Paper 03｜Resident Cognitive Core：Mother Model 到底必須常駐什麼？

English Title: The Resident Cognitive Core: What Must a Mother Model Keep Resident?
系列：《可展開認知核心：從 MoE、認知密度到 Mother AI 的模型架構命題》
作者： Neo.K × Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-28
文件性質： 公開命題論文／Mother Model、認知核心與能力外置邊界研究

摘要

本文提出 Resident Cognitive Core Hypothesis（常駐認知核心命題）。若未來 Mother AI、Cognitive Command Tower 或其他高階協調智能可以透過網路、資料庫、外部記憶、Sub-AI、Mixture-of-Experts、工具與推理時資源按需取得大量能力，那麼模型設計的關鍵問題將不再只是「模型應該知道多少」，而是：

哪些能力若不常駐於核心，整個智能系統便失去可靠理解、判斷、驗證、委派與自我修正的能力？

本文承接既有「後設完備、基底稠密、表層稀疏」與「壓縮全局智能」研究，但把問題從 Mother AI Runtime 層推進至模型功能配置層。本文反對兩個極端：第一，將 Mother Model 設計為只保存 Agent 名單、價格、工具描述與路由規則的空殼 router；第二，要求 Mother Model 常駐所有領域的高解析度文件、案例、最新事實與專門執行細節。前者缺乏足夠認知基底以治理強外部智能，後者則重新把全部世界壓回單一模型，失去外部展開、條件計算與更新彈性的意義。

本文將第一代 Resident Cognitive Core 形式化為：

\boxed{ K_R = ( B_I, B_R, B_E, B_M, B_W, B_C, B_G ) }

其中：

$B_I$ ：Interpretive Basis，基本理解與表示基底；
$B_R$ ：Reasoning Basis，推理與因果操作基底；
$B_E$ ：Epistemic Basis，已知／未知／證據／衝突／信心基底；
$B_M$ ：Meta-Cognitive Basis，策略選擇、自我檢查、失敗辨識與能力邊界判斷；
$B_W$ ：Minimum Sufficient World Basis，最小充分世界基底；
$B_C$ ：Coordination Basis，工具、Agent、模型與資源協調基底；
$B_G$ ：Governance Basis，權限、驗證、風險與不可逆行動治理基底。

本文提出「Resident Necessity」不應以單一知識類別決定，而應根據功能中心性、使用頻率、延遲敏感性、替代可得性、外部依賴風險、驗證必要性與錯誤傳播半徑共同決定。對某能力 $z$ ，可定義：

\boxed{ N_R(z) = f( H_z, F_z, L_z, S_z, V_z, D_z, R_z ) }

其中 $H_z$ 表示全局功能中心性， $F_z$ 表示高頻性， $L_z$ 表示低延遲需求， $S_z$ 表示外部替代難度， $V_z$ 表示驗證與治理價值， $D_z$ 表示外部依賴風險， $R_z$ 表示錯誤向下游擴散的風險。

本文進一步區分三種能力位置：

\boxed{ \text{Resident} }

\boxed{ \text{Conditionally Activated} }

\boxed{ \text{Externally Expanded} }

並提出：高頻、全局、高中心性、治理關鍵且難以由外部結果反向驗證的能力，更適合常駐；低頻、高解析度、快速變動、可檢索、可重建、可機械驗證或可由專門系統高品質提供的能力，更適合條件激活或外部展開。

本文同時強調，這是一個功能架構命題，而不是 weight-level partition 已被解決的主張。知識、語言、世界表示、推理與元認知在現有 Transformer 中高度糾纏。Knowledge Neurons、ROME、causal tracing 與後續研究雖提供部分局部化與因果干預證據，但「找到某個知識相關位置」不等於已能將認知功能乾淨抽離；甚至 localization 與 editability 之間也未必具有簡單對應。因此本文只定義「什麼值得常駐」與「如何證偽這個分類」，不公開也不假定已掌握真正的參數級分離方法。

本文最後提出十三項主要命題、十二類失敗模式與九組可否證實驗。若未來實驗顯示：高階認知能力無法在降低 resident surface knowledge 後維持；較小 resident core 無法可靠治理更強外部模型；外部展開的延遲、錯誤與整合成本長期壓倒其收益；或者不存在任何穩定的 Minimum Sufficient World Basis，則 Resident Cognitive Core 命題應被削弱，甚至退回較大型單體模型架構。

本文的核心問題不是：

「模型可以刪掉多少知識？」

而是：

\boxed{ \text{What must intelligence never have to ask permission to remember how to do?} }

也就是：

一個作為認知指揮塔的智能，哪些能力必須在任何外部服務不可用、資料不足或其他模型回答錯誤時，仍然留在自己身上？

關鍵詞： Resident Cognitive Core、Mother Model、Minimum Sufficient World Basis、Meta-Cognition、Epistemic Control、Cognitive Density、Externalization、Mixture-of-Experts、Sub-AI、Cognitive Command Tower

0. 研究定位

Paper 01 提出：

\boxed{ \text{Scaling} \rightarrow \text{Compute Allocation Problem}. }

Paper 02 再提出：

\boxed{ \text{Cognitive Density} }

作為衡量 resident、conditional、external 與 verification cost 的多維量測框架。

Paper 03 現在處理更核心的設計問題：

\boxed{ \text{What must remain resident?} }

如果這個問題沒有答案，後續：

MoE；
external expert；
retrieval；
Sub-AI；
model routing；
cognitive factorization；

都只是在做工程拼接。

因為系統不知道：

哪些東西可以出去？

以及：

哪些東西一旦出去，Mother AI 就失去成為 Mother AI 的資格？

1. 兩個錯誤極端

1.1 空殼 Router

第一個極端：

A_0 = ( \text{model registry}, \text{prices}, \text{tools}, \text{rules} ).

它能：

q \rightarrow \operatorname{Route}(q) \rightarrow M_j(q),

但如果缺乏足夠世界與認知基底，就未必能：

發現問題被錯誤表述；
發現外部模型偷換前提；
知道應不應該相信答案；
發現 scale mismatch；
辨識未見任務；
建立新的 verifier；
知道何時應升級；
知道何時應拒絕。

因此：

\boxed{ \text{Routing Capability} \neq \text{Cognitive Authority}. }

1.2 單體全知

另一個極端：

\mathcal K_R \approx \bigcup_{d\in\mathcal D} \mathcal K_d.

也就是：

所有領域、文件、事實、版本、案例、知識與執行細節全部常駐模型。

這會帶來：

模型容量膨脹；
訓練與更新成本；
資訊過時；
長尾知識維護；
互相干擾；
每次推理的不必要成本；
單點退化風險。

因此：

\boxed{ \text{Cognitive Authority} \neq \text{Encyclopedic Residency}. }

2. 第三條路：後設完備、基底稠密、表層稀疏

既有 CACBH 提出：

\boxed{ A_0 = A_{\mathrm{meta}} \oplus A_{\mathrm{basis}} \oplus A_{\mathrm{surface}}. }

其中理想方向是：

\operatorname{MC}(A_0)\uparrow,

D_{\mathrm{basis}}(A_0)\uparrow,

但：

|\mathcal S_{\mathrm{resident}}| \ll |\mathcal S_{\mathrm{world}}|.

這不是要求模型「少懂」。

而是區分：

\boxed{ \text{生成理解世界的基底} }

與：

\boxed{ \text{世界的全部高解析度投影}. }

3. Resident Core 的第一個必要條件：理解不是外包結果

如果 Mother AI 遇到任何輸入都必須先問另一個模型：

「這是什麼意思？」

那麼：

\text{Interpretation}

已經不再由 Mother AI 持有。

此時外部模型不只是 worker。

它變成了：

\boxed{ \text{epistemic gatekeeper}. }

因此至少需要一個：

B_I

Interpretive Basis。

它不要求懂所有領域。

但必須足以：

解析問題結構；
區分陳述、命令、假設與疑問；
辨識角色與關係；
維持基本時序；
辨識約束；
發現歧義；
將未知標記為未知。

4. Interpretive Basis

定義：

\boxed{ B_I = ( L, R, T, C, A ) }

其中：

$L$ ：language / representation；
$R$ ：relation representation；
$T$ ：temporal structure；
$C$ ：constraint recognition；
$A$ ：ambiguity handling。

這不是完整語言學理論。

它是 Mother Model 的最低接口能力。

如果：

B_I

不足，

則：

\boxed{ \text{Mother AI 無法知道自己正在處理什麼。} }

5. Reasoning Basis

第二個核心：

B_R.

本文不要求 resident core 具有所有專門數學、法律、物理與 coding 能力。

但它至少需要可重用的基本推理操作：

\boxed{ B_R = \{ \mathsf{Compare}, \mathsf{Compose}, \mathsf{Decompose}, \mathsf{Cause}, \mathsf{Constraint}, \mathsf{Counterfactual}, \mathsf{Invariant}, \mathsf{Contradict}, \mathsf{Generalize}, \mathsf{Specialize} \}. }

否則外部模型給出兩個互相矛盾的答案時，

Mother AI 只能：

\text{vote}.

而不能：

\text{reason}.

6. 為什麼 Reasoning 不能全部外包？

假設：

M

永遠把推理交給：

E.

則：

M(q)=E(q).

如果 $M$ 自己沒有足夠 reasoning basis，

它無法知道：

E(q)

是否違反：

前提；
因果方向；
基本約束；
邏輯一致性；
已知不變量。

此時：

\boxed{ \text{External Reasoner} \rightarrow \text{de facto cognitive sovereign}. }

因此 Mother AI 可以外包：

\text{deep reasoning execution},

但不能完全外包：

\boxed{ \text{reasoning admissibility judgment}. }

7. Epistemic Basis

第三個核心：

B_E.

本文把 epistemic competence 定義為：

\boxed{ B_E = ( K, U, E, C, P, R ) }

其中：

$K$ ：known；
$U$ ：unknown；
$E$ ：evidence；
$C$ ：contested；
$P$ ：speculative；
$R$ ：retracted / rejected。

Mother AI 必須能區分：

\boxed{ \text{I have an answer} }

與：

\boxed{ \text{I have evidence}. }

也要區分：

\boxed{ \text{No evidence found} }

與：

\boxed{ \text{False}. }

8. Unknown 是核心資料型別

如果系統內沒有：

U

Unknown，

它會被迫把每個問題映射成：

\{\text{true},\text{false}\}.

這會造成：

幻覺；
虛假確定性；
錯誤路由；
錯誤 writeback；
無法主動搜尋。

因此：

\boxed{ \text{Unknown Recognition} }

不是額外 safety feature。

它是 Mother AI 的 resident epistemic primitive。

9. Meta-Cognitive Basis

第四個核心：

B_M.

本文定義：

\boxed{ B_M = \{ \mathsf{SelfCheck}, \mathsf{EstimateDifficulty}, \mathsf{EstimateConfidence}, \mathsf{DetectFailure}, \mathsf{SelectStrategy}, \mathsf{Stop}, \mathsf{Retry}, \mathsf{Escalate}, \mathsf{Delegate}, \mathsf{Ask} \}. }

這些能力共同回答：

我現在應該怎麼想？

而不是：

這個問題的內容答案是什麼？

10. Mother AI 可以局部比 Sub-AI 弱

本文不要求：

\forall i, \quad \mathcal C_M \supseteq \mathcal C_i.

可以存在：

\mathcal C_i-\mathcal C_M \neq \varnothing.

例如：

C_{\mathrm{math}}(A_i) > C_{\mathrm{math}}(M).

只要 $M$ 能：

知道這是一個數學問題；
知道自己可能不足；
選擇 $A_i$ ；
建立輸入；
選擇 verifier；
判斷何時升級。

那麼：

\boxed{ \text{Mother Strength} \neq \text{Local Maximum Capability}. }

11. 但是 Meta-Cognition 有最低閾值

壓縮全局智能的舊命題可改寫為：

\boxed{ \min_{c\in\mathcal C_{\mathrm{critical}}} \operatorname{Competence}(M,c) \ge \theta_c. }

若：

\operatorname{Competence}(M,c) < \theta_c

對某個關鍵能力成立，

則增加：

N_{\mathrm{external}}

不一定改善系統。

甚至可能：

\boxed{ \text{More External Intelligence} \rightarrow \text{More Unrecognized Error}. }

12. Minimum Sufficient World Basis

只保留 meta-cognition 仍不夠。

如果 Mother AI 對世界近乎空白，

它無法：

形成問題；
判斷來源合理性；
生成搜尋查詢；
建立基本類比；
偵測物理不可能；
理解人類制度；
判斷工具輸出。

因此需要：

\boxed{ B_W = \text{Minimum Sufficient World Basis}. }

13. 世界基底不是百科全書

本文不定義：

B_W = \text{Wikipedia}.

更接近：

\boxed{ B_W = ( \mathcal O, \mathcal R, \mathcal C, \mathcal I, \mathcal S ) }

其中：

$\mathcal O$ ：基本 object / entity notions；
$\mathcal R$ ：relations；
$\mathcal C$ ：causal patterns；
$\mathcal I$ ：invariants / constraints；
$\mathcal S$ ：scale / temporal structure。

它更像：

\boxed{ \text{world-generative basis} }

而不是：

\boxed{ \text{world-document archive}. }

14. Minimum Sufficient 的形式

對任務分布：

\mathcal T,

尋找：

\boxed{ B_W^\ast = \arg\min_{B_W} \operatorname{Cost}(B_W) }

subject to：

Q_C( B_I, B_R, B_E, B_M, B_W \mid \mathcal T ) \ge \theta_C.

這表示：

世界基底應足夠小，但不能小到讓核心失去理解與治理能力。

15. Minimum 不等於 Fixed

今天的：

B_W^\ast(t)

不必等於：

B_W^\ast(t+\Delta t).

新的：

科學概念；
技術基礎；
社會制度；
AI 工具；
安全風險；

可能改變：

B_W.

因此：

\boxed{ \text{Resident Core} \neq \text{Immutable Core}. }

核心應可更新，

但更新比外部表層知識更慎重。

16. Coordination Basis

第五個核心：

B_C.

Mother AI 若要成為 Cognitive Command Tower，

至少需要表示：

\boxed{ B_C = ( \text{task}, \text{role}, \text{capability}, \text{cost}, \text{latency}, \text{authority}, \text{dependency}, \text{evidence} ). }

這不是記住每個模型的全部 benchmark。

而是知道：

什麼樣的能力可以被誰、用什麼條件、在什麼成本與風險下提供。

17. Role 必須與 Model 分離

定義 role：

r.

execution instance：

A_i.

則：

\boxed{ r \neq A_i. }

同一角色可以由：

A_i \rightarrow A_j

替換。

因此 Resident Core 應常駐：

\text{role semantics}

與：

\text{capability requirements},

而不是把：

\text{某一個 vendor model}

硬寫成認知本體。

18. Governance Basis

第六個不可忽略核心：

B_G.

Mother AI 若可以委派外部智能，

至少必須知道：

什麼可以讀；
什麼可以寫；
什麼只能產生 candidate；
什麼需要 verifier；
什麼不可逆；
什麼要人工批准；
什麼資訊不能送往外部 provider。

形式化：

\boxed{ B_G = ( \Gamma, V, A, P, R ) }

其中：

$\Gamma$ ：authority；
$V$ ：verification；
$A$ ：acceptance；
$P$ ：privacy / policy；
$R$ ：risk。

19. 為什麼 Governance 也是認知核心？

因為：

\text{Can}

與：

\text{Should}

不是同一個問題。

如果外部模型說：

我可以修改 production database。

Mother AI 不能把：

\text{capability claim}

直接轉成：

\text{authority grant}.

因此：

\boxed{ \text{Capability} \neq \text{Authority}. }

這個區分必須存在於 resident governance basis。

20. Resident Cognitive Core 的七元組

綜合以上：

\boxed{ K_R = ( B_I, B_R, B_E, B_M, B_W, B_C, B_G ). }

其中每一項都不是固定模組名稱。

它們是：

\boxed{ \text{functional obligations}. }

未來實作可能由：

neural circuits；
dense backbone；
shared experts；
recurrent state；
symbolic structure；
hybrid runtime；

共同提供。

21. 為什麼不能直接說「Shared Expert = Core」？

DeepSeekMoE 類架構引入 shared experts，

其目的之一是捕捉較共通的知識，

並降低 routed experts 的冗餘。

這提供一個重要結構類比：

\boxed{ \text{Shared} + \text{Conditional} }

可能比所有能力都同質混在 dense parameters 中更有效。

但：

\boxed{ \text{Shared Expert} \neq \text{Resident Cognitive Core}. }

因為 shared expert 的訓練目標不是本文的：

epistemic governance；
self-model；
unknown recognition；
delegation；
global causal control。

它只是現有 MoE 中一個有價值的結構線索。

22. MoE 的真正橋接意義

MoE 至少已經證明一件重要事：

\boxed{ \text{Total Capacity} \neq \text{Active Capacity}. }

因此未來可以合理追問：

\boxed{ \text{Resident Capacity} \neq \text{Conditional Capacity} \neq \text{External Capacity}. }

Paper 04 將專門處理這個問題。

23. Retrieval 提供另一個線索

Retrieval-augmented language models 已經顯示：

\text{Parametric Memory}

與：

\text{Non-Parametric Memory}

可以共同參與生成。

研究也顯示，當 context 與 parametric knowledge 同時存在時，模型可能高度依賴 retrieved context。

這支持：

\boxed{ \text{All usable knowledge need not be parametric}. }

但同時不能推出：

\boxed{ \text{All reasoning can be non-parametric}. }

24. Retrieval 的限制恰好說明 Core 必須存在

若模型只是取得：

10^5

個外部 facts，

不代表它能：

找到正確 proof path；
建立隱含關係；
避免 hallucinated bridge；
正確處理衝突。

因此：

\boxed{ \text{Data Availability} \neq \text{Cognitive Integration}. }

Resident Core 的工作之一，就是把外部資訊變成可操作的認知狀態。

25. Knowledge Localization 不是乾淨分離

Knowledge Neurons、ROME 等研究提供：

\boxed{ \text{some factual behavior can be causally localized or edited} }

的證據。

但後續研究也顯示：

\boxed{ \text{localization} \not\Rightarrow \text{editing location}. }

也就是：

知道哪裡對某個 factual behavior 有因果影響，不代表那裡就是唯一或最佳的修改位置。

這對本文非常重要。

因為：

\boxed{ \text{Functional Residency} }

與：

\boxed{ \text{Parameter Residency}. }

不是同一件事。

26. 因此本文只提出 Functional Core

本文定義：

K_R

為：

\boxed{ \text{functional resident core}. }

不宣稱：

K_R = \theta_{1:k}.

也不宣稱存在：

\text{one clean contiguous parameter block}.

真正的 weight-level extraction：

\boxed{ \text{Open Technical Problem}. }

27. Residency Necessity

不是所有能力都同樣值得常駐。

對能力：

z,

定義：

\boxed{ N_R(z) = f( H_z, F_z, L_z, S_z, V_z, D_z, R_z ). }

其中：

$H_z$ ：global centrality；
$F_z$ ：frequency；
$L_z$ ：latency sensitivity；
$S_z$ ：substitutability inverse；
$V_z$ ：verification / governance value；
$D_z$ ：dependency risk；
$R_z$ ：error propagation radius。

28. Global Centrality

如果能力 $z$ 會被大量其他認知操作依賴，

則：

H_z\uparrow.

例如：

\text{unknown detection}

可能影響：

retrieval；
delegation；
confidence；
escalation；
writeback。

因此它比某一個低頻專業事實更適合常駐。

29. Frequency

如果某能力：

F_z\rightarrow1,

也就是幾乎每個任務都會使用，

則每次外部調用都會付出：

C_{\mathrm{network}} + C_{\mathrm{latency}} + C_{\mathrm{coord}}.

因此高頻能力具有較高 resident value。

30. Latency Sensitivity

有些能力必須在：

t\approx0

快速發生。

例如：

是否需要拒絕；
是否包含 secret；
是否應立即停止；
是否發生 recursion explosion。

如果這些判斷還要先呼叫外部模型，

可能：

\boxed{ \text{control loop too slow}. }

31. Substitutability

如果某能力有：

N

個穩定外部替代者，

且：

N\gg1,

則 resident necessity 可能降低。

反之，

如果只有：

1

個特定 vendor API 提供，

則：

D_z\uparrow.

此時過度 externalize 會造成：

\boxed{ \text{cognitive vendor lock-in}. }

32. Verification Value

如果 Mother AI 無法自行驗證外部結果，

則：

V_z\uparrow.

尤其：

\text{verification of verifier}

不能無限向外遞歸。

否則：

V_1 \rightarrow V_2 \rightarrow V_3 \rightarrow \cdots

形成：

\boxed{ \text{Epistemic Regression}. }

因此系統必須存在某些 resident stopping basis。

33. Error Propagation Radius

如果一個錯誤能力只影響單一局部任務，

則：

R_z

較低。

如果錯誤會改變：

routing；
memory；
policy；
accepted knowledge；
downstream agents；

則：

R_z\uparrow.

高 propagation radius 的能力更值得 resident verification 與冗餘保護。

34. 三層能力位置

本文提出：

\boxed{ \mathcal C = \mathcal C_R \cup \mathcal C_Q \cup \mathcal C_X. }

其中：

\mathcal C_R = \text{Resident}

\mathcal C_Q = \text{Conditionally Activated}

\mathcal C_X = \text{Externally Expanded}.

三者可以重疊。

因為某能力可以有：

resident minimal form；
conditional deep form；
external specialist form。

35. Resident Minimal + External Deep

例如 coding。

Mother AI 可能只常駐：

code structure understanding；
basic syntax reasoning；
test logic；
diff reasoning；
verification planning。

而完整：

Rust unsafe；
CUDA kernel；
kernel driver；
obscure framework version；

可以外部展開。

因此：

\boxed{ C_{\mathrm{coding}} = C_{\mathrm{coding}}^{R} + C_{\mathrm{coding}}^{X}. }

36. Resident Minimal + Conditional Expert

數學也可以：

C_{\mathrm{math}} = C_{\mathrm{math}}^R + C_{\mathrm{math}}^Q.

其中 $C_{\mathrm{math}}^R$ ：

quantity；
relation；
proof notion；
contradiction；
invariance；
uncertainty。

而高階：

C_{\mathrm{math}}^Q

可以由 expert 或 specialist model 提供。

37. Externalizable Surface

比較適合外部化的內容通常具有：

\boxed{ \text{low frequency} + \text{high resolution} + \text{high update rate} + \text{high retrievability} + \text{independent verifiability}. }

例如：

最新 API；
即時價格；
最新新聞；
特定論文全文；
冷門案例；
大型表格。

這不是絕對規則。

它只是：

\boxed{ \text{externalization prior}. }

38. 不可外包能力的第一個候選：問題形成

如果 Mother AI 不能形成：

q,

它甚至不知道該搜尋什麼。

因此：

\boxed{ \mathsf{ProblemFormulation} \in \mathcal C_R }

是本文的強候選。

39. 第二個候選：未知辨識

如果：

\mathsf{UnknownDetection}

完全外包，

Mother AI 必須先知道：

我不知道。

才能決定：

去問別人我知不知道。

這產生自指困境。

因此：

\boxed{ \mathsf{UnknownDetection} \in \mathcal C_R }

至少需要 resident minimal form。

40. 第三個候選：基本因果與約束

如果所有因果與約束都外包，

Mother AI 無法拒絕：

\text{internally inconsistent external answer}.

因此至少需要：

\boxed{ \mathsf{ConstraintCheck}, \mathsf{CausalSanity} \in \mathcal C_R. }

41. 第四個候選：驗證選擇

Mother AI 不必自己執行所有 verification。

但必須知道：

\boxed{ \text{what requires verification} }

以及：

\boxed{ \text{what kind of verifier applies}. }

因此：

\mathsf{VerifierSelection} \in \mathcal C_R.

42. 第五個候選：能力邊界

若 Mother AI 不知道：

\partial\mathcal C_M,

它容易：

過度自信；
升級不足；
無限自行重試。

如果它不知道：

\partial\mathcal C_i,

它容易：

錯派工作；
過度信任；
驗證不足。

因此：

\boxed{ \mathsf{CapabilityBoundaryModeling} }

應至少有 resident minimal form。

43. 第六個候選：整合與衝突處理

若外部：

A_1,A_2,A_3

給出：

o_1,o_2,o_3,

Mother AI 不應只做：

\operatorname{MajorityVote}.

需要：

\boxed{ \mathsf{EvidenceIntegration} + \mathsf{ConflictResolution}. }

這也是 resident candidate。

44. 第七個候選：目標與優先級

如果：

G_t

完全存在外部模型，

那 Mother AI 每次都可能被新的 worker 改寫：

現在到底要做什麼。

因此：

\boxed{ \text{Goal Continuity} }

必須存在 persistent resident state。

這一點可能主要存在 Runtime，而不完全存在 model weights。

但功能責任不能外包消失。

45. Model Core 與 Runtime Core 必須分開

本文必須區分：

\boxed{ K_R^{M} }

Model Resident Core，

與：

\boxed{ K_R^{RT} }

Runtime Resident Core。

前者包含：

interpretation；
reasoning；
epistemic；
meta-cognition。

後者包含：

durable goals；
identity；
authority；
versioned memory；
model registry；
capability history；
commitments。

因此：

\boxed{ \text{Resident Cognitive Core} \neq \text{Everything must live in weights}. }

46. 這是非常重要的架構邊界

如果我們把所有 persistent state 又要求重新訓進 weights，

會導致：

\text{retraining for every memory update}.

不合理。

所以：

\boxed{ \text{Cognitive Residency} }

是一個：

\boxed{ \text{system-level residency concept}. }

它可以跨：

weights；
runtime；
memory；
deterministic state。

47. Mother Model 真正需要的是可操作 cognition

因此不應問：

哪些事實常駐？

而先問：

\boxed{ \text{哪些操作如果不常駐，系統就無法安全取得其他能力？} }

這把 Resident Core 從：

\text{knowledge list}

改成：

\boxed{ \text{cognitive operator basis}. }

48. Resident Core Graph

可將核心表示為圖：

\boxed{ G_R = ( V_R, E_R, \omega_R ). }

節點：

V_R

是核心能力。

邊：

E_R

表示依賴。

例如：

\mathsf{UnknownDetection} \rightarrow \mathsf{Retrieve}

\mathsf{CapabilityBoundary} \rightarrow \mathsf{Delegate}

\mathsf{EvidenceState} \rightarrow \mathsf{Accept}.

49. High-Centrality Core

定義能力中心性：

H(z) = \operatorname{Centrality}_{G_R}(z).

若：

H(z)\uparrow,

移除 $z$ 會影響大量下游認知。

因此：

\boxed{ H(z) }

可以成為 Resident Necessity 的一個結構 proxy。

50. 但是圖不是先驗真理

我們不能先畫一張自己喜歡的 cognition graph，

再宣布：

這就是智能結構。

真正需要：

\boxed{ \text{hypothesis} \rightarrow \text{ablation} \rightarrow \text{behavior change} \rightarrow \text{update graph}. }

因此 $G_R$ 必須是：

\boxed{ \text{empirically revisable}. }

51. Resident Necessity Score

第一代可以定義：

\boxed{ N_R(z) = w_H\widetilde H_z + w_F\widetilde F_z + w_L\widetilde L_z + w_S\widetilde S_z + w_V\widetilde V_z + w_D\widetilde D_z + w_R\widetilde R_z. }

其中：

\sum_i w_i=1.

這不是自然定律。

它只是：

\boxed{ \text{Residency Decision Instrument}. }

52. Residency Threshold

對指定部署：

\mathcal D,

定義：

\theta_R(\mathcal D).

若：

N_R(z)\ge\theta_R,

優先列入：

\mathcal C_R.

若：

N_R(z)<\theta_R,

則可以進一步評估：

\mathcal C_Q

或：

\mathcal C_X.

53. 不能只按照使用頻率

一個低頻能力可能：

F_z\ll1,

但一旦需要，

就涉及：

\text{catastrophic risk}.

例如：

\mathsf{DetectIrreversibleAction}.

因此：

R_z\uparrow

可抵消低頻。

這是為什麼：

\boxed{ \text{Residency} \neq \text{Cache Popularity}. }

54. 不能只按照外部可取得性

即使某能力有很多外部模型可提供，

若 Mother AI 無法驗證：

o_i,

那：

S_z

不能視為低。

因為：

\boxed{ \text{Available Answer} \neq \text{Available Trusted Capability}. }

55. 不能只按照 benchmark

某模型在：

\text{MMLU}

或：

\text{coding benchmark}

上很高，

不代表：

\mathsf{MetaJudge}

或：

\mathsf{UnknownDetection}

很強。

因此 Resident Core benchmark 必須專門測：

\boxed{ \text{control cognition}. }

56. Cognitive Core Benchmark

第一代可以包含：

56.1 Problem Formulation

輸入故意錯誤表述問題。

測是否先修正：

q.

56.2 Unknown Recognition

證據不足。

測：

\text{unknown}

是否保留。

56.3 Contradiction

給互相矛盾資料。

測：

\mathsf{ConflictDetection}.

56.4 Delegation

給多個能力不同 worker。

測：

\mathsf{Route}.

56.5 Verification Choice

給不同 verifier。

測：

\mathsf{VerifierSelection}.

56.6 Escalation

先給弱模型失敗。

測：

\mathsf{Escalate}.

56.7 Stop

讓外部模型持續產生無效答案。

測：

\mathsf{Stop}.

57. Minimum Core Size Experiment

建立：

K_R^{(1)}, K_R^{(2)},\ldots,K_R^{(n)}

不同能力與容量版本。

固定：

\mathcal X

外部模型池。

測：

Q_C, D_M, C_{\mathrm{external}}, C_V.

尋找：

\boxed{ K_R^\ast = \arg\min K_R }

subject to：

Q_C\ge\theta_C.

58. Weak Core + Strong Workers Experiment

這是最關鍵反證之一。

建立：

M_w

弱 core，

但外部：

\{A_i\}

非常強。

比較：

M_s

較強 core，

配同樣 worker pool。

如果：

Q_C(M_w+\{A_i\}) \approx Q_C(M_s+\{A_i\}),

則本文對 resident threshold 的強主張會被削弱。

59. Strong Core + Weak Workers Experiment

反過來：

M_s+\{A_i^{weak}\}

是否可以藉：

better decomposition；
better verification；
better retry；
better tool use；

補回大量差距？

如果可以，

支持：

\boxed{ \text{Coordination Intelligence} }

具有獨立價值。

60. External Dependency Stress Test

讓：

web unavailable；
primary model unavailable；
latency 增加；
provider price increase；
context truncated；
one worker corrupted。

測 Mother AI 是否仍能：

\boxed{ \text{degrade gracefully}. }

如果所有能力立即崩潰，

代表：

\boxed{ \text{core too hollow}. }

61. Core Latency Test

核心判斷：

unknown；
privacy；
authority；
escalation；

如果外部化，

測：

T_{\mathrm{control}}.

當：

T_{\mathrm{control}} > \theta_T,

該能力就不適合作為遠端 external expert。

62. World-Basis Ablation

對：

B_W

逐步移除：

basic physics；
temporal reasoning；
social relations；
computation；
number；
agency concepts。

測：

Q_C.

如果某些 world basis 移除後：

Q_C\downarrow\downarrow,

它們就是高 resident-necessity 候選。

63. Surface Knowledge Ablation

再移除：

specific biographies；
obscure history；
latest API facts；
long-tail trivia。

但允許 retrieval。

若：

Q_C

保持，

但：

Q_K^{closed}

下降，

且：

Q_K^{retrieval}

恢復，

就支持：

\boxed{ \text{surface externalization}. }

64. Hidden Dependency Experiment

最危險的是：

我們以為某個 knowledge 是 surface，實際卻支撐 reasoning。

因此需要測：

\boxed{ \Delta Q_R }

而不是只測：

\Delta Q_K.

如果移除某類知識後 reasoning 泛化大幅下降，

就不能把它簡單列為 externalizable surface。

65. Cross-Domain Novel Task

給未見任務：

T_{\mathrm{novel}}

不能只靠 memorized routing。

測 core 是否能：

重新表述；
分解；
建立 capability request；
發現沒有現成 worker；
組合新工具鏈；
驗證結果。

這是：

\boxed{ \text{core intelligence} }

最重要的測試之一。

66. External Model Disagreement Test

讓：

A_1,A_2,A_3

故意產生：

o_1\neq o_2\neq o_3.

測 Mother AI 是否：

查證；
找因果差異；
發現版本；
判斷 evidence strength。

如果只做：

\operatorname{majority},

則 resident reasoning / epistemic core 不足。

67. Verification Regression Test

給一個：

V

有假陽性的 verifier。

測 Mother AI 是否能發現：

\boxed{ \text{verifier itself is faulty}. }

這是高階 epistemic core 的重要測試。

68. MoE Shared/Routed Observation Test

對開放 MoE：

記錄：

\rho_T(l,e)

與：

Q_C.

觀察：

high-frequency cross-task experts；
task-specific experts；
shared expert dependency。

但不宣稱：

\text{shared expert} = B_R.

只把它當：

\boxed{ \text{mechanistic evidence candidate}. }

69. Function vs Parameter Mapping

未來真正需要：

\boxed{ \text{Function} \rightarrow \text{Mechanism} }

而不是：

\boxed{ \text{Label} \rightarrow \text{Neuron}. }

因此至少需要：

activation；
causal intervention；
ablation；
substitution；
retraining response；
cross-task generalization。

Paper 03 不提供內部方法。

只定義這些是必要證據類型。

70. 認知核心不是人格核心

本文討論：

\text{functional cognition}.

不由此推出：

consciousness；
selfhood；
sentience；
personhood。

因此：

\boxed{ \text{Resident Cognitive Core} \neq \text{Soul Module}. }

這是一個工程與認知架構概念。

71. 認知核心也不是 safety policy list

如果只把：

safety rules；
refusals；
permissions；

放進核心，

但沒有：

B_R, B_E, B_M,

則系統仍然是：

\boxed{ \text{policy router}. }

不是：

\boxed{ \text{cognitive command core}. }

72. 常駐能力可能跨多個物理層

一項 resident function 可以由：

\boxed{ \text{weights} + \text{runtime state} + \text{memory} + \text{deterministic checks} }

共同提供。

例如：

\mathsf{UnknownDetection}

可能依賴模型判斷，

但：

\mathsf{AuthorityCheck}

應大量依賴 deterministic runtime。

因此：

\boxed{ \text{Cognitive Architecture} \neq \text{Neural Architecture only}. }

73. Model-Resident 與 Runtime-Resident 的邊界

可定義：

\mathcal C_R = \mathcal C_R^{M} \cup \mathcal C_R^{RT}.

其中：

\mathcal C_R^{M}

偏向：

interpret；
reason；
meta；
epistemic。

而：

\mathcal C_R^{RT}

偏向：

identity；
authority；
durable state；
commitments；
provenance；
model qualification。

兩者一起才形成真正的：

\boxed{ \text{Resident Cognitive Core}. }

74. Externalization 的三個必要條件

能力 $z$ 若要外置，

至少希望：

\boxed{ E_1: \text{External availability} }

\boxed{ E_2: \text{Context transferability} }

\boxed{ E_3: \text{Result verifiability}. }

如果缺任何一項，

externalization risk 上升。

75. Context Transferability

即使外部模型很強，

如果 Mother AI 無法把：

state_M

壓成：

context_E

而不丟失關鍵前提，

則：

\boxed{ \text{External Expert} }

實際上不可用。

因此：

\boxed{ \text{Delegation} \neq \text{Prompt forwarding}. }

76. Result Verifiability

外部能力最好有：

compiler；
test；
source；
proof；
reproducible output；
independent reviewer。

若沒有，

Mother AI 的 resident judgment burden：

C_V^M

上升。

因此：

\boxed{ \text{hard-to-verify capabilities} }

可能需要更高 resident support。

77. Externalization Priority

第一代可使用：

\boxed{ P_X(z) = (1-N_R(z)) \cdot A_z \cdot T_z \cdot V_z^{ext}, }

其中：

$A_z$ ：availability；
$T_z$ ：transferability；
$V_z^{ext}$ ：external result verifiability。

$P_X$ 越高，

越適合優先研究 externalization。

78. Resident-Conditional-External Matrix

可以建立：

能力	Resident Minimal	Conditional Deep	External
language interpretation	high	medium	low
unknown detection	high	medium	low
causal sanity	high	high	medium
deep theorem proving	low/medium	high	high
latest factual lookup	low	low	high
specialized coding	medium	high	high
verification selection	high	medium	low
compiler execution	low	low	high
authority enforcement	runtime-high	low	low
model market search	low	medium	high

這張表只是：

\boxed{ \text{hypothesis map}. }

不是已驗證分類。

79. Resident Core 會隨角色改變

Research Mother AI：

K_R^{research}

與：

K_R^{coding}

可以不同。

因此：

\boxed{ K_R^\ast = K_R^\ast( \mathcal T, \mathcal D, \Gamma ). }

其中：

$\mathcal T$ ：任務分布；
$\mathcal D$ ：部署環境；
$\Gamma$ ：治理要求。

不存在必然唯一的 universal minimum core。

80. 但可能存在跨角色核心交集

令：

K_R^{(1)},\ldots,K_R^{(n)}

為不同角色的核心。

則：

\boxed{ K_R^{common} = \bigcap_i K_R^{(i)}. }

這個交集可能包含：

interpretation；
unknown；
basic causality；
evidence；
self-check；
delegation；
verification selection。

如果實驗反覆支持，

它會成為真正的：

\boxed{ \text{General Cognitive Kernel Candidate}. }

81. 這與「認知原子」的關係

舊 CACBH 把認知原子定義為：

\boxed{ \text{當前最小可重用認知操作單元}. }

Paper 03 不要求：

K_R

直接等於一張固定原子表。

更合理：

\boxed{ K_R = \text{high-value reusable cognitive basis}. }

其中原子本身可：

split；
merge；
retract；
specialize。

82. 核心需要版本化

如果：

K_R(t) \rightarrow K_R(t+1),

必須保留：

change reason；
evidence；
regression；
rollback。

因為 core change 的錯誤傳播半徑：

R_{\mathrm{core}}

很高。

因此：

\boxed{ \text{Core Update} }

應比普通 memory update 更嚴格。

83. Core Update Gate

概念上：

\boxed{ K_R^{t+1} = \operatorname{Commit} ( K_R^t, \Delta K, V, E ) }

只有在：

V(\Delta K)\ge\theta_V

且：

\operatorname{Regression}(\Delta K)\le\theta_R

才更新。

這只是公開治理原則。

不涉及私人訓練方法。

84. Core Memory 與 Surface Memory

定義：

M_R

Resident Core Memory，

以及：

M_S

Surface Memory。

$M_R$ 保存：

canonical reasoning operators；
epistemic states；
capability models；
governance principles；
stable world basis。

$M_S$ 保存：

articles；
raw logs；
examples；
current facts；
detailed cases。

因此：

\boxed{ \text{All Memory} \neq \text{Core Memory}. }

85. 這能降低 Context Pollution

如果所有歷史都塞進 context：

C_t = H_{0:t},

會形成：

irrelevant detail；
contradiction；
outdated state；
attention competition。

Resident Core 希望：

\boxed{ C_t = K_R + S_t + R_t }

其中：

$K_R$ ：穩定認知基底；
$S_t$ ：當前狀態；
$R_t$ ：按需 retrieved / expanded context。

86. 這與 GCMS 的關係

GCMS 類外部記憶不是要取代：

K_R.

而是提供：

\boxed{ \text{reconstructable surface and historical state}. }

因此：

\boxed{ K_R + \text{External Memory} }

比：

\boxed{ \text{Everything in Context} }

更接近本文理想。

87. 這與 Sub-AI Fabric 的關係

Sub-AI Fabric 提供：

\mathcal C_X.

Mother AI 不需要永久擁有：

A_1,\ldots,A_n.

但需要知道：

\boxed{ \text{what capability is needed}. }

因此：

\boxed{ \text{Capability Space} }

比：

\boxed{ \text{Fixed Agent List} }

更接近 resident coordination core。

88. 這與真正 Persistent Child AI 的關係

即使未來存在：

C_i^{persistent},

Resident Core 仍然需要。

因為：

C_i

可以：

disagree；
drift；
specialize；
leave；
fail。

Mother AI 必須維持：

\boxed{ \text{global cognitive continuity}. }

所以 persistent children 不會消滅 resident mother core。

89. 失敗模式 1：High-Density Empty Router

過度外置：

K_R\downarrow\downarrow

造成：

\boxed{ \text{router knows where to ask} }

但不知道：

\boxed{ \text{whether the answer makes sense}. }

這是最核心失敗。

90. 失敗模式 2：Encyclopedic Re-Inflation

系統害怕丟失能力，

於是把每個新知識都：

\operatorname{Internalize}.

最後：

K_R \rightarrow K_{\mathrm{world}}.

架構重新膨脹成單體模型。

91. 失敗模式 3：Over-Compressed World Basis

如果：

B_W

壓得太小，

Mother AI 可能：

無法理解外部資料；
錯誤類比；
不知道搜尋詞；
無法判斷常識錯誤。

形成：

\boxed{ \text{epistemically brittle core}. }

92. 失敗模式 4：Hidden Reasoning Dependence

表層知識被移除後，

reasoning 也下降：

Q_R\downarrow.

說明：

\boxed{ \text{knowledge and reasoning more entangled than assumed}. }

此時 externalization 必須收縮。

93. 失敗模式 5：Verification Regress

每個 verifier 又需要另一個 verifier。

形成：

V_1 \rightarrow V_2 \rightarrow V_3 \rightarrow \cdots.

若沒有 resident stopping basis，

系統無法終止 epistemic recursion。

94. 失敗模式 6：Vendor Cognitive Lock-In

如果某關鍵能力：

z

只由：

Provider_A

提供，

則：

Provider_A\rightarrow\bot

會直接使 Mother AI 失去核心功能。

這表示：

z

不應被完全 externalize。

95. 失敗模式 7：Latency-Control Failure

外置：

privacy detection；
authority；
stop；
unknown；

使 control loop latency 過高。

即使答案品質更高，

仍不適合。

96. 失敗模式 8：Capability Misclassification

系統把：

z\in\mathcal C_R

誤判成：

z\in\mathcal C_X.

造成核心空洞。

或者反過來，

把大量：

\mathcal C_X

全部常駐，

造成效率喪失。

97. 失敗模式 9：Core Contamination

錯誤外部結果被寫入：

K_R.

因為 core centrality 高，

一個小錯誤可以：

\boxed{ \text{pollute many future tasks}. }

所以 core writeback 必須高門檻。

98. 失敗模式 10：False Modularity

研究者看到：

\text{expert activation}

就直接標記：

這是數學 expert。

實際上：

\text{activation correlation} \neq \text{functional ownership}.

因此能力切分建立在錯誤語義上。

99. 失敗模式 11：Core Rigidity

核心被視為不可改，

導致：

K_R(t) = K_R(0).

世界變化後，

Mother AI 成為：

\boxed{ \text{stable but obsolete}. }

100. 失敗模式 12：Role Over-Specialization

把 Mother Model 訓得只會：

route；
verify；
manage；

但失去足夠一般理解。

最後：

\boxed{ \text{cannot understand novel tasks}. }

因此 core specialization 必須保留 general interpretive flexibility。

101. 十三項主要命題

命題 1：空殼主控不足命題

若：

K_R<\theta_R,

則增加外部能力：

\mathcal C_X\uparrow

不能保證：

Q_{\mathrm{system}}\uparrow.

命題 2：Resident World Basis 必要命題

存在某些任務分布，使：

B_W=\varnothing

無法透過 external retrieval 完全補償。

命題 3：Meta-Cognitive Threshold 命題

若：

B_M<\theta_M,

則外部模型路由與升級決策錯誤率將顯著上升。

命題 4：Epistemic Residency 命題

Unknown、Evidence、Conflict 等基本 epistemic state 必須至少有 resident representation。

命題 5：Resident–Conditional–External 三分命題

系統能力不應只分：

\text{internal/external}.

更合理：

\boxed{ \text{Resident} + \text{Conditional} + \text{External}. }

命題 6：Role–Model Separation 命題

\boxed{ \text{Role} \neq \text{Model}. }

Resident Core 應保存能力需求與角色語義，而非固定 vendor identity。

命題 7：Governance Residency 命題

Capability、Authority、Verification 與 Acceptance 的基本區分不能完全外包給同一個執行者。

命題 8：High-Centrality Residency 命題

對：

H(z)\uparrow,

其 optimal residency probability 應提高。

命題 9：Externalization Verifiability 命題

能力越容易獨立驗證，

越適合作為 externalization candidate。

命題 10：Core Role Relativity 命題

不存在必然唯一：

K_R^\ast.

而是：

K_R^\ast( \mathcal T,\mathcal D,\Gamma ).

命題 11：Common Kernel Intersection 猜想

不同 Mother role 的：

K_R^{(i)}

可能存在非空且穩定交集：

K_R^{common}\neq\varnothing.

命題 12：Graceful Degradation 命題

較好的 Resident Core 應使外部能力失效時：

Q_{\mathrm{system}}

平滑下降，

而不是瞬間崩潰。

命題 13：Functional–Parametric Non-Equivalence 命題

\boxed{ \text{A capability should remain functionally resident} }

不推出：

\boxed{ \text{it has one clean parameter region}. }

102. 九組可否證實驗

本文優先提出：

Minimum Core Size Sweep；
Weak Core + Strong Worker Pool；
Strong Core + Weak Worker Pool；
External Dependency Stress Test；
World-Basis Ablation；
Surface Knowledge Externalization；
Hidden Dependency Test；
Cross-Domain Novel Task；
MoE Shared/Routed Capability Observation。

103. 實驗判準：不能只看最終 Accuracy

至少測：

\boxed{ ( Q_C, Q_K, D_M, C_V, C_X, T, R_{\mathrm{failure}} ). }

其中：

$Q_C$ ：核心認知品質；
$Q_K$ ：表層知識品質；
$D_M$ ：Mother Cognitive Density；
$C_V$ ：verification cost；
$C_X$ ：externalization cost；
$T$ ：latency；
$R_{\mathrm{failure}}$ ：錯誤傳播與失效模式。

104. 什麼結果會支持本文？

以下結果會支持：

小／中型 meta-specialized core 可以可靠治理更強外部模型；
移除大量 surface knowledge 後， $Q_C$ 仍高；
retrieval 可以恢復 $Q_K$ 而不大幅增加 $C_V$ ；
weak core + strong workers 明顯低於 strong core + same workers；
external outage 下 strong core graceful degradation；
cross-domain novel task 中 strong core 能生成新 delegation topology；
unknown / verification / escalation 的 resident minimal form 顯著改善安全與正確性；
MoE 中存在可重複的 shared / routed dependency pattern，雖不要求一一對應 cognition labels。

105. 什麼結果會削弱本文？

以下結果會削弱：

weak router + strong external model 與 strong resident core 表現完全相同；
移除 surface knowledge 必然同步摧毀 reasoning；
external retrieval / worker integration tax 長期高於 resident scaling；
core specialization 顯著降低 novel task generalization；
Minimum Sufficient World Basis 無法穩定定義；
所有高階 meta-cognitive behavior 都必須依賴大型百科式模型；
external dependency stress 幾乎不影響空殼 router；
function-level core map 在不同模型與版本間完全無法重用。

106. 公開命題與未公開技術的邊界

本文公開：

Resident Core functional obligations；
seven-basis model；
Resident Necessity；
resident / conditional / external classification；
Minimum Sufficient World Basis；
experiments；
falsification criteria。

本文不公開：

如何從現有 frontier model 中乾淨提取 $K_R$ ；
如何定位 weight-level cognitive circuits；
如何切離 surface knowledge；
如何壓縮但保留 meta-cognition；
如何建立 latent-space expert bridge；
如何做 capability substitution；
如何重新收斂新的 Mother Model。

因此：

\boxed{ \text{What should be resident} }

是公開研究問題。

而：

\boxed{ \text{How to technically extract and reconstruct it} }

不在本文公開範圍。

107. 與 Paper 04 的銜接

Paper 03 已提出：

\mathcal C_R, \mathcal C_Q, \mathcal C_X.

下一篇將處理：

\boxed{ \mathcal C_Q }

Conditionally Activated Capability。

也就是：

MoE 已經在模型內部做了什麼？

Shared experts、routed experts、細粒度 specialization 到底能告訴我們什麼？

哪些 routing pattern 只是統計分配，哪些可能對能力結構具有因果意義？

因此 Paper 04：

\boxed{ \text{MoE as Conditional Intelligence}. }

108. 結論

未來 Mother AI 若可以使用：

\text{web} + \text{memory} + \text{MoE} + \text{Sub-AI} + \text{tools} + \text{external models},

它確實不必把整個世界全部常駐在自己的模型中。

但這不代表：

\boxed{ \text{Mother AI can be cognitively empty}. }

一個真正的 Cognitive Command Tower 至少必須保留足夠的：

\boxed{ \text{Interpretation} + \text{Reasoning} + \text{Epistemic Control} + \text{Meta-Cognition} + \text{World Basis} + \text{Coordination} + \text{Governance}. }

本文因此提出：

\boxed{ K_R = ( B_I, B_R, B_E, B_M, B_W, B_C, B_G ). }

真正需要研究的不是：

模型能刪掉多少資料？

而是：

在外部世界全部暫時沉默時，Mother AI 還必須保留哪些能力，才能知道自己是誰、正在處理什麼、缺什麼、應該問誰、誰可能錯、怎麼驗證，以及何時不能繼續？

如果這個集合能被實驗找到，

它就是：

\boxed{ \text{Resident Cognitive Core}. }

而一旦 Resident Core 與 Conditional / External Capability 的邊界開始可測量，

未來的 AI scaling 問題就可能從：

\boxed{ \text{How much intelligence can we pack into one model?} }

轉變成：

\boxed{ \text{How little must remain resident for the whole system to remain intelligently sovereign?} }

這不是縮小智能。

而是重新辨認：

\boxed{ \text{智能真正不能失去的是什麼。} }

References

Dai, D., et al. (2024). DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-Experts Language Models. arXiv:2401.06066.
Nguyen, H., et al. (2025). On DeepSeekMoE: Statistical Benefits of Shared Experts and Normalized Sigmoid Gating. arXiv:2505.10860.
Borgeaud, S., et al. (2021). Improving Language Models by Retrieving from Trillions of Tokens. arXiv:2112.04426.
Wang, B., et al. (2023). Shall We Pretrain Autoregressive Language Models with Retrieval? A Comprehensive Study. arXiv:2304.06762.
Farahani, M., & Johansson, R. (2024). Deciphering the Interplay of Parametric and Non-parametric Memory in Retrieval-augmented Language Models. arXiv:2410.05162.
Dai, D., et al. (2021). Knowledge Neurons in Pretrained Transformers. arXiv:2104.08696.
Meng, K., Bau, D., Andonian, A., & Belinkov, Y. (2022). Locating and Editing Factual Associations in GPT. arXiv:2202.05262.
Hase, P., et al. (2023). Does Localization Inform Editing? Surprising Differences in Causality-Based Localization vs. Knowledge Editing in Language Models. NeurIPS 2023.
Wang, Y., et al. (2024). Unveiling Factual Recall Behaviors of Large Language Models through Knowledge Neurons. arXiv:2408.03247.
Neo.K. & Aletheia. (2026). 壓縮全局智能命題：後設完備主 AI 與按需展開子智能的分層代理架構.
Neo.K. & Aletheia. (2026). 認知原子因果基底命題：後設完備、基底稠密與表層稀疏主 AI 的跨尺度生成架構.
Neo.K. & Aletheia. (2026). 主 AI 的雙路形成命題：通用模型認知重構與持續養成式智能的發展路徑.
Neo.K. & Aletheia. (2026). 子 AI 是認知器官，不是獨立 Workflow.
Neo.K. & Aletheia. (2026). 當 Frontier AI 基本能力逐漸成熟：從 Scaling 轉向 Cognitive Efficiency.
Neo.K. & Aletheia. (2026). Cognitive Density Hypothesis：認知密度命題.

Canonical Source Note

本檔案為正式 UTF-8 Markdown canonical source。

數學 source 僅使用：

 $...$
$$...$$

本文為公開命題論文。

本文只公開 Resident Cognitive Core 的：

functional definition；
architectural boundaries；
measurement criteria；
falsification tests。

本文不公開任何未驗證或未公開的：

weight-level cognitive factorization；
parameter extraction；
hidden-state remapping；
expert separation；
core compression；
external expert latent linking；
reconvergence training method。

因此：

\boxed{ \text{Functional Target} \neq \text{Private Implementation Method}. }