---
title: "潛能不是激發：從表徵閘門到可調用能力"
english_title: "Potential Is Not Activation: From Representational Gating to Callable 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: "01 / 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／能力狀態論／表徵與激發架構"
status: "Canonical Series Draft"
encoding: "UTF-8"
depends_on:
  - "DCAO_Paper00_AI_Capability_Ontology_Master_Framework_v0.1_zh-TW.md"
predecessor_theories:
  - "表徵閘門猜想"
  - "潛能—激發矩陣生成論"
  - "外部智慧內生化命題 EIEC"
---

# 潛能不是激發
## ——從表徵閘門到可調用能力

# Potential Is Not Activation
## From Representational Gating to Callable 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

大型語言模型與現代 AI 系統最容易被誤判的問題之一，是把「沒有展現」直接等同於「沒有能力」，或反過來把「曾經展現」直接等同於「隨時擁有穩定能力」。這兩種判定都忽略了一個核心事實：現代神經網路中的能力並不是永遠以同一種顯式形式存在，而可能分布於參數結構、表徵結構、記憶、上下文、激發路徑、跨模組組合、工具接口與驗證流程之間。

本文承接《表徵閘門猜想》與《潛能—激發矩陣生成論》，將原本關於知識釋放與概念顯化的框架重新編譯為「能力狀態論」。本文提出，對任一能力 $c$，至少應區分八種不同狀態：

$$
\boxed{
P
\rightarrow
E
\rightarrow
R
\rightarrow
L
\rightarrow
A
\rightarrow
C
\rightarrow
X
\rightarrow
V
}
$$

分別代表：

1. Potential；
2. Encoded；
3. Retrievable；
4. Elicitable；
5. Activated；
6. Composable；
7. Executable；
8. Validated Effective。

本文主張：

$$
\boxed{
\text{Potential}
\neq
\text{Encoded}
\neq
\text{Retrievable}
\neq
\text{Elicitable}
\neq
\text{Activated}
\neq
\text{Composable}
\neq
\text{Executable}
\neq
\text{Validated Effective}
}
$$

這些狀態不可被壓縮成單一「會／不會」二元值。

本文進一步重新整理《表徵閘門猜想》中的四種未釋放缺口——覆蓋缺口、編碼缺口、激發缺口與組合缺口——並將其擴展為八層能力狀態中的不同 transition failure。這使得「AI 為什麼明明知道卻做不好」、「為什麼換一個 prompt 突然會了」、「為什麼加一個工具能力躍升」、「為什麼同一能力在一個 context 能重現、換一個 context 卻消失」等現象可以被分型，而不必全部歸因於模型參數大小或模型是否真正理解。

本文也引入「激發成本」「激發穩定性」「重激發率」「組合閉合度」「執行接地度」與「驗證有效度」等量，用於區分短暫成功與穩定能力。最終，本文提出：

$$
\boxed{
\text{Callable Capability}
=
\text{Represented Structure}
+
\text{Reliable Activation Path}
+
\text{Composable Interfaces}
+
\text{Executable Grounding}
+
\text{Validation}
}
$$

本文的核心結論是：AI 的能力不應被理解為靜態藏在模型內部的「東西」，而應被理解為一個從潛能結構到可驗證執行的動態可達過程。這一能力狀態鏈將成為後續 Paper 02「有效能力不是模型能力」、Paper 03「AI 版外包／耦合／內生化」與 Paper 06「能力可達圖」的共同基礎。

---

## 關鍵詞

Potential Capability；Activation；Representational Gating；Encoded Capability；Retrievability；Elicitation；Composable Capability；Executable Capability；Validated Capability；Latent Structure；AI Capability State；Capability Transition；Activation Cost；Re-Activation；Capability Reliability

---

# 0. 問題：AI 「會不會」其實不是一個好問題

對一個現代 AI 問：

> 你會不會做數學？

> 你會不會寫程式？

> 你會不會使用某工具？

表面上是合理問題。

但從能力本體論角度看，它們都缺少狀態資訊。

因為同一個模型可能：

- 在第一次回答中失敗；
- 加入提示後成功；
- 加入例子後成功率更高；
- 加入 memory 後能延續；
- 接工具後第一次真正可執行；
- 接 verifier 後才變成可靠能力。

因此：

$$
\boxed{
\text{Observed Failure}
\not\Rightarrow
\text{No Potential Capability}
}
$$

同時：

$$
\boxed{
\text{One Successful Output}
\not\Rightarrow
\text{Stable Effective Capability}
}
$$

本文因此拒絕以單次輸出作為能力本體判定。

---

# 1. 從表徵閘門到能力狀態鏈

既有表徵閘門框架指出，AI 能力未釋放至少可能有四種不同原因：

- Coverage Gap；
- Encoding Gap；
- Elicitation Gap；
- Combination Gap。

這已經證明：

$$
\text{Failure}
$$

不是單一型別。

本文進一步指出：

> 缺口之所以不同，是因為「能力」本身其實跨越多個狀態。

因此我們建立：

$$
\boxed{
\mathcal S_c
=
\{
P,E,R,L,A,C,X,V
\}
}
$$

作為能力 $c$ 的最小狀態集合。

---

# 2. State P：Potential Capability

定義：

> 若存在某個有限、可執行、可重現的轉換或激發程序，使系統能力在指定任務族上顯著提升，則稱系統對該能力具有可操作意義上的 Potential。

形式上：

$$
\exists \mathcal O
\quad
\text{s.t.}
\quad
P_c(\mathcal O(A))
-
P_c(A)
>
\varepsilon.
$$

其中：

- $A$：AI 系統；
- $\mathcal O$：有限操作；
- $P_c$：能力表現；
- $\varepsilon$：預先設定門檻。

這一定義保留一個重要約束：

> 「潛能」不是事後美化語言，而必須存在可以測試的釋放操作。

---

# 3. Potential 不等於「所有理論上可能」

本文不採：

$$
\text{Potential}
=
\text{Anything the system might someday become}.
$$

如果加入：

- 新訓練；
- 大量新資料；
- 完全不同模型；
- 全新架構；

才出現某能力，那通常屬於：

$$
\text{Capability Creation}
$$

而不是原系統能力的單純釋放。

因此本文要求 Potential 至少滿足：

$$
\boxed{
\text{Finite Release Without Redefining the Whole System}
}
$$

---

# 4. State E：Encoded Capability

能力有潛能，不代表已被目前系統結構有效編碼。

定義：

> 若與能力相關的結構已被保存在模型參數、memory、symbolic state、graph、workflow 或其他可存取表示中，則稱其具有 Encoded Capability。

形式化可寫：

$$
\exists R_c
\subseteq
\mathfrak S_A
$$

其中：

$$
R_c
$$

為能力 $c$ 所需表示結構。

但：

$$
R_c
\subseteq
\mathfrak S_A
$$

不能推出：

$$
c
\in
\mathcal C_{\mathrm{eff}}.
$$

因為 encoded structure 可能：

- 不可檢索；
- 不可激發；
- 不可組合；
- 不可執行。

---

# 5. Encoding Gap

若資訊曾進入系統，但：

$$
R_c
$$

不足以保留該能力的結構不變量，則存在：

$$
G_{\mathrm{encoding}}.
$$

例如：

- 記住文字但失去因果；
- 記住 API 名稱但失去調用前置條件；
- 記住公式但不知道適用域；
- 記住結論但沒有證明操作。

所以：

$$
\boxed{
\text{Exposure}
\neq
\text{Encoding}
}
$$

---

# 6. State R：Retrievable Capability

Encoded 仍然不是 Retrievable。

定義：

> 當能力相關結構可以在適當條件下被系統定位、提取或重新投影到工作狀態時，稱其具有 Retrievable Capability。

可寫：

$$
\operatorname{Retrieve}(R_c,q)
\rightarrow
\widehat R_c.
$$

如果：

$$
\widehat R_c
$$

在合理成本內穩定被找到，則 retrieval 成立。

---

# 7. Retrieval Failure

一個能力可能被長期保存，卻因索引失敗而等效消失。

例如：

$$
R_c\in M
$$

但：

$$
P(
\operatorname{Retrieve}(R_c)
)
\ll1.
$$

此時：

$$
\boxed{
\text{Stored}
\neq
\text{Usable}
}
$$

這對長期 AI memory 特別重要。

---

# 8. Retrieval Quality

定義 retrieval quality：

$$
Q_R(c)
=
F(
p_{\mathrm{hit}},
p_{\mathrm{precision}},
L,
C,
F_{\mathrm{fresh}}
)
$$

其中：

- $p_{\mathrm{hit}}$：找到正確結構的機率；
- $p_{\mathrm{precision}}$：返回結果的精確性；
- $L$：延遲；
- $C$：成本；
- $F_{\mathrm{fresh}}$：新鮮度。

所以 retrieval 不只是：

> 有沒有搜到。

---

# 9. State L：Elicitable Capability

Retrievable 仍不等於 Elicitable。

定義：

> 若存在一組 prompt、context、task framing、example、memory projection 或 internal routing，使能力可被穩定拉入當前推理過程，則能力具有 Elicitable state。

可寫：

$$
\exists e
\in
\mathcal E_c
$$

使：

$$
P_c(A\mid e)
>
\theta_c.
$$

其中：

$$
\mathcal E_c
$$

為能力 $c$ 的 elicitation set。

---

# 10. Elicitation Gap

如果結構存在、可被找到，但沒有正確激發協議：

$$
G_{\mathrm{elicitation}}>0.
$$

典型現象：

- 換一句問法，結果突然變好；
- 加一步「先列假設」，模型才開始正確推理；
- 加例子後模型開始遵循結構；
- 加角色／任務 framing 後能力顯現。

因此：

$$
\boxed{
\text{Encoded}
+
\text{Retrievable}
\not\Rightarrow
\text{Elicited}
}
$$

---

# 11. 激發不是魔法 Prompt

本文不把 elicitation 簡化成 prompt engineering。

激發可能來自：

- system state；
- context；
- example；
- memory retrieval；
- tool availability；
- goal；
- evaluator；
- hidden routing；
- inference budget；
- environment feedback。

所以：

$$
\boxed{
\text{Elicitation}
\supset
\text{Prompting}
}
$$

---

# 12. 激發成本

定義能力 $c$ 的激發成本：

$$
K_{\mathrm{elicit}}(c)
=
K_{\mathrm{token}}
+
K_{\mathrm{retrieval}}
+
K_{\mathrm{compute}}
+
K_{\mathrm{latency}}
+
K_{\mathrm{coord}}.
$$

若：

$$
K_{\mathrm{elicit}}
$$

極高，

即使能力存在，也可能缺乏產品價值。

因此：

$$
\boxed{
\text{Elicitable}
\neq
\text{Economically Callable}
}
$$

---

# 13. State A：Activated Capability

Elicitable 是「可以叫出來」。

Activated 是：

> 現在已經在工作狀態中。

令 active state：

$$
Z_t.
$$

若能力 $c$ 的必要表示：

$$
R_c
$$

已進入：

$$
Z_t,
$$

則：

$$
c\in A_t.
$$

---

# 14. 激發態具有時間性

能力被激發後可能快速衰退：

$$
a_c(t)
\rightarrow0.
$$

因此 activated capability 具有：

- onset；
- duration；
- decay；
- reinforcement；
- interference。

可以定義：

$$
a_c(t)\in[0,1].
$$

---

# 15. Activation Half-Life

定義：

$$
T_{1/2}^{\mathrm{act}}(c)
$$

為在沒有額外 reinforcement 下，能力激發強度下降一半的時間。

這可以描述：

- active context fading；
- working memory loss；
- attention shift；
- topic-switch interference。

---

# 16. 激發態不是身份

若模型在某 conversation 內形成：

$$
Z_t^{(c)},
$$

不代表：

$$
Z_t^{(c)}
$$

就是整個 AI 的永久本體。

因此：

$$
\boxed{
\text{Activated State}
\neq
\text{Persistent Identity}
}
$$

這避免把一次對話中的 persona / skill state 誤判成永恆自我。

---

# 17. State C：Composable Capability

真正複雜能力很少由單一節點完成。

例如 Web Research 需要：

- query；
- search；
- source judgment；
- citation；
- contradiction check；
- synthesis。

即：

$$
c_{\mathrm{research}}
=
\operatorname{Compose}
(
c_1,\dots,c_n
).
$$

因此需要定義 composability。

---

# 18. Combination Gap

當：

$$
c_1,\dots,c_n
$$

分別存在，

但缺少必要橋接：

$$
E(c_i,c_j),
$$

則：

$$
G_{\mathrm{combination}}>0.
$$

這就是「所有零件都會，但整體做不出來」。

---

# 19. Composability Graph

令：

$$
\mathbb G_c
=
(
V_c,E_c
)
$$

其中：

- $V_c$：子能力；
- $E_c$：可組合接口。

高階能力 $c^*$ 存在的必要條件之一可能是：

$$
\exists
\text{valid path / subgraph}
$$

連接必要子能力。

因此：

$$
\boxed{
\text{Capability Composition}
\neq
\text{Capability Coexistence}
}
$$

---

# 20. 相干閾值

承接潛能—激發矩陣，定義高階能力的相干閾值：

$$
\operatorname{Coh}
(
c_1,\dots,c_n
)
>
\theta_{\mathrm{coh}}.
$$

這裡的 coherence 不必是物理相位。

它代表：

- shared semantics；
- compatible state；
- synchronized assumptions；
- compatible interface；
- aligned objectives；
- causal consistency。

---

# 21. 高階能力的湧現

若：

$$
c^*
$$

只有在：

$$
c_1,\dots,c_n
$$

被共同激發並滿足關係條件時出現，

則：

$$
\boxed{
c^*
\neq
\sum_i c_i
}
$$

高階能力是一個關係閉合結果。

---

# 22. State X：Executable Capability

能力可以在內部推理中成立，但無法對外執行。

因此：

$$
\text{Reasoning}
\neq
\text{Execution}.
$$

定義：

> 若能力可被映射成合法 action、tool call、program、control signal 或 world transition，則稱其進入 Executable state。

---

# 23. Execution Grounding

Executable capability 至少需要：

$$
\operatorname{Ground}
(
c,
I,
E,
P
)
$$

其中：

- $I$：interface；
- $E$：environment；
- $P$：permission。

沒有 grounding：

$$
c
$$

可能只是一段文本建議。

---

# 24. Tool Access 不等於 Execution Capability

AI 看得到 tool schema：

$$
\not\Rightarrow
$$

會正確呼叫。

會正確呼叫：

$$
\not\Rightarrow
$$

外部 effect 成功。

外部 effect 成功：

$$
\not\Rightarrow
$$

canonical state 正確 commit。

因此：

$$
\boxed{
\text{Tool Visibility}
\neq
\text{Execution Capability}
}
$$

---

# 25. Execution Preconditions

對 action $a$：

$$
\operatorname{Exec}(a)=1
$$

至少要求：

$$
\operatorname{Available}(a)=1,
$$

$$
\operatorname{Authorized}(a)=1,
$$

$$
\operatorname{Precondition}(a)=1,
$$

$$
\operatorname{InterfaceValid}(a)=1.
$$

---

# 26. State V：Validated Effective Capability

這是能力鏈的最後一層。

系統能做，不代表做得可靠。

定義：

> 若能力在預定任務分布上能被外部或內部 verifier 重複確認，且錯誤率、成本、延遲與安全性符合使用門檻，則稱其為 Validated Effective Capability。

---

# 27. Validated 不等於 Perfect

Validation 不是：

$$
P=1.
$$

而是：

$$
P_c
>
\theta_{\mathrm{quality}}
$$

且：

$$
R_c
<
\theta_{\mathrm{risk}}.
$$

門檻依任務而變。

---

# 28. 高風險與低風險能力的驗證門檻不同

例如：

### 低風險

```text
整理檔案名稱
```

可接受：

$$
\theta_{\mathrm{quality}}<1.
$$

### 高風險

```text
執行資金轉移
```

需要更高：

$$
\theta_{\mathrm{quality}},
$$

以及更嚴格：

$$
\theta_{\mathrm{authority}}.
$$

因此有效能力是 task-conditioned。

---

# 29. 八層不是線性不可逆

能力狀態可能回退。

例如：

$$
V
\rightarrow
X
$$

若 verifier 過期。

$$
X
\rightarrow
C
$$

若工具暫時 unavailable。

$$
A
\rightarrow
L
$$

若 context 被清空。

$$
R
\rightarrow
E
$$

若索引壞掉。

因此：

$$
\boxed{
\text{Capability State}
=
\text{Dynamic State Machine}
}
$$

不是單向進化樹。

---

# 30. 能力狀態轉移圖

可寫成：

```text
Potential
  |
Encoded
  |
Retrievable
  |
Elicitable
  |
Activated
  |
Composable
  |
Executable
  |
Validated Effective
```

但實際 runtime 更接近：

```text
Encoded <-> Retrievable
Retrievable <-> Elicitable
Elicitable <-> Activated
Activated <-> Composable
Composable <-> Executable
Executable <-> Validated
```

且每一層都可能因：

- state loss；
- tool failure；
- context shift；
- permission change；
- verification failure；

回退。

---

# 31. 能力狀態向量

對能力 $c$，定義：

$$
\mathbf s_c(t)
=
(
p_c,
e_c,
r_c,
l_c,
a_c,
c_c,
x_c,
v_c
).
$$

每個分量：

$$
\in[0,1].
$$

這比：

$$
\operatorname{HasCapability}(c)\in\{0,1\}
$$

更有表達力。

---

# 32. Capability Profile

整個 AI 的能力不是單一向量，而是：

$$
\mathcal P_A(t)
=
\{
\mathbf s_{c_1}(t),
\dots,
\mathbf s_{c_n}(t)
\}.
$$

所以兩個模型 benchmark 相同，仍可能有完全不同 capability profiles。

---

# 33. 潛能域

定義：

$$
\mathcal C_P
=
\{
c:
p_c>\theta_P
\}.
$$

這是系統可能釋放的能力域。

但：

$$
|\mathcal C_P|
$$

不能直接作為產品能力。

---

# 34. 可調用域

定義：

$$
\mathcal C_L
=
\{
c:
l_c>\theta_L
\}.
$$

它比潛能域更接近實用能力。

---

# 35. 有效能力域

定義：

$$
\mathcal C_V
=
\{
c:
v_c>\theta_V
\}.
$$

這才是可對外承諾的能力集合。

因此：

$$
\boxed{
\mathcal C_V
\subseteq
\mathcal C_L
\subseteq
\mathcal C_P.
}
$$

---

# 36. 為什麼 benchmark 容易高估能力

如果 benchmark 只測一次：

$$
A(q)\rightarrow y,
$$

它可能只觀察：

$$
a_c
$$

或：

$$
x_c.
$$

卻沒有測：

- restart；
- transfer；
- re-elicitation；
- cost；
- validation；
- robustness。

因此 benchmark success 不必等於 validated capability。

---

# 37. 為什麼 benchmark 也可能低估能力

如果 benchmark 的 prompt / representation 與模型內部結構極不相容：

$$
G_{\mathrm{elicitation}}
$$

可能很高。

模型實際具有：

$$
p_c,e_c>0
$$

卻無法被測出。

因此：

$$
\boxed{
\text{Benchmark Failure}
\neq
\text{No Potential}
}
$$

---

# 38. Prompt Sensitivity 的新解讀

Prompt sensitivity 不只表示模型不穩。

它也可能表示：

$$
\frac{\partial a_c}{\partial e}
$$

很高。

即：

> 激發函數對表徵形式非常敏感。

這是一個可測能力特徵。

---

# 39. 激發曲面

令 elicitation space：

$$
\mathcal E.
$$

定義：

$$
a_c
=
f_c(e),
\qquad
e\in\mathcal E.
$$

則：

$$
f_c
$$

描述能力在不同 elicitation 下的激發地形。

---

# 40. 激發盆地

若存在區域：

$$
B_c\subset\mathcal E
$$

使：

$$
f_c(e)>\theta
$$

對大部分：

$$
e\in B_c
$$

成立，

則 $B_c$ 是能力激發盆地。

激發盆地越大，能力越容易被穩定調用。

---

# 41. 窄盆地能力

若：

$$
|B_c|
\ll
|\mathcal E|,
$$

則能力雖存在，但只有非常特殊 prompt / context 才能叫出來。

這種能力：

$$
\boxed{
\text{Potentially Strong}
\quad
\text{but Operationally Fragile}.
}
$$

---

# 42. 寬盆地能力

若：

$$
|B_c|
$$

大，代表多種自然表述都能穩定激發。

這更接近 robust capability。

---

# 43. 重激發率

定義：

$$
R_{\mathrm{react}}(c)
=
P(
a_c>\theta
\mid
\text{fresh restart, equivalent task}
).
$$

若：

$$
R_{\mathrm{react}}\approx1,
$$

能力具有高重激發穩定性。

---

# 44. 單次奇蹟

如果：

$$
R_{\mathrm{react}}\ll1,
$$

但曾成功一次，

不能直接宣告穩定能力。

本文稱之為：

$$
\boxed{
\text{Single-Shot Capability Event}
}
$$

而非 validated capability。

---

# 45. Capability Reliability

能力可靠度可定義：

$$
\mathrm{Rel}(c)
=
F(
R_{\mathrm{react}},
P_{\mathrm{transfer}},
P_{\mathrm{execute}},
P_{\mathrm{validate}}
).
$$

---

# 46. 能力轉移

真正高階能力應測：

$$
P_c(X_{\mathrm{transfer}}).
$$

如果只在訓練／示例近鄰上成功：

$$
P_c(X_{\mathrm{near}})\gg
P_c(X_{\mathrm{far}}),
$$

則泛化能力有限。

---

# 47. 能力與記憶答案的區分

若模型只是 recall：

$$
q\rightarrow a_{\mathrm{memorized}},
$$

不等於持有可遷移能力。

所以需要：

$$
X_{\mathrm{transfer}}
$$

與：

$$
X_{\mathrm{far}}
$$

測試。

---

# 48. 激發與記憶的關係

Memory 可以提高：

$$
r_c,
l_c,a_c.
$$

但 memory 不必提高：

$$
p_c.
$$

也就是：

> 記憶可能改善可調用性，而不是創造底層潛能。

---

# 49. Memory Can Create System-Level Capability

但在更高 system boundary 下：

$$
A+M
$$

可能形成單獨 $A$ 沒有的高階能力。

所以：

$$
\boxed{
\text{Memory does not necessarily change model potential,}
}
$$

但：

$$
\boxed{
\text{Memory can change system capability.}
}
$$

---

# 50. 工具與激發

Tool schema 本身也可能成為 elicitation structure。

例如：

> 模型知道可以執行 Python

會改變其 planning。

因此：

$$
\text{Tool Presence}
$$

不只影響 execution。

也可能改變：

$$
A_t.
$$

---

# 51. Verifier 與激發

Verifier 的存在也會改變模型行為。

例如：

$$
\text{Generate}
\rightarrow
\text{Check}
\rightarrow
\text{Repair}.
$$

因此：

$$
V
$$

不只在最後驗證。

它也可能改變：

$$
C
$$

與：

$$
A.
$$

---

# 52. Search 與潛能釋放

外部 search 可能解決：

$$
G_{\mathrm{coverage}}.
$$

但 search result 並不直接解決：

$$
G_{\mathrm{encoding}},
G_{\mathrm{combination}}.
$$

所以：

$$
\boxed{
\text{More Information}
\neq
\text{More Capability}
}
$$

---

# 53. 表徵重編碼

如果外部資料：

$$
D
$$

被轉成：

$$
R(D)
$$

且：

$$
R(D)
$$

更接近模型可操作結構，

則：

$$
K_{\mathrm{elicit}}
$$

可能下降。

這就是 Representation Engineering 的核心價值之一。

---

# 54. 編碼格式與能力釋放

同一知識可能以：

- prose；
- graph；
- symbolic rule；
- table；
- code；
- executable test；

表示。

不同表示會改變：

$$
r_c,l_c,c_c,x_c.
$$

因此：

$$
\boxed{
\text{Representation Format}
\text{ is a capability variable.}
}
$$

---

# 55. 多表示能力

最佳結構不必只保留一種 representation。

可以有：

$$
R_c^{\mathrm{text}},
R_c^{\mathrm{graph}},
R_c^{\mathrm{symbol}},
R_c^{\mathrm{code}},
R_c^{\mathrm{test}}.
$$

不同任務選不同表示。

---

# 56. 表徵投影

Working context 只是：

$$
\Pi_q(R_c)
$$

即依任務投影出的局部表示。

所以：

$$
\boxed{
\text{Active Context}
\neq
\text{Full Capability Representation}
}
$$

---

# 57. 激發與多上下文

一項能力可能依賴多個 context：

$$
C^{\mathrm{task}},
C^{\mathrm{memory}},
C^{\mathrm{world}},
C^{\mathrm{identity}}.
$$

因此：

$$
a_c
=
F(
C^{\mathrm{task}},
C^{\mathrm{memory}},
C^{\mathrm{world}},
\dots
).
$$

這預告 Paper 08。

---

# 58. 激發與權限

某 capability 即使技術上可執行：

$$
x_c>0,
$$

若：

$$
P_t(c)=0,
$$

則 effective execution：

$$
v_c=0
$$

或受限。

所以：

$$
\boxed{
\text{Activation}
\neq
\text{Authorization}.
}
$$

---

# 59. 激發與世界狀態

同一能力在不同 world state 下可能不可用。

例如：

$$
c_{\mathrm{trade}}
$$

需要：

$$
\text{MarketOpen}=1.
$$

因此 execution capability 是 world-conditioned。

---

# 60. 能力 transition 的最小形式

定義 transition：

$$
T_{ij}^{c}
:
S_i
\rightarrow
S_j.
$$

例如：

$$
T_{PE}
$$

表示 potential → encoded。

$$
T_{ER}
$$

表示 encoded → retrievable。

每個 transition 都有：

- precondition；
- cost；
- reliability；
- latency；
- failure mode。

---

# 61. Transition Reliability

定義：

$$
\rho_{ij}^c
=
P(
T_{ij}^c
\text{ succeeds}
).
$$

整條能力鏈可靠度可以粗略近似為：

$$
\rho_c^{\mathrm{chain}}
\approx
\prod_{(i,j)}
\rho_{ij}^c
$$

若各 transition 近似獨立。

實際系統通常不獨立，但此式可用來理解：

> 任一低可靠度環節都可能拖垮整體能力。

---

# 62. Capability Bottleneck

定義：

$$
B_c
=
\arg\min_{(i,j)}
\rho_{ij}^c.
$$

 $B_c$ 是能力鏈的主要瓶頸。

因此能力改良不應永遠只提升 model。

---

# 63. 例：數學能力

假設模型具有強推理潛能：

$$
p_{\mathrm{math}}\gg0.
$$

但對特定新符號系統：

$$
e_{\mathrm{math}}
$$

低。

提供形式定義後：

$$
e\uparrow.
$$

再提供 theorem prover：

$$
x\uparrow.
$$

再加入 proof checker：

$$
v\uparrow.
$$

所以最終提升不是單一「模型變聰明」。

---

# 64. 例：程式能力

模型可能：

- 會產生程式；
- 不會跑程式；
- 跑了不會測；
- 測了不會修；
- 修了不能 commit。

因此：

$$
\text{Code Generation}
\neq
\text{Software Engineering Capability}.
$$

---

# 65. 例：搜尋能力

模型知道搜尋策略：

$$
p,e>0,
$$

但沒有 web access：

$$
x=0.
$$

有 web access 但不驗證：

$$
v\ll1.
$$

所以：

$$
\boxed{
\text{Search Fluency}
\neq
\text{Epistemic Research Capability}.
}
$$

---

# 66. 例：世界模型

生成一段連續畫面：

$$
a_{\mathrm{visual}}>0.
$$

不代表：

$$
c_{\mathrm{causal}}>0.
$$

若沒有 persistent state：

$$
x_{\mathrm{world\ continuity}}
$$

可能低。

這就是短時世界生成與持續世界的差異。

---

# 67. 例：語音控制

STT 正確辨識：

$$
\neq
$$

理解意圖。

理解意圖：

$$
\neq
$$

合法 command。

合法 command：

$$
\neq
$$

可靠執行。

因此語音 AI 也適用八層狀態鏈。

---

# 68. Capability Exposure

產品對使用者真正暴露的是：

$$
\mathcal C_{\mathrm{exposed}}
\subseteq
\mathcal C_V.
$$

有些能力即使 validated：

- UX 沒入口；
- 權限關閉；
- feature 未上線；

使用者仍無法使用。

---

# 69. Product Capability

產品能力應定義：

$$
\mathcal C_{\mathrm{product}}
=
\mathcal C_V
\cap
\mathcal C_{\mathrm{exposed}}
\cap
\mathcal C_{\mathrm{supported}}.
$$

這和模型 capability 更不同。

---

# 70. 內生性與激發狀態分離

一個能力可以高度 parametric endogenous：

$$
\operatorname{Endo}_{\Theta}(c)\gg0
$$

但：

$$
a_c(t)=0.
$$

反之：

一個能力可以高度 activated：

$$
a_c(t)\gg0
$$

卻完全依賴外部 tool。

所以：

$$
\boxed{
\text{Activation Axis}
\perp
\text{Endogeneity Axis}
}
$$

至少概念上是兩個不同維度。

---

# 71. Capability State Tensor

因此最終可能需要：

$$
\mathcal T_c
=
\mathcal S_c
\times
\mathcal E_c
\times
\mathcal R_c
\times
\mathcal P_c
$$

表示：

- state；
- endogeneity；
- reliability；
- permission。

這預告後續多維 capability profile。

---

# 72. 潛能與能力本體的邊界

本文不主張：

> 每個模型內都有無限潛能。

Potential 必須有可操作測試。

若找不到任何：

$$
\mathcal O
$$

使：

$$
\Delta P_c>\varepsilon,
$$

則對當前系統與資源而言：

$$
p_c
$$

應視為低或未知。

---

# 73. Unknown Potential

有些能力狀態不能判為：

$$
p_c=0.
$$

而應是：

$$
p_c=\text{unknown}.
$$

因此 capability state 應允許三態：

- supported；
- unsupported；
- undecided。

這避免把未測等於沒有。

---

# 74. Capability Epistemology

所以 AI 能力研究同時是一個認識論問題：

> 我們如何知道它會？

除了：

$$
\mathcal C_A
$$

還需要：

$$
K(
\mathcal C_A
)
$$

即能力證據狀態。

---

# 75. 能力聲明的證據級別

建議：

### E0
供應商宣稱。

### E1
單次 demo。

### E2
benchmark。

### E3
多 seed / 多 prompt 重現。

### E4
transfer。

### E5
restart / reactivation。

### E6
real-world validated deployment。

不同聲明應標記 evidence level。

---

# 76. Capability Claim

定義：

```yaml
capability_claim:
  capability_id:
  state_claim:
  boundary:
  task_domain:
  evidence_level:
  validator:
  known_failure_modes:
```

這使「模型會 XXX」從廣告語變成可審計命題。

---

# 77. Ability Under-Specification

如果只寫：

> AI can code.

缺少：

- language；
- repo size；
- test availability；
- tool access；
- context；
- runtime；
- execution；

這個能力聲明過度模糊。

---

# 78. Ability Scope

因此：

$$
c
=
c(d,s,e,b)
$$

其中：

- $d$：domain；
- $s$：scope；
- $e$：environment；
- $b$：budget。

能力永遠有作用域。

---

# 79. 高能力不等於全域能力

某能力在：

$$
d_1
$$

很強，不推出：

$$
d_2.
$$

因此：

$$
\boxed{
\text{Capability Transfer}
\text{ must be measured, not assumed.}
}
$$

---

# 80. 激發與全域計算

從更高階看：

$$
\Theta
$$

可以理解成巨大潛在結構場。

但真正被計算的是：

$$
\Pi_q(\Theta,Z,M,T,\dots).
$$

即任務條件下的局部展開。

因此 AI 推理不需要每次完整激發所有能力。

---

# 81. Sparse Activation Principle

若：

$$
|\mathcal C_P|\gg|\mathcal C_A(t)|,
$$

則：

> 大量能力以潛在形式存在，但當下 active set 很小。

這是高效計算的重要方向。

---

# 82. 激發選擇問題

真正重要的不只是：

$$
\text{How much capability exists?}
$$

還有：

$$
\text{Which capability is activated now?}
$$

因此 routing 本身是能力的一部分。

---

# 83. Routing Capability

定義：

$$
c_{\mathrm{route}}
$$

為：

> 根據任務與狀態選出正確能力路徑的能力。

如果：

$$
c_{\mathrm{route}}
$$

弱，

系統即使擁有很多能力，也可能表現差。

---

# 84. Meta-Capability

Routing、self-evaluation、tool selection、verification selection 都是：

$$
\boxed{
\text{Meta-Capabilities}.
}
$$

它們決定其他能力能否被有效使用。

---

# 85. Meta-Capability Multiplier

可粗略寫：

$$
C_{\mathrm{eff}}
\approx
C_{\mathrm{base}}
\cdot
M_{\mathrm{meta}}.
$$

這不是精確物理定律。

它表示：

> meta-capability 可以放大已存在能力的可用性。

---

# 86. Capability Coordination

多 Agent 中：

$$
C_{\mathrm{team}}
$$

不等於：

$$
\sum_i C_i.
$$

若 coordination 差：

$$
C_{\mathrm{team}}
<
\sum_i C_i.
$$

若互補良好：

$$
C_{\mathrm{team}}
>
\max_i C_i.
$$

---

# 87. 激發污染

context 中錯誤資訊可能激發錯誤能力路徑。

定義：

$$
G_{\mathrm{misactivation}}.
$$

即：

> 系統激發了不應被使用的能力／模式。

---

# 88. 過度激發

系統也可能：

- 不必要使用昂貴工具；
- 過度規劃；
- 過度驗證；
- 過度檢索。

因此：

$$
\boxed{
\text{More Activation}
\neq
\text{Better Performance}.
}
$$

---

# 89. Activation Efficiency

定義：

$$
\eta_A
=
\frac{
\text{Useful Activated Capability}
}{
\text{Total Activation Cost}
}.
$$

這可以成為 Agent architecture 的重要效率指標。

---

# 90. 能力競爭

不同激發模式可能競爭有限 context / compute。

若：

$$
c_1
$$

與：

$$
c_2
$$

同時需要大量 active resources，

可能有：

$$
a_{c_1}\uparrow
\Rightarrow
a_{c_2}\downarrow.
$$

因此 capability interaction 不一定正向。

---

# 91. Capability Interference

定義：

$$
I(c_i,c_j)
$$

表示兩能力同時激發時的干擾。

若：

$$
I>0,
$$

表示互相削弱。

若：

$$
I<0,
$$

表示協同。

---

# 92. 組合能力不是越多越好

加入更多工具與 context 可能提高：

$$
|V|
$$

但也提高：

$$
D_{\mathrm{routing}},
D_{\mathrm{coord}}.
$$

因此存在：

$$
\boxed{
\text{Capability Overload}.
}
$$

---

# 93. Capability Selection

系統需要：

$$
\operatorname{Select}
(
q,
\mathcal C_P
)
\rightarrow
\mathcal C_A.
$$

即：

> 從巨大潛能域選出當下小型 active set。

這和 Paper 06 的 capability graph routing 直接相連。

---

# 94. Active Capability Budget

設定：

$$
B_{\mathrm{active}}.
$$

則：

$$
\sum_{c\in\mathcal C_A}
K_{\mathrm{activate}}(c)
\le
B_{\mathrm{active}}.
$$

這說明 active intelligence 需要資源治理。

---

# 95. 潛能壓縮

模型可能把大量能力壓縮在：

$$
\Theta.
$$

但 active realization 需要：

$$
\operatorname{Decompress}_q(\Theta).
$$

此處「壓縮」是功能性語言，不要求模型內真的有一份顯式技能清單。

---

# 96. 高維向量與能力潛能

本文接受一個保守描述：

> 高維分布式表示可以承載大量重疊結構，使能力不必以一技能一模組方式存放。

但不直接推出：

> 每個能力都能從單一向量維度讀出。

因此：

$$
\boxed{
\text{Distributed Representation}
\neq
\text{Explicit Capability Slot}.
}
$$

---

# 97. 非對稱動力學

即使 representation space 可用對稱幾何描述，

實際 activation：

$$
z_t
\rightarrow
z_{t+1}
$$

仍可具有：

- direction；
- gating；
- irreversible commit；
- asymmetric routing。

所以：

$$
\boxed{
\text{Representation Symmetry}
\neq
\text{Dynamical Symmetry}.
}
$$

---

# 98. 潛能態／激發態只是宏觀描述

本文不宣稱 LLM 在物理上等於量子系統或某種特定神經場。

「潛能態／激發態」在本文主要是：

$$
\boxed{
\text{Capability-State Abstraction}.
}
$$

它描述：

- 未當前顯化；
- 可被激發；
- 局部 active；
- 高階組合；

的動態關係。

---

# 99. 可證偽條件

本文至少在以下情況下被削弱。

### F1
若不同 elicitation 對模型能力幾乎沒有穩定影響，則 Elicitable state 的必要性下降。

### F2
若 stored / encoded structure 的 retrieval quality 對實際任務幾乎無影響，則 Retrievable state 的必要性下降。

### F3
若工具、memory、validator 等只改變輸出速度，不改變可完成任務族，則 Composable / Executable system capability 的重要性下降。

### F4
若單次成功高度預測 restart、transfer、re-elicitation 與 real-world deployment 成功，則多層 capability state 可能過度複雜。

### F5
若「八層狀態」無法比簡單 binary capability model 更好解釋錯誤類型與系統改良點，則應簡化框架。

---

# 100. 最小實驗一：Elicitation Sweep

固定模型與任務。

改變：

- prompt；
- examples；
- context；
- role；
- reasoning instruction。

測量：

$$
P_c(e).
$$

得到：

$$
f_c(e).
$$

目的：

> 畫出 capability elicitation landscape。

---

# 101. 最小實驗二：Representation Swap

同一知識提供：

- prose；
- table；
- graph；
- symbolic rules；
- executable examples。

比較：

$$
Q_R,
K_{\mathrm{elicit}},
P_{\mathrm{execute}}.
$$

測試 representation 是否改變能力釋放。

---

# 102. 最小實驗三：Context Reset

先完成任務。

清除 active context。

保留 persistent memory。

重新開始。

測：

$$
R_{\mathrm{react}}.
$$

目的：

> 區分 session activation 與 persistent retrievability。

---

# 103. 最小實驗四：Tool Grounding

比較：

```text
Model Only
Model + Tool Schema
Model + Executable Tool
Model + Tool + Validator
```

測：

$$
P,
E,
R,
L,
A,
C,
X,
V.
$$

觀察能力在哪一層真正上升。

---

# 104. 最小實驗五：Composition Ablation

建立高階能力：

$$
c^*=\operatorname{Compose}(c_1,c_2,c_3).
$$

逐一移除 bridge。

測量：

$$
\Delta P_{c^*}.
$$

目的：

> 找出 combination gap 與 critical edge。

---

# 105. 最小實驗六：Single-Shot vs Stable Capability

對同任務 family 重複：

$$
n
$$

次，跨：

- seed；
- prompt；
- restart；
- context。

計算：

$$
R_{\mathrm{react}},
P_{\mathrm{transfer}},
\operatorname{Var}(P_c).
$$

區分單次奇蹟與可靠能力。

---

# 106. Capability State Record

建議最小資料格式：

```yaml
capability_id:
boundary:
task_scope:
state:
  potential:
  encoded:
  retrievable:
  elicitable:
  activated:
  composable:
  executable:
  validated:
elicitation_cost:
reactivation_rate:
transfer_rate:
execution_rate:
validator:
evidence_level:
known_failures:
```

---

# 107. Runtime 介面

未來 Agent Runtime 可查：

```text
GetCapabilityState(capability_id)
CanElicit(capability_id, task)
CanExecute(capability_id)
WhyUnavailable(capability_id)
RequiredDependencies(capability_id)
```

這使 capability 不再只存在文件敘述中。

---

# 108. WhyUnavailable

如果能力不可用，系統應回答具體原因。

例如：

```text
Encoded: yes
Retrievable: yes
Elicitable: yes
Executable: no
Reason: theorem prover unavailable
```

這比：

> "I can't do that."

更有工程價值。

---

# 109. Capability Diagnostics

能力失敗可分：

- not covered；
- not encoded；
- retrieval failure；
- elicitation failure；
- activation loss；
- composition failure；
- execution failure；
- validation failure。

因此：

$$
\boxed{
\text{Capability Failure}
=
\text{Typed Failure}.
}
$$

---

# 110. 系列接口一：Paper 02

Paper 02 將處理：

$$
\mathcal C_{\mathrm{nominal}}
\neq
\mathcal C_{\mathrm{effective}}.
$$

本文提供其前提：

> 有效能力必須是能力狀態鏈中真正能進入 $V$ 層的能力。

---

# 111. 系列接口二：Paper 03

Paper 03 將問：

> 這八層能力到底哪些算「AI 自己的」？

本文不回答 endogeneity。

只建立能力狀態。

因此：

$$
\boxed{
\text{Capability State}
\neq
\text{Capability Ownership / Endogeneity}.
}
$$

---

# 112. 系列接口三：Paper 06

Paper 06 將把：

$$
P\rightarrow E\rightarrow R\rightarrow L\rightarrow A\rightarrow C\rightarrow X\rightarrow V
$$

重新寫成 capability graph / multi-graph 的 typed transitions。

本文提供節點語義。

---

# 113. 系列接口四：Paper 08

Paper 08 將處理：

> 在長期 AI 中，如何不把所有 encoded / retrievable capability 塞進同一 active context。

本文已建立：

$$
\mathcal C_P
\gg
\mathcal C_A(t)
$$

的基本分離。

---

# 114. Canonical Invariants

本文固定以下規則：

1. Potential != Activation.
2. Exposure != Encoding.
3. Encoded != Retrievable.
4. Retrievable != Elicitable.
5. Elicitable != Activated.
6. Activated != Composable.
7. Composable != Executable.
8. Executable != Validated.
9. One Success != Stable Capability.
10. Stored != Usable.
11. Prompting is a subset of Elicitation.
12. Representation Format is a Capability Variable.
13. More Information != More Capability.
14. Tool Visibility != Execution Capability.
15. Generation Capability != Validated Capability.
16. Activation != Authorization.
17. Capability State != Capability Endogeneity.
18. Capability Appearance != Capability Origin.
19. Capability Composition != Capability Coexistence.
20. Working Context != Full Capability Representation.
21. Distributed Representation != Explicit Capability Slot.
22. Representation Symmetry != Dynamical Symmetry.
23. Benchmark Failure != No Potential.
24. Benchmark Success != Full Effective Capability.
25. Capability Failure Must Be Typed.

---

# 115. 一句話定義

> **一項 AI 能力不是「藏在模型裡的一個技能」，而是一個可能從潛能結構經過編碼、檢索、激發、組合、執行與驗證，才最終成為可依賴能力的動態狀態鏈。**

---

# 116. 結論

現代 AI 的能力研究若仍停留在：

$$
\text{Can / Cannot}
$$

二分，將越來越難解釋真實系統。

因為同一個能力可能：

- 以潛能形式存在；
- 已編碼但無法取回；
- 可取回但無法激發；
- 已激發但不能和其他能力組合；
- 可組合但無執行接口；
- 可執行但缺乏驗證；
- 曾成功但無法重新激發。

因此本文提出：

$$
\boxed{
P
\rightarrow
E
\rightarrow
R
\rightarrow
L
\rightarrow
A
\rightarrow
C
\rightarrow
X
\rightarrow
V
}
$$

作為 AI 動態能力本體論的第一條狀態鏈。

這條鏈真正改變的是我們問問題的方式。

不再只問：

> AI 有沒有這個能力？

而要問：

> 它目前在哪一個能力狀態？

> 卡在哪一個 transition？

> 要改模型、改表示、改檢索、改激發、改組合、接工具，還是補 verifier？

於是「AI 能力」第一次從模糊形容詞，變成一個可以被：

- 定位；
- 測試；
- 分解；
- 修復；
- 版本化；
- 工程化；

的動態系統對象。

而下一篇將進一步處理另一個更困難的問題：

$$
\boxed{
\text{即使能力鏈成立，為什麼同一模型在不同任務、使用者、上下文、算力與驗證條件下，仍會表現成完全不同的有效能力？}
}
$$

也就是：

> **Paper 02｜有效能力不是模型能力。**