# 02．暴力窮舉不只需要計算力

**系列：《從路徑覆蓋到行星智能：記憶編譯型計算存在論》**  
**部別：第一部——搜尋、記憶與路徑覆蓋**  
**版本：v0.1**  
**日期：2026-08-01**

---

## 摘要

暴力窮舉通常被描述為一個「算力不足」的問題：候選數量太大，所以只要計算得更快，就能展開更多狀態。然而這種敘述忽略了一個更基本的事實：任何實際搜尋系統都不只是在做算術運算，它還必須保存中間狀態、決定哪些節點尚待展開、維持長序列、避免重複、從歷史中重新取回相關路徑，並把局部結果重新組合成可持續的搜尋過程。

本文因此將暴力搜尋拆解為五種彼此耦合但不可互相取代的能力：計算能力 $\kappa$ 、記憶能力 $\mu$ 、展開能力 $\epsilon$ 、序列生成能力 $\sigma$ 與回憶能力 $\rho$ 。本文借用圖搜尋的時間—空間差異、系統動力學、帶記憶的非馬可夫系統與泛函表示，建立一個最小耦合模型，說明為何「提高算力」並不等於「提高有效覆蓋率」，以及為何一個真正高效的搜尋智能體必須同時管理分支寬度、路徑深度、記憶密度、索引效率與重複展開。

本文的目的不是提出新的複雜度類別，也不是用認知術語取代演算法理論，而是建立後續「高重疊知識空間」、「有效覆蓋率」與「記憶編譯型智能體」所需的能力分解框架。

**關鍵詞：** 暴力窮舉、圖搜尋、記憶、展開、序列生成、回憶、時間—空間權衡、非馬可夫系統、計算智能

---

# 1．暴力搜尋真的只是「一直算」嗎？

最直覺的暴力窮舉可以寫成：

$$
\Omega=
\{x_1,x_2,\ldots,x_N\}
$$

然後逐一驗證：

$$
V(x_i)\in\{0,1\}
$$

直到找到可接受解。

如果候選數量隨問題規模快速增加，例如：

$$
N=2^n
$$

我們自然會認為主要瓶頸是：

$$
\text{計算速度不足}
$$

因此最簡單的想像是：

$$
\text{更強算力}
\Rightarrow
\text{每秒驗證更多候選}
$$

這當然沒有錯。

但只要搜尋不是「每個候選彼此完全獨立」，事情就開始改變。

真實搜尋往往更接近一個狀態圖：

$$
G=(V,E)
$$

其中從狀態 $v_i$ 展開後產生一組後繼：

$$
\Gamma^+(v_i)=
\{v_{i1},v_{i2},\ldots,v_{ib}\}
$$

此時系統至少還要知道：

- 哪些節點已經走過；
- 哪些節點尚待展開；
- 當前路徑是什麼；
- 是否形成循環；
- 哪些中間結果可以重用；
- 哪些分支已經證明無效；
- 是否需要返回較早的狀態；
- 是否有相似問題曾經被處理過。

所以搜尋不是單一算術操作，而是一整套動態過程。

---

# 2．經典圖搜尋已經透露了這個問題

以最基本的 BFS 與 DFS 為例。

廣度優先搜尋傾向同時保存大量待展開節點，因此具有較高的記憶需求；深度優先搜尋則沿單一路徑深入，通常只需要保存較小的活動路徑與回溯資訊。

若分支因子為 $b$ ，最淺解深度為 $d$ ，最大搜尋深度為 $D$ ，典型樹搜尋的粗略複雜度可以表示為：

$$
T_{\mathrm{BFS}}
=
O(b^d)
$$

$$
S_{\mathrm{BFS}}
=
O(b^d)
$$

而 DFS 常寫為：

$$
T_{\mathrm{DFS}}
=
O(b^D)
$$

$$
S_{\mathrm{DFS}}
=
O(D)
$$

這裡最重要的不是背公式，而是看到一件事：

$$
\boxed{
\text{搜尋能力天然同時包含時間與空間。}
}
$$

兩個演算法可以擁有類似的「展開動作」，卻因為記憶管理方式不同，形成完全不同的搜尋行為。

因此，暴力窮舉即使在最經典的演算法形式中，也從來不只是「計算幾次」這麼簡單。

---

# 3．第一項能力：計算能力 $\kappa$

本文把計算能力記為：

$$
\kappa
$$

它表示單位時間內可完成的狀態轉換、比較、評分、驗證或運算量。

粗略地，可以想成：

$$
\kappa
\sim
\frac{\text{operations}}{\text{time}}
$$

如果其他條件都不變，提高 $\kappa$ 可以讓系統：

- 更快驗證候選；
- 更快計算後繼；
- 更快比較策略；
- 更快完成局部推理。

若單一節點平均需要計算成本 $c_v$ ，理想狀態下單位時間可處理節點數約為：

$$
R_{\mathrm{compute}}
\approx
\frac{\kappa}{c_v}
$$

但這只是理論吞吐量。

如果系統沒有足夠記憶保存產生的節點，或沒有能力決定下一個該處理誰，那麼：

$$
R_{\mathrm{effective}}
<
R_{\mathrm{compute}}
$$

甚至可能遠小於它。

所以：

$$
\boxed{
\kappa\text{ 決定你能算多快，但不決定你算的是不是新的東西。}
}
$$

---

# 4．第二項能力：記憶能力 $\mu$

記憶能力記為：

$$
\mu
$$

但這裡不能只把它理解成硬碟容量。

至少要區分：

$$
\mu=
(\mu_{\mathrm{capacity}},
\mu_{\mathrm{retention}},
\mu_{\mathrm{organization}})
$$

也就是：

- 能存多少；
- 能保存多久；
- 能否以可利用形式保存。

對搜尋而言，記憶至少承擔四種功能：

## 4.1 保存當前活動前沿

例如 BFS 的 queue：

$$
F_t=
\{v_1,v_2,\ldots,v_m\}
$$

這些都是尚待展開的候選狀態。

---

## 4.2 保存已訪問集合

$$
H_t=
\{v:\text{visited before }t\}
$$

用來避免循環與重複。

若沒有 $H_t$ ，圖搜尋可能將同一個狀態反覆當成新狀態。

---

## 4.3 保存局部結果

例如：

$$
f(x_i)=y_i
$$

若未來再次需要 $f(x_i)$ ，可以直接重用。

---

## 4.4 保存完整或部分路徑

$$
p=
(v_0,v_1,\ldots,v_n)
$$

使系統可以回溯、解釋或從中間狀態重新開始。

因此，記憶不是搜尋結束後才附加上去的「紀錄功能」。

它本身就是搜尋演算法的一部分。

---

# 5．第三項能力：展開能力 $\epsilon$

本文將展開能力記為：

$$
\epsilon
$$

它表示系統從當前狀態產生候選後繼的能力。

對某狀態 $v$ ：

$$
E(v)=
\{v_1',v_2',\ldots,v_b'\}
$$

其中 $b$ 是有效分支數。

如果 $\epsilon$ 很低，系統可能一次只能提出很少候選。

如果 $\epsilon$ 很高，則可以快速生成：

$$
b\gg1
$$

的大量分支。

表面上看：

$$
\epsilon\uparrow
\Rightarrow
\text{搜尋能力}\uparrow
$$

但這只在其他能力同步提高時成立。

因為展開本身會產生新的負擔：

$$
\epsilon\uparrow
\Rightarrow
|F_t|\uparrow
$$

也就是待處理前沿快速增大。

當：

$$
\frac{d|F_t|}{dt}
>
\frac{dN_{\mathrm{processed}}}{dt}
$$

系統會出現「候選生成速度大於候選消化速度」的情況。

此時更強的展開能力反而製造擁塞。

因此：

$$
\boxed{
\text{能想到更多可能性}
\neq
\text{能有效處理更多可能性}
}
$$

---

# 6．第四項能力：序列生成能力 $\sigma$

展開能力回答的是：

> 我一次能產生多少後繼？

序列生成能力則回答：

> 我能否維持一條長而連續的有效路徑？

將它記為：

$$
\sigma
$$

假設一條路徑為：

$$
p_n=
(v_0,v_1,\ldots,v_n)
$$

序列生成能力涉及：

- 維持前面狀態的約束；
- 保持長距離一致性；
- 知道當前位於哪一層；
- 在需要時回溯；
- 避免局部正確、全局失效。

一個系統完全可能具有：

$$
\epsilon\gg1
$$

卻只有：

$$
\sigma\ll\epsilon
$$

也就是很會產生候選，但不擅長把候選組成長程路徑。

這種系統的外部表現可能是：

- 靈感很多；
- 分支很多；
- 局部建議很多；
- 但長任務容易失去一致性。

反之，一個 $\sigma$ 很高但 $\epsilon$ 很低的系統，則可能：

- 能沿著一條路走很遠；
- 但不容易想到替代路徑。

所以：

$$
\boxed{
\text{分支寬度}
\neq
\text{路徑深度維持能力}
}
$$

---

# 7．第五項能力：回憶能力 $\rho$

回憶能力記為：

$$
\rho
$$

它不是「記憶中有沒有」，而是：

> 當前狀態能否快速索引到真正有用的歷史資訊？

若記憶空間為：

$$
\mathcal M=
\{m_1,m_2,\ldots,m_N\}
$$

面對查詢狀態 $q$ ，回憶函數可以寫成：

$$
R(q,\mathcal M)
\rightarrow
\mathcal M_q
$$

其中：

$$
\mathcal M_q\subseteq\mathcal M
$$

是與當前任務相關的記憶。

如果記憶容量巨大：

$$
|\mathcal M|\gg1
$$

但每次都需要線性掃描：

$$
T_{\mathrm{retrieve}}
=
O(|\mathcal M|)
$$

那麼「記得很多」可能反而讓系統越來越慢。

真正可用的強記憶，需要：

$$
\text{高容量}
+
\text{高精度索引}
+
\text{低檢索延遲}
$$

因此：

$$
\boxed{
\mu\text{ 決定保存了多少，}\rho\text{ 決定需要時能拿回多少。}
}
$$

---

# 8．五項能力不是加法，而是耦合

最簡單的錯誤模型是：

$$
I=
\kappa+\mu+\epsilon+\sigma+\rho
$$

這暗示任何一項增加，都能等量增加整體搜尋能力。

但實際上，更合理的是：

$$
I_{\mathrm{eff}}
=
F(\kappa,\mu,\epsilon,\sigma,\rho)
$$

其中 $F$ 具有強烈耦合。

例如：

$$
\epsilon\uparrow
$$

只有在：

$$
\kappa,\mu,\rho
$$

足以處理新增候選時，才真正增加有效探索。

同樣地：

$$
\mu\uparrow
$$

只有在：

$$
\rho\uparrow
$$

或至少不顯著下降時，才增加可用記憶。

可以用一個純概念性的乘法模型表示：

$$
I_{\mathrm{eff}}
=
\kappa^\alpha
\mu^\beta
\epsilon^\gamma
\sigma^\delta
\rho^\eta
$$

其中：

$$
\alpha,\beta,\gamma,\delta,\eta>0
$$

這不是經驗定律，而是在表達：

> 某一項接近零時，其他能力再高也可能無法完全補償。

---

# 9．瓶頸形式：最弱能力可能決定整體吞吐量

另一種建模方式是：

$$
I_{\mathrm{eff}}
\leq
\min
\{
f_\kappa(\kappa),
f_\mu(\mu),
f_\epsilon(\epsilon),
f_\sigma(\sigma),
f_\rho(\rho)
\}
$$

例如：

- 每秒可以生成一萬個候選；
- 但每秒只能驗證一千個；
- 那麼剩下九千個會堆積。

或者：

- 可以保存十億條記憶；
- 但每次只能有效找到其中十條；
- 那麼大量容量不能直接轉化為反應能力。

這和流體系統或管線系統很相似：

$$
Q_{\mathrm{system}}
\approx
\min_i Q_i
$$

最窄的瓶頸限制整體流量。

因此，一個高性能搜尋智能體的設計目標不是單點極大化，而是：

$$
\boxed{
\text{讓五種能力的比例彼此匹配。}
}
$$

---

# 10．用系統動力學描述候選前沿

設：

$$
F(t)
$$

為尚未處理的候選前沿數量。

候選被產生的速率可寫成：

$$
G(t)
=
g(\epsilon_t,\sigma_t)
$$

候選被處理的速率為：

$$
P(t)
=
p(\kappa_t,\rho_t,\mu_t)
$$

那麼：

$$
\frac{dF}{dt}
=
G(t)-P(t)-D(t)
$$

其中 $D(t)$ 是因去重、剪枝或失效而直接移除的候選量。

如果：

$$
G(t)>P(t)+D(t)
$$

則：

$$
F(t)\rightarrow\text{持續膨脹}
$$

這就是搜尋爆炸的一種動力學表述。

因此，「更能展開」甚至可能使系統更快進入資源飽和。

真正重要的是：

$$
\frac{G(t)-D(t)}{P(t)}
$$

是否可以維持在系統可承受區域。

---

# 11．記憶如何改變搜尋動力學？

若完全沒有歷史記憶，系統看到一個狀態時，只能當作新的候選處理。

設原始生成速率為：

$$
G_0(t)
$$

若記憶與回憶可以辨識其中比例：

$$
r_t\in[0,1]
$$

為已知或高度重複狀態，那麼真正需要重新計算的有效生成速率為：

$$
G_{\mathrm{eff}}(t)
=
G_0(t)(1-r_t)
$$

當：

$$
r_t\uparrow
$$

即使原始展開量沒有下降：

$$
G_0(t)=\text{constant}
$$

真正需要支付的重新計算成本仍然下降。

這是本系列後面極重要的一個方向：

$$
\boxed{
\text{智能提升不一定來自算得更多，也可能來自需要重算的東西變少。}
}
$$

---

# 12．從馬可夫搜尋到帶歷史的非馬可夫搜尋

如果下一步只依賴當前狀態：

$$
P(x_{t+1}\mid x_t)
$$

我們得到的是近似馬可夫式描述。

但具有長期記憶的智能體，其決策可能依賴：

$$
x_0,x_1,\ldots,x_t
$$

更一般地：

$$
P(x_{t+1})
=
P
\left(
x_{t+1}
\mid
x_t,\mathcal M_t
\right)
$$

而：

$$
\mathcal M_t
=
U(x_0,\ldots,x_t)
$$

所以當前搜尋方向受到歷史影響。

用記憶核 $K$ 表示，可以概念性地寫成：

$$
\dot x_t
=
F
\left(
x_t,
\int_0^tK(t-s)x_s\,ds
\right)
$$

這表示：

> 過去走過的路徑會改變現在的搜尋向量場。

當某些區域已被大量探索，系統可以降低它們的再次進入權重；當某些路徑曾經失敗，也可以直接抑制相似展開。

因此記憶不是被動檔案，而是：

$$
\boxed{
\text{改寫未來搜尋機率的動態場。}
}
$$

---

# 13．泛函表示：搜尋能力是一個作用在狀態空間上的算子族

設知識或候選狀態位於某個函數空間：

$$
\mathcal H
$$

可以暫時引入五個算子：

$$
\mathcal K
$$

代表計算與轉換；

$$
\mathcal M
$$

代表記憶保存；

$$
\mathcal E
$$

代表候選展開；

$$
\mathcal S
$$

代表序列延伸；

$$
\mathcal R
$$

代表記憶回取。

那麼一次完整的智能搜尋不再是單一函數：

$$
f:x\rightarrow y
$$

而更像算子組合：

$$
\mathcal T
=
\mathcal V
\circ
\mathcal K
\circ
\mathcal R
\circ
\mathcal S
\circ
\mathcal E
\circ
\mathcal M
$$

實際順序可以依系統而不同，也可能形成迴圈：

$$
\mathcal E
\rightarrow
\mathcal K
\rightarrow
\mathcal M
\rightarrow
\mathcal R
\rightarrow
\mathcal E
$$

因此，真正需要研究的是：

$$
\text{算子之間的作用與回饋}
$$

而不是只看某一個算子的速度。

---

# 14．展開能力過強也可能降低有效覆蓋率

假設單位時間生成候選數：

$$
N_{\mathrm{gen}}
$$

其中真正新的候選為：

$$
N_{\mathrm{new}}
$$

則可以定義一個簡單的有效展開率：

$$
\eta_{\mathrm{expand}}
=
\frac{N_{\mathrm{new}}}{N_{\mathrm{gen}}}
$$

若系統瘋狂生成大量相似狀態：

$$
N_{\mathrm{gen}}\uparrow
$$

但：

$$
N_{\mathrm{new}}
\approx\text{constant}
$$

則：

$$
\eta_{\mathrm{expand}}\downarrow
$$

因此：

$$
\text{更多生成}
\not\Rightarrow
\text{更多有效覆蓋}
$$

這正是下一篇要進一步處理的高重疊知識空間問題。

---

# 15．記憶容量過強也可能形成新瓶頸

同樣地，假設：

$$
|\mathcal M_t|\rightarrow\infty
$$

但索引品質不變。

若每次檢索都必須在越來越大的記憶中做近似全域搜尋，則：

$$
T_{\mathrm{retrieve}}
=
f(|\mathcal M|)
$$

可能持續上升。

於是出現一種反直覺情況：

$$
\mu\uparrow
$$

卻：

$$
\rho_{\mathrm{effective}}\downarrow
$$

也就是：

> 記得越多，越難找到真正需要的東西。

所以後續若要討論「極強記憶智能體」，不能只假設無限容量，還必須要求：

$$
\boxed{
\text{可用記憶的增長速度高於檢索負擔的增長速度。}
}
$$

這會直接導向後面「極致分類與快速索引」的主題。

---

# 16．序列能力與記憶之間也存在交換

一條長路徑：

$$
p_n=
(v_0,\ldots,v_n)
$$

可以用至少兩種方式維持。

第一種是完整保存：

$$
M(p_n)=
(v_0,\ldots,v_n)
$$

第二種是只保存：

$$
M(p_n)=
(A,G,V)
$$

其中：

- $A$ ：少數錨點；
- $G$ ：路徑生成規則；
- $V$ ：驗證條件。

然後需要時重新生成中間段。

這表示：

$$
\mu
$$

與：

$$
\sigma+\kappa
$$

之間可能存在某種資源交換。

保存更多，可以減少重新生成；

保存更少，則需要更強生成與計算。

因此：

$$
\boxed{
\text{記憶與計算不是單向替代，而是一種動態時間—空間—生成權衡。}
}
$$

---

# 17．一個最小耦合狀態向量

現在可以把五種能力寫成：

$$
z_t=
\left(
\kappa_t,
\mu_t,
\epsilon_t,
\sigma_t,
\rho_t
\right)
$$

並定義整體有效搜尋能力：

$$
Q_t=
F(z_t,\Omega_t,H_t)
$$

其中：

- $\Omega_t$ ：仍可能需要探索的空間；
- $H_t$ ：已探索歷史。

若要再加入重複率：

$$
D_t\in[0,1]
$$

則可以寫一個概念性的有效覆蓋速率：

$$
\frac{dC}{dt}
=
\alpha
\kappa_t
\epsilon_t
\sigma_t
\rho_t
\Psi(\mu_t)
(1-D_t)
$$

其中 $\Psi(\mu_t)$ 表示記憶被有效組織後對搜尋產生的增益。

這不是物理定律，也不是已驗證經驗式，而是一個理論骨架。

它要表達的只有一件事：

$$
\boxed{
\text{有效覆蓋率是多項能力的耦合結果。}
}
$$

---

# 18．真正的暴力搜尋其實有六個循環

一個完整的搜尋智能體可以被拆成：

$$
\text{生成候選}
$$

$$
\downarrow
$$

$$
\text{保存候選}
$$

$$
\downarrow
$$

$$
\text{選擇下一狀態}
$$

$$
\downarrow
$$

$$
\text{計算／驗證}
$$

$$
\downarrow
$$

$$
\text{更新歷史記憶}
$$

$$
\downarrow
$$

$$
\text{回憶與去重}
$$

然後重新進入：

$$
\text{生成候選}
$$

因此暴力窮舉更完整的形式不是：

$$
\text{for }x\in\Omega:\;V(x)
$$

而是：

$$
\boxed{
\text{生成—記憶—調度—計算—回寫—回憶}
}
$$

的反覆閉環。

---

# 19．從「暴力窮舉」走向「記憶化覆蓋」

當系統沒有記憶時，最接近：

$$
\text{blind expansion}
$$

每次只知道目前位置。

當加入 visited set、dynamic programming、memoization、transposition table 或其他重用機制後，系統開始把：

$$
\text{已支付的計算}
$$

保存成：

$$
\text{未來可以跳過的計算}
$$

如果再加入跨問題的長期記憶與結構索引，則進一步變成：

$$
\text{過去任務}
\rightarrow
\text{未來任務的搜尋先驗}
$$

這就是本系列真正想推進的方向：

$$
\boxed{
\text{搜尋不再只是當下展開，而是被整個歷史塑形的覆蓋過程。}
}
$$

---

# 20．本文的三個核心結論

## 20.1 暴力窮舉不只需要計算力

因為搜尋還需要：

$$
\mu,\epsilon,\sigma,\rho
$$

共同工作。

---

## 20.2 展開量不等於有效覆蓋量

如果大量路徑重複：

$$
\text{raw expansion}\gg\text{effective expansion}
$$

那麼更高吞吐量只會更快製造冗餘。

---

## 20.3 記憶的真正價值是降低未來重算率

高效智能不只追求：

$$
\kappa\uparrow
$$

還追求：

$$
P(\text{需要重新從零計算})\downarrow
$$

因此，智能的累積效應可以來自：

$$
\boxed{
\text{更多計算}
+
\text{更少重算}
}
$$

---

# 21．結論：下一步不是算得更多，而是問「哪些根本不必再算」

一個完全沒有歷史的計算系統，面對巨大狀態空間時，只能不斷重新展開。

一個具有持久記憶、有效回憶與序列能力的系統，則可以逐漸把已經探索過的空間從：

$$
\text{待求解}
$$

轉化為：

$$
\text{可索引}
$$

真正的分水嶺因此不是：

> 每秒能算多少？

而是：

> 每秒新增了多少不可由既有歷史替代的覆蓋？

於是，本篇最後留下的問題是：

$$
\boxed{
\text{如果知識空間本身存在極大量重複、交叉、循環與等價路徑，那麼應該如何定義真正的「新覆蓋」？}
}
$$

這正是下一篇：

# 《知識不是樹：高重疊知識空間中的路徑問題》

所要處理的核心。

---

# 參考資料

1. MIT OpenCourseWare, **Lecture 12: Searching I: Graph Search and Representations**, *Introduction to Algorithms*.  
   https://ocw.mit.edu/courses/6-006-introduction-to-algorithms-spring-2008/resources/lec12/

2. Stanford CS221, **States-based Models Cheatsheet**.  
   https://stanford.edu/~shervine/teaching/cs-221/cheatsheet-states-models/

3. NIST Dictionary of Algorithms and Data Structures, **Asymptotic Space Complexity**.  
   https://xlinux.nist.gov/dads/HTML/asymptoticSpaceComplexity.html

4. Hu, Y. et al., **Memory in the Age of AI Agents**, arXiv, 2025.  
   https://arxiv.org/abs/2512.13564

5. Lipton, Z. C., Berkowitz, J., & Elkan, C., **A Critical Review of Recurrent Neural Networks for Sequence Learning**, arXiv, 2015.  
   https://arxiv.org/abs/1506.00019

---

## 系列內部依賴

**前置：** 01《知道答案之後，真的就容易了嗎？》  
**後續：** 03《知識不是樹：高重疊知識空間中的路徑問題》、04《從路徑數量到有效覆蓋率》、06《記憶編譯型狀態智能體》。

## 一句話摘要

$$
\boxed{
\text{搜尋效率不是單純的計算吞吐量，而是計算、記憶、展開、序列生成與回憶共同決定的有效新增覆蓋率。}
}
$$