# 《有限的人類載體——為什麼論文、程式與形式證明不能成為知識承接的終點》 ## 《AI 時代數學傳承工程論》03 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-10-07（整理日期；原稿未標註日期） **版本：** 原稿未標註（本次整理版） ### 摘要 AI 時代的前沿數學正在產生愈來愈多異質性知識載體：論文、程式、資料、計算證書、形式化證明、依賴圖、版本紀錄、對話式推導與機器生成的輔助解釋。這些產物提高了可驗證性與可重現性，卻同時暴露出一個長期被數學制度隱含處理、如今愈來愈難忽略的問題：**人類認知載體本身是有限的。** 一個人無法無限制地閱讀所有原始論文、追溯全部引用、檢查所有程式、理解全部形式證明並重建完整歷史背景。若數學傳承仍把「真正理解」默認為直接消化全部原始物，那麼當 AI 加速知識產生後，前沿數學的總認知負擔將快速超過個體可承受預算。本文因此提出「認知載體預算」、「承接負荷」、「直接理解極限」、「分散式理解」、「重建式理解」與「認知轉譯層」等概念，並主張：**論文、程式與形式證明是知識證據層與高解析載體，但不應被視為文明傳承的唯一終點。** 真正可持續的數學傳承，需要從「原始物中心」轉向「可重建知識中心」：保留完整原始證據，同時建立不同認知預算可進入的投影層、依賴圖、摘要結晶、視覺模型、教學模組與逐層回升路徑。AI 的重要角色因此不只是生成更多數學，而是把超出單一人類載體容量的知識重新編譯成可分層承接、可驗證回溯與可重新進入的文明記憶結構。 --- ## 關鍵詞 有限認知載體、AI 數學、認知預算、知識承接、數學傳承、形式證明、可重建性、分散式理解、知識投影、文明記憶 --- # 1. 數學知識從來不是只存在於一個人的腦中 數學常被描述成高度抽象、可形式化、可跨世代保存的知識體系。 但這容易讓人忽略一個事實： $$ \boxed{ \text{Mathematics may be transpersonal, but every human carrier is finite.} } $$ 也就是： > 數學可以超越個體， > 但任何單一人類都不能完整承載整個數學。 一名研究者受到： - 時間； - 注意力； - 工作記憶； - 長期記憶； - 領域訓練； - 語言； - 工具熟悉度； - 生理與職涯長度； 限制。 因此，真正的數學文明一直都不是： $$ \text{One Mind} \rightarrow \text{All Mathematics}. $$ 而是： $$ \boxed{ \text{Many Finite Carriers} + \text{External Artifacts} + \text{Institutional Memory} } $$ 共同維持的分散式系統。 AI 只是讓這個事實變得再也無法被忽略。 --- # 2. 原始物越多，不等於可理解性越高 現代數學成果可能同時包含： - 論文； - supplementary material； - 程式碼； - 數值實驗； - proof assistant repository； - theorem dependencies； - data； - machine-generated certificates； - 討論紀錄； - 多版本修訂。 這些東西都可能提高： $$ \text{Reproducibility} $$ 或： $$ \text{Verifiability}. $$ 但它們同時也增加： $$ \text{Cognitive Load}. $$ 因此存在一個重要區分： $$ \boxed{ \text{Evidence Richness} \neq \text{Human Comprehensibility}. } $$ 一個成果可以具有前所未有的證據完備度， 卻比以前更難讓單一人類直接完整理解。 --- # 3. 認知載體預算 設一名人類載體 $h$ 在某段時間內可投入某一數學成果的有效認知資源為： $$ B_H(h). $$ 可粗略拆為： $$ B_H = B_t + B_a + B_m + B_d + B_u, $$ 其中： - $B_t$：時間預算； - $B_a$：注意力預算； - $B_m$：記憶容量； - $B_d$：領域知識； - $B_u$：工具使用能力。 這不是說這些量真的可以簡單線性相加， 而是強調： $$ \boxed{ B_H<\infty. } $$ 也就是： > 人類理解不是無限頻寬通道。 這個有限性不因研究者非常聰明而消失。 前沿數學家也只是擁有更高的特定領域有效預算， 而不是無限預算。 --- # 4. 一項數學成果的承接負荷 設一項成果為： $$ M. $$ 若要完整直接承接它， 可能需要處理： $$ L(M) = L_P + L_R + L_C + L_F + L_H + L_S, $$ 其中： - $L_P$：paper load，論文閱讀負荷； - $L_R$：reference load，引用與依賴負荷； - $L_C$：code/computation load，程式與計算負荷； - $L_F$：formalization load，形式證明負荷； - $L_H$：historical load，歷史脈絡負荷； - $L_S$：semantic load，概念與語義負荷。 當： $$ L(M)\le B_H, $$ 直接完整理解可能可行。 但當： $$ \boxed{ L(M)>B_H, } $$ 則個體必須採用： - 抽象； - 壓縮； - 委託； - 工具輔助； - 分工； - 層級化理解； 才能承接成果。 這不是偷懶。 而是有限載體下的必要策略。 --- # 5. 「全部親自看完」不是可擴展標準 在某些知識文化中，容易產生一種隱含規範： > 真正理解的人，應該親自讀完原始論文、親自檢查所有程式、親自確認完整 proof chain。 對某些關鍵工作，這當然值得。 但作為普遍標準，它不可擴展。 假設每一項重要結果都需要： $$ t_M $$ 小時才能完整承接， 而每年新增重要成果數為： $$ n_M. $$ 則總時間需求： $$ T_{\text{required}} = n_Mt_M. $$ 當 AI 使： $$ n_M\uparrow\uparrow, $$ 即使： $$ t_M\downarrow $$ 一些， 也完全可能： $$ T_{\text{required}}>T_{\text{available}}. $$ 因此： $$ \boxed{ \text{Direct Total Consumption} } $$ 不能成為 AI 時代的文明級傳承模式。 --- # 6. 理解需要被拆成不同層級 「理解」不是一個單一布林值。 不是： $$ \text{Understand}=0 $$ 或： $$ \text{Understand}=1. $$ 至少可以區分： ## L0：定位理解 知道： > 這項成果在處理什麼？ --- ## L1：直觀理解 知道： > 為什麼這個問題存在？ > 核心想法大概是什麼？ --- ## L2：結構理解 知道： > 主要定義、依賴與方法之間怎麼連接？ --- ## L3：操作理解 能： - 使用結果； - 推導部分後果； - 重現關鍵步驟。 --- ## L4：證明理解 能夠： > 審查主要 proof architecture。 --- ## L5：形式重建 能進入： - 全部 technical assumptions； - code； - proof assistant； - formal certificates。 因此： $$ \boxed{ U_0\neq U_1\neq U_2\neq U_3\neq U_4\neq U_5. } $$ 不同人、不同任務需要不同理解深度。 要求所有人都達到 $U_5$， 並不是傳承。 而是把最高解析度當成唯一合法解析度。 --- # 7. 任務充分理解 本文提出： # 任務充分理解 $$ U_T(h,M,\tau), $$ 其中： - $h$：理解者； - $M$：知識成果； - $\tau$：任務。 核心問題不是： > 這個人有沒有百分之百吃完整套成果？ 而是： > **對他現在要完成的任務而言，理解是否足夠？** 例如： 一名公眾： $$ \tau=\text{understand significance} $$ 可能只需要： $$ U_1. $$ 本科生： $$ \tau=\text{enter the field} $$ 可能需要： $$ U_2. $$ 研究者： $$ \tau=\text{build upon result} $$ 可能需要： $$ U_3\sim U_4. $$ 形式驗證者： $$ \tau=\text{kernel-level verification} $$ 才可能需要： $$ U_5. $$ 因此： $$ \boxed{ \text{Maximum Understanding} \neq \text{Required Understanding for Every Task}. } $$ --- # 8. 論文是高解析載體，不是唯一入口 論文有重要功能： - 固定 claim； - 保存 argument； - 提供 citation； - 建立可追蹤的學術紀錄； - 提供高密度專業溝通。 但論文通常是： $$ \boxed{ \text{Expert-to-Expert Compression Format}. } $$ 它的寫作假設常常是： > 讀者已經知道很多東西。 因此論文非常適合： $$ N_3\leftrightarrow N_3 $$ 或： $$ N_4\leftrightarrow N_4. $$ 卻未必適合： $$ N_4\rightarrow N_1. $$ 這不是論文失敗。 而是載體用途不同。 真正的錯誤是： $$ \boxed{ \text{把論文的存在，誤認成傳承已完成}. } $$ --- # 9. 程式也是證據，不等於理解 現代數學愈來愈依賴： - simulation； - symbolic computation； - numerical verification； - data pipeline； - executable artifact。 程式可以提高： $$ \text{Operational Reproducibility}. $$ 但： $$ \boxed{ \text{Executable} \neq \text{Self-Explanatory}. } $$ 一個 repository 可以完全正確， 卻需要極高的： - software knowledge； - environment knowledge； - dependency knowledge； - mathematical background； 才能真正理解。 因此： $$ \boxed{ \text{Code Availability} \neq \text{Cognitive Availability}. } $$ --- # 10. 形式證明同樣不是傳承終點 形式化證明具有極強的局部可靠性價值。 若 proof assistant kernel 接受某個 proof term， 我們得到： $$ \boxed{ \text{Kernel-Valid} } $$ 這是非常有價值的證據。 但仍然有： $$ \text{Kernel-Valid} \neq \text{Human-Readable} $$ 以及： $$ \text{Kernel-Valid} \neq \text{Pedagogically-Complete}. $$ 甚至還需要區分： $$ \boxed{ \text{Kernel-Valid} \neq \text{Formalization-Correct} \neq \text{Intent-Aligned} \neq \text{Mathematically-Substantive}. } $$ 因此形式證明應該被視為： $$ \boxed{ \text{high-resolution verification layer} } $$ 而不是： $$ \boxed{ \text{universal human transmission layer}. } $$ --- # 11. AI 會讓高解析 artifact 暴增 在 AI 時代， 生成： - code； - proof； - formalization； - explanation； - alternative proof； - certificates； 的成本快速下降。 假設： $$ C_G = \text{Generation Cost}, $$ 則： $$ C_G\downarrow. $$ 但人類閱讀成本： $$ C_R = \text{Human Review Cost} $$ 不一定同比例下降。 因此： $$ \boxed{ \frac{\text{Generated Artifacts}} {\text{Human Review Capacity}} \uparrow. } $$ 這形成： # 認知審查缺口 $$ G_{CR}. $$ 也就是： > 我們能產生的東西，比我們能完整讀懂的東西多得多。 這將成為 AI 數學的重要結構性問題。 --- # 12. 分散式理解不是假的理解 若單一人類無法承載全部內容， 文明並不因此失去理解。 可以存在： $$ \boxed{ \text{Distributed Understanding}. } $$ 例如： - A 理解 theorem structure； - B 理解 formalization； - C 理解 computation； - D 理解歷史脈絡； - E 理解教育轉譯。 整體文明形成： $$ U_C(M) = \bigcup_i U_i(M). $$ 因此： $$ \boxed{ \text{Civilizational Understanding} \neq \text{Single-Mind Total Understanding}. } $$ 這個 distinction 在 AI 時代特別重要。 否則我們會把「沒有一個人全部讀完」誤判成： > 沒有人理解。 這是不成立的。 --- # 13. 但分散式理解需要可重建接口 分工本身不夠。 如果 A、B、C、D 各自知道一部分， 但彼此之間不能對接， 那只是知識碎片化。 因此真正需要： $$ \boxed{ \text{Reconstruction Interfaces}. } $$ 例如： - dependency graph； - claim map； - proof map； - concept map； - provenance； - version history； - semantic anchors； - translation layers。 讓不同局部理解可以： $$ U_i \leftrightarrow U_j. $$ 這樣文明才能形成： $$ \boxed{ \text{Distributed but Reconstructable Knowledge}. } $$ --- # 14. 從「儲存知識」轉向「儲存重建路徑」 傳統知識保存常問： > 檔案還在不在？ AI 時代更重要的問題是： > **未來的人還能不能重新進入這個知識？** 因此： $$ \text{Archive} $$ 不應只保存： $$ \text{Artifact}. $$ 還應保存： $$ \boxed{ \text{Re-entry Path}. } $$ 例如： $$ \text{Result} \rightarrow \text{Prerequisites} \rightarrow \text{Concepts} \rightarrow \text{Examples} \rightarrow \text{Proof Structure} \rightarrow \text{Formal Detail}. $$ 真正的文明記憶不是： > 我們留下了檔案。 而是： > 我們留下了重新理解檔案的方法。 --- # 15. 認知轉譯層 本文因此提出： # 認知轉譯層 $$ CTL = \text{Cognitive Translation Layer}. $$ 其位置介於： $$ \text{Raw Frontier Artifacts} $$ 與： $$ \text{Human Cognitive Carriers} $$ 之間。 形式上： $$ \boxed{ \text{Paper / Code / Formal Proof} \rightarrow CTL \rightarrow \text{Human Learner}. } $$ CTL 的任務包括： - 摘要； - prerequisite detection； - concept extraction； - audience modeling； - difficulty adaptation； - visual projection； - example generation； - guided explanation； - fidelity tracking； - source back-linking。 它不是用來取代原始物。 而是讓人類有能力決定： > 我要不要、以及如何進一步進入原始物。 --- # 16. 投影不是簡化，而是頻寬匹配 如果一個人只有有限認知頻寬： $$ W_H, $$ 而原始成果資訊密度為： $$ D_M, $$ 當： $$ D_M>W_H, $$ 直接輸入就會失敗。 傳承工程需要的是： $$ \Pi_i(M) $$ 使： $$ D_{\Pi_i(M)} \le W_H. $$ 但同時維持： $$ \text{Fidelity}(\Pi_i(M),M) $$ 在任務需要的範圍內足夠高。 因此： $$ \boxed{ \text{Projection} = \text{Bandwidth Matching under Fidelity Constraint}. } $$ 這比「把東西講簡單」更準確。 --- # 17. AI 最適合做的不是替人類假裝全懂 AI 很容易被誤用成： > 幫我總結，所以我好像懂了。 這會產生新的理解幻覺。 真正更合理的角色是： $$ \boxed{ \text{AI as Adaptive Reconstruction Mediator}. } $$ 它應該告訴使用者： - 你現在理解到哪一層； - 哪些部分被省略； - 哪些是類比； - 哪些是假設； - 哪些需要回原文； - 哪些需要形式驗證； - 下一步應該補什麼。 也就是： $$ \boxed{ \text{Compression with Epistemic Labels}. } $$ 而不是無標記壓縮。 --- # 18. 有限載體不等於降低標準 承認人類有限， 不是主張： > 大家不用懂數學了。 相反地， 正因載體有限， 更需要精確區分： - 哪些理解是必要的； - 哪些可以委託； - 哪些一定要親自重建； - 哪些只需保持可回溯； - 哪些是高風險 claim，需要更深驗證。 所以： $$ \boxed{ \text{Finite Carrier} \not\Rightarrow \text{Lower Rigor}. } $$ 更合理的是： $$ \boxed{ \text{Finite Carrier} \Rightarrow \text{Better Allocation of Cognitive Effort}. } $$ --- # 19. 從知識擁有轉向知識可重建 AI 時代可能需要重新定義「文明擁有一項數學知識」的意思。 不是： $$ \text{Some PDF exists}. $$ 也不是： $$ \text{Some machine has verified it}. $$ 而是至少： $$ \boxed{ \text{The knowledge can be located, projected, reconstructed, checked, and re-entered}. } $$ 可寫成： $$ K_{\text{civilizational}} = ( A, P, R, V, E ), $$ 其中： - $A$：availability； - $P$：projection； - $R$：reconstructability； - $V$：verifiability； - $E$：entry path。 少掉任何一個， 都可能讓知識只剩： > 存在， 卻不再真正： > 可被繼承。 --- # 20. 結論 AI 時代的數學成果將愈來愈富含： - 論文； - 程式； - 證明； - 形式證書； - 計算； - 依賴； - 多版本 artifact。 這是一種進步。 但若因此假定： > 只要原始物更完整，傳承自然就會更完整， 那就是錯誤的。 因為： $$ \boxed{ \text{Artifact Completeness} \neq \text{Cognitive Carryability}. } $$ 任何人類載體都有： $$ B_H<\infty. $$ 當： $$ L(M)>B_H, $$ 文明就必須依靠： - 分層理解； - 分散式理解； - 認知轉譯； - 投影； - 重建接口； - re-entry path。 因此： $$ \boxed{ \text{Paper} \neq \text{Transmission Endpoint}, } $$ $$ \boxed{ \text{Code} \neq \text{Transmission Endpoint}, } $$ $$ \boxed{ \text{Formal Proof} \neq \text{Transmission Endpoint}. } $$ 它們是重要的高解析知識層。 但文明真正需要的是： $$ \boxed{ \text{High-Resolution Evidence} + \text{Low-Barrier Entry} + \text{Reconstructable Paths}. } $$ 前沿數學不應被削平。 人類載體也不可能被假裝成無限。 真正的傳承工程， 是在兩者之間建造足夠好的橋。