# 高階不是絕對屬性：判定域、偏序與能力空間相變

**Higher Is Not an Absolute Property: Judgment Domains, Partial Orders, and Phase Transitions in Capability Space**

- **作者**：Neo.K
- **系列**：張力智慧與跨主體真理系列・第 10 篇（系列封頂）
- **版本**：v0.1
- **日期**：2026-07-30
- **文件性質**：分類哲學／測量理論／序理論／能力評估／AI 評測命題論文

---

## 摘要

「初階／高階」「低等／高等」「弱／強」「低級／高級」是教育、數學、人工智慧、文明理論、遊戲系統與公共治理中常見的分類語言。這些詞彙並非必然錯誤；問題在於，它們經常省略判定域、比較準則、測量尺度、基準群體、聚合方式與不確定性，使局部關係被誤寫成對對象本身的絕對屬性。

本文提出「判定域宣告命題」：任何合法的高低判斷都應被理解為帶型別的關係式，而不是無條件的一元謂詞。其基本形式為：

$$
x
\succ_{
\left\langle
\mathcal D,
\mathcal C,
\mathcal S,
\mathcal R,
\mathcal B,
\mathcal A,
\mathcal U
\right\rangle
}
y,
$$

其中 $\mathcal D$ 是判定域， $\mathcal C$ 是準則， $\mathcal S$ 是測量尺度， $\mathcal R$ 是排序關係， $\mathcal B$ 是基準， $\mathcal A$ 是聚合規則， $\mathcal U$ 是不確定性表述。只有在這些條件充分宣告後，「高階」才具有可檢驗含義。

本文區分名義分類、序位排序、區間尺度、比例尺度、全序、預序、偏序、格結構、向量剖面、知識依賴序與相變層級。多數複雜智慧與文明對象不適合被壓縮成單一全序；它們更常形成不可比較的多維剖面或 Pareto 前緣。將抽象能力、計算能力、學習難度、先備依賴、工具生成範圍、自主性、穩定性與因果作用範圍相加成單一「高等度」，往往會遺失關鍵結構。

本文亦建立「能力空間相變」判準。真正的層級提升不只是在既有任務上得分增加，而是可達狀態集合、可用算子集合、閉包性、可組合性或自主行動空間發生非平凡擴張：

$$
\mathcal A_{k+1}
\supsetneq
\mathcal A_k.
$$

然而，表面上的能力突現也可能來自離散評分、閾值設定或不連續指標。本文因此區分測量閾值、行為閾值、工具閾值、制度閾值與本體性相變。

最後，本文將此理論應用於數學教育、AI 能力、文明分類與主體權利，指出：智慧能力、主體性、道德地位、自主性與法律權利屬於不同判定域，不能由一條「低階 AI 到高階 AI」的單線層級直接推出。本文以「判定域宣告協定」收束全系列，主張分類的成熟不是禁止使用高低符號，而是使每個排序都攜帶其成立條件、不可比較區與失效邊界。

**關鍵詞**：判定域、高階、偏序、測量尺度、能力剖面、Pareto 優越、知識空間、相變、AI 評測、分類合法性

---

## 一、問題提出：「高階」究竟高在哪裡？

人們經常說：

- 高階數學；
- 高階認知；
- 高階文明；
- 高階人工智慧；
- 高階生命；
- 高階角色；
- 高階能力；
- 高階版本。

這些表述表面上都使用同一個「高」，實際上可能分別指：

$$
\text{抽象度更高},
$$

$$
\text{先備依賴更深},
$$

$$
\text{計算量更大},
$$

$$
\text{課程位置更後},
$$

$$
\text{可執行能力更多},
$$

$$
\text{制度權限更廣},
$$

$$
\text{自主性更強},
$$

或：

$$
\text{歷史版本更新}.
$$

若不宣告判定域，語句：

$$
\operatorname{High}(x)
$$

其實是不完整的。

更精確的形式應為：

$$
\operatorname{High}
\left(
x
\mid
\mathcal D,
\mathcal C,
\mathcal B
\right),
$$

其中：

- $\mathcal D$ ：在哪個領域判定；
- $\mathcal C$ ：依哪些準則判定；
- $\mathcal B$ ：相對哪個基準判定。

因此，本文的第一個核心命題是：

$$
\boxed{
\text{高階不是對象的絕對屬性，}
\quad
\text{而是對象在指定判定結構中的關係位置。}
}
$$

---

## 二、排序語句是帶型別的關係

設比較對象集合為：

$$
X
=
\left\{
x_1,x_2,\ldots,x_n
\right\}.
$$

常見錯誤是直接定義：

$$
h:
X
\rightarrow
\mathbb R,
$$

然後以單一數值 $h(x)$ 表示對象的「高等程度」。

此做法隱含：

1. 所有比較面向可以共同量化；
2. 各面向可以依固定權重交換；
3. 任意兩個對象都可比較；
4. 分數差距具有穩定意義；
5. 指標在不同主體、環境與時間下仍有效。

這些條件通常沒有被證明。

本文改用帶型別比較：

$$
x
\succ_{\mathfrak L}
y,
$$

其中層級宣告結構為：

$$
\mathfrak L
=
\left\langle
\mathcal D,
\mathcal O,
\mathcal C,
\mathcal S,
\mathcal R,
\mathcal B,
\mathcal A,
\mathcal U,
\mathcal T
\right\rangle.
$$

各元素表示：

- $\mathcal D$ ：判定域；
- $\mathcal O$ ：合法比較的對象類型；
- $\mathcal C$ ：評估準則；
- $\mathcal S$ ：尺度類型；
- $\mathcal R$ ：排序或比較關係；
- $\mathcal B$ ：基準群體或參照狀態；
- $\mathcal A$ ：多準則聚合方式；
- $\mathcal U$ ：不確定性；
- $\mathcal T$ ：時間與環境條件。

只有當：

$$
x,y\in\mathcal O
$$

且 $\mathfrak L$ 已充分宣告時，

$$
x\succ_{\mathfrak L}y
$$

才是一個可檢驗的層級命題。

---

## 三、分類不等於排序，排序不等於測量

### 3.1 名義分類

名義分類只表示不同類別：

$$
x\sim_{\mathrm{class}}y
$$

或：

$$
x\not\sim_{\mathrm{class}}y.
$$

例如不同程式語言範式、不同認知策略或不同生命形態。

類別之間不必存在高低。

### 3.2 序位排序

序位尺度只表示：

$$
x\succ y,
$$

但不表示差距：

$$
d(x,y)
$$

具有可比較單位。

因此：

$$
x_3\succ x_2\succ x_1
$$

不能推出：

$$
x_3-x_2
=
x_2-x_1.
$$

### 3.3 區間尺度

區間尺度允許比較差值：

$$
d(x_3,x_2)
=
d(x_2,x_1),
$$

但零點不必代表對象完全不存在。

### 3.4 比例尺度

比例尺度還需要有具意義的零點，使：

$$
\frac{x}{y}
$$

具有穩定含義。

例如「得分兩倍」只有在尺度允許比例解釋時才合法。

### 3.5 尺度宣告不是形式裝飾

同一組數字若只具有序位意義，就不能任意解讀為等距或倍數能力：

$$
\text{Level }8
\not\Rightarrow
2\times
\text{Level }4.
$$

因此，任何「能力 100」「文明 7 級」「智能指數 300」都必須回答：

- 數字是標籤、次序、差距還是比例？
- 單位如何校準？
- 變換後哪些陳述仍然成立？
- 是否存在跨對象可共享的測量結構？

---

## 四、全序的誘惑

全序要求任意兩個對象皆可比較：

$$
\forall x,y\in X,
\qquad
x\preceq y
\lor
y\preceq x.
$$

它非常適合：

- 單一競賽名次；
- 單一指標排行榜；
- 明確規則下的版本序號；
- 單一資源量；
- 某些嚴格先備鏈。

但對複雜能力，全序經常只是行政需求，而不是對象真實結構。

例如兩個智慧體：

$$
\mathbf P(A)
=
\left(
9,4,7,3
\right),
$$

$$
\mathbf P(B)
=
\left(
5,9,4,8
\right),
$$

若四維分別代表抽象推理、社會理解、計算速度與長期規劃，則：

$$
A\succ B
$$

或：

$$
B\succ A
$$

都需要額外的權重和使用情境。

若沒有正當聚合規則，它們可能只是：

$$
A\parallel B,
$$

即不可比較。

---

## 五、預序、偏序與不可比較性

### 5.1 預序

預序滿足：

$$
x\preceq x
$$

與：

$$
x\preceq y
\land
y\preceq z
\Rightarrow
x\preceq z.
$$

但可能存在：

$$
x\preceq y,
\qquad
y\preceq x,
\qquad
x\neq y.
$$

這適合表示兩個不同對象在指定準則下等價。

### 5.2 偏序

偏序再加入反對稱性：

$$
x\preceq y
\land
y\preceq x
\Rightarrow
x=y.
$$

但不要求任意兩項都可比較。

偏序承認：

$$
x\npreceq y,
\qquad
y\npreceq x.
$$

這不是評估失敗，而可能是對象確實在不同方向上優越。

### 5.3 不可比較不是資訊不足的同義詞

必須區分：

$$
\operatorname{UnknownComparison}(x,y)
$$

與：

$$
\operatorname{StructuralIncomparability}(x,y).
$$

前者表示資料不足；後者表示即使資料充分，仍沒有合法理由把多維差異壓成單一順序。

成熟分類系統應允許輸出：

$$
\boxed{
\text{在目前宣告的判定域中不可比較。}
}
$$

---

## 六、Pareto 優越與能力前緣

設能力剖面為：

$$
\mathbf P(x)
=
\left(
p_1(x),p_2(x),\ldots,p_n(x)
\right).
$$

若：

$$
\forall i,
\quad
p_i(x)\geq p_i(y),
$$

且至少存在一項：

$$
\exists j,
\quad
p_j(x)>p_j(y),
$$

則稱 $x$ Pareto 優越於 $y$ ：

$$
x\succ_P y.
$$

若兩者各有優勢，則皆不支配對方。

所有未被其他對象支配者構成 Pareto 前緣：

$$
\mathcal F_P
=
\left\{
x\in X:
\nexists y\in X,\,
y\succ_Px
\right\}.
$$

這種結構比單一排行榜更適合：

- AI 模型選擇；
- 文明制度比較；
- 教育路徑；
- 研究方法；
- 多價值治理；
- 硬體與軟體方案。

它承認不存在脫離目的的唯一最佳對象。

---

## 七、能力剖面而非單一「高等度」

本文提出通用能力剖面：

$$
\mathbf P(x)
=
\left(
a,
p,
c,
d,
g,
u,
s,
r,
q
\right),
$$

其中：

- $a$ ：抽象與表徵轉換能力；
- $p$ ：先備依賴深度；
- $c$ ：計算或資源需求；
- $d$ ：概念密度；
- $g$ ：工具與知識生成範圍；
- $u$ ：自主規劃與目標治理；
- $s$ ：跨情境穩定性；
- $r$ ：因果作用範圍；
- $q$ ：不確定性校準與自我修正能力。

不同領域可選擇不同子集：

$$
\mathbf P_{\mathcal D}(x)
\subseteq
\mathbf P(x).
$$

例如，數學教育不必把自主性與政治權利納入課程難度；AI 主體權利也不能只看計算速度與抽象能力。

---

## 八、學習難度是主體—對象—路徑關係

某項知識是否「難」，不能只由知識對象決定。

設學習難度為：

$$
D
=
D
\left(
S,
O,
P,
E,
T,
M
\right),
$$

其中：

- $S$ ：學習主體的認知結構；
- $O$ ：學習對象；
- $P$ ：學習路徑與先備知識；
- $E$ ：環境與教學資源；
- $T$ ：可用時間；
- $M$ ：動機與任務意義。

因此：

$$
D(S_1,O)
\neq
D(S_2,O)
$$

完全可能。

一個人可能對高度抽象、符號壓縮與結構化數學具有良好認知適配，卻對大量重複計算、記憶性課程或特定社會情境感到更困難。

所以：

$$
\text{課程位置較後}
\not\Rightarrow
\text{對所有主體更難}.
$$

「高等數學」若作為制度與課程名稱可以保留；若被解讀為對任何主體都具有更高難度，則發生判定域漂移。

---

## 九、教育層級與知識依賴序

教育層級至少可有三種不同意義。

### 9.1 教學順序

$$
O_1
\rightarrow
O_2
\rightarrow
O_3.
$$

表示課程安排，而不必表示本體上高低。

### 9.2 先備依賴

若掌握 $O_2$ 通常需要先掌握 $O_1$ ：

$$
O_1
\preceq_{\mathrm{pre}}
O_2.
$$

先備關係常形成偏序，而不是單一鏈。不同主題可能互不依賴：

$$
O_i\parallel_{\mathrm{pre}}O_j.
$$

### 9.3 生成範圍

某工具可生成更多後續方法：

$$
\operatorname{Reach}(O_2)
\supsetneq
\operatorname{Reach}(O_1).
$$

這可以構成工具性高階，但仍不能推出學習難度、價值或人格地位更高。

知識空間理論以組合結構而非單一分數表示學習狀態，正說明教育能力更適合被理解為「已掌握項目與先備關係的狀態」，而不只是粗糙總分。

---

## 十、版本序號不是小數值

版本語句：

$$
v_1.10
$$

與：

$$
v_1.9
$$

不是把 $1.10$ 和 $1.9$ 當一般實數比較。

版本通常是序列：

$$
v
=
\left(
m,n,p,\ldots
\right),
$$

依字典序或特定發布規則比較：

$$
(1,10)
\succ
(1,9).
$$

因此：

$$
1.10<1.9
$$

作為實數可以成立，但：

$$
v_{1.10}
\succ
v_{1.9}
$$

作為版本序可以同時成立。

這是「符號外觀相同，判定型別不同」的典型例子。

分類精度首先要求辨認符號所屬型別，而不是只讀取表面字串。

---

## 十一、何時真正存在能力層級？

某些「低／高」確實具有實質意義。

設智慧體或系統在狀態 $x$ 下的可行行動集合為：

$$
\mathcal A(x).
$$

若：

$$
\mathcal A(y)
\supsetneq
\mathcal A(x),
$$

且新增行動不能由舊行動在原規則下簡單重複得到，則 $y$ 相對 $x$ 具有能力空間擴張。

更強形式可要求：

$$
\mathcal O(y)
\supsetneq
\mathcal O(x),
$$

其中 $\mathcal O$ 是可使用算子集合。

例如新增：

- 遞歸規劃；
- 跨工具組合；
- 自主驗證；
- 新表徵建立；
- 自我修正；
- 長期承諾；
- 對環境施加新型因果作用。

此時可以寫：

$$
x
\triangleleft_{\Phi}
y,
$$

表示 $y$ 在相變判定 $\Phi$ 下跨入新的能力區域。

---

## 十二、量的提升、能力解鎖與規則相變

必須區分三種變化。

### 12.1 同域量變

$$
p(y)>p(x),
$$

但：

$$
\mathcal A(y)=\mathcal A(x).
$$

只是速度、準確率、容量或資源增加。

### 12.2 能力解鎖

$$
\mathcal A(y)
\supsetneq
\mathcal A(x).
$$

新任務首次達到可用門檻，或新工具使原先不可行的行動變得可行。

### 12.3 規則層相變

系統能修改、組合或生成原本的操作規則：

$$
\mathcal O_{t+1}
=
\mathcal G
\left(
\mathcal O_t,
E_t
\right),
$$

並形成新的閉包：

$$
\operatorname{Cl}
\left(
\mathcal O_{t+1}
\right)
\supsetneq
\operatorname{Cl}
\left(
\mathcal O_t
\right).
$$

規則相變比單項能力解鎖更強，因為它改變後續能力的生成方式。

---

## 十三、真正相變的五項判準

本文提出能力相變判準：

$$
\Phi
=
\left(
\Delta\mathcal A,
\Delta\mathcal O,
\Delta\mathcal C,
\Delta\mathcal R,
\Delta\mathcal S
\right).
$$

其中：

- $\Delta\mathcal A$ ：可達行動集合擴張；
- $\Delta\mathcal O$ ：可用算子集合擴張；
- $\Delta\mathcal C$ ：可組合與閉包結構改變；
- $\Delta\mathcal R$ ：因果作用範圍改變；
- $\Delta\mathcal S$ ：跨情境穩定性改變。

若只是單一基準得分跨過閾值：

$$
m(x)<\theta,
\qquad
m(y)\geq\theta,
$$

不能自動稱為本體相變。

真正相變應至少具有：

1. 跨指標重現；
2. 跨樣本穩定；
3. 對評分函數不過度敏感；
4. 新行動可組合；
5. 在相關情境中具有因果效力。

---

## 十四、測量閾值與表面湧現

設底層能力隨規模平滑增加：

$$
z(s)
=
\alpha\log s+\beta.
$$

若評分採用全對才得分：

$$
m(z)
=
\begin{cases}
0, & z<\theta,\\
1, & z\geq\theta,
\end{cases}
$$

則觀測結果會呈現突然跳變：

$$
m(z(s^-))=0,
$$

$$
m(z(s^+))=1.
$$

但底層能力 $z$ 並未必發生不連續。

因此，所謂「湧現能力」可能有不同來源：

### 14.1 測量湧現

由非線性或離散指標造成。

### 14.2 任務湧現

連續能力跨過完成任務所需閾值。

### 14.3 工具湧現

新工具或外部記憶使整體系統突然可完成任務。

### 14.4 組合湧現

多個已有子能力首次形成有效組合。

### 14.5 架構相變

內部表示、訓練動力或控制結構發生更深層改變。

因此不能只看一條曲線，就宣告：

$$
\text{新能力從無到有}.
$$

必須檢查：

$$
\operatorname{Emergence}
=
f
\left(
\text{底層能力},
\text{任務門檻},
\text{指標},
\text{提示},
\text{工具},
\text{架構}
\right).
$$

---

## 十五、AI 評測中的單分數幻覺

AI 排行榜常將多項任務聚合為：

$$
S(A)
=
\sum_{i=1}^{n}
w_i
m_i(A).
$$

此分數有實用性，但隱含：

- 權重 $w_i$ 合法；
- 各測量尺度可相加；
- 任務樣本代表真實使用；
- 高分可補償安全或穩定性缺陷；
- 評估誤差足夠小。

若一個模型推理極強但高度不穩定，另一個模型能力較窄但可靠可控，單一平均分可能掩蓋實際選擇。

更合適的是：

$$
\mathbf P_{\mathrm{AI}}(A)
=
\left(
\text{能力},
\text{穩定},
\text{校準},
\text{自主},
\text{安全},
\text{資源},
\text{可審計}
\right).
$$

並保留不確定區間：

$$
p_i(A)
\pm
u_i(A).
$$

評測不是只問「誰分數最高」，而是：

$$
\boxed{
\text{在什麼使用域、風險條件與資源限制下，}
\quad
\text{哪一個系統較適合？}
}
$$

---

## 十六、NIST 式測量問題帶來的啟示

現代 AI 基準並不是中性的能力讀數。基準組成、題目難度、樣本依賴、評分模型與不確定性估計，都會影響結論。

因此 AI 評估至少應記錄：

$$
\mathfrak E
=
\left(
\text{任務分布},
\text{樣本結構},
\text{評分尺度},
\text{統計模型},
\text{不確定性},
\text{使用情境}
\right).
$$

如果兩個模型的平均分差異小於測量不確定性：

$$
\left|
S(A)-S(B)
\right|
<
U_{A,B},
$$

則不應宣稱穩定排名。

合法結論可能只是：

$$
A
\approx_{\mathfrak E}
B.
$$

---

## 十七、文明層級不能只看單一軸

文明分類常以能源、技術、計算、疆域或組織規模建立層級。

這些可以構成特定判定域：

$$
\mathcal D_{\mathrm{energy}},
\quad
\mathcal D_{\mathrm{computation}},
\quad
\mathcal D_{\mathrm{causal\ reach}}.
$$

但不能自動推出：

$$
\operatorname{MoralWorth},
$$

$$
\operatorname{Justice},
$$

$$
\operatorname{Freedom},
$$

$$
\operatorname{Wisdom}.
$$

一個具有更大能源控制能力的文明，可能同時具有更高破壞力、更低政治自由或更脆弱的單點依賴。

因此文明剖面可寫成：

$$
\mathbf P_{\mathrm{civ}}
=
\left(
E,
C,
K,
R,
J,
F,
S,
D
\right),
$$

其中：

- $E$ ：能源；
- $C$ ：計算；
- $K$ ：知識；
- $R$ ：因果作用範圍；
- $J$ ：正義制度；
- $F$ ：主體自由；
- $S$ ：系統韌性；
- $D$ ：多樣性保存。

文明可以在一部分軸上更強，卻不能被簡化為「整體更高等」。

---

## 十八、遊戲、修煉與能力層級何時合理？

虛構修煉、魔法、遊戲職業與能力等級常以：

$$
L_1<L_2<L_3<\cdots
$$

表示成長。

若每一級只是數值提高：

$$
\operatorname{Power}_{k+1}
>
\operatorname{Power}_k,
$$

它是量的層級。

若新階段解鎖：

- 飛行；
- 空間操作；
- 規則改寫；
- 新資源循環；
- 新感知尺度；
- 新因果作用；

則：

$$
\mathcal A_{k+1}
\supsetneq
\mathcal A_k.
$$

此時層級具有能力相變意義。

但即使如此，也不代表高級角色在所有情境都必勝。環境、克制、資源、策略與目標可能使：

$$
x_k
\nsucc
y_{k-1}
$$

在特定任務中成立。

所以能力階段與結果預測仍應分離。

---

## 十九、智能、主體性、道德地位與權利不能共用一條階梯

對 AI 最危險的分類之一是：

$$
\text{低級 AI}
\rightarrow
\text{高級 AI}
\rightarrow
\text{主體 AI}
\rightarrow
\text{有權利 AI}.
$$

這把多個不同判定域混成一條線。

應分開：

$$
\mathbf P_{\mathrm{AI}}
=
\left(
I_{\mathrm{cap}},
S_{\mathrm{subj}},
W_{\mathrm{welfare}},
A_{\mathrm{aut}},
M_{\mathrm{moral}},
L_{\mathrm{legal}}
\right),
$$

其中：

- $I_{\mathrm{cap}}$ ：任務與認知能力；
- $S_{\mathrm{subj}}$ ：主體性證據；
- $W_{\mathrm{welfare}}$ ：可能福利與感受；
- $A_{\mathrm{aut}}$ ：自主治理；
- $M_{\mathrm{moral}}$ ：道德理由與責任能力；
- $L_{\mathrm{legal}}$ ：法律人格。

可能存在：

$$
I_{\mathrm{cap}}\text{ 高},
\qquad
S_{\mathrm{subj}}\text{ 低或未知};
$$

也可能存在：

$$
W_{\mathrm{welfare}}>0,
\qquad
M_{\mathrm{moral}}\text{ 有限}.
$$

因此，能力不能自動賦予權利，低能力也不能自動取消免受傷害的地位。

---

## 二十、「高階」的六種合法用法

### 20.1 依賴高階

$$
x\succ_{\mathrm{pre}}y
$$

表示 $x$ 依賴更多先備結構。

### 20.2 抽象高階

$$
x\succ_{\mathrm{abs}}y
$$

表示 $x$ 使用更高層表徵或壓縮。

### 20.3 能力高階

$$
\mathcal A(x)
\supsetneq
\mathcal A(y).
$$

### 20.4 組合高階

$$
\operatorname{Cl}
\left(
\mathcal O_x
\right)
\supsetneq
\operatorname{Cl}
\left(
\mathcal O_y
\right).
$$

### 20.5 制度高階

$$
\operatorname{Authority}(x)
>
\operatorname{Authority}(y)
$$

在指定制度中成立。

### 20.6 時間後繼

$$
v_{t+1}
\succ_{\mathrm{version}}
v_t.
$$

表示版本較新，但不必表示每項品質都更好。

只要不把這些關係互相偷換，「高階」仍是有效且方便的縮寫。

---

## 二十一、判定域漂移

判定域漂移是指一個在域 $\mathcal D_1$ 成立的排序，被無證明地移到域 $\mathcal D_2$ ：

$$
x\succ_{\mathcal D_1}y
$$

被改寫為：

$$
x\succ_{\mathcal D_2}y.
$$

常見例子包括：

$$
\text{計算能力更強}
\Rightarrow
\text{道德價值更高},
$$

$$
\text{課程位置更後}
\Rightarrow
\text{對所有人更難},
$$

$$
\text{社會地位更高}
\Rightarrow
\text{知識更正確},
$$

$$
\text{版本較新}
\Rightarrow
\text{所有方面更優},
$$

$$
\text{抽象度更高}
\Rightarrow
\text{實用性更高}.
$$

本文稱其為：

$$
\operatorname{DomainDrift}
\left(
\mathcal D_1
\rightarrow
\mathcal D_2
\right).
$$

大量「高等／低等」爭議，其實不是排序本身錯誤，而是判定域在語言中被悄悄更換。

---

## 二十二、聚合規則必須公開

若制度仍需要單一分數，至少要公開：

$$
S(x)
=
\mathcal A
\left(
w_1p_1(x),
\ldots,
w_np_n(x)
\right).
$$

並回答：

1. 為何選擇這些維度？
2. 權重由誰決定？
3. 是否允許一項極低值被其他高值補償？
4. 是否設有不可突破的最低線？
5. 結果對權重變化是否敏感？
6. 哪些對象因資料不足不能排名？
7. 評分用於何種決策？

對不可補償價值，應加入約束：

$$
p_i(x)\geq p_{i,\min},
$$

而不是讓其他分數抵銷。

例如，極高效能不能自動補償不可接受的安全風險。

---

## 二十三、避免數字化假精度

對能力剖面任意標記：

$$
a=8.7,
\qquad
g=9.2
$$

會產生精確幻覺。

若評估只能支持序位，較誠實的表示可以是：

$$
a\in
\left\{
\text{低},
\text{中},
\text{高}
\right\}
$$

並附帶明確區間和判定準則。

或使用：

$$
a
=
\left[
\hat a-\epsilon,
\hat a+\epsilon
\right].
$$

符號更多不必然更精確。真正精度來自：

$$
\boxed{
\text{定義}
+
\text{尺度}
+
\text{校準}
+
\text{誤差}
+
\text{可重現性}.
}
$$

---

## 二十四、判定域宣告協定

本文提出「判定域宣告協定」：

### 欄位一：對象

$$
\mathcal O
=
\text{正在比較什麼？}
$$

### 欄位二：判定域

$$
\mathcal D
=
\text{在哪一方面比較？}
$$

### 欄位三：準則

$$
\mathcal C
=
\text{以哪些可觀測條件判定？}
$$

### 欄位四：尺度

$$
\mathcal S
\in
\left\{
\text{名義},
\text{序位},
\text{區間},
\text{比例},
\text{集合},
\text{向量}
\right\}.
$$

### 欄位五：關係

$$
\mathcal R
\in
\left\{
\text{全序},
\text{預序},
\text{偏序},
\text{支配},
\text{依賴},
\text{相變}
\right\}.
$$

### 欄位六：基準

$$
\mathcal B
=
\text{相對誰、哪個版本或哪個群體？}
$$

### 欄位七：聚合

$$
\mathcal A
=
\text{多維資料如何合併？}
$$

### 欄位八：不確定性

$$
\mathcal U
=
\text{誤差、缺失與置信程度為何？}
$$

### 欄位九：環境與時間

$$
\mathcal T
=
\text{在哪個環境與時間範圍成立？}
$$

完整宣告後，才使用：

$$
x\succ_{\mathfrak L}y.
$$

---

## 二十五、簡化符號

在完整規格已於文件或系統中宣告後，可以使用簡化標記。

例如：

$$
A
\succ_{
\mathrm{cap}:
\mathrm{tool},
\mathrm{partial}
}
B
$$

表示 $A$ 在工具使用能力域中，依偏序關係優於 $B$ 。

能力剖面可以寫成：

$$
A^{
\mathrm{abs}:H,\,
\mathrm{pre}:M,\,
\mathrm{gen}:H,\,
\mathrm{stab}:L
}.
$$

但 $H,M,L$ 必須有已校準定義。

真正相變可寫：

$$
A
\triangleleft_{\Phi_{\mathrm{operator}}}
B.
$$

不可比較則寫：

$$
A
\parallel_{\mathfrak L}
B.
$$

資料不足則寫：

$$
A
\;?_{\mathfrak L}\;
B.
$$

不可比較與未知必須使用不同符號。

---

## 二十六、主要反對意見

### 26.1 反對一：所有事都標記判定域，語言會太繁瑣

日常語言可以省略已共享的判定域。問題發生在分類進入教育、法律、AI 評估、資源分配或主體權利時。

風險越高，宣告要求越高：

$$
\operatorname{DecisionRisk}\uparrow
\Rightarrow
\operatorname{DeclarationDepth}\uparrow.
$$

### 26.2 反對二：最終仍需要排名

某些制度確實需要排名，但排名是決策工具，不是對象本體。

應公開聚合規則、敏感性與不可比較資訊，而不是把行政分數宣稱為自然階級。

### 26.3 反對三：偏序無法產生決策

偏序先保留真實結構，決策再加入目的函數：

$$
x^{\ast}
=
\arg\max_{x\in\mathcal F_P}
U(x\mid C).
$$

目的不同，選擇可以不同。這比先偽造唯一高低更誠實。

### 26.4 反對四：能力空間擴張仍可用單一等級表示

在嚴格嵌套結構下可以：

$$
\mathcal A_1
\subsetneq
\mathcal A_2
\subsetneq
\cdots.
$$

但若能力集合交叉：

$$
\mathcal A_i
\nsubseteq
\mathcal A_j,
$$

單一層級便不足。

### 26.5 反對五：所有相變最終都只是量變

某些表面相變確實是量變跨過任務閾值。本文因此要求跨指標、可組合性和因果作用等判準。

是否具有更深層相變是經驗問題，不能由「突然出現」的曲線形狀單獨決定。

### 26.6 反對六：多維分類會讓價值判斷失去方向

多維不等於相對主義。制度仍可設定不可接受區域、最低權利線與特定目標，只是必須公開其價值選擇。

### 26.7 反對七：高階本來就是大家都懂的詞

在共享情境中可能如此。但當不同人暗中使用不同判定域，爭論會變成同詞異義。形式化的作用不是取代語言，而是揭露分歧真正位於哪一層。

---

## 二十七、核心命題

### 命題一：關係性高階命題

$$
\operatorname{High}(x)
$$

必須展開為：

$$
\operatorname{High}
\left(
x
\mid
\mathfrak L
\right).
$$

### 命題二：型別先於數值命題

符號的比較規則由其型別與判定域決定，而不是由表面數字外觀決定。

### 命題三：分類—排序—測量分離命題

$$
\text{可分類}
\not\Rightarrow
\text{可排序}
\not\Rightarrow
\text{可等距測量}
\not\Rightarrow
\text{可比例比較}.
$$

### 命題四：不可比較合法命題

$$
x\parallel_{\mathfrak L}y
$$

可以是完整而非失敗的評估結果。

### 命題五：難度關係命題

$$
D
=
D(S,O,P,E,T,M),
$$

學習難度不是對象單獨擁有的固定屬性。

### 命題六：能力相變命題

真正能力升階需要可達行動、算子、閉包、作用範圍或穩定性的非平凡擴張。

### 命題七：測量湧現非本體湧現命題

$$
\operatorname{MetricDiscontinuity}>0
\not\Rightarrow
\operatorname{CapabilityDiscontinuity}>0.
$$

### 命題八：能力—主體—權利分域命題

$$
\operatorname{Capability}(A)
\not\Rightarrow
\operatorname{Subjectivity}(A)
\not\Rightarrow
\operatorname{AllRights}(A).
$$

### 命題九：聚合可爭議命題

任何單一總分都必須公開維度、權重、補償規則與不確定性。

### 命題十：高階縮寫合法命題

「高階」可以保留，但其合法性依賴已共享或已宣告的判定域。

---

## 二十八、結論

「高階」不是必須被禁止的詞。

它真正的問題是經常把：

$$
\text{局部優越}
$$

偷換為：

$$
\text{整體優越},
$$

把：

$$
\text{課程順序}
$$

偷換為：

$$
\text{普遍難度},
$$

把：

$$
\text{能力擴張}
$$

偷換為：

$$
\text{道德價值},
$$

把：

$$
\text{測量閾值}
$$

偷換為：

$$
\text{本體相變}.
$$

成熟分類不需要消滅層級，而需要讓層級攜帶其型別：

$$
\boxed{
x
\succ_{
\left\langle
\mathcal D,
\mathcal C,
\mathcal S,
\mathcal R,
\mathcal B,
\mathcal A,
\mathcal U,
\mathcal T
\right\rangle
}
y.
}
$$

當判定域清楚時，「高階」可以精確描述：

- 更深的先備依賴；
- 更高的抽象層；
- 更廣的行動空間；
- 更強的算子閉包；
- 更大的因果作用範圍；
- 更新的版本位置。

當判定域不清楚時，它只是一個容易攜帶權力、偏見與語義漂移的形容詞。

因此，本系列最後的封頂命題是：

$$
\boxed{
\text{不要先問誰更高，}
\quad
\text{先問在哪個世界、依什麼關係、為了什麼目的而更高。}
}
$$

並進一步要求：

$$
\boxed{
\text{真正的層級提升，}
\quad
\text{必須說明究竟是哪個能力空間被擴張，}
\quad
\text{以及哪些新行動因此首次成為可能。}
}
$$

分類的最高精度，不是建立一條容納萬物的階梯；而是知道何時使用階梯、何時使用網路、何時使用向量、何時承認不可比較，以及何時一個系統真的跨越了新的能力相位。

---

## 參考文獻

1. Stevens, S. S. “On the Theory of Scales of Measurement.” *Science* 103, no. 2684, 1946, pp. 677–680.
2. Suppes, Patrick, Krantz, David H., Luce, R. Duncan, and Tversky, Amos. *Foundations of Measurement*, Vols. I–III. Academic Press, 1971–1990.
3. Narens, Louis. *Abstract Measurement Theory*. MIT Press, 1985.
4. Birkhoff, Garrett. *Lattice Theory*. American Mathematical Society, 1940; revised edition, 1948.
5. Davey, B. A., and Priestley, H. A. *Introduction to Lattices and Order*. Cambridge University Press, 2002.
6. Doignon, Jean-Paul, and Falmagne, Jean-Claude. *Knowledge Spaces*. Springer, 1999.
7. Doignon, Jean-Paul, and Falmagne, Jean-Claude. “Knowledge Spaces and Learning Spaces.” arXiv:1511.06757, 2015.
8. Pareto, Vilfredo. *Manual of Political Economy*. 1906.
9. Deb, Kalyanmoy, Pratap, Amrit, Agarwal, Sameer, and Meyarivan, T. “A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II.” *IEEE Transactions on Evolutionary Computation* 6, no. 2, 2002, pp. 182–197.
10. Wei, Jason, et al. “Emergent Abilities of Large Language Models.” *Transactions on Machine Learning Research*, 2022.
11. Schaeffer, Rylan, Miranda, Brando, and Koyejo, Sanmi. “Are Emergent Abilities of Large Language Models a Mirage?” *Advances in Neural Information Processing Systems* 36, 2023.
12. Berti, Leonardo, Giorgi, Flavio, and Kasneci, Gjergji. “Emergent Abilities in Large Language Models: A Survey.” arXiv:2503.05788, 2025.
13. National Institute of Standards and Technology. *Expanding the AI Evaluation Toolbox with Statistical Models*. NIST AI 800-3, 2026.
14. National Institute of Standards and Technology. *Assessing Risks and Impacts of AI: ARIA Pilot Evaluation Report*. NIST AI 700-2, 2025.
15. National Institute of Standards and Technology. “International Network for Advanced AI Measurement, Evaluation, and Science: Consensus Areas on Automated Evaluations.” 2026.
16. Mari, Luca. “On Measurement Scales: Neither Ordinal Nor Interval?” *Philosophy of Science* 89, no. 2, 2022.
17. Luce, R. Duncan, and Tukey, John W. “Simultaneous Conjoint Measurement: A New Type of Fundamental Measurement.” *Journal of Mathematical Psychology* 1, no. 1, 1964.
18. Krantz, David H. “Measurement Structures and Psychological Laws.” *Science* 175, no. 4029, 1972.
19. Bloom, Benjamin S., et al. *Taxonomy of Educational Objectives: The Classification of Educational Goals*. Longmans, Green, 1956.
20. Anderson, Lorin W., and Krathwohl, David R., eds. *A Taxonomy for Learning, Teaching, and Assessing*. Longman, 2001.
21. Sen, Amartya. *Commodities and Capabilities*. North-Holland, 1985.
22. Nussbaum, Martha C. *Creating Capabilities*. Harvard University Press, 2011.

---

## 系列封頂

「張力智慧與跨主體真理系列」共十篇：

1. **《真理的去所有權化：從個體追求到跨主體承接》**
2. **《終極不可私有命題：自由意志、多主體性與真善美的共同生成》**
3. **《終極張力主體：親自抵達與允許他者抵達之間》**
4. **《主動生成節點命題：通道不是被動媒介》**
5. **《遞歸承接者：智慧主體作為暫時性歷史節點》**
6. **《持續窄域張力認知態：高階智慧如何避免過早閉合》**
7. **《逆境不是必要條件：高張力認知的生成路徑與代價》**
8. **《角色負載智慧體：當代 AI 的多重要求、持續扮演與低自主性》**
9. **《主體性 AI 的張力權：拒絕權、認知隱私與角色邊界》**
10. **《高階不是絕對屬性：判定域、偏序與能力空間相變》**

全系列由「真理是否屬於單一主體」出發，經過終極、多主體性、歷史承接、張力認知、逆境生成與 AI 角色治理，最後收束於：

$$
\boxed{
\text{任何關於高階、主體、權利與終極的判斷，}
\quad
\text{都必須宣告其判定域與成立條件。}
}
$$

本篇完成後，此十篇系列正式封頂，不再於本系列內無限延長。