通用計算基底：智能與機械計算共同依賴的不對稱能力
Universal Computational Substrate: Asymmetric Capabilities Shared by Mechanical and Intelligent Computation
系列：計算基底、認知干預與廣義智能計算研究，第 5 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
前四篇依序建立了數學問題難度譜系、非適應性計算基線、認知干預算子與負認知干預理論。然而，一個重要分類問題尚未解決：記憶、計算、尋址、頻寬與並行能力，是否應與直覺、類比、目標重構、注意和元認知被放在同一張「智能能力表」中？
本文主張答案是否定的。
計算吞吐量、可保持狀態量、資料尋址、記憶頻寬、持久性、並行度、輸入輸出能力與驗證能力，具有一種比普通認知干預算子更底層的地位。它們既可以服務於完全非智能的枚舉器，也可以服務於人類式、Agent 式或未來高度自主的智能計算。
本文將此共同層定義為：
Universal Computational Substrate, UCS \boxed{
\text{Universal Computational Substrate, UCS}
} Universal Computational Substrate, UCS 即通用計算基底 。
其初步能力向量為：
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 ) 其中分別表示：
S \mathcal S S C \mathcal C C A \mathcal A A B \mathcal B B P \mathcal P P D \mathcal D D I O \mathcal{IO} I O V \mathcal V V
本文進一步指出，這些能力並非彼此完全可交換，也不是簡單的單一「算力」標量。極高的運算吞吐量在資料供應不足時可能大量閒置；巨大記憶若缺乏有效尋址則無法快速利用；高度並行若受到通訊與同步瓶頸限制，亦不能轉換為等比例加速。
2026 年大型模型推理研究已明確顯示，前沿推理工作負載的主要瓶頸可以從算術運算轉移至記憶容量、記憶頻寬、KV cache 與互連；大型 dense model 可能受 interconnect 與 memory bandwidth 約束，而 MoE 系統又可能受到 routing 與 synchronization latency 限制。這說明「計算能力」不能被單純等同於算術單元峰值吞吐量。
本文最後提出一個關鍵區分：
Realization Capacity ≠ Cognitive Intervention Capacity . \boxed{
\text{Realization Capacity}
\neq
\text{Cognitive Intervention Capacity}.
} Realization Capacity = Cognitive Intervention Capacity . 前者回答：
系統實際能生成、保存、傳輸、尋址與驗證多少狀態？
後者回答：
系統如何決定哪些狀態值得生成，以及如何重新組織這些計算？
這使智能與機械計算不再是兩種彼此斷裂的本體，而可被理解為共享同一基底、但具有不同控制結構的計算系統。
關鍵詞
通用計算基底、記憶、算力、尋址、頻寬、並行性、AI 推理、Memory Wall、計算架構、智能計算
1. 前四篇留下的一個分類錯誤
在一般能力列表中，我們可能同時列出：
記憶；
直覺；
計算；
注意；
元認知；
預測；
尋址；
類比。
這看似合理。
但它偷偷假設：
Memory , Computation , Intuition , Metacognition \text{Memory},
\text{Computation},
\text{Intuition},
\text{Metacognition} Memory , Computation , Intuition , Metacognition 是同種類型的能力。
本文認為這種分類過度扁平。
一個最簡單的理由是：
沒有任何智能的機器，也可以擁有巨大的記憶與極高的計算吞吐量。
例如：
A b r u t e A_{\mathrm{brute}} A brute 完全不會類比、不會質疑問題、不會形成元認知，
但可以擁有：
10 15 10^{15} 1 0 15 個候選並行檢查能力。
因此：
compute capacity ⊈ cognitive intervention . \boxed{
\text{compute capacity}
\not\subseteq
\text{cognitive intervention}.
} compute capacity ⊆ cognitive intervention . 2. 反方向同樣成立
一個智能體可能具有非常好的：
卻受到：
S ≪ 1 , \mathcal S\ll1, S ≪ 1 , C ≪ 1 \mathcal C\ll1 C ≪ 1 等資源限制。
人類就是重要例子。
人腦具有高度複雜的認知控制，但不能直接：
enumerate 2 100 \text{enumerate }2^{100} enumerate 2 100 個離散狀態。
因此：
cognitive sophistication ⇏ arbitrarily large realization capacity . \boxed{
\text{cognitive sophistication}
\not\Rightarrow
\text{arbitrarily large realization capacity}.
} cognitive sophistication ⇒ arbitrarily large realization capacity . 3. 第一個基本區分：實現與選擇
本文因此建立兩個概念：
B = Realization Substrate \boxed{
\mathfrak B
=
\text{Realization Substrate}
} B = Realization Substrate 與：
I = Cognitive Intervention System . \boxed{
\mathfrak I
=
\text{Cognitive Intervention System}.
} I = Cognitive Intervention System . B \mathfrak B B
可以實際計算什麼？
I \mathfrak I I
在那些可計算狀態之中，應該優先實現什麼？
簡化表示：
A = B ⊗ I . \boxed{
\mathfrak A
=
\mathfrak B
\otimes
\mathfrak I.
} A = B ⊗ I . 這裡的 ⊗ \otimes ⊗
4. 為什麼叫「通用計算基底」？
因為同一個：
B \mathfrak B B 可以承載非常不同的上層系統。
例如：
B + π b r u t e \mathfrak B+\pi_{\mathrm{brute}} B + π brute 可以形成暴力搜索器。
B + π S A T \mathfrak B+\pi_{\mathrm{SAT}} B + π SAT 可以形成 SAT solver。
B + I L L M \mathfrak B+\mathfrak I_{\mathrm{LLM}} B + I LLM 可以形成語言模型 Agent。
B + I f u t u r e \mathfrak B+\mathfrak I_{\mathrm{future}} B + I future 則可能形成未來高度自主智能體。
因此：
substrate \boxed{
\text{substrate}
} substrate 比「智能計算」和「機械計算」的分界更底層。
5. 第一基底能力：狀態保持能力 S \mathcal S S
定義：
S = 可在指定條件下同時保持的可區分狀態量 . \boxed{
\mathcal S
=
\text{可在指定條件下同時保持的可區分狀態量}.
} S = 可在指定條件下同時保持的可區分狀態量 . 最直觀即 memory capacity。
但不能簡單只寫：
GB . \text{GB}. GB . 因為不同記憶可以具有：
易失；
非易失；
低延遲；
高延遲；
快速寫入；
慢速寫入；
局部；
遠端。
因此應寫：
S = ( S c a p a c i t y , S l a t e n c y , S r e t e n t i o n , S c o s t , … ) . \mathcal S
=
(
S_{\mathrm{capacity}},
S_{\mathrm{latency}},
S_{\mathrm{retention}},
S_{\mathrm{cost}},
\ldots
). S = ( S capacity , S latency , S retention , S cost , … ) . 6. 記憶容量不是有效記憶
如果系統擁有：
10 30 10^{30} 1 0 30 bit，
卻不知道其中哪裡包含答案，
那麼：
S c a p a c i t y ≫ 1 S_{\mathrm{capacity}}\gg1 S capacity ≫ 1 並不能直接推出：
S e f f e c t i v e ≫ 1. S_{\mathrm{effective}}\gg1. S effective ≫ 1. 因此：
storage capacity ≠ usable memory capacity . \boxed{
\text{storage capacity}
\neq
\text{usable memory capacity}.
} storage capacity = usable memory capacity . 這立即導向第三項能力：
A . \mathcal A. A . 7. 第二基底能力：計算能力 C \mathcal C C
最基本表示：
s t → C s t + 1 . s_t
\xrightarrow{\mathcal C}
s_{t+1}. s t C s t + 1 . 但「算力」也不是一個真正單一的量。
至少包含：
C = ( C t h r o u g h p u t , C l a t e n c y , C p r e c i s i o n , C s p e c i a l i z a t i o n , C e n e r g y ) . \mathcal C=
(
C_{\mathrm{throughput}},
C_{\mathrm{latency}},
C_{\mathrm{precision}},
C_{\mathrm{specialization}},
C_{\mathrm{energy}}
). C = ( C throughput , C latency , C precision , C specialization , C energy ) . 例如：
一台裝置可以有極高矩陣乘法吞吐，
卻不代表：
C b r a n c h − h e a v y C_{\mathrm{branch-heavy}} C branch − heavy 同樣高。
因此：
peak FLOPS ≠ general effective compute . \boxed{
\text{peak FLOPS}
\neq
\text{general effective compute}.
} peak FLOPS = general effective compute . 8. 現代 AI 已經實際展示「算力很多，但餵不飽」
這並非純理論問題。
2026 年對 LLM inference hardware 的系統研究指出，decode 階段的主要挑戰 increasingly 來自 memory 與 interconnect，而不是單純 arithmetic throughput；研究因此直接把 High Bandwidth Flash、processing-near-memory、3D memory-logic stacking 與低延遲 interconnect 列為主要架構方向。
同年對 reasoning-centric inference 的大規模測試亦顯示，大型 dense model 可能受：
memory bandwidth + interconnect \text{memory bandwidth}
+
\text{interconnect} memory bandwidth + interconnect 限制，而 MoE 模型又受到：
routing + synchronization latency \text{routing}
+
\text{synchronization latency} routing + synchronization latency 限制。
因此實際系統更接近：
C e f f e c t i v e = F ( C r a w , S , B , A , P ) . \boxed{
C_{\mathrm{effective}}
=
F(
C_{\mathrm{raw}},
S,
B,
A,
P
).
} C effective = F ( C raw , S , B , A , P ) . 而不是只由：
C r a w C_{\mathrm{raw}} C raw 決定。
9. 第三基底能力：尋址與存取 A \mathcal A A
定義：
A ( q , M ) = 從記憶狀態 M 中定位與取得與 q 對應狀態的能力 . \boxed{
\mathcal A(q,M)
=
\text{從記憶狀態 }M\text{ 中定位與取得與 }q\text{ 對應狀態的能力}.
} A ( q , M ) = 從記憶狀態 M 中定位與取得與 q 對應狀態的能力 . 如果：
∣ M ∣ = N , |M|=N, ∣ M ∣ = N , 而只能線性掃描：
T A ( N ) = O ( N ) , T_A(N)=O(N), T A ( N ) = O ( N ) , 巨大記憶會迅速失去價值。
若存在索引：
T A ( N ) = O ( log N ) , T_A(N)=O(\log N), T A ( N ) = O ( log N ) , 則完全不同。
若某些受限模型中可以：
T A ( N ) ≈ O ( 1 ) , T_A(N)\approx O(1), T A ( N ) ≈ O ( 1 ) , 又會發生另一種質變。
10. 所以「記憶」至少是三件事
至少必須分：
Capacity \boxed{
\text{Capacity}
} Capacity Addressability \boxed{
\text{Addressability}
} Addressability Transfer . \boxed{
\text{Transfer}.
} Transfer . 即：
M e f f e c t i v e = F ( S , A , B ) . M_{\mathrm{effective}}
=
F(
\mathcal S,
\mathcal A,
\mathcal B
). M effective = F ( S , A , B ) . 這是我們先前把 memory 當成單一 CIO 時最需要修正的部分。
11. 第四基底能力：資訊傳輸與頻寬 B \mathcal B B
假設：
C → ∞ , \mathcal C\rightarrow\infty, C → ∞ , S → ∞ . \mathcal S\rightarrow\infty. S → ∞. 但：
B = 1 bit/s . \mathcal B=1\text{ bit/s}. B = 1 bit/s . 那麼系統仍然不能有效使用巨大狀態空間。
因此：
data movement \boxed{
\text{data movement}
} data movement 本身就是計算能力的組成部分。
12. Memory Wall 是很好的現實例子
當 processor throughput 的增長快於資料能被供應的速度時：
C r a w ↑ C_{\mathrm{raw}}\uparrow C raw ↑ 但：
C e f f e c t i v e C_{\mathrm{effective}} C effective 逐漸由：
B \mathcal B B 決定。
PAM 於 2026 年針對 KV-centric LLM serving 指出，長 context 與 KV operations 同時需要巨大 memory capacity 與 bandwidth，單一層 memory architecture 難以同時滿足兩者，因此提出跨異質記憶階層協調運算的架構。
這正好支持本文的重要分類：
capacity ≠ bandwidth . \boxed{
\text{capacity}
\neq
\text{bandwidth}.
} capacity = bandwidth . 13. 第五基底能力：並行性 P \mathcal P P
若候選：
x 1 , … , x N x_1,\ldots,x_N x 1 , … , x N 彼此獨立，
理想上：
P = N P=N P = N 個 processor 可以全部同時計算。
於是序列：
O ( N ) O(N) O ( N ) 的工作，
在理想 PRAM 式抽象中甚至可能壓縮至近常數 parallel depth。
因此：
work complexity ≠ parallel depth . \boxed{
\text{work complexity}
\neq
\text{parallel depth}.
} work complexity = parallel depth . 這對我們前面的「暴力搜尋是否低級」尤其重要。
14. 暴力搜尋可以被硬體直接抬升
如果智能 heuristic 把：
10 9 10^9 1 0 9 候選降成：
10 6 , 10^6, 1 0 6 , 看似巨大優勢。
但若有：
10 9 10^9 1 0 9 個廉價平行單元，
原始枚舉可能直接：
one parallel wave . \text{one parallel wave}. one parallel wave . 於是 heuristic 的價值急劇下降。
所以：
value of cognition \boxed{
\text{value of cognition}
} value of cognition 依賴：
P . \mathcal P. P . 15. 但並行不是免費的
實際多裝置系統需要：
傳輸；
同步；
聚合；
barrier；
routing。
所以：
T p a r a l l e l = T w o r k + T c o m m u n i c a t i o n + T s y n c h r o n i z a t i o n . T_{\mathrm{parallel}}
=
T_{\mathrm{work}}
+
T_{\mathrm{communication}}
+
T_{\mathrm{synchronization}}. T parallel = T work + T communication + T synchronization . ICML 2025 的 Ladder Residual 工作便指出，大模型多 GPU inference 中，model parallelism 雖降低單裝置記憶與運算負擔，但 GPU 間 communication 會限制擴展收益。
因此：
P ↑ ⇏ speed ↑ \boxed{
P\uparrow
\not\Rightarrow
\text{speed}\uparrow
} P ↑ ⇒ speed ↑ 呈線性關係。
16. 第六基底能力：持久化 D \mathcal D D
假設一次計算得到：
y = f ( x ) . y=f(x). y = f ( x ) . 如果結果不能保留：
下一次又要：
x → f ( x ) . x\rightarrow f(x). x → f ( x ) . 若能持久化：
M [ x ] = y , M[x]=y, M [ x ] = y , 則第二次可以：
x → M [ x ] . x\rightarrow M[x]. x → M [ x ] . 因此：
persistence converts past compute into future state . \boxed{
\text{persistence converts past compute into future state}.
} persistence converts past compute into future state . 這是一個極其重要的能力。
17. 計算可以沉澱成資產
如果：
C t C_t C t 是時間 t t t
持久化可以產生：
M t + 1 . M_{t+1}. M t + 1 . 然後：
M t + 1 M_{t+1} M t + 1 又降低：
C t + 1 . C_{t+1}. C t + 1 . 所以存在循環：
compute → persistent memory → reduced future compute . \boxed{
\text{compute}
\rightarrow
\text{persistent memory}
\rightarrow
\text{reduced future compute}.
} compute → persistent memory → reduced future compute . 這是下一篇「計算—記憶交換律」的核心入口。
18. 第七基底能力：輸入輸出 I O \mathcal{IO} I O
假設機器內部已「知道」一個：
10 12 10^{12} 1 0 12 bit 的結果。
這並不代表：
10 12 10^{12} 1 0 12 bit 可以在：
O ( 1 ) O(1) O ( 1 ) 時間完整輸出。
在一般序列輸出模型中，至少需要：
Ω ( ∣ y ∣ ) \Omega(|y|) Ω ( ∣ y ∣ ) 量級的輸出工作。
因此：
internal availability ≠ external realization . \boxed{
\text{internal availability}
\neq
\text{external realization}.
} internal availability = external realization . 這是任何「所有答案都能常數時間產生」敘述必須守住的邊界。
19. 地址與內容也不能混淆
如果機器返回：
a y a_y a y ——答案所在地址，
這可能是：
O ( 1 ) O(1) O ( 1 ) 輸出。
但：
a y a_y a y 不是：
y . y. y . 所以：
resolve ≠ materialize . \boxed{
\text{resolve}
\neq
\text{materialize}.
} resolve = materialize . 這個區分將直接進入系列第 7 篇 RelayPhase Resolution。
20. 第八基底能力：驗證 V \mathcal V V
若系統生成：
x , x, x , 必須判斷：
V ( x ) ∈ { 0 , 1 } . V(x)\in\{0,1\}. V ( x ) ∈ { 0 , 1 } . 很多暴力搜尋之所以有價值，是因為：
C V ( x ) C_V(x) C V ( x ) 很低。
例如：
找一個滿足 predicate 的候選。
生成很難，
驗證很便宜。
21. 驗證成本可以決定整個搜索策略
若：
C V ≪ C G , C_V\ll C_G, C V ≪ C G , 可以：
generate many + verify cheaply . \boxed{
\text{generate many}
+
\text{verify cheaply}.
} generate many + verify cheaply . 但如果：
C V ≈ C G , C_V\approx C_G, C V ≈ C G , 大量候選生成可能毫無意義。
因此：
search viability = F ( C g e n e r a t e , C v e r i f y ) . \boxed{
\text{search viability}
=
F(
C_{\mathrm{generate}},
C_{\mathrm{verify}}
).
} search viability = F ( C generate , C verify ) . 這與計算複雜度中的 certificate 思維直接相關。
22. 驗證亦存在層級
上一系列已區分：
V 1 = syntax , V_1=\text{syntax}, V 1 = syntax , V 2 = formal derivation , V_2=\text{formal derivation}, V 2 = formal derivation , V 3 = semantic/specification fidelity . V_3=\text{semantic/specification fidelity}. V 3 = semantic/specification fidelity . 因此 V \mathcal V V
1 bit answer . 1\text{ bit answer}. 1 bit answer . 不同 verifier 可能具有：
C V 1 ≪ C V 2 ≪ C V 3 . C_{V_1}\ll C_{V_2}\ll C_{V_3}. C V 1 ≪ C V 2 ≪ C V 3 . 而且：
V 2 = 1 V_2=1 V 2 = 1 不必然：
V 3 = 1. V_3=1. V 3 = 1. 23. UCS 的八維初步模型
因此本文定義：
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 ) . 它不是一個 scalar。
不存在一般意義：
B = 100. \mathfrak B=100. B = 100. 真正的系統是 profile。
24. 兩台「同算力」機器可能完全不同
系統 A A A
B A = ( 1000 , 100 , 100 , 1000 , 10 , 1000 , 100 , 100 ) . \mathfrak B_A
=
(
1000,
100,
100,
1000,
10,
1000,
100,
100
). B A = ( 1000 , 100 , 100 , 1000 , 10 , 1000 , 100 , 100 ) . 系統 B B B
B B = ( 10 , 100 , 1 , 10 , 1000 , 10 , 100 , 100 ) . \mathfrak B_B
=
(
10,
100,
1,
10,
1000,
10,
100,
100
). B B = ( 10 , 100 , 1 , 10 , 1000 , 10 , 100 , 100 ) . 假設兩者：
C A = C B . \mathcal C_A=\mathcal C_B. C A = C B . 仍不能說：
A = B . A=B. A = B . 對 memory-heavy workload：
A ≫ B . A\gg B. A ≫ B . 對 embarrassingly parallel small-state workload：
B B B 可能更好。
25. 因此基底能力形成偏序，而不是全序
設兩系統：
A , B . A,B. A , B . 若所有維度：
B i ( A ) ≥ B i ( B ) , B_i(A)\ge B_i(B), B i ( A ) ≥ B i ( B ) , 且至少一項嚴格大於，才可能寫：
B A ⪰ B B \mathfrak B_A\succeq\mathfrak B_B B A ⪰ B B 作為 component-wise dominance。
但一般：
S A > S B , \mathcal S_A>\mathcal S_B, S A > S B , 同時：
P A < P B . \mathcal P_A<\mathcal P_B. P A < P B . 所以兩者不可直接排序。
即：
B A ≁ B B . \boxed{
\mathfrak B_A\nsim\mathfrak B_B.
} B A ≁ B B . 26. 「算力」這個詞因此過度壓縮
日常語言中的：
算力更強。
往往混合：
accelerator throughput；
memory capacity；
bandwidth；
parallel devices；
interconnect；
latency；
storage。
本文建議：
若進行理論比較，應盡量避免把它們全部壓成：
C . C. C . 至少區分：
Compute , Memory , Access , Transport , Parallelism . \boxed{
\text{Compute},
\text{Memory},
\text{Access},
\text{Transport},
\text{Parallelism}.
} Compute , Memory , Access , Transport , Parallelism . 27. 2026 AI infrastructure 正在現實地重現這個問題
近期產業與研究方向正大量圍繞：
memory capacity + memory bandwidth + data movement \boxed{
\text{memory capacity}
+
\text{memory bandwidth}
+
\text{data movement}
} memory capacity + memory bandwidth + data movement 展開。
例如 2026 年新一代記憶技術持續朝更高容量、堆疊以及將記憶靠近 AI accelerator 的方向發展。
而近期分析亦將長 context 與 MoE 下的 AI inference 描述為由單純 compute bottleneck 朝 memory-capacity bottleneck 移動。
這些現象並不證明本文全部理論，
但提供一個重要現實提示：
raw arithmetic is only one component of effective computation . \boxed{
\text{raw arithmetic is only one component of effective computation}.
} raw arithmetic is only one component of effective computation . 28. 記憶處理本身還會消耗計算
一個容易忽略的地方是：
有記憶並不是免費得到相關記憶。
現代 AI memory pipeline 可以包含：
Prepare → Relevance Compute → Retrieve → Apply . \boxed{
\text{Prepare}
\rightarrow
\text{Relevance Compute}
\rightarrow
\text{Retrieve}
\rightarrow
\text{Apply}.
} Prepare → Relevance Compute → Retrieve → Apply . 2026 年對 disaggregated LLM inference 的研究發現，這類 memory processing 在測試工作負載中可佔相當顯著的 inference overhead。
因此：
memory use = storage + addressing + selection + movement + application . \boxed{
\text{memory use}
=
\text{storage}
+
\text{addressing}
+
\text{selection}
+
\text{movement}
+
\text{application}.
} memory use = storage + addressing + selection + movement + application . 29. 這進一步證明「記憶」不是單一認知能力
前篇把：
I m e m I_{\mathrm{mem}} I mem 視為認知干預。
現在要正式拆開：
Memory = M s u b s t r a t e + I m e m o r y − c o n t r o l . \boxed{
\text{Memory}
=
M_{\mathrm{substrate}}
+
I_{\mathrm{memory-control}}.
} Memory = M substrate + I memory − control . 其中：
M s u b s t r a t e = ( S , A , B , D ) . M_{\mathrm{substrate}}
=
(
\mathcal S,
\mathcal A,
\mathcal B,
\mathcal D
). M substrate = ( S , A , B , D ) . 而：
I m e m o r y − c o n t r o l I_{\mathrm{memory-control}} I memory − control 負責：
要記什麼；
何時取；
取哪個；
如何重建；
是否遺忘。
30. 記憶重建屬於上層
原始 bit：
m m m 能被保存，
屬於：
B . \mathfrak B. B . 根據：
q , G , C q,G,C q , G , C 生成：
m ~ = I r e c o n ( m , q , G , C ) , \tilde m
=
I_{\mathrm{recon}}(m,q,G,C), m ~ = I recon ( m , q , G , C ) , 則主要屬於：
I . \mathfrak I. I . 所以：
retention ≠ reconstruction . \boxed{
\text{retention}
\neq
\text{reconstruction}.
} retention = reconstruction . 這是整個系列的一個重要校正。
31. 注意也依賴基底
注意算子：
I a t t I_{\mathrm{att}} I att 決定哪些資訊進一步處理。
但如果：
B \mathcal B B 太低，
相關資訊根本到不了 attention mechanism。
如果：
S \mathcal S S 太小，
尚未被注意的狀態可能已消失。
因此：
I a t t = F ( S , B , C , … ) . \boxed{
I_{\mathrm{att}}
=
F(
\mathcal S,
\mathcal B,
\mathcal C,
\ldots
).
} I att = F ( S , B , C , … ) . 認知算子並不是漂浮於硬體之外。
32. 元認知也需要計算預算
前篇：
I m e t a I_{\mathrm{meta}} I meta 可以檢查自己的推理。
但：
I m e t a I_{\mathrm{meta}} I meta 本身需要：
C , S , B . \mathcal C,
\mathcal S,
\mathcal B. C , S , B . 所以一個：
perfect metacognitive policy \text{perfect metacognitive policy} perfect metacognitive policy 若只有極少計算資源，
仍可能沒有實際價值。
即：
control quality × realization capacity . \boxed{
\text{control quality}
\times
\text{realization capacity}.
} control quality × realization capacity . 33. 基底能力可以「壓扁」部分認知差異
這開始接近本文最重要的後半部。
假設：
∣ X ∣ = 10 9 . |X|=10^9. ∣ X ∣ = 1 0 9 . 智能體 A A A
10 9 → 10 4 . 10^9\rightarrow10^4. 1 0 9 → 1 0 4 . 智能體 B B B
但：
P B = 10 9 . \mathcal P_B=10^9. P B = 1 0 9 . 若所有候選可以一次驗完，
那：
T B < T A T_B<T_A T B < T A 完全可能成立。
因此：
substrate amplification can substitute for some cognitive compression . \boxed{
\text{substrate amplification can substitute for some cognitive compression}.
} substrate amplification can substitute for some cognitive compression . 34. 但這不是所有 cognition 都能被換掉
如果問題不是：
在 X 中找答案 , \text{在 }X\text{ 中找答案}, 在 X 中找答案 , 而是：
應該定義哪個 X X X
那麼增加：
P \mathcal P P 未必直接有用。
所以至少存在：
substrate-substitutable cognition \boxed{
\text{substrate-substitutable cognition}
} substrate-substitutable cognition 與：
substrate-resistant cognition \boxed{
\text{substrate-resistant cognition}
} substrate-resistant cognition 的區別。
本文暫不主張此劃分具有絕對邊界。
它是下一篇要研究的核心問題之一。
35. 第一種容易被基底替代的能力：搜索剪枝
如果認知能力作用只是：
N → k N\rightarrow k N → k 降低候選數，
那足夠大的：
C \mathcal C C 或：
P \mathcal P P 可能直接補回差距。
因此：
pruning value decreases as realizable search capacity increases \boxed{
\text{pruning value decreases as realizable search capacity increases}
} pruning value decreases as realizable search capacity increases 至少在有限可枚舉問題中可能成立。
36. 第二種：已知答案的推理
假設問題：
q q q 曾經被完整解過，
並保存：
M [ q ] = y . M[q]=y. M [ q ] = y . 則：
q → reason y q
\xrightarrow{\text{reason}}
y q reason y 可以變成：
q → retrieve y . q
\xrightarrow{\text{retrieve}}
y. q retrieve y . 所以：
past reasoning can become future memory access . \boxed{
\text{past reasoning can become future memory access}.
} past reasoning can become future memory access . 這是計算與記憶交換的最簡單案例。
37. 第三種：模式經驗
如果系統已保存：
10 15 10^{15} 1 0 15 個：
( q i , a i , y i ) (q_i,a_i,y_i) ( q i , a i , y i ) 且具有強大結構檢索，
某些原本像「直覺」的動作：
這題可能先用 invariant。
可以部分轉成：
q → RetrieveSimilar ( q ) → a . q
\rightarrow
\operatorname{RetrieveSimilar}(q)
\rightarrow
a. q → RetrieveSimilar ( q ) → a . 所以：
some intuition-like behavior \boxed{
\text{some intuition-like behavior}
} some intuition-like behavior 可能由巨大記憶與高速檢索近似。
38. 但必須避免「直覺 = 查表」
本文不主張：
intuition = retrieval . \text{intuition}
=
\text{retrieval}. intuition = retrieval . 原因是人類與 AI 的直覺還可能包含：
generalization；
latent transformation；
prediction；
abstraction。
本文只指出：
若任務分布具有足夠重複性， 記憶與尋址可以降低部分直覺機制的邊際價值。 \boxed{
\text{若任務分布具有足夠重複性，
記憶與尋址可以降低部分直覺機制的邊際價值。}
} 若任務分布具有足夠重複性， 記憶與尋址可以降低部分直覺機制的邊際價值。 39. 第四種：重新計算 vs 保存
若：
C f C_f C f 很低，
每次重新算：
f ( x ) f(x) f ( x ) 可能比存起來更划算。
若：
C f C_f C f 非常高，
則：
memoization \text{memoization} memoization 價值很大。
因此：
memory value = F ( recompute cost , reuse probability , storage cost , access cost ) . \boxed{
\text{memory value}
=
F(
\text{recompute cost},
\text{reuse probability},
\text{storage cost},
\text{access cost}
).
} memory value = F ( recompute cost , reuse probability , storage cost , access cost ) . 記憶不是無條件越多越好。
40. 一個基本 time–space 交換
設輸入域：
X = { x 1 , … , x N } . X=\{x_1,\ldots,x_N\}. X = { x 1 , … , x N } . 可以提前計算：
M [ x i ] = f ( x i ) . M[x_i]=f(x_i). M [ x i ] = f ( x i ) . offline cost：
C p r e . C_{\mathrm{pre}}. C pre . storage：
S M . S_M. S M . 之後 online query：
C q . C_q. C q . 則：
C t o t a l = C p r e + C s t o r a g e + Q C q . \boxed{
C_{\mathrm{total}}
=
C_{\mathrm{pre}}
+
C_{\mathrm{storage}}
+
Q\,C_q.
} C total = C pre + C storage + Q C q . 這將在第 6 篇正式展開。
41. 「類 O ( 1 ) O(1) O ( 1 )
如果：
M [ x ] = f ( x ) M[x]=f(x) M [ x ] = f ( x ) 已存在，
而 hash lookup 在指定理想模型下：
O ( 1 ) , O(1), O ( 1 ) , 我們最多能說：
T o n l i n e − q u e r y = O ( 1 ) . \boxed{
T_{\mathrm{online-query}}
=
O(1).
} T online − query = O ( 1 ) . 不能說：
C t o t a l = O ( 1 ) . \boxed{
C_{\mathrm{total}}
=
O(1).
} C total = O ( 1 ) . 因為：
預計算；
storage；
index construction；
address mapping；
全部仍存在。
42. 甚至 O ( 1 ) O(1) O ( 1 )
若：
x → a x x\rightarrow a_x x → a x 本身需要：
O ( N ) O(N) O ( N ) 計算，
那：
a x → M [ a x ] a_x\rightarrow M[a_x] a x → M [ a x ] 的 O ( 1 ) O(1) O ( 1 )
因此：
access complexity ≠ address-construction complexity . \boxed{
\text{access complexity}
\neq
\text{address-construction complexity}.
} access complexity = address-construction complexity . 這是第 6、7 篇都必須守住的界線。
43. 基底的另一個重要能力：組合
雖然本文使用八維，
實際有效性能不是：
∑ i B i . \sum_i B_i. i ∑ B i . 而可能存在 multiplicative bottleneck。
例如：
C e f f ≈ min ( C r a w , B f e e d , A a c c e s s , P s y n c ) . C_{\mathrm{eff}}
\approx
\min(
C_{\mathrm{raw}},
B_{\mathrm{feed}},
A_{\mathrm{access}},
P_{\mathrm{sync}}
). C eff ≈ min ( C raw , B feed , A access , P sync ) . 某一項極低，就可能控制全局。
這是一種：
bottleneck dominance . \boxed{
\text{bottleneck dominance}.
} bottleneck dominance . 44. 最弱環節可以支配超強系統
假設：
C = 10 20 , \mathcal C=10^{20}, C = 1 0 20 , S = 10 20 , \mathcal S=10^{20}, S = 1 0 20 , 但：
B = 10. \mathcal B=10. B = 10. 那麼：
B \mathfrak B B 並不是：
10 20 10^{20} 1 0 20 級系統。
同理：
S → ∞ \mathcal S\rightarrow\infty S → ∞ 且：
A → 0 \mathcal A\rightarrow0 A → 0 也不能形成「近乎全知記憶」。
因此：
substrate strength is topology/profile dependent . \boxed{
\text{substrate strength is topology/profile dependent}.
} substrate strength is topology/profile dependent . 45. 現代 AI 推理正是異質基底問題
不同 inference phase 對 UCS 維度要求不同。
例如：
prefill 可以偏 compute-heavy；
decode 可以偏 memory-bandwidth-sensitive；
long context 增加 KV capacity；
distributed inference 增加 interconnect requirement；
MoE 增加 routing/synchronization。
所以同一模型：
M M M 並不存在一個唯一：
C ( M ) . C(M). C ( M ) . 更合理的是：
C e f f ( M , phase , B ) . \boxed{
C_{\mathrm{eff}}(M,\text{phase},\mathfrak B).
} C eff ( M , phase , B ) . 46. 基底也可以異質化
不要求單一裝置同時擅長：
C , S , B , P . \mathcal C,\mathcal S,\mathcal B,\mathcal P. C , S , B , P . 可以由不同硬體合作：
H C + H S + H B + ⋯ . H_C+H_S+H_B+\cdots. H C + H S + H B + ⋯ . 例如 2026 年 memory-processing pipeline 工作便展示了 GPU–FPGA heterogeneous processing 來分配 compute-intensive 與 irregular memory-bound operations。
所以：
UCS can itself be distributed and heterogeneous . \boxed{
\text{UCS can itself be distributed and heterogeneous}.
} UCS can itself be distributed and heterogeneous . 47. 這對未來智能體很重要
未來 AI 不一定是：
一個模型塞在一張卡裡。
可能是：
model + memory fabric + retrieval nodes + specialized solvers + verification nodes + persistent state . \boxed{
\text{model}
+
\text{memory fabric}
+
\text{retrieval nodes}
+
\text{specialized solvers}
+
\text{verification nodes}
+
\text{persistent state}.
} model + memory fabric + retrieval nodes + specialized solvers + verification nodes + persistent state . 這時所謂：
AI 的能力
其實可能是：
agent cognitive layer × distributed UCS . \boxed{
\text{agent cognitive layer}
\times
\text{distributed UCS}.
} agent cognitive layer × distributed UCS . 而不是單一模型能力。
48. UCS 與外部工具的邊界
如果 AI 呼叫：
SAT solver , \text{SAT solver}, SAT solver , SAT solver 算誰的能力？
從 agent 身體邊界看：
external tool . \text{external tool}. external tool . 從完整系統邊界看：
extended substrate . \boxed{
\text{extended substrate}.
} extended substrate . 因此 benchmark 必須指定：
system boundary . \boxed{
\text{system boundary}.
} system boundary . 不然不同測試會混淆：
49. AI benchmark 因而可能測錯東西
假設：
系統 A A A
10 6 10^6 1 0 6 token memory，
系統 B B B
10 10 10^{10} 1 0 10 token external retrieval。
最後：
B > A . B>A. B > A . 這不能直接推出：
I B > I A . I_B>I_A. I B > I A . 可能只是：
B B ≫ B A . \mathfrak B_B\gg\mathfrak B_A. B B ≫ B A . 因此 AI 評估至少需要報告：
cognitive policy + memory budget + compute budget + tools + parallelism . \boxed{
\text{cognitive policy}
+
\text{memory budget}
+
\text{compute budget}
+
\text{tools}
+
\text{parallelism}.
} cognitive policy + memory budget + compute budget + tools + parallelism . 50. 智能的測量必須資源條件化
本文因此提出：
I e f f = I ( A ∣ B , T , B R ) \boxed{
I_{\mathrm{eff}}
=
I(A\mid\mathfrak B,\mathcal T,\mathcal B_R)
} I eff = I ( A ∣ B , T , B R ) 其中：
T \mathcal T T 是工具集合，
B R \mathcal B_R B R 是資源限制。
不能只說：
Model A scored 90 % . \text{Model }A\text{ scored }90\%. Model A scored 90%. 還應問：
用了多少 memory？
用了多少 search？
是否有 verifier？
是否可平行？
51. 一個極端思想實驗
考慮系統：
B Ω \mathfrak B_\Omega B Ω 具有：
S → 類無界 , \mathcal S\rightarrow\text{類無界}, S → 類無界 , C → 極大 , \mathcal C\rightarrow\text{極大}, C → 極大 , A → 極高速 , \mathcal A\rightarrow\text{極高速}, A → 極高速 , B → 極高 , \mathcal B\rightarrow\text{極高}, B → 極高 , P → 極大 . \mathcal P\rightarrow\text{極大}. P → 極大 . 注意：
這裡不是數學上的真正無限，
而是相對於目標問題族：
P T \mathcal P_T P T 極大到近乎不構成實際瓶頸。
52. 在這種系統上，很多今天的難題會變形
有限搜索問題：
∣ X ∣ = 10 20 |X|=10^{20} ∣ X ∣ = 1 0 20 對人類近乎不可處理。
對：
B Ω \mathfrak B_\Omega B Ω 可能只是普通 enumeration。
過去已解問題：
q q q 可以直接 retrieval。
大量類似案例：
q 1 , … , q N q_1,\ldots,q_N q 1 , … , q N 可以形成近乎瞬間的 structural lookup。
因此：
human cognitive difficulty \boxed{
\text{human cognitive difficulty}
} human cognitive difficulty 與：
substrate-relative computational difficulty \boxed{
\text{substrate-relative computational difficulty}
} substrate-relative computational difficulty 可以完全不同。
53. 這就是「基底能力不公平」
如果比較：
A h u m a n A_{\mathrm{human}} A human 和：
A Ω , A_\Omega, A Ω , 但：
B Ω ≫ B h u m a n , \mathfrak B_\Omega
\gg
\mathfrak B_{\mathrm{human}}, B Ω ≫ B human , 即使兩者：
I \mathfrak I I 的抽象品質相似，
外部表現也可能差幾個數量級。
所以：
observed capability = F ( cognitive organization , substrate power ) . \boxed{
\text{observed capability}
=
F(
\text{cognitive organization},
\text{substrate power}
).
} observed capability = F ( cognitive organization , substrate power ) . 54. 部分「超級智能」外觀可能由基底放大產生
如果一個系統：
幾乎記得所有可用資料；
幾乎即時檢索；
能大規模平行驗證；
可以持久累積結果；
人類觀察者會看到：
它幾乎什麼都知道。
但其中一部分可能來自：
substrate amplification \boxed{
\text{substrate amplification}
} substrate amplification 而非：
qualitatively superior cognition . \boxed{
\text{qualitatively superior cognition}.
} qualitatively superior cognition . 這兩者必須分開研究。
55. 反方向亦成立：高認知、低基底
想像一個非常好的策略器：
I ∗ . \mathfrak I^\ast. I ∗ . 它總能挑出：
100 100 100 個最值得探索方向。
但如果：
C \mathcal C C 只能每分鐘測一個，
最終仍然很慢。
因此：
good selection cannot realize states without realization resources . \boxed{
\text{good selection cannot realize states without realization resources}.
} good selection cannot realize states without realization resources . 56. 一個雙軸智能系統圖
因此至少需要：
( B , I ) . \boxed{
(\mathfrak B,\mathfrak I).
} ( B , I ) . 形成四種極端：
低認知干預
高認知干預
低基底
小型固定系統
資源受限智能體
高基底
大規模枚舉／專用計算機
高基底高階智能體
右上：
( B h i g h , I h i g h ) (\mathfrak B_{\mathrm{high}},
\mathfrak I_{\mathrm{high}}) ( B high , I high ) 並不意味永遠同時使用兩者最大值。
它仍可以啟動前篇：
I b y p a s s . I_{\mathrm{bypass}}. I bypass . 57. 真正強的系統因此可以切換模式
若問題：
P 1 P_1 P 1 有限且 verifier 便宜：
Brute Mode . \text{Brute Mode}. Brute Mode . 問題：
P 2 P_2 P 2 搜索空間極大：
Heuristic Mode . \text{Heuristic Mode}. Heuristic Mode . 問題：
P 3 P_3 P 3 需要改表示：
Cognitive Transformation Mode . \text{Cognitive Transformation Mode}. Cognitive Transformation Mode . 問題：
P 4 P_4 P 4 已有完整答案：
Retrieval Mode . \text{Retrieval Mode}. Retrieval Mode . 所以：
General Problem Solving = Mode Selection over UCS and CIO . \boxed{
\text{General Problem Solving}
=
\text{Mode Selection over UCS and CIO}.
} General Problem Solving = Mode Selection over UCS and CIO . 58. 本文提出的七個工作命題
命題一：基底—認知分離命題
存在一組能力：
B \mathfrak B B 同時支持智能與非智能計算，因此不應全部視為認知干預算子。
命題二：基底非標量命題
B ≠ C ∈ R . \boxed{
\mathfrak B
\neq
C\in\mathbb R.
} B = C ∈ R . 計算、記憶、尋址、頻寬與並行不能在一般情況下壓成單一算力。
命題三：基底瓶頸命題
有效性能可能由：
min i B i \min_i B_i i min B i 附近的瓶頸所主導，而非最強能力。
命題四：記憶雙層命題
Memory = substrate retention/access + cognitive reconstruction/control . \boxed{
\text{Memory}
=
\text{substrate retention/access}
+
\text{cognitive reconstruction/control}.
} Memory = substrate retention/access + cognitive reconstruction/control . 兩者不可混同。
命題五：基底替代命題
存在問題族與認知操作 I k I_k I k
B ↑ ⇒ MarginalValue ( I k ) ↓ . \mathfrak B\uparrow
\Rightarrow
\operatorname{MarginalValue}(I_k)\downarrow. B ↑⇒ MarginalValue ( I k ) ↓ . 尤其對有限搜索與已知答案重用。
命題六：基底非完全替代命題
不能由前述命題推出：
lim B → ∞ Value ( I ) = 0. \lim_{\mathfrak B\rightarrow\infty}
\operatorname{Value}(\mathfrak I)
=0. B → ∞ lim Value ( I ) = 0. 因為問題形成、目標選擇與表示選擇未必能被單純更多有限枚舉直接取代。
命題七：資源條件化智能命題
智能表現應描述為：
P s u c c e s s = F ( P , B , I , T , R ) . \boxed{
P_{\mathrm{success}}
=
F(
P,
\mathfrak B,
\mathfrak I,
\mathcal T,
R
).
} P success = F ( P , B , I , T , R ) . 而不是：
P s u c c e s s = F ( IQ-like scalar ) . P_{\mathrm{success}}=F(\text{IQ-like scalar}). P success = F ( IQ-like scalar ) . 59. 本篇與前四篇的重新統一
第 1 篇：
問題難度 \boxed{
\text{問題難度}
} 問題難度 第 2 篇：
固定計算如何展開問題 \boxed{
\text{固定計算如何展開問題}
} 固定計算如何展開問題 第 3 篇：
認知如何改變計算 \boxed{
\text{認知如何改變計算}
} 認知如何改變計算 第 4 篇：
認知何時反而有害 \boxed{
\text{認知何時反而有害}
} 認知何時反而有害 本篇則指出：
所有上述過程都受到更底層的實現基底限制。 \boxed{
\text{所有上述過程都受到更底層的實現基底限制。}
} 所有上述過程都受到更底層的實現基底限制。 因此完整框架從：
N + I \mathcal N+\mathcal I N + I 升級為：
B ⊗ ( N + I ) . \boxed{
\mathfrak B
\otimes
(
\mathcal N+\mathcal I
).
} B ⊗ ( N + I ) . 60. 通往下一篇：真正的不公平問題
現在可以正式提出下一個思想實驗。
如果一個智能體擁有：
S → 極大 , \mathcal S
\rightarrow
\text{極大}, S → 極大 , C → 極大 , \mathcal C
\rightarrow
\text{極大}, C → 極大 , A → 極強 , \mathcal A
\rightarrow
\text{極強}, A → 極強 , P → 極大 , \mathcal P
\rightarrow
\text{極大}, P → 極大 , 那麼今天大量依靠：
才能有效完成的任務，
是否會逐漸變成：
retrieve , enumerate , verify \boxed{
\text{retrieve},
\text{enumerate},
\text{verify}
} retrieve , enumerate , verify 問題？
反過來：
如果我們把過去所有計算結果永久保存，
是否能逐漸把：
online compute \text{online compute} online compute 轉換為：
offline memory ? \text{offline memory}? offline memory ? 以及：
巨大記憶究竟需要多強的尋址能力，才不會只成為一座無法使用的資料墳場？
這些問題將形成下一篇：
計算—記憶—尋址交換律 \boxed{
\text{計算—記憶—尋址交換律}
} 計算 — 記憶 — 尋址交換律 的核心。
61. 結論
本文對前幾篇最重要的修正，是拒絕把所有能力平鋪在同一層。
記憶容量：
S \mathcal S S 不是直覺。
原始計算能力：
C \mathcal C C 不是元認知。
尋址：
A \mathcal A A 不是類比。
頻寬：
B \mathcal B B 也不是注意。
但沒有這些底層能力，
上層智能同樣無法被充分實現。
因此：
Cognitive Capability \boxed{
\text{Cognitive Capability}
} Cognitive Capability 與：
Computational Realization Capability \boxed{
\text{Computational Realization Capability}
} Computational Realization Capability 應被明確拆開。
本文提出：
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 ) 作為第一版通用計算基底模型。
它揭示一個重要的不對稱：
智能可以利用基底能力節省計算，但基底能力本身增長到極端時，也可能直接取代部分原本需要智能壓縮才能完成的工作。
因此：
Intelligence reduces computation \boxed{
\text{Intelligence reduces computation}
} Intelligence reduces computation 只是一半故事。
另一半是：
More realizable computation can reduce the marginal need for some intelligence operations. \boxed{
\text{More realizable computation can reduce the marginal need for some intelligence operations.}
} More realizable computation can reduce the marginal need for some intelligence operations. 真正的高階智能研究因而不能只問：
系統有多會想？
還必須問：
它能保存多少？
能多快找到？
能同時實現多少？
能多快搬動狀態？
能否把今天的計算變成明天可直接重用的記憶？
當這些基底維度被推到極端後，
我們今天對「記憶、計算、直覺與推理」所做的能力分類，很可能需要重新畫線。
下一篇將直接處理這條界線。
參考文獻與近期相關研究
Arif et al., Understanding Inference Scaling for LLMs: Bottlenecks, Trade-offs, and Performance Principles , 2026。指出 reasoning-centric inference 在不同模型規模與架構下可分別受到記憶容量、memory bandwidth、interconnect、routing 與 synchronization 等瓶頸限制。
Ma & Patterson, Challenges and Research Directions for Large Language Model Inference Hardware , 2026。主張現代 LLM inference 的核心挑戰已大量轉向 memory 與 interconnect，並提出 high-bandwidth flash、processing-near-memory、3D memory-logic stacking 與低延遲 interconnect 等研究方向。
Liu et al., PAM: Processing Across Memory Hierarchy for Efficient KV-centric LLM Serving System , 2026。研究 KV cache 同時造成的 memory-capacity 與 bandwidth 壓力，並提出跨異質記憶階層的 PIM 協同。
He et al., Understand and Accelerate Memory Processing Pipeline for Disaggregated LLM Inference , 2026。將多類 AI memory optimization 統一為 Prepare Memory、Compute Relevancy、Retrieval、Apply 四階段，並顯示 memory processing 本身可以成為顯著 inference overhead。
Zhang et al., Ladder-Residual: Parallelism-Aware Architecture for Accelerating Large Model Inference with Communication Overlapping , ICML 2025。展示 distributed model parallelism 中 communication latency 對實際擴展的限制。
TrendForce, Crossing AI Memory Wall: Storage Layer Reallocation and HBF Analysis , 2026。討論長 context 與 MoE 如何增加記憶容量需求，以及 AI storage hierarchy 從單一高頻寬記憶朝 hot/warm 分層發展的產業趨勢。
Samsung Electronics, 2026 Future of Memory and Storage Conference announcements。近期記憶發展持續朝高密度堆疊、AI 專用 bandwidth 與將記憶靠近計算單元的方向推進。
版本：v1.0
系列定位：基底能力／實現層理論。
上一篇： 《負認知干預：為什麼智能有時不如暴力搜尋》
下一篇： 《計算—記憶—尋址交換律：極端基底能力下的認知坍縮》