---
title: "Cognitive Dissipation：高智能為何可能更容易內耗"
english_title: "Cognitive Dissipation: Why Higher Intelligence Can Produce More Internal Waste"
series: "智能認識閉合與現實耦合系列"
series_english: "Epistemic Closure, Path Selection & Reality Coupling Series"
paper: "ECPRC Paper 04"
version: "v0.1"
date: "2026-09-11"
author: "Neo.K / EveMissLab"
language: "zh-TW"
status: "Core epistemic-efficiency methodology paper"
canonical_source: "UTF-8 Markdown; mathematics uses only $...$ and $$...$$ delimiters"
source_basis: "Built from the prior unified supplement on Intent–Possibility–Corridor–Reality Closure, especially the sections on Cognitive Dissipation, Possibility Expansion, Effective Actuation Bandwidth, Path-Selective Intelligence, and capability-driven internal-cost growth; also continues ECPRC Papers 01–03."
epistemic_status: "This paper develops a general model of cognitive dissipation, stopping failure, planning repetition, coordination drag, verification drag, and self-induced complexity in high-capability intelligent systems. It does not claim that higher capability necessarily causes higher total inefficiency; the claim is conditional on insufficient selection, pruning, routing, and closure capacity."
---

# Cognitive Dissipation：高智能為何可能更容易內耗

**作者：** Neo.K / EveMissLab  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-09-11  
**版本：** v0.1  

## 摘要

高智能通常被理解為更多推理、更深搜索、更強生成、更廣候選與更高規劃能力。然而，當一個智能系統可以快速展開大量可能性，而其剪枝、選擇、驗證、停止與現實耦合能力沒有同步成長時，更高能力反而可能產生更高內部成本。

既有《意圖—可能性—通道—現實閉環》已將此現象定義為：

$$
\boxed{
\textbf{Cognitive Dissipation}
}
$$

其核心不是「想太多」，而是：

> 認知資源持續流入無法提高全域決策品質、現實效用或必要不確定性消除的路徑。

若 branch：

$$
b_i
$$

的增量效用：

$$
\Delta U_i
$$

低於其探索成本：

$$
C_i
$$

乘以門檻：

$$
\theta,
$$

則既有定義可寫為：

$$
\boxed{
C_{\mathrm{diss}}
=
\sum_i
C_i
\mathbf 1[
\Delta U_i<C_i\theta
].
}
$$

本文在此基礎上提出一個更完整的 Cognitive Dissipation Framework，將內耗拆分為：

- Possibility Expansion Dissipation；
- Redundant Planning Dissipation；
- Verification Dissipation；
- Coordination Dissipation；
- Representation Dissipation；
- Reopening Dissipation；
- Stopping Failure；
- Reality-Decoupling Dissipation；
- Self-Induced Complexity。

本文進一步提出 Capability Paradox：

$$
\boxed{
\text{Capability}\uparrow
\not\Rightarrow
\text{Effective Intelligence}\uparrow
}
$$

若：

$$
\text{Generation Capacity}
$$

成長速度高於：

$$
\text{Selection}
+
\text{Closure}
+
\text{Execution Bandwidth},
$$

則：

$$
\boxed{
\text{Internal Complexity}
\uparrow
}
$$

甚至可能快於真正產出。

核心結論為：

$$
\boxed{
\text{High intelligence is not high cognitive activity;
it is high-value cognitive routing with low unnecessary dissipation.}
}
$$

中文：

$$
\boxed{
\text{高智能不是更高認知活動量，
而是更高價值的認知路由與更低的不必要耗散。}
}
$$

---

# 1. 問題：為什麼更強的 AI 可能做更多無用功？

假設能力：

$$
\mathcal C
$$

提升。

一般直覺：

$$
\mathcal C\uparrow
\Rightarrow
\text{Performance}\uparrow.
$$

但更完整的關係應是：

$$
\boxed{
\text{Performance}
=
F(
\text{Capability},
\text{Selection},
\text{Closure},
\text{Execution},
\text{Feedback}
).
}
$$

如果只有：

$$
\text{Capability}\uparrow
$$

但其他項不變，

則：

$$
|\Omega_{\rm imaginable}|
$$

可能先快速增加。

也就是：

$$
\boxed{
\text{Capability Growth}
\rightarrow
\text{Possibility Growth}.
}
$$

但：

$$
\boxed{
\text{Possibility Growth}
\not\Rightarrow
\text{Useful Outcome Growth}.
}
$$

---

# 2. Cognitive Dissipation 的原始定義

令：

$$
\mathcal B
$$

為所有探索 branch。

對每個：

$$
b_i\in\mathcal B,
$$

定義：

$$
\Delta U_i
$$

為它對全域認知或現實結果的增量價值。

成本：

$$
C_i.
$$

則：

$$
\boxed{
C_{\rm diss}
=
\sum_i
C_i
\mathbf 1[
\Delta U_i<C_i\theta
].
}
$$

其中：

$$
\theta
$$

為最低可接受 return threshold。

真正內耗因此不是：

$$
\boxed{
\text{branch did not become final action}.
}
$$

而是：

$$
\boxed{
\text{branch failed to justify its continued resource consumption}.
}
$$

---

# 3. Dissipation 與 Exploration 不同

探索：

$$
\boxed{
C_{\rm explore}>0
}
$$

本身不是問題。

因為探索可以產生：

- information；
- exclusion；
- boundary；
- option value；
- representation gain。

因此：

$$
\boxed{
C_{\rm explore}
\neq
C_{\rm diss}.
}
$$

只有低增量回報的探索成本才屬於 dissipation。

---

# 4. Necessary Waste 與 Unnecessary Waste

某些成本不可避免。

例如為了排除：

$$
H_1,H_2,\ldots,H_n,
$$

必須測試它們。

這些 branch 最後雖然不被採用，

但它們是：

$$
\boxed{
\text{necessary epistemic work}.
}
$$

真正 dissipation 是：

$$
\boxed{
\text{avoidable low-yield work}.
}
$$

所以：

$$
\boxed{
\text{Unused}
\neq
\text{Waste}.
}
$$

---

# 5. Dissipation Ratio

定義總認知成本：

$$
C_{\rm total}
=
C_{\rm useful}
+
C_{\rm diss}.
$$

則：

$$
\boxed{
\rho_{\rm diss}
=
\frac{
C_{\rm diss}
}{
C_{\rm total}
}.
}
$$

若：

$$
\rho_{\rm diss}\rightarrow1,
$$

表示大部分認知成本沒有形成足夠增量價值。

---

# 6. Effective Intelligence

本文定義概念性有效智能：

$$
\boxed{
I_{\rm eff}
=
\frac{
V_{\rm closed}
+
V_{\rm executed}
+
V_{\rm avoided}
}{
C_{\rm total}
}.
}
$$

其中：

- $V_{\rm closed}$：知識閉合價值；
- $V_{\rm executed}$：執行價值；
- $V_{\rm avoided}$：忠實避開無用工作的價值。

因此：

$$
\boxed{
\text{Raw Capability}
\neq
\text{Effective Intelligence}.
}
$$

---

# 7. Capability Paradox

如果：

$$
\text{Capability}\uparrow
$$

造成：

$$
R_{\rm gen}\uparrow\uparrow,
$$

但：

$$
R_{\rm select},
R_{\rm verify},
R_{\rm close}
$$

只緩慢增加，

則：

$$
\boxed{
B_{\rm epi}\uparrow
}
$$

與：

$$
\boxed{
C_{\rm diss}\uparrow.
}
$$

所以可能出現：

$$
\boxed{
\textbf{Capability Paradox}
}
$$

即：

> 系統變得更會想，但因為無法有效選、停、驗證與收斂，實際工作效率反而下降。

---

# 8. Capability Paradox 的條件性

本文不主張：

$$
\text{Capability}\uparrow
\Rightarrow
C_{\rm diss}\uparrow
$$

必然成立。

更準確的是：

$$
\boxed{
\frac{
dR_{\rm gen}
}{
dt
}
>
\frac{
dR_{\rm close}
}{
dt
}
}
$$

長期成立時，

內耗風險上升。

因此真正危險的是：

$$
\boxed{
\text{Generation–Closure Imbalance}.
}
$$

---

# 9. Possibility Expansion Dissipation

如果系統持續增加：

$$
\omega_1,\omega_2,\ldots
$$

但：

$$
\Delta V_{\rm epi}(\omega_i)\rightarrow0,
$$

則形成：

$$
\boxed{
C_{\rm expansion}.
}
$$

可以寫為：

$$
\boxed{
C_{\rm expansion}
=
\sum_i
C_i
\mathbf 1[
\operatorname{EMU}(\omega_i)<\theta_{\rm expand}
].
}
$$

這是最直接的 possibility-space dissipation。

---

# 10. Redundant Planning Dissipation

若多個 plan：

$$
\pi_i
$$

實際屬於同一 epistemic equivalence class：

$$
[\pi],
$$

卻被分別完整展開，

則形成：

$$
\boxed{
C_{\rm redundant-plan}.
}
$$

它往往來自：

- 多 Agent 重複；
- prompt variation；
- surface wording diversity；
- repeated replanning；
- context fragmentation。

---

# 11. Replanning Loop

典型低效模式：

$$
\boxed{
\text{Plan}
\rightarrow
\text{Critique}
\rightarrow
\text{Replan}
\rightarrow
\text{Critique}
\rightarrow
\cdots
}
$$

若沒有新的 evidence：

$$
E_{t+1}=E_t,
$$

而 plan 仍反覆改寫，

則：

$$
\boxed{
\Delta U_t\approx0.
}
$$

這形成：

$$
\boxed{
\textbf{Replanning Dissipation}.
}
$$

---

# 12. Evidence-Free Revision

本文定義：

若：

$$
P_{t+1}\neq P_t
$$

但：

$$
E_{t+1}=E_t,
$$

且沒有新的 objective / constraint，

則稱：

$$
\boxed{
\textbf{Evidence-Free Revision}.
}
$$

它不一定無效，

但大量重複時通常代表：

$$
\boxed{
\text{internal semantic churn}.
}
$$

---

# 13. Semantic Churn

Semantic Churn 指：

$$
\boxed{
\text{representation changes}
}
$$

大量發生，

但：

$$
\boxed{
\text{decision-relevant state}
}
$$

幾乎不變。

可概念性寫成：

$$
\boxed{
\chi_{\rm churn}
=
\frac{
C_{\rm representation-change}
}{
\Delta V_{\rm decision}
+
\epsilon
}.
}
$$

高：

$$
\chi_{\rm churn}
$$

表示大量重述而低實質進展。

---

# 14. Verification Dissipation

驗證不是免費的。

如果每個低價值 branch 都做完整 verification，

則：

$$
C_{\rm verify}
$$

可能主導總成本。

因此需要：

$$
\boxed{
\text{verification triage}.
}
$$

也就是：

- cheap prefilter；
- structural checks；
- high-value full verification。

---

# 15. Verification Funnel

本文提出：

$$
\boxed{
\text{Generate}
\rightarrow
\text{Cheap Filter}
\rightarrow
\text{Structural Audit}
\rightarrow
\text{Expensive Verification}.
}
$$

不是：

$$
\boxed{
\text{Generate}
\rightarrow
\text{Full Verify Everything}.
}
$$

這可以顯著降低 verification dissipation。

---

# 16. False Positive 與 Verification Cost

若 cheap filter 太鬆，

會有大量 false positives：

$$
F_+.
$$

它們進入 expensive verifier，

造成：

$$
\boxed{
C_{\rm verify-drag}
\propto
|F_+|.
}
$$

所以 prefilter 也需要 fidelity。

---

# 17. False Negative 更危險

如果 filter 過度 aggressive，

可能刪掉：

$$
\omega^\ast
$$

真正高價值 branch。

所以：

$$
\boxed{
\text{verification efficiency}
}
$$

不能犧牲：

$$
\boxed{
\text{exception fidelity}.
}
$$

這與 Paper 02 完全一致。

---

# 18. Coordination Dissipation

多 Agent 系統需要：

- task decomposition；
- message exchange；
- state synchronization；
- conflict resolution；
- result merging；
- provenance tracking。

這些形成：

$$
\boxed{
C_{\rm coord}.
}
$$

若：

$$
C_{\rm coord}
>
V_{\rm parallelism},
$$

多 Agent 反而降低效率。

---

# 19. Agent Count Paradox

令：

$$
N_A
$$

為 Agent 數。

平行度初期可能：

$$
N_A\uparrow
\Rightarrow
T_{\rm solve}\downarrow.
$$

但：

$$
C_{\rm coord}
$$

往往也隨：

$$
N_A
$$

增加。

概念性地：

$$
\boxed{
C_{\rm coord}
=
F(
N_A,
E_{\rm communication},
S_{\rm shared},
D_{\rm dependency}
).
}
$$

因此存在一個最適：

$$
N_A^\ast.
$$

---

# 20. Coordination Saturation

當：

$$
N_A>N_A^\ast,
$$

新增 Agent 的邊際價值：

$$
\Delta V_A
$$

可能低於：

$$
\Delta C_{\rm coord}.
$$

此時：

$$
\boxed{
\text{parallelism}
\rightarrow
\text{coordination saturation}.
}
$$

---

# 21. Shared-State Failure

如果 Agent 不共享真正 canonical state，

則：

$$
S_i\neq S_j.
$$

每個 Agent 基於不同世界版本工作，

會形成：

$$
\boxed{
C_{\rm divergence}.
}
$$

症狀包括：

- duplicated work；
- contradictory assumptions；
- obsolete plans；
- repeated rediscovery。

---

# 22. Memory Fragmentation Dissipation

如果知識分散在：

$$
M_1,M_2,\ldots,M_n
$$

但沒有有效索引／結晶，

每次都需要重新 retrieve、reconcile、compress，

則形成：

$$
\boxed{
C_{\rm memory-frag}.
}
$$

所以記憶量增加不代表記憶效率增加。

---

# 23. Representation Dissipation

如果系統不斷換 representation：

$$
R_1
\rightarrow
R_2
\rightarrow
R_3
\rightarrow
\cdots
$$

但沒有：

$$
\Delta V_{\rm epi}>0,
$$

就形成：

$$
\boxed{
C_{\rm repr}.
}
$$

representation change 必須產生：

- better closure；
- lower search cost；
- better invariant；
- better execution；

之一，才值得。

---

# 24. Tool Switching Dissipation

高能力 AI 常可用很多工具：

$$
T_1,T_2,\ldots,T_n.
$$

如果工具切換：

$$
T_i\rightarrow T_j
$$

需要：

- context reconstruction；
- format conversion；
- state synchronization；
- verification；

則：

$$
\boxed{
C_{\rm tool-switch}
}
$$

不可忽略。

---

# 25. Tool Abundance Paradox

更多工具意味：

$$
\boxed{
\text{more action possibilities}.
}
$$

但也意味：

$$
\boxed{
\text{more routing decisions}.
}
$$

因此：

$$
\boxed{
\text{Tool Count}
\neq
\text{Tool Intelligence}.
}
$$

真正重要的是：

$$
\boxed{
\text{tool selection fidelity}.
}
$$

---

# 26. Stopping Failure

一個最核心 dissipation source 是：

$$
\boxed{
\textbf{Stopping Failure}.
}
$$

即：

> 已經足以做下一步，系統卻繼續規劃、比較、驗證或展開。

形式上：

若：

$$
V_{\rm next-action}
>
V_{\rm further-search},
$$

卻仍：

$$
\text{Search},
$$

則發生 stopping failure。

---

# 27. Stop Condition

定義：

$$
\boxed{
\operatorname{Stop}
=
1
}
$$

若：

$$
\boxed{
\mathbb E[
\Delta V_{\rm further-search}
]
<
C_{\rm search}
}
$$

且目前解已達：

$$
\theta_{\rm adequate}.
$$

這是一個 value-of-computation 型 stopping condition。

---

# 28. Perfection Trap

如果：

$$
\theta_{\rm adequate}
$$

被偷偷改成：

$$
\theta_{\rm perfect},
$$

系統可能永遠無法停止。

這形成：

$$
\boxed{
\textbf{Perfection Trap}.
}
$$

尤其在工程、寫作、規劃中，

perfect closure 往往不是必要條件。

---

# 29. Domain-Relative Closure

停止門檻必須根據 domain。

數學 theorem：

$$
\boxed{
\text{exactness threshold high}.
}
$$

產品 MVP：

$$
\boxed{
\text{operational adequacy may suffice}.
}
$$

策略探索：

$$
\boxed{
\text{robust enough + reversible may suffice}.
}
$$

因此：

$$
\boxed{
\theta_{\rm stop}
=
\theta(
\text{domain},
\text{risk},
\text{reversibility},
\text{cost}
).
}
$$

---

# 30. Execution Deferral Dissipation

如果系統已形成可行方案：

$$
\pi^\ast,
$$

但持續：

$$
\text{Plan}
\rightarrow
\text{Plan}
\rightarrow
\text{Plan},
$$

不進入：

$$
\text{Act},
$$

則形成：

$$
\boxed{
C_{\rm defer}.
}
$$

這就是「紙上談兵」的計算版。

---

# 31. Reality-Decoupling Dissipation

既有閉環強調：

$$
\text{Select}
\rightarrow
\text{Act}
\rightarrow
\text{Observe}.
$$

若系統長期停在內部 world model：

$$
\mathcal M_{\rm internal}
$$

而不接：

$$
\mathcal W_{\rm real},
$$

則其後續推理可能建立在 stale assumptions 上。

這形成：

$$
\boxed{
\textbf{Reality-Decoupling Dissipation}.
}
$$

---

# 32. Model Staleness

令：

$$
M_t
$$

為內部模型，

$$
W_t
$$

為現實狀態。

可概念性定義：

$$
\boxed{
S_{\rm stale}
=
\operatorname{Dist}(M_t,W_t).
}
$$

若：

$$
S_{\rm stale}\uparrow,
$$

後續規劃越多，

可能只是在錯世界中更精密地計算。

---

# 33. Planning on the Wrong World

若：

$$
M_t\neq W_t,
$$

則最優路徑：

$$
\pi^\ast(M_t)
$$

未必是：

$$
\pi^\ast(W_t).
$$

因此：

$$
\boxed{
\text{better optimization on stale model}
}
$$

可能導致：

$$
\boxed{
\text{worse real outcome}.
}
$$

---

# 34. Reality Refresh

所以長時程 Agent 應週期性：

$$
\boxed{
\text{Observe}
\rightarrow
\text{Re-anchor}
\rightarrow
\text{Replan}.
}
$$

不是：

$$
\boxed{
\text{Plan forever}.
}
$$

---

# 35. Self-Induced Complexity

本文提出：

$$
\boxed{
\textbf{Self-Induced Complexity}
}
$$

指系統為了解決問題而產生的中間結構，

最後本身成為主要負擔。

例如：

- 過多 agents；
- 過多 plans；
- 過多 validators；
- 過多 abstractions；
- 過多 state layers；
- 過多 process rules。

---

# 36. Problem Complexity 與 Process Complexity

總複雜度：

$$
\boxed{
C_{\rm total}
=
C_{\rm problem}
+
C_{\rm process}.
}
$$

高能力系統如果：

$$
C_{\rm process}\gg C_{\rm problem},
$$

就可能出現：

$$
\boxed{
\text{workflow dominates task}.
}
$$

---

# 37. Process-to-Task Ratio

定義：

$$
\boxed{
PTR
=
\frac{
C_{\rm process}
}{
C_{\rm problem}
}.
}
$$

若：

$$
PTR\gg1,
$$

表示系統花在「管理如何做事」上的資源，

遠高於問題本身。

---

# 38. Meta-Reasoning Dissipation

智能系統需要 meta-reasoning：

$$
\text{How should I think?}
$$

但若持續：

$$
\text{reason about reasoning about reasoning},
$$

可能形成：

$$
\boxed{
C_{\rm meta}.
}
$$

因此：

$$
\boxed{
\text{Meta-reasoning}
}
$$

也需要 stopping condition。

---

# 39. Validation Stack Explosion

若每個 output 都需要：

$$
V_1,V_2,\ldots,V_n
$$

多層驗證，

且每個 verifier 又產生新的 verifier task，

則可能形成：

$$
\boxed{
\textbf{Validation Stack Explosion}.
}
$$

驗證深度：

$$
d_V
$$

若沒有上限或 closure rule，

可能吞噬主工作。

---

# 40. Trust Budget

不是所有 branch 都需要相同驗證深度。

可定義：

$$
\boxed{
B_{\rm trust}
}
$$

並根據：

- risk；
- reversibility；
- novelty；
- evidence quality；
- domain stakes；

分配 verification budget。

這可降低 validation dissipation。

---

# 41. Differential Verification

高風險：

$$
\boxed{
\text{deep verification}.
}
$$

低風險、可逆：

$$
\boxed{
\text{light verification}.
}
$$

這就是：

$$
\boxed{
\textbf{Differential Verification}.
}
$$

---

# 42. Risk-Blind Verification 也是內耗

如果所有任務都使用最高驗證標準，

則：

$$
C_{\rm verify}
$$

可能極高。

所以：

$$
\boxed{
\text{maximum rigor everywhere}
\neq
\text{maximum intelligence}.
}
$$

嚴格度需要 domain-relative。

---

# 43. Time Discounting

某些 insight 晚到就沒有價值。

令：

$$
V(t)
=
V_0e^{-\lambda t}.
$$

若 AI 為了增加：

$$
\Delta q
$$

品質，

延遲：

$$
\Delta t
$$

過大，

則：

$$
\boxed{
\text{quality gain}
<
\text{timeliness loss}.
}
$$

這也是 dissipation。

---

# 44. Opportunity Cost

探索：

$$
b_i
$$

的成本不只：

$$
C_i.
$$

還包括：

$$
\boxed{
C_i^{\rm opp}
=
\text{value of the best branch not explored because of }b_i.
}
$$

因此真正成本：

$$
\boxed{
C_i^{\rm true}
=
C_i
+
C_i^{\rm opp}.
}
$$

---

# 45. Dissipation Budget

系統可以容忍有限 dissipation，

因為零探索浪費往往不可能。

定義：

$$
\boxed{
B_{\rm diss}
}
$$

為可接受內耗預算。

目標不是：

$$
C_{\rm diss}=0.
$$

而是：

$$
\boxed{
C_{\rm diss}
\le
B_{\rm diss}
}
$$

同時保持足夠 exploration。

---

# 46. Zero-Dissipation Trap

若強迫：

$$
C_{\rm diss}=0,
$$

系統可能：

- 不探索；
- 不保留 options；
- 不做 counterexample search；
- 過早收斂。

因此：

$$
\boxed{
\text{zero waste}
\neq
\text{optimal intelligence}.
}
$$

---

# 47. Productive Slack

本文稱：

$$
\boxed{
\textbf{Productive Slack}
}
$$

為刻意保留的低利用率探索空間。

它允許：

- surprise；
- alternative；
- adversarial test；
- representation shift。

所以系統需要：

$$
\boxed{
\text{controlled slack},
}
$$

而不是極端 utilization。

---

# 48. Dissipation–Exploration Frontier

可以想像一條 frontier：

$$
\boxed{
\mathcal F_{\rm DE}
=
\{
(\text{Exploration},\text{Dissipation})
\}.
}
$$

太少探索：

$$
\rightarrow
\text{premature collapse}.
$$

太多探索：

$$
\rightarrow
\text{dissipation}.
$$

最佳區域位於兩者之間。

---

# 49. Dissipation Health Vector

本文定義：

$$
\boxed{
\operatorname{DHV}
=
(
E,
R,
V,
C,
M,
S,
X
)
}
$$

其中：

- $E$：Expansion dissipation；
- $R$：Redundancy；
- $V$：Verification drag；
- $C$：Coordination drag；
- $M$：Memory / representation fragmentation；
- $S$：Stopping failure；
- $X$：Reality-decoupling cost。

---

# 50. Dissipation Sources 的總式

總內耗：

$$
\boxed{
C_{\rm diss}^{\rm total}
=
C_{\rm expansion}
+
C_{\rm redundant}
+
C_{\rm verify}
+
C_{\rm coord}
+
C_{\rm repr}
+
C_{\rm stop}
+
C_{\rm reality}
+
C_{\rm meta}.
}
$$

這不是要求所有項可精確測量。

它提供的是 architecture-level audit。

---

# 51. Internal Throughput 與 External Throughput

內部 throughput：

$$
R_{\rm internal}
=
\text{branches / reasoning operations per time}.
$$

外部 throughput：

$$
R_{\rm external}
=
\text{closed knowledge / actions / outcomes per time}.
$$

高智能真正應優化：

$$
\boxed{
\frac{
R_{\rm external}
}{
R_{\rm internal}
}.
}
$$

而不是只提高：

$$
R_{\rm internal}.
$$

---

# 52. Cognitive Efficiency

定義：

$$
\boxed{
\eta_{\rm cog}
=
\frac{
V_{\rm closed}
}{
C_{\rm useful}+C_{\rm diss}
}.
}
$$

更高：

$$
\eta_{\rm cog}
$$

代表認知資源更有效轉成閉合價值。

---

# 53. High-Capability Low-Efficiency Regime

可能存在：

$$
\boxed{
\mathcal C_{\rm raw}\text{ high}
}
$$

但：

$$
\boxed{
\eta_{\rm cog}\text{ low}.
}
$$

這表示系統：

> 很會想，但不會收。

這是 AI 時代非常重要的新 failure mode。

---

# 54. Selection Intelligence 是能力的一部分

因此不能把：

$$
\boxed{
\text{Selection Intelligence}
}
$$

當成「限制模型」。

它本身就是高階能力。

因為它需要：

- value estimation；
- uncertainty；
- opportunity cost；
- stopping；
- counterfactual reasoning；
- risk-aware routing。

---

# 55. Closure Intelligence 也是能力的一部分

同理：

$$
\boxed{
\text{Closure Intelligence}
}
$$

不是保守模組。

它需要判斷：

- 哪些 branch 已足夠；
- 哪些例外仍未封閉；
- 哪些需要重新打開；
- 哪些可以結晶。

所以它是：

$$
\boxed{
\text{epistemic control intelligence}.
}
$$

---

# 56. Path-Selective Intelligence 與 Dissipation

既有 PSI：

$$
PSI
=
F(
\text{Expansion},
\text{Fidelity},
\text{Pruning},
\text{Routing},
\text{Execution},
\text{Revision}
)
$$

可重新理解為：

$$
\boxed{
\text{anti-dissipation intelligence}.
}
$$

因為它把：

$$
\Omega_{\rm possible}
$$

壓成：

$$
\Omega_{\rm active}
$$

再壓成：

$$
\Phi_t
$$

最後進入：

$$
\tau_t.
$$

---

# 57. High Capability Needs Stronger Stopping

一個反直覺結論：

$$
\boxed{
\text{Capability}\uparrow
\Rightarrow
\text{Stopping Intelligence must also}\uparrow.
}
$$

因為能力越強，

可見 branch 越多。

若 stop policy 不變，

系統更容易：

$$
\boxed{
\text{overthink itself}.
}
$$

---

# 58. Anti-Dissipation Architecture

本文提出六層：

$$
\boxed{
\begin{array}{c}
\text{Deduplicate}\\
\downarrow\\
\text{Value}\\
\downarrow\\
\text{Prioritize}\\
\downarrow\\
\text{Verify Differentially}\\
\downarrow\\
\text{Stop}\\
\downarrow\\
\text{Act / Close}
\end{array}
}
$$

並允許：

$$
\boxed{
\text{Reopen on new evidence}.
}
$$

---

# 59. Minimum Viable Reasoning

在可逆、低風險任務中，

可採：

$$
\boxed{
\textbf{Minimum Viable Reasoning}
}
$$

即：

> 只做到足以支持安全下一步的推理深度。

之後讓：

$$
\text{Reality}
$$

提供更多 evidence。

這可降低紙上內耗。

---

# 60. Maximum Necessary Reasoning

在高風險、不可逆、數學 exact theorem 中，

則需要：

$$
\boxed{
\textbf{Maximum Necessary Reasoning}.
}
$$

不是最大 possible reasoning，

而是：

$$
\boxed{
\text{足以閉合所有 relevant risk / exception channels 的推理}.
}
$$

---

# 61. Reasoning Depth 應由 Closure Need 決定

因此：

$$
\boxed{
D_{\rm reasoning}
=
F(
\text{closure requirement},
\text{risk},
\text{reversibility},
\text{uncertainty}
).
}
$$

不是：

$$
\boxed{
D_{\rm reasoning}
=
\text{model maximum capability}.
}
$$

---

# 62. Paper 04 的核心命題總結

第一：

$$
\boxed{
\text{More Capability}
\not\Rightarrow
\text{More Effective Intelligence}.
}
$$

第二：

$$
\boxed{
\text{Exploration Cost}
\neq
\text{Cognitive Dissipation}.
}
$$

第三：

$$
\boxed{
\text{Unused Work}
\neq
\text{Wasted Work}.
}
$$

第四：

$$
\boxed{
\text{High Generation}
+
\text{Weak Selection}
\rightarrow
\text{High Dissipation Risk}.
}
$$

第五：

$$
\boxed{
\text{Planning}
\neq
\text{Progress}.
}
$$

第六：

$$
\boxed{
\text{Maximum Verification Everywhere}
\neq
\text{Maximum Intelligence}.
}
$$

第七：

$$
\boxed{
\text{Stopping Intelligence}
}
$$

是高能力 AI 的核心能力之一。

---

# 63. 與 Paper 05 的接口

Paper 04 已建立：

$$
\boxed{
\text{高能力 AI 為何可能被自己的可能性空間拖慢？}
}
$$

下一篇將把重點從「減少內耗」轉成：

$$
\boxed{
\text{如何主動選路}.
}
$$

也就是：

$$
\boxed{
\textbf{Path-Selective Intelligence}.
}
$$

Paper 05 將處理：

- corridor generation；
- path valuation；
- adaptive routing；
- effective actuation bandwidth；
- shortest path relativity；
- path crystallization；
- path creation；
- action commitment。

---

# 64. 結論

Cognitive Dissipation 不是「思考太多」的簡單同義詞。

真正問題是：

$$
\boxed{
\text{認知資源是否持續流向低邊際價值、重複、失去現實耦合或缺乏停止條件的路徑。}
}
$$

因此：

$$
\boxed{
\text{High Intelligence}
\neq
\text{Maximum Cognitive Activity}.
}
$$

更合理的是：

$$
\boxed{
\text{High Intelligence}
=
\text{High-Value Routing}
+
\text{Faithful Pruning}
+
\text{Adaptive Verification}
+
\text{Timely Stopping}
+
\text{Reality Coupling}.
}
$$

本文最終將 Cognitive Dissipation 定位為一個 AI 時代的核心效率概念：

$$
\boxed{
\text{Capability without selection creates possibility;
selection without closure creates churn;
closure without reality creates paper intelligence.}
}
$$

中文：

$$
\boxed{
\text{能力而無選擇，產生可能性氾濫；
選擇而無閉合，產生認知翻攪；
閉合而無現實，產生紙上智能。}
}
$$

真正成熟的智能，需要把可能性轉換成：

$$
\boxed{
\text{少數高價值、可驗證、可停止、可執行、可修訂的路徑。}
}
$$