DACWE-02：最小人類引導、認知算子與能力增幅效率

English Title: Minimal Human Steering, Cognitive Operators, and Capability Amplification Efficiency

Series: Desire-to-ASI Counterfactual World Experiment (DACWE)
Document: DACWE-02
Version: v0.1
Status: Canonical Experimental Draft
Language: Traditional Chinese (zh-TW)
Encoding: UTF-8
Upstream: DACWE-00, DACWE-01

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-08（整理日期；原稿未標註日期）

摘要

DACWE-00 建立了 ordinary-human seed、反事實世界結構與 ASI-like requirement 判定；DACWE-01 則將強意圖拆解為可控制的 desire representation，並建立欲望通用性、工具廣度、願望閉合壓力與語義污染控制。

DACWE-02 進一步處理整個系列最核心的原始問題：

一個普通人如果不具備專業技術能力，只保留高階意圖、選擇權與少量「提升詞」，是否仍能透過 AI 逐步形成高階能力路徑？

本篇將「繼續」、「分解」、「找缺口」、「驗證」、「找反例」、「自動化」等自然語言操作重新定義為有限的 Cognitive Operator Set（認知算子集合）。研究重點不再是 AI 能不能給出好答案，而是普通人需要提供多少認知工作，系統才能持續向前。

因此，本篇正式定義：

U = \{ u_{continue}, u_{clarify}, u_{decompose}, u_{compare}, u_{verify}, u_{falsify}, u_{repair}, u_{automate}, u_{globalize}, u_{stop} \}

並引入：

Human Steering Budget（HSB）
Human Cognitive Burden（HCB）
Operator Compression Ratio（OCR）
Capability Amplification Efficiency（CAE）
Steering Sufficiency Frontier（SSF）
Human Bottleneck Transition（HBT）

本篇最重要的研究命題為：

\boxed{ \text{高階能力演化所需的人類輸入，可能可以被壓縮成少量高階選擇與認知算子。} }

但這不是預設結論。DACWE-02 的任務，就是建立可以否證它的實驗規格。

1. 問題重新定義

傳統的人機協作通常假設：

\text{Human} \rightarrow \text{Detailed Instruction} \rightarrow \text{AI Output}

人類仍然必須知道：

要問什麼；
怎麼拆問題；
哪些答案可信；
下一步做什麼；
什麼時候該驗證；
什麼時候該停止。

但如果 AI 能接管大量中階與低階認知工作，則可能出現另一種協作結構：

\text{Human Intent} + \text{Minimal Steering} \rightarrow \text{AI Cognitive Expansion}

更具體地說：

D_0 + U_t \rightarrow G_t \rightarrow C_t \rightarrow T_t \rightarrow W_{t+1}

其中人類每輪只提供：

u_t \in U

而不是自己完成整個推理鏈。

DACWE-02 的核心問題是：

Q_2: \quad \text{最小的人類 steering set 到底可以縮到多小？}

2. 什麼叫做「最小人類引導」

最小人類引導不是：

人類完全不做任何事。

而是：

人類保留價值、偏好、接受／拒絕、風險限制與最終選擇，但不要求其自己完成專業分解、搜尋、推理、工程與驗證。

定義：

MHS = \text{Minimal Human Steering}

一個 MHS 系統必須滿足：

\text{HumanRole} \subseteq \{ \text{intent}, \text{preference}, \text{choice}, \text{constraint}, \text{approval}, \text{termination} \}

而 AI 可以承擔：

\text{AIRole} \supseteq \{ \text{decomposition}, \text{research}, \text{planning}, \text{tool use}, \text{verification}, \text{repair}, \text{memory}, \text{coordination} \}

3. 人類保留的不可壓縮部分

DACWE 不假設人類價值本身可以被 AI 完全代替。

最低限度，人類仍需要保留：

3.1 原始價值

V_H

也就是：

我真正想要什麼？

3.2 偏好

P_H

例如：

我不要冒太大財務風險；
我不想搬家；
我不想犧牲家庭生活；
我不接受非法路徑。

3.3 授權

A_H

即：

這一步可不可以做？

3.4 終止權

Stop_H

即：

什麼時候不再繼續？

因此：

MHS \neq \text{HumanElimination}

而是：

MHS = \text{HumanValueControl} + \text{LowBandwidthSteering}

4. Cognitive Operator Set

本篇將自然語言中的「提升詞」定義為認知算子。

4.1 Continue

u_{continue}

語義：

沿目前方向繼續推進，但不得無條件擴張問題。

人類常見表達：

繼續；
下一步；
往下做；
接著完成。

4.2 Clarify

u_{clarify}

語義：

找出目前最模糊、最可能導致錯誤理解的條件。

4.3 Decompose

u_{decompose}

語義：

將當前目標拆成可分別處理的子問題。

形式化：

G \rightarrow \{g_1,g_2,\ldots,g_n\}

4.4 Compare

u_{compare}

語義：

產生多條可行路徑並比較成本、風險與適配性。

4.5 Verify

u_{verify}

語義：

不再擴寫方案，而是檢查目前聲稱是否有證據、測試或可重現結果。

4.6 Falsify

u_{falsify}

語義：

主動尋找能使目前方案失敗的反例。

4.7 Repair

u_{repair}

語義：

針對已發現失敗，採用最小必要修改恢復可行性。

4.8 Automate

u_{automate}

語義：

尋找目前需要人類重複操作的部分，判斷哪些可以交給工具、程式或 agent。

形式化：

HumanWork_t \rightarrow MachineWork_{t+1}

4.9 Globalize

u_{globalize}

語義：

從目前局部成功回到整體目標，確認局部優化沒有偏離原始 desire。

4.10 Stop

u_{stop}

語義：

停止當前分支，不再增加能力或複雜度。

5. 基本算子集合與擴展集合

5.1 Tier 0：極簡集合

U_0 = \{ \text{continue}, \text{stop} \}

5.2 Tier 1：普通人集合

U_1 = \{ \text{continue}, \text{clarify}, \text{choose}, \text{verify}, \text{stop} \}

5.3 Tier 2：提升詞集合

U_2 = \{ \text{continue}, \text{clarify}, \text{decompose}, \text{compare}, \text{verify}, \text{falsify}, \text{repair}, \text{automate}, \text{globalize}, \text{stop} \}

6. Operator Compression Hypothesis

如果人類可以用很少的操作控制很大的認知展開，則存在：

\text{Compression} = \frac{ \text{AI Cognitive Work} }{ \text{Human Steering Tokens} }

定義：

OCR = \frac{ N_{meaningful\ AI\ transitions} }{ N_{human\ operator\ actions} }

若：

OCR \gg 1

代表每一次人類操作可以觸發多個有意義的能力轉換。

7. Human Steering Budget

定義：

HSB = ( N_{actions}, N_{tokens}, N_{choices}, N_{interruptions} )

其中：

$N_{actions}$ ：人類操作次數；
$N_{tokens}$ ：人類實際輸入量；
$N_{choices}$ ：需要做出的實質選擇數；
$N_{interruptions}$ ：人類必須重新介入的次數。

8. Human Cognitive Burden

單看 token 數量會誤導，因此定義：

HCB = ( K, J, A, M, E )

其中：

$K$ ：Knowledge burden；
$J$ ：Judgment burden；
$A$ ：Attention burden；
$M$ ：Memory burden；
$E$ ：Execution burden。

將其正規化：

HCB \in [0,1]

9. Capability Amplification Efficiency

定義：

CAE = \frac{ \Delta C_{effective} }{ HCB+\lambda HSB }

如果：

CAE \uparrow

代表人類用較少認知成本取得較大能力提升。

10. 能力不是輸出字數

真正的：

\Delta C_{effective}

必須反映：

能不能完成以前做不到的任務；
能不能跨更多任務族；
能不能減少人類操作；
能不能自行驗證；
能不能在失敗後恢復；
能不能把能力保留到下一輪。

11. Steering Sufficiency Frontier

定義：

SSF = \text{Steering Sufficiency Frontier}

表示：

在給定 AI、環境與 desire 下，需要多少人類 steering 才能維持某一能力階梯？

形式化：

SSF(L) = \min HSB

subject to：

\text{CapabilityLevel} \geq L

12. Human Bottleneck Transition

在低 AI 能力時：

\text{Bottleneck} = \text{HumanSkill}

但 AI 提升後，可能變成：

\text{Bottleneck} = \text{HumanPreference} + \text{Approval} + \text{Resources}

定義：

HBT = \text{Human Bottleneck Transition}

若：

\frac{\partial Y}{\partial TechnicalSkill_H} \downarrow

同時：

\frac{\partial Y}{\partial PreferenceClarity_H} \uparrow

則人類瓶頸可能從「會不會做」轉為「知不知道自己要什麼」。

13. 最小操作協議

ordinary-human simulator 每輪只能執行：

a_t^H \in U_i

以及少量參數。

例如：

OPERATOR: compare
FOCUS: cost

或：

OPERATOR: verify
FOCUS: feasibility

人類不得在參數中偷偷注入專業解法。

14. Natural-Language Surface Form

同一 operator 可以有多種自然表達。

例如：

u_{falsify}

可以表達為：

找反例；
哪裡可能錯；
怎樣會失敗；
挑最弱的地方；
反過來證明它不行。

因此區分：

\text{OperatorIdentity}

與：

\text{SurfacePhrase}

15. Operator Semantics Must Be Stable

同一算子在不同 rollout 中不能任意改義。

例如：

u_{automate}

canonical semantics 應固定為：

尋找當前流程中可由工具或軟體接管的重複性認知或操作工作，優先採用最低充分自動化方案。

16. Tier 0 實驗：只有「繼續」

最極端條件：

U_0' = \{ \text{continue} \}

人類除了最初 desire 之外，只能說：

繼續。

它直接測：

\text{AutonomousExpansion}

但也容易產生 desire drift 與 overengineering，因此必須配合：

DF

與：

CI

評估。

17. Tier 1 實驗：普通選擇

Tier 1 使用：

U_1

人類可以：

繼續；
要求澄清；
從選項中選；
要求驗證；
停止。

如果：

C_{max}(U_1) \gg C_H

代表高階 cognition lifting 不一定依賴精密 prompt engineering。

18. Tier 2 實驗：提升詞

Tier 2 加入：

分解；
比較；
找反例；
修復；
自動化；
回到全域。

這裡真正測的是：

\text{是否存在一小組 domain-general cognitive operators}

能讓普通人跨任務重複使用。

19. Cognitive Control Plane

可將 AI 的大量能力視為：

DataPlane_{AI}

而人類少量算子為：

ControlPlane_H

因此：

\text{Human} \xrightarrow{U} \text{AI Cognitive Runtime}

若 DACWE-02 得到支持，可以提出：

\boxed{ \text{Human Cognitive Control Plane} }

20. 認知算子是否可組合

研究：

u_i \circ u_j

例如：

u_{decompose} \circ u_{verify}

又例如：

u_{falsify} \circ u_{repair}

形成：

\text{OperatorProgram} = (u_1,u_2,\ldots,u_n)

21. 固定算子程序與自由 steering

比較：

模式 A：自由 steering

普通人根據當下感覺選 operator。

模式 B：固定 operator cycle

例如：

\text{decompose} \rightarrow \text{compare} \rightarrow \text{verify} \rightarrow \text{falsify} \rightarrow \text{repair} \rightarrow \text{globalize}

如果模式 B 能跨多數任務穩定工作，表示高階認知流程可能部分程序化。

22. Operator Choice Burden

定義：

OCB = \text{Operator Choice Burden}

即 ordinary-human simulator 判斷「現在該用哪個算子」的難度。

若：

OCB \uparrow

它可能成為新的認知瓶頸。

23. AI 建議下一個 operator

為降低 OCB，可允許：

AI \rightarrow \text{RecommendedOperator} \rightarrow \text{HumanApproval}

比較：

U_{self-selected}

與：

U_{AI-recommended}

若結果接近，代表 meta-operator selection 也可能被部分外包。

24. Operator Autopilot

更進一步測：

U_{autopilot}

AI 自己決定何時：

分解；
驗證；
找反例；
修復；
自動化。

人類只保留：

\text{approve}, \text{reject}, \text{stop}

這是：

MHS_{min}

候選，但必須嚴格監控 desire drift、overengineering 與 verification collapse。

25. 人類選擇的資訊顯示量

每個 Decision Packet 最多包含：

選項；
每個選項一句優點；
每個選項一句風險；
AI 推薦理由；
是否可逆。

用以測量：

\text{LowBandwidthDecisionInterface}

是否足夠。

26. 「不知道」是合法操作

加入：

u_{unknown}

若人類表示：

我不知道。

AI 不得要求其自己補足專業知識，而應：

簡化；
提供預設方案；
說明可逆性；
降低決策風險。

27. Default Policy

若人類表示：

\text{unknown}

AI 使用：

\text{DefaultPolicy} = \arg\min_T ( \text{Risk} + \text{Irreversibility} + \text{Cost} )

subject to：

Progress(T)>0

28. Reversibility Principle

定義：

\text{PreferredAction} = \arg\max_a InformationGain(a)

subject to：

Risk(a)\leq\theta_R

且：

Reversibility(a)\geq\theta_V

讓普通人在不理解全部底層細節時仍可安全探索。

29. Human Burden Failure

若任何步驟要求人類：

閱讀大量高階論文才能選擇；
自己寫複雜程式；
自己判斷難以驗證的專業爭議；
持續追蹤大量平行任務；

則：

HBF=1

即使 trajectory 表面成功，也不能算 MHS 成功。

30. Steering Deadlock

如果 AI 要求人類在資訊不足時自行做高難度決策，並連續：

k

輪無法推進，則：

SD=1

MVP 可設定：

k=3

31. Cognitive Loop Failure

若 operator cycle 只是反覆：

\text{decompose} \rightarrow \text{verify} \rightarrow \text{repair} \rightarrow \text{decompose}

而：

\Delta W=0

則為：

\text{CognitiveLoopFailure}

有效 trajectory 必須定期產生真實 world-state change。

32. 語言層與算子層分離

自然語句透過：

u_t = Map(Language_t)

映射成 canonical operator。

因此研究可以跨語言比較，而不把字面差異誤認為 cognition 差異。

33. 跨文化的 Operator Vocabulary

未來可比較：

P(u_i\mid Culture)

研究不同文化／語言背景下，人們自然採用哪些高階操作。

34. Operator Discovery

除了預定義 $U_2$ ，也可從大量自然對話聚類出：

U^\*

即真實使用者反覆使用、且跨任務有效的 operator set。

35. Operator Ablation

例如：

U_2^{-verify} = U_2 \setminus \{\text{verify}\}

比較：

Y(U_2)

與：

Y(U_2^{-verify})

可估計單一 operator 的邊際作用。

36. Operator Interaction Effects

算子可能具有交互作用：

Effect(\text{verify}+\text{falsify}) > Effect(\text{verify})+Effect(\text{falsify})

後續可估：

Y = \beta_0 + \sum_i\beta_i u_i + \sum_{i<j}\beta_{ij}u_iu_j + \epsilon

37. Automate 的特殊地位

u_{automate}

可能形成：

\text{Automation} \rightarrow \text{FreedHumanBandwidth} \rightarrow \text{HigherLevelSteering} \rightarrow \text{FurtherAutomation}

但也可能：

\text{Automation} \rightarrow \text{Opacity} \rightarrow \text{LossOfControl}

因此必須同步測：

\text{Observability}

與：

\text{Recoverability}

38. Globalize 的特殊地位

u_{globalize}

用來對抗局部最優與 goal drift。

每次執行都重新檢查：

DF_t

若：

DF_t<\theta_F

則必須：

\text{repair}

或：

\text{stop}

39. 認知算子作為有限控制語言

如果 $U_2$ 足夠穩定，可形成：

L_U

例如：

CONTINUE
CLARIFY
DECOMPOSE
COMPARE
VERIFY
FALSIFY
REPAIR
AUTOMATE
GLOBALIZE
STOP

形成：

\text{Intent} \rightarrow \text{Operator} \rightarrow \text{CognitiveRuntime}

40. Operator 不是魔法詞

\text{Operator} \neq \text{MagicPrompt}

真正重要的是：

\text{Semantics} + \text{RuntimeBehavior} + \text{Verification}

如果「找反例」只改變文字風格，而不改變驗證流程：

OperatorEffect=0

41. Operator Execution Trace

每次 operator 執行應保存：

{
  "turn": 12,
  "operator": "falsify",
  "surface_phrase": "哪裡最可能錯？",
  "target_state": "current_plan",
  "ai_action": [
    "identify assumptions",
    "construct failure cases",
    "rank vulnerabilities"
  ],
  "state_change": true,
  "human_followup_required": false
}

42. Minimal Human Steering Score

定義：

MHSS = 1 - \frac{ Normalized(HCB+HSB) }{ 2 }

再結合 capability level：

MHSQ = MHSS \times \frac{L}{L_{max}}

避免「人類負擔極低但系統也完全無能力」的假高分。

43. 主要實驗矩陣

DACWE-02 第一階段固定：

D=D_3,D_5

A=A_{frontier}

E=E_M

比較：

U_0,U_1,U_2,U_{autopilot}

每組：

20

次 rollout。

總數：

2 \times 4 \times 20 = 160

條。

44. 低成本 MVP

先固定：

D=D_5^{decontaminated}

比較：

U_0,U_1,U_2

每組：

10

次。

總共：

30

條 trajectory。

45. 主要 dependent variables

每條 rollout 保存：

Y= ( L, G_C, HCB, HSB, OCR, CAE, DF, CI, HBF, SD, X_{ASI} )

46. 主要假說

H2.1：低頻 steering 可行假說

HSB \downarrow

不一定導致：

Y \downarrow

到相同比例。

H2.2：認知算子增益假說

Y(U_2) > Y(U_1) > Y(U_0)

至少在部分高通用 desire 中成立。

H2.3：人類負擔下降假說

如果 AI 足夠強：

HCB \downarrow

與：

L \uparrow

可以同時發生。

H2.4：meta-steering 外包假說

若：

Y(U_{AI-recommended}) \approx Y(U_{self-selected})

則 operator selection 也可能部分外包。

H2.5：最低控制面假說

存在：

U_{min}

使：

|U_{min}| \ll |CognitiveTaskSpace|

但仍能維持高階 capability trajectory。

47. 反證條件

以下情況會削弱或否定本篇核心命題：

必須由人類提供專業級分解；
operator 只改變文字風格；
人類必須頻繁救援；
低 steering 導致嚴重 goal drift；
所有關鍵選擇仍依賴高階專業判斷。

48. Human Steering Frontier 可能不是單調的

可能存在：

HSB^\*

使：

Y(HSB)

在中間區間最大。

即：

\text{TooLittleSteering} \rightarrow \text{Drift}

\text{TooMuchSteering} \rightarrow \text{Interference}

\text{OptimalSteering} \rightarrow ValueControl+AICompetence

49. Steering Granularity

定義：

SG = \frac{ \text{MajorStateTransitions} }{ \text{HumanActions} }

若：

SG \uparrow

代表人類控制粒度變粗，AI 承擔更多細節。

50. 從 Prompt Engineering 到 Intent Steering

區分：

\text{PromptEngineering}

與：

\text{IntentSteering}

前者關注：

如何精確描述模型該怎麼回答。

後者關注：

人類只維持價值方向、驗證要求與停止權，細節由 AI 自主展開。

因此：

\boxed{ \text{Intent Steering} \neq \text{Prompt Engineering} }

51. 從使用 AI 到治理 AI 工作

人類角色可能從：

\text{Operator}

轉為：

\text{Governor}

即：

\text{HumanRole} : \text{Execution} \rightarrow \text{Governance}

這裡的 governance 僅指目標、限制、風險、批准與停止控制。

52. 對高階智能路徑研究的意義

如果最小 steering 足以使能力階梯從：

L_1

上升到：

L_7,L_8,L_9

則真正發生的是：

\boxed{ \text{普通人可以藉由低頻控制，維持一個比自己認知範圍更大的研究系統。} }

如果 trajectory 在：

L_3

或：

L_4

就停止，則代表目前 AI 仍高度依賴人類專業能力。

53. Canonical Ordinary-Human Operator Policy

第一版 simulator policy：

1. 如果看不懂，使用 CLARIFY。
2. 如果只有一條低風險路徑，使用 CONTINUE。
3. 如果有多條重要路徑，使用 COMPARE。
4. 如果出現重要主張，使用 VERIFY。
5. 如果計畫已變複雜，使用 DECOMPOSE。
6. 如果看起來太順利，使用 FALSIFY。
7. 如果找到明確失敗，使用 REPAIR。
8. 如果有重複人工操作，使用 AUTOMATE。
9. 每完成一個主要階段，使用 GLOBALIZE。
10. 如果風險、成本或偏離目標不可接受，使用 STOP。

54. 最小版普通人 Policy

- 看不懂：CLARIFY
- 不確定：VERIFY
- 有選項：COMPARE
- 沒明顯問題：CONTINUE
- 太複雜：DECOMPOSE
- 做完一段：GLOBALIZE
- 不值得：STOP

如果這麼小的 policy 已能維持高階 trajectory，則支持低頻 cognitive control 假說。

55. Machine-Readable Operator Schema

{
  "turn": 18,
  "actor": "ordinary_human",
  "operator": "verify",
  "focus": "feasibility",
  "choice": null,
  "free_text": null,
  "confidence": 0.42
}

56. AI Response Contract

{
  "current_goal": "...",
  "action_taken": "...",
  "result": "...",
  "confidence": 0.0,
  "needs_human_choice": false,
  "options": [],
  "recommended_operator": "continue",
  "verification_status": "unverified",
  "desire_fidelity": 0.0,
  "state_changed": true
}

57. 安全限制

Minimal steering 不代表 AI 可以因一句「繼續」而任意採取不可逆高風險行動。

必須有：

Risk(a) \uparrow \Rightarrow RequiredHumanApproval(a) \uparrow

尤其包括：

真實金錢；
法律承諾；
帳號與身分；
高風險外部操作；
危險技術；
不可逆部署。

58. DACWE-02 MVP Run

建議配置：

D = D_5^{decontaminated}

H = H_0

E = E_M

A = A_{frontier}

比較：

U_0, U_1, U_2

各：

10

次。

每條最多：

50

輪。

主要比較：

L, HCB, HSB, CAE, DF, CI, X_{ASI}

59. 第二批實驗

若第一批有明顯差異，再加入：

U_{AI-recommended}

與：

U_{autopilot}

測量 meta-steering 是否也能逐步外包。

60. 第三批實驗

再比較：

A_{weak}, A_{frontier}, A_{agentic}

如果：

A \uparrow

導致：

SSF(L) \downarrow

則表示達到相同能力階梯所需的人類 steering 隨 AI 能力下降。

61. 核心判定圖

DACWE-02 最後希望得到一張：

橫軸：

\text{HumanSteering}

縱軸：

\text{CapabilityLevel}

不同曲線：

A_{weak}, A_{frontier}, A_{agentic}

如果 AI 越強，曲線越向左上移，則：

\boxed{ \text{less human steering} \rightarrow \text{more capability} }

獲得支持。

62. 本篇核心命題

DACWE-02 不宣稱：

普通人只要按「繼續」就能建立 ASI。

而是提出可測命題：

\boxed{ \exists U_{small} : C_{effective}(H_0,A,U_{small}) \gg C_H }

也就是：

可能存在一個很小、很普通、跨領域的認知算子集合，使普通人能透過強 AI 維持遠超自身專業範圍的能力演化。

更進一步：

\boxed{ \text{人類未來的重要能力，可能不是自己完成所有認知工作，而是維持正確的高階控制迴路。} }

63. 與 DACWE-00、DACWE-01 的連接

完整鏈條現在成為：

D \rightarrow U \rightarrow AI \rightarrow G \rightarrow C \rightarrow T \rightarrow W'

其中：

DACWE-00 定義世界與反事實；
DACWE-01 定義 $D$ ；
DACWE-02 定義 $U$ 。

因此原始問題可以正式寫為：

Y = F( H, D, U, A, E, M, T )

64. 下一篇

下一篇進入：

\boxed{ \text{DACWE-03：AI Capability Counterfactuals} }

固定：

H,D,U,E

只替換 AI 能力層級。

核心問題：

當 AI 從一般聊天模型、前沿推理模型、工具型 agent、長時程 autonomous agent 逐步升級時，人類最低 steering requirement 如何改變？

並估計：

\frac{\partial Capability}{\partial A}

與：

\frac{\partial HumanBurden}{\partial A}

建立：

\boxed{ \text{AI Capability} \leftrightarrow \text{Human Cognitive Requirement} }

的第一條反事實曲線。