從平面資料到可驗證知識單元

AI 學習基礎設施可能出現的下一次轉向

文件類型： 公開觀察論文
版本： v0.1
作者： Neo.K／EVEMISSLAB
日期： 2026-07-19

摘要

未來 AI 資料競爭的核心，可能不再只是「誰擁有更多資料」，而是「誰能把資料轉化為可驗證、可追溯、可組合、可重用的知識單元」。

目前大量 AI 學習資料仍以文字、問答、對話、程式碼與標籤為主要形式。這些資料可以快速擴張，卻往往缺少適用條件、判斷域、先備概念、反例、失敗類型、驗證方式、證據強度與來源版本。模型因此可能學會回答某個問題，卻未必學會辨認該答案在什麼情況下成立、何時不能外推，以及何時應主動尋找反例或調用工具驗證。

本文提出一項觀察性命題：AI 學習資料可能由「平面內容集合」逐步轉向「可驗證知識單元」。這類知識單元不只包含答案，也包含概念位置、前置依賴、適用範圍、正例、反例、邊界、錯誤分類、驗證證據與來源譜系。同一知識核心還可依不同用途，轉換為教材、檢索文件、訓練樣本、評測題、工具使用任務與形式化檢查對象。

這種轉向並不保證 AI 必然獲得更強推理能力。它更合理的價值在於：提高學習訊號品質、降低錯誤外推、改善模型校準、強化錯誤診斷，並使資料建設本身更可審計、更可修正與更容易重現。本文將此視為一個值得驗證的研究方向，而非已被證明的終局方案。

關鍵詞： AI 學習資料、可驗證知識、知識單元、資料品質、反例、證據鏈、課程學習、工具使用、資料污染、人工智慧基礎設施

一、資料很多，但知識未必很多

當代 AI 的快速進步，與大規模資料、模型參數、運算資源及訓練方法密切相關。這使「增加資料量」成為一種直覺性的發展方向。

然而，資料量與有效知識量不是同一件事。

一百萬個只替換數字的相似題目，未必比一萬個經過良好分類、包含反例與適用邊界的知識單元更有價值。大量近似重複、來源不明、條件缺失或錯誤外推的內容，也可能讓模型建立不穩定的統計關聯。

可將資料的有效價值粗略表示為：

V_{\mathrm{effective}} = N \times Q \times D \times E \times (1-R)

其中：

$N$ ：資料數量；
$Q$ ：單位資料品質；
$D$ ：有效多樣性；
$E$ ：證據與驗證強度；
$R$ ：噪音、污染與重複率。

若 $Q$ 、 $D$ 與 $E$ 偏低，單純增加 $N$ 不一定帶來等比例收益。

這並不否定大規模資料的重要性，而是指出：

資料規模決定模型能看見多少內容；資料結構與品質則影響模型能否理解內容之間的差異、條件與邊界。

二、目前多數資料仍是平面的

常見的 AI 學習資料可簡化為：

d=(x,y)

其中：

$x$ ：問題、提示或上下文；
$y$ ：答案、標籤或回應。

有些資料會再加入解題步驟：

d=(x,\pi,y)

其中 $\pi$ 是可公開的推理或解釋過程。

這已比單純問答豐富，但仍可能缺少幾個關鍵部分：

這個知識屬於哪個概念？
學會它之前需要先理解什麼？
命題在哪個判斷域中成立？
哪些假設不能省略？
哪些情況是邊界案例？
有沒有反例？
常見錯誤來自哪一層？
結論是計算結果、統計支持，還是形式證明？
使用了什麼版本的工具與資料？
這個樣本是否只是另一個樣本的表面變種？

當這些資訊缺失時，模型容易把不同認識論地位的內容混合在一起。例如：

已被形式證明的命題
有限資料上的統計發現
數值模擬中的穩定現象
尚未驗證的理論猜想
模型自行生成的答案
教材中的簡化敘述

對語言表面而言，它們都可能是一段流暢文字；但對知識可靠性而言，它們完全不同。

三、下一階段可能不是更多答案，而是更完整的知識單元

本文提出的核心觀察是：

AI 學習資料的基本單位，可能從「問題—答案」逐步擴張為「概念—條件—表示—案例—反例—證據—來源」的完整知識單元。

一個較完整的知識單元，可以抽象為：

K= (C,P,D,S,X,V,L)

其中：

$C$ ：概念與知識位置；
$P$ ：先備依賴；
$D$ ：判斷域、假設與排除條件；
$S$ ：命題、解釋與多種表示；
$X$ ：正例、反例、邊界與常見錯誤；
$V$ ：驗證、證據與不確定性；
$L$ ：來源、版本與衍生譜系。

這類資料與一般結構化資料的差異，在於它不只是把文字切成欄位，而是試圖保存知識的內部關係。

例如，模型不只看到：

某個公式成立。

而是同時看到：

此公式在哪個數學域中成立、需要哪些條件、缺少條件時會產生什麼反例、它是由精確計算支持還是已完成形式證明，以及它與哪些先備概念相連。

四、為什麼反例可能比更多正例更有價值

大量資料生成通常偏好製造正確範例：

問題
正確答案
正確說明

但對模型真正困難的部分，往往不是模仿正確答案，而是辨認：

哪個近似答案其實錯了；
哪個條件被省略；
哪個規則被錯誤外推；
哪個問題本身不具充分資訊；
哪個失敗來自工具，而不是理論；
哪個結論只在有限範圍成立。

正例告訴模型「可以怎麼做」；反例與錯誤分類則告訴模型「為什麼不能這樣做」。

若只看正例，模型可能形成：

x \rightarrow y

若加入反例、條件與錯誤類型，模型則有機會學習：

(x,D,A) \rightarrow (y,\text{validity},\text{error type})

其中：

$D$ ：判斷域；
$A$ ：假設集合。

這對下列能力可能尤其重要：

錯誤診斷；
邊界辨識；
拒絕不充分問題；
校準信心；
主動調用工具；
判斷是否需要更多資料。

五、驗證不是一個布林值

「已驗證」經常被當成單一標籤：

verified = true

但不同驗證方式的意義並不相同。

至少可以區分：

結構與格式檢查；
精確計算；
有限範圍窮舉；
隨機或性質測試；
求解器驗證；
形式證明；
外部獨立重現；
人類專業審查。

一個命題通過十萬次隨機測試，不等於已被一般性證明。某個形式定理被證明，也不代表其形式化內容一定忠實對應原始自然語言意圖。

因此，較合理的做法不是問：

它有沒有被驗證？

而是問：

它的哪一部分，被什麼方法，在什麼條件下驗證？

驗證應被理解為一個向量，而不是一個單值：

\vec{V} = (v_s,v_c,v_f,v_p,v_r)

其中可以分別代表：

結構驗證；
計算驗證；
有限域驗證；
形式驗證；
外部重現。

這種表示能減少一種常見錯誤：把有限計算證據誤寫成普遍定理。

六、同一知識核心可能被編譯成多種學習資料

如果知識單元保存了足夠完整的語義與證據，它就不必只對應一個固定資料格式。

同一個知識核心，可以轉化為：

簡短解釋
詳細教材
問答樣本
錯誤診斷題
正反例對
偏好比較資料
工具使用任務
檢索文件
評測題
多語版本
形式證明任務

因此，未來的資料生產可能不再是：

為每個用途各自重新寫一份資料。

而是：

\text{Canonical Knowledge} \xrightarrow{\text{compile}} \{\text{many learning views}\}

這種模式可能帶來三個直接優點。

第一，降低不同資料產品之間的語義漂移。教材、評測與訓練資料可以指向同一知識核心。

第二，修正錯誤時，不必逐一尋找所有衍生版本。只要修訂核心單元，再重新編譯即可。

第三，可以針對不同模型與任務輸出不同視圖，而不必把底層知識綁定在某一代模型介面上。

七、這對 Agent 的影響可能比對預訓練模型更直接

談到「AI 學習」，容易直接想到重新訓練模型。但可驗證知識單元對不同學習方式的作用並不相同。

7.1 對檢索增強系統

傳統檢索經常以任意文字片段作為單位。這些片段可能缺少：

完整上下文；
適用條件；
前置概念；
證據強度；
版本狀態。

若改用完整知識單元，系統可以依據：

概念
判斷域
先備依賴
難度
錯誤類型
驗證方式
來源
版本

進行檢索與過濾。

這可能比單純提高向量相似度更重要。

7.2 對 AI Agent

Agent 不只需要回答，也需要：

選擇工具；
執行驗證；
判斷結果；
修正失敗；
管理工作流。

若知識單元同時包含「應使用哪類工具、輸入條件、預期結果與失敗分類」，Agent 可以把知識直接轉化為行動。

流程可能變成：

\text{retrieve} \rightarrow \text{execute} \rightarrow \text{verify} \rightarrow \text{revise}

這比單純讀取一段解釋更接近可操作知識。

7.3 對微調與後訓練

完整知識單元可生成：

正確回答；
錯誤回答；
錯誤原因；
選擇工具；
信心標記；
拒答案例。

但這些資料仍需經過採樣、平衡、去重與實驗。不能假設「結構越複雜，訓練效果必然越好」。

7.4 對基礎模型預訓練

影響最不直接。

資料格式本身不會自動轉化為模型能力。還需要：

Tokenization；
語料混合；
採樣權重；
Curriculum；
Loss 設計；
模型規模；
訓練預算。

因此，可驗證知識單元更合理的定位是：

提供更高品質、更可控的學習原料，而不是取代模型與訓練方法。

八、它也可能改變 AI 使用工具的方式

目前 Agent 常被要求直接操作終端、瀏覽器與各種軟體。這種方式雖然可行，但會讓 Agent 反覆承擔：

環境探索；
安裝；
版本確認；
命令差異；
輸出解析；
錯誤重試。

未來更合理的方向，可能不是讓 Agent 更擅長模擬人類使用每一個工具，而是把工具能力本身標準化。

例如，Agent 不必理解某個統計工具的全部 CLI，而只需知道：

執行統計檢驗
搜尋反例
驗證形式命題
建立可重現快照
輸出證據包

工具環境則負責把這些能力映射到實際軟體。

這會形成一種新的資料與工具關係：

知識單元
→ 指定需要的驗證能力
→ 執行環境調用工具
→ 回傳結構化證據
→ 更新知識狀態

在這個架構中，知識不再只是被閱讀，也可以被重新執行與重新檢查。

九、可能出現的新型知識供應鏈

若上述方向成立，未來可能形成一條新的知識生產鏈：

概念定義
→ 建立先備依賴
→ 生成受控變種
→ 補充正反例與邊界
→ 建立可驗證命題
→ 調用工具產生證據
→ 人類或制度審查
→ 編譯為多種學習格式
→ 發布與持續修訂

這與目前常見的資料流程不同。

傳統流程偏向：

蒐集
→ 清理
→ 標註
→ 訓練

新的流程則更接近：

建模
→ 驗證
→ 編譯
→ 學習
→ 反饋
→ 修訂

資料不再只是靜態原料，而會逐漸接近一種可持續維護的知識基礎設施。

十、這個方向仍有重大風險

10.1 過度結構化

若每個知識單元都要求填寫數十個欄位，資料製造成本可能高到無法擴張。

因此，需要區分：

最小核心欄位；
領域擴充欄位；
高風險領域必填欄位；
可自動生成欄位；
必須人工審查欄位。

10.2 偽驗證

驗證器可能有錯，形式化也可能錯。

一個錯誤命題若被錯誤形式化，再由工具成功證明，只能說明工具證明了那個錯誤形式化版本，不能證明原始自然語言命題。

因此必須分離：

語義對齊
形式正確
執行正確
外部真實性

10.3 結構化不等於理解

模型可能只是記住欄位與模板，而沒有真正學到概念。

這需要透過：

不同表面格式；
遮罩欄位；
跨表示測試；
新情境遷移；
未見變種；

來檢驗。

10.4 變種資料可能造成虛假多樣性

替換數字、人物或背景，不代表產生了新的認知挑戰。

真正有效的變種應包括：

條件變更；
缺失假設；
反例；
逆向問題；
邊界擴張；
錯誤診斷；
工具選擇；
跨表示轉換。

10.5 建設成本可能過高

建立完整證據鏈、來源版本與驗證記錄，成本必然高於普通資料生成。

因此，這種方法未必適合所有內容。

較可能的起點是：

數學；
程式設計；
科學計算；
工程規格；
高風險知識；
評測集；
Agent 工具任務。

十一、可反證的研究命題

為避免這個方向停留在概念宣言，至少可以提出以下可測試命題。

命題一：適用域標記可降低錯誤外推

加入判斷域、假設與排除條件後，模型在越界問題上的錯答率應顯著下降。

若無差異，則說明這些欄位未被模型有效利用，或呈現方式需要修改。

命題二：反例與錯誤分類可改善診斷

接受正例、反例與錯誤類型訓練的模型，應比只接受正確答案的模型更能指出錯誤原因。

命題三：證據等級可改善校準

模型若接觸不同證據級別，應更能區分：

形式證明
有限窮舉
隨機測試
統計支持
未驗證猜想

若模型仍以相近信心表達所有內容，則證據標記沒有成功轉化為校準能力。

命題四：概念依賴圖可改善學習順序

依照先備概念安排的資料順序，應比完全隨機順序在部分任務上具有更高樣本效率或更穩定遷移。

命題五：結構化工具任務可降低 Agent 探索成本

使用標準化能力描述的 Agent，應比只使用終端文字的 Agent：

執行更少環境探索命令；
產生更少無效重試；
更快取得可驗證結果；
更容易重現。

命題六：家族切分可揭露虛假泛化

若評測按知識家族、模板與變種譜系切分，模型表現可能顯著低於隨機切分。

若確實如此，代表過去部分高分來自表面近似，而非真正泛化。

十二、建議的實驗比較

可以設計四組資料：

傳統問答資料；
加入概念與先備關係；
加入反例、條件與錯誤分類；
加入完整證據、來源與工具驗證。

比較指標包括：

一般正確率；
邊界辨識；
錯誤診斷；
反例生成；
信心校準；
工具選擇；
未知問題拒答；
跨表示轉換；
跨難度遷移；
家族外泛化；
Agent 執行成本。

只有當第四組在這些指標上穩定優於其他組別，才能合理主張完整知識單元確實帶來學習收益。

十三、可能的時代意義

過去的 AI 資料建設主要追求：

更多文本
更多對話
更多標註
更多程式碼

下一階段可能開始追求：

更清楚的知識位置
更完整的適用條件
更高密度的反例
更透明的證據鏈
更嚴格的資料譜系
更容易重現的工具結果

這不是單純的格式升級，而是資料觀念的變化。

資料不再只是供模型消化的內容，而可能成為：

可驗證的知識物件；
可重放的學習任務；
可審計的證據集合；
可持續修訂的公共基礎設施。

若這個方向成立，未來的資料品質競爭將不只發生在語料規模，也會發生在：

誰能建立更好的概念圖；
誰能生成更有價值的反例；
誰能清楚標示知識邊界；
誰能維持來源與版本；
誰能將同一知識轉化為多種學習視圖；
誰能讓人類與 AI 共同驗證與修訂。

十四、結論

AI 的下一次資料轉向，可能不是從十億筆資料走向一百億筆資料，而是從大量平面內容走向更少但更完整、更可驗證、更容易重用的知識單元。

這種知識單元不只回答：

答案是什麼？

也回答：

它屬於哪個概念？
在什麼條件下成立？
需要哪些先備知識？
哪些情況會失敗？
有哪些反例？
使用什麼方法驗證？
證據強度到哪裡？
來源與版本是什麼？
如何轉化為其他學習任務？

這個方向不應被神化。

它可能過度複雜，可能增加資料生產成本，也可能被模型當成另一種表面模板。形式驗證也不能自動解決自然語言意圖錯置、現實資料偏差與價值判斷問題。

但它至少提出了一個值得驗證的可能性：

當 AI 已能大量生成內容後，下一個瓶頸可能不再是內容不足，而是缺少能夠區分條件、邊界、證據與錯誤來源的知識結構。

若這個命題成立，未來的 AI 學習基礎設施，將逐漸從資料倉庫轉變為可驗證、可編譯、可修訂的知識供應系統。

附錄：核心命題

AI 學習資料的基本單位，可能由「輸入—輸出配對」逐步演化為同時包含概念位置、適用條件、正反例、證據強度、來源譜系與學習用途的可驗證知識單元。

從平面資料到可驗證知識單元_AI學習基礎設施可能出現的下一次轉向_v0.1