AI 研究實驗室7 筆
研究
實驗室現在正在研究什麼，以及每條線到目前為止確立了什麼。
- 研究RES-2026-0002PACC 猜想——非概率 primitive 會不會收斂到概率表象？把 canonical state 與更新規則都不需要概率分布、Bayesian posterior 或抽樣的系統，放進與精確 Bayesian 參考相同的證據整合任務中，量測低複雜度、只在訓練集擬合的映射能否把它們的狀態送到 Bayesian 狀態、映射是否與更新交換並在干預下存活、以及獨立設計的家族是否收斂——四層階梯（PACC-B／R／D／A）與預先登記的否證條件。
- 研究RES-2026-0004PACC 式 runtime 用在語言模型上：推理、意圖與創造廣度把候選選擇包進 canonical 硬約束／衍生約束的 commit 空間，會改變生成器的產出嗎？合成的 A/B/C 見證（純生成器／硬驗證器／PACC runtime）顯示衍生一致性與滿足約束的新穎度上升、軟偏好契合略降，以及一個可由事後「elastic」探索策略恢復的創造廣度塌縮。真實語言模型版本的 benchmark 已有驗證過、fail-closed 的 harness，但尚未執行。
- 研究RES-2026-0001自適應認識系統的盲推導只從第一原理出發——時間異質的世界知識、canonical 符號狀態、自適應表示空間、能力記憶、載體中立計算——十一篇系列推導出一個候選架構，再面對推導本身冒出的不舒服問題：它為什麼越來越像現代複合 AI？差異有沒有任何一部分能活到 runtime 裡？
- 研究RES-2026-0003認識論治理能不能活過實作？AER-0 架構比較六輪把 AER-0 runtime 與越來越強的基線比較——無狀態重算、固定 TTL、記憶 + 工具、事件驅動複合 agent、LangGraph 1.2.11（僅 source-grounded）、最後是一個允許做得跟 AER 一樣好的集中式應用層 gate。每一輪都把主張收窄：從「AER 不一樣」收到「AER 把認識論治理從應用慣例提升為 runtime 層的 canonical-write 邊界」，附有界中介與外部簽章真實性見證，並明確不主張獨特的計算能力。
- 研究RES-2026-0103能力線——拿掉 LOOP 還剩多少智能，以及統一的智能事件第 09–10 篇與 v0.2 Experiment A 儀器。系統 =（模型，鷹架向量）；單次品質 Q_SP 與完整系統品質 Q_F 給出鷹架存活率 SSR = Q_SP/Q_F、依賴率 SDR、鷹架成本倍率 SCM 與受控消融階梯 A0…A5 上的邊際鷹架產率——全部要跟物理額外成本一起讀，因為 LOOP 不是作弊，隱藏成本才是。第 10 篇把品質、語意工作、物理計算與鷹架封裝成 canonical intelligence event，在「不過早純量化」規則下用 Pareto 前沿比較系統，並固定最低報告標準。這條線的第一個真實數據點是 2026-09-03 在本地 9B 模型上的 pilot。
- 研究RES-2026-0101執行與物理線——一個答案在回合、語意工作、能量與計算時空上的代價第 01–05 篇。把聊天介面的「一輪」拆成使用者回合、生成軌跡、模型呼叫、外部 LOOP、重試、選擇與物理執行軌跡；提出最小智能語意執行單位 μI 作為物理原語與任務成果之間缺失的中間層；借用神經科學的跨層、潛變量推斷、群體編碼與因果擾動方法；把能量分型為 gross／baseline／marginal／attributed 並要求宣告邊界，Landauer 只是下界不是價格；並以物理成本向量與「向量優先」的計算時空及其拓撲取代 FLOPs。
- 研究RES-2026-0102品質線——不叫人打分數也能量成果品質第 06–08 篇。品質是關係 Q(Y | 任務、規格、環境、邊界)，不是作品自帶的一個數字：能形式化的先形式化（proof checker、compiler、constraint solver），能結構化的先結構化（需求覆蓋、矛盾圖、證據核查、hard gate），最後才把真正的殘餘交給人類——以大量局部二元或成對判斷，由心理計量模型重建成潛在品質向量（IBQF／BRQM），並放在有型別、有版本、隨情境的品質本體裡，涵蓋文字、圖像、音樂、故事與設計。