--- title: "有效能力不是模型能力：任務、使用者、上下文、算力與驗證的條件化" english_title: "Effective Capability Is Not Model Capability: Task-, User-, Context-, Compute-, and Verification-Conditioned AI Performance" 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: "02 / 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／有效能力條件化／人機耦合與計算轉化架構" 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" predecessor_theories: - "MPD 的人機耦合狀態" - "智能計算轉化與分配定律" - "脈衝式智能發展與現實耦合閾值" - "表徵閘門猜想" - "Distributed Cognitive Runtime" --- # 有效能力不是模型能力 ## ——任務、使用者、上下文、算力與驗證的條件化 # Effective Capability Is Not Model Capability ## Task-, User-, Context-, Compute-, and Verification-Conditioned AI Performance **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 當代 AI 評估最常見的抽象，是把一個模型表示成一組近似固定的能力值：數學能力、程式能力、推理能力、搜尋能力、寫作能力、規劃能力。然而，只要模型被放進真實產品、Agent Runtime、工具系統、人機協作流程或長期任務中，這種抽象便快速失效。相同底層模型，在不同任務定義、不同使用者、不同上下文、不同計算資源、不同工具、不同記憶、不同驗證器與不同權限條件下，可以形成截然不同的實際可完成任務域。 本文提出： $$ \boxed{ \text{Nominal Model Capability} \neq \text{Effective AI Capability} } $$ 並將有效能力定義為條件化能力函數： $$ \boxed{ \mathcal C_{\mathrm{eff}} = F( \mathcal C_{\mathrm{nom}}, Q, U, X, M, T, K, R, V, P, L, W, S ) } $$ 其中： - $\mathcal C_{\mathrm{nom}}$：模型／系統名義能力； - $Q$：任務與問題規格； - $U$：使用者／上游智能體耦合； - $X$：工作上下文與表徵； - $M$：持續記憶； - $T$：工具與可執行環境； - $K$：實際分配計算； - $R$：routing / orchestration； - $V$：驗證與反證； - $P$：權限與政策； - $L$：延遲與時限； - $W$：外部世界狀態； - $S$：長程狀態連續性。 本文承接 Paper 01 的八層能力狀態： $$ P \rightarrow E \rightarrow R \rightarrow L \rightarrow A \rightarrow C \rightarrow X \rightarrow V $$ 並提出：上述能力鏈本身並不足以決定實際表現。即使某能力已達 Validated Effective 層，只要任務規格不完整、使用者無法提供必要領域約束、上下文被污染、算力不足、工具失效、權限受限或世界狀態改變，該能力在當下仍可能不可實現。 本文因此建立三個層級： $$ \boxed{ \mathcal C_{\mathrm{latent}} \supseteq \mathcal C_{\mathrm{available}} \supseteq \mathcal C_{\mathrm{effective}} } $$ 並進一步區分： 1. **模型名義能力**； 2. **系統可用能力**； 3. **任務條件有效能力**； 4. **使用者—AI 聯合有效能力**； 5. **經驗證可承諾能力**。 本文還提出「能力條件向量」「條件化能力曲面」「任務適配係數」「人機耦合係數」「上下文品質係數」「計算配置係數」「狀態連續係數」「驗證增益／驗證稅」「權限切面」「延遲可行域」等概念，以將 Same Model ≠ Same Effective Capability 從直覺轉化為可測研究框架。 最後，本文提出： $$ \boxed{ \text{Effective Capability} = \text{Nominal Capability} \times \text{Conditioning Quality} - \text{Dissipation} } $$ 作為零階直覺式，並指出真正成熟的 AI benchmark 必須從只測「模型」轉向同時測量 model、runtime、user coupling、tooling、memory、verification 與 world-grounding。 --- ## 關鍵詞 Effective Capability；Nominal Capability；Human–AI Coupling；Task Fit；Context Quality；Compute Allocation；Verification；Memory；Tool Use；Runtime；State Continuity；Capability Conditioning；AI Benchmark；Capability Surface；Capability Dissipation --- # 0. 問題：同一模型為什麼不像同一個工具？ 假設兩個人都使用同一模型： $$ A. $$ 且： - 模型版本相同； - 參數相同； - 推理引擎相同。 若 AI 是一台固定函數計算器，則可以近似： $$ A_{u_1} = A_{u_2}. $$ 但現代 AI 並不是只接受固定格式輸入。 它會依賴： - 使用者提供的資訊； - 任務規格； - context； - tools； - memory； - inference budget； - feedback； - validation； - authority； - environment。 因此實際系統更像： $$ A_{\mathrm{eff}} = A \mid \Omega, $$ 其中： $$ \Omega $$ 為條件集合。 所以： $$ \boxed{ \text{Same Model} \neq \text{Same Effective System} } $$ --- # 1. 名義能力 定義： $$ \mathcal C_{\mathrm{nom}}(A) $$ 表示模型／系統在標準測試或理想條件下可表現出的能力域。 它可能來自： - benchmark； - provider documentation； - internal eval； - controlled test。 名義能力有用。 但它不是當下實際能力。 --- # 2. 可用能力 定義： $$ \mathcal C_{\mathrm{avail}}(A,t) $$ 為時間 $t$ 下，系統技術上可調用的能力。 例如： - tool online； - memory mounted； - model available； - quota sufficient； - permission present。 所以： $$ \mathcal C_{\mathrm{avail}} \subseteq \mathcal C_{\mathrm{nom}}^{\mathrm{system}} $$ 通常成立。 --- # 3. 有效能力 定義： > 對任務 $q$，在指定時間、資源、狀態、權限、上下文與驗證條件下，系統真正能穩定完成的能力。 形式上： $$ \boxed{ \mathcal C_{\mathrm{eff}}(q,t) = \operatorname{Realize} ( \mathcal C_{\mathrm{avail}}, \Omega_{q,t} ) } $$ 其中： $$ \Omega_{q,t} $$ 為條件狀態。 --- # 4. 能力條件向量 本文定義： $$ \boxed{ \boldsymbol\omega_{q,t} = ( \phi_Q, \phi_U, \phi_X, \phi_M, \phi_T, \phi_K, \phi_R, \phi_V, \phi_P, \phi_L, \phi_W, \phi_S ) } $$ 每個 $\phi_i$ 表示一個條件維度。 --- # 5. 任務適配係數 定義： $$ \phi_Q = \operatorname{Fit}(A,q). $$ 它描述： > 模型／系統結構與任務本身是否相容。 例如： - 一個擅長 coding 的模型對法律證據分析未必同樣強； - 一個視覺模型對純符號證明未必適合。 因此： $$ \boxed{ \text{General Capability} \neq \text{Uniform Domain Capability} } $$ --- # 6. Task Specification Quality 任務本身也可能規格不足。 定義： $$ Q_{\mathrm{spec}}. $$ 若： $$ Q_{\mathrm{spec}}\downarrow, $$ 則： - ambiguity 上升； - branch explosion 上升； - validation 變難； - output selection 變差。 因此： $$ \phi_Q = F( \text{domain fit}, Q_{\mathrm{spec}} ). $$ --- # 7. 任務模糊度 定義： $$ H_Q = \text{Task Ambiguity}. $$ 通常： $$ H_Q\uparrow \Rightarrow C_{\mathrm{coord}}\uparrow. $$ 如果 AI 必須先猜使用者到底想做什麼，更多計算會消耗在 intent recovery。 --- # 8. 任務分解品質 對大型任務： $$ q \rightarrow \{q_1,\dots,q_n\}. $$ 若分解不良： - 子任務互相衝突； - 遺漏依賴； - 重複工作； - 驗收無法閉合。 所以： $$ \boxed{ \text{Task Decomposition} \text{ is a capability conditioner.} } $$ --- # 9. 使用者耦合係數 定義： $$ \phi_U = C_{\mathrm{HA}}(u,d,t). $$ 它不代表親密度。 而是： > 使用者與 AI 在領域 $d$ 、時間 $t$ 下形成有效協作的能力。 --- # 10. Same Model ≠ Same Effective Tool 即使： $$ A_{u_1} = A_{u_2}, $$ 仍可能： $$ \phi_U(u_1) \neq \phi_U(u_2). $$ 所以： $$ \mathcal C_{\mathrm{eff}}(u_1) \neq \mathcal C_{\mathrm{eff}}(u_2). $$ --- # 11. 使用者提供的是額外狀態，不只是 prompt 使用者可能提供： - domain knowledge； - constraints； - acceptance criteria； - counterexamples； - history； - taste； - risk judgment。 因此： $$ U $$ 不是外部噪聲。 它可能是 system cognition 的輸入層。 --- # 12. 專業使用者的槓桿 專業使用者不只自己更強。 他可能讓 AI： - 少猜； - 少走錯路； - 更快修正； - 使用正確術語； - 設定更好測試。 所以： $$ \boxed{ \Delta H \text{ can induce } \Delta A_{\mathrm{effective}}. } $$ --- # 13. 新手也可能獲得巨大增益 但： $$ \phi_U $$ 高不等於只有專家能用 AI。 AI 可以大幅降低： - entry barrier； - syntax barrier； - procedural barrier。 所以新手也可能從： $$ P\approx0 $$ 提升到： $$ P>0. $$ --- # 14. 相對增益與絕對增益 定義： $$ G_{\mathrm{abs}} = P(H+A)-P(H). $$ 以及： $$ G_{\mathrm{rel}} = \frac{ P(H+A)-P(H) }{ P(H)+\varepsilon }. $$ 新手可能： $$ G_{\mathrm{rel}} $$ 更高。 專家可能： $$ G_{\mathrm{abs}} $$ 更高。 兩者不矛盾。 --- # 15. 使用者校正能力 定義： $$ C_{\mathrm{corr}}(u). $$ 若使用者能快速判斷： - hallucination； - wrong scope； - bad architecture； - hidden assumption； 則 system error persistence 降低。 --- # 16. 驗收條件能力 一個重要人類能力是： $$ C_{\mathrm{accept}}(u). $$ 也就是： > 能否定義「什麼才算完成」。 這會直接影響 Agent 是否無限漂移。 --- # 17. 上下文品質 定義： $$ \phi_X = Q_{\mathrm{context}}. $$ Context 不是越多越好。 --- # 18. Context Completeness 若必要條件缺失： $$ Q_{\mathrm{context}}\downarrow. $$ 但完整不等於把所有歷史都塞進去。 --- # 19. Context Relevance 定義： $$ R_X = \frac{ \text{Relevant Information} }{ \text{Total Context} }. $$ 如果： $$ R_X\downarrow, $$ 模型可能： - 分心； - 誤取舊狀態； - 被不相關模式干擾。 --- # 20. Context Contradiction Context 中若同時存在： $$ x $$ 與： $$ \neg x, $$ 而沒有 version / temporal semantics， 則能力可能下降。 因此： $$ \boxed{ \text{More Context} \neq \text{Better Context}. } $$ --- # 21. Context Freshness 對動態世界資訊： $$ F_X(t). $$ 一條舊資訊可能曾經正確，但現在錯。 所以 context quality 必須包含 freshness。 --- # 22. Context Provenance 相同句子： > server is healthy 若來源不同，其可靠度不同。 Context 應帶： - source； - time； - authority； - status。 --- # 23. Context Compilation Persistent memory 不應整包送入模型。 應： $$ M \rightarrow \operatorname{CompileContext}(q) \rightarrow X_q. $$ 所以： $$ \boxed{ \text{Context Quality} \text{ depends on compilation.} } $$ --- # 24. Memory 條件 定義： $$ \phi_M = Q_M. $$ Memory 可以提升： - continuity； - retrieval； - learned workflow； - user alignment。 --- # 25. Memory 也可能傷害能力 如果 memory： - stale； - wrong； - overgeneralized； - unauthorized； - duplicated； 則： $$ Q_M<0 $$ 的效果可能出現。 因此： $$ \boxed{ \text{Persistent Memory} \neq \text{Persistent Improvement}. } $$ --- # 26. Memory Retrieval 真正影響能力的是： $$ M \rightarrow R_M(q). $$ 而不是 memory 容量。 所以： $$ \boxed{ \text{Memory Size} \neq \text{Memory Utility}. } $$ --- # 27. 工具條件 定義： $$ \phi_T = Q_T. $$ 工具可以： - 擴張 action space； - 增加 precision； - 提供 external state； - 執行 verification。 --- # 28. Tool Presence vs Tool Utility 工具存在： $$ T\in \mathrm{Registry} $$ 不代表： $$ Q_T>0. $$ 如果： - API unstable； - schema unclear； - latency high； - output unreliable； 工具反而可能降低有效能力。 --- # 29. Tool Selection 工具越多，routing 問題越難。 因此： $$ |T|\uparrow $$ 可能使： $$ D_{\mathrm{routing}}\uparrow. $$ --- # 30. Tool Composition 複雜任務通常需要： $$ T_1\rightarrow T_2\rightarrow T_3. $$ 因此： $$ Q_T $$ 也取決於 tool composition。 --- # 31. 計算配置 定義： $$ \phi_K = Q_K. $$ 同一模型可用： - shallow inference； - extended reasoning； - multi-sample； - search； - self-consistency； - verifier loop。 --- # 32. 可見 Token 不是計算量 輸出： $$ N_{\mathrm{out}} $$ 不能穩定代表： $$ C_{\mathrm{compute}}. $$ 因為系統可能使用大量 hidden compute。 --- # 33. 計算分配 定義： $$ K_{\mathrm{alloc}} = K_{\mathrm{base}} + K_{\mathrm{reason}} + K_{\mathrm{branch}} + K_{\mathrm{tool}} + K_{\mathrm{verify}} + K_{\mathrm{memory}} + K_{\mathrm{route}}. $$ --- # 34. 更多算力不必然更好 若： $$ \eta_K $$ 低， 則： $$ K\uparrow $$ 只會增加成本。 因此： $$ \boxed{ \text{More Compute} \neq \text{More Effective Capability}. } $$ --- # 35. 推理時計算適配 某些任務受益於： $$ K_{\mathrm{reason}}\uparrow. $$ 某些簡單任務則可能沒有明顯增益。 所以 compute allocation 需要 task-conditioned routing。 --- # 36. 計算轉化效率 定義： $$ \eta_{\mathrm{comp}} = \frac{ \Delta P_{\mathrm{useful}} }{ K_{\mathrm{alloc}} }. $$ --- # 37. 系統級計算效率 進一步： $$ \eta_{\mathrm{sys}} = F( \eta_{\mathrm{model}}, \eta_{\mathrm{route}}, \eta_{\mathrm{memory}}, \eta_{\mathrm{tool}}, \eta_{\mathrm{verify}} ). $$ --- # 38. Routing 條件 定義： $$ \phi_R = Q_R. $$ Routing 包括： - model selection； - tool selection； - memory route； - agent selection； - verifier selection。 --- # 39. Routing 是 Meta-Capability 如果 routing 弱： $$ \mathcal C_{\mathrm{available}} $$ 很大， 仍可能： $$ \mathcal C_{\mathrm{effective}} $$ 很小。 --- # 40. Routing Error 定義： $$ E_R = P( \text{wrong capability path selected} ). $$ 降低 $E_R$ 可以不修改模型權重卻顯著提高有效能力。 --- # 41. Verification 條件 定義： $$ \phi_V = Q_V. $$ Verifier 可以： - reject； - repair； - reroute； - request evidence； - stop。 --- # 42. 驗證增益 若： $$ P_{\mathrm{raw}} $$ 為原始成功率， $$ P_{\mathrm{verified}} $$ 為驗證後成功率， 則： $$ G_V = P_{\mathrm{verified}} - P_{\mathrm{raw}}. $$ --- # 43. 驗證稅 驗證也有成本： $$ T_V = C_{\mathrm{compute}} + C_{\mathrm{latency}} + C_{\mathrm{coord}}. $$ 因此： $$ \boxed{ \text{Verification Gain} \neq \text{Free Gain}. } $$ --- # 44. 過度驗證 若低風險任務使用高強度 verifier： $$ T_V \gg G_V. $$ 則系統變慢。 所以 verification policy 也需要 task fit。 --- # 45. Validator Quality 錯誤 verifier 會形成： $$ \text{False Confidence}. $$ 所以： $$ \boxed{ \text{Having a Verifier} \neq \text{Having Reliable Verification}. } $$ --- # 46. 權限條件 定義： $$ \phi_P = Q_P. $$ AI 可能知道怎麼做，卻沒有權限。 所以： $$ \mathcal C_{\mathrm{authorized}} \subseteq \mathcal C_{\mathrm{executable}}. $$ --- # 47. Capability vs Authority 再固定： $$ \boxed{ \text{Capability} \neq \text{Authority}. } $$ --- # 48. 權限切面 能力圖在給定 principal 下： $$ \mathbb G^{\mathrm{cap}} $$ 會被投影成： $$ \mathbb G^{\mathrm{cap}}_P. $$ 也就是 authority-conditioned capability graph。 --- # 49. Authority Revocation 若權限撤銷： $$ P_t(c)=0, $$ 有效能力立即下降，即使底層技術能力未變。 --- # 50. Latency 條件 定義： $$ \phi_L. $$ 很多能力在理論上可做，但如果： $$ T_{\mathrm{response}} > T_{\mathrm{deadline}}, $$ 則對任務而言等效失效。 --- # 51. Latency Feasible Set 定義： $$ \mathcal C_L = \{ c: T_c \le T_{\mathrm{deadline}} \}. $$ 所以 realtime system 的能力域不同於 offline research system。 --- # 52. 世界條件 定義： $$ \phi_W = Q_W. $$ 能力是否有效也取決於外界。 例如： - market open； - robot sensor healthy； - website accessible； - game state permits action。 --- # 53. World Availability 外部服務關閉： $$ W_t $$ 改變。 能力可能失效，即使模型完全沒變。 --- # 54. State Continuity 定義： $$ \phi_S = Q_S. $$ 長期 Agent 若每次都忘記： $$ S_{t-1}, $$ 就會重做工作。 --- # 55. State Dissipation 定義： $$ D_S. $$ 包含： - context loss； - stale summary； - memory mismatch； - branch confusion； - identity discontinuity。 --- # 56. State Continuity Gain 若 persistent runtime 保存： - task state； - world state； - decisions； - failures； 則： $$ D_S\downarrow. $$ --- # 57. 零階能力式 本文先給直覺式： $$ \boxed{ C_{\mathrm{eff}} = C_{\mathrm{nom}} \cdot Q_{\mathrm{cond}} - D } $$ 其中： $$ Q_{\mathrm{cond}} $$ 為條件品質。 --- # 58. 條件品質 可寫： $$ Q_{\mathrm{cond}} = \Phi( \phi_Q, \phi_U, \phi_X, \phi_M, \phi_T, \phi_K, \phi_R, \phi_V, \phi_P, \phi_L, \phi_W, \phi_S ). $$ 不預設是簡單乘法。 --- # 59. 為什麼不能直接相乘 如果： $$ \phi_P=0, $$ 某些 action capability 直接失效。 這是 gate。 而： $$ \phi_U $$ 可能只是增益。 不同條件的數學角色不同。 --- # 60. Gate / Gain / Cost 因此條件至少分三類。 ### Gate 不成立就不可用。 ### Gain 提高成功率。 ### Cost 消耗資源。 所以： $$ \Omega = ( \text{Gates}, \text{Gains}, \text{Costs} ). $$ --- # 61. Hard Gate 例如： $$ \text{Permission}=0. $$ 則： $$ C_{\mathrm{exec}}=0. $$ --- # 62. Soft Gain 例如： $$ Q_{\mathrm{context}}\uparrow $$ 可能只是提高成功率。 --- # 63. Cost Constraint 如果： $$ \text{Cost}(c)>\text{Budget}, $$ 即使能力存在也不可調用。 --- # 64. Effective Capability Surface 對兩個主要變數： $$ x,y, $$ 可以畫： $$ P_c = f(x,y). $$ 例如： $$ P_c = f( K_{\mathrm{compute}}, Q_{\mathrm{context}} ). $$ 這是一個 capability surface。 --- # 65. 高維能力流形 真正系統則是： $$ P_c = F( \boldsymbol\omega ). $$ 所以有效能力是一個高維條件流形上的函數。 --- # 66. Capability Ridge 某些區域： $$ P_c $$ 會快速上升。 這代表 capability threshold。 --- # 67. Capability Cliff 某些條件稍降： $$ P_c \rightarrow0. $$ 例如： - tool unavailable； - permission revoked； - missing dependency。 這是 capability cliff。 --- # 68. Robust Capability 真正 robust capability 要求： $$ P_c $$ 在合理條件擾動下仍穩定。 --- # 69. Fragile Capability 若： $$ \left| \nabla_{\omega} P_c \right| $$ 很大， 能力對條件極敏感。 --- # 70. Capability Elasticity 定義： $$ \epsilon_i^c = \frac{ \partial \ln P_c }{ \partial \ln \phi_i }. $$ 表示能力對某條件的敏感度。 --- # 71. 找真正瓶頸 若： $$ \epsilon_K^c\approx0 $$ 但： $$ \epsilon_X^c\gg0, $$ 那增加算力沒用。 應改 context。 --- # 72. 能力診斷 因此 system optimization 不是： > 永遠換更大模型。 而是： $$ \operatorname{Diagnose} ( \arg\max_i |\epsilon_i^c| ). $$ --- # 73. 同一模型的多種 effective regimes 同一模型可形成： ### Regime A Model-only. ### Regime B Model + context. ### Regime C Model + tools. ### Regime D Model + memory + verifier. ### Regime E Persistent agent runtime. 這些是不同有效能力系統。 --- # 74. Model Capability Benchmark 的局限 只測： $$ B(A) $$ 會混淆： - model； - prompt； - runtime； - tools； - evaluator。 --- # 75. System Benchmark 本文主張增加： $$ B(A,R,\Omega). $$ 其中： $$ R $$ 是 runtime。 --- # 76. Benchmark Profile 評估報告應標示： ```text Model Inference Mode Context Tools Memory Verifier Compute Budget Human Intervention Authority World Access ``` --- # 77. 沒有 profile 的 benchmark 不完整 如果兩個 benchmark 條件不同： $$ B_1 $$ 與： $$ B_2, $$ 直接比較「模型能力」可能誤導。 --- # 78. Human-in-the-Loop 若人類提供： - plan； - correction； - selection； - final validation； 則結果是： $$ C_{\mathrm{HA}} $$ 而不是純： $$ C_A. $$ --- # 79. Human-Out-of-the-Loop 若 AI 獨立： - plan； - execute； - verify； - stop； 則測量的是另一種能力域。 不能混用。 --- # 80. AI-in-the-Loop 人類也可能是主要 agent，AI 只是： - critic； - search； - checker。 這也是另一個系統。 --- # 81. 有效能力的主體邊界 因此任何能力聲明都必須指定： $$ X. $$ 例如： $$ X=A $$ 或： $$ X=H+A $$ 或： $$ X=A+\text{Runtime}. $$ --- # 82. 這不只是 Benchmark 問題 它也是本體問題： > 到底是在評估模型、Agent、團隊，還是整個生產系統？ --- # 83. 能力轉化 從 nominal 到 effective： $$ \mathcal C_{\mathrm{nom}} \rightarrow \mathcal C_{\mathrm{eff}} $$ 需要 conversion process。 --- # 84. Capability Conversion Efficiency 定義： $$ \eta_C = \frac{ |\mathcal C_{\mathrm{effective}}| }{ |\mathcal C_{\mathrm{available}}| } $$ 這是粗略集合版。 --- # 85. 加權版 若不同能力價值不同： $$ \eta_C^{w} = \frac{ \sum_c w_c P_c^{\mathrm{eff}} }{ \sum_c w_c P_c^{\mathrm{avail}} }. $$ --- # 86. 低轉化效率 系統可能： - 名義能力很強； - 工具很多； - memory 很大； 但： $$ \eta_C\ll1. $$ 這是典型「看起來很強，實際不好用」。 --- # 87. 高轉化效率 較小模型配好 runtime 可能： $$ \eta_C\uparrow. $$ 因此小模型可能在特定任務打贏大模型。 --- # 88. Model Scale vs System Efficiency $$ N_{\mathrm{params}}\uparrow $$ 不推出： $$ \eta_C\uparrow. $$ --- # 89. Capability Dissipation 定義： $$ D = D_Q+ D_U+ D_X+ D_M+ D_T+ D_K+ D_R+ D_V+ D_P+ D_L+ D_W+ D_S. $$ 這是概念分解，不要求線性。 --- # 90. Coordination Dissipation 多 Agent / 多工具常見： $$ D_{\mathrm{coord}}. $$ 如果過高： $$ C_{\mathrm{team}} < C_{\mathrm{single}}. $$ --- # 91. Verification Dissipation 驗證不良會： - 重複檢查； - false reject； - false accept； - endless loop。 --- # 92. Context Dissipation 長上下文若混入大量無關歷史： $$ D_X\uparrow. $$ 這和 Paper 08 直接相連。 --- # 93. State Dissipation 若每次 restart 都： $$ \tau_{\mathrm{restore}}\gg0, $$ 長期能力下降。 --- # 94. 世界摩擦 即使 AI 決策很快，世界可能慢。 例如： - build； - compile； - robot move； - manufacturing； - legal approval。 所以： $$ C_{\mathrm{digital}} $$ 不直接等於： $$ C_{\mathrm{world}}. $$ --- # 95. 脈衝式能力釋放 若瓶頸： $$ b $$ 突然解除： $$ \phi_b: 0\rightarrow1, $$ 可能導致： $$ C_{\mathrm{eff}} $$ 跳升。 --- # 96. Capability Backlog 如果： $$ C_{\mathrm{nom}} \gg C_{\mathrm{eff}}, $$ 則可定義： $$ B_C = C_{\mathrm{nom}} - C_{\mathrm{eff}} $$ 作為能力積壓。 --- # 97. 能力積壓的來源 包括： - weak tools； - no memory； - bad UI； - low authority； - poor verifier； - insufficient compute； - slow world。 --- # 98. 解除瓶頸比訓練新模型更重要的情況 若： $$ \frac{ \partial C_{\mathrm{eff}} }{ \partial \phi_i } > \frac{ \partial C_{\mathrm{eff}} }{ \partial C_{\mathrm{nom}} }, $$ 短期改善條件比換模型更划算。 --- # 99. Capability ROI 定義： $$ ROI_i = \frac{ \Delta C_{\mathrm{eff}} }{ \Delta \text{Cost}_i }. $$ 用來決定： - upgrade model； - add memory； - improve tool； - improve validator。 --- # 100. 使用者也是能力投資方向 改善： $$ C_{\mathrm{HA}} $$ 可能比升級模型更便宜。 例如： - better specification； - reusable templates； - domain ontology； - acceptance tests。 --- # 101. 組織吸收能力 企業即使買了最強 AI： $$ A^*, $$ 若： $$ Q_{\mathrm{org}}\ll1, $$ 有效能力仍低。 --- # 102. AI Adoption ≠ AI Absorption 因此： $$ \boxed{ \text{AI Access} \neq \text{AI Absorption}. } $$ --- # 103. 組織的 effective capability 可寫： $$ C_{\mathrm{org,eff}} = F( A, H, \text{Process}, \text{Data}, \text{Authority}, \text{Integration}, \text{Validation} ). $$ --- # 104. 長期共同歷史 使用者與 AI 的共同歷史可能提高： $$ \phi_U, \phi_X, \phi_M. $$ 因此 coupling 本身可形成資本。 --- # 105. 但共同歷史也可能形成鎖定 如果： - 舊假設； - 舊偏見； - 錯誤 memory； 持續累積， 則： $$ D_M\uparrow. $$ --- # 106. Dynamic Coupling 所以： $$ C_{\mathrm{HA}}(u,d,t) $$ 不是固定。 可以： $$ C_{\mathrm{HA}}(t+1) = F( C_{\mathrm{HA}}(t), \text{Feedback}_t, \text{History}_t ). $$ --- # 107. Effective Capability 也是歷時的 $$ C_{\mathrm{eff}}(t) $$ 會改變，即使模型版本不變。 --- # 108. 為什麼產品體感會變 同一模型可能因： - server load； - inference policy； - tool availability； - memory changes； - UI changes； 讓使用者感覺「變笨」或「變強」。 --- # 109. Model Regression vs System Regression 若： $$ C_{\mathrm{eff}}\downarrow, $$ 不必然： $$ C_{\mathrm{nom}}\downarrow. $$ 可能只是： $$ \phi_i\downarrow. $$ --- # 110. Regression Diagnosis 因此 regression test 應分： - model； - context； - tool； - memory； - routing； - verifier； - latency； - permission。 --- # 111. Capability Attribution 成功結果： $$ y $$ 不應全部歸因於模型。 應建立： $$ \operatorname{Attrib}(y) = ( A,U,X,M,T,K,R,V,\dots ). $$ --- # 112. Attribution 不是責任判決 這只是 causal contribution。 不直接等於： - legal responsibility； - authorship； - ownership。 --- # 113. Product Design Implication 如果有效能力高度條件化，產品設計重點不應只有： > expose the model. 而應是： > construct the right capability conditions. --- # 114. AI-Native Interface AI-native 產品應管理： - context； - tools； - memory； - permissions； - verification； - recovery。 而不是只放聊天框。 --- # 115. Capability UX 好的 UX 可以提高： $$ \phi_U, \phi_X, \phi_T. $$ 所以 UX 本身可以改變 effective capability。 --- # 116. Voice / Semantic UI 自然語言介面可以降低： $$ K_{\mathrm{interaction}}. $$ 讓同樣底層能力更可達。 --- # 117. Accessibility 若無障礙設計提高： $$ \phi_U, $$ 則有效能力對更多使用者上升。 --- # 118. Capability Equality 同一模型對不同群體不一定提供相同： $$ C_{\mathrm{eff}}. $$ 因此公平性研究也應關注： - interface； - language； - domain familiarity； - accessibility。 --- # 119. Language Effect 若使用者以不同語言互動： $$ Q_{\mathrm{context}} $$ 與： $$ Q_{\mathrm{elicitation}} $$ 可能不同。 --- # 120. Cross-Language Capability 所以： $$ C_{\mathrm{eff}}^{zh} \neq C_{\mathrm{eff}}^{en} $$ 可能存在。 這不一定是模型「偏見」，也可能是 representation coverage 差異。 --- # 121. Capability Conditioning Matrix 可建立： $$ M_{ci} = \frac{ \partial P_c }{ \partial \phi_i }. $$ 每列是能力，每欄是條件。 --- # 122. Condition Dominance 如果某能力主要依賴： $$ \phi_T, $$ 則 tool-heavy。 若主要依賴： $$ \phi_U, $$ 則 user-coupling-heavy。 --- # 123. Capability Architecture Classification 可以按主導條件分： - model-dominant； - memory-dominant； - tool-dominant； - world-dominant； - user-coupled； - verifier-dependent。 --- # 124. 這將接到 Paper 03 Paper 03 的核心問題將是： > 如果一項能力主要來自 runtime、memory、tools 或 world，那它到底算不算 AI 自己的能力？ 本文故意不回答。 --- # 125. Conditional Capability Envelope 定義： $$ \mathcal E_c = \{ \boldsymbol\omega: P_c(\boldsymbol\omega) \ge \theta \}. $$ 它表示： > 能力 $c$ 可以可靠存在的條件域。 --- # 126. Narrow Envelope 若： $$ |\mathcal E_c| $$ 很小， 能力脆弱。 --- # 127. Wide Envelope 若： $$ |\mathcal E_c| $$ 很大， 能力 robust。 --- # 128. Capability Portability 若模型換 runtime 後： $$ \mathcal E_c $$ 大致保留， 則 capability portability 高。 --- # 129. Runtime Portability 如果能力只能在特定： - provider； - tool； - memory； 運作，則 portability 低。 --- # 130. Effective Capability Is Relational 本文因此提出： $$ \boxed{ C_{\mathrm{eff}} \text{ is relational.} } $$ 它存在於： $$ \text{Model} \leftrightarrow \text{Task} \leftrightarrow \text{User} \leftrightarrow \text{Runtime} \leftrightarrow \text{World}. $$ --- # 131. Relational 不等於虛假 能力受條件影響，不表示能力「不存在」。 就像： - 飛機需要空氣動力條件； - 程式需要 runtime； - 人需要工具與環境。 條件性不取消真實性。 --- # 132. Effective Capability Is Not Arbitrary 條件化也不是隨便解釋。 必須： - 列條件； - 可測； - 可重現； - 可消融。 --- # 133. 實驗一：Same Model, Different User 固定： - model； - task； - tools。 改變 user expertise / specification。 測： $$ \Delta C_{\mathrm{eff}}. $$ --- # 134. 實驗二：Same Model, Different Context 固定 user、task。 改變： - context length； - relevance； - freshness； - contradiction。 測： $$ P_c. $$ --- # 135. 實驗三：Same Model, Different Compute 比較： - instant； - medium reasoning； - high reasoning； - multi-sample。 測： $$ \frac{ \Delta P_c }{ \Delta K }. $$ --- # 136. 實驗四：Tool Ablation 依序移除： - browser； - code runner； - database； - theorem prover。 建立： $$ \Delta C^{-T_i}. $$ --- # 137. 實驗五：Verifier Ablation 比較： ```text Generate Only Generate + Self-Check Generate + External Verifier Generate + External Verifier + Repair ``` --- # 138. 實驗六：Memory Ablation 比較： ```text No Memory Summary Memory Structured Memory Graph Memory Canonical State + Retrieval ``` --- # 139. 實驗七：State Reset 測： - session reset； - runtime restart； - model swap。 觀察： $$ C_{\mathrm{eff}} $$ 恢復率。 --- # 140. 實驗八：Authority Cut 撤銷： - read； - write； - execute。 測 capability graph 如何收縮。 --- # 141. 實驗九：Latency Budget 設定： $$ T_{\max} $$ 逐步下降。 測： $$ \mathcal C_{\mathrm{eff}}(T_{\max}). $$ --- # 142. 實驗十：World Perturbation 改變 environment： - API offline； - schema change； - game state change； - sensor noise。 測 robustness。 --- # 143. Minimal Effective Capability Record ```yaml capability_id: model: task_scope: user_coupling: context_quality: memory_state: tools: compute_budget: routing: validator: authority: latency_budget: world_dependencies: state_continuity: observed_success: transfer_success: restart_success: cost: ``` --- # 144. Capability Condition Receipt 每次高價值 execution 可以產生： ```yaml condition_receipt: capability_id: runtime_version: model_version: state_head: tool_versions: validator_version: authority_scope: compute_budget: context_digest: result: ``` 這有利於 debug。 --- # 145. 能力不可重現的常見原因 如果某次成功無法再現，可能是： - context 不同； - model version； - tool version； - random seed； - hidden compute； - memory； - environment。 沒有 receipt 很難知道。 --- # 146. Capability Reproducibility 定義： $$ Rep(c) = P( \text{same relevant conditions} \Rightarrow \text{same capability class outcome} ). $$ --- # 147. 可重現不要求完全相同輸出 語言模型輸出可以不同。 重點是： $$ \text{Outcome Class} $$ 一致。 --- # 148. Effective Capability Contract 產品對外可宣告： $$ \mathcal K_c = ( \text{Scope}, \text{Conditions}, \text{SLA}, \text{FailureModes} ). $$ --- # 149. Capability SLA 例如： > 在 repo < 100k LOC、完整測試可執行、權限為 read/write、15 分鐘 budget 下，完成某類 bug fix。 這比： > AI can code. 精確很多。 --- # 150. 高階能力最需要條件化 越複雜任務： $$ n_{\mathrm{dependencies}}\uparrow. $$ 因此： $$ \frac{ C_{\mathrm{eff}} }{ C_{\mathrm{nom}} } $$ 可能更敏感。 --- # 151. 簡單任務更接近模型能力 例如： > 翻譯一句話。 所需條件少。 所以： $$ C_{\mathrm{eff}} \approx C_{\mathrm{nom}}. $$ --- # 152. 長程 Agent 差距更大 對： > 完成一個大型軟體專案。 需要： - persistent state； - tools； - tests； - planning； - authority； - recovery。 所以： $$ C_{\mathrm{eff}} $$ 高度 runtime-conditioned。 --- # 153. 世界模型差距更極端 短片生成可能主要依賴模型。 長期世界則依賴： - persistent state； - causal engine； - memory； - multi-agent； - world controller。 --- # 154. AI 原生系統的真正競爭 未來競爭不只： $$ \Theta_1 \text{ vs } \Theta_2. $$ 而是： $$ \boxed{ (\Theta,R)_1 \text{ vs } (\Theta,R)_2. } $$ --- # 155. 模型商品化後 Runtime 更重要 若模型差距下降： $$ \Delta C_{\mathrm{nom}}\downarrow, $$ 則： $$ \Delta R $$ 對產品差異的重要性可能上升。 --- # 156. 但 Runtime 不能救所有弱模型 如果： $$ C_{\mathrm{nom}}\approx0 $$ 對核心任務， 再好的 runtime 也可能無法補。 所以： $$ \boxed{ \text{Runtime Multiplies Capability} \neq \text{Runtime Creates Anything from Nothing}. } $$ --- # 157. Capability Floor 存在： $$ C_{\mathrm{floor}}(q). $$ 模型低於此門檻，某些 tool / workflow 無法有效利用。 --- # 158. Capability Ceiling 同樣存在： $$ C_{\mathrm{ceiling}}(R). $$ 若 runtime 太差，再強模型也被壓住。 --- # 159. Model–Runtime Matching 最佳系統不是： $$ \max \Theta $$ 而可能是： $$ \arg\max_{\Theta,R} \frac{ C_{\mathrm{eff}}(\Theta,R) }{ Cost(\Theta,R) }. $$ --- # 160. CP 值 這接到本系列的重要現實問題： > 更長 context、更大模型、更多 agent 是否真的划算？ 真正應比較： $$ \frac{ \Delta C_{\mathrm{eff}} }{ \Delta Cost }. $$ --- # 161. Capability Marginal Return 定義： $$ MR_i = \frac{ \partial C_{\mathrm{eff}} }{ \partial \text{Cost}_i }. $$ --- # 162. Context 的邊際回報 若： $$ MR_{\mathrm{context}}\downarrow, $$ 繼續增加 linear context CP 值下降。 這預告 Paper 08。 --- # 163. Compute 的邊際回報 推理時計算也可能： $$ MR_K\downarrow. $$ 所以需要 adaptive allocation。 --- # 164. Human Attention 的成本 人類校正也不是免費。 定義： $$ Cost_H. $$ 如果需要人類一直 babysit： $$ C_{\mathrm{eff}} $$ 可能高，但 autonomy 低。 --- # 165. Human Attention Efficiency 定義： $$ \eta_H = \frac{ \Delta C_{\mathrm{eff}} }{ Cost_H }. $$ --- # 166. Human–AI Coupling 的成熟目標 不是最大化人類操作量。 而是： > 用最少必要人類高價值判斷，換最大有效能力。 --- # 167. Agent 的成熟目標 也不是完全無人。 而是： $$ \boxed{ \text{Right Human at Right Decision Boundary}. } $$ --- # 168. Effective Capability 與自主性 高有效能力不等於高 autonomy。 系統可能： $$ C_{\mathrm{eff}}\gg0 $$ 但完全依賴 human approval。 --- # 169. Autonomy Axis 因此 autonomy 是另一軸： $$ A_{\mathrm{auto}}. $$ 不能和 capability 合併。 --- # 170. Capability–Autonomy Plane 可以建立： - low capability / low autonomy； - high capability / low autonomy； - low capability / high autonomy； - high capability / high autonomy。 --- # 171. 高自主低能力很危險 如果： $$ A_{\mathrm{auto}}\uparrow $$ 但： $$ V\downarrow, $$ 可能產生大量錯誤 action。 --- # 172. 高能力低自主也有價值 例如： - expert advisor； - proof assistant； - medical literature search。 --- # 173. Capability–Authority Plane 能力和權限也應分離。 高能力： $$ \neq $$ 高權限。 --- # 174. Capability–Trust Plane Trust 應來自： $$ \text{Evidence} $$ 而不是 model brand。 --- # 175. Trust Calibration 定義： $$ T_c \approx P_{\mathrm{validated}}(c). $$ 過度信任： $$ T_c>P_{\mathrm{real}}. $$ 低估： $$ T_c user 在 distributed systems 很強 就推出： > user 在稅法也強。 --- # 182. Capability Conditioning 的安全含義 高耦合讓能力變強。 也可能讓錯誤更快傳播。 --- # 183. Negative Coupling 若 user correction 是錯的： $$ C_{\mathrm{HA}} $$ 可能負向。 因此： $$ \boxed{ \text{Coupling} \neq \text{Improvement}. } $$ --- # 184. Positive Coupling 若雙方能： - challenge； - verify； - correct； 則： $$ C_{\mathrm{HA}}>0. $$ --- # 185. Effective Capability Is Co-Produced 在人機系統中： $$ C_{\mathrm{eff}} $$ 往往是共同生產。 --- # 186. Co-Production 不等於 Joint Identity 即使能力由： $$ H+A $$ 共同形成， 也不推出： $$ H=A. $$ --- # 187. Co-Production 不等於平均責任 責任仍取決於： - control； - authority； - foreseeability； - role。 --- # 188. Ability vs Result 一個好結果： $$ y $$ 不必然證明高能力。 可能是： - luck； - memorization； - easy instance。 所以需要 task distribution。 --- # 189. Capability Distribution 對能力 $c$： $$ P_c = P( \text{success} \mid q\sim D_c ). $$ --- # 190. Distribution Shift 若： $$ D_{\mathrm{test}} \neq D_{\mathrm{real}}, $$ benchmark 會失真。 --- # 191. Real-World Effective Capability 所以真正部署要測： $$ D_{\mathrm{real}}. $$ --- # 192. Capability Drift 隨： - model update； - tool update； - world change； $$ P_c(t) $$ 會漂移。 --- # 193. Continuous Evaluation 因此高價值 capability 需要： $$ \operatorname{Eval}_t. $$ --- # 194. Capability Decay 若外部依賴變動： $$ P_c(t+\Delta t) < P_c(t). $$ 能力可能衰退。 --- # 195. Capability Refresh 重新： - train； - update workflow； - update memory； - update verifier； 可恢復。 --- # 196. 能力不是一次取得永久有效 這再次說明： $$ \boxed{ \text{Capability} \text{ is temporally maintained.} } $$ --- # 197. Paper 02 的核心母公式 本文最終採： $$ \boxed{ \mathcal C_{\mathrm{eff}}(q,u,t) = F( \mathcal C_{\mathrm{nom}}, \boldsymbol\omega_{q,u,t} ) } $$ 其中： $$ \boldsymbol\omega_{q,u,t} = ( Q,U,X,M,T,K,R,V,P,L,W,S ). $$ --- # 198. 零階增益—耗散式 為直覺化： $$ \boxed{ C_{\mathrm{eff}} = C_{\mathrm{nom}} \cdot G_{\mathrm{cond}} - D_{\mathrm{cond}} } $$ 其中： - $G_{\mathrm{cond}}$：條件增益； - $D_{\mathrm{cond}}$：條件耗散。 --- # 199. 更嚴格的集合式 令： $$ \mathcal C_{\mathrm{avail}} $$ 為可用能力。 則： $$ \boxed{ \mathcal C_{\mathrm{eff}} = \{ c\in \mathcal C_{\mathrm{avail}} : \operatorname{Feasible}(c,\Omega)=1 \land P_c(\Omega)\ge\theta_c \} } $$ --- # 200. Feasible 條件 至少包括： $$ \operatorname{Feasible} = Gate_Q \land Gate_T \land Gate_P \land Gate_L \land Gate_W. $$ --- # 201. Quality 條件 再由： $$ Gain_U, Gain_X, Gain_M, Gain_K, Gain_R, Gain_V, Gain_S $$ 決定成功率與品質。 --- # 202. Canonical Invariants 本文固定： 1. Nominal Capability != Effective Capability. 2. Same Model != Same Effective Tool. 3. Capability Is Task-Conditioned. 4. Capability Is User-Coupling-Conditioned. 5. More Context != Better Context. 6. Memory Size != Memory Utility. 7. Tool Presence != Tool Utility. 8. More Compute != More Effective Capability. 9. Routing Is a Meta-Capability. 10. Having a Verifier != Reliable Verification. 11. Capability != Authority. 12. Theoretical Reachability != Deadline Feasibility. 13. Digital Capability != World Capability. 14. State Continuity Conditions Long-Horizon Capability. 15. Model Regression != System Regression. 16. AI Access != AI Absorption. 17. Coupling != Improvement. 18. Expertise Is Domain-Conditioned. 19. Human–AI Effective Capability Can Be Co-Produced. 20. Co-Production != Identity Merger. 21. Benchmark Result != Real-World Effective Capability. 22. Capability Is Temporally Maintained. 23. Runtime Can Amplify Capability but Cannot Guarantee Capability from Nothing. 24. Model Scale != Capability Conversion Efficiency. 25. Effective Capability Is Relational but Not Arbitrary. --- # 203. 可證偽條件 ### F1 若在大量真實任務中，使用者、context、memory、tools、compute、verification 等條件對表現只產生極小影響，則本文的強條件化主張被削弱。 ### F2 若同一模型在固定 benchmark 與真實部署間高度穩定，且 runtime 差異幾乎不影響結果，則 model-centric capability model 已足夠。 ### F3 若使用者專業、task specification 與 correction quality 對 AI 產出沒有穩定可測影響，則 Human–AI Coupling 係數的重要性下降。 ### F4 若增加 memory、tools、verifier 等只能改變速度，不能擴大可完成任務域，則 system-level effective capability 應被重新縮窄。 ### F5 若本文高維條件模型無法比簡單 model-score 模型更好預測實際成功率、成本與 failure mode，則應簡化。 --- # 204. 最小工程 MVP 建立一個固定任務集。 對同一模型執行： ```text A. Model Only B. + Structured Context C. + Persistent Memory D. + Tools E. + Verifier F. + High Compute G. + Expert User Constraints H. Full Runtime ``` 比較： - success； - cost； - latency； - transfer； - restart； - robustness。 --- # 205. 最重要的工程問題 不要只問： > 要不要換更強模型？ 而應問： > 現在真正限制有效能力的是哪一個條件？ --- # 206. Capability Optimization 因此： $$ \boxed{ \operatorname{Improve} = \arg\max_i \frac{ \Delta C_{\mathrm{eff}} }{ \Delta \text{Cost}_i } } $$ 這才是系統工程的合理方向。 --- # 207. 與 Paper 01 的關係 Paper 01 問： > 一項能力目前在哪個狀態？ Paper 02 問： > 即使能力狀態固定，外部條件如何決定它現在能不能有效實現？ 所以： $$ \boxed{ \text{Capability State} + \text{Conditioning} = \text{Effective Capability}. } $$ --- # 208. 與 Paper 03 的關係 Paper 03 將進一步問： > 如果有效能力高度依賴 memory、tools、runtime、user、world，哪些算 AI 的內生能力，哪些只是外包或耦合？ 所以本文故意只回答： $$ \text{How capability becomes effective} $$ 不回答： $$ \text{Who owns capability ontologically}. $$ --- # 209. 與 Paper 05 的關係 快速再耦合準內生化需要先知道： $$ C_{\mathrm{eff}} $$ 在 restore 前後是否保留。 因此本文的 condition receipt / restart test 將成為 Paper 05 的測量基礎。 --- # 210. 與 Paper 08 的關係 Paper 08 將處理： > 為什麼 linear context 的 CP 值下降。 本文已提供一個入口： $$ MR_{\mathrm{context}} = \frac{ \Delta C_{\mathrm{eff}} }{ \Delta Cost_{\mathrm{context}} }. $$ --- # 211. 一句話定義 > **有效 AI 能力不是模型參數所標示的一個固定能力值，而是名義能力在特定任務、使用者、上下文、記憶、工具、算力、路由、驗證、權限、延遲、世界與狀態連續性條件下，被真正實現出的可用能力。** --- # 212. 結論 當 AI 還只是： $$ \text{Input} \rightarrow \text{Model} \rightarrow \text{Output}, $$ 把「模型能力」近似成「AI 能力」尚可接受。 但當系統變成： $$ \boxed{ \text{User} + \text{Task} + \text{Model} + \text{Context} + \text{Memory} + \text{Tools} + \text{Compute} + \text{Routing} + \text{Verification} + \text{Authority} + \text{World} + \text{Persistent State} } $$ 後， 真正可觀測的是： $$ \mathcal C_{\mathrm{eff}}, $$ 而不是裸： $$ \mathcal C_{\mathrm{nom}}. $$ 因此： $$ \boxed{ \text{Same Model} \neq \text{Same Effective Capability}. } $$ 一個模型可以在不同 runtime 裡像不同等級的系統。 同一個 AI 對不同使用者可以是不同生產工具。 同一個 capability 在不同 context、compute、tool、verification 與 authority 條件下，可以從幾乎不可用跨越到高度可靠。 這不是說模型本身不重要。 而是說： > **模型只是有效能力生成方程中的一個核心變數，而不是整個方程。** 下一篇因此將進入更難的問題： $$ \boxed{ \text{當能力由模型、memory、tools、runtime 與外部世界共同形成時，到底哪些才算 AI「自己」的能力？} } $$ 也就是： > **Paper 03｜外包、耦合與內生化的 AI 版本：真正的內生能力是什麼？**