Cognitive Frontier Separation in the AI Age — Paper 01 v0.1

Q: Recursive Prerequisite Graph：你的一步，為什麼是別人的 XXXXXXXXX？

Series: Cognitive Frontier Separation in the AI Age Chinese Series Name: AI 時代的認知前沿分離 Paper: 01 Document ID: CFSAI-P01-RECURSIVE-PREREQUISITE-GRAPH-2026-v0.1 Status: Foundational Theory Draft Organization: EveMissLab / 一言諾科技有限公司 Author: Neo.K AI Collaboration: GPT-5.6 Sol Date: 2026-09-28 Language: Traditional Chinese Canonical Source: UTF-8 Markdown Math Source Rule: inline math only with $...$ ; display math only with $$...$$

Recursive Prerequisite Graph：你的一步，為什麼是別人的 XXXXXXXXX？

Series: Cognitive Frontier Separation in the AI Age
Chinese Series Name: AI 時代的認知前沿分離
Paper: 01
Document ID: CFSAI-P01-RECURSIVE-PREREQUISITE-GRAPH-2026-v0.1
Status: Foundational Theory Draft
Organization: EveMissLab / 一言諾科技有限公司
Author: Neo.K
AI Collaboration: GPT-5.6 Sol
Date: 2026-09-28
Language: Traditional Chinese
Canonical Source: UTF-8 Markdown
Math Source Rule: inline math only with $...$ ; display math only with $$...$$

版本： v0.1

摘要

人們常用一句非常自然的話判斷他人的行動能力：

「這不是很簡單嗎？」

然而，這句話隱含一個通常被忽略的假設：

任務對不同人的 cognitive prerequisite 幾乎相同。

本篇提出相反命題：

\boxed{ \text{Observed Task Simplicity} \neq \text{User-Relative Cognitive Simplicity}. }

一個看似只有一步的任務：

做 X

對某些人而言可能確實只是一個已編譯 operator：

O_X.

但對另一個人， $X$ 可能展開成：

\boxed{ P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow \cdots \rightarrow P_n \rightarrow X. }

更進一步，每一個 prerequisite $P_i$ 本身都可能需要自己的 prerequisite：

P_i \leftarrow \{P_{i1},P_{i2},\ldots\}.

因此，真正存在的不是單一線性學習路徑，而是一張：

\boxed{ \text{Recursive Prerequisite Graph}. }

本篇正式提出：

Prerequisite Expansion Depth；
Prerequisite Expansion Volume；
Entry Visibility；
Semantic Access Depth；
Reconstructive Encoding Capacity；
Prerequisite Opacity；
Unknown Prerequisite；
Unknown Unknown Prerequisite；
Recursive Expansion Cost；
Reachability。

這些概念的目的，不是建立一個簡單的「聰明／不聰明」評分，而是描述：

為什麼同一個概念、工具、工作流程、AI 能力或產品開發任務，對不同人具有完全不同的最短可達路徑。

0. 核心問題

假設任務：

T = 用 AI 幫自己做一個自動化產品

對某些使用者而言：

目標
→ Agent
→ code
→ test
→ deploy

看起來非常短。

但另一個使用者可能先需要：

AI 是什麼？
→ Agent 是什麼？
→ coding agent 是什麼？
→ repo 是什麼？
→ Git 是什麼？
→ terminal 是什麼？
→ dependency 是什麼？
→ API 是什麼？
→ deployment 是什麼？
→ hosting 是什麼？
→ test 是什麼？
→ 怎麼判斷 AI 有沒有做錯？
→ 怎麼修改？
→ 怎麼知道產品算完成？

所以：

\boxed{ \text{Task Label} \neq \text{Cognitive Path}. }

1. Recursive Prerequisite Graph

定義一個 task-relative prerequisite graph：

\boxed{ \mathcal G_P(u,T) = (V,E). }

其中：

$u$ ：使用者；
$T$ ：目標任務；
$V$ ：為了讓 $u$ 可有效執行 $T$ 所需的 knowledge / operator / judgment / skill nodes；
$E$ ：dependency relation。

2. 使用者相對性

關鍵是：

\boxed{ \mathcal G_P(u_1,T) \neq \mathcal G_P(u_2,T). }

同一任務對不同人的 prerequisite graph 不同。

3. 已有節點

如果使用者已具備某 prerequisite：

P_i ∈ ExistingKnowledge(u)

則不需要重新展開。

因此：

\boxed{ \mathcal G_P^{missing}(u,T) = \mathcal G_P(T) - K_u. }

4. Task Difficulty Is User-Relative

可以定義：

\boxed{ D_u(T) = f( \mathcal G_P^{missing}(u,T), C_u, B_u, R_u ). }

其中：

$C_u$ ：認知能力 profile；
$B_u$ ：可投入 cognitive budget；
$R_u$ ：外部資源／AI 支援。

5. Prerequisite Expansion Depth

定義：

\boxed{ PED_u(T) = \max_{\pi \in \mathcal G_P^{missing}} |\pi|. }

表示：

從目前認知狀態到能有效執行任務 $T$ ，最深 dependency path 的長度。

6. Short PED

例如：

知道 Git
→ 知道 repo
→ 使用 coding agent

可能：

PED=3.

7. Deep PED

如果：

不知道程式
不知道 terminal
不知道檔案系統
不知道 repo
不知道 AI agent

則同一任務的 PED 可能非常深。

8. Depth Is Not Enough

兩張 graph 可以有相同 depth，但 breadth 差很多。

例如：

A → B → C → D

和：

A
├─ B1
├─ B2
├─ B3
├─ B4
└─ B5
   ↓
D

不是同一成本。

9. Prerequisite Expansion Volume

因此定義：

\boxed{ PEV_u(T) = |\mathcal G_P^{missing}(u,T)|. }

也就是：

為了可達任務，總共需要新增多少 prerequisite nodes。

10. Weighted Expansion Volume

不同節點成本不同。

可定義：

\boxed{ WPEV_u(T) = \sum_{v\in \mathcal G_P^{missing}} w_u(v). }

其中 $w_u(v)$ 是使用者 $u$ 理解或掌握節點 $v$ 的成本。

11. Entry Visibility

即使 prerequisite 很多，只要知道入口：

我知道第一步應該學 Git

仍可開始。

因此定義：

\boxed{ EV_u(T) \in [0,1]. }

表示使用者能否辨識合理第一步。

12. Entry Visibility = 0

若：

EV_u(T)=0

則使用者甚至不知道：

要查什麼
要問什麼
要從哪裡開始

13. No Entry Point

\boxed{ EV_u(T)=0 \Rightarrow \text{Self-Directed Expansion becomes impossible or highly unlikely}. }

14. Unknown Prerequisite

第一類：

我知道 X
但我不知道做 Y 前需要 X

這是：

\boxed{ \text{Unknown Dependency}. }

15. Unknown Unknown Prerequisite

更深一層：

我甚至不知道 X 這個概念存在

因此無法主動搜尋。

16. Recursive Unknowns

最困難的是：

我不知道
自己不知道
自己還需要先學會
如何發現自己不知道什麼

這已經是 recursive meta-prerequisite。

17. Meta-Prerequisite

可以定義：

\boxed{ P^{meta} }

例如：

如何搜尋
如何判斷資訊品質
如何拆問題
如何知道何時卡住
如何問 AI
如何驗證答案

18. Meta-Prerequisite Explosion

有些人的真正瓶頸不是 domain knowledge，而是：

不知道怎麼學
不知道怎麼查
不知道怎麼驗
不知道怎麼拆

19. Semantic Access Depth

定義：

\boxed{ SAD_u(C) = \text{使用者從當前 cognition 到概念 }C \text{ 的最短語義路徑長度}. }

20. Same Word, Different Depth

例如：

homeomorphism

對一個已經懂：

topology
continuity
bijection
inverse map

的人，SAD 很低。

對另一個人則可能需要先展開十幾層。

21. Lexical Pointer vs Semantic Structure

一個詞彙只是 pointer：

\boxed{ \text{Word} \neq \text{Concept}. }

22. Opaque Pointer

若使用者只有：

名稱

沒有內部結構，

則：

\boxed{ \text{Lexical Recognition} \neq \text{Conceptual Access}. }

23. Semantic Transparency

某些語言／術語對初學者具有較高 compositional transparency。

例如：

神經網路
狀態空間
因果推論

使用者可能能先得到 rough landing zone。

24. Opaque Technical Vocabulary

其他詞彙可能先只是一個不透明 pointer。

例如：

eigenvalue
homomorphism
ontology
heuristic

如果詞根／domain背景不足，第一次看到時可解碼訊息很少。

25. Language Is Only One Variable

本篇不主張：

中文一定比英文容易

而是：

\boxed{ \text{Lexical Transparency} }

會影響初始 semantic access cost。

26. Concept Decomposition

一個概念 $C$ 可展開：

\boxed{ C \rightarrow \{C_1,C_2,\ldots,C_n\}. }

若 $C_i$ 仍不可達：

C_i \rightarrow \{C_{i1},C_{i2},\ldots\}.

27. Recursive Expansion

因此：

\boxed{ Expand(C) = \text{Recursive dependency expansion until reachable operators are found}. }

28. Reachable Operator

若使用者已有某 operator：

O_j

則 expansion 可以停止。

29. Compression Through Existing Operators

高 internal structure 的使用者可能：

new concept
→ existing operator
→ integrate

所以：

SAD_u(C)

很短。

30. Reconstructive Encoding Capacity

定義：

\boxed{ REC_u = \text{把新資訊映射到既有生成結構，而非逐項死記的能力}. }

31. High REC

高 REC 使用者可能：

看到新概念
→ 去掉名稱
→ 找結構
→ 找 operator
→ 接入 world model

32. Low REC

較低 REC 可能更依賴：

逐項記憶
重複
固定例題
固定表述

33. REC and SAD

通常可能存在：

\boxed{ REC_u\uparrow \Rightarrow SAD_u(C)\downarrow. }

這不是絕對律，但可作研究假說。

34. Knowledge as Graph vs Collection

兩個人都「知道 1000 個概念」。

但一個人可能有：

\boxed{ \text{Dense Generative Knowledge Graph}. }

另一個則可能是：

\boxed{ \text{Large Collection of Remembered Facts}. }

35. Same Quantity, Different Structure

因此：

\boxed{ |K_{u_1}| = |K_{u_2}| }

不代表：

\boxed{ \text{Knowledge Utility}_{u_1} = \text{Knowledge Utility}_{u_2}. }

36. Knowledge Connectivity

可以引入：

\boxed{ KC_u = \text{knowledge connectivity / compositional reuse}. }

37. Positive Learning Feedback

如果新知識容易接入既有結構：

better structure
→ faster integration
→ richer structure
→ even faster integration

形成：

\boxed{ \text{Representation Advantage} \rightarrow \text{Learning Acceleration} \rightarrow \text{Representation Advantage}. }

38. Cognitive Compounding

這代表認知差異可能不是線性累積。

39. Prerequisite Compounding

如果某人早期缺少核心 operator：

later concepts become more expensive

形成負向 compounding。

40. Task Compression for Experts

專家常把：

many steps

壓成一個 operator。

例如：

部署
驗證
建模
證明
調參

每個詞對專家都是 compiled macro。

41. Compiled Cognitive Operator

定義：

\boxed{ O_X = Compile(P_1,P_2,\ldots,P_n). }

42. Expert Blindness

專家容易忘記：

O_X

曾經由很多 prerequisite 組成。

43. "This Is Easy" Error

因此：

\boxed{ \text{Expert Compression} \rightarrow \text{Underestimation of Novice Path Cost}. }

44. Cognitive Distance

可以把使用者到目標的距離寫成：

\boxed{ Dist(u,T) = \min_{\pi} Cost_u(\pi). }

45. Shortest Cognitive Path

最有效的教學或 AI bridge 不是一定教「標準課程」。

而是找：

\boxed{ \pi_u^* = \arg\min_{\pi} Cost_u(\pi). }

46. Standard Curriculum Is Not Always Shortest

傳統 curriculum：

A
→ B
→ C
→ D

對使用者可能有更短 path：

A
→ analogy X
→ operator Y
→ D

47. Representation Switching

AI 可以換：

text
diagram
animation
example
counterexample
simulation
story
interactive task

來降低路徑成本。

48. But Representation Is Not Magic

如果：

Cost_u(\pi) > Budget_u

即使多模態教學仍可能失敗。

49. Cognitive Engagement Budget

Paper 04 將正式處理：

\boxed{ CEB_u. }

50. Prerequisite Graph and AI

未來 AI 不應只回答：

這是什麼？

而要估：

你現在已經知道什麼？
你缺哪幾個 prerequisite？
哪些可以直接繞過？
哪些需要真的理解？

51. User-State-Aware Teaching

AI 需要：

\boxed{ Model(u) + Target(T) \rightarrow \mathcal G_P^{missing}(u,T). }

52. Teaching Is Only One Operation

有些 prerequisite 必須教。

有些不需要。

53. BYPASS

如果 prerequisite 只是傳統路徑的偶然歷史產物：

AI 可以直接重構

54. PROXY

如果 prerequisite 只為執行 machine-doable work：

AI 可以代做

55. COMPRESS

如果 prerequisite 本身太多：

AI 壓成少量決策

56. TEACH

只有對 agency真正重要的：

需要人理解

57. Prerequisite Classification

因此每個 node $P_i$ 可標：

TEACH
BYPASS
PROXY
COMPRESS
MANDATORY
OPTIONAL

58. Minimal Human Cognitive Path

AI 的重要目標之一：

\boxed{ \pi_u^{human} = \arg\min_{\pi} Cost_u(\pi) }

subject to：

\boxed{ \text{Meaningful Agency Preserved}. }

59. "Just Ask AI" Is Not Complete

有人會說：

不會就問 AI。

但如果使用者不知道：

問什麼
哪個答案重要
哪裡有錯
哪裡還要繼續問

則：

\boxed{ \text{AI Availability} \neq \text{Question Formation Capacity}. }

60. Question Formation as Prerequisite

「會問問題」本身也是 prerequisite。

61. Search Formation as Prerequisite

知道該搜尋什麼也是 prerequisite。

62. Evaluation as Prerequisite

知道如何判斷答案也是 prerequisite。

63. Iteration as Prerequisite

知道何時要：

retry
reframe
debug
branch

也是 prerequisite。

64. AI Can Infer Missing Questions

高階 AI 可以嘗試：

infer latent goal
infer missing prerequisite
ask minimal high-value question

65. But Inference Can Be Wrong

因此不能完全拿掉 human correction。

66. Preference Uncertainty

使用者自己可能也不知道答案。

例如：

你想要哪個產品？

他可能要先看到選項才知道。

67. Counterfactual Prototyping

所以可以：

\boxed{ P_1,P_2,P_3 \rightarrow \text{Feedback} \rightarrow Preference Update. }

68. Learning by Selection

有時候比：

先理解完整理論

更有效。

69. Recognition Before Generation

很多人：

不能自行描述理想選項

但：

看到三個候選就能選

70. Recognition Gap

因此：

\boxed{ \text{Preference Recognition} \neq \text{Preference Generation}. }

71. Productive Task Example

任務：

建立個人自動化工作流

可能包含：

define goal
identify repetitive work
select tools
configure agent
bind data
set permissions
test
verify
monitor
repair

72. Same Task, Different Graph

對熟悉者：

「做一個 agent workflow」

就是一個 macro。

對另一人：

XXXXXXXXXXXX

是完整 prerequisite tree。

73. 1000-Year Analogy

如果把現代量子力學直接交給千年前的人：

波函數
希爾伯特空間
複數
線性算子
機率
能量本徵態

每一個都是新世界。

74. Historical Cognitive Distance

真正需要的不是解釋：

quantum mechanics

而是重建：

數學
物理
測量
實驗
記號
抽象

的巨大 prerequisite stack。

75. Same-Time Historical Gap

本系列的重要假說：

AI 時代可能讓同一時代中的部分人之間，出現類似跨歷史層級的局部 cognitive distance。

76. Not Literal 1000 Years

這不是說：

某人等同古代人

而是：

specific productive ontology

之間的距離可能非常巨大。

77. Chatbot Ontology vs Agent Ontology

例如：

AI = chatbot

和：

AI = autonomous workflow runtime

之間已經是一個 ontology jump。

78. Ontology Update Cost

理解新工具有時不是學按鈕，而是：

重新理解這個東西到底是什麼

79. Ontological Prerequisite

因此 prerequisite graph不只 knowledge。

還包括：

世界模型更新

80. Productive Ontology

一個人能否進入 frontier，常取決於他是否擁有正確 productive ontology。

81. Example: Coding Agent

如果內部模型是：

AI = 聊天

那看到 coding agent可能只會：

問它程式問題

而不是：

交給它 repo
讓它改 code
跑 test
修錯
提交結果

82. Same Tool, Different Reachability

所以：

\boxed{ \text{Tool Access} \neq \text{Tool Ontology} \neq \text{Productive Use}. }

83. Cognitive Friction Layers

可以分：

Lexical Friction
Conceptual Friction
Structural Friction
Procedural Friction
Evaluative Friction
Motivational Friction
Ontological Friction

84. Lexical Friction

不懂詞。

85. Conceptual Friction

知道詞但不懂概念。

86. Structural Friction

懂單點但不懂彼此關係。

87. Procedural Friction

知道概念但不知道如何執行。

88. Evaluative Friction

不知道結果好不好。

89. Motivational Friction

知道怎麼做但不想投入。

90. Ontological Friction

根本用錯世界模型理解工具／任務。

91. Friction Composition

總成本可粗略表示：

\boxed{ Cost_u(T) = \sum_j F_j(u,T). }

92. Nonlinear Interaction

但實際上 friction之間可能互相放大：

\boxed{ Cost_u(T) \neq \sum_j F_j }

可能存在交互項。

93. Recursive Cost Explosion

如果某 prerequisite本身又需要 prerequisite：

\boxed{ Cost(C) = Cost(P_1)+Cost(P_2)+\cdots. }

遞迴後可能快速變大。

94. Expansion Explosion

所以表面一步：

可以實際變：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

95. "朦逼態" 的 Prerequisite Interpretation

當：

goal/discomfort exists

但：

entry visibility low
prerequisite opacity high

就容易形成：

不知道怎麼開始
不知道該問什麼
不知道哪裡卡住

96. Prerequisite Opacity

定義：

\boxed{ PO_u(T) = \text{missing prerequisites中對使用者不可見的比例}. }

97. High PO

如果：

PO_u(T)\rightarrow 1

使用者幾乎不知道自己缺什麼。

98. High PED + High PO

這是非常危險的組合：

\boxed{ PED\uparrow + PO\uparrow + EV\downarrow. }

99. Self-Directed Learning Collapse

當上述組合成立：

自主補課

的成功率可能顯著下降。

100. AI-Assisted Expansion

AI 可以顯式構造：

Prerequisite Graph

給使用者。

101. But Full Graph May Overwhelm

如果直接顯示 200 個 nodes：

可能更崩潰

102. Progressive Graph Reveal

因此 AI 應：

只顯示下一個最有價值節點

或少量 branch。

103. Cognitive Window

使用者每次可處理的 prerequisite數量有限。

104. Scaffold Window

定義：

\boxed{ SW_u }

表示一次能有效承接的 scaffold complexity。

105. Adaptive Expansion

AI 應根據：

理解
反應
錯誤
耐心
目標

動態決定下一步。

106. Teaching Depth Control

不是：

越詳細越好

而是：

\boxed{ \text{Enough Detail for the Next Reachable Step}. }

107. Cognitive Over-Expansion

如果 AI 一次展開太多：

prerequisite overload

108. Cognitive Under-Expansion

太少則：

使用者仍不知道怎麼做

109. Optimal Expansion

因此存在：

\boxed{ E^*_u(T) }

代表適合的 expansion granularity。

110. AI Should Learn User Decoder

真正高階系統需要知道：

這個人偏好圖？
例子？
公式？
操作？
故事？
類比？

111. Representation Fit

定義：

\boxed{ RF_u(r,C) }

表示 representation $r$ 對使用者 $u$ 理解概念 $C$ 的適配度。

112. Best Representation

AI 應找：

\boxed{ r^* = \arg\min_r Cost_u(C\mid r). }

113. But Representation Switching Has Limits

如果 underlying prerequisite完全缺失，換形式只能降低部分成本。

114. Conceptual Bridge

有時需要先建立中介概念：

Bridge Concept

115. Bridge Concept

\boxed{ B: K_u \rightarrow C_{target}. }

116. Temporary Models

AI 可以先用較簡化但可操作的模型。

117. Approximate Understanding

使用者不一定需要完整學術定義才能行動。

118. Sufficient Understanding

可定義：

\boxed{ U_{sufficient}(u,T) }

即：

足以支持當前 meaningful decision 的理解程度。

119. Do Not Overteach

如果目標只需：

選擇 A / B

不一定要先教完整學科。

120. Do Not Underteach

但如果 trade-off會重大影響使用者：

不能完全黑盒

121. Agency-Critical Prerequisite

定義：

如果不懂此節點，使用者無法做 meaningful informed choice

則：

\boxed{ P_i\in P_{agency}. }

122. Agency-Optional Prerequisite

可以 proxy/bypass。

123. Prerequisite Graph Pruning

AI 可做：

\boxed{ \mathcal G_P \rightarrow \mathcal G_P^{minimal-human}. }

124. Minimal Human Graph

只保留：

agency-critical
preference-critical
consent-critical
evaluation-critical

節點。

125. Machine Proxy Graph

其餘：

AI
automation
tool
agent

完成。

126. Dual Graph

所以未來可能有：

Human Required Graph
Machine Proxy Graph

127. Joint Execution

\boxed{ T = G_H \cup G_M. }

128. Cognitive Division of Labor

這不是單純工作分工。

而是：

\boxed{ \text{Cognitive Division of Labor}. }

129. Human Role Can Move Upward

若 AI 代理底層，

人可以只處理：

goal
preference
trade-off
judgment

130. Or Human Can Learn More

另一條路：

AI scaffolds
→ human acquires operator
→ future PED decreases

131. Cognitive Investment

有些 prerequisite值得學，因為會重複使用。

132. Reusable Operator Value

定義：

\boxed{ V_{reuse}(P_i). }

高 reuse 節點值得 TEACH。

133. Low-Reuse Nodes

可能更適合 PROXY。

134. Prerequisite ROI

可以定義：

\boxed{ ROI(P_i) = \frac{V_{reuse}+V_{agency}}{Cost_u(P_i)}. }

135. AI Learning Strategy

AI可優先教：

high ROI prerequisite

136. This Is Different from School Curriculum

傳統課程按：

discipline order

AI可按：

user goal + current state + ROI

137. Goal-Conditioned Education

因此未來教學可能高度 goal-conditioned。

138. Risk of Excessive Goal Narrowing

若只學眼前有用的：

可能失去 broad foundation

所以需要平衡。

139. Exploration Budget

可保留：

non-immediate foundational learning

140. Cognitive Optionality

一些基礎知識價值在：

future options

而非當前任務。

141. Optionality Value

定義：

\boxed{ V_{option}(P_i). }

142. Full Prerequisite Value

所以：

\boxed{ V(P_i) = V_{task} + V_{reuse} + V_{agency} + V_{option}. }

143. AI Should Not Only Minimize Cost

如果只最小成本，可能把人永遠困在低抽象層。

144. Better Objective

\boxed{ \min Cost + \max Agency + \max Future Optionality. }

145. Paper 01 Main Claim

本篇最核心：

\boxed{ \text{What appears to be one step for one mind may be a recursively expanding prerequisite graph for another}. }

146. Implication for AI Accessibility

因此 AI accessibility 不可只測：

按鈕多不多
UI簡不簡單
prompt短不短

147. True Accessibility

而應測：

entry visibility
prerequisite opacity
semantic access depth
reachable path cost
agency preservation

148. Implication for Product Design

產品不能只問：

feature是否存在

還要問：

使用者知道feature能幹嘛嗎？
知道何時該用嗎？
知道結果對不對嗎？

149. Implication for Agent Products

Agent UI再簡單，

如果使用者沒有 goal decomposition，

仍可能只把 Agent 當聊天工具。

150. Implication for Future Work

未來工作參與門檻可能不再主要是：

會不會操作軟體

而是：

能否理解 productive ontology
能否定義目標
能否驗證
能否進入 higher-order workflow

151. Implication for Post-Work

如果 PED、PEV、PO 持續增長，

部分人可能逐步失去自然 entry point。

152. Implication for Education

教育不能只追：

knowledge delivery

還要建：

operator library
problem decomposition
semantic mapping
learning-to-learn

153. Implication for Cognitive Gap Compiler

Paper 05 將把 prerequisite graph 變成 AI operation target。

154. Core Variable Summary

PED  Prerequisite Expansion Depth
PEV  Prerequisite Expansion Volume
WPEV Weighted Expansion Volume
EV   Entry Visibility
PO   Prerequisite Opacity
SAD  Semantic Access Depth
REC  Reconstructive Encoding Capacity
KC   Knowledge Connectivity
SW   Scaffold Window
RF   Representation Fit

155. Minimal Reachability Condition

一個任務要可達，至少需：

\boxed{ EV>0 }

或 AI 能自動建立入口。

156. General Reachability

更完整：

\boxed{ \exists \pi: Cost_u(\pi) \le Budget_u. }

157. AI-Enhanced Reachability

加入 AI 後：

\boxed{ Cost_u^{AI}(\pi) < Cost_u^{solo}(\pi). }

158. But Not Necessarily Zero

所以：

\boxed{ \text{AI Assistance} \not\Rightarrow \text{Zero Cognitive Cost}. }

159. Strong AI Bridge

最理想：

\boxed{ AI: \mathcal G_P \rightarrow \mathcal G_P^{minimal-human}. }

160. Ethical Constraint

不能把：

minimal human cognition

誤解成：

minimal human agency

161. Final Non-Collapse

\boxed{ \text{Task} \neq \text{Prerequisite Graph} \neq \text{User-Relative Path} \neq \text{Learning Cost}. }

162. Final Depth Formula

\boxed{ PED_u(T) = \max_{\pi} |\pi|. }

163. Final Volume Formula

\boxed{ PEV_u(T) = |\mathcal G_P^{missing}(u,T)|. }

164. Final Opacity Formula

\boxed{ PO_u(T) = \frac{ |\{v\in \mathcal G_P^{missing}:v\text{ unknown to }u\}| }{ |\mathcal G_P^{missing}| }. }

165. Final Reachability Formula

\boxed{ Reachable(u,T) = 1 \iff \exists \pi: Cost_u(\pi)\le Budget_u. }

166. Final AI Bridge Objective

\boxed{ \min_{\pi} Cost_u^{AI}(\pi) }

subject to：

\boxed{ \text{Meaningful Agency Preserved} + \text{Critical Understanding Preserved}. }

167. 結論

「這不是很簡單嗎？」經常只是壓縮完成者對自身 cognitive macros 的投影。

當一個人已經具備：

domain model
operator library
semantic decoder
verification habit
search habit
execution pattern

新的任務往往只需要：

bind
map
execute

所以看起來是一兩步。

但對缺少這些底層結構的人，同一個任務會重新展開成巨大的 Recursive Prerequisite Graph。

最嚴重的情況甚至不是 prerequisite 多，而是：

不知道 prerequisite存在
不知道自己缺什麼
不知道第一步在哪
不知道要先學會如何展開問題

這時，所謂「AI 都這麼方便了，為什麼他還不用？」就不再是一個充分的問題。

真正該問的是：

這個人目前距離真正可達使用，還隔著多少 prerequisite？其中多少他看得見？多少可以被 AI 代理？多少必須真的理解？多少可以被重構或壓縮？

只有回答這些問題，AI accessibility 才能從 UI 設計真正進入 cognition design。

Canonical Closing Formula

\boxed{ \text{Your One Step} = \text{Someone Else's Recursive Prerequisite Graph}. }

以及：

\boxed{ \text{No Entry Point} \Rightarrow \text{No Self-Directed Expansion}. }

最後：

\boxed{ \text{AI should not merely explain the graph; it should help reconstruct the shortest reachable path through it}. }