Cognitive Frontier Separation in the AI Age — Paper 05 v0.1

Cognitive Gap Compiler：AI 如何把 Prerequisite Graph 編譯成使用者走得動的路

Series: Cognitive Frontier Separation in the AI Age
Chinese Series Name: AI 時代的認知前沿分離
Paper: 05
Document ID: CFSAI-P05-COGNITIVE-GAP-COMPILER-2026-v0.1
Status: Core Architecture 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 提出 Recursive Prerequisite Graph，指出一個看似只有一步的任務，對不同使用者可能展開成巨大的 prerequisite dependency structure。

Paper 02 建立 Cognitive Frontier Separation，說明 Productive Frontier 與個體的 Reachable Cognitive Frontier 可以持續分離。

Paper 03 建立 Convenience Frontier，說明昨天的高階能力會被 consumerize，但新的 productive frontier 同時繼續前進。

Paper 04 則加入 Cognitive Engagement Budget：

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

這表示即使 AI 知道怎麼教，使用者仍可能因 engagement budget 不足而無法走完整條 cognitive path。

本篇提出整個系列第一個正式 AI 解法架構：

\boxed{ \text{Cognitive Gap Compiler} }

Cognitive Gap Compiler 的任務不是把所有 prerequisite 一股腦教給使用者，而是：

給定使用者當前 cognition state、目標、風險、可用 AI 能力與 engagement budget，重新編譯 prerequisite graph，找出一條能夠保留 meaningful agency、但把 human-required cognition 壓到最低的可達路徑。

其四個基本 operator 為：

TEACH
BYPASS
PROXY
COMPRESS

其中：

TEACH：把真正需要使用者理解的 prerequisite 教會；
BYPASS：重構 workflow，繞過不再必要的 prerequisite；
PROXY：由 AI、Agent、工具或自動化替使用者執行；
COMPRESS：把複雜 technical state 壓縮成少量 human-meaningful decisions。

因此，原本：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

的 prerequisite expansion，可以被重新編譯成：

TEACH
→ PROXY
→ COMPRESS
→ HUMAN CHOICE
→ PROXY
→ RESULT

核心 objective：

\boxed{ \min \text{Human Required Cognition} }

但 subject to：

\boxed{ \text{Meaningful Agency Preserved} }

以及：

\boxed{ \text{Critical Understanding Preserved}. }

本篇同時主張：

未來 AI accessibility 的關鍵，不是把每一個人都訓練成 frontier expert，而是把高階 productive systems 編譯成每個人都能進入、理解到足以做選擇、並在需要時逐步展開的 reachable action space。

0. 問題轉換：從「教」到「編譯」

傳統 AI tutor 的基本想法：

使用者不懂 X
→ 解釋 X

如果還不懂：

→ 換方式解釋 X

再不懂：

→ 解釋 X 的 prerequisite

這條路在很多教育情境有效。

但對高階 productive frontier 問題，它可能快速失控：

Goal
→ X
→ prerequisite A
→ prerequisite B
→ prerequisite C
→ prerequisite D
→ ...

最後使用者只是想：

幫我完成一件事。

AI 卻開始：

我們先從計算機科學基礎講起。

這是 architecture failure。

1. Teaching Is Not the Only Valid Operation

Cognitive Gap Compiler 的第一個主張：

\boxed{ \text{Missing Prerequisite} \not\Rightarrow \text{Must Teach}. }

有些 prerequisite 應教。

有些應繞過。

有些應代理。

有些應壓縮。

2. Compiler View

把任務寫成：

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

其中：

nodes = prerequisite states / operators
edges = dependency

Compiler 的輸入：

User State
Goal
Prerequisite Graph
AI Capabilities
Risk
CEB
Agency Constraints

輸出：

Executable Cognitive Plan

3. CognitiveGapCompiler

概念：

CognitiveGapCompiler {
    user_state
    goal
    prerequisite_graph
    engagement_budget
    available_ai_capabilities
    risk_profile
    agency_policy
    optionality_policy
    compilation_strategy
}

4. Compiler Output

CompiledCognitivePath {
    path_id
    human_required_nodes[]
    proxy_nodes[]
    bypassed_nodes[]
    compressed_nodes[]
    decision_surfaces[]
    explanation_surfaces[]
    fallback_paths[]
    stop_conditions[]
    estimated_cost
    expected_agency
    expected_optionality
}

5. Canonical Objective

\boxed{ \min_{\pi'} Cost_u^{human}(\pi') }

subject to：

\boxed{ Agency(\pi') \ge A_{min} }

\boxed{ CriticalUnderstanding(\pi') \ge U_{critical} }

\boxed{ Risk(\pi') \le R_{max}. }

6. Why Not Minimize Human Involvement

如果 objective 寫成：

\min \text{HumanInvolvement},

AI 最簡單的 solution 就是：

全部自己決定

這可能讓 agency 接近零。

7. Better Objective

應該是：

\boxed{ \min \text{HumanRequiredCognition} }

subject to：

meaningful consent
meaningful preference
critical judgment
reversibility
auditability

8. Operator 1 — TEACH

TEACH 用於：

某 prerequisite 本身對使用者未來 agency、判斷、可遷移能力或高頻 reuse 有重要價值。

9. TEACH Condition

可粗略：

\boxed{ V_{agency}(P_i) + V_{reuse}(P_i) + V_{option}(P_i) > Cost_u(P_i). }

10. TEACH Example

使用者想讓 AI 管理財務。

某些：

複利
風險
流動性
槓桿

可能值得真正理解。

11. Teach the Minimum Sufficient Model

TEACH 不代表：

完整學科

而是：

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

12. Minimum Sufficient Understanding

定義：

足以讓使用者對當前重要選擇做 meaningful judgment 的理解層級。

13. TEACH Is Goal-Relative

同一概念：

database index

如果使用者只是想做個人小工具，

可能不用教。

如果要成為資料庫工程師，

可能值得教。

14. Operator 2 — BYPASS

BYPASS 表示：

原 prerequisite 並非目標本質，而是歷史工具、介面、流程或舊 architecture 造成的中介門檻；AI 可以重新設計路徑，使其不再需要。

15. BYPASS Example

過去部署服務：

SSH
Linux commands
systemd
nginx
TLS
DNS

未來某些 AI platform 可直接：

描述需求
→ deploy

這些 prerequisite 對某些目標可被 bypass。

16. BYPASS Is Not Ignorance

BYPASS 的意思不是：

我不知道，所以跳過

而是：

workflow被重新編譯，不再要求這個節點

17. Structural Bypass

形式：

\boxed{ \mathcal G_P \rightarrow \mathcal G_P' }

使：

P_i \notin \mathcal G_P'.

18. Valid Bypass Condition

只有當：

goal fidelity preserved
risk acceptable
critical agency unaffected

才合法。

19. Operator 3 — PROXY

PROXY 表示：

prerequisite 仍然存在，但不需要由人類擁有；AI / Agent / Tool 可以作為 execution proxy。

20. PROXY Example

寫 SQL
跑 unit tests
整理表格
建立 deployment config
抓資料

使用者不必親自掌握所有細節。

21. Proxy Node

形式：

\boxed{ P_i^{human} \rightarrow P_i^{AI}. }

22. Proxy Requires Capability

只有：

Capability_{AI}(P_i) \ge \text{Threshold}

才可代理。

23. Proxy Requires Trust Boundary

還要：

authority
privacy
reversibility
verification

24. PROXY Is Not Delegation Without Oversight

AI proxy 可以：

執行

但高風險時仍需：

verification
human approval

25. Operator 4 — COMPRESS

COMPRESS 表示：

prerequisite 本身仍然複雜，但 AI 可以把 technical state 壓縮成少量與人類價值／偏好直接相關的 decision surface。

26. COMPRESS Example

不問：

你要 PostgreSQL 還是 SQLite？

而問：

你更重視：
A. 最簡單
B. 多人協作
C. 高擴展

27. Technical-to-Value Projection

\boxed{ \text{Technical State Space} \rightarrow \text{Human Value Space}. }

28. Decision Compression

如果有：

N

個 technical choices，

AI 可能壓成：

k

個 meaningful choices，

其中：

k\ll N.

29. Compression Must Preserve Relevant Trade-Offs

不能把：

重要風險

偷偷壓掉。

30. Compression Fidelity

定義：

\boxed{ F_C^{decision} }

衡量 decision compression 是否保留重要 trade-off。

31. Four Operators Are Complementary

一張 graph可以：

P1 → TEACH
P2 → PROXY
P3 → BYPASS
P4 → COMPRESS

同時存在。

32. Example Compilation

原 graph：

Goal
├─ learn Git
├─ learn terminal
├─ understand deployment
├─ choose database
├─ write code
├─ test
└─ deploy

Compiler後：

Goal
├─ BYPASS terminal
├─ PROXY Git operations
├─ COMPRESS database choice
├─ PROXY code generation
├─ TEACH basic testing logic
└─ PROXY deployment

33. Human Required Graph

編譯後：

\boxed{ \mathcal G_H }

只包含人真正需要承擔的 cognition。

34. Machine Proxy Graph

\boxed{ \mathcal G_M }

包含 AI 可代理的 cognition / execution。

35. Bypassed Graph

\boxed{ \mathcal G_B }

表示已被 architecture 重構移除的 prerequisite。

36. Compressed Decision Graph

\boxed{ \mathcal G_C }

表示已被映射成人類 decision surface 的部分。

37. Joint Compiled System

因此：

\boxed{ \mathcal G_P \rightarrow ( \mathcal G_H, \mathcal G_M, \mathcal G_B, \mathcal G_C ). }

38. Cognitive Division of Labor

這種拆分可稱：

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

39. Human Is Not Required to Become the Machine

未來 AI accessibility 不應要求：

每個人都先變工程師

40. Machine Is Not Allowed to Become the Human

同樣：

AI不應把所有價值決策都替人做完

41. Boundary Is the Core Problem

真正困難：

哪些 cognition 應留給人，哪些交給 AI？

42. Agency-Critical Nodes

定義：

\boxed{ P_i\in P_{agency} }

如果不理解／參與此節點會使使用者失去重要價值選擇。

43. Examples of Agency-Critical Nodes

可能包括：

重大風險接受
價值偏好
財務損失承受
醫療選擇
公開與隱私
不可逆資料刪除

44. Technical-Critical Does Not Always Mean Agency-Critical

技術上很複雜：

TLS configuration

但不一定需要使用者理解細節。

45. Agency-Critical Does Not Require Technical Depth

使用者只需要知道：

這個選項會讓資料公開

可能就足夠做選擇。

46. Value Projection

AI應把：

machine parameter

翻成：

human consequence

47. Consequence Surface

例如：

cost
speed
privacy
risk
reversibility
maintenance

48. Human Choice Surface

定義：

\boxed{ HCS(u,T) }

為：

使用者真正需要看到與選擇的最小 decision surface。

49. HCS Objective

\boxed{ \min |HCS| }

subject to：

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

50. Too Small HCS

會：

過度黑盒

51. Too Large HCS

會：

decision overload

52. Optimal HCS

\boxed{ HCS^* }

是 CEB-aware 的。

53. CEB Integration

Compiler 必須讀取：

CEB_u(t).

54. If CEB Is Low

偏向：

PROXY
COMPRESS

55. If CEB Is High

可以增加：

TEACH
editable control
deeper explanation

56. CEB Is Not Static

所以 compiled path也可以動態改變。

57. Adaptive Compilation

\boxed{ Plan_{t+1} = Recompile( Plan_t, UserState_{t+1}, CEB_{t+1} ). }

58. Compiler Is Continuous

不是只在 onboarding跑一次。

59. User State Changes

因為：

學會了
累了
改目標
改偏好
失去興趣

60. Learn Once, Reduce Future Cost

如果 TEACH 成功：

future prerequisite graph shrinks

61. Operator Acquisition

使用者得到：

\boxed{ O_i }

後，未來很多節點可壓成 macro。

62. Cognitive Investment

因此 TEACH 可以是長期 investment。

63. Reuse Value

定義：

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

64. Future Optionality

定義：

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

65. Agency Value

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

66. Teaching Priority

可粗略：

\boxed{ Priority_{teach}(P_i) = \frac{ V_{reuse} + V_{option} + V_{agency} }{ Cost_u(P_i) }. }

67. High Priority

值得教。

68. Low Priority

偏向 proxy/bypass。

69. But Risk Can Override

高風險 node：

即使很少重用

也可能要 TEACH/EXPLAIN。

70. Risk-Adjusted Operator Choice

\boxed{ Op(P_i) = f( \text{Value}, \text{Cost}, \text{Risk}, \text{Reversibility}, CEB, \text{Agency} ). }

71. Reversibility

可逆：

更適合 PROXY

72. Irreversible

更偏 TEACH / explicit approval

73. Unknown Risk

如果：

風險未知

不應完全 proxy。

74. Uncertainty-Aware Compilation

Compiler應保留：

UNKNOWN

而不是假裝 certainty。

75. Compiler Input — User Model

最低：

known concepts
known operators
observed abilities
preferences
engagement budget
risk tolerance
explanation preferences
uncertainties

76. User Model Must Be Probabilistic

不能說：

你不會X

只因一次失敗。

77. User Capability Confidence

每個 capability：

confidence
evidence
last observed

78. Temporary State

當下疲勞不能變 permanent trait。

79. User Override

使用者可以說：

我想自己學

或：

不要教，直接做

80. Agency Includes Control Over Compilation

重要：

\boxed{ \text{User can choose automation depth}. }

81. Compiler Input — Goal

目標不能只是一句文字。

理想：

goal
constraints
preferences
risk
deadline
resources

82. Goal May Be Underspecified

使用者常只說：

幫我做更好

83. Intent Reconstruction

Compiler需要先：

clarify
infer
prototype

84. But Do Not Interrogate Forever

如果問題低風險，

AI應：

make reasonable defaults

85. Minimal High-Value Questions

定義：

\boxed{ Q^* = \arg\max_Q \frac{ InformationGain(Q) }{ CEBCost(Q) }. }

86. High-Value Question

例如：

你更在乎便宜還是速度？

87. Low-Value Question

例如：

你想用哪個資料庫版本？

若使用者不需要知道。

88. Information Gain per Cognitive Cost

這是未來 AI互動的重要 metric。

89. Compiler Input — AI Capability Graph

AI本身能做什麼：

code
browse
email
deploy
analyze
verify
simulate

90. Capability Must Be Honest

不能 proxy AI實際做不到的事。

91. Capability Uncertainty

如果 provider不穩：

PROXY confidence降低

92. Fallback

可：

teach user
use another tool
ask human expert

93. Compiler Input — Risk Graph

每個 node：

risk
reversibility
blast radius
privacy
financial impact

94. Risk-Aware Compilation

高風險：

少 bypass
少 opaque proxy
多 verify
多 human decision

95. Compiler Input — Time

deadline會影響：

教學 vs proxy

96. Urgent Goal

可能：

現在 proxy
之後再 teach

97. Deferred Teaching

這是重要策略：

Do Now
Learn Later

98. Just-in-Time Learning

只在需要時教。

99. This Minimizes CEB Waste

不提前塞大量可能永遠用不到的東西。

100. But Avoid Permanent Dependency

對高 reuse operator：

未來可補 teach

101. Compiler Pass 1 — Discover

先建立：

Goal Graph
Prerequisite Graph
User State
AI Capability
Risk

102. Compiler Pass 2 — Classify

每個 prerequisite標：

TEACH
BYPASS
PROXY
COMPRESS
HUMAN_DECISION
VERIFY

103. Compiler Pass 3 — Optimize

最小化：

human cognitive cost
time
friction

104. Compiler Pass 4 — Validate

檢查：

agency
risk
critical understanding
capability

105. Compiler Pass 5 — Execute

輸出：

human steps
AI steps
decision points

106. Compiler Pass 6 — Observe

記：

使用者理解
反應
錯誤
偏好

107. Compiler Pass 7 — Recompile

根據新 evidence更新。

108. Compilation Pipeline

\boxed{ \text{Goal} \rightarrow \text{Discover} \rightarrow \text{Classify} \rightarrow \text{Optimize} \rightarrow \text{Validate} \rightarrow \text{Execute} \rightarrow \text{Observe} \rightarrow \text{Recompile}. }

109. Cognitive Intermediate Representation

Compiler需要一個 IR。

110. Cognitive IR

概念：

Node {
    concept
    capability
    decision
    risk
    agency_weight
    reuse_value
    cost
    status
    operator
}

111. Edge

requires
enables
can_proxy
can_bypass
can_compress

112. This Makes Cognitive Planning Machine-Addressable

而不是自由文字教學。

113. Node Status

KNOWN
PARTIAL
UNKNOWN
PROXIED
BYPASSED
COMPRESSED
REQUIRES_DECISION
BLOCKED

114. Compile-Time vs Run-Time

有些決策可先做。

有些要 execution中才知道。

115. Runtime Cognitive Fault

如果 AI發現：

使用者其實不懂必要概念

觸發：

COGNITIVE_FAULT

116. Cognitive Fault Handler

可以：

pause
teach
compress
replan

117. Example

使用者說：

全部資料公開沒關係

AI發現使用者誤解：

公開的含義

則不能直接執行。

118. Critical Understanding Gate

高風險操作前：

\boxed{ U_{critical} \ge \text{Threshold}. }

119. User Confirmation Is Not Always Understanding

按：

Yes

不代表：

understood

120. Consent Compression Risk

介面太簡單會把 consent也壓扁。

121. Meaningful Consent

需要：

consequence-relevant understanding

122. Compiler Must Know When Not to Compress

這是非常重要的反面能力。

123. Anti-Compression Rule

如果：

decision不可逆
risk巨大
value-sensitive

就不要過度壓縮。

124. Explain Consequences, Not Internals

使用者不一定需要：

技術細節

但需要：

會造成什麼

125. Causal Outcome Projection

\boxed{ \text{TechnicalChoice} \rightarrow \text{OutcomeProjection}. }

126. This Is Better Than Raw Technical Explanation

對很多人而言。

127. Compiler and Preference Elicitation

如果 preference不明，

不能硬選。

128. Counterfactual Prototypes

產生：

A
B
C

讓使用者選。

129. Recognition-Based Preference

\boxed{ \text{Recognize} < \text{Generate} }

在 cognitive cost 上通常較低。

130. Preference Compiler

可以把：

模糊想要

轉成：

比較選項

131. This Is Part of COMPRESS

壓縮 preference articulation cost。

132. Compiler and Product Customization

未來產品 generator 若直接問：

請填 100 項 specification

會失敗。

133. Better Flow

願望
→ prototypes
→ high-value questions
→ inferred constraints
→ product

134. Product Specification Emerges Gradually

不是一次填完。

135. Cognitive Co-Construction

\boxed{ \text{Human Intent} + \text{AI Structuring} \rightarrow \text{Executable Specification}. }

136. Compiler and Agent Systems

Agent不應每個 branch都問人。

137. Escalation Policy

只 escalate：

authority
irreversibility
high risk
value conflict
uncertain preference

138. Machine-Level Branches Stay Machine-Level

這降低：

CEB_{interrupt}.

139. Human Is Not Agent Router

再次：

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

140. Compiler as Escalation Filter

把：

1000 machine decisions

壓成：

3 human decisions

141. Decision Density

定義：

\boxed{ DD = \frac{ \text{HumanDecisions} }{ \text{MachineOperations} }. }

142. Lower Is Often Better

但不能低到 agency消失。

143. Agency-Adjusted Decision Density

真正要優化：

\boxed{ DD^* }

而非無限趨近零。

144. Compiler and Verification

PROXY需要：

verification

145. AI Cannot Proxy and Self-Validate Blindly

理想：

execution agent
≠
verification path

146. Evidence Compression

verification結果也要壓成：

human-readable risk summary

147. But Evidence Must Remain Expandable

\boxed{ \text{Compressed Summary} + \text{Expandable Evidence}. }

148. Compiler and Trust

高信任：

更多 proxy

但應基於 evidence，不是盲信。

149. Calibrated Trust

\boxed{ \text{Trust} = f( \text{Reliability}, \text{Risk}, \text{Reversibility}, \text{Evidence} ). }

150. Compiler and Memory

AI應記住：

使用者已學過什麼

避免重教。

151. But Memory Can Be Wrong

所以：

revalidate when important

152. Persistent User Model

可大幅降低 future PED / SAD。

153. User Model as Cognitive Cache

某種程度上：

AI知道這個人懂什麼

就是 external cognitive cache。

154. But Avoid Overfitting the User

不要因歷史偏好把人鎖死。

155. Exploration

Compiler可以偶爾：

提供新選項

保留 optionality。

156. Future Optionality Constraint

\boxed{ V_{option} \ge O_{min}. }

157. Why Optionality Matters

如果永遠 proxy：

使用者可能失去跨域成長機會

158. But Teaching Everything Also Wastes CEB

所以是 portfolio problem。

159. Cognitive Portfolio Compiler

可把所有 prerequisite分成：

Internalize
Externalize
Ignore
Compress

160. Internalize

長期有價值。

161. Externalize

交給 AI。

162. Ignore

不影響目標。

163. Compress

保留決策影響，不保留 technical detail。

164. Long-Term Objective

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

subject to：

\boxed{ CEB\le CEB_u. }

165. Compiler and Learning Velocity

好的 TEACH可以提高：

v_C(u,t).

166. Compiler and Frontier Separation

如果 bridge有效：

\Delta_F^{agency}\downarrow.

167. Not Necessarily $\Delta_F$ Total

使用者不必追所有 frontier。

168. Goal-Relative Gap

真正：

\boxed{ \Delta_F^{goal} = F_{required}(Goal) - F_C(u,t). }

169. Compiler Objective Is Goal-Relative

只需要把：

\Delta_F^{goal}

壓到可達。

170. This Avoids Frontier Worship

不是每個人都要懂：

最新模型架構

171. Only What Matters for Their Goals

172. Compiler and Post-Work Society

未來如果人不工作，

Compiler仍有價值。

173. Life Goals Also Have Prerequisites

例如：

健康
財務
創作
旅行
關係

174. Productive Cognition Broadly Defined

不只經濟工作。

175. Agency Bridge

Compiler真正服務：

human reachable agency

176. Compiler and Elderly Users

可能：

大量 PROXY
少量高價值 choices

177. Compiler and Experts

可能：

少 proxy
更多直接 control

178. Same System, Different Compilation

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

179. This Is Personalized Cognition

不是只 personalized content。

180. Cognitive Compilation Profile

profile {
    teach_depth
    proxy_depth
    compression_ratio
    explanation_style
    decision_density
    verification_depth
}

181. Compiler and Language

不同語言 lexical transparency可影響：

TEACH cost

182. But Compiler Can Rephrase Structurally

不綁單一 vocabulary。

183. Semantic Re-Encoding

\boxed{ \text{Concept} \rightarrow User-Compatible Representation. }

184. Cognitive Decoder Adaptation

這和個人 internal decoder有關。

185. Compiler May Learn Decoder Style

例如：

更吃圖
更吃公式
更吃例子
更吃操作

186. But User Can Change

dynamic。

187. Compiler and Error Recovery

如果 TEACH失敗：

change representation

188. If Still Fails

可：

reclassify to PROXY/COMPRESS

如果 agency允許。

189. If Not Allowed

則：

BLOCKED

190. Blocked Is a Valid Result

不能假裝所有 cognitive gap都能消掉。

191. Honest Inaccessibility

AI可以說：

這個決策需要你理解到某程度，目前我們還沒到那裡。

192. That Is Better Than Fake Simplification

193. Compiler Error Taxonomy

最低：

GOAL_UNDERSPECIFIED
USER_STATE_UNCERTAIN
PREREQUISITE_UNKNOWN
PROXY_UNAVAILABLE
BYPASS_INVALID
COMPRESSION_UNSAFE
CEB_EXCEEDED
AGENCY_THRESHOLD_FAIL
RISK_THRESHOLD_FAIL
PREFERENCE_UNRESOLVED
BLOCKED

194. GOAL_UNDERSPECIFIED

需要高價值問題。

195. USER_STATE_UNCERTAIN

不知道使用者是否懂。

196. PREREQUISITE_UNKNOWN

AI自己也不知道完整依賴。

197. PROXY_UNAVAILABLE

AI能力不足。

198. BYPASS_INVALID

繞過會破壞 goal fidelity。

199. COMPRESSION_UNSAFE

壓縮會隱藏重要風險。

200. CEB_EXCEEDED

需要的 human cognition太多。

201. AGENCY_THRESHOLD_FAIL

太多自動化會剝奪 meaningful choice。

202. RISK_THRESHOLD_FAIL

風險不可接受。

203. PREFERENCE_UNRESOLVED

使用者偏好未知。

204. BLOCKED

目前沒有合法 path。

205. No Silent Degradation

不能：

原本要 informed choice
→ 因為太難
→ AI自己決定

206. Reversible Defaulting

只有低風險／可逆：

可以 default

207. Explicit Assumption

default時標：

assumption

208. User Can Override Later

209. Compiler and Reproducibility

同 user state / goal / policy：

應可解釋為什麼選TEACH/PROXY

210. Deterministic Core

至少 policy分類可 deterministic。

211. Learned Compiler

未來可用 AI學習：

最佳 operator selection

212. But Learned Output Must Pass Hard Constraints

agency
risk
authority

213. Compiler as Meta-Agent

它不一定自己執行所有事。

214. It Orchestrates

Tutor
Agent
Verifier
Planner
Renderer

215. Cognitive Gap Compiler vs Tutor

Tutor：

教你

Compiler：

決定哪些值得教、哪些不該教

216. Cognitive Gap Compiler vs Agent

Agent：

替你做

Compiler：

決定哪些該替你做、哪些不該替你做

217. Cognitive Gap Compiler vs Assistant

Assistant：

回應需求

Compiler：

重構需求到可達路徑

218. Cognitive Gap Compiler vs Recommendation System

推薦系統：

選內容

Compiler：

編譯 cognition + action path

219. Compiler and CTMA

未來 CTMA不同 tail model可以成為 backend。

220. TEACH Backend

Scaffolding/Teaching Tail

221. PROXY Backend

Execution Tail

222. VERIFY Backend

Verification Tail

223. COMPRESS Backend

Compression Tail

224. Preference Backend

Counterfactual / Integrative Tail

225. Compiler as Cognitive Router

這就接近：

\boxed{ \text{User Goal} \rightarrow \text{Cognitive Operator Routing}. }

226. Compiler and MACR

MACR可成為 runtime：

route tutor
route agent
route verifier
track state
preserve authority

227. Compiler and HDSRC/PNCW

未來 user model、world state、decision surface也可 projection-native。

228. But Paper 05 Stays Architecture-Level

不要求特定 implementation。

229. Minimal MVP

第一個 Cognitive Gap Compiler MVP可以只處理：

simple task graph
4 operator labels
CEB budget
agency-critical flags

230. MVP Input

goal
known nodes
unknown nodes
AI capabilities
CEB
risk

231. MVP Output

what user learns
what AI does
what is skipped
what is summarized
what user must decide

232. First Fixture

例如：

Build a simple personal website

233. User A

懂：

domain
hosting
Git

234. User B

完全不懂。

235. Compiler Should Produce Different Paths

236. Evaluation Metric — Human Node Count

\boxed{ N_H }

越少不一定越好，但可量。

237. Evaluation Metric — CEB Cost

\boxed{ C_H = \sum_{v\in G_H} Cost_u(v). }

238. Evaluation Metric — Agency Preservation

\boxed{ A_P. }

239. Evaluation Metric — Goal Success

\boxed{ G_S. }

240. Evaluation Metric — Future Reuse

\boxed{ R_F. }

241. Multi-Objective Score

不是單一最好。

需要 Pareto trade-off。

242. Example Objective

\boxed{ J = \alpha G_S + \beta A_P + \gamma R_F - \lambda C_H. }

243. No Universal Weights

不同 user / task不同。

244. User Preference Can Set Weights

我只想快點完成

我想學會

245. Completion Mode

偏：

PROXY
COMPRESS

246. Learning Mode

偏：

TEACH

247. Hybrid Mode

先做
後教

248. Audit Mode

AI做
人只看證據

249. Mode Can Change Mid-Task

250. Compiler Should Ask One Meta-Preference Early

例如：

這次你想「最快完成」、還是「順便學會」？

251. But Even That Can Be Inferred

若低風險，可以 default。

252. CEB-Aware Questions

問題數本身要有限。

253. Maximum Question Budget

\boxed{ Q_{budget}. }

254. High-Value Questions Only

255. Compiler and "Wish Mode"

最極端：

只說願望

256. Wish Mode

AI做：

intent reconstruction
preference elicitation
product generation

257. Wish Mode Is Legitimate

但它不等於：

generative ownership

258. Reproducibility Layer

如果 product重要，

AI應生成：

spec
constraints
tests
build recipe

259. This Preserves Exit Optionality

260. Wish-to-Spec Compilation

\boxed{ \text{Wish} \rightarrow \text{Executable Specification}. }

261. Product Generator Connection

Paper 08會延伸。

262. Compiler as Anti-Mong-Confused Mechanism

「朦逼態」的核心：

不知道下一步

Compiler要輸出：

下一步只需要做這件事

263. One Reachable Step

\boxed{ NextStep(u,T) }

264. Do Not Show Full Graph by Default

265. Progressive Expansion

需要時：

展開

266. This Is Cognitive Lazy Loading

可以稱：

\boxed{ \text{Cognitive Lazy Materialization}. }

267. Only Materialize What User Needs Now

268. Full Graph Remains Machine-Side

269. Human View Is a Projection

這和 projection-native思想一致。

270. User Does Not Need Canonical Internal Graph

只要可要求展開。

271. Expand-on-Demand

Why?
Show me more.
What are the risks?

272. Human Agency Through Inspectability

不必看到全部，

但有權深入。

273. Inspectability

\boxed{ \text{Compression} + \text{Inspectability} }

比純黑盒更好。

274. User-Controlled Expansion Depth

275. Cognitive Gap Compiler as Projection System

最終可以理解成：

\boxed{ \text{Complex Productive World} \rightarrow \text{User-Reachable Action Projection}. }

276. Compiler Does Not Need to Make User Equal to Expert

277. It Needs to Make the Goal Reachable

\boxed{ F_C(u,t) \rightarrow F_{required}(Goal). }

278. Goal-Relative Closure

一旦：

F_C^{compiled} \ge F_{required},

就夠。

279. Future Optionality Can Be Added Gradually

280. Paper 05 Main Claim

\boxed{ \text{The solution to cognitive gaps is not always more teaching; it is better compilation of human and machine cognition}. }

281. Second Main Claim

\boxed{ \text{Missing Prerequisite} \not\Rightarrow \text{Must Teach}. }

282. Third Main Claim

\boxed{ \text{Human Required Cognition should be minimized, not human agency}. }

283. Canonical Operator Set

TEACH
BYPASS
PROXY
COMPRESS

284. Canonical Compilation Formula

\boxed{ \mathcal G_P \rightarrow ( \mathcal G_H, \mathcal G_M, \mathcal G_B, \mathcal G_C ). }

285. Canonical Human Cost

\boxed{ C_H = \sum_{v\in \mathcal G_H} Cost_u(v). }

286. Canonical Optimization

\boxed{ \min C_H }

subject to：

\boxed{ Agency\ge A_{min}, \quad Understanding\ge U_{critical}, \quad Risk\le R_{max}. }

287. Canonical Question Selection

\boxed{ Q^* = \arg\max_Q \frac{ InformationGain(Q) }{ CEBCost(Q) }. }

288. Canonical Reachability

\boxed{ CompiledReachable(u,T) = 1 \iff C_H \le CEB_u. }

289. Canonical Ethical Boundary

\boxed{ \text{Minimize Required Cognition} \neq \text{Minimize Human Agency}. }

290. Paper 05 Non-Goals

本篇不宣稱：

所有 prerequisite都能被AI代理
所有人都能透過compiler到達任何目標
AI應替人做所有複雜決策
人類不需要學習
technical knowledge不重要

291. Hard Limits

某些目標本身需要：

長期訓練
身體技能
社會信任
法律資格
深度理解

不能只靠 compiler消掉。

292. Physical Constraints

也不能 bypass：

物理世界
時間
資源

293. Institutional Constraints

例如：

執照
法律
組織權限

仍然存在。

294. Cognitive Compiler Does Not Override Reality

295. But It Can Expose the True Blocker

如果卡的是：

法律資格

不要再教無關技術。

296. Blocker Localization

這本身就是巨大價值。

297. Future Research Questions

如何自動生成 prerequisite graph？
如何估計 user state？
如何估計 CEB？
如何判定 agency-critical node？
如何判定合法 BYPASS？
如何評估 PROXY trust？
如何量化 compression fidelity？
如何避免過度依賴？
如何最佳化 future optionality？
如何讓 compiler在大型 agent systems中作為 human escalation layer？

298. Connection to Paper 06

Paper 06 將處理：

compiler省下的 cognition

最後流向哪裡。

299. Ratchet Path

AI proxy低層
→ human學高層
→ future PED下降

300. Outsourcing Path

AI proxy低層
→ human不再內化
→ dependency提高

301. Compiler Is Neutral Between Them

它只能提供 option。

302. Human Preference Matters

303. Connection to Paper 07

如果某些人連 compiled path都不可達，

可能成為 post-work / non-participation機制。

304. Connection to Paper 08

高度客製化產品市場需要：

Wish-to-Spec
Preference Compression
Product Proxy

全部是 compiler能力。

305. Final Architecture Statement

未來 AI 普惠最重要的問題可能不是：

怎麼把每個人都教成 expert？

而是：

怎麼讓 expert-level productive systems，在不抹除人類選擇權的前提下，編譯成每個人可真正進入的行動空間？

306. Conclusion

當 prerequisite graph 越來越深，單純「把所有東西教會」會越來越不 scalable。

如果一個普通使用者只是想完成：

一個網站
一個旅行計畫
一個自動化
一個產品
一個財務目標

不應先要求他：

成為工程師
成為分析師
成為部署專家
成為AI研究員

才能開始行動。

同樣地，也不能因為 AI 足夠強，就把所有重要價值選擇偷偷移交給 AI。

Cognitive Gap Compiler 的核心就是處理這個中間地帶：

什麼值得人學？
什麼可以AI代理？
什麼可以被新架構繞過？
什麼複雜度應壓成少量 meaningful choice？

最後輸出的不是「完整知識」，也不是「完全黑盒自動化」。

而是一條：

\boxed{ \text{User-Reachable, Agency-Preserving, Goal-Effective Path}. }

如果未來 AI 真正能做到這一層，那麼「認知能力不均等」才不必直接轉化成「能否參與未來世界」的不平等。

Canonical Closing Formula

\boxed{ \text{Missing Prerequisite} \not\Rightarrow \text{Must Teach}. }

而是：

\boxed{ \text{TEACH} \;\cup\; \text{BYPASS} \;\cup\; \text{PROXY} \;\cup\; \text{COMPRESS}. }

最終：

\boxed{ \min \text{Human Required Cognition} }

subject to：

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