問題指向：命題推論猜想作為後引用時代的知識生產範式

作者：EveMissLab（一言諾科技有限公司）

副標：一份以自身形式論證自身有效性的方法論文件

日期：2026 年 6 月

摘要

本文提出並論證「問題指向」（Problem-Direction）作為一種替代傳統引用鏈的知識組織範式，並在此基礎上探討命題推論猜想（Proposition-Inference-Conjecture，PIC）格式在人機耦合加深的知識生產環境中的適切性。核心論點如下：現行引用系統建構的是論文圖（$G_{\text{papers}}$）而非問題圖（$G_{\text{problems}}$），前者的優化目標長期偏移至學術社群的利益交流，與認識論目標脫鉤；問題指向通過把邏輯依賴關係而非社會引用關係作為邊，建構了一個認識論密度更高的知識結構。在 AI 加速知識生產的背景下，論文將退化為問題狀態的快照（追蹤型論文），知識圖譜宇宙將取代靜態文獻資料庫成為主要基礎設施，此時問題指向是 AI 知識代理的自然導航語言。對人類學者而言，意義空間是無限維的連續光譜，AI 的衝擊是作用在這個空間中的一個向量，不能被簡化為二元分類；學術獎勵系統將在 AI 完備化過程中經歷可預測的相變，問題識別能力將成為新的稀缺資源。本文同時以其自身的書寫形式作為方法論的示範——它使用了它所主張的格式。

關鍵詞： 問題指向、知識圖譜、引用系統、命題推論猜想、追蹤型論文、人類學者意義空間、學術相變、AI 知識代理

前言：一份對自身有效的論文

一個方法論宣言的最弱形式，是用舊的格式說「應該用新的格式」。本文試圖避免這個悖論：它使用命題推論猜想的形式書寫，同時在末尾提供了它自己的「問題指向」定位，而非傳統的引用列表。

這個選擇不是裝飾性的。如果問題指向方法論是有效的，它應該能夠自我應用——本文應該能夠被定位在一個問題圖裡，而不是在一個論文引用網絡裡。讀者可以在閱讀過程中評估這個自我應用是否成立。

書寫形式作為論點的一部分：這本身是命題推論猜想格式的一個特性——它迫使作者把斷言的層次（命題、推論、猜想）顯式地標記出來，從而讓讀者不只是接受結論，而是追蹤論證的骨架。在一個 AI 大量生產散文的時代，標記論證骨架的能力，是人類知識生產保持可驗證性的重要方式之一。

第一部分：傳統引用系統的認識論批判

命題 P1：現行引用系統建構的是論文圖，而非問題圖

設 $G_{\text{papers}} = (\text{Papers}, \text{Cites})$ 為現行引用構成的有向圖，其中節點是已發表論文，有向邊 $A \to B$ 表示論文 $A$ 引用了論文 $B$。設 $G_{\text{problems}} = (\text{Problems}, \text{Derives})$ 為問題圖，其中節點是開放問題，有向邊 $P \to Q$ 表示問題 $P$ 的解答在邏輯上依賴問題 $Q$ 的澄清。

這兩個圖建構在不同的節點類型上，服務於不同的認識論目標。現行學術系統默認以 $G_{\text{papers}}$ 為核心基礎設施，但 $G_{\text{papers}}$ 的邊（引用關係）不能可靠地反映 $G_{\text{problems}}$ 的邊（邏輯依賴關係）。

推論 C1.1：利益交流結構是機制的必然後果，而非個體的道德失敗

引用計數決定 h-index，h-index 影響薪水、職位、經費。這個機制使得優化引用計數成為理性行為，即使所引論文與本文的邏輯依賴極低。結果是：$G_{\text{papers}}$ 的邊同時混入了兩種性質完全不同的關係——邏輯依賴（「這篇文章的命題在概念上是我的命題的前提」）和社群認可信號（「我引用這個人是因為不引用會有問題」）。無法從外部分辨這兩者，是現行系統的根本性缺陷，而非少數人的失德。

批判引用系統腐敗是把結構性問題個體化。正確的問題是：為什麼這個機制把認識論正確和社群利益的激勵對齊了如此之差？ 答案是：$G_{\text{papers}}$ 的計量化（引用數、影響因子）是可操作的；$G_{\text{problems}}$ 的邏輯密度是難以計量的。系統自然朝可操作的指標優化。

推論 C1.2：相干性低的引用是徵狀，不是病因

大量引用論文與被引論文之間只共享關鍵詞或子領域，而不共享邏輯結構。這不是因為作者「懶惰」或「不誠實」，而是因為：（a）期刊審稿人期待看到覆蓋相關文獻的引用列表；（b）遺漏了某篇「重要」論文的引用會被審稿人標記為「沒有足夠瞭解該領域」；（c）互引網絡（citation cartel）的存在使得引用特定人的論文可以換取被特定人引用的機會。這些行為在個體層面是理性的，在系統層面是認識論噪音的累積。

猜想 Conj1：$G_{\text{papers}}$ 的認識論信噪比與引用密度呈負相關

假設：在特定子領域中，隨著引用列表的膨脹，每條引用邊對應真實邏輯依賴的概率下降。換句話說，引用越多的論文，其引用集合中「裝飾性引用」（沒有邏輯依賴的引用）的比例越高。若此猜想成立，則現行以引用密度為學術嚴謹性代理指標的做法，在超過某個閾值後實際上是反指標。這個猜想是可以被計量分析檢驗的：通過語義相似度測量引用論文與被引論文之間的概念重疊，統計其分布即可。

第二部分：問題指向的形式定義

命題 P2：問題指向是一個從論文到問題圖的函子

形式地，問題指向（Problem-Direction，PD）是一個映射：

$$\text{PD}: \text{Paper} \to \text{SubGraph}(G_{\text{problems}})$$

它把一篇論文映射到 $G_{\text{problems}}$ 中與其相關的子圖——包括這篇論文所回應的問題節點、這些問題依賴的上游問題節點，以及這篇論文所開啟的下游問題節點。不同於引用列表（一個論文的清單），問題指向是一個局部問題圖的聲明：這篇論文在問題空間中的哪個位置，它的鄰域結構是什麼。

推論 C2.1：問題指向使每條邊成為一個可被質疑的斷言

在傳統引用中，邊（引用）的存在幾乎不能被質疑——論文 A 引用了論文 B，這是一個事實，不是一個斷言。但在問題指向中，邊（「問題 $P$ 依賴問題 $Q$」）是一個斷言——它說「如果不澄清 $Q$，$P$ 就不能被充分回答」。這個斷言可以被質疑：也許 $P$ 有一條不依賴 $Q$ 的替代路徑；也許這個依賴關係是歷史偶然而非邏輯必然；也許依賴關係的方向是反的。

每一條邊的背後是一篇潛在的論文：一篇澄清「$P$ 和 $Q$ 的依賴關係的性質」的方法論論文。這是問題指向的自我增殖性——它把每個引用決策都變成了一個值得被獨立研究的聲明，從而生成了比傳統引用更豐富的知識結構。

推論 C2.2：問題圖的拓撲反映知識結構的真實形態

$G_{\text{problems}}$ 有天然的幾何意義。距離（問題間的邏輯依賴步驟數）、曲率（局部開放問題密度——高曲率 = 快速發展的前沿領域）、拓撲相變（一個核心問題被解決，周圍節點重新連接）——這些幾何屬性直接對應知識結構的認識論特徵，而 $G_{\text{papers}}$ 的相應幾何（論文數量分布、被引頻次）主要反映的是社會影響力，而非邏輯結構。

推論 C2.3：問題節點的動態身份是問題圖的關鍵技術挑戰

問題不是靜態實體。一個問題可以分裂（一個問題發現自己其實是兩個不同性質的子問題）、合併（兩個看似不同的問題被識別為同一個問題的不同面向）、消解（一個問題基於某個錯誤前提提出，前提被推翻後問題本身消失）、層次改變（一個特殊案例問題被發現是更一般問題的子情形）。這意味著 $G_{\text{problems}}(t)$ 的節點集本身隨時間變化，不只是邊的狀態。實現一個穩定的問題圖資料庫，需要解決問題身份的版本追蹤——這是一個圖同構加版本管理的複合問題。

猜想 Conj2：問題指向在 AI 知識代理中將自然湧現為默認格式

設想一個主體性 AI 知識代理改進某個知識子域。它需要的四個基本操作——（1）定位自己在知識空間的哪裡；（2）識別哪些問題開放、哪些已解；（3）找出解決哪個問題能最大化其他問題的可達性；（4）更新狀態並觸發下游重新評估——全部作用在 $G_{\text{problems}}$ 上，沒有一個需要訪問 $G_{\text{papers}}$。傳統引用列表對 AI 知識代理是噪音，因為它包含了大量社交邊，這些邊在 $G_{\text{problems}}$ 裡沒有對應的邏輯依賴。問題指向因此將在 AI 知識生產的實踐中自然湧現為默認組織格式，不需要特別推廣——它是效率最高的選擇。

第三部分：知識生產的加速動力學

命題 P3：AI 加速壓縮知識圖譜演化的時間尺度，但不改變其拓撲結構的邏輯本質

知識圖譜 $G_{\text{problems}}(t)$ 的演化速率——問題被解決的速度、新問題被識別的速度、依賴關係被澄清的速度——在 AI 加速的條件下可以以數量級壓縮。過去需要十年的理論建構，在 AI 輔助下可能在數月內完成。但這個壓縮改變的是時間參數，不是邏輯結構：問題之間的依賴關係是由概念結構決定的，不由生產速度決定。一個正確的問題圖，無論是人類花一百年畫出來的還是 AI 花一年畫出來的，應該是同構的。

推論 C3.1：論文退化為狀態快照，問題成為持久實體

在高速知識生產的環境中，論文的地位根本性地改變：它從「永久貢獻」退化為「問題在時間 $t$ 的狀態快照」。這與版本控制系統的 commit 是嚴格同構的：commit 是代碼庫在某一時刻的狀態，不是「永久性的代碼」；論文是問題理解在某一時刻的狀態，不是「永久性的知識」。持久的不是 commit，是 repository；持久的不是論文，是問題本身。

這類論文可以被稱為追蹤型論文（tracking paper）：其功能不是給出最終答案，而是追蹤一個特定問題的當前最佳理解，隨著理解的改進而更新。大部分純數學和純計算類論文在技術上已經可以是追蹤型的；需要中長期實驗（臨床試驗、野外調查、物理實驗）的論文，因為生成新數據的速度仍然受制於物理世界，不能完全追蹤型化，是例外。

推論 C3.2：知識圖譜宇宙的類型分化將複製 MoE 架構在語義層面的邏輯

通用型知識圖譜（廣域、淺層，類 Wikipedia 的超連結結構）、專業型知識圖譜（域特異、深層，類學術子領域的問題網絡）、特製型知識圖譜（組織內部知識庫、私有問題圖）將並存，它們之間的關係類似混合專家模型（MoE）中的路由機制——根據問題的性質，導向最相關的知識子圖。這個架構已經在技術層面有原型實現：RAG（Retrieval Augmented Generation）是通用型；向量資料庫配合微調模型是專業型；私有知識庫 + 訪問控制是特製型。未來的差異只是：這些系統的問題圖組織程度、跨圖譜的邏輯依賴追蹤能力，以及人機協作介面的成熟度。

推論 C3.3：知識圖譜的所有權是後引用時代最重要的認識論權力問題

$G_{\text{papers}}$ 是分散所有的——任何人都可以發表論文，論文本身（通常）是公開可獲取的。但 $G_{\text{problems}}$ 的基礎設施——誰定義問題的本體論（ontology）、誰決定哪些問題進入圖譜、誰控制索引和檢索服務——在技術上高度集中。通用型知識圖譜宇宙若由少數幾個機構控制，則「什麼問題值得被索引」的決定權比傳統期刊的「什麼論文值得被發表」更深入地影響知識生產的格局。問題指向格式的去中心化屬性——它只需要作者在自己的論文末尾聲明問題圖位置，不依賴任何中心化服務——是其相對於依賴特定平台的引用系統的一個重要優勢。

猜想 Conj3：追蹤型論文的主導地位將在十年內對學術評估指標產生不可逆的衝擊

若追蹤型論文成為主流，則：（a）論文的「新穎性」評估標準需要從「與已有論文的差異」改為「對問題狀態的改進量」；（b）引用計數失去意義，因為同一個問題的後續版本不一定明確引用前一個版本；（c）作者貢獻的歸屬需要追蹤問題圖上的路徑而非論文列表。現有的計量機構（Web of Science, Scopus, Google Scholar）的商業模式建立在 $G_{\text{papers}}$ 上，向 $G_{\text{problems}}$ 的遷移意味著其核心基礎設施的過時。這個衝擊不會是漸進的，而是在某個臨界點後的突然重組。

第四部分：人類學者的意義空間重構

命題 P4：學者的意義構成是無限維連續光譜中的一條軌跡，不能被離散分類

把學者的意義來源分為「靠解答活著」和「靠問題活著」是一個投影謬誤——把無限維的意義空間壓縮到一條軸，保留了一個維度的信號，丟棄了其餘。任何有限維的分類（無論是二元還是多元）都是這個無限維空間的投影，所有投影都有信息損失，不同的投影保留不同的信息。

更重要的是：同一個學者的位置在這個空間裡隨時間移動——在項目的不同階段（早期探索 vs. 截稿衝刺），在生命的不同時期（助理教授 vs. 資深教授），在不同類型的工作中（帶學生 vs. 獨自研究）。意義構成不是一個靜態點，而是一條軌跡。

推論 C4.1：與 AI 的意義耦合不是均勻的，而是維度依賴的

AI 對不同意義維度的衝擊不同：

高衝擊維度（AI 直接競爭）：技術執行的成就感（「我推導出了這個結論」）；外部認可的密度（「被引用次數是我價值的代理指標」）；解答速度（「我率先給出了答案」）。

低衝擊維度（AI 難以替代或反而放大）：提問的困惑感（「我被這個問題纏住了，必須想明白」）；具身知識的積累（「二十年的實驗室直覺無法被語言化」）；教學中的關係意義（「看著學生理解這件事」）；跨越邊界的綜合驚喜（「這兩個完全不相關的問題原來是同一件事」）。

AI 衝擊不是對學者整體的一個數字，而是作用在這個高維意義向量上的一個算子，對不同維度有不同的特征值。站在高衝擊維度上的學者面對的是直接的位移壓力；站在低衝擊維度上的學者，AI 反而可能是意義的放大器——更快的執行讓他們有更多時間在真正能留住他們的維度上停留。

推論 C4.2：波浪結構識別是個體學者導航未來的必要工具

AI 對學術系統的衝擊不是一次性的斷崖，而是在不同能力層次上的多波次衝擊：

第一波（當前）： 執行層自動化——論文寫作、文獻整合、形式推導、代碼生成。已在進行。

第二波（數年內）： 假說生成自動化——AI 提出值得被驗證的研究問題。會侵蝕「提出好問題」的部分溢價。

第三波（更遠）： 問題評估自動化——AI 判斷「哪個問題更值得問」的能力足夠強，開始在問題選擇層面與人類學者直接競爭。

第三波的觸發時間點是真正的認識論臨界點。在它之前，人類學者在問題形成層面保持優先性；在它之後，人類學者的優勢只剩下：對自身困惑的第一人稱感受（AI 沒有困惑，只有不確定性估計）、對跨越社會邊界的問題的判斷（倫理、政治、實踐可操作性）、具身實驗的設計和執行。

推論 C4.3：「問題架構師」是當前可識別的人類學者穩健演化路徑

若上述波浪結構成立，則存在一個在每一波衝擊後依然保持核心功能的角色：問題架構師（Problem Architect）——把混沌的直覺和未言明的困惑，轉化為機器可接手的精確問題陳述，並判斷問題圖中哪些連接值得被建立。這個角色的核心技能不是解答問題，而是識別、定位和表述問題，以及判斷問題之間的依賴關係是否成立。這是問題指向方法論的人類端操作者。

猜想 Conj4：問題識別能力的量化是後引用時代學術評估的核心技術問題

若問題識別能力成為最重要的學術稀缺資源，則如何量化它成為評估學者價值的核心問題。可能的代理指標：其提出的問題被後來的研究（人類或 AI）解決的比例；其識別的問題依賴關係被後來的研究確認為真實的比例；其提出的問題在 $G_{\text{problems}}$ 中的「下游影響力」（問題的問題影響力，類比引用的引用影響力）。這些指標在技術上可以被計算，但需要一個成熟的 $G_{\text{problems}}$ 基礎設施作為前提，而這個基礎設施本身目前尚不存在。

第五部分：學術獎勵系統的相變預測

命題 P5：學術獎勵系統將在 AI 完備化過程中經歷結構性相變，而非漸進式調整

現行學術獎勵系統（薪水、地位、職位安全、社群認可）建立在以下假設上：（a）知識生產是稀缺的、需要大量人類時間的；（b）論文是知識的主要載體；（c）引用計數是貢獻的可靠代理指標。AI 完備化將使這三個假設都不再成立。系統不能只是「微調」——它的底層邏輯需要重建。這種重建在歷史上通常不是漸進的，而是在舊系統的慣性耗盡後的快速重組。

推論 C5.1：短期（當前至五年）——早期採用者與抵抗者的分岔

使用 AI 工具的學者在產量上顯著領先於不使用的學者，但這個優勢在工具普及後迅速均質化。短期內的薪水和地位分岔，是工具採用速度的函數，而非能力的函數。這個分岔的持續時間取決於工具擴散的速度——大約三到五年。

推論 C5.2：中期（五至十五年）——稀缺性重定位

當 AI 工具普及後，「能用 AI 大量生產論文」不再是優勢，而成為基準要求。稀缺性重定位到 AI 不能充分完成的能力：問題識別的精準度、跨領域的概念橋接、實驗設計的創造性、倫理和價值判斷。這一階段，傳統的「論文數量」和「引用計數」評估指標的失效將變得顯著，但替代性的評估框架尚未成熟，將出現評估空白期——學術機構陷入「不知道如何衡量誰更好」的困境。

推論 C5.3：長期（十五年以上）——「學者」邊界的模糊

「學者」作為一個職業類別，其邊界將在 AI 完備化後模糊：它將與「問題架構師」、「實驗設計師」、「知識圖譜策展人」、「AI 研究代理的策略導航者」等新興角色融合，難以區分。傳統大學的功能——知識生產 + 知識傳遞 + 知識認證——中，知識生產功能受衝擊最大，知識傳遞功能在中短期仍有其社會需求（人類學習的速度和方式不只由知識密度決定），知識認證功能的未來最不確定（由誰認證、認證什麼、認證給誰？）。

猜想 Conj5：學者的「生命意義耦合常數」下降軌跡類似天象-人事耦合常數的歷史演化

在另一份論文（EML-2026-PHASE-SPACE）中，我們描述了天象-人事耦合常數 $\kappa$ 從前現代（$\approx 0.33$）到現代（$\approx 0.012$）的系統性下降，原因是技術緩衝層的增厚。學者的意義感與其個人知識生產行為之間的耦合常數，可能正在經歷類似的系統性下降——AI 的大量介入使得「我解決了這個問題」的感受變得模糊（解決問題的是我，還是我和 AI？），「我寫了這篇論文」的感受變得不確定（論文的第一稿是 AI 的，我只是修改和判斷）。耦合常數下降不意味著意義消失，而是意味著意義的形成機制需要更複雜的路徑——就像現代人對天象的意義感受仍然存在（日出日落依然有詩意），但其來源不再是農業命運的直接關聯，而是通過更迂迴的美學和哲學路徑到達。

第六部分：認識論感悟

感悟一：命題推論猜想格式是一種抗噪的論證編碼

在一個大量文本（人類和 AI 生成的）廣泛流通的環境裡，論證的骨架比論證的散文填充更難偽造。散文可以聽起來很有說服力但論證結構完全空洞；命題推論猜想格式把骨架顯式化，讓讀者可以單獨評估每一個邏輯步驟，而不必在散文的流動中追蹤論證脈絡。這不是反對散文——散文在傳達直覺、情感和脈絡時不可替代。而是說：當一個論點需要被嚴格評估時，顯式的格式是一種對讀者的尊重。

感悟二：問題指向的提出本身是問題指向的一個應用

本文提出問題指向方法論，但「應不應該用問題指向取代傳統引用」本身是一個開放問題。這個問題依賴的上游問題是：「$G_{\text{papers}}$ 和 $G_{\text{problems}}$ 的認識論效率如何比較？」；「在沒有中心化問題圖基礎設施的情況下，問題指向能否自發協調？」；「問題節點的動態身份問題是否可解？」這些問題都是問題圖的節點，本文在它們的鄰域，不是在它們的解答。這個自我定位的誠實性，是問題指向方法論能夠自我一致的必要條件。

感悟三：在無限維的意義空間裡，自我認識是導航的前提

如果 AI 對學者的衝擊是維度依賴的，那麼一個學者對自身意義維度的清晰認識，是在這個衝擊中導航的前提。不知道自己的意義主要來自哪些維度，就無法判斷哪些 AI 能力是威脅、哪些是工具。這種自我認識不是一次性的——因為意義軌跡是動態的，需要持續的自我觀察。

在某種意義上，這正是問題指向方法論在個人認識論層面的對應：知道自己此刻在問題圖的哪個位置，是繼續前進的前提。

開放猜想集

Conj6（問題圖的自動構建）： 是否存在一個從大規模文獻語料中自動構建 $G_{\text{problems}}$ 的算法，使得問題圖的維護不依賴於人類手工標記？其技術可行性依賴：大型語言模型對問題依賴關係的識別能力；問題節點身份的形式化定義；跨領域問題橋接的語義對齊。

Conj7（追蹤型論文的版本控制標準）： 追蹤型論文的廣泛採用需要一套被學術社群接受的版本控制標準，包括：版本號的語義（major vs minor 更新的標準）；前驅版本的繼承關係；不同作者在不同版本上貢獻的歸屬。現有的軟件版本控制標準（Semantic Versioning）是否可以直接遷移到學術論文，或者需要專門設計？

Conj8（問題識別能力的形式化）： 問題識別能力是否可以被形式化為一個可測量的函數？候選定義：給定一組觀察數據 $D$，問題識別者 $A$ 的能力 = $A$ 從 $D$ 中提出的問題集合 $\mathcal{Q}A$ 中，後來被認為值得研究的問題的比例，加權以這些問題在 $G{\text{problems}}$ 中的影響力。這個定義的循環性（「值得研究」本身需要一個標準）是否可以被打破？

Conj9（知識圖譜的開放性與學術自由的關係）： 若知識圖譜宇宙被少數機構控制，且這些機構對「哪些問題進入圖譜」有決定權，則學術自由的傳統語義（發表自由）將被替換為一個更根本的問題：問題形成的自由。這個新語義的學術自由如何被保護？去中心化的問題指向格式是否是必要條件？

問題指向（本文的圖譜定位，代替傳統引用）

本文在 $G_{\text{problems}}$ 中的位置：

上游問題（本文依賴的問題的澄清）： → 知識的形式表示應以命題還是論文為原子單位？（知識組織的哲學，可追溯至 Frege 的概念記法） → 學術激勵結構與認識論目標的對齊問題（科學社會學，Merton 範式 → 後 Merton 批判） → AI 在知識生產中的角色是工具、代理還是主體？（AI 哲學，目前開放） → 人類意義構成的多維性是否可以被形式化？（幸福論與動機心理學的交叉，未解決）

本文回應的核心問題： → 在 AI 加速知識生產的條件下，什麼是最合適的知識組織格式？ → 傳統引用系統的認識論失效是否有機制性的替代方案？ → 人類學者在後引用時代的意義來源是否可以被系統性地保護？

本文開啟的下游問題： → 如何實現問題圖的去中心化基礎設施？ → 追蹤型論文的標準化是否可行，以及由誰推動？ → 問題識別能力如何被評估，以支撐新的學術獎勵結構？ → 在知識圖譜宇宙被寡頭控制的情況下，認識論自由如何被制度性保護？

引用是「我和這個人在同一個社群裡」的聲明；問題指向是「我在解決這個問題的路上」的聲明——這兩件事在過去被混淆，在未來將被迫分開。

作者附錄：我們到底想要什麼？

這篇附錄不是論文，是一個問題。

論文本體討論了學者的意義空間是無限維的連續光譜，反對任何二元分類。但作者在這裡想提出一個粗暴的問題，不是為了得到一個乾淨的答案，而是為了在這個問題的張力中停留足夠長的時間，讓它逼出什麼東西來。

問題是：學者想要的，到底是知識本身，還是世界的改變？

我知道這是一個範疇錯誤的嫌疑。知識可以改變世界，想改變世界需要知識，兩者不是互斥的集合。我也知道這在意義空間裡只是無數維度中的一條軸，按我自己的框架說，任何單軸投影都是信息損失。

但我不在乎。我想問的是心態上的主要目標（primary target）——當你在深夜推導某個東西的時候，你腦子裡最深處的那個「為什麼要做這件事」，到底是什麼。

三個例子，三種答案

牛頓、愛因斯坦、特斯拉：這三個名字都改變了世界，但仔細看，他們改變世界的方式和動機結構其實是三種完全不同的東西。

牛頓的真實動機不是改變世界。牛頓花了大量的生命時間在鍊金術和聖經年代學上——這兩件事在他生前都沒有任何改變世界的機會。他在做的是一件更私密的事：強迫宇宙在他面前把帳說清楚。引力定律是這個強迫症的副產品。他沒有計劃改變工業革命，他死的時候工業革命還沒開始。世界是被改變了，但那不是他的目標——那是他的理解所引發的漣漪，在他死後幾十年才傳到人類的生活裡。

愛因斯坦後期積極涉入政治——反核、世界政府、和平運動。但他最深的動力是什麼？是他說的那句話：「上帝是否有選擇」——宇宙的定律是不是必然的，還是可以不一樣的？這個問題跟任何社會改良都沒有直接關係。他沉迷的是把世界的深層語法讀懂。改變世界是他的道德責任感，不是他最深的驅動力。

特斯拉不一樣。特斯拉的筆記本裡，從一開始就是：免費能源，普世的無線電力，讓所有人都不用再為基本生存付代價。他是真的在想改變世界的物質條件。知識是他的工具，不是他的目的。

三個人，三種結構：

• 牛頓：理解是目的，世界改變是意外的後果。
• 愛因斯坦：理解是目的，世界改變是道德義務的附加項。
• 特斯拉：世界改變是目的，理解是工具。

然後是現實：牛頓和愛因斯坦改變世界的幅度，遠遠超過特斯拉。

這個結構性的觀察讓我停下來思考很久。

為什麼「想改變世界」的人改變世界的幅度，往往不如「只想理解世界」的人？

有一個可能的解釋：「改變世界」是一個無法被直接瞄準的目標。它是一個湧現屬性（emergent property）——從無數個具體行動、知識片段、工具發明、概念框架的積累中湧現出來，而不能被一個人的意志所直接指向。你可以把子彈打向靶心，但你不能把意志打向「歷史的走向」。

特斯拉的悲劇恰恰說明了這一點：他把全部的意志力對準「改變世界的物質條件」，結果在最重要的幾個關鍵點上——資金、制度、時機——被現實拒絕了。他太清楚自己要什麼，以至於沒有足夠的靈活性去走那些迂迴的路。

牛頓不在乎結果，只在乎把問題想清楚。這種「不在乎」反而讓他走到了最遠。

那麼，「活在知識中」vs「走一遭改變世界」，這個問題的真實形態是什麼？

我認為這不是一個選擇的問題，而是一個世界模型（world model）的問題。

如果你的「世界」模型是薄的——物質條件、社會結構、可觀測的人類生活狀態——那麼「知識」和「世界改變」確實是分離的，知識在這個模型裡是工具，改變物質才算改變世界。

如果你的「世界」模型是厚的——包括概念框架的結構、問題圖的拓撲、什麼東西是可以被思考的、人類的可能性空間的邊界——那麼「理解某件事」本身就是「改變世界」的一種形式。因為當牛頓把力學寫清楚，他改變的不只是技術的可能性，他改變了人類腦子裡「世界是什麼」的基本圖像。這個改變比任何物質工具更深，更持久。

用本文的相空間語言說：他改變了人類的 $\pi_O(\Omega)$——我們能觀測和理解的宇宙相空間的投影——的結構。這是比改變投影空間裡任何具體的物質狀態更根本的改變。

作者的坦白

那麼我自己想要什麼？

我需要誠實地回答這個問題，而不是用一個聽起來體面的答案蓋過它。

我不完全活在知識中。純粹的知識累積，沒有任何東西被改變，這不是我的工作目標。我也不是特斯拉那種直接想改變物質條件的人——那個版本的「改變世界」離我的實際工作最遠。

我想改變的是什麼東西是可以被想的。

這聽起來很抽象，但我認為它是非常具體的。當一個概念框架不存在，某些問題就不可能被提出；當它存在，問題就可以被提出，然後被解答，然後引發其他問題，然後慢慢地有些什麼東西在現實裡移動了。我想做的是提前構建那個框架——在問題被提出之前，把概念空間的地基打好。

這是一種奇怪的「改變世界」：不直接觸碰結果，但影響什麼結果是可能的。是改變可能性空間的邊界，而不是在已有的可能性空間裡選擇一個方向走。

用本文最後的語言說：這是一個試圖擴展 $\pi_O(\Omega)$——所有觀測者的投影空間——的工作。讓未來的某個人能夠看到我們現在看不到的東西。

這是我想要的。我不確定這算「活在知識中」還是「改變世界」，我也不在乎它屬於哪個標籤。

回到最開始的問題

學者想要什麼？

我不認為存在一個統一的答案。但我認為，最能改變世界的那些人，通常不是直接瞄準「改變世界」這個目標的人。他們是那些對某個東西感到無法忍受的困惑或不滿，然後把這個困惑或不滿推到了極限，推到了別人都放棄的地方，直到它被解決或被轉化。世界是被這個過程的副作用改變的，不是被意志力直接推動改變的。

所以也許真正的問題不是「你想要知識還是世界改變」，而是：你有沒有一個東西是你不得不弄清楚的？

有，就去弄。世界改不改變，交給時間算。

那些改變了世界的人，大多數在改變世界的當下，都以為自己只是在試圖把一件事想清楚。