--- title: "真正的辯論在找哪裡不同：共同域、分歧定位與因果區辨" english_title: "Real Debate Locates Where Models Diverge: Shared Domains, Divergence Localization, and Causal Discrimination" series: "AI 辯論學習方法論系列" series_english: "AI Debate Learning Methodology Series" series_id: "ADLM" paper_id: "ADLM-05" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Series Paper" date: "2026-10-06" language: "zh-TW" canonical_source: "UTF-8 Markdown" math_source_rule: "inline math only with $...$ ; display math only with $$...$$" --- # 真正的辯論在找哪裡不同 ## 共同域、分歧定位與因果區辨 ### Real Debate Locates Where Models Diverge: Shared Domains, Divergence Localization, and Causal Discrimination **系列：** AI 辯論學習方法論系列（ADLM），Paper 05 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-10-06 **公司：** 一言諾科技有限公司 --- # 摘要 許多辯論在表面上呈現為： $$ \boxed{ M_A \quad vs\quad M_B. } $$ 參與者通常將工作重心放在： - 找對方漏洞； - 強化自己論點； - 防守己方弱點； - 爭取裁判或觀眾。 但如果辯論的目標是提高世界模型解析度，那真正重要的問題不是： $$ \boxed{ \text{Who is wrong?} } $$ 而是： $$ \boxed{ \text{Where do the models first meaningfully diverge?} } $$ 本文提出： $$ \boxed{ \text{Locate the Divergence, not the Loser}. } $$ 並建立一套從表面 disagreement 走向 causal discrimination 的流程： $$ \boxed{ \text{Frame Alignment} \rightarrow \text{Shared Domain Construction} \rightarrow \text{Argument Decomposition} \rightarrow \text{First Meaningful Divergence} \rightarrow \text{Causal Crux} \rightarrow \text{Discriminating Evidence}. } $$ 令兩個世界模型為： $$ M_A, \quad M_B. $$ 它們通常不是從第一個節點就完全不同，而是共享大量結構： $$ s_0 \rightarrow s_1 \rightarrow \cdots \rightarrow s_k. $$ 真正分叉可能只發生於： $$ \boxed{ s_k \xrightarrow{T_A} s_{A} } $$ 與： $$ \boxed{ s_k \xrightarrow{T_B} s_{B}. } $$ 本文將： $$ \boxed{ \Delta^\ast = ( s_k, T_A, T_B ) } $$ 定義為 **First Meaningful Divergence**。 辯論若能從「我們整個世界觀都不同」收斂成「我們其實只在這個 transition rule 不同」，即使雙方尚未達成共識，也已經產生實質 epistemic gain。 本文進一步提出 **Causal Crux**：若一個節點 $c^\ast$ 的真假或 causal role 改變，足以使至少一方重新評估其終局模型，則： $$ \boxed{ c^\ast } $$ 是高價值 crux。 真正高品質辯論接著應尋找： $$ \boxed{ E^\ast = \arg\max_E D( P(E\mid M_A), P(E\mid M_B) ) } $$ 也就是最能區分兩模型的新證據、實驗、觀察或反事實。 本文因此主張： $$ \boxed{ \text{Argument} \rightarrow \text{Crux} \rightarrow \text{Discriminating Evidence} } $$ 應取代： $$ \boxed{ \text{Argument} \rightarrow \text{More Argument} \rightarrow \text{Rhetorical Exhaustion}. } $$ 本篇作為 ADLM 系列中段核心，將 ADLM-01 的世界模型比較、ADLM-02 的 claim typing、ADLM-03 的 predicate-domain discipline 與 ADLM-04 的 frame / invariant analysis 統一成一套可操作的辯論解析框架，並為 ADLM-06 的制度史與 ADLM-07 的 Green Model 建立直接前置。 **關鍵詞：** 共同域、分歧定位、Causal Crux、Discriminating Evidence、Shared Domain、World Model、Debate Resolution、Argument Mapping、因果區辨、AI Debate Learning --- # 1. 問題起點：很多「世界觀衝突」其實沒有那麼大 兩個人可能說： > 我們整個世界觀完全不同。 但真正展開後，常發現： $$ \boxed{ 80\%\text{ shared} + 20\%\text{ divergent}. } $$ 甚至真正 decisive divergence 可能只剩： $$ \boxed{ 1\text{–}3 \text{ causal transitions}. } $$ --- # 2. 表面分歧與結構分歧 本文區分： $$ \boxed{ \Delta_{\mathrm{surface}} } $$ 與： $$ \boxed{ \Delta_{\mathrm{struct}}. } $$ 表面不同不一定是結構不同。 --- # 3. 表面分歧可能來自語言 例如： A 使用： $$ \text{Cause}. $$ B 使用： $$ \text{Ground}. $$ 但若兩者在實際模型中指向相同 relation， 則： $$ \boxed{ \Delta_{\mathrm{surface}}>0 } $$ 但： $$ \boxed{ \Delta_{\mathrm{struct}}\approx0. } $$ --- # 4. 也可能來自 frame ADLM-04 已建立： $$ O_A=\Pi_A(W), $$ $$ O_B=\Pi_B(W). $$ 若存在合法： $$ T_{A\rightarrow B}, $$ 那麼不同描述可能只是： $$ \boxed{ \text{coordinate difference}. } $$ 不是 substantive disagreement。 --- # 5. 真正的分歧 本文定義 substantive divergence： $$ \boxed{ \Delta_S(M_A,M_B)>0 } $$ 當且僅當經過： - semantic alignment； - frame alignment； - scope alignment； 後，模型仍在： - causal transition； - evidence interpretation； - modal structure； - value function； 上存在不可消去差異。 --- # 6. Shared Domain 本文定義： $$ \boxed{ D_{\mathrm{shared}} } $$ 為雙方可共同操作的最小世界模型底座。 至少包含： $$ D_{\mathrm{shared}} = ( V, R, O, I, S ). $$ 其中： - $V$：shared variables； - $R$：shared relations； - $O$：shared observations； - $I$：shared inference rules； - $S$：shared scope / semantics。 --- # 7. Shared Domain 不是共識 重要： $$ \boxed{ D_{\mathrm{shared}} \neq \text{Consensus}. } $$ 雙方可以強烈不同意結論， 但仍共享： - 問題是什麼； - 哪些觀察是真的； - 某些符號代表什麼； - 哪些推理規則可接受。 --- # 8. Shared Domain 也不是妥協 它不是： > 大家各退一步。 而是： $$ \boxed{ \text{construct a common coordinate system for disagreement}. } $$ --- # 9. 沒有共同域，辯論會退化 若： $$ D_{\mathrm{shared}}\approx\varnothing, $$ 雙方容易出現： $$ \boxed{ \text{semantic cross-fire}. } $$ 也就是： > 每一句都像在反駁，但其實沒有作用在同一命題。 --- # 10. Shared Object First 辯論至少要先確認： $$ \boxed{ \text{Are we talking about the same object?} } $$ 否則： $$ P_A(x) $$ 與： $$ P_B(y) $$ 根本不能直接比較。 --- # 11. Shared Scope 同樣： $$ \boxed{ Scope_A = Scope_B } $$ 至少要能對齊。 ADLM-02 已指出： $$ \text{local} \neq \text{global}. $$ 如果一方談： $$ D_{\mathrm{local}}, $$ 另一方談： $$ \Omega, $$ 衝突可能是假的。 --- # 12. Shared Predicate Typing ADLM-03 已指出 predicate 必須 well-typed。 所以： $$ \boxed{ Type(P_A) \approx Type(P_B) } $$ 是進入 substantive debate 的前置。 --- # 13. Shared Frame ADLM-04 已指出： $$ F_A,F_B $$ 若不同， 先尋找： $$ T_{A\rightarrow B}. $$ 因此真正辯論前： $$ \boxed{ \text{semantic alignment} + \text{scope alignment} + \text{frame alignment} } $$ 應先完成。 --- # 14. Debate Alignment Layer 本文將這一前處理稱： $$ \boxed{ \mathcal A_D = \text{Debate Alignment Layer}. } $$ 其輸出： $$ \boxed{ D_{\mathrm{shared}}. } $$ --- # 15. 共同域越大越好嗎？ 不一定。 若為了「和諧」把： $$ D_{\mathrm{shared}} $$ 強行擴大， 可能產生： $$ \boxed{ \text{false consensus}. } $$ 所以共同域只收錄： $$ \boxed{ \text{actually shared structures}. } $$ --- # 16. Honest Shared Domain 本文提出： $$ \boxed{ D_{\mathrm{shared}}^{\mathrm{honest}} } $$ 只包含： - 明確接受； - 可互相重建； - 沒有 hidden disagreement； 的結構。 --- # 17. Agreement Verification A 說： > 我同意你的定義。 還不夠。 可以要求 A 重建 B： $$ \hat D_B^{(A)}. $$ 若： $$ F( \hat D_B^{(A)}, D_B ) >\tau, $$ 才視為真正 semantic agreement。 --- # 18. Reciprocal Reconstruction 同樣： $$ \hat D_A^{(B)} $$ 也要通過。 這是： $$ \boxed{ \text{reciprocal model reconstruction}. } $$ --- # 19. Shared Domain Fidelity 定義： $$ \boxed{ F_D = \frac{ F( \hat D_B^{(A)},D_B ) + F( \hat D_A^{(B)},D_A ) }{2}. } $$ 若： $$ F_D\ll1, $$ 辯論應退回 alignment。 --- # 20. 不要急著 attack 傳統 debate： $$ \text{Position} \rightarrow \text{Attack}. $$ 本文建議： $$ \boxed{ \text{Position} \rightarrow \text{Alignment} \rightarrow \text{Decomposition} \rightarrow \text{Attack}. } $$ --- # 21. Argument Decomposition 將紅方模型： $$ M_A $$ 拆成： $$ \boxed{ M_A= ( P_A, O_A, I_A, C_A, V_A ). } $$ 其中： - $P_A$：premises； - $O_A$：observations； - $I_A$：inference； - $C_A$：causal relations； - $V_A$：value / objective。 --- # 22. 藍方也一樣 $$ \boxed{ M_B= ( P_B, O_B, I_B, C_B, V_B ). } $$ 然後做 component-wise comparison。 --- # 23. Debate Difference Vector 定義： $$ \boxed{ \Delta_{AB} = ( \Delta_P, \Delta_O, \Delta_I, \Delta_C, \Delta_V ). } $$ --- # 24. Premise Divergence $$ \Delta_P $$ 表示： > 雙方前提不同。 這通常需要： - evidence； - definition； - prior； 檢查。 --- # 25. Observation Divergence $$ \Delta_O $$ 表示： > 雙方看到／接受的資料不同。 此時應優先： $$ \boxed{ \text{data reconciliation}. } $$ 不是繼續純推理。 --- # 26. Inference Divergence 若： $$ O_A=O_B, $$ 但： $$ I_A(O)\neq I_B(O), $$ 則： $$ \Delta_I>0. $$ 這是真正 reasoning disagreement。 --- # 27. Causal Divergence 若雙方接受同一 observation， 但： $$ C_A: X\rightarrow Y, $$ $$ C_B: Z\rightarrow Y, $$ 則： $$ \Delta_C>0. $$ 需要 causal discrimination。 --- # 28. Value Divergence 若： $$ M_A^{\mathrm{fact}} = M_B^{\mathrm{fact}} $$ 但： $$ V_A\neq V_B, $$ 則： $$ \boxed{ \text{debate has crossed into normative space}. } $$ 不能繼續假裝只是 facts。 --- # 29. First Meaningful Divergence 本文提出核心結構： $$ \boxed{ \Delta^\ast } $$ 即： > 經過 semantic / scope / frame alignment 後，模型第一次產生足以影響後續結論的真正分叉。 --- # 30. Path Form 若 shared path： $$ s_0 \rightarrow s_1 \rightarrow \cdots \rightarrow s_k, $$ 之後： $$ s_k \xrightarrow{T_A} s_A $$ 與： $$ s_k \xrightarrow{T_B} s_B, $$ 則： $$ \boxed{ \Delta^\ast = ( s_k, T_A, T_B ). } $$ --- # 31. 為什麼 First Meaningful Divergence 很重要？ 因為下游可能有： $$ 100 $$ 個差異， 但都由： $$ \Delta^\ast $$ 產生。 若只攻擊 downstream symptoms， 辯論會非常冗長。 --- # 32. Divergence Compression 原本： $$ \{ \Delta_1,\ldots,\Delta_{100} \} $$ 若可壓成： $$ \boxed{ \Delta^\ast } $$ 就得到： $$ \boxed{ \text{debate compression}. } $$ --- # 33. Root Divergence 本文也稱： $$ \boxed{ \Delta_{\mathrm{root}} } $$ 為能生成大量 downstream disagreement 的根分歧。 --- # 34. Root ≠ Earliest Sentence 注意： $$ \boxed{ \text{earliest verbal disagreement} \neq \text{root divergence}. } $$ 最早吵起來的句子可能只是表面症狀。 --- # 35. Causal Root Divergence 真正 root 應滿足： $$ \boxed{ \operatorname{Change}(\Delta^\ast) \Rightarrow \text{many downstream differences collapse or change}. } $$ --- # 36. Sensitivity Test 對候選 divergence： $$ d_i, $$ 做： $$ \operatorname{do}(d_i'). $$ 若大量 downstream conclusion： $$ C_j $$ 隨之改變， 則： $$ d_i $$ 可能是高價值 root。 --- # 37. Debate Sensitivity 定義： $$ \boxed{ S_D(d_i) = \frac{ |\text{downstream conclusions changed}| }{ |\text{total relevant conclusions}| }. } $$ 高： $$ S_D $$ 代表高價值 crux candidate。 --- # 38. Crux 本文定義一般 crux： $$ \boxed{ c } $$ 為： > 如果其 truth-value / causal role 改變，至少一方會顯著更新模型的命題或關係。 --- # 39. Causal Crux 若： $$ c^\ast $$ 直接位於 causal graph： $$ G_C, $$ 且改變它會影響 model prediction， 則： $$ \boxed{ c^\ast = \text{Causal Crux}. } $$ --- # 40. Crux Is Not Merely a Weak Point 弱點： $$ w $$ 可能只是 rhetoric vulnerability。 Crux： $$ c^\ast $$ 則是： $$ \boxed{ \text{model-changing dependency}. } $$ --- # 41. Crux Value 定義： $$ \boxed{ V_C(c) = P( \text{model update} \mid c\text{ resolved} ) \times \text{impact}. } $$ --- # 42. High-Value Crux 高價值： $$ V_C(c)\gg0. $$ 這意味： > 解決這一個點，整場辯論就會大幅收斂。 --- # 43. Low-Value Argument 有些辯論花大量時間在： - wording； - side examples； - historical trivia； 即使解決也： $$ V_C\approx0. $$ 這就是低收益 argument。 --- # 44. Debate Efficiency 定義： $$ \boxed{ \eta_C = \frac{ \sum V_C(c_i) }{ \text{debate cost} }. } $$ 高品質辯論應提高： $$ \eta_C. $$ --- # 45. Crux Search 本文提出： $$ \boxed{ \mathcal S_C } $$ 即： > 在 argument graph 中主動搜尋最大 model-changing crux。 --- # 46. Crux Tree 可以建立： $$ \boxed{ T_C } $$ 每個節點是： - premise； - causal relation； - prediction； - value assumption。 從 outcome 向上追 dependency。 --- # 47. Backward Crux Tracing 從結論： $$ Y $$ 反推： $$ Y \leftarrow C_1 \leftarrow C_2 \leftarrow P. $$ 比較 A、B 的 path， 找 first divergence。 --- # 48. Forward Crux Testing 找到： $$ c^\ast $$ 後， 改變它： $$ c^\ast\rightarrow c' $$ 重新 propagate。 看： $$ M_A, M_B $$ 是否收斂。 --- # 49. Crux Agreement Test 問 A： > 如果 $c^\ast$ 是假的，你會改變結論嗎？ 問 B： > 如果 $c^\ast$ 是真的，你會改變結論嗎？ 若雙方都回答 yes， 則： $$ \boxed{ c^\ast } $$ 非常適合作為 shared crux。 --- # 50. One-Sided Crux 有時只有： $$ A $$ 會更新， B 不會。 這仍有價值， 但不是： $$ \boxed{ \text{double crux}. } $$ --- # 51. Double Crux 若： $$ \boxed{ c^\ast } $$ 對 A、B 都是 decisive， 則： $$ \boxed{ c^\ast = \text{Double Crux}. } $$ --- # 52. Crux ≠ Evidence Crux 是： $$ \boxed{ \text{which proposition matters}. } $$ Evidence 是： $$ \boxed{ \text{what could resolve that proposition}. } $$ 兩者必須分開。 --- # 53. Discriminating Evidence 對兩模型： $$ M_A, M_B, $$ 理想 evidence： $$ E^\ast $$ 應使： $$ \boxed{ P(E^\ast\mid M_A) } $$ 與： $$ \boxed{ P(E^\ast\mid M_B) } $$ 差異最大。 --- # 54. Evidence Discrimination Score 定義： $$ \boxed{ D_E(E) = d( P(E\mid M_A), P(E\mid M_B) ). } $$ --- # 55. Optimal Evidence $$ \boxed{ E^\ast = \arg\max_E D_E(E). } $$ 這是辯論走向 experiment 的核心。 --- # 56. 不是所有 evidence 都有區辨力 如果： $$ P(E\mid M_A) \approx P(E\mid M_B), $$ 那看到： $$ E $$ 也不會解決爭議。 --- # 57. Shared Evidence ≠ Discriminating Evidence 雙方都同意的 evidence： $$ E_s $$ 很重要。 但如果： $$ E_s $$ 被兩模型都預測， 它只能建立 shared domain。 不能 adjudicate。 --- # 58. Debate Should Search for Model-Separating Evidence 因此： $$ \boxed{ \text{Evidence Volume} \neq \text{Evidence Discrimination}. } $$ 辯論不是比誰丟更多資料。 --- # 59. Evidence Quality 可寫： $$ \boxed{ Q_E = F( D_E, R, C, V ). } $$ 其中： - $D_E$：discrimination； - $R$：reliability； - $C$：cost； - $V$：verifiability。 --- # 60. Cheap but Weak Evidence 某 evidence 容易取得， 但： $$ D_E\approx0. $$ 則對爭議價值很低。 --- # 61. Expensive but Decisive Evidence 某實驗成本高， 但： $$ D_E\gg0. $$ 可能是最值得做的下一步。 --- # 62. Debate-to-Experiment Transition 本文提出： $$ \boxed{ \text{Debate} \rightarrow \text{Experiment} } $$ 的合法轉換點： 當： $$ \Delta^\ast $$ 與： $$ c^\ast $$ 已足夠清楚， 繼續語言辯論的 marginal gain 低於： $$ V(E^\ast). $$ --- # 63. Argument Saturation 定義： $$ \boxed{ G_A(n) = \text{new model-relevant gain at debate round }n. } $$ 若： $$ G_A(n)\rightarrow0, $$ 應停止口語攻防。 --- # 64. Argument Loop 若： $$ A_1\rightarrow B_1\rightarrow A_2\rightarrow B_2 $$ 只是改寫相同內容， 則： $$ \boxed{ \text{Argument Loop}. } $$ --- # 65. Loop Detection 可用 semantic / structural similarity： $$ Sim(A_t,A_{t-k})>\tau. $$ 若長期成立， 表示 debate saturated。 --- # 66. Stop Rule 本文提出： $$ \boxed{ \text{Stop arguing when no new crux, evidence, or model transition is being generated}. } $$ --- # 67. Debate Does Not Need Immediate Resolution 如果： $$ E^\ast $$ 尚未可得， 可以輸出： $$ \boxed{ \text{Unresolved Pending Evidence}. } $$ --- # 68. Unresolved Is a High-Quality State 因為它保留： - shared domain； - crux； - evidence requirement。 比： $$ \boxed{ \text{forced verdict} } $$ 更有知識價值。 --- # 69. Evidence Ledger 本文建議辯論維護： $$ \boxed{ L_E } $$ 記錄： ```text evidence_id: supports: weakens: shared_or_discriminating: source: reliability: scope: status: ``` --- # 70. Crux Ledger 同樣： $$ \boxed{ L_C } $$ 記錄： ```text crux_id: statement: type: who_updates_if_true: who_updates_if_false: downstream_impact: required_evidence: status: ``` --- # 71. Shared Domain Ledger $$ \boxed{ L_D } $$ 記錄： ```text term: definition: scope: frame: accepted_by_A: accepted_by_B: confidence: ``` --- # 72. Debate State 完整外部化： $$ \boxed{ S_D = ( M_A, M_B, D_{\mathrm{shared}}, \Delta^\ast, C^\ast, E^\ast, H ). } $$ --- # 73. Revision History $$ H $$ 保存： $$ M_A^{(0)} \rightarrow M_A^{(1)} \rightarrow \cdots $$ 與： $$ M_B^{(0)} \rightarrow M_B^{(1)} \rightarrow \cdots $$ 這可以直接成為 AI learning trace。 --- # 74. Revision Is Not Defeat 如果 A 因 evidence： $$ E $$ 修改： $$ M_A, $$ 應記錄： $$ \boxed{ \text{successful epistemic update}. } $$ 不是： $$ \boxed{ \text{A lost}. } $$ --- # 75. Shared Revision 最好情況可能： $$ M_A\rightarrow M_A', $$ $$ M_B\rightarrow M_B'. $$ 兩者同時更新。 這為 ADLM-07 的 Green Model 鋪路。 --- # 76. Model Distance 定義： $$ \boxed{ d_M( M_A,M_B ). } $$ 辯論後： $$ d_M $$ 可能下降。 但這不是唯一成功指標。 --- # 77. Better Divergence Without Smaller Distance 有時： $$ d_M $$ 不變， 但： $$ R_D\uparrow. $$ 即雙方仍不同意， 但已清楚知道差異在哪。 這仍是成功。 --- # 78. Debate Resolution Gain 定義： $$ \boxed{ G_R = R_D^{\mathrm{after}} - R_D^{\mathrm{before}}. } $$ --- # 79. Causal Discrimination Gain 定義： $$ \boxed{ G_C = D_E(E^\ast)_{\mathrm{after}} - D_E(E)_{\mathrm{before}}. } $$ 表示是否找到更好的區辨證據。 --- # 80. Shared-Domain Gain 定義： $$ \boxed{ G_S = Q( D_{\mathrm{shared}}^{\mathrm{after}} ) - Q( D_{\mathrm{shared}}^{\mathrm{before}} ). } $$ --- # 81. Debate Epistemic Gain 可綜合： $$ \boxed{ G_{\mathrm{debate}} = \alpha G_S + \beta G_R + \gamma G_C + \delta G_U, } $$ 其中： $$ G_U $$ 是 updateability gain。 --- # 82. 辯論可以零共識但高增益 可能： $$ \text{Consensus}=0 $$ 但： $$ G_{\mathrm{debate}}\gg0. $$ 這是本文非常重要的結論。 --- # 83. 辯論也可以高共識但低增益 如果大家本來就同意， 最後只是互相重複， 則： $$ \text{Consensus}\approx1 $$ 但： $$ G_{\mathrm{debate}}\approx0. $$ --- # 84. Consensus Is Not the Objective Function 所以： $$ \boxed{ \text{Consensus} \neq \text{Epistemic Objective}. } $$ --- # 85. Shared Model Construction 真正求真型辯論應建立： $$ \boxed{ M_{\mathrm{shared}} } $$ 其中包含： - agreed structures； - disputed structures； - unknown structures。 --- # 86. Shared Model Can Contain Disagreement $$ M_{\mathrm{shared}} $$ 不是： $$ \boxed{ \text{one single answer}. } $$ 它可以含： $$ \boxed{ \{H_A,H_B,?\} } $$ 作為 open branches。 --- # 87. Branch-Preserving Model 本文提出： $$ \boxed{ M_{\mathrm{branch}} } $$ 允許： $$ s_k \rightarrow \{ T_A, T_B, T_C \}. $$ 直到 evidence 消除 branch。 --- # 88. 這比假共識更好 如果 evidence 不足， 保留： $$ \boxed{ \text{multiple live branches} } $$ 比硬選一邊更可靠。 --- # 89. Decision Under Branching 如果必須決策， 則： $$ A^\ast = \arg\max_A \sum_i P(M_i\mid E) U(A\mid M_i). $$ 所以 unresolved model 仍可支援行動。 --- # 90. Truth-Seeking Does Not Require Decision Paralysis 這再次說明： $$ \boxed{ \text{uncertainty} \neq \text{inaction}. } $$ --- # 91. Argument Graph 未來可將辯論表示成： $$ \boxed{ G_A = (V_A,E_A). } $$ 節點： - claims； - evidence； - assumptions； - causal relations。 邊： - supports； - contradicts； - depends-on； - refines。 --- # 92. Shared Argument Graph A、B 圖合併： $$ \boxed{ G_{AB} = G_A \cup G_B. } $$ 然後標： - shared； - contested； - unique。 --- # 93. Divergence Cut 在： $$ G_{AB} $$ 中尋找最小 cut： $$ \boxed{ C^\ast } $$ 使去除／翻轉後大量 downstream paths 改變。 這是圖論版本的 crux search。 --- # 94. Minimal Disagreement Cut 本文提出候選概念： $$ \boxed{ \text{Minimal Disagreement Cut}. } $$ 即： > 用最少的 contested nodes / edges 表示整場 substantive disagreement。 --- # 95. Debate Compression Ratio 定義： $$ \boxed{ CR_D = \frac{ |\text{raw disagreement statements}| }{ |\text{minimal disagreement cut}| }. } $$ 高： $$ CR_D $$ 表示可以大幅壓縮。 --- # 96. AI 特別適合做這件事 人類工作記憶難以管理： $$ 10^2-10^4 $$ 個 argument nodes。 AI 可以： - 建 graph； - 找 dependency； - 聚類重複論點； - 找 minimal cut。 這可能是 AI debate 真正比人類強的地方之一。 --- # 97. 但 AI 也可能 hallucinate shared domain 如果 AI 為了和諧， 虛構： $$ D_{\mathrm{shared}}, $$ 會產生： $$ \boxed{ \text{Synthetic Consensus Error}. } $$ --- # 98. Synthetic Consensus Error 定義： $$ \boxed{ F_{SC} } $$ 為： > 模型把實際仍有分歧的概念，錯誤標記成已共識。 --- # 99. Shared-Domain Verification 所以每個 shared item： $$ d_i $$ 需要： $$ A\text{ confirms} \land B\text{ confirms}. $$ AI multi-agent 系統可做 reciprocal confirmation。 --- # 100. AI 也可能 hallucinate crux 某個看似核心的： $$ c $$ 其實雙方都不會因它更新。 所以必須： $$ \boxed{ \text{Crux Validation}. } $$ --- # 101. Crux Validation Protocol 對： $$ c, $$ 分別問： $$ \operatorname{Update}_A(c=\text{true/false})? $$ $$ \operatorname{Update}_B(c=\text{true/false})? $$ 若都不更新， 不是 crux。 --- # 102. AI Debate Role：Cartographer 本文首次正式引入： $$ \boxed{ C = \text{Cartographer}. } $$ 它不站紅藍。 它負責： - hypothesis space； - shared domain； - difference graph； - crux candidates。 --- # 103. Cartographer 不得求勝 其 reward 不包含： $$ P(\text{side wins}). $$ 只包含： $$ \boxed{ \text{mapping fidelity}. } $$ --- # 104. Red / Blue Role 紅藍仍很重要。 它們負責： $$ \boxed{ \text{strongest adversarial model construction}. } $$ 但必須接受： $$ C $$ 的 shared state。 --- # 105. Evidence Agent 還可以有： $$ \boxed{ E = \text{Evidence Agent}. } $$ 專門搜尋： $$ E^\ast. $$ 這讓 debate 不再只靠語言。 --- # 106. Verifier 最後： $$ \boxed{ V = \text{Verifier}. } $$ 判定： - source reliability； - experiment result； - formal validity。 --- # 107. ADLM-05 Runtime Topology 可寫： $$ \boxed{ C \rightarrow R/B \rightarrow C^\ast \rightarrow E \rightarrow V. } $$ 這還沒有 Green。 Green 會在 ADLM-07 正式加入。 --- # 108. Debate Learning Target AI 不應只學： $$ \boxed{ \text{produce counterargument}. } $$ 還應學： $$ \boxed{ \text{compress disagreement into causal cruxes}. } $$ --- # 109. Training Example Structure 一筆 ADLM training sample： ```text model_A: model_B: shared_domain: surface_disagreements: root_divergence: validated_crux: discriminating_evidence: post_evidence_updates: ``` --- # 110. Better Training Signal 這比： ```text winner: A ``` 資訊密度高得多。 --- # 111. ADLM-05 Reward 可暫定： $$ \boxed{ R_5 = \alpha F_D + \beta Q_{\Delta^\ast} + \gamma V_C + \delta D_E + \epsilon U_R - \eta F_{SC}. } $$ 其中： - $F_D$：shared-domain fidelity； - $Q_{\Delta^\ast}$：divergence localization quality； - $V_C$：crux value； - $D_E$：evidence discrimination； - $U_R$：revision quality； - $F_{SC}$：false consensus penalty。 --- # 112. 第一原則：Shared-Domain Principle $$ \boxed{ \text{Substantive debate should begin only after the object, scope, predicates, and frames are sufficiently aligned}. } $$ --- # 113. 第二原則：Divergence Localization Principle $$ \boxed{ \text{The goal is to locate the smallest model-changing divergence, not maximize the number of objections}. } $$ --- # 114. 第三原則：Crux Principle $$ \boxed{ \text{A high-value debate point is one whose resolution causes meaningful model revision}. } $$ --- # 115. 第四原則：Evidence Discrimination Principle $$ \boxed{ \text{The best next evidence is not necessarily the largest body of evidence, but the evidence that most strongly separates competing models}. } $$ --- # 116. 第五原則：Argument Saturation Principle $$ \boxed{ \text{When no new crux or discriminating evidence is generated, continued linguistic debate has diminishing epistemic value}. } $$ --- # 117. 第六原則：Unresolved-Legitimacy Principle $$ \boxed{ \text{An explicitly unresolved branch is a legitimate and often superior output to forced consensus}. } $$ --- # 118. 第七原則：Revision Principle $$ \boxed{ \text{Model revision in response to validated evidence is a success state}. } $$ --- # 119. 第八原則：Debate-as-Compression Principle $$ \boxed{ \text{High-quality debate compresses many surface disagreements into a small set of causally decisive divergences}. } $$ --- # 120. 與 ADLM-01 的接口 ADLM-01： $$ \boxed{ \text{Locate the Divergence, not the Loser}. } $$ 本篇正式給出： $$ \boxed{ \Delta^\ast } $$ 與： $$ \boxed{ c^\ast. } $$ --- # 121. 與 ADLM-02 的接口 ADLM-02 處理： $$ \text{claim scope}, $$ 所以： $$ D_{\mathrm{shared}} $$ 必須先做 quantifier / scope alignment。 --- # 122. 與 ADLM-03 的接口 ADLM-03 處理 predicate typing。 所以： $$ \Delta^\ast $$ 不能只是 ill-typed language conflict。 --- # 123. 與 ADLM-04 的接口 ADLM-04 處理 frame alignment。 所以： $$ \Delta^\ast $$ 必須在 coordinate differences 被消除後才合法。 --- # 124. 下一篇接口 ADLM-06 將研究： $$ \boxed{ \text{為什麼人類明明知道求真與求勝不同，辯論制度卻常常仍獎勵求勝？} } $$ 並追溯： - Greek dialectic； - Nyāya vāda / jalpa / vitaṇḍā； - medieval disputatio； - competitive debate； - Structured Academic Controversy； - Double Crux； - adversarial collaboration。 下一篇： # 《紅方、藍方與不存在的綠方：人類辯論制度為什麼獎勵求勝》 --- # 125. 本文不主張事項 本文不主張： 1. 所有 disagreement 都能縮成一個 crux； 2. 所有辯論都需要共同域很大； 3. 所有 frame 都可轉換； 4. 所有 causal disputes 都能實驗； 5. 所有價值分歧都能用 evidence 解決； 6. consensus 是錯的； 7. unresolved 狀態永遠更好； 8. argument attack 沒有價值； 9. AI 一定能正確找 crux； 10. shared model 等於單一結論。 本文只主張： $$ \boxed{ \text{truth-seeking debate should explicitly locate shared structure, decisive divergence, and discriminating evidence}. } $$ --- # 126. 結論 真正高品質的辯論，不應把時間主要花在： $$ \boxed{ \text{How many weaknesses can I find in your position?} } $$ 而應該逐步問： $$ \boxed{ \text{What do we already share?} } $$ $$ \boxed{ \text{Where do our models first truly diverge?} } $$ $$ \boxed{ \text{Which divergence actually changes the downstream world model?} } $$ $$ \boxed{ \text{What evidence could resolve it?} } $$ 兩個人可能一開始說： > 我們整個世界觀都不一樣。 最後發現： $$ \boxed{ M_A = S + T_A, } $$ $$ \boxed{ M_B = S + T_B, } $$ 其中： $$ S $$ 是龐大的 shared structure。 真正問題只有： $$ \boxed{ T_A \quad \text{vs}\quad T_B. } $$ 一旦找到這裡，辯論從： $$ \boxed{ \text{position war} } $$ 轉成： $$ \boxed{ \text{causal discrimination problem}. } $$ 這時真正有價值的下一句已經不是： > 你錯了。 而是： $$ \boxed{ \text{哪一個觀察、實驗、反事實或驗證，可以讓這兩個 transition rule 真正分開？} } $$ 如果找得到： $$ E^\ast, $$ 辯論就可以回到世界。 如果找不到， 也至少知道： $$ \boxed{ \text{current evidence underdetermines the models}. } $$ 這仍然是認識進步。 因此，求真型辯論最重要的產品並不是 winner。 而是： $$ \boxed{ D_{\mathrm{shared}} + \Delta^\ast + c^\ast + E^\ast. } $$ 也就是： > 共同域、真正分歧、因果關鍵點、下一個能區分世界的證據。 到了這一步，辯論才不再只是論證的術。 它開始成為： $$ \boxed{ \text{world-model debugging}. } $$ 這就是 ADLM-05。 --- # 版本紀錄 ## v0.1.0 — 2026-10-06 - 建立 ADLM 系列 Paper 05； - 定義 Shared Domain 與 Debate Alignment Layer； - 提出 Reciprocal Model Reconstruction 與 Shared Domain Fidelity； - 建立 Debate Difference Vector； - 定義 First Meaningful Divergence； - 提出 Divergence Compression 與 Root Divergence； - 定義 Causal Crux、Crux Value 與 Crux Validation； - 建立 Discriminating Evidence 與 Evidence Discrimination Score； - 提出 Debate-to-Experiment Transition； - 建立 Argument Saturation 與 Stop Rule； - 提出 Shared / Crux / Evidence Ledgers； - 定義 Debate Epistemic Gain； - 提出 Branch-Preserving Model； - 提出 Minimal Disagreement Cut 與 Debate Compression Ratio； - 正式引入 Cartographer、Evidence Agent 與 Verifier； - 建立八項核心原則； - 為 ADLM-06 的辯論制度史與 ADLM-07 的 Green Model 建立直接前置。