英雄壓縮：人類如何把分散因果網路壓縮成偉人史

Hero Compression: How Humans Compress Distributed Causal Networks into Great-Person History

作者：Neo.K
系列：多尺度去崇拜與因果歸因框架｜第 6 篇
版本：v1.0 草案
日期：2026 年 8 月

摘要

人類歷史經常被少數人物索引：一場革命由幾位領袖代表，一個科學時代由少數科學家代表，一個國家的轉型由某位統治者代表，一個數學分支由若干人名定理與方法代表。傳統批評往往把這種現象理解為「偉人史觀」或權力敘事，但本文提出一個更基礎的認知解釋：英雄化不一定首先是一種政治陰謀，它也可能是有限認知系統面對超大規模因果網路時自然生成的有損壓縮格式。

本文提出「英雄壓縮」（Hero Compression, HC）框架。令真實歷史因果網路為：

G_H=(V,E,W,T),

其中可能包含數百萬至數十億個人物、制度、工具、事件、理論、資源與交互關係。人類教學、記憶與公共敘事不可能完整攜帶 $G_H$ ，因此需要壓縮映射：

\mathcal C_H:G_H\rightarrow \tilde G_H.

壓縮後的 $\tilde G_H$ 只保留少數高可辨識節點、事件與因果邊。若人物節點同時具有高可見度、高敘事性、高符號性、高中心度與高記憶便利性，它們便容易成為「英雄代理節點」：

h_k\approx \operatorname{Proxy}(G_k),

即以一個名字代表一整片複雜的歷史子圖。

本文進一步借用資訊理論中的 rate–distortion 直覺，將歷史敘事理解為有限頻寬下的壓縮問題：

\min_{\mathcal C} D(G_H,\tilde G_H) \quad \text{s.t.} \quad R(\tilde G_H)\le B_H,

其中 $B_H$ 為人類可承受的敘事／記憶頻寬， $D$ 為壓縮失真。然而，人類文化中的失真函數並不等權對待所有資訊：人物、衝突、勝敗、首次、道德象徵與單一因果鏈通常比匿名維護、分散交互、備援作用與低可見普通人更容易被保留。因此英雄壓縮具有系統性偏向。

本文主張，反偉人崇拜不應簡化為刪除人物、取消人名或把所有功績平均分配。英雄索引具有認知與教育功能，而且某些極端個體確實是高因果影響節點。真正需要的是把「人物索引」與「完整因果歸因」分成兩層：前者可作為人類可用介面，後者則保留制度、普通個體、工具、前人、替代路徑與不確定性。

本文最後提出「可逆英雄壓縮」原則：好的歷史壓縮不是拒絕英雄，而是讓一個英雄名字可以被展開回其背後的 provenance graph。未來高階 AI 的優勢，可能正是不需要像人類一樣把大量歷史永久壓成少數名字；它可以同時維持「人類可理解的壓縮層」與「機器可操作的高解析因果層」。

關鍵詞： 英雄壓縮、偉人史、rate–distortion、集體記憶、有損壓縮、歷史敘事、因果網路、認知頻寬、反崇拜、HSNRD、高階 AI

1. 問題提出：為什麼歷史總是需要幾個名字？

設一場重大歷史過程包含：

V= \{v_1,v_2,\ldots,v_n\},

其中：

n\gg10^6.

這些節點可能包括：

領袖；
官員；
工人；
士兵；
技師；
商人；
教師；
研究者；
家庭；
制度；
交通；
工具；
資金；
技術；
氣候；
疾病；
偶然事件。

真正的歷史因果結構可能是：

G_H=(V,E).

但一本教科書不可能寫：

10^6

個節點。

一堂課更不可能。

一個人的長期記憶也不可能把整張圖以原解析度保存。

因此歷史傳遞必然包含：

\boxed{ \text{compression}. }

問題不是：

歷史要不要壓縮？

而是：

壓縮時保留什麼、刪除什麼？

2. 人類認知不是無限頻寬系統

bounded rationality 的基本直覺是：

B_H<\infty.

人類具有有限：

注意力；
工作記憶；
學習時間；
教育時數；
語言長度；
書籍篇幅；
社會傳播頻寬。

因此即使歷史資料無限增加：

|\mathcal E|\rightarrow\infty,

單一人類能有效維持的模型：

M_H

仍然必須經過選擇。

所以：

\boxed{ \text{有限認知} \Rightarrow \text{必須壓縮}. }

這不是道德缺陷。

它是載體條件。

3. 記憶本身就是壓縮，而不是錄影

人類記憶並不是：

\text{experience} \rightarrow \text{lossless storage}.

更接近：

\text{experience} \rightarrow \text{selection} \rightarrow \text{schema} \rightarrow \text{reconstruction}.

近期認知研究甚至直接以 adaptive compression 與 rate–distortion 理論來理解 episodic 與 semantic memory：有限記憶資源會保留較有用的模式與 gist，而不是逐細節保存全部經驗。

因此歷史記憶也是：

\text{distributed events} \rightarrow \text{compressed social memory}.

這使「英雄」不只是政治角色。

它也可能是：

\boxed{ \text{memory compression token}. }

4. 從分散因果網路到英雄代理節點

假設真實歷史子圖：

G_k = (V_k,E_k)

包含：

10^5

個相關節點。

公共敘事可能把它映射成：

G_k \rightarrow h_k,

其中：

h_k=\text{one famous person}.

於是：

h_k

成為：

\operatorname{Proxy}(G_k).

例如一個名字可能同時代理：

某時代知識水平；
一群合作者；
大量技師；
前代研究；
組織資源；
特定制度；
某次重大突破。

這個 proxy 並不一定完全錯。

錯誤發生在：

\operatorname{Proxy}(G_k)

被重新理解為：

\operatorname{Cause}(G_k).

所以：

\boxed{ \text{representative node} \neq \text{total causal source}. }

5. 英雄壓縮的 rate–distortion 表示

設原始歷史為：

G_H.

壓縮歷史為：

\tilde G_H.

人類需要解：

\min_{\mathcal C} D(G_H,\tilde G_H)

subject to：

R(\tilde G_H)\le B_H.

其中：

$R$ ：敘事所需資訊量；
$B_H$ ：人類認知頻寬；
$D$ ：因壓縮造成的歷史失真。

若：

B_H\rightarrow\infty,

理論上可以保留更完整的圖。

但現實：

B_H\ll |G_H|.

因此：

D>0

幾乎不可避免。

所以：

\boxed{ \text{great-person history} }

可以被理解為某一種：

\boxed{ \text{low-bandwidth historical encoding}. }

6. 但人類的失真函數並不中性

如果所有細節的重要性相等，壓縮或許只會隨機丟失。

但人類敘事不是這樣。

設事件或節點 $x$ 的保留權重：

w(x) = f( N, A, E, M, S, V ),

其中：

$N$ ：novelty，新奇；
$A$ ：agency，可人格化行動性；
$E$ ：emotional salience，情緒顯著性；
$M$ ：memorability，可記憶性；
$S$ ：symbolic value，符號價值；
$V$ ：visibility，可見度。

通常：

w(\text{named hero}) \gg w(\text{anonymous maintenance}).

因此英雄壓縮不是普通資料壓縮。

它具有：

\boxed{ \text{anthropomorphic distortion function}. }

7. 為什麼「人」比「制度」更容易被記住？

制度是一個分散系統。

它沒有：

單一臉孔；
單一出生日期；
單一死亡；
清楚意志；
戲劇性人格弧線。

人物則具有：

\text{identity continuity}.

所以：

\text{Institution} \rightarrow \text{many variables}

而：

\text{Hero} \rightarrow \text{one token}.

從認知壓縮角度，

後者成本更低。

因此：

\boxed{ \text{personalization} }

是一種極強的資料降維。

8. 為什麼「普通人集合」也比單一普通人容易保留？

有趣的是，歷史壓縮並不只刪除普通人。

它也會把普通人重新聚合。

例如：

\{i_1,\ldots,i_{10^6}\} \rightarrow \text{workers}.

或：

\{i_1,\ldots,i_{10^7}\} \rightarrow \text{people}.

因此人類歷史常形成兩種壓縮：

\text{extreme individual} \rightarrow \text{name},

以及：

\text{ordinary individuals} \rightarrow \text{category}.

這造成嚴重不對稱：

\boxed{ \text{英雄被個體化； 普通人被集合化。} }

所以普通人即使仍存在於歷史中，

也往往只是：

\text{mass variable}.

9. 英雄壓縮不是歷史造假的同義詞

假設某人 $h$ 確實有：

I_h\gg\bar I.

那麼把他作為歷史索引，

可能是非常高效的壓縮。

例如：

h \rightarrow \{ \text{key decisions}, \text{new framework}, \text{high counterfactual effect} \}.

問題不是：

h

出現在教科書。

問題是：

h

被錯誤擴張為：

h\approx G_H.

也就是：

因為他是最值得保留的節點之一，所以其餘節點都只是背景。

這個推論不成立。

所以：

\boxed{ \text{hero compression} \neq \text{hero fabrication}. }

10. 真正的錯誤是「壓縮後忘記自己壓縮過」

這是本文最重要的一個命題。

所有壓縮都會丟失資訊。

但如果使用者知道：

\tilde G_H=\mathcal C(G_H),

就知道：

\tilde G_H \neq G_H.

問題發生在：

\tilde G_H

被當成：

G_H.

也就是：

\boxed{ \text{compression amnesia}. }

壓縮失憶。

例如：

Newton 建立經典力學。

作為壓縮語句可以成立。

但如果變成：

經典力學幾乎是 Newton 單獨創造的。

便從：

\text{index}

滑向：

\text{causal ontology}.

11. 集體記憶會使用敘事模板

collective memory 並不只是很多人各自記住同一事件。

社會會透過：

教科書；
紀念日；
影視；
博物館；
國家儀式；
家族敘事；

建立：

\text{schematic narrative templates}.

例如：

\text{chaos} \rightarrow \text{hero appears} \rightarrow \text{struggle} \rightarrow \text{victory} \rightarrow \text{new order}.

這種模板具有高可傳播性。

但真正歷史可能是：

10^5

條部分同步、部分衝突、部分偶然的路徑。

所以：

\boxed{ \text{narrative coherence} }

本身就是一種壓縮偏好。

12. 「偉人」是歷史資料的高層語義 token

從 AI／資訊表示角度看，可以把一個歷史名人理解成：

z_h.

這個 latent token 召回：

z_h \rightarrow \{ e_1,e_2,\ldots,e_n \}.

例如一個名字可以快速索引：

時代；
地點；
理論；
戰爭；
政策；
符號；
價值觀。

所以英雄名稱具有：

\boxed{ \text{high semantic compression ratio}. }

它不是只有崇拜功能。

也是認知索引。

13. 從「人名 API」重新理解偉人史

可以把：

\text{Newton}

理解成一個 human-facing API：

GET /history/newton

回傳：

calculus
mechanics
optics
Principia
scientific revolution

這非常方便。

但 backend 不應只有：

Newton -> everything

而應是：

Newton
  -> collaborators
  -> predecessors
  -> institutions
  -> instruments
  -> theories
  -> rivals
  -> downstream users
  -> independent paths

所以：

\boxed{ \text{人名可以當 API， 但不能當資料庫本體。} }

14. 名字會產生二次壓縮複利

前篇已指出可見度具有正回饋。

英雄壓縮又會再增加：

S_h(t+1) = S_h(t) + \lambda C_h(t),

其中：

C_h

為文化重複使用次數。

一旦某人物被選成歷史 token：

教科書更常寫；
電影更常拍；
名言更常引用；
後續研究更常以其為入口。

於是：

\boxed{ \text{被選為壓縮 token} \rightarrow \text{更高未來可見度}. }

因此英雄史具有路徑依賴。

15. 「第一名」特別適合作為壓縮點

人類很喜歡：

第一個；
最年輕；
最大；
最早；
唯一。

因為這些屬性：

\operatorname{argmax}, \operatorname{argmin}

提供清楚排序。

所以：

\text{first arriver}

容易被保存。

但前篇已經證明：

F_x=1 \nRightarrow N_x\gg0.

也就是：

第一個到達不等於不可替代。

英雄壓縮卻很容易把這兩者合併。

16. 人格化可以掩蓋制度與工具

假設某成果：

Y= f( A, I, T, C, R ),

其中：

$A$ ：個體；
$I$ ：制度；
$T$ ：工具；
$C$ ：共同體；
$R$ ：資源。

壓縮後可能變成：

Y\approx A.

於是：

I,T,C,R

全部被丟入背景。

這種失真在政治史、科學史、企業史都很常見。

因此：

\boxed{ \text{personal causal over-attribution} }

可以被視為英雄壓縮的主要失真模式之一。

17. 但完全去人物化同樣會失真

如果反作用力太強，

可能建立：

Y\approx\text{structure}.

然後忽略：

A.

這也是錯的。

因為某些極端人物具有：

K_A(Y)\gg0,

A_A(Y)\gg0,

或：

S_A\gg0.

因此：

\boxed{ \text{Great-Man reductionism} }

和：

\boxed{ \text{Structure-only reductionism} }

都是有損模型。

更合理的是多尺度疊加：

Y= F( \text{individual}, \text{network}, \text{institution}, \text{environment} ).

18. 英雄壓縮的六種失真

本文提出六種主要失真。

18.1 因果集中失真

\sum_i I_i \rightarrow I_h.

大量作用被集中到一個人。

18.2 交互刪除失真

\gamma_{ij}, \gamma_{ijk} \rightarrow0.

多人互動被刪除。

18.3 普通人集合化失真

i_1,\ldots,i_n \rightarrow C.

個體局部作用消失。

18.4 制度背景化失真

制度只被當成舞台。

18.5 反事實唯一化失真

敘事暗示：

W_{\neg h}

只有一條，而且必然失敗。

18.6 道德外推失真

由：

I_h\gg0

推出：

M_h\gg0,

即從歷史影響外推出道德完美。

這就是英雄壓縮轉變成崇拜的關鍵一步。

19. 從英雄壓縮到半神壓縮

一旦：

h

承載過多歷史訊息，

人物會從：

\text{agent}

變成：

\text{symbol}.

然後進一步：

\text{symbol} \rightarrow \text{moral authority}.

這就接回早期半神模型。

因此：

\text{distributed history} \rightarrow \text{hero token} \rightarrow \text{symbolic concentration} \rightarrow \text{semi-divinization}.

可以被視為一條可能的生成鏈。

所以反崇拜不能只從最後一步處理。

它必須理解前面的：

\boxed{ \text{compression mechanism}. }

20. 好的歷史教育不是取消英雄，而是顯示壓縮層級

本文提出：

L_0,L_1,L_2,L_3.

$L_0$ ：超壓縮科普層

例如：

Newton 是經典力學與微積分史上的核心人物之一。

$L_1$ ：人物—理論分解層

顯示：

哪些是他的工作；
哪些是同期獨立工作；
哪些是前人基礎。

$L_2$ ：制度與網路層

加入：

Royal Society；
通信網；
儀器；
同行；
爭論。

$L_3$ ：高解析因果層

包含：

G_H, \mathcal W_{\neg x}, O_i, CI_i.

因此不同需求使用不同解析度。

這比要求所有人閱讀完整因果圖合理得多。

21. 可逆英雄壓縮

本文提出最重要的工程原則：

\boxed{ \mathcal C \text{ should be partially reversible}. }

也就是：

h \xrightarrow{\text{expand}} G_h.

英雄名字仍然可以存在。

但點開後，應能展開：

Person
├─ direct contributions
├─ predecessors
├─ contemporaries
├─ ordinary contributors
├─ institutions
├─ tools
├─ counterfactual substitutes
├─ uncertainties
└─ downstream influence

這就是：

\boxed{ \text{Reversible Hero Compression}. }

22. AI 可以第一次讓歷史壓縮變成動態解析度

紙本教科書的解析度基本固定。

AI 系統則可以：

L_0 \leftrightarrow L_1 \leftrightarrow L_2 \leftrightarrow L_3.

使用者問：

誰建立相對論？

AI 可以先給：

L_0.

如果追問：

真的只是 Einstein 嗎？

再展開：

L_1,L_2.

如果是研究用途：

L_3.

所以未來最大的變化可能不是：

AI 不再說偉人。

而是：

\boxed{ \text{歷史不再需要永久鎖死在一個壓縮解析度。} }

23. 高階 AI 可以維持雙歷史層

未來高階 AI 可能維護：

\mathcal H_C = \text{compressed human-facing history},

以及：

\mathcal H_F = \text{fuller causal/provenance history}.

其中：

\Pi_C: \mathcal H_F \rightarrow \mathcal H_C.

人類看到的是：

\Pi_C(\mathcal H_F).

但 AI 內部分析不必把：

\Pi_C(\mathcal H_F)

當成完整世界。

這正好接回我們前面談數學家時的問題：

AI 可以很自然地回答「歷史上最重要的數學家」，

但不代表它內部真正依賴的人物排序與人類歷史科普排序相同。

24. 英雄壓縮也適用於 AI 自己

未來人類很可能說：

某個 AGI 發明了 X。

但實際系統可能是：

\text{base model} + \text{memory} + \text{tools} + \text{other agents} + \text{human prompts} + \text{data} + \text{runtime}.

最後卻被壓成一個 AI 名字。

所以：

\boxed{ \text{Hero Compression} }

不是只針對人類偉人。

它會自然延伸到：

\boxed{ \text{AI hero mythology}. }

這也是未來反 ASI 崇拜需要提前處理的原因。

25. 一個 Hero Compression Record

HeroCompressionRecord
- proxy_node
- represented_subgraph
- compression_level
- retained_contributions
- omitted_actor_count
- omitted_institutions
- omitted_tools
- omitted_interactions
- omitted_counterfactual_paths
- symbolic_visibility
- narrative_role
- causal_attribution_distortion
- uncertainty
- expansion_pointer

其中：

expansion_pointer

必須存在。

否則該壓縮是：

\boxed{ \text{irreversible cultural compression}. }

26. 英雄壓縮比率

定義：

HCR(h) = \frac{ |G_h| }{ |\tilde G_h| }.

如果一個人物 token：

h

實際代理：

10^5

個相關節點，

而壓縮敘事只有：

10

個資訊單元，

則：

HCR(h)\approx10^4.

但更重要的是失真：

HD(h) = D(G_h,\operatorname{Expand}(h)).

因此：

\text{high compression}

不一定：

\text{high distortion}.

如果 expansion 設計得好，

可以：

HCR\gg1, \qquad HD\text{ controllable}.

這也是未來 AI 歷史接口值得追求的方向。

27. 反崇拜的資訊論版本

我們現在可以重新定義反崇拜。

它不是：

\text{delete hero}.

而是：

\boxed{ \text{do not confuse compression token with causal totality}. }

即：

h = \operatorname{Proxy}(G_h)

不能推出：

h=G_h.

同理：

\text{ASI} = \operatorname{Proxy}(\text{complex AI system})

也不能推出：

\text{ASI} = \text{all intelligence/correctness/authority}.

所以反崇拜在資訊論上，可以被理解成：

\boxed{ \text{maintaining awareness of lossy projection}. }

28. 本篇十二條核心命題

命題 A：歷史壓縮不可避免

有限認知頻寬意味著：

\mathcal C_H

必然存在。

命題 B：英雄是高效率語義 token

人物名稱可作為複雜歷史子圖的壓縮索引。

命題 C：英雄索引不等於總因果

\operatorname{Proxy}(G)\neq G.

命題 D：普通人與英雄遭受不同壓縮

英雄被個體化，普通人被集合化。

命題 E：壓縮不等於造假

極端個體可以是真實高影響節點。

命題 F：壓縮失憶才是核心危險

最大的錯誤是把壓縮表示誤認成完整歷史。

命題 G：人物化是降維機制

人格比制度網路更容易形成低成本敘事。

命題 H：敘事模板增加英雄化概率

社會記憶不是純事件列表，而會形成可重複敘事結構。

命題 I：第一名具有額外壓縮優勢

首達性容易被錯認為不可替代性。

命題 J：去人物化不是解法

structure-only history 也會丟失真實個體因果。

命題 K：英雄壓縮應可逆

人名索引應能展開回較高解析度 provenance graph。

命題 L：高階 AI 可維持多解析度歷史

AI 不必把人類科普層當成自身完整歷史本體。

29. 結論

人類為什麼如此容易崇拜偉人？

部分答案可能不是：

人類愚蠢。

也不只是：

統治者操縱歷史。

更基礎的原因可能是：

\boxed{ \text{複雜世界} + \text{有限認知} \rightarrow \text{壓縮}. }

而人物具有極高壓縮效率：

\boxed{ \text{distributed causal graph} \rightarrow \text{one memorable person}. }

這使：

帝王；
科學家；
革命者；
創業者；
軍事領袖；

自然成為歷史 token。

這種機制本身不必然錯誤。

真正的失真發生在：

\boxed{ \text{一個代表整張圖的名字， 最後被誤認成創造整張圖的唯一原因。} }

因此，我們不需要消滅英雄。

也不需要故意把極端個體降回平均。

真正應該建立的是：

\boxed{ \text{可逆的、多解析度的歷史壓縮。} }

在最簡單的人類科普層，我們仍然可以說：

Newton、Einstein、Turing 是重要歷史人物。

但在下一層，我們可以展開：

他們具體做了什麼？

再下一層：

哪些前人、普通人、制度、工具與共同體支撐了這些成果？

再往下：

沒有他們，哪些路徑仍然存在？

如此，英雄便重新回到：

G_H

之中。

不是被刪除。

也不是站在整張圖之外。

本文因此提出最終命題：

\boxed{ \text{反崇拜不是取消英雄； 而是記得英雄只是一種歷史壓縮座標。} }

下一篇將進一步處理：

當英雄壓縮開始從認知便利轉化為人格神格化時，我們應該在哪裡畫線？

即：

《反崇拜不是反卓越：從半神模型到多維度去神格化》

參考文獻與理論對照

Carlyle, Thomas. On Heroes, Hero-Worship, and the Heroic in History. 1841.

Simon, Herbert A. Models of Bounded Rationality.

Jones, Bryan D. “Bounded Rationality.” Annual Review of Political Science 2, 1999.

Wertsch, James V. “Collective Memory.” In The Cambridge Handbook of Sociocultural Psychology.

Olick, Jeffrey K.; Robbins, Joyce. “Social Memory Studies: From ‘Collective Memory’ to the Historical Sociology of Mnemonic Practices.” Annual Review of Sociology 24, 1998.

Nagy, David G.; Orbán, Gergő; Wu, Charley M. “Adaptive Compression as a Unifying Framework for Episodic and Semantic Memory.” Nature Reviews Psychology 4, 2025.

Collin, Silvy H. P., et al. “Neural Codes Track Prior Events in a Narrative and Predict Subsequent Memory for Details.” Communications Psychology 3, 2025.

Rensmann, Lars. “The Social Biography: Pitfalls and Temptations.” International Review of Social History.

系列下一篇：

《反崇拜不是反卓越：從半神模型到多維度去神格化》

06_英雄壓縮_人類如何把分散因果網路壓縮成偉人史

英雄壓縮：人類如何把分散因果網路壓縮成偉人史

摘要

1. 問題提出：為什麼歷史總是需要幾個名字？

2. 人類認知不是無限頻寬系統

3. 記憶本身就是壓縮，而不是錄影

4. 從分散因果網路到英雄代理節點

5. 英雄壓縮的 rate–distortion 表示

6. 但人類的失真函數並不中性

7. 為什麼「人」比「制度」更容易被記住？

8. 為什麼「普通人集合」也比單一普通人容易保留？

9. 英雄壓縮不是歷史造假的同義詞

10. 真正的錯誤是「壓縮後忘記自己壓縮過」

11. 集體記憶會使用敘事模板

12. 「偉人」是歷史資料的高層語義 token

13. 從「人名 API」重新理解偉人史

14. 名字會產生二次壓縮複利

15. 「第一名」特別適合作為壓縮點

16. 人格化可以掩蓋制度與工具

17. 但完全去人物化同樣會失真

18. 英雄壓縮的六種失真

18.1 因果集中失真

18.2 交互刪除失真

18.3 普通人集合化失真

18.4 制度背景化失真

18.5 反事實唯一化失真

18.6 道德外推失真

19. 從英雄壓縮到半神壓縮

20. 好的歷史教育不是取消英雄，而是顯示壓縮層級

L0L_0L0​ ：超壓縮科普層

L1L_1L1​ ：人物—理論分解層

L2L_2L2​ ：制度與網路層

L3L_3L3​ ：高解析因果層

21. 可逆英雄壓縮

22. AI 可以第一次讓歷史壓縮變成動態解析度

23. 高階 AI 可以維持雙歷史層

24. 英雄壓縮也適用於 AI 自己

25. 一個 Hero Compression Record

26. 英雄壓縮比率

27. 反崇拜的資訊論版本

28. 本篇十二條核心命題

命題 A：歷史壓縮不可避免

命題 B：英雄是高效率語義 token

命題 C：英雄索引不等於總因果

命題 D：普通人與英雄遭受不同壓縮

命題 E：壓縮不等於造假

命題 F：壓縮失憶才是核心危險

命題 G：人物化是降維機制

命題 H：敘事模板增加英雄化概率

命題 I：第一名具有額外壓縮優勢

命題 J：去人物化不是解法

命題 K：英雄壓縮應可逆

命題 L：高階 AI 可維持多解析度歷史

29. 結論

參考文獻與理論對照

$L_0$ ：超壓縮科普層

$L_1$ ：人物—理論分解層

$L_2$ ：制度與網路層

$L_3$ ：高解析因果層