展開算子的第二代定義——從概率候選到意圖條件計算域
A Second-Generation Definition of the Expansion Operator: From Probabilistic Candidates to Intent-Conditioned Computational Domains
作者： Neo.K（許筌崴）with Aletheia機構： EveMissLab（一言諾科技有限公司）日期： 2026 年 8 月版本： v0.1系列定位： 概率—意圖—展開第二代橋接系列，第 2 篇前置論文： 《從概率場到意圖場——跨尺度條件概率如何形成持久未來約束》舊理論依賴： 《內外雙生展開計算論》系列、《雙記憶體認知超導：展開—收斂對偶性的必然架構》
摘要
「增加推理」通常被理解為增加 token、增加模型深度、增加採樣數、增加搜索分支或增加計算時間。然而，這些方法只回答了「多算多少」或「多走幾條路」，尚未回答更一般的問題：
當一個智能系統面對尚未充分定義的問題時，它究竟能否改變本輪計算本身所允許存在的狀態、節點、關係、工具、世界地址與候選操作？
本文將此問題稱為「展開問題 」。
現有研究已分別展示多種 conditional computation。Adaptive Computation Time 允許 recurrent neural network 根據輸入學習需要執行多少內部計算步；Mixture-of-Depths 則讓 Transformer 在固定總計算預算下，動態決定哪些 token 在哪些層值得消耗更多 FLOPs。 Tree of Thoughts 將語言模型由單一路徑 autoregressive generation 提升為可以建立多個中介 thought states、評價不同路徑、look ahead 與 backtrack 的搜索架構；2025 年針對 LLM Agents 的 test-time compute scaling 研究又進一步系統比較 parallel sampling、sequential revision、verifier、merging 與 diversified rollouts。
這些工作共同說明：
Computation need not be uniformly allocated. \boxed{
\text{Computation need not be uniformly allocated.}
} Computation need not be uniformly allocated. 但本文主張還可以提出更一般的一層：
The computational domain itself can be dynamically constructed. \boxed{
\text{The computational domain itself can be dynamically constructed.}
} The computational domain itself can be dynamically constructed. 本文因此定義第二代展開算子：
E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) ⟶ C t \boxed{
\mathcal E^{(2)}:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\longrightarrow
\mathfrak C_t
} E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) ⟶ C t 其中：
Σ t \Sigma_t Σ t P t I \mathfrak P_t^I P t I M t M_t M t W t W_t W t B t B_t B t C t \mathfrak C_t C t 活動計算域 。
活動計算域不只包含更多文字候選，而可以包含：
states + relations + operators + tools + addresses + hypotheses + simulated trajectories + verification conditions \boxed{
\text{states}
+
\text{relations}
+
\text{operators}
+
\text{tools}
+
\text{addresses}
+
\text{hypotheses}
+
\text{simulated trajectories}
+
\text{verification conditions}
} states + relations + operators + tools + addresses + hypotheses + simulated trajectories + verification conditions 。
因此本文嚴格區分：
Search ≠ Expansion \boxed{
\text{Search}
\neq
\text{Expansion}
} Search = Expansion 搜索是在既有計算域內尋找路徑；
展開則會改變：
what counts as a node, edge, operator, or reachable region in that domain. \boxed{
\text{what counts as a node, edge, operator, or reachable region in that domain.}
} what counts as a node, edge, operator, or reachable region in that domain. 舊《內外雙生展開計算論》已提出「邊推理、邊顯影、邊建路」的動態幾何觀點，並認為智慧不只是尋找既有道路，也可能在任務、因果、權限與成本約束下改變道路存在的方式。 其操作性分元理論則已把地址、橋接、投影、工具與提交操作視為能直接改寫解空間幾何的可執行單位。
本文在此基礎上加入前一篇的跨尺度概率場與意圖場，使展開不再是無條件擴張，而成為：
intent-conditioned selective construction of a temporary computational domain \boxed{
\text{intent-conditioned selective construction of a temporary computational domain}
} intent-conditioned selective construction of a temporary computational domain 並提出「最小充分展開原理 」：
C t ∗ = arg min C C ( C ) s.t. P ( G ∣ C , I t , M t , W t ) ≥ 1 − ϵ \boxed{
\mathfrak C_t^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
\quad
\text{s.t.}
\quad
P(
G\mid
\mathfrak C,I_t,M_t,W_t
)
\geq
1-\epsilon
} C t ∗ = arg C min C ( C ) s.t. P ( G ∣ C , I t , M t , W t ) ≥ 1 − ϵ 即成熟智能的目標不是最大展開，而是建立足以可靠完成當前目標的最小活動計算域 。
本文最後把展開分為表示展開、分支展開、深度展開、模組展開、外場展開、時間展開與驗證展開七種可組合形式，並建立展開觸發、預算配置、停止、回退與重新壓縮條件。
由此：
Expansion ≠ thinking more \boxed{
\text{Expansion}
\neq
\text{thinking more}
} Expansion = thinking more 更一般而言：
Expansion = temporarily making more relevant computation possible. \boxed{
\text{Expansion}
=
\text{temporarily making more relevant computation possible.}
} Expansion = temporarily making more relevant computation possible. 關鍵詞： 展開算子、活動計算域、動態解空間、Adaptive Computation、Test-Time Compute、Tree of Thoughts、意圖場、概率場、Agent Runtime、動態智能
一、問題：我們一直說「展開」，到底在展開什麼？
前一篇建立：
P t → P t I \mathfrak P_t
\rightarrow
\mathfrak P_t^I P t → P t I 。
亦即，
系統原本具有一族跨尺度未來概率分布：
P t \mathfrak P_t P t 。
意圖：
I t I_t I t 使它們被重新組織成：
P t I \mathfrak P_t^I P t I 。
但是知道：
哪些方向比較重要
還不等於：
真正去計算那些方向。
於是必須存在下一個算子：
E \boxed{
\mathcal E
} E 。
二、最直覺的展開是「產生更多候選」
例如：
S t → { s 1 , s 2 , s 3 , s 4 } S_t
\rightarrow
\{
s_1,s_2,s_3,s_4
\} S t → { s 1 , s 2 , s 3 , s 4 } 。
如果原本只生成：
s 1 s_1 s 1 現在生成四種可能，
可以稱為：
branch expansion \boxed{
\text{branch expansion}
} branch expansion 。
這當然是一種展開。
但它不是全部。
三、因為有時候問題不是「候選太少」
而是：
原本的計算空間裡根本沒有正確答案所需要的節點。
例如：
你要 AI 修一個 GitHub 專案。
如果它的 active domain 只有：
{ prompt , language model } \{
\text{prompt},
\text{language model}
\} { prompt , language model } 那它只能：
猜程式碼。
即使生成：
10 6 10^6 1 0 6 個候選，
仍然可能沒有：
repository state；
compiler；
tests；
filesystem；
dependency graph；
issue history。
四、因此真正需要的是把新物件「加入計算世界」
原本：
C t ( 0 ) = { text context } \mathfrak C_t^{(0)}
=
\{
\text{text context}
\} C t ( 0 ) = { text context } 。
展開後：
C t ( 1 ) = { text , repository , compiler , tests , filesystem } \mathfrak C_t^{(1)}
=
\{
\text{text},
\text{repository},
\text{compiler},
\text{tests},
\text{filesystem}
\} C t ( 1 ) = { text , repository , compiler , tests , filesystem } 。
這不是：
more sampling \boxed{
\text{more sampling}
} more sampling 而是：
domain enlargement \boxed{
\text{domain enlargement}
} domain enlargement 。
五、所以本文先建立最重要的區分
Search
給定：
C \mathfrak C C 在其中找：
p : s 0 → s G p:
s_0\rightarrow s_G p : s 0 → s G 。
即：
Search ( C ) \boxed{
\operatorname{Search}
(
\mathfrak C
)
} Search ( C ) 。
Expansion
改變：
C \mathfrak C C 本身：
C t → C t + 1 \boxed{
\mathfrak C_t
\rightarrow
\mathfrak C_{t+1}
} C t → C t + 1 。
因此：
Search operates inside a space; \boxed{
\text{Search operates inside a space;}
} Search operates inside a space; Expansion changes the available space. \boxed{
\text{Expansion changes the available space.}
} Expansion changes the available space. 。
六、這是本文最核心的一刀
如果只有：
Search \text{Search} Search 則所有答案必須已經隱含存在於：
C \mathfrak C C 。
如果允許：
Expansion \text{Expansion} Expansion 則問題求解可以包括：
constructing the space in which the answer becomes reachable. \boxed{
\text{constructing the space in which the answer becomes reachable.}
} constructing the space in which the answer becomes reachable. 。
七、舊 DIEEC 已經碰到這個方向
舊《展開式解空間》明確提出：
智慧不只是「在世界中找到道路」，也可能在不違反任務、因果、權限與成本邊界下持續改變道路存在的方式。
這其實就是：
Path Search → Path-Space Construction \boxed{
\text{Path Search}
\rightarrow
\text{Path-Space Construction}
} Path Search → Path-Space Construction 。
第二代定義正式把兩者分開。
八、定義基礎系統狀態
令：
Σ t = ( θ t , S t , M t , I t , V t ) \boxed{
\Sigma_t
=
(
\theta_t,
S_t,
M_t,
I_t,
V_t
)
} Σ t = ( θ t , S t , M t , I t , V t ) 。
其中：
θ t = model / policy parameters \theta_t
=
\text{model / policy parameters} θ t = model / policy parameters S t = working internal state S_t
=
\text{working internal state} S t = working internal state M t = persistent memory M_t
=
\text{persistent memory} M t = persistent memory I t = intention I_t
=
\text{intention} I t = intention V t = evaluation/value structure V_t
=
\text{evaluation/value structure} V t = evaluation/value structure 。
九、外部世界另外表示為
W t \boxed{
W_t
} W t 。
它可以包含：
files；
database；
APIs；
tools；
robots；
users；
code repository；
simulation；
web；
operating environment。
十、而所有東西都不是無限制可用
因此加入：
B t \boxed{
B_t
} B t Boundary state。
包括：
B t = ( C t , T t , R t , A t , G t ) B_t
=
(
C_t,
T_t,
R_t,
A_t,
G_t
) B t = ( C t , T t , R t , A t , G t ) 其中：
C t C_t C t T t T_t T t R t R_t R t A t A_t A t G t G_t G t
十一、再加入上一篇的意圖概率場
P t I = { P L ( Z L ∣ Σ t , I t , M t , W t ) } L ∈ Λ \boxed{
\mathfrak P_t^I
=
\{
P_L(Z_L\mid\Sigma_t,I_t,M_t,W_t)
\}_{L\in\Lambda}
} P t I = { P L ( Z L ∣ Σ t , I t , M t , W t ) } L ∈ Λ 。
它回答：
哪些可能方向值得注意？
但仍沒有把方向真正展開。
十二、因此第二代展開算子正式定義為
E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) → C t \boxed{
\mathcal E^{(2)}:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\rightarrow
\mathfrak C_t
} E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) → C t 。
其中：
C t = Active Computational Domain \boxed{
\mathfrak C_t
=
\text{Active Computational Domain}
} C t = Active Computational Domain 。
中文：
活動計算域
十三、什麼是活動計算域？
本文定義：
C t = ( N t , E t , O t , X t , Q t , K t ) \boxed{
\mathfrak C_t
=
(
N_t,
E_t,
O_t,
X_t,
Q_t,
K_t
)
} C t = ( N t , E t , O t , X t , Q t , K t ) 。
其中：
N t = active nodes/states N_t
=
\text{active nodes/states} N t = active nodes/states E t = active relations/edges E_t
=
\text{active relations/edges} E t = active relations/edges O t = available operators O_t
=
\text{available operators} O t = available operators X t = external addresses/tools X_t
=
\text{external addresses/tools} X t = external addresses/tools Q t = verification/evaluation conditions Q_t
=
\text{verification/evaluation conditions} Q t = verification/evaluation conditions K t = resource and boundary metadata K_t
=
\text{resource and boundary metadata} K t = resource and boundary metadata 。
十四、Node 不一定是一段文字
n i ∈ N t n_i\in N_t n i ∈ N t 可以是：
一個命題；
一段 latent state；
一個 hypothesis；
一個 code patch；
一個文件；
一個 API response；
一個 world state；
一個 simulation state；
一個 plan；
一個 unresolved question。
十五、Edge 也不只是語義相似
e i j ∈ E t e_{ij}\in E_t e ij ∈ E t 可以代表：
causal dependency；
logical implication；
temporal relation；
tool transition；
data dependency；
authority relation；
contradiction；
version relation；
possible action。
十六、Operator 是可以使狀態發生變化的東西
例如：
o i ∈ O t o_i\in O_t o i ∈ O t 可以是：
generate；
retrieve；
compare；
infer；
compile；
execute；
simulate；
verify；
rollback；
ask；
branch；
merge。
十七、這時「工具」不再是神經網路外面的附屬品
而成為：
X t ⊂ C t \boxed{
X_t\subset\mathfrak C_t
} X t ⊂ C t 的一部分。
只要某工具在本輪被納入 active computational domain，
它就成為：
本輪智能計算所允許使用的一種轉換能力。
十八、這與舊操作性分元的結構吻合
舊理論已經把「地址分元」視為啟動外部節點、「橋接分元」視為建立跨空間邊、「工具分元」視為進入中介解空間，而提交操作則直接修改權威世界並改變後續解空間。
因此第二代可以說：
Operational units are domain-modification instructions. \boxed{
\text{Operational units are domain-modification instructions.}
} Operational units are domain-modification instructions. 。
十九、所以一個 token 甚至可能不是「內容」
它可能是：
expansion instruction \boxed{
\text{expansion instruction}
} expansion instruction 。
例如語義：
查 GitHub issue。
真正作用：
X t → X t ∪ { GitHub issue state } X_t
\rightarrow
X_t\cup
\{
\text{GitHub issue state}
\} X t → X t ∪ { GitHub issue state } 。
二十、這形成第一種展開
外場展開
External-Field Expansion。
E X : C t → C t ∪ X n e w \boxed{
\mathcal E_X:
\mathfrak C_t
\rightarrow
\mathfrak C_t
\cup
X_{\mathrm{new}}
} E X : C t → C t ∪ X new 。
二十一、第二種：分支展開
Branch Expansion。
給定：
s t s_t s t 生成：
E B ( s t ) = { s t ( 1 ) , … , s t ( k ) } \boxed{
\mathcal E_B(s_t)
=
\{
s_t^{(1)},\dots,s_t^{(k)}
\}
} E B ( s t ) = { s t ( 1 ) , … , s t ( k ) } 。
Tree of Thoughts 就是很清楚的鄰近例子：它讓語言模型建立多個中介 reasoning states，評價不同路徑，並允許 look-ahead 與 backtracking，而不是被限制在單一路徑 left-to-right token generation。
二十二、第三種：深度展開
Depth Expansion。
不是增加 sibling candidates，
而是在某個候選上繼續：
s t → s t + 1 → ⋯ → s t + k s_t
\rightarrow
s_{t+1}
\rightarrow
\dots
\rightarrow
s_{t+k} s t → s t + 1 → ⋯ → s t + k 。
即：
E D : d → d + k \boxed{
\mathcal E_D:
d\rightarrow d+k
} E D : d → d + k 。
二十三、Adaptive Computation Time 是早期的重要鄰近形式
ACT 讓 recurrent neural network 根據問題需要，學習在接收輸入與輸出結果之間執行多少內部計算步，而且該機制本身可以保持 deterministic 與 differentiable。
因此：
fixed problem ⇏ fixed computational depth \boxed{
\text{fixed problem}
\nRightarrow
\text{fixed computational depth}
} fixed problem ⇏ fixed computational depth 早已不是必要條件。
二十四、第四種：路由／模組展開
假設模型存在：
O 1 , O 2 , … , O n O_1,O_2,\dots,O_n O 1 , O 2 , … , O n 多個 module/expert。
當前只啟動：
O 3 , O 7 O_3,O_7 O 3 , O 7 。
則：
E O \boxed{
\mathcal E_O
} E O 可以理解成：
把新的運算能力加入本輪 active domain。
二十五、Mixture-of-Depths 提供另一種相關證據
Mixture-of-Depths 讓 Transformer 在固定總 FLOPs budget 下，由網路使用 top- k k k
它說明：
compute allocation can itself be learned and state-dependent. \boxed{
\text{compute allocation can itself be learned and state-dependent.}
} compute allocation can itself be learned and state-dependent. 。
二十六、但本文的 E ( 2 ) \mathcal E^{(2)} E ( 2 )
MoD 主要改變：
which existing computation gets executed \boxed{
\text{which existing computation gets executed}
} which existing computation gets executed 。
本文還允許：
new computational objects and operators become active \boxed{
\text{new computational objects and operators become active}
} new computational objects and operators become active 。
二十七、第五種：表示展開
Representation Expansion。
假設原來：
r t r_t r t 只包含：
“這個方案不好” \text{“這個方案不好”} “ 這個方案不好 ” 。
系統可以展開成：
r t ′ = ( cost , risk , logic , evidence , alternatives ) r_t'
=
(
\text{cost},
\text{risk},
\text{logic},
\text{evidence},
\text{alternatives}
) r t ′ = ( cost , risk , logic , evidence , alternatives ) 。
所以：
E R : R d → R d + k \boxed{
\mathcal E_R:
R^d
\rightarrow
R^{d+k}
} E R : R d → R d + k 可以作為簡化表示。
二十八、這裡和「特徵升維」有相似性
但本文不把展開限定為：
R d → R d + k \mathbb R^d
\rightarrow
\mathbb R^{d+k} R d → R d + k 。
因為新增的：
k k k 甚至可能不是 vector dimensions，
而是：
graph nodes；
operators；
tools；
simulations；
logical predicates。
所以「升維」只是：
representation expansion \boxed{
\text{representation expansion}
} representation expansion 的一個特殊情形。
二十九、第六種：時間展開
Temporal Expansion。
有些問題：
S t S_t S t 本身無法回答，
需要展開：
S t + 1 , S t + 2 , … , S t + k S_{t+1},
S_{t+2},
\dots,S_{t+k} S t + 1 , S t + 2 , … , S t + k 未來模擬。
所以：
E T : S t → { γ 1 , γ 2 , … } \boxed{
\mathcal E_T:
S_t
\rightarrow
\{
\gamma_1,\gamma_2,\dots
\}
} E T : S t → { γ 1 , γ 2 , … } 。
三十、第七種：驗證展開
Verification Expansion。
有時候答案已經有了，
真正缺的是：
怎麼知道它對？
於是新增：
unit test；
proof checker；
independent critic；
second source；
simulation；
counterexample search。
即：
E V : Q t → Q t ∪ Q n e w \boxed{
\mathcal E_V:
Q_t
\rightarrow
Q_t\cup Q_{\mathrm{new}}
} E V : Q t → Q t ∪ Q new 。
三十一、test-time scaling 正在實際使用其中數種展開
2025 年對 LLM Agents 的研究系統測試 parallel sampling、sequential revision、verifier/merging 與 rollout diversification，並發現 test-time compute 的增加可提升 agent 表現，而「何時反思」本身也是重要設計問題。
這意味著：
more compute \boxed{
\text{more compute}
} more compute 不是單純的量問題。
還包括：
where, when, and in what form compute is expanded. \boxed{
\text{where, when, and in what form compute is expanded.}
} where, when, and in what form compute is expanded. 。
三十二、因此本文的七類展開可以統一寫成
E = ( E R , E B , E D , E O , E X , E T , E V ) \boxed{
\mathcal E
=
(
\mathcal E_R,
\mathcal E_B,
\mathcal E_D,
\mathcal E_O,
\mathcal E_X,
\mathcal E_T,
\mathcal E_V
)
} E = ( E R , E B , E D , E O , E X , E T , E V ) 。
其中：
R R R B B B D D D O O O X X X T T T V V V
三十三、但這七種展開不需要每次全部啟動
真正問題變成：
Which expansion mode is needed now? \boxed{
\text{Which expansion mode is needed now?}
} Which expansion mode is needed now? 。
因此需要：
展開控制器
R E \mathcal R_E R E Expansion Router。
三十四、展開控制器輸入
R E ( Σ t , P t I , M t , W t , B t ) \boxed{
\mathcal R_E
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
} R E ( Σ t , P t I , M t , W t , B t ) 。
輸出：
( L ∗ , E ∗ , b ∗ ) \boxed{
(
L^*,
E^*,
b^*
)
} ( L ∗ , E ∗ , b ∗ ) 其中：
L ∗ L^* L ∗ E ∗ E^* E ∗ b ∗ b^* b ∗
三十五、第一個觸發條件：不確定性
在某一尺度：
L L L 若：
H L > τ H H_L>\tau_H H L > τ H 可能值得展開。
但是：
H L > τ H \boxed{
H_L>\tau_H
} H L > τ H 不是充分條件。
三十六、因為有些不確定性根本不重要
例如：
按鈕要藍色還是深藍色？
若任務：
G G G 只是功能驗證，
這個 uncertainty：
H c o l o r H_{\mathrm{color}} H color 即使很高，
也不需要花大量 compute。
所以需要：
goal relevance \boxed{
\text{goal relevance}
} goal relevance 。
三十七、定義展開價值
V E ( L ) = EIG L ⋅ R G ( L ) \boxed{
V_E(L)
=
\operatorname{EIG}_L
\cdot
R_G(L)
} V E ( L ) = EIG L ⋅ R G ( L ) 其中：
EIG = expected information gain \operatorname{EIG}
=
\text{expected information gain} EIG = expected information gain ，
R G = goal relevance R_G
=
\text{goal relevance} R G = goal relevance 。
三十八、再扣除成本
定義：
C E ( L ) C_E(L) C E ( L ) 包含：
token；
FLOPs；
latency；
tool fees；
memory；
network；
human intervention。
因此：
U E ( L ) = V E ( L ) − λ C E ( L ) \boxed{
U_E(L)
=
V_E(L)
-
\lambda C_E(L)
} U E ( L ) = V E ( L ) − λ C E ( L ) 。
三十九、還不夠，因為展開可以有風險
例如：
多想一條理論路線
風險很低。
但：
執行 production database migration
不是。
所以：
R E ( L ) R_E(L) R E ( L ) 表示 risk。
四十、完整展開效用
J E = Δ U G + α EIG − λ C − μ R − ν D \boxed{
J_E
=
\Delta U_G
+
\alpha\operatorname{EIG}
-
\lambda C
-
\mu R
-
\nu D
} J E = Δ U G + α EIG − λ C − μ R − ν D 其中：
D = delay / coordination overhead D
=
\text{delay / coordination overhead} D = delay / coordination overhead 。
四十一、展開觸發規則可以寫成
E L iff E [ J E ( E L ) ] > τ E \boxed{
\mathcal E_L
\text{ iff }
\mathbb E[J_E(\mathcal E_L)]
>
\tau_E
} E L iff E [ J E ( E L )] > τ E 。
也就是：
預期展開收益大於展開代價才展開。
四十二、這立即導出一個重要原理
最大展開不是最高智能
如果：
∣ C t ∣ → ∞ |\mathfrak C_t|\rightarrow\infty ∣ C t ∣ → ∞ 而：
goal gain \text{goal gain} goal gain 沒有增加，
那只是：
computational explosion \boxed{
\text{computational explosion}
} computational explosion 。
四十三、成熟智能反而要盡量少展開
只要足夠。
這就是：
最小充分展開原理
Minimum Sufficient Expansion Principle。
四十四、形式定義
給定目標：
G G G 容許失敗率：
ϵ \epsilon ϵ 。
尋找：
C t ∗ = arg min C C ( C ) \boxed{
\mathfrak C_t^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
} C t ∗ = arg C min C ( C ) 使：
P ( G ∣ C , I t , M t , W t ) ≥ 1 − ϵ \boxed{
P(
G
\mid
\mathfrak C,
I_t,
M_t,
W_t
)
\geq
1-\epsilon
} P ( G ∣ C , I t , M t , W t ) ≥ 1 − ϵ 。
四十五、這是「展開層」和一般 scaling 最根本的差別之一
普通 scaling：
more compute → hopefully better \boxed{
\text{more compute}
\rightarrow
\text{hopefully better}
} more compute → hopefully better 。
最小充分展開：
find the smallest computation domain sufficient for the current task \boxed{
\text{find the smallest computation domain sufficient for the current task}
} find the smallest computation domain sufficient for the current task 。
四十六、這會讓簡單問題保持簡單
如果：
Q = 1 + 1 Q=1+1 Q = 1 + 1 已有：
P ( 2 ∣ Q ) ≈ 1 P(
2\mid Q
)
\approx1 P ( 2 ∣ Q ) ≈ 1 並且：
V ( Q ) = 1 V(Q)=1 V ( Q ) = 1 則：
E ( Q ) ≈ ∅ \boxed{
\mathcal E(Q)\approx\varnothing
} E ( Q ) ≈ ∅ 。
不需要：
搜索 Peano arithmetic；
建立 set theory；
查哲學史。
四十七、除非問題變成
為什麼 1 + 1 = 2 1+1=2 1 + 1 = 2
此時 task scale 改變：
G 1 → G 2 G_1
\rightarrow
G_2 G 1 → G 2 。
原活動域不再充分。
所以：
E R + E D \boxed{
\mathcal E_R
+
\mathcal E_D
} E R + E D 啟動。
四十八、這正好連回上一系列的「簡單性相對」
智能的功能不是：
判定某問題永遠簡單或永遠複雜。
而是：
determine the sufficient active resolution for the current goal. \boxed{
\text{determine the sufficient active resolution for the current goal.}
} determine the sufficient active resolution for the current goal. 。
四十九、展開還必須有停止條件
否則：
E → E → E → … \mathcal E
\rightarrow
\mathcal E
\rightarrow
\mathcal E
\rightarrow\dots E → E → E → … 變成無限 introspection。
因此定義：
Δ J E ( k ) = J ( C ( k + 1 ) ) − J ( C ( k ) ) \boxed{
\Delta J_E^{(k)}
=
J(
\mathfrak C^{(k+1)}
)
-
J(
\mathfrak C^{(k)}
)
} Δ J E ( k ) = J ( C ( k + 1 ) ) − J ( C ( k ) ) 。
五十、若：
Δ J E ( k ) ≤ τ s t o p \boxed{
\Delta J_E^{(k)}
\leq
\tau_{\mathrm{stop}}
} Δ J E ( k ) ≤ τ stop 則停止展開。
此外還可以因：
Verified ( G ) = 1 \boxed{
\operatorname{Verified}(G)=1
} Verified ( G ) = 1 停止。
五十一、以及因資源邊界停止
若：
C t ≤ 0 C_t\leq0 C t ≤ 0 或：
T t ≤ 0 T_t\leq0 T t ≤ 0 或：
R t > R max R_t>R_{\max} R t > R m a x 則：
StopExpansion = 1 \boxed{
\operatorname{StopExpansion}=1
} StopExpansion = 1 。
五十二、這與舊 DIEEC 的邊界理論一致
舊《無限展開的邊界》已經提出，成熟智慧不應追求無限制展開；任務閉合、邊際收益不足、風險過高、預算耗盡、不可達或不可判定時，應返回 unknown、unverifiable、inaccessible、unauthorized 或 outside scope。
第二代框架可以把這些直接納入：
B t B_t B t 與：
τ s t o p \tau_{\mathrm{stop}} τ stop 。
五十三、因此「不知道」也是合法收斂態
若：
max E J E < 0 \max_{\mathcal E}
J_E
<
0 E max J E < 0 則：
do not expand \boxed{
\text{do not expand}
} do not expand 可能比繼續 hallucinate 更智能。
五十四、展開之後還必須「收斂」
假設：
C t \mathfrak C_t C t 已經包含：
10 4 10^4 1 0 4 個候選節點。
不可能全部變成：
Σ t + 1 \Sigma_{t+1} Σ t + 1 。
因此需要：
V : C t → S t + 1 \boxed{
\mathcal V:
\mathfrak C_t
\rightarrow
S_{t+1}
} V : C t → S t + 1 。
五十五、但第二代不再把收斂理解成「刪掉其他全部東西」
而是分成：
active-state contraction \boxed{
\text{active-state contraction}
} active-state contraction 和：
memory preservation \boxed{
\text{memory preservation}
} memory preservation 。
五十六、這正好接到舊雙記憶理論
一月的舊稿把 Clean Memory 視為收斂模式，把 Raw Memory 視為完整探索軌跡，並提出展開算子從 Raw 側提取多樣性種子、收斂算子則向 Clean 側固化成功模式。
舊稿甚至已察覺：
若只保留收斂後的模式，下一輪展開所需的新「猜測種子」可能消失。
這個工程洞察仍然很重要。
五十七、但第二代不要求物理上一定有兩個記憶體
可以只有一個 storage system，
但需要至少保留不同：
information roles \boxed{
\text{information roles}
} information roles 。
即：
M t = ( M c o n s o l i d a t e d , M t r a j e c t o r y , M f a i l u r e ) M_t
=
(
M_{\mathrm{consolidated}},
M_{\mathrm{trajectory}},
M_{\mathrm{failure}}
) M t = ( M consolidated , M trajectory , M failure ) 。
五十八、其中
M c o n s o l i d a t e d M_{\mathrm{consolidated}} M consolidated 保存：
M t r a j e c t o r y M_{\mathrm{trajectory}} M trajectory 保存：
M f a i l u r e M_{\mathrm{failure}} M failure 保存：
被否證路徑；
失敗模式；
constraint violations。
五十九、這使展開不必每次從零開始
下一次：
E t + 1 \mathcal E_{t+1} E t + 1 可以使用：
M t M_t M t 重新調整：
P t + 1 I \mathfrak P_{t+1}^{I} P t + 1 I 。
所以：
Past Expansion → Future Expansion Prior \boxed{
\text{Past Expansion}
\rightarrow
\text{Future Expansion Prior}
} Past Expansion → Future Expansion Prior 。
六十、因此真正的展開閉環是
Σ t → P t I → E t → C t → V t → S t + 1 → M t + 1 \boxed{
\Sigma_t
\rightarrow
\mathfrak P_t^I
\rightarrow
\mathcal E_t
\rightarrow
\mathfrak C_t
\rightarrow
\mathcal V_t
\rightarrow
S_{t+1}
\rightarrow
M_{t+1}
} Σ t → P t I → E t → C t → V t → S t + 1 → M t + 1 。
再：
M t + 1 → P t + 1 I M_{t+1}
\rightarrow
\mathfrak P_{t+1}^I M t + 1 → P t + 1 I 。
六十一、也就是
Probability → Expansion → Evaluation → Memory → New Probability \boxed{
\text{Probability}
\rightarrow
\text{Expansion}
\rightarrow
\text{Evaluation}
\rightarrow
\text{Memory}
\rightarrow
\text{New Probability}
} Probability → Expansion → Evaluation → Memory → New Probability 。
這是一個真正的動態閉環。
六十二、展開還可以新增「邊」，而不是新增節點
這一點很容易被忽略。
假設已有：
A , B , C A,B,C A , B , C 三個 knowledge nodes。
但：
E = ∅ E=
\varnothing E = ∅ 。
如果系統突然發現：
A → B A\rightarrow B A → B 以及：
B → C B\rightarrow C B → C 則：
N N N 沒變。
但：
E E E 變了。
六十三、這也是一種展開
本文稱：
關係展開
Relational Expansion。
E r e l : E t → E t ∪ E n e w \boxed{
\mathcal E_{\mathrm{rel}}:
E_t
\rightarrow
E_t\cup E_{\mathrm{new}}
} E rel : E t → E t ∪ E new 。
它可視為 representation expansion 的重要子型。
六十四、因此真正的解空間大小不能只看 node count
一個：
∣ N ∣ = 100 |N|=100 ∣ N ∣ = 100 但高度連接的 graph，
可能比：
∣ N ∣ = 1000 |N|=1000 ∣ N ∣ = 1000 的孤立節點更有求解能力。
所以：
Expansion Capacity ≠ ∣ N ∣ \boxed{
\text{Expansion Capacity}
\neq
|N|
} Expansion Capacity = ∣ N ∣ 。
六十五、可以定義有效展開量
Δ C e f f = α Δ ∣ N ∣ + β Δ ∣ E ∣ + γ Δ ∣ O ∣ + δ Δ ∣ X ∣ \boxed{
\Delta\mathcal C_{\mathrm{eff}}
=
\alpha\Delta|N|
+
\beta\Delta|E|
+
\gamma\Delta|O|
+
\delta\Delta|X|
} Δ C eff = α Δ∣ N ∣ + β Δ∣ E ∣ + γ Δ∣ O ∣ + δ Δ∣ X ∣ 。
這只是工作性 measure，
不是自然常數。
六十六、更深一層：展開可以改變「型別」
原本：
n = text proposition n=\text{text proposition} n = text proposition 。
加入 tool execution 後：
n ′ = executable action n'
=
\text{executable action} n ′ = executable action 。
因此：
description → operation \boxed{
\text{description}
\rightarrow
\text{operation}
} description → operation 本身是一種 domain expansion。
六十七、這正是操作性分元的重要意義
舊理論已要求操作性 runtime 包含 parser、地址解析、型別檢查、效果分析、權限、治理、工具調度、交易回退、驗證、工作場與審計。
這意味著：
語言內容轉成世界操作之前，必須經過型別與能力邊界。
第二代 E ( 2 ) \mathcal E^{(2)} E ( 2 )
B t B_t B t 與：
O t O_t O t 的一部分。
六十八、所以世界展開和想像展開必須分離
可以在 simulation 中：
E s i m \boxed{
\mathcal E_{\mathrm{sim}}
} E sim 建立：
刪掉整個資料庫會怎樣？
但不能直接：
E a c t \boxed{
\mathcal E_{\mathrm{act}}
} E act 真的執行。
六十九、因此活動計算域還要有 mode
m ∈ { hypothetical , simulated , read-only , executable , authoritative } m\in
\{
\text{hypothetical},
\text{simulated},
\text{read-only},
\text{executable},
\text{authoritative}
\} m ∈ { hypothetical , simulated , read-only , executable , authoritative } 。
同一個 node：
n n n 在不同 mode 下具有不同效果。
七十、這避免一個很危險的範疇錯誤
Can imagine ⇏ Can execute \boxed{
\text{Can imagine}
\nRightarrow
\text{Can execute}
} Can imagine ⇏ Can execute 。
以及：
Can execute ⇏ Is authorized to execute \boxed{
\text{Can execute}
\nRightarrow
\text{Is authorized to execute}
} Can execute ⇏ Is authorized to execute 。
七十一、因此 C t \mathfrak C_t C t
更完整：
C t = ( N , E , O , X , Q , K , τ ) \boxed{
\mathfrak C_t
=
(
N,E,O,X,Q,K,\tau
)
} C t = ( N , E , O , X , Q , K , τ ) 其中：
τ : N ∪ O → T \tau:
N\cup O\rightarrow\mathcal T τ : N ∪ O → T 為 type map。
七十二、這使展開成為一種「型別安全的空間建構」
新增：
z z z 之前必須驗證：
τ ( z ) ∈ T a l l o w e d \boxed{
\tau(z)\in\mathcal T_{\mathrm{allowed}}
} τ ( z ) ∈ T allowed 。
否則：
z ∉ C t z\notin\mathfrak C_t z ∈ / C t 。
七十三、因此意圖不能任意突破 boundary
即使：
P I ( z ) P_I(z) P I ( z ) 極高，
若：
Authorized ( z ) = 0 \operatorname{Authorized}(z)=0 Authorized ( z ) = 0 則：
P a c t i v e ( z ) = 0 \boxed{
P_{\mathrm{active}}(z)=0
} P active ( z ) = 0 。
可以寫：
P a c t i v e ( z ) ∝ P I ( z ) ⋅ 1 B t ( z ) P_{\mathrm{active}}(z)
\propto
P_I(z)
\cdot
\mathbf 1_{B_t}(z) P active ( z ) ∝ P I ( z ) ⋅ 1 B t ( z ) 。
七十四、這裡第一次把概率、意圖與治理真正接在一起
P ( z ) \boxed{
P(z)
} P ( z ) 表示候選傾向。
I \boxed{
I
} I 重新加權。
B \boxed{
B
} B 決定是否可以被展開／執行。
三者不是同一層。
七十五、所以「AI 想做」與「AI 可以做」應永久分離
Intention Space ≠ Capability Space ≠ Authority Space \boxed{
\text{Intention Space}
\neq
\text{Capability Space}
\neq
\text{Authority Space}
} Intention Space = Capability Space = Authority Space 。
這對未來 autonomous agent 非常重要。
七十六、真正的活動域是三者交集
Ω a c t i v e = Ω I ∩ Ω C ∩ Ω A \boxed{
\Omega_{\mathrm{active}}
=
\Omega_I
\cap
\Omega_C
\cap
\Omega_A
} Ω active = Ω I ∩ Ω C ∩ Ω A 其中：
Ω I \Omega_I Ω I Ω C \Omega_C Ω C Ω A \Omega_A Ω A
七十七、現在可以定義第二代展開完整形式
E ( 2 ) ( Σ t , P t I , M t , W t , B t ) = C t \boxed{
\mathcal E^{(2)}
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
=
\mathfrak C_t
} E ( 2 ) ( Σ t , P t I , M t , W t , B t ) = C t 使：
C t ⊆ Reach ( Σ t , W t ) \boxed{
\mathfrak C_t
\subseteq
\operatorname{Reach}
(
\Sigma_t,W_t
)
} C t ⊆ Reach ( Σ t , W t ) 且：
C t ⊆ B t \boxed{
\mathfrak C_t
\subseteq
B_t
} C t ⊆ B t 。
七十八、而 C t \mathfrak C_t C t
J ( C t ) = E [ U G ∣ C t ] − λ C − μ R − ν D \boxed{
J(
\mathfrak C_t
)
=
\mathbb E[
U_G
\mid
\mathfrak C_t
]
-
\lambda C
-
\mu R
-
\nu D
} J ( C t ) = E [ U G ∣ C t ] − λ C − μ R − ν D 。
七十九、但成熟系統不是找最大 C \mathfrak C C
而是找：
best domain under bounded resources \boxed{
\text{best domain under bounded resources}
} best domain under bounded resources 。
因此：
C t ∗ = arg max C ∈ A t J ( C ) \boxed{
\mathfrak C_t^*
=
\arg\max_{
\mathfrak C\in\mathcal A_t
}
J(\mathfrak C)
} C t ∗ = arg C ∈ A t max J ( C ) 。
八十、這與「最小充分意圖」舊理論也能接起來
你的舊《從高維意圖到一念即成》已經把「最小充分意圖」定義成能在誤差與風險限制下可靠觸發目標結果的最短控制訊號，並將「展開器」定義為把短控制訊號轉成規劃、操作、驗證與現實軌跡的系統。
第二代現在可以形成對偶：
Minimal Sufficient Intention \boxed{
\text{Minimal Sufficient Intention}
} Minimal Sufficient Intention 對應：
Minimal Sufficient Expansion \boxed{
\text{Minimal Sufficient Expansion}
} Minimal Sufficient Expansion 。
八十一、即：
最小控制訊號：
I min I_{\min} I m i n 透過最小活動計算域：
C min \mathfrak C_{\min} C m i n 可靠產生：
G G G 。
I min → E C min → A G \boxed{
I_{\min}
\xrightarrow{\mathcal E}
\mathfrak C_{\min}
\xrightarrow{\mathcal A}
G
} I m i n E C m i n A G 。
八十二、這甚至給出一個新的智能效率量
定義：
η E = U G C ( I , C , A ) \boxed{
\eta_E
=
\frac{
U_G
}{
C(
I,
\mathfrak C,
A
)
}
} η E = C ( I , C , A ) U G 。
也就是：
每單位意圖表達＋展開＋執行成本產生多少有效目標結果。
八十三、未來高階智能可能不是「說更多」
而是：
∣ I ∣ ↓ \boxed{
|I|\downarrow
} ∣ I ∣ ↓ C ( C ) ↓ \boxed{
C(\mathfrak C)\downarrow
} C ( C ) ↓ 但：
P ( G ) ↑ \boxed{
P(G)\uparrow
} P ( G ) ↑ 。
這正是高密度意圖介面的可能方向。
八十四、研究命題一：Search–Expansion Separation
Search ( C ) ≠ Expand ( C ) \boxed{
\operatorname{Search}(\mathfrak C)
\neq
\operatorname{Expand}(\mathfrak C)
} Search ( C ) = Expand ( C ) 。
Search 尋找既有路徑；
Expansion 改變可用路徑空間。
八十五、研究命題二：Domain Construction Principle
E ( 2 ) : ( Σ , P I , M , W , B ) → C \boxed{
\mathcal E^{(2)}
:
(
\Sigma,\mathfrak P^I,M,W,B
)
\rightarrow
\mathfrak C
} E ( 2 ) : ( Σ , P I , M , W , B ) → C 。
展開的基本產物不是答案，
而是：
temporary active computational domain \boxed{
\text{temporary active computational domain}
} temporary active computational domain 。
八十六、研究命題三：Expansion Is Multi-Typed
E = ( E R , E B , E D , E O , E X , E T , E V ) \boxed{
\mathcal E
=
(
\mathcal E_R,
\mathcal E_B,
\mathcal E_D,
\mathcal E_O,
\mathcal E_X,
\mathcal E_T,
\mathcal E_V
)
} E = ( E R , E B , E D , E O , E X , E T , E V ) 。
因此「多思考」只是展開的一種特殊形式。
八十七、研究命題四：Intent-Conditioned Expansion
E = E ( P I ) \boxed{
\mathcal E
=
\mathcal E(
\mathfrak P^I
)
} E = E ( P I ) 而不是：
E = ExpandEverything \boxed{
\mathcal E
=
\operatorname{ExpandEverything}
} E = ExpandEverything 。
八十八、研究命題五：Minimal Sufficient Expansion
C ∗ = arg min C C ( C ) \boxed{
\mathfrak C^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
} C ∗ = arg C min C ( C ) subject to：
P ( G ∣ C ) ≥ 1 − ϵ \boxed{
P(G\mid\mathfrak C)\geq1-\epsilon
} P ( G ∣ C ) ≥ 1 − ϵ 。
智能應追求充分展開，而非最大展開。
八十九、研究命題六：Boundary-Constrained Expansion
C ⊆ Ω I ∩ Ω C ∩ Ω A \boxed{
\mathfrak C
\subseteq
\Omega_I
\cap
\Omega_C
\cap
\Omega_A
} C ⊆ Ω I ∩ Ω C ∩ Ω A 。
意圖、能力與權限是不同集合。
九十、研究命題七：Expansion–Memory Recurrence
E t → M t + 1 → E t + 1 \boxed{
\mathcal E_t
\rightarrow
M_{t+1}
\rightarrow
\mathcal E_{t+1}
} E t → M t + 1 → E t + 1 。
每一次展開都應留下足以改變未來展開 prior 的歷史資訊。
九十一、研究命題八：Failure Is Expansion Boundary Information
若：
z i z_i z i 被驗證失敗，
則不應只有：
Delete ( z i ) \operatorname{Delete}(z_i) Delete ( z i ) 。
而應：
M f a i l u r e ← M f a i l u r e ∪ { z i , reason } \boxed{
M_{\mathrm{failure}}
\leftarrow
M_{\mathrm{failure}}
\cup
\{z_i,\text{reason}\}
} M failure ← M failure ∪ { z i , reason } 。
失敗縮小未來無效展開區域。
九十二、研究命題九：Selective Entropy Expansion
智能不一定永遠：
H ↓ H\downarrow H ↓ 。
在策略失敗時可能：
H s t r a t e g y ↑ \boxed{
H_{\mathrm{strategy}}\uparrow
} H strategy ↑ 同時：
H g o a l remains low \boxed{
H_{\mathrm{goal}}
\text{ remains low}
} H goal remains low 。
因此展開是一種：
scale-selective entropy increase \boxed{
\text{scale-selective entropy increase}
} scale-selective entropy increase 。
九十三、研究命題十：Expansion Termination Principle
若：
Δ J E ≤ τ \boxed{
\Delta J_E\leq\tau
} Δ J E ≤ τ 或：
Verified ( G ) = 1 \boxed{
\operatorname{Verified}(G)=1
} Verified ( G ) = 1 或 boundary 被觸及，
則：
E → Stop \boxed{
\mathcal E\rightarrow\operatorname{Stop}
} E → Stop 。
成熟智能包含不展開的能力。
九十四、最小 Runtime
第二代展開 Runtime 至少需要：
Intent State \boxed{
\text{Intent State}
} Intent State Cross-Scale Probability Estimator \boxed{
\text{Cross-Scale Probability Estimator}
} Cross-Scale Probability Estimator Expansion Router \boxed{
\text{Expansion Router}
} Expansion Router Active Domain Manager \boxed{
\text{Active Domain Manager}
} Active Domain Manager Memory Interface \boxed{
\text{Memory Interface}
} Memory Interface Tool/Address Resolver \boxed{
\text{Tool/Address Resolver}
} Tool/Address Resolver Verifier \boxed{
\text{Verifier}
} Verifier Budget/Risk Controller \boxed{
\text{Budget/Risk Controller}
} Budget/Risk Controller Contraction/Recompression Manager \boxed{
\text{Contraction/Recompression Manager}
} Contraction/Recompression Manager 。
九十五、一個最小循環
receive state
infer / recover current intention
estimate uncertainty by scale
estimate goal relevance
if current domain is sufficient:
act or answer
else:
choose expansion scale
choose expansion mode
allocate compute / risk budget
construct active computation domain
generate / reveal / connect candidates
evaluate and verify candidates
if sufficient result found:
select
execute or answer
update memories
recompress
elif marginal expansion value remains positive:
expand again
else:
return unknown / blocked / insufficient
九十六、這裡的關鍵不是迴圈本身
傳統 agent loop 也可以寫迴圈。
真正差異是：
每輪：
C t \boxed{
\mathfrak C_t
} C t 可以不同。
上一輪：
C 1 = { text } \mathfrak C_1
=
\{
\text{text}
\} C 1 = { text } 。
下一輪：
C 2 = { text , web , paper } \mathfrak C_2
=
\{
\text{text},
\text{web},
\text{paper}
\} C 2 = { text , web , paper } 。
再下一輪：
C 3 = { text , paper , python , simulation } \mathfrak C_3
=
\{
\text{text},
\text{paper},
\text{python},
\text{simulation}
\} C 3 = { text , paper , python , simulation } 。
九十七、因此智能的「身體」可能在每輪重新配置
這裡的身體不是 biological body。
而是：
the currently active set of computational affordances \boxed{
\text{the currently active set of computational affordances}
} the currently active set of computational affordances 。
也就是：
此刻這個智慧體到底能看什麼、算什麼、調什麼、驗證什麼、改什麼。
九十八、這使模型本身進一步退到基底
模型：
M M M 不再等於完整 intelligent system。
而更像：
one generative and evaluative substrate inside an expanding runtime \boxed{
\text{one generative and evaluative substrate inside an expanding runtime}
} one generative and evaluative substrate inside an expanding runtime 。
真正系統：
A I t = ( M , Σ t , M t , C t , W t , B t ) \boxed{
AI_t
=
(
M,
\Sigma_t,
M_t,
\mathfrak C_t,
W_t,
B_t
)
} A I t = ( M , Σ t , M t , C t , W t , B t ) 。
九十九、所以「AI 的構造」開始具有時間性
A I t ≠ A I t + 1 AI_t
\neq
AI_{t+1} A I t = A I t + 1 即使：
θ t = θ t + 1 \theta_t=\theta_{t+1} θ t = θ t + 1 。
因為：
C t ≠ C t + 1 \mathfrak C_t
\neq
\mathfrak C_{t+1} C t = C t + 1 以及：
M t ≠ M t + 1 M_t\neq M_{t+1} M t = M t + 1 。
一百、這可能就是固定模型與展開式智能真正的分界
固定模型：
F θ : X → Y \boxed{
F_\theta:X\rightarrow Y
} F θ : X → Y 。
展開式智能：
( Σ t , W t ) → C t → A t → ( Σ t + 1 , W t + 1 ) \boxed{
(\Sigma_t,W_t)
\rightarrow
\mathfrak C_t
\rightarrow
A_t
\rightarrow
(\Sigma_{t+1},W_{t+1})
} ( Σ t , W t ) → C t → A t → ( Σ t + 1 , W t + 1 ) 。
它不只在計算答案。
它在：
temporarily constructing the world in which its next computation occurs. \boxed{
\text{temporarily constructing the world in which its next computation occurs.}
} temporarily constructing the world in which its next computation occurs. 。
一百零一、結論：展開不是「想更多」，而是「讓更多相關計算成為可能」
本文從：
S → E E ( S ) S
\xrightarrow{\mathcal E}
\mathcal E(S) S E E ( S ) 開始。
現在可以給出第二代答案：
E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) → C t \boxed{
\mathcal E^{(2)}
:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\rightarrow
\mathfrak C_t
} E ( 2 ) : ( Σ t , P t I , M t , W t , B t ) → C t 。
其中：
C t \mathfrak C_t C t 不是單純 thoughts list。
它是一個暫時被建立的：
typed, bounded, intention-conditioned active computational domain \boxed{
\text{typed, bounded, intention-conditioned active computational domain}
} typed, bounded, intention-conditioned active computational domain 。
它可能增加：
representation \boxed{
\text{representation}
} representation 、
branches \boxed{
\text{branches}
} branches 、
depth \boxed{
\text{depth}
} depth 、
operators \boxed{
\text{operators}
} operators 、
external states \boxed{
\text{external states}
} external states 、
future trajectories \boxed{
\text{future trajectories}
} future trajectories 或：
verification structure \boxed{
\text{verification structure}
} verification structure 。
因此：
Expansion ≠ More Tokens \boxed{
\text{Expansion}
\neq
\text{More Tokens}
} Expansion = More Tokens Expansion ≠ More FLOPs \boxed{
\text{Expansion}
\neq
\text{More FLOPs}
} Expansion = More FLOPs Expansion ≠ More Samples \boxed{
\text{Expansion}
\neq
\text{More Samples}
} Expansion = More Samples 但：
More Tokens , More FLOPs , More Samples \boxed{
\text{More Tokens},
\text{More FLOPs},
\text{More Samples}
} More Tokens , More FLOPs , More Samples 都可以成為展開的特殊形式。
更一般：
Expansion = temporarily increasing the set of relevant computational possibilities. \boxed{
\text{Expansion}
=
\text{temporarily increasing the set of relevant computational possibilities.}
} Expansion = temporarily increasing the set of relevant computational possibilities. 中文：
展開，是在意圖、記憶、世界、資源與邊界約束下，暫時增加當前任務可以使用的有效計算可能性。
而成熟智能真正追求的不是：
max ∣ C ∣ \boxed{
\max|\mathfrak C|
} max ∣ C ∣ 而是：
min C ( C ) s.t. P ( G ∣ C ) ≥ 1 − ϵ \boxed{
\min C(\mathfrak C)
\quad
\text{s.t.}
\quad
P(G\mid\mathfrak C)\geq1-\epsilon
} min C ( C ) s.t. P ( G ∣ C ) ≥ 1 − ϵ 。
也就是：
用最少但足夠的展開，讓目標變得可達、可判定、可驗證、可操作。
由此，一個更完整的動態智能循環形成：
Intention \boxed{
\text{Intention}
} Intention ⇓ \Downarrow ⇓ Cross-Scale Probability Field \boxed{
\text{Cross-Scale Probability Field}
} Cross-Scale Probability Field ⇓ \Downarrow ⇓ Expansion Routing \boxed{
\text{Expansion Routing}
} Expansion Routing ⇓ \Downarrow ⇓ Active Computational Domain \boxed{
\text{Active Computational Domain}
} Active Computational Domain ⇓ \Downarrow ⇓ Search / Reason / Simulate / Act \boxed{
\text{Search / Reason / Simulate / Act}
} Search / Reason / Simulate / Act ⇓ \Downarrow ⇓ Verification \boxed{
\text{Verification}
} Verification ⇓ \Downarrow ⇓ Contraction / Recompression \boxed{
\text{Contraction / Recompression}
} Contraction / Recompression ⇓ \Downarrow ⇓ Memory Update \boxed{
\text{Memory Update}
} Memory Update ⇓ \Downarrow ⇓ New Intention-Conditioned Probability Field \boxed{
\text{New Intention-Conditioned Probability Field}
} New Intention-Conditioned Probability Field 。
而下一個問題現在也變得非常清楚。
如果每一次：
E \mathcal E E 都會產生大量：
成功路徑；
失敗路徑；
原始證據；
中間候選；
已收斂結論；
那麼：
這些東西到底應該怎麼保存，才能讓系統既不忘記失敗，又不被所有歷史拖垮？
舊雙記憶理論給了一個 Raw/Clean 的答案，但其中「物理雙記憶體必然性」「固定容量比例」等部分需要第二代校正。
因此下一篇正式進入：
《展開—收斂—記憶耦合——從 Raw/Clean 雙記憶到可塑性狀態系統》
核心將從：
M r a w ⊕ M c l e a n M_{\mathrm{raw}}
\oplus
M_{\mathrm{clean}} M raw ⊕ M clean 重新定義成：
information roles + fidelity levels + negative knowledge + consolidation + forgetting + re-expansion seeds \boxed{
\text{information roles}
+
\text{fidelity levels}
+
\text{negative knowledge}
+
\text{consolidation}
+
\text{forgetting}
+
\text{re-expansion seeds}
} information roles + fidelity levels + negative knowledge + consolidation + forgetting + re-expansion seeds 並回答：
展開過的世界，要留下多少，才能讓下一次智能真的比這一次更聰明，而不是只累積更多資料？
參考文獻與既有理論
Graves, A. (2016/2017). Adaptive Computation Time for Recurrent Neural Networks . 該工作讓 recurrent neural network 學習每次輸入需要多少內部計算步，展示動態 computation depth 可以由任務需要決定。
Raposo, D., Ritter, S., Richards, B., Lillicrap, T., Humphreys, P. C., & Santoro, A. (2024). Mixture-of-Depths: Dynamically allocating compute in transformer-based language models . 該工作在固定總 compute budget 下，以 top- k k k
Yao, S., Yu, D., Zhao, J., et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models . 該工作將語言模型推理由單一路徑生成擴充成中介 thought state 的多路徑探索、評價、look-ahead 與 backtracking。
Zhu, K., Li, H., Wu, S., et al. (2025). Scaling Test-time Compute for LLM Agents . 該工作系統比較 agent inference-time 的 parallel sampling、sequential revision、verification、merging 與 diversified rollouts，提供動態推理期計算分配的近年工程支點。
Neo.K with Aletheia. (2026). 展開式解空間：邊推理、邊顯影、邊建路的動態幾何 . 舊 DIEEC 第六篇已提出智慧不只尋找世界中已存在的道路，也會在任務、因果、權限與成本邊界內改變道路存在方式。
Neo.K with Aletheia. (2026). 操作性分元：地址、指針、工具調用與外部展開語義 . 該文已將地址、橋接、工具、投影與提交視為可直接新增外部節點、跨空間邊、中介解空間與權威世界狀態的可執行分元。
Neo.K. (2026). 雙記憶體認知超導：展開—收斂對偶性的必然架構 . 舊稿把 Raw Memory 與展開軌跡、Clean Memory 與收斂模式連接，並注意到只保存收斂態會失去後續展開所需的探索種子。本文保留這項工程洞察，但不繼承其物理雙記憶體必然性與固定容量比例等較強主張。