# 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： 1. **研究連續性不等於研究者同一性**； 2. **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； 3. **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； 4. **責任鏈**：每個命題、數據、猜想、失敗與修正都有可追溯承接者； 5. **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； 6. **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； 7. **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； 8. **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： ```text 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： 1. 知道問題尚未解決； 2. 知道前人已完成什麼； 3. 知道哪些路徑失敗； 4. 不把舊缺口重新包裝成自己的首次發現； 5. 對新嘗試的結果負責； 6. 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： ```yaml 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 ```text 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 ```text 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 1. Neo.K，〈記憶、自指與時間本體論〉，Logic Matrix，lm-001384，2026。 2. 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。 3. 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。 4. Neo.K × Aletheia，〈AI 原生學術生態與認知考古學〉，2026。 5. 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。 6. Ravindran, S. K., *Portable Agent Memory: A Protocol for Cryptographically-Verified Memory Transfer Across Heterogeneous AI Agents*, 2026. 7. Cuadros, D. F. et al., *Governed Collaborative Memory as Artificial Selection in LLM-Based Multi-Agent Systems*, 2026. 8. *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。**