---
title: "研究物不是版本號：Research Object Identity、Version、Edition 與 Lineage 的分離"
english_title: "A Research Object Is Not a Version Number: Separating Identity, Version, Edition, and Lineage"
series: "AI 原生研究物迭代與可驗證升版方法論系列"
series_en: "AI-Native Research Object Revision and Verifiable Evolution Series"
paper: "02"
author: "Neo.K"
institution: "EveMissLab／一言諾科技有限公司"
research_assistance: "AI-assisted theoretical development"
version: "v0.1"
date: "2026-09-16"
language: "zh-TW"
status: "Canonical UTF-8 Source / Working Paper"
research_class: "METHODOLOGY / SCHOLARLY INFRASTRUCTURE / VERSION GOVERNANCE"
claim_state: "THEORETICAL FRAMEWORK / DATA MODEL PROPOSAL"
evidence_state: "CONCEPTUAL / PRACTICE-DERIVED"
---

# 研究物不是版本號：Research Object Identity、Version、Edition 與 Lineage 的分離

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-09-16  
**版本：** v0.1  

## 摘要

傳統論文管理往往把「一篇論文」視為單一文件，將版本號、檔名、發布日期與內容狀態混在一起。這種做法在低頻更新、單一投稿管線與少量研究物環境中尚可運作；但在 AI 原生研究環境中，同一理論可能同時存在原始版、公開版、投稿版、白皮書版、AI corpus 版、簡化版、技術附錄版與多次實質升版。若不拆分研究物身份、理論版本、投影版本與研究譜系，系統很快會失去「到底哪一個才是同一個研究物」的判定能力。

本文提出研究物四分模型：

$$
\boxed{
\text{Identity}
\neq
\text{Version}
\neq
\text{Edition}
\neq
\text{Lineage}.
}
$$

其中，Identity 表示研究物的持久身份；Version 表示核心理論狀態的實質變化；Edition 表示同一理論狀態面向不同讀者或媒介的投影；Lineage 表示研究物與前置、後繼、分叉、合併、吸收、取代與衍生研究之間的譜系關係。

本文進一步主張：

$$
\boxed{
\text{Version Change}
\Longleftrightarrow
\text{Research State Change}
}
$$

而不是：

$$
\text{Version Change}
\Longleftrightarrow
\text{File Changed}.
$$

同樣：

$$
\boxed{
\text{Edition Change}
\Longleftrightarrow
\text{Projection Change}
}
$$

而不代表核心理論本身發生變化。

本文最後給出一套 AI-native scholarly object schema，使網站、MCP、Agent、搜尋器與人類讀者能在不混淆的前提下處理同一研究物的歷史、現行版本與多種投影。

**關鍵詞：** Research Object、Versioning、Edition、Projection、Lineage、AI-native scholarship、版本治理、研究物身份、學術基礎設施

---

# 0. 問題起點：到底什麼叫「同一篇論文」？

假設一個研究者先寫出：

> `paper_v0.1.md`

幾天後補了引用：

> `paper_v0.2.md`

再做成公開版：

> `paper_public_v0.2.md`

又做成投稿版：

> `paper_academic_v0.2_final.md`

之後修改核心命題：

> `paper_v1.0.md`

再為 AI 建立結構化版本：

> `paper_ai_corpus_v1.0.json`

這些檔案到底是：

- 六篇論文；
- 一篇論文六個版本；
- 兩個版本四種投影；
- 還是多個彼此相關但身份不同的研究物？

如果系統沒有正式回答，版本管理最終只能靠檔名與人的記憶。

這在 AI 原生研究中不可持續。

因此第一個基本命題是：

$$
\boxed{
\text{File}
\neq
\text{Research Object}.
}
$$

檔案只是研究物的一種承載形式。

---

# 1. Research Object Identity

本文定義一個持久研究物身份：

$$
\boxed{
ID(P)=\text{Persistent Research Object Identity}.
}
$$

一旦建立，研究物的核心身份不應隨：

- 檔名改變；
- 格式改變；
- Markdown 轉 PDF；
- 語言翻譯；
- 公開版重排；
- 投稿格式調整；
- AI corpus 轉換；

而改變。

例如：

```text
lm-000501
```

可以持續指向同一研究物。

即使它後來存在：

```text
lm-000501 v0.1
lm-000501 v0.5
lm-000501 v1.0
lm-000501 v2.0
```

其身份仍然是：

$$
ID(P)=\text{lm-000501}.
$$

因此：

$$
\boxed{
\text{Identity persists across valid versions.}
}
$$

---

# 2. Identity 不是標題

標題可能改變。

例如初稿：

> 《AI 寫論文太快的問題》

正式版可能改成：

> 《當生成變得廉價：AI 原生學術照護、研究物生命週期與隱性整合債》

兩者可能仍然是同一研究物。

所以：

$$
\boxed{
\text{Title}
\neq
\text{Identity}.
}
$$

同樣，一篇理論也可能因不同語言而有：

- 中文標題；
- 英文標題；
- 日文標題。

這仍然不能生成新的研究物身份。

標題是 metadata。

Identity 是持久引用錨點。

---

# 3. Identity 也不是當下文字內容

研究物可以被改寫。

若：

$$
P_t
$$

在時間 $t$ 的文字狀態與：

$$
P_{t+1}
$$

不同，仍可能屬於同一研究物。

因此：

$$
\boxed{
P_t\neq P_{t+1}
}
$$

不推出：

$$
ID(P_t)\neq ID(P_{t+1}).
$$

這也是版本治理存在的理由。

如果任何文字差異都生成新 Identity，研究譜系會碎裂。

如果所有內容差異都強行保留同一版本，歷史狀態又會消失。

所以必須把 Identity 與 Version 分離。

---

# 4. Version：理論狀態的變化

本文定義：

$$
\boxed{
V_n(P)
=
\text{Research State of }P\text{ at version }n.
}
$$

Version 只應在研究物的實質狀態發生改變時前進。

例如：

- 核心定義修改；
- 主張範圍改變；
- 新反例迫使理論重構；
- 新證據改變原結論；
- 主要公式變更；
- 理論由 conjectural 升為 formally validated；
- 核心架構被拆分或合併；
- 後續研究要求重新界定原命題。

因此：

$$
\boxed{
V_{n+1}
\Longleftarrow
\Delta \text{Research State}\neq0.
}
$$

---

# 5. 小修與實質升版

並非所有修改都值得升 major version。

可將改動粗略拆成：

$$
\Delta P
=
(
\Delta_s,
\Delta_c,
\Delta_e,
\Delta_f
),
$$

其中：

- $\Delta_s$：surface／文字與排版變更；
- $\Delta_c$：claim／主張變更；
- $\Delta_e$：evidence／證據狀態變更；
- $\Delta_f$：formal or functional／形式化或功能變更。

若主要只有：

$$
\Delta_s>0,
$$

而：

$$
\Delta_c=\Delta_e=\Delta_f=0,
$$

則通常不應視為理論大升版。

相反，如果：

$$
\Delta_c\gg0
$$

或：

$$
\Delta_e\gg0,
$$

則應考慮正式 revision event。

這裡不主張全域固定的 semantic versioning 規則，而是主張：

$$
\boxed{
\text{Version advancement must be claim-aware.}
}
$$

---

# 6. Edition：同一理論狀態的不同投影

這是 AI 原生研究最容易混淆的一層。

假設：

$$
ID(P)=\text{lm-000501}
$$

而其現行理論狀態為：

$$
V(P)=v2.1.
$$

同一個 $v2.1$ 可以產生：

- Canonical Edition；
- Public Edition；
- Academic Submission Edition；
- Technical White Paper Edition；
- AI Corpus Edition；
- Executive Summary Edition；
- Educational Edition；
- Multilingual Edition。

這些不應被寫成：

$$
v2.2,v2.3,v2.4,\ldots
$$

因為核心理論狀態沒有變。

本文定義：

$$
\boxed{
E_k(P,V_n)
=
\text{Projection }k\text{ of research state }V_n.
}
$$

所以：

$$
\boxed{
\text{Version}
=
\text{Theory-State Change}
}
$$

而：

$$
\boxed{
\text{Edition}
=
\text{Audience/Medium Projection Change}.
}
$$

---

# 7. 為什麼 Edition 必須獨立？

如果 Edition 與 Version 混在一起，系統會產生至少四種錯誤。

## 7.1 把改寫誤認為理論進步

一篇文章從長版縮成短版，不代表理論更成熟。

## 7.2 把翻譯誤認為新版本

英文版與中文版可能只是語言投影。

## 7.3 無法判斷哪個版本內容真正改變

若所有輸出都只是 `v3`, `v4`, `v5`，AI 無法知道：

> 是核心命題變了，還是只是排版變了？

## 7.4 造成引用混亂

引用者真正需要的是：

$$
(ID,V,E).
$$

而不是只看到一個模糊檔名。

---

# 8. Canonical Edition

每個研究物在某一理論版本上，應至少有一個 canonical edition。

例如：

```yaml
identity: lm-000501
version: v2.1
canonical_edition: logic-matrix
```

Canonical Edition 的目的不是最好讀。

而是：

$$
\boxed{
\text{Canonical Edition}
=
\text{Authoritative Source Representation}.
}
$$

它應盡量：

- 保留完整主張；
- 保留完整公式；
- 保留 metadata；
- 保留 lineage；
- 保留 evidence mapping；
- 避免為讀者而刪除關鍵內容。

其他 edition 可以由 canonical edition 投影而來。

---

# 9. Projection Function

可以將 Edition 表示為：

$$
E_k
=
\Pi_k(P,V_n),
$$

其中：

$$
\Pi_k
$$

是投影算子。

例如：

$$
\Pi_{\text{public}}
$$

可能：

- 降低不必要術語；
- 加入背景解釋；
- 減少內部工作註記；
- 保留核心主張。

$$
\Pi_{\text{academic}}
$$

可能：

- 增加 prior art；
- 調整引用格式；
- 加強方法與限制；
- 符合期刊結構。

$$
\Pi_{\text{AI}}
$$

可能：

- 增加結構化 metadata；
- 拆 claim；
- 加 evidence link；
- 加 ontology；
- 加 machine-readable lineage。

只要：

$$
\Pi_k
$$

沒有改變核心研究狀態，就不應生成新的 Version。

---

# 10. Edition 不得偷偷改理論

投影有一個重要限制：

$$
\boxed{
\Pi_k
\text{ must preserve core research state.}
}
$$

如果在製作公開版時發現原命題太強，並將：

$$
C
$$

改成：

$$
C',
$$

而且：

$$
C\neq C',
$$

那麼這已經不是單純 projection。

此時應先修改 canonical research state：

$$
V_n
\rightarrow
V_{n+1},
$$

再從新版本生成公開 edition。

因此正確順序是：

$$
\boxed{
\text{Revise Canonical State}
\rightarrow
\text{Generate Editions}.
}
$$

而不是在不同 edition 中各自偷偷修正理論。

---

# 11. Lineage：研究物之間的譜系

Version 描述同一研究物內部的時間演化。

Lineage 描述不同研究物之間的關係。

本文定義：

$$
\boxed{
L(P_i,P_j)
=
\text{Research Lineage Relation}.
}
$$

常見關係至少包括：

- `precedes`；
- `extends`；
- `derives_from`；
- `revises`；
- `absorbs`；
- `splits_from`；
- `merges_with`；
- `supersedes`；
- `contradicts`；
- `implements`；
- `operationalizes`；
- `tests`；
- `reproduces`。

因此：

$$
\boxed{
\text{Version Graph}
\neq
\text{Lineage Graph}.
}
$$

---

# 12. 分叉不是升版

假設一篇研究物：

$$
P
$$

後來發展出兩個互不等價方向：

$$
P_A
$$

與：

$$
P_B.
$$

若兩者核心問題與主張已分離，則不應簡單寫成：

$$
P:v2,v3.
$$

更合理的是：

$$
P
\rightarrow
\begin{cases}
P_A\\
P_B
\end{cases}
$$

並給：

$$
ID(P_A)\neq ID(P_B).
$$

此時 lineage 記錄：

```yaml
P_A:
  splits_from: P

P_B:
  splits_from: P
```

這保留研究歷史，也避免把真正的理論分叉偽裝成單一路徑版本。

---

# 13. 合併也不是普通升版

反過來，多篇研究可能被後來一篇整合。

例如：

$$
P_1,P_2,P_3
\rightarrow
P_*.
$$

如果 $P_*$ 已具有獨立問題結構與整合性，則：

$$
ID(P_*)\neq ID(P_i).
$$

Lineage 可寫：

```yaml
P_*:
  absorbs:
    - P_1
    - P_2
    - P_3
```

原研究物不需要刪除。

它們應保留歷史身份，並標：

```yaml
lifecycle: superseded
superseded_by: P_*
```

因此：

$$
\boxed{
\text{Superseded}
\neq
\text{Deleted}.
}
$$

---

# 14. Lifecycle：研究物目前處於什麼狀態？

Identity、Version、Edition 之外，還需要 Lifecycle。

例如：

```text
DRAFT
ACTIVE
REVISED
SUPERSEDED
REFUTED
WITHDRAWN
HISTORICAL
ARCHIVED
```

Lifecycle 不應等同可信度。

所以：

$$
\boxed{
\text{Lifecycle State}
\neq
\text{Truth Status}.
}
$$

一篇 Historical 論文可以仍然正確。

一篇 Active 論文也可以最終被證偽。

一篇 Refuted 論文仍可能具有極高歷史價值。

---

# 15. 時間也必須分離

研究物版本管理不能只留一個日期。

至少應區分：

```yaml
dates:
  idea_first_recorded:
  draft_started:
  canonicalized:
  last_major_revision:
  ingested:
  published:
```

因為：

$$
\boxed{
t_{\text{publish}}
\neq
t_{\text{create}}.
}
$$

同一天發布大量研究物，只能說明 publication event 接近。

不能直接推出：

$$
\Delta t_{\text{research}}\approx 1\text{ day}.
$$

因此版本系統必須避免讓下游 AI 或人類把發布時間誤讀成研究形成時間。

---

# 16. 一個最小研究物 schema

本文提出最低可用結構：

```yaml
id: lm-000501

identity:
  canonical_id: lm-000501

version:
  current: v2.1
  previous: v2.0

edition:
  canonical: logic-matrix
  available:
    - public
    - academic
    - ai-corpus

lifecycle:
  state: active

lineage:
  derived_from: []
  extends: []
  supersedes: []
  implemented_by: []

dates:
  idea_first_recorded: unknown
  canonicalized: 2026-01-10
  last_major_revision: 2026-09-16
  published: 2026-09-20
```

這個 schema 不企圖一次解決 claim、evidence、verification。

它只解決：

$$
\boxed{
\text{What object is this?}
}
$$

$$
\boxed{
\text{Which research state is this?}
}
$$

$$
\boxed{
\text{Which projection am I reading?}
}
$$

$$
\boxed{
\text{Where does it sit in the research genealogy?}
}
$$

---

# 17. AI-facing retrieval 為什麼更需要這一層？

人類看到：

> `paper_public_final_v3_revised.md`

還可能依經驗猜它代表什麼。

AI 系統則更容易將檔名與時間當作代理訊號。

如果 metadata 不完整，模型可能：

- 把公開版當 canonical；
- 把舊版當現行版；
- 把翻譯版當新理論；
- 把 superseded 論文當現行立場；
- 把 batch publish 當 batch creation；
- 把分叉研究誤認成同一版本。

所以 AI-native scholarly infrastructure 不應只讓文件「可讀」。

還要讓身份關係：

$$
\boxed{
\text{Machine-Resolvable}.
}
$$

---

# 18. Persistent Identity 的長期價值

當研究量很少時，研究者可以靠記憶維護身份。

當研究量增加到：

$$
N\gg1,
$$

Persistent Identity 會變成必要基礎設施。

它允許：

- stable citation；
- version diff；
- lineage query；
- artifact binding；
- evidence update；
- supersession tracking；
- cross-language projection；
- Agent navigation；
- corpus-level closure。

因此：

$$
\boxed{
\text{Persistent ID}
=
\text{Scholarly Address Space}.
}
$$

沒有穩定地址，研究物之間的關係只能依賴名稱與模糊語義。

---

# 19. 不可變歷史與可變現行讀法

本文主張同時保留兩件事：

$$
\boxed{
\text{Historical Immutability}
}
$$

與：

$$
\boxed{
\text{Current Interpretive Mutability}.
}
$$

也就是：

> 舊版本不應被偷偷重寫成從來沒犯過錯。

同時：

> 現行版本也不應被舊版本永久綁死。

因此：

$$
V_0,V_1,V_2,\ldots,V_n
$$

應全部可追溯。

但：

$$
V_n
$$

可以被標記為 current canonical state。

這使研究系統同時具備：

- 歷史誠實；
- 現行可修正性。

---

# 20. 升版不是抹除

研究物治理最危險的做法之一，是把新版本直接覆蓋舊版。

如果：

$$
V_{n+1}
$$

完全抹除：

$$
V_n,
$$

則系統失去：

- 錯誤如何被修正；
- 概念如何形成；
- 何時發生重大轉向；
- 後來結論是如何得到的。

因此：

$$
\boxed{
\text{Revision}
\neq
\text{Erasure}.
}
$$

版本歷史本身也是研究資料。

---

# 21. 研究物治理的五個核心問題

對任何研究物，系統至少要能回答：

1. **Who am I?**

$$
ID(P)=?
$$

2. **What state am I in?**

$$
V(P)=?
$$

3. **Which projection are you reading?**

$$
E(P)=?
$$

4. **Where am I in the genealogy?**

$$
L(P)=?
$$

5. **What is my current lifecycle state?**

$$
S_L(P)=?
$$

若這五個問題無法回答，後續 claim、evidence、verification 的治理都會建立在不穩定身份上。

---

# 22. 與整個系列的接口

第 01 篇建立：

$$
\text{Generation}
+
\text{Stewardship}
+
\text{Global Closure}.
$$

本文進一步回答：

> 要治理的「研究物」到底是什麼？

答案不是單一 Markdown。

而是：

$$
\boxed{
P=
(
ID,
V,
E,
L,
S_L,
T
).
}
$$

後續篇章再把：

$$
\text{Claims},
\text{Evidence},
\text{Verification},
\text{Capability},
\text{Artifacts},
\text{Epistemic Provenance}
$$

逐步加入。

因此未來完整研究物將不再只是文件。

而更接近：

$$
\boxed{
\text{Versioned, Projected, Lineage-Aware Scholarly Object}.
}
$$

---

# 結論

AI 原生研究使同一個理論可以被極高速地改寫、翻譯、投影、重排、擴充與重新發布。

如果所有變化都叫「版本」，研究系統會迅速失去語義。

因此本文建立：

$$
\boxed{
\text{Identity}
\neq
\text{Version}
\neq
\text{Edition}
\neq
\text{Lineage}
\neq
\text{Lifecycle}.
}
$$

其中：

$$
\text{Identity}
=
\text{研究物是誰},
$$

$$
\text{Version}
=
\text{理論狀態變了沒有},
$$

$$
\text{Edition}
=
\text{同一理論如何被投影},
$$

$$
\text{Lineage}
=
\text{它與其他研究物是什麼關係},
$$

$$
\text{Lifecycle}
=
\text{它現在處於什麼研究狀態}.
$$

只有先把這些拆開，未來的自動升版、AI 研究導航、MCP 檢索、引用依賴、證據更新與全域研究閉合才有可靠基礎。

因此：

$$
\boxed{
\text{A research object is not a file,}
}
$$

也不是一個版本號。

它是一個具有持久身份、可變狀態、多重投影與可追溯譜系的知識對象。