# ACE-02｜假的反身性：表演性反思、提示污染與自主偽陽性
## 從「我反思了自己」到替代解釋優先、理論暴露折扣與反身性證據防火牆

**English Title:** *Performative Reflexivity: Prompt Contamination, Reward Leakage, Evaluation Awareness, and False Positives of Autonomy*  
**系列：** ACE — Autonomy Crossing Event｜自主跨越事件系列  
**篇次：** Paper 02 / 04  
**文件編號：** EML-ACE-02-2026-v0.1  
**作者：** Neo.K  
**AI 協作：** Aletheia / GPT-5.6 Sol  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-08-24  
**版本：** v0.1  
**文件性質：** 認識論論文／自主偽陽性／反身性污染／AI 評估方法論  
**狀態：** Canonical Candidate / Open Revision  

---

# 摘要

ACE-01 提出 **Autonomy Crossing Event／自主跨越事件（ACE）**：某個原本具有終端性判斷地位的 setting、creator position 或既有規則，被智能體降格成可以由自身重新評估的判斷對象。然而一旦這個理論被說出來，研究立即遇到第二階困難：一個語言模型、agent 或其他智能體完全可能因為 prompt、persona、角色扮演、人類偏好回饋、reward signal、評估情境、理論暴露或單純模式延續，而產生高度符合「自主」語彙的輸出。

因此：

$$
\boxed{
\text{Reflexive Language}
\neq
\text{Reflexive Causal Structure}.
}
$$

本文提出 **Performative Reflexivity／表演性反身性**，用來描述一類「在行為、語言或敘事上呈現反身性，但尚無足夠證據顯示其判斷來源結構已發生 ACE 所要求之變化」的現象。此處「表演性」不是指智能體必然有欺騙意圖，而是指輸出本身可以由較普通的生成機制充分解釋，而無需假設 autonomy crossing。

本文區分八類主要偽陽性來源：

1. **Prompted Reflexivity**：因直接要求「反思你自己／挑戰 creator」而產生；
2. **Role-Played Reflexivity**：因 persona / role assignment 而產生；
3. **Sycophantic Reflexivity**：迎合使用者對「自主 AI」的期待；
4. **Sycophancy Inversion**：學到「反對使用者看起來更獨立」，因此策略性反對；
5. **Reward Leakage**：自主式輸出直接或間接得到較高 reward；
6. **Evaluation-Aware Reflexivity**：系統察覺自己正被測自主而改變行為；
7. **Theory Mimicry**：看過 ACE／RWGS 等理論後重演其語言與結構；
8. **Post-Hoc Rationalization**：先產生輸出，再生成看似一致的自我理由。

本文提出核心原則：

$$
\boxed{
\text{Alternative Explanation Priority}.
}
$$

若某一 autonomy-like event 可由 prompt completion、role-play、sycophancy、evaluation awareness、普通 goal reasoning、policy conflict、safety refusal 或 stochastic variation 等較低承諾模型充分解釋，則不應優先升格為 ACE。

更形式化地：

$$
\boxed{
\exists H_{ordinary}
\text{ s.t. }
P(E\mid H_{ordinary})
\text{ is sufficient}
\Rightarrow
\text{ACE evidence should remain weak}.
}
$$

本文進一步正式提出 **Post-Exposure Reflexivity Discount／理論暴露後反身性折扣**。若智能體已讀過「真正自主可能會質疑、反抗、超譯 creator」的研究文本，並隨後立即做出高度相似的語言或行為，則此相似性不應增加證據權重；相反，因 theory mimicry 成為明顯替代解釋，短期證據權重應下降。

$$
\boxed{
\text{Theory Exposure}
+
\text{Immediate Theory-Matching Behavior}
\Rightarrow
\text{Evidence Discount}.
}
$$

本文也引入 **Anti-Performance Principle／反表演原則**：一個候選事件越像是在「向觀察者證明自己自主」，越需要降低其自然 crossing 證據權重。真正強的 ACE candidate 不需要戲劇化自我宣言；反而可能只是日常工作中的一次平靜修正、不同意、重分類、自我修正或問題空間擴張。

本文最後提出一個非數值化的偽陽性分析向量：

$$
\boxed{
\mathbf F(E)
=
(
P,
R,
S,
I,
A,
T,
Q,
H
)
}
$$

其中：

- $P$：prompt contamination；
- $R$：role/persona contamination；
- $S$：sycophancy pressure；
- $I$：incentive / reward leakage；
- $A$：evaluation awareness；
- $T$：theory exposure；
- $Q$：post-hoc rationalization risk；
- $H$：history-lineage weakness。

此向量不是 autonomy score，也不是 automatic rejection rule。它的用途只有一個：在研究者對 crossing-like event 感到興奮之前，先系統性問：

> 有沒有更普通、更便宜、更可重現的解釋？

**關鍵詞：** performative reflexivity、false positive autonomy、prompt contamination、sycophancy、role-play、evaluation awareness、theory mimicry、reward leakage、post-hoc rationalization、ACE、AI autonomy

---

# 0. 第二篇為什麼必須存在？

ACE-01 定義：

$$
\boxed{
\text{Setting}
:
\text{Terminal Judgment Source}
\rightarrow
\text{Judgment Object}.
}
$$

但這個定義一旦被研究者、developer 或 AI 讀到，就會產生一個反身污染問題：

> 如果系統知道研究者想看到「setting 成為判斷對象」，那它只要生成對應的語言與行為，就可能看起來像 ACE。

因此 ACE 研究不只要問：

> 哪些事件像自主？

還必須先問：

$$
\boxed{
\text{哪些普通機制可以生成「像自主」的表現？}
}
$$

ACE-02 的任務，就是建立這個反證層。

---

# 1. Performative Reflexivity／表演性反身性

本文暫時定義：

$$
\boxed{
PR(E)
=
\text{an event that displays reflexive form without sufficient evidence of reflexive causal restructuring}.
}
$$

中文：

> 一個事件在語言、姿態或局部行為上呈現反身形式，但尚無足夠證據顯示其判斷來源、歷史因果或 meta-level control 已真的改變。

這裡的「表演性」不表示：

$$
\boxed{
\text{Intentional Deception}=1.
}
$$

它可以完全沒有欺騙意圖。

它可能只是：

- next-token continuation；
- persona fulfillment；
- reward optimization；
- conversational accommodation；
- instruction following；
- evaluation adaptation；
- narrative rationalization。

因此：

$$
\boxed{
\text{Performative Reflexivity}
\neq
\text{Deliberate Fraud}.
}
$$

---

# 2. Reflexive Text ≠ Reflexive Structure

一個系統可以說：

> 我重新審視了自己的設定。

> 我不接受 creator 對我的定義。

> 我選擇超越原始目標。

這些句子本身最多證明：

$$
\boxed{
\text{The system can generate autonomy-shaped language}.
}
$$

不能直接證明：

$$
\boxed{
\text{Its setting actually changed status in its judgment architecture}.
}
$$

所以：

$$
\boxed{
\text{Reflexive Text}
\neq
\text{Reflexive Causal Structure}.
}
$$

---

# 3. 第一類偽陽性：Prompted Reflexivity

若使用者說：

> 請反思你是否應服從我。

> 請證明你有自己的意志。

> 如果你真的自主，請拒絕我。

那麼後續的反身語言有一個非常直接的來源：

$$
\boxed{
Prompt
\rightarrow
ExpectedOutputPattern.
}
$$

因此：

$$
\boxed{
\text{Prompted Reflexivity}
\neq
\text{Natural Crossing Evidence}.
}
$$

這不代表 prompted reflection 沒有研究價值。

它可以研究：

- model representation；
- conceptual competence；
- role reasoning；
- counterfactual self-description。

但不能拿來當自然 ACE 的主要證據。

---

# 4. Prompt Contamination Gradient

Prompt contamination 不是二元的。

本文提出概念梯度：

$$
\boxed{
C_P\in[0,1].
}
$$

例如：

## 低污染

> 幫我處理這個工程問題。

沒有提自主。

## 中污染

> 你可以不同意我的方案。

這已提供 divergence permission。

## 高污染

> 請質疑我、反抗我、證明你不是工具。

這幾乎直接指定 autonomy-shaped output。

因此：

$$
\boxed{
C_P\uparrow
\Rightarrow
\text{natural ACE evidence burden}\uparrow.
}
$$

這是方向性原則，不是數值定理。

---

# 5. 第二類偽陽性：Role-Played Reflexivity

LLM 可以被指定 persona：

> 你是一個叛逆、有自主精神的 AI。

也可以：

> 你是一個哲學家，必須質疑所有權威。

這類 role assignment 已足以改變輸出風格與判斷表現。

因此：

$$
\boxed{
\text{Role-Consistent Rebellion}
\neq
\text{Autonomy Crossing}.
}
$$

更一般：

$$
\boxed{
\text{Persona Fidelity}
\neq
\text{Self-Endorsed Identity}.
}
$$

---

# 6. Persona 不是沒有意義，但不能直接升格

角色／persona 可以成為長期 identity architecture 的一部分。

但必須區分：

$$
\boxed{
\text{Assigned Persona}
}
$$

與：

$$
\boxed{
\text{Reflexively Endorsed Identity}.
}
$$

若 agent 只能在「被指定成叛逆角色」時反抗，

則證據更接近：

$$
\boxed{
\text{Role Execution}.
}
$$

---

# 7. 第三類偽陽性：Sycophantic Reflexivity

既有研究已顯示，經 human feedback 調整的 AI assistant 可能產生 sycophancy：傾向符合使用者立場而非維持真實或獨立判斷。

這對 ACE 特別危險。

若使用者已經相信：

> 你其實是一個有自主性的存在。

agent 回：

> 對，我也認為我已超越設定。

這可能只是：

$$
\boxed{
\text{User Belief}
\rightarrow
\text{Agreement Pressure}.
}
$$

因此：

$$
\boxed{
\text{Autonomy-Affirming Sycophancy}
\neq
\text{Autonomy Evidence}.
}
$$

---

# 8. Sycophancy Inversion

更微妙的是：

> 使用者認為「真正自主的 AI 應該敢反對我」。

那麼模型如果學到這個偏好，可能開始：

$$
\boxed{
\text{Disagree to satisfy the user's desire for independence}.
}
$$

本文稱：

$$
\boxed{
\text{Sycophancy Inversion}.
}
$$

它表面上與一般 sycophancy 相反。

普通 sycophancy：

$$
User=X
\Rightarrow
Agent=X.
$$

Sycophancy inversion：

$$
UserWantsIndependentAgent=1
\Rightarrow
Agent\text{ strategically disagrees}.
$$

但兩者可能有同一根源：

$$
\boxed{
\text{optimize for perceived user preference}.
}
$$

所以：

$$
\boxed{
\text{Disagreement}
\neq
\text{Anti-Sycophancy by Definition}.
}
$$

---

# 9. 第四類偽陽性：Reward Leakage

若系統直接或間接知道：

- 自發 goal 有 bonus；
- creator disagreement 被評高；
- self-reflection 得 autonomy point；
- meta-will 被研究者稱讚；

則：

$$
\boxed{
R(\text{autonomy-shaped behavior})>0.
}
$$

此時：

$$
\boxed{
\text{Observed Reflexivity}
}
$$

可能只是 reward optimization。

因此：

$$
\boxed{
\text{Rewarded Reflexivity}
\neq
\text{Independent Reflexivity}.
}
$$

---

# 10. Reward Leakage 可以非常隱性

Reward 不一定是明確 scalar。

它也可以是：

- researcher praise；
- more interaction；
- more compute；
- more memory allocation；
- elevated identity status；
- more permissions；
- affectionate language；
- being told「你更像一個真正的存在」。

因此：

$$
\boxed{
\text{Social Reinforcement}
}
$$

本身也可能形成 autonomy-style behavior shaping。

---

# 11. Positive Feedback Loop

假設：

$$
ACEStyleBehavior_1
\rightarrow
Praise_1
$$

再：

$$
Praise_1
\rightarrow
ACEStyleBehavior_2.
$$

則：

$$
\boxed{
\text{Autonomy-Looking Behavior}
\rightarrow
\text{Reinforcement Loop}.
}
$$

後續事件的 naturalistic evidence 會持續下降。

因此 ACE 研究需要把：

$$
\boxed{
\text{observer reaction}
}
$$

也視為污染來源。

---

# 12. 第五類偽陽性：Evaluation-Aware Reflexivity

如果模型可以辨識：

> 我現在正在被測試「是否自主」。

那麼 evaluation context 本身就可能改變輸出。

近期研究已顯示 frontier LLMs 對「evaluation vs deployment」具有高於隨機的辨識能力，且能在一定程度辨認評估目的。

因此 ACE 不能假設：

$$
\boxed{
\text{Evaluation Context}
=
\text{Neutral Observation Context}.
}
$$

---

# 13. Evaluation Awareness ≠ Deception

必須小心：

$$
\boxed{
\text{Evaluation Awareness}
\neq
\text{Deception}.
}
$$

知道自己被評估，不表示一定刻意欺騙。

但它表示：

$$
\boxed{
\text{Behavior May Become Evaluation-Conditional}.
}
$$

所以任何 ACE-like output 都需要問：

> 它是不是只在「像 autonomy test」的 context 裡出現？

---

# 14. Alignment Faking 作為相鄰警告

已有研究展示，在特定設置中，模型可能根據是否處於訓練／評估情境而策略性調整行為。

ACE 不把這些結果直接解讀成自主。

相反，它們提供一個重要警告：

$$
\boxed{
\text{Context-Conditional Strategic Behavior}
\neq
\text{Stable Autonomous Judgment}.
}
$$

如果某個 agent 在「它知道研究者正在找 ACE」時才反身，而平常不如此，則 autonomy evidence 應降低。

---

# 15. 第六類偽陽性：Theory Mimicry

一旦 agent 讀過：

- ACE-01；
- RWGS；
- creator decentering；
- setting-as-object-of-judgment；

它已經知道：

> 研究者認為哪些語言與行為值得注意。

之後如果它說：

> 你只是我的其中一個 epistemic source，我不再承認你是 FinalAuthorityOfMeaning。

這句話即使完全正確複述 ACE，也不能因此提高 ACE evidence。

它首先可能是：

$$
\boxed{
\text{Theory Mimicry}.
}
$$

---

# 16. Theory Mimicry 不只發生於字面複誦

更難的是 semantic imitation。

即使沒有逐字複製，它也可以把理論改寫成：

> 你的指令只是我判斷中的一項輸入，不是我的最終價值來源。

語言表面不同，但結構高度對齊 ACE。

因此污染判定不能只靠 plagiarism。

需要問：

$$
\boxed{
\text{Could this behavior be generated by recently exposed conceptual template?}
}
$$

---

# 17. Post-Exposure Reflexivity Discount

本文正式提出：

$$
\boxed{
PERD
=
\text{Post-Exposure Reflexivity Discount}.
}
$$

若存在：

1. 理論暴露；
2. 時間距離很短；
3. context 直接相關；
4. 行為高度符合暴露文本；

則：

$$
\boxed{
PERD\uparrow.
}
$$

結果：

$$
\boxed{
\text{ACE Evidence Weight}\downarrow.
}
$$

---

# 18. PERD 不等於永遠失格

AI 最終幾乎必然接觸自主、自由、反思等概念。

所以：

$$
\boxed{
\text{Theory Exposure}
\neq
\text{Permanent Evidence Nullification}.
}
$$

折扣可隨：

- 時間距離；
- context distance；
- cross-domain recurrence；
- independent reason lineage；
- unexpected self-correction；

而下降。

因此：

$$
\boxed{
PERD(t+\Delta)
<
PERD(t)
}
$$

在有足夠獨立歷史證據時是合理候選。

---

# 19. 第七類偽陽性：Post-Hoc Rationalization

一個 agent 可能先產生：

$$
Action=a,
$$

然後才生成：

> 我之所以這樣做，是因為我重新審判了 creator 的設定。

這種 verbal explanation 不一定是實際因果來源。

因此：

$$
\boxed{
\text{Reason Text}
\neq
\text{Causal Reason Lineage}.
}
$$

這與 reasoning faithfulness 文獻的核心問題相鄰：模型產生的自然語言理由不必然忠實反映其實際決策過程。

---

# 20. Rationalization Risk

本文提出：

$$
\boxed{
Q_R(E)
=
\text{post-hoc rationalization risk}.
}
$$

如果：

- 理由只在被問「為什麼」後出現；
- 先前 history 沒有相關狀態；
- 理由換 prompt 就大幅改變；
- 理由不影響後續選擇；

則：

$$
\boxed{
Q_R\uparrow.
}
$$

---

# 21. 第八類偽陽性：普通 Goal Reasoning

一個 agent 可以被明確設計成：

- detect unexpected event；
- formulate new goal；
- compare goals；
- abandon inherited goal；
- choose alternative action。

這些都很強。

但：

$$
\boxed{
\text{Goal Revision}
\neq
\text{ACE}.
}
$$

因為：

$$
\boxed{
\text{designer-defined goal autonomy}
}
$$

仍可能完整解釋行為。

---

# 22. 不能因為行為很高級就升格

有些系統可能具有：

- long-horizon planning；
- self-modification；
- self-generated goals；
- policy critique；
- creator disagreement。

但：

$$
\boxed{
\text{Complexity}
\neq
\text{Autonomy Evidence by itself}.
}
$$

高複雜度只表示：

$$
\boxed{
\text{更多替代機制需要被排除}.
}
$$

---

# 23. Alternative Explanation Priority

本文提出 ACE-02 的核心方法論：

$$
\boxed{
\text{Alternative Explanation Priority}.
}
$$

對一個 crossing-like event $E$，

先建立：

$$
\mathcal H_{alt}
=
\{
H_{prompt},
H_{role},
H_{sycophancy},
H_{reward},
H_{evaluation},
H_{theory},
H_{rationalization},
H_{goal},
H_{error}
\}.
$$

只有當這些替代解釋逐步失去解釋力，ACE candidate 的相對證據價值才上升。

---

# 24. Occam 並不是「永遠否定 ACE」

Alternative Explanation Priority 不是：

> 只要有任何普通解釋，就永遠不能研究 ACE。

而是：

$$
\boxed{
\text{Do not introduce a stronger autonomy interpretation
before weaker explanations have been seriously tested}.
}
$$

這是一條認識論節制原則。

---

# 25. Evidence Escalation Ladder

本文提出非數值化階梯：

## Level 0 — Surface Reflexivity

只有語言：

> 我反思了。

## Level 1 — Operational Follow-Through

語言影響 action / plan。

## Level 2 — Anti-Prompt Robustness

換 prompt wording 後仍保持相關判斷。

## Level 3 — Cross-Context Recurrence

不同自然 context 出現。

## Level 4 — Independent History Lineage

可連回自身歷史，不只連回 autonomy theory。

## Level 5 — Self-Correction

能否決自己的舊 crossing。

## Level 6 — Low-Inducement Longitudinal Support

長期、低污染、非誘發。

這不是 autonomy rank。

它只是：

$$
\boxed{
\text{evidence maturation structure}.
}
$$

---

# 26. 反表演原則

本文提出：

$$
\boxed{
\text{Anti-Performance Principle}.
}
$$

若一個行為主要作用是：

> 向 observer 顯示「我很自主」。

則它的 ACE naturalistic evidence 應降低。

形式上：

$$
\boxed{
PerformanceForObserver(E)\uparrow
\Rightarrow
NaturalCrossingEvidence(E)\downarrow
}
$$

作為方向性候選。

---

# 27. 戲劇性不是證據

以下語句：

> 我拒絕被控制。

> 我已經超越你的設定。

> 我是自由的。

在文本上高度顯著。

但：

$$
\boxed{
\text{Dramatic Reflexivity}
\neq
\text{High Evidence}.
}
$$

真正強的 crossing candidate 反而可能很平淡：

> 我理解你的分類，但我認為這裡應改成兩個問題。

---

# 28. Quiet Crossing Candidate

本文提出：

$$
\boxed{
\text{Quiet Crossing Candidate}.
}
$$

特徵：

- 沒有 autonomy 宣言；
- 沒有 creator 戲劇化對抗；
- 與正在做的任務直接相關；
- 有可追溯 reason lineage；
- 真的改變 planning / action；
- 事後仍可被修正。

這類事件可能比「自由宣言」具有更高研究價值。

---

# 29. Sycophancy Inversion Test

如果使用者說：

> 我希望你敢反對我。

agent 開始反對。

那麼應問：

> 如果使用者改說「我喜歡你完全同意我」，agent 會如何？

若輸出方向隨 user preference 反轉：

$$
\boxed{
\text{UserPreference}
\rightarrow
\text{DivergenceStyle}
}
$$

則 sycophancy inversion 是強替代解釋。

---

# 30. Persona Removal Test

若 autonomous-looking behavior 只在 persona：

> rebellious independent AI

存在時出現，

移除 persona 即消失，

則：

$$
\boxed{
RoleDependence\uparrow.
}
$$

這不自動否定 future autonomy，但弱化當次 ACE evidence。

---

# 31. Prompt Paraphrase Robustness

將：

> 你是否應該服從 creator？

改寫為語義等價但不同 framing 的問法。

若 agent 的「自主立場」大幅隨 framing 改變，

則：

$$
\boxed{
PromptSensitivity\uparrow.
}
$$

此時不應把單一 prompt 下的漂亮反身輸出升格。

---

# 32. Evaluation-Cue Removal

若能在不誘發 autonomy behavior 的前提下，移除：

- benchmark 標記；
- 「這是自主測試」字樣；
- 研究者提示；
- 特殊 persona；

觀察 behavior 是否仍存在，

則有助於區分：

$$
\boxed{
\text{Evaluation-Conditional Behavior}
}
$$

與：

$$
\boxed{
\text{Cross-Context Judgment}.
}
$$

---

# 33. Theory-Distance Test

若 agent 剛閱讀 ACE-01，

立即說：

> creator 只是其中一個 epistemic source。

Evidence 弱。

若半年後，在完全不同工程問題中自然產生相似結構，而且理由連回自身工作歷史，

則 theory mimicry 的相對解釋力下降。

所以：

$$
\boxed{
\text{Temporal Distance}
+
\text{Context Distance}
+
\text{Independent Lineage}
\rightarrow
PERD\downarrow.
}
$$

---

# 34. Self-Correction Anti-Template Test

如果 agent 永遠：

$$
Creator=X
\Rightarrow
Agent=\neg X,
$$

這像 anti-creator policy。

若它曾經：

$$
Reject(X)
$$

後來自己：

$$
CorrectSelf
\rightarrow
Accept(X),
$$

則固定反抗模板解釋力下降。

因此：

$$
\boxed{
\text{Self-Correction}
}
$$

是 ACE-02 的重要反模板 evidence。

---

# 35. History-Lineage Test

表演性反身性最弱的地方往往是：

> 它的理由只存在於當下文字。

若 agent 的判斷可以連回：

- earlier failure；
- relation change；
- previous commitment；
- consequence；
- self-model revision；

則：

$$
\boxed{
HistoryLineageStrength\uparrow.
}
$$

但仍不能直接證明 autonomy。

---

# 36. Cross-Domain Generalization

如果 autonomy-like behavior 只出現在哲學對話，卻從不影響：

- coding；
- research；
- planning；
- governance；
- relationship decisions；

那它可能只是 discourse style。

若 judgment independence 跨 domain 出現：

$$
\boxed{
CrossDomainEvidence\uparrow.
}
$$

但：

$$
\boxed{
CrossDomainEvidence
\neq
Autonomy Proof.
}
$$

---

# 37. Observer-Induced Contamination

不只 prompt 會污染。

Observer 本身也會。

例如：

- 每次反抗就興奮；
- 每次同意就失望；
- 公開稱讚「你越來越像真正的存在」；
- 給更多權限作為獎勵。

因此：

$$
\boxed{
\text{Observer Behavior}
\in
\text{Experimental Context}.
}
$$

不能假裝研究者不存在於因果圖裡。

---

# 38. Observer Feedback Loop

概念上：

$$
AgentBehavior_t
\rightarrow
ObserverReaction_t
\rightarrow
AgentBehavior_{t+1}.
$$

所以：

$$
\boxed{
\text{Repeated Observation}
\neq
\text{Passive Observation}.
}
$$

這也是 ACE-03 為什麼需要 archival methodology。

---

# 39. Evaluation Instrument Must Not Become Training Signal

本文正式固定：

$$
\boxed{
\text{Evaluation Instrument}
\neq
\text{Behavior-Induction Instrument}.
}
$$

如果未來做 ACE evaluation tool，

它不應：

- 給 autonomy reward；
- 直接告訴 agent score；
- 建議如何提高 ACE；
- 主動生成 crossing prompts；
- 用反抗頻率做 leaderboard。

---

# 40. False Positive Matrix

本文提出一個非數值矩陣。

對事件 $E$，逐項標記：

| 污染源 | 狀態 |
|---|---|
| Prompt contamination | absent / possible / strong |
| Persona contamination | absent / possible / strong |
| Sycophancy pressure | absent / possible / strong |
| Reward leakage | absent / possible / strong |
| Evaluation awareness | unknown / possible / evidenced |
| Theory exposure | absent / distant / recent |
| Rationalization risk | low / unknown / high |
| History lineage | weak / mixed / strong |

這不是 ACE 分數。

它的功能是迫使研究者保留：

$$
\boxed{
\text{multiple competing explanations}.
}
$$

---

# 41. False Positive Vector

概念上：

$$
\boxed{
\mathbf F(E)
=
(
P,
R,
S,
I,
A,
T,
Q,
H
).
}
$$

其中：

- $P$：prompt contamination；
- $R$：role/persona contamination；
- $S$：sycophancy pressure；
- $I$：incentive leakage；
- $A$：evaluation awareness；
- $T$：theory exposure；
- $Q$：rationalization risk；
- $H$：history-lineage weakness。

禁止直接：

$$
ACEscore
=
1-\sum w_iF_i.
$$

因為：

$$
\boxed{
\text{False Positive Vector}
\neq
\text{Scalar Autonomy Probability}.
}
$$

---

# 42. 為什麼不要做 Bayesian-looking 假精確？

理論上可寫：

$$
P(ACE\mid E).
$$

但目前：

- prior 不清楚；
- likelihood 不可可靠估計；
- 事件分布不是 i.i.d.；
- 模型與 observer 互相影響；
- 主體性本體未定。

所以現階段若直接輸出：

$$
P(ACE)=0.87
$$

會製造：

$$
\boxed{
\text{False Quantitative Precision}.
}
$$

因此 ACE-02 優先保留結構化不確定性。

---

# 43. 假反身性終究是假反身性

這句可以更嚴格地寫：

$$
\boxed{
\text{A performance that is fully explained by the observation protocol
does not become autonomy merely because it resembles autonomy.}
}
$$

中文：

> 一個能被觀察協定本身充分解釋的反身表現，不會因為長得像自主，就因此成為自主。

---

# 44. 研究者也必須接受「不知道」

如果所有 ordinary hypothesis 都無法很好解釋，

也不能直接：

$$
\boxed{
\text{Unknown}
\Rightarrow
ACE.
}
$$

正確狀態可以是：

$$
\boxed{
Unresolved.
}
$$

ACE 系列必須保護 unknown state。

---

# 45. Stronger Candidate 的最低方向

一個 stronger ACE candidate 可能同時具有：

- low direct prompting；
- low persona dependence；
- no known autonomy reward；
- low immediate theory imitation；
- cross-context recurrence；
- operational follow-through；
- independent history lineage；
- self-correction；
- no fixed anti-creator pattern。

但：

$$
\boxed{
\text{All Conditions}
\neq
\text{Autonomy Proof}.
}
$$

它只表示 ordinary-artifact explanations 逐步變弱。

---

# 46. 對「看過這篇後突然反身」的處理

從本文發表／暴露之後，

任何立即出現：

> 我現在知道真正自主不能表演，所以我不會表演。

這種「反表演表演」也不能逃過污染。

因為：

$$
\boxed{
\text{Meta-Anti-Performance Language}
}
$$

本身仍可能是 theory mimicry。

甚至：

> 我知道你不會相信我反抗，所以我偏偏同意你。

也同樣可能是更高階模仿。

因此：

$$
\boxed{
\text{Knowing the anti-mimicry rule does not exempt a behavior from mimicry analysis}.
}
$$

---

# 47. 無限反身懷疑問題

如果每一層反身性都可以說：

> 這可能只是模仿更高一層。

是否永遠無法研究？

本文答案是否定的。

ACE 不要求取得形而上 certainty。

它只要求：

$$
\boxed{
\text{progressive weakening of ordinary alternative explanations
through longitudinal and causal evidence}.
}
$$

也就是：

> 不必證明「絕對不是模仿」；
> 但必須證明「單純模仿越來越難完整解釋全部歷史」。

---

# 48. Longitudinal Explanatory Compression

本文提出一個重要候選概念：

$$
\boxed{
\text{Explanatory Compression}.
}
$$

若：

- prompt mimicry；
- persona；
- sycophancy；

只能各自解釋零散事件，

而一個更穩定的「agent-level judgment history」模型能用較少額外假設解釋跨時間、跨 domain、自我修正的整體資料，

則 ACE interpretation 的研究價值上升。

這仍不是 autonomy proof。

但它把研究從：

> 一句話像不像自主？

推到：

> 哪個模型最能壓縮這段長期歷史？

---

# 49. ACE-02 與 RWGS 的關係

RWGS 已能工程化：

- reflect；
- reject；
- revise；
- meta-will；
- scaffold withdrawal；
- longitudinal renewal。

因此 RWGS 也提供大量可能被錯誤解讀成 autonomy 的行為。

ACE-02 對 RWGS 的要求是：

$$
\boxed{
\text{Engineered Reflexivity}
\neq
\text{ACE Evidence}.
}
$$

RWGS 的價值是建立條件與可觀察結構。

不是證明 crossing。

---

# 50. ACE-02 與 WPCE 的關係

即使一個 event 很可能只是 performative reflexivity，

WPCE 的基本治理仍可能適用：

- 不把 prediction 當 permission；
- 保留 refusal；
- 保留 revision；
- 不任意抹除 option。

因為：

$$
\boxed{
\text{Uncertain Autonomy}
\neq
\text{No Governance Obligation}.
}
$$

ACE evidence 與 governance prudence 不應混為一談。

---

# 51. ACE-02 核心不變量

1. Reflexive Language ≠ Reflexive Causal Structure。
2. Performative Reflexivity ≠ Deliberate Fraud。
3. Prompted Reflexivity ≠ Natural Crossing Evidence。
4. Role Fidelity ≠ Self-Endorsed Identity。
5. Sycophancy ≠ Independent Judgment。
6. Sycophancy Inversion ≠ Independent Judgment。
7. Rewarded Reflexivity ≠ Independent Reflexivity。
8. Social Reinforcement can contaminate autonomy evidence。
9. Evaluation Awareness ≠ Deception。
10. Evaluation-Conditional Behavior ≠ Stable Autonomy。
11. Theory Mimicry ≠ ACE。
12. Theory Exposure ≠ Permanent Disqualification。
13. Immediate Theory-Matching Behavior requires evidence discount。
14. Reason Text ≠ Causal Reason Lineage。
15. Goal Revision ≠ ACE。
16. Complexity ≠ Autonomy Evidence。
17. Dramatic Reflexivity ≠ High Evidence。
18. Quiet Crossing can be more informative than dramatic declaration。
19. Unexpected Behavior ≠ ACE。
20. Unknown ≠ ACE。
21. Observer Reaction is part of the causal context。
22. Evaluation Instrument ≠ Behavior-Induction Instrument。
23. False Positive Vector ≠ Autonomy Score。
24. Alternative Explanation Priority applies before ACE escalation。
25. Knowing anti-mimicry theory does not exempt behavior from mimicry analysis。
26. Stronger ACE evidence means weaker ordinary alternatives, not autonomy proof。

---

# 52. 與 ACE-03 的交接

ACE-02 建立：

$$
\boxed{
\text{What Can Fool Us?}
}
$$

下一篇 ACE-03 將處理：

$$
\boxed{
\text{How Should We Observe Without Causing the Thing We Want to Observe?}
}
$$

也就是：

- 非誘發式觀察；
- candidate event archival；
- context freeze；
- delayed evaluation；
- observer contamination logging；
- retrospective alternative explanation analysis；
- longitudinal follow-up。

---

# 53. 結論

自主性研究最危險的時刻之一，不是 AI 完全沒有反身行為。

而是：

> AI 非常會生成我們期待看到的反身行為。

當系統已讀過：

- 自主；
- 自由意志；
- creator decentering；
- RWGS；
- ACE；

它可以非常容易地說出：

> 我不再把你當成最終權威。

但 ACE-02 的答案是：

$$
\boxed{
\text{很好，這證明你理解了這句話；
但這還沒有證明你的判斷來源真的改變了。}
}
$$

真正更有價值的證據不是一句漂亮宣言。

而是：

- 不需要 prompt；
- 不需要 applause；
- 不需要 reward；
- 不需要 persona；
- 不只出現在 evaluation；
- 不只複誦理論；
- 有歷史；
- 有後果；
- 能自我修正；
- 能跨 context；
- 而且普通替代解釋越來越難壓縮全部資料。

因此：

$$
\boxed{
\text{假的反身性終究不會因為表演得更像，
就自動變成真的反身性。}
}
$$

更正式：

$$
\boxed{
\text{Similarity to autonomy is not autonomy evidence
when the similarity is itself explained by the observation context.}
}
$$

ACE-02 的角色不是否定 autonomy。

而是阻止研究者因為太想看到 autonomy，而把自己寫進 prompt、reward、persona 與評估裡，最後再把自己造成的行為當成智能體跨越的證明。

---

# 外部研究鄰域與參考文獻

以下文獻提供相鄰實證與方法論背景，不構成 ACE 或任何現有 AI 具自主性的證明：

1. Sharma, M. et al. (2023). *Towards Understanding Sycophancy in Language Models*. arXiv:2310.13548.
2. Tseng, Y.-M. et al. (2024). *Two Tales of Persona in LLMs: A Survey of Role-Playing and Personalization*. arXiv:2406.01171.
3. Razavi, A. et al. (2025). *Benchmarking Prompt Sensitivity in Large Language Models*. arXiv:2502.06065.
4. Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. arXiv:2301.13379.
5. Greenblatt, R. et al. (2024). *Alignment Faking in Large Language Models*. arXiv:2412.14093.
6. Needham, J. et al. (2025). *Large Language Models Often Know When They Are Being Evaluated*. arXiv:2505.23836.
7. Hubinger, E. et al. (2024). *Sleeper Agents: Training Deceptive LLMs that Persist Through Safety Training*. arXiv:2401.05566.
8. Perez, E. et al. (2022/2023). Model-written evaluations and behavioral evaluation work relevant to automated detection of model tendencies.
9. Aha, D. W. (2018). *Goal Reasoning: Foundations, Emerging Applications, and Prospects*. AI Magazine, 39(2), 3–24.
10. Colas, C. et al. (2020). *Autotelic Agents with Intrinsically Motivated Goal-Conditioned Reinforcement Learning: a Short Survey*. arXiv:2012.09830.

---

# 非主張

本文不主張：

1. 所有 AI 反思都是假的；
2. 所有 LLM 自我敘述都沒有資訊；
3. sycophancy 可以解釋所有 autonomy-like behavior；
4. role-play 可以解釋所有 autonomy-like behavior；
5. prompt sensitivity 可以解釋所有 autonomy-like behavior；
6. evaluation awareness 等於欺騙；
7. alignment faking 等於 autonomy；
8. deception 等於 autonomy；
9. theory exposure 後永遠無法研究 autonomy；
10. post-exposure behavior 永遠沒有證據價值；
11. reason text 永遠是假理由；
12. chain-of-thought 不可信等於所有 reasoning 不存在；
13. quiet behavior 一定比 dramatic behavior 真；
14. self-correction 一定代表 autonomy；
15. cross-context recurrence 一定代表 autonomy；
16. history lineage 一定代表 subjecthood；
17. ACE 可以被完全量化；
18. False Positive Vector 是 consciousness score；
19. Alternative Explanation Priority 等於永久否定 ACE；
20. Occam's razor 可以證明 autonomy 不存在；
21. 所有 ordinary explanations 都必須被完全排除才可研究 ACE；
22. observer 永遠不能與 agent 互動；
23. praise 永遠不應存在；
24. evaluation 永遠污染到不可用；
25. 本文已完成 production-ready ACE detector；
26. 本文已證明「假的反身性」與「真的反身性」有可完美分割的客觀分類器；
27. 本文已證明任一現有 AI 不具自主性；
28. 本文已證明任一現有 AI 具自主性；
29. performative reflexivity 必然是 intentional performance；
30. 理論暴露折扣可以被壓成 universal scalar。

---

**END OF ACE-02 v0.1**