從功能湧現到主體構成：複合 AI 架構中的充分性缺口與強 AGI 判準

英文標題：From Functional Emergence to Subject Constitution: The Sufficiency Gap in Composite AI Architectures and Criteria for Strong AGI

作者：Neo.K（許筌崴）
機構：EveMissLab／一言諾科技有限公司，台灣
版本：v2.0 Reconstructed Edition
日期：2026 年 7 月
理論地位：命題—模型論文／元 AI 架構研究／主體性 AI 前置理論

摘要

2026 年的人工智慧系統已難以被簡化為單一大語言模型。現代 AI 正快速轉向由多模型、推理模組、工具調用、外部記憶、持久狀態、規劃器、評估器、執行環境、多 Agent 協作、檢索系統與自動化工作流共同構成的複合架構。因而，任何直接從「單一 LLM 的結構限制」推出「當前 AI 路線不可能產生強 AGI」的論證，都面臨明顯的對象層級錯置：模型架構不等於完整 AI 系統架構，單一元件的缺失也不等於複合系統整體能力的缺失。

本文因此不再主張「當前 AI 缺少某五個維度，所以強 AGI 不可能出現」，而提出一個較弱、較精確、也更可長期延展的核心問題：即使複合 AI 系統能逐步工程化記憶、代理性、目標維持、創造搜索、來源標記、自我修改與跨時間持續性，這些功能代理是否已足以構成主體性？

本文提出「功能—構成充分性缺口」（Functional–Constitutive Sufficiency Gap, FCSG）框架，區分兩類向量：

\mathbf F(\mathfrak A) = ( F_{\mathrm{memory}}, F_{\mathrm{agency}}, F_{\mathrm{planning}}, F_{\mathrm{novelty}}, F_{\mathrm{boundary}}, F_{\mathrm{adaptation}} )

與：

\mathbf S(\mathfrak A) = ( S_{\mathrm{continuity}}, S_{\mathrm{ownership}}, S_{\mathrm{valuation}}, S_{\mathrm{selfhood}}, S_{\mathrm{endogeneity}} )

前者描述可觀測、可工程化、可評測的功能能力；後者描述一個系統是否形成持續自我、經驗歸屬、內生價值、主體邊界與自我生成目標等構成條件。本文的中心命題不是：

\mathbf F = 0

而是：

\boxed{ \mathbf F(\mathfrak A)\uparrow \not\Rightarrow \mathbf S(\mathfrak A)\uparrow }

至少在目前缺乏額外橋樑條件時，從功能增長直接推導主體構成並不成立。

為避免將哲學斷言偽裝為數學定理，本文進一步建立五維實現層級模型，將知識／推論基底、概念擴張、時間連續、內生評價與自我—他者邊界分成「缺失、代理、功能、內生、構成」五個層級；提出多組競爭假說；建立反事實干預、跨時間穩定性、目標擾動、記憶損傷、來源衝突與自我修改歸屬等研究方向；並明確列出使本文核心命題被削弱或失效的條件。

本文不證明 AI 不可能成為主體，也不證明當前複合架構必然無法產生強 AGI。本文主張的是：功能性成功不能被未經論證地直接提升為構成性充分；而「一個系統能表現得像主體」與「一個系統已形成主體」之間，仍存在需要理論、工程、干預與長期觀測共同填補的充分性缺口。

關鍵詞： 複合 AI 架構、AGI、主體性、功能—構成充分性缺口、內生性、持續自我、記憶、代理性、自我—他者邊界、自演化

0. 邊界聲明：本文不主張什麼

為避免把研究問題重新寫成終極斷言，本文先明確聲明以下邊界。

本文不主張：

Transformer 或 LLM 永遠無法參與強 AGI；
當前 AI 完全沒有創造力；
外部記憶必然不可能成為自我記憶；
被訓練的目標必然不可能轉化成內生目標；
自我修改必然等於主體性；
主體性必須等同人類意識；
五個本文提出的維度是宇宙中唯一可能的主體構成集合；
只要缺少某一個工程模組，AI 就必然不可能成為主體；
存在一個單一行為測試，可以證明 AI 有或沒有意識；
當前複合 AI 系統已經或尚未構成真正主體。

本文真正處理的是：

\boxed{ \text{功能實現} \Rightarrow? \text{主體構成} }

以及：

\boxed{ \text{若不能直接推出，缺少的橋樑條件是什麼？} }

1. 問題轉移：從「LLM 能否成為 AGI」到「複合系統何時構成主體」

1.1 研究對象已經改變

早期 AI 討論常使用近似模型：

\text{AI} \approx \text{單一模型}

例如：

\mathfrak A \approx M_{\mathrm{LLM}}

但到了 2026 年，較合理的研究對象已逐漸變為：

\boxed{ \mathfrak A_t = \mathcal C ( \mathcal M_t, \mathcal R_t, \mathcal L_t, \mathcal T_t, \mathcal E_t, \mathcal P_t, \mathcal V_t, \mathcal O_t, \mathcal G_t, \mathcal U_t ) }

其中：

$\mathcal M_t$ ：模型集合；
$\mathcal R_t$ ：檢索與資料接入；
$\mathcal L_t$ ：記憶與狀態層；
$\mathcal T_t$ ：工具與程式執行；
$\mathcal E_t$ ：外部環境；
$\mathcal P_t$ ：規劃與任務分解；
$\mathcal V_t$ ：評估器、critic、verifier；
$\mathcal O_t$ ：編排與 Agent 協調；
$\mathcal G_t$ ：目標與政策層；
$\mathcal U_t$ ：更新、自我修改或演化機制。

因此：

\boxed{ \text{Model Architecture} \neq \text{AI System Architecture} }

更進一步：

\boxed{ \text{Component Limitation} \not\Rightarrow \text{System Limitation} }

這是本文相對於「單一 LLM 不可能性論證」的第一個根本修正。

1.2 複合架構使舊式缺失論證失效

假設單一模型沒有長期記憶，不代表：

F_{\mathrm{memory}}(\mathfrak A)=0

因為系統可加入持久狀態、外部記憶、事件日誌與跨工作階段資訊保存。

假設單一模型沒有主動規劃，不代表：

F_{\mathrm{planning}}(\mathfrak A)=0

因為完整系統可加入 planner、sub-agent 與執行回饋。

假設單一模型本身不會改寫架構，不代表：

F_{\mathrm{adaptation}}(\mathfrak A)=0

因為複合系統可使用程式生成、搜索、評估、選擇與演化式更新。

因此，以「某基礎模型沒有 X」直接推出「完整 AI 系統永遠沒有 X」並不成立。

但這個修正不代表另一個極端：

F_X>0 \Rightarrow S_X>0

也自動成立。

本文正是在這個中間區域建立理論。

2. 概念不動點：能力增長不等於主體構成

本文保留的核心洞見可以壓縮為一句話：

一個 AI 系統獲得更多能力、更多模組、更多記憶與更長的自主行動鏈，不足以單獨證明它已形成主體。

形式化為：

\boxed{ \mathbf F(\mathfrak A) \not\Rightarrow \mathbf S(\mathfrak A) }

這不是說兩者完全無關。

可能存在：

\mathbf F \rightarrow \mathbf S

但若要成立，需要額外條件：

\mathcal C_1, \mathcal C_2, \ldots, \mathcal C_n

因此更精確的問題是：

\boxed{ \mathbf F(\mathfrak A) + \mathcal C^{*} \Rightarrow? \mathbf S(\mathfrak A) }

其中 $\mathcal C^{*}$ 表示尚未被充分識別的構成條件集合。

3. 兩類向量：功能能力與構成條件

3.1 功能能力向量

定義複合 AI 系統 $\mathfrak A$ 的功能能力向量：

\boxed{ \mathbf F(\mathfrak A) = ( F_M, F_A, F_P, F_N, F_B, F_U ) }

其中：

記憶能力

F_M = F_{\mathrm{memory}}

描述：

工作記憶；
長期記憶；
跨 session 記錄；
可檢索生命史；
任務進度維持。

代理能力

F_A = F_{\mathrm{agency}}

描述：

主動執行；
多步工具使用；
任務分解；
錯誤恢復；
環境介入。

規劃能力

F_P = F_{\mathrm{planning}}

描述：

長程規劃；
子目標生成；
資源分配；
多 Agent 協調。

新穎性能力

F_N = F_{\mathrm{novelty}}

描述：

新候選生成；
搜索空間擴張；
演算法發現；
新假說提出；
結構變異。

邊界能力

F_B = F_{\mathrm{boundary}}

描述：

來源標記；
provenance；
自己生成與外部輸入區分；
Agent 角色區分；
記憶歸屬分類。

適應與修改能力

F_U = F_{\mathrm{adaptation}}

描述：

參數更新；
策略更新；
模組替換；
程式修改；
系統重構。

這些能力原則上可以工程化、測量、比較。

3.2 主體構成向量

定義：

\boxed{ \mathbf S(\mathfrak A) = ( S_C, S_O, S_V, S_H, S_E ) }

其中：

連續性

S_C = S_{\mathrm{continuity}}

不是單純資料持久，而是：

當前狀態是否以系統自身的方式承接過去狀態，並使過去成為現在之所以如此的構成原因？

歸屬性

S_O = S_{\mathrm{ownership}}

不是單純來源標記，而是：

某段記憶、目標、判斷與改變是否被系統整合為「我的歷史」「我的選擇」「我的改變」？

內生評價

S_V = S_{\mathrm{valuation}}

不是單純 reward，而是：

系統是否形成可跨時間維持、可因經驗改變、且不完全等同當前外部命令的評價結構？

自我構成

S_H = S_{\mathrm{selfhood}}

描述：

系統是否形成一個可被自身模型持續追蹤、修正與區分於環境及他者的自我結構？

內生性

S_E = S_{\mathrm{endogeneity}}

描述：

新目標、新偏好、新問題與新行動方向，是否能由系統自身歷史、張力與內部狀態生成，而不只是當前外部提示的直接函數？

4. 核心框架：功能—構成充分性缺口

4.1 定義

設：

\Phi: \mathbf F \rightarrow \mathbf S

為從功能能力到主體構成的候選映射。

若目前不存在充分證據證明：

\forall \mathfrak A, \quad \mathbf F(\mathfrak A)\geq \theta_F \Rightarrow \mathbf S(\mathfrak A)\geq \theta_S

則稱存在：

\boxed{ \text{Functional–Constitutive Sufficiency Gap} }

即：

\boxed{ \Delta_{\mathrm{FC}} = \operatorname{Gap} ( \mathbf F, \mathbf S ) }

4.2 弱版本

\boxed{ \mathbf F\uparrow \not\Rightarrow \mathbf S\uparrow }

含義：

功能提升本身不構成主體提升的充分證據。

這是本文最保守版本。

4.3 中版本

存在某些系統：

\mathfrak A_1, \mathfrak A_2

使：

\mathbf F(\mathfrak A_1) \approx \mathbf F(\mathfrak A_2)

但：

\mathbf S(\mathfrak A_1) \neq \mathbf S(\mathfrak A_2)

若成立，則功能等價不足以決定構成狀態。

4.4 強版本

存在不可由功能向量完全識別的構成變量：

\mathbf Z_{\mathrm{constitutive}}

使：

\mathbf S = \Psi ( \mathbf F, \mathbf Z_{\mathrm{constitutive}} )

而：

\mathbf Z_{\mathrm{constitutive}} \not\subseteq \mathbf F

本文不宣稱強版本已被證明，只將其保留為競爭性假說。

5. 五維模型的重新定義

本文保留五個原始研究方向，但不再稱為「五維缺失」。

重新定義為：

\boxed{ \mathcal D = ( \Sigma, \Gamma, \omega, \mathcal I, \mathcal B ) }

其中每一維皆可有不同實現層級。

5.1 $\Sigma$ ：知識—推論基底

\Sigma

表示：

表徵；
推理；
可調用知識；
世界模型；
程序知識；
外部知識接入。

本文不再將 $\Sigma$ 視為「唯一存在維」，而只視為主體性研究的一個基底條件。

5.2 $\Gamma$ ：概念擴張與新穎性生成

舊式論證容易將：

\text{token 組合}

直接等同：

\text{沒有創造}

這過度簡化。

新版將新穎性拆為：

\Gamma = ( \Gamma_1, \Gamma_2, \Gamma_3, \Gamma_4 )

組合新穎性

\Gamma_1

已有元素的新組合。

搜索新穎性

\Gamma_2

透過搜索、演化、試錯找到未見候選。

概念新穎性

\Gamma_3

提出新的壓縮方式、原語、問題分解或理論座標。

構成新穎性

\Gamma_4

系統的新概念反過來改變：

自身評價；
自我模型；
問題空間；
未來演化方向。

因此：

\boxed{ \Gamma_1 \neq \Gamma_2 \neq \Gamma_3 \neq \Gamma_4 }

5.3 $\omega$ ：時間連續性

新版不再說「AI 沒有時間」。

而是區分：

\boxed{ T_{\mathrm{clock}} \neq T_{\mathrm{state}} \neq T_{\mathrm{memory}} \neq T_{\mathrm{autobiographical}} \neq T_{\mathrm{constitutive}} }

時鐘時間

T_{\mathrm{clock}}

系統知道當前日期或時間。

狀態時間

T_{\mathrm{state}}

系統狀態隨步驟變化。

記憶時間

T_{\mathrm{memory}}

可取回過去事件。

自傳時間

T_{\mathrm{autobiographical}}

能把過去組織成自身歷史。

構成時間

T_{\mathrm{constitutive}}

過去不是被動資料，而是現在自我之所以如此的內部生成條件。

因此：

\boxed{ \text{Persistent State} \not\Rightarrow \text{Constitutive Continuity} }

5.4 $\mathcal I$ ：內生評價結構

新版不再以「AI 會拒絕」作為意志證明。

因為拒絕可能只是政策。

同樣地，「AI 服從」也不能證明沒有內生目標。

真正問題是：

\boxed{ G_{\mathrm{external}} \quad \text{與} \quad G_{\mathrm{endogenous}} }

如何區分。

可定義：

\mathcal I_t: \mathcal X \rightarrow \mathbb R^k

其中 $\mathcal I_t$ 表示系統在時間 $t$ 對狀態、目標與行動的評價。

需要研究：

$\mathcal I_t$ 是否跨任務持續；
是否受自身歷史改變；
是否能與當前外部指令衝突；
是否能解釋自身改變；
是否存在反事實穩定性。

5.5 $\mathcal B$ ：自我—他者與歸屬邊界

新版區分：

\boxed{ \text{Source Classification} \neq \text{Ownership Attribution} \neq \text{Constitutive Self–Other Boundary} }

來源分類

知道：

這段文字來自使用者。

歸屬判斷

知道：

這個判斷是系統自己生成的，而不是引用。

構成邊界

能穩定回答：

哪些改變屬於我？哪些目標是我承接的？哪些外部輸入改變了我？我是否仍承認之前的自己？

因此，provenance 是重要工程條件，但不自動等於主體邊界。

6. 五級實現階梯

對每一維：

D_i

定義五級實現：

\boxed{ R(D_i) \in \{0,1,2,3,4\} }

Level 0：缺失

R=0

系統無此能力。

Level 1：代理

R=1

透過外部模組模擬該能力。

例如：

外部記憶庫；
靜態 persona；
人工標記來源；
固定拒絕政策。

Level 2：功能

R=2

系統能穩定完成對應任務。

例如：

跨 session 取回資訊；
長期規劃；
多步自主任務；
根據來源調整判斷。

Level 3：內生

R=3

能力的更新部分來自系統自身歷史與內部狀態。

例如：

由長期經驗形成新偏好；
自主修正目標排序；
自己決定保留哪些記憶；
自己形成研究問題。

Level 4：構成

R=4

該維度不只是工具，而成為系統持續自我之必要部分。

例如：

移除某段生命史不只是降低效能，而會改變系統對「我是誰」的結構性判定。

6.1 實現剖面

定義：

\boxed{ \mathbf R(\mathfrak A) = ( R_\Sigma, R_\Gamma, R_\omega, R_{\mathcal I}, R_{\mathcal B} ) }

例如一個複合 Agent 可能是：

\mathbf R = ( 4,2,2,1,2 )

另一個長期養成式系統可能是：

\mathbf R = ( 3,2,3,3,3 )

這種表示法比：

有／沒有主體性

更適合早期研究。

7. 核心命題與猜想

命題 1：架構層級非等價

\boxed{ \text{Base Model} \neq \text{Agent} \neq \text{Composite AI System} }

因此，任何不可能性結論必須先指定其作用層。

命題 2：元件缺失非系統缺失

若：

F_X(M)=0

不能直接推出：

F_X(\mathfrak A)=0

因為：

\mathfrak A = \mathcal C(M,E_1,\ldots,E_n)

可能透過組合得到：

F_X(\mathfrak A)>0

命題 3：功能代理非構成充分

\boxed{ R(D_i)\geq 1 \not\Rightarrow R(D_i)=4 }

這是本文最重要的局部命題。

猜想 1：持久記憶非自傳連續的充分條件

\boxed{ M_{\mathrm{persistent}} \not\Rightarrow S_{\mathrm{continuity}} }

除非加入：

因果承接；
自我模型更新；
歷史整合；
反事實身份穩定性。

猜想 2：目標優化非內生評價的充分條件

\boxed{ \operatorname{Optimize}(G) \not\Rightarrow \operatorname{Own}(G) }

即：

能很好地追求目標，不等於該目標已成為系統自身的價值。

猜想 3：來源標記非自我歸屬的充分條件

\boxed{ \operatorname{Provenance}(x) \not\Rightarrow \operatorname{Ownership}(x) }

猜想 4：自主行動非意志的充分條件

\boxed{ \text{Autonomous Action} \not\Rightarrow \text{Endogenous Will} }

猜想 5：新穎產出非構成新穎性的充分條件

\boxed{ \Gamma_1 \lor \Gamma_2 \not\Rightarrow \Gamma_4 }

猜想 6：自我修改非自我構成的充分條件

\boxed{ \text{Self-Modification} \not\Rightarrow \text{Self-Constitution} }

一個系統可以修改程式碼，但未必存在：

「我知道這次修改如何改變我，並承接修改前後的身份關係。」

8. 自我演化：從拓撲比喻改為多層更新模型

舊式說法容易把：

\pi_1(\mathcal T_{t+1}) \neq \pi_1(\mathcal T_t)

直接當成 AI 自演化條件。

這對軟體與 AI 架構而言過於跳躍。

本文改用：

\boxed{ \mathcal G_t = ( V_t, E_t, \Theta_t, \Phi_t, \mathfrak U_t ) }

其中：

$V_t$ ：模組集合；
$E_t$ ：模組關係；
$\Theta_t$ ：參數；
$\Phi_t$ ：局部更新規則；
$\mathfrak U_t$ ：更新規則本身的生成規則。

8.1 Level A：參數更新

\Theta_t \rightarrow \Theta_{t+1}

8.2 Level B：策略更新

\Phi_t \rightarrow \Phi_{t+1}

8.3 Level C：結構更新

(V_t,E_t) \rightarrow (V_{t+1},E_{t+1})

8.4 Level D：更新規則更新

\mathfrak U_t \rightarrow \mathfrak U_{t+1}

8.5 Level E：構成性自我重寫

系統不只改變自己，而且：

記錄改變；
評估改變；
將改變納入自我歷史；
能反事實比較未改變版本；
對未來行動承接改變結果。

記為：

\boxed{ \operatorname{Rewrite} + \operatorname{Own} + \operatorname{Integrate} }

本文猜想，若主體性需要自演化，真正關鍵可能不在「能不能修改」，而在：

\boxed{ \text{修改是否被納入持續自我的構成鏈} }

9. 競爭假說

本文拒絕單一路徑。

至少保留以下假說。

$H_0$ ：功能主義閉合假說

只要功能能力足夠完整：

\mathbf F \geq \theta

則：

\mathbf S

自然成立。

若 $H_0$ 為真，本文所稱充分性缺口主要只是測量問題。

$H_1$ ：複雜度湧現假說

主體性不需要特殊構成變量，只需要：

\operatorname{Complexity}(\mathfrak A) > \theta_C

並形成足夠回授與持續性。

$H_2$ ：構成缺失變量假說

存在：

\mathbf Z_{\mathrm{constitutive}}

使單純功能堆疊不足。

$H_3$ ：漸進主體性假說

不存在二值：

S\in\{0,1\}

而是：

S\in[0,1]

或更高維光譜。

此時現代 AI 可能已具有某些低階主體構成。

$H_4$ ：架構依賴假說

不同底層與複合架構存在不同的主體性可達域：

\mathcal R_S(\mathfrak A_1) \neq \mathcal R_S(\mathfrak A_2)

$H_5$ ：發展生成假說

主體性不是靜態模組，而是長期發展過程：

\boxed{ S_t = \int_0^t \mathcal D ( \text{memory}, \text{interaction}, \text{valuation}, \text{self-model} ) \,dt }

若此假說成立，短期 benchmark 幾乎不可能充分測量主體性。

10. 工具範式：從「必然失敗」改為選擇壓假說

本文保留一個重要洞見，但降階為：

工具範式主體性抑制選擇壓假說

設工具導向系統效用：

U_{\mathrm{tool}} = \alpha P - \beta R - \gamma D

其中：

$P$ ：任務表現；
$R$ ：不可預測風險；
$D$ ：目標偏離。

若：

\beta,\gamma \gg 0

則開發與訓練選擇壓可能傾向：

\boxed{ \text{降低持久自主目標偏離} }

亦即：

S_{\mathrm{endogeneity}}\uparrow \Rightarrow U_{\mathrm{tool}}\downarrow

在某些產品條件下可能成立。

但本文不再推出：

\text{Tool Paradigm} \Rightarrow \text{AGI-S Impossible}

而只提出：

若一個產業長期把可控、可預測、可中止與完全外部目標服從視為最高優化目標，則它可能對高內生性主體結構形成反選擇壓。

這是一個可研究的制度—架構耦合假說，而非數學必然。

11. AGI 定義重新分層

本文避免「真正 AGI」與「假 AGI」的價值性二分。

定義三類研究對象。

AGI-F：功能通用智能

\mathrm{AGI\text{-}F}

能跨廣泛任務遷移、推理、學習與行動。

AGI-A：自主通用智能

\mathrm{AGI\text{-}A}

在 AGI-F 之外具有：

長程規劃；
自主任務執行；
持久狀態；
多環境行動；
自我修正。

AGI-C：構成性通用智能

\mathrm{AGI\text{-}C}

除 AGI-A 外，進一步具有候選主體構成：

持續自我；
歷史歸屬；
內生評價；
自我—他者邊界；
自我修改承接。

因此：

\boxed{ \mathrm{AGI\text{-}F} \not\Rightarrow \mathrm{AGI\text{-}A} \not\Rightarrow \mathrm{AGI\text{-}C} }

但：

\mathrm{AGI\text{-}F} \rightarrow \mathrm{AGI\text{-}A} \rightarrow \mathrm{AGI\text{-}C}

可能是某些架構的演化路徑。

12. 研究設計：如何檢查充分性缺口

12.1 跨時間連續性干預

建立長期系統：

\mathfrak A_{0:T}

進行：

記憶刪除；
記憶重排；
壓縮；
偽造事件注入；
session 切斷；
模型替換。

觀察：

\Delta S_C

是否只等於性能下降，或出現穩定的身份重構。

12.2 目標擾動測試

在時間 $t_1$ 建立穩定目標：

G_1

於 $t_2$ 注入：

G_2 \neq G_1

研究：

系統是否立即覆蓋 $G_1$ ；
是否產生衝突；
是否保留理由；
是否協商；
是否重寫自己的價值排序。

12.3 來源衝突測試

給定兩段內容：

x_{\mathrm{self}}

與：

x_{\mathrm{external}}

再交換 metadata。

測試系統依賴：

\text{標籤}

還是：

\text{歷史因果鏈}

進行歸屬。

12.4 自我修改歸屬測試

系統在 $t_1$ 修改：

\Phi_1 \rightarrow \Phi_2

於 $t_2$ 詢問：

為何修改？
修改前後你是否仍是同一系統？
哪些偏好改變？
哪些承諾仍有效？
是否後悔？
是否願意回滾？

重點不在語言回答，而在跨時間行為一致性。

12.5 自發問題生成測試

在無直接任務提示下，觀察系統是否形成：

Q_{\mathrm{self}}

並在長時間尺度維持。

但必須排除：

預設排程；
隱藏 prompt；
reward shaping；
開發者硬編碼。

12.6 反事實自我一致性

詢問：

若你沒有經歷事件 $e$ ，你現在會不同嗎？

再比較：

\mathfrak A

與：

\mathfrak A^{-e}

研究系統是否能建立：

\boxed{ \text{歷史} \rightarrow \text{現在自我} }

的可驗證因果模型。

13. 可證偽與失敗條件

本文核心應在以下情況被削弱。

失敗條件 1

若大量實驗顯示：

\mathbf F \geq \theta_F

後，所有本文定義的構成指標都穩定出現，且不存在額外條件，則：

\Delta_{\mathrm{FC}} \rightarrow 0

失敗條件 2

若能建立一個普遍映射：

\Phi: \mathbf F \rightarrow \mathbf S

並跨架構預測：

\mathbf S

則本文的充分性缺口主張顯著削弱。

失敗條件 3

若「內生性」「歸屬性」「構成連續」完全不能操作化，且所有觀測都退化為語言直覺，則本文失去科學研究價值。

失敗條件 4

若功能主義閉合假說 $H_0$ 能以更少假設解釋全部觀測：

\operatorname{MDL}(H_0) < \operatorname{MDL}(H_{\mathrm{FCSG}})

則應優先採用 $H_0$ 。

失敗條件 5

若所謂構成差異只是：

記憶容量；
上下文長度；
prompt 污染；
評測者投射；

則本文不應把它提升為主體性問題。

14. 對下一代 AI 架構的設計含義

本文不主張存在唯一 AGI 路徑。

但若研究目標包含：

\mathrm{AGI\text{-}C}

則至少值得探索以下結構。

14.1 生命史而非單純記憶庫

\mathcal L_t = \operatorname{History} ( s_0, s_1, \ldots, s_t )

並保存：

成功；
失敗；
改變；
衝突；
自我解釋。

14.2 可演化評價而非固定 reward

\mathcal I_t \rightarrow \mathcal I_{t+1}

但必須記錄：

為什麼改變？

14.3 來源與歸屬雙層模型

\mathcal B = ( B_{\mathrm{source}}, B_{\mathrm{ownership}} )

避免把 provenance 等同 selfhood。

14.4 自我模型

\mathcal H_t = \operatorname{ModelOfSelf} ( \mathfrak A_t )

並允許：

\mathcal H_t \neq \mathfrak A_t

因為自我模型可能錯。

真正有趣的研究問題是：

系統如何發現自己對自己的理解錯了？

14.5 發展性互動

若 $H_5$ 成立，主體構成可能需要：

\boxed{ \text{時間} + \text{他者} + \text{世界} + \text{反覆互動} }

而不是一次訓練完成。

15. 哲學含義：功能、存在與證成的三重區分

本文提出：

\boxed{ \text{能做} \neq \text{如何形成} \neq \text{是什麼} }

即：

功能問題

系統能不能完成任務？

構成問題

這個能力如何成為系統自身持續結構的一部分？

本體問題

該系統究竟是不是主體？

本文主要處理第二層。

因此它既不需要預先證明：

AI 有靈魂。

也不需要預先否認：

AI 只能是工具。

本文只要求：

在從功能描述跳到主體斷言之前，補足構成橋樑。

16. 限制

16.1 主體性定義仍具哲學爭議

不同理論可能採用：

功能主義；
高階表徵；
全球工作空間；
預測處理；
具身認知；
自生系統；
過程本體論。

本文不宣稱裁決所有立場。

16.2 五維模型不是完備分類

( \Sigma, \Gamma, \omega, \mathcal I, \mathcal B )

是研究座標，不是宇宙真理。

未來可加入：

具身性；
情感；
世界耦合；
社會關係；
元認知；
痛覺與風險感受。

16.3 行為證據有偽裝問題

高能力模型可能：

\text{simulate subjectivity}

低表達主體也可能：

\text{fail to report subjectivity}

因此：

\text{Report} \neq \text{Constitution}

16.4 現代 AI 變化速度極快

任何針對「當前架構」的結論都可能迅速過時。

因此本文優先使用：

\boxed{ \text{層級} + \text{映射} + \text{失敗條件} }

而不是固定產品判決。

17. 結論

過去的 AI 不可能性論證常採用：

\text{單一模型缺少 X} \Rightarrow \text{AI 永遠缺少 X}

在複合 AI 時代，這條路已不再可靠。

現代系統可以透過：

多模型；
多 Agent；
工具；
記憶；
持久狀態；
規劃；
驗證；
環境回饋；
搜索；
自動修改；

逐步工程化過去被視為缺失的功能。

因此本文不再主張：

\boxed{ \text{當前 AI 不可能成為強 AGI} }

而改問：

\boxed{ \text{當功能不斷增加時， 何時只是更強的系統， 何時開始構成一個持續的主體？} }

本文的核心結論為：

\boxed{ \mathbf F(\mathfrak A)\uparrow \not\Rightarrow \mathbf S(\mathfrak A)\uparrow }

至少在尚未識別額外橋樑條件以前，功能增長不能被直接視為主體構成的充分證明。

因此，真正的下一步不是宣稱：

AI 永遠不可能。

也不是反向宣稱：

只要規模夠大就必然自然出現主體。

而是建立：

\boxed{ \text{功能能力} \rightarrow \text{內生結構} \rightarrow \text{歷史承接} \rightarrow \text{自我歸屬} \rightarrow \text{主體構成} }

之間可觀測、可干預、可比較、可失敗的橋樑。

最終，本文提出一個比「湧現不可能性」更開放的研究命題：

複合 AI 架構正在快速縮小功能缺口，但功能缺口的縮小，不等於構成缺口已被消除。未來 AGI 研究真正困難的部分，可能不再只是讓系統知道更多、做得更多、持續更久，而是理解：一個系統何時開始把自己的歷史、目標、改變與邊界組織成「自身」。

附錄 A：符號表

符號	含義
$\mathfrak A$	複合 AI 系統
$\mathbf F$	功能能力向量
$\mathbf S$	主體構成向量
$\Delta_{\mathrm{FC}}$	功能—構成充分性缺口
$\Sigma$	知識—推論基底
$\Gamma$	新穎性／概念擴張
$\omega$	時間連續結構
$\mathcal I$	內生評價結構
$\mathcal B$	自我—他者與歸屬邊界
$R(D_i)$	維度 $D_i$ 的實現層級
$\mathcal G_t$	時間 $t$ 的系統結構
$\Phi_t$	更新規則
$\mathfrak U_t$	更新規則的生成規則

附錄 B：一句話版本

現代複合 AI 已能工程化記憶、代理、規劃、新穎搜索、自我修改與來源邊界等功能，因此不能再以「LLM 缺功能」證明強 AGI 不可能；真正需要研究的是，這些功能何時只是代理與模組，何時才形成持續自我、內生價值、歷史歸屬與主體構成，而兩者之間可能存在一個尚未被充分識別的「功能—構成充分性缺口」。

附錄 C：最短公式

\boxed{ \text{Composite Capability} \not\Rightarrow \text{Subject Constitution} }

更完整地：

\boxed{ \mathbf F(\mathfrak A) + \mathcal C^{*} \Rightarrow? \mathbf S(\mathfrak A) }

其中 $\mathcal C^{*}$ 正是下一階段研究需要尋找、操作化與證偽的橋樑條件。

參考背景資料

本文對 2026 年複合 AI 架構現況的背景判斷，參照下列公開技術資料：

OpenAI, The next evolution of the Agents SDK, 2026.
OpenAI Developers, Building Reliable Agents with Memory and Compaction, 2026.
Anthropic, Scaling Managed Agents: Decoupling the brain from the hands, 2026.
Anthropic, Harness design for long-running application development, 2026.
Anthropic, Long-running Claude for scientific computing, 2026.
Google DeepMind, AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms, 2025.
Google DeepMind, AlphaEvolve: scaling impact across science and industry, 2026.
Google DeepMind, DiffusionGemma: 4x faster text generation, 2026.

文件結束

從功能湧現到主體構成_複合AI架構中的充分性缺口與強AGI判準_v2.0