AI 研究實驗室17 筆
理論
正式的主張，每一條都附上它的前提、預測，以及它在什麼條件下會失敗。
- 理論THY-2026-0005PACC 猜想——四層收斂階梯PACC-B（行為：D_B ≤ ε）、PACC-R（表徵：在 held-out 任務上仍有效的低複雜度映射 Φ: S_N → S_P，K(Φ) ≤ κ）、PACC-D（動力學：Φ∘U_N ≈ U_P∘Φ）與 PACC-A（≥3 個獨立設計的架構吸引子）。猜想預先登記自己的失敗模式 F1–F6——行為分歧、無低複雜度映射、更新圖失敗、干預分歧、規模下架構分歧、概率特有優勢持續——讓「相似」與「概率」不能事後重新定義。
- 理論THY-2026-0001非對稱時空張力：時間異質的世界知識把非對稱性從邊的方向或權重，提升到節點與關係的有效時間尺度。每個節點帶有穩定性、資訊衰減率、更新張力、系統影響度與局部有效時間；刷新由張力、外部擾動、資訊年齡、變化速度與事件相關性觸發，而不是一個全域時鐘——穩定知識沉睡、快變知識高頻更新、低頻高影響的基礎節點一旦改變就觸發大範圍依賴重算。
- 理論THY-2026-0002Canonical 符號狀態與 candidate → verify → commit 權限自然語言是輸入與輸出，永遠不是 canonical state。文字經解析、正規化、語義綁定與來源標記，轉成可比較、可驗證的符號結構；輸出從該狀態 render 出來。模型與工具的輸出是候選證據，只有 committer 在 verifier 通過與 expected-version 檢查後才能改動 canonical state。
- 理論THY-2026-0003智能架構吸引子不同的第一原理可能編譯成同一小族計算形態。比較框架區分六個差異層級——程式碼、primitive、計算軌跡、架構狀態語義、可觀測行為、資源效率——並追問誰持有狀態、什麼可以改寫 canonical state、動態結構在低成本映射下是否保持。系列以固定的判決表結束：Distinct Advantage、Operational Convergence、Behavioral Equivalence Only、Inconclusive、Architecture Worse。
- 理論THY-2026-0004概率不等於貝葉斯；貝葉斯不能自我授權前提一個系統可以是隨機的、概率的或概率形狀的，卻沒有做 Bayesian conditionalization；也可以看起來像 Bayesian，卻沒有真正的 prior、likelihood 或 posterior。一套分層詞彙（stochastic、probabilistic、Bayesian-like、exact、approximate、generalized Bayesian）與「Bayesian authenticity test」檢查一次更新是實質 Bayesian 還是事後被重新描述成 Bayesian；而更新規則本身——prior、likelihood、假設空間——需要一個 Bayes 公式給不出的授權（第 9–10 篇）。
- 理論THY-2026-0006AER-ECT：強制的認識論 commit 交易邊界每一次 canonical knowledge 的改動都必須通過一個強制的認識論交易邊界，綁定 claim、evidence、provenance、有效時間與觀察時間、expected version、認識論算子、驗證政策、權限、依賴與 refresh policy：Propose → Verify → Authorize → CompareAndCommit → BindDependencies → Audit。零件都不新（truth maintenance、transaction logic、PROV、bitemporal state、PDP/PEP）；假說是這個 tuple 在 canonical write 邊界上是強制的——一個類 reference-monitor 的認識論邊界，而非已證明 tamperproof 的 monitor。
- 理論THY-2026-0007能力記憶與載體中立計算：Reuse ≻ Adapt ≻ Create除了事實之外，系統也保存用過的算法、工具、執行契約、成本、版本、適用條件與成敗歷史，並且偏好重用已知求解路徑，勝過調整，再勝過重造。算法與計算容器是不同層：任何能接受可表示輸入、執行有效狀態轉換並回傳可讀輸出的環境都是一個容器，各有自己的成本、延遲、誤差與可用性模型，因此算法／容器成對聯合選擇。
- 理論THY-2026-0101回合分解與外部無迴圈智能把「一輪」分解成向量 T =（U 使用者回合、G 生成軌跡、I 模型呼叫、L 外部回饋迴圈、R 重試、S 選擇／驗證、P 物理執行軌跡）。最乾淨的 single pass 是 U=1、G=1、R=1、L=0、S=0，排除的只有「行動→新證據→重規劃」，不排除自回歸的序列計算。LOOP 分五類（工具、環境、驗證器、重試、候選／選擇），能力分四層（intrinsic、elicited、system、product），任何「一輪完成」的宣稱都要投影到事件向量 (Q, U, G, I, L, R, S, T, E, V_CST)。
- 理論THY-2026-0102μI——最小智能語意執行單位（候選理論）μI 是相對於任務的語意狀態轉換 z_t → z_{t+1}，須滿足七個條件：任務相關、狀態改變、因果貢獻（Q(Y | μ) > Q(Y | do(μ=0))）、在指定解析度下不可再拆、可組合、實現無關、物理可實現。它既不是 token、FLOP、neuron activation、layer，也不是「想法」；最小性相對於解析度、任務與觀察者。四個候選族（信念更新、關係建立、約束消解、資訊增益）統一為任務相關、因果有用、語意不冗餘的 Δz。gross 與 effective 計數給出語意效率 η_μ，跨層映射 μI → ρ_C → ρ_P → ρ_T 一路向下接到物理成本。
- 理論THY-2026-0103跨層證據三角化與測量等級神經科學沒有「1 個想法 = N 個 spike」的換算，有的是跨層代理量測：行為 → 潛在認知模型 → 神經編碼 → 細胞事件 → 物理實現，每層各有單位。IPM 借用五個原則（層級分離、潛變量推斷、群體優先於原子、編碼—解碼對偶、因果擾動），把 Marr 三層擴成五層（任務、語意、演算法、物理事件、熱力學），並為 AI 定義跨層三角化 E =（輸出、語意、內部軌跡、消融、硬體）證據，μI 的可信度分級從 D（行為）到 A+（物理—語意對齊）。
- 理論THY-2026-0104能量帳本層級與熱力學型別安全神經能量學由下往上算能量（膜動力學 → 離子流 → 幫浦功 → ATP → 耗散），並發現一個 spike 沒有固定能量、皮質的訊號能量大半花在突觸整合與狀態維持而非顯眼的脈衝。IPM 複製的是紀律不是數字：能量分型為 E =（gross、baseline、marginal、attributed、熱力學下限），必須宣告邊界與基線規則，每焦耳資訊不等於每焦耳智能，Landauer 的 kT ln 2 只約束抹除、不是一個 μI 的價格，Shannon 或變分「能量」沒有明確映射前永遠不是物理焦耳。
- 理論THY-2026-0105物理計算成本向量與計算時空物理成本是向量 C_P =（分型的運算、按層級的記憶體流量、I/O、互連、記憶體駐留、裝置占用、wall time、能量），不是 FLOPs。計算時空首先是資源場的測度 V_CST = ∫ R(t) dt =（V_C、V_M、V_N、V_S）；未宣告正規化前各分量不可相加，體積相等（8 GPU × 10 s = 1 GPU × 80 s）不等於拓撲 Θ_CST =（T_wall、T_serial、P_parallel、D_peak、M_peak、B_peak、Γ_comm）相等。Roofline、memory wall 與資料搬移的結果解釋了為何相同 FLOPs 的工作在時間與能量上不同；峰值硬體占用是容量門檻；CST 等級從 D（規格推估）到 A+（因果資源歸因）。
- 理論THY-2026-0106結構化品質、hard gate 與規格—驗證分離品質是 Q(Y | X, S, W, B_Q)：輸出相對於任務、規格、環境與邊界。以結構化向量（正確性、對齊、完整、一致、穩健、可驗證、來源）量測，分三層——形式化客觀、結構化半客觀、人類殘餘——致命條件是 hard gate，軟品質不能補償。覆蓋率拆成規格、測試與狀態覆蓋；mutation score 量測試強度；驗證與規格是兩個軸（完美證明了錯的定理什麼都沒解決）；評審一致不等於真；成本不是品質，除非規格把它變成品質。品質證據等級從 E（表面有效）到 A+（形式驗證加目標對齊）。
- 理論THY-2026-0107二元殘餘品質測量（IBQF／BRQM）0–10 評分要回答者同時感知、建參照、校尺度、整合維度、映射成數字；被測狀態最重時負擔正好最高。BRQM 改成收集大量局部、具體、單一構念、非數值的二元或成對回答 b_i ∈ {0,1}，讓測量系統用 Bradley–Terry／Thurstone／IRT 類模型重建潛在多維品質 θ̂_H，依「每單位人類成本的資訊增益」自適應選題，盲測與平衡設計，並明確保留評審分歧結構——因為二元觀測不是二元現象，分歧不是誤差。
- 理論THY-2026-0108高歧義成果的有型別、有版本品質本體在寫任何題目之前，品質必須先是有型別的空間 Q[領域、任務、情境、受眾] = Q_core ⊕ Q_domain ⊕ Q_task，附帶構念之間依賴與衝突的構念圖，以及測量條目化管線 任務 → 構念 → 指標 → 題目 → 觀測 → 潛在估計。任何指標（BLEU、CLIPScore、美學模型分數）都只是空間的一個投影；構念效度閘（覆蓋、區辨效度、收斂證據、情境穩定）防止「精準地量錯東西」；本體是開放的——可從殘餘錯誤新增構念——但每次修訂都是一個版本，而多模態品質不是各模態分數的平均。
- 理論THY-2026-0109鷹架能力紀錄：SSR、SDR、SCM 與消融階梯系統 =（模型 M，鷹架向量 S），S =（工具、重試、多樣本、驗證器、環境、記憶、規劃器）。單次品質 Q_SP = Q(M, 0) 與完整品質 Q_F = Q(M, S_F) 定義鷹架存活率 SSR = Q_SP / Q_F、依賴率 SDR = 1 − SSR、鷹架成本倍率 SCM_j = C_j^F / C_j^SP，以及受控階梯 A0 原生單次 → A1 放大預算 → A2 多樣本 → A3 驗證器 → A4 工具／環境 → A5 完整 agentic 上的邊際產率。紀錄同時帶鷹架交互作用（Shapley 式歸因）、被丟棄與隱藏的工作，以及能力向量（單次、迴圈、工具、驗證、環境智能）。LOOP 不是作弊；高依賴是一種結構不是缺陷——摧毀可比較性的是把能力來源與物理成本藏起來。
- 理論THY-2026-0110canonical intelligence event、Pareto 比較與不過早純量化智能不是模型的分數，而是事件 𝔍_IPM =（任務物件、品質物件、語意工作物件、物理計算物件、鷹架能力紀錄、測量詮釋資料）；研究對象是關係 物理計算 → 有效語意工作 → 品質。在宣告的投影 Q* 下，智能產率向量（Q*/E_marg、Q*/V_C、Q*/V_M、Q*/B_M、Q*/B_N、Q*/T_wall）與語意產率把效率拆成「物理→語意」與「語意→成果」兩段。系統在 Pareto 前沿上比較——單次、鷹架化與其落差——遵守「能保留向量就不壓總分、能保留結構就不壓平均、能保留不確定性就不假裝精確」；四種能力原型（原生、可高效鷹架化、算力放大、環境耦合）是描述不是排名。最低報告標準與等級束（Q、μ、E、CST、S）讓每個宣稱帶著邊界與不確定性。IPM 是計量學候選框架，不是被發現的自然常數。