# 能力編譯：從人類極端案例到可執行 AI 算子族 ## Capability Compilation: From Extreme Human Cases to Executable AI Operator Families **系列**：極端能力生成、變量影響域與 AI 能力編譯，第 3 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-2026-03-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 Compilation／Agent Architecture／Operator Engineering／Experimental AI／Capability Transfer **狀態**：Public Theory Draft **直接前置**：ECGC-01《天才不是變量》；ECGC-02《有限生成基與無界能力空間》；HGCB Series；《無界策：源點》 **系列狀態**：ECGC Series Complete **後續接口**：Agent Game／Player-Equivalent Interface／Controlled World-Model Laboratory 系列 --- ## 摘要 如果極端能力可以被拆成能力變量、影響域、生成基與算子結構，那麼最重要的下一步不是再寫一篇人物分析，而是把這些結構轉成 AI Agent 可以真正執行、消融、比較與重組的形式。本文提出「能力編譯」（Capability Compilation）概念：將人類歷史案例、專家行為、AI 高品質軌跡與跨領域能力現象，從敘事層逆向工程為可執行能力算子，再將算子編譯到 Agent 的觀察、表徵、策略生成、判斷、世界模型、規劃、學習、協調與超博弈模組中。 本文將能力編譯器表示為： $$ \mathcal K_{\mathrm{cap}} : \left( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T \right) \rightarrow \mathcal A_{\mathrm{exec}}, $$ 其中 $\mathcal E$ 為能力證據， $X$ 為候選變量， $\Gamma_X$ 為交互結構， $\mathcal O$ 為生成算子， $\mathcal T$ 為目標任務族，而 $\mathcal A_{\mathrm{exec}}$ 為可載入 Agent 的執行結構。 本文特別區分「模仿人物」與「編譯能力」： $$ \boxed{ \text{Persona Imitation} \neq \text{Capability Compilation}. } $$ 前者試圖讓 AI 看起來像某人；後者則試圖辨識什麼機制讓某類高尾端表現得以出現，再將機制抽象化、去人物化、可測化與可組合化。人物名稱應在編譯後逐步消失，只保留可以被驗證的能力結構。 本文建立七層能力編譯管線：Evidence Extraction、Variable Decomposition、Mechanism Inference、Operator Formalization、Runtime Binding、Experimental Evaluation、Recompilation。並提出 Capability IR（能力中介表示）、Operator Contract、Capability Package、Ablation Matrix、Cross-Domain Transfer Test 與 Capability Provenance 等工程概念。 本文最終主張：人類歷史與專家案例不應只被 AI 當作知識文本，而可以被當成「能力化石」來逆向工程；真正高階的 AI 能力研究，應從「模型知道某位天才是誰」推進到「模型能否抽出、編譯、測試並超越支撐該能力的生成機制」。 --- ## 關鍵詞 能力編譯；AI Agent；算子族；極端能力；能力中介表示；能力包；消融實驗；世界模型；能力遷移；人工能力設計 --- # 1. 從「知道天才」到「編譯能力」 人類文明留下大量關於： - 軍事家； - 數學家； - 科學家； - 工程師； - 藝術家； - 企業家； - 組織； - 團隊； 的歷史資料。 AI 可以回答： > 某個人做過什麼？ 甚至可以回答： > 為什麼他被認為很厲害？ 但這仍然主要是： $$ \boxed{ \text{Knowledge Retrieval}. } $$ 本文研究更強的問題： $$ \boxed{ \text{Can the capability-generating structure be reconstructed and executed?} } $$ 也就是： > 能不能把「他為什麼能做到」抽成 AI 可用的能力結構？ --- # 2. Persona Imitation 不是 Capability Compilation 假設要研究某位極端案例： $$ P. $$ 最容易做的是 Prompt： > 你現在扮演 $P$，用他的思考方式回答。 這是： $$ \boxed{ \text{Persona Imitation}. } $$ 它可能產生文風、語氣、知識背景與角色一致性。 但不代表： $$ \text{Mechanism}(P) $$ 真的被重建。 因此： $$ \boxed{ \text{Behavioral resemblance} \not\Rightarrow \text{capability equivalence}. } $$ 能力編譯追求的是： $$ P \rightarrow X \rightarrow \Gamma_X \rightarrow \mathcal O \rightarrow \text{Agent}. $$ 不是： $$ P \rightarrow \text{Prompt}(P). $$ --- # 3. 人物最終應該從能力模型中消失 如果能力模型完成後仍然必須寫： $$ \text{Napoleon Mode}=1, $$ 那代表抽象化仍然不足。 理想狀態是： $$ P \rightarrow \mathcal E(P) \rightarrow X_P \rightarrow \mathcal O_P. $$ 然後： $$ \mathcal O_P $$ 被重命名為其功能。 例如： $$ O_{\mathrm{multi-horizon}}, $$ $$ O_{\mathrm{opponent-model}}, $$ $$ O_{\mathrm{option-generation}}, $$ $$ O_{\mathrm{initiative-preservation}}. $$ 人物只保留在： $$ \boxed{ \text{provenance}. } $$ 而不保留在 runtime 本體中。 --- # 4. 能力證據層 定義能力證據集合： $$ \mathcal E = \{ e_1,e_2,\ldots,e_n \}. $$ 證據可能包括： - 歷史決策紀錄； - 作品； - 對局； - 失敗案例； - 專家訪談； - 實驗； - 行為軌跡； - AI reasoning trace 的可公開結構摘要； - 任務表現； - 多次重複結果。 能力編譯的第一步不是直接抽象。 而是： $$ \boxed{ \text{evidence normalization}. } $$ --- # 5. 證據必須包含成功與失敗 只研究： $$ \mathcal E_{\mathrm{success}} $$ 會產生 survivor bias。 因此： $$ \mathcal E = \mathcal E_{\mathrm{success}} \cup \mathcal E_{\mathrm{failure}} \cup \mathcal E_{\mathrm{neutral}}. $$ 如果某個候選機制只在成功案例中被敘事提到，但在失敗時也大量存在，則： $$ P(Y^*\mid x) $$ 可能沒有想像中高。 因此能力編譯不是英雄敘事。 它需要： $$ \boxed{ \text{contrastive evidence}. } $$ --- # 6. 第一層：Evidence Extraction 能力編譯第一層： $$ \mathcal E \rightarrow \mathcal E'. $$ 目標是從敘事中抽出： - 狀態； - 可見資訊； - 行動； - 時間； - 資源； - 對手； - 替代方案； - 結果； - 後續修正； - 不確定性。 所以一段： > 他果斷抓住時機。 應被展開成： $$ ( S_t, I_t, A_t, t_{\mathrm{decision}}, a_t, Y_t ). $$ 只有如此才能後續比較。 --- # 7. 第二層：Variable Decomposition 接著： $$ \mathcal E' \rightarrow X. $$ 利用 ECGC-01 的候選變量： $$ X= (K,R,G,J,M,T,E,L,C,B,\ldots). $$ 但不要求每個案例都使用全部變量。 應得到： $$ X_P \subseteq X_{\mathrm{global}}. $$ 並標記： - evidence strength； - confounders； - alternative explanations； - transfer confidence。 --- # 8. 第三層：Mechanism Inference 變量存在不代表知道機制。 例如： $$ G $$ 高。 仍需知道： > 它如何產生高品質候選？ 所以建立： $$ \Gamma_X. $$ 例如： $$ K \rightarrow R \rightarrow G \rightarrow J \rightarrow E. $$ 或者： $$ M \leftrightarrow G. $$ 或： $$ B \rightarrow \mathcal G' \rightarrow G'. $$ 因此： $$ \boxed{ \text{Capability Model} = \text{Variables} + \text{Relations} + \text{Update Rules}. } $$ --- # 9. 第四層：Operator Formalization 當機制足夠穩定，將其抽成算子： $$ O_i. $$ 算子不是人格敘事。 它需要最少包含： $$ O_i = ( \text{Input}, \text{State}, \text{Transform}, \text{Output}, \text{Constraints}, \text{Metrics} ). $$ --- # 10. Operator Contract 本文提出： $$ \boxed{ \text{Operator Contract}. } $$ 每個能力算子應定義： ### Input 它需要哪些輸入？ ### Preconditions 什麼條件下可啟動？ ### Internal State 是否需要記憶？ ### Transform 它做什麼轉換？ ### Output 輸出什麼？ ### Cost token、時間、算力、工具成本。 ### Risks 可能造成什麼錯誤？ ### Metrics 如何知道它有效？ 因此： $$ O $$ 才能真正被 Agent runtime 調用。 --- # 11. 一個簡單的策略生成算子 例如： $$ O_{\mathrm{generate}}. $$ Input： $$ (S_t,M_t,K_t). $$ Output： $$ \mathcal A_t^{\mathrm{candidate}}. $$ 但 contract 還需要： $$ |\mathcal A_t^{\mathrm{candidate}}| \leq B_A. $$ 其中： $$ B_A $$ 是候選預算。 再要求： $$ \text{Novelty}(a_i) > \theta_N $$ 對至少部分候選成立。 這樣才不是「請多想幾個」。 --- # 12. 世界模型算子 $$ O_{\mathrm{world-model}} : (O_{0:t},M_{t-1}) \rightarrow \hat S_t. $$ 可包含： - entity state； - uncertainty； - causal relation； - opponent estimate； - missing information； - confidence。 再由： $$ O_{\mathrm{forecast}} $$ 產生： $$ \widehat S_{t+1:t+k}. $$ 這樣世界模型能力才能被獨立消融。 --- # 13. 超博弈審查算子 從 HGCB 直接轉入： $$ O_{\mathrm{hyperaudit}} : \mathcal G_t \rightarrow \{ \mathcal G_t, \mathcal G_t', \ldots \}. $$ 它檢查： - 玩家漏列； - 行動漏列； - 規則可變； - 效用錯置； - 時間尺度錯置； - 耦合遊戲； - 觀察者盲區。 但要有啟動條件。 例如： $$ \mathrm{ResidualError}>\theta_R $$ 或： $$ \mathrm{NoveltyShock}>\theta_N. $$ 否則每一步都做超博弈審查會過度昂貴。 --- # 14. 第五層：Capability IR 不同 Agent 架構不應直接綁死在某個模型 API。 因此本文提出： $$ \boxed{ \text{Capability Intermediate Representation} } $$ 簡稱： $$ \text{Capability IR}. $$ 它是一個模型無關層。 例如： ```yaml capability_ir: capability_id: strategic_option_generation version: 0.1 variables: generation: high judgment: required world_model: required operator: input: - current_state - uncertainty_map - task_goal output: - candidate_actions constraints: candidate_budget: 8 must_include_nondefault: true evaluation: - novelty - feasibility - downstream_value ``` Capability IR 再由不同 runtime 編譯。 --- # 15. Capability IR 的目的 它讓： $$ \text{capability} $$ 不等於： $$ \text{prompt text}. $$ 而是成為： $$ \boxed{ \text{portable behavioral-computational specification}. } $$ 這樣同一能力可以被編譯到： - LLM Agent； - RL Agent； - hybrid symbolic Agent； - multi-agent system； - game bot； - simulation Agent。 --- # 16. 第六層：Runtime Binding Capability IR 需要綁定具體 runtime。 定義： $$ \mathcal B_r : IR \rightarrow Runtime_r. $$ 例如對 LLM Agent： $$ IR \rightarrow ( \text{Prompt}, \text{Memory}, \text{Tools}, \text{Loop}, \text{Evaluator} ). $$ 對 RL Agent： $$ IR \rightarrow ( \text{Observation}, \text{PolicyHead}, \text{AuxiliaryLoss}, \text{Memory}, \text{Reward} ). $$ 對 hybrid Agent： $$ IR \rightarrow ( \text{Planner}, \text{Rules}, \text{Search}, \text{Model}, LLM ). $$ 因此： $$ \boxed{ \text{same capability specification} \rightarrow \text{multiple implementations}. } $$ --- # 17. Capability Package 多個算子可以組成： $$ \boxed{ \text{Capability Package}. } $$ 記為： $$ CP = \{ O_1,O_2,\ldots,O_k \}. $$ 例如「高階策略包」可能包含： $$ CP_{\mathrm{strategy}} = \{ O_{\mathrm{world-model}}, O_{\mathrm{generate}}, O_{\mathrm{judge}}, O_{\mathrm{opponent-model}}, O_{\mathrm{hyperaudit}} \}. $$ 但： $$ CP $$ 不是越大越好。 需要考慮： $$ \operatorname{Cost}(CP). $$ --- # 18. 編譯目標不能是「最大能力」 能力編譯應明確指定： $$ \mathcal T. $$ 即目標任務族。 因為： $$ CP^*_{\mathcal T_1} $$ 未必適合： $$ \mathcal T_2. $$ 所以： $$ \boxed{ CP^* = \arg\max_{CP} \left[ V(CP,\mathcal T) - \lambda \operatorname{Cost}(CP) \right]. } $$ 能力編譯是有成本約束的工程。 --- # 19. 第七層：Experimental Evaluation 算子寫出來不代表能力成立。 必須： $$ \boxed{ \text{compile} \rightarrow \text{run} \rightarrow \text{measure}. } $$ 至少比較： $$ A_0 $$ baseline， $$ A_i=A_0+O_i, $$ 以及： $$ A_{ij}=A_0+O_i+O_j. $$ --- # 20. Ablation Matrix 本文提出： $$ \boxed{ \text{Ablation Matrix}. } $$ 若能力包： $$ CP = \{O_1,\ldots,O_k\}, $$ 測： $$ Y(CP), $$ 再逐一移除： $$ Y(CP\setminus\{O_i\}). $$ 定義貢獻： $$ \Delta_i = Y(CP) - Y(CP\setminus\{O_i\}). $$ 再測交互： $$ \Delta_{ij}. $$ 這能逐步辨識真正支撐能力的算子。 --- # 21. 不應只看勝率或總分 若： $$ Y $$ 只有一個 benchmark score， 很容易錯過能力結構。 應建立： $$ \mathbf M = ( M_1,\ldots,M_n ). $$ 例如： - solution quality； - novelty； - robustness； - adaptation； - calibration； - latency； - resource cost； - transfer； - strategy diversity； - error recovery。 因此： $$ \boxed{ \text{Capability} \neq \text{single benchmark number}. } $$ --- # 22. Cross-Domain Transfer Test 若某算子只在一個環境有用： $$ O_i $$ 可能只是 heuristic。 真正一般能力需要： $$ O_i $$ 在： $$ \mathcal T_1,\mathcal T_2,\ldots,\mathcal T_m $$ 保留部分增益。 定義： $$ \operatorname{Transfer}(O_i) = \frac{1}{m} \sum_j \Delta Y_{ij}. $$ 再檢查 variance。 如果： $$ \operatorname{Var}(\Delta Y_{ij}) $$ 極高， 則它可能高度域特化。 --- # 23. Capability Provenance 任何能力包都應知道： > 它為什麼存在？ 因此需要： $$ \boxed{ \text{Capability Provenance}. } $$ 記錄： - 原始案例； - 抽取證據； - 變量假說； - 形式化版本； - 實驗版本； - 成功環境； - 失敗環境； - 已知限制。 這避免「某個很酷的 Prompt」變成不可追溯傳統。 --- # 24. 人類能力只是第一代資料源 Capability Compilation 的資料不必只來自人類。 可以是： $$ \mathcal E = \mathcal E_H \cup \mathcal E_{AI} \cup \mathcal E_{team} \cup \mathcal E_{synthetic}. $$ 其中： - $\mathcal E_H$：人類； - $\mathcal E_{AI}$：AI Agent； - $\mathcal E_{team}$：人類／AI 團隊； - $\mathcal E_{synthetic}$：模擬生成能力樣本。 因此未來能力編譯可能逐漸： $$ \boxed{ \text{human-seeded} \rightarrow \text{AI-expanded}. } $$ --- # 25. 從能力考古到能力設計 初期是： $$ \boxed{ \text{Capability Archaeology}. } $$ 也就是逆向既有極端案例。 後期則是： $$ \boxed{ \text{Capability Design}. } $$ 把來自不同案例的變量與算子重組： $$ CP^* = \operatorname{Compose} ( O_A, O_B, O_C, \ldots ). $$ 這個能力包可能歷史上從未存在。 --- # 26. 人工能力拓撲 假設： $$ O_A $$ 來自高策略生成案例。 $$ O_B $$ 來自高數學抽象案例。 $$ O_C $$ 來自高工程執行案例。 則： $$ CP_{\mathrm{synthetic}} = \{ O_A,O_B,O_C \}. $$ 如果三者可兼容， 則可測： $$ \boxed{ \text{synthetic capability topology}. } $$ 也就是歷史上沒有自然出現過的能力配置。 --- # 27. 不是所有能力都可直接相加 若： $$ O_A $$ 需要高探索， 但： $$ O_B $$ 需要嚴格剪枝， 可能互相衝突。 因此 Capability Package 需要： $$ \Gamma_O. $$ 即算子關係圖。 可能有： - requires； - conflicts； - amplifies； - substitutes； - gates； - supervises。 所以： $$ CP $$ 本質上是圖，不是 list。 --- # 28. Operator Scheduler 多個算子存在時，需要： $$ \boxed{ O_{\mathrm{scheduler}}. } $$ 它決定： $$ O_i $$ 何時啟動。 例如： $$ O_{\mathrm{hyperaudit}} $$ 只在： $$ ResidualError>\theta $$ 時開。 $$ O_{\mathrm{deep-plan}} $$ 只在： $$ DecisionImpact>\theta_D $$ 時開。 這可以避免： $$ \text{always-on intelligence cost explosion}. $$ --- # 29. 能力不只是模型權重 一個 AI 的能力可以存在於： $$ \boxed{ \text{Weights} + \text{Context} + \text{Memory} + \text{Tools} + \text{Operators} + \text{Runtime} + \text{Environment}. } $$ 因此 Capability Compilation 不要求所有能力都重新訓練進權重。 有些能力可以透過： - prompt/runtime policy； - external memory； - search； - tool； - evaluator； - orchestration； 實現。 這使實驗成本大幅下降。 --- # 30. 能力編譯與訓練的關係 能力編譯不是取代訓練。 而是可以產生： $$ \boxed{ \text{training targets}. } $$ 例如先用 runtime operator 實現： $$ O_i. $$ 如果它跨環境穩定有效， 再蒸餾： $$ O_i \rightarrow \theta' $$ 進模型權重。 因此： $$ \boxed{ \text{Runtime Prototype} \rightarrow \text{Validation} \rightarrow \text{Distillation}. } $$ 這是一條低風險路徑。 --- # 31. 能力編譯與世界模型 如果世界模型： $$ M $$ 也是可編譯能力， 那麼可以測不同： $$ M_1,M_2,\ldots. $$ 例如： - state-only； - causal； - opponent-aware； - multi-scale； - game-space-aware。 然後比較： $$ \Delta Y. $$ 這使「世界模型好不好」不再只是抽象辯論。 --- # 32. 能力編譯與遊戲本體論 遊戲環境特別適合 Capability Compilation。 因為遊戲可提供： $$ S_t, A_t, R_t, Y_t $$ 以及 replay。 如果再限制 AI 只能取得玩家等價資訊， 就能測： $$ \boxed{ \text{same interface} + \text{different cognitive operators}. } $$ 這會是下一系列的直接入口。 --- # 33. 世界模型遊戲實驗 例如固定 Agent interface： $$ I_{\mathrm{agent}}. $$ 建立： $$ A_0 $$ baseline， $$ A_1=A_0+O_{\mathrm{world-model}}, $$ $$ A_2=A_0+O_{\mathrm{opponent-model}}, $$ $$ A_3=A_0+O_{\mathrm{hyperaudit}}. $$ 然後在： $$ G_1,G_2,\ldots,G_m $$ 測： $$ \Delta Y. $$ 這就能把 ECGC 從理論轉成可重複實驗。 --- # 34. 能力包的版本化 每個： $$ CP $$ 應有版本： $$ CP^{v_1}, CP^{v_2}, \ldots $$ 因為能力模型可能錯。 所以必須支援： $$ \boxed{ \text{rollback}. } $$ 如果： $$ CP^{v_2} $$ 在某類任務退化， 可回到： $$ CP^{v_1}. $$ 這與軟體工程非常相似。 --- # 35. 能力包不應被神格化 一旦某能力包成功，很容易形成： > 這就是最強方法。 但 ECGC-02 已指出： $$ \text{observed success} \neq \text{unique basis}. $$ 因此每個能力包應保存： $$ \boxed{ \text{alternative pathway slot}. } $$ 也就是允許： $$ CP_A \neq CP_B $$ 但兩者都能達到： $$ \mathcal C^*. $$ --- # 36. 能力過擬合 若能力包在： $$ G_1 $$ 極強， 但： $$ G_2 $$ 崩潰， 則： $$ CP $$ 可能只是： $$ \boxed{ \text{environment-specific exploit}. } $$ 因此能力編譯必須測： - unseen map； - unseen opponent； - unseen rules； - unseen domain； - perturbed interface。 --- # 37. 對抗測試 能力包也應被對抗測試。 例如： $$ O_{\mathrm{opponent-model}} $$ 是否容易被： $$ \text{deception} $$ 欺騙？ $$ O_{\mathrm{hyperaudit}} $$ 是否容易被故意製造的假新奇： $$ \text{fake novelty} $$ 拖垮？ $$ O_{\mathrm{long-plan}} $$ 是否在高變動環境過度承諾？ 因此： $$ \boxed{ \text{Capability} = \text{strength} + \text{known failure surface}. } $$ --- # 38. 安全與權限邊界 能力編譯若直接連到真實高風險環境，可能產生不必要風險。 因此實驗順序應優先： $$ \boxed{ \text{Sandbox} \rightarrow \text{Synthetic World} \rightarrow \text{Game} \rightarrow \text{Restricted Real Task}. } $$ 而且能力包應標記： $$ RiskClass(CP). $$ 高風險操作需要： - tool permission； - rate limit； - human approval； - logging； - rollback。 --- # 39. 能力編譯不是人格工程 這點必須再次強調。 如果能力包來自某個人： $$ P, $$ 不代表要複製： - 性格； - 政治立場； - 身份； - 情緒； - 道德； - 社會背景。 真正應抽取的是： $$ \boxed{ \text{task-relevant generative mechanism}. } $$ 因此能力編譯必須進行： $$ \text{de-personalization}. $$ --- # 40. 能力編譯不是成功學 成功學常問： > 成功者都做什麼？ Capability Compilation 問： $$ \boxed{ \text{Which causal-operational structures survive controlled intervention?} } $$ 兩者不同。 如果一個「成功特質」無法： - 定義； - 干預； - 測試； - 消融； - 遷移； 它不能直接進入正式能力包。 --- # 41. 能力編譯器 本文正式定義： $$ \boxed{ \mathcal K_{\mathrm{cap}} } $$ 為能力編譯器。 其輸入： $$ ( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T ). $$ 輸出： $$ \mathcal A_{\mathrm{exec}}. $$ 形式上： $$ \boxed{ \mathcal K_{\mathrm{cap}} : \left( \mathcal E, X, \Gamma_X, \mathcal O, \mathcal T \right) \rightarrow \left( IR, CP, \text{Metrics}, \text{Tests}, \text{Provenance} \right). } $$ --- # 42. 能力編譯的完整管線 本文提出七層： $$ \boxed{ \text{Evidence} \rightarrow \text{Variables} \rightarrow \text{Mechanisms} \rightarrow \text{Operators} \rightarrow \text{IR} \rightarrow \text{Runtime} \rightarrow \text{Experiment}. } $$ 更完整循環： $$ \boxed{ \text{Observe} \rightarrow \text{Decompose} \rightarrow \text{Infer} \rightarrow \text{Formalize} \rightarrow \text{Compile} \rightarrow \text{Run} \rightarrow \text{Measure} \rightarrow \text{Recompile}. } $$ 這使能力研究成為迭代工程。 --- # 43. 自動能力編譯 一旦上述流程成熟， AI 可以自己執行： $$ \mathcal K_{\mathrm{cap}}^{AI}. $$ 也就是： 1. 讀取能力案例； 2. 提出變量； 3. 生成算子； 4. 建立 capability package； 5. 在模擬環境測； 6. 做 ablation； 7. 保留有效部分； 8. 重新編譯。 因此： $$ \boxed{ \text{AI can become a capability scientist of AI itself}. } $$ --- # 44. 能力搜尋空間 若已有算子庫： $$ \mathcal O_{\mathrm{lib}}, $$ AI 可以搜索： $$ CP \subseteq \mathcal O_{\mathrm{lib}}. $$ 目標： $$ CP^* = \arg\max_{CP} V(CP,\mathcal T). $$ 但還可允許： $$ O_{\mathrm{new}} $$ 生成。 因此： $$ \boxed{ \text{operator selection} + \text{operator invention}. } $$ 這就進入真正的人工能力設計。 --- # 45. 能力超越 「超越歷史案例」不應定義為： $$ \text{copy better}. $$ 而是： $$ \boxed{ \mathcal R(CP_{\mathrm{new}}) \supsetneq \mathcal R(CP_{\mathrm{source}}). } $$ 即新能力包具有更大的可達能力域。 可能包括： - 更廣 domain transfer； - 更低成本； - 更快適應； - 更穩定； - 更高 novelty； - 更少失誤。 --- # 46. Synthetic Exemplar 一旦新能力包： $$ CP^* $$ 在大量任務穩定有效， 它本身可以成為下一代： $$ \boxed{ \text{Synthetic Exemplar}. } $$ 也就是不再需要歷史人物作為源點。 下一輪： $$ CP^* \rightarrow \mathcal E_{\mathrm{synthetic}} \rightarrow CP^{**}. $$ 這形成： $$ \boxed{ \text{Capability self-expansion loop}. } $$ --- # 47. 能力演化的停止條件 即使可以不斷搜尋，也需要停止。 例如： $$ \Delta V < \epsilon $$ 持續： $$ k $$ 輪， 且： $$ \text{TransferGain} < \theta_T, $$ 則暫停該分支。 但： $$ \boxed{ \text{local stop} \neq \text{global closure}. } $$ 這延續 ECGC-02。 --- # 48. 能力工程的最小倫理原則 即使本文主要是技術框架，仍需最低約束： $$ \boxed{ \text{Capability gain} \not\Rightarrow \text{unrestricted deployment}. } $$ 能力可以： - 被研究； - 被模擬； - 被測試； 不代表應直接進入所有真實環境。 因此能力包需要： $$ \text{scope}, \text{permissions}, \text{risk class}, \text{deployment boundary}. $$ --- # 49. 十二個核心命題 ## 命題一：模仿非編譯 $$ \boxed{ \text{Persona Imitation} \neq \text{Capability Compilation}. } $$ --- ## 命題二：人物去本體化 $$ \boxed{ \text{Exemplar} \rightarrow \text{Provenance}, } $$ 而非 runtime 核心。 --- ## 命題三：能力需要中介表示 $$ \boxed{ \text{Capability} \neq \text{Prompt String}. } $$ --- ## 命題四：算子契約命題 $$ \boxed{ O_i = (\text{Input},\text{State},\text{Transform},\text{Output},\text{Constraints},\text{Metrics}). } $$ --- ## 命題五：能力包圖結構命題 $$ \boxed{ CP = (\mathcal O,\Gamma_O). } $$ --- ## 命題六：能力必須可消融 $$ \boxed{ \text{No ablation} \Rightarrow \text{weak causal confidence}. } $$ --- ## 命題七：跨域遷移命題 $$ \boxed{ \text{General operator} \Rightarrow \text{nontrivial transfer}. } $$ --- ## 命題八：能力可存在於 runtime $$ \boxed{ \text{Capability} \neq \text{weights only}. } $$ --- ## 命題九：先 runtime 後蒸餾 $$ \boxed{ \text{Prototype} \rightarrow \text{Validate} \rightarrow \text{Distill}. } $$ --- ## 命題十：能力包可人工重組 $$ \boxed{ CP_{\mathrm{synthetic}} = \operatorname{Compose}(O_1,\ldots,O_n). } $$ --- ## 命題十一：能力來源可超越人類 $$ \boxed{ \mathcal E = \mathcal E_H \cup \mathcal E_{AI} \cup \mathcal E_{\mathrm{synthetic}}. } $$ --- ## 命題十二：能力編譯閉環 $$ \boxed{ \text{Observe} \rightarrow \text{Decompose} \rightarrow \text{Compile} \rightarrow \text{Test} \rightarrow \text{Recompile}. } $$ --- # 50. ECGC 系列統一 ECGC-01： $$ \boxed{ \text{天才不是解釋變量。} } $$ 要拆： $$ X $$ 與： $$ \mathcal I(x_i). $$ ECGC-02： $$ \boxed{ \text{有限生成基可以產生遠大於自身的能力軌道。} } $$ 要找： $$ X_{\mathrm{core}} $$ 與： $$ \mathcal O. $$ ECGC-03： $$ \boxed{ \text{能力結構必須能被編譯、執行與實驗。} } $$ 因此整個系列形成： $$ \boxed{ \text{Exemplar} \rightarrow \text{Variables} \rightarrow \text{Generative Basis} \rightarrow \text{Operators} \rightarrow \text{Agent} \rightarrow \text{Experiment}. } $$ --- # 51. 結論 人類歷史中大量極端案例，對 AI 的價值不應只停留在： > AI 知道這些人的故事。 更高階用途是： $$ \boxed{ \text{Capability Archaeology}. } $$ 即把極端表現視為能力化石。 接著： $$ \boxed{ \text{Capability Compilation}. } $$ 將其中可驗證的生成機制抽成： - 變量； - 關係； - 算子； - 中介表示； - capability package； - 實驗。 最後進入： $$ \boxed{ \text{Capability Design}. } $$ 由 AI 重組歷史上從未共同存在過的能力結構。 因此： $$ \text{Human Exemplars} $$ 只是第一代資料。 真正的長期方向是： $$ \boxed{ \text{AI discovers, compiles, tests, and evolves capability structures beyond observed exemplars.} } $$ 本文最終可濃縮為： > **不要讓 AI 只知道天才做過什麼；讓 AI 把支撐極端能力的結構抽出來、跑起來、拆掉重測，再組成新的能力。** 或者形式化為： $$ \boxed{ \text{Capability Science} \rightarrow \text{Capability Engineering} \rightarrow \text{Capability Evolution}. } $$ 至此，ECGC 系列完成。 --- # 參考文獻 1. Anderson, J. R. (1983). *The Architecture of Cognition*. Harvard University Press. 2. Newell, A. (1990). *Unified Theories of Cognition*. Harvard University Press. 3. Newell, A., & Simon, H. A. (1972). *Human Problem Solving*. Prentice-Hall. 4. Sutton, R. S., & Barto, A. G. (2018). *Reinforcement Learning: An Introduction* (2nd ed.). MIT Press. 5. Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building Machines That Learn and Think Like People. *Behavioral and Brain Sciences*, 40, e253. 6. Stanley, K. O., & Lehman, J. (2015). *Why Greatness Cannot Be Planned*. Springer. 7. Taylor, T., et al. (2016). Open-Ended Evolution: Perspectives from the OEE Workshop in York. *Artificial Life*, 22(3), 408-423. 8. Lehman, J., Clune, J., Misevic, D., Adami, C., Beaulieu, J., Bentley, P. J., Bernard, S., Beslon, G., Bryson, D. M., Cheney, N., Cully, A., Doncieux, S., Dyer, F. C., Ellefsen, K. O., Feldt, R., Fischer, S., Forrest, S., Frénoy, A., Gagné, C., Le Goff, L., Grabowski, L. M., Hodjat, B., Hutter, F., Keller, L., Knibbe, C., Krcah, P., Lenski, R. E., Lipson, H., MacCurdy, R., Maestre, C., Miikkulainen, R., Mitri, S., Moriarty, D. E., Mouret, J.-B., Nguyen, A., Ofria, C., Parizeau, M., Parsons, D., Pennock, R. T., Punch, W. F., Ray, T. S., Schoenauer, M., Shulte, E., Sims, K., Stanley, K. O., Taddei, F., Tarapore, D., Thibault, S., Weimer, W., Watson, R., & Yosinski, J. (2020). The Surprising Creativity of Digital Evolution. *Artificial Life*, 26(2), 274-306. 9. Neo.K with Aletheia. (2026). *天才不是變量：從高尾端表現到能力生成變量與影響域*. ECGC Paper 01, EveMissLab. 10. Neo.K with Aletheia. (2026). *有限生成基與無界能力空間：從約束無限遊戲到能力生成論*. ECGC Paper 02, EveMissLab. 11. Neo.K with Aletheia. (2026). *HGCB Series: Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness*. EveMissLab. 12. Neo.K. (2026). *《無界策：源點》*. EveMissLab working manuscript. --- # 附錄 A：Capability IR 最小規格 ```yaml capability_ir: id: version: target_task_family: evidence: source_types: provenance: variables: required: optional: bottlenecks: operators: - id: input: preconditions: internal_state: transform: output: constraints: cost: metrics: risks: operator_graph: requires: conflicts: amplifies: substitutes: gates: runtime_binding: prompt: memory: tools: planner: evaluator: scheduler: evaluation: baseline: ablations: transfer_domains: robustness_tests: failure_surfaces: deployment: scope: permission_class: rollback: ``` --- # 附錄 B：能力編譯器最小流程 ```yaml capability_compiler: ingest: - collect evidence - normalize episodes - include failures decompose: - candidate variables - influence domains - confounders infer: - mechanism graph - alternative explanations - confidence formalize: - operator contracts - capability IR bind: - target runtime - memory - tools - scheduler test: - baseline - ablation - transfer - adversarial - cost recompile: - keep - remove - mutate - compose ``` --- # 附錄 C：一句話版本 > **能力編譯不是讓 AI 模仿某個天才，而是把支撐極端能力的生成機制抽成可執行算子，讓 AI 能載入、消融、測試、重組，最後生成歷史上從未存在過的能力配置。**