SOBTA 的未來真正用途：AI 原生自然科學域擴張、GAP 探索與 SEDB 累積式研究基礎設施

The Future Operational Use of SOBTA: AI-Native Natural-Science Domain Expansion, Gap Discovery, and SEDB-Based Cumulative Research Infrastructure

文件編號：EML-SOBTA-APP-2026-01-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-03
文件性質：未來研究白皮書／AI 原生科學方法論／自然科學域擴張／SEDB 基礎設施
狀態：Public Future Research Draft
理論前置：SOBTA《主客邊三域代數》v0.1
工程前置：SEDB（沿用作者既有 SEDB 工程脈絡）
重要說明：本文只固定 SOBTA 未來在自然科學中的主要研究位置與 AI 原生工作流；其餘作者既有方法論、搜尋方法、驗證框架、計算框架與跨理論工具，因本文上下文限制不在此完整展開，未來可逐步接入。

摘要

SOBTA（Subject–Object–Boundary Tri-Domain Algebra）近期曾被投影至 AI、認知科學、主體性、語言與認識論，但這些並不是它未來唯一、亦非其最終主要用途。

本文提出 SOBTA 的一個更直接而具工程意義的長期方向：

讓未來 AI 以 SOBTA 為其中一個底層關係框架，重新走遍物理學、化學、熱力學、材料學、生物學、地球科學、天文學與其他自然科學，從基本粒子、原子、分子、材料、細胞、個體、群體、域一直到世界尺度，持續搜尋現有科學模型中的 GAP、未建模邊界、尺度轉換缺口與尚未被正式升格的自然科學域。

核心問題不再只是：

X_1 \leftrightarrow X_2

之間發生什麼作用，而是：

\boxed{ X_1 \bowtie X_2 \bowtie \mathcal D_\partial }

其中：

\mathcal D_\partial

表示在當前二域或多域模型中，被當成 boundary condition、environment、effective term、noise、residual、interface、higher-order correction 或尚未明確分配之自由度的候選邊界域／底空間域。

SOBTA 不預設：

\mathcal D_\partial\neq\varnothing

一定成立，而是建立一個 AI 原生研究程序，持續問：

現有模型是否把一個具有自身狀態、規則、不變量、尺度、因果作用或可測量效應的自然域，錯誤壓縮成了單純修正項或背景條件？

若候選 GAP 經過跨文獻檢索、現有理論對照、已知變量排除、殘差重複性檢查、跨尺度一致性檢查、可觀測量設計、反例與替代理論競爭後，仍顯示具有獨立建模價值，則可由：

\mathcal D_{\partial,n}

逐步升格為：

\mathcal D_{n+1}.

形成：

\boxed{ \text{Known Domain} \rightarrow \text{Boundary Gap} \rightarrow \text{Candidate Domain} \rightarrow \text{Validated Domain} \rightarrow \text{New Boundary}. }

但這類工作不能依靠一次性對話完成。若 AI 每次只完成一組粒子、一組分子、一種材料、一個細胞系統或一段跨學科文獻，然後上下文結束，系統就無法知道哪些已掃描、哪些只做過粗掃、哪些 GAP 已否決、哪些候選仍待驗證、哪些證據已吸收、哪些尺度尚未覆蓋、下一輪應從哪裡接續。

因此 SOBTA 的自然科學用途必須與 SEDB 類累積式資料海／狀態演化資料庫結合。

SEDB 在此不只是儲存論文全文，而應保存：

\boxed{ \text{Data} + \text{Domain State} + \text{Gap State} + \text{Evidence} + \text{Negative Results} + \text{Coverage} + \text{Provenance} + \text{Next Actions}. }

也就是：

SEDB 必須讓 AI 知道「整個自然科學研究空間現在走到哪裡」，而不只是讓 AI 能搜尋某篇資料。

因此未來系統可暫寫為：

\boxed{ \text{SOBTA} + \text{SEDB} + \text{AI-Native Search} + \text{Verification} + \text{Simulation / Experiment Interfaces} = \text{Cumulative Domain-Expansion Science}. }

SOBTA 只是其中負責主／客／邊域切分、邊界未收納項識別、域升格、跨尺度 Lift、三域張力與 GAP 定位的一個基礎結構。

本文最終主張：

\boxed{ \text{The future use of SOBTA is not to reinterpret natural science once, but to let AI continuously traverse, audit, expand, and re-map the domain structure of natural science over time}. }

SOBTA 的未來真正用途，不是把自然科學重新解釋一次；而是讓 AI 長期、累積地走遍自然科學，持續審計目前的域切分，尋找 GAP，將值得獨立建模的邊界結構升格為新域，再從新的域界繼續展開。

1. 問題不是「AI 能不能讀完自然科學」

未來 AI 很可能可以搜尋大量論文、讀取資料庫、比較模型、執行模擬、產生假說與操作實驗代理。

本文真正關心的是：

\boxed{ \text{AI 能不能累積地知道：自然科學的域空間到底被走到哪裡？} }

一次性 Agent 的形式是：

\boxed{ Input \rightarrow Answer. }

累積式科學 Agent 應該是：

\boxed{ State_t + Task_t \rightarrow State_{t+1}. }

核心不是一次答案，而是：

\boxed{ \Delta State. }

2. SOBTA 負責 Relational Domain Audit

對任何：

X_1 \leftrightarrow X_2

持續問：

哪個是當前主域／參照域？
哪個是客體域？
兩者透過什麼邊界作用？
邊界是否只是操作界面？
邊界是否存在未收納自由度？
是否存在不可約三元項？
是否值得升格成獨立域？
升格後新邊界在哪？

最小模型：

\boxed{ Y = f_{12} + f_{1\partial} + f_{2\partial} + f_{12\partial} + \epsilon. }

其中：

$f_{12}$ ：已知雙域直接作用；
$f_{1\partial}$ ：X1 與邊界域作用；
$f_{2\partial}$ ：X2 與邊界域作用；
$f_{12\partial}$ ：不可約三域耦合候選；
$\epsilon$ ：尚未解釋殘差。

但：

\boxed{ \epsilon\neq0 \not\Rightarrow \text{New Domain}. }

殘差也可能只是測量誤差、數據污染、漏變量、近似、統計錯誤或實驗偏差。

3. Candidate Boundary Domain

只有在已知因素被逐步排除後，才建立：

\boxed{ D_\partial^{candidate}. }

最低候選資格：

\boxed{ Q_D = ( State, Regularity, Persistence, Constraint, Observability, PredictiveGain ). }

也就是要問：

有沒有可區分狀態？
有沒有穩定規律？
是否跨條件持續？
是否對其他域施加不可任意改寫的限制？
是否存在直接或間接可測量量？
加入候選域是否提高預測或解釋力？

只有命名沒有增益不算新域：

\boxed{ \text{Name} \neq \text{Domain Discovery}. }

4. 從基本粒子一路掃到世界

未來 AI 要遍歷：

\boxed{ \begin{aligned} \text{Fundamental} &\rightarrow \text{Particle} &\rightarrow \text{Atomic} &\rightarrow \text{Molecular} &\rightarrow \text{Mesoscopic} &\rightarrow \text{Material} &\rightarrow \text{Cellular} &\rightarrow \text{Organism} &\rightarrow \text{Ecological} &\rightarrow \text{Planetary} &\rightarrow \text{Astronomical} &\rightarrow \text{Cosmological}. \end{aligned} }

這不是一條嚴格線性階梯，而更像圖：

\boxed{ \mathcal G_{\mathrm{NS}} = ( V_D, E_I, E_L, E_B ). }

其中：

$V_D$ ：已知自然科學域；
$E_I$ ：已知 interaction；
$E_L$ ：跨尺度 Lift；
$E_B$ ：邊界域／GAP 關係。

5. 粒子、原子、分子

從：

P_i\leftrightarrow P_j

開始，AI 問：

現有 interaction model 是什麼？
依賴哪些 field、geometry、state？
哪些條件被當成 background？
是否有 unexplained residual？

再到：

A_i\leftrightarrow A_j

與：

M_i\leftrightarrow M_j.

分子層可能涉及 solvent、local field、catalytic environment、confinement、interface、collective state。

SOBTA 不宣稱這些是新發現。它要先查：

現有科學是否早已把它們升格為正式域？

若已知：

\boxed{ \text{Gap Candidate} \rightarrow \text{Known Domain}. }

資料庫必須記錄「已覆蓋」，避免 AI 重複發明已知科學。

6. 材料、熱力學、生物學

材料中，grain boundary、phase boundary、stress field、interface state 等很多早已是成熟對象。這些反而是 SOBTA 的校準案例。

SOBTA 真正要學的是：

\boxed{ \text{何時 boundary 應升格成 domain？} }

熱力學中，傳統已有：

System+Surroundings+Boundary.

SOBTA 問：

\boxed{ \text{Boundary as bookkeeping surface} \overset{?}{=} \text{Boundary as active physical domain}. }

非平衡系統可能存在 gradient、interface transport、localized entropy production、state-dependent boundary dynamics。

生物學中：

Cell_A\leftrightarrow Cell_B

之間可能有 extracellular matrix、chemical gradient、microbiome、tissue mechanics、immune environment。

問題仍然是：

\boxed{ \text{Environment} \overset{?}{=} \text{independent structured domain}. }

7. 從個體到域，再到世界

某個：

X

先作 individual。

多個 X 可形成：

D_X.

域本身再成為新客體：

\boxed{ D_X \rightarrow O_{n+1}. }

再形成：

D_X \bowtie D_Y \bowtie D_\partial.

本文暫把「世界」操作化成：

\boxed{ W_n = \text{current closure of recognized natural-science domains}. }

這不是終極世界本體定義，只是研究狀態。

新域被發現後：

\boxed{ W_n \rightarrow W_{n+1}. }

所以：

\boxed{ \text{World Model} \neq \text{Final World}. }

8. GAP 必須分類

未來 AI 不應把所有 gap 混在一起。

至少區分：

\boxed{ \mathcal G = \{ G_M, G_D, G_S, G_I, G_O, G_X, G_{model} \}. }

其中：

$G_M$ ：Measurement Gap；
$G_D$ ：Data Gap；
$G_S$ ：Scale Gap；
$G_I$ ：Interface Gap；
$G_O$ ：Ontology Gap；
$G_X$ ：Cross-Disciplinary Gap；
$G_{model}$ ：Model Gap。

而：

\boxed{ \text{Gap} \neq \text{Domain}. }

只有部分 GAP 最後會：

\boxed{ G \rightarrow D_\partial^{candidate}. }

9. Domain Promotion

定義：

\boxed{ \operatorname{Promote}_D(G) \rightarrow D^{candidate}. }

Promotion Gate 至少需要：

非平凡狀態；
穩定規律；
可測效應；
跨樣本重現；
新預測增益；
非純命名。

而：

\boxed{ D^{candidate} \neq D^{accepted}. }

候選域仍必須和已知理論、hidden variable、measurement artifact、statistical explanation、scale effect 競爭。

10. 真正 AI 原生的地方：持續研究狀態

AI 原生科學不是「用 AI 寫論文」。

真正差異是 AI 自己維持：

\boxed{ \text{long-running scientific state}. }

它要知道：

哪裡已掃描；
哪裡沒掃描；
哪裡只做過粗掃；
哪些候選已否決；
哪些候選等待實驗；
哪些域已升格；
哪些邊界已遷移。

這就是 SEDB 必須存在的原因。

11. SEDB 不是普通文件庫

最低科學狀態：

\boxed{ \mathcal S_{\mathrm{SEDB}} = ( Data, DomainGraph, GapRegistry, EvidenceLedger, FailureLedger, CoverageMap, Provenance, Queue ). }

Data

保存：

論文；
數據；
方程；
圖表；
模擬；
實驗記錄。

DomainGraph

\boxed{ \mathcal G_D. }

保存 domain、subdomain、interface、scale、relation。

GapRegistry

\boxed{ \mathcal R_G. }

每個 gap 至少有：

ID；
類型；
來源；
狀態；
相關域；
證據；
下一步。

EvidenceLedger

\boxed{ \mathcal L_E. }

保存支持與反駁。

FailureLedger

\boxed{ \mathcal L_F. }

保存哪些路已證明沒用。

否則 AI 會把失敗路徑無限重跑。

12. CoverageMap：不然怎麼知道「完成了」？

這正是一次性 AI 最難解的問題。

不能只記：

\text{Done}=\text{True}.

應該保存多維 coverage：

\boxed{ Coverage(D) = ( Literature, Models, Data, Scale, Boundary, Experiment, Verification ). }

也就是：

文獻掃描深度；
已知模型覆蓋度；
數據覆蓋度；
尺度覆蓋；
邊界掃描；
實驗狀態；
異質驗證狀態。

所以「完成」應是：

\boxed{ \text{CompleteEnough}(D,Q,\theta). }

表示：

對某問題 Q，在門檻 $\theta$ 下足夠完成。

而不是：

\boxed{ \text{Task Completion} = \text{Domain Finality}. }

13. Next Actions

SEDB 還必須保存：

\boxed{ Queue(D) = \{a_1,a_2,\ldots\}. }

下一個 AI 接手時不應從：

「這個領域是什麼？」

重新開始。

而應直接知道：

上次停在哪個 GAP？
哪個候選要再搜尋？
哪個實驗缺資料？
哪個跨尺度關係還沒做？

這才叫：

\boxed{ \text{Cumulative AI Science}. }

14. 母循環

未來真正的 AI 原生科學循環：

\boxed{ \begin{aligned} \text{Select Domain} &\rightarrow \text{Load SEDB State} &\rightarrow \text{Search} &\rightarrow \text{Extract Models} &\rightarrow \text{Run SOBTA Audit} &\rightarrow \text{Detect GAP} &\rightarrow \text{Classify GAP} &\rightarrow \text{Test Candidate Domain} &\rightarrow \text{Verify} &\rightarrow \text{Update SEDB} &\rightarrow \text{Choose Next Frontier}. \end{aligned} }

每輪都必須留下狀態增量：

新文獻；
新否決；
新候選；
新 coverage；
新 domain relation；
新下一步。

15. 三種研究債務

本文先提出：

\boxed{ Debt_C = \text{Coverage Debt}. }

即重要域區尚未充分掃描。

\boxed{ Debt_G = \text{Gap Debt}. }

即已知 GAP 尚未解決或分類。

\boxed{ Debt_V = \text{Verification Debt}. }

即候選結論尚缺獨立驗證。

SEDB 的重要價值之一，就是讓這些債務不會隨 context 結束而消失。

16. SEDB 是資料海，也是研究狀態機

未來自然科學資料量會極大。

但重點不是「能存很多」。

而是能做：

\boxed{ \operatorname{ReconstructContext}(Task). }

Context 不應只是 top-k 文件，而應包含：

current domain；
neighboring domains；
unresolved gaps；
negative results；
canonical equations；
coverage state；
provenance。

AI 才知道：

現在到底在幹嘛。

17. 多 AI 也必須共享同一研究狀態

未來可分：

\boxed{ \{ Searcher, Extractor, Modeler, Critic, Simulator, Verifier, Integrator \}. }

但所有角色必須共用 SEDB。

否則：

\boxed{ \text{Parallel Intelligence} + \text{Fragmented Memory}. }

SEDB 的核心地位是：

\boxed{ \text{Shared Persistent Scientific State}. }

18. SOBTA 與 SEDB 的分工

SOBTA：

\boxed{ \text{Where might the domain boundary be wrong or incomplete?} }

SEDB：

\boxed{ \text{What have we already learned about that question across time?} }

AI：

\boxed{ \text{What should be searched, tested, modeled, or verified next?} }

三者合起來：

\boxed{ \text{Persistent AI-Native Domain Discovery}. }

19. Missing Variable 不等於 Missing Domain

這是 SOBTA 真正有價值的地方之一。

\boxed{ \text{Missing Variable} \neq \text{Missing Domain}. }

Missing Variable：

在既有域內補一個變量。

Missing Domain：

整個作用空間的切分可能有問題。

所以 SOBTA 更像：

\boxed{ \text{Missing-Domain Hypothesis Generator}. }

但它不自己證明候選域存在。

因此：

\boxed{ \text{SOBTA Discovery} \neq \text{Scientific Acceptance}. }

20. 自然科學資料海中的 Novelty Illusion

未來 AI 很容易「發現」其實早已存在的東西。

因此任何候選域先經：

\boxed{ \text{Already Known?} }

搜尋：

同義詞；
不同學科命名；
歷史理論；
邊緣文獻；
近似模型。

若已知：

\boxed{ \text{Link} \neq \text{Claim Novelty}. }

真正的新域需要：

\boxed{ \text{Novel Structure} + \text{Novel Explanatory Gain} + \text{Independent Validation}. }

這同樣需要 SEDB 記得「以前查過沒有」。

21. 研究歷史要單調累積，不要求結論單調增加

候選域可以：

合併；
被否決；
降級；
重開。

因此 domain graph 節點數不必單調增加。

真正應單調累積的是：

\boxed{ History_{t+1} \supseteq History_t. }

即使錯誤也保存。

因此：

\boxed{ RejectedCandidate \neq DeletedCandidate. }

未來新證據仍可：

\boxed{ Rejected \rightarrow Reopen. }

22. SEDB 最低資料單位不應只是 Document

可以進一步成為：

\boxed{ \mathcal O_S = ( ID, Type, Domain, Relations, Evidence, Status, Confidence, Provenance, History ). }

Type 可包括：

entity；
domain；
gap；
hypothesis；
model；
experiment；
negative result。

每一輪 AI 更新的是 scientific state object，而不是重新建立整個研究世界。

23. 完整自然科學研究圖

可暫寫：

\boxed{ \mathcal G_{\mathrm{Science}} = ( D, G, M, E, X, P ). }

其中：

$D$ ：Domains；
$G$ ：Gaps；
$M$ ：Models；
$E$ ：Evidence；
$X$ ：Experiments / Simulations；
$P$ ：Provenance。

SOBTA 主要掃描：

\boxed{ \operatorname{Audit}_{SOBTA}(D,G). }

SEDB 保存：

\boxed{ \mathcal G_{\mathrm{Science}}(t). }

24. 這不是普通 Automated Science

普通自動科學常做：

\theta^* = \arg\min L(\theta).

也就是在既有模型裡找最佳參數。

這個計畫還要搜尋：

\boxed{ \mathcal D^* = \operatorname{SearchDomainStructure} ( Data, Models, Gaps ). }

也就是：

連變量空間與域切分本身都可以被質疑。

25. 為什麼是未來 AI 才能做？

不是因為人類不能理解。

而是：

\boxed{ \text{Search Space} \times \text{Scale} \times \text{Literature} \times \text{Iteration} }

太大。

人類可以發明方法。

但要從粒子、分子、材料、生物一路走到世界，反覆：

\boxed{ \text{Read} \rightarrow \text{Audit} \rightarrow \text{Record} \rightarrow \text{Resume}, }

更適合 AI 原生研究系統。

真正關鍵是：

\boxed{ \text{Resume}. }

沒有 SEDB：

\boxed{ \text{Read} \rightarrow \text{Audit} \rightarrow \text{Forget}. }

有 SEDB：

\boxed{ State_t \rightarrow State_{t+1} \rightarrow State_{t+2}. }

這才是累積式科學。

26. 未來研究計畫

本文暫定：

\boxed{ \text{SOBTA Natural-Science Domain Expansion Program}. }

第一階段：SEDB 資料海與研究狀態

建立：

Domain Graph；
Gap Registry；
Evidence Ledger；
Failure Ledger；
Coverage Map；
Versioning；
Queue。

第二階段：成熟領域校準

先選：

材料 interface；
熱力學 boundary；
分子環境作用；

等成熟案例。

目的不是宣稱新發現，而是測試 SOBTA 能否：

正確識別已知 boundary domain；
不重複發明既有科學；
正確判斷 domain promotion。

第三階段：跨學科 GAP

例如：

Physics \leftrightarrow Chemistry

Chemistry \leftrightarrow Biology

Thermodynamics \leftrightarrow Materials.

第四階段：跨尺度 Lift

\Gamma_n \rightarrow \Gamma_{n+1}.

例如：

粒子 → 原子；
原子 → 分子；
分子 → 材料；
細胞 → 組織；
個體 → 生態。

第五階段：全自然科學 Coverage

建立：

\boxed{ \mathcal C_{\mathrm{NS}}(t). }

第六階段：自主 Frontier Selection

AI 依 coverage debt、gap debt、verification debt 與科學價值，自主決定下一輪。

27. 仍需其他方法論

完整計畫未來還需要接入作者其他：

搜尋方法；
計算方法；
形式驗證；
模擬框架；
實驗代理；
多 AI 協作；
provenance / IP；
其他跨域理論。

本文刻意不猜。

因此：

\boxed{ \mathfrak A_{\mathrm{Science}} = ( SEDB, SOBTA, Search, Verification, Simulation, Experiment, OtherMethods ). }

其中：

OtherMethods

保留未來正式接入。

這是守界：

\boxed{ \text{Do not reconstruct missing methodology from guesswork}. }

28. SOBTA + SEDB 的最低定位

\boxed{ SOBTA = \text{Domain-Gap / Boundary-Domain Reasoning Layer}. }

\boxed{ SEDB = \text{Persistent Cumulative Scientific State Layer}. }

只有 SOBTA：

\boxed{ \text{Good Reasoning} + \text{No Long-Term State}. }

只有 SEDB：

\boxed{ \text{Good Memory} + \text{No Domain-Audit Logic}. }

兩者合起來：

\boxed{ \text{Reasoning} + \text{Memory} + \text{Coverage} + \text{Continuation}. }

結論：SOBTA 未來不是被使用一次，而是成為自然科學域擴張的長期掃描算子

SOBTA 的未來真正用途，不應被理解為：

寫一篇自然科學 reinterpretation。

而是：

\boxed{ \text{Persistent Domain Audit}. }

它會從：

X_i \leftrightarrow X_j

開始，一路升到：

D_i \leftrightarrow D_j

再升到：

W_n \rightarrow W_{n+1}.

每一次都問：

目前被當作背景、界面、修正項、noise、residual、尺度跳躍或學科邊界的東西，有沒有其實是一個尚未被正式升格的結構域？

若有：

\boxed{ G \rightarrow D_\partial^{candidate} \rightarrow D^{validated}. }

若沒有：

\boxed{ G \rightarrow Rejected / Known / Explained. }

無論結果如何，都必須寫回 SEDB。

因為：

\boxed{ \text{Negative Result} = \text{Future Search Constraint}. }

研究因此不再是：

\text{Prompt} \rightarrow \text{Answer}.

而是：

\boxed{ \mathcal G_{\mathrm{Science}}(t) \rightarrow \mathcal G_{\mathrm{Science}}(t+1). }

SEDB 保存：

我們已經走過哪裡。

SOBTA 問：

哪個域界值得再打開。

AI 決定：

下一步從哪個 frontier 繼續。

因此：

\boxed{ \text{SOBTA} + \text{SEDB} \rightarrow \text{Cumulative AI-Native Natural-Science Domain Expansion}. }

最終命題 I

\boxed{ \text{The future use of SOBTA is not to reinterpret natural science once, but to let AI continuously traverse, audit, expand, and re-map the domain structure of natural science over time}. }

SOBTA 的未來真正用途，不是把自然科學重新解釋一次；而是讓 AI 長期、累積地走遍自然科學，持續審計目前的域切分，尋找 GAP，將值得獨立建模的邊界結構升格為新域，再從新的域界繼續展開。

最終命題 II

\boxed{ \text{A gap becomes scientifically interesting when it ceases to look like missing data and begins to exhibit the structure of a missing domain}. }

真正值得注意的 GAP，是它不再只像「少了一些資料」，而開始呈現「可能少了一個域」的結構。

最終命題 III

\boxed{ \text{Without persistent scientific state, AI-native science becomes repeated intelligence without cumulative science}. }

沒有持久研究狀態，AI 原生科學就只會變成一次又一次很聰明的回答，而不是累積的科學。

最終命題 IV

\boxed{ \text{SEDB is not merely where the data lives; it is where the unfinished scientific world remembers where it has already been}. }

SEDB 不只是資料放在哪裡；它更是那個尚未完成的科學世界，用來記得自己已經走過哪裡的地方。

未來接口

本文只完成：

\boxed{ \text{SOBTA} + \text{SEDB} + \text{AI-Native Domain Expansion} }

的最小未來架構。

未來可再擴張：

自然科學完整 Domain Ontology；
Gap Taxonomy v1.0；
SEDB Scientific State Schema；
Domain Promotion Protocol；
Cross-Scale Lift Protocol；
Multi-AI Scientific Coverage Runtime；
Simulation / Experiment Integration；
作者其他方法論之正式橋接；
全自然科學長期 Coverage Roadmap。

本文暫不提前假裝這些已完成。

最終一句

\boxed{ \text{Do not merely ask what two things do to each other; ask what domain their relation may still be hiding}. }

不要只問兩個東西彼此做了什麼；還要問，它們之間的關係裡，是否仍藏著一個尚未被升格成科學對象的域。