TI-05｜啟示審計器

AI 全域 Prior-Art、語義近鄰、結構同構與組合新穎性調查

Revelation Audit

An AI-Assisted Prior-Art, Semantic, Structural, Mechanistic, and Compositional Novelty Audit

系列： 超越洞見的公共化（Transcendent Insight Publicization Series, TIPS）
篇次： 05 / 06
文件編號： EML-TI-05-2026-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： 2026-08-21
版本： v0.1
文件性質： 技術理論論文／Novelty Audit Architecture／Prior Art Retrieval／Semantic Search／Structural Analogy／Coverage-Aware Assessment
狀態： Internal Canonical Candidate

前置文件

TI-01｜你不懂
TI-02｜如果這真的是一套理論，它能約束什麼？
TI-03｜你不會做沒關係，現在有 AI
TI-04｜這是我自己悟出來的，不代表人類第一次想到

一、來源邊界

TI-04 已建立：

\boxed{ IndependentDerivation \neq Originality \neq Plagiarism \neq Priority. }

以及：

\boxed{ PriorArtFound \not\Rightarrow Plagiarism }

\boxed{ NoPriorArtFound \not\Rightarrow GloballyNovel. }

TI-04 並建立：

Atomic Novelty Decomposition；
Novelty Profile；
Closest Conceptual Prior Art；
Novelty Claim Interface；
Discovery Provenance Matrix；
High-Coverage Novelty Search；
Prior-Art Coverage Debt；
Novelty Status Certificate。

本文的任務不是重新定義這些概念。

本文的任務是：

把它們組成一套可執行的 AI-assisted audit architecture。

二、本文新增

本文新增並正式提出：

Revelation Audit Architecture（RAA）；
Insight Prior-Art Graph（IPAG）；
Claim–Document Bipartite Layer；
Multi-View Novelty Retrieval；
Query Family Expansion；
Lexical Search Arm；
Semantic Search Arm；
Cross-Lingual Search Arm；
Historical Vocabulary Search Arm；
Structural Graph Search Arm；
Mechanism Search Arm；
Formal-Model Search Arm；
Phenomenological Search Arm；
Application Search Arm；
Compositional Search Arm；
Broad Retrieve / Narrow Rerank principle；
Facet-Based Novelty Re-Ranking；
Claim Facet Vector；
Prior-Art Facet Matrix；
Structural Analogy Map；
Mechanism Equivalence Audit；
Formal Skeleton Audit；
Phenomenology Near-Neighbor Audit；
Application Transfer Audit；
Composition Residual Audit；
Chronology Reconstruction；
Public Availability Filter；
Source-Dependence Firewall；
Similarity / Dependence Separation；
Multilingual Coverage Ledger；
Historical Corpus Ledger；
Retrieval Recall Debt；
Reranker Bias Debt；
Translation Drift；
Query Drift；
Abstraction Collapse；
Over-Normalization Risk；
Under-Normalization Risk；
False Near-Neighbor；
False Novelty；
Novelty Residual；
Contribution Residual；
Audit Confidence Vector；
Revelation Audit Dossier（RAD）；
Human Review Escalation Gate；
Audit Reproducibility Bundle；
No Single Score Principle；
Coverage-Aware Verdict；
AI Novelty Audit Non-Certification Principle。

三、摘要

一個人說：

「這是我自己悟出來的宇宙理論。」

TI-04 的回答是：

好。先不要把「自己悟到」和「人類第一次想到」混在一起。

TI-05 再往前一步：

那我們查。

但「查」不是：

把原句丟進 Google，看有沒有一模一樣的句子。

因為真正的先前近鄰可能：

不用同一套詞；
在另一個語言；
在另一個學科；
用數學而不是哲學語言；
用 mechanism 而不是 metaphor；
只在應用上不同；
只在組合方式上不同。

所以真正的新穎性調查至少應看：

\boxed{ NoveltyAudit = N_{text} + N_{semantic} + N_{structural} + N_{mechanistic} + N_{formal} + N_{phenomenological} + N_{application} + N_{composition}. }

這不是加總分數。

而是：

Multi-View Novelty Profile

本文提出：

Revelation Audit Architecture（RAA）

啟示審計架構

核心流程：

\boxed{ Narrative \to AtomicClaims \to ClaimGraph \to QueryFamilies \to MultiViewRetrieval \to FacetRerank \to PriorArtGraph \to Chronology \to DifferenceAudit \to NoveltyDossier. }

第一步不是搜尋。

而是：

Atomic Claim Extraction

如果原理論說：

「所有人的高維自我其實共用一個源頭，透過頻率共振投影到不同個體，而意識提升會讓個體重新接近那個源頭。」

不能整句只搜一次。

應拆成：

C_1: \text{individual selves derive from a common source}

C_2: \text{projection creates apparent individuality}

C_3: \text{frequency/resonance mediates relation}

C_4: \text{state change increases source alignment}

以及：

R(C_1,C_2,C_3,C_4).

然後分別找：

atomic predecessor；
relation predecessor；
whole-system predecessor。

第二步：

Query Family Expansion

每一個 claim 不只一組 query。

而建立：

\boxed{ Q(C) = Q_{lex} \cup Q_{sem} \cup Q_{hist} \cup Q_{cross} \cup Q_{formal}. }

其中：

$Q_{lex}$ ：原詞與近義詞；
$Q_{sem}$ ：語義等價表達；
$Q_{hist}$ ：歷史術語；
$Q_{cross}$ ：跨領域術語；
$Q_{formal}$ ：抽象關係／數學骨架。

例如：

「共振」

可以擴成：

resonance；
entrainment；
synchronization；
phase locking；
coupling；
coherence。

這不是宣稱它們相同。

只是：

它們值得被搜尋作 near-neighbor candidates。

第三步：

Cross-Lingual Retrieval

2025 年 CLIRudit 已直接證明：

學術檢索中，非英語研究可能因 query language 不同而被漏掉；dense multilingual retrieval 與 translation-based retrieval 都可以提高跨語言可達性。

因此：

\boxed{ EnglishSearchOnly \neq GlobalSearch. }

本文要求 novelty audit 至少保留：

\boxed{ LanguageCoverageDebt. }

第四步：

Broad Retrieve / Narrow Rerank

2025 年 Shahid 等人的 Idea Novelty Checker 使用：

keyword / snippet broad retrieval；
embedding filtering；
facet-based LLM re-ranking；

其實非常適合本文。

本文吸收為：

\boxed{ RetrieveBroad \to FilterSemantic \to RerankByFacets. }

而不是：

讓 LLM 閉卷回答「這 idea 新不新」。

第五步：

Structural Search

2023 的 graph-based patent search 與 2025 的 Graph Transformer patent retrieval 都把 invention 表示成：

parts + relations graph

再找 prior art。

這提供一個非常重要的啟示：

\boxed{ TextDifferent }

但：

\boxed{ RelationGraphSimilar }

仍可能是 strong prior-art neighbor。

所以本文建立：

Structural Graph Search Arm

把 theory 轉成：

G_C=(V,E).

其中：

$V$ ：concept / entity / state；
$E$ ：causal / dependency / transformation / equivalence relations。

再比較：

G_C

與：

G_P.

第六步：

Mechanism Search

兩個理論都說：

A\to C.

不能因此說相同。

應比較：

A\to B_1\to C

與：

A\to B_2\to C.

所以：

\boxed{ ConclusionSimilarity \neq MechanismSimilarity. }

第七步：

Formal Skeleton Search

很多「高維理論」去掉語言後可能變成：

feedback loop；
graph diffusion；
attractor transition；
Bayesian update；
nested state；
recursive self-model；
phase synchronization。

因此本文要求：

把 narrative 的 formal skeleton 抽出，再搜尋數學／控制／資訊／認知領域的近鄰。

但：

\boxed{ FormalAnalogy \neq TheoryIdentity. }

第八步：

Phenomenological Search

「我感受到自我邊界消失、時間消失、所有存在成為一體」

應搜尋：

mystical experience；
nondual experience；
ego dissolution；
oceanic boundlessness；
altered-state phenomenology。

這不表示：

這些體驗都一樣。

而是：

\boxed{ NovelPersonalExperience \neq NovelPhenomenologicalCategory. }

第九步：

Application Search

理論舊，

應用可能新。

因此：

\boxed{ N_{concept}=Low }

可以同時：

\boxed{ N_{app}=High. }

第十步：

Composition Search

A 舊、B 舊、C 舊，

但：

A+B+C+\text{new relation}

可能是新組合。

所以本文建立：

Composition Residual

\boxed{ R_{comp} = Contribution(System) - Contribution(KnownComponents). }

這不是精確數值公式。

而是問：

把所有已知前件扣掉後，整個組合還剩什麼新東西？

最終，本文拒絕：

「原創度 87%。」

正式提出：

Revelation Audit Dossier（RAD）

其輸出是：

Independent derivation:
Plausible / Unresolved

Textual novelty:
High

Semantic novelty:
Low

Structural novelty:
Medium

Mechanism novelty:
Low–Medium

Formal novelty:
Low

Phenomenological novelty:
Low

Application novelty:
High

Compositional novelty:
Medium–High

Closest predecessors:
A (1890)
B (1927)
C (1974)
D (2008)

Strongest remaining candidate contribution:
- new application
- new cross-domain composition
- new operationalization

Coverage debt:
- Sanskrit/Pali sources incomplete
- Japanese literature partial
- non-digitized pre-1900 sources unavailable
- patent corpus not exhaustive

Verdict:
Provisionally novel in application/composition
Not globally novel as ontology claim
No plagiarism inference made

這才是 AI 時代合理的「啟示審計器」。

四、關鍵詞

Prior Art；Novelty Audit；Semantic Retrieval；Cross-Lingual Retrieval；Structural Similarity；Knowledge Graph；Mechanism Similarity；Formal Analogy；Compositional Novelty；RAG；Facet Reranking；Coverage Debt

五、第一個問題：為什麼不能直接整篇搜尋？

因：

\boxed{ WholeTheorySearch }

容易漏：

atomic predecessor；
partial predecessor；
cross-domain predecessor。

六、所以：

Atomic Claim Extraction

先拆：

T \to \{C_1,C_2,\ldots,C_n\}.

七、再保留：

R(C_i,C_j).

八、因此兩層都查

claim novelty；
relation novelty。

九、Atomic Claim Graph

本文提出：

\boxed{ G_C = (V_C,E_C). }

十、 $V_C$

是 claims。

十一、 $E_C$

是：

supports；
causes；
transforms；
depends；
contradicts；
specializes。

十二、example

C1: self derives from source
C2: individuality is projection
C3: alignment changes subjective state
C4: resonance mediates alignment

C1 --> C2
C4 --> C3
C2 + C4 --> C3

十三、如果只搜整句：

很多 predecessor 會漏。

十四、第二個問題：原始語言要不要保留？

要。

十五、本文提出：

Dual Representation Rule

同時保留：

\boxed{ OriginalClaim }

與：

\boxed{ NormalizedClaim. }

十六、因 AI normalization

可能把差異吃掉。

十七、例如：

靈魂共振

被 AI 直接正規化成：

synchronization。

十八、這可能是：

\boxed{ OverNormalization. }

十九、反過來：

完全不 normalize

會造成：

\boxed{ UnderNormalization. }

二十、所以兩者都要。

二十一、第三個問題：Query Families

本文提出：

\boxed{ \mathcal Q_C = ( Q_L, Q_S, Q_H, Q_X, Q_F, Q_P ). }

二十二、 $Q_L$ ：Lexical

原詞、同義詞。

二十三、 $Q_S$ ：Semantic

不同說法的同意義候選。

二十四、 $Q_H$ ：Historical

歷史名稱。

二十五、 $Q_X$ ：Cross-domain

其他學科名稱。

二十六、 $Q_F$ ：Formal

抽象骨架。

二十七、 $Q_P$ ：Phenomenological

體驗描述。

二十八、這六組 query

不保證完整。

二十九、但比 single-query 強。

三十、第四個問題：Lexical Search Arm

最傳統：

exact phrase；
quoted phrase；
title term；
author term。

三十一、優點：

精確。

三十二、缺點：

semantic recall 低。

三十三、因此：

\boxed{ LexicalRecall < SemanticPotential }

在 terminology drift 高時。

三十四、第五個問題：Semantic Search Arm

使用：

dense embeddings；
multilingual embeddings；
RAG retrieval。

三十五、2025 SchNovel / RAG-Novelty

直接證明：

retrieval-grounded novelty assessment

比 closed-book baseline 更好。

三十六、但其 benchmark

假設：

較新 paper 比較 novel。

三十七、所以：

\boxed{ Benchmark \neq GlobalNoveltyGroundTruth. }

三十八、本文只吸收：

\boxed{ RetrievalGrounding > ClosedBookNoveltyGuess. }

作實務方向。

三十九、第六個問題：Two-Stage Retrieval

2025 Idea Novelty Checker：

\boxed{ BroadRetrieve \to EmbeddingFilter \to FacetRerank. }

四十、本文直接採用：

Broad Retrieve / Narrow Rerank Principle

四十一、Broad Retrieve 目的：

Recall\uparrow.

四十二、Rerank 目的：

Precision\uparrow.

四十三、不能一開始就只取 top-3。

四十四、否則：

\boxed{ EarlyPruningRisk. }

四十五、第七個問題：Facet Vector

本文提出：

\boxed{ \mathbf F_C = ( Entity, Relation, Mechanism, Scope, Assumption, Prediction, Application, Formalism ). }

四十六、prior art P

也有：

\mathbf F_P.

四十七、比較：

\boxed{ Match(\mathbf F_C,\mathbf F_P). }

四十八、不只：

摘要像不像。

四十九、第八個問題：Entity Novelty

2025 biomedical novelty research

把 novelty 拆成：

entity-only；
relation-only；
entity-relation。

五十、這非常適合本文。

五十一、如果 entity 都舊：

N_E=0,

但 relation 新：

N_R>0.

五十二、仍可能有 contribution。

五十三、所以：

\boxed{ OldEntities \not\Rightarrow OldTheory. }

五十四、第九個問題：Relation Novelty

例如：

A 與 B 都古老。

五十五、但第一次明確提出：

A \xrightarrow{causal} B.

五十六、可能：

\boxed{ RelationNovelty>0. }

五十七、第十個問題：Structural Search Arm

將 claim graph：

G_C

與 prior graph：

G_P

比較。

五十八、不是要求 exact graph isomorphism。

五十九、而可比較：

node roles；
edge types；
path structure；
causal motifs；
recursive motifs。

六十、2023 graph-based patent search

把 invention 拆成：

parts + relations

再用 GNN 找 prior art。

六十一、2025 Graph Transformer

更直接使用 invention graphs

提高長 patent document prior-art retrieval efficiency。

六十二、所以本文正式固定：

\boxed{ GraphSimilarity }

為 novelty audit 的獨立 arm。

六十三、第十一個問題：Graph Similarity 不等於 Identity

\boxed{ G_C\approx G_P }

不代表：

C=P.

六十四、因：

semantics；
domain；
scale；
mechanism；

可能不同。

六十五、所以 structural result

只能標：

\boxed{ StructuralNearNeighbor. }

六十六、第十二個問題：Mechanism Search Arm

先抽：

\boxed{ Input \to Mediator \to Output. }

六十七、例如：

frequency changes consciousness。

六十八、要問：

frequency 是：

metaphor？
oscillation？
physiological rhythm？
information rate？
social synchronization？

六十九、不同 typing

會導向不同 prior art。

七十、所以：

Mechanism Disambiguation Gate

七十一、若 mechanism 未定：

\boxed{ MechanismStatus=Unresolved. }

七十二、不要 AI 自己補。

七十三、第十三個問題：Mechanism Equivalence

本文提出：

\boxed{ M_C \sim M_P. }

七十四、比較：

variables；
causal direction；
mediator；
boundary conditions；
feedback。

七十五、same words

不重要。

七十六、mechanism 才重要。

七十七、第十四個問題：Formal Skeleton Search Arm

將 theory 壓成：

\boxed{ \mathcal S_F. }

七十八、例如：

state x
feedback f(x)
threshold theta
transition x -> y

七十九、然後搜：

dynamical systems；
control theory；
graph theory；
information theory；
cognitive science。

八十、如果找到：

\boxed{ FormalNearNeighbor. }

八十一、也不代表 theory 被消滅。

八十二、可能是：

你用新的語義詮釋舊數學結構。

八十三、第十五個問題：Phenomenological Search Arm

體驗 claim 不能只搜 theory 名詞。

八十四、要抽：

ego boundary；
time；
space；
agency；
unity；
certainty；
presence；
affect。

八十五、建立：

\boxed{ \mathbf P_E. }

八十六、再找：

mystical experience；
altered states；
contemplative traditions；
psychedelic phenomenology。

八十七、此 arm 只評：

PhenomenologicalNovelty.

八十八、不評：

OntologyTruth.

八十九、第十六個問題：Application Search Arm

若 concept 舊，

問：

有沒有人把它用在這個 domain？

九十、例如：

non-duality → conflict-resolution protocol。

九十一、可能：

N_{concept}=Low,

N_{app}=High.

九十二、第十七個問題：Composition Search Arm

把 whole system

拆 component：

\{A,B,C,D\}.

九十三、每個都查。

九十四、再查：

A+B, A+C, B+C, A+B+C.

九十五、這是：

Combination Lattice Search

九十六、完全展開會爆炸。

九十七、所以：

\boxed{ SearchBudget. }

九十八、優先搜：

central edges；
claimed-new relations；
application bridge。

九十九、第十八個問題：Composition Residual

若：

A known；
B known；
C known；
A+B known；

但：

A+B+C

沒找到。

一百、可標：

\boxed{ CompositionalNoveltyCandidate. }

一百零一、不是：

\boxed{ ProvenNovelComposition. }

一百零二、第十九個問題：Cross-Lingual Search

2025 CLIRudit

直接針對 academic cross-lingual retrieval。

一百零三、結果顯示：

dense multilingual retrieval 有競爭力；
document translation 也有效；
不同方案各有 tradeoff。

一百零四、因此本文提出：

Cross-Lingual Dual Route

multilingual embedding route；
translation + monolingual retrieval route。

一百零五、兩者都跑。

一百零六、若結果差很大：

\boxed{ CrossLingualInstability. }

一百零七、要列入 coverage debt。

一百零八、第二十個問題：Language Coverage Ledger

本文提出：

languages:
  English:
    semantic_search: done
    lexical_search: done

  Chinese:
    semantic_search: done
    lexical_search: done

  Japanese:
    semantic_search: partial

  French:
    semantic_search: partial

  Sanskrit:
    direct_search: not_done
    translated_keywords_only: yes

一百零九、這比：

全球查完。

誠實。

一百一十、第二十一個問題：Low-Resource Languages

2025 retrieval survey

指出 low-resource languages

仍受：

data scarcity；
morphology；
orthography；
language imbalance；

影響。

一百十一、所以：

\boxed{ MultilingualModel \neq EqualCoverageAcrossLanguages. }

一百十二、這是重要 debt。

一百十三、第二十二個問題：Historical Vocabulary

古代概念

可能沒有現代詞。

一百十四、例如：

metacognition

古代不會叫 metacognition。

一百十五、所以要生成：

Historical Query Family

一百十六、包括：

older philosophical terms；
theological terms；
obsolete scientific terms；
transliteration variants。

一百十七、但 AI 生成 historical term

可能 hallucinate。

一百十八、所以：

\boxed{ GeneratedHistoricalTerm }

要驗證存在。

一百十九、第二十三個問題：Cross-Domain Search

同 structure

在不同領域：

spirituality；
philosophy；
psychology；
control theory；

叫法不同。

一百二十、因此建立：

Domain Translation Table

一百二十一、example：

原詞	可能近鄰 domain
共振	synchronization / entrainment
高維自我	meta-self / higher-order self
投影	representation / instantiation / projection
合一	integration / nonduality / unity
能量流	activation / coupling / signal / metaphor

一百二十二、注意：

「可能近鄰」

不是：

「等價翻譯」。

一百二十三、第二十四個問題：Query Drift

AI 擴詞越擴越遠。

一百二十四、例如：

spiritual resonance

最後搜成：

electromagnetic resonance。

一百二十五、可能完全離題。

一百二十六、本文提出：

Query Drift Detection

一百二十七、每個 query 要保留：

\boxed{ RelationToOriginalClaim. }

一百二十八、若 rationale 不清：

discard。

一百二十九、第二十五個問題：Translation Drift

中文：

空。

翻成：

emptiness。

一百三十、但不同 tradition

語義層很多。

一百三十一、所以：

\boxed{ Translation \neq SemanticIdentity. }

一百三十二、要保留 original language evidence。

一百三十三、第二十六個問題：Over-Normalization

AI 把：

所有存在的愛

normalize 成：

prosocial behavior。

一百三十四、可能砍掉 ontology。

一百三十五、所以：

\boxed{ NormalizationLoss. }

一百三十六、要記。

一百三十七、第二十七個問題：Under-Normalization

反過來，

只搜：

水晶頻率愛之網。

一百三十八、完全找不到學術近鄰。

一百三十九、所以：

\boxed{ LiteralismLoss. }

一百四十、兩者要平衡。

一百四十一、第二十八個問題：Facet-Based Reranking

Broad retrieval 拿：

P_1,\ldots,P_n.

一百四十二、再依 facet：

\boxed{ Entity, Relation, Mechanism, Scope, Application, Formalism }

重排。

一百四十三、這與 2025 Idea Novelty Checker 的 facet reranking方向一致。

一百四十四、但本文多加：

phenomenology；
structure；
composition。

一百四十五、第二十九個問題：Prior-Art Facet Matrix

本文提出：

Prior art	Semantic	Structural	Mechanism	Formal	Phenomenology	Application	Composition
P1	high	high	medium	low	n/a	low	medium
P2	medium	low	high	high	n/a	low	low
P3	low	low	n/a	n/a	high	n/a	low

一百四十六、不必轉成總分。

一百四十七、第三十個問題：No Single Score Principle

本文正式：

\boxed{ Novelty \neq SingleScalar. }

一百四十八、尤其跨 domain theory。

一百四十九、如果真的需要 ranking

可：

\boxed{ RankByDeclaredTask. }

一百五十、例如：

找最接近 ontology predecessor。

與：

找最接近 application predecessor。

ranking 不同。

一百五十一、第三十一個問題：Insight Prior-Art Graph

本文提出：

IPAG

\boxed{ G_{PA} = ( V_C, V_D, E_S, E_R, E_T ). }

一百五十二、 $V_C$

claim nodes。

一百五十三、 $V_D$

document / source nodes。

一百五十四、 $E_S$

similarity edges。

一百五十五、 $E_R$

relation / mechanism edges。

一百五十六、 $E_T$

temporal precedence edges。

一百五十七、example：

C1 ----semantic-high---- P1890
 |                        |
 |----structural-med------|
 |
 +----application-low-----P1974

C3 ----mechanism-high-----P2008

一百五十八、這比 flat list 好。

一百五十九、第三十二個問題：Chronology Reconstruction

找到 near-neighbor

要重建：

\boxed{ WhenPubliclyAvailable? }

一百六十、日期可能是：

publication；
preprint；
lecture；
archive；
patent filing；
web page。

一百六十一、所以：

\boxed{ DateSource }

也要記。

一百六十二、第三十三個問題：Public Availability Filter

prior art novelty

通常問 public predecessor。

一百六十三、因此：

\boxed{ PublicBefore(t)? }

一百六十四、但 plagiarism

可涉及 private source。

一百六十五、所以本文再次固定：

\boxed{ PriorArtAudit \neq PlagiarismAudit. }

一百六十六、第三十四個問題：Source-Dependence Firewall

RAD 不得因 similarity

自動輸出：

copied。

一百六十七、若要判 source dependence

需要：

access evidence；
citation omission；
close expression；
draft history；
communication provenance。

一百六十八、所以：

\boxed{ SimilarityLayer }

與：

\boxed{ DependenceLayer }

分開。

一百六十九、第三十五個問題：False Near-Neighbor

AI 可能看到：

recursive self

就把所有 recursion paper

都抓來。

一百七十、但可能：

\boxed{ DomainMismatch. }

一百七十一、所以 rerank 要問：

shared function / mechanism / claim scope？

一百七十二、第三十六個問題：False Novelty

反過來，

retrieval 漏掉真正 prior。

一百七十三、原因：

query miss；
corpus miss；
language miss；
terminology miss；
ranking miss。

一百七十四、所以：

\boxed{ NoMatch }

要附：

Retrieval Recall Debt

一百七十五、第三十七個問題：Retrieval Recall Debt

本文提出：

\boxed{ D_R = ( Corpus, Language, Query, Retriever, Ranking ). }

一百七十六、不能真的算 recall

因 ground truth 不完整。

一百七十七、所以是 debt profile。

一百七十八、第三十八個問題：Reranker Bias Debt

LLM reranker

可能偏：

familiar language；
current terminology；
popular fields。

一百七十九、所以：

\boxed{ D_{rank}. }

一百八十、重要 near-neighbor

可用 second model / human review。

一百八十一、第三十九個問題：OpenScholar 的啟發

2025 Nature 的 OpenScholar

建立：

45M scientific papers；
236M passage embeddings；
retrieval + reranking；
self-feedback。

一百八十二、其研究也展示：

閉卷 LLM

在 recent literature citation 上

可能大量 fabricated citations。

一百八十三、所以本文固定：

\boxed{ ClosedBookCitation \neq ReliablePriorArtSearch. }

一百八十四、RAA 要：

\boxed{ RetrievalGrounded. }

一百八十五、第四十個問題：Citation Verification

每個 predecessor

至少需要：

title；
author；
year；
source；
matching excerpt / section；
URL/DOI if possible。

一百八十六、AI 不能只說：

我記得有人寫過。

一百八十七、所以：

No Unverifiable Predecessor Rule

一百八十八、第四十一個問題：Evidence Snippet

對每個 match：

\boxed{ Evidence(P,C). }

一百八十九、要記：

哪段支持 similarity？

一百九十、這使 human 可 audit。

一百九十一、第四十二個問題：Mechanism Map

本文提出：

Target:
A -> M1 -> B

Prior P1:
A -> M2 -> B

Shared:
A, B

Different:
M1 != M2

一百九十二、這防：

結論一樣，所以早就有人做。

一百九十三、第四十三個問題：Formal Skeleton Map

example：

Target:
nested observer
feedback
state transition
threshold

Prior:
meta-controller
feedback
state transition
threshold

一百九十四、輸出：

\boxed{ FormalSimilarityHigh, SemanticIdentityUnresolved. }

一百九十五、第四十四個問題：Phenomenology Map

example：

Target:
ego boundary loss
timelessness
unity
certainty

Prior class:
nondual experience

Overlap:
3/4 dimensions

Difference:
target includes causal "source alignment" interpretation

一百九十六、這把：

experience

與：

ontology

分開。

一百九十七、第四十五個問題：Application Transfer Map

example：

Old concept:
non-domination

Known applications:
political theory
ethics

Target application:
AI decision assistant

Novelty:
concept low
application medium-high

一百九十八、這就是 TI-04 的：

\boxed{ OldConcept + NewApplication. }

一百九十九、第四十六個問題：Composition Map

本文提出：

\boxed{ Components \to KnownPairs \to KnownTriples \to TargetSystem. }

二百、問：

哪些 combination 已知？

二百零一、以及：

target 真正新增哪條 edge？

二百零二、第四十七個問題：Novelty Residual

本文提出：

Novelty Residual

\boxed{ R_N = TargetContribution - MatchedPriorArt. }

二百零三、不是 arithmetic subtraction。

二百零四、而是：

已知 predecessor 都標記後，剩餘 unmatched claim / relation / mechanism / application。

二百零五、這才是 audit 最重要的 output。

二百零六、第四十八個問題：Contribution Residual

有時 novelty residual 小

但 contribution residual 大。

二百零七、例如：

concept 不新，

但：

formalization；
dataset；
pedagogy；
tool；

很有貢獻。

二百零八、所以：

\boxed{ R_C \neq R_N. }

二百零九、這直接接 TI-06。

二百一十、第四十九個問題：Novelty Dossier 不是 verdict only

本文提出：

Revelation Audit Dossier（RAD）

二百十一、RAD 至少包含：

source theory；
atomic claims；
claim graph；
query families；
search domains；
languages；
retrieved sources；
facet matrix；
chronology；
closest prior art；
residual contribution；
coverage debt；
confidence；
unresolved questions。

二百十二、第五十個問題：RAD Verdict

本文提出：

\boxed{ Verdict \in \{ KnownPrior, StrongNearNeighbor, PartialOverlap, IndependentRediscoveryCandidate, ProvisionallyNovel, Unresolved \}. }

二百十三、這承接 TI-04 novelty lattice。

二百十四、第五十一個問題：Coverage-Aware Verdict

Verdict 必須綁：

\boxed{ Coverage. }

二百十五、例如：

Provisionally novel within searched English/Chinese academic + patent corpus.

二百十六、不要：

Globally novel.

二百十七、第五十二個問題：Audit Confidence Vector

本文提出：

\boxed{ \mathbf C_A = ( C_{claim}, C_{retrieval}, C_{match}, C_{date}, C_{language}, C_{residual} ). }

二百十八、不是單 confidence。

二百十九、因：

claim extraction 可低 confidence；
date 可高 confidence。

二百二十、第五十三個問題：Human Review Escalation Gate

如果：

high-stakes priority；
patent filing；
academic accusation；
major novelty claim；

二百二十一、則：

\boxed{ HumanExpertReview=Required. }

二百二十二、尤其 plagiarism accusation。

二百二十三、本文正式：

\boxed{ AI \not\Rightarrow AccusationAuthority. }

二百二十四、第五十四個問題：Audit Reproducibility Bundle

本文提出：

original claims；
normalized claims；
queries；
sources；
timestamps；
model/version；
ranking decisions；
human overrides。

二百二十五、這樣日後可重跑。

二百二十六、因 web / corpus 會變。

二百二十七、所以 novelty audit

其實是：

\boxed{ VersionedAudit. }

二百二十八、第五十五個問題：Audit Date

所有 RAD 都要：

\boxed{ AuditDate. }

二百二十九、今天沒找到

明年可能找到舊資料。

二百三十、或新 digitization。

二百三十一、所以：

\boxed{ NoveltyAssessment_t }

可更新。

二百三十二、第五十六個問題：Corpus Drift

資料庫新增。

二百三十三、search index 更新。

二百三十四、所以：

\boxed{ SameQuery_t \neq SameResults_{t+1}. }

二百三十五、這就是 audit versioning 理由。

二百三十六、第五十七個問題：Revelation Audit Pipeline

正式：

INPUT
  |
  v
SOURCE BOUNDARY
  |
  v
ATOMIC CLAIM EXTRACTION
  |
  v
CLAIM GRAPH
  |
  +--> lexical queries
  +--> semantic queries
  +--> historical queries
  +--> cross-domain queries
  +--> cross-language queries
  +--> formal-skeleton queries
  |
  v
BROAD RETRIEVAL
  |
  v
SEMANTIC FILTER
  |
  v
FACET RERANK
  |
  +--> structural comparison
  +--> mechanism comparison
  +--> phenomenology comparison
  +--> application comparison
  +--> composition comparison
  |
  v
PRIOR-ART GRAPH
  |
  v
CHRONOLOGY + PUBLIC AVAILABILITY
  |
  v
NOVELTY RESIDUAL
  |
  v
COVERAGE DEBT
  |
  v
RAD DOSSIER

二百三十八、第五十八個問題：Source Boundary

如果 source theory

已經看過某些 literature，

應先列：

\boxed{ KnownInfluences. }

二百三十九、這不是自我定罪。

二百四十、反而提高 provenance quality。

二百四十一、第五十九個問題：Search Budget

全球 prior-art search

可能無限。

二百四十二、因此：

\boxed{ Budget = ( Time, Queries, Sources, Languages, Depth ). }

二百四十三、RAD 要列。

二百四十四、第六十個問題：Stopping Rule

何時停止？

二百四十五、本文提出：

saturation；
stable closest prior art；
diminishing new matches；
budget reached；
human escalation。

二百四十六、不是：

沒搜到第一頁就停。

二百四十七、第六十一個問題：Search Saturation

若新 query

只反覆返回 same cluster：

\boxed{ MarginalPriorArtGain\downarrow. }

二百四十八、可暫停。

二百四十九、但：

\boxed{ Saturation \neq GlobalCompleteness. }

二百五十、第六十二個問題：Adversarial Query Generation

為防 confirmation bias，

AI 不能只找：

支持「很新」的來源。

二百五十一、要特別生成：

如果這個 idea 其實很舊，最可能在哪個領域？

二百五十二、本文提出：

Adversarial Prior-Art Querying

二百五十三、例如：

older synonyms；
skeptical reformulation；
mathematical abstraction；
opposite tradition terminology。

二百五十四、這是重要 anti-bias。

二百五十五、第六十三個問題：Confirmation Bias

source 很想新。

AI 也可能迎合。

二百五十六、所以：

\boxed{ NoveltyDesire }

不能進 scoring。

二百五十七、本文提出：

Novelty-Neutral Search Policy

二百五十八、搜尋任務：

找最接近 predecessor。

二百五十九、不是：

幫我證明我很新。

二百六十、第六十四個問題：Prior Art Cluster

相近來源

形成：

\boxed{ Cluster_k. }

二百六十一、可按：

philosophical；
religious；
cognitive；
formal；
applied。

二百六十二、這有助於：

你的 idea 不是一個 predecessor，而是多個 tradition 的交會。

二百六十三、第六十五個問題：Mosaic Predecessor

如果：

A 提供 ontology；
B 提供 mechanism；
C 提供 application；

target 只是把三者接起來。

二百六十四、則：

Mosaic Prior Art

二百六十五、形式：

\boxed{ P_A \oplus P_B \oplus P_C \approx Target. }

二百六十六、這不等於 target 無價值。

二百六十七、但 composition novelty 要更嚴格看。

二百六十八、第六十六個問題：Single Predecessor vs Mosaic Predecessor

RAD 要分：

\boxed{ SingleStrongPrior }

與：

\boxed{ DistributedPriorSet. }

二百六十九、兩者 intellectual meaning 不同。

二百七十、第六十七個問題：Historical Tradition vs Modern Formalization

古代 tradition

可能有 concept。

二百七十一、現代 paper

有 formal model。

二百七十二、target

兩者都像。

二百七十三、RAD 應說：

ancient semantic predecessor + modern formal predecessor。

二百七十四、不是挑一個。

二百七十五、第六十八個問題：Epistemic Class Separation

RAD 不判：

Truth.

二百七十六、只判：

PriorArtRelation.

二百七十七、所以：

\boxed{ NoveltyAudit \neq TruthAudit. }

二百七十八、這非常重要。

二百七十九、第六十九個問題：Utility Separation

同樣：

\boxed{ NoveltyAudit \neq UtilityAudit. }

二百八十、TI-06 才處理 utility。

二百八十一、第七十個問題：Plagiarism Separation

再固定：

\boxed{ NoveltyAudit \neq PlagiarismVerdict. }

二百八十二、如果 RAD 發現：

exact phrase overlap。

可標：

\boxed{ AttributionReviewNeeded. }

二百八十三、但不能直接：

\boxed{ Plagiarism=True. }

二百八十四、第七十一個問題：Confidence-Calibrated Language

禁止：

絕對全新。

除非 context 限定。

二百八十五、建議：

no close predecessor found；
strong predecessor found；
likely rediscovery；
provisional composition novelty；
unresolved due coverage gaps。

二百八十六、這就是：

Calibration Language Standard

二百八十七、第七十二個問題：Revelation Audit Dossier Schema

本文正式提出：

revelation_audit:
  audit_date: 2026-08-21

  target:
    title: ""
    source_type:
      - personal_insight
      - theory
      - manuscript

  provenance:
    known_influences: []
    independent_derivation_claim: unverified

  claims:
    - id: C1
      original: ""
      normalized: ""
      type: ontology
      centrality: high

  query_families:
    lexical: []
    semantic: []
    historical: []
    cross_domain: []
    cross_language: []
    formal: []

  searched:
    academic: []
    patents: []
    books: []
    web: []
    historical_texts: []

  languages:
    English: high
    Chinese: high
    Japanese: partial
    others: limited

  prior_art:
    - id: P1
      date:
      public_before_target: true
      facets:
        semantic: high
        structural: medium
        mechanism: low
        formal: low
        application: low
      evidence: ""

  clusters:
    - philosophical
    - cognitive

  closest_prior_art:
    single: []
    mosaic: []

  novelty_profile:
    textual: high
    semantic: low
    structural: medium
    mechanistic: medium
    formal: low
    phenomenological: low
    application: high
    composition: medium_high

  residual:
    unmatched_claims: []
    unmatched_relations: []
    unmatched_applications: []

  coverage_debt:
    languages: []
    corpora: []
    historical: []
    retrieval: []

  verdict:
    status: provisionally_novel_in_application
    confidence: medium

  prohibited_inferences:
    plagiarism_from_similarity: true
    global_novelty_from_no_match: true

二百八十八、第七十三個問題：No Single Score

最終 RAD

不應輸出：

87\%.

二百八十九、除非那是：

某個明確 similarity metric。

二百九十、而且要標：

\boxed{ SimilarityScore \neq NoveltyPercentage. }

二百九十一、第七十四個問題：Why “Revelation Audit”?

名稱帶一點幽默。

二百九十二、但框架本身：

不只適用：

spiritual insight；
mystical revelation。

二百九十三、也適用：

startup idea；
philosophy；
AI theory；
game mechanic；
research hypothesis；
design concept。

二百九十四、所以正式技術名：

Insight Prior-Art & Novelty Audit Architecture

也可以使用。

二百九十五、第七十五個問題：RAA Success

RAA 成功不是：

找到一個人打臉你。

二百九十六、而是：

把 target 放進人類知識圖譜裡。

二百九十七、找到：

ancestors；
siblings；
structural cousins；
distinct branches。

二百九十八、這樣 source 才知道：

我到底站在哪。

二百九十九、第七十六個問題：Knowledge Genealogy

本文提出：

\boxed{ KnowledgeGenealogy }

作 novelty audit 的更成熟輸出。

三百、不是只問：

新不新？

三百零一、而是：

從哪條線來？

跟哪些線平行？

哪條 edge 是新的？

三百零二、這對 AI 時代特別重要。

三百零三、第七十七個問題：Audit Can Improve Theory

找到 predecessor

不一定是壞事。

三百零四、source 可以：

學前人；
補證據；
避免重複錯誤；
找到術語；
找到 formalism。

三百零五、所以：

\boxed{ PriorArtDiscovery \to TheoryImprovement. }

三百零六、第七十八個問題：Audit as Compression

如果 100 個 predecessor

其實分 4 clusters，

三百零七、RAA 可以把 human-history search

壓成：

\boxed{ 4\ knowledge\ lineages. }

三百零八、這是 AI 真正能提高效率的地方。

三百零九、第七十九個問題：Audit as Anti-Ego / Anti-Erasure

RAA 同時避免兩個極端。

三百一十、極端 A：

我是人類第一。

三百十一、極端 B：

前人講過，所以我什麼都沒做。

三百十二、RAA 問：

\boxed{ WhatIsInherited? }

以及：

\boxed{ WhatRemains? }

三百十三、這跟前面系列的：

Preserve lineage, not dominion.

有某種結構類比。

三百十四、第八十個問題：Final Audit Logic

本文最後把 novelty audit 壓成：

\boxed{ Claim \to Search \to Match \to Difference \to Residual \to Coverage. }

三百十五、不是：

\boxed{ Claim \to AI \to Novel/NotNovel. }

三百十六、Failure Modes

Failure 1 — Whole-Theory Search Only

不拆 atomic claims。

Failure 2 — Keyword Search Only

只找同詞。

Failure 3 — English Only

漏非英語。

Failure 4 — Academic Only

漏專利／書籍／歷史文本。

Failure 5 — Semantic Only

漏 formal / structural difference。

Failure 6 — Structure Only

把語義差異壓掉。

Failure 7 — Conclusion Matching

不看 mechanism。

Failure 8 — Over-Normalization

AI 抽象過度。

Failure 9 — Under-Normalization

AI 完全不翻譯概念。

Failure 10 — Query Drift

搜到 unrelated domain。

Failure 11 — Translation Drift

跨語言意義跑掉。

Failure 12 — Early Pruning

太早只留 top results。

Failure 13 — Reranker Bias

熱門來源永遠排前。

Failure 14 — Closed-Book Citation

AI 憑記憶亂報 predecessor。

Failure 15 — Unverified Citation

找不到原文。

Failure 16 — Similarity = Plagiarism

錯誤指控。

Failure 17 — No Match = Global Novelty

錯誤證書。

Failure 18 — Single Score

把多維 novelty 壓成百分比。

Failure 19 — Patent Standard Overreach

法律 prior art 偷換一般理論。

Failure 20 — Benchmark Overreach

LLM benchmark 當 novelty truth。

Failure 21 — Digital Corpus = Human History

忽略未數位化。

Failure 22 — No Coverage Debt

假裝搜完整。

Failure 23 — One Predecessor Fallacy

忽略 mosaic prior art。

Failure 24 — Component Fallacy

零件舊就說組合舊。

Failure 25 — Composition Fallacy

組合沒找到就說證明新。

Failure 26 — Phenomenology = Ontology

體驗近鄰偷換宇宙論。

Failure 27 — Formal Analogy = Theory Identity

數學同構偷換語義。

Failure 28 — Prior Art = No Contribution

忽略應用／形式化。

Failure 29 — Novelty = Utility

忽略實用。

Failure 30 — Audit = Truth Test

搞錯任務。

三百十七、核心命題

命題 1

\boxed{ NoveltyAudit \neq KeywordSearch. }

命題 2

\boxed{ WholeTheory \to AtomicClaims }

是高覆蓋 audit 的必要前處理候選。

命題 3

\boxed{ OriginalClaim + NormalizedClaim }

應同時保留。

命題 4

\boxed{ RetrievalGrounding > ClosedBookNoveltyGuess }

作現階段方法候選。

命題 5

\boxed{ BroadRetrieve \to FacetRerank }

可降低 early-pruning 風險。

命題 6

\boxed{ TextualNovelty \neq SemanticNovelty \neq StructuralNovelty. }

命題 7

\boxed{ ConclusionSimilarity \neq MechanismSimilarity. }

命題 8

\boxed{ FormalAnalogy \neq TheoryIdentity. }

命題 9

\boxed{ PhenomenologicalSimilarity \neq OntologicalIdentity. }

命題 10

\boxed{ ConceptNovelty \neq ApplicationNovelty. }

命題 11

\boxed{ ComponentNovelty \neq CompositionalNovelty. }

命題 12

\boxed{ EnglishSearchOnly \neq GlobalSearch. }

命題 13

\boxed{ MultilingualModel \neq EqualCoverageAcrossLanguages. }

命題 14

\boxed{ GraphSimilarity \neq TheoryIdentity. }

命題 15

\boxed{ PriorArtAudit \neq PlagiarismAudit. }

命題 16

\boxed{ NoMatchInCorpus \neq NoMatchInHumanHistory. }

命題 17

\boxed{ NoveltyResidual \neq ContributionResidual. }

命題 18

\boxed{ SimilarityScore \neq NoveltyPercentage. }

命題 19

\boxed{ AISearch \neq NoveltyProof. }

命題 20

\boxed{ Audit = Claim \to Search \to Match \to Difference \to Residual \to Coverage. }

三百十八、Non-Claims

本文明確不主張：

不主張 RAA 可以證明全球新穎性。
不主張 RAA 可以證明沒有抄襲。
不主張 RAA 可以判定人的主觀誠實。
不主張 similarity score 是 novelty score。
不主張 graph similarity 是 theory identity。
不主張 formal similarity 是 semantic identity。
不主張 phenomenological similarity 是 ontology identity。
不主張 application novelty 代表 concept novelty。
不主張 compositional novelty 可以單靠沒搜到證明。
不主張所有 atomic claim 都可正確抽取。
不主張 LLM normalization 永遠可靠。
不主張 query expansion 永遠提高 recall。
不主張 cross-domain mapping 永遠正確。
不主張 historical terminology 可被 AI 完整生成。
不主張 machine translation 可保留所有哲學語義。
不主張 multilingual embeddings 對所有語言公平。
不主張 CLIRudit 結果泛化所有語言。
不主張 low-resource language retrieval 問題已解決。
不主張 broad retrieval 一定找到真 prior art。
不主張 facet reranking 一定提高每個 domain accuracy。
不主張 Idea Novelty Checker 是 universal novelty standard。
不主張 SchNovel benchmark 是全球 novelty ground truth。
不主張 SemNovel semantic distance 是歷史 novelty truth。
不主張 biomedical entity/relation novelty 可直接泛化哲學。
不主張 graph-based patent retrieval 可直接等同 theory retrieval。
不主張 patent examiner citation 是一般 epistemic truth。
不主張 OpenScholar corpus 涵蓋所有 science。
不主張 retrieval-grounding 消除 hallucination。
不主張 citation verification 可百分百自動。
不主張 public availability date 永遠容易確定。
不主張 web page date 永遠可信。
不主張 mosaic prior art 等於 legal obviousness。
不主張 patent obviousness / inventive-step doctrine 可直接套一般理論。
不主張 RAA 應自動公開 private spiritual material。
不主張個人 mystical experience 必須接受 novelty audit。
不主張所有 insight 都需要 historical-firstness。
不主張 novelty 高代表 theory 好。
不主張 novelty 低代表 theory 沒價值。
不主張 prior-art discovery 對 source 一定負面。
不主張 source 必須接受 AI 的 closest-prior-art 判定。
不主張 human reviewer 無 bias。
不主張 multiple models 一定消除 bias。
不主張 novelty confidence 是客觀 probability。
不主張 coverage debt 可精確量化。
不主張 RAA 已是 production software。
不主張本文已完成 TI-06 的 practical utility test。
本文真正建立的是：AI 時代的新穎性調查應從「找相同文字」升級成多視角 prior-art audit：先把敘述拆成 atomic claims 與 relation graph，再用 lexical、semantic、cross-lingual、historical、structural、mechanistic、formal、phenomenological、application 與 compositional search arms 做高覆蓋 retrieval，最後以 facet-based comparison、chronology、residual contribution 與 coverage debt 輸出可追溯的 Novelty Dossier。這套架構只能產生 coverage-aware provisional assessment，不能把「沒找到」偽裝成全球新穎性證明，也不能把「找到很像」偽裝成抄襲證明。

三百十九、Claim Typing

主張	類型	狀態
IndependentDerivation ≠ HistoricalNovelty	TI-04	inherited
PriorArtFound ≠ Plagiarism	TI-04	inherited
NoPriorArtFound ≠ GloballyNovel	TI-04	inherited
Novelty Profile	TI-04	inherited
Atomic Novelty Decomposition	TI-04	inherited
High-Coverage Novelty Search	TI-04	inherited
RAG-Novelty improves novelty-assessment baselines	ACL 2025	supported
Idea Novelty Checker uses broad retrieval + embedding filter + facet rerank	ACL SDP 2025	supported
facet reranking improved relevance agreement in Idea Novelty Checker	ACL SDP 2025	supported
cross-lingual scholarly retrieval benefits from multilingual/dense or translation routes	CLIRudit 2025	supported
low-resource retrieval remains uneven	2025 retrieval survey	supported
graph representation improves/helps patent prior-art retrieval	SIGIR 2023 / Graph Transformer 2025	supported
biomedical novelty can be decomposed into entity/relation novelty	AMIA 2025	supported
retrieval-augmented scientific synthesis improves grounding but remains corpus-limited	Nature 2025	supported
Revelation Audit Architecture	synthesis	new
Insight Prior-Art Graph	architecture	new
Multi-View Novelty Retrieval	methodology	new
Query Family Expansion	methodology	new
Cross-Lingual Dual Route	methodology	new
Structural Graph Search Arm	methodology	new
Mechanism Search Arm	methodology	new
Formal Skeleton Search Arm	methodology	new
Phenomenological Search Arm	methodology	new
Application Search Arm	methodology	new
Combination Lattice Search	methodology	new
Composition Residual	synthesis	new
Prior-Art Facet Matrix	artifact	new
Source-Dependence Firewall	audit governance	new
Retrieval Recall Debt	audit debt	new
Reranker Bias Debt	audit debt	new
Novelty Residual	synthesis	new
Contribution Residual	synthesis	new
Revelation Audit Dossier	research artifact	new
Coverage-Aware Verdict	audit principle	new
Audit Confidence Vector	formalization	new
Calibration Language Standard	reporting standard	new
Adversarial Prior-Art Querying	anti-bias method	new
Mosaic Prior Art	synthesis	new
Audit Reproducibility Bundle	engineering artifact	new
AI Novelty Audit Non-Certification Principle	governance principle	new

三百二十、外部文獻接口

1. Lin, Peng & Fang (2025) — SchNovel / RAG-Novelty

該研究建立 SchNovel benchmark，並使用 retrieval-augmented novelty assessment。

本文吸收：

\boxed{ RetrievalGrounding > ClosedBookNoveltyGuess }

作現階段方法方向。

但其 benchmark 將較新的 paper 視作較 novel，不能當 global novelty truth。

來源： https://aclanthology.org/2025.aisd-main.5/

2. Shahid et al. (2025) — Literature-Grounded Novelty Assessment

該研究提出 Idea Novelty Checker：

broad keyword / snippet retrieval；
embedding-based filtering；
facet-based LLM reranking；
literature-grounded novelty reasoning。

其實驗報告約提高 13% agreement。

本文把此架構擴張到：

structural；
mechanism；
phenomenology；
application；
composition。

來源： https://aclanthology.org/2025.sdp-1.9/

3. Valentini, Kozlowski & Larivière (2025) — CLIRudit

CLIRudit 專門研究跨語言學術檢索，指出：

academic prior art 可能存在於不同 query language 的文獻中。

其實驗比較 dense / sparse retrieval 與 translation routes。

本文據此建立：

Cross-Lingual Dual Route

來源： https://aclanthology.org/2025.mrl-main.16/

4. Daniell et al. (2023) — Graph-Based Patent Search

該 SIGIR 工作把 patent document 轉成描述 invention parts 與 relations 的 graph，再用圖模型找 prior art。

本文由此吸收：

\boxed{ StructuralGraphSearch }

作文字／語義以外的獨立 search arm。

來源： https://doi.org/10.1145/3539618.3591842

5. Daniell, Buzhinsky & Björkqvist (2025) — Graph Transformer Patent Search

此工作使用 invention graph + Graph Transformer 做 prior-art dense retrieval，並以 examiner citations 作 domain-specific relevance signal。

本文只吸收：

relational graph 可以捕捉純文字 similarity 以外的 prior-art signal。

來源： https://arxiv.org/abs/2508.10496

6. Hu et al. (2025) — Entity / Relation Novelty

該 biomedical novelty framework 把文章分成：

No Novelty；
Entity-only Novelty；
Relation-only Novelty；
Entity-Relation Novelty。

本文借此支持：

\boxed{ OldEntities \not\Rightarrow OldRelations. }

來源： https://pmc.ncbi.nlm.nih.gov/articles/PMC12919535/

7. Zhao & Zhang (2025) — Novelty Measurement Review

Scientometrics review 指出 novelty measure 類型很多，且 scientific novelty 與 originality、innovation、creativity、breakthrough 必須區分。

本文據此拒絕：

\boxed{ Novelty = SingleUniversalScore. }

來源： https://ideas.repec.org/a/spr/scient/v130y2025i2d10.1007_s11192-025-05234-0.html

8. OpenScholar / Nature (2025)

OpenScholar 建立 45M scientific papers、236M passage embeddings 的 scientific retrieval datastore，配合 retrieval / reranking / self-feedback。

其研究同時顯示 closed-book general LMs 在要求近期科學文獻 citation 時可能產生大量 fabricated citations。

本文據此固定：

\boxed{ ClosedBookCitation \neq ReliablePriorArtSearch. }

來源： https://doi.org/10.1038/s41586-025-10072-4

9. Peng et al. (2025) — SemNovel

SemNovel 以 LLM embeddings 建 biomedical semantic novelty signal。

作者同時指出 biomedical novelty 目前沒有 widely recognized universal measure。

本文據此採：

\boxed{ SemanticSimilarity }

作 audit signal，

而不是 global novelty truth。

來源： https://www.sciencedirect.com/science/article/pii/S1532046425001819

三百二十一、研究債務

TI-05 完成後留下：

atomic claim extraction benchmark；
claim graph parser；
multilingual query generator；
historical terminology verification；
graph-similarity metric；
mechanism schema；
formal-skeleton extraction；
phenomenology vector；
application-domain mapping；
combination-lattice budget；
retrieval saturation criterion；
reranker calibration；
citation verification；
chronology verification；
public-availability verification；
mosaic-prior detection；
coverage-debt representation；
novelty residual formalization；
contribution residual formalization；
RAD JSON schema；
reproducibility bundle；
human escalation workflow；
audit privacy；
novelty/utility coupling。

三百二十二、結論

我們一開始開玩笑說：

「你說這是宇宙啟示？好，AI 幫你查一下人類有沒有啟示過。」

真正做成理論後，

它已經不是一句嘲諷。

因為「查一下」本身其實非常難。

如果只用：

你原本那幾個字。

你很可能得到：

\boxed{ FalseNovelty. }

因為 predecessor 可能：

換名；
換語言；
換領域；
換數學表示。

但如果 AI 太 aggressive：

把所有東西都抽象成 feedback。

你又會得到：

\boxed{ FalseNearNeighbor. }

所以真正成熟的 novelty audit

必須同時保存：

\boxed{ OriginalMeaning }

與：

\boxed{ SearchableAbstraction. }

然後以：

\boxed{ MultiViewSearch. }

去問：

文字像嗎？

語義像嗎？

關係圖像嗎？

mechanism 像嗎？

formal skeleton 像嗎？

experience 類型像嗎？

application 有人做過嗎？

components 的組合有人接過嗎？

最後真正有價值的不是：

「原創度 87%。」

而是：

Knowledge Genealogy

你會知道：

這一部分跟 1890 年的 A 很像。

這個 mechanism 在 1974 年的 B 有 formal predecessor。

你的 personal phenomenology 在 C tradition 中有大量 near-neighbor。

但把這三條線接到 AI decision tool 的這個 application，目前沒有找到很近的 predecessor。

這時才可以說：

\boxed{ ProvisionallyNovelInApplication/Composition. }

而不是：

\boxed{ HumanityFirst. }

這反而更有用。

因為 source 不只知道：

自己新不新。

還知道：

可以去讀誰。

哪個詞其實已經存在。

哪個 formalism 可直接借。

哪條路前人已經踩雷。

所以 prior-art audit

不只是：

\boxed{ DeNovelize. }

它也可以：

\boxed{ AccelerateTheory. }

最後，TI-05 留下四句。

第一：

\boxed{ \textbf{ 真正的新穎性調查不是找相同句子，而是找相同或相近的知識結構。 } }

第二：

\boxed{ \textbf{ AI 可以讓 prior-art 搜尋更廣、更跨語言、更跨學科，但不能把有限 corpus 偽裝成人類全部歷史。 } }

第三：

\boxed{ \textbf{ 找到前人之後真正要問的不是「你完了」，而是「哪些部分已知，哪些 relation、mechanism、application 或 composition 還剩下」。 } }

第四：

\boxed{ \textbf{ 一個好的 novelty audit 最後應該給你一張知識家譜，而不是一個虛假的原創百分比。 } }

TI-06｜所以呢？請把你的洞見變成對世界有用的東西

從超越性主張到信念無關效用、MVP 與公共價值

系列最後一篇將正式合併：

\boxed{ Gate_0 = EpistemicTyping }

\boxed{ Gate_1 = NoveltyAudit }

\boxed{ Gate_2 = OperationalUtility. }

並建立：

Belief-Independent Utility；
baseline comparison；
contribution isolation；
usefulness without ontology；
theory-new / artifact-old；
theory-old / artifact-new；
MVP public value；
failure-driven revision；
no-awakening-excuse；
final TIPS pipeline。

TI-05｜啟示審計器

TI-05｜啟示審計器

AI 全域 Prior-Art、語義近鄰、結構同構與組合新穎性調查

Revelation Audit

An AI-Assisted Prior-Art, Semantic, Structural, Mechanistic, and Compositional Novelty Audit

前置文件

一、來源邊界

二、本文新增

三、摘要

Multi-View Novelty Profile

Revelation Audit Architecture（RAA）

啟示審計架構

Atomic Claim Extraction

Query Family Expansion

Cross-Lingual Retrieval

Broad Retrieve / Narrow Rerank

Structural Search

Structural Graph Search Arm

Mechanism Search

Formal Skeleton Search

Phenomenological Search

Application Search

Composition Search

Composition Residual

Revelation Audit Dossier（RAD）

四、關鍵詞

五、第一個問題：為什麼不能直接整篇搜尋？

六、所以：

Atomic Claim Extraction

七、再保留：

八、因此兩層都查

九、Atomic Claim Graph

十、 VCV_CVC​

十一、 ECE_CEC​

十二、example

十三、如果只搜整句：

十四、第二個問題：原始語言要不要保留？

十五、本文提出：

Dual Representation Rule

十六、因 AI normalization

十七、例如：

十八、這可能是：

十九、反過來：

二十、所以兩者都要。

二十一、第三個問題：Query Families

二十二、 QLQ_LQL​：Lexical

二十三、 QSQ_SQS​：Semantic

二十四、 QHQ_HQH​：Historical

二十五、 QXQ_XQX​：Cross-domain

二十六、 QFQ_FQF​：Formal

二十七、 QPQ_PQP​：Phenomenological

二十八、這六組 query

二十九、但比 single-query 強。

三十、第四個問題：Lexical Search Arm

三十一、優點：

三十二、缺點：

三十三、因此：

三十四、第五個問題：Semantic Search Arm

三十五、2025 SchNovel / RAG-Novelty

三十六、但其 benchmark

三十七、所以：

三十八、本文只吸收：

三十九、第六個問題：Two-Stage Retrieval

四十、本文直接採用：

Broad Retrieve / Narrow Rerank Principle

四十一、Broad Retrieve 目的：

四十二、Rerank 目的：

四十三、不能一開始就只取 top-3。

四十四、否則：

四十五、第七個問題：Facet Vector

四十六、prior art P

四十七、比較：

四十八、不只：

四十九、第八個問題：Entity Novelty

五十、這非常適合本文。

五十一、如果 entity 都舊：

五十二、仍可能有 contribution。

五十三、所以：

五十四、第九個問題：Relation Novelty

五十五、但第一次明確提出：

十、 $V_C$

十一、 $E_C$

二十二、 $Q_L$ ：Lexical

二十三、 $Q_S$ ：Semantic

二十四、 $Q_H$ ：Historical

二十五、 $Q_X$ ：Cross-domain

二十六、 $Q_F$ ：Formal

二十七、 $Q_P$ ：Phenomenological