# 天才不是變量：從高尾端表現到能力生成變量與影響域

## Genius Is Not a Variable: From Extreme Performance to Capability-Generating Variables and Influence Domains

**系列**：極端能力生成、變量影響域與 AI 能力編譯，第 1 篇／共 3 篇  
**系列英文名**：Extreme Capability Generation, Variable Influence Domains, and AI Capability Compilation  
**系列代碼**：ECGC  
**文件編號**：EML-ECGC-2026-01-v0.1  
**作者**：Neo.K with Aletheia（GPT-5.6 Sol）  
**機構**：EveMissLab／一言諾科技有限公司  
**版本**：v0.1  
**日期**：2026-09-12  
**性質**：Capability Science／Cognitive Decomposition／Variable Influence Theory／AI Capability Research  
**狀態**：Public Theory Draft  
**直接前置**：HGCB Series；《無界策：源點》；RCIG／有限約束下的無限遊戲方法；既有認知解構與生成能力研究  
**後續接口**：ECGC-02《有限生成基與無界能力空間》；ECGC-03《能力編譯：從人類極端案例到可執行 AI 算子族》

---

## 摘要

人類對高尾端能力的描述，長期依賴「天才」、「大師」、「戰略家」、「高手」、「創造者」等高度壓縮標籤。這些標籤可以快速指認結果，卻很少說明能力如何被生成。當研究目標從人物評價轉向可重建、可比較、可干預、可模擬與可編譯的能力科學時，「天才」本身不再是一個合格的一階解釋變量。

本文提出一個能力生成變量框架。對任一高尾端表現：

$$
Y^*,
$$

不直接把其歸因於：

$$
\text{Genius}=1,
$$

而是尋找一組候選變量：

$$
X=
\{x_1,x_2,\ldots,x_n\},
$$

以及其交互結構：

$$
\Gamma_X,
$$

使：

$$
Y^*
\approx
F
\left(
X,
\Gamma_X,
E,
H
\right),
$$

其中 $E$ 表示環境， $H$ 表示歷史路徑與訓練經歷。

本文特別提出「變量影響域」（Variable Influence Domain, VID），避免把能力研究退化為人格特質清單。某個變量的研究重點不是「它是否存在於某位高手身上」，而是：

$$
\mathcal I(x_i)
=
\text{該變量可系統性改變的能力結果集合}.
$$

本文進一步區分觀測特徵、生成因素、必要條件、充分條件、放大器、瓶頸、替代路徑與歷史偶然，並提出一組適合 AI Agent 實驗的能力變量族：知識覆蓋、表徵、策略生成、判斷、世界建模、時間尺度、執行、學習、協調與邊界重構。

本文的核心目的不是建立「成功人士十大特質」，而是為後續 AI 能力實驗建立一個可解構、可干預與可編譯的能力變量母體。歷史人物在本文中不是神話對象，而是極端能力的觀測樣本。真正的研究問題是：

$$
\boxed{
\text{What generates exceptional capability?}
}
$$

以及：

$$
\boxed{
\text{Which variables can be altered to reproduce or exceed the observed capability domain?}
}
$$

---

## 關鍵詞

極端能力；天才；能力生成；變量影響域；認知解構；高尾端表現；AI Agent；能力科學；策略生成；可干預模型

---

# 1. 「天才」是結果標籤，不是生成機制

我們經常說：

> 某人是天才。

或：

> 某人具有卓越戰略能力。

這些句子在社會語言中有用。

但若研究目標是解釋：

> 為什麼這個人能反覆產生其他人難以產生的高品質結果？

那麼：

$$
\text{Genius}
$$

幾乎沒有提供足夠資訊。

若形式化為：

$$
Y^*
=
F(\text{Genius}),
$$

其實只是把待解釋現象重新命名。

因此本文首先提出：

$$
\boxed{
\text{Label}
\neq
\text{Mechanism}.
}
$$

「天才」可以是分類標籤，但不能自動成為能力生成變量。

---

# 2. 從人物研究轉向反問題

傳統人物研究常問：

> 他做過什麼？

或：

> 他有哪些特質？

本文轉向反問題：

$$
\boxed{
\text{Given an observed extreme capability, what latent variable structure could generate it?}
}
$$

設高尾端能力表現為：

$$
Y^*.
$$

我們不直接把人物名稱當作自變量。

而是建立：

$$
X=
\{x_1,x_2,\ldots,x_n\}.
$$

然後尋找：

$$
Y^*
\approx
F
\left(
X,
\Gamma_X,
E,
H
\right).
$$

其中：

- $X$：能力候選變量；
- $\Gamma_X$：變量之間的交互與耦合；
- $E$：外部環境；
- $H$：歷史、訓練與路徑。

人物：

$$
P
$$

只是提供觀測：

$$
P
\rightarrow
\mathcal O(P).
$$

真正研究的，是：

$$
\mathcal O(P)
\rightarrow
X.
$$

---

# 3. 歷史人物是樣本，不是公式

假設：

$$
P_1
$$

代表某位歷史軍事家，

$$
P_2
$$

代表某位數學家，

$$
P_3
$$

代表某位工程師，

$$
P_4
$$

代表某位企業家。

傳統敘事容易寫：

$$
P_i
\rightarrow
\text{exceptional person}.
$$

本文改成：

$$
P_i
\rightarrow
\text{observed capability trace}.
$$

我們真正關心：

- 決策速度；
- 表徵品質；
- 問題壓縮；
- 策略生成；
- 誤差修正；
- 學習速度；
- 跨域轉移；
- 長短期切換；
- 執行一致性；
- 協調能力。

因此人物名稱只是一個索引。

一旦變量抽取完成：

$$
P_i
$$

理論上可以從模型中消失。

---

# 4. 高尾端能力不等於高平均能力

能力研究常犯另一個錯誤：

$$
\text{high mean performance}
\approx
\text{extreme capability}.
$$

兩者不同。

一個主體可能在大量一般任務中表現很好：

$$
\mathbb E[Y]
\gg
\text{population mean},
$$

但不一定具有在極端情境下產生新解的能力。

反之，一個主體可能平均表現普通，卻在特定高維問題上產生：

$$
Y_{\mathrm{tail}}
$$

極端高值。

因此要區分：

$$
\boxed{
\text{General High Performance}
\neq
\text{Tail Capability}.
}
$$

本文研究的主要對象是後者。

---

# 5. 能力不是單一標量

若寫：

$$
C_i
=
87,
$$

這種單一分數通常隱藏太多資訊。

更合理的是：

$$
\mathbf C_i
=
(c_1,c_2,\ldots,c_m).
$$

例如：

$$
\mathbf C_i
=
(
K,R,G,J,M,T,E,L,C,B
).
$$

其中：

- $K$：Knowledge Coverage；
- $R$：Representation；
- $G$：Generation；
- $J$：Judgment；
- $M$：Modeling；
- $T$：Temporal Capacity；
- $E$：Execution；
- $L$：Learning；
- $C$：Coordination；
- $B$：Boundary / Meta-game Capacity。

這不是最終變量集合，而是一組第一輪候選基。

---

# 6. 變量一：知識覆蓋 $K$

知識不能只用：

$$
|\mathcal K|
$$

表示。

更合理地：

$$
K
=
(D,L_k,C_k,F_k,U_k).
$$

其中：

- $D$：domain coverage；
- $L_k$：領域深度；
- $C_k$：跨領域連接密度；
- $F_k$：跨域映射能力；
- $U_k$：知識更新速度。

因此兩個主體即使：

$$
|\mathcal K_A|
\approx
|\mathcal K_B|,
$$

若：

$$
C_k^A
\gg
C_k^B,
$$

則其可生成的新結構可能非常不同。

所以：

$$
\boxed{
\text{Knowing more}
\neq
\text{being able to generate more from what is known}.
}
$$

---

# 7. 變量二：表徵能力 $R$

表徵能力不是記憶量。

它是把複雜世界壓成可運算結構的能力。

可寫成：

$$
R:
\mathcal W
\rightarrow
Z,
$$

其中：

$$
Z
$$

是內部工作表徵。

高品質表徵應同時保留：

- 決策相關資訊；
- 關係；
- 約束；
- 不確定性；
- 可操作結構。

若壓縮過度：

$$
I(Z;\mathcal W_{\mathrm{relevant}})
\downarrow.
$$

若壓縮不足：

$$
C_{\mathrm{computation}}
\uparrow.
$$

因此高表徵能力是一個：

$$
\boxed{
\text{useful compression problem}.
}
$$

---

# 8. 變量三：策略生成 $G$

策略生成能力表示：

$$
G:
S_t
\rightarrow
\mathcal A_t^{candidate}.
$$

低生成能力主體可能得到：

$$
\mathcal A_t^{candidate}
=
\{a_1,a_2\}.
$$

高生成能力主體可能得到：

$$
\mathcal A_t^{candidate}
=
\{a_1,a_2,\ldots,a_n\}.
$$

真正重要的不是：

$$
n
$$

越大越好。

而是：

$$
\text{valid novelty}
$$

的比例。

所以可以定義：

$$
G_{\mathrm{eff}}
=
\frac{
|\text{novel useful candidates}|
}{
|\text{generated candidates}|
}.
$$

這與單純「想很多」不同。

---

# 9. 變量四：判斷 $J$

如果生成能力：

$$
G
$$

很高，

但判斷能力：

$$
J
$$

很低，

系統可能只會得到大量噪音。

所以：

$$
G
\gg0
$$

不代表：

$$
Y^*
$$

提高。

判斷能力可寫成：

$$
J:
\mathcal A^{candidate}
\rightarrow
\operatorname{Rank}
\left(
\mathcal A^{candidate}
\right).
$$

它包含：

- 可行性；
- 風險；
- 成本；
- 時機；
- 反事實；
- 二階後果；
- 不確定性；
- 錯誤淘汰。

因此：

$$
\boxed{
\text{Creativity without discrimination can collapse into noise}.
}
$$

---

# 10. 變量五：世界建模 $M$

世界建模表示：

$$
M_t
=
\hat{\mathcal W}_t.
$$

高品質模型不只是知道當下狀態。

還要表示：

- 因果；
- 玩家；
- 可能行動；
- 約束；
- 資訊不完整；
- 對手反應；
- 時間變化。

因此：

$$
M
$$

直接影響：

$$
G
$$

與：

$$
J.
$$

如果世界模型錯：

$$
\epsilon_M
\uparrow,
$$

那麼即使生成與判斷很強，也可能在錯誤世界中最佳化。

---

# 11. 變量六：時間尺度 $T$

很多高手不是單純「想得更多」。

而是能同時保持：

$$
T_{short},
T_{mid},
T_{long}.
$$

並且切換。

因此：

$$
T
=
(
\text{Horizon},
\text{Switch},
\text{Discount},
\text{Timing}
).
$$

其中：

- Horizon：可維持的規劃長度；
- Switch：時間尺度切換速度；
- Discount：短期與長期權衡；
- Timing：行動時點判斷。

高尾端策略常來自：

$$
\boxed{
\text{knowing when a locally bad move is globally good}.
}
$$

---

# 12. 變量七：執行 $E$

能力研究常高估「想到」。

但：

$$
\text{Idea}
\neq
\text{Outcome}.
$$

執行可以寫成：

$$
E:
a^{planned}
\rightarrow
a^{realized}.
$$

定義執行偏差：

$$
\epsilon_E
=
d
\left(
a^{planned},
a^{realized}
\right).
$$

極端能力有時不是因為策略更新穎，而是：

$$
\epsilon_E
\ll
\text{population baseline}.
$$

所以：

$$
\boxed{
\text{execution precision can itself generate tail performance}.
}
$$

---

# 13. 變量八：學習與適應 $L$

學習不是單純記住新資訊。

更重要的是：

$$
L:
(M_t,\epsilon_t)
\rightarrow
M_{t+1}.
$$

也就是：

> 誤差進來後，系統如何修改模型？

可定義學習速度：

$$
v_L
=
\frac{
\Delta \text{performance}
}{
\Delta \text{experience}
}.
$$

以及錯誤黏著：

$$
H_{\mathrm{error}}
=
\text{an error survives how many update cycles}.
$$

高適應能力意味著：

$$
H_{\mathrm{error}}
\downarrow.
$$

---

# 14. 變量九：協調 $C$

極端能力不一定來自個人。

可以來自：

$$
\text{team topology}.
$$

因此：

$$
C
$$

表示：

- 分工；
- 通訊；
- 信任；
- 指揮；
- 任務路由；
- 衝突解決；
- 知識整合；
- 執行同步。

一個中等個體集合：

$$
\{A_1,\ldots,A_n\}
$$

經高品質協調後，可能形成：

$$
C_{\mathrm{team}}
\gg
\max_i C_{A_i}.
$$

因此：

$$
\boxed{
\text{Exceptional capability can be collective}.
}
$$

---

# 15. 變量十：邊界／超博弈能力 $B$

這是與 HGCB 與《無界策》直接連接的變量。

$$
B
$$

不是「會換規則」而已。

它表示：

> 主體是否會懷疑目前的問題定義、行動集合、玩家集合、目標、尺度與規則是不是被錯誤閉合？

形式上：

$$
B:
\mathcal G
\rightarrow
\{\mathcal G'_1,\ldots,\mathcal G'_k\}.
$$

如果：

$$
B=0,
$$

主體只能：

$$
\operatorname{Solve}(G).
$$

若：

$$
B>0,
$$

主體還能：

$$
\operatorname{Audit}(G),
$$

$$
\operatorname{Repair}(G).
$$

因此：

$$
\boxed{
B
=
\text{ability to question the recognized game-space}.
}
$$

---

# 16. 這十個變量不是獨立的

若能力只是：

$$
C
=
K+R+G+J+M+T+E+L+C+B,
$$

模型太簡單。

真正重要的可能是：

$$
X_iX_j
$$

與：

$$
X_iX_jX_k.
$$

例如：

$$
G\times J
$$

代表生成與判斷耦合。

$$
K\times G
$$

代表知識如何進入生成。

$$
M\times T
$$

代表長短期模型能力。

$$
B\times G\times J
$$

可能接近：

> 發現舊問題有錯，生成新問題空間，再判斷哪個新空間值得採用。

因此更合理是：

$$
Y
=
F
\left(
X,
X\otimes X,
X\otimes X\otimes X,
E,
H
\right).
$$

---

# 17. 變量影響域

本文提出核心概念：

$$
\boxed{
\text{Variable Influence Domain}
}
$$

簡稱：

$$
VID.
$$

對變量：

$$
x_i,
$$

定義其影響域：

$$
\mathcal I(x_i)
$$

為：

> 在其他條件可控或可估計時，改變 $x_i$ 能穩定造成可觀測差異的能力結果集合。

例如：

$$
\mathcal I(G)
=
\{
\text{option diversity},
\text{novelty},
\text{escape from local optimum}
\}.
$$

而：

$$
\mathcal I(J)
=
\{
\text{error rejection},
\text{risk calibration},
\text{candidate ranking}
\}.
$$

真正重要的是：

$$
\mathcal I(G)
\cap
\mathcal I(J).
$$

這表示：

> 某些能力只有多個變量共同存在才會出現。

---

# 18. 變量影響域不是人格特質清單

人格清單常寫：

- 勇敢；
- 專注；
- 有創意；
- 自律；
- 有領導力。

這些詞可能有意義，但缺乏操作性。

VID 要求至少回答：

1. 這個變量如何觀測？
2. 如何干預？
3. 改變後影響哪些結果？
4. 是否有交互項？
5. 是否跨任務有效？
6. 是否存在替代路徑？
7. 是否只是結果伴隨特徵？

因此：

$$
\boxed{
\text{Trait List}
\neq
\text{Causal Capability Model}.
}
$$

---

# 19. 七種變量角色必須區分

本文提出能力變量至少可分為七類。

## 19.1 觀測特徵

$$
x_{\mathrm{obs}}
$$

只是與高表現同時出現。

不保證具有因果作用。

---

## 19.2 生成因素

$$
x_{\mathrm{gen}}
$$

改變它會改變能力生成。

---

## 19.3 必要條件

$$
x_{\mathrm{nec}}.
$$

若缺少：

$$
x_{\mathrm{nec}}=0,
$$

則目標能力無法實現。

---

## 19.4 充分條件

$$
x_{\mathrm{suf}}.
$$

在指定條件集合下，存在它足以生成目標能力。

---

## 19.5 放大器

$$
x_{\mathrm{amp}}.
$$

本身不生成能力，但提高既有能力收益。

---

## 19.6 瓶頸

$$
x_{\mathrm{bottleneck}}.
$$

其他變量再高，若它不足，整體能力仍受限。

---

## 19.7 歷史偶然

$$
x_{\mathrm{accident}}.
$$

它存在於某個成功案例中，但換一條路徑可能完全不需要。

---

# 20. 不能從「存在於高手」推出「必要」

若觀察：

$$
x_i(P^*)=1
$$

且：

$$
Y(P^*)=Y^*,
$$

只能得到：

$$
x_i
$$

與：

$$
Y^*
$$

在該案例共同出現。

不能推出：

$$
x_i
\Rightarrow
Y^*.
$$

更不能推出：

$$
x_i
\text{ is necessary}.
$$

所以必須保留：

$$
\boxed{
\text{Observed}
\neq
\text{Necessary}
\neq
\text{Sufficient}
\neq
\text{Unique}.
}
$$

這與 RCIG 最近的核心分離完全一致。

---

# 21. 替代生成路徑

假設能力：

$$
Y^*
$$

可以由：

$$
X_A
$$

生成。

不能推出：

$$
X_A
$$

是唯一生成基。

完全可能：

$$
X_A
\neq
X_B
$$

但：

$$
F(X_A)
\approx
Y^*,
$$

以及：

$$
F(X_B)
\approx
Y^*.
$$

因此定義：

$$
\boxed{
\mathcal P(Y^*)
=
\{X:
F(X)\in\mathcal C(Y^*)\}.
}
$$

其中：

$$
\mathcal P(Y^*)
$$

是能力 $Y^*$ 的生成路徑集合。

真正研究的不是：

> 哪個人怎麼做到？

而是：

> 有多少不同變量配置都能進入同一能力域？

---

# 22. 歷史案例的因果識別限制

歷史人物不是乾淨實驗。

我們通常無法：

- 控制出生環境；
- 控制教育；
- 控制戰爭；
- 控制時代；
- 控制資源；
- 控制政治制度；
- 重複同一生命。

因此：

$$
P_{\mathrm{historical}}
$$

主要提供：

$$
\text{hypothesis-generating evidence}.
$$

不是：

$$
\text{clean causal proof}.
$$

這也是為什麼 AI 模擬與人工遊戲實驗變得重要。

---

# 23. 從傳記敘事轉為可干預模型

真正工程化需要：

$$
do(x_i=v).
$$

也就是：

> 如果把某個變量調高／調低，能力結果是否改變？

例如：

$$
Y
\mid
do(G=g_1)
$$

與：

$$
Y
\mid
do(G=g_2).
$$

若差異穩定：

$$
\Delta Y
\neq
0,
$$

則才有更強理由認為：

$$
G
$$

是生成因素。

因此能力科學最終應從：

$$
\text{observation}
$$

走向：

$$
\boxed{
\text{intervention}.
}
$$

---

# 24. 為什麼 AI 特別適合這個問題

對人類：

$$
do(G=g_1)
$$

通常很難乾淨實現。

但對 AI Agent，可以：

- 改搜索寬度；
- 改記憶架構；
- 改規劃長度；
- 改 evaluator；
- 改 world model；
- 改 reflection policy；
- 改工具權限；
- 改跨域知識；
- 改 opponent model；
- 改多 Agent 協調結構。

因此 AI 允許：

$$
\boxed{
\text{capability ablation}.
}
$$

這是人類研究很難得到的實驗自由度。

---

# 25. 能力消融

建立基準 Agent：

$$
A_0.
$$

加入變量：

$$
x_i.
$$

得到：

$$
A_i
=
A_0+x_i.
$$

比較：

$$
\Delta Y_i
=
Y(A_i)-Y(A_0).
$$

再加入：

$$
x_i+x_j.
$$

比較：

$$
\Delta Y_{ij}.
$$

若：

$$
\Delta Y_{ij}
>
\Delta Y_i+\Delta Y_j,
$$

說明存在正交互作用。

若：

$$
\Delta Y_{ij}
<
\Delta Y_i+\Delta Y_j,
$$

可能有冗餘或衝突。

---

# 26. 能力梯度

本文不把能力只分成：

$$
\text{normal}
$$

與：

$$
\text{genius}.
$$

更合理是：

$$
\mathcal C_0
\rightarrow
\mathcal C_1
\rightarrow
\cdots
\rightarrow
\mathcal C_k.
$$

每一層表示不同能力域。

例如：

- 能執行；
- 能穩定執行；
- 能適應；
- 能生成替代方案；
- 能發現模型錯誤；
- 能重構問題；
- 能跨領域轉移；
- 能創造新工具；
- 能改寫自身能力結構。

因此：

$$
\boxed{
\text{exceptional capability is better modeled as region entry than as a binary trait}.
}
$$

---

# 27. 高尾端能力可以是吸引域

能力不是永遠需要每次重新從零建立。

成功可能造成：

$$
\text{better information}
\rightarrow
\text{better model}
\rightarrow
\text{better decisions}
\rightarrow
\text{better feedback}
\rightarrow
\text{better learning}.
$$

形成：

$$
\mathcal C_t
\rightarrow
\mathcal C_{t+1}
\rightarrow
\mathcal C_{t+2}.
$$

因此某些高能力配置可能形成：

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

一旦進入，系統能透過正回饋維持或擴張能力。

---

# 28. 反過來也有能力崩潰域

若：

$$
\text{bad model}
\rightarrow
\text{bad decision}
\rightarrow
\text{bad feedback}
\rightarrow
\text{defensive belief}
\rightarrow
\text{worse model},
$$

則可能形成：

$$
\boxed{
\text{Capability Collapse Basin}.
}
$$

所以研究極端能力不應只看：

$$
X_t.
$$

還要看：

$$
\frac{dX}{dt}.
$$

也就是能力配置正在往哪個域移動。

---

# 29. 高尾端能力與運氣必須分離

單次成功：

$$
Y_t^*
$$

可能來自：

$$
\text{Luck}.
$$

但若一個主體在不同環境反覆產生：

$$
Y_1^*,Y_2^*,\ldots,Y_n^*,
$$

則應研究是否存在：

$$
\Theta
$$

使：

$$
P(Y^*\mid\Theta)
\gg
P(Y^*).
$$

這不是否定概率。

而是：

$$
\boxed{
\text{condition on the agent structure}.
}
$$

真正問題不是：

> 這種成功本來概率多少？

而是：

> 對具有某種能力變量組合的主體而言，成功概率是否被系統性改變？

---

# 30. IID 假設常不適用於持續高手

若每一場完全獨立：

$$
P(W_t)=p,
$$

則：

$$
P(k\text{ wins})
=
p^k.
$$

但真實高手可能有：

$$
M_{t+1}
=
L(M_t,\epsilon_t).
$$

所以：

$$
P(W_{t+1}\mid W_t,M_{t+1})
$$

不等於：

$$
P(W_{t+1}).
$$

成功與失敗會改變 Agent。

因此：

$$
\boxed{
\text{Repeated excellence is a dynamic process, not necessarily repeated identical draws}.
}
$$

---

# 31. 尾端可行性域

本文定義：

$$
\boxed{
\mathcal F_{\mathrm{tail}}(S,X)
}
$$

表示：

> 在狀態 $S$ 下，對具有能力配置 $X$ 的高尾端行動者而言可發現且可執行的策略集合。

一般主體：

$$
\mathcal F_{\mathrm{normal}}.
$$

高尾端主體：

$$
\mathcal F_{\mathrm{tail}}.
$$

可能有：

$$
\mathcal F_{\mathrm{normal}}
\subsetneq
\mathcal F_{\mathrm{tail}}
\subseteq
\mathcal F_{\mathrm{physical}}.
$$

這表示：

> 世界客觀允許的解，比一般行動者能看見的解更多。

---

# 32. 已知、可發現與物理可行

進一步區分：

$$
\mathcal F_{\mathrm{known}}
$$

為當前已知解；

$$
\mathcal F_{\mathrm{discoverable}}(X)
$$

為給定能力配置可發現的解；

$$
\mathcal F_{\mathrm{physical}}
$$

為世界真正允許的全部解。

因此：

$$
\mathcal F_{\mathrm{known}}
\subseteq
\mathcal F_{\mathrm{discoverable}}(X)
\subseteq
\mathcal F_{\mathrm{physical}}.
$$

高尾端能力研究的核心之一就是擴張：

$$
\mathcal F_{\mathrm{discoverable}}(X).
$$

---

# 33. 「成為某位歷史天才」不是最佳研究目標

若目標寫成：

$$
\text{Become Napoleon},
$$

或：

$$
\text{Become von Neumann},
$$

模型容易退化成模仿。

本文認為更合理的是：

$$
\boxed{
\text{Reach or exceed a target capability region}.
}
$$

設目標能力域：

$$
\mathcal C^*.
$$

尋找：

$$
X
$$

使：

$$
F(X)
\in
\mathcal C^*.
$$

歷史人物只負責幫助定義：

$$
\mathcal C^*.
$$

---

# 34. 能力生成問題

本文定義：

$$
\boxed{
\text{Capability Generation Problem}
}
$$

給定目標能力域：

$$
\mathcal C^*,
$$

尋找變量集合：

$$
X
$$

使：

$$
\mathcal R(X)
\cap
\mathcal C^*
\neq
\varnothing.
$$

其中：

$$
\mathcal R(X)
$$

表示由配置 $X$ 可生成的能力結果集合。

---

# 35. 最小生成變量問題

更進一步：

$$
\boxed{
X^*
=
\arg\min_X
|X|
}
$$

subject to：

$$
\mathcal R(X)
\cap
\mathcal C^*
\neq
\varnothing.
$$

這就是：

$$
\boxed{
\text{Minimum Capability Generating Basis}.
}
$$

下一篇 ECGC-02 將直接處理：

> 有限個核心生成變量是否足以產生近乎無界的能力配置？

---

# 36. 變量影響域的實驗模板

對每個：

$$
x_i,
$$

建立：

$$
VID_i
=
(
D_i,
M_i,
E_i,
C_i,
T_i
).
$$

其中：

- $D_i$：主要影響 domain；
- $M_i$：可觀測 metric；
- $E_i$：effect size；
- $C_i$：交互變量；
- $T_i$：時間尺度。

例如：

$$
VID_G
$$

可記錄：

- 候選數；
- 新穎度；
- 可行率；
- 新策略發現率；
- 與 $J$ 的交互效應。

---

# 37. 能力變量不應只有「提高」

某些變量過高可能造成負效應。

例如：

$$
G
\uparrow
$$

可能提高新穎度，

但若：

$$
J
$$

不足，

則：

$$
\text{noise}
\uparrow.
$$

同樣：

$$
B
\uparrow
$$

可能提高超博弈能力，

但過高可能導致：

$$
\text{meta-analysis paralysis}.
$$

因此：

$$
Y
=
F(X)
$$

不必單調。

能力工程不能假設：

$$
x_i
\uparrow
\Rightarrow
Y
\uparrow.
$$

---

# 38. 變量也可能互相替代

若：

$$
K
$$

較低，

但：

$$
G
$$

與：

$$
L
$$

極高，

主體可能透過快速探索補足知識不足。

反之：

$$
K
$$

極高，

可能降低：

$$
G
$$

所需探索成本。

因此：

$$
\boxed{
\text{same capability}
\leftarrow
\text{different variable configurations}.
}
$$

這再次說明：

$$
\text{Unique genius formula}
$$

通常不應作為預設。

---

# 39. 能力科學的真正輸出

本文不以：

> 某人為什麼很厲害？

作為最終輸出。

而是希望得到：

$$
\boxed{
\mathcal M_{\mathrm{capability}}
}
$$

其中包含：

1. 變量；
2. 影響域；
3. 交互作用；
4. 瓶頸；
5. 替代路徑；
6. 訓練／干預方式；
7. 可測指標；
8. 能力轉移範圍；
9. 失效條件。

這才是可以交給 AI Agent 使用的形式。

---

# 40. 十個核心命題

## 命題一：標籤非機制

$$
\boxed{
\text{Genius}
\neq
\text{explanatory variable}.
}
$$

---

## 命題二：人物樣本化

$$
\boxed{
\text{Historical person}
\rightarrow
\text{capability trace}.
}
$$

---

## 命題三：能力向量化

$$
\boxed{
\text{Capability}
\neq
\text{single scalar}.
}
$$

---

## 命題四：影響域命題

$$
\boxed{
x_i
\rightarrow
\mathcal I(x_i).
}
$$

---

## 命題五：交互優先

$$
\boxed{
Y
=
F
\left(
X,
X\otimes X,
X\otimes X\otimes X
\right).
}
$$

---

## 命題六：觀測非必要

$$
\boxed{
\text{Observed}
\neq
\text{Necessary}
\neq
\text{Sufficient}
\neq
\text{Unique}.
}
$$

---

## 命題七：歷史案例非乾淨因果實驗

$$
\boxed{
\text{Historical evidence}
\rightarrow
\text{causal hypotheses},
}
$$

而非自動：

$$
\text{causal proof}.
$$

---

## 命題八：能力研究需干預

$$
\boxed{
\text{Capability Science}
=
\text{Observation}
+
\text{Intervention}.
}
$$

---

## 命題九：尾端可行域依賴能力配置

$$
\boxed{
\mathcal F_{\mathrm{discoverable}}
=
\mathcal F_{\mathrm{discoverable}}(X).
}
$$

---

## 命題十：能力生成問題

$$
\boxed{
X^*
=
\arg\min_X |X|
\quad
\text{s.t.}
\quad
\mathcal R(X)
\cap
\mathcal C^*
\neq
\varnothing.
}
$$

---

# 41. 與下一篇的接口：為什麼有限變量仍可能產生無界能力

本文先把：

$$
X
$$

從人物標籤中抽出。

但新的問題立刻出現：

> 如果真正能力空間看起來極大，是否意味著我們需要無限多個基本變量？

未必。

完全可能存在：

$$
|X_{\mathrm{core}}|<\infty,
$$

但：

$$
|\mathcal R(X_{\mathrm{core}})|
$$

持續擴張。

原因可能來自：

- 組合；
- 遞迴；
- 自我修改；
- 學習；
- 跨域映射；
- 環境交互；
- 歷史依賴。

這就是 ECGC-02 的核心。

---

# 42. 結論

「天才」是一個方便的人類標籤。

但對能力科學而言：

$$
\boxed{
\text{Genius is not a variable.}
}
$$

它不能告訴我們：

- 怎麼生成；
- 怎麼訓練；
- 怎麼測試；
- 怎麼複製；
- 怎麼超越；
- 怎麼知道哪個部分真正重要。

因此本文將研究單位從人物轉為：

$$
X
=
\{x_1,\ldots,x_n\},
$$

並將研究重點放在：

$$
\mathcal I(x_i),
$$

也就是每個變量真正能改變的能力影響域。

歷史人物因此被重新定位為：

$$
\boxed{
\text{extreme capability fossils}.
}
$$

它們提供證據，但不是終點。

真正值得研究的是：

$$
\boxed{
\text{What generates exceptional capability?}
}
$$

更進一步：

$$
\boxed{
\text{What variable structures generate capability beyond observed exemplars?}
}
$$

這使能力研究從：

$$
\text{biography}
$$

轉向：

$$
\text{generative variable science}.
$$

而 AI Agent 的可控架構、可重複模擬、可消融與可大量分叉，使這個問題第一次有機會被從哲學與人物敘事推入真正的實驗工程。

---

# 參考文獻

1. Chase, W. G., & Simon, H. A. (1973). Perception in Chess. *Cognitive Psychology*, 4(1), 55-81.

2. Chi, M. T. H., Feltovich, P. J., & Glaser, R. (1981). Categorization and Representation of Physics Problems by Experts and Novices. *Cognitive Science*, 5(2), 121-152.

3. Ericsson, K. A., Krampe, R. T., & Tesch-Römer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Performance. *Psychological Review*, 100(3), 363-406.

4. Ericsson, K. A., & Pool, R. (2016). *Peak: Secrets from the New Science of Expertise*. Houghton Mifflin Harcourt.

5. Gigerenzer, G., & Selten, R. (Eds.). (2001). *Bounded Rationality: The Adaptive Toolbox*. MIT Press.

6. Newell, A., & Simon, H. A. (1972). *Human Problem Solving*. Prentice-Hall.

7. Simon, H. A. (1955). A Behavioral Model of Rational Choice. *The Quarterly Journal of Economics*, 69(1), 99-118.

8. Sternberg, R. J. (Ed.). (1999). *Handbook of Creativity*. Cambridge University Press.

9. Neo.K with Aletheia. (2026). *HGCB Series: Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness*. EveMissLab.

10. Neo.K. (2026). *《無界策：源點》*. EveMissLab working manuscript.

---

# 附錄 A：第一輪能力變量模板

```yaml
capability_variable:
  id:
  name:
  type:
    - observed_feature
    - generator
    - necessary
    - sufficient
    - amplifier
    - bottleneck
    - historical_accident

  intervention:
  observable_metrics:
  influence_domains:
  interaction_variables:
  task_transfer:
  failure_modes:
  time_scale:
  confidence:
```

---

# 附錄 B：歷史人物解構模板

```yaml
exemplar:
  name:
  domain:
  observed_extreme_outcomes:
  repeatability:
  environmental_advantages:
  historical_constraints:
  candidate_variables:
  alternative_explanations:
  confounders:
  transferable_mechanisms:
  non_transferable_context:
```

---

# 附錄 C：一句話版本

> **不要把「天才」當成答案；把它當成一個需要被逆向工程的高尾端能力現象。**