廣義智能體的認知干預算子：從注意、記憶重建到元認知的計算控制理論

Cognitive Intervention Operators for General Agents: From Attention and Memory Reconstruction to Metacognitive Control

系列：計算基底、認知干預與廣義智能計算研究，第 3 篇／共 8 篇
作者：Neo.K
機構：EveMissLab／一言諾科技有限公司
日期：2026-08-07

摘要

前兩篇分別建立了數學問題的二十種障礙分類，以及一個非適應性計算基線 NACB。後者顯示，大量通常被描述為「直覺不足」、「想不到引理」、「看不出表示法」的認知困難，可以在固定形式語言下重新描述為枚舉、轉換搜索、證明搜索、驗證、壓縮搜索與資源配置問題。

然而，真實智能體並不只是被動執行固定搜索規則。

人類、其他動物、當代 AI Agent，以及未來可能出現的人工智能系統，均可能具有程度不同的：

注意配置；
記憶存取與重建；
經驗依賴；
預測；
不確定性管理；
類比；
表示重構；
概念形成；
目標修改；
反事實模擬；
自我監測；
元認知控制；
社會資訊利用；
主動改變環境。

本文將這些功能統稱為：

\boxed{ \text{Cognitive Intervention Operators, CIOs} }

即認知干預算子。

所謂「干預」並不表示某種超越計算的神秘力量，而是指這些操作不只直接求值：

f(x),

而是作用於：

\boxed{ \text{哪些計算被執行、何時執行、以何種表示執行、使用哪些歷史資訊，以及何時重新定義問題。} }

因此本文提出：

\mathcal I = \{ I_{\mathrm{att}}, I_{\mathrm{mem}}, I_{\mathrm{pred}}, I_{\mathrm{exp}}, I_{\mathrm{unc}}, I_{\mathrm{repr}}, I_{\mathrm{concept}}, I_{\mathrm{goal}}, I_{\mathrm{counter}}, I_{\mathrm{meta}}, I_{\mathrm{social}}, I_{\mathrm{action}}, \dots \}.

本文特別強調，這些算子並不是彼此等價的「智能能力點數」，也不要求所有廣義智能體都具有全部算子。記憶、感知、注意、推理、元認知甚至可能屬於不同層級、具有不同物理與計算基礎。

本文亦不從功能表現推論主觀意識。兩個系統即使在功能上都具有：

I_{\mathrm{unc}},

也不代表它們具有相同的內在經驗。

本文的核心主張是：

\boxed{ \text{廣義智能的重要作用之一， 不是單純增加計算量， 而是動態改變可實現計算的分布。} }

這將為下一篇「負認知干預」建立基礎：同一套認知算子既可能大幅降低搜索成本，也可能因錯誤記憶、錯誤先驗與錯誤剪枝而使求解性能下降。

關鍵詞

認知干預、廣義智能體、注意、記憶重建、直覺、預測、經驗、元認知、AI Agent、計算控制、問題重構

1. 從「會計算」到「決定怎麼計算」

前篇 NACB 的基本形式為：

s_{t+1}=T_{\pi_0}(s_t),

其中：

\pi_0

為執行前固定的計算政策。

即使 $\pi_0$ 非常複雜，可以：

搜索；
排序；
剪枝；
cache；
clause learning；
動態規劃；
隨機採樣；

它仍屬固定計算程序。

廣義智能體與此基線的功能差異之一，是：

\boxed{ \pi }

本身也可能成為動態狀態。

即：

s_{t+1} = T_{\pi_t}(s_t),

同時：

\pi_{t+1} = \Psi( \pi_t, s_t, M_t, G_t, U_t, E_t ).

此時系統不只是：

在狀態空間中移動。

而是：

改變自己在狀態空間中移動的方法。

2. 但不能把「自適應」直接等同智能

這裡必須繼承上一篇的限制。

普通控制器也可能：

\theta_{t+1} = \theta_t+\Delta\theta_t.

機器學習程序也會更新參數。

SAT solver 也可以根據衝突學習新的 clause。

因此：

\boxed{ \text{adaptation} \not\Rightarrow \text{general intelligence}. }

本文不是試圖提供「智能的必要充分定義」。

CIO 是一套：

\boxed{ \text{functional decomposition framework}. }

它只問：

這項功能對計算路徑做了什麼？

3. 從能力清單改成「算子」

如果稱：

記憶能力、直覺能力、注意能力……

容易令人產生一個錯誤想像：

I_1<I_2<I_3

好像它們位於一條智能階梯。

本文改以：

I_k

表示干預算子。

一個干預算子一般寫成：

I_k: \mathcal Z \rightarrow \mathcal Z',

其中 $\mathcal Z$ 可以不是問題本身，而是：

搜索空間；
記憶狀態；
表示法；
目標；
policy；
verifier；
資源分配。

因此 CIO 的核心不是：

x\rightarrow f(x),

而可能是：

(\mathcal X,\pi,G,M) \rightarrow (\mathcal X',\pi',G',M').

4. 第一個算子：感知

令世界狀態為：

W_t.

智能體並不直接處理完整的：

W_t.

而是產生：

O_t = I_{\mathrm{perc}}(W_t).

因此：

\boxed{ W_t \rightarrow O_t }

本身已是第一次信息壓縮。

人類視覺不是把環境中每一個光子都等價地送進高階推理。

機器人也通常不會把每個 sensor bit 全部永久保留。

所以：

\boxed{ \text{perception already defines a computational boundary}. }

這是認知干預的最前端。

5. 注意：決定現在值得算什麼

令目前可處理資訊為：

X_t= \{x_1,\ldots,x_N\}.

注意算子：

I_{\mathrm{att}}

產生：

X_t' \subseteq X_t.

即：

\boxed{ I_{\mathrm{att}}: X_t\rightarrow X_t'. }

其中通常：

|X_t'|\ll|X_t|.

其計算價值非常直接。

如果後續處理成本與輸入大小近似成比例：

C(X)\propto|X|,

則：

C(X_t') \ll C(X_t).

因此注意可以被理解成：

\boxed{ \text{resource allocation operator}. }

6. 注意不是只有「看哪裡」

廣義注意至少可以分為：

A= ( A_{\mathrm{sensory}}, A_{\mathrm{memory}}, A_{\mathrm{computational}}, A_{\mathrm{goal}} ).

例如：

A_{\mathrm{memory}}

決定從歷史中取哪一部分；

A_{\mathrm{computational}}

決定哪條 proof branch 得到更多 compute；

A_{\mathrm{goal}}

決定目前哪個子目標優先。

所以數學推理中的：

「先不要處理這個 case。」

也是一種 attention allocation。

7. 記憶必須重新拆解

記憶不能再寫成一個標量：

M.

至少需要：

M= ( M_{\mathrm{store}}, M_{\mathrm{retain}}, M_{\mathrm{retrieve}}, M_{\mathrm{update}}, M_{\mathrm{reconstruct}}, M_{\mathrm{forget}} ).

2026 年 Agentic Memory 類工作已直接把 store、retrieve、update、summarize、discard 等記憶行為做成 agent policy 可以選擇的工具操作，而不是把記憶視為一個單純的外接資料庫。

這與本文的算子觀點高度一致：

\boxed{ \text{memory management itself can be action selection}. }

8. 原始保存與認知記憶必須分開

因此定義：

M_{\mathrm{raw}}

為底層保存能力。

這包括：

容量；
persistence；
addressability；
bandwidth。

這部分之後屬於系列第 5 篇的計算基底。

另一方面：

I_{\mathrm{mem}}

則處理：

在現在這個任務下，過去哪些資訊應該成為有效記憶？

兩者不是同一東西。

9. 記憶重建

對認知系統而言，記憶常不是：

M[q]=x

這種完全靜態查表。

更一般可以寫成：

\boxed{ \tilde M_t = I_{\mathrm{recon}} ( q_t, M_{\mathrm{stored}}, G_t, C_t ). }

其中：

q_t

是 cue，

G_t

是當前目標，

C_t

是 context。

同一份歷史資料：

H

在不同任務下可以產生：

\tilde M^{(1)} \neq \tilde M^{(2)}.

人類與齧齒動物的記憶研究亦持續強調記憶並非不可變存檔；記憶可以在提取與後續經驗中被更新、修改甚至扭曲。

因此：

\boxed{ \text{effective memory} \neq \text{stored data}. }

10. 記憶同時是搜索空間建構器

假設現在問題為：

P.

智能體並不重放：

H_1,H_2,\ldots,H_{10^9}

所有歷史。

而可能得到：

I_{\mathrm{mem}}(P,H) = \{H_{17},H_{430},H_{9212}\}.

因此記憶的功能之一是：

\boxed{ \text{history} \rightarrow \text{task-conditioned prior}. }

這會直接改變後續搜索。

11. 但記憶不是單調正效益

記憶具有 path dependence。

近期對 LLM agent memory 的研究發現，agent 容易出現 experience-following：當目前問題與被取出的舊經驗高度相似時，系統傾向重複過去行為；這可以提高效率，但也可能造成錯誤傳播與不合時宜的 experience replay。

因此：

\boxed{ M\uparrow \not\Rightarrow \text{performance}\uparrow. }

這會成為下一篇「負認知干預」的核心案例之一。

12. 經驗不同於記憶

定義經驗：

E_t= (s_t,a_t,r_t,s_{t+1}).

也就是：

\boxed{ \text{state} + \text{action} + \text{outcome}. }

單純記得：

「我以前遇過 $x$ 。」

不同於記得：

「我以前遇過 $x$ ，用了方法 $a$ ，結果失敗。」

因此 experience operator 可以形成：

I_{\mathrm{exp}}: (s,E) \mapsto P(a\mid s,E).

它改變的不是答案，而是：

\boxed{\text{action prior}.}

13. 直覺的去神秘化

本文不把直覺假定成不可計算能力。

功能上可以先描述成：

\boxed{ I_{\mathrm{int}}: s \mapsto \hat P(a\mid s) }

而且：

C(I_{\mathrm{int}})

相對低。

即：

尚未完成全部顯式推導，就對某些行動形成較高先驗。

例如：

「這題可能需要 invariant。」

這不是 proof。

只是：

P(a_{\mathrm{invariant}}\mid s) \uparrow.

14. 直覺可能來自許多不同機制

對不同智能體：

I_{\mathrm{int}}

可能來自：

大量經驗壓縮；
pattern matching；
learned latent representation；
embodied regularities；
evolutionary prior；
model-based prediction；
mixture of mechanisms。

因此本文不主張：

\boxed{ \text{intuition}=\text{one specific algorithm}. }

我們只取其功能角色：

\boxed{ \text{low-explicit-search action prior}. }

15. 預測：先估計未來，再決定是否真的走

如果一條計算路徑：

b

完整展開成本很大，可以先建立：

\hat V(b) = P( \text{success}\mid b ).

於是：

I_{\mathrm{pred}} : b \rightarrow \hat V(b).

再分配計算：

C_b \propto \hat V(b).

因此 prediction operator 的價值是：

\boxed{ \text{simulate less before committing more}. }

16. 預測也是搜索剪枝的來源

暴力搜索：

B= \{b_1,\ldots,b_N\}.

預測後：

B' = \{ b_i: \hat V(b_i)>\tau \}.

如果 prediction 良好：

|B'|\ll|B|.

但若：

b^\ast\notin B',

真正答案會被剪掉。

因此：

\boxed{ \text{prediction gain} \leftrightarrow \text{prediction risk}. }

這再次說明，認知算子不是天然正向。

17. 不確定性管理

智能體不必對每一個命題立即採用：

H\in\{0,1\}.

可以保留：

P(H\mid D).

定義：

I_{\mathrm{unc}} : (H,D) \mapsto u(H).

其中：

u(H)

可以代表：

posterior；
confidence；
uncertainty；
reliability estimate。

18. 元認知和不確定性不能混成一件事

如果系統只輸出：

P(H)=0.6,

不一定代表它具有廣義元認知。

本文將元認知至少要求為：

\boxed{ \text{monitor} + \text{control}. }

即系統不只知道：

我可能錯。

還會因此改變行為：

u(H)>\tau \Rightarrow \text{seek evidence / defer / verify / switch strategy}.

2025–2026 對 LLM metacognition 的研究亦逐漸採取這種功能分解：區分 confidence calibration、correct/incorrect discrimination，以及根據風險調節決策等能力，而且不同 metacognitive skill 並不一定自然一起提升。

19. 表示重構

問題：

P

可以有表示：

r_1(P), r_2(P), \ldots

表示算子：

I_{\mathrm{repr}}

做：

\boxed{ (P,r_i) \rightarrow (P,r_j). }

例如：

\text{integer sequence} \rightarrow \text{graph},

或：

\text{geometry} \rightarrow \text{complex coordinates}.

20. 表示不是「換個寫法」而已

好的表示可以直接改變：

\mathcal X

的有效大小。

原搜索：

|\mathcal X|=2^n.

重表示後：

|\mathcal X'|=n^3.

則：

I_{\mathrm{repr}}

不是純 cosmetic operation。

它可以改變：

\boxed{ \text{effective computational complexity}. }

21. 概念形成比表示重構更深

表示重構通常假定對象已存在，只換編碼。

概念形成則可能新建：

c.

例如從大量現象：

x_1,\ldots,x_n

形成：

C= \{x:P(x)\}.

或定義：

\Phi(x) = \text{new potential function}.

因此：

I_{\mathrm{concept}} : \mathcal O \rightarrow \mathcal C.

其中：

\mathcal C

本來不一定存在於初始問題語言。

22. 概念形成可以創造新的搜索座標

假設原來只有：

x_1,\ldots,x_{1000000}.

形成類別：

C_1,\ldots,C_{10}

後，可以改成：

C_1\rightarrow C_2\rightarrow\cdots

而不是逐個搜尋。

因此：

\boxed{ \text{concept formation} = \text{state-space re-partitioning}. }

這是非常強的計算操作。

23. 抽象化

定義：

I_{\mathrm{abs}} : X \rightarrow \tilde X

滿足：

|\tilde X|\ll|X|,

並希望保留與目標 $G$ 有關的資訊：

I_G(X) \approx I_G(\tilde X).

這裡的關鍵是：

\boxed{\text{保留什麼？}}

因為任何壓縮都可以丟資料。

好的 abstraction 是：

丟掉與當前問題無關的資料。

而這個「無關」判定本身就是智能干預。

24. 類比

如果兩個問題：

P_A, P_B

表面不同，但存在結構映射：

f: S_A\rightarrow S_B,

類比算子可以：

I_{\mathrm{analog}} ( P_A,P_B ) \rightarrow f.

然後把在 $A$ 域已知的：

R_A

映射成：

R_B.

因此：

\boxed{ \text{analogy} = \text{structure-preserving transfer candidate}. }

它不保證映射正確。

所以 analogical insight 同樣需要 verification。

25. 目標不是固定常數

NACB 假定：

G=G_0.

但智能體可以有：

G_t.

例如一開始：

G_0=\text{prove }P.

後來變成：

G_1=\text{find counterexample}.

再變成：

G_2=\text{classify when }P\text{ is true}.

因此：

I_{\mathrm{goal}} : G_t \rightarrow G_{t+1}.

這不是普通 branch switching。

而是：

\boxed{ \text{objective transformation}. }

26. 中間目標生成

長期目標：

G

往往需要拆成：

g_1,g_2,\ldots,g_k.

即：

I_{\mathrm{subgoal}} : G \rightarrow \{g_i\}.

例如：

\text{prove theorem}

被拆成：

\begin{aligned} &\text{prove lemma A},\\ &\text{classify boundary case},\\ &\text{show invariant},\\ &\text{combine}. \end{aligned}

這就是 planning 在數學中的一個核心形態。

27. 反事實能力

智能體可以建立一個尚未實際執行的世界：

W^{(a)}.

並問：

\text{如果採取 }a\text{，會怎樣？}

形式上：

I_{\mathrm{counter}} : (s,a) \rightarrow \hat s'.

再比較：

\hat s'_1,\hat s'_2,\ldots

因此：

\boxed{ \text{counterfactual reasoning} = \text{internal branch realization}. }

它把昂貴的真實行動轉成內部模型操作。

28. 主動資訊獲取

有些問題不是「資訊都已給定」。

智能體可以主動選：

a_{\mathrm{query}}.

使世界返回：

o_{t+1}.

所以：

a_t \rightarrow W_{t+1} \rightarrow o_{t+1}.

這是：

\boxed{ \text{active information acquisition}. }

科學實驗就是極端重要的例子。

智能體不是只推理世界。

它可以：

改變世界以取得更有辨識力的證據。

29. 生物的學習提醒我們：智能不是形式證明能力

人類與其他動物可以：

預測環境；
導航；
評估不確定性；
主動尋找資訊；
學習行動結果；
更新策略。

2025 年關於 learning under uncertainty 的綜述即把人類與其他動物的學習描述為利用不確定性進行預測與調整的過程。

非人靈長類之外的動物中也存在 uncertainty-response 與 information-seeking 行為研究；這些行為是否應被賦予與人類完全相同的 metacognitive 解釋仍需謹慎，但至少說明功能性的 uncertainty-sensitive control 並非只出現在形式語言推理者中。

因此：

\boxed{ \text{general agent capability} \neq \text{symbolic reasoning ability}. }

30. 行動

純數學求解器可以只操作：

\mathcal S_{\mathrm{internal}}.

具身智能體則可以：

I_{\mathrm{action}} : (s,W) \rightarrow W'.

於是智能體可以：

移動 sensor；
做實驗；
操作工具；
更換環境；
找其他智能體；
建立新資料。

這使計算從：

\text{closed problem solving}

變成：

\boxed{ \text{world-coupled problem solving}. }

31. 主動推理的相關性

Active inference 等理論嘗試把感知、學習、行動與規劃放在統一生成模型框架下，並把行動理解為主動選擇會改變未來觀測的政策，而不是純被動輸入—輸出映射。2025 年相關理論工作仍在進一步連結 representation、structure learning 與 planning。

本文不採用 active inference 作為唯一智能理論。

但它支持本文的一個重要區分：

\boxed{ \text{agent can choose computations/actions partly for the information they will create.} }

32. 社會認知與外部智能

一個求解者不必自己擁有所有知識。

令智能體集合：

\mathcal A= \{A_1,\ldots,A_n\}.

社會算子：

I_{\mathrm{social}}

決定：

A_i \rightarrow A_j

何時求助、相信、驗證或委託。

因此問題求解能力可以來自：

\boxed{ \text{distributed cognition}. }

例如：

A_1: \text{提出 conjecture},

A_2: \text{找反例},

A_3: \text{形式驗證}.

這和單體智能不是同一架構。

33. 工具使用

工具本身可以被視為外部 operator：

T_j.

智能體的重要能力不是：

T_j

本身，而是：

I_{\mathrm{tool}} : (s,G) \rightarrow T_j.

例如：

這裡不應繼續語言推理，應該呼叫 SAT solver。

或者：

這裡直接用 Python exhaustive search。

因此：

\boxed{ \text{tool intelligence} = \text{tool selection} + \text{tool composition} + \text{result integration}. }

34. 自我模型

定義：

\hat A_t

為智能體對自身能力與狀態的模型。

例如：

\hat A_t= ( \text{remaining memory}, \text{known weaknesses}, \text{confidence}, \text{available tools}, \text{past failures} ).

則：

I_{\mathrm{self}} : (A_t,H_t) \rightarrow \hat A_t.

這使智能體能問：

這個問題是否超過我目前能力？

我應該外包嗎？

哪一種錯誤是我常犯的？

35. 元認知

本文把元認知算子定義為：

\boxed{ I_{\mathrm{meta}} : (\pi_t,\hat A_t,G_t,H_t) \rightarrow \pi_{t+1}. }

它作用的主要對象不是外部問題，而是：

\boxed{\text{自己的問題處理方式}.}

例如：

我一直使用 invariant search，但進展為零。

因此：

\pi_{\mathrm{invariant}} \rightarrow \pi_{\mathrm{constructive}}.

36. 元認知不是「多想一次」

若只有：

f(f(x)),

不能因此叫元認知。

真正功能差異是：

\boxed{ \text{object-level state} }

與：

\boxed{ \text{control-level state} }

被區分。

例如：

s_t=\text{proof state},

m_t=\text{assessment of current proof strategy}.

再由：

m_t

改變：

\pi_t.

37. 現代 AI 的元認知能力仍不應被過度解讀

近期研究已開始系統性整理 LLM 的：

confidence；
uncertainty communication；
error discrimination；
decision regulation；
self-evaluation。

但現有結果同時顯示，不同 metacognitive abilities 可以彼此分離，而且外顯 confidence 也可能校準不良。

因此不能由：

模型說「我不確定」

直接推出：

\text{human-like introspection}.

本文只使用功能定義。

38. 情緒樣功能訊號

對生物而言：

恐懼；
好奇； -疲勞；
無聊；
飽和；

都可能大幅改變行動選擇。

本文不要求未來 AI 具有人類式情緒。

但功能上可以存在：

I_{\mathrm{risk}},

I_{\mathrm{novelty}},

I_{\mathrm{saturation}},

I_{\mathrm{resource}}.

例如：

V_{\mathrm{novel}}(s) \uparrow

會增加 exploration。

所以：

\boxed{ \text{affective-like control signals} }

可以作為資源分配機制研究，而不必預設 phenomenology。

39. 抑制也是認知能力

智能不只增加：

\text{what to do}.

還包括：

\text{what not to do}.

人類認知神經科學中，對 action inhibition 與 thought inhibition 的研究指出，停止記憶提取、壓制某些認知過程本身是一類重要控制功能。

抽象成：

I_{\mathrm{inh}} : \mathcal A \rightarrow \mathcal A\setminus\mathcal A_{\mathrm{blocked}}.

所以認知控制包含：

\boxed{ \text{activation} + \text{inhibition}. }

40. CIO 的十二個核心族

本文暫時將主要認知干預整理成十二族：

\boxed{ \mathcal I = \{ I_P, I_A, I_M, I_E, I_F, I_U, I_R, I_C, I_G, I_X, I_S, I_Z \}. }

其中：

I_P=\text{perception},

I_A=\text{attention},

I_M=\text{memory/reconstruction},

I_E=\text{experience/learning},

I_F=\text{forecasting/intuition},

I_U=\text{uncertainty management},

I_R=\text{representation/abstraction},

I_C=\text{concept/analogy formation},

I_G=\text{goal/planning},

I_X=\text{counterfactual/action},

I_S=\text{social/tool coupling},

I_Z=\text{self-model/metacognition}.

這仍然是工作 taxonomy，而非聲稱存在十二個自然界正交模組。

41. 將前篇二十種數學障礙重新映射到 CIO

現在可以重新看二十項障礙。

數學障礙	主要 CIO
小尺度搜索無法終結	$I_A,I_F,I_U$
無標準題型	$I_M,I_E,I_R$
多個不自然結構	$I_C,I_R,I_M$
數值證據不等於證明	$I_U,I_Z$
假證明誘惑	$I_Z,I_U$
局部—全局	$I_R,I_C$
useful invariant	$I_G,I_F,I_C$
中間命題	$I_G,I_C$
新表示法	$I_R,I_C$
跨領域	$I_C,I_M,I_R$
對稱陷阱	$I_Z,I_U$
證明不存在	$I_G,I_R$
分類全部解	$I_C,I_R$
相變點	$I_F,I_C$
邊界案例	$I_A,I_E,I_Z$
量詞順序	$I_A,I_Z$
lemma 多方向使用	$I_R,I_G$
排除錯誤路徑	$I_F,I_A,I_Z$
最短 vs 易發現證明	$I_G,I_Z$
質疑題目	$I_Z,I_G,I_C$

同一障礙通常不是由單一算子解決。

42. 認知干預的第一種作用：刪除計算

原本：

\mathcal X.

經：

I_A

後：

\mathcal X' \subset\mathcal X.

因此：

\boxed{ \text{Pruning} }

是 CIO 最直接的一種效果。

例如：

10^9 \rightarrow 10^4.

43. 第二種作用：重新排序計算

不刪除任何候選，只改：

x_1,x_2,\ldots,x_n

的順序。

如果真正解為：

x_{900000},

智能排序可以變成：

x_{900000},x_3,x_{71},\ldots

因此：

\boxed{ \text{coverage unchanged}, \quad \text{expected discovery time changed}. }

這比 pruning 更安全。

44. 第三種作用：合併計算

如果：

x_1,x_2,\ldots,x_k

具有共同結構，可以建立：

C.

一次證：

P(C),

取代：

P(x_1),\ldots,P(x_k).

即：

\boxed{ \text{state aggregation}. }

這是 abstraction 和 concept formation 的巨大價值。

45. 第四種作用：改寫計算

原問題：

P\in\mathcal X.

經表示轉換：

R(P)\in\mathcal Y.

並可能：

C_{\mathcal Y}(R(P)) \ll C_{\mathcal X}(P).

因此：

\boxed{ \text{representation shift}. }

不是「算少一點」，而是：

換一個空間算。

46. 第五種作用：生成計算

智能並不只減少 computation。

它也可能新增：

\mathcal X \rightarrow \mathcal X\cup\mathcal X_{\mathrm{counterfactual}}.

例如：

想像另一種定義；
模擬失敗方案；
建立新 conjecture；
產生對偶問題。

因此：

\boxed{ \text{cognition can expand search space}. }

這一點對下一篇極其重要。

47. 第六種作用：重新定義問題

最高層的 CIO 不再作用於：

\mathcal X.

而是作用於：

P.

即：

I_Z(P) = P'.

例如：

\text{「證明 }P\text{」}

改成：

\text{「分類 }P\text{ 何時成立」}.

此時：

\boxed{ \text{problem space itself becomes searchable}. }

48. 因此「智能節省算力」是不完整的

CIO 至少有：

\boxed{ \begin{aligned} &\text{Delete},\\ &\text{Rank},\\ &\text{Merge},\\ &\text{Transform},\\ &\text{Generate},\\ &\text{Redefine}. \end{aligned}}

六種不同作用。

只有第一種可以簡單叫：

省算力。

其餘可能：

重新分配；
延遲成本；
增加前處理；
改變表示；
增加探索；
改變目標。

49. 認知干預不是單調提高性能

令：

P_{\mathrm{success}}

為成功率，

C

為資源成本，

K

為覆蓋性。

一個 CIO 可以：

\Delta C<0,

但：

\Delta K<0.

另一個可以：

\Delta C>0,

但：

\Delta P_{\mathrm{success}}>0.

所以沒有：

\boxed{ I_{\mathrm{more}} \Rightarrow \text{better}. }

50. 廣義智能體的動態模型

可以將目前框架寫成：

\boxed{ \mathfrak A_t = ( s_t, M_t, G_t, \pi_t, \hat W_t, \hat A_t, \mathcal I_t ). }

其中：

s_t=\text{current state},

M_t=\text{effective memory},

G_t=\text{goal state},

\pi_t=\text{action/computation policy},

\hat W_t=\text{world model},

\hat A_t=\text{self model},

\mathcal I_t=\text{available cognitive intervention operators}.

更新：

\mathfrak A_{t+1} = F( \mathfrak A_t, O_t, A_t ).

51. 認知干預的階層

我們現在可以比上一篇更清楚地寫：

Level 0：直接操作

x\rightarrow f(x).

Level 1：操作選擇

a=\pi(s).

Level 2：搜索與資源配置

\mathcal X\rightarrow\mathcal X'.

Level 3：表示與目標修改

(R,G)\rightarrow(R',G').

Level 4：政策修改

\pi_t\rightarrow\pi_{t+1}.

Level 5：元政策修改

\Psi_t\rightarrow\Psi_{t+1}.

不同智能體可能只實現其中部分層級。

52. 不能因此建立「越高越智能」的線性階梯

Level 5 並不必然：

>

Level 1。

如果任務是：

2+2,

Level 5 全部啟動只是浪費。

如果候選只有：

100

個，而且 verifier 極便宜：

\text{enumerate all}

可能比高階重構更好。

因此真正性能取決於：

\boxed{ \text{problem} \times \text{substrate} \times \text{operator selection}. }

這正是下一篇要展開的問題。

53. 人類、動物、AI 可以共享功能，但不必共享機制

如果：

I_{\mathrm{unc}}^{\mathrm{human}}

與：

I_{\mathrm{unc}}^{\mathrm{AI}}

都能根據低可信度改變行動，

我們可以在功能層比較它們。

但不能推出：

I_{\mathrm{unc}}^{\mathrm{human}} \equiv I_{\mathrm{unc}}^{\mathrm{AI}}

在：

神經機制；
計算表示；
主觀經驗；
學習歷史；

上相同。

所以本文採：

\boxed{ \text{functional comparability without ontological identity}. }

54. 未來 AI 也不必模仿完整人類認知

如果某種功能：

I_k

可以用完全非人類方法實現，

那未來 AI 沒有理由一定複製人腦。

例如 AI 的 memory addressing 可以遠超人類；

而某些 embodied proprioception 可能遠弱於動物。

因此：

\boxed{ \text{general agents may occupy highly asymmetric capability profiles}. }

這個不對稱性會在第 5 篇「通用計算基底」變成主要問題。

55. CIO 與 NACB 的關係

NACB：

\mathcal N = (\mathcal S,\pi_0,V,G).

加入 CIO 後：

\boxed{ \mathcal N + \mathcal I. }

認知算子可以修改：

\mathcal S, \pi, V, G, M.

即：

I_k: ( \mathcal S_t, \pi_t, V_t, G_t, M_t ) \rightarrow ( \mathcal S_{t+1}, \pi_{t+1}, V_{t+1}, G_{t+1}, M_{t+1} ).

56. 但 CIO 本身仍可能是可計算的

這裡必須再次避免不必要的形而上結論。

即使：

I_{\mathrm{meta}}

非常高階，

仍完全可能存在一個普通程序：

F_{\mathrm{meta}}

實現它。

因此本文沒有證明：

\boxed{ \text{CIO} > \text{computation}. }

CIO 描述的是：

\boxed{ \text{計算的組織層級與功能位置}. }

不是宣稱新的不可計算本體。

57. 本文的七個核心工作命題

命題一：計算分布干預命題

廣義認知能力的重要功能之一，是改變：

P(c_i)

即各計算路徑被實現的概率與資源分布。

命題二：認知算子非等價命題

不存在充分理由將：

I_{\mathrm{mem}}, I_{\mathrm{att}}, I_{\mathrm{meta}}

視為同一層級或可互換能力。

命題三：記憶雙層命題

\boxed{ \text{Memory} = \text{retention substrate} + \text{task-conditioned reconstruction/control}. }

兩者應分開分析。

命題四：智能干預非單調命題

存在問題 $P$ 與算子 $I$ ，使：

C(P\mid I)<C(P),

亦存在：

C(P\mid I)>C(P).

甚至可能：

P_{\mathrm{success}}(P\mid I) < P_{\mathrm{success}}(P).

命題五：問題空間可操作命題

高階干預可以不只作用於 solution space：

\mathcal X,

也可以作用於：

\mathcal P = \text{problem space}.

命題六：功能等價不推出本體等價

若兩系統都實現：

I_k,

只能說它們在指定功能測試上可比較。

不能由此推出：

\text{same mechanism},

更不能推出：

\text{same phenomenology}.

命題七：CIO 是控制理論，而非智能充分定義

本文的：

\mathcal I

是一套用於研究：

\boxed{ \text{計算如何被選擇、重構與控制} }

的中間層理論。

它不宣稱：

\mathcal I = \text{all of intelligence}.

58. 從本篇通往下一篇

到目前為止，我們很容易得到一個誘惑性的結論：

\mathcal N + \mathcal I > \mathcal N.

但這是不成立的。

如果：

I_{\mathrm{int}}

給出錯誤先驗，

它可能把答案排到最後。

如果：

I_{\mathrm{mem}}

取出錯誤歷史，

它可能造成 path dependence。

如果：

I_{\mathrm{repr}}

選錯表示，

搜索空間甚至可能：

|\mathcal X'| > |\mathcal X|.

如果：

I_{\mathrm{meta}}

不停反思，

可能出現：

C_{\mathrm{meta}} \rightarrow \text{large}.

所以：

\boxed{ \text{Cognitive Intervention} \neq \text{Cognitive Improvement}. }

這將是下一篇的核心。

59. 結論

本系列第一篇問：

數學問題究竟可以難在哪裡？

第二篇問：

拿掉高階智能干預後，這些困難會變成什麼？

本文則開始回答：

廣義智能體究竟對計算做了什麼？

答案不是單一的「推理更多」。

而至少包含：

\boxed{ \begin{aligned} &\text{Perceive},\\ &\text{Attend},\\ &\text{Remember/Reconstruct},\\ &\text{Learn from experience},\\ &\text{Predict},\\ &\text{Manage uncertainty},\\ &\text{Re-represent},\\ &\text{Form concepts},\\ &\text{Change goals},\\ &\text{Imagine counterfactuals},\\ &\text{Use other agents/tools},\\ &\text{Monitor and modify itself}. \end{aligned}}

這些算子的共同點不是：

它們都比普通計算「高級」。

而是：

\boxed{ \text{它們作用於計算的選擇與組織方式。} }

因此，若原始可實現計算集合為：

\mathcal C= \{c_1,\ldots,c_N\},

NACB 可能按照固定分布：

P_0(c)

執行。

具有認知干預的智能體則可以建立：

P_t(c) = F( P_0, M_t, G_t, E_t, U_t, \hat W_t, \hat A_t ).

也就是：

\boxed{ \text{認知的一項核心功能， 是把「所有可以算的東西」 變成「現在值得實現的計算分布」。} }

但這個分布可能比原始分布好，

也可能更差。

因此下一篇不再問：

智能如何超越暴力搜尋？

而是問一個更危險、也更重要的問題：

\boxed{ \text{什麼時候，一個智能體越主動干預自己的計算， 反而越容易失去正確答案？} }

參考文獻與近期相關工作

Yu et al., Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents, 2026。將 store、retrieve、update、summarize、discard 等操作納入 agent policy。
Xiong et al., How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior, 2025。指出記憶重用可能造成 error propagation 與 misaligned experience replay。
Hu, Wang & McAuley, Evaluating Memory in LLM Agents via Incremental Multi-Turn Interactions, 2025。提出 retrieval、test-time learning、long-range understanding 與 selective forgetting 等 memory-agent 能力維度。
Brunswick et al., Not the Same as It Ever Was: A Review of Memory Modification, Updating, and Distortion in Humans and Rodents, 2025。討論記憶作為可被更新與修改的動態過程。
Steyvers & Peters, Metacognition and Uncertainty Communication in Humans and Large Language Models, 2025。比較人類與 LLM 的 metacognitive monitoring 與 uncertainty communication。
Steyvers, Belem & Smyth, Improving Metacognition and Uncertainty Communication in Language Models, 2025。顯示不同 metacognitive tasks 不必自然共同提升。
Liu et al., Metacognition in LLMs: Foundations, Progress, and Opportunities, 2026。整理 LLM metacognition 的能力、測量、改善方法與開放問題。
Servajean & Servajean, Measuring the Metacognition of AI, 2026。以 metacognitive sensitivity 與 uncertainty-sensitive decision regulation 為測量核心。
Bruckner, Heekeren & Nassar, Understanding Learning Through Uncertainty and Bias, 2025。討論人類與其他動物如何利用不確定性進行預測學習。
Friston et al., From Pixels to Planning: Scale-Free Active Inference, 2025。探討 active inference、structure learning、compression 與 planning 的關係。
Anderson, Crespo-Garcia & Subbulakshmi, Brain Mechanisms Underlying the Inhibitory Control of Thought, 2025。回顧 thought inhibition 與 memory-retrieval suppression 的神經認知機制。

版本：v1.0

系列定位：廣義認知控制框架。

上一篇：《非適應性計算基線：二十種數學認知障礙的機械化還原》

下一篇：《負認知干預：為什麼智能有時不如暴力搜尋》