計算基底、認知干預與問題結構：廣義智能計算的三元統合理論
Computational Substrate, Cognitive Intervention, and Problem Structure: A Triadic Theory of General Intelligent Computation
系列：計算基底、認知干預與廣義智能計算研究，第 8 篇／共 8 篇 作者：Neo.K 機構：EveMissLab／一言諾科技有限公司 日期：2026-08-09
摘要
本系列前七篇依序研究了數學問題難度、非適應性計算、認知干預、負認知干預、通用計算基底、計算—記憶—尋址交換關係，以及 Content-Phase Relay Resolution（CPRR）。
這些研究共同否定了一種過度簡化的能力階梯：
暴力搜尋 < 啟發式計算 < 智能計算 < 高階智能 . \text{暴力搜尋}
<
\text{啟發式計算}
<
\text{智能計算}
<
\text{高階智能}. 暴力搜尋 < 啟發式計算 < 智能計算 < 高階智能 . 本文提出，此類全域線性排序通常缺乏充分基礎。
一個系統是否優於另一個系統，至少同時取決於三個彼此耦合的對象：
P × B × I \boxed{
\mathfrak P
\times
\mathfrak B
\times
\mathfrak I
} P × B × I 其中：
P = Problem Structure , \mathfrak P
=
\text{Problem Structure}, P = Problem Structure , B = Computational Substrate , \mathfrak B
=
\text{Computational Substrate}, B = Computational Substrate , I = Cognitive Intervention . \mathfrak I
=
\text{Cognitive Intervention}. I = Cognitive Intervention . 本文稱此框架為：
Triadic General Computation Framework, TGCF \boxed{
\text{Triadic General Computation Framework, TGCF}
} Triadic General Computation Framework, TGCF 中文暫稱：
廣義計算三元框架 . \boxed{
\text{廣義計算三元框架}.
} 廣義計算三元框架 . 其核心性能關係不是：
Performance = F ( Intelligence ) , \operatorname{Performance}
=
F(\text{Intelligence}), Performance = F ( Intelligence ) , 而是：
Y = F ( P , B , I ∣ E ) \boxed{
\mathbf Y
=
F(
\mathfrak P,
\mathfrak B,
\mathfrak I
\mid
\mathcal E
)
} Y = F ( P , B , I ∣ E ) 其中 E \mathcal E E Y \mathbf Y Y
correctness , cost , latency , coverage , robustness , generalization , auditability \boxed{
\text{correctness},
\text{cost},
\text{latency},
\text{coverage},
\text{robustness},
\text{generalization},
\text{auditability}
} correctness , cost , latency , coverage , robustness , generalization , auditability 等多維性能。
本文進一步提出：
問題條件優越性 ：不存在脫離問題結構的普遍最優計算策略。基底—認知替代性 ：更強基底可以降低部分認知干預的邊際價值。基底—認知互補性 ：另一些認知能力只有在強基底上才能被充分實現。負干預可能性 ：加入更多認知操作可能降低成功率。認知基底化 ：過去需要高階 cognition 的成果可以被編譯、保存與索引，成為未來低階 primitive。難度歷史性 ：問題難度會隨知識、基底與可用表示改變。無全域智能階梯 ：系統能力更適合描述為條件式偏序，而不是單一 IQ 式全序。
近期實證研究與此框架具有若干一致現象。2026 年 test-time compute 研究顯示，額外 reasoning token 的邊際效益會隨預算增加而下降，且延長推理有時會使模型放棄先前正確答案；最適思考長度依問題難度而異。
同時，2026 年 reasoning-centric inference 的系統研究發現，不同模型與工作負載可以分別受到容量、記憶頻寬、互連、routing 與 synchronization 限制，顯示「更多 FLOPS」本身不足以描述有效推理能力。
長期 Agent memory 研究亦顯示，記憶系統需要處理 persistent storage、retrieval、update、maintenance 與 active context assembly，而不是單純增加一個無限長資料庫；長期多來源記憶任務目前仍具有明顯困難。
本文因此主張：
「更智能」不是一個與問題、硬體與認知配置無關的絕對方向。 \boxed{
\text{「更智能」不是一個與問題、硬體與認知配置無關的絕對方向。}
} 「更智能」不是一個與問題、硬體與認知配置無關的絕對方向。 更準確的研究問題是：
在什麼問題結構、什麼計算基底與什麼干預配置下，哪一種計算組織方式最有效？
關鍵詞
廣義智能計算、問題結構、計算基底、認知干預、暴力搜尋、認知坍縮、AI Agent、計算複雜度、記憶、智能評估
1. 系列最初的問題其實很簡單
一開始我們問的是：
什麼樣的數學問題才真的對 AI 困難？
很快便發現：
題目敘述複雜 ≠ 問題真的困難 . \boxed{
\text{題目敘述複雜}
\neq
\text{問題真的困難}.
} 題目敘述複雜 = 問題真的困難 . 一個三行反例可以摧毀一個看似很複雜的命題。
反過來，一個只有數行的命題，也可以具有極深的：
障礙。
於是第 1 篇得到：
D = ( D S , D R , D H , D Π , D M ) . D=
(
D_S,
D_R,
D_H,
D_\Pi,
D_M
). D = ( D S , D R , D H , D Π , D M ) . 2. 第二步：把「智能」拿掉
接著我們問：
如果沒有主動智能干預，只剩可機械執行的計算，這些困難會變成什麼？
大量問題可以重新表達成：
Enumeration + Transformation Search + Proof Search + Verification + Compression Search . \boxed{
\text{Enumeration}
+
\text{Transformation Search}
+
\text{Proof Search}
+
\text{Verification}
+
\text{Compression Search}.
} Enumeration + Transformation Search + Proof Search + Verification + Compression Search . 這形成第 2 篇：
Non-Adaptive Computational Baseline, NACB . \boxed{
\text{Non-Adaptive Computational Baseline, NACB}.
} Non-Adaptive Computational Baseline, NACB . 3. 第三步：智能到底加了什麼？
如果暴力計算已經能：
枚舉；
搜索；
驗證；
使用固定 heuristic；
那麼智能不能只定義成：
會選擇。
所以第 3 篇加入：
I = { I a t t , I m e m , I p r e d , I r e p r , I g o a l , I m e t a , … } . \mathfrak I
=
\{
I_{\mathrm{att}},
I_{\mathrm{mem}},
I_{\mathrm{pred}},
I_{\mathrm{repr}},
I_{\mathrm{goal}},
I_{\mathrm{meta}},
\dots
\}. I = { I att , I mem , I pred , I repr , I goal , I meta , … } . 認知干預的作用包括：
Delete , Rank , Merge , Transform , Generate , Redefine . \boxed{
\text{Delete},
\text{Rank},
\text{Merge},
\text{Transform},
\text{Generate},
\text{Redefine}.
} Delete , Rank , Merge , Transform , Generate , Redefine . 4. 第四步：但智能不一定更好
一旦：
I k I_k I k 可以刪掉部分搜索空間，
就一定存在：
刪掉正確答案 \boxed{
\text{刪掉正確答案}
} 刪掉正確答案 的可能。
所以：
N + I \mathcal N+\mathfrak I N + I 不一定比：
N \mathcal N N 更好。
這形成：
Negative Cognitive Intervention . \boxed{
\text{Negative Cognitive Intervention}.
} Negative Cognitive Intervention . 5. 現代 AI 已出現這種非單調性
近期 test-time compute 研究發現，增加 reasoning budget 並不是單調提高準確率；邊際效益會下降，而且模型可能在額外推理後改掉原先正確的答案。
因此：
∂ Q ∂ C r e a s o n \boxed{
\frac{\partial Q}{\partial C_{\mathrm{reason}}}
} ∂ C reason ∂ Q 不保證永遠：
≥ 0. \ge0. ≥ 0. 也就是：
more reasoning ⇏ better reasoning . \boxed{
\text{more reasoning}
\not\Rightarrow
\text{better reasoning}.
} more reasoning ⇒ better reasoning . 6. 第五步：記憶和計算其實不公平
接著出現一個更深的分類問題。
為什麼：
和：
會被放在同一張能力表？
前者其實同時服務：
brute computation \text{brute computation} brute computation 與：
intelligent computation . \text{intelligent computation}. intelligent computation . 因此第 5 篇提出：
B = ( S , C , A , B , P , D , I O , V ) . \boxed{
\mathfrak B
=
(
\mathcal S,
\mathcal C,
\mathcal A,
\mathcal B,
\mathcal P,
\mathcal D,
\mathcal{IO},
\mathcal V
).
} B = ( S , C , A , B , P , D , I O , V ) . 即 Universal Computational Substrate。
7. 基底也不是一個「算力」標量
2026 年 reasoning-centric inference 的硬體研究已顯示，不同模型規模與架構會被不同瓶頸控制：小模型、dense frontier models 與 MoE reasoning workloads 在容量、記憶頻寬、interconnect、routing 和 synchronization 上具有不同性能限制。
另一篇 2026 年推理硬體研究更直接將現代 LLM inference 的主要研究瓶頸描述為 memory 與 interconnect，而非只增加 arithmetic compute。
所以：
B ≠ FLOPS . \boxed{
\mathfrak B
\neq
\text{FLOPS}.
} B = FLOPS . 8. 第六步：計算可以沉澱成記憶
假設：
y = f ( x ) . y=f(x). y = f ( x ) . 第一次：
x → compute y . x
\xrightarrow{\text{compute}}
y. x compute y . 保存後：
M [ x ] = y . M[x]=y. M [ x ] = y . 下一次：
x → retrieve y . x
\xrightarrow{\text{retrieve}}
y. x retrieve y . 因此：
past computation → future memory . \boxed{
\text{past computation}
\rightarrow
\text{future memory}.
} past computation → future memory . 這形成第 6 篇：
C ↔ S ↔ A . C
\leftrightarrow
S
\leftrightarrow
A. C ↔ S ↔ A . 9. 這又產生「認知坍縮」
第一次需要：
I r e a s o n . I_{\mathrm{reason}}. I reason . 第二次若答案已保存：
I r e a s o n I_{\mathrm{reason}} I reason 的邊際價值可能接近零。
因此定義：
Substrate-Induced Cognitive Collapse . \boxed{
\text{Substrate-Induced Cognitive Collapse}.
} Substrate-Induced Cognitive Collapse . 但「坍縮」只表示：
該能力在特定任務上變得冗餘。
不表示能力架構本身消失。
10. 第七步：尋址本身又成為問題
保存：
10 30 10^{30} 1 0 30 條答案沒有用，
如果：
q → a q q\rightarrow a_q q → a q 本身仍然極難。
所以第 7 篇提出 CPRR：
( q i , Φ i ) → ( q i + 1 , Φ i + 1 ) . \boxed{
(q_i,\Phi_i)
\rightarrow
(q_{i+1},\Phi_{i+1}).
} ( q i , Φ i ) → ( q i + 1 , Φ i + 1 ) . 把：
global omniscient addressing \text{global omniscient addressing} global omniscient addressing 拆成：
local resolution + verified handoff + re-resolution . \text{local resolution}
+
\text{verified handoff}
+
\text{re-resolution}. local resolution + verified handoff + re-resolution . 11. 現在七條線終於可以收成三個變量
所有前述內容，可以重新分成：
P \boxed{
\mathfrak P
} P ——問題要求什麼；
B \boxed{
\mathfrak B
} B ——系統實際能實現什麼；
I \boxed{
\mathfrak I
} I ——系統如何選擇與組織那些可實現計算。
這就是本文的三元結構。
12. 第一元：問題結構 P \mathfrak P P
本文定義第一版：
P = ( X , G , Γ , V , D , Ω ) . \boxed{
\mathfrak P
=
(
X,
G,
\Gamma,
V,
D,
\Omega
).
} P = ( X , G , Γ , V , D , Ω ) . 其中：
X = candidate/state space , X
=
\text{candidate/state space}, X = candidate/state space , G = goal , G
=
\text{goal}, G = goal , Γ = dependency/transition structure , \Gamma
=
\text{dependency/transition structure}, Γ = dependency/transition structure , V = verification structure , V
=
\text{verification structure}, V = verification structure , D = data/information condition , D
=
\text{data/information condition}, D = data/information condition , Ω = openness/dynamics of the problem . \Omega
=
\text{openness/dynamics of the problem}. Ω = openness/dynamics of the problem . 13. X X X
例如：
X = { 0 , 1 } n X=\{0,1\}^n X = { 0 , 1 } n 與：
X = N X=\mathbb N X = N 具有完全不同的搜索性質。
也需要區分：
14. G G G
即使輸入相同：
D , D, D , 不同目標：
G 1 = find one solution , G_1=\text{find one solution}, G 1 = find one solution , G 2 = classify all solutions , G_2=\text{classify all solutions}, G 2 = classify all solutions , G 3 = prove non-existence G_3=\text{prove non-existence} G 3 = prove non-existence 會造成完全不同難度。
所以：
problem ≠ input alone . \boxed{
\text{problem}
\neq
\text{input alone}.
} problem = input alone . 15. Γ \Gamma Γ
某問題可能接近平坦枚舉：
x 1 , x 2 , … , x N . x_1,x_2,\ldots,x_N. x 1 , x 2 , … , x N . 另一問題可能具有：
A → B → C → D A\rightarrow B\rightarrow C\rightarrow D A → B → C → D 深層 dependency。
這會影響：
parallelism；
proof planning；
memory reuse；
branch ordering。
16. 現代 theorem proving benchmark 正在顯示這種差異
TheoremBench 特別從競賽型單題評估轉向較長、dependency-rich 的經典定理，並使用 theorem-level coverage 與 token efficiency 觀察 proof behavior；研究發現，顯式提供 supporting premises 可以顯著改變 prover performance。
FormalProofBench 則顯示，即使同樣採 Lean kernel 驗證，研究生程度形式證明的成功率仍明顯低於較常見 benchmark，並且 tool use、cost 與 latency 都是重要分析面向。
這支持：
「同樣是 theorem proving」仍包含不同問題結構。 \boxed{
\text{「同樣是 theorem proving」仍包含不同問題結構。}
} 「同樣是 theorem proving 」仍包含不同問題結構。 17. V V V
有的問題：
C v e r i f y ≪ C d i s c o v e r . C_{\mathrm{verify}}\ll C_{\mathrm{discover}}. C verify ≪ C discover . 有的則 verification 本身很昂貴。
還有的問題甚至存在：
specification verification \boxed{
\text{specification verification}
} specification verification 也就是：
你證的是不是原本想證的東西？
所以：
V V V 本身也是問題結構。
18. D D D
有些問題所有資訊已給定：
D = D 0 . D=D_0. D = D 0 . 有些則需要：
query world \text{query world} query world 才能得到新資訊。
這區分：
closed-information problem \boxed{
\text{closed-information problem}
} closed-information problem 與：
open-information problem . \boxed{
\text{open-information problem}.
} open-information problem . 19. Ω \Omega Ω
靜態問題：
P t = P . P_t=P. P t = P . 動態問題：
P t ≠ P t + 1 . P_t\neq P_{t+1}. P t = P t + 1 . 這直接影響：
預計算價值；
cache 價值；
stale memory；
model update。
20. 第二元：計算基底 B \mathfrak B B
沿用第 5 篇：
B = ( S , C , A , B , P , D , I O , V ) . \boxed{
\mathfrak B
=
(
\mathcal S,
\mathcal C,
\mathcal A,
\mathcal B,
\mathcal P,
\mathcal D,
\mathcal{IO},
\mathcal V
).
} B = ( S , C , A , B , P , D , I O , V ) . 其中：
S = state capacity , \mathcal S=\text{state capacity}, S = state capacity , C = compute , \mathcal C=\text{compute}, C = compute , A = address/access , \mathcal A=\text{address/access}, A = address/access , B = bandwidth , \mathcal B=\text{bandwidth}, B = bandwidth , P = parallelism , \mathcal P=\text{parallelism}, P = parallelism , D = persistence , \mathcal D=\text{persistence}, D = persistence , I O = input/output , \mathcal{IO}=\text{input/output}, I O = input/output , V = verification primitives . \mathcal V=\text{verification primitives}. V = verification primitives . 21. 第三元：認知干預 I \mathfrak I I
沿用第 3 篇：
I = { I A , I M , I E , I F , I U , I R , I C , I G , I X , I S , I Z , … } . \boxed{
\mathfrak I
=
\{
I_A,
I_M,
I_E,
I_F,
I_U,
I_R,
I_C,
I_G,
I_X,
I_S,
I_Z,
\dots
\}.
} I = { I A , I M , I E , I F , I U , I R , I C , I G , I X , I S , I Z , … } . 其作用不是直接增加：
C . \mathcal C. C . 而是改變：
哪一些 C 被使用 . \boxed{
\text{哪一些 }\mathcal C\text{ 被使用}.
} 哪一些 C 被使用 . 22. 三者不是彼此獨立
最重要的是：
P , B , I \boxed{
\mathfrak P,
\mathfrak B,
\mathfrak I
} P , B , I 不是三個互不干涉的向量。
例如：
P \mathfrak P P 決定某種 memory 是否值得。
B \mathfrak B B 決定 heuristic 是否必要。
I \mathfrak I I 又可以改寫：
P \mathfrak P P 的表示。
所以真正關係是耦合：
F ( P , B , I ) . \boxed{
F(
\mathfrak P,
\mathfrak B,
\mathfrak I
).
} F ( P , B , I ) . 23. 第一種耦合：問題—基底耦合
有限搜索：
∣ X ∣ = 10 8 . |X|=10^8. ∣ X ∣ = 1 0 8 . 若：
P = 1 , \mathcal P=1, P = 1 , 可能昂貴。
若：
P = 10 8 , \mathcal P=10^8, P = 1 0 8 , 可以近似一輪全部驗證。
因此：
D ( P ) \boxed{
D(P)
} D ( P ) 不是 substrate-independent。
24. 第二種：問題—認知耦合
如果：
X X X 極小，
那：
I m e t a I_{\mathrm{meta}} I meta 可能是浪費。
如果：
X X X 巨大且具有強結構，
representation insight 可能極有價值。
因此：
M V ( I k ) = F ( I k , P ) . \boxed{
MV(I_k)
=
F(I_k,\mathfrak P).
} M V ( I k ) = F ( I k , P ) . 25. 第三種：基底—認知耦合
如果：
P \mathcal P P 極高，
branch ranking 價值下降。
如果：
S \mathcal S S 極低，
記憶重建又極重要。
所以：
M V ( I k ) = F ( I k , B ) . \boxed{
MV(I_k)
=
F(I_k,\mathfrak B).
} M V ( I k ) = F ( I k , B ) . 26. 第四種：認知修改問題
表示轉換：
I R I_R I R 可以：
P → P ′ . \mathfrak P
\rightarrow
\mathfrak P'. P → P ′ . 例如：
∣ X ∣ = 2 n |X|=2^n ∣ X ∣ = 2 n 轉換為：
∣ X ′ ∣ = n 3 . |X'|=n^3. ∣ X ′ ∣ = n 3 . 這時 intelligence 不是在原問題上更快。
而是：
創造了一個有效上更容易的問題表示。 \boxed{
\text{創造了一個有效上更容易的問題表示。}
} 創造了一個有效上更容易的問題表示。 27. 第五種：認知修改基底
智能體可以：
建 index；
寫程式；
建 cache；
建 solver；
建資料結構。
因此：
I t → B t + 1 . \boxed{
\mathfrak I_t
\rightarrow
\mathfrak B_{t+1}.
} I t → B t + 1 . 這是認知基底化。
28. 第六種：基底反過來改變認知
如果：
B t + 1 \mathfrak B_{t+1} B t + 1 已經可以直接完成昨天需要 cognition 的事情，
那：
I k I_k I k 的邊際使用率下降。
因此：
I t → B t + 1 → reduced need for I t + 1 . \boxed{
\mathfrak I_t
\rightarrow
\mathfrak B_{t+1}
\rightarrow
\text{reduced need for }\mathfrak I_{t+1}.
} I t → B t + 1 → reduced need for I t + 1 . 29. 這形成一個閉環
P t → I t → B t + 1 → P t + 1 e f f e c t i v e \boxed{
\mathfrak P_t
\rightarrow
\mathfrak I_t
\rightarrow
\mathfrak B_{t+1}
\rightarrow
\mathfrak P_{t+1}^{\mathrm{effective}}
} P t → I t → B t + 1 → P t + 1 effective 下一輪智能面對的有效問題世界已經變了。
30. 因此問題難度具有時間性
今天：
D t ( P ) = 10. D_t(P)=10. D t ( P ) = 10. 明天某人發現 theorem：
T . T. T . 保存進 library。
則：
D t + 1 ( P ) = 2. D_{t+1}(P)=2. D t + 1 ( P ) = 2. 不是問題文字改了。
是：
B + I + knowledge state \boxed{
\mathfrak B+\mathfrak I+\text{knowledge state}
} B + I + knowledge state 改了。
31. 定義「有效問題」
因此可定義：
P e f f = Reduce ( P ∣ B , I ) . \boxed{
\mathfrak P_{\mathrm{eff}}
=
\operatorname{Reduce}
(
\mathfrak P
\mid
\mathfrak B,
\mathfrak I
).
} P eff = Reduce ( P ∣ B , I ) . 原問題：
P \mathfrak P P 經系統已有資源、記憶、工具與認知處理後，
真正剩下需要在線處理的才是：
P e f f . \mathfrak P_{\mathrm{eff}}. P eff . 32. 一個已經存過答案的問題
原始：
P . \mathfrak P. P . 若：
M [ P ] = y , M[P]=y, M [ P ] = y , 且：
A ( P ) → M [ P ] A(P)\rightarrow M[P] A ( P ) → M [ P ] 便宜，
那：
P e f f \mathfrak P_{\mathrm{eff}} P eff 不再是：
求解 P P P
而是：
驗證 retrieval 是否對應本次 P P P
所以：
same formal problem ≠ same effective problem . \boxed{
\text{same formal problem}
\neq
\text{same effective problem}.
} same formal problem = same effective problem . 33. 性能也不能只是一個 accuracy
定義性能向量：
Y = ( Y c o r r , Y c o s t , Y l a t , Y c o v , Y r o b , Y g e n , Y a u d i t ) . \boxed{
\mathbf Y
=
(
Y_{\mathrm{corr}},
Y_{\mathrm{cost}},
Y_{\mathrm{lat}},
Y_{\mathrm{cov}},
Y_{\mathrm{rob}},
Y_{\mathrm{gen}},
Y_{\mathrm{audit}}
).
} Y = ( Y corr , Y cost , Y lat , Y cov , Y rob , Y gen , Y audit ) . 34. 正確性
Y c o r r = P ( correct output ) . Y_{\mathrm{corr}}
=
P(\text{correct output}). Y corr = P ( correct output ) . 這是最普通的一項。
但不是全部。
35. 成本
Y c o s t = compute/memory/energy/tool cost . Y_{\mathrm{cost}}
=
\text{compute/memory/energy/tool cost}. Y cost = compute/memory/energy/tool cost . 兩個都答對：
A , B , A,B, A , B , 但：
C A = 10 3 , C_A=10^3, C A = 1 0 3 , C B = 10 12 , C_B=10^{12}, C B = 1 0 12 , 不能視為完全一樣。
36. 延遲
即：
Y l a t . Y_{\mathrm{lat}}. Y lat . 同樣總工作量：
W , W, W , 高度 parallel system 可能 latency 很低。
37. 覆蓋
Y c o v Y_{\mathrm{cov}} Y cov 描述：
搜索或證明是否保留完整候選域。
這是第 4 篇最關鍵的補充。
38. 魯棒性
Y r o b Y_{\mathrm{rob}} Y rob 問：
distribution shift、錯誤 memory、節點失敗或 heuristic 失準時，系統是否仍能工作？
39. 泛化
Y g e n Y_{\mathrm{gen}} Y gen 區分：
memorized success \text{memorized success} memorized success 與：
novel structural success . \text{novel structural success}. novel structural success . 40. 可審計性
Y a u d i t Y_{\mathrm{audit}} Y audit 衡量：
為什麼選這條路；
哪些候選被丟掉；
誰做了 transform；
proof 是否可驗。
CPRR 的 provenance 也屬此項。
41. 多維性能不能自動壓成一個分數
若：
A A A 更快，
但：
B B B 更可靠，
哪一個比較好？
需要 evaluation utility：
U w ( Y ) = ∑ i w i Y i . \boxed{
U_w(\mathbf Y)
=
\sum_iw_iY_i.
} U w ( Y ) = i ∑ w i Y i . 其中：
w i w_i w i 由任務目標決定。
42. 因此系統優越性是條件式的
定義：
A ≻ P , w B A\succ_{P,w}B A ≻ P , w B 表示：
U w ( Y A ( P ) ) > U w ( Y B ( P ) ) . U_w(
\mathbf Y_A(P)
)
>
U_w(
\mathbf Y_B(P)
). U w ( Y A ( P )) > U w ( Y B ( P )) . 它不是：
A > B A>B A > B 的全域聲明。
43. 這就是「問題條件優越」
本文提出：
Problem-Conditional Superiority . \boxed{
\text{Problem-Conditional Superiority}.
} Problem-Conditional Superiority . 系統：
A A A 可以在：
P 1 P_1 P 1 上優於：
B , B, B , 但：
B B B 在：
P 2 P_2 P 2 上優於：
A . A. A . 完全不矛盾。
44. 一個四系統例子
系統 A：完整暴力
I A ≈ 0 , \mathfrak I_A\approx0, I A ≈ 0 , B A = high parallel compute . \mathfrak B_A=\text{high parallel compute}. B A = high parallel compute . 系統 B：強 heuristic
I B = high prediction/pruning . \mathfrak I_B=\text{high prediction/pruning}. I B = high prediction/pruning . 系統 C：大記憶
B C = high storage/retrieval . \mathfrak B_C=\text{high storage/retrieval}. B C = high storage/retrieval . 系統 D：高元認知
I D = high reformulation/meta-control . \mathfrak I_D=\text{high reformulation/meta-control}. I D = high reformulation/meta-control . 不存在理由要求：
A < B < C < D . A<B<C<D. A < B < C < D . 45. 問題 P 1 P_1 P 1
∣ X ∣ = 10 4 . |X|=10^4. ∣ X ∣ = 1 0 4 . 可能：
A A A 最好。
因為：
direct enumerate . \text{direct enumerate}. direct enumerate . 46. 問題 P 2 P_2 P 2
∣ X ∣ = 2 1000 . |X|=2^{1000}. ∣ X ∣ = 2 1000 . 但存在強 invariant。
這時：
B B B 或：
D D D 可能大幅優於 A A A
47. 問題 P 3 P_3 P 3
如果：
P 3 ∈ M C , P_3\in M_C, P 3 ∈ M C , 則：
C C C 直接 retrieval。
再高階 reasoning 都可能是額外成本。
48. 問題 P 4 P_4 P 4
那：
D D D 的 meta-reformulation 可能最有價值。
這正說明：
最佳能力配置取決於問題形狀。 \boxed{
\text{最佳能力配置取決於問題形狀。}
} 最佳能力配置取決於問題形狀。 49. 所以不存在「暴力 < 智能」
暴力搜索可以表示：
π c o v e r a g e . \pi_{\mathrm{coverage}}. π coverage . 智能搜索可以表示：
π s e l e c t i v e . \pi_{\mathrm{selective}}. π selective . 兩者是策略：
not ontological ranks . \boxed{
\text{not ontological ranks}.
} not ontological ranks . 50. 更準確的是兩種風格
暴力：
weak prior + high realization . \boxed{
\text{weak prior}
+
\text{high realization}.
} weak prior + high realization . 啟發式：
strong prior + selective realization . \boxed{
\text{strong prior}
+
\text{selective realization}.
} strong prior + selective realization . 二者各有失敗模式。
51. 暴力的主要失敗：資源爆炸
∣ X ∣ → ∞ |X|\rightarrow\infty ∣ X ∣ → ∞ 或：
2 n 2^n 2 n 時，
直接搜索可能不可行。
52. 智能的主要失敗：模型錯誤
P ^ ( a ∣ s ) \hat P(a\mid s) P ^ ( a ∣ s ) 若錯，
可能：
x ∗ x^\ast x ∗ 永遠不被實現。
所以：
resource failure \boxed{
\text{resource failure}
} resource failure 與：
selection failure \boxed{
\text{selection failure}
} selection failure 是不同類型。
53. 最強系統應同時擁有兩條路
不是：
brute → replace with intelligence . \text{brute}
\rightarrow
\text{replace with intelligence}. brute → replace with intelligence . 而是：
Brute Mode ↔ Cognitive Mode . \boxed{
\text{Brute Mode}
\leftrightarrow
\text{Cognitive Mode}.
} Brute Mode ↔ Cognitive Mode . 54. 這就是 Cognition Bypass 的真正位置
第 4 篇提出：
I b y p a s s . I_{\mathrm{bypass}}. I bypass . 現在可以重新定義為：
I b y p a s s : I a c t i v e → I m i n i m a l \boxed{
I_{\mathrm{bypass}}
:
\mathfrak I_{\mathrm{active}}
\rightarrow
\mathfrak I_{\mathrm{minimal}}
} I bypass : I active → I minimal 當系統判斷：
C b r u t e < C c o g , C_{\mathrm{brute}}<C_{\mathrm{cog}}, C brute < C cog , 就直接算。
55. 反過來還要有 Cognition Escalation
如果：
C b r u t e C_{\mathrm{brute}} C brute 爆炸，
系統應：
I m i n i m a l → I r i c h . \mathfrak I_{\mathrm{minimal}}
\rightarrow
\mathfrak I_{\mathrm{rich}}. I minimal → I rich . 本文稱：
I e s c a l a t e . \boxed{
I_{\mathrm{escalate}}.
} I escalate . 所以完整控制是：
Bypass ↔ Escalate . \boxed{
\text{Bypass}
\leftrightarrow
\text{Escalate}.
} Bypass ↔ Escalate . 56. 這形成「認知配置器」
定義：
Π C : ( P , B ) → I ∗ . \boxed{
\Pi_C:
(\mathfrak P,\mathfrak B)
\rightarrow
\mathfrak I^\ast.
} Π C : ( P , B ) → I ∗ . 它回答：
在目前問題和基底下，應啟用哪些認知算子？
57. 最佳認知配置
形式上：
I ∗ = arg max I ′ U ( P , B , I ′ ) . \boxed{
\mathfrak I^\ast
=
\arg\max_{\mathfrak I'}
U(
\mathfrak P,
\mathfrak B,
\mathfrak I'
).
} I ∗ = arg I ′ max U ( P , B , I ′ ) . 這可能是整個系列最重要的工程式表達之一。
58. 但配置本身也有成本
求：
I ∗ \mathfrak I^\ast I ∗ 本身可能非常難。
若為了決定：
該不該想？
花的成本比原問題還多，
又重回負認知干預。
因此：
C o r c h e s t r a t i o n \boxed{
C_{\mathrm{orchestration}}
} C orchestration 必須計入。
59. 元智能不應變成無限遞迴
如果：
Π C \Pi_C Π C 也需要另一個：
Π C ( 2 ) \Pi_C^{(2)} Π C ( 2 ) 決定如何配置，
再需要：
Π C ( 3 ) , \Pi_C^{(3)}, Π C ( 3 ) , 就會：
meta → meta-meta → ⋯ \text{meta}
\rightarrow
\text{meta-meta}
\rightarrow\cdots meta → meta-meta → ⋯ 所以實際系統需要：
bounded metacognitive depth . \boxed{
\text{bounded metacognitive depth}.
} bounded metacognitive depth . 60. 現代 reasoning model 的 overthinking 正是警告
2026 年研究觀察到，額外 reasoning 可能在有用修正完成後仍繼續 backtracking 或 exploration，造成邊際收益下降甚至 answer drift。
因此三元理論直接預測：
optimal cognition depth = F ( P , B ) . \boxed{
\text{optimal cognition depth}
=
F(\mathfrak P,\mathfrak B).
} optimal cognition depth = F ( P , B ) . 不是固定常數。
61. 記憶也必須問題條件化
Agent memory 系統現在已不只是「保存對話」，而涉及：
construction；
retrieval；
maintenance；
forgetting；
working-context assembly。
2026 年對 Agent memory 的系統分析即將 write path、read path 與 maintenance 視為不同操作階段。
所以：
M max \boxed{
M_{\max}
} M m a x 不等於：
M o p t i m a l . \boxed{
M_{\mathrm{optimal}}.
} M optimal . 62. 長期記憶目前也遠非已解決問題
LifeBench 的 2026 結果顯示，即使當時較強的 memory systems，在其長時程、多來源整合設定上仍只有約一半左右的準確率，說明「有 external memory」與「可靠使用長期記憶」並非同一能力。
因此三元框架會區分：
S \mathcal S S 和：
I M . I_M. I M . 即：
能存 ≠ 會用 . \boxed{
\text{能存}
\neq
\text{會用}.
} 能存 = 會用 . 63. 形式證明也證明了這種三元耦合
TheoremBench 顯示，提供 explicit premises 會顯著提高 proof success，而 theorem-level coverage 與 token efficiency 會暴露單純 final-pass metric 看不到的差異。
這可以在 TGCF 中解釋為：
改變問題可用資訊結構 → P e f f 改變 \boxed{
\text{改變問題可用資訊結構}
\rightarrow
\mathfrak P_{\mathrm{eff}}\text{ 改變}
} 改變問題可用資訊結構 → P eff 改變 即使模型本身：
I \mathfrak I I 沒有變。
64. 同理，更多 inference compute 不一定等於更強 cognition
Pythagoras-Prover 的 2026 工作直接把 formal proof search 的長 reasoning traces、verified proof data scarcity 與 training/inference compute 視為效率問題。
所以評估 theorem prover 時：
model policy + proof search budget + library + verifier \boxed{
\text{model policy}
+
\text{proof search budget}
+
\text{library}
+
\text{verifier}
} model policy + proof search budget + library + verifier 其實共同構成實際系統。
65. 系統邊界因此很重要
假設模型呼叫：
Lean , \text{Lean}, Lean , 那 Lean kernel 是：
外部工具？
還是：
整個 AI theorem-proving system 的一部分？
兩種答案都可以。
但 benchmark 必須說清楚：
∂ A . \boxed{
\partial A.
} ∂ A . 66. 所以智能 benchmark 應報告「能力條件」
本文建議至少報：
( B , I , T , R ) \boxed{
(
\mathfrak B,
\mathfrak I,
\mathcal T,
\mathcal R
)
} ( B , I , T , R ) 其中：
T = tools , \mathcal T
=
\text{tools}, T = tools , R = resource budget . \mathcal R
=
\text{resource budget}. R = resource budget . 否則：
90 % 90\% 90% 本身無法告訴我們性能來自哪裡。
67. 一個可能的新 benchmark 原則：基底正規化
若要比較 cognition：
固定：
B A ≈ B B . \mathfrak B_A
\approx
\mathfrak B_B. B A ≈ B B . 再比較：
I A , I B . \mathfrak I_A,
\mathfrak I_B. I A , I B . 這可以叫：
Substrate-Normalized Evaluation . \boxed{
\text{Substrate-Normalized Evaluation}.
} Substrate-Normalized Evaluation . 68. 第二種：認知正規化
反過來固定：
I . \mathfrak I. I . 逐步增加：
B . \mathfrak B. B . 觀察：
M V ( I k ) MV(I_k) M V ( I k ) 如何變化。
這可以研究：
Substrate–Cognition Substitution Curve . \boxed{
\text{Substrate–Cognition Substitution Curve}.
} Substrate–Cognition Substitution Curve . 69. 第三種：問題結構掃描
固定系統：
A . A. A . 但改變：
P 1 , … , P n . \mathfrak P_1,\ldots,\mathfrak P_n. P 1 , … , P n . 例如：
candidate size；
verifier cost；
noise；
dependency depth；
novelty；
dynamism。
建立：
Capability Phase Diagram . \boxed{
\text{Capability Phase Diagram}.
} Capability Phase Diagram . 70. 「相圖」比單一排行榜更有價值
模型：
A A A 可能在：
R 1 \mathcal R_1 R 1 區域最好。
模型：
B B B 在：
R 2 \mathcal R_2 R 2 最好。
所以真正值得畫的不是：
1 , 2 , 3 , 4 1,2,3,4 1 , 2 , 3 , 4 排名，
而是：
who dominates where? \boxed{
\text{who dominates where?}
} who dominates where? 71. 定義能力優勢域
對系統：
A , A, A , 定義：
D A = { P : A ≻ P B for comparison class B } . \boxed{
\mathcal D_A
=
\{
\mathfrak P:
A\succ_{\mathfrak P}B
\text{ for comparison class }B
\}.
} D A = { P : A ≻ P B for comparison class B } . 也就是：
A 在哪些問題區域有優勢？
72. 這比「A 更智能」精確很多
傳統：
A 比 B 聰明。
TGCF 改成：
在固定基底與評價函數下，A 對具有某些結構的問題具有較大的優勢域。
即：
global intelligence ranking → conditional dominance regions . \boxed{
\text{global intelligence ranking}
\rightarrow
\text{conditional dominance regions}.
} global intelligence ranking → conditional dominance regions . 73. 這也適用於人類與動物
人類：
symbolic language；
long-range abstraction；
強。
某些動物：
特定 sensory processing；
navigation；
rapid motor control；
可能遠強於普通人類。
所以：
agent capability profile \boxed{
\text{agent capability profile}
} agent capability profile 本來就不是自然全序。
74. 未來 AI 更可能高度不對稱
未來某 AI 可以：
S ≫ human , \mathcal S\gg\text{human}, S ≫ human , A ≫ human , \mathcal A\gg\text{human}, A ≫ human , 但：
I X I_X I X 具身行動可能很弱。
另一個 robot：
I X ≫ I_X\gg I X ≫ 但 memory 很小。
所以：
general intelligence \boxed{
\text{general intelligence}
} general intelligence 也不意味所有維度同時極大。
75. 「類超級智能」表現需要拆解
如果 AI：
幾乎所有問題都回答很快。
至少可能來自：
memory dominance , \boxed{
\text{memory dominance},
} memory dominance , compute dominance , \boxed{
\text{compute dominance},
} compute dominance , cognitive dominance , \boxed{
\text{cognitive dominance},
} cognitive dominance , tool/system dominance , \boxed{
\text{tool/system dominance},
} tool/system dominance , 或其組合。
外部表象本身不足以唯一反推原因。
76. TGCF 因此拒絕「表象等於機制」
同樣 output：
y y y 可以由：
retrieve \text{retrieve} retrieve 得到，
也可以由：
reason \text{reason} reason 得到，
還可以：
brute force \text{brute force} brute force 得到。
所以：
behavioral equivalence ⇏ computational-path equivalence . \boxed{
\text{behavioral equivalence}
\not\Rightarrow
\text{computational-path equivalence}.
} behavioral equivalence ⇒ computational-path equivalence . 77. 這也是 AI 可解釋性的一部分
若只看到答案：
y , y, y , 不知道：
y y y 來自：
memorization；
theorem use；
search；
heuristic；
external tool；
就很難判斷其泛化風險。
所以需要：
path provenance . \boxed{
\text{path provenance}.
} path provenance . 78. CPRR 可以成為分散式 provenance 層
第 7 篇的：
H i , σ i H_i,\sigma_i H i , σ i 可以記錄：
R 1 → R 2 → ⋯ → R k . R_1
\rightarrow
R_2
\rightarrow
\cdots
\rightarrow
R_k. R 1 → R 2 → ⋯ → R k . 因此在 distributed intelligence 中：
result provenance \boxed{
\text{result provenance}
} result provenance 也是系統能力的一部分。
79. 從單體 intelligence 轉向系統 intelligence
定義：
A = { A 1 , … , A n } . \mathcal A=
\{A_1,\ldots,A_n\}. A = { A 1 , … , A n } . 若問題由：
A 1 → A 2 → A 3 → V A_1
\rightarrow
A_2
\rightarrow
A_3
\rightarrow
V A 1 → A 2 → A 3 → V 共同完成，
則整體性能：
Y s y s Y_{\mathrm{sys}} Y sys 不等於任一：
Y A i . Y_{A_i}. Y A i . 所以：
system intelligence ≠ max i individual intelligence . \boxed{
\text{system intelligence}
\neq
\max_i\text{ individual intelligence}.
} system intelligence = i max individual intelligence . 80. 系統級能力還包括協調成本
C s y s = ∑ i C i + C c o o r d + C c o m m + C v e r i f y . C_{\mathrm{sys}}
=
\sum_iC_i
+
C_{\mathrm{coord}}
+
C_{\mathrm{comm}}
+
C_{\mathrm{verify}}. C sys = i ∑ C i + C coord + C comm + C verify . 更多 agent 不一定更好。
這延續負認知干預的邏輯。
81. 三元理論也可以描述人類文明
令：
B c i v i l i z a t i o n \mathfrak B_{\mathrm{civilization}} B civilization 包括：
書籍；
網路；
電腦；
database；
laboratories。
I c i v i l i z a t i o n \mathfrak I_{\mathrm{civilization}} I civilization 則來自：
人類；
institutions；
AI；
scientific methods。
問題：
P \mathfrak P P 則隨知識發展改變。
所以文明也可以視為大型 TGCF 系統。
82. 一個定理的文明生命週期
最初：
P P P 需要極強：
I d i s c o v e r y . I_{\mathrm{discovery}}. I discovery . 發現後：
P → T . P\rightarrow T. P → T . 寫進 textbook：
T → M . T\rightarrow M. T → M . 之後：
M M M 成為：
B \mathfrak B B 的一部分。
學生以後直接用。
這就是：
cognition → culture → substrate . \boxed{
\text{cognition}
\rightarrow
\text{culture}
\rightarrow
\text{substrate}.
} cognition → culture → substrate . 83. AI 可能把這個循環大幅加速
未來：
I t → new theorem → formal proof → indexed memory → I t + 1 . I_t
\rightarrow
\text{new theorem}
\rightarrow
\text{formal proof}
\rightarrow
\text{indexed memory}
\rightarrow
I_{t+1}. I t → new theorem → formal proof → indexed memory → I t + 1 . 循環時間可能縮短。
因此：
research frontier \boxed{
\text{research frontier}
} research frontier 移動速度也可能提高。
84. 但這不意味問題總量會下降
基底化掉：
P 1 , P_1, P 1 , 之後可以問：
P 2 . P_2. P 2 . 解掉：
P 2 , P_2, P 2 , 又形成：
P 3 . P_3. P 3 . 所以：
cognitive collapse at lower levels \boxed{
\text{cognitive collapse at lower levels}
} cognitive collapse at lower levels 可以伴隨：
problem expansion at higher levels . \boxed{
\text{problem expansion at higher levels}.
} problem expansion at higher levels . 85. 智能因此不是「最後什麼都不用想」
更可能是：
越來越少重算已解問題， 越來越多處理新 frontier . \boxed{
\text{越來越少重算已解問題，
越來越多處理新 frontier}.
} 越來越少重算已解問題， 越來越多處理新 frontier . 這是 SICC 的正面版本。
86. 一個極限問題
設：
B → B s a t ( P ) . \mathfrak B\rightarrow
\mathfrak B_{\mathrm{sat}}(\mathfrak P). B → B sat ( P ) . 問：
lim M V ( I k ) = ? \lim
MV(I_k)
=? lim M V ( I k ) = ? 不同：
I k I_k I k 可能有不同極限。
87. 搜索排序可能趨近零
如果全部 branch 可以廉價並行：
M V ( I r a n k i n g ) → 0. MV(I_{\mathrm{ranking}})
\rightarrow0. M V ( I ranking ) → 0. 88. 記憶重建可能部分下降
如果完整狀態可以保存且精確取得：
M V ( I r e c o n s t r u c t ) ↓ . MV(I_{\mathrm{reconstruct}})
\downarrow. M V ( I reconstruct ) ↓ . 89. 目標形成未必下降
如果：
G G G 未指定，
再多計算也不知道：
optimize what? \text{optimize what?} optimize what? 所以：
M V ( I g o a l ) MV(I_{\mathrm{goal}}) M V ( I goal ) 可能保持高值。
90. 問題形成同樣具有抗替代性
如果：
P P P 尚未被提出，
大量 processor 只會等待：
what should be computed? \boxed{\text{what should be computed?}} what should be computed? 但這仍不能證明 problem formation 超越 computation。
它只表示：
增加既定問題空間內的 throughput，不等價於生成新的 problem representation。
91. 這個保留非常重要
TGCF 不提出：
intelligence is non-computable . \boxed{
\text{intelligence is non-computable}.
} intelligence is non-computable . 也不提出：
intelligence is nothing but brute force . \boxed{
\text{intelligence is nothing but brute force}.
} intelligence is nothing but brute force . 本文保持：
ontological neutrality . \boxed{
\text{ontological neutrality}.
} ontological neutrality . 研究的是功能與計算組織。
92. 計算可實現不等於計算實際可行
即使：
I k I_k I k 最終可以由普通程序模擬，
仍可能：
C ( I k ) C(I_k) C ( I k ) 巨大。
因此：
reducible in principle ≠ replaceable in practice . \boxed{
\text{reducible in principle}
\neq
\text{replaceable in practice}.
} reducible in principle = replaceable in practice . 93. 不可判定性仍然保留
更多：
C , S , P \mathcal C,
\mathcal S,
\mathcal P C , S , P 不能在普通計算模型中消除一般不可判定問題。
因此 TGCF 也不能被理解為：
給夠資源，一切問題都解得掉。
94. 三元理論只研究可操作區域
對某問題：
P , P, P , 我們首先需要知道：
在這些邊界內才比較：
B \mathfrak B B 和：
I . \mathfrak I. I . 95. TGCF 的第一個核心公式
因此最一般形式：
Y = F ( P , B , I ∣ E ) . \boxed{
\mathbf Y
=
F(
\mathfrak P,
\mathfrak B,
\mathfrak I
\mid
\mathcal E
).
} Y = F ( P , B , I ∣ E ) . 這不是一個目前已知閉式函數。
它是本系列提出的研究框架。
96. 第二個核心公式：有效問題
P e f f = R ( P ∣ B , I ) . \boxed{
\mathfrak P_{\mathrm{eff}}
=
R(
\mathfrak P
\mid
\mathfrak B,
\mathfrak I
).
} P eff = R ( P ∣ B , I ) . 即：
原問題經系統現有資源、知識與認知處理後，真正剩下的是什麼？
97. 第三個核心公式：最佳干預
I ∗ = arg max I ′ U ( F ( P , B , I ′ ) ) − C o r c h e s t r a t i o n ( I ′ ) . \boxed{
\mathfrak I^\ast
=
\arg\max_{\mathfrak I'}
U(
F(
\mathfrak P,
\mathfrak B,
\mathfrak I'
)
)
-
C_{\mathrm{orchestration}}(\mathfrak I').
} I ∗ = arg I ′ max U ( F ( P , B , I ′ )) − C orchestration ( I ′ ) . 它回答：
哪些 cognition 值得啟動？
98. 第四個核心公式：認知邊際價值
M V k = U ( P , B , I ) − U ( P , B , I ∖ I k ) . \boxed{
MV_k
=
U(
\mathfrak P,
\mathfrak B,
\mathfrak I
)
-
U(
\mathfrak P,
\mathfrak B,
\mathfrak I\setminus I_k
).
} M V k = U ( P , B , I ) − U ( P , B , I ∖ I k ) . 這回答：
I k I_k I k
99. 第五個核心公式：基底替代
E k , j = − ∂ M V k ∂ B j . \boxed{
E_{k,j}
=
-
\frac{
\partial MV_k
}{
\partial B_j
}.
} E k , j = − ∂ B j ∂ M V k . 表示：
增強第 j j j k k k
100. 第六個核心公式：能力優勢域
D A = { P : U A ( P ) > U B ( P ) } . \boxed{
\mathcal D_A
=
\{
\mathfrak P:
U_A(\mathfrak P)
>
U_B(\mathfrak P)
\}.
} D A = { P : U A ( P ) > U B ( P )} . 所以不再問：
A > B ? A>B? A > B ? 而問：
D A 有多大、在哪裡？ \boxed{
\mathcal D_A\text{ 有多大、在哪裡？}
} D A 有多大、在哪裡？ 101. TGCF 的第一個核心命題：非全序命題
不存在一般性的：
A > B \boxed{
A>B
} A > B 能獨立於：
P , B , U \mathfrak P,
\mathfrak B,
U P , B , U 描述所有求解能力。
更合理的是條件偏序。
102. 第二命題：問題相對優越命題
存在：
P 1 , P 2 P_1,P_2 P 1 , P 2 使：
A ≻ P 1 B , A\succ_{P_1}B, A ≻ P 1 B , 同時：
B ≻ P 2 A . B\succ_{P_2}A. B ≻ P 2 A . 這不是矛盾。
103. 第三命題：基底替代命題
存在認知算子：
I k I_k I k 與問題族：
P \mathcal P P 使：
B j ↑ ⇒ M V ( I k ) ↓ . B_j\uparrow
\Rightarrow
MV(I_k)\downarrow. B j ↑⇒ M V ( I k ) ↓ . 104. 第四命題：基底互補命題
也存在：
I k I_k I k 只有當：
B j B_j B j 足夠大時才能發揮。
例如高階 planning 若連基本 working memory 都不足，
可能根本無法實現。
因此：
substitution \boxed{
\text{substitution}
} substitution 與：
complementarity \boxed{
\text{complementarity}
} complementarity 可以同時存在。
105. 第五命題：負干預命題
存在：
I k I_k I k 使：
M V ( I k ) < 0 MV(I_k)<0 M V ( I k ) < 0 於某些：
( P , B ) . (\mathfrak P,\mathfrak B). ( P , B ) . 所以認知算子不是天然正效用。
106. 第六命題：認知基底化命題
存在轉換：
I k → A k \boxed{
I_k
\rightarrow
A_k
} I k → A k 其中：
A k A_k A k 是 compiled artifact：
theorem；
index；
code；
solver；
lookup table；
memory representation。
之後：
A k A_k A k 可以由基底直接重用。
107. 第七命題：難度歷史命題
問題的有效難度：
D e f f ( P , t ) D_{\mathrm{eff}}(P,t) D eff ( P , t ) 會隨：
B t , I t , M t \mathfrak B_t,
\mathfrak I_t,
M_t B t , I t , M t 改變。
因此：
D ( P ) \boxed{
D(P)
} D ( P ) 不是永恆固定常數。
108. 第八命題：搜索—智能雙向切換命題
最佳求解器不應預設：
always brute \text{always brute} always brute 也不應：
always reason . \text{always reason}. always reason . 而應允許：
enumerate ↔ retrieve ↔ reason ↔ reformulate . \boxed{
\text{enumerate}
\leftrightarrow
\text{retrieve}
\leftrightarrow
\text{reason}
\leftrightarrow
\text{reformulate}.
} enumerate ↔ retrieve ↔ reason ↔ reformulate . 109. 第九命題：分散式實現命題
若問題與計算被分散：
B = ⋃ i B i , \mathfrak B=
\bigcup_i\mathfrak B_i, B = i ⋃ B i , 整體求解可以透過：
local resolution + handoff + verification \boxed{
\text{local resolution}
+
\text{handoff}
+
\text{verification}
} local resolution + handoff + verification 組合，而不要求任何單一節點具備全局所有能力。
CPRR 是此命題的一個工程候選。
110. 第十命題：本體中立命題
TGCF 不由功能模型推出：
本文只主張：
廣義智能求解可以被有用地拆成問題、基底與認知干預三個耦合層。 \boxed{
\text{廣義智能求解可以被有用地拆成問題、基底與認知干預三個耦合層。}
} 廣義智能求解可以被有用地拆成問題、基底與認知干預三個耦合層。 111. 整個系列現在可以壓成一張圖
P ↓ B ⟷ I ↓ Y \boxed{
\begin{array}{ccc}
& \mathfrak P & \\
& \downarrow & \\
\mathfrak B
& \longleftrightarrow &
\mathfrak I\\
& \downarrow & \\
& \mathbf Y &
\end{array}
} B P ↓ ⟷ ↓ Y I 其中：
I \mathfrak I I 會改變：
P e f f , \mathfrak P_{\mathrm{eff}}, P eff , 也會建立新的：
B . \mathfrak B. B . 而：
B \mathfrak B B 又會改變：
M V ( I ) . MV(\mathfrak I). M V ( I ) . 112. 更完整的動態版
( P t , B t , I t ) → F ( Y t , P t + 1 , B t + 1 , I t + 1 ) . \boxed{
(
\mathfrak P_t,
\mathfrak B_t,
\mathfrak I_t
)
\xrightarrow{F}
(
\mathbf Y_t,
\mathfrak P_{t+1},
\mathfrak B_{t+1},
\mathfrak I_{t+1}
).
} ( P t , B t , I t ) F ( Y t , P t + 1 , B t + 1 , I t + 1 ) . 這比靜態：
P → A P\rightarrow A P → A 更接近長期 Agent。
113. 記憶使這個系統具有歷史
沒有記憶：
t t t 與：
t + 1 t+1 t + 1 近乎獨立。
有持久記憶：
H t → B t + 1 . H_t
\rightarrow
\mathfrak B_{t+1}. H t → B t + 1 . 因此：
past computation becomes future capability . \boxed{
\text{past computation becomes future capability}.
} past computation becomes future capability . 114. 認知使歷史不是單純堆積
智能體還會：
選擇記什麼；
壓縮什麼；
忘記什麼；
重新表示什麼。
所以：
history → curated substrate . \boxed{
\text{history}
\rightarrow
\text{curated substrate}.
} history → curated substrate . 不是無限 append-only log。
115. CPRR 使歷史與能力可以分散
如果：
M M M 不在同一節點，
CPRR 允許：
q → R 1 → R 2 → M ∗ . q
\rightarrow
R_1
\rightarrow
R_2
\rightarrow
M^\ast. q → R 1 → R 2 → M ∗ . 所以：
agent capability \boxed{
\text{agent capability}
} agent capability 可以部分存在於網路拓撲中。
116. 這會改變「一個 AI 在哪裡」的工程定義
如果：
模型在 A；
記憶在 B；
verifier 在 C；
solver 在 D；
那整個 Agent：
A s y s t e m = A + B + C + D \boxed{
A_{\mathrm{system}}
=
A+B+C+D
} A system = A + B + C + D 可能比任何單一模型都更接近實際功能主體。
這裡只是系統工程定義，不涉及主體性本體論。
117. 對未來 AI 架構的一個推論
若 TGCF 合理，
未來通用系統未必主要追求：
一個模型什麼都做。
更可能追求：
強基底 + 可切換 cognition + 專用工具 + 分散式解析 . \boxed{
\text{強基底}
+
\text{可切換 cognition}
+
\text{專用工具}
+
\text{分散式解析}.
} 強基底 + 可切換 cognition + 專用工具 + 分散式解析 . 這是從框架得到的工程推論，而不是本文已驗證的產業預測。
118. 對數學 AI 的一個推論
真正成熟的數學系統可能具有：
retrieval mode \boxed{
\text{retrieval mode}
} retrieval mode 處理已知結果；
formal mode \boxed{
\text{formal mode}
} formal mode 處理嚴格驗證；
brute mode \boxed{
\text{brute mode}
} brute mode 處理有限搜索；
research mode \boxed{
\text{research mode}
} research mode 處理表示、猜想與問題重構。
119. 形式證明研究已開始朝多部件系統發展
2026 年一個 minimal theorem-proving agent baseline 已把 iterative proof refinement、library search 與 context management 明確作為共同 agentic components，目的之一正是讓不同 prover architecture 可以更系統性地比較。
這與 TGCF 的觀點相符：
proof ability is a system composition problem as well as a model problem . \boxed{
\text{proof ability is a system composition problem as well as a model problem}.
} proof ability is a system composition problem as well as a model problem . 120. 對 AI 評估的一個推論
未來 benchmark 不妨同時報：
Model-only
I m o d e l . \mathfrak I_{\mathrm{model}}. I model . Tool-enabled
I + T . \mathfrak I+\mathcal T. I + T . Memory-enabled
I + B M . \mathfrak I+\mathfrak B_M. I + B M . Full-system
P × B × I . \boxed{
\mathfrak P
\times
\mathfrak B
\times
\mathfrak I.
} P × B × I . 如此才能知道：
進步到底發生在哪一層？
121. 對「AGI benchmark」的一個限制
如果 benchmark 只用：
final accuracy , \text{final accuracy}, final accuracy , 它可能無法區分：
記住；
搜索；
推理；
外包；
工具；
超大基底。
因此：
outcome-only evaluation \boxed{
\text{outcome-only evaluation}
} outcome-only evaluation 不足以完整描述廣義智能計算。
122. 最終不是要取消「智能」這個詞
TGCF 並不是說：
智能不存在。
而是拒絕讓「智能」變成解釋一切的黑箱。
如果系統變強，
應進一步問：
哪一個 I k 變強？ \boxed{
\text{哪一個 }I_k\text{ 變強？}
} 哪一個 I k 變強？ 或者：
是不是其實 B 變強？ \boxed{
\text{是不是其實 }\mathfrak B\text{ 變強？}
} 是不是其實 B 變強？ 123. 同樣也不是要取消「算力」
如果模型不需要搜索很多 branch，
並不代表：
算力不重要。
可能 representation transformation 本身非常耗計算。
所以：
cognition \boxed{
\text{cognition}
} cognition 與：
compute \boxed{
\text{compute}
} compute 不是零和。
124. 真正要取消的是錯誤階梯
即：
Brute < Algorithm < Intelligence < Metacognition . \boxed{
\text{Brute}
<
\text{Algorithm}
<
\text{Intelligence}
<
\text{Metacognition}.
} Brute < Algorithm < Intelligence < Metacognition . TGCF 改成：
conditional strategy landscape . \boxed{
\text{conditional strategy landscape}.
} conditional strategy landscape . 125. 最強策略有時是最簡單策略
例如：
P : ∣ X ∣ = 100. P:
|X|=100. P : ∣ X ∣ = 100. 直接：
∀ x ∈ X , V ( x ) . \forall x\in X,\quad V(x). ∀ x ∈ X , V ( x ) . 比：
建 model；
找 intuition；
做 abstraction；
反思；
都更有效。
126. 最強策略有時又是重新定義問題
另一個：
P P P 可能：
∣ X ∣ = 2 10 6 . |X|=2^{10^6}. ∣ X ∣ = 2 1 0 6 . 這時 enumeration 不可行。
好的：
I R I_R I R 可能把問題變成：
P ′ . P'. P ′ . 所以：
沒有一個固定認知深度是永遠正確的。 \boxed{
\text{沒有一個固定認知深度是永遠正確的。}
} 沒有一個固定認知深度是永遠正確的。 127. 真正高階的能力因此可能是「模式選擇」
不是：
永遠想得深。
而是：
知道現在應該： \boxed{
\text{知道現在應該：}
} 知道現在應該：
查；
算；
搜；
猜；
證；
問；
重構；
停止。
128. 這也使「停止」變成正式能力
如果已經：
V ( y ) = 1 , V(y)=1, V ( y ) = 1 , 繼續思考可能降低效用。
所以：
I s t o p \boxed{
I_{\mathrm{stop}}
} I stop 應該視為 orchestration 的一部分。
這和近期 overthinking 結果吻合：不同難度問題存在不同最適 reasoning budget，而固定延長推理並非普遍最優。
129. 廣義計算三元框架的最簡表示
最後，可以把整系列縮成：
Problem + Power + Policy \boxed{
\text{Problem}
+
\text{Power}
+
\text{Policy}
} Problem + Power + Policy 其中：
Problem ≈ P , \text{Problem}\approx\mathfrak P, Problem ≈ P , Power ≈ B , \text{Power}\approx\mathfrak B, Power ≈ B , Policy ≈ I . \text{Policy}\approx\mathfrak I. Policy ≈ I . 但正式論文仍使用：
P , B , I . \boxed{
\mathfrak P,
\mathfrak B,
\mathfrak I.
} P , B , I . 130. 三者缺一不可
只有：
P \mathfrak P P 沒有系統，
沒有人解。
只有：
B \mathfrak B B 沒有問題／目標，
不知道算什麼。
只有：
I \mathfrak I I 沒有實現基底，
無法真正產生狀態。
因此：
general problem solving = problem structure × realization capacity × computational organization . \boxed{
\text{general problem solving}
=
\text{problem structure}
\times
\text{realization capacity}
\times
\text{computational organization}.
} general problem solving = problem structure × realization capacity × computational organization . 131. 系列最終統一命題
本文最終提出：
Triadic Conditional Computation Thesis \boxed{
\textbf{Triadic Conditional Computation Thesis}
} Triadic Conditional Computation Thesis 即：
任何關於某求解系統「更強、更智能、更有效」的有意義判斷，都應至少條件化於問題結構、可用計算基底與認知干預配置；若缺失其中任一層，能力比較可能混合不同來源而失去解釋力。
形式化為：
Y A = F ( P , B A , I A ) \boxed{
\mathbf Y_A
=
F(
\mathfrak P,
\mathfrak B_A,
\mathfrak I_A
)
} Y A = F ( P , B A , I A ) 與：
Y B = F ( P , B B , I B ) . \boxed{
\mathbf Y_B
=
F(
\mathfrak P,
\mathfrak B_B,
\mathfrak I_B
).
} Y B = F ( P , B B , I B ) . 只有在明確：
P , B , I , U \mathfrak P,
\mathfrak B,
\mathfrak I,
U P , B , I , U 後，
才有充分意義問：
A ≻ B ? A\succ B? A ≻ B ? 132. 系列八篇的最終結構
第 1 篇
《數學難度不是計算量：二十種問題障礙與 AI 數學難度譜系》
建立：
P . \mathfrak P. P . 第 2 篇
《非適應性計算基線：二十種數學認知障礙的機械化還原》
建立：
N . \mathcal N. N . 第 3 篇
《廣義智能體的認知干預算子》
建立：
I . \mathfrak I. I . 第 4 篇
《負認知干預：為什麼智能有時不如暴力搜尋》
建立：
M V ( I k ) < 0 MV(I_k)<0 M V ( I k ) < 0 的可能。
第 5 篇
《通用計算基底》
建立：
B . \mathfrak B. B . 第 6 篇
《計算—記憶—尋址交換律》
建立：
C ↔ S ↔ A C
\leftrightarrow
S
\leftrightarrow
A C ↔ S ↔ A 以及 SICC。
第 7 篇
《內容相位中繼解析》
建立：
distributed resolution \boxed{
\text{distributed resolution}
} distributed resolution 作為 Address Construction Barrier 的工程候選解。
第 8 篇
本文建立：
P × B × I . \boxed{
\mathfrak P
\times
\mathfrak B
\times
\mathfrak I.
} P × B × I . 完成封頂。
133. 結論
這個系列最開始只是在問：
為什麼有些數學題真的難？
最後卻得到了一個更一般的問題：
問題、計算資源與智能控制之間，到底是什麼關係？
答案不是：
智能就是更高級的計算 . \boxed{
\text{智能就是更高級的計算}.
} 智能就是更高級的計算 . 也不是：
一切智能都只是暴力搜索 . \boxed{
\text{一切智能都只是暴力搜索}.
} 一切智能都只是暴力搜索 . 更好的描述是：
一個求解系統的表現， 是問題結構、實現能力與認知干預共同形成的條件結果。 \boxed{
\text{一個求解系統的表現，
是問題結構、實現能力與認知干預共同形成的條件結果。}
} 一個求解系統的表現， 是問題結構、實現能力與認知干預共同形成的條件結果。 對某問題：
直接算 \text{直接算} 直接算 最好。
對另一問題：
查記憶 \text{查記憶} 查記憶 最好。
再一個：
啟發式搜索 \text{啟發式搜索} 啟發式搜索 最好。
還有一些：
必須重寫表示 . \text{必須重寫表示}. 必須重寫表示 . 甚至：
應該重新問問題 . \text{應該重新問問題}. 應該重新問問題 . 因此：
「智能」真正有趣的地方， 不是它永遠比計算更高一階， 而是它能改變計算如何被配置。 \boxed{
\text{「智能」真正有趣的地方，
不是它永遠比計算更高一階，
而是它能改變計算如何被配置。}
} 「智能」真正有趣的地方， 不是它永遠比計算更高一階， 而是它能改變計算如何被配置。 同樣地，
計算基底也不是智能的被動僕人。
當：
S , C , A , P \mathcal S,
\mathcal C,
\mathcal A,
\mathcal P S , C , A , P 逐漸增強時，
一些今天極有價值的認知操作可能：
M V ( I k ) ↓ . MV(I_k)\downarrow. M V ( I k ) ↓ . 昨天需要靈感才能做的事，
今天可能變成 library call。
昨天需要大量推理的事，
明天可能只需：
retrieve + verify . \text{retrieve + verify}. retrieve + verify . 因此：
昨日的 cognition → 今日的 compiled artifact → 明日的 substrate primitive . \boxed{
\text{昨日的 cognition}
\rightarrow
\text{今日的 compiled artifact}
\rightarrow
\text{明日的 substrate primitive}.
} 昨日的 cognition → 今日的 compiled artifact → 明日的 substrate primitive . 然而這不意味 frontier 消失。
因為舊問題被基底化後，
新的問題又會形成：
P 1 → P 2 → P 3 → ⋯ . \boxed{
\mathfrak P_1
\rightarrow
\mathfrak P_2
\rightarrow
\mathfrak P_3
\rightarrow\cdots.
} P 1 → P 2 → P 3 → ⋯ . 所以真正可能長期存在的，不是固定的：
智能 vs 計算 \text{智能 vs 計算} 智能 vs 計算 對立，
而是一個持續移動的三元動態：
P t ↔ B t ↔ I t . \boxed{
\mathfrak P_t
\leftrightarrow
\mathfrak B_t
\leftrightarrow
\mathfrak I_t.
} P t ↔ B t ↔ I t . 系統不斷解問題。
解題結果不斷變成記憶與工具。
新的基底又改變下一代問題的難度。
新的問題再要求新的 cognition。
這個循環，
才可能是廣義智能計算真正值得研究的核心對象。
參考文獻與近期相關研究
Zhou et al., When More Thinking Hurts: Overthinking in LLM Test-Time Compute Scaling , 2026。研究 test-time compute 的 diminishing returns、overthinking 與 problem-dependent optimal reasoning length。
Arif et al., Understanding Inference Scaling for LLMs: Bottlenecks, Trade-offs, and Performance Principles , 2026。研究 reasoning workloads 中容量、KV cache、記憶頻寬、interconnect、routing 與 synchronization 的異質瓶頸。
Ma & Patterson, Challenges and Research Directions for Large Language Model Inference Hardware , 2026。指出 LLM inference 的重要瓶頸大量位於 memory 與 interconnect，而非單純 arithmetic throughput。
Omri et al., Agent Memory: Characterization and System Implications of Stateful Long-Horizon Workloads , 2026。將 Agent memory 分析為 persistent state、retrieval、prompt assembly、construction、maintenance 與 forgetting 等系統過程。
LifeBench: A Benchmark for Long-Horizon Multi-Source Memory , 2026。顯示長時程、多來源資訊整合對現有 memory systems 仍具有顯著挑戰。
Pham et al., TheoremBench: Evaluating LLMs on Theorem Proving in Formal Mathematics , 2026。利用 dependency-rich theorem tasks、theorem-level coverage 與 token efficiency 顯示 proof structure 與 premises 對 prover performance 的重要性。
Ravi et al., FormalProofBench: Can Models Write Graduate Level Math Proofs That Are Formally Verified? , 2026。評估 advanced undergraduate／graduate Lean4 formal proofs，並分析 accuracy、tool use、cost 與 latency。
Leang et al., Pythagoras-Prover: Advancing Efficient Formal Proving via Augmented Lean Formalisation , 2026。從 proof data、long reasoning traces 與 inference compute 角度研究較具效率的 formal proving。
A Minimal Agent for Automated Theorem Proving , 2026。使用 iterative proof refinement、library search 與 context management 建立可比較的 agentic theorem-proving baseline。
版本：v1.0
系列定位：三元統合理論／系列封頂。
核心模型：
Y = F ( P , B , I ∣ E ) \boxed{
\mathbf Y
=
F(
\mathfrak P,
\mathfrak B,
\mathfrak I
\mid
\mathcal E
)
} Y = F ( P , B , I ∣ E ) 核心三元：
P × B × I \boxed{
\mathfrak P
\times
\mathfrak B
\times
\mathfrak I
} P × B × I 正式系列狀態：8/8 完成。