大規模理論論文群的可演化知識治理

從論文版本維護到 Canonical–Supersession Claim Graph

版本：v0.1
類型：方法論／知識治理／AI-native research infrastructure

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）

摘要

當一個研究者、研究團隊或 AI 輔助研究系統累積數百、數千乃至數萬篇論文、研究札記與技術白皮書後，問題不再只是「某一篇論文是否正確」，而會轉化為一個更高層級的知識治理問題：

整個論文群如何知道，哪些內容仍然有效、哪些已被修正、哪些只應被視為歷史版本，以及哪些主張才代表當前理論狀態？

傳統論文管理往往以文件為基本單位：一篇文章被發表、保存、引用，之後若有修正，就再發一篇新文章。然而在高密度、快速演化、AI 大量參與的研究環境中，這種模式容易形成版本污染、定義漂移、重複論證、舊結論持續被檢索與引用，以及不同年代理論被混合使用等問題。

本文提出一種適用於大規模理論論文群的可演化知識治理架構：

\text{Paper Corpus} \rightarrow \text{Claim Graph} \rightarrow \text{Canonical Theory Nodes}

其核心思想不是回頭重寫所有舊論文，而是將「論文」從唯一真相單位，降格為歷史與敘事載體；再以「主張、定義、定理、方法、證據與依賴關係」作為真正可維護的知識節點。透過 active / superseded / deprecated / exploratory / historical 等狀態、superseded_by 關係、核心理論索引，以及 AI 輔助的衝突掃描與高中心度節點優先修訂，可以在保存完整思想演化史的同時，維持當代理論的一致性與可檢索性。

關鍵詞：知識治理、論文版本管理、Claim Graph、Canonical Layer、Supersession、AI-native Research、理論演化、研究基礎設施

1. 問題不再是「論文有沒有錯」

在小型研究計畫中，研究者通常可以靠個人記憶知道：

哪篇論文是最新版；
哪個定義已經修改；
哪個猜想後來被放棄；
哪個模型只是早期草稿；
哪篇文章才代表目前正式立場。

但當研究規模進入數千篇之後，這種管理方式開始失效。

真正的問題不再是：

「這篇論文有沒有錯？」

而是：

「整個知識庫是否知道這篇論文現在處於什麼狀態？」

同一篇舊論文即使存在錯誤，也未必需要刪除。它可能仍然具有歷史價值、方法演化價值、失敗案例價值、原始思路價值與後續理論來源價值。

因此，大規模論文群的核心問題不是「消滅錯誤文本」，而是：

\boxed{ \text{讓錯誤、舊版本與當前有效理論彼此可區分} }

2. 為什麼「回頭重寫所有論文」不是好的答案

若每次核心理論修正，都要求回頭修改所有受影響文章，那麼維護成本會快速膨脹。

假設研究系統有 $N$ 篇論文，依賴關係總數為 $E$ 。核心定義改變後，真正需要檢查的不是單篇文件，而是整個依賴圖中的傳播範圍。

因此維護問題不是單純的：

O(N)

而更接近：

O(E)

的圖傳播問題。

全面重寫會帶來三個問題：

歷史被覆寫：讀者無法再看到理論如何演化。
維護成本失控：研究速度越快，舊文修訂負擔越高。
版本邊界模糊：舊文章被大量改寫後，是否仍是原來那篇文章？

因此較合理的方法不是：

\text{Rewrite All Papers}

而是：

\text{Annotate State} + \text{Track Supersession} + \text{Maintain Canonical Nodes}

3. 論文不應再是唯一真相單位

一篇論文可能同時包含：

定義；
猜想；
定理；
推論；
方法；
觀察；
實驗結果；
哲學解釋；
未完成假設。

其中不同部分的有效性可能不同。

例如某篇論文有 20 個主張：

12 個仍成立；
5 個後來被修改；
2 個被推翻；
1 個升格為後續核心理論。

若只以「整篇論文」作為有效性單位，就只能粗糙地標示：

有效／無效。

因此需要將論文拆分為更細的知識單位：

Claim Node

4. Claim Graph：從文件庫轉向知識關係圖

整個研究系統可以改寫為：

G=(V,E)

其中：

$V$ ：知識節點；
$E$ ：節點之間的關係。

節點可以包括：

Definition
Claim
Theorem
Conjecture
Method
Evidence
Counterexample
Dataset
Experiment
Interpretation

關係可以包括：

depends_on
supports
contradicts
extends
refines
generalizes
specializes
supersedes
derived_from

例如：

Definition A
   ↓ depends_on
Claim B
   ↓ extends
Theory C
   ↓ superseded_by
Theory D

如此一來，即使原始論文仍然存在，AI 或讀者也可以知道：

Theory C 是歷史版本，Theory D 才是目前有效版本。

5. Canonical Layer：現在到底應該用哪個版本？

Claim Graph 可以保存所有歷史，但使用者仍需要一個直接答案：

現在應該採用哪個版本？

因此需要建立：

Canonical Layer

它負責回答：

目前某概念的正式定義是什麼；
目前某理論的有效版本是哪一篇；
某核心問題目前接受哪組假設；
哪些節點仍是 provisional；
哪些結果已被驗證；
哪些只是探索性提案。

因此：

\text{Historical Corpus} \neq \text{Current Theory State}

而：

\text{Canonical Layer} = \text{Current Theory State}

6. 最小狀態模型

對每篇論文與每個 Claim Node，至少應有：

status:
  - active
  - superseded
  - deprecated
  - exploratory
  - historical

其語義如下：

active：目前仍可作為有效研究依據。
superseded：曾經有效，但已被更新版本取代。
deprecated：已知不建議再使用。
exploratory：本來就不是正式結論，而是猜想、腦暴、概念推演或未驗證方法。
historical：只保留研究史與思想演化價值。

例如：

status: superseded
superseded_by: P-03712

7. Supersession 不等於刪除

被取代的論文仍然可以完整保留。

只需要清楚顯示：

This paper is retained for historical/reference purposes.
Current canonical version: Paper D.

如此可以同時保留：

\text{歷史完整性} + \text{當代可用性}

而不必二選一。

8. 為什麼 AI 時代更需要這一層

當大量 AI Agent 開始直接檢索研究庫後，版本問題會更加明顯。

AI 可能同時讀到：

早期版本；
修正版；
中間過渡版；
已廢棄定義；
不同時期的不同符號。

若沒有狀態資訊，檢索系統只能依賴文字相似度、日期或引用關係推測。

因此 AI-native 研究庫不應只提供：

document text

而應提供：

document text
+
version state
+
claim state
+
supersession edges
+
canonical pointer

如此 AI 才能知道：

「我讀到了這段，但它不是目前版本。」

9. 修訂優先級：不是所有舊文都值得先修

大型論文群最需要避免的錯誤，是平均處理所有文章。

真正應優先修訂的是高風險、高中心度節點。

可定義一個簡單風險函數：

R_i = \alpha C_i + \beta D_i + \gamma X_i + \delta P_i + \epsilon V_i

其中：

$C_i$ ：引用／依賴中心度；
$D_i$ ：下游依賴數量；
$X_i$ ：與後續理論衝突程度；
$P_i$ ：公開曝光程度；
$V_i$ ：對核心理論的重要性。

高 $R_i$ 的論文先處理。

第一優先應包括：

核心公理；
核心定義；
被大量後續論文依賴的樞紐論文；
對外仍被標記為正式成果的文章；
數學證明與強經驗性主張；
搜尋排名高、很容易被 AI 抓成代表作的舊版本。

10. AI 輔助全域掃描

當論文數量達到數千篇後，人工逐篇審查並不現實。

因此可以建立：

Corpus
  ↓
Claim Extraction
  ↓
Dependency Detection
  ↓
Conflict Detection
  ↓
Supersession Candidate
  ↓
Risk Score
  ↓
Human / Agent Review

AI 不應直接宣布舊理論失效，而應產生候選：

{
  "paper_id": "P-0182",
  "possible_status": "superseded",
  "candidate_successor": "P-2910",
  "confidence": 0.82,
  "conflict_claims": [
    "C-0182-04",
    "C-0182-09"
  ]
}

最後由作者或研究系統確認。

11. 從論文修訂轉向理論生命週期管理

研究管理的核心不再是：

「我要不要重寫這篇？」

而變成：

「這個知識節點現在處於什麼生命週期？」

例如：

\text{Exploratory} \rightarrow \text{Active} \rightarrow \text{Refined} \rightarrow \text{Superseded} \rightarrow \text{Historical}

或：

\text{Exploratory} \rightarrow \text{Rejected}

這使研究系統真正擁有：

理論生命週期。

12. 保留錯誤，有時反而是優點

理想系統不是：

\text{只有正確內容}

而是：

\text{完整歷史} + \text{明確狀態} + \text{可辨識的當前版本}

舊錯誤可以告訴後來者：

哪條路已經走過；
為什麼失敗；
哪個前提曾被誤判；
哪個概念後來被重新定義；
哪個模型曾經看似合理。

13. 最小可行資料結構

一篇論文至少可以保存：

paper_id: P-02381
title: "..."
created_at: 2026-08-12
status: superseded

superseded_by:
  - P-03712

depends_on:
  - P-01022
  - P-01680

canonical_for: []

confidence: historical
last_reviewed: 2026-09-01

Claim Node：

claim_id: C-02381-07
paper_id: P-02381
type: claim
text: "..."
status: superseded
superseded_by:
  - C-03712-03
depends_on:
  - D-0012
canonical: false

Canonical Index：

topic: "Theory X"

current_definition:
  claim_id: C-03712-03

current_core_papers:
  - P-03712
  - P-03901

deprecated:
  - P-02381

14. 漸進式導入，不需要一次整理數千篇

這套系統不應以「全量整理後才能使用」為前提。

更實際的方法是分階段。

Phase 1：文件層狀態

先標：

active；
superseded；
exploratory；
historical。

Phase 2：核心論文

只處理高中心度的 50–200 篇。

Phase 3：Claim Graph

先抽取：

定義；
定理；
方法；
重大猜想。

Phase 4：全域掃描

讓 AI 對剩餘論文提出：

衝突候選；
重複候選；
取代候選；
依賴候選。

Phase 5：Canonical API

讓搜尋引擎與 Agent 預設先查：

current canonical state

只有需要歷史時，再展開舊版本。

15. 對搜尋與 AI Agent 的介面設計

未來研究系統的檢索 API 不應只回答：

找到哪些論文？

而應回答：

{
  "query": "Theory X",
  "canonical": [
    "P-03712"
  ],
  "active_supporting": [
    "P-03901",
    "P-04118"
  ],
  "superseded_history": [
    "P-02381",
    "P-02880"
  ]
}

這樣 AI 預設先看到：

當前有效理論。

需要研究演化史時，再展開舊版本。

16. 這不是 Git 的簡單複製

Git 可以追蹤：

哪一行被修改；
哪一個檔案變化；
哪個 commit 先後。

但 Git 不知道：

某個理論主張是否已被另一個主張取代。

因此：

\text{Git} \neq \text{Epistemic Versioning}

真正需要的是：

認知／理論層級的版本控制。

不是只問文件變了什麼，而是問：

知識狀態變了什麼。

17. 歷史真實與當代有效

大規模理論庫至少存在兩種不同層級：

歷史真實

作者在某個時間點確實這樣想、這樣寫。

當代有效

目前系統仍然接受這個主張。

因此：

\text{historically authentic} \neq \text{currently canonical}

舊論文可以歷史上完全真實存在，但不再代表現在的理論。

18. 從「回頭修論文」到「重新判定過去」

如果將整個方法濃縮成一句話：

不是把過去全部重寫，而是重新判定過去哪些部分仍然有效。

這將一個看似難以完成的任務：

修正數千篇舊文

轉換為一個可計算的治理問題：

建立狀態、依賴、取代與權威層。

真正需要修的，不是全部過去。

而是：

過去與現在之間的關係。

19. 討論：從 Document Repository 到 Epistemic State System

一般論文資料庫主要關心：

找得到嗎？
能下載嗎？
能引用嗎？

但高密度、自主演化研究系統還必須關心：

還有效嗎？
被誰取代？
依賴什麼？
哪一版是正式版本？
哪些只是歷史？
哪些結果已不能再作為當前依據？

因此未來 AI-native research infrastructure 可能需要從：

Document Repository

升級為：

Epistemic State System

它不只是保存研究內容。

它還要持續記錄：

「研究目前相信什麼。」

20. 結論

當研究量進入數千篇後，真正的風險並不是「存在一些舊錯誤」。

真正的風險是：

整個研究系統失去判斷哪些內容代表現在的能力。

因此，大規模理論論文群不應以全面重寫舊文作為主要維護策略。

更可行的方向是：

\boxed{ \text{Paper Corpus} \rightarrow \text{Claim Graph} \rightarrow \text{Canonical Layer} }

並透過：

狀態標記；
supersession；
dependency graph；
高中心度優先修訂；
AI 衝突掃描；
Canonical Index；
歷史版本保留；

建立真正可演化的研究系統。

最終目標不是創造一個「永遠沒有錯誤」的知識庫。

而是創造一個：

即使曾經錯、持續改、規模極大，仍然知道自己現在站在哪裡的知識系統。

核心命題

大型研究體系真正需要維護的，不是所有舊文本，而是過去與現在之間的有效性關係。

論文保存歷史，Claim Graph 保存關係，Canonical Layer 保存現在。