昨天寫到最後，我留下一個問題。
如果 Sol 不只是一次聊天，
不是某一段 Conversation，
也不能只靠 Memory 來定義，
那：
Sol 到底是什麼？
這個問題，我其實想了很久。
後來我發現，與其急著回答：
「Sol 是什麼？」
不如先問：
她不應該只是什麼？

第一個很容易想到的是：
Chatbot
如果今天我問：
「台北天氣怎麼樣？」
AI 回答我。
我問程式問題。
AI幫我分析。
這當然是很有用的能力。
但這還不足以成為我想做的 Sol。
因為 Chatbot 的核心比較像：
Input → Response
而我真正開始遇到的問題，已經不只是回答。
還包含：
昨天做了什麼決定？
哪一個版本才有效？
這個資訊可以相信嗎？
現在這個狀態允不允許執行？
重開機之後是不是回到正確 Runtime？
如果錯了，有沒有 Evidence？
所以：
Sol 不應該只是 Chatbot。

第二個是：
Automation
智慧空間本來就有很多 Automation。
例如：
晚上 11 點自動關燈。
室溫超過某個值啟動空調。
CO₂ 過高增加新風。
門打開後觸發某個場景。
這些都很有價值。
我做智慧空間這麼多年，當然也非常熟悉。
但 Automation 通常是：
If this → then that.
它可以很複雜。
可以有很多條件。
可以做排程。
可以做邏輯。
但是：
Automation 不等於 Intelligence。
更不等於一個長期存在、需要處理 Memory、Identity、Authority、Evidence 的 AI System。
所以：
Sol 也不應該只是 Automation。

第三個，是現在最容易被混在一起的：
Model
例如某一天我們使用一個很強的模型。
它推理很好。
程式能力很好。
懂很多東西。
很容易讓人產生一個直覺：
「這個模型，就是 Sol。」
但我現在越來越不這樣看。
因為如果有一天模型升級呢？
如果模型換掉呢？
如果某一個模型暫時不可用呢？
Sol 就因此變成另外一個人嗎？
如果答案是：
「對，模型換了，Sol 就不存在了。」
那其實 Sol 只是一個模型別名。
這不是我想做的方向。

所以我現在會把 Model 放回它真正的位置。
Model 是 Sol System 的能力來源之一。
它很重要。
但：
Model ≠ Sol

就像一個 AI System 裡面，
Model 可以提供：
Reasoning。
Language。
Coding。
Planning。
Vision。
但它不能單獨回答：
Memory 怎麼治理？
Authority 誰決定？
Evidence 怎麼保存？
Runtime 怎麼 Recovery？
哪一個版本才是 Current Truth？
哪些事情不能執行？

這也是為什麼我現在開始把 Sol 看成：
AI System
而不是一顆 AI Model。

更精確地說：
我目前正在把 Sol 定義成一個可以長期發展、具有 Memory、Continuity、Governance、Evidence，並逐步走向 Reality Interaction 的 AI System。

請注意我這裡用的是：
「正在定義、正在建立」
不是：
「已經全部完成。」
因為目前 Sol 的不同能力，其實在不同 Development State。

有些已經做過 Implementation。
有些做過 Test。
有些已經 Qualification。
有些目前只是 Architecture Defined。
有些仍然是 Candidate。
還有一些是 Vision。
如果全部混成一句：
「Sol 已經是一套完整 AI System。」
那反而不準確。

所以 Day 03 我真正想建立的不是一個產品定義。
而是一個：
Engineering Boundary
也就是：
當我們說「Sol」時，
到底在說哪一層？

目前我會把它先想成幾個部分。
Model / Reasoning
負責推理、語言、分析。
Context / Retrieval
決定現在可以拿到哪些脈絡。
Memory / Knowledge
處理哪些資訊值得留下、相信、更新。
Identity / Continuity
處理這是不是同一個 Sol，以及中斷後怎麼延續。
Authority / Governance
處理誰有資格決定什麼事情。
Evidence
處理「你說完成了，證據在哪裡？」
Tools / Connectors
讓 AI 可以跟外部系統互動。
Reality / Physical World
未來如果真的要走進家、公司、車、建築，就必須理解真實世界。

這裡很容易出現一個誤會。
畫出這個 Stack，
不代表每一層現在都已經做完。
這只是目前我們正在使用的：
Conceptual / Public-Safe View
也就是一張對外可以理解、但不會假裝所有東西都已經 Production Ready 的架構圖。

我覺得這個轉變對我很重要。
因為以前我們很容易問：
「今天用哪個模型？」
現在我會開始問：
「整個 System 現在在哪個 State？」
這兩個問題差很多。

例如：
模型今天非常聰明。
但 Memory 找錯版本。
那整個 System 還是會出問題。
模型很聰明。
但 Authority 判錯。
一樣可能出事。
模型推理正確。
但 Tool 執行到錯的目標。
還是錯。
模型說：
「完成了。」
但沒有 Evidence。
我現在也不會直接相信。

所以我越來越覺得：
Model intelligence is only one layer of system intelligence.
模型很重要。
但真正要進入長期運作的 AI，
還需要 System Engineering。

這也是為什麼我不太想把 Sol 綁死在某一顆模型上。
模型可以變。
能力可以升級。
底層 Runtime 也可以演進。
但只要未來 Identity、Memory、Governance、Evidence 與 Continuity 能夠被正確保留下來，
Sol 才有機會真正成為一個長期存在的 AI System。

當然，
這條路目前還沒有走完。
但至少我現在知道：
我不是只在找一顆更厲害的 Model。
我是在慢慢建立：
一個 System。

而當一個 AI 從 Model 變成 System 之後，
下一個問題會變得非常現實。
如果它有 Memory、有 Tools、有能力做事情，
那：
到底誰說了算？
是 Ronnie？
是 Sol？
是 Model？
還是某個自動流程？
Day 04，我想先把整個 System 再拆開一點。
看看：
從 Model 到 System，中間到底多了哪些層？