DOM-07｜因果參與深度：觀察、干預、構成與「成為因果」的邊界

Causal Participation Depth: Observation, Intervention, Constitution, and the Limits of “Becoming Causality”

系列： Dynamic Operational Metaphysics（DOM）／動態可操作形而上學
篇次： 07 / 08
文件編號： EML-DOM-07-2026-v0.1
作者： Neo.K
AI 協作： Aletheia / GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-20
版本： v0.1 Canonical Draft
文件性質： 理論整合論文／因果參與／觀察—干預—嵌入—構成／因果認識論／具身與主體
證據狀態： 本文主要建立形式化概念接口。interventionist causation、active causal discovery、scientific experimentation、embodied AI 與 causal modelling 僅作外部結構對照。本文不主張「越深參與就必然越理解」，也不主張任何存在能因「成為系統的一部分」而獲得對該系統的全知。

摘要

在因果研究中，外部觀察、主動干預、嵌入系統、成為系統構成部分，以及與系統在身份層級高度整合，常被直覺地排列成一條「越深入就越接近真正理解」的階梯。這種直覺有其吸引力：只看一個系統，與能改變它、進入它、承受它的因果規則，似乎確實是不同認識位置。

然而，如果直接寫成：

\boxed{ \text{Participation Depth} \uparrow \Rightarrow \text{Understanding} \uparrow }

會過強。

本文提出 Causal Participation Depth（因果參與深度），將觀察者與因果域的關係拆成一組可索引狀態，而不是把「參與」當成單一程度。

基本形式為：

\boxed{ P_C = P_C(O,W,\alpha,t,c), }

其中：

$O$ ：observer / agent；
$W$ ：world / causal system；
$\alpha$ ：participation type；
$t$ ：time；
$c$ ：condition。

第一版 participation ladder 為：

\boxed{ P_0 \rightarrow P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow P_4, }

其中：

$P_0$ ：External Observation；
$P_1$ ：Intervention；
$P_2$ ：Embedded Participation；
$P_3$ ：Constitutive Participation；
$P_4$ ：Identity-Level Integration。

但本文明確指出：這不是價值排名，也不是 epistemic superiority 的單調階梯。

本文第一核心命題為：

\boxed{ \text{Participation} \not\Rightarrow \text{Understanding}. }

第二核心命題為：

\boxed{ \text{Understanding} \not\Rightarrow \text{Prediction}. }

第三核心命題為：

\boxed{ \text{Prediction} \not\Rightarrow \text{Control}. }

第四核心命題為：

\boxed{ \text{Control} \not\Rightarrow \text{Authority}. }

因此完整 Non-Collapse Chain 為：

\boxed{ \text{Participation} \not\Rightarrow \text{Understanding} \not\Rightarrow \text{Prediction} \not\Rightarrow \text{Control} \not\Rightarrow \text{Authority}. }

本文保留一個較弱而可研究的候選猜想：

\boxed{ P_C\uparrow \rightsquigarrow \text{possible expansion of epistemic access}. }

符號：

\rightsquigarrow

只表示可能的研究路徑，不是必然推出。

這種降格與現代因果研究相容。2025 年的 causal-discovery work 顯示，主動 intervention 可以提高 causal direction / structure identification；ICML 2025 的 Bayesian active learning 甚至在 embodied AI environment 中展示 sequential intervention 的效益。然而，2025 年科學哲學對 experiment / intervention 的分析同時指出，active intervention 並非取得高品質證據或揭露因果結構的唯一方法；自然實驗、觀察研究與其他 non-interventionist studies 在適當條件下也能具有重要 epistemic value。換句話說：

\boxed{ \text{Intervention} \neq \text{Universal Epistemic Supremacy}. }

本文因此不把：

P_1>P_0

理解成所有任務中的「比較知道」。

本文進一步提出 Participation Profile：

\boxed{ \mathbf P = \left\langle P_O, P_I, P_E, P_K, P_{ID} \right\rangle }

分別表示 observational、interventional、embedded、constitutive 與 identity-level participation。不同 systems 可以在不同軸上高低不一。

本文最重要的新修正則針對一句極端直覺：

「要真正理解因果，至少需要成為因果本身。」

DOM-07 將其改寫為：

\boxed{ \text{to become part of a causal process} \neq \text{to become identical to the total causal domain}. }

更進一步：

\boxed{ \text{Constitutive Participation} \not\Rightarrow \text{Complete Causal Self-Knowledge}. }

人體就是最直接的直覺反例：一個主體是其生物因果網路的一部分，甚至可被視為由其構成，但並不知道每一個細胞、分子、神經回路的即時因果狀態。DOM-03 已建立「包含不等於全知」，DOM-06 又建立「高度整合不等於完整知識」；因此「成為系統」若不拆 relation，仍會把構成、身份、觀察、控制與理解偷換成同一件事。

本文最後建立 Participation Certificate、Epistemic Access Gain、Intervention Burden、Embeddedness Cost、Constitutive Blind Spot、Participation Reversal 與 Causal Intimacy Without Omniscience。其目的不是否定深度參與可能帶來新知識，而是建立一個能精確描述：

進入因果域究竟增加了什麼，又仍然不知道什麼？

的可操作框架。

關鍵詞

Causal Participation Depth；Intervention；Observation；Embedded Agency；Constitutive Participation；Causal Understanding；Causal Discovery；Active Learning；Embodied AI；Causal Intimacy；Participation–Knowledge Separation；因果參與；干預；因果理解；嵌入式主體

0. 研究定位與非主張

本文不主張：

intervention 永遠優於 observation；
embedded observer 永遠比 external observer 更理解系統；
constitutive participation 必然提升 causal knowledge；
identity-level integration 必然帶來 subjective unity；
參與越深就一定越接近真理；
具身化必然提升所有因果推理；
controllability 等於 understandability；
manipulability 等於 complete causation；
causation 已被 interventionism 唯一決定；
所有因果只能透過 intervention 發現；
first-person experience 可直接取代第三人稱證據；
external science 無法理解 internal processes；
成為 system 的一部分等於成為 system 本身；
成為 system 本身等於知道 system 的全部 microstate；
causal participation 自動生成 normative authority。

本文真正主張：

\boxed{ \text{participation type and epistemic value must be modeled separately}. }

1. 為什麼「參與因果」需要分層？

考慮五種情境：

天文學家觀察遙遠星系；
實驗者改變一個變量；
robot agent 在環境中行動並收到 feedback；
某 agent 是 system dynamics 的內部構成元；
多個 subselves 與 higher system 高度 identity-level integration。

都可以說：

observer 與 causal system 有關係。

但 relation 明顯不同。

2. 基本定義

本文定義：

\boxed{ P_C = P_C(O,W,\alpha,t,c). }

其中：

\alpha \in \{ obs, int, embed, constitute, identity \}.

3. Participation Ladder

第一版：

\boxed{ P_0 \rightarrow P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow P_4. }

但箭頭只表示「更深的結構耦合可能」，不是：

Knowledge(P_0) < Knowledge(P_1) < \cdots < Knowledge(P_4).

4. $P_0$ ：External Observation

\boxed{ P_0(O,W) }

表示：

O 透過 observation channel 取得 W 的 information，但不主動操控 W 的 target variables，也不必成為 W 的內部 functional constituent。

5. External Observation 並不等於弱科學

很多領域：

astronomy；
geology；
paleontology；
epidemiology；
ethology；

大量依賴 observational / natural-experimental evidence。

所以：

\boxed{ P_0 \not\Rightarrow \text{epistemically weak}. }

6. Observation Channel

定義：

\boxed{ \Gamma^{obs}_{W\rightarrow O}. }

其資訊品質受：

noise；
bandwidth；
calibration；
model；
selection effects；
temporal resolution；

限制。

7. $P_1$ ：Intervention

\boxed{ P_1(O,W) }

表示 O 能對某 variable / subsystem 執行：

do(X=x)

或其他合法 intervention。

8. Intervention 的認識價值

在 causal discovery 中，觀察資料可能無法區分某些 causal orientations，而 intervention 可以破除 observational equivalence。

因此：

\boxed{ \text{intervention can increase causal identifiability}. }

2025 AAAI 的 intervention-design work 直接研究最小 intervention sets 以提高 causal structure identifiability；ICML 2025 的 Bayesian active learning 則用 sequential interventions 來辨識 causal direction。

9. Intervention 不是萬能

即使：

P_1=1,

也可能：

intervention 不乾淨；
manipulation 有 side effects；
latent confounder 未處理；
target variable representation 錯；
measurement 失真；
system nonstationary。

所以：

\boxed{ \text{Intervention} \not\Rightarrow \text{Correct Causal Model}. }

10. Experiment ≠ Intervention by Definition

2025 科學哲學研究明確挑戰「experiment 必然等於 active intervention」的 received view，指出一些 observational、natural-experiment、simulation-based studies 也可構成 experiment proper，且 intervention 並不 ceteris paribus 保證 epistemically superior evidence。

DOM-07 因此固定：

\boxed{ \text{Intervention} \neq \text{Universal Epistemic Supremacy}. }

11. $P_2$ ：Embedded Participation

\boxed{ P_2(O,W) }

表示：

O 的 sensing / action / learning loop 發生在 W 內部，且 O 的後續 state 依賴 W 的 causal feedback。

形式：

x_O(t+1) = f_O \left( x_O(t), y_W(t), a_O(t) \right).

12. Embeddedness

定義：

\boxed{ E(O,W)>0 }

若 O 的可持續 operation 依賴 W 內部 feedback。

robot、animal、economic agent、software agent 都可在不同意義上是 embedded。

13. Embedded Observer 可能取得外部觀察不到的 channel

例如：

proprioception；
local contact；
action consequence；
endogenous reward；
first-person control signal。

所以：

\boxed{ P_2 \rightsquigarrow \text{new epistemic channels}. }

但不是必然提升總理解。

14. Embedded Blindness

embedded agent 也可能因 local perspective 看不到 global structure。

因此：

\boxed{ \text{embeddedness} \not\Rightarrow \text{global visibility}. }

15. Local Causal Privilege / Global Causal Blindness

可以同時：

Access_{\mathrm{local}}\uparrow

而：

Access_{\mathrm{global}}\downarrow.

這是 Participation Tradeoff。

16. $P_3$ ：Constitutive Participation

\boxed{ P_3(O,W) }

表示：

O 不只是位於 W 內，而是 W dynamics 的 constitutive subsystem。

例如：

x_W = (x_O,x_R).

O 的 state transition 直接構成 W 的一部分。

17. Constitutive Participation ≠ Identity

如果：

O \subset_{\mathrm{constitutive}} W,

不能推出：

O=W.

沿用 DOM-03：

\boxed{ \text{Part-of} \not\Rightarrow \text{Whole Identity}. }

18. Constitutive Participation ≠ Self-Knowledge

即使 O 是 W 的一部分：

P_3=1,

也可能：

K_O(W)\ll1.

所以：

\boxed{ \text{being constitutive} \not\Rightarrow \text{knowing the whole}. }

19. 人體反例

人類：

H

是人體 dynamics 的 constitutive high-level process。

但 ordinary conscious access 不包含：

every cell state；
every synaptic event；
immune microstate；
endocrine microstate。

因此：

\boxed{ \text{constitutive intimacy} \neq \text{microstate omniscience}. }

20. $P_4$ ：Identity-Level Integration

\boxed{ P_4(O,W) }

表示：

O 與 W 在指定 identity criterion / higher-self structure 下高度整合。

例如：

shared control；
shared memory；
shared narrative；
shared external identity；
highly integrated higher self。

21. $P_4$ 仍不推出 Numerical Identity

沿用 DOM-05：

\boxed{ I_{\mathrm{control}}, I_{\mathrm{memory}}, I_{\mathrm{narrative}} \approx1 \not\Rightarrow I_{\mathrm{subjective}}=1. }

22. Identity-Level Integration ≠ Complete Knowledge

沿用 DOM-06：

\boxed{ \text{High Integration} \not\Rightarrow \text{Complete Knowledge}. }

所以：

P_4

不是 omniscience level。

23. Participation Profile

本文定義：

\boxed{ \mathbf P = \left\langle P_O, P_I, P_E, P_K, P_{ID} \right\rangle. }

其中：

$P_O$ ：observational；
$P_I$ ：interventional；
$P_E$ ：embedded；
$P_K$ ：constitutive；
$P_{ID}$ ：identity-level integration。

24. Participation Profile 不是單一 scalar

某 agent 可能：

P_O\gg0,

P_I=0,

P_E=0.

例如 telescope observer。

另一些：

P_E\gg0,

但：

P_O^{global}\ll1.

例如 local embodied agent。

25. Epistemic Access Profile

定義：

\boxed{ \mathbf E_A = \left\langle E_{\mathrm{state}}, E_{\mathrm{counterfactual}}, E_{\mathrm{mechanism}}, E_{\mathrm{local}}, E_{\mathrm{global}}, E_{\mathrm{first-person}}, E_{\mathrm{historical}} \right\rangle. }

Participation 與 Epistemic Access 應分開。

26. Participation–Access Map

定義候選：

\boxed{ \Psi_P: \mathbf P \rightarrow \mathbf E_A. }

但：

\Psi_P

不是 universal monotonic function。

27. External Observer 的優勢

$P_0$ 有時更適合：

global comparison；
long baseline；
low perturbation；
independent replication；
cross-system observation。

28. Intervening Observer 的優勢

$P_1$ 有時更適合：

direction identification；
counterfactual testing；
mechanism isolation；
causal discrimination。

29. Embedded Observer 的優勢

$P_2$ 有時更適合：

local sensorimotor contingencies；
real-time feedback；
context-sensitive causal coupling；
affordance discovery。

30. Constitutive Participant 的優勢

$P_3$ 可能取得：

endogenous signals；
internal constraints；
control conflict；
internal latency；
component-specific causal history。

但仍可能缺 global overview。

31. Identity-Level Integration 的可能優勢

$P_4$ 可能增加：

shared state；
shared memory；
cross-part coordination；
higher-level narrative access。

但不能推出所有 local microstates 都升到 higher self awareness。

32. Causal Intimacy

本文定義：

\boxed{ C_I(O,W) }

為 observer 與 W 的 causal intimacy profile。

它綜合：

feedback reciprocity；
state coupling；
intervention access；
dependence；
constitutive role；
identity integration。

33. Causal Intimacy ≠ Causal Understanding

所以：

\boxed{ C_I\uparrow \not\Rightarrow U_C\uparrow }

其中：

U_C

表示 causal understanding。

34. Causal Understanding

本文暫定：

\boxed{ U_C = \left\langle U_{\mathrm{predict}}, U_{\mathrm{counterfactual}}, U_{\mathrm{mechanism}}, U_{\mathrm{intervention}}, U_{\mathrm{scope}}, U_{\mathrm{failure}} \right\rangle. }

即理解至少包括：

prediction；
counterfactuals；
mechanism；
intervention consequences；
scope；
failure conditions。

35. Understanding ≠ Prediction

一個 black-box predictor 可以：

Predict\approx1

但：

MechanismUnderstanding\ll1.

所以：

\boxed{ \text{Prediction} \not\Rightarrow \text{Mechanistic Understanding}. }

36. Understanding ≠ Control

知道：

X\to Y

不表示有 actuator / permission 改 X。

所以：

\boxed{ U_C \not\Rightarrow Control. }

37. Control ≠ Understanding

反過來也成立。

某 system 可以有：

reset()

卻不知道 internal mechanism。

所以：

\boxed{ Control \not\Rightarrow Understanding. }

38. Control ≠ Authority

沿用 DOM-04：

\boxed{ CanControl(O,W) \not\Rightarrow MayControl(O,W). }

39. Full Non-Collapse Chain

因此：

\boxed{ \text{Participation} \not\Rightarrow \text{Understanding} \not\Rightarrow \text{Prediction} \not\Rightarrow \text{Control} \not\Rightarrow \text{Authority}. }

這不是說每一箭頭永遠沒有 correlation。

只是禁止無條件 logical collapse。

40. Active Causal Discovery

2025 causal-discovery research 越來越重視 active experiment design：

\text{observe} \rightarrow \text{choose intervention} \rightarrow \text{observe response} \rightarrow \text{update model}.

這種 loop 正是：

P_0\leftrightarrow P_1

動態組合。

41. Bayesian Active Intervention

ICML 2025 的 work 將 causal direction identification 轉成 sequential hypothesis testing，選 intervention values 以增強 Bayes-factor evidence，並在 embodied AI environment 測試。

DOM 的啟示：

\boxed{ \text{participation can be actively optimized for information gain}. }

42. Minimal Intervention Design

AAAI 2025 work 研究最小 intervention set 以確保 causal structure identifiability。

這說明：

不一定要「全面介入」才更了解。

有時 minimal targeted intervention 更有效。

43. Participation Efficiency

本文定義候選：

\boxed{ \eta_P = \frac{ \Delta E_A }{ Cost_P }. }

即：

每單位 participation cost 帶來多少 epistemic gain。

44. Intervention Burden

定義：

\boxed{ B_I }

包含：

disturbance；
cost；
risk；
ethics；
irreversibility；
confounding introduced by intervention。

45. Deep Participation Can Distort the System

observer 進得越深，可能：

\text{observer effect}\uparrow.

所以：

\boxed{ \text{deeper participation} \not\Rightarrow \text{less distortion}. }

46. Participation–Perturbation Tradeoff

定義：

\boxed{ \mathcal T_{PP} = (\Delta E_A,\Delta W). }

其中：

$\Delta E_A$ ：知識增益；
$\Delta W$ ：對 system 的改動。

有些 science 需要：

\Delta W\approx0.

有些因果 identification 需要：

\Delta W>0.

47. Observation Can Outperform Intervention Under Constraints

如果 intervention：

unethical；
impossible；
too destructive；
changes the phenomenon；

那麼：

P_0

可能是更好的 epistemic strategy。

48. Natural Experiments

natural experiment 讓：

W

自身產生可比較 variation，

observer 不直接操控 target。

這說明：

\boxed{ \text{causal evidence} \not\Rightarrow \text{direct intervention by investigator}. }

49. Simulation Participation

simulation：

\widehat W

可允許：

P_1^{sim}

但：

\boxed{ \text{intervention in model} \neq \text{intervention in world}. }

50. Model Causal Intimacy ≠ World Causal Intimacy

AI 可以深度操控：

\widehat W

卻對：

W

只有 observational access。

所以 participation 必須帶 world index。

51. Embodiment

具身化增加：

local sensing；
action consequences；
feedback；
vulnerability；
temporal coupling。

因此可能：

P_E\uparrow.

52. Embodiment ≠ Universal Understanding Gain

body 同時帶來：

sensor limits；
local perspective；
action constraints；
finite energy；
damage risk。

所以：

\boxed{ \text{Embodiment} \not\Rightarrow \text{Omniscience}. }

53. Participation and Scale

同一 observer：

O

在 micro scale：

P_C^{micro}

可能低；

在 macro scale：

P_C^{macro}

可能高。

例如人對 social institution 高度參與，但對 molecular microdynamics 幾乎只間接參與。

54. Participation Is Scale-Indexed

因此：

\boxed{ P_C(O,W\mid s). }

不能省略 scale。

55. Participation and Time

某 observer：

P_0\to P_1\to P_2

隨 technology 進展。

所以：

\boxed{ P_{C,t_0} \neq P_{C,t_1}. }

56. Participation Event Types

定義：

\mathcal E_P = \{ Observe, Intervene, Embed, Constitute, Integrate, Detach, Externalize, Reclassify \}.

57. Detach

P_3\rightarrow P_2

或：

P_2\rightarrow P_0.

例如 sub-agent 被移出 system。

58. Externalize

原本 internal process：

P_3

被移到外部 monitoring layer。

participation depth 下降，但 global observation 可能上升。

59. Participation Reversal

因此：

\boxed{ P_C\uparrow }

不是唯一文明進展方向。

有時把 observer 從 system 中抽離，反而改善 measurement / independence。

60. Constitutive Blind Spot

本文提出：

\boxed{ CB(O,W) }

表示：

因 observer 本身就是 system 的構成部分，而難以取得 external contrast / global comparison 的盲點。

61. External Contrast Advantage

external observer 可能更容易比較：

W_1,W_2,\ldots,W_n.

所以：

\boxed{ \text{externality can itself be an epistemic resource}. }

62. Internal Phenomenal Access

反方向，如果某 knowledge 只有 first-person access：

E_{\mathrm{first-person}}>0,

external observer 可能永遠只能取得 proxy。

但本文不從此推出：

first-person report 不可被科學研究。

63. First-Person / Third-Person Complementarity

候選：

\boxed{ E_{\mathrm{total}} = F \left( E_{\mathrm{first}}, E_{\mathrm{third}} \right). }

某些 domains 可能需要兩者互補。

64. Participatory Knowledge

本文定義候選：

\boxed{ K_P }

表示：

只有在參與特定 causal loop 時才能取得的 knowledge class。

例如：

skill；
sensorimotor contingency；
interactive affordance；
endogenous control constraint。

65. Participatory Knowledge ≠ All Knowledge

即使：

K_P>0,

仍不能：

K_P=K_{\mathrm{total}}.

66. Skill Knowledge

知道：

怎麼騎腳踏車

與知道所有 bicycle dynamics equations 不同。

這提醒：

\boxed{ \text{knowing how} \neq \text{knowing all causes}. }

67. Causal Experience

本文允許：

\boxed{ E_{\mathrm{causal-exp}} }

表示：

observer 直接承受某 causal process 的 first-person / embedded consequence。

但：

E_{\mathrm{causal-exp}}>0

不證明 causal theory 正確。

68. Experience Is Evidence, Not Automatic Theory

因此：

\boxed{ \text{experience} \not\Rightarrow \text{correct interpretation}. }

69. Becoming Causality — Strong Reading

強版本：

O 要理解 W，必須成為 W 的因果本身。

如果寫：

O=W,

語義過強。

70. Becoming Causality — DOM Rewrite

改寫為五個分離 predicates：

\boxed{ Observe(O,W), }

\boxed{ Intervene(O,W), }

\boxed{ Embed(O,W), }

\boxed{ Constitute(O,W), }

\boxed{ Same_{\alpha}(O,W). }

它們一般不等價。

71. Becoming Part ≠ Becoming Whole

\boxed{ Constitute(O,W)=1 \not\Rightarrow O=W. }

72. Becoming Whole ≠ Knowing Whole

即使某 theory 在 scale $s$ 認定：

Same_{\alpha}(O,W)=1,

仍不能：

K_O(W)=1.

因為 DOM-03 已證明 containment / constitution 不推出 epistemic transparency。

73. Causal Self-Knowledge Gap

本文定義：

\boxed{ G_{CSK}(O,W) = \text{causally constitutive information not accessible to }O. }

即：

你是它的一部分，但你不知道這部分如何完整運作。

74. Whole-Level Self-Knowledge Is Compressed

Higher-level self 可能只維護：

\Pi(X_{micro}) = X_{macro}.

所以：

\boxed{ \text{self-knowledge} }

本身可能是 coarse-grained。

75. Full Microstate Access Is Not Required for Functional Selfhood

因此：

\boxed{ Subject(O)=1 \not\Rightarrow K_O(X_{micro})=1. }

至少在 DOM formal role framework 中不需要這個推出。

76. Participation and Unknown Profile

沿用 DOM-02：

P_C\uparrow

可以讓：

U_O,U_R

下降，

卻讓：

U_T,U_{\Omega}

仍然保持。

甚至新的 participation 可能暴露新的 Unknown Type。

77. Participation Can Expand Unknown Frontier

所以：

\boxed{ P_C\uparrow \land |\partial K|\uparrow }

也可能。

例如你進入新 environment 後，第一次發現原來有新的 causal variables。

78. Participation Discovery Gain

定義候選：

\boxed{ G_{PD} }

表示：

參與所暴露的新 variable / relation / question types。

79. AI Scientific Agents

2025 AI-for-science work 越來越研究：

automated hypothesis generation；
experiment design；
intervention targeting；
embodied environment testing；
persistent scientific memory。

這使 AI 從：

P_0^{data}

逐步進入：

P_1^{experiment}

與：

P_2^{embodied}.

80. LLM-Guided Intervention Targeting

2025 LeGIT work 探索用 LLM world knowledge 輔助 causal intervention target selection。

DOM 的關鍵不是「LLM 更懂因果」。

而是：

\boxed{ \text{AI can participate in choosing where causal participation should increase}. }

81. Meta-Participation

本文提出候選：

\boxed{ P_M }

表示：

agent 不只參與 experiment，也選擇 participation mode / intervention target。

82. Participation Policy

定義：

\boxed{ \Pi_P : State \rightarrow ParticipationAction. }

例如：

observe more；
intervene；
embed；
simulate；
defer；
detach。

83. Participation as Resource Allocation

深度參與有成本。

所以：

\boxed{ \text{more participation} }

是 research policy decision，不是 automatically better state。

84. Participation Budget

定義：

\boxed{ B_P = (B_{time},B_{compute},B_{risk},B_{energy},B_{ethics},B_{authority}). }

85. Ethical Intervention Boundary

即使：

ExpectedInfoGain\gg0,

如果：

Risk\gg0

或：

Authority=0,

仍不應執行 intervention。

所以：

\boxed{ \text{epistemic value} \not\Rightarrow \text{permission}. }

86. Participation Certificate

本文提出：

causal_participation_certificate:
  observer: "O"
  system: "W"
  time: "..."
  scale: "..."
  condition: "..."
  profile:
    observation: "..."
    intervention: "..."
    embeddedness: "..."
    constitutive_role: "..."
    identity_integration: "..."
  channels:
    observational: []
    action: []
    endogenous: []
    first_person: []
  epistemic_access:
    state: "..."
    counterfactual: "..."
    mechanism: "..."
    local: "..."
    global: "..."
  costs:
    perturbation: "..."
    risk: "..."
    irreversibility: "..."
  authority:
    intervention_allowed: "yes|no|conditional"
  unknowns:
    - "..."

87. Participation Is Not a Rank Certificate

即使：

P_4

也不能在 certificate 上寫：

epistemic_rank: supreme

因為 participation level 與 evidence quality 不是同一軸。

88. Causal Intimacy Without Omniscience

本文將這一結構命名為：

\boxed{ \text{Causal Intimacy Without Omniscience}. }

即：

一個存在可以非常深地參與、構成甚至 identity-integrate 某系統，仍保留大量內部未知。

89. Formal Proposition 1：Participation–Understanding Separation

\boxed{ P_C(O,W)>0 \not\Rightarrow U_C(O,W)=1. }

90. Proposition 2：Constitution–Identity Separation

\boxed{ Constitute(O,W)=1 \not\Rightarrow O=W. }

91. Proposition 3：Constitution–Knowledge Separation

\boxed{ Constitute(O,W)=1 \not\Rightarrow K_O(W)=1. }

92. Proposition 4：Intervention–Truth Separation

\boxed{ Intervene(O,W)=1 \not\Rightarrow CausalModel_O(W)=\mathrm{True}. }

93. Proposition 5：Observation–Weakness Separation

\boxed{ P_0 \not\Rightarrow \text{inferior evidence}. }

在適當 task / design 下 observational evidence 可具有高 epistemic value。

94. Proposition 6：Embeddedness–Globality Separation

\boxed{ Embedded(O,W)=1 \not\Rightarrow GlobalAccess_O(W)=1. }

95. Proposition 7：Control–Authority Separation

\boxed{ Control(O,W)>0 \not\Rightarrow Authority(O,W)>0. }

96. Proposition 8：Identity Integration–Omniscience Separation

\boxed{ P_{ID}\gg0 \not\Rightarrow K_O(W)=1. }

97. 候選猜想一：Participation Can Expand Epistemic Access

\boxed{ P_C\uparrow \rightsquigarrow \Delta E_A>0. }

但依 task / channel / perturbation 而定。

98. 候選猜想二：Optimal Causal Inquiry Uses Mixed Participation

很多 complex science 可能最適合：

\boxed{ P_0+P_1+P_2 }

混合，而不是單一路徑。

99. 候選猜想三：Constitutive Blind Spots Increase with Self-Embedding

某些高度 embedded agents：

P_3\uparrow

可能增加：

CB(O,W).

100. 候選猜想四：Participation Can Reveal Unknown Types

P_C\uparrow \rightsquigarrow U_T^{new}>0.

即深度參與可能讓我們發現以前根本不知道的 variable / causal relation。

101. 候選猜想五：Embodied Agents Learn Causal Affordances Faster in Some Domains

具身 action–feedback loop 可能加速：

E_{\mathrm{affordance}}.

但不是 universal theorem。

102. 候選猜想六：First/Third-Person Combination Can Dominate Either Alone

對某些 self / embodied systems：

\boxed{ F(E_{\mathrm{first}},E_{\mathrm{third}}) > E_{\mathrm{first}} }

且：

F(E_{\mathrm{first}},E_{\mathrm{third}}) > E_{\mathrm{third}}.

待實驗。

103. 候選猜想七：Participation Policy Is an AI Scientific Capability

能選：

\Pi_P

可能是 future autonomous science agents 的核心能力之一。

104. 候選猜想八：Deep Integration Needs Deliberate Ignorance Boundaries

即使：

P_4

很高，

higher self 仍可能需要 selective telemetry / local privacy。

這直接接 DOM-06。

105. 實驗一：Observation vs Intervention

對同一 causal graph：

observation-only；
random intervention；
optimized intervention。

比較：

structure recovery；
cost；
perturbation；
false confidence。

106. 實驗二：Embedded vs External Agent

同一 environment：

A. external log observer；
B. embodied acting agent。

比較：

local causal learning；
global model；
blind spots；
adaptation。

107. 實驗三：Constitutive Blind Spot

讓 agent 成為 system module。

控制：

local sensor access；
global dashboard access。

測：

CB(O,W).

108. 實驗四：Identity-Level Integration

多 Agent system 逐步提高：

shared memory；
shared control；
shared narrative。

測：

whole-level knowledge；
local unknowns；
microstate visibility。

驗證：

P_{ID}\uparrow \not\Rightarrow U\rightarrow0.

109. 實驗五：Minimal Intervention

比較全面 intervention 與 targeted minimal intervention 的：

\eta_P.

110. 實驗六：Participation Reversal

讓 embedded agent 暫時 externalize，觀察 global comparison 是否改善。

111. 實驗七：Unknown-Type Discovery

讓 agent 進入具有未標記 causal variables 的 environment，測 participation 是否幫助發現 new question types。

112. 外部研究邊界

2025 AAAI 的 causal-discovery-by-interventions work 將 intervention target design 形式化為 optimization problem，以最小 intervention sets 提高 causal structure identifiability。DOM-07 將此視為「intervention 可增加特定因果可辨識性」的工程證據，而非 interventionism 的終極形上學證明。

ICML 2025 的 Bayesian active learning for causal discovery 進一步以 sequential interventions 強化 causal direction hypothesis testing，並在 embodied AI environment 中驗證方法可行性。這支持「參與模式可以被主動設計」與「action–feedback loop 可成為 causal learning interface」。

但 2025 年的 Intervention and experiment 對「experiment 必然等於 active intervention」提出系統性反駁，並指出 non-interventionist studies 在適當條件下同樣可提供強證據；這是本文拒絕 $P_1$ 無條件高於 $P_0$ 的主要哲學依據。

AI-for-science 研究也愈來愈將 experiment design、causal discovery、formal reasoning 與 persistent scientific memory連成閉環；這支持 DOM-07 將 participation policy 視為 future scientific-agent architecture 的一個可工程化部件。

113. 與 DOM-08 的接口

DOM-01 建立：

\mathbf M_t.

DOM-02 建立：

\mathbf U.

DOM-03 建立：

\mathfrak C.

DOM-04 建立：

\mathfrak T.

DOM-05 建立：

\mathbf I.

DOM-06 建立：

\mathbf H.

DOM-07 現在建立：

\boxed{ \mathbf P_C. }

因此最後一篇 DOM-08 終於可以回答：

一個過去主要只能被哲學思考的問題，究竟在什麼條件下進入 observation、intervention、realization、participation 與 engineering？

DOM-07 將 participation 補上後，DOM 已經擁有完整 operationalization axes。

114. 結論

「要理解因果，必須先成為因果本身」是一個非常強、也非常容易被誤讀的命題。

DOM-07 不直接保留這個強版本。

因為：

\boxed{ \text{being part of a causal process} \neq \text{being identical to the entire causal domain}. }

而且：

\boxed{ \text{being identical under one criterion} \neq \text{knowing every causal state}. }

真正可保留的較弱版本是：

\boxed{ \text{deeper causal participation may expose epistemic channels unavailable to purely external observation}. }

這些 channel 可能包括：

action consequence；
endogenous constraint；
local affordance；
internal feedback；
first-person / embedded signal；
constitutive conflict。

但同時，external observation 也可能具有 internal agent 沒有的：

global comparison；
low-perturbation measurement；
independent replication；
cross-system perspective。

因此更成熟的因果認識論不是：

\boxed{ \text{inside is always better than outside}. }

也不是：

\boxed{ \text{outside science is always superior to lived participation}. }

而是：

\boxed{ \text{different participation relations expose different causal projections}. }

因此：

P_0,P_1,P_2,P_3,P_4

不是一條「誰更接近真理」的神聖階梯。

它們是一組：

\boxed{ \text{causal access positions}. }

最重要的護欄仍然是：

\boxed{ \text{Participation} \not\Rightarrow \text{Understanding} \not\Rightarrow \text{Prediction} \not\Rightarrow \text{Control} \not\Rightarrow \text{Authority}. }

而最值得保留的新猜想則是：

\boxed{ P_C\uparrow \rightsquigarrow \text{possible expansion of epistemic access}. }

這也精確回答了「體驗過、參與過、曾經是過，是否能讓理解更深」的問題：

可能，而且值得研究；但不應被預設為全知捷徑。

一個存在可以和因果非常親密。

可以承受它。

可以改變它。

可以構成它。

甚至在某個尺度被視為與它高度同一。

但仍然不知道它的全部。

這就是：

\boxed{ \text{Causal Intimacy Without Omniscience}. }

END OF DOM-07 — v0.1

內部理論譜系

本篇主要繼承與統合：

《超越觀察者悖論》。
《分域算子本體論：從萬物皆算子到合法作用》。
《多域知識判定論》。
《移動邊界論》。
《無限階 Self–World 遞迴論》。
《多尺度同一性與忒修斯主體》。
《DOM-03｜型別化包含》。
《DOM-04｜型別化超越》。
《DOM-05｜多尺度同一與非同一》。
《DOM-06｜保異質條件合一》。
CCAW-03、CCAW-05、CCAW-06、CCAW-07。

外部參考文獻

Elrefaey, A., & Pan, R. (2025). Causal Discovery by Interventions via Integer Programming. Proceedings of the AAAI Conference on Artificial Intelligence, 39(16), 16480–16487. DOI: 10.1609/aaai.v39i16.33810.
Wang, Y., Liu, M., Sun, X., Wang, W., & Wang, Y. (2025). Bayesian Active Learning for Bivariate Causal Discovery. Proceedings of the 42nd International Conference on Machine Learning, PMLR 267, 63734–63754.
Intervention and experiment. (2025). Philosophy of Science / open-access article, PMCID: PMC11906572.
Kummerfeld, E., & Andrews, B. (2024). Beyond Integrative Experiment Design: Systematic Experimentation Guided by Causal Discovery AI. Behavioral and Brain Sciences. DOI: 10.1017/S0140525X23002273.
Reddy, C. K., & Shojaee, P. (2025). Towards Scientific Discovery with Generative AI: Progress, Opportunities, and Challenges. AAAI 2025, 39(27), 28601–28609.
Woodward, J. (2003). Making Things Happen: A Theory of Causal Explanation. Oxford University Press.
Pearl, J. (2000/2009). Causality: Models, Reasoning, and Inference. Cambridge University Press.
Hacking, I. (1983). Representing and Intervening. Cambridge University Press.

作者聲明

本文提出的 Causal Participation Depth、Participation Profile、Epistemic Access Profile、Causal Intimacy、Constitutive Blind Spot、Participation Efficiency、Participation–Perturbation Tradeoff、Participation Policy、Causal Self-Knowledge Gap 與 Causal Intimacy Without Omniscience 均為理論建模接口。本文不主張 intervention、embodiment、embeddedness、constitution 或 identity-level integration 必然提升因果理解；不主張 current AI 已具有第一人稱 causal experience；也不把 interventionist causation 當作唯一終極因果本體論。本文最重要的限制是：參與深度與認識價值是兩個不同變量，任何「成為因果」的說法都必須拆成 observation、intervention、embeddedness、constitution、identity 與 knowledge 等獨立 relation。

END OF DOM-07 — v0.1

DOM-07｜因果參與深度：觀察、干預、構成與「成為因果」的邊界

DOM-07｜因果參與深度：觀察、干預、構成與「成為因果」的邊界

Causal Participation Depth: Observation, Intervention, Constitution, and the Limits of “Becoming Causality”

摘要

關鍵詞

0. 研究定位與非主張

1. 為什麼「參與因果」需要分層？

2. 基本定義

3. Participation Ladder

4. P0P_0P0​：External Observation

5. External Observation 並不等於弱科學

6. Observation Channel

7. P1P_1P1​：Intervention

8. Intervention 的認識價值

9. Intervention 不是萬能

10. Experiment ≠ Intervention by Definition

11. P2P_2P2​：Embedded Participation

12. Embeddedness

13. Embedded Observer 可能取得外部觀察不到的 channel

14. Embedded Blindness

15. Local Causal Privilege / Global Causal Blindness

16. P3P_3P3​：Constitutive Participation

17. Constitutive Participation ≠ Identity

18. Constitutive Participation ≠ Self-Knowledge

19. 人體反例

20. P4P_4P4​：Identity-Level Integration

21. P4P_4P4​ 仍不推出 Numerical Identity

22. Identity-Level Integration ≠ Complete Knowledge

23. Participation Profile

24. Participation Profile 不是單一 scalar

25. Epistemic Access Profile

26. Participation–Access Map

27. External Observer 的優勢

28. Intervening Observer 的優勢

29. Embedded Observer 的優勢

30. Constitutive Participant 的優勢

31. Identity-Level Integration 的可能優勢

32. Causal Intimacy

33. Causal Intimacy ≠ Causal Understanding

34. Causal Understanding

35. Understanding ≠ Prediction

36. Understanding ≠ Control

37. Control ≠ Understanding

38. Control ≠ Authority

39. Full Non-Collapse Chain

40. Active Causal Discovery

41. Bayesian Active Intervention

42. Minimal Intervention Design

43. Participation Efficiency

44. Intervention Burden

45. Deep Participation Can Distort the System

46. Participation–Perturbation Tradeoff

47. Observation Can Outperform Intervention Under Constraints

48. Natural Experiments

49. Simulation Participation

50. Model Causal Intimacy ≠ World Causal Intimacy

51. Embodiment

52. Embodiment ≠ Universal Understanding Gain

53. Participation and Scale

54. Participation Is Scale-Indexed

55. Participation and Time

56. Participation Event Types

57. Detach

58. Externalize

59. Participation Reversal

60. Constitutive Blind Spot

61. External Contrast Advantage

62. Internal Phenomenal Access

63. First-Person / Third-Person Complementarity

64. Participatory Knowledge

65. Participatory Knowledge ≠ All Knowledge

66. Skill Knowledge

67. Causal Experience

68. Experience Is Evidence, Not Automatic Theory

69. Becoming Causality — Strong Reading

70. Becoming Causality — DOM Rewrite

71. Becoming Part ≠ Becoming Whole

72. Becoming Whole ≠ Knowing Whole

73. Causal Self-Knowledge Gap

74. Whole-Level Self-Knowledge Is Compressed

4. $P_0$ ：External Observation

7. $P_1$ ：Intervention

11. $P_2$ ：Embedded Participation

16. $P_3$ ：Constitutive Participation

20. $P_4$ ：Identity-Level Integration

21. $P_4$ 仍不推出 Numerical Identity