--- title: "主流不是終局：瓶頸遷移、範式重加權與 AI 學派循環" english_title: "Mainstream Is Not the End State: Bottleneck Migration, Paradigm Reweighting, and Cycles of AI Research" series: "理論域擴張、理解解析度與共同底空間" series_english: "Theory-Domain Expansion, Comprehension Resolution, and Shared-Substrate Theory" series_id: "TCRS" paper_id: "TCRS-07" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Series Paper" date: "2026-10-06" language: "zh-TW" canonical_source: "UTF-8 Markdown" math_source_rule: "inline math only with $...$ ; display math only with $$...$$" --- # 主流不是終局 ## 瓶頸遷移、範式重加權與 AI 學派循環 ### Mainstream Is Not the End State: Bottleneck Migration, Paradigm Reweighting, and Cycles of AI Research **系列：** 理論域擴張、理解解析度與共同底空間（TCRS），Paper 07 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-10-06 **公司：** 一言諾科技有限公司 --- # 摘要 一個學術範式成為主流，通常表示： $$ \boxed{ \text{它在當代資源、硬體、資料與評估制度下，最有效地解決了當前主要瓶頸。} } $$ 但這不等於： $$ \boxed{ \text{它是智能或計算的最終形式。} } $$ 本文提出： $$ \boxed{ \text{Mainstream Is Bottleneck-Relative}. } $$ 令某一時代的技術與研究環境為： $$ E_t = ( C_t, D_t, H_t, B_t, M_t ), $$ 其中： - $C_t$：可用 compute； - $D_t$：可用 data； - $H_t$：hardware architecture； - $B_t$：主要 bottleneck； - $M_t$：evaluation regime。 則主流範式： $$ P_t^\ast $$ 可以近似寫成： $$ \boxed{ P_t^\ast = \arg\max_P U( P\mid E_t ). } $$ 其中 $U$ 代表一個範式在該歷史條件下的可實作效用，而不是其終極本體正確性。 本文以 AI 史中的 Symbolic / Neural / Algebraic-Structural 三種粗粒度研究路線為主例，提出： $$ \boxed{ \text{Paradigm Dominance} \neq \text{Paradigm Finality}. } $$ 1990 年代以前大量符號 AI 路線所遭遇的困難，不能簡化為： $$ \boxed{ \text{Symbolic reasoning is wrong}. } $$ 更準確的描述可能是： $$ \boxed{ \text{explicit construction cost} + \text{search cost} + \text{maintenance cost} \gg \text{available computational and engineering budget}. } $$ 符號學派的部分失敗 therefore 具有明顯的 **era-relative infeasibility** 特徵：某些理論方向未必錯，而是其當代實作成本遠超可用技術條件。 深度神經網路則大幅改變了這個 cost structure。它將大量原本需要顯式建構的知識、規則與 feature engineering 轉移為： $$ \boxed{ \text{Data} + \text{Optimization} + \text{Distributed Representation}. } $$ 這解決了舊瓶頸，並形成當代 AI 的主流。 然而，一個範式越成功，也可能越快累積自己的新瓶頸。 本文稱此為： $$ \boxed{ \text{Bottleneck Migration}. } $$ 例如 neural systems 可能逐漸累積： - representation opacity； - state non-addressability； - local repair difficulty； - verification debt； - provenance debt； - causal localization difficulty； - persistent-memory inconsistency； - compositional-control difficulty。 這些問題不是 neural paradigm 的立即失敗，而是： $$ \boxed{ \text{the cost displaced by its own success}. } $$ 本文進一步提出 **Representation Debt**： $$ \boxed{ R_D } $$ 表示一個系統因依賴高度隱式、分散式表示而累積的未顯式管理成本。 當： $$ R_D\uparrow $$ 到一定程度，Symbolic 與 Algebraic / Structural 方法的相對價值可能重新上升。 因此 AI 發展更可能不是： $$ \boxed{ \text{Symbolic} \rightarrow \text{Neural} \rightarrow \text{Winner} } $$ 而是： $$ \boxed{ \text{Bottleneck Migration} \rightarrow \text{Paradigm Reweighting} \rightarrow \text{Hybrid Structural Recomposition}. } $$ 本文的核心命題為： $$ \boxed{ \text{A paradigm often dominates because it solves the current bottleneck, while its success creates the next bottleneck that revalues other paradigms}. } $$ **關鍵詞：** Bottleneck Migration、Paradigm Reweighting、Representation Debt、Symbolic AI、Neural AI、Algebraic AI、GOFAI、AI History、Mainstream Relativity --- # 1. 主流為什麼會被誤認為終局？ 當某一研究路線： $$ P $$ 連續多年在： - benchmark； - industry adoption； - funding； - publication； - product performance； 上勝出， 人們很容易形成： $$ \boxed{ P = \text{the correct future}. } $$ --- # 2. 但主流首先是歷史條件函數 本文提出： $$ \boxed{ P_t^\ast = f( C_t, D_t, H_t, B_t, M_t ). } $$ --- # 3. 其中 C 是 Compute $$ \boxed{ C_t } $$ 表示： > 當代可承受的計算規模與成本。 --- # 4. D 是 Data $$ \boxed{ D_t } $$ 表示： > 可取得、可標註、可傳輸、可訓練的資料。 --- # 5. H 是 Hardware $$ \boxed{ H_t } $$ 表示： > 當代硬體對哪些 primitive operation 最友善。 --- # 6. B 是 Bottleneck $$ \boxed{ B_t } $$ 表示： > 當代智能系統最主要、最限制發展的問題。 --- # 7. M 是 Measurement $$ \boxed{ M_t } $$ 表示： > 學界與產業實際獎勵什麼能力。 --- # 8. 所以： $$ \boxed{ \text{Mainstream} } $$ 更像： $$ \boxed{ \arg\max_P U(P\mid E_t) } $$ --- # 9. 而不是： $$ \boxed{ \arg\max_P \text{Ultimate Intelligence Truth}(P). } $$ --- # 10. Mainstream Relativity 本文定義： $$ \boxed{ \text{Mainstream Relativity}. } $$ 即： > 一個範式的主流地位相對於當代 bottleneck、資源與評估制度。 --- # 11. 主流不是任意的 本文不是說： > 哪個學派紅只是運氣。 不是。 --- # 12. 主流通常真的更適配當代問題 也就是： $$ \boxed{ U(P^\ast\mid E_t) > U(P_i\mid E_t). } $$ --- # 13. 但這個不等式只對當前 E 成立 如果： $$ E_t \rightarrow E_{t+1}, $$ 則： $$ P_t^\ast $$ 未必仍然最佳。 --- # 14. 環境改變，排名可能改變 $$ \boxed{ P_t^\ast \neq P_{t+1}^\ast. } $$ --- # 15. 這就是範式重加權 本文提出： $$ \boxed{ \text{Paradigm Reweighting}. } $$ --- # 16. Paradigm Weight 對某一範式： $$ P_i $$ 定義： $$ \boxed{ w_i(t) = U( P_i\mid E_t ). } $$ --- # 17. 主流只是某時刻最高權重 $$ \boxed{ w_k(t) = \max_i w_i(t). } $$ --- # 18. 這不表示其他範式權重為零 $$ \boxed{ w_j(t)>0. } $$ --- # 19. 也不表示永遠不會重升 未來： $$ \boxed{ w_j(t+n) > w_k(t+n) } $$ 完全可能。 --- # 20. AI 歷史就是很好的例子 粗略地說，可以看到： $$ \boxed{ \text{Symbolic} \rightarrow \text{Statistical} \rightarrow \text{Deep Neural}. } $$ --- # 21. 但這不應被解讀成線性真理階梯 即： $$ \boxed{ S 因為 symbolic 不行。 --- # 32. 更精確要看 cost structure 若要人工建立高度完整世界模型： $$ K_{\mathrm{world}}, $$ 需要： $$ \boxed{ C_{\mathrm{construct}} } $$ --- # 33. 還有 Search Cost $$ \boxed{ C_{\mathrm{search}}. } $$ --- # 34. Maintenance Cost $$ \boxed{ C_{\mathrm{maintain}}. } $$ --- # 35. Exception Cost $$ \boxed{ C_{\mathrm{exception}}. } $$ --- # 36. Ontology Cost $$ \boxed{ C_{\mathrm{ontology}}. } $$ --- # 37. 總成本 $$ \boxed{ C_S = C_{\mathrm{construct}} + C_{\mathrm{search}} + C_{\mathrm{maintain}} + C_{\mathrm{exception}} + C_{\mathrm{ontology}}. } $$ --- # 38. 對當代硬體而言可能天價 若： $$ C_S \gg B_{\mathrm{available}}, $$ 系統就不可行。 --- # 39. 這是一種 Era-Relative Infeasibility 本文提出： $$ \boxed{ \text{ERI} = \text{Era-Relative Infeasibility}. } $$ --- # 40. 定義 > 理論方向本身未必錯，但在當代資源、演算法與硬體條件下，其實作成本不可接受。 --- # 41. 所以： $$ \boxed{ \text{Historical Failure} \not\Rightarrow \text{Theoretical Impossibility}. } $$ --- # 42. 當然也不能反過來神化 不是說： > 只要今天算力夠，1980 年代方法就能直接成功。 --- # 43. 因為還有其他問題 包括： - open-world uncertainty； - unknown ontology； - continuous dynamics； - representation discovery； - undecidability。 --- # 44. 所以 Symbolic 有真限制 但： $$ \boxed{ \text{engineering infeasibility} } $$ 和： $$ \boxed{ \text{fundamental invalidity} } $$ 必須分開。 --- # 45. Neural 解掉了什麼瓶頸？ Neural 的巨大突破之一： $$ \boxed{ \text{do not explicitly hand-construct every rule}. } $$ --- # 46. 改成： $$ \boxed{ D + \mathcal O_{\mathrm{train}} \rightarrow Z. } $$ --- # 47. Z 是 distributed representation $$ \boxed{ Z } $$ 能隱式承載： - features； - relations； - associations； - transformations。 --- # 48. 因此大量人工建模成本被替代 $$ \boxed{ C_{\mathrm{construct}} \downarrow. } $$ --- # 49. 取而代之的是： $$ \boxed{ C_{\mathrm{data}} + C_{\mathrm{compute}} + C_{\mathrm{optimization}}. } $$ --- # 50. Cost Substitution 本文提出： $$ \boxed{ \text{Cost Substitution}. } $$ --- # 51. Symbolic 的顯式建構成本 被 neural 大量轉成： $$ \boxed{ \text{learning cost}. } $$ --- # 52. 這是 neural 成功的核心之一 而不是： > 神經網路比較像大腦，所以一定更高級。 --- # 53. Neural 的主流地位非常合理 因為當代環境： - internet-scale data； - GPU； - tensor computation； - differentiable optimization； 全部極度有利。 --- # 54. Hardware–Paradigm Alignment 本文提出： $$ \boxed{ A_{HP}(P,H) } $$ 表示： > hardware primitive 與 paradigm primitive 的適配程度。 --- # 55. Neural 和 GPU 在： $$ \boxed{ \text{matrix multiplication} } $$ 上高度適配。 --- # 56. 因此： $$ \boxed{ A_{HP}(Neural,GPU)\gg0. } $$ --- # 57. 這會極大改變 paradigm economics 一個理論方向是否能成為主流， 不只由抽象 correctness 決定。 --- # 58. 還包括： $$ \boxed{ \text{hardware friendliness}. } $$ --- # 59. 但成功會創造新問題 這是本文真正核心。 Neural 解掉： $$ B_t. $$ 卻會產生： $$ B_{t+1}. $$ --- # 60. Bottleneck Migration 本文正式定義： $$ \boxed{ \text{BM} = \text{Bottleneck Migration}. } $$ --- # 61. 形式 $$ \boxed{ P \text{ solves }B_t \Rightarrow \text{new limiting factor becomes }B_{t+1}. } $$ --- # 62. 這不是副作用而已 它是技術發展的正常結果。 --- # 63. 因為舊 bottleneck 被消除 系統的限制自然暴露在下一層。 --- # 64. 例如 neural 成功後 能力： $$ \boxed{ Capability\uparrow. } $$ --- # 65. 但可定址性沒有同比例增加 $$ \boxed{ \text{Addressability} \not\uparrow \text{ at the same rate}. } $$ --- # 66. 可驗證性也未必同比增加 $$ \boxed{ \text{Verifiability} \not\uparrow \text{ at the same rate}. } $$ --- # 67. 於是 bottleneck 變成 - why did it do this？ - where is this knowledge？ - how to repair one thing？ - how to verify one substructure？ --- # 68. Representation Debt 本文正式提出： $$ \boxed{ R_D = \text{Representation Debt}. } $$ --- # 69. 定義 > 系統因高度依賴隱式、分散式 representation，而累積的未顯式管理成本。 --- # 70. Representation Debt 不是技術債原樣 它專指： - knowledge addressability； - provenance； - local editability； - structure extraction； - verification。 --- # 71. 可以概念性寫成 $$ \boxed{ R_D = F( O_p, A^{-1}, L_r, P_d, V_d ). } $$ 其中： - $O_p$：opacity； - $A$：addressability； - $L_r$：local repairability； - $P_d$：provenance difficulty； - $V_d$：verification difficulty。 --- # 72. 越成功的神經系統 $$ |Z|\uparrow. $$ --- # 73. 如果 addressability 不跟上 則： $$ \boxed{ R_D\uparrow. } $$ --- # 74. 這就是成功範式的自我債務 本文稱： $$ \boxed{ \text{Success-Generated Debt}. } $$ --- # 75. 一個 paradigm 解決的 cost 可能只是： $$ \boxed{ \text{moved elsewhere}. } $$ --- # 76. Neural 的「黑盒」不是單一問題 至少可以拆： $$ \boxed{ O_{\mathrm{state}}, O_{\mathrm{causal}}, O_{\mathrm{knowledge}}, O_{\mathrm{update}}. } $$ --- # 77. State Opacity 你不知道： $$ Z $$ 裡哪一部分是什麼。 --- # 78. Causal Opacity 不知道哪個 internal mechanism 真正導致 output。 --- # 79. Knowledge Opacity 不知道某知識如何分布。 --- # 80. Update Opacity 不知道一次 fine-tune / edit 到底改了哪些能力。 --- # 81. 這些都會累積 debt 所以： $$ \boxed{ \text{Black Box} } $$ 也應拆成多種 cost。 --- # 82. Local Repair Bottleneck 如果某個知識： $$ K_x $$ 錯了， 理想： $$ \boxed{ K_x \rightarrow K_x'. } $$ --- # 83. 但 neural parameterization 通常： $$ \boxed{ K_x \not\leftrightarrow w_i } $$ 一一對應。 --- # 84. 所以修一個點 可能影響： $$ \boxed{ \Delta Z_{\mathrm{global}}. } $$ --- # 85. 這就是 Local Repair Debt 本文提出： $$ \boxed{ R_L = \text{Local Repair Debt}. } $$ --- # 86. Verification Debt 當能力增加： $$ C_{\mathrm{cap}}\uparrow, $$ 驗證每個行為變難。 --- # 87. 定義： $$ \boxed{ R_V = \text{Verification Debt}. } $$ --- # 88. Provenance Debt 如果 output： $$ y $$ 來自大量： - training data； - latent state； - retrieval； - tool use； 來源追蹤越難。 --- # 89. 定義： $$ \boxed{ R_P = \text{Provenance Debt}. } $$ --- # 90. Persistent-State Debt 未來 agent 具有： - long-term memory； - persistent goals； - evolving world model。 --- # 91. 狀態越多 $$ S_t $$ 越難維持一致。 --- # 92. 本文提出： $$ \boxed{ R_S = \text{Persistent-State Debt}. } $$ --- # 93. Composition Debt 如果多個 neural capability： $$ C_1,C_2,C_3 $$ 要穩定組合， 未必自然得到： $$ \boxed{ C_1\circ C_2\circ C_3. } $$ --- # 94. 因此有： $$ \boxed{ R_C = \text{Composition Debt}. } $$ --- # 95. Neural 不是因此錯 這是非常重要的。 本文不是： > Neural 有這些問題，所以 neural 要被淘汰。 --- # 96. 相反 Neural 已證明： $$ \boxed{ \text{adaptive distributed learning} } $$ 極其強大。 --- # 97. 問題只是下一個 bottleneck 變了 從： $$ \boxed{ \text{Can we learn useful structure?} } $$ 變成： $$ \boxed{ \text{Can we address, verify, compose, repair, and govern the learned structure?} } $$ --- # 98. 這就是 Bottleneck Migration --- # 99. Symbolic 價值因此重新上升 因為 symbolic 很擅長： $$ \boxed{ \text{Identity} + \text{Addressability} + \text{Explicit Rules} + \text{Verification}. } $$ --- # 100. 這不是「符號復古」 而是： $$ \boxed{ \text{old strengths become newly valuable under new bottlenecks}. } $$ --- # 101. Paradigm Revaluation 本文提出： $$ \boxed{ \text{Paradigm Revaluation}. } $$ --- # 102. 即： > 過去因某 bottleneck 而失去主流地位的能力，在新 bottleneck 下重新變得昂貴且重要。 --- # 103. Algebraic / Structural 也會重估 尤其當問題變成： - equivalence； - composition； - invariant； - transformation； - canonicalization。 --- # 104. 這些不是純 symbolic rule matching 而是： $$ \boxed{ \text{structural mathematics}. } $$ --- # 105. 所以第三條軸很重要 粗略： $$ \boxed{ S = \text{Symbolic} } $$ $$ \boxed{ N = \text{Neural} } $$ $$ \boxed{ A = \text{Algebraic / Structural} } $$ --- # 106. 這三個不是完整學術分類 本文承認： $$ \boxed{ \text{they are coarse analytical categories}. } $$ --- # 107. 目的不是做史學分類 而是辨識三種 representation advantage。 --- # 108. Symbolic 核心： $$ \boxed{ \text{Identity} + \text{Addressability} + \text{Explicit Rule}. } $$ --- # 109. Neural 核心： $$ \boxed{ \text{Discovery} + \text{Adaptation} + \text{Distributed Association}. } $$ --- # 110. Algebraic / Structural 核心： $$ \boxed{ \text{Invariant} + \text{Composition} + \text{Transformation} + \text{Equivalence}. } $$ --- # 111. 這三者會因 bottleneck 不同而重加權 令： $$ \boxed{ \vec w(t) = ( w_S, w_N, w_A ). } $$ --- # 112. 今天可能： $$ \boxed{ w_N \gg w_S,w_A. } $$ --- # 113. 但未來不必如此 如果主要 bottleneck 變成： - verification； - local repair； - structured memory； - AI-to-AI communication； - formal composition； 則： $$ \boxed{ w_S,w_A\uparrow. } $$ --- # 114. Paradigm Cycle 因此 AI 發展可能更像： $$ \boxed{ \text{dominance} \rightarrow \text{debt accumulation} \rightarrow \text{bottleneck migration} \rightarrow \text{reweighting}. } $$ --- # 115. 不是簡單歷史輪迴 因為下一次 symbolic 不會是舊 symbolic。 --- # 116. Neural 也不會消失 而更可能： $$ \boxed{ \text{recomposition}. } $$ --- # 117. Structural Recomposition 本文提出： $$ \boxed{ \text{Structural Recomposition}. } $$ 即： > 不同 paradigm 的核心能力重新組合成新的架構。 --- # 118. 可能形式 $$ \boxed{ N \leftrightarrow A \leftrightarrow S. } $$ --- # 119. Neural 負責學習與發現 $$ \boxed{ N: \text{learn high-dimensional structure}. } $$ --- # 120. Algebraic 負責抽取 invariant $$ \boxed{ A: \text{canonicalize transformations and equivalences}. } $$ --- # 121. Symbolic 負責可定址控制 $$ \boxed{ S: \text{identity, addressability, explicit verification}. } $$ --- # 122. 這比 neuro-symbolic 更一般 因為： $$ \boxed{ N+S } $$ 只看到兩端。 --- # 123. Structural layer 可能是缺掉的中介 $$ \boxed{ N \rightarrow A \rightarrow S. } $$ --- # 124. 也可能反向 $$ \boxed{ S \rightarrow A \rightarrow N. } $$ --- # 125. Bidirectional Representation Compilation 這可被視為： $$ \boxed{ \text{Bidirectional Representation Compilation}. } $$ --- # 126. 但這篇暫不完整展開 TCRS-08 會正式處理。 --- # 127. 主流形成的另一因素：Benchmark 如果 benchmark： $$ M_t $$ 主要測： - next-token prediction； - image generation； - pattern generalization； 那 neural 自然有優勢。 --- # 128. Measurement Shapes Mainstream 本文提出： $$ \boxed{ \text{Measurement-Induced Paradigm Weighting}. } $$ --- # 129. 如果 benchmark 改測 - formal repair； - proof trace； - local knowledge edit； - persistent consistency； 權重就會變。 --- # 130. 所以： $$ \boxed{ \text{Benchmark Dominance} \neq \text{General Intelligence Dominance}. } $$ --- # 131. 產業需求也會重加權 如果產品最需要： $$ \boxed{ \text{scale + generation}, } $$ Neural 強。 --- # 132. 如果產品最需要： $$ \boxed{ \text{audit + local edit + formal guarantee}, } $$ 其他 paradigm 權重上升。 --- # 133. Mainstream Feedback Loop 一旦某 paradigm 主流： $$ w_N\uparrow, $$ 它會得到更多： - talent； - capital； - hardware； - benchmarks； - datasets。 --- # 134. 因此： $$ \boxed{ \text{success} \rightarrow \text{infrastructure reinforcement}. } $$ --- # 135. 這會產生 path dependence 本文提出： $$ \boxed{ \text{Paradigm Path Dependence}. } $$ --- # 136. 所以主流優勢部分是真實性能 部分也是： $$ \boxed{ \text{ecosystem reinforcement}. } $$ --- # 137. 這不代表主流「假」 而是： $$ \boxed{ \text{performance and infrastructure co-evolve}. } $$ --- # 138. 一個冷門 paradigm 可能因工具不足看起來更差 $$ \boxed{ U_{\mathrm{observed}}(P) < U_{\mathrm{potential}}(P). } $$ --- # 139. Latent Paradigm Capacity 本文提出： $$ \boxed{ U_{\mathrm{latent}}(P). } $$ --- # 140. 表示： > 若給它適合的 hardware、compiler、tooling，其潛在效用可能高於目前觀察值。 --- # 141. 這對 Algebraic AI 特別重要 因為它可能不是： > 沒有價值。 而是： > 還沒有形成成熟工程棧。 --- # 142. 這也是一種 Era-Relative Infeasibility 工具鏈不成熟本身就是 bottleneck。 --- # 143. 一個範式可能「理論先到，工程後到」 $$ \boxed{ T_{\mathrm{theory}} < T_{\mathrm{engineering}} } $$ 在時間上可能相差很多。 --- # 144. Historical Prematurity 本文提出： $$ \boxed{ \text{Historical Prematurity}. } $$ --- # 145. 定義 > 理論方向在概念上出現得早於其可行實作條件。 --- # 146. GOFAI 的部分路線可能有這個特徵 但不能把全部失敗都歸因於此。 --- # 147. 因為某些問題是真理論限制 所以需要： $$ \boxed{ \text{Prematurity} \neq \text{Guaranteed Future Success}. } $$ --- # 148. 這是一個重要 restraint 否則任何失敗理論都可說： > 只是時代未到。 --- # 149. Prematurity Test 至少要問： 1. 當年的主要失敗是 compute 還是 theory？ 2. 今天哪些約束已消失？ 3. 哪些 core limitation 仍存在？ 4. 是否出現新的 structural path？ --- # 150. 如果只有算力增加 未必足夠。 --- # 151. 但如果 representation、compiler、memory 也改變 舊 idea 可能真正重生。 --- # 152. Recontextualized Revival 本文提出： $$ \boxed{ \text{Recontextualized Revival}. } $$ --- # 153. 它不是復刻舊方法 而是： $$ \boxed{ \text{old principle} + \text{new substrate} + \text{new bottleneck}. } $$ --- # 154. 這可能是 Symbolic 未來最合理形式 不是回到 expert system。 --- # 155. 而是成為： $$ \boxed{ \text{addressable control / verification layer} } $$ 嵌入 learned system。 --- # 156. 同樣 Algebraic 也不是純數學炫技 而可能變成： $$ \boxed{ \text{representation bridge}. } $$ --- # 157. Paradigm Reweighting 不是 Winner Replacement 這很重要。 如果： $$ w_S\uparrow, $$ 不代表： $$ w_N\rightarrow0. $$ --- # 158. 更可能： $$ \boxed{ \vec w = (w_S,w_N,w_A) } $$ 重新平衡。 --- # 159. Hybrid Weighting 未來系統可能依 task 動態： $$ \boxed{ \vec w^\ast(Q). } $$ --- # 160. 例如 perception task $$ w_N\gg w_S. $$ --- # 161. formal proof task $$ w_S,w_A\gg w_N. $$ --- # 162. world-model update task 可能： $$ \boxed{ w_N\approx w_A\approx w_S. } $$ --- # 163. 所以最終不是單一 paradigm 而可能是： $$ \boxed{ \text{task-conditioned representation ecology}. } $$ --- # 164. Representation Ecology 本文提出： $$ \boxed{ \text{Representation Ecology}. } $$ 即： > 多種 representation regime 根據不同 bottleneck、task 與 verification need 動態分工。 --- # 165. 這比「誰取代誰」更有解釋力 因為高階智能可能本來就需要多種 representation。 --- # 166. Paradigm Specialization 每種 paradigm 有： $$ \boxed{ D_{\mathrm{adv}}(P). } $$ 即： > 它的優勢 domain。 --- # 167. Neural Advantage Domain 可能包括： - noisy perception； - high-dimensional association； - approximation； - open-ended pattern learning。 --- # 168. Symbolic Advantage Domain 可能包括： - exact identity； - rule trace； - formal constraints； - local edit； - auditability。 --- # 169. Algebraic Advantage Domain 可能包括： - invariant extraction； - canonicalization； - equivalence； - composition； - coordinate transformation。 --- # 170. 這三者不是封閉集合 但作為抽象很有用。 --- # 171. Paradigm Misuse 問題發生於： $$ \boxed{ P } $$ 被推到： $$ D\notin D_{\mathrm{adv}}(P) $$ 卻仍假設最優。 --- # 172. 這其實又回到 TCRS-01 $$ \boxed{ \text{一劍萬法} \neq \text{萬法皆劍}. } $$ --- # 173. Neural 也會形成「萬法皆神經」 如果： $$ D_{\mathrm{onto}}(N) \rightarrow \Omega, $$ 就可能出現： > 所有智能問題最終只要 scale neural network。 --- # 174. 這是一個可檢驗 hypothesis 不是不能成立。 --- # 175. 但需要證明 尤其當： $$ R_D, R_V,R_L,R_P,R_S $$ 持續上升時。 --- # 176. 如果 neural-only 仍可有效解決 那 neural ontology 得分提高。 --- # 177. 如果需要顯式 structural layer 則： $$ \boxed{ \text{paradigm reweighting} } $$ 發生。 --- # 178. 所以未來不是哲學預言 可以透過 benchmark 測。 --- # 179. Future Bottleneck Benchmark 本文提出： $$ \boxed{ \mathcal B_F. } $$ 測： - local knowledge repair； - causal trace； - provenance； - long-horizon memory consistency； - exact composition； - formal verification。 --- # 180. 比較不同 architecture $$ \boxed{ N, S, A, N+S, N+A, N+A+S. } $$ --- # 181. 如果： $$ Q_{N+A+S} > Q_N $$ 在成本合理下成立， 就支持 reweighting。 --- # 182. 如果純 neural 仍勝 則 neural paradigm 繼續擴張。 --- # 183. 這就是科學態度 不是先決定未來必然 hybrid。 --- # 184. 本文的 hypothesis 是 $$ \boxed{ \text{growing structural debt will increase the marginal value of symbolic and algebraic representations}. } $$ --- # 185. Paradigm Debt Vector 本文提出： $$ \boxed{ \vec R_P = ( R_D, R_L, R_V, R_P, R_S, R_C ). } $$ --- # 186. 注意符號重複 為避免混淆，可將 provenance debt 記： $$ \boxed{ R_{\mathrm{prov}}. } $$ --- # 187. 所以完整： $$ \boxed{ \vec R_P = ( R_{\mathrm{repr}}, R_{\mathrm{local}}, R_{\mathrm{verify}}, R_{\mathrm{prov}}, R_{\mathrm{state}}, R_{\mathrm{comp}} ). } $$ --- # 188. Paradigm Reweight Trigger 當： $$ \boxed{ \|\vec R_P\| > \tau_R, } $$ 其他 paradigm 的 marginal value 上升。 --- # 189. Marginal Paradigm Value $$ \boxed{ V_m(P_j) = \Delta Q \text{ from adding }P_j. } $$ --- # 190. 如果： $$ V_m(S)>0, $$ Symbolic 重估。 --- # 191. 如果： $$ V_m(A)>0, $$ Algebraic 重估。 --- # 192. 這比「學派復興」更精確 不是復興情懷。 而是： $$ \boxed{ \text{marginal bottleneck value}. } $$ --- # 193. 與 TCRS-06 的接口 TCRS-06 說： $$ \boxed{ \text{Theory Empire} } $$ 會讓學派難以看到外部能力。 --- # 194. 所以主流 paradigm 可能低估新 bottleneck 因為： $$ \boxed{ \text{it keeps reinterpreting the problem in its own vocabulary}. } $$ --- # 195. 例如： > 需要更好記憶？ 回答： > 再 scale neural memory。 --- # 196. 這可能對 也可能只是： $$ \boxed{ \text{theory-domain absorption}. } $$ --- # 197. 真正要測的是 > 有沒有其他 representation regime 更低成本？ --- # 198. Bottleneck-Neutral Comparison 本文提出： $$ \boxed{ \text{BNC} = \text{Bottleneck-Neutral Comparison}. } $$ --- # 199. 不先問： > Neural 怎麼解這個？ --- # 200. 而先問： $$ \boxed{ \text{what representation minimizes this bottleneck?} } $$ --- # 201. 這就是共同底空間思維 不是從 paradigm 出發。 而從： $$ \boxed{ \text{constraint structure}. } $$ 出發。 --- # 202. 本文第一原則：Mainstream Relativity Principle $$ \boxed{ \text{Mainstream status is relative to current bottlenecks, resources, hardware, and evaluation regimes}. } $$ --- # 203. 第二原則：Failure–Impossibility Separation $$ \boxed{ \text{Historical engineering failure} \neq \text{fundamental theoretical impossibility}. } $$ --- # 204. 第三原則：Success-Generated Debt Principle $$ \boxed{ \text{A paradigm can accumulate new debts precisely because it successfully removes earlier bottlenecks}. } $$ --- # 205. 第四原則：Bottleneck Migration Principle $$ \boxed{ \text{Solving one dominant bottleneck exposes or creates the next one}. } $$ --- # 206. 第五原則：Paradigm Reweighting Principle $$ \boxed{ \text{Paradigm value changes as the bottleneck landscape changes}. } $$ --- # 207. 第六原則：Hardware–Paradigm Coevolution Principle $$ \boxed{ \text{Hardware and representation regimes co-determine which paradigms are economically dominant}. } $$ --- # 208. 第七原則：Representation Debt Principle $$ \boxed{ \text{Implicit distributed capability can accumulate costs in addressability, repair, provenance, verification, and composition}. } $$ --- # 209. 第八原則：Recomposition Principle $$ \boxed{ \text{Future paradigm shifts may recompose old strengths rather than replace one paradigm with another}. } $$ --- # 210. 第九原則：Benchmark Relativity Principle $$ \boxed{ \text{Benchmark dominance does not by itself establish general architectural finality}. } $$ --- # 211. 第十原則：Bottleneck-Neutral Search Principle $$ \boxed{ \text{When a new bottleneck appears, compare representation regimes from the bottleneck outward rather than from the dominant paradigm inward}. } $$ --- # 212. 本文不主張事項 本文不主張： 1. Symbolic AI 一定會重新成為主流； 2. Neural AI 已經走到極限； 3. GOFAI 的所有失敗都只是算力不足； 4. Algebraic AI 一定是未來核心； 5. hybrid architecture 一定勝過 pure neural； 6. 黑盒問題無法由 neural 方法自身解決； 7. mainstream paradigms 是錯的； 8. 歷史一定週期循環； 9. 舊理論只要等硬體就會復活； 10. representation debt 必然導致 paradigm replacement。 本文只主張： $$ \boxed{ \text{current dominance should be interpreted as success under a particular bottleneck landscape, not as proof of final architectural completeness}. } $$ --- # 213. 與 TCRS-08 的接口 下一篇將正式處理： # 《符號、神經與代數不是三個世界：表示制度、共同結構與三重計算體系》 核心將從歷史與 bottleneck 轉向 architecture： $$ \boxed{ S: \text{Identity + Addressability + Explicit Rule} } $$ $$ \boxed{ N: \text{Discovery + Adaptation + Distributed Representation} } $$ $$ \boxed{ A: \text{Invariant + Composition + Transformation + Equivalence} } $$ 並研究： $$ \boxed{ N \leftrightarrow A \leftrightarrow S } $$ 是否能形成比傳統 neuro-symbolic 更一般的共同結構模型。 --- # 214. 結論 一個學派成為主流，通常不是沒有原因。 它往往真的解決了上一個時代最痛的問題。 Symbolic AI 強於： $$ \boxed{ \text{explicit structure}. } $$ 但它長期承擔巨大： $$ \boxed{ \text{construction cost}. } $$ Neural AI 則成功將大量顯式建構： $$ \boxed{ \text{compile into learning}. } $$ 這使： $$ \boxed{ \text{capability generation} } $$ 得到巨大突破。 因此 Neural 成為主流完全合理。 但當： $$ Capability\uparrow, $$ 下一個限制就逐漸變成： $$ \boxed{ \text{如何知道能力在哪裡？} } $$ $$ \boxed{ \text{如何局部修？} } $$ $$ \boxed{ \text{如何驗證？} } $$ $$ \boxed{ \text{如何追蹤來源？} } $$ $$ \boxed{ \text{如何長期維持一致？} } $$ 也就是： $$ \boxed{ \text{Representation Debt} } $$ 開始成為新 bottleneck。 這並不證明 neural 會失敗。 真正代表的是： $$ \boxed{ \text{Bottleneck Migration}. } $$ 而 bottleneck 一旦移動， 其他過去不再主流的能力： - addressability； - explicit identity； - invariant extraction； - canonicalization； - formal composition； 就可能重新升值。 所以 AI 歷史不一定是： $$ \boxed{ \text{Old Paradigm} \rightarrow \text{New Paradigm} \rightarrow \text{Final Winner}. } $$ 更可能是： $$ \boxed{ \text{Problem} \rightarrow \text{Dominant Solution} \rightarrow \text{Success-Generated Debt} \rightarrow \text{New Bottleneck} \rightarrow \text{Paradigm Reweighting} \rightarrow \text{Structural Recomposition}. } $$ 因此： $$ \boxed{ \text{現在的主流} \neq \text{未來的主流}. } $$ 更重要的是： $$ \boxed{ \text{未來的主流甚至不一定還是一個單一學派。} } $$ 它可能是一個動態 representation ecology： $$ \boxed{ \vec w^\ast(Q) = ( w_S, w_N, w_A ) } $$ 根據 task、bottleneck 與 verification demand 自動重新分配。 所以真正應問的不是： > Neural 最後會不會打敗 Symbolic？ 而是： $$ \boxed{ \text{下一個真正限制智能系統的瓶頸是什麼？} } $$ 以及： $$ \boxed{ \text{哪一種表示制度在那個瓶頸下最有價值？} } $$ 這就是 TCRS-07 的核心。 --- # 版本紀錄 ## v0.1.0 — 2026-10-06 - 建立 TCRS 系列 Paper 07； - 正式提出 Mainstream Relativity； - 將主流表示為 bottleneck / compute / data / hardware / benchmark 的函數； - 建立 Paradigm Reweighting； - 區分 Historical Failure 與 Theoretical Impossibility； - 提出 Era-Relative Infeasibility； - 建立 Cost Substitution； - 提出 Hardware–Paradigm Alignment； - 正式定義 Bottleneck Migration； - 建立 Representation Debt； - 拆分 State、Causal、Knowledge、Update Opacity； - 提出 Local Repair Debt、Verification Debt、Provenance Debt、Persistent-State Debt、Composition Debt； - 建立 Success-Generated Debt； - 提出 Paradigm Revaluation； - 將 Symbolic / Neural / Algebraic-Structural 分別抽象為三組 representation advantages； - 提出 Structural Recomposition； - 建立 Measurement-Induced Paradigm Weighting； - 提出 Paradigm Path Dependence 與 Latent Paradigm Capacity； - 建立 Historical Prematurity 與 Recontextualized Revival； - 提出 Representation Ecology； - 建立 Future Bottleneck Benchmark； - 提出 Paradigm Debt Vector、Paradigm Reweight Trigger 與 Marginal Paradigm Value； - 建立 Bottleneck-Neutral Comparison； - 提出十項核心原則； - 為 TCRS-08 的 Symbolic–Neural–Algebraic 三重計算體系建立直接入口。