# 通用計算基底：智能與機械計算共同依賴的不對稱能力 ## Universal Computational Substrate: Asymmetric Capabilities Shared by Mechanical and Intelligent Computation **系列：計算基底、認知干預與廣義智能計算研究，第 5 篇／共 8 篇** **作者：Neo.K** **機構：EveMissLab／一言諾科技有限公司** **日期：2026-08-09** --- ## 摘要 前四篇依序建立了數學問題難度譜系、非適應性計算基線、認知干預算子與負認知干預理論。然而，一個重要分類問題尚未解決：記憶、計算、尋址、頻寬與並行能力，是否應與直覺、類比、目標重構、注意和元認知被放在同一張「智能能力表」中？ 本文主張答案是否定的。 計算吞吐量、可保持狀態量、資料尋址、記憶頻寬、持久性、並行度、輸入輸出能力與驗證能力，具有一種比普通認知干預算子更底層的地位。它們既可以服務於完全非智能的枚舉器，也可以服務於人類式、Agent 式或未來高度自主的智能計算。 本文將此共同層定義為： $$ \boxed{ \text{Universal Computational Substrate, UCS} } $$ 即**通用計算基底**。 其初步能力向量為： $$ \boxed{ \mathfrak B = ( \mathcal S, \mathcal C, \mathcal A, \mathcal B, \mathcal P, \mathcal D, \mathcal{IO}, \mathcal V ) } $$ 其中分別表示： - $\mathcal S$：狀態保持／記憶容量； - $\mathcal C$：狀態轉換／原始計算能力； - $\mathcal A$：尋址與存取能力； - $\mathcal B$：資訊傳輸／頻寬； - $\mathcal P$：並行實現能力； - $\mathcal D$：持久化能力； - $\mathcal{IO}$：輸入輸出能力； - $\mathcal V$：驗證與比較能力。 本文進一步指出，這些能力並非彼此完全可交換，也不是簡單的單一「算力」標量。極高的運算吞吐量在資料供應不足時可能大量閒置；巨大記憶若缺乏有效尋址則無法快速利用；高度並行若受到通訊與同步瓶頸限制，亦不能轉換為等比例加速。 2026 年大型模型推理研究已明確顯示，前沿推理工作負載的主要瓶頸可以從算術運算轉移至記憶容量、記憶頻寬、KV cache 與互連；大型 dense model 可能受 interconnect 與 memory bandwidth 約束，而 MoE 系統又可能受到 routing 與 synchronization latency 限制。這說明「計算能力」不能被單純等同於算術單元峰值吞吐量。 本文最後提出一個關鍵區分： $$ \boxed{ \text{Realization Capacity} \neq \text{Cognitive Intervention Capacity}. } $$ 前者回答： > 系統實際能生成、保存、傳輸、尋址與驗證多少狀態？ 後者回答： > 系統如何決定哪些狀態值得生成，以及如何重新組織這些計算？ 這使智能與機械計算不再是兩種彼此斷裂的本體，而可被理解為共享同一基底、但具有不同控制結構的計算系統。 --- ## 關鍵詞 通用計算基底、記憶、算力、尋址、頻寬、並行性、AI 推理、Memory Wall、計算架構、智能計算 --- # 1. 前四篇留下的一個分類錯誤 在一般能力列表中，我們可能同時列出： - 記憶； - 直覺； - 計算； - 注意； - 元認知； - 預測； - 尋址； - 類比。 這看似合理。 但它偷偷假設： $$ \text{Memory}, \text{Computation}, \text{Intuition}, \text{Metacognition} $$ 是同種類型的能力。 本文認為這種分類過度扁平。 一個最簡單的理由是： > 沒有任何智能的機器，也可以擁有巨大的記憶與極高的計算吞吐量。 例如： $$ A_{\mathrm{brute}} $$ 完全不會類比、不會質疑問題、不會形成元認知， 但可以擁有： $$ 10^{15} $$ 個候選並行檢查能力。 因此： $$ \boxed{ \text{compute capacity} \not\subseteq \text{cognitive intervention}. } $$ --- # 2. 反方向同樣成立 一個智能體可能具有非常好的： - 類比； - 目標選擇； - 表示轉換； - 直覺； - 元認知； 卻受到： $$ \mathcal S\ll1, $$ $$ \mathcal C\ll1 $$ 等資源限制。 人類就是重要例子。 人腦具有高度複雜的認知控制，但不能直接： $$ \text{enumerate }2^{100} $$ 個離散狀態。 因此： $$ \boxed{ \text{cognitive sophistication} \not\Rightarrow \text{arbitrarily large realization capacity}. } $$ --- # 3. 第一個基本區分：實現與選擇 本文因此建立兩個概念： $$ \boxed{ \mathfrak B = \text{Realization Substrate} } $$ 與： $$ \boxed{ \mathfrak I = \text{Cognitive Intervention System}. } $$ $\mathfrak B$ 回答： > 可以實際計算什麼？ $\mathfrak I$ 回答： > 在那些可計算狀態之中，應該優先實現什麼？ 簡化表示： $$ \boxed{ \mathfrak A = \mathfrak B \otimes \mathfrak I. } $$ 這裡的 $\otimes$ 不表示特定線性代數張量積，而表示兩層能力的耦合。 --- # 4. 為什麼叫「通用計算基底」？ 因為同一個： $$ \mathfrak B $$ 可以承載非常不同的上層系統。 例如： $$ \mathfrak B+\pi_{\mathrm{brute}} $$ 可以形成暴力搜索器。 $$ \mathfrak B+\pi_{\mathrm{SAT}} $$ 可以形成 SAT solver。 $$ \mathfrak B+\mathfrak I_{\mathrm{LLM}} $$ 可以形成語言模型 Agent。 $$ \mathfrak B+\mathfrak I_{\mathrm{future}} $$ 則可能形成未來高度自主智能體。 因此： $$ \boxed{ \text{substrate} } $$ 比「智能計算」和「機械計算」的分界更底層。 --- # 5. 第一基底能力：狀態保持能力 $\mathcal S$ 定義： $$ \boxed{ \mathcal S = \text{可在指定條件下同時保持的可區分狀態量}. } $$ 最直觀即 memory capacity。 但不能簡單只寫： $$ \text{GB}. $$ 因為不同記憶可以具有： - 易失； - 非易失； - 低延遲； - 高延遲； - 快速寫入； - 慢速寫入； - 局部； - 遠端。 因此應寫： $$ \mathcal S = ( S_{\mathrm{capacity}}, S_{\mathrm{latency}}, S_{\mathrm{retention}}, S_{\mathrm{cost}}, \ldots ). $$ --- # 6. 記憶容量不是有效記憶 如果系統擁有： $$ 10^{30} $$ bit， 卻不知道其中哪裡包含答案， 那麼： $$ S_{\mathrm{capacity}}\gg1 $$ 並不能直接推出： $$ S_{\mathrm{effective}}\gg1. $$ 因此： $$ \boxed{ \text{storage capacity} \neq \text{usable memory capacity}. } $$ 這立即導向第三項能力： $$ \mathcal A. $$ --- # 7. 第二基底能力：計算能力 $\mathcal C$ 最基本表示： $$ s_t \xrightarrow{\mathcal C} s_{t+1}. $$ 但「算力」也不是一個真正單一的量。 至少包含： $$ \mathcal C= ( C_{\mathrm{throughput}}, C_{\mathrm{latency}}, C_{\mathrm{precision}}, C_{\mathrm{specialization}}, C_{\mathrm{energy}} ). $$ 例如： 一台裝置可以有極高矩陣乘法吞吐， 卻不代表： $$ C_{\mathrm{branch-heavy}} $$ 同樣高。 因此： $$ \boxed{ \text{peak FLOPS} \neq \text{general effective compute}. } $$ --- # 8. 現代 AI 已經實際展示「算力很多，但餵不飽」 這並非純理論問題。 2026 年對 LLM inference hardware 的系統研究指出，decode 階段的主要挑戰 increasingly 來自 memory 與 interconnect，而不是單純 arithmetic throughput；研究因此直接把 High Bandwidth Flash、processing-near-memory、3D memory-logic stacking 與低延遲 interconnect 列為主要架構方向。 同年對 reasoning-centric inference 的大規模測試亦顯示，大型 dense model 可能受： $$ \text{memory bandwidth} + \text{interconnect} $$ 限制，而 MoE 模型又受到： $$ \text{routing} + \text{synchronization latency} $$ 限制。 因此實際系統更接近： $$ \boxed{ C_{\mathrm{effective}} = F( C_{\mathrm{raw}}, S, B, A, P ). } $$ 而不是只由： $$ C_{\mathrm{raw}} $$ 決定。 --- # 9. 第三基底能力：尋址與存取 $\mathcal A$ 定義： $$ \boxed{ \mathcal A(q,M) = \text{從記憶狀態 }M\text{ 中定位與取得與 }q\text{ 對應狀態的能力}. } $$ 如果： $$ |M|=N, $$ 而只能線性掃描： $$ T_A(N)=O(N), $$ 巨大記憶會迅速失去價值。 若存在索引： $$ T_A(N)=O(\log N), $$ 則完全不同。 若某些受限模型中可以： $$ T_A(N)\approx O(1), $$ 又會發生另一種質變。 --- # 10. 所以「記憶」至少是三件事 至少必須分： $$ \boxed{ \text{Capacity} } $$ $$ \boxed{ \text{Addressability} } $$ $$ \boxed{ \text{Transfer}. } $$ 即： $$ M_{\mathrm{effective}} = F( \mathcal S, \mathcal A, \mathcal B ). $$ 這是我們先前把 memory 當成單一 CIO 時最需要修正的部分。 --- # 11. 第四基底能力：資訊傳輸與頻寬 $\mathcal B$ 假設： $$ \mathcal C\rightarrow\infty, $$ $$ \mathcal S\rightarrow\infty. $$ 但： $$ \mathcal B=1\text{ bit/s}. $$ 那麼系統仍然不能有效使用巨大狀態空間。 因此： $$ \boxed{ \text{data movement} } $$ 本身就是計算能力的組成部分。 --- # 12. Memory Wall 是很好的現實例子 當 processor throughput 的增長快於資料能被供應的速度時： $$ C_{\mathrm{raw}}\uparrow $$ 但： $$ C_{\mathrm{effective}} $$ 逐漸由： $$ \mathcal B $$ 決定。 PAM 於 2026 年針對 KV-centric LLM serving 指出，長 context 與 KV operations 同時需要巨大 memory capacity 與 bandwidth，單一層 memory architecture 難以同時滿足兩者，因此提出跨異質記憶階層協調運算的架構。 這正好支持本文的重要分類： $$ \boxed{ \text{capacity} \neq \text{bandwidth}. } $$ --- # 13. 第五基底能力：並行性 $\mathcal P$ 若候選： $$ x_1,\ldots,x_N $$ 彼此獨立， 理想上： $$ P=N $$ 個 processor 可以全部同時計算。 於是序列： $$ O(N) $$ 的工作， 在理想 PRAM 式抽象中甚至可能壓縮至近常數 parallel depth。 因此： $$ \boxed{ \text{work complexity} \neq \text{parallel depth}. } $$ 這對我們前面的「暴力搜尋是否低級」尤其重要。 --- # 14. 暴力搜尋可以被硬體直接抬升 如果智能 heuristic 把： $$ 10^9 $$ 候選降成： $$ 10^6, $$ 看似巨大優勢。 但若有： $$ 10^9 $$ 個廉價平行單元， 原始枚舉可能直接： $$ \text{one parallel wave}. $$ 於是 heuristic 的價值急劇下降。 所以： $$ \boxed{ \text{value of cognition} } $$ 依賴： $$ \mathcal P. $$ --- # 15. 但並行不是免費的 實際多裝置系統需要： - 傳輸； - 同步； - 聚合； - barrier； - routing。 所以： $$ T_{\mathrm{parallel}} = T_{\mathrm{work}} + T_{\mathrm{communication}} + T_{\mathrm{synchronization}}. $$ ICML 2025 的 Ladder Residual 工作便指出，大模型多 GPU inference 中，model parallelism 雖降低單裝置記憶與運算負擔，但 GPU 間 communication 會限制擴展收益。 因此： $$ \boxed{ P\uparrow \not\Rightarrow \text{speed}\uparrow } $$ 呈線性關係。 --- # 16. 第六基底能力：持久化 $\mathcal D$ 假設一次計算得到： $$ y=f(x). $$ 如果結果不能保留： 下一次又要： $$ x\rightarrow f(x). $$ 若能持久化： $$ M[x]=y, $$ 則第二次可以： $$ x\rightarrow M[x]. $$ 因此： $$ \boxed{ \text{persistence converts past compute into future state}. } $$ 這是一個極其重要的能力。 --- # 17. 計算可以沉澱成資產 如果： $$ C_t $$ 是時間 $t$ 的計算， 持久化可以產生： $$ M_{t+1}. $$ 然後： $$ M_{t+1} $$ 又降低： $$ C_{t+1}. $$ 所以存在循環： $$ \boxed{ \text{compute} \rightarrow \text{persistent memory} \rightarrow \text{reduced future compute}. } $$ 這是下一篇「計算—記憶交換律」的核心入口。 --- # 18. 第七基底能力：輸入輸出 $\mathcal{IO}$ 假設機器內部已「知道」一個： $$ 10^{12} $$ bit 的結果。 這並不代表： $$ 10^{12} $$ bit 可以在： $$ O(1) $$ 時間完整輸出。 在一般序列輸出模型中，至少需要： $$ \Omega(|y|) $$ 量級的輸出工作。 因此： $$ \boxed{ \text{internal availability} \neq \text{external realization}. } $$ 這是任何「所有答案都能常數時間產生」敘述必須守住的邊界。 --- # 19. 地址與內容也不能混淆 如果機器返回： $$ a_y $$ ——答案所在地址， 這可能是： $$ O(1) $$ 輸出。 但： $$ a_y $$ 不是： $$ y. $$ 所以： $$ \boxed{ \text{resolve} \neq \text{materialize}. } $$ 這個區分將直接進入系列第 7 篇 RelayPhase Resolution。 --- # 20. 第八基底能力：驗證 $\mathcal V$ 若系統生成： $$ x, $$ 必須判斷： $$ V(x)\in\{0,1\}. $$ 很多暴力搜尋之所以有價值，是因為： $$ C_V(x) $$ 很低。 例如： > 找一個滿足 predicate 的候選。 生成很難， 驗證很便宜。 --- # 21. 驗證成本可以決定整個搜索策略 若： $$ C_V\ll C_G, $$ 可以： $$ \boxed{ \text{generate many} + \text{verify cheaply}. } $$ 但如果： $$ C_V\approx C_G, $$ 大量候選生成可能毫無意義。 因此： $$ \boxed{ \text{search viability} = F( C_{\mathrm{generate}}, C_{\mathrm{verify}} ). } $$ 這與計算複雜度中的 certificate 思維直接相關。 --- # 22. 驗證亦存在層級 上一系列已區分： $$ V_1=\text{syntax}, $$ $$ V_2=\text{formal derivation}, $$ $$ V_3=\text{semantic/specification fidelity}. $$ 因此 $\mathcal V$ 不是只有： $$ 1\text{ bit answer}. $$ 不同 verifier 可能具有： $$ C_{V_1}\ll C_{V_2}\ll C_{V_3}. $$ 而且： $$ V_2=1 $$ 不必然： $$ V_3=1. $$ --- # 23. UCS 的八維初步模型 因此本文定義： $$ \boxed{ \mathfrak B = ( \mathcal S, \mathcal C, \mathcal A, \mathcal B, \mathcal P, \mathcal D, \mathcal{IO}, \mathcal V ). } $$ 它不是一個 scalar。 不存在一般意義： $$ \mathfrak B=100. $$ 真正的系統是 profile。 --- # 24. 兩台「同算力」機器可能完全不同 系統 $A$： $$ \mathfrak B_A = ( 1000, 100, 100, 1000, 10, 1000, 100, 100 ). $$ 系統 $B$： $$ \mathfrak B_B = ( 10, 100, 1, 10, 1000, 10, 100, 100 ). $$ 假設兩者： $$ \mathcal C_A=\mathcal C_B. $$ 仍不能說： $$ A=B. $$ 對 memory-heavy workload： $$ A\gg B. $$ 對 embarrassingly parallel small-state workload： $$ B $$ 可能更好。 --- # 25. 因此基底能力形成偏序，而不是全序 設兩系統： $$ A,B. $$ 若所有維度： $$ B_i(A)\ge B_i(B), $$ 且至少一項嚴格大於，才可能寫： $$ \mathfrak B_A\succeq\mathfrak B_B $$ 作為 component-wise dominance。 但一般： $$ \mathcal S_A>\mathcal S_B, $$ 同時： $$ \mathcal P_A<\mathcal P_B. $$ 所以兩者不可直接排序。 即： $$ \boxed{ \mathfrak B_A\nsim\mathfrak B_B. } $$ --- # 26. 「算力」這個詞因此過度壓縮 日常語言中的： > 算力更強。 往往混合： - accelerator throughput； - memory capacity； - bandwidth； - parallel devices； - interconnect； - latency； - storage。 本文建議： 若進行理論比較，應盡量避免把它們全部壓成： $$ C. $$ 至少區分： $$ \boxed{ \text{Compute}, \text{Memory}, \text{Access}, \text{Transport}, \text{Parallelism}. } $$ --- # 27. 2026 AI infrastructure 正在現實地重現這個問題 近期產業與研究方向正大量圍繞： $$ \boxed{ \text{memory capacity} + \text{memory bandwidth} + \text{data movement} } $$ 展開。 例如 2026 年新一代記憶技術持續朝更高容量、堆疊以及將記憶靠近 AI accelerator 的方向發展。 而近期分析亦將長 context 與 MoE 下的 AI inference 描述為由單純 compute bottleneck 朝 memory-capacity bottleneck 移動。 這些現象並不證明本文全部理論， 但提供一個重要現實提示： $$ \boxed{ \text{raw arithmetic is only one component of effective computation}. } $$ --- # 28. 記憶處理本身還會消耗計算 一個容易忽略的地方是： > 有記憶並不是免費得到相關記憶。 現代 AI memory pipeline 可以包含： $$ \boxed{ \text{Prepare} \rightarrow \text{Relevance Compute} \rightarrow \text{Retrieve} \rightarrow \text{Apply}. } $$ 2026 年對 disaggregated LLM inference 的研究發現，這類 memory processing 在測試工作負載中可佔相當顯著的 inference overhead。 因此： $$ \boxed{ \text{memory use} = \text{storage} + \text{addressing} + \text{selection} + \text{movement} + \text{application}. } $$ --- # 29. 這進一步證明「記憶」不是單一認知能力 前篇把： $$ I_{\mathrm{mem}} $$ 視為認知干預。 現在要正式拆開： $$ \boxed{ \text{Memory} = M_{\mathrm{substrate}} + I_{\mathrm{memory-control}}. } $$ 其中： $$ M_{\mathrm{substrate}} = ( \mathcal S, \mathcal A, \mathcal B, \mathcal D ). $$ 而： $$ I_{\mathrm{memory-control}} $$ 負責： - 要記什麼； - 何時取； - 取哪個； - 如何重建； - 是否遺忘。 --- # 30. 記憶重建屬於上層 原始 bit： $$ m $$ 能被保存， 屬於： $$ \mathfrak B. $$ 根據： $$ q,G,C $$ 生成： $$ \tilde m = I_{\mathrm{recon}}(m,q,G,C), $$ 則主要屬於： $$ \mathfrak I. $$ 所以： $$ \boxed{ \text{retention} \neq \text{reconstruction}. } $$ 這是整個系列的一個重要校正。 --- # 31. 注意也依賴基底 注意算子： $$ I_{\mathrm{att}} $$ 決定哪些資訊進一步處理。 但如果： $$ \mathcal B $$ 太低， 相關資訊根本到不了 attention mechanism。 如果： $$ \mathcal S $$ 太小， 尚未被注意的狀態可能已消失。 因此： $$ \boxed{ I_{\mathrm{att}} = F( \mathcal S, \mathcal B, \mathcal C, \ldots ). } $$ 認知算子並不是漂浮於硬體之外。 --- # 32. 元認知也需要計算預算 前篇： $$ I_{\mathrm{meta}} $$ 可以檢查自己的推理。 但： $$ I_{\mathrm{meta}} $$ 本身需要： $$ \mathcal C, \mathcal S, \mathcal B. $$ 所以一個： $$ \text{perfect metacognitive policy} $$ 若只有極少計算資源， 仍可能沒有實際價值。 即： $$ \boxed{ \text{control quality} \times \text{realization capacity}. } $$ --- # 33. 基底能力可以「壓扁」部分認知差異 這開始接近本文最重要的後半部。 假設： $$ |X|=10^9. $$ 智能體 $A$ 使用極佳 heuristic： $$ 10^9\rightarrow10^4. $$ 智能體 $B$ 沒有 heuristic， 但： $$ \mathcal P_B=10^9. $$ 若所有候選可以一次驗完， 那： $$ T_B 應該定義哪個 $X$？ 那麼增加： $$ \mathcal P $$ 未必直接有用。 所以至少存在： $$ \boxed{ \text{substrate-substitutable cognition} } $$ 與： $$ \boxed{ \text{substrate-resistant cognition} } $$ 的區別。 本文暫不主張此劃分具有絕對邊界。 它是下一篇要研究的核心問題之一。 --- # 35. 第一種容易被基底替代的能力：搜索剪枝 如果認知能力作用只是： $$ N\rightarrow k $$ 降低候選數， 那足夠大的： $$ \mathcal C $$ 或： $$ \mathcal P $$ 可能直接補回差距。 因此： $$ \boxed{ \text{pruning value decreases as realizable search capacity increases} } $$ 至少在有限可枚舉問題中可能成立。 --- # 36. 第二種：已知答案的推理 假設問題： $$ q $$ 曾經被完整解過， 並保存： $$ M[q]=y. $$ 則： $$ q \xrightarrow{\text{reason}} y $$ 可以變成： $$ q \xrightarrow{\text{retrieve}} y. $$ 所以： $$ \boxed{ \text{past reasoning can become future memory access}. } $$ 這是計算與記憶交換的最簡單案例。 --- # 37. 第三種：模式經驗 如果系統已保存： $$ 10^{15} $$ 個： $$ (q_i,a_i,y_i) $$ 且具有強大結構檢索， 某些原本像「直覺」的動作： > 這題可能先用 invariant。 可以部分轉成： $$ q \rightarrow \operatorname{RetrieveSimilar}(q) \rightarrow a. $$ 所以： $$ \boxed{ \text{some intuition-like behavior} } $$ 可能由巨大記憶與高速檢索近似。 --- # 38. 但必須避免「直覺 = 查表」 本文不主張： $$ \text{intuition} = \text{retrieval}. $$ 原因是人類與 AI 的直覺還可能包含： - generalization； - latent transformation； - prediction； - abstraction。 本文只指出： $$ \boxed{ \text{若任務分布具有足夠重複性， 記憶與尋址可以降低部分直覺機制的邊際價值。} } $$ --- # 39. 第四種：重新計算 vs 保存 若： $$ C_f $$ 很低， 每次重新算： $$ f(x) $$ 可能比存起來更划算。 若： $$ C_f $$ 非常高， 則： $$ \text{memoization} $$ 價值很大。 因此： $$ \boxed{ \text{memory value} = F( \text{recompute cost}, \text{reuse probability}, \text{storage cost}, \text{access cost} ). } $$ 記憶不是無條件越多越好。 --- # 40. 一個基本 time–space 交換 設輸入域： $$ X=\{x_1,\ldots,x_N\}. $$ 可以提前計算： $$ M[x_i]=f(x_i). $$ offline cost： $$ C_{\mathrm{pre}}. $$ storage： $$ S_M. $$ 之後 online query： $$ C_q. $$ 則： $$ \boxed{ C_{\mathrm{total}} = C_{\mathrm{pre}} + C_{\mathrm{storage}} + Q\,C_q. } $$ 這將在第 6 篇正式展開。 --- # 41. 「類 $O(1)$ 」因此必須重新定義 如果： $$ M[x]=f(x) $$ 已存在， 而 hash lookup 在指定理想模型下： $$ O(1), $$ 我們最多能說： $$ \boxed{ T_{\mathrm{online-query}} = O(1). } $$ 不能說： $$ \boxed{ C_{\mathrm{total}} = O(1). } $$ 因為： - 預計算； - storage； - index construction； - address mapping； 全部仍存在。 --- # 42. 甚至 $O(1)$ 的尋址也可能藏住問題 若： $$ x\rightarrow a_x $$ 本身需要： $$ O(N) $$ 計算， 那： $$ a_x\rightarrow M[a_x] $$ 的 $O(1)$ 並沒有解決核心問題。 因此： $$ \boxed{ \text{access complexity} \neq \text{address-construction complexity}. } $$ 這是第 6、7 篇都必須守住的界線。 --- # 43. 基底的另一個重要能力：組合 雖然本文使用八維， 實際有效性能不是： $$ \sum_i B_i. $$ 而可能存在 multiplicative bottleneck。 例如： $$ C_{\mathrm{eff}} \approx \min( C_{\mathrm{raw}}, B_{\mathrm{feed}}, A_{\mathrm{access}}, P_{\mathrm{sync}} ). $$ 某一項極低，就可能控制全局。 這是一種： $$ \boxed{ \text{bottleneck dominance}. } $$ --- # 44. 最弱環節可以支配超強系統 假設： $$ \mathcal C=10^{20}, $$ $$ \mathcal S=10^{20}, $$ 但： $$ \mathcal B=10. $$ 那麼： $$ \mathfrak B $$ 並不是： $$ 10^{20} $$ 級系統。 同理： $$ \mathcal S\rightarrow\infty $$ 且： $$ \mathcal A\rightarrow0 $$ 也不能形成「近乎全知記憶」。 因此： $$ \boxed{ \text{substrate strength is topology/profile dependent}. } $$ --- # 45. 現代 AI 推理正是異質基底問題 不同 inference phase 對 UCS 維度要求不同。 例如： - prefill 可以偏 compute-heavy； - decode 可以偏 memory-bandwidth-sensitive； - long context 增加 KV capacity； - distributed inference 增加 interconnect requirement； - MoE 增加 routing/synchronization。 所以同一模型： $$ M $$ 並不存在一個唯一： $$ C(M). $$ 更合理的是： $$ \boxed{ C_{\mathrm{eff}}(M,\text{phase},\mathfrak B). } $$ --- # 46. 基底也可以異質化 不要求單一裝置同時擅長： $$ \mathcal C,\mathcal S,\mathcal B,\mathcal P. $$ 可以由不同硬體合作： $$ H_C+H_S+H_B+\cdots. $$ 例如 2026 年 memory-processing pipeline 工作便展示了 GPU–FPGA heterogeneous processing 來分配 compute-intensive 與 irregular memory-bound operations。 所以： $$ \boxed{ \text{UCS can itself be distributed and heterogeneous}. } $$ --- # 47. 這對未來智能體很重要 未來 AI 不一定是： > 一個模型塞在一張卡裡。 可能是： $$ \boxed{ \text{model} + \text{memory fabric} + \text{retrieval nodes} + \text{specialized solvers} + \text{verification nodes} + \text{persistent state}. } $$ 這時所謂： > AI 的能力 其實可能是： $$ \boxed{ \text{agent cognitive layer} \times \text{distributed UCS}. } $$ 而不是單一模型能力。 --- # 48. UCS 與外部工具的邊界 如果 AI 呼叫： $$ \text{SAT solver}, $$ SAT solver 算誰的能力？ 從 agent 身體邊界看： $$ \text{external tool}. $$ 從完整系統邊界看： $$ \boxed{ \text{extended substrate}. } $$ 因此 benchmark 必須指定： $$ \boxed{ \text{system boundary}. } $$ 不然不同測試會混淆： - 模型能力； - 工具能力； - 記憶能力； - 搜索資源。 --- # 49. AI benchmark 因而可能測錯東西 假設： 系統 $A$ 有： $$ 10^6 $$ token memory， 系統 $B$ 有： $$ 10^{10} $$ token external retrieval。 最後： $$ B>A. $$ 這不能直接推出： $$ I_B>I_A. $$ 可能只是： $$ \mathfrak B_B\gg\mathfrak B_A. $$ 因此 AI 評估至少需要報告： $$ \boxed{ \text{cognitive policy} + \text{memory budget} + \text{compute budget} + \text{tools} + \text{parallelism}. } $$ --- # 50. 智能的測量必須資源條件化 本文因此提出： $$ \boxed{ I_{\mathrm{eff}} = I(A\mid\mathfrak B,\mathcal T,\mathcal B_R) } $$ 其中： $$ \mathcal T $$ 是工具集合， $$ \mathcal B_R $$ 是資源限制。 不能只說： $$ \text{Model }A\text{ scored }90\%. $$ 還應問： > 用了多少 memory？ > 用了多少 search？ > 是否有 verifier？ > 是否可平行？ --- # 51. 一個極端思想實驗 考慮系統： $$ \mathfrak B_\Omega $$ 具有： $$ \mathcal S\rightarrow\text{類無界}, $$ $$ \mathcal C\rightarrow\text{極大}, $$ $$ \mathcal A\rightarrow\text{極高速}, $$ $$ \mathcal B\rightarrow\text{極高}, $$ $$ \mathcal P\rightarrow\text{極大}. $$ 注意： 這裡不是數學上的真正無限， 而是相對於目標問題族： $$ \mathcal P_T $$ 極大到近乎不構成實際瓶頸。 --- # 52. 在這種系統上，很多今天的難題會變形 有限搜索問題： $$ |X|=10^{20} $$ 對人類近乎不可處理。 對： $$ \mathfrak B_\Omega $$ 可能只是普通 enumeration。 過去已解問題： $$ q $$ 可以直接 retrieval。 大量類似案例： $$ q_1,\ldots,q_N $$ 可以形成近乎瞬間的 structural lookup。 因此： $$ \boxed{ \text{human cognitive difficulty} } $$ 與： $$ \boxed{ \text{substrate-relative computational difficulty} } $$ 可以完全不同。 --- # 53. 這就是「基底能力不公平」 如果比較： $$ A_{\mathrm{human}} $$ 和： $$ A_\Omega, $$ 但： $$ \mathfrak B_\Omega \gg \mathfrak B_{\mathrm{human}}, $$ 即使兩者： $$ \mathfrak I $$ 的抽象品質相似， 外部表現也可能差幾個數量級。 所以： $$ \boxed{ \text{observed capability} = F( \text{cognitive organization}, \text{substrate power} ). } $$ --- # 54. 部分「超級智能」外觀可能由基底放大產生 如果一個系統： - 幾乎記得所有可用資料； - 幾乎即時檢索； - 能大規模平行驗證； - 可以持久累積結果； 人類觀察者會看到： > 它幾乎什麼都知道。 但其中一部分可能來自： $$ \boxed{ \text{substrate amplification} } $$ 而非： $$ \boxed{ \text{qualitatively superior cognition}. } $$ 這兩者必須分開研究。 --- # 55. 反方向亦成立：高認知、低基底 想像一個非常好的策略器： $$ \mathfrak I^\ast. $$ 它總能挑出： $$ 100 $$ 個最值得探索方向。 但如果： $$ \mathcal C $$ 只能每分鐘測一個， 最終仍然很慢。 因此： $$ \boxed{ \text{good selection cannot realize states without realization resources}. } $$ --- # 56. 一個雙軸智能系統圖 因此至少需要： $$ \boxed{ (\mathfrak B,\mathfrak I). } $$ 形成四種極端： | | 低認知干預 | 高認知干預 | |---|---|---| | 低基底 | 小型固定系統 | 資源受限智能體 | | 高基底 | 大規模枚舉／專用計算機 | 高基底高階智能體 | 右上： $$ (\mathfrak B_{\mathrm{high}}, \mathfrak I_{\mathrm{high}}) $$ 並不意味永遠同時使用兩者最大值。 它仍可以啟動前篇： $$ I_{\mathrm{bypass}}. $$ --- # 57. 真正強的系統因此可以切換模式 若問題： $$ P_1 $$ 有限且 verifier 便宜： $$ \text{Brute Mode}. $$ 問題： $$ P_2 $$ 搜索空間極大： $$ \text{Heuristic Mode}. $$ 問題： $$ P_3 $$ 需要改表示： $$ \text{Cognitive Transformation Mode}. $$ 問題： $$ P_4 $$ 已有完整答案： $$ \text{Retrieval Mode}. $$ 所以： $$ \boxed{ \text{General Problem Solving} = \text{Mode Selection over UCS and CIO}. } $$ --- # 58. 本文提出的七個工作命題 ## 命題一：基底—認知分離命題 存在一組能力： $$ \mathfrak B $$ 同時支持智能與非智能計算，因此不應全部視為認知干預算子。 --- ## 命題二：基底非標量命題 $$ \boxed{ \mathfrak B \neq C\in\mathbb R. } $$ 計算、記憶、尋址、頻寬與並行不能在一般情況下壓成單一算力。 --- ## 命題三：基底瓶頸命題 有效性能可能由： $$ \min_i B_i $$ 附近的瓶頸所主導，而非最強能力。 --- ## 命題四：記憶雙層命題 $$ \boxed{ \text{Memory} = \text{substrate retention/access} + \text{cognitive reconstruction/control}. } $$ 兩者不可混同。 --- ## 命題五：基底替代命題 存在問題族與認知操作 $I_k$，使： $$ \mathfrak B\uparrow \Rightarrow \operatorname{MarginalValue}(I_k)\downarrow. $$ 尤其對有限搜索與已知答案重用。 --- ## 命題六：基底非完全替代命題 不能由前述命題推出： $$ \lim_{\mathfrak B\rightarrow\infty} \operatorname{Value}(\mathfrak I) =0. $$ 因為問題形成、目標選擇與表示選擇未必能被單純更多有限枚舉直接取代。 --- ## 命題七：資源條件化智能命題 智能表現應描述為： $$ \boxed{ P_{\mathrm{success}} = F( P, \mathfrak B, \mathfrak I, \mathcal T, R ). } $$ 而不是： $$ P_{\mathrm{success}}=F(\text{IQ-like scalar}). $$ --- # 59. 本篇與前四篇的重新統一 第 1 篇： $$ \boxed{ \text{問題難度} } $$ 第 2 篇： $$ \boxed{ \text{固定計算如何展開問題} } $$ 第 3 篇： $$ \boxed{ \text{認知如何改變計算} } $$ 第 4 篇： $$ \boxed{ \text{認知何時反而有害} } $$ 本篇則指出： $$ \boxed{ \text{所有上述過程都受到更底層的實現基底限制。} } $$ 因此完整框架從： $$ \mathcal N+\mathcal I $$ 升級為： $$ \boxed{ \mathfrak B \otimes ( \mathcal N+\mathcal I ). } $$ --- # 60. 通往下一篇：真正的不公平問題 現在可以正式提出下一個思想實驗。 如果一個智能體擁有： $$ \mathcal S \rightarrow \text{極大}, $$ $$ \mathcal C \rightarrow \text{極大}, $$ $$ \mathcal A \rightarrow \text{極強}, $$ $$ \mathcal P \rightarrow \text{極大}, $$ 那麼今天大量依靠： - 直覺； - 搜索剪枝； - 經驗； - 重複推理； 才能有效完成的任務， 是否會逐漸變成： $$ \boxed{ \text{retrieve}, \text{enumerate}, \text{verify} } $$ 問題？ 反過來： 如果我們把過去所有計算結果永久保存， 是否能逐漸把： $$ \text{online compute} $$ 轉換為： $$ \text{offline memory}? $$ 以及： > 巨大記憶究竟需要多強的尋址能力，才不會只成為一座無法使用的資料墳場？ 這些問題將形成下一篇： $$ \boxed{ \text{計算—記憶—尋址交換律} } $$ 的核心。 --- # 61. 結論 本文對前幾篇最重要的修正，是拒絕把所有能力平鋪在同一層。 記憶容量： $$ \mathcal S $$ 不是直覺。 原始計算能力： $$ \mathcal C $$ 不是元認知。 尋址： $$ \mathcal A $$ 不是類比。 頻寬： $$ \mathcal B $$ 也不是注意。 但沒有這些底層能力， 上層智能同樣無法被充分實現。 因此： $$ \boxed{ \text{Cognitive Capability} } $$ 與： $$ \boxed{ \text{Computational Realization Capability} } $$ 應被明確拆開。 本文提出： $$ \boxed{ \mathfrak B = ( \mathcal S, \mathcal C, \mathcal A, \mathcal B, \mathcal P, \mathcal D, \mathcal{IO}, \mathcal V ) } $$ 作為第一版通用計算基底模型。 它揭示一個重要的不對稱： > 智能可以利用基底能力節省計算，但基底能力本身增長到極端時，也可能直接取代部分原本需要智能壓縮才能完成的工作。 因此： $$ \boxed{ \text{Intelligence reduces computation} } $$ 只是一半故事。 另一半是： $$ \boxed{ \text{More realizable computation can reduce the marginal need for some intelligence operations.} } $$ 真正的高階智能研究因而不能只問： > 系統有多會想？ 還必須問： > 它能保存多少？ > 能多快找到？ > 能同時實現多少？ > 能多快搬動狀態？ > 能否把今天的計算變成明天可直接重用的記憶？ 當這些基底維度被推到極端後， 我們今天對「記憶、計算、直覺與推理」所做的能力分類，很可能需要重新畫線。 下一篇將直接處理這條界線。 --- ## 參考文獻與近期相關研究 1. Arif et al., **Understanding Inference Scaling for LLMs: Bottlenecks, Trade-offs, and Performance Principles**, 2026。指出 reasoning-centric inference 在不同模型規模與架構下可分別受到記憶容量、memory bandwidth、interconnect、routing 與 synchronization 等瓶頸限制。 2. Ma & Patterson, **Challenges and Research Directions for Large Language Model Inference Hardware**, 2026。主張現代 LLM inference 的核心挑戰已大量轉向 memory 與 interconnect，並提出 high-bandwidth flash、processing-near-memory、3D memory-logic stacking 與低延遲 interconnect 等研究方向。 3. Liu et al., **PAM: Processing Across Memory Hierarchy for Efficient KV-centric LLM Serving System**, 2026。研究 KV cache 同時造成的 memory-capacity 與 bandwidth 壓力，並提出跨異質記憶階層的 PIM 協同。 4. He et al., **Understand and Accelerate Memory Processing Pipeline for Disaggregated LLM Inference**, 2026。將多類 AI memory optimization 統一為 Prepare Memory、Compute Relevancy、Retrieval、Apply 四階段，並顯示 memory processing 本身可以成為顯著 inference overhead。 5. Zhang et al., **Ladder-Residual: Parallelism-Aware Architecture for Accelerating Large Model Inference with Communication Overlapping**, ICML 2025。展示 distributed model parallelism 中 communication latency 對實際擴展的限制。 6. TrendForce, **Crossing AI Memory Wall: Storage Layer Reallocation and HBF Analysis**, 2026。討論長 context 與 MoE 如何增加記憶容量需求，以及 AI storage hierarchy 從單一高頻寬記憶朝 hot/warm 分層發展的產業趨勢。 7. Samsung Electronics, 2026 Future of Memory and Storage Conference announcements。近期記憶發展持續朝高密度堆疊、AI 專用 bandwidth 與將記憶靠近計算單元的方向推進。 --- **版本：v1.0** **系列定位：基底能力／實現層理論。** **上一篇：**《負認知干預：為什麼智能有時不如暴力搜尋》 **下一篇：**《計算—記憶—尋址交換律：極端基底能力下的認知坍縮》