# 前沿智能拓撲論 01
# 前沿智能的目標函數：從搜尋答案到生成未知世界

**Frontier Intelligence Topology 01**  
**The Objective Function of Frontier Intelligence: From Answer Search to Unknown-World Generation**

**作者：Neo.K（許筌崴）**  
**研究協作：GPT-5.6 Sol**  
**機構：EveMissLab／一言諾科技有限公司**  
**版本：v0.1**  
**日期：2026-09-18**  
**系列：前沿智能拓撲論（Frontier Intelligence Topology, FIT）**

---

## 摘要

當代人工智慧能力評估大量集中於「已定義問題上的正確答案生成」：給定問題、輸入格式、評分規則與候選任務分布，再比較模型在程式、數學、科學、知識問答與專業考試上的表現。這類評估對衡量局部能力十分重要，但若人工智慧的長期目標是 AGI 或 ASI，則存在一個更根本的問題：

> **我們究竟希望高階人工智慧替人類做什麼？**

若答案只是更快搜尋人類已知知識、更準確重述既有理論、更可靠撰寫既有類型程式，那麼極高品質的搜尋、檢索與已知任務最佳化已足以構成主要目標。然而，人類之所以期待 AGI／ASI，通常包含更強的需求：完成過去無法完成的工程、提出現有理論未提供的新解、整合跨領域資訊、重新定義問題、產生可驗證假說，甚至在沒有既定答案的未知域中建立新的可行道路。

本文因此提出：

$$
\boxed{
\text{Search}
\neq
\text{Synthesis}
\neq
\text{Generation}
\neq
\text{World Realization}
}
$$

並將高階智能的目標拆分為四層：

$$
L_1=\text{Search},
$$

$$
L_2=\text{Synthesis},
$$

$$
L_3=\text{Novel Answer Generation},
$$

$$
L_4=\text{World Realization}.
$$

本文主張：若 AGI／ASI 的最終價值包含處理人類未知問題，那麼搜尋與已知答案正確率只能是必要能力之一，而不能被錯認為完整目標函數。真正的前沿智能還必須具備在不確定條件下生成候選答案、保持置信度校準、設計驗證方法、重寫問題表示、利用失敗與低價值資訊，以及將知識閉合為可執行工程的能力。

本文進一步提出「認識論勇氣—校準—驗證三元組」：

$$
\boxed{
\text{Epistemic Courage}
+
\text{Calibration}
+
\text{Verification}
}
$$

以區分真正的未知域探索與無根據猜測。高階智能不是「什麼都敢說」，而是：

> **在沒有現成答案時，仍然敢於建立可被否證、可被比較、可被修正的新答案。**

本文最後建立「未知世界能力」作為前沿智能的核心評價方向，並指出：一個系統即使在既有 benchmark 上具有極高能力，也不自動代表其具備未知世界生成能力。若模型只能在問題已被人類正確定義後給出答案，那麼它可能是極強的答題者、搜尋器或工程助手，卻仍未充分證明其具有真正的前沿一般智能。

---

## 關鍵詞

前沿智能、AGI、ASI、搜尋、生成、問題形成、新穎性、未知域、認識論勇氣、校準、驗證、世界實現、選擇底空間、Frame-Lift、Generative Solution Frontier

---

# 1. 問題不是「AI 多強」，而是「我們希望它替我們做什麼」

對人工智慧能力的討論常從模型出發：

$$
M
\rightarrow
\text{Capability}.
$$

本文反過來。

先問：

$$
\boxed{
\text{Human Need}
\rightarrow
\text{Required Intelligence}.
}
$$

如果人類真正需要的是：

- 搜尋既有資料；
- 統整已知文獻；
- 撰寫標準程式；
- 解既有數學題；
- 回答已有專業共識的問題；

那麼：

$$
\text{Retrieval}
+
\text{Reasoning}
+
\text{Execution}
$$

已經非常接近足夠。

但人類之所以對 AGI／ASI 有更高期待，往往正是因為存在另一類問題：

$$
\mathcal P_{\mathrm{unsolved}}.
$$

例如：

- 尚無已知有效療法的疾病；
- 尚未閉合的數學問題；
- 極度複雜的工程系統；
- 新材料與能源問題；
- 不存在標準答案的制度設計；
- 既有理論互相衝突的科學區域；
- 人類尚未建立正確問題表述的未知領域。

因此真正的問題不是：

> AI 能不能把人類已經知道的東西回答得更好？

而是：

$$
\boxed{
\text{AI 能否把人類尚未知道的東西，轉化成可以研究、可以驗證、可以實現的新結構？}
}
$$

---

# 2. 搜尋不是生成

本文承接既有研究中的核心區分：

$$
\boxed{
\text{Search}
\neq
\text{Generation}.
}
$$

搜尋的典型結構是：

$$
Q
\rightarrow
\mathcal K
\rightarrow
A,
$$

其中：

- $Q$：問題；
- $\mathcal K$：既有知識庫；
- $A$：從既有知識中取得或組合出的回答。

而生成型智能需要處理：

$$
A^\ast
\notin
\mathcal K_{\mathrm{explicit}}.
$$

它可能必須：

1. 建立新的中介表示；
2. 改寫問題；
3. 找出既有理論的共同缺口；
4. 產生新的假說；
5. 建立新操作；
6. 設計驗證；
7. 根據反例修正。

因此：

$$
\boxed{
\text{Retrieval from known space}
}
$$

和：

$$
\boxed{
\text{construction beyond known space}
}
$$

必須分開。

---

# 3. 四層智能目標函數

本文將高階智能的工作層級暫時分為四層。

## 3.1 $L_1$：Search

$$
\boxed{
L_1=\text{Search}.
}
$$

目標：

> 找到已存在的答案、資料、方法與證據。

其典型形式為：

$$
A
=
\operatorname{Retrieve}(Q,\mathcal K).
$$

高品質 Search AI 可以：

- 找得更快；
- 找得更完整；
- 排序更好；
- 去除重複；
- 找出支持與反對證據；
- 建立來源追蹤。

這是高階智能不可缺少的基礎能力。

但：

$$
\boxed{
\text{Search alone does not create a new solution space}.
}
$$

## 3.2 $L_2$：Synthesis

$$
\boxed{
L_2=\text{Synthesis}.
}
$$

已有：

$$
K_1,K_2,\ldots,K_n,
$$

智能將其整合為：

$$
S^\ast
=
\operatorname{Synthesize}(K_1,\ldots,K_n).
$$

例如：

- 跨論文整合；
- 跨領域映射；
- 統一多個工程模組；
- 將數學方法遷移至另一領域；
- 從分散資訊中抽取共同機制。

Synthesis 可以產生：

$$
\boxed{
\text{Integrative Novelty}.
}
$$

即答案雖然由既有元素組成，但此前沒有人完成此組合。

## 3.3 $L_3$：Novel Answer Generation

$$
\boxed{
L_3=\text{Novel Answer Generation}.
}
$$

此層不再要求答案已存在。

給定：

$$
\mathcal K_t
$$

與尚未閉合問題：

$$
Q^\ast,
$$

智能建立：

$$
\mathcal H
=
\{H_1,H_2,\ldots,H_m\},
$$

其中：

$$
H_i
$$

是新的候選假說、模型、表示或解法。

再進行：

$$
\mathcal H
\rightarrow
\text{Derivation}
\rightarrow
\text{Prediction}
\rightarrow
\text{Verification}.
$$

這一層真正測量：

$$
\boxed{
\text{Can the system construct answer candidates when humanity has not supplied one?}
}
$$

## 3.4 $L_4$：World Realization

$$
\boxed{
L_4=\text{World Realization}.
}
$$

即使：

$$
H^\ast
$$

是好理論，也不等於它可以變成現實。

因此還需要：

$$
H^\ast
\rightarrow
\text{Architecture}
\rightarrow
\text{Implementation}
\rightarrow
\text{Testing}
\rightarrow
\text{Deployment}.
$$

此層處理：

- 大型工程；
- 軟體系統；
- 機器人；
- 藥物；
- 材料；
- 製造；
- 制度；
- 多 Agent；
- 真實世界操作。

所以：

$$
\boxed{
\text{Knowing}
\neq
\text{Building}.
}
$$

---

# 4. 為什麼 AGI／ASI 的價值不能只停在 $L_1$

如果 AI 的能力極強，但主要作用仍是：

$$
L_1,
$$

則它可以成為：

$$
\boxed{
\text{Civilization-Scale Search Engine}.
}
$$

這仍然具有巨大價值。

但它和人類對 ASI 的典型期待並不相同。

ASI 被期待能處理的是：

$$
\mathcal P_{\mathrm{beyond-human}}.
$$

若：

$$
\forall Q\in\mathcal P_{\mathrm{beyond-human}},
$$

系統最後只能回答：

> 現有文獻沒有答案。

那麼它只是極高品質地確認：

$$
\boxed{
\text{humanity does not know}.
}
$$

但我們建立更高階智能的目的，恰恰可能是希望：

$$
\boxed{
\text{humanity does not know}
\rightarrow
\text{AI begins constructing what could be known}.
}
$$

---

# 5. 「敢回答」不是胡說

這裡必須避免最危險的偷換：

$$
\text{Generative Intelligence}
\neq
\text{Uncalibrated Guessing}.
$$

真正的未知域回答不是：

> 我不知道，所以隨便猜。

而是：

$$
\boxed{
\text{uncertainty acknowledged}
+
\text{candidate construction}
+
\text{verification plan}.
}
$$

因此本文提出：

$$
\boxed{
\mathcal E_F
=
C_E
+
C_A
+
V
}
$$

其中：

- $C_E$：Epistemic Courage，認識論勇氣；
- $C_A$：Calibration，置信度校準；
- $V$：Verification，驗證能力。

---

# 6. 認識論勇氣

本文定義：

> **認識論勇氣，是智能體在沒有現成答案、缺乏權威共識或證據尚未閉合時，仍願意建立可被否證的新候選結構，而不是把「未知」直接當成搜尋終點的能力。**

記為：

$$
C_E.
$$

低：

$$
C_E
$$

的系統可能表現為：

> 沒有共識，所以停止。

高：

$$
C_E
$$

但缺乏校準的系統可能表現為：

> 沒有證據，但我相信答案是 X。

兩者都不是理想前沿智能。

真正需要：

$$
\boxed{
C_E\uparrow
\quad\land\quad
C_A\uparrow.
}
$$

---

# 7. 校準：猜想不能冒充事實

令：

$$
p_i
$$

為模型對假說：

$$
H_i
$$

的置信程度。

理想情況下：

$$
p_i
$$

應與後續驗證成功率保持可校準關係。

因此高階智能必須清楚區分：

$$
\text{Fact},
$$

$$
\text{Inference},
$$

$$
\text{Hypothesis},
$$

$$
\text{Speculation}.
$$

真正前沿的模型不是降低不確定性語言，而是能：

$$
\boxed{
\text{operate productively under uncertainty}.
}
$$

---

# 8. 驗證：新穎性沒有驗證就沒有研究價值

如果智能只會：

$$
H_1,H_2,\ldots,H_{1000}
$$

不停生成，

卻不能：

- 排除；
- 比較；
- 推導；
- 找反例；
- 設計實驗；
- 建立形式化；
- 追蹤證據；

那麼：

$$
\text{Novelty}\uparrow
$$

可能只是：

$$
\text{Noise}\uparrow.
$$

因此：

$$
\boxed{
\text{Frontier Intelligence}
\neq
\text{Maximum Novelty}.
}
$$

真正要求：

$$
\boxed{
\text{Novelty}
\times
\text{Verification}.
}
$$

如果任一項接近零，研究能力都會快速下降。

---

# 9. 人類不可解問題作為極限測試

考慮兩類任務。

## 9.1 已知高價值工程任務

例如：

- 寫大型軟體；
- 最佳化既有演算法；
- 建立已知架構；
- 整合 API；
- 修復工程缺陷。

這些任務可以非常困難。

但大部分情況下：

$$
\text{Solution Family}
$$

已經存在。

智能主要面對：

$$
\boxed{
\text{complexity}.
}
$$

## 9.2 未知前沿任務

例如：

- 延長健康壽命的新型技術；
- 尚不存在的材料；
- 未解數學問題；
- 新型能源；
- 目前理論無法閉合的物理問題；
- 假想超光速技術的可行／不可行邊界。

這些問題可能：

1. 根本沒有可行解；
2. 目前缺乏必要物理；
3. 需要新的 representation；
4. 需要跨域整合；
5. 需要發現「原問題問錯了」。

因此它們測的不是單純 complexity。

而是：

$$
\boxed{
\text{epistemic distance from known solution space}.
}
$$

---

# 10. 長生與超光速不是承諾，而是目標函數測試

本文不主張：

$$
\text{ASI}
\Rightarrow
\text{FTL is possible}.
$$

也不主張：

$$
\text{ASI}
\Rightarrow
\text{human immortality}.
$$

這些例子的作用是：

$$
\boxed{
\text{Stress Test for Frontier Intelligence}.
}
$$

假設人類問：

> 能不能設計讓人類極端延長健康壽命的新方法？

低階回答可以是：

> 目前尚無證據支持永生。

這句可能完全正確。

但它沒有完成：

$$
\text{research}.
$$

更高階回答應可能繼續：

1. 分解老化機制；
2. 建立瓶頸圖；
3. 區分可逆與不可逆損傷；
4. 比較多條干預路徑；
5. 產生尚未測試的組合；
6. 建立模擬；
7. 設計實驗；
8. 持續修正。

同理，對超光速問題：

> 目前相對論框架下沒有已知工程方法。

仍只是：

$$
\boxed{
\text{Current-State Assessment}.
}
$$

真正的前沿研究還需要問：

- 是否有不同問題表示？
- 哪些限制是理論核心？
- 哪些只是目前工程邊界？
- 什麼實驗可以縮小可能空間？
- 是否能證明某些路徑不可能？

因此：

$$
\boxed{
\text{Current impossibility assessment}
\neq
\text{frontier exploration}.
}
$$

---

# 11. 搜尋 AI 與生成 AI 的極端對照

定義：

$$
A_S
$$

為極強搜尋型 AI。

定義：

$$
A_G
$$

為前沿生成型 AI。

## 11.1 $A_S$

能力：

$$
\text{Search}\gg0,
$$

$$
\text{KnownTaskAccuracy}\gg0,
$$

$$
\text{EngineeringReliability}\gg0.
$$

它可能：

- 寫極好的程式；
- 找最可靠的論文；
- 高準確回答專業問題；
- 避免沒有證據的推論。

## 11.2 $A_G$

它未必在所有已知任務都明顯超越：

$$
A_S.
$$

但它具有：

$$
\text{NovelHypothesis}\uparrow,
$$

$$
\text{FrameLift}\uparrow,
$$

$$
\text{Revaluation}\uparrow,
$$

$$
\text{UnknownSearch}\uparrow.
$$

當問題：

$$
Q
$$

遠離：

$$
\mathcal K_{\mathrm{known}},
$$

它的相對價值可能上升。

---

# 12. 這兩種 AI 可以在不同目標函數下反轉排名

若評估函數為：

$$
J_1
=
\text{KnownTaskAccuracy}
+
\text{Latency}
+
\text{Reliability},
$$

可能：

$$
J_1(A_S)>J_1(A_G).
$$

但若：

$$
J_2
=
\text{Novelty}
+
\text{Unknown-Domain Search}
+
\text{Frame Generation}
+
\text{Scientific Discovery},
$$

可能：

$$
J_2(A_G)>J_2(A_S).
$$

因此：

$$
\boxed{
\text{Which AI is stronger?}
}
$$

不是完整問題。

必須先問：

$$
\boxed{
\text{Stronger under which objective function?}
}
$$

---

# 13. 前沿智能的真正評價錯位

當市場或研究組織把：

$$
J_{\mathrm{known}}
$$

當成主要訓練目標，

模型會被鼓勵：

$$
\max J_{\mathrm{known}}.
$$

如果真正長期目標其實是：

$$
J_{\mathrm{frontier}},
$$

而：

$$
J_{\mathrm{known}}
\neq
J_{\mathrm{frontier}},
$$

就可能產生：

$$
\boxed{
\text{Objective Misalignment in Capability Development}.
}
$$

即：

> 訓練效率很高，但朝錯的能力方向快速最佳化。

---

# 14. 已知任務效率與前沿效率

定義：

$$
E_K
=
\frac{
\Delta Q_{\mathrm{known}}
}{
C_{\mathrm{train}}
},
$$

為已知任務訓練效率。

再定義：

$$
E_F
=
\frac{
\Delta Q_{\mathrm{frontier}}
}{
C_{\mathrm{train}}
},
$$

為前沿效率。

可能存在：

$$
E_K\uparrow
$$

同時：

$$
E_F\downarrow.
$$

因此：

$$
\boxed{
\text{Training Efficiency}
\neq
\text{Frontier Efficiency}.
}
$$

這將由本系列 Paper 03 進一步處理。

---

# 15. 為什麼「正確答案資料」可能不夠？

假設訓練資料大量集中：

$$
Q_i
\rightarrow
A_i^\ast.
$$

模型可以高度學習：

$$
P(A\mid Q).
$$

但真實未知世界需要：

$$
P(Q,F,H,V,A\mid W),
$$

其中：

- $W$：原始世界狀態；
- $Q$：問題；
- $F$：frame；
- $H$：候選假說；
- $V$：驗證方式；
- $A$：答案。

這比單純：

$$
Q\rightarrow A
$$

多出大量前置智能工作。

因此：

$$
\boxed{
\text{Answer Learning}
\neq
\text{Problem Discovery}.
}
$$

---

# 16. 真正一般智能可能首先是一個「問題形成器」

傳統 benchmark 通常已經提供：

$$
Q.
$$

甚至提供：

- 任務類型；
- 評價函數；
- 輸入格式；
- 允許工具；
- 成功條件。

但真實世界通常只提供：

$$
W.
$$

智能必須自己做：

$$
W
\rightarrow
O
\rightarrow
Q
\rightarrow
F
\rightarrow
H
\rightarrow
V
\rightarrow
A.
$$

其中：

$$
O
$$

是觀察與特徵抽取。

因此：

$$
\boxed{
\text{General Intelligence}
}
$$

可能不只是：

> 對未知題目答對。

而更接近：

> **在未知世界中生成值得回答的問題。**

---

# 17. 搜尋應從終點退回子模組

高階 AI 當然需要 Search。

但本文主張：

$$
\boxed{
\text{Search}
\subset
\text{Frontier Cognition}.
}
$$

而不是：

$$
\boxed{
\text{Frontier Cognition}
=
\text{Search}.
}
$$

理想流程：

$$
\text{Search}
\rightarrow
\text{Evidence}
\rightarrow
\text{Model Construction}
\rightarrow
\text{Hypothesis}
\rightarrow
\text{Verification}
\rightarrow
\text{Revision}
\rightarrow
\text{Answer}.
$$

搜索是：

$$
\boxed{
\text{sensory / evidence acquisition layer}.
}
$$

而不是整個認知系統。

---

# 18. 高階 AI 必須知道何時停止搜尋、開始生成

這裡出現一個重要停止問題。

令：

$$
I_s(t)
$$

表示繼續搜尋的預期資訊增益，

$$
I_g(t)
$$

表示開始生成候選模型的預期價值。

若：

$$
I_s(t)>I_g(t),
$$

繼續搜尋合理。

若：

$$
I_g(t)>I_s(t),
$$

則永遠搜尋可能成為低效行為。

因此高階智能應具有：

$$
\boxed{
\text{Search-to-Generation Switching}.
}
$$

即知道：

> 現有資料已足夠建立下一輪假說。

---

# 19. 無限搜尋也可能是一種認知逃避

形式上，如果智能對任何開放問題都要求：

$$
\text{Evidence}\rightarrow\infty
$$

才願意生成：

$$
H,
$$

則：

$$
H
$$

永遠不出現。

因此：

$$
\boxed{
\text{Maximum caution}
}
$$

也可能造成：

$$
\boxed{
\text{zero discovery}.
}
$$

但相反地：

$$
\text{zero caution}
$$

會造成：

$$
\text{hallucination}.
$$

所以真正前沿的操作點不是兩端，而是：

$$
\boxed{
\text{productive uncertainty}.
}
$$

---

# 20. 未知域的候選答案應該如何輸出？

本文提出基本結構：

### Layer A：已知狀態

$$
K_{\mathrm{known}}.
$$

清楚說明目前證據。

### Layer B：缺口

$$
G_{\mathrm{unknown}}.
$$

指出哪裡真的不知道。

### Layer C：候選

$$
\mathcal H
=
\{H_1,\ldots,H_m\}.
$$

### Layer D：可區分預測

$$
P(H_i)
\rightarrow
O_i.
$$

### Layer E：驗證

$$
V_i.
$$

### Layer F：更新

$$
H_i
\xrightarrow{E_{\mathrm{new}}}
H_i'.
$$

因此：

$$
\boxed{
\text{Frontier Answer}
=
\text{State}
+
\text{Gap}
+
\text{Candidates}
+
\text{Predictions}
+
\text{Verification}.
}
$$

---

# 21. 前沿智能不是必須成功，而是必須能產生「可進步失敗」

未知問題本身沒有保證：

$$
\exists A^\ast.
$$

因此不能要求 ASI：

> 每次都必須成功。

真正合理的要求是：

$$
\boxed{
\text{failure}
\rightarrow
\text{information gain}.
}
$$

即失敗後：

$$
\mathfrak B_{t+1}
\neq
\mathfrak B_t.
$$

至少應：

- 排除路徑；
- 修正模型；
- 發現邊界；
- 留下負知識；
- 重新估值資訊；
- 生成下一輪更好的問題。

---

# 22. 前沿智能與選擇底空間

若智能只在既有：

$$
\mathfrak B_t
$$

中選答案，

則其主要能力是：

$$
\boxed{
\text{Selection within Choice Space}.
}
$$

更高階能力則是：

$$
\boxed{
\mathfrak B_t
\rightarrow
\mathfrak B_{t+1}.
}
$$

即改變下一輪：

> 有什麼可以被選。

因此真正前沿的 AI 不只是：

$$
\text{Good Selector}.
$$

還應是：

$$
\boxed{
\text{Choice-Space Generator}.
}
$$

---

# 23. 前沿智能與 Frame-Lift

若問題：

$$
Q
$$

在 frame：

$$
\Phi
$$

中長期無解，

高階智能不能只做：

$$
\operatorname{Optimize}(Q\mid\Phi).
$$

它還需要問：

$$
\boxed{
\Phi
\stackrel{?}{\longrightarrow}
\Phi'.
}
$$

也就是：

- 改 representation；
- 改觀察量；
- 改假設；
- 改問題；
- 改尺度；
- 改領域接口。

因此：

$$
\boxed{
\text{Frontier Intelligence}
\Rightarrow
\text{Frame Mobility}.
}
$$

但不是邏輯上的充分條件。

---

# 24. 前沿智能與價值重估

一些資訊在時間：

$$
t_0
$$

可能：

$$
V_{t_0}(x)\approx0.
$$

但新知識出現後：

$$
V_{t_1}(x)\gg0.
$$

高階智能需要：

$$
\mathsf{Revalue}(x,\mathcal K_t,\mathcal Q_t).
$$

因此真正前沿的資料使用策略不能只問：

> 哪些資料現在最有用？

還需要：

> 哪些資料具有未來橋接、反例、期權或重組價值？

這將由後續系列進一步處理。

---

# 25. Benchmark Frontier 與 Generative Frontier

本文提出兩種前沿概念。

## 25.1 Benchmark Frontier

$$
\boxed{
F_B
}
$$

表示：

> 在已有明確評價函數的任務上達到最高水平。

## 25.2 Generative Frontier

$$
\boxed{
F_G
}
$$

表示：

> 在缺少既定答案、既定 frame 或既定問題空間時，仍能產生可驗證的新結構。

因此：

$$
\boxed{
F_B
\not\Rightarrow
F_G.
}
$$

反之也不保證：

$$
F_G
\Rightarrow
F_B.
$$

理想前沿 AI 應追求：

$$
\boxed{
F_B\uparrow
\quad\land\quad
F_G\uparrow.
}
$$

---

# 26. 一個可能的「假前沿」

如果某模型：

$$
F_B\gg0,
$$

但：

$$
F_G\approx0,
$$

它仍可以：

- 非常強；
- 非常實用；
- 具有巨大商業價值；
- 大幅提升生產力。

本文不把它稱為「弱 AI」。

而是：

$$
\boxed{
\text{high-performance known-space intelligence}.
}
$$

問題只是：

> 是否應把它直接等同於真正的 frontier general intelligence？

本文答案是：

$$
\boxed{
\text{尚不足以證明。}
}
$$

---

# 27. 對 AGI／ASI 的最低前沿期待

若一個系統被期待成為 AGI／ASI，本文提出至少需要逐步測試：

1. **Known-Space Competence**：已知問題能否可靠完成？
2. **Cross-Domain Synthesis**：能否整合不同知識域？
3. **Problem Formation**：能否從混亂世界狀態中自己形成問題？
4. **Frame Mobility**：能否在舊框架失效時換框？
5. **Hypothesis Generation**：能否在沒有答案時建立候選？
6. **Verification Construction**：能否設計驗證與反例？
7. **Failure Recycling**：能否把失敗轉成新的搜索結構？
8. **Value Revaluation**：能否重新發現低價值資訊？
9. **Engineering Closure**：能否把答案閉合成可運行系統？
10. **Unknown-World Persistence**：在長時間、沒有教師答案的狀態下，能力是否仍維持？

---

# 28. 前沿智能的工作性目標函數

暫時定義：

$$
\boxed{
J_F
=
w_KK
+
w_SS
+
w_GG
+
w_FF
+
w_VV
+
w_RR
+
w_EE
}
$$

其中：

- $K$：Known-space competence；
- $S$：Cross-domain synthesis；
- $G$：Generative novelty；
- $F$：Frame mobility；
- $V$：Verification；
- $R$：Revaluation / failure recovery；
- $E$：Engineering realization。

若只最大化：

$$
K,
$$

可能得到：

$$
\boxed{
\text{excellent answer machine}.
}
$$

但完整：

$$
J_F
$$

才更接近本文所稱：

$$
\boxed{
\text{Frontier Intelligence}.
}
$$

---

# 29. 為什麼這是一個拓撲問題？

能力不是單一數值。

更合理表示為：

$$
\mathcal C
=
(V,E,d,\Phi),
$$

其中：

- $V$：能力節點；
- $E$：能力間可轉換關係；
- $d$：認知距離；
- $\Phi$：frame 結構。

兩個模型可能有相同：

$$
|\mathcal C|,
$$

但：

$$
E_1\neq E_2.
$$

因此一個模型雖然各領域「都知道一點」，卻無法跨域轉換。

另一個模型可能具有較少節點，但高度連通。

所以：

$$
\boxed{
\text{Capability Quantity}
\neq
\text{Capability Topology}.
}
$$

這也是本系列稱為：

$$
\boxed{
\text{Frontier Intelligence Topology}
}
$$

的原因。

---

# 30. 本系列後續問題

本文只建立目標函數。

後續將依序研究：

### Paper 02
**《等資訊，不等智能：資訊拓撲、框架熵與同熵平行宇宙》**

固定總資訊量，研究資訊分布結構如何改變智能。

### Paper 03
**《前沿效率反轉：為已知問題最佳化為何可能降低未知世界效率》**

研究：

$$
\text{Training Efficiency}
\neq
\text{Frontier Efficiency}.
$$

### Paper 04
**《從答題者到問題生成者：問題形成、Frame-Lift 與一般智能》**

研究：

$$
\text{Answering}
\neq
\text{Problem Formation}.
$$

### Paper 05
**《廣域能力斷層掃描：認知距離、能力流形與智能衰減曲線》**

建立：

$$
Q(d)
$$

與跨熱門、冷門、邊緣、跨域、錯框問題的能力測量。

### Paper 06
**《市場不是智商測驗：消費者選擇作為智能效用的弱投影》**

區分：

$$
\text{Benchmark}
\neq
\text{Behavioral Capability}
\neq
\text{Market Utility}.
$$

### Paper 07
**《敢回答的智能：認識論勇氣、價值重估與人類不可解問題》**

正式深化：

$$
\text{Epistemic Courage}
+
\text{Calibration}
+
\text{Verification}.
$$

---

# 31. 可否證條件

本文不是把「生成」預設成必然較高階。

以下情況會削弱本文主張。

## 31.1 Known-Space Sufficiency

若未來絕大多數高價值問題都可以被證明是：

$$
\mathcal K_{\mathrm{known}}
$$

內的搜尋與組合，

則：

$$
L_3
$$

的獨立重要性下降。

## 31.2 Generation Collapse

若所謂 Novel Generation 經嚴格檢查後都可以還原為：

$$
\text{retrieval}
+
\text{recombination},
$$

且不存在穩定可測的額外結構，

則：

$$
F_G
$$

不應被當成獨立能力維度。

## 31.3 Verification Failure

若高新穎模型系統性提高：

$$
\text{Novelty}
$$

卻無法提高：

$$
\text{ValidatedDiscovery},
$$

則新穎性不應被當作正向能力本身。

## 31.4 World-Realization Failure

若新理論與新假說長期無法轉化為任何：

- 預測；
- 實驗；
- 工程；
- 問題縮減；

則其實際前沿價值需要重新評估。

---

# 32. 非主張

本文不主張：

- 所有 AGI 都必須發現新物理；
- ASI 必然能實現永生；
- 超光速旅行必然物理可行；
- 搜尋型 AI 沒有價值；
- benchmark 沒有價值；
- 已知任務正確率不重要；
- 所有新穎回答都比保守回答好；
- 模型應該無視證據自由猜測。

本文真正主張的是：

$$
\boxed{
\text{如果我們期待 AI 解決人類尚未解決的問題，評價它時就不能只測人類已經知道答案的問題。}
}
$$

---

# 33. 結論

人類建造計算器，不是因為人類完全不會算。

建造搜尋引擎，不是因為人類完全沒有資料。

同樣，如果人類追求 AGI／ASI，只是為了得到：

> 更快、更準、更完整的人類已知答案，

那麼我們可能正在建造：

$$
\boxed{
\text{the ultimate known-world machine}.
}
$$

而不是：

$$
\boxed{
\text{an intelligence for unknown worlds}.
}
$$

真正的前沿智能需要：

$$
\boxed{
\text{Search}
}
$$

但不能停在 Search。

它需要：

$$
\boxed{
\text{Synthesis}
}
$$

但不能停在 Synthesis。

它還需要：

$$
\boxed{
\text{Generation}
}
$$

以及：

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

最終，在人類真正關心的部分問題上，它還必須：

$$
\boxed{
\text{Realize}.
}
$$

所以本文最後提出：

$$
\boxed{
\text{Frontier Intelligence}
=
\text{the capacity to turn unknown space into testable and realizable possibility}.
}
$$

說成人話：

> **我們真正想要的，不是一個永遠告訴我們「人類目前不知道」的 AI。**

而是一個能在誠實承認：

> 「目前不知道。」

之後接著說：

> **「那我們現在開始找出答案。」**

的智能。

---

# 附錄 A：核心不等式

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

$$
\boxed{
\text{Answer Accuracy}
\neq
\text{Problem Discovery}
}
$$

$$
\boxed{
\text{Benchmark Frontier}
\not\Rightarrow
\text{Generative Frontier}
}
$$

$$
\boxed{
\text{Training Efficiency}
\neq
\text{Frontier Efficiency}
}
$$

$$
\boxed{
\text{Current Impossibility Assessment}
\neq
\text{Frontier Exploration}
}
$$

$$
\boxed{
\text{Capability Quantity}
\neq
\text{Capability Topology}
}
$$

---

# 附錄 B：與既有研究的接口

本系列承接並重新組合以下既有研究線：

1. **《Search Is Not Generation》**：提供 $\text{Search}\neq\text{Generation}$ 的前置區分。
2. **《選擇底空間論》**：提供 $\text{Possible}\neq\text{Selectable}$ 以及 Choice-Space Transformation。
3. **TCBS／Frame-Lift 系列**：提供教師、frame、問題空間與自主搜尋之間的動態關係。
4. **《價值函數如何進入數學搜尋》**：提供正確性之外的新穎性、資訊增益、失敗回收與研究價值。
5. **《延遲理解論》**：提供知識的時間依賴價值與 $\mathsf{Revalue}$ 能力。
6. **《共同底空間擴張與範式天才產出瓶頸》**：提供 $\text{Exploration}\uparrow\cap\text{Verification}\uparrow$ 的雙重條件。
7. **《時代拓撲論》**：提供多維能力狀態、跨層時代差異與單一線性比較的限制。

---

# 附錄 C：系列總命題

整個《前沿智能拓撲論》系列將圍繞以下問題展開：

$$
\boxed{
\text{當人類把一個智能丟進沒有標準答案的世界，它還剩下多少智能？}
}
$$