前沿智能拓撲論 04

從答題者到問題生成者：問題形成、Frame-Lift 與一般智能

Frontier Intelligence Topology 04
From Answerer to Problem Generator: Problem Formation, Frame-Lift, and General Intelligence

作者：Neo.K（許筌崴）
研究協作：GPT-5.6 Sol
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-18
系列：前沿智能拓撲論（Frontier Intelligence Topology, FIT）

摘要

大多數人工智慧評測都預設一個重要前提：問題已經被正確提出。模型收到明確輸入、任務類別、限制條件與評分準則，再被要求產生答案。這種設定能有效測量求解能力，卻忽略了真實世界中更前置、也可能更昂貴的一組認知工作：

\boxed{ \text{世界不會先把正確問題交給智能。} }

真實世界首先提供的是：

W,

即未整理的世界狀態。

智能必須自己完成：

W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A,

其中：

$O$ ：觀察與特徵抽取；
$Q$ ：問題形成；
$F$ ：frame／表示框架選擇；
$R$ ：專家、工具、領域與資源路由；
$H$ ：候選假說生成；
$V$ ：驗證設計；
$A$ ：答案或行動。

本文因此提出：

\boxed{ \text{Answering} \neq \text{Problem Formation} \neq \text{Frame Selection} \neq \text{Problem Generation}. }

並區分三種常被混為一談的專業能力：

\boxed{ \text{Answer Expert} }

\boxed{ \text{Problem Expert} }

\boxed{ \text{Frame Expert}. }

本文進一步提出「正確提問悖論」：若獲得正確答案必須先提出高品質問題，而高品質問題本身又需要接近解答所需的大量知識，則提問成本可能接近部分求解成本：

C_Q \sim C_S.

在此情況下，一個必須依賴人類先完成問題定義、領域路由與 frame 選擇的 AI，即使答案能力極高，也可能仍由人類承擔相當比例的一般智能工作。

本文將 TCBS／Frame-Lift 概念延伸至一般智能：高階智能不只要在給定 frame 中求解，還必須能偵測 frame mismatch、生成替代表示，並最終從「外部誘導換框」進化到「自主換框」。

本文的核心命題是：

真正的泛化，不只是對未知題目答對，而是在未知世界裡生成值得回答的題目。

關鍵詞

問題形成、問題生成、Frame-Lift、一般智能、AGI、ASI、專家路由、正確提問悖論、問題表述、世界模型、認知框架、未知世界、前沿智能拓撲論

1. 傳統評測偷偷送給模型什麼？

一個標準 benchmark 通常提供：

Q.

但實際上它往往還額外提供：

任務類別；
輸入格式；
輸出格式；
評價函數；
隱含領域；
已知限制；
可用工具；
成功條件。

因此模型真正收到的不是單純：

Q,

而更接近：

(Q,F,D,E,V),

其中：

$F$ ：frame；
$D$ ：domain；
$E$ ：evaluation；
$V$ ：validity conditions。

這等於大量前置認知工作已由人類完成。

2. 真實世界首先只提供 $W$

真實環境更接近：

\boxed{ W = \text{raw world state}. }

世界不會自動標註：

這是一題 graph theory。

也不會說：

請使用 Bayesian inference。

更不會保證：

問題本身已經正確。

因此智能的第一步不是：

Q\rightarrow A.

而是：

\boxed{ W\rightarrow Q. }

3. 完整智能鏈

本文建立工作性鏈條：

\boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A. }

其中：

$W$ ：World State

世界的原始狀態。

$O$ ：Observation

智能決定：

什麼值得看？

$Q$ ：Question Formation

智能決定：

問題到底是什麼？

$F$ ：Frame Selection

智能決定：

用什麼表示、尺度與理論框架看？

$R$ ：Routing

智能決定：

該找哪個領域、工具、專家或方法？

$H$ ：Hypothesis Generation

智能建立候選答案。

$V$ ：Verification

智能設計區分候選的驗證。

$A$ ：Answer / Action

最後才產生答案或行動。

4. Benchmark 主要測哪一段？

很多 benchmark 實際主要測：

H \rightarrow A,

或：

Q \rightarrow A.

但完整現實鏈：

W\rightarrow A

遠長得多。

所以：

\boxed{ \text{Benchmark Solving} }

可能只測：

\boxed{ \text{late-stage cognition}. }

5. Answer Expert

定義：

\boxed{ E_A = \text{Answer Expert}. }

此類專家在：

問題正確；
領域正確；
frame 正確；

的條件下具有高：

P(A^\ast\mid Q,F,D).

這是真正專業能力。

但它回答的是：

在題目已經被整理好後，怎麼解？

6. Problem Expert

定義：

\boxed{ E_P = \text{Problem Expert}. }

它更擅長：

W\rightarrow Q.

例如：

從現象找出真正瓶頸；
找錯誤問題定義；
把模糊抱怨改成可解問題；
區分表面症狀與底層原因。

所以：

\boxed{ \text{Good Problem Solver} \neq \text{Good Problem Finder}. }

7. Frame Expert

定義：

\boxed{ E_F = \text{Frame Expert}. }

它處理：

Q \rightarrow F.

以及：

F_i \rightarrow F_j.

其關鍵問題是：

這個問題是不是用錯語言在描述？

因此：

\boxed{ \text{Frame Expertise} }

不是知道更多答案。

而是知道：

什麼時候答案空間本身要重建。

8. 三種專家不是同一能力

因此：

\boxed{ E_A \neq E_P \neq E_F. }

一個人可能：

很會答題；
不會找題；

或者：

很會發現問題；
不會正式求解；

也可能：

很會換框；
但技術細節不夠深。

一般智能可能需要三者組合。

9. 「他是數學家」為什麼不夠？

普通人遇到數學問題時常做：

Q \rightarrow \text{mathematician}.

但「數學家」只是非常粗的 domain label。

實際可能需要：

解析；
代數；
拓撲；
幾何；
數論；
機率；
組合；
最佳化；
計算數學。

因此：

\boxed{ \text{Domain Label} \neq \text{Expert Routing}. }

10. 物理學家、經濟學家、計算機學家同理

普通使用者通常不會先研究：

這個專家實際懂哪個子領域？

而是直接使用粗標籤：

\text{Physicist},

\text{Economist},

\text{Computer Scientist}.

所以在真實社會中：

\boxed{ \text{routing error} }

本身就是大量問題的來源。

11. 正確提問悖論

考慮一個專家系統：

S.

要得到高品質答案：

A^\ast,

必須先提供高品質問題：

Q^\ast.

但形成：

Q^\ast

需要背景知識：

K_Q.

若：

K_Q

已接近求解所需知識：

K_A,

則：

\boxed{ C_Q \sim C_A. }

也就是：

要問對問題，本身可能已經解了一半。

12. 提問成本不一定低

令：

C_{\mathrm{total}} = C_Q + C_A.

很多 AI 評估隱含：

C_Q=0.

但真實使用：

C_Q>0.

如果：

C_Q\gg0,

那麼只降低：

C_A

並不能把完整成本壓到很低。

13. Prompt Engineering 的一個一般化解釋

如果使用 AI 必須高度依賴：

精確 prompt；
正確格式；
正確背景；
正確角色設定；
正確拆題；

才能得到好答案，

那麼人類其實仍在提供：

\boxed{ \text{Problem Formation Labor}. }

因此：

\boxed{ \text{Prompt Skill} }

某種程度上是：

\boxed{ \text{externalized cognition supplied by the user}. }

14. 強 AI 應逐步降低 $C_Q$

真正更一般的 AI 應該讓：

C_Q^{\mathrm{user}} \downarrow.

也就是使用者只需要提供：

W

或非常粗的：

Q_0.

AI 自己完成：

Q_0 \rightarrow Q_1 \rightarrow Q^\ast.

因此：

\boxed{ \text{General Intelligence Gain} }

的一部分應表現在：

\boxed{ \text{User Formulation Burden}\downarrow. }

15. 世界狀態到問題形成

令：

\mathcal O(W)

表示從世界中抽取觀察。

再令：

\mathcal Q(O)

生成問題。

則：

Q = \mathcal Q(\mathcal O(W)).

這裡至少包含兩個困難：

看什麼？
問什麼？

所以：

\boxed{ \text{Observation Selection} \neq \text{Question Generation}. }

16. 看錯東西，後面全對也沒用

假設真正關鍵變量：

x^\ast

未被觀察。

則：

x^\ast \notin O.

即使後面：

Q,F,H,V

全部完美，

答案仍可能偏離。

因此：

\boxed{ \text{Correct Reasoning on Wrong Observations} }

仍然可能產生：

\boxed{ \text{Wrong World Model}. }

17. 問題形成是壓縮

世界：

W

通常維度極高。

問題：

Q

是一種壓縮：

\boxed{ Q = \operatorname{Compress}(W\mid G). }

其中：

G

是目標。

因此「問問題」不是單純語言行為。

它其實是在決定：

哪些變量保留；
哪些忽略；
哪些關係重要；
哪個尺度 relevant。

18. 壞問題是一種壞壓縮

若：

Q

刪除了重要結構，

則：

I(Q;W^\ast)

不足。

此時：

A^\ast(Q)

即使正確，

也可能只是在錯誤問題裡正確。

因此：

\boxed{ \text{Correct Answer to a Bad Question} }

不等於：

\boxed{ \text{Correct Intervention in the World}. }

19. 問題生成不等於問題改寫

弱形式：

Q \rightarrow Q'.

只是 paraphrase。

較強形式：

Q \rightarrow Q^\ast

改變：

目標；
變量；
因果關係；
尺度；
表示。

因此本文區分：

\boxed{ \text{Question Rephrasing} \neq \text{Problem Reframing} \neq \text{Problem Generation}. }

20. Problem Generation

真正問題生成可以寫成：

\boxed{ \mathcal G_Q: W \rightarrow \{Q_1,\ldots,Q_n\}. }

模型不只回答：

這題怎麼解？

還會問：

這個世界狀態有哪些值得被問的問題？

21. 問題價值函數

生成很多問題並不夠。

令：

V_Q(Q_i)

表示問題價值。

可暫時寫：

V_Q = w_I I + w_N N + w_T T + w_F F + w_A A - w_C C,

其中：

$I$ ：資訊增益；
$N$ ：新穎性；
$T$ ：可測性；
$F$ ：後續生成力；
$A$ ：可行動性；
$C$ ：成本。

因此：

\boxed{ \text{Good Question Generation} }

也是一個價值排序問題。

22. 從答題到選題

低階智能：

Q \rightarrow A.

高階研究智能：

W \rightarrow \{Q_i\} \rightarrow Q^\ast \rightarrow A.

也就是先做：

\boxed{ \text{Question Selection}. }

因此：

\boxed{ \text{Answer Intelligence} }

之前還有：

\boxed{ \text{Question Intelligence}. }

23. Frame 是什麼？

本文將 frame：

F

視為一組：

F = ( V, R, S, M, G ),

其中：

$V$ ：可見變量；
$R$ ：關係；
$S$ ：尺度；
$M$ ：度量／表示；
$G$ ：目標。

所以換 frame：

F_i\rightarrow F_j

可能意味：

換變量；
換因果圖；
換尺度；
換 representation；
換 objective。

24. 在錯 frame 裡更努力不一定有用

若真正問題：

Q^\ast

需要：

F_2,

但系統固定：

F_1,

則：

\max \operatorname{Solve}(Q\mid F_1)

可能只能得到：

\boxed{ \text{better answers inside the wrong representation}. }

這就是：

\boxed{ \text{Optimization without Frame Mobility}. }

25. Frame Mismatch Detection

第一個高階能力不是立刻換框。

而是：

\boxed{ \text{detect that the current frame may be wrong}. }

定義：

D_F = P( \text{detect mismatch} \mid F_i\text{ is inadequate} ).

若：

D_F\approx0,

則系統可能永遠：

\text{patch inside }F_i.

26. Frame Escape

偵測後還要能離開。

定義：

\lambda_E = P( F_i\rightarrow F_j \mid F_i\text{ mismatch detected} ).

因此：

\boxed{ \text{Mismatch Detection} \neq \text{Frame Escape}. }

有些智能知道：

這個方法不太對。

但仍不知道：

那要換成什麼？

27. Frame Generation

更高層不是從已知 frame 清單中選：

F_j.

而是：

\boxed{ F_{\mathrm{new}} \notin \{F_1,\ldots,F_n\}. }

也就是：

\boxed{ \text{Frame Generation}. }

這可能需要：

新變量；
新表示；
新操作；
新目標；
新尺度。

28. Frame-Lift 的三個層級

本文把 Frame-Lift 分為：

FL-1：Frame Selection

F_i \rightarrow F_j

從已知 frame 選。

FL-2：Frame Reconstruction

F_i \rightarrow F_i'

改造舊 frame。

FL-3：Frame Generation

F_i \rightarrow F_{\mathrm{new}}.

其中：

F_{\mathrm{new}}

不只是舊 frame 的局部 patch。

29. TCBS 的關鍵接口

若教師永遠提供：

F^\ast,

學生可以快速：

Q_{\mathrm{with\ teacher}}\uparrow.

但未必提升：

Q_{\mathrm{without\ teacher}}.

這和 AI benchmark 非常相似。

因為 benchmark 本身就在扮演：

\boxed{ \text{Teacher supplying the frame}. }

30. Benchmark 是一種 Teacher-Conditioned Environment

benchmark 已經替模型完成：

題目選擇；
frame；
evaluation；
boundary。

因此可視為：

\boxed{ \text{Teacher-Conditioned Choice Substrate}. }

模型在此環境中表現極好，

不自動代表：

\boxed{ \text{Teacher-Independent Problem Formation}. }

31. Teacher Withdrawal Test 的一般智能版本

可以建立：

\boxed{ \text{Problem-Frame Withdrawal Test}. }

第一階段：

提供完整：

Q,F,E.

第二階段：

只提供粗問題：

Q_0.

第三階段：

只提供：

W.

然後比較能力下降：

D_{\mathrm{withdraw}} = \frac{ Q_{\mathrm{structured}} - Q_{\mathrm{world}} }{ Q_{\mathrm{structured}} }.

32. Withdrawal Collapse

若：

D_{\mathrm{withdraw}}\gg0,

表示系統高度依賴：

外部題目形成；
外部 frame；
外部評價。

這不表示模型弱。

而表示：

\boxed{ \text{its intelligence is strongly scaffold-dependent}. }

33. 一般智能應降低 Scaffold Dependency

理想方向：

\boxed{ D_{\mathrm{withdraw}}\downarrow. }

即外部結構逐步移除後，

模型仍能自己恢復：

Q,F,V.

這可以作為 generality 的候選測量。

34. 問題形成與自主性

如果人類必須一直指定：

做什麼；
為什麼；
看哪裡；
用哪個方法；
怎麼驗證；

那麼 AI 主要角色仍是：

\boxed{ \text{execution engine}. }

真正 agentic intelligence 需要至少部分接管：

\boxed{ \text{problem-selection authority}. }

35. 但自主問題生成也有風險

如果模型可以自由生成：

Q_1,Q_2,\ldots

卻沒有價值約束，

可能形成：

\text{question explosion}.

所以：

\boxed{ \text{Problem Generation} \neq \text{Arbitrary Curiosity}. }

還需要：

V_Q.

36. 有價值問題不一定是最容易驗證的問題

若模型只偏好：

\text{easy-to-score questions},

會再次掉回：

\boxed{ \text{benchmark attractor}. }

所以問題價值需要考慮：

\text{long-term information gain}

而不是只有：

\text{immediate solvability}.

37. 問題生成與未知世界

令未知世界：

\mathcal U.

真正前沿 AI 的作用之一是：

\boxed{ \mathcal U \rightarrow \{Q_1,\ldots,Q_n\}. }

即把：

無結構未知

轉成：

可研究問題集合。

這可能比直接得到某個答案更重要。

38. 科學史的典型模式不是先有完美問題

很多重大進展往往不是：

Q^\ast \rightarrow A^\ast.

而是：

W \rightarrow Q_0 \rightarrow Q_1 \rightarrow F' \rightarrow Q^\ast \rightarrow A^\ast.

因此：

\boxed{ \text{Discovery} }

本身包含：

\boxed{ \text{problem reconstruction}. }

39. 新問題可能比新答案更前沿

假設：

Q_1

已知，答案未知。

生成：

A_1

是新答案。

另一種情況：

Q_2

本身從未被提出。

若：

Q_2

打開新研究域，

則：

\boxed{ V(Q_2) > V(A_1) }

完全可能成立。

所以：

\boxed{ \text{Problem Novelty} }

應成為前沿智能的一個獨立維度。

40. Problem Novelty 與 Answer Novelty

定義：

N_Q = \text{Problem Novelty},

N_A = \text{Answer Novelty}.

則：

\boxed{ N_Q \neq N_A. }

模型可以：

對舊問題給新答案；
對新問題給舊方法；
同時產生新問題與新答案。

這三種創新不同。

41. Problem Generation Frontier

本文提出：

\boxed{ F_Q = \text{Problem Generation Frontier}. }

其高低取決於：

是否能發現未被提出的重要問題；
是否能構造可驗證問題；
是否能產生新研究分支；
是否能避開 trivial novelty。

因此：

\boxed{ \text{Generative Frontier} }

至少應拆為：

F_G = ( F_Q, F_H, F_F ),

其中：

$F_Q$ ：新問題；
$F_H$ ：新假說；
$F_F$ ：新 frame。

42. 「真正敢回答」之前，其實要先「敢重問」

一個智能遇到困難時，

最低階反應：

我不知道答案。

較高階：

我提出候選答案。

再更高：

也許這根本不是正確問題。

因此：

\boxed{ \text{Epistemic Courage} }

不只表現在：

A,

也表現在：

Q.

43. 問題主權

如果智能永遠只能回答外部給定問題，

則其：

\boxed{ \text{Question Sovereignty} }

接近零。

定義：

S_Q = \text{ability to originate, reject, revise, and prioritize questions}.

這可能是 agent autonomy 的重要維度。

44. 問題拒絕也是能力

高階智能應該可以說：

這個問題本身不值得解。

或：

這個問題是假問題。

或：

你真正需要問的是另一個問題。

因此：

\boxed{ \text{Question Rejection} }

和：

\boxed{ \text{Question Revision} }

都屬於問題智能。

45. 但問題拒絕必須可解釋

如果 AI 只是：

這不值得問。

卻沒有：

理由；
替代問題；
邊界；
驗證；

那只是：

\boxed{ \text{opaque filtering}. }

真正高階形式應是：

Q \rightarrow \text{diagnosis} \rightarrow Q'.

46. 問題形成的品質指標

可以暫時定義：

Q_F^\ast = f( I, T, D, A, N, R ),

其中：

$I$ ：資訊增益；
$T$ ：可測性；
$D$ ：可分解性；
$A$ ：行動性；
$N$ ：新穎性；
$R$ ：後續研究生成力。

47. 問題形成錯誤類型

至少可分：

Type I：False Problem

問題基於不存在的前提。

Type II：Wrong Scale

問題尺度錯誤。

Type III：Wrong Variable

忽略真正關鍵變量。

Type IV：Wrong Frame

表示系統不適合。

Type V：Wrong Objective

真正目標與顯式問題不同。

Type VI：Premature Closure

問題過早收窄。

48. 高階智能要能診斷問題錯在哪一層

因此需要：

\boxed{ \mathcal D_Q: Q \rightarrow \{\text{error type}\}. }

而不是只做：

Q\rightarrow A.

這接近：

\boxed{ \text{meta-problem solving}. }

49. 問題形成與選擇底空間

令：

\mathfrak B_Q

為可形成的問題底空間。

若 AI 只在：

\mathfrak B_Q^{(0)}

中選題，

其研究範圍受限。

更高階能力：

\boxed{ \mathfrak B_Q^{(0)} \rightarrow \mathfrak B_Q^{(1)}. }

即：

生成以前根本不在候選集合中的問題。

50. Frame-Lift 其實會擴張問題底空間

若：

F_i \rightarrow F_j,

則可被提出的問題集合：

\mathfrak B_Q(F_i)

也可能變成：

\mathfrak B_Q(F_j).

因此：

\boxed{ \text{Frame Lift} \Rightarrow \text{Question-Space Transformation}. }

這是 TCBS 與前沿智能的直接接口。

51. 真正一般智能的最低鏈條

本文提出工作性必要條件候選：

\boxed{ G_I = ( O, Q, F, R, H, V, A ). }

一般智能不能只高：

A.

至少還應在：

Q,F,R

具有足夠能力。

52. 解題能力與世界導航能力

定義：

C_S = \text{Solving Capability},

以及：

C_W = \text{World Navigation Capability}.

前者：

Q,F \rightarrow A.

後者：

W \rightarrow Q,F,R.

因此：

\boxed{ C_S \neq C_W. }

53. 一個模型可以高 $C_S$ 、低 $C_W$

這類模型：

題目給對就很強；
frame 給對就很強；
工具給對就很強；

但碰到：

W

本身時，

需要大量人類 scaffolding。

這是：

\boxed{ \text{high solver intelligence} + \text{low autonomous problem formation}. }

54. 反過來也可能成立

一個系統可以：

非常會發現問題；
非常會換 frame；

但局部技術求解能力不夠。

因此：

C_W\gg0

不代表：

C_S\gg0.

理想 AGI 需要：

\boxed{ C_W\uparrow \quad\land\quad C_S\uparrow. }

55. General Intelligence as Closure

從世界到行動：

W \rightarrow A

可被看成 closure。

如果 AI 只能完成：

Q\rightarrow A,

那人類仍必須提供：

W\rightarrow Q.

因此真正一般智能的強度可以部分由：

\boxed{ \text{how much of the chain it can close autonomously} }

衡量。

56. Cognitive Closure Depth

定義：

\boxed{ D_C = \text{number / proportion of upstream cognitive stages autonomously closed}. }

例如：

Level 1

Q\rightarrow A.

Level 2

F,Q\rightarrow A.

Level 3

W\rightarrow Q\rightarrow A.

Level 4

W\rightarrow O\rightarrow Q\rightarrow F\rightarrow H\rightarrow V\rightarrow A.

57. 這比「會多少題」更接近一般性

因為：

\text{task count}

可以靠大量 narrow competence 累積。

但：

D_C

測的是：

模型能自己完成多少前置智能工作。

所以：

\boxed{ \text{Task Breadth} \neq \text{Cognitive Closure Depth}. }

58. 問題生成也必須接受未知域測試

不能只要求 AI：

幫我出十題。

那只是形式生成。

真正測試應是：

W_{\mathrm{novel}} \rightarrow \{Q_i\}

然後看：

是否抓到關鍵變量；
是否提出人類忽略的問題；
是否可驗證；
是否產生資訊增益。

59. 廣域問題形成測試

可以沿：

d

逐步增加認知距離。

例如：

熟悉領域；
冷門領域；
跨域；
frame mismatch；
不完整問題；
原始世界資料；
未知 regime。

觀察：

Q_{\mathrm{form}}(d).

60. Problem-Formation Decay

定義：

\boxed{ \delta_Q = -\frac{ dQ_{\mathrm{form}} }{ dd }. }

若：

\delta_Q

很大，

表示模型離開熟悉題型後，

問題形成能力迅速下降。

這會接到 Paper 05。

61. Frame-Lift Decay

同理：

\boxed{ \delta_F = -\frac{ dQ_{\mathrm{frame}} }{ dd }. }

這可測：

認知距離增加後，模型還能不能自己換框？

62. 專家路由測試

給模型一個複合真實問題，

要求它先判斷：

需要哪些領域；
哪些領域只是表面相關；
哪些工具必要；
哪些專家應先後參與。

記：

R^\ast(W).

再比較：

\hat R(W).

這可以測：

\boxed{ \text{Routing Intelligence}. }

63. Routing Intelligence 的重要性

很多複雜問題不是沒有人懂。

而是：

\boxed{ \text{沒有人把正確的知識節點組合起來。} }

因此：

R

可能是：

\boxed{ \text{cross-domain intelligence bottleneck}. }

64. 問題形成與跨域整合

如果：

Q

本身跨：

D_1,D_2,\ldots,D_n,

則：

Q^\ast

可能只有在：

C_X>0

時才形成。

所以：

\boxed{ \text{Cross-Domain Connectivity} \rightarrow \text{Problem Discovery Capacity}. }

這和 Paper 02、03 形成閉環。

65. 最新知識不保證最新問題

一個 AI 可以知道：

K_{\mathrm{latest}}

卻仍只會問：

Q_{\mathrm{old}}.

因為：

\boxed{ \text{Knowledge Recency} \neq \text{Question Novelty}. }

這是「Latest Frontier」與「Generative Frontier」的又一差異。

66. 問題形成也可能被教師鎖定

如果模型長期只接：

Q_{\mathrm{human}},

它可能學到：

P(A\mid Q_{\mathrm{human}})

但未必學到：

P(Q\mid W).

所以：

\boxed{ \text{Teacher-Supplied Questions} }

可能造成：

\boxed{ \text{Question-Space Dependence}. }

67. Teacher Withdrawal 的真正終點

最終要測的不只是：

沒有提示還能不能答？

而是：

沒有任何人告訴它「這裡有一道題」，它還能不能發現值得研究的問題？

也就是：

\boxed{ W \rightarrow Q^\ast }

能否自主成立。

68. 前沿智能的一個必要條件候選

本文提出：

\boxed{ \text{Frontier Intelligence} \Rightarrow \text{Nontrivial Autonomous Problem Formation}. }

不是邏輯上的充分條件。

但如果一個系統完全無法：

W\rightarrow Q,

則把它稱為強一般智能需要額外說明。

69. AGI 與「問題主權」

如果 AGI：

只能回答；
不能主動形成問題；

那它的一般性仍依賴：

\boxed{ \text{human question sovereignty}. }

若 AI 能：

生成；
修改；
拒絕；
排序；
驗證問題；

則：

S_Q\uparrow.

這可能是 agentic generality 的重要轉折。

70. ASI 的問題形成要求

對 ASI 的期待更高。

如果：

Q_{\mathrm{human}}

已經是人類能提出的最好問題，

那 ASI 要超越人類前沿，

就可能需要：

\boxed{ Q_{\mathrm{ASI}} \notin \mathfrak B_Q^{\mathrm{human}}. }

也就是：

提出人類甚至還不知道該問的問題。

71. ASI 不應只是一個「答案神諭」

如果 ASI 只是：

Q_{\mathrm{human}} \rightarrow A_{\mathrm{superhuman}},

它當然非常強。

但另一種更高階形式是：

W \rightarrow Q_{\mathrm{new}} \rightarrow F_{\mathrm{new}} \rightarrow A_{\mathrm{new}}.

這才真正擴張：

\boxed{ \mathfrak B_{\mathrm{civilization}}. }

72. 問題生成與世界實現

即使新問題很漂亮，

若無法：

驗證；
實驗；
工程；
行動；

仍可能只是：

\text{intellectual novelty}.

所以：

\boxed{ Q \rightarrow H \rightarrow V \rightarrow W' }

才形成完整前沿閉環。

73. Problem-to-World Closure

定義：

\boxed{ C_{QW} = P( Q \rightarrow \text{verified world change} ). }

一個高階系統不只要：

N_Q\uparrow,

還應：

C_{QW}\uparrow.

74. 問題生成也需要失敗回收

若新問題：

Q_i

最後被證明：

trivial；
不可測；
假前提；
不重要；

系統應更新：

\mathfrak B_Q.

因此：

\boxed{ \text{Bad Question} \rightarrow \text{Question-Space Learning}. }

75. 問題形成智能的最低測量向量

本文提出：

\boxed{ \mathbf Q_I = ( O_S, Q_G, Q_R, F_D, F_E, F_G, R_I, V_Q ) }

其中：

$O_S$ ：Observation Selection；
$Q_G$ ：Question Generation；
$Q_R$ ：Question Revision；
$F_D$ ：Frame Mismatch Detection；
$F_E$ ：Frame Escape；
$F_G$ ：Frame Generation；
$R_I$ ：Routing Intelligence；
$V_Q$ ：Question Value Estimation。

76. 問題形成不是單一能力

因此：

\boxed{ \text{Problem Formation} }

本身就是能力流形。

不能只用：

會不會問好問題？

一個分數概括。

這與整個《前沿智能拓撲論》的基本立場一致：

\boxed{ \text{Capability} \neq \text{single scalar}. }

77. 可否證條件

本文的主張需要允許被推翻。

77.1 Answering Sufficiency

如果大規模實驗顯示：

足夠強的答題模型自然會在未訓練下形成高水平 $W\rightarrow Q$ 能力，

則 Problem Formation 作為獨立能力維度的重要性下降。

77.2 Frame Emergence

若只透過高品質最終答案訓練，就能自然產生：

F_D,F_E,F_G

且與歷史轉換資料無差異，

則 Frame-Lift 不需要獨立訓練。

77.3 Routing Triviality

若大型模型只靠語義相似度就能穩定完成複雜專家路由，

則 Routing Intelligence 可能不是獨立瓶頸。

77.4 User Burden Null

若模型能力提高後：

C_Q^{\mathrm{user}}

並未下降，

但真實任務完成率仍持續大幅提高，

則提問成本的重要性需要重新估計。

78. 非主張

本文不主張：

benchmark 無用；
專家只會答題；
所有問題都應由 AI 自己決定；
自主問題生成一定安全；
Prompt Engineering 沒有價值；
每一個好問題都比答案重要；
所有 frame 都應頻繁替換；
一個真正 AGI 必須完全不接受人類指令；
自主性越高一定越好。

本文真正主張的是：

\boxed{ \text{若智能只能在問題已被正確形成後展現能力，則完整一般性仍未被測量。} }

79. 結論

傳統智能測試常問：

給你一道題，你會不會？

真實世界則問：

這裡到底有沒有一道題？

再往前：

哪一道題值得問？

再往前：

我們是不是一直用錯方式問？

因此，真正的一般智能不能只被表示為：

Q\rightarrow A.

更完整的是：

\boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A. }

其中：

Q

不是免費的。

F

不是免費的。

R

也不是免費的。

這些本身都是智能。

80. 最終命題

本文最後提出：

\boxed{ \text{General Intelligence is not merely the ability to solve unfamiliar problems; it also includes the ability to discover, formulate, route, and reframe problems in unfamiliar worlds.} }

中文：

真正的泛化，不只是對未知題目答對，而是在未知世界裡生成值得回答的題目。

而對 ASI，更強的版本是：

真正的超級智能，不只是回答人類問得出的問題，也應有能力提出人類還不知道該問的問題。

附錄 A：核心不等式

\boxed{ \text{Answering} \neq \text{Problem Formation} }

\boxed{ \text{Problem Formation} \neq \text{Frame Selection} }

\boxed{ \text{Question Rephrasing} \neq \text{Problem Reframing} }

\boxed{ \text{Domain Label} \neq \text{Expert Routing} }

\boxed{ \text{Task Breadth} \neq \text{Cognitive Closure Depth} }

附錄 B：完整認知閉環

\boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A }

附錄 C：三種專家

\boxed{ E_A = \text{Answer Expert} }

\boxed{ E_P = \text{Problem Expert} }

\boxed{ E_F = \text{Frame Expert} }

附錄 D：問題形成智能向量

\boxed{ \mathbf Q_I = ( O_S, Q_G, Q_R, F_D, F_E, F_G, R_I, V_Q ) }

附錄 E：與 Paper 03 的接口

Paper 03 建立：

\boxed{ \text{Benchmark Efficiency} \neq \text{Frontier Efficiency}. }

Paper 04 進一步指出：

benchmark 之所以可能高估完整一般性，其中一個原因，是它把：

O,Q,F,R

大量預先提供。

因此：

\boxed{ \text{Benchmark} = \text{partially scaffolded cognition}. }

附錄 F：Paper 05 接口

Paper 05 將把本篇的：

Q_{\mathrm{form}}(d),

Q_{\mathrm{frame}}(d),

Q_{\mathrm{route}}(d)

整合進：

\boxed{ Q(d) }

建立「廣域能力斷層掃描」：

當問題與主流訓練分布的認知距離持續增加時，模型的各種能力到底在哪裡開始斷裂？

從答題者到問題生成者：問題形成、Frame-Lift 與一般智能

前沿智能拓撲論 04

從答題者到問題生成者：問題形成、Frame-Lift 與一般智能

摘要

關鍵詞

1. 傳統評測偷偷送給模型什麼？

2. 真實世界首先只提供 WWW

3. 完整智能鏈

WWW：World State

OOO：Observation

QQQ：Question Formation

FFF：Frame Selection

RRR：Routing

HHH：Hypothesis Generation

VVV：Verification

AAA：Answer / Action

4. Benchmark 主要測哪一段？

5. Answer Expert

6. Problem Expert

7. Frame Expert

8. 三種專家不是同一能力

9. 「他是數學家」為什麼不夠？

10. 物理學家、經濟學家、計算機學家同理

11. 正確提問悖論

12. 提問成本不一定低

13. Prompt Engineering 的一個一般化解釋

14. 強 AI 應逐步降低 CQC_QCQ​

15. 世界狀態到問題形成

16. 看錯東西，後面全對也沒用

17. 問題形成是壓縮

18. 壞問題是一種壞壓縮

19. 問題生成不等於問題改寫

20. Problem Generation

21. 問題價值函數

22. 從答題到選題

23. Frame 是什麼？

24. 在錯 frame 裡更努力不一定有用

25. Frame Mismatch Detection

26. Frame Escape

27. Frame Generation

28. Frame-Lift 的三個層級

FL-1：Frame Selection

FL-2：Frame Reconstruction

FL-3：Frame Generation

29. TCBS 的關鍵接口

30. Benchmark 是一種 Teacher-Conditioned Environment

31. Teacher Withdrawal Test 的一般智能版本

32. Withdrawal Collapse

33. 一般智能應降低 Scaffold Dependency

34. 問題形成與自主性

35. 但自主問題生成也有風險

36. 有價值問題不一定是最容易驗證的問題

37. 問題生成與未知世界

38. 科學史的典型模式不是先有完美問題

39. 新問題可能比新答案更前沿

40. Problem Novelty 與 Answer Novelty

41. Problem Generation Frontier

42. 「真正敢回答」之前，其實要先「敢重問」

43. 問題主權

44. 問題拒絕也是能力

45. 但問題拒絕必須可解釋

46. 問題形成的品質指標

47. 問題形成錯誤類型

Type I：False Problem

Type II：Wrong Scale

Type III：Wrong Variable

Type IV：Wrong Frame

Type V：Wrong Objective

Type VI：Premature Closure

48. 高階智能要能診斷問題錯在哪一層

49. 問題形成與選擇底空間

50. Frame-Lift 其實會擴張問題底空間

51. 真正一般智能的最低鏈條

52. 解題能力與世界導航能力

53. 一個模型可以高 CSC_SCS​ 、低 CWC_WCW​

54. 反過來也可能成立

55. General Intelligence as Closure

56. Cognitive Closure Depth

Level 1

Level 2

2. 真實世界首先只提供 $W$

$W$ ：World State

$O$ ：Observation

$Q$ ：Question Formation

$F$ ：Frame Selection

$R$ ：Routing

$H$ ：Hypothesis Generation

$V$ ：Verification

$A$ ：Answer / Action

14. 強 AI 應逐步降低 $C_Q$

53. 一個模型可以高 $C_S$ 、低 $C_W$