天才不是變量：從高尾端表現到能力生成變量與影響域

Genius Is Not a Variable: From Extreme Performance to Capability-Generating Variables and Influence Domains

系列：極端能力生成、變量影響域與 AI 能力編譯，第 1 篇／共 3 篇
系列英文名：Extreme Capability Generation, Variable Influence Domains, and AI Capability Compilation
系列代碼：ECGC
文件編號：EML-ECGC-2026-01-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-12
性質：Capability Science／Cognitive Decomposition／Variable Influence Theory／AI Capability Research
狀態：Public Theory Draft
直接前置：HGCB Series；《無界策：源點》；RCIG／有限約束下的無限遊戲方法；既有認知解構與生成能力研究
後續接口：ECGC-02《有限生成基與無界能力空間》；ECGC-03《能力編譯：從人類極端案例到可執行 AI 算子族》

摘要

人類對高尾端能力的描述，長期依賴「天才」、「大師」、「戰略家」、「高手」、「創造者」等高度壓縮標籤。這些標籤可以快速指認結果，卻很少說明能力如何被生成。當研究目標從人物評價轉向可重建、可比較、可干預、可模擬與可編譯的能力科學時，「天才」本身不再是一個合格的一階解釋變量。

本文提出一個能力生成變量框架。對任一高尾端表現：

Y^*,

不直接把其歸因於：

\text{Genius}=1,

而是尋找一組候選變量：

X= \{x_1,x_2,\ldots,x_n\},

以及其交互結構：

\Gamma_X,

使：

Y^* \approx F \left( X, \Gamma_X, E, H \right),

其中 $E$ 表示環境， $H$ 表示歷史路徑與訓練經歷。

本文特別提出「變量影響域」（Variable Influence Domain, VID），避免把能力研究退化為人格特質清單。某個變量的研究重點不是「它是否存在於某位高手身上」，而是：

\mathcal I(x_i) = \text{該變量可系統性改變的能力結果集合}.

本文進一步區分觀測特徵、生成因素、必要條件、充分條件、放大器、瓶頸、替代路徑與歷史偶然，並提出一組適合 AI Agent 實驗的能力變量族：知識覆蓋、表徵、策略生成、判斷、世界建模、時間尺度、執行、學習、協調與邊界重構。

本文的核心目的不是建立「成功人士十大特質」，而是為後續 AI 能力實驗建立一個可解構、可干預與可編譯的能力變量母體。歷史人物在本文中不是神話對象，而是極端能力的觀測樣本。真正的研究問題是：

\boxed{ \text{What generates exceptional capability?} }

以及：

\boxed{ \text{Which variables can be altered to reproduce or exceed the observed capability domain?} }

關鍵詞

極端能力；天才；能力生成；變量影響域；認知解構；高尾端表現；AI Agent；能力科學；策略生成；可干預模型

1. 「天才」是結果標籤，不是生成機制

我們經常說：

某人是天才。

或：

某人具有卓越戰略能力。

這些句子在社會語言中有用。

但若研究目標是解釋：

為什麼這個人能反覆產生其他人難以產生的高品質結果？

那麼：

\text{Genius}

幾乎沒有提供足夠資訊。

若形式化為：

Y^* = F(\text{Genius}),

其實只是把待解釋現象重新命名。

因此本文首先提出：

\boxed{ \text{Label} \neq \text{Mechanism}. }

「天才」可以是分類標籤，但不能自動成為能力生成變量。

2. 從人物研究轉向反問題

傳統人物研究常問：

他做過什麼？

或：

他有哪些特質？

本文轉向反問題：

\boxed{ \text{Given an observed extreme capability, what latent variable structure could generate it?} }

設高尾端能力表現為：

Y^*.

我們不直接把人物名稱當作自變量。

而是建立：

X= \{x_1,x_2,\ldots,x_n\}.

然後尋找：

Y^* \approx F \left( X, \Gamma_X, E, H \right).

其中：

$X$ ：能力候選變量；
$\Gamma_X$ ：變量之間的交互與耦合；
$E$ ：外部環境；
$H$ ：歷史、訓練與路徑。

人物：

P

只是提供觀測：

P \rightarrow \mathcal O(P).

真正研究的，是：

\mathcal O(P) \rightarrow X.

3. 歷史人物是樣本，不是公式

假設：

P_1

代表某位歷史軍事家，

P_2

代表某位數學家，

P_3

代表某位工程師，

P_4

代表某位企業家。

傳統敘事容易寫：

P_i \rightarrow \text{exceptional person}.

本文改成：

P_i \rightarrow \text{observed capability trace}.

我們真正關心：

決策速度；
表徵品質；
問題壓縮；
策略生成；
誤差修正；
學習速度；
跨域轉移；
長短期切換；
執行一致性；
協調能力。

因此人物名稱只是一個索引。

一旦變量抽取完成：

P_i

理論上可以從模型中消失。

4. 高尾端能力不等於高平均能力

能力研究常犯另一個錯誤：

\text{high mean performance} \approx \text{extreme capability}.

兩者不同。

一個主體可能在大量一般任務中表現很好：

\mathbb E[Y] \gg \text{population mean},

但不一定具有在極端情境下產生新解的能力。

反之，一個主體可能平均表現普通，卻在特定高維問題上產生：

Y_{\mathrm{tail}}

極端高值。

因此要區分：

\boxed{ \text{General High Performance} \neq \text{Tail Capability}. }

本文研究的主要對象是後者。

5. 能力不是單一標量

若寫：

C_i = 87,

這種單一分數通常隱藏太多資訊。

更合理的是：

\mathbf C_i = (c_1,c_2,\ldots,c_m).

例如：

\mathbf C_i = ( K,R,G,J,M,T,E,L,C,B ).

其中：

$K$ ：Knowledge Coverage；
$R$ ：Representation；
$G$ ：Generation；
$J$ ：Judgment；
$M$ ：Modeling；
$T$ ：Temporal Capacity；
$E$ ：Execution；
$L$ ：Learning；
$C$ ：Coordination；
$B$ ：Boundary / Meta-game Capacity。

這不是最終變量集合，而是一組第一輪候選基。

6. 變量一：知識覆蓋 $K$

知識不能只用：

|\mathcal K|

表示。

更合理地：

K = (D,L_k,C_k,F_k,U_k).

其中：

$D$ ：domain coverage；
$L_k$ ：領域深度；
$C_k$ ：跨領域連接密度；
$F_k$ ：跨域映射能力；
$U_k$ ：知識更新速度。

因此兩個主體即使：

|\mathcal K_A| \approx |\mathcal K_B|,

若：

C_k^A \gg C_k^B,

則其可生成的新結構可能非常不同。

所以：

\boxed{ \text{Knowing more} \neq \text{being able to generate more from what is known}. }

7. 變量二：表徵能力 $R$

表徵能力不是記憶量。

它是把複雜世界壓成可運算結構的能力。

可寫成：

R: \mathcal W \rightarrow Z,

其中：

Z

是內部工作表徵。

高品質表徵應同時保留：

決策相關資訊；
關係；
約束；
不確定性；
可操作結構。

若壓縮過度：

I(Z;\mathcal W_{\mathrm{relevant}}) \downarrow.

若壓縮不足：

C_{\mathrm{computation}} \uparrow.

因此高表徵能力是一個：

\boxed{ \text{useful compression problem}. }

8. 變量三：策略生成 $G$

策略生成能力表示：

G: S_t \rightarrow \mathcal A_t^{candidate}.

低生成能力主體可能得到：

\mathcal A_t^{candidate} = \{a_1,a_2\}.

高生成能力主體可能得到：

\mathcal A_t^{candidate} = \{a_1,a_2,\ldots,a_n\}.

真正重要的不是：

n

越大越好。

而是：

\text{valid novelty}

的比例。

所以可以定義：

G_{\mathrm{eff}} = \frac{ |\text{novel useful candidates}| }{ |\text{generated candidates}| }.

這與單純「想很多」不同。

9. 變量四：判斷 $J$

如果生成能力：

G

很高，

但判斷能力：

J

很低，

系統可能只會得到大量噪音。

所以：

G \gg0

不代表：

Y^*

提高。

判斷能力可寫成：

J: \mathcal A^{candidate} \rightarrow \operatorname{Rank} \left( \mathcal A^{candidate} \right).

它包含：

可行性；
風險；
成本；
時機；
反事實；
二階後果；
不確定性；
錯誤淘汰。

因此：

\boxed{ \text{Creativity without discrimination can collapse into noise}. }

10. 變量五：世界建模 $M$

世界建模表示：

M_t = \hat{\mathcal W}_t.

高品質模型不只是知道當下狀態。

還要表示：

因果；
玩家；
可能行動；
約束；
資訊不完整；
對手反應；
時間變化。

因此：

M

直接影響：

G

與：

J.

如果世界模型錯：

\epsilon_M \uparrow,

那麼即使生成與判斷很強，也可能在錯誤世界中最佳化。

11. 變量六：時間尺度 $T$

很多高手不是單純「想得更多」。

而是能同時保持：

T_{short}, T_{mid}, T_{long}.

並且切換。

因此：

T = ( \text{Horizon}, \text{Switch}, \text{Discount}, \text{Timing} ).

其中：

Horizon：可維持的規劃長度；
Switch：時間尺度切換速度；
Discount：短期與長期權衡；
Timing：行動時點判斷。

高尾端策略常來自：

\boxed{ \text{knowing when a locally bad move is globally good}. }

12. 變量七：執行 $E$

能力研究常高估「想到」。

但：

\text{Idea} \neq \text{Outcome}.

執行可以寫成：

E: a^{planned} \rightarrow a^{realized}.

定義執行偏差：

\epsilon_E = d \left( a^{planned}, a^{realized} \right).

極端能力有時不是因為策略更新穎，而是：

\epsilon_E \ll \text{population baseline}.

所以：

\boxed{ \text{execution precision can itself generate tail performance}. }

13. 變量八：學習與適應 $L$

學習不是單純記住新資訊。

更重要的是：

L: (M_t,\epsilon_t) \rightarrow M_{t+1}.

也就是：

誤差進來後，系統如何修改模型？

可定義學習速度：

v_L = \frac{ \Delta \text{performance} }{ \Delta \text{experience} }.

以及錯誤黏著：

H_{\mathrm{error}} = \text{an error survives how many update cycles}.

高適應能力意味著：

H_{\mathrm{error}} \downarrow.

14. 變量九：協調 $C$

極端能力不一定來自個人。

可以來自：

\text{team topology}.

因此：

C

表示：

分工；
通訊；
信任；
指揮；
任務路由；
衝突解決；
知識整合；
執行同步。

一個中等個體集合：

\{A_1,\ldots,A_n\}

經高品質協調後，可能形成：

C_{\mathrm{team}} \gg \max_i C_{A_i}.

因此：

\boxed{ \text{Exceptional capability can be collective}. }

15. 變量十：邊界／超博弈能力 $B$

這是與 HGCB 與《無界策》直接連接的變量。

B

不是「會換規則」而已。

它表示：

主體是否會懷疑目前的問題定義、行動集合、玩家集合、目標、尺度與規則是不是被錯誤閉合？

形式上：

B: \mathcal G \rightarrow \{\mathcal G'_1,\ldots,\mathcal G'_k\}.

如果：

B=0,

主體只能：

\operatorname{Solve}(G).

若：

B>0,

主體還能：

\operatorname{Audit}(G),

\operatorname{Repair}(G).

因此：

\boxed{ B = \text{ability to question the recognized game-space}. }

16. 這十個變量不是獨立的

若能力只是：

C = K+R+G+J+M+T+E+L+C+B,

模型太簡單。

真正重要的可能是：

X_iX_j

與：

X_iX_jX_k.

例如：

G\times J

代表生成與判斷耦合。

K\times G

代表知識如何進入生成。

M\times T

代表長短期模型能力。

B\times G\times J

可能接近：

發現舊問題有錯，生成新問題空間，再判斷哪個新空間值得採用。

因此更合理是：

Y = F \left( X, X\otimes X, X\otimes X\otimes X, E, H \right).

17. 變量影響域

本文提出核心概念：

\boxed{ \text{Variable Influence Domain} }

簡稱：

VID.

對變量：

x_i,

定義其影響域：

\mathcal I(x_i)

為：

在其他條件可控或可估計時，改變 $x_i$ 能穩定造成可觀測差異的能力結果集合。

例如：

\mathcal I(G) = \{ \text{option diversity}, \text{novelty}, \text{escape from local optimum} \}.

而：

\mathcal I(J) = \{ \text{error rejection}, \text{risk calibration}, \text{candidate ranking} \}.

真正重要的是：

\mathcal I(G) \cap \mathcal I(J).

這表示：

某些能力只有多個變量共同存在才會出現。

18. 變量影響域不是人格特質清單

人格清單常寫：

勇敢；
專注；
有創意；
自律；
有領導力。

這些詞可能有意義，但缺乏操作性。

VID 要求至少回答：

這個變量如何觀測？
如何干預？
改變後影響哪些結果？
是否有交互項？
是否跨任務有效？
是否存在替代路徑？
是否只是結果伴隨特徵？

因此：

\boxed{ \text{Trait List} \neq \text{Causal Capability Model}. }

19. 七種變量角色必須區分

本文提出能力變量至少可分為七類。

19.1 觀測特徵

x_{\mathrm{obs}}

只是與高表現同時出現。

不保證具有因果作用。

19.2 生成因素

x_{\mathrm{gen}}

改變它會改變能力生成。

19.3 必要條件

x_{\mathrm{nec}}.

若缺少：

x_{\mathrm{nec}}=0,

則目標能力無法實現。

19.4 充分條件

x_{\mathrm{suf}}.

在指定條件集合下，存在它足以生成目標能力。

19.5 放大器

x_{\mathrm{amp}}.

本身不生成能力，但提高既有能力收益。

19.6 瓶頸

x_{\mathrm{bottleneck}}.

其他變量再高，若它不足，整體能力仍受限。

19.7 歷史偶然

x_{\mathrm{accident}}.

它存在於某個成功案例中，但換一條路徑可能完全不需要。

20. 不能從「存在於高手」推出「必要」

若觀察：

x_i(P^*)=1

且：

Y(P^*)=Y^*,

只能得到：

x_i

與：

Y^*

在該案例共同出現。

不能推出：

x_i \Rightarrow Y^*.

更不能推出：

x_i \text{ is necessary}.

所以必須保留：

\boxed{ \text{Observed} \neq \text{Necessary} \neq \text{Sufficient} \neq \text{Unique}. }

這與 RCIG 最近的核心分離完全一致。

21. 替代生成路徑

假設能力：

Y^*

可以由：

X_A

生成。

不能推出：

X_A

是唯一生成基。

完全可能：

X_A \neq X_B

但：

F(X_A) \approx Y^*,

以及：

F(X_B) \approx Y^*.

因此定義：

\boxed{ \mathcal P(Y^*) = \{X: F(X)\in\mathcal C(Y^*)\}. }

其中：

\mathcal P(Y^*)

是能力 $Y^*$ 的生成路徑集合。

真正研究的不是：

哪個人怎麼做到？

而是：

有多少不同變量配置都能進入同一能力域？

22. 歷史案例的因果識別限制

歷史人物不是乾淨實驗。

我們通常無法：

控制出生環境；
控制教育；
控制戰爭；
控制時代；
控制資源；
控制政治制度；
重複同一生命。

因此：

P_{\mathrm{historical}}

主要提供：

\text{hypothesis-generating evidence}.

不是：

\text{clean causal proof}.

這也是為什麼 AI 模擬與人工遊戲實驗變得重要。

23. 從傳記敘事轉為可干預模型

真正工程化需要：

do(x_i=v).

也就是：

如果把某個變量調高／調低，能力結果是否改變？

例如：

Y \mid do(G=g_1)

與：

Y \mid do(G=g_2).

若差異穩定：

\Delta Y \neq 0,

則才有更強理由認為：

G

是生成因素。

因此能力科學最終應從：

\text{observation}

走向：

\boxed{ \text{intervention}. }

24. 為什麼 AI 特別適合這個問題

對人類：

do(G=g_1)

通常很難乾淨實現。

但對 AI Agent，可以：

改搜索寬度；
改記憶架構；
改規劃長度；
改 evaluator；
改 world model；
改 reflection policy；
改工具權限；
改跨域知識；
改 opponent model；
改多 Agent 協調結構。

因此 AI 允許：

\boxed{ \text{capability ablation}. }

這是人類研究很難得到的實驗自由度。

25. 能力消融

建立基準 Agent：

A_0.

加入變量：

x_i.

得到：

A_i = A_0+x_i.

比較：

\Delta Y_i = Y(A_i)-Y(A_0).

再加入：

x_i+x_j.

比較：

\Delta Y_{ij}.

若：

\Delta Y_{ij} > \Delta Y_i+\Delta Y_j,

說明存在正交互作用。

若：

\Delta Y_{ij} < \Delta Y_i+\Delta Y_j,

可能有冗餘或衝突。

26. 能力梯度

本文不把能力只分成：

\text{normal}

與：

\text{genius}.

更合理是：

\mathcal C_0 \rightarrow \mathcal C_1 \rightarrow \cdots \rightarrow \mathcal C_k.

每一層表示不同能力域。

例如：

能執行；
能穩定執行；
能適應；
能生成替代方案；
能發現模型錯誤；
能重構問題；
能跨領域轉移；
能創造新工具；
能改寫自身能力結構。

因此：

\boxed{ \text{exceptional capability is better modeled as region entry than as a binary trait}. }

27. 高尾端能力可以是吸引域

能力不是永遠需要每次重新從零建立。

成功可能造成：

\text{better information} \rightarrow \text{better model} \rightarrow \text{better decisions} \rightarrow \text{better feedback} \rightarrow \text{better learning}.

形成：

\mathcal C_t \rightarrow \mathcal C_{t+1} \rightarrow \mathcal C_{t+2}.

因此某些高能力配置可能形成：

\boxed{ \text{Capability Attractor}. }

一旦進入，系統能透過正回饋維持或擴張能力。

28. 反過來也有能力崩潰域

若：

\text{bad model} \rightarrow \text{bad decision} \rightarrow \text{bad feedback} \rightarrow \text{defensive belief} \rightarrow \text{worse model},

則可能形成：

\boxed{ \text{Capability Collapse Basin}. }

所以研究極端能力不應只看：

X_t.

還要看：

\frac{dX}{dt}.

也就是能力配置正在往哪個域移動。

29. 高尾端能力與運氣必須分離

單次成功：

Y_t^*

可能來自：

\text{Luck}.

但若一個主體在不同環境反覆產生：

Y_1^*,Y_2^*,\ldots,Y_n^*,

則應研究是否存在：

\Theta

使：

P(Y^*\mid\Theta) \gg P(Y^*).

這不是否定概率。

而是：

\boxed{ \text{condition on the agent structure}. }

真正問題不是：

這種成功本來概率多少？

而是：

對具有某種能力變量組合的主體而言，成功概率是否被系統性改變？

30. IID 假設常不適用於持續高手

若每一場完全獨立：

P(W_t)=p,

則：

P(k\text{ wins}) = p^k.

但真實高手可能有：

M_{t+1} = L(M_t,\epsilon_t).

所以：

P(W_{t+1}\mid W_t,M_{t+1})

不等於：

P(W_{t+1}).

成功與失敗會改變 Agent。

因此：

\boxed{ \text{Repeated excellence is a dynamic process, not necessarily repeated identical draws}. }

31. 尾端可行性域

本文定義：

\boxed{ \mathcal F_{\mathrm{tail}}(S,X) }

表示：

在狀態 $S$ 下，對具有能力配置 $X$ 的高尾端行動者而言可發現且可執行的策略集合。

一般主體：

\mathcal F_{\mathrm{normal}}.

高尾端主體：

\mathcal F_{\mathrm{tail}}.

可能有：

\mathcal F_{\mathrm{normal}} \subsetneq \mathcal F_{\mathrm{tail}} \subseteq \mathcal F_{\mathrm{physical}}.

這表示：

世界客觀允許的解，比一般行動者能看見的解更多。

32. 已知、可發現與物理可行

進一步區分：

\mathcal F_{\mathrm{known}}

為當前已知解；

\mathcal F_{\mathrm{discoverable}}(X)

為給定能力配置可發現的解；

\mathcal F_{\mathrm{physical}}

為世界真正允許的全部解。

因此：

\mathcal F_{\mathrm{known}} \subseteq \mathcal F_{\mathrm{discoverable}}(X) \subseteq \mathcal F_{\mathrm{physical}}.

高尾端能力研究的核心之一就是擴張：

\mathcal F_{\mathrm{discoverable}}(X).

33. 「成為某位歷史天才」不是最佳研究目標

若目標寫成：

\text{Become Napoleon},

或：

\text{Become von Neumann},

模型容易退化成模仿。

本文認為更合理的是：

\boxed{ \text{Reach or exceed a target capability region}. }

設目標能力域：

\mathcal C^*.

尋找：

X

使：

F(X) \in \mathcal C^*.

歷史人物只負責幫助定義：

\mathcal C^*.

34. 能力生成問題

本文定義：

\boxed{ \text{Capability Generation Problem} }

給定目標能力域：

\mathcal C^*,

尋找變量集合：

X

使：

\mathcal R(X) \cap \mathcal C^* \neq \varnothing.

其中：

\mathcal R(X)

表示由配置 $X$ 可生成的能力結果集合。

35. 最小生成變量問題

更進一步：

\boxed{ X^* = \arg\min_X |X| }

subject to：

\mathcal R(X) \cap \mathcal C^* \neq \varnothing.

這就是：

\boxed{ \text{Minimum Capability Generating Basis}. }

下一篇 ECGC-02 將直接處理：

有限個核心生成變量是否足以產生近乎無界的能力配置？

36. 變量影響域的實驗模板

對每個：

x_i,

建立：

VID_i = ( D_i, M_i, E_i, C_i, T_i ).

其中：

$D_i$ ：主要影響 domain；
$M_i$ ：可觀測 metric；
$E_i$ ：effect size；
$C_i$ ：交互變量；
$T_i$ ：時間尺度。

例如：

VID_G

可記錄：

候選數；
新穎度；
可行率；
新策略發現率；
與 $J$ 的交互效應。

37. 能力變量不應只有「提高」

某些變量過高可能造成負效應。

例如：

G \uparrow

可能提高新穎度，

但若：

J

不足，

則：

\text{noise} \uparrow.

同樣：

B \uparrow

可能提高超博弈能力，

但過高可能導致：

\text{meta-analysis paralysis}.

因此：

Y = F(X)

不必單調。

能力工程不能假設：

x_i \uparrow \Rightarrow Y \uparrow.

38. 變量也可能互相替代

若：

K

較低，

但：

G

與：

L

極高，

主體可能透過快速探索補足知識不足。

反之：

K

極高，

可能降低：

G

所需探索成本。

因此：

\boxed{ \text{same capability} \leftarrow \text{different variable configurations}. }

這再次說明：

\text{Unique genius formula}

通常不應作為預設。

39. 能力科學的真正輸出

本文不以：

某人為什麼很厲害？

作為最終輸出。

而是希望得到：

\boxed{ \mathcal M_{\mathrm{capability}} }

其中包含：

變量；
影響域；
交互作用；
瓶頸；
替代路徑；
訓練／干預方式；
可測指標；
能力轉移範圍；
失效條件。

這才是可以交給 AI Agent 使用的形式。

40. 十個核心命題

命題一：標籤非機制

\boxed{ \text{Genius} \neq \text{explanatory variable}. }

命題二：人物樣本化

\boxed{ \text{Historical person} \rightarrow \text{capability trace}. }

命題三：能力向量化

\boxed{ \text{Capability} \neq \text{single scalar}. }

命題四：影響域命題

\boxed{ x_i \rightarrow \mathcal I(x_i). }

命題五：交互優先

\boxed{ Y = F \left( X, X\otimes X, X\otimes X\otimes X \right). }

命題六：觀測非必要

\boxed{ \text{Observed} \neq \text{Necessary} \neq \text{Sufficient} \neq \text{Unique}. }

命題七：歷史案例非乾淨因果實驗

\boxed{ \text{Historical evidence} \rightarrow \text{causal hypotheses}, }

而非自動：

\text{causal proof}.

命題八：能力研究需干預

\boxed{ \text{Capability Science} = \text{Observation} + \text{Intervention}. }

命題九：尾端可行域依賴能力配置

\boxed{ \mathcal F_{\mathrm{discoverable}} = \mathcal F_{\mathrm{discoverable}}(X). }

命題十：能力生成問題

\boxed{ X^* = \arg\min_X |X| \quad \text{s.t.} \quad \mathcal R(X) \cap \mathcal C^* \neq \varnothing. }

41. 與下一篇的接口：為什麼有限變量仍可能產生無界能力

本文先把：

X

從人物標籤中抽出。

但新的問題立刻出現：

如果真正能力空間看起來極大，是否意味著我們需要無限多個基本變量？

未必。

完全可能存在：

|X_{\mathrm{core}}|<\infty,

但：

|\mathcal R(X_{\mathrm{core}})|

持續擴張。

原因可能來自：

組合；
遞迴；
自我修改；
學習；
跨域映射；
環境交互；
歷史依賴。

這就是 ECGC-02 的核心。

42. 結論

「天才」是一個方便的人類標籤。

但對能力科學而言：

\boxed{ \text{Genius is not a variable.} }

它不能告訴我們：

怎麼生成；
怎麼訓練；
怎麼測試；
怎麼複製；
怎麼超越；
怎麼知道哪個部分真正重要。

因此本文將研究單位從人物轉為：

X = \{x_1,\ldots,x_n\},

並將研究重點放在：

\mathcal I(x_i),

也就是每個變量真正能改變的能力影響域。

歷史人物因此被重新定位為：

\boxed{ \text{extreme capability fossils}. }

它們提供證據，但不是終點。

真正值得研究的是：

\boxed{ \text{What generates exceptional capability?} }

更進一步：

\boxed{ \text{What variable structures generate capability beyond observed exemplars?} }

這使能力研究從：

\text{biography}

轉向：

\text{generative variable science}.

而 AI Agent 的可控架構、可重複模擬、可消融與可大量分叉，使這個問題第一次有機會被從哲學與人物敘事推入真正的實驗工程。

參考文獻

Chase, W. G., & Simon, H. A. (1973). Perception in Chess. Cognitive Psychology, 4(1), 55-81.
Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). Categorization and Representation of Physics Problems by Experts and Novices. Cognitive Science, 5(2), 121-152.
Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Performance. Psychological Review, 100(3), 363-406.
Ericsson, K. A., & Pool, R. (2016). Peak: Secrets from the New Science of Expertise. Houghton Mifflin Harcourt.
Gigerenzer, G., & Selten, R. (Eds.). (2001). Bounded Rationality: The Adaptive Toolbox. MIT Press.
Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall.
Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99-118.
Sternberg, R. J. (Ed.). (1999). Handbook of Creativity. Cambridge University Press.
Neo.K with Aletheia. (2026). HGCB Series: Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness. EveMissLab.
Neo.K. (2026). 《無界策：源點》. EveMissLab working manuscript.

附錄 A：第一輪能力變量模板

capability_variable:
  id:
  name:
  type:
    - observed_feature
    - generator
    - necessary
    - sufficient
    - amplifier
    - bottleneck
    - historical_accident

  intervention:
  observable_metrics:
  influence_domains:
  interaction_variables:
  task_transfer:
  failure_modes:
  time_scale:
  confidence:

附錄 B：歷史人物解構模板

exemplar:
  name:
  domain:
  observed_extreme_outcomes:
  repeatability:
  environmental_advantages:
  historical_constraints:
  candidate_variables:
  alternative_explanations:
  confounders:
  transferable_mechanisms:
  non_transferable_context:

附錄 C：一句話版本

不要把「天才」當成答案；把它當成一個需要被逆向工程的高尾端能力現象。

天才不是變量：從高尾端表現到能力生成變量與影響域

天才不是變量：從高尾端表現到能力生成變量與影響域

Genius Is Not a Variable: From Extreme Performance to Capability-Generating Variables and Influence Domains

摘要

關鍵詞

1. 「天才」是結果標籤，不是生成機制

2. 從人物研究轉向反問題

3. 歷史人物是樣本，不是公式

4. 高尾端能力不等於高平均能力

5. 能力不是單一標量

6. 變量一：知識覆蓋 KKK

7. 變量二：表徵能力 RRR

8. 變量三：策略生成 GGG

9. 變量四：判斷 JJJ

10. 變量五：世界建模 MMM

11. 變量六：時間尺度 TTT

12. 變量七：執行 EEE

13. 變量八：學習與適應 LLL

14. 變量九：協調 CCC

15. 變量十：邊界／超博弈能力 BBB

16. 這十個變量不是獨立的

17. 變量影響域

18. 變量影響域不是人格特質清單

19. 七種變量角色必須區分

19.1 觀測特徵

19.2 生成因素

19.3 必要條件

19.4 充分條件

19.5 放大器

19.6 瓶頸

19.7 歷史偶然

20. 不能從「存在於高手」推出「必要」

21. 替代生成路徑

22. 歷史案例的因果識別限制

23. 從傳記敘事轉為可干預模型

24. 為什麼 AI 特別適合這個問題

25. 能力消融

26. 能力梯度

27. 高尾端能力可以是吸引域

28. 反過來也有能力崩潰域

29. 高尾端能力與運氣必須分離

30. IID 假設常不適用於持續高手

31. 尾端可行性域

32. 已知、可發現與物理可行

33. 「成為某位歷史天才」不是最佳研究目標

34. 能力生成問題

35. 最小生成變量問題

36. 變量影響域的實驗模板

37. 能力變量不應只有「提高」

38. 變量也可能互相替代

39. 能力科學的真正輸出

40. 十個核心命題

命題一：標籤非機制

命題二：人物樣本化

命題三：能力向量化

命題四：影響域命題

命題五：交互優先

命題六：觀測非必要

命題七：歷史案例非乾淨因果實驗

命題八：能力研究需干預

命題九：尾端可行域依賴能力配置

命題十：能力生成問題

41. 與下一篇的接口：為什麼有限變量仍可能產生無界能力

42. 結論

參考文獻

附錄 A：第一輪能力變量模板

附錄 B：歷史人物解構模板

附錄 C：一句話版本

6. 變量一：知識覆蓋 $K$

7. 變量二：表徵能力 $R$

8. 變量三：策略生成 $G$

9. 變量四：判斷 $J$

10. 變量五：世界建模 $M$

11. 變量六：時間尺度 $T$

12. 變量七：執行 $E$

13. 變量八：學習與適應 $L$

14. 變量九：協調 $C$

15. 變量十：邊界／超博弈能力 $B$