《有限的人類載體——為什麼論文、程式與形式證明不能成為知識承接的終點》

《AI 時代數學傳承工程論》03

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

摘要

AI 時代的前沿數學正在產生愈來愈多異質性知識載體：論文、程式、資料、計算證書、形式化證明、依賴圖、版本紀錄、對話式推導與機器生成的輔助解釋。這些產物提高了可驗證性與可重現性，卻同時暴露出一個長期被數學制度隱含處理、如今愈來愈難忽略的問題：人類認知載體本身是有限的。

一個人無法無限制地閱讀所有原始論文、追溯全部引用、檢查所有程式、理解全部形式證明並重建完整歷史背景。若數學傳承仍把「真正理解」默認為直接消化全部原始物，那麼當 AI 加速知識產生後，前沿數學的總認知負擔將快速超過個體可承受預算。本文因此提出「認知載體預算」、「承接負荷」、「直接理解極限」、「分散式理解」、「重建式理解」與「認知轉譯層」等概念，並主張：論文、程式與形式證明是知識證據層與高解析載體，但不應被視為文明傳承的唯一終點。

真正可持續的數學傳承，需要從「原始物中心」轉向「可重建知識中心」：保留完整原始證據，同時建立不同認知預算可進入的投影層、依賴圖、摘要結晶、視覺模型、教學模組與逐層回升路徑。AI 的重要角色因此不只是生成更多數學，而是把超出單一人類載體容量的知識重新編譯成可分層承接、可驗證回溯與可重新進入的文明記憶結構。

關鍵詞

有限認知載體、AI 數學、認知預算、知識承接、數學傳承、形式證明、可重建性、分散式理解、知識投影、文明記憶

1. 數學知識從來不是只存在於一個人的腦中

數學常被描述成高度抽象、可形式化、可跨世代保存的知識體系。

但這容易讓人忽略一個事實：

\boxed{ \text{Mathematics may be transpersonal, but every human carrier is finite.} }

也就是：

數學可以超越個體，但任何單一人類都不能完整承載整個數學。

一名研究者受到：

時間；
注意力；
工作記憶；
長期記憶；
領域訓練；
語言；
工具熟悉度；
生理與職涯長度；

限制。

因此，真正的數學文明一直都不是：

\text{One Mind} \rightarrow \text{All Mathematics}.

而是：

\boxed{ \text{Many Finite Carriers} + \text{External Artifacts} + \text{Institutional Memory} }

共同維持的分散式系統。

AI 只是讓這個事實變得再也無法被忽略。

2. 原始物越多，不等於可理解性越高

現代數學成果可能同時包含：

論文；
supplementary material；
程式碼；
數值實驗；
proof assistant repository；
theorem dependencies；
data；
machine-generated certificates；
討論紀錄；
多版本修訂。

這些東西都可能提高：

\text{Reproducibility}

或：

\text{Verifiability}.

但它們同時也增加：

\text{Cognitive Load}.

因此存在一個重要區分：

\boxed{ \text{Evidence Richness} \neq \text{Human Comprehensibility}. }

一個成果可以具有前所未有的證據完備度，

卻比以前更難讓單一人類直接完整理解。

3. 認知載體預算

設一名人類載體 $h$ 在某段時間內可投入某一數學成果的有效認知資源為：

B_H(h).

可粗略拆為：

B_H = B_t + B_a + B_m + B_d + B_u,

其中：

$B_t$ ：時間預算；
$B_a$ ：注意力預算；
$B_m$ ：記憶容量；
$B_d$ ：領域知識；
$B_u$ ：工具使用能力。

這不是說這些量真的可以簡單線性相加，

而是強調：

\boxed{ B_H<\infty. }

也就是：

人類理解不是無限頻寬通道。

這個有限性不因研究者非常聰明而消失。

前沿數學家也只是擁有更高的特定領域有效預算，

而不是無限預算。

4. 一項數學成果的承接負荷

設一項成果為：

M.

若要完整直接承接它，

可能需要處理：

L(M) = L_P + L_R + L_C + L_F + L_H + L_S,

其中：

$L_P$ ：paper load，論文閱讀負荷；
$L_R$ ：reference load，引用與依賴負荷；
$L_C$ ：code/computation load，程式與計算負荷；
$L_F$ ：formalization load，形式證明負荷；
$L_H$ ：historical load，歷史脈絡負荷；
$L_S$ ：semantic load，概念與語義負荷。

當：

L(M)\le B_H,

直接完整理解可能可行。

但當：

\boxed{ L(M)>B_H, }

則個體必須採用：

抽象；
壓縮；
委託；
工具輔助；
分工；
層級化理解；

才能承接成果。

這不是偷懶。

而是有限載體下的必要策略。

5. 「全部親自看完」不是可擴展標準

在某些知識文化中，容易產生一種隱含規範：

真正理解的人，應該親自讀完原始論文、親自檢查所有程式、親自確認完整 proof chain。

對某些關鍵工作，這當然值得。

但作為普遍標準，它不可擴展。

假設每一項重要結果都需要：

t_M

小時才能完整承接，

而每年新增重要成果數為：

n_M.

則總時間需求：

T_{\text{required}} = n_Mt_M.

當 AI 使：

n_M\uparrow\uparrow,

即使：

t_M\downarrow

一些，

也完全可能：

T_{\text{required}}>T_{\text{available}}.

因此：

\boxed{ \text{Direct Total Consumption} }

不能成為 AI 時代的文明級傳承模式。

6. 理解需要被拆成不同層級

「理解」不是一個單一布林值。

不是：

\text{Understand}=0

或：

\text{Understand}=1.

至少可以區分：

L0：定位理解

知道：

這項成果在處理什麼？

L1：直觀理解

知道：

為什麼這個問題存在？核心想法大概是什麼？

L2：結構理解

知道：

主要定義、依賴與方法之間怎麼連接？

L3：操作理解

能：

使用結果；
推導部分後果；
重現關鍵步驟。

L4：證明理解

能夠：

審查主要 proof architecture。

L5：形式重建

能進入：

全部 technical assumptions；
code；
proof assistant；
formal certificates。

因此：

\boxed{ U_0\neq U_1\neq U_2\neq U_3\neq U_4\neq U_5. }

不同人、不同任務需要不同理解深度。

要求所有人都達到 $U_5$ ，

並不是傳承。

而是把最高解析度當成唯一合法解析度。

7. 任務充分理解

本文提出：

任務充分理解

U_T(h,M,\tau),

其中：

$h$ ：理解者；
$M$ ：知識成果；
$\tau$ ：任務。

核心問題不是：

這個人有沒有百分之百吃完整套成果？

而是：

對他現在要完成的任務而言，理解是否足夠？

例如：

一名公眾：

\tau=\text{understand significance}

可能只需要：

U_1.

本科生：

\tau=\text{enter the field}

可能需要：

U_2.

研究者：

\tau=\text{build upon result}

可能需要：

U_3\sim U_4.

形式驗證者：

\tau=\text{kernel-level verification}

才可能需要：

U_5.

因此：

\boxed{ \text{Maximum Understanding} \neq \text{Required Understanding for Every Task}. }

8. 論文是高解析載體，不是唯一入口

論文有重要功能：

固定 claim；
保存 argument；
提供 citation；
建立可追蹤的學術紀錄；
提供高密度專業溝通。

但論文通常是：

\boxed{ \text{Expert-to-Expert Compression Format}. }

它的寫作假設常常是：

讀者已經知道很多東西。

因此論文非常適合：

N_3\leftrightarrow N_3

或：

N_4\leftrightarrow N_4.

卻未必適合：

N_4\rightarrow N_1.

這不是論文失敗。

而是載體用途不同。

真正的錯誤是：

\boxed{ \text{把論文的存在，誤認成傳承已完成}. }

9. 程式也是證據，不等於理解

現代數學愈來愈依賴：

simulation；
symbolic computation；
numerical verification；
data pipeline；
executable artifact。

程式可以提高：

\text{Operational Reproducibility}.

但：

\boxed{ \text{Executable} \neq \text{Self-Explanatory}. }

一個 repository 可以完全正確，

卻需要極高的：

software knowledge；
environment knowledge；
dependency knowledge；
mathematical background；

才能真正理解。

因此：

\boxed{ \text{Code Availability} \neq \text{Cognitive Availability}. }

10. 形式證明同樣不是傳承終點

形式化證明具有極強的局部可靠性價值。

若 proof assistant kernel 接受某個 proof term，

我們得到：

\boxed{ \text{Kernel-Valid} }

這是非常有價值的證據。

但仍然有：

\text{Kernel-Valid} \neq \text{Human-Readable}

以及：

\text{Kernel-Valid} \neq \text{Pedagogically-Complete}.

甚至還需要區分：

\boxed{ \text{Kernel-Valid} \neq \text{Formalization-Correct} \neq \text{Intent-Aligned} \neq \text{Mathematically-Substantive}. }

因此形式證明應該被視為：

\boxed{ \text{high-resolution verification layer} }

而不是：

\boxed{ \text{universal human transmission layer}. }

11. AI 會讓高解析 artifact 暴增

在 AI 時代，

生成：

code；
proof；
formalization；
explanation；
alternative proof；
certificates；

的成本快速下降。

假設：

C_G = \text{Generation Cost},

則：

C_G\downarrow.

但人類閱讀成本：

C_R = \text{Human Review Cost}

不一定同比例下降。

因此：

\boxed{ \frac{\text{Generated Artifacts}} {\text{Human Review Capacity}} \uparrow. }

這形成：

認知審查缺口

G_{CR}.

也就是：

我們能產生的東西，比我們能完整讀懂的東西多得多。

這將成為 AI 數學的重要結構性問題。

12. 分散式理解不是假的理解

若單一人類無法承載全部內容，

文明並不因此失去理解。

可以存在：

\boxed{ \text{Distributed Understanding}. }

例如：

A 理解 theorem structure；
B 理解 formalization；
C 理解 computation；
D 理解歷史脈絡；
E 理解教育轉譯。

整體文明形成：

U_C(M) = \bigcup_i U_i(M).

因此：

\boxed{ \text{Civilizational Understanding} \neq \text{Single-Mind Total Understanding}. }

這個 distinction 在 AI 時代特別重要。

否則我們會把「沒有一個人全部讀完」誤判成：

沒有人理解。

這是不成立的。

13. 但分散式理解需要可重建接口

分工本身不夠。

如果 A、B、C、D 各自知道一部分，

但彼此之間不能對接，

那只是知識碎片化。

因此真正需要：

\boxed{ \text{Reconstruction Interfaces}. }

例如：

dependency graph；
claim map；
proof map；
concept map；
provenance；
version history；
semantic anchors；
translation layers。

讓不同局部理解可以：

U_i \leftrightarrow U_j.

這樣文明才能形成：

\boxed{ \text{Distributed but Reconstructable Knowledge}. }

14. 從「儲存知識」轉向「儲存重建路徑」

傳統知識保存常問：

檔案還在不在？

AI 時代更重要的問題是：

未來的人還能不能重新進入這個知識？

因此：

\text{Archive}

不應只保存：

\text{Artifact}.

還應保存：

\boxed{ \text{Re-entry Path}. }

例如：

\text{Result} \rightarrow \text{Prerequisites} \rightarrow \text{Concepts} \rightarrow \text{Examples} \rightarrow \text{Proof Structure} \rightarrow \text{Formal Detail}.

真正的文明記憶不是：

我們留下了檔案。

而是：

我們留下了重新理解檔案的方法。

15. 認知轉譯層

本文因此提出：

認知轉譯層

CTL = \text{Cognitive Translation Layer}.

其位置介於：

\text{Raw Frontier Artifacts}

與：

\text{Human Cognitive Carriers}

之間。

形式上：

\boxed{ \text{Paper / Code / Formal Proof} \rightarrow CTL \rightarrow \text{Human Learner}. }

CTL 的任務包括：

摘要；
prerequisite detection；
concept extraction；
audience modeling；
difficulty adaptation；
visual projection；
example generation；
guided explanation；
fidelity tracking；
source back-linking。

它不是用來取代原始物。

而是讓人類有能力決定：

我要不要、以及如何進一步進入原始物。

16. 投影不是簡化，而是頻寬匹配

如果一個人只有有限認知頻寬：

W_H,

而原始成果資訊密度為：

D_M,

當：

D_M>W_H,

直接輸入就會失敗。

傳承工程需要的是：

\Pi_i(M)

使：

D_{\Pi_i(M)} \le W_H.

但同時維持：

\text{Fidelity}(\Pi_i(M),M)

在任務需要的範圍內足夠高。

因此：

\boxed{ \text{Projection} = \text{Bandwidth Matching under Fidelity Constraint}. }

這比「把東西講簡單」更準確。

17. AI 最適合做的不是替人類假裝全懂

AI 很容易被誤用成：

幫我總結，所以我好像懂了。

這會產生新的理解幻覺。

真正更合理的角色是：

\boxed{ \text{AI as Adaptive Reconstruction Mediator}. }

它應該告訴使用者：

你現在理解到哪一層；
哪些部分被省略；
哪些是類比；
哪些是假設；
哪些需要回原文；
哪些需要形式驗證；
下一步應該補什麼。

也就是：

\boxed{ \text{Compression with Epistemic Labels}. }

而不是無標記壓縮。

18. 有限載體不等於降低標準

承認人類有限，

不是主張：

大家不用懂數學了。

相反地，

正因載體有限，

更需要精確區分：

哪些理解是必要的；
哪些可以委託；
哪些一定要親自重建；
哪些只需保持可回溯；
哪些是高風險 claim，需要更深驗證。

所以：

\boxed{ \text{Finite Carrier} \not\Rightarrow \text{Lower Rigor}. }

更合理的是：

\boxed{ \text{Finite Carrier} \Rightarrow \text{Better Allocation of Cognitive Effort}. }

19. 從知識擁有轉向知識可重建

AI 時代可能需要重新定義「文明擁有一項數學知識」的意思。

不是：

\text{Some PDF exists}.

也不是：

\text{Some machine has verified it}.

而是至少：

\boxed{ \text{The knowledge can be located, projected, reconstructed, checked, and re-entered}. }

可寫成：

K_{\text{civilizational}} = ( A, P, R, V, E ),

其中：

$A$ ：availability；
$P$ ：projection；
$R$ ：reconstructability；
$V$ ：verifiability；
$E$ ：entry path。

少掉任何一個，

都可能讓知識只剩：

存在，

卻不再真正：

可被繼承。

20. 結論

AI 時代的數學成果將愈來愈富含：

論文；
程式；
證明；
形式證書；
計算；
依賴；
多版本 artifact。

這是一種進步。

但若因此假定：

只要原始物更完整，傳承自然就會更完整，

那就是錯誤的。

因為：

\boxed{ \text{Artifact Completeness} \neq \text{Cognitive Carryability}. }

任何人類載體都有：

B_H<\infty.

當：

L(M)>B_H,

文明就必須依靠：

分層理解；
分散式理解；
認知轉譯；
投影；
重建接口；
re-entry path。

因此：

\boxed{ \text{Paper} \neq \text{Transmission Endpoint}, }

\boxed{ \text{Code} \neq \text{Transmission Endpoint}, }

\boxed{ \text{Formal Proof} \neq \text{Transmission Endpoint}. }

它們是重要的高解析知識層。

但文明真正需要的是：

\boxed{ \text{High-Resolution Evidence} + \text{Low-Barrier Entry} + \text{Reconstructable Paths}. }

前沿數學不應被削平。

人類載體也不可能被假裝成無限。

真正的傳承工程，

是在兩者之間建造足夠好的橋。