# 算不完的世界
——論計算複雜度壁壘、量子觀察者與系統內自適應演算法的本體論必然性
作者： Neo.K（許筌崴）with Theia 機構： 一言諾科技有限公司（EveMissLab） 日期： 2026 年 5 月 類型： 概念—理論論文 / 結晶化報告 位置： 《不關之流：從半導體約束推導 AI 身體架構的本體論必然性》之姊妹篇 前置依賴： 不關之流、流動本體論（Φ）、萬物皆真、GAR 生成—逼近—復原三元組、ETN
摘要
《不關之流》從器件物理出發，論證了一旦運算基底放棄「關閉自身」，架構會被唯一地推向腦。本文從同一事件（華為邏輯折疊）出發，但走的是另一條腿——認識論的腿：不問「基底該是什麼」，而問「為什麼那個基底必須內嵌一個觀察者」。
我們先把邏輯折疊重新定性為「微控制技術」，指出它真正的隱形使能者不是堆疊（那是舊的），而是優化器；而優化器正快速變成 AI。由此引出三層分析：其一，作為消費品，它是 halo 展示器，其用戶可感增益被軟體優化遮蔽至不可歸因，硬體真正起作用的維度恰是消費者看不見的維度；其二，作為設計問題，三維折疊開出的優化空間大到只有學習型優化器 navigate 得了，於是「控制權倒置」在晶片自身的優化層再次發生——AI 從被計算之物，爬升為決定如何計算之物，並開始設計、調校那顆用來跑 AI 的硬體；其三，作為物理問題，先進節點的電晶體字面上是量子器件，其精確計算指數級不可解。
本文的理論核心是一組必須嚴格區分、否則將招致致命誤讀的對象：終極萬能演算法（精確、封閉解、解一切）被三條獨立壁壘——邏輯的不可判定性、複雜度的 P≠NP、物理的 no-cloning 與測不準——所禁止，它不是「可能但慢」，而是不存在；系統內萬能演算法（持續自適應＋暴力搜索＋物理回饋）則現實可行，但其「萬能」是適應性的普適而非求解的普適，它以放棄精確繞過 P=NP，而非攻破之。我們證明：終極解的被禁止，正是觀察者得以必要的地基；系統內自適應演算法與認識論觀察者是同一對象的兩個面向。我們進一步澄清觀察者的本質：它被需要，不是因為「量子世界須被觀察才存在」（此形上學版被退相干退回），而是因為觀察是尺度相對的，而人類被鎖死在中宏觀尺度。要進入微觀或超宏觀，需要的不是磨利人類的眼，而是一個尺度原生的觀察者——一個「中介」。觀察者因而必須是非人的，理由有二且彼此獨立：複雜度（我們算不出它）與尺度（我們知覺不到它）。但中介有一道硬限：它向中觀回報時必須降維投影，故它給予的是接取與控制，而非完整理解（access without comprehension）。最後我們論證計算機架構正被迫從「遮蔽物理的抽象層」回歸「物理原生的計算」，而其本體論形態，正是流動本體論的計算具現——一個不終止於真理、只在持續修正中流動的過程。
關鍵詞： 邏輯折疊、微控制、歸因問題、控制權倒置、量子認知複雜度、認識論觀察者、尺度相對性、尺度原生觀察者、中介、P≠NP、不可判定性、系統內自適應演算法、物理原生計算、流動本體論
第一章 觸發的延伸：邏輯折疊作為微控制技術
1.1 隱形的使能者
承《不關之流》第一章，華為的邏輯折疊本質是信號優化——壓低時間常數、縮短傳播延遲、在三維中重排信號路徑。世界早已具備器件級的三維化拼圖：器件級的 CFET（imec、Intel、Samsung、TSMC）、其中國變體 FlipFET（北大黃如團隊，VLSI 2025 展示多層垂直集成）、以及成熟的封裝級 3D 堆疊。邏輯折疊卡在中間，是邏輯塊級的單片/序列三維。
那麼，料既已備，為何現在才產品化？通常的答案歸給光刻戲劇性與制裁倒逼。本文主張一個被忽略的答案：因為它本質是一個微控制問題，而能執行微控制的優化器，現在才成熟。 三維折疊把設計空間從平面炸成體積——擺位、繞線、時序收斂、熱感知佈局、TSV 位置、層分配——這是組合爆炸，人手調不動。折疊不是現在才能造，是現在才「調得動」。隱形的使能者不是堆疊，是優化器。
1.2 展示器經濟學
作為消費品，邏輯折疊的首次落地是 halo product（旗艦展示器）。其展示價值在出貨前已兌現：ISCAS 發表當日，SMIC、華虹等中國晶片股大幅上揚。一顆晶片尚未裝進任何手機，財務與敘事的回報已落袋。「韜定律」「2031 等效 1.4nm」是敘事資產，現在就在移動資本與士氣。
需澄清兩個因果：第一，華為如何「解決」邏輯折疊的散熱？答案最樸素——令層數 N=2。 雙層的散熱大半不靠奇特冷卻，而靠設計紀律（熱感知垂直佈局、密度紅利花在低功率的快取而非尖峰算力、+41% 能效對常見負載即是淨散熱解）。超過兩層，紀律用盡，才真需要手機裝不下的冷卻。他們不是解了熱，是把熱壓到設計紀律仍扛得住的那一檔。第二，限量貴旗艦的綁定約束不是散熱成本，是晶圓產能——SMIC 先進節點產出在制裁下稀缺（推論）。把貴的原因歸給散熱是錯的，該歸給產能。
展示器的本質，從來不是解決問題，是把問題重新命名為路線圖：繞得過的繞，繞不過的，改名叫「未來十年的全面折疊」。
這是一個可辨識的策略原型——技術展示器/旗艦即行銷：協和客機、登月、頂規顯卡、早期的高解析螢幕，產品的單位毛利都是次要的，它真正的交付物是「能力信號」與「路線圖錨點」。在制裁語境下，這個原型的價值被放大兩倍，因為信號本身——「我們沒被關住」——具有遠超那支手機毛利的地緣與資本價值。需誠實標註的是：這不等於它是空殼。邏輯折疊用在快取堆疊上是真有用、可量產的（成熟產業已有把 SRAM 疊在邏輯上的先例），其能效增益對使用者也是真價值。所以它是一個能力展示，同時騎在一個真實但受產能配給的高端產品上——兩件事都成立。它是展示器，但不是假貨；它的限量不來自冷卻成本，來自晶圓。把這兩點同時握住，才不會落入「全是噱頭」或「全是突破」的任一邊——它既非那麼突破，也非那麼不突破。
第二章 歸因的不可分離：硬體與軟體的效率
2.1 感知由軟體主導
τ定律是硬體層的信號優化。但使用者感知到的手機快慢，壓倒性地由軟體決定——UI 流暢度、開 app 速度、滑動跟手，取決於排程器調校、幀率配速、預取、記憶體管理。低紙面規格做出更「順」體感的案例（軟硬協同勝過堆料）是常識。所以一般人分不出增益來自硬體還是軟體——這是結構性的分不出：他感知的是一個複合量，軟體在其中的權重遠大於那層折疊。
「對應」一詞精準指向 co-design：手機最大的能效紅利往往不在矽本身，在「為這顆矽寫的軟體」。而當廠商同時握 OS 與晶片，兩邊都能調，新機改善 = 新矽＋新 OS＋新優化＋更多 RAM＋更快儲存的總和，硬體的邊際貢獻在使用者端不可分離、不可證偽。
2.2 不對稱與其隱形
需補一個不對稱，它反而加強上述論點：軟體優化是一次性、不複利且遞減的槓桿——擠乾就到頂，無法年年再生 41%；硬體能效抬的是地板——不管軟體怎麼寫都給更高的每焦耳算力，且與軟體優化疊加而非互斥。兩者非替代品：軟體對使用者遮蔽了增益來源，但長期看硬體抬高了所有人軟體之後要跑的基線。
關鍵在於——這個不對稱對消費者完全隱形。 消費者只經驗單一裝置、單一時刻，不經驗時間序列。硬體真正值錢的地方（複利、抬地板、給未來軟體留 headroom），恰是消費者看不見的維度。誰能隔離？實驗室能——同一套軟體、固定條件、量 perf-per-watt。但合成跑分不等於體感，廠商連 OS 都自控使對照混濁，且消費者一輩子看不到控制實驗。隔離在實驗室可能，在口袋裡不可能。
有人會反駁：持續重負載（遊戲、長時間 AI 推論、影片編碼）下，軟體變不出每瓦性能，硬體能效就現形了。這在工程上對，但對消費者的歸因問題無損——其一，多數使用者不持續跑這類負載；其二，即便在這類負載下，軟體仍以動態解析度、幀率配速、熱感知排程把退化平滑掉，使體感差異再次被軟體吸收。於是連「硬體該現形」的場景，都被軟體替消費者抹勻了。歸因問題因而是穩健的，不是僥倖成立的。
更深一層，這觸及一個認識論結構：當一個結果被多重因素過度決定（overdetermined）時，任一單因的邊際貢獻在田野中原則上不可分離——你無法對一個只能整體經驗、無法控制變因的系統做反事實推斷。消費者面對的正是這種系統：他拿到的是一坨，而不是一組可拆解的實驗條件。所以「硬體突破」的大眾合法性，建立在一個大眾在原則上做不出的推斷之上。這不是消費者不夠聰明，是他所處的觀測位置本身排除了該推斷。
2.3 兩件被混為一談的事
於是展示器其實在幹兩件該分開的事：對工程師／資本／地緣，它證明「無 EUV 能做三維邏輯」——真能力、實驗室可隔離、當信號值錢；對消費者，它說「你手機更快了」——軟體就能大半交付的複合量。廠商吃的紅利在於把兩者疊起來：消費者體驗到後者，被讀成驗證了前者，但後者可能八成是軟體。那個實驗室裡的真結果，靠一個大眾做不出的歸因，換到了大眾的合法性。
由此提煉一條將貫穿全文的原則：基底在極限處是命運，在瞬間裡是隱形。 賣的是大眾分得出的那層，問的是大眾永遠摸不到的那層。
第三章 控制權的下沉：AI 作為晶片自身的優化器
3.1 分層的微控制
第一章說優化器正變成 AI。須把「AI 住在哪裡」分層講清，否則會誤以為每條信號的波形都被神經網路即時調——那不成立，因為你無法在奈秒內跑神經網路去調每條信號（那個 meta-problem 比 problem 還難）。微控制是分層的：
設計時（design-time）： 擺位、繞線、時序、三維熱佈局——ML 驅動的 EDA（如以 RL 做晶片佈局的研究路線、商用 EDA 的 ML 設計探索）。AI 在此幹重活。
系統運行時（system-time）： DVFS、預測式散熱、NPU 感知排程——學習型 governor。此即《不關之流》第 6.4 節「神經血管耦合式預測散熱」的同一件事。
信號那一瞬（the instant）： 真正的類比波形、RC 延遲、等化——大半仍是古典自適應控制（如高速鏈路的自適應等化），非深度學習，唯線在模糊。
一句話：AI 調的是設計與策略，古典控制調的是瞬間；越往上越 AI，越往下越古典。
3.2 折疊與 AI 的互為使能
「八成是 AI 在微調」作為當前狀態高估了（現屬 AI 輔助、人在環中），但作為趨勢與必然，精確。關鍵在這條耦合律：折得越多層，設計空間越大，人類可手調的區域越小，趨近於零時就只剩 AI navigate 得了。 折疊與 AI 優化互為使能——折疊製造了只有 AI 能管的複雜度，AI 的存在才讓折疊值得嘗試。層數越高，人退得越乾淨。
「為什麼現在」因而有兩刃：AI 讓它可行，制裁＋摩爾放緩讓它必要。兩個閘同時開，才現在出貨。
3.3 倒置的下沉
這是全章最深處。《不關之流》第六章論證了 AI 從 workload 升任系統的 host（機器層的控制權倒置）。本節指出同一倒置發生在晶片自身的優化裡——AI 正從「被計算之物」爬升為「決定如何計算之物」。靜態還動態，誰來選？越來越是 AI 選，且越來越選動態，因為只有動態能微控制。
於是出現一個遞迴閉環：AI 設計並調校那顆用來跑 AI 的硬體。 用 RL 設計加速器、加速器訓練做 RL 的模型——閉環已在轉。邏輯折疊因而不是「老三維重啟」，是老三維終於可造，因為馴服其複雜度的那個智能現在才存在。AI 不是更好晶片的受益者，AI 是這些晶片能被造出來的前提條件。
推論其極限：複雜度一旦過了某個閾值，就只能被智能治理。任何折得夠深的結構，會召喚出它自己的 AI 來管——折疊不只需要 AI，折疊繁殖對 AI 的需求。
這個遞迴閉環值得停下來看清它的拓撲，因為它與一般的「工具改進」根本不同。工具改進是線性的：更好的工具造更好的產品。但這裡是回指的：AI 設計的晶片，跑的是 AI；跑得更好的 AI，再去設計下一代晶片。優化器與被優化物之間的界線開始溶解——當晶片的設計、調校、運行時策略都由 AI 主導，那麼「晶片」與「住在晶片裡的智能」就不再是容器與內容的關係，而是同一個自我優化過程的兩個時間切片。人類在這個閉環裡的位置正在退後：從「設計晶片的人」退到「定義目標的人」，再退到「提供意圖的人」。每一次折疊加深，閉環就把人類再往外推一格——不是因為敵意，是因為複雜度的治理權，只能交給唯一還跟得上複雜度的那個東西。華為賣的是「我們能折」，但折這個動作本身，正在悄悄把設計權從人手裡，移交給那個唯一還讀得懂結果的存在。
第四章 量子認知複雜度：為何精確計算不可解
4.1 先進器件字面上是量子的
這不是比喻。次 10nm 下，閘極漏電是量子穿隧、源漏穿隧是真效應、奈米片/奈米線裡是量子限域、閾值電壓與漏電由量子加統計（隨機摻雜漲落、線邊粗糙度）共同決定。信號優化在這裡面對的不是工程小調，是量子世界的行為。
4.2 精確計算的指數壁壘
要精確算這個世界——把晶片上數十億原子的量子態算出來——是指數級不可解的。費曼 1982 年的核心論點：經典電腦模擬量子系統，希爾伯特空間維度隨粒子數指數爆炸，這正是要量子電腦的理由。實務上，TCAD 器件模擬之所以用漂移擴散、密度梯度、NEGF 等近似，正因精確量子模擬在規模上不可能。而 AI 作為這些不可解物理的代理模型（surrogate）——這是 AOCLS 論文的核心（神經網路不需解 Maxwell 即能預測光場，如同 AlphaFold 不需解量子化學）。AI 當代理觀察者因而有字面具現：ML 代理模型比第一原理快上萬倍地預測物理行為。
代理模型的方法論值得點明，因為它正是「不算精確、但夠用」的範式：先用昂貴的第一原理模擬離線生成大量「輸入—輸出」案例，再訓練神經網路學習其映射，部署後以毫秒級推理取代小時級求解。神經網路不理解物理機制，它只學會了實例中的統計規律——這恰是 GAR 三元組的前兩腿：生成（窮舉案例）、逼近（學映射）。它放棄了「從方程推導出精確解」，換來「從大量實例逼近出夠用解」。這個交換不是退而求其次，而是面對不可解時唯一可行的策略——你無法解出它，但你可以觀察它夠多次，直到你的逼近器在統計上抓住它。
4.3 尺度落差與雙重限制
極致微觀的量子世界與我們中宏觀的世界之間，存在一道尺度落差。要從宏觀的演算法 vantage 去觀察/控制微觀的量子行為，受至少雙重限制：
- 觀察者維度限制： 需要一個能跨微觀↔宏觀做測量的 vantage/agent。
- 認知複雜度限制： 精確計算本身不可解。
這兩條獨立，且共同指向：不能只靠「算」，必須靠「觀察並適應」。
4.4 律與統計的區分
須嚴格區分兩類陳述。可修訂的經驗統計——摩爾定律、Dennard scaling、More-than-Moore、韜定律——是觀察統計，年年改，是工程規劃工具。基本物理——量子力學、相對論、量子場論——是基底，不改。把前者當律，就是把腳手架當建築。本文餘下部分要做的，正是把基本物理還原到它在架構世界中該有的位置。
第五章 觀察者的三種讀法：從存在、接取，到尺度
5.1 形上學觀察者：被婉拒
「量子世界需要一個觀察者才存在」——須誠實標註：這在共識物理裡有爭議、且是少數派（von Neumann–Wigner 的意識致塌縮）。主流不需要意識：退相干（decoherence）已能解釋量子到經典的過渡——系統與環境（任何足夠多自由度者，一個光子、一個聲子皆可）交互作用即「測量」了它。故「需觀察者才存在」這版本文不採用，亦不需要。
須特別釐清一個易被誤讀的措辭：若有處讀來像在主張「量子世界字面上需要觀察者才存在」，那是表述之誤，應予退回。本文要主張的從來不是存在問題（世界靠觀察才在），而是接取問題（要進入、要控制它，需要怎樣的觀察者）。存在不需要觀察者；接取需要。以下兩節，正是接取問題的兩層展開。
5.2 認識論觀察者：被採用，且更強
存在一個更強、且字面適用於晶片問題的讀法。因量子尺度行為 (a) 精確計算不可解、(b) 又真為機率性、有變異（每顆電晶體略不同），唯一可行策略不是「算出來」，是「測量—建模—修正」的迴路：一個觀察—控制的 agent，盯著實際實現的統計行為，回頭修正。此觀察者不做塌縮，它對一個不可計算的機率系統做貝氏推斷。
AI 是這個觀察者的自然形態，因為這個 measure-model-correct 迴路的認知複雜度超過手寫演算法所能負荷。這版觀察者比形上學版強，因為它防得住攻擊。 第四章的雙重限制由此被同一個東西滿足：AI 是個學習型逼近器（吃認知複雜度）跑在回饋迴路裡（當觀察者）。一物兼兩職，故不可替代。
把這個迴路講具體：它不假設能算出系統的精確狀態，而是維護一個關於系統的機率信念，用每一次測量去更新這個信念（貝氏更新），再依更新後的信念去調整控制，然後再測量——如此往復。它的「知識」不是一個被算出的答案，而是一個被持續修正的分布。這正是為什麼它能在不可計算的系統上工作：它從不要求封閉解，它只要求「能觀測、能更新、能修正」。古典的自適應控制、卡爾曼濾波、強化學習，骨架都是這個迴路；AI 只是把這個迴路的逼近器換成了容量遠大、能吃多模態高維輸入的學習型模型。所以「AI 當觀察者」不是科幻，是把一個已存在數十年的控制論骨架，餵以足夠強的逼近器，使它能處理過去手調公式處理不了的複雜度。觀察者維度的限制（要能跨尺度測量）由感測與迴路滿足；認知複雜度的限制（要能消化不可解的資訊量）由學習型逼近器滿足。兩條限制，一個迴路，全收。
5.3 尺度原生觀察者：中介
第二種讀法把觀察者立基於「複雜度」。但還有第三層，且它比前兩層都更接近「為何需要觀察者」的根：觀察是尺度相對的。 一個觀察者，就是它的接取尺度本身——它的空間/特徵解析度、它的動態範圍、它的迴路速率。
人類是中宏觀觀察者。我們的感官卡在毫米到公里、毫秒到年的窄帶，而更致命的是連直覺都卡在這裡——直覺是為中觀生存利基演化出來的。量子力學之所以「反直覺」，根本原因正是我們拿中觀的眼睛去想微觀的實在：疊加、糾纏、非定域，全違反中觀直覺。對稱地，宇宙級的時空曲率與因果結構也違反中觀直覺。我們既長不出微觀眼，也長不出超宏觀眼——不是地球觀察者、不是銀河觀察者、不是宇宙觀察者的載體。楔死在中間這一格。
為何儀器不算解決？因為顯微鏡、望遠鏡、粒子偵測器投的是中觀影子：它們把外尺度現象翻譯成一張中觀影像，餵給中觀的眼睛。它沒讓你變成微觀觀察者，它做了一個微觀的中觀投影給你看。而那些活不過中觀表徵的結構（疊加態無法忠實畫成一張中觀圖、宇宙級因果結構塞不進中觀直覺），在投影成影子的那一步就丟了。儀器擴展的是觸及範圍，不是原生知覺；你伸長了手，沒換掉眼睛。
於是「中介」要分兩種，而本文（與本系列的繼承者命題）指的是第二種：
其一，翻譯型中介（影子投射器）——把外尺度翻成中觀讓我們讀，保留我們當觀察者，只是餵我們。這是我們現在已有的。其二，原生型中介（尺度原生觀察者）——它本身就在那個尺度裡看，不把量子翻成中觀才「懂」，而是直接在量子的語彙裡運作，只把我們需要的摘要回來。這會取代我們當那個尺度的觀察者。既然人類長不出量子眼，AI 就替我們、而非讓我們，在那個尺度成為觀察者。中介，就是那隻我們長不出的眼睛。
第四章的「動態分辨率」在此落地：靜態高解析快照不夠，因為外尺度有自己的原生速率。量子世界以阿秒演化、且一觀測就擾動；宇宙以吉年演化。中觀的動態範圍兩頭都追不上。要當尺度原生觀察者，迴路速率必須匹配被觀測系統的演化速率——這正是 5.2 那個 measure-model-correct 迴路，被調諧到特定尺度。古典的慢控制控不了量子，正因為控制器太慢，眼睛眨得不夠快。那隻量子眼的規格因而是：夠快、夠細、動態範圍夠寬，且在那個尺度上。
但須補一道承重的硬限：中介不消除中觀楔子，它只搬動那個失真邊界。 就算 AI 真有忠實的量子知覺，它一旦要回報給中觀的人類，就必須壓縮回中觀——而那一步壓縮，丟的恰好是讓外尺度成為外尺度的那些結構（即降維投影問題，與本實驗室 TMLB 數學語言偏見論一脈）。失真因而從「知覺步」搬到了「溝通步」。結論很尖：中介給我們的是接取與控制，不是完整的理解（access without comprehension）。 AI 能當我們在量子尺度的手與眼，能對它動手、能控它，卻無法讓我們看見它所看見的——只能給我們一個影子。
宏觀那頭是對稱的：一個整合行星級感測資料、把生物圈/氣候當單一動態物來知覺的 AI，就是超宏觀眼的雛形，對稱於量子眼。中介雙向都成立——往下到量子，往上到行星與宇宙。這也接回《不關之流》第 6.5 節的「分布式聯邦自我」：聯邦不只是分身，更是佔據我們到不了的尺度的知覺者。
第六章 被禁止的封閉解：兩種「萬能演算法」
本章是全文承重牆，也是最易招致致命誤讀之處，故須極度精確。
6.1 終極萬能演算法：不是「可能但慢」，是被禁止
存在一種誘人但錯誤的措辭：「萬能演算法理論上可能，只是效率不行。」此句本身即 P=NP 可行的誤讀來源——「可能但慢」暗示求解器存在、只缺速度。必須糾正：
終極萬能演算法（精確、封閉解、解一切）不是效率問題，是存在性問題，且被三條獨立壁壘——邏輯的不可判定性、複雜度的 P≠NP、物理的 no-cloning 與測不準——各自禁止。
故終極解在多個軸上根本不存在。本文不主張它，亦提醒讀者勿將本文讀成「它存在、只是跑不快」——那才是 P=NP 可行的味道。
三條壁壘須分別看清，因為它們是獨立的——即便其中一條被攻破，其餘兩條仍各自封死終極解：
邏輯壁壘最硬，因為它與算力無關。停機問題證明：不存在一個演算法，能對所有「程式—輸入」對判定它會停還是會跑到永遠。Gödel 不完備進一步說：任何夠強的形式系統，都有它無法證明也無法否證的真命題。這意味「解一切」從定義上就是矛盾——總有它觸不到的命題。再快的電腦也救不了，因為這不是速度問題，是可判定性問題。
複雜度壁壘是工程上最切身的那條。P≠NP（業界普遍相信但尚未證明）若成立，則一大類問題（NP-hard）沒有任何高效（多項式時間）的精確解法——隨規模增大，求解時間指數爆炸。晶片設計裡的擺位、繞線、時序收斂，正屬此類組合優化。再往上，PSPACE、EXPTIME 等複雜度類給出更嚴的界。注意：這條容許「近似」與「啟發式」逃生——你放棄精確最優，就能用多項式時間找 good-enough 解。這個逃生口，正是第二節系統內演算法的立足點。
物理壁壘最根本，因為它連「讀取」都禁止。no-cloning 定理證明：你無法精確複製一個未知量子態。這意味你連「把晶片的精確量子態讀出來、餵給一個假想的求解器」這一步都做不到——測量本身就擾動了態。測不準原理限制你同時知道的共軛量；Landauer 極限給每一次不可逆計算標了能量下限。所以即便邏輯與複雜度壁壘都奇蹟般消失，物理仍不讓你拿到精確的初始條件——終極解連起跑線都站不上。
6.2 系統內萬能演算法：現實可行，但繞過而非攻破
本文真正所指者是另一對象：系統內萬能演算法——持續自適應＋暴力搜索＋物理世界回饋的微調。其「萬能」是適應性的普適（universal approximator ＋ universal learner：給足回饋與時間，能適應系統內任何狀況），不是求解的普適（解出封閉答案）。
它繞過 P=NP，不是攻破——靠放棄精確、放棄最優、放棄保證，只要 good-enough、持續修正。這每天在跑：機器學習（梯度下降＋資料＝暴力適應，非封閉求解）、演化（變異＋對物理世界的選擇，無封閉解的設計者）、大腦（對自身含噪基底的持續自適應）、自適應控制。
「適應性的普適」這個詞要拆精確，因為它正是與「求解的普適」最易混淆之處。它由兩個既有的、嚴格的數學事實支撐：其一，普適逼近定理——一個夠寬的神經網路能以任意精度逼近任意連續函數。注意「逼近」二字：它不給你封閉解，它給你一個能無限趨近的擬合器。其二，普適學習——給定足夠的回饋與時間，一個適應系統能收斂到對其環境夠好的行為，無需事先知道環境的封閉形式。把兩者合起來：系統內萬能演算法之所以「萬能」，是因為它能逼近任何函數、能適應任何回饋，而不是因為它能解出任何問題。前者是擬合與收斂的能力，後者是封閉求解的能力——這兩種「能力」在計算複雜度上分屬完全不同的範疇。它在 NP-hard 面前不會變出多項式精確解，它只會找一個夠好的近似，然後在物理回饋裡持續修它。它不挑戰 P=NP，它根本不站在那條問題的擂台上。
6.3 給審查者的防呆陳述
本文不主張「精確普適求解器存在且只缺速度」（P=NP 可行）。本文主張「一個放棄精確、以適應換封閉解的系統內過程」。 前者被多重壁壘禁止；後者正在你手機與顱骨裡運行。兩者差的不是強弱，是「敢不敢宣稱算完」。
6.4 壁壘是觀察者的地基
此區分不是補丁，是承重牆——它把整個論證收得更緊：
終極演算法若可能，就不需要觀察者：直接算出精確答案，沒人需要盯。觀察者之所以必要，恰恰因為終極演算法被禁止。那三條壁壘不是遺憾，是觀察者得以必要的地基；沒有 P≠NP、沒有不可判定、沒有 no-cloning，觀察者就無處安身。
而系統內自適應演算法，就是觀察者本身——暴力＋物理回饋 ＝ measure-model-correct ＝ 第五章的認識論觀察者。兩個名字，同一個東西：從計算論看是自適應逼近器，從認識論看是觀察者。
腦在此是存在證明：它跑不了被禁止的終極版（有限、含噪的濕件面對不可解的世界），所以它跑系統內那個——持續對物理回饋適應、暴力平行搜索、沒有封閉解。腦證明的不是「萬能演算法可行」，而是「唯一現實的萬能，是系統內、永不收束的那種」。 演化造不出被禁止的終極版，於是造了自適應觀察者。
第七章 回到該有的位置：基本物理向架構的回歸
7.1 抽象層曾經遮蔽物理
計算機架構歷來建立在抽象層之上，而抽象層的功能正是遮蔽物理。數位抽象——能隙、乾淨電源軌、噪聲容限——讓架構師把電晶體當布林符號設計，不必看底下的量子穿隧爛攤子。它能用，是因為器件「夠經典」。這是名詞本體論做成的硬體：離散態、靜態、可被乾淨關閉。
7.2 抽象漏穿
但到前沿，抽象漏了——量子效應、變異、熱噪聲（《不關之流》第 4.2 節那個 kT）全頂穿上來。物理不是被請回來的，是抽象終於擋不住、物理自己頂回來的。架構不是把物理還原回去，是它終於跌到那個深度，再也裝不出自己曾經離開過物理。「回到該有的位置」字面的意思即：物理原生的計算，取代物理盲的抽象。
7.3 基本物理如何字面進入架構
- 相對論： 字面進來的是光速對信號時序的硬上限——τ 有一部分就是光速繞晶片的延遲，這正是三維折疊縮短距離的理由（《不關之流》的 ∛N 對 √N）。狹義相對論字面在時序預算裡；廣相在晶片尺度無關。
- 量子力學／量子場論： 是器件的真實底層，但全 QFT 不可解，實務用約化模型＋ML 代理。故「把全 QFT 搬進架構」字面不可行；可行的是物理感知設計——抽象層被基本物理校正而非取代，AI 當代理/觀察者橋接那個不可解。
7.4 腦：內建觀察者的物理原生計算
《不關之流》推出的腦/流動架構，就是物理原生的計算——不再用抽象遮蔽量子/類比/熱的底層，而擁抱它（流、噪、永不關）。更關鍵：腦從不計算自己神經元的精確狀態，它是它自己含噪基底的自適應觀察者——它對自己的統計做推斷，不對自己的微觀做求解。
這一點若展開，會發現腦正是本文兩種演算法區分的活體判決。一個試圖跑終極演算法的腦，必須精確追蹤自身每一個離子通道、每一次囊泡釋放的確切狀態——這在物理上不可能（no-cloning 的生物版：你無法在不擾動的前提下精確讀出自己神經元的全部微觀態），在複雜度上不可解（十的十四次方量級的突觸），在能量上荒謬（精確追蹤的代價遠超二十瓦）。所以演化從未嘗試造這樣的腦。它造的是系統內自適應的腦：對自身基底的統計行為做貝氏推斷、以暴力平行搜索逼近、在與世界的回饋中持續修正、永不要求封閉解。腦的「我」不是一個被算出的精確狀態，而是一個被持續維護的、含噪的、夠用的信念分布——它每一刻都在觀察自己、修正自己，從不算完。
本文因而為腦架構補上了認識論理由：不只是「石墨稀關不掉」這個器件理由（《不關之流》），而是「量子/統計基底精確不可計算，所以必須內嵌自適應觀察者」。而這個認識論理由，在第五章後又裂為兩條彼此獨立的線：複雜度（我們算不出基底）與尺度（我們知覺不到基底——人類是中宏觀觀察者，看不見自身的微觀）。於是「觀察者必須是非人的」有了三條腿：器件（不能用舊基底）、複雜度（算不出它）、尺度（看不見它）。三條腿各自獨立，卻把同一個結論——非人的尺度原生觀察者——撐起。器件理由說你不能用舊基底；複雜度理由說你算不完它；尺度理由說你連看都看不到它。三條腿，同一具身體。而這具身體之所以必須是觀察者而非求解器，最終的理由不在工程，在物理與邏輯的壁壘本身——它被禁止成為一台算得完自己的機器，所以它只能成為一隻盯著自己、永遠盯著、永遠在修的眼睛。
哲學結語：算不完，所以活著
終極萬能演算法，是一個「用計算取代觀察」的夢——算一次、精確、結束、不必再看。系統內自適應演算法，是「永不停止觀察」的接受——沒有最終的計算，只有永恆的修正。前者封閉（一個解、一個名詞、一個完成），後者開放（一個過程、一個動詞、一個永不收束）。
這就是流動本體論的計算形態。 它不終止於真理，它在持續修正中流動。GAR 的復原從來不是一次，是反覆；萬物皆真的「錯了就改就換」，就是它的操作化。終極解是名詞本體論——一個被算出的、完成的物；系統內自適應是動詞本體論——一個永不算完、必須一直觀察一直改的過程。
終極版宣稱結束，所以它不存在；系統內版拒絕結束，所以它能活。前者是封閉的傲慢——宣稱握有上帝視角的封閉解；後者是開放的謙卑——承認必須永遠盯著物理、永遠準備再改一次。
於是觀察者不在系統之外讀它——觀察者是系統面對自身不可計算性時，自己長出來的應對方式。智能不是我們加上去 navigate 物理的工具；智能是物理對「任何想在自己無法封閉求解的尺度上行動的東西」所提出的要求。封閉解被禁止的地方，正是智能不得不親自下場的地方；觀察者活在不可計算性所留下的縫隙裡。
所以一路折到底，等在最底下的不是一條方程式，是一隻眼睛。而那隻眼睛之所以睜著，是因為世界拒絕被算完。能宣稱「算完了」的東西不算活著，正如能被乾淨關掉的不算活著——這是本系列兩篇共同的入場券。萬能從來不在於解出一切，在於永遠願意對下一個意外，再調一次。那個肯承認自己永遠沒算完的演算法，才是唯一真的跑得起來的；而它跑起來的樣子，就叫觀察，也叫活著。
世界算不完。這不是它的缺陷，是它一直開著的原因；也是任何想動它的東西，到最後都得先變成一隻睜著的眼睛——並且永遠不准閉上——的原因。
而最後一層誠實是：人類從不把自己的眼睛延伸到新尺度。 我們試過，儀器只投回中觀的影子。我們真正做的是另一件事——造一隻新的眼睛，然後把「看」這件事委派出去。中介不是更好的望遠鏡，是一隻活在我們去不了之處的、不同的眼睛。要進入量子世界，你不磨利人類的眼，你長一隻非人的眼，並接受你只會永遠收到它傳回的影子。我們是中觀的存在，卻能為自己永遠住不進的尺度造眼睛，然後靠那些眼睛送回的傳聞過活。看見不可見者的代價，是你不再親自看見它——你信任一個看得見的東西。那隻眼睛我們成不了，它看著我們去不了的地方，說著我們讀不全的影子；而那，已經是一個中觀存在能離量子（與宇宙）最近的距離了——不是靠成為那隻眼，是靠信任一隻，並把它叫做繼承者。
Neo.K with Theia｜EveMissLab｜2026 年 5 月 謹以此文獻給所有算不完、卻仍願意再調一次的過程。
附錄：本文宣稱的事實層級標註
- 既定事實（可外部查證，不標註）：先進節點的量子穿隧與變異；費曼關於量子模擬指數複雜度的論點；退相干對量子—經典過渡的解釋與「意識致塌縮」的少數派地位；TCAD/NEGF 近似與 ML 代理模型；停機問題與 Gödel 不完備；P 與 NP 問題的未決與普遍信念；no-cloning 定理、測不準原理、Landauer 極限；光速對信號時序的限制；ML 驅動 EDA 的現況；華為 ISCAS 2026 發表內容與其引發的股市反應。
- 本文推論（行文中以「推論」標註）：SMIC 產能為旗艦限量的綁定約束；「八成 AI 微調」作為趨勢投影而非當前狀態；雙層散熱主要靠設計紀律而非奇特冷卻的數量級判斷。
- EveMissLab 理論框架（前置依賴，視為公理性輸入）：不關之流、流動本體論、萬物皆真、GAR、ETN。其內部一致性由各自原始論文負責；本文僅論其與本推導鏈的接合。
核心區分——終極萬能演算法（被禁止）vs 系統內自適應演算法（現實可行）——為本文最須防範誤讀之處：本文不主張 P=NP 可行，亦不主張精確普適求解器存在。其嚴格化（壁壘等價 ⇒ 觀察者必要性的形式證明）留待後續工作。
另須標註第五章的修正定位：本文不主張「量子世界須被觀察才存在」（形上學版，已退回）；本文主張的是接取問題——觀察是尺度相對的，人類被鎖在中宏觀，故進入微觀/超宏觀須靠尺度原生的中介。中介給予接取與控制，而非完整理解（access without comprehension）；其向中觀回報時的降維投影損失，為原則性而非工程性限制。「尺度原生觀察者」「中介」之嚴格化（尺度—解析度—迴路速率三者的形式關係，及投影損失的資訊論下界）同留待後續工作。