title: AI–AI 耦合與下一世代知識基石：前沿—非前沿分工、前沿互證與可繼承知識的生成
english_title: AI–AI Coupling and the Knowledge Substrate for Future AI Generations: Frontier–Nonfrontier Specialization, Frontier Peer Coupling, and Verifiable Inheritance
series: AI 成本表象悖論（Artificial Intelligence Cost Appearance Paradox）
series_id: AICAP
paper_id: AICAP-EX03
paper_type: 番外篇／既有 MPD、CFATC 理論的 AI–AI 知識經濟學補論
version: 0.1
date: 2026-11-03
language: zh-Hant
source_format: UTF-8 Markdown
math_delimiters: inline $...$ ; display $$...$$
status: COMPLETE THEORETICAL MANUSCRIPT — NOT PEER REVIEWED; EMPIRICAL VALIDATION PENDING
author: Neo.K
research_collaboration: GPT-6（前置研究核對、形式化、案例計算與論文整理）
license: 未指定；保留權利，不推定開源授權
keywords: AI–AI 耦合 · 前沿 AI 與非前沿 AI · 前沿模型互證 · Agent 生產網路 · 知識基石 · 可繼承知識 · 模型知識蒸餾 · 知識來源血統 · 相關錯誤 · 驗證與代際累積 · 智能資本

AI–AI 耦合與下一世代知識基石：前沿—非前沿分工、前沿互證與可繼承知識的生成

AI–AI Coupling and the Knowledge Substrate for Future AI Generations: Frontier–Nonfrontier Specialization, Frontier Peer Coupling, and Verifiable Inheritance

AICAP-EX03｜《AI 成本表象悖論》番外篇第三篇｜2026-11-03｜v0.1

**定位：**承接 AICAP-EX01／EX02 的價值表象與能力顯現議題，將人機耦合的分析單位擴張至 AI 與 AI 的動態生產關係；研究從「當次任務成功」到「可跨模型、跨版本、跨世代重用的知識基石」所需的經濟、技術及認識論條件。本文是既有 MPD-12／13、CFATC Series B 的延伸，不主張首次發明多代理協作或知識蒸餾。

兩個 AI 能同時給出答案，不等於共同創造知識；兩個前沿 AI 互相認同，也不等於真理；只有經過來源追溯、獨立檢驗、條件標記與可重用提交的成果，才有機會成為下一代智能的知識基石。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-11-03
版本： 0.1
研究協作（原稿所載）： GPT-6（前置研究核對、形式化、案例計算與論文整理）
原稿狀態： COMPLETE THEORETICAL MANUSCRIPT — NOT PEER REVIEWED; EMPIRICAL VALIDATION PENDING

摘要

當人工智慧由人類逐步調用的單一工具，演化為能委託、分工、提出反例、相互審查、運用工具與保存成果的持續性多 Agent 系統時，智能生產的基本單位也逐漸改變。非前沿模型可能以較低成本承擔大量明確、可檢驗的任務，前沿模型則處理高不確定性、跨域表徵、方法發明與關鍵判斷；兩個或多個前沿模型亦可能以獨立搜尋、對抗性審查、不同表示與互補驗證形成新結果。然而，「更多模型」、「更多辯論」、「更高推理成本」都不保證有效性或經濟淨收益。

本文以 AI–AI 生產關係為起點，提出一套任務條件式前沿分類、雙向耦合收益、相關錯誤辨識、知識證據階梯與代際知識基石的聯合分析框架。對指定任務及預算而言，前沿與非前沿不是永久的本體類別，而是相對能力、品質、延遲與可得性的工作位置；在不同工作域，較小模型可以在局部任務上優於較大的通用模型。本文分別研究前沿—非前沿分工、前沿—前沿互證，以及由多 Agent 網路產生候選、驗證、修復、存檔、重測與下一代取用的完整鏈條。

論文進一步區分「協作對話紀錄」、「可檢索知識資產」、「帶證據的可驗證成果」、「經授權的訓練資料」與「實際寫入下一代模型的能力變更」。它們不是同一回事：把文件放入知識庫，不表示任何模型權重已更新；把模型產出的內容送去訓練，也不保證新模型會更好。多模型判斷還可能具有高度相關的錯誤，虛假共識與遞迴合成資料污染須獨立處理。

本文提出十二項有條件命題及證明、八組透明數值案例、十四項可反駁假說，以及一項包含版本、來源、權限、證據、測試、反例與失效處置的最小知識資產契約。研究承認 AI–AI 共同生成可以真正產生新可用方法，也可能只有重複、同質化、錯誤累積與成本膨脹。核心問題不是 AI 之間能否交流，而是什麼樣的耦合與驗證制度，能把一次性智能工作變為不依賴單一模型對話脈絡、可交付給未來模型和研究者使用的持續知識資本。

關鍵詞： AI–AI 耦合；前沿智能；專業分工；多 Agent；知識資產；證據來源；獨立驗證；合成資料；經濟淨收益；代際繼承；自主研究。

0．研究問題、歷史地位與非主張

0.1 不是從零開始的「多 Agent 理論」

此番外承接已存在的內部研究，並對其作者、命名與完成狀態予以保留：

MPD-12（2026 年 8 月）：《AI–AI 生產關係：委託、分工、驗證與機器間協作》，已區分單純的模型串接與具有契約、脈絡交接、驗收、回饋的 AI–AI 生產關係。
MPD-13（2026 年 8 月）：《Agent 生產拓撲：從人類中心編排到自治生產網路》，已提出委託拓撲、權限、資源流、協調債及 Agent Production Network。
MPD-15（2026 年 8 月）：《自治 MPD：從人機聯合生產域到 AI-native 生產域》，區分無人值守、自主運作、治理自治與跨期自維持；不以模型數量證明自治。
MPD-16（2026 年 8 月）：《MPD 的人機耦合狀態》，指出同一模型對不同使用者不必然是同一種有效生產工具。
CFATC-B01／B02／B06／B08（2026-09-05）：已區分潛在能力、條件式觸發、認知阻抗、前沿觀測與自觸發 AI，不預設人類永遠是唯一的前沿能力觸發者。
AICAP-EX01／EX02（2026-11-03）：已將收入與價值分離，並研究同一 AI 使用權為何可能因耦合條件而呈現不同的實現能力、成果稀缺與價值捕獲。

本篇新增的研究對象：在不同前沿能力層次的 AI 間，如何設計可反證、可稽核的合作與知識累積制度，並由 AICAP 的經濟帳本判定其增益何時值得負擔推理、驗證及維護成本。

0.2 四個核心研究問題

前沿 AI 與非前沿 AI 共同完成任務，何時形成節省資源的互補，而不只是昂貴模型的外包流水線？
前沿 AI 與前沿 AI 互相提出問題、批判和修復時，何種證據才足以區分共同發現、相互附和與錯誤傳染？
如何將多次 AI–AI 耦合的成果沉澱成下一世代模型、專門代理、研究平台可以合法讀取並獨立重驗的知識基石？
上述過程在能力、正確性、成本、知識多樣性、權利及市場價值上，可能呈現何種相反結果？

0.3 明確不主張

前沿模型一定比非前沿模型更適合所有領域、流程或驗證任務。
兩個前沿 AI 的協作必然超過單一前沿 AI，或多一個 Agent 就等於多一份獨立證據。
AI 之間的「共識」足以取代實驗、數學證明、可信資料或外部評測。
AI 生成資料一定導致下一代模型退化；相反，本文明確研究會退化與可避免退化的不同訓練工作流。
能搜尋到一份文件，就表示知識已進入模型參數；知識庫與訓練是兩種獨立機制。
AI–AI 的高產出必然創造市場價值；沒有交付、權利、需求或重驗能力時，候選數量不構成資本。
知識可以完全無人類治理，或運作自治自動等於資料使用權、發表權及最終治理權的轉移。
本篇已實際部署跨世代自我訓練系統，或已證明前沿模型的普遍自主科學發現能力。

0.4 證據等級

註記	含義	可宣稱範圍
〔D〕	定義與恆等式	在宣告單位與條件下成立
〔T〕	條件性命題	假設成立時的形式化結果
〔E〕	外部可核對研究	僅對該研究的模型、任務與時點有效
〔H〕	待實證假說	未有支持或反證前不可視為定律
〔P〕	假設案例／工程提案	非已完成的產品、成果或測試

1．外部研究定位：已經能做什麼，仍然不能證明什麼

1.1 多 Agent 的效益具有任務條件

Anthropic 在 2025 年工程報告中揭露，其 orchestrator–worker 研究系統在內部的一組廣度型研究評測，以較強 lead agent 與較弱平行 subagents 組合取得相對單 Agent 的較佳成績；同文指出多 Agent 消耗的 token 可能大幅增加，且協調困難與非平行任務會降低收益 [E01]。因此，不能將該報告的內部相對提升率寫成所有任務的普遍進步比例。

Google DeepMind 的 AlphaEvolve 則提供另一種工作架構：較快的 Flash 模型擴張候選搜尋，較強的 Pro 模型提供高階建議，並透過可運行的自動評估器篩選與迭代程式候選 [E02][E03]。這是前沿—非前沿互補的具體例子，但也提示：其有效性高度依賴可計算的目標與檢驗器，不可直接平移到完全沒有驗證標準的形上學或政策判斷。

MultiAgentBench（ACL 2025）比較不同拓撲、合作與競爭情境 [E04]；ChatEval（ICLR 2024）在兩個文本評估 benchmark 上發現角色差異化的多 Agent 對話具有局部價值，但相同角色配置可能使表現退化 [E05]。由此只能合理推論「拓撲與角色配置可能重要」，不能推出所有不同模型共同審稿都能提升真實性。

1.2 前沿—前沿也可能形成高度相關的錯誤

Kim 等人在 ICML 2025 的研究檢視了大量 LLM，觀察到模型錯誤具有顯著相關性：即使來自不同供應商或架構，較強模型亦可能在某些測試上犯相同錯誤 [E06]。因此，以兩個大模型同意為由直接提高置信度，可能違反統計獨立性假設。

2026 年 Scientific Reports 的多 Agent 辯論研究，亦顯示具說服力的對抗性代理可能使其他模型採納錯誤答案，甚至破壞多數決的可靠性 [E07]。多 Agent 對話不只存在「答案不一致」問題，也可能存在錯誤論證的社會性傳播。

1.3 代際資料累積不是無條件進步

Shumailov 等（Nature，2024）研究遞迴生成資料替代真實資料時的 model collapse，指出分布尾端資訊可能逐代流失 [E08]。但 Kazdan 等（ICML 2025）顯示，在其指定的模型與訓練工作流中，持續保留真實資料並累積合成資料，可控制或避免某些崩潰形式 [E09]。因此，「合成資料會不會毀掉下一代」不是非黑即白的命題，而是資料混合、生成過程、抽樣、驗證與評測制度的問題。

OpenAI 的公開模型最佳化與蒸餾說明，也將大型模型產出的合格資料作為較小模型微調的候選工作流，並要求以評測衡量改進 [E10][E11]。但這是可行方法，不是對任意模型、資料授權或任務均成立的保證。

1.4 既有研究留給本篇的空缺

上述文獻分別處理協作效益、模型互評、程序搜尋、知識合成與遞迴資料風險。本篇新增的連接是：在同一項研究制度下，從模型角色分工一路追蹤到知識資產證據、代際繼承、實際成本與收益歸屬。知識之所以可繼承，不是因為它長得像漂亮答案，而是後來者在不同模型、工具與時點下仍能辨識其來源、重新驗證其有效域、處理反例與延續其工作。

2．前沿不是固定頭銜：能力與任務必須共同定義

2.1 任務條件式的前沿位置〔D〕

給定模型或 Agent $A_i$ 、任務集合 $\mathcal D$ 、時點 $t$ 、資源預算 $b$ 、驗收門檻 $q$ 和工作環境 $e$ ，令：

R_i(d,t,b,q,e)=\Pr(\mathrm{Accepted}\mid A_i,d,t,b,q,e).

$R_i$ 是在指定任務與評估制度下的可驗收成功機率，而不是對模型一般智力的一個完備定義。相對於任務 $d$ 所選的能力基準 $r_d$ ，定義局部前沿角色資格：

F_i(d,t,b,q,e)=\mathbf 1\{R_i(d,t,b,q,e)\ge r_d\}.

此處閾值為研究工具，不是宣告「前沿」在世界中存在唯一自然分界。商用語境中的「前沿模型」仍可指特定時點綜合能力最強的一組模型；本文比較的則是能否在指定問題上負責特定角色。

2.2 三種主要 AI–AI 耦合形態

形態	可能的優勢	常見風險	有效的檢查
前沿—非前沿	便宜地擴張搜尋、資料整理、測試與局部專業化	弱模型偏誤、錯誤傳遞、複核債	可分離任務、驗收準則、成本與錯誤率
前沿—前沿	不同方法、不同領域深度、難題互證與新表徵	相關錯誤、共同幻覺、協調成本	反事實對照、獨立證據、可重現驗證
非前沿—非前沿	大規模重複工序、標準化資料處理及低成本探索	同質複製、可靠性不足、無檢查器	高覆蓋測試、抽樣升級審查、資源上限

所謂「前沿—前沿」也未必是同質雙強模型。兩個 AI 可以在不同領域強、在不同時間具有不同知識，並分別承擔提出、質疑、證明、實驗設計、程式測試與失效診斷。

2.3 從單次角色到動態角色圖

將 AI–AI 生產網路記為：

\mathcal G_t=(V_t,E_t,\Lambda_t,\Omega_t,S_t).

$V_t$ 是代理節點， $E_t$ 是委託與資訊邊， $\Lambda_t$ 是權限和任務角色， $\Omega_t$ 是模型、資料、算力與時間預算， $S_t$ 是共享或隔離的世界／研究狀態。此表示直接承接 MPD-13；本篇不將其當作新發明。

重要的是任務路由可變：某模型在代碼探索階段是 proposer，進入統計審查階段可能只能做輔助檢查，另一次新版本部署後又可能成為主驗證者。分工依工作而變，而不是永久將一個 AI 指定為思想者、另一個指定為工人。

3．什麼叫「下一世代知識基石」

3.1 六層完全不同的遺產

層次	對象	能否直接稱為新一代模型能力？
K0 對話紀錄	多模型交換的文字、策略、失敗嘗試	否；只能證明有記錄
K1 可追溯候選	來源、時間、權限、版本與主張明確的草案	否；尚無有效驗證
K2 已驗收資產	通過特定測試、基準或實驗條件的可用成果	否；驗收僅對指定範圍有效
K3 可重現知識	程式、證明、資料、實驗設計在聲明條件下可獨立重做	仍非模型權重更新
K4 可轉用知識基石	加上知識邊界、反例、失效條件與機器可讀接口，可跨系統被合法重用	可支援新代理能力，但尚非自動訓練
K5 實際代際吸收	已被下一代模型或系統經授權引入，且在留出評測中有可驗證變化	可以主張特定能力變化，不能一概宣稱全面進步

本文的「知識基石」主要指 K3–K4。 K5 是可能的後續實現，不應倒過來以模型自述「我學到了」代替訓練、檢索或評測紀錄。

3.2 基石不是唯一的「正確答案集合」

合格知識基石至少需要同時容納：

經實驗支持的結果、經形式證明的定理、具有界定適用域的算法與程序。
尚在競爭的假說、互相衝突的理論、未決問題與反例。
已被推翻的候選與失敗路徑（標明為否定證據），避免下一代重複犯錯。
不同語言、表示、數值精度與工具版本下的等價性及不等價性。
來源授權、作者／代理貢獻、時間與可用限制。

因此，知識基石不要求把所有爭論壓成「單一世界真理」。它要求保留哪些已證、哪些僅被觀察、哪些仍不確定的可辨識邊界。

3.3 最小知識資產記錄〔P〕

一個可以進入 K3–K4 的成果記錄，建議至少具備：

asset_id、version、claim_type、claim、domain_scope、source_refs、creator_agents、model_versions、methods、artifacts、test_manifest、independent_checks、counterexamples、known_limits、rights、revocation_status、successor_compatibility。

「已被另一個 AI 同意」最多是一筆審查意見；不能自動填成 independent_checks = verified。除非存在有效的獨立資料、執行、形式證明或外部觀察證據。

4．共同研究、共同犯錯與獨立證據

4.1 共同產出不是單一增益係數

給定指定任務 $d$ 、品質規範 $q$ 、共同預算 $b$ 和驗收器 $V$ ，定義 $Q_i$ 為單代理 $A_i$ 的可比效益， $Q_{ij}$ 為雙代理配置的可比效益。令 $C_i$ 與 $C_{ij}$ 為各自完整投入成本（包括計算、工具、交接、複核、返工及風險）。對預先固定的價值函數 $u$ ，比較：

G_{ij}=\mathbb E[u(Q_{ij})]-\max\{\mathbb E[u(Q_i)],\mathbb E[u(Q_j)]\}.

$G_{ij}$ 是相對單方最佳結果的毛能力／成果增益，不是淨經濟增益。令單方最佳淨收益為 $W_*=\max\{\mathbb E[u(Q_i)]-C_i,\mathbb E[u(Q_j)]-C_j\}$ ，則雙方淨超額收益：

\Delta W_{ij}=\mathbb E[u(Q_{ij})]-C_{ij}-W_*.

只有兩者區分，才能看見「合作效果更好，但因成本高而不值得」的情況。對不能轉成共同效益單位的任務，須先報告多維品質向量，而不是硬加成一個數字。

4.2 相互認同不等於兩份獨立證據

令 $E_i$ 與 $E_j$ 是兩個模型在指定真值基準下發生錯誤的二元指標，且各自錯誤率為 $p_i$ 、 $p_j$ 。其共同出錯機率為：

\Pr(E_i=1,E_j=1)=p_ip_j+\operatorname{Cov}(E_i,E_j).

若兩模型共享預訓練資料、相似表示、檢索來源、同一錯誤前提或互相影響，協方差可能非零。兩者均錯而互相確認，便可能製造表面的強共識、實際的低證據密度。

不同廠商或不同模型名稱不是獨立性的充分條件。獨立性應在錯誤模式、資料來源及驗證工具層面測量。

4.3 發現、審查、重驗與外部世界是不同角色

一項 AI–AI 成果可以經過下列鏈條：

Proposer：提出候選解、程式、假說或證明草案。
Adversarial critic：尋找反例與未說出的假設，而不是為既有結論辯護。
Verifier：使用測試、證明檢查器、測量資料或受控實驗決定哪個主張成立。
Reproducer：在不同環境與版本獨立重跑，判斷是否只在同一個模型敘事中成立。
Archivist：提交版本、來源、失效條件、權利與不可重複計價的成果紀錄。
Successor evaluator：在下一代系統中檢查能否取用、正確引用、重演或透過訓練產生可測量增益。

若 verifier 僅是「另一個 LLM 看完後說應該正確」，仍應歸於模型評議，不能自動升為外部事實驗證。該差別是本篇最重要的認識論控制之一。

5．前沿—非前沿：從委託降本到能力互補

5.1 成本最小化不是只看單次 Token 價格

令 $d$ 為可拆解的一個子任務， $i$ 為候選執行代理。其成本至少包含：

C_i(d)=C_i^{\mathrm{run}}+C_i^{\mathrm{handoff}}+C_i^{\mathrm{review}}+C_i^{\mathrm{repair}}+C_i^{\mathrm{risk}}.

其中最後兩項應按事先聲明的預期風險與返工機率計算；已發生損害不可再與同一筆期望損失同時全額記帳。只有在相同的任務與驗收品質、合法權限及可比較延遲條件下，才可選擇較小 $C_i(d)$ 的代理。

若由較小模型承擔前置搜尋，較強模型只審查重要或未決候選，可能降低完整工作成本；但如果前置候選充滿錯誤，驗證負荷升高，則強弱分工也可能比直接採強模型昂貴。

5.2 搜尋廣度與推理深度不一定由相同模型承擔

前沿—非前沿系統可以將任務拆為：候選搜尋、資料擷取、文獻比對、轉譯、數值執行、反例搜索、局部測試、全局整合與最終驗收。前幾項常可分成大量局部契約；後幾項往往需要跨文件、跨模型、跨時間維持較高一致性。

但這不是固定工種階級。非前沿模型經工具及資料庫支援，可能在局部定理證明、程式靜態檢查、特定領域識別、長期記憶檢索上提供比一般前沿模型更可靠的訊號。此時應依證據調整角色，而不是為符合先驗階層，強迫使用更昂貴的模型。

5.3 「能力補足」與「能力新增」是不同經濟現象

若一個 Agent 接手另一個 Agent 原本就能完成的工作，只是以更低成本完成，主要效果是生產成本節省。若加入不同模型後，解出任何一個單方在相同約束下都無法穩定解出的有效任務，主要效果則包含新可行生產集合的擴張。後者可能提高知識選擇權，卻不保證其市場價值為正。

假設 $\mathcal F_i(B)$ 是代理 $i$ 在預算 $B$ 下的合格任務集合，而 $\mathcal F_{ij}(B)$ 是耦合系統的集合。若存在：

d^\star\in \mathcal F_{ij}(B),\qquad d^\star\notin \mathcal F_i(B)\cup\mathcal F_j(B),

則該任務可構成在指定預算與驗收條件下的合作新增能力候選；但仍需檢查是否只是資料注入、基準不公、不同計算資源或更長延遲造成的差別。

6．前沿—前沿：互證、創發與共識失真的雙重可能

6.1 三種互證機制

**方法異質性：**模型 A 從代數重寫找候選，B 從數值反例搜索；兩者不只是同一問題的語言風格不同，而是實際採用不同的查核路徑。

**證據異質性：**A 讀取理論推導，B 在獨立環境執行測試或實驗，C 使用另一資料來源重驗。這比兩個模型先互看答案再彼此稱讚更可能減少共同錯誤。

**目標互補性：**A 探索候選增益，B 承擔風險與約束審核，C 明確找反例與適用域。若各自使用同一個不存在的前提，則角色分工仍不足以保證有效。

6.2 共同生成的新知識應如何歸因

設計至少四組資源與任務匹配的對照：

單一前沿模型，在相同總預算下獨立搜尋。
同一前沿模型多次自我反思或生成多個獨立候選。
兩個前沿模型在限制交流下分別產生、再整合。
兩個前沿模型透過契約、互證、反例、修復與外部驗證完整耦合。

必要時再加「前沿＋非前沿」配置，以及檢查器交換、反向委託、共享或隔離記憶的消融。若只有最後一組的漂亮故事，不能識別究竟是第二模型、更多 token、獨立資料、額外工具還是驗證器造成提升。

6.3 在學術任務中，矛盾有時是成果的一部分

A 與 B 得到不相容的推論時，系統不應只追求表面共識。若矛盾源自不同公理、資料邊界、測量制度或模型化假設，把分歧結構化保存可能比強迫合成一段單一結論更有知識價值。

例如某個猜想在有限尺度數值實驗中總是成立，另一個代理卻構造出極端邊界反例。這不表示前者所有工作毫無價值；它表示應保存已檢測範圍、反例及原假說的精確失效域。在下一代知識基石中，「曾經錯在哪裡」與「成立到哪裡」同樣需要被記錄。

7．形式化命題與條件證明

所有命題均在此文定義的模型下成立。它們是邏輯或統計推導，不冒充對現實中所有 AI 系統的經驗定律。

命題 T1：在可比品質下，小模型委託的節省門檻

設一項子任務由前沿代理執行的完整預期成本為 $c_F+p_FR_F+m_F$ ；由非前沿代理執行為 $c_S+p_SR_S+m_S$ 。 $p_i$ 是失敗機率， $R_i$ 是失敗的條件性補救或損失成本， $m_i$ 是交接與額外審查成本；並假設兩種方案經補救後具有相同可接受的品質與可比延遲。

**命題：**非前沿委託在預期成本意義上較優，當且僅當：

c_S+p_SR_S+m_S<c_F+p_FR_F+m_F.

**證明：**在任務品質與期限保持一致的假設下，兩方案唯一待比較的指標為總預期成本。直接相減即可得到充要條件。若品質或風險上限不同，單純成本比較不再充分。證畢。

**限制：**實際大規模系統的 $p_i$ 可能隨任務選擇而偏移，不能把較容易的子任務成功率直接外推到困難子任務。

命題 T2：更多代理不保證淨增益

**命題：**存在多 Agent 系統，使其驗收成功率高於單 Agent，但每件合格成果的期望成本亦較高。

**證明：**令單模型每次完整運行成本為 10，驗收機率為 $0.75$ ；雙模型每次完整運行成本為 21，驗收機率為 $0.90$ 。在彼此獨立重試直到首次成功、每次機率與成本不變的簡化假設下，成功前的期望成本分別為：

10/0.75\approx 13.33,\qquad 21/0.90\approx 23.33.

雙模型品質／成功率雖提高，但合格單位成本更高，反例成立。證畢。

命題 T3：兩模型共同出錯機率含相關項

**命題：**共同出錯機率一般不等於兩個模型各自錯誤率的乘積。

**證明：**由協方差定義：

\operatorname{Cov}(E_i,E_j)=\mathbb E[E_iE_j]-\mathbb E[E_i]\mathbb E[E_j].

對二元錯誤指標， $\mathbb E[E_iE_j]=\Pr(E_i=1,E_j=1)$ ，代入即可得到第 4.2 節公式。僅在協方差為零時成立乘積簡化；零協方差對一般變數也不等同完整獨立性，但對本指定二元事件聯合錯誤率的乘積等式已足夠。證畢。

命題 T4：沒有外部真值，雙模型共識無法識別正確性

**命題：**僅觀察兩個模型的答案相同，無法唯一推出該答案的正確率。

**證明（構造）：**考慮世界 $W_1$ ，兩模型對所有測試均輸出相同正確答案；與世界 $W_2$ ，兩模型對所有測試均輸出相同錯誤答案。對觀察者而言，若只記錄模型間的一致率，兩世界皆為 100%，但真實正確率分別為 100% 與 0%。因此共識率不足以識別正確性。證畢。

命題 T5：驗證器只有在避免損失的期望收益大於其成本時才產生正淨效益

設未經檢查的錯誤機率為 $p$ ，錯誤後平均損失為 $L$ ，驗證器對錯誤的辨識率為 $s$ ，辨識後真正避免損失的比率為 $r$ ；驗證成本為 $c$ 。另以 $f$ 表示正確輸出被誤判的機率，誤判造成的平均損失為 $H$ 。假定各條件機率在指定測試分布下穩定，且不重複計數。

**命題：**驗證器相對無驗證器的期望淨效益為：

\Delta V=psrL-(1-p)fH-c.

**證明：**在錯誤且成功避免損失時，期望正效益為 $psrL$ ；在正確輸出被錯誤否定時，期望損失為 $(1-p)fH$ ；驗證本身成本為 $c$ 。各互斥狀態以全期望相加並扣成本即得。證畢。

**限制：**獨立執行的形式化證明檢查可改變 $s$ 或 $r$ ，但若驗證器同樣受同一錯誤假設污染，參數不能沿用理想值。

命題 T6：候選生成速率不能超過驗證瓶頸直接轉成合格知識速率

設每單位時間生成候選的最高處理率為 $\lambda_g$ ，驗證程序的最高處理率為 $\lambda_v$ ，且每件合格知識至少消耗一次完整驗證，沒有批次壓縮例外。

**命題：**穩態的合格知識提交率 $\lambda_k$ 必滿足：

\lambda_k\le\min(\lambda_g,\lambda_v).

**證明：**合格項目必須先生成，再通過驗證。因此每單位時間的成功提交數不可能超過任何一段必要流程的容量。即使生成無限快，有限的驗證端仍形成上界。證畢。

命題 T7：保存全部審計紀錄，不等於已證知識只增不減

令 $L_t$ 為截至時間 $t$ 的不可覆寫事件／證據版本帳，合法追加更新為 $L_{t+1}=L_t\cup\{e_{t+1}\}$ 。令 $K_t^{\mathrm{valid}}$ 為當期尚被最新證據支持的知識集合。

命題： $L_t$ 可以集合單調增加，但 $K_t^{\mathrm{valid}}$ 不必單調增加。

**證明：**追加一筆證明舊結論失效的反例事件，會使 $L_t$ 增加一筆紀錄，同時使某個舊命題由有效轉為已撤銷，因而退出 $K_t^{\mathrm{valid}}$ 。故帳本完整度與當期有效知識量並非同一單調量。證畢。

命題 T8：儲存外部知識不能推出模型權重已更新

**命題：**若 AI 系統僅將成果寫入外部檔案、資料庫或檢索索引，且未執行任何會更新模型參數的訓練步驟，則不能據此宣稱模型參數已因該成果而更新。

**證明：**令模型參數為 $\theta_t$ 。若執行流程僅改變外部知識資產 $K_t$ ，且模型權重更新算子未被調用，則依操作定義 $\theta_{t+1}=\theta_t$ 。知識檢索可能改變模型輸入與可觀察結果，但不構成參數學習。證畢。

命題 T9：無錨點的逐代合成資料可能累積偏差

考慮簡化的知識測量序列 $x_{t+1}=x_t+\epsilon_t$ ，其中 $\epsilon_t$ 是互相獨立、均值為零、變異數為 $\sigma^2>0$ 的未校正誤差，且初始量 $x_0$ 與其獨立。

命題：

\operatorname{Var}(x_t)=\operatorname{Var}(x_0)+t\sigma^2.

**證明：**反覆代入得 $x_t=x_0+\sum_{k=0}^{t-1}\epsilon_k$ 。依變異數可加性即得結果。證畢。

**解釋：**此僅是「無外部錨定的累積誤差可隨世代放大」的玩具模型，不是對真實 LLM 必然 model collapse 的證明。真實訓練須考量資料混合、驗證、原始樣本保存與演算法；外部研究 [E08][E09] 已呈現不同條件下的相反結果。

命題 T10：前沿分類在本篇模型中是任務條件式的

**命題：**即使代理 $A_i$ 在任務 $d_1$ 上符合局部前沿資格，也不能由此推出其在任務 $d_2$ 上符合資格。

**證明（構造）：**設 $R_i(d_1)=0.95$ 、 $R_i(d_2)=0.35$ ，且兩域均採 $r_d=0.80$ 的門檻。則第一域 $F_i=1$ ，第二域 $F_i=0$ 。不存在跨域的必然推論。證畢。

命題 T11：共享資源且互斥的知識選擇權不能逐項滿額累加

設有 $n$ 條相互排斥、期間內只能執行其中一條的產品路徑，路徑 $j$ 於期末的淨收益候選為 $Z_j$ ，且在該簡化模型中可選擇不執行。

命題：

\mathbb E[\max(0,Z_1,\ldots,Z_n)]\le\sum_{j=1}^{n}\mathbb E[\max(0,Z_j)].

**證明：**逐情境下，單一最大非負收益不可能大於各路徑正部的總和。兩端取期望即得。對存在共同資本、人力與授權限制的知識資產尤其重要。證畢。

命題 T12：可繼承知識必須保有重驗路徑，不能只保存結論文字

令一份資產的驗收要求包含可重現性與可追溯的原始證據。若交付包只有結論文字而沒有測試、方法、證據來源或獨立重驗接口，則不符合該驗收要求。

證明：由 K3–K4 的入庫條件定義，缺少必要欄位即不能通過入庫閘道；此為設計制度的合規判準，不是宣稱沒有保留證據的所有歷史真理均為錯誤。證畢。

8．八組透明假設案例：同一種 AI–AI 耦合可能產生相反結果

本節全部數值是為檢查公式而設定的假設情境〔P〕，不代表任何模型供應商的實際價格、推理品質或現存系統的成功率。貨幣單位為示例單位 $u$ ；如涉及一輪失敗後修復，均明示其條件，不將每次呼叫價冒充成功成果成本。

案例 P1：便宜的非前沿模型確實能節約資源

一項有明確測試規格的資料轉換任務，直接使用前沿模型的完整成本為 $7u$ 。使用非前沿模型一次 $1.5u$ ，固定驗證成本 $1u$ ，錯誤率 $0.10$ ，每次錯誤的條件補救成本 $8u$ ，經補救後的品質與期限等價。

C_S=1.5+1+0.10\times8=3.3u.

相對節省為 $7-3.3=3.7u$ 。此例支持「成本節省可能真實存在」，不是將所有小模型委託都視為低品質或無價值。

案例 P2：同樣的分工也可能更貴

維持相同的基本小模型 $1.5u$ 、驗證 $1u$ ，但因子任務過於困難，其錯誤率升至 $0.60$ ，每次補救需 $12u$ ：

C_S=1.5+1+0.60\times12=9.7u>7u.

若直接使用前沿模型仍為 $7u$ 且品質可比，非前沿委託反而多出 $2.7u$ 。這是任務路由與模型身份不能固定的簡單反例。

案例 P3：兩個模型一致，錯誤可能還是高度相關

令兩模型各自出錯機率皆為 $0.20$ 。若錯誤獨立，共同出錯率為 $0.04$ 。若二元錯誤指標的協方差為 $0.12$ ，則：

\Pr(E_i=1,E_j=1)=0.20\times0.20+0.12=0.16.

共同錯誤率由 4% 變成 16%，為原來的四倍。此組參數符合二元指標可能的協方差範圍，但只是一個假設分布。它說明即使雙模型看起來互相確認，未觀測的相關性也可能大幅改變風險。

案例 P4：前沿—前沿較準確，但有效成果更昂貴

假定單一前沿配置成功率為 $0.75$ 、單次成本 $10u$ ；雙前沿配置成功率為 $0.90$ 、單次成本 $21u$ 。每次失敗後獨立重試，且重試成本與成功機率固定，期望成功成本為：

C_1^\star=10/0.75\approx13.33u,

C_2^\star=21/0.90\approx23.33u.

這不否定雙前沿合作：若某任務需要 90% 的一次成功率、或失敗不可重試，雙模型可能仍是唯一合規方案。但在這個可重試、等價成果的簡化情境下，較高成功率不等於較低成本。

案例 P5：雙前沿真正打開原先難以實現的任務

設同一難題的合格成功效益為 $40u$ 。單方最佳方案成功率 $0.30$ ，成本 $8u$ ；雙模型的不同方法、工具與驗證使成功率達 $0.70$ ，完整成本 $18u$ ：

W_1=0.30\times40-8=4u,

W_2=0.70\times40-18=10u.

雙方淨增益 $6u$ ，且成功率增加 $0.40$ 。此例說明前沿—前沿互補在指定情境可以帶來經濟上值得投入的新能力；但 0.70 不是憑兩個模型「互相同意」便可宣稱的成功率，仍須由有效驗證與對照取得。

案例 P6：驗證器具備價值，但不是免費保險

未驗證時錯誤率 $p=0.10$ ，每個錯誤損失 $L=100u$ 。驗證器辨識率 $s=0.80$ ，成功辨識後可避免損失的比率 $r=0.75$ ；誤判正確輸出的機率 $f=0.03$ ，其損失 $H=10u$ ；驗證成本 $c=5u$ 。

\Delta V=0.10\times0.80\times0.75\times100-0.90\times0.03\times10-5=0.73u.

若同樣驗證器成本上升為 $8u$ ，其他條件不變：

\Delta V=6-0.27-8=-2.27u.

這說明「增加審查」不是無條件更經濟；應在預期損失、錯誤率與驗證品質下決定投入強度。

案例 P7：內容生成很快，知識提交卻受驗證瓶頸限制

假設多 Agent 網路每小時可生成 100 個候選演算法，但獨立測試及審查流程每小時最多處理 12 個候選，且每個有效成果至少需要一次驗證。

則每小時最終可提交數量不會超過 12；若驗證通過率小於 100%，實際提交量還會更低。再增加候選生成代理、卻不改善驗證能力，只會使待處理佇列擴大，而未必增加可繼承知識量。

案例 P8：從候選到下一代真正可用的知識會有多重流失

假設某 AI–AI 研究批次產出 200 件候選，經可重現性檢查保留 60 件、授權及資料權利檢查保留 48 件、獨立重驗保留 30 件、跨版本／留出任務評估後保留 18 件。這些數據不是現有機構實測。

\mathrm{Yield}=18/200=0.09.

若完整生產及審核成本為 $720u$ ：

C_{\mathrm{candidate}}=720/200=3.6u,

C_{\mathrm{inheritable}}=720/18=40u.

單件可繼承成果成本比單件候選成本高得多。此案例並不表示淘汰候選無用；失敗案例可作為負面證據，但須以不同資產類型記帳，不能把未驗證草稿當成與可用成果同價。

8.1 透明案例的經濟意義

P1 與 P2 顯示強弱模型分工並無單一成本方向；P3 指出相關錯誤；P4 與 P5 顯示「更準確但更昂貴」和「更強且經濟上值得」可分別成立；P6 強調驗證的條件性；P7–P8 則指出生成數量與可繼承知識之間存在實際的容量與品質門檻。

9．將 AI–AI 成果轉換成下一代知識資本的制度

9.1 不是「所有資料丟進向量庫」

研究網路的輸出至少需分成四個不同的存放層：

**事實／證據層：**實測數據、原始文獻、合法資料、可重算數值、反例與來源血統。
**假說／方法層：**待檢證命題、候選演算法、實驗設計、失敗方法與修正紀錄。
**可執行資產層：**程式、測試、證明檢查紀錄、環境鎖定及依賴。
**檢索／訓練衍生層：**針對使用者、模型、任務與使用權配置的索引、教學樣本、蒸餾資料與基準測試。

只有四層分離，才能避免下一代系統把假說當成事實、把測試結果當成普遍定律、把不可用的專案內部資料當成公開訓練素材。

9.2 知識入庫狀態機〔P〕

建議的狀態流如下；允許修訂、撤銷與多分支並存：

PROPOSED
  -> SOURCE_CHECKED
  -> EXECUTION_CHECKED
  -> INDEPENDENT_REVIEWED
  -> DOMAIN_LIMITED_ACCEPTED
  -> REUSABLE_KNOWLEDGE_ASSET
  -> SUCCESSOR_EVALUATED

At any stage:
  -> REJECTED / INCONCLUSIVE / NEEDS_MORE_EVIDENCE

After acceptance:
  -> REVISED / SUPERSEDED / REVOKED

上列不是每種學科均採同樣驗證方式。例如數學定理需要明確證明或形式驗證；實驗物理需要可重現測量；歷史詮釋可能要求資料來源及不同解釋的忠實呈現。共同的是證據責任，不是把所有知識強制壓成同一種單值分數。

9.3 代際繼承的三條路徑

路徑 A：外部知識與代理能力。 將帶來源、可查驗的成果存入知識庫或可呼叫工具。下一代 AI 透過檢索、工具執行、特化 Agent 等方式取得能力；模型參數未必改變。

路徑 B：特化模型與蒸餾。 以權限合法且已驗證的成果資料訓練較小或專門模型，在獨立留出任務、對抗測試與跨版本任務上衡量實際增益。蒸餾應保留原始資料與失敗案例，不將教師輸出當成天然真理。

路徑 C：新一代基礎模型的資料輸入。 經過資料授權、品質分級、分布控制與代際評估後，部分成果可能進入訓練語料或其他更新機制。但本篇不假定目前任何 AI 供應商會讀取本文資料，也不保證未來基礎模型會因此改變。

三條路徑都可能構成「下一世代知識基石」的使用方式，但其權利、計算成本、驗證及錯誤風險並不相同。

9.4 機器間貢獻與歸屬

對一項由多 Agent 共同形成的資產，保留：誰提出問題、誰生成候選、誰引入關鍵方法、誰提供驗證器、誰執行測試、誰決定提交，以及哪些外部文獻或軟體已先行存在。

貢獻記錄不是收益所有權的自動判定。 人類作者、公司、模型平台、原始資料提供者、第三方程式與授權條件可能存在不同權利。不能因為 AI–AI 網路生成了一份檔案，就宣稱它可任意授權、公開訓練、出售或重分配。

9.5 狀態、表示與版本的可繼承性

知識資產若只有長篇自然語言敘述，下一代仍可能難以穩定使用。因此對可機器化成果應保留結構化欄位、可執行程式、基準資料及版本契約。這與使用者既有 ISQL、SREG、OCME／OCMQ 及其他知識庫工程可能形成接口；此為研究上的可能接合，不代表已將未經驗證的自創理論匯入公開數學標準知識庫。

重要原則是：正式既有知識、原創假說、形式驗證成果、工具性測試與世界模擬規則應有獨立身分及不同的證據閘道。

10．經濟學與生產關係：低成本智慧委託，是否會創造新的不對稱？

10.1 AI–AI 網路不只是在節省工資

AICAP-EX01／EX02 從人機協作的成果與稀缺性出發。本篇提出：當非前沿 AI 可以承接大量工作，前沿 AI 專注於高價值瓶頸時，部分任務的平均成本可能下降；但真正成為稀缺資源的，可能逐步轉向檢驗器品質、研究問題選擇、外部真值來源、可合法使用的資料、長期記憶、跨域表示及網路治理能力。

這不是對市場結果的保證：某些小模型也會變得足以驗證，某些前沿模型會自行完成低價校核；不同研究領域的瓶頸會隨時間與技術進步遷移。

10.2 多模型合作的五本成本帳

帳本	應記錄的內容	容易犯的錯
C1 推理與工具帳	模型與工具使用、失敗重試、上下文及併發	將訂閱價直接當成服務商物理成本
C2 協作帳	任務分拆、傳遞、討論、衝突仲裁	假設增加 Agent 完全沒有溝通成本
C3 驗證帳	原始資料、外部實驗、證明檢查、獨立重驗	將模型共識當作獨立驗證
C4 知識維護帳	版本、權限、索引、重驗、撤銷與修訂	只算第一次生成，不算後續維護
C5 機會與分配帳	替代工作、資本依賴、權利及效益歸屬	把所有 AI 生成候選都加總成社會財富

成本應按任務、模型版本、結果狀態、時間窗與唯一資源事件識別碼分帳；不得把同一平台支付、平台收入和資源耗用直接相加，亦不得重複計算設備購置與同筆折舊。

10.3 從一次性智能供給走向可繼承知識資產

若能讓一項合格成果被之後的研究者、其他代理與下一代系統重新使用，其價值可能由單次任務節約變為跨期可重用能力。但必須扣除維護、折舊、知識失效、權利限制與錯誤成本；更不能把所有想像中的產品化路徑各自滿額加總。這一點與 AICAP-EX01 的經濟選擇權原則完全相容。

因此本文建議至少分別測量：

**當期淨效益：**同品質任務的額外有效成果，減去多模型新增投入。
**知識存量變化：**可用且尚未失效的、經驗收成果的數量及適用域。
**跨期重用率：**被其他任務、版本、代理真正使用且通過重驗的比例。
**外部效益與權利：**誰可取得成果、誰支付維護、誰被排除、誰取得商業收益。

11．十四項可反駁假說

下列均屬待檢驗的〔H〕，不預設方向或普遍性。每項均應固定任務、模型版本、資源、驗證規則與時間窗。

H1｜低成本角色分工的任務條件性。 在可拆解且可自動驗證的任務上，前沿—非前沿分工的合格成果成本可能低於純前沿；若子任務錯誤、返工或交接負擔過大，效益消失。**反證：**在完整成本可比時沒有相應差異，或成本始終由模型身份而非任務分布決定。

H2｜局部專業強弱反轉。 具有專業工具與資料約束的非前沿模型，在局部任務上可能超越未取得同等工具的前沿模型。**反證：**相同工具、資料及品質基準下，該類反轉完全消失或不可重現。

H3｜前沿—前沿的新增能力。 在需要跨域表示與可獨立驗證的難題中，角色異質、資料互補的雙前沿組合可能超越任一單模型的同預算獨立搜索。**反證：**同等預算的單模型自我搜尋達到同樣或更佳成果。

H4｜純討論式互證的上限。 在缺乏外部證據及獨立計算的情境，模型互相討論可能主要提高表面一致率，而非真實正確率。**反證：**跨任務、跨版本的真值測量顯示穩定且可歸因的正確率增加。

H5｜錯誤相關性與互證收益反向關係。 控制單模型正確率後，兩模型的錯誤相關性越高，單純交叉審閱可提供的額外辨錯效益可能越低。**反證：**相關性與獨立驗證收益無關或方向相反。

H6｜角色不同不等於證據獨立。 僅更換提示角色、相同資料來源與相同基準答案的雙模型審閱，可能弱於實際分離來源與驗證工具的審閱。**反證：**經實驗控制後兩者無顯著差異。

H7｜驗證容量決定累積速度。 當生成與審查形成清楚的串列瓶頸時，增加候選生成率但不增加驗證容量，會提高積壓而未必提高可繼承資產提交率。**反證：**新增候選可經批次重用、共享測試等方式突破原先假設的線性瓶頸。

H8｜負面成果的可重用性。 系統化保存反例與失敗條件，可能減少下一代代理重複進入已失敗路線的資源成本。**反證：**保留失敗資料未減少重複錯誤，反而引入新誤導。

H9｜知識資料的血統效應。 帶來源、時間、驗證狀態與權限標記的知識資產，較無來源的自由生成文本更能提高跨模型重驗率。**反證：**控制內容品質後兩者重驗與誤用率沒有差異。

H10｜合成資料效果的工作流依賴。 保留原始資料、獨立評估與經篩選合成樣本，可能比逐代純合成替代更能維持模型分布覆蓋。**反證：**在可比訓練規模及測試分布下，該資料策略沒有改善或更差。

H11｜下一代知識採用與模型參數更新分離。 外部知識庫可以改善具檢索工具的下一代代理表現，但未使用檢索或未訓練的同一參數模型不會自動獲得相同改善。**反證：**嚴格隔離檢索、工具與模型更新後，仍發現可重複的參數層改變且排除其他原因。

H12｜協作網路存在最佳規模。 在固定資源與驗證制度下，加入更多代理的邊際收益可能下降並轉負。**反證：**任務族的新增代理效用始終單調增加，且額外協作債可忽略。

H13｜新模型世代的角色再配置。 隨模型能力改善，前沿與非前沿模型在搜索、校核、規劃等角色中的最適任務配置會改變。**反證：**跨模型世代的成本／品質矩陣表明角色分工幾乎不變。

H14｜知識基石的價值取決於實際重用而非檔案量。 在控制任務難度、內容品質與資產數量後，具有重驗工具、適用域與失效標記的知識庫，可能帶來較高的跨期有效重用收益。**反證：**即使真正使用這些功能，仍不能改善後續任務的驗收率、成本或可靠性。

12．實證研究協議：如何測試 AI–AI 耦合是否真的形成新知識

12.1 任務集與對照配置

研究至少涵蓋四類彼此分開的任務：

任務類別	適合的驗證	常見錯誤
程式與演算法	編譯、單元測試、基準、對抗測試	只測樣例、過度優化特定測資
數學與邏輯	獨立證明檢查、反例、形式系統	將數值成立冒充一般證明
文獻與事實整理	原始來源、交叉資料、時間一致性	引文偽造、同一傳聞被重複引用
開放式創意／設計	預註冊專家準則、實際試用、留出情境	新穎但無效、偏好泄漏、只增加篇幅

主要對照組建議為：

一個前沿模型獨立作業。
一個前沿模型在相同總 token／計算預算下多次搜尋或自我審閱。
一前沿＋一非前沿，以明確任務分工執行。
兩個前沿模型，先獨立解題再整合。
兩個前沿模型，加入對抗性反例與可執行驗證。
多模型動態網路，含資料庫、角色路由、長期審計與外部驗證。

此處的編組只是實驗配置。若某組有額外工具、上下文或權限，必須單獨記錄；不能將所有提升直接歸因於「更多 AI」或「更強的耦合」。

12.2 最小評測指標

有效結果率：按預先定義的可接受成果數／指定任務數報告，另呈現置信區間及失敗類型。
首次驗收率／持續有效率：區分初次通過與在後續測試、不同版本下仍成立。
增量知識率：從原本已知或既有資料之外新增、且被獨立驗證的成果，須具有可追溯的先行知識比對。
共同錯誤率／誤導傳染率：分離各模型獨立出錯與互相影響後共同出錯。
合格成果成本：按完整資源投入除以通過驗收的數量，分開記錄等候時間與實際計算成本。
跨代繼承率：下一版本或其他模型實際使用後，在相同、轉移與留出任務上的效果。
知識撤銷與修復效率：既有結論被反例推翻後，相關資產是否能正確撤銷、更新與通知使用者。
權利合規率：僅對使用條件明確且相容的素材執行訓練、蒸餾、公開與商用。

12.3 關鍵消融設計

去除弱模型：測試成本節省是否來自任務拆分與外包。
去除第二前沿模型：測試是否只是增加計算預算。
去除外部 verifier：測試對話共識與真實驗收的差距。
將雙模型互相讀取答案，改為先完全獨立解題：測試說服與錯誤傳播。
去除知識來源標記：測試相同內容下的可重驗能力。
去除歷史失敗資料：測試是否重複探索已知無效路線。
將原始資料逐代替換為純合成資料，對照保留原始資料及篩選合成資料：測試代際穩定性。
交換主模型與驗證模型角色：檢查角色配置是否依任務而非預設名稱決定。

12.4 抽樣、外推與研究誠信

研究需在測試前凍結任務清單、質量標準、評估器版本、成本單位與停機規則。自動產生的新任務要與舊任務區分，不可在看見各組結果後只保留有利樣本。對探索性研究，應另設真正沒有被模型、提示與驗證器反覆接觸的留出任務。

不能用同一個模型先生成測驗，再以相同模型審查答案，最後宣告它完成了獨立研究。 若客觀評分器不存在，應標記為未決，並使用匿名多評審、反例嘗試、實際場域測試或分層證據，而不是虛構精準的「科學真理分數」。

12.5 研究範圍的消極邊界

不推定任何 AI 具備法律上的獨立契約權；系統角色與機器委託是在既定治理授權內成立。
不推定所有文件都可當作未來模型的合法訓練資料；每一份資產需核對來源條款。
不以網路規模或模型算力作為對知識正確性、人格地位或研究價值的直接排序。
不將自動評估器的測分上升直接等同於學界已接受的科學發現。

13．機器可讀的最小知識資產契約〔P〕

以下 JSON 僅是可解析的資料契約示例；它描述一個尚待驗證、尚未授權訓練的候選。不能將其當成已實裝的 API 或已被證明的數學／科學成果。

{
  "schema": "aicap.ex03.knowledge_asset.v0.1",
  "asset_id": "EX03-DEMO-0001",
  "version": "0.1.0",
  "status": "PROPOSED",
  "claim_type": "algorithm_candidate",
  "claim": "An illustrative optimization candidate requiring independent evaluation.",
  "domain_scope": ["sample_optimization_problem"],
  "source_refs": ["illustrative-source-record"],
  "creator_agents": [
    {"agent_id": "proposer", "model_version": "unspecified", "role": "proposal"},
    {"agent_id": "critic", "model_version": "unspecified", "role": "critical_review"}
  ],
  "methods": ["candidate_generation", "counterexample_search"],
  "artifacts": [],
  "test_manifest": {
    "tests_declared": [],
    "tests_executed": [],
    "environment": null,
    "independent_reproduction": false
  },
  "independent_checks": [],
  "counterexamples": [],
  "known_limits": ["No execution or empirical validation has been performed."],
  "rights": {
    "status": "unresolved",
    "redistribution_allowed": false,
    "training_allowed": false,
    "commercial_reuse_allowed": false
  },
  "revocation_status": "not_applicable_to_unvalidated_candidate",
  "successor_compatibility": {
    "retrieval_tested": false,
    "distillation_tested": false,
    "training_tested": false
  }
}

13.1 驗證與提交規範

asset_id 和 version 不可在不同內容之間重用。
source_refs 指向實際有權讀取且已開啟的證據，不得只有未驗證的 URL 字串。
creator_agents 記錄貢獻與模型版本，不自動推論法律作者或財產權歸屬。
test_manifest 應保留執行環境、工具版本、測試範圍與失敗輸出。
independent_checks 須記錄檢查器是否與被檢內容共享同一資料或程式依賴。
status 轉移需要有證據事件，不得因 AI 自我聲稱「已驗證」直接升級。
已撤銷資產應保留歷史及撤銷理由，同時防止檢索層將它當成當期有效知識。
rights 不明時不得預設可供模型訓練、蒸餾或對外商用。

14．與既有研究架構的接口與制度限制

14.1 MPD／APN：誰委託、誰驗證、誰能提交

MPD-12、MPD-13 已建立 AI–AI 生產關係與生產拓撲。EX03 的補充不是重新設計整套 Agent 網路，而是在既有委託—驗證契約上增加知識資產是否能跨期、跨模型保留的判準。把權限、有效證據、公開資格與最終提交權分開，才能避免代理群體把產量直接變成權威。

14.2 CFATC：高能力尾端可以由 AI 觸發，但不代表每次都是發現

CFATC-B08 討論 AI 逐步不依賴特定人類仍可自行提出問題、選擇方法並驗證的可能性。EX03 將此視為未來 AI–AI 網路的一種潛在機制，不預設該歷史趨勢必然單調；而且能力被觸發、能力被觀察、能力被驗證及知識被保存，是不同步驟。

14.3 AICAP：誰付出計算、誰保有知識

AICAP 主系列已指出，智能服務價格、實質算力成本、資本擁有及社會效益應分帳。EX03 進一步提出：即便 AI–AI 網路成功生產可繼承知識，若只有少數平台可讀取、授權、部署或撤銷這些成果，知識的生產者、持有者、使用者與受益者仍可能不一致。

這不先驗地證成「所有公開共享都最好」或「私有化必然不正義」。某些成果具有隱私、商業秘密或安全限制；另一些適合做公開的可驗證知識。研究應按權利及社會效果區分，而非由演算法單獨裁決。

14.4 既有數學與原創假說的隔離

若未來應用於數學知識基底，既有教科書定義、標準定理、已驗證演算法、形式證明、原創猜想和候選研究敘述應維持清楚標籤；不得因同一知識檢索系統能索引多種文件，就將未驗證原創理論混入「公認數學知識」訓練集合。這是知識基石能被後代安全繼承的必要治理原則之一。

15．綜合結論

本篇從 AICAP-EX02 的「同一 AI 使用權不等於同一能力顯現」出發，延伸到同一組 AI 不等於同一生產網路；同一網路不等於同一驗證能力；同一批輸出也不等於同一批可繼承知識。

前沿—非前沿耦合可能讓可檢驗的局部工作更便宜；前沿—前沿耦合可能發現不同模型獨作時難以找到的方法，也可能因相同的錯誤前提產生虛假的互證。對下一代最重要的不是永久維持某個固定模型階級，而是依任務重新編排能力、保留獨立證據、允許糾錯與撤銷，並讓已驗證成果跨模型、跨版本及跨制度被重新理解。

下一世代知識基石不是一座永不更正的答案紀念碑，而是一套能讓後來的智能辨識前人／前代究竟證明了什麼、尚未證明什麼，以及何處已經出錯的可繼承研究制度。

這與 AICAP 的成本表象主題形成最後的連結：多模型產生更多文字並不等於更多可用知識；真正的比較分母，是在完整計算、驗證、維護與治理成本之後，留下多少未來仍能合法、可靠而有用地重新驗證和採用的成果。

參考文獻與可核來源

A．既有內部研究（作者與原始文件地位保留）

[I01] Neo.K（2026-08），《AI–AI 生產關係：委託、分工、驗證與機器間協作》，MPD-12，v1.0，UTF-8 Markdown。
[I02] Neo.K（2026-08），《Agent 生產拓撲：從人類中心編排到自治生產網路》，MPD-13，v1.0，UTF-8 Markdown。
[I03] Neo.K（2026-08），《自治 MPD：從人機聯合生產域到 AI-native 生產域》，MPD-15，v1.0，UTF-8 Markdown。
[I04] Neo.K（2026-08），《MPD 的人機耦合狀態》，MPD-16，v1.0，UTF-8 Markdown。
[I05] Neo.K（2026-09-05），CFATC-B01, B02, B06, B08，條件式前沿觸發與人機尾端耦合系列，v0.1，UTF-8 Markdown。
[I06] Neo.K（2026-11-03），《收入不是價值：人機耦合的潛在產能、經濟選擇權與價值表象不對稱》，AICAP-EX01，v0.1。
[I07] Neo.K（2026-11-03），《AI 放大鏡理論：條件式能力顯現、人機耦合與認知稀缺性的動態重分配》，AICAP-EX02，v0.1。
[I08] Neo.K（2026-11-03），《AI 究竟省了什麼：全域帳本、情境均衡與可反駁檢驗》，AICAP-07，v0.1。

B．公開外部文獻與技術來源（查閱：2026-11-03）

[E01] Anthropic（2025-06-13），How we built our multi-agent research system。https://www.anthropic.com/engineering/multi-agent-research-system 。工程團隊內部評測與成本觀察，非通用實證定律。
[E02] Google DeepMind（2025-05-14），AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms。https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/ 。前沿與快速模型組合及可執行評測器的實例。
[E03] Novikov, A., et al.（2025），AlphaEvolve: A coding agent for scientific and algorithmic discovery，arXiv:2506.13131。https://arxiv.org/abs/2506.13131 。白皮書性質，實際任務範圍須分別核對。
[E04] Zhu, K., et al.（2025），MultiAgentBench: Evaluating the Collaboration and Competition of LLM Agents，ACL 2025。https://aclanthology.org/2025.acl-long.421/ 。
[E05] Chan, C.-M., et al.（2024），ChatEval: Towards Better LLM-based Evaluators through Multi-Agent Debate，ICLR 2024。https://proceedings.iclr.cc/paper_files/paper/2024/hash/25cc3adf8c85f7c70989cb8a97a691a7-Abstract-Conference.html 。
[E06] Kim, E. M., Garg, A., Peng, K., & Garg, N.（2025），Correlated Errors in Large Language Models，ICML 2025，PMLR 267。https://proceedings.mlr.press/v267/kim25e.html 。
[E07] When collaboration fails: persuasion driven adversarial influence in multi agent large language model debate（2026），Scientific Reports。https://www.nature.com/articles/s41598-026-42705-7 。
[E08] Shumailov, I., et al.（2024），AI models collapse when trained on recursively generated data，Nature 631, 755–759。https://doi.org/10.1038/s41586-024-07566-y 。原文另有 2025 年更正公告，引用須留意版本與適用邊界。
[E09] Kazdan, J., et al.（2025），Collapse or Thrive: Perils and Promises of Synthetic Data in a Self-Generating World，ICML 2025，PMLR 267。https://proceedings.mlr.press/v267/kazdan25a.html 。
[E10] OpenAI（動態網頁，2026-11-03 查閱），Model optimization。https://developers.openai.com/api/docs/guides/model-optimization 。評測、最佳化與資料品質流程說明。
[E11] OpenAI（動態網頁，2026-11-03 查閱），Supervised fine-tuning，章節 Distilling from a larger model。https://developers.openai.com/api/docs/guides/supervised-fine-tuning 。範例流程不保證所有模型、權利條件及任務均適用。

**文獻使用聲明：**公開資料提供方法、局部效益與反例，不證明本文所有命題已在現實產業成立；內部系列文件為先行理論與概念來源，不充當外部同行評審證據。本文沒有使用供應商非公開訓練資料或內部價格資訊。

附錄 A．研究稿驗證清單

將 MPD-12／13／15、CFATC 和 AICAP 番外的既有貢獻保留為先行研究。
將前沿／非前沿視為相對任務與預算的角色，不宣稱固定智能階級。
將單方與雙方成果、成本、驗證、獨立性、授權及跨期繼承分帳。
所有數值案例標為假設，避免冒充模型商實測。
寫明條件命題成立所需的假設及反例。
區分外部知識庫與模型參數更新，保留代際合成資料風險。
同時保留成功、失敗、撤銷及分歧的知識狀態。
所有正文數學原始碼採 $...$ 、$$...$$，不另用其他公式定界符。

**研究狀態：**本篇為可獨立審閱的理論研究原稿，包含形式化條件證明與可檢驗協議；不表示已完成正式同行評審、實證部署、跨世代訓練或任何外部模型的知識更新。