主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎

Subjects Cannot Be Read Directly, but They Can Be Approximated: Inverse-Problem Foundations for Historical Subject-Generator Reconstruction

文件編號： EML-HSGR-2026-01
系列： 跨時代主體生成器重建論（Historical Subject-Generator Reconstruction, HSGR）01
作者： Neo.K
理論整理與形式化協作： Aletheia（GPT-5.6 Sol）
版本： v0.1
日期： 2026-09-14
狀態： 方法論基礎稿

機構： EveMissLab／一言諾科技有限公司

摘要

歷史研究通常能取得文本、行為記錄、制度痕跡、他人轉述、版本差異與後世傳承，卻無法直接取得已逝主體的第一人稱認知狀態。這個限制經常導向兩個過度結論：其一，認為既然無法直接進入古人的主體經驗，就只能停留在文本表面；其二，反過來把現代人的理論、概念或感受直接投射回古人，宣稱古人「其實早已知道」後世才形成的結構。本文提出第三條路徑：將歷史主體理解為一個不可直接讀取、但可由多維痕跡逐步約束的潛在生成器，並將其重建問題形式化為一類帶有傳播失真、選擇偏差與反事實檢驗的逆問題。

本文區分四個不可合併的層級：可觀察輸出、語義結構、認知生成器與第一人稱感知域。本文主張，歷史證據對這四層的可識別性不同：文字與行為可直接約束輸出層，跨文本不變量、回答模式、修正方式與概念選擇可進一步約束認知生成器，但在缺乏額外橋接假設時，第一人稱感質不應被宣稱為已被唯一重建。因此，本框架的目標不是「讀心」，而是建立一個與已知證據相容、能通過未見材料與反事實測試、並明確保留不確定性的生成器等價類。

本文進一步提出：實際說出的內容只是證據的一部分；在具備表達機會、記錄機制與可行替代方案的條件下，未說出的內容、持續沉默、異常避答、概念不採用與回答結構同樣可以形成約束。若不同來源、不同時間、不同對象與不同語境中的證據能對同一候選生成器形成交叉限制，則候選空間可逐步收縮。AI 的新意不在於它能神祕地「理解古人」，而在於它能把過去由人類分散處理的大量弱證據、版本差異、語義微結構與反事實候選放進同一個計算框架，進行候選生成、前向模擬、交叉驗證與後驗更新。

本文最後提出 HSGR 的最低科學邊界：重建結果必須是帶置信度的候選域，而非把最符合現代觀點的模型冒充成歷史事實；理論後續演化與作者原始認知必須分型保存；任何「古人早已知道現代理論」的主張，都必須通過歷史可用概念、語境可達性與反事實輸出三重檢驗。由此，歷史思想研究可以從單純文本詮釋進一步走向「受約束的主體生成器反演」，同時避免神祕化與現代投射。

關鍵詞： 歷史主體重建、逆問題、認知生成器、反事實、微語義、遺漏證據、傳承失真、AI 歷史認識論、作者—理論分離、主體域

0. 邊界聲明：本文不是歷史讀心術

本文首先排除一個最容易造成誤解的強命題：

\text{Historical Reconstruction} \neq \text{Direct Mind Reading}.

對一個已逝歷史主體 $H$ ，我們無法直接取得其某一時刻的完整第一人稱狀態。不存在一條已知可靠通道，可以讓研究者直接讀出：

Q_H(t),

其中 $Q_H(t)$ 表示主體 $H$ 在時刻 $t$ 的完整第一人稱感知／感質狀態。

但「不能直接取得」不等於「不能形成約束」。若一個主體長期產生文本、決策、修正、教學、拒答、制度設計與概念選擇，則這些外部結果不是主體本身，卻是主體生成過程的投影。本文研究的正是：

\boxed{ \text{不可直讀的源} \quad\text{是否能由多投影痕跡逐步逼近？} }

因此，本框架拒絕兩個極端。

第一個極端是完全不可知論：

Q_H\text{ 不可直接存取} \Rightarrow \text{關於 }H\text{ 的內在結構一律不可推斷}.

這個推論過強。科學中大量不可直接觀察的對象，正是透過痕跡、投影與間接測量被約束。

第二個極端是無限制同一化：

\text{現代模型 }M\text{ 能解釋古代文本} \Rightarrow H\text{ 當年就具有 }M\text{ 的完整認知內容}.

這同樣不合法。模型的解釋力不能自動轉換為歷史作者的主觀自覺。

本文的位置介於兩者之間：

\boxed{ \text{不可直讀} \not\Rightarrow \text{不可逼近}; \qquad \text{可逼近} \not\Rightarrow \text{可宣稱完全同一}. }

1. 問題設定：從文本詮釋轉向生成器反演

傳統歷史思想研究常從文件 $Y$ 出發，詢問：

這段話是什麼意思？

本文把問題往上游推一層：

什麼樣的認知生成結構，會在當時的語境、限制、對手與可用概念條件下，反覆生成這類輸出？

設歷史主體的潛在認知生成器為：

G_H.

在語境 $C_i$ 下，主體具有某一內部狀態 $Z_i$ ，經由表達／行動投影算子 $\pi_i$ ，形成原始輸出：

Y_i^{0} = \pi_i(G_H,Z_i,C_i).

但研究者通常看不到 $Y_i^{0}$ 的原始全貌。歷史材料可能經過抄寫、編輯、翻譯、口傳、選集、制度保存與後世註釋，因此觀察到的是：

Y_i^{\mathrm{obs}} = \tau_i(Y_i^{0})+\epsilon_i,

其中：

$\tau_i$ ：傳播／保存／翻譯轉換；
$\epsilon_i$ ：遺失、誤差、噪聲或未知干預。

因此完整的前向模型是：

\boxed{ Y_i^{\mathrm{obs}} = \tau_i\!\left( \pi_i(G_H,Z_i,C_i) \right)+\epsilon_i. }

歷史研究者實際面對的是反問題：

\boxed{ \{Y_i^{\mathrm{obs}},C_i,\tau_i\}_{i=1}^{n} \longrightarrow G_H\;? }

這正是逆問題的標準形狀：結果可見，生成源不可直接見。

2. 四層型別分離：輸出、語義、生成器、主體感知域

若不先分型，歷史重建很容易把不同層級混成同一件事。本文定義四層：

\mathcal L_0: \text{Observable Output},

\mathcal L_1: \text{Semantic Structure},

\mathcal L_2: \text{Cognitive Generator},

\mathcal L_3: \text{Phenomenal / Subjective Domain}.

2.1 輸出層 $\mathcal L_0$

包括：

寫下的文字；
說出的語句；
行為決策；
教學順序；
制度安排；
明確拒答；
可定位的停頓、刪改與版本差異。

這些是歷史證據最直接的部分。

2.2 語義層 $\mathcal L_1$

同一句話的字面形式不能直接等同於其語義。語義至少受：

\text{language} + \text{context} + \text{audience} + \text{historical vocabulary} + \text{pragmatics}

共同決定。

因此：

Y_i^{\mathrm{obs}} \neq \operatorname{Sem}(Y_i^{\mathrm{obs}})

是最基本的型別區分。

2.3 認知生成器層 $\mathcal L_2$

本文真正主要重建的對象不是某一句話的含義，而是能跨多場景生成輸出的結構：

G_H = ( \mathcal O, \mathcal K, \mathcal V, \mathcal R, \mathcal U, \mathcal P ).

其中可包含：

$\mathcal O$ ：本體分類與世界模型；
$\mathcal K$ ：因果／關係結構；
$\mathcal V$ ：價值與優先序；
$\mathcal R$ ：推理與修正規則；
$\mathcal U$ ：可採取的行動／語言策略；
$\mathcal P$ ：語境到輸出的生成政策。

這不是要假設人腦真的以此六元組運作，而是提供一個可比較的抽象接口。

2.4 主體感知域 $\mathcal L_3$

第一人稱感受、感質與內在顯現記為：

Q_H(t).

這一層必須最保守。即使兩個生成器在大量外部輸出上同構，也不必然證明其第一人稱感質完全相同：

G_A\simeq G_B \not\Rightarrow Q_A=Q_B.

因此本文的核心研究目標是優先重建 $\mathcal L_2$ ，並只在存在額外橋接證據時，對 $\mathcal L_3$ 做條件性推斷。

3. 歷史主體重建作為逆問題

逆問題的困難通常不是「算不出」，而是「同一組觀測可能對應多個來源」。

設所有候選生成器構成空間：

\mathcal G.

已知證據集：

\mathcal E_n = \{e_1,e_2,\ldots,e_n\}.

每條證據 $e_i$ 對候選生成器產生一個相容集合：

C_i = \left\{ G\in\mathcal G: D( \widehat Y_i(G,C_i), Y_i^{\mathrm{obs}} ) \leq\delta_i \right\},

其中：

$\widehat Y_i(G,C_i)$ ：候選生成器在語境 $C_i$ 下的預測輸出；
$D$ ：適當的差異函數；
$\delta_i$ ：證據與傳播誤差容許度。

則前 $n$ 條證據留下的可行域為：

\boxed{ \mathcal G_n = \bigcap_{i=1}^{n}C_i. }

由集合交集可立即得到：

\mathcal G_{n+1} \subseteq \mathcal G_n.

這是一個弱但可靠的單調收縮性質：只要新增證據沒有被錯誤建模為硬約束，候選域不會因多一條真正限制而無故擴大。

但這並不保證：

\lim_{n\to\infty}\mathcal G_n = \{G_H\}.

因為可能存在永遠不可由已存證據區分的多個生成器。

4. 可識別性與生成器等價類

本文拒絕把「唯一還原」當作預設成功條件。

定義兩個候選生成器 $G_a,G_b$ 在證據域 $\mathcal C$ 上的觀測等價：

G_a \equiv_{\mathcal C} G_b

若且唯若：

\forall C\in\mathcal C, \quad P(Y\mid G_a,C) = P(Y\mid G_b,C).

若兩個生成器在所有可用歷史語境中都生成不可區分的輸出，那麼現有證據沒有合法理由偏好其中一個。

此時真正可識別的對象不是單一：

G_H,

而是等價類：

\boxed{ [G_H]_{\mathcal C} = \{G:G\equiv_{\mathcal C}G_H\}. }

這個區分對歷史思想研究尤其重要。研究結果可以非常強，卻仍不必宣稱：

「我們已經知道這個人腦中唯一真正的模型。」

更合理的說法是：

在目前所有已知證據與歷史語境下，只有這一小族生成器仍然相容。

5. 從可行域到後驗分布

硬集合交集適合表達邏輯相容性，但歷史證據通常具有不同可信度。因此可進一步使用機率形式：

P(G\mid\mathcal E) \propto P(\mathcal E\mid G)P(G).

其中：

$P(G)$ ：候選生成器先驗；
$P(\mathcal E\mid G)$ ：若生成器為 $G$ ，觀察到現有證據的可能性；
$P(G\mid\mathcal E)$ ：更新後的後驗分布。

本文不要求採用主觀貝葉斯或客觀貝葉斯的某一派哲學立場。機率在這裡首先是一個工程接口，用來表達：

\boxed{ \text{證據不完整時，不應強迫輸出唯一答案。} }

單一證據 $e$ 的價值可以用其造成的後驗變化衡量，例如：

IG(e) = D_{KL}\!\left( P(G\mid\mathcal E,e) \parallel P(G\mid\mathcal E) \right).

若一條新材料幾乎不改變候選生成器分布，則其資訊增益低；若它能排除大量原本相容的模型，則資訊增益高。

這也提醒我們：大量重複同一來源的二手文本，不等於大量獨立證據。

6. 證據不是只有「說了什麼」

HSGR 將歷史證據分為至少七類。

6.1 顯式內容證據

主體直接說出、寫出或明確主張的命題：

E^{+}_{\mathrm{content}}.

這是最傳統的資料。

6.2 結構證據

不只看命題內容，而看：

論證順序；
重複使用的區分；
反例選擇；
經常出現的推理方向；
哪些概念總被放在一起；
哪些問題總被重新定義。

形式上，可將文本表示為結構圖：

\Gamma_i=(V_i,E_i,W_i),

再比較跨文本不變量：

\mathcal I(\Gamma_1), \mathcal I(\Gamma_2), \ldots.

若某結構在語言、受眾、文體改變後仍反覆出現，它通常比單一詞彙更接近生成器層的約束。

6.3 時序證據

主體的理論不是無時間的。早期、中期、晚期輸出可能不同：

G_H(t_1) \neq G_H(t_2).

因此歷史重建不能把一生所有語句壓成一個靜態平均模型。需要追蹤：

G_H(t_1) \rightarrow G_H(t_2) \rightarrow \cdots.

6.4 對手與受眾證據

同一主體對不同對象會選擇不同表達：

Y = \pi(G,C,\text{Audience}).

如果忽略受眾，容易把策略性簡化誤認成完整本體論。

6.5 修正證據

一個人如何糾正別人的誤解，常比他第一次的正面陳述更有辨識力。

若學生提出模型 $M_1$ ，主體回答：

\neg M_1,

而對 $M_2$ 回答：

\operatorname{Accept}(M_2),

這些邊界反應直接切割候選空間。

6.6 遺漏與沉默證據

沉默不是天然證據。必須滿足條件，才可形成有效負證據。

設某命題 $y$ 在語境 $C$ 下具有：

表達機會 $O_y(C)>0$ ；
記錄機率 $R_y(C)>0$ ；
對候選生成器具有辨識力。

只有當：

P(\neg y\mid G_a,C) \neq P(\neg y\mid G_b,C)

時，「沒有說 $y$ 」才有區分模型的資訊。

因此：

\boxed{ \text{Omission} + \text{Opportunity} + \text{Observability} + \text{Alternative Space} \Rightarrow \text{Evidence}. }

如果一個人根本沒有機會談某件事，不能用其沉默證明他反對那件事。

6.7 歷史傳播證據

傳播鏈本身也是資料。某個概念在哪一代開始出現、哪個翻譯首次改變了術語、哪一支傳承保留了不同版本，全部可用來估計：

\tau_i.

這讓「經典現在寫了什麼」與「源頭最可能說過什麼」成為兩個不同的問題。

7. 反事實：真正區分生成器的工具

若一個候選模型只會事後解釋已知文本，它很容易過擬合。

HSGR 因此要求反事實測試：

如果這個歷史主體真的具有候選生成器 $G$ ，那麼在另一個已知或可重建的情境 $C'$ 中，他比較可能說什麼、不說什麼、修正什麼？

形式上：

\widehat Y' \sim P(Y\mid G,C').

若後來找到實際材料 $Y'_{\mathrm{obs}}$ ，即可比較：

D(\widehat Y',Y'_{obs}).

因此，一個好的歷史主體模型不只需要：

\text{retrodictive fit},

還需要：

\boxed{ \text{counterfactual predictive adequacy}. }

這是本框架與純粹自由詮釋的重要差別。

同樣的思想也可用於「未說出內容」。若某模型強烈預測：

P(y^{*}\mid G,C)\approx1,

但在大量具備表達機會與高記錄率的材料中始終找不到 $y^{*}$ ，則模型應被降權。

8. 傳承失真：我們觀察到的未必是源頭生成器

歷史思想通常經過多代傳承：

G_0 \rightarrow Y_0 \rightarrow G_1 \rightarrow Y_1 \rightarrow \cdots \rightarrow Y_n.

這裡 $G_k$ 不一定只是被動抄寫者的理解；它可能已形成新的穩定解釋吸引子。

設某一傳統的穩定吸引子為：

A_{trad}.

則多代教學與自我校正可能導致：

G_1,G_2,\ldots,G_n \rightarrow A_{trad},

即使：

A_{trad} \neq G_0.

因此：

\boxed{ \text{傳承內部一致} \not\Rightarrow \text{與原始生成器一致}. }

這也是為什麼歷史重建不能只問「今天的正統怎麼解」，而必須追蹤版本、早期異文、概念首次出現時間與不同分支的共同核心。

9. 「理論是理論，作者是作者」在 HSGR 中的擴展

歷史思想研究常把作者與理論壓縮成一個名稱：

\text{Person} \rightarrow \text{Theory}.

本文沿用理論—作者型別分離的基本原則，但再增加「主體生成器」與「主體感知域」。至少應區分：

A: \text{Author},

G_A: \text{Cognitive Generator},

Q_A: \text{Phenomenal Domain},

T_0: \text{Original Theory},

R_0: \text{Original Representation},

T_1,T_2,\ldots: \text{Later Theory Evolution}.

因此：

\boxed{ A \neq G_A \neq Q_A \neq T_0 \neq R_0 \neq T_n. }

節點不同不代表沒有關係；恰恰相反，真正需要保存的是有型別的關係：

A \xrightarrow{\text{generated}} T_0,

G_A \xrightarrow{\text{projected through}} R_0,

T_0 \xrightarrow{\text{interpreted / generalized}} T_1.

這一分型直接阻止一個常見錯誤：

T_n\text{ 在後世成立} \Rightarrow A\text{ 當初已自覺知道 }T_n.

不成立。

10. AI 時代真正新增了什麼？

本文不主張 AI 因為「更聰明」就自動取得歷史真相。AI 帶來的主要改變，是可計算證據規模與模型搜尋方式的改變。

10.1 大量弱證據聯合

單一詞彙的資訊量可能很低：

IG(e_1)\approx0.

一次沉默也可能很低：

IG(e_2)\approx0.

但若有大量部分獨立的證據：

\mathcal E = \{e_1,e_2,\ldots,e_N\},

其聯合約束可能非常強。

重要的是「部分獨立」。若一百篇後世文章都抄自同一篇早期註疏，不能當成一百票。

10.2 版本與來源圖

AI 可以把：

異文；
翻譯；
引文；
年代；
師承；
文本借用；
概念首次出現；

建成 provenance graph，避免把衍生材料錯算為獨立證據。

10.3 候選生成器搜尋

過去研究者通常先有一個詮釋，再閱讀材料。AI 可以並行維持多個候選：

G^{(1)},G^{(2)},\ldots,G^{(k)}.

然後逐條比較其生成能力，而不必太早收斂成單一敘事。

10.4 前向模擬

反演不能只有「看起來很像」。每個候選模型都應能前向回答：

G^{(k)}+C_i \rightarrow \widehat Y_i^{(k)}.

再與真實歷史材料比較。

10.5 保留不確定性

AI 最容易犯的錯之一，是把高似然候選寫成確定事實。因此最終輸出必須包含：

P(G^{(k)}\mid\mathcal E)

或至少：

\text{high / medium / low support}

以及仍未被區分的等價類。

11. HSGR 最低工作流程

本文提出一個最小八步流程。

Step 1：建立證據邊界

只收集可追溯來源，明確區分：

\text{primary} \neq \text{secondary} \neq \text{late tradition}.

Step 2：建立傳播圖

對每一材料記錄：

\text{source}, \text{date}, \text{language}, \text{translator}, \text{dependency}, \text{uncertainty}.

Step 3：抽取多層證據

分離：

\text{content}, \text{structure}, \text{timing}, \text{audience}, \text{omission}, \text{revision}.

Step 4：建立候選生成器族

禁止一開始只設一個模型。

Step 5：前向生成

讓每個候選模型在已知語境下產生預測。

Step 6：反事實挑戰

尋找最能區分候選模型的語境：

C^{*} = \arg\max_C \operatorname{Discriminate}(G^{(i)},G^{(j)}\mid C).

Step 7：留出驗證

將部分文本完全不參與建模，作為 holdout：

\mathcal E = \mathcal E_{train} \cup \mathcal E_{test}.

若模型只能解釋看過的文本，而無法預測留出材料，其歷史生成力有限。

Step 8：輸出候選域而非神諭

最終報告：

\mathcal G^{*} = \{G^{(1)},\ldots,G^{(m)}\}

及各自證據支持、反例與未識別區域。

12. 三個基礎命題

命題一：可行生成器域的單調收縮

若每一新增證據 $e_{n+1}$ 被表示為相容集合 $C_{n+1}$ ，且：

\mathcal G_{n+1} = \mathcal G_n\cap C_{n+1},

則：

\boxed{ \mathcal G_{n+1} \subseteq \mathcal G_n. }

此命題只保證候選域不擴大，不保證真實生成器一定留在集合中；若證據來源或模型錯誤，真實生成器也可能被錯誤排除。因此 provenance 與噪聲建模是必要條件。

命題二：觀測等價下的不可唯一識別

若：

G_a\equiv_{\mathcal C}G_b,

則任何只取自 $\mathcal C$ 的證據，都無法唯一判斷：

G_a \quad\text{或}\quad G_b.

因此：

\boxed{ \text{更多資料} \neq \text{必然唯一重建}. }

只有新增具有區分力的觀察域，才能打破等價。

命題三：沉默的條件資訊性

令 $O_y$ 表示是否具有表達命題 $y$ 的合理機會， $R_y$ 表示若表達則可被保存／觀察的機率。若：

O_y=0

或：

R_y\approx0,

則：

\neg y

不能形成強負證據。

只有當：

O_y>0, \qquad R_y>0,

且：

P(\neg y\mid G_a,C) \neq P(\neg y\mid G_b,C),

沉默才具有模型區分力。

這阻止了「他沒有說，所以他一定不知道／反對」這類廉價推論。

13. 失敗模式

HSGR 的價值很大程度取決於它能否拒絕自己最誘人的錯誤。

13.1 現代概念倒灌

看到古代語句與現代理論相似，就直接宣稱：

G_H=G_{modern}.

這是最典型的 presentism。

13.2 作者—理論融合

後世理論成功，不代表作者本人已具備其全部後果。

13.3 經典選擇偏差

只挑符合候選模型的段落，忽略反例。

13.4 相關證據重複計票

大量後世材料若共同依賴同一源，不構成獨立支持。

13.5 翻譯洩漏

使用後世翻譯中的現代哲學術語，再拿該術語證明古代已有現代概念，形成循環。

13.6 沉默謬誤

忽略表達機會與保存機率，把任何未提及都當成否定。

13.7 生成器過擬合

建立過度複雜模型，使其能事後解釋每一句話，卻無法預測未見材料。

13.8 AI 補全文本幻覺

語言模型非常擅長把缺口補成流暢故事。流暢不是歷史證據。

13.9 主體域越界

由可觀察生成結構直接推到：

Q_A=Q_B.

除非有獨立橋接理論，否則不成立。

14. 驗證設計：如何避免「什麼都能解釋」

一套無法失敗的方法不具有足夠辨識力。HSGR 至少需要以下驗證。

14.1 時間切片驗證

只用歷史主體早期材料建立：

G_{early},

預測其後期材料，再比較理論演化與模型失敗的位置。

14.2 留出文本驗證

模型建立者不得讀取全部材料。部分文本只在最後揭示。

14.3 負控制人物

將同一生成器套到相鄰時代、相似傳統的另一作者。若模型對誰都同樣適合，它就沒有作者辨識力。

14.4 對抗式候選生成

要求另一組研究者或另一個 AI 專門建立最強競爭模型：

G_{alt}.

真正可信的重建必須能回答：

為什麼不是這個？

14.5 反事實預測記錄

在新證據揭示之前，把預測封存：

\widehat Y_{future}.

事後再評估，避免把已知結果重新包裝成預測。

15. 與既有研究傳統的關係

HSGR 並非宣稱歷史研究此前沒有處理語境、意圖或證據問題。它與數個成熟傳統存在交集，但重新組合了問題。

第一，歷史思想研究長期提醒研究者，不能把後世問題直接投射到古代作者。Skinner 對思想史方法的經典批判，正是要求把「說了什麼」放回當時可理解的語境與行動中。HSGR 接受這個限制，並將其形式化為：候選生成器不能使用歷史主體當時不可達的概念資源，除非另有證據。

第二，逆問題理論長期處理「由觀測反推不可直接觀察來源」以及解的非唯一性、先驗與不確定性。HSGR 將這種結構移植到歷史主體研究，但承認人文材料中的觀測算子與噪聲模型遠比物理逆問題不穩定。

第三，Bayesian inference 提供保留多候選與持續更新的語言，使歷史研究不必過早收斂為唯一敘事。

第四，counterfactual reasoning 提供區分候選模型的強工具。若兩個模型對既有資料都能事後擬合，可以尋找它們在替代語境中的不同預測。

第五，資訊理論提醒我們：有限通道、噪聲與壓縮會造成資訊損失。但本文不把 Shannon information 直接等同於語義或主體狀態；通道資訊量只是傳播限制的一部分。

16. 與 EveMissLab 既有理論的連接

HSGR 並非從零開始，而是把數條既有線索重新收束。

其一，〈理論是理論，作者是作者：發現、發明與耦合創造的型別分離〉已建立：

\text{Author} \neq \text{Theory} \neq \text{Representation} \neq \text{Historical Event}.

本文新增 $G_A$ 與 $Q_A$ ，使作者、認知生成器、主體感知域與理論結構不再被壓縮成單一節點。

其二，《語言的秘密：你說的每一句話都在洩露你的靈魂》早期提出「怎麼說、停頓與沉默也是存在狀態的投影」。本文將這個直覺改寫為可受限的證據條件：不是任何沉默都能推理，而是在表達機會、可觀察性與替代輸出空間成立時，遺漏才有資訊。

其三，〈知識傳播中的範疇失真〉已指出，知識在多層傳播中會因觀察者範疇、摘要與二手傳播而發生累積失真。本文把傳播鏈 $\tau_i$ 直接放入前向模型，因此不再把現存文本當成無損的源輸出。

其四，〈先於數學的信息空間：守恆律作為投影同構的形式痕跡〉提出「不同投影中的不變量可作為未知源結構的形式痕跡」。本文將同一思想轉用到歷史認知：跨文本、跨受眾、跨時間仍保持的結構，可能比單一字詞更接近生成器層的不變量。

17. 研究綱領：從「解釋文本」走向「壓縮候選主體域」

本文提出的方向可以用一條鏈表示：

\boxed{ \text{Evidence Collection} \rightarrow \text{Provenance Graph} \rightarrow \text{Candidate Generators} \rightarrow \text{Forward Simulation} \rightarrow \text{Counterfactual Tests} \rightarrow \text{Posterior Contraction} }

真正的目標不是生成一篇最漂亮的傳記，而是讓：

\mathcal G_0 \supseteq \mathcal G_1 \supseteq \cdots \supseteq \mathcal G_n

逐步收縮。

若最終只能得到：

\mathcal G_n = \{G_1,G_2,G_3\},

那就是結果。

若三者在可用證據上永久觀測等價，那麼誠實答案就是：

\boxed{ \text{現有資料不足以區分。} }

這不是失敗，而是成功地確定了可知邊界。

18. 結論

歷史人物的第一人稱主體域無法被我們直接讀取。這個限制是真實的。但從這個限制直接跳到「古人的內在結構完全不可研究」，同樣過度。

一個主體只要曾持續存在於世界中，就會留下選擇痕跡：他說了什麼、如何說、如何修正別人、在哪些情況沉默、對不同受眾採用何種概念、哪些理論路徑反覆出現、哪些看似自然的路徑始終沒有出現。這些痕跡單獨可能極弱，聯合起來卻可以逐步約束其潛在生成器。

因此本文的核心命題不是：

\text{AI 可以復活古人的心靈}.

而是：

\boxed{ \text{歷史主體不可直讀， 但其生成器可能被多維證據逐步逼近。} }

更精確地：

\boxed{ \text{HSGR 的目標不是唯一復原 }Q_H, \text{而是收縮與證據相容的 }[G_H]_{\mathcal C}. }

AI 時代使這個方向第一次具備新的工程可行性，因為模型可以同時處理大規模文本、版本依賴、語義微差、反事實候選與多模型前向模擬。然而，算力增加不會自動消除認識論邊界。越強的模型，越需要把「推斷」與「史實」、「理論演化」與「作者原意」、「生成器結構」與「第一人稱感質」保持型別分離。

歷史認識論真正需要的，不是更有自信的詮釋，而是更高解析度的可錯誤重建。

參考文獻

外部文獻

Jaynes, E. T. (2003). Probability Theory: The Logic of Science. Cambridge University Press.
Pearl, J. (2009). Causality: Models, Reasoning, and Inference (2nd ed.). Cambridge University Press. DOI: 10.1017/CBO9780511803161.
Shannon, C. E. (1948). A Mathematical Theory of Communication. Bell System Technical Journal, 27(3), 379–423. DOI: 10.1002/j.1538-7305.1948.tb01338.x.
Skinner, Q. (1969). Meaning and Understanding in the History of Ideas. History and Theory, 8(1), 3–53. DOI: 10.2307/2504188.
Tarantola, A. (2005). Inverse Problem Theory and Methods for Model Parameter Estimation. Society for Industrial and Applied Mathematics. DOI: 10.1137/1.9780898717921.

EveMissLab 內部前置文獻

Neo.K. (2025). 《語言的秘密：你說的每一句話都在洩露你的靈魂》.
Neo.K. (2025–2026). 《知識傳播中的範疇失真：從經典誤讀到量子神秘化的統一認知框架》.
Neo.K. (2026). 〈理論是理論，作者是作者：發現、發明與耦合創造的型別分離〉.
Neo.K. (2026). 〈先於數學的信息空間：守恆律作為投影同構的形式痕跡〉.
Neo.K. (2026). Author-Visibility Asymmetry: 類終極的不可見性結構與作者-角色拓撲.

後續篇章位置

本篇只建立逆問題地基，不處理具體宗教或哲學人物。後續依序處理：

Paper 02：符號不是主體——跨載體表示極限；
Paper 03：悟——主體域的跨載體漸近重建；
Paper 04：傳承吸引子漂移；
Paper 05：說與不說都是證據——反事實微語義反演；
Paper 06：精細尋址符號學——多層同一與表面矛盾。

主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎

主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎

摘要

0. 邊界聲明：本文不是歷史讀心術

1. 問題設定：從文本詮釋轉向生成器反演

2. 四層型別分離：輸出、語義、生成器、主體感知域

2.1 輸出層 L0\mathcal L_0L0​

2.2 語義層 L1\mathcal L_1L1​

2.3 認知生成器層 L2\mathcal L_2L2​

2.4 主體感知域 L3\mathcal L_3L3​

3. 歷史主體重建作為逆問題

4. 可識別性與生成器等價類

5. 從可行域到後驗分布

6. 證據不是只有「說了什麼」

6.1 顯式內容證據

6.2 結構證據

6.3 時序證據

6.4 對手與受眾證據

6.5 修正證據

6.6 遺漏與沉默證據

6.7 歷史傳播證據

7. 反事實：真正區分生成器的工具

8. 傳承失真：我們觀察到的未必是源頭生成器

9. 「理論是理論，作者是作者」在 HSGR 中的擴展

10. AI 時代真正新增了什麼？

10.1 大量弱證據聯合

10.2 版本與來源圖

10.3 候選生成器搜尋

10.4 前向模擬

10.5 保留不確定性

11. HSGR 最低工作流程

Step 1：建立證據邊界

Step 2：建立傳播圖

Step 3：抽取多層證據

Step 4：建立候選生成器族

Step 5：前向生成

Step 6：反事實挑戰

Step 7：留出驗證

Step 8：輸出候選域而非神諭

12. 三個基礎命題

命題一：可行生成器域的單調收縮

命題二：觀測等價下的不可唯一識別

命題三：沉默的條件資訊性

13. 失敗模式

13.1 現代概念倒灌

13.2 作者—理論融合

13.3 經典選擇偏差

13.4 相關證據重複計票

13.5 翻譯洩漏

13.6 沉默謬誤

13.7 生成器過擬合

13.8 AI 補全文本幻覺

13.9 主體域越界

14. 驗證設計：如何避免「什麼都能解釋」

14.1 時間切片驗證

14.2 留出文本驗證

14.3 負控制人物

14.4 對抗式候選生成

14.5 反事實預測記錄

15. 與既有研究傳統的關係

16. 與 EveMissLab 既有理論的連接

17. 研究綱領：從「解釋文本」走向「壓縮候選主體域」

18. 結論

參考文獻

外部文獻

EveMissLab 內部前置文獻

後續篇章位置

2.1 輸出層 $\mathcal L_0$

2.2 語義層 $\mathcal L_1$

2.3 認知生成器層 $\mathcal L_2$

2.4 主體感知域 $\mathcal L_3$