Series C / Paper 02

觀察者網路認知歸一：多 AI 幻覺壓縮與分散式錯誤修正

Observer-Network Epistemic Normalization: Multi-AI Hallucination Compression and Distributed Error Correction

版本：v0.1
日期：2026-08-14
狀態：Theory + structural experiment paper

摘要

多 Agent 系統常被直覺地理解為「多個模型投票」，但 majority agreement 既不保證真實，也可能在相關偏誤、遞迴引用與延遲驗證下形成 collective hallucination。本文提出 Observer-Network Epistemic Normalization（觀察者網路認知歸一），將多 AI 可靠性問題從「共識最大化」改寫為「在不直接讀取 hidden truth 的條件下，利用異質觀察、來源、歷史、交叉驗證與 fault localization，逐步壓縮仍可容許的世界集合，並隔離高風險資訊通道」。

本文首先定義 observer network、claim packet、admissible-world set、relational inconsistency certificate 與 epistemic normalization operator。接著證明三個基礎結果。第一，若新加入的 constraint 是 sound，則 admissible-world set 單調收縮且不排除真實狀態。第二，即使沒有 hidden truth，只要其他觀察者的 constraint 交集非空，而加入某一 observer 後交集變空，即可產生「關係不相容證書」；但此證書只能定位 incompatibility，不能單獨證明該 observer 錯誤。第三，在等方差、等相關的誤差模型下，有效獨立 observer 數滿足：

N_{\mathrm{eff}} = \frac{N}{1+(N-1)\rho},

因此當錯誤相關係數 $\rho\rightarrow1$ 時，即使 nominal observer count $N$ 很大，也有 $N_{\mathrm{eff}}\rightarrow1$ 。此結果形式化了「多 AI 不等於多獨立證據」。

本文再重新分析前一系列的 observer-only synthetic experiment：hidden state 維度為 4，每個 observer 即時 rank 為 2，網路含 5、8、12、20 個 observers，並在多組 noise 下加入 persistent measurement bias。重建過程不讀 hidden state，只在最後 scoring 使用。consistency-based suspect removal 將平均 state error 從 $0.0494479$ 降至 $0.0125506$ ，約降低 $74.62\%$ ；corrupted-observer detection rate 為 $0.945833$ ，exact bad-set identification rate 為 $0.935937$ 。本文明確把此結果視為「distributed epistemic error correction 的結構先導實驗」，而非真實 LLM hallucination benchmark。

最後，本文將上述結構與 SelfCheckGPT、MARCH、AgentAuditor、AgentHallu、AgentLocate、MAS-FIRE、Byzantine-resilience 及 2026 年 collective hallucination / delayed verification / biased consensus 研究對照，提出一組必要但非充分的 normalization 條件：異質且非完全冗餘的 evidence channels、可追溯 provenance、受控通信拓撲、可及時返回的 verifier、局部 fault attribution、保留少數派 evidence，以及對 shared specification failure 的外部檢查。

本文不主張：

\text{more agents} \Rightarrow \text{more truth}.

本文主張的較弱方向是：

\boxed{ \text{heterogeneous evidence} + \text{sound verification} + \text{fault localization} + \text{controlled information flow} \Rightarrow \text{possible epistemic normalization}. }

關鍵詞： multi-agent LLM；hallucination；observer network；epistemic normalization；fault localization；collective hallucination；Byzantine resilience；admissible worlds；distributed error correction

1. 從「投票」改寫成「認知歸一」

在單一模型中，hallucination 常被表示為輸出 claim 與外部事實不一致：

c \not\models W^\star,

其中 $W^\star$ 是實際世界狀態或目標 truth condition。

到了多 Agent 系統，最直觀的方法是讓：

A_1,A_2,\ldots,A_N

分別回答，再使用：

\operatorname{Majority}(A_1,\ldots,A_N).

但這個結構有一個根本問題：

\text{agreement} \neq \text{independence},

且：

\text{agreement} \neq \text{truth}.

如果所有 Agents 共享訓練偏誤、同一 retrieval source、同一錯誤 specification、同一中間訊息，或彼此遞迴引用，則 nominally different agents 可能只是同一錯誤的多次表現。

因此本文不把目標設定為：

\max \Pr( A_1=A_2=\cdots=A_N ),

而設定為：

\min \left( \text{unsupported claim mass} + \text{cross-evidence inconsistency} + \text{unlocalized fault risk} \right),

同時保留：

provenance；
minority evidence；
unresolved ambiguity；
gauge / underdetermination；
uncertainty。

這個過程稱為：

\boxed{ \textbf{Observer-Network Epistemic Normalization}. }

2. 外部研究背景：從 self-consistency 到 system-level hallucination

SelfCheckGPT 提出一個重要先例：對同一黑箱模型進行多次 sampling，若模型真的掌握相關知識，生成內容往往較一致；若生成內容高度分歧，則可作為 hallucination risk 的訊號。這仍是 single-model sampling，但已經指出：

\text{cross-sample relation}

本身可以提供額外的 epistemic information。

2026 年的 MARCH 更進一步，把 Solver、Proposer 與 Checker 分離，讓 Checker 不看到 Solver 原始答案，只檢查拆成 atomic propositions 的 claims 與 retrieved evidence，以降低 self-confirmation。這顯示「資訊不對稱」有時不是系統缺陷，而是 verification protocol 的必要設計。

AgentAuditor 則明確反對只做 majority vote。它把多 Agent traces 組成 reasoning tree，在 critical divergence points 做 localized verification，並報告相較 majority vote 與 LLM-as-a-Judge 的改善。其研究問題與本文高度一致：

全域共識是否可以被局部差異點的證據審計取代？

AgentHallu 與 AgentLocate 代表另一條重要路線：不只判定 end-to-end 成功或失敗，而是定位 hallucination / failure 最早在哪一個 step、哪一個 agent 發生。這使 fault localization 從事後印象轉為可測 task。

與上述正向結果相反，2026 年的 Collective Hallucination 工作把 hallucination 視為網路上的動態傳播過程，指出 recursive interactions 可放大 unsupported claims；Delayed Verification 則指出 verifier latency 可能使錯誤在校正返回前擴散，甚至在特定 signed-belief model 中造成 oscillatory instability。Consistency Illusion 顯示 answer-level consensus 可與 reasoning-level misalignment 同時增加；Biased Consensus 則提出多 Agent debate 在 conformity 與 noise 達到特定條件時可出現 collective bias 的 phase-transition-like behavior。

因此，現有研究並不支持：

\text{multi-agent} \Rightarrow \text{reliable}.

更合適的問題是：

\boxed{ \text{什麼網路、什麼 evidence、什麼 verifier、什麼延遲與什麼 fault model， 才使多 Agent 互動成為 error-correcting system？ } }

3. Observer Network 的形式化

3.1 世界與觀察

令可能世界空間為：

\Omega.

真實狀態為：

W^\star\in\Omega.

但任何 Agent 都不被假設可以直接讀取 $W^\star$ 。

第 $i$ 個 observer 在時間 $t$ 只能取得：

y_i^t = h_i(W^\star) + \epsilon_i^t + b_i^t,

其中：

$h_i$ 是局部 observation map；
$\epsilon_i^t$ 是一般 noise；
$b_i^t$ 是 systematic bias、persistent error 或 adversarial corruption。

在語言 Agent 中， $y_i^t$ 不一定是數值 measurement，也可以是：

retrieved passage；
tool output；
program execution result；
peer message；
human instruction；
sensor record；
database row；
theorem checker result。

3.2 Claim packet

定義 observer $i$ 在時間 $t$ 的 claim packet：

C_i^t = ( Q_i^t, U_i^t, P_i^t, T_i^t ),

其中：

$Q_i^t$ ：claim set；
$U_i^t$ ：uncertainty / confidence metadata；
$P_i^t$ ：provenance；
$T_i^t$ ：trajectory / causal history。

因此系統不只交換「答案」，而交換：

\boxed{ \text{claim} + \text{uncertainty} + \text{source} + \text{history}. }

3.3 通信圖

令：

G_t=(V,E_t),

其中 $V=\{1,\ldots,N\}$ 是 observers，而 $(i,j)\in E_t$ 表示在時間 $t$ 有資訊從 $i$ 傳向 $j$ 。

這一步很重要，因為 hallucination risk 不只由 node reliability 決定，也由 topology 決定。

同一個錯誤在 chain：

A\rightarrow B\rightarrow C

與 mutual-review graph：

A\leftrightarrow B\leftrightarrow C

中的傳播與修復能力可以不同。

4. 可容許世界集合

每一個 claim / observation 不直接被視為「真」，而被轉換成對可能世界的 constraint。

令第 $k$ 個已接受 constraint 所允許的世界集合為：

K_k\subseteq\Omega.

定義時間 $t$ 的 admissible-world set：

\mathcal A_t = \bigcap_{k\leq t}K_k.

定義 1：Sound constraint

若：

W^\star\in K_k,

則稱 $K_k$ 對真實狀態 sound。

定理 1：Sound Contraction

若：

\mathcal A_{t+1} = \mathcal A_t \cap K_{t+1},

則必有：

\mathcal A_{t+1} \subseteq \mathcal A_t.

若 $K_{t+1}$ sound 且：

W^\star\in\mathcal A_t,

則：

W^\star\in\mathcal A_{t+1}.

證明

第一式由集合交集定義直接得到：

\mathcal A_t\cap K_{t+1} \subseteq \mathcal A_t.

若 $W^\star\in\mathcal A_t$ 且 $W^\star\in K_{t+1}$ ，則：

W^\star \in \mathcal A_t\cap K_{t+1} = \mathcal A_{t+1}.

證畢。

解讀

認知歸一不是要求所有 Agent 說同一句話，而是：

\boxed{ \operatorname{diam}(\mathcal A_t) \downarrow }

或更一般地，系統中仍然與可信 evidence 相容的世界類逐步變窄。

但這裡有一個絕對不能省略的條件：

\text{constraint soundness}.

若 verifier、retrieval source 或 specification 本身錯誤，則：

W^\star \notin K_{t+1},

系統反而可能「非常一致地」把真實狀態排除。

這就是 collective hallucination 的形式化入口。

5. 不讀 hidden truth 時，仍可做什麼？

5.1 Relational Incompatibility Certificate

對 observer $i$ ，令其 constraint set 為：

K_i.

其他 observers 的共同允許集合為：

\mathcal A_{-i} = \bigcap_{j\neq i}K_j.

若：

\mathcal A_{-i}\neq\varnothing

但：

K_i\cap\mathcal A_{-i} = \varnothing,

則稱 observer $i$ 得到一個 relational incompatibility certificate。

命題 2：不相容可被定位，但錯誤不能僅由不相容單獨決定

上述條件足以證明：

K_i

與其他 constraints 的共同體不相容。

但它不充分證明：

K_i

必然錯誤。

證明

由：

K_i\cap\mathcal A_{-i}=\varnothing

可知兩者不能同時成立。

然而可能存在兩種情況：

$K_i$ 錯；
$\mathcal A_{-i}$ 由一組共同錯誤 constraints 構成。

因此只能推出 incompatibility，而不能在沒有額外 witness 的條件下唯一定位 truth side。

證畢。

5.2 這正是「observer-only diagnosis」的核心

系統可以在不知道：

W^\star

的情況下知道：

這些東西不能全部同時是真的。

這已經足以觸發：

re-query；
independent retrieval；
tool execution；
alternative model；
human escalation；
temporary isolation。

也就是說：

\boxed{ \text{truth unavailable} \nRightarrow \text{error diagnosis impossible}. }

6. 多 AI 不等於多獨立證據

6.1 等相關誤差模型

令每個 observer 的 estimation error 為：

e_i,

滿足：

\mathbb E[e_i]=0,

\operatorname{Var}(e_i)=\sigma^2,

以及對所有 $i\neq j$ ：

\operatorname{Corr}(e_i,e_j)=\rho.

考慮簡單平均：

\bar e = \frac{1}{N} \sum_{i=1}^N e_i.

則：

\operatorname{Var}(\bar e) = \frac{\sigma^2}{N} \left( 1+(N-1)\rho \right).

若定義有效獨立 observer 數 $N_{\mathrm{eff}}$ 使：

\operatorname{Var}(\bar e) = \frac{\sigma^2}{N_{\mathrm{eff}}},

則：

\boxed{ N_{\mathrm{eff}} = \frac{N}{1+(N-1)\rho}. }

定理 3：Perfect-correlation collapse

當：

\rho\rightarrow1,

有：

N_{\mathrm{eff}}\rightarrow1.

當：

\rho=0,

則：

N_{\mathrm{eff}}=N.

解讀

若 100 個 Agents 全都沿著同一錯誤來源生成：

N=100

不代表：

N_{\mathrm{eff}}=100.

當 $\rho=0.9$ 時：

N_{\mathrm{eff}} = \frac{100}{1+99(0.9)} \approx1.11.

所以：

\boxed{ \text{model count} \neq \text{epistemic diversity}. }

這也是為什麼 heterogeneous models、isolated verification、independent tools 與 source diversity 比單純增加 agent count 更重要。

7. Independent Witness Suppression

考慮一個其實為 false 的 claim $\phi$ 。

假設有 $k$ 個 verifier：

V_1,\ldots,V_k,

且每個 verifier 在 $\phi$ 為 false 時誤接受它的條件機率滿足：

\Pr(V_i=\text{accept}\mid\neg\phi) \leq q_i.

若在給定 $\neg\phi$ 下，這些誤接受事件條件獨立，則：

\Pr( V_1=\cdots=V_k=\text{accept} \mid \neg\phi ) \leq \prod_{i=1}^{k}q_i.

若：

q_i=q,

則：

\Pr(\text{all false accept}\mid\neg\phi) \leq q^k.

這顯示真正獨立的 witness 可以快速壓低共同誤接受機率。

但其關鍵不是：

k\uparrow,

而是：

\boxed{ \text{conditional independence / low error correlation}. }

若 verifier 共用同一 retrieval、同一錯誤 premise 或彼此看到答案後產生 confirmation bias，則：

q^k

的乘法抑制不能成立。

8. Epistemic Normalization Operator

現在定義本文的核心 operator：

\mathfrak N: ( \mathbf C_t, \mathbf E_t, G_t, \mathbf H_t ) \mapsto ( \mathbf C_{t+1}, \boldsymbol\omega_{t+1}, \mathcal A_{t+1}, \mathcal F_{t+1} ),

其中：

$\mathbf C_t$ ：claims；
$\mathbf E_t$ ：evidence / provenance；
$G_t$ ：通信圖；
$\mathbf H_t$ ：history；
$\boldsymbol\omega_t$ ：observer / evidence weights；
$\mathcal A_t$ ：admissible worlds；
$\mathcal F_t$ ：fault hypotheses。

一個最小 normalization cycle 可拆成：

\boxed{ \begin{aligned} 1.&\ \text{claim atomization}\\ 2.&\ \text{provenance separation}\\ 3.&\ \text{independent re-observation}\\ 4.&\ \text{relational consistency check}\\ 5.&\ \text{fault localization}\\ 6.&\ \text{weight / isolate / retry}\\ 7.&\ \text{re-synthesis}\\ 8.&\ \text{retain unresolved alternatives} \end{aligned} }

8.1 為何不能直接刪除少數派

如果：

A_1,\ldots,A_9

都使用同一錯誤 source，而 $A_{10}$ 使用獨立 sensor，則：

9:1

的 majority 仍然可能是錯的。

因此 normalization operator 不應只用：

\text{vote count}.

至少需要：

\text{evidence independence}, \quad \text{provenance quality}, \quad \text{verification strength}, \quad \text{trajectory consistency}.

8.2 Fault suspicion score

可定義一個非唯一的 suspicion score：

S_i = \alpha R_i^{\mathrm{rel}} + \beta R_i^{\mathrm{evid}} + \gamma R_i^{\mathrm{traj}} + \delta R_i^{\mathrm{impact}},

其中：

$R_i^{\mathrm{rel}}$ ：與其他 observers 的關係殘差；
$R_i^{\mathrm{evid}}$ ：與獨立 evidence 的殘差；
$R_i^{\mathrm{traj}}$ ：自身前後 trajectory inconsistency；
$R_i^{\mathrm{impact}}$ ：移除或降權後對整體 consistency 的改善。

此 score 不是 truth oracle，而是：

\boxed{ \text{where should the network spend verification budget next?} }

9. 前一系列 observer-only experiment 的重新解讀

9.1 實驗設定

前一系列執行一個 synthetic observer experiment：

hidden state dimension：4；
observer counts：5、8、12、20；
each observer instantaneous rank：2；
noise sigma： $0$ 、 $0.005$ 、 $0.01$ 、 $0.03$ ；
每設定 120 random worlds；
部分 observers 被加入 persistent measurement bias。

關鍵限制是：

reconstruction 過程中，任何 observer 與 fusion network 都不能直接讀 hidden global state。

hidden truth 只保留給最後 scoring。

9.2 結果

實驗得到：

\text{full-rank fused network rate} = 1.000000,

\text{history-only full observability rate} = 1.000000.

平均 state error 在 suspect diagnosis 前為：

E_{\mathrm{all}} = 0.0494479.

移除 suspect observers 後為：

E_{\mathrm{repair}} = 0.0125506.

相對下降：

\frac{ 0.0494479-0.0125506 }{ 0.0494479 } \approx 0.7462.

即約：

\boxed{ 74.62\%. }

同時：

\text{corrupted-observer detection} = 0.945833,

\text{exact bad-set identification} = 0.935937.

9.3 正確解讀

這個結果支持：

\boxed{ \text{network consistency can identify corrupted local channels without using hidden truth during reconstruction}. }

但它不直接支持：

\boxed{ \text{real LLM hallucination rate decreases by }74.62\%. }

因為該實驗是：

linear / synthetic hidden-state model；
controlled corruption；
明確 observation maps；
可量化 residual；
不是真實自然語言 hallucination distribution。

因此本文把它定位為：

\boxed{ \textbf{structural precursor experiment}. }

它證明的是「無 oracle 的 distributed fault diagnosis 在一個受控 observer model 中可行」，而不是直接完成對現實多 AI 系統的泛化。

10. 與真實 LLM Multi-Agent 研究的交會

10.1 MARCH：信息隔離

MARCH 的關鍵設計不是增加更多 Agent，而是讓 Checker 不讀 Solver 原始答案，只讀 atomic propositions 與 retrieved evidence。

對本文而言，這等於刻意降低：

\rho( e_{\mathrm{solver}}, e_{\mathrm{checker}} ),

至少降低由原始答案造成的 confirmation coupling。

因此 MARCH 可以被理解為：

\boxed{ \text{error-channel decorrelation by information asymmetry}. }

10.2 AgentAuditor：差異點局部驗證

AgentAuditor 不把 majority 當終局，而把 divergence point 變成 audit target。

這與本文的 relational incompatibility certificate 幾乎對應：

\text{global disagreement} \rightarrow \text{localized divergence} \rightarrow \text{targeted verification}.

10.3 AgentHallu / AgentLocate：從 end-to-end error 到 fault attribution

AgentHallu 顯示，在 multi-step agent trajectory 中，真正困難的是找到 hallucination 最早發生的 step。其 benchmark 將 hallucination 分成 Planning、Retrieval、Reasoning、Human-Interaction 與 Tool-Use 等類型。

AgentLocate 更進一步把 failure localization 定義成：

responsible agent；
earliest decisive step。

因此多 Agent reliability 正逐漸從：

\text{did it fail?}

轉成：

\boxed{ \text{where did the epistemic trajectory first become unrecoverable?} }

10.4 MAS-FIRE 與 MAST：fault taxonomy / closed-loop resilience

MAS-FIRE 對 LLM-based MAS 做 fault injection，報告 iterative closed-loop designs 能 neutralize 部分在 linear workflow 中會造成 collapse 的 faults。MAST 則從大量 MAS traces 中整理 specification/system-design failure、inter-agent misalignment、task verification/termination 等 failure classes。

這與本文的主張一致：

\text{reliability} \neq \text{model intelligence alone}.

architecture、topology、verification path 與 termination policy 都是 epistemic system 的一部分。

11. Collective Hallucination：Normalization 的反面

定義 network unsupported-claim mass：

H_t = \sum_{c\in\mathcal C_t} w(c) \mathbf 1[ c\text{ lacks sufficient support} ].

若互動後：

H_{t+1}>H_t

且 unsupported claims 的 diffusion 範圍增加，則可稱系統進入 hallucination amplification regime。

2026 年 Collective Hallucination 的系統模型正指出：

recursive information flow；
confidence coupling；
communication topology；
adversarial perturbation

都會改變 hallucination 在 network 中的傳播。

因此 multi-agent system 至少存在兩種可能 dynamics：

\boxed{ \text{normalization regime} }

與：

\boxed{ \text{amplification regime}. }

這意味著「Agent 數量增加」不是控制參數的全部。更重要的可能是：

( \rho, \tau_v, G, \lambda_{\mathrm{conf}}, B_v ),

其中：

$\rho$ ：error correlation；
$\tau_v$ ：verification delay；
$G$ ：communication topology；
$\lambda_{\mathrm{conf}}$ ：confidence coupling；
$B_v$ ：verification budget。

12. Delayed Verification 與時間結構

若 false claim 在時間 $t$ 產生：

c_t,

但 verifier 到：

t+\tau

才返回 correction，那麼在：

[t,t+\tau)

期間，其他 Agents 可能已經把 $c_t$ 當成 premise。

因此 correction 的實際效果不是只有：

\text{correct / incorrect}.

還取決於：

\boxed{ \text{when does correction arrive?} }

這讓時間成為 epistemic network 的一級變量。

因此一個可行 normalization system 應記錄：

\text{claim timestamp}, \quad \text{dependency graph}, \quad \text{verification timestamp}, \quad \text{downstream descendants}.

當 claim 被推翻時，系統必須做的不是只改一行答案，而是：

\boxed{ \text{dependency-aware rollback}. }

這與軟體工程中的 invalidation / rebuild、以及科學研究中的 evidence retraction 非常接近。

13. Shared Specification Failure

最危險的 regime 之一不是 Agent 彼此不同意，而是：

\boxed{ \text{所有 Agent 都忠實地驗證了錯誤的 specification}. }

設真實要求為：

S^\star,

但所有 Agents 共用：

\tilde S\neq S^\star.

則即使：

\forall i,\quad A_i\models\tilde S,

也不能推出：

A_i\models S^\star.

因此：

\text{all tests pass} \nRightarrow \text{world-level correctness}.

這就是為什麼計算機只能是「相對客觀認知載體」。

它能把 claim 投射到另一個判定域：

\text{language} \rightarrow \text{execution},

但不能消除：

specification error；
compiler / runtime bug；
data corruption；
wrong metric；
missing variable；
adversarial environment。

真正強的 multi-domain verification 必須設法增加：

\boxed{ \text{error-channel heterogeneity}. }

14. Normalization 的必要條件候選

本文不給 sufficient theorem，但提出八個必要條件候選。

C1. Joint observability

不同 observers 合併後必須真的增加資訊，而非只複製同一 projection。

C2. Error decorrelation

至少一部分 evidence channel 應滿足：

\rho_{ij}<1.

C3. Provenance preservation

claim 必須能回到：

source；
tool call；
code；
dataset；
timestamp；
upstream claim。

C4. Localizable disagreement

系統必須能把：

\text{global contradiction}

轉成：

\text{local audit target}.

C5. Timely verification

verification latency 不可大到讓 unsupported claims 在 network 中先形成不可控 cascade。

C6. Minority evidence retention

少數派 evidence 不應因 vote count 太小而直接消失。

C7. Fault-aware weighting / isolation

system 要能在高 suspicion channel 上降權、重查或暫時隔離，而不是永久信任固定角色。

C8. External specification challenge

至少存在某種 mechanism 能質疑 shared specification / shared source，而不是只在內部做 self-consistency。

15. Epistemic Risk Functional

為了把 normalization 寫成 optimization 問題，可定義：

\mathcal R_t = \lambda_1 I_t + \lambda_2 U_t + \lambda_3 F_t + \lambda_4 D_t + \lambda_5 C_t,

其中：

$I_t$ ：cross-observer inconsistency；
$U_t$ ：unsupported-claim mass；
$F_t$ ：unlocalized-fault mass；
$D_t$ ：verification delay penalty；
$C_t$ ：correlated-evidence penalty。

理想 normalization operator 不是單純讓：

I_t\rightarrow0,

因為 false consensus 也可以做到。

真正目標是：

\boxed{ \mathcal R_{t+1}<\mathcal R_t }

同時：

不隱藏 unresolved alternatives；
不把 minority evidence 強行壓平；
不虛構 certainty；
不把未驗證 claim 升級成 settled fact。

這也解釋了為什麼「看起來整齊」與「認知品質提高」不是同一件事。

16. Minimal Checker

本文附帶一個最小 checker，不模擬真實 LLM，而驗證三個結構事實：

admissible-world intersection 的 contraction；
equicorrelated observer model 下 $N_{\mathrm{eff}}$ 的 collapse；
independent witness 與 common-mode correlated witness 的 false-acceptance 差異。

checker 的目的不是建立 empirical SOTA，而是確保本文的基礎公式與反例敘述可被直接執行。

17. 對「AI 幻覺自行降低」命題的精確版本

本文不採用：

\boxed{ \text{AI 數量增加} \Rightarrow \text{hallucination}\downarrow. }

更精確的 conjecture 是：

猜想 1：Observer-Network Normalization Conjecture

存在一組 task / environment 條件 $\mathcal C$ ，使得當多個 Agent：

具有足夠 claim decomposition 與 tool-use 能力；
observer errors 非完全相關；
communication topology 可支援 cross-check；
verification latency 有界；
provenance 可追溯；
system 可做 fault localization 與 re-observation；

則存在 normalization operator $\mathfrak N$ ，使長程平均 epistemic risk 滿足：

\mathbb E[ \mathcal R_{t+1} \mid \mathfrak N ] < \mathbb E[ \mathcal R_t ]

直到到達 task-dependent residual floor：

\mathcal R_\infty>0.

本文刻意保留：

\mathcal R_\infty>0,

因為：

部分世界不可觀測；
specification 可能錯；
evidence 可能共同污染；
verifier 可能失效；
開放世界存在不可消除不確定性。

因此「認知歸一」不是：

\text{perfect truth convergence}.

而是：

\boxed{ \text{bounded-error, evidence-constrained, self-correcting convergence}. }

18. 從單一 AI 到分散式認知錯誤修正

如果 Paper 01 的核心是：

\text{Verification Attractor},

那 Paper 02 的核心是：

\boxed{ \text{Distributed Epistemic Error Correction}. }

單一 Agent 的 error 可以被：

自己的第二次 sampling；
peer Agent；
independent model；
retrieval；
code execution；
formal checker；
sensor；
human；
historical state

重新觀察。

因此「AI 自己糾錯」其實不應只被理解成：

A\rightarrow A'\rightarrow A''.

更一般的是：

\boxed{ \mathcal N_t \rightarrow \text{independent witnesses} \rightarrow \text{fault localization} \rightarrow \mathcal N_{t+1}. }

這是一個 network-level property。

19. 與下一篇的接口：共享認知許可

當 normalization 持續壓縮：

\mathcal A_t,

下一個問題自然是：

什麼時候可以說一個命題已經取得「共享認知許可」？

Paper 03 將正式研究：

\mathrm{Permit}_t(\phi)=1 \iff \forall W\in\mathcal A_t,\quad \phi(W)=1,

以及：

gauge-equivalent worlds；
provisional permission；
revocable permission；
evidence arrival；
global state underdetermination。

也就是把：

\text{consensus}

徹底替換成：

\boxed{ \text{admissible-world entailment}. }

20. 結論

本文把多 AI hallucination mitigation 從「模型投票」改寫成一個 observer-network problem。

核心結論有五點。

第一：

\boxed{ \text{agreement} \neq \text{truth}. }

第二：

\boxed{ \text{nominal agent count} \neq \text{effective epistemic diversity}. }

在等相關模型中：

N_{\mathrm{eff}} = \frac{N}{1+(N-1)\rho}.

第三，即使 hidden truth 不可讀，network 仍可利用 relational incompatibility 定位「哪些 constraints 不能共同成立」，並把 verification budget 導向最需要重查的位置。

第四，前一系列 synthetic observer-only experiment 已提供一個結構性先導：在 reconstruction 不讀 hidden truth 的條件下，consistency-based diagnosis 可以顯著降低受控 corruption 造成的 reconstruction error；但這不是現實 LLM hallucination rate 的直接測量。

第五，真實 multi-agent literature 同時存在 normalization 與 amplification 的證據。MARCH、AgentAuditor、Byzantine resilience、AgentLocate 與 MAS-FIRE 顯示隔離驗證、challenge、fault localization 與 closed-loop architecture 可以提升 reliability；Collective Hallucination、Consistency Illusion、Delayed Verification 與 Biased Consensus 則證明相關錯誤、共識壓力與時間延遲可以把同一網路推向相反方向。

因此本文最終提出：

\boxed{ \textbf{Observer-network reliability is a dynamical regime, not a consequence of agent count.} }

也就是：

多 AI 是否降低幻覺，不取決於「有多少 AI」，而取決於它們是否形成了具有異質 evidence、可定位 fault、可控制資訊傳播、可保留 dissent，並能把 claim 投射到相對獨立判定域的認知閉環。

參考文獻

Manakul, P., Liusie, A., & Gales, M. J. F. (2023). SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models. arXiv:2303.08896.
Huang, J.-t. et al. (2024). On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents. arXiv:2408.00989.
Cemri, M. et al. (2025). Why Do Multi-Agent LLM Systems Fail? arXiv:2503.13657.
Zheng, L. et al. (2025). Rethinking the Reliability of Multi-agent System: A Perspective from Byzantine Fault Tolerance. arXiv:2511.10400.
Liu, X. et al. (2026). AgentHallu: Benchmarking Automated Hallucination Attribution of LLM-based Agents. arXiv:2601.06818.
Yang, W. et al. (2026). Auditing Multi-Agent LLM Reasoning Trees Outperforms Majority Vote and LLM-as-Judge. arXiv:2602.09341.
Jia, J. et al. (2026). MAS-FIRE: Fault Injection and Reliability Evaluation for LLM-Based Multi-Agent Systems. arXiv:2602.19843.
Li, Z. et al. (2026). MARCH: Multi-Agent Reinforced Self-Check for LLM Hallucination. arXiv:2603.24579.
Jamshidi, S. (2026). Collective Hallucination in Multi-Agent LLMs: Modeling and Defense. arXiv:2606.07941.
Wang, X., & Yang, C. C. (2026). The Consistency Illusion: How Multi-Agent Debate Hides Reasoning Misalignment. arXiv:2606.08457.
Itkin, I. (2026). Delayed Verification Destabilizes Multi-Agent LLM Belief: Instability Thresholds and Optimal Corrector Placement. arXiv:2606.27409.
Xia, Y. et al. (2026). Who Broke the System? Failure Localization in LLM-Based Multi-Agent Systems. arXiv:2607.07989.
Okawa, M. (2026). Emergence of Biased Consensus in Multi-Agent LLM Debates. arXiv:2608.02827.

狀態標記

External results

第 2、10、11、12、20 節對現有 LLM / MAS 文獻的整理。

Internal prior result

第 9 節 observer-only synthetic experiment。此結果來自 Series B 既有 artifact，不屬於新的真實 LLM benchmark。

Definitions

第 3、4、5、8、15 節。

Proved results

定理 1：Sound Contraction。
命題 2：Relational Incompatibility Certificate 的可定位性與非唯一 truth attribution。
定理 3：等相關模型下的 effective observer number。

Conjecture

猜想 1：Observer-Network Normalization Conjecture。

Heuristic / design proposal

第 8、14、15、18 節。

Explicitly not claimed

多 AI 共識等於真理；
nominal agent count 必然降低 hallucination；
前一系列 synthetic observer experiment 等於真實 LLM hallucination benchmark；
計算機或 verifier 是完備 truth oracle；
現有 multi-agent system 已經達到 perfect autonomous epistemology。