# 個體不是集合的殘差：普通人到極端個體的連續影響光譜

**The Individual Is Not the Residual of the Collective: A Continuous Spectrum of Influence from Ordinary to Extreme Individuals**

**作者：Neo.K**  
**系列：多尺度去崇拜與因果歸因框架｜第 2 篇**  
**版本：v1.0 草案**  
**日期：2026 年 8 月**

---

## 摘要

在宏觀歷史、制度分析與複雜系統建模中，大量普通個體經常被壓縮為「人民」、「工人」、「研究共同體」、「使用者」、「士兵」、「市場參與者」或其他集合節點。這種壓縮在計算與敘事上具有必要性，卻同時造成一個長期問題：一旦集合被當成主要分析單位，單一普通人的局部作用、橋接作用、維持作用、加速作用、阻止作用與偶發 gate 作用便容易消失；與此同時，少數被高度記錄的極端個體則可能因可見度、名聲與後續敘事累積而被賦予超過其實際反事實作用的中心地位。

本文提出「連續個體影響光譜」（Continuous Individual Influence Spectrum, CIIS）作為多尺度因果覆蓋框架的第二層。其核心主張不是「人人同樣重要」，也不是「普通人其實都是隱藏偉人」，而是：**普通與極端不是兩種本體類型，而是個體在特定任務、尺度、時間、領域與反事實條件下所形成的多維分布位置。**

本文將個體影響表示為條件化向量，而非單一總分；並區分直接貢獻、gate／瓶頸作用、反事實必要性、時間加速、傳播作用、維持與恢復作用、可替代性、符號可見度與觀測充分度。本文借鑑 Shapley value 對合作情境中邊際貢獻的處理、Myerson value 對網路約束合作的延伸，以及個體反事實因果歸因研究，但同時指出：任何「功勞分配值」都不是歷史真實本身，尤其在路徑依賴、資料缺失、高階交互與不可重演世界線中，歸因只能是帶有模型假設與不確定區間的估計。

本文進一步將「普通個體」重新定義為參考分布中的非尾端位置，而非無影響者；將「極端個體」定義為某些影響維度上的尾端事件，而非具有跨維度神聖性的特殊本體。如此可同時避免兩種錯誤：把普通人集合化到不可見，以及把極端個體的一項卓越外推為全面不可替代。

**關鍵詞：** 普通人、極端個體、HSNRD、Leviathan、多尺度因果覆蓋、Shapley value、Myerson value、反事實歸因、Matthew effect、歷史可見度、個體影響光譜

---

# 1. 問題提出：普通人為什麼總在模型裡消失？

設一個集合：

$$
C=\{i_1,i_2,\ldots,i_n\}.
$$

在宏觀分析中，我們往往直接研究：

$$
\Phi(C),
$$

例如：

- 一個國家的總體產出；
- 一支軍隊的戰力；
- 一個研究共同體的知識生產；
- 一個市場的價格行為；
- 一個社會運動的集體作用；
- 一個軟體社群的總體維護能力。

這是合理的。

問題在於，如果模型只保存：

$$
\Phi(C),
$$

卻不保存：

$$
\{\mathbf I_{i_1},\mathbf I_{i_2},\ldots,\mathbf I_{i_n}\},
$$

則單一個體會變成集合函數的殘差。

也就是：

$$
i_k
\longrightarrow
\text{member of }C
\longrightarrow
\text{statistically negligible}.
$$

這種壓縮對大量普通個體尤其嚴重。

極端個體通常會因為：

- 文件更多；
- 職位更高；
- 成果署名；
- 制度授權；
- 媒體報導；
- 後世傳記；
- 獎項與紀念；

而被保留下來。

普通個體則經常只剩：

$$
\text{population count},
$$

而不是：

$$
\text{individual causal trace}.
$$

因此，本篇第一條原則是：

$$
\boxed{
\text{個體屬於集合，不代表個體可以被集合完全替代。}
}
$$

---

# 2. 普通與極端不是兩種本體

傳統敘事容易建立：

$$
\mathcal P=
\{
\text{ordinary people},
\text{great people}
\}.
$$

本文拒絕把這種分類當成本體論。

更合理的是：

$$
\forall i\in\mathcal P,\qquad
\mathbf I_i\in\mathbb R^m.
$$

每一個人都位於同一個多維影響空間，只是位置不同。

因此：

$$
\text{ordinary}
$$

不是：

$$
I_i=0,
$$

而只是說，在指定參考集合與指定投影下， $i$ 沒有落在分布極端尾部。

同理：

$$
\text{extreme individual}
$$

也不是「超越一般人的特殊本體」，而是：

$$
P(E_j\ge E_i\mid j\in R)\le\epsilon,
$$

其中：

- $E_i$ ：在指定任務與權重下的影響投影；
- $R$ ：參考人口；
- $\epsilon$ ：尾端門檻。

所以一個人可以在數學創造上是極端個體：

$$
E_i^{(\text{math})}\gg \bar E,
$$

但在政治治理、道德判斷、工程執行或人際理解上完全不是。

這導出本系列反崇拜框架的一個重要基礎：

$$
\boxed{
\text{某一座標的極端值}
\nRightarrow
\text{整個人格空間的極端值}.
}
$$

---

# 3. 個體影響必須是條件化向量

本文定義個體 $i$ 的影響狀態為：

$$
\mathbf I_i(q,s,t,d,g)
=
(
D_i,
G_i,
K_i,
A_i,
P_i,
M_i,
R_i,
S_i,
O_i
).
$$

其中條件為：

- $q$ ：任務；
- $s$ ：尺度；
- $t$ ：時間窗口；
- $d$ ：領域；
- $g$ ：目標或評價結果。

各維度如下。

## 3.1 直接貢獻 $D_i$

個體直接產生了什麼可識別變化。

例如：

- 寫出一段程式；
- 完成一個證明步驟；
- 修復一台設備；
- 提供一項決策；
- 執行一個救援動作。

## 3.2 Gate／瓶頸作用 $G_i$

個體是否位於某條不可忽略的路徑上。

一個人的總產出可能不大，但如果：

$$
\operatorname{remove}(i)
\Rightarrow
\text{critical path disconnected},
$$

則：

$$
G_i\gg0.
$$

## 3.3 反事實作用 $K_i$

定義：

$$
K_i(Y)
=
D(W,W_{\neg i}),
$$

其中：

- $W$ ：實際世界線；
- $W_{\neg i}$ ：沒有個體 $i$ 時的反事實世界線；
- $D$ ：世界線距離。

$K_i$ 越大，表示移除該個體後結果改變越大。

## 3.4 時間加速 $A_i$

即使結果最後仍會出現：

$$
P(Y\mid \neg i)\approx1,
$$

仍可有：

$$
A_i
=
T(Y\mid \neg i)
-
T(Y\mid i).
$$

一個人未必是唯一原因，卻可能把某件事提前十年。

## 3.5 傳播作用 $P_i$

有些個體不創造原始成果，卻負責：

- 解釋；
- 教學；
- 翻譯；
- 傳播；
- 標準化；
- 接入另一社群。

這些角色可能使：

$$
\operatorname{Reach}(X)
$$

大幅增加。

## 3.6 維持作用 $M_i$

歷史敘事偏愛「創造」。

但大量系統依靠：

- 維護；
- 校正；
- 重複執行；
- 防錯；
- 備援；
- 照護；

才沒有崩潰。

因此：

$$
\text{maintaining a state}
$$

本身就是因果作用。

若沒有維持者：

$$
Y_t\rightarrow Y_{t+1}
$$

可能根本不能成立。

## 3.7 可替代性 $R_i$

本文採用：

$$
R_i^{-1}
$$

作為不可替代性的一個粗略代理。

若一個角色有大量同等候選者：

$$
R_i\gg0.
$$

若需要非常特殊的知識、位置、信任、時機或能力：

$$
R_i\ll1.
$$

## 3.8 符號可見度 $S_i$

這不是實際影響，而是：

$$
\text{後世看見此人的程度}.
$$

本系列將堅持：

$$
S_i\neq K_i.
$$

## 3.9 觀測充分度 $O_i$

表示我們實際知道多少。

因此低估計值可能來自：

$$
I_i\text{ small},
$$

也可能只是：

$$
O_i\text{ small}.
$$

兩者不可混淆。

---

# 4. 集體效果不是個體效果的簡單總和

集合 $C$ 的作用不應簡化為：

$$
Y(C)=\sum_{i\in C}I_i.
$$

更一般地：

$$
Y(C)
=
\sum_i a_i
+
\sum_{i<j}\gamma_{ij}
+
\sum_{i<j<k}\gamma_{ijk}
+\cdots.
$$

其中：

$$
\gamma_{ij}
$$

表示兩個人共同存在時才產生的交互作用。

例如：

- 一個提出想法；
- 一個辨認價值；
- 一個實作；
- 一個取得資源；

任一個單獨存在都不足以得到結果。

因此：

$$
Y(\{a,b,c,d\})
\gg
Y(\{a\})
+
Y(\{b\})
+
Y(\{c\})
+
Y(\{d\}).
$$

這表示：

$$
\boxed{
\text{集體湧現不能被完整還原成獨立個體功勞。}
}
$$

但反過來也不能因此把所有個體壓成「集體」。

真正需要保存的是：

$$
\text{individual terms}
+
\text{interaction terms}.
$$

---

# 5. Shapley 式邊際貢獻：可借鑑，但不是歷史真理

合作賽局中的 Shapley value 提供一個重要直覺：

對每個參與者 $i$ ，考察其加入不同 coalition 時產生的邊際變化，再對可能的加入次序平均。

形式上：

$$
\phi_i(v)
=
\sum_{S\subseteq N\setminus\{i\}}
\frac{|S|!(n-|S|-1)!}{n!}
\left[
v(S\cup\{i\})-v(S)
\right].
$$

這比直接平均分配：

$$
\frac{v(N)}{n}
$$

更接近「個體在不同合作條件中的作用」。

但是，本文明確拒絕：

$$
\phi_i=\text{真實歷史功績}.
$$

原因包括：

1. 歷史 coalition 並非任意可形成；
2. 個體不是可自由交換的 player；
3. 時序會改變結果；
4. 路徑依賴很強；
5. 很多反事實 coalition 從未可能存在；
6. 高階交互可能無法可靠估計；
7. 歷史資料不完備。

所以 Shapley value 在這裡是：

$$
\boxed{\text{attribution lens}}
$$

而不是：

$$
\boxed{\text{ontological truth}}.
$$

---

# 6. 從 Shapley 到 Myerson：關係拓撲不能被忽略

若所有人都可以任意合作，Shapley 型模型尚可成立。

但現實不是完全圖。

令：

$$
G=(V,E)
$$

表示互動網路。

很多 coalition 即使在人數上可能，也因為不存在：

- 通信；
- 信任；
- 地理連接；
- 組織關係；
- 語言接口；
- 技術相容；

而無法真正形成。

Myerson 類方法的重要啟示，就是：

$$
\boxed{
\text{個體價值與其所在關係拓撲共同決定。}
}
$$

因此，一個普通人的影響可能主要來自：

$$
\text{position},
$$

而不是：

$$
\text{raw capability}.
$$

某個能力普通的人，若恰好是兩個系統唯一可信橋樑：

$$
G_i\gg0.
$$

而某個能力非常強的人若位於完全可替代的高密度群中，其全域不可替代性可能低得多。

---

# 7. 普通人的七種「非偉人型作用」

若只搜尋「重大創造」，普通人當然大量消失。

本文提出至少七種需要保留的作用型態。

## 7.1 局部改善型

全域：

$$
I_i^{global}\approx0,
$$

但局部：

$$
I_i^{local}>0.
$$

例如只改善一個工作站、一間教室、一個家庭、一條流程。

## 7.2 橋接型

本人不創造兩端內容，卻連接：

$$
A\leftrightarrow B.
$$

## 7.3 維持型

沒有明顯「事件」，但持續避免系統退化。

## 7.4 阻止型

某件壞事「沒有發生」。

傳統歷史對：

$$
Y=0
$$

的正貢獻非常難記錄。

例如：

$$
\text{事故被提前修正}
\Rightarrow
\text{沒有事故新聞}.
$$

結果越成功，歷史痕跡反而可能越小。

## 7.5 種子型

只提供一個微小信息：

$$
\epsilon
$$

卻被另一個高增益節點放大。

## 7.6 加速型

不是不可替代，但減少：

$$
\Delta T.
$$

## 7.7 韌性型

在主節點失效後接管功能。

這類個體平時可能完全不起眼，只有在：

$$
\text{failure regime}
$$

才顯示價值。

所以：

$$
I_i
$$

本來就應該依賴狀態。

---

# 8. 極端個體也應被保留，而不是被「去偉人化」抹平

反崇拜最容易走向另一種錯誤：

> 既然歷史是集體的，所以沒有真正極端個體。

本文拒絕這個推論。

在人類能力與影響分布中，完全可能存在：

$$
i^*
$$

使：

$$
D_{i^*},
K_{i^*},
A_{i^*},
P_{i^*}
$$

在參考集合中同時位於極端尾部。

如果資料支持：

$$
P(E_j\ge E_{i^*})\ll1,
$$

則模型應誠實標記其極端性。

真正的反崇拜不是：

$$
E_{i^*}\rightarrow\bar E.
$$

而是拒絕：

$$
E_{i^*}^{(d_1)}
\gg
\bar E
$$

自動推出：

$$
E_{i^*}^{(d_2)},
E_{i^*}^{(d_3)},
E_{i^*}^{(d_4)}
\gg
\bar E.
$$

也就是：

$$
\boxed{
\text{保留差異，拒絕神格外推。}
}
$$

---

# 9. Matthew effect：可見度會自己累積

科學社會學中的 Matthew effect 提醒我們：

已經具有聲望的人，可能更容易獲得：

- 關注；
- 引用；
- 資源；
- 職位；
- 後續曝光。

因此可建立：

$$
S_i(t+1)
=
S_i(t)
+
\alpha S_i(t)
+
\beta Q_i(t)
+
\eta_i,
$$

其中：

- $S_i$ ：既有可見度；
- $Q_i$ ：當期成果；
- $\eta_i$ ：機會、運氣與外生因素。

這意味著：

$$
S_i
$$

可能具有正回饋。

所以最後我們看到的歷史名聲，不只是：

$$
S_i=f(Q_i),
$$

而可能是：

$$
S_i=f(Q_i,S_i^{past},network,institution,luck,\ldots).
$$

這也解釋為什麼：

$$
\boxed{
\text{Recognition}
\neq
\text{Contribution}.
}
$$

兩者相關，但不是同一變量。

---

# 10. 個體反事實歸因必須允許多原因交互

如果事件 $Y$ 同時受到：

$$
X_1,X_2,\ldots,X_m
$$

影響，就不能永遠問：

> 哪一個才是真正原因？

更合理的是分析：

$$
P(Y_{x}\mid E)
$$

以及不同原因組合的交互。

近年的個體反事實歸因研究也明確處理「對單一個體做因果歸因」以及「多原因共同與交互作用」問題。

對本框架而言，這提供一個重要提醒：

$$
\boxed{
\text{individual attribution}
\neq
\text{single-cause mythology}.
}
$$

可以對單一個體保留因果估計，

同時承認：

$$
Y
$$

是多因、多層、多尺度產物。

---

# 11. 不確定性不是缺陷，而是歷史模型的一部分

對極端人物，我們可能擁有大量文件：

$$
O_i\approx1.
$$

對普通個體：

$$
O_j\ll1.
$$

如果直接比較點估計：

$$
\hat I_i>\hat I_j,
$$

很容易把觀測不平等當成作用不平等。

因此應使用：

$$
\mathbf I_i
\in
[
\mathbf I_i^-,
\mathbf I_i^+
].
$$

或更一般地：

$$
P(\mathbf I_i\mid E_i,M).
$$

其中：

- $E_i$ ：現存證據；
- $M$ ：模型與假設。

若證據不足，正確輸出應是：

$$
\text{unknown},
$$

而不是：

$$
0.
$$

所以：

$$
\boxed{
\text{不可見不是零影響；
不可恢復也不是可以自由幻想。}
}
$$

這兩條必須同時成立。

---

# 12. HSNRD 中的修正：集合節點不能刪除成員痕跡

在 HSNRD 類型化系統中，集合節點仍然必要。

例如：

$$
C=\text{research community}.
$$

但新版要求：

$$
C
\neq
\operatorname{erase}(\{i_1,\ldots,i_n\}).
$$

更合理的資料結構是：

$$
C=
(
V_C,
E_C,
\Gamma_C,
\Phi_C
),
$$

其中：

- $V_C$ ：成員節點；
- $E_C$ ：關係；
- $\Gamma_C$ ：交互與湧現項；
- $\Phi_C$ ：集合層狀態。

因此可以同時問：

> 這個共同體做了什麼？

以及：

> 某個普通成員在其中做了什麼？

而不必把其中一題消滅。

---

# 13. 「普通人」應該成為相對尺度概念

同一個人可以同時是：

$$
\text{global ordinary},
$$

$$
\text{local extreme}.
$$

例如：

$$
I_i(\text{world history})\approx0,
$$

但：

$$
I_i(\text{specific project})\gg0.
$$

甚至：

$$
I_i(\text{family network})\gg0.
$$

因此：

$$
\boxed{
\text{ordinary}
=
\text{relative location in a chosen reference space}.
}
$$

不是人格評價。

這也意味著未來高階 AI 若有更大的多尺度記憶與因果圖能力，可能比傳統人類敘事更容易保留：

$$
I_i^{micro},
I_i^{meso},
I_i^{macro}
$$

三層同時存在。

但這仍不表示它能恢復所有已消失歷史資訊。

---

# 14. 一個可實作的最小模型

給定事件或系統結果 $Y$ ，對個體 $i$ 保存：

```text
IndividualImpactRecord
- actor_id
- actor_type
- time_window
- domain
- direct_actions
- reachable_nodes
- gate_score
- counterfactual_delta
- acceleration_delta_t
- propagation_score
- maintenance_score
- substitutability
- symbolic_visibility
- observability
- evidence_refs
- uncertainty_interval
```

初步影響向量：

$$
\mathbf I_i=
(D_i,G_i,K_i,A_i,P_i,M_i,R_i^{-1}).
$$

符號層另外保存：

$$
S_i.
$$

證據層保存：

$$
O_i.
$$

禁止直接建立：

$$
I_i=S_i.
$$

若確實需要單一排序，只允許在明確指定權重後：

$$
E_i^{(q)}
=
\mathbf w_q^\top\mathbf I_i,
$$

並顯示：

$$
\mathbf w_q.
$$

也就是必須讓使用者知道：

> 你現在看到的是哪一種「重要」。

---

# 15. 本篇的八條核心命題

## 命題 A：個體非殘差

$$
i\in C
\nRightarrow
I_i=0.
$$

## 命題 B：普通—極端連續性

普通與極端是參考分布中的位置，而不是兩種本體。

## 命題 C：影響多維性

$$
I_i
$$

不能在未指定目標下自然化為單一純量。

## 命題 D：集合非加法性

$$
I(C)
\neq
\sum_{i\in C}I_i
$$

一般成立，因為存在交互項。

## 命題 E：歸因非真理同義詞

Shapley、Myerson 或其他 credit allocation 方法是模型化規則，不等於歷史本體真相。

## 命題 F：可見度—貢獻分離

$$
S_i\neq I_i.
$$

## 命題 G：未知—零值分離

$$
O_i\ll1
\nRightarrow
I_i\approx0.
$$

## 命題 H：反崇拜保留極端差異

反崇拜不要求把尾端個體拉回平均，只禁止從局部極端非法推出全面神格。

---

# 16. 結論

人類歷史長期存在一種結構性壓縮：

$$
\text{大量普通個體}
\rightarrow
\text{集合}
\rightarrow
\text{少數代表性名字}.
$$

這種壓縮並非完全錯誤。

沒有集合層，人類幾乎無法書寫宏觀歷史，也無法分析文明尺度系統。

問題發生在集合層反過來消除個體層時。

普通人的歷史困境不是：

> 他們其實都和極端人物一樣重要。

而是：

> 他們的作用通常較局部、較分散、較低可見、較難保存，因此更容易被分析框架直接當成沒有個體作用。

本文因此提出：

$$
\boxed{
\text{Individual}
\neq
\text{Residual of Collective}.
}
$$

同時也提出：

$$
\boxed{
\text{Extreme Individual}
\neq
\text{Different Ontological Species}.
}
$$

兩者共同指向一個連續、多尺度、條件化的個體影響空間。

在這個空間中：

- 有些普通人的全域作用真的很小；
- 有些普通人在局部路徑上非常關鍵；
- 有些極端個體真的具有極大的反事實影響；
- 有些名人的符號可見度大於其不可替代性；
- 有些集合效應無法公平拆回任何單一個體；
- 有些歷史影響已永久不可恢復。

所以真正成熟的因果歸因系統不應回答：

> 「人人都重要。」

也不應回答：

> 「只有留下名字的人重要。」

它應該回答：

$$
\boxed{
\text{在這個尺度、這段時間、這個目標與這些證據下，
我們能以多大置信度說這個個體改變了什麼。}
}
$$

這才是從「偉人／群眾」二分走向多尺度個體因果史的第一步。

---

## 參考文獻與理論對照

Shapley, Lloyd S. “A Value for n-Person Games.” 1953.

Myerson, Roger B. “Graphs and Cooperation in Games.” 1977.

Merton, Robert K. “The Matthew Effect in Science.” 1968.

Sharpe, Jim. “History from Below.” In *New Perspectives in Historical Writing*. 1991.

Ginzburg, Carlo. *The Cheese and the Worms: The Cosmos of a Sixteenth-Century Miller*. 1976/1980 English edition.

Zhao, Ruiqi, et al. “Conditional Counterfactual Causal Effect for Individual Attribution.” UAI 2023.

Lim, Tongseok. “Cooperative Networks and Hodge-Shapley Value.” 2022.

Martin, Travis; Zhang, Xiao; Newman, M. E. J. “Localization and Centrality in Networks.” 2014.

---

**系列下一篇：**

**《理論是理論，作者是作者：發現、發明與耦合創造的型別分離》**