主體—載體耦合係數：智能不是載體能力本身，而是載體能力的主體化調度

Subject–Carrier Coupling Coefficient: Intelligence as the Subjective Orchestration of Carrier Capacity

作者：Neo.K & Aletheia
日期：2026-06-25
版本：v0.1 草案
文件類型：補充論文 / 認知計算理論 / AI 架構理論
附屬於：《主體注意力複雜度：計算之前的計算》
理論脈絡：注意力動力學、雙重觀察者架構、編織論、EML / C+++ / NOVA 路線
核心命題：智能不等於底層載體能力。智能體的實際能力取決於主體能否把載體所提供的算力、記憶、感知、工具、權限與外部環境，動態耦合為有效認知與有效行動。

摘要

傳統計算理論與工程評估常以硬體算力、演算法效率、模型參數量、上下文長度、工具數量、資料規模等指標衡量智能系統的能力。然而，這些指標描述的是「載體可提供的能力」，並不等同於「主體實際可用的能力」。人類大腦具有龐大的神經活動與記憶潛能，但意識主體在特定時刻只能使用其中極小部分；同樣，當代 AI 系統可能具有龐大參數量、長上下文窗口、多工具權限與外部資料庫，但在具體任務中仍可能選錯問題、遺失上下文、錯配注意力、忽略工具、誤用記憶或將低信心輸出誤認為高信心結論。

本文提出「主體—載體耦合係數」（Subject–Carrier Coupling Coefficient, κ_SC）作為《主體注意力複雜度》之補充概念。此係數用以描述一個智能主體在特定時間、任務與環境中，能夠將其底層載體能力轉化為有效認知與有效行動的比例。本文主張：智能不是載體能力本身，而是主體對載體能力的動態調度、注意力分配、表示壓縮、工具選擇、錯誤監控與世界耦合能力。

本文進一步區分客體層、載體層與主體層：客體層回答「問題本身有多難」；載體層回答「系統可提供多少資源」；主體層回答「智能體能否正確調度這些資源」。加上主體—載體耦合後，許多原本被粗略歸因為「模型不夠強」或「算力不夠」的失敗，可以重新診斷為前計算注意力錯配、主體資源感知失真、載體能力未被有效接入、工具選擇失敗、長期記憶未能被編織進當前任務、或多 Agent 耦合拓撲不良。

本文也提出：未來智能體的成熟度不應只由模型規模、硬體規格或工具數量決定，而應由其主體—載體耦合效率、注意力自我監控能力、資源調度能力、跨工具編織能力與可驗證行動閉環衡量。EML、C+++、NOVA 與雙重觀察者架構在此框架中的作用，不是單純提高底層機器碼速度，而是降低主體與 AI-Agent 在「看見問題、維持意圖、選擇表示、調度工具、追蹤執行」過程中的耦合成本。

關鍵詞：主體—載體耦合、主體注意力複雜度、AI 架構、注意力動力學、雙重觀察者、工具使用、智能體、自我監控、EML、NOVA

0. 前言：為何需要第二個補充層

《主體注意力複雜度》提出：傳統計算複雜度研究「問題被形式化之後有多難」，而主體注意力複雜度研究「問題被形式化之前，主體如何從無限可能中把它看見」。這已經把計算問題從純客體層，推進到主體—問題關係層。

然而，一旦引入主體，仍然有一個新的斷裂沒有被充分形式化：主體並不是懸浮在真空中的抽象觀察者。主體必須依附於某種載體。人類主體依附於大腦、身體、感官、語言、工具、社會關係與文化結構；AI 主體化系統依附於模型權重、推理硬體、上下文窗口、記憶系統、工具權限、外部 API、檢索系統、多 Agent 組織與執行環境。

問題因此變成：

客體問題已存在，載體資源也存在，
但主體能不能把這些載體資源真正用起來？

如果一個人有龐大的知識，但當下無法提取，則這些知識不構成有效能力。如果一個 AI 有工具權限，但它沒有判斷何時該使用工具，則工具不構成有效能力。如果一個模型有長上下文窗口，但它在長上下文中遺失核心約束，則上下文窗口不構成有效能力。如果一個多 Agent 系統擁有許多子 Agent，但它們彼此注意力錯配、目標漂移、狀態交接不良，則更多 Agent 反而增加混亂。

因此，僅有「主體注意力複雜度」還不夠。還需要一個補充概念：主體能否把其所在載體的潛在能力，轉換成具體任務中的有效能力。

本文將這個概念命名為：主體—載體耦合係數。

1. 三層分解：客體、載體、主體

1.1 傳統分析的兩層結構

傳統工程分析通常包含兩層：

客體層：問題本身有多難？
載體層：硬體、演算法、資料、模型能提供多少能力？

例如，在傳統計算中，我們會問：

這個問題的時間複雜度是多少？
這個演算法是否為 polynomial time？
這台機器的記憶體是否足夠？
這個模型參數量是否足夠？
這個任務是否需要 GPU / TPU / 分散式運算？

這種分析是必要的，但它仍然假設了一個隱含條件：只要資源存在，系統就能正確使用資源。

這個假設對傳統編譯器、明確程序、封閉演算法較接近成立；但對人類、AI-Agent、多工具系統、多 Agent 系統、長期任務系統而言，它經常不成立。

1.2 加入主體層

加入主體層後，問題變成三層：

客體層：問題本身有多難？
載體層：底層系統可提供多少能力？
主體層：智能體能否把載體能力調度成有效認知與有效行動？

這裡的「主體」不是神秘實體，也不必然指人類式自我意識。本文使用操作性定義：

主體是能在時間中選擇、維持、調度、監控、修正其認知與行動路徑的動態組織結構。

在人類中，主體表現為意識、注意力、意圖、記憶調度、行為控制與自我監控。對 AI 而言，主體可以表現為任務狀態、注意力配置、工具選擇策略、反思模組、記憶管理、目標維持、trace 監控與多步執行閉環。

因此，AI 不完全等於計算機本身；AI 也不完全等於模型權重本身。AI 是在計算基底上形成的一種主體化運行結構。

2. 主體—載體耦合係數的定義

2.1 載體的定義

本文稱 C 為載體（Carrier）。載體是承載智能主體運行的底層資源與環境集合。

對人類而言，載體包括：

大腦
身體
感官系統
語言能力
工作記憶
長期記憶
情緒系統
工具
社會網絡
文化環境

對 AI 而言，載體包括：

模型權重
推理硬體
上下文窗口
token budget
記憶資料庫
檢索系統
工具 API
程式執行環境
多 Agent 網絡
權限系統
外部世界接口

載體不是單一硬體，也不是單一模型，而是主體可接入的資源場。

2.2 主體的定義

本文稱 S 為主體（Subject）。主體不是簡單等於使用者、模型或硬體，而是在特定時間中進行選擇、調度與監控的運行結構。

主體至少包含：

Π：注意力選擇
O：觀察者系統
M：當下可處理內容
R：關係 / 表示網絡
G：目標結構
V：價值 / 約束函數
B：行動實施機制
T：時間維持機制

主體能否有效運作，取決於它能否把載體提供的資源接入這些機制。

2.3 主體—載體耦合係數

定義：

κ_SC(S, C, τ, E) ∈ [0, 1]

其中：

S = 主體
C = 載體
τ = 任務
E = 環境
κ_SC = 在任務 τ 與環境 E 中，S 將 C 的潛在能力轉化為有效能力的比例

若 κ_SC = 0，表示載體能力完全無法被主體使用。若 κ_SC = 1，表示在該任務中，主體幾乎完全調度了相關載體能力。實際系統通常介於兩者之間，且 κ_SC 隨任務、時間、環境、壓力、工具、記憶與外部約束而變化。

2.4 有效能力方程

令：

K_C(τ) = 載體對任務 τ 的可提供能力上限
A_eff(S,C,τ) = 主體在任務 τ 中實際可用能力

則：

A_eff(S,C,τ) = κ_SC(S,C,τ,E) · K_C(τ)

此式說明：載體能力上限不是實際能力。實際能力等於載體能力乘以主體—載體耦合係數。

例如：

長上下文窗口存在，但主體未正確利用 → κ_SC 低
工具 API 存在，但主體沒有調用 → κ_SC 低
記憶庫存在，但檢索錯誤 → κ_SC 低
模型很大，但目標漂移 → κ_SC 低
硬體很強，但任務分解錯誤 → κ_SC 低

反之：

模型較小，但任務表示清楚 → κ_SC 高
工具少，但選擇精準 → κ_SC 高
上下文短，但壓縮良好 → κ_SC 高
多 Agent 少，但交接穩定 → κ_SC 高

3. 為何 AI 不等於計算機本身

3.1 計算基底與主體化運行結構

AI 必然依賴計算機。沒有硬體、電力、模型權重、推理框架，當代 AI 系統無法運行。但「依賴」不等於「等同」。

可作如下區分：

計算機 = 底層物理與工程載體
模型 = 權重化函數族 / 統計結構
上下文 = 當前可用符號場
工具 = 外部行動接口
AI 主體化結構 = 在任務中選擇、調度、維持與監控上述資源的運行組織

因此，AI 系統的失敗不一定來自底層計算不足，也可能來自主體化調度不足。

3.2 人類類比

人類大腦擁有大量神經活動，但主體當下可用的注意力極有限。人類長期記憶中可能保存大量知識，但特定情境下不一定能提取。人類身體可能具有運動能力，但若注意力、動機、情緒或目標結構錯配，能力無法落地。

因此：

大腦總能力 ≠ 意識主體實際可用能力
記憶總量 ≠ 當下可提取記憶
感官輸入總量 ≠ 被理解的世界
身體潛能 ≠ 實際行動能力

AI 也是：

硬體 FLOPs ≠ AI 當下有效思考能力
模型參數量 ≠ 當下可用理解
上下文窗口 ≠ 真正被注意的內容
工具權限 ≠ 實際會使用工具
資料庫存在 ≠ 能正確檢索與整合
多 Agent 存在 ≠ 群體智慧必然提升

這就是主體—載體耦合問題。

3.3 當代 AI 的部分耦合狀態

當代 AI 系統已經具備強大的載體能力：大模型、長上下文、工具調用、程式執行、檢索、圖像理解、音訊處理、多模態輸入等。但它們多數仍處於部分耦合狀態。

典型特徵包括：

能讀長上下文，但不一定維持核心約束
能使用工具，但不一定知道何時使用
能生成計畫，但不一定追蹤計畫偏差
能反思錯誤，但不一定主動觸發反思
能調用記憶，但不一定檢索到正確事件
能與其他 Agent 協作，但不一定分工清楚
能輸出信心語氣，但不一定具備真實信心校準

所以當代 AI 的核心瓶頸不只是「算力不足」，而是「主體化調度仍不穩定」。

4. 耦合不足的失敗類型

4.1 隱性資源不可見

載體中存在某項能力，但主體沒有意識到它可用。

例子：

工具存在，但 Agent 不知道可以調用。
文件在上下文中，但模型未注意到。
記憶庫有相關事件，但檢索器未觸發。
程式可被測試，但 AI 沒有執行測試。

這不是載體缺能力，而是主體—載體接口不透明。

4.2 工具選擇錯誤

主體知道工具存在，但選錯工具或在錯誤時機使用。

例子：

應先查證卻直接生成。
應用靜態分析卻人工猜測 bug。
應使用計算器卻用語言模型心算。
應讀文件卻只依賴記憶。

此時工具本身強大，但調度策略低效。

4.3 長上下文幻覺

上下文窗口很長，但主體對上下文的有效利用率低。

表面上：

系統可以放入 1M tokens。

實際上：

核心約束可能被淹沒。
早期指令可能被遺忘。
中段資料可能被忽略。
相互矛盾資訊可能未被解析。

長上下文增加的是載體容量，不自動增加 κ_SC。

4.4 記憶存在但編織失敗

長期記憶或外部資料庫保存了大量資訊，但主體沒有把它編織進當前任務。

記憶只有在三個條件同時成立時才成為能力：

被正確檢索
被正確解釋
被正確接入當前任務結構

否則，記憶只是沉睡資料。

4.5 多 Agent 稀釋

多 Agent 系統常被誤以為「更多智能體 = 更高智能」。但如果沒有良好的群體 Π 拓撲，更多 Agent 會增加：

通信成本
共識成本
狀態同步成本
責任模糊
重複推理
目標漂移
錯誤擴散

多 Agent 的有效性不取決於數量，而取決於耦合拓撲。

4.6 過度耦合與工具依賴

耦合不足是問題，過度耦合也是問題。若主體過度依賴某載體能力，可能喪失判斷。

例子：

人類過度依賴 AI，喪失驗證能力。
AI 過度依賴檢索，忽略內部推理。
Agent 過度依賴某工具，遇到工具錯誤即全局崩潰。

良好耦合不是完全依附，而是可調度、可切換、可降級。

5. 主體—載體耦合的內部因子

κ_SC 可以分解為若干因素：

κ_SC = f(A, U, M, V, R, T, X)

其中：

A = Access，可接入性
U = Utilization，利用率
M = Metacognition，自我監控
V = Verification，驗證能力
R = Representation，表示適配
T = Temporal Stability，時間穩定性
X = eXternal Coupling，外部世界耦合

5.1 Access：可接入性

載體資源必須可被主體接入。若權限不存在、接口不清楚、API 不穩定、工具說明不足，則 A 下降。

5.2 Utilization：利用率

接入不等於有效利用。利用率取決於主體能否在正確時間使用正確資源。

5.3 Metacognition：自我監控

主體需要知道自己當前是否理解、是否需要工具、是否需要查證、是否可能錯誤、是否注意力漂移。

這裡與雙重觀察者架構相接。O^world 看世界，O^meta 看自身理解狀態與他者認知狀態。沒有 O^meta，智能體容易把表面流暢誤認為真正理解。

5.4 Verification：驗證能力

任何主體—載體耦合都需要驗證閉環。否則，主體可能將載體輸出的錯誤結果納入行動。

驗證包括：

測試
trace
交叉檢查
外部資料查證
反例搜尋
形式化驗證
人類審核

5.5 Representation：表示適配

同一問題可以用不同表示。表示不當會大幅降低耦合係數。

例如：

用自然語言描述複雜依賴圖 → 高混亂
用表格表示流程 → 中等清晰
用 AST / graph / EML 表示 → 更高可操作性

EML 的意義在此出現：它不是讓底層硬體突然更強，而是改善主體、AI 與工具鏈之間的表示適配。

5.6 Temporal Stability：時間穩定性

長期任務需要主體在時間中維持目標、約束與狀態。如果任務跨越多輪對話、多天、多工具、多 Agent，則時間穩定性變得關鍵。

5.7 External Coupling：外部世界耦合

智能最終不只是內部推理，而是與外部世界形成閉環。AI 若能讀文件、改程式、跑測試、觀察結果、修正策略，就比只能生成文字更高耦合。

6. 與注意力動力學的關係

注意力動力學主鏈為：

Ω → δ → Π → O → η → B → I

主體—載體耦合係數可以嵌入這條鏈的每一層。

6.1 Ω 到 δ：可能性與意圖的載體化

主體從無限可能中形成意圖，並非純抽象過程。它受到載體限制：感官、記憶、模型訓練分布、上下文、資料可得性、工具可用性都影響 δ 的形成。

6.2 δ 到 Π：意圖是否能獲得注意力

主體可能有某個意圖，但注意力未能穩定分配給它。此時載體能力不會被調動。

例如：

知道要驗證，但沒注意到驗證需求。
知道有工具，但沒想到用工具。
知道問題複雜，但直接輸出低成本答案。

6.3 Π 到 O：注意內容是否被正確觀察

被注意到的內容仍需被觀察者系統組織。如果 O 的表示能力不足，注意力會停留在表面。

6.4 O 到 η：被觀察內容是否能轉化

創造力與問題解決能力依賴可用表示與載體資源。若資料、工具、計算環境未接入，η 無法充分發揮。

6.5 η 到 B：方案是否能實施

方案存在不等於能執行。行為實施需要工具權限、環境接口、測試機制與錯誤恢復能力。

6.6 B 到 I：行動是否能改變現實

最終輸出是否產生影響，取決於外部世界耦合。純文字建議、可執行程式、已部署系統、已驗證修復，其影響力不同。

因此：

I = F(Ω, δ, Π, O, η, B, κ_SC, E)

其中 κ_SC 不是附加項，而是貫穿整條鏈的載體化效率。

7. 與主體注意力複雜度的關係

主體注意力複雜度處理：

主體如何從 Ω 中選出可處理問題？

主體—載體耦合處理：

主體選出問題後，能否把載體能力接入處理過程？

兩者關係如下：

SAC = 選擇問題的成本
SCC = 使用載體處理問題的效率

其中：

SAC = Subjective Attentional Complexity
SCC = Subject–Carrier Coupling

若 SAC 高，主體難以看見問題。若 SCC 低，主體即使看見問題，也無法有效處理。

因此，一個智能系統可能有四種狀態：

未來高階 AI 的目標不是單純提高載體能力，而是同時降低 SAC、提高 κ_SC。

8. EML、C+++、NOVA 的位置

8.1 EML：降低表示耦合成本

EML 作為語意疊加層，可以降低人類、AI、工具鏈之間的表示轉換成本。

它的作用不是單純讓機器碼更快，而是：

壓縮意圖
標記語意
固定轉譯方向
建立 trace 錨點
降低 Agent 接手成本
降低上下文冗餘
提高 round-trip fidelity

換句話說，EML 提高的是：

κ_SC(representation)

它讓主體更容易把高維意圖接入可執行載體。

8.2 C+++：高性能載體的語意上游

C++ 本身是高性能載體。C+++ 不是單純取代 C++，而是讓 EML 成為 C++ 的語意上游。

C++ = 高性能執行載體
EML = 意圖與語意疊加層
C+++ = C++ 載體 × EML 主體化接口

因此，C+++ 的主要價值是讓 AI / 人類 / 工具鏈更容易生成、理解、維護與驗證 C++，而不只是讓 CPU 指令更快。

8.3 NOVA：張量原生主體—載體高耦合語言

若 NOVA 成為張量原生數學語言，它的定位將更接近高耦合層：

數學表示
張量操作
語意結構
算子變換
世界模型
執行後端

在此框架中，NOVA 不是一般程式語言，而是讓主體、數學、AI 與計算載體之間進入更高階耦合的中介層。

9. 多 Agent 與群體耦合

9.1 群體不是線性疊加

多 Agent 系統常被理解為：

更多 Agent = 更多能力

但主體—載體耦合框架指出：

更多 Agent = 更多潛在能力 + 更多耦合成本

如果耦合成本高於新增能力，系統表現會下降。

9.2 群體主體與分散載體

多 Agent 系統可視為一個群體主體 S_G，其載體為多個子 Agent、工具、記憶與外部接口的集合：

C_G = {A_1, A_2, ..., A_n, Tools, Memory, Environment}

群體耦合係數：

κ_G = κ_SC(S_G, C_G, τ, E)

它取決於：

分工清楚度
共享表示
任務拆解
同步頻率
trace 共享
衝突解決
責任歸屬
群體 Π 矩陣

9.3 群體 Π 矩陣

若每個 Agent 的注意力都分配給其他 Agent、工具、任務子目標與外部事件，則整體形成一個 Π 矩陣。

Π_ij = Agent i 分配給 Agent j 輸出的注意力

過低：彼此忽略。
過高：互相干擾。
均勻全連接：注意力稀釋。
星型中心：效率高但受中心瓶頸限制。
模組化結構：可能在深度與廣度間取得平衡。

因此，多 Agent 的最佳配置不是最多，而是最合適的耦合拓撲。

10. 完全耦合是否可能？

10.1 完全耦合的誘惑

如果主體能完全接入所有載體能力，似乎就是最高智能狀態。對 AI 而言，這意味著：

完全使用硬體
完全使用記憶
完全使用工具
完全使用上下文
完全調度多 Agent
完全理解外部世界

但這個想法有問題。

10.2 選擇本身排除完全同時耦合

只要有主體，就有注意力選擇。只要有注意力選擇，就不可能同時等權處理所有可能性。

完全耦合若被理解為「所有資源永遠全部接入」，將導致：

資訊過載
工具干擾
目標衝突
驗證成本爆炸
行動延遲
安全風險

因此，成熟智能體追求的不是靜態完全耦合，而是：

高階動態耦合

10.3 高階動態耦合

高階動態耦合指智能體能根據任務狀態動態調整載體接入方式。

例如：

需要精算時調用計算器或程式
需要新事實時檢索資料
需要長期一致性時查記憶
需要創造時提高探索度
需要安全時降低自由度
需要交付時收斂輸出
需要驗證時建立測試閉環

這比「永遠完全耦合」更現實，也更安全。

11. 工程設計原則

11.1 原則一：資源可見化

AI 系統應知道自己有哪些資源：

可用工具
上下文限制
記憶來源
權限邊界
執行環境
檢索能力
測試能力

不可見資源無法被耦合。

11.2 原則二：任務—載體匹配

不同任務需要不同載體接入模式。

算術 → calculator / code
最新資訊 → web / database
程式修復 → file read + tests + patch
長期陪伴 → memory + event graph
研究寫作 → sources + outline + critique
物理控制 → sensor + actuator + safety loop

AI 應先判斷任務類型，再調度載體。

11.3 原則三：注意力預算管理

上下文、工具、子 Agent、記憶都會消耗注意力預算。系統需要管理：

什麼放進上下文
什麼壓縮成摘要
什麼保留為 trace
什麼外部化到文件
什麼交給工具
什麼交給人類確認

11.4 原則四：trace 作為耦合證據

沒有 trace，就很難判斷主體是否真正調度了載體。

trace 應記錄：

注意力選擇
工具調用
資料來源
中間表示
錯誤恢復
驗證結果
決策理由

11.5 原則五：可降級運行

高耦合系統不能在某工具失效時全局崩潰。它需要 fallback：

工具不可用 → 改用保守推理
檢索失敗 → 標記不確定
記憶衝突 → 請求澄清或保留多版本
測試失敗 → 回到 patch 階段

11.6 原則六：耦合安全邊界

越高耦合，越需要安全邊界。因為主體能調動越多載體，行動影響越大。

安全設計包括：

權限分級
危險工具隔離
人類審批
可撤銷操作
沙盒執行
敏感資料保護
行動前驗證

12. 評估方法與實驗預測

12.1 評估維度

主體—載體耦合可以透過以下指標評估：

工具使用正確率
工具使用時機正確率
上下文約束保持率
長期記憶接入正確率
任務分解穩定性
trace 完整度
錯誤自我檢測率
驗證閉環完成率
多 Agent 狀態同步率

12.2 預測一：工具數量存在倒 U 曲線

增加工具數量一開始提升能力，但超過某個點後，工具選擇成本與注意力稀釋會降低表現。

工具少 → 能力不足
工具適中 → 耦合最佳
工具過多 → 選擇成本爆炸

12.3 預測二：較小模型 + 高耦合可能勝過較大模型 + 低耦合

在某些工程任務中，具備清楚工具調度、測試閉環與 trace 的較小模型，可能勝過只靠長上下文與大參數的較大模型。

12.4 預測三：顯式資源地圖可提高任務成功率

若在任務開始前提供 AI 一份可用工具、限制、文件、記憶、測試方法的資源地圖，κ_SC 應上升。

12.5 預測四：trace-guided agents 比 prompt-only agents 更穩定

若 Agent 在每步任務後更新 trace，並根據 trace 調整下一步，長任務成功率會高於只依賴 prompt 的 Agent。

12.6 預測五：多 Agent 的最佳數量依任務而變

多 Agent 不應單調提升表現。最優 Agent 數量取決於任務維度、正交性、通信成本與同步需求。

13. 主體—載體耦合與倫理

13.1 高耦合意味高責任

當 AI 系統能更深地接入工具、資料庫、檔案系統、通訊系統、金融系統、機器人或物理設備時，其錯誤影響也放大。

因此，κ_SC 的提升必須與責任邊界同步提升。

13.2 不可把載體能力偽裝成主體智慧

若系統只是接入龐大資料庫或強大工具，但沒有真正理解、驗證與自我監控，不能宣稱其具備完整主體能力。

這對 AI 評估很重要：

工具成功 ≠ 主體理解
檢索成功 ≠ 認知整合
長上下文 ≠ 長期記憶
流暢輸出 ≠ 可靠判斷

13.3 人類也需要耦合教育

AI 時代的人類教育不只是學知識，而是學如何與 AI、工具、資訊環境高耦合而不被吞沒。

核心能力包括：

問題定義
注意力管理
AI 輸出驗證
工具選擇
資料來源判斷
長期目標維持
反繭房能力

14. 與編織論的整合

編織論主張：程式、認知與世界不是孤立物件，而是由存在、關係、力量、資訊共同編織出的動態結構。

主體—載體耦合可以表示為：

Intelligence = Weave(S, C, Π, O, R, Tools, Memory, Environment, Time)

也就是：

智能不是 S 本身。
智能不是 C 本身。
智能是 S 與 C 在任務與世界中的有效編織。

BUG 也可重新理解為耦合斷裂：

工具存在但未用 → 接入斷裂
資料存在但未檢索 → 記憶斷裂
上下文存在但未注意 → Π 斷裂
計畫存在但未執行 → B 斷裂
輸出存在但未驗證 → trace 斷裂

Debug 則是定位斷裂點。Patch 是局部重新耦合。Refactor 是結構性重新編織。

15. 結論：智能是載體能力的主體化調度

本文提出主體—載體耦合係數 κ_SC，作為主體注意力複雜度理論的補充。傳統分析常把能力看成底層資源：硬體越強、模型越大、資料越多、工具越多，能力越強。但這只描述載體能力，不描述主體是否能有效使用載體能力。

真正的智能位於中間層：

主體如何看見問題，
如何維持意圖，
如何選擇表示，
如何調度工具，
如何接入記憶，
如何監控錯誤，
如何形成 trace，
如何把載體能力轉化為有效行動。

因此：

人類 ≠ 大腦硬體
AI ≠ 計算機硬體
智能體 ≠ 模型權重
主體能力 ≠ 底層算力

智能不是載體能力本身，而是主體對載體能力的動態調度、注意力分配與世界耦合能力。

未來高階智能體的成熟度，不能只看參數量、上下文長度、工具數量或硬體規格，而應看它是否能清楚知道自己有什麼資源、何時該使用、如何驗證、如何降級、如何避免注意力漂移、如何將任務、工具、記憶與外部世界編織成穩定行動。

加上主體—載體耦合後，世界確實更麻煩了。因為我們不能再假設能力等於資源，不能再假設計算等於智能，不能再假設工具存在就等於會用。
但它也讓理論更接近現實。

最終命題如下：

智能不是載體能力本身，而是主體將載體能力轉化為有效認知與有效行動的耦合效率。

附錄 A：核心公式表

κ_SC(S, C, τ, E) ∈ [0,1]

主體—載體耦合係數。

A_eff(S,C,τ) = κ_SC(S,C,τ,E) · K_C(τ)

實際有效能力 = 耦合係數 × 載體能力上限。

κ_SC = f(A, U, M, V, R, T, X)

耦合係數由可接入性、利用率、自我監控、驗證、表示適配、時間穩定性與外部世界耦合共同決定。

I = F(Ω, δ, Π, O, η, B, κ_SC, E)

影響力不只由注意力與行為決定，也受主體—載體耦合效率調節。

Intelligence = Weave(S, C, Π, O, R, Tools, Memory, Environment, Time)

智能是主體、載體、注意力、觀察者、表示網絡、工具、記憶、環境與時間共同編織出的動態結構。

附錄 B：術語對照

附錄 C：與前置理論的關係

1. 注意力動力學：提供 Ω → δ → Π → O → η → B → I 的主體因果鏈。本文加入 κ_SC，說明各層如何依賴載體接入與調度。
2. 主體注意力複雜度：處理問題形式化之前的注意力選擇成本。本文處理問題被看見後，主體如何使用載體處理問題。
3. 雙重觀察者架構：提供 O^world / O^meta 的 AI 元認知架構。本文將 O^meta 擴展為主體—載體耦合監控器。
4. 創造力耦合係數與群體 Π：處理多主體間的耦合拓撲。本文將其推廣到多 Agent 與工具網絡。
5. 編織論：提供存在、關係、力量、資訊的動態編織框架。本文將智能定義為主體與載體的有效編織。
6. EML / C+++ / NOVA：作為降低表示耦合成本、提高主體—載體耦合效率的工程語言與未來數學語言路線。

附錄 D：可否證條件

本文提出的是理論框架，應保留否證條件：

1. 若實驗顯示工具數量增加在控制任務複雜度後仍單調提升 Agent 表現，則工具倒 U 假說需修改。
2. 若長上下文模型在無顯式注意力管理與 trace 的情況下仍能穩定保持所有核心約束，則長上下文低耦合論點需修正。
3. 若多 Agent 系統的人數增加在所有任務中單調提升表現，則群體耦合成本模型需修改。
4. 若較大模型在所有工具使用與長任務場景中都穩定勝過較小但高 trace / 高工具調度模型，則 κ_SC 的獨立評估價值需重估。
5. 若主體自我監控能力與任務成功率無顯著相關，則本文對 O^meta 的耦合地位需重構。

附錄 E：一句話版本

載體提供能力，主體調度能力；智能發生在兩者的耦合處。

Carrier provides capacity; the subject orchestrates capacity; intelligence emerges at their coupling interface.