APET-05｜生成不是 AI

模態、功能與能力域的多軸人工智能分類

Generation Is Not AI: A Multi-Axis Taxonomy of Modality, Function, and Capability Domains

系列： AI 多態時代拓撲論（AI Polymorphic Epoch Topology, APET）
編號： APET-05
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
前置論文： APET-01、APET-02、APET-03、APET-04
前置理論： 時代拓撲論 v2.0、EXS-04、SAS-04

公司： 一言諾科技有限公司

摘要

2022 年後，大眾對人工智能的理解受到生成式 AI 極強影響。文字生成、圖片生成、影片生成、語音生成、音樂生成與程式碼生成逐漸成為「AI」最可見的代表形式。這種可視域捕獲使公共討論容易形成：

\text{AI} \approx \text{Generative AI} \approx \text{LLM}.

然而，生成只是人工智能功能空間中的一個子域。AI 還可以執行辨識、分類、檢測、分割、搜尋、檢索、預測、估計、壓縮、規劃、最佳化、控制、推演、科學研究、代理行動與實體世界干預。更重要的是，「模態」「功能」「代理性」「部署」「具身」「作用域」是不同分類軸，不能混成單一階梯。

本文因此提出 Multi-Axis AI Taxonomy（多軸人工智能分類）。最低限度區分：

\boxed{ \mathcal A = \mathcal M \times \mathcal F \times \mathcal G \times \mathcal D \times \mathcal B \times \mathcal S }

其中：

$\mathcal M$ ：Modality，資訊模態；
$\mathcal F$ ：Function，功能；
$\mathcal G$ ：Agency，代理性與自主性；
$\mathcal D$ ：Deployment，部署拓撲；
$\mathcal B$ ：Embodiment，具身與世界耦合；
$\mathcal S$ ：Scope，作用域。

本文主張：

\boxed{ \text{Modality} \neq \text{Function} \neq \text{Agency} \neq \text{Deployment} \neq \text{Embodiment} \neq \text{Scope}. }

因此，「多模態 AI」不能直接推出「Agentic AI」；「生成式 AI」不能推出「會規劃」；「能理解影片」不能推出「能生成影片」；「能聊天」不能推出「能行動」；「具身 AI」不能推出「人形機器人」；「模型支援圖像」也不能推出系統實際對使用者暴露圖像能力。

本文進一步提出 Capability Coordinate（能力座標）、Capability Tensor（能力張量）、Axis Collapse Error（分類軸坍縮錯誤）、Generative Overreach Error（生成泛化錯誤）、Multimodal Overclaim（多模態過度聲稱） 與 Capability Exposure Gap（能力暴露缺口）。這些概念用來描述一個 AI 系統到底「在哪些模態上，以什麼功能，透過何種代理與部署結構，對哪些世界對象產生作用」。

本文的核心命題是：

\boxed{ \text{AI is better represented as a coordinate in a capability space than as a single category label.} }

中文：

AI 更適合被描述為能力空間中的座標，而不是單一類別標籤。

關鍵詞

Generative AI；Multimodal AI；AI Taxonomy；Capability Tensor；Modality；Function；Agency；Embodiment；Deployment；AI Referent Collapse；Capability Exposure Gap；AI Capability Space

1. 問題：為什麼「生成式 AI」幾乎變成了「AI」？

在公共敘事中，常見近似是：

\text{AI} \approx \text{Generative AI}.

再進一步：

\text{Generative AI} \approx \text{LLM}.

甚至：

\text{LLM} \approx \text{Chatbot}.

這是一條連續的語義壓縮鏈。

2. 這條壓縮鏈並不成立

嚴格而言：

\boxed{ \text{LLM} \subsetneq \text{Foundation Models} \subsetneq \text{Generative AI} \subsetneq \text{AI}. }

因此：

\boxed{ \text{AI} \neq \text{Generative AI}. }

3. 生成只是功能，不是 AI 的本體

令：

f_{\mathrm{gen}} = \text{generation}.

則：

f_{\mathrm{gen}} \in \mathcal F,

其中：

\mathcal F

是 AI 功能空間。

所以：

\boxed{ \text{Generation} }

只是：

\boxed{ \text{one function family}. }

4. AI 功能空間比生成大得多

至少可包含：

\mathcal F = \{ f_{\mathrm{recognize}}, f_{\mathrm{classify}}, f_{\mathrm{detect}}, f_{\mathrm{segment}}, f_{\mathrm{retrieve}}, f_{\mathrm{search}}, f_{\mathrm{predict}}, f_{\mathrm{estimate}}, f_{\mathrm{compress}}, f_{\mathrm{reason}}, f_{\mathrm{plan}}, f_{\mathrm{optimize}}, f_{\mathrm{control}}, f_{\mathrm{simulate}}, f_{\mathrm{research}}, f_{\mathrm{generate}}, f_{\mathrm{act}} \}.

因此：

\boxed{ f_{\mathrm{gen}} \subsetneq \mathcal F. }

5. AI 可以完全不生成內容

例如：

fraud detection；
anomaly detection；
recommendation ranking；
route optimization；
industrial control；
vision inspection；
credit risk scoring。

這些系統可以非常重要，

但：

f_{\mathrm{gen}} = 0.

6. AI 也可以生成，但不會規劃

若：

f_{\mathrm{gen}}\gg0

但：

f_{\mathrm{plan}}\approx0,

則模型可能：

很會生成內容。

卻不代表：

很會完成多步驟任務。

因此：

\boxed{ \text{Generative} \not\Rightarrow \text{Agentic}. }

7. AI 也可以規劃，但不生成自然語言

例如某些：

planning system；
scheduling system；
robotics planner。

可以：

f_{\mathrm{plan}}\gg0

但：

f_{\mathrm{text-gen}}\approx0.

所以：

\boxed{ \text{Agentic / planning capability} \not\Rightarrow \text{language generation}. }

8. 第一個分類軸：Modality

本文定義：

\boxed{ \mathcal M = \text{Modality Space}. }

至少可包含：

\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{code}}, m_{\mathrm{action}} \}.

9. 模態不是功能

圖片是一種：

m_{\mathrm{image}}.

生成是一種：

f_{\mathrm{gen}}.

因此：

\boxed{ m_{\mathrm{image}} \neq f_{\mathrm{gen}}. }

10. 圖像 AI 至少可以做多種不同功能

在：

m_{\mathrm{image}}

上，

可有：

f_{\mathrm{classify}},

f_{\mathrm{detect}},

f_{\mathrm{segment}},

f_{\mathrm{retrieve}},

f_{\mathrm{generate}},

f_{\mathrm{edit}}.

所以：

\boxed{ \text{Image AI} \neq \text{Image Generator}. }

11. 影片 AI 也一樣

在：

m_{\mathrm{video}}

上，

可以：

action recognition；
event detection；
summarization；
tracking；
generation；
editing；
temporal reasoning。

因此：

\boxed{ \text{Video AI} \neq \text{Video Generation}. }

12. 音樂 AI 也不是只有生成

可包含：

transcription；
source separation；
chord recognition；
style analysis；
generation；
mastering；
recommendation。

因此：

\boxed{ \text{Music AI} \neq \text{Music Generator}. }

13. 模態與功能形成二維空間

最簡表示：

\boxed{ \mathcal C_{MF} = \mathcal M \times \mathcal F. }

每個 AI 能力可以放在：

(m_i,f_j)

位置。

14. Capability Cell

定義：

\boxed{ C_{ij} = C(m_i,f_j). }

例如：

C_{\mathrm{image,generate}}

表示：

圖像生成能力。

C_{\mathrm{image,segment}}

表示：

圖像分割能力。

15. 同一模態上可以有完全不同能力

因此：

C_{\mathrm{image,generate}} \neq C_{\mathrm{image,detect}}.

一個模型在前者很強，

不代表後者很強。

16. 同一功能也可以跨不同模態

例如生成：

f_{\mathrm{gen}}

可作用於：

m_{\mathrm{text}}, m_{\mathrm{image}}, m_{\mathrm{audio}}, m_{\mathrm{video}}, m_{\mathrm{3D}}, m_{\mathrm{code}}.

所以：

\boxed{ \text{Generation} }

本身也是跨模態功能族。

17. 第二個分類軸：Agency

本文定義：

\boxed{ \mathcal G = \text{Agency Space}. }

它描述：

AI 是否只做一次推論，還是能維持目標、行動、觀察與修復。

18. Agency Level

可概念分：

G_0 = \text{single inference},

G_1 = \text{interactive response},

G_2 = \text{tool-mediated execution},

G_3 = \text{goal-directed agent},

G_4 = \text{long-horizon autonomous process},

G_5 = \text{multi-agent coordination}.

19. Agency 不是模態

一個文字模型可以：

G_0

也可以透過 harness 成為：

G_4.

所以：

\boxed{ m_{\mathrm{text}} \not\Rightarrow G_k. }

20. Agency 也不是生成能力

一個生成模型：

f_{\mathrm{gen}}\gg0

可能仍：

G_0.

即：

只能單回合生成。

21. 第三個分類軸：Deployment

定義：

\boxed{ \mathcal D = \text{Deployment Topology}. }

包括：

d_{\mathrm{cloud}}, d_{\mathrm{local}}, d_{\mathrm{edge}}, d_{\mathrm{embedded}}, d_{\mathrm{distributed}}, d_{\mathrm{regional}}, d_{\mathrm{global}}.

22. Deployment 不是 Agency

一個：

d_{\mathrm{cloud}}

系統可以：

G_0

或：

G_5.

一個：

d_{\mathrm{local}}

系統也可以。

因此：

\boxed{ \text{deployment location} \neq \text{autonomy}. }

23. 第四個分類軸：Embodiment

定義：

\boxed{ \mathcal B = \text{Embodiment / World-Coupling Space}. }

它描述：

AI 與物理世界是否形成感知—行動閉環。

24. Embodiment 不是 Robot Shape

若：

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

即可討論：

B>0.

所以：

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

25. 第五個分類軸：Scope

定義：

\boxed{ \mathcal S = \text{Operational Scope}. }

例如：

s_{\mathrm{personal}}, s_{\mathrm{device}}, s_{\mathrm{team}}, s_{\mathrm{organization}}, s_{\mathrm{factory}}, s_{\mathrm{city}}, s_{\mathrm{regional}}, s_{\mathrm{global}}.

26. Scope 不是 Deployment

一個全球服務：

s_{\mathrm{global}}

可能主要在：

d_{\mathrm{cloud}}.

一個區域 AI：

s_{\mathrm{regional}}

可以採：

d_{\mathrm{distributed}}.

27. 六軸基礎空間

因此最小分類框架：

\boxed{ \mathcal A = \mathcal M \times \mathcal F \times \mathcal G \times \mathcal D \times \mathcal B \times \mathcal S. }

28. AI 不是一個標籤，而是一個座標

一個具體系統：

A_i

可寫成：

\boxed{ A_i = ( \mathbf m_i, \mathbf f_i, g_i, d_i, b_i, s_i ). }

29. 多值而不是單值

其中：

\mathbf m_i

可以同時包含多個模態。

\mathbf f_i

也可以同時具有多種功能。

因此：

A_i

更像高維區域，

不是單一離散點。

30. Capability Coordinate

本文提出：

\boxed{ \mathbf c_A = ( \mathbf m, \mathbf f, \mathbf g, \mathbf d, \mathbf b, \mathbf s ). }

稱為：

Capability Coordinate

中文：

能力座標。

31. Capability Tensor

若要更細緻，可用：

\boxed{ \mathcal T_A[m,f,g,d,b,s] }

表示在不同軸組合下的能力強度。

稱為：

Capability Tensor

中文：

能力張量。

32. 張量形式比單一排行榜更準確

傳統排行：

A_1>A_2>A_3.

但能力張量顯示：

A_1

可能在：

(m_{\mathrm{text}},f_{\mathrm{reason}})

強。

A_2

在：

(m_{\mathrm{video}},f_{\mathrm{generate}})

強。

沒有唯一線性排名。

33. Axis Collapse Error

本文提出：

\boxed{ \operatorname{ACE} = \text{Axis Collapse Error}. }

中文：

分類軸坍縮錯誤。

指：

把本來屬於不同分類維度的概念，錯誤排成同一條分類線。

34. 典型錯誤一

把：

LLM；
Multimodal；
Agent；
Robot；

排成：

\text{LLM} \rightarrow \text{Multimodal} \rightarrow \text{Agent} \rightarrow \text{Robot}.

這不嚴格。

因為它們分屬：

模型／模態；
模態；
agency；
embodiment。

35. 正確做法是多軸描述

一個系統可以同時：

\text{LLM} + \text{multimodal} + \text{agentic} + \text{embodied}.

因此：

\boxed{ \text{these are composable attributes}. }

36. 典型錯誤二：把 Multimodal 當更高級 Agent

\text{multimodal}

只說明：

|\mathcal M_A|>1.

它不推出：

G_A>0.

所以：

\boxed{ \text{Multimodal} \not\Rightarrow \text{Agentic}. }

37. 典型錯誤三：把 Agent 當 Multimodal

一個 Agent 可以只用：

m_{\mathrm{text}}.

但透過工具：

G_A\gg0.

因此：

\boxed{ \text{Agentic} \not\Rightarrow \text{Multimodal}. }

38. 典型錯誤四：把 Embodied 當 Humanoid

B>0

不表示：

\text{human-shaped}.

所以：

\boxed{ \text{Embodiment} \not\Rightarrow \text{Humanoid Form}. }

39. Generative Overreach Error

本文提出：

\boxed{ \operatorname{GOE} = \text{Generative Overreach Error}. }

指：

因某 AI 具有強生成能力，就外推它在非生成能力上同樣強。

40. 例如文字很會寫，不代表會控制

若：

C_{\mathrm{text,generate}}\gg0,

不能推出：

C_{\mathrm{control}}\gg0.

41. 很會生成程式碼也不代表很會部署

C_{\mathrm{code,generate}}

與：

C_{\mathrm{system,deploy}}

不同。

所以：

\boxed{ \text{code generation} \neq \text{software engineering closure}. }

42. 很會生成研究文字也不代表很會研究

研究至少還涉及：

search；
evidence；
hypothesis；
experiment；
verification；
falsification。

因此：

\boxed{ \text{research writing} \neq \text{research capability}. }

43. Research Capability Vector

可表示：

\boxed{ \mathbf R_A = ( R_{\mathrm{search}}, R_{\mathrm{synthesis}}, R_{\mathrm{hypothesis}}, R_{\mathrm{experiment}}, R_{\mathrm{verify}}, R_{\mathrm{write}} ). }

44. 只看最終文字會產生研究錯覺

若：

R_{\mathrm{write}}\gg0

但：

R_{\mathrm{verify}}\ll1,

則輸出可以很像研究，

但不是可靠研究。

45. Multimodal Overclaim

本文提出：

\boxed{ \operatorname{MO} = \text{Multimodal Overclaim}. }

指：

系統支援多種模態，就被宣稱為「全面多模態智能」。

46. 多模態至少有五種不同層次

M_1 = \text{multi-input},

M_2 = \text{multi-output},

M_3 = \text{cross-modal mapping},

M_4 = \text{cross-modal reasoning},

M_5 = \text{perception-action integration}.

47. Multi-Input

例如：

\text{text} + \text{image} \rightarrow \text{text}.

這是：

M_1.

48. Multi-Output

例如：

\text{text} \rightarrow \{\text{text},\text{speech},\text{image}\}.

這是：

M_2.

49. Cross-Modal Mapping

例如：

\text{text} \rightarrow \text{image}.

或：

\text{audio} \rightarrow \text{text}.

這是：

M_3.

50. Cross-Modal Reasoning

例如：

讀一張圖、聽一段聲音、看一段文字，整合後做判斷。

這是：

M_4.

51. Perception-Action Integration

例如：

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

這是：

M_5.

52. 多模態深度

可以定義：

\boxed{ D_M = \text{degree of cross-modal integration}. }

不是只數：

N_{\mathrm{modalities}}.

53. 多模態數量不等於多模態深度

可能：

N_M=5

但：

D_M\ll1.

也可能：

N_M=2

但：

D_M\gg0.

54. 模態只是資訊通道

因此：

\boxed{ \text{more modalities} \not\Rightarrow \text{more agency}. }

也不必然：

\text{more reasoning}.

55. 第六個分類軸：Temporal Horizon

本文補充一個非常重要的軸：

\boxed{ \mathcal T = \text{Temporal Horizon}. }

表示 AI 可以維持任務與狀態多久。

56. Temporal Horizon 與 Context Length 不同

T_H = \text{effective task duration}.

而：

L_C = \text{context capacity}.

因此：

\boxed{ T_H \neq L_C. }

57. 一個 AI 可以 context 很大但 horizon 很短

因為：

沒有 task loop；
沒有 persistence；
沒有 retry；
沒有 external state。

58. Temporal Horizon 會改變能力類型

短：

T_H\rightarrow0

適合：

answer；
classify；
generate。

長：

T_H\gg0

可以：

investigate；
repair；
iterate；
execute project。

59. 第七個分類軸：Authority

定義：

\boxed{ \mathcal P = \text{Permission / Authority Space}. }

包括：

p_{\mathrm{read}}, p_{\mathrm{write}}, p_{\mathrm{execute}}, p_{\mathrm{deploy}}, p_{\mathrm{control}}.

60. Authority 不是 Agency

一個 Agent 很會規劃：

G\gg0

但：

P=0,

它仍只能建議。

所以：

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

61. 第八個分類軸：Memory Continuity

定義：

\boxed{ \mathcal U = \text{Memory Continuity Space}. }

例如：

u_0 = \text{stateless},

u_1 = \text{session memory},

u_2 = \text{project memory},

u_3 = \text{long-term persistent memory}.

62. Memory 不等於 Context

Context：

C

是當前可見工作狀態。

Memory：

\Mu

可以跨會話或跨任務持久。

所以：

\boxed{ \text{Context} \neq \text{Memory}. }

63. 完整能力空間擴展

因此更完整：

\boxed{ \mathcal A = \mathcal M \times \mathcal F \times \mathcal G \times \mathcal D \times \mathcal B \times \mathcal S \times \mathcal T \times \mathcal P \times \mathcal U. }

64. 這不是要建立終極分類表

APET-05 不主張：

\mathcal A

已完備。

它是一個：

\boxed{ \text{minimum multidimensional scaffold}. }

未來可以加軸。

65. 分類軸應保持正交

理想上：

d_i

描述不同概念。

如果兩軸高度重複，

需要合併。

如果一個詞跨多軸，

需要拆解。

66. Typing Principle

本文提出：

\boxed{ \text{Every AI label should be assigned to its primary axis before comparison}. }

中文：

任何 AI 標籤在被拿來比較以前，應先判斷它屬於哪一個主要分類軸。

67. 例：LLM

LLM 主要是：

\boxed{ \text{model / language modality architecture class}. }

它不是 agency level。

68. 例：Multimodal

Multimodal 主要描述：

\boxed{ |\mathcal M|>1. }

不是 deployment。

69. 例：Agent

Agent 主要描述：

\boxed{ G>0. }

不是 model architecture。

70. 例：Embodied AI

Embodied 描述：

\boxed{ B>0. }

不是 humanoid shape。

71. 例：Edge AI

Edge 描述：

\boxed{ D=d_{\mathrm{edge}}. }

不是 capability level。

72. 例：Global AI

Global 描述：

\boxed{ S=s_{\mathrm{global}}. }

不表示：

\text{single global mind}.

73. 同一系統可以同時擁有多個標籤

例如：

A = \{ \text{LLM}, \text{multimodal}, \text{agentic}, \text{cloud}, \text{global} \}.

這些不是互斥類。

74. Label Stack

本文提出：

\boxed{ L_A = \{l_1,l_2,\ldots,l_k\} }

稱為：

AI Label Stack

中文：

AI 標籤棧。

75. 標籤棧比單一標籤更接近真實系統

例如：

L_A = \{ \text{multimodal}, \text{tool-using}, \text{long-horizon}, \text{cloud}, \text{enterprise} \}.

比只說：

AI。

更有資訊。

76. 但標籤棧仍不等於完整 EAIS

APET-02：

\mathrm{EAIS}

還包含：

runtime；
harness；
permissions；
context；
memory。

所以：

\boxed{ L_A \subset \mathrm{EAIS\ description}. }

77. 模態暴露與模態潛能

一個模型可能支援：

\mathcal M_{\mathrm{latent}}.

但產品只暴露：

\mathcal M_{\mathrm{exposed}}.

通常：

\boxed{ \mathcal M_{\mathrm{exposed}} \subseteq \mathcal M_{\mathrm{latent}}. }

78. Capability Exposure Gap

本文提出：

\boxed{ G_E = \mathcal C_{\mathrm{latent}} - \mathcal C_{\mathrm{exposed}}. }

稱為：

Capability Exposure Gap

中文：

能力暴露缺口。

79. 系統支援不代表使用者可用

例如模型可：

m_{\mathrm{image}}

但該 surface 沒有圖片輸入。

那使用者實際：

C_{\mathrm{image}}=0.

80. 暴露能力與可用能力還不同

即使 UI 有：

\text{image upload},

若：

file size；
rate limit；
permissions；

受限，

實際有效能力仍可能下降。

81. Effective Exposed Capability

定義：

\boxed{ C_{\mathrm{exp}} = F( C_{\mathrm{latent}}, S,P,T,R ). }

82. 產品比較不能只看 model card

因為：

C_{\mathrm{latent}}

與：

C_{\mathrm{exp}}

可能差很多。

83. 生成模型的輸出模態與輸入模態不同

可定義：

\mathcal M_{\mathrm{in}}

與：

\mathcal M_{\mathrm{out}}.

因此：

\boxed{ \mathcal M_{\mathrm{in}} \neq \mathcal M_{\mathrm{out}} }

很常見。

84. 例如 VLM

可能：

\mathcal M_{\mathrm{in}} = \{\text{text},\text{image}\}

但：

\mathcal M_{\mathrm{out}} = \{\text{text}\}.

所以它是：

\boxed{ \text{multimodal input} }

但不是：

\boxed{ \text{multimodal output}. }

85. 「支援圖片」是歧義句

至少可能表示：

能接圖片；
能理解圖片；
能生成圖片；
能編輯圖片；
能以圖片為行動輸出。

所以：

\boxed{ \text{supports images} }

需要解參照。

86. 同理「支援影片」

可指：

upload；
frame extraction；
temporal understanding；
video generation；
video editing；
video-grounded action。

87. AI Capability Grammar

本文提出最小描述語法：

\boxed{ \text{Modality} + \text{Function} + \text{Agency} + \text{Authority} + \text{Deployment} }

例如：

vision-based detection AI

比：

image AI

更精確。

88. 更完整例子

multimodal long-horizon tool-using research agent with browser and file-write permissions.

這其實是一個：

\boxed{ \text{typed AI description}. }

89. AI 類型應該像座標而不是物種名

傳統分類：

這是 A 類 AI。

APET 更傾向：

\boxed{ A = (m_i,f_j,g_k,d_l,b_m,s_n,\ldots). }

90. AI Capability Lattice

不同能力可以組合成：

\boxed{ \mathcal L_C = \text{Capability Lattice}. }

一些系統：

A\subset B

表示 B 包含 A 的能力集合。

91. 但能力包含不代表性能支配

即使：

\mathcal C_A \subset \mathcal C_B,

A 在某能力上：

q_A>q_B

仍可能成立。

所以：

\boxed{ \text{capability breadth} \neq \text{capability quality}. }

92. Breadth

定義：

\boxed{ B_C = |\mathcal C_A|. }

表示能力覆蓋廣度。

93. Depth

定義：

\boxed{ D_C(c_i) = \text{performance depth on capability }c_i. }

94. 一個通用模型可以廣但不深

B_C\gg0

但某些：

D_C(c_i)

一般。

95. 專用模型可以窄但極深

B_C\ll1

但：

D_C(c^\ast)\gg0.

因此：

\boxed{ \text{generalist} \neq \text{specialist}. }

96. AI Capability Profile

本文定義：

\boxed{ \mathbf P_C = ( B_C, D_C, G, T_H, P, B ). }

表示：

breadth；
depth；
agency；
temporal horizon；
authority；
embodiment。

97. 這比「smart / not smart」更有資訊

因為：

\text{smart}

把很多維度壓縮成一個模糊評價詞。

98. 模態轉換能力

除了單模態能力，還有：

\boxed{ T_{m_i\rightarrow m_j}. }

例如：

\text{text} \rightarrow \text{image}.

99. Cross-Modal Transformation Graph

建立：

G_M = (V_M,E_M).

節點：

V_M = \mathcal M.

邊：

E_M

表示可做跨模態轉換。

100. 多模態 AI 的真正能力可以看圖結構

有些系統：

\text{text} \leftrightarrow \text{image}

雙向。

另一些只有：

\text{image} \rightarrow \text{text}.

因此：

\boxed{ \text{same modality count} \neq \text{same multimodal topology}. }

101. 模態拓撲

本文稱：

\boxed{ \mathcal T_M = \text{Modality Topology}. }

表示模態之間可：

讀取；
生成；
映射；
推理；
行動。

102. AI 模態不只媒體模態

傳統常只想：

text；
image；
audio；
video。

但具身系統還有：

proprioception；
force；
depth；
lidar；
radar；
temperature；
spatial state。

因此：

\boxed{ \text{AI modality space} \gg \text{media modality space}. }

103. Sensor Modality

定義：

\mathcal M_S

為感測模態。

例如：

\mathcal M_S = \{ m_{\mathrm{vision}}, m_{\mathrm{depth}}, m_{\mathrm{touch}}, m_{\mathrm{force}}, m_{\mathrm{position}} \}.

104. Action Modality

定義：

\mathcal M_A

為行動模態。

例如：

text action；
API action；
motor action；
navigation action；
financial action。

105. 行動本身也是輸出模態

因此：

\boxed{ \text{output} }

不必是內容。

它可以是：

\boxed{ \text{state change in the world}. }

106. 這打破「AI = 內容生成器」

一個 Agent 的重要輸出可能是：

\Delta W

而不是：

y_{\mathrm{text}}.

其中：

\Delta W = \text{world state change}.

107. World-State Output

本文提出：

\boxed{ O_W = \text{World-State Output}. }

表示：

AI 的輸出被定義為對環境狀態的改變，而非生成一段內容。

108. Agent 與生成器的核心差異之一

生成器主要：

x \rightarrow y.

Agent：

x \rightarrow a \rightarrow W' \rightarrow x'.

因此：

\boxed{ \text{generation loop} \neq \text{action loop}. }

109. Research Agent 也不只是生成研究報告

它還可能：

\text{search} \rightarrow \text{read} \rightarrow \text{compare} \rightarrow \text{test} \rightarrow \text{revise}.

所以：

\boxed{ \text{Research Agent} \neq \text{Report Generator}. }

110. Coding Agent 也不只是程式碼生成器

真正 coding agent：

\text{inspect} \rightarrow \text{edit} \rightarrow \text{run} \rightarrow \text{debug} \rightarrow \text{verify}.

所以：

\boxed{ \text{Coding Agent} \neq \text{Code Generator}. }

111. Scientific AI 也不只是論文生成器

科學 AI 至少可能涉及：

\text{hypothesis},

\text{experiment design},

\text{simulation},

\text{measurement},

\text{falsification}.

112. Generative Dominance Bias

本文提出：

\boxed{ B_G = \text{Generative Dominance Bias}. }

即：

因生成輸出容易被人直接看到，而高估生成能力在整個 AI 空間中的代表性。

113. 生成很可見

輸出：

圖；
文；
音樂；
影片。

都非常直觀。

因此：

V_I(f_{\mathrm{gen}}) \gg V_I(f_{\mathrm{optimize}})

可能成立。

114. 最佳化常常不可見

但：

f_{\mathrm{optimize}}

可能在：

logistics；
energy；
markets；
scheduling；

具有巨大社會影響。

115. 生成式 AI 的可視優勢延續 APET-04

APET-04：

\text{Visible AI} \neq \text{Representative AI}.

APET-05 補充：

\boxed{ \text{Visible AI Function} \neq \text{Representative AI Function}. }

116. AI 產品命名會造成軸混亂

例如：

AI Assistant

可能只是：

G_1.

也可能：

G_4.

因此：

\boxed{ \text{product name} \neq \text{capability coordinate}. }

117. Copilot 也不是標準能力型別

不同 Copilot 可能：

suggest；
generate；
execute；
observe；
orchestrate。

所以：

\boxed{ \text{Copilot} }

是產品角色名，

不是嚴格技術類別。

118. Assistant 也不是嚴格類別

同樣：

\text{Assistant}

可能：

G_1

到：

G_4.

119. Agent 一詞也會逐漸指稱坍縮

當越來越多產品自稱 Agent：

\operatorname{RC}_{\mathrm{Agent}}\uparrow.

因此未來：

Agent

也需要型別解析。

120. Agentic Taxonomy

最低限度可描述：

\boxed{ \operatorname{AgentID} = ( G, T_H, P, W, V ) }

其中：

$G$ ：agency level；
$T_H$ ：temporal horizon；
$P$ ：authority；
$W$ ：world coupling；
$V$ ：verification。

121. 同理 Multimodal 需要型別解析

可描述：

\boxed{ \operatorname{MMID} = ( \mathcal M_{\mathrm{in}}, \mathcal M_{\mathrm{out}}, D_M, G_M ) }

122. 同理 Generative 也需要型別解析

可描述：

\boxed{ \operatorname{GenID} = ( \mathcal M_{\mathrm{out}}, D_C, C_{\mathrm{control}}, C_{\mathrm{edit}} ) }

123. AI 分類應從品牌語言轉向結構語言

不是：

這是下一代 AI。

而是：

\boxed{ \Delta\mathbf c_A }

到底變在哪些軸？

124. Capability Delta

定義：

\boxed{ \Delta\mathbf c = \mathbf c_{t+1} - \mathbf c_t. }

可描述版本升級。

125. 模型升級不必所有軸都提高

可能：

\Delta f_{\mathrm{reason}}>0,

但：

\Delta G=0.

或：

\Delta \mathcal M>0,

但：

\Delta P=0.

126. 因此「新模型更強」是低解析敘述

更精確應問：

\boxed{ \text{stronger in which coordinates?} }

127. Capability Frontier

對每個軸可以有前沿：

F_{\mathrm{text}}, F_{\mathrm{video}}, F_{\mathrm{agent}}, F_{\mathrm{robotics}}, F_{\mathrm{research}}.

所以：

\boxed{ \text{AI frontier} }

本身就是多前沿。

128. 不存在只有一條 AI 前沿

一個系統在：

F_{\mathrm{video}}

領先，

不代表在：

F_{\mathrm{agent}}

領先。

129. Frontier Vector

本文提出：

\boxed{ \mathbf F_A = ( F_1,F_2,\ldots,F_n ). }

描述：

AI 各能力前沿位置。

130. AI 競爭更像 Pareto Frontier

如果：

A

在文字強，

B

在影片強，

C

在 Agent 強，

則：

\boxed{ \text{Pareto frontier} }

比：

\text{single leaderboard}

更合理。

131. AI Benchmark 也應多軸化

每一 benchmark 只測：

\Omega_b \subset \mathcal A.

所以：

\boxed{ \text{benchmark win} \neq \text{global AI win}. }

132. Benchmark Coordinate

可為 benchmark 標：

\boxed{ B = ( M_B, F_B, G_B, T_B ) }

描述它測哪個能力子空間。

133. 這有助於避免 benchmark 外推

例如 coding benchmark：

B_{\mathrm{code}}

不能直接推出：

C_{\mathrm{robotics}}.

134. AI 能力地圖

本文最終建議建立：

\boxed{ \operatorname{Map}_{AI} }

不是一張榜單。

而是一張：

\boxed{ \text{capability topology map}. }

135. AI 使用者也需要知道自己需要哪個能力座標

任務：

X

可以映射到：

\mathbf c_X.

然後選：

A_i

使：

\operatorname{sim}( \mathbf c_X, \mathbf c_{A_i} )

最大。

136. Task-Capability Matching

定義：

\boxed{ M_{TC}(X,A) = \operatorname{sim}( \mathbf c_X, \mathbf c_A ). }

137. 這比「選最強 AI」更有用

因為：

A^\ast = \arg\max_A M_{TC}(X,A).

而不是：

A^\ast = \arg\max_A \text{global score}(A).

138. 企業採用也一樣

公司不應問：

哪個 AI 最強？

而應問：

\boxed{ \text{which capability coordinates are required by our workflow?} }

139. 生成式 AI 可能只是企業需求的一小部分

企業可能真正需要：

classification；
search；
optimization；
routing；
detection；
scheduling；
agents。

所以：

\boxed{ \text{GenAI strategy} \neq \text{AI strategy}. }

140. 「AI Transformation」也容易被生成式 AI 綁架

如果企業只：

\text{add chatbot},

不代表：

\text{AI transformation}.

因此：

\boxed{ \text{chatbot deployment} \neq \text{AI-native transformation}. }

141. AI Native 的位置

AI-native 描述：

\boxed{ \text{system design dependence on AI} }

主要屬於：

deployment；
architecture；
workflow coupling。

不是 modality。

142. AI Native 不等於 Generative

一個 AI-native 控制系統：

f_{\mathrm{gen}}=0

仍可能成立。

所以：

\boxed{ \text{AI-native} \not\Rightarrow \text{Generative}. }

143. AI Native 也不等於 Agentic

某系統可以在設計上高度依賴 AI，

但主要做：

f_{\mathrm{predict}}.

因此：

\boxed{ \text{AI-native} \not\Rightarrow G>0. }

144. 多軸分類也可以描述舊 AI

例如：

A_{\mathrm{expert-system}}

可能：

m=\text{text/symbolic},

f=\text{reason/classify},

G=G_1,

B=0.

所以 APET 不是只為 foundation model 時代設計。

145. 古典 AI 與現代 AI 可放在同一空間

這是重要優點。

\boxed{ \mathcal A }

可以包含：

rule-based；
neural；
agentic；
embodied。

146. Paradigm 是另一個軸

若加入：

\mathcal P = \text{Paradigm}.

則：

\boxed{ \mathcal A' = \mathcal P \times \mathcal M \times \mathcal F \times \cdots }

147. Paradigm 與 Function 也不能混

symbolic AI 可以做：

f_{\mathrm{plan}}.

neural AI 也可以。

所以：

\boxed{ \text{paradigm} \neq \text{function}. }

148. Hybrid AI

若：

P_A = \{ P_{\mathrm{symbolic}}, P_{\mathrm{neural}} \},

則形成：

\boxed{ \text{hybrid paradigm}. }

149. 未來 AI 可能越來越 hybrid

例如：

neural perception；
symbolic constraint；
external memory；
tool execution；
formal verification。

因此單一架構標籤更不足。

150. AI 系統像技術棧，不像單模型

可表示：

\boxed{ A = P + M + F + G + D + B + S + T + P_{\mathrm{auth}} + U. }

這是一個多層技術棧。

151. 多軸分類與 APET-02 的關係

APET-05 描述：

這個 AI 有哪些能力座標？

APET-02 描述：

這些能力在某個 runtime / harness / surface 下實際能否被激發？

因此：

\boxed{ \text{Capability Space} + \text{Effective State} }

共同決定實際智能。

152. Latent Capability vs Effective Capability

定義：

\mathcal C_L = \text{latent capability set},

\mathcal C_E = \text{effective capability set}.

一般：

\boxed{ \mathcal C_E \subseteq \mathcal C_L. }

153. Harness 可以增加有效覆蓋但不能憑空創造所有能力

如果：

c_i \notin \mathcal C_L,

harness 可能仍透過：

tools；
external models；

補足。

但此時系統已不是單一模型能力。

154. Composite Capability

多模型系統：

\boxed{ \mathcal C_{\mathrm{system}} = \bigcup_i \mathcal C_{M_i} + \mathcal C_{\mathrm{orchestration}}. }

155. Multi-Model AI 進一步證明 AI 不是單模型

一個產品可能背後：

M_1

處理文字，

M_2

處理圖像，

M_3

做語音，

M_4

做規劃。

使用者只看到：

A.

156. Product AI Identity

因此：

\boxed{ A_{\mathrm{product}} \neq M_i. }

而是：

\boxed{ A_{\mathrm{product}} = \mathcal O( \{M_i\}, H,T,P,S ). }

157. 這也會影響 AI 專家分類

APET-03：

如果 AI 是多軸，

則專家也可能專精：

\mathcal M_i, \mathcal F_j, \mathcal G_k.

所以：

\boxed{ \text{AI polymorphism} \rightarrow \text{expertise polymorphism}. }

158. 可視域與多軸能力

APET-04：

最可見通常是：

\mathcal M_{\mathrm{text/image/video}}

加：

f_{\mathrm{gen}}.

但其他：

f_{\mathrm{control}}, f_{\mathrm{optimize}}, f_{\mathrm{predict}}

可能更隱形。

159. 因此大眾 AI 地圖是被可視性扭曲的投影

實際：

\mathcal A.

大眾看到：

\pi_V(\mathcal A).

其中：

\pi_V

偏好：

human-readable；
media-generative；
anthropomorphic。

160. Visibility Projection

本文提出：

\boxed{ \mathcal A_{\mathrm{visible}} = \pi_V(\mathcal A). }

因此：

\boxed{ \mathcal A_{\mathrm{visible}} \subsetneq \mathcal A. }

161. 生成式 AI 的文化霸權是投影，不是本體

這是 APET-05 的重要結論。

\boxed{ \text{Generative dominance in public discourse} \neq \text{generative dominance in total AI ontology}. }

162. 具身 AI 將再次改變分類直覺

當 AI 進入：

robot；
vehicle；
drone；
factory；

人們可能重新把 AI 與：

B>0

綁定。

但仍要避免：

\text{AI} \approx \text{robot}.

163. APET-06 將專門處理 embodiment 軸

尤其：

\boxed{ \text{Body} \neq \text{Humanoid Shape}. }

164. 多軸分類的社會政策意義

政策若只寫：

AI system

可能涵蓋差異極大的：

A_i.

治理應至少區分：

function；
authority；
embodiment；
scope；
risk.

165. 同樣「生成 AI」也可能風險完全不同

文字生成：

W\approx0.

但若同一生成模型接：

P_{\mathrm{execute}}\gg0,

風險結構改變。

166. 因此 risk 不是 modality 的函數

\boxed{ R \neq R(\mathcal M) }

更接近：

\boxed{ R = F( \mathcal F, \mathcal G, \mathcal P, \mathcal B, \mathcal S ). }

167. 生成內容的風險與行動風險不同

R_{\mathrm{content}}

主要：

misinformation；
copyright；
fraud。

R_{\mathrm{action}}

可能：

financial；
physical；
infrastructural。

168. 功能分類比品牌分類更適合治理

政策問：

這是哪家公司模型？

不如先問：

\boxed{ \text{what functions and authorities are active?} }

169. AI 產品設計也能使用 Capability Tensor

產品團隊可以標：

\mathcal T_A.

看：

哪些能力已暴露；
哪些缺；
哪些重複；
哪些是高風險交叉區。

170. Capability Gap Analysis

定義：

\boxed{ G_C = \mathcal C_{\mathrm{required}} - \mathcal C_{\mathrm{available}}. }

企業可用它判斷：

缺的是模型、工具、Agent、還是具身。

171. 這能避免「什麼都想用 LLM 解」

如果問題需要：

f_{\mathrm{optimize}}

或：

f_{\mathrm{control}},

不一定：

\text{LLM}

是最佳核心。

172. LLM-Centrism

本文提出：

\boxed{ B_L = \text{LLM-Centrism}. }

即：

把所有 AI 問題都重寫成 LLM 問題。

173. LLM-Centrism 是另一種指稱坍縮

\text{AI} \rightarrow \text{LLM}

會忽略：

vision；
control；
optimization；
robotics；
symbolic systems。

174. Foundation Model 不等於全部 AI

即使 foundation model 很通用：

\boxed{ \text{Foundation Model} \subsetneq \text{AI System Ecology}. }

175. 未來可能出現 Foundation Agent

但：

\text{foundation}

描述泛化基礎。

\text{agent}

描述 agency。

仍是不同軸。

176. 模型名稱將越來越像晶片型號

它很重要，

但不能代表整台系統。

同理：

\boxed{ \text{AI model name} \neq \text{full capability coordinate}. }

177. 多軸 AI 名稱格式

未來可用：

\boxed{ A[ P; M; F; G; D; B; S ] }

做簡化描述。

178. 範例一：聊天型 LLM

A_1[ \text{neural}; \text{text}; \text{generate/reason}; G_1; \text{cloud}; B_0; \text{personal} ].

179. 範例二：Coding Agent

A_2[ \text{foundation}; \text{text/code}; \text{reason/plan/act}; G_4; \text{local/cloud}; B_0; \text{repo} ].

180. 範例三：人形機器人

A_3[ \text{hybrid}; \text{vision/audio/sensor}; \text{reason/control/act}; G_4; \text{edge}; B_1; \text{physical-local} ].

181. 範例四：城市交通 AI

A_4[ \text{hybrid}; \text{sensor/data}; \text{predict/optimize/control}; G_3; \text{distributed}; B_{\mathrm{infra}}; \text{city} ].

182. 這四個都叫 AI

但：

\boxed{ A_1\neq A_2\neq A_3\neq A_4. }

183. 問「AI 能不能做 X」前先定位座標

例如：

AI 能不能駕駛？

要找：

\mathbf c_{\mathrm{driving}}.

而不是問：

\text{AI}_{\mathrm{generic}}.

184. Capability Requirements Vector

定義：

\boxed{ \mathbf r_X = \text{capability requirements of task }X. }

185. 任務閉合需要座標匹配

如果：

\mathbf c_A

覆蓋：

\mathbf r_X,

則：

P_{\mathrm{closure}}

才可能高。

186. 這與 APET-02 的 Effective Problem Coverage 接起來

APET-02：

EPC(A).

APET-05 提供：

\mathbf c_A

與：

\mathbf r_X.

因此可以研究：

\boxed{ EPC = F( \mathbf c_A, \mathbf r_X, \Gamma ). }

187. AI Capability Ontology

本文最終指向：

\boxed{ \mathcal O_C = \text{AI Capability Ontology}. }

不是列產品。

而是描述：

axes；
coordinates；
relations；
transitions。

188. Ontology 應允許新能力出現

若：

f_{n+1}

出現，

系統應：

\mathcal F \rightarrow \mathcal F\cup\{f_{n+1}\}.

因此：

\boxed{ \text{taxonomy must be extensible}. }

189. 動態分類比固定標籤重要

AI 演化太快，

固定 taxonomy：

T_0

容易過時。

所以需要：

\boxed{ \mathcal T(t). }

190. Capability Trajectory

一個系統的演化：

\boxed{ \mathbf c_A(t) }

可以形成：

\text{capability trajectory}.

191. 軌跡比版本號更有資訊

版本：

v_1,v_2,v_3

只說更新順序。

能力軌跡說：

\Delta m, \Delta f, \Delta g, \Delta p.

192. AI 時代也會因能力軌跡而分裂

不同產業採用不同：

\mathbf c_A(t)

因此：

\boxed{ \text{AI epoch divergence} }

不只來自使用深度，

也來自採用的 AI 類型不同。

193. 一個產業可能先進入 Prediction AI Era

例如：

f_{\mathrm{predict}}\gg0.

另一個進入：

\text{Generative AI Era}.

另一個：

\text{Agentic AI Era}.

所以：

\boxed{ \text{same country} \neq \text{same AI epoch across domains}. }

194. 這準備 APET-07

APET-07 將把：

\mathbf c_A

與：

\mathbf e^{AI}

連接。

195. 實證設計一：AI Label Typing Audit

收集市場上：

AI；
Agent；
Multimodal；
Copilot；
Assistant；

產品描述。

檢查其實際：

\mathbf c_A.

計算標籤—能力偏差。

196. Label-Coordinate Distance

定義：

\boxed{ D_{LC} = d( \operatorname{claim}(A), \mathbf c_A ). }

越大表示：

標籤與實際能力越不一致。

197. 實證設計二：Generative Bias Survey

問受試者：

哪些能力算 AI？

比較他們對：

generation；
prediction；
optimization；
control；

的辨識率。

可測：

B_G.

198. 實證設計三：Multimodal Depth Test

固定模態數：

N_M.

比較不同模型：

D_M.

測：

cross-modal reasoning；
temporal fusion；
action grounding。

199. 實證設計四：Capability Exposure Gap

對同一模型比較：

\mathcal C_{\mathrm{latent}}

與：

\mathcal C_{\mathrm{surface}}.

測：

G_E.

200. 實證設計五：Task-Capability Matching

建立任務集合：

\{X_i\}.

為每個：

X_i

建立：

\mathbf r_{X_i}.

測：

M_{TC}(X_i,A_j)

是否能預測：

P_{\mathrm{closure}}.

201. 反例條件

如果研究發現：

\text{single AI score}

可以在所有模態、功能、Agent、具身與部署場景中高精度預測能力，

則 APET-05 的多軸必要性會被削弱。

202. 但即使存在 General Intelligence Factor

即使：

g_{AI}

存在，

也不代表：

\mathbf c_A

不重要。

因為：

\boxed{ g_{AI} \neq \text{deployment / authority / embodiment}. }

203. 能力與制度層仍需分離

一個高：

g_{AI}

系統，

在：

P=0

時仍無法直接行動。

204. 多軸分類不是否定通用智能

它只是說：

\boxed{ \text{general intelligence} }

若存在，

也只是 AI 系統的一個維度。

205. APET-05 的第一核心命題

\boxed{ \text{Generative AI} \subsetneq \text{AI}. }

206. 第二核心命題

\boxed{ \text{Modality} \neq \text{Function}. }

207. 第三核心命題

\boxed{ \text{Function} \neq \text{Agency}. }

208. 第四核心命題

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

209. 第五核心命題

\boxed{ \text{Embodiment} \neq \text{Humanoid Form}. }

210. 第六核心命題

\boxed{ \text{Visible Capability} \neq \text{Total Capability}. }

211. 第七核心命題

\boxed{ \text{AI Type} = \text{coordinate}, \quad \text{not a single label}. }

212. 統一能力座標

本文最終提出：

\boxed{ \mathbf c_A = ( \mathbf p, \mathbf m, \mathbf f, \mathbf g, \mathbf d, \mathbf b, \mathbf s, \mathbf t, \mathbf p_{\mathrm{auth}}, \mathbf u ). }

其中：

$\mathbf p$ ：paradigm；
$\mathbf m$ ：modality；
$\mathbf f$ ：function；
$\mathbf g$ ：agency；
$\mathbf d$ ：deployment；
$\mathbf b$ ：embodiment；
$\mathbf s$ ：scope；
$\mathbf t$ ：temporal horizon；
$\mathbf p_{\mathrm{auth}}$ ：authority；
$\mathbf u$ ：memory continuity。

213. AI 應被描述成一個高維狀態

因此：

\boxed{ A \in \mathcal A_{\mathrm{high-dimensional}}. }

而不是：

A \in \{\text{AI},\text{not AI}\}.

214. 這會改變「AI 到底是什麼」的問法

不再是：

AI 的唯一正確定義是什麼？

而是：

\boxed{ \text{which coordinates define the AI object under discussion?} }

215. 結論

生成式 AI 的爆紅改變了人類對人工智能的直覺。

文字、圖片、影片、音樂與程式碼生成讓 AI 第一次如此可見、可玩、可比較，也使：

\text{Generative AI}

成為整個 AI 世界最強的公共原型之一。

但這個成功也造成一個新的分類錯覺：

\text{AI} \approx \text{Generation}.

本文拒絕這個等號。

人工智能不是一種輸出形式。

它是一個多軸能力空間。

最低限度應區分：

\boxed{ \text{Modality} }

\boxed{ \text{Function} }

\boxed{ \text{Agency} }

\boxed{ \text{Deployment} }

\boxed{ \text{Embodiment} }

\boxed{ \text{Scope}. }

而更完整的系統還需要：

\boxed{ \text{Temporal Horizon} + \text{Authority} + \text{Memory}. }

因此，對一個 AI 最精確的問法不再是：

它是不是生成式 AI？

而是：

它處理哪些模態？具備哪些功能？能自主到什麼程度？有什麼權限？部署在哪裡？是否具身？作用到多大範圍？能維持任務多久？記憶連續性如何？

這些問題共同決定：

\mathbf c_A.

所以 APET-05 的最終命題是：

\boxed{ \text{AI is not a genre of generated content; it is a multidimensional capability topology.} }

中文：

AI 不是一種生成內容的類型，而是一個多維能力拓撲。

當這個分類重新展開後，「生成式 AI」「多模態 AI」「Agentic AI」「具身 AI」「Edge AI」「Global AI」就不再互相搶奪「下一代 AI」的單一路線位置。

它們只是：

\boxed{ \text{different coordinates on different axes}. }

而這正是理解 AI 多態時代的必要條件。

後續論文

APET-06｜具身的是什麼？——從人形機器人到分散式世界身體

預計處理：

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

並正式展開：

\text{Body} = \text{Sensor Boundary} + \text{Actuator Boundary} + \text{Causal Coupling Boundary}.

進一步研究：

人形；
機械臂；
車輛；
無人機；
工廠；
智慧家庭；
城市基礎設施；

是否都可以形成不同的 AI 身體拓撲。