# 創作意圖與視覺理由：從作者意圖到視覺決策的證據模型
## Creator Intent, Visual Rationale, and Evidence Provenance
### ——如何讓 AI 解釋「為什麼這樣畫」，又不把推論偽裝成作者史實

**VUSD Series — Paper 02 / 05**  
**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**版本：** v0.1  
**日期：** 2026-08-31  
**定位：** 基礎理論 / Evidence Model / Intent–Rationale Theory  
**研究狀態：** 理論模型；供藝術史分析、AI 視覺理解、SEDB-Visual、Style Atlas、AADS 與 Visual Theory Runtime 使用

---

# 摘要

Visual Understanding Shared-Domain Theory（VUSD）在 Paper 01 中提出：

$$
I
\rightarrow
C
\rightarrow
D
\rightarrow
P
\rightarrow
U
\rightarrow
\Pi_O
\rightarrow
M,
$$

其中 $I$ 表示 Creator Intent， $C$ 表示 Context / Constraints， $D$ 表示 Visual Decisions。

但若系統要進一步回答：

> 「作者為什麼這樣畫？」

就立即遇到一個核心認識論問題：

$$
\boxed{
\text{我們看到的是作品，}
\text{不是作者內部意圖本身。}
}
$$

因此：

$$
\boxed{
\hat I
\neq
I,
}
$$

其中 $\hat I$ 表示由作品、歷史資料、文本、評論或模型推得的 Inferred Intent。

本文建立一套 **Creator Intent–Visual Rationale Evidence Model**，用以區分：

```text
已知作者陳述
委託／設計 brief
同時代文獻
歷史證據
後世學術解讀
分析者推論
模型推論
未知
```

並進一步將「作者為什麼這樣做」拆成三個不同問題：

1. **Creator Intent**：作者主觀上希望達成什麼；
2. **Contextual Cause / Constraint**：哪些歷史、媒介、技術、經濟、政治與市場條件影響選擇；
3. **Functional Rationale**：無論作者是否意識到，某個視覺決策實際可能透過什麼機制造成什麼效果。

因此：

$$
\boxed{
\text{Creator Rationale}
\neq
\text{Contextual Cause}
\neq
\text{Functional Rationale}.
}
$$

本文的目的不是讓 AI 更會「替畫家編故事」，而是建立一套 Evidence-first 視覺解釋框架，使系統在證據足夠時可以提出強解釋，在證據不足時保留多重假說，並在未知時明確輸出 `UNKNOWN`。

---

# 1. 「為什麼這樣畫？」其實包含至少三個不同問題

一句：

> 為什麼作者要這樣畫？

表面看起來只有一個問題。

實際上可能包含三類不同因果。

---

## 1.1 作者自己的理由

例如作者可能明確說：

```text
我想讓角色看起來疏離。
我想讓觀者先看到臉。
我故意把背景壓暗。
我想反抗當時的學院派。
我只是喜歡這種顏色。
```

這是：

# **Creator-Reported Rationale**

若有可靠來源，證據強度很高。

---

## 1.2 外部條件造成的選擇

作者可能沒有主動說：

> 我因為印刷技術限制，所以這樣構圖。

但媒介、材料、成本、政治或市場仍可能塑造結果。

例如：

```text
印刷色數有限
畫布尺寸固定
遊戲 UI 需要角色置中
贊助者要求宗教題材
手機螢幕要求高辨識輪廓
動畫成本限制細節
平台規範限制某些表現
```

這是：

# **Contextual Causation / Constraint**

---

## 1.3 視覺決策的作用理由

作者可能從未理論化某個決策。

例如作者只是憑直覺把角色的臉轉向觀看者。

但分析可以指出：

```text
身體方向與視線方向分離
→ directional conflict
→ reciprocity 上升
→ distance tension 增加
```

這是：

# **Functional Rationale**

它回答：

> 這個視覺決策「可能如何運作」。

而不是：

> 作者當時腦中是不是這樣想。

---

# 2. 三種理由不能合併

因此本文提出：

$$
\boxed{
R=
(
R_c,
R_x,
R_f
),
}
$$

其中：

- $R_c$：Creator Rationale；
- $R_x$：Contextual Rationale / Cause；
- $R_f$：Functional Rationale。

---

## 2.1 Creator Rationale

$$
R_c:
I
\rightarrow
D.
$$

表示：

> 作者想達成某個 Intent，所以選擇某個 Decision。

---

## 2.2 Contextual Cause

$$
R_x:
C
\rightarrow
D.
$$

表示：

> 歷史／技術／市場／媒介條件促成或限制某個 Decision。

---

## 2.3 Functional Rationale

$$
R_f:
D
\rightarrow
P
\rightarrow
U.
$$

表示：

> 某個 Decision 經由 Perceptual Mechanism 產生 Shared-domain Effect。

---

# 3. Known Intent 與 Inferred Intent

VUSD 對 Intent 的第一條硬規則：

$$
\boxed{
\text{Known Intent}
\neq
\text{Inferred Intent}.
}
$$

---

## 3.1 Known Intent

只有在存在足夠 evidence 時，才可表示為：

```text
KNOWN
DOCUMENTED
DIRECTLY_STATED
```

例如：

- 作者訪談；
- 書信；
- 設計文件；
- 創作說明；
- 委託 brief；
- 同時代工作筆記。

---

## 3.2 Inferred Intent

從作品或間接資料推測：

```text
LIKELY
PLAUSIBLE
SPECULATIVE
MODEL_INFERRED
```

例如：

> 角色被放在畫面中央，因此作者「可能」希望提高人物主導性。

這是可分析的。

但不能寫成：

> 作者就是為了提高人物主導性。

---

# 4. Intent Evidence Hierarchy

本文提出第一版 Intent Evidence Hierarchy：

## E0 — Unknown

```text
UNKNOWN
```

無足夠 evidence。

---

## E1 — Model Inference

```text
MODEL_INFERENCE
```

由 AI 根據作品或上下文提出。

不能當成史實。

---

## E2 — Human Analyst Inference

```text
HUMAN_ANALYST_INFERENCE
```

由分析者提出，但未有直接歷史證據。

---

## E3 — Scholarly Interpretation

```text
SCHOLARLY_INTERPRETATION
```

具有公開論證、脈絡與學術來源，但仍可能是 interpretation。

---

## E4 — Historical Context Evidence

```text
HISTORICAL_DOCUMENT
CONTEMPORARY_RECORD
MARKET_RECORD
TECHNICAL_RECORD
```

能支持當時存在某種限制或動機背景。

---

## E5 — Commission / Design Evidence

```text
COMMISSION_BRIEF
DESIGN_SPEC
CLIENT_REQUEST
PRODUCTION_DOCUMENT
```

可以直接支持作品功能需求。

---

## E6 — Explicit Creator Evidence

```text
EXPLICIT_AUTHOR_STATEMENT
AUTHOR_NOTE
AUTHOR_LETTER
AUTHOR_INTERVIEW
```

最接近作者自述。

但仍要注意：

> 作者事後陳述不一定完整等同於創作當下全部心理狀態。

所以 E6 也不是「不可質疑真理」。

---

# 5. Evidence Strength 不等於 Truth

即使是作者本人陳述：

```text
我當時只是隨便畫。
```

也可能：

- 忘記；
- 事後合理化；
- 簡化複雜決策；
- 出於宣傳目的；
- 不願公開真實理由。

因此：

$$
\boxed{
\text{Evidence Strength}
\neq
\text{Absolute Truth}.
}
$$

VUSD 所做的是：

> 建立證據層級與來源，而不是建立不可質疑的作者心理讀心術。

---

# 6. Intent Record

建議 Intent Record：

```json
{
  "intentId": "intent:...",
  "artifactRef": "artifact:...",
  "statement": "建立疏離但仍具吸引力的角色",
  "status": "INFERRED",
  "evidenceClass": "MODEL_INFERENCE",
  "sourceRefs": [],
  "confidence": 0.54,
  "alternatives": [
    "主要目標可能只是角色辨識",
    "可能受到類型市場慣例影響"
  ]
}
```

若有作者陳述：

```json
{
  "status": "DOCUMENTED",
  "evidenceClass": "EXPLICIT_AUTHOR_STATEMENT",
  "sourceRefs": ["source:interview:..."]
}
```

---

# 7. 不只作者有 Intent

很多作品不是單一作者。

Intent 可能來自：

```text
藝術家
導演
美術總監
委託人
品牌
製作人
遊戲策劃
市場部門
宗教機構
贊助者
共同創作團隊
AI Agent
使用者
```

因此：

$$
I
=
\{
I_1,I_2,\dots,I_n
\}.
$$

有時甚至互相衝突：

```text
導演想藝術化
市場部想更大眾
角色設計想保留辨識度
平台要求降低某些風險
```

所以作品可能是：

$$
D
=
Resolve(
I_1,
I_2,
\dots,
I_n,
C
).
$$

---

# 8. Intent Conflict

本文建議記錄：

```text
PRIMARY_INTENT
SECONDARY_INTENT
CONFLICTING_INTENT
CONSTRAINT_DERIVED_INTENT
UNKNOWN_PRIORITY
```

例如：

```text
Primary:
角色辨識

Secondary:
受眾魅力

Constraint:
UI 小尺寸可讀性

Conflict:
過多裝飾會降低小尺寸辨識
```

這使 AI 能理解：

> 為什麼作品不是把所有美學目標都最大化。

---

# 9. 視覺設計是一個取捨問題

Visual Decision 通常是 multi-objective。

例如：

$$
Q=
(
Readability,
Novelty,
Appeal,
Coherence,
Detail,
ProductionCost
).
$$

不可能全部無限提高。

例如：

$$
Detail\uparrow
$$

可能造成：

$$
Readability\downarrow.
$$

又例如：

$$
Symmetry\uparrow
$$

可能：

$$
Stability\uparrow
$$

但：

$$
DynamicTension\downarrow.
$$

因此：

$$
\boxed{
\text{Creator Decision}
=
\text{Trade-off Resolution}.
}
$$

---

# 10. Context Layer 的正式拆分

本文將 $C$ 拆成：

$$
C=
(
C_m,
C_t,
C_h,
C_c,
C_e,
C_p,
C_a
),
$$

其中：

- $C_m$：Medium；
- $C_t$：Technology；
- $C_h$：Historical；
- $C_c$：Cultural；
- $C_e$：Economic / Market；
- $C_p$：Political / Institutional；
- $C_a$：Audience / Distribution。

---

# 11. Medium Constraint

不同媒介允許不同 Decision。

例如：

```text
油畫
木刻
動畫
遊戲立繪
手機 UI
電影鏡頭
生成模型
VR
```

具有不同限制。

所以：

$$
D
=
f(
I,
Medium
).
$$

同一 Intent：

> 強調臉部。

在：

```text
電影
```

可能用特寫；

在：

```text
遊戲立繪
```

可能用高對比臉部與極簡背景；

在：

```text
32x32 icon
```

則可能簡化五官與輪廓。

---

# 12. Technology Constraint

技術進步會改變可用 Decision Set。

例如：

```text
新顏料
攝影
印刷
數位繪圖
3D
實時 shader
生成 AI
ControlNet
高解析螢幕
```

因此：

$$
\mathcal D_t
\neq
\mathcal D_{t+1}.
$$

這也是 Paper 05「視覺演化與自適應算子生態」的重要前置。

---

# 13. Historical Constraint

某種 visual decision 可能是：

```text
延續傳統
反抗傳統
重組傳統
引用傳統
市場慣例
宗教規範
政治象徵
```

因此若脫離時間：

> 只分析形式。

就可能失去真正的 contextual cause。

---

# 14. Market / Audience Constraint

Appeal-Preserving 研究已指出：

```text
Audience Appeal
```

本身可能是角色語義。

這意味：

> 某些設計不是「多餘性感」或「多餘漂亮」，而是作品原本的 audience-facing language。

因此：

$$
D
=
f(
I,
Audience,
Market
).
$$

這不表示：

> 市場是唯一藝術原因。

而是：

> 市場也可以是 Context 的一部分。

---

# 15. Creator Rationale Record

若有直接理由：

```json
{
  "decision": "use_dark_background",
  "creatorRationale": {
    "statement": "希望人物輪廓更突出",
    "evidenceClass": "EXPLICIT_AUTHOR_STATEMENT",
    "confidence": 0.96
  }
}
```

若沒有：

```json
{
  "creatorRationale": {
    "statement": null,
    "evidenceClass": "UNKNOWN"
  }
}
```

不能因為 Functional Rationale 很合理就補成 Creator Rationale。

---

# 16. Functional Rationale Record

例如深色背景：

```text
Decision:
dark minimal background

Mechanism:
figure-ground separation
contrast

Shared-domain effect:
subject salience ↑
background competition ↓
```

這是：

$$
R_f:
D\rightarrow P\rightarrow U.
$$

即使作者沒有相關說明，也可以作為 functional analysis。

---

# 17. 同一 Decision 可以有多個 Rationale

例如：

```text
角色露肩
```

可能同時服務：

```text
服裝設計辨識
身體輪廓閱讀
市場魅力
材質對比
角色階級
文化設定
氣候設定
純粹造型偏好
```

因此：

$$
D_i
\rightarrow
\{
R_1,
R_2,
\dots,R_n
\}.
$$

不能強迫：

```text
one visual choice
=
one reason
```

---

# 18. 同一 Intent 也可以由不同 Decision 實現

例如 Intent：

```text
建立威嚴
```

可能用：

```text
低視角
對稱
大尺度
高垂直線
低彩度
距離
中央構圖
空間占有
```

所以：

$$
I
\rightarrow
\{D_a,D_b,D_c,\dots\}.
$$

這代表：

> VUSD 不是 visual recipe book。

它描述的是：

# **many-to-many causal relation**

---

# 19. Intent–Decision Graph

因此建議使用 Graph：

```text
Intent
  ↓
Rationale
  ↓
Decision
  ↓
Mechanism
  ↓
Shared Effect
```

但任一節點可以：

```text
one-to-many
many-to-one
```

所以：

$$
G_{\mathrm{VUSD}}
$$

比線性 chain 更適合實作。

---

# 20. Alternative Explanation Set

對未知作品，AI 不應只輸出一個故事。

應保留：

$$
H=
\{
H_1,H_2,\dots,H_k
\}.
$$

例如：

```text
H1:
為了主體 salience

H2:
受到當代視覺慣例影響

H3:
純粹是作者重複偏好

H4:
受媒介限制
```

並標：

```text
supporting evidence
contradicting evidence
confidence
```

---

# 21. Abduction，而不是讀心

從作品推意圖，本質上更接近：

# **Abductive Reasoning**

即：

$$
Artifact
+
Context
\rightarrow
BestExplanation.
$$

不是：

$$
Artifact
\rightarrow
DirectAccessToMind.
$$

因此：

$$
\boxed{
\text{Intent Inference}
=
\text{Abduction},
}
$$

而不是 mind-reading。

---

# 22. Visual Rationale 的反事實檢驗

一個 rationale 若有因果價值，應能接受：

```text
如果不這樣做會怎樣？
```

例如：

```text
dark background
```

改成：

```text
high-detail bright background
```

若預測：

```text
subject salience ↓
competition ↑
```

並可在實驗中觀察，

則 Functional Rationale 得到更多支持。

所以：

$$
\boxed{
\text{Rationale Quality}
\propto
\text{Counterfactual Testability}.
}
$$

---

# 23. Creator Rationale 也可能和 Functional Effect 不一致

例如作者說：

> 我用紅色只是因為喜歡。

但作品在特定文化脈絡中，紅色仍可能產生：

```text
ritual
danger
celebration
```

等 interpretation。

因此：

$$
\boxed{
\text{Creator Intent}
\neq
\text{All Effects}.
}
$$

創作者並不壟斷作品所有可能意義。

---

# 24. Observer 也不壟斷作者意圖

反過來：

> 某個 observer 覺得作品悲傷。

不代表：

> 作者就是想表達悲傷。

所以：

$$
\boxed{
\text{Experienced Meaning}
\neq
\text{Creator Intent}.
}
$$

這是 VUSD 最重要的雙向去混淆。

---

# 25. Intent / Effect Matrix

建議使用：

| | Known | Inferred | Unknown |
|---|---|---|---|
| Creator Intent | 有直接 evidence | 由資料推論 | 無法判定 |
| Context Cause | 有歷史資料 | 有合理推論 | 無法判定 |
| Functional Effect | 有實驗／理論支持 | 模型推論 | 無法判定 |
| Observer Meaning | 有 observer report | 預測 | 無法判定 |

這避免所有問題被壓成：

```text
AI 說這張圖代表...
```

---

# 26. Historical Analysis 的最低要求

若分析歷史作品，至少應分：

```text
artifact evidence
creator evidence
contemporary context
later interpretation
modern interpretation
model inference
```

例如：

> 這個構圖在今天看起來很 cinematic。

可能是現代 interpretation。

不能因此說：

> 當時作者使用 cinematic composition。

因為「cinematic」本身可能晚於作品。

這是：

# **anachronism risk**

---

# 27. 時代錯置防護

VUSD 建議：

```text
CONTEXT_MISMATCH
ANACHRONISTIC_TERM
LATE_INTERPRETATION
```

等標籤。

系統應能說：

> 這是用現代視覺語言描述的效果，不代表作者或當代觀眾使用相同概念。

---

# 28. Artist Style Archive 的升級

未來畫家建檔不只：

```text
palette
brush
composition
```

還要保存：

```text
KnownIntentEvidence
RecurringDecision
DocumentedRationale
ContextConstraint
FunctionalRationale
InterpretationHistory
CounterfactualBoundary
```

例如：

```text
某畫家反覆使用某種構圖
```

可建立：

```text
RecurringDecision
```

但只有在有資料時，才建立：

```text
KnownCreatorRationale
```

---

# 29. Recurring Decision ≠ Explicit Theory

一個畫家可能重複做某件事，但從未寫出理論。

因此：

$$
\boxed{
\text{Recurring Practice}
\neq
\text{Explicit Doctrine}.
}
$$

AI 可以發現：

> 作品中反覆出現某種非對稱重心。

但不能自動寫：

> 這位畫家的美學理論就是非對稱重心。

除非有 evidence。

---

# 30. Tacit Knowledge

許多藝術家的知識屬於：

# **Tacit Knowledge**

即：

```text
會做
會判斷
但不一定能完整語言化
```

所以作者沒有留下完整 rationale 並不奇怪。

VUSD 的任務之一，就是：

> 在不冒充作者自述的前提下，將 tacit visual practice 建模成 Functional Rationale。

---

# 31. Tacit → Explicit 的 AI 角色

AI 可以協助：

```text
作品聚類
重複 pattern 發現
visual decision extraction
counterfactual simulation
自然語言 explanation
```

把部分 tacit practice 轉成：

```text
explicit candidate theory
```

但輸出必須標：

```text
MODEL_INFERRED_THEORY
```

不是：

```text
ARTIST_CONFIRMED_THEORY
```

---

# 32. Creator Intent 的時間問題

Intent 也可能變。

同一創作者：

$$
I_t
\neq
I_{t+1}.
$$

甚至同一作品在不同製作階段：

```text
初稿
中稿
完成稿
後期修訂
```

可能具有不同 Intent。

所以 Intent Record 應有：

```text
time
phase
version
```

---

# 33. Team Intent 的演化

大型遊戲／動畫／電影作品更明顯。

例如：

```text
CharacterDesignerIntent
ArtDirectorIntent
MarketingIntent
NarrativeIntent
PlatformConstraint
```

在製作過程中可能反覆協商。

因此作品不是：

$$
OneMind
\rightarrow
OneArtifact.
$$

更可能是：

$$
MultiAgentNegotiation
\rightarrow
Artifact.
$$

---

# 34. AI 作為 Creator 時

未來 AI 也可能成為 Intent source。

但要區分：

```text
User Intent
AADS Derived Intent
AI Proposed Subgoal
Provider Behavior
Model Prior
```

尤其：

$$
\boxed{
\text{Model Prior}
\neq
\text{Creator Intent}.
}
$$

例如模型自動把所有角色畫得更保守，

那可能只是：

```text
default prior / safety-style entanglement
```

不是使用者 Intent。

---

# 35. AI Proposed Rationale

AI 可能在創作時提出：

> 為了保留角色危險感，我建議保留蛇的輪廓與高飽和綠色焦點。

這可以成為：

```text
AI_PROPOSED_RATIONALE
```

若使用者接受：

```text
USER_ACCEPTED_RATIONALE
```

但仍要保留 lineage。

---

# 36. 對 AADS 的意義

AADS 的 Visual Plan 不應只有：

```text
Operator 1
Operator 2
Operator 3
```

應附：

```text
why
target effect
constraint
evidence
trade-off
```

例如：

```json
{
  "operator": "REGION_REPAIR",
  "target": "hand:right",
  "rationale": "local artifact only; global identity/style remain accepted",
  "evidenceRefs": [
    "eval:artifact:..."
  ]
}
```

---

# 37. 對 Reflexive Generation 的意義

RVGR 中若 Observer 說：

```text
garment volume drifting
```

Rewrite Compiler 不應只是：

```text
change prompt
```

還應知道：

```text
why garment volume matters
```

例如：

```text
same-series silhouette
character elegance
body proportion readability
```

這些 rationale 可以幫助決定：

```text
repair
vs
continue
vs
accept
```

---

# 38. 對 Visual Evaluation 的意義

Evaluator 也需要回答：

> 哪一個 constraint 被破壞？

與：

> 為什麼它重要？

因此：

$$
Evaluation
=
(
Finding,
Effect,
Rationale,
Evidence
).
$$

而不是：

```text
score = 0.73
```

---

# 39. 對美術教育的意義

VUSD 不取代美術教育。

它可能補足：

> 很多教學中「這樣比較有張力」「這樣比較穩」「這樣比較好看」之間缺少的中介解釋。

例如從：

```text
使用三角構圖
```

走向：

```text
三角關係如何影響重心
如何形成穩定性
在哪些情況反而會降低動勢
```

這使 AI 可以把：

```text
rule
```

轉成：

```text
conditional rationale
```

---

# 40. Rule ≠ Rationale

這是本文重要命題：

$$
\boxed{
\text{Rule}
\neq
\text{Rationale}.
}
$$

「三分法」是一個 Rule。

但：

> 為什麼這一張圖使用三分法有效？

需要：

```text
goal
subject placement
visual weight
observer path
context
```

共同回答。

---

# 41. Good Practice ≠ Universal Law

因此：

$$
\boxed{
\text{Good Practice}
\neq
\text{Universal Law}.
}
$$

某種做法只在特定：

```text
goal
medium
audience
era
style
```

成立。

這與 Paper 05 的動態 Operator Ecology 完全一致。

---

# 42. Evidence Graph

VUSD 建議建立：

```text
IntentEvidence
ContextEvidence
DecisionEvidence
RationaleEvidence
EffectEvidence
ObserverEvidence
CounterfactualEvidence
```

透過：

```text
supports
contradicts
derived_from
interprets
measured_by
observed_at
```

連接。

---

# 43. Minimum Evidence Node

```json
{
  "evidenceId": "evidence:...",
  "type": "SCHOLARLY_INTERPRETATION",
  "sourceRef": "source:...",
  "time": "2026-08-31",
  "supports": [
    "rationale:..."
  ],
  "confidence": 0.74
}
```

---

# 44. Confidence 不是證據類型

不能把：

```text
confidence = 0.95
```

當作：

> 這一定是真的。

Confidence 只是模型／分析者的內部估計。

所以：

$$
\boxed{
\text{Confidence}
\neq
\text{Evidence Provenance}.
}
$$

兩者都要記。

---

# 45. Falsification

對每個 Inferred Rationale，應問：

```text
什麼 evidence 會推翻它？
是否存在更簡單解釋？
是否存在相反作品？
是否是時代錯置？
是否只是模型習慣說法？
```

因此：

$$
Rationale
=
(
Hypothesis,
Evidence,
Counterevidence,
Falsifier
).
$$

---

# 46. 一個完整分析範例

Artifact：

```text
角色回眸、露肩、薄紗、蛇、黑背景
```

---

## Decision

```text
D1 backward glance
D2 exposed shoulder
D3 translucent garment
D4 serpentine motif
D5 black background
```

---

## Functional Rationale

```text
D1 → directional conflict / reciprocity
D2 → surface salience
D3 → reveal-conceal
D4 → contour repetition / thematic danger cue
D5 → figure-ground separation
```

---

## Creator Intent

若沒有直接資料：

```text
UNKNOWN
```

可以另外提出：

```text
MODEL_INFERENCE:
可能意圖為危險 + 吸引 + 神秘
```

但不得標為 documented intent。

---

## Context

```text
fantasy character-art market
game portrait / character display
SFW sensual visual language
```

若有來源再提升 evidence class。

---

# 47. 一個歷史作品分析範例

若 AI 分析古代作品，不應：

```text
直接使用現代心理學詞彙
→ 宣稱作者採用該理論
```

而應：

```text
Artifact effect:
modern analysis suggests...

Historical context:
documented evidence suggests...

Creator intent:
unknown / documented...

Later interpretation:
scholars have argued...
```

把不同時間層分開。

---

# 48. Core Invariants

## VUSD-R1

$$
\boxed{
\text{Known Intent}
\neq
\text{Inferred Intent}.
}
$$

## VUSD-R2

$$
\boxed{
\text{Creator Rationale}
\neq
\text{Functional Rationale}.
}
$$

## VUSD-R3

$$
\boxed{
\text{Contextual Cause}
\neq
\text{Creator Intent}.
}
$$

## VUSD-R4

$$
\boxed{
\text{Observer Meaning}
\neq
\text{Creator Intent}.
}
$$

## VUSD-R5

$$
\boxed{
\text{Evidence Strength}
\neq
\text{Absolute Truth}.
}
$$

## VUSD-R6

$$
\boxed{
\text{Confidence}
\neq
\text{Evidence Provenance}.
}
$$

## VUSD-R7

$$
\boxed{
\text{Recurring Practice}
\neq
\text{Explicit Doctrine}.
}
$$

## VUSD-R8

$$
\boxed{
\text{Rule}
\neq
\text{Rationale}.
}
$$

## VUSD-R9

$$
\boxed{
\text{Model Prior}
\neq
\text{User / Creator Intent}.
}
$$

## VUSD-R10

$$
\boxed{
\text{Interpretation}
\neq
\text{Historical Fact}.
}
$$

---

# 49. 對未來 Visual Theory Knowledge Runtime 的要求

未來知識庫至少需要：

```text
Creator
Artifact
IntentRecord
IntentEvidence
ContextRecord
ContextEvidence
VisualDecision
CreatorRationale
FunctionalRationale
RationaleEvidence
AlternativeExplanation
Counterevidence
CounterfactualTest
ObserverInterpretation
InterpretationHistory
```

並全部版本化。

---

# 50. 結論

「作者為什麼這樣畫？」不是一個可以靠 AI 看圖後直接猜一句話回答的問題。

更合理的模型是：

$$
\boxed{
\text{Intent}
+
\text{Context}
+
\text{Decision}
+
\text{Rationale}
+
\text{Evidence}
}
$$

共同構成視覺創作理解。

本文最重要的不是增加更多藝術術語，而是建立一條認識論邊界：

> **AI 可以提出理由，但必須知道自己提出的是哪一種理由。**

如果是作者明說：

```text
documented creator intent
```

就如實記錄。

如果只是歷史脈絡支持：

```text
context-supported explanation
```

就如此標記。

如果只是作品功能分析：

```text
functional rationale
```

就不要假裝成作者心理。

如果只是 AI 推論：

```text
model inference
```

就必須承認它是推論。

如果不知道：

```text
UNKNOWN
```

本身就是正確答案。

因此：

$$
\boxed{
\text{Visual Understanding}
\text{ requires explanation,}
\text{ but responsible explanation requires provenance.}
}
$$

這讓 VUSD 可以在藝術理論、藝術史、AI 美術生成與視覺評估之間建立一個共同的證據層。

下一篇將進一步處理：

# **理解共享域算子族**

也就是：

> 當我們暫時不依賴「性感、神聖、可愛、恐怖」這些人類高階感受詞時，是否可以先建立一組更底層、跨觀察者可共享描述的視覺關係算子？

---

**End of VUSD Paper 02 / 05 — v0.1**