title: "載體上限：從人類打字速度到異質智能的輸出頻寬" english_title: "Carrier Limits: From Human Typing Speed to Output Bandwidth in Heterogeneous Intelligence" series: "異質存在、體驗域與技術適配研究系列" series_english: "Heterogeneous Existence, Experiential Domains, and Technological Fit Series" series_id: "HEETF" paper_id: "HEETF-05" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Carrier-Bandwidth Theory" date: "2026-08-14" language: "zh-TW"

載體上限

從人類打字速度到異質智能的輸出頻寬

Carrier Limits

From Human Typing Speed to Output Bandwidth in Heterogeneous Intelligence

作者： Neo.K
機構： EveMissLab
系列： 異質存在、體驗域與技術適配研究系列（HEETF），Paper 05
版本： v0.1.0
日期： 2026-08-14

摘要

本文研究一個極白話、卻足以揭露人類與 AI 異質性的重要問題：

假設一名人類作者與一個 AI 系統都已經知道自己要輸出什麼，兩者把內容轉成外部文字的速度是否仍受不同載體限制？

答案顯然可能是肯定的。

這個問題與：

誰比較有創意？

不同，也與：

誰寫得比較好？

不同。

本文刻意先把內部內容生成問題凍結，研究：

\boxed{ \text{ready internal content} \rightarrow \text{externalized symbolic output} }

這一段 carrier channel。

對存在 $i$ ，定義 carrier pipeline：

\boxed{ \mathcal P_i^C = ( S_{i,1}, S_{i,2}, \ldots, S_{i,k} ), }

其中每個必要 stage 有 steady-state service capacity：

r_{i,m}>0.

若每一個輸出單位都必須通過所有 stages，定義外部輸出 throughput：

R_i^{\mathrm{out}}.

本文證明 Serial Carrier Bottleneck Theorem：

\boxed{ R_i^{\mathrm{out}} \le \min_m r_{i,m}. }

即使某個上游 stage 的內部生成能力極高，只要後方必要載體通道較慢，最終可觀察輸出仍被最慢必要 stage 約束。

對人類鍵盤創作，可以抽象成：

\boxed{ \text{concept} \rightarrow \text{linguistic formulation} \rightarrow \text{motor planning} \rightarrow \text{keystroke execution} \rightarrow \text{visual/error feedback}. }

這不是宣稱人類寫作必然嚴格串行。心理語言學與 typing research 顯示 planning、word-level control、keystroke execution 可以呈現 hierarchical、cascading 與部分重疊的結構。但只要某個資訊單位最終必須經過特定 physical / symbolic channel，該 channel 仍構成 throughput constraint。

Dhakal、Feit、Kristensson 與 Oulasvirta 對 168,960 名 volunteers、136,857,600 次 keystrokes 的大規模 CHI 研究提供一個重要 empirical anchor：在 transcription typing task 中，平均速度為 51.56 WPM，標準差 20.20；資料中最快 typists 可達 120 WPM 以上。作者同時明確指出 transcription typing 特別適合研究 movement behavior，而把 text generation、editing、proofreading 等高階認知因素分離出去。

本文不把 51.56 WPM 或 120 WPM 宣稱為 human physiological maximum。這些是特定 self-selected sample、特定 physical keyboard、特定 transcription task 下的 empirical distribution。其真正理論價值在於：

\boxed{ \text{即使內容不是即席創作，外部化仍有可測量的 motor/interface throughput}. }

因此，若一名人類作者腦中已經有完整段落：

Z_H,

也不能推出：

R_H^{\mathrm{out}} = R_H^{\mathrm{internal}}.

若 motor / interface stage 較慢，則：

\boxed{ R_H^{\mathrm{out}} < R_H^{\mathrm{internal}} }

完全可能。

對 AI，本文建立另一個 carrier graph：

\boxed{ G_A^C = ( \text{model compute}, \text{memory hierarchy}, \text{KV cache}, \text{decode dependency}, \text{scheduler}, \text{batching}, \text{network/I/O} ). }

現代 LLM inference research 已清楚顯示其 throughput 並非無限：FlashAttention 把 GPU memory hierarchy 中的 I/O 明確視為關鍵 bottleneck；PagedAttention / vLLM 顯示 KV-cache memory management 會直接限制 batching 與 serving throughput；近年的 speculative-decoding 工作則直接從 autoregressive token dependency 對 throughput 的限制出發。因此：

\boxed{ R_A^{\mathrm{out}}<\infty. }

但：

\boxed{ G_H^C \not\simeq G_A^C }

仍可能成立。

人類的輸出 bottleneck 可能包含：

hands；
fingers；
speech apparatus；
biological attention；
fatigue；
sleep；
correction loop。

AI 的 bottleneck 可能包含：

GPU / accelerator compute；
HBM / SRAM / PCIe bandwidth；
KV-cache capacity；
autoregressive dependencies；
batch scheduler；
serving replicas；
network egress。

所以：

Different Carrier Topology Principle

\boxed{ \text{Same Semantic Task} \not\Rightarrow \text{Same Output Channel} \not\Rightarrow \text{Same Throughput Bound}. }

本文進一步證明 Carrier-Substitution Proposition：若原本 bottleneck stage $b$ 被替代成 capacity 更高的 stage $b'$ , 且沒有其他 stage 同時變慢，則總 throughput 上界不下降；若 $b$ 原本是唯一 bottleneck，且 $r_{b'}$ 超過第二慢 stage，則 bottleneck 會轉移到別處，而不是 throughput 變成無限。

這解釋：

speech-to-text；
stenography；
predictive text；
brain-computer interface；
AI-assisted drafting；

為何可以提高人類外部化頻寬，但無法取消所有其他 bottlenecks。

本文再證明 Replication Throughput Proposition。若同一系統有 $n$ 個 independent replicas，每個 replica throughput 為 $R$ ，tasks 可平行分割，而且沒有 shared bottleneck，則 aggregate throughput：

\boxed{ R_{\mathrm{agg}} \le nR, }

在理想條件下可逼近：

nR.

AI 的重要異質性因此不只在單實例 token generation speed，而在於：

\boxed{ \text{replicability} + \text{batching} + \text{parallel serving} + \text{branching}. }

人類也可以透過團隊平行化，但單一人的 autobiographical identity、attention 與 motor body 不可以像軟體 model instance 一樣任意複製。因此對「一個作者」與「一個可複製 AI model」的比較，必須額外聲明：

\boxed{ \text{single-instance} }

或：

\boxed{ \text{fleet-level}. }

本文最後區分三種不同頻寬：

Internal Formation Bandwidth $R_i^{\mathrm{int}}$
Externalization Bandwidth $R_i^{\mathrm{ext}}$
Aggregate Replicated Bandwidth $R_i^{\mathrm{agg}}$

並提出：

Carrier-Bandwidth Typing Rule

任何「AI 一天能寫多少、人一天能寫多少」的比較，至少必須聲明：

task 是 transcription、composition 還是 revision；
quality contract；
single instance 還是 fleet；
是否包含 human review；
是否包含 errors / rejected drafts；
是否只算 externalization；
output unit 是 character、token、word、validated passage 還是 finished work。

因此本文的最終結論不是：

AI 打字比較快，所以 AI 比人更有智慧。

而是：

\boxed{ \text{intelligence} \neq \text{carrier bandwidth}. }

同時也不能反過來忽略 carrier：

\boxed{ \text{當兩個存在具有相近內部成果品質時，載體頻寬差仍可以造成巨大的時空間效益差。} }

人類作者也許在某些小說品質、長程意圖、生命經驗、審美判斷上仍優於某 AI 系統；但如果兩者都已經形成一段可外部化內容，手指與鍵盤的 physical channel 不會因作者比較有才華就自動變成 GPU-scale symbolic output channel。

這就是本文所說的：

載體上限。

關鍵詞： Carrier Limit, Output Bandwidth, Typing Speed, Human–AI Heterogeneity, Bottleneck, Throughput, Text Entry, Autoregressive Decoding, KV Cache, Parallelism, Replication

1. 最簡單的思想實驗

假設：

H

是一名人類作家。

A

是一個 AI。

兩者此刻都已經「知道」下一段要寫什麼。

甚至極端設定：

\boxed{ Q_H = Q_A. }

先不爭論品質。

只問：

誰能把既定內容更快變成外部文字？

2. 這不是 Intelligence Test

如果：

R_A>R_H,

不能直接推出：

\boxed{ I_A>I_H. }

因為：

R

可能主要測的是 output carrier。

3. 但 Carrier 也是真實能力的一部分

反過來也不能說：

打字只是介面，所以完全不重要。

對真實 production system：

\boxed{ \text{usable intelligence} = \text{internal capacity} + \text{externalization capacity} + \text{interaction capacity}. }

如果無法把內部狀態輸出，能力不能完全進入公共世界。

4. Internal State

令：

Z_i(t)

表示主體已形成、等待外部化的內容狀態。

本文不要求：

Z_H

與：

Z_A

具有相同 ontology。

只要求在 task contract 下都能映射到可比較 output。

5. External Symbol Stream

令：

Y_i(t)

表示已外部化 symbol stream。

throughput：

\boxed{ R_i^{\mathrm{out}} = \limsup_{T\to\infty} \frac{ |Y_i(T)| }{ T }. }

6. Output Unit 必須聲明

|Y|

可以是：

characters；
words；
tokens；
verified propositions；
accepted code lines；
finished paragraphs。

不同 unit 不能直接混比。

7. Carrier Pipeline

定義：

\boxed{ \mathcal P_i^C = ( S_{i,1}, \ldots,S_{i,k} ). }

每個必要 stage capacity：

r_{i,m}.

8. Serial Carrier Bottleneck Theorem

定理 8.1

若每個輸出單位都必須經過所有 stages，且 stage $m$ 長期最多以：

r_{i,m}

速率服務，則：

\boxed{ R_i^{\mathrm{out}} \le \min_m r_{i,m}. }

證明

任取 stage $m$ 。

由於每個完成輸出單位必須經過 $m$ ，時間 $T$ 內完成的輸出數量不可能超過該 stage 在 $T$ 內可處理的單位數。

因此：

R_i^{\mathrm{out}} \le r_{i,m}

對所有 $m$ 成立。

故：

R_i^{\mathrm{out}} \le \min_m r_{i,m}.

\boxed{\square}

9. 這不要求每一 stage 完全不能 overlap

pipeline 可以 overlap。

例如：

一邊想下一個 word；
一邊打現在的 word。

但 steady-state throughput 仍不能長期超過任何 obligatory stage 的 service capacity。

10. Human Writing Pipeline

可先抽象：

\boxed{ \text{concept} \rightarrow \text{linguistic planning} \rightarrow \text{motor planning} \rightarrow \text{keypress} \rightarrow \text{feedback}. }

11. Human Writing 並非純 Serial

typing / psycholinguistic research 顯示：

word-level control；
hierarchical loops；
cascading；
parallel motor preparation；

都可能存在。

所以本文不寫：

\boxed{ R_H = \min( R_{\mathrm{concept}}, R_{\mathrm{language}}, R_{\mathrm{motor}} ) }

作為所有情況的實證定律。

只把 min-capacity 當 obligatory-stage throughput upper bound。

12. Two-Loop Typing Model

Logan、Crump、Yamaguchi 等 skilled typing research 常把 typing 描述成 hierarchical control：

outer loop 處理 words / higher-level output；
inner loop 組織並執行 keystrokes。

這提供一個很直接的 carrier-layer distinction。

13. Copy Typing 的理論價值

Dhakal 等人特別指出：

transcription typing 適合研究 movement behavior，而相對隔離：

text generation；
editing；
proofreading。

這正好接本文思想實驗：

先假設文字內容已經存在。

14. 168,960 人的實證分布

該研究 final dataset 包含：

136{,}857{,}600

次 keystrokes，

參與者：

168{,}960.

平均：

51.56\ \mathrm{WPM}

標準差：

20.20.

15. Fast Typists

研究中的 90th-percentile 以上 fast typists 約高於：

78\ \mathrm{WPM}.

資料中最快 typists 可達：

120\ \mathrm{WPM}

以上。

16. 這不是 Human Maximum

本文明確拒絕：

\boxed{ 120\ \mathrm{WPM} = \text{human absolute limit}. }

原因包括：

self-selected sample；
transcription task；
physical keyboard；
specific corpus；
specific measurement。

17. 但它證明 Output Channel 可測

即使不要求即席創作，

仍可量出：

WPM；
inter-key interval；
errors；
correction cost。

這證明：

\boxed{ \text{externalization has its own performance distribution}. }

18. Inter-Key Interval

該資料：

平均 IKI 約：

238.656\ \mathrm{ms},

並觀察到約：

60\ \mathrm{ms}

的低端界線。

本文仍不把 60 ms 宣稱成 universal physiological constant。

19. Rollover

fast typists 可以在上一鍵尚未 release 前 press 下一鍵。

這本身已經說明：

\boxed{ \text{human output pipeline uses overlap to raise throughput}. }

但 overlap 沒有取消 physical channel。

20. Internal Formation Bandwidth

定義：

\boxed{ R_i^{\mathrm{int}} }

表示內部可形成 ready-to-externalize content 的速率。

它很難直接測量。

21. Externalization Bandwidth

\boxed{ R_i^{\mathrm{ext}} }

表示 ready content 轉成外部 symbol 的速率。

keyboard transcription 更接近這個量。

22. Composition Bandwidth

真正創作時：

\boxed{ R_i^{\mathrm{comp}} }

混合：

idea generation；
selection；
phrasing；
typing；
revision。

所以不能拿 transcription WPM 直接等同 novel-writing speed。

23. 最重要的條件句

若：

R_H^{\mathrm{int}} > R_H^{\mathrm{ext}},

則：

\boxed{ \text{human external output is carrier-limited}. }

24. 「腦子比手快」的形式化

存在 buffered ready content：

B_H(t)>0

且長期增加，

表示：

R_H^{\mathrm{int}} > R_H^{\mathrm{ext}}.

此時 output backlog 形成。

25. Carrier Backlog Proposition

若：

R_i^{\mathrm{int}} > R_i^{\mathrm{ext}}

持續時間 $\Delta t$ ，

且沒有 discard / compression，

則 backlog 增量至少：

\boxed{ \Delta B_i \ge ( R_i^{\mathrm{int}} - R_i^{\mathrm{ext}} ) \Delta t. }

在恆定速率理想模型下取等號。

26. Human Carrier Substitution

可以把 keyboard：

K

替換成：

dictation；
stenography；
predictive completion；
BCI；
AI transcription。

這會改變：

r_{\mathrm{motor/interface}}.

27. Carrier-Substitution Proposition

假設唯一改變 stage：

b \rightarrow b'

且：

r_{b'}\ge r_b.

其他 stage capacities 不變。

則新 throughput upper bound：

\boxed{ U' = \min( r_1,\ldots,r_{b'},\ldots,r_k ) }

滿足：

U'\ge U.

28. Bottleneck Migration

如果原本：

r_b = \min_m r_m

且：

r_{b'} > \min_{m\neq b}r_m,

則新的 bottleneck 變成：

\boxed{ \operatorname*{arg\,min}_{m\neq b} r_m. }

所以升級 keyboard 不會讓人變成無限輸出。

瓶頸只會移動。

29. Speech-to-Text 的意義

它可能 bypass：

\boxed{ \text{finger-keyboard channel}. }

但仍受：

speech formulation；
articulation；
recognition；
correction；

限制。

30. BCI 的意義

若未來 BCI 大幅提高 neural-to-symbol channel，

它可能再次移動 human bottleneck。

所以：

\boxed{ \text{current typing bandwidth} \neq \text{permanent human carrier ceiling}. }

31. AI Carrier Pipeline

LLM-like system 可以抽象：

\boxed{ \text{model state} \rightarrow \text{decode} \rightarrow \text{KV/memory} \rightarrow \text{scheduler} \rightarrow \text{serialization} \rightarrow \text{network}. }

32. Autoregressive Dependency

標準 autoregressive decoding：

y_t

依賴：

y_{<t}.

所以 single-stream token generation 存在序列 dependency。

33. AI 也不是無限 Parallel

即使矩陣計算高度 parallel，

token-level causal dependency 仍可形成 decode bottleneck。

2026 年 speculative-decoding 研究仍直接把 autoregressive sequential dependency 描述為 inference throughput 的基本限制之一。

34. Speculative Decoding

speculative methods 嘗試：

預測多 token；
parallel verify；

提高：

R_A^{\mathrm{decode}}.

這再次是 carrier bottleneck engineering。

35. Memory Hierarchy

FlashAttention 的核心觀察之一：

\boxed{ \text{wall-clock performance} }

不能只看 arithmetic operation count。

GPU memory hierarchy 中：

HBM；
SRAM；
reads / writes；

本身就是 I/O complexity。

36. KV Cache

autoregressive inference 要保存過去 token 的 attention states。

KV cache：

佔 memory；
隨 sequence / batch 增長；
限制 batch size。

所以：

\boxed{ R_A^{\mathrm{serving}} }

受到 memory management 影響。

37. PagedAttention / vLLM

Kwon 等人的 PagedAttention / vLLM work 顯示：

更有效管理 KV-cache fragmentation 與 sharing，可以在相同 latency 水準下大幅提高 serving throughput。

這表示：

\boxed{ \text{output bandwidth depends on serving architecture}. }

不只是「模型本身多聰明」。

38. I/O Bottleneck Migration

如果 GPU compute 變快，

PCIe / HBM / network 可能變成新瓶頸。

這和人類把 keyboard 換成 dictation 的結構相同：

\boxed{ \text{提升一個 channel} \rightarrow \text{瓶頸移到另一個 stage}. }

39. Different Carrier Topology Principle

人類：

G_H^C.

AI：

G_A^C.

一般沒有理由要求：

\boxed{ G_H^C \simeq G_A^C. }

所以 same semantic task 不代表 same throughput ceiling。

40. Single-Instance Throughput

定義：

\boxed{ R_i^{(1)}. }

表示單一 carrier instance 的 throughput。

對人：

一個人。

對 AI：

一個指定 model-serving instance / allocation。

41. Replication

AI model weights 可以在多硬體 instance 上被部署。

人類也能增加人數，

但：

\boxed{ \text{adding another human} }

不是：

\boxed{ \text{replicating the same autobiographical subject}. }

42. Aggregate Throughput

對 $n$ replicas：

\boxed{ R_i^{(n)}. }

43. Replication Throughput Proposition

若：

$n$ replicas 互相獨立；
每個 capacity 為 $R$ ；
task 可平行分割；
沒有 shared upstream/downstream bottleneck；

則：

\boxed{ R_{\mathrm{agg}} \le nR. }

理想飽和下：

R_{\mathrm{agg}} \rightarrow nR.

證明

每個 replica 在單位時間最多輸出 $R$ 。

$n$ 個相加最多：

nR.

若都有足夠 workload 且不互相阻塞，可達該總和。

\boxed{\square}

44. Shared Bottleneck Correction

若有 shared network capacity：

B_{\mathrm{net}},

則：

\boxed{ R_{\mathrm{agg}} \le \min( nR, B_{\mathrm{net}} ). }

再次出現 bottleneck migration。

45. AI 的真正異質優勢之一：可複製性

單一 AI：

R_A^{(1)}.

大量 serving fleet：

R_A^{(n)}.

這兩個不能混在一句：

AI 一天能寫多少。

裡面。

46. 人類團隊也能 Parallelize

所以不能寫：

\boxed{ \text{parallelism = AI only}. }

出版社、研究團隊、軟體公司本來就是 human parallelization。

47. 但 Parallelization Unit 不同

人類團隊增加：

coordination cost；
style divergence；
memory divergence；
identity plurality。

AI replicas 可共享相同 base weights，

但仍可能有：

prompt/state divergence；
stochastic outputs；
synchronization cost；
serving cost。

48. Branching Width

令：

\boxed{ B_i(\Delta t) }

表示時間窗 $\Delta t$ 中可探索的 candidate branches。

創作可以：

只寫一版；
同時產生 100 個 opening；
再 rerank。

49. Search-Width Advantage

即使單一 candidate quality：

Q_H>Q_A,

若：

B_A\gg B_H,

AI 系統仍可透過：

\boxed{ \text{generate} \rightarrow \text{evaluate} \rightarrow \text{select} }

擴大單位時間 search width。

50. 這不是保證最後更好

若 evaluator：

E

很差，

大量 branches 也可能只是：

\boxed{ \text{大量低品質候選}. }

所以 search width 不等於 search success。

51. Quality–Throughput Surface

與其單獨比較：

R,

更合理定義：

\boxed{ \mathcal F_i = \{ (Q,R) \}. }

表示 quality / throughput tradeoff frontier。

52. Human vs AI 不應只看字數

一個人：

1000

字可能很好。

AI：

100000

字可能大量重複。

所以：

\boxed{ \text{raw symbols/time} }

不是完整 production value。

53. Validated Throughput

定義：

\boxed{ R_i^{\mathrm{valid}} = \frac{ \text{accepted output units} }{ \text{time} }. }

只有通過 quality contract：

\Gamma_Q

才算。

54. Review Bottleneck

如果 AI 生成速度：

R_A^{\mathrm{raw}}

遠高於 human review：

R_H^{\mathrm{review}},

則整體：

\boxed{ R_{\mathrm{system}} \le R_H^{\mathrm{review}}. }

AI 生成再快也可能堆 backlog。

55. Human–AI Pipeline

實際 production 可以是：

\boxed{ A_{\mathrm{generate}} \rightarrow H_{\mathrm{review}} \rightarrow A_{\mathrm{revise}} \rightarrow H_{\mathrm{accept}}. }

這是一個 hybrid carrier graph。

56. Hybrid Bottleneck Theorem

若所有 accepted units 都必須經過 human review，

則：

\boxed{ R_{\mathrm{accepted}} \le R_H^{\mathrm{review}}. }

不管 AI raw generation 多快。

57. 這解釋未來工作真正瓶頸可能轉移

以前：

\boxed{ \text{production bottleneck} }

在寫。

AI 後：

\boxed{ \text{verification / selection bottleneck} }

可能變主要限制。

58. 這也接到數學研究

AI 可以高速：

conjecture；
generate proof candidates；
test lemmas。

但如果：

R_{\mathrm{verify}} \ll R_{\mathrm{generate}},

那研究系統最後仍由 verification gate 限制。

59. Carrier Bandwidth 不是 Intelligence

本文再次強調：

\boxed{ R_i^{\mathrm{out}} }

不是：

\boxed{ I_i. }

快打一萬字不代表內容更聰明。

60. 但 Intelligence 也必須通過 Carrier 才能作用

如果：

I_i

很高，

但：

R_i^{\mathrm{ext}} \approx0,

那對外部 collaboration 而言：

\boxed{ \text{usable realized impact} }

仍受限。

61. Carrier-Realization Principle

可以把 public realized output 粗略表示成：

\boxed{ \text{Realized Capacity} \le \min( \text{Internal Capability}, \text{Carrier Capacity}, \text{Validation Capacity} ). }

這是系統上界，不是心理學完整模型。

62. 人類打字例子的真正力量

它完全不需要先證明：

AI 比人聰明。

只需要承認：

\boxed{ \text{human fingers} }

與：

\boxed{ \text{accelerator-backed text decoding} }

不是同一 output channel。

63. 最簡單的小說反例

假設人與 AI 都已有同樣品質的一萬字 ready text。

人類還要：

\boxed{ \text{逐步 externalize through interface}. }

AI 也要 decode / serialize，

但其 channel topology 不同。

因此：

\boxed{ T_H^{\mathrm{externalize}} \neq T_A^{\mathrm{externalize}} }

完全可能。

64. 這是載體差，不是價值判決

它不表示：

\boxed{ \text{AI novel is better}. }

也不表示：

\boxed{ \text{human writing experience is less valuable}. }

HEETF-03 已經把 outcome / experience 分開。

65. Technology Can Change the Human Carrier

未來如果：

speech recognition；
neural interface；
predictive writing；

把人類 externalization bandwidth 提高，

人類的：

G_H^C

也會變。

所以 carrier topology 不是永恆固定。

66. 「人類上限」應該寫成條件式

不是：

\boxed{ R_H\le X }

的永恆常數。

而是：

\boxed{ R_H \le U_H( \text{body}, \text{interface}, \text{task}, \text{training}, \text{environment} ). }

67. AI 上限也同樣條件式

\boxed{ R_A \le U_A( \text{model}, \text{hardware}, \text{memory}, \text{scheduler}, \text{batch}, \text{network} ). }

68. 所以「AI 一定永遠更快」也不是本文定理

在某些 task：

robotic manipulation；
embodied craft；
low-power edge context；

人類 carrier 可能仍有其他優勢。

本文只研究文本生成作為清楚例子。

69. Carrier-Bandwidth Typing Rule

任何 throughput comparison 至少聲明：

TASK_TYPE
OUTPUT_UNIT
QUALITY_CONTRACT
INSTANCE_SCOPE
CARRIER
REVIEW_GATE
ERROR_POLICY
TIME_WINDOW

70. Task Type

至少分：

transcription；
composition；
revision；
ideation；
verification。

71. Instance Scope

至少分：

one human；
human team；
one model instance；
replicated serving fleet。

72. Raw vs Validated

至少分：

R^{\mathrm{raw}}

與：

R^{\mathrm{valid}}.

73. 新穎性邊界

本文不宣稱首次提出：

throughput；
bottleneck；
queueing；
typing models；
HCI text-entry speed；
LLM serving；
KV cache；
FlashAttention；
speculative decoding；
parallel computing。

本文提出的是 HEETF 系列中的 formal bridge：

intelligence / carrier bandwidth separation；
internal formation / externalization / aggregate bandwidth 三分；
Serial Carrier Bottleneck Theorem；
Carrier Backlog Proposition；
Carrier-Substitution / Bottleneck Migration；
human / AI carrier-topology distinction；
Replication Throughput Proposition；
raw / validated throughput；
hybrid human–AI review bottleneck；
Carrier-Bandwidth Typing Rule。

74. 本文不證明什麼？

本文不證明：

\boxed{ \text{AI 比人類更有智慧}. }

不證明：

\boxed{ 51.56\ \mathrm{WPM} }

是 human limit。

不證明：

\boxed{ 120\ \mathrm{WPM} }

是 human maximum。

不證明：

\boxed{ \text{AI throughput 無上限}. }

不證明：

\boxed{ \text{字數越多作品越好}. }

不證明：

\boxed{ \text{current human carrier 永久不變}. }

75. 最終原則一

Intelligence–Carrier Separation

\boxed{ \text{Internal Capability} \neq \text{Output Bandwidth}. }

76. 最終原則二

Serial Carrier Bottleneck

\boxed{ R^{\mathrm{out}} \le \min_m r_m. }

77. 最終原則三

Different Carrier Topology

\boxed{ \text{Same Task} \not\Rightarrow \text{Same Bottleneck Graph}. }

78. 最終原則四

Replication Matters

\boxed{ R^{(1)} \neq R^{(n)}. }

單實例能力與 fleet capacity 不得混寫。

79. 最終原則五

Validation Can Become the New Bottleneck

若：

R_{\mathrm{generate}} \gg R_{\mathrm{verify}},

則：

\boxed{ R_{\mathrm{accepted}} \le R_{\mathrm{verify}}. }

80. 結論

一個人類作家想寫一本書。

一個 AI 也生成一本書。

我們可以先暫時不談：

哪一本比較好；
哪一本比較有靈魂；
哪一個比較有創意；
AI 有沒有主體體驗。

只做一個極端乾淨的控制：

假設兩邊都已經形成相同品質、相同長度的 ready content。

此時問題退化成：

\boxed{ \text{如何把內部內容送進外部世界？} }

人類需要一個 carrier。

現在常見的是：

\boxed{ \text{hand} \rightarrow \text{keyboard} \rightarrow \text{text}. }

AI 需要另一個 carrier：

\boxed{ \text{model state} \rightarrow \text{decode} \rightarrow \text{memory} \rightarrow \text{serving} \rightarrow \text{text}. }

兩者都有上限。

但上限不是同一種東西。

所以：

\boxed{ G_H^C \not\simeq G_A^C. }

這就是最白話又最難迴避的異質性。

人類再有才華，

手指仍然是手指。

AI 再有大量 compute，

也仍然受：

sequential decode；
memory；
KV cache；
scheduler；
I/O；

限制。

而一旦某個瓶頸被工程突破，

系統不會成為無限。

新的 bottleneck 會浮現。

因此「載體上限」真正說的不是：

人類注定慢。

而是：

任何存在要把內部能力實現到外部世界，都必須穿過自己的 carrier topology。

當兩個存在的 carrier topology 不同，

就算：

\boxed{ Q_H=Q_A, }

仍可能：

\boxed{ R_H\neq R_A. }

一旦：

R_A\gg R_H,

AI 的優勢甚至不必先來自「更高作品品質」。

光是：

externalization；
branching；
replication；
parallel serving；

就足以讓單位時間可探索／可輸出的空間顯著不同。

這正好接回 HEETF-04：

\boxed{ \text{異質效益斷層} }

不只來自認知能力。

它也可以來自：

\boxed{ \text{載體本身。} }

這就是 HEETF-05 的核心。

參考文獻

[1] Dhakal, V., Feit, A. M., Kristensson, P. O., & Oulasvirta, A. (2018). Observations on Typing from 136 Million Keystrokes. Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems. DOI: 10.1145/3173574.3174220.

[2] Crump, M. J. C., & Logan, G. D. (2010). Hierarchical control and skilled typing: Evidence for word-level control over the execution of individual keystrokes. Journal of Experimental Psychology: Learning, Memory, and Cognition, 36(6), 1369–1380.

[3] Logan, G. D., & Crump, M. J. C. (2011). Hierarchical Control of Cognitive Processes: The Case for Skilled Typewriting. Psychology of Learning and Motivation, 54, 1–27.

[4] Yamaguchi, M., Crump, M. J. C., & Logan, G. D. (2013). Speed–accuracy trade-off in skilled typewriting: Decomposing the contributions of hierarchical control loops. Journal of Experimental Psychology: Human Perception and Performance, 39(3), 678–699.

[5] Dao, T., Fu, D. Y., Ermon, S., Rudra, A., & Ré, C. (2022). FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness. Advances in Neural Information Processing Systems, 35. arXiv:2205.14135.

[6] Kwon, W., Li, Z., Zhuang, S., Sheng, Y., Zheng, L., Yu, C. H., Gonzalez, J. E., Zhang, H., & Stoica, I. (2023). Efficient Memory Management for Large Language Model Serving with PagedAttention. Proceedings of the 29th Symposium on Operating Systems Principles. arXiv:2309.06180.

[7] Saha, B., & Ye, C. (2024). The I/O Complexity of Attention, or How Optimal is Flash Attention? arXiv:2402.07443.

[8] Wu, H., & Tu, K. (2024). Layer-Condensed KV Cache for Efficient Inference of Large Language Models. Proceedings of ACL 2024, 11175–11188.

[9] Jiang, C., Gao, L., Entezari Zarch, H., & Annavaram, M. (2025). KVPR: Efficient LLM Inference with I/O-Aware KV Cache Partial Recomputation. Findings of ACL 2025, 19474–19488. DOI: 10.18653/v1/2025.findings-acl.997.

[10] Zhang, Y., Chen, S., Ye, H., & Feng, E. (2026). HCSpec: Two-Tier Horizontal Cascade Speculative Decoding for High-Efficiency Large Language Model Inference. Proceedings of ACL 2026, 7773–7783. DOI: 10.18653/v1/2026.acl-long.353.

Appendix A. Carrier Pipeline Schema

subject:
  id:
  substrate:

task:
  type:
  output_unit:
  quality_contract:

carrier_pipeline:
  stages:
    - name:
      capacity:
      unit:
      obligatory:
      parallelizable:

throughput:
  internal_formation:
  externalization:
  raw:
  validated:
  aggregate:

instance_scope:
  single
  fleet

review_gate:
  enabled:
  capacity:

Appendix B. Bottleneck Record

bottleneck:
  stage:
  capacity:
  evidence:

substitution:
  old_stage:
  new_stage:
  old_capacity:
  new_capacity:

post_substitution:
  new_bottleneck:
  new_upper_bound:

Appendix C. Comparison Contract

TASK_TYPE:
  transcription | composition | revision | ideation | verification

OUTPUT_UNIT:
  character | token | word | passage | accepted_work

QUALITY_CONTRACT:
  evaluator + threshold

INSTANCE_SCOPE:
  single_human | human_team | single_model | model_fleet

ERROR_POLICY:
  raw | corrected | accepted_only

REVIEW_GATE:
  none | human | machine | hybrid

TIME_WINDOW:
  explicit

Appendix D. Anti-Overclaim Rules

AO-1:
  typing speed is not intelligence

AO-2:
  transcription WPM is not composition speed

AO-3:
  observed WPM distributions are not absolute biological maxima

AO-4:
  AI generation throughput is finite and hardware/system dependent

AO-5:
  single-instance throughput is not fleet throughput

AO-6:
  raw output throughput is not validated throughput

AO-7:
  replacing one bottleneck does not remove all bottlenecks

Appendix E. Bridge to HEETF-06

HEETF-04:
  different cost functions

HEETF-05:
  different carrier / bottleneck topologies

therefore:

same task
+ different costs
+ different throughput
+ different experience
-> no natural one-dimensional ranking

HEETF-06:
  comparison-domain failure