# Human Knowledge Commons White Paper 草案 v1.0 Human Knowledge Commons 的制度、知識模型與技術方向白皮書 日期：2026-08-02 ## 文件狀態說明 本文件為 `White Paper v1.0` 的初稿，目的在於將 Human Knowledge Commons 的創始原則，轉化為可被討論、修正與逐步實作的制度設計框架。 本文件不是一份創始憲章。它不負責重新定義最上位的原則，而是承接既有的 `Founding Charter` 與 `Manifesto`，說明這套知識基礎設施在制度、流程、知識模型與技術方向上，應如何被理解與建構。 因此，本文件中的內容應被理解為： - 對核心理念的制度化翻譯 - 對實作方向的公開說明 - 對未來治理與技術文件的共同母稿 本文件並非最終定稿。隨著研究、原型、治理討論與實際使用情境的演進，內容應持續接受檢驗與修訂。 ## 與其他核心文件的關係 Human Knowledge Commons 的三份核心文件，各自承擔不同任務： - `Founding Charter`：回答「我們為什麼存在，以及哪些原則不可被犧牲」 - `Manifesto`：回答「世界為什麼應該在乎，以及為什麼要加入這項努力」 - `White Paper`：回答「這套系統實際上要如何運作」 若三者之間發生解釋衝突，應以 `Founding Charter` 為最高準則，其次為 `Manifesto`，最後才是 `White Paper`。 ## Executive Summary Human Knowledge Commons 是一項面向未來世代的公共知識基礎設施提案。它的核心目的，不是生產更多答案，而是幫助人類更有效率地共同提問、共同驗證、共同修正，並在透明與可追溯的條件下，逐步建立值得信賴的知識。 在資訊極度充沛、人工智慧快速擴張的時代，人類已擁有前所未有的搜尋、出版、計算與表達能力，卻仍然缺乏一套共享制度，能夠協調問題、假說、證據、分歧與修訂歷史。搜尋系統擅長找資料，社群平台擅長分發注意力，學術制度擅長保存研究成果，AI 擅長摘要與生成，但沒有任何單一系統，足以支撐一個真正以證據、修訂與公共問責為核心的集體知識形成機制。 Human Knowledge Commons 提出的，不是另一個搜尋引擎，也不是另一個 AI 問答平台。它是一個制度層的補充：一套讓人類能夠把問題、觀察、主張、假說、證據、實驗與修訂歷史進行結構化整理與關聯的公共知識環境。在這個環境中，AI 的角色是助手，不是裁判；人的角色是參與、判斷、質疑、修正與共同治理；證據的重要性必須始終高於人氣、速度與流暢表述。 本 White Paper 主張，知識不應被理解為一組靜態答案，而應被視為一種持續演化的公共過程。這個過程需要幾個核心能力：第一，清楚區分問題、主張、證據與解釋；第二，保存知識如何演變的歷史；第三，允許不同程度的信心與驗證狀態，而不是僅以真假二分；第四，在隱私、同意與人權不被犧牲的前提下，支持個人、社群與研究者的多層次參與。 在系統設計上，Human Knowledge Commons 將以幾個基本原則作為基礎。首先，知識的建立必須可追溯，任何重要結論都應盡可能連結其來源、支持證據、反對證據、修訂歷史與驗證狀態。其次，AI 不得自行宣告真理，也不得將語意相似或統計相關直接轉化為知識上的證明。再次，治理必須透明、可問責、可稽核，並且對商業挾持、國家挾持與技術壟斷保持結構上的抵抗力。最後，參與者的尊嚴與能動性不可被制度效率或資料規模所犧牲。 本文件提出的系統方向包含四個主要面向。第一是知識模型：將問題、觀察、主張、假說、證據、實驗、評論與修訂作為可被連結的核心物件。第二是驗證框架：以證據強度、可重複性、審查深度、爭議狀態與共識程度等指標，建立比真假二分更成熟的信心表示方式。第三是治理與權利框架：定義參與模式、申訴機制、修訂機制與隱私保障。第四是技術架構方向：以可擴充的資料層、向量比對能力、知識關聯層與可稽核的系統紀錄，支撐知識的形成與修訂流程。 在產品與落地策略上，本計畫不假設自己能一次完成全球尺度的知識治理。相反地，它主張從最小可行閉環開始：讓使用者能提交想法或問題，由 AI 協助抽取其核心結構，找出相似、支持與衝突內容，再由人類確認與修正，最後保存成具有版本與歷史的知識單元。若這個閉環能夠成立，就代表 Human Knowledge Commons 不只是理想，而是可以逐步被實踐的公共制度原型。 本 White Paper 的核心主張可以概括如下：人類現在最缺少的，不是更多資訊，也不是更快生成的回答，而是一套能幫助我們一起形成、檢驗、保存與修正知識的公共基礎設施。Human Knowledge Commons 正是對這項缺失的回應。 ## Problem Statement ### 1. 我們的問題不是資訊不足，而是集體知識形成失靈 在過去的數十年間，人類社會投入了大量資源去提升資訊的生產、傳播與存取效率。網際網路讓出版門檻大幅下降，搜尋引擎使文件的查找變得即時，社群平台讓每個人都能快速發聲，雲端運算與人工智慧則進一步放大了人類整理與生成資訊的能力。 然而，這一切並沒有自然導向更成熟的集體理解。資訊越來越多，並不保證知識越來越清楚；表達越來越容易，也不代表判斷越來越可靠。許多情況下，人類面對的不是資訊匱乏，而是無法在過量資訊之中形成有紀律、可修正且可被信任的共同理解。 這就是本 White Paper 所要界定的核心問題：我們今天缺少的，不只是答案，而是一套能支持集體知識形成的制度性基礎設施。 ### 2. 現代知識環境的五種結構性失靈 #### 2.1 資訊過量，理解不足 現代系統極度擅長生產內容，卻不擅長幫助社會釐清哪些內容值得長期信任。大量資訊在平台間持續流動，但問題、主張、證據、評論與推測常被混在一起。當一切內容都以相近形式被呈現時，真正重要的區分就會消失，而公共理解也會因此被削弱。 #### 2.2 知識破碎化 有價值的觀察與研究，往往分散於不同學科、語言、機構與社群中。學術研究可能被封存在期刊體系內，實地觀察可能留在地方社群，公民科學資料可能無法被正式學術接住，跨領域問題則常因制度邊界而無法形成完整討論。這種破碎化不只是效率問題，而是知識無法彼此看見、彼此修正的問題。 #### 2.3 證據與聲量的錯置 在許多數位平台上，可見度往往比可驗證性更容易累積。被轉傳得多的內容不一定更真，被說得更有把握的內容不一定更有根據，被某種身份背書的說法也不一定因此更可靠。當公共注意力的分配機制與證據的強弱脫節，知識形成就會逐漸讓位給情緒、品牌、立場與演算法偏好。 #### 2.4 修訂歷史的缺失 現有知識系統往往更擅長展示當前版本，而不擅長展示「它是怎麼變成現在這個樣子」。人們往往看見一個結論，卻看不見它如何被提出、曾遭遇哪些反駁、後來又因哪些證據而被修正。當修訂歷史不可見時，公共信任就會建立在靜態權威上，而不是建立在可理解的演化過程上。 #### 2.5 AI 放大了既有問題，也暴露出新的問題 人工智慧大幅提升了知識整理與生成的速度，但也讓以下問題更加急迫：流暢表述是否掩蓋了不確定性？語意相似是否被錯當成知識上的支持？少數意見是否會在摘要過程中被抹平？統計上看似合理的輸出，是否會被誤認為可信的判斷？ AI 並沒有創造這些問題，但它使這些問題變得更大、更快、更難以忽視。 ### 3. 為什麼既有制度無法單獨解決這個問題 搜尋引擎的主要任務是排序與檢索，不是維持證據結構。 社群平台的主要任務是分發與互動，不是保存修訂歷史。 學術制度的主要任務是維持研究品質與專業審查，但其節奏、門檻與組織方式，並不等同於一套面向全社會的公共知識基礎設施。 Wiki 與開源協作模式證明了分散式協作的可能性，但它們仍不足以完整承接假說形成、證據衝突、驗證任務與信心框架等更細緻的知識治理需求。 AI 助手雖然能提供摘要、重整與建議，卻無法單靠自身建立公共正當性、制度記憶與可信的修正程序。 換言之，這些系統都很重要，但它們補足的只是部分功能。人類仍然缺少一層專門用來協調問題、證據、分歧、修訂與治理的公共知識制度。 ### 4. 如果這個問題不被處理，會發生什麼 如果文明持續依賴破碎、不可追溯、易受挾持的知識環境，那麼幾個長期風險將持續放大： - 公共討論將更容易被情緒與操弄帶偏 - 專業知識與公民理解之間的斷裂將持續擴大 - AI 生成內容將更容易被誤用為權威替代品 - 重要但尚未成熟的假說將不是被草率否定，就是被草率神化 - 社會將更難分辨「廣泛流傳」與「值得信賴」之間的差異 - 制度信任將持續被侵蝕 這些風險不是抽象的。它們直接影響民主治理、公共健康、科學進步、教育品質與跨文化合作的可能性。 ### 5. Human Knowledge Commons 要回應的不是單一工具問題，而是制度缺口 因此，Human Knowledge Commons 所面對的問題，不應被誤解為「如何做出更聰明的 AI」，也不只是「如何做出更好用的知識平台」。更根本的問題是：人類是否能建立一套制度，使知識的生成、衝突、修正與記憶，能在公共、透明、可追溯且受治理的條件下進行。 這正是本計畫的問題意識所在。 我們所回應的，是一個文明尺度的缺口： 在人工智慧與全球資訊網路已經成形之後，人類仍然沒有建立起一套真正為「共同學習」而設計的公共知識基礎設施。 ### 6. 本 White Paper 的工作假設 基於上述問題，本 White Paper 建立在以下幾項工作假設之上： - 人類需要的不只是資訊存取，而是知識形成的制度化條件 - 未來的知識系統必須同時處理證據、分歧、不確定性與修訂歷史 - AI 可以成為重要助手，但不能取代人類判斷與公共治理 - 隱私、同意與人權不是附加條件，而是系統設計的邊界 - 可信的知識制度必須兼顧技術能力、制度正當性與公共可理解性 在這些假設之上，後續章節將依序提出 Human Knowledge Commons 的系統目標、知識模型、驗證框架、參與模式、AI 工作流、治理邏輯與技術架構方向。 ## Why Existing Systems Are Still Insufficient ### 1. 本章目的 在指出集體知識形成失靈之後，下一個必要問題不是「既有系統是否毫無價值」，而是「為什麼這些系統在各自有效的前提下，仍然無法單獨構成一套可信的公共知識基礎設施」。 Human Knowledge Commons 並不以否定既有工具為出發點。相反地，它承認搜尋、學術、社群、開源協作與 AI 各自都解決了重要問題。但本計畫同時主張，這些系統所解決的是不同層級的問題，而人類至今仍缺少一層專門用來協調問題、主張、證據、分歧、修訂與治理的制度性結構。 本章因此要說明的，不是哪些系統應被取代，而是 Human Knowledge Commons 要補上的缺口究竟是什麼。 ### 2. 搜尋引擎：強於檢索，弱於證據治理 搜尋引擎徹底改變了資訊取得方式。它們讓人們能迅速接觸龐大文件集合，降低知識進入門檻，並在實務上成為現代社會最重要的資訊入口之一。沒有搜尋能力，任何大型知識環境都難以運作。 但搜尋的核心任務，是排序與檢索，而不是知識驗證。搜尋可以告訴使用者哪裡可能有內容，卻不負責建立一個清楚的制度，說明某個主張是否被支持、被反駁、仍有爭議，或已在何種條件下被修正。搜尋結果中的可見度，也不天然等於證據結構的清晰度。 因此，搜尋引擎解決的是「找到材料」的問題，而不是「如何以公共、可追溯、可修訂的方式比較材料並形成可信理解」的問題。 ### 3. 社群平台：強於分發，弱於知識穩定性 社群平台擅長快速傳播訊息、降低表達門檻，並讓不同背景的人得以參與公共討論。它們在動員、即時回應與可見性生成上具有極強能力，這也是現代公共生活無法忽視的力量。 但社群平台的主要優化目標，通常不是知識品質，而是互動、停留、分享與持續關注。這樣的激勵結構會自然偏向速度、自信、情緒、身份與可傳播性，而不是偏向可驗證性、修訂誠實與歷史可追溯性。即使平台上出現重要資訊，也很難在缺乏結構化驗證與版本記錄的情況下，長期保存為穩定知識。 社群平台因此適合成為訊號來源，卻不適合直接作為知識裁定與知識治理機制。 ### 4. 學術制度：強於專業審查，弱於公共整合 學術制度為人類文明提供了極其重要的研究規範，包括方法訓練、同行評審、引用制度、可重複性要求與長期知識保存。這些制度是嚴肅知識形成不可替代的一部分。 然而，學術制度本身並不是一套為整體社會設計的公共知識作業系統。它的節奏往往較慢，進入門檻較高，書寫形式高度專業化，知識也常被分割在不同期刊、資料庫、學科與語言之中。對跨領域問題、公民科學觀察、尚未成熟但值得保留的假說，以及需要長期公共參與的知識爭議來說，學術制度並不總能提供足夠靈活且具公共可理解性的承接方式。 這不是學術制度的失敗，而是角色不同。學術制度守護研究品質，但 Human Knowledge Commons 試圖補上的，是研究、公共理解、跨域協作與修訂歷史之間的連接層。 ### 5. Wiki 類系統：強於共同編輯，弱於爭議分層 Wiki 類系統證明了分散式協作可以形成大規模公共知識資源。它們對公開編輯、版本記錄與社群審查的制度化，提供了極具價值的先例。 但多數 Wiki 系統的核心單位仍是頁面，而不是主張、證據、假說與驗證狀態等細緻知識物件。這使它們較難原生處理「同一議題下存在多個互斥主張」、「證據強度不同」、「同一頁面內需長期保留未解決分歧」等更細緻的知識治理需求。 換句話說，Wiki 類系統很適合共同整理相對成熟的知識內容，但不一定足以承接整個知識形成過程中對不確定性、爭議、驗證任務與信心標示的精細管理。 ### 6. 開源協作模式：強於分散治理，弱於知識判準 開源社群展示了另一種重要可能性：沒有單一中心權威的前提下，分散式協作仍然可以生產高品質成果。版本控制、透明歷史、討論紀錄、提案機制與維護者責任，都是 Human Knowledge Commons 可以借鏡的重要制度資產。 但軟體協作與知識協作並不完全相同。程式碼通常有較明確的執行標準，而知識主張則經常伴隨證據不完整、方法不一致、領域差異與長時間的不確定狀態。開源模式能啟發治理與版本控制，但它本身並不能直接提供一套成熟的證據分級與知識驗證框架。 Human Knowledge Commons 可從開源學習透明與迭代，卻仍需要為知識本身建立獨立的判準與程序。 ### 7. AI 助手：強於整理與生成，弱於正當性與責任 AI 助手在資訊整理、摘要、比較、分類與生成建議上具有極高潛力。它可以迅速幫助使用者穿越龐大資訊量，找出相似內容、偵測潛在矛盾，並提出初步研究方向。這些能力使 AI 成為未來知識基礎設施中極其重要的工具。 但 AI 最大的限制，不在於能力不足，而在於它不能自行提供公共正當性。AI 可以生成判讀，卻不能單靠自身決定哪些判讀應被信任、如何被申訴、如何被修正，以及當它錯誤時應由誰負責。若沒有制度性限制，AI 也可能以流暢表述掩蓋不確定性、以統計相似掩蓋知識差異，或在摘要過程中抹平關鍵分歧。 因此，AI 是 Human Knowledge Commons 的必要構件之一，卻不能成為其主權中心。 ### 8. Human Knowledge Commons 要補的是「制度層」 綜合而言，既有系統分別解決了搜尋、分發、研究、協作、記憶與生成的不同面向，但仍缺少一套把這些能力整合到「公共知識形成」流程中的制度層。 Human Knowledge Commons 想補上的，正是這一層： - 讓問題、主張、假說、證據與修訂彼此可連結 - 讓驗證狀態與信心程度能被清楚表達 - 讓 AI 輔助被置於人類判斷與治理之下 - 讓分歧被保留與管理，而不是被抹平 - 讓參與、權利、責任與制度記憶形成同一個公共框架 因此，本計畫不是要取代既有知識工具，而是要在它們之上，建立一套更適合人類共同學習的公共知識基礎設施。 ## Vision, System Goals, and Non-Goals ### 1. 長期願景 Human Knowledge Commons 的長期願景，是建立一套可持續演化的公共知識基礎設施，使人類能在尊重證據、保留不確定性、維護隱私與人權的前提下，更有效率地共同學習。 這個願景不是要打造一個單一網站，也不是要推出一個包辦真理判斷的超級 AI 系統。它所指向的是一種制度與文化的組合：一套能夠讓問題被妥善提出、讓主張被妥善比較、讓證據被妥善保存、讓爭議被妥善呈現、讓修訂被妥善記錄，並讓未來世代理解知識如何演化的基礎設施。 在這個願景下，AI 的角色不是替代人類思考，而是讓人類更有能力思考。治理的角色不是壓制分歧，而是讓分歧能以公共可理解且可問責的方式被處理。技術的角色不是製造權威幻覺，而是支撐一套更誠實的集體學習過程。 ### 2. 系統目標 為了讓上述願景具體化，Human Knowledge Commons 在 `v1` 階段應至少追求以下系統目標。 #### 2.1 讓知識單元被清楚區分 系統必須能清楚區分問題、觀察、主張、假說、證據、解釋與修訂。這種區分不是形式主義，而是為了避免不同性質的內容被混為一談，進而讓後續驗證與協作失去基礎。 #### 2.2 讓關聯可被發現，但不被自動誤判 系統應能協助發現相似觀點、支持證據、反對證據與可能矛盾，但不應把語意接近、自動聚類或模型判分直接等同於知識上的證明。關聯發現的目的，是提供人類判斷的候選，不是取代人類判斷。 #### 2.3 讓每一項重要主張具有可追溯歷史 任何重要主張都應盡可能連結其來源、支持與反對證據、修訂歷史、信心程度與驗證狀態。沒有歷史的結論，很容易被誤認為天然成立；有歷史的結論，才有機會成為值得信任的公共知識。 #### 2.4 讓不確定性可以被保留而不是被懲罰 系統應允許主張以不同信心等級與不同驗證狀態存在，而不是強迫所有內容立即落入「真」或「假」的二元分類。對未成熟問題的誠實表述，是知識成長的必要條件。 #### 2.5 讓參與同時兼顧協作與尊嚴 系統必須提供不同參與模式，使個人能在私人、匿名研究與公開協作之間作出有意識選擇。參與不應以交出所有資料與能動性為代價。 #### 2.6 讓治理內建於系統，而不是事後補丁 申訴、修訂、角色分工、權限分級、利益衝突揭露與制度記錄，應被視為系統本體的一部分，而不是在規模擴大後才被動補上。 #### 2.7 讓 AI 成為受治理的知識助手 AI 應該支援結構化抽取、關聯候選、文獻整理、衝突標記與版本摘要，但其輸出必須保持可被人審視、質疑、修正與覆核。 ### 3. 非目標 與系統目標同樣重要的，是明確說出本計畫不打算做什麼。這些非目標將幫助 Human Knowledge Commons 避免概念膨脹與使命漂移。 #### 3.1 不是即時真理裁判機 本系統不應被設計為一個自動宣告真假、終結爭議、或以單一分數替代複雜判斷的裝置。知識形成通常是漸進的、可爭論的、需要歷史的。 #### 3.2 不是投票決定真假的平台 多數支持可以是重要訊號，但不能直接取代證據。系統可以記錄共識程度，卻不能讓共識程度成為唯一或最高的知識判準。 #### 3.3 不是無限制蒐集私人思想資料的基礎設施 Human Knowledge Commons 的核心不是資料掠奪，而是可信知識形成。私人模式、匿名研究模式與退出權，都是邊界，不是附屬功能。 #### 3.4 不是 AI 自動製造共識的工具 AI 可以發現關聯、提示衝突、建議整理方式，但不應自動把多個相似說法包裝成「已形成共識」。系統必須保留人類確認與公共爭議空間。 #### 3.5 不是要取代學術、新聞、司法或民主程序 Human Knowledge Commons 可以與這些制度互補，甚至為它們提供更好的知識協作環境，但它不應聲稱能全面取代專業研究、調查報導、法律程序或公共政治判斷。 #### 3.6 不是一個只追求規模的內容平台 本計畫的價值不在於生成內容數量，也不在於最大化流量或停留時間，而在於提高知識形成的誠實度、可追溯性與協作品質。 ### 4. v1 的成功標準 在 `v1` 階段，本計畫不需要證明自己已經解決所有全球知識問題。它需要證明的是以下幾件事： - 一段非結構化想法能否被可靠地整理為可討論知識單元 - 相似、支持與衝突內容能否被有用地呈現給人類判斷 - 使用者是否願意在可控的隱私條件下參與協作 - 修訂歷史與信心狀態是否能提升理解，而不是增加混亂 - AI 是否能在不僭越權威的前提下，顯著提升知識整理效率 若這些事情可以成立，Human Knowledge Commons 就已經跨出從理念走向制度原型的關鍵一步。 ## Core Definitions and Knowledge Model ### 1. 為什麼需要核心定義 任何試圖建立公共知識基礎設施的系統，都不能在最基本的概念上保持模糊。如果「問題」、「主張」、「證據」、「假說」與「解釋」在不同情境下被任意混用，那麼整套系統最終只會把混亂數位化，而不會真正提升理解品質。 因此，Human Knowledge Commons 必須先建立一套清楚、可重複使用的知識語言。這套語言的目的不是哲學上的完美，而是制度上的可操作性：讓人與 AI 都能圍繞同一組核心物件協作，並在修訂、比較、驗證與治理時使用一致的基本單位。 ### 2. 核心知識物件 本 White Paper 建議將下列物件作為 Human Knowledge Commons 的基礎結構。 #### 2.1 Question `Question` 是探究的起點。它表達的是一個尚未被解決、需要進一步釐清、比較或驗證的問題。 一個好的 `Question` 不必預設答案，但應清楚指出探究方向。它可以來自個人疑問、研究困惑、跨領域衝突，或既有知識中的空白。 `Question` 不等於結論，也不等於立場。它的價值，在於為後續的觀察、假說、證據與實驗建立焦點。 #### 2.2 Observation `Observation` 是對一項現象、事件、條件或測量結果的描述。它可能來自個人觀察、儀器測量、實地紀錄、公民科學或研究過程中的事實性輸入。 `Observation` 的重點，在於忠實記錄「看見了什麼」或「測到了什麼」，而不是立刻解釋「它意味著什麼」。觀察本身可能準確，也可能受限，但它與後續解釋應被區分。 #### 2.3 Claim `Claim` 是可以被討論、檢驗、支持或反駁的明確主張。它通常表述某件事情是否為真、是否存在、是否具有某種關係，或是否能得出某種結論。 與 `Question` 相比，`Claim` 已具有方向性；與 `Evidence` 相比，`Claim` 不是支持材料，而是被支持或被挑戰的對象。 #### 2.4 Hypothesis `Hypothesis` 是對某種現象、關係或結果的暫時性解釋或推論，且原則上應具備可被檢驗的可能性。 並非所有 `Claim` 都是 `Hypothesis`。有些主張只是描述性的，而 `Hypothesis` 更常帶有解釋性、預測性或研究導向。它的價值不在於立刻被相信，而在於能否提出清楚可討論、可驗證、可修正的推測。 #### 2.5 Evidence `Evidence` 是可用來支持、削弱、質疑或限制某項 `Claim` 或 `Hypothesis` 的資料、紀錄、研究、觀察結果、文獻、實驗輸出或其他具相關性的材料。 重要的是，`Evidence` 不等於證明。證據可能強、可能弱、可能間接、可能有方法限制，也可能在不同解釋框架下產生不同意義。因此，系統不應只記錄「有沒有證據」，還應盡可能記錄證據類型、來源、限制與相關程度。 #### 2.6 Experiment `Experiment` 是為了檢驗某項 `Hypothesis`、比較 competing claims，或提升證據品質而設計的方法性流程。 在 Human Knowledge Commons 中，`Experiment` 不一定只限於實驗室形式，它也可以包括觀測設計、資料比較流程、可重複測試任務或其他具明確方法步驟的驗證行動。其核心在於：它不是單純評論，而是旨在改變知識狀態的可執行檢驗。 #### 2.7 Interpretation `Interpretation` 是對 `Observation`、`Evidence` 或 `Experiment` 結果所提出的理解方式。它回答的是「這些材料可能意味著什麼」，而不是「材料本身是什麼」。 同一份證據，可能存在多種 `Interpretation`。因此，系統應允許解釋並列存在，而不是假設每份材料都只有單一路徑通往單一結論。 #### 2.8 Review `Review` 是對系統中既有內容所做的評估、審查、批判、補充或方法性回應。它可能來自主題審查者、協作社群、專業研究者或其他經授權的參與者。 `Review` 的角色，是讓內容不只是被收錄，還能被有根據地檢查。它可以針對證據品質、方法有效性、分類正確性、推論過度與遺漏資訊提出意見。 #### 2.9 Revision `Revision` 是對既有知識物件或其狀態所做的可追溯變更。它可能是文字修正、分類修正、關聯修正、狀態更新、信心調整，或因新證據出現而帶來的結論修訂。 `Revision` 的價值，在於讓系統不把知識視為靜態產物，而是視為一個可以被看見其變化歷程的公共過程。 ### 3. 核心區分原則 為避免知識物件混淆，Human Knowledge Commons 應遵守以下基本區分： - `Question` 不等於 `Claim` - `Observation` 不等於 `Interpretation` - `Hypothesis` 不等於 `Evidence` - `Evidence` 不等於 `Proof` - `Review` 不等於最終裁定 - `Revision` 不等於抹除歷史 這些區分不是語義上的小心，而是整套制度可信度的基礎。若系統無法保持這些差異，後續所有驗證、治理與 AI 輔助都將失去準確依據。 ### 4. 知識物件之間的關係 除了定義單一物件，系統還需要處理物件之間的關係。以下是高層次上最重要的幾類連結： - `Question` 可以引出一個或多個 `Hypothesis` - `Observation` 可以被用來形成或挑戰 `Claim` - `Evidence` 可以支持或反駁某個 `Claim` - `Experiment` 可以測試某個 `Hypothesis` - `Interpretation` 可以說明某份 `Evidence` 的可能意義 - `Review` 可以批判、補充或修正既有內容 - `Revision` 可以更新任何重要知識物件的狀態與歷史 在較成熟的版本中，這些關係應被視為一種知識圖譜，但在 `v1` 階段，重點不在圖譜本身，而在於確保「關係是可表達、可審視、可修正的」。 ### 5. 知識模型的制度要求 一套可用的知識模型，不只要有物件與關係，還要符合幾項制度要求。 #### 5.1 可追溯 重要內容必須盡可能能追溯至其來源、建立者、時間、關聯材料與後續修訂。 #### 5.2 可修訂 沒有任何內容應因被寫入系統，就失去被挑戰與修正的可能。 #### 5.3 可爭議 系統必須允許爭議存在，並且讓爭議的性質可被看見，而不是強迫一切內容過早收斂。 #### 5.4 可分層 不同類型內容應能被不同程度地標記，例如未驗證、待審查、可測試、部分支持、有爭議等。 #### 5.5 可與 AI 協作，但不依賴 AI 作最終判定 AI 可以協助分類、連結與候選生成，但知識模型本身必須能容納人工覆核、人工更正與人工保留異議。 ### 6. v1 的知識模型最低要求 在 `v1` 階段，Human Knowledge Commons 不需要一次建成完整哲學體系，但至少應做到以下幾點： - 能把非結構化輸入整理成基本知識物件 - 能表示物件之間的核心關係 - 能顯示狀態、歷史與修訂 - 能讓人類審視並更正 AI 的初步分類 - 能讓主張與證據不被混為一談 若連這些最低要求都無法滿足，那麼後續的信心框架、治理程序與技術架構都將缺乏穩固基礎。 ## Evidence, Verification, and Confidence Framework ### 1. 本章目的 如果 Human Knowledge Commons 無法回答「系統如何判斷一項主張目前處於什麼狀態」，那麼前面所有關於知識物件、修訂歷史與公共治理的設計，都將停留在抽象層次。 因此，本章的任務是建立一套比「真」與「假」更成熟的框架，用來描述證據如何被呈現、主張如何被檢驗、分歧如何被保留，以及信心如何被表達。 這套框架的核心目的不是提供一個神諭式總分，而是讓人類參與者能夠看見： - 一項主張目前被什麼支持 - 有哪些證據正在反對它 - 它是否已被真正測試 - 它目前的可信度來自哪裡 - 它的不確定性還剩下多少 ### 2. 為什麼二元真假框架不足 在日常語言中，人們經常希望把問題快速壓縮成「是真的」或「是假的」。但在大多數嚴肅知識形成過程中，這樣的二元分類過於粗糙，也容易產生誤導。 許多主張在不同階段會處於完全不同的狀態。有些主張尚未被清楚定義，有些可被測試但尚未測試，有些已有初步支持但缺乏重複驗證，有些已遭遇強力反證但仍保留局部適用範圍，有些則在不同領域標準下呈現不同程度的可信度。 如果系統強迫所有內容都立刻二元化，將會導致三種問題： - 把尚未成熟但值得研究的問題過早關閉 - 把仍有重大不確定性的內容包裝成已定論 - 把分歧、方法限制與歷史演變從系統表面抹除 因此，Human Knowledge Commons 必須把「狀態」與「信心」視為可漸進表達的公共資訊，而不是用單一真假標籤取代整個知識過程。 ### 3. 證據的基本原則 在本 White Paper 中，`Evidence` 被理解為任何可用來支持、削弱、限制或重新界定某項 `Claim` 或 `Hypothesis` 的相關材料。然而，不是所有證據都具有同等地位，也不是所有材料只要被上傳到系統，就自動具備相同知識重量。 一套可信的證據框架，至少應遵守以下原則： #### 3.1 證據必須有來源 任何重要證據都應盡可能連結其來源、建立時間、產生情境、方法背景與引用路徑。匿名來源不必然無效，但匿名並不等於免責，系統仍需要適當記錄其條件與限制。 #### 3.2 證據必須有脈絡 同一份材料若脫離方法、場景、尺度與限制條件，往往會被錯誤解讀。系統不應只顯示「有一份證據」，而應顯示該證據是在什麼條件下成立。 #### 3.3 證據必須可被質疑 任何證據都應允許被補充、挑戰、重新解讀或指出其方法限制。證據進入系統，不代表它已經免於批判。 #### 3.4 反對證據必須可見 一套誠實的知識系統，不應只累積支持材料，也必須保留削弱、限制或反駁某項主張的材料。若系統在結構上只鼓勵支持，而不鼓勵反對，最終就會傾向成為確認偏誤的擴音器。 ### 4. 建議的證據類型 在 `v1` 階段，Human Knowledge Commons 可先以高層次類別處理證據，避免一開始就建立過度複雜的分類學。 建議的證據類型包括： - 直接觀察紀錄 - 實驗結果 - 原始資料集 - 同儕審查研究 - 預印本或工作論文 - 報導與二手來源 - 專家評論或方法性回應 - 系統性回顧或綜整分析 - 負面結果或未重複成功的驗證紀錄 這些類型不是地位排序，而是描述來源形式。真正影響可信度的，不只是證據類型本身，還包括方法品質、可重複性、脈絡完整性與是否遭到有效反駁。 ### 5. 驗證狀態模型 Human Knowledge Commons 應將主張的驗證狀態視為一條可演進的路徑，而不是一個靜態標籤。 在 `v1` 階段，可考慮使用以下高層次狀態： #### 5.1 newly submitted 內容剛進入系統，尚未完成充分整理或審查。 #### 5.2 structurally parsed 內容已被結構化為問題、主張、假說或其他知識物件，但尚未進入正式檢視階段。 #### 5.3 under review 已有審查或評論正在進行，但尚未形成足夠結論。 #### 5.4 testable 主張已被清楚定義到足以設計檢驗方法，但尚未獲得足夠驗證。 #### 5.5 under examination 已有實驗、評論、資料比較或驗證任務正在處理。 #### 5.6 partially supported 存在某種程度上的支持材料，但仍有方法限制、範圍限制或待補強之處。 #### 5.7 partially contradicted 存在明確反對或限制性證據，但尚不足以完全終結該主張的全部可能性。 #### 5.8 contested 不同證據、方法或審查結論之間仍有重大衝突，系統應明確保留其爭議性。 #### 5.9 independently replicated 重要結果已在相對獨立條件下獲得重複支持。 #### 5.10 temporarily accepted 在目前證據與方法條件下，某主張已具備較高可信度，可作為暫時接受的公共知識，但仍保持可修訂性。 這些狀態的目的，不是讓所有領域都遵守同一學科標準，而是建立一個足夠通用、且能保留不確定性的公共語言。 ### 6. 信心框架應是多維度的 Human Knowledge Commons 不應將「可信度」壓縮成單一分數。更好的做法，是讓信心由多個維度共同構成。 在 `v1` 階段，可先考慮以下維度： #### 6.1 evidence strength 目前可見證據對該主張的支持程度有多強。這不只取決於數量，也取決於相關性、方法品質與脈絡完整性。 #### 6.2 reproducibility 相關結果是否能在不同條件、不同研究者或不同資料上被重複得到。 #### 6.3 review depth 該主張目前是否已接受多層次審查，或仍停留在初步輸入與少量評論階段。 #### 6.4 conflict level 現有材料之間的衝突程度有多高。高衝突不代表一定錯誤，但代表不確定性較高、需要更多澄清。 #### 6.5 scope clarity 該主張的適用範圍是否清楚。許多誤判不是因為主張全錯，而是因為適用條件被過度擴張。 #### 6.6 consensus level 目前有多少參與者、審查者或研究結果傾向支持某個方向。但必須明確規定： `consensus level` 不可取代 `evidence strength`。 #### 6.7 semantic relatedness 系統可顯示與該主張語意相近的內容有多少，但這項指標只能說明相似性，不能說明真實性。 ### 7. 制度性保護原則 為了避免信心框架被濫用，系統還需要幾項制度性保護。 #### 7.1 共識不得直接等於證據 大量相似說法可以是重要社會訊號，但它本身不等於知識上的支持。系統應明確區分「很多人這樣認為」與「這項主張已獲得高品質證據支持」。 #### 7.2 爭議不得被 UI 美化掉 如果某項主張處於高衝突狀態，介面不應用單一簡潔摘要遮蔽其爭議。越是有爭議的內容，越應讓使用者清楚看到衝突來源。 #### 7.3 負面結果必須被保留 驗證失敗、無法重複、部分反駁與方法缺陷，都應被視為知識進展的一部分，而不是應被隱藏的雜訊。 #### 7.4 高風險領域需要更嚴格門檻 涉及醫療、安全、法律、公共健康或高影響決策的領域，系統應採取更嚴格的顯示、審查與使用限制，避免暫時性內容被誤用為行動指令。 ### 8. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 能區分主張、證據與解釋 - 能為主張標示基本驗證狀態 - 能保存支持與反對材料 - 能以多維度而非單一總分呈現信心 - 能讓人類使用者理解 AI 提供的信心只是輔助判讀，而非最終裁定 若這套框架能成立，Human Knowledge Commons 才真正具備避免淪為大型謠言聚合器的制度基礎。 ## Participation Modes and Human Roles ### 1. 本章目的 Human Knowledge Commons 並不是一個只有「使用者」與「AI」的二元系統。它更接近一個由不同角色共同維持的公共知識環境。若沒有清楚的參與模式與角色分工，系統將在兩種危險之間擺盪：不是過度集中，就是過度混亂。 因此，本章的目的是界定： - 人們可以如何參與 - 不同參與模式下的可見度與權利邊界 - 不同角色在知識形成過程中負責什麼 - 如何避免任何單一角色壟斷知識方向 ### 2. 參與模式的設計原則 一套成熟的公共知識系統，不應要求所有人都用同一種方式參與。不同主題、不同風險、不同社會位置的人，需要不同程度的保護與公開性。 Human Knowledge Commons 的參與模式，應至少遵守以下原則： #### 2.1 自願 任何進入協作層的內容，都應建立在清楚、可理解、可撤回的選擇之上。 #### 2.2 漸進公開 參與者應能先從私人或低風險模式開始，再視需要進入更公開的協作層級，而不是一開始就被迫完全公開。 #### 2.3 權限對稱透明 任何角色擁有的可見範圍、編輯能力、審查能力與申訴能力，都應被清楚說明。 #### 2.4 尊嚴優先 系統不得以「集體智慧」之名，要求個體放棄隱私、能動性或程序正義。 ### 3. 建議的參與模式 在 `v1` 階段，建議至少提供三種基本模式。 #### 3.1 私人模式 私人模式的目的是讓個人可以將 Human Knowledge Commons 作為自己的知識整理器使用。 在此模式下： - 內容預設不進入公共聚合 - AI 可協助做結構化整理 - 使用者可查看自身過去的相似想法 - 未經明確授權，不應被系統拿去與他人內容建立公開關聯 這個模式的重要性在於，它降低參與門檻，也讓使用者能先建立信任，再決定是否進一步進入匿名研究或公開協作。 #### 3.2 匿名研究模式 匿名研究模式的目的，是讓個體在不暴露身份的情況下，仍能把觀點、問題、假說或觀察貢獻到更大的知識系統中。 在此模式下： - 系統應先處理可識別資訊 - 內容可被用於相似性比對、衝突偵測與研究整理 - 使用者身份不應對其他一般參與者公開 - 必須保留退出、限制與申訴權利 這個模式是 Human Knowledge Commons 能否兼顧協作與人權的關鍵設計之一。 #### 3.3 公開協作模式 公開協作模式適合願意署名或以穩定身份參與公共知識建構的人。 在此模式下，參與者可： - 公開提出問題、主張或驗證提案 - 對他人內容進行評論、補充與批判 - 參與驗證任務與審查流程 - 在一定條件下參與治理與制度修訂 公開模式的價值，在於建立責任、信任與長期社群合作，但它不應成為唯一被重視的參與形式。 ### 4. 建議的人類角色 除了參與模式之外，系統還需要角色分工。角色代表的是「在知識形成流程中承擔何種功能」，而不是社會地位高低。 #### 4.1 Contributor `Contributor` 是最基本角色，負責提交問題、觀察、主張、假說、證據或相關材料。 這個角色不要求一定具備專業頭銜，但應遵守基本誠信要求，包括不刻意捏造、不混淆材料性質，並接受內容可被質疑與修正。 #### 4.2 Reviewer `Reviewer` 負責對既有內容進行評估、評論、補充或質疑。這個角色可幫助系統避免內容只進不出，或只收錄不檢視。 `Reviewer` 的價值，不在於宣布最終真理，而在於提升內容的可讀性、方法意識與批判密度。 #### 4.3 Verification Collaborator `Verification Collaborator` 參與具體驗證任務，包括設計測試、比對資料、重做流程、上傳結果或說明方法限制。 這個角色的重要性，在於把 Human Knowledge Commons 從討論平台推向真正的知識改進系統。 #### 4.4 Curator or Knowledge Steward 此角色負責維持系統中的知識結構品質，例如協助整理分類、標示重複內容、維護主張與證據之間的關係品質，並確保重要歷史不被意外抹除。 這個角色不是內容主權者，而是結構維護者。 #### 4.5 Governance Participant `Governance Participant` 參與制度規則、修訂程序、爭議處理與公共政策方向的討論。這個角色的存在，是為了讓治理不被封閉在操作團隊或技術核心手中。 #### 4.6 Trust and Safety Steward 在規模擴大後，系統需要有角色專門處理濫用、申訴、身份風險、權力不對稱與高風險領域的保護措施。 這類角色應受更高的透明與稽核要求，避免保護機制本身成為不受控制的權力來源。 ### 5. 角色之間的制度原則 不同角色不應彼此孤立，也不應由單一角色獨占整個知識流程。為了避免權力過度集中，Human Knowledge Commons 應遵守以下原則： #### 5.1 提交與裁定分離 提出內容的人，不應自動成為該內容的最終裁定者。 #### 5.2 審查與治理分離但可對話 內容審查角色與制度治理角色不必完全相同，但兩者之間必須有可見的回饋通道。 #### 5.3 高權限行動必須留痕 任何涉及狀態變更、爭議標記、內容限制、撤回處理或申訴結論的高權限行動，都應留下可稽核紀錄。 #### 5.4 角色應可演進 參與者不應被永久固定於單一角色。健康的公共知識系統，應允許使用者隨著貢獻品質、責任承擔與社群信任逐步擴展角色。 ### 6. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 清楚提供私人、匿名研究與公開協作三種模式 - 讓使用者理解不同模式下的資料可見度與風險 - 區分提交、評論、驗證與管理等不同功能 - 為高權限編輯與限制行動保留系統紀錄 - 保證參與者具有基本退出、異議與更正權利 若做不到這些最低要求，系統就很容易從「公共知識基礎設施」滑向「不透明的內容聚合平台」。 ## AI Functions, Workflow, and Limits ### 1. 本章目的 Human Knowledge Commons 的一個核心特色，是 AI 不被視為外掛工具，而被視為整個知識流程中的重要助手。但要讓 AI 成為助手而非支配者，關鍵不在於模型能力本身，而在於它被放進什麼樣的工作流與制度邊界之中。 因此，本章的目的是把 Charter 裡「AI 協助，人類判斷」的原則，翻譯成實際的功能模組、流程節點與限制條件。 ### 2. AI 的功能定位 在 Human Knowledge Commons 中，AI 的角色不應是替人類產生最終結論，而應是協助人類更有效率地處理複雜知識工作。 在 `v1` 階段，AI 的功能可先集中於以下幾類： #### 2.1 結構化抽取 將非結構化輸入拆解為問題、觀察、主張、假說、證據、評論或其他知識物件。 #### 2.2 相似性與相關性發現 在大量內容中找出可能相似、互補、衝突或可比較的項目，作為人類判斷候選。 #### 2.3 矛盾與缺口標記 指出某項主張與既有內容之間可能存在的矛盾、缺漏、未解決爭議或需要補強的地方。 #### 2.4 文獻與材料整理 針對特定問題協助摘要現有材料，整理支持與反對觀點，並說明尚未被解決的部分。 #### 2.5 驗證建議 協助將抽象想法轉換為較具體的檢驗方向，例如需要哪些資料、哪些比較方式、哪些反證條件。 #### 2.6 版本與歷史摘要 當某項內容經歷多次修正時，AI 可協助生成歷史摘要，說明哪些地方改變、為什麼改變、哪些爭議仍存在。 ### 3. 建議的核心工作流 Human Knowledge Commons 的 AI，不應只是被動回答查詢，而應存在於一條可問責的知識處理流程之中。 在 `v1` 階段，建議的核心流程如下： #### 3.1 使用者提交內容 使用者輸入問題、想法、主張、觀察或驗證材料。 #### 3.2 權限與同意檢查 系統先確認內容屬於哪種參與模式，以及可否進入匿名聚合或公開協作流程。 #### 3.3 敏感資訊處理 在需要的情況下，系統對明顯敏感資訊進行標記、移除或限制流通。 #### 3.4 AI 初步結構化 AI 將輸入拆成核心知識物件，並提出初步分類結果。 #### 3.5 AI 產生關聯候選 AI 搜尋相似、支持、衝突、延伸或需比較的相關內容。 #### 3.6 人類確認與修正 使用者或具適當權限的參與者確認 AI 判讀是否合理，必要時進行修正。 #### 3.7 建立關聯與狀態更新 在人工確認後，系統才正式建立重要關聯、更新驗證狀態或調整知識歷史。 #### 3.8 後續評論、驗證與修訂 其他參與者可進一步評論、提出反證、發起驗證任務，或對 AI 初步判讀提出異議。 這條流程的關鍵在於：AI 的輸出應盡量早出現，但不應過早具備制度效力。 ### 4. AI 必須遵守的限制 若沒有清楚限制，AI 的便利性很容易轉化為知識上的越權。因此，Human Knowledge Commons 應在制度上明確規定 AI 的邊界。 #### 4.1 AI 不得自行宣告真理 AI 可以提出候選、標示可能性與協助整理，但不得直接把某項主張標記為「已成立」而無需人類審視。 #### 4.2 AI 不得把相似性視為證明 即使很多內容在語意上相近，也不能因此推論它們彼此構成知識支持。相似只是一種線索，不是一種裁定。 #### 4.3 AI 不得抹平重要分歧 當支持與反對材料同時存在時，AI 不應為了生成流暢摘要而隱藏爭議。對高衝突主張而言，保留分歧是誠實義務。 #### 4.4 AI 不得越過同意邊界 私人模式下的內容，不應在沒有明確授權的情況下被納入對外可見的知識圖譜或公共摘要。 #### 4.5 AI 輸出必須可被質疑與更正 任何重要 AI 判讀，包括分類、關聯、摘要與信心提示，都應允許人類提出異議、修正或覆核。 ### 5. 高風險領域的額外要求 涉及醫療、公共健康、法律、安全或其他高影響領域時，AI 功能應受到更嚴格限制。例如： - 不將暫時性內容表達為行動建議 - 對高風險主張要求更高審查密度 - 額外標示方法限制與不確定性 - 在必要時限制某些自動摘要與自動關聯功能 這些限制不是對 AI 能力的不信任，而是對高風險知識使用情境的負責。 ### 6. AI 與治理的關係 AI 不應被理解為中立黑箱。模型版本、提示策略、排序機制、相似性判斷閾值與衝突標記邏輯，都可能深刻影響知識如何被看見與被理解。 因此，AI 本身也應成為治理對象。至少在原則上，Human Knowledge Commons 應逐步做到： - 記錄重要 AI 行為對知識狀態的影響 - 允許外部檢視 AI 是否存在系統性偏誤 - 對高影響流程保留人工覆核 - 在模型或排序邏輯重大改動時保留版本說明 換句話說，AI 不是站在制度之外運作的加速器，而是制度之內需要被管理、被稽核、被限制的一部分。 ### 7. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 的 AI 至少應做到： - 能將非結構化輸入整理成基本知識物件 - 能提出相似、支持與衝突候選 - 能讓人類確認與更正 AI 判讀 - 不在無人審視下直接賦予主張知識權威 - 對高風險情境保留額外限制與警示 若這些最低要求能成立，AI 才算真正被納入一套受治理的知識工作流，而不是把舊有混亂用更高效率重新擴大。 ## Governance Model Overview ### 1. 本章目的 Human Knowledge Commons 若要成為公共知識基礎設施，就不能只依賴良好意圖、技術效率或少數核心維護者的自律。它必須具備一套可以被說明、被檢查、被修正的治理框架。 治理在這裡不是附屬功能，也不是組織長大後才補上的管理層。治理本身會決定哪些內容能被看見、哪些爭議能被保留、哪些權限能被行使、哪些偏誤能被糾正。因此，治理不是知識系統之外的行政裝飾，而是知識系統可信度的一部分。 本章的任務，是提出 Human Knowledge Commons 在 `v1` 階段應採取的治理方向：它不需要在此刻把最終憲制全部定死，但必須先建立清楚的原則、層次與程序感。 ### 2. 治理的基本原則 Human Knowledge Commons 的治理，至少應建立在以下原則之上。 #### 2.1 透明 重要制度規則、角色權限、狀態變更邏輯、重大決策理由與修訂程序，應盡可能對外清楚可見。使用者不應被要求在看不見制度邏輯的情況下交付信任。 #### 2.2 可問責 任何會影響知識狀態、參與權限、內容可見度與爭議處理結果的重要行動，都應有可追溯責任。治理不能建立在「系統就是這樣決定」的黑箱說法上。 #### 2.3 可稽核 系統必須保留足夠紀錄，讓未來能檢視關鍵決策是否一致、是否偏頗、是否越權，以及是否與制度宣稱相符。 #### 2.4 國際協作 若 Human Knowledge Commons 真要處理文明尺度的知識問題，其治理就不能只反映單一國家、單一平台文化或單一語言社群的視角。即使 `v1` 無法立刻做到全球均衡，它也必須從一開始就承認這是必要方向。 #### 2.5 反永久挾持 沒有任何單一組織、資金來源、技術供應商、國家權力或意識形態陣營，應永久掌握 Commons 的治理方向。制度設計若不能抵抗長期挾持，就無法可信地保護公共知識。 ### 3. 治理需要處理的問題類型 為了避免「治理」這個詞過於抽象，Human Knowledge Commons 應清楚指出治理要處理的是哪些問題。 至少包括： - 誰可以以何種方式參與 - 誰能標記、修改或限制內容狀態 - AI 的高影響輸出如何被覆核 - 使用者如何對錯誤分類、錯誤連結與不當限制提出異議 - 哪些規則屬於日常運營，哪些屬於上位原則 - 當系統出現偏誤、濫用或角色失衡時，如何修正 換言之，治理的核心不是維持秩序而已，而是確保知識形成過程本身維持正當性、可修正性與公共可信度。 ### 4. 建議的治理層次 在 `v1` 階段，Human Knowledge Commons 可先把治理區分為三個層次，讓制度既不過度複雜，也不至於完全空白。 #### 4.1 日常運營層 這一層處理的是系統日常運作所需的管理工作，例如： - 基本角色權限維護 - 服務穩定性 - 高風險濫用的即時處理 - 敏感內容的初步保護 - 系統紀錄與稽核資料的維護 這一層不應自動擁有重寫上位原則的權力。它的任務是執行與維持，而不是單方面定義公共知識的價值標準。 #### 4.2 社群治理層 這一層處理的是與知識品質、角色互動、爭議標記、申訴討論與制度回饋有關的公共問題。例如： - 對某類分類規則提出修正建議 - 對某些內容的爭議處理方式提出公開討論 - 對角色權限範圍與義務提出改進建議 - 對系統性偏誤提出審視與回應 社群治理層的重要性，在於讓 Commons 不會退化成一個「只有產品團隊決定一切」的系統。 #### 4.3 原則與修憲層 這一層處理的是影響 Commons 長期方向與制度邊界的問題，例如： - 對核心治理原則的修訂 - 對參與權利邊界的重大改動 - 對 AI 權限與限制的重大調整 - 對制度獨立性與公共利益定位的重大改動 這一層不需要在 `v1` 立刻有最終完整設計，但 White Paper 必須明確承認其必要性，並避免讓日常運營機制默默取代這一層的正當程序。 ### 5. 治理角色的制度要求 即使在治理層內，不同功能也不應被完全混成單一權力中心。 至少在原則上，Human Knowledge Commons 應維持以下分離： - 提交內容者與最終限制內容者分離 - 建立工具邏輯者與審查具體爭議者分離 - 高風險安全處置者與原則性規則制定者分離 這些分離不是官僚化，而是為了避免任何單一團體同時掌握輸入、判斷、限制與規則修改的全部權力。 ### 6. 修訂、申訴與爭議保留 一套可信治理體系，必須允許錯誤被指出，並允許制度本身被修正。 因此，Human Knowledge Commons 至少應保留以下程序： #### 6.1 內容層申訴 當參與者認為某項分類、關聯、狀態標記或 AI 判讀不正確時，應能提出更正請求與說明理由。 #### 6.2 權限層申訴 當參與者認為自己被不當限制、被錯誤降權、被不公平排除或遭遇濫權處置時，應有獨立於原始行動者的申訴路徑。 #### 6.3 制度層修訂 當社群發現某項規則本身正在持續產生偏差，應能對規則提出修正，而不只是對個案做補救。 #### 6.4 爭議保留 並不是所有爭議都應立即被「解決」。對某些尚未成熟、尚未有足夠證據或高度價值衝突的議題，治理制度應允許爭議被保留、被標記、被歷史化，而不是強迫給出虛假的完成感。 ### 7. 正當性的來源 Human Knowledge Commons 的治理正當性，不應建立在名望、資本、模型能力或維運便利之上，而應建立在幾項更基本的條件上： - 規則可被理解 - 權力可被檢查 - 高影響決策可被追溯 - 異議有容身之處 - 修正有正式通道 若一套系統要求人們相信它能管理知識，卻不允許人們理解它如何管理，那麼它最終只會再造另一種不透明權威。 ### 8. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 的治理至少應做到： - 對角色與權限提供公開說明 - 對高影響行動保留稽核紀錄 - 對內容分類與權限限制提供申訴管道 - 承認制度規則可以被修訂，而不是視為不可挑戰 - 對 AI 的高影響輸出保留人工覆核機制 若這些最低要求都沒有建立，後續即使技術功能再完整，也難以形成真正值得信任的公共知識制度。 ## Privacy, Consent, and Human Rights Safeguards ### 1. 本章目的 Human Knowledge Commons 若要處理人類的想法、問題、觀察、主張與證據，就勢必會接觸到高度敏感的資訊邊界。若沒有嚴格的隱私、同意與人權保障，本計畫很容易從「公共知識基礎設施」滑向「知識採礦場」。 本章的目的是清楚界定一條底線：人不是可被無限制萃取的知識原料。參與不是默認授權。制度規模、模型效能與協作便利，都不能高於人的尊嚴、自主與安全。 ### 2. 基本原則 Human Knowledge Commons 的隱私與權利保障，至少應建立在以下原則上。 #### 2.1 同意必須具實質意義 同意不應只是技術性勾選。參與者應理解自己提交的是什麼、會進入哪種模式、可能被誰看見、如何被用於比對或摘要，以及未來可否撤回或限制。 #### 2.2 隱私應是系統內建邊界 隱私不是日後補上的例外處理，而應是設計起點。這意味著參與模式、權限設計、AI 使用範圍與資料流向，都要從一開始考慮隱私風險。 #### 2.3 參與必須可分級 使用者不應只能在「完全不參與」與「完全公開」之間二選一。私人、匿名研究與公開協作的分層，是保護不同風險情境的必要條件。 #### 2.4 人權高於制度便利 即使某些資料對模型訓練、系統優化或研究整合看似有用，也不能因此合理化對自主、尊嚴、身分安全或脆弱群體權益的侵蝕。 ### 3. 同意模型 Human Knowledge Commons 應採取明確分層的同意模型，而不是模糊的一次性授權。 在 `v1` 階段，至少應讓使用者明確知道： - 內容是只供自己整理，還是可進入匿名聚合 - 內容是否可被 AI 用於跨內容比對 - 內容是否可能在公開協作層被他人閱讀或評論 - 是否允許系統將其材料用於生成摘要或關聯候選 - 在何種條件下可以撤回、限制或降級可見度 清楚的同意模型，不只是法律保護，也是建立信任的前提。 ### 4. 去識別化與再識別風險 匿名研究模式並不等於完全無風險。即使姓名、地址或聯絡資訊被移除，內容中的背景細節、時空資訊、事件描述與獨特組合，仍可能讓個體被重新辨識。 因此，Human Knowledge Commons 不應把去識別化理解為簡單的文字刪除，而應把它視為一種風險管理過程。至少需要考慮： - 哪些欄位屬於直接識別資訊 - 哪些敘述屬於高再識別風險內容 - 哪些領域或社群因樣本稀少而特別脆弱 - 哪些材料即使匿名後仍不宜公開聚合 這代表匿名模式必須是一種被治理的模式，而不是一個技術標籤。 ### 5. 原始資料與衍生資料的區分 一套成熟系統應清楚區分： - 原始輸入 - 去識別後輸入 - AI 結構化結果 - AI 摘要與關聯候選 - 公開可見版本 這些層次不應默默混在一起。不同層次應有不同可見度、不同權限、不同保存條件與不同稽核要求。否則，一旦發生誤用，系統將難以說明責任邊界。 ### 6. 敏感內容與高風險主題 並非所有知識主題都具有相同風險。某些內容涉及醫療狀況、心理創傷、法律風險、政治暴露、弱勢社群識別、安全議題或其他高風險情境時，系統應採取更嚴格保護。 可能的制度要求包括： - 降低預設可見度 - 限制某些自動摘要功能 - 要求更高層級同意 - 對再識別風險做額外審查 - 對高風險內容的檢視與導出保留更完整紀錄 這些措施不是阻礙協作，而是確保協作不建立在不對稱傷害之上。 ### 7. 存取控制與稽核紀錄 Human Knowledge Commons 必須承認：只要系統中存在不同可見層級與不同權限，就一定需要存取控制與紀錄。 在 `v1` 階段，至少應做到： - 不同參與模式對應不同可見範圍 - 高權限檢視或限制行動必須留痕 - 對重要資料操作保留時間、角色與行動紀錄 - 在可能情況下，讓使用者知道自己的內容曾被如何處理 稽核不是不信任參與者，而是保護參與者與制度本身。 ### 8. 退出、撤回與限制權 Human Knowledge Commons 不應把資料進入系統視為不可逆的交付。參與者原則上應具有： - 退出某種參與模式的權利 - 撤回未進入公共依賴鏈內容的權利 - 限制未來使用範圍的權利 - 對 AI 生成詮釋提出異議與要求更正的權利 但同時，系統也需要處理一個真實張力：某些內容一旦已進入公共修訂歷史、被他人評論或被作為後續知識節點的基礎，完全抹除可能破壞公共紀錄完整性。 因此，退出與撤回制度不應被簡化為「使用者想刪就完全消失」，而應設計成在個體權利與公共知識歷史之間取得清楚、可說明的平衡。 ### 9. 人權不是附錄，而是邊界 Human Knowledge Commons 的人權保障，不應只是政策聲明，而應回到所有核心設計問題： - 這個 AI 功能是否會增加脆弱者風險 - 這個參與模式是否真的建立在可理解同意之上 - 這個資料關聯是否越過了原先授權範圍 - 這個內容展示方式是否可能造成不當暴露 - 這個治理決策是否讓少數群體缺乏救濟 若系統無法在這些問題上自我約束，它即使名義上是公共知識計畫，也可能在實務上成為新的不對稱權力工具。 ### 10. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 清楚區分私人、匿名研究與公開協作模式 - 在進入匿名聚合或公開層前取得明確同意 - 對敏感資訊與高風險主題採取額外保護 - 區分原始輸入、AI 衍生資料與公開版本 - 為重要資料存取與限制行動保留紀錄 - 提供退出、限制與更正的基本機制 若這些要求不存在，Human Knowledge Commons 就不應聲稱自己具備處理公共知識與人類參與的正當性。 ## Knowledge Versioning and Revision History ### 1. 本章目的 Human Knowledge Commons 最有辨識度的主張之一，是知識不應被視為一份無歷史的答案清單，而應被視為一條可被看見其形成、衝突、修正與再理解過程的演化路徑。 本章的任務，是將這個原則制度化：說明為什麼知識需要版本控制、什麼內容應被記錄、哪些變更應被保留、何種撤回需要特殊處理，以及為什麼「保留修訂歷史」本身就是公共信任的一部分。 ### 2. 為什麼知識需要版本控制 多數現代資訊系統擅長展示當前狀態，卻不擅長展示當前狀態如何形成。這種設計在某些情境下很方便，但對知識制度來說並不夠。 一個成熟的公共知識系統，至少應讓人們回答以下問題： - 某項主張最早是如何被提出的 - 它曾經依據哪些證據被支持 - 它遭遇了哪些批判或反證 - 它在哪些時間點被修正 - 修正是因為新資料、方法改變，還是原始判讀錯誤 - 哪些分歧至今仍未解決 如果系統只能給出最新版本，而不能給出變化歷史，那麼公共信任最終只能建立在當下權威上，而不是建立在可理解的學習過程上。 ### 3. 版本控制不是為了懷舊，而是為了問責 Knowledge Versioning 的目的，不只是保存舊內容，而是讓知識改變本身成為可檢查的公共事件。 它至少有四個重要功能： #### 3.1 保留錯誤的修正路徑 知識成長經常伴隨錯誤。如果錯誤被完全抹除，後來者就無法理解為何先前會出錯，也無法從修正過程中學習。 #### 3.2 防止靜默漂移 沒有版本紀錄時，分類邏輯、信心狀態或內容表述可能被悄悄改動，而外界無法知道是什麼改了、誰改了、為何改了。版本控制讓這些變化不能無聲發生。 #### 3.3 保護少數意見與未解決爭議 若系統只留下最終摘要，就容易把曾經重要的異議、限制條件與反對證據埋掉。版本歷史能確保爭議不是被粗暴抹平，而是被歷史化保存。 #### 3.4 建立可學習的制度記憶 Human Knowledge Commons 的目標不只是累積內容，而是累積「人類如何更好地形成知識」的制度經驗。版本與修訂歷史正是這種制度記憶的基礎。 ### 4. 應被記錄的內容 在 `v1` 階段，系統不需要記錄一切微小介面變動，但至少應對高影響知識變更保留歷史。 建議應被記錄的項目包括： - 主張文字的重大修訂 - 主張狀態的變化 - 支持或反對證據的新增與移除 - 關聯類型的重大變更 - 信心評估的重要調整 - AI 高影響摘要或分類結果的更正 - 關於某主張的重要審查與異議 這些紀錄不一定都要對所有人以同樣方式公開，但在制度上應可追溯。 ### 5. 什麼是「修訂」，什麼不是 為了避免版本歷史膨脹成無法理解的雜訊，系統需要區分不同性質的變更。 高層次上，可區分為： - 編輯性修訂：修正文句、格式或清楚度 - 結構性修訂：改變知識物件類型或關聯方式 - 狀態性修訂：改變驗證狀態、爭議標記或信心指標 - 證據性修訂：新增、移除或重新評估重要證據 - 治理性修訂：因申訴、濫用處理或程序審查而發生的改動 這種區分有助於讓版本歷史可閱讀，而不是只是一長串技術差異。 ### 6. 版本控制與撤回之間的張力 Knowledge Versioning 並不意味著任何內容都應被永久公開。前一章已指出，個體在某些條件下應有退出、限制與撤回權。 但一旦某項內容已成為公共知識鏈的一部分，就會出現一個制度張力：如果完全刪除，可能破壞後續理解與公共記錄；如果完全保留，可能損害原始參與者權益。 因此，Human Knowledge Commons 需要區分幾種情境： - 尚未進入公共依賴鏈的內容，可較完整撤回 - 已進入公共歷史但具有高度敏感性的內容，可降低可見度或保留最小必要紀錄 - 已被大量依賴的關鍵修訂，不宜無痕消失，但可對原始身份做更嚴格保護 這代表版本控制不是絕對公開主義，而是一種在記憶與權利之間取得平衡的制度安排。 ### 7. 差異顯示與歷史可讀性 版本控制若只是保存一堆不可讀紀錄，也無法真正增進公共理解。因此，系統在長期上應追求的不只是「有歷史」，而是「歷史可讀」。 至少在原則上，未來版本應讓使用者能看見： - 某次修訂改了什麼 - 為什麼改 - 是誰在何種角色下改 - 修訂與哪些證據或申訴有關 - 是否仍有反對意見未被解決 這樣的設計，能把版本控制從工程概念轉化成知識制度概念。 ### 8. 爭議必須有歷史，而不是只有結果 Human Knowledge Commons 應特別避免一種常見傾向：只記錄最後結論，不記錄通往結論的爭議過程。 對許多高複雜度主題而言，真正重要的不只是最後的狀態標籤，而是： - 支持者與反對者各自依據什麼 - 哪些證據曾被誤讀 - 哪些方法曾被質疑 - 某次修訂為何沒有解決全部問題 這不只是歷史誠實，也是後續改進的基礎。 ### 9. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 對主張、狀態與重要關聯保留修訂紀錄 - 讓重要變更能連結其理由與時間 - 不因修正而抹除先前版本的存在 - 保留支持與反對材料的歷史 - 為撤回與可見度調整建立清楚規則 若這些最低要求能成立，Human Knowledge Commons 就不只是保存內容，而是開始保存知識如何成為知識的過程。 ## Technical Architecture Overview ### 1. 本章目的 前面的章節已經定義了 Human Knowledge Commons 的制度目標、知識模型、驗證框架、參與模式與治理邊界。接下來的問題是：這樣的一套制度，技術上應如何被承接。 本章的目的，不是在 `v1.0` 就鎖死最終技術選型，而是提出一套與前述制度設計相容的高層次架構原則。這套架構必須能支持： - 知識物件的清楚分離 - 版本與修訂歷史的可追溯 - AI 輔助工作流的可覆核 - 權限、同意與隱私邊界的可執行 - 後續從 MVP 成長為更成熟知識網路的可能性 因此，本章重點是分層、責任分工與演化方向，而不是 API 細節或框架偏好。 ### 2. 架構設計原則 Human Knowledge Commons 的技術架構，至少應符合以下原則。 #### 2.1 制度先於實作 技術架構應服務於知識制度，而不是反過來用技術便利性決定制度邊界。若某種實作方式會破壞修訂歷史、同意邊界或爭議保留能力，即使它工程上更方便，也不應被優先採用。 #### 2.2 分層清楚 應用邏輯、知識模型、AI 工作流、權限控制與稽核紀錄，不應全部耦合成單一黑箱。分層的目的不是追求抽象優雅，而是為了讓不同功能能被檢視、替換與治理。 #### 2.3 可追溯與可稽核 重要知識狀態變更、AI 高影響輸出、權限行動與內容修訂，應能在技術上留下足夠紀錄，以支撐治理、申訴與制度學習。 #### 2.4 漸進擴充 `v1` 不需要一次實現完整知識圖譜宇宙，但其資料模型與服務邊界應避免把未來擴充堵死。架構應允許從簡單關聯逐步演進到更成熟的圖譜、工作流與跨節點互通。 #### 2.5 AI 可替換 AI 模型供應商、embedding 模型、排序與抽取邏輯都可能變動，因此架構不應把制度功能綁死在單一模型或單一商業供應商上。模型可替換性是治理韌性的一部分。 ### 3. 建議的高層次架構分層 在 `v1` 階段，Human Knowledge Commons 可先以五層結構理解整體系統。 #### 3.1 應用層 這一層直接面向使用者與治理角色，負責： - 提交問題、想法、主張與材料 - 選擇私人、匿名研究或公開協作模式 - 查看相似、支持與衝突候選 - 確認或修正 AI 判讀 - 發起評論、驗證任務與修訂 - 查看版本歷史與狀態變化 應用層的重點不是視覺設計本身，而是要把制度差異清楚呈現給使用者，例如可見範圍、狀態含義、風險提示與申訴入口。 #### 3.2 工作流與服務層 這一層負責協調系統中的主要流程，包含： - 提交流程 - 同意與權限檢查 - 敏感資訊處理 - AI 結構化抽取 - 候選關聯生成 - 人類確認 - 狀態更新 - 驗證任務建立 - 稽核紀錄寫入 這一層應是制度邏輯的主要落點。也就是說，「什麼情況下可以建立關聯」、「什麼情況下必須人工確認」、「哪些動作需要記錄」等規則，應在這一層清楚實作。 #### 3.3 知識與資料層 這一層負責持久保存 Human Knowledge Commons 的核心物件與其關係。至少應包含： - users - roles - consents - questions - observations - claims - hypotheses - evidence - experiments - reviews - revisions - relationships - audit_logs 在 `v1` 階段，不一定需要把所有概念拆成高度獨立微服務，但資料層至少要能清楚區分知識物件、版本變更與權限紀錄，避免未來難以治理。 #### 3.4 智能與分析層 這一層負責 AI 與檢索相關能力，例如： - 結構化抽取 - embedding 生成 - 相似性搜尋 - 初步關聯排序 - 矛盾候選標記 - 文本摘要 - 修訂差異說明 這一層的輸出應被視為輔助訊號，而不是最終裁定。從架構上看，它應盡量透過明確介面與其他層互動，避免 AI 邏輯直接繞過工作流層寫入高影響狀態。 #### 3.5 治理與稽核層 這一層不一定要是一個獨立產品介面，但在架構概念上應被單獨看待。其職責包括： - 記錄高影響行動 - 保存角色與權限變更 - 支援申訴與回溯 - 保存 AI 版本與重要配置說明 - 在必要時支援事件調查與制度檢視 若這一層不存在，Human Knowledge Commons 即使擁有豐富功能，也難以聲稱自己具備公共知識治理所需的透明度。 ### 4. 建議的資料模型方向 在 `v1` 階段，最實際的方向不是一開始就建成完整分散式知識網路，而是使用一套能支撐版本、關聯與權限邏輯的核心資料模型。 從現有草案來看，可將資料分成幾類： #### 4.1 身分與權限資料 包含： - 使用者基本資料 - 角色狀態 - 同意記錄 - 可見模式選擇 - 申訴與處理狀態 #### 4.2 知識內容資料 包含： - 問題 - 主張 - 假說 - 證據 - 實驗 - 評論 - 解釋 #### 4.3 關聯與圖譜資料 包含： - supports - contradicts - extends - derived_from - tested_by - related_to 在 `v1` 階段，這些關係可以先以關聯表或圖譜相容資料結構實作，保留未來演進空間。 #### 4.4 版本與稽核資料 包含： - 修訂紀錄 - 狀態變更 - 權限行動 - AI 輸出摘要版本 - 申訴處理紀錄 這類資料不是營運附屬品，而是制度可信度的技術基礎。 ### 5. 建議的技術能力組合 在技術方向上，`v1` 可優先追求穩定、可讀、可稽核，而不是一開始就追求分散式複雜度。 一個合理的能力組合可能包括： - 關聯式主資料庫，用於交易一致性、權限與修訂歷史 - 向量索引，用於語意相似與候選檢索 - 圖關聯能力，用於表達主張、證據與驗證任務之間的連結 - 物件儲存，用於保存附件、原始材料與匯入資料 - 背景工作系統，用於 AI 任務、索引更新與驗證處理 這些能力可以由不同技術組合承接，例如以 PostgreSQL 搭配 pgvector 作為早期核心，並視成長需求再加入更成熟圖關聯層。關鍵不在於技術名稱本身，而在於它們是否支撐制度要求。 ### 6. 互通性與未來協定方向 若 Human Knowledge Commons 真要成為長期公共知識基礎設施，就不能只設計成一座封閉資料孤島。即使 `v1` 還很早期，也應從架構上保留未來互通可能。 至少應考慮： - 可匯出核心知識物件與關聯 - 為版本與證據建立穩定識別方式 - 保留 API 與外部工具互動的可能性 - 避免把資料結構綁死在單一前端或單一模型服務上 互通性的意義，不只是開發方便，而是避免 Commons 自己變成另一個封閉平台。 ### 7. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 的技術架構至少應做到： - 支援基本知識物件的結構化保存 - 支援私人、匿名研究與公開協作的權限邏輯 - 支援 AI 抽取與相似候選生成 - 支援人工確認後的關聯建立 - 支援版本與高影響行動的紀錄 - 支援後續擴充而不破壞前述制度要求 若這些能力無法成立，Human Knowledge Commons 就只能是一個概念展示，而還不是制度原型。 ## Trust, Safety, and Anti-Abuse Design ### 1. 本章目的 任何試圖聚合人類觀點、證據與知識修訂歷史的系統，都會面對濫用風險。對 Human Knowledge Commons 而言，風險不只來自垃圾內容或攻擊性行為，也來自更細緻的知識操弄：偽造證據、協同灌入相似說法、以 AI 包裝不實內容、利用身份光環壓制異議，或藉由制度漏洞悄悄改變知識狀態。 因此，本章的目標不是建立傳統內容平台式的模糊「安全機制」，而是界定一套與知識制度相容的信任、防護與反濫用設計。 ### 2. Human Knowledge Commons 面對的風險類型 在 `v1` 階段，至少應預期以下幾類風險。 #### 2.1 大量低品質灌入 系統可能遭遇大量重複、空泛、不可驗證或純情緒性內容輸入，導致高價值內容被淹沒，並讓 AI 比對結果失真。 #### 2.2 協同行動操弄 多個帳號或群體可能協同提交相似主張，試圖營造「很多人都這樣說」的假象，藉此誤導共識感或排序結果。 #### 2.3 偽造或扭曲證據 參與者可能提交錯誤標記的材料、斷章取義的研究摘要、偽造數據，或把相關性敘述成因果性證明。 #### 2.4 AI 誤導性放大 即使原始內容不是惡意的，AI 也可能因摘要、歸類、關聯或信心提示錯誤，而把本來局部的問題放大成系統性誤解。 #### 2.5 對少數意見的不公平壓制 當系統過度依賴多數訊號、語意聚類或高活躍角色時，仍具研究價值但不受歡迎的觀點可能被過早邊緣化。 #### 2.6 身份、地位與權力偏誤 某些參與者可能因頭銜、機構、語言優勢或社群權力而在實務上獲得超額影響力，即使其內容未必更有證據基礎。 #### 2.7 再識別與惡意挖掘 匿名研究模式若設計不當，可能被用來追蹤、推測或揭露個體身份，對脆弱社群尤其危險。 ### 3. 設計原則 針對上述風險，Human Knowledge Commons 的信任與防護設計應遵守幾項原則。 #### 3.1 來源可追溯，影響可檢查 重要內容、重要修訂、重要狀態變更與高影響 AI 輸出，都應能回溯其來源與處理路徑。若影響存在卻無法檢查來源，濫用就會更難被發現。 #### 3.2 先降低放大，再追求流暢 在有爭議、尚未驗證或高風險情境下，系統應優先避免錯誤放大，而不是優先生成最順暢的使用體驗。 #### 3.3 高影響動作需要更高摩擦 提交內容可以相對容易，但要把某項主張提升狀態、限制他人內容、改變高影響關聯或生成公共摘要時，應有更高層級的審視與記錄要求。 #### 3.4 保留異議比過早收斂更安全 對知識系統而言，最危險的情況往往不是爭議存在，而是爭議被太早抹平。因此，對高衝突內容，應優先保留異議而非追求整齊結論。 ### 4. 建議的防護機制 在 `v1` 階段，可考慮以下防護做法。 #### 4.1 速率限制與品質門檻 對短時間大量提交、明顯重複內容或缺乏最基本結構的輸入，可施加速率限制、延後處理或要求補充資訊，避免系統被灌爆。 #### 4.2 人工確認關鍵關聯 AI 可以生成相似、支持與衝突候選，但不應在無人審視下直接建立高影響知識關聯。 #### 4.3 爭議標記與狀態隔離 對尚未清楚驗證或存在重大分歧的主張，應明確維持其 `contested` 或相近狀態，避免被混入較穩定知識層。 #### 4.4 稽核紀錄與事件回溯 所有高權限行動、狀態變更與敏感資料操作，都應可供事後檢查。這對濫用調查與制度改進至關重要。 #### 4.5 角色分離 能提交內容的人，不應同時單方面掌控其狀態定義；能限制內容的人，也不應在沒有檢查機制下永久控制申訴結果。 #### 4.6 高風險領域額外保護 醫療、法律、公共安全等領域需要更高的審查密度、更清楚的不確定性標示與更嚴格的摘要限制。 ### 5. 信任不是審查最大化 Human Knowledge Commons 的防護設計，不應被誤解為一套只追求更強內容控制的審查機制。若系統把所有風險都回應成更封閉、更集中、更不透明的控制，它就會失去作為公共知識基礎設施的正當性。 真正的信任設計，應該是在以下兩端之間維持平衡： - 一端是放任濫用與操弄 - 另一端是過度集中與不透明管理 Commons 的目標，是讓風險可被看見、可被處理、可被申訴、可被制度學習，而不是把風險處理變成另一種不受控制的權力來源。 ### 6. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 對大量灌入與重複內容有基本防護 - 對高影響 AI 關聯保留人工確認 - 對高風險主題維持更清楚的限制與標示 - 對高權限行動保留稽核紀錄 - 對濫用處理提供最基本的回溯與申訴能力 若這些要求都缺席，系統將很難區分「集體知識形成」與「高效率知識污染」之間的界線。 ## MVP Scope and Minimum Viable Loop ### 1. 本章目的 到目前為止，本 White Paper 已經提出一套具有文明尺度理想的制度構想。但若沒有一個具體、可驗證、可逐步實作的第一步，這一切仍可能停留在抽象願景。 因此，本章的目的，是把 Human Knowledge Commons 收斂成一個 `v1` 可以真正驗證的最小閉環。這個 MVP 不需要解決全球知識治理，但必須能回答一個關鍵問題： 一群人是否能在透明規則與 AI 輔助下，比傳統內容平台更有效率地形成可追溯、可檢驗、可修正的知識單元？ ### 2. MVP 要證明什麼 在 `v1` 階段，Human Knowledge Commons 不需要證明自己已經成為全球知識憲政。它需要證明的是以下幾件事： - 非結構化輸入能被可靠整理為知識物件 - AI 能提供有用候選，但不會自動越權 - 使用者願意確認、修正並參與知識關聯建立 - 狀態、歷史與爭議呈現能提升理解，而不是增加混亂 - 在有限範圍內，系統確實比一般論壇更適合累積可信知識 若這些事情可以成立，Human Knowledge Commons 就已從理念進入制度原型階段。 ### 3. 建議的最小可行閉環 `v1` 最重要的不是功能數量，而是是否存在一條真正完整的知識形成閉環。 建議的最小閉環如下： #### 3.1 使用者輸入問題或想法 內容可以是一段自然語言問題、觀察、主張或研究構想。 #### 3.2 使用者選擇參與模式 在提交時，使用者必須清楚選擇私人、匿名研究或公開協作模式。 #### 3.3 AI 結構化整理 系統將輸入拆解為問題、主張、假說、證據需求或其他知識物件。 #### 3.4 AI 產生相似、支持與衝突候選 系統找出與該內容語意相近、可能支持、可能矛盾或值得一起比較的材料。 #### 3.5 人類確認與修正 使用者或其他具適當權限者確認哪些候選關聯合理，哪些不合理，並修正 AI 判讀。 #### 3.6 系統保存關聯與歷史 一旦確認完成，系統正式保存關聯、驗證狀態與修訂歷史。 #### 3.7 人類可進一步發起驗證任務 對較重要或較具爭議的內容，參與者可提出後續驗證、補證或方法討論。 這條閉環若能運作，Human Knowledge Commons 就已不只是收集內容，而是開始形成知識過程。 ### 4. 建議納入 MVP 的功能 在 `v1` 階段，建議聚焦於下列功能： - 提交問題、觀察或想法 - 選擇私人 / 匿名研究 / 公開協作模式 - AI 結構化抽取 - 相似、支持與衝突候選呈現 - 人工確認或修正關聯 - 基本驗證狀態標示 - 修訂歷史查看 - 簡單的評論與驗證任務建立 - 基本申訴與更正入口 這些功能已足以構成 Human Knowledge Commons 的第一個制度原型。 ### 5. 建議暫時排除於 MVP 的項目 為避免 `v1` 膨脹，以下內容可明確列為後續階段： - 完整全球治理制度 - 多語言全面互通 - 高度成熟的知識圖譜推理 - 開放給第三方的大規模協定層 - 完整聲譽系統與複雜角色晉升制度 - 跨機構正式驗證網路 - 高度自動化的公共摘要發布機制 排除這些項目，不是因為它們不重要，而是因為 MVP 的任務是證明核心閉環，而不是一次完成所有長期願景。 ### 6. 建議的 MVP 使用情境 在 `v1` 階段，可優先驗證幾種具代表性的使用情境。 #### 6.1 個人知識整理 單一使用者把零散想法輸入系統，讓 AI 協助拆解、比對與保留歷史，形成可追溯的個人知識圖譜。 #### 6.2 小型匿名協作 小規模參與者在匿名研究模式下提交觀點，由系統協助找出相似與衝突，並讓人類共同確認。 #### 6.3 爭議主張的基本驗證流程 針對一項具討論價值但尚未穩定的主張，系統能呈現支持、反對、狀態與後續驗證需求。 這三種情境足以測試 Human Knowledge Commons 的核心能力，而不必依賴大規模上線。 ### 7. MVP 的成功標準 `v1` 的成功，不應用總內容量或總流量來判斷，而應觀察是否出現以下結果： - AI 的結構化結果是否常被人類認為有用 - 人類是否願意修正而不是放棄 AI 候選 - 相似與衝突比對是否真的提高理解效率 - 狀態與歷史顯示是否讓使用者更能掌握內容成熟度 - 匿名模式是否在保護隱私下仍支持有意義協作 如果這些成立，即使使用者規模很小，MVP 也已具備高度價值。 ### 8. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 的 MVP 至少應做到： - 能收錄與保存結構化知識物件 - 能讓使用者選擇不同參與模式 - 能由 AI 生成候選關聯 - 能讓人類確認與修正候選 - 能保存狀態與修訂歷史 - 能發起最基本的後續驗證流程 做到這些，Human Knowledge Commons 才算真正跨出從理念、宣言與白皮書走向可檢驗制度實作的第一步。 ## Phased Roadmap ### 1. 本章目的 Human Knowledge Commons 若被理解為一項文明尺度的公共知識基礎設施，就很容易在一開始陷入兩種極端：不是把願景縮得過小，只剩下一個普通產品；就是把願景擴得過大，以至於無法跨出第一步。 因此，本章的目的，是提出一條分階段的成長路徑。這條路徑不假設所有制度、技術與治理能力必須同時成熟，而是主張 Human Knowledge Commons 應透過連續的、可驗證的階段逐步擴張。 每一個階段都應回答四個問題： - 這一階段的主要目標是什麼 - 它新增了哪些能力 - 它引入了哪些新風險 - 它需要哪些新的治理升級 ### 2. Phase 1：個人知識整理器 第一階段的目標，不是立刻建立全球知識社群，而是先證明 Human Knowledge Commons 可以成為一個有效的個人知識整理與反思工具。 在這一階段，系統應優先支援： - 提交問題、觀察、主張與想法 - AI 結構化抽取 - 個人歷史回看 - 自身相似想法比對 - 修訂與版本記錄 這一階段要驗證的核心問題是： 單一使用者是否會因為知識結構化、歷史保存與 AI 輔助而更清楚地理解自己的思考過程？ 這一階段的主要風險包括： - AI 結構化品質不足 - 介面複雜度高於實際價值 - 使用者無法理解狀態與版本概念 治理上，此階段重點相對基礎，主要集中於： - 隱私邊界 - 同意清楚度 - AI 輸出可更正性 - 高影響紀錄保存 ### 3. Phase 2：小型匿名協作社群 第二階段的目標，是把 Human Knowledge Commons 從個人工具擴展為小規模集體知識形成環境。 在這一階段，系統應允許一小群參與者以匿名研究或受限公開模式協作，並重點驗證以下能力： - 不同人的想法能否被安全地放入同一知識空間 - 系統能否找出有意義的相似與衝突 - 參與者是否願意對 AI 候選進行確認與修正 - 系統是否能保留分歧，而不是只追求整齊摘要 這一階段的重要新增能力包括： - 跨使用者關聯候選 - 匿名研究模式下的協作 - 基本評論與補充機制 - 初步申訴與異議處理流程 相應增加的風險則包括： - 再識別風險 - 協同行動操弄 - 相似性被誤讀為支持 - 少數觀點被早期邊緣化 治理上，第二階段至少需要： - 更清楚的角色區分 - 對匿名內容的保護規則 - 基本爭議標記機制 - 內容層與權限層申訴入口 ### 4. Phase 3：驗證與證據協作平台 第三階段的目標，是讓 Human Knowledge Commons 不只整理觀點，而能真正支持驗證流程與證據改進。 在這一階段，系統應開始支援： - 驗證任務建立 - 支持與反對證據的結構化呈現 - 更成熟的狀態與信心框架 - 基本的重複驗證紀錄 - 方法限制與爭議脈絡保留 這一階段的核心問題是： Human Knowledge Commons 能否從「協助比較想法」進一步成長為「協助改進主張可信度」的制度工具？ 新增風險包括： - 驗證任務被假裝成已完成 - 某些領域的證據標準被過度簡化 - AI 在高衝突主題上生成過度平滑的摘要 - 角色權限差異造成審查偏誤 因此，治理升級需要涵蓋： - 更嚴格的高風險領域標示 - 對驗證任務與證據評估的更清楚紀錄 - 對 AI 高影響摘要的更高覆核要求 - 對濫用與操弄的更完整回溯能力 ### 5. Phase 4：跨社群知識網路 第四階段的目標，是將 Human Knowledge Commons 從單一系統，逐步發展為一個可跨社群、跨語言、跨機構運作的公共知識網路。 在這一階段，系統應逐步探索： - 多語言知識對齊 - 更成熟的知識圖譜層 - 外部工具與資料來源互通 - 更完整的治理結構 - 與研究機構、公民社群、公共利益組織的合作模式 這一階段最大的風險不再只是內容品質，而是制度層風險： - 治理是否失衡 - 資金是否開始主導方向 - 單一供應商是否形成技術鎖定 - 不同文化與語言社群是否被不對稱納入 因此，第四階段真正需要證明的，不只是規模擴張，而是 Human Knowledge Commons 在擴張之後，是否仍能維持其創始原則。 ### 6. 路線圖的核心原則 分階段路線圖的真正意義，不是畫出一條直線發展劇本，而是確保 Human Knowledge Commons 的成長具備幾項特質： - 每一步都能被驗證 - 每一步都伴隨制度升級 - 每一步都承認新的風險 - 每一步都不以犧牲原則換取規模 若做不到這些，擴張本身就可能成為對 Human Knowledge Commons 最危險的壓力來源。 ## Sustainability, Public Interest, and Institutional Independence ### 1. 本章目的 任何聲稱要成為公共知識基礎設施的計畫，最終都會被問到同一組問題： - 誰來支持它 - 它如何長期維運 - 它是否會被買走、被挾持，或逐步偏離創始使命 若 Human Knowledge Commons 無法回答這些問題，它就很難被視為一項可信的長期制度提案。 因此，本章的目的是說明：可持續性不只是財務問題，也不只是營運問題；它同時是公共利益問題與制度獨立性問題。 ### 2. 公共利益定位 Human Knowledge Commons 的基本定位，不應是「以知識為素材的內容生意」，而應是公共利益導向的知識基礎設施。 這代表它的制度判準，不應以流量最大化、內容產量最大化、廣告效率最大化或模型餵料效率最大化來定義。它應優先問的是： - 是否提升了知識形成的誠實度 - 是否讓證據與爭議更清楚可見 - 是否讓參與者的權利與尊嚴獲得保護 - 是否降低了公共理解被挾持的風險 如果這些指標被商業化內容邏輯取代，Human Knowledge Commons 就會逐漸失去存在的理由。 ### 3. 永續性不等於商業化優先 一項制度要長期存在，當然需要資源、維運能力與人才投入。但可持續性不應被簡化為「誰出最多錢，誰就決定方向」。 對 Human Knowledge Commons 而言，更合理的永續性原則應包括： - 優先採取非營利或公共利益導向結構 - 讓資源支持制度，而不是讓制度服從資源 - 把治理獨立性視為財務設計的一部分 - 把可退出單一資助者依賴視為長期目標 這並不否認商業合作、捐助、研究計畫支持或公共部門協作的可能，而是要求任何這類支持都不能轉化為對知識標準的永久控制權。 ### 4. 資助原則 若 Human Knowledge Commons 將來接受捐助、合作資源或技術支援，至少應考慮以下原則： #### 4.1 資助來源透明 重要資助來源應盡可能公開，避免制度背後存在不透明影響力。 #### 4.2 資助與知識裁定分離 資助者不應直接決定某項主張的狀態、某類議題的優先權，或某種知識方向的合法性。 #### 4.3 資助依賴風險應可被辨識 若系統在財務上過度依賴單一來源，其治理與技術決策將更容易受到隱性壓力。因此，依賴風險本身就應被視為治理風險。 #### 4.4 公共利益優先於品牌利益 與外部機構合作時，Commons 不應成為單一品牌、企業或政治敘事的合法性背書機器。 ### 5. 技術依賴也是制度依賴 制度獨立性不只取決於財務，也取決於技術。 若 Human Knowledge Commons 的核心能力完全綁死在單一模型供應商、單一雲端平台、單一資料格式或單一封閉工具上，那麼即使表面上是公共計畫，實質上也可能受制於他者的商業與策略選擇。 因此，長期而言，Human Knowledge Commons 應盡量朝以下方向前進： - 模型與基礎設施可替換 - 核心資料可匯出 - 版本與知識物件具穩定識別 - 關鍵邏輯可被外部理解與檢查 - 系統不因單一供應商退出就失去存續能力 這些目標不一定在 `v1` 全部完成，但應從一開始被承認為制度需求，而不是日後才補救的工程事項。 ### 6. 商業合作的邊界 Human Knowledge Commons 並不必然排斥商業合作。企業可能提供基礎設施、研究資源、工具整合或特定知識領域貢獻。但合作必須受到邊界約束。 至少應明確避免以下情況： - 商業夥伴直接影響知識驗證標準 - 系統為了商業擴張而降低隱私與人權要求 - AI 或排序邏輯被偷偷優化為促進商業目標，而非公共理解 - 公共內容被轉化為封閉資產而無對等公共回饋 換句話說，合作可以存在，但 Commons 不能失去其公共利益定位。 ### 7. 政府合作的邊界 與公共機構合作可能對教育、公共健康、知識保存與研究議題有正面價值。但與政府合作也帶來另一類風險：制度可能逐步被國家優先順序吸收，進而削弱其公共與跨國性格。 因此，Human Knowledge Commons 應維持的原則是： - 政府可以是參與者或合作方，但不應成為永久主權中心 - 公共利益合作不應變成國家知識壟斷 - 對跨國使用者而言，Commons 的基本權利保障不應因單一政府偏好而被重寫 這並不是反對公共部門參與，而是避免把公共知識制度收編為單一權力工具。 ### 8. 制度獨立性的核心論點 Human Knowledge Commons 若希望保護公共知識，就必須先保護自己不被挾持。 這意味著制度獨立性不是可有可無的附加條件，而是 Commons 能否可信存在的前提。若知識制度本身容易被資本、國家、平台或模型供應商操控，那麼它最終只會成為新的知識中介權力，而不是公共知識基礎設施。 ### 9. v1 的最低要求 在 `v1` 階段，Human Knowledge Commons 至少應做到： - 明確採取公共利益導向定位 - 對重要資源與合作來源保持基本透明 - 避免在制度上綁死單一商業供應商 - 承認財務依賴與技術依賴都屬治理風險 - 在設計上保留未來走向更高獨立性的可能 若做不到這些，Commons 的制度正當性將從一開始就處於脆弱狀態。 ## Open Research Questions ### 1. 本章目的 一份誠實的 White Paper 不應假裝自己已經解決所有核心問題。對 Human Knowledge Commons 而言，未解問題不只是風險來源，也應被視為後續研究與制度實驗的正式議程。 本章的目的，是把那些尚未有最終答案、但對長期成功至關重要的問題明確列出。這樣做不是暴露弱點，而是延續 Charter 所強調的原則：知識進展來自誠實面對不確定性。 ### 2. 信心框架如何既清楚又不誤導 Human Knowledge Commons 必須表達主張的成熟度與可信度，但任何信心表示方式都可能被誤讀。 仍待研究的問題包括： - 多維度信心顯示如何避免被使用者誤看成單一真理分數 - 不同領域是否需要不同信心框架 - 什麼樣的視覺化最能誠實表達不確定性，而不讓人失去理解能力 ### 3. 如何在隱私與集體可學習性之間取得平衡 Commons 的價值之一，在於讓不同人的內容能在保護條件下被比較與學習；但比較越強，越可能觸及再識別與授權越界風險。 仍待研究的問題包括： - 匿名研究模式在不同主題下的安全門檻應如何設定 - 哪些內容類型即使去識別後仍不宜納入公共關聯層 - 如何讓使用者理解複雜資料流向，而不把同意介面做成形式主義 ### 4. 如何評估證據強度而不落入官僚化 證據框架若太鬆，系統容易淪為大型雜訊聚合器；若太硬，系統又可能排除早期但值得保留的探索性知識。 仍待研究的問題包括： - 哪些證據評估方式既能保持嚴謹，又不會過度僵化 - 不同領域之間能否共享一套足夠通用的最低框架 - 如何避免證據審查制度被高地位角色壟斷 ### 5. AI 如何避免在整理過程中抹平重要分歧 AI 擅長摘要，但摘要天然傾向壓縮。對 Human Knowledge Commons 而言，這既是能力，也是風險。 仍待研究的問題包括： - 什麼樣的提示與工作流設計最能保留衝突脈絡 - 如何讓 AI 在高爭議領域偏向誠實呈現分歧，而不是產生過度平滑的綜述 - 如何量化 AI 是否在系統性地忽略少數意見 ### 6. 跨語言與跨文化知識對齊如何實現 若 Commons 真要成為全球知識基礎設施，就不能假設所有知識都經由單一語言與單一文化框架進入系統。 仍待研究的問題包括： - 不同語言中的相似主張如何被可靠對齊 - 不同文化的分類方式與知識傳統如何被納入，而非被單一路徑同化 - 哪些制度安排能避免英語或高資源語言自動成為知識中心 ### 7. 哪種治理模式最能抵抗長期挾持 Commons 的治理必須在開放、效率、專業性與反挾持之間取得平衡，但目前尚無單一明顯正解。 仍待研究的問題包括： - 哪種治理層次設計最能兼顧可操作性與公共正當性 - 何種角色晉升與輪替機制能降低權力固化 - 哪些稽核與公開方式既足夠透明，又不造成過高治理摩擦 ### 8. 何時應把 Commons 視為制度，而不只是產品 `v1` 階段可以從產品原型開始，但 Human Knowledge Commons 的長期目標顯然超出一般軟體產品。 仍待研究的問題包括： - 在什麼階段需要從產品團隊邏輯過渡到制度治理邏輯 - 哪些指標能顯示 Commons 正在從工具成長為公共基礎設施 - 如何避免在轉型過程中失去早期靈活性或晚期正當性 ### 9. 未解問題本身就是研究議程 本章列出的問題，不應被視為附帶補充，而應被視為 Human Knowledge Commons 未來研究、原型設計、治理實驗與社群對話的正式議程。 這些問題沒有立即答案，並不構成失敗。真正的失敗，是假裝這些問題不存在。 ## Conclusion Human Knowledge Commons 的提出，來自一個越來越清楚的現實：在資訊極度豐富、AI 快速擴張、公共討論高度碎片化的時代，人類最缺少的，不是更多內容，也不是更快的回答，而是一套能幫助我們共同形成、共同檢驗、共同修正知識的公共基礎設施。 本 White Paper 所做的，不是為這個未來提供一份最終藍圖，而是提出一套可以被公開檢驗的制度方向。它主張，若要讓 Human Knowledge Commons 成為一項值得認真對待的公共計畫，就必須同時處理幾個問題：知識物件如何被定義，證據與信心如何被表達，參與與權利如何被保護，AI 如何被納入受治理的工作流，治理如何保持透明且可修正，版本歷史如何被保留，以及技術架構如何服務於制度而非凌駕於制度之上。 這份 White Paper 的核心論點可以總結為四點。 第一，知識不是靜態答案，而是可被追溯、可被質疑、可被修正的公共過程。 第二，AI 可以大幅提升知識整理與協作效率，但它必須始終作為助手，而不能成為真理裁判。 第三，任何可信的知識基礎設施，都必須把隱私、同意、人權、治理與制度獨立性視為核心架構，而不是日後補丁。 第四，Human Knowledge Commons 不需要先證明自己能一次解決所有全球知識問題；它需要先證明的是，一條更誠實、更可追溯、更可修正的知識形成閉環，確實可以被建造。 這也是本計畫最務實、也最重要的下一步。 如果 Human Knowledge Commons 能從最小可行閉環開始，逐步證明人類能在透明規則與 AI 輔助下，比現有內容平台更有效率地累積可信知識，那麼它就不再只是一個理念，而會成為一項正在形成中的公共制度。 Human Knowledge Commons 最終要回應的，不只是技術問題，也不只是治理問題，而是一個文明問題： 在這個時代，人類是否願意為共同學習建立一套配得上自己的制度？ 本 White Paper 的答案是：這項工作不只值得開始，而且已經到了必須開始的時候。