Projection Engineering 将不确定的 Claim 投影到可审计的图中

图片：使用 Google Gemini 生成。

一个自动化系统说，七月份的房租没有支付。

生成这句话很便宜，验证它却不便宜。必须有人检查租约、确认登记账户、核对相关期间、区分已结算与待处理的转账、查明这笔款项是否可能用于清偿另一笔债务，并判断哪一项政策允许这一结果触发通知或驱逐程序。

答案只有一句话，它的验证边界却延伸至整个世界。

这就是生成式 AI 的结构性问题。问题不只在于模型可能出错。如今，几乎可以瞬间生成一个貌似合理的 Claim，而核验它却可能需要重建背后的记录、假设、转换、政策与遗漏。

验证变得比生成更昂贵。

让模型表达得更流畅，并不能修复这种倒置。仅仅附上一条引文也无济于事——如果没有人知道来源中的哪一部分支持哪一个命题、使用的是哪个版本，或者来源发生变化时必须重新审查什么。

成熟制度通过在观察与计算之间插入一个责任层，解决了类似的问题。物理学建立了计量学，法律建立了法律事实认定。AI 同时拥有两者的碎片，却没有一门公认的学科，专门负责把开放世界中的 Claim 转化为决策可以安全使用的前提。

我把这个缺失的责任层称为 Projection Engineering。

记录与决策之间缺失的一层

计量学不轻信指针

传感器显示出一个数字，并不意味着它已经产生了可信的测量结果。测量还需要单位、校准历史、溯源链、不确定度，以及明确声明的有效范围。NIST 强调，计量溯源性属于测量结果，而不只是贴有校准标签的仪器（计量溯源性：常见问题与 NIST 政策）。

这套外围机制让故障可以被诊断。如果一座结构物发生破坏，调查人员可以从报告值出发，沿着转换与校准一路追溯到原始观察。仅靠算术无法提供这条路径。计量学使一个数字能够承载制度性的重量。

LLM 的回答通常没有与之相当的链条。它很少标明每个 Claim 起源于哪项观察、在转换中失去了什么、Claim 在何处仍然有效，或者修正发生后必须重新审查哪些依赖该 Claim 的决策。它就像一根不断移动、却没有刻度盘与校准证书的指针。

法律不轻信主张

法院并不会直接接触过去本身。它接触的是主张、证言、记录、证物与专家报告。法律事实认定通过证据规则、举证责任、证明标准与获授权的程序，决定相互竞争的 Claim 中哪些可以在特定案件里作为前提。实体真实与形式法律真实之间的区分，是司法事实认定中的一个古老问题（司法事实认定中的形式法律真实与实体真实）。

将事实认定与规则适用分离，也就分离了错误。记录可能采集错误；命题可能依据错误的标准被采纳；正确的前提可能遇上实现错误的规则；正确的结论也可能对错误的人执行。每种故障都属于不同层级，需要不同的修复方式。

计量学将观察转化为可溯源的数值。法律将有争议的记录转化为可用于一次裁判的认定。两者都拒绝让原始输入无声无息地流入会产生重大后果的计算。这正是 AI 决策系统所缺失的一层。

Fact 意味着 Accepted Fact

Projection Engineering 这个名称需要一道严格的边界。它并不承诺制造绝对真理。

在 Projection Engineering 中，Fact 意味着 Accepted Fact。

Accepted Fact，是依据明确的目的、范围、参照时间、证明标准与政策，经授权可在特定决策中作为前提使用的 Claim。

必须始终区分三种对象：

  • Claim：由身份明确的来源提交的断言或观察。
  • Accepted Fact：经获授权的程序准许作为前提的 Claim。
  • Conclusion：根据 Accepted Fact 与规则计算出的结果。

Accepted Fact 是具有可记录制度状态的 Claim，而不是被捕获进字段中的现实。真理仍然是目标：命题应当与现实相符。系统能够保存的东西更加狭窄，也更具操作性——谁在何时依据哪项记录、通过何种转换主张了什么；谁依据何种权限接受或拒绝了它；以及这个有边界的前提集合随后导致了什么。

Projection Engineering 并不拥有真理。它工程化地构筑决策周围的边界，使另一个人能够检查并质疑该决策。

AI 已经是封闭的——但只对 token 封闭

冻结的 Transformer 在一种有用的计算意义上是封闭的。固定它的权重、输入、运行环境与解码条件，其前向传播便可重放。该架构计算下一个应该出现什么 token（Attention Is All You Need）。它对 token 概率封闭，而不是对现实封闭。

这一区别同时解释了它的韧性与局限。训练语料可以同时包含 X 和 not-X。经典演绎必须处理这种矛盾，因为不受限制的爆炸原理可能使任何结论都可推出。语言模型却不会爆炸：矛盾段落改变的是一个分布，而不是让证明失效，因为蕴涵并非它所执行的原始操作。

基于同样的原因，attention 和 softmax 中没有任何规则能够保证真实前提在生成过程中保持为真。现代系统可以减少置信度很高的错误，但幻觉依然存在，部分原因是训练与评估可能奖励猜测，而不是承认不确定性（语言模型为什么会产生幻觉）。

我们把一项关于语言的计算，当成了对世界的判断。封闭性确实存在，却位于责任所需层级的下一层。Projection Engineering 提供了另一种封闭：它声明哪些 Claim、政策、权限与时间共同定义了这项决策的世界。随后，可复现的规则便能在其中计算。

米的定义展示了封闭性能做什么

1983 年，第 17 届国际计量大会将米定义为光在真空中于 1/299,792,458 秒内行进的距离，从而在 SI 定义中把光速精确固定为 299,792,458 m/s（第 17 届国际计量大会第 1 号决议（1983））。

这个数值之所以变得精确，并不是因为人类终于能够在毫无不确定性的情况下测量自然。一个获授权的共同体把它移过了一道边界：从有待不断精化的量，变为系统定义的一部分。由于边界被明确写出，边界之下的测量反而能够变得更加精密。

这并不是宣称拥有现实。它是由可识别的权威通过既定程序采纳的、有日期的约定，也可以通过另一项程序修订。Projection Engineering 只在同样有限的意义上封闭一项决策。它不封闭现实，而是冻结此时此地、在指定政策与权限之下，哪些 Claim 可以作为前提。

类比失效之处

计量学是一份指南，不是用来遮掩未决问题的伪装。

第一，普通测量往往受益于重复。一次付款、同意、检查、解雇或事故却可能是一个一次性事件。更接近的模型是法证计量学：单次观察必须依靠保存的实物、监管链、成文程序和已知的仪器限制，经受住对抗性程序。

第二，数值不确定度通常可以沿方程传播。对于未决命题，我们还没有同等通用的运算体系。如何在漫长推导中保持 supported、defeated 与 unknown，而不把它们漂洗成虚假的精确性，仍是一个开放研究问题。

第三，宣布某一来源完整或某项政策具有约束力，是一种权限行使。可溯源性能够揭示这项选择，却不能使其摆脱偏见。Projection Engineering 必须暴露是谁把拇指按在了天平上；它不能承诺移走所有拇指。

GAF 不是一份清单

只存储 Accepted Fact，会摧毁使其得以被接受的信息。我们会失去是谁提交了它、什么对它提出了挑战、哪项政策准许了它，以及什么权威使该政策生效。

因此，Projection Engineering 的交付物是 Graph of Accepted Facts（GAF）。

Records / Observations
          │
          ▼
        Claims ◀──── Evidence / Counterevidence
          │
          ▼
  Evaluation + Projection Policy
          │
          ▼
   Accepted Facts ─────┐
          │             │
          ▼             │
 Rules / Derivations    │
          │             │
          ▼             │
      Conclusions       │
                        │
 Provenance ────────────┘

GAF 连接原始记录、提取出的 Claim、支持与反驳证据、评价、政策与权限、Accepted Fact、推导、结论、版本、时间戳和依赖关系。现有标准早已能够描述实体、活动、代理人与 provenance 关系；PROV-O：PROV 本体表明，这套词汇不必专属于某一种数据库产品。

GAF 也不必存活在图数据库中。只要能够保存关系与双向沿袭关系，关系数据库或仅追加日志就已足够。

  • 从结论出发，审计人员必须能够经由 Accepted Fact 与 Claim 向后追溯至原始记录。
  • 从一条已失效的记录出发，系统必须能够向前追踪至所有可能需要重新审查的 Accepted Fact、结论与获授权行动。

第一条路径让决策可以审计，第二条路径让纠正可以计算。

一笔房租，三个工程问题

回到房租争议。租客说房租已经支付，房东说收到的钱并不是房租。银行账本显示，在约定期间内，资金确实在双方登记的账户之间发生了转移，但附言为空。

第一项任务是命题分解：

A payment moved from the tenant's account to the landlord.  [accepted]
That payment discharged this month's rent obligation.       [undetermined]

转账与法律上的债务清偿是不同的 Claim。如果可能存在另一笔债务，前者并不蕴涵后者。选择把二者分开并不是文书工作。在解雇案件中，分别询问所述理由是否存在、程序是否得到遵守、该理由是否足以正当化解雇，以及行为人是否有权作出决定，会从同一组记录中生成不同的决策图。

这就是争点形成，也是 Projection Engineering 的核心技艺。谁构造命题，谁就决定什么可以被接受、被击败或保持未知。系统必须保存是谁出于什么目的、依据何种权限作出这种分解，以及哪些替代方案被排除在外。带有偏见的构造之后，即便 provenance 完美，也只是在优雅地记录偏见。

第二个问题是缺失。找不到付款，并不能证明没有付款。期间可能错误、搜索可能不完整、转账可能仍在处理中，记录也可能掌握在另一家机构手中。只有在完备性契约定义了来源承诺包含哪些内容之后，缺失才会成为证据。

Completeness contract C-04

Declarant: operator of ledger L
Scope: all settled transactions for account A during period P
Excludes: pending transactions and records held by other institutions
Authority: signed policy version V

只有到那时，缺失才能在该范围内支持否定。把一个方便使用的来源称为完整，可能会把未知案件变成可裁决案件，因此声明必须附带身份、签名、日期、版本与权限。

第三个问题是重复出现的人类判断。某人可能裁定：款项来自登记账户、在约定期间内支付、金额完全相同且不存在相竞争的债务，因此即使附言为空，也应视为房租。可复用的资产不是这一个答案，而是背后的普遍判断。

这就是决策保存，但一个案例不能悄无声息地变成先例。在获授权人员规定其范围、例外、生效时间、追溯力和撤销条件之前，这项判断仍只是政策候选。只有到那时，它才成为一项经批准的政策。

从 Claim 到获授权行动

Projection Engineering 不是模型或存储产品。它是一套过程：把开放世界的记录投影进封闭的决策世界，并在证据或政策变化时重新打开这个世界。

Reality
   │
   ▼
Records / Observations
   │  preservation · calibration · transformation history
   ▼
Claims
   │  proposition decomposition · source evaluation · conflicts and gaps
   ▼
Projection
   │  purpose · scope · reference time · proof standard · authority · policy version
   ▼
GAF
   │  Accepted Facts · provenance · dependencies
   ▼
Closed Decision World
   │
   ▼
Deterministic Conclusion
   │
   ▼
Authorized Action

每一步转换都可能产生一种不同的错误：

  • 遗漏原始记录属于采集错误。
  • 糟糕的 OCR 或提取属于转换错误。
  • 构造错误的争点或接受错误的 Claim 属于投影错误。
  • 根据正确的 Accepted Fact 计算出错误的结论属于规则错误。
  • 把正确的结论应用于错误的对象属于执行错误。

每种错误都需要不同的修复。新证据修复采集，重新评价修复投影，修正后的规则引擎可以重放冻结的 GAF。执行故障需要撤销、更正或补偿，而不是重写事实。把每种故障都称为“AI 错了”，会让所有故障都无法修复。

只支付一次理解成本

缺失的这一层不只意味着风险，也意味着浪费。模型读取一份合同，辨明当事人，提取义务，然后回答一个问题。下一个问题往往又要支付大部分相同的解释成本。检索减少了载入的文本量，却仍在搬运散文片段，因为可复用的单位仍然是文档片段。

语义编译改变了这个单位。一份文档只需解释一次，就能成为带有标识符、来源、时间范围和依赖关系的稳定命题。后续问题可以跨 prompt、用户和文档复用这些命题。我们在 Claim 进入系统时只支付一次理解成本，而不是每当有人提问时都重新支付。

Prompt caching 无法取代这一层。缓存保存的是字节与顺序，GAF 保存的是意义与 provenance。顺序变化可能使前缀缓存失效；命题却可以与从别处提取的 Claim 组合，并服务于所有依赖它的决策。

有意义的复用也制造了更困难的失效问题。如果来源被更正、取代或揭露为欺诈，哪些结论必须重新审查？没有 provenance 的事实缓存就是一个幻觉缓存：它以更快的速度和更高的置信度重复同一个错误。

沿袭关系就是缓存失效机制。

让人能够质疑决策的结构，与让机器只重新计算受影响结论的结构，是同一个结构。问责与效率在这里并非相互竞争的功能，而是同一张依赖图的两种用途。

与相邻学科的边界

Projection Engineering 并不取代 Data、Knowledge、Rule、Prompt 或 Context Engineering。它负责的是这些领域当前共同跨越、却没有一个责任主体负责的边界。

Data Engineering 通过 source → ingest → transform → store → serve 搬运记录。Projection Engineering 则通过 record → claim → evaluate → project → GAF 追问一条记录是否具备作为前提使用的信息资格。有效的 schema 也可以包含虚假记录。

Knowledge Engineering 为机器使用而表达概念与关系。Projection Engineering 首先把每种关系视为一个 Claim，并记录是谁授权它在有边界的决策中作为知识使用。

Rule Engineering 根据给定前提计算结论。Projection Engineering 构造并冻结这些规则赖以运行的前提图。

Prompt Engineering 塑造指令，Context Engineering 选择用于计算的信息。Projection Engineering 追问更早的问题：这条信息是什么 Claim，它为何可以在这里充当前提？

更好的 prompt 无法挽救一个被错误接受的前提。

LLM 是工作者，不是权威

LLM 是这套过程中的工作者。它可以从非结构化记录中提取候选 Claim、拆分复合陈述、识别冲突、请求缺失的证据，并把沿袭关系翻译为可读的语言。

它不是权威。它的输出只是另一个 Claim。归因研究区分了流畅的生成与可由明确来源支持的陈述（衡量自然语言生成模型中的归因）。关于推理忠实度的研究也表明，生成的思维链并不能可靠地充当答案的因果执行轨迹（让推理真正重要：衡量并改善思维链推理的忠实度）。

如果同一个模型提取 Claim、接受它、选择规则、解释结果并授权行动，整条流水线就会坍缩为一次不透明的生成。事后叙事不是 provenance 记录。

生成可以是概率性的，事实接受、完成判定与行动权限必须分别治理。

统计保证无法解释我的案件

最有力的反驳来自实践。组织不会要求每一位人类决策者提供完整的推导轨迹，而是监控总体结果、质量控制与抽样审计。为什么不能以同样方式治理模型？

统计保证很有用，而且通常足以改善系统。但它仍然无法回答一个身处争议结果中的人会提出的问题：

在我的案件中，前提是什么？

总体准确率不会揭示哪条记录错误、哪个 Claim 被接受、哪项政策被应用，或什么新证据能够支持申诉。群体层面的保证与个案层面的可争议性解决的是不同问题。

这一区别界定了适用范围。Projection Engineering 并不适用于每一种 AI 系统。它适用于作出可争议决策的系统——信贷、薪酬、资格、驱逐、保险、医疗授权，以及其他必须允许个人检查并挑战前提集合的类似行动。NIST AI 风险管理框架把问责与透明视为贯穿生命周期的属性，而欧盟法规（EU）2024/1689则要求高风险系统记录事件日志。

对于无人需要质疑的低风险生成，这套机制可能过于沉重。适用范围本身就是工程的一部分。

最小契约

一个声称实践 Projection Engineering 的系统，应当能够对以下所有问题回答“是”：

  1. 它是否区分原始记录与派生 Claim，并为每个 Claim 附上来源、时间与转换历史？
  2. 它是否将复合 Claim 分解为可被独立质疑的命题，并记录是谁构造了争点以及为什么？
  3. 它是否保存相冲突的 Claim 与被拒绝的替代方案，而不是将其删除？
  4. 它是否区分 false、unknown 与 not found，并要求先有完备性契约，才能把缺失转化为否定？
  5. 它是否能够从 Accepted Fact 向后追溯到证据、政策、权限与版本，并从失效的来源向前追踪到受影响的结论？
  6. 它是否能够复现某项决策使用的精确 GAF 与规则快照，并在相同封闭条件下得到相同结论？
  7. 它是否能够把反复出现的人类判断保存为一项具有范围、例外与生效时间的经批准政策？
  8. Claim 接受、规则判断与行动权限是否彼此分离，并设有重新打开而非抹除既往决策的程序？

只要有任何一个答案是否定的，系统就在某处悄悄把 Claim 提升成 Fact。

为什么这是一门新的工程学科

各个组成部分早已存在：provenance、证据管理、论证图、真值维护系统、事件溯源、规则引擎、审计日志、法律事实认定、计量学与封闭世界推理。

组件并不等于责任边界。数据库与 ETL 早在 Data Engineering 凝聚为一个领域之前就已存在，服务器与部署脚本也早在 DevOps 出现之前就已存在。当散布于各个组织中的反复故障被集中到一个负责角色、一类交付物与可重复验证方法之下时，一个领域才会形成。

目前没有任何角色端到端地负责这个问题：

一条来自现实的记录，在什么时刻、经由谁的权限、依据哪项政策，变成了可用于决策的 Accepted Fact？

数据工程师负责流水线，知识工程师负责表示，机器学习工程师负责模型，领域专家解释规则，运营人员处理例外。在他们之间，事实接受消融在清洗代码、prompt、应用逻辑、模型推理和没有文档的习惯之中。

Projection Engineering 并不声称每一个组件都是新的。它提出一门新的工程学科，因为这道边界本身需要一位负责人、一种交付物，以及一种能够确定性检验承诺是否兑现的方法。

让验证重新变得便宜

开放世界从不停止。新记录不断到来，证言会改变，传感器会重新校准，政策也会修订。等待完整现实的系统永远无法行动，隐藏不确定性的系统则会在毫无问责的情况下行动。

Projection Engineering 选择了一份更窄的契约：

  • 保存 Claim，而不是抹除分歧。
  • 当 Fact 意味着获授权的前提时，明确称其为 Accepted Fact。
  • 将每次接受都与证据、政策、权限、时间和范围连接起来。
  • 在没有完备性契约时，绝不把未知变成虚假。
  • 冻结实际使用的决策世界与规则。
  • 从相同的封闭输入中复现结论。
  • 把反复出现的判断保存为明确的、经批准的政策。
  • 证据变化时重新打开决策，而不是改写过去。

它并不拥有真理，不会消除偏见，也不会让机器永不犯错。它只是让决策所使用的有限世界清晰可见，以便检查、质疑、重放与修复。

数学之所以具有社会力量，不是因为它回答了每一个问题，而是因为不在推导现场的人也能检查声明的前提会导出什么。计量学用可溯源性包围数字，使测量能够承载重量。法律则通过区分主张与被接受的前提，让人们无需重演过去也能作出判断。

AI 已经有了算术。它所缺少的是围绕算术的制度。

Projection Engineering 的目标很简单：

让验证重新变得便宜。

现实给予我们 Claim。

决策需要 Accepted Fact。

Projection Engineering 将 Claim 投影为可审计的 Graph of Accepted Facts。

相关文章

  • 真理并非被发现 — 为什么开放的现实只给我们 Claim，而有边界的制度世界能够产生具有效力的事实
  • 从 Claim 到 GAF — 将 Claim 投影为可审计图的技术架构
  • 流畅并非真理 — 为什么必须以可观察的证据与检查取代有说服力的语言

参考文献