title 潛能不是激發：從表徵閘門到可調用能力
english_title Potential Is Not Activation: From Representational Gating to Callable 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 01 / 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／能力狀態論／表徵與激發架構
status Canonical Series Draft
encoding UTF-8
depends_on DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md
predecessor_theories 表徵閘門猜想 · 潛能—激發矩陣生成論 · 外部智慧內生化命題 EIEC
潛能不是激發
——從表徵閘門到可調用能力
Potential Is Not Activation
From Representational Gating to Callable 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
大型語言模型與現代 AI 系統最容易被誤判的問題之一，是把「沒有展現」直接等同於「沒有能力」，或反過來把「曾經展現」直接等同於「隨時擁有穩定能力」。這兩種判定都忽略了一個核心事實：現代神經網路中的能力並不是永遠以同一種顯式形式存在，而可能分布於參數結構、表徵結構、記憶、上下文、激發路徑、跨模組組合、工具接口與驗證流程之間。
本文承接《表徵閘門猜想》與《潛能—激發矩陣生成論》，將原本關於知識釋放與概念顯化的框架重新編譯為「能力狀態論」。本文提出，對任一能力 c c c
P → E → R → L → A → C → X → V \boxed{
P
\rightarrow
E
\rightarrow
R
\rightarrow
L
\rightarrow
A
\rightarrow
C
\rightarrow
X
\rightarrow
V
} P → E → R → L → A → C → X → V 分別代表：
Potential；
Encoded；
Retrievable；
Elicitable；
Activated；
Composable；
Executable；
Validated Effective。
本文主張：
Potential ≠ Encoded ≠ Retrievable ≠ Elicitable ≠ Activated ≠ Composable ≠ Executable ≠ Validated Effective \boxed{
\text{Potential}
\neq
\text{Encoded}
\neq
\text{Retrievable}
\neq
\text{Elicitable}
\neq
\text{Activated}
\neq
\text{Composable}
\neq
\text{Executable}
\neq
\text{Validated Effective}
} Potential = Encoded = Retrievable = Elicitable = Activated = Composable = Executable = Validated Effective 這些狀態不可被壓縮成單一「會／不會」二元值。
本文進一步重新整理《表徵閘門猜想》中的四種未釋放缺口——覆蓋缺口、編碼缺口、激發缺口與組合缺口——並將其擴展為八層能力狀態中的不同 transition failure。這使得「AI 為什麼明明知道卻做不好」、「為什麼換一個 prompt 突然會了」、「為什麼加一個工具能力躍升」、「為什麼同一能力在一個 context 能重現、換一個 context 卻消失」等現象可以被分型，而不必全部歸因於模型參數大小或模型是否真正理解。
本文也引入「激發成本」「激發穩定性」「重激發率」「組合閉合度」「執行接地度」與「驗證有效度」等量，用於區分短暫成功與穩定能力。最終，本文提出：
Callable Capability = Represented Structure + Reliable Activation Path + Composable Interfaces + Executable Grounding + Validation \boxed{
\text{Callable Capability}
=
\text{Represented Structure}
+
\text{Reliable Activation Path}
+
\text{Composable Interfaces}
+
\text{Executable Grounding}
+
\text{Validation}
} Callable Capability = Represented Structure + Reliable Activation Path + Composable Interfaces + Executable Grounding + Validation 本文的核心結論是：AI 的能力不應被理解為靜態藏在模型內部的「東西」，而應被理解為一個從潛能結構到可驗證執行的動態可達過程。這一能力狀態鏈將成為後續 Paper 02「有效能力不是模型能力」、Paper 03「AI 版外包／耦合／內生化」與 Paper 06「能力可達圖」的共同基礎。
關鍵詞
Potential Capability；Activation；Representational Gating；Encoded Capability；Retrievability；Elicitation；Composable Capability；Executable Capability；Validated Capability；Latent Structure；AI Capability State；Capability Transition；Activation Cost；Re-Activation；Capability Reliability
0. 問題：AI 「會不會」其實不是一個好問題
對一個現代 AI 問：
你會不會做數學？
你會不會寫程式？
你會不會使用某工具？
表面上是合理問題。
但從能力本體論角度看，它們都缺少狀態資訊。
因為同一個模型可能：
在第一次回答中失敗；
加入提示後成功；
加入例子後成功率更高；
加入 memory 後能延續；
接工具後第一次真正可執行；
接 verifier 後才變成可靠能力。
因此：
Observed Failure ⇏ No Potential Capability \boxed{
\text{Observed Failure}
\not\Rightarrow
\text{No Potential Capability}
} Observed Failure ⇒ No Potential Capability 同時：
One Successful Output ⇏ Stable Effective Capability \boxed{
\text{One Successful Output}
\not\Rightarrow
\text{Stable Effective Capability}
} One Successful Output ⇒ Stable Effective Capability 本文因此拒絕以單次輸出作為能力本體判定。
1. 從表徵閘門到能力狀態鏈
既有表徵閘門框架指出，AI 能力未釋放至少可能有四種不同原因：
Coverage Gap；
Encoding Gap；
Elicitation Gap；
Combination Gap。
這已經證明：
Failure \text{Failure} Failure 不是單一型別。
本文進一步指出：
缺口之所以不同，是因為「能力」本身其實跨越多個狀態。
因此我們建立：
S c = { P , E , R , L , A , C , X , V } \boxed{
\mathcal S_c
=
\{
P,E,R,L,A,C,X,V
\}
} S c = { P , E , R , L , A , C , X , V } 作為能力 c c c
2. State P：Potential Capability
定義：
若存在某個有限、可執行、可重現的轉換或激發程序，使系統能力在指定任務族上顯著提升，則稱系統對該能力具有可操作意義上的 Potential。
形式上：
∃ O s.t. P c ( O ( A ) ) − P c ( A ) > ε . \exists \mathcal O
\quad
\text{s.t.}
\quad
P_c(\mathcal O(A))
-
P_c(A)
>
\varepsilon. ∃ O s.t. P c ( O ( A )) − P c ( A ) > ε . 其中：
A A A O \mathcal O O P c P_c P c ε \varepsilon ε
這一定義保留一個重要約束：
「潛能」不是事後美化語言，而必須存在可以測試的釋放操作。
3. Potential 不等於「所有理論上可能」
本文不採：
Potential = Anything the system might someday become . \text{Potential}
=
\text{Anything the system might someday become}. Potential = Anything the system might someday become . 如果加入：
新訓練；
大量新資料；
完全不同模型；
全新架構；
才出現某能力，那通常屬於：
Capability Creation \text{Capability Creation} Capability Creation 而不是原系統能力的單純釋放。
因此本文要求 Potential 至少滿足：
Finite Release Without Redefining the Whole System \boxed{
\text{Finite Release Without Redefining the Whole System}
} Finite Release Without Redefining the Whole System 4. State E：Encoded Capability
能力有潛能，不代表已被目前系統結構有效編碼。
定義：
若與能力相關的結構已被保存在模型參數、memory、symbolic state、graph、workflow 或其他可存取表示中，則稱其具有 Encoded Capability。
形式化可寫：
∃ R c ⊆ S A \exists R_c
\subseteq
\mathfrak S_A ∃ R c ⊆ S A 其中：
R c R_c R c 為能力 c c c
但：
R c ⊆ S A R_c
\subseteq
\mathfrak S_A R c ⊆ S A 不能推出：
c ∈ C e f f . c
\in
\mathcal C_{\mathrm{eff}}. c ∈ C eff . 因為 encoded structure 可能：
5. Encoding Gap
若資訊曾進入系統，但：
R c R_c R c 不足以保留該能力的結構不變量，則存在：
G e n c o d i n g . G_{\mathrm{encoding}}. G encoding . 例如：
記住文字但失去因果；
記住 API 名稱但失去調用前置條件；
記住公式但不知道適用域；
記住結論但沒有證明操作。
所以：
Exposure ≠ Encoding \boxed{
\text{Exposure}
\neq
\text{Encoding}
} Exposure = Encoding 6. State R：Retrievable Capability
Encoded 仍然不是 Retrievable。
定義：
當能力相關結構可以在適當條件下被系統定位、提取或重新投影到工作狀態時，稱其具有 Retrievable Capability。
可寫：
Retrieve ( R c , q ) → R ^ c . \operatorname{Retrieve}(R_c,q)
\rightarrow
\widehat R_c. Retrieve ( R c , q ) → R c . 如果：
R ^ c \widehat R_c R c 在合理成本內穩定被找到，則 retrieval 成立。
7. Retrieval Failure
一個能力可能被長期保存，卻因索引失敗而等效消失。
例如：
R c ∈ M R_c\in M R c ∈ M 但：
P ( Retrieve ( R c ) ) ≪ 1. P(
\operatorname{Retrieve}(R_c)
)
\ll1. P ( Retrieve ( R c )) ≪ 1. 此時：
Stored ≠ Usable \boxed{
\text{Stored}
\neq
\text{Usable}
} Stored = Usable 這對長期 AI memory 特別重要。
8. Retrieval Quality
定義 retrieval quality：
Q R ( c ) = F ( p h i t , p p r e c i s i o n , L , C , F f r e s h ) Q_R(c)
=
F(
p_{\mathrm{hit}},
p_{\mathrm{precision}},
L,
C,
F_{\mathrm{fresh}}
) Q R ( c ) = F ( p hit , p precision , L , C , F fresh ) 其中：
p h i t p_{\mathrm{hit}} p hit p p r e c i s i o n p_{\mathrm{precision}} p precision L L L C C C F f r e s h F_{\mathrm{fresh}} F fresh
所以 retrieval 不只是：
有沒有搜到。
9. State L：Elicitable Capability
Retrievable 仍不等於 Elicitable。
定義：
若存在一組 prompt、context、task framing、example、memory projection 或 internal routing，使能力可被穩定拉入當前推理過程，則能力具有 Elicitable state。
可寫：
∃ e ∈ E c \exists e
\in
\mathcal E_c ∃ e ∈ E c 使：
P c ( A ∣ e ) > θ c . P_c(A\mid e)
>
\theta_c. P c ( A ∣ e ) > θ c . 其中：
E c \mathcal E_c E c 為能力 c c c
10. Elicitation Gap
如果結構存在、可被找到，但沒有正確激發協議：
G e l i c i t a t i o n > 0. G_{\mathrm{elicitation}}>0. G elicitation > 0. 典型現象：
換一句問法，結果突然變好；
加一步「先列假設」，模型才開始正確推理；
加例子後模型開始遵循結構；
加角色／任務 framing 後能力顯現。
因此：
Encoded + Retrievable ⇏ Elicited \boxed{
\text{Encoded}
+
\text{Retrievable}
\not\Rightarrow
\text{Elicited}
} Encoded + Retrievable ⇒ Elicited 11. 激發不是魔法 Prompt
本文不把 elicitation 簡化成 prompt engineering。
激發可能來自：
system state；
context；
example；
memory retrieval；
tool availability；
goal；
evaluator；
hidden routing；
inference budget；
environment feedback。
所以：
Elicitation ⊃ Prompting \boxed{
\text{Elicitation}
\supset
\text{Prompting}
} Elicitation ⊃ Prompting 12. 激發成本
定義能力 c c c
K e l i c i t ( c ) = K t o k e n + K r e t r i e v a l + K c o m p u t e + K l a t e n c y + K c o o r d . K_{\mathrm{elicit}}(c)
=
K_{\mathrm{token}}
+
K_{\mathrm{retrieval}}
+
K_{\mathrm{compute}}
+
K_{\mathrm{latency}}
+
K_{\mathrm{coord}}. K elicit ( c ) = K token + K retrieval + K compute + K latency + K coord . 若：
K e l i c i t K_{\mathrm{elicit}} K elicit 極高，
即使能力存在，也可能缺乏產品價值。
因此：
Elicitable ≠ Economically Callable \boxed{
\text{Elicitable}
\neq
\text{Economically Callable}
} Elicitable = Economically Callable 13. State A：Activated Capability
Elicitable 是「可以叫出來」。
Activated 是：
現在已經在工作狀態中。
令 active state：
Z t . Z_t. Z t . 若能力 c c c
R c R_c R c 已進入：
Z t , Z_t, Z t , 則：
c ∈ A t . c\in A_t. c ∈ A t . 14. 激發態具有時間性
能力被激發後可能快速衰退：
a c ( t ) → 0. a_c(t)
\rightarrow0. a c ( t ) → 0. 因此 activated capability 具有：
onset；
duration；
decay；
reinforcement；
interference。
可以定義：
a c ( t ) ∈ [ 0 , 1 ] . a_c(t)\in[0,1]. a c ( t ) ∈ [ 0 , 1 ] . 15. Activation Half-Life
定義：
T 1 / 2 a c t ( c ) T_{1/2}^{\mathrm{act}}(c) T 1/2 act ( c ) 為在沒有額外 reinforcement 下，能力激發強度下降一半的時間。
這可以描述：
active context fading；
working memory loss；
attention shift；
topic-switch interference。
16. 激發態不是身份
若模型在某 conversation 內形成：
Z t ( c ) , Z_t^{(c)}, Z t ( c ) , 不代表：
Z t ( c ) Z_t^{(c)} Z t ( c ) 就是整個 AI 的永久本體。
因此：
Activated State ≠ Persistent Identity \boxed{
\text{Activated State}
\neq
\text{Persistent Identity}
} Activated State = Persistent Identity 這避免把一次對話中的 persona / skill state 誤判成永恆自我。
17. State C：Composable Capability
真正複雜能力很少由單一節點完成。
例如 Web Research 需要：
query；
search；
source judgment；
citation；
contradiction check；
synthesis。
即：
c r e s e a r c h = Compose ( c 1 , … , c n ) . c_{\mathrm{research}}
=
\operatorname{Compose}
(
c_1,\dots,c_n
). c research = Compose ( c 1 , … , c n ) . 因此需要定義 composability。
18. Combination Gap
當：
c 1 , … , c n c_1,\dots,c_n c 1 , … , c n 分別存在，
但缺少必要橋接：
E ( c i , c j ) , E(c_i,c_j), E ( c i , c j ) , 則：
G c o m b i n a t i o n > 0. G_{\mathrm{combination}}>0. G combination > 0. 這就是「所有零件都會，但整體做不出來」。
19. Composability Graph
令：
G c = ( V c , E c ) \mathbb G_c
=
(
V_c,E_c
) G c = ( V c , E c ) 其中：
V c V_c V c E c E_c E c
高階能力 c ∗ c^* c ∗
∃ valid path / subgraph \exists
\text{valid path / subgraph} ∃ valid path / subgraph 連接必要子能力。
因此：
Capability Composition ≠ Capability Coexistence \boxed{
\text{Capability Composition}
\neq
\text{Capability Coexistence}
} Capability Composition = Capability Coexistence 20. 相干閾值
承接潛能—激發矩陣，定義高階能力的相干閾值：
Coh ( c 1 , … , c n ) > θ c o h . \operatorname{Coh}
(
c_1,\dots,c_n
)
>
\theta_{\mathrm{coh}}. Coh ( c 1 , … , c n ) > θ coh . 這裡的 coherence 不必是物理相位。
它代表：
shared semantics；
compatible state；
synchronized assumptions；
compatible interface；
aligned objectives；
causal consistency。
21. 高階能力的湧現
若：
c ∗ c^* c ∗ 只有在：
c 1 , … , c n c_1,\dots,c_n c 1 , … , c n 被共同激發並滿足關係條件時出現，
則：
c ∗ ≠ ∑ i c i \boxed{
c^*
\neq
\sum_i c_i
} c ∗ = i ∑ c i 高階能力是一個關係閉合結果。
22. State X：Executable Capability
能力可以在內部推理中成立，但無法對外執行。
因此：
Reasoning ≠ Execution . \text{Reasoning}
\neq
\text{Execution}. Reasoning = Execution . 定義：
若能力可被映射成合法 action、tool call、program、control signal 或 world transition，則稱其進入 Executable state。
23. Execution Grounding
Executable capability 至少需要：
Ground ( c , I , E , P ) \operatorname{Ground}
(
c,
I,
E,
P
) Ground ( c , I , E , P ) 其中：
I I I E E E P P P
沒有 grounding：
c c c 可能只是一段文本建議。
24. Tool Access 不等於 Execution Capability
AI 看得到 tool schema：
⇏ \not\Rightarrow ⇒ 會正確呼叫。
會正確呼叫：
⇏ \not\Rightarrow ⇒ 外部 effect 成功。
外部 effect 成功：
⇏ \not\Rightarrow ⇒ canonical state 正確 commit。
因此：
Tool Visibility ≠ Execution Capability \boxed{
\text{Tool Visibility}
\neq
\text{Execution Capability}
} Tool Visibility = Execution Capability 25. Execution Preconditions
對 action a a a
Exec ( a ) = 1 \operatorname{Exec}(a)=1 Exec ( a ) = 1 至少要求：
Available ( a ) = 1 , \operatorname{Available}(a)=1, Available ( a ) = 1 , Authorized ( a ) = 1 , \operatorname{Authorized}(a)=1, Authorized ( a ) = 1 , Precondition ( a ) = 1 , \operatorname{Precondition}(a)=1, Precondition ( a ) = 1 , InterfaceValid ( a ) = 1. \operatorname{InterfaceValid}(a)=1. InterfaceValid ( a ) = 1. 26. State V：Validated Effective Capability
這是能力鏈的最後一層。
系統能做，不代表做得可靠。
定義：
若能力在預定任務分布上能被外部或內部 verifier 重複確認，且錯誤率、成本、延遲與安全性符合使用門檻，則稱其為 Validated Effective Capability。
27. Validated 不等於 Perfect
Validation 不是：
P = 1. P=1. P = 1. 而是：
P c > θ q u a l i t y P_c
>
\theta_{\mathrm{quality}} P c > θ quality 且：
R c < θ r i s k . R_c
<
\theta_{\mathrm{risk}}. R c < θ risk . 門檻依任務而變。
28. 高風險與低風險能力的驗證門檻不同
例如：
低風險
整理檔案名稱
可接受：
θ q u a l i t y < 1. \theta_{\mathrm{quality}}<1. θ quality < 1. 高風險
執行資金轉移
需要更高：
θ q u a l i t y , \theta_{\mathrm{quality}}, θ quality , 以及更嚴格：
θ a u t h o r i t y . \theta_{\mathrm{authority}}. θ authority . 因此有效能力是 task-conditioned。
29. 八層不是線性不可逆
能力狀態可能回退。
例如：
V → X V
\rightarrow
X V → X 若 verifier 過期。
X → C X
\rightarrow
C X → C 若工具暫時 unavailable。
A → L A
\rightarrow
L A → L 若 context 被清空。
R → E R
\rightarrow
E R → E 若索引壞掉。
因此：
Capability State = Dynamic State Machine \boxed{
\text{Capability State}
=
\text{Dynamic State Machine}
} Capability State = Dynamic State Machine 不是單向進化樹。
30. 能力狀態轉移圖
可寫成：
Potential
|
Encoded
|
Retrievable
|
Elicitable
|
Activated
|
Composable
|
Executable
|
Validated Effective
但實際 runtime 更接近：
Encoded <-> Retrievable
Retrievable <-> Elicitable
Elicitable <-> Activated
Activated <-> Composable
Composable <-> Executable
Executable <-> Validated
且每一層都可能因：
state loss；
tool failure；
context shift；
permission change；
verification failure；
回退。
31. 能力狀態向量
對能力 c c c
s c ( t ) = ( p c , e c , r c , l c , a c , c c , x c , v c ) . \mathbf s_c(t)
=
(
p_c,
e_c,
r_c,
l_c,
a_c,
c_c,
x_c,
v_c
). s c ( t ) = ( p c , e c , r c , l c , a c , c c , x c , v c ) . 每個分量：
∈ [ 0 , 1 ] . \in[0,1]. ∈ [ 0 , 1 ] . 這比：
HasCapability ( c ) ∈ { 0 , 1 } \operatorname{HasCapability}(c)\in\{0,1\} HasCapability ( c ) ∈ { 0 , 1 } 更有表達力。
32. Capability Profile
整個 AI 的能力不是單一向量，而是：
P A ( t ) = { s c 1 ( t ) , … , s c n ( t ) } . \mathcal P_A(t)
=
\{
\mathbf s_{c_1}(t),
\dots,
\mathbf s_{c_n}(t)
\}. P A ( t ) = { s c 1 ( t ) , … , s c n ( t )} . 所以兩個模型 benchmark 相同，仍可能有完全不同 capability profiles。
33. 潛能域
定義：
C P = { c : p c > θ P } . \mathcal C_P
=
\{
c:
p_c>\theta_P
\}. C P = { c : p c > θ P } . 這是系統可能釋放的能力域。
但：
∣ C P ∣ |\mathcal C_P| ∣ C P ∣ 不能直接作為產品能力。
34. 可調用域
定義：
C L = { c : l c > θ L } . \mathcal C_L
=
\{
c:
l_c>\theta_L
\}. C L = { c : l c > θ L } . 它比潛能域更接近實用能力。
35. 有效能力域
定義：
C V = { c : v c > θ V } . \mathcal C_V
=
\{
c:
v_c>\theta_V
\}. C V = { c : v c > θ V } . 這才是可對外承諾的能力集合。
因此：
C V ⊆ C L ⊆ C P . \boxed{
\mathcal C_V
\subseteq
\mathcal C_L
\subseteq
\mathcal C_P.
} C V ⊆ C L ⊆ C P . 36. 為什麼 benchmark 容易高估能力
如果 benchmark 只測一次：
A ( q ) → y , A(q)\rightarrow y, A ( q ) → y , 它可能只觀察：
a c a_c a c 或：
x c . x_c. x c . 卻沒有測：
restart；
transfer；
re-elicitation；
cost；
validation；
robustness。
因此 benchmark success 不必等於 validated capability。
37. 為什麼 benchmark 也可能低估能力
如果 benchmark 的 prompt / representation 與模型內部結構極不相容：
G e l i c i t a t i o n G_{\mathrm{elicitation}} G elicitation 可能很高。
模型實際具有：
p c , e c > 0 p_c,e_c>0 p c , e c > 0 卻無法被測出。
因此：
Benchmark Failure ≠ No Potential \boxed{
\text{Benchmark Failure}
\neq
\text{No Potential}
} Benchmark Failure = No Potential 38. Prompt Sensitivity 的新解讀
Prompt sensitivity 不只表示模型不穩。
它也可能表示：
∂ a c ∂ e \frac{\partial a_c}{\partial e} ∂ e ∂ a c 很高。
即：
激發函數對表徵形式非常敏感。
這是一個可測能力特徵。
39. 激發曲面
令 elicitation space：
E . \mathcal E. E . 定義：
a c = f c ( e ) , e ∈ E . a_c
=
f_c(e),
\qquad
e\in\mathcal E. a c = f c ( e ) , e ∈ E . 則：
f c f_c f c 描述能力在不同 elicitation 下的激發地形。
40. 激發盆地
若存在區域：
B c ⊂ E B_c\subset\mathcal E B c ⊂ E 使：
f c ( e ) > θ f_c(e)>\theta f c ( e ) > θ 對大部分：
e ∈ B c e\in B_c e ∈ B c 成立，
則 B c B_c B c
激發盆地越大，能力越容易被穩定調用。
41. 窄盆地能力
若：
∣ B c ∣ ≪ ∣ E ∣ , |B_c|
\ll
|\mathcal E|, ∣ B c ∣ ≪ ∣ E ∣ , 則能力雖存在，但只有非常特殊 prompt / context 才能叫出來。
這種能力：
Potentially Strong but Operationally Fragile . \boxed{
\text{Potentially Strong}
\quad
\text{but Operationally Fragile}.
} Potentially Strong but Operationally Fragile . 42. 寬盆地能力
若：
∣ B c ∣ |B_c| ∣ B c ∣ 大，代表多種自然表述都能穩定激發。
這更接近 robust capability。
43. 重激發率
定義：
R r e a c t ( c ) = P ( a c > θ ∣ fresh restart, equivalent task ) . R_{\mathrm{react}}(c)
=
P(
a_c>\theta
\mid
\text{fresh restart, equivalent task}
). R react ( c ) = P ( a c > θ ∣ fresh restart, equivalent task ) . 若：
R r e a c t ≈ 1 , R_{\mathrm{react}}\approx1, R react ≈ 1 , 能力具有高重激發穩定性。
44. 單次奇蹟
如果：
R r e a c t ≪ 1 , R_{\mathrm{react}}\ll1, R react ≪ 1 , 但曾成功一次，
不能直接宣告穩定能力。
本文稱之為：
Single-Shot Capability Event \boxed{
\text{Single-Shot Capability Event}
} Single-Shot Capability Event 而非 validated capability。
45. Capability Reliability
能力可靠度可定義：
R e l ( c ) = F ( R r e a c t , P t r a n s f e r , P e x e c u t e , P v a l i d a t e ) . \mathrm{Rel}(c)
=
F(
R_{\mathrm{react}},
P_{\mathrm{transfer}},
P_{\mathrm{execute}},
P_{\mathrm{validate}}
). Rel ( c ) = F ( R react , P transfer , P execute , P validate ) . 46. 能力轉移
真正高階能力應測：
P c ( X t r a n s f e r ) . P_c(X_{\mathrm{transfer}}). P c ( X transfer ) . 如果只在訓練／示例近鄰上成功：
P c ( X n e a r ) ≫ P c ( X f a r ) , P_c(X_{\mathrm{near}})\gg
P_c(X_{\mathrm{far}}), P c ( X near ) ≫ P c ( X far ) , 則泛化能力有限。
47. 能力與記憶答案的區分
若模型只是 recall：
q → a m e m o r i z e d , q\rightarrow a_{\mathrm{memorized}}, q → a memorized , 不等於持有可遷移能力。
所以需要：
X t r a n s f e r X_{\mathrm{transfer}} X transfer 與：
X f a r X_{\mathrm{far}} X far 測試。
48. 激發與記憶的關係
Memory 可以提高：
r c , l c , a c . r_c,
l_c,a_c. r c , l c , a c . 但 memory 不必提高：
p c . p_c. p c . 也就是：
記憶可能改善可調用性，而不是創造底層潛能。
49. Memory Can Create System-Level Capability
但在更高 system boundary 下：
A + M A+M A + M 可能形成單獨 A A A
所以：
Memory does not necessarily change model potential, \boxed{
\text{Memory does not necessarily change model potential,}
} Memory does not necessarily change model potential, 但：
Memory can change system capability. \boxed{
\text{Memory can change system capability.}
} Memory can change system capability. 50. 工具與激發
Tool schema 本身也可能成為 elicitation structure。
例如：
模型知道可以執行 Python
會改變其 planning。
因此：
Tool Presence \text{Tool Presence} Tool Presence 不只影響 execution。
也可能改變：
A t . A_t. A t . 51. Verifier 與激發
Verifier 的存在也會改變模型行為。
例如：
Generate → Check → Repair . \text{Generate}
\rightarrow
\text{Check}
\rightarrow
\text{Repair}. Generate → Check → Repair . 因此：
V V V 不只在最後驗證。
它也可能改變：
C C C 與：
A . A. A . 52. Search 與潛能釋放
外部 search 可能解決：
G c o v e r a g e . G_{\mathrm{coverage}}. G coverage . 但 search result 並不直接解決：
G e n c o d i n g , G c o m b i n a t i o n . G_{\mathrm{encoding}},
G_{\mathrm{combination}}. G encoding , G combination . 所以：
More Information ≠ More Capability \boxed{
\text{More Information}
\neq
\text{More Capability}
} More Information = More Capability 53. 表徵重編碼
如果外部資料：
D D D 被轉成：
R ( D ) R(D) R ( D ) 且：
R ( D ) R(D) R ( D ) 更接近模型可操作結構，
則：
K e l i c i t K_{\mathrm{elicit}} K elicit 可能下降。
這就是 Representation Engineering 的核心價值之一。
54. 編碼格式與能力釋放
同一知識可能以：
prose；
graph；
symbolic rule；
table；
code；
executable test；
表示。
不同表示會改變：
r c , l c , c c , x c . r_c,l_c,c_c,x_c. r c , l c , c c , x c . 因此：
Representation Format is a capability variable. \boxed{
\text{Representation Format}
\text{ is a capability variable.}
} Representation Format is a capability variable. 55. 多表示能力
最佳結構不必只保留一種 representation。
可以有：
R c t e x t , R c g r a p h , R c s y m b o l , R c c o d e , R c t e s t . R_c^{\mathrm{text}},
R_c^{\mathrm{graph}},
R_c^{\mathrm{symbol}},
R_c^{\mathrm{code}},
R_c^{\mathrm{test}}. R c text , R c graph , R c symbol , R c code , R c test . 不同任務選不同表示。
56. 表徵投影
Working context 只是：
Π q ( R c ) \Pi_q(R_c) Π q ( R c ) 即依任務投影出的局部表示。
所以：
Active Context ≠ Full Capability Representation \boxed{
\text{Active Context}
\neq
\text{Full Capability Representation}
} Active Context = Full Capability Representation 57. 激發與多上下文
一項能力可能依賴多個 context：
C t a s k , C m e m o r y , C w o r l d , C i d e n t i t y . C^{\mathrm{task}},
C^{\mathrm{memory}},
C^{\mathrm{world}},
C^{\mathrm{identity}}. C task , C memory , C world , C identity . 因此：
a c = F ( C t a s k , C m e m o r y , C w o r l d , … ) . a_c
=
F(
C^{\mathrm{task}},
C^{\mathrm{memory}},
C^{\mathrm{world}},
\dots
). a c = F ( C task , C memory , C world , … ) . 這預告 Paper 08。
58. 激發與權限
某 capability 即使技術上可執行：
x c > 0 , x_c>0, x c > 0 , 若：
P t ( c ) = 0 , P_t(c)=0, P t ( c ) = 0 , 則 effective execution：
v c = 0 v_c=0 v c = 0 或受限。
所以：
Activation ≠ Authorization . \boxed{
\text{Activation}
\neq
\text{Authorization}.
} Activation = Authorization . 59. 激發與世界狀態
同一能力在不同 world state 下可能不可用。
例如：
c t r a d e c_{\mathrm{trade}} c trade 需要：
MarketOpen = 1. \text{MarketOpen}=1. MarketOpen = 1. 因此 execution capability 是 world-conditioned。
60. 能力 transition 的最小形式
定義 transition：
T i j c : S i → S j . T_{ij}^{c}
:
S_i
\rightarrow
S_j. T ij c : S i → S j . 例如：
T P E T_{PE} T P E 表示 potential → encoded。
T E R T_{ER} T E R 表示 encoded → retrievable。
每個 transition 都有：
precondition；
cost；
reliability；
latency；
failure mode。
61. Transition Reliability
定義：
ρ i j c = P ( T i j c succeeds ) . \rho_{ij}^c
=
P(
T_{ij}^c
\text{ succeeds}
). ρ ij c = P ( T ij c succeeds ) . 整條能力鏈可靠度可以粗略近似為：
ρ c c h a i n ≈ ∏ ( i , j ) ρ i j c \rho_c^{\mathrm{chain}}
\approx
\prod_{(i,j)}
\rho_{ij}^c ρ c chain ≈ ( i , j ) ∏ ρ ij c 若各 transition 近似獨立。
實際系統通常不獨立，但此式可用來理解：
任一低可靠度環節都可能拖垮整體能力。
62. Capability Bottleneck
定義：
B c = arg min ( i , j ) ρ i j c . B_c
=
\arg\min_{(i,j)}
\rho_{ij}^c. B c = arg ( i , j ) min ρ ij c . B c B_c B c
因此能力改良不應永遠只提升 model。
63. 例：數學能力
假設模型具有強推理潛能：
p m a t h ≫ 0. p_{\mathrm{math}}\gg0. p math ≫ 0. 但對特定新符號系統：
e m a t h e_{\mathrm{math}} e math 低。
提供形式定義後：
e ↑ . e\uparrow. e ↑ . 再提供 theorem prover：
x ↑ . x\uparrow. x ↑ . 再加入 proof checker：
v ↑ . v\uparrow. v ↑ . 所以最終提升不是單一「模型變聰明」。
64. 例：程式能力
模型可能：
會產生程式；
不會跑程式；
跑了不會測；
測了不會修；
修了不能 commit。
因此：
Code Generation ≠ Software Engineering Capability . \text{Code Generation}
\neq
\text{Software Engineering Capability}. Code Generation = Software Engineering Capability . 65. 例：搜尋能力
模型知道搜尋策略：
p , e > 0 , p,e>0, p , e > 0 , 但沒有 web access：
x = 0. x=0. x = 0. 有 web access 但不驗證：
v ≪ 1. v\ll1. v ≪ 1. 所以：
Search Fluency ≠ Epistemic Research Capability . \boxed{
\text{Search Fluency}
\neq
\text{Epistemic Research Capability}.
} Search Fluency = Epistemic Research Capability . 66. 例：世界模型
生成一段連續畫面：
a v i s u a l > 0. a_{\mathrm{visual}}>0. a visual > 0. 不代表：
c c a u s a l > 0. c_{\mathrm{causal}}>0. c causal > 0. 若沒有 persistent state：
x w o r l d c o n t i n u i t y x_{\mathrm{world\ continuity}} x world continuity 可能低。
這就是短時世界生成與持續世界的差異。
67. 例：語音控制
STT 正確辨識：
≠ \neq = 理解意圖。
理解意圖：
≠ \neq = 合法 command。
合法 command：
≠ \neq = 可靠執行。
因此語音 AI 也適用八層狀態鏈。
68. Capability Exposure
產品對使用者真正暴露的是：
C e x p o s e d ⊆ C V . \mathcal C_{\mathrm{exposed}}
\subseteq
\mathcal C_V. C exposed ⊆ C V . 有些能力即使 validated：
UX 沒入口；
權限關閉；
feature 未上線；
使用者仍無法使用。
69. Product Capability
產品能力應定義：
C p r o d u c t = C V ∩ C e x p o s e d ∩ C s u p p o r t e d . \mathcal C_{\mathrm{product}}
=
\mathcal C_V
\cap
\mathcal C_{\mathrm{exposed}}
\cap
\mathcal C_{\mathrm{supported}}. C product = C V ∩ C exposed ∩ C supported . 這和模型 capability 更不同。
70. 內生性與激發狀態分離
一個能力可以高度 parametric endogenous：
Endo Θ ( c ) ≫ 0 \operatorname{Endo}_{\Theta}(c)\gg0 Endo Θ ( c ) ≫ 0 但：
a c ( t ) = 0. a_c(t)=0. a c ( t ) = 0. 反之：
一個能力可以高度 activated：
a c ( t ) ≫ 0 a_c(t)\gg0 a c ( t ) ≫ 0 卻完全依賴外部 tool。
所以：
Activation Axis ⊥ Endogeneity Axis \boxed{
\text{Activation Axis}
\perp
\text{Endogeneity Axis}
} Activation Axis ⊥ Endogeneity Axis 至少概念上是兩個不同維度。
71. Capability State Tensor
因此最終可能需要：
T c = S c × E c × R c × P c \mathcal T_c
=
\mathcal S_c
\times
\mathcal E_c
\times
\mathcal R_c
\times
\mathcal P_c T c = S c × E c × R c × P c 表示：
state；
endogeneity；
reliability；
permission。
這預告後續多維 capability profile。
72. 潛能與能力本體的邊界
本文不主張：
每個模型內都有無限潛能。
Potential 必須有可操作測試。
若找不到任何：
O \mathcal O O 使：
Δ P c > ε , \Delta P_c>\varepsilon, Δ P c > ε , 則對當前系統與資源而言：
p c p_c p c 應視為低或未知。
73. Unknown Potential
有些能力狀態不能判為：
p c = 0. p_c=0. p c = 0. 而應是：
p c = unknown . p_c=\text{unknown}. p c = unknown . 因此 capability state 應允許三態：
supported；
unsupported；
undecided。
這避免把未測等於沒有。
74. Capability Epistemology
所以 AI 能力研究同時是一個認識論問題：
我們如何知道它會？
除了：
C A \mathcal C_A C A 還需要：
K ( C A ) K(
\mathcal C_A
) K ( C A ) 即能力證據狀態。
75. 能力聲明的證據級別
建議：
E0
供應商宣稱。
E1
單次 demo。
E2
benchmark。
E3
多 seed / 多 prompt 重現。
E4
transfer。
E5
restart / reactivation。
E6
real-world validated deployment。
不同聲明應標記 evidence level。
76. Capability Claim
定義：
capability_claim:
capability_id:
state_claim:
boundary:
task_domain:
evidence_level:
validator:
known_failure_modes:
這使「模型會 XXX」從廣告語變成可審計命題。
77. Ability Under-Specification
如果只寫：
AI can code.
缺少：
language；
repo size；
test availability；
tool access；
context；
runtime；
execution；
這個能力聲明過度模糊。
78. Ability Scope
因此：
c = c ( d , s , e , b ) c
=
c(d,s,e,b) c = c ( d , s , e , b ) 其中：
d d d s s s e e e b b b
能力永遠有作用域。
79. 高能力不等於全域能力
某能力在：
d 1 d_1 d 1 很強，不推出：
d 2 . d_2. d 2 . 因此：
Capability Transfer must be measured, not assumed. \boxed{
\text{Capability Transfer}
\text{ must be measured, not assumed.}
} Capability Transfer must be measured, not assumed. 80. 激發與全域計算
從更高階看：
Θ \Theta Θ 可以理解成巨大潛在結構場。
但真正被計算的是：
Π q ( Θ , Z , M , T , … ) . \Pi_q(\Theta,Z,M,T,\dots). Π q ( Θ , Z , M , T , … ) . 即任務條件下的局部展開。
因此 AI 推理不需要每次完整激發所有能力。
81. Sparse Activation Principle
若：
∣ C P ∣ ≫ ∣ C A ( t ) ∣ , |\mathcal C_P|\gg|\mathcal C_A(t)|, ∣ C P ∣ ≫ ∣ C A ( t ) ∣ , 則：
大量能力以潛在形式存在，但當下 active set 很小。
這是高效計算的重要方向。
82. 激發選擇問題
真正重要的不只是：
How much capability exists? \text{How much capability exists?} How much capability exists? 還有：
Which capability is activated now? \text{Which capability is activated now?} Which capability is activated now? 因此 routing 本身是能力的一部分。
83. Routing Capability
定義：
c r o u t e c_{\mathrm{route}} c route 為：
根據任務與狀態選出正確能力路徑的能力。
如果：
c r o u t e c_{\mathrm{route}} c route 弱，
系統即使擁有很多能力，也可能表現差。
84. Meta-Capability
Routing、self-evaluation、tool selection、verification selection 都是：
Meta-Capabilities . \boxed{
\text{Meta-Capabilities}.
} Meta-Capabilities . 它們決定其他能力能否被有效使用。
85. Meta-Capability Multiplier
可粗略寫：
C e f f ≈ C b a s e ⋅ M m e t a . C_{\mathrm{eff}}
\approx
C_{\mathrm{base}}
\cdot
M_{\mathrm{meta}}. C eff ≈ C base ⋅ M meta . 這不是精確物理定律。
它表示：
meta-capability 可以放大已存在能力的可用性。
86. Capability Coordination
多 Agent 中：
C t e a m C_{\mathrm{team}} C team 不等於：
∑ i C i . \sum_i C_i. i ∑ C i . 若 coordination 差：
C t e a m < ∑ i C i . C_{\mathrm{team}}
<
\sum_i C_i. C team < i ∑ C i . 若互補良好：
C t e a m > max i C i . C_{\mathrm{team}}
>
\max_i C_i. C team > i max C i . 87. 激發污染
context 中錯誤資訊可能激發錯誤能力路徑。
定義：
G m i s a c t i v a t i o n . G_{\mathrm{misactivation}}. G misactivation . 即：
系統激發了不應被使用的能力／模式。
88. 過度激發
系統也可能：
不必要使用昂貴工具；
過度規劃；
過度驗證；
過度檢索。
因此：
More Activation ≠ Better Performance . \boxed{
\text{More Activation}
\neq
\text{Better Performance}.
} More Activation = Better Performance . 89. Activation Efficiency
定義：
η A = Useful Activated Capability Total Activation Cost . \eta_A
=
\frac{
\text{Useful Activated Capability}
}{
\text{Total Activation Cost}
}. η A = Total Activation Cost Useful Activated Capability . 這可以成為 Agent architecture 的重要效率指標。
90. 能力競爭
不同激發模式可能競爭有限 context / compute。
若：
c 1 c_1 c 1 與：
c 2 c_2 c 2 同時需要大量 active resources，
可能有：
a c 1 ↑ ⇒ a c 2 ↓ . a_{c_1}\uparrow
\Rightarrow
a_{c_2}\downarrow. a c 1 ↑⇒ a c 2 ↓ . 因此 capability interaction 不一定正向。
91. Capability Interference
定義：
I ( c i , c j ) I(c_i,c_j) I ( c i , c j ) 表示兩能力同時激發時的干擾。
若：
I > 0 , I>0, I > 0 , 表示互相削弱。
若：
I < 0 , I<0, I < 0 , 表示協同。
92. 組合能力不是越多越好
加入更多工具與 context 可能提高：
∣ V ∣ |V| ∣ V ∣ 但也提高：
D r o u t i n g , D c o o r d . D_{\mathrm{routing}},
D_{\mathrm{coord}}. D routing , D coord . 因此存在：
Capability Overload . \boxed{
\text{Capability Overload}.
} Capability Overload . 93. Capability Selection
系統需要：
Select ( q , C P ) → C A . \operatorname{Select}
(
q,
\mathcal C_P
)
\rightarrow
\mathcal C_A. Select ( q , C P ) → C A . 即：
從巨大潛能域選出當下小型 active set。
這和 Paper 06 的 capability graph routing 直接相連。
94. Active Capability Budget
設定：
B a c t i v e . B_{\mathrm{active}}. B active . 則：
∑ c ∈ C A K a c t i v a t e ( c ) ≤ B a c t i v e . \sum_{c\in\mathcal C_A}
K_{\mathrm{activate}}(c)
\le
B_{\mathrm{active}}. c ∈ C A ∑ K activate ( c ) ≤ B active . 這說明 active intelligence 需要資源治理。
95. 潛能壓縮
模型可能把大量能力壓縮在：
Θ . \Theta. Θ. 但 active realization 需要：
Decompress q ( Θ ) . \operatorname{Decompress}_q(\Theta). Decompress q ( Θ ) . 此處「壓縮」是功能性語言，不要求模型內真的有一份顯式技能清單。
96. 高維向量與能力潛能
本文接受一個保守描述：
高維分布式表示可以承載大量重疊結構，使能力不必以一技能一模組方式存放。
但不直接推出：
每個能力都能從單一向量維度讀出。
因此：
Distributed Representation ≠ Explicit Capability Slot . \boxed{
\text{Distributed Representation}
\neq
\text{Explicit Capability Slot}.
} Distributed Representation = Explicit Capability Slot . 97. 非對稱動力學
即使 representation space 可用對稱幾何描述，
實際 activation：
z t → z t + 1 z_t
\rightarrow
z_{t+1} z t → z t + 1 仍可具有：
direction；
gating；
irreversible commit；
asymmetric routing。
所以：
Representation Symmetry ≠ Dynamical Symmetry . \boxed{
\text{Representation Symmetry}
\neq
\text{Dynamical Symmetry}.
} Representation Symmetry = Dynamical Symmetry . 98. 潛能態／激發態只是宏觀描述
本文不宣稱 LLM 在物理上等於量子系統或某種特定神經場。
「潛能態／激發態」在本文主要是：
Capability-State Abstraction . \boxed{
\text{Capability-State Abstraction}.
} Capability-State Abstraction . 它描述：
未當前顯化；
可被激發；
局部 active；
高階組合；
的動態關係。
99. 可證偽條件
本文至少在以下情況下被削弱。
F1
若不同 elicitation 對模型能力幾乎沒有穩定影響，則 Elicitable state 的必要性下降。
F2
若 stored / encoded structure 的 retrieval quality 對實際任務幾乎無影響，則 Retrievable state 的必要性下降。
F3
若工具、memory、validator 等只改變輸出速度，不改變可完成任務族，則 Composable / Executable system capability 的重要性下降。
F4
若單次成功高度預測 restart、transfer、re-elicitation 與 real-world deployment 成功，則多層 capability state 可能過度複雜。
F5
若「八層狀態」無法比簡單 binary capability model 更好解釋錯誤類型與系統改良點，則應簡化框架。
100. 最小實驗一：Elicitation Sweep
固定模型與任務。
改變：
prompt；
examples；
context；
role；
reasoning instruction。
測量：
P c ( e ) . P_c(e). P c ( e ) . 得到：
f c ( e ) . f_c(e). f c ( e ) . 目的：
畫出 capability elicitation landscape。
101. 最小實驗二：Representation Swap
同一知識提供：
prose；
table；
graph；
symbolic rules；
executable examples。
比較：
Q R , K e l i c i t , P e x e c u t e . Q_R,
K_{\mathrm{elicit}},
P_{\mathrm{execute}}. Q R , K elicit , P execute . 測試 representation 是否改變能力釋放。
102. 最小實驗三：Context Reset
先完成任務。
清除 active context。
保留 persistent memory。
重新開始。
測：
R r e a c t . R_{\mathrm{react}}. R react . 目的：
區分 session activation 與 persistent retrievability。
103. 最小實驗四：Tool Grounding
比較：
Model Only
Model + Tool Schema
Model + Executable Tool
Model + Tool + Validator
測：
P , E , R , L , A , C , X , V . P,
E,
R,
L,
A,
C,
X,
V. P , E , R , L , A , C , X , V . 觀察能力在哪一層真正上升。
104. 最小實驗五：Composition Ablation
建立高階能力：
c ∗ = Compose ( c 1 , c 2 , c 3 ) . c^*=\operatorname{Compose}(c_1,c_2,c_3). c ∗ = Compose ( c 1 , c 2 , c 3 ) . 逐一移除 bridge。
測量：
Δ P c ∗ . \Delta P_{c^*}. Δ P c ∗ . 目的：
找出 combination gap 與 critical edge。
105. 最小實驗六：Single-Shot vs Stable Capability
對同任務 family 重複：
n n n 次，跨：
seed；
prompt；
restart；
context。
計算：
R r e a c t , P t r a n s f e r , Var ( P c ) . R_{\mathrm{react}},
P_{\mathrm{transfer}},
\operatorname{Var}(P_c). R react , P transfer , Var ( P c ) . 區分單次奇蹟與可靠能力。
106. Capability State Record
建議最小資料格式：
capability_id:
boundary:
task_scope:
state:
potential:
encoded:
retrievable:
elicitable:
activated:
composable:
executable:
validated:
elicitation_cost:
reactivation_rate:
transfer_rate:
execution_rate:
validator:
evidence_level:
known_failures:
107. Runtime 介面
未來 Agent Runtime 可查：
GetCapabilityState(capability_id)
CanElicit(capability_id, task)
CanExecute(capability_id)
WhyUnavailable(capability_id)
RequiredDependencies(capability_id)
這使 capability 不再只存在文件敘述中。
108. WhyUnavailable
如果能力不可用，系統應回答具體原因。
例如：
Encoded: yes
Retrievable: yes
Elicitable: yes
Executable: no
Reason: theorem prover unavailable
這比：
"I can't do that."
更有工程價值。
109. Capability Diagnostics
能力失敗可分：
not covered；
not encoded；
retrieval failure；
elicitation failure；
activation loss；
composition failure；
execution failure；
validation failure。
因此：
Capability Failure = Typed Failure . \boxed{
\text{Capability Failure}
=
\text{Typed Failure}.
} Capability Failure = Typed Failure . 110. 系列接口一：Paper 02
Paper 02 將處理：
C n o m i n a l ≠ C e f f e c t i v e . \mathcal C_{\mathrm{nominal}}
\neq
\mathcal C_{\mathrm{effective}}. C nominal = C effective . 本文提供其前提：
有效能力必須是能力狀態鏈中真正能進入 V V V
111. 系列接口二：Paper 03
Paper 03 將問：
這八層能力到底哪些算「AI 自己的」？
本文不回答 endogeneity。
只建立能力狀態。
因此：
Capability State ≠ Capability Ownership / Endogeneity . \boxed{
\text{Capability State}
\neq
\text{Capability Ownership / Endogeneity}.
} Capability State = Capability Ownership / Endogeneity . 112. 系列接口三：Paper 06
Paper 06 將把：
P → E → R → L → A → C → X → V P\rightarrow E\rightarrow R\rightarrow L\rightarrow A\rightarrow C\rightarrow X\rightarrow V P → E → R → L → A → C → X → V 重新寫成 capability graph / multi-graph 的 typed transitions。
本文提供節點語義。
113. 系列接口四：Paper 08
Paper 08 將處理：
在長期 AI 中，如何不把所有 encoded / retrievable capability 塞進同一 active context。
本文已建立：
C P ≫ C A ( t ) \mathcal C_P
\gg
\mathcal C_A(t) C P ≫ C A ( t ) 的基本分離。
114. Canonical Invariants
本文固定以下規則：
Potential != Activation.
Exposure != Encoding.
Encoded != Retrievable.
Retrievable != Elicitable.
Elicitable != Activated.
Activated != Composable.
Composable != Executable.
Executable != Validated.
One Success != Stable Capability.
Stored != Usable.
Prompting is a subset of Elicitation.
Representation Format is a Capability Variable.
More Information != More Capability.
Tool Visibility != Execution Capability.
Generation Capability != Validated Capability.
Activation != Authorization.
Capability State != Capability Endogeneity.
Capability Appearance != Capability Origin.
Capability Composition != Capability Coexistence.
Working Context != Full Capability Representation.
Distributed Representation != Explicit Capability Slot.
Representation Symmetry != Dynamical Symmetry.
Benchmark Failure != No Potential.
Benchmark Success != Full Effective Capability.
Capability Failure Must Be Typed.
115. 一句話定義
一項 AI 能力不是「藏在模型裡的一個技能」，而是一個可能從潛能結構經過編碼、檢索、激發、組合、執行與驗證，才最終成為可依賴能力的動態狀態鏈。
116. 結論
現代 AI 的能力研究若仍停留在：
Can / Cannot \text{Can / Cannot} Can / Cannot 二分，將越來越難解釋真實系統。
因為同一個能力可能：
以潛能形式存在；
已編碼但無法取回；
可取回但無法激發；
已激發但不能和其他能力組合；
可組合但無執行接口；
可執行但缺乏驗證；
曾成功但無法重新激發。
因此本文提出：
P → E → R → L → A → C → X → V \boxed{
P
\rightarrow
E
\rightarrow
R
\rightarrow
L
\rightarrow
A
\rightarrow
C
\rightarrow
X
\rightarrow
V
} P → E → R → L → A → C → X → V 作為 AI 動態能力本體論的第一條狀態鏈。
這條鏈真正改變的是我們問問題的方式。
不再只問：
AI 有沒有這個能力？
而要問：
它目前在哪一個能力狀態？
卡在哪一個 transition？
要改模型、改表示、改檢索、改激發、改組合、接工具，還是補 verifier？
於是「AI 能力」第一次從模糊形容詞，變成一個可以被：
定位；
測試；
分解；
修復；
版本化；
工程化；
的動態系統對象。
而下一篇將進一步處理另一個更困難的問題：
即使能力鏈成立，為什麼同一模型在不同任務、使用者、上下文、算力與驗證條件下，仍會表現成完全不同的有效能力？ \boxed{
\text{即使能力鏈成立，為什麼同一模型在不同任務、使用者、上下文、算力與驗證條件下，仍會表現成完全不同的有效能力？}
} 即使能力鏈成立，為什麼同一模型在不同任務、使用者、上下文、算力與驗證條件下，仍會表現成完全不同的有效能力？ 也就是：
Paper 02｜有效能力不是模型能力。