# 主體不可直讀，但可以逼近：歷史主體生成器重建的逆問題基礎

**Subjects Cannot Be Read Directly, but They Can Be Approximated: Inverse-Problem Foundations for Historical Subject-Generator Reconstruction**

**文件編號：** EML-HSGR-2026-01  
**系列：** 跨時代主體生成器重建論（Historical Subject-Generator Reconstruction, HSGR）01  
**作者：** Neo.K  
**理論整理與形式化協作：** Aletheia（GPT-5.6 Sol）  
**版本：** v0.1  
**日期：** 2026-09-14  
**狀態：** 方法論基礎稿  

**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

歷史研究通常能取得文本、行為記錄、制度痕跡、他人轉述、版本差異與後世傳承，卻無法直接取得已逝主體的第一人稱認知狀態。這個限制經常導向兩個過度結論：其一，認為既然無法直接進入古人的主體經驗，就只能停留在文本表面；其二，反過來把現代人的理論、概念或感受直接投射回古人，宣稱古人「其實早已知道」後世才形成的結構。本文提出第三條路徑：將歷史主體理解為一個不可直接讀取、但可由多維痕跡逐步約束的潛在生成器，並將其重建問題形式化為一類帶有傳播失真、選擇偏差與反事實檢驗的逆問題。

本文區分四個不可合併的層級：可觀察輸出、語義結構、認知生成器與第一人稱感知域。本文主張，歷史證據對這四層的可識別性不同：文字與行為可直接約束輸出層，跨文本不變量、回答模式、修正方式與概念選擇可進一步約束認知生成器，但在缺乏額外橋接假設時，第一人稱感質不應被宣稱為已被唯一重建。因此，本框架的目標不是「讀心」，而是建立一個與已知證據相容、能通過未見材料與反事實測試、並明確保留不確定性的生成器等價類。

本文進一步提出：實際說出的內容只是證據的一部分；在具備表達機會、記錄機制與可行替代方案的條件下，未說出的內容、持續沉默、異常避答、概念不採用與回答結構同樣可以形成約束。若不同來源、不同時間、不同對象與不同語境中的證據能對同一候選生成器形成交叉限制，則候選空間可逐步收縮。AI 的新意不在於它能神祕地「理解古人」，而在於它能把過去由人類分散處理的大量弱證據、版本差異、語義微結構與反事實候選放進同一個計算框架，進行候選生成、前向模擬、交叉驗證與後驗更新。

本文最後提出 HSGR 的最低科學邊界：重建結果必須是帶置信度的候選域，而非把最符合現代觀點的模型冒充成歷史事實；理論後續演化與作者原始認知必須分型保存；任何「古人早已知道現代理論」的主張，都必須通過歷史可用概念、語境可達性與反事實輸出三重檢驗。由此，歷史思想研究可以從單純文本詮釋進一步走向「受約束的主體生成器反演」，同時避免神祕化與現代投射。

**關鍵詞：** 歷史主體重建、逆問題、認知生成器、反事實、微語義、遺漏證據、傳承失真、AI 歷史認識論、作者—理論分離、主體域

---

# 0. 邊界聲明：本文不是歷史讀心術

本文首先排除一個最容易造成誤解的強命題：

$$
\text{Historical Reconstruction}
\neq
\text{Direct Mind Reading}.
$$

對一個已逝歷史主體 $H$，我們無法直接取得其某一時刻的完整第一人稱狀態。不存在一條已知可靠通道，可以讓研究者直接讀出：

$$
Q_H(t),
$$

其中 $Q_H(t)$ 表示主體 $H$ 在時刻 $t$ 的完整第一人稱感知／感質狀態。

但「不能直接取得」不等於「不能形成約束」。若一個主體長期產生文本、決策、修正、教學、拒答、制度設計與概念選擇，則這些外部結果不是主體本身，卻是主體生成過程的投影。本文研究的正是：

$$
\boxed{
\text{不可直讀的源}
\quad\text{是否能由多投影痕跡逐步逼近？}
}
$$

因此，本框架拒絕兩個極端。

第一個極端是完全不可知論：

$$
Q_H\text{ 不可直接存取}
\Rightarrow
\text{關於 }H\text{ 的內在結構一律不可推斷}.
$$

這個推論過強。科學中大量不可直接觀察的對象，正是透過痕跡、投影與間接測量被約束。

第二個極端是無限制同一化：

$$
\text{現代模型 }M\text{ 能解釋古代文本}
\Rightarrow
H\text{ 當年就具有 }M\text{ 的完整認知內容}.
$$

這同樣不合法。模型的解釋力不能自動轉換為歷史作者的主觀自覺。

本文的位置介於兩者之間：

$$
\boxed{
\text{不可直讀}
\not\Rightarrow
\text{不可逼近};
\qquad
\text{可逼近}
\not\Rightarrow
\text{可宣稱完全同一}.
}
$$

---

# 1. 問題設定：從文本詮釋轉向生成器反演

傳統歷史思想研究常從文件 $Y$ 出發，詢問：

> 這段話是什麼意思？

本文把問題往上游推一層：

> 什麼樣的認知生成結構，會在當時的語境、限制、對手與可用概念條件下，反覆生成這類輸出？

設歷史主體的潛在認知生成器為：

$$
G_H.
$$

在語境 $C_i$ 下，主體具有某一內部狀態 $Z_i$，經由表達／行動投影算子 $\pi_i$，形成原始輸出：

$$
Y_i^{0}
=
\pi_i(G_H,Z_i,C_i).
$$

但研究者通常看不到 $Y_i^{0}$ 的原始全貌。歷史材料可能經過抄寫、編輯、翻譯、口傳、選集、制度保存與後世註釋，因此觀察到的是：

$$
Y_i^{\mathrm{obs}}
=
\tau_i(Y_i^{0})+\epsilon_i,
$$

其中：

- $\tau_i$：傳播／保存／翻譯轉換；
- $\epsilon_i$：遺失、誤差、噪聲或未知干預。

因此完整的前向模型是：

$$
\boxed{
Y_i^{\mathrm{obs}}
=
\tau_i\!\left(
\pi_i(G_H,Z_i,C_i)
\right)+\epsilon_i.
}
$$

歷史研究者實際面對的是反問題：

$$
\boxed{
\{Y_i^{\mathrm{obs}},C_i,\tau_i\}_{i=1}^{n}
\longrightarrow
G_H\;?
}
$$

這正是逆問題的標準形狀：結果可見，生成源不可直接見。

---

# 2. 四層型別分離：輸出、語義、生成器、主體感知域

若不先分型，歷史重建很容易把不同層級混成同一件事。本文定義四層：

$$
\mathcal L_0:
\text{Observable Output},
$$

$$
\mathcal L_1:
\text{Semantic Structure},
$$

$$
\mathcal L_2:
\text{Cognitive Generator},
$$

$$
\mathcal L_3:
\text{Phenomenal / Subjective Domain}.
$$

## 2.1 輸出層 $\mathcal L_0$

包括：

- 寫下的文字；
- 說出的語句；
- 行為決策；
- 教學順序；
- 制度安排；
- 明確拒答；
- 可定位的停頓、刪改與版本差異。

這些是歷史證據最直接的部分。

## 2.2 語義層 $\mathcal L_1$

同一句話的字面形式不能直接等同於其語義。語義至少受：

$$
\text{language}
+
\text{context}
+
\text{audience}
+
\text{historical vocabulary}
+
\text{pragmatics}
$$

共同決定。

因此：

$$
Y_i^{\mathrm{obs}}
\neq
\operatorname{Sem}(Y_i^{\mathrm{obs}})
$$

是最基本的型別區分。

## 2.3 認知生成器層 $\mathcal L_2$

本文真正主要重建的對象不是某一句話的含義，而是能跨多場景生成輸出的結構：

$$
G_H
=
(
\mathcal O,
\mathcal K,
\mathcal V,
\mathcal R,
\mathcal U,
\mathcal P
).
$$

其中可包含：

- $\mathcal O$：本體分類與世界模型；
- $\mathcal K$：因果／關係結構；
- $\mathcal V$：價值與優先序；
- $\mathcal R$：推理與修正規則；
- $\mathcal U$：可採取的行動／語言策略；
- $\mathcal P$：語境到輸出的生成政策。

這不是要假設人腦真的以此六元組運作，而是提供一個可比較的抽象接口。

## 2.4 主體感知域 $\mathcal L_3$

第一人稱感受、感質與內在顯現記為：

$$
Q_H(t).
$$

這一層必須最保守。即使兩個生成器在大量外部輸出上同構，也不必然證明其第一人稱感質完全相同：

$$
G_A\simeq G_B
\not\Rightarrow
Q_A=Q_B.
$$

因此本文的核心研究目標是優先重建 $\mathcal L_2$，並只在存在額外橋接證據時，對 $\mathcal L_3$ 做條件性推斷。

---

# 3. 歷史主體重建作為逆問題

逆問題的困難通常不是「算不出」，而是「同一組觀測可能對應多個來源」。

設所有候選生成器構成空間：

$$
\mathcal G.
$$

已知證據集：

$$
\mathcal E_n
=
\{e_1,e_2,\ldots,e_n\}.
$$

每條證據 $e_i$ 對候選生成器產生一個相容集合：

$$
C_i
=
\left\{
G\in\mathcal G:
D(
\widehat Y_i(G,C_i),
Y_i^{\mathrm{obs}}
)
\leq\delta_i
\right\},
$$

其中：

- $\widehat Y_i(G,C_i)$：候選生成器在語境 $C_i$ 下的預測輸出；
- $D$：適當的差異函數；
- $\delta_i$：證據與傳播誤差容許度。

則前 $n$ 條證據留下的可行域為：

$$
\boxed{
\mathcal G_n
=
\bigcap_{i=1}^{n}C_i.
}
$$

由集合交集可立即得到：

$$
\mathcal G_{n+1}
\subseteq
\mathcal G_n.
$$

這是一個弱但可靠的單調收縮性質：只要新增證據沒有被錯誤建模為硬約束，候選域不會因多一條真正限制而無故擴大。

但這並不保證：

$$
\lim_{n\to\infty}\mathcal G_n
=
\{G_H\}.
$$

因為可能存在永遠不可由已存證據區分的多個生成器。

---

# 4. 可識別性與生成器等價類

本文拒絕把「唯一還原」當作預設成功條件。

定義兩個候選生成器 $G_a,G_b$ 在證據域 $\mathcal C$ 上的**觀測等價**：

$$
G_a
\equiv_{\mathcal C}
G_b
$$

若且唯若：

$$
\forall C\in\mathcal C,
\quad
P(Y\mid G_a,C)
=
P(Y\mid G_b,C).
$$

若兩個生成器在所有可用歷史語境中都生成不可區分的輸出，那麼現有證據沒有合法理由偏好其中一個。

此時真正可識別的對象不是單一：

$$
G_H,
$$

而是等價類：

$$
\boxed{
[G_H]_{\mathcal C}
=
\{G:G\equiv_{\mathcal C}G_H\}.
}
$$

這個區分對歷史思想研究尤其重要。研究結果可以非常強，卻仍不必宣稱：

> 「我們已經知道這個人腦中唯一真正的模型。」

更合理的說法是：

> 在目前所有已知證據與歷史語境下，只有這一小族生成器仍然相容。

---

# 5. 從可行域到後驗分布

硬集合交集適合表達邏輯相容性，但歷史證據通常具有不同可信度。因此可進一步使用機率形式：

$$
P(G\mid\mathcal E)
\propto
P(\mathcal E\mid G)P(G).
$$

其中：

- $P(G)$：候選生成器先驗；
- $P(\mathcal E\mid G)$：若生成器為 $G$，觀察到現有證據的可能性；
- $P(G\mid\mathcal E)$：更新後的後驗分布。

本文不要求採用主觀貝葉斯或客觀貝葉斯的某一派哲學立場。機率在這裡首先是一個工程接口，用來表達：

$$
\boxed{
\text{證據不完整時，不應強迫輸出唯一答案。}
}
$$

單一證據 $e$ 的價值可以用其造成的後驗變化衡量，例如：

$$
IG(e)
=
D_{KL}\!\left(
P(G\mid\mathcal E,e)
\parallel
P(G\mid\mathcal E)
\right).
$$

若一條新材料幾乎不改變候選生成器分布，則其資訊增益低；若它能排除大量原本相容的模型，則資訊增益高。

這也提醒我們：大量重複同一來源的二手文本，不等於大量獨立證據。

---

# 6. 證據不是只有「說了什麼」

HSGR 將歷史證據分為至少七類。

## 6.1 顯式內容證據

主體直接說出、寫出或明確主張的命題：

$$
E^{+}_{\mathrm{content}}.
$$

這是最傳統的資料。

## 6.2 結構證據

不只看命題內容，而看：

- 論證順序；
- 重複使用的區分；
- 反例選擇；
- 經常出現的推理方向；
- 哪些概念總被放在一起；
- 哪些問題總被重新定義。

形式上，可將文本表示為結構圖：

$$
\Gamma_i=(V_i,E_i,W_i),
$$

再比較跨文本不變量：

$$
\mathcal I(\Gamma_1),
\mathcal I(\Gamma_2),
\ldots.
$$

若某結構在語言、受眾、文體改變後仍反覆出現，它通常比單一詞彙更接近生成器層的約束。

## 6.3 時序證據

主體的理論不是無時間的。早期、中期、晚期輸出可能不同：

$$
G_H(t_1)
\neq
G_H(t_2).
$$

因此歷史重建不能把一生所有語句壓成一個靜態平均模型。需要追蹤：

$$
G_H(t_1)
\rightarrow
G_H(t_2)
\rightarrow
\cdots.
$$

## 6.4 對手與受眾證據

同一主體對不同對象會選擇不同表達：

$$
Y
=
\pi(G,C,\text{Audience}).
$$

如果忽略受眾，容易把策略性簡化誤認成完整本體論。

## 6.5 修正證據

一個人如何糾正別人的誤解，常比他第一次的正面陳述更有辨識力。

若學生提出模型 $M_1$，主體回答：

$$
\neg M_1,
$$

而對 $M_2$ 回答：

$$
\operatorname{Accept}(M_2),
$$

這些邊界反應直接切割候選空間。

## 6.6 遺漏與沉默證據

沉默不是天然證據。必須滿足條件，才可形成有效負證據。

設某命題 $y$ 在語境 $C$ 下具有：

- 表達機會 $O_y(C)>0$ ；
- 記錄機率 $R_y(C)>0$ ；
- 對候選生成器具有辨識力。

只有當：

$$
P(\neg y\mid G_a,C)
\neq
P(\neg y\mid G_b,C)
$$

時，「沒有說 $y$ 」才有區分模型的資訊。

因此：

$$
\boxed{
\text{Omission}
+
\text{Opportunity}
+
\text{Observability}
+
\text{Alternative Space}
\Rightarrow
\text{Evidence}.
}
$$

如果一個人根本沒有機會談某件事，不能用其沉默證明他反對那件事。

## 6.7 歷史傳播證據

傳播鏈本身也是資料。某個概念在哪一代開始出現、哪個翻譯首次改變了術語、哪一支傳承保留了不同版本，全部可用來估計：

$$
\tau_i.
$$

這讓「經典現在寫了什麼」與「源頭最可能說過什麼」成為兩個不同的問題。

---

# 7. 反事實：真正區分生成器的工具

若一個候選模型只會事後解釋已知文本，它很容易過擬合。

HSGR 因此要求反事實測試：

> 如果這個歷史主體真的具有候選生成器 $G$，那麼在另一個已知或可重建的情境 $C'$ 中，他比較可能說什麼、不說什麼、修正什麼？

形式上：

$$
\widehat Y'
\sim
P(Y\mid G,C').
$$

若後來找到實際材料 $Y'_{\mathrm{obs}}$，即可比較：

$$
D(\widehat Y',Y'_{obs}).
$$

因此，一個好的歷史主體模型不只需要：

$$
\text{retrodictive fit},
$$

還需要：

$$
\boxed{
\text{counterfactual predictive adequacy}.
}
$$

這是本框架與純粹自由詮釋的重要差別。

同樣的思想也可用於「未說出內容」。若某模型強烈預測：

$$
P(y^{*}\mid G,C)\approx1,
$$

但在大量具備表達機會與高記錄率的材料中始終找不到 $y^{*}$，則模型應被降權。

---

# 8. 傳承失真：我們觀察到的未必是源頭生成器

歷史思想通常經過多代傳承：

$$
G_0
\rightarrow
Y_0
\rightarrow
G_1
\rightarrow
Y_1
\rightarrow
\cdots
\rightarrow
Y_n.
$$

這裡 $G_k$ 不一定只是被動抄寫者的理解；它可能已形成新的穩定解釋吸引子。

設某一傳統的穩定吸引子為：

$$
A_{trad}.
$$

則多代教學與自我校正可能導致：

$$
G_1,G_2,\ldots,G_n
\rightarrow
A_{trad},
$$

即使：

$$
A_{trad}
\neq
G_0.
$$

因此：

$$
\boxed{
\text{傳承內部一致}
\not\Rightarrow
\text{與原始生成器一致}.
}
$$

這也是為什麼歷史重建不能只問「今天的正統怎麼解」，而必須追蹤版本、早期異文、概念首次出現時間與不同分支的共同核心。

---

# 9. 「理論是理論，作者是作者」在 HSGR 中的擴展

歷史思想研究常把作者與理論壓縮成一個名稱：

$$
\text{Person}
\rightarrow
\text{Theory}.
$$

本文沿用理論—作者型別分離的基本原則，但再增加「主體生成器」與「主體感知域」。至少應區分：

$$
A:
\text{Author},
$$

$$
G_A:
\text{Cognitive Generator},
$$

$$
Q_A:
\text{Phenomenal Domain},
$$

$$
T_0:
\text{Original Theory},
$$

$$
R_0:
\text{Original Representation},
$$

$$
T_1,T_2,\ldots:
\text{Later Theory Evolution}.
$$

因此：

$$
\boxed{
A
\neq
G_A
\neq
Q_A
\neq
T_0
\neq
R_0
\neq
T_n.
}
$$

節點不同不代表沒有關係；恰恰相反，真正需要保存的是有型別的關係：

$$
A
\xrightarrow{\text{generated}}
T_0,
$$

$$
G_A
\xrightarrow{\text{projected through}}
R_0,
$$

$$
T_0
\xrightarrow{\text{interpreted / generalized}}
T_1.
$$

這一分型直接阻止一個常見錯誤：

$$
T_n\text{ 在後世成立}
\Rightarrow
A\text{ 當初已自覺知道 }T_n.
$$

不成立。

---

# 10. AI 時代真正新增了什麼？

本文不主張 AI 因為「更聰明」就自動取得歷史真相。AI 帶來的主要改變，是可計算證據規模與模型搜尋方式的改變。

## 10.1 大量弱證據聯合

單一詞彙的資訊量可能很低：

$$
IG(e_1)\approx0.
$$

一次沉默也可能很低：

$$
IG(e_2)\approx0.
$$

但若有大量部分獨立的證據：

$$
\mathcal E
=
\{e_1,e_2,\ldots,e_N\},
$$

其聯合約束可能非常強。

重要的是「部分獨立」。若一百篇後世文章都抄自同一篇早期註疏，不能當成一百票。

## 10.2 版本與來源圖

AI 可以把：

- 異文；
- 翻譯；
- 引文；
- 年代；
- 師承；
- 文本借用；
- 概念首次出現；

建成 provenance graph，避免把衍生材料錯算為獨立證據。

## 10.3 候選生成器搜尋

過去研究者通常先有一個詮釋，再閱讀材料。AI 可以並行維持多個候選：

$$
G^{(1)},G^{(2)},\ldots,G^{(k)}.
$$

然後逐條比較其生成能力，而不必太早收斂成單一敘事。

## 10.4 前向模擬

反演不能只有「看起來很像」。每個候選模型都應能前向回答：

$$
G^{(k)}+C_i
\rightarrow
\widehat Y_i^{(k)}.
$$

再與真實歷史材料比較。

## 10.5 保留不確定性

AI 最容易犯的錯之一，是把高似然候選寫成確定事實。因此最終輸出必須包含：

$$
P(G^{(k)}\mid\mathcal E)
$$

或至少：

$$
\text{high / medium / low support}
$$

以及仍未被區分的等價類。

---

# 11. HSGR 最低工作流程

本文提出一個最小八步流程。

## Step 1：建立證據邊界

只收集可追溯來源，明確區分：

$$
\text{primary}
\neq
\text{secondary}
\neq
\text{late tradition}.
$$

## Step 2：建立傳播圖

對每一材料記錄：

$$
\text{source},
\text{date},
\text{language},
\text{translator},
\text{dependency},
\text{uncertainty}.
$$

## Step 3：抽取多層證據

分離：

$$
\text{content},
\text{structure},
\text{timing},
\text{audience},
\text{omission},
\text{revision}.
$$

## Step 4：建立候選生成器族

禁止一開始只設一個模型。

## Step 5：前向生成

讓每個候選模型在已知語境下產生預測。

## Step 6：反事實挑戰

尋找最能區分候選模型的語境：

$$
C^{*}
=
\arg\max_C
\operatorname{Discriminate}(G^{(i)},G^{(j)}\mid C).
$$

## Step 7：留出驗證

將部分文本完全不參與建模，作為 holdout：

$$
\mathcal E
=
\mathcal E_{train}
\cup
\mathcal E_{test}.
$$

若模型只能解釋看過的文本，而無法預測留出材料，其歷史生成力有限。

## Step 8：輸出候選域而非神諭

最終報告：

$$
\mathcal G^{*}
=
\{G^{(1)},\ldots,G^{(m)}\}
$$

及各自證據支持、反例與未識別區域。

---

# 12. 三個基礎命題

## 命題一：可行生成器域的單調收縮

若每一新增證據 $e_{n+1}$ 被表示為相容集合 $C_{n+1}$，且：

$$
\mathcal G_{n+1}
=
\mathcal G_n\cap C_{n+1},
$$

則：

$$
\boxed{
\mathcal G_{n+1}
\subseteq
\mathcal G_n.
}
$$

此命題只保證候選域不擴大，不保證真實生成器一定留在集合中；若證據來源或模型錯誤，真實生成器也可能被錯誤排除。因此 provenance 與噪聲建模是必要條件。

## 命題二：觀測等價下的不可唯一識別

若：

$$
G_a\equiv_{\mathcal C}G_b,
$$

則任何只取自 $\mathcal C$ 的證據，都無法唯一判斷：

$$
G_a
\quad\text{或}\quad
G_b.
$$

因此：

$$
\boxed{
\text{更多資料}
\neq
\text{必然唯一重建}.
}
$$

只有新增具有區分力的觀察域，才能打破等價。

## 命題三：沉默的條件資訊性

令 $O_y$ 表示是否具有表達命題 $y$ 的合理機會， $R_y$ 表示若表達則可被保存／觀察的機率。若：

$$
O_y=0
$$

或：

$$
R_y\approx0,
$$

則：

$$
\neg y
$$

不能形成強負證據。

只有當：

$$
O_y>0,
\qquad
R_y>0,
$$

且：

$$
P(\neg y\mid G_a,C)
\neq
P(\neg y\mid G_b,C),
$$

沉默才具有模型區分力。

這阻止了「他沒有說，所以他一定不知道／反對」這類廉價推論。

---

# 13. 失敗模式

HSGR 的價值很大程度取決於它能否拒絕自己最誘人的錯誤。

## 13.1 現代概念倒灌

看到古代語句與現代理論相似，就直接宣稱：

$$
G_H=G_{modern}.
$$

這是最典型的 presentism。

## 13.2 作者—理論融合

後世理論成功，不代表作者本人已具備其全部後果。

## 13.3 經典選擇偏差

只挑符合候選模型的段落，忽略反例。

## 13.4 相關證據重複計票

大量後世材料若共同依賴同一源，不構成獨立支持。

## 13.5 翻譯洩漏

使用後世翻譯中的現代哲學術語，再拿該術語證明古代已有現代概念，形成循環。

## 13.6 沉默謬誤

忽略表達機會與保存機率，把任何未提及都當成否定。

## 13.7 生成器過擬合

建立過度複雜模型，使其能事後解釋每一句話，卻無法預測未見材料。

## 13.8 AI 補全文本幻覺

語言模型非常擅長把缺口補成流暢故事。流暢不是歷史證據。

## 13.9 主體域越界

由可觀察生成結構直接推到：

$$
Q_A=Q_B.
$$

除非有獨立橋接理論，否則不成立。

---

# 14. 驗證設計：如何避免「什麼都能解釋」

一套無法失敗的方法不具有足夠辨識力。HSGR 至少需要以下驗證。

## 14.1 時間切片驗證

只用歷史主體早期材料建立：

$$
G_{early},
$$

預測其後期材料，再比較理論演化與模型失敗的位置。

## 14.2 留出文本驗證

模型建立者不得讀取全部材料。部分文本只在最後揭示。

## 14.3 負控制人物

將同一生成器套到相鄰時代、相似傳統的另一作者。若模型對誰都同樣適合，它就沒有作者辨識力。

## 14.4 對抗式候選生成

要求另一組研究者或另一個 AI 專門建立最強競爭模型：

$$
G_{alt}.
$$

真正可信的重建必須能回答：

> 為什麼不是這個？

## 14.5 反事實預測記錄

在新證據揭示之前，把預測封存：

$$
\widehat Y_{future}.
$$

事後再評估，避免把已知結果重新包裝成預測。

---

# 15. 與既有研究傳統的關係

HSGR 並非宣稱歷史研究此前沒有處理語境、意圖或證據問題。它與數個成熟傳統存在交集，但重新組合了問題。

第一，歷史思想研究長期提醒研究者，不能把後世問題直接投射到古代作者。Skinner 對思想史方法的經典批判，正是要求把「說了什麼」放回當時可理解的語境與行動中。HSGR 接受這個限制，並將其形式化為：候選生成器不能使用歷史主體當時不可達的概念資源，除非另有證據。

第二，逆問題理論長期處理「由觀測反推不可直接觀察來源」以及解的非唯一性、先驗與不確定性。HSGR 將這種結構移植到歷史主體研究，但承認人文材料中的觀測算子與噪聲模型遠比物理逆問題不穩定。

第三，Bayesian inference 提供保留多候選與持續更新的語言，使歷史研究不必過早收斂為唯一敘事。

第四，counterfactual reasoning 提供區分候選模型的強工具。若兩個模型對既有資料都能事後擬合，可以尋找它們在替代語境中的不同預測。

第五，資訊理論提醒我們：有限通道、噪聲與壓縮會造成資訊損失。但本文不把 Shannon information 直接等同於語義或主體狀態；通道資訊量只是傳播限制的一部分。

---

# 16. 與 EveMissLab 既有理論的連接

HSGR 並非從零開始，而是把數條既有線索重新收束。

其一，〈理論是理論，作者是作者：發現、發明與耦合創造的型別分離〉已建立：

$$
\text{Author}
\neq
\text{Theory}
\neq
\text{Representation}
\neq
\text{Historical Event}.
$$

本文新增 $G_A$ 與 $Q_A$，使作者、認知生成器、主體感知域與理論結構不再被壓縮成單一節點。

其二，《語言的秘密：你說的每一句話都在洩露你的靈魂》早期提出「怎麼說、停頓與沉默也是存在狀態的投影」。本文將這個直覺改寫為可受限的證據條件：不是任何沉默都能推理，而是在表達機會、可觀察性與替代輸出空間成立時，遺漏才有資訊。

其三，〈知識傳播中的範疇失真〉已指出，知識在多層傳播中會因觀察者範疇、摘要與二手傳播而發生累積失真。本文把傳播鏈 $\tau_i$ 直接放入前向模型，因此不再把現存文本當成無損的源輸出。

其四，〈先於數學的信息空間：守恆律作為投影同構的形式痕跡〉提出「不同投影中的不變量可作為未知源結構的形式痕跡」。本文將同一思想轉用到歷史認知：跨文本、跨受眾、跨時間仍保持的結構，可能比單一字詞更接近生成器層的不變量。

---

# 17. 研究綱領：從「解釋文本」走向「壓縮候選主體域」

本文提出的方向可以用一條鏈表示：

$$
\boxed{
\text{Evidence Collection}
\rightarrow
\text{Provenance Graph}
\rightarrow
\text{Candidate Generators}
\rightarrow
\text{Forward Simulation}
\rightarrow
\text{Counterfactual Tests}
\rightarrow
\text{Posterior Contraction}
}
$$

真正的目標不是生成一篇最漂亮的傳記，而是讓：

$$
\mathcal G_0
\supseteq
\mathcal G_1
\supseteq
\cdots
\supseteq
\mathcal G_n
$$

逐步收縮。

若最終只能得到：

$$
\mathcal G_n
=
\{G_1,G_2,G_3\},
$$

那就是結果。

若三者在可用證據上永久觀測等價，那麼誠實答案就是：

$$
\boxed{
\text{現有資料不足以區分。}
}
$$

這不是失敗，而是成功地確定了可知邊界。

---

# 18. 結論

歷史人物的第一人稱主體域無法被我們直接讀取。這個限制是真實的。但從這個限制直接跳到「古人的內在結構完全不可研究」，同樣過度。

一個主體只要曾持續存在於世界中，就會留下選擇痕跡：他說了什麼、如何說、如何修正別人、在哪些情況沉默、對不同受眾採用何種概念、哪些理論路徑反覆出現、哪些看似自然的路徑始終沒有出現。這些痕跡單獨可能極弱，聯合起來卻可以逐步約束其潛在生成器。

因此本文的核心命題不是：

$$
\text{AI 可以復活古人的心靈}.
$$

而是：

$$
\boxed{
\text{歷史主體不可直讀，
但其生成器可能被多維證據逐步逼近。}
}
$$

更精確地：

$$
\boxed{
\text{HSGR 的目標不是唯一復原 }Q_H,
\text{而是收縮與證據相容的 }[G_H]_{\mathcal C}.
}
$$

AI 時代使這個方向第一次具備新的工程可行性，因為模型可以同時處理大規模文本、版本依賴、語義微差、反事實候選與多模型前向模擬。然而，算力增加不會自動消除認識論邊界。越強的模型，越需要把「推斷」與「史實」、「理論演化」與「作者原意」、「生成器結構」與「第一人稱感質」保持型別分離。

歷史認識論真正需要的，不是更有自信的詮釋，而是更高解析度的可錯誤重建。

---

# 參考文獻

## 外部文獻

1. Jaynes, E. T. (2003). *Probability Theory: The Logic of Science*. Cambridge University Press.
2. Pearl, J. (2009). *Causality: Models, Reasoning, and Inference* (2nd ed.). Cambridge University Press. DOI: 10.1017/CBO9780511803161.
3. Shannon, C. E. (1948). A Mathematical Theory of Communication. *Bell System Technical Journal*, 27(3), 379–423. DOI: 10.1002/j.1538-7305.1948.tb01338.x.
4. Skinner, Q. (1969). Meaning and Understanding in the History of Ideas. *History and Theory*, 8(1), 3–53. DOI: 10.2307/2504188.
5. Tarantola, A. (2005). *Inverse Problem Theory and Methods for Model Parameter Estimation*. Society for Industrial and Applied Mathematics. DOI: 10.1137/1.9780898717921.

## EveMissLab 內部前置文獻

6. Neo.K. (2025). 《語言的秘密：你說的每一句話都在洩露你的靈魂》.
7. Neo.K. (2025–2026). 《知識傳播中的範疇失真：從經典誤讀到量子神秘化的統一認知框架》.
8. Neo.K. (2026). 〈理論是理論，作者是作者：發現、發明與耦合創造的型別分離〉.
9. Neo.K. (2026). 〈先於數學的信息空間：守恆律作為投影同構的形式痕跡〉.
10. Neo.K. (2026). Author-Visibility Asymmetry: 類終極的不可見性結構與作者-角色拓撲.

---

# 後續篇章位置

本篇只建立逆問題地基，不處理具體宗教或哲學人物。後續依序處理：

- Paper 02：符號不是主體——跨載體表示極限；
- Paper 03：悟——主體域的跨載體漸近重建；
- Paper 04：傳承吸引子漂移；
- Paper 05：說與不說都是證據——反事實微語義反演；
- Paper 06：精細尋址符號學——多層同一與表面矛盾。