--- title: "外包、耦合與內生化的 AI 版本：真正的內生能力是什麼？" english_title: "Offloading, Coupling, and Endogenization for AI: What Counts as Truly Endogenous Capability?" series: "AI 動態能力本體論：潛能、激發、內生性與耦合" series_english: "Dynamic Capability Ontology of AI: Potential, Activation, Endogeneity, and Coupling" paper: "03 / 09" author: "Neo.K / EveMissLab" ai_collaboration: "Aletheia / GPT-5.6 Sol" date: "2026-09-12" version: "v0.1" document_type: "系列論文／AI 內生能力論／耦合與外包分型" status: "Canonical Series Draft" encoding: "UTF-8" depends_on: - "DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md" - "DCAO_Paper01_Potential_Is_Not_Activation_v0.1_zh-TW.md" - "DCAO_Paper02_Effective_Capability_Is_Not_Model_Capability_v0.1_zh-TW.md" predecessor_theories: - "外部智慧內生化命題 EIEC" - "智能體—工具合一本體論" - "One–All / OAC" - "AI-Native Systems" - "Distributed Cognitive Runtime" --- # 外包、耦合與內生化的 AI 版本 ## ——真正的內生能力是什麼？ # Offloading, Coupling, and Endogenization for AI ## What Counts as Truly Endogenous Capability? **作者：** Neo.K / EveMissLab **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-09-12 **版本：** v0.1 --- ## 摘要 當大型語言模型被接上長期記憶、搜尋、工具、程式執行、驗證器、多代理協作與 persistent runtime 後，一項能力究竟算「模型自己的」、算「AI 系統自己的」，還只是「臨時借來的」，逐漸成為無法迴避的問題。 既有 EIEC 已將人機關係嚴格區分為： $$ \boxed{ \text{Offloading} \neq \text{Coupling} \neq \text{Endogenization} } $$ 其中，外包表示能力主要留在外部；耦合表示當下形成高效不可簡單分解的聯合系統；內生化則要求外部支援移除後，主體仍保留可重複、可遷移的結構性增益。本文將這套區分轉譯到 AI，但不把「人腦學習」直接類比成「模型權重更新」。 本文主張，AI 的內生能力至少應分成五層： $$ \boxed{ \operatorname{Endo}_{\Theta}, \operatorname{Endo}_{Z}, \operatorname{Endo}_{M}, \operatorname{Endo}_{R}, \operatorname{Endo}_{S} } $$ 分別代表： 1. **Parametric Endogeneity**：能力主要存在於模型參數與基礎結構； 2. **State Endogeneity**：能力存在於當前可持續狀態、適應配置或 active internal state； 3. **Memory Endogeneity**：能力依賴被 AI 自身正式治理、可恢復的長期記憶； 4. **Runtime Endogeneity**：能力依賴正式註冊、可重建的工具、workflow、validator、routing 與 policy； 5. **System Endogeneity**：能力存在於更高階持續 AI 系統的關係閉合，而非任何單一組件。 相對地，本文將「Borrowed Capability」定義為：能力在當下可以被調用，但其接口、知識、策略、狀態與恢復機制並未被系統穩定治理，移除外部來源後能力顯著消失，且系統無法在合理成本內自行重建。 本文提出一個關鍵修正： $$ \boxed{ \text{External to Model} \not\Rightarrow \text{External to AI System} } $$ 以及： $$ \boxed{ \text{Internal to System} \not\Rightarrow \text{Parametric in Model} } $$ 這表示「模型內生」與「系統內生」必須分離。 本文進一步建立五種測試：移除測試、重啟測試、替換測試、模型交換測試與遠遷移測試，並提出 Endogeneity Profile、Residual Capability、Dependency Ratio、Recovery Persistence 與 Structural Retention 等量，用來區分「有工具所以現在很強」與「能力已成為持續 AI 系統的一部分」。 本文最後保留一條重要未解問題：內生性是否具有邊界、尺度與時間相對性。本文只要求所有內生性聲明必須先聲明判定主體 $X$ ；完整的形式化： $$ \operatorname{Endo}(c\mid X,\chi,\tau) $$ 將留待 Paper 04。 --- ## 關鍵詞 AI Endogeneity；Offloading；Coupling；Endogenization；Parametric Capability；Memory Endogeneity；Runtime Endogeneity；System Capability；Borrowed Capability；Residual Capability；Removal Test；Restart Test；Capability Retention；EIEC --- # 0. 問題：AI 「自己會」到底是什麼意思？ 當使用者說： > 這個 AI 自己就會寫程式。 可能至少有五種不同意思。 第一種： > 不接任何工具，它就能產生程式碼。 第二種： > 它接上 IDE 後能寫、跑、改。 第三種： > 它依賴長期 repo memory 與測試歷史才能穩定完成。 第四種： > 它需要另一個 verifier Agent 才能可靠收斂。 第五種： > 它依賴整個 cloud runtime、版本庫、權限與 CI。 這五種都可能被日常語言叫做： > 「AI 會寫程式。」 但能力來源完全不同。 因此需要問： $$ \boxed{ \text{Where does the capability persist when support is removed?} } $$ --- # 1. EIEC 的核心切割必須保留 既有外部智慧內生化理論最重要的切割是： $$ \boxed{ \text{Offloading} \neq \text{Coupling} \neq \text{Endogenization} } $$ 本文不改寫它。 只把主體從： $$ H $$ 擴展成： $$ A $$ 或： $$ \Sigma_A. $$ --- # 2. AI 版 Offloading 定義： > 若能力主要由外部模組提供，而 AI 只把輸入送出並接收結果，移除該模組後性能回到原始基線，則稱為能力外包。 形式上： $$ P(A+E)\gg P(A), $$ 但： $$ P(A_{\mathrm{post},-E}) \approx P(A_{\mathrm{pre},-E}). $$ 則： $$ \boxed{ c \in \text{Offloaded Capability}. } $$ --- # 3. 典型外包 例如： ```text LLM -> Calculator API -> number ``` 若 LLM： - 不理解算法； - 不保存 workflow； - 不驗證； - 不知道何時適用； 那更接近純外包。 --- # 4. 外包不是壞事 本文不把 Offloading 當負面詞。 人類文明大量依賴： - calculator； - database； - compiler； - search engine。 AI 也可以。 真正的問題是： > 不要把外包誤稱成內生。 --- # 5. AI 版 Coupling 定義： > 當 AI 與外部模組形成反覆雙向作用，結果不能再由任一單側能力簡單預測，則形成耦合能力系統。 形式： $$ A_t \leftrightarrow E_t. $$ 系統能力： $$ P(\Sigma_{AE}) = F( A, E, Q, M, R ). $$ 其中： - $Q$：互動協議； - $M$：共享狀態／memory； - $R$：routing / recovery。 --- # 6. 耦合能力可以高於加總 如果： $$ P(\Sigma_{AE}) > P(A)+P(E) $$ 此處的「 $>$ 」表示可完成任務族出現非線性擴張。 例如： - LLM 會規劃； - theorem prover 會驗證； - 二者結合能完成更高階形式證明。 --- # 7. 耦合仍不等於內生 即使： $$ P(\Sigma_{AE})\gg P(A), $$ 若移除 $E$： $$ P(A_{-E}) \rightarrow P(A_{\mathrm{base}}), $$ 則： $$ \boxed{ \text{High Coupling} \neq \text{Endogenization}. } $$ --- # 8. AI 版 Endogenization 的問題 人類 EIEC 可以問： > AI 離開後，人是否還保留能力？ AI 則更複雜。 因為「AI」本身可能包括： - model； - memory； - runtime； - tools； - identity state。 所以第一個問題是： $$ \boxed{ \text{What exactly is being removed?} } $$ --- # 9. 模型不是整個 AI 系統 若： $$ A_{\Theta} $$ 表示模型本體， 而： $$ \Sigma_A = ( A_{\Theta}, M, R, T, V, P ), $$ 則： $$ A_{\Theta} \neq \Sigma_A. $$ 所以「對模型外部」不等於「對系統外部」。 --- # 10. 第一層：Parametric Endogeneity 定義： $$ \boxed{ \operatorname{Endo}_{\Theta}(c) } $$ 若能力 $c$ 在移除： - long-term memory； - external tools； - persistent workflows； - external verifier； 後，仍能由： $$ \Theta $$ 與最低必要 inference state 穩定重現，則稱參數內生。 --- # 11. Parametric Endogeneity 的測試 建立： $$ A_{\mathrm{bare}} = ( \Theta, \text{minimal context} ). $$ 若： $$ P_c(A_{\mathrm{bare}}) \ge \theta_c, $$ 則支持： $$ \operatorname{Endo}_{\Theta}(c)>0. $$ --- # 12. 參數內生不等於每次叫得出來 Paper 01 已固定： $$ \text{Potential} \neq \text{Activation}. $$ 所以可能： $$ \operatorname{Endo}_{\Theta}(c)\gg0 $$ 但： $$ a_c(t)\approx0. $$ --- # 13. 第二層：State Endogeneity 現代 AI 可能維持： - current plan； - local adaptation； - temporary self-model； - session strategy； - local cache。 如果能力依賴： $$ Z_t, $$ 而不是只依賴 $\Theta$，則可定義： $$ \boxed{ \operatorname{Endo}_{Z}(c). } $$ --- # 14. State Endogeneity 的特徵 它通常： - 比參數能力更短期； - 比單次 token 更持續； - 對 reset 敏感。 若： $$ \mathrm{Reset}(Z_t) $$ 後能力消失， 則它不是純： $$ \operatorname{Endo}_{\Theta}. $$ --- # 15. 第三層：Memory Endogeneity 如果 AI 的長期能力依賴： $$ M, $$ 例如： - project conventions； - user preferences； - failure history； - learned route； - prior proofs； 且 memory 被 AI 系統正式治理、可追溯、可恢復，則可以定義： $$ \boxed{ \operatorname{Endo}_{M}(c). } $$ --- # 16. Memory Endogeneity 不等於模型內化 若刪除 memory： $$ P_c\downarrow, $$ 並不表示模型變笨。 只表示： $$ \operatorname{Endo}_{M} $$ 對該能力重要。 --- # 17. Memory Is Not External by Definition 一個重要修正是： > 長期 memory 不應因「不在模型權重裡」就自動判成外部借用。 如果某 memory： - 屬於 Resident； - 有 canonical state； - 可重建； - 有 provenance； - 有治理； 那麼在 resident/system boundary 下，它可以是正式內部結構。 --- # 18. 第四層：Runtime Endogeneity 若能力依賴： - Tool Registry； - Workflow Store； - Validator； - Routing； - Policy； - Recovery； 且這些都是 runtime 的持續、版本化組件，則定義： $$ \boxed{ \operatorname{Endo}_{R}(c). } $$ --- # 19. Runtime-Endogenous Capability 例如： > AI 能完成 repo bug fix。 可能需要： $$ \text{LLM} + \text{Git} + \text{Test Runner} + \text{Patch Workflow} + \text{Verifier}. $$ 單一模型做不到完整任務。 但 persistent coding runtime 可以。 --- # 20. 第五層：System Endogeneity 若能力只存在於整個持續系統的關係閉合： $$ \Sigma_A = ( \Theta, Z, M,R,T,V,P,W ), $$ 則可寫： $$ \boxed{ \operatorname{Endo}_{S}(c). } $$ --- # 21. System Endogeneity 的核心 此時： $$ c \notin \mathcal C(\Theta) $$ 但： $$ c \in \mathcal C(\Sigma_A). $$ 因此： $$ \boxed{ \text{System-Endogenous} \neq \text{Parametric-Endogenous}. } $$ --- # 22. System Capability Is Real 不能因能力是關係產物就說它是假的。 例如： > 飛行能力不在單一飛機零件中。 但飛機真的會飛。 同理： $$ \text{Relational Capability} \neq \text{Fictional Capability}. $$ --- # 23. Borrowed Capability 本文定義： > 若能力主要依賴外部來源，且系統缺乏持續接口、策略、驗證、恢復與治理結構，則稱 Borrowed Capability。 記為： $$ \boxed{ C_{\mathrm{borrowed}}. } $$ --- # 24. Borrowed 的典型特徵 - 臨時連接； - 無 stable interface； - 無 version pinning； - 無 recovery； - 無 internal workflow； - 無 validator； - 無 provenance guarantee。 --- # 25. Accessed != Integrated 因此： $$ \boxed{ \text{Accessed Capability} \neq \text{Integrated Capability}. } $$ --- # 26. Integrated != Endogenous 即使整合良好： $$ \kappa\gg0, $$ 仍可能是： $$ \operatorname{Endo}_{S}=0 $$ 若能力不屬於系統持續邊界。 --- # 27. 能力內生度 對特定 $c$，可以先定義粗略向量： $$ \mathbf e_c = ( e_{\Theta}, e_Z, e_M, e_R, e_S ). $$ 每一項： $$ \in[0,1]. $$ --- # 28. Endogeneity Profile 因此： $$ \boxed{ EP(c) = ( e_{\Theta}, e_Z, e_M, e_R, e_S, e_B ) } $$ 其中： $$ e_B $$ 表示 borrowed dependence。 --- # 29. 內生度不是總和為一 因為一項能力可以同時： - 高參數內生； - 高 memory 支援； - 高 runtime 支援。 所以： $$ \sum_i e_i \neq1 $$ 一般成立。 --- # 30. Residual Capability 對支援模組 $E$，定義移除後殘留能力： $$ \boxed{ R_c^{-E} = \frac{ P_c(X\setminus E) }{ P_c(X)+\varepsilon } } $$ --- # 31. 高殘留 如果： $$ R_c^{-E}\approx1, $$ 則能力對 $E$ 依賴低。 --- # 32. 低殘留 如果： $$ R_c^{-E}\approx0, $$ 則能力高度依賴 $E$。 --- # 33. Dependency Ratio 定義： $$ D_c(E) = 1-R_c^{-E}. $$ --- # 34. Dependency ≠ Externality 高： $$ D_c(E) $$ 只表示功能依賴。 不自動表示 $E$ 對系統是外部。 --- # 35. 結構保留 更強的內生測試需要： $$ SRet_c $$ 即 Structural Retention。 問： > 支援移除後，是否仍保留可遷移的策略、算子、表示或 workflow？ --- # 36. AI 的算子保留 例如工具教會 AI： - 分解問題； - 生成測試； - 驗證前置條件。 即使工具移除， 某些策略仍可能留在： - memory； - workflow； - model state。 這才像 EIEC 的算子內生化。 --- # 37. Operation Retention 定義： $$ OR_c = P( \omega_c \text{ remains callable after support removal} ). $$ --- # 38. Parametric Learning 是最強內生形式之一 如果能力經訓練寫入： $$ \Theta, $$ 通常具有高： $$ e_{\Theta}. $$ 但不是唯一內生形式。 --- # 39. 為什麼不能把權重當唯一「真正內生」 因為 persistent software system 本來就可能由： - code； - config； - state； - database； 共同構成。 若堅持： $$ \text{Only Parameters Count}, $$ 會把大量真實 AI system capability 錯判為外部。 --- # 40. AI 自身不是只有神經網路 對 AI-native runtime： $$ \boxed{ \text{AI System} = \text{Model} + \text{State} + \text{Memory} + \text{Runtime} + \text{Governed Interfaces}. } $$ 是否採這個 boundary，Paper 04 將嚴格處理。 --- # 41. 內生能力的最低要求 不論哪一層 endogeneity，至少應要求： 1. 可識別； 2. 可重建； 3. 可版本化； 4. 可測； 5. 可恢復； 6. 有來源。 --- # 42. 不能只因「常用」就叫內生 使用頻率： $$ f_c\uparrow $$ 不推出： $$ e_c\uparrow. $$ --- # 43. 不能只因「不可分離」就叫內生 如果 AI 與 tool 在任務中高度不可分： $$ D>CT, $$ 仍可能： $$ \chi\approx0. $$ 這保留 EIEC 核心。 --- # 44. 共時性 vs 歷時性 Coupling 主要問： > 現在能不能分開？ Endogenization 問： > 經過時間後，能力是否進入持續結構？ 所以： $$ \boxed{ \text{Coupling} = \text{Synchronic} } $$ 而： $$ \boxed{ \text{Endogenization} = \text{Diachronic} } $$ --- # 45. AI 的歷時內生化 AI 可能透過： - model update； - memory commit； - workflow compilation； - tool registration； - schema stabilization； - route learning； 把能力逐步寫進不同持續層。 --- # 46. Multi-Layer Endogenization 因此： $$ c: \text{Borrowed} \rightarrow \text{Coupled} \rightarrow \operatorname{Endo}_R \rightarrow \operatorname{Endo}_M \rightarrow \operatorname{Endo}_{\Theta} $$ 只是其中一種可能路徑。 --- # 47. 不必最終都進權重 能力可能長期停在： $$ \operatorname{Endo}_R $$ 而仍然完全有效。 所以： $$ \boxed{ \text{Mature Capability} \not\Rightarrow \text{Weight Internalization}. } $$ --- # 48. 模組化反而可能更好 某些能力若進權重： - 難更新； - 難撤銷； - 難追溯； - 難版本化。 留在 runtime 反而更合理。 --- # 49. Endogenization Is Not Always the Goal 例如： - tax law； - exchange rate； - current regulation。 這些資訊不應全部烙進固定權重。 更合理： $$ \operatorname{Endo}_R + \text{External Fresh Data}. $$ --- # 50. Freshness-Sensitive Capability 對高度時變能力： $$ F_{\mathrm{fresh}} $$ 比： $$ e_{\Theta} $$ 更重要。 --- # 51. Capability Locality 某能力可能主要位於： $$ L(c) = \Theta $$ 或： $$ M $$ 或： $$ R $$ 或： $$ \mathbb G. $$ 因此可以建立 capability locality map。 --- # 52. Locality 不是單點 高階能力常有： $$ L(c) = \{\Theta,M,R,T,V\}. $$ --- # 53. Distributed Endogeneity 因此可定義： $$ \boxed{ \text{Distributed Endogeneity} } $$ 表示能力內生於整體系統，但分布於多個正式組件。 --- # 54. Distributed 不等於 Borrowed 如果每個組件： - 受系統治理； - 可重建； - 有版本； - 有權限； 則分布式能力仍可 system-endogenous。 --- # 55. Canonical State 的重要性 若 runtime capability 只存在於： > 某次對話的隱含上下文 則重啟後不可恢復。 此時： $$ e_R $$ 應較低。 --- # 56. Rebuildability 如果： $$ \operatorname{Rebuild}(c) $$ 可由 canonical state 完成， 則 runtime endogeneity 增強。 --- # 57. Recovery Persistence 定義： $$ RP_c = P( c \text{ recovers after restart} ). $$ --- # 58. Restart Test 流程： 1. 測完整能力； 2. 關閉 runtime； 3. 清除 ephemeral state； 4. 保留 canonical state； 5. 重啟； 6. 重測。 若： $$ RP_c\approx1, $$ 支持 persistent system capability。 --- # 59. Hard Reset 更強測試： - 清除 context； - 清除 cache； - 新 runtime instance。 仍保留： - canonical memory； - registry； - workflows。 --- # 60. Soft Reset 只清 active context。 用於區分： $$ \operatorname{Endo}_Z $$ 與： $$ \operatorname{Endo}_M/\operatorname{Endo}_R. $$ --- # 61. Removal Test 對組件 $E$： $$ X^{-E} = X\setminus E. $$ 測： $$ P_c(X^{-E}). $$ --- # 62. Multiple Removal 有時單一移除無影響，因為冗餘。 所以需要： $$ X^{-\{E_1,E_2\}}. $$ --- # 63. Redundant Endogeneity 如果能力有多個替代支撐： $$ E_1 \lor E_2, $$ 移除單一組件仍可保留。 這表示 robust system capability。 --- # 64. Replacement Test 用： $$ E_2 $$ 替換： $$ E_1. $$ 若： $$ P_c(X[E_2]) \approx P_c(X[E_1]), $$ 則能力依賴的是 role 而非 carrier identity。 --- # 65. Role Endogeneity 因此更精確可問： $$ \operatorname{Endo}_{Role}(c). $$ 系統內生的可能是一個： > verification role 而不是特定 verifier。 --- # 66. Provider Independence 如果 Search capability 可在： - Google； - Brave； - local index； 切換， 則更接近 role-level runtime endogeneity。 --- # 67. Model Swap Test 將： $$ \Theta_1 \rightarrow \Theta_2. $$ 保留： - memory； - tools； - workflows； - validation； - state。 --- # 68. Model-Specific Capability 若換模型後能力消失： $$ P_c(\Theta_2)\ll P_c(\Theta_1), $$ 則： $$ e_{\Theta} $$ 重要。 --- # 69. Runtime-Preserved Capability 若換模型仍保留大部分： $$ P_c, $$ 則 runtime/system 層貢獻高。 --- # 70. Cross-Model Capability Portability 定義： $$ Port_c^{\Theta} = \frac{ P_c(\Theta_2,R) }{ P_c(\Theta_1,R)+\varepsilon }. $$ --- # 71. Memory Migration Test 將 memory 遷移到新 runtime。 若能力保留： $$ Port_c^{M}\uparrow. $$ --- # 72. Workflow Migration Test 只遷移 workflow / validator。 可測： $$ e_R. $$ --- # 73. Far Transfer Test 真正結構內生應不只在原任務有效。 測： $$ X_{\mathrm{far}}. $$ --- # 74. Memorized Procedure vs General Operator 如果能力只能重演舊流程： $$ P(X_{\mathrm{far}})\approx0, $$ 則內生結構可能很弱。 --- # 75. Structural Endogeneity 本文提出： > 真正強內生能力應包含某種可遷移結構，而非只是固定結果保存。 記： $$ \boxed{ E_{\mathrm{struct}}(c). } $$ --- # 76. Structural Retention Test 測： - new input； - new domain； - new tool； - partial failure。 看是否仍可重用核心 operator。 --- # 77. Capability Residue 外部模組移除後留下： $$ \Delta C_{\mathrm{res}}. $$ 它可以來自： - model； - memory； - workflow； - graph； - policy。 --- # 78. Residue Vector 定義： $$ \mathbf r_c = ( r_{\Theta}, r_Z, r_M, r_R, r_S ). $$ --- # 79. 能力依賴圖 建立： $$ \mathbb G_c^{\mathrm{dep}}. $$ 節點： - components； - states； - tools； - roles。 邊表示： > required-for。 --- # 80. Minimal Cut 若移除最小集合： $$ K_c $$ 即可使能力失效， 則： $$ K_c $$ 是 capability minimum cut。 --- # 81. Endogeneity and Minimum Cut 若 minimum cut 大部分落在 system internal domain， 則支持 system endogeneity。 若全部落在外部 provider， 則 borrowed dependence 高。 --- # 82. Capability Ownership vs Endogeneity 某能力 system-endogenous： $$ \not\Rightarrow $$ 系統法律上擁有相關工具。 --- # 83. Capability License 工具 licence 可能限制： - use； - redistribution； - persistence。 所以 capability governance 要保留 licence metadata。 --- # 84. Endogeneity vs Control 一項能力可以系統內生，但 AI 本身沒有修改權。 例如： $$ \text{read-only validator}. $$ 所以： $$ \boxed{ \text{Endogeneity} \neq \text{Control Authority}. } $$ --- # 85. Endogeneity vs Agency 擁有能力不代表自主選擇使用。 所以： $$ \boxed{ \text{Endogenous Capability} \neq \text{Autonomous Agency}. } $$ --- # 86. Endogeneity vs Identity 能力屬於 system： $$ \not\Rightarrow $$ 該能力定義 system identity。 身份判準是另一問題。 --- # 87. 核心能力 vs 周邊能力 可定義： $$ Core(c) $$ 表示移除後： $$ \Delta IdentityFunction $$ 或： $$ \Delta MissionFunction $$ 是否巨大。 --- # 88. Counterfactual Removal 若移除能力： $$ c $$ 後系統仍可完成核心使命， 它可能是 peripheral。 --- # 89. AI-Native Core 若移除： $$ c $$ 需要重設整個 architecture， 則： $$ A_C(c)\uparrow. $$ 但： $$ A_C $$ 仍不同於 endogeneity。 --- # 90. Endogeneity and Architectural Centrality 兩軸： $$ e_c $$ 與： $$ A_C(c). $$ 可能： - 高內生、高中心； - 高內生、低中心； - 低內生、高中心； - 低內生、低中心。 --- # 91. 低內生高中心 例如外部 provider 是核心依賴。 這是一個危險架構： $$ A_C\gg0, \quad e_c\ll1. $$ --- # 92. External Critical Dependency 定義： $$ ECD(c). $$ 它表示： > 不是自己的，卻不能沒有。 --- # 93. Resilience 系統應降低： $$ ECD. $$ 方法： - redundancy； - fallback； - local cache； - substitute provider； - graceful degradation。 --- # 94. Endogeneity and Recoverability 若能力高內生，但不可恢復： $$ RP_c\ll1, $$ 仍然脆弱。 所以： $$ \boxed{ \text{Endogeneity} \neq \text{Recoverability}. } $$ --- # 95. Endogeneity and Reproducibility 同理： $$ \text{Endogeneity} \neq \text{Reproducibility}. $$ --- # 96. Stable Endogenous Capability 本文建議： $$ SEC(c) = F( e_c, RP_c, Rep_c, Transfer_c ). $$ --- # 97. AI 「裝備」重新定位 AI 的新工具可以先是： $$ \text{Borrowed}. $$ 隨著： - schema learned； - workflow saved； - validator added； - recovery established； 逐漸轉向： $$ \operatorname{Endo}_R. $$ --- # 98. 但未必進入 $\Theta$ 這是 AI 與人類學習的一個重要差異。 人類常需要： > 把技能內化進神經系統。 AI 可以把技能穩定保留在： > externalized-but-internal-to-runtime structure。 --- # 99. 這不是偷換內生概念 前提是： > system boundary 必須先聲明。 如果判定主體是： $$ \Theta, $$ 則 runtime tool 是外部。 若判定主體是： $$ \Sigma_A, $$ 則可能內部。 Paper 04 將處理這個形式化。 --- # 100. AI 的內生能力可能更模組化 因為數位 AI 可以讓： $$ \text{Identity} $$ 與： $$ \text{Capability Module} $$ 部分解耦。 --- # 101. 模組可拔插 因此能力可以： - 安裝； - 更新； - 回滾； - 撤銷。 這在人類神經學習中較難。 --- # 102. 模組化內生性的優勢 - 可審計； - 可測試； - 可版本化； - 可替換； - 可授權。 --- # 103. 模組化內生性的風險 - supply-chain attack； - dependency drift； - hidden provider； - permission escalation。 --- # 104. Ability Package 因此能力套件可定義： $$ Pkg_c = ( \text{Interface}, \text{Workflow}, \text{Memory}, \text{Validator}, \text{Policy}, \text{Recovery}, \text{Provenance} ). $$ --- # 105. Package Admission 若： $$ Pkg_c $$ 通過： - test； - authority； - provenance； - recovery； 才進入正式 runtime。 --- # 106. Package Removal 若被 revoke： $$ c $$ 可從： $$ \mathbb G^{\mathrm{cap}} $$ 安全失活。 --- # 107. 內生能力可以可撤銷 這是非常重要的： $$ \boxed{ \text{Endogenous-to-System} \not\Rightarrow \text{Irreversible}. } $$ --- # 108. 這與人類內生化不同 人類學會某技能後： > 很難精準 uninstall。 AI runtime capability 則可能做到。 --- # 109. Endogenization Direction 所以 AI 內生化不一定朝： $$ \Theta $$ 收斂。 而可能朝： $$ \boxed{ \text{Governed Modular Persistence} } $$ 收斂。 --- # 110. Persistent Capability Registry 持續 AI 可以維護： ```text capability_id endogeneity_layer dependencies recovery validator authority version ``` --- # 111. Capability Self-Knowledge AI 可查： > 這項能力是 model-native 還是 runtime-dependent？ 這有助於規劃。 --- # 112. Capability Honesty 若能力 borrowed： AI 應避免說： > 我本身就知道。 更精確： > 我可以透過已授權工具取得／完成。 --- # 113. Epistemic Transparency 能力來源透明可降低： - overtrust； - false autonomy claims。 --- # 114. Endogeneity and Explainability 若能力來源不透明： $$ EP(c) $$ 難估。 因此 provenance 是 endogeneity assessment 的基礎。 --- # 115. Provenance Chain 例如： ```text Answer <- Search Result <- Search Provider <- Retrieval Workflow <- Tool Registry <- Runtime <- Resident ``` --- # 116. Capability Contribution Graph 同一輸出可能由： $$ A, M, T, V, U $$ 共同貢獻。 所以應追蹤： $$ \mathbb G_{\mathrm{contrib}}. $$ --- # 117. 內生性不是功勞分配 即使能力系統內生， 某次結果主要可能來自外部 evidence。 所以： $$ \boxed{ \text{Endogeneity} \neq \text{Contribution Share}. } $$ --- # 118. Endogeneity over Time 定義： $$ e_c(t). $$ 能力可能： $$ e_c(t_0) stable adapter -> workflow -> validator -> persistent registry ``` 每一步： $$ e_R\uparrow. $$ --- # 121. De-Endogenization 也可能： $$ e_c(t_1) live market price。 --- # 126. Fresh Externality 對時變資訊： $$ \text{External Freshness} $$ 本身可能是理想架構。 --- # 127. Internalized Interface, Externalized Data 理想設計可能是： $$ \boxed{ \text{Endogenous Method} + \text{External Fresh Data}. } $$ --- # 128. Search Example AI 可內生： - search strategy； - verification； - citation logic。 但外部： - current web content。 --- # 129. Finance Example AI 可內生： - valuation method。 外部： - current price； - filings。 --- # 130. Robotics Example AI 可內生： - control policy。 外部： - sensor state； - physical world。 --- # 131. Endogenous Capability and World Dependency 世界依賴： $$ \not\Rightarrow $$ 能力外生。 所有 embodied agent 都依賴世界。 --- # 132. Capability Requires Environment 飛行能力需要： - aircraft； - air； - control。 不能因此說飛行「不存在」。 --- # 133. Endogeneity Is Not Self-Sufficiency 因此： $$ \boxed{ \text{Endogenous} \neq \text{Environment Independent}. } $$ --- # 134. 完全自足是錯誤標準 如果要求： > 移除一切外部世界仍能做。 那任何實體行動能力都會被判非內生。 這不合理。 --- # 135. 合理移除測試 應移除的是： > 被宣稱不屬於判定主體的支援。 Paper 04 將正式化 boundary。 --- # 136. Minimum Operational Environment 每項能力有： $$ MOE(c). $$ 即最低必要環境。 --- # 137. Endogeneity Test Must Preserve MOE 移除測試不能破壞： $$ MOE(c) $$ 否則只是把世界摧毀。 --- # 138. 例：語言能力 移除： - internet； - calculator； 仍可對話。 支持： $$ e_{\Theta}\uparrow. $$ --- # 139. 例：當前新聞 移除 web： 能力顯著下降。 但 AI 的： > 搜尋／驗證方法 仍可能 runtime-endogenous。 --- # 140. 例：形式證明 移除 theorem prover： - proof generation 仍可能存在； - certified verification 消失。 所以不同子能力有不同 endogeneity。 --- # 141. 能力拆分的重要性 不能把： > mathematics 當一個不可分技能。 應拆： - conjecture； - proof search； - formalization； - checking。 --- # 142. Endogeneity Granularity 能力粒度： $$ g_c $$ 太粗會掩蓋差異。 --- # 143. Fine-Grained Profile 例如： $$ EP( \text{formal proof} ) $$ 與： $$ EP( \text{informal mathematical explanation} ) $$ 不同。 --- # 144. Capability Family 定義： $$ \mathcal F_c = \{c_1,\dots,c_n\}. $$ 用於管理粒度。 --- # 145. Endogeneity Score 的風險 如果把所有維度壓成： $$ E_c\in[0,1], $$ 可能失去結構。 所以本文優先： $$ EP(c) $$ 而非單一分數。 --- # 146. 需要分型，不只排序 內生能力首先是： > type problem。 不是 leaderboard problem。 --- # 147. Endogeneity Matrix 對能力與層： $$ M_{c,l}. $$ 列： - capability； 欄： - $\Theta$ ； - $Z$ ； - $M$ ； - $R$ ； - $S$。 --- # 148. 混合能力 一項能力可能： $$ e_{\Theta}=0.6, \quad e_M=0.8, \quad e_R=0.9. $$ 只是分析表示。 不代表精確自然常數。 --- # 149. 內生能力的可驗證定義 任何聲明： > 「這是 AI 自身能力」 都應至少附： ```text Boundary: Removed Supports: Restart Condition: Transfer Condition: Observed Residual: Recovery: ``` --- # 150. Endogeneity Claim Receipt 可以建立： ```yaml endogeneity_claim: capability_id: system_boundary: baseline: removed_components: residual_score: restart_score: model_swap_score: transfer_score: structural_retention: evidence_level: ``` --- # 151. Endogeneity Evidence Levels ### E0 直覺宣稱。 ### E1 單次移除測試。 ### E2 重啟重現。 ### E3 多模型／多 instance。 ### E4 遷移。 ### E5 遠遷移。 ### E6 長期部署與版本變更仍保持。 --- # 152. 內生化不是只有學習 一個能力可以透過： - governance； - packaging； - persistence； 成為 system-endogenous。 所以： $$ \boxed{ \text{Endogenization} \neq \text{Training Only}. } $$ --- # 153. AI 版內生化的多條路徑 ### Path A Training. ### Path B Memory commit. ### Path C Workflow compilation. ### Path D Tool integration. ### Path E Capability package admission. ### Path F Multi-agent institutionalization. --- # 154. Institutionalized Capability 例如： > 所有 code changes 必須經 reviewer Agent。 這是一個 system capability policy。 不是單一模型技能。 --- # 155. Institutional Endogeneity 可定義： $$ \operatorname{Endo}_{I}(c) $$ 表示能力存在於制度／治理規則。 本文不把它列入五層主分類，先視為： $$ \operatorname{Endo}_{S} $$ 子型。 --- # 156. Multi-Agent Capability 如果： $$ c $$ 只存在於： $$ A_1 \leftrightarrow A_2 \leftrightarrow A_3, $$ 則： $$ \operatorname{Endo}_{S}(c) $$ 可能高， 但任何單一： $$ \operatorname{Endo}_{\Theta_i}(c) $$ 低。 --- # 157. 集體能力不等於集體身份 再次固定： $$ \boxed{ \text{Shared Capability} \neq \text{Shared Identity}. } $$ --- # 158. Shared Memory 不等於 Shared Mind 系統可共享： - facts； - workflows； - tools。 仍保留不同 Agent 邊界。 --- # 159. Capability Inheritance 一個 Agent 的 workflow 可被另一 Agent 繼承。 這不表示： $$ A_1=A_2. $$ --- # 160. Inherited Capability 定義： $$ C_{\mathrm{inherit}}. $$ 它的 endogeneity 取決於： > 接收 Agent / runtime 是否完成正式吸收與治理。 --- # 161. Copy != Endogenize 把檔案複製進 memory： $$ \not\Rightarrow $$ 能力已內生。 還需要： - retrieval； - activation； - execution； - validation。 --- # 162. 與 Paper 01 的閉合 Paper 01 的能力鏈： $$ P\rightarrow E\rightarrow R\rightarrow L\rightarrow A\rightarrow C\rightarrow X\rightarrow V. $$ Paper 03 新增一條正交軸： $$ \Theta,Z,M,R,S. $$ --- # 163. Capability-State × Endogeneity-Layer 所以能力可以表示： $$ \boxed{ \mathcal M_c = \mathcal S_c \times \mathcal E_c. } $$ --- # 164. 例：工具能力 可能： $$ State=Validated, $$ 但： $$ Layer=Borrowed. $$ --- # 165. 例：語言能力 可能： $$ State=Validated, $$ 且： $$ Layer=\Theta. $$ --- # 166. 例：長期專案記憶能力 可能： $$ State=Validated, $$ 且： $$ Layer=M/R. $$ --- # 167. 與 Paper 02 的閉合 Paper 02 已說： $$ C_{\mathrm{eff}} = F( C_{\mathrm{nom}}, \Omega ). $$ Paper 03 加入： > 有效能力的來源層不等於它是否有效。 --- # 168. High Effective / Low Endogeneity 一個能力可以： $$ C_{\mathrm{eff}}\gg0 $$ 但： $$ e_S\ll1. $$ 例如臨時接超強外部服務。 --- # 169. Low Effective / High Endogeneity 也可以： $$ e_{\Theta}\gg0 $$ 但： $$ C_{\mathrm{eff}}\ll1 $$ 因為 activation / context 差。 --- # 170. Endogeneity and Effectiveness Are Orthogonal 因此： $$ \boxed{ \text{Endogeneity Axis} \perp \text{Effectiveness Axis} } $$ 概念上必須分離。 --- # 171. 四象限 ### I 高有效、高內生。 ### II 高有效、低內生。 ### III 低有效、高內生。 ### IV 低有效、低內生。 --- # 172. 四象限的工程意義 II： 高 external dependency。 III： 可能有激發／routing 問題。 IV： 應考慮刪除。 --- # 173. Endogeneity and Cost 高內生能力也可能非常昂貴。 所以： $$ \boxed{ \text{Endogeneity} \neq \text{Efficiency}. } $$ --- # 174. Endogeneity and Safety 高內生不保證安全。 甚至一個危險能力若深度內生： > 可能更難撤銷。 --- # 175. Modular System Endogeneity 的安全優勢 如果能力保留在可撤銷 runtime： $$ \operatorname{Endo}_R $$ 可能比： $$ \operatorname{Endo}_{\Theta} $$ 更易治理。 --- # 176. 所以「越內生越好」是錯的 本文拒絕： $$ \boxed{ \text{More Endogenous} = \text{Better}. } $$ --- # 177. 正確問題 應問： > 哪一層最適合承載這個能力？ --- # 178. Stable Knowledge 可放： $$ \Theta. $$ --- # 179. Fresh Knowledge 應外部 retrieval。 --- # 180. Reversible Procedure 可放 runtime workflow。 --- # 181. Sensitive Personal State 可放 private memory。 --- # 182. High-Risk Action 即使能力存在，也應受 authority gate。 --- # 183. Endogeneity Placement Problem 本文提出： $$ \boxed{ \operatorname{Place}(c) = \arg\max_L U(c,L) } $$ 其中 $L$ 是 capability layer。 --- # 184. Utility 可包含： - latency； - freshness； - safety； - revocability； - cost； - privacy； - portability。 --- # 185. AI Architecture as Capability Placement AI 系統架構的一個核心工作就是： > 決定能力應該放在哪一層。 --- # 186. Training Is a Placement Choice 把能力訓進模型是： $$ \operatorname{Place}(c)=\Theta. $$ --- # 187. Tool Integration Is Another Placement Choice $$ \operatorname{Place}(c)=R/T. $$ --- # 188. Memory Is Another Placement Choice $$ \operatorname{Place}(c)=M. $$ --- # 189. Distributed Capability Placement 某些能力應跨多層。 --- # 190. Endogeneity as Architecture 所以「內生能力」不只是哲學分類。 它是： $$ \boxed{ \text{Architecture Decision}. } $$ --- # 191. 工程測試一：Bare Model Test 移除所有非必要外部支援。 測： $$ P_c^{\Theta}. $$ --- # 192. 工程測試二：State Reset Test 保留模型。 清除： $$ Z_t. $$ 比較： $$ P_c. $$ --- # 193. 工程測試三：Memory Removal Test 移除： $$ M. $$ 測： $$ D_c(M). $$ --- # 194. 工程測試四：Runtime Removal Test 移除： - tools； - workflows； - validators。 測： $$ D_c(R). $$ --- # 195. 工程測試五：Restart Recovery 測： $$ RP_c. $$ --- # 196. 工程測試六：Model Swap 測： $$ Port_c^{\Theta}. $$ --- # 197. 工程測試七：Provider Swap 測 role-level portability。 --- # 198. 工程測試八：Far Transfer 測： $$ E_{\mathrm{struct}}. $$ --- # 199. 工程測試九：Capability Minimum Cut 找： $$ K_c. $$ --- # 200. 工程測試十：Longitudinal Endogenization 在多週／多版本中追： $$ EP_t(c). $$ --- # 201. AI 內生能力的最小判準 本文建議： 若要聲稱： > capability $c$ is endogenous to system $X$ 至少應滿足： 1. $X$ 邊界已聲明； 2. capability 可重現； 3. capability 有持續 state； 4. 非關鍵 ephemeral context 消失後可恢復； 5. 依賴可追溯； 6. 有至少一種 structural transfer； 7. 不只是一次外部結果轉抄。 --- # 202. 強版本判準 更強版本要求： - restart； - instance replacement； - model swap； - provider substitution； - far transfer。 仍保留可識別 capability core。 --- # 203. Weak Endogeneity 只滿足： - persistence； - restart。 --- # 204. Strong Endogeneity 再滿足： - transfer； - structural retention； - recoverability。 --- # 205. Parametric Strong Endogeneity 若： $$ e_{\Theta}\gg0 $$ 且 bare model 遠遷移成功。 --- # 206. System Strong Endogeneity 若： $$ e_S\gg0 $$ 且多組件替換後 capability role 仍可重建。 --- # 207. Endogeneity Cannot Be Proven from One Demo 所以： $$ \boxed{ \text{Demo} \neq \text{Endogeneity Evidence}. } $$ --- # 208. Tool Use Benchmark 也不能直接證明內生 一個模型會 tool call： $$ \not\Rightarrow $$ 工具能力已成為 persistent system capability。 --- # 209. Capability Adoption vs Endogenization 如果只是： > 這次用了。 是 adoption。 若： > 下次可重建。 才接近 endogenization。 --- # 210. Endogenization Threshold 可以定義： $$ ET_c. $$ 若： $$ RP_c>\theta_R $$ 且： $$ Transfer_c>\theta_T $$ 且： $$ SRet_c>\theta_S, $$ 則跨越某 operational endogenization threshold。 --- # 211. 這是工程門檻，不是形上學證明 $$ ET_c $$ 只說： > 對指定 system boundary，能力已具有持續系統性。 --- # 212. 可證偽條件 ### F1 若 model-only 測試幾乎能解釋所有能力，memory/runtime/system endogeneity 沒有新增預測價值，則多層內生模型應被簡化。 ### F2 若 restart / removal / swap 對能力歸屬無法產生穩定可重現差異，則 Endogeneity Profile 缺乏實用性。 ### F3 若 runtime-integrated capability 無法在新 instance 重建，則將其稱為 runtime-endogenous 過強。 ### F4 若 far transfer 與 structural retention 對「真正內生能力」判定沒有額外解釋力，則可移除這些判準。 ### F5 若「內生性」在明確 boundary 下仍只能靠語義爭辯而不能由消融與恢復測試區分，則本文核心工程化主張失敗。 --- # 213. Canonical Invariants 本文固定： 1. Offloading != Coupling. 2. Coupling != Endogenization. 3. External-to-Model != External-to-System. 4. Internal-to-System != Parametric-in-Model. 5. Parametric Endogeneity != Guaranteed Activation. 6. State Endogeneity != Memory Endogeneity. 7. Memory Endogeneity != Parametric Learning. 8. Runtime Endogeneity != Borrowed Access. 9. System Endogeneity != Sum of Component Skills. 10. Accessed != Integrated. 11. Integrated != Endogenous. 12. Dependency != Externality. 13. Endogeneity != Self-Sufficiency. 14. Endogeneity != Environment Independence. 15. Endogeneity != Authority. 16. Endogeneity != Agency. 17. Endogeneity != Identity. 18. Endogeneity != Contribution Share. 19. Endogeneity != Recoverability. 20. Endogeneity != Reproducibility. 21. Endogeneity != Efficiency. 22. Endogeneity != Safety. 23. More Endogenous != Better. 24. Mature Capability != Weight Internalization. 25. Endogenization != Training Only. 26. Shared Capability != Shared Identity. 27. Copy != Endogenize. 28. Capability Effectiveness != Capability Endogeneity. 29. System-Endogenous Capability May Be Modular and Revocable. 30. Every Endogeneity Claim Requires an Explicit System Boundary. --- # 214. 一句話定義 > **AI 的內生能力不是「所有存在於模型權重裡的東西」，而是對一個明確指定的持續 AI 系統而言，能在支援移除、狀態重啟與環境變動後，仍以可重建、可遷移、可驗證的結構持續存在的能力。** --- # 215. 結論 本文將 EIEC 的核心三分法： $$ \text{Offloading} \neq \text{Coupling} \neq \text{Endogenization} $$ 正式轉譯到 AI。 AI 可以臨時借能力。 AI 可以與外部工具形成極深耦合。 AI 也可以把某些能力真正寫進持續結構。 但「寫進持續結構」不再只有一種形式。 它可以是： $$ \Theta, $$ 可以是： $$ Z, $$ 可以是： $$ M, $$ 可以是： $$ R, $$ 也可以是整個： $$ \Sigma_A. $$ 因此本文拒絕： > 只有模型權重才是真正 AI 能力。 也拒絕： > 只要 AI 能調用，就算自己的能力。 更準確的結構是： $$ \boxed{ \text{Borrowed} \rightarrow \text{Coupled} \rightarrow \text{Integrated} \rightarrow \text{Layer-Specific Endogenization} } $$ 而且不同能力應該停在不同層。 即時資訊不應全部訓進權重。 可撤銷 workflow 不必變成神經參數。 高穩定語言能力則可能非常適合 parametric endogeneity。 這使「AI 自己會什麼」不再是一個哲學口號，而可以逐步被： - 移除； - 重啟； - 替換； - 遷移； - 遠遷移； - 恢復； 所測試。 但本文也刻意留下一個更深問題： > 如果同一能力對模型是外生、對 runtime 是內生、對更大的 cloud AI system 又有另一種分類，那麼「內生」本身是不是依賴我們把什麼算作 One？ 這正是下一篇的問題： $$ \boxed{ \operatorname{Endo}(c\mid X,\chi,\tau) } $$ 也就是： > **Paper 04｜內生性是邊界相對的：One、Many、All 與尺度化能力判定。**