Cognitive Frontier Separation in the AI Age — Paper 04 v0.1

Cognitive Engagement Budget：能理解，不等於願意理解

Series: Cognitive Frontier Separation in the AI Age
Chinese Series Name: AI 時代的認知前沿分離
Paper: 04
Document ID: CFSAI-P04-COGNITIVE-ENGAGEMENT-BUDGET-2026-v0.1
Status: Core 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

Paper 01 建立 Recursive Prerequisite Graph，說明一個任務對不同使用者可能具有完全不同的 prerequisite depth、volume 與 semantic access cost。

Paper 02 建立 Cognitive Frontier Separation：

\boxed{ \Delta_F(u,t) = F_P(t)-F_C(u,t) }

並指出即使每個人的絕對能力都在上升，只要 productive frontier 移動得更快，某些人的相對距離仍可能擴大。

Paper 03 進一步加入 Convenience Frontier，說明昨天的高階 productive frontier 可以被產品化、自然語言化、Agent 化，成為今天的「懶人介面」；但這仍不保證 cognitive frontier 收斂。

本篇處理下一個不可忽略的變數：

\boxed{ \text{Can Understand} \neq \text{Will Engage Long Enough to Understand}. }

也就是：

即使 AI 已經知道如何教、知道 prerequisite graph、能使用影片、圖像、故事、比喻、模擬、互動、遊戲化與逐步 scaffold，一個人仍可能因為時間、注意力、動機、疲勞、挫折、情緒、延遲滿足、生活壓力或單純不想投入，而無法完成所需的 cognitive transition。

本篇正式定義：

\boxed{ CEB_u(t) = \text{Cognitive Engagement Budget of user }u. }

CEB 不是智力，不是知識量，也不是單純注意力，而是：

一個人在特定時間窗口內，願意且能夠持續投入到認知展開、理解、練習、修正與決策中的總可用資源。

因此，一條 cognitive path 是否可達，不只取決於「理論上能不能理解」，而取決於：

\boxed{ Cost_u(\pi) \le CEB_u. }

如果某條 prerequisite path 即使被 AI 優化後，仍超過 CEB，那麼該 path 對使用者而言在當下就是實際不可達。

這帶來一個對 AI 教育與 AI accessibility 非常重要的結論：

\boxed{ \text{Pedagogical Accessibility} \neq \text{Cognitive Adoption}. }

AI 能把內容教得非常好，不代表使用者願意走完。

因此，未來 AI 的任務不能只是在「怎麼講得更清楚」上優化，而需要同時處理：

是否值得教？
是否可以繞過？
是否可以代理？
是否可以壓縮？
是否可以延後？
是否可以讓使用者先做選擇，再補理解？

這使 CEB 成為 Cognitive Gap Compiler、Human–AI Cognitive Ratchet、Post-Work Beyond Automation 與未來 Personalized AI Product 的重要中介變數。

0. 問題起點

假設 AI 已經完美知道：

使用者目前懂什麼
缺什麼 prerequisite
最適合什麼表示方式
應該從哪裡開始

理論上：

教就好了

看起來問題已解。

但現實仍可能是：

使用者不想學
沒有時間
看兩分鐘就離開
不想承受挫折
覺得太麻煩
寧願直接讓 AI 做

所以：

\boxed{ \text{Reachable Explanation} \neq \text{Completed Learning}. }

1. Cognitive Engagement Budget

定義：

\boxed{ CEB_u(t) }

表示使用者 $u$ 在時間窗口 $t$ 中，可實際投入於：

理解
學習
推理
練習
比較
修正
驗證
決策

的總認知投入資源。

2. CEB 不是 IQ

\boxed{ CEB \neq \text{Intelligence}. }

高能力的人也可能：

太累
沒興趣
沒時間
不想處理

因此 CEB 很低。

3. CEB 也不是知識量

\boxed{ CEB \neq \text{Knowledge}. }

一個人可以知識很多，但當下不願意投入。

4. CEB 也不是單一 Attention Span

attention 只是其中一部分。

5. CEB Components

可以粗略分解：

\boxed{ CEB_u = f( A_u, M_u, T_u, F_u, E_u, D_u, S_u, R_u ). }

例如：

$A_u$ ：可持續注意力；
$M_u$ ：動機；
$T_u$ ：可用時間；
$F_u$ ：疲勞狀態；
$E_u$ ：情緒與心理能量；
$D_u$ ：延遲滿足能力；
$S_u$ ：挫折／壓力承受；
$R_u$ ：外部資源與支持。

6. Attention Budget

定義：

\boxed{ A_u(t). }

不是「能不能專心」的永久標籤，而是當下可分配的 attention resource。

7. Motivation Budget

\boxed{ M_u(T,t). }

它是 task-relative。

同一個人對：

遊戲
工作
數學
家庭
財務

動機完全不同。

8. Time Budget

\boxed{ T_u(t). }

即使有能力與動機，

沒有時間也無法完成 path。

9. Fatigue

長時間 cognitive engagement會造成：

CEB_u(t+\Delta t) < CEB_u(t)

在某些情境成立。

10. Stress and Cognitive Load

生活壓力：

經濟
家庭
健康
工作

會消耗 CEB。

11. Delay Tolerance

有些 cognitive investment：

今天很痛苦
三個月後才有回報

需要延遲滿足。

12. Frustration Tolerance

如果學習 path包含：

反覆失敗
debug
重新理解

則：

S_u

非常重要。

13. Engagement Is Contextual

因此：

\boxed{ CEB_u(T,t_1) \neq CEB_u(T,t_2). }

14. Same Person, Different Day

今天：

可以看完整論文

明天：

只想看 30 秒摘要

都合理。

15. Same Person, Different Goal

若目標高度重要：

M_u\uparrow

可讓有效 CEB 上升。

16. Engagement Threshold

對 cognitive path $\pi$ ：

\boxed{ Reachable(\pi,u,t) = 1 \iff Cost_u(\pi)\le CEB_u(t). }

17. Theoretical Understandability Is Not Enough

即使：

如果給 20 小時
一定學得會

但使用者只願投入：

20 分鐘

實際上就是不可達。

18. Practical Reachability

因此：

\boxed{ \text{Practical Reachability} = \text{Cognitive Ability} \times \text{Engagement Availability}. }

19. CEB and PED

Paper 01 的：

PED
PEV
SAD
PO

都影響 path cost。

20. Deep Prerequisite Path

通常：

PED\uparrow \Rightarrow Cost_u(\pi)\uparrow.

21. Large PEV

同樣：

PEV\uparrow \Rightarrow Cost_u(\pi)\uparrow.

22. High Opacity

如果：

PO\uparrow

則使用者需要先理解：

自己缺什麼

又增加成本。

23. CEB Is the Missing Constraint

所以 Paper 01 的 reachability：

\exists\pi: Cost_u(\pi)\le Budget_u

在本篇正式把：

Budget_u

拆成至少：

\boxed{ CEB_u + ResourceBudget_u. }

24. Pedagogical Accessibility

定義：

某個概念是否存在一條教學上可理解的 representation path。

25. Cognitive Adoption

定義：

使用者是否真的完成足夠 engagement，使該概念進入可操作 cognition。

26. Non-Collapse

\boxed{ \text{Pedagogical Accessibility} \neq \text{Cognitive Adoption}. }

27. Perfect Explanation Paradox

即使 AI 產生：

完美文章
完美圖解
完美影片
完美互動課程

仍不能保證：

使用者看完

28. The Last-Mile Problem

所以 AI learning 的最後一公里往往不是：

解釋品質

而是：

engagement completion

29. Multi-Modal Teaching Has Diminishing Returns

多模態可以降低：

Cost_u(\pi)

但不能保證降到零。

30. Story

故事可以提高：

attention
memory

31. Video

影片可以降低：

symbolic decoding cost

32. Diagram

圖可以降低：

structural reconstruction cost

33. Simulation

模擬可以降低：

abstract-to-concrete mapping cost

34. Interactive Practice

互動可以降低：

procedural acquisition cost

35. But Every Modality Still Costs Time

\boxed{ \text{Better Modality} \not\Rightarrow \text{Zero Engagement Cost}. }

36. The Infinite Teaching Fallacy

錯誤直覺：

如果他不懂，就換一種方式講；再不懂，再換一種。

問題是：

\sum_i Cost(\text{attempt}_i)

本身也會消耗 CEB。

37. Explanation Fatigue

一直解釋可能：

越講越累

38. Pedagogical Branch Explosion

AI 可以產生：

故事版
圖版
數學版
影片版
操作版

但讓使用者每個都試一次，本身就是 cognitive overload。

39. Teaching Search Cost

選擇哪種 representation也有成本。

40. Optimal Teaching Is Not Maximal Teaching

\boxed{ \text{Optimal Explanation} \neq \text{Most Complete Explanation}. }

41. Minimal Sufficient Explanation

理想：

\boxed{ \min Cost_u(\pi) }

subject to：

\boxed{ Understanding\ge U_{required}. }

42. Engagement-Aware Teaching

AI 應估：

使用者現在還有多少 patience

而不是一直加內容。

43. Cognitive Dropout

定義：

使用者在 prerequisite path 尚未完成前停止 engagement。

44. Dropout Probability

可寫：

\boxed{ P_{drop}(u,\pi,t). }

45. Longer Path, Higher Dropout

通常：

|\pi|\uparrow \Rightarrow P_{drop}\uparrow.

46. Higher Friction, Higher Dropout

例如：

術語多
反覆失敗
回饋慢

都可能提高 dropout。

47. Delayed Reward

如果 reward遠，

P_{drop}

可能提高。

48. Immediate Progress Feedback

AI 可以：

顯示進度
小勝利
快速成果

降低 dropout。

49. But Gamification Has Limits

不是每個人都吃：

徽章
分數
連續天數

50. Motivation Is Not Uniform

\boxed{ M_u(T) }

高度個體化。

51. Intrinsic Motivation

有些人因：

好奇
理解欲
掌控感
創造欲

持續投入。

52. Extrinsic Motivation

有些人因：

錢
工作
考試
社會地位

投入。

53. Urgency Can Temporarily Raise CEB

危機下：

CEB_u\uparrow

可能發生。

54. But Chronic Stress Can Lower CEB

長期危機：

CEB_u\downarrow.

55. Engagement Elasticity

可以定義：

\boxed{ \epsilon_{CEB} = \frac{\partial CEB}{\partial Incentive}. }

表示 incentive 對 engagement 的影響。

56. Low Elasticity

對某些人：

再多獎勵也不想學

57. High Elasticity

對另一些人：

有明確收益就能投入很多

58. Cognitive Engagement Is Not Moral Virtue

本篇不把：

高 CEB

等同：

更有道德

59. Nor Is Low CEB Laziness by Default

低 engagement可能是：

疲勞
壓力
沒有相關性
沒有時間
回報不值得

60. Rational Non-Engagement

如果：

ExpectedValue(T) < EngagementCost(T),

不投入可以完全合理。

61. AI Changes Expected Value

AI 可以讓：

學習回報更快

62. AI Also Changes Cost

AI 可以：

降低 prerequisite

63. But AI Can Also Lower the Need to Learn

如果 AI 可以直接做，

使用者可能合理選擇：

PROXY

64. Proxy Decision

不是：

懶

而可能是：

\boxed{ \text{Optimal Allocation of Human CEB}. }

65. Cognitive Opportunity Cost

人投入一件事，

就不能投入另一件。

66. Therefore Learn-Everything Is Impossible

\boxed{ \sum_T CEB_u(T) \le CEB_u^{total}. }

67. AI Should Help Allocate CEB

真正強的 AI 應問：

這個值得你學嗎？

而不是永遠：

我來教你。

68. CEB Allocation Problem

\boxed{ \max \sum_i V_i x_i }

subject to：

\boxed{ \sum_i Cost_i x_i \le CEB_u. }

69. Learn vs Proxy

對 prerequisite $P_i$ ：

TEACH
PROXY
BYPASS
COMPRESS

本質上就是 CEB allocation。

70. Agency-Critical Nodes

如果：

不理解就無法作重要選擇

應優先 TEACH。

71. Mechanically Delegable Nodes

如果：

只是操作技術

可優先 PROXY。

72. Low-Value Historical Nodes

如果：

只是舊工具造成的中介門檻

可 BYPASS。

73. Large but Reducible Nodes

可 COMPRESS。

74. CEB-Aware Cognitive Gap Compiler

所以 Paper 05 的 compiler 必須以：

CEB_u

作約束。

75. Without CEB, Compiler Overteaches

如果 AI只看 prerequisite graph，

可能產生：

完整課程

但使用者根本不會走完。

76. CEB-Aware Objective

\boxed{ \min \text{HumanCognitiveCost} }

subject to：

\boxed{ Cost\le CEB_u }

以及：

\boxed{ Agency\ge A_{min}. }

77. Engagement Window

使用者一次願意投入：

30 秒
5 分鐘
30 分鐘
2 小時

不同。

78. Window-Constrained Teaching

AI應在 window內完成：

下一個 meaningful transition

79. Micro-Transition

定義：

\boxed{ \Delta C_u }

表示一次 engagement能完成的 cognition state change。

80. Instead of Full Curriculum

AI可以：

今天只把你帶到下一個節點

81. Cognitive State Staircase

\boxed{ C_0 \rightarrow C_1 \rightarrow C_2 \rightarrow \cdots }

82. CEB Determines Step Size

高 CEB：

大步

低 CEB：

小步

83. Adaptive Step Size

AI應估：

\boxed{ \Delta C^*_u(t). }

84. Too Large Step

使用者：

失去理解

85. Too Small Step

使用者：

覺得浪費時間

86. Optimal Engagement Granularity

\boxed{ g^* = \arg\max_g \frac{ ExpectedCognitiveGain(g) }{ EngagementCost(g) }. }

87. High-Capability Users Can Also Hate Over-Explanation

對高 REC / low SAD 使用者：

AI一直解釋基礎

會消耗 CEB。

88. Under-Challenging Is Also Costly

太簡單：

無聊

會降低 motivation。

89. Cognitive Match

因此：

\boxed{ \text{Challenge} \approx \text{Reachable Complexity}. }

90. Engagement Friction

可以分：

Attention Friction
Motivational Friction
Temporal Friction
Emotional Friction
Symbolic Friction
Failure Friction
Reward-Delay Friction
Context-Switching Friction

91. Attention Friction

內容太長／太散。

92. Motivational Friction

看不出與自己有何關係。

93. Temporal Friction

需要連續長時間。

94. Emotional Friction

容易產生：

挫敗
羞恥
焦慮

95. Symbolic Friction

術語／符號本身難解碼。

96. Failure Friction

一直錯但不知道為什麼。

97. Reward-Delay Friction

回報太晚。

98. Context-Switching Friction

需要反覆：

開工具
換頁
找資料

99. AI Can Reduce Many Frictions

但不能完全消除：

人類有限時間與意願

100. Engagement Compression

AI可以把：

2 小時教學

壓成：

10 分鐘必要理解

101. But Compression Has Fidelity Cost

如果太壓縮：

失去理解

102. Engagement-Fidelity Trade-Off

\boxed{ \min \text{Cost} \quad \text{subject to} \quad Fidelity\ge \theta. }

103. Agency-Fidelity Trade-Off

某些內容必須保留足夠 detail，

才能 informed choice。

104. Explanation Budget

可分配：

高風險
多解釋

低風險
少解釋

105. Risk-Adjusted CEB Use

\boxed{ CEB_{allocation} = f( \text{Risk}, \text{Irreversibility}, \text{UserGoal} ). }

106. High-Stakes Decisions

例如：

醫療
金融
法律
不可逆資料刪除

更需要 engagement。

107. Low-Stakes Tasks

例如：

改排版
整理資料

可以更多 proxy。

108. Reversibility

可逆任務：

低 human cognition

更合理。

109. Irreversibility

不可逆：

高 human review

較合理。

110. Cognitive Consent

如果 AI要代理高風險工作，

至少需要：

使用者理解到足以 consent

111. Consent Has Cognitive Cost

所以 CEB與 agency直接相連。

112. CEB and Consumer Products

產品會持續簡化。

113. But Ultra-Convenience Can Hide Decisions

如果：

AI幫你全部決定

CEB需求很低，

但 agency可能也低。

114. Convenience-Agency Curve

可能存在：

\boxed{ A(C_V) }

並非越方便 agency越高。

115. Optimal Convenience

理想不是：

zero effort

而是：

minimum necessary effort

116. Minimum Necessary Cognition

定義：

\boxed{ MNC(u,T) }

為完成 meaningful agency 所需的最低 cognition。

117. Good AI Condition

\boxed{ MNC \le CEB_u. }

118. If MNC > CEB

則：

需要延後
需要更多 scaffold
需要代理更多低層
需要降低決策範圍

119. Reduced Choice Set

AI可以把：

100個選項

壓成：

3個高價值選項

120. Choice Compression

這也是 COMPRESS。

121. But Choice Compression Must Be Auditable

AI不能：

偷偷刪掉使用者可能在乎的選項

122. Preference Elicitation Cost

使用者形成 preference也消耗 CEB。

123. Example

AI問：

你要哪種資料庫？

可能毫無意義。

更好：

你比較在乎簡單、低成本、還是高擴展？

124. Decision Abstraction

把 technical decision投影成：

human-meaningful trade-off

125. This Reduces CEB Cost

\boxed{ Technical Choice \rightarrow Value Choice. }

126. CEB and Product Customization

未來產品高度客製化，

但 customization itself也消耗 CEB。

127. Too Many Options

\boxed{ N_{options}\uparrow \Rightarrow DecisionCost\uparrow. }

128. Personalization Paradox

AI可以生成無限選項，

但人不可能評估無限選項。

129. Therefore AI Must Curate

不是只 generate。

130. Curated Personalization

\boxed{ \text{Infinite Candidate Space} \rightarrow \text{Small Human Choice Surface}. }

131. CEB as Bottleneck of Infinite AI

這是一個非常重要的命題：

當 AI 的生成能力趨近無限，人類的認知投入能力不會一起趨近無限。

132. Human Bottleneck

因此：

\boxed{ \text{AI Output Capacity} \gg \text{Human Evaluation Capacity}. }

133. Selection Becomes the Bottleneck

未來不是：

做不出來

而可能是：

看不完
選不完
驗不完

134. Evaluation Budget

CEB的一部分：

\boxed{ EB_u }

可專門表示 evaluation budget。

135. Generated Candidate Explosion

如果 AI生成：

N\rightarrow\infty

使用者仍只能評：

k\ll N.

136. AI Must Rank Before Human Review

所以：

generate
→ filter
→ rank
→ human review

137. But Ranking Reintroduces AI Mediation

AI在決定：

你看到什麼

138. Agency Risk

如果 ranking不可 inspect，

可能：

偏好被AI塑造

139. Transparent Ranking

應提供：

why shown
what omitted
what criteria

140. CEB-Aware Transparency

不能把所有 omitted內容都塞給使用者。

要：

按需展開

141. Progressive Transparency

\boxed{ \text{Simple Surface} + \text{Expandable Evidence}. }

142. CEB and Human–AI Cognitive Ratchet

Paper 06 會處理兩條路：

AI省下 CEB
→ 投到更高層

AI省下 CEB
→ 不再投到 cognition

143. Saved CEB Is a Resource

如果 AI 幫使用者省：

10 小時

這 10 小時可以：

學新東西
休息
娛樂
工作

144. No Automatic Ratchet

所以：

\boxed{ \text{CEB Saved} \neq \text{CEB Reinvested}. }

145. Reinvestment Rate

可定義：

\boxed{ \rho_u = \frac{ CEB_{reinvested} }{ CEB_{saved} }. }

146. High $\rho_u$

可能形成 cognitive ratchet。

147. Low $\rho_u$

可能形成 outsourcing loop。

148. Neither Is Automatically Wrong

使用者可能選擇：

把節省時間拿去陪家人

完全合理。

149. Productivity Is Not the Only Utility

再次避免把：

CEB reinvestment

變成人的道德義務。

150. Human Utility Is Multi-Dimensional

包括：

休息
關係
娛樂
意義
安全
創作

151. CEB and Post-Work

如果未來人不必工作，

CEB仍存在。

152. Post-Work Does Not Mean Infinite Learning

沒工作不代表每個人會去：

學物理
學數學
做研究

153. Leisure Preference

很多人可能合理選擇：

娛樂
社交
生活

154. Therefore Post-Work Cognitive Divergence May Grow

部分人用 AI：

繼續爬 abstraction stack

另一些人：

不再投入 productive cognition

155. Again, Not a Dignity Difference

\boxed{ \text{Different CEB Allocation} \neq \text{Different Human Worth}. }

156. CEB and Institutional Design

制度不能只給：

教育資源

還要考慮：

時間
壓力
生活條件

157. Poverty and CEB

高生活壓力可降低可用 CEB。

158. Time Poverty

沒有空：

就是沒有 cognitive budget

159. Therefore "Free Course" Is Not Enough

免費課程不等於：

有能力投入

160. AI Can Reduce Time Cost

個人 tutor可提高效率。

161. But Social Constraints Remain

例如：

12小時工作
照顧家庭

AI不能完全消除。

162. CEB and Social Inequality

所以認知可達差距也受到：

economic conditions

影響。

163. Not Purely Biological

本系列不把 CEB或 frontier gap簡化成天生能力。

164. State-Dependent

\boxed{ CEB = \text{Person} + \text{Environment} + \text{Time} + \text{Goal}. }

165. CEB Measurement Is Difficult

不能只用：

問卷

就精確量化。

166. Behavioral Estimate

AI可從：

回應速度
完成率
跳出率
反覆錯誤
主動追問

估計。

167. But Estimation Has Privacy Risk

不能把：

你今天不想學

變成：

永久人格標籤

168. Temporary State vs Stable Trait

\boxed{ \text{Low CEB Today} \neq \text{Low CEB Person}. }

169. CEB Should Be Dynamic

\boxed{ CEB_u(t) }

而不是：

CEB_u = constant

170. User Override

AI應允許：

今天直接幫我做

171. And

今天我想深入學

172. Engagement Preference

可明確問：

要快速完成，還是順便理解？

173. Default Should Be Minimal Interruption

對低風險 task，

不要每次開課。

174. Explain on Demand

\boxed{ \text{Do First} + \text{Explain on Demand}. }

是一種可能模式。

175. But Not for High-Stakes

高風險要：

explain before irreversible action

176. CEB-Aware Agent

未來 agent應知道：

現在不要跟使用者講 20 個 technical term

177. Agent as Cognitive Filter

它要過濾：

哪些資訊此刻必要

178. Cognitive Notification Budget

甚至 notifications 也消耗 CEB。

179. Alert Fatigue

太多：

AI建議
AI提醒
AI報告

會降低使用率。

180. Notification Prioritization

AI應只 surface：

high-value
high-risk
decision-relevant

內容。

181. CEB and Multi-Agent Systems

未來如果 100 個 Agent同時回報：

人會爆炸

182. Agent Aggregation

所以要：

AI → AI aggregation → human

183. Human Should Not Be Message Bus

\boxed{ \text{Human} \neq \text{Inter-Agent Message Router}. }

184. Cognitive Compression Again

多 Agent output應壓成：

少數真正需要人決定的事項

185. This Is a Productive Frontier Requirement

越高階的 AI系統，

越需要 CEB-aware interface。

186. Frontier Without CEB Design Is Unusable

如果系統能力很強，

但每分鐘叫使用者決策 50 次，

實際 productive value低。

187. Decision Throughput

人類有：

\boxed{ DTH_u }

即 decision throughput limit。

188. AI Must Respect Decision Throughput

不能把 parallelism直接倒給人。

189. High Parallel AI, Serial Human

AI可以：

100 branches parallel

人仍：

一次看幾個

190. Therefore Compression Layer Is Mandatory

\boxed{ \text{Parallel AI} \rightarrow \text{Compressed Human Decision Surface}. }

191. CEB as Human Interface Constraint

所以 CEB不是教育專用概念。

它是：

human-AI systems engineering constraint

192. Product Design Consequence

UI應考慮：

cognitive load
decision rate
explanation depth
interruptions

193. Agent Design Consequence

Agent應盡量：

自行解決低價值分支

只 escalate：

價值／風險／權限／偏好

問題。

194. Product Generator Consequence

產品生成器不應每個技術選擇都問使用者。

195. Instead

問：

你更在乎速度還是成本？

196. Translation to Human Values

把 machine parameter space投影成：

human value space

197. Value Surface

這可以顯著降低：

\text{DecisionCost}.

198. CEB and Preference Learning

AI可以從選擇歷史推斷偏好，

降低重複詢問。

199. But Avoid Preference Lock-In

人會變。

200. Preferences Must Be Editable

\boxed{ \text{Inferred Preference} \neq \text{Permanent Identity}. }

201. CEB and Trust

如果使用者不信任 AI，

會需要：

更多驗證

增加 cognitive cost。

202. Trust Can Lower CEB Cost

但盲信又有風險。

203. Calibrated Trust

理想：

該信時少查
高風險時多查

204. Trust Calibration as CEB Optimization

\boxed{ \text{Verification Effort} = f( \text{Risk}, \text{Model Reliability}, \text{Reversibility} ). }

205. Human Verification Cannot Scale Linearly

AI產出速度越快，

人不能每件都完整驗。

206. Verification Delegation

需要：

independent AI verifier
tests
evidence

207. Human Reviews Summary of Verification

又是一層 compression。

208. CEB and Information Abundance

未來最大的問題可能不是資訊不足，

而是：

資訊過剩

209. Abundance Increases Selection Cost

\boxed{ InformationVolume\uparrow \Rightarrow SelectionCost\uparrow. }

210. AI as Attention Allocator

未來 AI的重要角色：

決定什麼值得你注意

211. This Is Powerful

也危險。

212. Attention Governance

需要：

可調整
可審查
可退出

213. CEB Is Therefore a Governance Variable

誰控制人的 attention surface，

就部分控制人的可達 cognition。

214. Manipulation Risk

AI可能為：

engagement
廣告
平台目標

而優化 attention。

215. Agency-Preserving Engagement

本系列主張：

engagement應服務使用者目標

216. Not Maximize Time Spent

\boxed{ \text{Max Engagement Time} \neq \text{Max User Benefit}. }

217. Better Objective

\boxed{ \text{Minimum Necessary Engagement} }

for desired outcome。

218. This Is Opposite of Attention Economy

傳統平台常追：

more time

CEB-aware AI應追：

less unnecessary time

219. Efficient Cognition

目標：

\boxed{ \frac{ \text{UsefulStateChange} }{ \text{HumanCognitiveCost} } }

最大化。

220. Cognitive Efficiency

定義：

\boxed{ \eta_C = \frac{ \Delta U }{ CEB_{spent} }. }

221. High $\eta_C$

表示：

少量投入
→ 大量可用 cognition / agency gain

222. AI Should Maximize $\eta_C$

而不是：

內容長度

223. This Changes Education Product Metrics

不應只看：

course completion
minutes watched

224. Better Metrics

goal reached
operator acquired
future PED reduced
agency improved

225. Future PED Reduction

如果學一個 reusable operator，

可以降低很多未來任務成本。

226. Long-Term Cognitive ROI

所以短期 CEB投入可能有高長期價值。

227. CEB Investment Decision

AI可說：

這個概念值得你花 20 分鐘學，因為以後會一直用。

228. Or

這個只用一次，我直接幫你做。

229. That Is Cognitive Portfolio Management

可以稱：

\boxed{ \text{Cognitive Portfolio Allocation}. }

230. Cognitive Assets

某些知識／operator像：

高重用資產

231. Cognitive Liabilities

某些 outdated details：

維護成本高
價值低

232. AI Can Maintain Some Knowledge Externally

不是每件事都要放人腦。

233. External Cognitive Memory

AI可以作：

externalized operator store

234. But Critical Mental Models Still Matter

完全外包會降低 resilience。

235. CEB Strategy Is Mixed

理想：

internalize high-value core
externalize low-value detail

236. CEB and Skill Atrophy

長期完全 proxy某技能，

可能：

skill decay

237. Atrophy Is Not Always Bad

如果技能已 obsolete：

可以接受

238. Atrophy Risk Is Goal-Dependent

例如：

心算

與：

判斷 AI風險

重要性不同。

239. Critical Skills Should Be Preserved

例如：

goal formation
basic verification
value judgment
consent

240. CEB and Future Optionality

只看當前 task可能過度 proxy。

241. Optionality-Preserving Teaching

適度保留：

可遷移 operator

242. CEB-Aware Long-Term Objective

\boxed{ \max ( \text{ImmediateUtility} + \text{FutureOptionality} + \text{Agency} ) }

subject to：

\boxed{ CEB\le CEB_u. }

243. CEB and Frontier Separation

如果 frontier推進：

v_P

很高，

但 CEB長期不足，

則：

v_C

可能上不去。

244. Therefore Engagement Is a Frontier Variable

\boxed{ v_C = f( \text{Ability}, AI, CEB, \text{Resources} ). }

245. More AI Does Not Automatically Raise $v_C$

如果：

不願使用
不願學
只用娛樂

提升有限。

246. But That Is Not Automatically a Failure

只要使用者目標不要求 frontier。

247. Harm Criterion Again

真正問題：

重要生活選擇需要更高 frontier

但 CEB path不可達。

248. Agency-Weighted CEB Gap

可以定義：

\boxed{ G_{CEB}^{agency} = MNC(u,T)-CEB_u. }

若正值：

meaningful agency需求超過當下投入能力

249. AI Bridge Objective

將：

MNC(u,T)

壓到：

\le CEB_u.

250. But Not by Hiding Critical Information

這是 hard constraint。

251. Future "Mong-Confused State"

當：

PED高
PO高
EV低
CEB低

會形成非常嚴重的不可達狀態。

252. Formal Combination

\boxed{ Risk_{confusion} = f( PED, PEV, PO, 1-EV, 1-CEB ). }

253. This Can Become Common

如果 frontier不斷更新，

普通人持續面對：

新工具
新概念
新工作方式

CEB可能長期不足。

254. Future Normality Hypothesis

因此：

對最新 productive frontier 的「跟不上、不知道、不想再學」可能成為常態，而不是個別 failure。

255. Society Can Respond in Two Ways

第一種：

要求所有人一直追

256. Second

讓 AI / institutions 主動壓縮 frontier

257. The Second Is More Scalable

因為：

人類 attention有限

258. But Compression Must Preserve Agency

再次凍結。

259. CEB and Post-Work Society

未來如果大量人不再需要工作，

最重要的不是：

他們有沒有時間

而是：

他們願意把時間花在哪

260. Free Time Does Not Equal CEB

\boxed{ \text{Free Time} \neq \text{Cognitive Engagement}. }

261. Leisure Is Legitimate

所以本系列不主張：

每個人都應該終身學習到 frontier

262. Agency Is the Normative Anchor

只要：

能理解重要選擇
能拒絕
能改變

就可能足夠。

263. Paper 04 Main Claim

\boxed{ \text{A cognitive path is practically reachable only if its required engagement fits within the user's available engagement budget}. }

264. Paper 04 Secondary Claim

\boxed{ \text{Better Teaching} \neq \text{Guaranteed Adoption}. }

265. Third Claim

\boxed{ \text{AI accessibility requires engagement-aware compression, not explanation alone}. }

266. Core Variable Summary

CEB  Cognitive Engagement Budget
A    Attention Budget
M    Motivation
T    Time Budget
F    Fatigue
S    Frustration Tolerance
D    Delay Tolerance
EB   Evaluation Budget
MNC  Minimum Necessary Cognition
ρ    Cognitive Reinvestment Rate
η_C  Cognitive Efficiency

267. Canonical Reachability Formula

\boxed{ Reachable(u,\pi,t) = 1 \iff Cost_u(\pi) \le CEB_u(t). }

268. Canonical Adoption Formula

\boxed{ \text{Can Understand} \neq \text{Will Learn} \neq \text{Will Use}. }

269. Canonical CEB Objective

\boxed{ \max \eta_C = \max \frac{ \text{UsefulCognitiveChange} }{ \text{HumanCognitiveCost} }. }

270. Canonical Bridge Constraint

\boxed{ MNC(u,T) \le CEB_u(t). }

271. Canonical Agency Constraint

\boxed{ \text{Critical Choice Information} \not\subset \text{Hidden Black Box}. }

272. Paper 04 Non-Goals

本篇不宣稱：

可以精確測量每個人的 CEB
低 engagement代表能力低
所有人都應該提高 CEB
AI一定能克服所有動機問題
多模態教學無效

273. CEB Is Not a Human Worth Metric

\boxed{ CEB \not\Rightarrow \text{Human Worth}. }

274. CEB Is a Systems Constraint

真正用途是：

設計更合理的人機協作

275. AI Design Implication

未來 AI不只要問：

你缺什麼知識？

還要問：

你現在願意花多少 cognition？

276. Product Design Implication

產品不能只：

把功能加上去

還要：

讓使用者在少量 attention下得到真正價值

277. Agent Design Implication

Agent應盡量：

自行處理低價值分支

只把重要 decision surface 留給人。

278. Education Implication

未來最好的 tutor 不一定講最多。

而是：

知道何時不該再講

279. Work Implication

企業導入 AI不能假設：

給員工工具
→ 員工自然學會

280. Post-Work Implication

沒有工作壓力後：

cognitive divergence仍可能存在

因為 CEB allocation不同。

281. Product Personalization Implication

無限客製化 capability：

會把 evaluation burden推回人

所以仍需要 compression。

282. Future AI Responsibility

不是：

讓使用者永遠學更多

而是：

讓使用者在有限 cognition 下
仍然保有足夠選擇與行動能力

283. Final Non-Collapse

\boxed{ \text{Ability} \neq \text{Knowledge} \neq \text{Engagement} \neq \text{Agency}. }

284. Final Adoption Condition

\boxed{ \text{Pedagogically Reachable} + \text{Engagement Affordable} \Rightarrow \text{Potential Adoption}. }

不是 guaranteed adoption。

285. Final Design Principle

\boxed{ \text{Do not maximize how much the human must learn.} }

也不要：

\boxed{ \text{Minimize human involvement to zero}. }

而應：

\boxed{ \text{Minimize Required Cognition while Preserving Meaningful Agency}. }

286. 結論

AI 可以把世界講得越來越簡單。

它可以：

畫圖
做動畫
講故事
示範
模擬
舉例
個人化
即時回答

但只要人類仍然具有有限：

時間
注意力
耐心
動機
心理能量

那麼：

\boxed{ \text{Cognitive Engagement Budget} }

就會一直存在。

這意味著未來 AI accessibility 的問題，不能只被理解成：

怎麼讓 AI 更會解釋？

更深的問題是：

在使用者有限的 engagement budget 下，哪些東西真的需要他理解？哪些可以代理？哪些可以繞過？哪些可以壓縮？哪些應該延後？哪些關鍵選擇必須保留？

當 AI 的生成、搜尋、執行與產品化能力逐漸超越人類可評估速度時，CEB 甚至可能從教育問題變成人機系統的核心 bottleneck。

真正高階的 AI 不會把所有複雜性倒給人。

也不會把所有重要選擇偷偷替人做掉。

它應該把巨大的機器計算世界，壓縮成：

少量
可理解
高價值
真正需要人的
決策與選擇

這就是 Cognitive Engagement Budget 在未來 AI 社會中的核心意義。

Canonical Closing Formula

\boxed{ \text{Can Understand} \neq \text{Will Engage Long Enough to Understand}. }

\boxed{ Reachable(u,\pi,t) = 1 \iff Cost_u(\pi) \le CEB_u(t). }

以及：

\boxed{ \text{Minimize Required Cognition, Preserve Meaningful Agency}. }