生成判斷論：從動態邏輯到可執行知識

動態邏輯解與生成判斷系列・第七篇／主系列封頂篇

英文題名： Generative Judgment Theory: From Dynamic Logic to Executable Knowledge
版本： v0.1
日期： 2026-08-16
作者： Neo.K／Aletheia

摘要

前六篇依序建立：判斷過程、絕對動態解、生成態 $\Omega$ 、動態不動點、可不可生成治理，以及暫時閉合—責任—修正閉環。

本文將它們統一為「生成判斷論」（Generative Judgment Theory, GJT）。

其最小系統為：

\boxed{ \mathfrak G = ( P, E, \Gamma, J, \mathsf{Can}, \mathsf{Cannot}, \mathcal I, A, R, H ) }

其中：

$P$ ：命題／假說；
$E$ ：證據流；
$\Gamma$ ：判定域；
$J$ ：動態判斷狀態；
$\mathsf{Can}$ ：可生成轉移；
$\mathsf{Cannot}$ ：限制／護界；
$\mathcal I$ ：動態不變量；
$A$ ：行動；
$R$ ：責任與修復；
$H$ ：歷史。

生成判斷不是單純把一個 probability 更新到另一個 probability，也不是把論文改成動畫。它要求知識物件能保存：

\text{evidence} + \text{state} + \text{transition} + \text{reason} + \text{history} + \text{responsibility}.

本文因此提出「可執行知識」（Executable Knowledge）命題：若某類知識的核心內容包含可重算、可重開、可回放的判斷過程，那麼靜態 MD／HTML／PDF 只能是某一時間點的 snapshot projection，而不能獨占 canonical state。

EveGlyph AIMD-C 既有的 computable document 核心已提供可計算公式、依賴圖、assertion、live re-evaluation 與 computation ledger；生成判斷論在其上再加入 time、evidence、judgment state、reopen 與 responsibility，即可形成第一代「會運行的論文」。

一、七篇的合併

第一篇：

J(P)\rightarrow J(P,t).

第二篇：

\text{Solution} \rightarrow \gamma.

第三篇：

\Omega = \text{generating judgment}.

第四篇：

\mathcal I(S_{t+1}) = \mathcal I(S_t).

第五篇：

X_{t+1} = F( X_t, \mathsf{Can}, \mathsf{Cannot} ).

第六篇：

\text{Action} \rightarrow \text{Responsibility} \rightarrow \text{Revision}.

本文統一它們。

二、生成判斷的最小狀態

定義：

S_t = ( J_t, E_t, \Gamma_t, \mathcal I_t, L_t ).

其中：

L_t

是 unresolved responsibility / normative debt。

狀態更新：

S_{t+1} = U(S_t,e_{t+1}).

三、生成不是「不斷產生文字」

AI 時代很容易把 generation 理解成：

token generation。

本文的「生成」不是這個意思。

它至少包括：

新假說；
新分類；
新變量；
新觀察位置；
新因果關係；
新判定域；
新責任條件。

因此：

\boxed{ \text{Generative Judgment} \neq \text{Generative Text}. }

四、判斷過程可以改變問題本身

傳統流程：

P \rightarrow \text{answer}.

生成判斷允許：

P \rightarrow \{P_1,P_2,P_3\}.

也允許：

\Gamma_t \rightarrow \Gamma_{t+1}.

即研究後發現：

原本問題問錯了。

這不是失敗，而是高價值輸出。

五、知識物件

定義 executable knowledge object：

K = ( S, G, R, L, V ).

其中：

$S$ ：source；
$G$ ：dependency / claim graph；
$R$ ：runtime rules；
$L$ ：ledger；
$V$ ：views / projections。

六、Source 不等於 View

核心：

\boxed{ \text{Canonical Source} \neq \text{Rendering View}. }

因此：

UTF-8 source
runtime state
event ledger
schemas

是 canonical layer。

而：

HTML
PDF
Markdown snapshot
dashboard

是 projection。

七、公式從字串變成 AST

靜態公式：

y=f(x)

通常作為排版字串。

可執行公式需要：

\operatorname{AST}(f).

並可：

x_t \rightarrow \operatorname{Eval} \rightarrow y_t.

若公式模型被修正：

AST_t \rightarrow AST_{t+1},

rewrite history 也應保存。

八、論文本身可以有狀態

例如：

draft
computable
validated
provisionally-closed
reopened
superseded

此狀態不是文章中的文字。

是 document runtime metadata。

九、活論文

可定義：

\boxed{ \text{Live Paper} = \text{Narrative} + \text{Executable Blocks} + \text{Judgment Runtime} + \text{Ledger}. }

它不是 Jupyter Notebook 的另一個名字。

Jupyter 主要將 narrative、code、output 放在同一 notebook 中。

Live Paper 的額外重點是：

claim state；
evidence provenance；
closure/reopen；
history replay；
formula/judgment coupling。

十、重現性問題

可執行文件並不自動等於可重現。

必須保存：

runtime version；
dependencies；
source hash；
input hash；
environment；
model version；
external data snapshot。

因此：

\boxed{ \text{Executable} \not\Rightarrow \text{Reproducible}. }

十一、Computation Ledger 與 Judgment Ledger

定義：

L_C = \text{計算紀錄},

L_J = \text{判斷紀錄}.

兩者連接：

L_J \xrightarrow{\operatorname{depends}} L_C.

例如：

posterior 0.73

來自某計算 block。

判斷：

暫時支持

則是另一層 decision。

十二、Evidence Graph

證據不是一個 list 就夠。

建立：

G_E = (V_E,E_E).

需要區分：

independent；
copied；
derived；
contradicts；
supports；
invalidates；
supersedes。

否則 50 篇轉載會被當成 50 個獨立證據。

十三、Claim Graph

同理：

G_C.

可以有：

P_1\Rightarrow P_2,

P_3\perp P_2,

P_4 \text{ attacks assumption of }P_1.

生成判斷可以把論文從線性文字升級成可導航 argument object。

十四、動態公式

所謂「公式會動」有三層。

值動

f(x_t)=y_t.

狀態動

J(P,t)

變化。

結構動

f_t \rightarrow f_{t+1}.

第三層才是真正的生成公式。

十五、動態章節

理論上論文章節也可以根據 claim graph 顯影。

例如：

Current Conclusion

因重大反證變成：

Former Closure
Reopened Conflict
New Branch

但第一代實作不應自動重寫 canonical prose。

應先讓 View 層動態組合。

十六、Paper View

Paper View 提供人類熟悉的線性閱讀。

它可以：

\operatorname{Project} ( K,t,\text{paper} ).

十七、Live Logic View

顯示：

claim；
$\Omega/\top_p/\bot_p$ ；
evidence stream；
posterior；
conflict；
next action。

十八、Replay View

令：

H= (e_1,\ldots,e_n).

使用者可選：

k<n

回看：

S_k.

這使「為什麼現在是這個判斷」可視化。

十九、對外科普：貝葉斯邏輯判斷器

對外低維投影可以顯示：

支持度      68%
反證壓力    27%
證據完整度  54%
目前狀態    仍在生成

這符合大眾對 Bayesian updating 的直覺。

但 Advanced View 必須能顯示：

\boxed{ \text{Bayesian} \subset \text{Dynamic Judgment Runtime}. }

二十、從生成判斷到科學

理想研究不是：

AI 給一個答案。

而是：

\text{AI} \rightarrow \text{Evidence Action} \rightarrow \text{State Update} \rightarrow \text{Counterevidence} \rightarrow \text{Re-evaluation}.

這也是 ACO 等長期研究系統的共同架構。

二十一、從生成判斷到哲學

可不可論在此得到計算形式：

\mathsf{Can} = \text{reachable / admissible transition},

\mathsf{Cannot} = \text{protective constraints}.

負罪前行得到：

\text{Action} + \text{Immutable History} + \text{Repair}.

動態不動點則成為：

\text{state changes} + \text{invariants persist}.

二十二、生成判斷的文明意義

人類過去大量知識以：

\text{finished document}

保存。

AI 時代可以開始保存：

\boxed{ \text{knowledge process}. }

未來研究者不只看到：

2026 年結論是什麼。

還能看到：

2026 年為何這樣判、哪些證據存在、哪一步後來被推翻。

二十三、不是取代靜態論文

靜態論文仍然有：

易引用；
易保存；
易審閱；
易建立版本。

因此最佳架構不是：

\text{Live} > \text{Static}.

而是：

\boxed{ \text{Live Canonical Runtime} \rightarrow \text{Validated Static Snapshot}. }

二十四、主系列核心總式

\boxed{ \begin{aligned} P &\rightarrow J(P,t)\\ &\rightarrow \Omega/\top_p/\bot_p\\ &\rightarrow \mathsf{Can}/\mathsf{Cannot}\\ &\rightarrow \text{Closure}\\ &\rightarrow \text{Action}\\ &\rightarrow \text{Consequence}\\ &\rightarrow \text{Responsibility}\\ &\rightarrow \text{Revision}. \end{aligned} }

二十五、結論

生成判斷論的真正主張不是：

世界沒有固定真理。

而是：

\boxed{ \text{有限主體對真理的判斷，是一個可被保存、執行、修正與追責的生成歷史。} }

當這個歷史成為 first-class computational object，論文第一次可以不只描述「判斷是動態的」。

它可以直接讓讀者看到：

\boxed{ \text{判斷正在發生。} }

參考文獻

Fischer, M. J., & Ladner, R. E. “Propositional Dynamic Logic of Regular Programs.” JCSS, 1979.
Alchourrón, C. E., Gärdenfors, P., & Makinson, D. “On the Logic of Theory Change.” JSL, 1985.
Reiter, R. “A Logic for Default Reasoning.” Artificial Intelligence, 1980.
Rule, A. et al. “Ten Simple Rules for Reproducible Research in Jupyter Notebooks.” 2019.
Samuel, S., & Mietchen, D. “Computational Reproducibility of Jupyter Notebooks from Biomedical Publications.” 2023.
EveGlyph AIMD-C v0.1 implementation and demo, 2026.