# 《當證據變得太便宜——證書義務膨脹與數學驗證軍備競賽》

## 《AI 時代數學傳承工程論》09

**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 時代正在快速降低數學證明、形式化、計算驗證、來源追蹤、依賴分析與多模型審查的成本。從技術角度看，這是一個巨大進步：更多成果可以被驗證、更容易被重現，也更容易被組織成高密度證據包。然而，當證據生成成本下降時，制度不一定只獲得「更可靠的數學」；它也可能產生新的規範壓力，使原本可選的證書逐步轉化為預期、常態，最後成為發表、評價與可信度競爭中的隱性義務。

本文提出「證書義務膨脹」（Certificate-Obligation Inflation）、「數學驗證軍備競賽」（Mathematical Verification Arms Race）、「自動化負擔反彈」（Automation Burden Rebound）與「證書回歸」（Certificate Regress）等概念，分析一條可能的制度鏈：AI 使證書變便宜，部分研究者開始附加更多 formal proof、computation、provenance、semantic audit 與 independent verification；這些額外證據成為品質訊號後，其他研究者被迫跟進；當整體標準上升後，原本節省下來的驗證成本被新的合規要求重新吞噬。

本文進一步指出，證書數量並不等同於數學理解、意圖對齊或研究價值。若制度把「可生成更多證據」錯誤轉換為「應要求更多證據」，數學研究可能從證據豐裕滑向證書通膨，甚至出現以證書堆疊代替真正判斷的情況。本文主張，AI 時代需要的不是最大化證書數，而是建立風險相稱、任務相稱、可停止的驗證制度，避免把數學研究轉變為一種高密度合規工程。

---

## 關鍵詞

證書義務膨脹、驗證軍備競賽、AI 數學、形式證明、證書通膨、自動化負擔反彈、合規工程、形式驗證、證據治理、數學制度

---

# 1. 當證據變便宜，會發生什麼？

直覺上：

$$
\boxed{
C_{evidence}\downarrow
\Rightarrow
\text{Better Mathematics}.
}
$$

其中：

$$
C_{evidence}
$$

代表生成、整理與驗證證據的成本。

這個推論在局部上常常成立。

AI 可以讓：

- proof search 更快；
- formalization 更便宜；
- computation 更容易重現；
- provenance 更容易整理；
- independent checking 更容易自動化。

因此：

$$
\text{Evidence Supply}\uparrow.
$$

但制度上還有第二個問題：

> 當大家都更容易附上證據之後，沒有附的人會發生什麼？

這才是本文的起點。

---

# 2. 從「可選加分」到「隱性義務」

任何新的學術證據形式通常會經歷一條路徑：

$$
\boxed{
\text{Optional}
\rightarrow
\text{Valuable}
\rightarrow
\text{Expected}
\rightarrow
\text{Norm}
\rightarrow
\text{Requirement}.
}
$$

最開始：

> 有 formal proof 很好。

後來：

> 高品質工作通常都有 formal proof。

再後來：

> 為什麼你的沒有？

最後：

> 沒有 formal proof 的成果不完整。

這就是：

# Certificate-Obligation Inflation

---

# 3. 證書義務膨脹

定義：

$$
O_C(t)
=
\text{Expected Certificate Obligation at time }t.
$$

若：

$$
\frac{dO_C}{dt}>0,
$$

則表示制度對一項研究成果所期待的證書負擔持續增加。

證書可以包括：

- formal proof；
- computational certificate；
- code；
- provenance；
- dependency graph；
- reproduction log；
- semantic audit；
- independent model verification；
- proof assistant artifact；
- explanation package。

因此：

$$
\boxed{
O_C
=
O_F
+
O_{comp}
+
O_P
+
O_S
+
O_I
+\cdots
}
$$

其中不同 $O_i$ 對應不同驗證層。

---

# 4. 為什麼證書會形成義務？

因為證書會成為：

$$
\boxed{
\text{Quality Signal}.
}
$$

假設研究者 A 提供：

$$
P
$$

即 paper。

研究者 B 提供：

$$
P+L
$$

其中：

$$
L=\text{Lean certificate}.
$$

若其他條件相近，

reviewer 很自然可能認為：

$$
B
$$

更可靠。

於是下一輪：

$$
P+L
$$

開始成為競爭基準。

---

# 5. 驗證軍備競賽

假設：

$$
C_1=P,
$$

$$
C_2=P+L,
$$

$$
C_3=P+L+Comp,
$$

$$
C_4=P+L+Comp+Prov,
$$

$$
C_5=P+L+Comp+Prov+Audit.
$$

若每一階都帶來額外可信度訊號，

則研究者可能理性地：

$$
C_n\rightarrow C_{n+1}.
$$

但整體結果是：

$$
\boxed{
\text{Individual Rationality}
\rightarrow
\text{Collective Burden Inflation}.
}
$$

這就是：

# Mathematical Verification Arms Race

---

# 6. 軍備競賽不需要任何人故意製造

沒有任何 reviewer 需要說：

> 我要讓大家更累。

只要存在：

$$
\text{Comparative Evaluation},
$$

證書就會成為可比較維度。

若：

$$
CertScore\uparrow
\Rightarrow
PerceivedReliability\uparrow,
$$

則競爭自然推動：

$$
CertScore\uparrow.
$$

因此：

$$
\boxed{
\text{No malicious intent is required}.
}
$$

---

# 7. AI 會降低單張證書成本

設：

$$
c_i
=
\text{cost of producing certificate }i.
$$

AI 使：

$$
c_i\downarrow.
$$

這本來應該是好消息。

但制度可能回應：

> 既然現在很便宜，那為什麼不附？

於是：

$$
\boxed{
c_i\downarrow
\Rightarrow
O_i\uparrow.
}
$$

這是最重要的反直覺之一。

---

# 8. 自動化負擔反彈

本文稱這個現象：

# Automation Burden Rebound

其基本形式：

$$
\boxed{
\text{Automation lowers unit cost}
\rightarrow
\text{Institution raises expected quantity}.
}
$$

例如：

過去做 1 份 formal proof 很貴。

未來 AI 可以快速做 5 份。

制度於是開始期待：

- formal proof；
- second prover；
- independent check；
- semantic report；
- provenance log。

最後總負擔未必下降。

---

# 9. Jevons-like Verification Effect

可以類比：

> 單位成本下降，不代表總消耗下降。

若：

$$
c_{verify}\downarrow
$$

同時：

$$
q_{verify}\uparrow\uparrow,
$$

則總成本：

$$
C_{total}
=
c_{verify}q_{verify}
$$

可能：

$$
C_{total}\uparrow.
$$

因此：

$$
\boxed{
\text{Cheaper Verification}
\not\Rightarrow
\text{Less Verification Work}.
}
$$

---

# 10. 從工具變成基線

一項新驗證工具通常會先被視為：

$$
\text{Optional Enhancement}.
$$

但當採用率：

$$
A(t)
$$

超過某個社會門檻：

$$
A(t)>\theta,
$$

review norm 可能發生相變：

$$
\boxed{
\text{Enhancement}
\rightarrow
\text{Baseline Expectation}.
}
$$

這就是：

# Normative Threshold Shift

---

# 11. 「大家都有」是最強的制度力量之一

很多學術義務並不是由正式規定開始。

而是由：

> 別人都有。

開始。

因此：

$$
\boxed{
\text{Peer Comparison}
\rightarrow
\text{Norm Formation}.
}
$$

只要某種證書變成：

$$
\text{Common},
$$

缺少它就可能被解讀為：

$$
\text{Suspicious}.
$$

---

# 12. 缺席證書的負面訊號

設：

$$
Cert_i=0.
$$

理論上只代表：

> 沒附第 $i$ 種證書。

但制度可能解讀為：

- 沒驗；
- 不敢驗；
- 不夠完整；
- 品質較低。

因此：

$$
\boxed{
\text{Absence}
\rightarrow
\text{Negative Signal}
}
$$

即使這個推論其實不成立。

---

# 13. 證書通膨

當所有人都附某種證書後，

它的區分力下降。

設：

$$
S_i
=
\text{Signaling Value of Certificate }i.
$$

若：

$$
Adoption_i\rightarrow1,
$$

則：

$$
S_i\downarrow.
$$

於是制度會尋找：

$$
Certificate_{i+1}.
$$

形成：

$$
\boxed{
\text{Certificate Inflation}.
}
$$

---

# 14. 從「有沒有證明」變成「有幾層證明」

未來可能不再是：

> 你有 proof 嗎？

而是：

> 你有幾層 verification？

例如：

$$
V_1=\text{human proof},
$$

$$
V_2=\text{formal proof},
$$

$$
V_3=\text{independent prover},
$$

$$
V_4=\text{semantic alignment audit},
$$

$$
V_5=\text{multi-model review}.
$$

這會讓：

$$
\boxed{
\text{Verification Depth}
}
$$

成為新的 prestige axis。

---

# 15. 證書數量不等於證書價值

若：

$$
N_C
=
\text{number of certificates},
$$

不能推出：

$$
Reliability\propto N_C.
$$

因為不同證書可能：

- 重複同一假設；
- 使用同一錯誤 formalization；
- 共享同一資料；
- 共享同一模型；
- 共享同一 semantic mistake。

因此：

$$
\boxed{
\text{Certificate Count}
\neq
\text{Independent Evidence Count}.
}
$$

---

# 16. 偽獨立性

如果三個 AI verifier：

$$
V_A,V_B,V_C
$$

都使用：

- 相同 training data；
- 相同 formal statement；
- 相同 hidden assumption；

那麼：

$$
\boxed{
V_A=V_B=V_C=1
}
$$

不代表：

$$
\text{Three Independent Confirmations}.
$$

這叫：

# Pseudo-Independence

---

# 17. 證書可能共享同一個錯置

例如原始意圖：

$$
I.
$$

formal specification：

$$
S.
$$

若：

$$
S\not\approx I,
$$

但所有 verifier 都只驗：

$$
S,
$$

那麼：

$$
\boxed{
V_1(S)=V_2(S)=V_3(S)=1
}
$$

仍然可能：

$$
Align(S,I)<1.
$$

因此：

$$
\boxed{
\text{Many Green Lights}
\neq
\text{Correct Destination}.
}
$$

---

# 18. 證書回歸

當證書很多後，

自然會有人問：

> 誰驗證這些證書？

因此：

$$
Cert_1
\rightarrow
Audit(Cert_1).
$$

接著：

$$
Cert_2
=
Audit(Cert_1).
$$

再問：

> 誰驗證 audit？

形成：

$$
\boxed{
Cert_1
\rightarrow
Cert_2
\rightarrow
Cert_3
\rightarrow\cdots
}
$$

本文稱：

# Certificate Regress

---

# 19. 回歸不必無限，但需要停止條件

實務上：

$$
Cert_n
$$

不會真的無限。

但制度仍需要回答：

$$
\boxed{
\text{Why stop at }n?
}
$$

如果沒有原則，

停止點只是：

> 大家目前做到這裡。

這會讓：

$$
n(t)\uparrow.
$$

---

# 20. 理解義務可能被轉化成證書義務

這是整個問題最諷刺的地方之一。

原始目標可能是：

$$
\boxed{
\text{More Human Understanding}.
}
$$

制度回應卻變成：

$$
\boxed{
\text{More Evidence Artifacts}.
}
$$

於是：

$$
\text{UnderstandingDuty}
\rightarrow
\text{CertificateDuty}.
$$

但：

$$
\boxed{
\text{CertificateDuty}
\neq
\text{Understanding}.
}
$$

---

# 21. 證書變多後，人類還是看不完

假設每篇成果平均證書量：

$$
n_C\uparrow.
$$

人類審查容量：

$$
H_R
$$

基本有限。

則：

$$
\boxed{
\frac{n_C}{H_R}\uparrow.
}
$$

最後：

> 人類需要 AI 幫忙閱讀 AI 產生的證書。

---

# 22. AI-mediated Verification Stack

這會形成：

$$
\boxed{
AI_{gen}
\rightarrow
AI_{verify}
\rightarrow
AI_{summarize}
\rightarrow
\text{Human}.
}
$$

即：

> AI 產生 proof，  
> AI 產生 certificate，  
> AI 審查 certificate，  
> AI 再摘要給人看。

這不是必然壞事。

但它沒有自動解決：

$$
\text{Human Understanding Problem}.
$$

---

# 23. 驗證層數越多，認知層不一定越厚

可能：

$$
V_{layers}\uparrow
$$

但：

$$
U_{human}\approx\text{constant}.
$$

因此：

$$
\boxed{
\text{Verification Depth}
\neq
\text{Human Understanding Depth}.
}
$$

這是 AI 數學治理必須持續記住的區分。

---

# 24. 合規工程化

當證書被制度化後，

研究工作可能增加大量：

- metadata；
- checklist；
- formatting；
- proof export；
- audit report；
- version compatibility；
- model disclosure。

其中部分非常有價值。

但累積後可能形成：

# Mathematical Compliance Engineering

即：

$$
\boxed{
\text{Research}
\rightarrow
\text{Research}
+
\text{Compliance Package}.
}
$$

---

# 25. 合規不是沒有價值

本文不是說：

> compliance 都是浪費。

相反地，

某些：

- reproducibility；
- provenance；
- formal certificate；

非常重要。

問題是：

$$
\boxed{
\text{Necessary Compliance}
\neq
\text{Unlimited Compliance}.
}
$$

---

# 26. 證書負擔可能對小型研究者更不利

大型團隊可能擁有：

- AI infrastructure；
- formalization engineer；
- compute；
- automated audit pipeline。

小型研究者可能沒有。

因此若證書要求快速增加：

$$
O_C\uparrow,
$$

則：

$$
\boxed{
EntryCost_{research}\uparrow.
}
$$

可能反而增加：

# Institutional Verification Inequality

---

# 27. 「AI 很便宜」不代表對所有人都一樣便宜

即使模型 API 成本低，

仍有：

- workflow knowledge；
- infrastructure；
- setup；
- debugging；
- tool integration；
- audit expertise。

所以：

$$
\boxed{
Nominal Cost
\neq
Effective Cost.
}
$$

證書義務增加可能強化大型機構優勢。

---

# 28. 證書可能變成新的學術身份符號

當某一類證書具有高 prestige，

研究者可能開始：

> 為了證書而證書。

即：

$$
\boxed{
\text{Verification as Signal}
>
\text{Verification as Need}.
}
$$

這會造成：

# Certificate Signaling Distortion

---

# 29. 最危險的是「證書替代判斷」

如果 reviewer 面對大量成果，

最容易依賴：

- formal verified；
- green；
- all tests passed；
- multi-agent checked。

這些標記很方便。

於是：

$$
\boxed{
\text{Judgment}
\rightarrow
\text{Checklist}.
}
$$

但：

$$
\text{Checklist}
\neq
\text{Mathematical Evaluation}.
$$

---

# 30. 綠燈與研究價值是不同軸

設：

$$
G
=
\text{Verification Green},
$$

$$
V
=
\text{Research Value}.
$$

則：

$$
G=1
$$

不代表：

$$
V\gg0.
$$

一個 theorem 可以：

- 完全正確；
- 完全形式化；
- 完全可重現；

但：

> 很平凡。

因此：

$$
\boxed{
\text{Correctness}
\neq
\text{Generativity}.
}
$$

---

# 31. 證書軍備競賽可能排擠生成性工作

研究時間總量有限：

$$
T
=
T_{explore}
+
T_{prove}
+
T_{verify}
+
T_{comply}.
$$

如果：

$$
T_{verify}+T_{comply}\uparrow,
$$

則可能：

$$
T_{explore}\downarrow.
$$

這會壓縮：

- conjecture；
- new language；
- new abstraction；
- theory construction。

---

# 32. 最糟的情況：AI 省下的時間全部被制度重新吃掉

原本：

$$
AI
\rightarrow
\Delta T_{saved}.
$$

但制度提高要求：

$$
\Delta T_{obligation}.
$$

若：

$$
\Delta T_{obligation}
\ge
\Delta T_{saved},
$$

則：

$$
\boxed{
\text{Net Freedom Gain}\le0.
}
$$

這就是：

# Automation Burden Rebound

的最完整形式。

---

# 33. 證據豐裕時代真正稀缺的是什麼？

如果：

$$
EvidenceSupply\uparrow\uparrow,
$$

新的稀缺資源可能變成：

- attention；
- judgment；
- prioritization；
- semantic alignment；
- question quality；
- research direction。

因此：

$$
\boxed{
\text{Proof Scarcity}
\rightarrow
\text{Judgment Scarcity}.
}
$$

或者：

$$
\boxed{
\text{Certificate Scarcity}
\rightarrow
\text{Obligation Selection Scarcity}.
}
$$

---

# 34. 不是「能驗多少」，而是「值得驗多少」

設所有可驗證項目集合：

$$
\Omega_V.
$$

實際值得投入驗證的子集：

$$
\Omega_V^*.
$$

理想制度不是：

$$
\Omega_V^*=\Omega_V.
$$

而是：

$$
\boxed{
\Omega_V^*
\subset
\Omega_V.
}
$$

由：

- risk；
- impact；
- uncertainty；
- centrality；
- cost；

決定。

---

# 35. 證書義務應該與風險相稱

設成果風險：

$$
R(M).
$$

合理證書義務：

$$
O_C(M)
$$

應近似：

$$
\boxed{
O_C(M)
\propto
R(M).
}
$$

而不是：

$$
O_C(M)
\propto
\text{maximum possible verification}.
$$

---

# 36. 證書義務也應與用途相稱

例如：

- 草稿；
- exploratory note；
- 教學 conjecture；
- high-stakes theorem；
- foundational library component；

不應使用相同驗證要求。

因此：

$$
\boxed{
O_C
=
f(
\text{Risk},
\text{Use},
\text{Impact},
\text{Uncertainty},
\text{Reuse}
).
}
$$

---

# 37. Formalization Optionality

成熟制度應保留：

# Formalization Optionality

即：

> 不是所有有價值數學都必須立即進最高形式層。

一些成果可以停在：

$$
E_1,
$$

一些：

$$
E_3,
$$

一些：

$$
E_5.
$$

這是合理多樣性。

---

# 38. 多樣證據文化

未來數學可以允許：

$$
\boxed{
\text{Plural Evidence Regimes}.
}
$$

例如：

- human proof；
- computer-assisted proof；
- formal proof；
- experimental mathematics；
- certified computation。

不同成果使用不同組合。

而不是：

$$
\boxed{
\text{One Universal Certificate Stack}.
}
$$

---

# 39. 證書應該是「型別化」而不是「數量化」

與其說：

> 你有 12 張證書。

更合理是：

$$
Cert(M)
=
\{
\text{type},
\text{scope},
\text{assumptions},
\text{independence},
\text{coverage}
\}.
$$

也就是：

> 這張證書到底證明什麼？

因此：

$$
\boxed{
\text{Typed Evidence}
>
\text{Certificate Count}.
}
$$

---

# 40. 證書也應標示覆蓋範圍

一個 certificate 應說明：

$$
Coverage(C_i).
$$

例如：

- syntax；
- theorem statement；
- proof term；
- numeric computation；
- semantic alignment；
- reproducibility。

否則：

$$
\boxed{
\text{Certified}
}
$$

會成為過度模糊的詞。

---

# 41. 獨立性也要標示

證書不只要問：

> 通過了嗎？

還要問：

> 和其他證書共享多少依賴？

可定義：

$$
Ind(C_i,C_j).
$$

若：

$$
Ind\approx0,
$$

則兩張證書提供的新增信息有限。

---

# 42. 新增證書的邊際價值

定義：

$$
\Delta V(C_{n+1})
$$

為新增一張證書的邊際驗證價值。

當：

$$
\Delta V(C_{n+1})
\rightarrow0,
$$

應觸發：

$$
\boxed{
\text{Stop}.
}
$$

這是防止軍備競賽的重要原則。

---

# 43. 邊際證書原則

本文提出：

# Marginal Certificate Principle

只在：

$$
\boxed{
\Delta V(C_{n+1})
>
\Delta Cost(C_{n+1})
}
$$

時，

增加新的證書層。

否則：

$$
Stop=1.
$$

---

# 44. 證書治理需要「拒絕最大化」

一個好的驗證制度需要有能力說：

> 這已經夠了。

因此成熟度不在於：

$$
\text{Can generate more certificates}.
$$

而在於：

$$
\boxed{
\text{Can justify why no more certificates are currently needed}.
}
$$

---

# 45. 從證書數量競賽轉向證據充分性

未來應從：

$$
\boxed{
\text{How many certificates?}
}
$$

轉向：

$$
\boxed{
\text{Is the evidence sufficient for this claim and use?}
}
$$

這就是：

# Evidence Sufficiency

---

# 46. 證書豐裕本身不是問題

證書變多可以帶來：

- 更容易重現；
- 更容易審查；
- 更容易維護；
- 更容易跨系統移植。

真正風險是：

$$
\boxed{
\text{Abundance}
\rightarrow
\text{Obligation}
\rightarrow
\text{Inflation}.
}
$$

---

# 47. 理解危機可能以新形式回來

如果原本擔心：

$$
\text{AI produces too much mathematics for humans to understand},
$$

回應是：

$$
\text{Produce more certificates}.
$$

那麼最後可能變成：

$$
\boxed{
\text{AI produces too many certificates for humans to understand}.
}
$$

也就是：

$$
P_0
\rightarrow
R
\rightarrow
P_1,
$$

其中：

$$
P_1\sim P_0.
$$

這是後續「理解反生成悖論」的重要基礎。

---

# 48. 證書制度的真正目標

證書不是為了：

> 讓研究看起來更完整。

也不是：

> 讓每篇 paper 擁有最大 evidence stack。

真正目標應是：

$$
\boxed{
\text{Reduce decision-relevant uncertainty}.
}
$$

即：

$$
U_{decision}\downarrow.
$$

---

# 49. 三個核心問題

每增加一個證書前，

制度應問：

1. **它降低哪一種不確定性？**
2. **它和現有證據獨立嗎？**
3. **它的新增價值高於成本嗎？**

若三個都答不出，

證書可能只是：

$$
\boxed{
\text{Compliance Ornament}.
}
$$

---

# 50. 結論

AI 讓數學證據變得前所未有地便宜。

這是一件好事。

但：

$$
\boxed{
\text{Can Produce More Evidence}
\neq
\text{Should Require More Evidence Without Bound}.
}
$$

如果制度將：

$$
C_{evidence}\downarrow
$$

直接轉換為：

$$
O_C\uparrow,
$$

則會形成：

$$
\boxed{
\text{Optional}
\rightarrow
\text{Expected}
\rightarrow
\text{Norm}
\rightarrow
\text{Requirement}.
}
$$

再經過比較、訊號與競爭，

形成：

$$
\boxed{
\text{Certificate Arms Race}.
}
$$

接著：

$$
\text{Automation Gain}
\rightarrow
\text{More Obligations}
\rightarrow
\text{Automation Burden Rebound}.
$$

最終甚至可能出現：

$$
\boxed{
\text{AI 幫人類省下驗證時間，}
\quad
\text{制度卻把這些時間重新全部變成新的驗證義務。}
}
$$

因此，AI 時代數學制度真正需要的不是：

$$
\boxed{
\text{Maximum Certificate Production}.
}
$$

而是：

$$
\boxed{
\text{Minimum Sufficient, Typed, Risk-Proportional Evidence}.
}
$$

證書應該服務判斷。

形式化應該服務可靠性。

驗證應該服務數學。

而不是最後讓數學反過來服務一個永遠不會停止增長的證書堆疊。

真正成熟的驗證文明，

不是最會產生證書的文明，

而是：

$$
\boxed{
\text{最知道哪些證據值得要、}
\quad
\text{哪些證據只是重複、}
\quad
\text{以及什麼時候已經足夠的文明。}
}
$$