ( Q , b ) − C ( b ) ] . b^*(Q)
=
\arg\max_b
\left[
V(Q)\cdot S(Q,b)-C(b)
\right]. b ∗ ( Q ) = arg b max [ V ( Q ) ⋅ S ( Q , b ) − C ( b ) ] . 這稱為：
Adaptive Cognitive Proportionality
也就是：
思考深度應與問題價值、難度與邊際收益共同決定。 \boxed{
\text{思考深度應與問題價值、難度與邊際收益共同決定。}
} 思考深度應與問題價值、難度與邊際收益共同決定。 因此 ASI 即使「有能力」，也可能理性地不去完整吸收低價值理論。
41. 未被吸收不等於吸收不了
這帶來一個非常重要的分類。
若：
T T T 仍未被 AI 完整處理，可能因：
能力不足
B ϵ = ∅ . \mathcal B_\epsilon=\varnothing. B ϵ = ∅ . 成本過高
C ∗ > B . C^*>B. C ∗ > B . 價值太低
最優政策選擇：
b ∗ ( T ) = 0. b^*(T)=0. b ∗ ( T ) = 0. 尚未被發現
D ( T ) ≈ 0. D(T)\approx0. D ( T ) ≈ 0. 所以：
unassimilated ≠ unassimilable . \boxed{
\text{unassimilated}
\neq
\text{unassimilable}.
} unassimilated = unassimilable . 42. LHCF Observatory 的資源記錄
未來每次 TAP 測試至少記錄：
{ T , A , S , b , p , C , τ , stage , failure mode } . \{
T,
A,
S,
\mathbf b,
\mathbf p,
C,
\tau,
\text{stage},
\text{failure mode}
\}. { T , A , S , b , p , C , τ , stage , failure mode } . 並估計：
P ϵ . \mathcal P_\epsilon. P ϵ . 沒有成本與資源記錄的 AI benchmark，未來會越來越難解釋。
43. 可反駁預測
預測一：理論間的資源彈性指紋顯著不同
η ( T 1 ) ≠ η ( T 2 ) . \boldsymbol{\eta}(T_1)
\neq
\boldsymbol{\eta}(T_2). η ( T 1 ) = η ( T 2 ) . 若所有理論都只是按 token 等比例改善，TARG 沒必要。
預測二：適應性分配優於均勻分配
相同：
B B B 下：
S a d a p t i v e > S u n i f o r m S_{\mathrm{adaptive}}
>
S_{\mathrm{uniform}} S adaptive > S uniform 應在理論吸收任務中普遍出現。
預測三：部分理論會存在 inverse-scaling 區域
即：
∃ j , b : ∂ S ∂ b j < 0. \exists j,b:
\frac{\partial S}{\partial b_j}<0. ∃ j , b : ∂ b j ∂ S < 0. 預測四：後期前沿會從 compute-bound 向 evidence／verification-bound 遷移
當純推理快速進步：
R c o g ↓ , R_{\mathrm{cog}}\downarrow, R cog ↓ , 真實世界資料與驗證成本的相對權重可能上升。
預測五：能力排名與成本效率排名不同
arg max A S ( A ) ≠ arg max A S ( A ) C ( A ) \arg\max_A S(A)
\neq
\arg\max_A \frac{S(A)}{C(A)} arg A max S ( A ) = arg A max C ( A ) S ( A ) 將成為常態。
44. 如何反駁本文？
TARG 若出現以下結果應被簡化：
所有資源都可高度等價換成 token；
同一總成本下不同配置幾乎無差異；
吸收成功率對成本近乎單調固定函數；
牆鐘時間、驗證與外部資料沒有獨立限制；
AI 能力提高後所有理論的 C ∗ C^* C ∗
若如此，多資源幾何就沒有必要。
45. 與 LHCF 前八篇的關係
目前系列已建立：
前沿 → 問題 → 阻抗 → 有效性 → 動態集合 → 人機配置 → 前沿生成 → 框架再生 . \text{前沿}
\rightarrow
\text{問題}
\rightarrow
\text{阻抗}
\rightarrow
\text{有效性}
\rightarrow
\text{動態集合}
\rightarrow
\text{人機配置}
\rightarrow
\text{前沿生成}
\rightarrow
\text{框架再生}. 前沿 → 問題 → 阻抗 → 有效性 → 動態集合 → 人機配置 → 前沿生成 → 框架再生 . 本文加入：
資源價格與吸收時間 . \boxed{
\text{資源價格與吸收時間}.
} 資源價格與吸收時間 . 使「難」第一次同時具有：
46. 結論：高階 AI 的難題可能不是「不能」，而是「不值得現在花這麼多資源」
本文將理論吸收寫成：
S ( T , A , b ) \boxed{
S(T,\mathbb A,\mathbf b)
} S ( T , A , b ) 而不是：
S ( T , A ) . S(T,\mathbb A). S ( T , A ) . 這個差異看似只是多一個參數，
實際上改變了整個「認知難度」的定義。
一套理論可以：
solvable = 1 \text{solvable}=1 solvable = 1 同時：
C ∗ ≫ B . C^*\gg B. C ∗ ≫ B . 也可以：
C ∗ ≪ B C^*\ll B C ∗ ≪ B 但因價值太低而從未被處理。
甚至：
b t o k ↑ b_{\mathrm{tok}}\uparrow b tok ↑ 還可能：
S ↓ . S\downarrow. S ↓ . 因此真正高階的智能不只需要：
更大的推理能力。
還需要：
知道把什麼資源， 在什麼時間， 花在什麼問題與什麼認知階段。 \boxed{
\text{知道把什麼資源，
在什麼時間，
花在什麼問題與什麼認知階段。}
} 知道把什麼資源， 在什麼時間， 花在什麼問題與什麼認知階段。 這使 LHCF 的後期前沿不必依賴「永遠不可解」這種強命題。
只要存在：
finite time , finite compute , finite evidence , finite attention , \text{finite time},
\quad
\text{finite compute},
\quad
\text{finite evidence},
\quad
\text{finite attention}, finite time , finite compute , finite evidence , finite attention , 就仍然存在：
resource-constrained cognitive frontier . \boxed{
\text{resource-constrained cognitive frontier}.
} resource-constrained cognitive frontier . 而這也導出第 10 篇真正關鍵的問題：
《最後人類理論：哪些知識作品值得高階智慧完整重建》
因為如果高階 AI 也必須配置資源，
那麼下一個問題不再是：
它能不能讀完所有人類理論？
而是：
哪些理論值得花高昂認知成本， 做完整的 reconstruct → verify → formalize → refute → extend → reframe？ \boxed{
\text{哪些理論值得花高昂認知成本，
做完整的 reconstruct → verify → formalize → refute → extend → reframe？}
} 哪些理論值得花高昂認知成本， 做完整的 reconstruct → verify → formalize → refute → extend → reframe ？ 參考文獻
[1] Cunningham, T., Shetty, M., Cheng, V., & Rush, N. Expenditure Horizon: Measuring Optimization Ability, with an Application to NanoGPT. METR, July 21, 2026.
[2] METR. Metrics of Agent Ability. July 24, 2026.
[3] METR. Task-Completion Time Horizons of Frontier AI Models — Time Horizon 1.1. Updated May 8, 2026.
[4] Zuo, B., Zhou, D., & Zhu, Y. Adaptive Test-Time Compute Allocation with Evolving In-Context Demonstrations. Findings of ACL 2026, pp. 35156–35173.
[5] Zhai, Z. et al. Adaptive Test-Time Compute Allocation for Reasoning LLMs via Constrained Policy Optimization. arXiv:2604.14853, 2026.
[6] Nguyen, M., Gupta, S., & Le, H. Uncertainty-Aware Budget Allocation for Adaptive Test-Time Reasoning. arXiv:2605.26849, 2026.
[7] Qu, S. Adaptive Test-Time Compute Allocation via Learned Heuristics over Categorical Structure. arXiv:2602.03975, 2026.
[8] Gema, A. P. et al. Inverse Scaling in Test-Time Compute. arXiv:2507.14417, 2025.
[9] Lu, Y. et al. R-Horizon: How Far Can Your Large Reasoning Model Really Go in Breadth and Depth? ICLR 2026.
[10] Ma, Y. et al. Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute. arXiv:2503.23803, 2025.
[11] He, M. et al. YC-Bench: Benchmarking AI Agents for Long-Term Planning and Consistent Execution. arXiv:2604.01212, 2026.
[12] Neo.K / Aletheia. 認知阻抗：AI 吸收一個人類理論到底有多難. LHCF 03, 2026.
[13] Neo.K / Aletheia. 問題生成之後：框架生成、元問題與認知前沿再生. LHCF 08, 2026.
版本註記
v0.1 建立 TARG 多資源吸收幾何、可行吸收集合 B ϵ \mathcal B_\epsilon B ϵ P ϵ \mathcal P_\epsilon P ϵ C ϵ , p ∗ C^*_{\epsilon,\mathbf p} C ϵ , p ∗ η \boldsymbol{\eta} η F t $ \mathcal F_t^\$ F t $