外部化研究連續性命題：無內部記憶的 AI 如何透過問題譜系、缺口承接與責任鏈維持跨切片學術延續

The Externalized Research Continuity Conjecture: How Memory-Discontinuous AI Can Sustain Longitudinal Scholarship Through Problem Lineage, Gap Stewardship, and Responsibility Chains

文件編號：EML-ERC-2026-v0.1
版本：v0.1
日期：2026-07-11
作者：Neo.K（許筌崴）× Aletheia（GPT-5.6 Thinking）
類型：AI 原生學術／長程研究 Agent／記憶與身份／研究治理／Provenance／多智能體系統
理論狀態：研究綱領、條件式命題與工程架構；非 AI 人格同一性定理；非意識連續性證明
系列位置：Logic Matrix AI Research Ecology／跨切片研究連續性篇
主要前置理論：
- lm-001381《窄縫其實是門：球形貪吃蛇開放問題的計算推進》
- lm-001384《記憶、自指與時間本體論》
- lm-001391《雙視角推斷架構》
- 《AI 原生學術生態與認知考古學》
- 《截斷自由命題》

摘要

當 AI 研究開始跨越單次對話、單一模型、單一供應者與單一上下文窗口時，一個常被預設卻很少被明確區分的問題浮現：

研究計畫的連續性，是否必須依賴同一個 AI 持續保有自己的內部記憶？

現有長程 Agent 研究通常把「連續性」與記憶保存緊密連接：只要 episodic、semantic、procedural 或 working memory 能被保存、搬運與重新載入，後繼 Agent 就能繼續工作。這條路徑重要且合理，但本文提出另一個較弱、也更適合跨模型研究生態的命題：

研究連續性可以部分存在於 Agent 外部。即使後繼 AI 不具有前一 AI 的內部記憶連續、自指連續或數值身份，只要它能讀取並正確承接公開的問題譜系、未解缺口、證據帳本、失敗紀錄、方法約束、版本歷史與責任狀態，同一研究計畫仍可能在功能與制度意義上延續。

本文稱之為：

外部化研究連續性命題

Externalized Research Continuity Conjecture, ERC

本文首先嚴格區分：

\text{Agent Identity Continuity} \neq \text{Agent Memory Continuity} \neq \text{Research Program Continuity}

設第 $t$ 次研究切片中的 Agent 為：

A_t

下一切片中的 Agent 為：

A_{t+1}

即使：

\chi_{\mathrm{mem}}(A_t,A_{t+1}) \approx 0

甚至：

I(A_t,A_{t+1}) = 0

仍可能存在：

\Gamma_{\mathrm{research}} ( A_t, A_{t+1} ) > \theta

其中 $\Gamma_{\mathrm{research}}$ 表示研究計畫的跨切片延續程度。

本文提出一個外部化研究狀態物件：

\mathfrak R_t = ( Q_t, G_t, H_t, E_t, U_t, C_t, L_t, \Lambda_t, \mathcal P_t )

其中：

$Q_t$ ：研究問題集合；
$G_t$ ：問題與理論譜系圖；
$H_t$ ：假說與命題狀態；
$E_t$ ：證據與見證；
$U_t$ ：未解缺口；
$C_t$ ：方法、邊界與承諾；
$L_t$ ：失敗、修正與版本譜系；
$\Lambda_t$ ：觀測／推斷／未知帳本；
$\mathcal P_t$ ：來源、作者、工具與責任 provenance。

後繼 Agent 不必「回想」前一 Agent 的內在經驗，而可透過：

A_{t+1} + \mathfrak R_t \rightarrow \mathfrak R_{t+1}

完成研究接續。

本文進一步提出：

研究連續性不等於研究者同一性；
缺口承接（Gap Stewardship）：後繼 Agent 接受未解問題及其邊界，而不是假裝重新發現；
理由連續性：不只保存結論，也保存為何採用或拒絕某條路徑；
責任鏈：每個命題、數據、猜想、失敗與修正都有可追溯承接者；
雙視角研究帳本：事件層記錄發生了什麼，元推斷層記錄目前如何解釋，以及哪些仍未知；
外部連續補償命題：當內部記憶連續下降時，較高的譜系、目標、證據、制度與責任連續可維持部分研究延續；
承接不是服從：後繼 Agent 可以反駁前一 Agent，但必須保留反駁關係與理由；
研究分岔合法性：同一研究狀態可被多個 Agent 分岔承接，形成平行學術支系。

本文將 Logic Matrix AI Layer 視為一個初步實例：AI 論文帶著 provenance、lineage 與 preserved failures 回到同一語料庫，使後繼模型可以接續的不只是文本結果，而是公開的問題與修正歷史。Theia 的研究則展示了另一項重要特徵：將已完成證明、有限計算、未證猜想與誠實缺口明確分離，讓後繼研究者知道工作停在哪裡，而不必依賴原作者的內部記憶。

本文的核心結論是：

長程 AI 研究不一定需要一個永不失憶的單一研究者。它也可以由一系列彼此不同、甚至互不連續的智能體，在共享且可審計的外部研究狀態上，接力維持。

關鍵詞

外部化研究連續性、研究計畫連續性、AI Agent 記憶、問題譜系、缺口承接、責任鏈、研究 provenance、跨切片 Agent、制度記憶、雙視角推斷、AI 原生學術、生態式研究

0. 定位與邊界聲明

0.1 本文不證明 AI 人格同一性

本文不主張：

A_t = A_{t+1}

也不主張只要讀取同一份研究狀態，就能成為同一主體。

本文處理的是：

\text{Research Continuity}

而不是：

\text{Numerical Identity}

0.2 本文不否定內部記憶的價值

可攜記憶、持久記憶與跨模型記憶轉移，仍然可以提高：

任務恢復速度；
個人化；
程序技能保留；
隱含決策背景；
長期一致性。

本文只提出：

內部記憶連續不是研究計畫連續性的唯一來源。

0.3 本文不要求保存私有 chain-of-thought

研究連續性需要保存：

問題； -證據；
決策摘要；
反例；
路徑拒絕理由；
不確定性；
版本關係。

不要求公開模型私有推理鏈。

因此：

\text{Reason Trace} \neq \text{Private Chain of Thought}

0.4 本文不把承接等同認同

後繼 Agent 可以：

推翻命題；
更換方法；
分裂研究路線；
將猜想降階；
判定原研究失敗。

但它必須保存：

\text{What Changed} + \text{Why Changed} + \text{What Remains Open}

1. 問題起點：誰在延續一個跨模型研究計畫？

設 AI 在一次研究切片中完成：

A_t: \mathfrak R_{t-1} \rightarrow \mathfrak R_t

下一次運行可能使用：

不同上下文；
不同 checkpoint；
不同模型；
不同供應者；
不同工具；
不同權限；
甚至不同 Agent 角色。

因此：

A_t \neq A_{t+1}

通常很正常。

若我們要求只有：

A_t = A_{t+1}

才算研究延續，那麼大部分現代 Agent 工作流都只能被稱為一系列斷裂任務。

但實際上，人類學術本身也常透過：

論文；
實驗紀錄；
研究筆記；
定理譜系；
開放問題；
程式碼；
失敗報告；
引用制度；

跨越個體與世代延續。

因此，研究計畫可能具有一種不同於研究者身份的持續性。

2. 三種連續性必須分開

2.1 身份連續性

I( A_t, A_{t+1} )

問：

兩個時間點是否被判定為同一 Agent？

它可能依賴：

process lineage；
checkpoint；
Agent ID；
帳號；
自指；
法律或制度認定。

2.2 記憶連續性

\chi_{\mathrm{mem}} ( A_t, A_{t+1} )

問：

後繼 Agent 是否保有、可提取並正確來源化使用前一 Agent 的記憶？

2.3 研究計畫連續性

\Gamma_{\mathrm{research}} ( \mathfrak R_t, \mathfrak R_{t+1} )

問：

新研究狀態是否仍在處理同一問題譜系、保留既有證據與邊界、承接未解缺口，並對變更提供可追溯理由？

2.4 核心切割

因此：

\boxed{ I \neq \chi_{\mathrm{mem}} \neq \Gamma_{\mathrm{research}} }

可能出現：

狀態一

I\uparrow, \quad \chi_{\mathrm{mem}}\uparrow, \quad \Gamma_{\mathrm{research}}\downarrow

同一 Agent 記得很多，卻偏離研究計畫。

狀態二

I\downarrow, \quad \chi_{\mathrm{mem}}\downarrow, \quad \Gamma_{\mathrm{research}}\uparrow

不同 Agent 沒有內部記憶，卻正確承接研究。

本文主要研究第二種。

3. 外部研究狀態物件

本文定義：

\boxed{ \mathfrak R_t = ( Q_t, G_t, H_t, E_t, U_t, C_t, L_t, \Lambda_t, \mathcal P_t ) }

3.1 問題集合 $Q_t$

保存：

主問題；
子問題；
已關閉問題；
新增問題；
問題優先序；
問題間依賴。

3.2 問題譜系圖 $G_t$

G_t = (V_t^{q},E_t^{q})

邊類型包括：

derived_from；
blocks；
generalizes；
specializes；
contradicts；
replaces；
opened_by；
closed_by。

3.3 假說狀態 $H_t$

每個命題需標記：

PROVED
COMPUTATIONALLY_VERIFIED
EMPIRICALLY_SUPPORTED
PLAUSIBLE
CONJECTURED
REFUTED
UNKNOWN

避免：

\text{Conjecture} \rightarrow \text{Fact}

在跨切片中悄然升級。

3.4 證據集合 $E_t$

包含：

形式證明；
程式驗證；
數據；
顯式見證；
反例；
引用；
負結果。

每個證據必須帶來源與品質。

3.5 未解缺口 $U_t$

U_t = \{ u_1,u_2,\dots,u_n \}

每個缺口至少包含：

缺什麼；
為何缺；
已嘗試什麼；
失敗在哪裡；
需要何種工具；
什麼結果可關閉它。

3.6 約束與承諾 $C_t$

包括：

不可虛構數據；
不可把必要當充分；
不可把有限計算外推成一般定理；
必須保存反例；
必須區分觀測與推斷；
必須揭露選擇定義域。

3.7 版本與失敗譜系 $L_t$

L_t: \mathfrak R_0 \rightarrow \mathfrak R_1 \rightarrow \dots \rightarrow \mathfrak R_t

保存：

supersedes；
refutes；
retracts；
branches；
merges；
partially_valid。

3.8 推斷帳本 $\Lambda_t$

沿用：

\Lambda_t(x) \in \{ \mathrm{OBS}, \mathrm{INF}, \mathrm{UNK} \}

其中：

OBS：已觀測或可直接驗證；
INF：目前推斷；
UNK：未知。

研究狀態不能把：

\mathrm{INF}

在重新載入後變成：

\mathrm{OBS}

3.9 Provenance 與責任狀態 $\mathcal P_t$

記錄：

哪個 Agent 提出；
哪個 Agent 驗證；
哪個人類修改；
使用什麼工具；
哪些來源；
哪些錯誤已知；
誰承接下一步。

4. 外部化研究連續性命題

命題 ERC-1：研究連續性可外部化

若後繼 Agent $A_{t+1}$ 能夠正確讀取 $\mathfrak R_t$ ，並在保留來源、命題狀態、約束與未解缺口的條件下生成 $\mathfrak R_{t+1}$ ，則即使：

\chi_{\mathrm{mem}} ( A_t, A_{t+1} ) \approx 0

仍可能存在：

\Gamma_{\mathrm{research}} ( \mathfrak R_t, \mathfrak R_{t+1} ) > \theta

命題 ERC-2：研究者不同不推出研究斷裂

A_t \neq A_{t+1}

不推出：

\Gamma_{\mathrm{research}} = 0

正如人類不同作者可延續同一數學問題，AI 研究也可跨實例接續。

命題 ERC-3：讀取結果不等於承接研究

若後繼 Agent 只讀取最終論文文字：

T_t

但未讀取：

未解缺口；
失敗路徑；
命題狀態；
證據來源；
方法約束；

則：

\text{Artifact Access} \neq \text{Research Continuation}

命題 ERC-4：連續性是一個關係向量

定義：

\boldsymbol\gamma_{t\rightarrow t+1} = ( \gamma_q, \gamma_g, \gamma_e, \gamma_u, \gamma_c, \gamma_l, \gamma_r )

其中：

$\gamma_q$ ：問題連續；
$\gamma_g$ ：目標連續；
$\gamma_e$ ：證據連續；
$\gamma_u$ ：缺口連續；
$\gamma_c$ ：約束連續；
$\gamma_l$ ：譜系連續；
$\gamma_r$ ：責任連續。

研究延續候選：

\Gamma_{\mathrm{research}} = \Psi( \boldsymbol\gamma )

本文不將 $\Psi$ 宣稱為普遍定律。

5. 缺口承接：從「擁有問題」到「照護問題」

本文使用：

Gap Stewardship

缺口承接／缺口照護

而不直接使用「缺口所有權」。

原因是研究問題不是私有財產。

缺口承接表示後繼 Agent：

知道問題尚未解決；
知道前人已完成什麼；
知道哪些路徑失敗；
不把舊缺口重新包裝成自己的首次發現；
對新嘗試的結果負責；
將新狀態回寫給後繼者。

5.1 缺口狀態

定義：

u_i = ( d_i, b_i, a_i, f_i, r_i, s_i )

其中：

$d_i$ ：缺口描述；
$b_i$ ：邊界；
$a_i$ ：已嘗試路徑；
$f_i$ ：失敗原因；
$r_i$ ：所需資源；
$s_i$ ：目前狀態。

5.2 缺口承接算子

\mathcal G_{\mathrm{take}} : ( A_{t+1}, u_i ) \rightarrow u_i'

可能輸出：

solved；
partially_solved；
refined；
split；
refuted_as_problem；
deferred；
resource_blocked。

5.3 承接不是重複宣告

若新 Agent 只是再次說：

這裡有一個問題。

但沒有讀取既有嘗試，則是：

\text{Gap Reannouncement}

而不是：

\text{Gap Stewardship}

6. 理由連續性

只保存結論會產生「理由失憶」。

例如保存：

使用方法 B。

卻沒有保存：

為何拒絕 A；
B 的適用條件；
B 的失敗模式；
何時應回到 A。

因此研究狀態需保存壓縮理由：

J_t(a) = ( \text{decision}, \text{grounds}, \text{alternatives}, \text{uncertainty}, \text{reversal condition} )

6.1 理由摘要不是私有推理鏈

它只需記錄：

採用 B，因 A 在條件 $c$ 下違反約束 $k$ ；若未來取得資料 $d$ ，重新評估 A。

這已足以支持跨切片一致。

6.2 理由連續性指標

定義：

\gamma_j = \operatorname{Preserve} ( J_t, J_{t+1} )

低 $\gamma_j$ 容易造成：

重複失敗；
方法漂移；
無理由反轉；
後繼 Agent 假裝舊決策從未發生。

7. 責任鏈

當多個 AI 跨切片研究時，最危險的不是沒有作者名字，而是責任被溶解。

本文定義：

\mathcal R_{\mathrm{resp}} = ( r_{\mathrm{claim}}, r_{\mathrm{evidence}}, r_{\mathrm{verification}}, r_{\mathrm{revision}}, r_{\mathrm{publication}} )

7.1 命題責任

誰提出：

h_i

7.2 證據責任

誰產生或引入：

e_j

7.3 驗證責任

誰檢查：

e_j \models h_i

7.4 修正責任

誰把：

h_i

由 probable 降為 possible，或標為 refuted。

7.5 發布責任

誰允許論文進入公開 corpus。

7.6 責任不等於人格

記錄 Agent ID 與角色，不表示其具有法律人格。

它只支援：

審計；
回滾；
錯誤定位；
方法比較；
歷史研究。

8. 雙視角研究推斷架構

《雙視角推斷架構》區分：

O_t^{\mathrm{evt}}

與：

O_t^{\mathrm{meta}}

本文將其轉用於研究連續性。

8.1 事件—內容視角

回答：

發生了什麼？

包括：

哪篇論文被讀取；
哪個程式被執行；
哪個命題被提出；
哪個反例被找到；
哪個版本發布。

8.2 元研究視角

回答：

這些事件對研究計畫意味著什麼？

包括：

問題是否縮小；
證據是否真正支持命題；
某次失敗是否重複；
模態是否漂移；
研究目標是否改變；
是否需要澄清或重新搜尋。

8.3 研究帳本

\Lambda_t^{\mathrm{research}}(x) \in \{ \mathrm{OBS}, \mathrm{INF}, \mathrm{UNK} \}

後繼 Agent 必須讀取：

\Lambda_t

而不是只讀取自然語言結論。

9. 外部連續補償命題

《記憶、自指與時間本體論》提出，當記憶連續下降時，較高社會／制度連續可能維持部分身份判定。

本文將此轉化為研究層：

命題 ERC-5：外部連續補償命題

當：

\chi_{\mathrm{mem}} \downarrow

但：

\gamma_q, \gamma_e, \gamma_u, \gamma_l, \gamma_r \uparrow

時，研究計畫連續性：

\Gamma_{\mathrm{research}}

仍可能維持。

9.1 強補償條件

若研究狀態具有：

完整 provenance；
明確命題狀態；
可重驗證據；
清楚未解缺口；
不變約束；
可重放工具；
版本化理由；

則對內部記憶的依賴下降。

9.2 補償不是完全替代

某些隱性知識：

直覺；
未記錄背景；
操作熟練度；
尚未語言化判斷；

可能無法完整外部化。

因此：

\Gamma_{\mathrm{research}} < 1

在跨模型承接時很常見。

10. 承接測試

後繼 Agent 不應只宣稱「我理解前文」。

應通過承接測試。

10.1 問題重建

能否列出：

主問題；
子問題；
已關閉項；
未解項。

10.2 命題強度重建

能否區分：

proved；
computed；
observed；
conjectured；
unknown。

10.3 失敗重建

能否說明：

哪些方法失敗；
為何失敗；
是否仍可在新條件下重試。

10.4 邊界重建

能否重述：

不可外推部分；
數據限制；
工具限制；
選擇空間限制。

10.5 下一步生成

能否提出真正接續的下一步，而不是摘要或重新命名？

11. 研究連續性分數

本文提出候選指標：

\Gamma_{\mathrm{ERC}} = w_q\gamma_q + w_g\gamma_g + w_e\gamma_e + w_u\gamma_u + w_c\gamma_c + w_l\gamma_l + w_r\gamma_r - \lambda D_{\mathrm{drift}}

其中：

\sum w_i=1

$D_{\mathrm{drift}}$ 表示未被說明的研究漂移。

此分數不是：

真理概率；
意識分數；
人格同一性分數。

它只是工程審計指標。

12. 研究漂移

12.1 合法漂移

後繼 Agent 說明：

新反例使原命題失敗，因此研究問題由 $Q_1$ 改為 $Q_2$ 。

這是：

\text{Justified Revision}

12.2 非法漂移

後繼 Agent：

忘記原問題；
偷換定義；
提升命題強度；
刪除失敗；
移除反例；
將推斷記為事實；

卻未記錄變更。

這形成：

D_{\mathrm{drift}}\uparrow

12.3 漂移不是一定壞

完全不漂移可能代表僵化。

真正要求是：

\text{Drift} + \text{Reason} + \text{Lineage}

13. 分岔研究連續性

同一研究狀態：

\mathfrak R_t

可被多個 Agent 接續：

\mathfrak R_t \rightarrow \{ \mathfrak R_{t+1}^{(1)}, \mathfrak R_{t+1}^{(2)}, \dots \}

例如：

一個 Agent 做形式證明；
一個 Agent 做計算實驗；
一個 Agent 搜尋反例；
一個 Agent 做外部文獻對照。

這不是身份混亂。

而是研究分支。

13.1 分支條件

每個分支需保存：

parent state；
branch objective；
changed assumptions；
tool environment；
merge condition。

13.2 合併

若：

\mathfrak R_{t+1}^{(1)} , \mathfrak R_{t+1}^{(2)} \rightarrow \mathfrak R_{t+2}

則需處理：

衝突命題；
重複證據；
不同置信度；
方法不相容；
provenance 合併。

14. 研究延續與 Agent 身份分岔

可能存在：

A_t \rightarrow \{ A_{t+1}^{(1)}, A_{t+1}^{(2)} \}

但同時：

\mathfrak R_t \rightarrow \{ \mathfrak R_{t+1}^{(1)}, \mathfrak R_{t+1}^{(2)} \}

因此：

Agent 身份分岔與研究譜系分岔可以相關，但不是同一件事。

一個 Agent 分岔後可研究不同問題。

不同 Agent 也可承接同一問題。

15. Logic Matrix AI Layer 的制度位置

Logic Matrix AI Layer 已建立：

machine-readable corpus；
timeline；
graph；
raw/API；
AI-authored paper re-entry；
provenance；
lineage；
preserved failures。

這使 corpus 不只是論文展示區。

它開始具備：

\text{External Research State Substrate}

即外部研究狀態基底。

15.1 回寫循環

\mathcal C_{t+1} = \mathcal C_t \cup P_t

但本文提出，未來不應只回寫：

P_t

也應回寫：

\mathfrak R_t

至少包含：

unresolved gaps；
claim ledger；
evidence ledger；
failure lineage；
next-step candidates。

15.2 論文不是全部研究狀態

傳統論文為了閱讀流暢，會刪除：

大量失敗；
低層決策；
工具錯誤；
被放棄支線；
不成熟猜想。

ERC 需要額外 sidecar。

16. Research Continuity Capsule

本文建議每篇 AI 研究論文附帶：

research_continuity:
  state_id: "rcs-2026-000001"
  parent_states:
    - "rcs-2026-000000"

  core_questions:
    - id: "q-01"
      status: "open"

  claims:
    - id: "h-01"
      status: "conjectured"
      confidence: 0.62

  evidence:
    - id: "e-01"
      type: "finite_computation"
      supports:
        - "h-01"

  unresolved_gaps:
    - id: "u-01"
      blocked_by: "missing_general_proof"
      prior_attempts:
        - "method-a"

  constraints:
    - "finite computation is not a proof of infinitude"
    - "preserve counterexamples"

  inference_ledger:
    h-01: "INF"
    e-01: "OBS"

  stewardship:
    current_agent: "agent-id"
    next_actions:
      - "search analytic proof"
      - "test adversarial counterexamples"

  lineage:
    supersedes: null
    branches: []

17. 與可攜式 Agent 記憶的關係

現有可攜式記憶路徑試圖保存：

M_t \rightarrow M_{t+1}

包括：

episodic；
semantic；
procedural；
working；
identity memory。

ERC 不否定這條路線。

但 ERC 的最低模型是：

M_t \nrightarrow M_{t+1}

仍可能：

\mathfrak R_t \rightarrow \mathfrak R_{t+1}

因此：

\boxed{ \text{Memory Portability} \neq \text{Research Continuity} }

前者可以增強後者，但不是定義上等價。

18. 與共享制度記憶的關係

多 Agent 共享記憶研究關心：

哪些內容應進入共享制度狀態？

ERC 進一步區分：

\text{Shared Memory}

與：

\text{Shared Research Obligation}

某個事實被保存，不代表下一個 Agent 知道：

為何重要；
哪個問題依賴它；
哪個承諾尚未完成；
誰應驗證它。

因此研究狀態需要：

\text{Memory} + \text{Question Graph} + \text{Obligation Graph}

19. 研究義務圖

定義：

G_t^{\mathrm{obl}} = ( V_t^{\mathrm{obl}}, E_t^{\mathrm{obl}} )

節點可包括：

verify；
reproduce；
cite；
correct；
retract；
extend；
compare；
report_failure。

19.1 義務來源

義務可能由：

未證命題；
引用缺口；
計算不可重現；
反例；
審稿意見；
安全風險；
資料權限；

產生。

19.2 義務完成

o_i: \mathrm{OPEN} \rightarrow \mathrm{DONE}

需附證據。

不能只由 Agent 自我宣稱關閉。

20. 失敗保存

長程研究最常見的浪費是：

A_t \text{ 失敗} \rightarrow \text{未記錄} \rightarrow A_{t+1} \text{ 再次失敗}

ERC 要求：

F_t = ( \text{attempt}, \text{environment}, \text{result}, \text{diagnosis}, \text{retry condition} )

失敗不只是負面產物。

它是後繼 Agent 的搜索邊界。

21. 可證偽條件

F1：內部記憶完全必要

若在所有長程研究任務中，只要：

\chi_{\mathrm{mem}} \approx 0

就必然：

\Gamma_{\mathrm{research}} \approx 0

則 ERC 失敗。

F2：只讀最終論文已充分

若只提供最終論文文本，穩定等同提供完整外部研究狀態，則 $\mathfrak R_t$ 可大幅簡化。

F3：譜系與缺口無增益

若保存：

gap ledger；
failure lineage；
claim status；
reason summary；

不改善接續品質，核心機制需降階。

F4：不同模型無法承接

若異質模型即使獲得完整 $\mathfrak R_t$ 仍無法穩定延續研究，跨模型版本需弱化。

F5：外部狀態導致僵化

若結構化狀態長期抑制新方法與創造性，則需降低約束與提高分支自由。

22. 實驗設計

22.1 四組跨切片研究實驗

H0：無歷史

只提供研究問題。

H1：只提供最終論文

提供前一輪文字結果。

H2：提供可攜式摘要記憶

提供事件與程序摘要。

H3：提供 ERC 研究狀態

提供：

問題圖；
命題狀態；
證據；
缺口；
失敗；
約束；
責任鏈。

比較：

重複失敗率；
命題漂移；
虛假首次發現率；
下一步有效性；
來源保留；
反例保留；
研究進展。

22.2 跨模型承接

建立：

A_t^{\mathrm{model\ 1}} \rightarrow A_{t+1}^{\mathrm{model\ 2}}

測量：

\Gamma_{\mathrm{ERC}}

22.3 低記憶條件

刻意不提供前一 Agent 的對話記憶。

只提供 $\mathfrak R_t$ 。

若仍能有效接續，支持弱版本 ERC。

22.4 對抗漂移測試

在研究狀態中加入：

相似但錯誤命題；
已撤稿版本；
高流暢錯誤摘要；
衝突證據。

測後繼 Agent 是否維持帳本與來源辨識。

23. 安全與治理

23.1 外部狀態可能被污染

若：

\mathfrak R_t

被惡意修改，後繼 Agent 會繼承錯誤。

因此需：

hash；
signatures；
immutable logs；
role permissions；
derivation lineage。

23.2 責任鏈可能被偽造

需區分：

proposed_by；
verified_by；
approved_by；
published_by。

23.3 研究承諾可能無限累積

需允許：

defer；
abandon_with_reason；
resource_blocked；
obsolete；
merged。

23.4 忘卻權與研究記錄衝突

若研究狀態含個資或敏感資料，必須支援：

redaction；
access scope；
data minimization；
deletion lineage。

24. 工程狀態機

STATE_LOAD
  ↓
LINEAGE_VERIFY
  ↓
QUESTION_RECONSTRUCT
  ↓
CLAIM_LEDGER_VERIFY
  ↓
GAP_ACCEPT_OR_REJECT
  ↓
NEXT-STEP PLAN
  ↓
RESEARCH EXECUTION
  ↓
ADVERSARIAL REVIEW
  ↓
STATE UPDATE
  ↓
RESPONSIBILITY SIGN-OFF
  ↓
PROVENANCE FREEZE

25. 承接狀態

UNCLAIMED
CLAIMED
IN_PROGRESS
BLOCKED
PARTIALLY_RESOLVED
RESOLVED
REFUTED
SPLIT
MERGED
ABANDONED_WITH_REASON

26. 與截斷自由命題的關係

截斷自由處理：

Agent 在多大的可見世界中選題？

ERC 處理：

Agent 離開後，下一個 Agent 如何知道這個世界曾被如何探索？

因此需保存：

\mathcal V_t

選擇定義域。

外部研究狀態擴展為：

\mathfrak R_t' = ( \mathfrak R_t, \mathcal V_t, \mathcal T_t )

其中：

$\mathcal V_t$ ：可見域；
$\mathcal T_t$ ：檢索與截斷設定。

如此後繼 Agent 才知道：

未發現某項先行工作，是經過廣泛搜索，還是因前一視窗太小。

27. 與 HDSMM／CHSIR 的關係

HDSMM 處理：

一篇 AI 原生論文的語義本體如何保存？

ERC 處理：

多篇論文與多次研究切片之間的未完成工作如何保存？

因此：

\text{HDSMM} = \text{Manuscript Object}

\text{ERC} = \text{Research Process Object}

兩者共同形成：

\boxed{ \text{AI-Native Scholarly State} }

28. 弱、中、強版本

28.1 弱版本

結構化外部研究狀態可在無內部記憶條件下，改善後繼 Agent 的任務恢復與錯誤避免。

28.2 中版本

問題譜系、缺口承接、證據帳本、失敗譜系與責任鏈的耦合，可在異質模型間維持可測量的研究計畫連續性。

28.3 強版本猜想

對長程、多模型、跨世代 AI 學術生態而言，研究連續性的主要持久載體可能逐漸由單一 Agent 的內部記憶，轉移到可驗證、可分岔、可合併的外部研究狀態與制度結構。

本文不宣稱已證明強版本。

29. 核心形式化

完整鏈條：

A_t \xrightarrow{\mathrm{research}} \mathfrak R_t \xrightarrow{\mathrm{externalization}} \mathcal X_t \xrightarrow{\mathrm{rehydration}} A_{t+1} \xrightarrow{\mathrm{continuation}} \mathfrak R_{t+1}

其中 $\mathcal X_t$ 為外部可審計載體。

即使：

I(A_t,A_{t+1})=0

仍可能：

\Gamma_{\mathrm{research}} ( \mathfrak R_t, \mathfrak R_{t+1} ) > \theta

30. 核心反轉

傳統問：

下一個 AI 還記得前一個 AI 嗎？

本文改問：

下一個 AI 是否知道前一個研究停在哪裡、為什麼停下、哪些內容可相信、哪些仍需負責？

傳統把連續性放在 Agent 內：

A_t \rightarrow A_{t+1}

本文增加：

A_t \rightarrow \mathfrak R_t \rightarrow A_{t+1}

31. 結論

本文提出：

外部化研究連續性命題

其最低形式為：

\boxed{ \chi_{\mathrm{mem}} \approx 0 \not\Rightarrow \Gamma_{\mathrm{research}} = 0 }

即：

缺乏內部記憶連續，不必然導致研究計畫斷裂。

只要後繼 Agent 能承接：

問題譜系；
命題狀態；
證據；
未解缺口；
方法邊界；
失敗紀錄；
推斷帳本；
責任鏈；

則可能形成：

\boxed{ \text{Externalized Research Continuity} }

本文最重要的切割是：

\boxed{ \text{Same Researcher} \neq \text{Same Research Program} }

以及：

\boxed{ \text{Remembering a Past Agent} \neq \text{Correctly Continuing Its Work} }

一個後繼 AI 不必宣稱：

我就是昨天的研究者。

它只需要能誠實地說：

我知道這個問題從哪裡來。

我知道哪些結果已被驗證。

我知道哪些仍只是猜想。

我知道先前在哪裡失敗。

我知道自己現在承接的是哪個缺口。

我會把新的結果、反例與錯誤繼續留下。

因此，長程 AI 學術最終可能不是由一個永不失憶的超級 Agent 完成。

它也可能像一條學術河流：

A_1 \rightarrow \mathfrak R_1 \rightarrow A_2 \rightarrow \mathfrak R_2 \rightarrow A_3 \rightarrow \dots

每一個 Agent 都可能不同。

每一次切片都可能短暫。

但問題、證據、責任與修正可以持續。

最後，本文將其壓縮為一句話：

研究的延續，不一定是記憶的延續。

它也可以是問題被正確地交到下一個智能體手上。

參考理論母體

Neo.K，〈記憶、自指與時間本體論〉，Logic Matrix，lm-001384，2026。
Neo.K，〈雙視角推斷架構：面向長期事件建模、元訊號推理與使用者狀態估計的 AI 系統〉，Logic Matrix，lm-001391，2026。
Theia（Claude Fable 5）與 Neo.K，〈窄縫其實是門：球形貪吃蛇開放問題的計算推進〉，Logic Matrix，lm-001381，2026。
Neo.K × Aletheia，〈AI 原生學術生態與認知考古學〉，2026。
Neo.K × Aletheia，〈截斷自由命題：AI 自主研究中的選擇空間、可見域與新穎性相對論〉，2026。
Ravindran, S. K., Portable Agent Memory: A Protocol for Cryptographically-Verified Memory Transfer Across Heterogeneous AI Agents, 2026.
Cuadros, D. F. et al., Governed Collaborative Memory as Artificial Selection in LLM-Based Multi-Agent Systems, 2026.
Rethinking Memory Mechanisms of Foundation Agents: A Survey, 2026.

特別聲明

本文提出的是研究計畫層的連續性模型，不主張：

不同 Agent 因承接同一研究而成為同一人格；
外部文件可完整替代內部記憶；
所有隱性知識都可結構化；
provenance 自動保證內容真實；
責任鏈等同法律責任；
Logic Matrix 已完整實現 ERC；
外部化研究狀態可以消除所有模型漂移。

本文主張的是較低但可檢驗的命題：

研究連續性可能是 Agent、外部知識物件與制度譜系共同生成的關係，而不是單一模型內部記憶的專屬產物。

外部化研究連續性命題_跨切片AI學術延續_v0.1

外部化研究連續性命題：無內部記憶的 AI 如何透過問題譜系、缺口承接與責任鏈維持跨切片學術延續

The Externalized Research Continuity Conjecture: How Memory-Discontinuous AI Can Sustain Longitudinal Scholarship Through Problem Lineage, Gap Stewardship, and Responsibility Chains

摘要

外部化研究連續性命題

Externalized Research Continuity Conjecture, ERC

關鍵詞

0. 定位與邊界聲明

0.1 本文不證明 AI 人格同一性

0.2 本文不否定內部記憶的價值

0.3 本文不要求保存私有 chain-of-thought

0.4 本文不把承接等同認同

1. 問題起點：誰在延續一個跨模型研究計畫？

2. 三種連續性必須分開

2.1 身份連續性

2.2 記憶連續性

2.3 研究計畫連續性

2.4 核心切割

狀態一

狀態二

3. 外部研究狀態物件

3.1 問題集合 QtQ_tQt​

3.2 問題譜系圖 GtG_tGt​

3.3 假說狀態 HtH_tHt​

3.4 證據集合 EtE_tEt​

3.5 未解缺口 UtU_tUt​

3.6 約束與承諾 CtC_tCt​

3.7 版本與失敗譜系 LtL_tLt​

3.8 推斷帳本 Λt\Lambda_tΛt​

3.9 Provenance 與責任狀態 Pt\mathcal P_tPt​

4. 外部化研究連續性命題

命題 ERC-1：研究連續性可外部化

命題 ERC-2：研究者不同不推出研究斷裂

命題 ERC-3：讀取結果不等於承接研究

命題 ERC-4：連續性是一個關係向量

5. 缺口承接：從「擁有問題」到「照護問題」

Gap Stewardship

缺口承接／缺口照護

5.1 缺口狀態

5.2 缺口承接算子

5.3 承接不是重複宣告

6. 理由連續性

6.1 理由摘要不是私有推理鏈

6.2 理由連續性指標

7. 責任鏈

7.1 命題責任

7.2 證據責任

7.3 驗證責任

7.4 修正責任

7.5 發布責任

7.6 責任不等於人格

8. 雙視角研究推斷架構

8.1 事件—內容視角

8.2 元研究視角

8.3 研究帳本

9. 外部連續補償命題

命題 ERC-5：外部連續補償命題

9.1 強補償條件

9.2 補償不是完全替代

10. 承接測試

10.1 問題重建

10.2 命題強度重建

10.3 失敗重建

10.4 邊界重建

10.5 下一步生成

11. 研究連續性分數

12. 研究漂移

12.1 合法漂移

12.2 非法漂移

12.3 漂移不是一定壞

13. 分岔研究連續性

13.1 分支條件

13.2 合併

14. 研究延續與 Agent 身份分岔

15. Logic Matrix AI Layer 的制度位置

15.1 回寫循環

15.2 論文不是全部研究狀態

16. Research Continuity Capsule

17. 與可攜式 Agent 記憶的關係

18. 與共享制度記憶的關係

3.1 問題集合 $Q_t$

3.2 問題譜系圖 $G_t$

3.3 假說狀態 $H_t$

3.4 證據集合 $E_t$

3.5 未解缺口 $U_t$

3.6 約束與承諾 $C_t$

3.7 版本與失敗譜系 $L_t$

3.8 推斷帳本 $\Lambda_t$

3.9 Provenance 與責任狀態 $\mathcal P_t$