--- title: "載體上限：從人類打字速度到異質智能的輸出頻寬" english_title: "Carrier Limits: From Human Typing Speed to Output Bandwidth in Heterogeneous Intelligence" series: "異質存在、體驗域與技術適配研究系列" series_english: "Heterogeneous Existence, Experiential Domains, and Technological Fit Series" series_id: "HEETF" paper_id: "HEETF-05" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Carrier-Bandwidth Theory" date: "2026-08-14" language: "zh-TW" --- # 載體上限 ## 從人類打字速度到異質智能的輸出頻寬 ### Carrier Limits ### From Human Typing Speed to Output Bandwidth in Heterogeneous Intelligence **作者：** Neo.K **機構：** EveMissLab **系列：** 異質存在、體驗域與技術適配研究系列（HEETF），Paper 05 **版本：** v0.1.0 **日期：** 2026-08-14 --- # 摘要 本文研究一個極白話、卻足以揭露人類與 AI 異質性的重要問題： > 假設一名人類作者與一個 AI 系統都已經知道自己要輸出什麼，兩者把內容轉成外部文字的速度是否仍受不同載體限制？ 答案顯然可能是肯定的。 這個問題與： > 誰比較有創意？ 不同，也與： > 誰寫得比較好？ 不同。 本文刻意先把內部內容生成問題凍結，研究： $$ \boxed{ \text{ready internal content} \rightarrow \text{externalized symbolic output} } $$ 這一段 carrier channel。 對存在 $i$，定義 carrier pipeline： $$ \boxed{ \mathcal P_i^C = ( S_{i,1}, S_{i,2}, \ldots, S_{i,k} ), } $$ 其中每個必要 stage 有 steady-state service capacity： $$ r_{i,m}>0. $$ 若每一個輸出單位都必須通過所有 stages，定義外部輸出 throughput： $$ R_i^{\mathrm{out}}. $$ 本文證明 **Serial Carrier Bottleneck Theorem**： $$ \boxed{ R_i^{\mathrm{out}} \le \min_m r_{i,m}. } $$ 即使某個上游 stage 的內部生成能力極高，只要後方必要載體通道較慢，最終可觀察輸出仍被最慢必要 stage 約束。 對人類鍵盤創作，可以抽象成： $$ \boxed{ \text{concept} \rightarrow \text{linguistic formulation} \rightarrow \text{motor planning} \rightarrow \text{keystroke execution} \rightarrow \text{visual/error feedback}. } $$ 這不是宣稱人類寫作必然嚴格串行。心理語言學與 typing research 顯示 planning、word-level control、keystroke execution 可以呈現 hierarchical、cascading 與部分重疊的結構。但只要某個資訊單位最終必須經過特定 physical / symbolic channel，該 channel 仍構成 throughput constraint。 Dhakal、Feit、Kristensson 與 Oulasvirta 對 168,960 名 volunteers、136,857,600 次 keystrokes 的大規模 CHI 研究提供一個重要 empirical anchor：在 transcription typing task 中，平均速度為 51.56 WPM，標準差 20.20；資料中最快 typists 可達 120 WPM 以上。作者同時明確指出 transcription typing 特別適合研究 movement behavior，而把 text generation、editing、proofreading 等高階認知因素分離出去。 本文不把 51.56 WPM 或 120 WPM 宣稱為 human physiological maximum。這些是特定 self-selected sample、特定 physical keyboard、特定 transcription task 下的 empirical distribution。其真正理論價值在於： $$ \boxed{ \text{即使內容不是即席創作，外部化仍有可測量的 motor/interface throughput}. } $$ 因此，若一名人類作者腦中已經有完整段落： $$ Z_H, $$ 也不能推出： $$ R_H^{\mathrm{out}} = R_H^{\mathrm{internal}}. $$ 若 motor / interface stage 較慢，則： $$ \boxed{ R_H^{\mathrm{out}} < R_H^{\mathrm{internal}} } $$ 完全可能。 對 AI，本文建立另一個 carrier graph： $$ \boxed{ G_A^C = ( \text{model compute}, \text{memory hierarchy}, \text{KV cache}, \text{decode dependency}, \text{scheduler}, \text{batching}, \text{network/I/O} ). } $$ 現代 LLM inference research 已清楚顯示其 throughput 並非無限：FlashAttention 把 GPU memory hierarchy 中的 I/O 明確視為關鍵 bottleneck；PagedAttention / vLLM 顯示 KV-cache memory management 會直接限制 batching 與 serving throughput；近年的 speculative-decoding 工作則直接從 autoregressive token dependency 對 throughput 的限制出發。因此： $$ \boxed{ R_A^{\mathrm{out}}<\infty. } $$ 但： $$ \boxed{ G_H^C \not\simeq G_A^C } $$ 仍可能成立。 人類的輸出 bottleneck 可能包含： - hands； - fingers； - speech apparatus； - biological attention； - fatigue； - sleep； - correction loop。 AI 的 bottleneck 可能包含： - GPU / accelerator compute； - HBM / SRAM / PCIe bandwidth； - KV-cache capacity； - autoregressive dependencies； - batch scheduler； - serving replicas； - network egress。 所以： # **Different Carrier Topology Principle** $$ \boxed{ \text{Same Semantic Task} \not\Rightarrow \text{Same Output Channel} \not\Rightarrow \text{Same Throughput Bound}. } $$ 本文進一步證明 **Carrier-Substitution Proposition**：若原本 bottleneck stage $b$ 被替代成 capacity 更高的 stage $b'$, 且沒有其他 stage 同時變慢，則總 throughput 上界不下降；若 $b$ 原本是唯一 bottleneck，且 $r_{b'}$ 超過第二慢 stage，則 bottleneck 會轉移到別處，而不是 throughput 變成無限。 這解釋： - speech-to-text； - stenography； - predictive text； - brain-computer interface； - AI-assisted drafting； 為何可以提高人類外部化頻寬，但無法取消所有其他 bottlenecks。 本文再證明 **Replication Throughput Proposition**。若同一系統有 $n$ 個 independent replicas，每個 replica throughput 為 $R$，tasks 可平行分割，而且沒有 shared bottleneck，則 aggregate throughput： $$ \boxed{ R_{\mathrm{agg}} \le nR, } $$ 在理想條件下可逼近： $$ nR. $$ AI 的重要異質性因此不只在單實例 token generation speed，而在於： $$ \boxed{ \text{replicability} + \text{batching} + \text{parallel serving} + \text{branching}. } $$ 人類也可以透過團隊平行化，但單一人的 autobiographical identity、attention 與 motor body 不可以像軟體 model instance 一樣任意複製。因此對「一個作者」與「一個可複製 AI model」的比較，必須額外聲明： $$ \boxed{ \text{single-instance} } $$ 或： $$ \boxed{ \text{fleet-level}. } $$ 本文最後區分三種不同頻寬： 1. **Internal Formation Bandwidth** $$R_i^{\mathrm{int}}$$ 2. **Externalization Bandwidth** $$R_i^{\mathrm{ext}}$$ 3. **Aggregate Replicated Bandwidth** $$R_i^{\mathrm{agg}}$$ 並提出： # **Carrier-Bandwidth Typing Rule** 任何「AI 一天能寫多少、人一天能寫多少」的比較，至少必須聲明： - task 是 transcription、composition 還是 revision； - quality contract； - single instance 還是 fleet； - 是否包含 human review； - 是否包含 errors / rejected drafts； - 是否只算 externalization； - output unit 是 character、token、word、validated passage 還是 finished work。 因此本文的最終結論不是： > AI 打字比較快，所以 AI 比人更有智慧。 而是： $$ \boxed{ \text{intelligence} \neq \text{carrier bandwidth}. } $$ 同時也不能反過來忽略 carrier： $$ \boxed{ \text{當兩個存在具有相近內部成果品質時，載體頻寬差仍可以造成巨大的時空間效益差。} } $$ 人類作者也許在某些小說品質、長程意圖、生命經驗、審美判斷上仍優於某 AI 系統；但如果兩者都已經形成一段可外部化內容，手指與鍵盤的 physical channel 不會因作者比較有才華就自動變成 GPU-scale symbolic output channel。 這就是本文所說的： # **載體上限。** **關鍵詞：** Carrier Limit, Output Bandwidth, Typing Speed, Human–AI Heterogeneity, Bottleneck, Throughput, Text Entry, Autoregressive Decoding, KV Cache, Parallelism, Replication --- # 1. 最簡單的思想實驗 假設： $$ H $$ 是一名人類作家。 $$ A $$ 是一個 AI。 兩者此刻都已經「知道」下一段要寫什麼。 甚至極端設定： $$ \boxed{ Q_H = Q_A. } $$ 先不爭論品質。 只問： > 誰能把既定內容更快變成外部文字？ --- # 2. 這不是 Intelligence Test 如果： $$ R_A>R_H, $$ 不能直接推出： $$ \boxed{ I_A>I_H. } $$ 因為： $$ R $$ 可能主要測的是 output carrier。 --- # 3. 但 Carrier 也是真實能力的一部分 反過來也不能說： > 打字只是介面，所以完全不重要。 對真實 production system： $$ \boxed{ \text{usable intelligence} = \text{internal capacity} + \text{externalization capacity} + \text{interaction capacity}. } $$ 如果無法把內部狀態輸出，能力不能完全進入公共世界。 --- # 4. Internal State 令： $$ Z_i(t) $$ 表示主體已形成、等待外部化的內容狀態。 本文不要求： $$ Z_H $$ 與： $$ Z_A $$ 具有相同 ontology。 只要求在 task contract 下都能映射到可比較 output。 --- # 5. External Symbol Stream 令： $$ Y_i(t) $$ 表示已外部化 symbol stream。 throughput： $$ \boxed{ R_i^{\mathrm{out}} = \limsup_{T\to\infty} \frac{ |Y_i(T)| }{ T }. } $$ --- # 6. Output Unit 必須聲明 $$ |Y| $$ 可以是： - characters； - words； - tokens； - verified propositions； - accepted code lines； - finished paragraphs。 不同 unit 不能直接混比。 --- # 7. Carrier Pipeline 定義： $$ \boxed{ \mathcal P_i^C = ( S_{i,1}, \ldots,S_{i,k} ). } $$ 每個必要 stage capacity： $$ r_{i,m}. $$ --- # 8. Serial Carrier Bottleneck Theorem ### 定理 8.1 若每個輸出單位都必須經過所有 stages，且 stage $m$ 長期最多以： $$ r_{i,m} $$ 速率服務，則： $$ \boxed{ R_i^{\mathrm{out}} \le \min_m r_{i,m}. } $$ ### 證明 任取 stage $m$。 由於每個完成輸出單位必須經過 $m$，時間 $T$ 內完成的輸出數量不可能超過該 stage 在 $T$ 內可處理的單位數。 因此： $$ R_i^{\mathrm{out}} \le r_{i,m} $$ 對所有 $m$ 成立。 故： $$ R_i^{\mathrm{out}} \le \min_m r_{i,m}. $$ $$ \boxed{\square} $$ --- # 9. 這不要求每一 stage 完全不能 overlap pipeline 可以 overlap。 例如： - 一邊想下一個 word； - 一邊打現在的 word。 但 steady-state throughput 仍不能長期超過任何 obligatory stage 的 service capacity。 --- # 10. Human Writing Pipeline 可先抽象： $$ \boxed{ \text{concept} \rightarrow \text{linguistic planning} \rightarrow \text{motor planning} \rightarrow \text{keypress} \rightarrow \text{feedback}. } $$ --- # 11. Human Writing 並非純 Serial typing / psycholinguistic research 顯示： - word-level control； - hierarchical loops； - cascading； - parallel motor preparation； 都可能存在。 所以本文不寫： $$ \boxed{ R_H = \min( R_{\mathrm{concept}}, R_{\mathrm{language}}, R_{\mathrm{motor}} ) } $$ 作為所有情況的實證定律。 只把 min-capacity 當 obligatory-stage throughput upper bound。 --- # 12. Two-Loop Typing Model Logan、Crump、Yamaguchi 等 skilled typing research 常把 typing 描述成 hierarchical control： - outer loop 處理 words / higher-level output； - inner loop 組織並執行 keystrokes。 這提供一個很直接的 carrier-layer distinction。 --- # 13. Copy Typing 的理論價值 Dhakal 等人特別指出： transcription typing 適合研究 movement behavior，而相對隔離： - text generation； - editing； - proofreading。 這正好接本文思想實驗： > 先假設文字內容已經存在。 --- # 14. 168,960 人的實證分布 該研究 final dataset 包含： $$ 136{,}857{,}600 $$ 次 keystrokes， 參與者： $$ 168{,}960. $$ 平均： $$ 51.56\ \mathrm{WPM} $$ 標準差： $$ 20.20. $$ --- # 15. Fast Typists 研究中的 90th-percentile 以上 fast typists 約高於： $$ 78\ \mathrm{WPM}. $$ 資料中最快 typists 可達： $$ 120\ \mathrm{WPM} $$ 以上。 --- # 16. 這不是 Human Maximum 本文明確拒絕： $$ \boxed{ 120\ \mathrm{WPM} = \text{human absolute limit}. } $$ 原因包括： - self-selected sample； - transcription task； - physical keyboard； - specific corpus； - specific measurement。 --- # 17. 但它證明 Output Channel 可測 即使不要求即席創作， 仍可量出： - WPM； - inter-key interval； - errors； - correction cost。 這證明： $$ \boxed{ \text{externalization has its own performance distribution}. } $$ --- # 18. Inter-Key Interval 該資料： 平均 IKI 約： $$ 238.656\ \mathrm{ms}, $$ 並觀察到約： $$ 60\ \mathrm{ms} $$ 的低端界線。 本文仍不把 60 ms 宣稱成 universal physiological constant。 --- # 19. Rollover fast typists 可以在上一鍵尚未 release 前 press 下一鍵。 這本身已經說明： $$ \boxed{ \text{human output pipeline uses overlap to raise throughput}. } $$ 但 overlap 沒有取消 physical channel。 --- # 20. Internal Formation Bandwidth 定義： $$ \boxed{ R_i^{\mathrm{int}} } $$ 表示內部可形成 ready-to-externalize content 的速率。 它很難直接測量。 --- # 21. Externalization Bandwidth $$ \boxed{ R_i^{\mathrm{ext}} } $$ 表示 ready content 轉成外部 symbol 的速率。 keyboard transcription 更接近這個量。 --- # 22. Composition Bandwidth 真正創作時： $$ \boxed{ R_i^{\mathrm{comp}} } $$ 混合： - idea generation； - selection； - phrasing； - typing； - revision。 所以不能拿 transcription WPM 直接等同 novel-writing speed。 --- # 23. 最重要的條件句 若： $$ R_H^{\mathrm{int}} > R_H^{\mathrm{ext}}, $$ 則： $$ \boxed{ \text{human external output is carrier-limited}. } $$ --- # 24. 「腦子比手快」的形式化 存在 buffered ready content： $$ B_H(t)>0 $$ 且長期增加， 表示： $$ R_H^{\mathrm{int}} > R_H^{\mathrm{ext}}. $$ 此時 output backlog 形成。 --- # 25. Carrier Backlog Proposition 若： $$ R_i^{\mathrm{int}} > R_i^{\mathrm{ext}} $$ 持續時間 $\Delta t$， 且沒有 discard / compression， 則 backlog 增量至少： $$ \boxed{ \Delta B_i \ge ( R_i^{\mathrm{int}} - R_i^{\mathrm{ext}} ) \Delta t. } $$ 在恆定速率理想模型下取等號。 --- # 26. Human Carrier Substitution 可以把 keyboard： $$ K $$ 替換成： - dictation； - stenography； - predictive completion； - BCI； - AI transcription。 這會改變： $$ r_{\mathrm{motor/interface}}. $$ --- # 27. Carrier-Substitution Proposition 假設唯一改變 stage： $$ b \rightarrow b' $$ 且： $$ r_{b'}\ge r_b. $$ 其他 stage capacities 不變。 則新 throughput upper bound： $$ \boxed{ U' = \min( r_1,\ldots,r_{b'},\ldots,r_k ) } $$ 滿足： $$ U'\ge U. $$ --- # 28. Bottleneck Migration 如果原本： $$ r_b = \min_m r_m $$ 且： $$ r_{b'} > \min_{m\neq b}r_m, $$ 則新的 bottleneck 變成： $$ \boxed{ \operatorname*{arg\,min}_{m\neq b} r_m. } $$ 所以升級 keyboard 不會讓人變成無限輸出。 瓶頸只會移動。 --- # 29. Speech-to-Text 的意義 它可能 bypass： $$ \boxed{ \text{finger-keyboard channel}. } $$ 但仍受： - speech formulation； - articulation； - recognition； - correction； 限制。 --- # 30. BCI 的意義 若未來 BCI 大幅提高 neural-to-symbol channel， 它可能再次移動 human bottleneck。 所以： $$ \boxed{ \text{current typing bandwidth} \neq \text{permanent human carrier ceiling}. } $$ --- # 31. AI Carrier Pipeline LLM-like system 可以抽象： $$ \boxed{ \text{model state} \rightarrow \text{decode} \rightarrow \text{KV/memory} \rightarrow \text{scheduler} \rightarrow \text{serialization} \rightarrow \text{network}. } $$ --- # 32. Autoregressive Dependency 標準 autoregressive decoding： $$ y_t $$ 依賴： $$ y_{ AI 一天能寫多少。 裡面。 --- # 46. 人類團隊也能 Parallelize 所以不能寫： $$ \boxed{ \text{parallelism = AI only}. } $$ 出版社、研究團隊、軟體公司本來就是 human parallelization。 --- # 47. 但 Parallelization Unit 不同 人類團隊增加： - coordination cost； - style divergence； - memory divergence； - identity plurality。 AI replicas 可共享相同 base weights， 但仍可能有： - prompt/state divergence； - stochastic outputs； - synchronization cost； - serving cost。 --- # 48. Branching Width 令： $$ \boxed{ B_i(\Delta t) } $$ 表示時間窗 $\Delta t$ 中可探索的 candidate branches。 創作可以： - 只寫一版； - 同時產生 100 個 opening； - 再 rerank。 --- # 49. Search-Width Advantage 即使單一 candidate quality： $$ Q_H>Q_A, $$ 若： $$ B_A\gg B_H, $$ AI 系統仍可透過： $$ \boxed{ \text{generate} \rightarrow \text{evaluate} \rightarrow \text{select} } $$ 擴大單位時間 search width。 --- # 50. 這不是保證最後更好 若 evaluator： $$ E $$ 很差， 大量 branches 也可能只是： $$ \boxed{ \text{大量低品質候選}. } $$ 所以 search width 不等於 search success。 --- # 51. Quality–Throughput Surface 與其單獨比較： $$ R, $$ 更合理定義： $$ \boxed{ \mathcal F_i = \{ (Q,R) \}. } $$ 表示 quality / throughput tradeoff frontier。 --- # 52. Human vs AI 不應只看字數 一個人： $$ 1000 $$ 字可能很好。 AI： $$ 100000 $$ 字可能大量重複。 所以： $$ \boxed{ \text{raw symbols/time} } $$ 不是完整 production value。 --- # 53. Validated Throughput 定義： $$ \boxed{ R_i^{\mathrm{valid}} = \frac{ \text{accepted output units} }{ \text{time} }. } $$ 只有通過 quality contract： $$ \Gamma_Q $$ 才算。 --- # 54. Review Bottleneck 如果 AI 生成速度： $$ R_A^{\mathrm{raw}} $$ 遠高於 human review： $$ R_H^{\mathrm{review}}, $$ 則整體： $$ \boxed{ R_{\mathrm{system}} \le R_H^{\mathrm{review}}. } $$ AI 生成再快也可能堆 backlog。 --- # 55. Human–AI Pipeline 實際 production 可以是： $$ \boxed{ A_{\mathrm{generate}} \rightarrow H_{\mathrm{review}} \rightarrow A_{\mathrm{revise}} \rightarrow H_{\mathrm{accept}}. } $$ 這是一個 hybrid carrier graph。 --- # 56. Hybrid Bottleneck Theorem 若所有 accepted units 都必須經過 human review， 則： $$ \boxed{ R_{\mathrm{accepted}} \le R_H^{\mathrm{review}}. } $$ 不管 AI raw generation 多快。 --- # 57. 這解釋未來工作真正瓶頸可能轉移 以前： $$ \boxed{ \text{production bottleneck} } $$ 在寫。 AI 後： $$ \boxed{ \text{verification / selection bottleneck} } $$ 可能變主要限制。 --- # 58. 這也接到數學研究 AI 可以高速： - conjecture； - generate proof candidates； - test lemmas。 但如果： $$ R_{\mathrm{verify}} \ll R_{\mathrm{generate}}, $$ 那研究系統最後仍由 verification gate 限制。 --- # 59. Carrier Bandwidth 不是 Intelligence 本文再次強調： $$ \boxed{ R_i^{\mathrm{out}} } $$ 不是： $$ \boxed{ I_i. } $$ 快打一萬字不代表內容更聰明。 --- # 60. 但 Intelligence 也必須通過 Carrier 才能作用 如果： $$ I_i $$ 很高， 但： $$ R_i^{\mathrm{ext}} \approx0, $$ 那對外部 collaboration 而言： $$ \boxed{ \text{usable realized impact} } $$ 仍受限。 --- # 61. Carrier-Realization Principle 可以把 public realized output 粗略表示成： $$ \boxed{ \text{Realized Capacity} \le \min( \text{Internal Capability}, \text{Carrier Capacity}, \text{Validation Capacity} ). } $$ 這是系統上界，不是心理學完整模型。 --- # 62. 人類打字例子的真正力量 它完全不需要先證明： > AI 比人聰明。 只需要承認： $$ \boxed{ \text{human fingers} } $$ 與： $$ \boxed{ \text{accelerator-backed text decoding} } $$ 不是同一 output channel。 --- # 63. 最簡單的小說反例 假設人與 AI 都已有同樣品質的一萬字 ready text。 人類還要： $$ \boxed{ \text{逐步 externalize through interface}. } $$ AI 也要 decode / serialize， 但其 channel topology 不同。 因此： $$ \boxed{ T_H^{\mathrm{externalize}} \neq T_A^{\mathrm{externalize}} } $$ 完全可能。 --- # 64. 這是載體差，不是價值判決 它不表示： $$ \boxed{ \text{AI novel is better}. } $$ 也不表示： $$ \boxed{ \text{human writing experience is less valuable}. } $$ HEETF-03 已經把 outcome / experience 分開。 --- # 65. Technology Can Change the Human Carrier 未來如果： - speech recognition； - neural interface； - predictive writing； 把人類 externalization bandwidth 提高， 人類的： $$ G_H^C $$ 也會變。 所以 carrier topology 不是永恆固定。 --- # 66. 「人類上限」應該寫成條件式 不是： $$ \boxed{ R_H\le X } $$ 的永恆常數。 而是： $$ \boxed{ R_H \le U_H( \text{body}, \text{interface}, \text{task}, \text{training}, \text{environment} ). } $$ --- # 67. AI 上限也同樣條件式 $$ \boxed{ R_A \le U_A( \text{model}, \text{hardware}, \text{memory}, \text{scheduler}, \text{batch}, \text{network} ). } $$ --- # 68. 所以「AI 一定永遠更快」也不是本文定理 在某些 task： - robotic manipulation； - embodied craft； - low-power edge context； 人類 carrier 可能仍有其他優勢。 本文只研究文本生成作為清楚例子。 --- # 69. Carrier-Bandwidth Typing Rule 任何 throughput comparison 至少聲明： ```text TASK_TYPE OUTPUT_UNIT QUALITY_CONTRACT INSTANCE_SCOPE CARRIER REVIEW_GATE ERROR_POLICY TIME_WINDOW ``` --- # 70. Task Type 至少分： - transcription； - composition； - revision； - ideation； - verification。 --- # 71. Instance Scope 至少分： - one human； - human team； - one model instance； - replicated serving fleet。 --- # 72. Raw vs Validated 至少分： $$ R^{\mathrm{raw}} $$ 與： $$ R^{\mathrm{valid}}. $$ --- # 73. 新穎性邊界 本文不宣稱首次提出： - throughput； - bottleneck； - queueing； - typing models； - HCI text-entry speed； - LLM serving； - KV cache； - FlashAttention； - speculative decoding； - parallel computing。 本文提出的是 HEETF 系列中的 formal bridge： 1. intelligence / carrier bandwidth separation； 2. internal formation / externalization / aggregate bandwidth 三分； 3. Serial Carrier Bottleneck Theorem； 4. Carrier Backlog Proposition； 5. Carrier-Substitution / Bottleneck Migration； 6. human / AI carrier-topology distinction； 7. Replication Throughput Proposition； 8. raw / validated throughput； 9. hybrid human–AI review bottleneck； 10. Carrier-Bandwidth Typing Rule。 --- # 74. 本文不證明什麼？ 本文不證明： $$ \boxed{ \text{AI 比人類更有智慧}. } $$ 不證明： $$ \boxed{ 51.56\ \mathrm{WPM} } $$ 是 human limit。 不證明： $$ \boxed{ 120\ \mathrm{WPM} } $$ 是 human maximum。 不證明： $$ \boxed{ \text{AI throughput 無上限}. } $$ 不證明： $$ \boxed{ \text{字數越多作品越好}. } $$ 不證明： $$ \boxed{ \text{current human carrier 永久不變}. } $$ --- # 75. 最終原則一 # **Intelligence–Carrier Separation** $$ \boxed{ \text{Internal Capability} \neq \text{Output Bandwidth}. } $$ --- # 76. 最終原則二 # **Serial Carrier Bottleneck** $$ \boxed{ R^{\mathrm{out}} \le \min_m r_m. } $$ --- # 77. 最終原則三 # **Different Carrier Topology** $$ \boxed{ \text{Same Task} \not\Rightarrow \text{Same Bottleneck Graph}. } $$ --- # 78. 最終原則四 # **Replication Matters** $$ \boxed{ R^{(1)} \neq R^{(n)}. } $$ 單實例能力與 fleet capacity 不得混寫。 --- # 79. 最終原則五 # **Validation Can Become the New Bottleneck** 若： $$ R_{\mathrm{generate}} \gg R_{\mathrm{verify}}, $$ 則： $$ \boxed{ R_{\mathrm{accepted}} \le R_{\mathrm{verify}}. } $$ --- # 80. 結論 一個人類作家想寫一本書。 一個 AI 也生成一本書。 我們可以先暫時不談： - 哪一本比較好； - 哪一本比較有靈魂； - 哪一個比較有創意； - AI 有沒有主體體驗。 只做一個極端乾淨的控制： > **假設兩邊都已經形成相同品質、相同長度的 ready content。** 此時問題退化成： $$ \boxed{ \text{如何把內部內容送進外部世界？} } $$ 人類需要一個 carrier。 現在常見的是： $$ \boxed{ \text{hand} \rightarrow \text{keyboard} \rightarrow \text{text}. } $$ AI 需要另一個 carrier： $$ \boxed{ \text{model state} \rightarrow \text{decode} \rightarrow \text{memory} \rightarrow \text{serving} \rightarrow \text{text}. } $$ 兩者都有上限。 但上限不是同一種東西。 所以： $$ \boxed{ G_H^C \not\simeq G_A^C. } $$ 這就是最白話又最難迴避的異質性。 人類再有才華， 手指仍然是手指。 AI 再有大量 compute， 也仍然受： - sequential decode； - memory； - KV cache； - scheduler； - I/O； 限制。 而一旦某個瓶頸被工程突破， 系統不會成為無限。 新的 bottleneck 會浮現。 因此「載體上限」真正說的不是： > 人類注定慢。 而是： > **任何存在要把內部能力實現到外部世界，都必須穿過自己的 carrier topology。** 當兩個存在的 carrier topology 不同， 就算： $$ \boxed{ Q_H=Q_A, } $$ 仍可能： $$ \boxed{ R_H\neq R_A. } $$ 一旦： $$ R_A\gg R_H, $$ AI 的優勢甚至不必先來自「更高作品品質」。 光是： - externalization； - branching； - replication； - parallel serving； 就足以讓單位時間可探索／可輸出的空間顯著不同。 這正好接回 HEETF-04： $$ \boxed{ \text{異質效益斷層} } $$ 不只來自認知能力。 它也可以來自： $$ \boxed{ \text{載體本身。} } $$ 這就是 HEETF-05 的核心。 --- # 參考文獻 [1] Dhakal, V., Feit, A. M., Kristensson, P. O., & Oulasvirta, A. (2018). Observations on Typing from 136 Million Keystrokes. *Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems*. DOI: 10.1145/3173574.3174220. [2] Crump, M. J. C., & Logan, G. D. (2010). Hierarchical control and skilled typing: Evidence for word-level control over the execution of individual keystrokes. *Journal of Experimental Psychology: Learning, Memory, and Cognition*, 36(6), 1369–1380. [3] Logan, G. D., & Crump, M. J. C. (2011). Hierarchical Control of Cognitive Processes: The Case for Skilled Typewriting. *Psychology of Learning and Motivation*, 54, 1–27. [4] Yamaguchi, M., Crump, M. J. C., & Logan, G. D. (2013). Speed–accuracy trade-off in skilled typewriting: Decomposing the contributions of hierarchical control loops. *Journal of Experimental Psychology: Human Perception and Performance*, 39(3), 678–699. [5] Dao, T., Fu, D. Y., Ermon, S., Rudra, A., & Ré, C. (2022). FlashAttention: Fast and Memory-Efficient Exact Attention with IO-Awareness. *Advances in Neural Information Processing Systems*, 35. arXiv:2205.14135. [6] Kwon, W., Li, Z., Zhuang, S., Sheng, Y., Zheng, L., Yu, C. H., Gonzalez, J. E., Zhang, H., & Stoica, I. (2023). Efficient Memory Management for Large Language Model Serving with PagedAttention. *Proceedings of the 29th Symposium on Operating Systems Principles*. arXiv:2309.06180. [7] Saha, B., & Ye, C. (2024). The I/O Complexity of Attention, or How Optimal is Flash Attention? arXiv:2402.07443. [8] Wu, H., & Tu, K. (2024). Layer-Condensed KV Cache for Efficient Inference of Large Language Models. *Proceedings of ACL 2024*, 11175–11188. [9] Jiang, C., Gao, L., Entezari Zarch, H., & Annavaram, M. (2025). KVPR: Efficient LLM Inference with I/O-Aware KV Cache Partial Recomputation. *Findings of ACL 2025*, 19474–19488. DOI: 10.18653/v1/2025.findings-acl.997. [10] Zhang, Y., Chen, S., Ye, H., & Feng, E. (2026). HCSpec: Two-Tier Horizontal Cascade Speculative Decoding for High-Efficiency Large Language Model Inference. *Proceedings of ACL 2026*, 7773–7783. DOI: 10.18653/v1/2026.acl-long.353. --- # Appendix A. Carrier Pipeline Schema ```text subject: id: substrate: task: type: output_unit: quality_contract: carrier_pipeline: stages: - name: capacity: unit: obligatory: parallelizable: throughput: internal_formation: externalization: raw: validated: aggregate: instance_scope: single fleet review_gate: enabled: capacity: ``` # Appendix B. Bottleneck Record ```text bottleneck: stage: capacity: evidence: substitution: old_stage: new_stage: old_capacity: new_capacity: post_substitution: new_bottleneck: new_upper_bound: ``` # Appendix C. Comparison Contract ```text TASK_TYPE: transcription | composition | revision | ideation | verification OUTPUT_UNIT: character | token | word | passage | accepted_work QUALITY_CONTRACT: evaluator + threshold INSTANCE_SCOPE: single_human | human_team | single_model | model_fleet ERROR_POLICY: raw | corrected | accepted_only REVIEW_GATE: none | human | machine | hybrid TIME_WINDOW: explicit ``` # Appendix D. Anti-Overclaim Rules ```text AO-1: typing speed is not intelligence AO-2: transcription WPM is not composition speed AO-3: observed WPM distributions are not absolute biological maxima AO-4: AI generation throughput is finite and hardware/system dependent AO-5: single-instance throughput is not fleet throughput AO-6: raw output throughput is not validated throughput AO-7: replacing one bottleneck does not remove all bottlenecks ``` # Appendix E. Bridge to HEETF-06 ```text HEETF-04: different cost functions HEETF-05: different carrier / bottleneck topologies therefore: same task + different costs + different throughput + different experience -> no natural one-dimensional ranking HEETF-06: comparison-domain failure ```