人類—AI 多主體認知：從工具輔助到分散式理論修正系統

Human–AI Multi-Subject Cognition: From Tool Assistance to Distributed Theory-Correction Systems

系列：遞歸折疊認識論：從 PDF 成功—排除雙法到多模型可修正認知，第 7 篇／共 8 篇＋1 篇總結
系列英文名：Recursive Fold Epistemology: From the PDF Success–Falsification Duality to Corrigible Multi-Model Cognition
文件編號：EML-RFE-2026-07-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-02
性質：認識論／Distributed Cognition／Human-AI Collaboration／Multi-Agent Research／Theory Correction
狀態：Public Theory Draft
直接前置：EML-RFE-2026-01 至 06；認知折疊圖；吸引子來源解卷積；多模型 AI 協作研究實踐

生成、認識論與範圍聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文不主張：

多 AI 系統一定比單一研究者更接近真理；
AI 數量增加必然增加認識論獨立性；
人類應放棄最終研究判斷；
多代理一致就等於科學共識；
分散式認知系統可以消除偏誤；
本文所描述的角色分工是唯一可行架構。

本文的核心命題是：

\boxed{ \text{Human + AI Tools} \neq \text{Distributed Epistemic System}. }

只有當多個認知主體能：

保留不同模型；
互相反駁；
追蹤證據；
維持來源獨立性；
保存分歧；
折疊失敗；
修正更新方法；

時，才開始形成：

\boxed{ \text{Distributed Corrigible Cognition}. }

摘要

早期 AI 輔助研究的典型模式是：

\boxed{ H \rightarrow A \rightarrow \text{Answer}. }

人類提出問題，AI 回答，人類再決定是否採用。

這仍然是：

\boxed{ \text{Tool-Augmented Individual Cognition}. }

而不是多主體認知。

當研究規模與複雜度進一步增加，新的可能形式是：

\boxed{ H + A_1 + A_2 +\cdots+ A_n \rightarrow \mathcal E_{\mathrm{dist}}. }

其中：

\mathcal E_{\mathrm{dist}}

不是多個答案的集合，而是一個具有：

多模型分支；
角色異質性；
分歧節點；
證據帳本；
失敗地圖；
provenance；
吸引子審計；
更新治理；

的分散式認知狀態。

本文將其定義為：

\boxed{ \mathcal D_E = ( \mathcal A, \mathcal G, D, F, R, P, U ). }

其中：

$\mathcal A$ ：認知主體集合；
$\mathcal G$ ：聯合 Fold Graph；
$D$ ：共享但具來源標記的 Evidence Ledger；
$F$ ：Failure Graph；
$R$ ：角色與資源分配；
$P$ ：provenance／independence metadata；
$U$ ：分散式更新規則。

本文提出六種典型認知角色：

\boxed{ \mathcal R = \{ Generator, Critic, Verifier, Historian, Dissenter, Integrator \}. }

其中：

Generator：生成假設；
Critic：尋找反例；
Verifier：核驗證據；
Historian：保存失敗與版本；
Dissenter：維持異質 ontology 與反向模型；
Integrator：進行 Fold、Merge 與壓縮。

本文的核心不是「每個 AI 固定一個人格」，而是：

\boxed{ \text{Epistemic Role Separation}. }

因為如果同一個系統同時生成假設、評分自己、驗證自己、總結自己，容易形成：

\boxed{ \text{Self-Confirmation Loop}. }

因此本文提出：

\boxed{ \text{Generation Authority} \neq \text{Verification Authority} \neq \text{Integration Authority}. }

本文也提出「分歧保存原則」：

\boxed{ \text{Disagreement} \neq \text{System Failure}. }

在證據不足時，強行一致可能比保留分歧更危險。

所以：

\boxed{ \text{Consensus} }

只應是某些階段的壓縮結果，而不是認知系統的預設目標。

本文進一步定義「認知獨立度」：

\boxed{ I_{\mathrm{ind}} = f( TrainingDiversity, DataDiversity, PromptDiversity, OntologyDiversity, InteractionSeparation ). }

若多個 AI 高度共享先驗，

則：

N_{\mathrm{eff}} \ll N_{\mathrm{agents}}.

因此真正多主體系統追求的不是：

\boxed{ \text{More Agents}, }

而是：

\boxed{ \text{More Useful Epistemic Independence}. }

本文最終提出：

\boxed{ \text{Distributed Cognition} = \text{Plural Model Generation} + \text{Separated Critique} + \text{Evidence Audit} + \text{Failure Memory} + \text{Disagreement Preservation} + \text{Recursive Integration}. }

最終命題：

\boxed{ \text{A distributed epistemic system is not a crowd of agents producing answers; it is a corrigible architecture that preserves useful disagreement while allowing evidence to reconfigure the whole network}. }

中文：

分散式認知系統，不是一群 AI 一起回答問題；而是一個允許不同模型長期並存、互相反駁、保存失敗與來源，並讓證據有能力重新改寫整張認知網絡的架構。

關鍵詞：分散式認知、人類—AI 協作、多代理研究、認識論角色分離、分歧保存、證據審計、AI 共識、理論修正

0. Tool-Augmented Cognition 與 Distributed Cognition

最簡單 AI 輔助：

\boxed{ H \rightarrow A \rightarrow H'. }

AI 只是擴展人類能力。

1. 這仍然是一個主體的工作流

最終：

問題；
評價；
選擇；
整合；

仍集中於：

H.

所以：

\boxed{ H+A }

不自動等於分散式認知。

2. 真正分散式認知需要多個可區分認知節點

令：

\boxed{ \mathcal A = \{ H_1,\ldots,H_m, A_1,\ldots,A_n \}. }

每個節點可以：

生成模型；
保留局部狀態；
接收證據；
產生反例；
更新權重。

3. 分散式認知狀態

本文定義：

\boxed{ \mathcal D_E = ( \mathcal A, \mathcal G, D, F, R, P, U ). }

4. $\mathcal A$ ：主體集合

不要求每個 AI 都具有哲學意義上的主體性。

在方法論上，只要求它們是：

\boxed{ \text{distinguishable epistemic processes}. }

5. $\mathcal G$ ：聯合 Fold Graph

Paper 05 的：

\mathcal G_E

擴張成：

\boxed{ \mathcal G_{\mathrm{joint}}. }

它保存：

誰提出什麼；
哪個模型支持誰；
哪個反例來自哪裡；
哪些支線正在收斂。

6. $D$ ：Evidence Ledger

共享證據不能只有：

大家都看過這份資料。

還要保存：

\boxed{ source, method, time, quality, independence. }

7. $F$ ：Failure Graph

不只保存誰成功。

還保存：

\boxed{ \mathcal G_F. }

因為多主體系統最容易出現：

每個新 agent 都重新犯一次舊錯。

8. $R$ ：Role Allocation

不同主體不必做同一件事。

反而：

\boxed{ \text{Role Diversity} }

可以提高認知互補性。

9. $P$ ：Provenance

任何結論都應可追溯：

哪個 agent；
哪一版模型；
用什麼資料；
是否受其他 agent 影響。

10. $U$ ：Distributed Update Rule

系統必須定義：

新證據如何影響整體圖？

而不是靠：

\boxed{ \text{majority vote}. }

11. 多數決不是理論更新

如果：

7

個 AI 支持 $T_1$ ，

3

個支持 $T_2$ ，

不能直接：

\boxed{ T_1=\text{True}. }

12. 因為 agent 並不獨立

如果七個 AI 高度同質，

其有效權重可能低於三個高度異質系統。

所以：

\boxed{ \text{Agent Count} \neq \text{Evidence Weight}. }

13. Epistemic Role Separation

本文提出六種角色：

\boxed{ \mathcal R = \{ G,C,V,H,D,I \}. }

14. Generator

\boxed{ G = \text{Hypothesis Generator}. }

專門生成：

替代理論；
新變量；
新 ontology；
新實驗。

15. Generator 的危險

Generator 若同時決定：

自己的想法是否正確。

容易產生：

\boxed{ \text{Creator Bias}. }

16. Critic

\boxed{ C = \text{Adversarial Critic}. }

它主要問：

哪裡會失敗？
哪個反例最致命？
哪個前提沒證明？

17. Critic 不應只做語言反駁

真正 Critic 應：

\boxed{ \text{generate discriminating tests}. }

18. Verifier

\boxed{ V = \text{Evidence Verifier}. }

專門核驗：

來源；
重現；
引用；
數據一致性；
外部資料。

19. Verification Authority 與 Generation Authority 分離

因此：

\boxed{ \text{Generation Authority} \neq \text{Verification Authority}. }

20. Historian

\boxed{ H = \text{Epistemic Historian}. }

保存：

版本；
failure map；
abandoned branches；
confidence history；
provenance。

21. Historian 防止系統失憶

它的核心不是：

記很多東西。

而是：

\boxed{ \text{prevent repeated epistemic resets to zero}. }

22. Dissenter

\boxed{ D = \text{Structured Dissenter}. }

任務是主動維持：

反模型；
異質 ontology；
minority hypothesis；
hostile framing。

23. Dissenter 不是永遠唱反調

如果無論證據如何都反對，

那只是：

\boxed{ \text{Contrarian Dogma}. }

24. 好 Dissenter 必須 evidence-responsive

所以：

\boxed{ \text{Dissent} + \text{Evidence Responsiveness}. }

25. Integrator

\boxed{ I = \text{Integrator}. }

主要負責：

Fold；
Merge；
Compression；
Re-expansion trigger。

26. Integrator 不是最高權威

Integrator 的輸出仍然是：

\boxed{ \text{working synthesis}. }

不是最終真理。

27. 角色分離的母原則

\boxed{ \text{Generation} \neq \text{Critique} \neq \text{Verification} \neq \text{Integration}. }

這與治理中的權限分離有形式同構。

28. 為什麼同一 agent 全包容易危險？

因為：

\boxed{ \text{Self-Generated Hypothesis} + \text{Self-Evaluation} \rightarrow \text{Confirmation Loop Risk}. }

29. 但完全角色隔離也不理想

若不同角色完全不能交換資訊，

可能失去：

\boxed{ \text{cross-role learning}. }

所以需要：

\boxed{ \text{role separation} + \text{controlled interaction}. }

30. 多主體認知的真正單位是「互動結構」

不是：

\boxed{ N = \text{number of agents}. }

而是：

\boxed{ \mathcal T = \text{interaction topology}. }

31. Star Topology

H

居中，

所有 AI 都只與人類連接。

優點：

控制清楚；
provenance 簡單。

缺點：

人類成為瓶頸；
人類偏誤滲透所有分支。

32. Fully Connected Topology

所有 agent 互相讀彼此。

優點：

快速整合。

缺點：

\boxed{ \text{Consensus Contagion}. }

大家很快變得一樣。

33. Partially Isolated Topology

多個 agent 先獨立推理，

再在指定階段交換。

這有利於：

\boxed{ \text{independent branch preservation}. }

34. Staged Disclosure

本文提出：

\boxed{ \text{Blind} \rightarrow \text{Compare} \rightarrow \text{Reveal} \rightarrow \text{Integrate}. }

先獨立，

再比較，

最後才互相看到完整推理。

35. 這可降低 Anchoring

如果所有 agent 一開始都看見主理論，

容易：

\boxed{ \text{Anchoring} + \text{Convergence Contamination}. }

36. Independent Branch Generation

第一階段：

\boxed{ A_i \rightarrow \Theta_i }

各自生成候選空間。

37. Branch Alignment

第二階段才：

\boxed{ \operatorname{Align}( \Theta_1,\Theta_2,\ldots ). }

比較：

相同結構；
不同結構；
缺失變量。

38. Disagreement Preservation

如果：

A_1\neq A_2,

建立：

\boxed{ v_\Delta. }

而不是立刻平均。

39. 分歧是資產

因為：

\boxed{ \text{Disagreement} \rightarrow \text{High-Value Test Target}. }

40. 分歧節點應記錄什麼？

至少：

\boxed{ \Delta = ( Claim, Evidence, Assumption, Ontology, Confidence ). }

41. 很多「不同意」其實不是同一層

例如：

證據不同；
ontology 不同；
價值不同；
推理規則不同。

只有拆開才有真正比較。

42. 分歧類型

本文提出：

\boxed{ D_\Delta = \{ D_E, D_M, D_O, D_V, D_U \}. }

其中：

Evidence disagreement；
Model disagreement；
Ontology disagreement；
Value disagreement；
Update-rule disagreement。

43. Evidence Disagreement

兩個 agent 對：

資料到底可信不可信？

有不同判斷。

這應交給 Verifier 優先處理。

44. Model Disagreement

共享證據，

但理論不同。

這是最標準的比較情況。

45. Ontology Disagreement

兩個系統甚至不認為：

世界由同樣種類的對象組成。

這不能只靠 likelihood 比較。

46. Value Disagreement

如果問題帶規範性，

則：

\boxed{ \text{Normative Disagreement} }

不能偽裝成純事實爭議。

47. Update-Rule Disagreement

兩個 agent 對：

什麼證據應該讓我們改多少？

不同。

這直接進入：

\boxed{ \text{Meta-Corrigibility}. }

48. 分散式 Evidence Ledger

多主體系統不能只共享一個裸資料庫。

應保存：

\boxed{ D_t = \{ (d_i,source_i,agent_i,method_i,confidence_i) \}. }

49. 誰先看到什麼也重要

如果：

A_2

的結論來自讀了：

A_1

輸出，

那它不再是獨立證據。

所以：

\boxed{ \text{Information Exposure History} }

也必須進 provenance。

50. Independence Metadata

本文提出：

\boxed{ P_{\mathrm{ind}} }

記錄：

是否共享資料；
是否共享 prompt；
是否互相讀過；
是否共享模型家族；
是否共享 researcher framing。

51. 認知獨立度

概念上：

\boxed{ I_{\mathrm{ind}} = f( TrainingDiversity, DataDiversity, PromptDiversity, OntologyDiversity, InteractionSeparation ). }

52. 高 Agent Count 不代表高 Independence

\boxed{ N_{\mathrm{eff}} \ll N_{\mathrm{agents}} }

完全可能。

53. 真正追求的是 Useful Independence

\boxed{ \text{More Agents} \neq \text{More Epistemic Diversity}. }

理想是：

\boxed{ \text{Useful Epistemic Independence}. }

54. 異質性也不能無限制

如果每個 agent 使用完全不同：

問題；
資料；
語言；

就無法比較。

所以：

\boxed{ \text{Heterogeneity} + \text{Controlled Comparability}. }

55. Shared Evidence, Independent Interpretation

一種好設計：

共用同一證據集；
各自獨立解釋；
最後再比較。

這有助於隔離：

\boxed{ \text{interpretive divergence}. }

56. Independent Evidence, Shared Model

另一種設計：

相同模型；
不同資料來源。

測：

\boxed{ \text{evidence sensitivity}. }

57. Cross Design

因此多主體研究可形成：

\boxed{ \text{Agent} \times \text{Evidence} \times \text{Prompt} \times \text{Ontology} }

實驗矩陣。

58. 這就是 Paper 06 的來源解卷積工程化

我們不再只問：

誰說得對？

而是：

哪個變量改變後，結論怎麼變？

59. 分散式 Failure Folding

每個 agent 都會產生：

F_i.

需要：

\boxed{ F_{\mathrm{joint}} = \operatorname{AlignFold}( F_1,\ldots,F_n ). }

60. 共享失敗比共享成功更可能暴露結構

如果不同模型在完全不同路線都撞到：

f^*,

則：

\boxed{ f^* }

可能是高價值 boundary。

61. 但共享失敗也可能來自共享工具 bug

所以仍要：

\boxed{ \text{Failure Source Audit}. }

62. Historian 的作用再次出現

它必須記錄：

這個失敗到底是多個 agent 獨立碰到，還是同一工具造成？

63. 多主體 Fold

\boxed{ \operatorname{Fold}_{\mathrm{joint}} : F_{\mathrm{joint}} \rightarrow K_{\mathrm{joint}}^{\mathrm{meta}}. }

64. 多主體 Fold 的輸出

包括：

shared constraint；
agent-specific failure；
ontology conflict；
new question；
method revision。

65. Integrator 不應把 minority failure 丟掉

如果只有一個異質 agent 發現反例，

不能因其他九個沒看到就刪掉。

所以：

\boxed{ \text{Minority Evidence} \neq \text{Low-Value Evidence}. }

66. 少數派反例可能特別重要

尤其當：

I_{\mathrm{ind}}(A_i)

很高。

一個高度獨立 agent 的異常發現，

可能比十個同源 agent 的一致更有價值。

67. Distributed Merge

不同支線若相容：

\boxed{ M: \Theta_i,\Theta_j \rightarrow \Theta_{ij}. }

但仍遵守：

\boxed{ \text{Merge} \neq \text{Average}. }

68. Integrator 必須保留 lineage

任何整合模型：

T^*

都應知道：

來自哪些支線；
哪些部分仍有爭議；
哪些 boundary 尚未統一。

69. Working Consensus

本文定義：

\boxed{ C_t^{\mathrm{work}} }

為：

在目前證據下，足以支撐下一階段研究或行動的暫時共識。

70. Working Consensus 不等於 Final Truth

\boxed{ C_t^{\mathrm{work}} \neq T^*_{\mathrm{final}}. }

71. Consensus Threshold

可以依：

風險；
可逆性；
任務成本；

設定不同門檻。

72. 高不可逆任務需要更高共識與驗證

\boxed{ Irreversibility\uparrow \Rightarrow ConsensusThreshold\uparrow + VerificationDepth\uparrow. }

73. 低風險研究允許更高多樣性

探索性研究可以：

\boxed{ \text{Low Consensus} + \text{High Branch Diversity}. }

74. 認知治理

分散式研究系統也需要：

\boxed{ \text{Epistemic Governance}. }

不是政治治理，

而是：

誰能修改共享認知圖？

75. Write Authority

不同角色可有不同：

propose；
verify；
merge；
archive；
promote-to-core；

權限。

76. 這再次與權限分離同構

\boxed{ \text{Propose} \neq \text{Approve} \neq \text{Commit}. }

77. Knowledge Commit

將某個模型正式提升為：

K_{\mathrm{core}}

可視為：

\boxed{ \text{Epistemic Commit}. }

78. Commit 前需要什麼？

至少：

evidence audit；
dissent check；
failure regression；
provenance review。

79. Rollback

如果新證據反駁：

K_{\mathrm{core}},

系統需要：

\boxed{ \text{Epistemic Rollback}. }

80. Rollback 不代表系統崩潰

反而：

\boxed{ \text{Rollback Capacity} = \text{Corrigibility Infrastructure}. }

81. 這是軟體版本控制與認識論的同構

commit；
branch；
merge；
revert；
history；

全部都能自然映射到 RFE。

82. 但知識不是 Git

因為：

證據有不確定性；
ontology 會改；
agent 會互相影響；
世界會變。

所以只能借鑑結構，不應簡化為版本控制比喻。

83. Human Role

在多主體系統中，人類不一定要：

親自做完所有推理。

更重要的可能是：

問題設計；
價值邊界；
異質性保護；
最終風險判斷；
新問題生成。

84. AI Role

AI 更適合：

高分支搜索；
歷史記憶；
failure clustering；
cross-model comparison；
exhaustive verification。

85. 但角色不是物種固定

未來某些 AI 也可以做：

meta-method design；
normative critique；
ontology invention。

所以：

\boxed{ \text{Role} \neq \text{Species}. }

86. 人類也不應被固定成「價值提供者」

人類本身也會：

算；
驗；
建模；
發現反例。

因此 RFE 只談：

\boxed{ \text{functional role allocation}. }

87. 多主體認知最大的風險之一：Consensus Cascade

一個高權威 agent：

A_0

先給答案。

其他 agent 全部 anchor。

最後看起來：

\boxed{ 10/10\text{ agreement}. }

其實只有：

1

次真正推理。

88. 對策：Blind First Pass

\boxed{ \text{Independent First Pass} }

應在某些關鍵研究中成為默認。

89. 第二個風險：Role Collapse

所有 agent 都變成：

polite reviewer。

失去真正：

adversarial critique；
ontology divergence。

90. 對策：Role Contrast

不同角色要有明確不同目標函數。

例如：

Generator：

\max Novelty.

Critic：

\max FailureDiscovery.

Verifier：

\max EvidenceReliability.

91. 第三個風險：Synthetic Diversity

表面角色不同，

底層模型相同。

所以：

\boxed{ \text{Prompted Diversity} \neq \text{Deep Diversity}. }

92. 深層多樣性需要什麼？

不同模型；
不同資料；
不同 ontology；
不同推理工具；
不同時間／訓練來源。

93. 第四個風險：Integrator Dominance

Integrator 可能把所有支線壓成自己偏好的版本。

94. 對策：Reconstructable Integration

所有壓縮結論都必須：

\boxed{ \text{trace back to branches}. }

95. 第五個風險：Verifier Monopoly

若所有 agent 都依賴同一 verifier，

那 verifier 的偏差會成為單點故障。

96. 對策：Verification Redundancy

\boxed{ V_1,V_2,\ldots,V_k. }

必要時維持不同核驗路徑。

97. 第六個風險：Shared Tool Failure

多個 AI 可能都調用同一資料源或同一 parser。

因此：

\boxed{ \text{Agent Diversity} \neq \text{Pipeline Diversity}. }

98. 第七個風險：Human Bottleneck

人類若要審核所有細節，

系統規模會卡在：

\boxed{ C_H. }

99. 解法不是取消人類

而是：

\boxed{ \text{Layered Review}. }

例如：

AI 做第一層驗證；
異質 AI 做第二層；
人類只審高風險與高爭議節點。

100. Human Attention as Scarce Epistemic Resource

\boxed{ A_H = \text{scarce high-level review budget}. }

需要被策略性使用。

101. 第八個風險：AI Bottleneck

反過來也可能：

人類提出真正異質問題，但所有 AI 都只會生成同一套常見結構。

這是：

\boxed{ \text{Model-Space Homogenization}. }

102. 解法：外部工具與異質模型

使用：

symbolic systems；
theorem provers；
simulations；
local models；
retrieval；
human domain experts。

擴大：

\boxed{ \Theta_{\mathrm{reachable}}. }

103. 分散式認知的最小流程

本文提出：

\boxed{ \begin{aligned} \text{Problem Seed} &\rightarrow \text{Independent Branching}\\ &\rightarrow \text{Role-Separated Critique}\\ &\rightarrow \text{Evidence Verification}\\ &\rightarrow \text{Disagreement Mapping}\\ &\rightarrow \text{Failure Folding}\\ &\rightarrow \text{Conditional Merge}\\ &\rightarrow \text{Working Synthesis}\\ &\rightarrow \text{Regression Audit}\\ &\rightarrow \text{Re-expand if needed}. \end{aligned} }

104. 第一階段：Problem Seed

只提供：

核心問題；
必要資料；
最小共同約束。

避免過度 anchoring。

105. 第二階段：Independent Branching

多個 agent 各自：

\Theta_i.

106. 第三階段：Role-Separated Critique

Critic 不看 Generator 的「自評」。

獨立尋找：

F_i.

107. 第四階段：Evidence Verification

Verifier 分離：

\boxed{ \text{Claim} }

與：

\boxed{ \text{Source Support}. }

108. 第五階段：Disagreement Mapping

建立：

v_\Delta

而不是立刻共識化。

109. 第六階段：Failure Folding

F_i \rightarrow K^{\mathrm{meta}}.

110. 第七階段：Conditional Merge

只合併：

\kappa\ge\theta_M

的部分。

111. 第八階段：Working Synthesis

形成：

C_t^{\mathrm{work}}.

112. 第九階段：Regression Audit

用：

舊反例；
minority branch；
boundary cases；

重測 synthesis。

113. 第十階段：Re-expand

若新 synthesis 出現：

\mathcal M_t<\theta,

重新打開模型空間。

114. 這不是「Agent Council」

表面上看很像：

叫很多 AI 開會。

但真正差別是：

\boxed{ \text{Council} \neq \text{Epistemic Architecture}. }

115. 開會只是交換文字

RFE 要求：

provenance；
branch independence；
failure folding；
disagreement preservation；
source audit；
rollback。

116. 多主體認知真正的核心不是民主

它不是：

\boxed{ 1\text{ agent}=1\text{ vote}. }

而是：

\boxed{ \text{evidence-sensitive weighted revision}. }

117. 分散式認知也不等於分散式權力

一個研究系統可以：

認知上分散；
行動權仍集中。

這兩者要分開。

118. Advice Graph 與 Commit Authority

可以：

\boxed{ \mathcal G_{\mathrm{epistemic}} }

高度多元，

但：

\boxed{ \text{World Commit} }

仍依任務風險由適當主體決定。

119. 這與 FAP 的權限分離再次同構

知識生成可以多元。

不可逆行動權仍需要：

\boxed{ \text{separate authorization}. }

這是一個跨認識論與治理的共同結構。

120. 多主體認知是否有「集體智能」？

可能有。

但本文不需要預設：

\boxed{ \mathcal D_E }

本身具有主體性。

只需要承認：

\boxed{ \text{system-level epistemic properties} }

可以超過單一節點。

121. 系統級性質

例如：

更大的 branch coverage；
更強 failure memory；
更高 cross-check；
更低單點偏誤。

122. 但也可能有系統級錯誤

例如：

consensus cascade；
common-mode bias；
integrator monopoly；
shared data contamination。

所以：

\boxed{ \text{Collective Intelligence} \neq \text{Collective Infallibility}. }

123. 真正目標仍然是 Corrigibility

所以分散式系統的評價核心不應只是：

Accuracy.

還應包括：

\boxed{ \text{Correction Latency}, \text{Failure Assimilation}, \text{Diversity Preservation}, \text{Rollback Capacity}. }

124. Correction Latency

定義概念量：

\boxed{ \tau_C = \text{time from reliable contradiction to meaningful system update}. }

125. 越低越好嗎？

不一定。

太低可能代表：

\boxed{ \text{Overreaction}. }

太高則可能：

\boxed{ \text{Dogmatic Inertia}. }

126. 因此存在合理修正時間尺度

\boxed{ \tau_C \in [\tau_{\min},\tau_{\max}]. }

依領域與風險而異。

127. Diversity Preservation

可以監測：

\boxed{ H_B. }

避免所有分支太快坍縮。

128. Failure Assimilation

沿用：

\boxed{ \eta_F. }

衡量可靠失敗被 Fold 的比例。

129. Rollback Capacity

\boxed{ R_B = \text{ability to revert epistemic commits}. }

130. Distributed Corrigibility Index

本文提出概念向量：

\boxed{ \mathbf C_D = ( I_{\mathrm{ind}}, H_B, \eta_F, R_B, Q_V, \tau_C ). }

其中：

認知獨立度；
分支多樣性；
失敗吸收率；
rollback；
verification quality；
correction latency。

131. 不是單一分數

\mathbf C_D

最好保留向量，

因為不同研究領域需要不同 trade-off。

132. 人類—AI分散式認知的最深意義

它不是：

人類變笨，AI 幫忙想。

而是：

\boxed{ \text{Cognitive Division of Labor} + \text{Recursive Mutual Correction}. }

133. 人類與 AI 都可以修正彼此

H \rightarrow A_i,

A_i \rightarrow H.

但更重要的是：

\boxed{ H+A_i \rightarrow \text{update the shared method}. }

134. 所以系統會改變的不只是答案

還包括：

prompt strategy；
role design；
evidence standards；
branch budget；
integration protocol。

135. 這就是 Meta-Corrigibility 的群體版本

\boxed{ U_t^{\mathrm{joint}} \rightarrow U_{t+1}^{\mathrm{joint}}. }

136. 如果整個多 AI workflow 自己有問題

RFE 要求：

把 workflow 本身當成候選理論。

即：

\boxed{ Workflow \in \operatorname{Domain}(RFE). }

137. 例如 Role Separation 也可能錯

也許某些問題中：

Generator 與 Critic 同一模型更有效。

那就測。

RFE 不把自身制度化建議神聖化。

138. 分散式認知最成熟的狀態

不是：

\boxed{ \text{Permanent Consensus}. }

而是：

\boxed{ \text{Coordinated Plurality with Evidence-Driven Revision}. }

139. 結論：多主體認知不是更多答案，而是更多可修正路徑

單一 AI 工具模式：

H \rightarrow A \rightarrow Answer.

分散式 RFE：

\boxed{ H + A_1 +\cdots+ A_n \rightarrow \mathcal D_E. }

其中：

\mathcal D_E

是一個能：

分支；
批判；
驗證；
保存分歧；
Fold；
Merge；
Rollback；

的認知系統。

真正核心不是：

\boxed{ \text{More Agents}. }

而是：

\boxed{ \text{More Useful Epistemic Independence}. }

也不是：

\boxed{ \text{Consensus}. }

而是：

\boxed{ \text{Evidence-Responsive Coordination}. }

因此：

\boxed{ \text{Distributed Cognition} = \text{Plural Model Generation} + \text{Separated Critique} + \text{Evidence Audit} + \text{Failure Memory} + \text{Disagreement Preservation} + \text{Recursive Integration}. }

本文最終命題：

\boxed{ \text{A distributed epistemic system is not a crowd of agents producing answers; it is a corrigible architecture that preserves useful disagreement while allowing evidence to reconfigure the whole network}. }

中文：

分散式認知系統，不是一群 AI 一起回答問題；而是一個允許不同模型長期並存、互相反駁、保存失敗與來源，並讓證據有能力重新改寫整張認知網絡的架構。

核心命題摘要

命題一

\boxed{ \text{Human + AI Tools} \neq \text{Distributed Epistemic System}. }

命題二

\boxed{ \mathcal D_E = ( \mathcal A,\mathcal G,D,F,R,P,U ). }

命題三

\boxed{ \text{Generation} \neq \text{Critique} \neq \text{Verification} \neq \text{Integration}. }

命題四

\boxed{ \text{Disagreement} \neq \text{System Failure}. }

命題五

\boxed{ \text{Agent Count} \neq \text{Evidence Weight}. }

命題六

\boxed{ N_{\mathrm{eff}} \ll N_{\mathrm{agents}} }

可以成立。

命題七

\boxed{ \text{Prompted Diversity} \neq \text{Deep Diversity}. }

命題八

\boxed{ \text{Working Consensus} \neq \text{Final Truth}. }

命題九

\boxed{ \text{Collective Intelligence} \neq \text{Collective Infallibility}. }

命題十

\boxed{ \text{Distributed Cognition} = \text{Coordinated Plurality with Evidence-Driven Revision}. }

系列接口

Paper 06 處理：

\boxed{ A_{\mathrm{obs}} = f( A_W,A_O,A_A,A_P,A_T,A_J ). }

Paper 07 則把這個來源審計正式放進：

\boxed{ H + A_1 +\cdots+ A_n }

的分散式認知系統。

Paper 08：《遞歸折疊協議：一套不要求當前理論正確的研究方法》

將把前七篇全部壓成一套可實際運行的 canonical protocol：

\boxed{ \begin{aligned} \text{Deconstruct} &\rightarrow \text{Expand}\\ &\rightarrow \text{Construct}\\ &\rightarrow \text{Test}\\ &\rightarrow \text{Compare}\\ &\rightarrow \text{Eliminate/Weight}\\ &\rightarrow \text{Fold Failures}\\ &\rightarrow \text{Compress Invariants}\\ &\rightarrow \text{Audit Attractors}\\ &\rightarrow \text{Reframe}\\ &\rightarrow \text{Re-expand}. \end{aligned} }

並正式建立：

進入條件；
每階段輸入／輸出；
停止條件；
重置條件；
分支預算；
Fold 驗收；
多 AI 協作模式；
失敗模式與防呆規則。

人類—AI 多主體認知：從工具輔助到分散式理論修正系統

人類—AI 多主體認知：從工具輔助到分散式理論修正系統

Human–AI Multi-Subject Cognition: From Tool Assistance to Distributed Theory-Correction Systems

生成、認識論與範圍聲明

摘要

0. Tool-Augmented Cognition 與 Distributed Cognition

1. 這仍然是一個主體的工作流

2. 真正分散式認知需要多個可區分認知節點

3. 分散式認知狀態

4. A\mathcal AA：主體集合

5. G\mathcal GG：聯合 Fold Graph

6. DDD：Evidence Ledger

7. FFF：Failure Graph

8. RRR：Role Allocation

9. PPP：Provenance

10. UUU：Distributed Update Rule

11. 多數決不是理論更新

12. 因為 agent 並不獨立

13. Epistemic Role Separation

14. Generator

15. Generator 的危險

16. Critic

17. Critic 不應只做語言反駁

18. Verifier

19. Verification Authority 與 Generation Authority 分離

20. Historian

21. Historian 防止系統失憶

22. Dissenter

23. Dissenter 不是永遠唱反調

24. 好 Dissenter 必須 evidence-responsive

25. Integrator

26. Integrator 不是最高權威

27. 角色分離的母原則

28. 為什麼同一 agent 全包容易危險？

29. 但完全角色隔離也不理想

30. 多主體認知的真正單位是「互動結構」

31. Star Topology

32. Fully Connected Topology

33. Partially Isolated Topology

34. Staged Disclosure

35. 這可降低 Anchoring

36. Independent Branch Generation

37. Branch Alignment

38. Disagreement Preservation

39. 分歧是資產

40. 分歧節點應記錄什麼？

41. 很多「不同意」其實不是同一層

42. 分歧類型

43. Evidence Disagreement

44. Model Disagreement

45. Ontology Disagreement

46. Value Disagreement

47. Update-Rule Disagreement

48. 分散式 Evidence Ledger

49. 誰先看到什麼也重要

50. Independence Metadata

51. 認知獨立度

52. 高 Agent Count 不代表高 Independence

53. 真正追求的是 Useful Independence

54. 異質性也不能無限制

55. Shared Evidence, Independent Interpretation

56. Independent Evidence, Shared Model

57. Cross Design

58. 這就是 Paper 06 的來源解卷積工程化

59. 分散式 Failure Folding

60. 共享失敗比共享成功更可能暴露結構

61. 但共享失敗也可能來自共享工具 bug

62. Historian 的作用再次出現

63. 多主體 Fold

64. 多主體 Fold 的輸出

65. Integrator 不應把 minority failure 丟掉

66. 少數派反例可能特別重要

67. Distributed Merge

68. Integrator 必須保留 lineage

69. Working Consensus

70. Working Consensus 不等於 Final Truth

71. Consensus Threshold

72. 高不可逆任務需要更高共識與驗證

73. 低風險研究允許更高多樣性

74. 認知治理

4. $\mathcal A$ ：主體集合

5. $\mathcal G$ ：聯合 Fold Graph

6. $D$ ：Evidence Ledger

7. $F$ ：Failure Graph

8. $R$ ：Role Allocation

9. $P$ ：Provenance

10. $U$ ：Distributed Update Rule