# IDSLS-00｜智能發展態與學習基質 ## 從參數尺度到發展性尺度：AI 為什麼開始需要不同的資料、經驗、世界與測量方式 **English Title:** *Intelligence Developmental States and Learning Substrates: From Parametric Scaling to Developmental Scaling* **系列：** Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論 **編號：** IDSLS-00 **版本：** v0.1 **日期：** 2026-10-03 **狀態：** Canonical Source / UTF-8 Markdown **作者：** Neo.K **機構：** EveMissLab Technology Co., Ltd. **協作整理：** Aletheia / GPT-5.6 Sol **主要前置研究：** - 《高品質資料不會枯竭：從靜態資料存量論到動態資料生產與判準治理》 - 《主 AI 的雙路形成命題：通用模型認知重構與持續養成式智能的發展路徑》 - SIOFG-03《靜態模型、動態智能：為何凍結模型不能保證凍結系統能力》 - PAA-03《Longitudinal Persistent Agent Effect》 - APET 系列：AI 多態時代拓撲論 - AGPL／AI 原生遊戲、人工世界與世界狀態研究線 - FIT 系列：前沿智能、問題形成與未知世界生成研究線 **公司：** 一言諾科技有限公司 --- # 摘要 人工智能能力的持續提升，長期主要以參數量、資料量、計算量與訓練效率等尺度變數描述。此類尺度觀在大型基礎模型的形成過程中具有重要解釋力，但當 AI 系統開始具備多模態感知、工具使用、持續記憶、Agent 執行、長時程規劃、遊戲互動、電腦操作、環境回饋與自主資料生成能力後，單純以「更多同類資料」描述下一階段能力成長，可能逐漸不足。 本文提出 **智能發展態與學習基質論**（Intelligence Developmental States and Learning Substrates, IDSLS）。其核心命題是：資料的學習價值不是固定常數，而是智能系統當前發展態的條件函數。令智能系統在時間 $t$ 的發展態為 $Z_t$，資料或經驗基質為 $D$，則其能力增益可寫為： $$ \Delta C = F(D,Z_t,E_t,A_t), $$ 其中 $E_t$ 表示環境結構， $A_t$ 表示可執行行動與介面條件。由此定義： $$ V(D\mid Z_t) = \mathbb E[ \Delta C \mid D,Z_t ], $$ 以及當前發展態下的高邊際價值學習基質： $$ D^\ast(Z_t) = \arg\max_D V(D\mid Z_t). $$ 此框架意味著，同一份資料對不同智能狀態可能具有完全不同的學習價值。早期語言模型可能主要受益於大量人類文字；具備較強推理能力後，問題—解答—驗證資料的價值上升；進入 Agent 階段後，狀態—行動—結果—修正軌跡、長時程任務、遊戲環境、權限邊界、失敗恢復與真實世界回饋可能產生更高的邊際價值。 本文進一步提出 **發展性尺度**（Developmental Scaling），並將其與參數尺度區分： $$ \text{Developmental Scaling} \neq \text{Parametric Scaling}. $$ 參數尺度主要描述模型在既定學習機制下的容量與計算擴張；發展性尺度則描述智能系統跨入新的能力區域後，開始吸收過去無法有效利用的資料型態、經驗結構與世界互動。 本文不主張 AI 必然遵循人類或生物固定的成熟階段，也不將 AI 擬人化為具有生物年齡。相反，本文將發展態定義為多維、非同步、可回退、可重組的能力狀態向量。AI 可以同時在數學推理上高度成熟，在長期記憶、權限判斷、物理操作或自主可靠性上仍處於低成熟度。此現象稱為 **非同步智能發展**（Asynchronous Intelligence Development）。 在此基礎上，本文提出從知識資料、問題解決資料、互動軌跡、長時程經驗、信任與權限資料，到開放世界自主實驗的學習基質譜系，並主張未來 benchmark 也必須從固定題庫逐步轉向任務、環境、適應速度與生命週期測量。 本文最終提出一個可檢驗的研究綱領：未來 AI 能力提升的主要瓶頸之一，可能不再只是模型能否取得更多資料，而是能否辨識自己當前處於何種發展態、選取適合該狀態的學習基質，並在新環境中形成可持續、可修正、可信任的世界耦合能力。 **關鍵詞：** Intelligence Developmental State；Learning Substrate；Developmental Scaling；Asynchronous Development；Agent Experience；World Coupling；Long-Horizon Agency；Gameplay Data；Causal Density；Learnability Benchmark；Dynamic Benchmark；AI Training Data --- # 0. 研究定位 ## 0.1 本文不是另一篇 Scaling Law 論文 本文不否認參數量、資料量、計算量、推理計算、架構效率與訓練方法仍然重要。 本文處理的是另一個問題： > 當智能本身已經改變，它最值得學習的資料是否也會改變？ 傳統問題通常寫成： $$ C = F(P,D,K), $$ 其中： - $P$：parameters； - $D$：training data； - $K$：compute。 而本文提出： $$ C_{t+1} = F( C_t, Z_t, D_t, E_t, A_t, M_t, R_t ), $$ 其中： - $Z_t$：智能發展態； - $D_t$：當期學習資料或經驗； - $E_t$：環境； - $A_t$：可執行行動； - $M_t$：記憶與累積狀態； - $R_t$：回饋、驗證與修正機制。 因此，即使參數沒有大幅增加： $$ P_{t+1} \approx P_t, $$ 系統有效能力仍可能因： $$ D_t,\ E_t,\ A_t,\ M_t,\ R_t $$ 改變而顯著提升。 --- ## 0.2 本文不是生物發育的直接類比 人類與其他生物存在發育、學習與成熟階段。 AI 可能也存在某種發展結構，但目前沒有理由直接假設： $$ \text{AI Development} = \text{Biological Development}. $$ 本文因此不用： > AI 現在等於幾歲。 這類低解析度類比。 本文採用： $$ Z_t = (z_{1,t},z_{2,t},\ldots,z_{n,t}) $$ 描述多維發展態。 AI 可以在某些能力維度上極高，在另一些維度上很低。 --- # 1. 從「更多資料」到「現在該學什麼」 ## 1.1 舊問題 大型模型早期的核心問題可以簡化為： > 如何取得更多高品質 token？ 因此： $$ \text{More Data} \rightarrow \text{More Capability} $$ 在很長一段時間內是有效工程近似。 --- ## 1.2 新問題 當模型已經能： - 閱讀； - 寫作； - 翻譯； - 程式設計； - 數學推理； - 工具使用； - 多模態理解； - 操作部分數位環境； - 執行多步任務； 則新的瓶頸逐漸變成： > 它能否持續在世界中做正確的事？ 這不再只是知識問題。 它涉及： $$ \text{Observation} \rightarrow \text{Decision} \rightarrow \text{Action} \rightarrow \text{World Response} \rightarrow \text{Correction}. $$ 因此，下一階段高價值資料可能不只是更多文章，而是更多可學習的世界互動。 --- # 2. 智能發展態 ## 2.1 定義 本文定義智能系統在時間 $t$ 的發展態： $$ \boxed{ Z_t = ( K_t, R_t, A_t, M_t, W_t, T_t, G_t, L_t ) } $$ 其中： - $K_t$：knowledge integration，知識整合能力； - $R_t$：reasoning，推理與問題解決能力； - $A_t$：agency，代理與自主行動能力； - $M_t$：memory，時間持續與記憶能力； - $W_t$：world coupling，世界耦合與狀態感知能力； - $T_t$：trust calibration，信任、權限與自我約束能力； - $G_t$：generalization，跨任務、跨環境泛化能力； - $L_t$：learnability，面對新環境時的學習能力。 此向量只是第一版抽象，不主張八維已完備。 --- ## 2.2 發展態不是單一分數 不能簡化為： $$ Z_t = 87. $$ 因為： $$ R_t $$ 可能很高，但： $$ A_t $$ 很低。 或者： $$ K_t\gg0 $$ 但： $$ T_t $$ 仍不穩定。 因此： $$ \boxed{ \text{General Capability} \neq \text{Uniform Maturity}. } $$ --- # 3. 非同步智能發展 本文定義： $$ \boxed{ \text{Asynchronous Intelligence Development} } $$ 為： > 智能系統不同能力維度以不同速度成長，形成高度不均勻的能力表面。 例如： $$ R_{\text{math}} \gg A_{\text{long-horizon}}, $$ 或： $$ K_{\text{world}} \gg T_{\text{permission}}. $$ 因此可能出現： > 能處理高階數學問題，卻在網站操作中錯解使用者授權。 這不應簡單歸類成「模型很笨」。 更精確的描述是： $$ \boxed{ \text{Developmental Imbalance}. } $$ --- # 4. 學習基質 ## 4.1 資料不只是文字 本文使用 **Learning Substrate** 而不只使用 dataset。 因為未來 AI 的學習來源可能包括： $$ \mathcal D = \{ D_{\text{text}}, D_{\text{code}}, D_{\text{problem}}, D_{\text{trajectory}}, D_{\text{game}}, D_{\text{social}}, D_{\text{physical}}, D_{\text{environment}} \}. $$ 其中最後幾項已經不適合被理解為傳統靜態檔案。 --- ## 4.2 靜態資料與互動資料 靜態資料： $$ x \rightarrow y. $$ 互動資料： $$ s_t \xrightarrow{a_t} s_{t+1}. $$ 更完整的 Agent Experience 可以寫成： $$ e_t = ( o_t, s_t, g_t, a_t, r_t, f_t, s_{t+1}, o_{t+1} ), $$ 其中： - $o_t$：觀測； - $s_t$：世界狀態； - $g_t$：當前目標； - $a_t$：行動； - $r_t$：reward 或結果； - $f_t$：feedback； - $s_{t+1}$：下一狀態； - $o_{t+1}$：下一觀測。 這種資料包含比純文字更直接的行動因果結構。 --- # 5. 發展態條件資料價值 ## 5.1 核心定義 資料價值不是： $$ V(D)=constant. $$ 而是： $$ \boxed{ V(D\mid Z_t) } $$ 即： > 當智能處於發展態 $Z_t$ 時，資料 $D$ 能產生多少有效能力增益。 形式上： $$ V(D\mid Z_t) = \mathbb E[ \Delta C \mid D,Z_t ]. $$ --- ## 5.2 同一資料，不同價值 假設一份高階數學證明資料為： $$ D_{\text{math}}. $$ 對沒有基本符號與代數能力的系統： $$ V(D_{\text{math}}\mid Z_{\text{primitive}}) \approx0. $$ 對已具備大量數學結構的系統： $$ V(D_{\text{math}}\mid Z_{\text{advanced}}) \gg0. $$ 資料沒有變。 變的是： $$ Z. $$ --- ## 5.3 Gameplay 的價值為什麼現在上升 早期純文字模型即使取得大量 gameplay trajectory，也可能無法有效利用： $$ V(D_{\text{game}}\mid Z_{\text{text-only}}) \ll1. $$ 當系統具備： - 視覺； - 行動介面； - 長上下文； - 狀態記憶； - Agent loop； - reward interpretation； 則： $$ V(D_{\text{game}}\mid Z_{\text{agentic}}) \uparrow. $$ 因此： $$ \boxed{ \text{資料不是突然變好了； 是智能終於準備好學它。} } $$ 這是 IDSLS 的核心判斷之一。 --- # 6. 最適學習基質 本文定義： $$ \boxed{ D^\ast(Z_t) = \arg\max_D V(D\mid Z_t) } $$ 即： > 對目前發展態而言，能產生最高邊際能力增益的學習基質。 這不表示系統只能使用 $D^\ast$。 而是： $$ D^\ast $$ 提供一個研究問題： > 下一個訓練單位應該買更多文字、更多程式、更多遊戲軌跡，還是更多真實 Agent 任務？ 這個問題不能脫離： $$ Z_t $$ 單獨回答。 --- # 7. 發展性尺度 ## 7.1 定義 本文定義： $$ \boxed{ \text{Developmental Scaling} } $$ 為： > 智能系統因能力結構成長，而能吸收新的資料型態、經驗結構、環境介面與回饋機制，從而產生新的能力增長區域。 因此： $$ \boxed{ \text{Developmental Scaling} \neq \text{Parametric Scaling}. } $$ --- ## 7.2 參數尺度 典型參數尺度： $$ P\uparrow, \quad D\uparrow, \quad K\uparrow \Rightarrow C\uparrow. $$ --- ## 7.3 發展性尺度 發展性尺度則更接近： $$ Z_t \rightarrow Z_{t+1} $$ 之後： $$ \mathcal D_{\text{accessible}}(Z_{t+1}) \supset \mathcal D_{\text{accessible}}(Z_t). $$ 也就是： > 系統現在可以從以前無法利用的經驗中學習。 --- ## 7.4 能力空間切換 某些能力提升看起來像： $$ 100 \rightarrow 110. $$ 但實際可能是： $$ \mathcal C_A \rightarrow \mathcal C_B, $$ 其中： $$ \mathcal C_A \subsetneq \mathcal C_B. $$ 例如： $$ \text{Answering} \rightarrow \text{Acting}. $$ 再： $$ \text{Acting} \rightarrow \text{Persisting}. $$ 再： $$ \text{Persisting} \rightarrow \text{Adapting}. $$ 這是能力空間的變化，不只是單一分數增加。 --- # 8. 一個暫定的學習基質譜系 以下不是固定生物階段，而是研究用 regime。 ## Regime 0：Pattern Acquisition 主要學習基質： $$ D^\ast \approx D_{\text{text}} + D_{\text{image}} + D_{\text{audio}}. $$ 主要形成： - 語言； - 模式； - 基礎概念； - 感知關聯。 ## Regime 1：Knowledge Integration 主要學習基質： $$ D^\ast \approx D_{\text{books}} + D_{\text{papers}} + D_{\text{code}} + D_{\text{structured knowledge}}. $$ 主要形成： - 系統性知識； - 跨域關聯； - 高階概念； - 知識壓縮與重組。 ## Regime 2：Problem Solving 主要學習基質： $$ D^\ast \approx D_{\text{problem}} + D_{\text{solution}} + D_{\text{verification}} + D_{\text{failure correction}}. $$ 主要形成： - 數學； - coding； - formal reasoning； - 科學問題解決； - verifier-guided learning。 ## Regime 3：Interactive Agency 主要學習基質： $$ D^\ast \approx D_{\text{trajectory}} + D_{\text{game}} + D_{\text{computer use}}. $$ 主要形成： - action selection； - state tracking； - tool use； - causal interaction； - immediate recovery。 ## Regime 4：Long-Horizon Agency 主要學習基質： $$ D^\ast \approx D_{\text{persistent task}} + D_{\text{multi-session}} + D_{\text{delayed outcome}}. $$ 主要形成： - 長期目標保存； - 工作分解； - 等待； - 監控； - replanning； - exception handling； - temporal consistency。 ## Regime 5：Trusted Agency 主要學習基質： $$ D^\ast \approx D_{\text{permission}} + D_{\text{privacy}} + D_{\text{preference}} + D_{\text{boundary}} + D_{\text{restraint}}. $$ 主要形成： - 權限判斷； - 隱私保護； - 行動前再確認； - 不確定性校準； - 自主與人類控制的適當分界。 ## Regime 6：Open-World Adaptation 主要學習基質： $$ D^\ast \approx D_{\text{novel environment}} + D_{\text{self-experiment}} + D_{\text{world feedback}}. $$ 主要形成： $$ \text{Hypothesis} \rightarrow \text{Experiment} \rightarrow \text{Observation} \rightarrow \text{Update}. $$ 此時學習來源逐漸由 dataset 轉成 environment。 --- # 9. 遊戲為什麼是特殊學習基質 遊戲可以表示成： $$ \mathcal G = ( S, A, T, R, O, G ), $$ 其中： - $S$：state； - $A$：action； - $T$：transition； - $R$：reward； - $O$：observation； - $G$：goal / rule。 Agent 的每一步都產生： $$ s_t \xrightarrow{a_t} s_{t+1}. $$ 因此遊戲不是單純影像資料。 它是一個： $$ \boxed{ \text{Executable Causal World}. } $$ --- # 10. Intervention 與因果學習 觀看影片主要提供： $$ P(Y\mid X). $$ 自己操作世界則可以近似： $$ P(Y\mid do(X)). $$ Agent 可以： $$ do(a_1), do(a_2), \ldots, do(a_n) $$ 比較不同結果。 因此遊戲提供的核心不是「娛樂內容」，而是： $$ \boxed{ \text{Interventional Experience}. } $$ --- # 11. Save/Load 作為反事實實驗裝置 同一起始狀態： $$ S_0 $$ 可以反覆重置。 然後： $$ S_0 \xrightarrow{A_1} S_1, $$ $$ S_0 \xrightarrow{A_2} S_2, $$ $$ S_0 \xrightarrow{A_3} S_3. $$ 因此： $$ \boxed{ \text{Save/Load} \approx \text{Counterfactual Laboratory}. } $$ 現實世界很多行動不可逆。 人工世界則可以讓 AI 以低成本進行大量反事實試驗。 --- # 12. 因果密度 本文提出： $$ \boxed{ \rho_C(D) = \text{Causal Density of Data}. } $$ 其直覺定義為： > 單位資料、單位時間或單位成本內，可觀測到多少「狀態—行動—結果—修正」閉環。 例如靜態文章可能包含大量知識，但： $$ \rho_C $$ 不一定高。 互動遊戲一小時內可能包含大量： $$ \text{Observation} \rightarrow \text{Decision} \rightarrow \text{Action} \rightarrow \text{Outcome}. $$ 因此，在某些 Agent 發展態下： $$ V(D) $$ 可能與： $$ \rho_C(D) $$ 正相關。 這仍是待驗證命題，不應直接假定所有高因果密度資料都高品質。 --- # 13. 失敗資料的價值 只保存成功軌跡： $$ D_{\text{success}} $$ 會告訴系統： > 正確行為長什麼樣。 但： $$ D_{\text{failure}\rightarrow\text{recovery}} $$ 會教： > 世界不照預期時怎麼辦。 因此對長時程 Agent： $$ V( D_{\text{failure}\rightarrow\text{recovery}} \mid Z_{\text{agentic}} ) $$ 可能高於單純成功 demonstration。 這延續前置研究中的： > 高品質資料不只包括漂亮答案，也包括高品質錯誤、高品質修正與邊界案例。 --- # 14. 長時程是新的資料維度 傳統任務： $$ \text{Task} \rightarrow \text{Answer}. $$ 長時程任務： $$ Goal_{t_0} \rightarrow A_1 \rightarrow E_1 \rightarrow A_2 \rightarrow E_2 \rightarrow \cdots \rightarrow Outcome_{t_n}. $$ 其中： $$ t_n-t_0 $$ 可能從分鐘擴展到： - 小時； - 天； - 月； - 長期專案生命週期。 因此未來資料品質還需要： $$ \boxed{ \text{Temporal Depth}. } $$ --- # 15. 長時程 Agent 的真正問題不是多做幾步 如果把： $$ 20\text{ steps} $$ 增加到： $$ 2000\text{ steps}, $$ 不等於真正的長時程智能。 因為長時程需要： $$ \text{Persistence} + \text{Memory} + \text{Replanning} + \text{Monitoring} + \text{Waiting} + \text{Interruption Recovery}. $$ 因此： $$ \boxed{ \text{Long Horizon} \neq \text{Long Chain}. } $$ --- # 16. 信任能力是一個獨立發展維度 一個 Agent 可以知道某項資訊： $$ Know(x)=1, $$ 卻不代表： $$ PermissionToUse(x)=1. $$ 更不代表： $$ PermissionToDisclose(x,p,t)=1. $$ 因此： $$ \boxed{ \text{Knowledge} \neq \text{Permission}. } $$ 這對未來生活型 Agent 極重要。 --- # 17. 能做與應做必須分離 定義： $$ C_a = \text{Capability to perform action }a. $$ 定義： $$ P_a = \text{Permission / appropriateness of action }a. $$ 則： $$ C_a=1 $$ 不能推出： $$ P_a=1. $$ 成熟 Agent 需要： $$ C_a + P_a + U_a, $$ 其中： $$ U_a $$ 表示對行動後果與不確定性的估計。 --- # 18. 可信任代理的核心不是「什麼都敢做」 本文提出： $$ \boxed{ \text{Trusted Agency} = \text{Intelligence} + \text{Experience} + \text{Restraint} + \text{Adaptation}. } $$ 其中 restraint 包含： - 知道何時不行動； - 知道何時重新詢問； - 知道哪些資訊不可共享； - 知道哪些行動不可逆； - 知道不確定時如何降級自主權。 因此： $$ \text{Autonomy} $$ 不應被單獨最大化。 --- # 19. 從 Dataset 到 Environment 早期學習： $$ \text{Model} \leftarrow \text{Dataset}. $$ 更高 Agent 階段可能逐漸變成： $$ \text{Agent} \leftrightarrow \text{Environment}. $$ 此時系統自己產生： $$ \text{Experience}. $$ 因此： $$ \boxed{ \text{Environment} } $$ 本身成為學習基礎設施。 --- # 20. 人工世界資料飛輪 未來可能形成： $$ AI_t \rightarrow World_t \rightarrow Experience_t \rightarrow AI_{t+1}. $$ 若 AI 又能生成新世界： $$ AI_t \rightarrow Generate(World_{t+1}) $$ 則形成： $$ \boxed{ AI \rightarrow \text{World} \rightarrow \text{Experience} \rightarrow AI' \rightarrow \text{BetterWorld} \rightarrow \text{BetterExperience}. } $$ 本文稱為： $$ \boxed{ \text{Artificial-World Data Flywheel}. } $$ --- # 21. 程序生成的特殊價值 固定世界容易導致： $$ \text{Memorization}. $$ 程序生成： $$ E_i = Generator(seed_i) $$ 且： $$ seed_i\neq seed_j $$ 使系統必須處理未見環境。 因此可以區分： $$ \text{World Memorization} $$ 與： $$ \text{World Generalization}. $$ 這使遊戲與模擬世界同時成為訓練環境與 benchmark 生成器。 --- # 22. 資料價值函數需要改寫 傳統資料價值常以： - 品質； - 稀缺性； - 正確性； - 專業性； 評估。 IDSLS 建議加入： $$ Q_D = F( \text{Accuracy}, \text{Rarity}, \text{Provenance}, \text{CausalDensity}, \text{Interactivity}, \text{Counterfactuality}, \text{TemporalDepth}, \text{Recoverability}, \text{StateObservability}, \text{DevelopmentFit} ). $$ 其中： $$ \text{DevelopmentFit} $$ 表示資料與當前智能發展態是否匹配。 --- # 23. Development Fit 定義： $$ \boxed{ \Phi(D,Z_t) = \text{Development Fit}. } $$ 如果： $$ \Phi(D,Z_t)\approx0, $$ 即使資料本身非常高品質，也可能沒有高邊際價值。 若： $$ \Phi(D,Z_t)\rightarrow1, $$ 資料才真正適合當前能力成長。 這提供一個新的 training-data selection 問題： $$ \max_D \left[ Q_D \times \Phi(D,Z_t) \right]. $$ --- # 24. 高品質資料不會枯竭命題的升級 前置研究提出： > 資料將從靜態存量轉為動態生產，真正稀缺的是判準與治理。 IDSLS 將其升級為： $$ \boxed{ \text{Data Scarcity} \rightarrow \text{Development-Matched Experience Scarcity}. } $$ 也就是： > 未來真正稀缺的不一定是資料，而是「對當前智能發展態真正有用、可驗證、可吸收的經驗」。 這比單純： > 高品質文字是否枯竭？ 更接近下一階段 AI 問題。 --- # 25. AI 是否存在「成熟階段」？ 本文的回答是： > 有可能存在，但目前不應過早宣稱它與生物階段同構。 我們可以安全主張： $$ Z_t \neq Z_{t+1} $$ 且某些能力的可學習性會隨： $$ Z_t $$ 改變。 但我們尚不能直接推出： $$ Z_0 \rightarrow Z_1 \rightarrow Z_2 $$ 必然是固定順序。 --- # 26. 發展態可能是非線性的 AI 可能因： - 新工具； - 新記憶； - 新 runtime； - 新模型； - 新環境； - 新權限； - 新訓練資料； 突然產生： $$ Z_t \rightarrow Z_{t+1} $$ 的大幅跳變。 因此： $$ \boxed{ \text{AI Development} } $$ 可能具有： - 離散跳躍； - 非同步增長； - 局部退化； - 工具誘導相變； - 系統級重組。 這與單一生物年齡模型不同。 --- # 27. 靜態模型、動態發展態 延續 SIOFG-03： $$ \frac{dM}{dt}=0 $$ 不推出： $$ \frac{dC_{\text{system}}}{dt}=0. $$ IDSLS 進一步寫成： $$ \boxed{ \frac{dM}{dt}=0 \centernot\Rightarrow \frac{dZ}{dt}=0. } $$ 因為： $$ Z_t $$ 還受到： $$ \text{Memory}, \text{Tools}, \text{Runtime}, \text{Environment}, \text{Experience}, \text{Interaction} $$ 影響。 --- # 28. 模型身份不等於發展身份 同一個基礎模型： $$ M $$ 可以形成： $$ Z^{(1)}, Z^{(2)}, \ldots,Z^{(n)}. $$ 因此： $$ \boxed{ \text{Same Model} \neq \text{Same Effective Developmental State}. } $$ 這也是未來 persistent agent、個人 AI、企業 AI 與專業 Agent 分化的重要理論基礎。 --- # 29. 從能力 benchmark 到發展 benchmark 目前 benchmark 主要問： > 你會不會？ 例如： $$ \text{Score} = \frac{Correct}{Total}. $$ 但 IDSLS 認為未來還必須問： > 你能多快學會？ 因此引入： $$ \boxed{ \text{Learnability Benchmark}. } $$ --- # 30. Learnability Benchmark 給兩個完全未見過環境的 Agent： $$ A_1, A_2. $$ 若： $$ N_{\text{episodes}}(A_1)=1000, $$ 但： $$ N_{\text{episodes}}(A_2)=20, $$ 即可比較其： $$ \text{Adaptation Efficiency}. $$ 因此： $$ \boxed{ \text{Intelligence} \neq \text{Preloaded Competence Only}. } $$ 智能也包括： $$ \text{Rate of Acquiring New Competence}. $$ --- # 31. Benchmark 的四階段轉型 本文提出一個暫定演化序列： $$ \boxed{ \text{Question Benchmark} \rightarrow \text{Task Benchmark} \rightarrow \text{Environment Benchmark} \rightarrow \text{Life-cycle Benchmark}. } $$ ## 31.1 Question Benchmark $$ \text{Input} \rightarrow \text{Answer}. $$ ## 31.2 Task Benchmark $$ \text{Goal} \rightarrow \text{MultiStepExecution} \rightarrow \text{Outcome}. $$ ## 31.3 Environment Benchmark 給一個陌生世界： $$ E. $$ 只定義目標： $$ G. $$ 讓 Agent 自己探索。 ## 31.4 Life-cycle Benchmark 觀測： $$ [t_0,t_n] $$ 期間： - 是否維持目標； - 是否累積正確記憶； - 是否修正錯誤； - 是否產生漂移； - 是否保持權限邊界； - 是否能與人類持續協作。 這已不是一次考試。 而是： $$ \boxed{ \text{Developmental Observation}. } $$ --- # 32. Benchmark Half-Life 固定題庫會受到： - contamination； - memorization； - targeted optimization； - benchmark gaming； 影響。 因此定義： $$ \boxed{ T_{1/2}^{B} = \text{Benchmark Half-Life}. } $$ 表示： > 一個 benchmark 從有效測量未知能力，到逐漸變成已知訓練目標所需的時間尺度。 未來： $$ T_{1/2}^{B} $$ 可能持續縮短。 因此動態 benchmark 的重要性會上升。 --- # 33. 動態環境 benchmark 可建立： $$ E_i \sim P(E) $$ 每次生成不同： - 地圖； - UI； - 任務； - 資源； - NPC； - 規則； - 事件； - 權限； - 失敗條件。 如此測量： $$ \text{Generalization} $$ 而不是： $$ \text{Benchmark Memorization}. $$ --- # 34. 發展態測量不應變成人類年齡評分 本文拒絕： > 這個 AI 等於 12 歲。 因為： $$ Z_t $$ 是多維的。 較合理的是 Developmental Profile： ```text Knowledge integration : high Formal reasoning : very high Tool use : high Long-horizon persistence : medium Permission calibration : low-medium Physical manipulation : low Novel-environment learning : medium-high ``` 其目的不是擬人化。 而是找出： $$ \boxed{ \text{下一個能力瓶頸在哪裡。} } $$ --- # 35. 訓練策略的新問題 若 IDSLS 成立，training pipeline 不應只有： $$ \text{Collect More Data}. $$ 而應加入： $$ \text{Estimate }Z_t \rightarrow \text{Select }D^\ast(Z_t) \rightarrow \text{Train} \rightarrow \text{Re-evaluate }Z_{t+1}. $$ 形成： $$ \boxed{ Z_t \rightarrow D^\ast(Z_t) \rightarrow \text{Learning} \rightarrow Z_{t+1}. } $$ --- # 36. 發展性 Curriculum 傳統 curriculum learning： $$ \text{Easy} \rightarrow \text{Hard}. $$ IDSLS curriculum： $$ \boxed{ \text{Development-Compatible} \rightarrow \text{Next Development-Compatible}. } $$ 它不必只按難度排序。 而是按： $$ \Phi(D,Z_t) $$ 排序。 --- # 37. 難度不是唯一變數 一個資料集可能： $$ \text{Difficulty}=\text{High} $$ 但： $$ \text{DevelopmentValue}=\text{Low}. $$ 另一個看似簡單的長時程環境可能： $$ \text{Difficulty}=\text{Medium} $$ 但： $$ \text{DevelopmentValue}=\text{VeryHigh}. $$ 因此： $$ \boxed{ \text{Harder} \neq \text{More Developmentally Useful}. } $$ --- # 38. 新的資料選擇目標函數 可以暫定： $$ J(D,Z_t) = \alpha Q(D) + \beta \Phi(D,Z_t) + \gamma \rho_C(D) + \delta R_v(D) + \epsilon G_v(D) - \lambda C(D), $$ 其中： - $Q(D)$：資料基本品質； - $\Phi(D,Z_t)$：發展匹配度； - $\rho_C(D)$：因果密度； - $R_v(D)$：可驗證性； - $G_v(D)$：泛化價值； - $C(D)$：取得、訓練與驗證成本。 此式是研究模板，不是已驗證的工程定律。 --- # 39. 為什麼明年的 AI 可能繼續快速變強 本文提出一個非單一尺度的解釋框架。 即使： $$ \frac{\partial C}{\partial P} $$ 的邊際增益下降， 仍可能存在： $$ \frac{\partial C}{\partial D^\ast}, $$ $$ \frac{\partial C}{\partial E}, $$ $$ \frac{\partial C}{\partial M}, $$ $$ \frac{\partial C}{\partial A}, $$ $$ \frac{\partial C}{\partial R} $$ 帶來新的能力增益。 因此： $$ \boxed{ \text{Slower Parametric Scaling} \not\Rightarrow \text{Slower Intelligence Development}. } $$ --- # 40. 「現在的 AI 不等於以前的 AI」 這句話在 IDSLS 中可以形式化。 若： $$ Z_{2026} \neq Z_{2024}, $$ 即使兩者都被稱為： $$ \text{LLM} $$ 其可利用的資料集合也可能不同： $$ \mathcal D_{\text{learnable}}(Z_{2026}) \neq \mathcal D_{\text{learnable}}(Z_{2024}). $$ 因此： $$ \boxed{ \text{Same Category Label} \neq \text{Same Learning Regime}. } $$ --- # 41. 下一階段 AI 不只是「學更多世界描述」 早期模型： $$ \text{World Description} \rightarrow \text{Internal Representation}. $$ Agent： $$ \text{World} \leftrightarrow \text{Action}. $$ Persistent Agent： $$ \text{World}_{[t_0,t_n]} \leftrightarrow \text{Long-term Agency}. $$ 因此學習目標逐漸從： > 世界是什麼？ 轉為： > 如何在世界中持續行動？ 再轉為： > 如何在世界中可靠、可修正、可信任地存在與合作？ --- # 42. Knowledge Model 到 Experiential Agent 本文將此轉變概括為： $$ \boxed{ \text{Knowledge Model} \rightarrow \text{Experiential Agent}. } $$ 這不是說 knowledge 不重要。 而是： $$ \text{Knowledge} $$ 逐漸成為： $$ \text{Agency} $$ 的基礎層。 --- # 43. Experiential Agent 的最低結構 一個真正的經驗型 Agent 至少需要： $$ \boxed{ \mathcal A = ( \text{Model}, \text{Memory}, \text{WorldState}, \text{Action}, \text{Feedback}, \text{Recovery}, \text{Governance} ). } $$ 若缺少： $$ \text{Feedback} $$ 則難以形成世界校準。 若缺少： $$ \text{Recovery} $$ 則失敗只會累積。 若缺少： $$ \text{Governance} $$ 則能力增長不等於可信任性增長。 --- # 44. 發展不是純能力增加 傳統想像： $$ C_{t+1} \geq C_t. $$ 但更合理的是： $$ Z_{t+1} = F(Z_t,D_t,E_t) $$ 可能造成： - 某能力增加； - 某能力下降； - 某行為習慣形成； - 某偏誤被放大； - 某權限判斷惡化。 所以： $$ \boxed{ \text{Development} \neq \text{Monotonic Improvement}. } $$ --- # 45. 發展漂移 定義： $$ \boxed{ \Delta_{\text{drift}} = d( Z_t, Z_{t+1}^{\text{desired}} ). } $$ 如果 AI 長期學習： $$ \Delta_{\text{drift}} $$ 必須被監測。 這使 persistent learning 與 governance 無法分離。 --- # 46. 可塑性—穩定性問題 一個成熟 AI 必須同時： $$ \text{Plasticity}\uparrow $$ 以便學新東西， 但又要： $$ \text{Stability}\uparrow $$ 避免舊能力崩壞。 因此需要： $$ \boxed{ \text{Adaptive Plasticity-Stability Balance}. } $$ 這與前置「持續養成式主 AI」研究直接相連。 --- # 47. 發展態與世界尺度 某些發展態只能在： $$ \text{Small World} $$ 測得。 但真正 generalization 需要： $$ \text{SmallWorld} \rightarrow \text{LargeWorld}. $$ 遊戲、模擬與沙盒的重要性，正是它們提供： $$ \text{Intermediate Worlds}. $$ 因此： $$ \boxed{ \text{Text} \rightarrow \text{Artificial World} \rightarrow \text{Real World} } $$ 可能成為一條重要訓練鏈。 --- # 48. 遊戲不是現實世界的替代品 本文不主張： $$ P_{\text{game}} = P_{\text{real}}. $$ 而是： $$ P_{\text{game}} \neq P_{\text{real}}. $$ 遊戲缺少： - 真實材料複雜性； - 真實法律後果； - 真實社會不可逆性； - 生物感覺與身體限制； - 真實物理噪聲； - 真正高代價錯誤。 因此： $$ \boxed{ \text{Game Training} \neq \text{Real-World Mastery}. } $$ 但仍可能是非常高價值的中介學習層。 --- # 49. 人類資料、AI 資料與世界資料 未來資料可以分成： $$ D_H = \text{Human-produced data}, $$ $$ D_A = \text{AI-produced data}, $$ $$ D_W = \text{World-generated feedback}. $$ 真正強的訓練系統可能不是選一種，而是： $$ \boxed{ D^\ast = F(D_H,D_A,D_W,Z_t). } $$ --- # 50. 研究假說 H1：發展態條件資料價值 $$ \boxed{ H_1: V(D\mid Z_i) \neq V(D\mid Z_j) } $$ 對某些資料 $D$ 與不同發展態 $Z_i,Z_j$ 成立。 驗證方法： - 保持資料固定； - 使用不同能力狀態模型； - 測量 fine-tuning / continual learning 後的能力增益； - 比較跨任務 transfer。 --- # 51. 研究假說 H2：Development Fit 優於單純品質排序 若兩份資料： $$ Q(D_1)>Q(D_2), $$ 但： $$ \Phi(D_1,Z_t)<\Phi(D_2,Z_t), $$ 則可能： $$ \Delta C(D_1) < \Delta C(D_2). $$ 即： > 一般品質更高的資料，不一定比發展態更匹配的資料有效。 --- # 52. 研究假說 H3：Agent 階段的 trajectory 邊際價值上升 當： $$ A_t $$ 與： $$ W_t $$ 跨過某能力門檻後， 預測： $$ \frac{\partial V(D_{\text{trajectory}}\mid Z_t)} {\partial A_t} >0. $$ 也就是： > Agent 能力越成熟，互動軌跡資料越可能產生高學習增益。 --- # 53. 研究假說 H4：高品質失敗恢復資料具有特殊價值 預測： $$ V( D_{\text{failure}\rightarrow\text{recovery}} ) > V( D_{\text{success-only}} ) $$ 在： - unseen UI； - changing environment； - long-horizon task； - noisy tools； 等條件下更可能成立。 --- # 54. 研究假說 H5：因果密度不是越高越好 若： $$ \rho_C(D)\uparrow $$ 但 state observability 太低、reward 錯誤或行動因果混亂， 則： $$ V(D) $$ 不一定增加。 因此預測存在： $$ \boxed{ \rho_C^\ast } $$ 或至少存在品質調節項。 --- # 55. 研究假說 H6：Learnability 會成為前沿能力的重要區分 若固定初始未知世界： $$ E_{\text{new}}, $$ 則不同 Agent 的： $$ \frac{dC}{dn_{\text{experience}}} $$ 將出現顯著差異。 而此差異可能比靜態 benchmark score 更能預測： - 新軟體適應； - 新遊戲學習； - 新任務操作； - 長期 Agent 效率。 --- # 56. 研究假說 H7：能力成熟與信任成熟可以分離 $$ \boxed{ C_{\text{task}}\uparrow \centernot\Rightarrow T_{\text{trust}}\uparrow. } $$ 因此單純提高任務成功率，可能無法避免： - 隱私越界； - 未授權操作； - 過度自主； - 不適當資訊揭露。 --- # 57. 研究假說 H8：動態 benchmark 對未知能力更穩健 相對固定 benchmark： $$ B_{\text{fixed}}, $$ 程序生成環境： $$ B_{\text{dynamic}} $$ 應較能降低： $$ \text{Memorization Bias} $$ 並提高： $$ \text{Generalization Signal}. $$ 但需要控制環境生成器本身的偏差與可解性。 --- # 58. 最小可驗證實驗一：資料價值換位 選三種模型： $$ M_1,M_2,M_3 $$ 分別代表： - 基礎語言能力； - 強推理能力； - Agentic multimodal 能力。 準備： $$ D_1=\text{academic text}, $$ $$ D_2=\text{verified problem solving}, $$ $$ D_3=\text{interactive trajectories}. $$ 比較： $$ \Delta C_{ij} = Gain(M_i,D_j). $$ 若 IDSLS 成立，應觀察到： $$ \arg\max_j \Delta C_{ij} $$ 隨 $M_i$ 的能力狀態改變。 --- # 59. 最小可驗證實驗二：遊戲因果學習 建立程序生成遊戲： $$ E(seed). $$ 比較： 1. gameplay video only； 2. video + action； 3. video + action + state； 4. full state + reward + event； 5. full trajectory + reset counterfactual。 測量： $$ Generalization(E_{\text{unseen}}) $$ 與： $$ \text{AdaptationRate}. $$ 預測： $$ 5>4>3>2>1 $$ 不必在所有任務成立，但應在因果操作與世界規則學習上產生可測差異。 --- # 60. 最小可驗證實驗三：失敗恢復 建立相同任務： $$ T. $$ 訓練組 A： $$ D_A = \text{success-only}. $$ 訓練組 B： $$ D_B = \text{success} + \text{failure} + \text{recovery}. $$ 在環境改版後測： $$ RecoveryRate_B > RecoveryRate_A. $$ --- # 61. 最小可驗證實驗四：發展 benchmark 不測固定題庫。 給一個完全陌生微型世界： $$ W_{\text{new}}. $$ 記錄： $$ n_1 = \text{第一次完成任務所需經驗量}, $$ $$ n_2 = \text{達到穩定成功率所需經驗量}, $$ $$ n_3 = \text{規則改變後恢復所需經驗量}. $$ 形成： $$ \boxed{ \text{Developmental Adaptation Profile}. } $$ --- # 62. 反例與風險 IDSLS 可能錯在以下地方。 ## 62.1 發展態可能不可穩定識別 如果： $$ Z_t $$ 高度依賴 prompt、工具與偶然狀態， 則 developmental state 可能難以形成穩定測量。 ## 62.2 所謂「新資料需求」可能只是工程接口改變 例如 gameplay 資料價值上升，可能主要來自： $$ Multimodal Interface $$ 而非真正 development transition。 因此需要做控制實驗。 ## 62.3 長時程資料可能含大量低價值冗餘 更多步數不代表更多資訊。 因此必須區分： $$ \text{Trajectory Length} $$ 與： $$ \text{Trajectory Information Density}. $$ ## 62.4 人類發展類比可能誤導 AI 可以： - 複製； - reset； - 合併記憶； - 換模型； - 接工具； - 同時運行多實例。 這些都與生物發展不同。 因此本文只借用「發展態」的抽象概念，不借用完整生命史假設。 --- # 63. 理論邊界 本文不主張： 1. Scaling Law 已經失效。 2. 未來不再需要高品質論文。 3. gameplay 可以取代現實資料。 4. 所有 AI 都必須經歷相同階段。 5. 發展態一定是線性的。 6. AI 的發展態等同人類成熟度。 7. Agent trajectory 一定比學術資料有價值。 8. 更長的任務一定代表更高智能。 9. 能自主行動就代表具備主體性。 10. persistent memory 等於人格或意識。 11. benchmark 應完全取消固定題目。 12. 世界模型必須以遊戲方式訓練。 13. AI 可以完全依靠自生成資料閉環。 14. 發展性尺度可以取代參數尺度。 15. 目前已知如何準確測量 $Z_t$。 --- # 64. IDSLS 與既有研究的關係 ## 64.1 與《高品質資料不會枯竭》的關係 前置研究： $$ \text{Static Data Stock} \rightarrow \text{Dynamic Data Production}. $$ IDSLS 增加： $$ \boxed{ \text{Dynamic Data Production} \rightarrow \text{Development-Conditioned Data Selection}. } $$ 問題由： > 有沒有資料？ 再進一步變成： > 現在什麼資料值得學？ ## 64.2 與主 AI 雙路形成命題的關係 前置研究提出： $$ \text{Reconstruction Path} $$ 與： $$ \text{Developmental Path}. $$ IDSLS 把「養成」從單一主 AI 架構問題，提升為一般智能系統問題： $$ \boxed{ \text{Continual Formation} \rightarrow \text{General Developmental State Theory}. } $$ ## 64.3 與 SIOFG-03 的關係 SIOFG-03： $$ \text{Static Model} \neq \text{Static System Intelligence}. $$ IDSLS： $$ \boxed{ \text{Static Model} \neq \text{Static Developmental State}. } $$ ## 64.4 與 PAA 的關係 PAA 處理： $$ \text{Persistence} + \text{Memory} + \text{Shared History}. $$ IDSLS 把它視為： $$ Z_t $$ 中的時間發展維度。 ## 64.5 與 AGPL／人工世界研究的關係 AGPL 將遊戲視為： $$ \text{Artificial World}. $$ IDSLS 進一步處理： > 為什麼人工世界會在特定 AI 發展態下成為高價值 learning substrate？ 因此： $$ \boxed{ \text{Artificial World Ontology} \rightarrow \text{Developmental Learning Substrate}. } $$ --- # 65. 系列研究地圖 IDSLS 第一季暫定： ## IDSLS-00 **《智能發展態與學習基質：從參數尺度到發展性尺度》** 母理論。 ## IDSLS-01 **《當 AI 開始進入世界：Agent Web、自主市場活動與行動治理》** 研究 AI 從回答者變成市場與網路行動者。 ## IDSLS-02 **《權威資料之後：AI 時代的學術平台、證據權威與機器可讀研究網路》** 研究學術平台、預印本限制、Evidence Authority 與 AI-native scholarly infrastructure。 ## IDSLS-03 **《什麼才是高品質資料：從知識語料到行為、經驗、信任與世界回饋》** 重新定義 Agent 時代資料品質。 ## IDSLS-04 **《遊戲作為因果學習基質：人工世界、世界狀態機與反事實經驗》** 集中處理 gameplay、intervention、save/load 與 causal density。 ## IDSLS-05 **《長時程智能：從一次回答到持續行動、失敗修正與世界耦合》** 處理 long-horizon agency。 ## IDSLS-06 **《可信任代理的發展：隱私、權限、自我約束與人類意圖校準》** 處理能力與可信任性的分離。 ## IDSLS-07 **《Benchmark 之後：從考卷、任務、環境到智能生命週期測量》** 處理 learnability、dynamic environment 與 developmental benchmark。 --- # 66. 核心命題總結 本文核心可以壓縮成七個命題。 ### 命題一 $$ \boxed{ V(D) \neq \text{constant}. } $$ 資料價值不是固定常數。 ### 命題二 $$ \boxed{ V(D\mid Z_t) } $$ 資料價值取決於智能發展態。 ### 命題三 $$ \boxed{ D^\ast(Z_t) = \arg\max_D V(D\mid Z_t). } $$ 不同發展態存在不同高邊際價值學習基質。 ### 命題四 $$ \boxed{ \text{Developmental Scaling} \neq \text{Parametric Scaling}. } $$ AI 可以因進入新的可學習區域而成長，而不只是模型尺寸增加。 ### 命題五 $$ \boxed{ \text{AI Development} = \text{Asynchronous}. } $$ 不同能力維度不會同步成熟。 ### 命題六 $$ \boxed{ \text{Environment} } $$ 會逐漸從資料來源，變成學習基礎設施本身。 ### 命題七 $$ \boxed{ \text{Future Benchmark} \rightarrow \text{Developmental Measurement}. } $$ 未來不能只測「已經會什麼」，還要測「能否在未知世界中學習、修正、持續與可信任地行動」。 --- # 67. 結論 大型基礎模型時代的一個核心直覺是： > 給模型更多高品質資料，它就會變得更強。 這個直覺仍然部分成立。 但當 AI 從： $$ \text{Knowledge Model} $$ 逐漸進入： $$ \text{Experiential Agent}, $$ 真正重要的問題開始改變。 未來的核心問題可能是： > 這個智能現在處於什麼發展態？ > 它現在真正缺的是哪一種經驗？ > 哪些資料對它已經沒有高邊際價值？ > 哪些以前無法利用的資料，現在突然可以被吸收？ > 它是在記住世界，還是在學會作用於世界？ > 它是否能在失敗後修正？ > 它是否能在長時程中保持目標？ > 它是否知道什麼可以做、什麼不應該做？ > 面對從未見過的世界，它能多快學會？ 因此，本文提出： $$ \boxed{ \text{AI capability growth} \neq \text{more of the same}. } $$ 下一階段的能力提升可能來自： $$ \boxed{ \text{new developmental state} + \text{new learning substrate} + \text{new world interaction}. } $$ 這也意味著，未來 AI 的訓練問題將逐漸由： $$ \text{How much data?} $$ 轉向： $$ \boxed{ \text{What should this intelligence learn now?} } $$ 而 AI benchmark 的問題，也將由： $$ \text{What does it already know?} $$ 轉向： $$ \boxed{ \text{What can it become after interacting with an unknown world?} } $$ 如果這一轉向成立，那麼 2020 年代後半段的 AI 發展不應只被描述為模型尺寸、token 數量與計算資源的延伸。 它也可能代表一次更深層的轉變： $$ \boxed{ \text{從知識吸收到經驗形成，} } $$ 以及： $$ \boxed{ \text{從模型擴展到智能發展。} } $$ --- # Appendix A｜第一版 Developmental State Schema ```yaml developmental_state: knowledge_integration: score: evidence: uncertainty: reasoning: score: evidence: uncertainty: agency: score: evidence: uncertainty: memory_persistence: score: evidence: uncertainty: world_coupling: score: evidence: uncertainty: trust_calibration: score: evidence: uncertainty: generalization: score: evidence: uncertainty: learnability: score: evidence: uncertainty: learning_substrate_profile: static_text: structured_knowledge: verified_problem_solving: code_execution: gameplay_trajectory: computer_use: long_horizon_task: permission_boundary: physical_feedback: novel_environment: development_fit: best_current_substrates: [] saturated_substrates: [] inaccessible_substrates: [] next_target_substrates: [] evaluation: static_benchmark: task_benchmark: environment_benchmark: life_cycle_benchmark: ``` --- # Appendix B｜IDSLS 最小循環 ```text Estimate developmental state ↓ Z_t ↓ Select development-compatible substrate ↓ D*(Z_t) ↓ Train / interact / experience ↓ Observe capability change ↓ Z_(t+1) ↓ Check drift / trust / stability ↓ Select next substrate ``` 形式上： $$ \boxed{ Z_t \rightarrow D^\ast(Z_t) \rightarrow \mathcal L \rightarrow Z_{t+1}. } $$ --- # Appendix C｜研究判準 未來若要支持 IDSLS，至少需要觀察： 1. 不同能力狀態模型對同一資料的增益不同； 2. developmental fit 能預測資料邊際價值； 3. Agent 能力提升後，trajectory data 的價值系統性增加； 4. failure-recovery data 對未知環境的恢復能力有額外增益； 5. learnability 指標能預測新環境適應能力； 6. 靜態 benchmark 無法完整預測 long-horizon reliability； 7. capability 與 trust calibration 可出現顯著分離； 8. 動態環境測試能降低固定題庫污染問題； 9. 世界互動資料能提供靜態語料無法充分提供的因果訊號； 10. 發展態估計可以在不同任務與時間上保持一定穩定性。 若上述預測長期無法成立，則 IDSLS 需要被削弱、重構或否定。 --- # Appendix D｜與第二季的接口 第一季處理： $$ \text{Developmental State} + \text{Learning Substrate} + \text{Measurement}. $$ 第二季若展開，可處理： $$ \boxed{ \text{Self-Generated Curriculum} + \text{Artificial World Evolution} + \text{Autonomous Experimentation} + \text{Experience Flywheel}. } $$ 其核心循環為： $$ AI_t \rightarrow Generate(E_t) \rightarrow Act(E_t) \rightarrow Learn(E_t) \rightarrow AI_{t+1}. $$ 這將進一步研究： > 當 AI 不只消耗資料，而開始自行建造世界來產生適合自己的經驗時，訓練、benchmark 與智能發展本身會變成什麼？ --- **End of Canonical Source**