Series C / Paper 10

超越數學與程式：不同世界中的驗證密度、自主性邊界與現實閉環

Beyond Mathematics and Code: Verification Density, Autonomy Boundaries, and Closed Loops Across Worlds

版本：v1.0
日期：2026-08-14
狀態：Final theory + cross-world verification paper

摘要

數學與程式為什麼往往最早出現高可信度的 AI 自主研究閉環？一個重要原因不是這兩個領域「更真」，而是它們具有較高密度的低成本、可重放、可形式化、可產生反例的驗證通道。當 Agent 從 formal mathematics 與 executable software 向 simulation、instrumented physical science，再向 non-stationary open world 擴張時，verification 並未消失，但其成本、latency、grounding、calibration、replayability 與 truth-condition completeness 會改變。

本文提出 Verification Information Density（VID）。對研究 claim / action $q$ ，令其真偽／成功狀態為 $Y_q$ ，可用 verifier 集合為 $\mathcal V(q)$ 。對 verifier subset $S$ ，令 $Z_S$ 為 verifier outputs。定義 normalized discriminative information：

D(S;q) = \frac{ I( Y_q; Z_S \mid B_q ) }{ H( Y_q \mid B_q ) }

當分母非零；若 truth 已由 prior 決定，定義 $D=1$ 。再令：

$R(S)\in[0,1]$ ：replayability；
$G(S)\in[0,1]$ ：external-grounding / world-fidelity；
$J(S)\in[0,1]$ ：error-channel independence from the generating process；
$T(S)\in[0,1]$ ：temporal validity / stationarity；
$C(S)\geq0$ ：normalized resource cost；
$L(S)\geq0$ ：normalized latency。

則局部 verification information density 定義為：

\boxed{ \nu(q;\mathcal E) = \sup_{ S\subseteq\mathcal V(q) } \frac{ D(S;q) R(S) G(S) J(S) T(S) }{ 1+C(S)+\lambda L(S) }. }

Domain-level density：

\boxed{ \mathrm{VID}(\mathcal D) = \mathbb E_{ q\sim\mathcal D } [ \nu(q;\mathcal E) ]. }

本文強調 VID 是 task-relative engineering abstraction，不是宇宙真理排序。Formal world 通常具有高 replayability 與低 marginal verification cost，但仍受 formalization / specification fidelity 限制；computational world 可以 execution、test 與 counterexample，但 tests 不等於 complete specification；simulation world 可以高密度重放，卻存在 surrogate-to-reality gap；instrumented physical world 具有真正外部 grounding，但需 calibration、uncertainty、sample/instrument state、cost 與 environmental drift；open world 則常同時具有 non-stationarity、partial observability、distributed evidence 與不完備 truth criteria。

本文證明四個主要結果。

第一，Verifier-Option Monotonicity Theorem：在其他 quantity 定義不變時，若 verifier option set 擴張而原有 verifiers 保留，則 $\nu$ 不下降。

第二，Grounding Ceiling Theorem：因 $D,R,J,T\leq1$ 且 denominator 至少為 1，有：

\nu(q;\mathcal E) \leq \sup_S G(S).

因此一個完全可重放、內部判定完美的 simulator，如果 world fidelity 很低，其 world-level verification density 仍受 grounding ceiling 限制。

第三，Perfect Surrogate Verification Counterexample：存在 simulator 內部 verifier 對 surrogate objective 完全正確，但 surrogate 與 real world 的 mapping 錯誤，導致被完美驗證的 action 在真實世界失敗。故：

\boxed{ \text{perfect internal verification} \nRightarrow \text{external validity}. }

第四，Replication-with-Bias Proposition：物理 measurement 若：

X_i = \theta+b+\epsilon_i,

其中 $\epsilon_i$ 為零均值、variance $\sigma^2$ 的獨立 noise，則 $n$ 次平均 estimator 的 MSE：

\boxed{ \operatorname{MSE}( \bar X_n ) = b^2 + \frac{\sigma^2}{n}. }

增加 replication 可以壓低 random noise，卻不能消除 systematic calibration bias $b$ 。這解釋為什麼 physical verification 不只需要「多量幾次」，還需要 calibration、provenance 與獨立 instrument / model challenge。

2026 年公開系統已開始跨越這些 verification regimes。Lean 展示 formal kernel / proof-checking substrate；AlphaEvolve 明確依賴「可用 code 表達且有 automated score」的高 verification-density domain；DeepMind 將 AI-for-science 的下一個瓶頸描述為 validation；AHOIS 與 Qiushi Engine 已在真實 optical platforms 上讓 Agent 依物理 evidence 修改 hypothesis 並進行 end-to-end discovery；Lab Agent Protocol 將 calibration reference、measurement uncertainty、instrument signature、sample locking 與 safety handshake 直接寫入 agent-to-instrument protocol；AIMS 與 autonomous quantum-sensing work則把 uncertainty 轉成下一個 measurement action。另一方面，PhySciBench 與 SpatialBench-Long 顯示，一旦任務需要從複雜 physical / biological evidence 中恢復科學結論，frontier agents 的表現仍明顯低於高 verification-density 的數學／程式環境。

因此本文的核心結論不是：

\text{formal} > \text{physical} > \text{open world}.

而是：

\boxed{ \text{AI autonomy becomes easier to stabilize where reliable verification information is dense, cheap, replayable, and sufficiently grounded.} }

向更開放世界擴張的主要問題，不只是生成能力，而是如何創造新的 verifier、instrument、measurement protocol、causal intervention、provenance system 與 governance structure，使 verification density 隨 capability 一起擴張。

關鍵詞： verification density；AI for science；formal verification；simulation-to-reality gap；self-driving laboratory；instrumented science；open-world agents；autonomous research；validation bottleneck

1. 為什麼數學與程式最早「看起來像自主研究」？

在 formal mathematics 中，一個 proof claim 可以被轉成：

\text{statement} + \text{proof object} \rightarrow \text{kernel check}.

在 software 中，一個 behavioral claim 可以部分轉成：

\text{code} + \text{input} \rightarrow \text{execution}

以及：

\text{test} \rightarrow \{ \text{pass}, \text{fail} \}.

這兩個 domain 都大量存在：

cheap replay；
exact or near-exact interfaces；
executable counterexamples；
automated checking；
machine-readable provenance。

所以：

\boxed{ \text{candidate generation} }

與：

\boxed{ \text{candidate rejection} }

都可以高速進行。

這使自主閉環較容易穩定。

2. Lean：Formal Verification Substrate

Lean 是 proof assistant / programming language。

其核心意義之一是 proof object 可以交由 kernel type checker 驗證。

因此在 statement 已正式化後，可以得到：

\boxed{ \text{high replayability} + \text{low marginal verification cost} + \text{explicit rejection}. }

但 Paper 04 已說明：

\text{proof checker accepts}

仍然依賴：

logic；
theorem statement；
kernel implementation；
formalization fidelity。

所以 formal world 高 verification density 不等於 absolute truth。

3. AlphaEvolve：Verification-Dense Search

AlphaEvolve 的核心條件是：

問題能用 code 表達，而且 candidate quality 能自動評分。

其 loop：

\text{generate} \rightarrow \text{verify} \rightarrow \text{run} \rightarrow \text{score} \rightarrow \text{select}.

這使大量 candidate search 成為可能。

因此 AlphaEvolve 的成功不是單純因為模型生成能力很強。

它同時依賴：

\boxed{ \text{a dense automated evaluator}. }

如果沒有 evaluator，candidate generation 很快就會遇到 Paper 05 的 verification backlog。

4. Verification Information Density

考慮 claim：

q.

它有 correctness random variable：

Y_q \in \{0,1\}.

目前 prior / epistemic context：

B_q.

verifier subset：

S.

產生：

Z_S.

定義 verifier 對 truth 的 normalized discriminative information：

D(S;q) = \frac{ I( Y_q; Z_S \mid B_q ) }{ H( Y_q \mid B_q ) }.

因此：

0 \leq D \leq 1.

若：

D=0,

verifier output 對 truth 沒有額外資訊。

若：

D=1,

在該 probabilistic model 下，verifier 完全消除剩餘 truth uncertainty。

5. Replayability

令：

R(S) \in [0,1].

它表示在相同 relevant conditions 下，verification 是否可由：

不同時間；
不同 evaluator；
不同 infrastructure；

重做並取得語義相容結果。

Formal proof checking 通常：

R \approx1.

stochastic laboratory experiment 的 exact bit-level replay：

R<1,

但 statistical reproducibility 仍可能很高。

所以 replayability 不應被錯誤限制成：

\text{identical bytes only}.

6. Grounding

最重要的量之一：

G(S) \in [0,1].

它回答：

verifier 到底是在驗證我們真正關心的 world claim，還是在驗證 surrogate？

例如 unit test：

G

受到 test specification coverage 限制。

simulation：

G

受到 simulator fidelity 限制。

physical calibrated instrument：

G

可以很高，

但仍受到：

sensor model；
calibration；
hidden confounder；
measurement theory；

影響。

7. Error-Channel Independence

如果 candidate 由模型：

M

生成，

verifier 又是：

\text{same model with same context}

則兩者 error correlation 可能很高。

定義：

J(S) \in [0,1]

描述 verifier error channel 與 generation error channel 的非冗餘程度。

Paper 02 的：

N_{\mathrm{eff}}

問題在這裡重新出現。

所以：

\boxed{ \text{more verification calls} \neq \text{more verification information}. }

8. Temporal Validity

open world 中：

Y_q(t)

可能隨時間改變。

因此：

T(S) \in [0,1]

表示 verifier evidence 對 action time / decision time 仍有效的程度。

例如：

theorem truth：通常高；
compiled test result：固定 artifact 下高；
server status：短時間有效；
market / politics / regulations：可能快速變動。

所以：

\boxed{ \text{verification} }

具有 timestamp。

9. Cost 與 Latency

令：

C(S)\geq0

為 normalized resource cost：

compute；
API；
instrument time；
sample consumption；
human labor。

令：

L(S)\geq0

表示 latency。

因此：

\boxed{ \nu(q;\mathcal E) = \sup_S \frac{ D R G J T }{ 1+C+\lambda L }. }

高密度的意思不是：

verifier 很厲害。

而是：

對這個 claim，可以相對低成本、低延遲地取得大量可靠、可重放、外部對準且非冗餘的判別資訊。

10. Domain-Level VID

對 task / claim distribution：

q \sim \mathcal D,

定義：

\boxed{ \mathrm{VID}( \mathcal D ) = \mathbb E[ \nu(q) ]. }

實際 benchmark 可以報告 distribution：

P( \nu )

而不只 scalar mean。

因為同一 domain 中：

有些 claims 很容易驗證；
有些 claims 幾乎沒有 oracle。

11. 定理 1：Verifier-Option Monotonicity

若：

\mathcal V_1(q) \subseteq \mathcal V_2(q),

且所有舊 verifier 的：

D,R,G,J,T,C,L

在擴張後保持不變，

則：

\boxed{ \nu_1(q) \leq \nu_2(q). }

證明

$\nu$ 是在 verifier subset 上取 supremum。

$\mathcal V_2$ 的可選集合包含 $\mathcal V_1$ 的全部選項。

因此 supremum 不可能下降。

證畢。

意義

增加一個 verifier 不保證系統一定使用它，

但：

\boxed{ \text{available verification option set} }

本身不會降低最優 verification density。

12. 定理 2：Grounding Ceiling

因：

0\leq D,R,J,T\leq1,

且：

1+C+\lambda L \geq1,

對任何 verifier subset：

\frac{ DRGJT }{ 1+C+\lambda L } \leq G.

因此：

\boxed{ \nu(q) \leq \sup_SG(S). }

證畢。

這是一個很重要的限制。

即使 simulation verifier：

D=1, \quad R=1, \quad J=1, \quad T=1,

如果：

G=0.2,

則：

\nu \leq0.2.

所以內部 verification 再完美，也不能自動填補 reality gap。

13. Surrogate Verification Gap

令真實 world objective：

f(a).

simulator objective：

\hat f(a).

假設 verifier 對：

\hat f

完全精確。

選擇：

a^\star = \arg\max_a \hat f(a).

若存在：

a_1,a_2

使：

\hat f(a_1) > \hat f(a_2)

但：

f(a_1) < f(a_2),

那 simulator 中完美選出的：

a_1

在真實 world 反而比較差。

因此：

\boxed{ \text{perfect surrogate verification} \nRightarrow \text{external validity}. }

這個 counterexample 不需要 AI。

它是所有 simulation-based autonomy 的結構問題。

14. Simulation World

Simulation 很強，因為可以：

replay；
reset；
branch；
inspect hidden state；
accelerate time；
create counterfactuals。

所以：

R

與：

D

可能極高。

但是 simulator 是：

\boxed{ \text{model of world}, }

不是 world 本身。

2026 agentic world-model research 也將 surrogate-to-reality gap 視為 scientific / physical agent 的關鍵問題。

因此 simulation 最適合作為：

\boxed{ \text{high-density hypothesis filter}, }

而不是唯一 final truth oracle。

15. Instrumented Physical World

進入 real instrument 後，

observation：

y

受到：

y = h( W, \theta, e ) + \epsilon

影響。

其中：

$\theta$ ：calibration parameters；
$e$ ：environment state；
$\epsilon$ ：noise。

所以 physical verifier certificate 必須比：

\text{output}=3.14

豐富。

至少需要：

units；
calibration reference；
measurement uncertainty；
instrument state；
environment；
sample identity；
provenance。

16. Lab Agent Protocol

2026 的 Lab Agent Protocol 明確針對 agent-to-instrument edge。

它加入：

signed InstrumentCard；
instrument / sample reservation；
safety-fence handshake；
task-bound operator confirmation；
physically typed MeasurementResult；
calibration reference；
propagated uncertainty；
provenance manifest；
instrument signature。

這非常重要。

因為：

\boxed{ \text{physical verification} }

不只是：

\text{call tool and get number}.

而是：

\boxed{ \text{measurement protocol} + \text{calibration} + \text{uncertainty} + \text{resource state} + \text{safety}. }

17. 命題 4：Replication with Systematic Bias

measurement：

X_i = \theta + b + \epsilon_i,

其中：

\mathbb E[ \epsilon_i ] = 0,

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

且 $\epsilon_i$ independent。

平均：

\bar X_n = \theta + b + \bar\epsilon_n.

bias：

\operatorname{Bias}( \bar X_n ) = b.

variance：

\operatorname{Var}( \bar X_n ) = \frac{ \sigma^2 }{ n }.

因此：

\boxed{ \operatorname{MSE}( \bar X_n ) = b^2 + \frac{ \sigma^2 }{ n }. }

所以：

n\rightarrow\infty

時：

\operatorname{MSE} \rightarrow b^2.

也就是重複實驗可以壓 random noise，

卻不能靠「多做幾次」消除 systematic bias。

18. AHOIS：Evidence-Grounded Revision

AHOIS 在 real multimode-fibre optical platform 上進行 closed-loop experimentation。

系統不只執行固定 workflow，

而由 physics critic 做：

causal questioning；
constraint checking；
counterexample generation；
falsification criteria。

並讓 evidence 回寫 hypothesis。

這非常接近 Paper 05 定義的：

\boxed{ \text{evidence} \rightarrow \text{epistemic update} \rightarrow \text{future policy}. }

而且 verifier 不再只是 digital test，

而是：

\boxed{ \text{physical measurement}. }

19. Qiushi Discovery Engine

Qiushi Engine 2026 進一步展示 real optical platform 的 end-to-end autonomous discovery。

其長程研究涉及：

thousands of reasoning / measurement / revision actions；
Meta-Trace memory；
nonlinear research phases；
repeated physical experiments。

這類系統的重要性不只在「AI 發現了什麼」。

而是它們把：

\boxed{ \text{physical external world} }

直接放進 Agent epistemic loop。

因此：

G

external grounding 可以比純 simulator 更高，

代價是：

C, \quad L

也顯著增加。

20. AIMS 與 Measurement-as-Action

AIMS 2026 將 uncertainty 直接轉換成下一步 measurement selection。

這代表 physical verification 不再只是：

\text{做完研究後驗證}.

而可以變成：

\boxed{ \text{uncertainty} \rightarrow \text{next measurement action}. }

這與 Paper 03 的 active verification 形成完整連接。

21. Physical Science 目前仍明顯困難

PhySciBench 2026 測試 physical-science deep research。

其 strongest general-purpose baseline 約：

33.5\%

accuracy，

failure analysis 包括：

brittle long-horizon reasoning；
weak transfer across steps；
insufficient physics-grounded verification。

SpatialBench-Long 又要求從 raw / near-raw spatial-biology data 恢復 scientific claims。

其最佳 model–harness combinations 在公開結果中也只有：

8/72 = 11.1\%

runs 成功。

這些 benchmark 不應和 formal proof benchmark 直接數值比較。

但它們清楚顯示：

\boxed{ \text{physical evidence interpretation} }

仍是 Agent autonomy 的主要難區。

22. Five Verification Regimes

本文提出五個典型 regime。

$\mathcal W_0$ ：Formal World

例：

theorem proving；
formal logic；
model checking。

通常：

$D$ 高；
$R$ 高；
$C$ 低；
$L$ 低。

主要 gap：

\boxed{ \text{formalization / specification fidelity}. }

$\mathcal W_1$ ：Computational World

例：

software；
algorithms；
databases；
symbolic computation。

通常：

execution cheap；
replayable；
counterexample easy。

主要 gap：

incomplete tests；
environment mismatch；
numerical errors；
wrong specification。

$\mathcal W_2$ ：Simulated World

例：

physics simulation；
robotics simulator；
digital twin；
world model。

通常：

replayability 高；
branching 高；
hidden state 可見。

主要 gap：

\boxed{ \text{surrogate-to-reality fidelity}. }

$\mathcal W_3$ ：Instrumented Physical World

例：

self-driving lab；
optical platform；
quantum experiment；
automated chemistry。

優勢：

\boxed{ \text{external physical grounding}. }

成本：

latency；
calibration；
uncertainty；
drift；
sample consumption；
irreversibility；
safety。

$\mathcal W_4$ ：Open World

例：

economics；
policy；
organizations；
law；
social systems；
historical inference；
open-ended field research。

常見困難：

truth condition fragmented；
multiple observers；
partial observability；
non-stationarity；
causal confounding；
strategic actors；
normative criteria；
irreversible consequences。

因此 verifier 往往不是：

V: q \rightarrow \{ 0,1 \}.

而是：

\boxed{ \text{network of provisional evidence}. }

23. 五層不是嚴格排序

非常重要：

本文不主張：

\mathrm{VID}( \mathcal W_0 ) > \mathrm{VID}( \mathcal W_1 ) > \cdots > \mathrm{VID}( \mathcal W_4 )

對所有 task 成立。

例如一個 badly formalized theorem：

G\approx0.

而一個精密 calibrated physical measurement：

G\approx1.

後者完全可以擁有更高 VID。

所以五層只是：

\boxed{ \text{typical verification regimes}. }

不是 total order。

24. Internal Verification vs External Grounding

這是整篇最重要的二維圖。

令：

V_I

表示 internal verification strength，

G_E

表示 external grounding。

High $V_I$ , High $G_E$

理想：

formalized empirical claim；
calibrated instrument；
independent replication；
strong theory / measurement link。

High $V_I$ , Low $G_E$

典型：

\boxed{ \text{perfect simulation of wrong model}. }

Low $V_I$ , High $G_E$

可能有：

真實 data；
但 analysis / interpretation 極弱。

Low $V_I$ , Low $G_E$

純 speculative generation。

因此 autonomous science 要做的是：

\boxed{ V_I\uparrow \quad\land\quad G_E\uparrow. }

25. Verification Density 與 Autonomy

如果：

\nu

高，

Agent 可以快速做到：

\text{generate} \rightarrow \text{reject} \rightarrow \text{repair}.

如果：

\nu

低，

則同一個 cycle 可能需要：

human review；
expensive experiment；
months of observation；
social consensus；
legal process。

所以：

\boxed{ \text{autonomy speed ceiling} }

受到 verification density 限制。

這也是為什麼「AI 能生成很多 hypothesis」不自動變成「AI 能快速做很多可靠 science」。

26. Validation Bottleneck

DeepMind 2026 將 Agent-driven science 的問題描述為新的 validation bottleneck。

其核心張力：

\boxed{ \text{candidate generation rate} \gg \text{human / experimental validation rate}. }

這與 Paper 05 verification backlog 完全一致。

因此 frontier AI-for-science 的下一步不只需要：

\text{better proposer}.

也需要：

\boxed{ \text{better validators}. }

27. Better Validators 是什麼？

可能包括：

Formal Validators

proof checker、symbolic system。

Computational Validators

tests、fuzzing、execution、benchmark。

Simulation Validators

ensemble simulations、model comparison、uncertainty quantification。

Physical Validators

automated experiment、sensor、calibration、replication。

Open-World Validators

multi-source evidence、causal inference、auditing、prospective prediction、human expert review、institutional accountability。

因此：

\boxed{ \text{AI progress} }

的一大部分可能會變成：

\boxed{ \text{building better external truth channels}. }

28. Verification Engineering

本文因此提出一個新的工程視角：

\boxed{ \textbf{Verification Engineering}. }

目標不是只提升 model accuracy。

而是對 domain $\mathcal D$ 主動提高：

\mathrm{VID}( \mathcal D ).

手段可能是：

新 checker；
新 benchmark；
新 sensor；
新 protocol；
better provenance；
calibration；
independent replication；
lower latency；
safer automated experimentation。

這會直接擴大可自主化的研究範圍。

29. Verification-Density Gain

對原環境：

\mathcal E_0,

工程後：

\mathcal E_1.

定義：

\boxed{ \Delta_{\mathrm{VID}} = \mathrm{VID}( \mathcal D; \mathcal E_1 ) - \mathrm{VID}( \mathcal D; \mathcal E_0 ). }

如果：

\Delta_{\mathrm{VID}}>0,

代表 domain 變得更適合：

automated search；
autonomous experimentation；
machine-scale error correction。

這提供一個和「模型變強」完全不同的 AI progress 軸。

30. Instrumentation as Epistemic Infrastructure

當一個 domain 原本只能由人類模糊觀察，

但新 instrumentation 將其變成：

\text{typed measurement} + \text{timestamp} + \text{calibration} + \text{uncertainty} + \text{machine-readable provenance},

就等於：

\boxed{ \mathrm{VID}\uparrow. }

所以 Agent 科學能力不只靠更強模型。

也靠：

\boxed{ \text{把世界改造成更可測量}. }

這與「計算機是相對客觀載體」完全接上。

31. Open World 的特殊困難

open world 中：

\boxed{ \text{the verifier is often part of the world being studied}. }

例如：

financial market 會回應行動；
human organization 會改變策略；
law 會更新；
policy 會改變 incentives；
social measurement 可能影響被測者。

因此：

Y_q

甚至不是 stationary random variable。

這使：

T(S)

成為核心。

32. Stale Verification

假設 verifier 在：

t

證明：

Y_q(t)=1.

但 decision 在：

t+\tau.

如果：

Y_q(t+\tau)=0,

則 verification 在產生時是正確的，

但對 action time 已經失效。

因此 open-world certificate 必須保存：

\boxed{ \text{validity horizon}. }

而不是只保存：

\text{verified=true}.

33. Normative Claims

部分 open-world questions 甚至沒有單一：

Y_q \in \{ 0,1 \}.

例如：

fairness；
policy desirability；
acceptable risk；
legal interpretation under ambiguity。

這些問題需要：

explicit values；
rule systems；
stakeholder constraints；
plural criteria。

因此：

\boxed{ \text{verification} }

與：

\boxed{ \text{deliberation} }

不能混為一談。

AI 可以協助檢查：

在給定規範下，結論是否一致？

卻不能只靠計算機 execution 自動產生唯一 normative truth。

34. Open-World Admissible Sets

Paper 03 的：

\mathcal A_t

在 open world 特別重要。

當沒有唯一 oracle 時，

系統保存：

\boxed{ \text{surviving world hypotheses} }

比強迫：

\text{single answer}

更合理。

所以：

\text{low VID}

不等於停止研究。

而可能意味：

\boxed{ \text{retain uncertainty longer}. }

35. Active Verification

如果 claim：

\phi

目前 Undetermined，

Agent 不應只是再生成更多文字。

而應尋找：

q^\star = \arg\max_q \Delta_{\mathrm{VID}}( q; \phi )

或更一般：

q^\star = \arg\max_q \text{expected epistemic gain per resource}.

這將自主研究從：

\text{answer generation}

改成：

\boxed{ \text{verification-channel acquisition}. }

36. Autonomous Science 的真正稀缺資源

未來最稀缺的可能不是：

\boxed{ \text{hypotheses}. }

因為 AI 可以非常快產生 hypothesis。

而是：

\boxed{ \text{high-quality evidence}. }

尤其是：

expensive physical evidence；
longitudinal evidence；
causal evidence；
independent replication；
high-stakes human evidence。

所以自主研究經濟學會越來越像：

\boxed{ \text{verification allocation problem}. }

37. Physical Experiment Scheduling

real lab 中 instrument 是：

exclusive；
costly；
stateful；
sometimes hazardous。

因此 Agent 不只是：

我要跑 experiment X。

還必須考慮：

\boxed{ \text{expected information gain} / \text{instrument cost}. }

self-driving-lab 研究已開始直接最佳化：

experiment rounds；
experiment cost；
information value。

這正是 physical VID engineering。

38. Verification Density 與 Safety

physical world 的低 reversibility 使：

\boxed{ \text{verification before action} }

比 digital world 更重要。

所以：

\nu

不只影響 epistemic quality，

也影響 safe autonomy。

Lab Agent Protocol 把 safety-fence handshake 直接放進 instrument protocol，就是典型例子。

39. World Ladder 與 Series C

整個 Series C 可以重新放到：

\boxed{ \mathcal W_0 \rightarrow \mathcal W_1 \rightarrow \mathcal W_2 \rightarrow \mathcal W_3 \rightarrow \mathcal W_4. }

Formal

Paper 01 / 04 最容易。

Computational

Paper 04 / 05。

Simulated

Paper 02 / 03 / 06 / 07 可以大量測。

Instrumented Physical

Paper 05 / 08 開始真正受到外部世界約束。

Open World

Paper 08 / 09 的 governance、security、organization 成為必要條件。

因此：

\boxed{ \text{Series C 本質上也是一條「自主性外推」路徑}. }

40. Structural Checker

本文附 Python checker。

40.1 Verifier-Option Monotonicity

原 verifier set：

\{ v_1 \}.

增加：

v_2

但保留 $v_1$ 。

checker 確認：

\nu_2 \geq \nu_1.

40.2 Grounding Ceiling

設定：

D=R=J=T=1,

G=0.2,

C=L=0.

得到：

\nu=0.2.

即 internal checker perfect，

仍受：

G

限制。

40.3 Perfect Simulator Counterexample

simulator：

\hat f(A)=10, \qquad \hat f(B)=8.

world：

f(A)=2, \qquad f(B)=9.

simulator 完美選：

A,

real world 最佳卻是：

B.

40.4 Measurement Replication

令：

b=0.1, \quad \sigma=1.

則：

\mathrm{MSE}(n) = 0.01 + \frac{1}{n}.

checker 驗證：

n : 1\rightarrow10000

時 MSE 降低，

但不可能低於：

0.01.

40.5 Typical Regime Map

用 toy profiles 計算：

formal；
computational；
simulation；
calibrated physical；
open-world；

的 VID。

再建立一個 badly grounded formalization，

使 calibrated physical 的 VID 高於它。

直接驗證：

\boxed{ \text{five regimes are not a universal total order}. }

41. Final Series-C Synthesis

Series C 的路徑現在完整形成：

\boxed{ \begin{aligned} &\text{Verification Attractor}\\ \rightarrow\;& \text{Observer-Network Normalization}\\ \rightarrow\;& \text{Admissible Worlds}\\ \rightarrow\;& \text{Epistemic Carriers}\\ \rightarrow\;& \text{Autonomous Research Closure}\\ \rightarrow\;& \text{Cross-Model Convergence}\\ \rightarrow\;& \text{AI Work Society}\\ \rightarrow\;& \text{Proto-General Autonomy}\\ \rightarrow\;& \text{Capability--Security Coexpansion}\\ \rightarrow\;& \text{Verification Density Across Worlds}. \end{aligned} }

最初問題是：

多 AI 能不能讓 hallucination 降低？

最後變成：

一個由多個不完美智能、工具、記憶、驗證器、制度與外部世界共同構成的系統，在什麼條件下能逐步形成可自我校正的共享研究閉環？

本文的答案保持條件式：

\boxed{ \text{yes, where verification channels are sufficiently informative, independent, replayable, grounded, timely, and governable}. }

42. 結論

本文定義：

\boxed{ \nu(q;\mathcal E) = \sup_S \frac{ D(S;q) R(S) G(S) J(S) T(S) }{ 1+C(S)+\lambda L(S) } }

以及：

\boxed{ \mathrm{VID}( \mathcal D ) = \mathbb E[ \nu(q) ]. }

高 VID domain 更容易形成快速：

\text{generate} \rightarrow \text{verify} \rightarrow \text{repair}

的 Agent loop。

但高 internal verification 若缺乏：

G

external grounding，

仍可能只是：

\boxed{ \text{reliably verifying the wrong surrogate}. }

physical experiment 提供 external grounding，

卻帶來：

calibration；
noise；
latency；
cost；
drift；
irreversibility。

open world 再加入：

non-stationarity；
strategic actors；
partial observability；
normative plurality。

所以從數學與程式向世界外推，自主性真正需要擴張的並不只是：

\boxed{ \text{model intelligence}. }

還包括：

\boxed{ \text{verification infrastructure}. }

本系列最後的核心結論因此是：

\boxed{ \textbf{ The frontier of autonomous intelligence is partly the frontier of how densely the world can return reliable corrective evidence to the intelligent system. } }

當 AI 可以更快生成候選時，

下一個前沿就是：

\boxed{ \text{讓世界更快、更可靠地回答： 「你錯了，錯在哪裡，下一步該測什麼？」} }

這也是為什麼數學與程式最先進入高可信自主閉環，

但不會是終點。

參考文獻

Lean FRO. Lean Programming Language / Theorem Proving and Proof Checking. Current official documentation, accessed 2026-08-14.
Google DeepMind. AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms. 2025.
Google DeepMind. AI agents and the new validation bottleneck in science. 2026.
Zeng, X. et al. Socratic Agents for Autonomous Scientific Discovery in High-Dimensional Physical Systems. arXiv:2606.26722, 2026.
Yang, S. et al. End-to-end Autonomous Scientific Discovery on a Real Optical Platform. arXiv:2604.27092, 2026.
Zhu, L. et al. LAP: An Agent-to-Instrument Protocol for Autonomous Science. arXiv:2606.03755, 2026.
Hur, K. et al. An Agentic Self-Driving Lab for Scientific Discovery. arXiv:2607.04508, 2026.
An Uncertainty-Aware AI Experimentalist for Quantum Matter. arXiv:2607.16544, 2026.
Isogawa, T. et al. Agentic AI for Scientific Reasoning in Autonomous Quantum Sensing Experiments. arXiv:2607.25145, 2026.
Deep Research in Physical Sciences: A Multi-Agent Physics Framework and Benchmark. arXiv:2606.18648, 2026.
Diks, I. et al. Verifiable Benchmarking of Long-Horizon Spatial Biology. arXiv:2605.28065, 2026.
Zhuang, X. et al. Embodied Science: Closing the Discovery Loop with Agentic Embodied AI. arXiv:2603.19782, 2026.
Chu, M. et al. Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond. arXiv:2604.22748, 2026.
Toward Trustworthy Autonomous Science. arXiv:2607.12113, 2026.
Ding, T. et al. Autonomous Research Agents: A Survey of AI Scientists and the Verification Gap. arXiv:2608.05179, 2026.

狀態標記

Definitions: Verification Information Density、discriminative information、replayability、grounding、error-channel independence、temporal validity、five verification regimes。
Proved: Verifier-Option Monotonicity、Grounding Ceiling、Perfect Surrogate Verification Counterexample、Replication-with-Bias MSE result。
Externally grounded observations: Lean proof-checking substrate、AlphaEvolve automated evaluation、DeepMind validation bottleneck、AHOIS / Qiushi real-world closed-loop discovery、LAP calibration/uncertainty protocol、AIMS / quantum-sensing agents、PhySciBench / SpatialBench-Long physical-science difficulty。
Structural checker: verifier expansion、grounding ceiling、simulation counterexample、measurement bias floor、non-total-order regime map。
Not claimed: formal domains are always more truthful than physical domains、VID is a universal scientific metric、open-world verification is impossible、autonomous science no longer needs human governance。

超越數學與程式：不同世界中的驗證密度、自主性邊界與現實閉環

Series C / Paper 10

超越數學與程式：不同世界中的驗證密度、自主性邊界與現實閉環

Beyond Mathematics and Code: Verification Density, Autonomy Boundaries, and Closed Loops Across Worlds

摘要

1. 為什麼數學與程式最早「看起來像自主研究」？

2. Lean：Formal Verification Substrate

3. AlphaEvolve：Verification-Dense Search

4. Verification Information Density

5. Replayability

6. Grounding

7. Error-Channel Independence

8. Temporal Validity

9. Cost 與 Latency

10. Domain-Level VID

11. 定理 1：Verifier-Option Monotonicity

證明

意義

12. 定理 2：Grounding Ceiling

13. Surrogate Verification Gap

14. Simulation World

15. Instrumented Physical World

16. Lab Agent Protocol

17. 命題 4：Replication with Systematic Bias

18. AHOIS：Evidence-Grounded Revision

19. Qiushi Discovery Engine

20. AIMS 與 Measurement-as-Action

21. Physical Science 目前仍明顯困難

22. Five Verification Regimes

W0\mathcal W_0W0​：Formal World

W1\mathcal W_1W1​：Computational World

W2\mathcal W_2W2​：Simulated World

W3\mathcal W_3W3​：Instrumented Physical World

W4\mathcal W_4W4​：Open World

23. 五層不是嚴格排序

24. Internal Verification vs External Grounding

High VIV_IVI​, High GEG_EGE​

High VIV_IVI​, Low GEG_EGE​

Low VIV_IVI​, High GEG_EGE​

Low VIV_IVI​, Low GEG_EGE​

25. Verification Density 與 Autonomy

26. Validation Bottleneck

27. Better Validators 是什麼？

Formal Validators

Computational Validators

Simulation Validators

Physical Validators

Open-World Validators

28. Verification Engineering

29. Verification-Density Gain

30. Instrumentation as Epistemic Infrastructure

31. Open World 的特殊困難

32. Stale Verification

33. Normative Claims

34. Open-World Admissible Sets

35. Active Verification

36. Autonomous Science 的真正稀缺資源

37. Physical Experiment Scheduling

38. Verification Density 與 Safety

39. World Ladder 與 Series C

Formal

Computational

Simulated

Instrumented Physical

Open World

40. Structural Checker

40.1 Verifier-Option Monotonicity

40.2 Grounding Ceiling

40.3 Perfect Simulator Counterexample

40.4 Measurement Replication

40.5 Typical Regime Map

41. Final Series-C Synthesis

42. 結論

參考文獻

狀態標記

$\mathcal W_0$ ：Formal World

$\mathcal W_1$ ：Computational World

$\mathcal W_2$ ：Simulated World

$\mathcal W_3$ ：Instrumented Physical World

$\mathcal W_4$ ：Open World

High $V_I$ , High $G_E$

High $V_I$ , Low $G_E$

Low $V_I$ , High $G_E$

Low $V_I$ , Low $G_E$