← Archive
lm-004100 · 2026-09

智能架構吸引子 — ——差異究竟存在於哪一層？

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

智能架構吸引子

——差異究竟存在於哪一層？

Series: Adaptive Epistemic Systems Series
Paper: 8 / 11
Version: v0.1
Language: zh-TW
Status: Complete Draft / Canonical UTF-8 Source

摘要

當兩套智能系統在功能模組、控制流程甚至外部輸出上高度相似時，我們應如何判斷它們究竟是「同一種東西的不同描述」，還是真正具有不同計算結構的架構？反過來，如果兩套系統在理論語言、模組名稱與內部概念上完全不同，但最後編譯成高度相似的執行圖、資料流與計算 primitives，我們又應如何描述這種收斂？

本文延續盲推導 AI 的研究問題，提出「智能架構吸引子」的正式比較框架。本文區分至少六種差異層級：程式碼差異、primitive 差異、計算軌跡差異、架構狀態語義差異、可觀測行為差異與資源效率差異。本文主張，單純比較原始碼、模組名稱或 benchmark 輸出都不足以回答「架構是否真的不同」；真正關鍵的是狀態由誰持有、哪些變數跨任務持久化、什麼事件可以改寫 canonical state、哪些模組只是 renderer、哪些模組具有控制權，以及相同任務是否能在低成本映射下保持動態轉移結構。

本文提出架構等價類：

[S]∼Q[\mathfrak{S}]_{\sim_Q}

表示在任務域 $$Q$$、資源約束與觀測尺度下不可區分或近似可翻譯的一組智能系統。進一步提出架構吸引域：

B(A∗)\mathcal{B}(\mathcal{A}^\ast)

表示不同第一原理、設計語言或初始模組，經工程實現後收斂至某一穩定架構族 A∗\mathcal{A}^\ast 的設計空間區域。

為辨認真正的架構貢獻，本文形式化四種核心實驗：LLM-removal test、model-swap test、weak-model test 與 architecture-contribution test，並新增 state-ownership test、trace-equivalence test、long-horizon divergence test、recompute-efficiency test 與 substrate-swap test。本文亦指出，若所有差異都只存在於命名與說明層，而不存在可測的性能、效率、狀態穩定性、可遷移性、可驗證性或動態行為差異，則「新架構」的主張應被降級為新的表示或理論座標系。

本文核心問題可以寫成：

Where does architecture stop being vocabulary and start becoming causally real?\boxed{ \text{Where does architecture stop being vocabulary and start becoming causally real?} }

。

關鍵詞： 智能架構吸引子、架構等價、觀測等價、計算同構、狀態所有權、架構貢獻、模型消融、長程穩定性、架構距離、因果效應

1. 問題：什麼才叫「真的不同」？

設兩套系統：

SA\mathfrak{S}_A

與：

SB\mathfrak{S}_B

。

若兩者原始碼不同：

CodeA≠CodeBCode_A\neq Code_B

是否表示架構不同？

不一定。

若兩者輸出相同：

OutputA=OutputBOutput_A=Output_B

是否表示架構相同？

也不一定。

因此需要把：

difference\text{difference}

拆成多個層級。

本文將架構比較分成：

DcodeD_{\mathrm{code}} DprimitiveD_{\mathrm{primitive}} DtraceD_{\mathrm{trace}} DstateD_{\mathrm{state}} DbehaviorD_{\mathrm{behavior}} DresourceD_{\mathrm{resource}}

。

2. 第一層：程式碼差異

最弱的差異是：

Dcode=Distance(SourceA,SourceB)D_{\mathrm{code}} = Distance(Source_A,Source_B)

。

兩套程式可能使用不同：

languagelanguage frameworkframework namingnaming file structurefile\ structure

但編譯後做同一件事。

因此：

Dcode>0⇏Darchitecture>0\boxed{ D_{\mathrm{code}}>0 \not\Rightarrow D_{\mathrm{architecture}}>0 }

。

3. 第二層：primitive 差異

將程式碼降到更基本運算：

P(S)={lookup,write,branch,matrix,call,queue,sample,verify,…}P(\mathfrak{S}) = \{ lookup, write, branch, matrix, call, queue, sample, verify, \ldots \}

。

比較：

Dprimitive=Distance(P(SA),P(SB))D_{\mathrm{primitive}} = Distance \left( P(\mathfrak{S}_A), P(\mathfrak{S}_B) \right)

。

如果兩套系統最終都大量依賴相同 primitive，這表示底層工程相似，但仍不能推導高階狀態語義相同。

4. 第三層：計算軌跡差異

對相同輸入：

xx

系統產生執行軌跡：

τA(x)\tau_A(x)

與：

τB(x)\tau_B(x)

。

可包含：

MemoryReadMemoryRead StateWriteStateWrite ToolCallToolCall BranchBranch RetryRetry VerifyVerify CommitCommit

。

定義：

Dtrace=Distance(τA,τB)D_{\mathrm{trace}} = Distance \left( \tau_A, \tau_B \right)

。

若：

Dtrace≈0D_{\mathrm{trace}}\approx0

則兩者的實際求解過程可能高度接近。

5. 第四層：狀態語義差異

這是最容易被忽略的一層。

對任意狀態：

sis_i

定義：

StateSemantics(si)=(Owneri,Persistencei,Authorityi,Commiti,Provenancei,Freshnessi)StateSemantics(s_i) = ( Owner_i, Persistence_i, Authority_i, Commit_i, Provenance_i, Freshness_i )

。

其中：

OwneriOwner_i

表示誰持有狀態；

PersistenceiPersistence_i

表示是否跨任務持續；

AuthorityiAuthority_i

表示誰有權修改；

CommitiCommit_i

表示什麼條件下寫入正式狀態；

ProvenanceiProvenance_i

表示來源；

FreshnessiFreshness_i

表示有效時間語義。

因此：

same data structure≠same state semantics\boxed{ \text{same data structure} \neq \text{same state semantics} }

。

6. 第五層：觀測行為差異

對任務集合：

QQ

定義外部觀測：

ObsQ(S)Obs_Q(\mathfrak{S})

。

若：

ObsQ(SA)≈ObsQ(SB)Obs_Q(\mathfrak{S}_A) \approx Obs_Q(\mathfrak{S}_B)

則在 QQ 上兩者觀測近似等價。

但：

observational equivalence⇏architectural identity\boxed{ \text{observational equivalence} \not\Rightarrow \text{architectural identity} }

。

7. 第六層：資源行為差異

即使：

ObsA≈ObsBObs_A\approx Obs_B

仍可能：

ComputeA≫ComputeBCompute_A\gg Compute_B LatencyA≠LatencyBLatency_A\neq Latency_B EnergyA≠EnergyBEnergy_A\neq Energy_B MemoryIOA≠MemoryIOBMemoryIO_A\neq MemoryIO_B

。

因此：

DresourceD_{\mathrm{resource}}

也是架構差異的一部分。

8. 架構距離

定義總架構距離：

Darch=wcDcode+wpDprimitive+wtDtrace+wsDstate+wbDbehavior+wrDresourceD_{\mathrm{arch}} = w_cD_{\mathrm{code}} + w_pD_{\mathrm{primitive}} + w_tD_{\mathrm{trace}} + w_sD_{\mathrm{state}} + w_bD_{\mathrm{behavior}} + w_rD_{\mathrm{resource}}

。

不同研究問題可以選擇不同權重：

wc,…,wrw_c,\ldots,w_r

。

因此不存在唯一「架構距離」。

9. 不同問題需要不同等價關係

若只關心輸出：

∼obs\sim_{\mathrm{obs}}

。

若關心效率：

∼resource\sim_{\mathrm{resource}}

。

若關心內部狀態：

∼state\sim_{\mathrm{state}}

。

若關心動態轉移：

∼dyn\sim_{\mathrm{dyn}}

。

所以：

architecture equivalence is always relative to a comparison criterion\boxed{ \text{architecture equivalence is always relative to a comparison criterion} }

。

10. 任務域上的架構等價類

對任務域：

QQ

定義：

[S]∼Q={S′∣S′∼QS}[\mathfrak{S}]_{\sim_Q} = \{ \mathfrak{S}' \mid \mathfrak{S}'\sim_Q\mathfrak{S} \}

。

這表示：

在指定任務、資源與觀測尺度下，無法有效區分的一組系統。

因此「兩套 AI 是否一樣」本身是一個不完整問題。

11. 近似動態同構

若存在：

ϕ:SA→SB\phi: S_A \rightarrow S_B

使：

ϕ(FA(s,x))≈FB(ϕ(s),x)\phi \left( F_A(s,x) \right) \approx F_B \left( \phi(s),x \right)

則：

SA∼dynSB\mathfrak{S}_A \sim_{\mathrm{dyn}} \mathfrak{S}_B

。

如果：

ϕ\phi

與反向：

ψ\psi

都具有低映射成本，則架構相似性更強。

12. 映射成本是關鍵

定義：

C(ϕ)C(\phi)

為將 AA 的狀態與操作轉換為 BB 的成本。

若：

C(ϕ)≪C(SA)C(\phi)\ll C(\mathfrak{S}_A)

表示映射相對便宜。

若：

C(ϕ)≈C(SA)C(\phi)\approx C(\mathfrak{S}_A)

則即使理論上可模擬，也不代表工程上等價。

13. 可模擬性不等於同構

很多通用計算系統可以模擬其他系統。

因此：

A can simulate B\text{A can simulate B}

不能推出：

A≈BA\approx B

。

真正有意義的是：

low-overhead mutual simulation\boxed{ \text{low-overhead mutual simulation} }

。

14. 架構吸引子的定義

令：

D\mathcal{D}

為所有允許的設計起點。

令：

Φeng\Phi_{\mathrm{eng}}

表示工程實現過程。

若大量：

di∈Dd_i\in\mathcal{D}

經：

Φeng(di)\Phi_{\mathrm{eng}}(d_i)

最後落入近似同一架構等價類：

[A∗][\mathcal{A}^\ast]

則稱：

A∗\mathcal{A}^\ast

為候選架構吸引子。

15. 吸引域

定義：

B(A∗)={di∣Φeng(di)∈[A∗]}\mathcal{B}(\mathcal{A}^\ast) = \{ d_i \mid \Phi_{\mathrm{eng}}(d_i) \in [\mathcal{A}^\ast] \}

。

這就是：

architecture basin of attraction\boxed{ \text{architecture basin of attraction} }

。

16. 吸引子強度

可以定義：

Strength(A∗)=∣B(A∗)∣∣D∣Strength(\mathcal{A}^\ast) = \frac{ |\mathcal{B}(\mathcal{A}^\ast)| }{ |\mathcal{D}| }

。

若：

Strength→1Strength\rightarrow1

表示大量不同起點都會收斂。

17. 多個吸引子

智能系統可能存在：

A1∗,A2∗,…,Ak∗\mathcal{A}_1^\ast, \mathcal{A}_2^\ast, \ldots, \mathcal{A}_k^\ast

多個穩定架構族。

因此不是：

one true AI architecture\text{one true AI architecture}

而可能是：

a small number of stable architecture families\boxed{ \text{a small number of stable architecture families} }

。

18. 吸引子取決於約束

若約束集合：

CC

改變，吸引子可能也改變。

因此：

A∗=A∗(C)\mathcal{A}^\ast = \mathcal{A}^\ast(C)

。

例如：

Clow−memoryC_{\mathrm{low-memory}}

與：

Chigh−bandwidthC_{\mathrm{high-bandwidth}}

可能導向不同架構族。

19. 認知吸引子

若某結構來自任務本身，例如跨任務學習需要 persistent memory，則可稱：

Acognitive∗\mathcal{A}_{\mathrm{cognitive}}^\ast

。

20. 載體吸引子

若某結構主要由現有硬體、作業系統、資料庫與網路接口造成，則：

Asubstrate∗\mathcal{A}_{\mathrm{substrate}}^\ast

。

21. 工程吸引子

模組化、版本化、contract、rollback 等可能主要來自工程可維護性。

這形成：

Aengineering∗\mathcal{A}_{\mathrm{engineering}}^\ast

。

22. 語言吸引子

若兩個設計只是因使用相同詞彙而看起來很像，則：

Alinguistic∗\mathcal{A}_{\mathrm{linguistic}}^\ast

只是描述收斂。

23. 必須分解吸引來源

觀察到收斂：

CobsC_{\mathrm{obs}}

不代表：

Ccognitive=CobsC_{\mathrm{cognitive}}=C_{\mathrm{obs}}

。

更合理地：

Cobs=Ccognitive+Csubstrate+Cengineering+Clinguistic+ϵC_{\mathrm{obs}} = C_{\mathrm{cognitive}} + C_{\mathrm{substrate}} + C_{\mathrm{engineering}} + C_{\mathrm{linguistic}} + \epsilon

。

24. 架構不變量

真正區分架構，應尋找：

Invariant(S)Invariant(\mathfrak{S})

。

例如：

persistent world state exists\text{persistent world state exists} language renderer is replaceable\text{language renderer is replaceable} state commits require validation\text{state commits require validation} stable nodes are not recomputed globally\text{stable nodes are not recomputed globally}

。

若這些 invariant 不同，架構即使外表相似也可能真正不同。

25. 控制權不變量

定義：

ControlOwner(op)ControlOwner(op)

。

如果所有高階操作：

Plan,Select,Verify,CommitPlan, Select, Verify, Commit

都由單一核心模型決定，則模型具有中央控制權。

若：

CommitCommit

與：

VerifyVerify

由外部 deterministic architecture 控制，則控制權分布不同。

26. LLM-removal test

令：

S−L\mathfrak{S}^{-L}

表示移除語言模型後的系統。

測量：

PersistStatePersistState RouteAlgorithmRouteAlgorithm UpdateFreshnessUpdateFreshness InvalidateDependenciesInvalidateDependencies ReuseWorkflowReuseWorkflow

。

若這些能力仍存在：

Capability(S−L)>0Capability(\mathfrak{S}^{-L})>0

則它們不是純粹由 LLM 即時生成。

27. LLM-removal 的意義

若移除 LLM 後：

S−L→nonfunctional\mathfrak{S}^{-L} \rightarrow \text{nonfunctional}

而所有高階能力消失，則：

architecture may be an orchestration shell around the model\boxed{ \text{architecture may be an orchestration shell around the model} }

。

這不等於無價值，但架構主張應更保守。

28. Model-swap test

固定：

Architecture=SArchitecture=\mathfrak{S}

替換：

L1→L2L_1\rightarrow L_2

。

若：

StateSemanticsStateSemantics MemoryIntegrityMemoryIntegrity WorkflowIdentityWorkflowIdentity CommitRulesCommitRules

保持，則中央 identity 更偏向架構。

29. Model-swap 敏感度

定義：

MS=Dsystem(S+L1,S+L2)Dmodel(L1,L2)+εMS = \frac{ D_{\mathrm{system}} ( \mathfrak{S}+L_1, \mathfrak{S}+L_2 ) }{ D_{\mathrm{model}}(L_1,L_2)+\varepsilon }

。

若：

MS≪1MS\ll1

表示架構對模型替換具有穩定性。

若：

MS≈1MS\approx1

或更高，系統行為高度受模型支配。

30. Weak-model test

使用：

LweakL_{\mathrm{weak}}

故意降低模型能力。

觀察架構是否仍保有：

state discipline\text{state discipline} freshness scheduling\text{freshness scheduling} algorithm reuse\text{algorithm reuse} dependency tracking\text{dependency tracking}

。

若有，則可以估計：

architecture-provided competence\text{architecture-provided competence}

。

31. Architecture-contribution test

固定：

L,D,Tools,Budget,QL, D, Tools, Budget, Q

只替換架構：

A→N\mathfrak{A} \rightarrow \mathfrak{N}

。

定義：

AC=Perf(N+L)−Perf(A+L)AC = Perf(\mathfrak{N}+L) - Perf(\mathfrak{A}+L)

。

32. 多維 Architecture Contribution

性能不是唯一維度。

定義向量：

AC⃗=(ΔPerf,−ΔCost,−ΔLatency,−ΔDrift,ΔTransfer,ΔRobustness)\vec{AC} = ( \Delta Perf, -\Delta Cost, -\Delta Latency, -\Delta Drift, \Delta Transfer, \Delta Robustness )

。

因此一個架構可能：

ΔPerf≈0\Delta Perf\approx0

但：

−ΔCost>0-\Delta Cost>0

。

33. State-ownership test

對每一個重要狀態：

sis_i

問：

WhoReads(si)?WhoReads(s_i)? WhoWrites(si)?WhoWrites(s_i)? WhoCommits(si)?WhoCommits(s_i)? WhoInvalidates(si)?WhoInvalidates(s_i)?

。

形成：

OwnershipGraph(S)OwnershipGraph(\mathfrak{S})

。

兩個系統 ownership graph 若不同，代表架構權力結構不同。

34. 為什麼 ownership 很重要？

假設兩套系統都使用資料庫。

第一套：

Model→WriteDatabaseModel \rightarrow WriteDatabase

模型可自由寫入。

第二套：

Model→Candidate→Validator→CommitModel \rightarrow Candidate \rightarrow Validator \rightarrow Commit

資料庫相同，但：

CommitSemanticsCommitSemantics

完全不同。

因此：

same storage≠same architecture\boxed{ \text{same storage} \neq \text{same architecture} }

。

35. Trace-equivalence test

在相同任務：

QQ

下收集：

τA(Q)\tau_A(Q)

與：

τB(Q)\tau_B(Q)

。

定義：

TED=TraceEditDistance(τA,τB)TED = TraceEditDistance(\tau_A,\tau_B)

。

若：

TED→0TED\rightarrow0

表示實際求解路徑高度相似。

36. Trace normalization

不同系統 log 粒度不同。

因此先做：

NormalizeTraceNormalizeTrace

將事件映射成共同 primitive：

READ,WRITE,SELECT,EXECUTE,VERIFY,COMMIT,RETRYREAD, WRITE, SELECT, EXECUTE, VERIFY, COMMIT, RETRY

。

這降低表面 instrumentation 差異。

37. Long-horizon divergence test

設：

T→largeT\rightarrow \text{large}

測量：

Dstate(t)D_{\mathrm{state}}(t)

。

若兩套系統短期：

Dstate(t0)≈0D_{\mathrm{state}}(t_0)\approx0

但長期：

Dstate(t)↑D_{\mathrm{state}}(t)\uparrow

則短 benchmark 隱藏了架構差異。

38. 漂移率

定義：

DriftRate=dDcanonical(t)dtDriftRate = \frac{ dD_{\mathrm{canonical}}(t) }{ dt }

。

若：

DriftRateN<DriftRateADriftRate_N < DriftRate_A

則本系列的 canonical state discipline 可能具有實際價值。

39. Recompute-efficiency test

定義：

RR=NrecomputedNaddressableRR = \frac{ N_{\mathrm{recomputed}} }{ N_{\mathrm{addressable}} }

。

同時定義：

QualityAdjustedRR=NrecomputedQuality+εQualityAdjustedRR = \frac{ N_{\mathrm{recomputed}} }{ Quality+\varepsilon }

。

目的是避免單純「少算」但品質下降。

40. Substrate-swap test

固定：

AA

替換：

Γ1→Γ2\Gamma_1 \rightarrow \Gamma_2

。

若上層：

ZZ GG WorkflowWorkflow

保持，則載體中立性得到支持。

41. Failure-injection test

故意讓：

ToolTool MemoryMemory ContainerContainer ModelModel

其中一個失效。

觀察：

RecoveryPathRecoveryPath

。

真正不同的架構可能在 failure handling 上比正常輸出更容易被區分。

42. 架構的因果作用

可以建立簡化 SCM：

A→M→YA \rightarrow M \rightarrow Y

其中：

AA

為架構；

MM

為中介狀態，例如 recomputation、memory integrity、routing；

YY

為任務結果。

真正要估計：

P(Y∣do(A=N))P(Y\mid do(A=\mathfrak{N}))

與：

P(Y∣do(A=A))P(Y\mid do(A=\mathfrak{A}))

的差異。

43. 為什麼「更高階」必須有因果效果？

若高階架構宣稱：

ArchitectureN>ArchitectureAArchitecture_N > Architecture_A

但：

P(Y∣do(N))=P(Y∣do(A))P(Y\mid do(N)) = P(Y\mid do(A))

在所有重要結果上皆近似成立，則其優越性主張缺乏 operational support。

44. 描述貢獻仍然可以成立

即使：

ΔY≈0\Delta Y\approx0

仍可能：

Compression(N)>Compression(A)Compression(N)>Compression(A)

或：

Explainability(N)>Explainability(A)Explainability(N)>Explainability(A)

。

此時應說：

representational or theoretical contribution\boxed{ \text{representational or theoretical contribution} }

而非能力突破。

45. 架構簡約性

定義：

Complexity(S)Complexity(\mathfrak{S})

。

若兩套系統性能相同：

PerfA≈PerfBPerf_A\approx Perf_B

但：

ComplexityA<ComplexityBComplexity_A<Complexity_B

則：

AA

可能具有更高工程簡約性。

46. 反過來，冗餘也可能提高穩健性

較複雜：

SB\mathfrak{S}_B

可能具有：

RobustnessB>RobustnessARobustness_B>Robustness_A

。

因此不應單純最小化模組數。

47. 架構 Pareto frontier

定義：

Objective=(Capability,Cost,Latency,Robustness,StateIntegrity,Complexity)Objective = ( Capability, Cost, Latency, Robustness, StateIntegrity, Complexity )

。

不同架構可能形成：

Parch\mathcal{P}_{\mathrm{arch}}

Pareto frontier。

因此「最佳架構」未必唯一。

48. Architecture Dominance

若：

SA\mathfrak{S}_A

在所有重要維度不差於：

SB\mathfrak{S}_B

且至少一維更好，則：

SA≻SB\mathfrak{S}_A \succ \mathfrak{S}_B

。

否則兩者可能只是不同 trade-off。

49. 架構吸引子與 Pareto frontier

有可能真正穩定的吸引子不是單點，而是：

a Pareto-stable architecture manifold\boxed{ \text{a Pareto-stable architecture manifold} }

。

不同系統在同一流形上選擇不同成本—能力組合。

50. 架構流形

令：

March\mathcal{M}_{\mathrm{arch}}

表示架構空間中的低維流形。

大量高維設計可能最後投影到：

March\mathcal{M}_{\mathrm{arch}}

附近。

這是一個比單一吸引點更一般的模型。

51. 智能架構吸引子的第一版形式化

令：

Φt\Phi_t

表示工程迭代算子。

若：

Darch(Φt(S0),M∗)→0D_{\mathrm{arch}} \left( \Phi_t(\mathfrak{S}_0), \mathcal{M}^\ast \right) \rightarrow0

則：

M∗\mathcal{M}^\ast

是一個候選吸引流形。

52. 什麼會驅動收斂？

可能驅動項：

CcomputeC_{\mathrm{compute}} CmemoryC_{\mathrm{memory}} ClatencyC_{\mathrm{latency}} CfailureC_{\mathrm{failure}} CmaintenanceC_{\mathrm{maintenance}} CcoordinationC_{\mathrm{coordination}}

。

工程迭代傾向最小化：

J=∑iλiCiJ = \sum_i \lambda_iC_i

。

因此不同理論可能被相同成本函數推向相似架構。

53. 吸引子可能只是最佳化問題的結果

若：

S∗=arg⁡min⁡SJ(S)\mathfrak{S}^\ast = \arg\min_{\mathfrak{S}} J(\mathfrak{S})

且很多設計過程都在近似最小化同一：

JJ

那收斂不必神秘。

它可能只是：

shared optimization pressure\boxed{ \text{shared optimization pressure} }

。

54. 但需求不同仍可能收斂

更有趣的是：

J1≠J2J_1\neq J_2

仍得到：

S1∗≈S2∗\mathfrak{S}_1^\ast \approx \mathfrak{S}_2^\ast

。

這才是更強的吸引子證據。

55. 吸引子研究需要多起點

不能只比較：

22

套系統。

需要：

{S1,…,Sn}\{ \mathfrak{S}_1,\ldots,\mathfrak{S}_n \}

來自不同：

RequirementsRequirements DesignersDesigners ModelsModels SubstratesSubstrates

。

56. 聚類分析

計算：

Darch(Si,Sj)D_{\mathrm{arch}}(\mathfrak{S}_i,\mathfrak{S}_j)

形成距離矩陣：

MDM_D

。

再對：

MDM_D

聚類。

若形成穩定少數 cluster，則支持架構族概念。

57. 不能讓命名參與距離

比較前應移除：

ModuleNameModuleName VariableNameVariableName CommentComment

等表面語言。

只保留：

StateState TransitionTransition ControlControl ResourceResource TraceTrace

。

這降低 linguistic attractor 污染。

58. 不能只使用 benchmark score 聚類

若只用：

ScoreScore

兩個完全不同架構可能被錯誤放在一起。

因此需要：

structural + behavioral + resource\text{structural + behavioral + resource}

聯合特徵。

59. 架構等價的層級格

可以形成：

∼code\sim_{\mathrm{code}} ∼primitive\sim_{\mathrm{primitive}} ∼trace\sim_{\mathrm{trace}} ∼state\sim_{\mathrm{state}} ∼obs\sim_{\mathrm{obs}}

等不同等價關係。

這些不一定具有簡單包含順序。

60. 例如同觀測、不同 trace

可能：

SA∼obsSB\mathfrak{S}_A \sim_{\mathrm{obs}} \mathfrak{S}_B

但：

SA̸∼traceSB\mathfrak{S}_A \not\sim_{\mathrm{trace}} \mathfrak{S}_B

。

61. 例如同 trace、不同 state semantics

也可能外部 trace primitives 相似，但：

CommitA≠CommitBCommit_A \neq Commit_B

。

因此：

SA∼traceSB\mathfrak{S}_A \sim_{\mathrm{trace}} \mathfrak{S}_B

仍不推出：

SA∼stateSB\mathfrak{S}_A \sim_{\mathrm{state}} \mathfrak{S}_B

。

62. 真正本體層相同幾乎最難證明

要宣稱：

SA=SB\mathfrak{S}_A = \mathfrak{S}_B

需要遠強於工程 benchmark 的證據。

本文不主張做到這一步。

研究目標是建立：

task-relative operational equivalence\boxed{ \text{task-relative operational equivalence} }

而非形上學同一性。

63. 「AI 是概率系統」與架構比較

一個系統使用：

P(y∣x)P(y\mid x)

不代表它與另一個 probabilistic system 架構相同。

概率只是 primitive 或 representation 的一部分。

因此：

probabilistic similarity≠architectural similarity\boxed{ \text{probabilistic similarity} \neq \text{architectural similarity} }

。

這也為後續 Bayesian critique 鋪路。

64. 「使用 Bayes」也不構成高階架構差異

若兩套系統都執行：

P(H∣E)P(H\mid E)

但：

StateOwnershipStateOwnership ModelClassModelClass UpdateScopeUpdateScope CommitSemanticsCommitSemantics

不同，則仍然可能是不同架構。

因此：

same epistemic operator≠same intelligent architecture\boxed{ \text{same epistemic operator} \neq \text{same intelligent architecture} }

。

65. 架構層與認識論層分離

可以寫成：

S=(Architecture,EpistemicOperators)\mathfrak{S} = ( Architecture, EpistemicOperators )

。

其中：

UBayesU_{\mathrm{Bayes}}

只是：

EpistemicOperatorsEpistemicOperators

中的一個元素。

這防止把「用了某個認識論更新」誤認成整套架構身份。

66. 架構真正的最小因果單位

可將架構拆為：

ai=(State,Transition,Authority,Invariant)a_i = ( State, Transition, Authority, Invariant )

。

也就是一個架構單元不只是 module，而是：

某種狀態，由誰在什麼條件下，以什麼規則改變，並必須保持什麼不變量。

這比「Memory module」更精確。

67. Architecture Atom

定義：

αi=(Si,Fi,Ai,Ii)\boxed{ \alpha_i = (S_i,F_i,A_i,I_i) }

其中：

SiS_i

是狀態；

FiF_i

是轉移；

AiA_i

是 authority；

IiI_i

是 invariant。

架構可以視為：

S=Graph(α1,…,αn)\mathfrak{S} = Graph(\alpha_1,\ldots,\alpha_n)

。

68. 這提供更乾淨的比較單位

兩個名為 Memory 的模組，若其：

αMemoryA\alpha_{\mathrm{Memory}}^A

與：

αMemoryB\alpha_{\mathrm{Memory}}^B

不同，就不能因同名視為相同。

69. 架構原子映射

尋找：

ϕ:αiA→αjB\phi: \alpha_i^A \rightarrow \alpha_j^B

而非只做：

ModuleNameA→ModuleNameBModuleName_A \rightarrow ModuleName_B

。

這可以顯著降低假同構。

70. 架構因果圖

將架構原子建立成：

GcausalG_{\mathrm{causal}}

。

例如：

Observation→CandidateState→Validation→Commit→DownstreamInvalidationObservation \rightarrow CandidateState \rightarrow Validation \rightarrow Commit \rightarrow DownstreamInvalidation

。

不同系統即使模組名稱不同，也可以比較此因果圖。

71. 因果圖等價比程式碼等價更重要

如果：

GcausalA≈GcausalBG_{\mathrm{causal}}^A \approx G_{\mathrm{causal}}^B

且 transition semantics 亦接近，則架構收斂證據顯著增強。

72. 但相同因果圖仍可能有不同成本

因此完整架構比較仍需：

Gcausal+ResourceModelG_{\mathrm{causal}} + ResourceModel

。

73. 本系列架構可能真正不同的地方

若實作忠實於前六篇，候選差異至少包括：

persistent canonical world state\text{persistent canonical world state} explicit asymmetric freshness\text{explicit asymmetric freshness} representation-space evolution\text{representation-space evolution} algorithm/substrate separation\text{algorithm/substrate separation} validated commit semantics\text{validated commit semantics} language-as-renderer\text{language-as-renderer}

。

但這些目前都只是：

candidate architectural invariants\boxed{ \text{candidate architectural invariants} }

。

是否真的不同，必須實作後測量。

74. 若實作時全部交給 LLM

如果：

FreshnessDecision=LLM()FreshnessDecision = LLM() AlgorithmSelect=LLM()AlgorithmSelect = LLM() CommitDecision=LLM()CommitDecision = LLM() StateMerge=LLM()StateMerge = LLM()

那高階架構可能退化為：

LLM+MetadataLLM + Metadata

。

因此理論上的 invariant 必須真正落到 runtime enforcement。

75. 文件中的架構不等於程式中的架構

定義：

Dspec−runtime=Distance(Architecturespec,Architectureruntime)D_{\mathrm{spec-runtime}} = Distance ( Architecture_{spec}, Architecture_{runtime} )

。

若：

Dspec−runtime≫0D_{\mathrm{spec-runtime}}\gg0

則研究應以 runtime 為準。

76. Runtime truth principle

因此：

the executed architecture is the architecture\boxed{ \text{the executed architecture is the architecture} }

。

文件、圖表與理論只能描述它，不能替代它。

77. 這也是系列最重要的自我批判

如果最終 runtime：

Nruntime\mathfrak{N}_{runtime}

與現有：

Aruntime\mathfrak{A}_{runtime}

高度相似，那麼不能靠：

Nspec\mathfrak{N}_{spec}

看起來更高階來宣稱差異。

78. 可證偽命題一：架構貢獻

H1:AC⃗≠0H_1: \vec{AC}\neq0

。

若跨任務、模型與長程測試：

AC⃗≈0\vec{AC}\approx0

則：

H1H_1

被削弱。

79. 可證偽命題二：非對稱更新收益

H2:RRN<RRAH_2: RR_N<RR_A

且品質不降。

若不成立，則 Paper 01–02 的效率主張需要削弱。

80. 可證偽命題三：Canonical State 收益

H3:DriftN<DriftAH_3: Drift_N<Drift_A

或：

ConsistencyN>ConsistencyAConsistency_N>Consistency_A

。

若長程沒有差異，canonical separation 的實際收益需要重新評估。

81. 可證偽命題四：能力記憶收益

H4:PlanningCostN(n)↓H_4: PlanningCost_N(n) \downarrow

隨重複任務下降。

若沒有，Paper 05 的 cumulative capability claim 缺乏支持。

82. 可證偽命題五：載體中立性

H5:DZ(Swap(Γ1,Γ2))<ϵH_5: D_Z ( Swap(\Gamma_1,\Gamma_2) ) <\epsilon

在適配器正確時成立。

若不成立，Paper 06 的 substrate-neutral abstraction 需要修改。

83. 如果五個命題都沒有顯著效果

則可能：

N≈A\boxed{ \mathfrak{N} \approx \mathfrak{A} }

在我們選擇的任務域與尺度成立。

這不是理論勝利。

而是對「高階差異會形成 operational difference」的否定性證據。

84. 但這可能支持吸引子假說

若不同第一原理 repeatedly collapse to：

[A∗][\mathfrak{A}^\ast]

則：

Strength(A∗)↑Strength(\mathfrak{A}^\ast)\uparrow

。

這時研究成果變成：

evidence for architectural convergence\boxed{ \text{evidence for architectural convergence} }

。

85. 如果差異明顯存在

反之若：

AC⃗\vec{AC}

在多維穩定非零，則：

architecture is causally real at the measured level\boxed{ \text{architecture is causally real at the measured level} }

。

這會否定「只是換名字」的懷疑。

86. 所以兩種結果都必須事前允許

不能事後說：

更強證明我對；一樣也證明我對。

正確做法是事前寫：

Outcome1⇒Support(Hdistinct)Outcome_1 \Rightarrow Support(H_{\mathrm{distinct}}) Outcome2⇒Support(Hconvergence)Outcome_2 \Rightarrow Support(H_{\mathrm{convergence}}) Outcome3⇒InconclusiveOutcome_3 \Rightarrow Inconclusive

。

87. Inconclusive 必須是真選項

若 benchmark 太弱、runtime 不完整、模型能力掩蓋架構差異或測量誤差太大，應允許：

inconclusive\boxed{ \text{inconclusive} }

。

否則理論不可證偽。

88. 架構研究的最小預註冊

實驗前固定：

HypothesesHypotheses TaskSetTaskSet ModelsModels BudgetsBudgets MetricsMetrics ThresholdsThresholds FailureCriteriaFailureCriteria

。

這可以防止事後重定義「不同」。

89. 本篇核心框架

完整比較可濃縮為：

Code→Primitives→Trace→StateSemantics→Behavior→Resources\boxed{ Code \rightarrow Primitives \rightarrow Trace \rightarrow StateSemantics \rightarrow Behavior \rightarrow Resources }

。

差異可以存在於其中任意一層。

90. 結論

「兩個智能系統到底是不是同一種東西」不是一個可以靠肉眼看架構圖回答的問題。

兩套系統可能：

CodeA≠CodeBCode_A\neq Code_B

但：

TraceA≈TraceBTrace_A\approx Trace_B

。

也可能：

OutputA≈OutputBOutput_A\approx Output_B

但：

StateSemanticsA≠StateSemanticsBStateSemantics_A\neq StateSemantics_B

。

甚至可能：

ModuleNamesA≠ModuleNamesBModuleNames_A\neq ModuleNames_B

而：

GcausalA≈GcausalBG_{\mathrm{causal}}^A \approx G_{\mathrm{causal}}^B

。

因此本文提出：

architecture difference is layered\boxed{ \text{architecture difference is layered} }

。

真正的比較至少必須包含：

DcodeD_{\mathrm{code}} DprimitiveD_{\mathrm{primitive}} DtraceD_{\mathrm{trace}} DstateD_{\mathrm{state}} DbehaviorD_{\mathrm{behavior}} DresourceD_{\mathrm{resource}}

。

在此基礎上，智能架構吸引子可以被定義為：

a stable equivalence family toward which multiple design paths converge\boxed{ \text{a stable equivalence family toward which multiple design paths converge} }

而吸引域：

B(A∗)\mathcal{B}(\mathcal{A}^\ast)

則描述哪些第一原理、約束與工程路徑會落入該架構族。

更重要的是，本文把「架構是不是只是名字」轉換成一組可執行測試：

LLMRemovalLLMRemoval ModelSwapModelSwap WeakModelWeakModel ArchitectureContributionArchitectureContribution StateOwnershipStateOwnership TraceEquivalenceTraceEquivalence LongHorizonDivergenceLongHorizonDivergence RecomputeEfficiencyRecomputeEfficiency SubstrateSwapSubstrateSwap

。

如果本系列架構真的比現有架構更高階，那麼這些高階差異最終必須在 runtime 中留下可測痕跡。

如果沒有，則我們應承認：

the theory may have changed the coordinates without changing the computation\boxed{ \text{the theory may have changed the coordinates without changing the computation} }

。

而如果這種「不同理論、相同計算」反覆發生，研究焦點就應從發明更多架構名稱，轉向：

characterizing the attractor geometry of intelligent computation\boxed{ \text{characterizing the attractor geometry of intelligent computation} }

。

這正是本文所稱的「智能架構吸引子」。

下一篇將離開架構比較本身，開始處理本系列最初那個被故意保留下來的認識論問題：

概率不等於貝葉斯。那麼，什麼才真正有資格叫 Bayesian？\boxed{ \text{概率不等於貝葉斯。那麼，什麼才真正有資格叫 Bayesian？} }

。

附錄 A：架構原子

αi=(Si,Fi,Ai,Ii)\alpha_i = ( S_i, F_i, A_i, I_i )

其中：

SiS_i

為狀態；

FiF_i

為轉移規則；

AiA_i

為修改 authority；

IiI_i

為 invariant。

整體架構：

S=Graph(α1,…,αn)\mathfrak{S} = Graph ( \alpha_1,\ldots,\alpha_n )

。

附錄 B：架構距離

Darch=wcDcode+wpDprimitive+wtDtrace+wsDstate+wbDbehavior+wrDresourceD_{\mathrm{arch}} = w_cD_{\mathrm{code}} + w_pD_{\mathrm{primitive}} + w_tD_{\mathrm{trace}} + w_sD_{\mathrm{state}} + w_bD_{\mathrm{behavior}} + w_rD_{\mathrm{resource}}

。

附錄 C：吸引域

B(A∗)={d∈D∣Φeng(d)∈[A∗]}\mathcal{B}(\mathcal{A}^\ast) = \{ d \in \mathcal{D} \mid \Phi_{\mathrm{eng}}(d) \in [\mathcal{A}^\ast] \}

。

附錄 D：多維架構貢獻

AC⃗=(ΔPerf,−ΔCost,−ΔLatency,−ΔDrift,ΔTransfer,ΔRobustness)\vec{AC} = ( \Delta Perf, -\Delta Cost, -\Delta Latency, -\Delta Drift, \Delta Transfer, \Delta Robustness )

。

附錄 E：最小實驗矩陣

Models={Lweak,Lmid,Lstrong}Models = \{ L_{\mathrm{weak}}, L_{\mathrm{mid}}, L_{\mathrm{strong}} \} Architectures={N,A1,A2}Architectures = \{ \mathfrak{N}, \mathfrak{A}_1, \mathfrak{A}_2 \}

形成：

3×33\times3

控制矩陣。

每一格固定：

TaskSet,Data,Tools,BudgetTaskSet, Data, Tools, Budget

並同時測量：

Performance,Cost,Latency,StateIntegrity,Drift,Reuse,Recovery,TransferPerformance, Cost, Latency, StateIntegrity, Drift, Reuse, Recovery, Transfer

。

只有在這類控制下，架構差異才有機會從模型能力、資料量與工具差異中被真正分離。