APET-01｜哪一個 AI？

AI 指稱坍縮與人工智能多態問題

Which AI? AI Referent Collapse and the Polymorphism Problem of Artificial Intelligence

系列： AI 多態時代拓撲論（AI Polymorphic Epoch Topology, APET）
編號： APET-01
版本： v0.1
日期： 2026-09-23
狀態： Canonical Source / UTF-8 Markdown
作者： Neo.K
機構： EveMissLab Technology Co., Ltd.
協作整理： Aletheia / GPT-5.6 Sol
前置理論： 時代拓撲論 v2.0、EML-TOT-2026-003、EXS-04、SAS-04

公司： 一言諾科技有限公司

摘要

當代公共討論、產業報告、研究新聞與日常語言大量使用「AI」作為單一名詞。然而，2026 年的「AI」已同時可能指稱：古典規則系統、符號推理系統、統計機器學習模型、神經網路、基礎模型、大型語言模型、多模態模型、影像／影片／音樂生成模型、搜尋與研究代理、程式代理、長時程工作代理、具身機器人、嵌入式 AI、分散式 AI、區域調度系統、AI 原生作業層，以及由多個模型、工具、記憶、權限與執行環境組合而成的複合智能系統。

因此，「AI」已不再是一個具有充分區分力的單一對象名稱。

本文提出 AI 指稱坍縮（AI Referent Collapse）：大量本體結構、計算能力、部署位置、交互方式與作用域不同的人工智能對象，被語言壓縮進同一個能指「AI」，導致後續關於能力、採用、風險、專業、治理與時代位置的判斷產生系統性混淆。

本文進一步提出 人工智能多態問題（AI Polymorphism Problem）。與單純的「AI 有很多種類」不同，多態問題強調：相同名稱、相同品牌、甚至相同基礎模型，在不同 runtime、harness、tool set、memory、context、permission、surface 與 workflow coupling 下，可以形成顯著不同的有效智能態。因而，使用者實際接觸的 AI 不應只以模型身份描述，而應以一個配置態表示：

\mathcal A_{\mathrm{eff}} = F( M, R, H, T, C, \Mu, P, S, W ).

其中 $M$ 為模型， $R$ 為 runtime， $H$ 為 harness， $T$ 為工具集合， $C$ 為上下文機制， $\Mu$ 為記憶系統， $P$ 為權限與行動能力， $S$ 為互動 surface， $W$ 為工作流與世界耦合。

本文主張，未來對 AI 的嚴格討論至少需要先回答：「到底是哪一個 AI？」沒有完成此一指稱解析之前，「AI 很強」、「AI 很弱」、「AI 已經進入某產業」、「AI 可以取代某工作」、「AI 是工具」、「AI 是 Agent」等句子，都可能在不同對象上同時成立。

本文是 APET 系列的第一篇，主要工作是建立指稱、本體與配置層的基礎。後續論文將分別處理有效智能態、AI 專家能力拓撲、AI 可視域事件、生成與多模態分類、具身拓撲，以及「同一物理年代、不同 AI 時代」的時代拓撲問題。

關鍵詞： AI Referent Collapse；人工智能多態；Effective AI State；模型與系統區分；Agent；Runtime；Harness；AI Typology；時代拓撲；AI Epoch

1. 問題不是「AI 是什麼」，而是「你正在指哪一個 AI」

人工智能研究長期存在定義爭議。

不同時期，人們曾把 AI 理解為：

能執行形式推理的機器；
能搜尋解空間的程式；
能模仿人類專家決策的系統；
能從資料學習的模型；
能辨識感知訊號的神經網路；
能生成語言、影像、聲音或影片的模型；
能使用工具、維持任務狀態並完成目標的 Agent；
能感知與作用於物理世界的具身系統；
能跨設備、組織、城市與基礎設施進行協調的智能層。

這些定義並不只是哲學意見不同。

它們實際上對應到不同的計算對象。

設人工智能對象集合為：

\mathfrak A = \{ A_1,A_2,\ldots,A_n \}.

自然語言卻傾向把它們壓縮為：

\{A_1,A_2,\ldots,A_n\} \xrightarrow{\mathcal L} \text{``AI''}.

其中 $\mathcal L$ 表示語言壓縮。

當：

A_i\neq A_j

但：

\mathcal L(A_i) = \mathcal L(A_j) = \text{``AI''},

便產生本文所稱的 指稱坍縮。

2. AI 指稱坍縮

2.1 定義

定義 1｜AI Referent Collapse

若一個語言符號：

\sigma_{\mathrm{AI}} = \text{``AI''}

被同時用來指稱一組具有顯著不同本體、能力、部署、行動與耦合結構的對象：

\mathfrak A_{\sigma} = \{ A_1,A_2,\ldots,A_k \},

且語言使用過程未保留足以區分這些對象的資訊，則稱：

\boxed{ \operatorname{RC}_{AI} = \text{AI Referent Collapse}. }

因此：

\boxed{ |\mathfrak A_{\sigma}| \gg 1 }

本身並不是問題。

真正的問題在於：

\boxed{ I(\sigma_{\mathrm{AI}}) \ll I(\mathfrak A_{\sigma}) }

其中 $I$ 表示用於區分相關對象的有效資訊量。

換言之，「AI」作為能指所承載的區分資訊，已遠低於它實際覆蓋的對象空間。

2.2 指稱坍縮不是普通的類別概括

自然語言本來就會概括。

例如：

車。

可以同時指：

房車；
貨車；
賽車；
電動車；
自動駕駛車。

但當問題是：

這台車能不能載十噸貨？

「車」這個類別就不夠。

同理：

AI 能不能獨立完成軟體專案？

若不先指定：

A_i

是哪一種 AI，問題在形式上是不完備的。

因為答案可能同時是：

\text{Yes}

以及：

\text{No}.

兩者分別成立於不同的 AI 對象。

因此：

\boxed{ \text{Category usefulness} \neq \text{Decision usefulness}. }

「AI」仍可作為上位類別存在，但當討論進入能力、治理、採用或責任判斷時，必須進一步展開其子類與配置。

3. 「AI 很強」為什麼可能既真又假

設命題：

Q: \text{AI is capable of autonomous long-horizon work}.

若「AI」指：

A_1 = \text{純聊天文字模型},

則：

Q(A_1)

可能不成立。

若「AI」指：

A_2 = \text{模型} + \text{工具} + \text{檔案存取} + \text{瀏覽器} + \text{執行環境} + \text{長時程 Agent loop},

則：

Q(A_2)

可能成立。

因此：

Q(\text{AI})

不是單一真值問題。

真正形式應為：

Q(A_i\mid \Gamma_i),

其中 $\Gamma_i$ 表示該 AI 的配置條件。

如果忽略 $\Gamma_i$ ，則大量 AI 爭論會退化為：

Q(A_i) \quad\text{vs}\quad \neg Q(A_j),

而雙方錯誤地以為：

A_i=A_j.

因此本文提出：

\boxed{ \text{Many AI disputes are referent mismatches before they are factual disagreements.} }

也就是：

很多 AI 爭論在成為事實爭論之前，首先就是指稱錯位。

4. AI 多態問題

4.1 多態不只是「很多模型」

本文所說的 Polymorphism，不等於：

\text{GPT} \neq \text{Claude} \neq \text{Gemini}.

那只是模型或產品不同。

更重要的情況是：

M_i=M_j

但：

\mathcal A_i \neq \mathcal A_j.

也就是：

同一基礎模型，在不同系統配置中形成不同的有效 AI。

因此 AI 身份至少存在兩層：

\boxed{ \text{Model Identity} }

與：

\boxed{ \text{Systemic Effective Identity}. }

兩者不能等同。

4.2 有效 AI 態

本文定義：

\boxed{ \mathcal A_{\mathrm{eff}} = F( M, R, H, T, C, \Mu, P, S, W ). }

其中：

M=\text{Model},

R=\text{Runtime},

H=\text{Harness},

T=\text{Tool Set},

C=\text{Context Architecture},

\Mu=\text{Memory},

P=\text{Permission / Authority},

S=\text{Interaction Surface},

W=\text{Workflow / World Coupling}.

這個式子不是宣稱所有 AI 都能以固定函數精確量化，而是提供一個最低限度的分析框架。

它提醒研究者：

\boxed{ \text{Observed AI Capability} \neq \text{Model Capability Alone}. }

5. Model 不是 AI 系統的全部

在許多公共比較中，模型名稱被當成整個 AI 的身份。

例如：

模型 A 比模型 B 強。

這種比較在純模型測試中可以成立。

但在實際使用環境中，更接近：

Y = F(M,\Gamma,X),

其中：

$M$ ：模型；
$\Gamma$ ：系統配置；
$X$ ：任務與環境；
$Y$ ：實際輸出結果。

若：

M_A=M_B

但：

\Gamma_A\neq\Gamma_B,

則完全可能：

Y_A\neq Y_B.

因此：

\boxed{ \text{Same Model} \not\Rightarrow \text{Same Effective Intelligence}. }

6. Surface 不是單純 UI

「聊天介面」、「工作台」、「程式代理」、「Agent 模式」經常被理解為同一模型的不同入口。

這種理解不一定正確。

一個 surface 可以同時決定：

可使用的工具；
可取得的檔案；
是否可執行程式；
是否可以操作瀏覽器；
是否能跨應用程式；
是否允許長時間任務；
是否可以建立持續狀態；
是否可以自行驗證；
是否能形成多步驟行動鏈。

因此：

\boxed{ S \neq \text{cosmetic UI}. }

在某些系統中：

S \rightarrow \{T,P,C,\Mu,W\}.

也就是 surface 本身實際上選擇了一整套能力拓撲。

所以：

\boxed{ \text{Chat Surface} \neq \text{Agent Surface} }

即使底層模型相同。

7. Harness 的本體地位

若模型：

M

只能產生候選行動，

而 harness：

H

負責：

解析模型輸出；
建立工具呼叫；
執行命令；
讀取結果；
回饋模型；
管理錯誤；
維持迭代；
決定停止條件；

則有效行動能力不是：

M

單獨產生。

更接近：

\boxed{ A_{\mathrm{action}} = M\circ H. }

若再加入工具：

A_{\mathrm{action}} = M\circ H\circ T.

若加入世界狀態：

A_{\mathrm{world}} = M\circ H\circ T\circ W.

因此對 Agent 系統而言：

\boxed{ \text{Harness is constitutive, not merely auxiliary}. }

Harness 不是模型外面的附加小工具，而可能是有效智能形成的一部分。

8. Tool Set 會改變可達問題空間

設模型原始能力可處理的問題集合為：

\Omega_M.

加入工具集合：

T = \{t_1,t_2,\ldots,t_k\},

有效可處理空間變成：

\Omega_{M,T}.

一般而言可能存在：

\Omega_M \subsetneq \Omega_{M,T}.

例如：

沒有瀏覽器的模型不能直接取得最新外部資訊；
沒有 shell 的模型不能真正執行程式；
沒有檔案權限的模型無法修改專案；
沒有感測器的模型無法觀察物理環境；
沒有 actuator 的模型無法直接作用於世界。

因此：

\boxed{ \text{Tool access changes the reachable task manifold}. }

這不是單純「比較方便」。

它可能改變 AI 可達問題空間的拓撲。

9. Memory 會改變 AI 的時間結構

若每次交互都重新開始：

\Mu\approx0,

則 AI 的存在時間更接近離散瞬時切片。

若 AI 具有：

長期記憶；
專案狀態；
歷史決策；
失敗紀錄；
使用者偏好；
可回查的舊上下文；

則：

\Mu>0.

此時 AI 的時間結構已經不同。

這與《時代拓撲論 v2.0》中的「記憶連續度」直接相接。

因此：

\boxed{ \text{same model with different memory continuity} \neq \text{same temporal AI object}. }

10. Permission 會改變智能的政治與工程意義

一個模型可以：

\text{know what should be done}

但沒有權限：

P=0.

它只能建議。

若：

P>0,

可以：

修改檔案；
發送訊息；
建立任務；
控制設備；
執行金融或企業流程；
操作實體系統；

則同一模型的社會意義完全不同。

因此：

\boxed{ \text{Cognitive capability} \neq \text{Operational authority}. }

這也是未來 AI 治理中不能忽略的核心分界。

11. AI 的第一層多態：歷史範式

AI 的多態首先表現在歷史範式。

至少可粗略分為：

\mathcal P = \{ P_{\mathrm{classical}}, P_{\mathrm{symbolic}}, P_{\mathrm{statistical}}, P_{\mathrm{neural}}, P_{\mathrm{foundation}}, P_{\mathrm{agentic}}, P_{\mathrm{embodied}} \}.

這些範式存在重疊與混合，不應被理解為互斥年代。

例如：

P_{\mathrm{symbolic}} + P_{\mathrm{neural}}

可以形成神經符號系統。

因此：

\boxed{ \text{AI history} \neq \text{strict replacement chain}. }

更接近多條範式線的共存、融合與再出現。

12. AI 的第二層多態：能力功能

即使同屬現代模型，功能仍可能不同。

定義一個能力集合：

\mathcal F = \{ f_{\mathrm{recognize}}, f_{\mathrm{classify}}, f_{\mathrm{predict}}, f_{\mathrm{generate}}, f_{\mathrm{retrieve}}, f_{\mathrm{reason}}, f_{\mathrm{plan}}, f_{\mathrm{control}}, f_{\mathrm{research}}, f_{\mathrm{act}} \}.

則：

A_i = \{f_a,f_b,f_c\}

與：

A_j = \{f_b,f_d,f_h\}

都可以被叫做 AI。

但：

A_i\neq A_j.

因此「AI 能做什麼」不應只由單一能力詞代表。

13. AI 的第三層多態：模態

AI 還可依資訊模態區分。

令：

\mathcal M = \{ m_{\mathrm{text}}, m_{\mathrm{image}}, m_{\mathrm{audio}}, m_{\mathrm{speech}}, m_{\mathrm{music}}, m_{\mathrm{video}}, m_{\mathrm{3D}}, m_{\mathrm{sensor}}, m_{\mathrm{action}} \}.

多模態 AI 不只是：

|\mathcal M_A|>1.

真正重要的是模態之間如何耦合。

例如：

\text{text} + \text{image}

可能只是聯合輸入。

也可能是：

\text{text} \rightarrow \text{image reasoning} \rightarrow \text{action}.

甚至：

\text{vision} + \text{audio} + \text{proprioception} \rightarrow \text{control}.

因此：

\boxed{ \text{Multimodal} \neq \text{one homogeneous system type}. }

14. AI 的第四層多態：部署拓撲

根據前置 SAS-04，可以區分：

\text{Embedded}

\text{Edge}

\text{Distributed}

\text{Ambient}

\text{Regional}

\text{Global}.

這些不是能力等級，而是部署與作用拓撲。

一個系統可以同時：

\text{Embedded} + \text{Distributed} + \text{Regional}.

因此：

\boxed{ \text{AI Type} }

本身往往是向量，而不是單標籤。

15. AI 的第五層多態：具身與世界耦合

若系統形成：

\text{Perception} \rightarrow \text{Inference} \rightarrow \text{Action} \rightarrow \text{World} \rightarrow \text{Perception},

則它進入某種具身耦合。

但是：

\boxed{ \text{Embodied AI} \neq \text{Humanoid Robot}. }

其載體可以是：

人形機器人；
機械臂；
輪式機器人；
四足機器人；
無人機；
汽車；
船舶；
工業設備；
倉儲系統；
家居環境；
城市基礎設施。

因此：

\boxed{ \text{Body} = \text{causal action boundary}, }

未必等於：

\text{human-shaped chassis}.

這個問題將在 APET-06 詳細展開。

16. AI 的第六層多態：主動程度

可以粗略建立：

L_0 = \text{passive inference},

L_1 = \text{reactive assistance},

L_2 = \text{tool-mediated execution},

L_3 = \text{goal-directed agent},

L_4 = \text{long-horizon autonomous process},

L_5 = \text{multi-agent / organizational coordination}.

這不是一個最終標準，而是提醒：

\boxed{ \text{AI} }

可以從一次性推論一路跨到長時間行動系統。

因此：

「AI 只是回應提示詞。」

與：

「AI 可以自主執行多步驟工作。」

都可能成立。

但成立於不同：

L_i.

17. AI 的第七層多態：社會角色

同一種計算能力進入不同制度角色，其社會性質也不同。

AI 可以是：

\text{tool},

\text{assistant},

\text{advisor},

\text{operator},

\text{researcher},

\text{manager},

\text{infrastructure},

甚至未來可能形成：

\text{juridical / institutional actor}.

角色不是模型固有屬性。

它是：

\boxed{ \text{Model} + \text{Authority} + \text{Institutional Embedding}. }

18. 「AI」作為公共詞彙的資訊熵問題

假設 AI 類別內部狀態為：

A_1,\ldots,A_n

且其分布為：

p(A_i).

當使用者只收到符號：

\sigma_{\mathrm{AI}},

卻不知道：

A_i,

則其不確定性可概念化為：

H(A\mid \sigma_{\mathrm{AI}}).

當 AI 系統種類與配置持續增加：

n\uparrow,

而語言仍只使用「AI」：

|\Sigma|\approx1,

則：

H(A\mid \sigma_{\mathrm{AI}}) \uparrow.

因此：

\boxed{ \text{The more polymorphic AI becomes, the less informative the bare word ``AI'' becomes.} }

19. 指稱坍縮的第一個後果：能力爭論失真

典型句子：

AI 已經能寫程式了。

問題是：

\text{Which AI?}

是：

\text{autocomplete}

還是：

\text{chat model}

還是：

\text{repo-aware coding agent}

還是：

\text{autonomous test-and-repair runtime}?

這四者的「會寫程式」不是同一能力。

因此應改成：

\boxed{ \text{Capability claim} = \text{AI configuration} + \text{task class} + \text{success criterion}. }

20. 指稱坍縮的第二個後果：採用率失真

一句：

某公司已經導入 AI。

可能表示：

\text{employees use chatbot}

也可能：

\text{AI is embedded in workflow}

也可能：

\text{AI agents execute business processes}

甚至：

\text{organization architecture depends on AI}.

因此：

\boxed{ \text{AI Adoption} \neq \text{binary variable}. }

只記錄：

A\in\{0,1\}

會丟失大量資訊。

21. 指稱坍縮的第三個後果：風險分類失真

純文字建議系統的風險與：

\text{financial execution agent}

不同。

後者又與：

\text{autonomous vehicle controller}

不同。

如果治理只問：

這是不是 AI？

資訊不足。

更合理的是：

\boxed{ R_{\mathrm{risk}} = G( A_{\mathrm{eff}}, P, W, D ) }

其中：

$P$ ：行動權限；
$W$ ：世界耦合；
$D$ ：作用域與損害域。

所以 AI 治理需要配置與作用拓撲，而不只是模型分類。

22. 指稱坍縮的第四個後果：專家權威失真

若「AI」是一個高度多態空間，

則：

\text{AI Expert}

也不能被視為單一專業資格。

一個人在：

\mathcal A_x

具備深度專業，

不推出他在：

\mathcal A_y

也具有相同專業。

因此：

\boxed{ E(A_x) \not\Rightarrow E(A_y). }

這個問題將在 APET-03 建立完整的 AI Expertise Topology。

23. 指稱坍縮的第五個後果：時代判斷失真

如果：

\text{AI}

不是單一對象，

那麼：

\text{AI Era}

也不可能只有單一進入門檻。

一個人：

\text{uses chatbot},

另一個：

\text{works through agents},

另一個組織：

\text{runs AI-native workflows},

另一個城市：

\text{uses AI-mediated infrastructure}.

他們共享：

t.

但不一定共享：

\mathbf e_{\mathrm{AI}}.

因此：

\boxed{ \text{Same Calendar Time} \not\Rightarrow \text{Same AI Epoch}. }

這將成為 APET-07 的主題。

24. ChatGPT 型產品造成的可視域偏置

在生成式 AI 大眾化之前，普通人早已生活在大量 AI-mediated systems 中：

搜尋；
推薦；
風控；
廣告；
影像辨識；
垃圾郵件過濾；
物流；
工業排程。

但這些 AI 往往：

V_I\ll1,

其中 $V_I$ 表示使用者主動感知 AI 中介的可見度。

聊天式生成 AI 大規模普及後：

V_I\uparrow.

因此 AI 第一次以高度可互動、可對話、可被命名的方式進入大眾直接可視域。

這形成一個認知偏置：

\boxed{ \text{Visible AI} \rightarrow \text{Prototype of AI}. }

最後：

\text{AI} \approx \text{chatbot}

在大眾心智中形成近似關係。

但：

\boxed{ \text{Visibility} \neq \text{Ontological Coverage}. }

看得見的 AI 並不等於 AI 全體。

25. Chatbot Epoch Illusion

本文暫定義：

\boxed{ \operatorname{CEI} = \text{Chatbot Epoch Illusion}. }

指一種認知現象：

當聊天式 AI 成為主流可見 AI 後，使用者傾向把：

\text{access to conversational AI}

直接等同於：

\text{full participation in the AI era}.

但實際上：

\mathcal E_{\mathrm{chat}}

只可能是整體 AI 時代拓撲的一個局部區域。

其他區域還包括：

\mathcal E_{\mathrm{agent}},

\mathcal E_{\mathrm{AI-native}},

\mathcal E_{\mathrm{embodied}},

\mathcal E_{\mathrm{scientific}},

\mathcal E_{\mathrm{infrastructural}}.

因此：

\boxed{ \mathcal E_{\mathrm{chat}} \subsetneq \mathcal E_{\mathrm{AI}}. }

26. 一個最低限度的 AI 指稱解析協議

本文提出，未來嚴格討論 AI 時，至少應回答以下問題。

26.1 對象層

這裡的 AI 是：

模型；
系統；
Agent；
機器人；
組織層；
基礎設施層？

記為：

O_A.

26.2 範式層

其主要計算範式：

P_A.

26.3 模態層

它處理哪些模態：

M_A.

26.4 能力層

它具有哪些功能：

F_A.

26.5 配置層

其 runtime / harness / tools / memory：

C_A.

26.6 權限層

它可以實際做什麼：

P_A^{\ast}.

26.7 世界耦合層

它是否只輸出資訊，還是能作用世界：

W_A.

因此最小描述可以寫成：

\boxed{ \operatorname{ID}(A) = ( O_A, P_A, M_A, F_A, C_A, P_A^{\ast}, W_A ). }

27. 「哪一個 AI？」是前置問題，不是挑字眼

這個問題的目的不是讓所有人每次談 AI 都寫完整 taxonomy。

日常語言可以繼續說：

AI。

但只要進入：

科研；
政策；
投資；
治理；
產品評估；
人才判斷；
生產力測量；
時代分析；

則：

\boxed{ \text{Referent resolution must precede strong claims}. }

也就是：

強命題之前，先解決指稱。

28. APET 的第一個基本命題

本文提出：

\boxed{ \text{AI is not one object}. }

這不是修辭。

其形式意思是：

|\mathfrak A|>1

且：

d(A_i,A_j)

在多個維度上可以非常大。

其中距離 $d$ 可以包含：

範式距離；
模態距離；
能力距離；
部署距離；
權限距離；
世界耦合距離；
時間結構距離。

因此「AI」應被理解為一個對象空間：

\boxed{ \mathfrak A }

而非單一對象。

29. 第二個基本命題：Model Identity 不足以決定 AI Identity

\boxed{ M_i=M_j \not\Rightarrow A_i=A_j. }

如果：

R_i\neq R_j,

或：

H_i\neq H_j,

或：

T_i\neq T_j,

或：

P_i\neq P_j,

則有效 AI 態可能不同。

所以：

\boxed{ \text{model name is an incomplete AI identifier}. }

30. 第三個基本命題：AI Capability 是配置條件下的能力

不應只寫：

C(A).

更合理的是：

\boxed{ C(A\mid\Gamma,X). }

其中：

$\Gamma$ ：配置；
$X$ ：任務與環境。

因此任何 benchmark 都只是：

C(A\mid\Gamma_b,X_b).

它不能無條件推出：

C(A\mid\Gamma_r,X_r).

這解釋了為什麼同一模型在 benchmark、聊天、IDE、Agent 與真實工程中的體感可以不同。

31. 第四個基本命題：AI Adoption 必須拓撲化

設一個人或組織對 AI 的耦合狀態為：

\mathcal C_H.

則「有沒有用 AI」：

u\in\{0,1\}

是不充分的。

更合理的是：

\boxed{ \mathcal C_H = ( D, I, A, P, W ) }

其中可表示：

使用域 $D$ ；
整合深度 $I$ ；
自主程度 $A$ ；
權限 $P$ ；
世界耦合 $W$ 。

這將為 APET-07 的 AI Epoch Position 提供基礎。

32. 第五個基本命題：AI 詞彙會隨技術進化持續失真

當 AI 對象空間持續擴張：

\mathfrak A_t \subsetneq \mathfrak A_{t+1},

但詞彙仍維持：

\sigma_{\mathrm{AI}},

則：

\operatorname{RC}_{AI}(t+1) > \operatorname{RC}_{AI}(t)

可能成立。

也就是：

AI 越多態，「AI」這個單字反而越不夠用。

這是技術高速演化下的分類滯後。

33. 一個重要區分：分類不是本體鎖死

本文提出 taxonomy，不代表：

A_i

永遠只能屬於一類。

AI 系統可以：

A_t \rightarrow A_{t+1}

並跨越分類邊界。

例如：

\text{chat assistant} \rightarrow \text{tool-using agent} \rightarrow \text{long-horizon operator}.

因此 APET 採用的是：

\boxed{ \text{dynamic typology} }

而不是靜態物種學。

34. AI 多態是一個狀態空間問題

設：

\mathbf a = ( a_1,a_2,\ldots,a_n )

表示 AI 在：

模型；
模態；
工具；
記憶；
權限；
行動；
部署；
具身；
社會角色；

等維度上的座標。

那麼每一個具體 AI 系統其實是：

\boxed{ A_i = \mathbf a_i }

在 AI 狀態空間中的一個點或局部區域。

當系統更新：

\mathbf a_i(t) \rightarrow \mathbf a_i(t+1),

它在 AI 拓撲中的位置也會改變。

這提供了一個比「模型版本號」更一般的描述方式。

35. 從 AI 多態到時代多態

只要不同人與不同 AI 狀態耦合：

H_i \leftrightarrow A_i,

就可能形成不同的有效能力環境：

\Omega_i.

如果：

\Omega_i\neq\Omega_j,

則兩個共享同一物理時間的人：

t_i=t_j

也可能生活在不同的 AI 時代條件下：

\boxed{ \mathbf e_i^{AI} \neq \mathbf e_j^{AI}. }

因此本文最終導向：

\boxed{ \text{AI Polymorphism} \rightarrow \text{Coupling Polymorphism} \rightarrow \text{Epoch Polymorphism}. }

這正是 APET 系列的總體研究路徑。

36. 研究可驗證性

本文屬於概念—形式框架，但不是不可驗證。

至少可以透過以下研究設計測試。

36.1 同模型跨 Surface 測試

固定：

M.

改變：

S,H,T,P.

比較：

C(A\mid\Gamma_i,X).

若能力差異顯著，則支持：

M_i=M_j \not\Rightarrow A_i=A_j.

36.2 使用者理解測試

詢問受試者：

什麼叫 AI？

觀察其回答是否高度集中於：

\text{chatbot}

或：

\text{generative model}.

再比較其對嵌入式、工業、控制、Agent、具身 AI 的辨識率。

可測量：

\operatorname{RC}_{AI}^{human}.

36.3 組織採用測試

比較兩家公司都宣稱：

已採用 AI。

實際測量：

\mathcal C_{org}.

若兩者在：

工作流整合；
自主性；
權限；
覆蓋域；

有巨大差異，即證明二元 adoption 標籤不足。

37. 反例條件

若未來研究證明：

大部分 AI 系統在不同配置下能力差異極小；
模型身份足以高精度預測實際能力；
一般「AI」標籤已足以支持治理、採用與能力判斷；

則本文的強版本會被削弱。

形式上：

\operatorname{Var} ( C(A\mid\Gamma_i,X) ) \rightarrow0

若成立，

則：

\Gamma

的重要性降低。

本文不預設這不可能。

APET 的目標不是保護某種敘事，而是建立可被實證修正的分類框架。

38. 與既有時代拓撲論的關係

《時代拓撲論》核心命題之一是：

\boxed{ \text{Same physical time} \not\Rightarrow \text{same epoch}. }

APET-01 增加：

\boxed{ \text{Same word ``AI''} \not\Rightarrow \text{same AI object}. }

兩者組合：

\text{AI referent plurality} + \text{different coupling states}

可以導出：

\boxed{ \text{AI era plurality}. }

因此 APET 不是重新發明時代拓撲論。

它是：

\boxed{ \text{Era Topology} \quad\text{restricted to and expanded through}\quad \text{AI polymorphism}. }

39. 系列核心四不等式

APET 系列最終預計圍繞四個不等式展開：

\boxed{ \text{AI} \neq \text{One Object} }

\boxed{ \text{AI Expertise} \neq \text{One Expertise} }

\boxed{ \text{AI Adoption} \neq \text{One Adoption State} }

\boxed{ \text{AI Era} \neq \text{One Epoch} }

APET-01 完成第一個不等式的基礎建構。

40. 結論

人工智能已經進入一個奇特階段。

不是 AI 不夠多。

而是：

\boxed{ \text{AI 太多了，語言卻還只有一個 ``AI''}. }

古典規則系統是 AI。

神經網路是 AI。

大型語言模型是 AI。

影像生成模型是 AI。

程式 Agent 是 AI。

長時程工作代理是 AI。

機器人是 AI。

城市調度系統也可能被稱為 AI。

甚至同一個基礎模型，只要被放入不同 runtime、harness、tool set、memory、permission 與 workflow 中，就可能形成顯著不同的有效智能態。

因此：

\boxed{ \text{AI} }

不再適合作為所有強命題的充分指稱。

未來任何嚴格討論，在問：

AI 能不能？

之前，都應先問：

\boxed{ \text{Which AI?} }

這不是語義潔癖。

這是因為：

\boxed{ \text{different referents} \rightarrow \text{different capabilities} \rightarrow \text{different risks} \rightarrow \text{different adoption states} \rightarrow \text{different epochs}. }

因此 APET 的第一個基本命題是：

\boxed{ \text{The AI era cannot be one era, because AI itself is no longer one object.} }

中文：

AI 時代不可能只有一個時代，因為「AI」本身早已不是一個單一對象。

而這只是起點。

後續論文

APET-02｜同一模型，不同智能——從 Model Identity 到 Effective AI State

預計處理：

\boxed{ \text{Model Identity} \neq \text{Effective Intelligence Identity}. }

並進一步形式化：

\mathcal A_{\mathrm{eff}} = F( M, R, H, T, C, \Mu, P, S, W ).