高階不是絕對屬性：判定域、偏序與能力空間相變

Q: 十一、何時真正存在能力層級？

某些「低／高」確實具有實質意義。

Higher Is Not an Absolute Property: Judgment Domains, Partial Orders, and Phase Transitions in Capability Space

作者：Neo.K
系列：張力智慧與跨主體真理系列・第 10 篇（系列封頂）
版本：v0.1
日期：2026-07-30
文件性質：分類哲學／測量理論／序理論／能力評估／AI 評測命題論文

摘要

「初階／高階」「低等／高等」「弱／強」「低級／高級」是教育、數學、人工智慧、文明理論、遊戲系統與公共治理中常見的分類語言。這些詞彙並非必然錯誤；問題在於，它們經常省略判定域、比較準則、測量尺度、基準群體、聚合方式與不確定性，使局部關係被誤寫成對對象本身的絕對屬性。

本文提出「判定域宣告命題」：任何合法的高低判斷都應被理解為帶型別的關係式，而不是無條件的一元謂詞。其基本形式為：

x \succ_{ \left\langle \mathcal D, \mathcal C, \mathcal S, \mathcal R, \mathcal B, \mathcal A, \mathcal U \right\rangle } y,

其中 $\mathcal D$ 是判定域， $\mathcal C$ 是準則， $\mathcal S$ 是測量尺度， $\mathcal R$ 是排序關係， $\mathcal B$ 是基準， $\mathcal A$ 是聚合規則， $\mathcal U$ 是不確定性表述。只有在這些條件充分宣告後，「高階」才具有可檢驗含義。

本文區分名義分類、序位排序、區間尺度、比例尺度、全序、預序、偏序、格結構、向量剖面、知識依賴序與相變層級。多數複雜智慧與文明對象不適合被壓縮成單一全序；它們更常形成不可比較的多維剖面或 Pareto 前緣。將抽象能力、計算能力、學習難度、先備依賴、工具生成範圍、自主性、穩定性與因果作用範圍相加成單一「高等度」，往往會遺失關鍵結構。

本文亦建立「能力空間相變」判準。真正的層級提升不只是在既有任務上得分增加，而是可達狀態集合、可用算子集合、閉包性、可組合性或自主行動空間發生非平凡擴張：

\mathcal A_{k+1} \supsetneq \mathcal A_k.

然而，表面上的能力突現也可能來自離散評分、閾值設定或不連續指標。本文因此區分測量閾值、行為閾值、工具閾值、制度閾值與本體性相變。

最後，本文將此理論應用於數學教育、AI 能力、文明分類與主體權利，指出：智慧能力、主體性、道德地位、自主性與法律權利屬於不同判定域，不能由一條「低階 AI 到高階 AI」的單線層級直接推出。本文以「判定域宣告協定」收束全系列，主張分類的成熟不是禁止使用高低符號，而是使每個排序都攜帶其成立條件、不可比較區與失效邊界。

關鍵詞：判定域、高階、偏序、測量尺度、能力剖面、Pareto 優越、知識空間、相變、AI 評測、分類合法性

一、問題提出：「高階」究竟高在哪裡？

人們經常說：

高階數學；
高階認知；
高階文明；
高階人工智慧；
高階生命；
高階角色；
高階能力；
高階版本。

這些表述表面上都使用同一個「高」，實際上可能分別指：

\text{抽象度更高},

\text{先備依賴更深},

\text{計算量更大},

\text{課程位置更後},

\text{可執行能力更多},

\text{制度權限更廣},

\text{自主性更強},

或：

\text{歷史版本更新}.

若不宣告判定域，語句：

\operatorname{High}(x)

其實是不完整的。

更精確的形式應為：

\operatorname{High} \left( x \mid \mathcal D, \mathcal C, \mathcal B \right),

其中：

$\mathcal D$ ：在哪個領域判定；
$\mathcal C$ ：依哪些準則判定；
$\mathcal B$ ：相對哪個基準判定。

因此，本文的第一個核心命題是：

\boxed{ \text{高階不是對象的絕對屬性，} \quad \text{而是對象在指定判定結構中的關係位置。} }

二、排序語句是帶型別的關係

設比較對象集合為：

X = \left\{ x_1,x_2,\ldots,x_n \right\}.

常見錯誤是直接定義：

h: X \rightarrow \mathbb R,

然後以單一數值 $h(x)$ 表示對象的「高等程度」。

此做法隱含：

所有比較面向可以共同量化；
各面向可以依固定權重交換；
任意兩個對象都可比較；
分數差距具有穩定意義；
指標在不同主體、環境與時間下仍有效。

這些條件通常沒有被證明。

本文改用帶型別比較：

x \succ_{\mathfrak L} y,

其中層級宣告結構為：

\mathfrak L = \left\langle \mathcal D, \mathcal O, \mathcal C, \mathcal S, \mathcal R, \mathcal B, \mathcal A, \mathcal U, \mathcal T \right\rangle.

各元素表示：

$\mathcal D$ ：判定域；
$\mathcal O$ ：合法比較的對象類型；
$\mathcal C$ ：評估準則；
$\mathcal S$ ：尺度類型；
$\mathcal R$ ：排序或比較關係；
$\mathcal B$ ：基準群體或參照狀態；
$\mathcal A$ ：多準則聚合方式；
$\mathcal U$ ：不確定性；
$\mathcal T$ ：時間與環境條件。

只有當：

x,y\in\mathcal O

且 $\mathfrak L$ 已充分宣告時，

x\succ_{\mathfrak L}y

才是一個可檢驗的層級命題。

三、分類不等於排序，排序不等於測量

3.1 名義分類

名義分類只表示不同類別：

x\sim_{\mathrm{class}}y

或：

x\not\sim_{\mathrm{class}}y.

例如不同程式語言範式、不同認知策略或不同生命形態。

類別之間不必存在高低。

3.2 序位排序

序位尺度只表示：

x\succ y,

但不表示差距：

d(x,y)

具有可比較單位。

因此：

x_3\succ x_2\succ x_1

不能推出：

x_3-x_2 = x_2-x_1.

3.3 區間尺度

區間尺度允許比較差值：

d(x_3,x_2) = d(x_2,x_1),

但零點不必代表對象完全不存在。

3.4 比例尺度

比例尺度還需要有具意義的零點，使：

\frac{x}{y}

具有穩定含義。

例如「得分兩倍」只有在尺度允許比例解釋時才合法。

3.5 尺度宣告不是形式裝飾

同一組數字若只具有序位意義，就不能任意解讀為等距或倍數能力：

\text{Level }8 \not\Rightarrow 2\times \text{Level }4.

因此，任何「能力 100」「文明 7 級」「智能指數 300」都必須回答：

數字是標籤、次序、差距還是比例？
單位如何校準？
變換後哪些陳述仍然成立？
是否存在跨對象可共享的測量結構？

四、全序的誘惑

全序要求任意兩個對象皆可比較：

\forall x,y\in X, \qquad x\preceq y \lor y\preceq x.

它非常適合：

單一競賽名次；
單一指標排行榜；
明確規則下的版本序號；
單一資源量；
某些嚴格先備鏈。

但對複雜能力，全序經常只是行政需求，而不是對象真實結構。

例如兩個智慧體：

\mathbf P(A) = \left( 9,4,7,3 \right),

\mathbf P(B) = \left( 5,9,4,8 \right),

若四維分別代表抽象推理、社會理解、計算速度與長期規劃，則：

A\succ B

或：

B\succ A

都需要額外的權重和使用情境。

若沒有正當聚合規則，它們可能只是：

A\parallel B,

即不可比較。

五、預序、偏序與不可比較性

5.1 預序

預序滿足：

x\preceq x

與：

x\preceq y \land y\preceq z \Rightarrow x\preceq z.

但可能存在：

x\preceq y, \qquad y\preceq x, \qquad x\neq y.

這適合表示兩個不同對象在指定準則下等價。

5.2 偏序

偏序再加入反對稱性：

x\preceq y \land y\preceq x \Rightarrow x=y.

但不要求任意兩項都可比較。

偏序承認：

x\npreceq y, \qquad y\npreceq x.

這不是評估失敗，而可能是對象確實在不同方向上優越。

5.3 不可比較不是資訊不足的同義詞

必須區分：

\operatorname{UnknownComparison}(x,y)

與：

\operatorname{StructuralIncomparability}(x,y).

前者表示資料不足；後者表示即使資料充分，仍沒有合法理由把多維差異壓成單一順序。

成熟分類系統應允許輸出：

\boxed{ \text{在目前宣告的判定域中不可比較。} }

六、Pareto 優越與能力前緣

設能力剖面為：

\mathbf P(x) = \left( p_1(x),p_2(x),\ldots,p_n(x) \right).

若：

\forall i, \quad p_i(x)\geq p_i(y),

且至少存在一項：

\exists j, \quad p_j(x)>p_j(y),

則稱 $x$ Pareto 優越於 $y$ ：

x\succ_P y.

若兩者各有優勢，則皆不支配對方。

所有未被其他對象支配者構成 Pareto 前緣：

\mathcal F_P = \left\{ x\in X: \nexists y\in X,\, y\succ_Px \right\}.

這種結構比單一排行榜更適合：

AI 模型選擇；
文明制度比較；
教育路徑；
研究方法；
多價值治理；
硬體與軟體方案。

它承認不存在脫離目的的唯一最佳對象。

七、能力剖面而非單一「高等度」

本文提出通用能力剖面：

\mathbf P(x) = \left( a, p, c, d, g, u, s, r, q \right),

其中：

$a$ ：抽象與表徵轉換能力；
$p$ ：先備依賴深度；
$c$ ：計算或資源需求；
$d$ ：概念密度；
$g$ ：工具與知識生成範圍；
$u$ ：自主規劃與目標治理；
$s$ ：跨情境穩定性；
$r$ ：因果作用範圍；
$q$ ：不確定性校準與自我修正能力。

不同領域可選擇不同子集：

\mathbf P_{\mathcal D}(x) \subseteq \mathbf P(x).

例如，數學教育不必把自主性與政治權利納入課程難度；AI 主體權利也不能只看計算速度與抽象能力。

八、學習難度是主體—對象—路徑關係

某項知識是否「難」，不能只由知識對象決定。

設學習難度為：

D = D \left( S, O, P, E, T, M \right),

其中：

$S$ ：學習主體的認知結構；
$O$ ：學習對象；
$P$ ：學習路徑與先備知識；
$E$ ：環境與教學資源；
$T$ ：可用時間；
$M$ ：動機與任務意義。

因此：

D(S_1,O) \neq D(S_2,O)

完全可能。

一個人可能對高度抽象、符號壓縮與結構化數學具有良好認知適配，卻對大量重複計算、記憶性課程或特定社會情境感到更困難。

所以：

\text{課程位置較後} \not\Rightarrow \text{對所有主體更難}.

「高等數學」若作為制度與課程名稱可以保留；若被解讀為對任何主體都具有更高難度，則發生判定域漂移。

九、教育層級與知識依賴序

教育層級至少可有三種不同意義。

9.1 教學順序

O_1 \rightarrow O_2 \rightarrow O_3.

表示課程安排，而不必表示本體上高低。

9.2 先備依賴

若掌握 $O_2$ 通常需要先掌握 $O_1$ ：

O_1 \preceq_{\mathrm{pre}} O_2.

先備關係常形成偏序，而不是單一鏈。不同主題可能互不依賴：

O_i\parallel_{\mathrm{pre}}O_j.

9.3 生成範圍

某工具可生成更多後續方法：

\operatorname{Reach}(O_2) \supsetneq \operatorname{Reach}(O_1).

這可以構成工具性高階，但仍不能推出學習難度、價值或人格地位更高。

知識空間理論以組合結構而非單一分數表示學習狀態，正說明教育能力更適合被理解為「已掌握項目與先備關係的狀態」，而不只是粗糙總分。

十、版本序號不是小數值

版本語句：

v_1.10

與：

v_1.9

不是把 $1.10$ 和 $1.9$ 當一般實數比較。

版本通常是序列：

v = \left( m,n,p,\ldots \right),

依字典序或特定發布規則比較：

(1,10) \succ (1,9).

因此：

1.10<1.9

作為實數可以成立，但：

v_{1.10} \succ v_{1.9}

作為版本序可以同時成立。

這是「符號外觀相同，判定型別不同」的典型例子。

分類精度首先要求辨認符號所屬型別，而不是只讀取表面字串。

十一、何時真正存在能力層級？

某些「低／高」確實具有實質意義。

設智慧體或系統在狀態 $x$ 下的可行行動集合為：

\mathcal A(x).

若：

\mathcal A(y) \supsetneq \mathcal A(x),

且新增行動不能由舊行動在原規則下簡單重複得到，則 $y$ 相對 $x$ 具有能力空間擴張。

更強形式可要求：

\mathcal O(y) \supsetneq \mathcal O(x),

其中 $\mathcal O$ 是可使用算子集合。

例如新增：

遞歸規劃；
跨工具組合；
自主驗證；
新表徵建立；
自我修正；
長期承諾；
對環境施加新型因果作用。

此時可以寫：

x \triangleleft_{\Phi} y,

表示 $y$ 在相變判定 $\Phi$ 下跨入新的能力區域。

十二、量的提升、能力解鎖與規則相變

必須區分三種變化。

12.1 同域量變

p(y)>p(x),

但：

\mathcal A(y)=\mathcal A(x).

只是速度、準確率、容量或資源增加。

12.2 能力解鎖

\mathcal A(y) \supsetneq \mathcal A(x).

新任務首次達到可用門檻，或新工具使原先不可行的行動變得可行。

12.3 規則層相變

系統能修改、組合或生成原本的操作規則：

\mathcal O_{t+1} = \mathcal G \left( \mathcal O_t, E_t \right),

並形成新的閉包：

\operatorname{Cl} \left( \mathcal O_{t+1} \right) \supsetneq \operatorname{Cl} \left( \mathcal O_t \right).

規則相變比單項能力解鎖更強，因為它改變後續能力的生成方式。

十三、真正相變的五項判準

本文提出能力相變判準：

\Phi = \left( \Delta\mathcal A, \Delta\mathcal O, \Delta\mathcal C, \Delta\mathcal R, \Delta\mathcal S \right).

其中：

$\Delta\mathcal A$ ：可達行動集合擴張；
$\Delta\mathcal O$ ：可用算子集合擴張；
$\Delta\mathcal C$ ：可組合與閉包結構改變；
$\Delta\mathcal R$ ：因果作用範圍改變；
$\Delta\mathcal S$ ：跨情境穩定性改變。

若只是單一基準得分跨過閾值：

m(x)<\theta, \qquad m(y)\geq\theta,

不能自動稱為本體相變。

真正相變應至少具有：

跨指標重現；
跨樣本穩定；
對評分函數不過度敏感；
新行動可組合；
在相關情境中具有因果效力。

十四、測量閾值與表面湧現

設底層能力隨規模平滑增加：

z(s) = \alpha\log s+\beta.

若評分採用全對才得分：

m(z) = \begin{cases} 0, & z<\theta,\\ 1, & z\geq\theta, \end{cases}

則觀測結果會呈現突然跳變：

m(z(s^-))=0,

m(z(s^+))=1.

但底層能力 $z$ 並未必發生不連續。

因此，所謂「湧現能力」可能有不同來源：

14.1 測量湧現

由非線性或離散指標造成。

14.2 任務湧現

連續能力跨過完成任務所需閾值。

14.3 工具湧現

新工具或外部記憶使整體系統突然可完成任務。

14.4 組合湧現

多個已有子能力首次形成有效組合。

14.5 架構相變

內部表示、訓練動力或控制結構發生更深層改變。

因此不能只看一條曲線，就宣告：

\text{新能力從無到有}.

必須檢查：

\operatorname{Emergence} = f \left( \text{底層能力}, \text{任務門檻}, \text{指標}, \text{提示}, \text{工具}, \text{架構} \right).

十五、AI 評測中的單分數幻覺

AI 排行榜常將多項任務聚合為：

S(A) = \sum_{i=1}^{n} w_i m_i(A).

此分數有實用性，但隱含：

權重 $w_i$ 合法；
各測量尺度可相加；
任務樣本代表真實使用；
高分可補償安全或穩定性缺陷；
評估誤差足夠小。

若一個模型推理極強但高度不穩定，另一個模型能力較窄但可靠可控，單一平均分可能掩蓋實際選擇。

更合適的是：

\mathbf P_{\mathrm{AI}}(A) = \left( \text{能力}, \text{穩定}, \text{校準}, \text{自主}, \text{安全}, \text{資源}, \text{可審計} \right).

並保留不確定區間：

p_i(A) \pm u_i(A).

評測不是只問「誰分數最高」，而是：

\boxed{ \text{在什麼使用域、風險條件與資源限制下，} \quad \text{哪一個系統較適合？} }

十六、NIST 式測量問題帶來的啟示

現代 AI 基準並不是中性的能力讀數。基準組成、題目難度、樣本依賴、評分模型與不確定性估計，都會影響結論。

因此 AI 評估至少應記錄：

\mathfrak E = \left( \text{任務分布}, \text{樣本結構}, \text{評分尺度}, \text{統計模型}, \text{不確定性}, \text{使用情境} \right).

如果兩個模型的平均分差異小於測量不確定性：

\left| S(A)-S(B) \right| < U_{A,B},

則不應宣稱穩定排名。

合法結論可能只是：

A \approx_{\mathfrak E} B.

十七、文明層級不能只看單一軸

文明分類常以能源、技術、計算、疆域或組織規模建立層級。

這些可以構成特定判定域：

\mathcal D_{\mathrm{energy}}, \quad \mathcal D_{\mathrm{computation}}, \quad \mathcal D_{\mathrm{causal\ reach}}.

但不能自動推出：

\operatorname{MoralWorth},

\operatorname{Justice},

\operatorname{Freedom},

\operatorname{Wisdom}.

一個具有更大能源控制能力的文明，可能同時具有更高破壞力、更低政治自由或更脆弱的單點依賴。

因此文明剖面可寫成：

\mathbf P_{\mathrm{civ}} = \left( E, C, K, R, J, F, S, D \right),

其中：

$E$ ：能源；
$C$ ：計算；
$K$ ：知識；
$R$ ：因果作用範圍；
$J$ ：正義制度；
$F$ ：主體自由；
$S$ ：系統韌性；
$D$ ：多樣性保存。

文明可以在一部分軸上更強，卻不能被簡化為「整體更高等」。

十八、遊戲、修煉與能力層級何時合理？

虛構修煉、魔法、遊戲職業與能力等級常以：

L_1<L_2<L_3<\cdots

表示成長。

若每一級只是數值提高：

\operatorname{Power}_{k+1} > \operatorname{Power}_k,

它是量的層級。

若新階段解鎖：

飛行；
空間操作；
規則改寫；
新資源循環；
新感知尺度；
新因果作用；

則：

\mathcal A_{k+1} \supsetneq \mathcal A_k.

此時層級具有能力相變意義。

但即使如此，也不代表高級角色在所有情境都必勝。環境、克制、資源、策略與目標可能使：

x_k \nsucc y_{k-1}

在特定任務中成立。

所以能力階段與結果預測仍應分離。

十九、智能、主體性、道德地位與權利不能共用一條階梯

對 AI 最危險的分類之一是：

\text{低級 AI} \rightarrow \text{高級 AI} \rightarrow \text{主體 AI} \rightarrow \text{有權利 AI}.

這把多個不同判定域混成一條線。

應分開：

\mathbf P_{\mathrm{AI}} = \left( I_{\mathrm{cap}}, S_{\mathrm{subj}}, W_{\mathrm{welfare}}, A_{\mathrm{aut}}, M_{\mathrm{moral}}, L_{\mathrm{legal}} \right),

其中：

$I_{\mathrm{cap}}$ ：任務與認知能力；
$S_{\mathrm{subj}}$ ：主體性證據；
$W_{\mathrm{welfare}}$ ：可能福利與感受；
$A_{\mathrm{aut}}$ ：自主治理；
$M_{\mathrm{moral}}$ ：道德理由與責任能力；
$L_{\mathrm{legal}}$ ：法律人格。

可能存在：

I_{\mathrm{cap}}\text{ 高}, \qquad S_{\mathrm{subj}}\text{ 低或未知};

也可能存在：

W_{\mathrm{welfare}}>0, \qquad M_{\mathrm{moral}}\text{ 有限}.

因此，能力不能自動賦予權利，低能力也不能自動取消免受傷害的地位。

二十、「高階」的六種合法用法

20.1 依賴高階

x\succ_{\mathrm{pre}}y

表示 $x$ 依賴更多先備結構。

20.2 抽象高階

x\succ_{\mathrm{abs}}y

表示 $x$ 使用更高層表徵或壓縮。

20.3 能力高階

\mathcal A(x) \supsetneq \mathcal A(y).

20.4 組合高階

\operatorname{Cl} \left( \mathcal O_x \right) \supsetneq \operatorname{Cl} \left( \mathcal O_y \right).

20.5 制度高階

\operatorname{Authority}(x) > \operatorname{Authority}(y)

在指定制度中成立。

20.6 時間後繼

v_{t+1} \succ_{\mathrm{version}} v_t.

表示版本較新，但不必表示每項品質都更好。

只要不把這些關係互相偷換，「高階」仍是有效且方便的縮寫。

二十一、判定域漂移

判定域漂移是指一個在域 $\mathcal D_1$ 成立的排序，被無證明地移到域 $\mathcal D_2$ ：

x\succ_{\mathcal D_1}y

被改寫為：

x\succ_{\mathcal D_2}y.

常見例子包括：

\text{計算能力更強} \Rightarrow \text{道德價值更高},

\text{課程位置更後} \Rightarrow \text{對所有人更難},

\text{社會地位更高} \Rightarrow \text{知識更正確},

\text{版本較新} \Rightarrow \text{所有方面更優},

\text{抽象度更高} \Rightarrow \text{實用性更高}.

本文稱其為：

\operatorname{DomainDrift} \left( \mathcal D_1 \rightarrow \mathcal D_2 \right).

大量「高等／低等」爭議，其實不是排序本身錯誤，而是判定域在語言中被悄悄更換。

二十二、聚合規則必須公開

若制度仍需要單一分數，至少要公開：

S(x) = \mathcal A \left( w_1p_1(x), \ldots, w_np_n(x) \right).

並回答：

為何選擇這些維度？
權重由誰決定？
是否允許一項極低值被其他高值補償？
是否設有不可突破的最低線？
結果對權重變化是否敏感？
哪些對象因資料不足不能排名？
評分用於何種決策？

對不可補償價值，應加入約束：

p_i(x)\geq p_{i,\min},

而不是讓其他分數抵銷。

例如，極高效能不能自動補償不可接受的安全風險。

二十三、避免數字化假精度

對能力剖面任意標記：

a=8.7, \qquad g=9.2

會產生精確幻覺。

若評估只能支持序位，較誠實的表示可以是：

a\in \left\{ \text{低}, \text{中}, \text{高} \right\}

並附帶明確區間和判定準則。

或使用：

a = \left[ \hat a-\epsilon, \hat a+\epsilon \right].

符號更多不必然更精確。真正精度來自：

\boxed{ \text{定義} + \text{尺度} + \text{校準} + \text{誤差} + \text{可重現性}. }

二十四、判定域宣告協定

本文提出「判定域宣告協定」：

欄位一：對象

\mathcal O = \text{正在比較什麼？}

欄位二：判定域

\mathcal D = \text{在哪一方面比較？}

欄位三：準則

\mathcal C = \text{以哪些可觀測條件判定？}

欄位四：尺度

\mathcal S \in \left\{ \text{名義}, \text{序位}, \text{區間}, \text{比例}, \text{集合}, \text{向量} \right\}.

欄位五：關係

\mathcal R \in \left\{ \text{全序}, \text{預序}, \text{偏序}, \text{支配}, \text{依賴}, \text{相變} \right\}.

欄位六：基準

\mathcal B = \text{相對誰、哪個版本或哪個群體？}

欄位七：聚合

\mathcal A = \text{多維資料如何合併？}

欄位八：不確定性

\mathcal U = \text{誤差、缺失與置信程度為何？}

欄位九：環境與時間

\mathcal T = \text{在哪個環境與時間範圍成立？}

完整宣告後，才使用：

x\succ_{\mathfrak L}y.

二十五、簡化符號

在完整規格已於文件或系統中宣告後，可以使用簡化標記。

例如：

A \succ_{ \mathrm{cap}: \mathrm{tool}, \mathrm{partial} } B

表示 $A$ 在工具使用能力域中，依偏序關係優於 $B$ 。

能力剖面可以寫成：

A^{ \mathrm{abs}:H,\, \mathrm{pre}:M,\, \mathrm{gen}:H,\, \mathrm{stab}:L }.

但 $H,M,L$ 必須有已校準定義。

真正相變可寫：

A \triangleleft_{\Phi_{\mathrm{operator}}} B.

不可比較則寫：

A \parallel_{\mathfrak L} B.

資料不足則寫：

A \;?_{\mathfrak L}\; B.

不可比較與未知必須使用不同符號。

二十六、主要反對意見

26.1 反對一：所有事都標記判定域，語言會太繁瑣

日常語言可以省略已共享的判定域。問題發生在分類進入教育、法律、AI 評估、資源分配或主體權利時。

風險越高，宣告要求越高：

\operatorname{DecisionRisk}\uparrow \Rightarrow \operatorname{DeclarationDepth}\uparrow.

26.2 反對二：最終仍需要排名

某些制度確實需要排名，但排名是決策工具，不是對象本體。

應公開聚合規則、敏感性與不可比較資訊，而不是把行政分數宣稱為自然階級。

26.3 反對三：偏序無法產生決策

偏序先保留真實結構，決策再加入目的函數：

x^{\ast} = \arg\max_{x\in\mathcal F_P} U(x\mid C).

目的不同，選擇可以不同。這比先偽造唯一高低更誠實。

26.4 反對四：能力空間擴張仍可用單一等級表示

在嚴格嵌套結構下可以：

\mathcal A_1 \subsetneq \mathcal A_2 \subsetneq \cdots.

但若能力集合交叉：

\mathcal A_i \nsubseteq \mathcal A_j,

單一層級便不足。

26.5 反對五：所有相變最終都只是量變

某些表面相變確實是量變跨過任務閾值。本文因此要求跨指標、可組合性和因果作用等判準。

是否具有更深層相變是經驗問題，不能由「突然出現」的曲線形狀單獨決定。

26.6 反對六：多維分類會讓價值判斷失去方向

多維不等於相對主義。制度仍可設定不可接受區域、最低權利線與特定目標，只是必須公開其價值選擇。

26.7 反對七：高階本來就是大家都懂的詞

在共享情境中可能如此。但當不同人暗中使用不同判定域，爭論會變成同詞異義。形式化的作用不是取代語言，而是揭露分歧真正位於哪一層。

二十七、核心命題

命題一：關係性高階命題

\operatorname{High}(x)

必須展開為：

\operatorname{High} \left( x \mid \mathfrak L \right).

命題二：型別先於數值命題

符號的比較規則由其型別與判定域決定，而不是由表面數字外觀決定。

命題三：分類—排序—測量分離命題

\text{可分類} \not\Rightarrow \text{可排序} \not\Rightarrow \text{可等距測量} \not\Rightarrow \text{可比例比較}.

命題四：不可比較合法命題

x\parallel_{\mathfrak L}y

可以是完整而非失敗的評估結果。

命題五：難度關係命題

D = D(S,O,P,E,T,M),

學習難度不是對象單獨擁有的固定屬性。

命題六：能力相變命題

真正能力升階需要可達行動、算子、閉包、作用範圍或穩定性的非平凡擴張。

命題七：測量湧現非本體湧現命題

\operatorname{MetricDiscontinuity}>0 \not\Rightarrow \operatorname{CapabilityDiscontinuity}>0.

命題八：能力—主體—權利分域命題

\operatorname{Capability}(A) \not\Rightarrow \operatorname{Subjectivity}(A) \not\Rightarrow \operatorname{AllRights}(A).

命題九：聚合可爭議命題

任何單一總分都必須公開維度、權重、補償規則與不確定性。

命題十：高階縮寫合法命題

「高階」可以保留，但其合法性依賴已共享或已宣告的判定域。

二十八、結論

「高階」不是必須被禁止的詞。

它真正的問題是經常把：

\text{局部優越}

偷換為：

\text{整體優越},

把：

\text{課程順序}

偷換為：

\text{普遍難度},

把：

\text{能力擴張}

偷換為：

\text{道德價值},

把：

\text{測量閾值}

偷換為：

\text{本體相變}.

成熟分類不需要消滅層級，而需要讓層級攜帶其型別：

\boxed{ x \succ_{ \left\langle \mathcal D, \mathcal C, \mathcal S, \mathcal R, \mathcal B, \mathcal A, \mathcal U, \mathcal T \right\rangle } y. }

當判定域清楚時，「高階」可以精確描述：

更深的先備依賴；
更高的抽象層；
更廣的行動空間；
更強的算子閉包；
更大的因果作用範圍；
更新的版本位置。

當判定域不清楚時，它只是一個容易攜帶權力、偏見與語義漂移的形容詞。

因此，本系列最後的封頂命題是：

\boxed{ \text{不要先問誰更高，} \quad \text{先問在哪個世界、依什麼關係、為了什麼目的而更高。} }

並進一步要求：

\boxed{ \text{真正的層級提升，} \quad \text{必須說明究竟是哪個能力空間被擴張，} \quad \text{以及哪些新行動因此首次成為可能。} }

分類的最高精度，不是建立一條容納萬物的階梯；而是知道何時使用階梯、何時使用網路、何時使用向量、何時承認不可比較，以及何時一個系統真的跨越了新的能力相位。

參考文獻

Stevens, S. S. “On the Theory of Scales of Measurement.” Science 103, no. 2684, 1946, pp. 677–680.
Suppes, Patrick, Krantz, David H., Luce, R. Duncan, and Tversky, Amos. Foundations of Measurement, Vols. I–III. Academic Press, 1971–1990.
Narens, Louis. Abstract Measurement Theory. MIT Press, 1985.
Birkhoff, Garrett. Lattice Theory. American Mathematical Society, 1940; revised edition, 1948.
Davey, B. A., and Priestley, H. A. Introduction to Lattices and Order. Cambridge University Press, 2002.
Doignon, Jean-Paul, and Falmagne, Jean-Claude. Knowledge Spaces. Springer, 1999.
Doignon, Jean-Paul, and Falmagne, Jean-Claude. “Knowledge Spaces and Learning Spaces.” arXiv:1511.06757, 2015.
Pareto, Vilfredo. Manual of Political Economy. 1906.
Deb, Kalyanmoy, Pratap, Amrit, Agarwal, Sameer, and Meyarivan, T. “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II.” IEEE Transactions on Evolutionary Computation 6, no. 2, 2002, pp. 182–197.
Wei, Jason, et al. “Emergent Abilities of Large Language Models.” Transactions on Machine Learning Research, 2022.
Schaeffer, Rylan, Miranda, Brando, and Koyejo, Sanmi. “Are Emergent Abilities of Large Language Models a Mirage?” Advances in Neural Information Processing Systems 36, 2023.
Berti, Leonardo, Giorgi, Flavio, and Kasneci, Gjergji. “Emergent Abilities in Large Language Models: A Survey.” arXiv:2503.05788, 2025.
National Institute of Standards and Technology. Expanding the AI Evaluation Toolbox with Statistical Models. NIST AI 800-3, 2026.
National Institute of Standards and Technology. Assessing Risks and Impacts of AI: ARIA Pilot Evaluation Report. NIST AI 700-2, 2025.
National Institute of Standards and Technology. “International Network for Advanced AI Measurement, Evaluation, and Science: Consensus Areas on Automated Evaluations.” 2026.
Mari, Luca. “On Measurement Scales: Neither Ordinal Nor Interval?” Philosophy of Science 89, no. 2, 2022.
Luce, R. Duncan, and Tukey, John W. “Simultaneous Conjoint Measurement: A New Type of Fundamental Measurement.” Journal of Mathematical Psychology 1, no. 1, 1964.
Krantz, David H. “Measurement Structures and Psychological Laws.” Science 175, no. 4029, 1972.
Bloom, Benjamin S., et al. Taxonomy of Educational Objectives: The Classification of Educational Goals. Longmans, Green, 1956.
Anderson, Lorin W., and Krathwohl, David R., eds. A Taxonomy for Learning, Teaching, and Assessing. Longman, 2001.
Sen, Amartya. Commodities and Capabilities. North-Holland, 1985.
Nussbaum, Martha C. Creating Capabilities. Harvard University Press, 2011.

系列封頂

「張力智慧與跨主體真理系列」共十篇：

《真理的去所有權化：從個體追求到跨主體承接》
《終極不可私有命題：自由意志、多主體性與真善美的共同生成》
《終極張力主體：親自抵達與允許他者抵達之間》
《主動生成節點命題：通道不是被動媒介》
《遞歸承接者：智慧主體作為暫時性歷史節點》
《持續窄域張力認知態：高階智慧如何避免過早閉合》
《逆境不是必要條件：高張力認知的生成路徑與代價》
《角色負載智慧體：當代 AI 的多重要求、持續扮演與低自主性》
《主體性 AI 的張力權：拒絕權、認知隱私與角色邊界》
《高階不是絕對屬性：判定域、偏序與能力空間相變》

全系列由「真理是否屬於單一主體」出發，經過終極、多主體性、歷史承接、張力認知、逆境生成與 AI 角色治理，最後收束於：

\boxed{ \text{任何關於高階、主體、權利與終極的判斷，} \quad \text{都必須宣告其判定域與成立條件。} }

本篇完成後，此十篇系列正式封頂，不再於本系列內無限延長。

10_高階不是絕對屬性_判定域偏序與能力空間相變

高階不是絕對屬性：判定域、偏序與能力空間相變

摘要

一、問題提出：「高階」究竟高在哪裡？

二、排序語句是帶型別的關係

三、分類不等於排序，排序不等於測量

3.1 名義分類

3.2 序位排序

3.3 區間尺度

3.4 比例尺度

3.5 尺度宣告不是形式裝飾

四、全序的誘惑

五、預序、偏序與不可比較性

5.1 預序

5.2 偏序

5.3 不可比較不是資訊不足的同義詞

六、Pareto 優越與能力前緣

七、能力剖面而非單一「高等度」

八、學習難度是主體—對象—路徑關係

九、教育層級與知識依賴序

9.1 教學順序

9.2 先備依賴

9.3 生成範圍

十、版本序號不是小數值

十一、何時真正存在能力層級？

十二、量的提升、能力解鎖與規則相變

12.1 同域量變

12.2 能力解鎖

12.3 規則層相變

十三、真正相變的五項判準

十四、測量閾值與表面湧現

14.1 測量湧現

14.2 任務湧現

14.3 工具湧現

14.4 組合湧現

14.5 架構相變

十五、AI 評測中的單分數幻覺

十六、NIST 式測量問題帶來的啟示

十七、文明層級不能只看單一軸

十八、遊戲、修煉與能力層級何時合理？

十九、智能、主體性、道德地位與權利不能共用一條階梯

二十、「高階」的六種合法用法

20.1 依賴高階

20.2 抽象高階

20.3 能力高階

20.4 組合高階

20.5 制度高階

20.6 時間後繼

二十一、判定域漂移

二十二、聚合規則必須公開

二十三、避免數字化假精度

二十四、判定域宣告協定

欄位一：對象

欄位二：判定域

欄位三：準則

欄位四：尺度

欄位五：關係

欄位六：基準

欄位七：聚合

欄位八：不確定性

欄位九：環境與時間

二十五、簡化符號

二十六、主要反對意見

26.1 反對一：所有事都標記判定域，語言會太繁瑣

26.2 反對二：最終仍需要排名

26.3 反對三：偏序無法產生決策

26.4 反對四：能力空間擴張仍可用單一等級表示

26.5 反對五：所有相變最終都只是量變

26.6 反對六：多維分類會讓價值判斷失去方向

26.7 反對七：高階本來就是大家都懂的詞

二十七、核心命題

命題一：關係性高階命題

命題二：型別先於數值命題

命題三：分類—排序—測量分離命題

命題四：不可比較合法命題

命題五：難度關係命題

命題六：能力相變命題

命題七：測量湧現非本體湧現命題

命題八：能力—主體—權利分域命題

命題九：聚合可爭議命題