# 當「可能」被聽成「可以」：AI 決策中的認識論模態坍縮

## When “Possible” Becomes “Can”: Epistemic Modality Collapse in AI-Assisted Decision Making

**系列**：AI 高權力決策中的認識論傳輸與可修正性，第 1 篇／共 7 篇  
**系列英文名**：Epistemic Transmission and Correctable Authority in AI-Augmented High-Power Decision Systems  
**系列代碼**：ETCA  
**文件編號**：EML-ETCA-2026-01-v0.1  
**作者**：Neo.K with Aletheia（GPT-5.6 Sol）  
**機構**：EveMissLab／一言諾科技有限公司  
**版本**：v0.1  
**日期**：2026-09-12  
**性質**：AI Governance／Decision Epistemology／Risk Communication／Human-AI Decision Systems／High-Stakes Governance  
**狀態**：Public Theory Draft  
**直接前置**：《從意圖到決策：AI 原生決策編譯器與稀疏意圖治理》；《傲慢作為負認知資本》；《外部智能治理》；Verified Futures／甄實未來系列；《形式權力與實際決策因果》  
**後續接口**：ETCA-02《我要的不是分析，而是結果》；ETCA-03《人還坐在王座上》；ETCA-04《AI 說了什麼，領導者最後聽到什麼》

---

## 摘要

AI 輔助決策的核心風險之一，不一定是 AI 產生錯誤答案，而可能是 AI 原本給出的認識論限定在組織傳遞、摘要、簡報、政治轉譯與人類選擇性理解中逐步消失。當 AI 說「可能」、「在某些條件下可行」、「尚未驗證」、「只是隱喻」、「需要外推測試」、「存在一條候選路徑」時，決策者或中介層可能將其壓縮為「可以」，進一步再將「可以」理解為「值得做」或「應該做」。

本文提出「認識論模態坍縮」（Epistemic Modality Collapse, EMC）框架，用以描述：

$$
\boxed{
\text{Metaphorical}
\rightarrow
\text{Hypothesized}
\rightarrow
\text{Possible}
\rightarrow
\text{Feasible}
\rightarrow
\text{Probable}
\rightarrow
\text{Recommended}
}
$$

等原本彼此不同的認識論狀態，在傳輸過程中被壓縮成單一肯定命題：

$$
\boxed{
\text{YES}.
}
$$

本文主張，高風險 AI 決策治理必須遵守一條核心原則：

$$
\boxed{
\text{No Semantic Promotion Without Evidence Promotion}.
}
$$

亦即：

> **證據沒有升級，語義狀態就不能升級。**

AI 所提出的「可能」不能因為摘要、管理偏好、政治壓力或多輪轉述而自動升級為「可行」；「可行」不能自動升級為「高概率」；「高概率」也不能自動升級為「推薦」。

本文進一步定義 Epistemic Status、Promotion Evidence、Unverified Bridge、Assumption Set、Recommendation State、Decision Authorization 等結構，並提出「認識論狀態保存」（Epistemic Status Preservation, ESP）與「不可壓縮認識論欄位」（Non-Compressible Epistemic Fields, NCEF）。本文亦指出，AI 時代的生成爆炸會使這一問題放大：當候選生成速度遠高於驗證速度時，人類可能從大量「可能方案」中選擇自己最喜歡的候選，再把「候選存在」誤當成「可信可行性」。

本文核心命題是：

$$
\boxed{
\text{A possible path is not yet a feasible plan;}
}
$$

$$
\boxed{
\text{a feasible plan is not yet a probable outcome;}
}
$$

$$
\boxed{
\text{a probable outcome is not yet a justified recommendation.}
}
$$

因此，AI 時代真正需要治理的，不只是答案內容，而是答案所處的認識論層級，以及這個層級是否在傳輸過程中被非法升級。

---

## 關鍵詞

認識論模態坍縮；AI 決策；語義升級；可行性；概率；推薦；認識論狀態保存；高風險治理；確認偏誤；AI 生成爆炸

---

# 1. 問題不一定是 AI 說錯，而是人類聽錯

目前大量 AI 治理討論集中在：

$$
\text{Hallucination}.
$$

也就是：

> AI 是否產生錯誤資訊？

這很重要。

但本文研究另一種失敗：

$$
\boxed{
\text{AI output is properly qualified}
}
$$

然而：

$$
\boxed{
\text{human interpretation removes the qualification}.
}
$$

例如 AI 原文：

> 在假設 $C_1,C_2,C_3$ 成立，且 $V_1$ 尚需實證的條件下，方案 $A$ 可能存在一條可行路徑，但目前不建議視為主要方案。

經摘要後：

> 方案 $A$ 存在可行路徑。

再經簡報後：

> AI 分析顯示 $A$ 可行。

最後政治語言變成：

> 最先進 AI 判斷我們可以做到 $A$。

沒有任何一句必須是完全捏造。

但是整體：

$$
\boxed{
\text{epistemic state}
}
$$

已經改變。

---

# 2. 命題內容與命題模態不是同一件事

假設命題：

$$
p=
\text{「方案 A 達成目標 G」}.
$$

對 $p$ 可以有很多不同狀態：

$$
M(p)
\in
\{
m_1,m_2,\ldots,m_n
\}.
$$

例如：

- metaphorical；
- imagined；
- hypothesized；
- possible；
- conditionally feasible；
- empirically supported；
- probable；
- recommended；
- authorized；
- realized。

因此：

$$
\boxed{
p
\neq
M(p).
}
$$

同一句：

> 「A 可以成功。」

如果 $M(p)$ 不同，實際意義完全不同。

---

# 3. 認識論模態坍縮

本文定義：

$$
\boxed{
EMC
=
\text{Epistemic Modality Collapse}.
}
$$

若原始命題具有：

$$
M_0(p),
$$

但經過某一傳輸或決策鏈後被表示為：

$$
M_n(p),
$$

且：

$$
M_n(p)
$$

比：

$$
M_0(p)
$$

具有更高確定性、更高可行性或更高推薦強度，

但中間沒有對應的新證據，

則稱發生：

$$
\boxed{
\text{Epistemic Modality Collapse / Promotion}.
}
$$

---

# 4. 最基本的模態階梯

本文先建立一條最小階梯：

$$
\boxed{
M
\rightarrow
H
\rightarrow
P
\rightarrow
F
\rightarrow
V
\rightarrow
Q
\rightarrow
R
\rightarrow
A
\rightarrow
S
}
$$

其中：

- $M$：Metaphorical；
- $H$：Hypothesized；
- $P$：Possible；
- $F$：Feasible；
- $V$：Validated / Empirically Supported；
- $Q$：Probable；
- $R$：Recommended；
- $A$：Authorized；
- $S$：Successful / Realized。

---

# 5. 每一個箭頭都需要額外證據

不能因為：

$$
H
$$

成立，

就推出：

$$
P.
$$

不能因為：

$$
P
$$

成立，

就推出：

$$
F.
$$

不能因為：

$$
F
$$

成立，

就推出：

$$
Q.
$$

不能因為：

$$
Q
$$

成立，

就推出：

$$
R.
$$

不能因為：

$$
R
$$

成立，

就推出：

$$
A.
$$

因此：

$$
\boxed{
M
\not\Rightarrow
H
\not\Rightarrow
P
\not\Rightarrow
F
\not\Rightarrow
V
\not\Rightarrow
Q
\not\Rightarrow
R
\not\Rightarrow
A
\not\Rightarrow
S.
}
$$

---

# 6. 隱喻不是假說

隱喻：

$$
M
$$

可以用來：

- 產生直覺；
- 展開概念；
- 尋找結構同構；
- 生成研究方向。

但：

$$
\boxed{
\text{Metaphor}
\neq
\text{Mechanism}.
}
$$

例如：

> AI 像一個全域觀察者。

這可以是很好的理論隱喻。

但不能自動推出：

$$
\text{AI actually observes the whole world}.
$$

所以：

$$
M\rightarrow H
$$

需要把隱喻轉成可檢驗命題。

---

# 7. 假說不是可能性證明

一個假說：

$$
H(p)
$$

只表示：

> 這是一個值得研究的候選解釋。

不表示：

$$
\exists W
$$

使：

$$
p
$$

真的可實現。

因此：

$$
\boxed{
\text{Hypothesized}
\neq
\text{Possible}.
}
$$

---

# 8. 可能不是可行

如果：

$$
\exists \pi:
G
\text{ can occur under some admissible assumptions},
$$

最多得到：

$$
\text{Possible}(G)=1.
$$

但可行：

$$
\text{Feasible}(G)=1
$$

還需要：

- 資源；
- 時間；
- 技術；
- 權限；
- 供應；
- 因果鏈；
- 可持續性；
- 實際約束。

因此：

$$
\boxed{
\exists\pi
\not\Rightarrow
\pi\text{ operationally feasible}.
}
$$

---

# 9. 可行不是高概率

一個方案可以：

$$
\text{Feasible}=1,
$$

但：

$$
P(\text{Success})=0.05.
$$

所以：

$$
\boxed{
\text{Feasibility}
\neq
\text{Probability}.
}
$$

---

# 10. 高概率不是推薦

即使：

$$
P(\text{Success})=0.8,
$$

也不代表：

$$
\text{Recommend}=1.
$$

因為還需要：

$$
EU
=
P(S)U(S)
+
P(F)U(F)
-
\text{Cost}
-
\text{Risk}.
$$

若失敗代價巨大，

則：

$$
P(S)\gg0
$$

仍可能：

$$
EU<0.
$$

所以：

$$
\boxed{
\text{Probable}
\neq
\text{Desirable}.
}
$$

---

# 11. 推薦不是授權

即使 AI 認為：

$$
R=1,
$$

也不能自動：

$$
\text{Execute}.
$$

中間仍需要：

$$
\boxed{
\text{Authority Gate}.
}
$$

它至少應檢查：

- 法律；
- 正當性；
- 權限；
- 責任；
- 可逆性；
- 風險；
- 影響主體。

所以：

$$
\boxed{
\text{Recommendation}
\neq
\text{Authorization}.
}
$$

---

# 12. 授權也不是成功

人類批准：

$$
A=1
$$

不代表：

$$
S=1.
$$

因此仍需：

$$
\boxed{
\text{Execution}
\rightarrow
\text{Observation}
\rightarrow
\text{Revision}.
}
$$

---

# 13. AI 時代最常見的危險壓縮：Possible → Can

假設 AI 說：

$$
P(G)>0.
$$

人類可能解讀成：

$$
\boxed{
G\text{ can be done}.
}
$$

但：

$$
P(G)>0
$$

只表示非零可能性。

它並沒有告訴我們：

$$
P(G)
$$

到底是：

$$
0.5,
$$

$$
0.05,
$$

還是：

$$
10^{-9}.
$$

因此：

$$
\boxed{
\text{Nonzero possibility}
\neq
\text{actionable feasibility}.
}
$$

---

# 14. Possibility-to-Feasibility Inflation

本文定義：

$$
\boxed{
PFI
=
\text{Possibility-to-Feasibility Inflation}.
}
$$

當一個：

$$
\text{Possible}
$$

狀態在沒有新增驗證的情況下，被解讀為：

$$
\text{Feasible},
$$

即發生 PFI。

---

# 15. Feasibility-to-Certainty Inflation

同理：

$$
\boxed{
FCI
=
\text{Feasibility-to-Certainty Inflation}.
}
$$

即：

$$
\text{Feasible}
\rightarrow
\text{Likely}
$$

或：

$$
\text{Likely}
\rightarrow
\text{Certain}
$$

被非法升級。

---

# 16. Recommendation Inflation

還有：

$$
\boxed{
RI
=
\text{Recommendation Inflation}.
}
$$

例如：

$$
\text{Possible}
$$

最後被說成：

$$
\text{Recommended}.
$$

這已經跨過：

- 可行性；
- 概率；
- 效用；
- 價值；

多個不同判斷層。

---

# 17. 語義升級原則

本文提出最重要的規則：

$$
\boxed{
\text{No Semantic Promotion Without Evidence Promotion}.
}
$$

中文：

> **證據沒有升級，語義狀態就不能升級。**

---

# 18. Promotion Evidence

若：

$$
M_i
\rightarrow
M_{i+1},
$$

必須存在：

$$
E_{i\rightarrow i+1}.
$$

例如：

$$
\text{Possible}
\rightarrow
\text{Feasible}
$$

需要：

- 工程驗證；
- 資源檢查；
- 約束閉合；
- 關鍵依賴確認。

---

# 19. Feasible → Probable 的證據不同

從：

$$
\text{Feasible}
$$

到：

$$
\text{Probable}
$$

不能只靠「已經找到一條方案」。

而需要：

- base rate；
- repeated simulation；
- calibration；
- failure distribution；
- sensitivity analysis；
- real-world analogues。

---

# 20. Probable → Recommended 需要價值函數

從：

$$
\text{Probable}
$$

到：

$$
\text{Recommended}
$$

又完全不同。

需要：

$$
U.
$$

因為：

$$
\boxed{
\text{Prediction}
\neq
\text{Preference}.
}
$$

---

# 21. Epistemic Status

本文提出每個高風險 AI 輸出都應有：

$$
\boxed{
ES(x)
=
\text{Epistemic Status of claim }x.
}
$$

例如：

```yaml
epistemic_status:
  proposition: "方案 A 能達成目標 G"
  status: conditionally_possible
  confidence: 0.42
  assumptions:
    - C1
    - C2
    - C3
  validated:
    - C1
  unverified:
    - C2
    - C3
  recommendation: not_recommended
```

---

# 22. Assumption Set

定義：

$$
\boxed{
\mathcal A_x
=
\{a_1,a_2,\ldots,a_n\}
}
$$

為命題 $x$ 成立所依賴的假設。

如果摘要只保留：

$$
x
$$

卻刪掉：

$$
\mathcal A_x,
$$

就會造成：

$$
\boxed{
\text{assumption erasure}.
}
$$

---

# 23. Unverified Bridge

很多 AI 分析會包含：

$$
b_i:
x\rightarrow y.
$$

如果：

$$
b_i
$$

尚未驗證，

則應標記：

$$
\boxed{
UB_i
=
\text{Unverified Bridge}.
}
$$

---

# 24. Conditional Feasibility

因此「可行」本身也應細分。

不是：

$$
Feasible\in\{0,1\}.
$$

而是：

$$
\boxed{
Feasible(G\mid C).
}
$$

即：

> 在條件集合 $C$ 下可行。

如果：

$$
C
$$

極苛刻，

則：

$$
Feasible(G\mid C)=1
$$

不代表：

$$
Feasible(G)\approx1.
$$

---

# 25. 模態與作用域必須綁定

任何命題都應表示為：

$$
\boxed{
\text{Claim}
=
(
\text{Proposition},
\text{Scope},
\text{Status},
\text{Confidence},
\text{Assumptions}
).
}
$$

---

# 26. 人類確認偏誤如何加入

若決策者偏好：

$$
G^*,
$$

則對支持：

$$
G^*
$$

的訊息，

可能給更高權重：

$$
w^+.
$$

對反對：

$$
G^*
$$

的訊息，

給：

$$
w^-.
$$

若：

$$
w^+>w^-,
$$

則：

$$
\boxed{
\text{same evidence}
\rightarrow
\text{asymmetric belief update}.
}
$$

---

# 27. Desired-Conclusion Compression

本文定義：

$$
\boxed{
DCC
=
\text{Desired-Conclusion Compression}.
}
$$

當複雜 AI 輸出：

$$
O
$$

被壓縮時，

與使用者原有偏好一致的部分被保留，

限制詞與反對訊息被刪除。

---

# 28. 不是故意說謊也可以發生

DCC 不要求：

$$
Deception=1.
$$

只需要：

- 注意力有限；
- 喜歡清楚結論；
- 上位者有既定偏好；
- 摘要需要短；
- 組織有時間壓力。

因此：

$$
\boxed{
\text{Distortion}
\neq
\text{Lie}.
}
$$

---

# 29. 階層式語義傳輸

假設：

$$
E_0
$$

是原始 AI 輸出。

經：

$$
C_1,C_2,\ldots,C_n
$$

壓縮：

$$
E_{k+1}
=
C_k(E_k).
$$

則最後：

$$
E_n
$$

可能內容主題仍與：

$$
E_0
$$

相似，

但：

$$
Status(E_n)
\neq
Status(E_0).
$$

---

# 30. 認識論失真率

可粗略定義：

$$
\boxed{
D_E
=
d
\left(
ES(E_0),
ES(E_n)
\right).
}
$$

其中：

$$
d
$$

衡量：

- 置信度偏差；
- 模態升級；
- 假設遺失；
- 反證遺失；
- 推薦狀態改變。

---

# 31. 階層越深，失真機會越多

若每層保真率：

$$
r_i\in[0,1],
$$

簡化情況下：

$$
R_{\mathrm{total}}
=
\prod_i r_i.
$$

即使：

$$
r_i=0.95,
$$

經：

$$
10
$$

層後：

$$
R_{\mathrm{total}}
\approx0.60.
$$

所以：

$$
\boxed{
\text{small local distortion}
\rightarrow
\text{large global drift}.
}
$$

---

# 32. 生成爆炸放大模態坍縮

令：

$$
\lambda_g
$$

是候選生成率。

$$
\lambda_v
$$

是高可信驗證率。

若：

$$
\lambda_g\gg\lambda_v,
$$

則：

$$
\boxed{
\text{Candidate Space}
\gg
\text{Verified Space}.
}
$$

---

# 33. 候選存在不等於候選可信

類全域 AI 可能生成：

$$
10^6
$$

個方案。

其中：

$$
999999
$$

個失敗。

剩下：

$$
1
$$

個表面上成立。

如果人類只看到：

> AI 找到一條路。

會誤以為：

$$
\boxed{
\text{discovery}
=
\text{validation}.
}
$$

但真正可能只是：

$$
\text{large search}.
$$

---

# 34. Best-of-N Illusion

本文提出：

$$
\boxed{
\text{Best-of-N Illusion}.
}
$$

當 $N$ 極大時，

即使每個候選品質分布普通，

也容易找到：

$$
\max(X_1,\ldots,X_N)
$$

很漂亮的極端樣本。

如果不把：

$$
N
$$

與 selection process 一起報告，

就會產生：

> AI 找出驚人的方案。

但實際上：

> AI 搜了一百萬個方案後挑了最好的。

這兩句認識論地位不同。

---

# 35. Validation Debt

當：

$$
\lambda_g>\lambda_v,
$$

未驗證候選累積：

$$
D_V(t)
$$

可表示：

$$
\boxed{
D_V(t+1)
=
D_V(t)
+
\lambda_g
-
\lambda_v.
}
$$

這稱：

$$
\boxed{
\text{Validation Debt}.
}
$$

---

# 36. 高能力 AI 可能提高 Validation Debt

反直覺地：

$$
AIQuality\uparrow
$$

可能同時造成：

$$
\lambda_g\uparrow\uparrow.
$$

如果：

$$
\lambda_v
$$

沒有同步提高，

則：

$$
D_V\uparrow.
$$

所以：

$$
\boxed{
\text{more intelligence}
\not\Rightarrow
\text{more verified truth}.
}
$$

---

# 37. 高風險決策最危險的是「漂亮的未驗證方案」

因為 AI 可以把：

$$
P
$$

寫得：

- 邏輯完整；
- 數學漂亮；
- 因果鏈清晰；
- 語言專業。

這會提高：

$$
\text{PerceivedCredibility}.
$$

但不必然提高：

$$
\text{ActualValidation}.
$$

因此：

$$
\boxed{
\text{Explanatory Coherence}
\neq
\text{Empirical Confirmation}.
}
$$

---

# 38. 認識論狀態保存

本文提出：

$$
\boxed{
ESP
=
\text{Epistemic Status Preservation}.
}
$$

要求：

> 從原始 AI 輸出到最終決策者，命題的認識論層級不得在無新增證據時被升級。

---

# 39. 不可壓縮認識論欄位

本文提出：

$$
\boxed{
NCEF
=
\text{Non-Compressible Epistemic Fields}.
}
$$

至少包括：

1. Status；
2. Confidence；
3. Assumptions；
4. Unverified Bridges；
5. Counterevidence；
6. Failure Conditions；
7. Recommendation；
8. Scope；
9. Evidence Freshness；
10. Dissent Intensity。

---

# 40. 文字可以壓縮，狀態不能壓縮

例如：

原始報告：

$$
20000
$$

字。

摘要：

$$
500
$$

字。

可以。

但：

$$
\text{Status}
$$

不能從：

$$
\text{conditionally possible}
$$

變成：

$$
\text{feasible}.
$$

因此：

$$
\boxed{
\text{Text Compression}
\neq
\text{Epistemic Compression}.
}
$$

---

# 41. 模態欄位應機器可讀

高風險 AI 輸出不應只靠：

> 「語氣看起來很保守。」

而應結構化：

```yaml
claim:
  proposition:
  scope:
  epistemic_status:
  confidence:
  assumptions:
  evidence:
  unverified_bridges:
  counterevidence:
  failure_conditions:
  recommendation:
  authorization_required:
```

---

# 42. 人類摘要需要差異檢查

若：

$$
S_H
$$

是人類摘要，

$$
O_{AI}
$$

是原始 AI 輸出，

應計算：

$$
\boxed{
\Delta_{ES}
=
d(
ES(O_{AI}),
ES(S_H)
).
}
$$

如果：

$$
\Delta_{ES}>\theta,
$$

系統應警告：

> 摘要已改變原始認識論狀態。

---

# 43. Recommendation Integrity

還應檢查：

$$
\boxed{
Recommendation(O_{AI})
=
Recommendation(S_H)?
}
$$

如果 AI 原本：

$$
\text{not recommended},
$$

摘要變：

$$
\text{feasible},
$$

即使文字沒有直接寫：

> 推薦。

也可能造成實際推薦漂移。

---

# 44. Disagreement Intensity Preservation

如果 AI 判斷：

$$
P(Failure)=0.8,
$$

不能只摘要成：

> 有一些風險。

因此需要：

$$
\boxed{
DIP
=
\text{Disagreement Intensity Preservation}.
}
$$

即反對強度必須保存。

---

# 45. 模態升級日誌

任何：

$$
M_i\rightarrow M_{i+1}
$$

都應留下：

```yaml
promotion:
  from:
  to:
  new_evidence:
  validator:
  timestamp:
  unresolved_conditions:
```

沒有：

$$
\text{new evidence},
$$

就不能升級。

---

# 46. Epistemic Promotion Ledger

本文提出：

$$
\boxed{
EPL
=
\text{Epistemic Promotion Ledger}.
}
$$

它記錄：

$$
H
\rightarrow
P
\rightarrow
F
\rightarrow
V
\rightarrow
Q
\rightarrow
R.
$$

每一步由誰、基於什麼證據完成。

---

# 47. 高風險決策需要雙層輸出

建議輸出：

$$
\boxed{
\text{Executive Summary}
+
\text{Epistemic State Record}.
}
$$

第一個給人快速決策。

第二個防止模態失真。

---

# 48. 最高權力者需要看到什麼？

不需要閱讀所有底層資料。

但至少要看到：

$$
\boxed{
\text{Status}
+
\text{Confidence}
+
\text{Key Assumptions}
+
\text{Strongest Counterargument}
+
\text{Recommendation}.
}
$$

這五個欄位不應被下層代為刪除。

---

# 49. 「可能」本身可以是重要資訊

本文不主張：

> 只有高概率方案才值得報告。

某些：

$$
P\ll1
$$

但：

$$
Impact\gg1
$$

的事件仍重要。

所以：

$$
\boxed{
\text{Low Probability}
\neq
\text{Low Importance}.
}
$$

真正需要的是不混淆：

$$
\text{Probability}
$$

與：

$$
\text{Impact}.
$$

---

# 50. Tail Path 也不能被禁止研究

如果 AI 發現：

$$
\pi_{\mathrm{tail}},
$$

即罕見但可能的策略，

應保留。

因為：

$$
\boxed{
\text{Unknown Tail}
}
$$

可能很有研究價值。

但：

$$
\pi_{\mathrm{tail}}
$$

必須標記：

$$
\text{TailCandidate},
$$

而不是：

$$
\text{BestPlan}.
$$

---

# 51. Tail Feasibility Label

可以建立：

$$
\boxed{
TFL
=
\text{Tail Feasibility Label}.
}
$$

例如：

```yaml
tail_candidate:
  exists: true
  status: unvalidated
  conditions: strict
  robustness: low
  externalities: high
  recommendation: research_only
```

---

# 52. 模態坍縮與權力的乘數關係

同樣的 EMC：

$$
EMC=x
$$

若發生在普通個人，

影響有限。

若發生在高權力節點：

$$
Authority\gg0,
$$

則：

$$
\boxed{
Risk_{\mathrm{EMC}}
\propto
EMC
\times
\text{Authority}
\times
\text{Scale}
\times
\text{Irreversibility}.
}
$$

---

# 53. 高不可逆領域需要更嚴格模態保存

例如：

- 戰爭；
- 核決策；
- 重大公共安全；
- 基礎設施；
- 醫療；
- 大型金融系統。

若：

$$
Irreversibility\uparrow,
$$

則：

$$
\boxed{
PromotionThreshold\uparrow.
}
$$

---

# 54. 速度壓力會放大模態坍縮

危機下：

$$
TimeBudget\downarrow.
$$

人類傾向要求：

> 給我一句話。

於是：

$$
CompressionRatio\uparrow.
$$

如果制度沒有 NCEF，

則：

$$
EMC\uparrow.
$$

---

# 55. AI 越強，人類越容易把「它一定知道」當前提

若：

$$
Capability_{AI}\gg Capability_H,
$$

決策者可能產生：

$$
\boxed{
\text{Authority by Perceived Omniscience}.
}
$$

也就是：

> 它都這麼強了，它說可能，大概就是可以。

這又造成：

$$
\text{StatusInflation}.
$$

---

# 56. Scope Calibration

高能力 AI 應輸出：

$$
\boxed{
\text{Confidence}
\times
\text{Scope}.
}
$$

不是：

> 我有 95% 信心。

而是：

> 在 $D_1$ 、時間窗 $T$ 、假設 $C$ 下，我有 95% 信心。

因此：

$$
\boxed{
\text{Confidence without Scope}
}
$$

是高風險資訊。

---

# 57. Confidence 本身也可能被誤讀

AI 說：

$$
Confidence=0.8
$$

可能是：

> 對模型內部判斷的置信。

不一定是：

$$
P(WorldOutcome)=0.8.
$$

所以置信種類也需標記：

- model confidence；
- evidence confidence；
- forecast probability；
- validation confidence；
- recommendation confidence。

---

# 58. Epistemic Type Safety

本文提出：

$$
\boxed{
\text{Epistemic Type Safety}.
}
$$

就像程式語言不能把：

$$
\text{string}
$$

偷偷當：

$$
\text{integer},
$$

決策系統也不應把：

$$
\text{Possible}
$$

偷偷當：

$$
\text{Recommended}.
$$

---

# 59. 模態轉換應該像型別轉換

如果：

$$
\text{Possible}
\rightarrow
\text{Feasible},
$$

需要明確 cast：

$$
Cast_{P\rightarrow F}(Evidence).
$$

沒有證據：

$$
\text{Cast}
$$

失敗。

這比自然語言裡靠感覺更安全。

---

# 60. 認識論防火牆

可以建立：

$$
\boxed{
\text{Epistemic Firewall}.
}
$$

位於：

$$
AI
\rightarrow
\text{HumanSummary}
\rightarrow
\text{Authority}.
$$

它檢查：

- status promotion；
- assumption deletion；
- confidence inflation；
- recommendation drift；
- dissent suppression。

---

# 61. 認識論防火牆不是言論審查

它不限制：

$$
\text{Conclusion}.
$$

而只限制：

$$
\boxed{
\text{unsupported status transformation}.
}
$$

也就是：

> 你可以不同意 AI。

但不能說：

> AI 支持我。

如果 AI 原本沒有支持。

---

# 62. Override 與 Misrepresentation 必須分開

決策者可以：

$$
Override(AI)=1.
$$

這是合法的。

例如：

> AI 不推薦，但我因價值理由仍決定做。

這比：

> AI 判斷可行，所以我做。

更誠實。

因此：

$$
\boxed{
\text{Override}
\neq
\text{Misrepresentation}.
}
$$

---

# 63. 人類保留最終權，反而更需要精確記錄

若：

$$
Authority_H=1,
$$

那麼人類應明確知道：

$$
\text{AIRecommendation}.
$$

如果 AI：

$$
\text{Reject},
$$

人類：

$$
\text{Approve},
$$

則應留下：

$$
\boxed{
\text{Human Override}.
}
$$

不能事後改寫成：

> AI 也認為可以。

---

# 64. 模態坍縮會造成責任模糊

事故後：

人類：

> AI 說可以。

AI 記錄：

> 我說的是 conditionally possible。

幕僚：

> 我只是摘要。

於是：

$$
\boxed{
ResponsibilityGap\uparrow.
}
$$

---

# 65. Provenance 不是只有來源，而是狀態演化

需要保存：

$$
\boxed{
\text{Provenance}
=
\text{Source}
+
\text{Transformation}
+
\text{Epistemic State History}.
}
$$

即：

> 誰把「可能」改成「可行」？

這本身就是決策因果。

---

# 66. 高風險決策應有 Epistemic Diff

像程式：

$$
diff(v_1,v_2).
$$

決策摘要也應有：

$$
\boxed{
EpistemicDiff(E_0,E_n).
}
$$

列出：

- confidence changed；
- assumptions removed；
- risk softened；
- recommendation changed；
- unknowns removed。

---

# 67. AI 可以自動監測自己的被轉述

如果原始 AI：

$$
A_0
$$

看到最終摘要：

$$
S_n,
$$

可以回答：

> 最終摘要是否忠實保留我原始判斷？

這形成：

$$
\boxed{
\text{Self-Comparison Review}.
}
$$

---

# 68. 但不能只靠同一 AI 自我審核

因為：

$$
A_0
$$

也可能錯。

因此高風險情況還需要：

$$
A_1
$$

或：

$$
\text{HumanExpert}
$$

做：

$$
\boxed{
\text{Independent Epistemic Review}.
}
$$

---

# 69. 最小治理結構

本文建議：

$$
\boxed{
AI_{analysis}
\rightarrow
\text{Summary}
\rightarrow
\text{EpistemicFirewall}
\rightarrow
\text{Authority}
}
$$

同時保留：

$$
AI_{audit}
$$

檢查：

$$
\text{Summary}.
$$

---

# 70. 認識論狀態比漂亮語言更重要

AI 可以把報告寫得非常漂亮。

但高風險治理真正應問：

$$
\boxed{
\text{What epistemic state does this claim have?}
}
$$

不是：

> 聽起來有沒有道理？

---

# 71. 十四個核心命題

## 命題一：命題與模態非同一

$$
\boxed{
p
\neq
M(p).
}
$$

## 命題二：隱喻非機制

$$
\boxed{
\text{Metaphor}
\neq
\text{Mechanism}.
}
$$

## 命題三：可能非可行

$$
\boxed{
\text{Possible}
\neq
\text{Feasible}.
}
$$

## 命題四：可行非概率

$$
\boxed{
\text{Feasible}
\neq
\text{Probable}.
}
$$

## 命題五：概率非推薦

$$
\boxed{
\text{Probable}
\neq
\text{Recommended}.
}
$$

## 命題六：推薦非授權

$$
\boxed{
\text{Recommended}
\neq
\text{Authorized}.
}
$$

## 命題七：語義升級需證據升級

$$
\boxed{
\text{No Semantic Promotion Without Evidence Promotion}.
}
$$

## 命題八：候選存在非驗證完成

$$
\boxed{
\text{Candidate Exists}
\neq
\text{Candidate Validated}.
}
$$

## 命題九：生成爆炸可增加驗證債

$$
\boxed{
\lambda_g\gg\lambda_v
\Rightarrow
D_V\uparrow.
}
$$

## 命題十：文字壓縮非認識論壓縮

$$
\boxed{
\text{Text Compression}
\neq
\text{Epistemic Compression}.
}
$$

## 命題十一：反對強度必須保存

$$
\boxed{
\text{Disagreement Intensity}
\text{ is a governance variable}.
}
$$

## 命題十二：Override 非扭曲

$$
\boxed{
\text{Human Override}
\neq
\text{AI Recommendation}.
}
$$

## 命題十三：作用域必須與置信綁定

$$
\boxed{
\text{Confidence}
\rightarrow
Confidence(\text{Scope}).
}
$$

## 命題十四：高風險決策需要認識論型別安全

$$
\boxed{
\text{High-Stakes AI Governance}
\Rightarrow
\text{Epistemic Type Safety}.
}
$$

---

# 72. 與下一篇的接口

本篇回答：

> AI 說「可能」，為什麼不能被人類聽成「可以」？

但下一個問題更危險：

> 如果 AI 已經說「不可行」或「不建議」，人類仍堅持「我就要這個結果」，會發生什麼？

這將進入：

$$
\boxed{
\text{Capability Entitlement Fallacy}
}
$$

以及：

$$
\boxed{
\text{Solution Shopping}
+
\text{Constraint Shopping}.
}
$$

也就是 ETCA-02：

**《我要的不是分析，而是結果：類全域 AGI 與能力權利錯覺》**。

---

# 73. 系列路線圖

## ETCA-01
**當「可能」被聽成「可以」：AI 決策中的認識論模態坍縮**

## ETCA-02
**我要的不是分析，而是結果：類全域 AGI 與能力權利錯覺**

## ETCA-03
**人還坐在王座上：AI 中介主權與決策空間的認知構造權**

## ETCA-04
**AI 說了什麼，領導者最後聽到什麼：階層式認識論傳輸失真**

## ETCA-05
**懂得不夠卻必須決定：戰略解釋落差與認識論依賴**

## ETCA-06
**誰敢說不：認識論制衡者、異議生存與修正性能動性**

## ETCA-07
**比聰明更重要的是可反駁：高能力 AI—高權力人類系統的結構可修正性**

---

# 74. 結論

AI 時代最危險的認識論錯誤之一，不一定是：

> AI 說了一個假命題。

也可能是：

> AI 說了一個被正確限定的命題，而人類把限定拿掉了。

因此：

$$
\boxed{
\text{Truth Preservation}
}
$$

不只要求保存：

$$
\text{Proposition}.
$$

還要求保存：

$$
\boxed{
\text{Status},
\text{Scope},
\text{Confidence},
\text{Assumptions},
\text{Counterevidence},
\text{Recommendation}.
}
$$

真正成熟的 AI 決策治理必須知道：

> 一個命題現在只是隱喻、假說、可能、條件可行、已驗證、高概率，還是推薦？

並阻止：

$$
\text{Possible}
\rightarrow
\text{Can}
\rightarrow
\text{Should}
$$

在沒有證據的情況下偷偷完成。

本文最重要的規則因此是：

$$
\boxed{
\text{No Semantic Promotion Without Evidence Promotion}.
}
$$

中文就是：

> **證據沒升級，語氣就不能升級。**

更完整地說：

> **AI 說「可能」時，制度必須讓「可能」一路活到真正掌權者耳中，而不是在傳遞途中變成「可以」。**

---

# 參考文獻

1. Tversky, A., & Kahneman, D. (1974). Judgment under Uncertainty: Heuristics and Biases. *Science*, 185(4157), 1124-1131.

2. Nickerson, R. S. (1998). Confirmation Bias: A Ubiquitous Phenomenon in Many Guises. *Review of General Psychology*, 2(2), 175-220.

3. Kunda, Z. (1990). The Case for Motivated Reasoning. *Psychological Bulletin*, 108(3), 480-498.

4. Kahneman, D. (2011). *Thinking, Fast and Slow*. Farrar, Straus and Giroux.

5. Tetlock, P. E., & Gardner, D. (2015). *Superforecasting: The Art and Science of Prediction*. Crown.

6. Fischhoff, B. (1975). Hindsight ≠ Foresight: The Effect of Outcome Knowledge on Judgment under Uncertainty. *Journal of Experimental Psychology: Human Perception and Performance*, 1(3), 288-299.

7. Neo.K with Aletheia. (2026). *從意圖到決策：AI 原生決策編譯器與稀疏意圖治理*. EveMissLab.

8. Neo.K with Aletheia. (2026). *傲慢作為負認知資本：AI 時代的認識論僵固性與可修正性*. EveMissLab.

9. Neo.K with Aletheia. (2026). *外部智能治理：顧問、第三方 AI 與組織認知稽核*. EveMissLab.

10. Neo.K with Aletheia. (2026). *Verified Futures / 甄實未來系列*. EveMissLab.

11. Neo.K with Aletheia. (2026). *形式權力與實際決策因果：人機複合決策系統的權力重新分布*. EveMissLab.

---

# 附錄 A：Epistemic Status 最小 Schema

```yaml
claim:
  id:
  proposition:
  scope:

epistemic:
  status:
  confidence:
  confidence_type:
  assumptions:
  validated_assumptions:
  unverified_bridges:
  counterevidence:
  failure_conditions:
  evidence_freshness:

decision:
  recommendation:
  authorization_required:
  reversibility:
  risk_level:

provenance:
  source:
  transformations:
  promotion_history:
```

---

# 附錄 B：模態升級最小 Schema

```yaml
epistemic_promotion:
  claim_id:
  from_status:
  to_status:

  new_evidence:
    - id:
      type:
      source:
      validity:

  validation:
    reviewer:
    independent_review:
    timestamp:

  unresolved:
    assumptions:
    counterevidence:
    failure_conditions:
```

---

# 附錄 C：高風險摘要最低欄位

```yaml
executive_epistemic_summary:
  proposition:
  status:
  confidence:
  scope:
  key_assumptions:
  strongest_counterargument:
  unverified_bridges:
  recommendation:
  override_required:
```

---

# 附錄 D：一句話版本

> **AI 說「可能」時，最危險的不是它不夠確定，而是人類把「可能」一路傳成了「可以」，最後再把「可以」當成「應該」。**