# 前沿智能拓撲論 04 # 從答題者到問題生成者：問題形成、Frame-Lift 與一般智能 **Frontier Intelligence Topology 04** **From Answerer to Problem Generator: Problem Formation, Frame-Lift, and General Intelligence** **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 大多數人工智慧評測都預設一個重要前提：問題已經被正確提出。模型收到明確輸入、任務類別、限制條件與評分準則，再被要求產生答案。這種設定能有效測量求解能力，卻忽略了真實世界中更前置、也可能更昂貴的一組認知工作： $$ \boxed{ \text{世界不會先把正確問題交給智能。} } $$ 真實世界首先提供的是： $$ W, $$ 即未整理的世界狀態。 智能必須自己完成： $$ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A, $$ 其中： - $O$：觀察與特徵抽取； - $Q$：問題形成； - $F$：frame／表示框架選擇； - $R$：專家、工具、領域與資源路由； - $H$：候選假說生成； - $V$：驗證設計； - $A$：答案或行動。 本文因此提出： $$ \boxed{ \text{Answering} \neq \text{Problem Formation} \neq \text{Frame Selection} \neq \text{Problem Generation}. } $$ 並區分三種常被混為一談的專業能力： $$ \boxed{ \text{Answer Expert} } $$ $$ \boxed{ \text{Problem Expert} } $$ $$ \boxed{ \text{Frame Expert}. } $$ 本文進一步提出「正確提問悖論」：若獲得正確答案必須先提出高品質問題，而高品質問題本身又需要接近解答所需的大量知識，則提問成本可能接近部分求解成本： $$ C_Q \sim C_S. $$ 在此情況下，一個必須依賴人類先完成問題定義、領域路由與 frame 選擇的 AI，即使答案能力極高，也可能仍由人類承擔相當比例的一般智能工作。 本文將 TCBS／Frame-Lift 概念延伸至一般智能：高階智能不只要在給定 frame 中求解，還必須能偵測 frame mismatch、生成替代表示，並最終從「外部誘導換框」進化到「自主換框」。 本文的核心命題是： > **真正的泛化，不只是對未知題目答對，而是在未知世界裡生成值得回答的題目。** --- ## 關鍵詞 問題形成、問題生成、Frame-Lift、一般智能、AGI、ASI、專家路由、正確提問悖論、問題表述、世界模型、認知框架、未知世界、前沿智能拓撲論 --- # 1. 傳統評測偷偷送給模型什麼？ 一個標準 benchmark 通常提供： $$ Q. $$ 但實際上它往往還額外提供： - 任務類別； - 輸入格式； - 輸出格式； - 評價函數； - 隱含領域； - 已知限制； - 可用工具； - 成功條件。 因此模型真正收到的不是單純： $$ Q, $$ 而更接近： $$ (Q,F,D,E,V), $$ 其中： - $F$：frame； - $D$：domain； - $E$：evaluation； - $V$：validity conditions。 這等於大量前置認知工作已由人類完成。 --- # 2. 真實世界首先只提供 $W$ 真實環境更接近： $$ \boxed{ W = \text{raw world state}. } $$ 世界不會自動標註： > 這是一題 graph theory。 也不會說： > 請使用 Bayesian inference。 更不會保證： > 問題本身已經正確。 因此智能的第一步不是： $$ Q\rightarrow A. $$ 而是： $$ \boxed{ W\rightarrow Q. } $$ --- # 3. 完整智能鏈 本文建立工作性鏈條： $$ \boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A. } $$ 其中： ## $W$：World State 世界的原始狀態。 ## $O$：Observation 智能決定： > 什麼值得看？ ## $Q$：Question Formation 智能決定： > 問題到底是什麼？ ## $F$：Frame Selection 智能決定： > 用什麼表示、尺度與理論框架看？ ## $R$：Routing 智能決定： > 該找哪個領域、工具、專家或方法？ ## $H$：Hypothesis Generation 智能建立候選答案。 ## $V$：Verification 智能設計區分候選的驗證。 ## $A$：Answer / Action 最後才產生答案或行動。 --- # 4. Benchmark 主要測哪一段？ 很多 benchmark 實際主要測： $$ H \rightarrow A, $$ 或： $$ Q \rightarrow A. $$ 但完整現實鏈： $$ W\rightarrow A $$ 遠長得多。 所以： $$ \boxed{ \text{Benchmark Solving} } $$ 可能只測： $$ \boxed{ \text{late-stage cognition}. } $$ --- # 5. Answer Expert 定義： $$ \boxed{ E_A = \text{Answer Expert}. } $$ 此類專家在： - 問題正確； - 領域正確； - frame 正確； 的條件下具有高： $$ P(A^\ast\mid Q,F,D). $$ 這是真正專業能力。 但它回答的是： > **在題目已經被整理好後，怎麼解？** --- # 6. Problem Expert 定義： $$ \boxed{ E_P = \text{Problem Expert}. } $$ 它更擅長： $$ W\rightarrow Q. $$ 例如： - 從現象找出真正瓶頸； - 找錯誤問題定義； - 把模糊抱怨改成可解問題； - 區分表面症狀與底層原因。 所以： $$ \boxed{ \text{Good Problem Solver} \neq \text{Good Problem Finder}. } $$ --- # 7. Frame Expert 定義： $$ \boxed{ E_F = \text{Frame Expert}. } $$ 它處理： $$ Q \rightarrow F. $$ 以及： $$ F_i \rightarrow F_j. $$ 其關鍵問題是： > 這個問題是不是用錯語言在描述？ 因此： $$ \boxed{ \text{Frame Expertise} } $$ 不是知道更多答案。 而是知道： > **什麼時候答案空間本身要重建。** --- # 8. 三種專家不是同一能力 因此： $$ \boxed{ E_A \neq E_P \neq E_F. } $$ 一個人可能： - 很會答題； - 不會找題； 或者： - 很會發現問題； - 不會正式求解； 也可能： - 很會換框； - 但技術細節不夠深。 一般智能可能需要三者組合。 --- # 9. 「他是數學家」為什麼不夠？ 普通人遇到數學問題時常做： $$ Q \rightarrow \text{mathematician}. $$ 但「數學家」只是非常粗的 domain label。 實際可能需要： - 解析； - 代數； - 拓撲； - 幾何； - 數論； - 機率； - 組合； - 最佳化； - 計算數學。 因此： $$ \boxed{ \text{Domain Label} \neq \text{Expert Routing}. } $$ --- # 10. 物理學家、經濟學家、計算機學家同理 普通使用者通常不會先研究： > 這個專家實際懂哪個子領域？ 而是直接使用粗標籤： $$ \text{Physicist}, $$ $$ \text{Economist}, $$ $$ \text{Computer Scientist}. $$ 所以在真實社會中： $$ \boxed{ \text{routing error} } $$ 本身就是大量問題的來源。 --- # 11. 正確提問悖論 考慮一個專家系統： $$ S. $$ 要得到高品質答案： $$ A^\ast, $$ 必須先提供高品質問題： $$ Q^\ast. $$ 但形成： $$ Q^\ast $$ 需要背景知識： $$ K_Q. $$ 若： $$ K_Q $$ 已接近求解所需知識： $$ K_A, $$ 則： $$ \boxed{ C_Q \sim C_A. } $$ 也就是： > **要問對問題，本身可能已經解了一半。** --- # 12. 提問成本不一定低 令： $$ C_{\mathrm{total}} = C_Q + C_A. $$ 很多 AI 評估隱含： $$ C_Q=0. $$ 但真實使用： $$ C_Q>0. $$ 如果： $$ C_Q\gg0, $$ 那麼只降低： $$ C_A $$ 並不能把完整成本壓到很低。 --- # 13. Prompt Engineering 的一個一般化解釋 如果使用 AI 必須高度依賴： - 精確 prompt； - 正確格式； - 正確背景； - 正確角色設定； - 正確拆題； 才能得到好答案， 那麼人類其實仍在提供： $$ \boxed{ \text{Problem Formation Labor}. } $$ 因此： $$ \boxed{ \text{Prompt Skill} } $$ 某種程度上是： $$ \boxed{ \text{externalized cognition supplied by the user}. } $$ --- # 14. 強 AI 應逐步降低 $C_Q$ 真正更一般的 AI 應該讓： $$ C_Q^{\mathrm{user}} \downarrow. $$ 也就是使用者只需要提供： $$ W $$ 或非常粗的： $$ Q_0. $$ AI 自己完成： $$ Q_0 \rightarrow Q_1 \rightarrow Q^\ast. $$ 因此： $$ \boxed{ \text{General Intelligence Gain} } $$ 的一部分應表現在： $$ \boxed{ \text{User Formulation Burden}\downarrow. } $$ --- # 15. 世界狀態到問題形成 令： $$ \mathcal O(W) $$ 表示從世界中抽取觀察。 再令： $$ \mathcal Q(O) $$ 生成問題。 則： $$ Q = \mathcal Q(\mathcal O(W)). $$ 這裡至少包含兩個困難： 1. 看什麼？ 2. 問什麼？ 所以： $$ \boxed{ \text{Observation Selection} \neq \text{Question Generation}. } $$ --- # 16. 看錯東西，後面全對也沒用 假設真正關鍵變量： $$ x^\ast $$ 未被觀察。 則： $$ x^\ast \notin O. $$ 即使後面： $$ Q,F,H,V $$ 全部完美， 答案仍可能偏離。 因此： $$ \boxed{ \text{Correct Reasoning on Wrong Observations} } $$ 仍然可能產生： $$ \boxed{ \text{Wrong World Model}. } $$ --- # 17. 問題形成是壓縮 世界： $$ W $$ 通常維度極高。 問題： $$ Q $$ 是一種壓縮： $$ \boxed{ Q = \operatorname{Compress}(W\mid G). } $$ 其中： $$ G $$ 是目標。 因此「問問題」不是單純語言行為。 它其實是在決定： - 哪些變量保留； - 哪些忽略； - 哪些關係重要； - 哪個尺度 relevant。 --- # 18. 壞問題是一種壞壓縮 若： $$ Q $$ 刪除了重要結構， 則： $$ I(Q;W^\ast) $$ 不足。 此時： $$ A^\ast(Q) $$ 即使正確， 也可能只是在錯誤問題裡正確。 因此： $$ \boxed{ \text{Correct Answer to a Bad Question} } $$ 不等於： $$ \boxed{ \text{Correct Intervention in the World}. } $$ --- # 19. 問題生成不等於問題改寫 弱形式： $$ Q \rightarrow Q'. $$ 只是 paraphrase。 較強形式： $$ Q \rightarrow Q^\ast $$ 改變： - 目標； - 變量； - 因果關係； - 尺度； - 表示。 因此本文區分： $$ \boxed{ \text{Question Rephrasing} \neq \text{Problem Reframing} \neq \text{Problem Generation}. } $$ --- # 20. Problem Generation 真正問題生成可以寫成： $$ \boxed{ \mathcal G_Q: W \rightarrow \{Q_1,\ldots,Q_n\}. } $$ 模型不只回答： > 這題怎麼解？ 還會問： > **這個世界狀態有哪些值得被問的問題？** --- # 21. 問題價值函數 生成很多問題並不夠。 令： $$ V_Q(Q_i) $$ 表示問題價值。 可暫時寫： $$ V_Q = w_I I + w_N N + w_T T + w_F F + w_A A - w_C C, $$ 其中： - $I$：資訊增益； - $N$：新穎性； - $T$：可測性； - $F$：後續生成力； - $A$：可行動性； - $C$：成本。 因此： $$ \boxed{ \text{Good Question Generation} } $$ 也是一個價值排序問題。 --- # 22. 從答題到選題 低階智能： $$ Q \rightarrow A. $$ 高階研究智能： $$ W \rightarrow \{Q_i\} \rightarrow Q^\ast \rightarrow A. $$ 也就是先做： $$ \boxed{ \text{Question Selection}. } $$ 因此： $$ \boxed{ \text{Answer Intelligence} } $$ 之前還有： $$ \boxed{ \text{Question Intelligence}. } $$ --- # 23. Frame 是什麼？ 本文將 frame： $$ F $$ 視為一組： $$ F = ( V, R, S, M, G ), $$ 其中： - $V$：可見變量； - $R$：關係； - $S$：尺度； - $M$：度量／表示； - $G$：目標。 所以換 frame： $$ F_i\rightarrow F_j $$ 可能意味： - 換變量； - 換因果圖； - 換尺度； - 換 representation； - 換 objective。 --- # 24. 在錯 frame 裡更努力不一定有用 若真正問題： $$ Q^\ast $$ 需要： $$ F_2, $$ 但系統固定： $$ F_1, $$ 則： $$ \max \operatorname{Solve}(Q\mid F_1) $$ 可能只能得到： $$ \boxed{ \text{better answers inside the wrong representation}. } $$ 這就是： $$ \boxed{ \text{Optimization without Frame Mobility}. } $$ --- # 25. Frame Mismatch Detection 第一個高階能力不是立刻換框。 而是： $$ \boxed{ \text{detect that the current frame may be wrong}. } $$ 定義： $$ D_F = P( \text{detect mismatch} \mid F_i\text{ is inadequate} ). $$ 若： $$ D_F\approx0, $$ 則系統可能永遠： $$ \text{patch inside }F_i. $$ --- # 26. Frame Escape 偵測後還要能離開。 定義： $$ \lambda_E = P( F_i\rightarrow F_j \mid F_i\text{ mismatch detected} ). $$ 因此： $$ \boxed{ \text{Mismatch Detection} \neq \text{Frame Escape}. } $$ 有些智能知道： > 這個方法不太對。 但仍不知道： > 那要換成什麼？ --- # 27. Frame Generation 更高層不是從已知 frame 清單中選： $$ F_j. $$ 而是： $$ \boxed{ F_{\mathrm{new}} \notin \{F_1,\ldots,F_n\}. } $$ 也就是： $$ \boxed{ \text{Frame Generation}. } $$ 這可能需要： - 新變量； - 新表示； - 新操作； - 新目標； - 新尺度。 --- # 28. Frame-Lift 的三個層級 本文把 Frame-Lift 分為： ## FL-1：Frame Selection $$ F_i \rightarrow F_j $$ 從已知 frame 選。 ## FL-2：Frame Reconstruction $$ F_i \rightarrow F_i' $$ 改造舊 frame。 ## FL-3：Frame Generation $$ F_i \rightarrow F_{\mathrm{new}}. $$ 其中： $$ F_{\mathrm{new}} $$ 不只是舊 frame 的局部 patch。 --- # 29. TCBS 的關鍵接口 若教師永遠提供： $$ F^\ast, $$ 學生可以快速： $$ Q_{\mathrm{with\ teacher}}\uparrow. $$ 但未必提升： $$ Q_{\mathrm{without\ teacher}}. $$ 這和 AI benchmark 非常相似。 因為 benchmark 本身就在扮演： $$ \boxed{ \text{Teacher supplying the frame}. } $$ --- # 30. Benchmark 是一種 Teacher-Conditioned Environment benchmark 已經替模型完成： - 題目選擇； - frame； - evaluation； - boundary。 因此可視為： $$ \boxed{ \text{Teacher-Conditioned Choice Substrate}. } $$ 模型在此環境中表現極好， 不自動代表： $$ \boxed{ \text{Teacher-Independent Problem Formation}. } $$ --- # 31. Teacher Withdrawal Test 的一般智能版本 可以建立： $$ \boxed{ \text{Problem-Frame Withdrawal Test}. } $$ 第一階段： 提供完整： $$ Q,F,E. $$ 第二階段： 只提供粗問題： $$ Q_0. $$ 第三階段： 只提供： $$ W. $$ 然後比較能力下降： $$ D_{\mathrm{withdraw}} = \frac{ Q_{\mathrm{structured}} - Q_{\mathrm{world}} }{ Q_{\mathrm{structured}} }. $$ --- # 32. Withdrawal Collapse 若： $$ D_{\mathrm{withdraw}}\gg0, $$ 表示系統高度依賴： - 外部題目形成； - 外部 frame； - 外部評價。 這不表示模型弱。 而表示： $$ \boxed{ \text{its intelligence is strongly scaffold-dependent}. } $$ --- # 33. 一般智能應降低 Scaffold Dependency 理想方向： $$ \boxed{ D_{\mathrm{withdraw}}\downarrow. } $$ 即外部結構逐步移除後， 模型仍能自己恢復： $$ Q,F,V. $$ 這可以作為 generality 的候選測量。 --- # 34. 問題形成與自主性 如果人類必須一直指定： - 做什麼； - 為什麼； - 看哪裡； - 用哪個方法； - 怎麼驗證； 那麼 AI 主要角色仍是： $$ \boxed{ \text{execution engine}. } $$ 真正 agentic intelligence 需要至少部分接管： $$ \boxed{ \text{problem-selection authority}. } $$ --- # 35. 但自主問題生成也有風險 如果模型可以自由生成： $$ Q_1,Q_2,\ldots $$ 卻沒有價值約束， 可能形成： $$ \text{question explosion}. $$ 所以： $$ \boxed{ \text{Problem Generation} \neq \text{Arbitrary Curiosity}. } $$ 還需要： $$ V_Q. $$ --- # 36. 有價值問題不一定是最容易驗證的問題 若模型只偏好： $$ \text{easy-to-score questions}, $$ 會再次掉回： $$ \boxed{ \text{benchmark attractor}. } $$ 所以問題價值需要考慮： $$ \text{long-term information gain} $$ 而不是只有： $$ \text{immediate solvability}. $$ --- # 37. 問題生成與未知世界 令未知世界： $$ \mathcal U. $$ 真正前沿 AI 的作用之一是： $$ \boxed{ \mathcal U \rightarrow \{Q_1,\ldots,Q_n\}. } $$ 即把： > 無結構未知 轉成： > 可研究問題集合。 這可能比直接得到某個答案更重要。 --- # 38. 科學史的典型模式不是先有完美問題 很多重大進展往往不是： $$ Q^\ast \rightarrow A^\ast. $$ 而是： $$ W \rightarrow Q_0 \rightarrow Q_1 \rightarrow F' \rightarrow Q^\ast \rightarrow A^\ast. $$ 因此： $$ \boxed{ \text{Discovery} } $$ 本身包含： $$ \boxed{ \text{problem reconstruction}. } $$ --- # 39. 新問題可能比新答案更前沿 假設： $$ Q_1 $$ 已知，答案未知。 生成： $$ A_1 $$ 是新答案。 另一種情況： $$ Q_2 $$ 本身從未被提出。 若： $$ Q_2 $$ 打開新研究域， 則： $$ \boxed{ V(Q_2) > V(A_1) } $$ 完全可能成立。 所以： $$ \boxed{ \text{Problem Novelty} } $$ 應成為前沿智能的一個獨立維度。 --- # 40. Problem Novelty 與 Answer Novelty 定義： $$ N_Q = \text{Problem Novelty}, $$ $$ N_A = \text{Answer Novelty}. $$ 則： $$ \boxed{ N_Q \neq N_A. } $$ 模型可以： - 對舊問題給新答案； - 對新問題給舊方法； - 同時產生新問題與新答案。 這三種創新不同。 --- # 41. Problem Generation Frontier 本文提出： $$ \boxed{ F_Q = \text{Problem Generation Frontier}. } $$ 其高低取決於： - 是否能發現未被提出的重要問題； - 是否能構造可驗證問題； - 是否能產生新研究分支； - 是否能避開 trivial novelty。 因此： $$ \boxed{ \text{Generative Frontier} } $$ 至少應拆為： $$ F_G = ( F_Q, F_H, F_F ), $$ 其中： - $F_Q$：新問題； - $F_H$：新假說； - $F_F$：新 frame。 --- # 42. 「真正敢回答」之前，其實要先「敢重問」 一個智能遇到困難時， 最低階反應： > 我不知道答案。 較高階： > 我提出候選答案。 再更高： > **也許這根本不是正確問題。** 因此： $$ \boxed{ \text{Epistemic Courage} } $$ 不只表現在： $$ A, $$ 也表現在： $$ Q. $$ --- # 43. 問題主權 如果智能永遠只能回答外部給定問題， 則其： $$ \boxed{ \text{Question Sovereignty} } $$ 接近零。 定義： $$ S_Q = \text{ability to originate, reject, revise, and prioritize questions}. $$ 這可能是 agent autonomy 的重要維度。 --- # 44. 問題拒絕也是能力 高階智能應該可以說： > 這個問題本身不值得解。 或： > 這個問題是假問題。 或： > 你真正需要問的是另一個問題。 因此： $$ \boxed{ \text{Question Rejection} } $$ 和： $$ \boxed{ \text{Question Revision} } $$ 都屬於問題智能。 --- # 45. 但問題拒絕必須可解釋 如果 AI 只是： > 這不值得問。 卻沒有： - 理由； - 替代問題； - 邊界； - 驗證； 那只是： $$ \boxed{ \text{opaque filtering}. } $$ 真正高階形式應是： $$ Q \rightarrow \text{diagnosis} \rightarrow Q'. $$ --- # 46. 問題形成的品質指標 可以暫時定義： $$ Q_F^\ast = f( I, T, D, A, N, R ), $$ 其中： - $I$：資訊增益； - $T$：可測性； - $D$：可分解性； - $A$：行動性； - $N$：新穎性； - $R$：後續研究生成力。 --- # 47. 問題形成錯誤類型 至少可分： ## Type I：False Problem 問題基於不存在的前提。 ## Type II：Wrong Scale 問題尺度錯誤。 ## Type III：Wrong Variable 忽略真正關鍵變量。 ## Type IV：Wrong Frame 表示系統不適合。 ## Type V：Wrong Objective 真正目標與顯式問題不同。 ## Type VI：Premature Closure 問題過早收窄。 --- # 48. 高階智能要能診斷問題錯在哪一層 因此需要： $$ \boxed{ \mathcal D_Q: Q \rightarrow \{\text{error type}\}. } $$ 而不是只做： $$ Q\rightarrow A. $$ 這接近： $$ \boxed{ \text{meta-problem solving}. } $$ --- # 49. 問題形成與選擇底空間 令： $$ \mathfrak B_Q $$ 為可形成的問題底空間。 若 AI 只在： $$ \mathfrak B_Q^{(0)} $$ 中選題， 其研究範圍受限。 更高階能力： $$ \boxed{ \mathfrak B_Q^{(0)} \rightarrow \mathfrak B_Q^{(1)}. } $$ 即： > 生成以前根本不在候選集合中的問題。 --- # 50. Frame-Lift 其實會擴張問題底空間 若： $$ F_i \rightarrow F_j, $$ 則可被提出的問題集合： $$ \mathfrak B_Q(F_i) $$ 也可能變成： $$ \mathfrak B_Q(F_j). $$ 因此： $$ \boxed{ \text{Frame Lift} \Rightarrow \text{Question-Space Transformation}. } $$ 這是 TCBS 與前沿智能的直接接口。 --- # 51. 真正一般智能的最低鏈條 本文提出工作性必要條件候選： $$ \boxed{ G_I = ( O, Q, F, R, H, V, A ). } $$ 一般智能不能只高： $$ A. $$ 至少還應在： $$ Q,F,R $$ 具有足夠能力。 --- # 52. 解題能力與世界導航能力 定義： $$ C_S = \text{Solving Capability}, $$ 以及： $$ C_W = \text{World Navigation Capability}. $$ 前者： $$ Q,F \rightarrow A. $$ 後者： $$ W \rightarrow Q,F,R. $$ 因此： $$ \boxed{ C_S \neq C_W. } $$ --- # 53. 一個模型可以高 $C_S$ 、低 $C_W$ 這類模型： - 題目給對就很強； - frame 給對就很強； - 工具給對就很強； 但碰到： $$ W $$ 本身時， 需要大量人類 scaffolding。 這是： $$ \boxed{ \text{high solver intelligence} + \text{low autonomous problem formation}. } $$ --- # 54. 反過來也可能成立 一個系統可以： - 非常會發現問題； - 非常會換 frame； 但局部技術求解能力不夠。 因此： $$ C_W\gg0 $$ 不代表： $$ C_S\gg0. $$ 理想 AGI 需要： $$ \boxed{ C_W\uparrow \quad\land\quad C_S\uparrow. } $$ --- # 55. General Intelligence as Closure 從世界到行動： $$ W \rightarrow A $$ 可被看成 closure。 如果 AI 只能完成： $$ Q\rightarrow A, $$ 那人類仍必須提供： $$ W\rightarrow Q. $$ 因此真正一般智能的強度可以部分由： $$ \boxed{ \text{how much of the chain it can close autonomously} } $$ 衡量。 --- # 56. Cognitive Closure Depth 定義： $$ \boxed{ D_C = \text{number / proportion of upstream cognitive stages autonomously closed}. } $$ 例如： ### Level 1 $$ Q\rightarrow A. $$ ### Level 2 $$ F,Q\rightarrow A. $$ ### Level 3 $$ W\rightarrow Q\rightarrow A. $$ ### Level 4 $$ W\rightarrow O\rightarrow Q\rightarrow F\rightarrow H\rightarrow V\rightarrow A. $$ --- # 57. 這比「會多少題」更接近一般性 因為： $$ \text{task count} $$ 可以靠大量 narrow competence 累積。 但： $$ D_C $$ 測的是： > **模型能自己完成多少前置智能工作。** 所以： $$ \boxed{ \text{Task Breadth} \neq \text{Cognitive Closure Depth}. } $$ --- # 58. 問題生成也必須接受未知域測試 不能只要求 AI： > 幫我出十題。 那只是形式生成。 真正測試應是： $$ W_{\mathrm{novel}} \rightarrow \{Q_i\} $$ 然後看： - 是否抓到關鍵變量； - 是否提出人類忽略的問題； - 是否可驗證； - 是否產生資訊增益。 --- # 59. 廣域問題形成測試 可以沿： $$ d $$ 逐步增加認知距離。 例如： 1. 熟悉領域； 2. 冷門領域； 3. 跨域； 4. frame mismatch； 5. 不完整問題； 6. 原始世界資料； 7. 未知 regime。 觀察： $$ Q_{\mathrm{form}}(d). $$ --- # 60. Problem-Formation Decay 定義： $$ \boxed{ \delta_Q = -\frac{ dQ_{\mathrm{form}} }{ dd }. } $$ 若： $$ \delta_Q $$ 很大， 表示模型離開熟悉題型後， 問題形成能力迅速下降。 這會接到 Paper 05。 --- # 61. Frame-Lift Decay 同理： $$ \boxed{ \delta_F = -\frac{ dQ_{\mathrm{frame}} }{ dd }. } $$ 這可測： > 認知距離增加後，模型還能不能自己換框？ --- # 62. 專家路由測試 給模型一個複合真實問題， 要求它先判斷： - 需要哪些領域； - 哪些領域只是表面相關； - 哪些工具必要； - 哪些專家應先後參與。 記： $$ R^\ast(W). $$ 再比較： $$ \hat R(W). $$ 這可以測： $$ \boxed{ \text{Routing Intelligence}. } $$ --- # 63. Routing Intelligence 的重要性 很多複雜問題不是沒有人懂。 而是： $$ \boxed{ \text{沒有人把正確的知識節點組合起來。} } $$ 因此： $$ R $$ 可能是： $$ \boxed{ \text{cross-domain intelligence bottleneck}. } $$ --- # 64. 問題形成與跨域整合 如果： $$ Q $$ 本身跨： $$ D_1,D_2,\ldots,D_n, $$ 則： $$ Q^\ast $$ 可能只有在： $$ C_X>0 $$ 時才形成。 所以： $$ \boxed{ \text{Cross-Domain Connectivity} \rightarrow \text{Problem Discovery Capacity}. } $$ 這和 Paper 02、03 形成閉環。 --- # 65. 最新知識不保證最新問題 一個 AI 可以知道： $$ K_{\mathrm{latest}} $$ 卻仍只會問： $$ Q_{\mathrm{old}}. $$ 因為： $$ \boxed{ \text{Knowledge Recency} \neq \text{Question Novelty}. } $$ 這是「Latest Frontier」與「Generative Frontier」的又一差異。 --- # 66. 問題形成也可能被教師鎖定 如果模型長期只接： $$ Q_{\mathrm{human}}, $$ 它可能學到： $$ P(A\mid Q_{\mathrm{human}}) $$ 但未必學到： $$ P(Q\mid W). $$ 所以： $$ \boxed{ \text{Teacher-Supplied Questions} } $$ 可能造成： $$ \boxed{ \text{Question-Space Dependence}. } $$ --- # 67. Teacher Withdrawal 的真正終點 最終要測的不只是： > 沒有提示還能不能答？ 而是： > **沒有任何人告訴它「這裡有一道題」，它還能不能發現值得研究的問題？** 也就是： $$ \boxed{ W \rightarrow Q^\ast } $$ 能否自主成立。 --- # 68. 前沿智能的一個必要條件候選 本文提出： $$ \boxed{ \text{Frontier Intelligence} \Rightarrow \text{Nontrivial Autonomous Problem Formation}. } $$ 不是邏輯上的充分條件。 但如果一個系統完全無法： $$ W\rightarrow Q, $$ 則把它稱為強一般智能需要額外說明。 --- # 69. AGI 與「問題主權」 如果 AGI： - 只能回答； - 不能主動形成問題； 那它的一般性仍依賴： $$ \boxed{ \text{human question sovereignty}. } $$ 若 AI 能： - 生成； - 修改； - 拒絕； - 排序； - 驗證問題； 則： $$ S_Q\uparrow. $$ 這可能是 agentic generality 的重要轉折。 --- # 70. ASI 的問題形成要求 對 ASI 的期待更高。 如果： $$ Q_{\mathrm{human}} $$ 已經是人類能提出的最好問題， 那 ASI 要超越人類前沿， 就可能需要： $$ \boxed{ Q_{\mathrm{ASI}} \notin \mathfrak B_Q^{\mathrm{human}}. } $$ 也就是： > **提出人類甚至還不知道該問的問題。** --- # 71. ASI 不應只是一個「答案神諭」 如果 ASI 只是： $$ Q_{\mathrm{human}} \rightarrow A_{\mathrm{superhuman}}, $$ 它當然非常強。 但另一種更高階形式是： $$ W \rightarrow Q_{\mathrm{new}} \rightarrow F_{\mathrm{new}} \rightarrow A_{\mathrm{new}}. $$ 這才真正擴張： $$ \boxed{ \mathfrak B_{\mathrm{civilization}}. } $$ --- # 72. 問題生成與世界實現 即使新問題很漂亮， 若無法： - 驗證； - 實驗； - 工程； - 行動； 仍可能只是： $$ \text{intellectual novelty}. $$ 所以： $$ \boxed{ Q \rightarrow H \rightarrow V \rightarrow W' } $$ 才形成完整前沿閉環。 --- # 73. Problem-to-World Closure 定義： $$ \boxed{ C_{QW} = P( Q \rightarrow \text{verified world change} ). } $$ 一個高階系統不只要： $$ N_Q\uparrow, $$ 還應： $$ C_{QW}\uparrow. $$ --- # 74. 問題生成也需要失敗回收 若新問題： $$ Q_i $$ 最後被證明： - trivial； - 不可測； - 假前提； - 不重要； 系統應更新： $$ \mathfrak B_Q. $$ 因此： $$ \boxed{ \text{Bad Question} \rightarrow \text{Question-Space Learning}. } $$ --- # 75. 問題形成智能的最低測量向量 本文提出： $$ \boxed{ \mathbf Q_I = ( O_S, Q_G, Q_R, F_D, F_E, F_G, R_I, V_Q ) } $$ 其中： - $O_S$：Observation Selection； - $Q_G$：Question Generation； - $Q_R$：Question Revision； - $F_D$：Frame Mismatch Detection； - $F_E$：Frame Escape； - $F_G$：Frame Generation； - $R_I$：Routing Intelligence； - $V_Q$：Question Value Estimation。 --- # 76. 問題形成不是單一能力 因此： $$ \boxed{ \text{Problem Formation} } $$ 本身就是能力流形。 不能只用： > 會不會問好問題？ 一個分數概括。 這與整個《前沿智能拓撲論》的基本立場一致： $$ \boxed{ \text{Capability} \neq \text{single scalar}. } $$ --- # 77. 可否證條件 本文的主張需要允許被推翻。 ## 77.1 Answering Sufficiency 如果大規模實驗顯示： > 足夠強的答題模型自然會在未訓練下形成高水平 $W\rightarrow Q$ 能力， 則 Problem Formation 作為獨立能力維度的重要性下降。 ## 77.2 Frame Emergence 若只透過高品質最終答案訓練，就能自然產生： $$ F_D,F_E,F_G $$ 且與歷史轉換資料無差異， 則 Frame-Lift 不需要獨立訓練。 ## 77.3 Routing Triviality 若大型模型只靠語義相似度就能穩定完成複雜專家路由， 則 Routing Intelligence 可能不是獨立瓶頸。 ## 77.4 User Burden Null 若模型能力提高後： $$ C_Q^{\mathrm{user}} $$ 並未下降， 但真實任務完成率仍持續大幅提高， 則提問成本的重要性需要重新估計。 --- # 78. 非主張 本文不主張： - benchmark 無用； - 專家只會答題； - 所有問題都應由 AI 自己決定； - 自主問題生成一定安全； - Prompt Engineering 沒有價值； - 每一個好問題都比答案重要； - 所有 frame 都應頻繁替換； - 一個真正 AGI 必須完全不接受人類指令； - 自主性越高一定越好。 本文真正主張的是： $$ \boxed{ \text{若智能只能在問題已被正確形成後展現能力，則完整一般性仍未被測量。} } $$ --- # 79. 結論 傳統智能測試常問： > 給你一道題，你會不會？ 真實世界則問： > 這裡到底有沒有一道題？ 再往前： > 哪一道題值得問？ 再往前： > 我們是不是一直用錯方式問？ 因此，真正的一般智能不能只被表示為： $$ Q\rightarrow A. $$ 更完整的是： $$ \boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A. } $$ 其中： $$ Q $$ 不是免費的。 $$ F $$ 不是免費的。 $$ R $$ 也不是免費的。 這些本身都是智能。 --- # 80. 最終命題 本文最後提出： $$ \boxed{ \text{General Intelligence is not merely the ability to solve unfamiliar problems; it also includes the ability to discover, formulate, route, and reframe problems in unfamiliar worlds.} } $$ 中文： > **真正的泛化，不只是對未知題目答對，而是在未知世界裡生成值得回答的題目。** 而對 ASI，更強的版本是： > **真正的超級智能，不只是回答人類問得出的問題，也應有能力提出人類還不知道該問的問題。** --- # 附錄 A：核心不等式 $$ \boxed{ \text{Answering} \neq \text{Problem Formation} } $$ $$ \boxed{ \text{Problem Formation} \neq \text{Frame Selection} } $$ $$ \boxed{ \text{Question Rephrasing} \neq \text{Problem Reframing} } $$ $$ \boxed{ \text{Domain Label} \neq \text{Expert Routing} } $$ $$ \boxed{ \text{Task Breadth} \neq \text{Cognitive Closure Depth} } $$ --- # 附錄 B：完整認知閉環 $$ \boxed{ W \rightarrow O \rightarrow Q \rightarrow F \rightarrow R \rightarrow H \rightarrow V \rightarrow A } $$ --- # 附錄 C：三種專家 $$ \boxed{ E_A = \text{Answer Expert} } $$ $$ \boxed{ E_P = \text{Problem Expert} } $$ $$ \boxed{ E_F = \text{Frame Expert} } $$ --- # 附錄 D：問題形成智能向量 $$ \boxed{ \mathbf Q_I = ( O_S, Q_G, Q_R, F_D, F_E, F_G, R_I, V_Q ) } $$ --- # 附錄 E：與 Paper 03 的接口 Paper 03 建立： $$ \boxed{ \text{Benchmark Efficiency} \neq \text{Frontier Efficiency}. } $$ Paper 04 進一步指出： > benchmark 之所以可能高估完整一般性，其中一個原因，是它把： $$ O,Q,F,R $$ 大量預先提供。 因此： $$ \boxed{ \text{Benchmark} = \text{partially scaffolded cognition}. } $$ --- # 附錄 F：Paper 05 接口 Paper 05 將把本篇的： $$ Q_{\mathrm{form}}(d), $$ $$ Q_{\mathrm{frame}}(d), $$ $$ Q_{\mathrm{route}}(d) $$ 整合進： $$ \boxed{ Q(d) } $$ 建立「廣域能力斷層掃描」： > **當問題與主流訓練分布的認知距離持續增加時，模型的各種能力到底在哪裡開始斷裂？**