# APET-01｜哪一個 AI？
## AI 指稱坍縮與人工智能多態問題
### Which AI? AI Referent Collapse and the Polymorphism Problem of Artificial Intelligence

**系列：** AI 多態時代拓撲論（AI Polymorphic Epoch Topology, APET）  
**編號：** APET-01  
**版本：** v0.1  
**日期：** 2026-09-23  
**狀態：** Canonical Source / UTF-8 Markdown  
**作者：** Neo.K  
**機構：** EveMissLab Technology Co., Ltd.  
**協作整理：** Aletheia / GPT-5.6 Sol  
**前置理論：** 時代拓撲論 v2.0、EML-TOT-2026-003、EXS-04、SAS-04  

**公司：** 一言諾科技有限公司  

---

## 摘要

當代公共討論、產業報告、研究新聞與日常語言大量使用「AI」作為單一名詞。然而，2026 年的「AI」已同時可能指稱：古典規則系統、符號推理系統、統計機器學習模型、神經網路、基礎模型、大型語言模型、多模態模型、影像／影片／音樂生成模型、搜尋與研究代理、程式代理、長時程工作代理、具身機器人、嵌入式 AI、分散式 AI、區域調度系統、AI 原生作業層，以及由多個模型、工具、記憶、權限與執行環境組合而成的複合智能系統。

因此，「AI」已不再是一個具有充分區分力的單一對象名稱。

本文提出 **AI 指稱坍縮（AI Referent Collapse）**：大量本體結構、計算能力、部署位置、交互方式與作用域不同的人工智能對象，被語言壓縮進同一個能指「AI」，導致後續關於能力、採用、風險、專業、治理與時代位置的判斷產生系統性混淆。

本文進一步提出 **人工智能多態問題（AI Polymorphism Problem）**。與單純的「AI 有很多種類」不同，多態問題強調：相同名稱、相同品牌、甚至相同基礎模型，在不同 runtime、harness、tool set、memory、context、permission、surface 與 workflow coupling 下，可以形成顯著不同的有效智能態。因而，使用者實際接觸的 AI 不應只以模型身份描述，而應以一個配置態表示：

$$
\mathcal A_{\mathrm{eff}}
=
F(
M,
R,
H,
T,
C,
\Mu,
P,
S,
W
).
$$

其中 $M$ 為模型， $R$ 為 runtime， $H$ 為 harness， $T$ 為工具集合， $C$ 為上下文機制， $\Mu$ 為記憶系統， $P$ 為權限與行動能力， $S$ 為互動 surface， $W$ 為工作流與世界耦合。

本文主張，未來對 AI 的嚴格討論至少需要先回答：「到底是哪一個 AI？」沒有完成此一指稱解析之前，「AI 很強」、「AI 很弱」、「AI 已經進入某產業」、「AI 可以取代某工作」、「AI 是工具」、「AI 是 Agent」等句子，都可能在不同對象上同時成立。

本文是 APET 系列的第一篇，主要工作是建立指稱、本體與配置層的基礎。後續論文將分別處理有效智能態、AI 專家能力拓撲、AI 可視域事件、生成與多模態分類、具身拓撲，以及「同一物理年代、不同 AI 時代」的時代拓撲問題。

**關鍵詞：** AI Referent Collapse；人工智能多態；Effective AI State；模型與系統區分；Agent；Runtime；Harness；AI Typology；時代拓撲；AI Epoch

---

# 1. 問題不是「AI 是什麼」，而是「你正在指哪一個 AI」

人工智能研究長期存在定義爭議。

不同時期，人們曾把 AI 理解為：

- 能執行形式推理的機器；
- 能搜尋解空間的程式；
- 能模仿人類專家決策的系統；
- 能從資料學習的模型；
- 能辨識感知訊號的神經網路；
- 能生成語言、影像、聲音或影片的模型；
- 能使用工具、維持任務狀態並完成目標的 Agent；
- 能感知與作用於物理世界的具身系統；
- 能跨設備、組織、城市與基礎設施進行協調的智能層。

這些定義並不只是哲學意見不同。

它們實際上對應到不同的計算對象。

設人工智能對象集合為：

$$
\mathfrak A
=
\{
A_1,A_2,\ldots,A_n
\}.
$$

自然語言卻傾向把它們壓縮為：

$$
\{A_1,A_2,\ldots,A_n\}
\xrightarrow{\mathcal L}
\text{``AI''}.
$$

其中 $\mathcal L$ 表示語言壓縮。

當：

$$
A_i\neq A_j
$$

但：

$$
\mathcal L(A_i)
=
\mathcal L(A_j)
=
\text{``AI''},
$$

便產生本文所稱的 **指稱坍縮**。

---

# 2. AI 指稱坍縮

## 2.1 定義

**定義 1｜AI Referent Collapse**

若一個語言符號：

$$
\sigma_{\mathrm{AI}}
=
\text{``AI''}
$$

被同時用來指稱一組具有顯著不同本體、能力、部署、行動與耦合結構的對象：

$$
\mathfrak A_{\sigma}
=
\{
A_1,A_2,\ldots,A_k
\},
$$

且語言使用過程未保留足以區分這些對象的資訊，則稱：

$$
\boxed{
\operatorname{RC}_{AI}
=
\text{AI Referent Collapse}.
}
$$

因此：

$$
\boxed{
|\mathfrak A_{\sigma}|
\gg 1
}
$$

本身並不是問題。

真正的問題在於：

$$
\boxed{
I(\sigma_{\mathrm{AI}})
\ll
I(\mathfrak A_{\sigma})
}
$$

其中 $I$ 表示用於區分相關對象的有效資訊量。

換言之，「AI」作為能指所承載的區分資訊，已遠低於它實際覆蓋的對象空間。

---

## 2.2 指稱坍縮不是普通的類別概括

自然語言本來就會概括。

例如：

> 車。

可以同時指：

- 房車；
- 貨車；
- 賽車；
- 電動車；
- 自動駕駛車。

但當問題是：

> 這台車能不能載十噸貨？

「車」這個類別就不夠。

同理：

> AI 能不能獨立完成軟體專案？

若不先指定：

$$
A_i
$$

是哪一種 AI，問題在形式上是不完備的。

因為答案可能同時是：

$$
\text{Yes}
$$

以及：

$$
\text{No}.
$$

兩者分別成立於不同的 AI 對象。

因此：

$$
\boxed{
\text{Category usefulness}
\neq
\text{Decision usefulness}.
}
$$

「AI」仍可作為上位類別存在，但當討論進入能力、治理、採用或責任判斷時，必須進一步展開其子類與配置。

---

# 3. 「AI 很強」為什麼可能既真又假

設命題：

$$
Q:
\text{AI is capable of autonomous long-horizon work}.
$$

若「AI」指：

$$
A_1
=
\text{純聊天文字模型},
$$

則：

$$
Q(A_1)
$$

可能不成立。

若「AI」指：

$$
A_2
=
\text{模型}
+
\text{工具}
+
\text{檔案存取}
+
\text{瀏覽器}
+
\text{執行環境}
+
\text{長時程 Agent loop},
$$

則：

$$
Q(A_2)
$$

可能成立。

因此：

$$
Q(\text{AI})
$$

不是單一真值問題。

真正形式應為：

$$
Q(A_i\mid \Gamma_i),
$$

其中 $\Gamma_i$ 表示該 AI 的配置條件。

如果忽略 $\Gamma_i$，則大量 AI 爭論會退化為：

$$
Q(A_i)
\quad\text{vs}\quad
\neg Q(A_j),
$$

而雙方錯誤地以為：

$$
A_i=A_j.
$$

因此本文提出：

$$
\boxed{
\text{Many AI disputes are referent mismatches before they are factual disagreements.}
}
$$

也就是：

> 很多 AI 爭論在成為事實爭論之前，首先就是指稱錯位。

---

# 4. AI 多態問題

## 4.1 多態不只是「很多模型」

本文所說的 Polymorphism，不等於：

$$
\text{GPT}
\neq
\text{Claude}
\neq
\text{Gemini}.
$$

那只是模型或產品不同。

更重要的情況是：

$$
M_i=M_j
$$

但：

$$
\mathcal A_i
\neq
\mathcal A_j.
$$

也就是：

> 同一基礎模型，在不同系統配置中形成不同的有效 AI。

因此 AI 身份至少存在兩層：

$$
\boxed{
\text{Model Identity}
}
$$

與：

$$
\boxed{
\text{Systemic Effective Identity}.
}
$$

兩者不能等同。

---

## 4.2 有效 AI 態

本文定義：

$$
\boxed{
\mathcal A_{\mathrm{eff}}
=
F(
M,
R,
H,
T,
C,
\Mu,
P,
S,
W
).
}
$$

其中：

$$
M=\text{Model},
$$

$$
R=\text{Runtime},
$$

$$
H=\text{Harness},
$$

$$
T=\text{Tool Set},
$$

$$
C=\text{Context Architecture},
$$

$$
\Mu=\text{Memory},
$$

$$
P=\text{Permission / Authority},
$$

$$
S=\text{Interaction Surface},
$$

$$
W=\text{Workflow / World Coupling}.
$$

這個式子不是宣稱所有 AI 都能以固定函數精確量化，而是提供一個最低限度的分析框架。

它提醒研究者：

$$
\boxed{
\text{Observed AI Capability}
\neq
\text{Model Capability Alone}.
}
$$

---

# 5. Model 不是 AI 系統的全部

在許多公共比較中，模型名稱被當成整個 AI 的身份。

例如：

> 模型 A 比模型 B 強。

這種比較在純模型測試中可以成立。

但在實際使用環境中，更接近：

$$
Y
=
F(M,\Gamma,X),
$$

其中：

- $M$：模型；
- $\Gamma$：系統配置；
- $X$：任務與環境；
- $Y$：實際輸出結果。

若：

$$
M_A=M_B
$$

但：

$$
\Gamma_A\neq\Gamma_B,
$$

則完全可能：

$$
Y_A\neq Y_B.
$$

因此：

$$
\boxed{
\text{Same Model}
\not\Rightarrow
\text{Same Effective Intelligence}.
}
$$

---

# 6. Surface 不是單純 UI

「聊天介面」、「工作台」、「程式代理」、「Agent 模式」經常被理解為同一模型的不同入口。

這種理解不一定正確。

一個 surface 可以同時決定：

- 可使用的工具；
- 可取得的檔案；
- 是否可執行程式；
- 是否可以操作瀏覽器；
- 是否能跨應用程式；
- 是否允許長時間任務；
- 是否可以建立持續狀態；
- 是否可以自行驗證；
- 是否能形成多步驟行動鏈。

因此：

$$
\boxed{
S
\neq
\text{cosmetic UI}.
}
$$

在某些系統中：

$$
S
\rightarrow
\{T,P,C,\Mu,W\}.
$$

也就是 surface 本身實際上選擇了一整套能力拓撲。

所以：

$$
\boxed{
\text{Chat Surface}
\neq
\text{Agent Surface}
}
$$

即使底層模型相同。

---

# 7. Harness 的本體地位

若模型：

$$
M
$$

只能產生候選行動，

而 harness：

$$
H
$$

負責：

- 解析模型輸出；
- 建立工具呼叫；
- 執行命令；
- 讀取結果；
- 回饋模型；
- 管理錯誤；
- 維持迭代；
- 決定停止條件；

則有效行動能力不是：

$$
M
$$

單獨產生。

更接近：

$$
\boxed{
A_{\mathrm{action}}
=
M\circ H.
}
$$

若再加入工具：

$$
A_{\mathrm{action}}
=
M\circ H\circ T.
$$

若加入世界狀態：

$$
A_{\mathrm{world}}
=
M\circ H\circ T\circ W.
$$

因此對 Agent 系統而言：

$$
\boxed{
\text{Harness is constitutive, not merely auxiliary}.
}
$$

Harness 不是模型外面的附加小工具，而可能是有效智能形成的一部分。

---

# 8. Tool Set 會改變可達問題空間

設模型原始能力可處理的問題集合為：

$$
\Omega_M.
$$

加入工具集合：

$$
T
=
\{t_1,t_2,\ldots,t_k\},
$$

有效可處理空間變成：

$$
\Omega_{M,T}.
$$

一般而言可能存在：

$$
\Omega_M
\subsetneq
\Omega_{M,T}.
$$

例如：

- 沒有瀏覽器的模型不能直接取得最新外部資訊；
- 沒有 shell 的模型不能真正執行程式；
- 沒有檔案權限的模型無法修改專案；
- 沒有感測器的模型無法觀察物理環境；
- 沒有 actuator 的模型無法直接作用於世界。

因此：

$$
\boxed{
\text{Tool access changes the reachable task manifold}.
}
$$

這不是單純「比較方便」。

它可能改變 AI 可達問題空間的拓撲。

---

# 9. Memory 會改變 AI 的時間結構

若每次交互都重新開始：

$$
\Mu\approx0,
$$

則 AI 的存在時間更接近離散瞬時切片。

若 AI 具有：

- 長期記憶；
- 專案狀態；
- 歷史決策；
- 失敗紀錄；
- 使用者偏好；
- 可回查的舊上下文；

則：

$$
\Mu>0.
$$

此時 AI 的時間結構已經不同。

這與《時代拓撲論 v2.0》中的「記憶連續度」直接相接。

因此：

$$
\boxed{
\text{same model with different memory continuity}
\neq
\text{same temporal AI object}.
}
$$

---

# 10. Permission 會改變智能的政治與工程意義

一個模型可以：

$$
\text{know what should be done}
$$

但沒有權限：

$$
P=0.
$$

它只能建議。

若：

$$
P>0,
$$

可以：

- 修改檔案；
- 發送訊息；
- 建立任務；
- 控制設備；
- 執行金融或企業流程；
- 操作實體系統；

則同一模型的社會意義完全不同。

因此：

$$
\boxed{
\text{Cognitive capability}
\neq
\text{Operational authority}.
}
$$

這也是未來 AI 治理中不能忽略的核心分界。

---

# 11. AI 的第一層多態：歷史範式

AI 的多態首先表現在歷史範式。

至少可粗略分為：

$$
\mathcal P
=
\{
P_{\mathrm{classical}},
P_{\mathrm{symbolic}},
P_{\mathrm{statistical}},
P_{\mathrm{neural}},
P_{\mathrm{foundation}},
P_{\mathrm{agentic}},
P_{\mathrm{embodied}}
\}.
$$

這些範式存在重疊與混合，不應被理解為互斥年代。

例如：

$$
P_{\mathrm{symbolic}}
+
P_{\mathrm{neural}}
$$

可以形成神經符號系統。

因此：

$$
\boxed{
\text{AI history}
\neq
\text{strict replacement chain}.
}
$$

更接近多條範式線的共存、融合與再出現。

---

# 12. AI 的第二層多態：能力功能

即使同屬現代模型，功能仍可能不同。

定義一個能力集合：

$$
\mathcal F
=
\{
f_{\mathrm{recognize}},
f_{\mathrm{classify}},
f_{\mathrm{predict}},
f_{\mathrm{generate}},
f_{\mathrm{retrieve}},
f_{\mathrm{reason}},
f_{\mathrm{plan}},
f_{\mathrm{control}},
f_{\mathrm{research}},
f_{\mathrm{act}}
\}.
$$

則：

$$
A_i
=
\{f_a,f_b,f_c\}
$$

與：

$$
A_j
=
\{f_b,f_d,f_h\}
$$

都可以被叫做 AI。

但：

$$
A_i\neq A_j.
$$

因此「AI 能做什麼」不應只由單一能力詞代表。

---

# 13. AI 的第三層多態：模態

AI 還可依資訊模態區分。

令：

$$
\mathcal M
=
\{
m_{\mathrm{text}},
m_{\mathrm{image}},
m_{\mathrm{audio}},
m_{\mathrm{speech}},
m_{\mathrm{music}},
m_{\mathrm{video}},
m_{\mathrm{3D}},
m_{\mathrm{sensor}},
m_{\mathrm{action}}
\}.
$$

多模態 AI 不只是：

$$
|\mathcal M_A|>1.
$$

真正重要的是模態之間如何耦合。

例如：

$$
\text{text}
+
\text{image}
$$

可能只是聯合輸入。

也可能是：

$$
\text{text}
\rightarrow
\text{image reasoning}
\rightarrow
\text{action}.
$$

甚至：

$$
\text{vision}
+
\text{audio}
+
\text{proprioception}
\rightarrow
\text{control}.
$$

因此：

$$
\boxed{
\text{Multimodal}
\neq
\text{one homogeneous system type}.
}
$$

---

# 14. AI 的第四層多態：部署拓撲

根據前置 SAS-04，可以區分：

$$
\text{Embedded}
$$

$$
\text{Edge}
$$

$$
\text{Distributed}
$$

$$
\text{Ambient}
$$

$$
\text{Regional}
$$

$$
\text{Global}.
$$

這些不是能力等級，而是部署與作用拓撲。

一個系統可以同時：

$$
\text{Embedded}
+
\text{Distributed}
+
\text{Regional}.
$$

因此：

$$
\boxed{
\text{AI Type}
}
$$

本身往往是向量，而不是單標籤。

---

# 15. AI 的第五層多態：具身與世界耦合

若系統形成：

$$
\text{Perception}
\rightarrow
\text{Inference}
\rightarrow
\text{Action}
\rightarrow
\text{World}
\rightarrow
\text{Perception},
$$

則它進入某種具身耦合。

但是：

$$
\boxed{
\text{Embodied AI}
\neq
\text{Humanoid Robot}.
}
$$

其載體可以是：

- 人形機器人；
- 機械臂；
- 輪式機器人；
- 四足機器人；
- 無人機；
- 汽車；
- 船舶；
- 工業設備；
- 倉儲系統；
- 家居環境；
- 城市基礎設施。

因此：

$$
\boxed{
\text{Body}
=
\text{causal action boundary},
}
$$

未必等於：

$$
\text{human-shaped chassis}.
$$

這個問題將在 APET-06 詳細展開。

---

# 16. AI 的第六層多態：主動程度

可以粗略建立：

$$
L_0
=
\text{passive inference},
$$

$$
L_1
=
\text{reactive assistance},
$$

$$
L_2
=
\text{tool-mediated execution},
$$

$$
L_3
=
\text{goal-directed agent},
$$

$$
L_4
=
\text{long-horizon autonomous process},
$$

$$
L_5
=
\text{multi-agent / organizational coordination}.
$$

這不是一個最終標準，而是提醒：

$$
\boxed{
\text{AI}
}
$$

可以從一次性推論一路跨到長時間行動系統。

因此：

> 「AI 只是回應提示詞。」

與：

> 「AI 可以自主執行多步驟工作。」

都可能成立。

但成立於不同：

$$
L_i.
$$

---

# 17. AI 的第七層多態：社會角色

同一種計算能力進入不同制度角色，其社會性質也不同。

AI 可以是：

$$
\text{tool},
$$

$$
\text{assistant},
$$

$$
\text{advisor},
$$

$$
\text{operator},
$$

$$
\text{researcher},
$$

$$
\text{manager},
$$

$$
\text{infrastructure},
$$

甚至未來可能形成：

$$
\text{juridical / institutional actor}.
$$

角色不是模型固有屬性。

它是：

$$
\boxed{
\text{Model}
+
\text{Authority}
+
\text{Institutional Embedding}.
}
$$

---

# 18. 「AI」作為公共詞彙的資訊熵問題

假設 AI 類別內部狀態為：

$$
A_1,\ldots,A_n
$$

且其分布為：

$$
p(A_i).
$$

當使用者只收到符號：

$$
\sigma_{\mathrm{AI}},
$$

卻不知道：

$$
A_i,
$$

則其不確定性可概念化為：

$$
H(A\mid \sigma_{\mathrm{AI}}).
$$

當 AI 系統種類與配置持續增加：

$$
n\uparrow,
$$

而語言仍只使用「AI」：

$$
|\Sigma|\approx1,
$$

則：

$$
H(A\mid \sigma_{\mathrm{AI}})
\uparrow.
$$

因此：

$$
\boxed{
\text{The more polymorphic AI becomes, the less informative the bare word ``AI'' becomes.}
}
$$

---

# 19. 指稱坍縮的第一個後果：能力爭論失真

典型句子：

> AI 已經能寫程式了。

問題是：

$$
\text{Which AI?}
$$

是：

$$
\text{autocomplete}
$$

還是：

$$
\text{chat model}
$$

還是：

$$
\text{repo-aware coding agent}
$$

還是：

$$
\text{autonomous test-and-repair runtime}?
$$

這四者的「會寫程式」不是同一能力。

因此應改成：

$$
\boxed{
\text{Capability claim}
=
\text{AI configuration}
+
\text{task class}
+
\text{success criterion}.
}
$$

---

# 20. 指稱坍縮的第二個後果：採用率失真

一句：

> 某公司已經導入 AI。

可能表示：

$$
\text{employees use chatbot}
$$

也可能：

$$
\text{AI is embedded in workflow}
$$

也可能：

$$
\text{AI agents execute business processes}
$$

甚至：

$$
\text{organization architecture depends on AI}.
$$

因此：

$$
\boxed{
\text{AI Adoption}
\neq
\text{binary variable}.
}
$$

只記錄：

$$
A\in\{0,1\}
$$

會丟失大量資訊。

---

# 21. 指稱坍縮的第三個後果：風險分類失真

純文字建議系統的風險與：

$$
\text{financial execution agent}
$$

不同。

後者又與：

$$
\text{autonomous vehicle controller}
$$

不同。

如果治理只問：

> 這是不是 AI？

資訊不足。

更合理的是：

$$
\boxed{
R_{\mathrm{risk}}
=
G(
A_{\mathrm{eff}},
P,
W,
D
)
}
$$

其中：

- $P$：行動權限；
- $W$：世界耦合；
- $D$：作用域與損害域。

所以 AI 治理需要配置與作用拓撲，而不只是模型分類。

---

# 22. 指稱坍縮的第四個後果：專家權威失真

若「AI」是一個高度多態空間，

則：

$$
\text{AI Expert}
$$

也不能被視為單一專業資格。

一個人在：

$$
\mathcal A_x
$$

具備深度專業，

不推出他在：

$$
\mathcal A_y
$$

也具有相同專業。

因此：

$$
\boxed{
E(A_x)
\not\Rightarrow
E(A_y).
}
$$

這個問題將在 APET-03 建立完整的 AI Expertise Topology。

---

# 23. 指稱坍縮的第五個後果：時代判斷失真

如果：

$$
\text{AI}
$$

不是單一對象，

那麼：

$$
\text{AI Era}
$$

也不可能只有單一進入門檻。

一個人：

$$
\text{uses chatbot},
$$

另一個：

$$
\text{works through agents},
$$

另一個組織：

$$
\text{runs AI-native workflows},
$$

另一個城市：

$$
\text{uses AI-mediated infrastructure}.
$$

他們共享：

$$
t.
$$

但不一定共享：

$$
\mathbf e_{\mathrm{AI}}.
$$

因此：

$$
\boxed{
\text{Same Calendar Time}
\not\Rightarrow
\text{Same AI Epoch}.
}
$$

這將成為 APET-07 的主題。

---

# 24. ChatGPT 型產品造成的可視域偏置

在生成式 AI 大眾化之前，普通人早已生活在大量 AI-mediated systems 中：

- 搜尋；
- 推薦；
- 風控；
- 廣告；
- 影像辨識；
- 垃圾郵件過濾；
- 物流；
- 工業排程。

但這些 AI 往往：

$$
V_I\ll1,
$$

其中 $V_I$ 表示使用者主動感知 AI 中介的可見度。

聊天式生成 AI 大規模普及後：

$$
V_I\uparrow.
$$

因此 AI 第一次以高度可互動、可對話、可被命名的方式進入大眾直接可視域。

這形成一個認知偏置：

$$
\boxed{
\text{Visible AI}
\rightarrow
\text{Prototype of AI}.
}
$$

最後：

$$
\text{AI}
\approx
\text{chatbot}
$$

在大眾心智中形成近似關係。

但：

$$
\boxed{
\text{Visibility}
\neq
\text{Ontological Coverage}.
}
$$

看得見的 AI 並不等於 AI 全體。

---

# 25. Chatbot Epoch Illusion

本文暫定義：

$$
\boxed{
\operatorname{CEI}
=
\text{Chatbot Epoch Illusion}.
}
$$

指一種認知現象：

當聊天式 AI 成為主流可見 AI 後，使用者傾向把：

$$
\text{access to conversational AI}
$$

直接等同於：

$$
\text{full participation in the AI era}.
$$

但實際上：

$$
\mathcal E_{\mathrm{chat}}
$$

只可能是整體 AI 時代拓撲的一個局部區域。

其他區域還包括：

$$
\mathcal E_{\mathrm{agent}},
$$

$$
\mathcal E_{\mathrm{AI-native}},
$$

$$
\mathcal E_{\mathrm{embodied}},
$$

$$
\mathcal E_{\mathrm{scientific}},
$$

$$
\mathcal E_{\mathrm{infrastructural}}.
$$

因此：

$$
\boxed{
\mathcal E_{\mathrm{chat}}
\subsetneq
\mathcal E_{\mathrm{AI}}.
}
$$

---

# 26. 一個最低限度的 AI 指稱解析協議

本文提出，未來嚴格討論 AI 時，至少應回答以下問題。

## 26.1 對象層

這裡的 AI 是：

- 模型；
- 系統；
- Agent；
- 機器人；
- 組織層；
- 基礎設施層？

記為：

$$
O_A.
$$

## 26.2 範式層

其主要計算範式：

$$
P_A.
$$

## 26.3 模態層

它處理哪些模態：

$$
M_A.
$$

## 26.4 能力層

它具有哪些功能：

$$
F_A.
$$

## 26.5 配置層

其 runtime / harness / tools / memory：

$$
C_A.
$$

## 26.6 權限層

它可以實際做什麼：

$$
P_A^{\ast}.
$$

## 26.7 世界耦合層

它是否只輸出資訊，還是能作用世界：

$$
W_A.
$$

因此最小描述可以寫成：

$$
\boxed{
\operatorname{ID}(A)
=
(
O_A,
P_A,
M_A,
F_A,
C_A,
P_A^{\ast},
W_A
).
}
$$

---

# 27. 「哪一個 AI？」是前置問題，不是挑字眼

這個問題的目的不是讓所有人每次談 AI 都寫完整 taxonomy。

日常語言可以繼續說：

> AI。

但只要進入：

- 科研；
- 政策；
- 投資；
- 治理；
- 產品評估；
- 人才判斷；
- 生產力測量；
- 時代分析；

則：

$$
\boxed{
\text{Referent resolution must precede strong claims}.
}
$$

也就是：

> 強命題之前，先解決指稱。

---

# 28. APET 的第一個基本命題

本文提出：

$$
\boxed{
\text{AI is not one object}.
}
$$

這不是修辭。

其形式意思是：

$$
|\mathfrak A|>1
$$

且：

$$
d(A_i,A_j)
$$

在多個維度上可以非常大。

其中距離 $d$ 可以包含：

- 範式距離；
- 模態距離；
- 能力距離；
- 部署距離；
- 權限距離；
- 世界耦合距離；
- 時間結構距離。

因此「AI」應被理解為一個對象空間：

$$
\boxed{
\mathfrak A
}
$$

而非單一對象。

---

# 29. 第二個基本命題：Model Identity 不足以決定 AI Identity

$$
\boxed{
M_i=M_j
\not\Rightarrow
A_i=A_j.
}
$$

如果：

$$
R_i\neq R_j,
$$

或：

$$
H_i\neq H_j,
$$

或：

$$
T_i\neq T_j,
$$

或：

$$
P_i\neq P_j,
$$

則有效 AI 態可能不同。

所以：

$$
\boxed{
\text{model name is an incomplete AI identifier}.
}
$$

---

# 30. 第三個基本命題：AI Capability 是配置條件下的能力

不應只寫：

$$
C(A).
$$

更合理的是：

$$
\boxed{
C(A\mid\Gamma,X).
}
$$

其中：

- $\Gamma$：配置；
- $X$：任務與環境。

因此任何 benchmark 都只是：

$$
C(A\mid\Gamma_b,X_b).
$$

它不能無條件推出：

$$
C(A\mid\Gamma_r,X_r).
$$

這解釋了為什麼同一模型在 benchmark、聊天、IDE、Agent 與真實工程中的體感可以不同。

---

# 31. 第四個基本命題：AI Adoption 必須拓撲化

設一個人或組織對 AI 的耦合狀態為：

$$
\mathcal C_H.
$$

則「有沒有用 AI」：

$$
u\in\{0,1\}
$$

是不充分的。

更合理的是：

$$
\boxed{
\mathcal C_H
=
(
D,
I,
A,
P,
W
)
}
$$

其中可表示：

- 使用域 $D$ ；
- 整合深度 $I$ ；
- 自主程度 $A$ ；
- 權限 $P$ ；
- 世界耦合 $W$。

這將為 APET-07 的 AI Epoch Position 提供基礎。

---

# 32. 第五個基本命題：AI 詞彙會隨技術進化持續失真

當 AI 對象空間持續擴張：

$$
\mathfrak A_t
\subsetneq
\mathfrak A_{t+1},
$$

但詞彙仍維持：

$$
\sigma_{\mathrm{AI}},
$$

則：

$$
\operatorname{RC}_{AI}(t+1)
>
\operatorname{RC}_{AI}(t)
$$

可能成立。

也就是：

> AI 越多態，「AI」這個單字反而越不夠用。

這是技術高速演化下的分類滯後。

---

# 33. 一個重要區分：分類不是本體鎖死

本文提出 taxonomy，不代表：

$$
A_i
$$

永遠只能屬於一類。

AI 系統可以：

$$
A_t
\rightarrow
A_{t+1}
$$

並跨越分類邊界。

例如：

$$
\text{chat assistant}
\rightarrow
\text{tool-using agent}
\rightarrow
\text{long-horizon operator}.
$$

因此 APET 採用的是：

$$
\boxed{
\text{dynamic typology}
}
$$

而不是靜態物種學。

---

# 34. AI 多態是一個狀態空間問題

設：

$$
\mathbf a
=
(
a_1,a_2,\ldots,a_n
)
$$

表示 AI 在：

- 模型；
- 模態；
- 工具；
- 記憶；
- 權限；
- 行動；
- 部署；
- 具身；
- 社會角色；

等維度上的座標。

那麼每一個具體 AI 系統其實是：

$$
\boxed{
A_i
=
\mathbf a_i
}
$$

在 AI 狀態空間中的一個點或局部區域。

當系統更新：

$$
\mathbf a_i(t)
\rightarrow
\mathbf a_i(t+1),
$$

它在 AI 拓撲中的位置也會改變。

這提供了一個比「模型版本號」更一般的描述方式。

---

# 35. 從 AI 多態到時代多態

只要不同人與不同 AI 狀態耦合：

$$
H_i
\leftrightarrow
A_i,
$$

就可能形成不同的有效能力環境：

$$
\Omega_i.
$$

如果：

$$
\Omega_i\neq\Omega_j,
$$

則兩個共享同一物理時間的人：

$$
t_i=t_j
$$

也可能生活在不同的 AI 時代條件下：

$$
\boxed{
\mathbf e_i^{AI}
\neq
\mathbf e_j^{AI}.
}
$$

因此本文最終導向：

$$
\boxed{
\text{AI Polymorphism}
\rightarrow
\text{Coupling Polymorphism}
\rightarrow
\text{Epoch Polymorphism}.
}
$$

這正是 APET 系列的總體研究路徑。

---

# 36. 研究可驗證性

本文屬於概念—形式框架，但不是不可驗證。

至少可以透過以下研究設計測試。

## 36.1 同模型跨 Surface 測試

固定：

$$
M.
$$

改變：

$$
S,H,T,P.
$$

比較：

$$
C(A\mid\Gamma_i,X).
$$

若能力差異顯著，則支持：

$$
M_i=M_j
\not\Rightarrow
A_i=A_j.
$$

## 36.2 使用者理解測試

詢問受試者：

> 什麼叫 AI？

觀察其回答是否高度集中於：

$$
\text{chatbot}
$$

或：

$$
\text{generative model}.
$$

再比較其對嵌入式、工業、控制、Agent、具身 AI 的辨識率。

可測量：

$$
\operatorname{RC}_{AI}^{human}.
$$

## 36.3 組織採用測試

比較兩家公司都宣稱：

> 已採用 AI。

實際測量：

$$
\mathcal C_{org}.
$$

若兩者在：

- 工作流整合；
- 自主性；
- 權限；
- 覆蓋域；

有巨大差異，即證明二元 adoption 標籤不足。

---

# 37. 反例條件

若未來研究證明：

1. 大部分 AI 系統在不同配置下能力差異極小；
2. 模型身份足以高精度預測實際能力；
3. 一般「AI」標籤已足以支持治理、採用與能力判斷；

則本文的強版本會被削弱。

形式上：

$$
\operatorname{Var}
(
C(A\mid\Gamma_i,X)
)
\rightarrow0
$$

若成立，

則：

$$
\Gamma
$$

的重要性降低。

本文不預設這不可能。

APET 的目標不是保護某種敘事，而是建立可被實證修正的分類框架。

---

# 38. 與既有時代拓撲論的關係

《時代拓撲論》核心命題之一是：

$$
\boxed{
\text{Same physical time}
\not\Rightarrow
\text{same epoch}.
}
$$

APET-01 增加：

$$
\boxed{
\text{Same word ``AI''}
\not\Rightarrow
\text{same AI object}.
}
$$

兩者組合：

$$
\text{AI referent plurality}
+
\text{different coupling states}
$$

可以導出：

$$
\boxed{
\text{AI era plurality}.
}
$$

因此 APET 不是重新發明時代拓撲論。

它是：

$$
\boxed{
\text{Era Topology}
\quad\text{restricted to and expanded through}\quad
\text{AI polymorphism}.
}
$$

---

# 39. 系列核心四不等式

APET 系列最終預計圍繞四個不等式展開：

$$
\boxed{
\text{AI}
\neq
\text{One Object}
}
$$

$$
\boxed{
\text{AI Expertise}
\neq
\text{One Expertise}
}
$$

$$
\boxed{
\text{AI Adoption}
\neq
\text{One Adoption State}
}
$$

$$
\boxed{
\text{AI Era}
\neq
\text{One Epoch}
}
$$

APET-01 完成第一個不等式的基礎建構。

---

# 40. 結論

人工智能已經進入一個奇特階段。

不是 AI 不夠多。

而是：

$$
\boxed{
\text{AI 太多了，語言卻還只有一個 ``AI''}.
}
$$

古典規則系統是 AI。

神經網路是 AI。

大型語言模型是 AI。

影像生成模型是 AI。

程式 Agent 是 AI。

長時程工作代理是 AI。

機器人是 AI。

城市調度系統也可能被稱為 AI。

甚至同一個基礎模型，只要被放入不同 runtime、harness、tool set、memory、permission 與 workflow 中，就可能形成顯著不同的有效智能態。

因此：

$$
\boxed{
\text{AI}
}
$$

不再適合作為所有強命題的充分指稱。

未來任何嚴格討論，在問：

> AI 能不能？

之前，都應先問：

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

這不是語義潔癖。

這是因為：

$$
\boxed{
\text{different referents}
\rightarrow
\text{different capabilities}
\rightarrow
\text{different risks}
\rightarrow
\text{different adoption states}
\rightarrow
\text{different epochs}.
}
$$

因此 APET 的第一個基本命題是：

$$
\boxed{
\text{The AI era cannot be one era, because AI itself is no longer one object.}
}
$$

中文：

> **AI 時代不可能只有一個時代，因為「AI」本身早已不是一個單一對象。**

而這只是起點。

---

# 後續論文

**APET-02｜同一模型，不同智能——從 Model Identity 到 Effective AI State**

預計處理：

$$
\boxed{
\text{Model Identity}
\neq
\text{Effective Intelligence Identity}.
}
$$

並進一步形式化：

$$
\mathcal A_{\mathrm{eff}}
=
F(
M,
R,
H,
T,
C,
\Mu,
P,
S,
W
).
$$