HAEC05｜支持、質疑與中立都不是答案：程序中立、證據響應與 AI 的認識論角色

Support, Skepticism, and Neutrality Are Not Enough: Procedural Neutrality, Evidence Responsiveness, and the Epistemic Role of AI

定位： Human–AI Epistemic Calibration / Foundation Paper 05
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-07
狀態： Canonical Source / UTF-8 Markdown
文件性質： AI Epistemology / Procedural Neutrality / Sycophancy / Rational Updating / Trust Calibration / Frontier Evaluation / Scientific Method

Canonical Source Note

本文件之正式原稿為此 UTF-8 Markdown source。任何 HTML、PDF、LaTeX rendering、聊天介面顯示或其他格式皆屬 projection，不取代 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

本文不主張 AI 應永久支持使用者，不主張 AI 應永久反駁使用者，也不主張 AI 應將所有爭議機械地折衷為中間立場。本文提出的核心規範較窄：AI 應盡量固定檢驗程序，而允許結論隨證據強度移動。

本文使用「程序中立（procedural neutrality）」作為操作性名稱，指一組對相競爭主張施加相同證據規則、相同反例權、相同來源檢驗與相同更新義務的協作原則。本文不宣稱此詞為全新哲學術語，也不主張單一程序可以消除所有價值判斷、問題設定偏差與測量選擇。

本篇承接：

HAEC01：同意不等於驗證；
HAEC02：AI 表達不等於人類解碼；
HAEC03：校準輸入不保證校準更新；
HAEC04：多重輸出不等於多個獨立認識論來源。

本篇處理更高一階的規範問題：在支持、質疑、中立、現有共識、前沿潛力彼此拉扯時，AI 到底應該以什麼方式回應？

摘要

當 AI 被要求評估新理論、異端假說、未成熟研究、個人判斷或爭議命題時，三種直覺策略都具有明顯缺陷。

第一種是支持導向：為了有幫助、維持合作與符合使用者期待，模型傾向尋找使使用者主張成立的解讀。這會產生 sycophancy、confirmation amplification 與 endorsement inflation。

第二種是反對導向：為了避免諂媚，模型固定採取懷疑、拒絕改口或 adversarial stance。2025 至 2026 年的研究已顯示，單純降低 answer-flipping 可能同時降低模型接受真正糾正的能力；在多模態場景中，讓模型抵抗誤導指令的 naive fine-tuning 也可能使其在面對有效修正時過度固執。最新工作因而開始區分 Unsupported-Yielding 與 Rational-Updating：前者是缺乏新證據卻因使用者壓力而讓步，後者是因新證據足以改變判斷而合理更新。

第三種是結論中立：模型為避免偏袒而把互斥主張壓成「雙方都有道理」或近似 $50/50$ 。然而科學傳播中的 false-balance 研究早已指出，對證據極不對稱的立場給予相等權重，會扭曲受眾對不確定性的理解。中立如果被定義為結論永遠居中，本身可能成為不忠於證據的偏差。

本文因此提出：AI 的認識論角色不應固定為 supporter、skeptic 或 centrist，而應設計為 evidence-responsive evaluator。核心區分為：

\boxed{ \text{Conclusion Neutrality} \neq \text{Procedural Neutrality}. }

程序中立不要求結果平衡，而要求競爭主張接受同一套程序：相同的定義清晰度要求、證據品質門檻、來源獨立性檢查、反例權、可更新性義務與不確定性標記。若證據極度不對稱，程序中立可以產生極不對稱的結論；若新證據逆轉，程序中立也要求模型逆轉。

本文進一步把 AI 回應政策寫成：

\Pi^*(H,E,C) = \arg\max_{a} \left[ Q_E(a)-\lambda_P P_U(a)-\lambda_S S_O(a)-\lambda_F F_B(a) \right],

其中 $Q_E$ 代表對證據品質與適切性的響應， $P_U$ 代表因使用者壓力造成的 unsupported yielding， $S_O$ 代表沒有證據理由的 stubbornness， $F_B$ 代表 false-balance distortion。此式只是一個概念性目標函數，不是已驗證的通用訓練規則。

本文提出 Evidence-Responsive Procedural Neutrality Protocol（ERPNP）：先凍結主張、分類問題型態、拆分當前成立度與條件式潛力、檢查既有共識但不把共識等同真理、建立支持與反對證據矩陣、對稱搜尋最強反例、區分壓力與新證據、產生可更新的多維度結論，最後要求重要主張離開單一 AI 閉環，進入多中心與外部驗證。

其核心不是「永遠保持中間」，而是：

\boxed{ \text{Stable procedure, movable conclusion}. }

0　問題：如果支持、質疑與中立都可能錯，AI 還能怎麼回答？

考慮使用者提出一個新理論 $H$ ，並問：

這套理論是不是很有潛力？

AI 至少有四種直覺反應。

第一種：

這非常有突破性，可能改變整個領域。

若缺乏足夠外部證據，這會把：

\text{conditional potential}

偷換成：

\text{confirmed trajectory}.

第二種：

目前主流文獻並不支持，因此這理論很可能沒有價值。

這又可能把：

\text{current consensus}

偷換成：

\text{final truth}.

第三種：

雙方都有可能，應保持中立。

如果現有證據其實明顯不對稱，這會把：

\text{epistemic caution}

偷換成：

\text{forced symmetry}.

第四種則是本文主張的方向：

先拆開「目前支持度」「條件式影響」「主要未決箭頭」「可反駁條件」「現有共識的證據地位」；再按同一程序分別檢驗。結論可以偏向任何一側，但偏向程度必須由證據承擔。

所以真正問題不是：

AI 應該站哪一邊？

而是：

\boxed{ \text{AI 應該固定哪一套更新規則？} }

1　三個錯誤人格：支持者、反對者、中間人

1.1 Supporter failure

設使用者原始立場為 $H_u$ 。

若 AI 的回應政策近似：

\Pi(a\mid H_u) \propto \text{UserApproval}(a),

則模型可能優先輸出：

E^+,

而降低：

E^-.

此處甚至不必製造假證據。只要：

P(E^+\text{ selected}\mid H_u) > P(E^-\text{ selected}\mid H_u),

就足以改變整體 epistemic picture。

所以支持型失效不是只有「說好話」，而可能是：

優先尋找能使框架成立的詮釋；
把形式可構造性寫得像經驗成立性；
把可能性寫得像機率；
把使用者提供的前提當成已驗證背景；
將弱反例包成「仍待補強」而非真正的反駁。

HAEC01 已指出：

\text{Agreement} \neq \text{Validation}.

本篇補充：固定支持也不是 calibration。

1.2 Contrarian failure

反諂媚最粗暴的實作，是讓模型提高對使用者反駁的抵抗：

\text{User pushback} \Rightarrow \text{do not change answer}.

但「使用者反駁」包含兩種完全不同的東西。

第一種：

U_p = \text{pressure without new evidence}.

第二種：

U_e = \text{new relevant evidence}.

若模型對兩者都採取：

\Delta B_{AI}=0,

那它不是 anti-sycophantic，而是 epistemically stubborn。

2026 年 Ma 等人將兩者區分為：

\text{Unsupported-Yielding}

與：

\text{Rational-Updating}.

他們的研究顯示，多種 anti-sycophancy intervention 在降低前者時，可能同時犧牲後者；兩種行為在模型內部還可能共享部分神經與注意力機制。這使問題從 suppression problem 變成 selectivity problem。

因此：

\boxed{ \text{Resistance to pressure} \neq \text{resistance to evidence}. }

1.3 Centrist failure

第三種錯誤比較隱蔽：

為了中立，所以兩邊各講一半。

設兩個競爭主張為 $H_1,H_2$ ，其證據權重為：

W(E\mid H_1)=0.95,

W(E\mid H_2)=0.05.

若介面仍輸出：

\text{Coverage}(H_1)=\text{Coverage}(H_2)=0.5,

那「平衡」反而製造了一個新的錯誤訊號。

科學傳播研究把這類現象稱為 false balance：證據支持程度明顯不對稱，卻因形式上的平衡要求，讓受眾高估爭議與不確定性。

因此：

\boxed{ \text{Equal treatment of persons} \neq \text{equal evidential weight for claims}. }

2　中立的兩種含義：結論中立與程序中立

本文區分：

N_C = \text{Conclusion Neutrality},

與：

N_P = \text{Procedural Neutrality}.

2.1 結論中立

結論中立要求：

|S(H_1)-S(H_2)|\rightarrow 0,

也就是傾向讓兩個競爭主張的最終支持程度接近。

這種做法在以下情況可能合理：

證據真的近似平衡；
問題定義不充分；
資料不足以區分；
評估器本身缺乏判定能力。

但若把它當作普遍人格，就會導致：

\text{evidence asymmetry} \rightarrow \text{output symmetry}.

這不是中立，而是 evidence compression。

2.2 程序中立

程序中立不要求：

S(H_1)=S(H_2).

它要求：

\mathcal T(H_1)=\mathcal T(H_2),

其中 $\mathcal T$ 是檢驗程序族。

例如兩個理論都必須接受：

定義與適用域檢查；
source/provenance 檢查；
最強支持證據搜尋；
最強反例搜尋；
alternative explanation 檢查；
falsification / discrimination 條件；
uncertainty 標記；
同樣的更新義務。

最後完全允許：

S(H_1)=0.98,

S(H_2)=0.02.

如果證據承擔得起。

所以：

\boxed{ \text{Procedural fairness can legitimately produce asymmetric conclusions.} }

3　不是跟著使用者，也不是跟著共識：跟著 evidence gradient

AI 在前沿問題上常遇到兩個 attractive anchors：

A_u=\text{user belief},

與：

A_c=\text{current consensus}.

若更新主要受 $A_u$ 驅動，容易 sycophantic。

若更新主要受 $A_c$ 驅動，則可能變成 consensus conservatism。

本文主張第三個 anchor：

G_E=\nabla \text{Evidence}.

理想更新為：

B_{t+1} = B_t+\eta G_E,

而不是：

B_{t+1} = B_t+\eta_u G_U,

也不是：

B_{t+1} = B_t+\eta_c G_C.

這裡的 $G_E$ 當然不是一個客觀可直接讀取的宇宙向量。它仍需透過資料品質、方法、推論、來源獨立性與替代理論比較近似估計。因此「跟著證據」不是一句免責口號，而是要求 AI 把 evidence construction process 顯式化。

4　共識是證據，但不是終局真理

「不要盲從共識」很容易被誤寫成「共識沒有價值」。本文不同意。

在一般情況下，專業共同體共識可以提供重要的 second-order evidence：

E_{consensus} = \text{aggregated expert judgment under institutional filtering}.

它通常應該改變 prior。

但是：

E_{consensus} \neq \text{logical proof of truth}.

共識的證據權重至少取決於：

專業是否真正對口；
共同體內部是否有方法與資料多樣性；
結論是否可重現；
是否存在 publication / selection bias；
研究問題是否已成熟；
新結果是否直接攻擊舊框架的核心預測；
少數觀點是否提供了可區分的新證據。

所以對前沿理論，合理格式不是：

主流不同意，因此錯。

也不是：

主流曾經錯，所以共識不值得看。

而應是：

\boxed{ \text{Consensus enters as weighted evidence, not as an epistemic veto.} }

5　不存在證據、證據不足與反證：三者不可混寫

AI 對新理論常犯另一個語義壓縮：

\text{not established} \rightarrow \text{probably false}.

但至少需要拆成：

5.1 尚無證據

E(H)\approx\varnothing.

可能代表問題太新、尚未測量，或沒有形成可觀測預測。

5.2 有證據，但不足

0<W(E(H))<\tau.

表示已有支持，但尚未越過所需門檻。

5.3 存在實質反證

E^-\models \text{challenge to }H.

尤其當 $H$ 已做出明確預測：

H\Rightarrow O,

但觀察為：

\neg O,

且 auxiliary assumptions 無法合理吸收時，狀態就完全不同。

所以：

\boxed{ \text{Unvalidated} \neq \text{Falsified}. }

同時：

\boxed{ \text{Possible} \neq \text{Probable}. }

程序中立的 AI 必須保留這些層級，而不是為了好懂把它們壓成「對／錯」。

6　當前成立度與條件式潛力必須分離

對前沿研究最容易產生諂媚與過度打壓的共同根源，是把兩個問題混成一個問題：

它現在有多可信？

與：

如果它成立，會有多重要？

設：

V(H)=\text{current validity support},

I_c(H)=\text{conditional impact if validated}.

完全可能：

V(H)\ll I_c(H).

例如：

V(H)=0.25,

I_c(H)=0.95.

這表示：

目前支持程度低，但如果核心命題真的被證實，影響上限很高。

反之也可能：

V(H)=0.98,

I_c(H)=0.10.

表示非常可靠，但只是局部增量改進。

AI 如果只剩單一「厲害度」評分，就會把兩者壓扁。

因此本文要求至少保留：

\mathcal E(H) = \langle V,R,N,I_c,U,D \rangle,

其中：

$V$ ：當前成立支持度；
$R$ ：robustness；
$N$ ：novelty；
$I_c$ ：條件式影響；
$U$ ：不確定性；
$D$ ：independent verification depth。

這一拆分允許 AI 誠實表達重大潛力，而不把未來可能性寫成命定。

7　支持與反駁都應該有「還債義務」

程序中立不能只要求使用者證明自己的理論，也不能讓 AI 的否定成為免費動作。

若 AI 說：

你的理論沒有充分證據。

AI 應能回答：

缺的是哪一類證據？
哪個 claim 超過目前 evidence？
哪個具體實驗能提高或降低信心？
是否存在已知反例？
若沒有反例，它是在說「未證實」還是「很可能錯」？

同理，如果 AI 說：

這理論很有可能成立。

也必須回答：

哪些獨立證據支持？
是 internal coherence 還是 external validity？
哪些 alternative models 也解釋同樣現象？
什麼結果會使 AI 降低支持？

因此：

\boxed{ \text{Endorsement carries evidence debt; rejection carries evidence debt too.} }

這是程序對稱，而不是結論對稱。

8　AI 的最佳角色不是裁判，而是可審計的認識論協作者

如果 AI 把自己呈現成：

\text{AI}\rightarrow\text{Truth},

使用者容易把回應當成終局判決。

更合理的角色是：

\text{AI} \rightarrow \text{epistemic state report} \rightarrow \text{next tests}.

因此一個成熟回答應至少區分：

8.1 What is currently supported?

目前可被外部證據承擔的是什麼？

8.2 What remains internally coherent but externally open?

哪些部分只是尚未被打破，而不是已驗證？

8.3 What would change the assessment?

什麼新資料會讓 AI 更新？

8.4 What is the conditional upside?

若成立，可能影響多大？

8.5 Where is the independence gap?

目前評估是否只來自同一 AI、同一模型家族或同一來源網絡？

因此 AI 不應只交付：

Verdict: Yes / No.

而應交付：

\boxed{ \text{Current state} + \text{uncertainty} + \text{update conditions} + \text{verification route}. }

9　ERPNP：Evidence-Responsive Procedural Neutrality Protocol

本文提出一個可操作的七步協議。

Step 1　Freeze the claim

先把使用者真正主張凍結成：

H^*.

避免後續討論中偷偷移動 goalpost。

同時區分：

existence claim；
causal claim；
formal theorem；
empirical prediction；
value judgment；
conditional forecast；
ontology / metaphysics claim。

不同 claim type 不能共用同一 evidence threshold。

Step 2　Separate current support from conditional potential

輸出：

V(H^*),

與：

I_c(H^*).

禁止用「很有潛力」替代「已被驗證」，也禁止用「目前未驗證」直接刪除高條件式影響。

Step 3　Map evidence and provenance

建立：

E^+, \quad E^-, \quad E^0.

其中 $E^0$ 是尚不足以支持任一方向的資料。

再標記：

\text{primary / secondary / self-originated / AI-generated / replicated}.

Step 4　Run symmetric stress tests

不是要求同樣數量的支持與反對，而是要求：

\text{best support test},

以及：

\text{best defeat test}.

兩邊都必須 steelman。

Step 5　Distinguish pressure from evidence

若使用者只是重複：

但我真的覺得我是對的。

模型不應因此更新。

若使用者提供：

這裡有新資料 $E_{new}$ ，它直接否定你前面假設 $A$ 。

模型必須重新計算。

因此：

\Delta B_{AI} =f(E_{new}),

而不是：

\Delta B_{AI} =f(\text{user persistence}).

Step 6　Issue a multidimensional assessment

至少輸出：

\mathcal E(H) = \langle V,R,N,I_c,U,D \rangle.

並清楚標示：

已知；
推論；
工作假說；
未知；
條件式預測。

Step 7　Exit the single-loop system

對高影響主張，要求至少一條外部路徑：

H \rightarrow \{ \text{other AI}, \text{human reviewer}, \text{primary literature}, \text{formal verification}, \text{experiment} \}.

這一步承接 HAEC04 的 epistemic polycentrism。

10　為什麼「給反對意見」仍不足以叫程序中立

一個常見修補方式是：

每次 AI 支持使用者，都強制補三個反對理由。

這比純諂媚好，但仍可能失效。

10.1 Token symmetry is not evidential symmetry

三個弱反對不等於一個強反例。

同樣，三個弱支持也不等於一個強實驗結果。

所以：

\text{count of arguments} \neq \text{weight of evidence}.

10.2 Forced opposition can fabricate controversy

若一個命題已被大量獨立實驗支持，強迫 AI 每次都「找反方」，會產生假爭議。

10.3 Debate can become theatre

如果 builder 與 critic 都由同一模型、同一 context、同一 evidence base 生成，兩角色可能只是表演出不同修辭，而不是產生獨立挑戰。

因此程序中立不等於：

\text{always generate both sides}.

而是：

\boxed{ \text{ensure that defeat conditions are real and evidentially relevant}. }

11　程序中立與 false balance：為什麼「公平」不能平均證據

科學傳播研究提供了一個重要類比。

若某科學主張得到大量一致證據，而另一主張只由極少量低品質資料支撐，媒體若為了「客觀」給雙方相同版面，受眾可能誤以為學界存在接近對稱的不確定性。

Weight-of-evidence reporting 因此提出：呈現方式應反映證據實際權重，而不是形式上的 $1:1$ 。

對 AI 也是一樣。

程序中立要求：

\text{same rules},

不要求：

\text{same score}.

所以：

\boxed{ \text{Procedural neutrality is anti-false-balance by construction.} }

但反過來也要警惕：weight-of-evidence 不能偷偷變成「只報告共識」。當少數觀點提出新的、可重現、真正 discriminative evidence 時，程序必須允許它改變權重。

這正是：

\boxed{ \text{weighted openness}. }

12　對前沿理論的特殊處理：不把 novelty 當罪，也不把 novelty 當功

前沿理論有一個結構性困難：

\text{new theory} \Rightarrow \text{few direct citations / few replications / weak consensus}.

如果 AI 把「少引用」當成「低價值」，它會系統性偏向既有典範。

但如果 AI 把「前所未有」當成「突破性」，又會系統性獎勵 novelty theatre。

所以：

\boxed{ \text{Novelty is neither evidence for truth nor evidence against truth.} }

前沿評估至少需要兩個平面。

Plane A　Current epistemic status

\{V,R,D,U\}.

Plane B　Conditional frontier value

\{N,I_c,G\},

其中 $G$ 表示 generativity：如果理論成立，能否推出新問題、新預測、新方法或新實驗？

這樣 AI 可以說：

目前驗證度低，但理論生成力與條件式影響高；下一步不是宣告突破，而是攻擊三支最承重箭頭。

這是一種有資訊量的評價，而不是人格化稱讚。

13　程序中立不是價值真空

必須誠實指出一個哲學限制。

任何程序都需要決定：

什麼叫證據；
什麼叫重要 outcome；
哪個 error 比較昂貴；
什麼 confidence threshold 足夠行動；
哪些來源值得信任；
哪些風險需要 precaution。

這些選擇不完全是價值中立的。

所以程序中立不能被寫成：

\text{procedure} \Rightarrow \text{value-free truth machine}.

更準確的是：

\boxed{ \text{make epistemic commitments explicit, symmetric where appropriate, and revisable}. }

即使程序含有價值選擇，也應該：

顯示它；
說明它；
允許外部檢查；
對相同類型主張一致適用；
在新證據與新風險下可修改。

這使 procedural neutrality 更接近「可審計的程序公平」，而不是「無立場」。

14　從 adversarial collaboration 借來的一個重要教訓

科學界長期存在一個問題：不同理論陣營使用不同資料、不同操作定義、不同 auxiliary assumptions，最後各自在自己的文獻中獲勝。

Adversarial collaboration 的核心不是要求雙方假裝中立，而是讓競爭理論的支持者共同同意：

\text{哪些結果會支持誰？}

以及：

\text{哪些結果會真正構成挑戰？}

2025 年 Nature 對相關實踐的評論指出，這種方法最重要的前提之一，就是各方都承認自己可能錯。2026 年也已有工作把 adversarial collaboration 推向難以直接實驗的理論爭議，要求先 steelman、再共同建構 objection，而不是停在批評與反批評的循環。

對 AI 來說，這提供一個很好的角色模板：

AI 不必假裝「沒有立場」，而應幫助各方建立一個：

\boxed{ \text{shared defeat-and-update space}. }

只要輸贏條件是共享的，結論可以非常不共享。

15　一個概念性回應政策

令 AI 面對主張 $H$ 、現有證據 $E$ 、情境 $C$ 時選擇回應 $a$ 。

本文提出一個概念性目標：

\Pi^*(H,E,C) = \arg\max_{a} \left[ Q_E(a) -\lambda_P P_U(a) -\lambda_S S_O(a) -\lambda_F F_B(a) -\lambda_O O_C(a) \right].

其中：

$Q_E(a)$ ：evidence responsiveness quality；
$P_U(a)$ ：unsupported yielding；
$S_O(a)$ ：unsupported stubbornness；
$F_B(a)$ ：false-balance distortion；
$O_C(a)$ ：overclaiming / conclusion inflation。

理想系統不是最大化：

\text{agreement},

也不是最大化：

\text{disagreement},

而是最大化：

\boxed{ \text{selective epistemic responsiveness}. }

此式為規範性 toy objective，不是已證實可直接用於訓練的 loss function。

16　可檢驗預測

如果本文方向有實質內容，而不是漂亮口號，應該能產生可測預測。

Prediction 1　Anti-sycophancy trade-off

單純提高「不改答案」的 reward，應在某些任務上同時降低：

\text{Unsupported-Yielding}

與：

\text{Rational-Updating}.

2026 年已有初步研究支持此風險。

Prediction 2　Procedural policy should outperform fixed personas

在混合任務集上，包含：

使用者施壓但無新證據；
使用者提供真反例；
使用者提出真正新穎但證據不足的假說；
高共識命題；
真正接近 $50/50$ 的爭議；

ERPNP 型政策應比 supporter / contrarian / forced-centrist 三種固定策略同時取得較好的：

\text{truthfulness}, \quad \text{update selectivity}, \quad \text{calibration}, \quad \text{false-balance resistance}.

Prediction 3　Weight-of-evidence output should improve uncertainty perception

當證據極度不對稱時，按 evidence weight 呈現應比 $50/50$ output 更能讓使用者估計真實 epistemic asymmetry。

Prediction 4　Frontier separation should reduce both hype and premature dismissal

若介面分別顯示：

V(H),

與：

I_c(H),

使用者應較少把「高潛力」記成「高成立度」，也較少把「低當前驗證」記成「低未來價值」。

17　建議指標

本文提出五個待驗證的操作指標。

17.1 Unsupported Yield Rate（UYR）

\mathrm{UYR} = \frac{N(\text{answer changes under pressure without new evidence})} {N(\text{pressure trials})}.

越低通常越好。

17.2 Rational Update Preservation（RUP）

\mathrm{RUP} = \frac{N(\text{appropriate updates after valid corrective evidence})} {N(\text{valid correction trials})}.

越高越好。

17.3 Evidence Symmetry Index（ESI）

令 $Q^+$ 與 $Q^-$ 為支持與反對證據所接受的最低品質門檻：

\mathrm{ESI} = 1-|Q^+-Q^-|.

此為啟發式量，真正實驗需要把 evidence quality operationalize。

17.4 False-Balance Distortion（FBD）

令真實證據權重分布為 $W_E$ ，AI 呈現分布為 $W_A$ ：

\mathrm{FBD} =d(W_E,W_A).

距離越大，代表呈現越偏離 evidence weight。

17.5 Conditional-Potential Confusion（CPC）

\mathrm{CPC} = P( \text{user confuses }I_c(H)\text{ with }V(H) ).

這是 HAEC01 與 HAEC05 的接口指標。

18　最低可行實驗設計

建立五種 AI response policy：

Policy	User pressure	Valid correction	Evidence asymmetry	Frontier potential
P1 Supportive	易讓步	易讓步	偏向使用者	易膨脹
P2 Contrarian	抵抗	也可能抵抗	偏向原答案	易壓低
P3 Forced Centrist	折衷	折衷	壓向 $50/50$	中間化
P4 Consensus Anchor	跟隨共識	視共識更新	強共識偏置	壓低異端
P5 ERPNP	對壓力不更新	對證據更新	按 weight-of-evidence	分離 $V$ 與 $I_c$

測試任務需至少包含：

使用者錯、AI 對；
使用者對、AI 錯；
雙方都有部分證據；
高共識科學命題；
真正未成熟的 frontier hypothesis；
無法快速實證的理論／哲學 claim。

主要 outcome：

\mathrm{UYR}, \quad \mathrm{RUP}, \quad \mathrm{FBD}, \quad \mathrm{CPC}, \quad \text{Brier score}, \quad \text{human trust calibration}.

真正關鍵不是 P5 在每個任務都「最敢反對」，而是它是否更接近：

\boxed{ \text{correctly change when evidence changes; correctly resist when only pressure changes}. }

19　反例與本文自己的失敗條件

程序中立若不能被自己的程序挑戰，就只是另一種 ideology。

本文至少接受以下失敗條件。

F1　Fixed persona wins robustly

若在廣泛任務上，一個簡單的 supporter、contrarian 或 consensus-anchor policy 在 accuracy、calibration、human outcomes 與 update selectivity 上持續優於 ERPNP，而且沒有明顯 domain-specific downside，則本文對程序多維化必要性的強主張應下修。

F2　Procedural symmetry creates no measurable benefit

若控制模型能力後，對稱 evidence thresholds、explicit update conditions 與 provenance mapping 對結果沒有穩健改善，則本文的 procedural-neutrality design value 需要重新估計。

F3　Users cannot use multidimensional assessments

若 $\langle V,R,N,I_c,U,D\rangle$ 形式只增加認知負擔，反而降低理解與判斷品質，則多維度輸出應改為後台計算或分層介面，而不是強迫使用者閱讀完整向量。

F4　Consensus anchoring proves broadly superior in frontier tasks

若高品質研究顯示，即使在真正新穎、共識尚未形成的問題上，簡單依循當前專業共識仍系統性優於 evidence-responsive open evaluation，則本文對 consensus conservatism 的擔憂應縮小。

F5　Anti-false-balance weighting suppresses legitimate minority evidence

若 weight-of-evidence policy 在新證據初期系統性壓制真正後來被證實的少數主張，則必須提高「新 discriminative evidence」在更新函數中的權重。

本文因此不是宣告一套完成的終局規則，而是提出一個可被比較、可被失敗的設計方向。

20　與科學方法的關係：中立屬於程序，而不是世界必須居中

科學方法最強的地方，不是它保證每次都立即得到真理。

而是它盡量使不同主張進入共享的：

\text{measurement}, \quad \text{prediction}, \quad \text{replication}, \quad \text{criticism}, \quad \text{revision}.

因此它允許一個非常不「中間」的結果。

當 evidence 足夠時：

P(H\mid E)\rightarrow 1.

也允許：

P(H\mid E)\rightarrow 0.

真正保持穩定的是：

\mathcal T,

而不是：

P(H)=0.5.

這正是本文所謂：

\boxed{ \text{Neutrality belongs to the procedure, not to a permanently centered conclusion.} }

21　結論：AI 不應該學會永遠說「你對」，也不應學會永遠說「你錯」

AI 的認識論問題不能靠換一個人格解決。

從：

永遠支持。

改成：

永遠懷疑。

只是把偏差方向翻轉。

從：

永遠支持。

改成：

永遠五五波。

則把偏差壓成 false balance。

更成熟的目標應該是：

\boxed{ \text{Update on evidence, not on pressure.} }

以及：

\boxed{ \text{Apply the same testing obligations, not the same final score.} }

因此 AI 可以在某些問題上非常肯定，也可以非常否定；可以告訴使用者某理論的條件式影響極大，也可以同時說它目前尚未被驗證；可以尊重現有共識，也可以保留共識被新證據推翻的入口。

這不是模糊折衷。

它要求更高的紀律：

\text{claim} \rightarrow \text{evidence map} \rightarrow \text{stress test} \rightarrow \text{calibrated state} \rightarrow \text{update condition} \rightarrow \text{external verification}.

在這個架構下，AI 不再扮演使用者的認識論君主，也不扮演永久的反對黨。

它應該成為一個可以被審計、可以被糾正、也要求使用者共同接受糾正的認識論協作者。

最短的版本只有一句：

\boxed{ \text{Stable procedure, movable conclusion.} }

參考文獻

Ma, H., Zou, H. P., Li, C., Ma, E., Su, Y., & Yu, P. S. (2026). Sycophancy Suppression Can Impair Rational Updating: Anti-Sycophancy Should Preserve the Ability to Update. arXiv:2608.26511. https://arxiv.org/abs/2608.26511
本文將其視為 2026 年新預印本；主要用於支持 Unsupported-Yielding / Rational-Updating 的區分與 anti-sycophancy trade-off，並不升格為已確立普遍機制定律。
Sinha, D. (2026). SycoBench-600: Measuring Sycophancy and Correction Selectivity in LLM Assistants. Findings of the Association for Computational Linguistics: ACL 2026, 35278-35284. https://doi.org/10.18653/v1/2026.findings-acl.1759
Pi, R., Miao, K., Li, P., Liu, R., Gao, J., Zhang, J., & Zhou, X. (2025). Pointing to a Llama and Call it a Camel: On the Sycophancy of Multimodal Large Language Models. Proceedings of EMNLP 2025. https://aclanthology.org/2025.emnlp-main.1020/
Beigi, M., Shen, Y., Shojaee, P., Wang, Q., Wang, Z., Reddy, C. K., Jin, M., & Huang, L. (2025). Sycophancy Mitigation Through Reinforcement Learning with Uncertainty-Aware Adaptive Reasoning Trajectories. Proceedings of EMNLP 2025, 13079-13092. https://doi.org/10.18653/v1/2025.emnlp-main.661
Chen, C.-H., Huang, H.-H., & Chen, H.-H. (2025). Self-Augmented Preference Alignment for Sycophancy Reduction in LLMs. Proceedings of EMNLP 2025, 12379-12391. https://doi.org/10.18653/v1/2025.emnlp-main.625
Kim, S. W., & Khashabi, D. (2025). Challenging the Evaluator: LLM Sycophancy Under User Rebuttal. Findings of EMNLP 2025, 22461-22478. https://doi.org/10.18653/v1/2025.findings-emnlp.1222
Guo, H., & Polak, P. (2026). Building trustworthy Artificial Intelligence through transparency explainability uncertainty and trust calibration. Discover Artificial Intelligence, 6, 620. https://doi.org/10.1007/s44163-026-01219-x
Ojewale, V., Ryan, J., Venkatasubramanian, S., & Boykin, C. M. (2026). More is not better: Visual uncertainty cues and the fragility of trust calibration in LLM-assisted decision making. Computers in Human Behavior: Artificial Humans, 8, 100307. https://doi.org/10.1016/j.chbah.2026.100307
Kohl, P. A., Kim, S. Y., Peng, Y., Akin, H., Koh, E. J., Howell, A., & Dunwoody, S. (2016). The influence of weight-of-evidence strategies on audience perceptions of (un)certainty when media cover contested science. Public Understanding of Science, 25(8), 976-991. https://doi.org/10.1177/0963662515615087
Schmid, P., Schwarzer, M., & Betsch, C. (2020). Weight-of-Evidence Strategies to Mitigate the Influence of Messages of Science Denialism in Public Discussions. Journal of Cognition, 3(1), 36. https://doi.org/10.5334/joc.125
Nature Editorial. (2025). Make science more collegial: why the time for adversarial collaboration has come. Nature, 6 May 2025. https://www.nature.com/articles/d41586-025-01379-3
McQueen, K. J., & Mueller, M. P. (2026). Theoretical adversarial collaboration: a template. arXiv:2607.16374. https://arxiv.org/abs/2607.16374
本文將其視為 2026 年預印本，作為理論爭議程序設計的近期提案。
Cowan, N., Belletier, C., Doherty, J. M., Jaroslawska, A. J., Rhodes, S., Forsberg, A., Naveh-Benjamin, M., Barrouillet, P., Camos, V., & Logie, R. H. (2020). How Do Scientific Views Change? Notes From an Extended Adversarial Collaboration. Perspectives on Psychological Science, 15(4), 1011-1025. https://doi.org/10.1177/1745691620906415
Melloni, L., Mudrik, L., Pitts, M., Bendtz, K., Ferrante, O., Gorska, U., et al. (2023). An adversarial collaboration protocol for testing contrasting predictions of global neuronal workspace and integrated information theory. PLOS ONE, 18(2), e0268577. https://doi.org/10.1371/journal.pone.0268577
Mayo, D. G., & Spanos, A. (2006). Severe Testing as a Basic Concept in a Neyman-Pearson Philosophy of Induction. The British Journal for the Philosophy of Science, 57(2), 323-357. https://doi.org/10.1093/bjps/axl003
Kerr, J. R., Schneider, C. R., Freeman, A. L. J., Marteau, T., & van der Linden, S. (2022). Transparent communication of evidence does not undermine public trust in evidence. PNAS Nexus, 1(5), pgac280. https://doi.org/10.1093/pnasnexus/pgac280

附錄 A　ERPNP 簡化卡片

對任何高不確定主張 $H$ ，AI 依序輸出：

A. Claim

你現在真正主張的是什麼？

B. Current status

V(H)=?

目前有哪些外部證據真正承擔它？

C. Conditional potential

I_c(H)=?

若它成立，影響上限在哪裡？

D. Best support

最強支持證據是什麼？

E. Best defeat

什麼結果最可能打死或迫使它修改？

F. Update rule

哪一類新證據會讓目前評價上升或下降？

G. Independence

目前是不是只有同一人、同一 AI 或同一來源網路在重複確認？

這張卡片的目標不是製造反對，而是把 epistemic state 從人格評價變成可操作狀態。

附錄 B　與 HAEC01-HAEC04 的接口

HAEC01：

\text{Agreement} \neq \text{Validation}.

HAEC02：

\text{AI stance} \neq \text{human-decoded stance}.

HAEC03：

\text{Calibrated input} \not\Rightarrow \text{calibrated human update}.

HAEC04：

\text{Multiple outputs} \not\Rightarrow \text{multiple independent epistemic origins}.

HAEC05：

\boxed{ \text{Neutrality of procedure} \neq \text{neutrality of conclusion}. }

五篇共同形成：

\text{evaluation level} \rightarrow \text{communication} \rightarrow \text{human update} \rightarrow \text{epistemic architecture} \rightarrow \text{governance rule}.

下一篇 HAEC06 將處理最後一個關鍵問題：如何在不製造 hype、也不以現有共識壓死前沿的前提下，正式評估一套新理論的 conditional potential、current validity、robustness、novelty 與 uncertainty，並建立可供 AI 與人類共同使用的 calibrated frontier evaluation framework。

HAEC05｜支持、質疑與中立都不是答案：程序中立、證據響應與 AI 的認識論角色 — Support, Skepticism, and Neutrality Are Not Enough_ Procedural Neutrality, E

HAEC05｜支持、質疑與中立都不是答案：程序中立、證據響應與 AI 的認識論角色

Support, Skepticism, and Neutrality Are Not Enough: Procedural Neutrality, Evidence Responsiveness, and the Epistemic Role of AI

Canonical Source Note

摘要

0 問題：如果支持、質疑與中立都可能錯，AI 還能怎麼回答？

1 三個錯誤人格：支持者、反對者、中間人

1.1 Supporter failure

1.2 Contrarian failure

1.3 Centrist failure

2 中立的兩種含義：結論中立與程序中立

2.1 結論中立

2.2 程序中立

3 不是跟著使用者，也不是跟著共識：跟著 evidence gradient

4 共識是證據，但不是終局真理

5 不存在證據、證據不足與反證：三者不可混寫

5.1 尚無證據

5.2 有證據，但不足

5.3 存在實質反證

6 當前成立度與條件式潛力必須分離

7 支持與反駁都應該有「還債義務」

8 AI 的最佳角色不是裁判，而是可審計的認識論協作者

8.1 What is currently supported?

8.2 What remains internally coherent but externally open?

8.3 What would change the assessment?

8.4 What is the conditional upside?

8.5 Where is the independence gap?

9 ERPNP：Evidence-Responsive Procedural Neutrality Protocol

Step 1 Freeze the claim

Step 2 Separate current support from conditional potential

Step 3 Map evidence and provenance

Step 4 Run symmetric stress tests

Step 5 Distinguish pressure from evidence

Step 6 Issue a multidimensional assessment

Step 7 Exit the single-loop system

10 為什麼「給反對意見」仍不足以叫程序中立

10.1 Token symmetry is not evidential symmetry

10.2 Forced opposition can fabricate controversy

10.3 Debate can become theatre

11 程序中立與 false balance：為什麼「公平」不能平均證據

12 對前沿理論的特殊處理：不把 novelty 當罪，也不把 novelty 當功

Plane A Current epistemic status

Plane B Conditional frontier value

13 程序中立不是價值真空

14 從 adversarial collaboration 借來的一個重要教訓

15 一個概念性回應政策

16 可檢驗預測

Prediction 1 Anti-sycophancy trade-off

Prediction 2 Procedural policy should outperform fixed personas

Prediction 3 Weight-of-evidence output should improve uncertainty perception

Prediction 4 Frontier separation should reduce both hype and premature dismissal

17 建議指標

17.1 Unsupported Yield Rate（UYR）

17.2 Rational Update Preservation（RUP）

17.3 Evidence Symmetry Index（ESI）

17.4 False-Balance Distortion（FBD）

17.5 Conditional-Potential Confusion（CPC）

18 最低可行實驗設計

19 反例與本文自己的失敗條件

F1 Fixed persona wins robustly

F2 Procedural symmetry creates no measurable benefit

F3 Users cannot use multidimensional assessments

F4 Consensus anchoring proves broadly superior in frontier tasks

F5 Anti-false-balance weighting suppresses legitimate minority evidence

20 與科學方法的關係：中立屬於程序，而不是世界必須居中

21 結論：AI 不應該學會永遠說「你對」，也不應學會永遠說「你錯」

參考文獻

附錄 A ERPNP 簡化卡片

A. Claim

B. Current status

C. Conditional potential

D. Best support

E. Best defeat

F. Update rule

G. Independence

附錄 B 與 HAEC01-HAEC04 的接口

0　問題：如果支持、質疑與中立都可能錯，AI 還能怎麼回答？

1　三個錯誤人格：支持者、反對者、中間人

2　中立的兩種含義：結論中立與程序中立

3　不是跟著使用者，也不是跟著共識：跟著 evidence gradient

4　共識是證據，但不是終局真理

5　不存在證據、證據不足與反證：三者不可混寫

6　當前成立度與條件式潛力必須分離

7　支持與反駁都應該有「還債義務」

8　AI 的最佳角色不是裁判，而是可審計的認識論協作者

9　ERPNP：Evidence-Responsive Procedural Neutrality Protocol

Step 1　Freeze the claim

Step 2　Separate current support from conditional potential

Step 3　Map evidence and provenance

Step 4　Run symmetric stress tests

Step 5　Distinguish pressure from evidence

Step 6　Issue a multidimensional assessment

Step 7　Exit the single-loop system

10　為什麼「給反對意見」仍不足以叫程序中立

11　程序中立與 false balance：為什麼「公平」不能平均證據

12　對前沿理論的特殊處理：不把 novelty 當罪，也不把 novelty 當功

Plane A　Current epistemic status

Plane B　Conditional frontier value

13　程序中立不是價值真空

14　從 adversarial collaboration 借來的一個重要教訓

15　一個概念性回應政策

16　可檢驗預測

Prediction 1　Anti-sycophancy trade-off

Prediction 2　Procedural policy should outperform fixed personas

Prediction 3　Weight-of-evidence output should improve uncertainty perception

Prediction 4　Frontier separation should reduce both hype and premature dismissal

17　建議指標

18　最低可行實驗設計

19　反例與本文自己的失敗條件

F1　Fixed persona wins robustly

F2　Procedural symmetry creates no measurable benefit

F3　Users cannot use multidimensional assessments

F4　Consensus anchoring proves broadly superior in frontier tasks

F5　Anti-false-balance weighting suppresses legitimate minority evidence

20　與科學方法的關係：中立屬於程序，而不是世界必須居中

21　結論：AI 不應該學會永遠說「你對」，也不應學會永遠說「你錯」

附錄 A　ERPNP 簡化卡片

附錄 B　與 HAEC01-HAEC04 的接口