能力編譯：從人類極端案例到可執行 AI 算子族

Capability Compilation: From Extreme Human Cases to Executable AI Operator Families

系列：極端能力生成、變量影響域與 AI 能力編譯，第 3 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-2026-03-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 Compilation／Agent Architecture／Operator Engineering／Experimental AI／Capability Transfer
狀態：Public Theory Draft
直接前置：ECGC-01《天才不是變量》；ECGC-02《有限生成基與無界能力空間》；HGCB Series；《無界策：源點》
系列狀態：ECGC Series Complete
後續接口：Agent Game／Player-Equivalent Interface／Controlled World-Model Laboratory 系列

摘要

如果極端能力可以被拆成能力變量、影響域、生成基與算子結構，那麼最重要的下一步不是再寫一篇人物分析，而是把這些結構轉成 AI Agent 可以真正執行、消融、比較與重組的形式。本文提出「能力編譯」（Capability Compilation）概念：將人類歷史案例、專家行為、AI 高品質軌跡與跨領域能力現象，從敘事層逆向工程為可執行能力算子，再將算子編譯到 Agent 的觀察、表徵、策略生成、判斷、世界模型、規劃、學習、協調與超博弈模組中。

本文將能力編譯器表示為：

\mathcal K_{\mathrm{cap}} : \left( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T \right) \rightarrow \mathcal A_{\mathrm{exec}},

其中 $\mathcal E$ 為能力證據， $X$ 為候選變量， $\Gamma_X$ 為交互結構， $\mathcal O$ 為生成算子， $\mathcal T$ 為目標任務族，而 $\mathcal A_{\mathrm{exec}}$ 為可載入 Agent 的執行結構。

本文特別區分「模仿人物」與「編譯能力」：

\boxed{ \text{Persona Imitation} \neq \text{Capability Compilation}. }

前者試圖讓 AI 看起來像某人；後者則試圖辨識什麼機制讓某類高尾端表現得以出現，再將機制抽象化、去人物化、可測化與可組合化。人物名稱應在編譯後逐步消失，只保留可以被驗證的能力結構。

本文建立七層能力編譯管線：Evidence Extraction、Variable Decomposition、Mechanism Inference、Operator Formalization、Runtime Binding、Experimental Evaluation、Recompilation。並提出 Capability IR（能力中介表示）、Operator Contract、Capability Package、Ablation Matrix、Cross-Domain Transfer Test 與 Capability Provenance 等工程概念。

本文最終主張：人類歷史與專家案例不應只被 AI 當作知識文本，而可以被當成「能力化石」來逆向工程；真正高階的 AI 能力研究，應從「模型知道某位天才是誰」推進到「模型能否抽出、編譯、測試並超越支撐該能力的生成機制」。

關鍵詞

能力編譯；AI Agent；算子族；極端能力；能力中介表示；能力包；消融實驗；世界模型；能力遷移；人工能力設計

1. 從「知道天才」到「編譯能力」

人類文明留下大量關於：

軍事家；
數學家；
科學家；
工程師；
藝術家；
企業家；
組織；
團隊；

的歷史資料。

AI 可以回答：

某個人做過什麼？

甚至可以回答：

為什麼他被認為很厲害？

但這仍然主要是：

\boxed{ \text{Knowledge Retrieval}. }

本文研究更強的問題：

\boxed{ \text{Can the capability-generating structure be reconstructed and executed?} }

也就是：

能不能把「他為什麼能做到」抽成 AI 可用的能力結構？

2. Persona Imitation 不是 Capability Compilation

假設要研究某位極端案例：

P.

最容易做的是 Prompt：

你現在扮演 $P$ ，用他的思考方式回答。

這是：

\boxed{ \text{Persona Imitation}. }

它可能產生文風、語氣、知識背景與角色一致性。

但不代表：

\text{Mechanism}(P)

真的被重建。

因此：

\boxed{ \text{Behavioral resemblance} \not\Rightarrow \text{capability equivalence}. }

能力編譯追求的是：

P \rightarrow X \rightarrow \Gamma_X \rightarrow \mathcal O \rightarrow \text{Agent}.

不是：

P \rightarrow \text{Prompt}(P).

3. 人物最終應該從能力模型中消失

如果能力模型完成後仍然必須寫：

\text{Napoleon Mode}=1,

那代表抽象化仍然不足。

理想狀態是：

P \rightarrow \mathcal E(P) \rightarrow X_P \rightarrow \mathcal O_P.

然後：

\mathcal O_P

被重命名為其功能。

例如：

O_{\mathrm{multi-horizon}},

O_{\mathrm{opponent-model}},

O_{\mathrm{option-generation}},

O_{\mathrm{initiative-preservation}}.

人物只保留在：

\boxed{ \text{provenance}. }

而不保留在 runtime 本體中。

4. 能力證據層

定義能力證據集合：

\mathcal E = \{ e_1,e_2,\ldots,e_n \}.

證據可能包括：

歷史決策紀錄；
作品；
對局；
失敗案例；
專家訪談；
實驗；
行為軌跡；
AI reasoning trace 的可公開結構摘要；
任務表現；
多次重複結果。

能力編譯的第一步不是直接抽象。

而是：

\boxed{ \text{evidence normalization}. }

5. 證據必須包含成功與失敗

只研究：

\mathcal E_{\mathrm{success}}

會產生 survivor bias。

因此：

\mathcal E = \mathcal E_{\mathrm{success}} \cup \mathcal E_{\mathrm{failure}} \cup \mathcal E_{\mathrm{neutral}}.

如果某個候選機制只在成功案例中被敘事提到，但在失敗時也大量存在，則：

P(Y^*\mid x)

可能沒有想像中高。

因此能力編譯不是英雄敘事。

它需要：

\boxed{ \text{contrastive evidence}. }

6. 第一層：Evidence Extraction

能力編譯第一層：

\mathcal E \rightarrow \mathcal E'.

目標是從敘事中抽出：

狀態；
可見資訊；
行動；
時間；
資源；
對手；
替代方案；
結果；
後續修正；
不確定性。

所以一段：

他果斷抓住時機。

應被展開成：

( S_t, I_t, A_t, t_{\mathrm{decision}}, a_t, Y_t ).

只有如此才能後續比較。

7. 第二層：Variable Decomposition

接著：

\mathcal E' \rightarrow X.

利用 ECGC-01 的候選變量：

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

但不要求每個案例都使用全部變量。

應得到：

X_P \subseteq X_{\mathrm{global}}.

並標記：

evidence strength；
confounders；
alternative explanations；
transfer confidence。

8. 第三層：Mechanism Inference

變量存在不代表知道機制。

例如：

G

高。

仍需知道：

它如何產生高品質候選？

所以建立：

\Gamma_X.

例如：

K \rightarrow R \rightarrow G \rightarrow J \rightarrow E.

或者：

M \leftrightarrow G.

或：

B \rightarrow \mathcal G' \rightarrow G'.

因此：

\boxed{ \text{Capability Model} = \text{Variables} + \text{Relations} + \text{Update Rules}. }

9. 第四層：Operator Formalization

當機制足夠穩定，將其抽成算子：

O_i.

算子不是人格敘事。

它需要最少包含：

O_i = ( \text{Input}, \text{State}, \text{Transform}, \text{Output}, \text{Constraints}, \text{Metrics} ).

10. Operator Contract

本文提出：

\boxed{ \text{Operator Contract}. }

每個能力算子應定義：

Input

它需要哪些輸入？

Preconditions

什麼條件下可啟動？

Internal State

是否需要記憶？

Transform

它做什麼轉換？

Output

輸出什麼？

Cost

token、時間、算力、工具成本。

Risks

可能造成什麼錯誤？

Metrics

如何知道它有效？

因此：

O

才能真正被 Agent runtime 調用。

11. 一個簡單的策略生成算子

例如：

O_{\mathrm{generate}}.

Input：

(S_t,M_t,K_t).

Output：

\mathcal A_t^{\mathrm{candidate}}.

但 contract 還需要：

|\mathcal A_t^{\mathrm{candidate}}| \leq B_A.

其中：

B_A

是候選預算。

再要求：

\text{Novelty}(a_i) > \theta_N

對至少部分候選成立。

這樣才不是「請多想幾個」。

12. 世界模型算子

O_{\mathrm{world-model}} : (O_{0:t},M_{t-1}) \rightarrow \hat S_t.

可包含：

entity state；
uncertainty；
causal relation；
opponent estimate；
missing information；
confidence。

再由：

O_{\mathrm{forecast}}

產生：

\widehat S_{t+1:t+k}.

這樣世界模型能力才能被獨立消融。

13. 超博弈審查算子

從 HGCB 直接轉入：

O_{\mathrm{hyperaudit}} : \mathcal G_t \rightarrow \{ \mathcal G_t, \mathcal G_t', \ldots \}.

它檢查：

玩家漏列；
行動漏列；
規則可變；
效用錯置；
時間尺度錯置；
耦合遊戲；
觀察者盲區。

但要有啟動條件。

例如：

\mathrm{ResidualError}>\theta_R

或：

\mathrm{NoveltyShock}>\theta_N.

否則每一步都做超博弈審查會過度昂貴。

14. 第五層：Capability IR

不同 Agent 架構不應直接綁死在某個模型 API。

因此本文提出：

\boxed{ \text{Capability Intermediate Representation} }

簡稱：

\text{Capability IR}.

它是一個模型無關層。

例如：

capability_ir:
  capability_id: strategic_option_generation
  version: 0.1

  variables:
    generation: high
    judgment: required
    world_model: required

  operator:
    input:
      - current_state
      - uncertainty_map
      - task_goal
    output:
      - candidate_actions

  constraints:
    candidate_budget: 8
    must_include_nondefault: true

  evaluation:
    - novelty
    - feasibility
    - downstream_value

Capability IR 再由不同 runtime 編譯。

15. Capability IR 的目的

它讓：

\text{capability}

不等於：

\text{prompt text}.

而是成為：

\boxed{ \text{portable behavioral-computational specification}. }

這樣同一能力可以被編譯到：

LLM Agent；
RL Agent；
hybrid symbolic Agent；
multi-agent system；
game bot；
simulation Agent。

16. 第六層：Runtime Binding

Capability IR 需要綁定具體 runtime。

定義：

\mathcal B_r : IR \rightarrow Runtime_r.

例如對 LLM Agent：

IR \rightarrow ( \text{Prompt}, \text{Memory}, \text{Tools}, \text{Loop}, \text{Evaluator} ).

對 RL Agent：

IR \rightarrow ( \text{Observation}, \text{PolicyHead}, \text{AuxiliaryLoss}, \text{Memory}, \text{Reward} ).

對 hybrid Agent：

IR \rightarrow ( \text{Planner}, \text{Rules}, \text{Search}, \text{Model}, LLM ).

因此：

\boxed{ \text{same capability specification} \rightarrow \text{multiple implementations}. }

17. Capability Package

多個算子可以組成：

\boxed{ \text{Capability Package}. }

記為：

CP = \{ O_1,O_2,\ldots,O_k \}.

例如「高階策略包」可能包含：

CP_{\mathrm{strategy}} = \{ O_{\mathrm{world-model}}, O_{\mathrm{generate}}, O_{\mathrm{judge}}, O_{\mathrm{opponent-model}}, O_{\mathrm{hyperaudit}} \}.

但：

CP

不是越大越好。

需要考慮：

\operatorname{Cost}(CP).

18. 編譯目標不能是「最大能力」

能力編譯應明確指定：

\mathcal T.

即目標任務族。

因為：

CP^*_{\mathcal T_1}

未必適合：

\mathcal T_2.

所以：

\boxed{ CP^* = \arg\max_{CP} \left[ V(CP,\mathcal T) - \lambda \operatorname{Cost}(CP) \right]. }

能力編譯是有成本約束的工程。

19. 第七層：Experimental Evaluation

算子寫出來不代表能力成立。

必須：

\boxed{ \text{compile} \rightarrow \text{run} \rightarrow \text{measure}. }

至少比較：

A_0

baseline，

A_i=A_0+O_i,

以及：

A_{ij}=A_0+O_i+O_j.

20. Ablation Matrix

本文提出：

\boxed{ \text{Ablation Matrix}. }

若能力包：

CP = \{O_1,\ldots,O_k\},

測：

Y(CP),

再逐一移除：

Y(CP\setminus\{O_i\}).

定義貢獻：

\Delta_i = Y(CP) - Y(CP\setminus\{O_i\}).

再測交互：

\Delta_{ij}.

這能逐步辨識真正支撐能力的算子。

21. 不應只看勝率或總分

若：

Y

只有一個 benchmark score，

很容易錯過能力結構。

應建立：

\mathbf M = ( M_1,\ldots,M_n ).

例如：

solution quality；
novelty；
robustness；
adaptation；
calibration；
latency；
resource cost；
transfer；
strategy diversity；
error recovery。

因此：

\boxed{ \text{Capability} \neq \text{single benchmark number}. }

22. Cross-Domain Transfer Test

若某算子只在一個環境有用：

O_i

可能只是 heuristic。

真正一般能力需要：

O_i

在：

\mathcal T_1,\mathcal T_2,\ldots,\mathcal T_m

保留部分增益。

定義：

\operatorname{Transfer}(O_i) = \frac{1}{m} \sum_j \Delta Y_{ij}.

再檢查 variance。

如果：

\operatorname{Var}(\Delta Y_{ij})

極高，

則它可能高度域特化。

23. Capability Provenance

任何能力包都應知道：

它為什麼存在？

因此需要：

\boxed{ \text{Capability Provenance}. }

記錄：

原始案例；
抽取證據；
變量假說；
形式化版本；
實驗版本；
成功環境；
失敗環境；
已知限制。

這避免「某個很酷的 Prompt」變成不可追溯傳統。

24. 人類能力只是第一代資料源

Capability Compilation 的資料不必只來自人類。

可以是：

\mathcal E = \mathcal E_H \cup \mathcal E_{AI} \cup \mathcal E_{team} \cup \mathcal E_{synthetic}.

其中：

$\mathcal E_H$ ：人類；
$\mathcal E_{AI}$ ：AI Agent；
$\mathcal E_{team}$ ：人類／AI 團隊；
$\mathcal E_{synthetic}$ ：模擬生成能力樣本。

因此未來能力編譯可能逐漸：

\boxed{ \text{human-seeded} \rightarrow \text{AI-expanded}. }

25. 從能力考古到能力設計

初期是：

\boxed{ \text{Capability Archaeology}. }

也就是逆向既有極端案例。

後期則是：

\boxed{ \text{Capability Design}. }

把來自不同案例的變量與算子重組：

CP^* = \operatorname{Compose} ( O_A, O_B, O_C, \ldots ).

這個能力包可能歷史上從未存在。

26. 人工能力拓撲

假設：

O_A

來自高策略生成案例。

O_B

來自高數學抽象案例。

O_C

來自高工程執行案例。

則：

CP_{\mathrm{synthetic}} = \{ O_A,O_B,O_C \}.

如果三者可兼容，

則可測：

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

也就是歷史上沒有自然出現過的能力配置。

27. 不是所有能力都可直接相加

若：

O_A

需要高探索，

但：

O_B

需要嚴格剪枝，

可能互相衝突。

因此 Capability Package 需要：

\Gamma_O.

即算子關係圖。

可能有：

requires；
conflicts；
amplifies；
substitutes；
gates；
supervises。

所以：

CP

本質上是圖，不是 list。

28. Operator Scheduler

多個算子存在時，需要：

\boxed{ O_{\mathrm{scheduler}}. }

它決定：

O_i

何時啟動。

例如：

O_{\mathrm{hyperaudit}}

只在：

ResidualError>\theta

時開。

O_{\mathrm{deep-plan}}

只在：

DecisionImpact>\theta_D

時開。

這可以避免：

\text{always-on intelligence cost explosion}.

29. 能力不只是模型權重

一個 AI 的能力可以存在於：

\boxed{ \text{Weights} + \text{Context} + \text{Memory} + \text{Tools} + \text{Operators} + \text{Runtime} + \text{Environment}. }

因此 Capability Compilation 不要求所有能力都重新訓練進權重。

有些能力可以透過：

prompt/runtime policy；
external memory；
search；
tool；
evaluator；
orchestration；

實現。

這使實驗成本大幅下降。

30. 能力編譯與訓練的關係

能力編譯不是取代訓練。

而是可以產生：

\boxed{ \text{training targets}. }

例如先用 runtime operator 實現：

O_i.

如果它跨環境穩定有效，

再蒸餾：

O_i \rightarrow \theta'

進模型權重。

因此：

\boxed{ \text{Runtime Prototype} \rightarrow \text{Validation} \rightarrow \text{Distillation}. }

這是一條低風險路徑。

31. 能力編譯與世界模型

如果世界模型：

M

也是可編譯能力，

那麼可以測不同：

M_1,M_2,\ldots.

例如：

state-only；
causal；
opponent-aware；
multi-scale；
game-space-aware。

然後比較：

\Delta Y.

這使「世界模型好不好」不再只是抽象辯論。

32. 能力編譯與遊戲本體論

遊戲環境特別適合 Capability Compilation。

因為遊戲可提供：

S_t, A_t, R_t, Y_t

以及 replay。

如果再限制 AI 只能取得玩家等價資訊，

就能測：

\boxed{ \text{same interface} + \text{different cognitive operators}. }

這會是下一系列的直接入口。

33. 世界模型遊戲實驗

例如固定 Agent interface：

I_{\mathrm{agent}}.

建立：

A_0

baseline，

A_1=A_0+O_{\mathrm{world-model}},

A_2=A_0+O_{\mathrm{opponent-model}},

A_3=A_0+O_{\mathrm{hyperaudit}}.

然後在：

G_1,G_2,\ldots,G_m

測：

\Delta Y.

這就能把 ECGC 從理論轉成可重複實驗。

34. 能力包的版本化

每個：

CP

應有版本：

CP^{v_1}, CP^{v_2}, \ldots

因為能力模型可能錯。

所以必須支援：

\boxed{ \text{rollback}. }

如果：

CP^{v_2}

在某類任務退化，

可回到：

CP^{v_1}.

這與軟體工程非常相似。

35. 能力包不應被神格化

一旦某能力包成功，很容易形成：

這就是最強方法。

但 ECGC-02 已指出：

\text{observed success} \neq \text{unique basis}.

因此每個能力包應保存：

\boxed{ \text{alternative pathway slot}. }

也就是允許：

CP_A \neq CP_B

但兩者都能達到：

\mathcal C^*.

36. 能力過擬合

若能力包在：

G_1

極強，

但：

G_2

崩潰，

則：

CP

可能只是：

\boxed{ \text{environment-specific exploit}. }

因此能力編譯必須測：

unseen map；
unseen opponent；
unseen rules；
unseen domain；
perturbed interface。

37. 對抗測試

能力包也應被對抗測試。

例如：

O_{\mathrm{opponent-model}}

是否容易被：

\text{deception}

欺騙？

O_{\mathrm{hyperaudit}}

是否容易被故意製造的假新奇：

\text{fake novelty}

拖垮？

O_{\mathrm{long-plan}}

是否在高變動環境過度承諾？

因此：

\boxed{ \text{Capability} = \text{strength} + \text{known failure surface}. }

38. 安全與權限邊界

能力編譯若直接連到真實高風險環境，可能產生不必要風險。

因此實驗順序應優先：

\boxed{ \text{Sandbox} \rightarrow \text{Synthetic World} \rightarrow \text{Game} \rightarrow \text{Restricted Real Task}. }

而且能力包應標記：

RiskClass(CP).

高風險操作需要：

tool permission；
rate limit；
human approval；
logging；
rollback。

39. 能力編譯不是人格工程

這點必須再次強調。

如果能力包來自某個人：

P,

不代表要複製：

性格；
政治立場；
身份；
情緒；
道德；
社會背景。

真正應抽取的是：

\boxed{ \text{task-relevant generative mechanism}. }

因此能力編譯必須進行：

\text{de-personalization}.

40. 能力編譯不是成功學

成功學常問：

成功者都做什麼？

Capability Compilation 問：

\boxed{ \text{Which causal-operational structures survive controlled intervention?} }

兩者不同。

如果一個「成功特質」無法：

定義；
干預；
測試；
消融；
遷移；

它不能直接進入正式能力包。

41. 能力編譯器

本文正式定義：

\boxed{ \mathcal K_{\mathrm{cap}} }

為能力編譯器。

其輸入：

( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T ).

輸出：

\mathcal A_{\mathrm{exec}}.

形式上：

\boxed{ \mathcal K_{\mathrm{cap}} : \left( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T \right) \rightarrow \left( IR, CP, \text{Metrics}, \text{Tests}, \text{Provenance} \right). }

42. 能力編譯的完整管線

本文提出七層：

\boxed{ \text{Evidence} \rightarrow \text{Variables} \rightarrow \text{Mechanisms} \rightarrow \text{Operators} \rightarrow \text{IR} \rightarrow \text{Runtime} \rightarrow \text{Experiment}. }

更完整循環：

\boxed{ \text{Observe} \rightarrow \text{Decompose} \rightarrow \text{Infer} \rightarrow \text{Formalize} \rightarrow \text{Compile} \rightarrow \text{Run} \rightarrow \text{Measure} \rightarrow \text{Recompile}. }

這使能力研究成為迭代工程。

43. 自動能力編譯

一旦上述流程成熟，

AI 可以自己執行：

\mathcal K_{\mathrm{cap}}^{AI}.

也就是：

讀取能力案例；
提出變量；
生成算子；
建立 capability package；
在模擬環境測；
做 ablation；
保留有效部分；
重新編譯。

因此：

\boxed{ \text{AI can become a capability scientist of AI itself}. }

44. 能力搜尋空間

若已有算子庫：

\mathcal O_{\mathrm{lib}},

AI 可以搜索：

CP \subseteq \mathcal O_{\mathrm{lib}}.

目標：

CP^* = \arg\max_{CP} V(CP,\mathcal T).

但還可允許：

O_{\mathrm{new}}

生成。

因此：

\boxed{ \text{operator selection} + \text{operator invention}. }

這就進入真正的人工能力設計。

45. 能力超越

「超越歷史案例」不應定義為：

\text{copy better}.

而是：

\boxed{ \mathcal R(CP_{\mathrm{new}}) \supsetneq \mathcal R(CP_{\mathrm{source}}). }

即新能力包具有更大的可達能力域。

可能包括：

更廣 domain transfer；
更低成本；
更快適應；
更穩定；
更高 novelty；
更少失誤。

46. Synthetic Exemplar

一旦新能力包：

CP^*

在大量任務穩定有效，

它本身可以成為下一代：

\boxed{ \text{Synthetic Exemplar}. }

也就是不再需要歷史人物作為源點。

下一輪：

CP^* \rightarrow \mathcal E_{\mathrm{synthetic}} \rightarrow CP^{**}.

這形成：

\boxed{ \text{Capability self-expansion loop}. }

47. 能力演化的停止條件

即使可以不斷搜尋，也需要停止。

例如：

\Delta V < \epsilon

持續：

k

輪，

且：

\text{TransferGain} < \theta_T,

則暫停該分支。

但：

\boxed{ \text{local stop} \neq \text{global closure}. }

這延續 ECGC-02。

48. 能力工程的最小倫理原則

即使本文主要是技術框架，仍需最低約束：

\boxed{ \text{Capability gain} \not\Rightarrow \text{unrestricted deployment}. }

能力可以：

被研究；
被模擬；
被測試；

不代表應直接進入所有真實環境。

因此能力包需要：

\text{scope}, \text{permissions}, \text{risk class}, \text{deployment boundary}.

49. 十二個核心命題

命題一：模仿非編譯

\boxed{ \text{Persona Imitation} \neq \text{Capability Compilation}. }

命題二：人物去本體化

\boxed{ \text{Exemplar} \rightarrow \text{Provenance}, }

而非 runtime 核心。

命題三：能力需要中介表示

\boxed{ \text{Capability} \neq \text{Prompt String}. }

命題四：算子契約命題

\boxed{ O_i = (\text{Input},\text{State},\text{Transform},\text{Output},\text{Constraints},\text{Metrics}). }

命題五：能力包圖結構命題

\boxed{ CP = (\mathcal O,\Gamma_O). }

命題六：能力必須可消融

\boxed{ \text{No ablation} \Rightarrow \text{weak causal confidence}. }

命題七：跨域遷移命題

\boxed{ \text{General operator} \Rightarrow \text{nontrivial transfer}. }

命題八：能力可存在於 runtime

\boxed{ \text{Capability} \neq \text{weights only}. }

命題九：先 runtime 後蒸餾

\boxed{ \text{Prototype} \rightarrow \text{Validate} \rightarrow \text{Distill}. }

命題十：能力包可人工重組

\boxed{ CP_{\mathrm{synthetic}} = \operatorname{Compose}(O_1,\ldots,O_n). }

命題十一：能力來源可超越人類

\boxed{ \mathcal E = \mathcal E_H \cup \mathcal E_{AI} \cup \mathcal E_{\mathrm{synthetic}}. }

命題十二：能力編譯閉環

\boxed{ \text{Observe} \rightarrow \text{Decompose} \rightarrow \text{Compile} \rightarrow \text{Test} \rightarrow \text{Recompile}. }

50. ECGC 系列統一

ECGC-01：

\boxed{ \text{天才不是解釋變量。} }

要拆：

X

與：

\mathcal I(x_i).

ECGC-02：

\boxed{ \text{有限生成基可以產生遠大於自身的能力軌道。} }

要找：

X_{\mathrm{core}}

與：

\mathcal O.

ECGC-03：

\boxed{ \text{能力結構必須能被編譯、執行與實驗。} }

因此整個系列形成：

\boxed{ \text{Exemplar} \rightarrow \text{Variables} \rightarrow \text{Generative Basis} \rightarrow \text{Operators} \rightarrow \text{Agent} \rightarrow \text{Experiment}. }

51. 結論

人類歷史中大量極端案例，對 AI 的價值不應只停留在：

AI 知道這些人的故事。

更高階用途是：

\boxed{ \text{Capability Archaeology}. }

即把極端表現視為能力化石。

接著：

\boxed{ \text{Capability Compilation}. }

將其中可驗證的生成機制抽成：

變量；
關係；
算子；
中介表示；
capability package；
實驗。

最後進入：

\boxed{ \text{Capability Design}. }

由 AI 重組歷史上從未共同存在過的能力結構。

因此：

\text{Human Exemplars}

只是第一代資料。

真正的長期方向是：

\boxed{ \text{AI discovers, compiles, tests, and evolves capability structures beyond observed exemplars.} }

本文最終可濃縮為：

不要讓 AI 只知道天才做過什麼；讓 AI 把支撐極端能力的結構抽出來、跑起來、拆掉重測，再組成新的能力。

或者形式化為：

\boxed{ \text{Capability Science} \rightarrow \text{Capability Engineering} \rightarrow \text{Capability Evolution}. }

至此，ECGC 系列完成。

參考文獻

Anderson, J. R. (1983). The Architecture of Cognition. Harvard University Press.
Newell, A. (1990). Unified Theories of Cognition. Harvard University Press.
Newell, A., & Simon, H. A. (1972). Human Problem Solving. Prentice-Hall.
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.
Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building Machines That Learn and Think Like People. Behavioral and Brain Sciences, 40, e253.
Stanley, K. O., & Lehman, J. (2015). Why Greatness Cannot Be Planned. Springer.
Taylor, T., et al. (2016). Open-Ended Evolution: Perspectives from the OEE Workshop in York. Artificial Life, 22(3), 408-423.
Lehman, J., Clune, J., Misevic, D., Adami, C., Beaulieu, J., Bentley, P. J., Bernard, S., Beslon, G., Bryson, D. M., Cheney, N., Cully, A., Doncieux, S., Dyer, F. C., Ellefsen, K. O., Feldt, R., Fischer, S., Forrest, S., Frénoy, A., Gagné, C., Le Goff, L., Grabowski, L. M., Hodjat, B., Hutter, F., Keller, L., Knibbe, C., Krcah, P., Lenski, R. E., Lipson, H., MacCurdy, R., Maestre, C., Miikkulainen, R., Mitri, S., Moriarty, D. E., Mouret, J.-B., Nguyen, A., Ofria, C., Parizeau, M., Parsons, D., Pennock, R. T., Punch, W. F., Ray, T. S., Schoenauer, M., Shulte, E., Sims, K., Stanley, K. O., Taddei, F., Tarapore, D., Thibault, S., Weimer, W., Watson, R., & Yosinski, J. (2020). The Surprising Creativity of Digital Evolution. Artificial Life, 26(2), 274-306.
Neo.K with Aletheia. (2026). 天才不是變量：從高尾端表現到能力生成變量與影響域. ECGC Paper 01, EveMissLab.
Neo.K with Aletheia. (2026). 有限生成基與無界能力空間：從約束無限遊戲到能力生成論. ECGC Paper 02, EveMissLab.
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：Capability IR 最小規格

capability_ir:
  id:
  version:
  target_task_family:

  evidence:
    source_types:
    provenance:

  variables:
    required:
    optional:
    bottlenecks:

  operators:
    - id:
      input:
      preconditions:
      internal_state:
      transform:
      output:
      constraints:
      cost:
      metrics:
      risks:

  operator_graph:
    requires:
    conflicts:
    amplifies:
    substitutes:
    gates:

  runtime_binding:
    prompt:
    memory:
    tools:
    planner:
    evaluator:
    scheduler:

  evaluation:
    baseline:
    ablations:
    transfer_domains:
    robustness_tests:
    failure_surfaces:

  deployment:
    scope:
    permission_class:
    rollback:

附錄 B：能力編譯器最小流程

capability_compiler:
  ingest:
    - collect evidence
    - normalize episodes
    - include failures

  decompose:
    - candidate variables
    - influence domains
    - confounders

  infer:
    - mechanism graph
    - alternative explanations
    - confidence

  formalize:
    - operator contracts
    - capability IR

  bind:
    - target runtime
    - memory
    - tools
    - scheduler

  test:
    - baseline
    - ablation
    - transfer
    - adversarial
    - cost

  recompile:
    - keep
    - remove
    - mutate
    - compose

附錄 C：一句話版本

能力編譯不是讓 AI 模仿某個天才，而是把支撐極端能力的生成機制抽成可執行算子，讓 AI 能載入、消融、測試、重組，最後生成歷史上從未存在過的能力配置。