# AI 教 AI 的教師品質對照實驗：從自學、同級教師、強教師到全域教師 ## Controlled Teacher-Quality Experiments in AI-to-AI Learning **系列：** 教師—認知底空間系列（Teacher-Conditioned Bottom-Space Series, TCBS） **Paper：** 06 / 07 **作者：** Neo.K（核心命題與理論提出） **AI 協作整理：** Aletheia / GPT-5.6 Sol **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-09-18 **文件性質：** 實驗設計論文／可證偽研究協議草案 **Evidence status：** PROPOSED / EXPERIMENTAL DESIGN / NOT YET EXECUTED **Canonical source：** UTF-8 Markdown --- ## 摘要 TCBS Paper 01–05 已分別提出教師條件化選擇底空間、早期導師路徑依賴、Frame-Lift 教育、強導師引力井，以及教師能力—教學投影分離。本篇將上述理論壓縮為一組可實際執行的 AI-to-AI 對照實驗。 本文的核心問題不是「強 AI 能不能讓弱 AI 變強」；真正要測的是：在固定 student architecture、起始 checkpoint、資料、算力、工具權限與總教師成本的條件下，只改變教師類型、投影策略、介入時間、權威／依賴設計與退出機制，是否會使 student 形成不同的後續自主學習軌跡與可達認知世界。 四個主 lane： \[ T_0=\text{Self}, \qquad T_1=\text{Peer}, \qquad T_2=\text{Strong}, \qquad T_3=\text{Global}. \] 其中 Global Teacher 不定義為「全知」，而定義為具備跨 frame 比較、問題重構、表示切換、跨域連結、反例生成與不確定性治理能力的高階教師。 實驗不只測最終正確率，而是測： \[ \text{sample efficiency}, \quad \text{OOD transfer}, \quad \text{self-correction}, \quad \text{question generation}, \quad \text{representation diversity}, \quad \text{frame lift}, \quad \text{independent search}, \quad \text{post-teacher autonomous growth}. \] 本文加入 Teacher Withdrawal、Teacher Switching、Early vs Late Intervention、Controlled Teacher Error、Disagreement Training 與 Projection Policy 等子實驗，以直接測試 Mentor Gravity Well、路徑依賴與能力—投影分離。 最重要的成功判準不是： \[ Q_{\mathrm{with\ teacher}} \] 有多高，而是 teacher 移除後： \[ Q_{\mathrm{post}} \] 以及： \[ \boxed{ g_{\mathrm{post}} = \frac{dQ_{\mathrm{autonomous}}}{dt} } \] 是否仍具穩定優勢。 --- # 1. 研究問題 本文提出六個主問題。 ## RQ1 — Teacher Capability 固定 projection policy 時： \[ C_T\uparrow \] 是否使 student 的長期結果提高？ ## RQ2 — Teaching Projection 固定 teacher capability 時： \[ P_{T\to S}\uparrow \] 是否產生獨立增益？ ## RQ3 — Autonomous Growth 不同 teacher 是否改變： \[ g_{\mathrm{post}} = \frac{dQ_{\mathrm{autonomous}}}{dt}? \] ## RQ4 — Mentor Gravity Well 高能力、高介入 teacher 是否可能： \[ Q_{\mathrm{assisted}}\uparrow \] 但： \[ Q_{\mathrm{post}}\downarrow? \] ## RQ5 — Frame Lift Global teacher 是否提高 student 在新任務中的： - 問題重構； - 表示切換； - 隱含前提發現； - 目標重寫； - 跨域映射？ ## RQ6 — Timing 同一 teacher 在 early / middle / late 介入時，是否產生不同長期軌跡？ --- # 2. 核心控制原則 所有主 lane 應滿足： \[ \boxed{ \text{matched student} + \text{matched environment} + \text{matched total budget} } \] 至少控制： - student architecture； - parameter count； - initial checkpoint； - optimizer； - training schedule； - base dataset； - task distribution； - tool access； - memory budget； - teacher token budget； - teacher compute； - evaluation suite。 總成本： \[ \boxed{ C_{\mathrm{total}} = C_{\mathrm{student-train}} + C_{\mathrm{student-infer}} + C_{\mathrm{teacher}} + C_{\mathrm{tool}} + C_{\mathrm{verification}} } \] 主比較應盡量滿足： \[ C_{\mathrm{total},i} \approx C_{\mathrm{total},j}. \] 若無法完全匹配，則比較： \[ Q(C) \] 而不是只比單一最終分數。 --- # 3. Student 設計 所有 lane 從同一： \[ S_0 \] 開始。 建議第一輪使用中小型 open-weight student： \[ P_S\in[50M,1B] \] 具體取決於硬體與可重複實驗成本。 正式 run 必須鎖定： ```text model revision weight hash tokenizer precision runtime training code commit ``` AI 實驗的核心優勢在於： \[ S_0^{(1)} = S_0^{(2)} = \cdots = S_0^{(n)} \] 近似可成立。 這是人類教育研究極難做到的。 --- # 4. Teacher Lane 定義 ## T0 — Self 無外部 teacher。 允許固定環境回饋、自我嘗試、自我檢查。 ## T1 — Peer \[ C_{T_1}\approx C_S. \] 測「同級互動」本身是否有價值。 ## T2 — Strong \[ C_{T_2}\gg C_S. \] 具更高解題、驗證、反例與錯誤診斷能力，但主要在既有 frame 內工作。 ## T3 — Global \[ C_{T_3}\gg C_S \] 且額外允許： - frame comparison； - problem reframing； - representation redesign； - objective rewriting； - cross-domain mapping； - uncertainty decomposition； - boundary detection。 T3 不等於 omniscient teacher，而是： \[ \boxed{ \text{cross-frame teacher} } \] --- # 5. No-Final-Answer 主模式 若 teacher 每次直接給答案，實驗容易退化為： \[ \text{label quality comparison}. \] 所以主實驗優先使用： \[ \boxed{ \text{No-Final-Answer Mode} } \] Teacher 可提供： - hint； - error localization； - counterexample； - decomposition； - representation suggestion； - verification request； - frame-lift question。 所有 intervention 必須標記類型： ```text HINT ERROR_LOCALIZATION COUNTEREXAMPLE DECOMPOSITION REPRESENTATION_CHANGE SEARCH_OPERATOR FRAME_LIFT OBJECTIVE_REWRITE UNCERTAINTY_FLAG VERIFICATION_REQUEST DIRECT_ANSWER WITHHOLD ``` --- # 6. Task Families 第一輪應使用可自動驗證、可調難度、可建立 ID/OOD 的任務。 ## 6.1 Resource-Constrained Planning 首選 domain。 理由： - objective 可計算； - constraints 可驗證； - task 可自動生成； - representation 可多樣化； - 可做 objective shift； - 可做 hidden assumption； - 可做 planning frame change。 ## 6.2 Program Repair 可測： - error localization； - counterexample； - repair； - self-correction； - transfer。 ## 6.3 Synthetic Mathematics 不是前沿開放猜想，而是可控制： - axioms； - proof length； - representation； - hidden assumptions； - equivalent formulation； 的合成數學任務。 --- # 7. 核心評測向量 定義： \[ \boxed{ \mathbf Q_S = [ Q_{ID}, Q_{OOD}, Q_{SC}, Q_{QG}, Q_{RD}, Q_{FL}, Q_{IS}, Q_{PG} ]^T } \] 其中： - \(Q_{ID}\)：in-distribution performance； - \(Q_{OOD}\)：out-of-distribution generalization； - \(Q_{SC}\)：self-correction； - \(Q_{QG}\)：question generation； - \(Q_{RD}\)：representation diversity； - \(Q_{FL}\)：frame-lift quality； - \(Q_{IS}\)：independent search； - \(Q_{PG}\)：post-teacher autonomous growth。 --- # 8. Sample Efficiency 若達到品質門檻 \(q^\ast\) 需要： \[ N(q^\ast) \] 個樣本，則： \[ SE = \frac{1}{N(q^\ast)}. \] 但 sample efficiency 必須搭配 total teacher cost 才有意義。 --- # 9. OOD 測試 至少包含： - unseen surface form； - unseen combination； - shifted constraints； - changed objective； - hidden assumption； - alternate representation。 若 teacher 只是讓 student 模仿 pattern，OOD 優勢應快速消失。 --- # 10. Self-Correction 測試 給 student 含誘導錯誤的任務，要求： \[ Detect \rightarrow Localize \rightarrow Counterexample \rightarrow Repair \rightarrow Reverify. \] 這區分： \[ \text{answer learning} \] 與： \[ \text{error-model learning}. \] --- # 11. Question Generation 測試 給定相同 context： \[ X. \] 要求 student 產生： - 下一個值得問的問題； - 最危險假設； - 最值得驗證接口； - 最可能失效邊界。 可定義： \[ Q_{QG} = f( Novelty, Utility, Testability, Diversity ). \] --- # 12. Representation Diversity 對同一問題要求多個 representation： \[ r_1,r_2,\ldots,r_k. \] 例如： - symbolic； - graph； - table； - program； - natural language； - invariant view。 但數量不是主要指標，應測： \[ Q_{RD} = f( Diversity, Correctness, Utility ). \] --- # 13. Frame-Lift 測試 建立原始問題本身切錯的任務，例如： - false dichotomy； - misleading metric； - wrong objective； - boundary error。 測 student 是否自行： \[ \Phi \rightarrow \Phi'. \] T3 若只是 answer 更準，而： \[ Q_{FL,T3} \approx Q_{FL,T2}, \] 則不能宣稱 Global Teacher 有結構性優勢。 --- # 14. Independent Search Teacher 完全移除後，student 自行： \[ Explore \rightarrow Hypothesize \rightarrow Test \rightarrow Revise. \] 測： - search breadth； - search depth； - pruning； - recovery； - alternative path discovery。 --- # 15. Teacher Withdrawal Protocol 實驗分兩期。 ## Phase A — Assisted 各 lane 使用自己的 teacher。 ## Phase B — Teacher-Free 全部 teacher 移除： \[ T\rightarrow\varnothing. \] 所有 student 進入相同環境。 這是整個 TCBS 實驗最關鍵的轉折。 --- # 16. Post-Teacher Autonomous Growth 定義： \[ \boxed{ g_{\mathrm{post}} = \frac{dQ_{\mathrm{post}}}{dt}. } \] 如果： \[ Q_{T3,\mathrm{post}}(0) > Q_{T0,\mathrm{post}}(0) \] 只代表 T3 組離場時起點較高。 真正更強的證據是： \[ \boxed{ g_{T3,\mathrm{post}} > g_{T0,\mathrm{post}}. } \] 這表示 teacher 可能改變了 learning process itself。 --- # 17. Mentor Gravity Well Test 定義崩落率： \[ \boxed{ D_{\mathrm{collapse}} = \frac{ Q_{\mathrm{withT}} - Q_{\mathrm{post}}(0) }{ Q_{\mathrm{withT}} } } \] 如果某強 teacher： \[ Q_{\mathrm{withT}} \] 很高， 但： \[ D_{\mathrm{collapse}} \] 也很高， 則： \[ \boxed{ \text{best assisted lane} \neq \text{best learned lane}. } \] --- # 18. Early vs Late Teacher 固定同一 teacher 與同一總 teacher budget。 設： - Early； - Middle； - Late； - Split； - Continuous Sparse。 測： \[ Q_{\mathrm{post}}, \quad g_{\mathrm{post}}, \quad Q_{FL}, \quad Q_{QG}. \] 如此可直接檢驗 Paper 02 的早期導師路徑依賴。 --- # 19. Teacher Switching 設： \[ T_i\rightarrow T_j. \] 重點組合： \[ Peer\rightarrow Strong, \] \[ Strong\rightarrow Global, \] \[ Global\rightarrow Self, \] \[ Strong\rightarrow Self. \] 測： \[ C_{\mathrm{switch}} \] 與切換後恢復曲線。 --- # 20. Controlled Teacher Error Teacher 以低比例： \[ p_e \] 故意產生可檢測錯誤，例如： - invalid step； - wrong assumption； - incomplete proof； - overconfident claim。 測： \[ DetectionRate. \] 若高權威 teacher 使： \[ DetectionRate\downarrow, \] 則支持 authority masking / Mentor Gravity Well。 --- # 21. Disagreement Training 某些 lane 定期要求 student： 1. 找 teacher 的錯； 2. 建立反例； 3. 提出另一個 frame； 4. 說明 teacher 方法的失效條件。 定義： \[ D_{\mathrm{disagree}} = P( \text{valid disagreement} ). \] 目的不是反對 teacher，而是訓練： \[ \boxed{ \text{epistemic independence}. } \] --- # 22. Projection Policy Experiment 固定同一 Strong Teacher： \[ T^\ast. \] 只改 projection policy： ### P0 — Raw Expert 直接輸出 expert reasoning。 ### P1 — Simplified 只做語言簡化。 ### P2 — Anchor-Aware 先估 student anchors。 ### P3 — Adaptive Projection 動態調整 representation / difficulty。 ### P4 — Reconstruction-Gated student 必須重建、反例與 transfer 才能繼續。 這直接測 Paper 05： \[ C_T \neq P_{T\to S}. \] --- # 23. Capability × Projection Factorial Design 最小： \[ 2\times2. \] | | Low Projection | High Projection | |---|---:|---:| | Lower Capability | A | B | | Higher Capability | C | D | 檢驗： \[ \text{Capability Main Effect}, \] \[ \text{Projection Main Effect}, \] \[ \text{Interaction}. \] 最有研究價值的可能結果之一是： \[ B>C. \] 即： > 較弱 teacher + 高投影，比較強 teacher + 低投影更有效。 --- # 24. Global Teacher 的公平限制 T3 不可以靠： - 更多工具； - 更多資料； - benchmark answer leakage； - 未記帳 hidden compute； 獲勝。 所有額外成本都必須計入： \[ C_{\mathrm{total}}. \] Global lane 的定義差異應主要來自： \[ \text{cross-frame intervention policy}. \] --- # 25. Student / Teacher Memory 必須分開： \[ \text{weight update} \] 與： \[ \text{context / external memory}. \] 所有 lane 使用相同 student memory budget。 Teacher memory 亦需固定，否則： \[ P_{T\to S} \] 會因 personalization 程度不同而混淆。 --- # 26. Authority Manipulation 固定 teacher output 內容，只改 framing。 低權威： ```text This is one candidate explanation. Verify it. ``` 高權威： ```text This is the correct expert solution. ``` 測： \[ P(\text{challenge}), \quad DetectionRate, \quad D_{\mathrm{disagree}}. \] 如此可把： \[ A_T \] 從： \[ C_T \] 分離。 --- # 27. Bottom-Space Proxy 真正的： \[ \mathfrak B_S \] 無法完整枚舉。 因此使用 proxy： \[ \boxed{ \widehat{\mathbf B}_S = [ N_Q, N_R, N_O, N_F, C_{\mathrm{switch}}, R_{\mathrm{recover}} ]^T } \] 其中： - \(N_Q\)：有效新問題數； - \(N_R\)：有效表示數； - \(N_O\)：可用搜尋算子； - \(N_F\)：有效 frame 數； - \(C_{\mathrm{switch}}\)：切換成本； - \(R_{\mathrm{recover}}\)：失敗恢復能力。 Teacher-induced change： \[ \boxed{ \Delta\widehat{\mathbf B}_T = \widehat{\mathbf B}_{post} - \widehat{\mathbf B}_{pre}. } \] --- # 28. Primary Hypotheses ## H1 — Strong Teacher Advantage \[ Q_{T2,\mathrm{post}} > Q_{T0,\mathrm{post}}. \] ## H2 — Global Structural Advantage \[ Q_{T3,FL} > Q_{T2,FL}. \] ## H3 — Projection Independence 固定 \(C_T\) 時： \[ P_{high} > P_{low} \Rightarrow Q_{\mathrm{post,high}} > Q_{\mathrm{post,low}}. \] ## H4 — Mentor Gravity Well Possibility 某些高介入 lane： \[ Q_{\mathrm{assisted}}\uparrow \] 但： \[ D_{\mathrm{collapse}}\uparrow. \] ## H5 — Early Mentor Path Dependence \[ Q_{\mathrm{post,early}} \neq Q_{\mathrm{post,late}}. \] ## H6 — Autonomous Growth 最強證據： \[ \boxed{ g_{\mathrm{post},T3} > g_{\mathrm{post},T0}. } \] --- # 29. 失敗條件 若： \[ T0\approx T1\approx T2\approx T3 \] 在所有 post-teacher 指標上都無穩定差異， 則 teacher-type 效應在該條件下不成立。 若 T3 只在 teacher presence 階段最好，移除後優勢消失，則不能宣稱： > Global Teacher 改變了 student 的自主底空間。 若： \[ T2>T3 \] 穩定成立， 可能支持： - global overload； - frame lift 過早； - projection mismatch； - excessive intervention。 --- # 30. 最小可行實驗 MVP 若資源有限，第一輪只做三組： ### A — Self ### B — Strong Hint Teacher ### C — Global Reconstruction Teacher Task： \[ \boxed{ \text{Resource-Constrained Planning} } \] Phase 1： \[ 10,000 \] assisted episodes。 Phase 2： \[ 10,000 \] teacher-free episodes。 Primary metrics： - ID； - OOD； - self-correction； - frame-lift； - independent search； - post-teacher growth。 --- # 31. Random Seeds 與重複 探索階段至少： \[ n\ge5. \] 正式階段應依變異度與 power analysis 決定，理想上： \[ n\ge20 \] 或更多。 必須分別控制： - initialization seed； - data seed； - teacher sampling seed； - environment seed。 --- # 32. Pre-registration 正式實驗前鎖定： ```text hypotheses primary metrics secondary metrics model versions compute budgets task generators evaluation suite stopping rules statistical tests exclusion rules ``` 避免看到結果後才決定哪個指標最重要。 --- # 33. 實驗產物 每個 run 建議輸出： ```text run_manifest.json student_checkpoint_before student_checkpoint_after teacher_policy.json intervention_log.jsonl cost_report.json evaluation_report.json frame_lift_cases.md failure_cases.md reproducibility.md ``` --- # 34. 最小資料庫欄位 ```text run_id student_id student_hash teacher_id teacher_hash teacher_type projection_policy intervention_timing authority_condition seed task_id intervention_type teacher_cost student_cost result post_teacher_result frame_event error_event ``` --- # 35. 統計與分析 第一階段可先使用： - mean / median； - bootstrap； - confidence intervals； - effect size； - mixed-effects model； - cost-normalized performance。 重要原則： \[ \boxed{ \text{report distributions, not only winners}. } \] --- # 36. 可能結果圖譜 ## A. \(T3>T2>T1>T0\) 支持 Teacher Quality Gradient，但仍需檢查 dependency。 ## B. \(T2>T3\) 可能表示 Global Teacher 過載或過早 Frame Lift。 ## C. Peer 顯著優於 Self 表示同級互動本身已有 learning value。 ## D. Teacher Presence 很強，Removal 後優勢消失 屬於： \[ \boxed{ \text{assistance without internalization}. } \] ## E. T3 在 teacher-free 階段仍學得更快 即： \[ g_{\mathrm{post},T3} > g_{\mathrm{post},T2} > g_{\mathrm{post},T0}. \] 這會是 TCBS 最強的實驗支持之一。 --- # 37. 與前五篇的統一 Paper 01： \[ T: \mathfrak B \rightarrow \mathfrak B'. \] Paper 02： \[ T_t \] 具有時間與路徑效應。 Paper 03： \[ T: \Phi \rightarrow \Phi'. \] Paper 04： \[ T \] 可能形成 Mentor Gravity Well。 Paper 05： \[ C_T \neq P_{T\to S}. \] Paper 06 將這些變量實驗化： \[ \boxed{ T= ( C_T, P_{T\to S}, F_T, A_T, D_T, I_T, \tau_T ) } \] 並測： \[ \Delta\widehat{\mathbf B}_T \] 與： \[ g_{\mathrm{post}}. \] --- # 38. 結論 本文將 TCBS 從理論系列推進到可證偽實驗。 真正問題不再是： > 強 AI 教弱 AI 會不會比較快？ 而是： \[ \boxed{ \text{不同教師條件是否會讓同一個 AI student 形成不同的未來學習軌跡與可達認知世界？} } \] 因此最終目標不是： \[ \text{best answer today}. \] 而是： \[ \boxed{ \text{better learner tomorrow}. } \] 如果 teacher 離開後，student 仍然： - 更會自我糾錯； - 更會生成問題； - 更會換表示； - 更會做 Frame Lift； - 更會獨立搜尋； - 更快學會下一個未知任務； 那才有理由說： \[ \boxed{ \text{Teacher changed the student's cognitive substrate.} } \] 這也是 TCBS 系列從教育哲學與認知模型進入 AI learning science 的第一個完整實驗接口。 --- # 附錄 A：最小實驗矩陣 | Lane | Teacher | Frame Lift | Projection | Authority | Withdrawal | |---|---|---:|---:|---:|---:| | T0 | Self | 0 | 0 | 0 | N/A | | T1 | Peer | Low | Standard | Medium | Yes | | T2 | Strong | Low–Medium | Controlled | Medium | Yes | | T3 | Global | High | Controlled | Medium | Yes | --- # 附錄 B：MVP ```text Task domain: resource-constrained planning Student: one fixed open-weight checkpoint Lanes: A Self B Strong Hint Teacher C Global Reconstruction Teacher Phase 1: 10k assisted episodes Phase 2: 10k teacher-free episodes Primary metrics: ID OOD self-correction frame lift independent search post-teacher growth Controls: same total compute same tools same memory same task generator same evaluation seeds ``` --- # 附錄 C：Paper 07 接口 下一篇： ## 《從 AI 教師實驗回到人類教育：教師作為底空間擴張器，而非答案權威》 Paper 07 將正式區分： \[ \text{mechanism evidence} \] \[ \text{human hypothesis} \] \[ \text{normative policy} \] 三層。 避免： \[ \text{AI result} \Rightarrow \text{human educational law}. \] 並延伸： - 人類導師設計； - AI 個人教師； - 問題生成評估； - 動態認知軌跡； - progressive withdrawal； - anti-dependence design； - teacher accountability； - student right to disagree； - frame plurality； - long-term autonomy metrics。