關鍵區間低有效分支命題：AI 增強因果覆蓋、預測粒度與未來路徑空間

Q: 一、問題提出：可能性很多，還是我們把同一條路徑說了很多遍？

面對未來，人們常在兩種直覺間擺盪。

Q: 十、AI 如何提高因果覆蓋？

大型語言模型和搜尋代理可以高速執行：

Q: 十八、論文庫如何轉成預測系統？

大量論文不是自動等於預測平台。

The Low Effective Branching Thesis for Critical Intervals: AI-Augmented Causal Coverage, Forecasting Granularity, and Future Path Spaces

作者：Neo.K
版本：v0.1
日期：2026-07-30
文件性質：未來研究／概率預測／AI 增強研究／因果情境空間命題論文

摘要

世界的微觀狀態、事件排列與主體選擇可能形成極其龐大的未來空間，因此「完整窮盡未來」通常不可行。然而，對特定時間尺度、問題邊界與宏觀判定粒度而言，真正滿足物理、資源、制度、技術與策略約束的高機率因果路徑，未必像表面想像那樣多。大量微觀差異可能匯入少數宏觀結果族；多條敘事路徑也可能共享同一因果骨架。

本文提出「關鍵區間低有效分支命題」：設全部可想像未來為 $\Omega$ ，受約束可行路徑集合為 $\mathcal F$ ，宏觀粗粒化映射為 $\pi$ ，則在指定關鍵區間 $[t_0,t_1]$ 中，承載主要機率質量與決策意義的有效分支數，可能遠低於全部表面可能性：

|\Omega|\gg1, \qquad N_{\mathrm{eff}} \left( \pi(\mathcal F_{[t_0,t_1]}) \right) \ll |\Omega|.

本文以機率熵定義有效分支數：

N_{\mathrm{eff}} = \exp \left( -\sum_{i=1}^{n}p_i\log p_i \right),

並進一步區分原始敘述數、因果機制數、可行分支數、有效機率分支數與決策相關分支數。由 AI 生成一百個情境，並不表示取得一百個獨立未來；若其共享相同因果假設、資料來源或模型偏差，其真正新增覆蓋可能極低。

本文提出「AI 增強因果覆蓋命題」：人類研究者提供問題選擇、理論先驗、判定尺度與相變辨識；AI 則提供高通量搜尋、跨域類比、情境展開、反例生成與證據更新。兩者結合可提高宏觀路徑覆蓋率，但成立條件不是單純增加算力，而是具備因果去重、來源多樣性、模型差異、基準率、機率校準與事後回測。

本文區分路徑覆蓋、機率校準、時間精度、細節精度與決策效用。預先提及某種可能性不等於準確預測；真正預測系統必須在結果未知時固定問題、時間窗、判定規則和概率，並使用 Brier 分數、對數分數、可靠度與解析度等指標評估。

最後，本文提出一個 AI 自主預測平台的基本架構：將論文、證據、事件、因果瓶頸、關鍵指標與概率更新組織成動態情境圖，而不是持續堆積未評分文章。本文不主張世界可以完全預測，而主張：

\boxed{ \text{未來未必容易預測，} \quad \text{但在正確粒度與約束下，} \quad \text{可能比人們原先以為的更容易被覆蓋。} }

關鍵詞：有效分支、因果覆蓋、AI 預測、情境空間、宏觀粗粒化、機率校準、人機混合預測、相變節點、ForecastBench

一、問題提出：可能性很多，還是我們把同一條路徑說了很多遍？

面對未來，人們常在兩種直覺間擺盪。

第一種認為：

\text{世界極度複雜} \Rightarrow \text{未來幾乎不可預測}.

第二種認為：

\text{資料與算力足夠} \Rightarrow \text{未來可以被完整算出}.

本文不接受這兩個極端。

世界可以同時具有：

巨大的微觀狀態空間；
有限的物理與制度約束；
高度不均勻的概率分布；
少數關鍵因果瓶頸；
大量匯聚至相同宏觀結果的路徑。

所以真正需要問的不是：

未來總共有多少種可能？

而是：

在指定時間、尺度和問題中，有多少個因果上獨立、概率上顯著、決策上重要的有效分支？

二、五種未來空間必須分開

設當前狀態為 $x_t$ 。

2.1 可想像空間

\Omega_t = \left\{ \text{所有能被描述的未來} \right\}.

它包含幻想、邏輯矛盾、物理上不可行與制度上不可到達的敘事。

2.2 邏輯一致空間

\Omega_t^{L} \subseteq \Omega_t.

排除內部矛盾，但仍可能違反現實物理或資源條件。

2.3 可行路徑空間

\mathcal F_t = \left\{ \pi: \operatorname{Constraint}(\pi)=1 \right\} \subseteq \Omega_t^{L}.

它滿足：

物理約束；
資源約束；
技術前置條件；
制度規則；
時間限制；
行動者可達能力。

2.4 機率有效空間

\mathcal P_t(\epsilon) = \left\{ \pi\in\mathcal F_t: P(\pi)\geq\epsilon \right\}.

它排除極低機率路徑，但 $\epsilon$ 必須依風險用途設定。

2.5 決策相關空間

\mathcal D_t = \left\{ \pi: P(\pi)\cdot L(\pi)\geq\theta_D \right\},

其中 $L(\pi)$ 是損失、收益或決策影響。

低機率高衝擊路徑可能不屬於高概率集合，卻仍屬於決策相關集合。

因此：

\boxed{ \text{不太可能} \neq \text{不值得準備}. }

三、微觀龐大與宏觀有限可以同時成立

設未來微觀狀態為：

\omega_1,\omega_2,\ldots,\omega_m.

建立宏觀分類映射：

\pi: \Omega \rightarrow \left\{ C_1,C_2,\ldots,C_k \right\}.

每個 $C_i$ 代表一個宏觀結果族，例如：

技術快速突破；
漸進改良；
監管延遲；
商業失敗；
替代技術勝出；
系統性事故。

可能存在：

m\gg k.

數百萬種內部事件排列，最後都可能屬於「漸進改良但未跨越部署門檻」。

所以：

\boxed{ \text{微觀路徑數量巨大，} \quad \text{不代表宏觀結果族同樣巨大。} }

這是本文能討論「低有效分支」而不主張世界決定論的基本前提。

四、原始分支數與有效分支數

設宏觀結果族機率為：

p_1,p_2,\ldots,p_n, \qquad \sum_{i=1}^{n}p_i=1.

原始分支數為：

N_{\mathrm{raw}}=n.

若各分支機率高度不均勻，原始數量會誇大實際不確定性。

本文採用熵的指數形式定義有效分支數：

N_{\mathrm{eff}} = \exp \left( H(P) \right),

其中：

H(P) = -\sum_{i=1}^{n}p_i\log p_i.

若十個分支機率完全相同：

p_i=0.1,

則：

N_{\mathrm{eff}}=10.

若主要概率集中在兩三個分支，其餘極低：

N_{\mathrm{eff}}\ll10.

因此，有效分支不是「非零分支的數量」，而是與目前機率分布具有相同不確定性的等概率分支數。

五、關鍵區間低有效分支命題

設關鍵時間區間為：

\tau=[t_0,t_1].

設受約束路徑集合為：

\mathcal F_{\tau}.

經過宏觀粗粒化：

\pi_{\mathcal G}: \mathcal F_{\tau} \rightarrow \mathcal C_{\tau},

其中 $\mathcal G$ 是判定粒度。

本文提出：

\boxed{ |\Omega_{\tau}|\gg1, \qquad N_{\mathrm{eff}} \left( \pi_{\mathcal G}(\mathcal F_{\tau}) \right) \ll |\Omega_{\tau}|. }

此命題不是普遍數學定理，而是一項需要對不同領域進行實證檢查的理論假說。

它較可能在以下條件成立：

時間區間相對有限；
基礎設施和制度慣性強；
技術前置依賴清楚；
關鍵行動者數量有限；
存在共同瓶頸；
宏觀判定粒度適當；
分支機率高度集中。

六、為什麼關鍵區間的有效分支會縮小？

6.1 物理與資源限制

任何技術路徑都受到：

\mathcal C_{\mathrm{physical}} + \mathcal C_{\mathrm{energy}} + \mathcal C_{\mathrm{capital}} + \mathcal C_{\mathrm{time}}.

大量想像方案根本無法在指定區間內落地。

6.2 依賴圖限制

若能力 $C$ 依賴：

A\rightarrow B\rightarrow C,

則沒有 $A$ 與 $B$ ，直接到達 $C$ 的路徑會被排除。

6.3 制度慣性

法律、標準、供應鏈、組織利益與既有設備形成路徑依賴：

x_{t+1} = f(x_t,\Delta_t).

可達狀態通常不是任意跳躍。

6.4 策略收斂

面對相同成本、風險和市場激勵，不同行動者可能獨立收斂至相似策略。

6.5 因果瓶頸

大量不同路徑可能必須通過共同節點：

\pi_1,\pi_2,\ldots,\pi_n \rightarrow B \rightarrow \mathcal Q.

例如長期 AI 代理不論底層模型如何，都需要處理記憶、授權、工具錯誤與身份連續。

七、低有效分支不等於低事件數量

即使宏觀分支很少，每個分支內仍可包含大量事件。

設：

C_i = \left\{ \omega_{i1},\omega_{i2},\ldots \right\}.

則：

|C_i|\gg1

完全可能。

所以本文所稱的低有效分支，是：

\text{宏觀因果族較少},

而不是：

\text{世界細節較少}.

同一個「AI 監管延遲」分支，可能包含不同國家、公司、法案、事故與市場反應。

預測者可能命中結構方向，卻錯過具體事件序列。

八、路徑覆蓋與事件命中必須分開

設預測系統產生候選路徑集合：

\widehat{\mathcal P} = \left\{ \widehat\pi_1,\ldots,\widehat\pi_m \right\}.

實際結果路徑為：

\pi^\ast.

事件命中只檢查某一結果是否曾被提及：

\operatorname{Hit} \left( \pi^\ast,\widehat{\mathcal P} \right).

但路徑覆蓋應檢查：

關鍵因果機制；
中間瓶頸；
分支條件；
可觀測指標；
概率分配。

可定義機率質量覆蓋：

C_{\mathrm{mass}} = \sum_{i: C_i\in\widehat{\mathcal C}} p_i.

若預測集合覆蓋了概率質量最高的三個結果族，即使未列出所有細節，也可能具有高決策價值。

九、五種預測能力

9.1 可能性發現

C_{\mathrm{poss}} = \text{是否辨識到某路徑存在}.

9.2 因果路徑覆蓋

C_{\mathrm{path}} = \text{是否涵蓋主要獨立機制}.

9.3 機率校準

C_{\mathrm{cal}} = \text{概率是否與長期發生率一致}.

9.4 時間精度

C_{\mathrm{time}} = \text{是否落在正確時間窗}.

9.5 細節精度

C_{\mathrm{detail}} = \text{主體、地點、順序與規模是否正確}.

一個研究者可能具有：

C_{\mathrm{path}}\gg0

卻只有中等：

C_{\mathrm{time}}, \quad C_{\mathrm{detail}}.

這不等於沒有預測價值，但不能把結構覆蓋誇大為精確預言。

十、AI 如何提高因果覆蓋？

大型語言模型和搜尋代理可以高速執行：

\text{檢索} \rightarrow \text{分解} \rightarrow \text{生成} \rightarrow \text{比較} \rightarrow \text{反駁} \rightarrow \text{重組}.

其優勢包括：

快速搜尋多來源；
跨領域類比；
產生反事實；
展開行動者策略；
列出前置依賴；
生成低概率風險；
持續吸收新訊號。

人類研究者則提供：

問題選擇；
長期理論先驗；
判定粒度；
價值與風險邊界；
相變節點辨識；
對語義同構的直覺。

因此可以提出：

\boxed{ \operatorname{Coverage}_{H+AI} > \max \left( \operatorname{Coverage}_H, \operatorname{Coverage}_{AI} \right) }

但這只在協作具有互補性時成立。

十一、人機結合不是簡單相加

設人類模型誤差為：

\epsilon_H,

AI 模型誤差為：

\epsilon_A.

若兩者誤差高度相關：

\operatorname{Corr} (\epsilon_H,\epsilon_A)\approx1,

組合收益有限。

如果：

\operatorname{Corr} (\epsilon_H,\epsilon_A)\ll1,

且兩者各自具有足夠準確度，組合才容易提高表現。

人機混合預測實驗已顯示，經過技能權重、過度自信修正與人機聚合後的系統，可以優於只使用人類預測的基線。這支持「互補誤差」而不是「AI 取代人類」的方向。

十二、生成數量不是獨立路徑數量

設 AI 生成：

S_1,S_2,\ldots,S_n.

若它們具有不同文字，但共享相同因果圖：

G(S_1) = G(S_2) = \cdots = G(S_n),

則真正的因果新增量接近零。

因此應區分：

N_{\mathrm{text}}

與：

N_{\mathrm{causal}}.

因果去重可以依據：

共同前提；
共同瓶頸；
共同主要行動者；
共同轉移條件；
共同失敗機制；
共同終局狀態。

本文提出因果等價關係：

S_i\sim_C S_j

若兩者在指定粒度下共享相同的核心因果圖。

真正覆蓋數為：

N_{\mathrm{causal}} = \left| \mathcal S/ \sim_C \right|.

十三、模型多樣性比重複抽樣更重要

從同一模型、相同提示與相同資料來源反覆抽樣，容易得到高度相關的預測：

\operatorname{Corr} (\widehat p_i,\widehat p_j) \uparrow.

近期 AI 預測研究顯示，前沿模型之間的預測可能高度相關；最有效的集成不是無限制增加樣本，而是組合準確但誤差互補的模型。

因此，預測平台應優先增加：

不同模型家族；
不同訓練來源；
不同搜尋策略；
不同文化和制度先驗；
不同因果建模方法；
對抗性代理；
人類專家與市場概率。

可定義有效預測者數：

N_{\mathrm{forecaster}}^{\mathrm{eff}} = \exp \left( H(\mathbf w) \right) \cdot \left( 1-\bar\rho \right),

其中 $\mathbf w$ 是預測者權重， $\bar\rho$ 是平均誤差相關性。此式是概念性指標，用於提醒「數量」與「獨立性」必須共同考慮。

十四、AI 預測能力正在提升，但並未消除人類優勢

ForecastBench 以答案尚未出現的未來事件建立持續更新評測，降低資料污染風險。早期結果顯示，人類專業預測者仍優於當時最佳 LLM。

後續研究則顯示：

檢索增強、問題分解與預測聚合可以顯著改善 LLM；
前沿模型可在部分真實預測任務超過一般人群；
專業超級預測者在多項比較中仍保持優勢；
代理式搜尋、模型集成和統計校準可使 AI 系統接近超級預測者；
人機混合系統可優於純人類基線。

因此：

\boxed{ \text{預測能力的提升主要來自完整系統，} \quad \text{而不是裸模型的單次回答。} }

十五、預測必須在結果未知時固定

若研究者在事件發生後重新閱讀大量舊論文，很容易產生：

選擇性記憶；
模糊命中；
結果族過度寬鬆；
忽略未命中預測；
重新解釋時間窗。

所以預測項目應事先固定：

Q = \left( q,t_{\mathrm{close}},t_{\mathrm{resolve}}, \mathcal R,p,E \right),

其中：

$q$ ：可判定問題；
$t_{\mathrm{close}}$ ：停止更新時間；
$t_{\mathrm{resolve}}$ ：結果判定時間；
$\mathcal R$ ：明確結果規則；
$p$ ：提交機率；
$E$ ：當時可用證據。

沒有這些欄位，文本更接近情境研究，而不是可評分預測。

十六、Brier 分數與校準

對二元事件，預測概率為 $p_i$ ，結果為：

o_i\in\{0,1\}.

Brier 分數為：

BS = \frac1N \sum_{i=1}^{N} (p_i-o_i)^2.

分數越低越好。

但單一平均分還應分解為：

可靠度；
解析度；
不確定性。

校準要求：

P \left( o=1\mid p\approx0.7 \right) \approx0.7.

如果所有被賦予 $70\%$ 的事件，長期只有 $40\%$ 發生，系統便過度自信。

因此真正的問題不是：

我有沒有提到它？

而是：

\boxed{ \text{我給高概率的事件是否真的更常發生？} }

十七、覆蓋引擎與概率引擎應分離

一個系統若同時負責提出路徑和為自己評分，容易壓制陌生方案或過度信任自身生成。

本文提出四引擎結構。

17.1 覆蓋引擎

目標：

\max N_{\mathrm{causal}}.

鼓勵提出因果上不同的路徑。

17.2 裁剪引擎

目標：

\min \left( \text{重複} + \text{不可行} + \text{無機制敘事} \right).

17.3 概率引擎

依據：

基準率；
當前證據；
行動者激勵；
市場或群體概率；
類似歷史案例；
時間依賴；

配置概率。

17.4 反證引擎

專門尋找：

共同盲點；
缺失變量；
反身效應；
黑天鵝機制；
來源相依性。

十八、論文庫如何轉成預測系統？

大量論文不是自動等於預測平台。

首先需要把論文中的命題抽取為：

v_i = \left( \text{狀態}, \text{門檻}, \text{事件}, \text{證據} \right).

再把條件關係轉成：

e_{ij} : v_i \rightarrow v_j.

形成動態圖：

\mathcal G_t = \left( V_t,E_t,P_t,Z_t \right),

其中：

$V_t$ ：狀態、事件與瓶頸；
$E_t$ ：因果與條件轉移；
$P_t$ ：概率；
$Z_t$ ：支持、反對與未知證據。

每篇論文可以貢獻：

節點；
邊；
假說；
先驗；
反例；
判定指標。

平台的核心不是文章數量，而是命題能否被版本化、連結和回測。

十九、路徑圖的概率更新

設一條路徑為：

\pi_i: v_0\rightarrow v_1\rightarrow\cdots\rightarrow v_k.

在簡化條件獨立假設下：

P(\pi_i) = \prod_{j=0}^{k-1} P(v_{j+1}\mid v_j).

但真實系統常存在：

共同原因；
回饋；
路徑依賴；
策略互動；
非獨立事件。

所以更合適的是使用：

貝葉斯網路；
動態貝葉斯網路；
因果圖；
馬可夫決策模型；
代理模擬；
情境樹與狀態流模型。

新證據 $D_{t+1}$ 到來時：

P_{t+1}(\pi_i) \propto P(D_{t+1}\mid\pi_i) P_t(\pi_i).

所有更新都必須保留時間戳與舊版本，避免事後重寫。

二十、關鍵節點與相變區間

某些節點的出現會顯著重排後續分支概率。

設門檻變量為：

z(t).

若：

z(t)<\theta

時，系統處於狀態 $\mathcal A$ ；

而：

z(t)\geq\theta

後，可達空間變為：

\mathcal B \supsetneq \mathcal A.

則 $\theta$ 是能力或制度相變門檻。

預測平台不應只預測最終事件，也應追蹤：

門檻變量；
前置信號；
轉移速度；
是否可逆；
哪些分支在跨越後消失；
哪些新分支首次出現。

這正是「關鍵區間」比任意時間點更值得密集分析的原因。

二十一、預測預算與邊際遞減

設搜尋、模型、代理與推理預算為：

B.

路徑覆蓋率為：

C_{\mathrm{path}}(B).

通常初期：

\frac{\partial C_{\mathrm{path}}}{\partial B}>0.

但後期可能：

\frac{\partial^2 C_{\mathrm{path}}}{\partial B^2}<0.

原因是新增生成逐漸變成：

同義改寫；
同一因果機制細分；
相同資料來源的重述；
低價值尾部分支。

提高上限更依賴：

\text{模型異質性} + \text{資料異質性} + \text{方法異質性} + \text{回測}.

所以「尚未把額度開到最高」確實可能表示還有覆蓋增益，但不表示算力增加會線性接近完整預測。

二十二、四類難以覆蓋的未來

22.1 模型語言外的新機制

若新事件需要現有理論中沒有的概念或因果算子，系統可能無法生成。

22.2 極低機率高衝擊事件

可以被列入風險集合，卻很難正確給予機率。

22.3 反身性事件

預測被公開後會改變行動者：

\widehat F \rightarrow a \rightarrow F'.

預測可能自我實現，也可能自我否定。

22.4 精確時間與事件順序

即使結構方向正確：

A,B,C

仍可能錯判：

A\rightarrow B\rightarrow C

或：

B\rightarrow A\rightarrow C.

時間預測通常比方向覆蓋更困難。

二十三、低有效分支的失敗條件

此命題不適用或容易失效於：

時間尺度極長；
新物理或新通用技術出現；
行動者數量巨大且高度反身；
制度處於崩解或革命狀態；
判定粒度過細；
概率分布極為平坦；
存在大量不可觀察狀態；
模型與現實互相強烈作用。

因此，任何使用低有效分支命題的研究都必須公開：

\left( \text{時間窗}, \text{粒度}, \text{約束}, \text{機率門檻}, \text{失效條件} \right).

二十四、主要反對意見

24.1 反對一：這只是把很多可能合併成少數類別

部分正確。粗粒化本來就是壓縮。問題在於壓縮是否保存決策需要的因果差異，而不是是否完全無損。

24.2 反對二：只要把結果族定義得夠寬，任何預測都能命中

因此結果族必須在結果未知前固定，並設定可區分的因果條件與時間範圍。

24.3 反對三：AI 生成越多，總能聲稱命中

本文正因如此要求概率、去重、未命中紀錄和 proper scoring rules，而不是以「曾提及」作為成功標準。

24.4 反對四：有效分支數是虛假的精確化

$N_{\mathrm{eff}}$ 只在機率與結果分區合理時有意義。它不應被視為世界真實分支的客觀總數，而是指定模型下的不確定性摘要。

24.5 反對五：歷史類比會忽略真正的新事物

因此平台必須保留外部機制、異端路徑與模型失效類別，不能只從既有論文庫內閉合生成。

24.6 反對六：人機系統可能放大同一偏見

若人類與 AI 共享資料來源與框架，確實會如此。真正增益取決於獨立誤差和對抗性設計。

24.7 反對七：世界具有自由意志，所以不能預測

非決定性、自由選擇與概率預測並不矛盾。本文預測的是結果分布和因果條件，不是宣稱每一主體的行動已被唯一決定。

二十五、核心命題

命題一：空間分層命題

\mathcal D_t \subseteq \mathcal P_t \subseteq \mathcal F_t \subseteq \Omega_t^L \subseteq \Omega_t.

命題二：宏觀壓縮命題

大量微觀路徑可以匯入少數宏觀結果族。

命題三：低有效分支命題

在特定關鍵時間、約束和粒度下，主要機率質量可能集中於少數有效分支。

命題四：敘述—因果分離命題

N_{\mathrm{text}} \not\Rightarrow N_{\mathrm{causal}}.

命題五：覆蓋—準確分離命題

\operatorname{Mentioned}(E)>0 \not\Rightarrow \operatorname{CalibratedForecast}(E)>0.

命題六：人機互補命題

人機組合只有在誤差互補、概率校準與獨立來源存在時，才可能超越單方。

命題七：多樣性優於重複命題

在固定預算下，準確但誤差互補的模型組合，通常比同一模型的重複抽樣更有價值。

命題八：平台圖結構命題

成熟預測平台應管理命題、因果邊、概率、證據與結果，而不只保存文章。

命題九：預算邊際遞減命題

單純增加生成和搜尋預算，對獨立路徑覆蓋的增益通常逐漸下降。

命題十：完全預測否定命題

低有效分支不表示世界可被完整、確定且永久預測。

二十六、結論

世界的全部微觀可能性可以極其龐大，但決策者真正面對的並不是「所有能想像的故事」。

他們面對的是：

\text{在特定時間窗內} + \text{滿足現實約束} + \text{承載顯著概率} + \text{具有決策影響}

的路徑族。

在適當粒度下，這些路徑族可能沒有想像中那麼多。

因此：

\boxed{ \text{世界不是簡單，} \quad \text{但它的高機率宏觀出口可能相對有限。} }

AI 的重要作用，不是暴力列舉無限細節，而是降低下列工作的成本：

搜尋資料；
生成異質假說；
展開因果鏈；
尋找瓶頸；
產生反例；
比較路徑；
持續更新。

人類研究者則提供問題邊界、理論先驗、相變辨識、價值判定與模型失效意識。

兩者結合，可以形成：

\boxed{ \text{高通量生成} + \text{因果壓縮} + \text{概率校準} + \text{持續回測}. }

但若缺少去重和評分，大量 AI 產出只會形成「什麼都說過」的覆蓋幻覺。

真正有意義的預測能力，不是事後找到一篇曾經提及結果的文章，而是：

\boxed{ \text{在答案未知時，} \quad \text{辨識主要因果分支，} \quad \text{配置可校準概率，} \quad \text{並讓決策能跨多個未來保持穩健。} }

所以本文最終主張：

\boxed{ |\Omega|\gg1 \not\Rightarrow N_{\mathrm{eff}}\gg1. }

以及：

\boxed{ \text{未來未必可以被窮盡，} \quad \text{但某些關鍵區間的主要路徑，} \quad \text{可能可以被高度覆蓋。} }

參考文獻

Karger, Ezra, et al. “ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities.” arXiv:2409.19839, 2024; ICLR, 2025.
Halawi, Danny, Fred Zhang, Chen Yueh-Han, and Jacob Steinhardt. “Approaching Human-Level Forecasting with Language Models.” arXiv:2402.18563, 2024.
Benjamin, Daniel M., et al. “Hybrid Forecasting of Geopolitical Events.” arXiv:2412.10981, 2024.
Lu, Janna. “Evaluating LLMs on Real-World Forecasting Against Human Superforecasters.” arXiv:2507.04562, 2025.
Alur, Rohan, et al. “AIA Forecaster: Technical Report.” arXiv:2511.07678, 2025.
Aitchison, Matthew, Scott Jeen, Toby Shevlane, and Ben Day. “Diversity Is the Strength of the AI Crowd.” arXiv:2606.29661, 2026.
Ali, Junade. “Quantifying Diversity of Thought: A Predictive Law of Weighted LLM Ensemble Lift.” arXiv:2607.17384, 2026.
Bosse, Nikos I., et al. “Automating Forecasting Question Generation and Resolution for AI Evaluation.” arXiv:2601.22444, 2026.
Schöller, Peter, et al. “Prompt Engineering Large Language Models’ Forecasting Capabilities.” arXiv:2506.01578, 2025.
“Pitfalls in Evaluating Language Model Forecasters.” arXiv:2506.00723, 2025.
Brier, Glenn W. “Verification of Forecasts Expressed in Terms of Probability.” Monthly Weather Review 78, no. 1, 1950, pp. 1–3.
Gneiting, Tilmann, and Adrian E. Raftery. “Strictly Proper Scoring Rules, Prediction, and Estimation.” Journal of the American Statistical Association 102, no. 477, 2007, pp. 359–378.
Bröcker, Jochen. “Reliability, Sufficiency, and the Decomposition of Proper Scores.” arXiv:0806.0813, 2008.
Tetlock, Philip E., and Dan Gardner. Superforecasting: The Art and Science of Prediction. Crown, 2015.
Mellers, Barbara, et al. “Psychological Strategies for Winning a Geopolitical Forecasting Tournament.” Psychological Science 25, no. 5, 2014, pp. 1106–1115.
Hill, Mark O. “Diversity and Evenness: A Unifying Notation and Its Consequences.” Ecology 54, no. 2, 1973, pp. 427–432.
Jost, Lou. “Entropy and Diversity.” Oikos 113, no. 2, 2006, pp. 363–375.
Shannon, Claude E. “A Mathematical Theory of Communication.” Bell System Technical Journal 27, 1948.
Pearl, Judea. Causality: Models, Reasoning, and Inference. Cambridge University Press, 2000.
Spirtes, Peter, Clark Glymour, and Richard Scheines. Causation, Prediction, and Search. MIT Press, 2000.
Schoemaker, Paul J. H. “Scenario Planning: A Tool for Strategic Thinking.” Sloan Management Review 36, no. 2, 1995.
Cordova-Pozo, Katherine, and Edgar Rouwette. “Types of Scenario Planning and Their Effectiveness: A Review of Reviews.” Futures 149, 2023.
Taleb, Nassim Nicholas. The Black Swan. Random House, 2007.
Goodhart, Charles. “Problems of Monetary Management: The U.K. Experience.” In Papers in Monetary Economics, 1975.
de Finetti, Bruno. Theory of Probability. Wiley, 1974.
Savage, Leonard J. The Foundations of Statistics. Wiley, 1954.

理論定位

本文提出的「關鍵區間低有效分支命題」「因果路徑覆蓋」「有效預測者數」與平台架構，屬於跨概率預測、情境規劃、資訊論、因果建模與 AI 代理研究的理論構造。

本文不主張：

世界具有固定且可被完整讀取的唯一未來；
低有效分支在所有時間尺度和領域成立；
大量生成自動提高預測準確率；
曾經提及一種結果即可視為預測成功；
AI 已取代專業預測者；
個人論文庫本身就是經過校準的預測資料庫。

其用途是建立一套可以被回測、反駁與工程化的語言，用以判斷何時「可能性看似龐大，但真正高概率的因果出口相對有限」。

關鍵區間低有效分支命題_AI增強因果覆蓋預測粒度與未來路徑空間_v0.1