# Cognitive Frontier Separation in the AI Age — Paper 05 v0.1

## Cognitive Gap Compiler：AI 如何把 Prerequisite Graph 編譯成使用者走得動的路

**Series:** Cognitive Frontier Separation in the AI Age  
**Chinese Series Name:** AI 時代的認知前沿分離  
**Paper:** 05  
**Document ID:** `CFSAI-P05-COGNITIVE-GAP-COMPILER-2026-v0.1`  
**Status:** Core Architecture Theory Draft  
**Organization:** EveMissLab / 一言諾科技有限公司  
**Author:** Neo.K  
**AI Collaboration:** GPT-5.6 Sol  
**Date:** 2026-09-28  
**Language:** Traditional Chinese  
**Canonical Source:** UTF-8 Markdown  
**Math Source Rule:** inline math only with ` $...$ `; display math only with `$$...$$`

**版本：** v0.1  

---

# 摘要

Paper 01 提出 Recursive Prerequisite Graph，指出一個看似只有一步的任務，對不同使用者可能展開成巨大的 prerequisite dependency structure。

Paper 02 建立 Cognitive Frontier Separation，說明 Productive Frontier 與個體的 Reachable Cognitive Frontier 可以持續分離。

Paper 03 建立 Convenience Frontier，說明昨天的高階能力會被 consumerize，但新的 productive frontier 同時繼續前進。

Paper 04 則加入 Cognitive Engagement Budget：

$$
\boxed{
Reachable(u,\pi,t)
=
1
\iff
Cost_u(\pi)
\le
CEB_u(t).
}
$$

這表示即使 AI 知道怎麼教，使用者仍可能因 engagement budget 不足而無法走完整條 cognitive path。

本篇提出整個系列第一個正式 AI 解法架構：

$$
\boxed{
\text{Cognitive Gap Compiler}
}
$$

Cognitive Gap Compiler 的任務不是把所有 prerequisite 一股腦教給使用者，而是：

> 給定使用者當前 cognition state、目標、風險、可用 AI 能力與 engagement budget，重新編譯 prerequisite graph，找出一條能夠保留 meaningful agency、但把 human-required cognition 壓到最低的可達路徑。

其四個基本 operator 為：

```text
TEACH
BYPASS
PROXY
COMPRESS
```

其中：

- `TEACH`：把真正需要使用者理解的 prerequisite 教會；
- `BYPASS`：重構 workflow，繞過不再必要的 prerequisite；
- `PROXY`：由 AI、Agent、工具或自動化替使用者執行；
- `COMPRESS`：把複雜 technical state 壓縮成少量 human-meaningful decisions。

因此，原本：

```text
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
```

的 prerequisite expansion，可以被重新編譯成：

```text
TEACH
→ PROXY
→ COMPRESS
→ HUMAN CHOICE
→ PROXY
→ RESULT
```

核心 objective：

$$
\boxed{
\min
\text{Human Required Cognition}
}
$$

但 subject to：

$$
\boxed{
\text{Meaningful Agency Preserved}
}
$$

以及：

$$
\boxed{
\text{Critical Understanding Preserved}.
}
$$

本篇同時主張：

> 未來 AI accessibility 的關鍵，不是把每一個人都訓練成 frontier expert，而是把高階 productive systems 編譯成每個人都能進入、理解到足以做選擇、並在需要時逐步展開的 reachable action space。

---

# 0. 問題轉換：從「教」到「編譯」

傳統 AI tutor 的基本想法：

```text
使用者不懂 X
→ 解釋 X
```

如果還不懂：

```text
→ 換方式解釋 X
```

再不懂：

```text
→ 解釋 X 的 prerequisite
```

這條路在很多教育情境有效。

但對高階 productive frontier 問題，它可能快速失控：

```text
Goal
→ X
→ prerequisite A
→ prerequisite B
→ prerequisite C
→ prerequisite D
→ ...
```

最後使用者只是想：

> 幫我完成一件事。

AI 卻開始：

> 我們先從計算機科學基礎講起。

這是 architecture failure。

---

# 1. Teaching Is Not the Only Valid Operation

Cognitive Gap Compiler 的第一個主張：

$$
\boxed{
\text{Missing Prerequisite}
\not\Rightarrow
\text{Must Teach}.
}
$$

有些 prerequisite 應教。

有些應繞過。

有些應代理。

有些應壓縮。

---

# 2. Compiler View

把任務寫成：

$$
\boxed{
T
=
\mathcal G_P(u,T).
}
$$

其中：

```text
nodes = prerequisite states / operators
edges = dependency
```

Compiler 的輸入：

```text
User State
Goal
Prerequisite Graph
AI Capabilities
Risk
CEB
Agency Constraints
```

輸出：

```text
Executable Cognitive Plan
```

---

# 3. CognitiveGapCompiler

概念：

```text
CognitiveGapCompiler {
    user_state
    goal
    prerequisite_graph
    engagement_budget
    available_ai_capabilities
    risk_profile
    agency_policy
    optionality_policy
    compilation_strategy
}
```

---

# 4. Compiler Output

```text
CompiledCognitivePath {
    path_id
    human_required_nodes[]
    proxy_nodes[]
    bypassed_nodes[]
    compressed_nodes[]
    decision_surfaces[]
    explanation_surfaces[]
    fallback_paths[]
    stop_conditions[]
    estimated_cost
    expected_agency
    expected_optionality
}
```

---

# 5. Canonical Objective

$$
\boxed{
\min_{\pi'}
Cost_u^{human}(\pi')
}
$$

subject to：

$$
\boxed{
Agency(\pi')
\ge
A_{min}
}
$$

$$
\boxed{
CriticalUnderstanding(\pi')
\ge
U_{critical}
}
$$

$$
\boxed{
Risk(\pi')
\le
R_{max}.
}
$$

---

# 6. Why Not Minimize Human Involvement

如果 objective 寫成：

$$
\min
\text{HumanInvolvement},
$$

AI 最簡單的 solution 就是：

```text
全部自己決定
```

這可能讓 agency 接近零。

---

# 7. Better Objective

應該是：

$$
\boxed{
\min
\text{HumanRequiredCognition}
}
$$

subject to：

```text
meaningful consent
meaningful preference
critical judgment
reversibility
auditability
```

---

# 8. Operator 1 — TEACH

`TEACH` 用於：

> 某 prerequisite 本身對使用者未來 agency、判斷、可遷移能力或高頻 reuse 有重要價值。

---

# 9. TEACH Condition

可粗略：

$$
\boxed{
V_{agency}(P_i)
+
V_{reuse}(P_i)
+
V_{option}(P_i)
>
Cost_u(P_i).
}
$$

---

# 10. TEACH Example

使用者想讓 AI 管理財務。

某些：

```text
複利
風險
流動性
槓桿
```

可能值得真正理解。

---

# 11. Teach the Minimum Sufficient Model

TEACH 不代表：

```text
完整學科
```

而是：

$$
\boxed{
U_{sufficient}(u,T).
}
$$

---

# 12. Minimum Sufficient Understanding

定義：

> 足以讓使用者對當前重要選擇做 meaningful judgment 的理解層級。

---

# 13. TEACH Is Goal-Relative

同一概念：

```text
database index
```

如果使用者只是想做個人小工具，

可能不用教。

如果要成為資料庫工程師，

可能值得教。

---

# 14. Operator 2 — BYPASS

`BYPASS` 表示：

> 原 prerequisite 並非目標本質，而是歷史工具、介面、流程或舊 architecture 造成的中介門檻；AI 可以重新設計路徑，使其不再需要。

---

# 15. BYPASS Example

過去部署服務：

```text
SSH
Linux commands
systemd
nginx
TLS
DNS
```

未來某些 AI platform 可直接：

```text
描述需求
→ deploy
```

這些 prerequisite 對某些目標可被 bypass。

---

# 16. BYPASS Is Not Ignorance

BYPASS 的意思不是：

```text
我不知道，所以跳過
```

而是：

```text
workflow被重新編譯，不再要求這個節點
```

---

# 17. Structural Bypass

形式：

$$
\boxed{
\mathcal G_P
\rightarrow
\mathcal G_P'
}
$$

使：

$$
P_i
\notin
\mathcal G_P'.
$$

---

# 18. Valid Bypass Condition

只有當：

```text
goal fidelity preserved
risk acceptable
critical agency unaffected
```

才合法。

---

# 19. Operator 3 — PROXY

`PROXY` 表示：

> prerequisite 仍然存在，但不需要由人類擁有；AI / Agent / Tool 可以作為 execution proxy。

---

# 20. PROXY Example

```text
寫 SQL
跑 unit tests
整理表格
建立 deployment config
抓資料
```

使用者不必親自掌握所有細節。

---

# 21. Proxy Node

形式：

$$
\boxed{
P_i^{human}
\rightarrow
P_i^{AI}.
}
$$

---

# 22. Proxy Requires Capability

只有：

$$
Capability_{AI}(P_i)
\ge
\text{Threshold}
$$

才可代理。

---

# 23. Proxy Requires Trust Boundary

還要：

```text
authority
privacy
reversibility
verification
```

---

# 24. PROXY Is Not Delegation Without Oversight

AI proxy 可以：

```text
執行
```

但高風險時仍需：

```text
verification
human approval
```

---

# 25. Operator 4 — COMPRESS

`COMPRESS` 表示：

> prerequisite 本身仍然複雜，但 AI 可以把 technical state 壓縮成少量與人類價值／偏好直接相關的 decision surface。

---

# 26. COMPRESS Example

不問：

```text
你要 PostgreSQL 還是 SQLite？
```

而問：

```text
你更重視：
A. 最簡單
B. 多人協作
C. 高擴展
```

---

# 27. Technical-to-Value Projection

$$
\boxed{
\text{Technical State Space}
\rightarrow
\text{Human Value Space}.
}
$$

---

# 28. Decision Compression

如果有：

$$
N
$$

個 technical choices，

AI 可能壓成：

$$
k
$$

個 meaningful choices，

其中：

$$
k\ll N.
$$

---

# 29. Compression Must Preserve Relevant Trade-Offs

不能把：

```text
重要風險
```

偷偷壓掉。

---

# 30. Compression Fidelity

定義：

$$
\boxed{
F_C^{decision}
}
$$

衡量 decision compression 是否保留重要 trade-off。

---

# 31. Four Operators Are Complementary

一張 graph可以：

```text
P1 → TEACH
P2 → PROXY
P3 → BYPASS
P4 → COMPRESS
```

同時存在。

---

# 32. Example Compilation

原 graph：

```text
Goal
├─ learn Git
├─ learn terminal
├─ understand deployment
├─ choose database
├─ write code
├─ test
└─ deploy
```

Compiler後：

```text
Goal
├─ BYPASS terminal
├─ PROXY Git operations
├─ COMPRESS database choice
├─ PROXY code generation
├─ TEACH basic testing logic
└─ PROXY deployment
```

---

# 33. Human Required Graph

編譯後：

$$
\boxed{
\mathcal G_H
}
$$

只包含人真正需要承擔的 cognition。

---

# 34. Machine Proxy Graph

$$
\boxed{
\mathcal G_M
}
$$

包含 AI 可代理的 cognition / execution。

---

# 35. Bypassed Graph

$$
\boxed{
\mathcal G_B
}
$$

表示已被 architecture 重構移除的 prerequisite。

---

# 36. Compressed Decision Graph

$$
\boxed{
\mathcal G_C
}
$$

表示已被映射成人類 decision surface 的部分。

---

# 37. Joint Compiled System

因此：

$$
\boxed{
\mathcal G_P
\rightarrow
(
\mathcal G_H,
\mathcal G_M,
\mathcal G_B,
\mathcal G_C
).
}
$$

---

# 38. Cognitive Division of Labor

這種拆分可稱：

$$
\boxed{
\text{Cognitive Division of Labor}.
}
$$

---

# 39. Human Is Not Required to Become the Machine

未來 AI accessibility 不應要求：

```text
每個人都先變工程師
```

---

# 40. Machine Is Not Allowed to Become the Human

同樣：

```text
AI不應把所有價值決策都替人做完
```

---

# 41. Boundary Is the Core Problem

真正困難：

> 哪些 cognition 應留給人，哪些交給 AI？

---

# 42. Agency-Critical Nodes

定義：

$$
\boxed{
P_i\in P_{agency}
}
$$

如果不理解／參與此節點會使使用者失去重要價值選擇。

---

# 43. Examples of Agency-Critical Nodes

可能包括：

```text
重大風險接受
價值偏好
財務損失承受
醫療選擇
公開與隱私
不可逆資料刪除
```

---

# 44. Technical-Critical Does Not Always Mean Agency-Critical

技術上很複雜：

```text
TLS configuration
```

但不一定需要使用者理解細節。

---

# 45. Agency-Critical Does Not Require Technical Depth

使用者只需要知道：

```text
這個選項會讓資料公開
```

可能就足夠做選擇。

---

# 46. Value Projection

AI應把：

```text
machine parameter
```

翻成：

```text
human consequence
```

---

# 47. Consequence Surface

例如：

```text
cost
speed
privacy
risk
reversibility
maintenance
```

---

# 48. Human Choice Surface

定義：

$$
\boxed{
HCS(u,T)
}
$$

為：

> 使用者真正需要看到與選擇的最小 decision surface。

---

# 49. HCS Objective

$$
\boxed{
\min |HCS|
}
$$

subject to：

$$
\boxed{
Agency\ge A_{min}.
}
$$

---

# 50. Too Small HCS

會：

```text
過度黑盒
```

---

# 51. Too Large HCS

會：

```text
decision overload
```

---

# 52. Optimal HCS

$$
\boxed{
HCS^*
}
$$

是 CEB-aware 的。

---

# 53. CEB Integration

Compiler 必須讀取：

$$
CEB_u(t).
$$

---

# 54. If CEB Is Low

偏向：

```text
PROXY
COMPRESS
```

---

# 55. If CEB Is High

可以增加：

```text
TEACH
editable control
deeper explanation
```

---

# 56. CEB Is Not Static

所以 compiled path也可以動態改變。

---

# 57. Adaptive Compilation

$$
\boxed{
Plan_{t+1}
=
Recompile(
Plan_t,
UserState_{t+1},
CEB_{t+1}
).
}
$$

---

# 58. Compiler Is Continuous

不是只在 onboarding跑一次。

---

# 59. User State Changes

因為：

```text
學會了
累了
改目標
改偏好
失去興趣
```

---

# 60. Learn Once, Reduce Future Cost

如果 TEACH 成功：

```text
future prerequisite graph shrinks
```

---

# 61. Operator Acquisition

使用者得到：

$$
\boxed{
O_i
}
$$

後，未來很多節點可壓成 macro。

---

# 62. Cognitive Investment

因此 TEACH 可以是長期 investment。

---

# 63. Reuse Value

定義：

$$
\boxed{
V_{reuse}(P_i).
}
$$

---

# 64. Future Optionality

定義：

$$
\boxed{
V_{option}(P_i).
}
$$

---

# 65. Agency Value

$$
\boxed{
V_{agency}(P_i).
}
$$

---

# 66. Teaching Priority

可粗略：

$$
\boxed{
Priority_{teach}(P_i)
=
\frac{
V_{reuse}
+
V_{option}
+
V_{agency}
}{
Cost_u(P_i)
}.
}
$$

---

# 67. High Priority

值得教。

---

# 68. Low Priority

偏向 proxy/bypass。

---

# 69. But Risk Can Override

高風險 node：

```text
即使很少重用
```

也可能要 TEACH/EXPLAIN。

---

# 70. Risk-Adjusted Operator Choice

$$
\boxed{
Op(P_i)
=
f(
\text{Value},
\text{Cost},
\text{Risk},
\text{Reversibility},
CEB,
\text{Agency}
).
}
$$

---

# 71. Reversibility

可逆：

```text
更適合 PROXY
```

---

# 72. Irreversible

```text
更偏 TEACH / explicit approval
```

---

# 73. Unknown Risk

如果：

```text
風險未知
```

不應完全 proxy。

---

# 74. Uncertainty-Aware Compilation

Compiler應保留：

```text
UNKNOWN
```

而不是假裝 certainty。

---

# 75. Compiler Input — User Model

最低：

```text
known concepts
known operators
observed abilities
preferences
engagement budget
risk tolerance
explanation preferences
uncertainties
```

---

# 76. User Model Must Be Probabilistic

不能說：

```text
你不會X
```

只因一次失敗。

---

# 77. User Capability Confidence

每個 capability：

```text
confidence
evidence
last observed
```

---

# 78. Temporary State

當下疲勞不能變 permanent trait。

---

# 79. User Override

使用者可以說：

```text
我想自己學
```

或：

```text
不要教，直接做
```

---

# 80. Agency Includes Control Over Compilation

重要：

$$
\boxed{
\text{User can choose automation depth}.
}
$$

---

# 81. Compiler Input — Goal

目標不能只是一句文字。

理想：

```text
goal
constraints
preferences
risk
deadline
resources
```

---

# 82. Goal May Be Underspecified

使用者常只說：

```text
幫我做更好
```

---

# 83. Intent Reconstruction

Compiler需要先：

```text
clarify
infer
prototype
```

---

# 84. But Do Not Interrogate Forever

如果問題低風險，

AI應：

```text
make reasonable defaults
```

---

# 85. Minimal High-Value Questions

定義：

$$
\boxed{
Q^*
=
\arg\max_Q
\frac{
InformationGain(Q)
}{
CEBCost(Q)
}.
}
$$

---

# 86. High-Value Question

例如：

```text
你更在乎便宜還是速度？
```

---

# 87. Low-Value Question

例如：

```text
你想用哪個資料庫版本？
```

若使用者不需要知道。

---

# 88. Information Gain per Cognitive Cost

這是未來 AI互動的重要 metric。

---

# 89. Compiler Input — AI Capability Graph

AI本身能做什麼：

```text
code
browse
email
deploy
analyze
verify
simulate
```

---

# 90. Capability Must Be Honest

不能 proxy AI實際做不到的事。

---

# 91. Capability Uncertainty

如果 provider不穩：

```text
PROXY confidence降低
```

---

# 92. Fallback

可：

```text
teach user
use another tool
ask human expert
```

---

# 93. Compiler Input — Risk Graph

每個 node：

```text
risk
reversibility
blast radius
privacy
financial impact
```

---

# 94. Risk-Aware Compilation

高風險：

```text
少 bypass
少 opaque proxy
多 verify
多 human decision
```

---

# 95. Compiler Input — Time

deadline會影響：

```text
教學 vs proxy
```

---

# 96. Urgent Goal

可能：

```text
現在 proxy
之後再 teach
```

---

# 97. Deferred Teaching

這是重要策略：

```text
Do Now
Learn Later
```

---

# 98. Just-in-Time Learning

只在需要時教。

---

# 99. This Minimizes CEB Waste

不提前塞大量可能永遠用不到的東西。

---

# 100. But Avoid Permanent Dependency

對高 reuse operator：

```text
未來可補 teach
```

---

# 101. Compiler Pass 1 — Discover

先建立：

```text
Goal Graph
Prerequisite Graph
User State
AI Capability
Risk
```

---

# 102. Compiler Pass 2 — Classify

每個 prerequisite標：

```text
TEACH
BYPASS
PROXY
COMPRESS
HUMAN_DECISION
VERIFY
```

---

# 103. Compiler Pass 3 — Optimize

最小化：

```text
human cognitive cost
time
friction
```

---

# 104. Compiler Pass 4 — Validate

檢查：

```text
agency
risk
critical understanding
capability
```

---

# 105. Compiler Pass 5 — Execute

輸出：

```text
human steps
AI steps
decision points
```

---

# 106. Compiler Pass 6 — Observe

記：

```text
使用者理解
反應
錯誤
偏好
```

---

# 107. Compiler Pass 7 — Recompile

根據新 evidence更新。

---

# 108. Compilation Pipeline

$$
\boxed{
\text{Goal}
\rightarrow
\text{Discover}
\rightarrow
\text{Classify}
\rightarrow
\text{Optimize}
\rightarrow
\text{Validate}
\rightarrow
\text{Execute}
\rightarrow
\text{Observe}
\rightarrow
\text{Recompile}.
}
$$

---

# 109. Cognitive Intermediate Representation

Compiler需要一個 IR。

---

# 110. Cognitive IR

概念：

```text
Node {
    concept
    capability
    decision
    risk
    agency_weight
    reuse_value
    cost
    status
    operator
}
```

---

# 111. Edge

```text
requires
enables
can_proxy
can_bypass
can_compress
```

---

# 112. This Makes Cognitive Planning Machine-Addressable

而不是自由文字教學。

---

# 113. Node Status

```text
KNOWN
PARTIAL
UNKNOWN
PROXIED
BYPASSED
COMPRESSED
REQUIRES_DECISION
BLOCKED
```

---

# 114. Compile-Time vs Run-Time

有些決策可先做。

有些要 execution中才知道。

---

# 115. Runtime Cognitive Fault

如果 AI發現：

```text
使用者其實不懂必要概念
```

觸發：

```text
COGNITIVE_FAULT
```

---

# 116. Cognitive Fault Handler

可以：

```text
pause
teach
compress
replan
```

---

# 117. Example

使用者說：

```text
全部資料公開沒關係
```

AI發現使用者誤解：

```text
公開的含義
```

則不能直接執行。

---

# 118. Critical Understanding Gate

高風險操作前：

$$
\boxed{
U_{critical}
\ge
\text{Threshold}.
}
$$

---

# 119. User Confirmation Is Not Always Understanding

按：

```text
Yes
```

不代表：

```text
understood
```

---

# 120. Consent Compression Risk

介面太簡單會把 consent也壓扁。

---

# 121. Meaningful Consent

需要：

```text
consequence-relevant understanding
```

---

# 122. Compiler Must Know When Not to Compress

這是非常重要的反面能力。

---

# 123. Anti-Compression Rule

如果：

```text
decision不可逆
risk巨大
value-sensitive
```

就不要過度壓縮。

---

# 124. Explain Consequences, Not Internals

使用者不一定需要：

```text
技術細節
```

但需要：

```text
會造成什麼
```

---

# 125. Causal Outcome Projection

$$
\boxed{
\text{TechnicalChoice}
\rightarrow
\text{OutcomeProjection}.
}
$$

---

# 126. This Is Better Than Raw Technical Explanation

對很多人而言。

---

# 127. Compiler and Preference Elicitation

如果 preference不明，

不能硬選。

---

# 128. Counterfactual Prototypes

產生：

```text
A
B
C
```

讓使用者選。

---

# 129. Recognition-Based Preference

$$
\boxed{
\text{Recognize}
<
\text{Generate}
}
$$

在 cognitive cost 上通常較低。

---

# 130. Preference Compiler

可以把：

```text
模糊想要
```

轉成：

```text
比較選項
```

---

# 131. This Is Part of COMPRESS

壓縮 preference articulation cost。

---

# 132. Compiler and Product Customization

未來產品 generator 若直接問：

```text
請填 100 項 specification
```

會失敗。

---

# 133. Better Flow

```text
願望
→ prototypes
→ high-value questions
→ inferred constraints
→ product
```

---

# 134. Product Specification Emerges Gradually

不是一次填完。

---

# 135. Cognitive Co-Construction

$$
\boxed{
\text{Human Intent}
+
\text{AI Structuring}
\rightarrow
\text{Executable Specification}.
}
$$

---

# 136. Compiler and Agent Systems

Agent不應每個 branch都問人。

---

# 137. Escalation Policy

只 escalate：

```text
authority
irreversibility
high risk
value conflict
uncertain preference
```

---

# 138. Machine-Level Branches Stay Machine-Level

這降低：

$$
CEB_{interrupt}.
$$

---

# 139. Human Is Not Agent Router

再次：

$$
\boxed{
\text{Human}
\neq
\text{Inter-Agent Message Bus}.
}
$$

---

# 140. Compiler as Escalation Filter

把：

```text
1000 machine decisions
```

壓成：

```text
3 human decisions
```

---

# 141. Decision Density

定義：

$$
\boxed{
DD
=
\frac{
\text{HumanDecisions}
}{
\text{MachineOperations}
}.
}
$$

---

# 142. Lower Is Often Better

但不能低到 agency消失。

---

# 143. Agency-Adjusted Decision Density

真正要優化：

$$
\boxed{
DD^*
}
$$

而非無限趨近零。

---

# 144. Compiler and Verification

PROXY需要：

```text
verification
```

---

# 145. AI Cannot Proxy and Self-Validate Blindly

理想：

```text
execution agent
≠
verification path
```

---

# 146. Evidence Compression

verification結果也要壓成：

```text
human-readable risk summary
```

---

# 147. But Evidence Must Remain Expandable

$$
\boxed{
\text{Compressed Summary}
+
\text{Expandable Evidence}.
}
$$

---

# 148. Compiler and Trust

高信任：

```text
更多 proxy
```

但應基於 evidence，不是盲信。

---

# 149. Calibrated Trust

$$
\boxed{
\text{Trust}
=
f(
\text{Reliability},
\text{Risk},
\text{Reversibility},
\text{Evidence}
).
}
$$

---

# 150. Compiler and Memory

AI應記住：

```text
使用者已學過什麼
```

避免重教。

---

# 151. But Memory Can Be Wrong

所以：

```text
revalidate when important
```

---

# 152. Persistent User Model

可大幅降低 future PED / SAD。

---

# 153. User Model as Cognitive Cache

某種程度上：

```text
AI知道這個人懂什麼
```

就是 external cognitive cache。

---

# 154. But Avoid Overfitting the User

不要因歷史偏好把人鎖死。

---

# 155. Exploration

Compiler可以偶爾：

```text
提供新選項
```

保留 optionality。

---

# 156. Future Optionality Constraint

$$
\boxed{
V_{option}
\ge
O_{min}.
}
$$

---

# 157. Why Optionality Matters

如果永遠 proxy：

```text
使用者可能失去跨域成長機會
```

---

# 158. But Teaching Everything Also Wastes CEB

所以是 portfolio problem。

---

# 159. Cognitive Portfolio Compiler

可把所有 prerequisite分成：

```text
Internalize
Externalize
Ignore
Compress
```

---

# 160. Internalize

長期有價值。

---

# 161. Externalize

交給 AI。

---

# 162. Ignore

不影響目標。

---

# 163. Compress

保留決策影響，不保留 technical detail。

---

# 164. Long-Term Objective

$$
\boxed{
\max
(
\text{ImmediateUtility}
+
\text{Agency}
+
\text{FutureOptionality}
+
\text{CognitiveReuse}
)
}
$$

subject to：

$$
\boxed{
CEB\le CEB_u.
}
$$

---

# 165. Compiler and Learning Velocity

好的 TEACH可以提高：

$$
v_C(u,t).
$$

---

# 166. Compiler and Frontier Separation

如果 bridge有效：

$$
\Delta_F^{agency}\downarrow.
$$

---

# 167. Not Necessarily $\Delta_F$ Total

使用者不必追所有 frontier。

---

# 168. Goal-Relative Gap

真正：

$$
\boxed{
\Delta_F^{goal}
=
F_{required}(Goal)
-
F_C(u,t).
}
$$

---

# 169. Compiler Objective Is Goal-Relative

只需要把：

$$
\Delta_F^{goal}
$$

壓到可達。

---

# 170. This Avoids Frontier Worship

不是每個人都要懂：

```text
最新模型架構
```

---

# 171. Only What Matters for Their Goals

---

# 172. Compiler and Post-Work Society

未來如果人不工作，

Compiler仍有價值。

---

# 173. Life Goals Also Have Prerequisites

例如：

```text
健康
財務
創作
旅行
關係
```

---

# 174. Productive Cognition Broadly Defined

不只經濟工作。

---

# 175. Agency Bridge

Compiler真正服務：

```text
human reachable agency
```

---

# 176. Compiler and Elderly Users

可能：

```text
大量 PROXY
少量高價值 choices
```

---

# 177. Compiler and Experts

可能：

```text
少 proxy
更多直接 control
```

---

# 178. Same System, Different Compilation

$$
\boxed{
Compile(u_1,T)
\neq
Compile(u_2,T).
}
$$

---

# 179. This Is Personalized Cognition

不是只 personalized content。

---

# 180. Cognitive Compilation Profile

```text
profile {
    teach_depth
    proxy_depth
    compression_ratio
    explanation_style
    decision_density
    verification_depth
}
```

---

# 181. Compiler and Language

不同語言 lexical transparency可影響：

```text
TEACH cost
```

---

# 182. But Compiler Can Rephrase Structurally

不綁單一 vocabulary。

---

# 183. Semantic Re-Encoding

$$
\boxed{
\text{Concept}
\rightarrow
User-Compatible Representation.
}
$$

---

# 184. Cognitive Decoder Adaptation

這和個人 internal decoder有關。

---

# 185. Compiler May Learn Decoder Style

例如：

```text
更吃圖
更吃公式
更吃例子
更吃操作
```

---

# 186. But User Can Change

dynamic。

---

# 187. Compiler and Error Recovery

如果 TEACH失敗：

```text
change representation
```

---

# 188. If Still Fails

可：

```text
reclassify to PROXY/COMPRESS
```

如果 agency允許。

---

# 189. If Not Allowed

則：

```text
BLOCKED
```

---

# 190. Blocked Is a Valid Result

不能假裝所有 cognitive gap都能消掉。

---

# 191. Honest Inaccessibility

AI可以說：

> 這個決策需要你理解到某程度，目前我們還沒到那裡。

---

# 192. That Is Better Than Fake Simplification

---

# 193. Compiler Error Taxonomy

最低：

```text
GOAL_UNDERSPECIFIED
USER_STATE_UNCERTAIN
PREREQUISITE_UNKNOWN
PROXY_UNAVAILABLE
BYPASS_INVALID
COMPRESSION_UNSAFE
CEB_EXCEEDED
AGENCY_THRESHOLD_FAIL
RISK_THRESHOLD_FAIL
PREFERENCE_UNRESOLVED
BLOCKED
```

---

# 194. GOAL_UNDERSPECIFIED

需要高價值問題。

---

# 195. USER_STATE_UNCERTAIN

不知道使用者是否懂。

---

# 196. PREREQUISITE_UNKNOWN

AI自己也不知道完整依賴。

---

# 197. PROXY_UNAVAILABLE

AI能力不足。

---

# 198. BYPASS_INVALID

繞過會破壞 goal fidelity。

---

# 199. COMPRESSION_UNSAFE

壓縮會隱藏重要風險。

---

# 200. CEB_EXCEEDED

需要的 human cognition太多。

---

# 201. AGENCY_THRESHOLD_FAIL

太多自動化會剝奪 meaningful choice。

---

# 202. RISK_THRESHOLD_FAIL

風險不可接受。

---

# 203. PREFERENCE_UNRESOLVED

使用者偏好未知。

---

# 204. BLOCKED

目前沒有合法 path。

---

# 205. No Silent Degradation

不能：

```text
原本要 informed choice
→ 因為太難
→ AI自己決定
```

---

# 206. Reversible Defaulting

只有低風險／可逆：

```text
可以 default
```

---

# 207. Explicit Assumption

default時標：

```text
assumption
```

---

# 208. User Can Override Later

---

# 209. Compiler and Reproducibility

同 user state / goal / policy：

```text
應可解釋為什麼選TEACH/PROXY
```

---

# 210. Deterministic Core

至少 policy分類可 deterministic。

---

# 211. Learned Compiler

未來可用 AI學習：

```text
最佳 operator selection
```

---

# 212. But Learned Output Must Pass Hard Constraints

```text
agency
risk
authority
```

---

# 213. Compiler as Meta-Agent

它不一定自己執行所有事。

---

# 214. It Orchestrates

```text
Tutor
Agent
Verifier
Planner
Renderer
```

---

# 215. Cognitive Gap Compiler vs Tutor

Tutor：

```text
教你
```

Compiler：

```text
決定哪些值得教、哪些不該教
```

---

# 216. Cognitive Gap Compiler vs Agent

Agent：

```text
替你做
```

Compiler：

```text
決定哪些該替你做、哪些不該替你做
```

---

# 217. Cognitive Gap Compiler vs Assistant

Assistant：

```text
回應需求
```

Compiler：

```text
重構需求到可達路徑
```

---

# 218. Cognitive Gap Compiler vs Recommendation System

推薦系統：

```text
選內容
```

Compiler：

```text
編譯 cognition + action path
```

---

# 219. Compiler and CTMA

未來 CTMA不同 tail model可以成為 backend。

---

# 220. TEACH Backend

```text
Scaffolding/Teaching Tail
```

---

# 221. PROXY Backend

```text
Execution Tail
```

---

# 222. VERIFY Backend

```text
Verification Tail
```

---

# 223. COMPRESS Backend

```text
Compression Tail
```

---

# 224. Preference Backend

```text
Counterfactual / Integrative Tail
```

---

# 225. Compiler as Cognitive Router

這就接近：

$$
\boxed{
\text{User Goal}
\rightarrow
\text{Cognitive Operator Routing}.
}
$$

---

# 226. Compiler and MACR

MACR可成為 runtime：

```text
route tutor
route agent
route verifier
track state
preserve authority
```

---

# 227. Compiler and HDSRC/PNCW

未來 user model、world state、decision surface也可 projection-native。

---

# 228. But Paper 05 Stays Architecture-Level

不要求特定 implementation。

---

# 229. Minimal MVP

第一個 Cognitive Gap Compiler MVP可以只處理：

```text
simple task graph
4 operator labels
CEB budget
agency-critical flags
```

---

# 230. MVP Input

```text
goal
known nodes
unknown nodes
AI capabilities
CEB
risk
```

---

# 231. MVP Output

```text
what user learns
what AI does
what is skipped
what is summarized
what user must decide
```

---

# 232. First Fixture

例如：

```text
Build a simple personal website
```

---

# 233. User A

懂：

```text
domain
hosting
Git
```

---

# 234. User B

完全不懂。

---

# 235. Compiler Should Produce Different Paths

---

# 236. Evaluation Metric — Human Node Count

$$
\boxed{
N_H
}
$$

越少不一定越好，但可量。

---

# 237. Evaluation Metric — CEB Cost

$$
\boxed{
C_H
=
\sum_{v\in G_H} Cost_u(v).
}
$$

---

# 238. Evaluation Metric — Agency Preservation

$$
\boxed{
A_P.
}
$$

---

# 239. Evaluation Metric — Goal Success

$$
\boxed{
G_S.
}
$$

---

# 240. Evaluation Metric — Future Reuse

$$
\boxed{
R_F.
}
$$

---

# 241. Multi-Objective Score

不是單一最好。

需要 Pareto trade-off。

---

# 242. Example Objective

$$
\boxed{
J
=
\alpha G_S
+
\beta A_P
+
\gamma R_F
-
\lambda C_H.
}
$$

---

# 243. No Universal Weights

不同 user / task不同。

---

# 244. User Preference Can Set Weights

```text
我只想快點完成
```

vs

```text
我想學會
```

---

# 245. Completion Mode

偏：

```text
PROXY
COMPRESS
```

---

# 246. Learning Mode

偏：

```text
TEACH
```

---

# 247. Hybrid Mode

```text
先做
後教
```

---

# 248. Audit Mode

```text
AI做
人只看證據
```

---

# 249. Mode Can Change Mid-Task

---

# 250. Compiler Should Ask One Meta-Preference Early

例如：

> 這次你想「最快完成」、還是「順便學會」？

---

# 251. But Even That Can Be Inferred

若低風險，可以 default。

---

# 252. CEB-Aware Questions

問題數本身要有限。

---

# 253. Maximum Question Budget

$$
\boxed{
Q_{budget}.
}
$$

---

# 254. High-Value Questions Only

---

# 255. Compiler and "Wish Mode"

最極端：

```text
只說願望
```

---

# 256. Wish Mode

AI做：

```text
intent reconstruction
preference elicitation
product generation
```

---

# 257. Wish Mode Is Legitimate

但它不等於：

```text
generative ownership
```

---

# 258. Reproducibility Layer

如果 product重要，

AI應生成：

```text
spec
constraints
tests
build recipe
```

---

# 259. This Preserves Exit Optionality

---

# 260. Wish-to-Spec Compilation

$$
\boxed{
\text{Wish}
\rightarrow
\text{Executable Specification}.
}
$$

---

# 261. Product Generator Connection

Paper 08會延伸。

---

# 262. Compiler as Anti-Mong-Confused Mechanism

「朦逼態」的核心：

```text
不知道下一步
```

Compiler要輸出：

```text
下一步只需要做這件事
```

---

# 263. One Reachable Step

$$
\boxed{
NextStep(u,T)
}
$$

---

# 264. Do Not Show Full Graph by Default

---

# 265. Progressive Expansion

需要時：

```text
展開
```

---

# 266. This Is Cognitive Lazy Loading

可以稱：

$$
\boxed{
\text{Cognitive Lazy Materialization}.
}
$$

---

# 267. Only Materialize What User Needs Now

---

# 268. Full Graph Remains Machine-Side

---

# 269. Human View Is a Projection

這和 projection-native思想一致。

---

# 270. User Does Not Need Canonical Internal Graph

只要可要求展開。

---

# 271. Expand-on-Demand

```text
Why?
Show me more.
What are the risks?
```

---

# 272. Human Agency Through Inspectability

不必看到全部，

但有權深入。

---

# 273. Inspectability

$$
\boxed{
\text{Compression}
+
\text{Inspectability}
}
$$

比純黑盒更好。

---

# 274. User-Controlled Expansion Depth

---

# 275. Cognitive Gap Compiler as Projection System

最終可以理解成：

$$
\boxed{
\text{Complex Productive World}
\rightarrow
\text{User-Reachable Action Projection}.
}
$$

---

# 276. Compiler Does Not Need to Make User Equal to Expert

---

# 277. It Needs to Make the Goal Reachable

$$
\boxed{
F_C(u,t)
\rightarrow
F_{required}(Goal).
}
$$

---

# 278. Goal-Relative Closure

一旦：

$$
F_C^{compiled}
\ge
F_{required},
$$

就夠。

---

# 279. Future Optionality Can Be Added Gradually

---

# 280. Paper 05 Main Claim

$$
\boxed{
\text{The solution to cognitive gaps is not always more teaching;
it is better compilation of human and machine cognition}.
}
$$

---

# 281. Second Main Claim

$$
\boxed{
\text{Missing Prerequisite}
\not\Rightarrow
\text{Must Teach}.
}
$$

---

# 282. Third Main Claim

$$
\boxed{
\text{Human Required Cognition should be minimized,
not human agency}.
}
$$

---

# 283. Canonical Operator Set

```text
TEACH
BYPASS
PROXY
COMPRESS
```

---

# 284. Canonical Compilation Formula

$$
\boxed{
\mathcal G_P
\rightarrow
(
\mathcal G_H,
\mathcal G_M,
\mathcal G_B,
\mathcal G_C
).
}
$$

---

# 285. Canonical Human Cost

$$
\boxed{
C_H
=
\sum_{v\in \mathcal G_H}
Cost_u(v).
}
$$

---

# 286. Canonical Optimization

$$
\boxed{
\min C_H
}
$$

subject to：

$$
\boxed{
Agency\ge A_{min},
\quad
Understanding\ge U_{critical},
\quad
Risk\le R_{max}.
}
$$

---

# 287. Canonical Question Selection

$$
\boxed{
Q^*
=
\arg\max_Q
\frac{
InformationGain(Q)
}{
CEBCost(Q)
}.
}
$$

---

# 288. Canonical Reachability

$$
\boxed{
CompiledReachable(u,T)
=
1
\iff
C_H
\le
CEB_u.
}
$$

---

# 289. Canonical Ethical Boundary

$$
\boxed{
\text{Minimize Required Cognition}
\neq
\text{Minimize Human Agency}.
}
$$

---

# 290. Paper 05 Non-Goals

本篇不宣稱：

```text
所有 prerequisite都能被AI代理
所有人都能透過compiler到達任何目標
AI應替人做所有複雜決策
人類不需要學習
technical knowledge不重要
```

---

# 291. Hard Limits

某些目標本身需要：

```text
長期訓練
身體技能
社會信任
法律資格
深度理解
```

不能只靠 compiler消掉。

---

# 292. Physical Constraints

也不能 bypass：

```text
物理世界
時間
資源
```

---

# 293. Institutional Constraints

例如：

```text
執照
法律
組織權限
```

仍然存在。

---

# 294. Cognitive Compiler Does Not Override Reality

---

# 295. But It Can Expose the True Blocker

如果卡的是：

```text
法律資格
```

不要再教無關技術。

---

# 296. Blocker Localization

這本身就是巨大價值。

---

# 297. Future Research Questions

1. 如何自動生成 prerequisite graph？
2. 如何估計 user state？
3. 如何估計 CEB？
4. 如何判定 agency-critical node？
5. 如何判定合法 BYPASS？
6. 如何評估 PROXY trust？
7. 如何量化 compression fidelity？
8. 如何避免過度依賴？
9. 如何最佳化 future optionality？
10. 如何讓 compiler在大型 agent systems中作為 human escalation layer？

---

# 298. Connection to Paper 06

Paper 06 將處理：

```text
compiler省下的 cognition
```

最後流向哪裡。

---

# 299. Ratchet Path

```text
AI proxy低層
→ human學高層
→ future PED下降
```

---

# 300. Outsourcing Path

```text
AI proxy低層
→ human不再內化
→ dependency提高
```

---

# 301. Compiler Is Neutral Between Them

它只能提供 option。

---

# 302. Human Preference Matters

---

# 303. Connection to Paper 07

如果某些人連 compiled path都不可達，

可能成為 post-work / non-participation機制。

---

# 304. Connection to Paper 08

高度客製化產品市場需要：

```text
Wish-to-Spec
Preference Compression
Product Proxy
```

全部是 compiler能力。

---

# 305. Final Architecture Statement

未來 AI 普惠最重要的問題可能不是：

> 怎麼把每個人都教成 expert？

而是：

> 怎麼讓 expert-level productive systems，在不抹除人類選擇權的前提下，編譯成每個人可真正進入的行動空間？

---

# 306. Conclusion

當 prerequisite graph 越來越深，單純「把所有東西教會」會越來越不 scalable。

如果一個普通使用者只是想完成：

```text
一個網站
一個旅行計畫
一個自動化
一個產品
一個財務目標
```

不應先要求他：

```text
成為工程師
成為分析師
成為部署專家
成為AI研究員
```

才能開始行動。

同樣地，也不能因為 AI 足夠強，就把所有重要價值選擇偷偷移交給 AI。

Cognitive Gap Compiler 的核心就是處理這個中間地帶：

```text
什麼值得人學？
什麼可以AI代理？
什麼可以被新架構繞過？
什麼複雜度應壓成少量 meaningful choice？
```

最後輸出的不是「完整知識」，也不是「完全黑盒自動化」。

而是一條：

$$
\boxed{
\text{User-Reachable,
Agency-Preserving,
Goal-Effective Path}.
}
$$

如果未來 AI 真正能做到這一層，那麼「認知能力不均等」才不必直接轉化成「能否參與未來世界」的不平等。

---

## Canonical Closing Formula

$$
\boxed{
\text{Missing Prerequisite}
\not\Rightarrow
\text{Must Teach}.
}
$$

而是：

$$
\boxed{
\text{TEACH}
\;\cup\;
\text{BYPASS}
\;\cup\;
\text{PROXY}
\;\cup\;
\text{COMPRESS}.
}
$$

最終：

$$
\boxed{
\min
\text{Human Required Cognition}
}
$$

subject to：

$$
\boxed{
\text{Meaningful Agency Preserved}
+
\text{Critical Understanding Preserved}
+
\text{Risk Bounded}.
}
$$