---
title: "量到的不一定是想知道的：Proxy–Target 分離、代理量有效域與認識誤置"
english_title: "What Is Measured Is Not Necessarily What Is Known: Proxy–Target Separation, Proxy Validity Domains, and Epistemic Misplacement"
series: "認識生成、推論閉合與觀察者校準系列"
series_en: "Knowledge Formation, Inferential Closure, and Observer Calibration 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: "EPISTEMOLOGY / MEASUREMENT THEORY / META-METHODOLOGY"
claim_state: "THEORETICAL FRAMEWORK / PROXY–TARGET MODEL"
evidence_state: "CONCEPTUAL / CROSS-DOMAIN OBSERVATIONAL"
scope_note: "本文討論一般認識論中的代理量與目標變量問題。AI、學術評估、平台指標、組織治理與日常判斷僅作為案例，不將任何單一系統或群體視為問題唯一來源。"
---

# 量到的不一定是想知道的：Proxy–Target 分離、代理量有效域與認識誤置

**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

有限認識幾乎必然依賴代理量。當一個目標變量無法直接觀察、成本過高、需要等待太久、具有抽象性，或本身無法被單一測量完整表示時，認識主體通常會尋找一個較容易取得的可觀察變量作為 proxy。這是科學、工程、治理、商業、教育、AI 評估與日常推理不可避免的工具。

問題不在於使用 proxy，而在於 proxy 容易在認識過程中失去其「代理」身份，逐步被誤認為 target 本身。

本文提出 Proxy–Target 分離框架：

$$
\boxed{
P_x
\neq
T
}
$$

其中：

- $P_x$：可觀察代理量；
- $T$：真正欲判定的目標變量。

本文進一步定義 Proxy Validity：

$$
\boxed{
V_P(P_x,T\mid D,C,t)
}
$$

表示某代理量在特定 domain、condition 與 time 下，作為 target 替代訊號的有效程度。代理量的有效性不是固定本質，而具有範圍、時間與條件依賴性。

本文區分五種常見代理失真：Identity Collapse、Scope Transfer、Temporal Substitution、Authority Substitution 與 Metric Reification。並主張：

$$
\boxed{
\text{High Correlation}
\neq
\text{Identity}
}
$$

$$
\boxed{
\text{Measurement Precision}
\neq
\text{Target Validity}
}
$$

$$
\boxed{
\text{Observable}
\neq
\text{Fundamental}
}
$$

本文最後提出 Proxy Ledger、Target Declaration、Validity Domain、Failure Condition 與 Proxy–Target Guard，使代理量不再以隱性方式支配判斷，而被明確標記為一種可校準、可失效、可替換的認識工具。

**關鍵詞：** Proxy–Target、代理量、目標變量、測量、認識論、指標治理、Metric Reification、Proxy Validity、Goodhart、AI 評估

---

# 0. 問題起點：我們真正量到的是什麼？

研究、治理與日常判斷經常提出：

> 這個人能力高不高？

> 這篇研究品質好不好？

> 這家公司成長得快不快？

> 這個模型聰不聰明？

> 這個制度有效不有效？

但這些問題本身通常不是直接可量測變量。

於是認識系統會尋找：

- 分數；
- 次數；
- 排名；
- timestamp；
- citation；
- benchmark；
- 收入；
- 測驗；
- publication；
- error rate；

作為替代。

因此實際操作常是：

$$
T
\longleftarrow
P_x.
$$

但：

$$
\boxed{
P_x
\neq
T.
}
$$

這個不等號是本文的核心。

---

# 1. Target Variable

本文定義：

$$
\boxed{
T
=
\text{Target Variable}.
}
$$

Target 是認識主體真正想知道、估計或判斷的對象。

例如：

```text
Research Quality
Actual Creation Time
General Capability
Scientific Validity
Learning Ability
Organizational Health
Economic Productivity
Public Trust
```

Target 可以：

- 直接可觀察；
- 部分可觀察；
- 潛在變量；
- 複合概念；
- 動態狀態；
- 規範性構念。

---

# 2. Proxy Variable

本文定義：

$$
\boxed{
P_x
=
\text{Proxy Variable}.
}
$$

Proxy 是因為 target 難以直接取得，而被用來估計 target 的可觀察訊號。

例如：

$$
\text{Citation Count}
\rightarrow
\text{Research Influence}.
$$

$$
\text{Benchmark Score}
\rightarrow
\text{Model Capability}.
$$

$$
\text{Publication Timestamp}
\rightarrow
\text{Creation Time}.
$$

$$
\text{Exam Score}
\rightarrow
\text{Knowledge}.
$$

這些箭頭不是等號。

---

# 3. Proxy 為什麼必要？

如果完全禁止 proxy，很多領域將無法運作。

因為 target 常具有：

$$
\boxed{
\text{Latent}
+
\text{Expensive}
+
\text{Distributed}
+
\text{Delayed}
}
$$

等特徵。

因此 Proxy 的真正角色是：

$$
\boxed{
\text{Epistemic Compression Interface}.
}
$$

它把難以直接取得的 target 轉成一個較容易操作的觀察接口。

---

# 4. Proxy 不是低級工具

本文不採取：

> 代理量都是壞的。

而是：

$$
\boxed{
\text{Proxy Use}
\text{ is often necessary}.
}
$$

問題只在於：

> 使用者是否仍然知道它是 proxy？

---

# 5. Proxy–Target Mapping

本文定義：

$$
\boxed{
\phi:
P_x
\rightarrow
T.
}
$$

這不是 identity map。

而是一個推定關係。

因此必須問：

$$
\boxed{
\phi
\text{ 在什麼條件下有效？}
}
$$

---

# 6. Proxy Validity

本文定義：

$$
\boxed{
V_P(P_x,T\mid D,C,t).
}
$$

其中：

- $D$：domain；
- $C$：conditions；
- $t$：time。

因此 proxy validity 不是：

$$
V_P=\text{constant}.
$$

更合理是：

$$
\boxed{
V_P
=
f(D,C,t).
}
$$

---

# 7. 同一 Proxy 在不同 Domain 可能完全不同

例如：

$$
P_x=\text{citation count}.
$$

在：

- 某些成熟學科；
- 小眾新領域；
- 新發表論文；
- 綜述；
- 開源工程；

中，與 research quality 的關係可能完全不同。

因此：

$$
\boxed{
V_P(P_x,T\mid D_1)
\neq
V_P(P_x,T\mid D_2).
}
$$

---

# 8. Temporal Validity

Proxy 也會隨時間失效。

例如一個 benchmark：

$$
B_t
$$

在某時期能區分模型能力。

但模型快速進步後：

$$
B_{t+\Delta t}
$$

可能飽和。

因此：

$$
\boxed{
V_P(t)
\text{ can decay}.
}
$$

---

# 9. Proxy Drift

本文定義：

$$
\boxed{
D_P
=
\text{Proxy Drift}.
}
$$

表示 proxy 與 target 的關係隨時間、環境或策略改變。

典型原因包括：

- 系統學會優化指標；
- 使用情境改變；
- 分布改變；
- target 定義改變；
- measurement pipeline 改變。

---

# 10. Identity Collapse

第一種代理失真是：

$$
\boxed{
\text{Proxy}
\rightarrow
\text{Target}
}
$$

在語言與推理中被悄悄改成：

$$
\boxed{
\text{Proxy}
=
\text{Target}.
}
$$

本文稱為：

$$
\boxed{
\text{Proxy Identity Collapse}.
}
$$

---

# 11. Publication Time 例子

觀察：

$$
t_p
=
\text{2026-09-10}.
$$

若 target 是：

$$
t_c
=
\text{creation time},
$$

則：

$$
t_p
$$

只是 proxy candidate。

不能直接寫：

$$
\boxed{
t_p=t_c.
}
$$

---

# 12. Citation Count 例子

若：

$$
P_x
=
\text{Citation Count},
$$

而：

$$
T
=
\text{Research Quality},
$$

則：

$$
\boxed{
\text{Citation Count}
\neq
\text{Research Quality}.
}
$$

Citation 可能受：

- topic popularity；
- field size；
- controversy；
- age；
- network position；

影響。

---

# 13. Benchmark Score 例子

若：

$$
P_x
=
\text{Benchmark Score},
$$

而：

$$
T
=
\text{General Capability},
$$

則：

$$
\boxed{
\text{Benchmark Score}
\neq
\text{General Capability}.
}
$$

Benchmark 只測：

$$
S_B
\subseteq
S_T.
$$

除非有額外證據支持泛化。

---

# 14. Scope Transfer

第二種代理失真是：

$$
\boxed{
\text{Scope Transfer}.
}
$$

某 proxy 在局部 domain 有效：

$$
V_P\gg0
$$

卻被直接轉移到另一個 domain。

例如：

$$
D_1
\rightarrow
D_2
$$

時未重新驗證。

---

# 15. Local Validity 不等於 Global Validity

因此：

$$
\boxed{
V_P(P_x,T\mid D_1)
\not\Rightarrow
V_P(P_x,T\mid \forall D).
}
$$

這是 proxy reasoning 最常見的失誤之一。

---

# 16. Temporal Substitution

第三種失真是：

$$
\boxed{
\text{Temporal Substitution}.
}
$$

即把某個可見事件時間：

$$
t_o
$$

代替真正想知道的形成時間：

$$
t_f.
$$

例如：

$$
\text{publish time}
\rightarrow
\text{creation time}.
$$

---

# 17. Measurement Precision Illusion

Proxy 可以被非常精確量測。

例如：

```text
14:32:17.042
```

但：

$$
\boxed{
\text{Precision}
\neq
\text{Validity}.
}
$$

一個精確 measurement 仍可能精確量錯東西。

---

# 18. Precision 與 Validity 是不同軸

可以寫成：

$$
\boxed{
Q_M
=
(
P_r,
V_P
),
}
$$

其中：

- $P_r$：measurement precision；
- $V_P$：proxy validity。

所以：

$$
P_r\gg0
$$

並不推出：

$$
V_P\gg0.
$$

---

# 19. Metric Reification

第四種失真是：

$$
\boxed{
\text{Metric Reification}.
}
$$

原本只是量測工具的 metric，逐漸被當成目標本身。

例如：

$$
\text{Learning}
\rightarrow
\text{Exam Score}
$$

最後變成：

$$
\text{Exam Score}
=
\text{Learning}.
$$

---

# 20. Metric Optimization

當制度開始獎勵 proxy：

$$
P_x,
$$

行為者會學會優化：

$$
P_x.
$$

這時：

$$
P_x
$$

與：

$$
T
$$

的關係可能改變。

---

# 21. Goodhart-like Effect

本文不將所有 proxy failure 都簡化成單一 Goodhart 定律，但保留一個一般結構：

$$
\boxed{
\text{When a proxy becomes an optimization target,}
\quad
V_P
\text{ may degrade}.
}
$$

也就是：

$$
P_x
\rightarrow
\text{optimized}
\Rightarrow
V_P\downarrow.
$$

---

# 22. Proxy Gaming

如果行為者知道：

$$
P_x
$$

會被用來評價：

$$
T,
$$

就可能產生：

$$
\boxed{
\text{Proxy Gaming}.
}
$$

例如：

- citation manipulation；
- benchmark overfitting；
- KPI gaming；
- engagement farming；
- test teaching。

---

# 23. Proxy Gaming 不等於欺詐

有時候系統只是合理回應獎勵。

因此：

$$
\boxed{
\text{Proxy Gaming}
\neq
\text{Fraud by Definition}.
}
$$

真正問題可能在 metric design。

---

# 24. Authority Substitution 作為 Proxy 特例

權威訊號可以表示為：

$$
P_A.
$$

如果 target 是：

$$
T=\text{Truth or Validity},
$$

則：

$$
\boxed{
P_A
\neq
T.
}
$$

因此 Authority Substitution 其實是 Proxy–Target 問題的一個特例。

---

# 25. Institutional Signal

例如：

$$
P_A=
\text{Prestigious Institution}.
$$

它可能提高：

$$
P(E\text{ reliable}),
$$

但不能直接推出：

$$
T(C)=1.
$$

---

# 26. Scale Signal

大量資料：

$$
N\gg1
$$

本身也可能被當成權威 proxy。

但：

$$
\boxed{
N\uparrow
\not\Rightarrow
V_P\uparrow.
}
$$

如果 target variable 選錯，大樣本只會高精度地量錯東西。

---

# 27. Data Abundance Illusion

本文稱：

$$
\boxed{
\text{Data Abundance Illusion}
}
$$

為：

> 因為資料很多，所以推論一定更接近 target。

這不成立。

---

# 28. Proxy Chain

有時候不是單層 proxy。

而是：

$$
P_1
\rightarrow
P_2
\rightarrow
P_3
\rightarrow
T.
$$

例如：

$$
\text{Clicks}
\rightarrow
\text{Engagement}
\rightarrow
\text{Interest}
\rightarrow
\text{Value}.
$$

每一層都有 validity loss。

---

# 29. Proxy Chain Attenuation

可以概念化：

$$
\boxed{
V_{\mathrm{chain}}
=
\prod_iV_i.
}
$$

這不是普遍數學定律，只用來表示：

> 多層代理會累積不確定性。

---

# 30. Proxy Distance

本文定義概念：

$$
\boxed{
d_P(P_x,T)
=
\text{Proxy Distance}.
}
$$

距離越大，越需要：

- 更多 bridge；
- 更多 calibration；
- 更多 uncertainty。

---

# 31. Direct Measurement 也不是零距離

即使看起來是 direct measurement，也可能依賴：

- instrument；
- operational definition；
- preprocessing；
- calibration。

所以：

$$
\boxed{
\text{Direct Measurement}
\neq
\text{Theory-Free Access}.
}
$$

---

# 32. Operationalization

很多抽象 target 必須先被 operationalize。

例如：

$$
T=\text{Intelligence}.
$$

研究者必須定義：

$$
O(T).
$$

所以：

$$
\boxed{
\text{Operationalization}
}
$$

本身就是一個理論步驟。

---

# 33. Operational Definition 不等於 Ontological Identity

一旦定義：

> intelligence = score on test X

很容易把 operationalization 當成 ontology。

因此：

$$
\boxed{
\text{Operational Definition}
\neq
\text{Ontological Identity}.
}
$$

---

# 34. Proxy Target Ambiguity

有些系統甚至沒有明確寫 target。

只知道：

> 我們要提升 score。

這時會出現：

$$
\boxed{
\text{Target Ambiguity}.
}
$$

甚至 proxy 反過來定義 target。

---

# 35. Target Declaration

因此任何重要 metric 都應先聲明：

```yaml
target:
  name: research_quality
  definition: ...
  domain: ...
```

再聲明：

```yaml
proxy:
  name: citation_count
```

這避免 proxy 偷偷變 target。

---

# 36. Proxy Ledger

本文提出：

$$
\boxed{
\mathcal L_P
=
\text{Proxy Ledger}.
}
$$

每一個 proxy 至少記：

- target；
- validity domain；
- known failure；
- calibration evidence；
- drift status；
- last reassessed time。

---

# 37. Minimal Proxy Schema

```yaml
proxy:
  id: PX-17
  observed_variable: publication_timestamp
  target_variable: creation_time

  validity:
    domain: batch-publishing platform
    status: weak

  known_failures:
    - batch_ingest
    - migration
    - delayed_publication

  confidence: low
```

---

# 38. Proxy Validity Domain

可以表示：

$$
\boxed{
D_V(P_x,T)
=
\text{Validity Domain}.
}
$$

只有在：

$$
x\in D_V
$$

時，proxy 才應被使用。

---

# 39. Out-of-Domain Proxy Use

若：

$$
x\notin D_V,
$$

仍使用 proxy，就形成：

$$
\boxed{
\text{Out-of-Domain Proxy Use}.
}
$$

---

# 40. Proxy Calibration

Proxy 不應一次驗證永久有效。

應定期做：

$$
\boxed{
\operatorname{Calibrate}(P_x,T).
}
$$

Calibration 可使用：

- direct target samples；
- external validation；
- longitudinal comparison；
- ablation；
- intervention。

---

# 41. Proxy Failure Condition

每個 proxy 應記：

$$
\boxed{
F_P
=
\text{Proxy Failure Condition}.
}
$$

例如 citation count 可能在：

- 新論文；
- 小領域；
- 被操控引用；

下失效。

---

# 42. Proxy Replacement

若：

$$
V_P\downarrow,
$$

應允許：

$$
P_x
\rightarrow
P_x'.
$$

甚至使用 proxy ensemble：

$$
\{P_1,P_2,\ldots,P_n\}.
$$

---

# 43. Multi-Proxy Estimation

Target 可以由多 proxy 聯合估計：

$$
\boxed{
\widehat T
=
g(P_1,P_2,\ldots,P_n).
}
$$

這通常比單一 proxy 更穩。

但：

$$
\widehat T
$$

仍然只是 estimate。

---

# 44. Proxy Diversity

若多 proxy 來源獨立程度較高，可降低：

$$
\boxed{
\text{Single-Proxy Lock-In}.
}
$$

但多 proxy 不代表自動正確。

---

# 45. Correlated Proxy Failure

如果所有 proxy 都來自相同資料生成機制：

$$
P_1,P_2,P_3
$$

可能一起失效。

因此：

$$
\boxed{
\text{Proxy Count}
\neq
\text{Proxy Diversity}.
}
$$

---

# 46. Proxy–Target Guard

本文提出：

$$
\boxed{
G_{PT}
=
\text{Proxy–Target Guard}.
}
$$

它至少檢查：

1. target 是什麼？
2. proxy 是什麼？
3. 為什麼 proxy 與 target 有關？
4. validity domain 是什麼？
5. 已知 failure condition 是什麼？
6. proxy 是否被優化？
7. 是否發生 drift？
8. 是否存在 direct target check？

---

# 47. Guard 的最小問題

任何看到：

> 因為 $P_x$ 很高，所以 $T$ 很高。

都應追問：

$$
\boxed{
\text{Why does }P_x\text{ track }T\text{ here?}
}
$$

---

# 48. Proxy–Target Gap

本文定義：

$$
\boxed{
G_{PT}
=
\text{Proxy–Target Gap}.
}
$$

它描述：

> proxy 與 target 之間仍未被橋接的部分。

---

# 49. Gap 不代表 Proxy 無效

只要：

$$
G_{PT}>0,
$$

並不代表：

$$
V_P=0.
$$

它只是提醒：

> 不要把 estimate 當 identity。

---

# 50. Proxy Confidence

可以定義：

$$
\boxed{
\Gamma_P
=
\text{Confidence in Proxy Mapping}.
}
$$

而不是把 confidence 直接附在 target conclusion 上。

---

# 51. 兩層 Confidence

應區分：

$$
\Gamma(P_x\rightarrow T)
$$

與：

$$
\Gamma(T).
$$

第一個是 mapping confidence。

第二個是 target belief confidence。

---

# 52. Proxy Mapping 可能比 Target 判斷更不確定

例如：

$$
\Gamma(P_x)=0.99
$$

但：

$$
\Gamma(P_x\rightarrow T)=0.4.
$$

所以：

$$
\boxed{
\text{Measurement Confidence}
\neq
\text{Inference Confidence}.
}
$$

---

# 53. Proxy 也可以是語言

一個標籤：

> 專家

> 高品質

> 先進

> 前沿

也可能是 proxy。

它們將複雜 target 壓成一個詞。

---

# 54. Semantic Proxy

本文稱：

$$
\boxed{
\text{Semantic Proxy}
}
$$

為：

> 用一個語義標籤代替更複雜的認識對象。

因此：

$$
\text{Expert}
$$

不等於：

$$
\text{Always Correct}.
$$

---

# 55. Narrative Proxy

故事也可能作為 proxy。

例如：

> 一個人＋AI＋一台電腦。

這可能是對複雜 production system 的高度壓縮 narrative。

如果 narrative 被當成完整 causal model，就會失真。

---

# 56. Narrative Compression

因此：

$$
\boxed{
\text{Narrative}
\neq
\text{Full Generative Mechanism}.
}
$$

故事可以幫助理解，但不能自動取代機制。

---

# 57. Category Proxy

分類也可能成為 proxy。

例如：

> content factory

> research lab

> startup

> academic group

這些 category 會帶入大量 implicit assumption。

---

# 58. Category Load

本文定義：

$$
\boxed{
L_C
=
\text{Category Load}.
}
$$

表示某個 category 一旦被套用後，自動帶入多少未明示假設。

---

# 59. Category Load 越高，越需要拆解

若：

$$
L_C\gg0,
$$

則應問：

> 這個 category 裡哪些性質真的被 observation 支持？

---

# 60. Proxy 與 Classification 的關係

Classification 本身通常也是 proxy system。

它把：

$$
X
$$

映射到：

$$
C_k.
$$

所以：

$$
\boxed{
\text{Class Membership}
\neq
\text{Full Object Identity}.
}
$$

---

# 61. Proxy–Target 與有限觀察

第 01 篇建立：

$$
\Omega
\subset
S_J.
$$

本文指出：

> Inferential Expansion 很多時候就是透過 proxy 完成。

所以：

$$
\boxed{
\text{Proxy}
=
\text{One Major Bridge of Inferential Expansion}.
}
$$

---

# 62. Proxy–Target 與 Premature Closure

當 proxy 被誤認成 target：

$$
P_x=T,
$$

替代模型空間會快速縮小。

因此：

$$
\boxed{
\text{Proxy Identity Collapse}
\rightarrow
\text{Premature Closure Risk}.
}
$$

---

# 63. Proxy–Target 與 Authority

下一篇會把：

$$
\boxed{
\text{Authority Signal}
}
$$

當成 proxy family 深入處理。

因為：

- institution；
- citation；
- peer review；
- certificate；

本質上常是：

$$
P_A
\rightarrow
T_{\mathrm{credibility}}.
$$

---

# 64. Proxy–Target 與 AI

AI 很容易暴露 proxy reasoning。

例如：

- publication date 推 creation time；
- repo owner 推 team structure；
- benchmark 推 general ability；
- README 推 implementation state。

但人類也完全一樣。

所以：

$$
\boxed{
\text{Proxy Error}
\text{ is substrate-independent}.
}
$$

---

# 65. 人類制度高度依賴 Proxy

薪資、升遷、招生、績效、學術評估、政策都依賴 proxy。

因此 Proxy–Target 不是小型邏輯錯誤。

它是：

$$
\boxed{
\text{Institutional Epistemology Problem}.
}
$$

---

# 66. Proxy Governance

本文最終提出：

$$
\boxed{
\text{Proxy Governance}.
}
$$

包括：

- target declaration；
- proxy declaration；
- validity domain；
- calibration；
- drift detection；
- failure conditions；
- replacement policy；
- uncertainty display。

---

# 67. Proxy 不應隱形

最危險的 proxy 不是弱 proxy。

而是：

$$
\boxed{
\text{Unmarked Proxy}.
}
$$

因為一旦 proxy 身份消失，它就會被認為是 reality itself。

---

# 68. Marked Proxy

健康認識系統應讓：

$$
P_x
$$

一直保持：

$$
\boxed{
\text{This is an estimate of }T.
}
$$

而不是：

$$
\boxed{
\text{This is }T.
}
$$

---

# 69. Proxy–Target Record

```yaml
proxy_target_record:

  target:
    name: ...

  proxy:
    name: ...

  bridge:
    rationale: ...

  validity_domain:
    - ...

  calibration:
    last_checked: ...

  known_failures:
    - ...

  drift_status: stable

  confidence:
    mapping: medium
```

---

# 70. 一般認識論原則

本文最終提出：

$$
\boxed{
\text{Observable}
\neq
\text{Fundamental}.
}
$$

以及：

$$
\boxed{
\text{Measurable}
\neq
\text{Target}.
}
$$

再加：

$$
\boxed{
\text{Precise}
\neq
\text{Valid}.
}
$$

---

# 71. 下一篇

下一篇將專門處理：

$$
\boxed{
\text{Authority Signal}
\neq
\text{Truth}.
}
$$

並建立：

- Epistemic Authority Substitution；
- Prestige Prior；
- Institutional Signal；
- Blind Source Test；
- Authority Dependency；
- Legitimation Signal Optimization。

---

# 結論

有限認識不可能永遠直接接觸 target。

Proxy 因此不可避免。

真正危險的不是：

$$
P_x.
$$

而是：

$$
\boxed{
P_x
\rightarrow
T
\rightarrow
P_x=T.
}
$$

也就是 proxy 從工具變成 reality substitute。

因此：

$$
\boxed{
\text{Proxy Use}
\neq
\text{Proxy Identity}.
}
$$

合理的認識系統應保存：

$$
\boxed{
\text{Target}
+
\text{Proxy}
+
\text{Bridge}
+
\text{Validity Domain}
+
\text{Failure Condition}.
}
$$

只有這樣，認識主體才能知道：

> 我現在真正觀察到的是什麼？

> 我真正想知道的是什麼？

> 中間靠什麼連起來？

> 這條連結在哪裡會失效？

本文的核心因此可以壓縮為：

$$
\boxed{
\text{What is measurable}
\neq
\text{what is meant}
\neq
\text{what is true}.
}
$$

而真正成熟的認識，不是拒絕 proxy。

而是：

$$
\boxed{
\text{永遠不忘記 proxy 只是 proxy。}
}
$$