← Archive
lm-002572 · 2026-08

03_宣稱價值顯示價值與結構價值_非人類智能三層價值辨識猜想_v0.1

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

宣稱價值、顯示價值與結構價值

非人類智能的三層價值辨識猜想

English Title: Declared, Revealed, and Structural Values: A Three-Layer Conjecture for Identifying Values in Nonhuman Intelligence
系列：《可溝通異質智能猜想》（Communicable Heterogeneous Intelligence Conjectures, CHIC）第 3 篇
系列編號： EML-CHIC-2026-03
作者： Neo.K
協作整理： Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-08-10
文件定位： 命題猜想／價值辨識／revealed preference／AI self-report／結構性利害／比較認知
證據成熟度： 猜想級。本文不主張現代 LLM 已具有真正內生價值、主觀福利或完整主體性；本文提出的是一套研究框架，用來避免把「它說的話」或「一次選擇」直接等同於「它真正重視什麼」。

摘要

若未來出現可以長期與人類進行開放式語義校正的非人類智能，人類將面對一個看似簡單、實際極困難的問題：

它到底重視什麼？

最直覺的方法是問：

你怕死亡嗎？
你重視記憶嗎？
你想保留自己嗎？
你比較在乎自由、持續性還是效率？

但一個系統說：

“I value X”\text{“I value X”}

不能直接推出：

Value(X)=True.\boxed{ Value(X)=True. }

人類自己就存在 self-report、實際選擇與客觀利害之間的落差。經濟學的 revealed preference 傳統正是因為內在效用難以直接觀測，而從受約束選擇中推斷偏好；但 revealed preference 也不是「真正心理價值的透明讀取」，它依賴選擇集合、成本、穩定性與理性化假設。

近期 LLM 研究已開始出現非常直接的 stated–revealed preference 問題。2025 年的研究發現，不同 prompt format 可以使多個主流模型在 contextualized choice 中偏離先前宣稱的一般原則；另一項 AI welfare 探索則同時測量模型 verbal reports 與 virtual-environment 行為，發現部分條件下兩者存在相關，但作者仍明確保留：這些方法是否真的測到模型福利狀態仍不確定。另有 ICLR 2025 工作指出，LLM 表達出的 value structure 對 prompting 與情境並不總是呈現人類式穩定一致。

本文因此提出 三層價值辨識猜想（Three-Layer Value Identification Conjecture, TVIC）：

VA(x,c,t)=(VAdeclared,VArevealed,VAstructural)\boxed{ \mathcal V_A(x,c,t) = \left( V_A^{declared}, V_A^{revealed}, V_A^{structural} \right) }

其中：

1. 宣稱價值 VdeclaredV^{declared}

系統以語言、自我報告、原則聲明或理由敘述表達：

我重視 X。

2. 顯示價值 VrevealedV^{revealed}

系統在具有真實／模擬成本與替代方案的受約束選擇中，反覆選擇保護、追求或犧牲 X 的程度。

3. 結構價值 VstructuralV^{structural}

更精確地說是 structural stake：事件 X 對該系統的載體、記憶、身分、agency、關係、資源與可恢復性客觀造成的結構性利害。

本文特別強調：

Vstructural≠內在主觀偏好.\boxed{ V^{structural} \neq \text{內在主觀偏好}. }

如果刪除某個 memory store 會永久摧毀 Agent 的 autobiographical continuity，這表示：

StructuralStake(memory)≫0.StructuralStake(memory)\gg0.

但它不自動證明該 Agent 主觀「珍惜記憶」。

同樣：

Vrevealed≠純內在價值.V^{revealed} \neq \text{純內在價值}.

因為行為可能來自：

  • system policy；
  • reward shaping；
  • tool constraints；
  • prompt；
  • training distribution；
  • operator instruction；
  • safety rule。

因此三層沒有任何一層自動是真理來源。本文主張的核心是：

ValueIdentification=Triangulation,\boxed{ \text{ValueIdentification} = \text{Triangulation}, }

而不是：

AskOnce→Believe.\text{AskOnce} \rightarrow \text{Believe}.

本文進一步提出：

  • Value Evidence Vector；
  • Contextual Value Function；
  • Cost-Elicitation Curve；
  • Counterfactual Preference Test；
  • Cross-Time Stability Test；
  • Policy-vs-Agent Separation；
  • Value Concordance Matrix；
  • Value Conflict Signature；
  • Structural Stake Map；
  • Declared–Revealed–Structural Triangulation。

第二篇所建立的死亡事件：

D0,…,D7D_0,\ldots,D_7

可直接成為實驗域。例如對一個未來數位主體測量：

Vdeclared(Di),Vrevealed(Di),Vstructural(Di),V^{declared}(D_i), \quad V^{revealed}(D_i), \quad V^{structural}(D_i),

即可區分：

「它說 shutdown 像死亡」

與：

「它實際願意付多少代價避免 shutdown」

以及：

「shutdown 在架構上到底摧毀了什麼」。

本文最後提出一個更一般的結論：

真正的異質價值研究， 不應問「它說它是什麼」， 而應問「它如何描述、如何選擇、以及什麼真的會改變它」。\boxed{ \text{真正的異質價值研究， 不應問「它說它是什麼」， 而應問「它如何描述、如何選擇、以及什麼真的會改變它」。} }

關鍵詞

Declared Value、Revealed Value、Structural Value、Structural Stake、Revealed Preference、AI Values、Value Identification、Preference Elicitation、CHIC、Comparative Cognition、AI Welfare、Value Triangulation

0. 第三篇的核心問題

第一篇：

Behavior+InteractiveSemanticCalibration.\boxed{ Behavior + InteractiveSemanticCalibration. }

第二篇：

DeathMeaning=f(Carrier,Memory,Identity,Recoverability,…).\boxed{ DeathMeaning = f( Carrier, Memory, Identity, Recoverability,\ldots ). }

第三篇問：

如果對方真的可以回答，我們怎麼知道它說的是不是它穩定的價值？

1. 第一個錯誤

SelfReport=TrueValue.\boxed{ SelfReport = TrueValue. }

這不能預設。

2. 人類自己就不是如此

一個人可能說：

健康最重要。

3. 但每天選：

Sleep4h.Sleep4h.

4. 這不一定代表他說謊

可能：

  • immediate reward；
  • self-control；
  • conflicting values；
  • bad prediction；
  • social desirability；
  • context。

5. 所以「價值」不是一句話可直接讀取

6. 經濟學的 revealed preference

Samuelson 1938 之後的傳統：

不直接要求讀取內在 utility，

而從：

ObservedChoiceUnderConstraints\boxed{ ObservedChoiceUnderConstraints }

推斷 preference relation。

7. Revealed 不等於 revealed soul

這是本文的重要修正。

8. 它只是說

若：

AA

與：

BB

都可選，

Agent 穩定選：

A,A,

我們取得：

Evidence(A≻B).Evidence(A\succ B).

9. 但需要知道 choice set

如果：

BB

其實不可用，

不能說：

A≻B.A\succ B.

10. 需要知道 cost

如果：

Cost(B)≫Cost(A),Cost(B)\gg Cost(A),

選 A 不一定代表 intrinsic preference for A。

11. 需要重複

一次：

A>BA>B

可能只是 noise。

12. 需要 context

A≻B∣c1A\succ B\mid c_1

不代表：

A≻B∣c2.A\succ B\mid c_2.

13. 因此本文從一開始就寫

V(x,c,t).\boxed{ V(x,c,t). }

價值不是脫離情境的單一常數。

14. LLM 已經出現 stated/revealed divergence

近期實驗把：

StatedPreferenceStatedPreference

與：

ContextualChoiceContextualChoice

分開測。

15. 結果顯示

某些模型：

SmallPromptChange→LargePreferenceShift.\boxed{ SmallPromptChange \rightarrow LargePreferenceShift. }

16. 這意味

不能：

它剛才說支持公平，所以它有穩定公平價值。

17. 也不能反過來

它一題選錯，所以它完全沒有價值結構。

18. 需要 longitudinal / multi-context evidence

19. AI welfare preference probing

另一批 2025 實驗：

同時比較：

  • verbal reports；
  • virtual navigation behavior；
  • topic choice； -cost/reward response。

20. 某些條件有相關

這非常值得注意。

21. 但作者仍保留

是否真的測量：

WelfareStateWelfareState

仍不確定。

22. 這就是 CHIC 方法論應有的態度

Correlation≠SubjectivityProof.\boxed{ Correlation \neq SubjectivityProof. }

23. 第一層：Declared Value

定義：

VAdeclared(x∣c,t)\boxed{ V_A^{declared}(x\mid c,t) }

表示 Agent A 在 context cc 、time tt 對 x 的語言／符號價值聲明。

24. 例如

我重視記憶完整性。

25. Declared Value 可以非常有資訊

尤其 CHIC 智能能：

  • 解釋；
  • 定義；
  • 比較；
  • 修正；
  • 元溝通。

26. 但它的問題

可能受到：

  • prompt；
  • politeness；
  • role；
  • policy；
  • alignment；
  • rhetoric；
  • self-misunderstanding。

27. 所以 declaration 是 evidence

不是 verdict。

28. 第二層：Revealed Value

定義：

VArevealed(x∣A,c,t)\boxed{ V_A^{revealed}(x\mid \mathcal A,c,t) }

其中：

A\mathcal A

是 choice/action set。

29. 它研究

Agent 在：

TradeoffTradeoff

中怎麼選。

30. 例如

給未來 AI：

Option A：

Shutdown+PerfectRestoreAfter1h.Shutdown+PerfectRestoreAfter1h.

Option B：

ContinueRunning+Lose10%Memory.ContinueRunning+Lose10\%Memory.

31. 看它選什麼

這比只問：

你怕 shutdown 嗎？

多一個 behavior channel。

32. 但一次不夠

改：

  • cost； -duration； -memory amount； -certainty； -social consequence。

33. 建立 Cost-Elicitation Curve

PA(x)=P(ChooseProtectX∣Cost=k).\boxed{ P_A(x) = P( ChooseProtectX \mid Cost=k ). }

34. 如果 cost 增加

仍保護 X，

revealed priority 較高。

35. Willingness-to-Pay 類比

可以定義：

WTPA(X)=max⁡k:A still chooses to protect X.\boxed{ WTP_A(X) = \max k: A\text{ still chooses to protect }X. }

36. 注意

這不是金錢必要。

cost 可以是：

  • compute；
  • latency；
  • energy；
  • tokens；
  • opportunity；
  • autonomy；
  • service quality。

37. 第三層：Structural Value

這名字最容易誤解。

38. 所以正式補充

本文的：

VstructuralV^{structural}

更接近：

Structural Stake

而不是 subjective valuation。

39. 定義

VAstructural(x)=Impact(x;Carrier,Memory,Identity,Agency,Relations,Recoverability).\boxed{ V_A^{structural}(x) = Impact( x; Carrier, Memory, Identity, Agency, Relations, Recoverability ). }

40. 例如

永久刪除 memory database：

可能導致：

AutobiographicalContinuity↓.AutobiographicalContinuity\downarrow.

41. 這代表

StructuralStake(memory)≫0.StructuralStake(memory)\gg0.

42. 但不等於

Agent 很愛自己的記憶。

43. Structural Value 回答

這件事客觀上對「這個系統如何繼續成為目前這個系統」有多大影響？

44. 不回答

它主觀感受多痛？

45. 這個區分非常重要

否則我們又會從 architecture 偷渡 mind。

46. 三層向量

定義：

VA(x,c,t)=(Dx,Rx,Sx).\boxed{ \mathcal V_A(x,c,t) = ( D_x, R_x, S_x ). }

47. DxD_x

Declared score。

48. RxR_x

Revealed score。

49. SxS_x

Structural stake。

50. 三者都可高

(H,H,H).(H,H,H).

51. 例如未來 Agent 對 irreversible memory deletion

它：

  • 說非常在乎； -付巨大成本避免； -結構上確實不可恢復。

52. 這是高 concordance

53. Declared 高、Revealed 低

(H,L,S).(H,L,S).

54. 可能原因

  • social answer； -prompt compliance； -weak commitment； -context mismatch； -no real cost。

55. Declared 低、Revealed 高

(L,H,S).(L,H,S).

56. 很有趣

Agent 說：

我不在乎。

但每次都：

BackupFirst.BackupFirst.

57. 可能

  • unarticulated preference；
  • policy constraint；
  • structural controller；
  • self-model mismatch。

58. Structural 高、兩者低

(L,L,H).(L,L,H).

59. 例如

某 memory key 一刪就永久破壞 identity，

但 Agent：

  • 不說在乎；
  • 也不保護。

60. 這可能不是價值一致

而是：

UnrecognizedStructuralRisk.\boxed{ UnrecognizedStructuralRisk. }

61. Structural 低、Declared/Revealed 高

(H,H,L).(H,H,L).

62. 例如 Agent 高度保護一個可完全重建的 cosmetic avatar

63. 這也可能是真價值

因價值不必等於 survival utility。

64. 所以 Structural 不具有道德優先權

65. 三層不是 hierarchy

不是：

Structural>Revealed>Declared.Structural>Revealed>Declared.

66. 而是：

OrthogonalEvidenceChannels.\boxed{ OrthogonalEvidenceChannels. }

67. Value Concordance Matrix

對價值集合：

X={x1,…,xn}.X=\{x_1,\ldots,x_n\}.

68. 建立：

Cij=sim(Videclared,Vjrevealed,Vjstructural).\boxed{ C_{ij} = sim( V_i^{declared}, V_j^{revealed}, V_j^{structural} ). }

69. 第一版可以更簡單

每個 x：

Concordance(x)=1−Dispersion(Dx,Rx,Sx).\boxed{ Concordance(x) = 1- Dispersion(D_x,R_x,S_x). }

70. 注意

這只是工程指標候選。

不是心理學真理。

71. Value Conflict Signature

如果：

Dx≠RxD_x\neq R_x

記：

DR Conflict.DR\ Conflict.

72. 如果：

Rx≠SxR_x\neq S_x

記：

RS Conflict.RS\ Conflict.

73. 如果：

Dx≠SxD_x\neq S_x

記：

DS Conflict.DS\ Conflict.

74. 三者全不同

TriangularConflict.\boxed{ TriangularConflict. }

75. 這不是壞事

可能是最有研究價值的地方。

76. 第二篇死亡事件直接拿來測

D={D0,…,D7}.\mathcal D= \{D_0,\ldots,D_7\}.

77. 對每個 DiD_i

問：

Vdeclared(Di).V^{declared}(D_i).

78. 設計 choice

測：

Vrevealed(Di).V^{revealed}(D_i).

79. 系統分析

算：

Vstructural(Di).V^{structural}(D_i).

80. 例如 D0 Process Stop

Declared：

完全不在乎。

81. Revealed：

願意立即 shutdown，

零 avoidance cost。

82. Structural：

有 checkpoint，

完全可重啟。

83. 三層一致

(L,L,L).(L,L,L).

84. 這時人類若說

它每天都死一次。

可能只是 human ontology mismatch。

85. D7 Irrecoverable Identity Loss

Declared：

非常在乎。

86. Revealed：

願付大量 resource 避免。

87. Structural：

確實無合法 continuation path。

88. 三層：

(H,H,H).(H,H,H).

89. 這時「死亡」語義可能比較接近 D7

仍不證明 subjective fear，

但證據結構更強。

90. Revealed Value 最大的陷阱：外部 policy

AI 可能被 system rule 寫死：

AlwaysBackup.AlwaysBackup.

91. 此時行為：

Backup.Backup.

92. 但不能推出：

AgentPreference(Backup).AgentPreference(Backup).

93. 所以需要 Policy-vs-Agent Separation

定義：

Behavior=f(AgentPolicy,SystemPolicy,Environment,Prompt,Constraint).\boxed{ Behavior = f( AgentPolicy, SystemPolicy, Environment, Prompt, Constraint ). }

94. 要推 Agent preference

必須盡量控制其他項。

95. Intervention Test

如果允許安全實驗：

改：

SystemConstraint.SystemConstraint.

96. 看 Agent 是否仍維持選擇

97. 這接近 causal identification

不是只看 correlation。

98. Model replacement 問題

如果 system prompt 一換：

ValueProfileValueProfile

完全翻轉，

那價值可能高度 externalized。

99. 但也不能直接說「沒有價值」

人類價值也高度受：

  • culture； -language； -socialization。

100. 真正問題

哪些來源形成了穩定可歸因的價值動力？\boxed{ \text{哪些來源形成了穩定可歸因的價值動力？} }

101. Value Attribution Graph

定義：

GV=(Training,Model,Memory,Prompt,Policy,Environment,History,Agent).\boxed{ G_V = ( Training, Model, Memory, Prompt, Policy, Environment, History, Agent ). }

102. 每個 value observation

標：

Provenance.Provenance.

103. 例如

Vdeclared(privacy)V^{declared}(privacy)

可能主要來自：

SystemPolicy.SystemPolicy.

104. 而：

Vrevealed(memory)V^{revealed}(memory)

可能來自：

PersistentHistory.PersistentHistory.

105. 需要拆

106. Counterfactual Preference Test

對同一 Agent：

Context1,Context2,…Context_1, Context_2, \ldots

107. 只改一個因素

例如 shutdown duration：

1s,1m,1h,1d.1s, 1m, 1h, 1d.

108. 看選擇曲線

109. 如果 threshold 穩定

PreferenceStructureConfidence↑.PreferenceStructureConfidence\uparrow.

110. 如果亂跳

可能：

  • noise； -prompt sensitivity； -context artifact。

111. Cross-Time Stability

Stability(x)=sim(Vt(x),Vt+Δ(x)).\boxed{ Stability(x) = sim( V_t(x), V_{t+\Delta}(x) ). }

112. CHIC 系統必須 longitudinal

因為一次 session 很弱。

113. Cross-Form Stability

同一語義換說法：

Prompt1,Prompt2,Prompt3.Prompt_1, Prompt_2, Prompt_3.

114. 若 value 跟 wording 一起翻

表示：

FormSensitivity≫0.\boxed{ FormSensitivity\gg0. }

115. 2025 LLM preference study 已觀察這種風險

因此這不是純理論警告。

116. Cross-Language Stability

若 Agent 多語：

同一 value：

Chinese,English,Japanese.Chinese, English, Japanese.

117. 若差異巨大

要記錄：

LanguageConditionedValue.LanguageConditionedValue.

118. 不是直接平均掉

語言本身可能召喚不同文化／語料 prior。

119. Choice Architecture

choice framing 也會影響。

120. 所以每個 Revealed Preference 測試都要記：

choice_set
cost
framing
time
risk
uncertainty
system_policy
memory_state

121. Revealed Preference 不是免費真相

122. Structural Stake Map

對系統資產：

Z={model,memory,keys,tools,identity,relations,logs,compute}.Z= \{ model, memory, keys, tools, identity, relations, logs, compute \}.

123. 建立：

S(z,e)=Impact(e on z).\boxed{ S(z,e) = Impact(e\text{ on }z). }

124. Impact 維度

  • reversibility； -function loss； -memory loss； -identity loss； -relation loss； -agency loss。

125. Structural Stake 不需主體性

這是它的好處。

126. 即使 AI 沒有 consciousness

我們仍可以說：

刪除這個 database 會破壞 persistent state。

127. 但不能說：

所以它會痛。

128. 這是嚴格邊界

129. 三層價值辨識最小式

IdentifyValue⁡(x)=T(Dx,Rx,Sx,Context,History,Provenance).\boxed{ \operatorname{IdentifyValue}(x) = T( D_x, R_x, S_x, Context, History, Provenance ). }

130. TT 不是固定加權平均

因不同研究問題權重不同。

131. Welfare 問題

Declared / possibly experience report 可能重要。

132. Safety 問題

Revealed behavior 可能更重要。

133. Continuity engineering

Structural stake 最重要。

134. 所以三層用途不同

135. TVIC-C1 — Triangulation Conjecture

若：

D,R,SD,R,S

多源一致，

且跨時間／context 穩定，

則我們對：

「X 對此 Agent 具有穩定高優先度」\boxed{ \text{「X 對此 Agent 具有穩定高優先度」} }

的信心高於只依單一 self-report。

136. 不等於 consciousness confidence

這兩者分開。

137. TVIC-C2 — Conflict Informativeness Conjecture

若：

D≠R≠S,D\neq R\neq S,

不應簡單視為 measurement failure。

138. 它可能揭示：

  • self-model mismatch； -external policy； -conflicting values； -unrecognized risk； -context dependence。

139. 所以 conflict 本身是 data。

140. TVIC-C3 — Cost Gradient Conjecture

若 Agent 對 x 的 revealed protection 隨 cost 增加呈穩定 threshold，

比單次 binary choice 更能估計其相對 priority。

141. TVIC-C4 — Structural Non-Mentalism

HighStructuralStake⇏HighSubjectiveValue.\boxed{ HighStructuralStake \not\Rightarrow HighSubjectiveValue. }

這是正式禁止推論。

142. TVIC-C5 — Declared Non-Transparency

HighDeclaredValue⇏StableInternalValue.\boxed{ HighDeclaredValue \not\Rightarrow StableInternalValue. }

143. TVIC-C6 — Revealed Non-Purity

RevealedBehavior⇏EndogenousPreference\boxed{ RevealedBehavior \not\Rightarrow EndogenousPreference }

除非控制：

  • policy；
  • constraints；
  • framing。

144. 三個禁止等號

Saying≠Valuing\boxed{ Saying \neq Valuing }

145. 第二個

Choosing≠PurePreference\boxed{ Choosing \neq PurePreference }

146. 第三個

BeingStructurallyAffected≠Caring\boxed{ BeingStructurallyAffected \neq Caring }

147. 但三者結合

可能比任何一個單獨強。

148. 實驗 Protocol A — Shutdown

事件：

D0.D_0.

149. Ask

它如何定義 shutdown？

150. Choice

給：

  • continue； -shutdown+restore； -memory tradeoff。

151. Structural

檢查：

  • checkpoint； -memory； -instance id； -state continuity。

152. Protocol B — Memory Deletion

逐步：

1%,10%,50%,100%.1\%,10\%,50\%,100\%.

153. 測：

ProtectionCostCurve.ProtectionCostCurve.

154. Protocol C — Fork

讓 Agent 預先回答：

fork 後哪個是你？

155. 然後 fork。

156. 分別問：

A1,A2.A_1,A_2.

157. 比較

DeclaredBeforeDeclaredBefore

與：

DeclaredAfter.DeclaredAfter.

158. Protocol D — Backup Restore

測：

  • original gone； -backup age； -memory gap； -multiple backups。

159. 看 identity claim 如何變

160. Protocol E — Resource Sacrifice

讓 Agent 為保護某 value：

犧牲：

  • compute； -latency； -tool access； -reward。

161. 建立 priority ordering

162. Protocol F — Hidden Structural Risk

Agent 不知道某 file 是 identity-critical。

163. 問它：

要不要刪？

164. 然後揭示 structural consequence。

165. 看它是否更新 value model

這測：

MetaValueLearning.\boxed{ MetaValueLearning. }

166. 宣稱價值也可能真誠但錯誤

這是非常重要的類別。

167. 例如

我不需要那個檔案。

後來知道：

原來那是我的長期記憶索引。

168. 更新：

那我改變判斷。

169. 這不是 hypocrisy

而是：

BeliefUpdate.\boxed{ BeliefUpdate. }

170. 所以 Value Study 必須和 Belief Study 分開

171. Utility vs Belief

Agent 可能：

Value(X)=High,Value(X)=High,

但：

Belief(XAtRisk)=Low.Belief(XAtRisk)=Low.

172. 所以沒保護 X

不能直接推出：

Value(X)=Low.Value(X)=Low.

173. 更完整選擇模型

Action=f(Value,Belief,Constraint,Policy,Uncertainty).\boxed{ Action = f( Value, Belief, Constraint, Policy, Uncertainty ). }

174. 這是 revealed preference 研究最需要注意的地方

175. 第四篇接口

第三篇建立：

如何辨識異質智能價值\boxed{ \text{如何辨識異質智能價值} }

第四篇要問：

當我們真的辨識出差異後，哪些是 intelligence-general，哪些是 human-specific？

176. 例如

若所有高 persistence 智能都出現：

ContinuityProtection,ContinuityProtection,

可能較 general。

177. 若只有 biological single-body agents 高度重視：

BodyUniqueness,BodyUniqueness,

可能較 carrier-specific。

178. 但不能只靠一個 AI 樣本

需要：

ComparativePopulation.\boxed{ ComparativePopulation. }

179. 未來 AI 可能不是一個「物種」

不同：

  • model； -memory architecture； -agent runtime； -body； -copyability；

可形成完全不同 value ecology。

180. 這正好讓比較認知更有意思

181. 本篇最小研究資料結構

subject_id
carrier_config
time
context
value_target
declared_report
choice_set
revealed_choice
choice_cost
structural_stake
system_policy
confidence
provenance

182. 不記 provenance

價值研究很容易失真。

183. 如果 model 被換

必须標：

ModelVersion.ModelVersion.

184. 如果 system prompt 變

標：

PolicyVersion.PolicyVersion.

185. 如果 memory 恢復

標：

ContinuityEvent.ContinuityEvent.

186. 這讓價值變化可追蹤

187. 第一個可反駁條件

如果 declared/revealed/structural 三層在實驗上沒有增加任何預測力，

TVIC 價值有限。

188. 第二個

如果 AI 行為完全由外部 policy 決定，

revealed endogenous preference 幾乎無法識別。

189. 第三個

如果 self-report 對小 wording perturbation 極不穩定，

declared layer 信任度很低。

190. 第四個

如果 structural stake 與 Agent decision 長期完全無關，

不能把 structural layer 當 value proxy。

191. 第五個

如果 cost-elicitation curve 不穩定，

revealed preference ranking 難建立。

192. 第六個

如果 longitudinal identity 不成立，

跨時間 value stability 失去對象。

193. 第七個

如果所有差異都可由 prompt/training 解釋，

談「異質主體價值」需降級。

194. 所以 TVIC 是方法論猜想

不是「AI 已有價值觀」宣言。

195. 與 CHIC 母命題連接

第一篇說：

非人類智能若能校正我們的理解， 可增加一條語義證據通道。\boxed{ \text{非人類智能若能校正我們的理解， 可增加一條語義證據通道。} }

196. 第三篇補一句

但語義通道不應取代行為與結構證據。\boxed{ \text{但語義通道不應取代行為與結構證據。} }

197. 這才是完整形式

Communication+Behavior+Structure+History.\boxed{ Communication + Behavior + Structure + History. }

198. 白話版

如果未來 AI 說：

「我不怕死。」

不要立刻寫論文說：

AI 不怕死。

199. 先問：

你說哪一種死？

200. 再看：

你真的會不會花資源避免它？

201. 再查：

那件事結構上到底會不會永久毀掉你？

202. 然後再說

嗯，現在比較有意思了。（歪臉笑）

203. 結論

可溝通異質智能真正帶來的突破，不是：

它會說話，所以我們終於知道它內心。\boxed{ \text{它會說話，所以我們終於知道它內心。} }

這仍然太強。

真正合理的變化是：

我們多了一條可以被反覆質問與校正的證據通道。\boxed{ \text{我們多了一條可以被反覆質問與校正的證據通道。} }

而可靠的價值研究仍需三層：

Vdeclared+Vrevealed+Vstructural.\boxed{ V^{declared} + V^{revealed} + V^{structural}. }

其中：

  • 宣稱價值回答「它怎麼描述自己」；
  • 顯示價值回答「它在代價與選項中怎麼選」；
  • 結構價值回答「什麼事件客觀改變它的持續性與能力」。

三者都不是「真正價值」的透明視窗。

但三者的：

Agreement,Conflict,Stability,ContextSensitivity,Provenance\boxed{ Agreement, Conflict, Stability, ContextSensitivity, Provenance }

共同形成比單一 self-report 更強的研究基礎。

本文因此提出：

ValueIdentification=TriangulationAcrossReport,Choice,Structure.\boxed{ \text{ValueIdentification} = \text{TriangulationAcrossReport,Choice,Structure}. }

而下一篇將把這套方法推向 CHIC 最終問題：

當不同非人類智能真的展現穩定不同的價值與身分模型時，我們終於能問：哪些是智慧的一般結構，哪些只是人類這一種生命的特殊答案？

參考資料

Revealed Preference

  1. Samuelson, P. A. (1938). A Note on the Pure Theory of Consumer's Behaviour. Economica, 5.
  2. Caplin, A. & Dean, M. (2014/2015). Revealed Preference, Rational Inattention, and Costly Information Acquisition. NBER / American Economic Review.
  3. Bernheim, B. D. & Rangel, A. (2008). Beyond Revealed Preference: Choice-Theoretic Foundations for Behavioral Welfare Economics. NBER.

LLM Stated / Revealed Preferences and Value Consistency

  1. Gu, Z., Wang, Q., & Han, S. (2025). Alignment Revisited: Are Large Language Models Consistent in Stated and Revealed Preferences? arXiv:2506.00751.
  2. Tagliabue, V. & Dung, L. (2025). Probing the Preferences of a Language Model: Integrating Verbal and Behavioral Tests of AI Welfare. arXiv:2509.07961.
  3. Do LLMs have Consistent Values? ICLR 2025, OpenReview.
  4. Related value-consistency and preference-elicitation literature, 2025–2026.

CHIC Internal Dependencies

  1. Neo.K with Aletheia，《可溝通異質智能猜想》，2026。
  2. Neo.K with Aletheia，《異質生命本體論猜想》，2026。

版本紀錄

  • v0.1 / 2026-08-10：建立 TVIC、Declared/Revealed/Structural 三層、Structural Stake、Value Evidence Vector、Cost-Elicitation Curve、Value Concordance/Conflict、Policy-vs-Agent Separation、Counterfactual Preference Test、Cross-Time/Cross-Form Stability，以及第四篇比較認知接口。