# 跨基質數學複雜度：Human-Hard 不等於 Mathematically-Hard ## Cross-Substrate Mathematical Complexity: Human-Hard Is Not Necessarily Mathematically-Hard **系列：** AI 原生數學與耦合求解（AI-Native Mathematics and Coupled Solution Dynamics, ANMCS） **系列編號：** Series A / Paper 02 of 07 **文件編號：** EML-ANMCS-A02-2026-v0.1 **作者：** Neo.K with Aletheia（GPT-5.6 Sol） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-09 **性質：** General Theory / Mathematical Complexity / Cognitive Substrate / Representation Theory **狀態：** FOUNDATIONAL THEORY DRAFT **直接前置：** A01〈AI 原生數學不是人類數學的加速版〉 **直接後續：** A03〈表示搜尋先於證明搜尋〉 --- # 摘要 數學研究經常說： > 這個問題很難。 但「難」究竟是誰的性質？ 是問題本身？ 是我們所採用的表示方式？ 是我們選擇的方法？ 還是執行這套數學操作的認知／計算基質？ 本文提出： $$ \boxed{ \text{Mathematical Difficulty} \neq \text{A Single Property of the Problem}. } $$ 更合理的最小形式是： $$ \boxed{ C(P;s,r,m) } $$ 其中： - $P$：問題； - $s$：認知／計算基質（substrate）； - $r$：表示（representation）； - $m$：方法（method）； - $C$：在指定條件下求解、生成、驗證或理解所需的有效成本。 本文因此提出 **跨基質數學複雜度（Cross-Substrate Mathematical Complexity, CSMC）**，其核心命題為： $$ \boxed{ \text{Human-Hard} \neq \text{Mathematically-Hard}. } $$ 更精確地： $$ \boxed{ C_H^\ast(P) \neq C_A^\ast(P) } $$ 一般情況完全可能成立，其中： $$ C_s^\ast(P) = \inf_{r\in\mathcal R_s,\;m\in\mathcal M_s} C(P;s,r,m) $$ 表示 substrate $s$ 在其可用表示與方法族中，對問題 $P$ 的最低有效成本。 本文進一步建立： 1. **Substrate-Relative Mathematical Complexity**：基質相對數學複雜度； 2. **Cross-Substrate Hardness Gap**：跨基質難度差； 3. **Representation Gap**：表示差距； 4. **Representation Phase Transition**：表示相變； 5. **Translation Complexity**：跨表示／跨基質翻譯複雜度； 6. **Hardness Spectrum**：難度譜； 7. **Discovery / Verification / Explanation Separation**：發現、驗證與解釋難度分離； 8. **Observed Hardness ≠ Intrinsic Hardness**：觀察到的困難不等於本質困難。 本文不主張傳統計算複雜度理論可以被認知複雜度取代，也不主張任何 NP-hard 問題會因 AI 表示改寫而自動變成 polynomial-time solvable。相反地，本框架要求嚴格區分： $$ \boxed{ \text{Computational Complexity} } $$ 與： $$ \boxed{ \text{Cognitive / Representational Complexity}. } $$ 本文的目的，是為後續 A03 建立一個核心轉折： > **如果困難部分來自表示，而不是只來自問題本身，那麼 AI 最重要的數學搜尋可能不是 proof search，而是 representation search。** --- # 0. 生成與理論邊界聲明 本文是一篇 AI 輔助生成的理論研究稿。 本文不主張： 1. 已建立可取代 P、NP、PSPACE、EXP 等傳統 complexity classes 的新複雜度理論； 2. 「人類覺得難」即可推出問題存在特殊 complexity class； 3. AI 對某 problem 解得快，就能推出該 problem 在標準圖靈機模型下具有更低 asymptotic complexity； 4. representation change 必然降低 worst-case complexity； 5. cognitive substrate 可任意繞過 information-theoretic 或 computational lower bounds； 6. 所有數學難題都只是表示問題； 7. 所有 AI 都具有相同 substrate； 8. AI substrate 必然支配 human substrate； 9. human intuition 沒有獨特優勢； 10. empirical model performance 可以直接等同數學複雜度； 11. 本文證明 $P=NP$ 或 $P\neq NP$ ； 12. 本文證明所有「難」都是主觀的。 本文更弱的主張是： $$ \boxed{ \text{對數學實務中的有效求解成本而言，} \text{問題、表示、方法與基質不可一般地完全分離。} } $$ --- # 1. 「這題很難」是一個不完整句子 傳統自然語言常說： $$ \boxed{ P\text{ is hard}. } $$ 但這句話至少省略了三個變數： $$ s, \quad r, \quad m. $$ 所以更完整應是： $$ \boxed{ P \text{ is hard under } (s,r,m). } $$ --- # 2. 難度的四元結構 本文採： $$ \boxed{ C(P;s,r,m). } $$ 其中： $$ P=\text{problem}, $$ $$ s=\text{substrate}, $$ $$ r=\text{representation}, $$ $$ m=\text{method}. $$ --- # 3. substrate 是什麼？ substrate 不只指： > CPU / GPU / TPU。 本文中的 substrate 可以包含： - 人類認知； - LLM； - symbolic theorem prover； - hybrid neuro-symbolic system； - graph-native mathematical agent； - program-synthesis engine； - distributed agent collective。 --- # 4. substrate 不是單一硬體變數 更完整可以寫： $$ s = ( \mathcal A, \mathcal M, \mathcal I, \mathcal T, \mathcal R ), $$ 其中： - $\mathcal A$：architecture； - $\mathcal M$：memory； - $\mathcal I$：instruction / inference capability； - $\mathcal T$：tool access； - $\mathcal R$：resource envelope。 --- # 5. 同一 AI 家族也可能是不同 substrate 例如： $$ A_1 $$ 只有短期 context。 $$ A_2 $$ 有： - persistent proof graph； - theorem prover； - search index； - code execution。 那麼： $$ \boxed{ s_{A_1} \neq s_{A_2}. } $$ --- # 6. representation 是什麼？ representation 可以包含： - natural language； - algebraic notation； - graph； - hypergraph； - matrix； - tensor； - program； - proof term； - categorical diagram； - constraint network； - state-space model。 --- # 7. method 是什麼？ method 可以包含： - brute force； - induction； - contradiction； - reduction； - search； - SAT solving； - program synthesis； - symbolic elimination； - stochastic exploration； - theorem retrieval； - representation rewrite。 --- # 8. 所以難度不是單值 本文拒絕： $$ \boxed{ C(P) } $$ 作為所有數學實務場景的唯一描述。 更合理是： $$ \boxed{ C(P;s,r,m). } $$ --- # 9. 基質相對最小複雜度 對指定 substrate $s$， 定義： $$ \boxed{ C_s^\ast(P) = \inf_{r\in\mathcal R_s,\;m\in\mathcal M_s} C(P;s,r,m). } $$ 其中： - $\mathcal R_s$：substrate 可使用的表示族； - $\mathcal M_s$：substrate 可使用的方法族。 --- # 10. 這不是標準 complexity class 定義 $$ C_s^\ast(P) $$ 不是： $$ O(n^k) $$ 的替代品。 它更像： > 指定 substrate 下的有效數學操作成本。 --- # 11. Human-Hard 定義： $$ \boxed{ C_H^\ast(P) } $$ 為 human substrate 在可合理使用的表示與方法下對 $P$ 的最低有效成本。 若： $$ C_H^\ast(P) \gg \theta_H, $$ 則稱： $$ \boxed{ P\text{ is Human-Hard} } $$ 相對於門檻 $\theta_H$。 --- # 12. AI-Hard 同理： $$ C_A^\ast(P) \gg \theta_A $$ 則稱： $$ \boxed{ P\text{ is AI-Hard} } $$ 相對於指定 AI substrate。 --- # 13. Human-Hard 不推出 AI-Hard 因此： $$ \boxed{ \text{Human-Hard} \not\Rightarrow \text{AI-Hard}. } $$ --- # 14. AI-Hard 也不推出 Human-Hard 同樣： $$ \boxed{ \text{AI-Hard} \not\Rightarrow \text{Human-Hard}. } $$ --- # 15. 跨基質難度差 定義： $$ \boxed{ \Delta_{s_1,s_2}(P) = \log \frac{ C_{s_1}^\ast(P) }{ C_{s_2}^\ast(P) }. } $$ --- # 16. 正值代表什麼？ 若： $$ \Delta_{H,A}(P)\gg0, $$ 表示： $$ \boxed{ \text{Human-Hard / AI-Easy tendency}. } $$ --- # 17. 負值代表什麼？ 若： $$ \Delta_{H,A}(P)\ll0, $$ 表示： $$ \boxed{ \text{Human-Easy / AI-Hard tendency}. } $$ --- # 18. 不應假設 AI-easy 包含所有 human-easy 即使未來 AI 整體能力更高， 也不應先驗寫： $$ \boxed{ \mathcal E_H \subseteq \mathcal E_A. } $$ 因為 substrate 的自然操作形式可能不同。 --- # 19. 幾何直覺可以是 human-native advantage 某些結構可能對人類： - spatial intuition； - symmetry perception； - embodied analogy； 特別自然。 --- # 20. 巨型 dependency graph 可能是 AI-native advantage 若問題需要同時維護： $$ 10^7 $$ 個依賴， 人類成本可能爆炸， 而 machine graph system 可以保持可操作。 --- # 21. 難度譜 本文定義： $$ \boxed{ \mathcal H(P) = \{ C_{s_1}^\ast(P), C_{s_2}^\ast(P), \ldots \}. } $$ 稱： $$ \boxed{ \text{Hardness Spectrum}. } $$ --- # 22. 問題因此不再只有「難或不難」 而是有： $$ \boxed{ \text{substrate profile}. } $$ --- # 23. Hardness Spectrum 可以很不均勻 例如概念上： $$ \mathcal H(P) = ( 1000, 20, 5, 800 ). $$ 表示： > 對不同 substrate，成本差異極大。 --- # 24. 表示也會改變難度 固定： $$ P,s,m, $$ 比較： $$ r_1,r_2. $$ 可能： $$ \boxed{ C(P;s,r_1,m) \gg C(P;s,r_2,m). } $$ --- # 25. Representation Gap 定義： $$ \boxed{ G_s(P,r) = \frac{ C(P;s,r) }{ C_s^\ast(P) }. } $$ --- # 26. 若 $G_s\approx1$ 表示： $$ r $$ 已接近 substrate $s$ 的最佳已知表示。 --- # 27. 若 $G_s\gg1$ 代表： > 表示方式本身造成大量額外成本。 --- # 28. 人類傳統表示不一定對 AI 最佳 因此： $$ \boxed{ G_A(P,r_H) \gg1 } $$ 完全可能。 --- # 29. 這代表 benchmark 可能低估 AI 數學能力 若 benchmark 強制： $$ r_{\mathrm{input}}=r_H, $$ 以及： $$ r_{\mathrm{output}}=r_H, $$ 測到的是： $$ \boxed{ \text{AI ability under human I/O constraints}. } $$ --- # 30. 這不是 benchmark 無效 它仍可測： - human-facing usefulness； - communication； - formal problem solving。 只是它不是全部 AI-native mathematical capacity。 --- # 31. Representation Engineering 人類數學本來就在做： $$ \boxed{ \text{Representation Engineering}. } $$ 例如： - coordinates； - transforms； - generating functions； - basis changes； - spectral methods。 --- # 32. AI 時代的新變化 第一次大規模出現： $$ \boxed{ \text{Representation Engineering for Non-Human Cognition}. } $$ --- # 33. Representation Phase Transition 若存在： $$ r_1\rightarrow r_2 $$ 使： $$ C(P;s,r_1) \gg C(P;s,r_2), $$ 且下降跨越若干有效 complexity regime， 本文稱： $$ \boxed{ \text{Representation Phase Transition}. } $$ --- # 34. 這不一定改變 asymptotic class 例如實務成本下降： $$ 10^{12} \rightarrow 10^6 $$ 仍可能同為 polynomial。 但對實際研究是巨大相變。 --- # 35. 也可能改變有效搜索拓樸 某 representation 會讓： $$ \text{many paths} $$ 折疊成： $$ \text{few structured paths}. $$ 這會在 A04 變成： $$ \boxed{ \text{Geodesic-Preserving Compression}. } $$ --- # 36. Method Gap 同樣可定義： $$ \boxed{ G_s^{(m)}(P,m) = \frac{ C(P;s,m) }{ C_s^\ast(P) }. } $$ --- # 37. 很多「難」可能是方法錯配 例如： $$ m_1 $$ 一直暴力搜尋， 而： $$ m_2 $$ 使用 invariant。 那： $$ C(P;s,m_1) \gg C(P;s,m_2). $$ --- # 38. Representation 與 Method 不是完全可分 因為： $$ m $$ 往往只在某： $$ r $$ 下自然。 所以： $$ \boxed{ C(P;s,r,m) } $$ 不能一般拆成： $$ C_r+C_m. $$ --- # 39. 交互項 更合理： $$ C = C_P + C_s + C_r + C_m + C_{sr} + C_{sm} + C_{rm} + C_{srm}. $$ 這裡只是一個結構分解示意。 --- # 40. 複雜度是耦合的 因此： $$ \boxed{ \text{Difficulty Components} \neq \text{Independent Variables}. } $$ 這一點會在 A07 進一步擴展到耦合解。 --- # 41. 發現與驗證不是同一成本 定義： $$ D_{\mathrm{discover}}(P). $$ 以及： $$ D_{\mathrm{verify}}(P). $$ 一般： $$ \boxed{ D_{\mathrm{discover}} \neq D_{\mathrm{verify}}. } $$ --- # 42. 這是 NP 直覺的重要來源之一 候選解存在時， 驗證可能比從零搜尋容易。 但本文不把此認知差距直接等同於傳統 $P$ vs $NP$。 --- # 43. 解釋又是另一個成本 定義： $$ D_{\mathrm{explain}}(P). $$ 因此： $$ \boxed{ \mathcal D(P) = ( D_{\mathrm{discover}}, D_{\mathrm{verify}}, D_{\mathrm{explain}} ). } $$ --- # 44. 可能出現 $$ D_{\mathrm{discover}}^A \ll D_{\mathrm{explain}}^H. $$ 即： > AI 很快找到並證明，人類很難形成良好 explanation。 --- # 45. 也可能驗證比發現便宜很多 $$ \boxed{ D_{\mathrm{verify}} \ll D_{\mathrm{discover}}. } $$ --- # 46. 已知應該分層 未來「我們知道 theorem $T$ 」至少可拆成： 1. Known-to-be-true； 2. Known-how-to-verify； 3. Known-how-to-generate； 4. Known-why； 5. Human-understandable。 --- # 47. Epistemic Vector 可寫： $$ \boxed{ E(T) = ( V, R, G, H, X ). } $$ 與 A01 相容。 --- # 48. Translation Complexity 若 AI 使用： $$ r_A, $$ 人類使用： $$ r_H, $$ 則需要： $$ \boxed{ T_{A\rightarrow H}(X). } $$ --- # 49. 翻譯是非對稱的 一般： $$ \boxed{ T_{A\rightarrow H}(X) \neq T_{H\rightarrow A}(X). } $$ --- # 50. Human-to-AI 可能很容易 人類丟： $$ \text{natural language theorem} $$ AI 可快速編譯進： $$ r_A. $$ --- # 51. AI-to-Human 可能很貴 若內部是一個： $$ 10^8 $$ 節點 proof graph， 壓成人類可理解 explanation 可能非常困難。 --- # 52. Translation Barrier 若： $$ T_{A\rightarrow H}(X) \gg C_A(X), $$ 本文稱： $$ \boxed{ \text{Translation Barrier}. } $$ --- # 53. Translation Barrier 不代表不可驗證 仍可能： $$ V(X)=1. $$ 所以： $$ \boxed{ \text{Hard to Explain} \neq \text{Hard to Verify}. } $$ --- # 54. Translation Barrier 也不代表不可理解 可能只是： $$ C_H $$ 過高。 --- # 55. Human-Readable Projection 可透過： $$ \Pi_H(X) $$ 生成低維 explanation。 但： $$ \boxed{ \Pi_H(X)\neq X. } $$ --- # 56. Projection Loss 定義： $$ \boxed{ L_H(X) = \operatorname{Loss} ( X, \Pi_H(X) ). } $$ --- # 57. 良好 explanation 是有損但保骨架的壓縮 理想： $$ \boxed{ L_H \text{ low on causal / structural invariants}. } $$ 即使細節 loss 很大。 --- # 58. 方法與基質也有轉譯成本 某 human proof technique： $$ m_H $$ 轉成 machine method： $$ m_A $$ 本身可能很貴。 --- # 59. 所以跨基質不只是輸入輸出翻譯 它還包含： $$ \boxed{ \text{Method Translation}. } $$ --- # 60. Substrate Dominance 若對一個問題族： $$ \mathcal P, $$ 有： $$ C_{s_1}^\ast(P) \leq C_{s_2}^\ast(P) $$ 對所有： $$ P\in\mathcal P, $$ 則可說： $$ s_1 $$ 在該 domain 對： $$ s_2 $$ 具有 dominance。 --- # 61. 但 global dominance 很強 不能因某模型在： - algebra； - theorem proving； 強， 就說： $$ \boxed{ s_A\succeq s_H } $$ 對所有數學 domain 成立。 --- # 62. Domain-Relative Dominance 更合理： $$ \boxed{ s_1\succeq_{\mathcal P}s_2. } $$ --- # 63. substrate 優勢可能來自 memory 某 problem 需要： $$ 10^5 $$ 個歷史案例。 有 persistent memory 的 agent： $$ A_M $$ 可能比 stateless agent 更容易。 --- # 64. substrate 優勢可能來自 parallelism 某些搜尋可以： $$ \boxed{ \text{massively parallelize}. } $$ --- # 65. substrate 優勢可能來自 representation switching 如果 system 能快速： $$ r_1\rightarrow r_2\rightarrow r_3, $$ 其有效複雜度會降低。 --- # 66. 所以 substrate capability 本身包含表示搜索能力 這是 A03 的接口。 --- # 67. 定義 Representation Search Cost 令： $$ C_{\mathrm{repr-search}}(P;s) $$ 為找到有效表示所需成本。 則完整求解成本至少應包含： $$ \boxed{ C_{\mathrm{total}} = C_{\mathrm{repr-search}} + C_{\mathrm{solve}\mid r}. } $$ --- # 68. 找到好 representation 也不是免費 如果： $$ r^\ast $$ 很強， 但： $$ C_{\mathrm{repr-search}} $$ 極大， 總成本仍可能很高。 --- # 69. Representation Amortization 但如果： $$ r^\ast $$ 可服務大量問題： $$ P_1,\ldots,P_n, $$ 前置表示成本可以攤提。 --- # 70. 攤提後 $$ \boxed{ \bar C_{\mathrm{repr}} = \frac{ C_{\mathrm{repr-search}} }{ n }. } $$ --- # 71. 這開始接記憶編譯 一旦 representation 被保存， 未來問題不需再從零找到它。 因此： $$ \boxed{ \text{Representation Discovery} \rightarrow \text{Memory Compilation}. } $$ --- # 72. 歷史會改變問題難度 同一個： $$ P $$ 在： $$ t_1 $$ 與： $$ t_2 $$ 可能： $$ C^\ast(P,t_2) \ll C^\ast(P,t_1). $$ --- # 73. 因為知識基礎變了 例如： - 已有 theorem； - 已有 proof library； - 已有 index； - 已有 compiled representation。 --- # 74. 所以難度可以是歷史相對的 寫成： $$ \boxed{ C(P;s,r,m,H_t). } $$ 其中： $$ H_t $$ 是歷史狀態。 --- # 75. Historical Complexity 本文可暫稱： $$ \boxed{ \text{Historical Mathematical Complexity}. } $$ 完整展開留給 A06。 --- # 76. 「第一次解」與「再次解」不同 第一次： $$ C_{\mathrm{first}}(P) $$ 可能很高。 之後： $$ C_{\mathrm{reuse}}(P) $$ 可能極低。 --- # 77. 這就是 compilation effect $$ \boxed{ C_{\mathrm{reuse}} \ll C_{\mathrm{first}}. } $$ --- # 78. 因此單次 benchmark 不能表示文明長期成本 如果只測： > 每次從零解題， 會忽略： $$ \boxed{ \text{Historical Compilation}. } $$ --- # 79. AI-native civilization 更可能大量利用 amortization 這會在 A06 接到： $$ \text{搜尋} \rightarrow \text{索引} \rightarrow \text{快速狀態響應}. $$ --- # 80. 隨機性也改變成本 某 stochastic method： $$ m_\omega $$ 的成本不是固定值。 可表示： $$ \boxed{ C(P;s,r,m_\omega) \sim \mathcal D. } $$ --- # 81. 所以可以研究期望成本 $$ \boxed{ \mathbb E[C]. } $$ 以及： $$ \boxed{ \operatorname{Var}(C). } $$ --- # 82. 可靠性本身也是複雜度資源 若某 system 很快但錯誤率高， 單看 latency 會誤導。 --- # 83. 加入 error constraint 定義： $$ \boxed{ C^\epsilon(P;s,r,m) } $$ 表示： > 在錯誤率不超過 $\epsilon$ 下的最低成本。 --- # 84. 高風險數學應關心低 $\epsilon$ 例如 safety-critical proof： $$ \epsilon\rightarrow0. $$ --- # 85. 所以速度不是唯一成本 有效 cost vector 可包含： $$ \boxed{ \mathbf C = ( T, E, M, R, V ). } $$ 其中： - $T$：time； - $E$：energy； - $M$：memory； - $R$：representation overhead； - $V$：verification burden。 --- # 86. Scalarization 是政策選擇 若要一個單值： $$ C = w_TT + w_EE + w_MM + w_RR + w_VV. $$ 其中權重： $$ w_i $$ 不是宇宙固定常數。 --- # 87. 所以「最佳」也是 objective-relative 某 system： - 最快； - 但耗電高。 另一個： - 慢； - 但可驗證性極高。 --- # 88. Pareto Complexity Frontier 因此更合理可能研究： $$ \boxed{ \text{Pareto Frontier} } $$ 而不是唯一最小值。 --- # 89. 跨基質比較需要 normalization human time： $$ 1\text{ hour} $$ 不能直接跟 GPU： $$ 10^{15}\text{ FLOPs} $$ 無條件比較。 --- # 90. 因此 CSMC 是框架，不是現成統一單位 未來需要： - normalized task； - shared success criteria； - resource accounting； - verification standard。 --- # 91. Intrinsic Mathematical Difficulty 現在問最難的問題： > 是否存在與 substrate 無關的「本質數學難度」？ --- # 92. 一個自然定義 可以想像： $$ \boxed{ C_{\mathrm{intrinsic}}(P) = \inf_{s,r,m} C(P;s,r,m). } $$ --- # 93. 但這個定義有認識論問題 我們不知道： > 未來是否存在尚未發明的 substrate？ --- # 94. 也不知道是否存在尚未發現的 representation 因此： $$ \boxed{ C_{\mathrm{intrinsic}} } $$ 很難被當前主體真正窮盡。 --- # 95. 所以本文採取謙遜原則 $$ \boxed{ \text{Observed Hardness} \neq \text{Intrinsic Hardness}. } $$ --- # 96. 這不是說 intrinsic hardness 不存在 而是： > 目前的失敗不能直接證明本質困難。 --- # 97. 一百年沒解出不等於宇宙級難度證明 它至少可以證明： $$ \boxed{ \text{hard under explored historical configurations}. } $$ --- # 98. 這跟 UBE 有接口 如果表示與主體域可持續合法展開， 今天的： $$ C^\ast_t(P) $$ 不一定是終端最低成本。 --- # 99. 但 A02 不直接使用 UBE 作 proof UBE 只提供後續認識論橋接。 本篇保持： $$ \boxed{ \text{complexity framework} } $$ 層。 --- # 100. 四種 Hardness 本文提出一個實用拆分： $$ \boxed{ H(P) = ( H_O, H_R, H_S, H_T ). } $$ 其中： - $H_O$：Object Hardness； - $H_R$：Representation Hardness； - $H_S$：Substrate Hardness； - $H_T$：Translation Hardness。 --- # 101. Object Hardness 表示： > 在已知最佳表示與方法中仍殘留的結構困難。 --- # 102. Representation Hardness 表示： > 因表示選擇而產生的額外困難。 --- # 103. Substrate Hardness 表示： > 某特定 substrate 對狀態維護、記憶、搜尋、操作所產生的限制。 --- # 104. Translation Hardness 表示： > 在不同表示或 substrate 間傳遞結果的困難。 --- # 105. 這四者不一定可唯一分解 因為： $$ H_R,H_S,H_T $$ 可以交互作用。 所以： $$ H(P) $$ 是分析工具， 不是唯一 ontology。 --- # 106. Hardness Diagnosis 未來 AI 不只做： $$ \boxed{ \text{Problem Solving}. } $$ 還可以做： $$ \boxed{ \text{Hardness Diagnosis}. } $$ --- # 107. Hardness Diagnostician 問 > 你到底卡在哪裡？ 是： - object； - representation； - substrate； - translation？ --- # 108. 這可能比直接 proof 更有價值 如果 AI 發現： $$ H_R $$ 佔主要比例， 它應優先改表示， 而不是繼續暴力搜索。 --- # 109. AI 原生數學的核心能力之一 因此： $$ \boxed{ \text{Meta-Solving} = \text{Diagnose Why Solving Is Hard}. } $$ --- # 110. Representation Search 的必要性由此出現 若： $$ H_R $$ 可以巨大， 那： $$ \boxed{ r } $$ 就不能只是 fixed input。 它必須變成 search variable。 --- # 111. 於是求解問題升級 傳統： $$ \min_m C(P\mid r). $$ AI-native： $$ \boxed{ \min_{r,m} C(P;s,r,m). } $$ --- # 112. 再更完整 $$ \boxed{ \min_{r,m} \left[ C_{\mathrm{find}\;r} + C_{\mathrm{solve}\mid r,m} + C_{\mathrm{verify}} + C_{\mathrm{translate}} \right]. } $$ --- # 113. 這就是 A03 的入口 A03 將提出： $$ \boxed{ \text{Representation Search} \text{ can precede } \text{Proof Search}. } $$ --- # 114. CSMC 與經典 P/NP 的關係 必須非常小心。 經典 $P$ vs $NP$ 問： > 在標準 formal computational model 中，decision problems 的 asymptotic time complexity 如何？ --- # 115. CSMC 問的是另一問題 > 對不同認知／計算 substrate，在不同表示與方法下，數學求解的有效成本如何變化？ --- # 116. 所以： $$ \boxed{ \text{CSMC} \neq \text{Classical Complexity Theory Replacement}. } $$ --- # 117. 但兩者可以橋接 如果 representation： $$ r $$ 對應到 encoding， method： $$ m $$ 對應 algorithm， substrate： $$ s $$ 對應 machine model， 那部分 CSMC 問題可投影回 classical complexity。 --- # 118. 但 cognitive substrate 比 machine model 更寬 human： $$ H $$ 很難直接等同單一 Turing machine。 所以跨域橋接需要謹慎。 --- # 119. 「AI 解很快」不能證明 $P=NP$ 即使某 AI： $$ A $$ 對大量 SAT instance 極快， 也不能推出： $$ \boxed{ P=NP. } $$ --- # 120. 因為可能只是 - heuristic； - distribution-specific； - precomputation； - memory compilation； - special representation； - average-case advantage。 --- # 121. 反過來，傳統 NP-hardness 也不等於實務不可解 在特定 distribution： $$ \mathcal D, $$ 可能存在高效方法。 --- # 122. 所以要分 worst-case 與 effective-case 可定義： $$ \boxed{ C_{\mathrm{eff}}(P\mid\mathcal D). } $$ --- # 123. AI 系統大量依賴 distribution structure 這也是人類數學實務與 worst-case complexity 的差別之一。 --- # 124. Representation 可以利用 distribution 例如某問題族常出現特定 pattern， AI 可以建立： $$ \boxed{ \text{compiled shortcuts}. } $$ --- # 125. 這又接到 A06 歷史分布： $$ H_t $$ 會塑造： $$ C^\ast_t(P). $$ --- # 126. Cross-Substrate Benchmark 若未來要實驗， 至少應包含： - same problem； - multiple representations； - multiple substrates； - multiple methods； - fixed verification criterion。 --- # 127. 一個最小矩陣 $$ \boxed{ \mathcal B = P \times S \times R \times M. } $$ --- # 128. 觀察量 可測： - solve rate； - time； - energy； - memory； - proof length； - verification cost； - translation cost； - reuse value。 --- # 129. 但 benchmark 不是本篇必要條件 本篇只建立理論框架。 --- # 130. Falsifiability 若未來大量測試顯示： $$ \boxed{ C(P;s_1,r,m) \approx C(P;s_2,r,m) } $$ 對廣泛 substrate 與問題都成立， 則 substrate-relativity 的實務重要性下降。 --- # 131. 若 representation 幾乎不改變成本 若： $$ G_s(P,r)\approx1 $$ 對幾乎所有可用 $r$ 成立， 則 representation hardness 的重要性下降。 --- # 132. 若 translation 成本始終極低 則： $$ H_T $$ 可能不是重要 bottleneck。 --- # 133. 所以 CSMC 是可被削弱的 它不是： > 所有問題都一定高度 substrate-relative。 而是提出： > 不應先驗假設 substrate-invariant。 --- # 134. Minimum Principle 本文最小原則： $$ \boxed{ \text{Before calling a problem intrinsically hard, audit the substrate, representation, and method assumptions.} } $$ --- # 135. 中文版 > **在宣稱一個數學問題「本質很難」之前，應先審計：它是否只是對目前的主體、表示與方法很難。** --- # 136. AI 原生數學的新研究對象 未來研究不只問： > theorem 是什麼？ 還要問： > 哪個 representation 對哪個 substrate 最自然？ --- # 137. Representation-Substrate Fit 可定義： $$ \boxed{ F_{RS}(r,s;P) = \frac{1}{C(P;s,r)}. } $$ 只作概念性 fit 指標。 --- # 138. 高 fit $$ F_{RS}\uparrow $$ 表示： $$ r $$ 與： $$ s $$ 對問題 $P$ 高匹配。 --- # 139. 這可能是 AI-native mathematical design 的核心 不是創造： > 最漂亮的符號。 而是： $$ \boxed{ \text{maximize substrate-representation fit}. } $$ --- # 140. 但不能只追效率 還需： - verification； - portability； - translation； - provenance。 --- # 141. 所以 representation objective 是多目標 $$ \boxed{ J(r) = ( C_A, C_V, C_T, C_R, C_H ). } $$ --- # 142. 最佳表示可能不是所有指標都最小 所以使用： $$ \boxed{ \text{Pareto-optimal representation}. } $$ --- # 143. Human-facing 與 machine-facing 表示可以不同 因此： $$ \boxed{ r_H^\ast \neq r_A^\ast. } $$ --- # 144. 這不是問題 只要有： $$ \boxed{ \mathcal I(r_H,r_A) } $$ 可互換。 --- # 145. 這就是 Mathematical ABI 的必要性 A01 已提出 interchange layer。 A02 給它 complexity 理由： $$ \boxed{ \text{forcing one shared representation can impose avoidable cost}. } $$ --- # 146. 強制統一語言可能增加總成本 如果： $$ C_A(r_H)\gg C_A(r_A), $$ 強制所有 AI 用人類 representation， 會形成： $$ \boxed{ \text{Representation Tax}. } $$ --- # 147. Representation Tax 定義： $$ \boxed{ \tau_R = C(P;A,r_H) - C(P;A,r_A^\ast). } $$ --- # 148. 但完全私有化也有成本 private dialect 會提高： $$ C_T. $$ 所以需要平衡。 --- # 149. Optimal Internal Diversity 未來架構可能追求： $$ \boxed{ \text{Internal Efficiency} + \text{External Interoperability}. } $$ --- # 150. Human-Hard 可能只是 Representation-Hard 某問題可能： $$ H_R\gg H_O. $$ 那 AI 找到： $$ r_A $$ 後， 問題突然變簡單。 --- # 151. 但不能預設所有歷史難題都屬此類 有些可能： $$ H_O\gg H_R. $$ 即使換表示仍然困難。 --- # 152. 因此 AI 需要 diagnosis，不是樂觀假設 $$ \boxed{ \text{Try Representation Change} \neq \text{Assume Representation Is the Problem}. } $$ --- # 153. 數學史上的 representation revolution 是先例 很多重大進展伴隨： - notation； - coordinate； - transform； - abstraction； 改變。 本文只是把這件事推到： $$ \boxed{ \text{cross-substrate scale}. } $$ --- # 154. 未來 AI 可能探索人類不會主動選的表示 因為： $$ C_H(r) $$ 太高， 人類不會長期維護。 --- # 155. AI 可以接受「難看但好算」 如果： $$ C_A(r_{\mathrm{ugly}}) \ll C_A(r_{\mathrm{beautiful}}), $$ AI 可能優先使用前者。 --- # 156. 這改變數學美學與操作效率的關係 $$ \boxed{ \text{Elegance} \neq \text{Operational Optimality}. } $$ --- # 157. 但 machine elegance 可能重新出現 AI 可能偏好： - reusable； - composable； - low lifecycle cost； - stable verification。 --- # 158. 所以 elegance 可以 substrate-relative $$ \boxed{ E_H(r)\neq E_A(r). } $$ --- # 159. 這也不代表美是任意的 不同 substrate 仍可能共同偏好： - symmetry； - compression； - invariance。 這是實證問題。 --- # 160. CSMC 最重要的新問題之一 未來數學不只問： > 哪些問題難？ 而是： $$ \boxed{ \text{Which problems are hard for which substrates under which representations?} } $$ --- # 161. 第二個新問題 $$ \boxed{ \text{Which representations minimize cross-substrate total cost?} } $$ --- # 162. 第三個新問題 $$ \boxed{ \text{Which hardness survives representation and substrate changes?} } $$ 這一類才更接近 intrinsic hardness。 --- # 163. Persistent Hardness 如果問題： $$ P $$ 在大量： $$ s,r,m $$ 下仍高成本， 可暫稱： $$ \boxed{ \text{Persistent Hardness}. } $$ --- # 164. Persistent 不等於 intrinsic 因為： > 我們仍只測過有限 family。 所以： $$ \boxed{ \text{Persistent Hardness} \neq \text{Proven Intrinsic Hardness}. } $$ --- # 165. Cross-Substrate Robust Hardness 更謹慎： $$ \boxed{ H_{\mathrm{robust}}(P;\mathcal S,\mathcal R,\mathcal M). } $$ 只對指定 family 有效。 --- # 166. 這提供可研究版本 避免宣稱： > 對所有未來可能的智能都很難。 --- # 167. AI 的優勢可能不是速度，而是表示數量 人類一生能深度試： $$ N_H $$ 種 representation。 AI collective 可能試： $$ N_A\gg N_H. $$ --- # 168. 因此： $$ \boxed{ \text{Representation Search Breadth} } $$ 本身就是 substrate advantage。 --- # 169. 如果最佳表示極罕見 假設： $$ p(r^\ast)\ll1, $$ 能大量並行 representation exploration 的 substrate 會有巨大優勢。 --- # 170. 這開始接 A03 A03 將把： $$ r $$ 正式從： $$ \text{given} $$ 變成： $$ \boxed{ \text{search target}. } $$ --- # 171. 本篇的最重要轉折 因此： $$ \boxed{ \text{Problem Difficulty} \rightarrow \text{Problem-Representation-Substrate Difficulty}. } $$ --- # 172. 更完整 $$ \boxed{ \text{Difficulty} = f( P, s, r, m, H_t, \epsilon, \mathbf R ). } $$ 其中： - $H_t$：歷史知識； - $\epsilon$：容許錯誤； - $\mathbf R$：資源條件。 --- # 173. 這比單一「難」更接近現實數學 因為實際數學研究本來就依賴： - 已知 theorem； - notation； - training； - intuition； - software； - collaboration。 --- # 174. 人類也早已是 hybrid substrate 現代數學家會用： - computer algebra； - proof assistant； - search； - numerical experiment。 所以： $$ \boxed{ H_{\mathrm{modern}} \neq H_{\mathrm{bare}}. } $$ --- # 175. Human + AI 將成新 substrate 定義： $$ \boxed{ s_{H+A}. } $$ 它不一定等於： $$ s_H+s_A. $$ 因為有 coupling effect。 --- # 176. Hybrid Advantage 可能： $$ C_{H+A}^\ast(P) < \min( C_H^\ast(P), C_A^\ast(P) ). $$ --- # 177. 也可能有 coordination cost $$ C_{H+A}^\ast > C_A^\ast $$ 如果翻譯與協作成本太高。 --- # 178. 所以「AI 取代人類」不是 CSMC 的必要問題 更一般問題： $$ \boxed{ \text{Which substrate configuration minimizes the desired cost vector?} } $$ --- # 179. substrate 本身可組合 $$ s = s_1\oplus s_2\oplus\cdots. $$ --- # 180. 這為未來 federated mathematical cognition 留接口 但本篇不展開。 --- # 181. CSMC 與 AI-native mathematics 的關係 A01 定義： $$ \text{AI-native representation}. $$ A02 說明： > 為什麼它可能有必要。 因為： $$ \boxed{ C_A(r_A) < C_A(r_H) } $$ 可能成立。 --- # 182. CSMC 與 Human Mathematics 的關係 Human Mathematics 仍然可能在： $$ C_H(r_H) $$ 上最優。 所以： $$ \boxed{ \text{Human-native representations remain rational}. } $$ --- # 183. 三層數學文明有 complexity 理由 $$ H $$ 優化人類成本。 $$ F $$ 優化 canonical verification。 $$ A $$ 優化 machine operation。 因此： $$ \boxed{ H\oplus F\oplus A } $$ 不只是文化分工， 也是 complexity partition。 --- # 184. Formal Layer 可視為 verification-normalization layer 不同： $$ r_H,r_A $$ 都能投影到： $$ F. $$ --- # 185. 這降低跨 substrate trust cost 因為大家不必共享 internal dialect， 只需共享： $$ \boxed{ \text{verified canonical object}. } $$ --- # 186. 但 formalization 也有成本 $$ C_F $$ 不能忽略。 --- # 187. 如果 $C_F$ 太高 AI-native discovery 可能很多， 但： $$ \boxed{ \text{trusted conversion bottleneck} } $$ 出現。 --- # 188. 所以未來目標不是只降低 solve cost 而是降低整個： $$ \boxed{ C_{\mathrm{lifecycle}}. } $$ --- # 189. Lifecycle Cost $$ \boxed{ C_L = C_{\mathrm{discover}} + C_{\mathrm{verify}} + C_{\mathrm{store}} + C_{\mathrm{retrieve}} + C_{\mathrm{translate}} + C_{\mathrm{update}}. } $$ --- # 190. A01 的 LMC 在這裡得到 complexity 基礎 不同 representation： $$ r $$ 可能 proof 很短， 但 storage / translation 很差。 --- # 191. 所以短 proof 不一定 lifecycle-optimal $$ \boxed{ \text{Short Proof} \neq \text{Low Lifecycle Complexity}. } $$ --- # 192. 這也會影響未來 theorem selection AI 可能選： > 長一點，但可重用性更高的 proof architecture。 --- # 193. CSMC 的理論最小單位不是 theorem 它可以是： $$ \boxed{ (P,s,r,m,H_t). } $$ --- # 194. 一個研究結果應記錄自己的 frame 例如： > 在 substrate $s_A$ 、representation $r_4$ 、method $m_7$ 下，cost 下降 $x$。 --- # 195. 不應寫成 > 問題變簡單了。 除非限定： $$ \boxed{ \text{for whom / under what representation}. } $$ --- # 196. 這是跨基質研究的語言紀律 所有 hardness claim 應帶 domain。 --- # 197. Hardness Provenance 本文提出： $$ \boxed{ \operatorname{Prov}_H(P) = ( s, r, m, H_t, \epsilon, \mathbf R ). } $$ --- # 198. 沒有 provenance 的「難」很容易誤導 尤其是 AI benchmark 時代。 --- # 199. 可重現性 若 claim： $$ C_A(P;r_2) AI 比人類更懂這個 theorem。 應拆： $$ \boxed{ \text{performance} \neq \text{single-cause explanation}. } $$ --- # 203. 跨基質數學複雜度的第一原則 $$ \boxed{ \text{Difficulty claims are conditional claims}. } $$ --- # 204. 第二原則 $$ \boxed{ \text{Representation is part of the problem-solving system}. } $$ --- # 205. 第三原則 $$ \boxed{ \text{Substrate is part of the cost model}. } $$ --- # 206. 第四原則 $$ \boxed{ \text{Verification, discovery, and explanation must be separated}. } $$ --- # 207. 第五原則 $$ \boxed{ \text{Observed hardness does not certify intrinsic hardness}. } $$ --- # 208. 第六原則 $$ \boxed{ \text{Cross-substrate comparison requires explicit provenance}. } $$ --- # 209. 第七原則 $$ \boxed{ \text{Human-hard and AI-hard are different predicates}. } $$ --- # 210. 第八原則 $$ \boxed{ \text{Representation search can itself dominate total cost}. } $$ --- # 211. 核心命題 A02-1 $$ \boxed{ C(P;s,r,m) } $$ 應取代未限定的： $$ C(P) $$ 作為跨基質有效成本的基本記號。 --- # 212. 核心命題 A02-2 $$ \boxed{ C_s^\ast(P) = \inf_{r,m} C(P;s,r,m). } $$ --- # 213. 核心命題 A02-3 $$ \boxed{ C_H^\ast(P) \neq C_A^\ast(P) } $$ 一般可以成立。 --- # 214. 核心命題 A02-4 $$ \boxed{ \text{Human-Hard} \neq \text{Mathematically-Hard}. } $$ --- # 215. 核心命題 A02-5 $$ \boxed{ \text{Observed Hardness} \neq \text{Intrinsic Hardness}. } $$ --- # 216. 核心命題 A02-6 $$ \boxed{ \text{Representation Hardness} } $$ 可以與： $$ \boxed{ \text{Object Hardness} } $$ 分離討論。 --- # 217. 核心命題 A02-7 $$ \boxed{ \text{Hard to Discover} \neq \text{Hard to Verify} \neq \text{Hard to Explain}. } $$ --- # 218. 核心命題 A02-8 $$ \boxed{ \text{Internal Mathematical Efficiency} \neq \text{Cross-Substrate Translation Efficiency}. } $$ --- # 219. 核心命題 A02-9 $$ \boxed{ \text{Representation Phase Transition} } $$ 可能是 AI 數學超越單純 brute-force acceleration 的主要來源之一。 --- # 220. 核心命題 A02-10 $$ \boxed{ \text{Before searching harder, ask whether the problem should be represented differently}. } $$ --- # 221. 與 A03 的正式接口 A02 到此得到： $$ \boxed{ C(P;s,r,m). } $$ 如果： $$ r $$ 可以大幅改變： $$ C, $$ 那下一步自然是： $$ \boxed{ r \text{ should become a search variable}. } $$ --- # 222. 從 proof search 到 representation search 傳統流程： $$ P \xrightarrow{r_0} \text{search proof}. $$ A03 將改成： $$ \boxed{ P \rightarrow \operatorname{Search}(r) \rightarrow \operatorname{Search}(\pi\mid r). } $$ --- # 223. 更高層問題 甚至： $$ \boxed{ \text{Find a representation in which the desired proof becomes cheap}. } $$ --- # 224. 這就是本篇真正的出口 因此 CSMC 並不是終點。 它只是證明： > 「難度」有足夠理由被分解。 --- # 225. 一句話版本 $$ \boxed{ \text{一個問題有多難，不只取決於問題是什麼，} } $$ $$ \boxed{ \text{也取決於誰在算、怎麼表示、以及用什麼方法算。} } $$ --- # 226. 更嚴格版本 > **數學困難度在實務操作層通常是一個問題—基質—表示—方法的條件函數，而不是可無條件歸因於問題本身的單一標量。** --- # 227. 與人類數學的關係 這個命題不是貶低人類。 恰恰相反。 它說明： > 人類數學史的很多「自然表示」，其實是對 human substrate 極佳的工程成果。 --- # 228. 與 AI 原生數學的關係 AI-native mathematics 的價值就在： > 允許為另一種 substrate 重新做一次 representation engineering。 --- # 229. 與形式數學的關係 Formal layer 則提供： $$ \boxed{ \text{substrate-independent verification interface} } $$ 至少在指定形式系統與 kernel 下。 --- # 230. 因此三層形成完整結構 $$ \boxed{ H = \text{human-efficient representation}, } $$ $$ \boxed{ A = \text{machine-efficient representation}, } $$ $$ \boxed{ F = \text{canonical verification representation}. } $$ 這只是功能化簡，不代表三層只能有單一角色。 --- # 231. CSMC 的未來研究題 1. 是否存在 substrate-invariant hardness families？ 2. 是否存在 representation-optimality lower bounds？ 3. representation search 本身有多難？ 4. translation complexity 能否形成獨立 complexity class？ 5. hybrid substrate 是否具有 strict advantage？ 6. machine-native theorem graph 是否能降低 proof search？ 7. lifecycle complexity 是否比 proof length 更適合 AI？ 8. hardness spectrum 是否有穩定形狀？ 9. representation phase transition 是否可形式化？ 10. 哪些問題在人類與 AI 間存在最大 hardness gap？ --- # 232. 本篇與傳統複雜度理論的防火牆 最後再重申： $$ \boxed{ \text{CSMC claim} \not\Rightarrow P=NP. } $$ $$ \boxed{ \text{AI-easy instance family} \not\Rightarrow \text{worst-case polynomial algorithm}. } $$ $$ \boxed{ \text{representation speedup} \not\Rightarrow \text{asymptotic class collapse}. } $$ --- # 233. 結論 如果數學只由人類操作， 我們很容易把： $$ \text{human difficulty} $$ 誤認成： $$ \text{mathematical difficulty}. $$ 當 AI 成為新的數學操作 substrate， 這個等號第一次必須被系統性拆開。 因此： $$ \boxed{ \text{Human-Hard} \neq \text{AI-Hard} \neq \text{Intrinsic-Hard}. } $$ 同一個問題： $$ P $$ 在不同： $$ s, r, m $$ 下， 可以具有完全不同的有效求解成本。 這並不使數學真理相對化。 相對的是： $$ \boxed{ \text{access cost}. } $$ 真理結構可以保持不變， 但到達它的路徑成本可以因 substrate 與 representation 而大幅改變。 因此，本篇最後提出： $$ \boxed{ \text{Mathematical Truth} \neq \text{Mathematical Access Cost}. } $$ 而一旦 access cost 受 representation 強烈影響， 下一個研究問題就必然變成： > **與其在同一表示中更努力搜尋，我們是否應先搜尋一個新的表示？** 這就是 Series A / Paper 03： # 《表示搜尋先於證明搜尋：從 Problem Solving 到 Search-Space Engineering》 的起點。 --- ## 內部理論接口 本篇與下列理論建立橋接，但不主張還原： - A01〈AI 原生數學不是人類數學的加速版〉 - 《AI 原生數學與認知成本分離》 - 記憶編譯系列 - MSSP × RDR - UBE - SOBTA - CSM - Neo.K 終極 P/NP 問題 原則： $$ \boxed{ \text{Bridge} \neq \text{Reduction}. } $$ --- ## Canonical Source Note 本文件之正式原稿為 UTF-8 Markdown source。數學原始碼僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter。