一個人工個體，能不能建立在自己的過去之上持續成長？

模型可以變大，一個個體能不能持續長大？

談到人工智慧的進步，人們常想到更大的模型、更多的資料，以及更多計算資源。這些方法可以改善系統的能力；但當我們看到下一個版本更強時，仍有一個問題沒有被回答：同一個人工個體，是否因為自己的過去而改變了後來學習的方式？

Bio2Twin 的 Original Intelligence（OI，原生智慧）把這個問題稱為 Developmental Scaling 的公開研究方向。這裡的「成長」不是一個已被證實的新 scaling law，而是等待驗證的科學假說：個體的歷史，是否能在後來的學習中發揮作用？

Capacity 與 Development，問的不是同一件事

模型規模、資料量與算力，是研究人工智慧能力的重要面向。更多資源可能讓系統處理更廣泛的任務，或在某些問題上展現更好的表現。這些效果是真實而值得研究的；OI 並不否定它們。

Development 則把問題轉向時間中的同一個系統：它先前遇到的事情，是否改變了下一階段能學會什麼、如何學習，或能否保留早先形成的能力？如果系統每次改進都只是換成一個能力更強、卻與先前個體歷史無關的新版本，那與「同一個個體持續發展」仍是不同的主張。

A larger model has more capacity. A developing individual has a past. 這句話是研究問題的提示，不表示容量與發展互相排斥，也不表示每一段歷史都必然帶來增益。

為什麼過去可能影響未來學習？

我們可以提出一個直觀的假設：先前的經驗可能影響後來如何理解新情境、如何處理不確定性，或如何從失敗中改變做法。如果某些先前形成的能力能在新問題中繼續發揮作用，那麼後續進步可能不只是累積更多資料，也與先前的發展軌跡有關。

但是，「可能」不能被寫成「已經發生」。較好的後續表現也可能來自更多訓練、更廣泛的資料、不同的任務難度，或評測本身的差異。我們需要把這些解釋分開，才有資格談經驗的獨立貢獻。

不是問小模型和大模型誰比較強

如果一個大型系統比小型系統表現得好，我們可以研究規模可能帶來的影響；但這無法直接回答歷史保留是否重要。Developmental Scaling 希望研究的是另一種差異：當我們關心一個人工個體的後續表現時，它先前經歷過的發展過程，是否能提供單靠當前能力描述不足以解釋的資訊？

這個問題不需要先宣稱某一種發展方式必然優於另一種。若最終觀察到的改善都能由容量、資料或一般更新解釋，我們就不該將它重新命名為「發展式擴展」的成功。

學習、遷移與保留，是不同的問題

一個系統在熟悉任務上表現提升，並不保證它面對新情境時同樣有進步；學會新任務，也不代表先前能力仍被保留。因此，談長期發展時，不能只用一個總分替代所有後續表現。

OI 想研究：過去是否影響後來的學習；早先形成的能力能否在新情境中發揮作用；以及持續變化的同時，哪些能力可能保留、哪些反而消失。這些是需要分別觀察的現象，不是單憑一次進步就能同時證明的結論。

成長也可能包含遺忘與限制

日常語言容易把「成長」想成一條一直向上的線，但持續學習的系統可能同時面對取捨：適應新情境時，舊有能力是否受影響？短期改善會不會以長期穩定為代價？在某個領域有用的經驗，能否直接用於完全不同的領域？

因此，研究不應只蒐集好看的進步曲線。若某條發展歷史帶來更快學習，卻也伴隨明顯的能力喪失或不穩定，我們就需要如實描述整個結果，而不能只保留有利的部分。

真正值得研究的不是無限制地變強，而是過去如何改變後來可能做到的事，以及相應的代價。

當個體有自己的過去，我們該追問什麼？

一個有連續歷史的人工系統，是否會因早期接觸的問題而形成不同的後續學習方向？兩個最初相同的系統，在不同環境中度過一段時間後，是否會以不同方式面對同一項新挑戰？這些問題與上一篇「Same Start, Different Lives」相連，但把焦點從是否形成差異，進一步移向差異是否影響後來的學習。

這也是為什麼 Bio2Twin 不把研究單位只放在一個模型版本上。我們同時關心一段發展歷史：哪些改變是暫時的，哪些得以保留，哪些會在新的經驗下繼續改變。

什麼結果會削弱這個假說？

也許長期保留歷史並沒有帶來我們預期的效果；也許更好的結果完全來自更多資源或重新訓練；也許早期經驗在後來不再產生可以可靠辨認的影響。這些都必須被視為可能的研究結果。

如果歷史的作用無法與其他原因區分，我們就不能用 Developmental Scaling 這個名稱替結果增加強度。研究是否有價值，不取決於我們能否讓每個假說通過，而取決於失敗時是否真的願意修正原先的主張。

這與 Bio2Twin 的長期生理研究如何相通？

在個人化生理研究中，同樣一個數字，放在不同人的長期脈絡中可能具有不同意義；但長期紀錄不會自動讓我們知道原因，也不會自動證明干預有效。對一個人的持續觀察，仍必須區分實際測量、模型推測與尚未驗證的解釋。

OI 與人體生理研究不是同一種模型，也不能把人工個體直接等同生物個體。兩者相通的是研究態度：不只看當下表現，也追問自身歷史與後續變化的關係；不把相關性逕自當成因果。

如果這個方向成立，可能改變什麼？

如果未來有足夠證據支持歷史對後續學習具有不能被其他因素完全取代的作用，那麼研究人工智慧的進步時，除了當下能力與模型資源，我們或許還需要重視個體從何而來、經歷過什麼，以及哪些改變能延續到後來。

這是一個可能的研究方向，不是對未來能力的預測，也不是目前已經觀察到的通用規律。我們不把一個好聽的名稱當成證明，而是希望讓真正的實驗結果決定這個方向能走多遠。

目前狀態：Developmental Scaling 尚待驗證

Developmental Scaling Research · Results Pending. 這篇是對應 Paper 03 的公開研究方向。正式的發展式擴展結果尚未完成；能力成長、學習遷移、長期保留或新的能力組合，都不能由單次看似成功的觀察推論為已通過驗證。

Bio2Twin 將持續區分 Research Question、Hypothesis、Observation 與 Verified Finding。若後續證據無法支持特定主張，就應修正、縮小或放棄該主張，而非把尚待檢驗的現象包裝成已完成的 Original Intelligence。

研究邊界與下一個問題

OI 在這裡指人工發展與因果個體性的研究，不代表 consciousness、sentience、subjective experience、personhood 或 biological equivalence 的證明。人工系統能持續學習，也不能直接推論它具有人的主觀生命。

本文只公開研究問題、科學假說及目前狀態。未公開 Paper 03 的具體指標公式、實驗矩陣、階段轉移、架構、演算法、控制程序與程式碼不包含在此。高階公開不能保證不影響未來專利，詳細技術披露仍應先完成適當的申請與審查。

如果一個人工個體能建立在自己的過去之上持續成長，下一個問題是：當它開始看、聽、觸碰與行動，物理世界能否真正參與它之後的發展？

延伸閱讀：如果起點一樣，不同經歷會不會形成不同的人工個體？ ↗　／　當智慧擁有身體，Reality 能不能成為它發展的一部分？ ↗