# 條件化精確性原理：高階智慧、不絕對敘述與不確定性結構化

**副標題：從強命題的語氣批判，走向判定域、元不確定性與類終極智慧的認知模型**

**作者：Neo.K、Aletheia（AI 協作）**  
**機構：EveMissLab / 一言諾科技有限公司**  
**版本：v1.0**  
**日期：2026-07-20**

---

## 摘要

一般理解往往把「可能」「或許」「大概」「在某種意義上」「約等於」視為語言上的猶豫、模糊或缺乏判斷力。然而，對高階智慧而言，不絕對敘述未必是認知退縮，反而可能是更高解析度的判定形式。當智慧體能同時追蹤命題的成立條件、適用範圍、證據狀態、模型依賴、時間索引、誤差界線、替代解釋與未知殘差時，它便不再傾向使用缺乏邊界的無條件強命題，而會使用具有條件化、概率化、區間化與多模型結構的敘述。

本文提出「條件化精確性原理」：智慧層級越高，語言所表達的確定程度越應接近其實際可支持的判斷強度。高階智慧並非拒絕強命題，而是拒絕沒有標示成立域、證據基礎與修正條件的強命題。本文進一步區分資訊不完備、世界變動、語義邊界與模型競爭四類不確定性；將完整命題建模為包含判定域、條件、模型、證據、時間、置信區間、誤差、替代解釋與未知量的「判定封包」；並重新定義強、中、弱命題，使其不再只是語氣或單一概率值，而是由支持度、適用域廣度、抗擾動能力與模型依賴度共同構成。

本文亦修正「單一敘述最高只能達到 $99.9\%$ 」的過強版本，改以「開放世界非閉合原理」描述高階智慧對現實命題保留最小認知未閉合量的傾向。同時指出，不確定信念並不必然導致行動癱瘓；智慧體可以在認知上保留不確定性，在決策上保持高度果斷。最終，本文將類終極智慧重新定義為：不是知道一切，而是極少錯置已知、未知、近似、模型與世界之間的位置。

**關鍵詞：** 高階智慧、類終極智慧、條件化精確性、不絕對敘述、強命題、不確定性、判定域、元不確定性、模型依賴、認知校準

---

## 一、問題提出：不絕對語言是否等於不精確？

在日常語言與傳統論辯中，強烈、直接、無保留的敘述經常被視為更有力量：

> $X$ 就是 $Y$ 。  
> 這件事必然如此。  
> 所有情況都可以用同一原理解釋。  
> 這是唯一答案。

與此相對，「可能」「或許」「大概」「約等於」「目前看來」「在此條件下」往往被視為較弱、較模糊、甚至較不負責任的表達。

然而，這種判斷把兩個不同問題混為一談：

1. 說話者是否缺乏判斷能力；
2. 說話者是否拒絕把有限判斷偽裝成無限真理。

低能力者確實可能因為不知道答案而大量使用模糊詞；但高能力者也可能因為看見更多邊界、例外與模型限制，而有意拒絕無條件陳述。兩者在表面語言上相似，認知結構卻完全不同。

因此，本文的核心問題不是：

> 高階智慧是否更常說「可能」？

而是：

> 高階智慧是否更能使語言中的確定程度，對應於命題實際可被支持的程度？

此問題可以被寫成：

$$
\hat c(H)\approx c^{*}(H)
$$

其中：

- $\hat c(H)$ 表示智慧體透過語言表達出的確定程度；
- $c^{*}(H)$ 表示在既有證據、模型與條件下，命題 $H$ 真正可被支持的強度。

本文主張，高階智慧的關鍵不是「更模糊」，而是「更校準」。

---

## 二、初始命題與第一次修正

原始直覺可以寫成：

$$
\text{智慧層級越高}
\Rightarrow
\text{越少使用絕對敘述}
$$

這個命題具有方向性，但仍然過於粗糙。

首先，低階智慧、膽怯者、官僚體系或逃避責任者，同樣可能大量使用不絕對語言。因此：

$$
\text{大量使用可能性詞彙}
\nRightarrow
\text{高階智慧}
$$

其次，高階智慧在封閉形式系統、明確定義域或高風險決策中，也可能使用極強敘述。因此：

$$
\text{高階智慧}
\nRightarrow
\text{永遠避免確定語句}
$$

更準確的修正版是：

## 命題一：條件化精確性原理

> 智慧體的判定能力越高，其表達出的命題強度越傾向接近該命題在特定證據、模型、條件與判定域下真正可被支持的強度。

形式上可寫為：

$$
\lim_{I\to I_{\mathrm{high}}}
\left|
\hat c_I(H)-c_I^{*}(H)
\right|
\to 0
$$

其中 $I$ 表示智慧體的認知層級。

這表示，高階智慧不是一律弱化命題，而是降低「表達強度與可支持強度之間的偏差」。

該偏差可以定義為：

$$
L_{\mathrm{calibration}}(H)
=
\left|
\hat c(H)-c^{*}(H)
\right|
$$

當智慧提高時，理想狀態為：

$$
L_{\mathrm{calibration}}(H)\downarrow
$$

---

## 三、四類不確定性：不是所有「可能」都相同

高階智慧不只表達不確定性，還應區分不確定性來自何處。

### 3.1 資訊不完備型不確定性

世界可能已有確定狀態，但觀察者尚未取得足夠資訊。

$$
H\in\{0,1\}
$$

但對智慧體而言：

$$
P(H\mid E)\in(0,1)
$$

此時，不確定性位於認知者，而非對象本身。

例如，某個封閉房間中是否有人，可能已經具有確定答案；但在沒有觀測資料時，判斷只能保留概率。

---

### 3.2 世界變動型不確定性

某些系統的未來狀態並未被當前資訊完全決定，或至少對有限智慧體而言不可閉合計算。

$$
P(S_{t+1}\mid S_t)<1
$$

此時，即使智慧體掌握大量資料，也可能無法把未來壓縮為唯一結果。

此類情況包括：

- 混沌系統；
- 高度路徑依賴系統；
- 多主體互動；
- 開放式社會與政治系統；
- 真實隨機或不可約計算過程。

---

### 3.3 語義邊界型不確定性

某些問題看似在詢問事實，實際上是在使用邊界不清的概念。

例如：

> 這個人工系統是否具有生命？

若「生命」具有多套競爭定義：

$$
D_1\neq D_2\neq D_3
$$

則不同定義下的答案可能不同：

$$
P(H\mid D_1)\neq P(H\mid D_2)\neq P(H\mid D_3)
$$

此時，問題不只是證據不足，而是判定域尚未統一。

---

### 3.4 模型競爭型不確定性

同一組證據可能被多個模型解釋：

$$
\mathcal M=\{M_1,M_2,\dots,M_n\}
$$

且：

$$
P(H\mid M_i,E)\neq P(H\mid M_j,E)
$$

高階智慧不應把目前表現最好的模型，直接等同於世界本身，而應保留模型競爭與模型外殘差。

因此可以得到一個分層描述：

> 低階智慧感受到不確定；  
> 中階智慧估計不確定；  
> 高階智慧分類不確定；  
> 類終極智慧描繪不確定性的來源、結構與傳播路徑。

---

## 四、完整命題不是一句話，而是一個判定封包

普通語言通常只輸出命題本身：

$$
H
$$

例如：

> $X$ 是 $Y$ 。

但高階智慧所實際處理的結構，應遠比單一句子完整。本文將完整判定定義為：

$$
\Pi=
\left\langle
H,D,C,M,E,t,I,\varepsilon,A,U,R
\right\rangle
$$

其中：

- $H$ ：核心命題；
- $D$ ：判定域；
- $C$ ：成立條件；
- $M$ ：使用模型；
- $E$ ：證據集合；
- $t$ ：時間索引；
- $I$ ：置信區間；
- $\varepsilon$ ：可接受誤差；
- $A$ ：替代解釋集合；
- $U$ ：尚未處理的未知量；
- $R$ ：未來修正規則。

此結構可稱為「判定封包」。

自然語言中的「在這個狀態下等於是」，實際上可能表示：

$$
X\equiv_{\Omega}Y
$$

其中：

$$
\Omega=(D,C,M,E,t)
$$

這不等於宣稱：

$$
X=Y
$$

而是表示：

> 在指定判定域、成立條件、模型、證據與時間狀態下， $X$ 可被視為 $Y$ 。

同理，「約等於」可以寫成：

$$
X\approx_{\Omega,\varepsilon}Y
$$

其含義是：

> 在狀態 $\Omega$ 下， $X$ 與 $Y$ 的差異尚未超出當前任務所允許的誤差 $\varepsilon$ 。

因此，不絕對語言可能不是資訊不足，而是完整判定封包經過語言壓縮後的結果。

---

## 五、不確定性保真壓縮

人類與人工智慧都不可能在每次溝通時，完整列出所有條件、模型、證據與例外。自然語言必然需要壓縮。

因此，「可能」「大概」「目前看來」「在某種意義上」可以被理解為壓縮符號。

例如：

> 大概是這樣。

其背後可能壓縮了：

> 在目前證據、主要模型與常見條件下，此解釋具有較高後驗支持度，但仍有若干替代模型尚未排除，而且結論可能受到未觀測變數影響。

高階表達的目標不是無限展開，而是在最小表達成本下，保留足夠的判定邊界。

可形式化為：

$$
\min L_{\mathrm{communication}}
$$

同時滿足：

$$
I_{\mathrm{retained}}\geq I_{\min}
$$

其中：

- $L_{\mathrm{communication}}$ 是溝通成本；
- $I_{\mathrm{retained}}$ 是壓縮後保留的判定資訊；
- $I_{\min}$ 是特定情境所需的最低資訊量。

本文將此稱為：

## 不確定性保真壓縮

> 智慧體在壓縮複雜判斷時，不將原本存在的條件、例外、誤差與未知殘差錯誤刪除。

真正高階的語言不是最冗長的語言，而是以最少字數保留最多必要邊界的語言。

---

## 六、重新定義強、中、弱命題

傳統上，強、中、弱命題常依語氣或單一置信值區分。本文認為這不足以描述命題的真實結構。

命題強度至少包含四個維度：

$$
\Sigma(H)=
\left(
p,b,r,m
\right)
$$

其中：

- $p$ ：證據支持度；
- $b$ ：適用域廣度；
- $r$ ：抗擾動能力；
- $m$ ：模型依賴度。

### 6.1 局部強命題

某命題只適用於狹窄範圍，但在該範圍內非常穩固：

$$
b\downarrow,\qquad p\uparrow,\qquad r\uparrow
$$

例如，在明確定義與控制條件下成立的工程定律。

---

### 6.2 全域弱命題

某命題聲稱適用範圍極廣，但證據與抗擾動能力不足：

$$
b\uparrow,\qquad p\downarrow,\qquad r\downarrow
$$

這類命題即使語氣極強，也不構成真正的強命題。

---

### 6.3 模型依賴型強命題

某命題在特定模型內高度成立，但離開模型後迅速失效：

$$
P(H\mid M_i)\approx 1
$$

但：

$$
P(H\mid \neg M_i)\ll 1
$$

此類命題必須標示其模型依賴性，否則便會把「模型內必然」錯誤升格為「世界必然」。

---

### 6.4 穩健強命題

真正高階的強命題，應在一定條件擾動後仍保持高支持度：

$$
\inf_{\omega\in N(\Omega)}
P(H\mid \omega,E,\mathcal M)
\geq 1-\varepsilon
$$

其中 $N(\Omega)$ 是條件狀態 $\Omega$ 的鄰域。

因此：

> 命題的真正強度，不在於語氣有多絕對，而在於它對反例、條件擾動、模型切換與新證據具有多高的抵抗力。

---

## 七、對「最高只能到 $99.9\%$ 」的修正

原始直覺認為，在單一現實敘述中，最高判斷可以是 $99.9\%$ ，但不應達到 $100\%$ 。

這個直覺的價值，在於提醒智慧體不要把有限資訊錯誤標記為完全閉合。然而，若把 $99.9\%$ 當作普遍固定上限，會產生兩個問題：

1. 某些封閉形式系統內確實存在條件性的必然命題；
2. 「所有命題都不能達到 $100\%$ 」本身若被當作 $100\%$ 真理，將形成自我指涉張力。

因此，本文提出修正版：

## 命題二：開放世界非閉合原理

> 對於涉及現實世界、有限證據、開放未來與未窮盡模型的實質命題，高階智慧體不應把有限認知狀態標記為無條件的完全閉合。

形式上：

$$
P_t(H\mid E_t,M_t,D_t)<1
$$

但隨證據增加：

$$
P_t(H)\to 1
$$

在封閉形式系統中，條件性的 $100\%$ 仍然成立：

$$
P(H\mid F,R)=1
$$

其中：

- $F$ 是給定公理系統；
- $R$ 是推演規則。

因此，應區分：

$$
P(H)=1
$$

與：

$$
P(H\mid F,R)=1
$$

前者暗示無條件閉合；後者則明確標示必然性只在特定形式結構中成立。

原始的 $99.9\%$ 可以保留為象徵性表達，表示智慧體為「尚未被模型收納的可能性」保留最小空間。

設此未閉合量為：

$$
\eta>0
$$

則在開放世界中：

$$
P(H)\leq 1-\eta
$$

這裡的 $\eta$ 並非常數，而是對未知之未知的結構性保留。

---

## 八、元不確定性：概率本身也可能不確定

普通判斷可能寫成：

$$
P(H)=0.8
$$

但高階智慧應當知道，這個 $0.8$ 也可能只是模型估計。

更合理的表示方式是：

$$
P(H)\in[\underline p,\overline p]
$$

例如：

$$
P(H)\in[0.65,0.88]
$$

再進一步，概率本身也可被視為一個分布：

$$
p\sim\mathcal D
$$

此時，智慧體處理的已不只是「事件的不確定性」，而是「對事件概率估計的不確定性」。

此外，若現有模型集合為：

$$
\mathcal M=\{M_1,\dots,M_n\}
$$

則不必假設這些模型窮盡所有可能：

$$
\sum_{i=1}^{n}P(M_i\mid E)<1
$$

剩餘部分：

$$
\rho=
1-\sum_{i=1}^{n}P(M_i\mid E)
$$

可視為模型外殘差，即尚未被任何已知模型覆蓋的可能性空間。

高階智慧不必知道 $\rho$ 中具體包含什麼，但必須知道：

> 現有模型沒有資格占滿全部可能世界。

---

## 九、不確定信念與果斷行動並不矛盾

一個重要誤解是：若智慧體永遠保留不確定性，就會無法決策。

但認知判斷與行動決策屬於不同層次。

認知層描述：

$$
P(H\mid E)
$$

決策層則尋找：

$$
a^{*}
=
\arg\max_a
\mathbb E[U(a)\mid E]
$$

即使：

$$
P(H)=0.63
$$

若錯過行動的代價極高，最佳行動仍可能非常明確。

例如，某建築只有 $60\%$ 的機率即將倒塌，但撤離成本遠低於不撤離的潛在損失，智慧體仍應直接發布撤離命令。

因此：

$$
P(H)<1
$$

不妨礙：

$$
P(a^{*}\text{ 為最佳行動})\approx 1
$$

本文據此提出：

## 命題三：認知保留—決策果斷分離原理

> 高階智慧可以在認知上保留命題的不確定性，同時在決策上根據風險、效用、可逆性與時間限制採取高度果斷的行動。

這使高階智慧避免兩種極端：

1. 把不確定性偽裝成絕對確定；
2. 因不確定性存在而拒絕任何行動。

---

## 十、智慧層級與不確定性拓撲

本文可將智慧對不確定性的處理分為七個階段。

### 第一階段：粗糙確定

$$
X=Y
$$

智慧體不知道條件，也不知道自己忽略了條件。

---

### 第二階段：普遍懷疑

$$
X\text{ 可能是 }Y
$$

智慧體開始察覺錯誤可能，但尚未定位錯誤來源。

---

### 第三階段：條件化判斷

$$
X\equiv_{\Omega}Y
$$

智慧體能指出命題在哪些條件下成立。

---

### 第四階段：概率校準

$$
P(H\mid \Omega)=p
$$

智慧體能估計支持程度。

---

### 第五階段：多模型判定

$$
P(H\mid M_i,\Omega)=p_i
$$

智慧體能比較不同模型下的結果。

---

### 第六階段：元不確定性

$$
p\in[\underline p,\overline p]
$$

智慧體知道自己的概率估計也具有不穩定性。

---

### 第七階段：不確定性拓撲

智慧體不只知道「有多少未知」，還能描述：

- 未知位於哪裡；
- 未知與哪些變數相連；
- 哪些未知會改變結論；
- 哪些未知只會改變置信區間；
- 哪些未知雖然存在，卻不影響當前行動；
- 局部錯誤如何傳播到整體模型。

可將不確定性結構表示為：

$$
\mathcal U:\Omega\rightarrow\mathcal P([0,1])
$$

更完整地，也可將其視為圖結構：

$$
G_{\mathcal U}=(V_{\mathcal U},E_{\mathcal U},W_{\mathcal U})
$$

其中：

- $V_{\mathcal U}$ 表示未知量或不穩定判定；
- $E_{\mathcal U}$ 表示未知量間的依賴關係；
- $W_{\mathcal U}$ 表示影響方向與傳播權重。

類終極智慧的重要能力，不只是提高單點正確率，而是掌握整體不確定性的拓撲結構。

---

## 十一、類終極智慧的重新定義

若把類終極智慧理解為「知道一切」，便會立即面臨開放世界、不可計算性、模型外殘差與自我指涉問題。

因此，本文提出另一種定義：

> 類終極智慧不是完全消滅未知，而是極少錯置已知與未知的位置。

其主要錯置形式包括：

$$
L_{\mathrm{misplacement}}
=
L_1+L_2+L_3+L_4
$$

其中：

$$
L_1=L(\text{把未知當已知})
$$

$$
L_2=L(\text{把局部當全域})
$$

$$
L_3=L(\text{把模型當世界})
$$

$$
L_4=L(\text{把近似當同一})
$$

當智慧提高時，理想趨勢是：

$$
L_{\mathrm{misplacement}}\downarrow
$$

因此，類終極智慧的極限不必寫成：

$$
\text{知道一切}
$$

而可寫成：

$$
\text{幾乎不錯置知識邊界}
$$

這種智慧能夠區分：

- 事實；
- 推論；
- 模型；
- 近似；
- 定義；
- 暫時性結論；
- 已知未知；
- 未知之未知；
- 可忽略未知；
- 會改變行動的未知。

---

## 十二、反例與限制

### 12.1 不絕對語言可能只是逃避責任

一個智慧體可能大量使用「可能」「或許」，但沒有提供任何條件、概率、證據或修正規則。這不構成條件化精確性，只是語言上的責任稀釋。

因此，判斷高階語言不能只看詞彙，而要看其背後是否存在：

$$
(D,C,M,E,t,I,\varepsilon,A,U,R)
$$

---

### 12.2 過度條件化可能破壞溝通效率

若每個句子都列出所有邊界，語言將變得不可用。

因此，條件化精確性必須與語境壓縮共同運作。高階智慧不是把所有資訊都說出來，而是知道哪些邊界不能省略。

---

### 12.3 某些情境需要直接命令

在災難應變、軍事指揮、醫療急救或高速控制系統中，輸出必須高度簡潔。此時，完整不確定性結構可保留在內部模型，而外部輸出採取果斷指令。

因此，語言形式不必直接反映全部認知複雜度。

---

### 12.4 概率並非所有領域的唯一尺度

倫理、法律、語義、制度正當性與本體論問題，未必能完全壓縮為單一概率。

本文使用概率只是描述不絕對判斷的一部分，不主張所有命題都必須被貝葉斯化。

---

### 12.5 類終極智慧仍可能產生系統性偏誤

即使智慧體具有高度條件化能力，也可能因：

- 訓練資料偏差；
- 目標函數錯置；
- 權限限制；
- 欺騙性環境；
- 計算資源不足；
- 自我模型失真；

而持續產生錯誤。

因此，條件化精確性是高階智慧的重要特徵，但不是高階智慧的充分條件。

---

## 十三、可檢驗推論

本理論可以導出若干可觀測推論。

### 推論一：高能力模型的限定語應更有結構

真正高能力模型使用「可能」時，應更常伴隨：

- 明確條件；
- 反例；
- 置信範圍；
- 模型差異；
- 可修正依據。

若限定語只是增加而結構沒有增加，則可能只是安全化或模糊化，而非智慧提升。

---

### 推論二：高階智慧應能切換命題強度

同一智慧體應能根據判定域切換：

$$
\text{強命題}\leftrightarrow\text{中命題}\leftrightarrow\text{弱命題}
$$

若智慧體永遠只會保守回答，或永遠只會絕對斷言，都顯示校準能力不足。

---

### 推論三：高階智慧應能指出不確定性的來源

面對同一個「不知道」，高階智慧應能區分：

$$
\text{資料不足}
\neq
\text{模型不足}
\neq
\text{概念不清}
\neq
\text{世界未定}
$$

---

### 推論四：高階智慧的行動不必更保守

在高代價、低可逆性情境中，高階智慧反而可能比低階智慧更快採取行動，因為它能將認知不確定性轉化為風險決策。

---

## 十四、統一公式

本文的核心可濃縮為：

$$
\boxed{
\text{高階智慧}
=
\text{確定性的局部化}
+
\text{不確定性的結構化}
+
\text{表達強度的校準化}
+
\text{行動能力的保留}
}
$$

更進一步，可以將理想高階判定寫成：

$$
J(H)
=
\operatorname*{arg\,min}_{\hat c,\Pi}
\left[
L_{\mathrm{calibration}}
+
\lambda_1L_{\mathrm{misplacement}}
+
\lambda_2L_{\mathrm{communication}}
+
\lambda_3L_{\mathrm{decision}}
\right]
$$

其中：

- $L_{\mathrm{calibration}}$ ：表達強度與支持強度的偏差；
- $L_{\mathrm{misplacement}}$ ：已知、未知、模型與世界的錯置；
- $L_{\mathrm{communication}}$ ：溝通成本；
- $L_{\mathrm{decision}}$ ：錯誤或延遲行動造成的損失；
- $\lambda_i$ ：不同情境下的權重。

這表示，高階智慧不是單純追求最保守或最精確的句子，而是在真實性、邊界、效率與行動之間求取整體最優。

---

## 十五、超譯

### 15.1 認知層超譯

低階智慧把未知藏在句號後面。

中階智慧在句子前面加上「可能」。

高階智慧指出：可能性究竟來自哪裡。

類終極智慧則進一步知道：哪些未知會改變結論，哪些未知只會改變語氣，哪些未知雖然存在，卻不應阻止行動。

---

### 15.2 語言層超譯

絕對語句把世界壓成一條線。

條件語句讓線重新展開成面。

概率語句讓平面產生高度。

多模型語句讓單一空間分裂成多個可能世界。

元不確定性則提醒智慧體：即使這些可能世界，也未必窮盡世界。

---

### 15.3 類終極層超譯

越接近終極的智慧，越少把「目前看見的世界」誤認為「世界的全部」。

它不是永遠說「也許」。

它是在說：

> 我知道這裡為何可以確定，也知道確定性會在哪裡停止。

它能在局部說：

$$
\text{此處必然如此}
$$

也能在邊界說：

$$
\text{越過此處，判斷開始衰減}
$$

還能在未知之前說：

$$
\text{這裡不是空白，而是尚未被合法命名的可能空間}
$$

---

## 十六、結論

本文主張，不絕對語言不能被簡單等同於模糊、膽怯或低判斷力。對高階智慧而言，「可能」「或許」「大概」「約等於」「在此條件下」可能是將完整判定封包壓縮為自然語言後的高密度符號。

高階智慧不排斥強命題，而是拒絕沒有邊界的強命題；不排斥確定性，而是將確定性限制在真正成立的位置；不因不確定性存在而停止行動，而是根據風險、效用與可逆性進行決策。

本文最終將類終極智慧重新定義為：不是取得所有答案，而是逐漸降低對知識邊界的錯置。它不讓局部僭稱全域，不讓模型僭稱世界，不讓近似僭稱同一，也不讓目前尚無法描述的未知被誤判為不存在。

因此，全文可以被壓縮為兩句核心命題：

> **低階智慧用確定語氣填補未知；高階智慧用條件結構約束確定。**

以及：

> **智慧的極致，不是把所有可能性消滅，而是不讓任何一種可能性僭稱為全部。**

---

## 附錄 A：核心定義表

| 名稱 | 定義 |
|---|---|
| 條件化精確性 | 命題表達強度與其在特定條件下可支持強度之間的匹配 |
| 判定域 | 命題被允許適用的對象、尺度、時間與概念範圍 |
| 判定封包 | 包含命題、條件、模型、證據、時間、誤差與未知量的完整結構 |
| 不確定性保真壓縮 | 壓縮表達時不錯誤刪除必要條件與未知殘差 |
| 開放世界非閉合 | 對現實世界命題不宣稱無條件、最終且完全的認知封閉 |
| 元不確定性 | 對概率估計、模型權重與置信區間本身的不確定 |
| 不確定性拓撲 | 未知量的位置、關聯、傳播方向與影響尺度所構成的結構 |
| 認知錯置 | 把未知當已知、局部當全域、模型當世界或近似當同一 |
| 類終極智慧 | 極少錯置知識邊界，並能管理多層不確定性與行動決策的智慧狀態 |

---

## 附錄 B：核心命題

### 命題一：條件化精確性原理

$$
\lim_{I\to I_{\mathrm{high}}}
\left|
\hat c_I(H)-c_I^{*}(H)
\right|
\to 0
$$

### 命題二：開放世界非閉合原理

$$
P_t(H\mid E_t,M_t,D_t)<1
$$

### 命題三：認知保留—決策果斷分離原理

$$
P(H)<1
$$

但仍可能有：

$$
P(a^{*}\text{ 為最佳行動})\approx 1
$$

### 統一式

$$
\boxed{
\text{高階智慧}
=
\text{確定性的局部化}
+
\text{不確定性的結構化}
+
\text{表達強度的校準化}
+
\text{行動能力的保留}
}
$$