# APET-03｜誰是 AI 專家？ ## AI 專業能力的向量化與專家指稱坍縮 ### Who Is an AI Expert? Vectorizing AI Expertise and the Collapse of Expert Referents **系列：** AI 多態時代拓撲論（AI Polymorphic Epoch Topology, APET） **編號：** APET-03 **版本：** v0.1 **日期：** 2026-09-23 **狀態：** Canonical Source / UTF-8 Markdown **作者：** Neo.K **機構：** EveMissLab Technology Co., Ltd. **協作整理：** Aletheia / GPT-5.6 Sol **前置論文：** APET-01、APET-02 **前置理論：** 時代拓撲論 v2.0、EML-TOT-2026-003、EXS-04、SAS-04 **公司：** 一言諾科技有限公司 --- ## 摘要 「AI 專家」是當代最常見、也最容易被高估資訊量的專業標籤之一。當公眾、媒體、企業與政策系統聽到「AI 專家」時，往往默認該稱謂指向一種近似統一的能力：懂 AI、能判斷 AI、能代表 AI 領域發言。然而，人工智能在歷史上已經分化為大量不同技術範式與工程層級，包括古典搜尋與規劃、專家系統、符號推理、統計機器學習、神經網路、強化學習、電腦視覺、語音、生成模型、大型語言模型、多模態、Agent、AI runtime、memory、tool use、具身控制、機器人、分散式 AI、AI-native systems、安全、評測、治理與產業整合。 因此，「AI 專家」已與「AI」本身一樣發生 **指稱坍縮**。 本文提出 **AI Expert Referent Collapse（AI 專家指稱坍縮）**：多種彼此不能直接替代的專業能力，被壓縮為單一社會稱謂「AI 專家」，進而造成錯誤權威遷移、跨域能力外推、媒體認證失真、企業招聘錯配、政策諮詢過度泛化與公眾判斷失焦。 本文主張： $$ \boxed{ \text{AI Expertise} \neq \text{One Expertise}. } $$ 並提出 AI 專業能力向量： $$ \boxed{ \mathbf E_{\mathrm{AI}} = ( E_P, E_M, E_L, E_A, E_B, E_S, E_I, E_V, E_G ) } $$ 其中分別表示： - $E_P$：Paradigm Expertise，AI 範式專業； - $E_M$：Model Expertise，模型與訓練專業； - $E_L$：Modality Expertise，模態專業； - $E_A$：Agent / Autonomy Expertise，代理與自主系統專業； - $E_B$：Embodiment Expertise，具身與控制專業； - $E_S$：System Expertise，runtime、harness、memory、tools、distributed system 專業； - $E_I$：Integration Expertise，產品、組織、工作流整合專業； - $E_V$：Validation / Safety Expertise，評測、驗證與安全專業； - $E_G$：Governance / Social Expertise，治理、制度與社會技術專業。 本文進一步提出 **Expertise Transfer Matrix（專業遷移矩陣）**、**Authority Projection Error（權威投射錯誤）**、**Cross-Domain Expertise Decay（跨域專業衰減）**、**Frontier Familiarity Half-Life（前沿熟悉度半衰期）** 與 **AI Expert State Vector（AI 專家態向量）**，用來描述一個人在不同 AI 子域中的有效專業位置，而非以單一標籤表示。 本文亦區分「懂 AI 原理」、「會使用 AI」、「會建 AI」、「會部署 AI」、「會讓 AI 完成工作」、「會研究 AI 邊界」、「會治理 AI」等不同能力。這些能力可以重疊，但不等價。 因此，未來更精確的問題不應是： > 這個人是不是 AI 專家？ 而應是： $$ \boxed{ \text{Expert in which AI domain, at which layer, for which task, under which time horizon?} } $$ 這是 APET 從「AI 是哪一個對象」進一步走向「AI 專業權威究竟落在哪裡」的核心篇章。 **關鍵詞：** AI Expert Referent Collapse；AI Expertise Topology；Expertise Vector；Authority Projection Error；AI Professional Taxonomy；Agent；Embodied AI；AI Systems；AI Governance；Frontier Half-Life --- # 1. 問題：什麼叫「AI 專家」？ 日常語言中，以下人物都可能被稱為「AI 專家」： - 研究 A*、搜尋、規劃的古典 AI 研究者； - 研究知識表示與推理的符號 AI 學者； - 研究貝氏模型與統計學習的機器學習研究者； - 研究 CNN 的視覺研究者； - 研究 Transformer 的神經網路研究者； - 訓練 foundation model 的研究工程師； - 做 LLM post-training 的工程師； - 做 prompt / context engineering 的應用工程師； - 做 Agent runtime 的系統工程師； - 做 robot control 的具身 AI 研究者； - 做 AI safety / evals 的研究者； - 做企業 AI 導入的架構師； - 做 AI 政策與治理的學者； - 高度熟悉 frontier AI 產品的 power user。 以上所有人都可能合理地被叫做： $$ \boxed{ \text{AI Expert}. } $$ 但他們所熟悉的 AI 對象、問題空間與方法可能完全不同。 --- # 2. AI Expert Referent Collapse 定義： $$ \boxed{ \operatorname{ERC}_{AI} = \text{AI Expert Referent Collapse}. } $$ 若多個專業對象： $$ E_1,E_2,\ldots,E_n $$ 被語言映射為： $$ \mathcal L(E_i) = \text{``AI Expert''}, $$ 而使用者忽略： $$ E_i\neq E_j, $$ 則形成專家指稱坍縮。 --- # 3. 專家標籤的資訊壓縮 完整專業狀態可寫成： $$ \mathbf E = (e_1,e_2,\ldots,e_n). $$ 但公共語言只保留： $$ \sigma_E = \text{AI Expert}. $$ 因此： $$ \boxed{ I(\sigma_E) \ll I(\mathbf E). } $$ 這與 APET-01 的 AI Referent Collapse 具有同構結構。 --- # 4. 「懂 AI」至少有七種不同意思 最少可以區分： $$ K_T = \text{theoretical understanding}, $$ $$ K_M = \text{model understanding}, $$ $$ K_U = \text{usage knowledge}, $$ $$ K_E = \text{engineering knowledge}, $$ $$ K_D = \text{deployment knowledge}, $$ $$ K_A = \text{agentic workflow knowledge}, $$ $$ K_G = \text{governance knowledge}. $$ 所以： $$ \boxed{ \text{understands AI} } $$ 本身仍然需要解參照。 --- # 5. 古典 AI 專家與現代 Agent 專家不是同一專業 一位研究： $$ \text{search} + \text{planning} + \text{state machine} $$ 的專家，可能對： $$ \text{LLM agent harness} $$ 並不熟。 反之，一位非常擅長： $$ \text{tool use} + \text{coding agents} + \text{agent orchestration} $$ 的工程師，也可能並不熟悉： $$ \text{knowledge representation} $$ 或： $$ \text{symbolic planning theory}. $$ 兩者都可以是 AI 專家，但： $$ \mathbf E_A \neq \mathbf E_B. $$ --- # 6. 歷史範式專業 定義： $$ E_P = \text{Paradigm Expertise}. $$ 可再拆： $$ E_P = ( E_{\mathrm{classical}}, E_{\mathrm{symbolic}}, E_{\mathrm{statistical}}, E_{\mathrm{neural}}, E_{\mathrm{foundation}}, E_{\mathrm{agentic}}, E_{\mathrm{embodied}} ). $$ 一個人可以： $$ E_{\mathrm{symbolic}}\gg0 $$ 但： $$ E_{\mathrm{agentic}}\approx0. $$ --- # 7. 歷史資歷不等於當代全域資歷 如果某人在： $$ t_0 $$ 是前沿 AI 研究者，不代表在： $$ t_1 $$ 仍然對所有新領域保持相同專業。 因此： $$ \boxed{ E(t_0) \not\Rightarrow E(t_1). } $$ 專業能力本身就是時間函數。 --- # 8. Frontier Familiarity Half-Life 本文提出： $$ \boxed{ \tau_F = \text{Frontier Familiarity Half-Life}. } $$ 它表示： > 在不持續更新知識的情況下，一個人在快速演化 AI 子域中的前沿熟悉度下降到原有效水平一半所需的時間。 若某領域變化極快： $$ \tau_F\downarrow. $$ 這描述的是前沿知識的新鮮度，而不是一般智力或過往成就。 --- # 9. Model Expertise 定義： $$ E_M = \text{Model Expertise}. $$ 可包括： - architecture； - pretraining； - tokenization； - optimization； - scaling； - post-training； - reinforcement learning； - distillation； - quantization； - inference。 因此「LLM 專家」本身仍可拆成多個不同專業位置。 --- # 10. LLM 專家也不是一種專業 設： $$ E_{\mathrm{LLM}} = ( E_{\mathrm{arch}}, E_{\mathrm{train}}, E_{\mathrm{post}}, E_{\mathrm{infer}}, E_{\mathrm{eval}}, E_{\mathrm{agent}} ). $$ 兩位都被稱為 LLM expert 的人，可能在某些子空間近乎正交： $$ \mathbf E_1 \cdot \mathbf E_2 \approx0. $$ --- # 11. Modality Expertise 定義： $$ E_L = \text{Modality Expertise}. $$ 可分： $$ E_L = ( E_{\mathrm{text}}, E_{\mathrm{vision}}, E_{\mathrm{audio}}, E_{\mathrm{speech}}, E_{\mathrm{music}}, E_{\mathrm{video}}, E_{\mathrm{3D}}, E_{\mathrm{sensor}} ). $$ 所以： $$ \boxed{ \text{Generative AI Expert} } $$ 仍然不是充分標籤。 --- # 12. 圖像 AI 與文字 AI 不可直接替代 一位很熟 diffusion models 的人，不一定熟 LLM context architecture。 反之亦然。 因此： $$ \boxed{ E_{\mathrm{image}} \not\Rightarrow E_{\mathrm{text}}. } $$ --- # 13. 多模態專家也需要拆 「多模態」可能指： - image-text fusion； - audio-text fusion； - video understanding； - multimodal generation； - sensor fusion； - perception-action integration。 因此： $$ \boxed{ E_{\mathrm{multimodal}} } $$ 仍是一個高維向量。 --- # 14. Agent Expertise 定義： $$ E_A = \text{Agent / Autonomy Expertise}. $$ 可拆： $$ E_A = ( E_{\mathrm{planning}}, E_{\mathrm{tool}}, E_{\mathrm{memory}}, E_{\mathrm{orchestration}}, E_{\mathrm{verification}}, E_{\mathrm{long-horizon}} ). $$ 這些能力與單純模型訓練不同。 --- # 15. 會用 Chat 不等於會設計 Agent 熟悉： $$ \text{prompt-response interaction} $$ 不推出熟悉： $$ \text{stateful action loop}. $$ 因此： $$ \boxed{ \text{Chat Expertise} \not\Rightarrow \text{Agent Expertise}. } $$ --- # 16. 會設計 Agent 也不等於會訓練模型 反之： $$ \boxed{ E_A \not\Rightarrow E_M. } $$ 一個優秀 Agent engineer 可以主要使用現成 foundation models，而沒有大型模型訓練經驗。 --- # 17. Embodiment Expertise 定義： $$ E_B = \text{Embodiment Expertise}. $$ 包含： - robotics； - control； - perception； - sensor fusion； - planning； - actuation； - navigation； - real-time safety。 因此 Embodied AI 專業本身就是跨 AI 與控制／機器人系統的複合專業。 --- # 18. Humanoid 只是 embodiment 的一個子域 $$ E_{\mathrm{humanoid}} \subset E_B. $$ 其他還包括： $$ E_{\mathrm{drone}}, E_{\mathrm{vehicle}}, E_{\mathrm{arm}}, E_{\mathrm{mobile}}, E_{\mathrm{industrial}}. $$ 所以「機器人專家」也不是單一位置。 --- # 19. System Expertise 定義： $$ E_S = \text{System Expertise}. $$ 包括： - runtime； - harness； - serving； - distributed systems； - memory； - tool interfaces； - orchestration； - observability； - failure recovery。 這正是 APET-02 的系統層。 --- # 20. System Expertise 與 Model Expertise 可以高度分離 可能： $$ E_M\gg E_S $$ 或： $$ E_S\gg E_M. $$ 因此： $$ \boxed{ \text{Model Expert} \neq \text{AI Systems Expert}. } $$ --- # 21. Integration Expertise 定義： $$ E_I = \text{Integration Expertise}. $$ 它處理： > AI 如何真正進入產品、工作與組織。 包含： - workflow redesign； - product integration； - human-in-the-loop； - permission design； - process mapping； - organizational change； - ROI； - adoption。 --- # 22. 會做模型不代表會導入企業 若： $$ E_M\gg0 $$ 但： $$ E_I\approx0, $$ 則一個人可能能做很強的模型，卻不熟： - 接流程； - 建權限； - 定責任； - 設 KPI； - 管理使用者行為。 所以： $$ \boxed{ \text{AI Builder} \neq \text{AI Integrator}. } $$ --- # 23. 會導入企業也不代表理解模型前沿 反之： $$ E_I\gg0 $$ 但： $$ E_M $$ 可以只是中等。 這樣的人仍可能是非常強的 AI Integration Expert。 --- # 24. Validation / Safety Expertise 定義： $$ E_V = \text{Validation / Safety Expertise}. $$ 包括： - evaluation； - red teaming； - reliability； - benchmark design； - adversarial testing； - hallucination analysis； - specification compliance； - verification； - safety engineering。 --- # 25. 會建模型不等於會驗模型 $$ E_M \not\Rightarrow E_V. $$ 模型開發者可能非常了解 training dynamics，卻不一定專精 systematic failure discovery。 --- # 26. Governance Expertise 定義： $$ E_G = \text{Governance / Social Expertise}. $$ 包括： - regulation； - law； - standards； - public policy； - labor effects； - institutional design； - accountability； - rights； - social impact。 這類專家不一定寫模型程式，但仍屬 AI 專業生態的重要部分。 --- # 27. 治理專家不是技術模型專家 因此： $$ \boxed{ E_G \not\Rightarrow E_M. } $$ 同樣： $$ E_M \not\Rightarrow E_G. $$ 這是媒體與公共政策最容易忽略的型別差異之一。 --- # 28. AI 專業向量 本文正式定義： $$ \boxed{ \mathbf E_{\mathrm{AI}} = ( E_P, E_M, E_L, E_A, E_B, E_S, E_I, E_V, E_G ). } $$ 每個分量仍可再拆成更細子向量。 因此： $$ \mathbf E_{\mathrm{AI}} \in \mathbb R^n $$ 只是一個最低形式表示。 --- # 29. 專業不是單一分數 不能只寫： $$ E_{\mathrm{AI}}=95. $$ 因為可能： $$ \mathbf E_1 = (95,90,20,10,0,15,5,30,5), $$ 而： $$ \mathbf E_2 = (40,30,50,95,60,90,80,75,20). $$ 誰「比較懂 AI」？ 沒有唯一答案。 --- # 30. Expertise Topology 本文因此提出： $$ \boxed{ \mathcal T_E = \text{AI Expertise Topology}. } $$ 它描述不同專業子域之間的： - 距離； - 鄰接； - 重疊； - 可遷移性； - 更新速度； - 橋接結構。 --- # 31. 專業距離 可概念定義： $$ d_E(E_i,E_j). $$ 如果兩個子域共享大量： - 理論； - 工具； - 資料； - 方法； 則： $$ d_E $$ 較小。 若方法結構非常不同： $$ d_E $$ 較大。 --- # 32. Expertise Transfer Matrix 本文提出： $$ \boxed{ T_{ij} = P( \text{expertise in domain }i \text{ transfers to domain }j ). } $$ 稱為： **Expertise Transfer Matrix**。 中文： **專業遷移矩陣**。 --- # 33. 遷移不是對稱的 可能： $$ T_{ij} \neq T_{ji}. $$ 例如某些強數學與最佳化基礎可以高度遷移到 ML 理論，而某些特定產品操作能力不一定反向遷移到理論研究。 因此： $$ \boxed{ \text{expertise transfer can be directional}. } $$ --- # 34. 專業相鄰與專業正交 若： $$ T_{ij}\gg0, $$ 則可稱： $$ E_i\sim E_j. $$ 這是 expertise adjacency。 若： $$ T_{ij}\approx0 $$ 且： $$ T_{ji}\approx0, $$ 則可概念寫成： $$ E_i\perp E_j. $$ 這是 expertise orthogonality。 --- # 35. AI 專家可以是高度偏科型 一個人： $$ E_M\gg0, $$ 但： $$ E_G\approx0. $$ 完全正常。 另一個： $$ E_G\gg0, $$ 但： $$ E_M\approx0. $$ 也正常。 問題不是偏科，而是： $$ \boxed{ \text{social label hides specialization}. } $$ --- # 36. Authority Projection Error 本文提出： $$ \boxed{ \operatorname{APE} = \text{Authority Projection Error}. } $$ 中文： **權威投射錯誤**。 它指： > 因為某人在 AI 子域 $i$ 是專家，就把其權威投射到 AI 子域 $j$。 形式上： $$ E_i\gg0 $$ 被錯誤解讀為： $$ E_j\gg0. $$ --- # 37. 公共 AI 討論中的權威錯配 例如： 一位頂級 computer vision researcher 被要求作為一般 AI governance 的唯一權威。 或： 一位頂級 AI policy scholar 被當成 LLM architecture 的模型工程權威。 這些人的意見仍然可以有價值。 但： $$ \boxed{ \text{authority source must be typed}. } $$ --- # 38. 學術頭銜不是全域 AI 權威憑證 $$ \text{Professor of AI} $$ 不代表： $$ \forall E_i, \quad E_i\gg0. $$ 它最多支持： $$ \exists E_j $$ 在某些相關子域具有強專業資格。 --- # 39. 企業職稱也一樣 $$ \text{Chief AI Officer} $$ 可能專長： - strategy； - product； - integration； - governance。 並不必然專長： - model architecture； - robotics； - distributed training。 因此： $$ \boxed{ \text{job title} \neq \text{full expertise vector}. } $$ --- # 40. AI Power User 是另一類專業 有些人不研究模型，但長期高強度使用： - frontier chat； - coding agents； - Work； - browser agents； - multi-agent systems。 這會形成： $$ \boxed{ E_U = \text{AI Usage Expertise}. } $$ 它不等於： $$ E_M. $$ --- # 41. 使用專業可以是真正的專業 如果一個人能： - 選對 surface； - 選對模型； - 設定上下文； - 設計驗證； - 控制成本； - 維持多 Agent； - 實際完成複雜工作； 則： $$ E_U\gg0. $$ 這是一種真實能力，而不是 casual use。 --- # 42. 但 Power User 不應冒充模型研究者 因此： $$ \boxed{ E_U \not\Rightarrow E_M. } $$ 同理： $$ E_M \not\Rightarrow E_U. $$ 模型研究者也可能不熟產品 surface 與 Agent 工作流。 --- # 43. AI Native Worker 本文進一步區分： $$ E_N = \text{AI-Native Work Expertise}. $$ 它表示： > 能把工作本身重新設計成適合 AI 協作與 Agent 執行，而不只是把 AI 加到舊流程。 --- # 44. Prompt Expertise 的位置 提示詞能力： $$ E_{\mathrm{prompt}} $$ 是： $$ E_U $$ 的一部分。 但： $$ \boxed{ E_{\mathrm{prompt}} \subsetneq E_U. } $$ 因為 AI 使用還包括： - context； - tools； - verification； - delegation； - orchestration； - workflow design。 --- # 45. Prompt Expert 不等於 AI Expert 可以合理地說 Prompt Expert 是某個互動層的專家。 但如果直接把： $$ \text{Prompt Expert} $$ 等同： $$ \text{AI Expert}, $$ 就再次發生指稱坍縮。 --- # 46. AI Engineer 也不是一種工程師 「AI Engineer」可能指： - data scientist； - ML engineer； - model trainer； - inference engineer； - LLM app engineer； - agent engineer； - AI infra engineer； - robotics engineer； - AI integration engineer。 因此： $$ \boxed{ \text{AI Engineer} } $$ 也需要子類型。 --- # 47. Foundation Model Era 改變了專業結構 當通用模型能力提高： $$ C_M\uparrow, $$ 大量使用者不再需要自己訓練模型。 因此： $$ E_M $$ 不再是所有 AI 工作的唯一入口。 --- # 48. AI 專業從「造模型」分化為「造系統」 過去常見近似： $$ \text{AI expertise} \approx \text{model / algorithm expertise}. $$ 現在更接近： $$ \boxed{ \text{AI expertise} = \text{model} + \text{system} + \text{workflow} + \text{world integration}. } $$ --- # 49. Agent Era 再次改變專業結構 Agent 帶來： $$ E_A, E_S, E_V $$ 的重要性上升。 因為問題不再只是： > 回答對不對。 而是： $$ \boxed{ \text{能不能把任務閉合}.} $$ --- # 50. Embodied Era 又會再改一次 當 AI 進入物理世界： $$ E_B $$ 變得關鍵。 這會引入： - control theory； - mechanics； - real-time systems； - safety； - human factors。 因此： $$ \boxed{ \text{future AI expert ecology} } $$ 會持續擴張。 --- # 51. AI Expert Ecology 本文提出： $$ \boxed{ \mathcal E_{\mathrm{experts}} = \{E_1,E_2,\ldots,E_n\}. } $$ 整個 AI 領域應被理解為： $$ \boxed{ \text{expert ecology} } $$ 而非： $$ \boxed{ \text{single profession}. } $$ --- # 52. 生態系比金字塔更準確 如果使用： $$ E_1>E_2>E_3, $$ 容易滑向「誰比較高級」的單軸排序。 但 AI 專業更多是不同方向。 因此更適合使用： $$ \boxed{ \text{graph / manifold} } $$ 描述。 --- # 53. Expertise Graph 設節點： $$ V_E = \{E_i\}. $$ 邊： $$ w_{ij} = T_{ij}. $$ 則： $$ \boxed{ G_E = (V_E,W_E) } $$ 可以表示 AI Expertise Graph。 --- # 54. Bridge Expertise 有些專家同時位於兩個專業群落之間。 例如： $$ E_M\gg0, \qquad E_S\gg0. $$ 可能形成 model-system bridge。 本文定義： $$ \boxed{ B_E(i,j) = \text{ability to translate between expertise domains }i,j. } $$ --- # 55. 跨域能力不是把兩種知識相加 若： $$ E_i>0, \qquad E_j>0, $$ 不一定： $$ B_E(i,j)>0. $$ 真正橋接需要： $$ \boxed{ \text{translation} + \text{integration} + \text{boundary awareness}. } $$ --- # 56. Meta-AI Expertise 本文定義： $$ \boxed{ E_{\mathrm{meta}} } $$ 表示： > 能辨識 AI 各專業子域邊界、關係與自身知識限制。 它不是「全部都懂」。 而是： $$ \boxed{ \text{knowing the topology of expertise}. } $$ --- # 57. Meta Expertise 可以降低權威投射 如果： $$ E_{\mathrm{meta}}\uparrow, $$ 一個專家更可能知道： > 這不是我的子域。 因此： $$ \operatorname{APE}\downarrow. $$ --- # 58. 專家的重要能力之一是知道自己不在哪裡 所以專業不只包括： $$ \text{what one knows}. $$ 還包括： $$ \boxed{ \text{accurate boundary awareness}. } $$ --- # 59. Expertise Calibration 定義概念式： $$ \boxed{ K_E = 1- |\hat E-E|. } $$ 表示： > 自我評估與實際專業能力之間的校準程度。 高能力低校準仍可能導致跨域過度自信。 --- # 60. Public Authority Weight 若媒體給某人： $$ A_P = \text{public authority weight}, $$ 理想上： $$ A_P \propto E_i $$ 只在相關子域 $i$ 成立。 但實際常被擴張成： $$ A_P \rightarrow \text{global AI authority}. $$ 這就是權威投射錯誤。 --- # 61. 名氣、引用與職位不是完整 Expertise Vector 設： $$ F= \text{fame}, $$ $$ C= \text{citations}, $$ $$ J= \text{job title}. $$ 它們都可能提供資訊。 但： $$ \boxed{ F,C,J \neq \mathbf E_{\mathrm{AI}}. } $$ --- # 62. AI Expert State Vector 本文提出： $$ \boxed{ \mathbf X_E(t) = ( \mathbf E_{\mathrm{AI}}, E_U, E_N, E_{\mathrm{meta}}, K_E, t ). } $$ 稱為： **AI Expert State Vector**。 中文： **AI 專家態向量**。 --- # 63. 專業是動態狀態 $$ \mathbf X_E(t_0) \neq \mathbf X_E(t_1) $$ 完全正常。 人可以： - 學習； - 退離前沿； - 轉領域； - 增加 bridge expertise； - 增加 meta expertise。 --- # 64. Cross-Domain Expertise Decay 設一個人在主領域： $$ E_i. $$ 對距離為： $$ d_E(i,j) $$ 的子域，其可遷移專業可概念化為： $$ \boxed{ E_{i\rightarrow j} = E_i e^{-\lambda d_E(i,j)}. } $$ 這不是固定自然定律，而是一個可驗證的衰減模型。 --- # 65. 距離越遠，不能直接借權威 若： $$ d_E(i,j)\uparrow, $$ 則： $$ E_{i\rightarrow j}\downarrow. $$ 因此： $$ \boxed{ \text{domain distance should attenuate authority}. } $$ --- # 66. 但 Bridge Expertise 可以降低有效距離 若： $$ B_E(i,j)\uparrow, $$ 則有效距離： $$ d_E^{\ast}(i,j) < d_E(i,j). $$ 所以真正的跨域專家確實存在。 只是不能假設所有 AI 專家都是跨域專家。 --- # 67. 一個 AI 專家的最低公開描述 比起： > AI expert. 更有資訊量的是： > AI systems expert specializing in agent runtimes, tool use, memory, and long-horizon verification. 或： > Foundation-model researcher specializing in post-training and evaluation. 核心是： $$ \boxed{ \text{expert label should preserve domain information}. } $$ --- # 68. Expert Label Resolution Protocol 本文提出最低解析格式： $$ \boxed{ \operatorname{ExpertID} = (D,L,R,T). } $$ 其中： - $D$：Domain； - $L$：Layer； - $R$：Role； - $T$：Time relevance。 --- # 69. Domain 例如： $$ D \in \{ \text{LLM}, \text{vision}, \text{robotics}, \text{agents}, \text{safety}, \text{governance} \}. $$ --- # 70. Layer 例如： $$ L \in \{ \text{theory}, \text{model}, \text{system}, \text{integration}, \text{institution} \}. $$ --- # 71. Role 例如： $$ R \in \{ \text{researcher}, \text{engineer}, \text{operator}, \text{integrator}, \text{evaluator}, \text{governance scholar} \}. $$ --- # 72. Time relevance $$ T = \text{active frontier familiarity}. $$ 因為一個人在 2018 年具備前沿深度學習專業，不能無條件推出其對 2026 年 Agent frontier 仍同樣熟悉。 --- # 73. AI 專家分類不是排位 本文強調： $$ \boxed{ \text{Expertise Topology} \neq \text{Expert Ranking}. } $$ 目的不是說哪類專家更高級。 而是： > 哪一類專業適合回答哪一種問題？ --- # 74. 問題—專家匹配 設問題： $$ Q. $$ 其所需專業向量： $$ \mathbf E_Q. $$ 專家： $$ \mathbf E_i. $$ 可定義匹配度： $$ \boxed{ M(Q,E_i) = \operatorname{sim} ( \mathbf E_Q, \mathbf E_i ). } $$ --- # 75. 專家是否合適應看匹配，而不是標籤 因此： $$ \boxed{ E^{\ast}(Q) = \arg\max_i M(Q,E_i). } $$ 而不是： $$ \arg\max_i \text{fame}(E_i). $$ --- # 76. AI 治理尤其需要多專家系統 治理問題可能同時要求： $$ E_M, E_S, E_V, E_G. $$ 單一專家不一定覆蓋。 因此： $$ \boxed{ \text{AI governance} } $$ 天然更適合： $$ \boxed{ \text{multi-expert architecture}. } $$ --- # 77. 多專家不代表人數越多越好 需要的是： $$ \boxed{ \text{coverage} + \text{low redundancy} + \text{bridge capacity}. } $$ 可定義： $$ \boxed{ C_E = \frac{ |\text{required expertise dimensions covered}| }{ |\text{required dimensions}| }. } $$ --- # 78. AI 公司招聘問題 職缺只寫： > AI Expert Wanted 資訊不足。 真正需要的是： $$ \boxed{ \mathbf E_Q. } $$ 例如： - model fine-tuning； - agent orchestration； - enterprise integration； - robotics control。 這些是不同職缺。 --- # 79. Expert Label Mismatch 若： $$ \mathbf E_{\mathrm{candidate}} $$ 與： $$ \mathbf E_Q $$ 低匹配，卻因為「AI expert」標籤被視為適任，則形成： $$ \boxed{ \text{Expert Label Mismatch}. } $$ --- # 80. AI 教育也需要多軌化 「學 AI」可能是： $$ \text{AI literacy}, $$ $$ \text{AI usage}, $$ $$ \text{ML engineering}, $$ $$ \text{model research}, $$ $$ \text{agent engineering}, $$ $$ \text{robotics}, $$ $$ \text{governance}. $$ 所以： $$ \boxed{ \text{AI education} } $$ 也不是單一路徑。 --- # 81. 一般人的 AI 素養不必等於研究專業 普通人不需要： $$ E_M\gg0. $$ 但可能需要： $$ E_U, E_{\mathrm{meta}}, K_E $$ 達到一定水平。 也就是： - 知道不同 AI； - 知道限制； - 知道怎麼驗； - 知道何時找真正對口專家。 --- # 82. AI Literacy Topology 因此未來 AI 素養可以表示： $$ \boxed{ \mathbf L_{AI} = ( L_{\mathrm{object}}, L_{\mathrm{usage}}, L_{\mathrm{verification}}, L_{\mathrm{risk}}, L_{\mathrm{expert-selection}} ). } $$ --- # 83. 最重要的素養之一：知道「AI 專家」不夠 如果一般人學會問： > 哪一類 AI 專家？ 就已經避免大量： $$ \operatorname{APE}. $$ --- # 84. 專家共識也要先做型別分離 若十位「AI 專家」同意某件事，需要知道： $$ \{ \mathbf E_1, \ldots, \mathbf E_{10} \}. $$ 如果十人都來自同一子域，則只支持： $$ \boxed{ \text{domain-local consensus}. } $$ 不自動等於： $$ \boxed{ \text{whole-field consensus}. } $$ --- # 85. 共識的拓撲 定義： $$ C_{\mathrm{consensus}}(D) $$ 表示： > 在子域 $D$ 內的共識程度。 因此「AI expert consensus」本身也應該帶： $$ D. $$ --- # 86. 跨域爭議可能只是專業座標不同 研究者 A： $$ \mathbf E_A $$ 與研究者 B： $$ \mathbf E_B $$ 若差異很大，可能對同一 AI 現象看到完全不同的風險或機會。 這不一定表示 A 或 B 不專業。 而可能是： $$ \boxed{ \text{different projections of a high-dimensional object}. } $$ --- # 87. 專業衝突不一定能靠投票解決 如果問題： $$ Q $$ 跨多子域，需要先分解： $$ Q \rightarrow \{Q_1,\ldots,Q_n\}. $$ 再匹配： $$ Q_i \rightarrow E_i. $$ 而不是： > 找十個 AI 專家投票。 --- # 88. AI 專家與時代拓撲 不同專家本身也處在不同： $$ \mathbf e_i(t). $$ 一個專家可能在 symbolic AI frontier 極強，但尚未進入 agentic frontier。 這不是簡單的「落後」。 而是： $$ \boxed{ \text{different epoch-vector direction}. } $$ --- # 89. 專家也可能跨時代並存 同在 2026： $$ E_{\mathrm{classical}} $$ 仍然有效。 $$ E_{\mathrm{symbolic}} $$ 仍然有效。 $$ E_{\mathrm{foundation}} $$ 快速發展。 $$ E_{\mathrm{agentic}} $$ 快速擴張。 因此： $$ \boxed{ \text{AI expertise history} \neq \text{replacement history}. } $$ --- # 90. 舊專業可能重新變重要 例如 planning 在 Agent 時代可能重新上升。 Symbolic constraints 也可能與 neural systems 再次融合。 所以： $$ \boxed{ \text{old expertise} \not\Rightarrow \text{obsolete expertise}. } $$ --- # 91. 專業價值是情境函數 定義： $$ V_E = F(E_i,X,t). $$ 某專業在： $$ t_0 $$ 可能低需求，在： $$ t_1 $$ 重新重要。 --- # 92. AI Expert State 需要版本化 可以表示： $$ \boxed{ \mathbf X_E^{(t)}. } $$ 而不是一生固定： > AI expert. 因為： $$ \mathbf E(t) $$ 會變。 --- # 93. 去中心化專業證據 未來專業判斷不一定需要單一中央認證。 可以使用： $$ \boxed{ \text{claims} + \text{artifacts} + \text{track record} + \text{peer evidence}. } $$ 例如： - papers； - repos； - deployments； - evals； - successful systems。 --- # 94. Expert Claim Provenance 對專業聲稱： $$ C_E $$ 可保存： $$ \boxed{ P_E = \text{provenance of expertise claim}. } $$ 這比單純頭銜更可驗證。 --- # 95. AI 時代的實作型專業可能被低估 某些人沒有傳統學術頭銜，但： $$ E_A, E_S, E_U $$ 非常高。 如果只看 degree/title，可能低估其實際 AI system expertise。 --- # 96. 反過來也不能因實作強就外推全部 AI 如果： $$ E_A,E_S\gg0, $$ 不代表： $$ E_M,E_G\gg0. $$ 所以仍須： $$ \boxed{ \text{typed expertise}. } $$ --- # 97. AI 專業多樣性會隨 AI 多態增加 APET-01 指出： $$ |\mathfrak A|\uparrow. $$ 則通常： $$ |\mathfrak E|\uparrow, $$ 其中： $$ \mathfrak E $$ 是 AI 專業空間。 因此： $$ \boxed{ \text{AI polymorphism} \rightarrow \text{expertise polymorphism}. } $$ --- # 98. 對象空間與專業空間耦合 可以寫： $$ \boxed{ \Phi: \mathfrak A \rightarrow \mathfrak E. } $$ 每當出現新的 AI 對象類型： $$ A_{n+1}, $$ 就可能生成新的專業需求： $$ E_{n+1}. $$ --- # 99. Agent 生成了新的專業層 當： $$ A_{\mathrm{agent}} $$ 出現，就需要： $$ E_{\mathrm{orchestration}}, E_{\mathrm{memory}}, E_{\mathrm{verification}}, E_{\mathrm{tool}}, E_{\mathrm{permission}}. $$ 這些不是以前全部都有清楚職稱。 --- # 100. 工程先行於分類 新專業往往先被做出來，後來才有名字。 因此： $$ \boxed{ \text{Engineering} \rightarrow \text{practice cluster} \rightarrow \text{new expertise label}. } $$ 這是 AI 快速演化時代的正常現象。 --- # 101. 「AI 專家」未來可能像「醫生」一樣需要子科 我們不會只說： > 他是醫生，所以所有病都一樣懂。 會繼續問： - 心臟科； - 神經科； - 外科； - 放射科。 同理： $$ \boxed{ \text{AI Expert} } $$ 可能逐步變成一個上位職業類別。 --- # 102. AI 的跨域性甚至比單一傳統專業更複雜 因為 AI 同時橫跨： - mathematics； - computer science； - statistics； - control； - robotics； - HCI； - law； - economics； - sociology。 所以： $$ \boxed{ \mathfrak E_{AI} } $$ 更接近多域拓撲，而不是一個單一科系。 --- # 103. 專家分類的目的不是排除 APET-03 不主張： > 只有某些人可以談 AI。 任何人都可以提出 claim。 問題是： $$ \boxed{ \text{how much authority should the claim receive in which domain?} } $$ --- # 104. Claim-Expertise Matching 設聲明： $$ q. $$ 其需求專業： $$ \mathbf E_q. $$ 發言者： $$ \mathbf E_s. $$ 定義： $$ \boxed{ A(q,s) = \operatorname{sim} ( \mathbf E_q, \mathbf E_s ). } $$ 它表示： > 這個人對這個具體聲明的專業匹配度。 --- # 105. 一個人在不同問題上的 Authority 不同 同一個人： $$ s $$ 對： $$ q_1 $$ 可能： $$ A(q_1,s)\gg0. $$ 對： $$ q_2 $$ 可能： $$ A(q_2,s)\ll1. $$ 因此： $$ \boxed{ \text{authority is claim-relative}. } $$ --- # 106. AI 專家不是本體身份 $$ \boxed{ \text{AI Expert} } $$ 不是一種固定人格或本體。 而是： $$ \boxed{ \text{a relation between a person, a knowledge domain, a task, and a time}. } $$ --- # 107. 專業關係式 可以寫： $$ \boxed{ \operatorname{Expert}(p,D,X,t). } $$ 表示： > 人 $p$ 在時間 $t$ 對領域 $D$ 與任務類型 $X$ 具有專業能力。 這比： $$ \operatorname{Expert}(p) $$ 更精確。 --- # 108. AI Expert Collapse 與媒體語言 媒體為了簡化： $$ \text{expert in X} \rightarrow \text{AI expert}. $$ 這在標題層面可以理解。 但若後續把： $$ \text{AI expert} $$ 再轉成： $$ \text{authority on all AI}, $$ 就出現二次坍縮。 --- # 109. 二次坍縮 第一層： $$ E_i \rightarrow \text{AI Expert}. $$ 第二層： $$ \text{AI Expert} \rightarrow \text{Authority on all AI}. $$ 因此： $$ \boxed{ \text{compression} + \text{authority expansion}. } $$ --- # 110. APET-03 的核心命題 本文最後收束為五個命題。 第一： $$ \boxed{ \text{AI Expertise} \neq \text{One Expertise}. } $$ 第二： $$ \boxed{ \text{Expert in }A_i \not\Rightarrow \text{Expert in }A_j. } $$ 第三： $$ \boxed{ \text{Expertise is vector-valued and time-dependent}. } $$ 第四： $$ \boxed{ \text{Authority should decay with domain distance unless bridge expertise exists}. } $$ 第五： $$ \boxed{ \text{Expertise should be matched to claims, not generalized from labels}. } $$ --- # 111. 與 APET-01、APET-02 的統合 APET-01： $$ \boxed{ \text{AI} \neq \text{One Object}. } $$ APET-02： $$ \boxed{ \text{One Model} \neq \text{One Effective Intelligence}. } $$ APET-03： $$ \boxed{ \text{AI Expertise} \neq \text{One Expertise}. } $$ 三者組合後： $$ \boxed{ \text{object polymorphism} \rightarrow \text{system polymorphism} \rightarrow \text{expertise polymorphism}. } $$ --- # 112. 結論 「AI 專家」是一個方便的上位稱呼，但已不足以支撐高強度判斷。 一位研究古典搜尋、規劃與符號推理的人，可以是 AI 專家。 一位研究 foundation model 訓練與 post-training 的人，可以是 AI 專家。 一位研究 Agent runtime、memory、tools、verification 的人，可以是 AI 專家。 一位研究具身機器人、控制與感測融合的人，也可以是 AI 專家。 一位研究 AI 法律、治理與制度的人，仍然可以是 AI 專家。 問題在於： $$ \boxed{ \text{這些「AI 專家」不是同一種專家。} } $$ 因此未來聽到： > 他是 AI 專家。 第一個問題不應該是： > 那他是不是很懂 AI？ 而應該是： $$ \boxed{ \text{Expert in which AI domain?} } $$ 接著： $$ \boxed{ \text{At which layer?} } $$ 再問： $$ \boxed{ \text{For which task and how recently?} } $$ 這不是對專家的不信任。 反而是對專業本身更精確的尊重。 APET-03 的最終命題是： $$ \boxed{ \text{Expertise is not a label attached to a person; it is a typed, time-dependent relation between a person and a problem space.} } $$ 中文： > **專業不是貼在人身上的固定標籤，而是人與特定問題空間之間，一個有型別、會隨時間改變的能力關係。** --- # 後續論文 **APET-04｜ChatGPT 可視域事件——AI 如何從隱形基礎設施變成大眾社會對象** 預計處理： $$ \boxed{ \text{AI Visibility} \neq \text{AI Existence}. } $$ 與： $$ \boxed{ \text{Visible AI} \rightarrow \text{Prototype Capture}. } $$ 並正式展開： $$ \operatorname{AI Visibility Capture} $$ 與： $$ \operatorname{Chatbot Epoch Illusion}. $$