# 展開算子的第二代定義——從概率候選到意圖條件計算域

## A Second-Generation Definition of the Expansion Operator: From Probabilistic Candidates to Intent-Conditioned Computational Domains

**作者：** Neo.K（許筌崴）with Aletheia  
**機構：** EveMissLab（一言諾科技有限公司）  
**日期：** 2026 年 8 月  
**版本：** v0.1  
**系列定位：** 概率—意圖—展開第二代橋接系列，第 2 篇  
**前置論文：**《從概率場到意圖場——跨尺度條件概率如何形成持久未來約束》  
**舊理論依賴：**《內外雙生展開計算論》系列、《雙記憶體認知超導：展開—收斂對偶性的必然架構》

---

## 摘要

「增加推理」通常被理解為增加 token、增加模型深度、增加採樣數、增加搜索分支或增加計算時間。然而，這些方法只回答了「多算多少」或「多走幾條路」，尚未回答更一般的問題：

> **當一個智能系統面對尚未充分定義的問題時，它究竟能否改變本輪計算本身所允許存在的狀態、節點、關係、工具、世界地址與候選操作？**

本文將此問題稱為「**展開問題**」。

現有研究已分別展示多種 conditional computation。Adaptive Computation Time 允許 recurrent neural network 根據輸入學習需要執行多少內部計算步；Mixture-of-Depths 則讓 Transformer 在固定總計算預算下，動態決定哪些 token 在哪些層值得消耗更多 FLOPs。 Tree of Thoughts 將語言模型由單一路徑 autoregressive generation 提升為可以建立多個中介 thought states、評價不同路徑、look ahead 與 backtrack 的搜索架構；2025 年針對 LLM Agents 的 test-time compute scaling 研究又進一步系統比較 parallel sampling、sequential revision、verifier、merging 與 diversified rollouts。

這些工作共同說明：

$$
\boxed{
\text{Computation need not be uniformly allocated.}
}
$$

但本文主張還可以提出更一般的一層：

$$
\boxed{
\text{The computational domain itself can be dynamically constructed.}
}
$$

本文因此定義第二代展開算子：

$$
\boxed{
\mathcal E^{(2)}:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\longrightarrow
\mathfrak C_t
}
$$

其中：

- $\Sigma_t$ ：當下內部系統狀態；
- $\mathfrak P_t^I$ ：經意圖重新組織後的跨尺度概率場；
- $M_t$ ：持久記憶；
- $W_t$ ：當前世界／工作場狀態；
- $B_t$ ：資源、權限、時間、風險與治理邊界；
- $\mathfrak C_t$ ：為當前任務暫時建立的**活動計算域**。

活動計算域不只包含更多文字候選，而可以包含：

$$
\boxed{
\text{states}
+
\text{relations}
+
\text{operators}
+
\text{tools}
+
\text{addresses}
+
\text{hypotheses}
+
\text{simulated trajectories}
+
\text{verification conditions}
}
$$

。

因此本文嚴格區分：

$$
\boxed{
\text{Search}
\neq
\text{Expansion}
}
$$

搜索是在既有計算域內尋找路徑；

展開則會改變：

$$
\boxed{
\text{what counts as a node, edge, operator, or reachable region in that domain.}
}
$$

舊《內外雙生展開計算論》已提出「邊推理、邊顯影、邊建路」的動態幾何觀點，並認為智慧不只是尋找既有道路，也可能在任務、因果、權限與成本約束下改變道路存在的方式。 其操作性分元理論則已把地址、橋接、投影、工具與提交操作視為能直接改寫解空間幾何的可執行單位。

本文在此基礎上加入前一篇的跨尺度概率場與意圖場，使展開不再是無條件擴張，而成為：

$$
\boxed{
\text{intent-conditioned selective construction of a temporary computational domain}
}
$$

並提出「**最小充分展開原理**」：

$$
\boxed{
\mathfrak C_t^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
\quad
\text{s.t.}
\quad
P(
G\mid
\mathfrak C,I_t,M_t,W_t
)
\geq
1-\epsilon
}
$$

即成熟智能的目標不是最大展開，而是建立**足以可靠完成當前目標的最小活動計算域**。

本文最後把展開分為表示展開、分支展開、深度展開、模組展開、外場展開、時間展開與驗證展開七種可組合形式，並建立展開觸發、預算配置、停止、回退與重新壓縮條件。

由此：

$$
\boxed{
\text{Expansion}
\neq
\text{thinking more}
}
$$

更一般而言：

$$
\boxed{
\text{Expansion}
=
\text{temporarily making more relevant computation possible.}
}
$$

---

**關鍵詞：** 展開算子、活動計算域、動態解空間、Adaptive Computation、Test-Time Compute、Tree of Thoughts、意圖場、概率場、Agent Runtime、動態智能

---

# 一、問題：我們一直說「展開」，到底在展開什麼？

前一篇建立：

$$
\mathfrak P_t
\rightarrow
\mathfrak P_t^I
$$

。

亦即，

系統原本具有一族跨尺度未來概率分布：

$$
\mathfrak P_t
$$

。

意圖：

$$
I_t
$$

使它們被重新組織成：

$$
\mathfrak P_t^I
$$

。

但是知道：

> 哪些方向比較重要

還不等於：

> 真正去計算那些方向。

於是必須存在下一個算子：

$$
\boxed{
\mathcal E
}
$$

。

---

# 二、最直覺的展開是「產生更多候選」

例如：

$$
S_t
\rightarrow
\{
s_1,s_2,s_3,s_4
\}
$$

。

如果原本只生成：

$$
s_1
$$

現在生成四種可能，

可以稱為：

$$
\boxed{
\text{branch expansion}
}
$$

。

這當然是一種展開。

但它不是全部。

---

# 三、因為有時候問題不是「候選太少」

而是：

> **原本的計算空間裡根本沒有正確答案所需要的節點。**

例如：

你要 AI 修一個 GitHub 專案。

如果它的 active domain 只有：

$$
\{
\text{prompt},
\text{language model}
\}
$$

那它只能：

> 猜程式碼。

即使生成：

$$
10^6
$$

個候選，

仍然可能沒有：

- repository state；
- compiler；
- tests；
- filesystem；
- dependency graph；
- issue history。

---

# 四、因此真正需要的是把新物件「加入計算世界」

原本：

$$
\mathfrak C_t^{(0)}
=
\{
\text{text context}
\}
$$

。

展開後：

$$
\mathfrak C_t^{(1)}
=
\{
\text{text},
\text{repository},
\text{compiler},
\text{tests},
\text{filesystem}
\}
$$

。

這不是：

$$
\boxed{
\text{more sampling}
}
$$

而是：

$$
\boxed{
\text{domain enlargement}
}
$$

。

---

# 五、所以本文先建立最重要的區分

## Search

給定：

$$
\mathfrak C
$$

在其中找：

$$
p:
s_0\rightarrow s_G
$$

。

即：

$$
\boxed{
\operatorname{Search}
(
\mathfrak C
)
}
$$

。

---

## Expansion

改變：

$$
\mathfrak C
$$

本身：

$$
\boxed{
\mathfrak C_t
\rightarrow
\mathfrak C_{t+1}
}
$$

。

因此：

$$
\boxed{
\text{Search operates inside a space;}
}
$$

$$
\boxed{
\text{Expansion changes the available space.}
}
$$

。

---

# 六、這是本文最核心的一刀

如果只有：

$$
\text{Search}
$$

則所有答案必須已經隱含存在於：

$$
\mathfrak C
$$

。

如果允許：

$$
\text{Expansion}
$$

則問題求解可以包括：

$$
\boxed{
\text{constructing the space in which the answer becomes reachable.}
}
$$

。

---

# 七、舊 DIEEC 已經碰到這個方向

舊《展開式解空間》明確提出：

> 智慧不只是「在世界中找到道路」，也可能在不違反任務、因果、權限與成本邊界下持續改變道路存在的方式。

這其實就是：

$$
\boxed{
\text{Path Search}
\rightarrow
\text{Path-Space Construction}
}
$$

。

第二代定義正式把兩者分開。

---

# 八、定義基礎系統狀態

令：

$$
\boxed{
\Sigma_t
=
(
\theta_t,
S_t,
M_t,
I_t,
V_t
)
}
$$

。

其中：

$$
\theta_t
=
\text{model / policy parameters}
$$

$$
S_t
=
\text{working internal state}
$$

$$
M_t
=
\text{persistent memory}
$$

$$
I_t
=
\text{intention}
$$

$$
V_t
=
\text{evaluation/value structure}
$$

。

---

# 九、外部世界另外表示為

$$
\boxed{
W_t
}
$$

。

它可以包含：

- files；
- database；
- APIs；
- tools；
- robots；
- users；
- code repository；
- simulation；
- web；
- operating environment。

---

# 十、而所有東西都不是無限制可用

因此加入：

$$
\boxed{
B_t
}
$$

Boundary state。

包括：

$$
B_t
=
(
C_t,
T_t,
R_t,
A_t,
G_t
)
$$

其中：

- $C_t$ ：compute budget；
- $T_t$ ：time budget；
- $R_t$ ：risk budget；
- $A_t$ ：authority / permissions；
- $G_t$ ：governance constraints。

---

# 十一、再加入上一篇的意圖概率場

$$
\boxed{
\mathfrak P_t^I
=
\{
P_L(Z_L\mid\Sigma_t,I_t,M_t,W_t)
\}_{L\in\Lambda}
}
$$

。

它回答：

> 哪些可能方向值得注意？

但仍沒有把方向真正展開。

---

# 十二、因此第二代展開算子正式定義為

$$
\boxed{
\mathcal E^{(2)}:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\rightarrow
\mathfrak C_t
}
$$

。

其中：

$$
\boxed{
\mathfrak C_t
=
\text{Active Computational Domain}
}
$$

。

中文：

# 活動計算域

---

# 十三、什麼是活動計算域？

本文定義：

$$
\boxed{
\mathfrak C_t
=
(
N_t,
E_t,
O_t,
X_t,
Q_t,
K_t
)
}
$$

。

其中：

$$
N_t
=
\text{active nodes/states}
$$

$$
E_t
=
\text{active relations/edges}
$$

$$
O_t
=
\text{available operators}
$$

$$
X_t
=
\text{external addresses/tools}
$$

$$
Q_t
=
\text{verification/evaluation conditions}
$$

$$
K_t
=
\text{resource and boundary metadata}
$$

。

---

# 十四、Node 不一定是一段文字

$$
n_i\in N_t
$$

可以是：

- 一個命題；
- 一段 latent state；
- 一個 hypothesis；
- 一個 code patch；
- 一個文件；
- 一個 API response；
- 一個 world state；
- 一個 simulation state；
- 一個 plan；
- 一個 unresolved question。

---

# 十五、Edge 也不只是語義相似

$$
e_{ij}\in E_t
$$

可以代表：

- causal dependency；
- logical implication；
- temporal relation；
- tool transition；
- data dependency；
- authority relation；
- contradiction；
- version relation；
- possible action。

---

# 十六、Operator 是可以使狀態發生變化的東西

例如：

$$
o_i\in O_t
$$

可以是：

- generate；
- retrieve；
- compare；
- infer；
- compile；
- execute；
- simulate；
- verify；
- rollback；
- ask；
- branch；
- merge。

---

# 十七、這時「工具」不再是神經網路外面的附屬品

而成為：

$$
\boxed{
X_t\subset\mathfrak C_t
}
$$

的一部分。

只要某工具在本輪被納入 active computational domain，

它就成為：

> 本輪智能計算所允許使用的一種轉換能力。

---

# 十八、這與舊操作性分元的結構吻合

舊理論已經把「地址分元」視為啟動外部節點、「橋接分元」視為建立跨空間邊、「工具分元」視為進入中介解空間，而提交操作則直接修改權威世界並改變後續解空間。

因此第二代可以說：

$$
\boxed{
\text{Operational units are domain-modification instructions.}
}
$$

。

---

# 十九、所以一個 token 甚至可能不是「內容」

它可能是：

$$
\boxed{
\text{expansion instruction}
}
$$

。

例如語義：

> 查 GitHub issue。

真正作用：

$$
X_t
\rightarrow
X_t\cup
\{
\text{GitHub issue state}
\}
$$

。

---

# 二十、這形成第一種展開

## 外場展開

External-Field Expansion。

$$
\boxed{
\mathcal E_X:
\mathfrak C_t
\rightarrow
\mathfrak C_t
\cup
X_{\mathrm{new}}
}
$$

。

---

# 二十一、第二種：分支展開

Branch Expansion。

給定：

$$
s_t
$$

生成：

$$
\boxed{
\mathcal E_B(s_t)
=
\{
s_t^{(1)},\dots,s_t^{(k)}
\}
}
$$

。

Tree of Thoughts 就是很清楚的鄰近例子：它讓語言模型建立多個中介 reasoning states，評價不同路徑，並允許 look-ahead 與 backtracking，而不是被限制在單一路徑 left-to-right token generation。

---

# 二十二、第三種：深度展開

Depth Expansion。

不是增加 sibling candidates，

而是在某個候選上繼續：

$$
s_t
\rightarrow
s_{t+1}
\rightarrow
\dots
\rightarrow
s_{t+k}
$$

。

即：

$$
\boxed{
\mathcal E_D:
d\rightarrow d+k
}
$$

。

---

# 二十三、Adaptive Computation Time 是早期的重要鄰近形式

ACT 讓 recurrent neural network 根據問題需要，學習在接收輸入與輸出結果之間執行多少內部計算步，而且該機制本身可以保持 deterministic 與 differentiable。

因此：

$$
\boxed{
\text{fixed problem}
\nRightarrow
\text{fixed computational depth}
}
$$

早已不是必要條件。

---

# 二十四、第四種：路由／模組展開

假設模型存在：

$$
O_1,O_2,\dots,O_n
$$

多個 module/expert。

當前只啟動：

$$
O_3,O_7
$$

。

則：

$$
\boxed{
\mathcal E_O
}
$$

可以理解成：

> 把新的運算能力加入本輪 active domain。

---

# 二十五、Mixture-of-Depths 提供另一種相關證據

Mixture-of-Depths 讓 Transformer 在固定總 FLOPs budget 下，由網路使用 top- $k$ routing 決定哪些 token 在哪些 layer 實際參與 attention 與 MLP 計算，因此總成本可預測，但局部計算分配可以依 context 動態改變。

它說明：

$$
\boxed{
\text{compute allocation can itself be learned and state-dependent.}
}
$$

。

---

# 二十六、但本文的 $\mathcal E^{(2)}$ 比 MoD 更一般

MoD 主要改變：

$$
\boxed{
\text{which existing computation gets executed}
}
$$

。

本文還允許：

$$
\boxed{
\text{new computational objects and operators become active}
}
$$

。

---

# 二十七、第五種：表示展開

Representation Expansion。

假設原來：

$$
r_t
$$

只包含：

$$
\text{“這個方案不好”}
$$

。

系統可以展開成：

$$
r_t'
=
(
\text{cost},
\text{risk},
\text{logic},
\text{evidence},
\text{alternatives}
)
$$

。

所以：

$$
\boxed{
\mathcal E_R:
R^d
\rightarrow
R^{d+k}
}
$$

可以作為簡化表示。

---

# 二十八、這裡和「特徵升維」有相似性

但本文不把展開限定為：

$$
\mathbb R^d
\rightarrow
\mathbb R^{d+k}
$$

。

因為新增的：

$$
k
$$

甚至可能不是 vector dimensions，

而是：

- graph nodes；
- operators；
- tools；
- simulations；
- logical predicates。

所以「升維」只是：

$$
\boxed{
\text{representation expansion}
}
$$

的一個特殊情形。

---

# 二十九、第六種：時間展開

Temporal Expansion。

有些問題：

$$
S_t
$$

本身無法回答，

需要展開：

$$
S_{t+1},
S_{t+2},
\dots,S_{t+k}
$$

未來模擬。

所以：

$$
\boxed{
\mathcal E_T:
S_t
\rightarrow
\{
\gamma_1,\gamma_2,\dots
\}
}
$$

。

---

# 三十、第七種：驗證展開

Verification Expansion。

有時候答案已經有了，

真正缺的是：

> 怎麼知道它對？

於是新增：

- unit test；
- proof checker；
- independent critic；
- second source；
- simulation；
- counterexample search。

即：

$$
\boxed{
\mathcal E_V:
Q_t
\rightarrow
Q_t\cup Q_{\mathrm{new}}
}
$$

。

---

# 三十一、test-time scaling 正在實際使用其中數種展開

2025 年對 LLM Agents 的研究系統測試 parallel sampling、sequential revision、verifier/merging 與 rollout diversification，並發現 test-time compute 的增加可提升 agent 表現，而「何時反思」本身也是重要設計問題。

這意味著：

$$
\boxed{
\text{more compute}
}
$$

不是單純的量問題。

還包括：

$$
\boxed{
\text{where, when, and in what form compute is expanded.}
}
$$

。

---

# 三十二、因此本文的七類展開可以統一寫成

$$
\boxed{
\mathcal E
=
(
\mathcal E_R,
\mathcal E_B,
\mathcal E_D,
\mathcal E_O,
\mathcal E_X,
\mathcal E_T,
\mathcal E_V
)
}
$$

。

其中：

- $R$ ：representation；
- $B$ ：branch；
- $D$ ：depth；
- $O$ ：operator/module；
- $X$ ：external field；
- $T$ ：temporal；
- $V$ ：verification。

---

# 三十三、但這七種展開不需要每次全部啟動

真正問題變成：

$$
\boxed{
\text{Which expansion mode is needed now?}
}
$$

。

因此需要：

# 展開控制器

$$
\mathcal R_E
$$

Expansion Router。

---

# 三十四、展開控制器輸入

$$
\boxed{
\mathcal R_E
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
}
$$

。

輸出：

$$
\boxed{
(
L^*,
E^*,
b^*
)
}
$$

其中：

- $L^*$ ：展開尺度；
- $E^*$ ：展開模式；
- $b^*$ ：配置預算。

---

# 三十五、第一個觸發條件：不確定性

在某一尺度：

$$
L
$$

若：

$$
H_L>\tau_H
$$

可能值得展開。

但是：

$$
\boxed{
H_L>\tau_H
}
$$

不是充分條件。

---

# 三十六、因為有些不確定性根本不重要

例如：

> 按鈕要藍色還是深藍色？

若任務：

$$
G
$$

只是功能驗證，

這個 uncertainty：

$$
H_{\mathrm{color}}
$$

即使很高，

也不需要花大量 compute。

所以需要：

$$
\boxed{
\text{goal relevance}
}
$$

。

---

# 三十七、定義展開價值

$$
\boxed{
V_E(L)
=
\operatorname{EIG}_L
\cdot
R_G(L)
}
$$

其中：

$$
\operatorname{EIG}
=
\text{expected information gain}
$$

，

$$
R_G
=
\text{goal relevance}
$$

。

---

# 三十八、再扣除成本

定義：

$$
C_E(L)
$$

包含：

- token；
- FLOPs；
- latency；
- tool fees；
- memory；
- network；
- human intervention。

因此：

$$
\boxed{
U_E(L)
=
V_E(L)
-
\lambda C_E(L)
}
$$

。

---

# 三十九、還不夠，因為展開可以有風險

例如：

> 多想一條理論路線

風險很低。

但：

> 執行 production database migration

不是。

所以：

$$
R_E(L)
$$

表示 risk。

---

# 四十、完整展開效用

$$
\boxed{
J_E
=
\Delta U_G
+
\alpha\operatorname{EIG}
-
\lambda C
-
\mu R
-
\nu D
}
$$

其中：

$$
D
=
\text{delay / coordination overhead}
$$

。

---

# 四十一、展開觸發規則可以寫成

$$
\boxed{
\mathcal E_L
\text{ iff }
\mathbb E[J_E(\mathcal E_L)]
>
\tau_E
}
$$

。

也就是：

> 預期展開收益大於展開代價才展開。

---

# 四十二、這立即導出一個重要原理

## 最大展開不是最高智能

如果：

$$
|\mathfrak C_t|\rightarrow\infty
$$

而：

$$
\text{goal gain}
$$

沒有增加，

那只是：

$$
\boxed{
\text{computational explosion}
}
$$

。

---

# 四十三、成熟智能反而要盡量少展開

只要足夠。

這就是：

# 最小充分展開原理

Minimum Sufficient Expansion Principle。

---

# 四十四、形式定義

給定目標：

$$
G
$$

容許失敗率：

$$
\epsilon
$$

。

尋找：

$$
\boxed{
\mathfrak C_t^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
}
$$

使：

$$
\boxed{
P(
G
\mid
\mathfrak C,
I_t,
M_t,
W_t
)
\geq
1-\epsilon
}
$$

。

---

# 四十五、這是「展開層」和一般 scaling 最根本的差別之一

普通 scaling：

$$
\boxed{
\text{more compute}
\rightarrow
\text{hopefully better}
}
$$

。

最小充分展開：

$$
\boxed{
\text{find the smallest computation domain sufficient for the current task}
}
$$

。

---

# 四十六、這會讓簡單問題保持簡單

如果：

$$
Q=1+1
$$

已有：

$$
P(
2\mid Q
)
\approx1
$$

並且：

$$
V(Q)=1
$$

則：

$$
\boxed{
\mathcal E(Q)\approx\varnothing
}
$$

。

不需要：

- 搜索 Peano arithmetic；
- 建立 set theory；
- 查哲學史。

---

# 四十七、除非問題變成

> 為什麼 $1+1=2$ ？

此時 task scale 改變：

$$
G_1
\rightarrow
G_2
$$

。

原活動域不再充分。

所以：

$$
\boxed{
\mathcal E_R
+
\mathcal E_D
}
$$

啟動。

---

# 四十八、這正好連回上一系列的「簡單性相對」

智能的功能不是：

> 判定某問題永遠簡單或永遠複雜。

而是：

$$
\boxed{
\text{determine the sufficient active resolution for the current goal.}
}
$$

。

---

# 四十九、展開還必須有停止條件

否則：

$$
\mathcal E
\rightarrow
\mathcal E
\rightarrow
\mathcal E
\rightarrow\dots
$$

變成無限 introspection。

因此定義：

$$
\boxed{
\Delta J_E^{(k)}
=
J(
\mathfrak C^{(k+1)}
)
-
J(
\mathfrak C^{(k)}
)
}
$$

。

---

# 五十、若：

$$
\boxed{
\Delta J_E^{(k)}
\leq
\tau_{\mathrm{stop}}
}
$$

則停止展開。

此外還可以因：

$$
\boxed{
\operatorname{Verified}(G)=1
}
$$

停止。

---

# 五十一、以及因資源邊界停止

若：

$$
C_t\leq0
$$

或：

$$
T_t\leq0
$$

或：

$$
R_t>R_{\max}
$$

則：

$$
\boxed{
\operatorname{StopExpansion}=1
}
$$

。

---

# 五十二、這與舊 DIEEC 的邊界理論一致

舊《無限展開的邊界》已經提出，成熟智慧不應追求無限制展開；任務閉合、邊際收益不足、風險過高、預算耗盡、不可達或不可判定時，應返回 unknown、unverifiable、inaccessible、unauthorized 或 outside scope。

第二代框架可以把這些直接納入：

$$
B_t
$$

與：

$$
\tau_{\mathrm{stop}}
$$

。

---

# 五十三、因此「不知道」也是合法收斂態

若：

$$
\max_{\mathcal E}
J_E
<
0
$$

則：

$$
\boxed{
\text{do not expand}
}
$$

可能比繼續 hallucinate 更智能。

---

# 五十四、展開之後還必須「收斂」

假設：

$$
\mathfrak C_t
$$

已經包含：

$$
10^4
$$

個候選節點。

不可能全部變成：

$$
\Sigma_{t+1}
$$

。

因此需要：

$$
\boxed{
\mathcal V:
\mathfrak C_t
\rightarrow
S_{t+1}
}
$$

。

---

# 五十五、但第二代不再把收斂理解成「刪掉其他全部東西」

而是分成：

$$
\boxed{
\text{active-state contraction}
}
$$

和：

$$
\boxed{
\text{memory preservation}
}
$$

。

---

# 五十六、這正好接到舊雙記憶理論

一月的舊稿把 Clean Memory 視為收斂模式，把 Raw Memory 視為完整探索軌跡，並提出展開算子從 Raw 側提取多樣性種子、收斂算子則向 Clean 側固化成功模式。

舊稿甚至已察覺：

> 若只保留收斂後的模式，下一輪展開所需的新「猜測種子」可能消失。

這個工程洞察仍然很重要。

---

# 五十七、但第二代不要求物理上一定有兩個記憶體

可以只有一個 storage system，

但需要至少保留不同：

$$
\boxed{
\text{information roles}
}
$$

。

即：

$$
M_t
=
(
M_{\mathrm{consolidated}},
M_{\mathrm{trajectory}},
M_{\mathrm{failure}}
)
$$

。

---

# 五十八、其中

$$
M_{\mathrm{consolidated}}
$$

保存：

- 已驗證模式；
- 高價值摘要；
- 穩定規則。

$$
M_{\mathrm{trajectory}}
$$

保存：

- 展開路徑；
- 中間狀態；
- 原始證據。

$$
M_{\mathrm{failure}}
$$

保存：

- 被否證路徑；
- 失敗模式；
- constraint violations。

---

# 五十九、這使展開不必每次從零開始

下一次：

$$
\mathcal E_{t+1}
$$

可以使用：

$$
M_t
$$

重新調整：

$$
\mathfrak P_{t+1}^{I}
$$

。

所以：

$$
\boxed{
\text{Past Expansion}
\rightarrow
\text{Future Expansion Prior}
}
$$

。

---

# 六十、因此真正的展開閉環是

$$
\boxed{
\Sigma_t
\rightarrow
\mathfrak P_t^I
\rightarrow
\mathcal E_t
\rightarrow
\mathfrak C_t
\rightarrow
\mathcal V_t
\rightarrow
S_{t+1}
\rightarrow
M_{t+1}
}
$$

。

再：

$$
M_{t+1}
\rightarrow
\mathfrak P_{t+1}^I
$$

。

---

# 六十一、也就是

$$
\boxed{
\text{Probability}
\rightarrow
\text{Expansion}
\rightarrow
\text{Evaluation}
\rightarrow
\text{Memory}
\rightarrow
\text{New Probability}
}
$$

。

這是一個真正的動態閉環。

---

# 六十二、展開還可以新增「邊」，而不是新增節點

這一點很容易被忽略。

假設已有：

$$
A,B,C
$$

三個 knowledge nodes。

但：

$$
E=
\varnothing
$$

。

如果系統突然發現：

$$
A\rightarrow B
$$

以及：

$$
B\rightarrow C
$$

則：

$$
N
$$

沒變。

但：

$$
E
$$

變了。

---

# 六十三、這也是一種展開

本文稱：

# 關係展開

Relational Expansion。

$$
\boxed{
\mathcal E_{\mathrm{rel}}:
E_t
\rightarrow
E_t\cup E_{\mathrm{new}}
}
$$

。

它可視為 representation expansion 的重要子型。

---

# 六十四、因此真正的解空間大小不能只看 node count

一個：

$$
|N|=100
$$

但高度連接的 graph，

可能比：

$$
|N|=1000
$$

的孤立節點更有求解能力。

所以：

$$
\boxed{
\text{Expansion Capacity}
\neq
|N|
}
$$

。

---

# 六十五、可以定義有效展開量

$$
\boxed{
\Delta\mathcal C_{\mathrm{eff}}
=
\alpha\Delta|N|
+
\beta\Delta|E|
+
\gamma\Delta|O|
+
\delta\Delta|X|
}
$$

。

這只是工作性 measure，

不是自然常數。

---

# 六十六、更深一層：展開可以改變「型別」

原本：

$$
n=\text{text proposition}
$$

。

加入 tool execution 後：

$$
n'
=
\text{executable action}
$$

。

因此：

$$
\boxed{
\text{description}
\rightarrow
\text{operation}
}
$$

本身是一種 domain expansion。

---

# 六十七、這正是操作性分元的重要意義

舊理論已要求操作性 runtime 包含 parser、地址解析、型別檢查、效果分析、權限、治理、工具調度、交易回退、驗證、工作場與審計。

這意味著：

> 語言內容轉成世界操作之前，必須經過型別與能力邊界。

第二代 $\mathcal E^{(2)}$ 直接把這些算成：

$$
B_t
$$

與：

$$
O_t
$$

的一部分。

---

# 六十八、所以世界展開和想像展開必須分離

可以在 simulation 中：

$$
\boxed{
\mathcal E_{\mathrm{sim}}
}
$$

建立：

> 刪掉整個資料庫會怎樣？

但不能直接：

$$
\boxed{
\mathcal E_{\mathrm{act}}
}
$$

真的執行。

---

# 六十九、因此活動計算域還要有 mode

$$
m\in
\{
\text{hypothetical},
\text{simulated},
\text{read-only},
\text{executable},
\text{authoritative}
\}
$$

。

同一個 node：

$$
n
$$

在不同 mode 下具有不同效果。

---

# 七十、這避免一個很危險的範疇錯誤

$$
\boxed{
\text{Can imagine}
\nRightarrow
\text{Can execute}
}
$$

。

以及：

$$
\boxed{
\text{Can execute}
\nRightarrow
\text{Is authorized to execute}
}
$$

。

---

# 七十一、因此 $\mathfrak C_t$ 必須是 typed domain

更完整：

$$
\boxed{
\mathfrak C_t
=
(
N,E,O,X,Q,K,\tau
)
}
$$

其中：

$$
\tau:
N\cup O\rightarrow\mathcal T
$$

為 type map。

---

# 七十二、這使展開成為一種「型別安全的空間建構」

新增：

$$
z
$$

之前必須驗證：

$$
\boxed{
\tau(z)\in\mathcal T_{\mathrm{allowed}}
}
$$

。

否則：

$$
z\notin\mathfrak C_t
$$

。

---

# 七十三、因此意圖不能任意突破 boundary

即使：

$$
P_I(z)
$$

極高，

若：

$$
\operatorname{Authorized}(z)=0
$$

則：

$$
\boxed{
P_{\mathrm{active}}(z)=0
}
$$

。

可以寫：

$$
P_{\mathrm{active}}(z)
\propto
P_I(z)
\cdot
\mathbf 1_{B_t}(z)
$$

。

---

# 七十四、這裡第一次把概率、意圖與治理真正接在一起

$$
\boxed{
P(z)
}
$$

表示候選傾向。

$$
\boxed{
I
}
$$

重新加權。

$$
\boxed{
B
}
$$

決定是否可以被展開／執行。

三者不是同一層。

---

# 七十五、所以「AI 想做」與「AI 可以做」應永久分離

$$
\boxed{
\text{Intention Space}
\neq
\text{Capability Space}
\neq
\text{Authority Space}
}
$$

。

這對未來 autonomous agent 非常重要。

---

# 七十六、真正的活動域是三者交集

$$
\boxed{
\Omega_{\mathrm{active}}
=
\Omega_I
\cap
\Omega_C
\cap
\Omega_A
}
$$

其中：

- $\Omega_I$ ：意圖相關；
- $\Omega_C$ ：能力可達；
- $\Omega_A$ ：權限允許。

---

# 七十七、現在可以定義第二代展開完整形式

$$
\boxed{
\mathcal E^{(2)}
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
=
\mathfrak C_t
}
$$

使：

$$
\boxed{
\mathfrak C_t
\subseteq
\operatorname{Reach}
(
\Sigma_t,W_t
)
}
$$

且：

$$
\boxed{
\mathfrak C_t
\subseteq
B_t
}
$$

。

---

# 七十八、而 $\mathfrak C_t$ 應最大化

$$
\boxed{
J(
\mathfrak C_t
)
=
\mathbb E[
U_G
\mid
\mathfrak C_t
]
-
\lambda C
-
\mu R
-
\nu D
}
$$

。

---

# 七十九、但成熟系統不是找最大 $\mathfrak C$

而是找：

$$
\boxed{
\text{best domain under bounded resources}
}
$$

。

因此：

$$
\boxed{
\mathfrak C_t^*
=
\arg\max_{
\mathfrak C\in\mathcal A_t
}
J(\mathfrak C)
}
$$

。

---

# 八十、這與「最小充分意圖」舊理論也能接起來

你的舊《從高維意圖到一念即成》已經把「最小充分意圖」定義成能在誤差與風險限制下可靠觸發目標結果的最短控制訊號，並將「展開器」定義為把短控制訊號轉成規劃、操作、驗證與現實軌跡的系統。

第二代現在可以形成對偶：

$$
\boxed{
\text{Minimal Sufficient Intention}
}
$$

對應：

$$
\boxed{
\text{Minimal Sufficient Expansion}
}
$$

。

---

# 八十一、即：

最小控制訊號：

$$
I_{\min}
$$

透過最小活動計算域：

$$
\mathfrak C_{\min}
$$

可靠產生：

$$
G
$$

。

$$
\boxed{
I_{\min}
\xrightarrow{\mathcal E}
\mathfrak C_{\min}
\xrightarrow{\mathcal A}
G
}
$$

。

---

# 八十二、這甚至給出一個新的智能效率量

定義：

$$
\boxed{
\eta_E
=
\frac{
U_G
}{
C(
I,
\mathfrak C,
A
)
}
}
$$

。

也就是：

> 每單位意圖表達＋展開＋執行成本產生多少有效目標結果。

---

# 八十三、未來高階智能可能不是「說更多」

而是：

$$
\boxed{
|I|\downarrow
}
$$

$$
\boxed{
C(\mathfrak C)\downarrow
}
$$

但：

$$
\boxed{
P(G)\uparrow
}
$$

。

這正是高密度意圖介面的可能方向。

---

# 八十四、研究命題一：Search–Expansion Separation

$$
\boxed{
\operatorname{Search}(\mathfrak C)
\neq
\operatorname{Expand}(\mathfrak C)
}
$$

。

Search 尋找既有路徑；

Expansion 改變可用路徑空間。

---

# 八十五、研究命題二：Domain Construction Principle

$$
\boxed{
\mathcal E^{(2)}
:
(
\Sigma,\mathfrak P^I,M,W,B
)
\rightarrow
\mathfrak C
}
$$

。

展開的基本產物不是答案，

而是：

$$
\boxed{
\text{temporary active computational domain}
}
$$

。

---

# 八十六、研究命題三：Expansion Is Multi-Typed

$$
\boxed{
\mathcal E
=
(
\mathcal E_R,
\mathcal E_B,
\mathcal E_D,
\mathcal E_O,
\mathcal E_X,
\mathcal E_T,
\mathcal E_V
)
}
$$

。

因此「多思考」只是展開的一種特殊形式。

---

# 八十七、研究命題四：Intent-Conditioned Expansion

$$
\boxed{
\mathcal E
=
\mathcal E(
\mathfrak P^I
)
}
$$

而不是：

$$
\boxed{
\mathcal E
=
\operatorname{ExpandEverything}
}
$$

。

---

# 八十八、研究命題五：Minimal Sufficient Expansion

$$
\boxed{
\mathfrak C^*
=
\arg\min_{\mathfrak C}
C(\mathfrak C)
}
$$

subject to：

$$
\boxed{
P(G\mid\mathfrak C)\geq1-\epsilon
}
$$

。

智能應追求充分展開，而非最大展開。

---

# 八十九、研究命題六：Boundary-Constrained Expansion

$$
\boxed{
\mathfrak C
\subseteq
\Omega_I
\cap
\Omega_C
\cap
\Omega_A
}
$$

。

意圖、能力與權限是不同集合。

---

# 九十、研究命題七：Expansion–Memory Recurrence

$$
\boxed{
\mathcal E_t
\rightarrow
M_{t+1}
\rightarrow
\mathcal E_{t+1}
}
$$

。

每一次展開都應留下足以改變未來展開 prior 的歷史資訊。

---

# 九十一、研究命題八：Failure Is Expansion Boundary Information

若：

$$
z_i
$$

被驗證失敗，

則不應只有：

$$
\operatorname{Delete}(z_i)
$$

。

而應：

$$
\boxed{
M_{\mathrm{failure}}
\leftarrow
M_{\mathrm{failure}}
\cup
\{z_i,\text{reason}\}
}
$$

。

失敗縮小未來無效展開區域。

---

# 九十二、研究命題九：Selective Entropy Expansion

智能不一定永遠：

$$
H\downarrow
$$

。

在策略失敗時可能：

$$
\boxed{
H_{\mathrm{strategy}}\uparrow
}
$$

同時：

$$
\boxed{
H_{\mathrm{goal}}
\text{ remains low}
}
$$

。

因此展開是一種：

$$
\boxed{
\text{scale-selective entropy increase}
}
$$

。

---

# 九十三、研究命題十：Expansion Termination Principle

若：

$$
\boxed{
\Delta J_E\leq\tau
}
$$

或：

$$
\boxed{
\operatorname{Verified}(G)=1
}
$$

或 boundary 被觸及，

則：

$$
\boxed{
\mathcal E\rightarrow\operatorname{Stop}
}
$$

。

成熟智能包含不展開的能力。

---

# 九十四、最小 Runtime

第二代展開 Runtime 至少需要：

$$
\boxed{
\text{Intent State}
}
$$

$$
\boxed{
\text{Cross-Scale Probability Estimator}
}
$$

$$
\boxed{
\text{Expansion Router}
}
$$

$$
\boxed{
\text{Active Domain Manager}
}
$$

$$
\boxed{
\text{Memory Interface}
}
$$

$$
\boxed{
\text{Tool/Address Resolver}
}
$$

$$
\boxed{
\text{Verifier}
}
$$

$$
\boxed{
\text{Budget/Risk Controller}
}
$$

$$
\boxed{
\text{Contraction/Recompression Manager}
}
$$

。

---

# 九十五、一個最小循環

```text
receive state

infer / recover current intention
estimate uncertainty by scale
estimate goal relevance

if current domain is sufficient:
    act or answer
else:
    choose expansion scale
    choose expansion mode
    allocate compute / risk budget

    construct active computation domain
    generate / reveal / connect candidates
    evaluate and verify candidates

    if sufficient result found:
        select
        execute or answer
        update memories
        recompress
    elif marginal expansion value remains positive:
        expand again
    else:
        return unknown / blocked / insufficient
```

---

# 九十六、這裡的關鍵不是迴圈本身

傳統 agent loop 也可以寫迴圈。

真正差異是：

每輪：

$$
\boxed{
\mathfrak C_t
}
$$

可以不同。

上一輪：

$$
\mathfrak C_1
=
\{
\text{text}
\}
$$

。

下一輪：

$$
\mathfrak C_2
=
\{
\text{text},
\text{web},
\text{paper}
\}
$$

。

再下一輪：

$$
\mathfrak C_3
=
\{
\text{text},
\text{paper},
\text{python},
\text{simulation}
\}
$$

。

---

# 九十七、因此智能的「身體」可能在每輪重新配置

這裡的身體不是 biological body。

而是：

$$
\boxed{
\text{the currently active set of computational affordances}
}
$$

。

也就是：

> 此刻這個智慧體到底能看什麼、算什麼、調什麼、驗證什麼、改什麼。

---

# 九十八、這使模型本身進一步退到基底

模型：

$$
M
$$

不再等於完整 intelligent system。

而更像：

$$
\boxed{
\text{one generative and evaluative substrate inside an expanding runtime}
}
$$

。

真正系統：

$$
\boxed{
AI_t
=
(
M,
\Sigma_t,
M_t,
\mathfrak C_t,
W_t,
B_t
)
}
$$

。

---

# 九十九、所以「AI 的構造」開始具有時間性

$$
AI_t
\neq
AI_{t+1}
$$

即使：

$$
\theta_t=\theta_{t+1}
$$

。

因為：

$$
\mathfrak C_t
\neq
\mathfrak C_{t+1}
$$

以及：

$$
M_t\neq M_{t+1}
$$

。

---

# 一百、這可能就是固定模型與展開式智能真正的分界

固定模型：

$$
\boxed{
F_\theta:X\rightarrow Y
}
$$

。

展開式智能：

$$
\boxed{
(\Sigma_t,W_t)
\rightarrow
\mathfrak C_t
\rightarrow
A_t
\rightarrow
(\Sigma_{t+1},W_{t+1})
}
$$

。

它不只在計算答案。

它在：

$$
\boxed{
\text{temporarily constructing the world in which its next computation occurs.}
}
$$

。

---

# 一百零一、結論：展開不是「想更多」，而是「讓更多相關計算成為可能」

本文從：

$$
S
\xrightarrow{\mathcal E}
\mathcal E(S)
$$

開始。

現在可以給出第二代答案：

$$
\boxed{
\mathcal E^{(2)}
:
(
\Sigma_t,
\mathfrak P_t^I,
M_t,
W_t,
B_t
)
\rightarrow
\mathfrak C_t
}
$$

。

其中：

$$
\mathfrak C_t
$$

不是單純 thoughts list。

它是一個暫時被建立的：

$$
\boxed{
\text{typed, bounded, intention-conditioned active computational domain}
}
$$

。

---

它可能增加：

$$
\boxed{
\text{representation}
}
$$

、

$$
\boxed{
\text{branches}
}
$$

、

$$
\boxed{
\text{depth}
}
$$

、

$$
\boxed{
\text{operators}
}
$$

、

$$
\boxed{
\text{external states}
}
$$

、

$$
\boxed{
\text{future trajectories}
}
$$

或：

$$
\boxed{
\text{verification structure}
}
$$

。

---

因此：

$$
\boxed{
\text{Expansion}
\neq
\text{More Tokens}
}
$$

$$
\boxed{
\text{Expansion}
\neq
\text{More FLOPs}
}
$$

$$
\boxed{
\text{Expansion}
\neq
\text{More Samples}
}
$$

但：

$$
\boxed{
\text{More Tokens},
\text{More FLOPs},
\text{More Samples}
}
$$

都可以成為展開的特殊形式。

---

更一般：

$$
\boxed{
\text{Expansion}
=
\text{temporarily increasing the set of relevant computational possibilities.}
}
$$

中文：

> **展開，是在意圖、記憶、世界、資源與邊界約束下，暫時增加當前任務可以使用的有效計算可能性。**

而成熟智能真正追求的不是：

$$
\boxed{
\max|\mathfrak C|
}
$$

而是：

$$
\boxed{
\min C(\mathfrak C)
\quad
\text{s.t.}
\quad
P(G\mid\mathfrak C)\geq1-\epsilon
}
$$

。

也就是：

> **用最少但足夠的展開，讓目標變得可達、可判定、可驗證、可操作。**

---

由此，一個更完整的動態智能循環形成：

$$
\boxed{
\text{Intention}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Cross-Scale Probability Field}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Expansion Routing}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Active Computational Domain}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Search / Reason / Simulate / Act}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Verification}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Contraction / Recompression}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{Memory Update}
}
$$

$$
\Downarrow
$$

$$
\boxed{
\text{New Intention-Conditioned Probability Field}
}
$$

。

---

而下一個問題現在也變得非常清楚。

如果每一次：

$$
\mathcal E
$$

都會產生大量：

- 成功路徑；
- 失敗路徑；
- 原始證據；
- 中間候選；
- 已收斂結論；

那麼：

> **這些東西到底應該怎麼保存，才能讓系統既不忘記失敗，又不被所有歷史拖垮？**

舊雙記憶理論給了一個 Raw/Clean 的答案，但其中「物理雙記憶體必然性」「固定容量比例」等部分需要第二代校正。

因此下一篇正式進入：

# 《展開—收斂—記憶耦合——從 Raw/Clean 雙記憶到可塑性狀態系統》

核心將從：

$$
M_{\mathrm{raw}}
\oplus
M_{\mathrm{clean}}
$$

重新定義成：

$$
\boxed{
\text{information roles}
+
\text{fidelity levels}
+
\text{negative knowledge}
+
\text{consolidation}
+
\text{forgetting}
+
\text{re-expansion seeds}
}
$$

並回答：

> **展開過的世界，要留下多少，才能讓下一次智能真的比這一次更聰明，而不是只累積更多資料？**

---

## 參考文獻與既有理論

Graves, A. (2016/2017). *Adaptive Computation Time for Recurrent Neural Networks*. 該工作讓 recurrent neural network 學習每次輸入需要多少內部計算步，展示動態 computation depth 可以由任務需要決定。

Raposo, D., Ritter, S., Richards, B., Lillicrap, T., Humphreys, P. C., & Santoro, A. (2024). *Mixture-of-Depths: Dynamically allocating compute in transformer-based language models*. 該工作在固定總 compute budget 下，以 top- $k$ routing 動態決定哪些 token 在哪些層參與較昂貴運算，展示 context-sensitive compute allocation。

Yao, S., Yu, D., Zhao, J., et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. 該工作將語言模型推理由單一路徑生成擴充成中介 thought state 的多路徑探索、評價、look-ahead 與 backtracking。

Zhu, K., Li, H., Wu, S., et al. (2025). *Scaling Test-time Compute for LLM Agents*. 該工作系統比較 agent inference-time 的 parallel sampling、sequential revision、verification、merging 與 diversified rollouts，提供動態推理期計算分配的近年工程支點。

Neo.K with Aletheia. (2026). *展開式解空間：邊推理、邊顯影、邊建路的動態幾何*. 舊 DIEEC 第六篇已提出智慧不只尋找世界中已存在的道路，也會在任務、因果、權限與成本邊界內改變道路存在方式。

Neo.K with Aletheia. (2026). *操作性分元：地址、指針、工具調用與外部展開語義*. 該文已將地址、橋接、工具、投影與提交視為可直接新增外部節點、跨空間邊、中介解空間與權威世界狀態的可執行分元。

Neo.K. (2026). *雙記憶體認知超導：展開—收斂對偶性的必然架構*. 舊稿把 Raw Memory 與展開軌跡、Clean Memory 與收斂模式連接，並注意到只保存收斂態會失去後續展開所需的探索種子。本文保留這項工程洞察，但不繼承其物理雙記憶體必然性與固定容量比例等較強主張。