title: "多維認知轉導與形式化不對稱理論" subtitle: "理解、推理、表達、形式化與驗證之間的分層模型" english_title: "Multidimensional Cognitive Transduction and Formalization Asymmetry Theory" version: "v0.1" date: "2026-07-26" status: "通用理論初稿" language: "zh-TW"

多維認知轉導與形式化不對稱理論

理解、推理、表達、形式化與驗證之間的分層模型

摘要

日常語言經常把理解力、邏輯能力、形式化能力、表達能力與證明能力視為同一條單軸能力。然而，實際認知表現顯示，一個主體可能非常擅長辨識語義差異、發現論證異常、建立全局結構、審查形式模型，卻在從零產生完整符號系統、長鏈局部推導或機器可驗證證明時承受極高成本。相反地，另一個主體可能熟練操作形式語言與證明工具，卻不一定能察覺其形式化對象本身是否錯誤、過窄或遺漏關鍵變量。

本文提出「多維認知轉導與形式化不對稱理論」（Multidimensional Cognitive Transduction and Formalization Asymmetry Theory, MCTF）。本理論將認知活動拆分為六個主要平面：感知輸入、內部表徵、推理轉換、外部編碼、形式校驗與回饋修正。每一平面都由多個相對獨立的能力維度構成，彼此之間透過轉導介面連接。可見產出不是內部理解的直接映射，而是經過表示壓縮、媒介轉換、線性序列化、局部記帳、工具熟練與注意力成本後形成的結果。

MCTF 特別區分六組常被混淆的能力：理解與表達、邏輯感知與邏輯生成、全局一致性與局部合法性、錯誤辨識與正確構造、概念形式化與機器形式化、語義忠實性與語法合法性。本文提出形式化不對稱、轉導瓶頸、輸出媒介特異性、審查—生成分離、平行—線性壓縮及工具增幅等概念，並將人工智慧重新定位為認知編譯器，而非簡單的思考替代者。

本理論可應用於個體認知研究、教育評量、AI Agent 設計、人機協作、數學與程式形式化、研究人才培養，以及對傳統智力與能力分類的修正。本文亦提出可操作的認知轉導矩陣、測量協議、可證偽命題與研究議程。

關鍵詞： 認知轉導、形式化、邏輯能力、語義感知、表達不對稱、人機協作、認知編譯器

一、研究問題

1.1 傳統單軸模型的錯誤

常見能力判斷隱含以下假設：

\text{理解} \Rightarrow \text{推理} \Rightarrow \text{表達} \Rightarrow \text{形式化} \Rightarrow \text{證明}

這種模型將後一項視為前一項的自然延伸。

然而，實際情況更接近：

\text{理解} \not\Rightarrow \text{低成本表達}

\text{邏輯感知} \not\Rightarrow \text{完整形式構造}

\text{能辨識錯誤} \not\Rightarrow \text{能快速生成正確系統}

\text{符號熟練} \not\Rightarrow \text{形式化對象正確}

因此，需要將認知能力從單一尺度改為多維結構。

1.2 核心問題

本文試圖回答：

為何高理解能力可能伴隨高形式輸出成本？
為何能審查形式化錯誤，卻不一定能快速從零形式化？
為何自然語言、架構、數學與機器證明的輸出能力會高度不均？
為何 AI 能顯著提升形式輸出，卻不一定提升語義判斷？
如何建立不依賴人格類型或單一智力分數的能力分類？
如何測量人類與 AI 的轉導瓶頸？

二、基本定義

2.1 認知轉導

認知轉導是指內部狀態在不同表示與媒介之間的轉換。

完整流程為：

X \xrightarrow{\mathcal{I}} M \xrightarrow{\mathcal{R}} N \xrightarrow{\mathcal{E}} Y \xrightarrow{\mathcal{V}} Y^* \xrightarrow{\mathcal{F}} M'

其中：

$X$ ：外部刺激或問題；
$\mathcal{I}$ ：輸入解析；
$M$ ：內部語義模型；
$\mathcal{R}$ ：推理與重組；
$N$ ：準備輸出的內部表示；
$\mathcal{E}$ ：外部編碼；
$Y$ ：可見產物；
$\mathcal{V}$ ：校驗；
$Y^*$ ：校驗後產物；
$\mathcal{F}$ ：回饋修正；
$M'$ ：更新後內部模型。

2.2 轉導瓶頸

若某一介面的轉換成本明顯高於其他介面，則稱為轉導瓶頸。

例如：

\operatorname{Cost} \left( M_{\mathrm{semantic}} \rightarrow Y_{\mathrm{formal}} \right) \gg \operatorname{Cost} \left( M_{\mathrm{semantic}} \rightarrow Y_{\mathrm{natural}} \right)

則此主體具有語義—形式轉導瓶頸，而不能簡化為「表達差」。

2.3 形式化不對稱

形式化不對稱是指以下能力之間存在顯著差距：

形式錯誤感知；
形式模型審查；
形式模型生成；
逐步證明構造；
機器形式語法。

令：

F = \left( F_d,F_a,F_g,F_p,F_m \right)

其中：

$F_d$ ：形式缺陷辨識；
$F_a$ ：形式忠實性審查；
$F_g$ ：形式系統生成；
$F_p$ ：證明序列構造；
$F_m$ ：機器形式化。

一般模型錯誤地假設：

F_d \approx F_a \approx F_g \approx F_p \approx F_m

MCTF 則預測它們可高度不對稱。

三、六平面認知模型

3.1 感知輸入平面

感知輸入不是單純接收資訊，而包含至少六個維度。

語義解析度

能否區分相近概念：

\text{相似} \neq \text{等價} \neq \text{同構}

關係解析度

能否辨識：

包含；
依賴；
生成；
約束；
排斥；
替代；
投影；
時序。

異常敏感度

能否在明顯錯誤發生前察覺：

\Delta_{\mathrm{structure}} \neq 0

隱含前提恢復

能否識別一個論證暗中使用了哪些未聲明條件。

時間深度

能否同時理解：

來源；
當前狀態；
後續結果；
反向前置條件。

跨域接收廣度

能否在不同學科材料中維持有效理解，而不只辨識名詞。

可將輸入能力表示為：

\mathcal{I} = \left( i_s,i_r,i_a,i_h,i_t,i_c \right)

3.2 內部表徵平面

主體接收到資訊後，不一定以語句保存，而可能形成：

語義網路；
空間結構；
因果圖；
動態場；
多層模型；
模糊整體感；
符號序列；
動作傾向。

令內部模型為：

M = \left( S,R,C,T,U \right)

其中：

$S$ ：狀態；
$R$ ：關係；
$C$ ：約束；
$T$ ：轉換；
$U$ ：不確定性。

不同主體可能對同一問題建立不同形式的內部模型。兩個主體即使可得出相同答案，其內部表示也未必相同。

3.3 推理轉換平面

推理不是一種單一運算，而是多種算子的組合。

局部演繹

p ,\quad p\Rightarrow q \vdash q

全局一致性判斷

判斷整體模型是否互相相容。

抽象化

從案例中提取共同結構。

分解

將複雜問題拆成較小子問題。

組合

將多個局部模型重新連接。

類比轉移

將一個領域的關係投影到另一領域。

反例搜尋

主動尋找破壞模型的情況。

模型切換

依問題改用不同表徵或邏輯。

推理向量可表示為：

\mathcal{R} = \left( r_l,r_g,r_a,r_d,r_c,r_x,r_f,r_m \right)

其中全局結構推理 $r_g$ 與局部演繹 $r_l$ 可以彼此獨立。

3.4 外部編碼平面

內部模型必須被轉換成外部可讀形式。

輸出媒介至少包括：

\mathcal{E} = \left( e_n,e_v,e_g,e_s,e_m,e_p,e_c \right)

其中：

$e_n$ ：自然語言；
$e_v$ ：視覺或圖示；
$e_g$ ：關係圖與架構；
$e_s$ ：資料結構與 Schema；
$e_m$ ：數學記號；
$e_p$ ：證明文本；
$e_c$ ：機器程式或形式語言。

同一主體在不同媒介上的能力可以極度不均。

因此：

\text{OutputAbility} \neq \text{SingleScalar}

而是：

O = (O_n,O_v,O_g,O_s,O_m,O_p,O_c)

平行—線性壓縮

高維內部模型通常具有同時性，但語言與證明是線性的。

令內部圖為：

G=(V,E)

外部文本為：

L=(t_1,t_2,\ldots,t_n)

序列化需要建立：

\sigma:G\rightarrow L

並維持：

依賴順序；
指涉一致；
前提可見；
不遺失重要關係；
不產生循環定義。

這個轉換本身可成為主要成本來源。

3.5 校驗平面

校驗能力至少包含五種。

語義忠實性

形式產物是否仍表達原始概念？

結構完整性

是否遺失層級、關係、方向或邊界？

邏輯合法性

推導是否有效？

形式語法合法性

符號、型別、量詞與語法是否符合形式系統？

實證一致性

模型是否符合觀察與數據？

表示為：

\mathcal{V} = \left( v_s,v_g,v_l,v_f,v_e \right)

其中，語義審查能力可以很高，而機器語法校驗能力相對普通。

3.6 回饋修正平面

成熟認知不止輸出和校驗，還要根據結果修正內部模型。

M_{t+1} = \mathcal{F} \left( M_t,Y_t,V_t,E_t \right)

修正能力包括：

接受反例；
修改定義；
重排前提；
廢棄模型；
保留失敗版本；
切換表示；
調整工具分工。

缺少回饋修正時，強理解或強形式能力都可能退化為封閉系統。

四、六組核心不對稱

4.1 理解—表達不對稱

主體可以擁有高解析度內部模型，卻因媒介轉換成本而輸出簡化內容。

Q_{\mathrm{internal}} > Q_{\mathrm{external}}

這不代表內部模型必然正確，只表示可見產物可能低估理解。

4.2 辨識—生成不對稱

辨識錯誤通常只需確認：

x\notin\mathcal{V}

而生成正確解需要搜尋：

x^* \in \mathcal{V}

且滿足所有約束。

因此：

\operatorname{RecognitionCost} < \operatorname{GenerationCost}

在許多高維問題中尤其明顯。

4.3 全局—局部不對稱

全局推理能判斷整體不可能成立，但未必能立即指出每一個局部錯誤。

形式證明則要求：

\forall i,\quad s_i\Rightarrow s_{i+1}

因此：

\operatorname{GlobalCoherence} \neq \operatorname{LocalProofConstruction}

4.4 語義—形式不對稱

一個形式系統可能語法合法，但形式化錯了對象。

\operatorname{WellFormed}(F) = 1

不代表：

\operatorname{Faithful}(F,M) = 1

反之，語義模型可能很強，卻尚未被轉為完整形式。

4.5 概念形式化—機器形式化不對稱

概念形式化需要：

定義；
型別；
關係；
不變量；
約束。

機器形式化還需要：

特定語法；
函式庫；
Tactic；
編譯；
型別錯誤處理；
工具工程。

因此：

F_{\mathrm{conceptual}} \neq F_{\mathrm{machine}}

4.6 生成—審查不對稱

某些主體更適合作為：

架構生成者；
形式審查者；
反例搜尋者；
證明編碼者；
工具驗證者。

高效系統不應要求同一主體在所有角色中同樣強。

五、形式化層級

形式化不能只分為「有」與「沒有」。

L0：語義區分

明確區分相近概念。

L1：定義與作用域

定義對象、邊界與適用範圍。

L2：型別與關係

說明哪些對象可互動，以及互動關係。

L3：約束與不變量

明確保存條件、禁止條件與合法狀態。

L4：算子與方程

使用函數、算子或方程描述轉換。

L5：公理與定理系統

建立可推導的命題體系。

L6：證明序列

逐步建立局部合法推導。

L7：機器可驗證形式

在特定形式系統中通過驗證。

因此個體或智能體的形式化能力可以表示為：

\mathbf{F} = (F_0,F_1,\ldots,F_7)

而不是單一分數。

六、認知轉導成本模型

輸出品質可表示為：

Q_j = f \left( I,R,M,K_j,N_j,W_j,A_j,V_j \right)

其中：

$I$ ：輸入解析；
$R$ ：推理能力；
$M$ ：內部模型品質；
$K_j$ ：轉換到媒介 $j$ 的效率；
$N_j$ ：媒介記號熟練度；
$W_j$ ：工作記憶與記帳負擔；
$A_j$ ：注意力與耐力成本；
$V_j$ ：校驗能力。

對形式輸出：

Q_{\mathrm{formal}} = f \left( M, K_{\mathrm{formal}}, N_{\mathrm{symbol}}, W_{\mathrm{proof}}, V_{\mathrm{formal}} \right)

因此即使 $M$ 很高，只要：

K_{\mathrm{formal}} \text{ 或 } N_{\mathrm{symbol}}

較低，輸出仍會費力。

七、工具與 AI 的角色

7.1 工具不是單純替代能力

工具可以降低特定轉導介面的成本。

令無工具成本為：

C_j

使用工具後：

C'_j = C_j-\Delta C_j

AI 對形式化最常降低：

記號搜尋；
定義排序；
引理拆分；
樣板生成；
局部記帳；
語法修復；
函式庫搜尋；
格式轉換。

7.2 AI 作為認知編譯器

合理流程是：

M_{\mathrm{semantic}} \xrightarrow{\mathrm{AI}} F_{\mathrm{candidate}} \xrightarrow{\mathrm{semantic\ audit}} F_{\mathrm{revised}} \xrightarrow{\mathrm{formal\ checker}} F_{\mathrm{verified}}

AI 負責轉寫與候選生成，人類或另一智能體負責語義忠實性，形式工具負責語法與證明合法性。

7.3 工具增幅不代表原能力不存在

若一個主體依靠 AI 才能高效形式化，不能直接推論其邏輯能力弱。

應檢查：

他能否提出正確不變量；
能否辨識 AI 形式化偏離；
能否指出缺少變量或邊界；
能否修正模型；
能否判斷形式合法但語義錯誤的情況。

八、認知角色分類

MCTF 不使用固定人格類型，而使用任務角色。

8.1 語義解析者

擅長細緻概念區分。

8.2 異常偵測者

擅長發現結構不一致與隱含缺口。

8.3 全局建模者

擅長建立整體關係與長程一致性。

8.4 局部推導者

擅長長鏈逐步演繹。

8.5 形式架構師

擅長定義型別、公理、算子與不變量。

8.6 證明工程師

擅長將數學推理轉為完整證明序列。

8.7 機器形式化者

擅長 Lean、Coq、Isabelle 等工具。

8.8 語義審查者

擅長判斷形式產物是否忠於原問題。

8.9 實證校驗者

擅長用資料與實驗約束模型。

單一主體可以同時扮演多種角色，但不應假設所有角色能力相等。

九、個體與智能體表徵

認知能力應表示為矩陣：

\mathbf{C} = \begin{bmatrix} \mathbf{I}\\ \mathbf{M}\\ \mathbf{R}\\ \mathbf{E}\\ \mathbf{V}\\ \mathbf{F} \end{bmatrix}

更具體地：

\mathbf{C} = \left[ \begin{array}{cccc} i_s&i_r&i_a&i_t\\ m_s&m_g&m_d&m_u\\ r_l&r_g&r_x&r_f\\ e_n&e_g&e_m&e_c\\ v_s&v_l&v_f&v_e\\ f_0&f_2&f_4&f_7 \end{array} \right]

這張矩陣可用於：

個體能力分析；
AI 模型比較；
人機分工；
教育設計；
團隊配置；
Agent 路由。

十、測量協議

10.1 同題多表示測試

選擇同一個熟悉命題，要求依序產生：

自然語言說明；
概念關係圖；
型別化 Schema；
算子模型；
公理與引理；
人類可讀證明；
機器可驗證證明。

記錄：

時間；
主觀負荷；
錯誤數；
語義損失；
需要工具的位置；
審查他人版本的正確率；
中途修改本體的次數。

10.2 生成—審查分離測試

分別測量：

從零生成形式模型；
審查他人模型；
修復錯誤模型；
比較兩個模型；
找出缺失條件。

若審查顯著高於生成，即存在審查—生成不對稱。

10.3 全局—局部測試

比較：

判斷整體是否成立；
找出最小錯誤步驟；
補完缺失引理；
逐步建立完整證明。

10.4 工具增幅測試

分為：

無工具；
一般搜尋；
AI 協助；
形式驗證器；
AI 加形式驗證器。

評估每種工具對不同介面的增幅，而不是只比較最終答案。

十一、教育與訓練含義

11.1 不應把形式輸出慢誤判為理解不足

教育評量若只看最終符號輸出，可能低估：

語義解析；
異常感知；
全局模型；
形式審查。

11.2 應分開訓練表示轉換

訓練應包括：

自然語言
↔ 關係圖
↔ Schema
↔ 方程
↔ 證明
↔ 程式

重點不是只學更多記號，而是練習保持語義不變量。

11.3 應允許角色互補

高效團隊可以由：

概念建模者
＋ 形式架構師
＋ 證明工程師
＋ 機器驗證器
＋ 實證審查者

共同完成，而不是要求單一人包辦全部。

十二、AI Agent 設計含義

12.1 Agent 能力描述不應只有 Benchmark 分數

Agent Profile 應包含：

{
  "semantic_resolution": 0.0,
  "anomaly_detection": 0.0,
  "global_modeling": 0.0,
  "local_deduction": 0.0,
  "formal_generation": 0.0,
  "formal_audit": 0.0,
  "machine_formalization": 0.0,
  "empirical_validation": 0.0
}

12.2 動態任務路由

不同任務交給不同 Agent：

a^* = \arg\max_a \operatorname{Fit} \left( \mathbf{C}_a, \mathbf{T} \right)

其中：

$\mathbf{C}_a$ ：Agent 能力矩陣；
$\mathbf{T}$ ：任務需求向量。

12.3 多 Agent 編譯鏈

推薦流程：

Semantic Agent
→ Structural Agent
→ Formalization Agent
→ Proof Agent
→ Machine Checker
→ Semantic Auditor

若機器證明通過但語義審查失敗，產物不得被視為正確。

十三、可證偽命題

命題一

在控制一般智力與領域知識後，形式錯誤辨識能力與從零形式生成能力之相關性應顯著低於一。

命題二

高全局一致性判斷者不一定具有同等高的局部證明構造能力。

命題三

同題多表示測試會顯示個體在不同輸出媒介間存在穩定且可重複的不對稱。

命題四

AI 輔助對符號序列化與局部記帳的增幅，會高於對語義異常感知的增幅。

命題五

由「語義建模者＋形式工程師＋機器驗證器」組成的協作系統，其語義忠實性與形式合法性的聯合表現，會高於要求單一主體完成全流程的系統。

命題六

只使用形式證明通過率評估認知能力，會系統性低估高語義審查、低形式生成的主體。

十四、限制

MCTF 目前仍有以下限制：

各能力維度尚未建立標準量表；
內部表徵不能被直接觀測；
高審查能力可能依賴領域經驗，而非一般能力；
工具熟練度與認知能力難完全分離；
自陳負荷可能不可靠；
AI 系統的內部表示與人類不必同構；
能力矩陣可能隨任務、動機、疲勞與環境變化。

因此，本理論主張的是分層與多維測量，而不是固定能力本質論。

十五、結論

多維認知轉導與形式化不對稱理論提出：

理解、推理、表達、形式化與驗證不是單一能力鏈，而是多個平面透過高成本介面連接的認知系統。

其基本模型為：

\boxed{ \text{輸入解析} \rightarrow \text{內部表徵} \rightarrow \text{推理轉換} \rightarrow \text{外部編碼} \rightarrow \text{多層校驗} \rightarrow \text{回饋修正} }

因此，一個主體可以同時具備：

高語義解析；
高異常感知；
高全局結構推理；
高形式審查；

卻在：

線性符號序列化；
長鏈局部記帳；
機器形式語法；

承受較高成本。

這不是矛盾，而是不同能力維度與轉導介面的自然不對稱。

未來的教育、人才分類與 AI 系統設計，不應再問：

這個主體的邏輯能力高不高？

而應問：

它在哪一種表示中理解？
它擅長哪一種推理？
它能透過哪些媒介輸出？
哪一個轉導介面形成瓶頸？
它能審查哪一類錯誤？
哪些工具可以降低轉換成本？
哪些角色應由其他人或其他 Agent 補足？

真正成熟的認知系統，不要求每個主體在所有媒介中同樣強，而是能辨識、保存並編排不同能力，使內部理解在不失真的條件下被轉換成可驗證產物。

多維認知轉導與形式化不對稱理論_MCTF_v0.1