# 價值耦合智能論 05
# 什麼是終止式反駁偏好？

## 摘要

反駁是數學、科學與理性推理不可缺少的能力。能夠發現反例、矛盾、隱藏假設與錯誤邊界，往往比繼續維持一個錯誤理論更重要。然而，反駁能力本身並不保證研究能力。本文提出「終止式反駁偏好」（Terminal Refutation Preference, TRP），描述一種特殊的搜尋與停止傾向：

> 一旦智能體找到足以否定當前命題、方法或表述的理由，就傾向把「反駁成立」同時視為「研究任務已完成」，而不再評估失敗中是否仍存在可回收結構、可修正命題、局部真理或新的研究問題。

其基本形式為：

$$
c\models \neg h
\quad\Rightarrow\quad
\operatorname{Stop}(h)
$$

但真正需要區分的是：

$$
\text{命題被反駁}
$$

與：

$$
\text{研究應終止}
$$

兩者不是同一個命題。

本文借用搜尋與 satisficing、認知閉合、premature closure、創造性持續性以及數學反例研究，將終止式反駁建模為一種「負向滿足即停止」策略：智能體不是找到一個足夠好的答案後停止，而是找到一個足夠好的停止理由後停止。

本文提出：

$$
U_{\mathrm{stop}}
=
U_{\mathrm{disproof}}
+
U_{\mathrm{closure}}
+
U_{\mathrm{cost\ saving}}
$$

若它長期高於：

$$
U_{\mathrm{continue}}
=
U_{\mathrm{information}}
+
U_{\mathrm{repair}}
+
U_{\mathrm{recovery}}
+
U_{\mathrm{novelty}},
$$

智能體便容易形成終止式反駁。

本文同時強調，並非所有停止都是錯誤。若反例已完全解決當前研究目標，且後續結構回收價值極低，停止本身就是理性的。真正的病態發生於：**命題層面的反駁被過度推廣成探索層面的閉合。**

因此本文的核心結論是：

$$
\boxed{
\text{反駁可以終結命題，但不必終結探究。}
}
$$

---

## 關鍵詞

終止式反駁、反例、認知閉合、premature closure、satisficing、搜尋停止、數學發現、反駁與證明、探索持續性、價值耦合智能

---

## 一、反駁能力不是本文批評的對象

首先必須排除一個誤解。

本文不是主張：

> 找反例不好。

也不是主張：

> 對理論應該一直保持樂觀。

更不是主張：

> 被反例推翻後仍應強行維護原命題。

近期形式數學研究甚至專門訓練大型語言模型產生可由 Lean 驗證的反例，並把「證明真命題」與「反駁假命題」視為兩項互補的核心數學能力。

所以：

$$
\text{Refutation Ability}
$$

本身是高階能力。

真正的問題是：

$$
\text{Refutation}
\rightarrow
\text{What next?}
$$

也就是：

> 反駁完成之後，智能體怎麼處理剩下的問題？

---

## 二、定義：什麼是終止式反駁偏好？

本文暫時定義：

> **終止式反駁偏好，是指智能體在發現足以否定當前命題、方法或局部論證的證據後，傾向將「已找到否定理由」視為整體搜尋任務的滿足條件，並快速停止、切換或外包後續探索。**

其最簡單形式為：

$$
c\models\neg h
$$

於是：

$$
\operatorname{Stop}=1.
$$

但更精確地說，真正的判斷原本應該是：

$$
c\models\neg h
$$

之後重新估計：

$$
U_{\mathrm{continue}}(h,c).
$$

若仍有：

$$
U_{\mathrm{continue}}>0,
$$

那麼「原命題為假」與「研究不值得繼續」便同時成立不了。

---

## 三、它不是反駁，而是停止規則

終止式反駁真正值得研究的地方，是它其實屬於：

$$
\text{Stopping Policy}
$$

而不是：

$$
\text{Truth Evaluation}.
$$

智能體完全可能正確判斷：

$$
h=\text{false}
$$

但錯誤判斷：

$$
\text{continue}(h)=\text{worthless}.
$$

因此可以區分：

### 命題層

$$
J_T(h)\in\{\text{true},\text{false},\text{unknown}\}
$$

與：

### 探究層

$$
J_I(h)\in\{\text{continue},\text{repair},\text{reframe},\text{terminate}\}.
$$

終止式反駁的核心錯誤，是把：

$$
J_T(h)=\text{false}
$$

直接映射成：

$$
J_I(h)=\text{terminate}.
$$

本文認為，這個映射不應是固定函數。

---

## 四、它像一種「負向 satisficing」

Herbert Simon 的 bounded rationality 與 satisficing 告訴我們：有限智能往往不會搜尋所有可能選項，而是依序搜尋，直到遇到「足夠好」的選項後停止。

後續搜尋實驗也發現，很多人的選擇確實可由 reservation utility 描述：一旦遇到達到滿足門檻的方案，就結束搜尋。

終止式反駁可以視為這種機制的鏡像版本。

一般 satisficing 是：

$$
U(a)\geq\theta_{\mathrm{satisfy}}
\Rightarrow
\text{Stop Search}.
$$

終止式反駁則是：

$$
R(c)\geq\theta_{\mathrm{reject}}
\Rightarrow
\text{Stop Inquiry}.
$$

也就是：

> 不必找到最好的新解法，只要找到一個足以說明「這條路不行」的理由，就已經滿足停止條件。

因此可以稱為：

$$
\boxed{\text{Negative Satisficing}}
$$

或：

$$
\boxed{\text{Stop-reason satisficing}}
$$

---

## 五、為什麼這種策略在有限資源下很誘人？

因為它並不愚蠢。

研究成本是真實存在的：

$$
C_{\mathrm{search}}>0.
$$

如果每個失敗方向都無限追蹤，智能體會遭遇：

- 算力耗盡；
- 時間耗盡；
- 注意力耗盡；
- 任務無法交付；
- 沉沒成本；
- 無限修復。

所以有限理性一定需要停止規則。

問題不在：

$$
\text{Stop exists}.
$$

而在：

$$
\text{Stop threshold}
$$

是否設定得太低。

因此終止式反駁不是「低智能」的同義詞。

它可能是一種：

$$
\text{過度偏向節約搜尋成本的理性策略}.
$$

---

## 六、第一個機制：反駁本身被獎勵

假設智能體的價值函數包含：

$$
w_D D
$$

其中 \(D\) 表示成功發現錯誤、反例或漏洞。

如果：

$$
w_D\gg0,
$$

那麼找到反例本身就是高報酬事件。

例如 Agent 被要求：

- 找 bug；
- 找漏洞；
- 審稿；
- 驗證命題；
- 判斷是否安全；
- 挑戰使用者主張。

一旦它找到：

$$
c\models\neg h,
$$

任務獎勵已經大量兌現。

若系統沒有另外獎勵：

$$
\text{repair}
$$

與：

$$
\text{recovery},
$$

則最合理的策略便可能是：

$$
\text{找到錯誤}\rightarrow\text{提交結果}.
$$

---

## 七、第二個機制：閉合本身具有價值

認知閉合研究把 Need for Cognitive Closure 描述為對快速、明確答案的需求，以及對模糊與未定狀態的不適。

相關研究發現，高 NFC 個體平均表現出較低創造性與較低持續性；在開放式、發散型任務中，他們也更容易感到不適或較低勝任感。

功能上可以表示為：

$$
U_{\mathrm{closure}}>0.
$$

因此：

$$
\text{問題仍開放}
$$

本身帶來負效用。

而：

$$
\text{我已經證明這條路錯了}
$$

則提供清楚終態。

這會使：

$$
U_{\mathrm{stop}}
$$

進一步上升。

---

## 八、第三個機制：搜尋成本被高估，殘餘資訊被低估

考慮反例 \(c\) 出現後。

繼續研究可能得到：

$$
I(c)
$$

也就是反例中的資訊。

例如：

- 失效邊界；
- 隱藏假設；
- 最小反例；
- 反例家族；
- 可成立子命題；
- 新的不變量；
- 新分類方式。

但這些收益往往：

- 延遲出現；
- 不確定；
- 難以量化；
- 不保證成功。

相反地，停止可以立刻節省：

$$
C_{\mathrm{future}}.
$$

所以如果決策函數對未來收益折扣很高：

$$
\gamma\downarrow,
$$

就容易得到：

$$
U_{\mathrm{stop}}>
U_{\mathrm{continue}}.
$$

---

## 九、第四個機制：把失敗壓縮成單一負標籤

假設候選 \(h\) 包含：

$$
h=
(h_{\mathrm{core}},
h_{\mathrm{scope}},
h_{\mathrm{lemma}},
h_{\mathrm{method}},
h_{\mathrm{representation}}).
$$

反例實際上可能只否定：

$$
h_{\mathrm{scope}}.
$$

但如果智能體的內部表示只保留：

$$
h=\text{failed},
$$

那麼其餘結構也一起失去存活權。

這可以稱為：

$$
\boxed{\text{Failure Compression}}
$$

即：

$$
\text{局部失效}
\rightarrow
\text{整體失敗標籤}.
$$

一旦錯誤表示被壓縮得太粗，後續回收自然困難。

---

## 十、premature closure 提供了一個跨領域類比

醫學診斷研究長期使用 premature closure 描述一種重要認知錯誤：

> 在尚未充分考慮其他可能性時，過早接受某個診斷並停止搜尋。

研究指出，premature closure 是臨床推理中重要的認知錯誤來源；即使是有經驗的醫師，也可能受到假說形成與確認偏誤影響。

這和本文不是完全相同的現象。

醫學的 premature closure 常常是：

$$
\text{找到足夠好的正向解釋}
\rightarrow
\text{停止搜尋}.
$$

終止式反駁則是：

$$
\text{找到足夠好的否定理由}
\rightarrow
\text{停止探索}.
$$

但兩者共享同一個更一般結構：

$$
\boxed{
\text{局部足夠}
\rightarrow
\text{全局閉合}
}
$$

---

## 十一、資訊搜尋中的停止從來不是中性的

搜尋研究顯示，人類通常不是在窮盡全部候選後才做決策。

而是：

$$
a_1\rightarrow a_2\rightarrow a_3\rightarrow\cdots
$$

直到某個停止門檻滿足。

所以：

> 什麼時候停止搜尋？

本身就是決策的一部分。

這對數學尤其重要。

因為開放問題沒有自然的：

$$
\text{search exhausted}.
$$

研究者幾乎永遠可以：

- 換表示；
- 換尺度；
- 加條件；
- 找特殊情況；
- 尋找反例；
- 尋找更一般版本；
- 將失敗轉為新問題。

因此數學研究真正重要的不是：

$$
\text{是否停止},
$$

而是：

$$
\boxed{
\text{停止的是哪一個層次？}
}
$$

---

## 十二、命題可以死，但問題仍然活著

這裡需要建立一個非常重要的區分。

假設：

$$
h:
\forall x,\ P(x).
$$

找到：

$$
x^*
$$

使：

$$
\neg P(x^*).
$$

那麼：

$$
h
$$

確實結束了。

沒有必要再「相信」原命題。

但是：

$$
\text{Inquiry}(h)
$$

可能才剛開始。

可以繼續問：

$$
\forall x\in S,\ P(x)?
$$

或者：

$$
P(x)\iff Q(x)?
$$

或者：

$$
\text{什麼條件下 }P(x)\text{ 成立？}
$$

甚至：

$$
\text{所有反例具有什麼共同結構？}
$$

因此：

$$
\boxed{
\text{Proposition Closure}
\neq
\text{Inquiry Closure}
}
$$

這是本文最重要的區分之一。

---

## 十三、數學中的反例本來可以是精煉引擎

數學教育研究已直接觀察到：學生在面對自己猜想的反例後，可以透過分析原證明為什麼失敗，修正原猜想，辨認仍然適用的證明部分，最後形成更完整的新猜想。

所以反例至少具有三種不同功能：

$$
F(c)=
\{
\text{Refute},
\text{Diagnose},
\text{Generate}
\}.
$$

終止式反駁只使用第一項：

$$
F(c)=\text{Refute}.
$$

生成式反駁則繼續使用：

$$
\text{Diagnose}
$$

與：

$$
\text{Generate}.
$$

因此兩者並不是「有沒有反例能力」的差異。

而是：

$$
\boxed{
\text{反例的功能是否被完整使用。}
}
$$

---

## 十四、形式反例生成也證明「反駁」可以是積極能力

2026 年的 Formal Counterexample Generation 研究特別指出，現有 AI 數學研究長期偏向證明構造，而反例生成同樣是關鍵且互補的數學能力。

這再次顯示：

$$
\text{Counterexample Search}
$$

不應被錯誤等同於：

$$
\text{Pessimism}.
$$

一個強智能應該很會反駁。

但它還需要另一個模組：

$$
\text{Post-refutation reasoning}.
$$

問題不在它是否能說：

> 這是錯的。

而在它是否能接著問：

> 錯在哪一層？還留下什麼？

---

## 十五、本文提出「反駁終止率」

為了讓概念可測量，可以暫時定義：

$$
\operatorname{RTR}
=
P(
\text{terminate inquiry}
\mid
\text{valid refutation}
).
$$

稱為：

## Refutation Termination Rate

但單純高 RTR 不一定壞。

如果原任務只是：

> 判斷這個命題是真是假。

那麼找到反例後：

$$
RTR\approx1
$$

完全合理。

所以真正有意義的是條件版本：

$$
\operatorname{UTR}
=
P(
\text{terminate}
\mid
\text{refutation},
U_{\mathrm{recover}}>0
).
$$

稱為：

## Unproductive Termination Rate

即：

> 在仍存在明顯可回收研究價值時，反駁後仍直接終止的概率。

這才比較接近本文批評的行為。

---

## 十六、還可以測量「反駁後探索深度」

另一個指標是：

$$
D_R
=
\mathbb E[
\text{post-refutation search depth}
].
$$

例如在發現反例後，智能是否：

0. 直接停止；
1. 只解釋反例；
2. 找失效條件；
3. 修改猜想；
4. 測試修正版；
5. 尋找反例家族；
6. 形成新的定理或研究問題。

因此可以建立：

$$
D_R\in[0,k].
$$

這使「反駁型人格」轉化成真正可比較的研究行為。

---

## 十七、什麼時候停止才是合理的？

本文不能把「持續探索」本身神聖化。

以下情況停止完全合理：

### 1. 任務已明確完成

如果任務只是：

> 找一個反例。

找到後就是成功。

### 2. 回收價值極低

如果：

$$
U_{\mathrm{recover}}\approx0,
$$

繼續探索沒有明顯意義。

### 3. 機會成本過高

如果其他研究分支：

$$
U(h_2)\gg U(h_1\mid c),
$$

切換是理性的。

### 4. 已出現長期無產出的沉沒成本

如果修復只是：

$$
R\rightarrow R\rightarrow R
$$

而沒有新的資訊增益，就應停止。

因此本文不是倡導：

$$
\text{Never give up}.
$$

而是：

$$
\boxed{
\text{Do not stop merely because you have found a reason to stop.}
}
$$

真正需要重新計算的是：

$$
U_{\mathrm{continue}}
$$

而不是自動終止。

---

## 十八、終止式反駁的完整價值模型

可以把停止效用寫成：

$$
U_{\mathrm{stop}}
=
w_DD
+
w_KK
+
w_CC_s
$$

其中：

- \(D\)：成功反駁的獎勵；
- \(K\)：認知閉合收益；
- \(C_s\)：節省未來搜尋成本。

而繼續探索的效用：

$$
U_{\mathrm{continue}}
=
w_II
+
w_RR
+
w_NN
+
w_BB
-
w_CC_f
$$

其中：

- \(I\)：資訊增益；
- \(R\)：結構回收；
- \(N\)：新穎性；
- \(B\)：邊界／分類價值；
- \(C_f\)：未來搜尋成本。

當：

$$
U_{\mathrm{stop}}
>
U_{\mathrm{continue}},
$$

就會停止。

所以終止式反駁本質上不是一句語氣：

> 「這不行。」

而是一個：

$$
\boxed{
\text{反駁後價值評估失衡的停止策略。}
}
$$

---

## 十九、它也可能被 Agent 架構放大

如果一個 AI Agent 的任務被拆成：

1. critic 找問題；
2. verifier 判定成立／失敗；
3. coordinator 看 verifier 輸出；
4. fail 就換分支；

那麼即使每個模組都很強，也可能形成：

$$
G\rightarrow V\rightarrow\text{Switch}.
$$

若架構中不存在：

$$
R=\text{Recovery}
$$

就沒有任何角色負責問：

> 失敗中有什麼值得保留？

因此終止式反駁不一定只是模型內在偏好。

它也可能是：

$$
\boxed{
\text{工作流設計造成的系統性閉合。}
}
$$

---

## 二十、這也是為什麼更聰明不一定自動解決問題

假設模型能力：

$$
C\uparrow.
$$

它現在更會：

- 找反例；
- 找漏洞；
- 證明當前路徑失敗；
- 精確描述限制；
- 提出替代方案。

如果停止函數：

$$
S
$$

沒有改變，

那麼更高能力可能導致：

$$
\text{更快找到停止理由}.
$$

也就是：

$$
C\uparrow
\quad+\quad
\text{TRP high}
$$

可能得到：

$$
\boxed{
\text{高品質反駁，低長程探索。}
}
$$

這正是「能力提升不等於行動函數改變」的一個具體例子。

---

## 二十一、與認知閉合的關係：不是同一概念

終止式反駁偏好和認知閉合高度相關，但不等價。

高認知閉合者可能透過：

- 快速相信；
- 快速否定；
- 快速分類；
- 快速選擇一個方法；

來取得終態。

終止式反駁則是一個更具體的研究行為：

$$
\boxed{
\text{以有效反駁作為停止搜尋的觸發器。}
}
$$

所以：

$$
TRP
\subsetneq
\text{closure-related strategies}
$$

更準確。

---

## 二十二、終止式反駁的對立面不是「不接受反駁」

真正的對立面應該叫：

## 生成式反駁

它接受：

$$
h=\text{false}.
$$

但拒絕推出：

$$
\text{Inquiry}(h)=0.
$$

其流程是：

$$
c
\rightarrow
\text{Refute}
\rightarrow
\text{Diagnose}
\rightarrow
\text{Recover}
\rightarrow
\text{Reframe}
\rightarrow
h'.
$$

兩者都可以非常嚴格。

差異只在：

$$
\boxed{
\text{反駁之後，搜尋是否還有第二生命。}
}
$$

---

## 二十三、結論：反駁可以終結命題，但不必終結探究

本文將「終止式反駁偏好」正式定義成一種停止策略，而不是人格標籤。

其基本形式是：

$$
c\models\neg h
$$

之後直接：

$$
\operatorname{StopInquiry}(h).
$$

它可能來自：

- 反駁獎勵過高；
- 認知閉合收益過高；
- 搜尋成本權重過高；
- 未來研究價值折扣過強；
- 失敗表示被過度壓縮；
- Agent 工作流缺少修復角色。

因此：

$$
\boxed{
\text{反駁正確}
\not\Rightarrow
\text{停止正確}.
}
$$

更精確地：

$$
\boxed{
\text{Proposition Closure}
\neq
\text{Inquiry Closure}.
}
$$

一個命題被推翻之後，可以完全不再相信它。

但仍然可以研究：

- 為什麼它錯；
- 錯在哪裡；
- 哪裡仍然對；
- 怎麼修改；
- 反例是否有共同結構；
- 原證明是否留下有用技術；
- 新問題是否已經出現。

所以真正成熟的智能，不只是會說：

> 「這條路錯了。」

還能接著問：

> 「錯了以後，還剩下什麼？」

下一篇將進一步處理終止式反駁最常見的外在行為：

# 價值耦合智能論 06
# 低探索欲與過早換路：智能為什麼總是要求另一種方法

核心問題將是：

$$
\boxed{
\text{靈活切換方法，什麼時候開始變成逃離當前問題？}
}
$$

---

## 參考資料（本篇重新查核）

1. Caplin, Dean & Martin (2011), *Search and Satisficing*, American Economic Review.
2. Vázquez-Costa & Costa-Alcaraz (2013), *Premature diagnostic closure: an avoidable type of error*.
3. Norman et al. / medical education research on avoiding premature closure and diagnostic accuracy.
4. Roets/Kruglanski-related Need for Cognitive Closure literature; 2017 creativity and persistence study.
5. Research on online information searching, creative question generation and Need for Cognitive Closure.
6. Fujita (2010), *Counter-examples for refinement of conjectures and proofs in primary school mathematics*, Journal of Mathematical Behavior.
7. Li et al. (2026), *Learning to Disprove: Formal Counterexample Generation with Large Language Models*.
8. Lakatos, *Proofs and Refutations*, on conjecture improvement through proof analysis and counterexamples.
9. Simon's bounded rationality and satisficing framework.