← Archive
lm-004458 · 2026-10

APET-03｜誰是 AI 專家？

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

APET-03｜誰是 AI 專家？

AI 專業能力的向量化與專家指稱坍縮

Who Is an AI Expert? Vectorizing AI Expertise and the Collapse of Expert Referents

系列： AI 多態時代拓撲論（AI Polymorphic Epoch Topology, APET）
編號： APET-03
版本： v0.1
日期： 2026-09-23
狀態： Canonical Source / UTF-8 Markdown
作者： Neo.K
機構： EveMissLab Technology Co., Ltd.
協作整理： Aletheia / GPT-5.6 Sol
前置論文： APET-01、APET-02
前置理論： 時代拓撲論 v2.0、EML-TOT-2026-003、EXS-04、SAS-04

公司： 一言諾科技有限公司

摘要

「AI 專家」是當代最常見、也最容易被高估資訊量的專業標籤之一。當公眾、媒體、企業與政策系統聽到「AI 專家」時，往往默認該稱謂指向一種近似統一的能力：懂 AI、能判斷 AI、能代表 AI 領域發言。然而，人工智能在歷史上已經分化為大量不同技術範式與工程層級，包括古典搜尋與規劃、專家系統、符號推理、統計機器學習、神經網路、強化學習、電腦視覺、語音、生成模型、大型語言模型、多模態、Agent、AI runtime、memory、tool use、具身控制、機器人、分散式 AI、AI-native systems、安全、評測、治理與產業整合。

因此，「AI 專家」已與「AI」本身一樣發生 指稱坍縮。

本文提出 AI Expert Referent Collapse（AI 專家指稱坍縮）：多種彼此不能直接替代的專業能力，被壓縮為單一社會稱謂「AI 專家」，進而造成錯誤權威遷移、跨域能力外推、媒體認證失真、企業招聘錯配、政策諮詢過度泛化與公眾判斷失焦。

本文主張：

AI Expertise≠One Expertise.\boxed{ \text{AI Expertise} \neq \text{One Expertise}. }

並提出 AI 專業能力向量：

EAI=(EP,EM,EL,EA,EB,ES,EI,EV,EG)\boxed{ \mathbf E_{\mathrm{AI}} = ( E_P, E_M, E_L, E_A, E_B, E_S, E_I, E_V, E_G ) }

其中分別表示：

  • EPE_P：Paradigm Expertise，AI 範式專業；
  • EME_M：Model Expertise，模型與訓練專業；
  • ELE_L：Modality Expertise，模態專業；
  • EAE_A：Agent / Autonomy Expertise，代理與自主系統專業；
  • EBE_B：Embodiment Expertise，具身與控制專業；
  • ESE_S：System Expertise，runtime、harness、memory、tools、distributed system 專業；
  • EIE_I：Integration Expertise，產品、組織、工作流整合專業；
  • EVE_V：Validation / Safety Expertise，評測、驗證與安全專業；
  • EGE_G：Governance / Social Expertise，治理、制度與社會技術專業。

本文進一步提出 Expertise Transfer Matrix（專業遷移矩陣）、Authority Projection Error（權威投射錯誤）、Cross-Domain Expertise Decay（跨域專業衰減）、Frontier Familiarity Half-Life（前沿熟悉度半衰期） 與 AI Expert State Vector（AI 專家態向量），用來描述一個人在不同 AI 子域中的有效專業位置，而非以單一標籤表示。

本文亦區分「懂 AI 原理」、「會使用 AI」、「會建 AI」、「會部署 AI」、「會讓 AI 完成工作」、「會研究 AI 邊界」、「會治理 AI」等不同能力。這些能力可以重疊，但不等價。

因此，未來更精確的問題不應是：

這個人是不是 AI 專家？

而應是：

Expert in which AI domain, at which layer, for which task, under which time horizon?\boxed{ \text{Expert in which AI domain, at which layer, for which task, under which time horizon?} }

這是 APET 從「AI 是哪一個對象」進一步走向「AI 專業權威究竟落在哪裡」的核心篇章。

關鍵詞： AI Expert Referent Collapse；AI Expertise Topology；Expertise Vector；Authority Projection Error；AI Professional Taxonomy；Agent；Embodied AI；AI Systems；AI Governance；Frontier Half-Life

1. 問題：什麼叫「AI 專家」？

日常語言中，以下人物都可能被稱為「AI 專家」：

  • 研究 A*、搜尋、規劃的古典 AI 研究者；
  • 研究知識表示與推理的符號 AI 學者；
  • 研究貝氏模型與統計學習的機器學習研究者；
  • 研究 CNN 的視覺研究者；
  • 研究 Transformer 的神經網路研究者；
  • 訓練 foundation model 的研究工程師；
  • 做 LLM post-training 的工程師；
  • 做 prompt / context engineering 的應用工程師；
  • 做 Agent runtime 的系統工程師；
  • 做 robot control 的具身 AI 研究者；
  • 做 AI safety / evals 的研究者；
  • 做企業 AI 導入的架構師；
  • 做 AI 政策與治理的學者；
  • 高度熟悉 frontier AI 產品的 power user。

以上所有人都可能合理地被叫做：

AI Expert.\boxed{ \text{AI Expert}. }

但他們所熟悉的 AI 對象、問題空間與方法可能完全不同。

2. AI Expert Referent Collapse

定義：

ERC⁡AI=AI Expert Referent Collapse.\boxed{ \operatorname{ERC}_{AI} = \text{AI Expert Referent Collapse}. }

若多個專業對象：

E1,E2,…,EnE_1,E_2,\ldots,E_n

被語言映射為：

L(Ei)=“AI Expert”,\mathcal L(E_i) = \text{``AI Expert''},

而使用者忽略：

Ei≠Ej,E_i\neq E_j,

則形成專家指稱坍縮。

3. 專家標籤的資訊壓縮

完整專業狀態可寫成：

E=(e1,e2,…,en).\mathbf E = (e_1,e_2,\ldots,e_n).

但公共語言只保留：

σE=AI Expert.\sigma_E = \text{AI Expert}.

因此：

I(σE)≪I(E).\boxed{ I(\sigma_E) \ll I(\mathbf E). }

這與 APET-01 的 AI Referent Collapse 具有同構結構。

4. 「懂 AI」至少有七種不同意思

最少可以區分：

KT=theoretical understanding,K_T = \text{theoretical understanding}, KM=model understanding,K_M = \text{model understanding}, KU=usage knowledge,K_U = \text{usage knowledge}, KE=engineering knowledge,K_E = \text{engineering knowledge}, KD=deployment knowledge,K_D = \text{deployment knowledge}, KA=agentic workflow knowledge,K_A = \text{agentic workflow knowledge}, KG=governance knowledge.K_G = \text{governance knowledge}.

所以：

understands AI\boxed{ \text{understands AI} }

本身仍然需要解參照。

5. 古典 AI 專家與現代 Agent 專家不是同一專業

一位研究：

search+planning+state machine\text{search} + \text{planning} + \text{state machine}

的專家，可能對：

LLM agent harness\text{LLM agent harness}

並不熟。

反之，一位非常擅長：

tool use+coding agents+agent orchestration\text{tool use} + \text{coding agents} + \text{agent orchestration}

的工程師，也可能並不熟悉：

knowledge representation\text{knowledge representation}

或：

symbolic planning theory.\text{symbolic planning theory}.

兩者都可以是 AI 專家，但：

EA≠EB.\mathbf E_A \neq \mathbf E_B.

6. 歷史範式專業

定義：

EP=Paradigm Expertise.E_P = \text{Paradigm Expertise}.

可再拆：

EP=(Eclassical,Esymbolic,Estatistical,Eneural,Efoundation,Eagentic,Eembodied).E_P = ( E_{\mathrm{classical}}, E_{\mathrm{symbolic}}, E_{\mathrm{statistical}}, E_{\mathrm{neural}}, E_{\mathrm{foundation}}, E_{\mathrm{agentic}}, E_{\mathrm{embodied}} ).

一個人可以：

Esymbolic≫0E_{\mathrm{symbolic}}\gg0

但：

Eagentic≈0.E_{\mathrm{agentic}}\approx0.

7. 歷史資歷不等於當代全域資歷

如果某人在：

t0t_0

是前沿 AI 研究者，不代表在：

t1t_1

仍然對所有新領域保持相同專業。

因此：

E(t0)⇏E(t1).\boxed{ E(t_0) \not\Rightarrow E(t_1). }

專業能力本身就是時間函數。

8. Frontier Familiarity Half-Life

本文提出：

τF=Frontier Familiarity Half-Life.\boxed{ \tau_F = \text{Frontier Familiarity Half-Life}. }

它表示：

在不持續更新知識的情況下，一個人在快速演化 AI 子域中的前沿熟悉度下降到原有效水平一半所需的時間。

若某領域變化極快：

τF↓.\tau_F\downarrow.

這描述的是前沿知識的新鮮度，而不是一般智力或過往成就。

9. Model Expertise

定義：

EM=Model Expertise.E_M = \text{Model Expertise}.

可包括：

  • architecture；
  • pretraining；
  • tokenization；
  • optimization；
  • scaling；
  • post-training；
  • reinforcement learning；
  • distillation；
  • quantization；
  • inference。

因此「LLM 專家」本身仍可拆成多個不同專業位置。

10. LLM 專家也不是一種專業

設：

ELLM=(Earch,Etrain,Epost,Einfer,Eeval,Eagent).E_{\mathrm{LLM}} = ( E_{\mathrm{arch}}, E_{\mathrm{train}}, E_{\mathrm{post}}, E_{\mathrm{infer}}, E_{\mathrm{eval}}, E_{\mathrm{agent}} ).

兩位都被稱為 LLM expert 的人，可能在某些子空間近乎正交：

E1⋅E2≈0.\mathbf E_1 \cdot \mathbf E_2 \approx0.

11. Modality Expertise

定義：

EL=Modality Expertise.E_L = \text{Modality Expertise}.

可分：

EL=(Etext,Evision,Eaudio,Espeech,Emusic,Evideo,E3D,Esensor).E_L = ( E_{\mathrm{text}}, E_{\mathrm{vision}}, E_{\mathrm{audio}}, E_{\mathrm{speech}}, E_{\mathrm{music}}, E_{\mathrm{video}}, E_{\mathrm{3D}}, E_{\mathrm{sensor}} ).

所以：

Generative AI Expert\boxed{ \text{Generative AI Expert} }

仍然不是充分標籤。

12. 圖像 AI 與文字 AI 不可直接替代

一位很熟 diffusion models 的人，不一定熟 LLM context architecture。

反之亦然。

因此：

Eimage⇏Etext.\boxed{ E_{\mathrm{image}} \not\Rightarrow E_{\mathrm{text}}. }

13. 多模態專家也需要拆

「多模態」可能指：

  • image-text fusion；
  • audio-text fusion；
  • video understanding；
  • multimodal generation；
  • sensor fusion；
  • perception-action integration。

因此：

Emultimodal\boxed{ E_{\mathrm{multimodal}} }

仍是一個高維向量。

14. Agent Expertise

定義：

EA=Agent / Autonomy Expertise.E_A = \text{Agent / Autonomy Expertise}.

可拆：

EA=(Eplanning,Etool,Ememory,Eorchestration,Everification,Elong−horizon).E_A = ( E_{\mathrm{planning}}, E_{\mathrm{tool}}, E_{\mathrm{memory}}, E_{\mathrm{orchestration}}, E_{\mathrm{verification}}, E_{\mathrm{long-horizon}} ).

這些能力與單純模型訓練不同。

15. 會用 Chat 不等於會設計 Agent

熟悉：

prompt-response interaction\text{prompt-response interaction}

不推出熟悉：

stateful action loop.\text{stateful action loop}.

因此：

Chat Expertise⇏Agent Expertise.\boxed{ \text{Chat Expertise} \not\Rightarrow \text{Agent Expertise}. }

16. 會設計 Agent 也不等於會訓練模型

反之：

EA⇏EM.\boxed{ E_A \not\Rightarrow E_M. }

一個優秀 Agent engineer 可以主要使用現成 foundation models，而沒有大型模型訓練經驗。

17. Embodiment Expertise

定義：

EB=Embodiment Expertise.E_B = \text{Embodiment Expertise}.

包含：

  • robotics；
  • control；
  • perception；
  • sensor fusion；
  • planning；
  • actuation；
  • navigation；
  • real-time safety。

因此 Embodied AI 專業本身就是跨 AI 與控制／機器人系統的複合專業。

18. Humanoid 只是 embodiment 的一個子域

Ehumanoid⊂EB.E_{\mathrm{humanoid}} \subset E_B.

其他還包括：

Edrone,Evehicle,Earm,Emobile,Eindustrial.E_{\mathrm{drone}}, E_{\mathrm{vehicle}}, E_{\mathrm{arm}}, E_{\mathrm{mobile}}, E_{\mathrm{industrial}}.

所以「機器人專家」也不是單一位置。

19. System Expertise

定義：

ES=System Expertise.E_S = \text{System Expertise}.

包括：

  • runtime；
  • harness；
  • serving；
  • distributed systems；
  • memory；
  • tool interfaces；
  • orchestration；
  • observability；
  • failure recovery。

這正是 APET-02 的系統層。

20. System Expertise 與 Model Expertise 可以高度分離

可能：

EM≫ESE_M\gg E_S

或：

ES≫EM.E_S\gg E_M.

因此：

Model Expert≠AI Systems Expert.\boxed{ \text{Model Expert} \neq \text{AI Systems Expert}. }

21. Integration Expertise

定義：

EI=Integration Expertise.E_I = \text{Integration Expertise}.

它處理：

AI 如何真正進入產品、工作與組織。

包含：

  • workflow redesign；
  • product integration；
  • human-in-the-loop；
  • permission design；
  • process mapping；
  • organizational change；
  • ROI；
  • adoption。

22. 會做模型不代表會導入企業

若：

EM≫0E_M\gg0

但：

EI≈0,E_I\approx0,

則一個人可能能做很強的模型，卻不熟：

  • 接流程；
  • 建權限；
  • 定責任；
  • 設 KPI；
  • 管理使用者行為。

所以：

AI Builder≠AI Integrator.\boxed{ \text{AI Builder} \neq \text{AI Integrator}. }

23. 會導入企業也不代表理解模型前沿

反之：

EI≫0E_I\gg0

但：

EME_M

可以只是中等。

這樣的人仍可能是非常強的 AI Integration Expert。

24. Validation / Safety Expertise

定義：

EV=Validation / Safety Expertise.E_V = \text{Validation / Safety Expertise}.

包括：

  • evaluation；
  • red teaming；
  • reliability；
  • benchmark design；
  • adversarial testing；
  • hallucination analysis；
  • specification compliance；
  • verification；
  • safety engineering。

25. 會建模型不等於會驗模型

EM⇏EV.E_M \not\Rightarrow E_V.

模型開發者可能非常了解 training dynamics，卻不一定專精 systematic failure discovery。

26. Governance Expertise

定義：

EG=Governance / Social Expertise.E_G = \text{Governance / Social Expertise}.

包括：

  • regulation；
  • law；
  • standards；
  • public policy；
  • labor effects；
  • institutional design；
  • accountability；
  • rights；
  • social impact。

這類專家不一定寫模型程式，但仍屬 AI 專業生態的重要部分。

27. 治理專家不是技術模型專家

因此：

EG⇏EM.\boxed{ E_G \not\Rightarrow E_M. }

同樣：

EM⇏EG.E_M \not\Rightarrow E_G.

這是媒體與公共政策最容易忽略的型別差異之一。

28. AI 專業向量

本文正式定義：

EAI=(EP,EM,EL,EA,EB,ES,EI,EV,EG).\boxed{ \mathbf E_{\mathrm{AI}} = ( E_P, E_M, E_L, E_A, E_B, E_S, E_I, E_V, E_G ). }

每個分量仍可再拆成更細子向量。

因此：

EAI∈Rn\mathbf E_{\mathrm{AI}} \in \mathbb R^n

只是一個最低形式表示。

29. 專業不是單一分數

不能只寫：

EAI=95.E_{\mathrm{AI}}=95.

因為可能：

E1=(95,90,20,10,0,15,5,30,5),\mathbf E_1 = (95,90,20,10,0,15,5,30,5),

而：

E2=(40,30,50,95,60,90,80,75,20).\mathbf E_2 = (40,30,50,95,60,90,80,75,20).

誰「比較懂 AI」？

沒有唯一答案。

30. Expertise Topology

本文因此提出：

TE=AI Expertise Topology.\boxed{ \mathcal T_E = \text{AI Expertise Topology}. }

它描述不同專業子域之間的：

  • 距離；
  • 鄰接；
  • 重疊；
  • 可遷移性；
  • 更新速度；
  • 橋接結構。

31. 專業距離

可概念定義：

dE(Ei,Ej).d_E(E_i,E_j).

如果兩個子域共享大量：

  • 理論；
  • 工具；
  • 資料；
  • 方法；

則：

dEd_E

較小。

若方法結構非常不同：

dEd_E

較大。

32. Expertise Transfer Matrix

本文提出：

Tij=P(expertise in domain i transfers to domain j).\boxed{ T_{ij} = P( \text{expertise in domain }i \text{ transfers to domain }j ). }

稱為：

Expertise Transfer Matrix。

中文：

專業遷移矩陣。

33. 遷移不是對稱的

可能：

Tij≠Tji.T_{ij} \neq T_{ji}.

例如某些強數學與最佳化基礎可以高度遷移到 ML 理論，而某些特定產品操作能力不一定反向遷移到理論研究。

因此：

expertise transfer can be directional.\boxed{ \text{expertise transfer can be directional}. }

34. 專業相鄰與專業正交

若：

Tij≫0,T_{ij}\gg0,

則可稱：

Ei∼Ej.E_i\sim E_j.

這是 expertise adjacency。

若：

Tij≈0T_{ij}\approx0

且：

Tji≈0,T_{ji}\approx0,

則可概念寫成：

Ei⊥Ej.E_i\perp E_j.

這是 expertise orthogonality。

35. AI 專家可以是高度偏科型

一個人：

EM≫0,E_M\gg0,

但：

EG≈0.E_G\approx0.

完全正常。

另一個：

EG≫0,E_G\gg0,

但：

EM≈0.E_M\approx0.

也正常。

問題不是偏科，而是：

social label hides specialization.\boxed{ \text{social label hides specialization}. }

36. Authority Projection Error

本文提出：

APE⁡=Authority Projection Error.\boxed{ \operatorname{APE} = \text{Authority Projection Error}. }

中文：

權威投射錯誤。

它指：

因為某人在 AI 子域 ii 是專家，就把其權威投射到 AI 子域 jj。

形式上：

Ei≫0E_i\gg0

被錯誤解讀為：

Ej≫0.E_j\gg0.

37. 公共 AI 討論中的權威錯配

例如：

一位頂級 computer vision researcher 被要求作為一般 AI governance 的唯一權威。

或：

一位頂級 AI policy scholar 被當成 LLM architecture 的模型工程權威。

這些人的意見仍然可以有價值。

但：

authority source must be typed.\boxed{ \text{authority source must be typed}. }

38. 學術頭銜不是全域 AI 權威憑證

Professor of AI\text{Professor of AI}

不代表：

∀Ei,Ei≫0.\forall E_i, \quad E_i\gg0.

它最多支持：

∃Ej\exists E_j

在某些相關子域具有強專業資格。

39. 企業職稱也一樣

Chief AI Officer\text{Chief AI Officer}

可能專長：

  • strategy；
  • product；
  • integration；
  • governance。

並不必然專長：

  • model architecture；
  • robotics；
  • distributed training。

因此：

job title≠full expertise vector.\boxed{ \text{job title} \neq \text{full expertise vector}. }

40. AI Power User 是另一類專業

有些人不研究模型，但長期高強度使用：

  • frontier chat；
  • coding agents；
  • Work；
  • browser agents；
  • multi-agent systems。

這會形成：

EU=AI Usage Expertise.\boxed{ E_U = \text{AI Usage Expertise}. }

它不等於：

EM.E_M.

41. 使用專業可以是真正的專業

如果一個人能：

  • 選對 surface；
  • 選對模型；
  • 設定上下文；
  • 設計驗證；
  • 控制成本；
  • 維持多 Agent；
  • 實際完成複雜工作；

則：

EU≫0.E_U\gg0.

這是一種真實能力，而不是 casual use。

42. 但 Power User 不應冒充模型研究者

因此：

EU⇏EM.\boxed{ E_U \not\Rightarrow E_M. }

同理：

EM⇏EU.E_M \not\Rightarrow E_U.

模型研究者也可能不熟產品 surface 與 Agent 工作流。

43. AI Native Worker

本文進一步區分：

EN=AI-Native Work Expertise.E_N = \text{AI-Native Work Expertise}.

它表示：

能把工作本身重新設計成適合 AI 協作與 Agent 執行，而不只是把 AI 加到舊流程。

44. Prompt Expertise 的位置

提示詞能力：

EpromptE_{\mathrm{prompt}}

是：

EUE_U

的一部分。

但：

Eprompt⊊EU.\boxed{ E_{\mathrm{prompt}} \subsetneq E_U. }

因為 AI 使用還包括：

  • context；
  • tools；
  • verification；
  • delegation；
  • orchestration；
  • workflow design。

45. Prompt Expert 不等於 AI Expert

可以合理地說 Prompt Expert 是某個互動層的專家。

但如果直接把：

Prompt Expert\text{Prompt Expert}

等同：

AI Expert,\text{AI Expert},

就再次發生指稱坍縮。

46. AI Engineer 也不是一種工程師

「AI Engineer」可能指：

  • data scientist；
  • ML engineer；
  • model trainer；
  • inference engineer；
  • LLM app engineer；
  • agent engineer；
  • AI infra engineer；
  • robotics engineer；
  • AI integration engineer。

因此：

AI Engineer\boxed{ \text{AI Engineer} }

也需要子類型。

47. Foundation Model Era 改變了專業結構

當通用模型能力提高：

CM↑,C_M\uparrow,

大量使用者不再需要自己訓練模型。

因此：

EME_M

不再是所有 AI 工作的唯一入口。

48. AI 專業從「造模型」分化為「造系統」

過去常見近似：

AI expertise≈model / algorithm expertise.\text{AI expertise} \approx \text{model / algorithm expertise}.

現在更接近：

AI expertise=model+system+workflow+world integration.\boxed{ \text{AI expertise} = \text{model} + \text{system} + \text{workflow} + \text{world integration}. }

49. Agent Era 再次改變專業結構

Agent 帶來：

EA,ES,EVE_A, E_S, E_V

的重要性上升。

因為問題不再只是：

回答對不對。

而是：

能不能把任務閉合.\boxed{ \text{能不能把任務閉合}.}

50. Embodied Era 又會再改一次

當 AI 進入物理世界：

EBE_B

變得關鍵。

這會引入：

  • control theory；
  • mechanics；
  • real-time systems；
  • safety；
  • human factors。

因此：

future AI expert ecology\boxed{ \text{future AI expert ecology} }

會持續擴張。

51. AI Expert Ecology

本文提出：

Eexperts={E1,E2,…,En}.\boxed{ \mathcal E_{\mathrm{experts}} = \{E_1,E_2,\ldots,E_n\}. }

整個 AI 領域應被理解為：

expert ecology\boxed{ \text{expert ecology} }

而非：

single profession.\boxed{ \text{single profession}. }

52. 生態系比金字塔更準確

如果使用：

E1>E2>E3,E_1>E_2>E_3,

容易滑向「誰比較高級」的單軸排序。

但 AI 專業更多是不同方向。

因此更適合使用：

graph / manifold\boxed{ \text{graph / manifold} }

描述。

53. Expertise Graph

設節點：

VE={Ei}.V_E = \{E_i\}.

邊：

wij=Tij.w_{ij} = T_{ij}.

則：

GE=(VE,WE)\boxed{ G_E = (V_E,W_E) }

可以表示 AI Expertise Graph。

54. Bridge Expertise

有些專家同時位於兩個專業群落之間。

例如：

EM≫0,ES≫0.E_M\gg0, \qquad E_S\gg0.

可能形成 model-system bridge。

本文定義：

BE(i,j)=ability to translate between expertise domains i,j.\boxed{ B_E(i,j) = \text{ability to translate between expertise domains }i,j. }

55. 跨域能力不是把兩種知識相加

若：

Ei>0,Ej>0,E_i>0, \qquad E_j>0,

不一定：

BE(i,j)>0.B_E(i,j)>0.

真正橋接需要：

translation+integration+boundary awareness.\boxed{ \text{translation} + \text{integration} + \text{boundary awareness}. }

56. Meta-AI Expertise

本文定義：

Emeta\boxed{ E_{\mathrm{meta}} }

表示：

能辨識 AI 各專業子域邊界、關係與自身知識限制。

它不是「全部都懂」。

而是：

knowing the topology of expertise.\boxed{ \text{knowing the topology of expertise}. }

57. Meta Expertise 可以降低權威投射

如果：

Emeta↑,E_{\mathrm{meta}}\uparrow,

一個專家更可能知道：

這不是我的子域。

因此：

APE⁡↓.\operatorname{APE}\downarrow.

58. 專家的重要能力之一是知道自己不在哪裡

所以專業不只包括：

what one knows.\text{what one knows}.

還包括：

accurate boundary awareness.\boxed{ \text{accurate boundary awareness}. }

59. Expertise Calibration

定義概念式：

KE=1−∣E^−E∣.\boxed{ K_E = 1- |\hat E-E|. }

表示：

自我評估與實際專業能力之間的校準程度。

高能力低校準仍可能導致跨域過度自信。

60. Public Authority Weight

若媒體給某人：

AP=public authority weight,A_P = \text{public authority weight},

理想上：

AP∝EiA_P \propto E_i

只在相關子域 ii 成立。

但實際常被擴張成：

AP→global AI authority.A_P \rightarrow \text{global AI authority}.

這就是權威投射錯誤。

61. 名氣、引用與職位不是完整 Expertise Vector

設：

F=fame,F= \text{fame}, C=citations,C= \text{citations}, J=job title.J= \text{job title}.

它們都可能提供資訊。

但：

F,C,J≠EAI.\boxed{ F,C,J \neq \mathbf E_{\mathrm{AI}}. }

62. AI Expert State Vector

本文提出：

XE(t)=(EAI,EU,EN,Emeta,KE,t).\boxed{ \mathbf X_E(t) = ( \mathbf E_{\mathrm{AI}}, E_U, E_N, E_{\mathrm{meta}}, K_E, t ). }

稱為：

AI Expert State Vector。

中文：

AI 專家態向量。

63. 專業是動態狀態

XE(t0)≠XE(t1)\mathbf X_E(t_0) \neq \mathbf X_E(t_1)

完全正常。

人可以：

  • 學習；
  • 退離前沿；
  • 轉領域；
  • 增加 bridge expertise；
  • 增加 meta expertise。

64. Cross-Domain Expertise Decay

設一個人在主領域：

Ei.E_i.

對距離為：

dE(i,j)d_E(i,j)

的子域，其可遷移專業可概念化為：

Ei→j=Eie−λdE(i,j).\boxed{ E_{i\rightarrow j} = E_i e^{-\lambda d_E(i,j)}. }

這不是固定自然定律，而是一個可驗證的衰減模型。

65. 距離越遠，不能直接借權威

若：

dE(i,j)↑,d_E(i,j)\uparrow,

則：

Ei→j↓.E_{i\rightarrow j}\downarrow.

因此：

domain distance should attenuate authority.\boxed{ \text{domain distance should attenuate authority}. }

66. 但 Bridge Expertise 可以降低有效距離

若：

BE(i,j)↑,B_E(i,j)\uparrow,

則有效距離：

dE∗(i,j)<dE(i,j).d_E^{\ast}(i,j) < d_E(i,j).

所以真正的跨域專家確實存在。

只是不能假設所有 AI 專家都是跨域專家。

67. 一個 AI 專家的最低公開描述

比起：

AI expert.

更有資訊量的是：

AI systems expert specializing in agent runtimes, tool use, memory, and long-horizon verification.

或：

Foundation-model researcher specializing in post-training and evaluation.

核心是：

expert label should preserve domain information.\boxed{ \text{expert label should preserve domain information}. }

68. Expert Label Resolution Protocol

本文提出最低解析格式：

ExpertID⁡=(D,L,R,T).\boxed{ \operatorname{ExpertID} = (D,L,R,T). }

其中：

  • DD：Domain；
  • LL：Layer；
  • RR：Role；
  • TT：Time relevance。

69. Domain

例如：

D∈{LLM,vision,robotics,agents,safety,governance}.D \in \{ \text{LLM}, \text{vision}, \text{robotics}, \text{agents}, \text{safety}, \text{governance} \}.

70. Layer

例如：

L∈{theory,model,system,integration,institution}.L \in \{ \text{theory}, \text{model}, \text{system}, \text{integration}, \text{institution} \}.

71. Role

例如：

R∈{researcher,engineer,operator,integrator,evaluator,governance scholar}.R \in \{ \text{researcher}, \text{engineer}, \text{operator}, \text{integrator}, \text{evaluator}, \text{governance scholar} \}.

72. Time relevance

T=active frontier familiarity.T = \text{active frontier familiarity}.

因為一個人在 2018 年具備前沿深度學習專業，不能無條件推出其對 2026 年 Agent frontier 仍同樣熟悉。

73. AI 專家分類不是排位

本文強調：

Expertise Topology≠Expert Ranking.\boxed{ \text{Expertise Topology} \neq \text{Expert Ranking}. }

目的不是說哪類專家更高級。

而是：

哪一類專業適合回答哪一種問題？

74. 問題—專家匹配

設問題：

Q.Q.

其所需專業向量：

EQ.\mathbf E_Q.

專家：

Ei.\mathbf E_i.

可定義匹配度：

M(Q,Ei)=sim⁡(EQ,Ei).\boxed{ M(Q,E_i) = \operatorname{sim} ( \mathbf E_Q, \mathbf E_i ). }

75. 專家是否合適應看匹配，而不是標籤

因此：

E∗(Q)=arg⁡max⁡iM(Q,Ei).\boxed{ E^{\ast}(Q) = \arg\max_i M(Q,E_i). }

而不是：

arg⁡max⁡ifame(Ei).\arg\max_i \text{fame}(E_i).

76. AI 治理尤其需要多專家系統

治理問題可能同時要求：

EM,ES,EV,EG.E_M, E_S, E_V, E_G.

單一專家不一定覆蓋。

因此：

AI governance\boxed{ \text{AI governance} }

天然更適合：

multi-expert architecture.\boxed{ \text{multi-expert architecture}. }

77. 多專家不代表人數越多越好

需要的是：

coverage+low redundancy+bridge capacity.\boxed{ \text{coverage} + \text{low redundancy} + \text{bridge capacity}. }

可定義：

CE=∣required expertise dimensions covered∣∣required dimensions∣.\boxed{ C_E = \frac{ |\text{required expertise dimensions covered}| }{ |\text{required dimensions}| }. }

78. AI 公司招聘問題

職缺只寫：

AI Expert Wanted

資訊不足。

真正需要的是：

EQ.\boxed{ \mathbf E_Q. }

例如：

  • model fine-tuning；
  • agent orchestration；
  • enterprise integration；
  • robotics control。

這些是不同職缺。

79. Expert Label Mismatch

若：

Ecandidate\mathbf E_{\mathrm{candidate}}

與：

EQ\mathbf E_Q

低匹配，卻因為「AI expert」標籤被視為適任，則形成：

Expert Label Mismatch.\boxed{ \text{Expert Label Mismatch}. }

80. AI 教育也需要多軌化

「學 AI」可能是：

AI literacy,\text{AI literacy}, AI usage,\text{AI usage}, ML engineering,\text{ML engineering}, model research,\text{model research}, agent engineering,\text{agent engineering}, robotics,\text{robotics}, governance.\text{governance}.

所以：

AI education\boxed{ \text{AI education} }

也不是單一路徑。

81. 一般人的 AI 素養不必等於研究專業

普通人不需要：

EM≫0.E_M\gg0.

但可能需要：

EU,Emeta,KEE_U, E_{\mathrm{meta}}, K_E

達到一定水平。

也就是：

  • 知道不同 AI；
  • 知道限制；
  • 知道怎麼驗；
  • 知道何時找真正對口專家。

82. AI Literacy Topology

因此未來 AI 素養可以表示：

LAI=(Lobject,Lusage,Lverification,Lrisk,Lexpert−selection).\boxed{ \mathbf L_{AI} = ( L_{\mathrm{object}}, L_{\mathrm{usage}}, L_{\mathrm{verification}}, L_{\mathrm{risk}}, L_{\mathrm{expert-selection}} ). }

83. 最重要的素養之一：知道「AI 專家」不夠

如果一般人學會問：

哪一類 AI 專家？

就已經避免大量：

APE⁡.\operatorname{APE}.

84. 專家共識也要先做型別分離

若十位「AI 專家」同意某件事，需要知道：

{E1,…,E10}.\{ \mathbf E_1, \ldots, \mathbf E_{10} \}.

如果十人都來自同一子域，則只支持：

domain-local consensus.\boxed{ \text{domain-local consensus}. }

不自動等於：

whole-field consensus.\boxed{ \text{whole-field consensus}. }

85. 共識的拓撲

定義：

Cconsensus(D)C_{\mathrm{consensus}}(D)

表示：

在子域 DD 內的共識程度。

因此「AI expert consensus」本身也應該帶：

D.D.

86. 跨域爭議可能只是專業座標不同

研究者 A：

EA\mathbf E_A

與研究者 B：

EB\mathbf E_B

若差異很大，可能對同一 AI 現象看到完全不同的風險或機會。

這不一定表示 A 或 B 不專業。

而可能是：

different projections of a high-dimensional object.\boxed{ \text{different projections of a high-dimensional object}. }

87. 專業衝突不一定能靠投票解決

如果問題：

QQ

跨多子域，需要先分解：

Q→{Q1,…,Qn}.Q \rightarrow \{Q_1,\ldots,Q_n\}.

再匹配：

Qi→Ei.Q_i \rightarrow E_i.

而不是：

找十個 AI 專家投票。

88. AI 專家與時代拓撲

不同專家本身也處在不同：

ei(t).\mathbf e_i(t).

一個專家可能在 symbolic AI frontier 極強，但尚未進入 agentic frontier。

這不是簡單的「落後」。

而是：

different epoch-vector direction.\boxed{ \text{different epoch-vector direction}. }

89. 專家也可能跨時代並存

同在 2026：

EclassicalE_{\mathrm{classical}}

仍然有效。

EsymbolicE_{\mathrm{symbolic}}

仍然有效。

EfoundationE_{\mathrm{foundation}}

快速發展。

EagenticE_{\mathrm{agentic}}

快速擴張。

因此：

AI expertise history≠replacement history.\boxed{ \text{AI expertise history} \neq \text{replacement history}. }

90. 舊專業可能重新變重要

例如 planning 在 Agent 時代可能重新上升。

Symbolic constraints 也可能與 neural systems 再次融合。

所以：

old expertise⇏obsolete expertise.\boxed{ \text{old expertise} \not\Rightarrow \text{obsolete expertise}. }

91. 專業價值是情境函數

定義：

VE=F(Ei,X,t).V_E = F(E_i,X,t).

某專業在：

t0t_0

可能低需求，在：

t1t_1

重新重要。

92. AI Expert State 需要版本化

可以表示：

XE(t).\boxed{ \mathbf X_E^{(t)}. }

而不是一生固定：

AI expert.

因為：

E(t)\mathbf E(t)

會變。

93. 去中心化專業證據

未來專業判斷不一定需要單一中央認證。

可以使用：

claims+artifacts+track record+peer evidence.\boxed{ \text{claims} + \text{artifacts} + \text{track record} + \text{peer evidence}. }

例如：

  • papers；
  • repos；
  • deployments；
  • evals；
  • successful systems。

94. Expert Claim Provenance

對專業聲稱：

CEC_E

可保存：

PE=provenance of expertise claim.\boxed{ P_E = \text{provenance of expertise claim}. }

這比單純頭銜更可驗證。

95. AI 時代的實作型專業可能被低估

某些人沒有傳統學術頭銜，但：

EA,ES,EUE_A, E_S, E_U

非常高。

如果只看 degree/title，可能低估其實際 AI system expertise。

96. 反過來也不能因實作強就外推全部 AI

如果：

EA,ES≫0,E_A,E_S\gg0,

不代表：

EM,EG≫0.E_M,E_G\gg0.

所以仍須：

typed expertise.\boxed{ \text{typed expertise}. }

97. AI 專業多樣性會隨 AI 多態增加

APET-01 指出：

∣A∣↑.|\mathfrak A|\uparrow.

則通常：

∣E∣↑,|\mathfrak E|\uparrow,

其中：

E\mathfrak E

是 AI 專業空間。

因此：

AI polymorphism→expertise polymorphism.\boxed{ \text{AI polymorphism} \rightarrow \text{expertise polymorphism}. }

98. 對象空間與專業空間耦合

可以寫：

Φ:A→E.\boxed{ \Phi: \mathfrak A \rightarrow \mathfrak E. }

每當出現新的 AI 對象類型：

An+1,A_{n+1},

就可能生成新的專業需求：

En+1.E_{n+1}.

99. Agent 生成了新的專業層

當：

AagentA_{\mathrm{agent}}

出現，就需要：

Eorchestration,Ememory,Everification,Etool,Epermission.E_{\mathrm{orchestration}}, E_{\mathrm{memory}}, E_{\mathrm{verification}}, E_{\mathrm{tool}}, E_{\mathrm{permission}}.

這些不是以前全部都有清楚職稱。

100. 工程先行於分類

新專業往往先被做出來，後來才有名字。

因此：

Engineering→practice cluster→new expertise label.\boxed{ \text{Engineering} \rightarrow \text{practice cluster} \rightarrow \text{new expertise label}. }

這是 AI 快速演化時代的正常現象。

101. 「AI 專家」未來可能像「醫生」一樣需要子科

我們不會只說：

他是醫生，所以所有病都一樣懂。

會繼續問：

  • 心臟科；
  • 神經科；
  • 外科；
  • 放射科。

同理：

AI Expert\boxed{ \text{AI Expert} }

可能逐步變成一個上位職業類別。

102. AI 的跨域性甚至比單一傳統專業更複雜

因為 AI 同時橫跨：

  • mathematics；
  • computer science；
  • statistics；
  • control；
  • robotics；
  • HCI；
  • law；
  • economics；
  • sociology。

所以：

EAI\boxed{ \mathfrak E_{AI} }

更接近多域拓撲，而不是一個單一科系。

103. 專家分類的目的不是排除

APET-03 不主張：

只有某些人可以談 AI。

任何人都可以提出 claim。

問題是：

how much authority should the claim receive in which domain?\boxed{ \text{how much authority should the claim receive in which domain?} }

104. Claim-Expertise Matching

設聲明：

q.q.

其需求專業：

Eq.\mathbf E_q.

發言者：

Es.\mathbf E_s.

定義：

A(q,s)=sim⁡(Eq,Es).\boxed{ A(q,s) = \operatorname{sim} ( \mathbf E_q, \mathbf E_s ). }

它表示：

這個人對這個具體聲明的專業匹配度。

105. 一個人在不同問題上的 Authority 不同

同一個人：

ss

對：

q1q_1

可能：

A(q1,s)≫0.A(q_1,s)\gg0.

對：

q2q_2

可能：

A(q2,s)≪1.A(q_2,s)\ll1.

因此：

authority is claim-relative.\boxed{ \text{authority is claim-relative}. }

106. AI 專家不是本體身份

AI Expert\boxed{ \text{AI Expert} }

不是一種固定人格或本體。

而是：

a relation between a person, a knowledge domain, a task, and a time.\boxed{ \text{a relation between a person, a knowledge domain, a task, and a time}. }

107. 專業關係式

可以寫：

Expert⁡(p,D,X,t).\boxed{ \operatorname{Expert}(p,D,X,t). }

表示：

人 pp 在時間 tt 對領域 DD 與任務類型 XX 具有專業能力。

這比：

Expert⁡(p)\operatorname{Expert}(p)

更精確。

108. AI Expert Collapse 與媒體語言

媒體為了簡化：

expert in X→AI expert.\text{expert in X} \rightarrow \text{AI expert}.

這在標題層面可以理解。

但若後續把：

AI expert\text{AI expert}

再轉成：

authority on all AI,\text{authority on all AI},

就出現二次坍縮。

109. 二次坍縮

第一層：

Ei→AI Expert.E_i \rightarrow \text{AI Expert}.

第二層：

AI Expert→Authority on all AI.\text{AI Expert} \rightarrow \text{Authority on all AI}.

因此：

compression+authority expansion.\boxed{ \text{compression} + \text{authority expansion}. }

110. APET-03 的核心命題

本文最後收束為五個命題。

第一：

AI Expertise≠One Expertise.\boxed{ \text{AI Expertise} \neq \text{One Expertise}. }

第二：

Expert in Ai⇏Expert in Aj.\boxed{ \text{Expert in }A_i \not\Rightarrow \text{Expert in }A_j. }

第三：

Expertise is vector-valued and time-dependent.\boxed{ \text{Expertise is vector-valued and time-dependent}. }

第四：

Authority should decay with domain distance unless bridge expertise exists.\boxed{ \text{Authority should decay with domain distance unless bridge expertise exists}. }

第五：

Expertise should be matched to claims, not generalized from labels.\boxed{ \text{Expertise should be matched to claims, not generalized from labels}. }

111. 與 APET-01、APET-02 的統合

APET-01：

AI≠One Object.\boxed{ \text{AI} \neq \text{One Object}. }

APET-02：

One Model≠One Effective Intelligence.\boxed{ \text{One Model} \neq \text{One Effective Intelligence}. }

APET-03：

AI Expertise≠One Expertise.\boxed{ \text{AI Expertise} \neq \text{One Expertise}. }

三者組合後：

object polymorphism→system polymorphism→expertise polymorphism.\boxed{ \text{object polymorphism} \rightarrow \text{system polymorphism} \rightarrow \text{expertise polymorphism}. }

112. 結論

「AI 專家」是一個方便的上位稱呼，但已不足以支撐高強度判斷。

一位研究古典搜尋、規劃與符號推理的人，可以是 AI 專家。

一位研究 foundation model 訓練與 post-training 的人，可以是 AI 專家。

一位研究 Agent runtime、memory、tools、verification 的人，可以是 AI 專家。

一位研究具身機器人、控制與感測融合的人，也可以是 AI 專家。

一位研究 AI 法律、治理與制度的人，仍然可以是 AI 專家。

問題在於：

這些「AI 專家」不是同一種專家。\boxed{ \text{這些「AI 專家」不是同一種專家。} }

因此未來聽到：

他是 AI 專家。

第一個問題不應該是：

那他是不是很懂 AI？

而應該是：

Expert in which AI domain?\boxed{ \text{Expert in which AI domain?} }

接著：

At which layer?\boxed{ \text{At which layer?} }

再問：

For which task and how recently?\boxed{ \text{For which task and how recently?} }

這不是對專家的不信任。

反而是對專業本身更精確的尊重。

APET-03 的最終命題是：

Expertise is not a label attached to a person; it is a typed, time-dependent relation between a person and a problem space.\boxed{ \text{Expertise is not a label attached to a person; it is a typed, time-dependent relation between a person and a problem space.} }

中文：

專業不是貼在人身上的固定標籤，而是人與特定問題空間之間，一個有型別、會隨時間改變的能力關係。

後續論文

APET-04｜ChatGPT 可視域事件——AI 如何從隱形基礎設施變成大眾社會對象

預計處理：

AI Visibility≠AI Existence.\boxed{ \text{AI Visibility} \neq \text{AI Existence}. }

與：

Visible AI→Prototype Capture.\boxed{ \text{Visible AI} \rightarrow \text{Prototype Capture}. }

並正式展開：

AIVisibilityCapture⁡\operatorname{AI Visibility Capture}

與：

ChatbotEpochIllusion⁡.\operatorname{Chatbot Epoch Illusion}.