--- title: "辯論不是把對方說倒：從論證勝負到世界模型比較" english_title: "Debate Is Not About Defeating the Opponent: From Argument Victory to World-Model Comparison" series: "AI 辯論學習方法論系列" series_english: "AI Debate Learning Methodology Series" series_id: "ADLM" paper_id: "ADLM-01" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Series Opening Paper" date: "2026-10-05" language: "zh-TW" canonical_source: "UTF-8 Markdown" math_source_rule: "inline math only with $...$ ; display math only with $$...$$" --- # 辯論不是把對方說倒 ## 從論證勝負到世界模型比較 ### Debate Is Not About Defeating the Opponent: From Argument Victory to World-Model Comparison **系列：** AI 辯論學習方法論系列（ADLM），Paper 01 **作者：** Neo.K **機構：** EveMissLab **版本：** v0.1.0 **日期：** 2026-10-05 **公司：** 一言諾科技有限公司 --- # 摘要 現代辯論、網路論戰、公共議題交鋒與許多競技式說理活動，常把辯論理解為： $$ \boxed{ \text{Attack} + \text{Defense} + \text{Persuasion} \rightarrow \text{Victory}. } $$ 在這種框架中，成功意味著找到對方的論證漏洞、迫使對方無法回應、讓裁判或觀眾認為自己較有道理。然而，若辯論的真正目的是改善決策、提高對世界的理解、比較因果模型或逼近較可靠的知識，那麼「把對方說倒」並不足以構成辯論成功。 本文提出： $$ \boxed{ \text{Refuting Opponent} \neq \text{Establishing One's Own Model}. } $$ 以及： $$ \boxed{ \text{Debate Victory} \neq \text{Epistemic Progress}. } $$ 若紅方模型為 $M_R$，藍方模型為 $M_B$，則證明： $$ M_B $$ 存在缺陷，只能推出： $$ \boxed{ M_B \text{ requires revision}. } $$ 它不能自動推出： $$ \boxed{ M_R \text{ is true}. } $$ 更一般地： $$ \neg M_B \not\Rightarrow M_R. $$ 因為真實世界可能位於第三模型： $$ M_G, $$ 甚至原始二分本身就是錯誤的 hypothesis partition。 本文進一步區分 Sentence Competition、Argument Competition、Model Competition 與 World-Model Evolution，並提出 **Construction–Refutation Asymmetry**：完整模型的建立可能需要長鏈條的前提、定義、因果與證據，而局部反駁只需擊穿其中一個節點。因此在有限時間、有限工作記憶與有限共享語義下，真人辯論天然容易獎勵攻擊而非模型建構。 本文同時提出 **Epistemic Debate Success Criterion**：一場辯論的價值不應只看哪一方獲勝，而應看辯論後： $$ \boxed{ \Delta R_{\mathrm{world}} = R_{\mathrm{after}} - R_{\mathrm{before}} } $$ 是否上升，其中 $R_{\mathrm{world}}$ 表示參與者對問題世界模型的解析度、可區辨性與可修正性。 因此，真正的求真型辯論應將目標從： $$ \boxed{ \text{Locate the Loser} } $$ 轉向： $$ \boxed{ \text{Locate the Divergence}. } $$ 本篇作為 ADLM 系列開篇，建立後續「論證責任不對稱」「第一因與語言適用域」「相對性與不變量」「共同域與分歧定位」「Green Model」以及最終 AI Debate Learning Methodology 的理論入口。 **關鍵詞：** 辯論、世界模型、論證、反駁、求真、論證勝負、Construction–Refutation Asymmetry、Epistemic Progress、Model Competition、AI Debate Learning --- # 1. 問題起點：辯論到底是為了什麼？ 日常語言中的「辯論」可能至少包含三種不同目標： $$ \boxed{ \text{Advocacy} } $$ $$ \boxed{ \text{Adversarial Testing} } $$ $$ \boxed{ \text{Inquiry}. } $$ 第一種想要替某個立場辯護。 第二種想要找出一個立場的弱點。 第三種想要讓我們更接近真實、可行決策或更好的世界模型。 這三者可以重疊，但不相同。 --- # 2. Advocacy 定義： $$ \boxed{ \mathcal A(M) = \text{maximize persuasive support for model }M. } $$ Advocacy 本身沒有問題。法律、政策、政治、公共決策都需要 advocacy。 但： $$ \boxed{ \mathcal A(M) } $$ 的最佳策略不必等於： $$ \boxed{ \text{truth-seeking optimum}. } $$ --- # 3. Adversarial Testing 定義： $$ \boxed{ \mathcal T(M) = \text{search for weaknesses, contradictions, failures, and counterexamples of }M. } $$ 這同樣非常重要。一個模型若無法承受： $$ \mathcal T(M), $$ 就不值得高信任。 但： $$ \boxed{ \mathcal T(M_B)\text{ succeeds} } $$ 不代表： $$ \boxed{ M_R\text{ succeeds}. } $$ --- # 4. Inquiry Inquiry 的目標不是： $$ \text{defend }M_R $$ 也不是： $$ \text{destroy }M_B. $$ 而是： $$ \boxed{ \max_M Q( M\mid E ). } $$ 其中 $M$ 是候選世界模型， $E$ 是可得證據， $Q$ 是模型品質。 因此： $$ \boxed{ \text{Inquiry permits abandoning all initial sides}. } $$ --- # 5. 競技辯論的基本結構 最簡化： $$ R \quad vs\quad B. $$ 紅方： $$ \operatorname{Defend}(M_R). $$ 藍方： $$ \operatorname{Defend}(M_B). $$ 裁判： $$ J(M_R,M_B) \rightarrow \{R,B\}. $$ 這個制度的輸出空間只有： $$ \boxed{ \{R,B\}. } $$ 如果真正更好的模型是： $$ M_G, $$ 系統也可能沒有合法出口。 --- # 6. 二元輸出限制與 False Dichotomy 若真實 hypothesis space： $$ \mathcal H = \{ M_R, M_B, M_C, M_D,\ldots \}, $$ 但 debate protocol 只允許： $$ \mathcal H_D = \{ M_R,M_B \}, $$ 則： $$ \boxed{ \mathcal H_D \subsetneq \mathcal H. } $$ 傳統常把 false dichotomy 當成某一方的邏輯錯誤。 本文進一步指出： $$ \boxed{ \text{False Dichotomy} } $$ 也可能是 protocol-level error。 因為規則先要求： > 選紅還是藍。 這本身就在假設： $$ \boxed{ \text{the correct model lies on the red–blue axis}. } $$ --- # 7. 選邊與相信不是同一回事 競技辯論常發生： $$ \boxed{ \text{Assigned Position} \neq \text{Believed Position}. } $$ 參與者可以完全不相信： $$ M_R, $$ 但仍必須： $$ \operatorname{Defend}(M_R). $$ 這能訓練 argument search、perspective taking、steelmanning 與 rhetorical flexibility。 但不能直接視為： $$ \boxed{ \text{belief formation}. } $$ --- # 8. 論證術與世界理解 一個人非常會： $$ \operatorname{Argue}(M) $$ 不代表他非常會： $$ \operatorname{EvaluateTruth}(M). $$ 因此： $$ \boxed{ \text{Argument Skill} \neq \text{World-Model Accuracy}. } $$ --- # 9. 找漏洞很便宜，建模型很貴 假設一個模型： $$ M $$ 由： $$ P_1,P_2,\ldots,P_n $$ 與推論關係： $$ \Gamma $$ 構成。 要建立模型，可能要提供： $$ \boxed{ P_1 + P_2 +\cdots+ P_n + \Gamma + E. } $$ 但反駁可能只需： $$ \exists i: \neg P_i. $$ 所以： $$ \boxed{ C_{\mathrm{construct}} \gg C_{\mathrm{refute}} } $$ 在許多論證類型下成立。 --- # 10. Construction–Refutation Asymmetry 本文定義： $$ \boxed{ A_{CR} = \frac{ C_{\mathrm{construct}} }{ C_{\mathrm{refute}} }. } $$ 若： $$ A_{CR}\gg1, $$ 攻擊方天然具有 communication advantage。 --- # 11. 反駁證明不等於證明反命題 若某人聲稱： $$ P $$ 並提出證明： $$ \Pi_P, $$ 另一人證明： $$ \Pi_P $$ 有錯。 只能得到： $$ \boxed{ \Pi_P \text{ fails}. } $$ 不能得到： $$ \boxed{ \neg P. } $$ 同樣： $$ \boxed{ \operatorname{Fail}(M_B) \not\Rightarrow \operatorname{Success}(M_R). } $$ --- # 12. 真人辯論的額外困難 人類不是無限上下文形式證明器。 真人辯論有： $$ \boxed{ \text{Working Memory Limit} } $$ $$ \boxed{ \text{Time Limit} } $$ $$ \boxed{ \text{Language Ambiguity} } $$ $$ \boxed{ \text{Shared-Domain Deficit}. } $$ 所以即使論證形式上可以展開，實際也不一定能完整傳遞。 --- # 13. Argument Bandwidth 定義： $$ \boxed{ B_A = \text{effective argument bandwidth}. } $$ 它受語速、工作記憶、共同背景、術語、時間與注意力共同限制。 一句： > 你這個前提沒有證據。 非常便宜。 完整回答可能要重新建立： $$ D_{\mathrm{shared}} + P_1 + P_2 + \Gamma. $$ 所以攻擊天然容易被壓縮。 --- # 14. Audience Processing Asymmetry 觀眾也受： $$ B_A $$ 限制。 一句： > 他連自己的定義都講不清楚。 很容易記住。 但一段 scope、qualifier、conditional argument 不容易保留。 因此 rhetoric 會自然利用： $$ \boxed{ \text{compression advantage}. } $$ --- # 15. Sentence Competition 本文定義最低層： $$ \boxed{ \text{Sentence Competition}. } $$ 目標是： > 哪一句話更有力？ 評估的是簡短、記憶性、反擊力與情緒張力。 這不是錯，但解析度最低。 --- # 16. Argument Competition 下一層： $$ \boxed{ \text{Argument Competition}. } $$ 比較： $$ A_R $$ 與： $$ A_B $$ 誰的 validity 更高、premises 更穩、contradictions 更少。 這已進入邏輯層。 --- # 17. Model Competition 更高一層： $$ \boxed{ \text{Model Competition}. } $$ 比較： $$ M_R $$ 與： $$ M_B. $$ 問： - causal coverage； - prediction； - counterfactual； - explanatory economy； - failure boundary； - world compatibility。 --- # 18. World-Model Evolution 最高一層不是比較而已。 而是： $$ \boxed{ (M_R,M_B,E) \rightarrow M_{t+1}. } $$ 其中： $$ M_{t+1} $$ 可以不是任何原始模型。 這就是 ADLM 最終要研究的方向。 --- # 19. Debate Victory 與 Epistemic Progress 競技式結果： $$ V_D \in \{ R,B \}. $$ 但它可以代表 rhetoric、judge preference、rule satisfaction 或 argument completeness。 它不能自動代表： $$ \boxed{ \text{world truth}. } $$ 本文定義： $$ \boxed{ G_E = Q( M_{\mathrm{after}} ) - Q( M_{\mathrm{before}} ). } $$ 若： $$ G_E>0, $$ 才代表某種 epistemic progress。 --- # 20. Winning with Negative Epistemic Gain 完全可能： $$ V_D=1 $$ 但： $$ G_E<0. $$ 例如： - rhetoric 誤導； - false dichotomy； - audience bias； - suppression of uncertainty。 因此： $$ \boxed{ \text{Winning} \not\Rightarrow G_E>0. } $$ --- # 21. Losing with Positive Epistemic Gain 也可能： $$ V_D=0 $$ 但： $$ G_E>0. $$ 例如一方承認： > 你的這個反例成立，我修改原模型。 在競技辯論中可能算失分。 在求真系統中應算： $$ \boxed{ \text{successful update}. } $$ --- # 22. Update Should Not Be Punished 本文提出： $$ \boxed{ \text{Evidence-Responsive Revision} } $$ 應是一種正向能力。 如果新 evidence： $$ E $$ 足以推翻： $$ M_t, $$ 則： $$ M_t \rightarrow M_{t+1} $$ 應得到正 reward。 若規則獎勵： $$ \boxed{ \text{Never Concede} } $$ 參與者會學到 rationalization 而非 rational updating。 --- # 23. Argumentative Lock-In 定義： $$ \boxed{ L_A = \text{degree to which prior side assignment constrains later belief revision}. } $$ 若： $$ L_A\gg0, $$ 辯論容易變成立場鎖定。 當立場： $$ M $$ 與身份： $$ I $$ 綁定： $$ I\leftrightarrow M, $$ 修正模型就被感知為： $$ \text{identity loss}. $$ 因此 epistemic update cost 上升。 --- # 24. Role Play 的兩面性 換位辯論很好。 它可以： $$ \boxed{ \text{expand perspective}. } $$ 但如果目標仍是： $$ \text{win from assigned side}, $$ 那它訓練的仍然是： $$ \boxed{ \text{argument generation under arbitrary target}. } $$ 不是 truth selection。 --- # 25. 強論證能力可能提高錯誤防禦能力 若 agent： $$ A $$ argument capability 提升， 它不只更會證明真的東西。 也可能更會： $$ \boxed{ \text{defend false models}. } $$ 因此： $$ \boxed{ \text{argument capacity} } $$ 本身不是 epistemically directional。 --- # 26. Rhetorical Intelligence 與 Epistemic Intelligence 定義： $$ \boxed{ C_R = \text{capacity to generate persuasive argumentative structure}. } $$ 以及： $$ \boxed{ C_E = \text{capacity to improve beliefs under evidence}. } $$ 兩者應分開測量。 若： $$ C_R\gg C_E, $$ 可能產生： $$ \boxed{ \text{brilliant rationalizer}. } $$ --- # 27. Debate as Error-Correction 求真型辯論最有價值的定位是： $$ \boxed{ \text{distributed error-correction process}. } $$ 不同 agent 具有不同 priors、observations、representations 與 blind spots。 因此彼此可以暴露誤差。 --- # 28. Error Detection 不等於 Error Correction 如果： $$ A $$ 找到： $$ B $$ 的錯， 但： $$ B $$ 沒有合法更新通道， 則： $$ \boxed{ \text{error detection} \neq \text{error correction}. } $$ 如果規則要求： > 不論發生什麼都 defend 到底。 那 debate 實際只是： $$ \boxed{ \text{adversarial stress test}. } $$ 這仍有價值，但不是 inquiry。 --- # 29. 三種成功標準 ### 29.1 Rhetorical Success $$ S_R = \text{audience persuasion}. $$ ### 29.2 Adversarial Success $$ S_A = \text{weaknesses exposed}. $$ ### 29.3 Epistemic Success $$ S_E = \text{world-model improvement}. $$ 三者不必同時最大。 --- # 30. Audience Majority Is Not Truth 令： $$ P_J(M) $$ 表示裁判或觀眾支持率。 即使： $$ P_J(M_R)>P_J(M_B), $$ 也不推出： $$ P(M_R\mid W)>P(M_B\mid W). $$ 裁判不是： $$ \boxed{ \text{Truth Oracle}. } $$ 裁判也有： $$ M_J. $$ 因此： $$ \boxed{ J(R,B) = \Pi_J( M_R,M_B ). } $$ 裁判結果仍是一個 projection。 --- # 31. Protocol Shapes Outcome 若更換： $$ P, $$ 可能： $$ J_P(M_R,M_B) \neq J_{P'}(M_R,M_B). $$ 因此： $$ \boxed{ \text{Debate Outcome} } $$ 部分是 protocol-relative。 但： $$ \boxed{ \text{Outcome Relative to Protocol} \neq \text{Truth Relative to Protocol}. } $$ --- # 32. 語言遊戲的真正問題 本文不反對語言分析。 語言是辯論必要介面。 問題是： $$ \boxed{ \text{Definition Victory} \neq \text{Causal Victory}. } $$ 你可以證明： > 對方用詞不一致。 但世界仍可能沒有被解釋。 --- # 33. Common Domain Before Conflict 本文提出： $$ \boxed{ D_{\mathrm{shared}} } $$ 作為求真辯論的最低前置。 至少包含： - shared terms； - shared observations； - shared scope； - shared inference rules； - known disagreements。 若： $$ D_{\mathrm{shared}}\approx\varnothing, $$ 直接進入攻擊通常只會： $$ \boxed{ \text{multiply misunderstanding}. } $$ --- # 34. Agreement Is Not the Goal 建立： $$ D_{\mathrm{shared}} $$ 不是要求： $$ M_R=M_B. $$ 而是確保： $$ \boxed{ \text{the disagreement is about the same object}. } $$ --- # 35. Locate the Divergence 本文提出 ADLM 系列第一個核心口號： $$ \boxed{ \text{Locate the Divergence, not the Loser}. } $$ 即： > 找到模型從哪裡開始不同，而不是先找誰輸。 --- # 36. Divergence 可以出現在不同層 分歧可能在： $$ \boxed{ \text{Definition} } $$ 或： $$ \boxed{ \text{Observation} } $$ 或： $$ \boxed{ \text{Inference} } $$ 或： $$ \boxed{ \text{Causal Model} } $$ 或： $$ \boxed{ \text{Value}. } $$ 不同類型需要不同處理。 --- # 37. Debate Decomposition 一場複雜辯論可拆： $$ \boxed{ \Delta = ( \Delta_D, \Delta_O, \Delta_I, \Delta_C, \Delta_V ). } $$ 其中： - $\Delta_D$：definition； - $\Delta_O$：observation； - $\Delta_I$：inference； - $\Delta_C$：causal； - $\Delta_V$：value。 --- # 38. Definition Divergence 若： $$ D_R(x)\neq D_B(x), $$ 先做 semantic alignment。 不應立即討論： $$ \text{truth of }x. $$ --- # 39. Observation Divergence 若： $$ O_R\neq O_B, $$ 則應比較 evidence sources。 這不是純邏輯戰。 --- # 40. Inference Divergence 若 observation 相同： $$ O_R=O_B, $$ 但： $$ I_R(O)\neq I_B(O), $$ 才是推理規則或 prior 分歧。 --- # 41. Causal Divergence 若雙方都接受： $$ X,Y, $$ 但： $$ R: X\rightarrow Y, $$ $$ B: Z\rightarrow Y, $$ 則需要： $$ \boxed{ \text{causal discrimination}. } $$ --- # 42. Value Divergence 若雙方對事實都同意： $$ W_R=W_B, $$ 但： $$ V_R\neq V_B, $$ 那是 normative disagreement。 不能假裝仍是 factual debate。 --- # 43. Debate Resolution 定義： $$ \boxed{ R_D = 1-H(\Delta). } $$ 這只是概念量，表示： > 我們對真正分歧的位置知道多少？ 一場高品質辯論即使沒有共識，也可以： $$ R_D\uparrow. $$ --- # 44. Unresolved but Better 例如辯論前： > 我們整個世界觀都不同。 辯論後： > 我們其實只在這兩個 causal assumptions 不同。 那麼： $$ \boxed{ \text{Epistemic Progress} } $$ 已經發生。 --- # 45. Consensus Is Not Required 因此： $$ \boxed{ \text{Consensus} } $$ 不是成功必要條件。 有些 unresolved disagreement 應該被保存： $$ \boxed{ \Delta_{\mathrm{unresolved}}. } $$ 而不是被 rhetoric 壓平。 --- # 46. 求真辯論的結構化輸出 一場高品質辯論最後至少應輸出： $$ \boxed{ O_D = ( D_{\mathrm{shared}}, \Delta_{\mathrm{resolved}}, \Delta_{\mathrm{unresolved}}, E^\ast ). } $$ 其中： $$ E^\ast $$ 是下一個最有區辨力的 evidence。 --- # 47. Discriminating Evidence 真正世界模型比較需要： $$ \boxed{ E^\ast: P(E^\ast\mid M_R) \neq P(E^\ast\mid M_B). } $$ 如果所有 evidence 都被兩邊同樣解釋， 則辯論難以向前。 --- # 48. Argument Should Lead to Experiment 理想： $$ \boxed{ \text{Argument} \rightarrow \text{Crux} \rightarrow \text{Discriminating Evidence}. } $$ 這才讓語言與世界重新接上。 --- # 49. Pure Language Loop 若： $$ \text{Argument} \rightarrow \text{Argument} \rightarrow \text{Argument} $$ 無限循環， 但沒有： $$ E^\ast, $$ 則可能進入： $$ \boxed{ \text{Pure Language Loop}. } $$ 它仍可以釐清概念、暴露矛盾。 但： $$ \boxed{ \text{semantic progress} \neq \text{causal resolution}. } $$ --- # 50. Debate Objective Function 傳統： $$ \boxed{ U_{\mathrm{debate}} = P( \text{win} ). } $$ 求真型則可以寫成： $$ \boxed{ U_{\mathrm{inquiry}} = \Delta Q_M + \lambda\Delta R_D + \mu V(E^\ast). } $$ --- # 51. Model Quality 本文暫定： $$ \boxed{ Q_M = F( C, P, D, U ). } $$ 其中： - $C$：causal coverage； - $P$：predictive performance； - $D$：discriminability； - $U$：updateability。 這不是最後定義，而是系列後續可操作化的起點。 --- # 52. Better Debate Is Not Always Longer Debate 高品質辯論可能很快找到： $$ \Delta^\ast. $$ 然後說： > 現在需要新的 evidence。 此時繼續講兩小時反而沒有價值。 因此本文提出： $$ \boxed{ \text{Stop linguistic debate when marginal argumentative gain falls below expected discriminating-evidence gain}. } $$ 即： $$ G_{\mathrm{arg}} < G_{\mathrm{evidence}}. $$ --- # 53. Undertermination as Valid Outcome 若： $$ E $$ 不足以區分： $$ M_R,M_B, $$ 合法答案是： $$ \boxed{ \text{Underdetermined}. } $$ 不是強迫選邊。 --- # 54. Truth Debate 與 Decision Debate Truth Debate 問： $$ W^\ast=? $$ Decision Debate 問： $$ A^\ast = \arg\max_A EU(A\mid M). $$ 兩者不能混。 有時候我們不知道世界完整真相，但仍然必須做決策。 --- # 55. Decision Utility 不等於 Ontological Truth 一個 policy： $$ P $$ 可能在不完整世界模型下仍實用。 所以： $$ \boxed{ \text{Decision Utility} \neq \text{Ontological Truth}. } $$ 同樣，一個事實模型較準，也不自動決定價值選擇。 --- # 56. Debate as World-Model Compression 高品質辯論最終可以將大量語言壓成： $$ \boxed{ \text{Shared} + \text{Divergence} + \text{Evidence Need}. } $$ 這是一種 useful compression。 真正高價值輸出不應只是 transcript： $$ T, $$ 而應是： $$ \boxed{ \mathcal C(T) = ( M_R, M_B, D_{\mathrm{shared}}, \Delta^\ast, E^\ast ). } $$ --- # 57. Debate Volume vs Debate Value AI 可以生成： $$ 10^5 $$ tokens 的辯論。 如果不能壓縮成： $$ \Delta^\ast, $$ 那只是在製造更多 argument volume。 可定義： $$ \boxed{ \eta_D = \frac{ \Delta Q_M }{ \text{argument tokens} }. } $$ 未來 AI debate 不應只追求更多 rounds。 --- # 58. Argument Saturation 若每輪新增： $$ \Delta I_n \rightarrow0, $$ 繼續辯論只是浪費 compute。 因此需要 adaptive stopping。 每輪應估計： $$ \boxed{ N_A(n) = \text{new model-relevant information}. } $$ 若： $$ N_A(n)\approx0, $$ 應轉向 evidence search 或 synthesis。 --- # 59. 攻擊不是壞事 本文不是反對攻擊。 強攻擊可以： $$ \boxed{ \text{stress-test model boundaries}. } $$ 問題只是： $$ \boxed{ \text{attack is a phase, not the terminal objective}. } $$ --- # 60. Defense 也不是壞事 Defense 可以補前提、澄清、限定 scope、修正誤解。 但： $$ \boxed{ \text{defense should permit revision}. } $$ 否則就成 rationalization。 --- # 61. Surrender Is Not Required 求真也不是： > 一被攻擊就投降。 一個模型可以合理地： $$ \boxed{ \text{survive strong adversarial testing}. } $$ 如果證據支持它，就應保留。 --- # 62. Epistemic Tension 本文將： $$ \boxed{ T_E } $$ 定義為： > 不同模型在 shared domain 下仍不能消除的認識張力。 高張力不一定表示需要立即消除。 如果： $$ T_E $$ 可以產生： $$ E^\ast, $$ 就是 productive tension。 如果只產生 repeated rhetoric，則是 low-yield tension。 --- # 63. Debate Quality 可暫寫： $$ \boxed{ Q_D = F( D_{\mathrm{shared}}, R_D, V(E^\ast), U_{\mathrm{update}} ). } $$ 這會在系列後面逐步完善。 --- # 64. 人類載體有限意味著必須外部化辯論狀態 人類工作記憶有限，因此高品質 debate protocol 應使用： - argument map； - shared definitions； - crux table； - evidence ledger； - revision history。 而不是要求所有人記住整場口語流。 --- # 65. Externalized Debate State 定義： $$ \boxed{ S_D = ( M_R, M_B, D_{\mathrm{shared}}, \Delta, E, H ). } $$ 其中： - $E$：evidence； - $H$：revision history。 這比純 transcript 更適合人與 AI。 --- # 66. Debate as Learning Trace 完整辯論可以被視為： $$ \boxed{ \Gamma_D = ( M_0, A_1, E_1, M_1, \ldots, M_n ). } $$ 這比最後 winner label 更有訓練價值。 --- # 67. Winner Label Is Lossy 若把整場辯論只保存： $$ \boxed{ R\text{ wins}, } $$ 會丟掉： - 哪些論點有效； - 哪些前提失敗； - 哪些分歧未解； - 哪些 evidence 需要補。 所以 winner 是高度 lossy projection。 --- # 68. ADLM 的基本方向 因此 AI debate learning 應該學： $$ \boxed{ \text{Model Transition} } $$ 而不是只有： $$ \boxed{ \text{Argument Generation}. } $$ 這會在 ADLM-08 完整建立。 --- # 69. 第一原則：Argument–Model Non-Equivalence $$ \boxed{ \text{Winning an argument does not establish the truth of the model being defended}. } $$ --- # 70. 第二原則：Refutation Non-Transfer $$ \boxed{ \neg M_B \not\Rightarrow M_R. } $$ 除非： $$ \mathcal H = \{M_R,M_B\} $$ 且兩者完整互斥、窮盡。 --- # 71. 第三原則：Protocol Hypothesis-Space Principle $$ \boxed{ \text{A debate protocol cannot reliably discover models it structurally forbids from expressing}. } $$ --- # 72. 第四原則：Epistemic Update Principle $$ \boxed{ \text{Evidence-responsive revision should count as success, not defeat}. } $$ --- # 73. 第五原則：Divergence Localization Principle $$ \boxed{ \text{A high-quality debate localizes the first meaningful divergence between models}. } $$ --- # 74. 第六原則：Evidence Escalation Principle $$ \boxed{ \text{When linguistic marginal gain saturates, the debate should escalate toward discriminating evidence}. } $$ --- # 75. 最小求真辯論輸出 本文提出： $$ \boxed{ O_{\min} = ( D_{\mathrm{shared}}, \Delta^\ast, E^\ast ). } $$ 即至少回答： 1. 我們同意什麼？ 2. 我們真正在哪裡不同？ 3. 什麼新證據可以區分？ 若找不到： $$ E^\ast, $$ 可以標記： $$ \boxed{ \text{currently non-discriminable}. } $$ 這仍比假裝一方必勝誠實。 --- # 76. 從辯論勝負到世界模型比較 因此辯論成熟路線： $$ \boxed{ \text{Sentence Competition} \rightarrow \text{Argument Competition} \rightarrow \text{Model Competition} \rightarrow \text{World-Model Evolution}. } $$ --- # 77. 系列後續接口 ADLM-02 將處理： $$ \boxed{ \text{你究竟否定了什麼？} } $$ 也就是： - belief； - non-belief； - local negation； - global negation； - claim scope； - burden。 並建立： $$ \boxed{ \text{Claim Scope} \uparrow \Rightarrow \text{Proof Burden} \uparrow. } $$ --- # 78. 本文不主張事項 本文不主張： 1. 競技辯論沒有價值； 2. 攻擊論證是不好的； 3. defense 不重要； 4. 所有辯論都必須共識； 5. 所有議題都有第三模型； 6. rhetoric 完全沒有用途； 7. judge 沒有價值； 8. truth-seeking 一定比 advocacy 適合所有情境； 9. 所有 disagreement 都能靠 evidence 消除； 10. 世界模型一定能被完整形式化。 本文只主張： $$ \boxed{ \text{debate goals, protocols, and success criteria must be distinguished}. } $$ --- # 79. 結論 辯論可以是一種非常強大的文明工具。 它可以： - 暴露錯誤； - 測試模型； - 逼迫定義清晰； - 換位思考； - 找反例； - 改善決策。 但如果辯論被壓縮成： $$ \boxed{ \text{Who won?} } $$ 它就會自然獎勵 punchline、burden shifting、local attack、identity defense 與 never concede。 這些技巧可以產生精彩比賽。 但不保證： $$ \boxed{ \text{better understanding of the world}. } $$ 真正需要保留的區分是： $$ \boxed{ \text{Refuting Opponent} \neq \text{Establishing One's Own Model}, } $$ 以及： $$ \boxed{ \text{Debate Victory} \neq \text{Epistemic Progress}. } $$ 如果紅方指出藍方有錯，紅方只是完成： $$ \mathcal T(M_B). $$ 它還沒有完成： $$ \mathcal V(M_R). $$ 如果藍方把紅方駁倒，也一樣。 甚至兩邊都可能錯。 所以求真型辯論真正應該問的，不是： > 誰輸了？ 而是： $$ \boxed{ \text{我們現在比辯論之前，更清楚世界可能是什麼了嗎？} } $$ 若答案是肯定的，即使雙方都修改立場，甚至雙方最初模型都被淘汰，這場辯論仍然成功。 如果答案是否定的，即使其中一方贏得滿堂喝采，從認識論角度看： $$ \boxed{ \Delta R_{\mathrm{world}} \approx0. } $$ 這就是 ADLM 系列的起點。 --- # 版本紀錄 ## v0.1.0 — 2026-10-05 - 建立 ADLM 系列開篇； - 區分 Advocacy、Adversarial Testing 與 Inquiry； - 提出 Construction–Refutation Asymmetry； - 區分 Sentence Competition、Argument Competition、Model Competition 與 World-Model Evolution； - 提出 Argument Skill ≠ World-Model Accuracy； - 提出 Debate Victory ≠ Epistemic Progress； - 提出 Argumentative Lock-In 與 Role-Induced Attachment； - 區分 Rhetorical Success、Adversarial Success 與 Epistemic Success； - 提出 Debate Decomposition； - 提出 Locate the Divergence, not the Loser； - 提出 Evidence Escalation Principle； - 提出最小求真辯論輸出 $O_{\min}$ ； - 為 ADLM-02 至 ADLM-08 建立統一入口。