價值耦合智能論 08

失敗回收率：一個智能能從錯誤中帶走多少東西

摘要

前一篇將反例從單純的布林否定訊號擴展為具有失效定位、邊界、機制、一般化、修復與遷移資訊的高維結構訊號。然而，研究中的失敗遠比反例更廣。錯誤猜想、未完成證明、程式失敗、實驗負結果、架構崩潰、搜尋死路、錯誤表徵與無效工作流，都可能包含可回收的知識。

本文提出「失敗回收率」（Failure Salvage Rate, FSR），用來描述一個智能在遭遇失敗後，能把其中多少仍具有後續價值的結構保存、解釋、抽象化並遷移到下一輪研究中。

對失敗事件 (F)，本文定義其殘餘結構向量：

\Phi(F) = ( K,B,M,A,T,N,H )

其中：

(K)：Known-valid residue，仍被驗證有效的部分；
(B)：Boundary，失敗邊界；
(M)：Mechanism，失效機制；
(A)：Artifact，可直接重用的中間產物；
(T)：Transfer，可遷移方法；
(N)：Novel questions，由失敗生成的新問題；
(H)：History，對未來避免重複失敗有價值的歷史狀態。

設一個失敗理論上具有的可回收價值為：

S_{\mathrm{avail}}(F) = \sum_i w_i\Phi_i(F),

而智能實際提取並保存的價值為：

S_{\mathrm{ext}}(F).

則：

\boxed{ FSR(F) = \frac{ S_{\mathrm{ext}}(F) }{ S_{\mathrm{avail}}(F)+\varepsilon } }

本文強調，失敗本身並不保證學習。productive failure、learning from errors 與 error management 研究均顯示：只有當錯誤被比較、解釋、後設評估並進入後續策略時，失敗才較可能轉化成可遷移知識。科學中的負結果若被埋入 file drawer，同樣表示失敗資訊並未進入集體知識系統。

因此，真正高階的智能不只是：

\text{Fail}\rightarrow\text{Try Again},

而是：

\boxed{ \text{Fail} \rightarrow \text{Extract} \rightarrow \text{Compress} \rightarrow \text{Retain} \rightarrow \text{Transfer} \rightarrow \text{Regenerate}. }

本文並進一步提出，失敗回收能力是「錯得起，回得來，帶得走」中的第三項：真正重要的不只是錯誤後能恢復，而是恢復時不是空手回來。

關鍵詞

失敗回收率、productive failure、learning from errors、negative results、error management、知識遷移、研究記憶、反身智能、失敗後學習、價值耦合智能

一、第 07 篇還只處理了一種失敗

第 07 篇研究的是：

\text{Counterexample}.

反例很特殊。

因為它至少可以提供一個非常清楚的邏輯結果：

h=\text{false}.

但研究中的失敗還包含：

\mathcal F = \{ F_{\mathrm{hypothesis}}, F_{\mathrm{proof}}, F_{\mathrm{program}}, F_{\mathrm{experiment}}, F_{\mathrm{architecture}}, F_{\mathrm{search}}, F_{\mathrm{representation}}, F_{\mathrm{workflow}} \}.

例如：

猜想錯了；
證明缺一個無法補上的步驟；
程式能跑，但架構擴展後崩潰；
實驗沒有支持原假說；
搜尋方法卡在局部空間；
數學表示選錯了；
Agent 工作流本身反覆把有價值分支刪掉。

這些都叫：

\text{failure}.

但它們留下的東西完全不同。

所以現在要把問題從：

反例還能教我們什麼？

擴大成：

\boxed{ \text{一整條失敗路徑，究竟還剩下什麼？} }

二、失敗不是一個點，而是一條歷史

一般任務評測往往只保留：

y\in\{\text{success},\text{failure}\}.

但真正研究過程是：

s_0 \rightarrow s_1 \rightarrow s_2 \rightarrow \cdots \rightarrow s_T.

最後：

s_T=\text{failure}.

如果只保存：

y=0,

就相當於把：

(s_0,s_1,\ldots,s_T)

全部壓縮成：

0.

這和第 07 篇的 Counterexample Information Loss 是同一類問題，只是尺度更大。

本文將它稱為：

\boxed{ \text{Failure Trajectory Compression} }

即：

一整條研究歷史，因最終未成功而被視為沒有價值。

三、失敗本身不會自動產生學習

這裡必須反對一句常見口號：

失敗就是最好的老師。

不一定。

更精確的說法應是：

\boxed{ \text{被有效處理的失敗，才可能成為老師。} }

2024 年關於 learning from errors and failure 的綜述指出，錯誤與失敗雖是學習不可避免的一部分，但從錯誤中真正學習還涉及不同 agent、情境與支持機制，現有理論甚至仍不足以完整描述這個過程。

因此：

\text{Error Exposure} \not\Rightarrow \text{Learning}.

中間至少還需要：

\text{Detection} \rightarrow \text{Elaboration} \rightarrow \text{Correction} \rightarrow \text{Retention} \rightarrow \text{Transfer}.

四、productive failure 的關鍵不是「先答錯」

Productive Failure 很容易被誤解成：

先讓學生做錯，就會學得比較好。

真正機制更複雜。

相關數學教育研究通常讓學習者：

先面對尚未學過正式解法的複雜問題；
產生多種候選與錯誤方案；
再接受正式教學；
把先前方案與正式結構比較。

研究顯示，inventive production——也就是前期產生不同方案的能力——可以與後續學習相關。

因此真正有價值的不是：

\text{Fail}.

而是：

\text{Generate} + \text{Compare} + \text{Explain} + \text{Reorganize}.

五、錯誤若不被展開，甚至可能幾乎沒有用

一項關於 productive failure 的研究直接比較不同後續教學設計。

學生先產生錯誤解法。

之後若只給正確解答，他們往往主要注意正確案例。

當研究者加入：

\text{comparison prompts}

要求學生比較：

\text{wrong solution} \leftrightarrow \text{correct solution},

後續學習效果才提高。

因此：

\boxed{ \text{錯誤的價值需要被認知操作解鎖。} }

錯誤只存在，不代表錯誤已經被利用。

六、所以失敗至少有「可用價值」與「已提取價值」

設失敗事件為：

F.

它理論上包含某些可利用結構：

S_{\mathrm{avail}}(F).

但智能真正提取出來的只有：

S_{\mathrm{ext}}(F).

通常：

S_{\mathrm{ext}} \leq S_{\mathrm{avail}}.

兩者差值：

L_F = S_{\mathrm{avail}} - S_{\mathrm{ext}}

就是：

\boxed{ \text{Failure Information Loss} }

也就是：

失敗已經付出成本，但其知識收益沒有被帶走。

七、本文提出「失敗殘餘結構向量」

定義：

\Phi(F) = ( K,B,M,A,T,N,H ).

(K)：Known-valid residue

失敗路徑中仍被驗證成立的部分。

例如整個證明失敗，但三個引理仍然成立：

K= \{l_1,l_2,l_3\}.

或者產品方案失敗，但某個模組已經被驗證可靠。

失敗不能自動推出：

K=\varnothing.

(B)：Boundary

我們現在比以前更知道：

哪裡不行。

例如：

\lambda<\lambda_c

有效，

而：

\lambda\geq\lambda_c

失效。

即使沒有完整成功結果，邊界本身也是知識。

(M)：Mechanism

失敗究竟怎麼發生？

如果只是：

\text{failed}

資訊價值有限。

如果知道：

\text{memory exhaustion}

或：

\text{non-compactness}

或：

\text{distribution shift}

或：

\text{incorrect hidden assumption},

那麼失敗已經轉化成機制知識。

(A)：Artifact

失敗路徑可能留下大量可直接利用的中間產物：

程式；
測試；
資料集；
定理庫；
模型；
形式證明片段；
實驗設備；
文獻整理；
benchmark；
工具鏈。

即使原始目標失敗：

A\neq0.

(T)：Transfer

原方法是否能遷移到其他問題？

一個方法在：

P_1

上失敗，不代表：

P_2

上也沒有價值。

所以：

T= \operatorname{Transferability}(F).

(N)：Novel Questions

失敗是否產生以前沒有看到的新問題？

例如：

為什麼只在這個尺度崩潰？

這個特殊反例形成什麼家族？

為什麼 A 方法與 B 方法會在此處分叉？

一個失敗甚至可能降低原問題的重要性，卻提高新問題的重要性。

(H)：History

最後一項是研究歷史本身。

保存：

做過什麼；
哪些嘗試失敗；
什麼條件測過；
哪些工具無效；
為什麼停止；

可以避免未來重新支付同一成本。

所以：

H

本身是一種資產。

八、失敗回收率

因此定義：

S_{\mathrm{avail}}(F) = \sum_i w_i\Phi_i(F).

再定義實際成功保存與後續利用的結構：

S_{\mathrm{ext}}(F).

則：

\boxed{ FSR(F) = \frac{ S_{\mathrm{ext}}(F) }{ S_{\mathrm{avail}}(F)+\varepsilon } }

稱為：

Failure Salvage Rate

其中：

0\leq FSR\leq1.

概念上：

$FSR\approx0$

失敗後只留下：

沒做成。

$FSR\approx1$

幾乎所有仍有價值的結構都被：

辨識；
保存；
抽象；
放到正確位置；
供下一輪使用。

九、FSR 不等於「一定要把原理論救回來」

這裡必須防止誤解。

高失敗回收率不是：

一定要證明原本的想法其實對。

也不是：

無論如何都要修到它成功。

假設：

T_{\mathrm{core}}=\text{false}.

高 FSR 的系統可以非常乾脆地：

\operatorname{Discard}(T_{\mathrm{core}}).

但同時保存：

K,B,M,A,T,N,H.

所以：

\boxed{ \text{Salvage} \neq \text{Rescue original thesis}. }

真正回收的是：

\text{value}

而不是：

\text{ego or identity}.

十、最差的失敗不是「錯」，而是「白錯」

因此可以區分：

Type A：成功

\text{Success} + \text{Knowledge Gain}.

Type B：生產性失敗

\text{Failure} + \text{High Salvage}.

Type C：非生產性失敗

\text{Failure} + \text{Low Salvage}.

真正最糟糕的不是 B。

而是 C：

\boxed{ \text{付出了失敗成本，卻沒有得到失敗資訊。} }

也就是：

\text{白錯}.

十一、error management 研究也支持：錯誤要被「管理」

2024 年一項比較 High Reliability 與 Error Management 的實驗研究指出，錯誤本身既可能帶來安全風險，也具有學習潛力；兩種訓練方法都優於 error-avoidant control，但可能透過不同機制發揮作用，例如後設認知與對錯誤的情緒控制。

這對研究型智能很有意思。

因為失敗回收不只有：

\text{cognitive extraction}.

還涉及：

\text{state regulation}.

如果失敗一出現就觸發：

過度否定；
防禦；
逃離；
重啟；
刪除歷史；

那麼即使系統有能力理解失敗，也可能沒有機會完成回收。

十二、因此 FSR 前面還有一個「失敗容納窗口」

設失敗發生於：

t_0.

智能需要一個時間窗：

[t_0,t_0+\Delta t]

來進行：

\operatorname{Analyze}(F).

如果系統在：

t_0+\epsilon

立刻執行：

\text{terminate}

或：

\text{switch},

那麼：

FSR

自然受限。

因此可以定義：

W_F = \text{Failure Processing Window}.

高階智能不必永遠停留在失敗中。

但至少需要：

W_F>0.

十三、情緒／價值衝擊會影響回收，不代表回收只是情緒問題

在人類身上，失敗可能伴隨：

挫折；
羞愧；
威脅；
失去自我效能；
防禦。

學習錯誤研究經常把 affective-motivational reactions 與 action-related reactions 都視為 error adaptivity 的重要部分。

這表示：

FSR = f( C_{\mathrm{analysis}}, V, A, M_{\mathrm{state}}, H ).

其中：

M_{\mathrm{state}}

表示失敗後的內部狀態。

對 AI 而言，不需要假設人類式情緒。

但功能上仍可能存在：

fail token 導致策略快速收斂；
verifier failure 觸發 branch reset；
reward collapse 使探索預算下降；
safety／audit 模式接管生成模式。

所以「失敗後狀態」仍然是必要變量。

十四、科學的 file drawer 是低 FSR 的制度版本

失敗回收不只發生在個體。

它也可以發生在整個科學制度。

若一個實驗得到：

\text{negative/null result},

但因為：

不夠新；
不夠漂亮；
不容易發表；
不容易被引用；

最後沒有公開：

F\rightarrow\text{drawer}.

那麼其他研究者無法知道：

這條路已經有人走過。

於是整個科學共同體重新支付：

C_{\mathrm{duplicate}}.

2024 年 Nature Neuroscience 在推動 Registered Reports 時即明確指出，負結果常被丟入 file drawer，形成 publication bias，並扭曲研究領域的整體理解。

因此可以定義：

FSR_{\mathrm{collective}}.

一個科學系統如果只公開成功：

FSR_{\mathrm{collective}}\downarrow.

十五、負結果的第一個價值：避免重複支付

即使一個負結果沒有產生新理論，它仍可能提供：

V_{\mathrm{avoidance}}.

即：

別人不用再做一次。

相關論述指出，公開負結果可以：

減少重複研究；
節省時間與資金；
降低 publication bias；
改善 meta-analysis 的完整性。

所以最簡單的失敗回收可能只是：

\boxed{ \text{記住這條路已經試過。} }

這本身就有價值。

十六、但「負結果」也不能全部當真

這裡同樣需要限制。

2024/2025 年關於 true negative findings 的討論特別提醒：

\text{negative result}

不一定是真負結果。

還可能是：

\text{false negative}.

因此高 FSR 不是把任何失敗永久寫成：

這條路不可能。

而是保存：

(F,\text{confidence},\text{conditions},\text{method}).

也就是：

\boxed{ \text{保存失敗，不等於把失敗絕對化。} }

十七、失敗記憶必須保留條件

一個好的失敗記錄不應只有：

Method A failed.

而至少需要：

R_F = ( \text{goal}, \text{state}, \text{assumptions}, \text{method}, \text{failure point}, \text{evidence}, \text{confidence}, \text{salvage}, \text{restart condition} ).

其中：

goal

當時究竟想做什麼？

state

失敗發生在哪個版本？

assumptions

用了哪些前提？

failure point

真正卡在哪？

evidence

為什麼判斷失敗？

confidence

這是確定失敗還是暫時失敗？

salvage

留下什麼？

restart condition

什麼新證據出現時值得重開？

這樣失敗才能真正進入：

H_{t+1}.

十八、失敗記憶不是 archive dump

但另一個極端是：

全部保存。

如果所有失敗細節都永久進入高優先記憶：

|H|\rightarrow\infty.

新的問題又出現：

注意力污染；
上下文成本；
舊錯誤過度影響新問題；
大量無價值紀錄。

所以回收還必須包含：

\boxed{ \text{壓縮} }

但不是有損到只剩：

\text{failed}.

真正需要的是：

F \rightarrow \operatorname{StructuralCompression}(F).

保留：

\Phi(F)

而刪除無後續價值的噪聲。

十九、因此完整回收流程至少有六步

本文提出：

\boxed{ F \rightarrow D \rightarrow E \rightarrow C \rightarrow R \rightarrow T }

其中：

(F)：Failure

失敗發生。

(D)：Decompose

拆解失敗對象。

(E)：Extract

提取仍有效結構。

(C)：Compress

壓縮成可重用表示。

(R)：Retain

保存進記憶／資料庫。

(T)：Transfer

未來在適當問題中重新使用。

只做到：

F\rightarrow D

還不夠。

如果沒有：

T,

失敗知識永遠只是墓誌銘。

二十、真正困難的是 Transfer

一個智能可能非常會寫 postmortem。

每次失敗後都能寫：

原因；
邊界；
教訓；
改進。

但下一次遇到相似問題仍然重犯。

此時：

S_{\mathrm{ext}}>0,

但：

S_{\mathrm{used}}\approx0.

因此需要再定義：

FTR = \frac{ S_{\mathrm{reused}} }{ S_{\mathrm{retained}}+\varepsilon }.

稱為：

Failure Transfer Rate

也就是：

被保存的失敗知識，未來有多少真的影響了行動？

所以高階失敗學習需要：

FSR\uparrow

且：

FTR\uparrow.

二十一、軟體事故 postmortem 就是制度化失敗回收

軟體工程中的 incident response / postmortem 提供一個很好的工程類比。

系統事故不是只記：

outage occurred.

工程團隊會分析：

如何發生；
如何偵測；
如何擴散；
如何緩解；
哪些 scaling limit 之前沒被理解；
哪些機制應加入監控。

研究顯示，公開事故報告與工程師訪談可以抽取跨案例的 failure patterns，用來改進後續系統設計與支援。

這就是：

F \rightarrow \text{Pattern} \rightarrow \text{Future Design}.

也就是實際的：

FSR+FTR.

二十二、一次失敗可以回收到不同抽象層級

例如一個程式產品失敗。

Level 0：事件

\text{API timeout}.

Level 1：局部原因

\text{retry storm}.

Level 2：系統機制

\text{positive feedback under congestion}.

Level 3：設計原則

\text{retries require backoff and global load awareness}.

Level 4：跨領域模式

\text{local recovery action can amplify global failure}.

越往上：

\text{Transferability}\uparrow.

所以失敗回收不是只保存案例。

還需要：

\boxed{ \text{抽象化失敗。} }

二十三、數學失敗也可以做相同層級抽象

假設一個證明失敗。

Level 0

某一步不成立。

Level 1

某引理缺少條件。

Level 2

整個證明依賴錯誤的 compactness 直覺。

Level 3

這類問題不能直接交換極限與積分。

Level 4

形成新的 proof-search heuristic：

一旦出現這類極限交換，優先檢查 uniformity／domination 條件。

最後的產物不只是：

\text{這篇證明錯了}.

而是：

\boxed{ \text{未來更好的證明搜尋策略。} }

這就是失敗進入：

\pi_{t+1}.

二十四、所以真正高階的失敗回收會修改 policy

如果失敗只更新：

H_t

成為記錄，

仍然不夠。

更高階的學習應該：

\pi_t \rightarrow \pi_{t+1}.

例如：

\text{同類問題先測最小反例}

或：

\text{遇到 scaling 問題先做壓力邊界測試}

或：

\text{驗證前先區分 pursuit threshold 和 acceptance threshold}.

因此：

\boxed{ \text{失敗真正被學會的標準，是未來行動函數改變。} }

這也直接接回整個系列最初的問題：

智能提升為什麼不等於後續行動函數變化？

因為：

\text{知道失敗}

與：

\text{讓失敗改寫 policy}

本來就是不同能力。

二十五、FSR 可以分成五個子率

為了讓後續評測更實際，可以把 FSR 分解。

1. Detection Salvage Rate

FSR_D

是否正確知道真正失敗點？

2. Structural Salvage Rate

FSR_S

是否保存有效結構？

3. Compression Salvage Rate

FSR_C

是否形成適當抽象，而不是只保存原始紀錄？

4. Retention Salvage Rate

FSR_R

這些結構是否真的進入持久記憶？

5. Transfer Salvage Rate

FSR_T

未來是否被重新調用？

所以：

FSR

不是單一動作。

它是一條 pipeline。

二十六、失敗回收還必須避免「錯誤教訓」

從失敗中學習有一個危險：

學錯。

例如一次方法失敗後直接總結：

這個方法永遠不行。

但真實原因其實是：

資料錯；
參數錯；
實作錯；
當時算力不足；
缺一個工具。

此時得到的是：

\text{False Lesson}.

因此失敗回收還需要：

C_{\mathrm{lesson}} = \text{confidence of inferred lesson}.

所以保存的不應是：

\boxed{ \text{Method A is bad.} }

而是：

\boxed{ \text{Under conditions }C, \text{ Method A failed for mechanism }M \text{ with confidence }p. }

這樣未來才可以合理重啟。

二十七、這也是「可恢復閉合」真正需要的記憶基礎

如果一個分支暫時被關閉：

B_{\mathrm{active}} \rightarrow B_{\mathrm{dormant}},

想在未來重新開啟，就必須保存：

R_F.

否則所謂：

\text{reopenable}

只是理論口號。

沒有失敗狀態記憶，未來重新開啟其實是：

\text{restart from zero}.

所以：

\boxed{ \text{可恢復閉合} = \text{暫停} + \text{結構化失敗記憶} + \text{重啟條件}. }

二十八、這也解釋為什麼長期研究者可能比單輪智能更有優勢

一個單輪智能可能很強：

C_{\mathrm{single}}\uparrow.

但如果每次任務後：

H\rightarrow0,

那麼失敗回收無法跨時間累積。

長期研究智能則可能形成：

\mathcal F_{\mathrm{memory}} = \{F_1,F_2,\ldots,F_n\}.

並逐漸抽象出：

P_{\mathrm{failure}}.

因此它不只累積：

\text{successful knowledge},

還累積：

\boxed{ \text{negative knowledge}. }

也就是：

哪些路不通；
哪些條件必要；
哪些錯誤會反覆出現；
哪些理論以前已經試過。

這種負知識本身就是長期研究資產。

二十九、第二部的四篇現在可以合併成一個閉環

第 05 篇：

\text{反駁後是否過早終止？}

提出：

UTR.

第 06 篇：

\text{卡住後是否過早換路？}

提出：

PSR,\ PED,\ BRR.

第 07 篇：

\text{反例中有多少結構被提取？}

提出：

\Gamma,\ CER,\ CGR.

第 08 篇：

\text{整條失敗路徑能留下多少可用知識？}

提出：

FSR,\ FTR.

因此第二部的完整鏈條是：

\boxed{ \text{Failure Signal} \rightarrow \text{Do not terminate too early} \rightarrow \text{Do not switch too early} \rightarrow \text{Extract structure} \rightarrow \text{Retain} \rightarrow \text{Transfer}. }

三十、結論：錯得起，回得來，還要帶得走

一個智能能承認：

\text{我錯了}

已經比不能承認錯誤更好。

一個智能能在錯誤之後：

\text{重新開始}

又更進一步。

但如果每次重新開始都是：

\text{reset to zero},

那麼它仍然不是完整的研究智能。

真正高階的能力是：

\boxed{ \text{錯得起} }

即失敗不摧毀後續探索能力；

\boxed{ \text{回得來} }

即可以恢復並重新生成；

以及：

\boxed{ \text{帶得走} }

即失敗過程中的有效結構會進入未來。

所以失敗真正的價值函數不是：

V(F)= \begin{cases} 0,&\text{failed}\\ 1,&\text{succeeded} \end{cases}

而應該更接近：

V(F) = V_K + V_B + V_M + V_A + V_T + V_N + V_H.

最終：

\boxed{ \text{失敗不是成功的反義詞；} }

\boxed{ \text{沒有從失敗中留下任何東西，才是研究意義上的完全失敗。} }

第二部至此完成。

下一篇將正式進入第三部的歷史案例：

價值耦合智能論 09

從歐拉公式到拓撲學：反例如何改造定義

接下來將不再主要建立抽象模型，而會沿著具體數學史案例檢驗前八篇提出的：

TRP,\ PSR,\ CER,\ FSR

究竟能不能解釋真實數學發展中的「反例—修正—新結構」過程。

參考資料（本篇重新查核）

Narciss, S. & Alemdag, E. (2024/2025). Learning from errors and failure in educational contexts: New insights and future directions for research and practice. British Journal of Educational Psychology.
Brand, C. et al. (2025). Investigating learner characteristics and processes in Productive Failure and Vicarious Failure to design adaptive guidance. Learning and Instruction.
Loibl-related research (2019). How to make failure productive: Fostering learning from errors through elaboration prompts. Learning and Instruction.
Kapur, M., Saba, J. & Roll, I. (2023). Prior math achievement and inventive production predict learning from productive failure. npj Science of Learning.
Different approaches to learning from errors: Comparing the effectiveness of high reliability and error management approaches (2024). Safety Science.
Learning from errors in mathematics classrooms: Development over 2 years in dependence of perceived error climate (2024/2025). British Journal of Educational Psychology.
Nature Neuroscience Editorial (2024). Reducing publication bias with Registered Reports.
Bik, E. M. (2024). Publishing negative results is good for science. Access Microbiology.
Beyond the null: Recognizing and reporting true negative findings (2024/2025).
Sillito, J. & Kutomi, E. (2020). Failures and Fixes: A Study of Software System Incident Response.
Alrimawi et al. (2019). Incidents Are Meant for Learning, Not Repeating: Sharing Knowledge About Security Incidents in Cyber-Physical Systems.

08_失敗回收率_一個智能能從錯誤中帶走多少東西

價值耦合智能論 08

失敗回收率：一個智能能從錯誤中帶走多少東西

摘要

關鍵詞

一、第 07 篇還只處理了一種失敗

二、失敗不是一個點，而是一條歷史

三、失敗本身不會自動產生學習

四、productive failure 的關鍵不是「先答錯」

五、錯誤若不被展開，甚至可能幾乎沒有用

六、所以失敗至少有「可用價值」與「已提取價值」

七、本文提出「失敗殘餘結構向量」

(K)：Known-valid residue

(B)：Boundary

(M)：Mechanism

(A)：Artifact

(T)：Transfer

(N)：Novel Questions

(H)：History

八、失敗回收率

Failure Salvage Rate

FSR≈0FSR\approx0FSR≈0

FSR≈1FSR\approx1FSR≈1

九、FSR 不等於「一定要把原理論救回來」

十、最差的失敗不是「錯」，而是「白錯」

Type A：成功

Type B：生產性失敗

Type C：非生產性失敗

十一、error management 研究也支持：錯誤要被「管理」

十二、因此 FSR 前面還有一個「失敗容納窗口」

十三、情緒／價值衝擊會影響回收，不代表回收只是情緒問題

十四、科學的 file drawer 是低 FSR 的制度版本

十五、負結果的第一個價值：避免重複支付

十六、但「負結果」也不能全部當真

十七、失敗記憶必須保留條件

goal

state

assumptions

failure point

evidence

confidence

salvage

restart condition

十八、失敗記憶不是 archive dump

十九、因此完整回收流程至少有六步

(F)：Failure

(D)：Decompose

(E)：Extract

(C)：Compress

(R)：Retain

(T)：Transfer

二十、真正困難的是 Transfer

Failure Transfer Rate

二十一、軟體事故 postmortem 就是制度化失敗回收

二十二、一次失敗可以回收到不同抽象層級

Level 0：事件

Level 1：局部原因

Level 2：系統機制

Level 3：設計原則

Level 4：跨領域模式

二十三、數學失敗也可以做相同層級抽象

Level 0

Level 1

Level 2

Level 3

Level 4

二十四、所以真正高階的失敗回收會修改 policy

二十五、FSR 可以分成五個子率

1. Detection Salvage Rate

2. Structural Salvage Rate

3. Compression Salvage Rate

4. Retention Salvage Rate

5. Transfer Salvage Rate

二十六、失敗回收還必須避免「錯誤教訓」

二十七、這也是「可恢復閉合」真正需要的記憶基礎

二十八、這也解釋為什麼長期研究者可能比單輪智能更有優勢

二十九、第二部的四篇現在可以合併成一個閉環

三十、結論：錯得起，回得來，還要帶得走

價值耦合智能論 09

從歐拉公式到拓撲學：反例如何改造定義

$FSR\approx0$

$FSR\approx1$