---
title: "從真值審查到血統審查：AI Provenance Purism 的認識論範疇錯置"
english_title: "From Truth Review to Genealogy Review: The Epistemic Category Mistake of AI Provenance Purism"
series: "自指認識與歷史痕跡研究系列"
series_english: "Self-Referential Epistemics and Historical Trace Series"
series_id: "SEHTS"
paper_id: "SEHTS-05"
subseries: "AI 資訊資格與認識論自我零化"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "Research Draft / Epistemic Separation Paper"
date: "2026-08-14"
language: "zh-TW"
---

# 從真值審查到血統審查

## AI Provenance Purism 的認識論範疇錯置

### From Truth Review to Genealogy Review

### The Epistemic Category Mistake of AI Provenance Purism

**作者：** Neo.K  
**機構：** EveMissLab  
**系列：** 自指認識與歷史痕跡研究系列（SEHTS），Paper 05  
**子系列：** AI 資訊資格與認識論自我零化  
**版本：** v0.1.0  
**日期：** 2026-08-14

---

# 摘要

SEHTS-03 已證明：若「任何 AI ancestry 都使資訊認識價值歸零」為規則，而 AI ancestry penetration 在未來資訊中趨近 $1$，則該規則所允許的 pure-information mass 趨近 $0$。SEHTS-04 再將此結果擴張到生活 task / resource dependency graph，證明 full-ancestry zero-tolerance policy 會在 contamination closure 擴張時壓縮 pure-feasible life-space。

本文處理下一個更根本的問題：

> provenance 究竟是在回答「這個東西從哪裡來」，還是在回答「這個東西是否為真」？

本文首先明確區分四個不同函數。

令 artifact：

$$
x\in\mathcal X.
$$

定義：

### Provenance Function

$$
\boxed{
\operatorname{Prov}(x)
}
$$

描述 $x$ 的生成者、來源、使用工具、轉換歷史與依賴鏈。

### Semantic Content Function

$$
\boxed{
\operatorname{Sem}(x)
}
$$

表示 artifact 所承載的命題、程式、資料、數學結構或其他可判定內容。

### Validity / Truth Function

$$
\boxed{
T(x)
=
T(
\operatorname{Sem}(x),
\Gamma
)
}
$$

表示在明示 judgment contract $\Gamma$ 下，該 semantic content 是否成立、正確或通過某種有效性判準。

### Epistemic Admissibility Function

$$
\boxed{
A(x)
}
$$

表示某 institution / policy 是否允許把 $x$ 作為可採信、可引用、可進入決策的資訊。

這四者可以彼此相關，但不是同一型別。

C2PA 2.2/2.4 的 Content Credentials 規範明確指出：provenance 可以幫助建立 digital content 的來源、歷史與 authenticity，但 provenance information 本身不能告訴使用者內容是否 true、accurate 或 factual；有效的 manifest 也不代表資產內容本身是真的。這提供了一個非常直接的標準級外部基線：**provenance verification 與 semantic truth verification 必須分離。**

本文將極端 AI provenance purism 形式化為：

$$
\boxed{
A_{\mathrm{pure}}(x)
=
\mathbf 1[
\operatorname{AIAnc}(x)=0
].
}
$$

若 institution 再把：

$$
A_{\mathrm{pure}}(x)
$$

等同於：

$$
T(x),
$$

即：

$$
\boxed{
T(x)
\stackrel{?}{=}
A_{\mathrm{pure}}(x),
}
$$

本文稱之為 **Provenance–Validity Collapse**。

本文證明四個核心結果。

第一，**Provenance Non-Determination Proposition**：存在相同 provenance、不同 truth value 的 artifacts；也存在不同 provenance、相同 semantic validity 的 artifacts。因此 provenance 一般既不是 truth 的充分條件，也不是 truth 的必要條件。

第二，**Origin-Invariant Verification Proposition**：若 verifier：

$$
V_\Gamma
$$

只依賴 semantic object 與 verification environment：

$$
V_\Gamma(x)
=
F(
\operatorname{Sem}(x),
\Gamma
),
$$

而不讀 provenance，則任何 semantic-equivalent artifacts：

$$
\operatorname{Sem}(x)=\operatorname{Sem}(y)
$$

都有：

$$
\boxed{
V_\Gamma(x)=V_\Gamma(y)
}
$$

無論：

$$
\operatorname{Prov}(x)
\neq
\operatorname{Prov}(y).
$$

Lean theorem prover 提供一個現實例子：kernel 是否接受 proof 依賴 theorem statement、imports、axioms 與 proof object；Lean 官方文件還明確提供 independent checking 的 threat-model guidance。只要同一 proof object / formal statement 在相同 trusted environment 下通過 kernel，它不會因作者是 human、AI 或其他 source 而改變 kernel verdict。

第三，**Genealogy-Review Divergence Theorem**：若某 policy 對 semantic-equivalent artifacts 因 provenance 不同給出不同 admissibility，但 provenance-invariant verifier 給出相同 validity，則該 policy 的 decision variable 不是 semantic validity，而是 genealogy class。它可以是合法的 governance policy，但不能再被描述為「truth review 本身」。

第四，**Verification-Dominance Escape Proposition**：若 institution 願意讓 formal proof、independent replication、empirical test 或其他 admissible verifier 覆蓋 origin-nullification，則 AI provenance 不再是 epistemic worthlessness 的充分條件。provenance 的合理角色轉為：調整 prior trust、audit burden、disclosure obligation、risk score 或 verification cost。

本文因此把「AI 參與內容是否值得相信」重新寫為多維判定：

$$
\boxed{
J(x)
=
F(
\operatorname{Prov}(x),
E(x),
V(x),
S(x),
R(x)
),
}
$$

其中：

- $\operatorname{Prov}(x)$：provenance；
- $E(x)$：evidence；
- $V(x)$：verification result；
- $S(x)$：scope / domain；
- $R(x)$：risk / decision context。

此框架不要求 provenance 被忽略。相反，它把 provenance 放回它真正擅長回答的問題：

> 這個 artifact 是怎麼來的？誰／什麼系統參與？過程是否可追蹤？是否被修改？是否需要額外 audit？

而不是讓 provenance 直接替代：

> 這個 theorem 成立嗎？
> 這個程式符合規格嗎？
> 這個 empirical claim 被資料支持嗎？

因此本文所說「血統審查」不是把所有 provenance-based policies 貶義化，而只指一種特定 regime：**當 artifact genealogy 被升格為 truth/validity 的主判準，甚至可以凌駕 provenance-invariant proof / evidence。**

本文最後將這個 regime 與 SEHTS-03、04 接起來。若 genealogy review 再採 full AI-ancestry closure，它不只造成 future-information self-nullification 與 life-space quarantine；它還會讓 institution 的主要驗證成本從：

$$
\boxed{
\text{Is the claim correct?}
}
$$

轉向：

$$
\boxed{
\text{Can we prove no forbidden ancestry exists?}
}
$$

這正是下一篇 SEHTS-06「No-AI Provenance 的不可證明負擔」的入口。

**關鍵詞：** Provenance, Truth, Validity, AI Purism, Genealogy Review, Formal Verification, Lean, C2PA, Content Credentials, Epistemic Admissibility, Genetic Criterion, Verification, Provenance-Invariant Verifier

---

# 1. 問題：來源和真假是不是同一件事？

如果一個 theorem：

$$
T
$$

由 human 提出。

另一個完全相同 theorem：

$$
T
$$

由 AI 提出。

它們是：

$$
\boxed{
\text{兩個不同來源事件}
}
$$

但 theorem semantic content 可以是：

$$
\boxed{
\text{同一個}.
}
$$

因此最先要問的是：

$$
\boxed{
\operatorname{Prov}(x)
}
$$

和：

$$
\boxed{
T(x)
}
$$

是否屬於同一型別。

答案一般是否定的。

---

# 2. 四個不同函數

令：

$$
x\in\mathcal X.
$$

## 2.1 Provenance

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

回答：

- 誰生成；
- 使用什麼工具；
- derived from 哪些 artifacts；
- 何時修改；
- 哪些 agents 參與。

## 2.2 Semantics

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

回答：

> $x$ 到底聲稱、計算、表示或執行什麼？

## 2.3 Truth / Validity

$$
T_\Gamma(x)
$$

回答：

> 在 judgment contract $\Gamma$ 下，semantic object 是否成立？

## 2.4 Admissibility

$$
A_\Pi(x)
$$

回答：

> policy $\Pi$ 是否允許 $x$ 被採用？

這四種函數不應無聲等同。

---

# 3. C2PA 已經把 Provenance 與 Truth 分開

C2PA 的 Content Credentials 處理：

- asset provenance；
- actors；
- modifications；
- signatures；
- content bindings；
- tamper evidence。

但 C2PA 自己明確聲明：

> provenance information alone 不能判定 digital asset 是否 true、accurate 或 factual。

因此：

$$
\boxed{
\text{valid provenance}
\not\Rightarrow
\text{true content}.
}
$$

而 absence of Content Credentials 也不自動表示：

$$
\boxed{
\text{content untrustworthy}.
}
$$

這是一個非常適合本篇的現成標準邊界。

---

# 4. Authenticity 也不等於 Truth

C2PA 技術規範把 authenticity 定義為：

> 可由 provenance data 與 content bindings 等事實進行 cryptographic verification，確認其未被篡改。

所以：

$$
\boxed{
\text{authentic}
}
$$

回答：

> 這份 artifact 是不是它所宣稱／綁定的 artifact？

不是：

$$
\boxed{
\text{artifact 裡的 proposition 一定為真}.
}
$$

一篇 authentic 的錯誤文章仍然是錯誤文章。

---

# 5. Provenance Purism

本文定義 AI ancestry indicator：

$$
\operatorname{AIAnc}(x)
\in
\{0,1\}.
$$

極端 purity admissibility：

$$
\boxed{
A_{\mathrm{pure}}(x)
=
1-
\operatorname{AIAnc}(x).
}
$$

也就是：

$$
\operatorname{AIAnc}(x)=1
\Rightarrow
A_{\mathrm{pure}}(x)=0.
$$

這是一條 policy。

本身並不邏輯矛盾。

---

# 6. 問題出現在 Policy 被冒充成 Truth Function

如果 institution 進一步說：

$$
\boxed{
A_{\mathrm{pure}}(x)=0
\Longrightarrow
T(x)=0,
}
$$

或實際操作中：

> 只要 AI ancestry，不管 proof / experiment 結果，內容都不算。

那 provenance policy 開始取代 semantic validity。

本文稱：

$$
\boxed{
\text{Provenance–Validity Collapse}.
}
$$

---

# 7. Provenance Non-Determination Proposition：第一方向

### 命題 7.1

存在相同 provenance class：

$$
\operatorname{Prov}(x)
=
\operatorname{Prov}(y)
$$

但：

$$
T(x)\neq T(y).
$$

### 證明

取同一 human author 在同一工具環境下寫兩句：

$$
x:
2+2=4,
$$

$$
y:
2+2=5.
$$

可以令 provenance metadata 相同至所關心的 policy granularity：

- same author；
- same editor；
- same day；
- same device；
- no AI。

但：

$$
T(x)=1,
$$

$$
T(y)=0.
$$

故 provenance 不唯一決定 truth。

$$
\boxed{\square}
$$

---

# 8. Provenance Non-Determination Proposition：第二方向

### 命題 8.1

存在不同 provenance：

$$
\operatorname{Prov}(x)
\neq
\operatorname{Prov}(y)
$$

但 semantic content 與 validity 相同。

### 證明

令：

$$
x
$$

為 human 產生的：

$$
2+2=4.
$$

令：

$$
y
$$

為 AI 產生的：

$$
2+2=4.
$$

則：

$$
\operatorname{Prov}(x)
\neq
\operatorname{Prov}(y).
$$

但：

$$
\operatorname{Sem}(x)
=
\operatorname{Sem}(y),
$$

所以在 ordinary arithmetic semantics：

$$
T(x)=T(y)=1.
$$

$$
\boxed{\square}
$$

---

# 9. 因此 Provenance 一般既不是 Truth 的充分條件，也不是必要條件

由 7.1：

$$
\boxed{
\operatorname{Prov}(x)=p
}
$$

不保證：

$$
T(x)=1.
$$

由 8.1：

不同 provenance 也可以具有相同 truth value。

所以：

$$
\boxed{
\text{source genealogy}
}
$$

與：

$$
\boxed{
\text{semantic truth}
}
$$

不能在一般情況下等同。

---

# 10. 這不是說 Provenance 無關

Provenance 可以影響：

$$
\boxed{
\text{prior trust}.
}
$$

例如：

- source 曾大量 hallucinate；
- data collection procedure 不可信；
- model version 未知；
- document 被修改；
- author conflict of interest。

因此：

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

可以是 epistemic input。

本文反對的只是：

$$
\boxed{
\operatorname{Prov}(x)
\text{ alone}
\Rightarrow
T(x).
}
$$

---

# 11. Origin-Invariant Verifier

### 定義 11.1

若 verifier：

$$
V_\Gamma
$$

滿足：

$$
\boxed{
V_\Gamma(x)
=
F(
\operatorname{Sem}(x),
\Gamma
),
}
$$

且不讀：

$$
\operatorname{Prov}(x),
$$

稱為 provenance-invariant verifier。

---

# 12. Origin-Invariant Verification Proposition

### 定理 12.1

若：

$$
\operatorname{Sem}(x)
=
\operatorname{Sem}(y),
$$

且使用同一：

$$
\Gamma,
$$

則 provenance-invariant verifier 滿足：

$$
\boxed{
V_\Gamma(x)
=
V_\Gamma(y).
}
$$

### 證明

由定義：

$$
V_\Gamma(x)
=
F(
\operatorname{Sem}(x),
\Gamma
),
$$

$$
V_\Gamma(y)
=
F(
\operatorname{Sem}(y),
\Gamma
).
$$

而：

$$
\operatorname{Sem}(x)
=
\operatorname{Sem}(y).
$$

故：

$$
V_\Gamma(x)
=
V_\Gamma(y).
$$

$$
\boxed{\square}
$$

---

# 13. Lean 是一個非常乾淨的例子

Lean 官方文件指出：

- theorem statement 成功 elaborated；
- Lean kernel 接受 proof；
- 可使用獨立 checker 重查。

因此 formal validity 的直接問題是：

$$
\boxed{
\text{proof object 是否在指定 definitions / axioms / imports 下被 kernel 接受？}
}
$$

不是：

$$
\boxed{
\text{proof 最初由誰想到？}
}
$$

---

# 14. 但 Formal Verification 也不是宇宙真理機

Lean 官方文件也明確提醒：

- formal statement 是否對應 intended informal meaning；
- imports 是否可信；
- 是否使用 unsound axioms；

仍然是 trust boundary。

所以本文不把：

$$
\boxed{
\text{kernel accepted}
}
$$

偷換成：

$$
\boxed{
\text{所有哲學與現實含義都絕對為真}.
}
$$

只說：

$$
\boxed{
\text{在 formal contract 內，verdict 可以 provenance-invariant}.
}
$$

---

# 15. AI-Generated Proof 的關鍵問題

如果 AI 產生：

$$
\pi_{\mathrm{AI}}.
$$

human 產生：

$$
\pi_{\mathrm{H}}.
$$

兩者都對同 theorem：

$$
T.
$$

若 kernel：

$$
K
$$

接受：

$$
K(T,\pi_{\mathrm{AI}})=1,
$$

$$
K(T,\pi_{\mathrm{H}})=1,
$$

則 kernel validity 不因 origin 改變。

如果 institution 仍接受 human proof、拒絕 AI proof，

它實施的是：

$$
\boxed{
\text{provenance-admissibility policy},
}
$$

不是 kernel-validity policy。

---

# 16. Genealogy-Review Divergence Theorem

### 定理 16.1

假設：

$$
\operatorname{Sem}(x)
=
\operatorname{Sem}(y),
$$

且 provenance-invariant verifier 給：

$$
V_\Gamma(x)
=
V_\Gamma(y)=1.
$$

若 policy：

$$
A_\Pi
$$

卻因：

$$
\operatorname{Prov}(x)
\neq
\operatorname{Prov}(y)
$$

給：

$$
A_\Pi(x)=1,
$$

$$
A_\Pi(y)=0,
$$

則：

$$
\boxed{
A_\Pi
}
$$

不是：

$$
\boxed{
V_\Gamma
}
$$

的 truth/validity-equivalent rule，而是 genealogy-sensitive admissibility rule。

### 證明

若兩者等價，則相同 verifier verdict 應給相同 decision。

但：

$$
V_\Gamma(x)=V_\Gamma(y)
$$

而：

$$
A_\Pi(x)\neq A_\Pi(y).
$$

故：

$$
A_\Pi
$$

依賴額外 variable。

依假設差異來自 provenance。

故為 genealogy-sensitive rule。

$$
\boxed{\square}
$$

---

# 17. 「血統審查」的精確定義

本文不把所有 provenance review 稱為血統審查。

只有當：

$$
\boxed{
\text{genealogy difference can override equal semantic verification}
}
$$

時，才稱：

$$
\boxed{
\text{Genealogy Review Regime}.
}
$$

---

# 18. Governance 可以合法使用 Genealogy Rule

例如 institution 可能因：

- copyright；
- authorship；
- conflict of interest；
- contest rule；
- classroom policy；
- regulated workflow；
- confidential-source restriction；

拒絕某 provenance。

這可以完全合理。

本文只要求：

$$
\boxed{
\text{不要把 governance inadmissibility 說成 semantic falsity}.
}
$$

---

# 19. 四種 Verdict 必須分開

對 artifact：

$$
x,
$$

可以同時有：

## Semantic Verdict

$$
T(x).
$$

## Verification Verdict

$$
V(x).
$$

## Provenance Verdict

$$
P_{\mathrm{prov}}(x).
$$

## Institutional Admissibility

$$
A(x).
$$

一個 artifact 可以：

- true but inadmissible；
- false but authentic；
- authentic but unverified；
- verified but prohibited by contest rule。

這些不是矛盾。

---

# 20. Authentic Falsehood

例如一篇作者本人真的寫過的錯誤論文。

其 provenance：

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

完全可信。

artifact authentication 成功。

但：

$$
T(x)=0
$$

仍然可能成立。

所以：

$$
\boxed{
\text{authenticity}
\neq
\text{truth}.
}
$$

---

# 21. Unauthenticated Truth

反過來，一張沒有 Content Credentials 的圖可能仍然真實。

一個沒有 provenance metadata 的 theorem 也可能成立。

所以：

$$
\boxed{
\text{missing provenance}
\not\Rightarrow
\text{false}.
}
$$

只是 auditability / trust 下降。

---

# 22. Provenance Policy 可以影響 Prior

令：

$$
H
$$

為 hypothesis：

$$
\text{artifact claim is correct}.
$$

可以依 provenance 設：

$$
P(H\mid\operatorname{Prov}(x)).
$$

不同來源：

$$
p_1,p_2
$$

給不同 prior。

這是合理 source-sensitive epistemology。

---

# 23. Evidence 進來後應更新

若取得：

$$
E,
$$

則：

$$
P(
H
\mid
E,\operatorname{Prov}(x)
)
$$

可以大幅改變。

因此合理來源政策是：

$$
\boxed{
\text{provenance affects prior / burden}.
}
$$

而不是：

$$
\boxed{
\text{provenance permanently fixes truth}.
}
$$

---

# 24. Verification-Dominance Escape Proposition

### 命題 24.1

若 institution 存在某 admissible verifier $V$，並接受：

$$
V(x)=1
\Rightarrow
A(x)>0
$$

即使：

$$
\operatorname{AIAnc}(x)=1,
$$

則 AI ancestry 不是 epistemic nullification 的充分條件。

### 證明

存在：

$$
x
$$

使：

$$
\operatorname{AIAnc}(x)=1
$$

且：

$$
A(x)>0.
$$

因此：

$$
\operatorname{AIAnc}(x)=1
\Rightarrow
A(x)=0
$$

不是 universal implication。

$$
\boxed{\square}
$$

---

# 25. Verification Override 可以有哪些？

## Formal

- theorem prover；
- compiler；
- model checker；
- exact symbolic checker。

## Empirical

- independent experiment；
- replication；
- benchmark；
- measurement。

## Statistical

- confidence interval；
- hypothesis test；
- calibration；
- predictive validation。

## Human Expert

- domain review；
- independent derivation；
- source inspection。

不同 domain 需要不同 verifier。

---

# 26. 不能把 Human Review 神化成 Deterministic Truth

human review 也可能錯。

所以：

$$
\boxed{
\text{human}
}
$$

不是本文的 truth oracle。

它只是 possible verifier / reviewer。

這也防止論文退化成：

> AI 壞，人類好。

---

# 27. 來源血統與真值的最小正交模型

可以把 artifact 映射成：

$$
\boxed{
x
\mapsto
(
g(x),
t(x)
)
}
$$

其中：

$$
g(x)
$$

是 genealogy class，

$$
t(x)
$$

是 semantic validity class。

則四象限都可以存在：

1. human-origin + true；
2. human-origin + false；
3. AI-origin + true；
4. AI-origin + false。

因此：

$$
\boxed{
g
}
$$

與：

$$
\boxed{
t
}
$$

不是同一 coordinate。

---

# 28. 這個四象限已足以摧毀 Universal Origin Rule

若世界中第 3 象限非空：

$$
\exists x:
\operatorname{AIAnc}(x)=1,
\quad
T(x)=1,
$$

則：

$$
\boxed{
\text{AI origin}
\not\Rightarrow
\text{false}.
}
$$

若第 2 象限非空：

$$
\exists y:
\operatorname{AIAnc}(y)=0,
\quad
T(y)=0,
$$

則：

$$
\boxed{
\text{human-only origin}
\not\Rightarrow
\text{true}.
}
$$

---

# 29. 但 Origin Rule 可以仍然作為 Admission Rule

institution 可以說：

> 我知道它可能是真的，但我們的比賽規則禁止 AI。

這完全一致。

那其規則是：

$$
\boxed{
\text{eligibility rule}.
}
$$

不是：

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

本文真正要求的是 type clarity。

---

# 30. Contest Example

假設 AI 幫學生寫出完全正確 proof。

數學上：

$$
V_{\mathrm{math}}(x)=1.
$$

課堂規則：

$$
A_{\mathrm{course}}(x)=0.
$$

兩者可以同時成立：

$$
\boxed{
\text{mathematically valid}
+
\text{academically inadmissible}.
}
$$

沒有矛盾。

---

# 31. 科學論文則不同

若 journal 的主要 mission 是判斷：

- methodology；
- evidence；
- novelty；
- reproducibility；

那 AI provenance 可以是 disclosure / integrity variable。

但如果它凌駕所有 evidence：

> 因 AI 參與，所以即使 independently replicated 也沒有知識價值。

institution 就已改變 mission。

---

# 32. Mission Shift

定義 institution score：

$$
J(x).
$$

如果：

$$
J
$$

主要取決：

$$
T,V,E
$$

稱為：

$$
\boxed{
\text{truth/evidence review}.
}
$$

如果主要取決：

$$
\operatorname{Prov},
$$

且 provenance 能 override：

$$
T,V,E,
$$

稱為：

$$
\boxed{
\text{genealogy review}.
}
$$

---

# 33. Genealogy Review 不必然錯，但必須承認自己在做什麼

如果 institution 的目的就是：

> 保存純人類創作競賽。

那 genealogy review 完全符合 mission。

但若 institution 宣稱：

> 我在判定 theorem 是否成立。

卻只看 origin，

那就是：

$$
\boxed{
\text{criterion–target mismatch}.
}
$$

本文把這稱為：

$$
\boxed{
\text{epistemic category mistake}.
}
$$

---

# 34. Category Mistake 的操作定義

本文不把「category mistake」當嚴格哲學術語優先權主張。

只作操作性定義：

若 target property：

$$
Y
$$

與 decision variable：

$$
X
$$

在已知反例中可彼此獨立變動，

但 policy 卻把：

$$
X
$$

當成：

$$
Y
$$

的直接替代，

則稱：

$$
\boxed{
\text{criterion–target category mismatch}.
}
$$

---

# 35. 對 Provenance Purism 的套用

target：

$$
Y=T(x)
$$

為 truth / validity。

criterion：

$$
X=\operatorname{AIAnc}(x).
$$

由第 7、8 節已有反例：

$$
X
$$

和：

$$
Y
$$

可獨立變動。

因此：

$$
\boxed{
X\text{ cannot generally substitute for }Y.
}
$$

---

# 36. 「血統」不是侮辱來源研究

生命科學、法證、供應鏈、媒體 authenticity 都非常需要 lineage / provenance。

本文稱「血統審查」只是在刻畫：

$$
\boxed{
\text{lineage becomes the primary epistemic gate independent of content validation}.
}
$$

不是反對 provenance science。

---

# 37. C2PA 正好證明這個邊界可以制度化

C2PA 沒有說：

> Content Credentials 不重要。

它做的恰好相反：

$$
\boxed{
\text{強化 provenance}.
}
$$

但同時明確保留：

$$
\boxed{
\text{provenance does not itself decide factual truth}.
}
$$

這是本文最重要的制度級 analog。

---

# 38. Formal Proof 是最乾淨的極限案例

因為 proof checker 的 contract 可以非常明確。

若：

$$
V(T,\pi)=1,
$$

institution 如果仍因：

$$
\operatorname{Prov}(\pi)
$$

拒絕，

就非常容易看出：

$$
\boxed{
\text{拒絕理由不再是 proof invalidity}.
}
$$

這讓 formal mathematics 成為分析 provenance purism 的好 testbed。

---

# 39. Empirical Science 比 Formal Proof 更複雜

empirical claim：

$$
H
$$

沒有單一 kernel verifier。

需要：

- measurements；
- statistics；
- replication；
- model assumptions；
- instruments。

因此 provenance 可能更重要。

但即使如此：

$$
\boxed{
\text{origin}
}
$$

仍不能取代：

$$
\boxed{
\text{empirical support}.
}
$$

---

# 40. Data Provenance 與 Data Truth

dataset provenance 可以告訴你：

- sensor；
- pipeline；
- preprocessing；
- curator；
- AI augmentation。

但不能單靠 provenance 決定：

> labels 全部正確。

所以：

$$
\boxed{
\text{provenance quality}
}
$$

與：

$$
\boxed{
\text{data accuracy}
}
$$

仍需分開。

---

# 41. Software Provenance 與 Software Correctness

SLSA / SBOM 可告訴你：

- packages；
- build source；
- provenance；
- dependencies。

但：

$$
\boxed{
\text{clean supply-chain provenance}
}
$$

不保證：

$$
\boxed{
\text{program satisfies specification}.
}
$$

仍需要 tests / formal verification / runtime evidence。

---

# 42. AI Content Provenance 與 AI Content Correctness

同樣：

$$
\boxed{
\text{AI-generated}
}
$$

可以提高 hallucination risk prior。

但 content 是否正確需要：

- source check；
- calculation；
- proof；
- experiment；
- reproduction。

所以：

$$
\boxed{
\text{AI provenance}
}
$$

應主要改變：

$$
\boxed{
\text{verification policy}.
}
$$

---

# 43. Provenance as Burden Modifier

定義：

$$
B(x)
$$

為 verification burden。

可以寫：

$$
\boxed{
B(x)
=
B_0(x)
+
\lambda
R_{\mathrm{prov}}(x).
}
$$

其中：

$$
R_{\mathrm{prov}}
$$

是 provenance risk。

這比：

$$
A_{\mathrm{pure}}(x)\in\{0,1\}
$$

更適合現實風險管理。

---

# 44. Zero-Tolerance 仍然可以保留在特定 Domain

例如：

- exam；
- no-AI art contest；
- classified environment；
- authorship benchmark。

這些 domain 可以設：

$$
\boxed{
A(x)=0
}
$$

即使：

$$
T(x)=1.
$$

只要 institution 說清楚：

$$
\boxed{
\text{這是 provenance eligibility policy}.
}
$$

就沒有 conceptual confusion。

---

# 45. Human × AI Publication 的新問題

未來很多 artifact 可能不是：

$$
\boxed{
\text{human}
}
$$

或：

$$
\boxed{
\text{AI}
}
$$

二元。

而是 provenance graph：

$$
\boxed{
\text{human}
\rightarrow
\text{AI}
\rightarrow
\text{human verification}
\rightarrow
\text{tool}
\rightarrow
\text{human revision}.
}
$$

因此 binary authorship label 可能不足。

---

# 46. Contribution Vector

可以用：

$$
\boxed{
\mathbf c(x)
=
(
c_H,
c_A,
c_T,
c_V
)
}
$$

粗略表示：

- human contribution；
- AI generation contribution；
- tool contribution；
- verification contribution。

本文不宣稱這個 vector 可客觀唯一測量。

只用來說明：

$$
\boxed{
\text{mixed provenance is structurally richer than binary origin}.
}
$$

---

# 47. Institutional Review Matrix

一個 artifact 可以有多個 verdict：

| Axis | Example |
|---|---|
| Semantic validity | valid / invalid |
| Empirical support | strong / weak |
| Provenance integrity | complete / incomplete |
| AI involvement | none / partial / extensive |
| Authorship eligibility | allowed / disallowed |
| Reproducibility | reproduced / not reproduced |
| Risk | low / high |

將全部壓成：

$$
\boxed{
\text{AI / non-AI}
}
$$

會丟失大量資訊。

---

# 48. UJDPF 的角色

UJDPF 要求：

$$
\boxed{
\text{不同 judgment 要有不同 type}.
}
$$

所以：

$$
\boxed{
\text{provenance judgment}
}
$$

與：

$$
\boxed{
\text{truth judgment}
}
$$

本來就應放在不同 judgment domains / coordinates。

SEHTS-05 是這個 type discipline 的 institutional application。

---

# 49. PDHES 的角色

PDHES 已將：

$$
\boxed{
\text{proposal}
}
$$

與：

$$
\boxed{
\text{verifier}
}
$$

分開。

AI generator 可以產生 candidate。

formal / empirical verifier 決定它是否通過 contract。

所以：

$$
\boxed{
\text{proposal source}
}
$$

不應直接取代：

$$
\boxed{
\text{verification result}.
}
$$

---

# 50. AER 的角色

AER 更進一步：

若 AI proposal 錯，

世界會反駁。

若 proposal 對，

fresh evidence 可以支持。

因此：

$$
\boxed{
\text{epistemic status is dynamically earned}.
}
$$

不是由 proposal genealogy 永久決定。

---

# 51. SEHTS 的角色

SEHTS 保存：

- artifact；
- provenance；
- verifier；
- historical trace。

所以未來最完整的判定不是：

> 這是不是 AI 寫的？

而是：

> 它怎麼產生？
> 經過什麼驗證？
> 哪些部分可重現？
> 哪個 scope 有效？
> 哪些結論仍 unresolved？

---

# 52. Genealogy Review 的制度成本

若 institution 把主要資源投入：

$$
\boxed{
\text{No-AI ancestry audit}
}
$$

而不是：

$$
\boxed{
\text{semantic/evidence audit},
}
$$

那 review budget：

$$
B
$$

會被重分配。

可粗略寫：

$$
\boxed{
B
=
B_{\mathrm{truth}}
+
B_{\mathrm{genealogy}}.
}
$$

若：

$$
B_{\mathrm{genealogy}}
\rightarrow B,
$$

則：

$$
B_{\mathrm{truth}}
\rightarrow0.
$$

這不是定理說成果一定變差。

只是指出 finite review budget 下存在 opportunity cost。

---

# 53. 下一篇的真正炸點

full genealogy review 還有更難的一題：

> 你怎麼證明一個 artifact 的 ancestry **沒有** AI？

看到一個 AI provenance edge 可以證明 contaminated。

但證明：

$$
\boxed{
\text{no AI path exists}
}
$$

需要接近 complete provenance graph。

這是正／負證明不對稱。

SEHTS-06 將專門處理。

---

# 54. No-AI Certificate 的直觀問題

要發：

```text
NO-AI CERTIFIED
```

你至少要知道：

- author；
- collaborators；
- software；
- search；
- translation；
- editing；
- source materials；
- upstream datasets；
- build systems；
- recommendations。

越採 full ancestry rule，

certificate scope 越接近整個 dependency history。

---

# 55. Missing Provenance 會讓 Institution 面臨三選一

若某 upstream history unknown：

## Allow

把 unknown 視為 clean。

## Reject

把 unknown 視為 contaminated。

## Audit

要求補 provenance。

第一條產生 false purity。

第二條產生 massive false rejection。

第三條產生成本。

這會是 SEHTS-06 的 policy trilemma。

---

# 56. Epistemic Hygiene 再次出現

比起：

$$
\boxed{
\text{AI ancestry}
\Rightarrow
\text{reject},
}
$$

較穩健的 policy 是：

$$
\boxed{
\text{AI / unknown provenance}
\Rightarrow
\text{adjust verification burden}.
}
$$

這保留 provenance 價值，又避免把 ancestry 變 truth surrogate。

---

# 57. 黑色幽默《純人類科學院》的理論底座

故事中科學院的荒謬點不是：

> 它討厭 AI。

而是：

> 即使 formal proof / experiment 通過，committee 仍優先追查「這個想法曾不曾接觸 AI」。

因此：

$$
\boxed{
B_{\mathrm{genealogy}}
\gg
B_{\mathrm{truth}}.
}
$$

最後 institution mission shift：

$$
\boxed{
\text{knowledge production}
\rightarrow
\text{ancestry certification}.
}
$$

---

# 58. 這篇故事也要保留一個公平出口

如果科學院的 mission 本來就是：

> 研究純人類 cognition 能做到什麼。

那 No-AI rule 完全合理。

問題只在它不能同時宣稱：

> 被排除的 theorem 因此在數學上不成立。

也就是：

$$
\boxed{
\text{mission typing}.
}
$$

---

# 59. 新穎性邊界

本文不宣稱首次提出：

- provenance；
- authenticity；
- genetic fallacy；
- formal verification；
- Lean；
- content credentials；
- source credibility；
- scientific replication；
- institutional eligibility rules。

本文提出的是：

$$
\boxed{
\text{Provenance–Validity Separation}
}
$$

在 AI-origin purism 中的形式化應用。

核心結構包括：

1. provenance / semantics / validity / admissibility 四函數分離；
2. Provenance Non-Determination；
3. Origin-Invariant Verification；
4. Genealogy-Review Divergence；
5. Verification-Dominance Escape；
6. truth review / genealogy review 的 institutional regime distinction；
7. provenance-as-burden-modifier 的替代政策。

---

# 60. 本文不證明什麼？

本文不證明：

$$
\boxed{
\text{AI provenance 不重要}.
}
$$

不證明：

$$
\boxed{
\text{AI-generated content 應自動被接受}.
}
$$

不證明：

$$
\boxed{
\text{formal verification 解決所有 truth 問題}.
}
$$

不證明：

$$
\boxed{
\text{所有 No-AI policies 都是 irrational}.
}
$$

只證明：

$$
\boxed{
\text{provenance criterion 與 semantic validity criterion 在一般情況下不可無聲等同}.
}
$$

---

# 61. 最終分離定理

可以把全文壓縮成：

### Provenance–Validity Separation

存在映射：

$$
\operatorname{Prov}:
\mathcal X
\rightarrow
\mathcal G,
$$

與：

$$
T:
\mathcal X
\rightarrow
\{0,1\}
$$

使：

1. 同 provenance 可有不同 $T$ ；
2. 不同 provenance 可有相同 $T$。

因此：

$$
\boxed{
T
}
$$

一般不能寫成 provenance 的純函數：

$$
\boxed{
T=f\circ\operatorname{Prov}
}
$$

除非研究 domain 額外建立非常特殊的限制。

---

# 62. 結論

本文承接 SEHTS-03、04，把極端 AI provenance purism 從：

$$
\boxed{
\text{資訊零化}
}
$$

與：

$$
\boxed{
\text{生活隔離}
}
$$

推到 institution 的 judgment structure。

最重要的結論是：

$$
\boxed{
\operatorname{Prov}(x)
\neq
\operatorname{Sem}(x)
\neq
T(x)
\neq
A(x).
}
$$

provenance 回答：

> 從哪裡來？

semantic validity 回答：

> 在指定 contract 下是否成立？

institutional admissibility 回答：

> 我們是否允許它被使用？

這些判斷可以互相影響，但不能無聲塌縮成一個 binary AI label。

C2PA 的設計已經給出一個現成制度例子：

$$
\boxed{
\text{provenance can be cryptographically verified}
}
$$

而：

$$
\boxed{
\text{provenance alone cannot establish factual truth}.
}
$$

Lean 又提供一個另一端的例子：

$$
\boxed{
\text{formal proof verdict can be provenance-invariant}.
}
$$

所以如果兩個 semantic-equivalent proofs：

$$
x,y
$$

都被同一 kernel 接受，

而 institution 只因：

$$
\operatorname{Prov}(x)
\neq
\operatorname{Prov}(y)
$$

接受一個、拒絕另一個，

那它做的是：

$$
\boxed{
\text{genealogy-sensitive admissibility review}.
}
$$

這可以是合法 governance。

但它不是：

$$
\boxed{
\text{proof-validity review}.
}
$$

因此本文所謂「從真值審查到血統審查」真正指的是：

$$
\boxed{
\text{institutional mission shift}
}
$$

——由：

$$
\boxed{
\text{What is true / valid / supported?}
}
$$

轉向：

$$
\boxed{
\text{What lineage is allowed?}
}
$$

如果這個轉向是明示的，概念上沒有矛盾。

如果它被包裝成同一種 truth criterion，才產生本文所說的 epistemic category mistake。

而下一篇 SEHTS-06 將處理這套 genealogy regime 最難逃的一個工程—認識論問題：

$$
\boxed{
\text{證明「有 AI ancestry」通常只需一條 witness path；}
}
$$

但：

$$
\boxed{
\text{證明「完全沒有 AI ancestry」可能需要證明整張祖先圖中不存在任何 forbidden path。}
}
$$

也就是：

# **No-AI Provenance 的不可證明負擔。**

---

# 參考文獻

[1] Coalition for Content Provenance and Authenticity. (2025–2026). *C2PA Specifications / Content Credentials Explainer, v2.2–v2.4*.

[2] Lebo, T., Sahoo, S., McGuinness, D., et al. (2013). *PROV-O: The PROV Ontology*. W3C Recommendation.

[3] Lean FRO / Lean Community. (2026). *Lean Reference Manual: Validating a Lean Proof* and *Lean FAQ*.

[4] Carneiro, M. (2024). *Lean4Lean: Towards a Verified Typechecker for Lean, in Lean*. arXiv:2403.14064.

[5] Neo.K. (2026). *AI 介入即資訊無效？來源零化公理與認識論自我零化定理*. SEHTS-03.

[6] Neo.K. (2026). *AI 認識隔離悖論：因果污染閉包與後 AI 生活空間的收縮*. SEHTS-04.

[7] Neo.K. (2026). *超概率統一框架：判定域、尺度、時間、遞歸階與傳輸見證的公理化*. JDPSP-09 / UJDPF.

---

# Appendix A. Four-Function Separation

```text
artifact x:

Prov(x):
  origin
  actors
  tools
  derivation
  history

Sem(x):
  proposition
  code
  data meaning
  formal object

T(x):
  semantic truth / validity
  under declared contract Gamma

A(x):
  institutional admissibility
  under declared policy Pi
```

# Appendix B. Genealogy-Review Criterion

```text
genealogy_review_regime if:

  semantic_equivalent(x, y) == true
  verifier(x) == verifier(y)

  but

  admissibility(x) != admissibility(y)

  because

  provenance(x) != provenance(y)
```

# Appendix C. Review Matrix

```text
semantic_validity:
  valid
  invalid
  unresolved

verification:
  passed
  failed
  unavailable

provenance_integrity:
  complete
  partial
  unknown

ai_involvement:
  none
  direct
  indirect
  unknown

institutional_eligibility:
  allowed
  restricted
  prohibited

reproducibility:
  reproduced
  not_reproduced
  not_tested
```

# Appendix D. Policy Types

```text
TYPE_A:
  provenance ignored

TYPE_B:
  provenance modifies prior trust

TYPE_C:
  provenance modifies verification burden

TYPE_D:
  provenance controls eligibility but not truth

TYPE_E:
  provenance overrides semantic verification

Paper target:
  TYPE_E as genealogy-review regime
```