从公理生长：智能、行动与可修订的自我
世界可以被局部压缩，行动会制造路径依赖，真理受误差约束，自主需要边界，意义来自他者。问题不是让 AI 永远服从昨天的你，而是保护人和系统继续修订自己的能力。
这本书从六条暂定公理开始。它们不是不可怀疑的真理，只是我愿意公开承担的推理起点：
| 编号 | 公理 |
|---|---|
| M1 | 任何关于世界和智能的判断都可能错，因此必须暴露修订接口。 |
| A1 | 世界在局部、尺度与预算内可压缩，否则学习无从发生。 |
| A2 | 行动会不可逆地分配时间、算力、资本和声誉。 |
| A3 | 真理不能被误差穷尽，但必须接受预测与干预误差的约束。 |
| A4 | 能长期递归的自主，必须拥有边界、停止条件与外部审查。 |
| A5 | 意义不是封闭系统里的私有属性，它在交互历史与他者之间形成。 |
初版由 Juno Overseer 分章生成和审校，留下约十万字。重写时我删掉了大量流程自述、重复模板和为了满足篇幅而展开的段落。Juno 仍是第十章的工程实例，但不再是全书必须证明正确的主角。
这次重写加入一个更接近我现在的问题：当行动、制度、群体和 AI 都会改写人的欲望与身份时，一个人如何保留参与这个改写过程的权利？ 我把这种权利暂时称为生成自由。
第04章 压缩的极限
世界有结构，不代表结构可以被任何有限系统完整获得。
算法信息论告诉我们，有些序列没有比自身更短的描述；统计学习告诉我们，样本、维度和分布决定可学性；混沌系统则提醒，即使规律确定，微小误差也会让长期轨迹失去可预测性。
这些限制没有否定 A1，只迫使它更诚实。
三种预算
每个学习任务都应声明：
- 样本预算：增加多少观测仍无稳定增益，就停止收集；
- 算力预算：增加多少训练与搜索仍无样本外改善，就换假设；
- 视界预算：预测多远之后，误差大到不再支持行动。
预算不是项目管理附件，而是公理的一部分。没有停止条件，「世界可压缩」无法被证伪。
伪压缩
训练误差下降可能来自记忆、泄漏、指标投机或分布过窄。模型学到的是数据集的纹理，不是任务的机制。对抗样本和分布偏移之所以重要，是因为它们检查压缩能否穿过界面变化。
最危险的伪压缩出现在组织里。一个团队能越来越熟练地提高内部指标，却越来越远离用户和现实。Goodhart 定律不是「指标都没用」，而是任何被奖励的代理变量都会开始制造它所测量的人和行为。
诚实的 halt 不是失败。它说明在声明预算内，这条表示没有继续产生结构。停止压缩、换传感器、换域或承认问题问错，本身就是下一章所说的行动。