---
title: "結果—體驗非等價：知道、做到與親自抵達之間的差異"
english_title: "Outcome–Experience Non-Equivalence: The Difference Between Knowing, Doing, and Personally Arriving"
series: "異質存在、體驗域與技術適配研究系列"
series_english: "Heterogeneous Existence, Experiential Domains, and Technological Fit Series"
series_id: "HEETF"
paper_id: "HEETF-03"
author: "Neo.K"
organization: "EveMissLab"
version: "0.1.0"
status: "Research Draft / Path-Dependent Value Theory"
date: "2026-08-14"
language: "zh-TW"
---

# 結果—體驗非等價

## 知道、做到與親自抵達之間的差異

### Outcome–Experience Non-Equivalence

### The Difference Between Knowing, Doing, and Personally Arriving

**作者：** Neo.K  
**機構：** EveMissLab  
**系列：** 異質存在、體驗域與技術適配研究系列（HEETF），Paper 03  
**版本：** v0.1.0  
**日期：** 2026-08-14

---

# 摘要

本文研究一個在 AI 進入數學、寫作、程式設計、創作與研究之後愈來愈難忽略的差異：

$$
\boxed{
\text{Same Outcome}
\not\Rightarrow
\text{Same Experience}.
}
$$

更精確地說：

$$
\boxed{
\text{Knowing}
\neq
\text{Doing}
\neq
\text{Personally Arriving}.
}
$$

一個 theorem 已被證明、一部小說已存在、一段程式已完成，與「我自己經由某條路徑完成它」不是同一種人生事件。

本文首先把創作／研究過程表示為 path space：

$$
\boxed{
\Gamma_i.
}
$$

一條實際完成路徑：

$$
\gamma
\in
\Gamma_i
$$

經 outcome map：

$$
\boxed{
\pi:
\Gamma_i
\rightarrow
\mathcal O
}
$$

投影成外部結果：

$$
o
=
\pi(\gamma).
$$

若 $\pi$ 非單射，則不同路徑可以得到相同結果。因此 outcome 本身通常不足以重建：

- 誰做了什麼；
- 花了多少時間；
- 經歷哪些失敗；
- 主體控制了哪些關鍵決策；
- 哪些 insight 是自己形成；
- 過程是否帶來 competence、ownership 或 identity change。

本文將主體 $i$ 對一條 path 的 lived value 分解為：

$$
\boxed{
L_i(\gamma)
=
V_i^{\mathrm{out}}(\pi(\gamma))
+
V_i^{\mathrm{proc}}(\gamma)
+
V_i^{\mathrm{agency}}(\gamma)
+
V_i^{\mathrm{competence}}(\gamma)
+
V_i^{\mathrm{ownership}}(\gamma)
+
V_i^{\mathrm{identity}}(\gamma)
-
C_i(\gamma).
}
$$

這不是 universal psychological law，而是一個 bookkeeping framework：它要求研究者不要把外部 outcome value 與主體親歷 path value 無聲合併。

本文證明三個核心結果。

第一，**Outcome Projection Non-Injectivity Proposition**：若 $\pi$ 非單射，則存在 $\gamma_1\neq\gamma_2$ 使：

$$
\pi(\gamma_1)
=
\pi(\gamma_2).
$$

因此外部結果不能唯一決定生成路徑。

第二，**Path-Sensitive Value Non-Equivalence Theorem**：若總 lived value 至少依賴一個非 outcome path coordinate，則存在相同 outcome 而不同總體驗價值的 routes：

$$
\boxed{
\pi(\gamma_1)=\pi(\gamma_2)
}
$$

但：

$$
\boxed{
L_i(\gamma_1)
\neq
L_i(\gamma_2).
}
$$

第三，**Automation Substitution Possibility Proposition**：即使 automation / AI 使 outcome value 不下降：

$$
V_i^{\mathrm{out}}(o_A)
\ge
V_i^{\mathrm{out}}(o_H),
$$

若它同時大幅降低主體珍視的 process、agency、competence、ownership 或 identity value，則仍可能：

$$
\boxed{
L_i(\gamma_A)
<
L_i(\gamma_H).
}
$$

因此「AI 給的結果更快、更好」不能單獨推出「AI 讓這個人的創作／研究人生更好」。

本文進一步定義 **Self-Arrival**。令：

$$
\alpha_i(\gamma)\in[0,1]
$$

表示主體對關鍵轉折與生成決策的 agency share；

$$
\kappa_i(\gamma)\in[0,1]
$$

表示主體在過程中實際動用／形成 competence 的程度；

$$
\chi_i(\gamma)\in[0,1]
$$

表示 outcome 與主體自我敘事、achievement identity 的耦合。

則可把「我親自抵達」視為 task-relative predicate：

$$
\boxed{
\operatorname{Arrive}_i(\gamma;\theta)
=
1
}
$$

若：

$$
(\alpha_i,\kappa_i,\chi_i)
$$

在該 task 的規則中滿足門檻 $\theta$。這不是宣稱存在唯一客觀的「真正作者比例」，而是把「親自完成」從模糊語言轉成需要明示 agency / competence / identity contract 的判斷。

心理學與行為研究提供多個相關但不等同的外部支點。self-generation / generation effect 文獻顯示，自己生成材料可在特定條件下改善後續記憶與學習；Franke 與 Schreier 對 self-designed products 的研究指出 process effort 與 process enjoyment 可以參與產品 valuation；Norton、Mochon 與 Ariely 的 IKEA effect 顯示成功投入勞動可能提高對自製成果的估值；Inzlicht、Shenhav 與 Olivola 將 effort 描述為一個 paradox：effort 通常是成本，卻也能本身增加價值；Self-Determination Theory 則提供 autonomy、competence 與 intrinsic motivation 的成熟背景。這些研究都不等於「努力越多越好」，反而支持本文的核心分離：**effort / agency / self-generation 是 outcome 之外的額外心理變量。**

本文對「某些數學家不願 AI 研究數學」因此提出一個較中性的重述。對某些主體，其目標函數主要是：

$$
\boxed{
\max V^{\mathrm{truth}}.
}
$$

他們希望 theorem 越快被證明越好。

對另一些主體，目標可能包含：

$$
\boxed{
\max
(
V^{\mathrm{truth}}
+
V^{\mathrm{discovery}}
+
V^{\mathrm{agency}}
+
V^{\mathrm{identity}}
).
}
$$

因此他們並非必然反對 theorem 為真，也不必否認 AI proof；他們可能只是拒絕把「真理顯現」視為數學活動唯一的效用函數。

同樣地：

> 「我要一本好小說。」

與：

> 「我要成為寫完這本小說的人。」

是不同 objective。

第一個主要關心：

$$
o
\in
\mathcal O.
$$

第二個關心：

$$
(\gamma,o)
\in
\Gamma\times\mathcal O.
$$

所以 HEETF-03 的最終原則是：

# **Outcome–Experience Non-Equivalence Principle**

$$
\boxed{
\text{Result Identity}
\not\Rightarrow
\text{Path Identity}
\not\Rightarrow
\text{Experience Identity}
\not\Rightarrow
\text{Value Identity}.
}
$$

AI 的出現並沒有創造這個問題。天才、師徒、代筆、外包、工具、捷徑、作弊、合作與自動化早已讓人類面對它。AI 只是把「不同 path 可以產生相同甚至更好 outcome」的速度、規模與異質性放大到文明層級。

**關鍵詞：** Outcome–Experience Non-Equivalence, Self-Arrival, Agency, Process Value, Achievement, Effort Paradox, IKEA Effect, Generation Effect, Autonomy, Competence, AI-Assisted Creation

---

# 1. 一個 theorem 有兩種完全不同的問題

問題一：

> theorem $T$ 有沒有被證明？

寫成：

$$
\boxed{
\vdash T.
}
$$

問題二：

> 是不是我自己走到這個證明？

這兩句不是同一命題。

第一句是：

$$
\boxed{
\text{public mathematical status}.
}
$$

第二句是：

$$
\boxed{
\text{subject–path relation}.
}
$$

---

# 2. 一本小說也一樣

問題一：

> 世界上有沒有一本好小說 $N$？

問題二：

> 我有沒有親自成為寫完 $N$ 的那個人？

第一個主要是 outcome。

第二個包含：

- 時間；
- 選擇；
- 失敗；
- 風格形成；
- 作者身份；
- 個人歷史。

---

# 3. Outcome Space

令：

$$
\boxed{
\mathcal O
}
$$

為外部 outcome space。

可以是：

- theorem proof；
- novel；
- program；
- painting；
- design；
- scientific result。

---

# 4. Process Path Space

對主體 $i$：

$$
\boxed{
\Gamma_i
}
$$

表示所有可能完成／接近該 task 的歷程。

一條 path：

$$
\gamma
=
(
s_0,a_0,s_1,a_1,\ldots,s_n
)
$$

可包含：

- internal state；
- action；
- feedback；
- failure；
- revision；
- tool use；
- external assistance。

---

# 5. Outcome Projection

定義：

$$
\boxed{
\pi:
\Gamma_i
\rightarrow
\mathcal O.
}
$$

將完整歷程壓縮成外部結果。

例如：

$$
\gamma
\mapsto
\text{final novel}.
$$

或：

$$
\gamma
\mapsto
\text{final proof}.
$$

---

# 6. Outcome Projection Non-Injectivity

### 命題 6.1

若存在不同 paths：

$$
\gamma_1\neq\gamma_2
$$

具有相同 outcome，則 $\pi$ 非單射。

反之，若 $\pi$ 非單射，則存在：

$$
\boxed{
\gamma_1\neq\gamma_2
}
$$

使：

$$
\boxed{
\pi(\gamma_1)=\pi(\gamma_2).
}
$$

### 證明

即非單射定義。

$$
\boxed{\square}
$$

---

# 7. 這個命題為什麼重要？

因為：

$$
\boxed{
o
}
$$

通常是 path 的巨大壓縮。

一部完成小說不會自動告訴你：

- 寫了幾年；
- 改幾版；
- 哪段是誰想的；
- 是否委託別人；
- 是否由 AI 生成；
- 作者是否在過程中改變。

outcome 不是 history。

---

# 8. 結果等價類

定義：

$$
\gamma_1
\sim_\pi
\gamma_2
$$

若：

$$
\pi(\gamma_1)=\pi(\gamma_2).
$$

則：

$$
[\gamma]_\pi
$$

是一個 outcome-equivalence class。

公共 outcome 只能辨識：

$$
\boxed{
\Gamma_i/{\sim_\pi}.
}
$$

---

# 9. 但人生價值不一定只看 quotient

若主體只關心 final result：

$$
L_i(\gamma)
=
f_i(\pi(\gamma)),
$$

那：

$$
\gamma_1\sim_\pi\gamma_2
$$

確實推出：

$$
L_i(\gamma_1)=L_i(\gamma_2).
$$

但這是特殊情況。

---

# 10. Path-Sensitive Value

本文允許：

$$
\boxed{
L_i(\gamma)
=
V_i^{\mathrm{out}}(\pi(\gamma))
+
P_i(\gamma).
}
$$

其中：

$$
P_i(\gamma)
$$

表示所有 path-dependent lived value 的總和。

---

# 11. 更細的 Path Value

進一步：

$$
\boxed{
P_i(\gamma)
=
V_i^{\mathrm{proc}}
+
V_i^{\mathrm{agency}}
+
V_i^{\mathrm{competence}}
+
V_i^{\mathrm{ownership}}
+
V_i^{\mathrm{identity}}
-
C_i.
}
$$

每一項都是 task-relative。

---

# 12. Outcome Value

$$
V_i^{\mathrm{out}}(o)
$$

回答：

> 最後結果本身對我有多少價值？

例如：

- theorem 為真；
- 小說好看；
- 程式能用；
- 產品完成。

---

# 13. Process Value

$$
V_i^{\mathrm{proc}}(\gamma)
$$

回答：

> 走這條路本身對我有沒有價值？

可能包括：

- enjoyment；
- curiosity；
- flow；
- struggle；
- surprise；
- exploration。

---

# 14. Agency Value

$$
V_i^{\mathrm{agency}}(\gamma)
$$

回答：

> 關鍵選擇是不是由我控制？

兩條路即使結果相同：

- 自己選；
- 被系統自動完成；

agency experience 仍可不同。

---

# 15. Competence Value

$$
V_i^{\mathrm{competence}}(\gamma)
$$

回答：

> 我是否真正動用了、形成了、證明了自己的能力？

Self-Determination Theory 的 competence 需求提供了成熟外部背景。

---

# 16. Ownership Value

$$
V_i^{\mathrm{ownership}}(\gamma)
$$

回答：

> 我是否把 outcome 感覺成「我的作品／我的成果」？

這與法律 ownership 不同。

更接近 psychological ownership / self-production relation。

---

# 17. Identity Value

$$
V_i^{\mathrm{identity}}(\gamma)
$$

回答：

> 這段完成過程是否進入了「我是誰」的自我敘事？

例如：

> 我是一個完成過這本小說的人。

或：

> 我曾獨立解出這個問題。

---

# 18. Cost

$$
C_i(\gamma)
$$

可以包括：

- time；
- fatigue；
- frustration；
- money；
- opportunity cost；
- stress。

非常重要：

$$
\boxed{
C_i>0
}
$$

不自動意味：

$$
V_i^{\mathrm{proc}}>0.
$$

痛苦本身不是必然價值。

---

# 19. Path-Sensitive Value Non-Equivalence Theorem

### 定理 19.1

若：

$$
\pi(\gamma_1)=\pi(\gamma_2)
$$

且至少一個 path-dependent component 不同，使：

$$
P_i(\gamma_1)\neq P_i(\gamma_2),
$$

則：

$$
\boxed{
L_i(\gamma_1)
\neq
L_i(\gamma_2).
}
$$

### 證明

由：

$$
L_i(\gamma)
=
V_i^{\mathrm{out}}(\pi(\gamma))
+
P_i(\gamma).
$$

相同 outcome 給：

$$
V_i^{\mathrm{out}}(\pi(\gamma_1))
=
V_i^{\mathrm{out}}(\pi(\gamma_2)).
$$

但：

$$
P_i(\gamma_1)\neq P_i(\gamma_2).
$$

故：

$$
L_i(\gamma_1)\neq L_i(\gamma_2).
$$

$$
\boxed{\square}
$$

---

# 20. 最簡單反例

兩條路都得到：

$$
o.
$$

但：

$$
P_i(\gamma_1)=10,
$$

$$
P_i(\gamma_2)=0.
$$

則：

$$
L_i(\gamma_1)
=
V_i^{\mathrm{out}}(o)+10,
$$

$$
L_i(\gamma_2)
=
V_i^{\mathrm{out}}(o).
$$

結果相同。

人生事件不同。

---

# 21. Knowing

定義最弱：

$$
\boxed{
\operatorname{Know}_i(o)
}
$$

表示主體取得 outcome / proposition。

例如：

> 我知道 theorem 的證明。

不要求自己生成。

---

# 22. Doing

$$
\boxed{
\operatorname{Do}_i(\gamma)
}
$$

表示主體參與完成 process。

但參與程度可以不同。

例如：

- 照著教學打一遍；
- 根據提示完成；
- 自己設計；
- AI 做大部分。

---

# 23. Personally Arriving

「親自抵達」比 doing 更強。

它至少涉及：

- agency；
- competence；
- contribution；
- identity attribution。

所以本文不把它定義成：

$$
\boxed{
\text{no tools used}.
}
$$

使用工具不必抹掉自我抵達。

---

# 24. Agency Share

定義：

$$
\boxed{
\alpha_i(\gamma)\in[0,1].
}
$$

表示關鍵 decision points 中主體的 agency share。

這不是現有 universal measurement。

只是 framework variable。

---

# 25. Competence Engagement

$$
\boxed{
\kappa_i(\gamma)\in[0,1].
}
$$

表示 task-relevant competence 是否真的被主體動用／形成。

---

# 26. Identity Coupling

$$
\boxed{
\chi_i(\gamma)\in[0,1].
}
$$

表示 outcome 是否進入主體的 achievement identity。

---

# 27. Self-Arrival Predicate

對 task-specific threshold：

$$
\theta
=
(\theta_\alpha,\theta_\kappa,\theta_\chi),
$$

定義：

$$
\boxed{
\operatorname{Arrive}_i(\gamma;\theta)
=
1
}
$$

若：

$$
\alpha_i(\gamma)\ge\theta_\alpha,
$$

$$
\kappa_i(\gamma)\ge\theta_\kappa,
$$

$$
\chi_i(\gamma)\ge\theta_\chi.
$$

---

# 28. 這不是客觀的「真正作者定理」

不同 domain 可使用不同：

$$
\theta.
$$

例如：

- 教育；
- 競賽；
- 藝術；
- 共同研究；
- 軟體工程；

對 contribution contract 不同。

本文只要求：

$$
\boxed{
\text{把「我自己做到」的判準說清楚}.
}
$$

---

# 29. 工具不自動消滅 Self-Arrival

一個數學家使用：

- 紙；
- 電腦；
- 搜尋；
- Lean；

仍可認為自己完成 theorem。

所以：

$$
\boxed{
\text{tool use}
\not\Rightarrow
\operatorname{Arrive}=0.
}
$$

真正 relevant 是：

> 關鍵 epistemic / creative decisions 到底如何分配？

---

# 30. Assistance Continuum

令 assistance level：

$$
\beta\in[0,1].
$$

 $\beta=0$：

幾乎完全自行。

 $\beta=1$：

系統直接交付完成 outcome。

但：

$$
L_i(\beta)
$$

不必單調。

---

# 31. 為什麼 Assistance 不一定越少越好？

低 assistance 可能：

- 太難；
- 卡死；
- 痛苦；
- 無法完成。

適量 assistance 可能：

- scaffold learning；
- 提升 competence；
- 保持 agency。

過高 assistance 則可能：

- 移除 challenge；
- 移除 authorship；
- 移除 discovery。

所以：

$$
\boxed{
L_i(\beta)
}
$$

可以有 interior optimum。

---

# 32. Flow / Challenge–Skill 的結構類比

flow theory 長期關注 challenge 與 skill 的匹配。

本文不把 flow 當 Self-Arrival 的必要條件。

但它提供一個相關直覺：

> 活動價值可能來自適當難度下的參與，而不是單純最快到達 outcome。

---

# 33. Effort Paradox

Inzlicht、Shenhav 與 Olivola 將 effort 稱為 paradox：

- effort 通常被避免；
- effort 本身也可能被賦予價值。

所以：

$$
\boxed{
\text{effort}
}
$$

不能只寫成：

$$
-C.
$$

也不能只寫成：

$$
+V.
$$

它可以同時具有兩面。

---

# 34. Effort Value Function

可以拆：

$$
\boxed{
E_i(\gamma)
=
V_i^{\mathrm{effort}}(\gamma)
-
C_i^{\mathrm{effort}}(\gamma).
}
$$

同一努力對不同人：

$$
E_i\neq E_j.
$$

---

# 35. IKEA Effect

Norton、Mochon、Ariely 的 IKEA effect 研究顯示，人們在成功投入勞動後可能提高對自己製作物的 valuation。

這不能直接證明：

> 所有創作投入都更有價值。

但它證明：

$$
\boxed{
\text{production history can affect valuation of an otherwise similar object}.
}
$$

這和本文 path-dependence 相容。

---

# 36. Self-Designed Products

Franke 與 Schreier 研究 self-designed products 時，process effort 與 enjoyment 都與 valuation 有關。

再次顯示：

$$
\boxed{
\text{final product}
}
$$

不是 consumer / creator valuation 的唯一輸入。

---

# 37. Generation Effect

self-generation / generation effect 文獻表明，在多種記憶任務中，自己生成的材料常較單純閱讀材料有記憶優勢。

本文不把記憶 advantage 等同：

$$
\boxed{
\text{人生價值}.
}
$$

只用來指出：

$$
\boxed{
\text{自己生成}
}
$$

與：

$$
\boxed{
\text{被動接收}
}
$$

在認知結果上也未必完全等價。

---

# 38. 數學中的 Truth Objective

對某研究者：

$$
\boxed{
U_i
=
V_i^{\mathrm{truth}}.
}
$$

只要 theorem 被正確證明，

誰證明都可以。

AI 越快越好。

這是完全合理的 objective。

---

# 39. 數學中的 Discovery Objective

另一研究者：

$$
\boxed{
U_j
=
V_j^{\mathrm{truth}}
+
V_j^{\mathrm{discovery}}
+
V_j^{\mathrm{agency}}
+
V_j^{\mathrm{identity}}.
}
$$

對他而言：

> 我自己走到 theorem。

是 outcome 之外的價值。

也完全合理。

---

# 40. 所以「不想 AI 解」有兩種完全不同理由

## Epistemic Rejection

> AI proof 不是真的。

這需要 proof-quality / verification argument。

## Experiential Rejection

> 我承認它可能是真的，但我不希望 AI 替我完成我想親自經歷的研究過程。

這是 preference / activity-design argument。

兩者不能混。

---

# 41. 「數學真理顯現」不是唯一的數學活動價值

如果文明目標只有：

$$
\boxed{
\max
|\mathcal K_{\mathrm{math}}|
}
$$

那越快解出越好。

但 individual mathematics 也可以包含：

- aesthetic appreciation；
- mastery；
- problem solving；
- identity；
- teaching；
- community；
- personal achievement。

所以：

$$
\boxed{
\text{public epistemic objective}
\neq
\text{individual experiential objective}.
}
$$

---

# 42. 小說例子

作者 A 的目標：

> 我要一本好小說。

則主要：

$$
\boxed{
\max
V^{\mathrm{out}}(N).
}
$$

作者 B 的目標：

> 我要寫完一本屬於我的小說。

則：

$$
\boxed{
\max
L_B(\gamma).
}
$$

AI 直接交付小說可能讓 A 很滿意。

對 B 則可能移除 task 本身。

---

# 43. 這裡的「屬於我」不是版權

可以：

- 法律上屬於你；
- 你卻沒有 authorship experience。

也可以：

- 法律上共同作者；
- 但你強烈有 personal ownership。

所以：

$$
\boxed{
\text{legal ownership}
\neq
\text{psychological ownership}
\neq
\text{self-arrival}.
}
$$

---

# 44. AI-Assisted Writing

假設：

$$
\gamma_H
$$

為人類自己寫三年。

$$
\gamma_A
$$

為 AI 三小時完成。

結果品質：

$$
Q_A\ge Q_H.
$$

仍然可能：

$$
L_i(\gamma_A)
<
L_i(\gamma_H)
$$

如果 $i$ 的 process / agency / identity weights 很高。

---

# 45. Automation Substitution Possibility Proposition

### 命題 45.1

若：

$$
V_i^{\mathrm{out}}(o_A)
\ge
V_i^{\mathrm{out}}(o_H),
$$

但：

$$
P_i(\gamma_A)
<
P_i(\gamma_H)
-
\left[
V_i^{\mathrm{out}}(o_A)
-
V_i^{\mathrm{out}}(o_H)
\right],
$$

則：

$$
\boxed{
L_i(\gamma_A)
<
L_i(\gamma_H).
}
$$

### 證明

由：

$$
L_i(\gamma_A)
=
V_i^{\mathrm{out}}(o_A)
+
P_i(\gamma_A),
$$

$$
L_i(\gamma_H)
=
V_i^{\mathrm{out}}(o_H)
+
P_i(\gamma_H).
$$

代入假設即得。

$$
\boxed{\square}
$$

---

# 46. 這就是「結果更好但人生效用更低」

不是矛盾。

因為 total lived value 有兩部分：

$$
\boxed{
\text{outcome}
+
\text{path}.
}
$$

AI 可以提高第一部分，同時降低第二部分。

---

# 47. 反過來也成立

AI assistance 可以：

- 降低無聊成本；
- 避免不必要挫敗；
- 給予 scaffold；
- 讓人做更高層決策。

所以：

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

也完全可能增加：

$$
P_i(\gamma).
$$

本文不是 anti-assistance。

---

# 48. Assisted Self-Arrival

可以存在：

$$
\boxed{
\operatorname{Arrive}_i=1
}
$$

即使：

$$
\beta>0.
$$

例如 AI：

- 找資料；
- 檢查錯誤；
- 生成測試；

但核心 conceptual architecture 由主體決定。

---

# 49. AI 和人類共同 Arrival

共同創作還可以定義：

$$
\boxed{
\operatorname{Arrive}_{H,A}(\gamma).
}
$$

表示 outcome 是 genuinely joint process 的結果。

這不應被迫壓成：

- 全是人；
- 全是 AI。

---

# 50. Achievement Attribution

一個 achievement claim：

> 我完成了 $o$。

至少可以分：

## Causal Contribution

我在因果鏈裡。

## Agency Contribution

我控制關鍵 decisions。

## Competence Contribution

我的能力是必要／實質因素。

## Identity Attribution

我把 outcome 納入自我敘事。

不同制度要求不同組合。

---

# 51. 教育場景

學生直接拿 AI answer：

$$
o.
$$

知道：

$$
o
$$

不等於形成：

$$
\kappa_i.
$$

所以教育的 objective 常不是：

$$
\boxed{
\text{answer acquisition only}.
}
$$

而是：

$$
\boxed{
\text{competence formation}.
}
$$

這正是 outcome–experience separation 的制度版。

---

# 52. 教師給提示也一樣

如果任何 assistance 都使 achievement 無效，

那：

- 教師；
- 教科書；
- 提示；
- 範例；

全部都會有問題。

所以合理教育制度需要定義：

$$
\boxed{
\text{allowed scaffolding}
}
$$

而不是幻想純工具零介入。

---

# 53. AI 把這個問題放大

以前 assistance gradient 較慢：

- 書；
- 教師；
- 搜尋；
- 論壇。

現在 AI 可以從：

> 給提示。

瞬間跳到：

> 直接完成。

所以：

$$
\boxed{
\text{agency displacement}
}
$$

變得更容易發生。

---

# 54. Agency Preservation Mode

因此未來創作／教育 AI 可以提供：

- hint only；
- question mode；
- critique only；
- scaffold；
- co-create；
- full generate。

讓主體選擇：

$$
\boxed{
\beta_i^\ast.
}
$$

---

# 55. Process-Preservation Design

如果主體在乎 self-arrival，

AI design 不應只最佳化：

$$
\boxed{
\text{time-to-answer}.
}
$$

還可以最佳化：

$$
\boxed{
\text{time-to-insight}
}
$$

或：

$$
\boxed{
\text{agency-preserving assistance}.
}
$$

---

# 56. Outcome Optimization 與 Experience Optimization

兩個系統 objective：

## Outcome Optimizer

$$
\max
Q(o).
$$

## Experience Optimizer

$$
\max
L_i(\gamma).
$$

兩者可能選出不同 policy。

---

# 57. 最佳 AI 不一定最愛直接給答案

對某些使用者，

最佳 assistant 可能：

> 知道答案，但故意不直接說。

而是給：

- clue；
- counterexample；
- question；
- test。

因為使用者想保留：

$$
\boxed{
\operatorname{Arrive}_i.
}
$$

---

# 58. 這和虛擬遊戲很像

遊戲玩家通常不希望：

> 系統替我把 boss 打完。

即使 reward 一樣。

因為：

$$
\boxed{
\text{reward acquisition}
\neq
\text{play experience}.
}
$$

創作／數學也可能如此。

---

# 59. 「作弊」其實也是 Outcome–Path 分離

考試作弊者與自己解出：

$$
o
$$

可能得到相同答案。

但 institution 不把兩者視為相同 achievement。

原因就是：

$$
\boxed{
\text{achievement is path-sensitive}.
}
$$

AI 只是讓 path policy 更需要被重新定義。

---

# 60. 「天才」也早已揭露同一問題

兩人得到同一 theorem。

一個花十年。

一個一週。

outcome：

$$
o
$$

相同。

cost / lived path：

$$
\gamma
$$

不同。

這會在 HEETF-04 變成異質 cost-function 問題。

---

# 61. AI 更進一步

AI 的 path 甚至可能不具有和人類相同的：

- fatigue；
- lifespan；
- motor bottleneck；
- autobiographical meaning。

因此：

$$
\boxed{
\text{same output task}
}
$$

不表示：

$$
\boxed{
\text{same production ontology}.
}
$$

HEETF-05 會處理載體上限。

---

# 62. 新穎性邊界

本文不宣稱首次提出：

- process utility；
- effort valuation；
- IKEA effect；
- generation effect；
- psychological ownership；
- autonomy；
- competence；
- flow；
- intrinsic motivation；
- authorship；
- achievement。

本文提出的是 HEETF 系列中的 formal bridge：

1. outcome map $\pi:\Gamma\to\mathcal O$ ；
2. outcome-equivalence classes；
3. path-sensitive lived value $L_i$ ；
4. Knowing / Doing / Personally Arriving 三分；
5. Self-Arrival predicate；
6. Automation Substitution Possibility；
7. outcome optimizer / experience optimizer separation；
8. AI assistance gradient 與 agency-preserving design。

---

# 63. 本文不證明什麼？

本文不證明：

$$
\boxed{
\text{自己做一定比較有價值}.
}
$$

不證明：

$$
\boxed{
\text{努力越多越值得}.
}
$$

不證明：

$$
\boxed{
\text{AI assistance 必然降低 agency}.
}
$$

不證明：

$$
\boxed{
\text{不用工具才算真正創作}.
}
$$

也不證明：

$$
\boxed{
\text{所有人都重視 self-arrival}.
}
$$

---

# 64. 不同主體權重不同

對主體 $i$：

$$
V_i^{\mathrm{out}}
\gg
P_i.
$$

他只想要結果。

對主體 $j$：

$$
P_j
\gg
V_j^{\mathrm{out}}.
$$

他非常在乎過程。

對主體 $k$：

兩者都高。

都合理。

---

# 65. 這接回 HEETF-02

同一事件：

> AI 解出 theorem。

對：

$$
i
$$

可能是：

> 太好了。

對：

$$
j
$$

可能是：

> 我的研究過程被替代。

同一 public event。

不同：

$$
\Phi_i,
\Phi_j.
$$

---

# 66. 最終原則

本文濃縮為：

# **Outcome–Experience Non-Equivalence Principle**

$$
\boxed{
\text{Result Identity}
\not\Rightarrow
\text{Path Identity}
\not\Rightarrow
\text{Experience Identity}
\not\Rightarrow
\text{Value Identity}.
}
$$

---

# 67. 結論

AI 出現之前，人類其實早已知道：

> 自己做到，和別人替你做到，不是一回事。

只是很多領域裡，代替成本過高，所以這個差異沒有每天被逼到面前。

AI 改變了這件事。

現在對大量 tasks：

$$
\boxed{
\text{outcome substitution cost}
\downarrow.
}
$$

因此我們被迫重新問：

> 我究竟要結果，還是要過程？

對數學：

$$
\boxed{
\text{我想知道 theorem}
}
$$

與：

$$
\boxed{
\text{我想自己走到 theorem}
}
$$

不是同一 objective。

對小說：

$$
\boxed{
\text{我要一本小說}
}
$$

與：

$$
\boxed{
\text{我要成為寫完小說的人}
}
$$

也不是同一 objective。

因此一個 AI 系統即使：

- 更快；
- 更穩；
- 最後品質更高；

也不能單憑這三點推出：

$$
\boxed{
\text{它提高了所有人的 total lived value}.
}
$$

因為：

$$
\boxed{
L_i(\gamma)
}
$$

可能依賴：

- outcome；
- process；
- agency；
- competence；
- ownership；
- identity；
- cost。

這也是為什麼某些人面對 AI 進入自己珍視的領域時，真正反對的不是：

> AI 的答案不真。

而是：

> **我不希望自己的人生被壓縮成只剩答案。**

這個需求不必普遍化。

也不必要求所有人共同遵守。

它只需要被正確分類為：

$$
\boxed{
\text{experiential objective}.
}
$$

當文明承認這一點，就能同時容許：

- 真理優先的人；
- 效率優先的人；
- 親自抵達的人；
- 人機共同創作的人。

而不必把它們全部硬塞進：

$$
\boxed{
\text{誰更理性？}
}
$$

的單一排行榜。

這就是 HEETF-03 的核心。

---

# 參考文獻

[1] Slamecka, N. J., & Graf, P. (1978). The generation effect: Delineation of a phenomenon. *Journal of Experimental Psychology: Human Learning and Memory*, 4(6), 592–604. DOI: 10.1037/0278-7393.4.6.592.

[2] Norton, M. I., Mochon, D., & Ariely, D. (2012). The IKEA effect: When labor leads to love. *Journal of Consumer Psychology*, 22(3), 453–460. DOI: 10.1016/j.jcps.2011.08.002.

[3] Franke, N., & Schreier, M. (2010). Why Customers Value Self-Designed Products: The Importance of Process Effort and Enjoyment. *Journal of Product Innovation Management*, 27(7), 1020–1031. DOI: 10.1111/j.1540-5885.2010.00768.x.

[4] Inzlicht, M., Shenhav, A., & Olivola, C. Y. (2018). The effort paradox: Effort is both costly and valued. *Trends in Cognitive Sciences*, 22(4), 337–349. DOI: 10.1016/j.tics.2018.01.007.

[5] Lin, H., Westbrook, A., Fan, F., & Inzlicht, M. (2023). Instilling the value of effort. *Nature Human Behaviour*. DOI and publication metadata should be verified against the canonical publisher record before external publication.

[6] Ryan, R. M., & Deci, E. L. (2000). Self-Determination Theory and the Facilitation of Intrinsic Motivation, Social Development, and Well-Being. *American Psychologist*, 55(1), 68–78. DOI: 10.1037/0003-066X.55.1.68.

[7] Nakamura, J., & Csikszentmihalyi, M. (2002). The Concept of Flow. In *Handbook of Positive Psychology*. Oxford University Press.

[8] Marsh, L. E., Kanngiesser, P., & Hood, B. (2018). When and how does labour lead to love? The ontogeny and mechanisms of the IKEA effect. *Cognition*, 170, 245–253.

---

# Appendix A. Minimal Formal Objects

```text
outcome_space:
  O

path_space:
  Gamma_i

outcome_projection:
  pi: Gamma_i -> O

lived_value:
  L_i(path):
    outcome_value
    process_value
    agency_value
    competence_value
    ownership_value
    identity_value
    minus_cost
```

# Appendix B. Self-Arrival Record

```text
self_arrival:
  subject:
  task:
  path:

  agency_share:
  competence_engagement:
  identity_coupling:

  assistance_level:
  critical_decisions:
  external_tools:
  external_agents:

  threshold_contract:
  result:
    arrived
    assisted_arrival
    not_arrived
    unresolved
```

# Appendix C. Assistance Modes

```text
HINT_ONLY
QUESTION_ONLY
CRITIQUE_ONLY
SCAFFOLD
CO_CREATE
PARTIAL_GENERATION
FULL_GENERATION
```

# Appendix D. Anti-Overclaim Rules

```text
AO-1:
  same outcome does not prove same path

AO-2:
  more effort does not automatically mean more value

AO-3:
  tool use does not automatically negate self-arrival

AO-4:
  AI assistance does not automatically negate agency

AO-5:
  outcome superiority does not automatically imply lived-value superiority
```