← Archive
lm-002517 · 2026-08

負認知干預：為什麼智能有時不如暴力搜尋

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

負認知干預：為什麼智能有時不如暴力搜尋

Negative Cognitive Intervention: Why Intelligent Search Can Underperform Brute-Force Computation

系列：計算基底、認知干預與廣義智能計算研究，第 4 篇／共 8 篇
作者：Neo.K
機構：EveMissLab／一言諾科技有限公司
日期：2026-08-08

摘要

智能通常被理解為降低搜索成本、提高預測能力、改善表示、利用經驗並避免無效計算的能力。然而，此觀點容易隱含一個未經證明的單調假設：

更多認知干預⇒更高問題求解性能.\text{更多認知干預} \Rightarrow \text{更高問題求解性能}.

本文否定此一般性命題。

在前篇建立的認知干預算子框架中，注意、記憶重建、經驗遷移、直覺、預測、抽象、表示轉換、目標修改與元認知等操作，都會重新分配計算資源、改變搜索順序，甚至刪除原本可達的候選路徑。這些能力因此同時帶來兩種效果：

Search Reduction\boxed{ \text{Search Reduction} }

與：

Search Distortion.\boxed{ \text{Search Distortion}. }

一個優秀的 heuristic 可以將 101210^{12} 個候選壓縮為 10310^3 個；但若正確答案恰好被排除，這種壓縮會將原本完備的搜索轉化為永遠無法成功的計算。

本文將此類現象統稱為：

Negative Cognitive Intervention, NCI\boxed{ \text{Negative Cognitive Intervention, NCI} }

即負認知干預。

本文提出認知干預的四維效果描述：

ΔI=(ΔC,ΔT,ΔK,ΔP),\Delta I = ( \Delta C, \Delta T, \Delta K, \Delta P ),

其中分別表示計算成本、發現時間、搜索覆蓋性與成功概率的改變。

由此可以存在：

ΔC<0,ΔT<0,ΔK<0,ΔP<0.\Delta C<0, \qquad \Delta T<0, \qquad \Delta K<0, \qquad \Delta P<0.

即系統確實「算得更少、算得更快」，但同時更不容易得到正確答案。

2025–2026 年對大型推理模型的研究已觀察到類似現象：增加 test-time reasoning 並不總是改善正確率，過度探索與過度驗證可能造成大量無效計算，甚至使模型放棄原先已正確的答案。

AI Agent 記憶研究亦表明，過去錯誤經驗可以透過記憶檢索持續傳播，過時或不對齊的經驗會干擾後續決策。

本文因而提出一個核心觀點：

智能的價值不在於永遠干預計算， 而在於知道何時干預、干預多少，以及何時停止干預。\boxed{ \text{智能的價值不在於永遠干預計算， 而在於知道何時干預、干預多少，以及何時停止干預。} }

最終，本文引入：

Ibypass\boxed{ I_{\mathrm{bypass}} }

——認知旁路算子：智能體主動決定不使用某些高階認知機制，退回直接枚舉、形式驗證或專用算法。

由此，暴力搜尋與智能計算不再構成高低階關係，而成為不同問題結構下可被動態調用的計算模式。

關鍵詞

負認知干預、暴力搜尋、啟發式搜尋、認知偏誤、過度思考、記憶污染、Einstellung effect、負遷移、元認知、AI reasoning

1. 問題：智能真的越多越好嗎？

假設有兩個系統：

A0A_0

與：

AI.A_I.

A0A_0 使用非常單純的完整枚舉。

AIA_I 則具有：

  • 記憶；
  • 經驗；
  • 注意；
  • 直覺；
  • 預測；
  • 表示學習；
  • 抽象；
  • 自我反思。

傳統直覺容易寫成：

AI>A0.A_I>A_0.

但這並不是一般定理。

對某些問題甚至可能：

A0≻PAI.\boxed{ A_0\succ_P A_I. }

即在問題 PP 上，純搜索系統反而優於高認知干預系統。

2. 一個最簡單的反例：認知固定成本

設候選空間：

∣X∣=1000.|X|=1000.

每個候選驗證成本：

cv=1.c_v=1.

完整枚舉最多：

C0=1000.C_0=1000.

現在智能體先進行：

  • 問題分析；
  • 記憶檢索；
  • 表示重構；
  • 預測；
  • 反思。

假設總成本：

CIoverhead=5000.C_I^{\mathrm{overhead}}=5000.

即使它最後只驗證十個候選：

CI=5000+10=5010.C_I=5000+10=5010.

因此：

CI>C0.C_I>C_0.

沒有任何錯誤發生。

智能只是不划算。

3. 第一種負干預：認知開銷

定義：

CIC_I

為認知干預成本。

智能干預只有在：

Csaved>CIC_{\mathrm{saved}}>C_I

時才具有純計算收益。

更完整地：

Cnet=Cbase−Csaved+CI.\boxed{ C_{\mathrm{net}} = C_{\mathrm{base}} - C_{\mathrm{saved}} + C_I. }

因此：

Csaved>0C_{\mathrm{saved}}>0

並不足以保證：

Cnet<Cbase.C_{\mathrm{net}}<C_{\mathrm{base}}.

這是最簡單但常被忽略的情況。

4. 第二種負干預：錯誤剪枝

假設完整搜索空間：

X={x1,…,xN}.X= \{x_1,\ldots,x_N\}.

唯一正解：

x∗.x^\ast.

智能體使用 heuristic：

h(x).h(x).

只留下：

X′={x:h(x)>τ}.X' = \{x:h(x)>\tau\}.

如果：

x∗∉X′,x^\ast\notin X',

則：

Psuccess=0P_{\mathrm{success}}=0

即使：

∣X′∣≪∣X∣.|X'|\ll|X|.

因此：

search compression⇏search correctness.\boxed{ \text{search compression} \not\Rightarrow \text{search correctness}. }

5. 完備性與效率的交換

完整枚舉的一項重要特性是 coverage。

若：

  • XX 有限；
  • verifier 正確；
  • 所有元素均被檢查；

則：

x∗∈X⇒eventual discovery.x^\ast\in X \Rightarrow \text{eventual discovery}.

但 heuristic pruning 可能犧牲：

K=∣Xreachable∣∣X∣.K= \frac{|X_{\mathrm{reachable}}|}{|X|}.

定義：

K∈[0,1]K\in[0,1]

為搜索覆蓋率。

則智能干預可能：

ΔC<0\Delta C<0

同時：

ΔK<0.\Delta K<0.

6. 速度與完備性不是同一目標

假設系統 AA：

KA=1,TA=106.K_A=1, \qquad T_A=10^6.

系統 BB：

KB=0.01,TB=10.K_B=0.01, \qquad T_B=10.

哪一個比較好？

沒有一般答案。

如果正確答案通常位於那 1%1\%：

BB

很好。

如果任務要求：

保證沒有漏解，

則：

AA

可能完全更合適。

所以：

performance\boxed{ \text{performance} }

必須相對於 objective 定義。

7. 負認知干預的四維描述

本文定義：

ΔI=(ΔC,ΔT,ΔK,ΔPs)\boxed{ \Delta I = ( \Delta C, \Delta T, \Delta K, \Delta P_s ) }

其中：

ΔC=總計算成本改變,\Delta C = \text{總計算成本改變}, ΔT=答案發現時間改變,\Delta T = \text{答案發現時間改變}, ΔK=搜索覆蓋改變,\Delta K = \text{搜索覆蓋改變}, ΔPs=成功概率改變.\Delta P_s = \text{成功概率改變}.

所以一項認知能力不應被簡單標記為：

+1+1

或：

−1.-1.

8. 一個算子可以同時是正面與負面

例如注意算子：

Iatt.I_{\mathrm{att}}.

它把：

10610^6

個輸入壓成：

103.10^3.

因此：

ΔC<0.\Delta C<0.

但如果被忽略的資訊包含關鍵線索：

ΔPs<0.\Delta P_s<0.

所以：

positive computational effect∧negative epistemic effect\boxed{ \text{positive computational effect} \land \text{negative epistemic effect} }

完全可以同時成立。

9. 注意的失敗：看得太少

注意的功能是：

X→X′.X\rightarrow X'.

但：

X′X'

不是完整世界。

如果智能體過早確定：

「只有這部分重要。」

便可能發生：

IG(X∖X′)>0.I_G(X\setminus X')>0.

即被丟掉的信息實際與目標相關。

這就是：

attention-induced information loss.\boxed{ \text{attention-induced information loss}. }

10. 注意的另一種失敗：看得太久

反方向也存在：

智能體持續分析同一局部區域：

xix_i

而忽略：

X∖{xi}.X\setminus\{x_i\}.

因此：

attention\text{attention}

不只是選擇問題，

還有：

attention disengagement problem.\boxed{ \text{attention disengagement problem}. }

這可以形成一種局部搜索陷阱。

11. 記憶的失敗：錯誤經驗會傳播

前一篇指出：

MeffectiveM_{\mathrm{effective}}

不是原始資料庫，而是任務條件下被檢索與重建出的歷史。

問題是，如果過去記憶：

m∗m^\ast

本身錯誤，

新的問題與它相似時：

P(m∗∣q)↑.P(m^\ast\mid q)\uparrow.

錯誤因而被重新使用。

2025 年針對 LLM Agent 記憶的實證研究直接觀察到 experience-following：高度相似的記憶會誘導高度相似的後續行為，並形成 error propagation。

12. 記憶污染

假設：

m1m_1

原本錯誤。

新的執行：

m1→a2m_1\rightarrow a_2

產生：

m2.m_2.

如果：

m2m_2

又被加入記憶：

m1→m2→m3→⋯m_1\rightarrow m_2\rightarrow m_3\rightarrow\cdots

便可能形成：

memory contamination cascade.\boxed{ \text{memory contamination cascade}. }

因此長期記憶系統必須處理的並不只有：

forgetting.\text{forgetting}.

還包括：

provenance,confidence,revision.\text{provenance}, \quad \text{confidence}, \quad \text{revision}.

13. 過時記憶

即使：

mtm_t

在時間 tt 完全正確，

也不代表：

mtm_t

在：

t+kt+k

仍然正確。

當環境：

Wt≠Wt+k,W_t\neq W_{t+k},

則：

mtm_t

可能產生：

stale-memory interference.\boxed{ \text{stale-memory interference}. }

這對長期 Agent 尤其重要。

14. 記憶更多不必然更好

直覺上：

∣M∣↑⇒Ps↑.|M|\uparrow \Rightarrow P_s\uparrow.

但若 retrieval noise 隨資料量增加：

Nretrieval(∣M∣)↑,N_{\mathrm{retrieval}}(|M|)\uparrow,

則可能存在最佳記憶規模：

M∗M^\ast

使：

Ps(M∗)>Ps(M>M∗).P_s(M^\ast) > P_s(M>M^\ast).

因此：

memory capacity≠memory utility.\boxed{ \text{memory capacity} \neq \text{memory utility}. }

15. 經驗的失敗：負遷移

一個已學會的策略：

πA\pi_A

若被遷移到新問題 BB，

可能：

C(B∣πA)<C(B)C(B\mid\pi_A) < C(B)

——正遷移。

也可能：

C(B∣πA)>C(B).C(B\mid\pi_A) > C(B).

後者就是：

negative transfer.\boxed{ \text{negative transfer}. }

機器學習文獻長期將 negative transfer 定義為：來源任務知識被引入後，反而降低目標任務性能。

16. 人類的 Einstellung effect

這不是 AI 專屬問題。

人類問題求解研究早已發現：

過去成功的方法可以使求解者持續使用熟悉方案，即使新的問題存在更簡單、更有效的方法。

這就是經典的：

Einstellung effect.\boxed{ \text{Einstellung effect}. }

後續 fixation 研究亦將其視為一種由既有資訊或記憶激活框架所造成的搜索限制。

所以：

experience→competence\boxed{ \text{experience} \rightarrow \text{competence} }

與：

experience→fixation\boxed{ \text{experience} \rightarrow \text{fixation} }

可以同時成立。

17. functional fixedness

另一個類似例子是：

functional fixedness.\boxed{ \text{functional fixedness}. }

一個對象因為長期被理解為具有功能：

f1,f_1,

智能體便難以看到：

f2.f_2.

換成我們的語言：

P(r1∣M)≫P(r2∣M).P(r_1\mid M)\gg P(r_2\mid M).

不是：

r2r_2

不存在，

而是：

r2r_2

被 prior 壓到幾乎不會被搜索。

18. 所以「沒有經驗」有時反而具有探索優勢

這不是說 novice 普遍優於 expert。

而是存在某些問題 PP：

AnoviceA_{\mathrm{novice}}

缺少強 prior，

因此：

Knovice>Kexpert.K_{\mathrm{novice}} > K_{\mathrm{expert}}.

expert 搜得更窄、更快；

novice 搜得更散、更慢。

如果解恰好位於 expert prior 之外：

ignorance can accidentally preserve search diversity.\boxed{ \text{ignorance can accidentally preserve search diversity}. }

這是一個非常特殊但重要的情況。

19. 直覺的失敗：高壓縮先驗

前篇將直覺功能化為：

Iint:s→P^(a∣s).I_{\mathrm{int}}: s\rightarrow\hat P(a\mid s).

好的直覺：

106→10.10^6 \rightarrow10.

但這其實是一種非常激進的信息壓縮。

若：

a∗a^\ast

被給予：

P^(a∗∣s)≈0,\hat P(a^\ast\mid s)\approx0,

則可能從一開始就不會被考慮。

因此：

intuition error=prior concentration error.\boxed{ \text{intuition error} = \text{prior concentration error}. }

20. 直覺越強，偏誤也可能越穩定

弱先驗：

P(a1)=0.3,P(a2)=0.2.P(a_1)=0.3, \quad P(a_2)=0.2.

還有重新探索機會。

極強先驗：

P(a1)=0.999.P(a_1)=0.999.

若 a1a_1 錯誤，

系統可能大量資源都投入：

a1.a_1.

所以：

confidence amplification\boxed{ \text{confidence amplification} }

既可以提升效率，也可以提升錯誤持久性。

21. 預測的失敗：模型錯誤

設智能體估計：

V^(b)\hat V(b)

為 branch bb 的成功概率。

真正值：

V(b).V(b).

若：

V^(b)≠V(b),\hat V(b)\neq V(b),

則資源配置：

Cb∝V^(b)C_b\propto\hat V(b)

會錯置。

尤其當：

V^(b∗)≪V(b∗),\hat V(b^\ast)\ll V(b^\ast),

真正解被餓死。

這就是：

model-based resource starvation.\boxed{ \text{model-based resource starvation}. }

22. 探索與利用衝突

智能體可能已知一個尚可的方案：

aknown.a_{\mathrm{known}}.

未知區域可能存在：

a∗.a^\ast.

如果過度 exploitation：

P(aknown)→1,P(a_{\mathrm{known}})\rightarrow1,

便永遠不會發現：

a∗.a^\ast.

如果過度 exploration：

P(new branches)→1,P(\text{new branches})\rightarrow1,

又會浪費大量計算。

因此：

exploration–exploitation balance\boxed{ \text{exploration--exploitation balance} }

本身就是認知控制問題。

23. 表示能力的失敗：換到更糟的空間

假設原問題：

P∈XP\in X

成本：

CX(P).C_X(P).

表示算子給出：

R(P)∈Y.R(P)\in Y.

如果：

CY(R(P))>CX(P),C_Y(R(P)) > C_X(P),

則：

IreprI_{\mathrm{repr}}

造成：

representation inflation.\boxed{ \text{representation inflation}. }

換表示並不天然是進步。

24. 過度抽象

抽象化希望：

X→X~,X\rightarrow\tilde X,

且保留：

IG(X).I_G(X).

但如果：

IG(X~)<IG(X),I_G(\tilde X) < I_G(X),

真正關鍵資訊被抽掉。

例如：

「所有這些 case 本質上都一樣。」

可能恰好把唯一例外消失掉。

因此：

abstraction=compression with semantic risk.\boxed{ \text{abstraction} = \text{compression with semantic risk}. }

25. 抽象也可能增加而不是降低複雜度

有時原問題：

PP

其實直接枚舉即可。

但智能體開始建立：

  • 新範疇；
  • 新圖結構；
  • 新 operator；
  • 新 meta-language。

最後：

Cmeta−model≫CP.C_{\mathrm{meta-model}} \gg C_P.

這可以稱為：

abstraction overproduction.\boxed{ \text{abstraction overproduction}. }

通俗地說：

把一個簡單問題理論化過頭。

26. 概念形成的失敗：錯誤分類

若智能體形成：

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

但實際把：

x∗x^\ast

錯分至另一類，

那麼後續所有 class-level reasoning 都可能：

systematically wrong.\boxed{ \text{systematically wrong}. }

局部 classification error 因抽象化被放大成全局結論錯誤。

27. 類比的失敗

智能體發現：

A∼B.A\sim B.

然後把：

TAT_A

遷移到：

TB.T_B.

但如果映射：

f:A→Bf:A\rightarrow B

只保存部分結構，

則：

TAT_A

可能在 BB 不成立。

這是：

false structural analogy.\boxed{ \text{false structural analogy}. }

類比因此應產生：

candidate,\text{candidate},

而不是：

proof.\text{proof}.

28. 目標修改的失敗

前篇將：

IgoalI_{\mathrm{goal}}

視為高階能力。

但是如果原任務：

G0G_0

被修改成：

G1G_1

而：

G1G_1

不再忠實服務原始要求，

智能體可能非常漂亮地解完：

G1G_1

卻沒有解：

G0.G_0.

因此：

goal reformulation→goal drift risk.\boxed{ \text{goal reformulation} \rightarrow \text{goal drift risk}. }

29. 「問題本身問錯」也是危險能力

質疑題目確實可能產生研究突破。

但如果每一題都先問：

這個問題是不是問錯了？

那麼普通任務也會被無限展開。

因此：

Imeta−problemI_{\mathrm{meta-problem}}

具有高潛力，同時具有高固定成本。

存在大量問題：

PP

最好的方法就是：

answer P.\boxed{\text{answer }P.}

不需要重新發明問題。

30. 反事實模擬的失敗：想像空間爆炸

若每個狀態有：

bb

個假想行動，

向前模擬深度：

d,d,

則：

Ncounterfactual∼bd.N_{\mathrm{counterfactual}} \sim b^d.

因此：

IcounterI_{\mathrm{counter}}

本身可以重建原本想避免的組合爆炸。

即：

thinking about all possibilities\boxed{ \text{thinking about all possibilities} }

也可以退化成另一種暴力搜尋。

31. 元認知的失敗：反思有成本

假設一次 object-level reasoning 成本：

Co.C_o.

一次 meta-evaluation：

Cm.C_m.

如果每一步都反思：

Ctotal=Co+nCm.C_{\mathrm{total}} = C_o+nC_m.

當：

CmC_m

沒有帶來足夠修正收益，

它只是：

metacognitive overhead.\boxed{ \text{metacognitive overhead}. }

32. 過度思考

這在現代大型推理模型上已不只是理論。

2025 年 ICML 對 long reasoning models 的研究指出，簡單問題上經常出現大量重複、低效 reasoning，而額外 token 並沒有對應的 accuracy gain。

2026 年進一步研究顯示，over-verification 與 over-exploration 是 overthinking 的主要結構來源；對簡單任務，long-thinking models 可以慢約 55 到 2020 倍，而沒有實質正確率提升。

因此：

reasoning length∝̸reasoning value.\boxed{ \text{reasoning length} \not\propto \text{reasoning value}. }

33. 更嚴重：思考更多甚至可以把正確答案改錯

2026 年 ACL Findings 的研究觀察到，在增加 test-time compute 時，額外推理的邊際效益逐漸下降，而且存在模型原先已得到正確答案，後續延長推理反而放棄它的情況。

因此品質函數：

Q(t)Q(t)

不必滿足：

dQdt≥0.\frac{dQ}{dt}\ge0.

可能存在：

t∗t^\ast

使：

Q(t)Q(t)

在 t∗t^\ast 後下降。

34. 所以最適推理時間依問題而變

一個合理模型是：

Q(P,t).Q(P,t).

對簡單問題：

t∗(P)t^\ast(P)

很小。

對困難問題：

t∗(P)t^\ast(P)

較大。

所以：

one fixed thinking budget for all problems\boxed{ \text{one fixed thinking budget for all problems} }

不是最佳策略。

這也意味著：

resource allocation\text{resource allocation}

本身是一項能力。

35. 自我驗證也可能過量

Verification 本來是防止錯誤。

但若：

V1,V2,…,VnV_1,V_2,\ldots,V_n

不斷重複驗同一個結論，

且沒有新資訊：

I(Vk+1;P∣V1,…,Vk)≈0,I(V_{k+1};P\mid V_1,\ldots,V_k)\approx0,

則後續 verification 的資訊收益接近零。

因此：

verification≠always-useful verification.\boxed{ \text{verification} \neq \text{always-useful verification}. }

36. 社會智能也會增加錯誤鏈

假設：

A1→A2→A3.A_1\rightarrow A_2\rightarrow A_3.

每一個 agent 局部正確率：

p.p.

如果任務要求所有階段都正確，粗略而言可能有：

Pglobal≈pn.P_{\mathrm{global}} \approx p^n.

例如：

p=0.95,n=20,p=0.95, \qquad n=20,

則：

0.9520≈0.358.0.95^{20}\approx0.358.

所以：

more agents⇏more reliable system.\boxed{ \text{more agents} \not\Rightarrow \text{more reliable system}. }

協作必須配合 verification、redundancy 或 error correction。

37. 工具越多也可能越難

工具集合：

T={T1,…,TN}.\mathcal T= \{T_1,\ldots,T_N\}.

工具選擇本身形成：

tool-selection search space.\boxed{ \text{tool-selection search space}. }

如果：

NN

過大，

智能體可能：

  • 選錯工具；
  • 使用錯參數；
  • 在工具間來回切換；
  • 重複做相同工作。

因此 tool abundance 可以增加：

Ccoordination.C_{\mathrm{coordination}}.

38. 自我模型也可能錯

如果智能體認為：

A^=「我很擅長代數」,\hat A=\text{「我很擅長代數」},

而實際：

A≠A^,A\neq\hat A,

它可能把過多資源投入錯誤方法。

所以：

self-model quality\boxed{ \text{self-model quality} }

比「有沒有 self-model」本身更重要。

39. 認知能力會彼此放大錯誤

最危險的不是單一失敗。

例如：

錯誤記憶\text{錯誤記憶}

產生：

錯誤直覺,\text{錯誤直覺},

再造成：

錯誤注意,\text{錯誤注意},

進一步形成：

錯誤表示,\text{錯誤表示},

最後元認知看到：

「這條路證據很多。」

於是提高 confidence。

即：

M−→I−→A−→R−→Z−.M^- \rightarrow I^- \rightarrow A^- \rightarrow R^- \rightarrow Z^-.

可以形成：

cognitive error amplification loop.\boxed{ \text{cognitive error amplification loop}. }

40. 負認知干預不是「智能失敗」

這裡需要重要修正。

若 heuristic 在：

99.9%99.9\%

的問題上大幅降低成本，

但：

0.1%0.1\%

的問題上失敗，

不能因此說 heuristic 沒用。

它的正確評價是：

conditional utility.\boxed{ \text{conditional utility}. }

即：

U(I∣P,B,G).U(I\mid P,\mathcal B,G).

41. 沒有全域最佳的認知政策

對問題分布：

D1\mathcal D_1

最好的政策：

π1.\pi_1.

對：

D2\mathcal D_2

可能：

π2.\pi_2.

不存在理由認為：

π1=π2.\pi_1=\pi_2.

所以：

intelligence policy is distribution-relative.\boxed{ \text{intelligence policy is distribution-relative}. }

42. 暴力搜尋真正的優勢

現在可以更精確描述。

暴力搜尋的重要優勢不是：

很笨但很努力。

而是：

weak prior dependence.\boxed{ \text{weak prior dependence}. }

在理想完整枚舉下，它：

  • 不依賴過去經驗；
  • 不需要正確直覺；
  • 不需要表示偏好；
  • 不會因 fixation 主動排除答案。

因此它提供：

robustness against prior misspecification.\boxed{ \text{robustness against prior misspecification}. }

43. 暴力搜尋第二個優勢：容易平行

如果：

V(xi)V(x_i)

彼此獨立，

則：

x1,…,xNx_1,\ldots,x_N

可以並行執行。

給：

PP

個 processor，

理想情況：

T∼NP.T \sim \frac{N}{P}.

因此硬體平行性越高，智能剪枝的相對價值可能下降。

44. 暴力搜尋第三個優勢：可審計性

如果：

XX

已全部檢查，

審計非常直接：

∀x∈X, V(x).\forall x\in X,\ V(x).

相反地，智能搜索需要回答：

為什麼沒有看那條 branch？

所以：

selective intelligence\boxed{ \text{selective intelligence} }

增加了一個新的 verification object：

the selection policy itself.\boxed{ \text{the selection policy itself}. }

45. 但暴力搜尋也不是神話

本文不是反向主張：

brute force>intelligence.\text{brute force}>\text{intelligence}.

當：

∣X∣=21000,|X|=2^{1000},

直接枚舉在實際世界毫無意義。

所以：

brute force advantage\boxed{ \text{brute force advantage} }

只存在於特定問題結構與資源條件下。

46. 認知旁路算子

因此本文提出：

Ibypass.\boxed{ I_{\mathrm{bypass}}. }

定義：

Ibypass:(I,P,B)→I′I_{\mathrm{bypass}} : (\mathcal I,P,\mathcal B) \rightarrow \mathcal I'

其中：

I′⊆I.\mathcal I' \subseteq\mathcal I.

也就是：

主動關閉某些認知干預。

47. 最極端的旁路

當：

I′=∅,\mathcal I'=\varnothing,

智能體退回：

direct computation mode.\boxed{ \text{direct computation mode}. }

例如：

不分析了，全部枚舉。

不靠直覺，直接 SAT solve。

不再反思，交給 formal verifier。

不做語義推斷，直接比較 hash。

這不是「降智」。

而是：

mode selection.\boxed{ \text{mode selection}. }

48. 知道不用智能，也是一項控制能力

這產生一個看似悖論的命題：

一個更完整的智能體， 應該具有暫時不用部分智能機制的能力。\boxed{ \text{一個更完整的智能體， 應該具有暫時不用部分智能機制的能力。} }

因為若系統必須：

I1,I2,…,InI_1,I_2,\ldots,I_n

永遠全部啟動，

它反而缺乏控制自由度。

49. 認知去耦合

理想架構不應是：

Intelligence=I1+I2+⋯+In\boxed{ \text{Intelligence}=I_1+I_2+\cdots+I_n }

全部永久綁定。

而應是：

It⊆Imax⁡.\boxed{ \mathcal I_t \subseteq \mathcal I_{\max}. }

依問題動態選：

It.\mathcal I_t.

這稱為：

Cognitive Decoupling.\boxed{ \text{Cognitive Decoupling}. }

50. 最優干預選擇

可以把問題寫成：

S∗=arg⁡max⁡S⊆IU(P,S,B).S^\ast = \arg\max_{S\subseteq\mathcal I} U(P,S,\mathcal B).

其中：

UU

可以同時考慮：

accuracy,cost,latency,coverage,explainability.\boxed{ \text{accuracy}, \text{cost}, \text{latency}, \text{coverage}, \text{explainability}. }

因此真正高階的問題不是：

我有多少認知能力？

而是：

這題應該啟用哪一些？\boxed{ \text{這題應該啟用哪一些？} }

51. 一個干預相圖

對簡單問題區域：

Psmall,\mathcal P_{\mathrm{small}},

可能：

Cbrute<Ccog.C_{\mathrm{brute}} < C_{\mathrm{cog}}.

對巨大搜索區域：

Plarge,\mathcal P_{\mathrm{large}},

可能：

Ccog≪Cbrute.C_{\mathrm{cog}} \ll C_{\mathrm{brute}}.

因此存在某種切換面：

Γ(P,B)=0.\boxed{ \Gamma(P,\mathcal B)=0. }

其中：

Γ<0\Gamma<0

偏向直接計算，

Γ>0\Gamma>0

偏向高認知干預。

52. 這不是固定門檻

因為它依賴：

compute,memory,parallelism,verification cost,prior quality.\boxed{ \text{compute}, \text{memory}, \text{parallelism}, \text{verification cost}, \text{prior quality}. }

同一道問題，

對人類：

Γ>0.\Gamma>0.

對一台百萬核心機器：

Γ<0.\Gamma<0.

所以：

是否值得智能化\boxed{ \text{是否值得智能化} }

本身是資源相對的。

53. 這開始動搖傳統智能階梯

傳統想像：

brute<heuristic<reasoning<metacognition.\text{brute} < \text{heuristic} < \text{reasoning} < \text{metacognition}.

本文改成：

no universal ordering.\boxed{ \text{no universal ordering}. }

存在：

P1:brute>meta,P_1: \quad \text{brute}>\text{meta},

亦存在：

P2:meta>brute.P_2: \quad \text{meta}>\text{brute}.

這裡的 >> 只表示該問題與目標下的 performance ordering。

54. 不能把「更複雜」當成「更高級」

一套 cognition system 有：

100100

個干預模組。

另一套只有：

5.5.

第一套並不因此必然：

A1>A2.A_1>A_2.

如果 orchestration cost：

CcoordC_{\mathrm{coord}}

很高，

系統甚至可能出現：

complexity-induced cognitive degradation.\boxed{ \text{complexity-induced cognitive degradation}. }

55. 負認知干預矩陣

我們可以把第 3 篇的核心 CIO 改寫成風險矩陣：

認知算子 主要收益 主要負干預
注意 減少輸入 漏掉關鍵資訊
記憶 重用歷史 污染、過時、錯誤 replay
經驗 提高 prior fixation、negative transfer
直覺 快速排序 錯誤 prior concentration
預測 提前剪枝 錯誤 branch starvation
不確定性 避免過度自信 過度猶豫
表示 降維 representation inflation
抽象 合併狀態 遺失例外
類比 跨域遷移 false analogy
目標重構 找真正問題 goal drift
反事實 預演未來 imagination explosion
社會協作 分工 error propagation
工具使用 專用能力 routing overhead
自我模型 資源調節 miscalibrated self-model
元認知 修正策略 overthinking

因此：

∀Ik,U(Ik) is conditional.\boxed{ \forall I_k,\quad U(I_k) \text{ is conditional}. }

56. 一個新的完整成本函數

前篇只寫：

Cintervened.C_{\mathrm{intervened}}.

本文把它展開：

Ctotal=Ctask+Cselection+Cmemory+Cprediction+Crepresentation+Cmeta+Ccoordination+Crecovery.\boxed{ C_{\mathrm{total}} = C_{\mathrm{task}} + C_{\mathrm{selection}} + C_{\mathrm{memory}} + C_{\mathrm{prediction}} + C_{\mathrm{representation}} + C_{\mathrm{meta}} + C_{\mathrm{coordination}} + C_{\mathrm{recovery}}. }

其中：

CrecoveryC_{\mathrm{recovery}}

尤其重要。

因為錯誤認知干預後，系統還要付出：

發現自己走錯並回頭。

57. 錯誤剪枝的期望成本

設 heuristic 以：

ϵ\epsilon

概率錯誤刪掉真正 branch。

成功時節省：

G.G.

失敗時損失：

L.L.

則粗略期望收益：

E[ΔU]=(1−ϵ)G−ϵL−CI.\boxed{ E[\Delta U] = (1-\epsilon)G-\epsilon L-C_I. }

當：

ϵL>(1−ϵ)G−CI,\epsilon L > (1-\epsilon)G-C_I,

智能干預期望值為負。

58. 關鍵不是錯誤率，而是錯誤代價

即使：

ϵ=10−6,\epsilon=10^{-6},

若：

L=1012,L=10^{12},

錯誤先驗仍可能不可接受。

所以高風險領域中：

low error probability\boxed{ \text{low error probability} }

未必足夠。

還需考慮：

error consequence.\boxed{ \text{error consequence}. }

59. 完備搜索因此仍具有基礎地位

對某些任務：

  • 密碼窮舉；
  • 有限模型檢查；
  • 有限組合驗證；
  • exhaustive testing；
  • 小型數學反例搜尋；

最好的策略可能就是：

do not guess.\boxed{ \text{do not guess}. }

只要搜索空間可以承受：

compute everything relevant.\boxed{ \text{compute everything relevant}. }

60. 本文的八個工作命題

命題一：非單調智能命題

不存在一般定理：

I1⊂I2⇒Ps(I2)≥Ps(I1).\mathcal I_1\subset\mathcal I_2 \Rightarrow P_s(\mathcal I_2)\ge P_s(\mathcal I_1).

即增加認知干預能力不保證性能單調提高。

命題二：覆蓋—效率交換命題

對選擇性搜索而言，常存在：

ΔC<0但ΔK<0.\boxed{ \Delta C<0 \quad\text{但}\quad \Delta K<0. }

因此效率提升與 coverage loss 必須分開評估。

命題三：歷史依賴風險命題

當：

πt=F(Ht),\pi_t = F(H_t),

歷史資訊會同時形成：

useful prior\text{useful prior}

與：

path-dependent bias.\text{path-dependent bias}.

命題四：認知放大錯誤命題

多個 CIO 耦合可能：

e1→e2→⋯→en,e_1 \rightarrow e_2 \rightarrow\cdots \rightarrow e_n,

使小型局部錯誤變成系統性錯誤。

命題五：過度認知命題

存在：

t∗t^\ast

使增加 reasoning／metacognitive computation 在：

t>t∗t>t^\ast

後不再提高，甚至降低效用。

近期 LLM overthinking 研究已提供實證支持。

命題六：暴力搜索條件優越命題

存在問題類：

PB\mathcal P_B

使在給定資源：

B\mathcal B

下：

U(brute∣P)>U(cognitive search∣P).U(\text{brute}\mid P) > U(\text{cognitive search}\mid P).

此命題不主張暴力搜索全域優越。

命題七：認知旁路命題

一個具有多種 CIO 的智能體，可以透過：

IbypassI_{\mathrm{bypass}}

選擇暫停某些干預，使計算退回更直接、更可驗證的模式。

命題八：認知去耦合命題

更強的通用求解系統應允許：

It\mathcal I_t

動態變化，而不是把所有認知模組永久綁定。

61. 從「智能程度」轉向「干預配置」

因此我們不再只問：

How intelligent is A?\text{How intelligent is }A?

而問：

What intervention configuration does A use on problem P?\boxed{ \text{What intervention configuration does }A \text{ use on problem }P? }

即：

IA(P).\mathcal I_A(P).

兩個同樣強的系統：

A,BA,B

可能因：

IA(P)≠IB(P)\mathcal I_A(P)\neq\mathcal I_B(P)

而有完全不同結果。

62. 從本篇通往下一篇

到目前為止：

第 2 篇建立：

N\mathcal N

——非適應性計算基線。

第 3 篇加入：

I.\mathcal I.

本篇則發現：

N+I≱N\boxed{ \mathcal N+\mathcal I \not\ge \mathcal N }

在所有問題上都成立。

但這時又出現更底層的問題：

為什麼我們把：

  • 記憶；
  • 計算；
  • 尋址；

和：

  • 直覺；
  • 元認知；
  • 類比；

放在同一張能力表？

它們真的屬於同一類嗎？

答案很可能是否定的。

記憶容量與原始計算吞吐量，在很多情況下不像普通 cognition operator，而更像機器計算與智能計算共同依賴的基底能力。

這將導向下一篇。

63. 結論

本文否定了一個很容易被默認的智能階梯：

暴力計算<啟發式<推理<元認知.\boxed{ \text{暴力計算} < \text{啟發式} < \text{推理} < \text{元認知}. }

更精確的是：

不同計算控制模式在不同問題上具有不同優勢。\boxed{ \text{不同計算控制模式在不同問題上具有不同優勢。} }

認知干預可以：

1012→10310^{12} \rightarrow10^3

大幅縮小搜索。

但它也可能：

X→X′X\rightarrow X'

並使：

x∗∉X′.x^\ast\notin X'.

記憶可以避免重新學習；

也可以讓舊錯誤持續污染未來。

經驗可以建立專業能力；

也可以形成 Einstellung effect。

抽象化可以一次處理一百萬個 case；

也可以把唯一例外一起抽掉。

元認知可以阻止錯誤；

也可以演化成：

reflection→reflection on reflection→⋯\text{reflection} \rightarrow \text{reflection on reflection} \rightarrow \cdots

直到成本超過原問題。

因此：

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

真正值得追求的並不是：

最大化認知干預\boxed{ \text{最大化認知干預} }

而是：

最適化認知干預配置.\boxed{ \text{最適化認知干預配置}. }

在某些問題上，最好的配置可能非常複雜。

而在另一些問題上，最佳高階智能決策可能只有一句：

不要猜。全部算。\boxed{ \text{不要猜。全部算。} }

這不是智能的反面。

它反而揭露了智能控制的一個更一般原則：

真正強的求解系統， 不只知道如何思考， 也應知道何時不需要思考。\boxed{ \text{真正強的求解系統， 不只知道如何思考， 也應知道何時不需要思考。} }

參考文獻與相關研究

  1. Zhou et al., When More Thinking Hurts: Overthinking in LLM Test-Time Compute Scaling, ACL Findings 2026。研究指出增加 reasoning budget 的邊際收益會下降，並觀察到延長 reasoning 後放棄原先正確答案的現象。

  2. Zhang et al., Do LLMs Really Need 10+ Thoughts for “Find the Time 1000 Days Later”? Towards Structural Understanding of LLM Overthinking, ACL 2026。指出 over-verification 與 over-exploration 是 overthinking 的主要結構來源，簡單問題上 long-thinking systems 可產生顯著額外延遲而無相應正確率收益。

  3. Chen et al., Do NOT Think That Much for 2+3=? On the Overthinking of Long Reasoning Models, ICML 2025。系統研究 long reasoning models 在簡單問題上產生冗餘 reasoning 的現象。

  4. Xiong et al., How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior, 2025。指出 Agent 記憶中的 experience-following、error propagation 與 misaligned experience replay，並發現選擇性新增／刪除記憶優於單純累積記憶。

  5. Zhang et al., A Survey on Negative Transfer, IEEE/CAA Journal of Automatica Sinica。整理來源知識導致目標任務性能下降的 negative-transfer 現象及其緩解方法。

  6. Luchins 所開啟的 Einstellung-effect 問題求解研究，以及後續對 fixation 的系統性研究，均指出先前成功模式可以限制後續搜索，甚至使求解者忽略更有效方案。

  7. Mayer, Functional Fixedness / Problem Solving, Encyclopedia of Human Behavior。討論既有功能或熟練程序如何造成問題求解中的認知僵化。

版本：v1.0

系列定位：反單調性／負干預理論。

上一篇：《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》

下一篇：《通用計算基底：智能與機械計算共同依賴的不對稱能力》