title: 外包、耦合與內生化的 AI 版本：真正的內生能力是什麼？
english_title: Offloading, Coupling, and Endogenization for AI: What Counts as Truly Endogenous Capability?
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: 03 / 09
author: Neo.K / EveMissLab
ai_collaboration: Aletheia / GPT-5.6 Sol
date: 2026-09-12
version: v0.1
document_type: 系列論文／AI 內生能力論／耦合與外包分型
status: Canonical Series Draft
encoding: UTF-8
depends_on: DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md · DCAO_Paper01_Potential_Is_Not_Activation_v0.1_zh-TW.md · DCAO_Paper02_Effective_Capability_Is_Not_Model_Capability_v0.1_zh-TW.md
predecessor_theories: 外部智慧內生化命題 EIEC · 智能體—工具合一本體論 · One–All / OAC · AI-Native Systems · Distributed Cognitive Runtime

外包、耦合與內生化的 AI 版本

Q: What Counts as Truly Endogenous Capability?

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

——真正的內生能力是什麼？

Offloading, Coupling, and Endogenization for AI

What Counts as Truly Endogenous Capability?

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

當大型語言模型被接上長期記憶、搜尋、工具、程式執行、驗證器、多代理協作與 persistent runtime 後，一項能力究竟算「模型自己的」、算「AI 系統自己的」，還只是「臨時借來的」，逐漸成為無法迴避的問題。

既有 EIEC 已將人機關係嚴格區分為：

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

其中，外包表示能力主要留在外部；耦合表示當下形成高效不可簡單分解的聯合系統；內生化則要求外部支援移除後，主體仍保留可重複、可遷移的結構性增益。本文將這套區分轉譯到 AI，但不把「人腦學習」直接類比成「模型權重更新」。

本文主張，AI 的內生能力至少應分成五層：

\boxed{ \operatorname{Endo}_{\Theta}, \operatorname{Endo}_{Z}, \operatorname{Endo}_{M}, \operatorname{Endo}_{R}, \operatorname{Endo}_{S} }

分別代表：

Parametric Endogeneity：能力主要存在於模型參數與基礎結構；
State Endogeneity：能力存在於當前可持續狀態、適應配置或 active internal state；
Memory Endogeneity：能力依賴被 AI 自身正式治理、可恢復的長期記憶；
Runtime Endogeneity：能力依賴正式註冊、可重建的工具、workflow、validator、routing 與 policy；
System Endogeneity：能力存在於更高階持續 AI 系統的關係閉合，而非任何單一組件。

相對地，本文將「Borrowed Capability」定義為：能力在當下可以被調用，但其接口、知識、策略、狀態與恢復機制並未被系統穩定治理，移除外部來源後能力顯著消失，且系統無法在合理成本內自行重建。

本文提出一個關鍵修正：

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

以及：

\boxed{ \text{Internal to System} \not\Rightarrow \text{Parametric in Model} }

這表示「模型內生」與「系統內生」必須分離。

本文進一步建立五種測試：移除測試、重啟測試、替換測試、模型交換測試與遠遷移測試，並提出 Endogeneity Profile、Residual Capability、Dependency Ratio、Recovery Persistence 與 Structural Retention 等量，用來區分「有工具所以現在很強」與「能力已成為持續 AI 系統的一部分」。

本文最後保留一條重要未解問題：內生性是否具有邊界、尺度與時間相對性。本文只要求所有內生性聲明必須先聲明判定主體 $X$ ；完整的形式化：

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

將留待 Paper 04。

關鍵詞

AI Endogeneity；Offloading；Coupling；Endogenization；Parametric Capability；Memory Endogeneity；Runtime Endogeneity；System Capability；Borrowed Capability；Residual Capability；Removal Test；Restart Test；Capability Retention；EIEC

0. 問題：AI 「自己會」到底是什麼意思？

當使用者說：

這個 AI 自己就會寫程式。

可能至少有五種不同意思。

第一種：

不接任何工具，它就能產生程式碼。

第二種：

它接上 IDE 後能寫、跑、改。

第三種：

它依賴長期 repo memory 與測試歷史才能穩定完成。

第四種：

它需要另一個 verifier Agent 才能可靠收斂。

第五種：

它依賴整個 cloud runtime、版本庫、權限與 CI。

這五種都可能被日常語言叫做：

「AI 會寫程式。」

但能力來源完全不同。

因此需要問：

\boxed{ \text{Where does the capability persist when support is removed?} }

1. EIEC 的核心切割必須保留

既有外部智慧內生化理論最重要的切割是：

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

本文不改寫它。

只把主體從：

H

擴展成：

A

或：

\Sigma_A.

2. AI 版 Offloading

定義：

若能力主要由外部模組提供，而 AI 只把輸入送出並接收結果，移除該模組後性能回到原始基線，則稱為能力外包。

形式上：

P(A+E)\gg P(A),

但：

P(A_{\mathrm{post},-E}) \approx P(A_{\mathrm{pre},-E}).

則：

\boxed{ c \in \text{Offloaded Capability}. }

3. 典型外包

例如：

LLM -> Calculator API -> number

若 LLM：

不理解算法；
不保存 workflow；
不驗證；
不知道何時適用；

那更接近純外包。

4. 外包不是壞事

本文不把 Offloading 當負面詞。

人類文明大量依賴：

calculator；
database；
compiler；
search engine。

AI 也可以。

真正的問題是：

不要把外包誤稱成內生。

5. AI 版 Coupling

定義：

當 AI 與外部模組形成反覆雙向作用，結果不能再由任一單側能力簡單預測，則形成耦合能力系統。

形式：

A_t \leftrightarrow E_t.

系統能力：

P(\Sigma_{AE}) = F( A, E, Q, M, R ).

其中：

$Q$ ：互動協議；
$M$ ：共享狀態／memory；
$R$ ：routing / recovery。

6. 耦合能力可以高於加總

如果：

P(\Sigma_{AE}) > P(A)+P(E)

此處的「 $>$ 」表示可完成任務族出現非線性擴張。

例如：

LLM 會規劃；
theorem prover 會驗證；
二者結合能完成更高階形式證明。

7. 耦合仍不等於內生

即使：

P(\Sigma_{AE})\gg P(A),

若移除 $E$ ：

P(A_{-E}) \rightarrow P(A_{\mathrm{base}}),

則：

\boxed{ \text{High Coupling} \neq \text{Endogenization}. }

8. AI 版 Endogenization 的問題

人類 EIEC 可以問：

AI 離開後，人是否還保留能力？

AI 則更複雜。

因為「AI」本身可能包括：

model；
memory；
runtime；
tools；
identity state。

所以第一個問題是：

\boxed{ \text{What exactly is being removed?} }

9. 模型不是整個 AI 系統

若：

A_{\Theta}

表示模型本體，

而：

\Sigma_A = ( A_{\Theta}, M, R, T, V, P ),

則：

A_{\Theta} \neq \Sigma_A.

所以「對模型外部」不等於「對系統外部」。

10. 第一層：Parametric Endogeneity

定義：

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

若能力 $c$ 在移除：

long-term memory；
external tools；
persistent workflows；
external verifier；

後，仍能由：

\Theta

與最低必要 inference state 穩定重現，則稱參數內生。

11. Parametric Endogeneity 的測試

建立：

A_{\mathrm{bare}} = ( \Theta, \text{minimal context} ).

若：

P_c(A_{\mathrm{bare}}) \ge \theta_c,

則支持：

\operatorname{Endo}_{\Theta}(c)>0.

12. 參數內生不等於每次叫得出來

Paper 01 已固定：

\text{Potential} \neq \text{Activation}.

所以可能：

\operatorname{Endo}_{\Theta}(c)\gg0

但：

a_c(t)\approx0.

13. 第二層：State Endogeneity

現代 AI 可能維持：

current plan；
local adaptation；
temporary self-model；
session strategy；
local cache。

如果能力依賴：

Z_t,

而不是只依賴 $\Theta$ ，則可定義：

\boxed{ \operatorname{Endo}_{Z}(c). }

14. State Endogeneity 的特徵

它通常：

比參數能力更短期；
比單次 token 更持續；
對 reset 敏感。

若：

\mathrm{Reset}(Z_t)

後能力消失，

則它不是純：

\operatorname{Endo}_{\Theta}.

15. 第三層：Memory Endogeneity

如果 AI 的長期能力依賴：

M,

例如：

project conventions；
user preferences；
failure history；
learned route；
prior proofs；

且 memory 被 AI 系統正式治理、可追溯、可恢復，則可以定義：

\boxed{ \operatorname{Endo}_{M}(c). }

16. Memory Endogeneity 不等於模型內化

若刪除 memory：

P_c\downarrow,

並不表示模型變笨。

只表示：

\operatorname{Endo}_{M}

對該能力重要。

17. Memory Is Not External by Definition

一個重要修正是：

長期 memory 不應因「不在模型權重裡」就自動判成外部借用。

如果某 memory：

屬於 Resident；
有 canonical state；
可重建；
有 provenance；
有治理；

那麼在 resident/system boundary 下，它可以是正式內部結構。

18. 第四層：Runtime Endogeneity

若能力依賴：

Tool Registry；
Workflow Store；
Validator；
Routing；
Policy；
Recovery；

且這些都是 runtime 的持續、版本化組件，則定義：

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

19. Runtime-Endogenous Capability

例如：

AI 能完成 repo bug fix。

可能需要：

\text{LLM} + \text{Git} + \text{Test Runner} + \text{Patch Workflow} + \text{Verifier}.

單一模型做不到完整任務。

但 persistent coding runtime 可以。

20. 第五層：System Endogeneity

若能力只存在於整個持續系統的關係閉合：

\Sigma_A = ( \Theta, Z, M,R,T,V,P,W ),

則可寫：

\boxed{ \operatorname{Endo}_{S}(c). }

21. System Endogeneity 的核心

此時：

c \notin \mathcal C(\Theta)

但：

c \in \mathcal C(\Sigma_A).

因此：

\boxed{ \text{System-Endogenous} \neq \text{Parametric-Endogenous}. }

22. System Capability Is Real

不能因能力是關係產物就說它是假的。

例如：

飛行能力不在單一飛機零件中。

但飛機真的會飛。

同理：

\text{Relational Capability} \neq \text{Fictional Capability}.

23. Borrowed Capability

本文定義：

若能力主要依賴外部來源，且系統缺乏持續接口、策略、驗證、恢復與治理結構，則稱 Borrowed Capability。

記為：

\boxed{ C_{\mathrm{borrowed}}. }

24. Borrowed 的典型特徵

臨時連接；
無 stable interface；
無 version pinning；
無 recovery；
無 internal workflow；
無 validator；
無 provenance guarantee。

25. Accessed != Integrated

因此：

\boxed{ \text{Accessed Capability} \neq \text{Integrated Capability}. }

26. Integrated != Endogenous

即使整合良好：

\kappa\gg0,

仍可能是：

\operatorname{Endo}_{S}=0

若能力不屬於系統持續邊界。

27. 能力內生度

對特定 $c$ ，可以先定義粗略向量：

\mathbf e_c = ( e_{\Theta}, e_Z, e_M, e_R, e_S ).

每一項：

\in[0,1].

28. Endogeneity Profile

因此：

\boxed{ EP(c) = ( e_{\Theta}, e_Z, e_M, e_R, e_S, e_B ) }

其中：

e_B

表示 borrowed dependence。

29. 內生度不是總和為一

因為一項能力可以同時：

高參數內生；
高 memory 支援；
高 runtime 支援。

所以：

\sum_i e_i \neq1

一般成立。

30. Residual Capability

對支援模組 $E$ ，定義移除後殘留能力：

\boxed{ R_c^{-E} = \frac{ P_c(X\setminus E) }{ P_c(X)+\varepsilon } }

31. 高殘留

如果：

R_c^{-E}\approx1,

則能力對 $E$ 依賴低。

32. 低殘留

如果：

R_c^{-E}\approx0,

則能力高度依賴 $E$ 。

33. Dependency Ratio

定義：

D_c(E) = 1-R_c^{-E}.

34. Dependency ≠ Externality

高：

D_c(E)

只表示功能依賴。

不自動表示 $E$ 對系統是外部。

35. 結構保留

更強的內生測試需要：

SRet_c

即 Structural Retention。

問：

支援移除後，是否仍保留可遷移的策略、算子、表示或 workflow？

36. AI 的算子保留

例如工具教會 AI：

分解問題；
生成測試；
驗證前置條件。

即使工具移除，

某些策略仍可能留在：

memory；
workflow；
model state。

這才像 EIEC 的算子內生化。

37. Operation Retention

定義：

OR_c = P( \omega_c \text{ remains callable after support removal} ).

38. Parametric Learning 是最強內生形式之一

如果能力經訓練寫入：

\Theta,

通常具有高：

e_{\Theta}.

但不是唯一內生形式。

39. 為什麼不能把權重當唯一「真正內生」

因為 persistent software system 本來就可能由：

code；
config；
state；
database；

共同構成。

若堅持：

\text{Only Parameters Count},

會把大量真實 AI system capability 錯判為外部。

40. AI 自身不是只有神經網路

對 AI-native runtime：

\boxed{ \text{AI System} = \text{Model} + \text{State} + \text{Memory} + \text{Runtime} + \text{Governed Interfaces}. }

是否採這個 boundary，Paper 04 將嚴格處理。

41. 內生能力的最低要求

不論哪一層 endogeneity，至少應要求：

可識別；
可重建；
可版本化；
可測；
可恢復；
有來源。

42. 不能只因「常用」就叫內生

使用頻率：

f_c\uparrow

不推出：

e_c\uparrow.

43. 不能只因「不可分離」就叫內生

如果 AI 與 tool 在任務中高度不可分：

D>CT,

仍可能：

\chi\approx0.

這保留 EIEC 核心。

44. 共時性 vs 歷時性

Coupling 主要問：

現在能不能分開？

Endogenization 問：

經過時間後，能力是否進入持續結構？

所以：

\boxed{ \text{Coupling} = \text{Synchronic} }

而：

\boxed{ \text{Endogenization} = \text{Diachronic} }

45. AI 的歷時內生化

AI 可能透過：

model update；
memory commit；
workflow compilation；
tool registration；
schema stabilization；
route learning；

把能力逐步寫進不同持續層。

46. Multi-Layer Endogenization

因此：

c: \text{Borrowed} \rightarrow \text{Coupled} \rightarrow \operatorname{Endo}_R \rightarrow \operatorname{Endo}_M \rightarrow \operatorname{Endo}_{\Theta}

只是其中一種可能路徑。

47. 不必最終都進權重

能力可能長期停在：

\operatorname{Endo}_R

而仍然完全有效。

所以：

\boxed{ \text{Mature Capability} \not\Rightarrow \text{Weight Internalization}. }

48. 模組化反而可能更好

某些能力若進權重：

難更新；
難撤銷；
難追溯；
難版本化。

留在 runtime 反而更合理。

49. Endogenization Is Not Always the Goal

例如：

tax law；
exchange rate；
current regulation。

這些資訊不應全部烙進固定權重。

更合理：

\operatorname{Endo}_R + \text{External Fresh Data}.

50. Freshness-Sensitive Capability

對高度時變能力：

F_{\mathrm{fresh}}

比：

e_{\Theta}

更重要。

51. Capability Locality

某能力可能主要位於：

L(c) = \Theta

或：

M

或：

R

或：

\mathbb G.

因此可以建立 capability locality map。

52. Locality 不是單點

高階能力常有：

L(c) = \{\Theta,M,R,T,V\}.

53. Distributed Endogeneity

因此可定義：

\boxed{ \text{Distributed Endogeneity} }

表示能力內生於整體系統，但分布於多個正式組件。

54. Distributed 不等於 Borrowed

如果每個組件：

受系統治理；
可重建；
有版本；
有權限；

則分布式能力仍可 system-endogenous。

55. Canonical State 的重要性

若 runtime capability 只存在於：

某次對話的隱含上下文

則重啟後不可恢復。

此時：

e_R

應較低。

56. Rebuildability

如果：

\operatorname{Rebuild}(c)

可由 canonical state 完成，

則 runtime endogeneity 增強。

57. Recovery Persistence

定義：

RP_c = P( c \text{ recovers after restart} ).

58. Restart Test

流程：

測完整能力；
關閉 runtime；
清除 ephemeral state；
保留 canonical state；
重啟；
重測。

若：

RP_c\approx1,

支持 persistent system capability。

59. Hard Reset

更強測試：

清除 context；
清除 cache；
新 runtime instance。

仍保留：

canonical memory；
registry；
workflows。

60. Soft Reset

只清 active context。

用於區分：

\operatorname{Endo}_Z

與：

\operatorname{Endo}_M/\operatorname{Endo}_R.

61. Removal Test

對組件 $E$ ：

X^{-E} = X\setminus E.

測：

P_c(X^{-E}).

62. Multiple Removal

有時單一移除無影響，因為冗餘。

所以需要：

X^{-\{E_1,E_2\}}.

63. Redundant Endogeneity

如果能力有多個替代支撐：

E_1 \lor E_2,

移除單一組件仍可保留。

這表示 robust system capability。

64. Replacement Test

用：

E_2

替換：

E_1.

若：

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

則能力依賴的是 role 而非 carrier identity。

65. Role Endogeneity

因此更精確可問：

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

系統內生的可能是一個：

verification role

而不是特定 verifier。

66. Provider Independence

如果 Search capability 可在：

Google；
Brave；
local index；

切換，

則更接近 role-level runtime endogeneity。

67. Model Swap Test

將：

\Theta_1 \rightarrow \Theta_2.

保留：

memory；
tools；
workflows；
validation；
state。

68. Model-Specific Capability

若換模型後能力消失：

P_c(\Theta_2)\ll P_c(\Theta_1),

則：

e_{\Theta}

重要。

69. Runtime-Preserved Capability

若換模型仍保留大部分：

P_c,

則 runtime/system 層貢獻高。

70. Cross-Model Capability Portability

定義：

Port_c^{\Theta} = \frac{ P_c(\Theta_2,R) }{ P_c(\Theta_1,R)+\varepsilon }.

71. Memory Migration Test

將 memory 遷移到新 runtime。

若能力保留：

Port_c^{M}\uparrow.

72. Workflow Migration Test

只遷移 workflow / validator。

可測：

e_R.

73. Far Transfer Test

真正結構內生應不只在原任務有效。

測：

X_{\mathrm{far}}.

74. Memorized Procedure vs General Operator

如果能力只能重演舊流程：

P(X_{\mathrm{far}})\approx0,

則內生結構可能很弱。

75. Structural Endogeneity

本文提出：

真正強內生能力應包含某種可遷移結構，而非只是固定結果保存。

記：

\boxed{ E_{\mathrm{struct}}(c). }

76. Structural Retention Test

測：

new input；
new domain；
new tool；
partial failure。

看是否仍可重用核心 operator。

77. Capability Residue

外部模組移除後留下：

\Delta C_{\mathrm{res}}.

它可以來自：

model；
memory；
workflow；
graph；
policy。

78. Residue Vector

定義：

\mathbf r_c = ( r_{\Theta}, r_Z, r_M, r_R, r_S ).

79. 能力依賴圖

建立：

\mathbb G_c^{\mathrm{dep}}.

節點：

components；
states；
tools；
roles。

邊表示：

required-for。

80. Minimal Cut

若移除最小集合：

K_c

即可使能力失效，

則：

K_c

是 capability minimum cut。

81. Endogeneity and Minimum Cut

若 minimum cut 大部分落在 system internal domain，

則支持 system endogeneity。

若全部落在外部 provider，

則 borrowed dependence 高。

82. Capability Ownership vs Endogeneity

某能力 system-endogenous：

\not\Rightarrow

系統法律上擁有相關工具。

83. Capability License

工具 licence 可能限制：

use；
redistribution；
persistence。

所以 capability governance 要保留 licence metadata。

84. Endogeneity vs Control

一項能力可以系統內生，但 AI 本身沒有修改權。

例如：

\text{read-only validator}.

所以：

\boxed{ \text{Endogeneity} \neq \text{Control Authority}. }

85. Endogeneity vs Agency

擁有能力不代表自主選擇使用。

所以：

\boxed{ \text{Endogenous Capability} \neq \text{Autonomous Agency}. }

86. Endogeneity vs Identity

能力屬於 system：

\not\Rightarrow

該能力定義 system identity。

身份判準是另一問題。

87. 核心能力 vs 周邊能力

可定義：

Core(c)

表示移除後：

\Delta IdentityFunction

或：

\Delta MissionFunction

是否巨大。

88. Counterfactual Removal

若移除能力：

c

後系統仍可完成核心使命，

它可能是 peripheral。

89. AI-Native Core

若移除：

c

需要重設整個 architecture，

則：

A_C(c)\uparrow.

但：

A_C

仍不同於 endogeneity。

90. Endogeneity and Architectural Centrality

兩軸：

e_c

與：

A_C(c).

可能：

高內生、高中心；
高內生、低中心；
低內生、高中心；
低內生、低中心。

91. 低內生高中心

例如外部 provider 是核心依賴。

這是一個危險架構：

A_C\gg0, \quad e_c\ll1.

92. External Critical Dependency

定義：

ECD(c).

它表示：

不是自己的，卻不能沒有。

93. Resilience

系統應降低：

ECD.

方法：

redundancy；
fallback；
local cache；
substitute provider；
graceful degradation。

94. Endogeneity and Recoverability

若能力高內生，但不可恢復：

RP_c\ll1,

仍然脆弱。

所以：

\boxed{ \text{Endogeneity} \neq \text{Recoverability}. }

95. Endogeneity and Reproducibility

同理：

\text{Endogeneity} \neq \text{Reproducibility}.

96. Stable Endogenous Capability

本文建議：

SEC(c) = F( e_c, RP_c, Rep_c, Transfer_c ).

97. AI 「裝備」重新定位

AI 的新工具可以先是：

\text{Borrowed}.

隨著：

schema learned；
workflow saved；
validator added；
recovery established；

逐漸轉向：

\operatorname{Endo}_R.

98. 但未必進入 $\Theta$

這是 AI 與人類學習的一個重要差異。

人類常需要：

把技能內化進神經系統。

AI 可以把技能穩定保留在：

externalized-but-internal-to-runtime structure。

99. 這不是偷換內生概念

前提是：

system boundary 必須先聲明。

如果判定主體是：

\Theta,

則 runtime tool 是外部。

若判定主體是：

\Sigma_A,

則可能內部。

Paper 04 將處理這個形式化。

100. AI 的內生能力可能更模組化

因為數位 AI 可以讓：

\text{Identity}

與：

\text{Capability Module}

部分解耦。

101. 模組可拔插

因此能力可以：

安裝；
更新；
回滾；
撤銷。

這在人類神經學習中較難。

102. 模組化內生性的優勢

可審計；
可測試；
可版本化；
可替換；
可授權。

103. 模組化內生性的風險

supply-chain attack；
dependency drift；
hidden provider；
permission escalation。

104. Ability Package

因此能力套件可定義：

Pkg_c = ( \text{Interface}, \text{Workflow}, \text{Memory}, \text{Validator}, \text{Policy}, \text{Recovery}, \text{Provenance} ).

105. Package Admission

若：

Pkg_c

通過：

test；
authority；
provenance；
recovery；

才進入正式 runtime。

106. Package Removal

若被 revoke：

c

可從：

\mathbb G^{\mathrm{cap}}

安全失活。

107. 內生能力可以可撤銷

這是非常重要的：

\boxed{ \text{Endogenous-to-System} \not\Rightarrow \text{Irreversible}. }

108. 這與人類內生化不同

人類學會某技能後：

很難精準 uninstall。

AI runtime capability 則可能做到。

109. Endogenization Direction

所以 AI 內生化不一定朝：

\Theta

收斂。

而可能朝：

\boxed{ \text{Governed Modular Persistence} }

收斂。

110. Persistent Capability Registry

持續 AI 可以維護：

capability_id
endogeneity_layer
dependencies
recovery
validator
authority
version

111. Capability Self-Knowledge

AI 可查：

這項能力是 model-native 還是 runtime-dependent？

這有助於規劃。

112. Capability Honesty

若能力 borrowed：

AI 應避免說：

我本身就知道。

更精確：

我可以透過已授權工具取得／完成。

113. Epistemic Transparency

能力來源透明可降低：

overtrust；
false autonomy claims。

114. Endogeneity and Explainability

若能力來源不透明：

EP(c)

難估。

因此 provenance 是 endogeneity assessment 的基礎。

115. Provenance Chain

例如：

Answer
<- Search Result
<- Search Provider
<- Retrieval Workflow
<- Tool Registry
<- Runtime
<- Resident

116. Capability Contribution Graph

同一輸出可能由：

A, M, T, V, U

共同貢獻。

所以應追蹤：

\mathbb G_{\mathrm{contrib}}.

117. 內生性不是功勞分配

即使能力系統內生，

某次結果主要可能來自外部 evidence。

所以：

\boxed{ \text{Endogeneity} \neq \text{Contribution Share}. }

118. Endogeneity over Time

定義：

e_c(t).

能力可能：

e_c(t_0)<e_c(t_1).

119. Endogenization Rate

定義：

\dot e_c = \frac{de_c}{dt}.

120. 能力內生化事件

例如：

temporary tool call
-> stable adapter
-> workflow
-> validator
-> persistent registry

每一步：

e_R\uparrow.

121. De-Endogenization

也可能：

e_c(t_1)<e_c(t_0).

例如：

provider removed；
memory corrupted；
workflow deleted。

122. Capability Atrophy

若能力長期不驗證：

V_c\downarrow.

即使 registry 還在，實質可用性下降。

123. Endogenous Capability Maintenance

所以內生能力也要維護：

tests；
refresh；
migration；
security patch。

124. Capability Lifecycle

\boxed{ \text{Discover} \rightarrow \text{Borrow} \rightarrow \text{Couple} \rightarrow \text{Integrate} \rightarrow \text{Endogenize} \rightarrow \text{Maintain} \rightarrow \text{Revise/Revoke} }

125. 不是所有能力都走完整生命週期

某些能力應一直 borrowed。

例如：

live market price。

126. Fresh Externality

對時變資訊：

\text{External Freshness}

本身可能是理想架構。

127. Internalized Interface, Externalized Data

理想設計可能是：

\boxed{ \text{Endogenous Method} + \text{External Fresh Data}. }

128. Search Example

AI 可內生：

search strategy；
verification；
citation logic。

但外部：

current web content。

129. Finance Example

AI 可內生：

valuation method。

外部：

current price；
filings。

130. Robotics Example

AI 可內生：

control policy。

外部：

sensor state；
physical world。

131. Endogenous Capability and World Dependency

世界依賴：

\not\Rightarrow

能力外生。

所有 embodied agent 都依賴世界。

132. Capability Requires Environment

飛行能力需要：

aircraft；
air；
control。

不能因此說飛行「不存在」。

133. Endogeneity Is Not Self-Sufficiency

因此：

\boxed{ \text{Endogenous} \neq \text{Environment Independent}. }

134. 完全自足是錯誤標準

如果要求：

移除一切外部世界仍能做。

那任何實體行動能力都會被判非內生。

這不合理。

135. 合理移除測試

應移除的是：

被宣稱不屬於判定主體的支援。

Paper 04 將正式化 boundary。

136. Minimum Operational Environment

每項能力有：

MOE(c).

即最低必要環境。

137. Endogeneity Test Must Preserve MOE

移除測試不能破壞：

MOE(c)

否則只是把世界摧毀。

138. 例：語言能力

移除：

internet；
calculator；

仍可對話。

支持：

e_{\Theta}\uparrow.

139. 例：當前新聞

移除 web：

能力顯著下降。

但 AI 的：

搜尋／驗證方法

仍可能 runtime-endogenous。

140. 例：形式證明

移除 theorem prover：

proof generation 仍可能存在；
certified verification 消失。

所以不同子能力有不同 endogeneity。

141. 能力拆分的重要性

不能把：

mathematics

當一個不可分技能。

應拆：

conjecture；
proof search；
formalization；
checking。

142. Endogeneity Granularity

能力粒度：

g_c

太粗會掩蓋差異。

143. Fine-Grained Profile

例如：

EP( \text{formal proof} )

與：

EP( \text{informal mathematical explanation} )

不同。

144. Capability Family

定義：

\mathcal F_c = \{c_1,\dots,c_n\}.

用於管理粒度。

145. Endogeneity Score 的風險

如果把所有維度壓成：

E_c\in[0,1],

可能失去結構。

所以本文優先：

EP(c)

而非單一分數。

146. 需要分型，不只排序

內生能力首先是：

type problem。

不是 leaderboard problem。

147. Endogeneity Matrix

對能力與層：

M_{c,l}.

列：

capability；

欄：

$\Theta$ ；
$Z$ ；
$M$ ；
$R$ ；
$S$ 。

148. 混合能力

一項能力可能：

e_{\Theta}=0.6, \quad e_M=0.8, \quad e_R=0.9.

只是分析表示。

不代表精確自然常數。

149. 內生能力的可驗證定義

任何聲明：

「這是 AI 自身能力」

都應至少附：

Boundary:
Removed Supports:
Restart Condition:
Transfer Condition:
Observed Residual:
Recovery:

150. Endogeneity Claim Receipt

可以建立：

endogeneity_claim:
  capability_id:
  system_boundary:
  baseline:
  removed_components:
  residual_score:
  restart_score:
  model_swap_score:
  transfer_score:
  structural_retention:
  evidence_level:

151. Endogeneity Evidence Levels

E0

直覺宣稱。

E1

單次移除測試。

E2

重啟重現。

E3

多模型／多 instance。

E4

遷移。

E5

遠遷移。

E6

長期部署與版本變更仍保持。

152. 內生化不是只有學習

一個能力可以透過：

governance；
packaging；
persistence；

成為 system-endogenous。

所以：

\boxed{ \text{Endogenization} \neq \text{Training Only}. }

153. AI 版內生化的多條路徑

Path A

Training.

Path B

Memory commit.

Path C

Workflow compilation.

Path D

Tool integration.

Path E

Capability package admission.

Path F

Multi-agent institutionalization.

154. Institutionalized Capability

例如：

所有 code changes 必須經 reviewer Agent。

這是一個 system capability policy。

不是單一模型技能。

155. Institutional Endogeneity

可定義：

\operatorname{Endo}_{I}(c)

表示能力存在於制度／治理規則。

本文不把它列入五層主分類，先視為：

\operatorname{Endo}_{S}

子型。

156. Multi-Agent Capability

如果：

c

只存在於：

A_1 \leftrightarrow A_2 \leftrightarrow A_3,

則：

\operatorname{Endo}_{S}(c)

可能高，

但任何單一：

\operatorname{Endo}_{\Theta_i}(c)

低。

157. 集體能力不等於集體身份

再次固定：

\boxed{ \text{Shared Capability} \neq \text{Shared Identity}. }

158. Shared Memory 不等於 Shared Mind

系統可共享：

facts；
workflows；
tools。

仍保留不同 Agent 邊界。

159. Capability Inheritance

一個 Agent 的 workflow 可被另一 Agent 繼承。

這不表示：

A_1=A_2.

160. Inherited Capability

定義：

C_{\mathrm{inherit}}.

它的 endogeneity 取決於：

接收 Agent / runtime 是否完成正式吸收與治理。

161. Copy != Endogenize

把檔案複製進 memory：

\not\Rightarrow

能力已內生。

還需要：

retrieval；
activation；
execution；
validation。

162. 與 Paper 01 的閉合

Paper 01 的能力鏈：

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

Paper 03 新增一條正交軸：

\Theta,Z,M,R,S.

163. Capability-State × Endogeneity-Layer

所以能力可以表示：

\boxed{ \mathcal M_c = \mathcal S_c \times \mathcal E_c. }

164. 例：工具能力

可能：

State=Validated,

但：

Layer=Borrowed.

165. 例：語言能力

可能：

State=Validated,

且：

Layer=\Theta.

166. 例：長期專案記憶能力

可能：

State=Validated,

且：

Layer=M/R.

167. 與 Paper 02 的閉合

Paper 02 已說：

C_{\mathrm{eff}} = F( C_{\mathrm{nom}}, \Omega ).

Paper 03 加入：

有效能力的來源層不等於它是否有效。

168. High Effective / Low Endogeneity

一個能力可以：

C_{\mathrm{eff}}\gg0

但：

e_S\ll1.

例如臨時接超強外部服務。

169. Low Effective / High Endogeneity

也可以：

e_{\Theta}\gg0

但：

C_{\mathrm{eff}}\ll1

因為 activation / context 差。

170. Endogeneity and Effectiveness Are Orthogonal

因此：

\boxed{ \text{Endogeneity Axis} \perp \text{Effectiveness Axis} }

概念上必須分離。

171. 四象限

I

高有效、高內生。

II

高有效、低內生。

III

低有效、高內生。

IV

低有效、低內生。

172. 四象限的工程意義

II：高 external dependency。

III：可能有激發／routing 問題。

IV：應考慮刪除。

173. Endogeneity and Cost

高內生能力也可能非常昂貴。

所以：

\boxed{ \text{Endogeneity} \neq \text{Efficiency}. }

174. Endogeneity and Safety

高內生不保證安全。

甚至一個危險能力若深度內生：

可能更難撤銷。

175. Modular System Endogeneity 的安全優勢

如果能力保留在可撤銷 runtime：

\operatorname{Endo}_R

可能比：

\operatorname{Endo}_{\Theta}

更易治理。

176. 所以「越內生越好」是錯的

本文拒絕：

\boxed{ \text{More Endogenous} = \text{Better}. }

177. 正確問題

應問：

哪一層最適合承載這個能力？

178. Stable Knowledge

可放：

\Theta.

179. Fresh Knowledge

應外部 retrieval。

180. Reversible Procedure

可放 runtime workflow。

181. Sensitive Personal State

可放 private memory。

182. High-Risk Action

即使能力存在，也應受 authority gate。

183. Endogeneity Placement Problem

本文提出：

\boxed{ \operatorname{Place}(c) = \arg\max_L U(c,L) }

其中 $L$ 是 capability layer。

184. Utility

可包含：

latency；
freshness；
safety；
revocability；
cost；
privacy；
portability。

185. AI Architecture as Capability Placement

AI 系統架構的一個核心工作就是：

決定能力應該放在哪一層。

186. Training Is a Placement Choice

把能力訓進模型是：

\operatorname{Place}(c)=\Theta.

187. Tool Integration Is Another Placement Choice

\operatorname{Place}(c)=R/T.

188. Memory Is Another Placement Choice

\operatorname{Place}(c)=M.

189. Distributed Capability Placement

某些能力應跨多層。

190. Endogeneity as Architecture

所以「內生能力」不只是哲學分類。

它是：

\boxed{ \text{Architecture Decision}. }

191. 工程測試一：Bare Model Test

移除所有非必要外部支援。

測：

P_c^{\Theta}.

192. 工程測試二：State Reset Test

保留模型。

清除：

Z_t.

比較：

P_c.

193. 工程測試三：Memory Removal Test

移除：

M.

測：

D_c(M).

194. 工程測試四：Runtime Removal Test

移除：

tools；
workflows；
validators。

測：

D_c(R).

195. 工程測試五：Restart Recovery

測：

RP_c.

196. 工程測試六：Model Swap

測：

Port_c^{\Theta}.

197. 工程測試七：Provider Swap

測 role-level portability。

198. 工程測試八：Far Transfer

測：

E_{\mathrm{struct}}.

199. 工程測試九：Capability Minimum Cut

找：

K_c.

200. 工程測試十：Longitudinal Endogenization

在多週／多版本中追：

EP_t(c).

201. AI 內生能力的最小判準

本文建議：

若要聲稱：

capability $c$ is endogenous to system $X$

至少應滿足：

$X$ 邊界已聲明；
capability 可重現；
capability 有持續 state；
非關鍵 ephemeral context 消失後可恢復；
依賴可追溯；
有至少一種 structural transfer；
不只是一次外部結果轉抄。

202. 強版本判準

更強版本要求：

restart；
instance replacement；
model swap；
provider substitution；
far transfer。

仍保留可識別 capability core。

203. Weak Endogeneity

只滿足：

persistence；
restart。

204. Strong Endogeneity

再滿足：

transfer；
structural retention；
recoverability。

205. Parametric Strong Endogeneity

若：

e_{\Theta}\gg0

且 bare model 遠遷移成功。

206. System Strong Endogeneity

若：

e_S\gg0

且多組件替換後 capability role 仍可重建。

207. Endogeneity Cannot Be Proven from One Demo

所以：

\boxed{ \text{Demo} \neq \text{Endogeneity Evidence}. }

208. Tool Use Benchmark 也不能直接證明內生

一個模型會 tool call：

\not\Rightarrow

工具能力已成為 persistent system capability。

209. Capability Adoption vs Endogenization

如果只是：

這次用了。

是 adoption。

若：

下次可重建。

才接近 endogenization。

210. Endogenization Threshold

可以定義：

ET_c.

若：

RP_c>\theta_R

且：

Transfer_c>\theta_T

且：

SRet_c>\theta_S,

則跨越某 operational endogenization threshold。

211. 這是工程門檻，不是形上學證明

ET_c

只說：

對指定 system boundary，能力已具有持續系統性。

212. 可證偽條件

F1

若 model-only 測試幾乎能解釋所有能力，memory/runtime/system endogeneity 沒有新增預測價值，則多層內生模型應被簡化。

F2

若 restart / removal / swap 對能力歸屬無法產生穩定可重現差異，則 Endogeneity Profile 缺乏實用性。

F3

若 runtime-integrated capability 無法在新 instance 重建，則將其稱為 runtime-endogenous 過強。

F4

若 far transfer 與 structural retention 對「真正內生能力」判定沒有額外解釋力，則可移除這些判準。

F5

若「內生性」在明確 boundary 下仍只能靠語義爭辯而不能由消融與恢復測試區分，則本文核心工程化主張失敗。

213. Canonical Invariants

本文固定：

Offloading != Coupling.
Coupling != Endogenization.
External-to-Model != External-to-System.
Internal-to-System != Parametric-in-Model.
Parametric Endogeneity != Guaranteed Activation.
State Endogeneity != Memory Endogeneity.
Memory Endogeneity != Parametric Learning.
Runtime Endogeneity != Borrowed Access.
System Endogeneity != Sum of Component Skills.
Accessed != Integrated.
Integrated != Endogenous.
Dependency != Externality.
Endogeneity != Self-Sufficiency.
Endogeneity != Environment Independence.
Endogeneity != Authority.
Endogeneity != Agency.
Endogeneity != Identity.
Endogeneity != Contribution Share.
Endogeneity != Recoverability.
Endogeneity != Reproducibility.
Endogeneity != Efficiency.
Endogeneity != Safety.
More Endogenous != Better.
Mature Capability != Weight Internalization.
Endogenization != Training Only.
Shared Capability != Shared Identity.
Copy != Endogenize.
Capability Effectiveness != Capability Endogeneity.
System-Endogenous Capability May Be Modular and Revocable.
Every Endogeneity Claim Requires an Explicit System Boundary.

214. 一句話定義

AI 的內生能力不是「所有存在於模型權重裡的東西」，而是對一個明確指定的持續 AI 系統而言，能在支援移除、狀態重啟與環境變動後，仍以可重建、可遷移、可驗證的結構持續存在的能力。

215. 結論

本文將 EIEC 的核心三分法：

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

正式轉譯到 AI。

AI 可以臨時借能力。

AI 可以與外部工具形成極深耦合。

AI 也可以把某些能力真正寫進持續結構。

但「寫進持續結構」不再只有一種形式。

它可以是：

\Theta,

可以是：

Z,

可以是：

M,

可以是：

R,

也可以是整個：

\Sigma_A.

因此本文拒絕：

只有模型權重才是真正 AI 能力。

也拒絕：

只要 AI 能調用，就算自己的能力。

更準確的結構是：

\boxed{ \text{Borrowed} \rightarrow \text{Coupled} \rightarrow \text{Integrated} \rightarrow \text{Layer-Specific Endogenization} }

而且不同能力應該停在不同層。

即時資訊不應全部訓進權重。

可撤銷 workflow 不必變成神經參數。

高穩定語言能力則可能非常適合 parametric endogeneity。

這使「AI 自己會什麼」不再是一個哲學口號，而可以逐步被：

移除；
重啟；
替換；
遷移；
遠遷移；
恢復；

所測試。

但本文也刻意留下一個更深問題：

如果同一能力對模型是外生、對 runtime 是內生、對更大的 cloud AI system 又有另一種分類，那麼「內生」本身是不是依賴我們把什麼算作 One？

這正是下一篇的問題：

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

也就是：

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

外包、耦合與內生化的 AI 版本：真正的內生能力是什麼？

外包、耦合與內生化的 AI 版本

——真正的內生能力是什麼？

Offloading, Coupling, and Endogenization for AI

What Counts as Truly Endogenous Capability?

摘要

關鍵詞

0. 問題：AI 「自己會」到底是什麼意思？

1. EIEC 的核心切割必須保留

2. AI 版 Offloading

3. 典型外包

4. 外包不是壞事

5. AI 版 Coupling

6. 耦合能力可以高於加總

7. 耦合仍不等於內生

8. AI 版 Endogenization 的問題

9. 模型不是整個 AI 系統

10. 第一層：Parametric Endogeneity

11. Parametric Endogeneity 的測試

12. 參數內生不等於每次叫得出來

13. 第二層：State Endogeneity

14. State Endogeneity 的特徵

15. 第三層：Memory Endogeneity

16. Memory Endogeneity 不等於模型內化

17. Memory Is Not External by Definition

18. 第四層：Runtime Endogeneity

19. Runtime-Endogenous Capability

20. 第五層：System Endogeneity

21. System Endogeneity 的核心

22. System Capability Is Real

23. Borrowed Capability

24. Borrowed 的典型特徵

25. Accessed != Integrated

26. Integrated != Endogenous

27. 能力內生度

28. Endogeneity Profile

29. 內生度不是總和為一

30. Residual Capability

31. 高殘留

32. 低殘留

33. Dependency Ratio

34. Dependency ≠ Externality

35. 結構保留

36. AI 的算子保留

37. Operation Retention

38. Parametric Learning 是最強內生形式之一

39. 為什麼不能把權重當唯一「真正內生」

40. AI 自身不是只有神經網路

41. 內生能力的最低要求

42. 不能只因「常用」就叫內生

43. 不能只因「不可分離」就叫內生

44. 共時性 vs 歷時性

45. AI 的歷時內生化

46. Multi-Layer Endogenization

47. 不必最終都進權重

48. 模組化反而可能更好

49. Endogenization Is Not Always the Goal

50. Freshness-Sensitive Capability

51. Capability Locality

52. Locality 不是單點

53. Distributed Endogeneity

54. Distributed 不等於 Borrowed

55. Canonical State 的重要性

56. Rebuildability

57. Recovery Persistence

58. Restart Test

59. Hard Reset

60. Soft Reset

61. Removal Test

62. Multiple Removal

63. Redundant Endogeneity

64. Replacement Test

65. Role Endogeneity

66. Provider Independence

67. Model Swap Test

68. Model-Specific Capability

69. Runtime-Preserved Capability

70. Cross-Model Capability Portability

71. Memory Migration Test

72. Workflow Migration Test

98. 但未必進入 $\Theta$