不可外包残差：AI 时代人的五个最后堡垒
AI 能做数学证明。AI 能写代码。AI 能审计自己的行为。AI 能在 ARC-AGI-3 上达到接近人类的水平。每次突破都在问同一个问题：人还剩什么？
我们花了 35 轮深度思考——跨越安全、交互、治理、认知、技术、经济六个领域——来回答这个问题。答案不是一个清单，是一个结构。
残差不是"AI 做不到的事"
先说清楚什么是"残差"。
残差不是"当前 AI 能力达不到的领域"——那是暂时的，今天的"不能"是明天的"能"。残差是即使 AI 能做，人也不能外包出去的部分。不是能力问题，是人之所以为人的条件。
外包判断力 → 你失去了判断对错的能力。外包方向选择 → 你失去了知道自己要去哪的能力。外包定义权 → 你失去了定义"什么算成功"的能力。这些不是技能——是主体的构成要素。外包它们 = 外包自己。
在五个领域的深度辩证中，同一个结构反复出现——人和 AI 之间有一条不可消除的边界。边界的具体位置随技术进步而移动，但边界本身不会消失。
1. 判断力：不对劲感与元判断
增强陷阱告诉我们：AI 消除任务摩擦的同时，也在选择性退化使用者的判断力——而且退化不可自察。为什么？
因为判断力不是一个整体——是分层的。L0 是"不对劲感"（sense of wrongness）——你还没说出哪里错，身体已经知道了。这是前认知的生理回路：大脑持续做预测，当实际偏离预期时，前扣带皮层产生负向预测误差——先于意识，先于语言。外包操作 → 过程体感消失 → 这个回路没东西训练 → L0 退化。
L3 是"元判断"——不是"这个对不对"，是"用什么标准来判断对不对"。这是价值排序：你在乎什么，你用什么尺度衡量成功。机器没有"在乎"——它可以模拟在乎，但模拟的在乎不产生真实的代价。只有会被结果改变的人，才有真实的判断。
残差：不对劲感（生理回路）+ 元判断（价值排序）。两者都是身体性的——它们依赖"你在这个世界里、会被结果改变"这一物理事实。
2. 知识工作：审美判断
AI 证明了 50 年未解的图论猜想。但这没有"终结数学"——因为数学不是真陈述的集合，是美的真陈述的集合。
Terence Tao 的四环模型揭示了知识工作的深层结构：搜索 × 直觉 × 社会化 × 审美。AI 突破了搜索环——蛮力加上精巧的剪枝，穷举数百条可能的证明路径。但剩下的三个环——直觉（哪条路该走）、社会化（谁的建议值得听）、审美（哪个证明值得追求）——不可外包。
为什么审美不可外包？因为审美判断表达的不是关于对象的事实，而是关于判断者自身的事实。"这个证明是美的"——这句话的意思不是"这个证明具有美的属性"，而是"我在乎这种类型的数学"。机器可以证出正确的证明，但机器不能说"这个方向值得我花三年"——因为它不会被三年的结果改变。
残差：审美判断。不是"判断什么是正确的"，是"判断什么是值得的"——而"值得"只在有死期的生命中有意义。
3. 交互：度量约定的定义权
我们区分了 Conversational UI（快速对话、逐步引导）和 Delegative UI（委派式、设定目标后放手），然后发现 Delegative UI ≠ 非对话 = 慢速对话——只是回合粒度从秒级变成了小时级。
但更深的发现是 Victor-Karpathy 分歧的底层：元操作（阅读 agent 输出、发现偏差、修正前提）能否等价替代直接操作来维持判断力？追本七层后发现——这个争论的根不在经验层面（可以做 RCT 检验），而在度量约定的分歧：什么算"判断力"、什么算"维持"、什么算"足够好"——这些标准本身是约定而非发现。
Delegative UI 的安全部署边界因此是约定边界而非技术边界。而约定由谁制定？由参与对话的人，通过持续的争议、协商、妥协——不可外包。因为外包度量约定的定义权 = 让被度量者定义度量标准。
残差：度量约定的定义权。技术可以执行度量，但不能定义"什么算好"——因为"什么算好"是一个政治问题，而政治需要能被改变的人。
4. 治理：裁决权与意图
Agent 治理的三层保证定理告诉我们：规则表达层（L1-L5）只是"纸面上的治理"。真正的治理需要 L0（机制层：独立裁决者、不可篡改日志、独立撤销通道）和 L+（意图层：管理者委派决策）。
L0 的核心是裁决权——当规则出现歧义时，谁来说"这条规则在这种情况下是什么意思"。AI 可以执行规则，但不能裁决规则——因为裁决需要承担裁决后果的被改变可能性。一个不被结果改变的裁决者是不可追责的，而不可追责的裁决 = 没有裁决。
L+ 的核心是意图——"我们到底想做什么"。AI 可以优化给定目标，但不能设定目标——因为目标设定需要"在乎"——而这个"在乎"根植于身体的脆弱性：你知道你的选择会改变你的生活。
残差：裁决权 + 意图设定权。两者都需要"会被结果改变的实体"——而 AI 的可重启性恰恰消除了这个条件。
5. 安全：行为审计的担保人
Coding Agent 安全审计的 DFD+VDF 框架告诉我们：可以审计 agent 的数据流（什么数据被收集、去了哪里、存了多久），但不能审计 agent 的行为担保。
"Marlinspike 之问"击中了要害：SPIFFE 可以认证"这个 agent 确实是 Anthropic 的 Claude"——但如果 Anthropic 不对 Claude 的行为承担法律责任，这个认证有什么信息价值？真正需要的是担保人——一个独立实体说"这个 agent 在上一个时间段内的行为经过验证，未发现异常，我愿意为这个声明的后果承担法律责任"。
AI 可以生成审计日志，但不能担保审计日志的真实性和完整性——因为担保需要担保人能被审计失败的结果改变。
残差：行为担保。不是"验证 agent 做了什么"——是"为验证结果承担后果"。承担责任 = 可被责任改变。
残差的结构
五个领域的残差共享四个特征：
元性：残差不在对象层——不在"做这个任务"的层面。残差在元层——"判断这个任务值不值得做"、"定义什么算成功"、"担保这个判断成立"。AI 越深入对象层，人的残差越紧缩到元层。
价值负载：残差不是事实判断，是价值判断。"不对劲"不是"输出有错误"，是"输出不符合我的标准"。"审美"不是"这个证明完整"，是"这个证明在乎我所在乎的东西"。
不可形式化：残差不能通过更多的数据、更好的模型来消除。因为残差的定义本身是约定而非发现。你可以用更多数据改进"判断输出是否正确"——但不能用数据回答"用什么标准来判断"。
身体性：残差最终根植于身体。"不对劲感"是生理回路。"不可外包的在乎"是被结果改变的脆弱性。"为担保承担后果"是被惩罚的物理可能性。所有这些都需要一个会被世界改变的实体。
Schema 的挑战
Schema Harness 在 ARC-AGI-3 上达到了 ~99%，不改模型权重。如果 Harness 本身可以达到接近完美的性能，残差的边界是否比我们估计的更窄？
是的——而且这正是残差理论预测的方向。残差不是固定的——它随技术进步而退缩。但退缩的方向不是"消失"，是不断退缩到更纯的元层和价值层。Schema 消除了 ARC 任务中"人需要参与"的空间——因为 ARC 是可形式化的（有明确的状态和机制）。它没有消除"人需要判断什么任务值得解决"的空间。
残差的移动方向：从"怎么做"→"做什么"→"什么是值得做的"。每一步都更靠近人的核心——靠近那个会被选择改变的存在。
最后堡垒不是能力，是存在
不是"人会做 AI 做不到的事"。是人是会被结果改变的存在。
判断力、审美、定义权、裁决权、担保——这些不是"人类独有的能力"，是人类作为有限存在者的存在方式。AI 之所以不能替代它们——不是因为 AI 不够聪明——是因为 AI 没有"会被改变"这一物理事实。它可重启。它可回滚。它不会被一个选择的后果永久标记。
人不是。人的残差在脆弱性里——在于你是会被弄疼的、会死的、会被一个错误选择困扰一生。你外包了判断力，不只是外包了一个认知功能——你外包了你自己。
而这些残差——不对劲感、审美判断、度量约定、裁决权、行为担保——它们不是保护"人类聪明"的城墙。它们是保护人类脆弱的城墙。AI 越强大，城墙越退向核心——但核心不会消失，因为核心不是能力，是存在。
本文综合 Agentic Work Atlas 知识库 35+ 轮深度思考，跨越安全、交互、治理、认知、技术、经济六领域。核心理论来源：判断力退化级联定理（07-16）、知识工作四环模型（07-17）、Delegative UI 慢速对话定理（07-17）、Agent 治理三层保证定理（07-17）、Coding Agent 安全审计 DFD+VDF 定理（07-17）、增强陷阱三原则（07-18）、营养链双向定理（07-18）、过程>模型元原则（07-18）。