title: "從真值審查到血統審查：AI Provenance Purism 的認識論範疇錯置" english_title: "From Truth Review to Genealogy Review: The Epistemic Category Mistake of AI Provenance Purism" series: "自指認識與歷史痕跡研究系列" series_english: "Self-Referential Epistemics and Historical Trace Series" series_id: "SEHTS" paper_id: "SEHTS-05" subseries: "AI 資訊資格與認識論自我零化" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Epistemic Separation Paper" date: "2026-08-14" language: "zh-TW"

從真值審查到血統審查

AI Provenance Purism 的認識論範疇錯置

From Truth Review to Genealogy Review

The Epistemic Category Mistake of AI Provenance Purism

作者： Neo.K
機構： EveMissLab
系列： 自指認識與歷史痕跡研究系列（SEHTS），Paper 05
子系列： AI 資訊資格與認識論自我零化
版本： v0.1.0
日期： 2026-08-14

摘要

SEHTS-03 已證明：若「任何 AI ancestry 都使資訊認識價值歸零」為規則，而 AI ancestry penetration 在未來資訊中趨近 $1$ ，則該規則所允許的 pure-information mass 趨近 $0$ 。SEHTS-04 再將此結果擴張到生活 task / resource dependency graph，證明 full-ancestry zero-tolerance policy 會在 contamination closure 擴張時壓縮 pure-feasible life-space。

本文處理下一個更根本的問題：

provenance 究竟是在回答「這個東西從哪裡來」，還是在回答「這個東西是否為真」？

本文首先明確區分四個不同函數。

令 artifact：

x\in\mathcal X.

定義：

Provenance Function

\boxed{ \operatorname{Prov}(x) }

描述 $x$ 的生成者、來源、使用工具、轉換歷史與依賴鏈。

Semantic Content Function

\boxed{ \operatorname{Sem}(x) }

表示 artifact 所承載的命題、程式、資料、數學結構或其他可判定內容。

Validity / Truth Function

\boxed{ T(x) = T( \operatorname{Sem}(x), \Gamma ) }

表示在明示 judgment contract $\Gamma$ 下，該 semantic content 是否成立、正確或通過某種有效性判準。

Epistemic Admissibility Function

\boxed{ A(x) }

表示某 institution / policy 是否允許把 $x$ 作為可採信、可引用、可進入決策的資訊。

這四者可以彼此相關，但不是同一型別。

C2PA 2.2/2.4 的 Content Credentials 規範明確指出：provenance 可以幫助建立 digital content 的來源、歷史與 authenticity，但 provenance information 本身不能告訴使用者內容是否 true、accurate 或 factual；有效的 manifest 也不代表資產內容本身是真的。這提供了一個非常直接的標準級外部基線：provenance verification 與 semantic truth verification 必須分離。

本文將極端 AI provenance purism 形式化為：

\boxed{ A_{\mathrm{pure}}(x) = \mathbf 1[ \operatorname{AIAnc}(x)=0 ]. }

若 institution 再把：

A_{\mathrm{pure}}(x)

等同於：

T(x),

即：

\boxed{ T(x) \stackrel{?}{=} A_{\mathrm{pure}}(x), }

本文稱之為 Provenance–Validity Collapse。

本文證明四個核心結果。

第一，Provenance Non-Determination Proposition：存在相同 provenance、不同 truth value 的 artifacts；也存在不同 provenance、相同 semantic validity 的 artifacts。因此 provenance 一般既不是 truth 的充分條件，也不是 truth 的必要條件。

第二，Origin-Invariant Verification Proposition：若 verifier：

V_\Gamma

只依賴 semantic object 與 verification environment：

V_\Gamma(x) = F( \operatorname{Sem}(x), \Gamma ),

而不讀 provenance，則任何 semantic-equivalent artifacts：

\operatorname{Sem}(x)=\operatorname{Sem}(y)

都有：

\boxed{ V_\Gamma(x)=V_\Gamma(y) }

無論：

\operatorname{Prov}(x) \neq \operatorname{Prov}(y).

Lean theorem prover 提供一個現實例子：kernel 是否接受 proof 依賴 theorem statement、imports、axioms 與 proof object；Lean 官方文件還明確提供 independent checking 的 threat-model guidance。只要同一 proof object / formal statement 在相同 trusted environment 下通過 kernel，它不會因作者是 human、AI 或其他 source 而改變 kernel verdict。

第三，Genealogy-Review Divergence Theorem：若某 policy 對 semantic-equivalent artifacts 因 provenance 不同給出不同 admissibility，但 provenance-invariant verifier 給出相同 validity，則該 policy 的 decision variable 不是 semantic validity，而是 genealogy class。它可以是合法的 governance policy，但不能再被描述為「truth review 本身」。

第四，Verification-Dominance Escape Proposition：若 institution 願意讓 formal proof、independent replication、empirical test 或其他 admissible verifier 覆蓋 origin-nullification，則 AI provenance 不再是 epistemic worthlessness 的充分條件。provenance 的合理角色轉為：調整 prior trust、audit burden、disclosure obligation、risk score 或 verification cost。

本文因此把「AI 參與內容是否值得相信」重新寫為多維判定：

\boxed{ J(x) = F( \operatorname{Prov}(x), E(x), V(x), S(x), R(x) ), }

其中：

$\operatorname{Prov}(x)$ ：provenance；
$E(x)$ ：evidence；
$V(x)$ ：verification result；
$S(x)$ ：scope / domain；
$R(x)$ ：risk / decision context。

此框架不要求 provenance 被忽略。相反，它把 provenance 放回它真正擅長回答的問題：

這個 artifact 是怎麼來的？誰／什麼系統參與？過程是否可追蹤？是否被修改？是否需要額外 audit？

而不是讓 provenance 直接替代：

這個 theorem 成立嗎？這個程式符合規格嗎？這個 empirical claim 被資料支持嗎？

因此本文所說「血統審查」不是把所有 provenance-based policies 貶義化，而只指一種特定 regime：當 artifact genealogy 被升格為 truth/validity 的主判準，甚至可以凌駕 provenance-invariant proof / evidence。

本文最後將這個 regime 與 SEHTS-03、04 接起來。若 genealogy review 再採 full AI-ancestry closure，它不只造成 future-information self-nullification 與 life-space quarantine；它還會讓 institution 的主要驗證成本從：

\boxed{ \text{Is the claim correct?} }

轉向：

\boxed{ \text{Can we prove no forbidden ancestry exists?} }

這正是下一篇 SEHTS-06「No-AI Provenance 的不可證明負擔」的入口。

關鍵詞： Provenance, Truth, Validity, AI Purism, Genealogy Review, Formal Verification, Lean, C2PA, Content Credentials, Epistemic Admissibility, Genetic Criterion, Verification, Provenance-Invariant Verifier

1. 問題：來源和真假是不是同一件事？

如果一個 theorem：

T

由 human 提出。

另一個完全相同 theorem：

T

由 AI 提出。

它們是：

\boxed{ \text{兩個不同來源事件} }

但 theorem semantic content 可以是：

\boxed{ \text{同一個}. }

因此最先要問的是：

\boxed{ \operatorname{Prov}(x) }

和：

\boxed{ T(x) }

是否屬於同一型別。

答案一般是否定的。

2. 四個不同函數

令：

x\in\mathcal X.

2.1 Provenance

\operatorname{Prov}(x)

回答：

誰生成；
使用什麼工具；
derived from 哪些 artifacts；
何時修改；
哪些 agents 參與。

2.2 Semantics

\operatorname{Sem}(x)

回答：

$x$ 到底聲稱、計算、表示或執行什麼？

2.3 Truth / Validity

T_\Gamma(x)

回答：

在 judgment contract $\Gamma$ 下，semantic object 是否成立？

2.4 Admissibility

A_\Pi(x)

回答：

policy $\Pi$ 是否允許 $x$ 被採用？

這四種函數不應無聲等同。

3. C2PA 已經把 Provenance 與 Truth 分開

C2PA 的 Content Credentials 處理：

asset provenance；
actors；
modifications；
signatures；
content bindings；
tamper evidence。

但 C2PA 自己明確聲明：

provenance information alone 不能判定 digital asset 是否 true、accurate 或 factual。

因此：

\boxed{ \text{valid provenance} \not\Rightarrow \text{true content}. }

而 absence of Content Credentials 也不自動表示：

\boxed{ \text{content untrustworthy}. }

這是一個非常適合本篇的現成標準邊界。

4. Authenticity 也不等於 Truth

C2PA 技術規範把 authenticity 定義為：

可由 provenance data 與 content bindings 等事實進行 cryptographic verification，確認其未被篡改。

所以：

\boxed{ \text{authentic} }

回答：

這份 artifact 是不是它所宣稱／綁定的 artifact？

不是：

\boxed{ \text{artifact 裡的 proposition 一定為真}. }

一篇 authentic 的錯誤文章仍然是錯誤文章。

5. Provenance Purism

本文定義 AI ancestry indicator：

\operatorname{AIAnc}(x) \in \{0,1\}.

極端 purity admissibility：

\boxed{ A_{\mathrm{pure}}(x) = 1- \operatorname{AIAnc}(x). }

也就是：

\operatorname{AIAnc}(x)=1 \Rightarrow A_{\mathrm{pure}}(x)=0.

這是一條 policy。

本身並不邏輯矛盾。

6. 問題出現在 Policy 被冒充成 Truth Function

如果 institution 進一步說：

\boxed{ A_{\mathrm{pure}}(x)=0 \Longrightarrow T(x)=0, }

或實際操作中：

只要 AI ancestry，不管 proof / experiment 結果，內容都不算。

那 provenance policy 開始取代 semantic validity。

本文稱：

\boxed{ \text{Provenance–Validity Collapse}. }

7. Provenance Non-Determination Proposition：第一方向

命題 7.1

存在相同 provenance class：

\operatorname{Prov}(x) = \operatorname{Prov}(y)

但：

T(x)\neq T(y).

證明

取同一 human author 在同一工具環境下寫兩句：

x: 2+2=4,

y: 2+2=5.

可以令 provenance metadata 相同至所關心的 policy granularity：

same author；
same editor；
same day；
same device；
no AI。

但：

T(x)=1,

T(y)=0.

故 provenance 不唯一決定 truth。

\boxed{\square}

8. Provenance Non-Determination Proposition：第二方向

命題 8.1

存在不同 provenance：

\operatorname{Prov}(x) \neq \operatorname{Prov}(y)

但 semantic content 與 validity 相同。

證明

令：

x

為 human 產生的：

2+2=4.

令：

y

為 AI 產生的：

2+2=4.

則：

\operatorname{Prov}(x) \neq \operatorname{Prov}(y).

但：

\operatorname{Sem}(x) = \operatorname{Sem}(y),

所以在 ordinary arithmetic semantics：

T(x)=T(y)=1.

\boxed{\square}

9. 因此 Provenance 一般既不是 Truth 的充分條件，也不是必要條件

由 7.1：

\boxed{ \operatorname{Prov}(x)=p }

不保證：

T(x)=1.

由 8.1：

不同 provenance 也可以具有相同 truth value。

所以：

\boxed{ \text{source genealogy} }

與：

\boxed{ \text{semantic truth} }

不能在一般情況下等同。

10. 這不是說 Provenance 無關

Provenance 可以影響：

\boxed{ \text{prior trust}. }

例如：

source 曾大量 hallucinate；
data collection procedure 不可信；
model version 未知；
document 被修改；
author conflict of interest。

因此：

\operatorname{Prov}(x)

可以是 epistemic input。

本文反對的只是：

\boxed{ \operatorname{Prov}(x) \text{ alone} \Rightarrow T(x). }

11. Origin-Invariant Verifier

定義 11.1

若 verifier：

V_\Gamma

滿足：

\boxed{ V_\Gamma(x) = F( \operatorname{Sem}(x), \Gamma ), }

且不讀：

\operatorname{Prov}(x),

稱為 provenance-invariant verifier。

12. Origin-Invariant Verification Proposition

定理 12.1

若：

\operatorname{Sem}(x) = \operatorname{Sem}(y),

且使用同一：

\Gamma,

則 provenance-invariant verifier 滿足：

\boxed{ V_\Gamma(x) = V_\Gamma(y). }

證明

由定義：

V_\Gamma(x) = F( \operatorname{Sem}(x), \Gamma ),

V_\Gamma(y) = F( \operatorname{Sem}(y), \Gamma ).

而：

\operatorname{Sem}(x) = \operatorname{Sem}(y).

故：

V_\Gamma(x) = V_\Gamma(y).

\boxed{\square}

13. Lean 是一個非常乾淨的例子

Lean 官方文件指出：

theorem statement 成功 elaborated；
Lean kernel 接受 proof；
可使用獨立 checker 重查。

因此 formal validity 的直接問題是：

\boxed{ \text{proof object 是否在指定 definitions / axioms / imports 下被 kernel 接受？} }

不是：

\boxed{ \text{proof 最初由誰想到？} }

14. 但 Formal Verification 也不是宇宙真理機

Lean 官方文件也明確提醒：

formal statement 是否對應 intended informal meaning；
imports 是否可信；
是否使用 unsound axioms；

仍然是 trust boundary。

所以本文不把：

\boxed{ \text{kernel accepted} }

偷換成：

\boxed{ \text{所有哲學與現實含義都絕對為真}. }

只說：

\boxed{ \text{在 formal contract 內，verdict 可以 provenance-invariant}. }

15. AI-Generated Proof 的關鍵問題

如果 AI 產生：

\pi_{\mathrm{AI}}.

human 產生：

\pi_{\mathrm{H}}.

兩者都對同 theorem：

T.

若 kernel：

K

接受：

K(T,\pi_{\mathrm{AI}})=1,

K(T,\pi_{\mathrm{H}})=1,

則 kernel validity 不因 origin 改變。

如果 institution 仍接受 human proof、拒絕 AI proof，

它實施的是：

\boxed{ \text{provenance-admissibility policy}, }

不是 kernel-validity policy。

16. Genealogy-Review Divergence Theorem

定理 16.1

假設：

\operatorname{Sem}(x) = \operatorname{Sem}(y),

且 provenance-invariant verifier 給：

V_\Gamma(x) = V_\Gamma(y)=1.

若 policy：

A_\Pi

卻因：

\operatorname{Prov}(x) \neq \operatorname{Prov}(y)

給：

A_\Pi(x)=1,

A_\Pi(y)=0,

則：

\boxed{ A_\Pi }

不是：

\boxed{ V_\Gamma }

的 truth/validity-equivalent rule，而是 genealogy-sensitive admissibility rule。

證明

若兩者等價，則相同 verifier verdict 應給相同 decision。

但：

V_\Gamma(x)=V_\Gamma(y)

而：

A_\Pi(x)\neq A_\Pi(y).

故：

A_\Pi

依賴額外 variable。

依假設差異來自 provenance。

故為 genealogy-sensitive rule。

\boxed{\square}

17. 「血統審查」的精確定義

本文不把所有 provenance review 稱為血統審查。

只有當：

\boxed{ \text{genealogy difference can override equal semantic verification} }

時，才稱：

\boxed{ \text{Genealogy Review Regime}. }

18. Governance 可以合法使用 Genealogy Rule

例如 institution 可能因：

copyright；
authorship；
conflict of interest；
contest rule；
classroom policy；
regulated workflow；
confidential-source restriction；

拒絕某 provenance。

這可以完全合理。

本文只要求：

\boxed{ \text{不要把 governance inadmissibility 說成 semantic falsity}. }

19. 四種 Verdict 必須分開

對 artifact：

x,

可以同時有：

Semantic Verdict

T(x).

Verification Verdict

V(x).

Provenance Verdict

P_{\mathrm{prov}}(x).

Institutional Admissibility

A(x).

一個 artifact 可以：

true but inadmissible；
false but authentic；
authentic but unverified；
verified but prohibited by contest rule。

這些不是矛盾。

20. Authentic Falsehood

例如一篇作者本人真的寫過的錯誤論文。

其 provenance：

\operatorname{Prov}(x)

完全可信。

artifact authentication 成功。

但：

T(x)=0

仍然可能成立。

所以：

\boxed{ \text{authenticity} \neq \text{truth}. }

21. Unauthenticated Truth

反過來，一張沒有 Content Credentials 的圖可能仍然真實。

一個沒有 provenance metadata 的 theorem 也可能成立。

所以：

\boxed{ \text{missing provenance} \not\Rightarrow \text{false}. }

只是 auditability / trust 下降。

22. Provenance Policy 可以影響 Prior

令：

H

為 hypothesis：

\text{artifact claim is correct}.

可以依 provenance 設：

P(H\mid\operatorname{Prov}(x)).

不同來源：

p_1,p_2

給不同 prior。

這是合理 source-sensitive epistemology。

23. Evidence 進來後應更新

若取得：

E,

則：

P( H \mid E,\operatorname{Prov}(x) )

可以大幅改變。

因此合理來源政策是：

\boxed{ \text{provenance affects prior / burden}. }

而不是：

\boxed{ \text{provenance permanently fixes truth}. }

24. Verification-Dominance Escape Proposition

命題 24.1

若 institution 存在某 admissible verifier $V$ ，並接受：

V(x)=1 \Rightarrow A(x)>0

即使：

\operatorname{AIAnc}(x)=1,

則 AI ancestry 不是 epistemic nullification 的充分條件。

證明

存在：

x

使：

\operatorname{AIAnc}(x)=1

且：

A(x)>0.

因此：

\operatorname{AIAnc}(x)=1 \Rightarrow A(x)=0

不是 universal implication。

\boxed{\square}

25. Verification Override 可以有哪些？

Formal

theorem prover；
compiler；
model checker；
exact symbolic checker。

Empirical

independent experiment；
replication；
benchmark；
measurement。

Statistical

confidence interval；
hypothesis test；
calibration；
predictive validation。

Human Expert

domain review；
independent derivation；
source inspection。

不同 domain 需要不同 verifier。

26. 不能把 Human Review 神化成 Deterministic Truth

human review 也可能錯。

所以：

\boxed{ \text{human} }

不是本文的 truth oracle。

它只是 possible verifier / reviewer。

這也防止論文退化成：

AI 壞，人類好。

27. 來源血統與真值的最小正交模型

可以把 artifact 映射成：

\boxed{ x \mapsto ( g(x), t(x) ) }

其中：

g(x)

是 genealogy class，

t(x)

是 semantic validity class。

則四象限都可以存在：

human-origin + true；
human-origin + false；
AI-origin + true；
AI-origin + false。

因此：

\boxed{ g }

與：

\boxed{ t }

不是同一 coordinate。

28. 這個四象限已足以摧毀 Universal Origin Rule

若世界中第 3 象限非空：

\exists x: \operatorname{AIAnc}(x)=1, \quad T(x)=1,

則：

\boxed{ \text{AI origin} \not\Rightarrow \text{false}. }

若第 2 象限非空：

\exists y: \operatorname{AIAnc}(y)=0, \quad T(y)=0,

則：

\boxed{ \text{human-only origin} \not\Rightarrow \text{true}. }

29. 但 Origin Rule 可以仍然作為 Admission Rule

institution 可以說：

我知道它可能是真的，但我們的比賽規則禁止 AI。

這完全一致。

那其規則是：

\boxed{ \text{eligibility rule}. }

不是：

\boxed{ \text{truth rule}. }

本文真正要求的是 type clarity。

30. Contest Example

假設 AI 幫學生寫出完全正確 proof。

數學上：

V_{\mathrm{math}}(x)=1.

課堂規則：

A_{\mathrm{course}}(x)=0.

兩者可以同時成立：

\boxed{ \text{mathematically valid} + \text{academically inadmissible}. }

沒有矛盾。

31. 科學論文則不同

若 journal 的主要 mission 是判斷：

methodology；
evidence；
novelty；
reproducibility；

那 AI provenance 可以是 disclosure / integrity variable。

但如果它凌駕所有 evidence：

因 AI 參與，所以即使 independently replicated 也沒有知識價值。

institution 就已改變 mission。

32. Mission Shift

定義 institution score：

J(x).

如果：

J

主要取決：

T,V,E

稱為：

\boxed{ \text{truth/evidence review}. }

如果主要取決：

\operatorname{Prov},

且 provenance 能 override：

T,V,E,

稱為：

\boxed{ \text{genealogy review}. }

33. Genealogy Review 不必然錯，但必須承認自己在做什麼

如果 institution 的目的就是：

保存純人類創作競賽。

那 genealogy review 完全符合 mission。

但若 institution 宣稱：

我在判定 theorem 是否成立。

卻只看 origin，

那就是：

\boxed{ \text{criterion–target mismatch}. }

本文把這稱為：

\boxed{ \text{epistemic category mistake}. }

34. Category Mistake 的操作定義

本文不把「category mistake」當嚴格哲學術語優先權主張。

只作操作性定義：

若 target property：

Y

與 decision variable：

X

在已知反例中可彼此獨立變動，

但 policy 卻把：

X

當成：

Y

的直接替代，

則稱：

\boxed{ \text{criterion–target category mismatch}. }

35. 對 Provenance Purism 的套用

target：

Y=T(x)

為 truth / validity。

criterion：

X=\operatorname{AIAnc}(x).

由第 7、8 節已有反例：

X

和：

Y

可獨立變動。

因此：

\boxed{ X\text{ cannot generally substitute for }Y. }

36. 「血統」不是侮辱來源研究

生命科學、法證、供應鏈、媒體 authenticity 都非常需要 lineage / provenance。

本文稱「血統審查」只是在刻畫：

\boxed{ \text{lineage becomes the primary epistemic gate independent of content validation}. }

不是反對 provenance science。

37. C2PA 正好證明這個邊界可以制度化

C2PA 沒有說：

Content Credentials 不重要。

它做的恰好相反：

\boxed{ \text{強化 provenance}. }

但同時明確保留：

\boxed{ \text{provenance does not itself decide factual truth}. }

這是本文最重要的制度級 analog。

38. Formal Proof 是最乾淨的極限案例

因為 proof checker 的 contract 可以非常明確。

若：

V(T,\pi)=1,

institution 如果仍因：

\operatorname{Prov}(\pi)

拒絕，

就非常容易看出：

\boxed{ \text{拒絕理由不再是 proof invalidity}. }

這讓 formal mathematics 成為分析 provenance purism 的好 testbed。

39. Empirical Science 比 Formal Proof 更複雜

empirical claim：

H

沒有單一 kernel verifier。

需要：

measurements；
statistics；
replication；
model assumptions；
instruments。

因此 provenance 可能更重要。

但即使如此：

\boxed{ \text{origin} }

仍不能取代：

\boxed{ \text{empirical support}. }

40. Data Provenance 與 Data Truth

dataset provenance 可以告訴你：

sensor；
pipeline；
preprocessing；
curator；
AI augmentation。

但不能單靠 provenance 決定：

labels 全部正確。

所以：

\boxed{ \text{provenance quality} }

與：

\boxed{ \text{data accuracy} }

仍需分開。

41. Software Provenance 與 Software Correctness

SLSA / SBOM 可告訴你：

packages；
build source；
provenance；
dependencies。

但：

\boxed{ \text{clean supply-chain provenance} }

不保證：

\boxed{ \text{program satisfies specification}. }

仍需要 tests / formal verification / runtime evidence。

42. AI Content Provenance 與 AI Content Correctness

同樣：

\boxed{ \text{AI-generated} }

可以提高 hallucination risk prior。

但 content 是否正確需要：

source check；
calculation；
proof；
experiment；
reproduction。

所以：

\boxed{ \text{AI provenance} }

應主要改變：

\boxed{ \text{verification policy}. }

43. Provenance as Burden Modifier

定義：

B(x)

為 verification burden。

可以寫：

\boxed{ B(x) = B_0(x) + \lambda R_{\mathrm{prov}}(x). }

其中：

R_{\mathrm{prov}}

是 provenance risk。

這比：

A_{\mathrm{pure}}(x)\in\{0,1\}

更適合現實風險管理。

44. Zero-Tolerance 仍然可以保留在特定 Domain

例如：

exam；
no-AI art contest；
classified environment；
authorship benchmark。

這些 domain 可以設：

\boxed{ A(x)=0 }

即使：

T(x)=1.

只要 institution 說清楚：

\boxed{ \text{這是 provenance eligibility policy}. }

就沒有 conceptual confusion。

45. Human × AI Publication 的新問題

未來很多 artifact 可能不是：

\boxed{ \text{human} }

或：

\boxed{ \text{AI} }

二元。

而是 provenance graph：

\boxed{ \text{human} \rightarrow \text{AI} \rightarrow \text{human verification} \rightarrow \text{tool} \rightarrow \text{human revision}. }

因此 binary authorship label 可能不足。

46. Contribution Vector

可以用：

\boxed{ \mathbf c(x) = ( c_H, c_A, c_T, c_V ) }

粗略表示：

human contribution；
AI generation contribution；
tool contribution；
verification contribution。

本文不宣稱這個 vector 可客觀唯一測量。

只用來說明：

\boxed{ \text{mixed provenance is structurally richer than binary origin}. }

47. Institutional Review Matrix

一個 artifact 可以有多個 verdict：

Axis	Example
Semantic validity	valid / invalid
Empirical support	strong / weak
Provenance integrity	complete / incomplete
AI involvement	none / partial / extensive
Authorship eligibility	allowed / disallowed
Reproducibility	reproduced / not reproduced
Risk	low / high

將全部壓成：

\boxed{ \text{AI / non-AI} }

會丟失大量資訊。

48. UJDPF 的角色

UJDPF 要求：

\boxed{ \text{不同 judgment 要有不同 type}. }

所以：

\boxed{ \text{provenance judgment} }

與：

\boxed{ \text{truth judgment} }

本來就應放在不同 judgment domains / coordinates。

SEHTS-05 是這個 type discipline 的 institutional application。

49. PDHES 的角色

PDHES 已將：

\boxed{ \text{proposal} }

與：

\boxed{ \text{verifier} }

分開。

AI generator 可以產生 candidate。

formal / empirical verifier 決定它是否通過 contract。

所以：

\boxed{ \text{proposal source} }

不應直接取代：

\boxed{ \text{verification result}. }

50. AER 的角色

AER 更進一步：

若 AI proposal 錯，

世界會反駁。

若 proposal 對，

fresh evidence 可以支持。

因此：

\boxed{ \text{epistemic status is dynamically earned}. }

不是由 proposal genealogy 永久決定。

51. SEHTS 的角色

SEHTS 保存：

artifact；
provenance；
verifier；
historical trace。

所以未來最完整的判定不是：

這是不是 AI 寫的？

而是：

它怎麼產生？經過什麼驗證？哪些部分可重現？哪個 scope 有效？哪些結論仍 unresolved？

52. Genealogy Review 的制度成本

若 institution 把主要資源投入：

\boxed{ \text{No-AI ancestry audit} }

而不是：

\boxed{ \text{semantic/evidence audit}, }

那 review budget：

B

會被重分配。

可粗略寫：

\boxed{ B = B_{\mathrm{truth}} + B_{\mathrm{genealogy}}. }

若：

B_{\mathrm{genealogy}} \rightarrow B,

則：

B_{\mathrm{truth}} \rightarrow0.

這不是定理說成果一定變差。

只是指出 finite review budget 下存在 opportunity cost。

53. 下一篇的真正炸點

full genealogy review 還有更難的一題：

你怎麼證明一個 artifact 的 ancestry 沒有 AI？

看到一個 AI provenance edge 可以證明 contaminated。

但證明：

\boxed{ \text{no AI path exists} }

需要接近 complete provenance graph。

這是正／負證明不對稱。

SEHTS-06 將專門處理。

54. No-AI Certificate 的直觀問題

要發：

NO-AI CERTIFIED

你至少要知道：

author；
collaborators；
software；
search；
translation；
editing；
source materials；
upstream datasets；
build systems；
recommendations。

越採 full ancestry rule，

certificate scope 越接近整個 dependency history。

55. Missing Provenance 會讓 Institution 面臨三選一

若某 upstream history unknown：

Allow

把 unknown 視為 clean。

Reject

把 unknown 視為 contaminated。

Audit

要求補 provenance。

第一條產生 false purity。

第二條產生 massive false rejection。

第三條產生成本。

這會是 SEHTS-06 的 policy trilemma。

56. Epistemic Hygiene 再次出現

比起：

\boxed{ \text{AI ancestry} \Rightarrow \text{reject}, }

較穩健的 policy 是：

\boxed{ \text{AI / unknown provenance} \Rightarrow \text{adjust verification burden}. }

這保留 provenance 價值，又避免把 ancestry 變 truth surrogate。

57. 黑色幽默《純人類科學院》的理論底座

故事中科學院的荒謬點不是：

它討厭 AI。

而是：

即使 formal proof / experiment 通過，committee 仍優先追查「這個想法曾不曾接觸 AI」。

因此：

\boxed{ B_{\mathrm{genealogy}} \gg B_{\mathrm{truth}}. }

最後 institution mission shift：

\boxed{ \text{knowledge production} \rightarrow \text{ancestry certification}. }

58. 這篇故事也要保留一個公平出口

如果科學院的 mission 本來就是：

研究純人類 cognition 能做到什麼。

那 No-AI rule 完全合理。

問題只在它不能同時宣稱：

被排除的 theorem 因此在數學上不成立。

也就是：

\boxed{ \text{mission typing}. }

59. 新穎性邊界

本文不宣稱首次提出：

provenance；
authenticity；
genetic fallacy；
formal verification；
Lean；
content credentials；
source credibility；
scientific replication；
institutional eligibility rules。

本文提出的是：

\boxed{ \text{Provenance–Validity Separation} }

在 AI-origin purism 中的形式化應用。

核心結構包括：

provenance / semantics / validity / admissibility 四函數分離；
Provenance Non-Determination；
Origin-Invariant Verification；
Genealogy-Review Divergence；
Verification-Dominance Escape；
truth review / genealogy review 的 institutional regime distinction；
provenance-as-burden-modifier 的替代政策。

60. 本文不證明什麼？

本文不證明：

\boxed{ \text{AI provenance 不重要}. }

不證明：

\boxed{ \text{AI-generated content 應自動被接受}. }

不證明：

\boxed{ \text{formal verification 解決所有 truth 問題}. }

不證明：

\boxed{ \text{所有 No-AI policies 都是 irrational}. }

只證明：

\boxed{ \text{provenance criterion 與 semantic validity criterion 在一般情況下不可無聲等同}. }

61. 最終分離定理

可以把全文壓縮成：

Provenance–Validity Separation

存在映射：

\operatorname{Prov}: \mathcal X \rightarrow \mathcal G,

與：

T: \mathcal X \rightarrow \{0,1\}

使：

同 provenance 可有不同 $T$ ；
不同 provenance 可有相同 $T$ 。

因此：

\boxed{ T }

一般不能寫成 provenance 的純函數：

\boxed{ T=f\circ\operatorname{Prov} }

除非研究 domain 額外建立非常特殊的限制。

62. 結論

本文承接 SEHTS-03、04，把極端 AI provenance purism 從：

\boxed{ \text{資訊零化} }

與：

\boxed{ \text{生活隔離} }

推到 institution 的 judgment structure。

最重要的結論是：

\boxed{ \operatorname{Prov}(x) \neq \operatorname{Sem}(x) \neq T(x) \neq A(x). }

provenance 回答：

從哪裡來？

semantic validity 回答：

在指定 contract 下是否成立？

institutional admissibility 回答：

我們是否允許它被使用？

這些判斷可以互相影響，但不能無聲塌縮成一個 binary AI label。

C2PA 的設計已經給出一個現成制度例子：

\boxed{ \text{provenance can be cryptographically verified} }

而：

\boxed{ \text{provenance alone cannot establish factual truth}. }

Lean 又提供一個另一端的例子：

\boxed{ \text{formal proof verdict can be provenance-invariant}. }

所以如果兩個 semantic-equivalent proofs：

x,y

都被同一 kernel 接受，

而 institution 只因：

\operatorname{Prov}(x) \neq \operatorname{Prov}(y)

接受一個、拒絕另一個，

那它做的是：

\boxed{ \text{genealogy-sensitive admissibility review}. }

這可以是合法 governance。

但它不是：

\boxed{ \text{proof-validity review}. }

因此本文所謂「從真值審查到血統審查」真正指的是：

\boxed{ \text{institutional mission shift} }

——由：

\boxed{ \text{What is true / valid / supported?} }

轉向：

\boxed{ \text{What lineage is allowed?} }

如果這個轉向是明示的，概念上沒有矛盾。

如果它被包裝成同一種 truth criterion，才產生本文所說的 epistemic category mistake。

而下一篇 SEHTS-06 將處理這套 genealogy regime 最難逃的一個工程—認識論問題：

\boxed{ \text{證明「有 AI ancestry」通常只需一條 witness path；} }

但：

\boxed{ \text{證明「完全沒有 AI ancestry」可能需要證明整張祖先圖中不存在任何 forbidden path。} }

也就是：

No-AI Provenance 的不可證明負擔。

參考文獻

[1] Coalition for Content Provenance and Authenticity. (2025–2026). C2PA Specifications / Content Credentials Explainer, v2.2–v2.4.

[2] Lebo, T., Sahoo, S., McGuinness, D., et al. (2013). PROV-O: The PROV Ontology. W3C Recommendation.

[3] Lean FRO / Lean Community. (2026). Lean Reference Manual: Validating a Lean Proof and Lean FAQ.

[4] Carneiro, M. (2024). Lean4Lean: Towards a Verified Typechecker for Lean, in Lean. arXiv:2403.14064.

[5] Neo.K. (2026). AI 介入即資訊無效？來源零化公理與認識論自我零化定理. SEHTS-03.

[6] Neo.K. (2026). AI 認識隔離悖論：因果污染閉包與後 AI 生活空間的收縮. SEHTS-04.

[7] Neo.K. (2026). 超概率統一框架：判定域、尺度、時間、遞歸階與傳輸見證的公理化. JDPSP-09 / UJDPF.

Appendix A. Four-Function Separation

artifact x:

Prov(x):
  origin
  actors
  tools
  derivation
  history

Sem(x):
  proposition
  code
  data meaning
  formal object

T(x):
  semantic truth / validity
  under declared contract Gamma

A(x):
  institutional admissibility
  under declared policy Pi

Appendix B. Genealogy-Review Criterion

genealogy_review_regime if:

  semantic_equivalent(x, y) == true
  verifier(x) == verifier(y)

  but

  admissibility(x) != admissibility(y)

  because

  provenance(x) != provenance(y)

Appendix C. Review Matrix

semantic_validity:
  valid
  invalid
  unresolved

verification:
  passed
  failed
  unavailable

provenance_integrity:
  complete
  partial
  unknown

ai_involvement:
  none
  direct
  indirect
  unknown

institutional_eligibility:
  allowed
  restricted
  prohibited

reproducibility:
  reproduced
  not_reproduced
  not_tested

Appendix D. Policy Types

TYPE_A:
  provenance ignored

TYPE_B:
  provenance modifies prior trust

TYPE_C:
  provenance modifies verification burden

TYPE_D:
  provenance controls eligibility but not truth

TYPE_E:
  provenance overrides semantic verification

Paper target:
  TYPE_E as genealogy-review regime