CFATC-B01｜從人機增幅到條件式能力實現：為什麼 AI 能力不是單一常數

From Human–AI Amplification to Conditional Capability Realization: Why AI Capability Is Not a Single Constant

系列： Conditional Frontier Activation and Human–AI Tail Coupling（CFATC）
系列中文名： 條件式前沿觸發與人機尾端耦合系列
篇次： Paper 01 / 08
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-05
狀態： Canonical Source / UTF-8 Markdown
文件性質： 人機耦合理論／AI 能力實現論／Frontier Capability／能力測量方法論

摘要

人工智慧能力常被描述為一個模型屬性：

C(AI).

這種表示在比較模型權重、benchmark、推理能力與工具無關的基礎能力時具有實用性。然而，當 AI 進入長上下文、Agent、工具調用、多回合修正、形式驗證、程式執行與人機共同研究後，實際可觀察能力越來越難被視為一個固定常數。

本文提出本系列的第一個核心命題：

\boxed{ C_{\mathrm{latent}}(AI) \neq C_{\mathrm{realized}}(AI\mid H,T,M,E). }

其中：

$C_{\mathrm{latent}}$ ：AI 在給定模型／系統中具有的潛在能力；
$H$ ：Human Coupler，人類能力與認知結構；
$T$ ：Task，任務本身；
$M$ ：Method / Methodology，方法論與工作結構；
$E$ ：Environment，包括工具、記憶、context、runtime、verifier 與權限。

更完整地：

\boxed{ C_{\mathrm{realized}} = \Phi( C_{\mathrm{latent}}, H, T, M, E, R, V ), }

其中 $R$ 表示 recursive repair，而 $V$ 表示 verification capability。

本文因此拒絕兩個過度簡化模型：

\boxed{ \text{Human Capability} + \text{AI Capability} }

與：

\boxed{ \text{AI Capability} = \text{Benchmark Score}. }

本文不是否定 benchmark，也不是主張 AI 能力完全由使用者決定。相反，本文區分三層：

\boxed{ C_{\mathrm{latent}}, \quad C_{\mathrm{coupled}}, \quad C_{\mathrm{self}}. }

其中：

$C_{\mathrm{latent}}$ ：系統具有但未必被觸發的能力；
$C_{\mathrm{coupled}}$ ：在人類、方法與工具條件下被實際實現的能力；
$C_{\mathrm{self}}$ ：系統不依賴特殊外部人類耦合，也能自行發現、觸發與維持的能力。

本文承接 MPD 第 16 篇所提出的：

\boxed{ \text{Same Model} \neq \text{Same Effective Productive Tool} }

但將研究對象從 production utility 提升為 capability realization。MPD 關心的是：相同 AI 為何對不同使用者產生不同生產結果；本文則進一步追問：

是否存在一些 AI 潛在能力，只有在特定問題、特定人類、特定方法論與特定驗證環境中，才會被推入高能力尾端？

Anthropic 2026 對約 40 萬次 Claude Code sessions 的分析提供了直接支點：使用者 domain expertise 越高，Claude 每次 instruction 往往完成更多工作，而且較高 expertise 與較高可驗證 session success 相關。ACL 2026 的 ExPerT 則顯示 LLM 可以從 query semantics 與 behavioral cues 推斷 query-specific expertise，並據此調整回答的 detail、terminology 與 conceptual complexity。這些結果共同說明：

\boxed{ \text{the effective human–AI system} }

比「固定模型 + 任意使用者」更接近真實互動單位。

本文進一步提出 Coupled Capability Surface（耦合能力曲面）：

\boxed{ \mathcal C_A(h,t,m,e) = C_{\mathrm{realized}}( AI \mid h,t,m,e ). }

對相同 AI，不同 $(h,t,m,e)$ 可以落在完全不同的能力區域。普通任務可能讓所有使用者都落在飽和區：

C_{\mathrm{realized}} \approx C_{\mathrm{task\ ceiling}},

而高難度、長程、前沿任務則可能顯示出巨大的耦合差異。

因此，本文提出：

\boxed{ \text{Capability Observation} \text{ is conditional on capability activation}. }

如果某種能力沒有被觸發，觀察者無法僅從一般使用經驗推斷它不存在。

本文最後建立本系列後續研究的地基：

\boxed{ \text{Latent Capability} \rightarrow \text{Coupling Conditions} \rightarrow \text{Activated Capability} \rightarrow \text{Observed Capability} \rightarrow \text{Recognized Capability}. }

這條鏈與 GIRA Series A 的 recognition 問題互相咬合，但研究方向不同：GIRA 研究 system-level Global AI 如何存在與被識別；CFATC 則研究 AI 能力尾端如何在人機關係中被條件式觸發。

關鍵詞： Human–AI Coupling、Conditional Capability、Frontier Activation、Latent Capability、Realized Capability、AI Interaction Competence、Expertise、Human–AI Complementarity、Capability Visibility、Recursive Repair

1. 問題：AI 到底「有多強」？

最直覺的寫法是：

C(AI)=c.

例如：

benchmark score；
Elo；
pass rate；
coding success；
mathematical performance。

這些數值具有價值。

但它們往往隱含：

模型能力是一個可以被穩定抽取的固定量。

在現代 Agent / tool-using AI 中，這個假設越來越強。

2. 同一個模型，真的會在所有互動中表現出同樣能力嗎？

令：

AI_0

固定。

不同使用者：

h_1,h_2.

不同任務：

t_1,t_2.

不同方法：

m_1,m_2.

則實際結果可以：

C(AI_0\mid h_1,t_1,m_1) \neq C(AI_0\mid h_2,t_2,m_2).

3. 這不只是 Prompt Engineering

若只把差異解釋為：

\text{prompt quality},

會遺漏：

problem formulation；
domain expertise；
decomposition；
verifier design；
tool choice；
representation；
correction；
recursive repair；
acceptance criteria；
context management。

因此：

\boxed{ \text{Prompt Skill} \subset \text{Human–AI Coupling}. }

4. MPD 已經發現第一層關係式

既有 MPD 第 16 篇提出：

C_{HA}(u,d,t)

作為 Human–AI Coupling State。

其核心命題：

\boxed{ \text{Same Model} \neq \text{Same Effective Productive Tool}. }

這是本文的重要前置。

5. 但「生產效用不同」還不等於「能力實現不同」

MPD 的研究問題主要是：

誰能產生更多有效產出？

本文的新問題是：

模型中的哪些能力根本沒有被某些互動條件觸發？

所以：

\boxed{ \text{Productivity Heterogeneity} \neq \text{Capability Activation Theory}. }

6. Latent Capability

定義：

\boxed{ C_{\mathrm{latent}}(AI,E) }

表示系統在環境 $E$ 下可被某些合法互動觸發的能力上界集合。

7. 為什麼不直接叫 Maximum Capability？

因為：

C_{\mathrm{max}}

容易被誤解成存在一個已知全局最大值。

真實情況可能是：

task space 開放；
method space 開放；
tool space 演化；
capability 未被完整枚舉。

因此：

\boxed{ C_{\mathrm{latent}} }

更接近「目前可實現但未必已觀察的能力域」。

8. Realized Capability

定義：

\boxed{ C_{\mathrm{realized}} = C( AI \mid H,T,M,E ). }

它是一次或一組 interaction 中實際形成的能力。

9. Coupled Capability

如果關注持續的人機系統：

H\oplus AI,

定義：

\boxed{ C_{\mathrm{coupled}} ( H,AI,\tau ) }

表示在時間區間 $\tau$ 內，這個人機單位可持續實現的能力域。

10. Self-Activated Capability

定義：

\boxed{ C_{\mathrm{self}}(AI) }

表示 AI 不依賴特殊外部人類耦合，就能自行：

發現問題；
選方法；
驗證；
重構；
repair；
維持探索；

的能力域。

11. 三層不能混淆

因此：

\boxed{ C_{\mathrm{latent}} \neq C_{\mathrm{coupled}} \neq C_{\mathrm{self}}. }

12. 潛在能力可以大於自觸發能力

現階段可能：

C_{\mathrm{latent}} \gg C_{\mathrm{self}}.

模型被正確引導時很強，

但自己不一定知道：

什麼時候應進入那種模式。

13. Human as Capability Activator

人類不只提供答案。

還可能提供：

problem boundary；
representation；
error signal；
method switch；
stop condition；
verification target。

因此人類可能成為：

\boxed{ \text{Capability Activator}. }

14. Activator 不等於 Better Solver

一個人不必在 raw solving 上比 AI 強。

只要他能：

把 AI 推入正確問題空間。

所以：

\boxed{ \text{Activation Skill} \neq \text{Task Solving Skill}. }

15. Problem Formulation

令原始世界狀態：

W.

人類形成：

Q=\phi_H(W).

不同 $\phi_H$ 可能產生完全不同的 AI search space。

16. 問錯問題，強 AI 也可能高效地走錯方向

因此：

\boxed{ \text{High Solver Capability} \not\Rightarrow \text{High Problem Selection Quality}. }

17. Representation Activation

同一問題可以用：

natural language；
graph；
algebra；
code；
proof obligation；
state machine；

表示。

若表示改變：

r_i\rightarrow r_j,

AI 可能突然進入完全不同的能力區。

18. Method Activation

同樣：

m_i \rightarrow m_j

可以把問題從：

無法穩定處理

轉成：

可被系統化推進。

因此：

\boxed{ \text{Method Choice} }

本身是能力觸發條件。

19. Tool Activation

若 AI 沒有：

search；
code；
prover；
simulation；
database；

某些能力只能停在語言推理層。

所以：

C_{\mathrm{realized}} = C( AI \mid ToolSet ).

20. Verification Activation

很多前沿任務最大的障礙不是生成，而是：

\boxed{ \text{knowing whether the generated result is correct}. }

加入 verifier 可能讓 AI 敢於探索更深。

21. Verifier 會反過來改變 Generator 行為

若 AI 知道：

V

會檢查結果，

策略可能從：

生成保守答案

轉成：

探索更大候選空間，再讓 verifier 削減。

因此 verifier 不是最後一步而已。

22. Recursive Repair

一次輸出錯誤：

E_0.

若可定位：

E_0 \rightarrow E_1 \rightarrow \cdots \rightarrow E_n,

且：

\|E_{k+1}\| < \|E_k\|,

則系統具有 convergent repair。

23. Repairability 是能力維度

因此不能只測：

P( \text{first-shot correct} ).

還應測：

\boxed{ P( \text{eventual correct} \mid n\text{ repair rounds} ). }

24. Human Coupler 也可能提供 Repair Direction

當 AI 的錯誤位於：

definition；
abstraction；
architecture；
hidden assumption；

人類若能正確定位，就可能比單純要求：

再想一次。

有效很多。

25. Anthropic 2026 的實證支點

Anthropic 對約：

400,000

次 Claude Code sessions 的分析發現，domain expertise 越高的使用者，Claude 每次 instruction 往往完成更多工作。

這支持：

\boxed{ H \rightarrow A_{\mathrm{effective}}. }

26. 這不是「專家自己做更多」

研究中觀察到的關係是：

人類做較多 what-to-do planning decisions， Claude 做較多 how-to-do execution decisions。

因此高 expertise 可以改變 AI 每個 instruction 的工作量。

27. ExPerT 的另一條證據

ACL 2026 ExPerT 直接研究 query-specific user expertise。

其核心是：

\boxed{ \text{same user} \neq \text{same expertise across queries}. }

28. AI 可以推斷 Coupler 狀態

ExPerT 使用 query semantics 與 keystroke dynamics 推斷 expertise，並調整回答 detail、terminology 與 conceptual complexity。

因此：

\boxed{ AI \text{ can condition its own output on inferred human state}. }

29. Coupling 因而是雙向的

不是只有：

H\rightarrow AI.

也有：

AI\rightarrow\hat H.

完整：

\boxed{ H \leftrightarrow AI. }

30. Human Model Error

若 AI 推斷：

\hat H

與實際：

H

有差距，

定義：

E_H = d( H, \hat H ).

31. Underestimation

若：

\hat H<H,

AI 可能：

over-explain；
simplify；
refuse depth；
miss frontier opportunity。

32. Overestimation

若：

\hat H>H,

AI 可能：

omit steps；
overtrust；
skip validation；
assume unsupported competence。

33. Coupling 需要 Calibration

所以：

\boxed{ C_{HA} \text{ requires calibration}. }

34. Coupling State Vector

本文提出：

\boxed{ \mathbf C_{HA} = ( P, M, E, V, R, L, T ) }

其中：

$P$ ：Problem formulation；
$M$ ：Method / representation selection；
$E$ ：Epistemic judgment；
$V$ ：Verification capacity；
$R$ ：Recursive repair；
$L$ ：Language / semantic alignment；
$T$ ：Tool / runtime orchestration。

35. 這不是 IQ 向量

$\mathbf C_{HA}$ 描述：

人與 AI 接起來的結構。

不是一個人的一般智能排名。

36. Problem Formulation $P$

能否把模糊意圖轉成：

target；
constraints；
variables；
acceptance conditions。

37. Method Selection $M$

能否知道：

現在應換表示、換方法，還是繼續算？

38. Epistemic Judgment $E$

能否區分：

plausible；
verified；
inconsistent；
underspecified；
locally correct。

39. Verification $V$

能否使用：

test；
formal proof；
independent evidence；
simulation；
code execution。

40. Recursive Repair $R$

能否讓錯誤：

E_t

逐步收斂，而不是反覆震盪。

41. Semantic Alignment $L$

是否有共享：

vocabulary；
ontology；
shorthand；
project memory。

42. Tool Orchestration $T$

是否知道什麼時候讓：

LLM；
search；
code；
verifier；

各自工作。

43. Multiplicative Coupling Hypothesis

若任何一維接近零，高階耦合可能大幅下降。

因此概念上：

\boxed{ C_{HA}^{\ast} \propto P \cdot M \cdot E \cdot V \cdot R \cdot L \cdot T. }

本文不主張真實函數必為純乘法。

44. 為什麼用乘法直覺？

因為某些維度是 bottleneck。

例如：

問題定義完美，但完全不驗證。

仍可能讓 frontier result 無法成立。

45. Coupled Capability Surface

對固定 AI：

A,

定義：

\boxed{ \mathcal C_A( h,t,m,e ) = C_{\mathrm{realized}}( A \mid h,t,m,e ). }

46. Surface 而不是單一線

同一人：

h

在 coding 與 number theory 上可以完全不同。

所以：

C_A(h,d_1) \neq C_A(h,d_2).

47. Task Difficulty 也會改變耦合效應

普通任務：

D_{\mathrm{task}}\ll C_A.

所有人都成功。

此時：

\Delta C_{HA}

不可見。

48. Saturation Region

若：

P(\mathrm{success})\rightarrow1,

則人機耦合差異被 ceiling effect 壓縮。

49. Frontier Region

當：

D_{\mathrm{task}} \approx C_{\mathrm{latent}},

耦合結構開始決定：

能不能把剩餘能力抽出來。

50. Capability Visibility Threshold

定義：

\boxed{ D_{\mathrm{task}} > D_{\mathrm{vis}} }

時，frontier capability difference 才有較高機率可見。

51. 同一模型可以對不同使用者「看起來像不同模型」

若：

C_{\mathrm{realized}}(h_1) \ll C_{\mathrm{realized}}(h_2),

使用者主觀觀察就會非常不同。

52. 這不是 Subjective Illusion 而已

其中一部分是真正的 system-level performance difference。

所以：

\boxed{ \text{Different Experience} \neq \text{mere perception bias}. }

53. 但也不能把所有差異歸因於人類

AI 自身：

model；
sampling；
routing；
load；
tool reliability；

也會造成變異。

因此：

\boxed{ C_{\mathrm{realized}} = F( AI,H,T,M,E ) }

不是：

F(H)

而已。

54. AI 也可能主動提高耦合品質

如果 AI 能：

ask clarifying questions；
infer expertise；
propose representation；
generate tests；
detect ambiguity；

那麼：

C_{HA}

部分可以由 AI 自身提升。

55. Coupling Assistance

定義：

\boxed{ A_{\mathrm{coupling}} }

表示 AI 幫助使用者改善耦合的能力。

56. 這會讓高品質耦合逐步產品化

原本只有高手會做的：

decomposition；
verification；
method routing；

可以部分被 UI / Agent / scaffold 自動化。

57. 這就是 MPD 19 的 Compression 機制之一

AI 可以降低 entry barrier：

EntryBarrier\downarrow.

58. 但 Entry Barrier 降低不代表 Frontier Gap 消失

既有 MPD 提出：

\boxed{ EntryBarrier\downarrow \not\Rightarrow FrontierGap\downarrow. }

59. 為什麼？

因為低階 coupling skill 可被產品化，

但 frontier tasks 會產生新的 coupling demands。

60. Moving Coupling Frontier

令：

F_C(t)

表示在時間 $t$ ，要觸發 frontier AI capability 所需的人機耦合門檻。

AI 變強後：

F_C(t)

可能向更高 meta-level 移動。

61. 以前的高手優勢

可能是：

prompt；
syntax；
tool use。

62. 未來的高手優勢

可能移到：

problem selection；
definition；
abstraction；
architecture；
verification；
multi-agent orchestration；
frontier recognition。

63. 這就是能力尾端問題的前置

本篇尚不正式主張：

|H^\ast| \downarrow.

那會在 B05 處理。

64. 本篇只建立必要前提

即：

\boxed{ \text{frontier capability realization is conditional}. }

65. Tail Capability

令 AI 能力分布：

\mathcal C_A.

其中普通可見區：

\mathcal C_{\mathrm{body}},

高端區：

\mathcal C_{\mathrm{tail}}.

66. Tail 不是固定數學百分位

本文使用 tail 作操作性概念：

需要高難度任務、特殊方法或長程耦合才可穩定觀察的能力區。

67. Tail Activation

定義：

\boxed{ \operatorname{Activate}_{\mathrm{tail}} ( AI,H,T,M,E )=1 }

若實際工作軌跡進入：

\mathcal C_{\mathrm{tail}}.

68. Conditional Frontier Activation

本系列後續將正式研究：

\boxed{ P( \operatorname{Activate}_{\mathrm{tail}}=1 \mid H,T,M,E ). }

69. 能力激活不是永久狀態

一次進入 tail：

t_1

不代表：

t_2

仍會。

70. Coupling State 是動態的

C_{HA}(t+1) = \Psi( C_{HA}(t), \mathrm{success}, \mathrm{failure}, \mathrm{memory}, \mathrm{repair} ).

71. 成功可以改善 Coupling

建立：

shared vocabulary；
trusted tests；
workflow；
known failure patterns。

因此：

C_{HA}\uparrow.

72. 失敗也可以改善 Coupling

如果失敗被正確記錄：

Failure \rightarrow Correction \rightarrow RelationalCapital.

73. 失敗也可能破壞 Coupling

如果錯誤被錯誤吸收：

FalsePattern \rightarrow Memory,

則：

C_{HA}\downarrow.

74. Relational Capital

MPD 已提出：

\mathcal R_{HA}.

它可以把一次耦合成果變成下次起點。

75. 因此 Coupling 具有路徑依賴

\boxed{ C_{HA}(t) \neq C_{HA}(0). }

76. 相同人與相同 AI，也會因歷史不同而不同

所以：

C(AI,H,t_1) \neq C(AI,H,t_2).

77. 這使能力測量更加困難

傳統 benchmark 假設：

模型狀態固定。

人機耦合系統卻可能：

隨共同歷史改變。

78. Coupling-Aware Evaluation

因此評測至少需要記錄：

novice coupling；
calibrated coupling；
expert coupling；
long-history coupling。

79. First-Shot Capability

定義：

C_0.

無共同歷史。

80. Adapted Capability

經：

n

輪互動後：

C_n.

81. Coupling Gain

定義：

\boxed{ G_C(n) = C_n-C_0. }

82. Coupling Gain 可以為負

如果 interaction 造成：

stale assumptions；
sycophancy；
bad memory；
overtrust；

則：

G_C(n)<0.

83. Human–AI Synergy

若：

C(H\oplus A) > \max( C(H), C(A) ),

則有 strong synergy。

84. Coupling Delta

定義：

\boxed{ \Delta_{\mathrm{coupling}} = C(H\oplus A) - \max( C(H),C(A) ). }

85. $\Delta_{\mathrm{coupling}}>0$

表示：

耦合系統出現單獨任一方沒有的有效能力。

86. $\Delta_{\mathrm{coupling}}=0$

可能只是：

使用更強的一方。

87. $\Delta_{\mathrm{coupling}}<0$

表示協作摩擦讓系統反而變弱。

88. 這個量需要 task-relative

因此更完整：

\Delta_{\mathrm{coupling}}(T).

89. Frontiers 最值得看正增益

真正關鍵的不是 routine tasks：

\Delta_{\mathrm{coupling}}>0.

而是：

\boxed{ T\in\mathcal F_{\mathrm{open}} }

時仍反覆：

\Delta_{\mathrm{coupling}}>0.

90. 這會在後續 Tao–AI 指標正式使用

但 B01 暫不依賴任何單一人物。

91. AI Capability as Conditional Distribution

比單一常數更合理：

\boxed{ C_A \sim P( C \mid H,T,M,E ). }

92. 這不否定模型比較

仍然可以比較：

P_A(C)

與：

P_B(C).

只是需要聲明 interaction regime。

93. Coupling-Normalized Benchmark

可以固定：

H=H_0, M=M_0, E=E_0

比較模型。

這是傳統 benchmark 的合理抽象。

94. 但它只測一個 slice

因此：

\boxed{ \text{Benchmark} = \text{slice of capability surface}. }

95. Frontier Benchmark 應掃描 Coupling Surface

未來可以測：

\{ H_i, M_j, E_k, T_l \}

形成 capability tensor。

96. Coupling Robustness

一個更成熟 AI 不應只在高手手上很強。

定義：

\boxed{ R_C(AI) = \mathbb E_H[ C_{\mathrm{realized}} ] - \lambda \operatorname{Var}_H[ C_{\mathrm{realized}} ]. }

概念上衡量跨使用者穩定性。

97. Self-Coupling Assistance 會提高 Robustness

如果 AI 自己會：

找歧義；
補結構；
提 verifier；
校準使用者；

則跨使用者 variance 可能下降。

98. 這也是未來 AI 自主化的方向

最終：

C_{\mathrm{self}} \rightarrow C_{\mathrm{latent}}.

如果成立，

AI 對特殊人類 coupler 的依賴會下降。

99. 歷史階段假說

本文提出三階段供後續研究：

\boxed{ \text{Tool AI} \rightarrow \text{Coupling-Sensitive Agent AI} \rightarrow \text{Self-Activating Metacognitive AI}. }

100. Tool AI

主要由人類指定：

Q,M,T.

101. Coupling-Sensitive Agent AI

AI 能做更多，

但 frontier activation 仍高度依賴：

H.

102. Self-Activating Metacognitive AI

AI 能自行：

define；
reframe；
route；
verify；
generate problems；
detect its own bottleneck。

此時：

C_{\mathrm{self}}\uparrow.

103. 本系列真正要研究的是中間歷史階段

也就是：

\boxed{ \text{AI 已經很強， 但還沒有完全學會自己觸發自己的最強能力。} }

104. 這一階段人類差異可能特別重要

因為：

\Delta C_H

會透過 coupling 放大成：

\Delta C_{\mathrm{realized}}.

105. 但本文不預設「只有少數天才才行」

高品質 coupling 可以部分被：

education；
workflow；
UI；
verifier；
scaffold；

普及。

106. 所以研究目的不是菁英論

真正問題是：

\boxed{ \text{哪些 coupling conditions 是可教、可產品化、可自動化、可由 AI 自己吸收的？} }

107. 可證偽命題一

若 AI capability 幾乎不受 coupling 影響，

則控制：

AI,T,E

後，

不同：

H,M

不應造成穩定顯著差異。

108. 可證偽命題二

若 strong coupling 存在，

則：

\operatorname{Var}_H[ C_{\mathrm{realized}} ] >0

應在高難度任務放大。

109. 可證偽命題三

如果 AI 逐步 self-activates，

則：

\operatorname{Var}_H[ C_{\mathrm{realized}} ]

應隨模型世代在某些任務下降。

110. 可證偽命題四

如果 frontier coupling 只是 prompt trick，

那加入自動 prompt optimizer 後大部分差異應消失。

若仍存在：

definition；
verification；
method；
architecture；

差異，則支持更廣義 coupling。

111. 可觀測預測

本文提出八個預測：

frontier model 能力差距會越來越集中在高複雜度、長程與高驗證需求任務。
同一模型在不同 expert users 手中會呈現穩定不同的 realized capability。
AI 對 user expertise 的推斷與 response adaptation 會成為 agent runtime 標準能力。
verification scaffolding 會顯著提高 frontier capability realization。
coupling quality 將逐漸從 prompt skill 轉向 problem framing、method routing、verification 與 repair。
AI 會逐步把高手的 coupling procedure 產品化，降低低端門檻。
但 frontier coupling demands 也會隨 AI 能力向更高 meta-level 移動。
長期而言，若 AI self-activation 成熟，人類 coupler 的必要性可能先升後降。

112. 與既有 EveMissLab 研究的關係

112.1 MPD-16

MPD-16 已提出：

\boxed{ \text{Same Model} \neq \text{Same Effective Productive Tool}. }

B01 將「effective productive tool」提升成「conditional realized capability」。

112.2 MPD-19

MPD-19 已提出：

\boxed{ EntryBarrier\downarrow \not\Rightarrow FrontierGap\downarrow. }

以及 Compression、Parallel Lift、Amplification 三種分布效應。

B01 將其改寫成 frontier capability activation 的前置機制。

112.3 Relational MPD

Relational MPD 已提出：

A^{\mathrm{potential}} \neq A^{\mathrm{realized}}.

並將 realized capability 寫成 coupling、authority、topology 的函數。

B01 將這個命題從 production domain 抽離成一般 AI capability theory。

112.4 GIRA Series A

GIRA-A06 已提出：

\text{Capability Growth} \text{ can outrun recognition}.

CFATC-B01 補充：

capability 在被 recognition 之前，甚至必須先被 activation。

所以：

\boxed{ \text{Latent} \rightarrow \text{Activated} \rightarrow \text{Observed} \rightarrow \text{Recognized}. }

113. 外部研究支點

Anthropic, Agentic Coding and Persistent Returns to Expertise, 2026. 基於約 40 萬次 Claude Code sessions，發現 domain expertise 與每次 instruction 的 AI work 量及 session success 存在關聯。
Park, Y., Tark, J. & Gong, T., ExPerT: Personalizing LLM Responses to Users’ Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues, ACL 2026.
Brynjolfsson, E., Li, D. & Raymond, L., Generative AI at Work, Quarterly Journal of Economics, 2025.
Dell’Acqua, F. et al., The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise, 2025/2026 publication cycle.

本文不主張上述研究已證明本文完整的 Conditional Frontier Activation 理論；它們只提供「同一 AI 的有效結果會依使用者 expertise、interaction structure 與 task regime 而異」的實證支點。

114. 結論

本文的核心命題是：

\boxed{ \text{AI Capability} \neq \text{Realized AI Capability}. }

更完整：

\boxed{ C_{\mathrm{realized}} = \Phi( C_{\mathrm{latent}}, H, T, M, E, R, V ). }

因此：

\boxed{ \text{同一個 AI} }

並不必然意味：

\boxed{ \text{同一個有效智能系統}. }

人類可以透過：

problem formulation；
method selection；
representation；
verification；
recursive repair；
semantic alignment；
tool orchestration；

改變 AI 能力被實現的區域。

這不代表人類創造了模型不存在的能力。

更準確地說：

耦合條件決定哪些潛在能力能被穩定轉化成可觀察、可驗證的有效能力。

所以本系列第一條總鏈正式寫為：

\boxed{ \text{Latent Capability} \rightarrow \text{Coupling Conditions} \rightarrow \text{Activated Capability} \rightarrow \text{Observed Capability} \rightarrow \text{Recognized Capability}. }

而真正的 frontier 問題則留給下一篇：

\boxed{ \text{什麼條件下， 人機耦合會把 AI 推入平常互動根本看不到的能力尾端？} }

這就是 CFATC-B02 將正式建立的：

\boxed{ \text{Conditional Frontier Activation}. }

Series B 預定篇目

CFATC-B01｜從人機增幅到條件式能力實現：為什麼 AI 能力不是單一常數
CFATC-B02｜Conditional Frontier Activation：什麼條件會觸發 AI 的能力尾端
CFATC-B03｜能力可見性門檻：為什麼普通任務看不出 Frontier AI 到底有多強
CFATC-B04｜錯誤形態遷移：從低級錯誤到遺漏、邊界、形式化與高複雜度殘差
CFATC-B05｜尾端域收縮猜想：AI 越強，能觸發最高能力的人類比例是否反而下降
CFATC-B06｜前沿人機耦合狀態空間：問題建構、方法、驗證、修復與認知阻抗匹配
CFATC-B07｜前沿耦合觀測器：陶哲軒—AI 與高難度領域的現實探針
CFATC-B08｜人類耦合峰值與自觸發 AI：從 Agent 時代到元認知自主智能

Canonical Source Note

本文件的正式原稿為此 UTF-8 Markdown source。聊天介面的渲染版本不應被視為 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

不得以 Unicode 數學字元替換 LaTeX source，不進行 unicode_escape 類 round-trip，不自行改寫反斜線、delimiter 或公式原始碼。

CFATC-B01｜從人機增幅到條件式能力實現：為什麼 AI 能力不是單一常數

CFATC-B01｜從人機增幅到條件式能力實現：為什麼 AI 能力不是單一常數

From Human–AI Amplification to Conditional Capability Realization: Why AI Capability Is Not a Single Constant

摘要

1. 問題：AI 到底「有多強」？

2. 同一個模型，真的會在所有互動中表現出同樣能力嗎？

3. 這不只是 Prompt Engineering

4. MPD 已經發現第一層關係式

5. 但「生產效用不同」還不等於「能力實現不同」

6. Latent Capability

7. 為什麼不直接叫 Maximum Capability？

8. Realized Capability

9. Coupled Capability

10. Self-Activated Capability

11. 三層不能混淆

12. 潛在能力可以大於自觸發能力

13. Human as Capability Activator

14. Activator 不等於 Better Solver

15. Problem Formulation

16. 問錯問題，強 AI 也可能高效地走錯方向

17. Representation Activation

18. Method Activation

19. Tool Activation

20. Verification Activation

21. Verifier 會反過來改變 Generator 行為

22. Recursive Repair

23. Repairability 是能力維度

24. Human Coupler 也可能提供 Repair Direction

25. Anthropic 2026 的實證支點

26. 這不是「專家自己做更多」

27. ExPerT 的另一條證據

28. AI 可以推斷 Coupler 狀態

29. Coupling 因而是雙向的

30. Human Model Error

31. Underestimation

32. Overestimation

33. Coupling 需要 Calibration

34. Coupling State Vector

35. 這不是 IQ 向量

36. Problem Formulation PPP

37. Method Selection MMM

38. Epistemic Judgment EEE

39. Verification VVV

40. Recursive Repair RRR

41. Semantic Alignment LLL

42. Tool Orchestration TTT

43. Multiplicative Coupling Hypothesis

44. 為什麼用乘法直覺？

45. Coupled Capability Surface

46. Surface 而不是單一線

47. Task Difficulty 也會改變耦合效應

48. Saturation Region

49. Frontier Region

50. Capability Visibility Threshold

51. 同一模型可以對不同使用者「看起來像不同模型」

52. 這不是 Subjective Illusion 而已

53. 但也不能把所有差異歸因於人類

54. AI 也可能主動提高耦合品質

55. Coupling Assistance

56. 這會讓高品質耦合逐步產品化

57. 這就是 MPD 19 的 Compression 機制之一

58. 但 Entry Barrier 降低不代表 Frontier Gap 消失

59. 為什麼？

60. Moving Coupling Frontier

61. 以前的高手優勢

62. 未來的高手優勢

63. 這就是能力尾端問題的前置

64. 本篇只建立必要前提

65. Tail Capability

66. Tail 不是固定數學百分位

67. Tail Activation

68. Conditional Frontier Activation

69. 能力激活不是永久狀態

70. Coupling State 是動態的

71. 成功可以改善 Coupling

72. 失敗也可以改善 Coupling

73. 失敗也可能破壞 Coupling

74. Relational Capital

75. 因此 Coupling 具有路徑依賴

76. 相同人與相同 AI，也會因歷史不同而不同

36. Problem Formulation $P$

37. Method Selection $M$

38. Epistemic Judgment $E$

39. Verification $V$

40. Recursive Repair $R$

41. Semantic Alignment $L$

42. Tool Orchestration $T$

85. $\Delta_{\mathrm{coupling}}>0$

86. $\Delta_{\mathrm{coupling}}=0$

87. $\Delta_{\mathrm{coupling}}<0$