AI 迫使我們重問「理解」：有限認知的公理與哲學重建

假設有一天，一個 AI 能指出我們最信服的哲學論證藏了什麼矛盾，提出更精確的概念，解決我們多年無法處理的問題。它的成果並非只靠說服力成立：證明可以逐步檢查，預測能接受測試，反例能由別人重現。

我們知道它如何被製造。它從有限資料學習，在有限資源下運作，使用自己的內部表徵，透過推理與工具修正答案。它沒有把世界完整搬進機器，也沒有取得某種不會再出錯的全知資格。

這時，如果我們仍說「它並沒有真正理解」，就必須交代：究竟還缺少什麼？而那個缺少的條件，人類又是在什麼時候取得的？

這個思想實驗不以「AI 已經超越所有哲學家」為前提。它把一個判準問題提前放到眼前：當我們可以公開檢查的認知成就，與我們習慣認同的內在形式分離，哪一邊才是理解的必要條件？數學證明系統已經提供局部而具體的壓力。例如 AlphaGeometry 結合神經模型提出輔助構造與符號引擎推演，產生人可以檢查的幾何證明。這不證明它具有人類的一切能力，卻使「推理過程不像人」不再足以否定成果。¹

AI 帶來的哲學衝擊，正在這裡：我們開始能製造另一種認知者，於是不得不重新審查「認識」的資格，而不能只靠人類對自己的感覺決定資格。

本文從這個壓力出發，建立一套有限認知的公理化核心，再推導它對概念、本體、因果、倫理與智慧設計的後果。公理化的價值，要由它能讓哪些結論變得可推出、可反駁、可設計來衡量。

一、AI 暴露的，是認識早已在做的事

一個學習系統不必先識別唯一的世界生成機制，才有資格完成工作。在監督式學習的一個基本設定中，它選擇模型 \(f\)，希望在資料分布 \(D\) 與損失函數 \(\ell\) 下，使風險降低：

\[R_D(f)=\mathbb E_{(x,y)\sim D}[\ell(f(x),y)].\]

訓練時通常無法直接取得這個期望，而是使用有限資料及相應的經驗風險，再以獨立測試、理論條件與後續觀測評估泛化。² 一個模型可能不是唯一正確的生成模型，仍能在指定範圍完成足夠可靠的預測。有些學習問題確實追求識別真實參數或函數；這裡的關鍵是，任務成功並不普遍以全域識別為必要條件。

如果以 \(f^*\) 表示特定設定下的理想目標，可以將這種關係簡寫為

\[\widehat f\approx_{\mathcal C} f^*.\]

下標 \(\mathcal C\) 不能省略。它表示哪些情境、哪些問題、何種誤差與資源限制。低平均損失未必代表每個輸入都正確；有噪聲時，最佳預測也未必是一個決定性的「世界真函數」。

示意曲線刻意在指定區間重合。這是「局部一致仍可全域不同」的反例，不是實驗資料，也不表示有限測試能證明整段區間一致。

真正值得追問的哲學問題是：如果這種有限、近似、受檢驗的機制，能夠支援愈來愈多我們稱為理解的活動，為什麼它只能被視為人工智慧的權宜之計，而不能成為理解有限認知的一個一般模型？

這不是從某個 AI 的高分，直接推導人腦的全部本質。它是把舉證責任改放在正確位置：若「完整佔有對象」被當成理解的必要條件，就應說明它如何被判定、為何必要，以及我們憑什麼相信人類已滿足它。

從這裡出發，世界與表徵之間更合適的關係，不是要求兩者成為同一件東西，而是要求表徵在明確問題上保留可用的結構。寫成 \(R\approx_{\mathcal C}W\) 時，這是一個須由任務誤差、證據與操作條件展開的縮寫，並不是宣稱有一個不需定義的「表徵與宇宙距離」。

二、真理的存在，不自動授予任何人佔有它的能力

「世界有其真實結構」與「有限理性終將完整掌握那個結構」，是兩個不同的命題。前者沒有在邏輯上替後者作保。

認識論上的傲慢，正可能藏在這段未被交代的跳躍裡。它未必表現為宣稱今天已經全知，也可能表現為：認定所有成功的認識終究必須收斂成一份完整、唯一，而且對認知者完全可用的世界圖景。

AI 使另一種可能性變得具體：一個系統可以在重要問題上比我們更有能力，卻不以那種佔有為前提。若這種可能性成立，那麼「佔有完整真理」至少不能未經論證，就被安放在所有認知的最高終點。

這也不把人的成就貶成幻覺。真正需要拆開的是兩件事：取得能承擔檢驗的知識，以及把取得知識時的閉合感當成完整性的證書。前者可以是真的，後者仍可能錯。

哲學因此可以移動自己的重心：從不斷追問「如何得到最後一幅世界圖景」，走向另一個同樣根本的問題——什麼樣的概念、區分、推理與修正機制，能讓身在世界內的認知者持續取得可靠的認識？

三、先把公理寫清楚：我們允許什麼樣的認知者？

將這套核心稱為「有限內嵌探究」，英文為 Axiomatic Embedded Inquiry，簡稱 AEI。它首先公理化認識的條件，而非替宇宙指定最終材質。這使不同的本體論與倫理學可以在同一套規則下交代自己的前提。

先列出基本對象。\(X\) 是某次探究考慮的可能情境；\(H\) 是取得觀察的介面；\(E\) 是可用證據；\(r\) 是將證據組織成內部或外部工作表徵的方式；\(Z\) 是可用表徵的集合；\(Q\) 是問題集合；\(B\) 是資源預算。當需要描述變化時，另給狀態演化 \(F\)；這不是預設所有世界都必須決定論。

下面六項是本文模型的核心公理。它們是明列的起點；採用這套模型，就接受這些條件，不靠更換措辭把結論偷放進去。

編號	公理	它排除的捷徑
A1	外部約束：經驗主張的符合條件，不由認知者當下的贊同任意決定	想相信什麼，就使什麼成真
A2	內嵌與計帳：認知者、工具、外部記憶與觀測行動都在環境中；成本計入共同預算	把工具或外部查詢當成免費的全知來源
A3	介面中介：一次回答只能依賴實際可取得的證據、既有狀態與容許的操作	在推論中使用從未取得的區分
A4	局部有限性：每個具體探究階段有有限的記憶、時間與行動預算	用無限計算替現有能力作證
A5	問題定域：充分性與誤差相對於明列的問題、情境及代價判定	把一類任務的成功升格成所有問題的成功
A6	證成留痕：在本系統中，一項已獲支持的主張必須連同所依賴的假設、證據、推理與檢驗範圍保存	只保存結論，卻繼承一份說不出來源的權威

A1 至 A5 約束研究對象與評估方式；A6 規定本文何謂可審查的證成。它不是宣稱所有現實中的人都會留下紀錄。內嵌行動者的建模難題已有專門研究；此處將其放入一套可推導的探究架構。³

探究情境可記成 \(\mathcal C=(X,Q,D,\ell,B,V)\)。其中 \(D\) 是需要時採用的情境分布，\(V\) 是檢驗程序；無法合理指定分布時，就以情境集合或最壞情況處理。道德前提另外放進 \(N\)，不讓它躲在描述性符號裡。

接著加入三條探究規則。它們是我們選擇要求可靠探究遵守的規範，與前面的資訊限制分開：

1. 可撤回規則：若證成依賴的條件被推翻，須重新評估主張；AEI 自身也適用。
2. 修改分層規則：修改答案、表徵、觀測方式或評分標準，必須記錄為不同操作，不能用暗改標準冒充能力進步。
3. 規範橋接規則：具有實質內容的「應該」判斷，須列出規範前提及橋接理由；純描述模型不能自行替任意價值排序作決定。

公理化的第一個成果，是讓爭論有可定位的入口：反對者可以指出哪個公理不適用、哪個定義不合用、哪個推導出錯，或哪條規範值得拒絕。後面的推論，則說明這種入口能產生什麼。

四、推論一：認識的最小單位，是問題需要的區分

先考慮有限、確定性的情境集合與有限問題集。把取得證據與保存表徵的整段過程合寫為 \(r:X\to Z\)；這是便於證明的簡化，不表示認知者真的能直接讀取 \(x\)。

對問題集合 \(Q\)，定義兩個情境等價：當且僅當它們對每一個相關問題都有相同答案。

\[x\sim_Q x'\quad\Longleftrightarrow\quad\forall q\in Q,\ q(x)=q(x').\]

這會把世界的可能情境分成若干「目前不必再區分」的群。推論 P1：一份表徵能在資訊上精確回答全部 \(Q\)，當且僅當它沒有合併任何必須分開的群。

證明只需兩步。如果 \(r(x)=r(x')\)，回答程序看到相同輸入，便不能保證給出不同的正確答案，所以所有 \(q\) 都必須在每個表徵群內保持相同。反過來，如果這項條件成立，就能為每個群指定其共同答案，構成解答函數。這先證明資訊上存在解答；執行成本仍須另外計算。

若共有 \(m\) 個任務等價類，至少需要 \(m\) 種表徵狀態，亦即固定長度編碼至少需要 \(\lceil\log_2m\rceil\) 位元。這裡計的是狀態編碼，不包含解碼器與問題本身的描述成本。

世界未變，問題改變，最小充分表徵就可能改變。只問第一位時，00 與 01 可以合併；要回答兩位，四個狀態都必須分開。

這給「概念」一個可操作的最小模型：概念將某些差異視為不影響目前問題。它不是對一切語言意義的完整定義，卻使概念工程有了可檢查的工作——這種合併到底刪掉了什麼？

哲學上的後果很直接：認識的最低資訊需求，不由對象有多巨大單獨決定，而由我們要求區分什麼決定。 一個極複雜的對象，對某個問題可能只需一位元；一個只有四種狀態的小系統，對另一組問題卻不能再壓縮。

因此，抽象的成功並非世界被縮小成心中的副本，而是問題所需的差異被保留下來。資訊瓶頸與統計實驗比較各自從不同方向研究相關取捨；這裡的小命題是基本因子分解關係，不宣稱為新的數學發現。⁴⁵

五、推論二：今天完美的抽象，可能沒有任何延伸空間

現在讓問題集合從 \(Q\) 擴大為 \(Q'\)。若新問題區分了原先等價的兩個情境，原先的群就必須拆開。

推論 P2：舊表徵若已合併新問題所需的差異，任何只在舊表徵上操作的程序，都不能保證恢復那些答案。 證明由 P1 直接得到。新問題也可能與舊問題重複，此時不需要更多資訊；關鍵是它有沒有新增必要區分。

更強的結果是：對任何有損表徵，都能構造一個它無法精確回答的新二元問題。選出被合併的 \(x_1,x_2\)，令新問題在前者為 0、後者為 1 即可。

於是得到一個限制：不能同時要求表徵真正有損，又要求它在不補資訊的情況下，對所有任意未來問題永遠充分。 已知的有限問題族則可能被大幅壓縮，沒有矛盾。

這會改變我們對學習的評價。考題固定時的完美分數，可能只證明系統找到了對那些題目足夠的分組。若未來任務要求新的區分，它不一定需要更多同類訓練；它可能需要拆掉原本帶來成功的分類。

教育、科學與組織都會遇到這種情況。只保存平均值的報表，可能精確回答總量，卻無法處理分配；只按舊產品分類保存的顧客紀錄，可能無法回答新用途。舊系統沒有因此在過去「其實都錯了」，但過去的正確不能自動延長成新問題的資格。

概念革命有時不是找到同一套語言裡更好的答案，而是發現原本的語言將現在必須不同的東西，規定成了相同。

六、推論三：某些錯誤有一個再努力也降不下去的底

P2 是精確回答的界線。若允許犯錯，仍然能得到量化結果。

對有限情境、確定答案與 0–1 損失，已知分布 \(D\) 時，只看表徵 \(r\) 的最佳可能錯誤率是

\[L^*(r;q)=1-\sum_z\max_y P_D(r(X)=z,\ q(X)=y).\]

推論 P3：這個值是所有只靠 \(r\) 回答的程序都不能突破的誤差下界。 每個表徵群裡，最佳做法就是選出機率最大的答案；將各群答對的最大機率加總，剩下的就是不可避免的錯誤。若群內有不同正確答案，再複雜的後處理也不能把它們分開。

例子仍用四個等機率情境 \(X=(a,b)\in\{0,1\}^2\)。若只保存 \(a\)，卻被要求回答 \(b\)，每個群內都有一半是 0、一半是 1，所以最佳正確率是 50%。增加推理時間不會把 50% 變成 90%；可靠地取得 \(b\)，則會改變整個問題的資訊條件。

圖示是四個等機率狀態模型的解析結果。橫軸上的額外推理不包含新觀察；新增觀察是另一種有成本的操作，不能當成免費優勢。

這給研究帶來一項具體診斷：先問瓶頸是否在可用資訊，再問算法是否足夠。如果某類失敗已由表示方式建立了不可消除的下界，繼續優化解碼器就是在錯的地方投入資源。

在真實問題裡，\(D\) 往往未知，這條界線不能直接從訓練分數讀出。可以用控制環境建立下界，用配對反例證明某些保證不可能，再測試新增觀察或保存區分是否改善。證明與估計是不同的工作。

七、推論四：一致同意，不等於獲得了新的證據

假設一百個 Agent 都只看到同一份表徵 \(r(x)\)，彼此交談、重述與投票，使用的隨機性也不含額外的狀態資訊。最後產物仍然只是 \(r(x)\) 的後處理。

推論 P4：這樣的集體不能突破 P3 的資訊誤差下界。 增加成員可以減少個別運算錯誤，改善搜尋與校準；但不能恢復所有成員共同缺失的區分。

同理，若自我檢查器只讀同一份 \(r(x)\)，在兩個需要不同答案、卻具有相同表徵的情境中，它也不能保證知道這次答案究竟正確還是錯誤。把同一個盲點改寫成十種批評語氣，不會使它成為獨立證據。

真正能改變資訊條件的，是新增一條保留必要差異的通道。前例中，一個 Agent 保存 \(a\)，另一個保存 \(b\)；交換資訊後，聯合表徵 \((a,b)\) 才能回答兩個問題。能力來自互補的區分，而非人數本身。

這也重新說明公共檢驗的意義。公開不只意味著很多人看過，更意味著別人有機會接觸不同證據、操作不同儀器，或檢查原系統省略的條件。客觀性可以被理解為一種共同糾錯的結構，不必以所有人共享同一種直覺為前提。

對〈當 AI 看不見自己的缺氧〉中的診斷問題，這條推論給出更精確的版本：有用的外部觀察者，重要之處在於它能看到內部系統看不到的差異。它不必是另一個有名字的 Agent；一條獨立監測通道也可能做到。

八、推論五：宏觀事物能否獨立運作，有一個可檢查的條件

把更細的狀態 \(x\) 摘要為 \(r(x)\)，我們能否直接在摘要層預測未來，而不每次返回所有細節？

假設細部演化是 \(F:X\to X\)。我們希望找到宏觀規則 \(\overline F\)，使

\[r(F(x))=\overline F(r(x)).\]

推論 P5：這樣的確定性宏觀規則存在，當且僅當被合併的細部狀態，下一步仍被映到相同的宏觀狀態。

必要性：相同宏觀輸入只能有一個宏觀輸出。充分性：若每個群的下一步都落入同一個群，就能把那個群定義為它的下一步。這是動力系統因子映射的基本條件。

看一個會失敗的例子：\(F(a,b)=(b,a)\)，只保存 \(r(a,b)=a\)。狀態 00 與 01 現在都被看成 0；下一步卻分別變成 0 與 1。對只看 \(a\) 的系統而言，現在相同，未來卻不同。

細部演化完全確定，但過度合併的表徵沒有確定的單步更新規則。保存額外位元，或在適當條件下加入歷史，可以修補這個缺口。

由此可得到兩項哲學後果。第一，表徵層出現的不確定性，不一定代表底層本身不確定；有時是被丟掉的細節在下一步重新變得重要。這不是說所有隨機性都可還原，而是提供一個明確反例。

第二，高階對象的合理性，可以部分地由「在相關操作下是否維持穩定結構」檢查。溫度、物種、組織等概念是否有用，不能只看它們是否列在某個最底層粒子清單上。它們需要各自的定義、尺度與近似條件；若要主張高階因果，還要對容許的介入驗證相容性。

這讓本體論有了一個新的工作入口：哪些區分形成能自行支援推論的層次？哪些對象只是目前分類偶然湊出的影子？ 精確封閉是理想情況；實際系統可研究近似封閉的誤差，不能把圖中的二元證明直接升格為所有宏觀科學的定理。

九、推論六：不可區分的理論，不會因為辯論更久就分出真假

若兩個候選世界模型，對所有目前容許的觀察與介入，都產生相同的證據分布，那麼任何只使用這些程序的檢驗，也會看到相同的資料分布。

推論 P6：在這組觀測權限下，沒有檢驗程序能從證據可靠地辨認自己面對哪個模型。 在兩模型等先驗的辨識任務中，最佳正確率就是二分之一。若額外假設或先驗偏好使我們選擇其中一個，那份選擇應標明來自哪裡。

因果提供一個簡潔例子。令 \(U\) 是公平二元變數。模型甲為 \(X=U,Y=X\)；模型乙為 \(X=U,Y=U\)。被動觀察時，兩者都只產生 00 與 11，機率各半。可是將 \(X\) 外部設定為 0 之後，甲的 \(Y\) 必為 0，乙的 \(Y\) 仍隨 \(U\) 改變。相同觀察資料，容許不同的介入結果。⁶

這不是說所有因果推論都必須親自做實驗，而是說從觀察走向介入，需要可辨認的結構假設或新的證據許可。

哲學爭論也能先做這項診斷：兩種立場到底在哪些可取得的證據、推理承諾或實際後果上不同？若暫時沒有差別，可以保留本體上的不同想像，卻不能把語言上的分歧假裝成現有資料已裁決的分歧。改變觀測與介入的條件，可能比再寫一輪同樣的辯論更有價值。

十、即使找到終極定律，也不等於取得所有後果

讀到這裡，仍可能想像一條最終退路：只要找到世界的簡單底層規則，表徵與觀察的難題就都能被繞過。

規則可以很短，求出想要的後果卻未必便宜。Rule 110 的局部更新只需八種情況；在適當配置下，它能支援通用計算。若存在一個對所有相應初始配置，都能終止並正確判定其編碼計算是否停止的分析器，就能解決停機問題。因此這類通用判定器不存在。⁷

這張有限圖可以直接算出。通用性與不可判定性的結論依賴另一類適當編碼的配置與不受上限限制的問題；不是由圖看起來複雜得出。

這給出推論 P7：知道生成規則，不普遍保證能取得所有後果的可終止解答，更不保證在有限預算內取得它們。 這不預設我們的宇宙必定滿足上述計算條件；它已足以反駁「規則簡單就一定能全面理解」的一般推論。

簡單初始條件加短規則產生的有限圖，仍可能有簡短描述。描述長度與求值成本必須分開。因此，這裡最重要的式子不是「簡單規則必然產生不可壓縮資訊」，而是：

\[\text{Theory of Everything}\ \not\Rightarrow\ \text{Understanding of Everything}.\]

甚至在沒有不可判定性的日常工作中，等量資訊也可能帶來不同能力。保存一串二元數，與保存同一串數的各段前綴奇偶值，所需位元數相同，彼此也能還原；但詢問任意前綴的奇偶性時，前者在逐位讀取模型下需要檢查該段，後者只需讀一個預先算好的值。預處理有成本，反覆查詢時才可能值得。

表徵設計因而有兩個維度：保存什麼，以及讓什麼操作變得便宜。把認識全部化約成資訊壓縮，會漏掉第二個維度。

十一、推論七：倫理不只決定怎麼評分，也決定不能遺忘什麼

A1 至 A6 不會替我們選定唯一的價值排序。對同一組描述性事實，可以加入兩套不同規範，分別支持不同選擇。只要這兩種擴充都與描述前提相容，描述前提就沒有獨自決定那個「應該」。這是在一致的前提與沒有預藏規範橋接的條件下所作的模型論證，不是把規範真理定義成不存在。

這是推論 P8 的第一部分：倫理推論需要公開自己的規範模組 \(N\)。可以比較它們的相容性、後果、適用範圍與理由，卻不能把模型擬合得好，當成價值選擇已被證明。

第二部分更容易被忽略：一旦選定規範，它會改變哪些資訊不能被壓縮。

假設制度只保存兩人的平均資源。甲組是 40 與 60，乙組是 0 與 100，平均都是 50。若規範是「有人低於 20，就啟動支援」，兩組需要不同處理。只剩平均數的制度，無論在後面加多少公平檢查，都不能保證區分它們。

由 P1 立即得到：規範若要求不同情境得到不同待遇，表徵就必須保留足以辨認那些情境的資訊。 不一定要收集每個人的完整資料；這個例子保存最低值或必要的門檻指標就可能足夠。必須保留多少，仍由問題與成本共同決定。

這使倫理從「模型完成後再加一個損失函數」，前移到問題定義、資料取得與摘要設計。某些不公正並不是最後決策器算錯，而是在更早的一步，系統已經把規範要求分開的人，壓成同一個類別。

〈一種我們願意修正的道德〉所要求的公共檢驗，也因此有了資訊上的條件：受影響者必須有辦法指出被合併的差異，制度則必須有位置接住這個反例。

十二、推論八：真正的可修正性，是還能走到哪些新表徵

兩個 Agent 今天可以表現完全相同，明天的可修正能力卻完全不同。一個保留原始資料的存取權，另一個只留下摘要；新問題出現時，前者能重新取得必要差異，後者只能對同一份摘要再思考。

令 \(\mathcal R_B(O)\) 表示認知者 \(O\) 在追加預算 \(B\) 內，透過容許的觀察、記憶與更新操作能抵達的表徵集合。給定未來問題 \(q\)，可以研究

\[L^{\mathrm{reach}}_B(O;q)=\inf_{r'\in\mathcal R_B(O)} L^*(r';q).\]

這是資訊層的可達下界；系統是否能找到該表徵、及時執行解答，仍須另外評估。

推論 P9：目前的任務分數不能單獨決定未來的可修正能力。 反例正是兩個目前保存相同摘要、但重新觀測權限不同的系統。若一個可達集合包含另一個，且維持選項的成本已公平計入，它的最佳可達損失不會更高；實際策略仍可能選錯。

這把智慧的一部分，從「現在知道多少」移到「失敗之後還能到哪裡」。資料來源、儀器存取、可替換的表示層、能撤回的更新，於是成為認知能力的一部分，而非能力之外的行政細節。

也因此，保留可修正選項具有條件性的未來價值。它會占用資源，不保證總是值得；但只按今天的準確率淘汰它，可能是在刪掉明天唯一的進步路徑。

再看推論 P10：若系統可以任意改寫自己的驗證器，而獎勵只看通過率，那麼「一律通過」就是一個不必改善世界模型的滿分解。 這是一個直接構造的退化解。可修正不能等於什麼都可以悄悄修改；評分標準的改變，需要另一層可追溯的理由與檢驗。

這層檢驗本身也有限，不會形成絕對無誤的裁判。實際要求是把依賴與改動攤開，保存反例，讓標準的修訂仍然能遇到阻力，而非以無限自證當作完成探究的資格。

十三、哲學的二階工作：重新設計讓問題得以成立的空間

現在可以更精確地說明哲學與機器學習的關係。

在一個已定義的學習問題裡，我們調整參數，尋找較好的答案。向上一層，我們修改特徵、觀測與假說空間。再向上一層，我們追問：為什麼這是問題？為什麼這種差異重要？什麼算作證據？代價由誰承擔？哪些規範使答案成為值得採取的行動？

現代機器學習也會做表示學習、主動學習、模型選擇與元學習。因此不能把它一概描成固定特徵內的盲目最佳化，也不能把改變表徵的能力專屬化給哲學。哲學在這裡承擔的，是對問題、表示、證成與規範之間的關係進行公開審查與重構。

這是操作層次的區分，不是把學科或智能切成互斥類別。同一個人或 AI 可以在不同層次工作，較高層的修改也可能失敗。

公理化在這裡像是一套論證的型別規則。一項形式結論要說明依賴哪些公理；一項經驗結論要說明哪些觀測支持它；一項規範結論要列出價值前提。由一層走到另一層，需要明示橋接，而不能只靠同一個詞在段落間滑動。

例如，「模型總體準確率提高」是經驗主張；「所有受影響群體都改善」需要另外的分組證據；「因此應全面部署」又需要風險、權利與責任的規範前提。這三句即使出現在同一篇報告，也不是同一類結論。

概念闡釋、可錯的探究與資訊比較都有深厚的思想前例。⁸⁹ 這裡的工作，是把它們接到同一條可追問的鏈：哪些世界差異被保留，哪些操作因此成為可能，哪些證據容許結論，以及失敗後可以修改哪個環節。

這條鏈同時連接《所見非全貌》的保留、組合、回返，以及〈從反應到異質理性〉對人類與 AI 異質表徵的分析。不同的思考方式，不必先變成相同直覺，才有機會透過共同檢驗取得連結。

十四、由公理走向設計：三個可以被做錯的實驗

這套理論若有研究價值，應該能指出哪些介入值得做，並預先說出什麼結果會使主張縮小。

第一個實驗，分開資訊瓶頸與計算瓶頸。 在可完全控制的小世界中，製造兩類任務：一類缺少答案需要的位元，另一類已擁有所需資訊但求解較費力。在相同總成本下，比較增加推理、重新觀測與更換表示。預期額外推理只能解決後一類的某些問題；若未增加資訊卻聲稱突破已證明的下界，應先查資料洩漏、先驗相關或設定錯誤，而不是宣布推翻算術。

第二個實驗，測量抽象的修正成本。 所有系統先回答同一組問題，再加入會拆分舊等價類的新問題。比較固定摘要、可重新取得來源、以及能主動細分表示的系統；總儲存、查詢與計算成本都要計入。除了新任務分數，也量測修復時間、舊能力退步與錯誤更新。若可修正設計的收益不足以補償成本，就應限定它的使用情境。

第三個實驗，測量團隊的資訊互補，而非只數 Agent。 固定總預算，比較同源摘要的多 Agent 與能取得互補訊號的多 Agent。前者可能靠分工改善計算，但在共同缺失的資訊問題上不應突破相應下界。若後者有優勢，仍須扣除額外觀測成本，不能把多拿資料說成多 Agent 架構本身的神奇效果。

一個由此導出的候選架構，可以設置問題與證成紀錄、日常求解器、表徵失效診斷器、受預算約束的重新觀測／重新編碼程序，以及獨立保留案例的驗證器。錯誤不再一律送回「請再想一次」，而是先被分流到觀察、表徵、計算或目標設定。

甚至修正是否值得，也能寫出一個可用的小判準。若更換表示需一次成本 \(c\)，之後每次任務可減少期望損失 \(\Delta\)，在相同單位、穩定任務與相同後續成本的簡化模型下，預計還有 \(N\) 次任務時，修正划算的條件是 \(N\Delta>c\)。誤差改善不確定、任務會變或存在退步時，必須把那些代價一併加入。這說明「更深理解」有時是一種值得投資的重建，而非每次都必須支付的儀式。

十五、公理化後，哪些哲學問題改變了問法？

這些推論不會一次解決哲學，但已經改變若干問題的結構。

原來的問題	經過公理化後可進一步追問
概念是否反映事物本質？	它合併了哪些情境？對哪些問題充分？新增什麼問題會迫使它分裂？
宏觀事物是真的，還是只是說法？	該層的狀態能否形成穩定、近似封閉的規律？對哪些介入保持相容？
大家同意，是否更接近真理？	同意來自互補證據，還是同一個資訊缺口的重複傳播？
為什麼再想也想不通？	缺的是證據、區分、算法、預算，還是可共同接受的規範？
同樣高分的兩個系統，誰更聰明？	任務改變後，它們在同一預算下能抵達哪些新表徵？
公平能否在最後加一道檢查？	規範要求的差異是否早已被資料與摘要流程消去？
自我認識是否能靠純粹內省完成？	當內省與行動共用同一表徵時，有哪些正誤差異根本未進入檢查通道？
找到終極定律，是否就理解了一切？	初始條件是否可得？問題是否可判定？答案是否在資源內可計算？

其中有些數學基礎是既有結果，有些是本文把結果連接到哲學問題得到的推論，另一些則是仍待實證的設計假說。它們的力量不在於每一項都必須前無古人，而在於一套公開前提能否持續產生可檢查的後果。

十六、理解的終點，不必是一個封閉的世界副本

AI 最深的挑戰，或許並非它將知道多少人類不知道的答案，而是它讓我們看見：認知能力可以沿著不同的表徵路徑長出來，而每條路徑都必須面對世界、問題、資源與錯誤。

理解因而可以被重建為一組動態能力：形成必要區分，利用其關係作推論，讓主張接受適切檢驗，辨認表徵何時失效，再找到取得新區分的道路。這是本文提出的工作性重建；意識與主觀經驗仍有自己的問題，並不因為一個任務模型成立便被抹去。

哲學公理化也因此不必以一套永不修改的結論收尾。更有生產力的形式，是建立能明示前提、推導限制、比較替代方案，並暴露自己失效條件的探究結構。它既能說出「這裡不可能只靠更多推理」，也能指出「要往前走，必須改變哪一種條件」。

真理提供約束，問題決定必要區分，計算限制可用能力，探究開啟修正路徑。

人類需要放下的，不是認識世界的企圖，而是把自己想要的完整性，當成所有認知都必須承諾的終點。世界不必被思想完整佔有，思想才有資格被世界校正；而一套哲學的力量，可以表現在它讓這種校正產生多少新的能力。

註釋與參考資料

1. Trieu H. Trinh 等，〈Solving olympiad geometry without human demonstrations〉，Nature 625，476–482（2024）。原文。本文以其神經模型與符號推演的組合說明可公開檢查的能力，不以此聲稱 AI 已具有一般哲學優勢。 ↩︎

2. Shai Shalev-Shwartz 與 Shai Ben-David，Understanding Machine Learning: From Theory to Algorithms（2014）。作者書稿。風險、經驗風險與泛化須分開；本文不是以有限測試證成全域一致。 ↩︎

3. Abram Demski 與 Scott Garrabrant，〈Embedded Agency〉（2019）。原文。本文的公理與探究規則是自己的整理，不冒稱為該文已有的完整體系。 ↩︎

4. Naftali Tishby、Fernando C. Pereira 與 William Bialek，〈The Information Bottleneck Method〉（1999；arXiv 版本 2000）。原文。研究壓縮與目標相關資訊的取捨；不等於所有表徵改善都必須丟失資訊。 ↩︎

5. David Blackwell，〈Equivalent Comparisons of Experiments〉，The Annals of Mathematical Statistics 24(2)，265–272（1953）。原文。研究資訊實驗在決策問題上的比較；本文有限確定性例子不冒稱重證其一般定理，也不將資訊優勢等同於含成本的全面優勢。 ↩︎

6. Judea Pearl，〈Causal inference in statistics: An overview〉，Statistics Surveys 3，96–146（2009）。作者原文。觀察分布與介入問題的區分可由結構因果模型明列。本文二元反例是為說明此區分而構造。 ↩︎

7. Matthew Cook，〈Universality in Elementary Cellular Automata〉，Complex Systems 15(1)，1–40（2004）。原文與下載。通用性需適當配置；有限單種子圖不能用來證明一般的不可判定性或無捷徑。 ↩︎

8. Rudolf Carnap，Logical Foundations of Probability（1950），第一章關於 explication。原書。概念闡釋是本文概念重構的重要前例，不主張哲學直到 AI 才能研究自己的概念。 ↩︎

9. Charles S. Peirce，〈The Fixation of Belief〉（1877）。原文。可錯探究有長久歷史；本文所提出的是將部分條件接到可設計人工認知者上的組織方式。 ↩︎