個體不是集合的殘差：普通人到極端個體的連續影響光譜

The Individual Is Not the Residual of the Collective: A Continuous Spectrum of Influence from Ordinary to Extreme Individuals

作者：Neo.K
系列：多尺度去崇拜與因果歸因框架｜第 2 篇
版本：v1.0 草案
日期：2026 年 8 月

摘要

在宏觀歷史、制度分析與複雜系統建模中，大量普通個體經常被壓縮為「人民」、「工人」、「研究共同體」、「使用者」、「士兵」、「市場參與者」或其他集合節點。這種壓縮在計算與敘事上具有必要性，卻同時造成一個長期問題：一旦集合被當成主要分析單位，單一普通人的局部作用、橋接作用、維持作用、加速作用、阻止作用與偶發 gate 作用便容易消失；與此同時，少數被高度記錄的極端個體則可能因可見度、名聲與後續敘事累積而被賦予超過其實際反事實作用的中心地位。

本文提出「連續個體影響光譜」（Continuous Individual Influence Spectrum, CIIS）作為多尺度因果覆蓋框架的第二層。其核心主張不是「人人同樣重要」，也不是「普通人其實都是隱藏偉人」，而是：普通與極端不是兩種本體類型，而是個體在特定任務、尺度、時間、領域與反事實條件下所形成的多維分布位置。

本文將個體影響表示為條件化向量，而非單一總分；並區分直接貢獻、gate／瓶頸作用、反事實必要性、時間加速、傳播作用、維持與恢復作用、可替代性、符號可見度與觀測充分度。本文借鑑 Shapley value 對合作情境中邊際貢獻的處理、Myerson value 對網路約束合作的延伸，以及個體反事實因果歸因研究，但同時指出：任何「功勞分配值」都不是歷史真實本身，尤其在路徑依賴、資料缺失、高階交互與不可重演世界線中，歸因只能是帶有模型假設與不確定區間的估計。

本文進一步將「普通個體」重新定義為參考分布中的非尾端位置，而非無影響者；將「極端個體」定義為某些影響維度上的尾端事件，而非具有跨維度神聖性的特殊本體。如此可同時避免兩種錯誤：把普通人集合化到不可見，以及把極端個體的一項卓越外推為全面不可替代。

關鍵詞： 普通人、極端個體、HSNRD、Leviathan、多尺度因果覆蓋、Shapley value、Myerson value、反事實歸因、Matthew effect、歷史可見度、個體影響光譜

1. 問題提出：普通人為什麼總在模型裡消失？

設一個集合：

C=\{i_1,i_2,\ldots,i_n\}.

在宏觀分析中，我們往往直接研究：

\Phi(C),

例如：

一個國家的總體產出；
一支軍隊的戰力；
一個研究共同體的知識生產；
一個市場的價格行為；
一個社會運動的集體作用；
一個軟體社群的總體維護能力。

這是合理的。

問題在於，如果模型只保存：

\Phi(C),

卻不保存：

\{\mathbf I_{i_1},\mathbf I_{i_2},\ldots,\mathbf I_{i_n}\},

則單一個體會變成集合函數的殘差。

也就是：

i_k \longrightarrow \text{member of }C \longrightarrow \text{statistically negligible}.

這種壓縮對大量普通個體尤其嚴重。

極端個體通常會因為：

文件更多；
職位更高；
成果署名；
制度授權；
媒體報導；
後世傳記；
獎項與紀念；

而被保留下來。

普通個體則經常只剩：

\text{population count},

而不是：

\text{individual causal trace}.

因此，本篇第一條原則是：

\boxed{ \text{個體屬於集合，不代表個體可以被集合完全替代。} }

2. 普通與極端不是兩種本體

傳統敘事容易建立：

\mathcal P= \{ \text{ordinary people}, \text{great people} \}.

本文拒絕把這種分類當成本體論。

更合理的是：

\forall i\in\mathcal P,\qquad \mathbf I_i\in\mathbb R^m.

每一個人都位於同一個多維影響空間，只是位置不同。

因此：

\text{ordinary}

不是：

I_i=0,

而只是說，在指定參考集合與指定投影下， $i$ 沒有落在分布極端尾部。

同理：

\text{extreme individual}

也不是「超越一般人的特殊本體」，而是：

P(E_j\ge E_i\mid j\in R)\le\epsilon,

其中：

$E_i$ ：在指定任務與權重下的影響投影；
$R$ ：參考人口；
$\epsilon$ ：尾端門檻。

所以一個人可以在數學創造上是極端個體：

E_i^{(\text{math})}\gg \bar E,

但在政治治理、道德判斷、工程執行或人際理解上完全不是。

這導出本系列反崇拜框架的一個重要基礎：

\boxed{ \text{某一座標的極端值} \nRightarrow \text{整個人格空間的極端值}. }

3. 個體影響必須是條件化向量

本文定義個體 $i$ 的影響狀態為：

\mathbf I_i(q,s,t,d,g) = ( D_i, G_i, K_i, A_i, P_i, M_i, R_i, S_i, O_i ).

其中條件為：

$q$ ：任務；
$s$ ：尺度；
$t$ ：時間窗口；
$d$ ：領域；
$g$ ：目標或評價結果。

各維度如下。

3.1 直接貢獻 $D_i$

個體直接產生了什麼可識別變化。

例如：

寫出一段程式；
完成一個證明步驟；
修復一台設備；
提供一項決策；
執行一個救援動作。

3.2 Gate／瓶頸作用 $G_i$

個體是否位於某條不可忽略的路徑上。

一個人的總產出可能不大，但如果：

\operatorname{remove}(i) \Rightarrow \text{critical path disconnected},

則：

G_i\gg0.

3.3 反事實作用 $K_i$

定義：

K_i(Y) = D(W,W_{\neg i}),

其中：

$W$ ：實際世界線；
$W_{\neg i}$ ：沒有個體 $i$ 時的反事實世界線；
$D$ ：世界線距離。

$K_i$ 越大，表示移除該個體後結果改變越大。

3.4 時間加速 $A_i$

即使結果最後仍會出現：

P(Y\mid \neg i)\approx1,

仍可有：

A_i = T(Y\mid \neg i) - T(Y\mid i).

一個人未必是唯一原因，卻可能把某件事提前十年。

3.5 傳播作用 $P_i$

有些個體不創造原始成果，卻負責：

解釋；
教學；
翻譯；
傳播；
標準化；
接入另一社群。

這些角色可能使：

\operatorname{Reach}(X)

大幅增加。

3.6 維持作用 $M_i$

歷史敘事偏愛「創造」。

但大量系統依靠：

維護；
校正；
重複執行；
防錯；
備援；
照護；

才沒有崩潰。

因此：

\text{maintaining a state}

本身就是因果作用。

若沒有維持者：

Y_t\rightarrow Y_{t+1}

可能根本不能成立。

3.7 可替代性 $R_i$

本文採用：

R_i^{-1}

作為不可替代性的一個粗略代理。

若一個角色有大量同等候選者：

R_i\gg0.

若需要非常特殊的知識、位置、信任、時機或能力：

R_i\ll1.

3.8 符號可見度 $S_i$

這不是實際影響，而是：

\text{後世看見此人的程度}.

本系列將堅持：

S_i\neq K_i.

3.9 觀測充分度 $O_i$

表示我們實際知道多少。

因此低估計值可能來自：

I_i\text{ small},

也可能只是：

O_i\text{ small}.

兩者不可混淆。

4. 集體效果不是個體效果的簡單總和

集合 $C$ 的作用不應簡化為：

Y(C)=\sum_{i\in C}I_i.

更一般地：

Y(C) = \sum_i a_i + \sum_{i<j}\gamma_{ij} + \sum_{i<j<k}\gamma_{ijk} +\cdots.

其中：

\gamma_{ij}

表示兩個人共同存在時才產生的交互作用。

例如：

一個提出想法；
一個辨認價值；
一個實作；
一個取得資源；

任一個單獨存在都不足以得到結果。

因此：

Y(\{a,b,c,d\}) \gg Y(\{a\}) + Y(\{b\}) + Y(\{c\}) + Y(\{d\}).

這表示：

\boxed{ \text{集體湧現不能被完整還原成獨立個體功勞。} }

但反過來也不能因此把所有個體壓成「集體」。

真正需要保存的是：

\text{individual terms} + \text{interaction terms}.

5. Shapley 式邊際貢獻：可借鑑，但不是歷史真理

合作賽局中的 Shapley value 提供一個重要直覺：

對每個參與者 $i$ ，考察其加入不同 coalition 時產生的邊際變化，再對可能的加入次序平均。

形式上：

\phi_i(v) = \sum_{S\subseteq N\setminus\{i\}} \frac{|S|!(n-|S|-1)!}{n!} \left[ v(S\cup\{i\})-v(S) \right].

這比直接平均分配：

\frac{v(N)}{n}

更接近「個體在不同合作條件中的作用」。

但是，本文明確拒絕：

\phi_i=\text{真實歷史功績}.

原因包括：

歷史 coalition 並非任意可形成；
個體不是可自由交換的 player；
時序會改變結果；
路徑依賴很強；
很多反事實 coalition 從未可能存在；
高階交互可能無法可靠估計；
歷史資料不完備。

所以 Shapley value 在這裡是：

\boxed{\text{attribution lens}}

而不是：

\boxed{\text{ontological truth}}.

6. 從 Shapley 到 Myerson：關係拓撲不能被忽略

若所有人都可以任意合作，Shapley 型模型尚可成立。

但現實不是完全圖。

令：

G=(V,E)

表示互動網路。

很多 coalition 即使在人數上可能，也因為不存在：

通信；
信任；
地理連接；
組織關係；
語言接口；
技術相容；

而無法真正形成。

Myerson 類方法的重要啟示，就是：

\boxed{ \text{個體價值與其所在關係拓撲共同決定。} }

因此，一個普通人的影響可能主要來自：

\text{position},

而不是：

\text{raw capability}.

某個能力普通的人，若恰好是兩個系統唯一可信橋樑：

G_i\gg0.

而某個能力非常強的人若位於完全可替代的高密度群中，其全域不可替代性可能低得多。

7. 普通人的七種「非偉人型作用」

若只搜尋「重大創造」，普通人當然大量消失。

本文提出至少七種需要保留的作用型態。

7.1 局部改善型

全域：

I_i^{global}\approx0,

但局部：

I_i^{local}>0.

例如只改善一個工作站、一間教室、一個家庭、一條流程。

7.2 橋接型

本人不創造兩端內容，卻連接：

A\leftrightarrow B.

7.3 維持型

沒有明顯「事件」，但持續避免系統退化。

7.4 阻止型

某件壞事「沒有發生」。

傳統歷史對：

Y=0

的正貢獻非常難記錄。

例如：

\text{事故被提前修正} \Rightarrow \text{沒有事故新聞}.

結果越成功，歷史痕跡反而可能越小。

7.5 種子型

只提供一個微小信息：

\epsilon

卻被另一個高增益節點放大。

7.6 加速型

不是不可替代，但減少：

\Delta T.

7.7 韌性型

在主節點失效後接管功能。

這類個體平時可能完全不起眼，只有在：

\text{failure regime}

才顯示價值。

所以：

I_i

本來就應該依賴狀態。

8. 極端個體也應被保留，而不是被「去偉人化」抹平

反崇拜最容易走向另一種錯誤：

既然歷史是集體的，所以沒有真正極端個體。

本文拒絕這個推論。

在人類能力與影響分布中，完全可能存在：

i^*

使：

D_{i^*}, K_{i^*}, A_{i^*}, P_{i^*}

在參考集合中同時位於極端尾部。

如果資料支持：

P(E_j\ge E_{i^*})\ll1,

則模型應誠實標記其極端性。

真正的反崇拜不是：

E_{i^*}\rightarrow\bar E.

而是拒絕：

E_{i^*}^{(d_1)} \gg \bar E

自動推出：

E_{i^*}^{(d_2)}, E_{i^*}^{(d_3)}, E_{i^*}^{(d_4)} \gg \bar E.

也就是：

\boxed{ \text{保留差異，拒絕神格外推。} }

9. Matthew effect：可見度會自己累積

科學社會學中的 Matthew effect 提醒我們：

已經具有聲望的人，可能更容易獲得：

關注；
引用；
資源；
職位；
後續曝光。

因此可建立：

S_i(t+1) = S_i(t) + \alpha S_i(t) + \beta Q_i(t) + \eta_i,

其中：

$S_i$ ：既有可見度；
$Q_i$ ：當期成果；
$\eta_i$ ：機會、運氣與外生因素。

這意味著：

S_i

可能具有正回饋。

所以最後我們看到的歷史名聲，不只是：

S_i=f(Q_i),

而可能是：

S_i=f(Q_i,S_i^{past},network,institution,luck,\ldots).

這也解釋為什麼：

\boxed{ \text{Recognition} \neq \text{Contribution}. }

兩者相關，但不是同一變量。

10. 個體反事實歸因必須允許多原因交互

如果事件 $Y$ 同時受到：

X_1,X_2,\ldots,X_m

影響，就不能永遠問：

哪一個才是真正原因？

更合理的是分析：

P(Y_{x}\mid E)

以及不同原因組合的交互。

近年的個體反事實歸因研究也明確處理「對單一個體做因果歸因」以及「多原因共同與交互作用」問題。

對本框架而言，這提供一個重要提醒：

\boxed{ \text{individual attribution} \neq \text{single-cause mythology}. }

可以對單一個體保留因果估計，

同時承認：

Y

是多因、多層、多尺度產物。

11. 不確定性不是缺陷，而是歷史模型的一部分

對極端人物，我們可能擁有大量文件：

O_i\approx1.

對普通個體：

O_j\ll1.

如果直接比較點估計：

\hat I_i>\hat I_j,

很容易把觀測不平等當成作用不平等。

因此應使用：

\mathbf I_i \in [ \mathbf I_i^-, \mathbf I_i^+ ].

或更一般地：

P(\mathbf I_i\mid E_i,M).

其中：

$E_i$ ：現存證據；
$M$ ：模型與假設。

若證據不足，正確輸出應是：

\text{unknown},

而不是：

0.

所以：

\boxed{ \text{不可見不是零影響； 不可恢復也不是可以自由幻想。} }

這兩條必須同時成立。

12. HSNRD 中的修正：集合節點不能刪除成員痕跡

在 HSNRD 類型化系統中，集合節點仍然必要。

例如：

C=\text{research community}.

但新版要求：

C \neq \operatorname{erase}(\{i_1,\ldots,i_n\}).

更合理的資料結構是：

C= ( V_C, E_C, \Gamma_C, \Phi_C ),

其中：

$V_C$ ：成員節點；
$E_C$ ：關係；
$\Gamma_C$ ：交互與湧現項；
$\Phi_C$ ：集合層狀態。

因此可以同時問：

這個共同體做了什麼？

以及：

某個普通成員在其中做了什麼？

而不必把其中一題消滅。

13. 「普通人」應該成為相對尺度概念

同一個人可以同時是：

\text{global ordinary},

\text{local extreme}.

例如：

I_i(\text{world history})\approx0,

但：

I_i(\text{specific project})\gg0.

甚至：

I_i(\text{family network})\gg0.

因此：

\boxed{ \text{ordinary} = \text{relative location in a chosen reference space}. }

不是人格評價。

這也意味著未來高階 AI 若有更大的多尺度記憶與因果圖能力，可能比傳統人類敘事更容易保留：

I_i^{micro}, I_i^{meso}, I_i^{macro}

三層同時存在。

但這仍不表示它能恢復所有已消失歷史資訊。

14. 一個可實作的最小模型

給定事件或系統結果 $Y$ ，對個體 $i$ 保存：

IndividualImpactRecord
- actor_id
- actor_type
- time_window
- domain
- direct_actions
- reachable_nodes
- gate_score
- counterfactual_delta
- acceleration_delta_t
- propagation_score
- maintenance_score
- substitutability
- symbolic_visibility
- observability
- evidence_refs
- uncertainty_interval

初步影響向量：

\mathbf I_i= (D_i,G_i,K_i,A_i,P_i,M_i,R_i^{-1}).

符號層另外保存：

S_i.

證據層保存：

O_i.

禁止直接建立：

I_i=S_i.

若確實需要單一排序，只允許在明確指定權重後：

E_i^{(q)} = \mathbf w_q^\top\mathbf I_i,

並顯示：

\mathbf w_q.

也就是必須讓使用者知道：

你現在看到的是哪一種「重要」。

15. 本篇的八條核心命題

命題 A：個體非殘差

i\in C \nRightarrow I_i=0.

命題 B：普通—極端連續性

普通與極端是參考分布中的位置，而不是兩種本體。

命題 C：影響多維性

I_i

不能在未指定目標下自然化為單一純量。

命題 D：集合非加法性

I(C) \neq \sum_{i\in C}I_i

一般成立，因為存在交互項。

命題 E：歸因非真理同義詞

Shapley、Myerson 或其他 credit allocation 方法是模型化規則，不等於歷史本體真相。

命題 F：可見度—貢獻分離

S_i\neq I_i.

命題 G：未知—零值分離

O_i\ll1 \nRightarrow I_i\approx0.

命題 H：反崇拜保留極端差異

反崇拜不要求把尾端個體拉回平均，只禁止從局部極端非法推出全面神格。

16. 結論

人類歷史長期存在一種結構性壓縮：

\text{大量普通個體} \rightarrow \text{集合} \rightarrow \text{少數代表性名字}.

這種壓縮並非完全錯誤。

沒有集合層，人類幾乎無法書寫宏觀歷史，也無法分析文明尺度系統。

問題發生在集合層反過來消除個體層時。

普通人的歷史困境不是：

他們其實都和極端人物一樣重要。

而是：

他們的作用通常較局部、較分散、較低可見、較難保存，因此更容易被分析框架直接當成沒有個體作用。

本文因此提出：

\boxed{ \text{Individual} \neq \text{Residual of Collective}. }

同時也提出：

\boxed{ \text{Extreme Individual} \neq \text{Different Ontological Species}. }

兩者共同指向一個連續、多尺度、條件化的個體影響空間。

在這個空間中：

有些普通人的全域作用真的很小；
有些普通人在局部路徑上非常關鍵；
有些極端個體真的具有極大的反事實影響；
有些名人的符號可見度大於其不可替代性；
有些集合效應無法公平拆回任何單一個體；
有些歷史影響已永久不可恢復。

所以真正成熟的因果歸因系統不應回答：

「人人都重要。」

也不應回答：

「只有留下名字的人重要。」

它應該回答：

\boxed{ \text{在這個尺度、這段時間、這個目標與這些證據下， 我們能以多大置信度說這個個體改變了什麼。} }

這才是從「偉人／群眾」二分走向多尺度個體因果史的第一步。

參考文獻與理論對照

Shapley, Lloyd S. “A Value for n-Person Games.” 1953.

Myerson, Roger B. “Graphs and Cooperation in Games.” 1977.

Merton, Robert K. “The Matthew Effect in Science.” 1968.

Sharpe, Jim. “History from Below.” In New Perspectives in Historical Writing. 1991.

Ginzburg, Carlo. The Cheese and the Worms: The Cosmos of a Sixteenth-Century Miller. 1976/1980 English edition.

Zhao, Ruiqi, et al. “Conditional Counterfactual Causal Effect for Individual Attribution.” UAI 2023.

Lim, Tongseok. “Cooperative Networks and Hodge-Shapley Value.” 2022.

Martin, Travis; Zhang, Xiao; Newman, M. E. J. “Localization and Centrality in Networks.” 2014.

系列下一篇：

《理論是理論，作者是作者：發現、發明與耦合創造的型別分離》

02_個體不是集合的殘差_普通人到極端個體的連續影響光譜

個體不是集合的殘差：普通人到極端個體的連續影響光譜

摘要

1. 問題提出：普通人為什麼總在模型裡消失？

2. 普通與極端不是兩種本體

3. 個體影響必須是條件化向量

3.1 直接貢獻 DiD_iDi​

3.2 Gate／瓶頸作用 GiG_iGi​

3.3 反事實作用 KiK_iKi​

3.4 時間加速 AiA_iAi​

3.5 傳播作用 PiP_iPi​

3.6 維持作用 MiM_iMi​

3.7 可替代性 RiR_iRi​

3.8 符號可見度 SiS_iSi​

3.9 觀測充分度 OiO_iOi​

4. 集體效果不是個體效果的簡單總和

5. Shapley 式邊際貢獻：可借鑑，但不是歷史真理

6. 從 Shapley 到 Myerson：關係拓撲不能被忽略

7. 普通人的七種「非偉人型作用」

7.1 局部改善型

7.2 橋接型

7.3 維持型

7.4 阻止型

7.5 種子型

7.6 加速型

7.7 韌性型

8. 極端個體也應被保留，而不是被「去偉人化」抹平

9. Matthew effect：可見度會自己累積

10. 個體反事實歸因必須允許多原因交互

11. 不確定性不是缺陷，而是歷史模型的一部分

12. HSNRD 中的修正：集合節點不能刪除成員痕跡

13. 「普通人」應該成為相對尺度概念

14. 一個可實作的最小模型

15. 本篇的八條核心命題

命題 A：個體非殘差

命題 B：普通—極端連續性

命題 C：影響多維性

命題 D：集合非加法性

命題 E：歸因非真理同義詞

命題 F：可見度—貢獻分離

命題 G：未知—零值分離

命題 H：反崇拜保留極端差異

16. 結論

參考文獻與理論對照

3.1 直接貢獻 $D_i$

3.2 Gate／瓶頸作用 $G_i$

3.3 反事實作用 $K_i$

3.4 時間加速 $A_i$

3.5 傳播作用 $P_i$

3.6 維持作用 $M_i$

3.7 可替代性 $R_i$

3.8 符號可見度 $S_i$

3.9 觀測充分度 $O_i$