# CDI Runtime + AIVS ## AI 治理多 X 計算的工程架構、協議與 MVP **English Title:** *CDI Runtime + AIVS: Engineering Architecture, Protocols, and MVP for AI-Governed Multi-X Computation* **系列：**《計算域支配智能：AI 語義控制面與自適應多 X 計算》第 6 篇／封頂工程論文 **系列代號：** CDI / AIVS **文件編號：** EML-CDI-06-RUNTIME-2026-v0.1 **作者：** Neo.K **協作整理與原型：** Aletheia **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-08-10 **文件類型：** 工程封頂論文／Runtime Architecture／可執行 MVP **系列狀態：** `THEORETICAL CLOSED (6/6) + ENGINEERING OPEN` **MVP 狀態：** Synthetic smoke test PASS；Windows ETW native ingestion 與真實遊戲 performance benchmark 尚未在本文執行環境中完成。 --- ## 摘要 本系列前五篇依序建立： $$ \boxed{ \text{AI 語義控制面} } $$ $$ \boxed{ \text{AIVS 分層低成本同步} } $$ $$ \boxed{ \text{Candidate/Commit 狀態安全} } $$ $$ \boxed{ \text{24／72 Paradigm Routing} } $$ 以及： $$ \boxed{ \text{Legacy/Game Serialization Gap} } $$ 本文不再主要增加理論，而將上述架構收斂為一個 Windows-first、source-visible-first、observer-first 的工程 Runtime。 其最小統一式為： $$ \boxed{ CDI = EvidencePlane + CausalComputeGraph + AIVS + CandidateCommit + ParadigmRouting + Verification + Fallback. } $$ 工程上，AI 不位於 CPU/GPU 每個 operation 的 critical path。底層高速計算仍由： - 作業系統 scheduler； - thread pool； - compiler； - CPU/GPU/NPU； - task graph； - existing application runtime； 執行。 AI 控制面只接收經過 reduction 的： $$ \boxed{ State + CausalBoundary + Anomaly + RouteEvidence. } $$ 因此： $$ \boxed{ RawComputeRate \gg AICognitiveRate. } $$ 本文提出 **CDI Runtime v0.1** 的九層架構： 1. Evidence Adapters； 2. Event Normalizer； 3. Persistent State / Event Log； 4. Region Segmenter / Causal Compute Graph； 5. Paradigm Profile / PRL； 6. AIVS Relay / Governor； 7. Candidate Store / Semantic-Causal Fence； 8. Shadow Benchmark / Game Equivalence； 9. Route Promotion / Fallback。 Windows 第一階段不自行重寫 ETW kernel tracer，而重用官方 WPR / ETW / WPA Exporter： $$ WPR \rightarrow ETL \rightarrow WPAExporter \rightarrow CSV/NormalizedJSONL \rightarrow CDI. $$ 遊戲語義面則可與既有 `mssp-game-computer-runtime-mvp` 並存：MSSP 提供視窗、持續視覺事件、控制、安全證據與 DMS 類稽核；CDI 的 performance plane 則由 ETW／PIX／profiler 提供。兩者最終可在共同 epoch / event reference 下對齊，但本文不把 MSSP 誤稱為 performance profiler。 本文交付一個標準函式庫 Python MVP，使用 SQLite WAL 持久化，實作： - Run / Event Store； - AIVS Vertical Sync Packet； - deterministic sync pressure / R0-R2 escalation； - Compute Candidate； - read-set-aware relevant conflict； - state version； - idempotency； - lease / fencing token； - Effect Barrier； - Commit Receipt； - Paradigm Profile； - Backend Registry； - Route Candidate； - Shadow Benchmark； - Route Promotion； - Serialization Finding； - JSONL evidence import； - Windows WPR/WPA capture plan； - synthetic smoke test。 實際 smoke test 已驗證： - 正常 AIVS event 落在 `R0`； - 高壓 event 進 `ESCALATE`； - candidate 1 正常 commit； - 一個以舊 state version 產生、但 read-set 與期間 changed keys 不衝突的 candidate 仍可合法 commit； - 真正 relevant stale candidate 被拒； - 重複 idempotency key 回傳同一 commit receipt； - 舊 fencing token 被拒； - speculative irreversible effect 被拒； - shadow route 在 state equivalence 成立且 `40 ms → 18 ms` 時被 promotion； - state 不等價的較快 route 被拒； - synthetic serialization gap 被估為 `26 ms`。 因此本文達到的是： $$ \boxed{ \text{Architecture Exists} + \text{Core Protocol Behaves in Synthetic MVP} } $$ 而不是： $$ \boxed{ \text{任何舊遊戲已被自動多核化}. } $$ 後續工程版本應沿： $$ Observer \rightarrow Advisor \rightarrow Shadow \rightarrow LowRiskCommit \rightarrow AdaptiveRouting $$ 逐步推進。 --- # 1. 工程目標與非目標 ## 1.1 v0.1 目標 CDI Runtime v0.1 要能回答： > 目前程式／工作域裡發生了什麼？ > 哪些 region 值得進一步分析？ > 一個計算結果是否仍基於合法狀態？ > 一個新 route 是否只應存在於 shadow？ > 哪些異常應由 Relay 局部吸收，哪些需要 Governor？ > 哪些 evidence 足以 promotion，哪些只能 advisory？ --- ## 1.2 v0.1 非目標 本文不宣稱： - 任意 Windows binary 可以自動平行化； - AI 可以安全重排任意 machine instruction； - 任意 single-thread game 都能多核加速； - 24／72 已是最終完整 routing ontology； - LLM 判斷等同 correctness proof； - synthetic benchmark 等同真實 game speedup； - SQLite 是高頻 game-state database 的最終方案； - Python MVP 是 hard-real-time runtime。 --- # 2. 核心架構 ```text ┌──────────────────────────────┐ │ Application / Game / Workload│ └──────────────┬───────────────┘ │ ┌───────────────────┼───────────────────┐ ▼ ▼ ▼ Source/Symbol ETW/PIX/WPA MSSP Semantic Adapter Evidence Bridge │ │ │ └───────────────┬───┴───────────────────┘ ▼ Evidence Normalizer │ ▼ Event Log / State Store │ ▼ Region Segmenter / Causal Compute Graph │ ┌───────┴────────┐ ▼ ▼ Paradigm Profile AIVS / PRL Relay/Governor │ │ └───────┬────────┘ ▼ Candidate Store │ ▼ Semantic-Causal Fence │ ┌───────────┴───────────┐ ▼ ▼ Reject/Hold Shadow Run │ ▼ Equivalence / Benchmark │ ┌──────┴──────┐ ▼ ▼ Reject Promote │ ▼ Route Commit │ ▼ Receipt ``` --- # 3. Evidence Plane CDI 不自己取代所有 profiler。 v0.1 Evidence Plane： $$ \boxed{ E= E_{source} \oplus E_{trace} \oplus E_{semantic} \oplus E_{benchmark}. } $$ --- # 4. Windows Trace Adapter Windows 官方 ETW 已提供 Provider / Controller / Consumer 事件架構；WPR 基於 ETW 擷取，WPA 分析 ETL，WPA Exporter 可以把指定 profile 中的 table 自動匯出 CSV。 因此 v0.1 建議： ```text wpr -start GeneralProfile -filemode ↓ run benchmark ↓ wpr -stop cdi_trace.etl "CDI capture" ↓ wpaexporter.exe ↓ CSV ↓ CDI Normalizer ``` MVP 目前提供 `windows-plan` 指令產生這條命令規劃，但不在本執行環境宣稱已 native 解析 ETL。 --- # 5. 為什麼先 Export 再 Normalization？ 因為工程優先順序應是： $$ \boxed{ \text{先驗證 CDI 決策流程} > \text{先重造 ETW parser}. } $$ 若 Runtime 本身的： - region model； - Candidate/Commit； - AIVS； - route promotion； 都尚未證實，就沒有必要先投入 kernel tracing infrastructure。 --- # 6. Native ETW 的未來位置 v0.2+ 可新增： ```text ETW Real-Time Consumer → normalized event → Event Store ``` 但 Adapter Contract 不變。 這就是： $$ \boxed{ TransportReplaceable + SemanticContractStable. } $$ --- # 7. MSSP Game Runtime Bridge 既有 `mssp-game-computer-runtime-mvp` v0.8.0 已具有： - 持續遊戲視窗擷取； - temporal diff； - structured vision events； - bounded multimodal queue； - action verification； - live control plane； - DMS JSONL audit； - RDR 註冊／授權； - provider-neutral inference path。 CDI 不應重寫這一套。 合理整合： $$ \boxed{ MSSP = VisualSemanticPlane } $$ $$ \boxed{ CDI = PerformanceCausalPlane. } $$ --- # 8. 兩個 Plane 的交會 例如： MSSP： > scene changed，進入戰鬥。 CDI： > 同一時間窗 main-thread `npc.paths` 從 4 ms 上升到 18 ms。 這建立： $$ \boxed{ SemanticEvent \leftrightarrow PerformanceEvent. } $$ 仍需要 intervention / replay 才能進一步支持因果，而不是只靠時間共現。 --- # 9. Persistent Runtime State v0.1 使用 SQLite。 不是因為 SQLite 最快，而是因為它提供： - transactional durability； - WAL； - relational query； - zero-service deployment； - Python stdlib support。 適合 MVP 的： $$ \boxed{ ControlPlaneState. } $$ --- # 10. SQLite 不放 raw high-frequency telemetry raw trace 應： - file； - ETL； - CSV； - parquet / binary future store； 保存。 SQLite 放： - index； - digest； - event； - candidate； - receipt； - summary； - evidence pointer。 所以： $$ \boxed{ Database \neq RawTraceWarehouse. } $$ --- # 11. 核心資料表 v0.1 實作： ```text runs events state_changes leases candidates commit_receipts sync_events paradigm_profiles backend_capabilities route_candidates route_benchmarks route_receipts serialization_findings negative_routes external_imports ``` --- # 12. Run $$ Run = ( epoch, topologyVersion, policyVersion, stateVersion ). $$ 四個版本分開。 避免： > 一個 `version=42` 到底代表什麼？ --- # 13. Event append-oriented： ```text event_id run_id event_type scope payload time ``` 正式狀態可以被 fold / projection 重建。 --- # 14. State Version 每次正式 commit： $$ v\rightarrow v+1. $$ 並記： $$ ChangedKeys(v). $$ 這使 relevant conflict 可被機械判斷。 --- # 15. Relevant Conflict 若 candidate 讀： $$ R(c). $$ 在其 read version 到現在期間改變： $$ \Delta W. $$ 只有： $$ \boxed{ R(c)\cap\Delta W\neq\varnothing } $$ 才必然因 relevant stale state 拒絕。 --- # 16. 為什麼不是版本不同就全拒？ 因為： Worker A 讀 `weather`。 其他 commit 只改 `npc_paths`。 則： $$ VersionChanged $$ 但： $$ RelevantConflict=0. $$ 可以保留 concurrency。 MVP smoke test 已驗證此案例。 --- # 17. AIVS Runtime v0.1 的 Relay 不必是 LLM。 先： $$ Z = \frac{ A+D+C+U+R+N }{6}. $$ 依 threshold： $$ Z<0.25 \Rightarrow R0 $$ $$ 0.25\le Z<0.5 \Rightarrow R1 $$ $$ 0.5\le Z<0.75 \Rightarrow R2 $$ $$ Z\ge0.75 \Rightarrow ESCALATE. $$ --- # 18. R0 的意義 R0： - deterministic； - no LLM required； - digest/version/check/status。 這是 Token 控制核心。 --- # 19. VSP Vertical Sync Packet 只帶： - identity； - epoch/version； - status； - pressure； - regime； - evidence refs。 不是： > 把完整 trace 貼給 AI。 --- # 20. Evidence Reference VSP： ```json { "evidence_refs": [ "etl:cdi_trace.etl#cpu/123", "mssp:event:scene-991" ] } ``` 只有必要時： $$ Retrieve. $$ --- # 21. Candidate Store Worker 的 result 不直接成為 state。 先： $$ \boxed{ Candidate. } $$ 保存： - input version； - read keys； - write keys； - output digest； - effect class； - authority； - idempotency。 --- # 22. Semantic-Causal Fence v0.1 先 deterministic： 1. epoch； 2. topology； 3. policy； 4. dependency； 5. invariant； 6. semantic status； 7. effect barrier； 8. fencing token； 9. relevant conflict。 未來才讓 AI 介入 semantic ambiguity。 --- # 23. Effect Barrier 如果： $$ Speculative=1 $$ 且： $$ EffectClass=Irreversible, $$ v0.1： $$ \boxed{ Reject. } $$ --- # 24. 為什麼這麼保守？ 因為： $$ \boxed{ SpeculativeCompute } $$ 應主要發生在： - Pure； - Reversible； - sandboxed； region。 真正不可逆外部作用要在更強治理下另行設計。 --- # 25. Idempotency 重複： $$ Commit(candidate) $$ 不應造成第二個 effect。 MVP 以： $$ (run,idempotencyKey) $$ 唯一索引實作。 --- # 26. Lease / Fencing scope： ```text npc physics route.global ``` 每次 ownership 更新： $$ token\rightarrow token+1. $$ 舊 token： $$ Reject. $$ Smoke test 已驗證： $$ token_1 Speed. $$ --- # 33. Game Equivalence Contract 正式遊戲版本不能只用 generic JSON equality。 需要 adapter 定義： $$ GEC = ( StateFields, RNG, Events, Tolerance, PromotionPolicy ). $$ --- # 34. Frame / Simulation Epoch 未來 Game Adapter 應至少支援： $$ \mathbf e = ( e_{sim}, e_{render}, e_{asset}, e_{network} ). $$ 不要假設： $$ Frame=Tick. $$ --- # 35. Serialization Finding v0.1 儲存： $$ T_{observed} $$ $$ \hat T_{necessary} $$ 以及： $$ \boxed{ \hat G_S = T_{observed} - \hat T_{necessary}. } $$ Smoke： $$ 40-14=26ms. $$ 此值只是 synthetic engineering estimate，不是任何真實遊戲測量。 --- # 36. Evidence Authority 建議： ```text E0 timing only → observe E1 thread/call stack → advise E2 markers/API/locks → advise E3 source/IR/read-write → shadow E4 shadow equivalence → low-risk promotion E5 repeated benchmark → policy-bounded promotion ``` --- # 37. Capability ≤ Evidence $$ \boxed{ AutomationAuthority \le EvidenceMaturity. } $$ 這是整個工程版本最重要的 governance invariant 之一。 --- # 38. Windows-first 開發階段 ## Phase 0 — Synthetic Core 已完成 MVP。 內容： - DB； - AIVS； - candidate； - relevant conflict； - route shadow； - smoke tests。 --- # 39. Phase 1 — Observer Windows： $$ WPR \rightarrow ETL \rightarrow WPAExporter \rightarrow CSV \rightarrow Normalizer. $$ 只觀察。 --- # 40. Phase 2 — Advisor 輸出： ```yaml finding: region: evidence: suspected_serialization_gap: confidence: safest_next_experiment: ``` 不改程式。 --- # 41. Phase 3 — Source-visible Patch Candidate 只對： - source available； - build works； - tests exist； project。 AI 生成 patch。 仍： $$ Candidate. $$ --- # 42. Phase 4 — Shadow Route 新 route： $$ NoExternalAuthority. $$ 重播／benchmark。 --- # 43. Phase 5 — Low-risk Commit 允許： - Pure； - Reversible； - local scope； promotion。 --- # 44. Phase 6 — Adaptive Runtime Routing 最後才： $$ AIVS+PRL $$ 動態調 route。 --- # 45. 第一個真實 benchmark 的選擇 應選： $$ \boxed{ OpenSource + Windows + LegacyStyleMainLoop + DeterministicScenario } $$ 而不是： $$ AAAClosedBinary. $$ --- # 46. Benchmark 成功條件 至少： ## Performance - p50； - p95； - p99； - main-thread ms； - CPU utilization； - wait time。 ## Correctness - GEC； - crash； - deadlock； - state divergence； - RNG divergence。 ## AI Cost - calls； - Token； - latency； - escalation。 --- # 47. 必須有 Baseline 同一： - build； - scene； - save； - settings； - warmup； - capture duration。 否則： $$ Speedup $$ 沒有意義。 --- # 48. Warmup 必須分開 shader compile、cache、JIT 都可能污染第一次 run。 --- # 49. Route Promotion Rule 建議： $$ Promote \iff CorrectnessPass \land Speedup\ge S_{min} \land TailLatencyNotWorse \land FallbackPass. $$ --- # 50. Rollback / Fallback route promotion 不直接刪 original。 保存： $$ \boxed{ OriginalRoute. } $$ 如果： - performance regression； - error； - AI unavailable； - capability loss； 立即： $$ Fallback. $$ --- # 51. Negative Route Memory 失敗 route： ```text region hash route fingerprint reason benchmark ``` 未來： $$ RetrieveFailure. $$ 避免重新浪費 Token。 --- # 52. Route Cache 成功 route： $$ ProfileHash + HardwareProfile + Policy \rightarrow KnownRoute. $$ 工作由 Search 逐步轉成 Retrieval。 --- # 53. ACR 在 Runtime 的具體位置 不是只有： > 模型想多深。 而是： $$ R = ( Frequency, Context, EvidenceFetch, Model, Verifier, Authority ). $$ --- # 54. AI Timeout 若： $$ AIResponseTime>Deadline, $$ v0.1 default： $$ \boxed{ KEEP\_ORIGINAL. } $$ --- # 55. AI Down Runtime 仍可： - observe； - deterministic validate； - serial fallback； - existing route。 因此： $$ \boxed{ AIUnavailable \not\Rightarrow ApplicationUnavailable. } $$ --- # 56. Critical Path 原則： $$ \boxed{ AIBlockingCriticalPath \rightarrow Minimize. } $$ AI 大多： $$ Sideband. $$ --- # 57. Relay / Governor 的部署建議 Relay： - 本地； -小模型／rules； - subsystem scope。 Governor： - 本地強模型或雲端； -低頻； - cross-domain。 --- # 58. 不要求一開始多 AI MVP 可由： $$ \boxed{ OneProcess } $$ 模擬： - Relay policy； - Governor policy。 先驗證架構， 再拆成多模型。 --- # 59. 與現有 MSSP Repo 的部署方式 `mssp-game-computer-runtime-mvp` 目前 Python `>=3.11`、零 runtime dependencies，具有 CLI / MCP server。 CDI MVP 也刻意採 Python stdlib-only， 方便未來： ```text MSSP ↕ JSONL / MCP / local bridge CDI Runtime ``` 而不立即新增大型 dependency graph。 --- # 60. DMS Bridge 如果 MSSP DMS 產生 JSONL， CDI v0.1 已提供： ```text import-jsonl ``` 作通用 event ingest。 這只是 generic import；正式 MSSP semantic mapping 仍需下一個工程版本定 schema。 --- # 61. CLI 目前： ```text init-db demo smoke windows-plan import-jsonl ``` --- # 62. Quick Start ```bash python src/cdi_runtime_mvp.py smoke --db tests/cdi_smoke.db ``` 成功： ```text PASS ``` --- # 63. Windows Capture Plan ```bash python src/cdi_runtime_mvp.py windows-plan ``` 輸出： ```text wpr -start GeneralProfile -filemode wpr -stop "cdi_trace.etl" "CDI capture" wpaexporter.exe ... ``` production 應改用自訂 WPR / WPA profile，而非永久只用 GeneralProfile。 --- # 64. Schema Validation 本文附 JSON Schema： - VSP； - Compute Candidate； - Paradigm Profile； - GEC。 Python MVP v0.1 不引入 `jsonschema` dependency。 schema 是： $$ \boxed{ WireContract } $$ 不是 runtime validator dependency。 --- # 65. 為什麼 stdlib-only？ 為了： - 與 MSSP repo 風格相容； -降低 deployment friction； -先驗證 protocol； -未來再替換性能組件。 --- # 66. SQLite 之後可以換 Adapter boundary： $$ PersistencePort. $$ 未來： - PostgreSQL； - RocksDB； - event store； - Redis； 都可。 但 v0.1： $$ SQLite. $$ --- # 67. Trace Store 也可以換 v0.1 只保存 references / normalized events。 未來： - Arrow； - Parquet； - DuckDB； - columnar trace store。 --- # 68. PRL 也可以換 v0.1 route policy： - rule； - profiler； - shadow benchmark。 未來： - optimizer； - learned router； - constraint solver。 --- # 69. AI Provider 也可以換 Runtime 不應寫死： $$ OpenAIOnly. $$ Relay / Governor contract： $$ StructuredDecisionIn \rightarrow StructuredDecisionOut. $$ --- # 70. Decision Schema 未來 AI 最好只輸出： ```yaml decision: act: NOOP | INSPECT | HOLD | RETRY | REROUTE | ESCALATE target: reason_code: evidence_refs: confidence: ``` 而不是自由文字直接控制程序。 --- # 71. Natural Language 是 Explanation Plane AI 可以另附： ```text explanation ``` 但正式控制依： $$ TypedDecision. $$ --- # 72. Security Boundary v0.1 不應以管理員權限常駐。 Windows Observer： 只要求取得 profiler 所需最小權限。 --- # 73. Binary Instrumentation Detours： $$ ObserverOnly $$ 預設。 不把： $$ CanHook $$ 當作： $$ CanRewrite. $$ --- # 74. Anti-Cheat 競技／反作弊遊戲： $$ \boxed{ OutOfScope } $$ 除非遊戲／平台明確允許 instrumentation。 --- # 75. Copyright / Mod Boundary CDI 工具： - 不散布遊戲本體； -不散布 proprietary code； -改動方案與 patch 需依實際授權。 --- # 76. Safety Invariants ## I1 $$ AIRecommendation\neq CommitAuthority. $$ ## I2 $$ EvidenceRetrievable. $$ ## I3 $$ StaleFencingCannotCommit. $$ ## I4 $$ IrreversibleSpeculationBlocked. $$ ## I5 $$ AIOutageHasFallback. $$ ## I6 $$ CorrectnessBeforeSpeed. $$ ## I7 $$ UnknownIsAllowed. $$ ## I8 $$ Capability\le Evidence. $$ --- # 77. Smoke Test 內容 實際執行： - 2 AIVS sync events； - 5 candidates； - 2 valid commits； - 2 route candidates； - 2 shadow benchmarks； - 1 route promotion； - 1 serialization finding。 --- # 78. Smoke Test 核心結果 ```text low_regime = R0 high_regime = ESCALATE idempotent_same_commit = true relevant_conflict_rejected = true stale_fencing_rejected = true irreversible_speculation_rejected = true shadow_route_equivalent = true route_promoted = true bad_route_rejected = true serialization_gap_ms = 26.0 ``` --- # 79. 此 Smoke Test 能支持什麼？ 支持： > v0.1 的 protocol logic 在 synthetic scenario 中按預期運作。 --- # 80. 不能支持什麼？ 不支持： - 真實 ETW ingestion throughput； -真實遊戲 speedup； -AI classifier accuracy； -真實 thread-safe runtime mutation； -真實 GPU route promotion； -高併發 distributed commit。 --- # 81. 第一個真正有判別力的工程實驗 選一個 source-visible game / simulation。 建立： $$ Baseline. $$ 找一個： $$ CandidateRegion. $$ 例如 NPC path batch。 --- # 82. Experiment A 原： $$ Serial. $$ 新： $$ ParallelShadow. $$ --- # 83. Experiment B 測： - state； - RNG； - events； - p95/p99； - CPU utilization。 --- # 84. Experiment C 若通過： $$ PromoteLowRisk. $$ --- # 85. Experiment D 注入： - stale navmesh； - delayed worker； - duplicate result。 測 Candidate/Commit。 --- # 86. Experiment E 關 AI。 測： $$ Fallback. $$ --- # 87. Experiment F 讓 AI 給錯 route。 測： $$ ShadowGate. $$ --- # 88. Experiment G 故意製造： $$ VersionChanged $$ 但： $$ NoRelevantConflict. $$ 測 concurrency 不被過度犧牲。 --- # 89. Experiment H 故意： $$ RelevantConflict. $$ 必須 reject。 --- # 90. Engineering Success Criteria v0.2 至少： - 1 source-visible app； - 1 real ETW capture； - 1 normalized trace； - 1 AI/heuristic serialization finding； - 1 shadow route； - correctness pass； - measurable net gain； - AI overhead measured； - fallback verified。 --- # 91. Engineering Success Criteria v0.3 加入： - MSSP semantic event alignment； -Game Adapter； -GEC； -frame/sim epochs； -negative route memory。 --- # 92. Engineering Success Criteria v0.4 加入： - live Relay； -limited runtime route switch； -low-risk local commit。 --- # 93. Engineering Success Criteria v0.5 加入： - multi-relay； -Governor； -cross-flow conflict； -AIVS adaptive frequency。 --- # 94. Engineering Success Criteria 1.0 只有在： - repeated benchmarks； -multiple workloads； -reliability； -observability； -safe fallback； 都成熟後才考慮。 --- # 95. 系列的最終工程結論 最初問題是： > AI 能不能幫一個不擅長多核的舊遊戲加速？ 六篇之後，答案被精確化為： $$ \boxed{ \text{AI 可能可以幫忙，} } $$ 但它不是靠： $$ \boxed{ \text{AI 替 CPU 算所有東西。} } $$ 而是靠： $$ \boxed{ \text{看見計算} \rightarrow \text{理解依賴} \rightarrow \text{找出 Serialization Gap} \rightarrow \text{提出新 route} \rightarrow \text{低成本同步} \rightarrow \text{shadow} \rightarrow \text{驗證} \rightarrow \text{安全 promotion}. } $$ --- # 96. 最終統一式 $$ \boxed{ CDI = \underbrace{Observe}_{Evidence} + \underbrace{Understand}_{Causal/Paradigm} + \underbrace{AllocateAttention}_{AIVS/ACR} + \underbrace{Propose}_{RouteCandidate} + \underbrace{Verify}_{Fence/GEC} + \underbrace{Commit}_{Receipt} + \underbrace{Recover}_{Fallback}. } $$ --- # 97. 與 STDI 的尺度對應 STDI： $$ Intent \rightarrow WorldModel \rightarrow PhysicalRouting \rightarrow Action \rightarrow Evidence. $$ CDI： $$ \boxed{ Intent \rightarrow ComputeModel \rightarrow ComputeRouting \rightarrow Execution \rightarrow Evidence. } $$ 二者是結構相似， 不是同一 system。 --- # 98. 為什麼「AI 中繼」是必要的？ 沒有 Relay： $$ NWorkers \rightarrow Governor $$ 容易形成新中央瓶頸。 有 Relay： $$ Worker \rightarrow CheapCheck \rightarrow LocalRecovery/Reduction \rightarrow EscalateOnlyIfNeeded. $$ --- # 99. 為什麼 ACR 是必要的？ 如果每個 event 都： $$ DeepReasoning, $$ AI cost 會吞掉 acceleration。 所以： $$ \boxed{ ThinkProportionally } $$ 在這裡不只是哲學， 而是 performance requirement。 --- # 100. 為什麼 Candidate/Commit 是必要的？ AI 可能錯。 profiler inference 可能錯。 route candidate 可能錯。 所以： $$ \boxed{ FastExploration + SlowEnoughCommitDiscipline. } $$ 是安全平衡。 --- # 101. 為什麼 24／72 有價值？ 不是因為： > 世界只能有 24／72 種計算。 而是因為它提供： $$ \boxed{ CompactRoutingVocabulary. } $$ 幫 Runtime 問： - sequence？ - selective？ - parallel？ - retrieval？ - deterministic？ - stochastic？ - quantum/hybrid？ 但： $$ \boxed{ RealityWinsOverTaxonomy. } $$ --- # 102. 為什麼 Game Benchmark 有價值？ 因遊戲同時包含： $$ State + Latency + CPU/GPU + Interaction + RNG + VisualSemantics. $$ 如果 CDI 能在這裡工作， 它會是很強的 stress test。 --- # 103. 但遊戲不是唯一目的 同一 Runtime 可測： - scientific app； -media tool； -simulation； -CAD； -legacy server； -data pipeline。 --- # 104. 最終產品形態 可能不是： > AI 多核加速器。 更可能是： # **AI Computational Control Plane** 即： > 一個位於 existing compiler/runtime/OS 之上的語義—因果治理層。 --- # 105. 系列封頂 本系列到第六篇停止新增論文。 $$ \boxed{ SeriesStatus = THEORETICAL\ CLOSED + ENGINEERING\ OPEN. } $$ 後續只進： - CDI Runtime v0.2； - AIVS protocol v0.2； - Windows adapter； - Game Adapter； - benchmark； - source-visible optimizer； - production hardening。 不以「第七篇」延伸本系列核心。 --- ## 參考資料 ### 系列內部研究 1. 《AI 不必替代計算：從傳統執行平面到語義—因果控制平面》，2026。 2. 《AI 垂直同步：分層中繼、認知比例性與低成本因果一致》，2026。 3. 《候選不是提交：多 X 計算中的因果校正、錯位檢測與可恢復執行》，2026。 4. 《從 24／72 計算範式到 Runtime 路由》，2026。 5. 《舊應用與遊戲的 AI 加速：從實作串行化到必要串行化》，2026。 6. 《計算的二十四重範式》正式版 v4.0，2026。 7. 《從二十四重計算形態學到七十二格計算動力學》v0.1，2026。 8. 《Adaptive Cognitive Runtime 工程白皮書》v0.1，2026。 9. `mssp-game-computer-runtime-mvp` v0.8.0。 ### 2026-08-10 重新核對之 Primary Sources 10. Microsoft Learn. *About Event Tracing / Event Tracing Tools / WPR Command-Line Options / WPA Exporter*。 11. Microsoft Learn. *PIX Timing Captures — Analyze CPU and GPU*。 12. SQLite. *Atomic Commit In SQLite / Write-Ahead Logging*。 13. LLVM/MLIR. *Transform Dialect / Transform Dialect Tutorial*。 14. Microsoft Research. *Detours*。 --- ## 版本紀錄 - **v0.1 / 2026-08-10**：系列封頂工程版。交付 SQLite runtime、AIVS、Candidate/Commit、relevant conflict、lease/fencing、Effect Barrier、Paradigm Profile、Route Shadow/Promotion、Serialization Finding、JSONL import、Windows capture plan、JSON Schema 與 synthetic smoke test。