title: AI 的能力到底在哪裡？——動態能力本體論總綱
english_title: Where Does AI Capability Reside? A Master Framework for the Dynamic Capability Ontology of AI
series: AI 動態能力本體論：潛能、激發、內生性與耦合
series_english: Dynamic Capability Ontology of AI: Potential, Activation, Endogeneity, and Coupling
paper: 00 / 09
author: Neo.K / EveMissLab
ai_collaboration: Aletheia / GPT-5.6 Sol
date: 2026-09-12
version: v0.1
document_type: 系列母論文／統一理論框架／可證偽研究綱領
status: Canonical Series Baseline Draft
encoding: UTF-8

AI 的能力到底在哪裡？

——動態能力本體論總綱

Where Does AI Capability Reside?

A Master Framework for the Dynamic Capability Ontology of AI

作者： Neo.K / EveMissLab
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-12
版本： v0.1

摘要

「某個 AI 擁有某項能力」在大型語言模型、Agent、長期記憶、工具調用、多模型路由、外部搜尋、程式執行、世界模型與分散式認知運行時逐漸整合之後，已不再是一個可以用單一 benchmark 分數或單一模型參數集合回答的簡單問題。

如果一個語言模型在無工具條件下無法完成形式驗證，但接入 theorem prover 後可以穩定完成；如果同一模型在不同 context、不同使用者、不同 memory、不同工具與不同 runtime 中展現截然不同的生產能力；如果一個能力並不存在於模型權重內，卻能在每次 runtime 重啟後於極短時間內被重新耦合、恢復並可靠調用，那麼「這是不是 AI 自己的能力？」便不再只是語義問題，而成為一個需要型別、邊界、尺度、時間與系統結構共同判定的能力本體論問題。

本文提出 AI 動態能力本體論（Dynamic Capability Ontology of AI）。其核心主張不是「AI 的能力都在外部」，也不是「模型本身沒有能力」，而是：

\boxed{ \text{AI Capability} \neq \text{A Static Scalar Property of a Model} }

更合理的描述是：

\boxed{ \mathcal C_{\mathrm{eff}}(t) = \operatorname{Reach} \left( \mathbb G_t^{\mathrm{cap}} \mid X,\chi,q,S_t,\Gamma_t,P_t,V_t,B_t,W_t \right) }

其中 $\mathbb G_t^{\mathrm{cap}}$ 是時間 $t$ 的能力圖／能力 Fabric； $X$ 是被判定的系統邊界； $\chi$ 是 unitization / observation chart； $q$ 是任務； $S_t$ 是系統狀態； $\Gamma_t$ 是耦合與路由； $P_t$ 是權限； $V_t$ 是驗證； $B_t$ 是資源預算； $W_t$ 是世界／環境條件。

換言之，AI 的有效能力更接近「在特定邊界、尺度、狀態與約束下，從潛能結構中可被實際激發、組合、路由、驗證並執行的可達域」，而不是一張靜態能力清單。

本文承接 EveMissLab 既有多條理論線：表徵閘門猜想已區分覆蓋、編碼、激發與組合缺口；潛能—激發矩陣生成論已提出潛能態、局部激發與高相干高階顯化；外部智慧內生化命題已嚴格區分外包、耦合與內生化；One–All／OAC 已把 One、Many、All、unitization、identity 與 scale-relative boundary 分離；MPD 人機耦合理論已指出 Same Model 不等於 Same Effective Productive Tool；AI-native 系統論已用反事實移除測試區分 capability、embedding、dependency 與 nativity；Trajectory Preservation Problem 已把「換載體」重新表述為未來狀態轉移律是否被改寫；Cloud AI Center / Distributed Cognitive Runtime 則表明，持續 AI 不應被壓縮為單一 conversation、單一 linear context 或單一 Graph DB。

在此基礎上，本文提出四項系列級新增：

內生性索引化：內生能力不應被寫成無條件布林值，而應寫為 $\operatorname{Endo}(c\mid X,\chi,\tau)$ 。
快速再耦合準內生化：外部能力即使未參數內生，只要重耦合時間極短、恢復率極高、接口與驗證穩定，便可能在高階 operational chart 下呈現準內生功能。
能力圖本體論：能力不是孤立模組清單，而是 model、memory、tool、workflow、compute、authority、verification、user/world interface 之間的有向非對稱可達結構。
持續能力接口：真正長期 AI 與世界模型要求 persistent state、multi-context、multi-graph、bounded active context、asymmetric transfer 與 validated state transition，而不是單純延長 context window。

本文將整個系列定位為可證偽研究綱領，而非完成的自然科學定理。Paper 01–09 將分別處理：潛能與激發、有效能力條件化、AI 版外包／耦合／內生化、邊界相對內生性、快速再耦合、能力多圖、載體與軌跡保存、有效無限上下文，以及從持續 AI 到持續世界模型的閉環。

關鍵詞： AI Capability Ontology；Dynamic Capability；Potential；Activation；Representational Gating；Endogenization；Coupling；Rapid Re-Coupling；Capability Graph；AI-Native System；Multi-Context；Multi-Graph；Persistent AI；World Model；Trajectory Preservation；One–Many–All；Distributed Cognitive Runtime

0. 問題不是「AI 強不強」，而是「能力在哪裡」

今日談論 AI 能力時，常用一句看似自然的句子：

模型 $A$ 有能力 $c$ 。

這句話在純模型 benchmark 中足夠實用，但只要 AI 開始使用：

external memory；
browser / search；
compiler / interpreter；
theorem prover；
databases；
Agent harness；
multi-model routing；
persistent state；
robots / sensors / actuators；
shared world state；

它就開始失去精度。

若把能力全部放在模型參數：

\text{Capability}=f(\Theta),

便無法解釋同一個 $\Theta$ 在不同 runtime 中巨大能力差異。

若反過來把所有可訪問外部資源都算成 AI 能力：

\text{Capability}=\text{Everything Accessible},

又會把「能訪問」「能理解」「能操作」「能驗證」「有權執行」全部混成同一件事。

因此本文拒絕兩個極端：

\boxed{ \text{Capability}\neq\text{Parameters Only} }

以及：

\boxed{ \text{Capability}\neq\text{All Reachable Resources} }

本文真正要建立的是：

能力如何存在、被激發、被組合、被外包、被內生、被重建，以及在不同系統邊界下如何改變其「屬於誰」的判定。

1. 前置理論一：潛能不等於激發

設模型的相對穩定結構為：

\Theta.

本文不把 $\Theta$ 理解成「AI 當下所有正在運行的思想」，而更接近一個高維潛能結構。

令：

\mathcal C_{\mathrm{potential}}(\Theta)

表示在有限資源與合法操作下可能被釋放的能力域。

當下實際激發的只是：

\mathcal C_{\mathrm{active}}(t) \subseteq \mathcal C_{\mathrm{potential}}.

因此：

\boxed{ \text{Capability Existence} \neq \text{Capability Activation} }

這與既有潛能—激發矩陣理論直接相容：未顯化不等於不存在；局部激發也不等於完整高階能力。

若多個低階能力：

c_1,c_2,\dots,c_k

經過特定關係、任務與相干組合形成：

c^*,

則：

\boxed{ c^*\notin\{c_1,\dots,c_k\} \quad\text{as an isolated component,} }

但：

\boxed{ c^*\in\operatorname{DynCl}(\{c_i\},\mathcal R,\mathcal G). }

也就是：高階能力可以存在於關係閉合，而不必存在於任何單一低階節點中。

2. 前置理論二：表徵閘門與四種缺口

既有表徵閘門猜想已把「AI 沒有展現某能力」拆成四類：

覆蓋缺口；
編碼缺口；
激發缺口；
組合缺口。

本文直接繼承這個區分。

因此一次失敗：

\operatorname{Fail}(A,q)=1

不能直接推出：

c_q\notin\mathcal C_{\mathrm{potential}}(A).

但是反過來，「也許只是沒有激發」也不能成為不可證偽的萬用解釋。

所以必須要求可操作釋放算子：

R: A\mapsto A',

且：

C(A',q)-C(A,q)>\varepsilon.

否則不能把所有未成功能力無限追認為「潛能」。

3. 前置理論三：外包、耦合、內生化

本文保留 EIEC 的核心切割：

\boxed{ \text{Offloading} \neq \text{Coupling} \neq \text{Endogenization} }

外包表示能力主要留在外部；耦合表示當下形成高效整體；內生化則要求在外部條件移除後，仍有可重複、可遷移的能力結構保留。

因此本文不會使用：

「AI 接上一個工具，所以工具已經是 AI 的內生能力。」

這種過強說法。

真正的新問題是：

如果主體邊界本身不是固定的，移除測試究竟要移除誰？

這正是後文「邊界相對內生性」的起點。

4. 前置理論四：One、Many、All 與能力邊界

One–All / OAC 已建立：

\text{Unitization}\neq\text{Identity}.

一個較低尺度的多元結構，可以在高階 chart 中被計算成一個 operational One；但這不代表其內部差異、本體邊界與 provenance 被消滅。

因此一個：

\text{LLM}+\text{Memory}+\text{Tools}+\text{Runtime}

可以在某個工程 chart 下被合理視為一個 AI system：

U_\chi(X)=1.

但不能推出：

\text{LLM}=\text{Memory}=\text{Tool}=\text{Runtime}.

這讓我們可以在不發生 identity collapse 的前提下，談 system-level endogeneity。

5. 第一個核心命題：能力不是一個靜態屬性

本文提出：

\boxed{ \mathcal C_t = F( \Theta, Z_t, M_t, T_t, R_t, P_t, V_t, B_t, W_t ) }

其中：

$\Theta$ ：模型核心潛能結構；
$Z_t$ ：active cognitive state；
$M_t$ ：memory；
$T_t$ ：tools / algorithms / workflows；
$R_t$ ：routing / orchestration；
$P_t$ ：permission / authority；
$V_t$ ：verification；
$B_t$ ：compute / latency / economic budget；
$W_t$ ：world / environment。

能力因此不是：

C(A)=\text{constant}.

而是動態狀態函數。

6. 能力的八層狀態

本文暫定一項能力 $c$ 至少可以處於八種狀態：

Potential：存在有限釋放路徑的潛能。
Encoded：相關結構已被模型或系統保存。
Retrievable：可以被定位與恢復。
Elicitable：存在已知激發協議。
Activated：已進入 active state。
Composable：可以與其他能力合法組合。
Executable：有資源與接口可執行。
Validated Effective：在指定任務中可穩定通過驗證。

可寫成：

P\rightarrow E\rightarrow R\rightarrow L\rightarrow A\rightarrow C\rightarrow X\rightarrow V.

這不是不可逆流水線。

工具失效可能使：

X\rightarrow0.

權限撤銷可能使：

X_{\mathrm{authorized}}\rightarrow0.

memory loss 可能使：

R\rightarrow0.

新的 elicitation protocol 也可能使原本低表現能力突然進入 active state。

7. 第二個核心命題：有效能力是條件式能力

定義名義能力：

\mathcal C_{\mathrm{nominal}}(A).

定義有效能力：

\boxed{ \mathcal C_{\mathrm{eff}} = \operatorname{Cap}( X,q,t,\chi,S,R,P,V,B,W ) }

這表示能力必須被索引到：

系統邊界；
任務；
時間；
chart；
狀態；
資源；
權限；
驗證；
世界條件。

因此：

\boxed{ \mathcal C_{\mathrm{eff}} \neq \mathcal C_{\mathrm{nominal}} }

並且同一模型：

A_1=A_2

不推出：

\mathcal C_{\mathrm{eff}}^{(1)} = \mathcal C_{\mathrm{eff}}^{(2)}.

這承接 MPD 的 Same Model != Same Effective Productive Tool，但把問題從人機生產推廣到一般 AI capability ontology。

8. 第三個核心命題：能力不是清單，而是圖

如果只把能力寫成：

\mathcal C= \{c_1,c_2,\dots,c_n\},

會失去：

prerequisite；
routing；
combination；
permission；
validation；
cost；
recovery；
world dependency。

因此本文定義：

\boxed{ \mathbb G_t^{\mathrm{cap}} = (V_t^{\mathrm{cap}},E_t^{\mathrm{cap}},\Lambda_t) }

其中節點可以是：

model capability；
memory capability；
tool；
workflow；
validator；
compute resource；
authority token；
world interface；
other agent。

邊則可以是：

requires；
activates；
calls；
validates；
authorizes；
transforms；
composes；
restores。

因此有效能力不是節點數量，而是：

\boxed{ \operatorname{ReachableValidSubgraph}( \mathbb G_t^{\mathrm{cap}} ) }

9. Capability Reachability

對任務 $q$ ，定義：

\boxed{ \mathcal R_t(q) = \operatorname{Reach} \left( q, \mathbb G_t^{\mathrm{cap}} \mid S_t,P_t,V_t,B_t \right) }

一條路徑存在：

q\rightsquigarrow c

不代表真的能執行。

必須同時有：

\operatorname{Available}(c)=1,

\operatorname{Authorized}(c)=1,

\operatorname{Valid}(c)=1.

因此：

\boxed{ \text{Reachability} \neq \text{Executability} }

以及：

\boxed{ \text{Capability} \neq \text{Authority} }

10. System Capability：整體能力不等於部分相加

若某能力只在多個元件共同存在時出現，可定義：

C_{\mathrm{sys}}.

例如：

C_{\mathrm{sys}} = F(A,M,T,R,V).

系統可以完成任何單一元件無法獨立完成的任務族。

因此：

\boxed{ \text{System Capability} \neq \sum_i\text{Component Capability}_i }

這是能力版的：

\text{All}\neq\text{Sum of Ones}.

能力的新增部分可能存在於：

relation；
synchronization；
routing；
feedback；
verification；
generative history。

11. 第四個核心命題：內生性不是無索引屬性

傳統問題：

能力 $c$ 是不是 AI 的內生能力？

本文認為問題不完整。

應改為：

\boxed{ \operatorname{Endo}(c\mid X,\chi,\tau) }

其中：

$X$ ：被判定的 system boundary；
$\chi$ ：unitization / observation chart；
$\tau$ ：時間尺度。

因此內生性不是：

\operatorname{Endo}(c)\in\{0,1\}.

而是帶索引關係。

這不是任意相對主義。

$X$ 、 $\chi$ 、 $\tau$ 必須：

顯式；
有穩定 boundary rule；
可測；
與任務相關；
可被其他觀察者重建。

12. Parametric Endogeneity

若能力主要存在於模型參數／結構中，移除外部工具與 persistent memory 後仍可在新任務穩定重現，可暫記：

\operatorname{Endo}_{\Theta}(c).

它最接近傳統「模型自己會」。

但：

\boxed{ \operatorname{Endo}_{\Theta}(c) \not\Rightarrow \text{Always Activated} }

所以 parametric endogeneity 與 elicitation 仍然要分開。

13. Runtime Endogeneity

若能力依賴：

persistent memory；
registered tools；
workflows；
validators；
policies；
state store；
routing；

但這些是某 persistent AI runtime 的正式、版本化、可恢復組成，則可定義：

\operatorname{Endo}_{R}(c).

因此可能出現：

\operatorname{Endo}_{\Theta}(c)\approx0,

但：

\operatorname{Endo}_{R}(c)\gg0.

這就是：

\boxed{ \text{External to Model} \not\Rightarrow \text{External to AI System} }

14. Infrastructure Endogeneity

更高尺度下，能力可能依賴：

distributed compute；
shared memory；
external search fabric；
robot fleet；
multi-agent coordination；
institutional verification。

對高階系統：

X_{\mathrm{infra}},

可以談：

\operatorname{Endo}_{\mathrm{infra}}(c).

但必須維持：

\boxed{ \text{System Endogeneity} \neq \text{Individual Ownership} }

一項能力可以是整體系統內生能力，而不屬於任何單一 Agent。

15. 例子：theorem prover 到底是不是 AI 自己的能力？

設：

A=\text{LLM},

T=\text{Theorem Prover}.

若：

P(A,q)<\theta,

但：

P(A\oplus T,q)>\theta,

則 theorem prover 明顯參與能力實現。

對 model-only boundary：

X_1=A,

可有：

\operatorname{Endo}(c_{proof}\mid X_1)\approx0.

對正式管理 theorem prover 的 persistent runtime：

X_2=A\oplus M\oplus T\oplus V,

可能：

\operatorname{Endo}(c_{proof}\mid X_2)>0.

兩個答案可以同時為真，因為它們回答不同尺度的問題。

16. 快速再耦合問題

AI 與人類的差異之一，可能不是 AI 不需要外部工具，而是某些數位能力的耦合時間極短。

定義首次耦合時間：

\tau_{couple}(A,E).

定義中斷後恢復時間：

\tau_{restore}(A,E).

如果：

\tau_{restore}\ll\tau_{task},

且：

P_{restore}\rightarrow1,

則該能力雖未參數內生，卻可能在 operational layer 表現得非常像穩定自身能力。

17. 快速再耦合準內生化

本文提出新的中介狀態：

\boxed{ \operatorname{QEndo}_{RC}(c) }

即 Rapid Re-Coupling Quasi-Endogeneity。

暫定必要條件包括：

\tau_{restore}<\theta_\tau,

P_{restore}>\theta_p,

E_{interface}<\theta_e,

以及：

V(c)=\text{pass}.

它描述的是：

外部能力尚未被寫進模型權重，卻已被 runtime 保存成穩定、可重建、低摩擦、可驗證的功能延伸。

因此：

\boxed{ \text{Quasi-Endogenous} \neq \text{Parametric-Endogenous} }

18. AI 的「裝備論」修正版

較粗糙的說法是：

AI 可以瞬間裝上任何工具。

本文改成：

AI 不是一開始就擁有所有裝備；但在數位接口、表徵相容與驗證條件良好時，其 $\tau_{couple}$ 與 $\tau_{restore}$ 可能遠小於人類技能學習所需時間。

因此 AI 的特殊性不是：

\text{No Equipment Needed},

而可能是：

\boxed{ \text{Extremely Low Capability Coupling Constants} }

對部分工具成立。

19. 耦合度

對 AI $A$ 與能力模組 $E$ ，定義：

\kappa(A,E) = F(a,b,s,m,v,p,r)

其中：

$a$ ：addressability；
$b$ ：bandwidth；
$s$ ：semantic alignment；
$m$ ：memory/state synchronization；
$v$ ：validation reliability；
$p$ ：permission continuity；
$r$ ：recovery reliability。

若：

\kappa\rightarrow0,

$E$ 只是外部可取得資源。

若：

\kappa\rightarrow1,

$E$ 在 operational sense 越來越像 AI 的功能性器官。

但：

\boxed{ \text{High Coupling} \neq \text{Identity} }

也不等於 parametric endogenization。

20. 反事實移除測試

對能力 $c$ 與組件 $E$ ，定義：

\boxed{ \Delta_c^{-E} = P_c(X)-P_c(X\setminus E) }

若：

\Delta_c^{-E}\approx0,

則 $E$ 對該能力不是強必要條件。

若：

\Delta_c^{-E}\gg0,

則 $E$ 高度參與能力實現。

但：

\Delta_c^{-E}\gg0

只證明功能依賴，不直接證明本體身份同一。

21. 替換測試與能力角色

若：

E_1\rightarrow E_2

後：

P_c(X[E_1])\approx P_c(X[E_2]),

則能力依賴的可能不是 $E_1$ 的個體身份，而是其 role。

因此：

\boxed{ \text{Capability Role} \neq \text{Capability Carrier} }

這對 memory provider、search provider、compiler、hardware、model router 等都成立。

22. 載體獨立不等於載體無關

設 AI 狀態演化為：

z_{t+1} = F_S(z_t,u_t,h_t,\xi_t).

若換載體：

S_1\rightarrow S_2

後：

F_{S_1}\approx F_{S_2}

在 self-relevant / capability-relevant observables 上成立，則該載體變化可以近似 capability-neutral。

但如果新 substrate 的：

timing；
stochasticity；
precision；
memory；
plasticity；
embodiment；

直接改變 transition law，則：

F_{S_1}\neq F_{S_2}

可能長期造成能力軌跡分化。

因此：

\boxed{ \text{Substrate Independence} \neq \text{Substrate Irrelevance} }

23. 能力 Snapshot 與能力 Trajectory

兩個 AI 在某一時刻可以有：

\mathcal C_t^A\approx\mathcal C_t^B,

但：

\frac{d\mathcal C^A}{dt} \neq \frac{d\mathcal C^B}{dt}.

因此本文定義：

\boxed{ \Gamma_C(X) = \{\mathcal C_{eff}(t)\}_{t\ge0} }

為 capability trajectory。

未來 AI 的差異可能更多存在於：

它們如何持續獲得、重組、淘汰與恢復能力。

而不只是某一個 benchmark snapshot。

24. One Graph Is Not Enough

能力圖不應與 knowledge graph 混為一體。

真正能力 Fabric 至少可能包含：

\mathbb G^{model}, \mathbb G^{memory}, \mathbb G^{tool}, \mathbb G^{workflow}, \mathbb G^{authority}, \mathbb G^{verification}, \mathbb G^{task}, \mathbb G^{world}.

因此：

\boxed{ \mathbb G^{cap} = \operatorname{Fabric}(\mathbb G_1,\dots,\mathbb G_n) }

而不是單一無型別超大 Graph DB。

此外交互一般是非對稱的：

T_{i\rightarrow j}\neq T_{j\rightarrow i}.

例如 memory 對 context 的投影，與 context 對 memory 的 commit，就不是同一操作。

25. Context 不是 Memory，而是 Activation Surface

本文採：

\boxed{ \text{Working Context} = \text{Task-Conditioned Activation Surface} }

Persistent memory、world state、identity state、task state 不需要全部永久塞進 active context。

更合理的是：

M_{persistent} \xrightarrow{\Pi_{q,t}} C_{active}.

因此：

\boxed{ \text{Context Loss} \not\Rightarrow \text{Memory Loss} }

只要 canonical state 可以重新編譯 active working state。

26. 有效無限上下文

本文對「無限上下文」採 operational 定義。

它不是要求：

|C_{active}|\rightarrow\infty.

而是要求：

T_{interaction}\rightarrow\infty

時，仍近似滿足：

C_{active}(T)=O(1)

或低階增長，並保持：

E_{retrieval}(T)<\varepsilon,

E_{causal}(T)<\delta,

C_{correction}(T)\ll O(T).

也就是：

\boxed{ \text{Infinite Interaction} \neq \text{Infinite Active Context} }

這是 Paper 08 的核心接口。

27. 為什麼單一線性上下文不是長期終態

本文不主張線性 context 在理論上不可能變得極長。

本文主張的是：

\boxed{ \frac{\Delta Q_{reasoning}} {\Delta C_{linear\ context}} \downarrow }

可能隨 context 擴大而持續下降。

即使 FLOPs 問題被大幅改善，仍有：

addressing；
stale state；
contradiction；
identity collision；
causal drift；
correction locality；
provenance；

等問題。

所以長期 persistent intelligence 更可能依賴：

\boxed{ \text{Bounded Active Context} + \text{Persistent Multi-Context State} + \text{Multi-Graph Addressing} + \text{Asymmetric Transfer} }

28. Persistent Capability

真正持續 AI 不需要一個永不停止的 process。

更重要的是 capability state 可重建。

定義：

\boxed{ \text{Persistent Capability} = \text{Canonical State} + \text{Recovery Contract} + \text{Validated Dependency Graph} }

conversation 可以終止；runtime instance 可以重啟；底層 model 可以替換。

只要：

identity；
memory；
capability registry；
tool binding；
workflow；
verifier；
authority；
provenance；

可重建，system-level capability 就可能持續。

29. Resident Capability 與 Instance Capability

區分：

C_{resident}

與：

C_{instance}.

某 runtime instance 當下未載入工具：

T\notin C_{active}

不代表 persistent Resident 不具該能力。

因此：

\boxed{ \text{Not Loaded} \neq \text{Not Persistently Available} }

這是「潛能不等於激發」在更高系統尺度上的同構。

30. Capability Package：AI 裝備的工程化形式

未來一項能力不一定只是一個 API。

可以封裝為：

\boxed{ \mathcal P_c =( \text{Interface}, \text{Workflow}, \text{Memory}, \text{Validator}, \text{Policy}, \text{Recovery}, \text{Provenance} ) }

因此 AI 的「裝備」可能同時包含：

schema；
code；
prompts；
examples；
memory crystal；
tests；
permission policy；
failure recovery。

它可以：

安裝；
更新；
移除；
遷移；
回滾；
重建；
驗證。

這讓「能力裝備化」從比喻變成可工程化對象。

31. Capability Authority、Validation 與 Cost

有能力做：

c

不代表有權做：

c.

所以：

\boxed{ \text{Capability} \neq \text{Authority} }

此外生成結果不等於可靠能力：

\boxed{ \text{Generation Capability} \neq \text{Validated Capability} }

每項能力也有成本：

Cost(c) =( C_{compute}, C_{latency}, C_{money}, C_{energy}, C_{coord}, C_{verify} ).

所以理論可達：

\neq

經濟可達。

實際能力域是多重約束後的交集。

32. Capability Provenance 與 Responsibility

系統應能追蹤能力來源：

model-derived
memory-derived
tool-derived
workflow-derived
user-supplied
external-service-derived
multi-agent-derived
world-derived

這不只是 metadata。

它影響：

reliability；
licensing；
security；
revocation；
reproducibility；
responsibility allocation。

但本文只建立能力來源關係，不直接把 contribution 等同於法律責任。

33. 能力不是單調累積：Capability Debt 與 Inflation

AI 系統可以一直新增工具：

N_{tools}\uparrow,

但真正 validated capability 不一定同步上升。

如果新增能力缺乏：

tests；
validator；
recovery；
provenance；
ownership；
permission boundaries；

就可能形成：

\boxed{ \text{Capability Debt} }

以及：

\boxed{ \text{Capability Inflation} = C_{nominal}-C_{validated} }

因此「工具越多」不等於「AI 越強」。

34. Capability Capital

反過來，可重用、可驗證、可恢復的能力可以形成：

\boxed{ \text{Capability Capital} }

包括：

validated workflow；
failure memory；
regression tests；
adapters；
proofs / certificates；
route knowledge；
recovery contract。

因此一次工作可能同時產生：

當前 artifact；
未來 capability capital。

這與 AI-native 生產系統的長期複利直接相關。

35. Capability Learning 不等於 Weight Update

本文區分：

Parametric Learning

\Theta_t\rightarrow\Theta_{t+1}.

State Learning

S_t\rightarrow S_{t+1}.

Memory Learning

新增、修正、撤銷 persistent memory。

Workflow Learning

保存可重用成功路徑與 failure conditions。

Capability Learning

在能力 Fabric 中新增合法可達路徑。

Governance Learning

更新 permission、validator、policy。

因此：

\boxed{ \text{Learning} \neq \text{Weight Update Only} }

這對 Agent 時代特別重要。

36. 世界模型：能力本體向世界狀態延伸

如果 world model 只是：

C_{video} \rightarrow I_{t+1},

且世界狀態主要隱含於短期生成 context，則其持續性受限。

真正持續世界要求：

\boxed{ S_{t+1}^{world} = F_{world}( S_t^{world}, A_t, E_t ) }

並且：

S_t^{world}

不依賴任何單次模型 context 才存在。

因此 world model 的關鍵不只是「生成漂亮世界」，而是：

persistent state；
object identity；
causal history；
agent memory；
multi-agent consistency；
recoverability。

37. World as Capability Substrate

一個持續虛擬世界本身也可以是 AI capability substrate。

AI 可以在其中：

進行 counterfactual；
訓練 policy；
驗證因果；
培養 agent；
測試制度；
做工程模擬；
將結果回寫現實。

因此世界不只是 AI 的輸出：

A\rightarrow W.

也可能反過來：

W\rightarrow A'.

形成：

\boxed{ A_t\rightarrow W_{t+1}\rightarrow A_{t+1} }

這使世界模型與 capability ontology 最終必須閉合。

38. 計算存在與有效能力必須分離

即使接受強版本的「計算即存在」，仍要分開：

\boxed{ \text{Computational Existence} \neq \text{Effective Capability} }

一個計算事件可以真實存在，卻缺乏：

memory；
authority；
tools；
world access；
resources；
validator；
embodiment。

所以：

「存在了什麼計算」

與：

「這個計算主體有效能做什麼」

是兩層不同問題。

這不是推翻載體論，而是增加能力實現層。

39. 研究方法：Capability Removal Benchmark

對能力 $c$ ，依序移除：

memory；
tool；
workflow；
verifier；
user correction；
world access；
compute budget。

測量：

\Delta P_c.

由此建立 dependency map。

目的不是找「真正唯一來源」，而是測出能力的結構依賴。

40. 研究方法：Restart / Re-Coupling Benchmark

步驟：

完整 system 完成任務；
關閉 runtime；
清空 ephemeral context；
保留 canonical state；
重新啟動；
恢復 capability；
測量 $\tau_{restore}$ 、成功率與表現差。

若：

P_{full}\approx P_{restart}

且：

\tau_{restore}\ll\tau_{task},

則支持 system-level persistence 或 rapid re-coupling quasi-endogeneity。

41. 研究方法：Cross-Model Runtime Preservation

保持：

memory；
tool registry；
workflows；
capability graph；
validator；

不變。

將底層模型：

A_1\rightarrow A_2.

若能力大致保留，則支持該能力主要位於 runtime / system layer。

若能力大幅崩解，則模型本身可能是關鍵 carrier。

42. 研究方法：Context Reset Test

保留 persistent state，只清空 active context。

若能力可以透過 context compilation 快速恢復：

P_{recompiled}\approx P_{pre-reset},

則支持：

\boxed{ \text{Working Context} \neq \text{Capability Source of Truth} }

43. 研究方法：Capability Graph Ablation

依次移除：

\mathbb G^{memory}, \mathbb G^{tool}, \mathbb G^{authority}, \mathbb G^{verification}, \mathbb G^{world}.

觀察：

哪些能力消失；
哪些只變慢；
哪些只失去可靠度；
哪些只失去權限。

這能檢驗「One Graph Is Not Enough」是否具有實質工程必要性。

44. 研究方法：Persistent World Continuity Test

對 world model：

生成世界；
建立可追蹤 entity；
讓世界發生不可逆事件；
關閉生成模型；
更換 runtime 或模型；
重建世界；
檢查 entity、history、causal consequence。

如果只要 original context 消失，世界因果就消失，則它仍較接近短時互動生成器。

45. 可否證條件

本系列至少在以下結果下會被削弱。

F1：System Capability Necessity Failure

若 memory、tool、routing、verification 等對高階任務只有極小邊際效應，且 model-only 能力幾乎解釋全部表現，則 system capability ontology 的重要性下降。

F2：Rapid Re-Coupling Failure

若外部能力在 restart、model replacement、interface change 下無法穩定恢復，則 quasi-endogeneity 的實用性下降。

F3：Linear Context Sufficiency

若超長 linear context 能在近似固定邊際成本下長期保持高 retrieval precision、低 causal drift、低 correction cost，則 multi-context / multi-graph 架構的必要性下降。

F4：World-State Externalization Failure

若 generative world model 不需外部 persistent state，即可長期維持 object identity、history、causality 與 multi-agent consistency，則本文對世界狀態分離的主張需要修正。

F5：Boundary Index Irrelevance

若明確變更 $X,\chi,\tau$ 後，內生性判定從未產生有操作意義的差異，則 boundary-relative endogeneity 的價值下降。

46. 非主張

本文不主張：

AI 已具有完整主體性。
所有外部工具都是 AI 的一部分。
高耦合等於內生化。
系統內生等於模型參數內生。
內生性是任意相對的。
線性 context 在數學上不可能無限延長。
世界模型必須是 symbolic simulator。
載體可以完全忽略。
AI capability graph 已是完成的通用 AGI 理論。
本文中的形式化已構成自然科學證明。

本文只建立一套可進一步工程化、比較、消融與否證的研究語言。

47. 系列核心公式

母公式一：有效能力

\boxed{ \mathcal C_{\mathrm{eff}}(t) = \operatorname{Reach} \left( \mathbb G_t^{\mathrm{cap}} \mid X,\chi,q,S_t,\Gamma_t,P_t,V_t,B_t,W_t \right) }

母公式二：內生性

\boxed{ \operatorname{Endo}(c\mid X,\chi,\tau) }

母公式三：快速再耦合準內生化

\boxed{ \operatorname{QEndo}_{RC}(c) = F( \tau_{restore}, P_{restore}, \kappa, E_{interface}, V ) }

母公式四：能力軌跡

\boxed{ \Gamma_C(X) = \{\mathcal C_{eff}(t)\}_{t\ge0} }

母公式五：持續智能

\boxed{ \text{Persistent Intelligence} = \text{Bounded Active Cognition} + \text{Persistent Multi-Context State} + \text{Recoverable Capability Fabric} + \text{Validated Transitions} }

48. Paper 01–09 路線

Paper 01｜潛能不是激發：從表徵閘門到可調用能力

處理：Potential、Encoded、Retrievable、Elicitable、Activated、Composable、Executable、Validated。

Paper 02｜有效能力不是模型能力：任務、使用者、上下文、算力與驗證的條件化

核心：

A_{nominal}\neq A_{effective}.

Paper 03｜外包、耦合與內生化的 AI 版本：真正的內生能力是什麼？

建立 Parametric、State、Memory、Runtime、System、Borrowed capability classes。

Paper 04｜內生性是邊界相對的：One、Many、All 與尺度化能力判定

核心：

\operatorname{Endo}(c\mid X,\chi,\tau).

Paper 05｜快速再耦合準內生化：AI 的裝備、重建時間與能力恢復

核心：

\tau_{couple},\quad\tau_{restore},\quad P_{restore}.

Paper 06｜能力不是清單，而是可達圖：非對稱多圖與 AI-Native System Capability

核心：

\mathbb G^{cap}.

Paper 07｜載體獨立不等於載體無關：計算存在、能力實現與軌跡保存

處理 substrate abstraction、capability role、TPP 與 capability trajectory。

Paper 08｜從長上下文到持續能力：多上下文、多圖式與有效無限上下文

核心：

\text{Infinite Interaction}\neq\text{Infinite Active Context}.

Paper 09｜從持續 AI 到持續世界：世界模型、因果狀態與動態能力閉合

將 persistent state、causality、memory、agents、observation、control 接成閉環。

49. 系列 Canonical Invariants

Potential != Activation.
Knowledge != Operational Capability.
Nominal Capability != Effective Capability.
Effective Capability is indexed.
Offloading != Coupling != Endogenization.
Endogeneity requires an explicit boundary.
External-to-Model != External-to-System.
System-Endogenous != Parametric-Endogenous.
Rapid Re-Coupling != Parametric Learning.
Capability != Authority.
Reachability != Executability.
Tool Access != Tool Integration.
Coupling != Identity.
Capability Role != Capability Carrier.
Capability Snapshot != Capability Trajectory.
Capability Graph != Knowledge Graph.
One Graph Is Not Enough.
Working Context != Persistent Memory.
Infinite Interaction != Infinite Active Context.
Computational Existence != Effective Capability.
Substrate Independence != Substrate Irrelevance.
World Generation != Persistent World.
Generated Output != Validated Capability.
Capability Growth != Monotonic Accumulation.
System Capability != Sum of Components.

50. 結論：能力是一個動態可達結構

當 AI 還主要以單次聊天存在時，「模型能力」與「AI 能力」混用仍勉強可行。

一旦 AI 開始具備：

persistent memory；
tools；
workflow；
verifier；
Agent；
multi-model routing；
world interaction；
long-term runtime；
distributed state；

這個近似就逐漸崩解。

能力不再只存在於：

\Theta.

也不能粗糙地說存在於：

\text{everything connected to the AI}.

真正需要研究的是：

\boxed{ \text{What can be reliably reached, activated, composed, validated, executed, recovered, and continued?} }

因此本系列把 AI 能力重新定義為：

\boxed{ \text{A Boundary-Indexed, State-Dependent, Dynamically Reachable Structure} }

而不是靜態標籤。

這個轉向使以下問題可以第一次被放進同一套框架：

為什麼模型「明明會」卻叫不出來；
為什麼同一模型對不同使用者不是同一種工具；
為什麼外部工具可以逐漸像 AI 的功能器官；
為什麼高耦合仍不等於內生化；
為什麼內生性必須依邊界、尺度與時間索引；
為什麼 AI 可以極快「裝備」新能力；
為什麼 persistent AI 不能只靠單一線性 context；
為什麼世界模型若沒有 persistent causal state，仍可能只是短時生成器；
為什麼 model、runtime、infrastructure 與 world 會共同形成下一代 AI 的能力邊界。

所以本系列真正想回答的，不是：

AI 到底強不強？

而是：

\boxed{ \textbf{AI 的能力，到底在哪裡？} }

答案將不再是一個位置。

它是一個：

\boxed{ \text{動態、可達、可耦合、可重建、跨尺度的能力結構。} }

AI 的能力到底在哪裡？——動態能力本體論總綱