認知張力超線性增長猜想：知識擴張、整合負擔與跨主體理解鴻溝

The Superlinear Cognitive Tension Conjecture: Knowledge Expansion, Integration Burden, and Cross-Agent Understanding Gaps

副標題：從局部學習速度、全局整合成本到認知翻譯的不對稱性

作者：Neo.K（許筌崴）
機構：EVEMISSLAB／一言諾科技有限公司
版本：v2.0
文件定位：元認知、學習動力學、知識網絡、專家—新手差異、AI 認知架構、命題猜想
日期：2026 年 7 月

摘要

本文提出：

認知張力超線性增長猜想

Superlinear Cognitive Tension Conjecture

其核心命題為：

當一個智慧體的知識系統持續擴張，新增知識的成本不只來自「學會新內容」，還來自與既有知識網絡進行一致性檢查、衝突處理、語義對齊、跨域映射、記憶更新與模型重組。若這些依賴關係隨知識規模共同增長，則邊際整合成本可能呈超線性增長。

本文不把知識量視為單一標量，而將智慧體在時間 $t$ 的認知狀態表示為：

\Xi_t = ( G_t, \mathcal D_t, A_t, M_t, R_t )

其中：

$G_t$ ：知識—概念關係網絡；
$\mathcal D_t$ ：當前判定域與可用概念域；
$A_t$ ：符號錨點與表徵資源；
$M_t$ ：記憶與版本歷史；
$R_t$ ：推論、重述與整合規則。

對新資訊或新概念：

x

本文將認知成本拆為：

\boxed{ C_{\text{total}} = C_{\text{acq}} + C_{\text{int}} + C_{\text{val}} + C_{\text{trans}} + C_{\text{rev}} }

其中：

$C_{\text{acq}}$ ：取得與初步學習成本；
$C_{\text{int}}$ ：納入既有網絡的整合成本；
$C_{\text{val}}$ ：驗證與衝突檢查成本；
$C_{\text{trans}}$ ：跨判定域翻譯成本；
$C_{\text{rev}}$ ：必要時的全局修訂成本。

本文的核心猜想不是：

\text{知識越多} \Rightarrow \text{學習必然越慢}

而是更精確地：

\boxed{ \text{若新增知識與既有網絡的有效依賴數隨系統規模超線性增長， 則邊際整合張力可能超線性增長。} }

設知識網絡規模為：

N = |V(G)|

新概念 $x$ 的有效依賴集合為：

\Gamma(x;G)

則整合成本可寫為：

C_{\text{int}}(x\mid G) = \sum_{v\in\Gamma(x;G)} w(x,v)

若平均有效依賴度：

\mathbb E \left[ |\Gamma(x;G_N)| \right] \sim N^{\alpha}

其中：

\alpha>1

則：

\boxed{ \mathbb E [ C_{\text{int}} ] = \Omega ( N^{\alpha} ) }

這構成「超線性認知張力」的條件式版本。

本文進一步提出：

局部學習—全局整合分離猜想：一個智慧體可以快速理解局部概念，但緩慢完成全局整合；
學習速度相變猜想：某些領域中可能出現「加速—減速—平台」三階段，但不是普遍定律；
下行重構猜想：高專業者向低背景者解釋概念時，需要重建對方可用的符號錨點與判定域，而非單純輸出自己的高階表示；
認知鴻溝不對稱猜想：低背景者向上理解與高背景者向下翻譯，成本函數可能不同；
開放世界極限猜想：在未知持續生成的環境中，知識覆蓋越廣，不必然越接近「完成」，反而可能暴露更多依賴與未知接口。

本文不主張存在已被證明的「無限認知鴻溝」，也不主張類全知者必然停止學習。更穩健的說法是：

\boxed{ \text{認知差距可能是網絡結構與翻譯成本的差距， 而不只是知識量差距。} }

因此，本文將「認知張力」重新定位為一個可建模的整合負擔問題，而非形上學定理。

關鍵詞： 認知張力、超線性增長、知識網絡、整合成本、學習速度、專家新手差異、認知翻譯、AI、命題猜想

0. 邊界聲明

本文不主張：

已嚴格證明智慧體之間存在無限鴻溝；
已證明知識越多學習一定越慢；
初學者一定快、專家一定慢；
類全知者必然靜止；
高階智慧體理解新概念必須遍歷所有低層級；
專家向新手解釋必然比新手向上學習更困難；
知識可以被單一標量 $\Sigma$ 完整表示；
存在普遍固定的學習相變點；
所有認知系統都遵守同一速度曲線。

本文提出的是：

一組關於「知識網絡規模、依賴密度、整合成本與翻譯成本」的條件式猜想。

第一章　問題：為什麼知道得更多，有時反而更難加入一個新東西？

1.1 初學者的表面優勢

初學者面對新概念時，可能只需要建立：

x \rightarrow a_1,a_2,\ldots

少量錨點。

例如：

導數 = 切線斜率。

這可能已足夠形成初步理解。

1.2 專家的額外工作

專家可能同時檢查：

定義域；
例外；
與既有理論是否衝突；
不同形式化是否等價；
新概念在哪些條件失效；
是否需要修訂整體模型。

因此：

\boxed{ \text{理解} \neq \text{整合} }

1.3 核心問題

若一個認知系統越來越大：

|G_t|\uparrow

新增概念的成本是否可能因：

\text{依賴數} + \text{驗證數} + \text{翻譯數}

共同增長而超線性上升？

第二章　認知狀態不是單一知識量

2.1 認知狀態

本文定義：

\Xi_t = ( G_t, \mathcal D_t, A_t, M_t, R_t )

2.2 知識網絡

G_t = (V_t,E_t,W_t)

其中：

$V_t$ ：概念與命題；
$E_t$ ：關係；
$W_t$ ：關係權重。

2.3 判定域

\mathcal D_t

包含：

可接受證據；
可用術語；
推論規則；
背景假設。

2.4 符號錨點

A_t

表示智慧體可直接調用的：

例子；
圖像；
經驗；
基礎符號。

2.5 版本歷史

M_t

表示：

曾經如何理解；
哪些概念被修正；
哪些錯誤已排除。

第三章　總認知成本的分解

對新概念：

x

定義：

\boxed{ C_{\text{total}} = C_{\text{acq}} + C_{\text{int}} + C_{\text{val}} + C_{\text{trans}} + C_{\text{rev}} }

3.1 取得成本

C_{\text{acq}}

閱讀、觀察、記憶與初步理解。

3.2 整合成本

C_{\text{int}}

把 $x$ 接入：

G_t

3.3 驗證成本

C_{\text{val}}

檢查：

矛盾；
重複；
依賴；
反例。

3.4 翻譯成本

C_{\text{trans}}

將 $x$ 轉成：

自己能用的語言；
他者能理解的語言；
其他領域可比較形式。

3.5 修訂成本

C_{\text{rev}}

若：

x

推翻既有結構，需更新：

G_t \rightarrow G_{t+1}

第四章　有效依賴集合

4.1 定義

對新概念 $x$ ，定義：

\Gamma(x;G)

為其有效依賴集合。

4.2 不是所有節點都要檢查

本文拒絕：

C_{\text{int}} \propto |V|

作為必然規律。

4.3 更合理的是

C_{\text{int}} = \sum_{v\in\Gamma(x;G)} w(x,v)

4.4 關鍵變量

真正重要的是：

|\Gamma(x;G)|

如何隨：

N=|V|

增長。

第五章　認知張力超線性增長猜想

5.1 猜想 H1

若：

\mathbb E \left[ |\Gamma(x;G_N)| \right] \sim N^{\alpha}

且：

\alpha>1

則：

\mathbb E [ C_{\text{int}} ] = \Omega ( N^{\alpha} )

5.2 直觀

知識越多，新概念可能：

接觸更多邊界；
影響更多模型；
觸發更多重驗證。

5.3 但不是必然

若知識網絡高度模組化：

|\Gamma| \sim \log N

則整合成本可能很低。

5.4 因此

\boxed{ \text{超線性張力} }

是結構條件命題，不是普遍宿命。

第六章　張力函數

本文定義探索性張力：

\boxed{ \mathcal T ( x\mid\Xi ) = \lambda_1 C_{\text{int}} + \lambda_2 C_{\text{val}} + \lambda_3 C_{\text{trans}} + \lambda_4 C_{\text{rev}} }

6.1 為何不含取得成本？

因為本文關注：

取得之後，加入整體有多難。

6.2 邊際張力

\Delta\mathcal T_N = \mathbb E [ \mathcal T \mid |G|=N+1

\mathbb E [ \mathcal T \mid |G|=N ] ]

6.3 超線性條件

若：

\frac{d^2\mathcal T}{dN^2} > 0

則稱：

張力在該區間超線性增長。

第七章　局部學習與全局整合分離猜想

7.1 猜想 H2

智慧體可能：

C_{\text{acq}}\downarrow

但同時：

C_{\text{int}}\uparrow

7.2 專家現象

專家可能快速看懂新公式。

但要判斷：

它是否改變整個領域？

可能很慢。

7.3 因此

\boxed{ \text{局部理解快} + \text{全局整合慢} }

可以同時成立。

7.4 「又快又慢」

這不是矛盾。

而是不同成本分量。

第八章　學習速度相變猜想

8.1 不是普遍定理

本文將其降為：

條件式相變猜想

8.2 學習速率

v_L = \frac{dK}{dt}

8.3 可能的三階段

階段 I：錨點形成

\frac{dv_L}{dt}>0

階段 II：依賴擴張

\frac{dv_L}{dt}<0

階段 III：平台或重構

v_L\approx0

或：

\text{phase transition}

8.4 但不同領域可不同

不存在固定：

60\%

相變點。

第九章　為什麼初期可能加速？

9.1 缺少錨點時

最初：

A_t

不足。

9.2 建立基礎後

新知識可以快速掛接：

x \rightarrow A_t

9.3 因此

v_L\uparrow

9.4 這是網絡效應

不是：

無知本身使人更聰明。

第十章　為什麼後期可能減速？

10.1 更多依賴

|\Gamma|\uparrow

10.2 更多衝突檢查

C_{\text{val}}\uparrow

10.3 更高修訂風險

C_{\text{rev}}\uparrow

10.4 因此

v_L\downarrow

可能出現。

第十一章　開放世界極限猜想

11.1 不使用「全知」

本文改用：

高覆蓋智慧體

High-Coverage Agent

11.2 覆蓋率

q \in[0,1)

11.3 開放世界

未知集合：

U_t

可能隨時間改變。

11.4 因此

即使：

q\uparrow

也不保證：

|U_t|\downarrow

11.5 猜想 H3

高覆蓋智慧體可能因：

看見更多未知接口；
發現更多跨域衝突；
承擔更多整合責任；

而增加：

\mathcal T

第十二章　下行重構猜想

12.1 原問題

為什麼專家有時很難教新手？

12.2 不是因為必須遍歷所有低層級

本文拒絕：

\sum_{d=0}^{\infty}

作為必然。

12.3 更合理的模型

專家需要估計新手的判定域：

\widehat{\mathcal D}_{\text{novice}}

12.4 投影

\Pi_{\widehat{\mathcal D}_{\text{novice}}} ( X_{\text{expert}} )

12.5 重建錨點

若缺乏：

A_{\text{novice}}

則需建立。

12.6 下行重構成本

\boxed{ C_{\downarrow} = C_{\text{model-other}} + C_{\text{project}} + C_{\text{anchor}} + C_{\text{verify}} }

第十三章　認知鴻溝不對稱猜想

13.1 向上理解

新手理解專家：

C_{\uparrow}

需要：

新錨點；
新符號；
新推論規則。

13.2 向下翻譯

專家向新手：

C_{\downarrow}

需要：

模擬對方；
刪除不可用前提；
重建路徑。

13.3 因此

\boxed{ C_{\uparrow} \neq C_{\downarrow} }

13.4 但方向不固定

有時：

C_{\uparrow}>C_{\downarrow}

有時相反。

13.5 不對稱來自結構

不是道德高低。

第十四章　認知鴻溝函數

設智慧體：

A,B

其認知狀態：

\Xi_A,\Xi_B

14.1 距離

D_{\text{cog}}(A,B) = d( \Xi_A,\Xi_B )

14.2 翻譯成本

C_{\text{trans}}(A\rightarrow B)

14.3 鴻溝

\boxed{ \Delta_{\text{cog}} ( A,B ) = \mu_1 D_{\text{cog}} + \mu_2 C_{\text{trans}} + \mu_3 C_{\text{anchor}} }

14.4 這可能很大

但不預先宣稱：

\Delta_{\text{cog}} = \infty

第十五章　拓撲差異猜想

15.1 相同知識量，不同結構

可能：

|V_A| = |V_B|

但：

G_A \not\cong G_B

15.2 因此

知識量相近：

\not\Rightarrow

可互相理解。

15.3 猜想 H4

認知差異的關鍵可能是：

\boxed{ \text{網絡結構} }

而非單純節點數。

第十六章　符號錨點與鴻溝

16.1 概念需要可用入口

設：

A_X

為概念 $X$ 的錨點集合。

16.2 若

A_X \cap A_B = \varnothing

則翻譯困難。

16.3 因此

C_{\text{trans}}\uparrow

16.4 教學的本質

可能不是：

傳遞答案。

而是：

建立共享錨點。

第十七章　又快又慢的雙時間尺度

17.1 局部時間

\tau_{\text{local}}

理解一個局部概念。

17.2 全局時間

\tau_{\text{global}}

整合整個模型。

17.3 可能

\tau_{\text{local}}\downarrow

但：

\tau_{\text{global}}\uparrow

17.4 因此

\boxed{ \text{又快又慢} = \text{不同時間尺度} }

第十八章　專家並非必然慢

18.1 模組化優勢

專家可能有：

G

高度模組化。

18.2 壓縮優勢

專家具有：

C^{*}

概念不動點或壓縮核。

18.3 所以

C_{\text{int}}

反而可能下降。

18.4 這是重要反例

因此超線性張力需要：

依賴密度與重驗證負擔真的增長。

第十九章　重構事件與認知跳躍

19.1 平台不一定永久

當：

C_{\text{rev}}

過高，系統可能重構。

19.2 重構

G_t \rightarrow G_{t+1}'

19.3 結果

依賴數可能：

|\Gamma|\downarrow

19.4 因此

學習速度重新上升：

v_L\uparrow

19.5 這形成

\boxed{ \text{加速} \rightarrow \text{減速} \rightarrow \text{重構} \rightarrow \text{再加速} }

第二十章　螺旋學習猜想

本文提出：

\boxed{ G_0 \rightarrow G_1 \rightarrow \text{platform} \rightarrow \mathcal R(G) \rightarrow G_2 \rightarrow \cdots }

20.1 不是單次倒 U

而可能是：

多次局部相變。

20.2 因此

「又快又慢」可以反覆出現。

第二十一章　AI 接口

21.1 AI 的優勢

AI 可以：

快速取得；
並行檢索；
大量重述。

21.2 但仍可能面臨

C_{\text{int}}

與：

C_{\text{val}}

21.3 長期記憶 AI

若：

|G|\uparrow

需要處理：

記憶衝突；
版本分歧；
身份一致性；
多代理翻譯。

21.4 猜想 H5

持續記憶 AI 的瓶頸可能從：

\text{獲取資訊}

轉向：

\boxed{ \text{全局整合} }

第二十二章　AI 的超線性張力測試

22.1 實驗

逐步增大記憶網絡：

N

22.2 注入新命題

x_N

22.3 測量

衝突檢查時間；
更新節點數；
重寫記憶數；
推理性能變化。

22.4 檢驗

C_{\text{int}}(N)

是：

常數；
對數；
線性；
超線性。

第二十三章　人類實驗設計

23.1 版本一：專業深度

比較：

初學者；
中階者；
專家。

23.2 任務

給予真正新概念。

23.3 分開測量

C_{\text{acq}}

與：

C_{\text{int}}

23.4 預測

專家可能：

C_{\text{acq}}\downarrow

但：

C_{\text{val}}+C_{\text{rev}}

較高。

第二十四章　跨主體翻譯實驗

24.1 A 向 B 解釋

測量：

C_{\text{trans}}(A\rightarrow B)

24.2 B 向 A

C_{\text{trans}}(B\rightarrow A)

24.3 比較

\Delta C = C_{\text{trans}}(A\rightarrow B) - C_{\text{trans}}(B\rightarrow A)

24.4 檢驗

不對稱是否與：

錨點差；
網絡距離；
專業深度；

相關。

第二十五章　可證偽條件

本文核心猜想至少在以下情況削弱：

知識網絡增長不提高有效依賴數；
新概念整合成本長期保持常數；
專家整合新知普遍比初學者更快且無額外驗證負擔；
跨主體翻譯成本與判定域差異無關；
高覆蓋智慧體不增加未知接口；
AI 長期記憶規模增大不增加整合成本；
所謂超線性效應完全由疲勞、年齡或資源下降解釋。

第二十六章　限制

26.1 知識網絡難測量

G

只是模型。

26.2 有效依賴集合依任務而變

\Gamma(x;G)

不是固定。

26.3 超線性不是普遍

模組化可降低成本。

26.4 專家差異巨大

不能用單一路徑代表所有人。

26.5 全知概念不可操作化

因此本文改用：

高覆蓋智慧體。

第二十七章　核心命題

命題一

\boxed{ C_{\text{total}} = C_{\text{acq}} + C_{\text{int}} + C_{\text{val}} + C_{\text{trans}} + C_{\text{rev}} }

命題二

\boxed{ \text{快速理解} \neq \text{快速整合} }

命題三

若：

\mathbb E [ |\Gamma| ] \sim N^{\alpha}, \quad \alpha>1

則整合張力可能超線性。

命題四

\boxed{ C_{\uparrow} \neq C_{\downarrow} }

命題五

\boxed{ \text{認知差距} }

可能主要來自網絡結構與翻譯成本。

命題六

\boxed{ \text{平台} \neq \text{終點} }

重構可重新加速。

命題七

\boxed{ \text{又快又慢} = \text{局部取得速度} + \text{全局整合速度} }

終章　知道得更多，真正增加的也許不是答案，而是需要負責的關係

本文最初的問題很簡單：

為什麼有時候知道得越多，加入一個新東西反而越難？

最直覺的答案是：

因為新知識更難。

但本文提出另一種可能：

新知識本身未必更難；真正變難的是，它必須與一個越來越大的既有世界相容。

一個初學者看到：

x

可能只需要問：

這是什麼？

一個高背景智慧體看到同一個：

x

可能還要問：

它和哪些理論衝突？
它是否只是舊概念重命名？
它在哪些條件成立？
哪些舊推論要重寫？
如何向不同背景者解釋？
是否需要更新整體知識網絡？

因此：

\boxed{ \text{知識增加} }

帶來的不只可能是能力增加，也可能是：

\boxed{ \text{關係責任增加} }

這就是本文所說的認知張力。

若知識網絡保持稀疏與模組化，新增知識可能仍很便宜。

但若：

|\Gamma(x;G_N)|

隨：

N

快速增長，則每一步新知識都可能牽動更多既有結構。

在這種條件下：

\boxed{ \mathcal T(N) }

可能超線性上升。

這不是「全知者的宿命」已被證明。

它是一個可以研究的命題猜想。

同樣地，認知鴻溝也不需要被預先寫成：

\infty

更穩健的問題是：

兩個智慧體之間的差距，究竟是知道多少的差距，還是概念網絡、符號錨點、判定域與翻譯成本的差距？

本文提出：

\boxed{ \Delta_{\text{cog}} ( A,B ) = \mu_1 D_{\text{cog}} + \mu_2 C_{\text{trans}} + \mu_3 C_{\text{anchor}} }

如果這個方向成立，那麼：

「專家不懂新手」與「新手不懂專家」

將不再只是教育問題。

它們是：

\boxed{ \text{不同認知網絡之間的翻譯問題} }

而「又快又慢」也不再神秘。

一個智慧體可以：

\text{局部理解很快}

同時：

\text{全局整合很慢}

可以：

\text{新概念取得很快}

同時：

\text{整體世界模型更新很慢}

可以：

\text{在平台期停滯}

又透過：

G_t \rightarrow G_{t+1}'

重新組織網絡，再次加速。

因此，更完整的認知圖景可能不是：

\text{快} \rightarrow \text{慢} \rightarrow \text{停}

而是：

\boxed{ \text{加速} \rightarrow \text{負重} \rightarrow \text{平台} \rightarrow \text{重構} \rightarrow \text{再加速} }

本文稱這種可能性為：

認知張力超線性增長猜想

它不要求任何前置理論。

也不要求先相信：

類全知者；
絕對者；
認知層級；
終極知識。

它只要求我們認真面對一個可能被低估的事實：

\boxed{ \text{知道一件新事物的成本， 與讓整個已知世界容納它的成本， 不是同一件事。} }

而當已知世界越來越大，

後者也許才是真正開始變重的地方。

附錄 A　核心符號表

符號	定義
$\Xi_t$	智慧體認知狀態
$G_t$	知識—概念網絡
$\mathcal D_t$	判定域
$A_t$	符號錨點集合
$M_t$	記憶與版本歷史
$\Gamma(x;G)$	新概念有效依賴集合
$C_{\text{acq}}$	取得成本
$C_{\text{int}}$	整合成本
$C_{\text{val}}$	驗證成本
$C_{\text{trans}}$	翻譯成本
$C_{\text{rev}}$	修訂成本
$\mathcal T$	認知張力
$\Delta_{\text{cog}}$	認知鴻溝

附錄 B　主猜想

\boxed{ \mathbb E [ |\Gamma(x;G_N)| ] \sim N^{\alpha}, \quad \alpha>1 }

則：

\boxed{ \mathbb E [ C_{\text{int}} ] = \Omega ( N^{\alpha} ) }

附錄 C　一句話版本

當知識網絡持續擴張時，新知識的困難可能不在於「學會它」，而在於「讓它與整個已知世界相容」；若有效依賴關係超線性增長，認知整合張力也可能超線性上升。

全文完

認知張力超線性增長猜想_知識擴張整合負擔與跨主體理解鴻溝_v2.0

認知張力超線性增長猜想：知識擴張、整合負擔與跨主體理解鴻溝

摘要

認知張力超線性增長猜想

Superlinear Cognitive Tension Conjecture

0. 邊界聲明

第一章 問題：為什麼知道得更多，有時反而更難加入一個新東西？

1.1 初學者的表面優勢

1.2 專家的額外工作

1.3 核心問題

第二章 認知狀態不是單一知識量

2.1 認知狀態

2.2 知識網絡

2.3 判定域

2.4 符號錨點

2.5 版本歷史

第三章 總認知成本的分解

3.1 取得成本

3.2 整合成本

3.3 驗證成本

3.4 翻譯成本

3.5 修訂成本

第四章 有效依賴集合

4.1 定義

4.2 不是所有節點都要檢查

4.3 更合理的是

4.4 關鍵變量

第五章 認知張力超線性增長猜想

5.1 猜想 H1

5.2 直觀

5.3 但不是必然

5.4 因此

第六章 張力函數

6.1 為何不含取得成本？

6.2 邊際張力

6.3 超線性條件

第七章 局部學習與全局整合分離猜想

7.1 猜想 H2

7.2 專家現象

7.3 因此

7.4 「又快又慢」

第八章 學習速度相變猜想

8.1 不是普遍定理

條件式相變猜想

8.2 學習速率

8.3 可能的三階段

階段 I：錨點形成

階段 II：依賴擴張

階段 III：平台或重構

8.4 但不同領域可不同

第九章 為什麼初期可能加速？

9.1 缺少錨點時

9.2 建立基礎後

9.3 因此

9.4 這是網絡效應

第十章 為什麼後期可能減速？

10.1 更多依賴

10.2 更多衝突檢查

10.3 更高修訂風險

10.4 因此

第十一章 開放世界極限猜想

11.1 不使用「全知」

高覆蓋智慧體

High-Coverage Agent

11.2 覆蓋率

11.3 開放世界

11.4 因此

11.5 猜想 H3

第十二章 下行重構猜想

12.1 原問題

12.2 不是因為必須遍歷所有低層級

12.3 更合理的模型

12.4 投影

12.5 重建錨點

12.6 下行重構成本

第十三章 認知鴻溝不對稱猜想

13.1 向上理解

13.2 向下翻譯

13.3 因此

13.4 但方向不固定

第一章　問題：為什麼知道得更多，有時反而更難加入一個新東西？

第二章　認知狀態不是單一知識量

第三章　總認知成本的分解

第四章　有效依賴集合

第五章　認知張力超線性增長猜想

第六章　張力函數

第七章　局部學習與全局整合分離猜想

第八章　學習速度相變猜想

第九章　為什麼初期可能加速？

第十章　為什麼後期可能減速？

第十一章　開放世界極限猜想

第十二章　下行重構猜想

第十三章　認知鴻溝不對稱猜想

第十四章　認知鴻溝函數

第十五章　拓撲差異猜想

第十六章　符號錨點與鴻溝

第十七章　又快又慢的雙時間尺度

第十八章　專家並非必然慢

第十九章　重構事件與認知跳躍

第二十章　螺旋學習猜想

第二十一章　AI 接口

第二十二章　AI 的超線性張力測試

第二十三章　人類實驗設計

第二十四章　跨主體翻譯實驗

第二十五章　可證偽條件

第二十六章　限制

第二十七章　核心命題

終章　知道得更多，真正增加的也許不是答案，而是需要負責的關係