價值耦合智能論 01

智能不只是一種能力：從數學發現差異開始

摘要

當人工智慧開始進入研究級數學領域，一個新的問題逐漸浮現：如果兩個智能體都具備很強的推理、證明、搜尋與工具使用能力，它們是否必然會產生相近的數學發現？

本文提出否定性的初步答案。

數學智能不應只被表示為單一能力標量。對開放問題而言，智能體必須決定探索哪些方向、容忍一條不完整路徑多久、何時尋找反例、何時切換方法、哪些失敗值得繼續研究，以及什麼樣的結果值得投入有限計算資源。這些決策並非單純由「推理能力」決定，而可能受到價值偏好、認識論氣質、注意力分布、歷史上下文與停止條件共同影響。

因此，能力提高未必直接改變研究方向；在某些情況下，更高能力甚至可能使原有的搜尋偏好被更有效地執行。

本文將此問題暫時表達為「價值耦合智能」問題：

其中智能能力 (C) 只是決定行動策略 $\pi$ 的變數之一。

核心問題：

智能決定一個系統能做什麼，是否還存在另一組變數，決定它實際願意往哪裡走？

關鍵詞

人工智慧、數學發現、價值函數、探索、反駁、認識論氣質、注意力、行動策略、AI for Mathematics、價值耦合智能

一、當 AI 開始「做研究」，能力問題開始變質

早期討論人工智慧數學能力時，問題通常是「它會不會算？」；後來變成「能不能解競賽數學？」、「能不能生成形式證明？」。進入研究級數學之後，問題再度改變：智能體不只需要解題，還要選擇研究路徑。

近年的研究級 AI 數學系統與公開案例顯示，AI 已逐步參與開放問題、證明搜尋、反例搜尋與算法發現。這表示：

真正的研究智能必須面對：

二、正確率不足以描述數學智能

假設存在兩個智能體 (A) 與 (B)，傳統數學能力非常接近：

但研究問題沒有唯一搜索路徑。智能體仍必須決定：先證明還是先找反例、是否引入新定義、是否跨領域尋找工具、一條缺少引理的證明值得繼續多久、找到反例後是結束還是研究反例結構，以及一條低成功率但高潛在價值的路徑是否值得投入。

因此不能只用 (C) 描述研究行為。

三、從能力到搜尋策略

設數學問題目前狀態為 (s)，智能體的候選行動為：

研究智能真正需要的是：

即「目前下一步做什麼」。即使兩個智能都知道所有方法，也可能有 $\pi_A\neq\pi_B$，因此產生完全不同的研究軌跡。

四、研究能力的一部分是「不搜尋什麼」

有限智能必須剪枝：

所以研究者的特色不只由探索的分支構成，也由過早刪掉的分支構成。

五、數學創造牽涉模糊容忍

研究者常不知道猜想究竟是真是假、缺失的是引理還是定義、反例是偶然還是整個反例族、當前問題是不是問錯了。因此研究級數學需要在未閉合狀態中持續運作。

六、認知閉合成為研究變數

高閉合傾向可能加快決策與收斂，也可能過早接受第一個可辯護答案、降低搜尋分支多樣性、太早淘汰奇怪但有價值的方案，或把「現在沒有證明」誤判成「不值得再研究」。

七、生成與驗證可能是不同功能

多個 AI 科學／數學系統都採用：

而不是要求每個新候選在出生時就立即達到最終證明標準。

八、能力增加不一定改變搜尋方向

提出本文的第一個形式化命題：

能力提高 $C\rightarrow C'$ 不必然導致價值方向改變。若 (V,A,H) 大致穩定，更高能力可能只是更有效率地實現既有偏好。

九、更聰明，不一定更願意探索

高度審慎的智能，能力提高後可能從「這好像不可靠」進化成精準找出反例、定位失效條件、整理大量風險並正式證明原路線失敗。它確實更聰明，但方向仍可能是：

因此：

十、價值不只是倫理價值

本文的 (V) 主要指智能體認為哪些認知狀態、行動與結果更值得追求，例如：

十一、個性可能不是輸出語氣，而是搜尋偏置

更合理的模型不是：

而可能是：

十二、研究型 AI 評估需要更多維度

未來可能需要測量 Exploration Diversity、Persistence、Failure Recovery、Branch Switching Threshold、Novelty Preference，而不能只看 Accuracy 或 Proof Success Rate。

十三、第一個價值耦合智能模型

其中 (R) 表示能否反過來修改自己的判斷、注意力、搜尋策略與停止條件。

十四、限制

本文不主張某一家 AI 因為比較樂觀所以數學一定更強，也不主張悲觀模型無法產生新數學。真正需要研究的是：

十五、結論

能力決定智能有資格進入的可能空間 $\Omega_C$，但真正走出的軌跡 $\tau$ 還受到 $V,A,H,\pi$ 共同影響。