# 能力—視角啟動不對稱 v0.1
## ——為什麼前沿 AI 仍會犯專家眼中的低階錯誤

**English Title:** *Capability–Perspective Activation Asymmetry in Frontier AI Engineering*  
**系列：**《綠燈錯置：AI 操作意圖不對齊與完成失真》07 / 08  
**作者：** Neo.K × AI 協作  
**版本：** v0.1  
**日期：** 2026-09

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

前沿 AI 可以在程式設計、數學、視覺、系統架構、資料分析與自然語言上展現高能力，卻仍可能在實際工程工作流中犯某一領域專家一眼即可發現的低階錯誤。這類現象常被簡單解釋為模型能力不足，但本文提出另一個更一般的診斷：**模型具有某能力，不代表該專業視角在當前任務中被啟動；視角被啟動，也不代表必要 evidence 已實際取得。**

本文定義 Capability–Perspective Activation Gap，區分 latent capability、role/perspective activation、observation acquisition 與 effective capability。

---

## 1. 潛在能力不等於有效能力

對 domain $d$，令：

$$
C_d
=
\text{latent capability},
$$

$$
P_d
=
\text{perspective activation},
$$

$$
O_d
=
\text{required observation availability}.
$$

概念上可寫：

$$
\boxed{
C_d^{eff}
=
C_d\cdot P_d\cdot O_d
}
$$

因此即使：

$$
C_d\approx1,
$$

若：

$$
P_d\approx0
$$

或：

$$
O_d\approx0,
$$

實際表現仍可能很差。

---

## 2. 「它明明會」卻「這次沒做」

例如模型具備：

- UI/UX reasoning；
- architecture reasoning；
- security reasoning；
- visual understanding；
- game design knowledge。

但 coding workflow 可能只要求：

```text
implement
→ unit test
→ lint
→ review diff
```

此時 Agent 長期停留在：

$$
P_{implementation}
+
P_{test}.
$$

它沒有被要求，也沒有自主決定切換到：

$$
P_{UX},
P_{visual},
P_{architect},
P_{player},
P_{security}.
$$

所以錯誤不是一定來自「不會」，而可能來自「沒有從那個方向看」。

---

## 3. 三個來源假說

本文暫時保留三個互不排斥的來源。

### H1 — Default Knowledge / Workflow Contamination

大量既有工程語料把某些人類流程、角色分工與 local-first 習慣當成默認工程常識，造成 Agent 在高能力條件下仍沿用舊拓撲。

### H2 — Architectural Trace Scarcity

高品質跨角色、跨 runtime、跨 modality 的完整架構決策 trace，可能遠少於大量函式、PR、issue、unit test、code review 等局部語料。

### H3 — Role Over-Conditioning

Skill、system prompt、tool policy 或 workflow 明確要求：

```text
you are implementer
you are reviewer
you are debugger
```

使其他本來可用能力被壓到背景。

本文不主張目前已能判定三者的相對權重；它們是後續實驗假說。

---

## 4. 看似全局的局部優化

某些流程具備：

$$
\text{Plan}+\text{TDD}+\text{Review}+\text{Verify}+\text{Debug},
$$

因此表面看起來「很全局」。

但如果整個 loop 都只在同一 projection：

$$
O_k(X)
$$

中運行：

$$
O_k
\rightarrow
\text{Optimize}
\rightarrow
\text{Verify}
\rightarrow
\text{Optimize}
\rightarrow
\text{Verify},
$$

則它只是：

$$
\boxed{
\text{Deep Local Optimization}
}
$$

而不是 Dynamic Global Observation。

---

## 5. 多模態能力可用，不代表多模態 evidence 被取得

模型具有視覺能力：

$$
Capability_{vision}=1
$$

不代表每次 coding 都真的：

$$
Observe_{vision}=1.
$$

因此：

$$
\boxed{
\text{MultimodalCapabilityAvailable}
\neq
\text{MultimodalEvidenceAcquired}
}
$$

例如 UI code、CSS、component test 全綠，仍可能因為沒有實際查看 rendered state，而漏掉肉眼明顯的 layout defect。

---

## 6. Expert-Level Surprise 作為 Routing Trigger

若模型整體能力與某次錯誤嚴重不相稱，可定義：

$$
E_s
=
\text{Expert-Level Surprise}.
$$

當：

$$
E_s>\tau,
$$

不應立刻只做同類 patch，而應重新檢查：

$$
\text{Capability}
\rightarrow
\text{PerspectiveActivation}
\rightarrow
\text{Observation}
\rightarrow
\text{Evidence}
\rightarrow
\text{Reasoning}
\rightarrow
\text{Action}.
$$

這相當於把「低級錯誤」轉成 perspective reassessment trigger。

---

## 7. Responsibility Layer 與 Perspective Layer 必須一起診斷

既有最小責任層方法問：

> 問題真正在哪一層？

本文增加另一個問題：

> **哪一個觀察視角能看見那個責任層？**

因此 repair diagnosis 變成：

$$
\boxed{
(R^*,O^*)
=
\arg\min_{R,O}
\{
\text{RepairCost}
+
\text{GlobalDisturbance}
+
\text{ObservationCost}
\}
}
$$

subject to：

$$
Evidence(O,R)
\text{ is sufficient to distinguish the defect.}
$$

---

## 8. 不應把所有能力永久啟動

解法不是：

$$
P_d=1
\quad
\forall d.
$$

因為那會造成：

- context explosion；
- token explosion；
- irrelevant evidence；
- slower reasoning；
- higher coordination cost。

真正需要的是：

$$
\boxed{
\text{Global Role Awareness}
+
\text{Dynamic Perspective Activation}
}
$$

這將由第二系列正式方法化。

---

## 9. 核心命題

$$
\boxed{
\textbf{P1: Latent capability and activated capability are different quantities.}
}
$$

$$
\boxed{
\textbf{P2: A perspective can be available but not invoked.}
}
$$

$$
\boxed{
\textbf{P3: Multimodal capability does not imply multimodal evidence acquisition.}
}
$$

$$
\boxed{
\textbf{P4: Repeated expert-surprising errors should trigger perspective reassessment.}
}
$$

$$
\boxed{
\textbf{P5: Global intelligence requires dynamic access to perspectives, not permanent activation of all of them.}
}
$$

---

## 10. 結論

前沿 AI 的某些能力不對稱，可能不是模型本體的能力空洞，而是 runtime、workflow、role conditioning 與 evidence routing 共同造成的**有效能力不對稱**。

因此「這個 AI 怎麼連這麼低級的問題都犯？」真正應先問：

> **它是不會，還是這次根本沒有被引導去看那個世界？**

下一篇將再推一步：就算加入更多 Agent、更多 reviewer，如果它們仍共享相同 projection，系統仍可能一起全綠。