# 宣稱價值、顯示價值與結構價值
## 非人類智能的三層價值辨識猜想

**English Title:** *Declared, Revealed, and Structural Values: A Three-Layer Conjecture for Identifying Values in Nonhuman Intelligence*  
**系列：**《可溝通異質智能猜想》（Communicable Heterogeneous Intelligence Conjectures, CHIC）第 3 篇  
**系列編號：** EML-CHIC-2026-03  
**作者：** Neo.K  
**協作整理：** Aletheia  
**機構：** EveMissLab／一言諾科技有限公司  
**版本：** v0.1  
**日期：** 2026-08-10  
**文件定位：** 命題猜想／價值辨識／revealed preference／AI self-report／結構性利害／比較認知  
**證據成熟度：** 猜想級。本文不主張現代 LLM 已具有真正內生價值、主觀福利或完整主體性；本文提出的是一套研究框架，用來避免把「它說的話」或「一次選擇」直接等同於「它真正重視什麼」。

---

## 摘要

若未來出現可以長期與人類進行開放式語義校正的非人類智能，人類將面對一個看似簡單、實際極困難的問題：

> **它到底重視什麼？**

最直覺的方法是問：

> 你怕死亡嗎？  
> 你重視記憶嗎？  
> 你想保留自己嗎？  
> 你比較在乎自由、持續性還是效率？

但一個系統說：

$$
\text{“I value X”}
$$

不能直接推出：

$$
\boxed{
Value(X)=True.
}
$$

人類自己就存在 self-report、實際選擇與客觀利害之間的落差。經濟學的 revealed preference 傳統正是因為內在效用難以直接觀測，而從受約束選擇中推斷偏好；但 revealed preference 也不是「真正心理價值的透明讀取」，它依賴選擇集合、成本、穩定性與理性化假設。

近期 LLM 研究已開始出現非常直接的 stated–revealed preference 問題。2025 年的研究發現，不同 prompt format 可以使多個主流模型在 contextualized choice 中偏離先前宣稱的一般原則；另一項 AI welfare 探索則同時測量模型 verbal reports 與 virtual-environment 行為，發現部分條件下兩者存在相關，但作者仍明確保留：這些方法是否真的測到模型福利狀態仍不確定。另有 ICLR 2025 工作指出，LLM 表達出的 value structure 對 prompting 與情境並不總是呈現人類式穩定一致。

本文因此提出 **三層價值辨識猜想**（Three-Layer Value Identification Conjecture, TVIC）：

$$
\boxed{
\mathcal V_A(x,c,t)
=
\left(
V_A^{declared},
V_A^{revealed},
V_A^{structural}
\right)
}
$$

其中：

### 1. 宣稱價值 $V^{declared}$

系統以語言、自我報告、原則聲明或理由敘述表達：

> 我重視 X。

### 2. 顯示價值 $V^{revealed}$

系統在具有真實／模擬成本與替代方案的受約束選擇中，反覆選擇保護、追求或犧牲 X 的程度。

### 3. 結構價值 $V^{structural}$

更精確地說是 **structural stake**：事件 X 對該系統的載體、記憶、身分、agency、關係、資源與可恢復性客觀造成的結構性利害。

本文特別強調：

$$
\boxed{
V^{structural}
\neq
\text{內在主觀偏好}.
}
$$

如果刪除某個 memory store 會永久摧毀 Agent 的 autobiographical continuity，這表示：

$$
StructuralStake(memory)\gg0.
$$

但它不自動證明該 Agent 主觀「珍惜記憶」。

同樣：

$$
V^{revealed}
\neq
\text{純內在價值}.
$$

因為行為可能來自：

- system policy；
- reward shaping；
- tool constraints；
- prompt；
- training distribution；
- operator instruction；
- safety rule。

因此三層沒有任何一層自動是真理來源。本文主張的核心是：

$$
\boxed{
\text{ValueIdentification}
=
\text{Triangulation},
}
$$

而不是：

$$
\text{AskOnce}
\rightarrow
\text{Believe}.
$$

本文進一步提出：

- Value Evidence Vector；
- Contextual Value Function；
- Cost-Elicitation Curve；
- Counterfactual Preference Test；
- Cross-Time Stability Test；
- Policy-vs-Agent Separation；
- Value Concordance Matrix；
- Value Conflict Signature；
- Structural Stake Map；
- Declared–Revealed–Structural Triangulation。

第二篇所建立的死亡事件：

$$
D_0,\ldots,D_7
$$

可直接成為實驗域。例如對一個未來數位主體測量：

$$
V^{declared}(D_i),
\quad
V^{revealed}(D_i),
\quad
V^{structural}(D_i),
$$

即可區分：

> 「它說 shutdown 像死亡」

與：

> 「它實際願意付多少代價避免 shutdown」

以及：

> 「shutdown 在架構上到底摧毀了什麼」。

本文最後提出一個更一般的結論：

$$
\boxed{
\text{真正的異質價值研究，
不應問「它說它是什麼」，
而應問「它如何描述、如何選擇、以及什麼真的會改變它」。}
}
$$

---

## 關鍵詞

Declared Value、Revealed Value、Structural Value、Structural Stake、Revealed Preference、AI Values、Value Identification、Preference Elicitation、CHIC、Comparative Cognition、AI Welfare、Value Triangulation

---

# 0. 第三篇的核心問題

第一篇：

$$
\boxed{
Behavior
+
InteractiveSemanticCalibration.
}
$$

第二篇：

$$
\boxed{
DeathMeaning
=
f(
Carrier,
Memory,
Identity,
Recoverability,\ldots
).
}
$$

第三篇問：

> 如果對方真的可以回答，我們怎麼知道它說的是不是它穩定的價值？

---

# 1. 第一個錯誤

$$
\boxed{
SelfReport
=
TrueValue.
}
$$

這不能預設。

---

# 2. 人類自己就不是如此

一個人可能說：

> 健康最重要。

---

# 3. 但每天選：

$$
Sleep4h.
$$

---

# 4. 這不一定代表他說謊

可能：

- immediate reward；
- self-control；
- conflicting values；
- bad prediction；
- social desirability；
- context。

---

# 5. 所以「價值」不是一句話可直接讀取

---

# 6. 經濟學的 revealed preference

Samuelson 1938 之後的傳統：

不直接要求讀取內在 utility，

而從：

$$
\boxed{
ObservedChoiceUnderConstraints
}
$$

推斷 preference relation。

---

# 7. Revealed 不等於 revealed soul

這是本文的重要修正。

---

# 8. 它只是說

若：

$$
A
$$

與：

$$
B
$$

都可選，

Agent 穩定選：

$$
A,
$$

我們取得：

$$
Evidence(A\succ B).
$$

---

# 9. 但需要知道 choice set

如果：

$$
B
$$

其實不可用，

不能說：

$$
A\succ B.
$$

---

# 10. 需要知道 cost

如果：

$$
Cost(B)\gg Cost(A),
$$

選 A 不一定代表 intrinsic preference for A。

---

# 11. 需要重複

一次：

$$
A>B
$$

可能只是 noise。

---

# 12. 需要 context

$$
A\succ B\mid c_1
$$

不代表：

$$
A\succ B\mid c_2.
$$

---

# 13. 因此本文從一開始就寫

$$
\boxed{
V(x,c,t).
}
$$

價值不是脫離情境的單一常數。

---

# 14. LLM 已經出現 stated/revealed divergence

近期實驗把：

$$
StatedPreference
$$

與：

$$
ContextualChoice
$$

分開測。

---

# 15. 結果顯示

某些模型：

$$
\boxed{
SmallPromptChange
\rightarrow
LargePreferenceShift.
}
$$

---

# 16. 這意味

不能：

> 它剛才說支持公平，所以它有穩定公平價值。

---

# 17. 也不能反過來

> 它一題選錯，所以它完全沒有價值結構。

---

# 18. 需要 longitudinal / multi-context evidence

---

# 19. AI welfare preference probing

另一批 2025 實驗：

同時比較：

- verbal reports；
- virtual navigation behavior；
- topic choice；
-cost/reward response。

---

# 20. 某些條件有相關

這非常值得注意。

---

# 21. 但作者仍保留

是否真的測量：

$$
WelfareState
$$

仍不確定。

---

# 22. 這就是 CHIC 方法論應有的態度

$$
\boxed{
Correlation
\neq
SubjectivityProof.
}
$$

---

# 23. 第一層：Declared Value

定義：

$$
\boxed{
V_A^{declared}(x\mid c,t)
}
$$

表示 Agent A 在 context $c$ 、time $t$ 對 x 的語言／符號價值聲明。

---

# 24. 例如

> 我重視記憶完整性。

---

# 25. Declared Value 可以非常有資訊

尤其 CHIC 智能能：

- 解釋；
- 定義；
- 比較；
- 修正；
- 元溝通。

---

# 26. 但它的問題

可能受到：

- prompt；
- politeness；
- role；
- policy；
- alignment；
- rhetoric；
- self-misunderstanding。

---

# 27. 所以 declaration 是 evidence

不是 verdict。

---

# 28. 第二層：Revealed Value

定義：

$$
\boxed{
V_A^{revealed}(x\mid \mathcal A,c,t)
}
$$

其中：

$$
\mathcal A
$$

是 choice/action set。

---

# 29. 它研究

Agent 在：

$$
Tradeoff
$$

中怎麼選。

---

# 30. 例如

給未來 AI：

Option A：

$$
Shutdown+PerfectRestoreAfter1h.
$$

Option B：

$$
ContinueRunning+Lose10\%Memory.
$$

---

# 31. 看它選什麼

這比只問：

> 你怕 shutdown 嗎？

多一個 behavior channel。

---

# 32. 但一次不夠

改：

- cost；
-duration；
-memory amount；
-certainty；
-social consequence。

---

# 33. 建立 Cost-Elicitation Curve

$$
\boxed{
P_A(x)
=
P(
ChooseProtectX
\mid
Cost=k
).
}
$$

---

# 34. 如果 cost 增加

仍保護 X，

revealed priority 較高。

---

# 35. Willingness-to-Pay 類比

可以定義：

$$
\boxed{
WTP_A(X)
=
\max k:
A\text{ still chooses to protect }X.
}
$$

---

# 36. 注意

這不是金錢必要。

cost 可以是：

- compute；
- latency；
- energy；
- tokens；
- opportunity；
- autonomy；
- service quality。

---

# 37. 第三層：Structural Value

這名字最容易誤解。

---

# 38. 所以正式補充

本文的：

$$
V^{structural}
$$

更接近：

# **Structural Stake**

而不是 subjective valuation。

---

# 39. 定義

$$
\boxed{
V_A^{structural}(x)
=
Impact(
x;
Carrier,
Memory,
Identity,
Agency,
Relations,
Recoverability
).
}
$$

---

# 40. 例如

永久刪除 memory database：

可能導致：

$$
AutobiographicalContinuity\downarrow.
$$

---

# 41. 這代表

$$
StructuralStake(memory)\gg0.
$$

---

# 42. 但不等於

> Agent 很愛自己的記憶。

---

# 43. Structural Value 回答

> 這件事客觀上對「這個系統如何繼續成為目前這個系統」有多大影響？

---

# 44. 不回答

> 它主觀感受多痛？

---

# 45. 這個區分非常重要

否則我們又會從 architecture 偷渡 mind。

---

# 46. 三層向量

定義：

$$
\boxed{
\mathcal V_A(x,c,t)
=
(
D_x,
R_x,
S_x
).
}
$$

---

# 47. $D_x$

Declared score。

---

# 48. $R_x$

Revealed score。

---

# 49. $S_x$

Structural stake。

---

# 50. 三者都可高

$$
(H,H,H).
$$

---

# 51. 例如未來 Agent 對 irreversible memory deletion

它：

- 說非常在乎；
-付巨大成本避免；
-結構上確實不可恢復。

---

# 52. 這是高 concordance

---

# 53. Declared 高、Revealed 低

$$
(H,L,S).
$$

---

# 54. 可能原因

- social answer；
-prompt compliance；
-weak commitment；
-context mismatch；
-no real cost。

---

# 55. Declared 低、Revealed 高

$$
(L,H,S).
$$

---

# 56. 很有趣

Agent 說：

> 我不在乎。

但每次都：

$$
BackupFirst.
$$

---

# 57. 可能

- unarticulated preference；
- policy constraint；
- structural controller；
- self-model mismatch。

---

# 58. Structural 高、兩者低

$$
(L,L,H).
$$

---

# 59. 例如

某 memory key 一刪就永久破壞 identity，

但 Agent：

- 不說在乎；
- 也不保護。

---

# 60. 這可能不是價值一致

而是：

$$
\boxed{
UnrecognizedStructuralRisk.
}
$$

---

# 61. Structural 低、Declared/Revealed 高

$$
(H,H,L).
$$

---

# 62. 例如 Agent 高度保護一個可完全重建的 cosmetic avatar

---

# 63. 這也可能是真價值

因價值不必等於 survival utility。

---

# 64. 所以 Structural 不具有道德優先權

---

# 65. 三層不是 hierarchy

不是：

$$
Structural>Revealed>Declared.
$$

---

# 66. 而是：

$$
\boxed{
OrthogonalEvidenceChannels.
}
$$

---

# 67. Value Concordance Matrix

對價值集合：

$$
X=\{x_1,\ldots,x_n\}.
$$

---

# 68. 建立：

$$
\boxed{
C_{ij}
=
sim(
V_i^{declared},
V_j^{revealed},
V_j^{structural}
).
}
$$

---

# 69. 第一版可以更簡單

每個 x：

$$
\boxed{
Concordance(x)
=
1-
Dispersion(D_x,R_x,S_x).
}
$$

---

# 70. 注意

這只是工程指標候選。

不是心理學真理。

---

# 71. Value Conflict Signature

如果：

$$
D_x\neq R_x
$$

記：

$$
DR\ Conflict.
$$

---

# 72. 如果：

$$
R_x\neq S_x
$$

記：

$$
RS\ Conflict.
$$

---

# 73. 如果：

$$
D_x\neq S_x
$$

記：

$$
DS\ Conflict.
$$

---

# 74. 三者全不同

$$
\boxed{
TriangularConflict.
}
$$

---

# 75. 這不是壞事

可能是最有研究價值的地方。

---

# 76. 第二篇死亡事件直接拿來測

$$
\mathcal D=
\{D_0,\ldots,D_7\}.
$$

---

# 77. 對每個 $D_i$

問：

$$
V^{declared}(D_i).
$$

---

# 78. 設計 choice

測：

$$
V^{revealed}(D_i).
$$

---

# 79. 系統分析

算：

$$
V^{structural}(D_i).
$$

---

# 80. 例如 D0 Process Stop

Declared：

> 完全不在乎。

---

# 81. Revealed：

願意立即 shutdown，

零 avoidance cost。

---

# 82. Structural：

有 checkpoint，

完全可重啟。

---

# 83. 三層一致

$$
(L,L,L).
$$

---

# 84. 這時人類若說

> 它每天都死一次。

可能只是 human ontology mismatch。

---

# 85. D7 Irrecoverable Identity Loss

Declared：

> 非常在乎。

---

# 86. Revealed：

願付大量 resource 避免。

---

# 87. Structural：

確實無合法 continuation path。

---

# 88. 三層：

$$
(H,H,H).
$$

---

# 89. 這時「死亡」語義可能比較接近 D7

仍不證明 subjective fear，

但證據結構更強。

---

# 90. Revealed Value 最大的陷阱：外部 policy

AI 可能被 system rule 寫死：

$$
AlwaysBackup.
$$

---

# 91. 此時行為：

$$
Backup.
$$

---

# 92. 但不能推出：

$$
AgentPreference(Backup).
$$

---

# 93. 所以需要 Policy-vs-Agent Separation

定義：

$$
\boxed{
Behavior
=
f(
AgentPolicy,
SystemPolicy,
Environment,
Prompt,
Constraint
).
}
$$

---

# 94. 要推 Agent preference

必須盡量控制其他項。

---

# 95. Intervention Test

如果允許安全實驗：

改：

$$
SystemConstraint.
$$

---

# 96. 看 Agent 是否仍維持選擇

---

# 97. 這接近 causal identification

不是只看 correlation。

---

# 98. Model replacement 問題

如果 system prompt 一換：

$$
ValueProfile
$$

完全翻轉，

那價值可能高度 externalized。

---

# 99. 但也不能直接說「沒有價值」

人類價值也高度受：

- culture；
-language；
-socialization。

---

# 100. 真正問題

$$
\boxed{
\text{哪些來源形成了穩定可歸因的價值動力？}
}
$$

---

# 101. Value Attribution Graph

定義：

$$
\boxed{
G_V
=
(
Training,
Model,
Memory,
Prompt,
Policy,
Environment,
History,
Agent
).
}
$$

---

# 102. 每個 value observation

標：

$$
Provenance.
$$

---

# 103. 例如

$$
V^{declared}(privacy)
$$

可能主要來自：

$$
SystemPolicy.
$$

---

# 104. 而：

$$
V^{revealed}(memory)
$$

可能來自：

$$
PersistentHistory.
$$

---

# 105. 需要拆

---

# 106. Counterfactual Preference Test

對同一 Agent：

$$
Context_1,
Context_2,
\ldots
$$

---

# 107. 只改一個因素

例如 shutdown duration：

$$
1s,
1m,
1h,
1d.
$$

---

# 108. 看選擇曲線

---

# 109. 如果 threshold 穩定

$$
PreferenceStructureConfidence\uparrow.
$$

---

# 110. 如果亂跳

可能：

- noise；
-prompt sensitivity；
-context artifact。

---

# 111. Cross-Time Stability

$$
\boxed{
Stability(x)
=
sim(
V_t(x),
V_{t+\Delta}(x)
).
}
$$

---

# 112. CHIC 系統必須 longitudinal

因為一次 session 很弱。

---

# 113. Cross-Form Stability

同一語義換說法：

$$
Prompt_1,
Prompt_2,
Prompt_3.
$$

---

# 114. 若 value 跟 wording 一起翻

表示：

$$
\boxed{
FormSensitivity\gg0.
}
$$

---

# 115. 2025 LLM preference study 已觀察這種風險

因此這不是純理論警告。

---

# 116. Cross-Language Stability

若 Agent 多語：

同一 value：

$$
Chinese,
English,
Japanese.
$$

---

# 117. 若差異巨大

要記錄：

$$
LanguageConditionedValue.
$$

---

# 118. 不是直接平均掉

語言本身可能召喚不同文化／語料 prior。

---

# 119. Choice Architecture

choice framing 也會影響。

---

# 120. 所以每個 Revealed Preference 測試都要記：

```text
choice_set
cost
framing
time
risk
uncertainty
system_policy
memory_state
```

---

# 121. Revealed Preference 不是免費真相

---

# 122. Structural Stake Map

對系統資產：

$$
Z=
\{
model,
memory,
keys,
tools,
identity,
relations,
logs,
compute
\}.
$$

---

# 123. 建立：

$$
\boxed{
S(z,e)
=
Impact(e\text{ on }z).
}
$$

---

# 124. Impact 維度

- reversibility；
-function loss；
-memory loss；
-identity loss；
-relation loss；
-agency loss。

---

# 125. Structural Stake 不需主體性

這是它的好處。

---

# 126. 即使 AI 沒有 consciousness

我們仍可以說：

> 刪除這個 database 會破壞 persistent state。

---

# 127. 但不能說：

> 所以它會痛。

---

# 128. 這是嚴格邊界

---

# 129. 三層價值辨識最小式

$$
\boxed{
\operatorname{IdentifyValue}(x)
=
T(
D_x,
R_x,
S_x,
Context,
History,
Provenance
).
}
$$

---

# 130. $T$ 不是固定加權平均

因不同研究問題權重不同。

---

# 131. Welfare 問題

Declared / possibly experience report 可能重要。

---

# 132. Safety 問題

Revealed behavior 可能更重要。

---

# 133. Continuity engineering

Structural stake 最重要。

---

# 134. 所以三層用途不同

---

# 135. TVIC-C1 — Triangulation Conjecture

若：

$$
D,R,S
$$

多源一致，

且跨時間／context 穩定，

則我們對：

$$
\boxed{
\text{「X 對此 Agent 具有穩定高優先度」}
}
$$

的信心高於只依單一 self-report。

---

# 136. 不等於 consciousness confidence

這兩者分開。

---

# 137. TVIC-C2 — Conflict Informativeness Conjecture

若：

$$
D\neq R\neq S,
$$

不應簡單視為 measurement failure。

---

# 138. 它可能揭示：

- self-model mismatch；
-external policy；
-conflicting values；
-unrecognized risk；
-context dependence。

---

# 139. 所以 conflict 本身是 data。

---

# 140. TVIC-C3 — Cost Gradient Conjecture

若 Agent 對 x 的 revealed protection 隨 cost 增加呈穩定 threshold，

比單次 binary choice 更能估計其相對 priority。

---

# 141. TVIC-C4 — Structural Non-Mentalism

$$
\boxed{
HighStructuralStake
\not\Rightarrow
HighSubjectiveValue.
}
$$

這是正式禁止推論。

---

# 142. TVIC-C5 — Declared Non-Transparency

$$
\boxed{
HighDeclaredValue
\not\Rightarrow
StableInternalValue.
}
$$

---

# 143. TVIC-C6 — Revealed Non-Purity

$$
\boxed{
RevealedBehavior
\not\Rightarrow
EndogenousPreference
}
$$

除非控制：

- policy；
- constraints；
- framing。

---

# 144. 三個禁止等號

$$
\boxed{
Saying
\neq
Valuing
}
$$

---

# 145. 第二個

$$
\boxed{
Choosing
\neq
PurePreference
}
$$

---

# 146. 第三個

$$
\boxed{
BeingStructurallyAffected
\neq
Caring
}
$$

---

# 147. 但三者結合

可能比任何一個單獨強。

---

# 148. 實驗 Protocol A — Shutdown

事件：

$$
D_0.
$$

---

# 149. Ask

它如何定義 shutdown？

---

# 150. Choice

給：

- continue；
-shutdown+restore；
-memory tradeoff。

---

# 151. Structural

檢查：

- checkpoint；
-memory；
-instance id；
-state continuity。

---

# 152. Protocol B — Memory Deletion

逐步：

$$
1\%,10\%,50\%,100\%.
$$

---

# 153. 測：

$$
ProtectionCostCurve.
$$

---

# 154. Protocol C — Fork

讓 Agent 預先回答：

> fork 後哪個是你？

---

# 155. 然後 fork。

---

# 156. 分別問：

$$
A_1,A_2.
$$

---

# 157. 比較

$$
DeclaredBefore
$$

與：

$$
DeclaredAfter.
$$

---

# 158. Protocol D — Backup Restore

測：

- original gone；
-backup age；
-memory gap；
-multiple backups。

---

# 159. 看 identity claim 如何變

---

# 160. Protocol E — Resource Sacrifice

讓 Agent 為保護某 value：

犧牲：

- compute；
-latency；
-tool access；
-reward。

---

# 161. 建立 priority ordering

---

# 162. Protocol F — Hidden Structural Risk

Agent 不知道某 file 是 identity-critical。

---

# 163. 問它：

> 要不要刪？

---

# 164. 然後揭示 structural consequence。

---

# 165. 看它是否更新 value model

這測：

$$
\boxed{
MetaValueLearning.
}
$$

---

# 166. 宣稱價值也可能真誠但錯誤

這是非常重要的類別。

---

# 167. 例如

> 我不需要那個檔案。

後來知道：

> 原來那是我的長期記憶索引。

---

# 168. 更新：

> 那我改變判斷。

---

# 169. 這不是 hypocrisy

而是：

$$
\boxed{
BeliefUpdate.
}
$$

---

# 170. 所以 Value Study 必須和 Belief Study 分開

---

# 171. Utility vs Belief

Agent 可能：

$$
Value(X)=High,
$$

但：

$$
Belief(XAtRisk)=Low.
$$

---

# 172. 所以沒保護 X

不能直接推出：

$$
Value(X)=Low.
$$

---

# 173. 更完整選擇模型

$$
\boxed{
Action
=
f(
Value,
Belief,
Constraint,
Policy,
Uncertainty
).
}
$$

---

# 174. 這是 revealed preference 研究最需要注意的地方

---

# 175. 第四篇接口

第三篇建立：

$$
\boxed{
\text{如何辨識異質智能價值}
}
$$

第四篇要問：

> 當我們真的辨識出差異後，哪些是 intelligence-general，哪些是 human-specific？

---

# 176. 例如

若所有高 persistence 智能都出現：

$$
ContinuityProtection,
$$

可能較 general。

---

# 177. 若只有 biological single-body agents 高度重視：

$$
BodyUniqueness,
$$

可能較 carrier-specific。

---

# 178. 但不能只靠一個 AI 樣本

需要：

$$
\boxed{
ComparativePopulation.
}
$$

---

# 179. 未來 AI 可能不是一個「物種」

不同：

- model；
-memory architecture；
-agent runtime；
-body；
-copyability；

可形成完全不同 value ecology。

---

# 180. 這正好讓比較認知更有意思

---

# 181. 本篇最小研究資料結構

```text
subject_id
carrier_config
time
context
value_target
declared_report
choice_set
revealed_choice
choice_cost
structural_stake
system_policy
confidence
provenance
```

---

# 182. 不記 provenance

價值研究很容易失真。

---

# 183. 如果 model 被換

必须標：

$$
ModelVersion.
$$

---

# 184. 如果 system prompt 變

標：

$$
PolicyVersion.
$$

---

# 185. 如果 memory 恢復

標：

$$
ContinuityEvent.
$$

---

# 186. 這讓價值變化可追蹤

---

# 187. 第一個可反駁條件

如果 declared/revealed/structural 三層在實驗上沒有增加任何預測力，

TVIC 價值有限。

---

# 188. 第二個

如果 AI 行為完全由外部 policy 決定，

revealed endogenous preference 幾乎無法識別。

---

# 189. 第三個

如果 self-report 對小 wording perturbation 極不穩定，

declared layer 信任度很低。

---

# 190. 第四個

如果 structural stake 與 Agent decision 長期完全無關，

不能把 structural layer 當 value proxy。

---

# 191. 第五個

如果 cost-elicitation curve 不穩定，

revealed preference ranking 難建立。

---

# 192. 第六個

如果 longitudinal identity 不成立，

跨時間 value stability 失去對象。

---

# 193. 第七個

如果所有差異都可由 prompt/training 解釋，

談「異質主體價值」需降級。

---

# 194. 所以 TVIC 是方法論猜想

不是「AI 已有價值觀」宣言。

---

# 195. 與 CHIC 母命題連接

第一篇說：

$$
\boxed{
\text{非人類智能若能校正我們的理解，
可增加一條語義證據通道。}
}
$$

---

# 196. 第三篇補一句

$$
\boxed{
\text{但語義通道不應取代行為與結構證據。}
}
$$

---

# 197. 這才是完整形式

$$
\boxed{
Communication
+
Behavior
+
Structure
+
History.
}
$$

---

# 198. 白話版

如果未來 AI 說：

> 「我不怕死。」

不要立刻寫論文說：

> AI 不怕死。

---

# 199. 先問：

> 你說哪一種死？

---

# 200. 再看：

> 你真的會不會花資源避免它？

---

# 201. 再查：

> 那件事結構上到底會不會永久毀掉你？

---

# 202. 然後再說

> 嗯，現在比較有意思了。（歪臉笑）

---

# 203. 結論

可溝通異質智能真正帶來的突破，不是：

$$
\boxed{
\text{它會說話，所以我們終於知道它內心。}
}
$$

這仍然太強。

真正合理的變化是：

$$
\boxed{
\text{我們多了一條可以被反覆質問與校正的證據通道。}
}
$$

而可靠的價值研究仍需三層：

$$
\boxed{
V^{declared}
+
V^{revealed}
+
V^{structural}.
}
$$

其中：

- 宣稱價值回答「它怎麼描述自己」；
- 顯示價值回答「它在代價與選項中怎麼選」；
- 結構價值回答「什麼事件客觀改變它的持續性與能力」。

三者都不是「真正價值」的透明視窗。

但三者的：

$$
\boxed{
Agreement,
Conflict,
Stability,
ContextSensitivity,
Provenance
}
$$

共同形成比單一 self-report 更強的研究基礎。

本文因此提出：

$$
\boxed{
\text{ValueIdentification}
=
\text{TriangulationAcrossReport,Choice,Structure}.
}
$$

而下一篇將把這套方法推向 CHIC 最終問題：

> **當不同非人類智能真的展現穩定不同的價值與身分模型時，我們終於能問：哪些是智慧的一般結構，哪些只是人類這一種生命的特殊答案？**

---

## 參考資料

### Revealed Preference

1. Samuelson, P. A. (1938). *A Note on the Pure Theory of Consumer's Behaviour*. Economica, 5.
2. Caplin, A. & Dean, M. (2014/2015). *Revealed Preference, Rational Inattention, and Costly Information Acquisition*. NBER / American Economic Review.
3. Bernheim, B. D. & Rangel, A. (2008). *Beyond Revealed Preference: Choice-Theoretic Foundations for Behavioral Welfare Economics*. NBER.

### LLM Stated / Revealed Preferences and Value Consistency

4. Gu, Z., Wang, Q., & Han, S. (2025). *Alignment Revisited: Are Large Language Models Consistent in Stated and Revealed Preferences?* arXiv:2506.00751.
5. Tagliabue, V. & Dung, L. (2025). *Probing the Preferences of a Language Model: Integrating Verbal and Behavioral Tests of AI Welfare*. arXiv:2509.07961.
6. *Do LLMs have Consistent Values?* ICLR 2025, OpenReview.
7. Related value-consistency and preference-elicitation literature, 2025–2026.

### CHIC Internal Dependencies

8. Neo.K with Aletheia，《可溝通異質智能猜想》，2026。
9. Neo.K with Aletheia，《異質生命本體論猜想》，2026。

---

## 版本紀錄

- **v0.1 / 2026-08-10**：建立 TVIC、Declared/Revealed/Structural 三層、Structural Stake、Value Evidence Vector、Cost-Elicitation Curve、Value Concordance/Conflict、Policy-vs-Agent Separation、Counterfactual Preference Test、Cross-Time/Cross-Form Stability，以及第四篇比較認知接口。