昨天談到：
自然語言不能直接接 Relay。
Human 說一句：
「把會議室變舒服一點。」
中間還需要經過：
Intent。
Reality。
Identity。
Authority。
Governance。
Capability。
Connector。
最後才可能真的進入 Physical System。
但就算今天 Action 真的成功執行了，
故事還是沒有結束。
因為我一定會再問：
「所以，真的變好了嗎？」

假設有一天 Sol 跟我說：
「Ronnie，我剛剛把 HVAC 策略調整完成。」
甚至進一步說：
「幫你節能 20%。」
聽起來很漂亮。
但我第一個反應不會是：
「太棒了。」
我反而會問：
「妳怎麼證明？」

因為：
Command Sent
不等於：
Action Executed
而：
Action Executed
也不等於：
Outcome Improved
更不等於：
Outcome Verified

這幾件事情非常容易被混在一起。
例如：
AI 呼叫 API。
回傳：
200 OK
這最多只能證明：
某一個 Request 被系統接受。

不能直接證明：
設備真的完成預期動作。

設備真的改變 Setpoint，
也不能直接證明：
環境真的改善。

環境真的改善，
也不能直接證明：
能源真的下降。

能源真的下降，
更不能直接證明：
下降是因為 AI。
這裡面每跨一步，
都需要新的 Evidence。

所以我們後來在 Energy Intelligence 的思考裡，
越來越重視一條完整鏈：
Expected
↓
Executed
↓
Measured
↓
Normalized
↓
Verified

第一步：
Expected
原本預期會發生什麼？
如果調整這個策略，
預期：
耗能下降？
舒適度維持？
CO₂ 不惡化？
Peak Demand 降低？
如果連 Expected Outcome 都沒有先定義，
後面其實很難說什麼叫成功。

第二步：
Executed
系統到底有沒有真的做？
不是：
AI 說它做了。
而是要看到：
Command。
State Change。
Controller Response。
或其他可以驗證的 Execution Evidence。

第三步：
Measured
Physical Reality 到底發生什麼？
例如：
室溫。
濕度。
CO₂。
功率。
用電量。
設備運轉時間。
這些都需要真正量測。

但是做到這裡，
還是不能直接說：
「AI 幫你省了 20%。」
因為還有第四步：
Normalized

這一步非常重要。
假設今天用電比昨天少 20%。
真的代表節能 20% 嗎？
不一定。

因為今天可能：
比較涼。
人比較少。
營業時間比較短。
設備少開兩個小時。
甚至剛好是假日。
如果這些條件沒有被考慮，
我們很容易把：
環境差異
誤認成：
AI 效果。

所以真正的節能驗證，
一定要回到：
Baseline
以及：
Comparable Conditions

也就是：
我們拿什麼當比較基準？
外氣條件一不一樣？
Occupancy 一不一樣？
Operating Hours 一不一樣？
Production Load 一不一樣？
Comfort Requirement 一不一樣？

只有把這些條件盡量校正之後，
才開始有資格進入：
Verified
也就是：
這個 Outcome 到底能不能被合理歸因到這次 Action / Strategy？

這也是我現在越來越不喜歡一種 AI Demo 說法：
「AI 自動最佳化，節能 20%。」
如果後面沒有說：
Baseline 怎麼定義？
Measurement Window 多久？
有沒有 Normalization？
Comfort 有沒有一起看？
是模擬？
測試？
還是真實場域？
我會非常保留。

假設我在文章裡寫：
「Sol 幫 AICAN 展示中心節能 20%。」
這句話就已經是一個很強的：
Physical Outcome Claim。
而目前我們沒有這樣的 Verified Production Evidence。
所以：
我不會這樣寫。

如果今天為了說明方法，我用：
「假設用電下降 20%」
那必須非常清楚標示：
Hypothetical Example
它只是用來解釋：
為什麼 M&V 很重要。
不是實際節能成績。

我覺得這裡其實又回到 Day 06：
No Evidence. No Completion.
只是今天 Evidence 的要求更高。
Digital System 裡，
我們可能驗證的是：
Process。
State。
Version。
Recovery。
但 Physical World 裡，
還要面對：
Reality 本身會變。
天氣會變。
Human Behavior 會變。
Load 會變。
設備性能也會變。
所以 Physical Outcome 的 Evidence，
往往比：
「程式有跑完」
難很多。

這也是為什麼我們把 Energy Intelligence 的驗證方向想成：
Expected → Executed → Measured → Normalized → Verified
我很喜歡這個順序。
因為它提醒我：
AI 說它做了，不是終點。

甚至：
Device 說它做了，也不是終點。
真正的終點應該是：
Reality 有沒有真的改變，而且我們能不能證明。

這件事情未來在 Building AI 裡會非常重要。
假設 Sol 提出：
HVAC Optimization。
Fresh Air Optimization。
Lighting Optimization。
Peak Demand Strategy。
我們真正想看到的不只是：
「Recommendation Accepted」
而是：
Recommendation。
↓
Governed Action。
↓
Execution Evidence。
↓
Measured Reality。
↓
Normalized Comparison。
↓
Verified Outcome。

這樣我才會開始相信：
Intelligence 真的產生了價值。

而且還不能只看 Energy。
假設省很多電，
但：
室內非常熱。
CO₂ 很高。
使用者一直抱怨。
那也不能叫：
好的 Optimization。
所以未來真正的 Physical AI，
我認為一定是：
Multi-objective
例如同時考慮：
Energy。
Comfort。
IAQ。
Safety。
Operational Constraint。

「最省電」
不一定是：
「最好」。
如果最省電的方法是：
把空調全部關掉，
那根本不需要 AI。

所以我現在更喜歡的問題不是：
「省了多少？」
而是：
「在什麼 Constraint 下，達成了什麼可以被驗證的改善？」
這兩句話的工程含義差非常多。

目前 AICAN × Sol 在這一部分，
已經有：
Energy M&V 的 Specification / Architecture Direction
包括：
Expected。
Executed。
Measured。
Normalized。
Verified。
但同樣要守住 Development State。
目前我們不能把它寫成：
已完成大規模 Production AI Energy Saving Qualification。
還沒有。

今天真正可以確定的是：
我們已經把：
Outcome Verification
正式放進 Physical AI Architecture。
AI 不只要：
Reason。
Action。
還要：
Prove what happened.

我覺得這可能會是未來 Trusted Physical AI 很重要的一條界線。
因為 AI 很會說：
「我完成了。」
但 Physical Reality 不會因為一句話就改變。
Reality 最終還是要用：
Evidence
回答。

所以 Day 24，
我最想留下三句話。

第一句：
Command sent is not outcome verified.
第二句：
Measurement is not verification without context.
第三句：
Physical claims require physical evidence.

而走到這裡，
我們已經把 Physical AI 很重要的一段路走完了：
理解 Reality。
建立 Governance。
經過 Action Gateway。
走到 Physical System。
再回來驗證 Outcome。
接下來，故事要進入最後一幕。
如果 Sol 有一天真的可以跟著我：
從家裡，
走進車裡，
再走進辦公室，
我要重新認識她一次嗎？
她也要重新認識我一次嗎？
Day 25：
我從家走進車裡，為什麼 AI 要重新認識我？