知識設計的暗線：為什麼「降低理解成本」是一條跨領域原則？

許多優秀的設計，其共同目的不是膚淺地增加表達能力（Expressiveness），而是降低
理解成本（Comprehension Cost）。

一個很好的例子：C++ 的理解成本高是眾所周知的事，而一度被認為「不入流」的
script 語言 Python，反而因易學易用（這本身也是一種極強的「表達能力」）而大受
歡迎。

這篇文章不是要證明「理解成本」是一條普遍定律，而是提出一個觀察：許多不同
知識領域中看似無關的設計選擇，似乎都朝著降低理解成本的方向演化。 這個觀察
目前還沒有標準答案，但如果它成立，「降低理解成本」也許值得被視為一條跨領域
的知識設計原則來進一步研究與驗證——本文接下來的推論，也都建立在「這是一個
值得檢驗的假說，而非已證結論」的立場上。

如果降低理解成本真的能同時解釋程式設計、CPU、Compiler、AI、數學與認知科學，
那麼它可能不只是 ClassGuidelines（我在 CSCall 專案中為 C++ class 設計訂下的
一套準則，詳見前三篇文章）的設計理念，而是一條更一般性的知識設計原則。

一、 什麼是「理解」與「理解成本」？

在討論這個假說之前，我們需要先明確定義這兩個概念：

理解（Comprehension）
一種由既有知識進行 Reconstruction（重建） 對象，並在腦中 Simulation（模擬） 其行為的過程。

註：這在腦神經科學上也有「鏡像神經元（Mirror Neurons）」的說法作為類比
——即「理解」在直覺上可以類比為一種大腦內部的動態模擬過程。不過鏡像神經元
理論能否直接套用到抽象概念的理解，在神經科學界仍有爭議，這裡僅作為一種
啟發性的類比，而非嚴格論證。更貼近本文論點、且爭議較小的理論，可參考附錄
中的「基模理論」與「認知負荷理論」。

理解成本（Comprehension Cost）
理解知識時，大腦所需付出的認知或計算成本。

具體來說，理解成本的高低取決於大腦在模擬時的負荷：

• 需要維護多少狀態？（工作記憶體負擔）
• 是否容易追蹤流程？（邏輯線路長度）
• 行為是否容易預測？（例外與分支狀況）
• 是否需要不停回頭檢查？（Backtracking 的次數）
• 是否容易重建原本的結構？（Reconstruction 的難易度）

這也解釋了為什麼「信念」很難改變——因為改變信念意味著既有知識網絡需要大規模地
重新建構，其「改變成本」過於昂貴。

二、 跨領域觀察：降低理解成本的演化軌跡

若仔細審視各個硬核技術與知識領域，會發現許多關鍵突破都在做同一件事：降低模擬與重建的成本。

1. 程式設計（Programming）

命名一致性、Coding Style、RAII、Reset 語意一致性（物件的 reset() / 重置行為
必須讓物件回到一致且有效的狀態）、單一職責原則（SRP）、Explicit 優於
Implicit……這些設計原則的共同目的，都是為了降低理解成本。

• Predictability（可預測性）> Expressiveness（表達力）：語法炫技只是讓寫的人快，但可預測的結構才能讓讀的人降低維護狀態的成本。
• 為什麼 Exception 讓控制流程較難追蹤？ 不是 Exception 語法不好，而是因語言需求創造了隱形的跳躍分支，打破了局部推論（Local Reasoning），讓大腦在模擬時需要維護的狀態爆棚。

2. CPU 架構：RISC 為什麼成功？

RISC 的成功不是因為指令多，而是因為每條指令都簡單、格式統一。
簡單的指令意味著邏輯線路短、構造簡單，無論是對於硬體管線（Pipeline）還是對於編譯器的生成邏輯來說，都極為容易推理與預測。

3. 編譯器（Compiler）：LLVM IR 的價值

LLVM IR 並不是程式碼最終執行最快的形式，但它是共同理解形式。
它建立了統一的中介表達，使得前端語言與後端硬體解耦，大幅降低了整個編譯器生態系在擴充與優化時的理解與維護成本。

4. 人工智慧（AI）：Transformer 與 Attention

為什麼 Attention 機制比以往的 RNN 方法更成功？
其中一個重要原因在於：Attention 模型能建立顯式、結構化的資訊相關性表示，而不是像 RNN 那樣讓所有長期依賴關係都混雜在隱藏狀態（Hidden State）中。結構化的表示讓後續的資訊處理變得很清晰。

5. 數學（Mathematics）：好的證明

歐幾里得的《幾何原本》能流傳兩千多年，不只是因為結論正確，而是因為它把複雜的推論拆解成可以一步步追隨、在腦中重建的結構。好的證明往往不是最短的證明，而是最容易跟著走（降低模擬成本）的證明。

三、 四個深層線索：尋找認知的最小單位

回到我近期在 C++ 與 BitMachine 的探索中，我整理出了四個逐漸清晰的線索：

1. 線索一：ClassGuidelines 的核心是可預測性
   Guidelines 幾乎沒有追求「寫得更快」，而是一直在追求：Reset 語意一致、
   Destructor 必須成功、Move 要單純、Error 必須檢查、Object 永遠 Valid。它追求的不是 Expressiveness（表達力），而是Correctness(正確性) 與 Predictability（可預測性）。

2. 線索二： Exception 增加了理解成本
   我不是反對 Exception，而是因為它破壞了可預測性，讓大腦模擬控制流時的成本大幅提升，不能取代返回錯誤碼的地位。

3. 線索三：BitMachine 是知識的低理解成本表示法
   BM graph 很龐大，以前我一直把「龐大」當成工程問題，現在我開始懷疑：這龐大的結構可能就是理解成本本身。它試圖建立的是一種像 LLVM IR 一樣，可被完全重建（Class 能夠被重建並且被模擬）的低理解成本表達方式。

4. 線索四：從實數退回「數石子」——認知的溯源
   「將實數的理解分析至自然數的理解，也就是數石子的計數動作。」這句話看似數學，實則是認知科學。
   這代表著一種嘗試：把複雜抽象的概念，拆解並還原成人類大腦最基本、成本最低的認知與物理模擬單位（實數 $\rightarrow$ 無限 $\rightarrow$ 自然數 $\rightarrow$ 計數 $\rightarrow$ 數石子/刻泥板）。

四、 結論：科學知識累積的底層障礙

原因其實非常簡單：科學知識的累積與傳遞，受限於人類大腦有限的認知容量。

大腦的空間就這麼大，存在著嚴重的排擠效應。如果一門知識、一個架構的理解成本太高、太複雜，它就極難被簡單累積與傳遞，最終成為技術與文明進步的障礙。

「降低理解成本」不是因為規則漂亮，而是為了讓大腦在模擬時需要維護的狀態變少。

這裡我依然保持謹慎：目前這還是一個值得檢驗的假說，而不是已經證明的結論。接下來真正有價值的工作，不是再提出更多直覺，而是觀察不同領域的具體案例，是否真的都能用這個原則得到一致且有解釋力的說明。

如果從 C++、CPU、Compiler、UI、數學、AI 到認知科學都一直出現同一件事，那麼**「降低理解成本」就不是單一領域的設計指南，而是一條更一般性的知識設計原則**。這個方向，值得我們繼續驗證下去。

附錄：延伸閱讀與相關理論脈絡

以下整理與本文「降低理解成本」假說相關的既有理論與文獻，供有興趣進一步查證、
或反駁本文論點的讀者參考。本文的觀察多屬個人歸納，下列理論不代表本文已被
學界證實，僅作為相近脈絡的對照與延伸。

認知科學

• 認知負荷理論（Cognitive Load Theory, Sweller, 1988）：主張學習與理解
  受限於工作記憶的有限容量，並將負荷細分為三種：intrinsic load（材料本身
  固有的複雜度）、extraneous load（因表達或呈現方式不佳而額外產生的負擔）、
  germane load（用於建構長期記憶基模的有效負荷）。本文所談的「降低理解
  成本」，多數情況下對應的正是砍掉 extraneous load——問題本身的難度沒有
  變，但因為表達方式改善，多餘的負擔被移除了。
• 組塊與工作記憶容量（Miller, 1956；Cowan, 2001）：早期研究認為工作
  記憶一次約可處理 7±2 個意元（chunk），後續研究修正為約 3–4 個。這給
  「需要維護多少狀態？」這條判準一個具體的數字錨點。
• 基模理論（Schema Theory, Bartlett, 1932；Piaget）：基模是儲存在長期
  記憶中、用來組織與壓縮知識的結構。熟練的理解，某種程度上就是把新知識
  掛接到既有基模上，而不必每次都從零重建——這比鏡像神經元的類比更直接
  支持本文「理解＝重建」的說法，且爭議較小。

軟體工程

• 本質複雜度 vs. 附帶複雜度（Essential vs. Accidental Complexity）：
  Fred Brooks 在〈No Silver Bullet〉一文中提出的經典區分——問題本身固有
  的複雜度無法消除，但工具、語言、架構帶來的「額外」複雜度可以被設計掉。
  這與本文的核心主張幾乎是同一件事的不同講法。
• Simple 優先於 Easy：Rich Hickey 在其著名演講〈Simple Made Easy〉中，
  區分了「simple（結構上元件少、耦合少）」與「easy（上手快、寫起來順手）」，
  主張前者才是長期可維護性的關鍵，這與本文「Predictability > Expressiveness」
  是同一命題的軟體工程版本。
• John Ousterhout,《A Philosophy of Software Design》：以「模組深度」與
  「認知複雜度」為核心概念，系統性地討論如何設計出降低理解成本的軟體介面。

資訊理論 / 機器學習

• 最小描述長度原則（Minimum Description Length, MDL）與 Kolmogorov 複
  雜度：在統計學習理論中，「好的模型」被定義為能以最短程式或最少位元
  描述資料的模型。這其實是本文所說「BitMachine 是知識的低理解成本表示法」
  在數學上的一個對應概念，值得未來進一步展開。

使用者介面設計

• Steve Krug,《Don't Make Me Think》：UI/UX 設計領域中同源的思想，主張
  好的介面設計應該讓使用者不需要停下來思考。如果本文的跨領域清單要再擴充
  一個維度，這會是很自然的第六個例子。