# APSC Runtime Technical Architecture v0.1 **Adaptive Possibility-Space Cognition Runtime — Canonical Engineering Architecture, Contracts, Control Loop, and MVP Roadmap** **文件類型：技術白皮書 01 / 02** **系列：Adaptive Possibility-Space Cognition（APSC）** **版本：v0.1** **日期：2026-08-24** **作者：Neo.K** **機構：EveMissLab / EVEMISS Technology** --- ## 0. 文件定位 本文件是 APSC 六篇理論論文的第一份統一工程母文件。 它不新增平行母理論，而是把下列理論物件轉成可執行 Runtime： 1. Constrained Possibility Space； 2. Multi-Scale Future Expansion； 3. Counterfactual Observation Expansion（COE）； 4. Finite Cognitive Spacetime； 5. Adaptive Computation Control； 6. Cognitive Operating Profile（COP）； 7. Replayable Cognitive Evidence。 本文件的直接工程目標是： $$ \boxed{ \text{將「AI 怎麼想」從隱式行為轉成可定址、可約束、可調度、可重播的 Runtime 狀態。} } $$ --- # 1. 一句話架構 APSC Runtime 的第一版可以收斂為： $$ \boxed{ \text{Neural Adapter} + \text{State Kernel} + \text{Possibility Graph} + \text{Constraint Engine} + \text{Operator Runtime} + \text{COE Engine} + \text{Budget Controller} + \text{COP Manager} + \text{Receipt / Replay Layer} } $$ 其核心控制流為： $$ Observation \rightarrow State \rightarrow PossibilitySpace \rightarrow CandidateCognition \rightarrow ValueEstimate \rightarrow BudgetGate \rightarrow Execute \rightarrow Receipt \rightarrow Update \rightarrow StopOrContinue. $$ --- # 2. 核心工程不變量 ## 2.1 Neural Core 不是 Runtime State 神經模型只是一個： $$ ProposalEngine. $$ 它可以提出： - 候選狀態； - 候選分支； - 候選觀察； - 候選策略； - 候選抽象； - 候選驗證方式。 但不能直接改寫 canonical state。 因此： $$ \boxed{ NeuralProposal \neq CanonicalMutation. } $$ --- ## 2.2 Observation 不等於 Truth 任何外部觀察都先形成： $$ ObservationRecord. $$ 不得直接等於： $$ WorldTruth. $$ 因此： $$ \boxed{ Observation \neq Truth. } $$ --- ## 2.3 Candidate 不等於 Active Branch 候選分支進入 Runtime 後，必須通過約束與資源檢查。 $$ CandidateBranch \neq ActiveBranch. $$ --- ## 2.4 Decision 不等於 Commit 控制器提出決策後，仍可能因： - verifier； - budget； - safety； - user preference； - deadline； - rule； 被拒絕或延後。 因此： $$ \boxed{ Decision \neq Commit. } $$ --- ## 2.5 Profile Label 不等於 Canonical Policy UI 顯示： ```text Fast Accurate Research Safe Explore ``` 只是 preset。 Runtime 必須保存： $$ \Theta. $$ 所以： $$ ModeLabel \neq CanonicalCOP. $$ --- # 3. Runtime 分層 第一版分成九層： ```text L0 External / Neural Adapters L1 Observation & Input Normalization L2 Canonical State Kernel L3 Possibility Graph & Constraint Engine L4 Cognitive Operator Runtime L5 COE / Active Observation Engine L6 Adaptive Computation Controller L7 Cognitive Operating Profile Manager L8 Receipt / Replay / Audit Layer ``` --- # 4. L0：External / Neural Adapters ## 4.1 Neural Adapter 每個模型供應商只需實作統一介面： ```text propose_state() propose_branches() propose_observations() propose_abstraction() propose_action() ``` Runtime 不依賴某一特定模型。 --- ## 4.2 Tool Adapter 外部工具統一為： ```text observe() verify() simulate() execute() ``` 每個工具必須宣告： - input schema； - output schema； - cost estimate； - latency class； - side-effect class； - retry policy； - trust / reliability metadata。 --- # 5. L1：Observation & Input Normalization ## 5.1 ObservationRecord 第一版 canonical object： ```json { "observation_id": "obs://...", "source": "sensor|tool|user|model|world", "timestamp": "...", "payload": {}, "reliability": 0.0, "cost": {}, "side_effect": "none|possible|confirmed", "provenance": {} } ``` --- ## 5.2 Observation Status 觀察狀態： ```text RAW NORMALIZED SUPPORTED CONTRADICTED UNRESOLVED SUPERSEDED ``` --- # 6. L2：Canonical State Kernel ## 6.1 StateObject 核心狀態： $$ S_t = ( X_t, R_t, C_t, O_t, B_t ). $$ 工程表示可拆為： ```text StateSnapshot EntityState RuleState CausalState ObservationState BudgetState ``` --- ## 6.2 Unknown 必須顯式表示 欄位不可用： ```text null ``` 隨意混合： - unknown； - unavailable； - not applicable； - not observed。 應使用： ```text KNOWN UNKNOWN UNCERTAIN NOT_APPLICABLE UNAVAILABLE ``` --- ## 6.3 State Versioning 每次 canonical mutation： $$ S_t \rightarrow S_{t+1} $$ 必須產生： ```text state_version parent_state_version mutation_receipt ``` --- # 7. L3：Possibility Graph ## 7.1 PossibilityNode 每個可能節點至少包含： ```json { "node_id": "poss://...", "parent_ids": [], "state_ref": "state://...", "horizon": 0, "resolution": "near|mid|far", "probability": null, "risk": null, "decision_value": null, "reachability": "supported|contradicted|undetermined", "status": "candidate|active|dormant|pruned|merged|committed" } ``` --- ## 7.2 PossibilityEdge 邊表示： ```text ACTION EVENT OBSERVATION_UPDATE COUNTERFACTUAL_INTERVENTION ABSTRACTION REFINEMENT MERGE ``` --- ## 7.3 Graph 不要求樹 當兩條路徑進入等價狀態： $$ S_a \sim_G S_b, $$ 可以執行： $$ Merge. $$ 所以 Runtime 使用 DAG / general graph，而不是固定 tree。 --- # 8. Constraint Engine ## 8.1 Rule Classes ```text HARD SOFT PROBABILISTIC UNKNOWN ``` --- ## 8.2 ConstraintResult ```json { "constraint_id": "rule://...", "target": "poss://...", "status": "pass|fail|undetermined", "severity": "hard|soft", "reason_code": "...", "evidence_refs": [] } ``` --- ## 8.3 Constraint Projection 候選空間： $$ \widetilde{\Omega} $$ 經過： $$ \Pi_{\mathcal K} $$ 得到： $$ \widehat{\Omega}. $$ 工程流程： ```text candidate → hard-rule check → causal compatibility → reachability → risk annotation → budget relevance → active / dormant / prune ``` --- # 9. Reachability Engine 第一版不要求通用規劃器。 只提供統一 contract： ```text check_reachability(state, target, horizon, budget) ``` 回傳： ```text SUPPORTED CONTRADICTED UNDETERMINED ``` 及可選： ```text witness_path blocking_constraints required_resources ``` --- # 10. Multi-Scale Horizon Manager ## 10.1 三層 Horizon ```text NEAR MID FAR ``` --- ## 10.2 Resolution Policy 一般規則： $$ h\uparrow \Rightarrow Resolution\downarrow. $$ 但可局部 refine。 --- ## 10.3 Near 保留： - explicit state； - explicit action； - local causal transition。 --- ## 10.4 Mid 轉為： ```text ScenarioFamily ``` --- ## 10.5 Far 轉為： ```text Attractor Region MacroState ``` --- # 11. L4：Cognitive Operator Runtime ## 11.1 Operator Registry 第一版 operator： ```text expand counterfactual_intervene counterfactual_observe observe verify prune merge abstract refine backtrack reframe profile_shift commit ``` --- ## 11.2 OperatorSpec 每個 operator 必須宣告： ```json { "operator_id": "cog://expand@0.1", "input_types": [], "output_types": [], "cost_model": {}, "side_effect_class": "none", "preconditions": [], "postconditions": [], "interruptible": true, "checkpointable": true } ``` --- # 12. Operator Invocation 任何認知操作都建立： ```text CognitiveOperation ``` 包含： ```text operation_id operator_id state_ref goal_ref profile_ref budget_before estimated_value estimated_cost status ``` --- # 13. Operator Status ```text PROPOSED QUEUED RUNNING PAUSED PREEMPTED COMPLETED FAILED CANCELLED ``` --- # 14. L5：COE Engine ## 14.1 Candidate Observation Generation $$ \mathfrak Q : (B_t,G_t,\widehat{\Omega}_t) \rightarrow \mathcal Q_t. $$ 工程輸出： ```text ObservationCandidate[] ``` --- ## 14.2 ObservationCandidate ```json { "query_id": "query://...", "target": "...", "expected_outcomes": [], "estimated_information_gain": null, "estimated_decision_value": null, "estimated_risk_reduction": null, "estimated_cost": {}, "observer_effect": "none|possible|likely" } ``` --- # 15. COE Expansion 對觀察 $q$： $$ \mathfrak O_q^{CF} ( \widehat{\Omega}_t ) = \{ (o_i,p_i,\widehat{\Omega}_{t|o_i}) \}. $$ 第一版允許： - discrete outcomes； - bounded continuous bins； - symbolic outcomes。 --- # 16. Observation Value 統一值函數： $$ V_{obs}(q) = w_I IG(q) + w_D DROV(q) + w_R RiskReduction(q) + w_C Compression(q) - w_K Cost(q). $$ 權重由 COP 提供。 --- # 17. L6：Adaptive Computation Controller ## 17.1 Candidate Cognitive Queue 每輪建立： $$ \mathcal U_t^{candidate}. $$ 然後過濾： $$ \mathcal U_t^{feasible} = \{ u | C(u)\preceq B_t \}. $$ --- ## 17.2 Value Estimator 每個候選： $$ \widehat{\Delta Q}(u). $$ 計算： $$ Score(u) = \widehat{\Delta Q}(u) - \lambda^\top C(u). $$ --- # 18. Marginal Value of Cognition $$ MVC(u) = \frac{ \widehat{\Delta Q}(u) }{ ScalarCost(u) }. $$ MVC 是第一版 scheduler 的主要排序訊號之一。 --- # 19. Dynamic Shadow Price 每種資源： $$ \lambda_i = f( B_i, Deadline, COP, Risk ). $$ 當： $$ B_i\downarrow, $$ 通常： $$ \lambda_i\uparrow. $$ --- # 20. Scheduler 第一版 scheduler： ```text filter infeasible → apply hard gates → score candidates → urgency adjustment → risk adjustment → choose top action ``` --- # 21. Preemption 若新操作： $$ Score(u_b)-Score(u_a)>\tau_p, $$ 可以搶佔： $$ u_a. $$ 前提： ```text interruptible = true ``` --- # 22. Checkpoint 可搶佔操作應支援： ```json { "checkpoint_id": "ckpt://...", "operation_id": "...", "state_ref": "...", "open_branches": [], "evidence_refs": [], "resume_token": "..." } ``` --- # 23. Stop Policy 主動停止： $$ \max_u Score(u) \leq \epsilon. $$ 則： ```text STOP_COGNITION ``` --- # 24. Commit Policy 提交至少考慮： $$ Stability $$ $$ Risk $$ $$ ExpectedFurtherGain. $$ 第一版： $$ Commit=1 $$ 若： $$ Stability\geq\tau_s, $$ $$ Risk\leq\tau_r, $$ $$ ExpectedFurtherGain\leq\tau_g. $$ --- # 25. L7：COP Manager ## 25.1 Canonical COP 第一版十維： $$ \Theta = ( \theta_d, \theta_b, \theta_v, \theta_{cf}, \theta_o, \theta_r, \theta_l, \theta_a, \theta_c, \theta_n ). $$ --- ## 25.2 COP Object ```json { "cop_id": "cop://...", "depth": 0.5, "breadth": 0.5, "verification": 0.5, "counterfactual": 0.5, "observation": 0.5, "risk": 0.5, "latency": 0.5, "abstraction": 0.5, "commitment": 0.5, "novelty": 0.5 } ``` --- # 26. COP Sources 有效 Profile 由： ```text user preference task profile system hard constraints adaptive proposal ``` 合成。 --- # 27. Adaptive Region AI 自調範圍： $$ \mathcal A = [\Theta_{min},\Theta_{max}]. $$ --- # 28. Profile Shift 重要 shift 必須： ```text PROPOSE → PROJECT_TO_FEASIBLE_REGION → APPLY → RECEIPT ``` --- # 29. Hysteresis 避免頻繁切換： $$ |\Delta Trigger| > \tau_h. $$ 否則不 shift。 --- # 30. L8：Receipt Layer ## 30.1 DecisionReceipt ```json { "receipt_id": "receipt://decision/...", "state_ref": "...", "selected_operation": "...", "alternatives": [], "budget_before": {}, "budget_after": {}, "cop_ref": "...", "commit": false } ``` --- ## 30.2 ProfileReceipt ```json { "receipt_id": "receipt://profile/...", "old_cop": "...", "new_cop": "...", "trigger": "...", "reason_code": "...", "authorized_region": {} } ``` --- ## 30.3 ObservationReceipt 保存： ```text query expected outcomes actual outcome estimated value realized value cost ``` --- # 31. Replay Layer Runtime 應輸出： ```text run_manifest.json events.jsonl operations.jsonl observations.jsonl budgets.jsonl profiles.jsonl receipts.jsonl final_state.json ``` --- # 32. Private Reasoning Boundary Runtime 不需要保存： ```text private chain-of-thought hidden model scratchpad ``` 需要保存的是： ```text selected operator public justification code state transition budget transition external observation receipt ``` 因此： $$ Replayability \not\Rightarrow PrivateReasoningDisclosure. $$ --- # 33. Canonical Runtime Objects v0.1 最小 canonical objects： ```text RunManifest Goal ObservationRecord StateSnapshot Rule ConstraintResult PossibilityNode PossibilityEdge CognitiveOperation ObservationCandidate BudgetState CognitiveOperatingProfile Checkpoint DecisionReceipt ProfileReceipt ObservationReceipt FinalCommit ``` --- # 34. ID Namespace 建議： ```text run:// goal:// obs:// state:// rule:// poss:// cog:// query:// budget:// cop:// ckpt:// receipt:// commit:// ``` --- # 35. Runtime State Machine 主 Runtime 狀態： ```text INIT OBSERVE STATE_BUILD GENERATE CONSTRAIN ROUTE_COGNITION EXECUTE UPDATE EVALUATE_STOP COMMIT DONE FAILED ``` --- # 36. 主循環 ```text INIT → ingest goal / COP / budget → OBSERVE → normalize observations → STATE_BUILD → construct canonical state → GENERATE → propose possibilities → CONSTRAIN → project to working possibility space → ROUTE_COGNITION → select operator → EXECUTE → UPDATE → emit receipts → EVALUATE_STOP → continue / commit ``` --- # 37. API Surface 第一版建議： ```text POST /runs GET /runs/{id} POST /runs/{id}/observe POST /runs/{id}/step POST /runs/{id}/pause POST /runs/{id}/resume POST /runs/{id}/commit GET /runs/{id}/state GET /runs/{id}/possibilities GET /runs/{id}/budget GET /runs/{id}/profile PATCH /runs/{id}/profile GET /runs/{id}/receipts GET /runs/{id}/replay ``` --- # 38. Step Contract `POST /runs/{id}/step` 輸入： ```json { "max_operations": 1, "allow_external_observation": true } ``` 輸出： ```json { "selected_operation": "...", "status": "...", "state_ref": "...", "budget_ref": "...", "receipt_ref": "..." } ``` --- # 39. Budget Contract ```json { "wall_ms": 10000, "compute_units": 100, "memory_units": 50, "observation_units": 10, "external_units": 5, "risk_ceiling": 0.2 } ``` --- # 40. COP Presets Preset 只是 convenience： ```text single_turn_accuracy exploration low_latency high_risk_assurance research balanced ``` Runtime 仍保存展開後的完整 $\Theta$。 --- # 41. Failure Model ## 41.1 State Failure ```text STATE_UNRESOLVED STATE_CONTRADICTION STATE_SCHEMA_ERROR ``` --- ## 41.2 Constraint Failure ```text HARD_RULE_FAIL CAUSAL_CONFLICT REACHABILITY_FAIL ``` --- ## 41.3 Cognitive Failure ```text OPERATOR_FAILED OPERATOR_TIMEOUT CHECKPOINT_FAILED PREEMPTION_FAILED ``` --- ## 41.4 Observation Failure ```text OBSERVATION_UNAVAILABLE OBSERVATION_UNRELIABLE OBSERVER_EFFECT_BLOCKED ``` --- ## 41.5 Budget Failure ```text BUDGET_EXHAUSTED DEADLINE_REACHED EXTERNAL_QUOTA_EXHAUSTED ``` --- # 42. Graceful Degradation 當資源下降： ```text reduce breadth → raise abstraction → reduce far-horizon detail → defer low-value verify → freeze dormant branches → minimal viable commit ``` --- # 43. Safety / Governance Gate 第一版 Runtime 至少應具備： ```text external action allowlist side-effect classification budget ceiling observation permission COP hard minimum / maximum manual pause manual cancel manual commit override ``` --- # 44. Model Independence 核心 Kernel 不應要求某家模型 SDK。 Agent Adapter 使用： ```text provider-neutral interface ``` --- # 45. Deterministic Core 能 deterministic 的部分應 deterministic： - schema validation； - budget accounting； - state versioning； - rule checking； - receipt generation； - replay manifest； - scheduler tie-breaking with seed。 --- # 46. Stochastic Boundary 模型 proposal 可不確定，但必須被包進： ```text ProposalRecord ``` 並保存： ```text model_id model_version seed if available request hash response hash ``` --- # 47. Metrics Runtime 本身輸出： $$ Q_{\mathrm{decision}}, $$ $$ C_{\mathrm{compute}}, $$ $$ T_{\mathrm{wall}}, $$ $$ C_{\mathrm{obs}}, $$ $$ Recall_{\mathrm{critical}}, $$ $$ R_{\mathrm{alloc}}, $$ $$ R_{\mathrm{obs}}, $$ $$ R_{\mathrm{commit}}. $$ --- # 48. Telemetry 本地 telemetry 至少包含： ```text active nodes dormant nodes pruned nodes current horizon current COP remaining budget current operation decision stability expected further gain ``` --- # 49. Dashboard 第一版 Dashboard 不需華麗。 頁面： ```text Overview State Possibility Graph Operators Observations Budget COP Receipts Replay ``` --- # 50. Possibility Graph View 至少顯示： - active； - dormant； - pruned； - merged； - near / mid / far； - risk； - reachability； - decision value。 --- # 51. COP Control View UI 支援： ```text preset selector advanced sliders adaptive toggle adaptive min / max profile shift history ``` --- # 52. Minimal Neural Integration MVP 可以只接一個模型。 要求： ```text JSON structured proposal bounded branch count bounded observation candidate count bounded abstraction candidates ``` --- # 53. Branch Cap 第一版必須硬限制： $$ N_{\mathrm{active}} \leq N_{\max}. $$ 避免模型一次生成無限候選。 --- # 54. Horizon Cap $$ h \leq h_{\max}. $$ 但可以用 abstract node 表示更遠期。 --- # 55. COE Cap $$ |\mathcal Q_t| \leq Q_{\max} $$ 以及： $$ |\mathcal O(q)| \leq O_{\max}. $$ --- # 56. Verification Cap 每輪： $$ N_{verify} \leq V_{\max}. $$ --- # 57. Runtime Acceptance Gates ## Gate A：Schema Integrity 所有 canonical object 必須通過 schema。 ## Gate B：State Versioning 任何 mutation 都必須有 parent version。 ## Gate C：No Direct Neural Mutation 模型 proposal 不可直接改 canonical state。 ## Gate D：Budget Monotonicity 已消耗資源不可無故增加回來。 ## Gate E：Constraint Enforcement Hard Rule fail 不可進 active space。 ## Gate F：COE Boundedness 觀察候選與 outcome 必須有上限。 ## Gate G：Preemption Safety 搶佔後可恢復或明確標記不可恢復。 ## Gate H：COP Boundary Adaptive shift 不可離開授權區域。 ## Gate I：Receipt Completeness 重要決策必須有 receipt。 ## Gate J：Replay Integrity 同一 deterministic core 輸入可重播。 ## Gate K：Commit Gate 未通過 commit policy 不得自動 final commit。 --- # 58. MVP v0.1 的完成定義 MVP v0.1 不要求完整 AGI。 只需證明： 1. 可以建立 canonical state； 2. 可以生成有限 possibility graph； 3. 可以執行 constraint projection； 4. 可以在至少 5 種 cognition operator 間選擇； 5. 可以計算 budget； 6. 可以執行 COE 的簡化版本； 7. 可以切換 COP； 8. 可以主動 stop / commit； 9. 可以輸出 receipts； 10. 可以完整 replay。 --- # 59. MVP Operator Scope v0.1 建議只做： ```text expand observe verify prune abstract commit ``` 第二輪再加入： ```text counterfactual_intervene merge refine backtrack reframe profile_shift ``` --- # 60. MVP COE Scope 第一版只支援： ```text discrete observation candidates bounded outcomes heuristic DROV simple cost ``` 不要求完整 causal Bayesian model。 --- # 61. MVP Controller 第一版可以使用： $$ Score(u) = w_q \widehat{\Delta Q}(u) - \lambda^\top C(u). $$ 先用 heuristic estimator。 之後再學習： $$ \widehat{\Delta Q}. $$ --- # 62. MVP COP 先提供 5 個 preset： ```text balanced single_turn_accuracy exploration low_latency high_risk_assurance ``` 外加 advanced JSON。 --- # 63. MVP Demo Task 建議第一個 demo 不直接做複雜遊戲。 先做： **Hidden-State Route Planning** 世界： ```text graph map hidden hazard limited observation limited verify multiple routes deadline ``` AI 必須決定： - 先走； - 先觀察； - 先驗證； - 剪掉哪些路； - 何時 commit。 --- # 64. Demo 可測理論 同一任務可以比較： ```text Fixed Depth Fixed Search APSC without COE APSC with COE APSC with COP ``` --- # 65. Phase Plan ## Phase 0 — Schema Freeze 完成： ```text canonical objects JSON schemas ID namespace event types receipt types ``` --- ## Phase 1 — State / Budget Kernel 完成： ```text StateStore BudgetManager RunManifest versioning receipts ``` --- ## Phase 2 — Possibility Graph 完成： ```text nodes edges constraint engine reachability interface prune abstract ``` --- ## Phase 3 — Operator Runtime 完成： ```text registry invocation queue status checkpoint ``` --- ## Phase 4 — COE 完成： ```text observation candidates outcome expansion value estimate observe / update ``` --- ## Phase 5 — Adaptive Controller 完成： ```text MVC scheduler shadow price stop commit preemption ``` --- ## Phase 6 — COP Manager 完成： ```text profile presets adaptive region shift receipt ``` --- ## Phase 7 — Replay / Dashboard 完成： ```text events replay graph view budget view COP view ``` --- ## Phase 8 — Benchmark Harness 連接下一份白皮書： **AI Tension Arena Protocol & Benchmark Specification**。 --- # 66. Repository Layout 建議： ```text apsc-runtime/ ├── README.md ├── pyproject.toml ├── schemas/ ├── src/apsc/ │ ├── state/ │ ├── possibility/ │ ├── constraints/ │ ├── operators/ │ ├── coe/ │ ├── controller/ │ ├── cop/ │ ├── budget/ │ ├── receipts/ │ ├── replay/ │ ├── adapters/ │ └── api/ ├── tests/ ├── examples/ ├── benchmarks/ └── docs/ ``` --- # 67. 測試策略 至少包含： ```text unit tests schema tests property tests golden replay tests budget monotonicity tests profile boundary tests preemption tests failure injection ``` --- # 68. Property Tests 重要 property： $$ Budget_{t+1} \preceq Budget_t $$ 除非有明確 external top-up。 以及： $$ HardFail(\omega) \Rightarrow \omega\notin Active. $$ 以及： $$ AdaptiveCOP \in \mathcal A. $$ --- # 69. Golden Replay 固定： ```text seed world observations operator outcomes ``` 應得到相同： ```text state versions budget trajectory receipts final commit ``` --- # 70. 性能目標 v0.1 不追求最大吞吐。 優先順序： ```text correctness replayability boundedness auditability then performance ``` --- # 71. 非目標 v0.1 不做： - 通用世界模型； - 通用因果發現； - 完整 POMDP solver； - 自主訓練大模型； - 私有 chain-of-thought 儲存； - 無限制長期自主； - 現實高風險 actuator。 --- # 72. 可否證工程標準 若 APSC Runtime： 1. 無法比固定 depth baseline 降低資源浪費； 2. COE 無法改善任何觀察選擇； 3. COP 無法穩定改變可預測行為； 4. Replay 無法重現 deterministic core； 5. Budget accounting 不可靠； 則 v0.1 架構需要被修正，而不是只增加更多模組。 --- # 73. 第一版最小成功條件 可以用一個最小公式表示： $$ \boxed{ \text{same model} + \text{same task} + \text{different COP / controller} \Rightarrow \text{measurably different, replayable cognitive trajectory}. } $$ 並且： $$ \boxed{ \text{adaptive controller} \text{ 在至少一類任務中} > \text{fixed cognition baseline}. } $$ --- # 74. 與第二份白皮書的邊界 本文件只定義： $$ APSC\ Runtime. $$ 下一份： **AI Tension Arena Protocol & Benchmark Specification** 負責： - arena world contract； - multi-agent episode； - fairness； - scoring； - benchmark tasks； - replay comparison； - leaderboard； - experimental matrix。 --- # 75. 最終架構總結 APSC Runtime 的工程母式： $$ \boxed{ O_t \rightarrow S_t \rightarrow \widetilde{\Omega}_t \rightarrow \Pi_{\mathcal K} \rightarrow \widehat{\Omega}_t \rightarrow \mathcal U_t \rightarrow \mathcal C \rightarrow u_t^\ast \rightarrow S_{t+1} } $$ 其中： $$ \mathcal C = f( Budget, COP, Risk, Deadline, ExpectedValue ). $$ 觀察候選則透過： $$ \mathfrak O^{CF} $$ 加入 cognition queue。 --- # 76. 結論 APSC Runtime 的目的不是重新建立一個神經模型，也不是建立一個與 LLM 平行的「邏輯 AI」。 它建立的是一個位於模型與世界之間的： $$ \boxed{ \text{cognitive control runtime}. } $$ 神經模型負責提出候選。 Runtime 負責： > 哪些候選可以成立？ > 哪些值得展開？ > 哪些應觀察？ > 哪些應驗證？ > 哪些應剪枝？ > 哪些應抽象？ > 下一單位資源該花在哪裡？ > Profile 是否需要改變？ > 現在是否已經值得停止？ > 最終決策是否可以提交？ 因此： $$ \boxed{ \text{Neural intelligence generates possibilities; APSC Runtime governs cognition over them.} } $$ 這份白皮書固定了第一版工程骨架。 下一份技術白皮書將進入： **AI Tension Arena Protocol & Benchmark Specification v0.1** 並把本 Runtime 放入真正會反作用的多智能體世界中進行可重播驗證。 --- ## 版本記錄 ### v0.1 — 2026-08-24 本版首次固定： 1. APSC Runtime 九層工程架構； 2. Neural Proposal / Canonical Mutation 分離； 3. Observation / Truth 分離； 4. Candidate / Active Branch 分離； 5. Decision / Commit 分離； 6. Canonical Runtime Objects； 7. State Kernel； 8. Possibility Graph； 9. Constraint Engine； 10. Reachability Interface； 11. Multi-Scale Horizon Manager； 12. Cognitive Operator Registry； 13. COE Engine； 14. Observation Value； 15. Adaptive Computation Controller； 16. MVC； 17. Dynamic Shadow Price； 18. Scheduler； 19. Preemption； 20. Checkpoint； 21. Stop / Commit Policy； 22. COP Manager； 23. Adaptive Region； 24. Profile Shift / Hysteresis； 25. Decision / Profile / Observation Receipts； 26. Replay Layer； 27. Private Reasoning Boundary； 28. Runtime State Machine； 29. API Surface； 30. Budget Contract； 31. Failure Model； 32. Graceful Degradation； 33. Governance Gate； 34. Deterministic Core； 35. Telemetry / Dashboard； 36. Branch / Horizon / COE / Verification Caps； 37. Acceptance Gate A–K； 38. MVP Completion Definition； 39. MVP Operator Scope； 40. MVP COE Scope； 41. MVP Controller； 42. MVP COP； 43. Hidden-State Route Planning Demo； 44. Phase 0–8 Implementation Plan； 45. Repository Layout； 46. Test Strategy； 47. Property Tests； 48. Golden Replay； 49. Non-goals； 50. Falsification Criteria。