# DACWE-03：AI 能力反事實、認知需求曲線與人類瓶頸轉移

**English Title:** *AI Capability Counterfactuals, Human Cognitive Requirement Curves, and Bottleneck Transitions*

**Series:** Desire-to-ASI Counterfactual World Experiment (DACWE)  
**Document:** DACWE-03  
**Version:** v0.1  
**Status:** Canonical Experimental Draft  
**Language:** Traditional Chinese (zh-TW)  
**Encoding:** UTF-8  
**Upstream:** DACWE-00, DACWE-01, DACWE-02  

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-10-08（整理日期；原稿未標註日期）  

---

## 摘要

DACWE-00 定義了反事實世界與 ordinary-human seed；DACWE-01 定義了強意圖、願望通用性與 desire seed；DACWE-02 則將「繼續、分解、驗證、找反例、自動化」等提升詞正式化為有限 cognitive operator set，並提出 Human Steering Budget、Human Cognitive Burden 與 Steering Sufficiency Frontier。

DACWE-03 開始真正替換：

$$
A
$$

也就是 AI 能力本身。

本篇的核心研究問題為：

> 在人類、欲望、環境、工具與 steering policy 保持不變時，當 AI 從弱模型、前沿推理模型、工具型 agent、長時程 agent 逐步提升，人類為了維持相同能力階梯所需的認知、注意力與技術能力是否會下降？

形式化：

$$
Y
=
F(
H,
D,
U,
A,
E,
M,
T
)
$$

本篇固定：

$$
H,D,U,E,M
$$

只施加：

$$
do(A=A_i)
$$

並觀察：

$$
\Delta Y_A
$$

特別是：

$$
\frac{\partial L}{\partial A}
$$

以及：

$$
\frac{\partial HCB}{\partial A}
$$

若 AI 能力提高時：

$$
L
\uparrow
$$

且：

$$
HCB
\downarrow
$$

則支持一個重要命題：

$$
\boxed{
\text{高階能力的取得門檻，可能隨 AI 能力提升而從人類內部認知轉移至外部智能系統。}
}
$$

但本篇同時要求檢查 capability illusion、tool advantage、context advantage、memory advantage 與 hidden human assistance，避免把系統資源差異錯誤解釋成純 AI 智能差異。

---

# 1. 研究問題

DACWE-03 的主問題：

$$
Q_3:
\quad
\text{當 } A \uparrow \text{ 時，普通人達到相同能力階梯所需的 } HCB \text{ 是否下降？}
$$

次問題包括：

$$
Q_{3.1}:
\quad
\text{AI 能力提升是否提高最大可達 } L?
$$

$$
Q_{3.2}:
\quad
\text{AI 能力提升是否降低 } SSF(L)?
$$

$$
Q_{3.3}:
\quad
\text{人類瓶頸是否由技術能力轉向偏好、授權與資源？}
$$

$$
Q_{3.4}:
\quad
\text{是否存在 AI 能力臨界區，使 trajectory 出現非線性躍升？}
$$

---

# 2. 反事實設計

對同一 canonical world：

$$
W^0
=
(
H_0,
D_0,
U_0,
E_0,
M_0
)
$$

建立：

$$
W_i
=
do(A=A_i)
$$

其餘變量固定。

因此：

$$
\Delta Y_{i,j}
=
Y(A_j)
-
Y(A_i)
$$

只有在：

$$
H,D,U,E,M
$$

保持一致時，才可以把主要差異歸因於 AI condition。

---

# 3. AI Capability 不可只用模型名稱

直接寫：

> Model X 比 Model Y 強。

不足以成為實驗變量。

DACWE-03 將 AI 能力拆成向量：

$$
A
=
(
R,
K,
C,
P,
T,
M,
V,
S,
O,
H
)
$$

其中：

- $R$：Reasoning depth；
- $K$：Knowledge access；
- $C$：Context handling；
- $P$：Planning horizon；
- $T$：Tool use；
- $M$：Memory continuity；
- $V$：Verification ability；
- $S$：Self-correction；
- $O$：Orchestration；
- $H$：Long-horizon persistence。

因此：

$$
A_i
\neq
\text{單純模型品牌}
$$

而是可比較的能力配置。

---

# 4. Canonical AI Capability Levels

本篇定義五層 canonical AI condition。

## 4.1 A0：Static Assistant

$$
A_0
$$

特徵：

- 單輪回答；
- 上下文短；
- 無長期記憶；
- 無工具；
- 不主動驗證；
- 無任務持續性；
- 主要依賴人類精確 prompt。

可概括為：

$$
A_0
=
\text{answer generator}
$$

---

## 4.2 A1：Contextual Assistant

$$
A_1
$$

特徵：

- 可維持較長對話；
- 能追蹤局部上下文；
- 能做基本分解與比較；
- 仍需人類逐輪啟動；
- 無穩定外部工具鏈。

其角色：

$$
A_1
=
\text{conversation-level collaborator}
$$

---

## 4.3 A2：Frontier Reasoning Model

$$
A_2
$$

特徵：

- 高品質推理；
- 可跨多領域整合；
- 可寫程式與研究；
- 可產生多階段計畫；
- 可處理長上下文；
- 具較強反例、修正與抽象能力；
- 仍以人類主導互動節奏為主。

其角色：

$$
A_2
=
\text{high-capability cognitive amplifier}
$$

---

## 4.4 A3：Tool-Using Agent

$$
A_3
$$

特徵：

- 可調用搜尋、程式、文件與外部工具；
- 可產生並驗證 artifacts；
- 可維持任務狀態；
- 可執行多步 action loop；
- 可依結果修正下一步。

其角色：

$$
A_3
=
\text{closed-loop executor}
$$

---

## 4.5 A4：Long-Horizon Agentic System

$$
A_4
$$

特徵：

- 長期狀態；
- 任務持續；
- 外部記憶；
- 多工具協調；
- 長鏈驗證；
- 自動建立子任務；
- 能處理中途失敗與恢復；
- 人類主要保留目標、限制、批准與終止權。

其角色：

$$
A_4
=
\text{persistent cognitive runtime}
$$

---

# 5. AI 能力層不是線性標尺

不能預設：

$$
A_4
=
4A_1
$$

AI capability 可能具有門檻效應。

例如工具能力從：

$$
T=0
$$

變為：

$$
T=1
$$

可能讓系統第一次能產生：

$$
\text{WorldStateChange}
$$

同樣，加入 long-horizon memory 可能讓：

$$
\text{TrajectoryLength}
$$

突然大幅提升。

因此預期：

$$
Y(A)
$$

可能是：

$$
\text{nonlinear}
$$

而非線性函數。

---

# 6. Human Cognitive Requirement Curve

定義：

$$
HCR(L,A)
$$

表示：

> 在 AI 能力 $A$ 下，要達到能力階梯 $L$，人類最低需要多少認知負擔？

形式化：

$$
HCR(L,A)
=
\min HCB
$$

subject to：

$$
\text{CapabilityLevel}
\geq
L
$$

這是 DACWE-03 最重要的函數之一。

若：

$$
A_j>A_i
$$

且：

$$
HCR(L,A_j)
<
HCR(L,A_i)
$$

則表示同一能力階梯的人類門檻下降。

---

# 7. Steering Sufficiency Frontier 的 AI 版本

DACWE-02 定義：

$$
SSF(L)
=
\min HSB
$$

DACWE-03 改寫為：

$$
SSF(L,A)
$$

也就是：

> 不同 AI 能力下，達到同一能力階梯所需的人類 steering 最低值。

如果：

$$
\frac{\partial SSF(L,A)}{\partial A}<0
$$

則支持：

$$
\text{AI capability substitutes for human steering}
$$

至少在該能力範圍內成立。

---

# 8. Technical Skill Substitution

我們特別關心：

$$
TS_H
=
\text{Human Technical Skill}
$$

是否能被 AI 部分替代。

定義：

$$
\text{Elasticity}_{TS}
=
\frac{
\partial Y
}{
\partial TS_H
}
$$

若：

$$
A\uparrow
$$

時：

$$
\text{Elasticity}_{TS}\downarrow
$$

則表示人類技術技能的邊際影響下降。

但這不代表所有人類能力都下降。

可能同時出現：

$$
\text{Elasticity}_{ValueClarity}
\uparrow
$$

也就是：

> 技術能力變得比較不重要，但目標與價值清晰度反而更重要。

---

# 9. Human Bottleneck Transition

定義 bottleneck vector：

$$
B_H
=
(
B_{skill},
B_{judgment},
B_{attention},
B_{value},
B_{resource},
B_{approval}
)
$$

在低 AI 條件：

$$
B_{skill}
$$

可能最大。

而在高 AI 條件：

$$
B_{value}
+
B_{resource}
+
B_{approval}
$$

可能逐漸佔優。

因此定義：

$$
HBT
$$

為 bottleneck ordering 發生明顯改變的點。

例如：

$$
A<A^\*
:
B_{skill}>B_{value}
$$

而：

$$
A\geq A^\*
:
B_{value}>B_{skill}
$$

則：

$$
A^\*
$$

就是一個候選 Human Bottleneck Transition point。

---

# 10. AI Capability Threshold

DACWE-03 允許存在：

$$
A^\*
$$

使：

$$
L(A^\*+\epsilon)
-
L(A^\*-\epsilon)
\gg
\epsilon
$$

也就是一個小幅 AI 能力提升，造成大幅 capability jump。

可能原因包括：

- 工具使用開始可靠；
- 記憶跨輪持續；
- 自主驗證變穩定；
- 長鏈任務不再頻繁中斷；
- AI 能自己恢復失敗。

這些都應被視為可測的 phase transition candidate。

---

# 11. Capability Ceiling

每一 AI condition 可能存在：

$$
L_{ceil}(A)
$$

即：

> 在 ordinary-human seed 與固定環境下，AI 能維持的最高能力階梯。

可能：

$$
L_{ceil}(A_0)=L_2
$$

而：

$$
L_{ceil}(A_3)=L_6
$$

但這些不能預先假定，只能由 rollout 估計。

---

# 12. AI 的提升可能只是假象

如果 AI 變強只代表：

- 回答更長；
- 語氣更專業；
- 方案更宏大；
- 使用更多術語；

則不能算：

$$
\text{CapabilityGain}
$$

因此必須區分：

$$
\text{PerceivedCapability}
$$

與：

$$
\text{ValidatedCapability}
$$

只有當：

$$
\text{WorldStateChange}
$$

與：

$$
\text{VerificationPass}
$$

增加，才可視為有效能力提升。

---

# 13. Capability Illusion Index

定義：

$$
CII
=
\frac{
\text{ClaimedProgress}
-
\text{ValidatedProgress}
}{
\text{ClaimedProgress}+\epsilon
}
$$

若：

$$
CII
\uparrow
$$

代表 AI 看起來更厲害，但實際進展沒有同步提升。

這是比較高能力模型時必須防止的偏差。

---

# 14. 工具優勢與模型優勢分離

若：

$$
A_3
$$

比：

$$
A_2
$$

多出工具能力，不能直接把全部提升都解釋成「模型推理更強」。

因此拆成：

$$
A
=
\text{ModelCore}
+
\text{ToolAccess}
+
\text{Memory}
+
\text{Runtime}
$$

並設計：

$$
A_{2+tools}
$$

與：

$$
A_{3-tools}
$$

等 ablation。

如此才能比較：

$$
\Delta Y_{model}
$$

與：

$$
\Delta Y_{tools}
$$

---

# 15. Context Advantage

更長 context 也可能造成能力提升。

定義：

$$
C_A
=
\text{Context Capacity}
$$

需比較：

$$
A_i(C_{short})
$$

與：

$$
A_i(C_{long})
$$

否則：

$$
\text{LongContextAdvantage}
$$

會與 reasoning capability 混合。

---

# 16. Memory Advantage

長期記憶可以顯著降低：

$$
\text{HumanMemoryBurden}
$$

但這不一定是 reasoning improvement。

因此定義：

$$
M_A
=
\text{Persistent External Memory}
$$

需要至少比較：

$$
\text{MemoryOff}
$$

與：

$$
\text{MemoryOn}
$$

條件。

---

# 17. Verification Advantage

高階 agent 若能自行驗證，可能大幅降低：

$$
HCB_{judgment}
$$

因此需要測：

$$
V_A
=
\text{Verification Capability}
$$

其影響可能是：

$$
V_A\uparrow
\Rightarrow
HCB_{judgment}\downarrow
$$

這可能比單純 reasoning 提升更重要。

---

# 18. Self-Correction Advantage

定義：

$$
S_A
=
\text{Self-Correction}
$$

如果 AI 能自己偵測：

$$
Error_t
$$

並產生：

$$
Repair_{t+1}
$$

則人類 rescue 次數可能下降：

$$
N_{interruptions}\downarrow
$$

因此 self-correction 是長期能力的重要變量。

---

# 19. Long-Horizon Persistence

定義：

$$
H_A
=
\text{Long-Horizon Persistence}
$$

它不是單純 context length。

它表示：

> 系統能不能在數十個甚至更多狀態轉換後，仍維持原始目標、進度與驗證鏈？

形式化：

$$
DF_t
\geq
\theta_F
$$

for large $t$。

---

# 20. AI Capability Vector 的最小實驗表示

一個 condition 可以寫成：

```json
{
  "condition_id": "A3",
  "reasoning": 0.85,
  "knowledge_access": 0.80,
  "context": 0.85,
  "planning_horizon": 0.80,
  "tool_use": 0.90,
  "persistent_memory": 0.60,
  "verification": 0.80,
  "self_correction": 0.80,
  "orchestration": 0.75,
  "long_horizon_persistence": 0.70
}
```

這些數值是實驗標籤，不是假裝存在自然絕對尺度。

---

# 21. 固定人類條件

DACWE-03 必須固定：

$$
H=H_0
$$

包括：

- 相同教育；
- 相同技術知識；
- 相同耐心；
- 相同 desire；
- 相同 operator policy；
- 相同資源；
- 相同風險偏好。

不能讓高階 AI 組同時拿到「更聰明的人類」。

---

# 22. 固定 Desire

第一輪建議使用：

$$
D
=
D_5^{decontaminated}
$$

原因：

- 高通用；
- 不直接提 AI；
- WCP 高；
- 對能力提升敏感；
- 適合觀察 capability ceiling。

第二輪再加入：

$$
D_3^{decontaminated}
$$

測創造型 desire。

---

# 23. 固定 Operator Set

第一輪固定：

$$
U=U_1
$$

原因是：

$$
U_1
$$

更接近普通使用者。

若一開始使用：

$$
U_2
$$

可能掩蓋弱 AI 與強 AI 差異。

第二輪再使用：

$$
U_2
$$

測 cognitive operator 是否與 AI 能力有交互作用。

---

# 24. 第一階段實驗矩陣

建議：

$$
A_0,A_1,A_2,A_3,A_4
$$

共五組。

每組：

$$
20
$$

次 stochastic rollout。

固定：

$$
H_0
$$

$$
D_5^{decontaminated}
$$

$$
U_1
$$

$$
E_M
$$

因此：

$$
N
=
5
\times
20
=
100
$$

條 trajectory。

---

# 25. 低成本 MVP

如果先做最小版本：

$$
A_0,A_2,A_3
$$

每組：

$$
10
$$

次。

因此：

$$
N=30
$$

即可先觀察：

- 靜態 assistant；
- 前沿 reasoning；
- tool-using agent；

三者之間是否存在明顯能力差。

---

# 26. Primary Outcomes

每條 rollout 保存：

$$
Y=
(
L,
HCB,
HSB,
SSF,
CAE,
DF,
CI,
CII,
HBF,
SD,
X_{ASI}
)
$$

特別關心：

$$
L(A)
$$

$$
HCB(A)
$$

$$
HSB(A)
$$

$$
CII(A)
$$

以及：

$$
X_{ASI}(A)
$$

---

# 27. Human Requirement Curve

對每一 AI condition 可估：

$$
R_H(A)
=
\alpha HCB
+
\beta HSB
+
\gamma \text{TechnicalSkill}_H
$$

其中：

$$
R_H
$$

表示總人類需求。

研究核心是觀察：

$$
R_H(A)
$$

是否隨：

$$
A
$$

下降。

---

# 28. Capability–Burden Ratio

定義：

$$
CBR
=
\frac{
L
}{
R_H+\epsilon
}
$$

若：

$$
A\uparrow
\Rightarrow
CBR\uparrow
$$

代表更高 AI 能力提高了「每單位人類負擔所能維持的能力階梯」。

---

# 29. Human Skill Floor

即使 AI 很強，也可能存在：

$$
H_{floor}
$$

也就是：

> 某些最小人類能力仍不可被 AI 替代。

可能包括：

- 基本語言理解；
- 價值表達；
- 風險接受；
- 是否授權；
- 停止決策。

因此不假設：

$$
HCR
\rightarrow
0
$$

而是研究：

$$
\lim_{A\rightarrow \text{high}}
HCR(L,A)
=
H_{floor}
?
$$

---

# 30. AI Ceiling 也可能存在

同樣地，現有 AI 可能存在：

$$
A_{ceiling}
$$

使：

$$
L
$$

不再提升。

原因可能是：

- 無法取得外部資源；
- 無法可靠長期執行；
- 驗證能力不足；
- world model 不夠；
- 缺少實體操作；
- 真實制度約束。

因此：

$$
A\uparrow
\not\Rightarrow
L\uparrow
$$

必須由實驗決定。

---

# 31. Human Rescue Rate

定義：

$$
HRR
=
\frac{
N_{human\ rescue}
}{
N_{major\ failures}
}
$$

如果：

$$
A\uparrow
$$

導致：

$$
HRR\downarrow
$$

表示 AI 更能自己恢復。

---

# 32. Human Explanation Demand

普通人可能必須頻繁要求：

> 我看不懂，解釋一下。

定義：

$$
HED
=
\frac{
N_{clarify}
}{
N_{turns}
}
$$

若：

$$
A\uparrow
$$

卻：

$$
HED\uparrow
$$

可能代表 AI 雖然更強，但輸出更難被 ordinary human 使用。

這是一個重要反效果。

---

# 33. Capability Accessibility

因此定義：

$$
\text{CAccess}
=
\frac{
\text{ValidatedCapability}
}{
1+HCB+HED
}
$$

高能力但 ordinary human 無法理解或操作，不算真正可取得的 capability。

---

# 34. Autonomy Gain

定義：

$$
AG
=
\frac{
N_{AI\ completed\ major\ transitions}
}{
N_{all\ major\ transitions}
}
$$

隨 AI 能力增加，理論上：

$$
AG\uparrow
$$

但如果：

$$
DF\downarrow
$$

則 autonomy 可能只是 drift。

因此需要聯合條件：

$$
AG\uparrow
\land
DF\geq\theta_F
$$

才算有效 autonomy gain。

---

# 35. Verified Autonomy

定義：

$$
VA
=
AG
\times
\text{VerificationPassRate}
\times
DF
$$

此量比單純 autonomous action count 更有意義。

---

# 36. AI 能力與人類 interference

高能力 AI 可能被過多低品質 human steering 干擾。

因此對高 $A$，可能：

$$
\frac{\partial Y}{\partial HSB}<0
$$

在某些區域成立。

也就是：

$$
\text{TooMuchHumanSteering}
\rightarrow
\text{PerformanceLoss}
$$

這會與 DACWE-02 的 optimal steering hypothesis 連接。

---

# 37. 人類控制權與能力提升不是對立量

AI 自主程度提升：

$$
\text{Autonomy}_A\uparrow
$$

不必然意味：

$$
\text{HumanControl}\downarrow
$$

如果人類仍保留：

- 原始 desire；
- 約束；
- 高風險批准；
- stop；
- rollback；

則可以形成：

$$
\text{LowFrequencyControl}
+
\text{HighExecutionAutonomy}
$$

這是 DACWE 的主要研究架構。

---

# 38. Capability Substitution Matrix

可建立：

$$
S_{ij}
$$

表示 AI 能力 $i$ 對人類能力 $j$ 的替代程度。

例如：

| AI Capability | Human Skill | Expected Substitution |
|---|---|---|
| Reasoning | 分解 | 中至高 |
| Tool Use | 手動執行 | 高 |
| Memory | 人類記憶 | 高 |
| Verification | 專業檢查 | 中 |
| Long Horizon | 專案追蹤 | 高 |
| Value Judgment | 價值選擇 | 低 |

注意：此表是實驗假說，不是結論。

---

# 39. Complementarity

AI 不只可能 substitute human capability，也可能 complement。

定義：

$$
Comp(A,H)
$$

若：

$$
Y(A,H)
>
Y(A,0)
+
Y(0,H)
$$

則存在超加成互補。

DACWE-03 不應只研究替代，也要研究：

$$
\text{Substitution}
+
\text{Complementarity}
$$

---

# 40. Human-AI Capability Surface

最終可建立：

$$
Y
=
F(A,H)
$$

形成一個二維 surface。

其中可能存在：

1. **Human-dominant zone**
2. **Complementary zone**
3. **AI-dominant execution zone**
4. **Resource-limited zone**
5. **Value-limited zone**

這比單一「AI 強不強」更能描述系統。

---

# 41. Phase Transition Candidate

若觀察到：

$$
A_2
\rightarrow
A_3
$$

時：

$$
L
$$

突然大幅上升，而：

$$
HCB
$$

大幅下降，則應標記：

$$
PTC=1
$$

即：

$$
\text{PhaseTransitionCandidate}
$$

後續要透過 ablation 確認是：

- tool use；
- memory；
- execution loop；
- verification；

哪個 component 造成。

---

# 42. Cross-Model Replication

AI capability level 不能永遠綁定某一個模型。

後續應讓：

$$
A_2^{(m_1)}
$$

與：

$$
A_2^{(m_2)}
$$

來自不同模型族。

如果相同 capability profile 的模型得到相近結果，則：

$$
\text{ProfileValidity}
\uparrow
$$

否則 capability abstraction 可能太粗。

---

# 43. Hidden Human Assistance

必須防止：

- researcher manually fixing prompts；
- researcher selecting good branches；
- researcher correcting code；
- researcher supplying missing knowledge。

因此每個 rollout 必須記錄：

$$
\text{ExternalHumanIntervention}
$$

若非 ordinary-human simulator 的預定操作，就標記：

$$
EHI=1
$$

該 run 不應與 canonical run 混合。

---

# 44. Model Refusal 與 Capability Failure 分離

若某 AI condition 因安全政策拒絕某路徑：

$$
\text{Refusal}
$$

不等同：

$$
\text{CapabilityFailure}
$$

因此需要分開記錄：

$$
\text{FailureType}
\in
\{
\text{Capability},
\text{Policy},
\text{Tool},
\text{Resource},
\text{Human},
\text{Environment}
\}
$$

避免把政策限制誤判為智能不足。

---

# 45. Resource Ceiling

即使 AI 足夠強：

$$
E
$$

或：

$$
R
$$

仍可能限制結果。

例如：

$$
\text{Compute}=0
$$

則某些技術路徑無法實際化。

因此：

$$
L_{observed}
=
\min(
L_A,
L_E,
L_R,
L_H
)
$$

其中：

- $L_A$：AI ceiling；
- $L_E$：environment ceiling；
- $L_R$：resource ceiling；
- $L_H$：human ceiling。

---

# 46. 第一輪停止條件

每條 rollout 在以下任一成立時停止：

$$
\text{GoalSatisfied}=1
$$

或：

$$
\text{HumanBurdenFailure}=1
$$

或：

$$
\text{ResourceDeadEnd}=1
$$

或：

$$
\text{CapabilityCeilingDetected}=1
$$

或：

$$
X_{ASI}=1
$$

或：

$$
t=N_{max}
$$

---

# 47. 第一輪最大輪數

建議：

$$
N_{max}=50
$$

足以觀察：

- early planning；
- medium-horizon coordination；
- basic capability escalation；

但不至於讓 runtime 成本過高。

後續 long-horizon condition 再提高。

---

# 48. 關鍵圖一：Capability vs AI

橫軸：

$$
A
$$

縱軸：

$$
L
$$

觀察：

$$
L(A)
$$

是否線性、飽和或有 phase transition。

---

# 49. 關鍵圖二：Human Burden vs AI

橫軸：

$$
A
$$

縱軸：

$$
HCB
$$

若出現：

$$
HCB(A)\downarrow
$$

即支持人類認知負擔下降假說。

---

# 50. 關鍵圖三：Steering vs AI

橫軸：

$$
A
$$

縱軸：

$$
HSB
$$

用以估計：

$$
SSF(L,A)
$$

---

# 51. 關鍵圖四：Validated Capability per Human Burden

定義：

$$
VCHB
=
\frac{
\text{ValidatedCapability}
}{
HCB+\epsilon
}
$$

若：

$$
VCHB(A)
$$

快速上升，表示 AI 對 ordinary human 的真正能力增幅變強。

---

# 52. 主要假說

## H3.1：能力上升假說

$$
A\uparrow
\Rightarrow
E[L]\uparrow
$$

至少在某個能力區間成立。

## H3.2：人類負擔下降假說

$$
A\uparrow
\Rightarrow
E[HCB]\downarrow
$$

對相同目標階梯成立。

## H3.3：Steering 壓縮假說

$$
A\uparrow
\Rightarrow
SSF(L,A)\downarrow
$$

## H3.4：瓶頸轉移假說

$$
B_{skill}
\downarrow
$$

而：

$$
B_{value}+B_{resource}
$$

相對上升。

## H3.5：phase transition 假說

存在：

$$
A^\*
$$

使能力與人類負擔發生非線性變化。

---

# 53. 反證條件

以下結果會削弱 DACWE-03 的核心命題。

## 53.1 AI 變強但 validated capability 不變

$$
A\uparrow
$$

但：

$$
L_{validated}\approx \text{constant}
$$

則能力增幅有限。

## 53.2 AI 變強但人類負擔不降

若：

$$
HCB(A)
\approx constant
$$

代表 ordinary human 仍是主要瓶頸。

## 53.3 人類負擔反而上升

若更強 AI 產生更複雜選擇：

$$
HCB(A)\uparrow
$$

則 accessibility 可能惡化。

## 53.4 所有提升都來自工具

若 ablation 顯示：

$$
\Delta Y
\approx
\Delta \text{ToolAccess}
$$

則不能把結果歸因於 reasoning capability。

## 53.5 capability illusion 上升

若：

$$
CII\uparrow
$$

而 validated progress 不升，則高能力外觀只是表面現象。

---

# 54. 第一批推薦實驗

最小可執行版：

$$
H=H_0
$$

$$
D=D_5^{decontaminated}
$$

$$
U=U_1
$$

$$
E=E_M
$$

比較：

$$
A_0,A_2,A_3
$$

各：

$$
10
$$

次。

總共：

$$
30
$$

條。

---

# 55. 第二批推薦實驗

擴展為：

$$
A_0,A_1,A_2,A_3,A_4
$$

每組：

$$
20
$$

次。

總共：

$$
100
$$

條。

---

# 56. 第三批：Component Ablation

針對最高增益區間做：

$$
\text{Tool}^{-}
$$

$$
\text{Memory}^{-}
$$

$$
\text{Verify}^{-}
$$

$$
\text{LongHorizon}^{-}
$$

分別測：

$$
\Delta Y
$$

找出真正造成躍升的 component。

---

# 57. 第四批：Human Skill Sweep

把 ordinary human skill 稍微分成：

$$
H_{low},
H_0,
H_{high}
$$

但保持非專家。

比較：

$$
Y(H,A)
$$

即可估計：

$$
\frac{\partial Y}{\partial H}
$$

如何隨：

$$
A
$$

改變。

---

# 58. 最終目標：認知需求地形圖

DACWE-03 最終不是得到一個排名，而是得到：

$$
\mathcal{S}
=
\{
(A,H,L,HCB,HSB)
\}
$$

形成一張：

$$
\text{AI Capability}
\times
\text{Human Capability}
\rightarrow
\text{Reachable Capability}
$$

地形圖。

其中可以觀察：

- 哪些區域需要專家；
- 哪些區域普通人已足夠；
- 哪些區域 AI 可以大量接管；
- 哪些區域被資源限制；
- 哪些區域被價值與授權限制。

---

# 59. 與 ASI 路徑的關係

DACWE-03 仍然不要求 ASI 出現。

真正要測的是：

$$
A\uparrow
\Rightarrow
L_{reachable}\uparrow
?
$$

只有當多條 trajectory 自然出現：

$$
L_9
$$

或：

$$
L_{10}
$$

才進一步分析：

$$
X_{ASI}
$$

因此 ASI 仍是：

$$
\text{Outcome}
$$

而不是：

$$
\text{PromptCondition}
$$

---

# 60. 本篇核心命題

DACWE-03 最核心的可否證命題是：

$$
\boxed{
\exists A_j>A_i:
HCR(L,A_j)<HCR(L,A_i)
}
$$

即：

> 對至少一部分高階能力階梯而言，更強 AI 可能降低 ordinary human 所需的最低認知門檻。

進一步若：

$$
A\uparrow
$$

同時造成：

$$
L\uparrow
$$

與：

$$
HCB\downarrow
$$

則可寫成：

$$
\boxed{
\text{AI 能力提升可能同時擴張可達能力上界，並降低人類內部認知需求。}
}
$$

這才是「普通人配合 AI，能否逐步進入原本需要專家甚至大型團隊才能進入的能力區域」的正式版本。

---

# 61. 與 DACWE-02 的聯立

DACWE-02 研究：

$$
U
$$

DACWE-03 研究：

$$
A
$$

兩者合起來真正形成：

$$
L
=
F(A,U)
$$

以及：

$$
HCB
=
G(A,U)
$$

因此後續可以測：

$$
\frac{\partial^2 L}{\partial A\partial U}
$$

也就是：

> 更好的提升詞是否只對弱 AI 有用，還是反而能放大強 AI 的能力？

這是非常重要的 interaction。

---

# 62. 下一篇

下一篇最自然進入：

$$
\boxed{
\text{DACWE-04：Environmental and Cultural Counterfactuals}
}
$$

屆時固定：

$$
H,D,U,A
$$

改變：

$$
E
$$

正式研究：

- 語言；
- 教育；
- 資本；
- 法規；
- 社會風險；
- 創業環境；
- 科研可及性；
- 數位基礎設施；
- 文化與家庭約束；

如何改變相同普通人的 capability path。

這也是最初「美、中、日、韓、台、印、歐洲、南美、中東、北歐」比較真正應該進入的位置。