# 08．已知則編譯，未知則展開 **系列：《從路徑覆蓋到行星智能：記憶編譯型計算存在論》** **部別：第二部——記憶編譯型智能** **版本：v0.1** **日期：2026-08-01** --- ## 摘要 記憶編譯型狀態智能體的優勢，在於能把過去昂貴的搜尋、推理與行動壓縮成低成本快速通道；但同一機制也帶來最危險的失敗模式：當新狀態其實不屬於任何既有類別時，系統仍可能因分類器必須輸出答案，而把未知強行套入已知策略。此時，越成熟、越快速、越高置信的記憶系統，反而可能以更低延遲放大錯誤。 本文因此將「未知」提升為記憶編譯型智能中的一級狀態，並建立雙模式運作原則： $$ \boxed{ \text{已知則編譯，未知則展開} } $$ 對高置信、低例外風險、環境穩定且歷史驗證充分的狀態，智能體進入 Compiled Mode，以狀態分類、快速索引與已編譯策略完成低成本反應；若偵測到低分類置信度、高分類熵、分布外輸入、已知例外鄰近、模型彼此衝突、結果偏離預測或概念漂移，則退出快速通道，進入 Exploration Mode，重新展開候選路徑、驗證新策略，必要時建立新狀態類別並重新編譯記憶。 本文借用 open-set recognition、out-of-distribution detection、selective prediction／reject option 與 concept drift 等既有研究作為技術參照，但將其整合進長期記憶智能的狀態切換問題。本文進一步提出 Knownness Gate、Abstention State、Exploration Budget、Recompilation Trigger 與 Unknown-to-Known Transition 五個核心元件，並將未知狀態拆成「陌生未知、衝突未知、漂移未知、例外未知與結構未知」。 第二部至此形成完整閉環：極強記憶提供已知世界的快速編譯，但真正穩健的累積智能必須持續保留「承認未知並重新展開」的能力。智能成熟的標誌因此不是把所有世界狀態都分類掉，而是越來越精確地知道：哪些地方可以不用重算，哪些地方絕對不能偷懶。 **關鍵詞：** 未知狀態、Open-Set Recognition、OOD Detection、Selective Prediction、Reject Option、Concept Drift、記憶編譯、快速通道、探索模式、累積智能 --- # 1．記憶編譯型智能最大的危險，恰好來自它最強的地方 前兩篇建立了： $$ \text{狀態} \rightarrow \text{分類} \rightarrow \text{索引} \rightarrow \text{策略} $$ 的快速通道。 理想狀況下： $$ K_{\mathrm{fast}} \ll K_{\mathrm{solve}} $$ 所以越多狀態被編譯，平均決策成本越低。 但現在假設新狀態： $$ x_{\mathrm{new}} $$ 其實不屬於任何已知類別。 如果系統仍然強迫： $$ C(x_{\mathrm{new}}) = c_i $$ 則會發生： $$ x_{\mathrm{new}} \rightarrow c_i \rightarrow \pi_i \rightarrow a_i $$ 整條錯誤快速通道。 而且它可能比慢速推理更危險，因為： $$ T_{\mathrm{decision}}\downarrow $$ 同時： $$ \text{confidence}\uparrow $$ 因此： $$ \boxed{ \text{高速錯誤分類，可能比低速錯誤推理更危險。} } $$ --- # 2．封閉世界假設不適合長期智能體 很多分類問題隱含： $$ x\in \{c_1,c_2,\ldots,c_n\} $$ 也就是： > 所有測試輸入都必然屬於訓練時已知的某個類別。 這是 closed-set assumption。 但長期運作於真實世界的智能體面對的是： $$ x\in \{c_1,\ldots,c_n,\text{unknown}\} $$ 甚至： $$ x\in \{c_1,\ldots,c_n,\text{future classes not yet existing}\} $$ 所以需要： $$ \boxed{ C(x)=\bot } $$ 其中： $$ \bot $$ 不代表系統故障，而代表： > 現有記憶結構不足以安全地將此狀態歸入任何成熟類別。 --- # 3．「不知道」必須是一個合法答案 一般分類器常被要求： $$ \sum_iP(c_i\mid x)=1 $$ 所以無論輸入多奇怪，都會選一個： $$ c^\ast = \arg\max_iP(c_i\mid x) $$ 但： $$ c^\ast $$ 只是「已知選項中最高」，不代表： $$ P(x\in\text{known world}) $$ 真的高。 因此記憶編譯型智能必須允許： $$ \boxed{ \operatorname{Decision}(x)=\text{abstain} } $$ 或者： $$ \boxed{ C(x)=\bot } $$ 這和 selective prediction／reject option 的核心思想一致： > 模型在預期自己可能犯錯時，可以拒絕輸出一般預測。 所以成熟智能不應被定義為： $$ \text{永遠有答案} $$ 而應包括： $$ \boxed{ \text{知道何時不應該直接回答。} } $$ --- # 4．已知性不是單一置信度 不能只使用： $$ \max_iP(c_i\mid x) $$ 作為已知判斷。 因為神經系統可能對未知輸入產生高置信錯誤。 所以本文定義 Knownness： $$ K_n(x) $$ 它至少由以下因素共同決定： $$ K_n(x) = F( C_f, H_c, D_p, D_e, A_m, T_d, V_h ) $$ 其中： - $C_f$ ：分類置信度； - $H_c$ ：分類熵； - $D_p$ ：距離已知原型的距離； - $D_e$ ：距離已知例外的距離； - $A_m$ ：多模型一致性； - $T_d$ ：時間／概念漂移程度； - $V_h$ ：歷史驗證可靠性。 因此： $$ \boxed{ \text{Knownness} \neq \text{top-1 confidence} } $$ --- # 5．Knownness Gate 定義已知性閘門： $$ G_K(x) $$ 輸出： $$ G_K(x) \in \{ \text{compiled}, \text{adaptive}, \text{explore}, \text{abstain} \} $$ 可以使用兩個門檻： $$ \tau_H>\tau_L $$ 若： $$ K_n(x)\geq\tau_H $$ 進入： $$ \text{Compiled Mode} $$ 若： $$ \tau_L\tau_H $$ 但一旦已在編譯模式，只有下降到： $$ K_n<\tau_L $$ 才退出。 其中： $$ \tau_H>\tau_L $$ 這避免模式在邊界附近高速震盪。 --- # 7．第一種未知：陌生未知 最直覺的未知： $$ x $$ 距離所有已知原型都很遠： $$ \min_iD(x,\mu_i)\gg\tau_D $$ 此時： $$ x\notin \bigcup_i\mathcal N(c_i) $$ 這是： $$ \boxed{ \text{Novelty Unknown} } $$ 類似 open-set recognition 與 OOD detection 要處理的核心場景： > 測試時出現訓練／已知類別空間之外的樣本。 這時快速策略不應被調用。 --- # 8．第二種未知：衝突未知 另一種情況不是： $$ \text{沒有類別匹配} $$ 而是： $$ \text{太多類別同時匹配} $$ 例如： $$ P(c_1\mid x)=0.41 $$ $$ P(c_2\mid x)=0.39 $$ $$ P(c_3\mid x)=0.18 $$ 分類熵： $$ H(C\mid x) = -\sum_iP(c_i\mid x)\log P(c_i\mid x) $$ 偏高。 這表示： $$ \boxed{ \text{Ambiguous Unknown} } $$ 不是完全陌生，而是現有分類系統無法確定它應位於哪個結構。 這種狀態適合： $$ \text{局部展開} $$ 而非完整從零探索。 --- # 9．第三種未知：例外未知 假設： $$ x $$ 非常靠近熟悉類別： $$ c_i $$ 但也靠近歷史例外： $$ e_j\in E(c_i) $$ 即： $$ D(x,\mu_i)\ll\tau $$ 且： $$ D(x,e_j)\ll\tau_e $$ 此時表面上很熟，但危險性反而高。 這可稱為： $$ \boxed{ \text{Exception Unknown} } $$ 它提醒我們： > 越像熟悉狀態，不一定越應該快速反應。 因為關鍵例外往往就發生在熟悉區域的邊界。 --- # 10．第四種未知：漂移未知 即使： $$ x_t $$ 以前屬於已知類： $$ c_i $$ 世界可能改變。 設過去條件分布： $$ P_{t_0}(y\mid x) $$ 現在： $$ P_{t_1}(y\mid x) $$ 若： $$ P_{t_0}(y\mid x) \neq P_{t_1}(y\mid x) $$ 表示概念可能發生 drift。 此時： $$ x $$ 本身看起來完全熟悉， 但： $$ \pi_i $$ 已不再適用。 所以： $$ \boxed{ \text{已知狀態 + 失效世界模型} = \text{新的未知} } $$ 這是長期智能必須額外處理的問題。 --- # 11．第五種未知：結構未知 還有一種最有趣的未知。 每一個局部元素都看過： $$ v_1,v_2,\ldots,v_n\in\mathcal M $$ 但它們的組合： $$ G_{\mathrm{new}} $$ 從未出現。 例如： $$ \text{known components} + \text{unknown relation topology} $$ 這時如果只做元素級檢索，系統會誤認為： > 全部都知道。 但真正未知的是： $$ \boxed{ \text{關係結構} } $$ 可以定義： $$ N_S(x) = D( G_x, \mathcal G_{\mathrm{known}} ) $$ 當： $$ N_S(x)\gg0 $$ 即使所有節點都熟悉，也應進入探索。 --- # 12．未知不是一個桶子，而是一個向量 因此可以定義： $$ \mathbf U(x) = ( U_N, U_A, U_E, U_D, U_S ) $$ 分別表示： - $U_N$ ：陌生新穎度； - $U_A$ ：分類歧義； - $U_E$ ：例外鄰近度； - $U_D$ ：漂移程度； - $U_S$ ：結構新穎度。 總未知度： $$ U(x) = w_NU_N + w_AU_A + w_EU_E + w_DU_D + w_SU_S $$ 當： $$ U(x)>\tau_U $$ 快速通道被禁止。 --- # 13．Compiled Mode 對成熟已知狀態： $$ K_n(x)\gg\tau_H $$ 且： $$ U(x)\ll\tau_U $$ 系統執行： $$ x \xrightarrow{\Phi} z \xrightarrow{C} c \xrightarrow{I} B_c \xrightarrow{\Pi} a \xrightarrow{V} r $$ 其主要成本： $$ K_C + K_I + K_A + K_V $$ 而不需要： $$ K_{\mathrm{global-search}} $$ 這就是記憶編譯真正節省成本的地方。 --- # 14．Adaptive Mode 如果狀態大致已知，但存在局部偏差： $$ \tau_L\tau_U $$ 則： $$ \text{Fast Path}=0 $$ 系統重新啟動： $$ \mathcal P^{\mathrm{cand}} = E(x) $$ 然後： $$ p^\ast = \arg\max_p S(p) $$ 其中 $S(p)$ 沿用第一部： $$ S(p) = \alpha\Delta C + \beta D + \gamma B + \delta V + \eta U - \lambda K - \mu O $$ 所以未知模式不是： $$ \text{完全亂猜} $$ 而是： $$ \boxed{ \text{回到帶記憶的適應性覆蓋。} } $$ --- # 16．未知也不代表忘掉所有記憶 這一點非常重要。 進入 Exploration Mode 不等於： $$ \mathcal M=0 $$ 而是： $$ \lambda_M\downarrow $$ 即降低既有記憶的支配度。 所以： $$ P(p) = \lambda_M P_{\mathrm{memory}}(p) + (1-\lambda_M) P_{\mathrm{explore}}(p) $$ 在未知狀態： $$ \lambda_M $$ 降低，但通常不歸零。 因此： $$ \boxed{ \text{未知則展開} \neq \text{未知則失憶。} } $$ --- # 17．Abstention Mode 有些狀態： $$ U(x)\gg0 $$ 而探索本身風險很高。 例如： $$ R(x,a)\gg\tau_R $$ 此時最合理行動可能不是立刻探索，而是： $$ a=\text{abstain} $$ 或： $$ a=\text{request more information} $$ 或： $$ a=\text{delegate} $$ 或： $$ a=\text{simulate only} $$ 因此拒絕不是失敗，而是一種策略。 可以定義： $$ \Pi(x) \in \{ a_1,\ldots,a_n,\text{abstain} \} $$ --- # 18．風險—覆蓋權衡 Selective prediction 有一個非常適合本框架的概念： $$ \text{risk–coverage trade-off} $$ 如果系統什麼都回答： $$ Coverage\rightarrow1 $$ 但錯誤風險可能提高。 如果只處理非常確定的輸入： $$ Risk\downarrow $$ 但： $$ Coverage\downarrow $$ 因此： $$ \boxed{ \text{成熟智能不是最大化回答率，而是在風險與覆蓋之間選擇合理工作區。} } $$ --- # 19．記憶編譯的風險—覆蓋曲線 設： $$ R_C(\tau) $$ 為門檻 $\tau$ 下可走編譯通道的覆蓋率。 錯誤風險： $$ R_E(\tau) $$ 一般而言： $$ \tau\uparrow \Rightarrow R_C\downarrow $$ 但： $$ R_E\downarrow $$ 所以系統可以依任務設定： 高風險領域： $$ \tau\rightarrow\text{high} $$ 低風險領域： $$ \tau\rightarrow\text{lower} $$ 這意味著： $$ \boxed{ \text{Knownness threshold 應該是任務依賴，而不是全系統固定常數。} } $$ --- # 20．探索預算 未知狀態不能無限制消耗資源。 定義： $$ B_E $$ 為 exploration budget。 成本： $$ K_{\mathrm{explore}}\leq B_E $$ 當： $$ B_E $$ 耗盡但仍無法形成高置信策略時： $$ C(x)=\bot $$ 應被保留。 也就是： > 探索失敗後，可以繼續不知道。 這非常重要。 因為否則系統會因為： $$ \text{「一定要結論」} $$ 而在預算結束時強行產生假答案。 --- # 21．未知記憶庫 未知狀態也應被保存。 定義： $$ \mathcal M_\bot $$ 包含： $$ \{ x_i: C(x_i)=\bot \} $$ 但不是全部孤立保存。 應該對未知進行： $$ \text{cluster} $$ 如果大量未知： $$ x_1,\ldots,x_k $$ 彼此高度相似： $$ D(x_i,x_j)\ll\tau $$ 則可能表示： $$ \boxed{ \text{一個新類別正在形成。} } $$ --- # 22．從 Unknown 到 New Class 若未知群： $$ U_j = \{x_1,\ldots,x_k\} $$ 逐漸形成穩定結構， 且： $$ \operatorname{coherence}(U_j)>\tau_C $$ 並存在可重用策略： $$ \pi_j $$ 則建立： $$ c_{n+1} $$ 也就是： $$ U_j \rightarrow c_{n+1} $$ 這就是： $$ \boxed{ \text{Unknown-to-Known Transition} } $$ 長期智能因此不是固定分類器。 它的類別集合： $$ \mathcal C_t $$ 會演化： $$ \mathcal C_t \rightarrow \mathcal C_{t+1} $$ --- # 23．新類別建立後不是立刻編譯 新的： $$ c_{n+1} $$ 應先處於： $$ \text{provisional} $$ 狀態。 只有當： $$ N_{\mathrm{evidence}} \geq\tau_N $$ 且： $$ R_{\mathrm{success}}\geq\tau_S $$ 且： $$ V_{\mathrm{cross-check}}=1 $$ 才升級為： $$ \text{compiled class} $$ 因此類別生命週期： $$ \text{unknown} \rightarrow \text{candidate} \rightarrow \text{provisional} \rightarrow \text{validated} \rightarrow \text{compiled} $$ --- # 24．編譯類也可能退化 反方向同樣重要。 某個成熟類： $$ c_i $$ 如果： $$ R_{\mathrm{failure}}(c_i)\uparrow $$ 或： $$ D_{\mathrm{drift}}(c_i)>\tau_D $$ 則： $$ c_i: \text{compiled} \rightarrow \text{review} $$ 甚至： $$ \text{review} \rightarrow \text{deprecated} $$ 或： $$ \text{split} $$ 例如： $$ c_i \rightarrow \{c_i^{(1)},c_i^{(2)}\} $$ 這表示原分類其實太粗。 --- # 25．也可能需要類別合併 如果： $$ c_i,c_j $$ 長期共享： $$ \pi_i\approx\pi_j $$ 且： $$ D(c_i,c_j)\rightarrow0 $$ 則： $$ c_i,c_j \rightarrow c_{ij} $$ 因此類別空間不是只增不減。 它會： $$ \text{create} ,\; \text{split} ,\; \text{merge} ,\; \text{deprecate} $$ 所以真正的： $$ \mathcal C_t $$ 是一個演化中的分類系統。 --- # 26．Recompilation Trigger 定義重新編譯觸發器： $$ T_R $$ 當任一條件成立： $$ T_R=1 $$ 例如： ### 結果漂移 $$ \|r_t-\hat r_t\|>\tau_r $$ ### 分類熵提高 $$ H(C\mid x)>\tau_H $$ ### 失敗率增加 $$ F(c)>\tau_F $$ ### 新例外累積 $$ |E(c)|>\tau_E $$ ### 多模型分歧 $$ D_{\mathrm{ensemble}}>\tau_M $$ ### 時間過期 $$ t-t_{\mathrm{last\ validation}}>\tau_T $$ 則： $$ \boxed{ \text{Compiled Memory} \rightarrow \text{Re-evaluation} } $$ --- # 27．世界改變時，記憶也必須改變 Concept drift 的核心提醒是： $$ \text{過去有效} \not\Rightarrow \text{現在有效} $$ 所以編譯項： $$ B_i $$ 應具有： $$ t_i $$ 時間； $$ \theta_i $$ 環境條件； $$ v_i $$ 版本。 完整形式： $$ B_i = ( c_i, \pi_i, \theta_i, V_i, w_i, t_i, v_i ) $$ 因此： $$ \boxed{ \text{記憶不是永恆真理，而是帶條件的歷史計算資產。} } $$ --- # 28．未知偵測也是覆蓋問題 第一部定義： $$ \Delta C(p\mid\mathcal P_t) $$ 表示邊際覆蓋。 現在可以反過來看： 若某狀態： $$ x $$ 無法被現有覆蓋： $$ \mathcal C_t $$ 充分表示，則： $$ \operatorname{Residual}(x) = x- \Pi_{\mathcal S_t}x $$ 其殘差： $$ \|x^\perp\| $$ 就是未知性來源之一。 所以： $$ \boxed{ \text{未知偵測，本質上也是在測量現有知識覆蓋留下多少殘差。} } $$ 這使第一部與第二部完整接起來。 --- # 29．模式切換可以寫成控制系統 定義模式： $$ m_t \in \{ C,A,E,R \} $$ 分別： - $C$ ：Compiled； - $A$ ：Adaptive； - $E$ ：Exploration； - $R$ ：Reject／Abstain。 模式轉移： $$ m_{t+1} = F( m_t, K_n, U, R, D_{\mathrm{drift}}, V ) $$ 因此 MCSA 本身可以被理解成： $$ \boxed{ \text{一個具有模式切換的混合動力系統。} } $$ --- # 30．快速通道不是永久權利，而是租約 一個已編譯策略： $$ \pi_c $$ 不應永久擁有： $$ \text{Fast Path Permission} $$ 而可以理解成一張租約： $$ L_c $$ 只要： $$ \text{validation} + \text{stability} + \text{coverage} $$ 維持，租約續期。 如果： $$ \text{drift} + \text{failure} + \text{exception} $$ 增加，就降級。 因此： $$ \boxed{ \text{快速通道必須持續重新取得信任，而不是一次編譯永久有效。} } $$ --- # 31．探索不是異常模式，而是必要模式 如果把 Compiled Mode 視為： $$ \text{正常} $$ Exploration Mode 視為： $$ \text{故障} $$ 那麼智能體會傾向避免未知。 更合理的是： $$ \boxed{ \text{Compiled Mode 與 Exploration Mode 都是正常計算狀態。} } $$ 只是服務不同區域： $$ \mathcal X_{\mathrm{known}} $$ 與： $$ \mathcal X_{\mathrm{unknown}} $$ --- # 32．成熟智能不是讓探索消失 隨著時間： $$ R_{\mathrm{compile}}\uparrow $$ 日常狀態中探索比例可能下降： $$ P(E)\downarrow $$ 但不應： $$ P(E)\rightarrow0 $$ 因為： - 世界會變； - 新問題會出現； - 舊分類會失效； - 新結構會形成。 所以： $$ \boxed{ \text{探索能力必須永久保留，即使它越來越少被日常狀態觸發。} } $$ --- # 33．未知密度可以成為資源分配訊號 設某區域： $$ \Omega_i $$ 近期未知率： $$ U_i = \frac{ N_{\bot,i} }{ N_i } $$ 若： $$ U_i\uparrow $$ 表示： - 世界正在變； - 分類不足； - 新問題族形成； - 索引失效。 於是可以增加該區域： $$ B_E(\Omega_i) $$ 探索預算。 所以： $$ \boxed{ \text{未知不是單純錯誤統計，而是研究與學習資源應往哪裡流的訊號。} } $$ --- # 34．未知群可以形成新的研究前沿 若： $$ \mathcal M_\bot $$ 中存在 cluster： $$ U_j $$ 且： $$ |U_j| $$ 持續上升， 智能體可建立： $$ \text{Research Frontier}(U_j) $$ 專門進行： $$ \text{data collection} \rightarrow \text{hypothesis generation} \rightarrow \text{testing} \rightarrow \text{classification update} $$ 所以未知記憶庫不只是垃圾桶。 它可以是： $$ \boxed{ \text{智能體自己的研究議程生成器。} } $$ --- # 35．這和第五篇的創新問題完全接起來 第五篇說： $$ \text{強記憶} \rightarrow \text{更清楚已知邊界} $$ 第八篇則補上： $$ \text{邊界外狀態} \rightarrow \text{不得強行編譯} $$ 於是： $$ \text{Known Map} + \text{Unknown Buffer} $$ 共同形成創新條件。 所以： $$ \boxed{ \text{真正的創新智能不只需要知道很多，也需要保留「哪些還不知道」的結構。} } $$ --- # 36．已知性也具有尺度 某個狀態在粗尺度： $$ x\in c_{\mathrm{macro}} $$ 可能是已知。 但在細尺度： $$ x\notin c_{\mathrm{micro}} $$ 例如： > 這是一個「供應鏈中斷」問題。 粗類別已知。 但具體原因： > 某種前所未有的跨區域同步故障。 細節未知。 所以可以定義： $$ K_n^{(0)}(x), K_n^{(1)}(x), \ldots, K_n^{(L)}(x) $$ 不同尺度的已知度。 因此： $$ \boxed{ \text{一個狀態可以同時「大方向已知、細節未知」。} } $$ --- # 37．分層模式切換 既然已知性多尺度，模式也可以分層。 例如： $$ L_0: \text{Compiled} $$ 但： $$ L_2: \text{Explore} $$ 所以不必把整個任務切成： $$ \text{全編譯} $$ 或： $$ \text{全探索} $$ 而可以： $$ \boxed{ \text{粗層使用快速通道，細層只展開真正未知部分。} } $$ 這可以大幅降低探索成本。 --- # 38．局部解編譯 假設長策略： $$ \pi = (\pi_1,\pi_2,\ldots,\pi_n) $$ 其中只有： $$ \pi_k $$ 失效。 系統不必： $$ \text{decompile everything} $$ 而可以： $$ \pi \rightarrow ( \pi_1,\ldots, \operatorname{Explore}(\pi_k), \ldots,\pi_n ) $$ 也就是： $$ \boxed{ \text{局部解編譯} } $$ 這使成熟智能能在保留大部分已知結構的同時，針對異常部分重新推理。 --- # 39．未知是一種可壓縮資源嗎？ 有趣的是，即使未知也可能具有結構。 第一次未知： $$ u_1 $$ 第二次： $$ u_2 $$ 第三次： $$ u_3 $$ 若： $$ u_1\sim u_2\sim u_3 $$ 則： $$ \boxed{ \text{「未知的模式」本身開始變成已知。} } $$ 於是： $$ \text{Unknown Unknown} \rightarrow \text{Known Unknown} \rightarrow \text{New Class} \rightarrow \text{Compiled Known} $$ 這是非常重要的累積過程。 --- # 40．未知的生命週期 可以整理成： $$ U_0: \text{Unseen Unknown} $$ $$ \downarrow $$ $$ U_1: \text{Detected Unknown} $$ $$ \downarrow $$ $$ U_2: \text{Clustered Unknown} $$ $$ \downarrow $$ $$ U_3: \text{Hypothesized Class} $$ $$ \downarrow $$ $$ U_4: \text{Validated Class} $$ $$ \downarrow $$ $$ K: \text{Compiled Known} $$ 這可以稱為： $$ \boxed{ \text{Unknown Assimilation Pipeline} } $$ --- # 41．但有些未知永遠不需要編譯 如果某事件： $$ u $$ 極度罕見， 且： $$ P(u)\approx0 $$ 又沒有高重用價值， 則： $$ V_{\mathrm{compile}}(u)<0 $$ 它可以長期保持： $$ \text{case memory} $$ 而不建立正式類別。 因此： $$ \boxed{ \text{不是所有未知都值得被制度化。} } $$ --- # 42．第二部的完整智能循環 現在可以把第二部全部整合。 輸入： $$ x_t $$ 經： $$ z_t=\Phi(x_t) $$ 估計： $$ K_n(x_t),U(x_t) $$ 模式閘門： $$ m_t=G_K(K_n,U,R) $$ 若： $$ m_t=C $$ 則： $$ \text{classify} \rightarrow \text{retrieve} \rightarrow \text{compiled policy} $$ 若： $$ m_t=A $$ 則： $$ \text{retrieve} \rightarrow \text{local adapt} $$ 若： $$ m_t=E $$ 則： $$ \text{expand} \rightarrow \text{cover} \rightarrow \text{verify} $$ 若： $$ m_t=R $$ 則： $$ \text{abstain} $$ 最後全部進入： $$ \mathcal M_{t+1} = U_M( \mathcal M_t, x_t, m_t, a_t, r_t ) $$ --- # 43．第二部的核心狀態機 可以壓成： $$ \boxed{ \text{KNOWN} \xrightarrow{\text{stable}} \text{COMPILED} } $$ $$ \boxed{ \text{COMPILED} \xrightarrow{\text{drift / failure}} \text{REVIEW} } $$ $$ \boxed{ \text{UNKNOWN} \xrightarrow{\text{safe}} \text{EXPLORE} } $$ $$ \boxed{ \text{UNKNOWN} \xrightarrow{\text{high risk}} \text{ABSTAIN} } $$ $$ \boxed{ \text{EXPLORE} \xrightarrow{\text{validated recurring structure}} \text{NEW CLASS} } $$ $$ \boxed{ \text{NEW CLASS} \xrightarrow{\text{maturity}} \text{COMPILED} } $$ --- # 44．真正成熟的記憶智能不追求「零未知」 假設目標： $$ \min |\mathcal M_\bot| $$ 系統很容易作弊： 把所有未知都塞入： $$ \mathcal C $$ 所以真正好的指標不是： $$ \text{unknown rate}\rightarrow0 $$ 而是： $$ \boxed{ \text{false-known rate}\rightarrow0 } $$ 即： > 真正未知卻被誤判為已知的比例必須極低。 這可能比「還有多少不知道」更重要。 --- # 45．False Known 是最危險的錯誤 定義： $$ FK = P( \hat K=1 \mid K=0 ) $$ 即真實未知卻被判為已知。 另一種錯誤： $$ FU = P( \hat K=0 \mid K=1 ) $$ 即已知卻被當未知。 通常： $$ FU $$ 造成額外計算成本； 而： $$ FK $$ 可能直接造成錯誤快速行動。 因此在高風險領域： $$ \boxed{ Cost(FK)\gg Cost(FU) } $$ 所以門檻應偏保守。 --- # 46．未知管理本身就是智能能力 傳統能力評估常問： $$ \text{accuracy} $$ $$ \text{speed} $$ $$ \text{memory} $$ 但對長期智能體還應加上： $$ \boxed{ \text{Unknown Management Capability} } $$ 它至少包括： - 偵測未知； - 區分未知類型； - 選擇是否探索； - 控制探索成本； - 聚類未知； - 形成新類； - 重新編譯； - 淘汰失效類。 所以未知不是系統之外的事情。 它是智能系統自身治理的一部分。 --- # 47．已知則編譯，未知則展開 整個第二部最後可以收斂成一句： $$ \boxed{ \text{已知則編譯，未知則展開。} } $$ 但它其實包含四層： $$ \boxed{ \text{高置信已知} \rightarrow \text{快速編譯} } $$ $$ \boxed{ \text{局部偏差} \rightarrow \text{局部適應} } $$ $$ \boxed{ \text{真正未知} \rightarrow \text{重新展開} } $$ $$ \boxed{ \text{高風險未知} \rightarrow \text{拒絕或延遲行動} } $$ --- # 48．第二部的最終命題 記憶編譯型智能真正的能力，不是： $$ \text{把所有問題都變成快速通道} $$ 而是： $$ \boxed{ \text{把「可以安全不重算」與「必須重新思考」的邊界判斷得越來越準。} } $$ 因此成熟程度可以重新定義為： $$ M_{\mathrm{intelligence}} = F( R_{\mathrm{compile}}, R_{\mathrm{false-known}}, K_{\mathrm{explore}}, A_{\mathrm{adapt}} ) $$ 其中： - $R_{\mathrm{compile}}$ ：可安全編譯覆蓋率； - $R_{\mathrm{false-known}}$ ：未知誤判已知率； - $K_{\mathrm{explore}}$ ：未知探索成本； - $A_{\mathrm{adapt}}$ ：更新與重新編譯能力。 --- # 49．從個體智能跨向文明智能 第二部到此完成。 我們已經得到一個能： - 持續記憶； - 去重； - 分類； - 快速索引； - 編譯策略； - 保留未知； - 重新探索； - 自我更新； 的累積型智能體。 下一個問題自然變成： > 如果不只一個這樣的智能體存在，而是一整個世界的人類、AI、計算機、資料庫、感測器與雲端記憶全部開始互聯，並共享這種狀態—記憶—索引—策略架構，會形成什麼？ 這正是第三部的入口： # 09．《當所有計算機與記憶空間連成一體》 --- # 參考資料 1. Bendale, A., & Boult, T. E. (2015). **Towards Open World Recognition.** CVPR 2015. https://openaccess.thecvf.com/content_cvpr_2015/html/Bendale_Towards_Open_World_2015_CVPR_paper.html 2. Geifman, Y., & El-Yaniv, R. (2019). **SelectiveNet: A Deep Neural Network with an Integrated Reject Option.** ICML 2019, PMLR 97. https://proceedings.mlr.press/v97/geifman19a.html 3. Hendrickx, K., Perini, L., Van der Plas, D., Meert, W., & Davis, J. (2021). **Machine Learning with a Reject Option: A Survey.** https://arxiv.org/abs/2107.11277 4. Wang, H., Vaze, S., & Han, K. (2024/2025). **Dissecting Out-of-Distribution Detection and Open-Set Recognition: A Critical Analysis of Methods and Benchmarks.** International Journal of Computer Vision. https://link.springer.com/article/10.1007/s11263-024-02222-4 5. Lu, S., Wang, Y., Sheng, L., Zheng, A., He, L., & Liang, J. (2024/2025). **Out-of-Distribution Detection: A Task-Oriented Survey of Recent Advances.** ACM Computing Surveys. https://doi.org/10.1145/3760390 6. Miyai, A. et al. (2024). **Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey.** https://arxiv.org/abs/2407.21794 7. Hinder, F., Vaquet, V., & Hammer, B. (2024). **One or two things we know about concept drift—a survey on monitoring in evolving environments. Part A: detecting concept drift.** Frontiers in Artificial Intelligence. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1330257/full 8. Hinder, F., Vaquet, V., & Hammer, B. (2024). **One or two things we know about concept drift—a survey on monitoring in evolving environments. Part B: locating and explaining concept drift.** Frontiers in Artificial Intelligence. https://www.frontiersin.org/journals/artificial-intelligence/articles/10.3389/frai.2024.1330258/full --- ## 系列內部依賴 **前置：** 05《極強記憶會壓制創新嗎？》、06《記憶編譯型狀態智能體》、07《極致分類、快速索引與計算直覺》 **後續：** 09《當所有計算機與記憶空間連成一體》、10《文明記憶編譯體與聯邦式行星智能》 ## 一句話摘要 $$ \boxed{ \text{真正成熟的記憶智能，不是把所有世界都強行認成已知，而是把「哪些可以安全不重算、哪些必須重新思考」的邊界判斷得越來越準。} } $$