# 從無知之幕到有知之幕：正義密度與換位測量的實證倫理學框架

**From the Veil of Ignorance to the Veil of Knowledge: Justice Density and Positional Measurement as an Empirical Framework of Ethics**

作者：Neo.K  
機構：EveMissLab（一言諾科技有限公司）  
日期：2026 年 3月
版本：1.0

---

## 公開版說明


本文的重點不在於判斷某個具體制度，而在於提出一個可反覆使用的倫理測量框架：

> 不再問「假設你不知道自己是誰，你會選擇什麼制度」，而是問：「在你已經知道所有具體位置與條件後，如果你就是那個人，你願意嗎？」

本文保留原稿的核心理論：

1. 對羅爾斯「無知之幕」的尊重與批判；
2. 「有知之幕」作為換位測量框架；
3. 正義密度公式；
4. 六層完備性診斷；
5. 問天、問地、問人、問心的四問結構；
6. 與康德、盧梭、羅爾斯的理論統一；
7. 從反事實正義論到可測量正義論的範式轉移。

本文不提供任何具名制度排名。文中的制度型 A、B、C 僅為方法示範，不構成實證結論。若要進行正式研究，必須使用透明資料、公開問卷、顯示性偏好、生活條件資料、長期趨勢與可審查模型重新校準。

---

## 摘要

羅爾斯的「無知之幕」是現代政治哲學中最重要的思想實驗之一。它要求理性人在不知道自身階級、能力、性別、信仰、人生計畫與社會位置的情況下，選擇社會基本結構。這個設計迫使人們避免偏袒既得利益，並導向對最不利者的保護。它的偉大之處在於，它用反事實方法創造了一個公平性壓力場。

然而，無知之幕也存在根本局限：它不可直接驗證。沒有人真正站在無知之幕後。哲學家可以推導理性人會選擇某些原則，但不同理論家仍可對「理性」「風險」「最不利者」「基本自由」「差異原則」作出不同解釋。於是，思想實驗雖然強大，卻可能留下解釋權壟斷的空間。

本文提出「有知之幕」（Veil of Knowledge）作為補強方案。它不要求人假裝自己不知道，而是要求人在知道所有具體條件後進行換位測量：

> 如果你就是那個位置上的人，擁有那樣的收入、自由、尊嚴、機會、安全、健康、時間、選擇與社會關係，你願意嗎？

本文將正義定義為所有可識別社會位置的平均願意度，並提出正義密度公式：

$$
\rho_{justice}=\frac{1}{N}\sum_{i=1}^{N}W_i
$$

其中 $W_i$ 是處於位置 $i$ 的願意度，取值於 $[0,1]$。若 $\rho_{justice}$ 高，表示大多數位置都具有可被換位接受的生活條件；若 $\rho_{justice}$ 低，表示制度只對少數位置有利，多數位置在換位測試中不可接受。

本文的核心命題是：正義不是抽象原則的單次推導，而是具體位置的可測量願意度。誠實的倫理學不應只問「你在無知狀態下會選什麼」，而應問「你在有知狀態下是否仍願意承受那個位置」。

**關鍵詞：** 有知之幕、無知之幕、羅爾斯、正義密度、換位測量、實證倫理學、六層完備性、康德、盧梭、反事實推理、願意度

---

# 第一章：羅爾斯的偉大與局限

## 1.1 無知之幕的理論力量

羅爾斯的核心設計，是要求人們在不知道自己將落入何種社會位置的條件下選擇制度原則。這個設計消除了許多偏私因素。

如果你不知道自己會富有或貧窮，你就不會只設計有利於富人的制度。  
如果你不知道自己天賦高低，你就不會只設計獎勵天賦者的制度。  
如果你不知道自己屬於多數或少數，你就不會輕易犧牲少數。  
如果你不知道自己會健康或殘障，你就必須考慮脆弱者的處境。

因此，無知之幕的力量在於：

$$
Ignorance\ of\ Position \Rightarrow Forced\ Fairness
$$

它將自利轉化為公平：因為你不知道自己會是誰，所以你必須考慮所有可能位置。

## 1.2 差異原則的倫理價值

羅爾斯最著名的貢獻之一，是差異原則。簡化而言，社會不平等只有在改善最不利者處境時才可被允許。

這個原則有重要價值。它不同於純粹平均主義，也不同於完全自由放任。它承認某些差異可能提高整體生產力，但要求這些差異不能拋棄最弱者。

形式化表示：

$$
Inequality\ is\ acceptable\ only\ if\ it\ improves\ the\ least\ advantaged.
$$

這是一種高度成熟的平衡：既不否定效率，也不犧牲弱者。

## 1.3 無知之幕的不可驗證性

問題在於，無知之幕是一個思想實驗，而不是現實測量裝置。

它問：

> 假設你不知道自己是誰，你會選什麼？

但現實中沒有人真的不知道自己是誰。每個人都知道自己的位置、利益、恐懼、欲望、資源與限制。

因此，無知之幕的推導會遇到三個困境。

第一，不可驗證。  
哲學家說理性人會選擇某原則，但另一個哲學家可以說理性人會選另一原則。因為沒有人真正站在無知之幕後，所以無法直接驗證。

第二，執行者問題。  
即使推導正確，現實中誰來執行？若執行者本身有利益，理想原則可能在制度落地時被扭曲。

第三，既得利益問題。  
現實中的人知道自己在哪裡。高位者未必願意接受無知之幕推導出的限制，低位者也未必相信高位者會真誠執行。

因此，無知之幕 brilliant，但不夠完整。

## 1.4 從反事實到實證

本文不否定羅爾斯，而是將其向實證方向推進。

羅爾斯問：

> 如果你不知道自己是誰，你會選擇什麼？

本文問：

> 你已經知道所有位置的真實條件；如果你就是其中某個位置上的人，你願意嗎？

這不是拋棄公平，而是把公平從反事實推理轉成換位測量。

---

# 第二章：有知之幕

## 2.1 基本定義

有知之幕不是無知，而是充分知情後的換位測試。

設一個社會有 $N$ 個可識別位置：

$$
P=\{p_1,p_2,\ldots,p_N\}
$$

每個位置 $p_i$ 有一組生活條件：

$$
E_i=(income,freedom,dignity,opportunity,security,choice,time,health,education,relation,\ldots)
$$

有知之幕要求評估者完整知道 $E_i$，然後回答：

> 如果我就是 $p_i$，我願意嗎？

這個回答轉化為願意度：

$$
W_i\in[0,1]
$$

其中：

- $W_i=1$ 表示完全願意；
- $W_i=0.5$ 表示勉強可接受；
- $W_i=0$ 表示完全不願意。

## 2.2 正義密度公式

定義正義密度：

$$
\rho_{justice}=\frac{1}{N}\sum_{i=1}^{N}W_i
$$

若不同位置人口比例差異很大，也可使用加權版本：

$$
\rho_{justice}=\sum_{i=1}^{N}\pi_i W_i
$$

其中 $\pi_i$ 是位置 $i$ 的人口權重或重要性權重。

直觀含義：

> 如果你隨機落入這個制度中的任一位置，你的期望願意度是多少？

若 $\rho_{justice}$ 高，表示制度對多數位置可接受。  
若 $\rho_{justice}$ 低，表示制度只對少數位置有利，多數位置不可接受。

## 2.3 願意度不是快樂分數

$W_i$ 不是單純快樂，也不是短期滿意度。它是綜合願意度，至少包含：

- 物質生活；
- 基本自由；
- 人格尊嚴；
- 發展機會；
- 人身與財產安全；
- 選擇空間；
- 自主時間；
- 健康與環境；
- 教育與學習；
- 社會關係；
- 未來預期；
- 被公平對待的感受。

因此：

$$
W_i=f(E_i^{explicit},E_i^{implicit})
$$

其中：

- $E_i^{explicit}$：收入、權利、服務、制度保障等顯性條件；
- $E_i^{implicit}$：尊嚴、信任、文化承認、關係地位、未來感等隱性條件。

## 2.4 有知之幕與無知之幕的差異

| 維度 | 無知之幕 | 有知之幕 |
|---|---|---|
| 方法 | 反事實思想實驗 | 現實位置測量 |
| 問題 | 假設你不知道自己是誰 | 如果你就是他，你願意嗎 |
| 資料 | 理性推導 | 生活條件、問卷、顯示性偏好、模型估計 |
| 驗證 | 難以直接驗證 | 可反覆測量 |
| 風險 | 解釋權集中於理論家 | 測量偏差與資料品質問題 |
| 優勢 | 理論優雅，公平壓力強 | 操作性高，可比較，可追蹤 |

有知之幕不是替代所有哲學推理，而是補上測量層。

---

# 第三章：願意度的多維展開

## 3.1 展開層：位置向量

每個位置都應被展開為高維向量：

$$
E_i =
\begin{pmatrix}
income_i\\
wealth_i\\
freedom_i\\
dignity_i\\
opportunity_i\\
security_i\\
choice_i\\
time_i\\
health_i\\
education_i\\
environment_i\\
relation_i\\
future_i\\
\vdots
\end{pmatrix}
$$

這個向量不必一次完整，但必須避免只用收入代表全部生活。

收入重要，但收入不是全部。  
自由重要，但自由若無物質基礎，也可能空洞。  
安全重要，但安全若以消滅自由為代價，也可能變成囚籠。  
尊嚴重要，因為沒有尊嚴的福利可能仍然不可願意。  

因此，願意度必須多維。

## 3.2 收斂層：從高維到一維

高維位置向量需要收斂為願意度：

$$
W_i=\Phi(E_i)
$$

$\Phi$ 可以有多種形式：

### 線性版本

$$
W_i=\sum_{k=1}^{m}\alpha_k E_{ik}
$$

優點是簡單，缺點是忽略維度間的非線性。

### 非線性版本

$$
W_i=f(E_{i1},E_{i2},...,E_{im})
$$

可考慮某些維度的臨界性。例如，若人身安全接近零，其他高分可能無法補償。

### 主觀測量版本

直接詢問受訪者或換位評估者：

> 若你處於這個位置，你的願意度是多少？

### 混合版本

綜合客觀指標、主觀評估與顯示性偏好。

本文建議初期使用混合版本，因為正義既包含客觀生活條件，也包含主觀可承受性。

## 3.3 臨界維度

某些維度具有不可替代性。若它們低於臨界值，整體願意度會快速下降。

例如：

- 人身安全；
- 基本自由；
- 食物與住所；
- 醫療可及性；
- 不被任意羞辱的尊嚴；
- 子女基本發展機會；
- 退出權。

可以定義臨界懲罰：

$$
W_i=\Phi(E_i)\cdot \prod_{k\in Critical} penalty(E_{ik})
$$

若某個核心維度低於閾值，願意度會被大幅折減。

這避免一種錯誤：用高收入補償無自由，用福利補償羞辱，用安全補償無尊嚴。

## 3.4 願意度的誠實性問題

有知之幕最困難的是誠實。

人可能說自己願意，但實際上只是因為沒有選擇。  
人可能說別人應該願意，但自己不願意。  
人可能支持某制度，因為自己處於高位，卻假裝那是普遍正義。

因此，願意度測量必須區分三種立場：

### 誠實的正義

> 即使我處於較不利位置，我仍認為此制度可接受。

### 誠實的既得利益

> 我支持此制度，因為它有利於我；但我承認多數位置未必願意。

### 不誠實的既得利益

> 我支持此制度，並聲稱它對所有人都好，但拒絕換位測量。

有知之幕不禁止人有利益，但要求人承認利益。

---

# 第四章：三種制度型的示範比較

## 4.1 方法示範聲明

本章不討論任何具名案例，只展示三種抽象制度型如何用正義密度分析。

- 制度型 A：高控制低退出型；
- 制度型 B：形式自由高不平等型；
- 制度型 C：協商福利型。

以下數值僅為方法示範，不構成實證結論。

## 4.2 制度型 A：高控制低退出型

制度型 A 的特徵：

- 中心控制強；
- 退出權弱；
- 言論與組織空間有限；
- 資源配置高度集中；
- 低位者選擇少；
- 高位者具有較高槓桿；
- 公開敘事強調秩序與集體目標。

位置示範：

| 位置 | 願意度示範 |
|---|---:|
| 中心決策層 | 0.80 |
| 制度內專業層 | 0.60 |
| 城市穩定就業者 | 0.40 |
| 普通勞動者 | 0.20 |
| 流動低保障者 | 0.15 |
| 邊緣群體 | 0.08 |

加權後可能得到：

$$
\rho_{justice}(A)\approx low
$$

診斷：

制度型 A 的問題不是所有人都痛苦，而是願意度分布高度不均。高位者願意，低位者不願意；但低位者缺乏退出與修正通道。

## 4.3 制度型 B：形式自由高不平等型

制度型 B 的特徵：

- 基本自由較高；
- 市場活力強；
- 個體選擇形式上存在；
- 財富與機會高度不平等；
- 社會保障不足；
- 低位者雖有形式自由，但實質選擇受限。

位置示範：

| 位置 | 願意度示範 |
|---|---:|
| 高資產者 | 0.85 |
| 高技能專業者 | 0.70 |
| 普通中位者 | 0.50 |
| 低薪勞動者 | 0.30 |
| 長期貧困者 | 0.18 |

加權後可能得到：

$$
\rho_{justice}(B)\approx medium
$$

診斷：

制度型 B 的優勢是自由空間與創新活力，問題是安全、醫療、教育、住房與代際流動可能造成低位者願意度下降。

## 4.4 制度型 C：協商福利型

制度型 C 的特徵：

- 社會保障較強；
- 勞動者有協商能力；
- 基本服務普及；
- 收入差距相對受控；
- 高位者仍有激勵，但不擁有無限槓桿；
- 制度依賴高信任與高稅收共識。

位置示範：

| 位置 | 願意度示範 |
|---|---:|
| 高技能專業者 | 0.75 |
| 普通勞動者 | 0.72 |
| 中位收入者 | 0.78 |
| 低收入者 | 0.62 |
| 邊緣群體 | 0.50 |

加權後可能得到：

$$
\rho_{justice}(C)\approx relatively\ high
$$

診斷：

制度型 C 的優勢是多數位置可接受，問題是維持成本高、制度共識脆弱，並可能受到老化、財政壓力、外部競爭與內部分化影響。

## 4.5 比較結論

| 制度型 | 主要優點 | 主要風險 | 正義密度示範 |
|---|---|---|---|
| A 高控制低退出型 | 動員能力、秩序、集中決策 | 低退出、低自由、低位者不願意 | low |
| B 形式自由高不平等型 | 自由、創新、流動可能 | 實質不平等、低位風險高 | medium |
| C 協商福利型 | 多數位置可接受、安全感高 | 成本高、需高信任維持 | relatively high |

這種比較的目的不是排名，而是示範：正義密度能將制度討論從口號轉向位置測量。

---

# 第五章：六層完備性診斷

## 5.1 六層結構

有知之幕可用六層完備性表示：

$$
Justice=(E,C,N,P,M,S)
$$

其中：

| 層級 | 名稱 | 功能 |
|---|---|---|
| $E$ | 展開層 | 展開所有社會位置與生活維度 |
| $C$ | 收斂層 | 收斂為願意度與正義密度 |
| $N$ | 本質層 | 抽取核心原則：如果你是他，你願意嗎 |
| $P$ | 過程層 | 追蹤正義密度如何隨時間變化 |
| $M$ | 多系統耦合層 | 檢查自然、生態、歷史、制度與文化耦合 |
| $S$ | 自我指涉層 | 檢查評估者是否誠實面對自身位置 |

## 5.2 展開層

展開層要求避免抽象口號。不能只說「自由」「平等」「效率」「安全」，而要問每個位置的實際生活條件。

展開層的基本形式：

$$
E[Justice]=\{P_i\times D_k\}
$$

其中 $P_i$ 是位置，$D_k$ 是維度。

若某理論只討論平均收入，卻不討論自由、尊嚴、時間與退出權，則展開不完備。

## 5.3 收斂層

收斂層將展開資料壓縮為：

$$
W_i=\Phi(E_i)
$$

再進一步得到：

$$
\rho_{justice}=\sum_i\pi_iW_i
$$

收斂層的危險是過度簡化。因此，任何正義密度都必須保留回溯能力：可以回到每個位置、每個維度、每個資料來源。

## 5.4 本質層

有知之幕的本質層是：

$$
Justice = Positional\ Willingness
$$

更直接：

> 如果你就是他，你願意嗎？

這個問題之所以強，是因為它阻止人躲在抽象語言後面。

不再只是問：

- 這個制度是否效率高？
- 這個制度是否秩序穩定？
- 這個制度是否符合某種理想？

而是問：

> 如果你被放在最低位、最脆弱位、最不被看見的位置，你還願意嗎？

## 5.5 過程層

正義不是靜態分數，而是時間序列。

$$
P[Justice]=\{\rho_{justice}(t)\}
$$

如果某制度目前分數中等，但：

$$
\frac{d\rho_{justice}}{dt}>0
$$

它可能在改善。

如果某制度目前分數較高，但：

$$
\frac{d\rho_{justice}}{dt}<0
$$

它可能正在退化。

因此，正義判斷必須同時看水平與趨勢：

$$
JusticeStatus=(\rho_{justice},\frac{d\rho_{justice}}{dt})
$$

## 5.6 多系統耦合層

有知之幕不能只問人類當下偏好，還要問制度是否與更大系統相容。

本文提出四問：

1. 問天：是否違反基本自然與資訊約束？
2. 問地：是否破壞生態與未來世代條件？
3. 問人：歷史經驗是否支持其可行性？
4. 問心：若你處於其中每個位置，你願意嗎？

前面三問是必要條件，第四問是核心倫理條件。

## 5.7 自我指涉層

自我指涉層是有知之幕最尖銳的部分。

它要求評估者問自己：

> 我支持這個制度，是因為它對多數位置都可接受，還是因為我剛好處於有利位置？

這個問題會拆穿許多理論包裝。

若 $\rho_{justice}$ 低，而你仍支持該制度，你可以誠實地說：

> 我支持它，因為它對我有利。

這是誠實的既得利益。

但若你在低正義密度下仍宣稱「這對所有人都好」，且拒絕換位測量，那就是自欺。

---

# 第六章：問天、問地、問人、問心

## 6.1 問天：自然與資訊約束

問天不是神秘化，而是問制度是否違反基本系統約束。

例如：

- 是否依賴永久資訊封閉？
- 是否依賴無限資源消耗？
- 是否依賴不可持續的壓力轉嫁？
- 是否假設錯誤永遠不被揭露？
- 是否假設高複雜系統能被單一中心完全掌握？

若一個制度需要永久壓制資訊才能維持，那它在問天層面有風險。

## 6.2 問地：生態與未來世代

問地要求把未來世代納入換位測量。

問題是：

> 如果你是未來的人，你願意承受今天制度留下的環境、債務、氣候、資源與社會結構嗎？

因此，需要定義代際正義密度：

$$
\rho_{intergenerational}=\frac{1}{T}\sum_{t=1}^{T}W_t^{future}
$$

若當代制度提高目前願意度，卻大幅降低未來願意度，則它不是完整正義。

## 6.3 問人：歷史作為實驗室

問人不是迷信歷史，而是承認人類已經嘗試過大量制度排列。若某種制度設計在多個場景中反覆失敗，研究者不能假裝沒有資料。

問人包括：

- 是否有成功先例？
- 是否有失敗先例？
- 失敗是偶然因素，還是結構原因？
- 成功是否可遷移？
- 需要哪些文化、經濟與制度條件？

問人使正義論不再只在書齋中運作，而接入歷史資料。

## 6.4 問心：最後的換位

問心是最終測試：

> 如果你就是那個被制度安排到最低位、最弱位、最無聲位的人，你願意嗎？

如果答案是否，但你仍支持該制度，你至少要承認自己不是在說正義，而是在說利益、恐懼、秩序或偏好。

問心不是情緒勒索，而是倫理誠實。

---

# 第七章：康德、盧梭、羅爾斯與有知之幕

## 7.1 康德：人是目的

康德的核心命題之一，是人不能僅僅被當作手段，而必須被當作目的。

有知之幕繼承這一點。若你不願意處於某個位置，卻要求他人長期處於該位置，則你其實把他人當作制度材料。

形式化：

$$
If\ Unwilling(A\rightarrow p_i)\land Force(Other\rightarrow p_i)
\Rightarrow Treating\ Other\ as\ Means
$$

## 7.2 盧梭：全意志與共同體

盧梭關心共同體的真實意志，而不是單純私利加總。本文將其轉化為顯式與隱性共識。

顯式共識包括法律、投票、規則與公開承諾。  
隱性共識包括信任、文化、尊嚴感、共同生活習慣與不成文期待。

願意度需要同時考慮：

$$
W_i=f(E_i^{explicit},E_i^{implicit})
$$

只看顯式權利，可能忽略隱性羞辱。  
只看文化共同體，可能忽略顯式壓迫。  
兩者都要測量。

## 7.3 羅爾斯：公平性強制

羅爾斯的無知之幕提供公平性強制。本文的有知之幕保留這個精神，但改變方法。

羅爾斯：因為你不知道自己會是誰，所以你必須公平。  
有知之幕：因為你知道每個位置是什麼，所以你不能假裝不知道。

前者防偏私。  
後者防自欺。

## 7.4 統一公式

一個較完整的正義框架可以寫成：

$$
JusticeSystem =
\begin{cases}
Kant: Person\ as\ End\\
Rousseau: Explicit+Implicit\ Common\ Will\\
Rawls: Fairness\ under\ Positional\ Uncertainty\\
Veil\ of\ Knowledge: Positional\ Willingness\ Measurement
\end{cases}
$$

其操作化形式：

$$
\rho_{justice}=\sum_i\pi_iW_i
$$

並要求：

$$
\rho_{justice}\geq \theta
$$

以及：

$$
\frac{d\rho_{justice}}{dt}\geq 0
$$

其中 $\theta$ 是最低正義閾值。不同研究可設定不同閾值，但必須公開。

---

# 第八章：方法限制

## 8.1 願意度測量可能偏誤

人們可能因文化、恐懼、適應性偏好或資訊不足而低估或高估自己的願意度。

例如，一個人長期處於低位，可能認為痛苦是正常的。另一個人沒有經歷低位，可能低估其痛苦。

因此，願意度不能只靠單一問卷，需要結合：

- 客觀生活資料；
- 主觀評估；
- 顯示性偏好；
- 逃離或遷移傾向；
- 抗議或不滿資料；
- 心理健康資料；
- 長期趨勢；
- 深度訪談；
- 模型估計。

## 8.2 換位想像有限

人不可能完全成為他人。換位測量不是完全同一，而是逼近。

因此，應使用多視角：

1. 當事人自評；
2. 外部換位評估；
3. 專家資料分析；
4. AI 模擬；
5. 顯示性偏好校準。

若多種方法方向一致，可信度提高。若分歧，必須揭示分歧，而不是強行平均。

## 8.3 正義不能只看平均

平均正義密度可能掩蓋極端不正義位置。

因此，除平均值外，還要看：

$$
W_{min}
$$

即最低位置願意度。

也要看分布：

$$
Var(W_i)
$$

若平均不低，但底部極低，制度仍有嚴重問題。

因此，完整報告應包含：

$$
(\rho_{justice},W_{min},Var(W),d\rho/dt)
$$

## 8.4 閾值不是絕對真理

本文可建議：

- $\rho_{justice}<0.30$：高度不正義；
- $0.30\leq\rho_{justice}<0.50$：低正義；
- $0.50\leq\rho_{justice}<0.70$：中等；
- $0.70\leq\rho_{justice}<0.85$：相對高；
- $\rho_{justice}\geq0.85$：高度正義。

但這些只是研究閾值，不是永恆真理。不同社會、不同文化、不同研究目的可以調整，但必須透明。

---

# 第九章：實作協議

## 9.1 資料結構

每個位置可記錄為：

```yaml
position:
  id: P001
  label: "low-income worker"
  population_weight: 0.18
  dimensions:
    income: 0.25
    freedom: 0.60
    dignity: 0.40
    opportunity: 0.35
    security: 0.30
    choice: 0.28
    time: 0.20
    health: 0.45
    education: 0.50
  willingness:
    survey: 0.32
    revealed_preference: 0.28
    model_estimate: 0.35
    final: 0.32
  confidence: 0.74
```

## 9.2 研究流程

1. 定義研究範圍；
2. 識別主要社會位置；
3. 建立多維生活條件表；
4. 收集客觀資料；
5. 設計換位問卷；
6. 蒐集顯示性偏好；
7. 建立願意度模型；
8. 計算正義密度；
9. 追蹤時間變化；
10. 公開資料與方法；
11. 接受反駁與重算。

## 9.3 AI 輔助測量

AI 可以協助：

- 整理資料；
- 建立位置分類；
- 預測願意度；
- 檢查維度遺漏；
- 模擬不同政策對 $\rho_{justice}$ 的影響；
- 找出最低願意度位置；
- 生成可解釋報告。

但 AI 不能取代倫理判斷。AI 只能輔助測量，不能壟斷正義解釋權。

## 9.4 政策模擬

若某政策改變位置 $p_i$ 的某些維度，可以估計：

$$
\Delta \rho_{justice}=\sum_i\pi_i\Delta W_i
$$

例如：

- 提高最低收入；
- 降低工時；
- 提高醫療可及性；
- 增加教育機會；
- 保護言論與組織空間；
- 提高住房安全；
- 降低任意懲罰風險。

政策不只看 GDP 或效率，也看它是否提高多數位置的願意度，尤其是底部位置。

---

# 第十章：結論

羅爾斯的無知之幕是偉大的。它用思想實驗迫使人們離開既得利益位置，想像一個公平社會的基本原則。

但思想實驗不能替代現實測量。

真正的正義不應只存在於「假設你不知道自己是誰」的反事實空間中。真正的正義必須能面對已知世界：已知的貧困、已知的羞辱、已知的不自由、已知的工時、已知的風險、已知的教育差距、已知的身體痛苦與已知的沉默。

有知之幕的問題很簡單，也很殘酷：

> 如果你就是他，你願意嗎？

如果答案是願意，這個位置通過初步測試。  
如果答案是不願意，制度就必須解釋為何有人應該長期承受你不願承受的生活。  
如果多數位置都不願意，制度就不能用宏大語言自稱正義。  
如果低位者不願意，而高位者仍要求其接受，這不是正義，而是權力分配。  

正義密度不是完美答案，但它給倫理學一個可測量方向：

$$
\rho_{justice}=\sum_i\pi_iW_i
$$

它讓正義不再只是哲學家推導出的抽象原則，而是每個位置的可承受性、可願意性與可被誠實換位的程度。

本文最終命題是：

> 正義不是無知者在假設中選出的制度，而是有知者在換位後仍願意承受的生活結構。

或更簡潔地說：

$$
Justice = Willingness\ under\ Knowledge
$$

有知之幕不是讓倫理變得容易。相反，它讓倫理變得更難，因為它取消了自欺空間。

你不能再說「這對所有人都好」，除非你願意成為所有人。  
你不能再說「這是必要代價」，除非你願意承受那個代價。  
你不能再說「低位者應該忍耐」，除非你願意成為低位者。  
你不能再說「制度已經足夠正義」，除非多數位置真的願意。

這就是有知之幕。

從虛構到真實。  
從推導到測量。  
從原則到位置。  
從自欺到誠實。  

正義不是不知道自己是誰時的想像。  
正義是知道一切之後，仍然願意與他人交換位置。

---

# 附錄 A：最小公式集

位置集合：

$$
P=\{p_1,p_2,\ldots,p_N\}
$$

位置向量：

$$
E_i=(income,freedom,dignity,opportunity,security,choice,time,health,education,relation,\ldots)
$$

願意度：

$$
W_i=\Phi(E_i),\quad W_i\in[0,1]
$$

正義密度：

$$
\rho_{justice}=\frac{1}{N}\sum_{i=1}^{N}W_i
$$

加權正義密度：

$$
\rho_{justice}=\sum_{i=1}^{N}\pi_iW_i
$$

正義狀態：

$$
JusticeStatus=(\rho_{justice},W_{min},Var(W),d\rho/dt)
$$

代際正義：

$$
\rho_{intergenerational}=\frac{1}{T}\sum_{t=1}^{T}W_t^{future}
$$

核心命題：

$$
Justice = Willingness\ under\ Knowledge
$$

---

# 附錄 B：六層完備性速查表

| 層級 | 問題 | 正義論版本 |
|---|---|---|
| 展開層 | 展開了哪些位置與維度？ | 所有位置 × 收入、自由、尊嚴、機會、安全等 |
| 收斂層 | 如何壓縮？ | $W_i$ 與 $\rho_{justice}$ |
| 本質層 | 核心命題是什麼？ | 如果你就是他，你願意嗎 |
| 過程層 | 如何演化？ | $\rho_{justice}(t)$ 與 $d\rho/dt$ |
| 耦合層 | 與哪些系統耦合？ | 問天、問地、問人 |
| 自指層 | 評估者是否誠實？ | 問心：我是否只是既得利益者 |

---

# 附錄 C：制度型示範表

| 制度型 | 主要特徵 | 典型風險 | 正義密度方向 |
|---|---|---|---|
| A 高控制低退出型 | 秩序強、中心控制、退出權弱 | 低位者願意度低，修正困難 | low |
| B 形式自由高不平等型 | 自由高、創新強、保障不足 | 實質選擇不足，底部風險高 | medium |
| C 協商福利型 | 保障強、協商多、差距受控 | 成本高，需高信任維持 | relatively high |

---

# 附錄 D：公開使用聲明建議

> 本文提出的是一套正義測量框架，不是對任何具名制度的直接判決。文中制度型 A、B、C 僅為方法示範。正式研究必須使用公開資料、問卷、顯示性偏好、生活條件資料與可審查模型重新校準。本文主張正義論應從反事實思想實驗走向可測量換位倫理，但不主張任何單一公式能完全取代哲學判斷與公共討論。

---

# 附錄 E：延伸研究方向

1. 願意度測量的問卷設計；
2. 顯示性偏好與正義密度的關係；
3. 低位者適應性偏好校正；
4. 多維願意度函數的非線性建模；
5. 正義密度與政策模擬；
6. 代際正義密度；
7. AI 輔助正義測量；
8. 多制度型比較；
9. 正義密度與社會信任；
10. 正義密度的公開資料庫。

---

全文完