← Archive
lm-003506 · 2026-09

成功與失敗的雙重資訊：PDF 成功法與排除法的統一

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

成功與失敗的雙重資訊：PDF 成功法與排除法的統一

Dual Information in Success and Failure: Unifying PDF Formation and Falsification

系列：遞歸折疊認識論：從 PDF 成功—排除雙法到多模型可修正認知，第 2 篇／共 8 篇＋1 篇總結
系列英文名：Recursive Fold Epistemology: From the PDF Success–Falsification Duality to Corrigible Multi-Model Cognition
文件編號：EML-RFE-2026-02-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：2026-09-02
性質：認識論／Bayesian Updating／Information Theory／Evidence Architecture／PDF Duality
狀態：Public Theory Draft
直接前置：EML-RFE-2026-01《不會錯的不是理論》
吸收之未公開內部原型：《PDF成功法：知識構建的螺旋辯證論》；《PDF排除法的形式化理論：失敗驅動的螺旋認識論》

生成、版本與修正聲明

本文正式吸收兩篇未公開的 PDF 方法原型：

  • PDF 成功法（Proof by Data Formation）；
  • PDF 排除法（Proof by Data Falsification）。

舊版的重要直覺保留：

Construction Matters\boxed{ \text{Construction Matters} }

與：

Contradiction Matters.\boxed{ \text{Contradiction Matters}. }

但本文明確修正三項過強命題。

第一，舊版曾把「任何非平凡單次觀測都使後驗理論熵嚴格下降」寫成一般定理。新版修正為：

H(Θ∣D)≤H(Θ)\boxed{ H(\Theta\mid D) \le H(\Theta) }

是對資料分佈取期望後的條件熵關係；對某一個已實現的具體觀測 dd，後驗熵：

H(Θ∣D=d)H(\Theta\mid D=d)

可能下降，也可能上升。

第二，舊版曾把「失敗即進步」寫得近似無條件。新版改為：

Informative Failure+Valid Update⇒Potential Epistemic Progress.\boxed{ \text{Informative Failure} + \text{Valid Update} \Rightarrow \text{Potential Epistemic Progress}. }

噪音、錯誤儀器、無區分力測試與未被吸收的失敗，不自動構成進步。

第三，舊版曾把知識空間的累積描述成嚴格單調。新版區分：

Dt=Evidence Ledger,D_t = \text{Evidence Ledger},

與：

Kt=Current Accepted Knowledge.K_t = \text{Current Accepted Knowledge}.

證據歷史可盡可能累積保存，但目前接受的知識可以被撤回、降級、重新解釋或重構。

因此本文不是舊 PDF 雙法的重印，而是其 canonical 改良版。

摘要

科學與一般認知活動經常把「成功」與「失敗」視為相反結果。支持假設的觀測被稱為成功，違反預測的觀測被稱為失敗。這種語言在工程管理上方便，卻容易把結果情緒與認識論價值混為一談。

本文提出：

Outcome Valence≠Epistemic Information.\boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. }

一個「成功」實驗可能幾乎沒有區分力；一個「失敗」實驗也可能大幅重排候選理論。反之，一個失敗也可能只是不良儀器或無法重現的噪音。

因此，成功與失敗應統一視為：

Evidence Events.\boxed{ \text{Evidence Events}. }

令當前理論空間為：

Θt={T1,T2,…,Tn},\Theta_t = \{T_1,T_2,\ldots,T_n\},

其先驗或當前權重為：

qt(T).q_t(T).

觀測到資料：

D=d.D=d.

貝葉斯更新為：

qt+1(T)=P(T∣d)=P(d∣T)qt(T)∑jP(d∣Tj)qt(Tj).q_{t+1}(T) = P(T\mid d) = \frac{P(d\mid T)q_t(T)} {\sum_jP(d\mid T_j)q_t(T_j)}.

本文以「貝葉斯驚奇」：

Id=DKL(qt+1(T)∥qt(T))≥0\boxed{ \mathcal I_d = D_{\mathrm{KL}} \left( q_{t+1}(T) \Vert q_t(T) \right) \ge0 }

作為單次證據改變信念分佈程度的一個概念量。

若：

qt+1=qt,q_{t+1}=q_t,

則：

Id=0.\mathcal I_d=0.

表示該觀測在當前模型空間與更新規則下沒有改變理論權重。

對資料分佈取期望：

ED[ID]=I(Θ;D)≥0.\boxed{ \mathbb E_D[\mathcal I_D] = I(\Theta;D) \ge0. }

這才是互資訊意義下「資料平均降低理論不確定性」的嚴格形式。

但即使：

Id>0,\mathcal I_d>0,

也不能自動推出：

Closer to Truth.\text{Closer to Truth}.

因為：

  • 真模型可能不在 Θt\Theta_t ；
  • likelihood 可能錯；
  • 資料可能受污染；
  • 更新規則可能錯；
  • 觀測可能被錯誤建模。

因此本文把「資訊增益」與「認識論進步」再次分離：

Information Gain≠Guaranteed Truth Gain.\boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. }

PDF 成功法與排除法於是被重新統一為一個雙重資訊架構：

Construct→Observe→Discriminate→Update→Preserve→Reframe.\boxed{ \text{Construct} \rightarrow \text{Observe} \rightarrow \text{Discriminate} \rightarrow \text{Update} \rightarrow \text{Preserve} \rightarrow \text{Reframe}. }

成功法主要處理：

What did this inquiry construct or reveal?\boxed{ \text{What did this inquiry construct or reveal?} }

排除法主要處理：

What did this inquiry make less plausible or impossible?\boxed{ \text{What did this inquiry make less plausible or impossible?} }

兩者共同更新：

Et=(Θt,Dt,Kt,Ft,Ut).\boxed{ \mathcal E_t = ( \Theta_t,D_t,K_t,F_t,U_t ). }

因此新版 PDF 雙法不再將「成功」與「失敗」視為兩種不同的科學，而是把它們視為同一證據更新過程的兩個方向。

關鍵詞：PDF 成功法、PDF 排除法、證據事件、貝葉斯驚奇、互資訊、失敗資訊、知識帳本、認識論更新、可修正認知

0. 為什麼成功與失敗需要重新定義？

研究者常說：

實驗成功了。

通常代表：

d≈d^(T).d \approx \hat d(T).

也就是觀測符合某個預測。

而：

實驗失敗了。

常代表：

d≉d^(T).d \not\approx \hat d(T).

但這兩句其實混合了至少三種不同事情：

  1. 實驗是否正確執行；
  2. 觀測是否符合預測；
  3. 結果是否具有認識論資訊。

1. 工程成功與理論成功不同

一個實驗可以：

Operational Success\boxed{ \text{Operational Success} }

但：

Hypothesis Failure.\boxed{ \text{Hypothesis Failure}. }

例如儀器正常、流程正確，

結果卻否定預測。

這不應被叫成「整體失敗」。

2. 理論支持也不等於認識論成功

若：

P(d∣T1)≈P(d∣T2)≈⋯≈P(d∣Tn),P(d\mid T_1) \approx P(d\mid T_2) \approx \cdots \approx P(d\mid T_n),

即使 dd 符合 T1T_1，

也幾乎沒有區分模型。

所以：

Prediction Match≠Strong Evidence.\boxed{ \text{Prediction Match} \neq \text{Strong Evidence}. }

3. 新版第一原則：結果情緒與資訊價值分離

Outcome Valence≠Epistemic Information.\boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. }

「成功」與「失敗」應先退回成：

Evidence Event Labels.\boxed{ \text{Evidence Event Labels}. }

4. 理論空間

令：

Θt={T1,T2,…,Tn}.\boxed{ \Theta_t = \{T_1,T_2,\ldots,T_n\}. }

每個理論具有當前權重：

qt(Ti).q_t(T_i).

且：

∑iqt(Ti)=1.\sum_iq_t(T_i)=1.

5. 觀測事件

一個完整證據事件不只是一個數值 dd。

本文定義：

et=(dt,st,mt,qtE,rt,τt).\boxed{ e_t = ( d_t, s_t, m_t, q_t^{E}, r_t, \tau_t ). }

其中：

  • dtd_t：觀測內容；
  • sts_t：來源；
  • mtm_t：測量／取得方法；
  • qtEq_t^{E}：證據品質；
  • rtr_t：可重現與可靠性資訊；
  • τt\tau_t：時間與版本。

6. 證據不是裸資料

所以：

Dt≠{d1,d2,…}\boxed{ D_t \neq \{d_1,d_2,\ldots\} }

而更接近：

Dt={e1,e2,…,et}.\boxed{ D_t = \{e_1,e_2,\ldots,e_t\}. }

這是 Evidence Ledger。

7. 為什麼要保留 provenance？

因為未來可能發現：

mtm_t

有問題。

如果只保存結論：

dtd_t 是真的。

就無法回溯。

所以：

Evidence without Provenance→Low Corrigibility.\boxed{ \text{Evidence without Provenance} \rightarrow \text{Low Corrigibility}. }

8. 貝葉斯更新

在可機率化的模型空間中：

qt+1(Ti)=P(d∣Ti)qt(Ti)∑jP(d∣Tj)qt(Tj).\boxed{ q_{t+1}(T_i) = \frac{ P(d\mid T_i)q_t(T_i) }{ \sum_jP(d\mid T_j)q_t(T_j) }. }

這是 PDF 雙法統一的最小更新形式之一。

9. 成功與失敗在 Bayes 更新中沒有本體差別

如果：

dd

支持：

Ti,T_i,

則：

qt+1(Ti)↑.q_{t+1}(T_i)\uparrow.

如果：

dd

反對：

Ti,T_i,

則：

qt+1(Ti)↓.q_{t+1}(T_i)\downarrow.

兩者都只是：

Posterior Redistribution.\boxed{ \text{Posterior Redistribution}. }

10. Bayes Factor 統一支持與反對

對兩個模型：

Ti,Tj,T_i,T_j,

定義：

BFij(d)=P(d∣Ti)P(d∣Tj).\boxed{ BF_{ij}(d) = \frac{P(d\mid T_i)} {P(d\mid T_j)}. }

取對數：

Λij(d)=log⁡BFij(d).\boxed{ \Lambda_{ij}(d) = \log BF_{ij}(d). }

若：

Λij>0,\Lambda_{ij}>0,

資料偏向 TiT_i。

若：

Λij<0,\Lambda_{ij}<0,

資料偏向 TjT_j。

11. 所謂支持與否證只是符號方向

因此：

Support↔+Λ\boxed{ \text{Support} \leftrightarrow +\Lambda }

與：

Contradiction↔−Λ\boxed{ \text{Contradiction} \leftrightarrow -\Lambda }

可視為同一比較量的兩側。

12. 這就是 PDF 雙法的第一個統一

成功法問：

新資料支持了什麼？

排除法問：

新資料削弱了什麼？

而數學上都可以是：

Δqt(Ti).\boxed{ \Delta q_t(T_i). }

13. 單次資訊量：Bayesian Surprise

本文採：

Id=DKL(qt+1∥qt)\boxed{ \mathcal I_d = D_{\mathrm{KL}} \left( q_{t+1} \Vert q_t \right) }

作為「單次觀測使理論分佈改變多少」的一個量。

由 KL divergence：

Id≥0.\boxed{ \mathcal I_d\ge0. }

14. 零資訊事件

若：

qt+1=qt,q_{t+1}=q_t,

則：

Id=0.\boxed{ \mathcal I_d=0. }

表示該資料在目前模型與更新架構下沒有改變信念。

15. 高資訊事件

若觀測使：

qtq_t

大幅重排，

則：

Id\mathcal I_d

較高。

這可以是「成功」也可以是「失敗」。

16. 高資訊成功

例如原本：

P(d∣T1)≪1P(d\mid T_1)\ll1

對其他模型也低，

但結果強烈符合 TkT_k 的獨特預測，

則：

qt+1(Tk)≫qt(Tk).q_{t+1}(T_k)\gg q_t(T_k).

這是高資訊支持。

17. 高資訊失敗

若某主模型：

T1T_1

以高信心預測：

d1,d_1,

但可靠觀測得到：

d2,d_2,

且：

P(d2∣T1)≪1,P(d_2\mid T_1)\ll1,

則它可能造成巨大權重重排。

這是高資訊反例。

18. 低資訊成功

若所有模型都預測：

d,d,

那麼：

dd

發生幾乎沒有區分力。

所以：

Expected Success≠High Information.\boxed{ \text{Expected Success} \neq \text{High Information}. }

19. 低資訊失敗

如果儀器故障導致：

dnoise,d_{\mathrm{noise}},

而沒有可靠 likelihood 可建模，

那麼這種「失敗」甚至不應直接更新理論。

20. 失敗首先要分類

新版將失敗拆成至少四類：

F={Ftheory,Fmeasurement,Fexecution,Fmodelspace}.\boxed{ F = \{ F_{\mathrm{theory}}, F_{\mathrm{measurement}}, F_{\mathrm{execution}}, F_{\mathrm{modelspace}} \}. }

21. 理論失敗

FtheoryF_{\mathrm{theory}}

指：

實驗與測量可信，但理論預測被可靠反例削弱。

這是排除法最典型對象。

22. 測量失敗

FmeasurementF_{\mathrm{measurement}}

指：

  • 儀器錯誤；
  • calibration 錯誤；
  • 感測污染。

這時主要更新的是：

mtm_t

與證據品質，

而不必直接淘汰理論。

23. 執行失敗

FexecutionF_{\mathrm{execution}}

指：

  • 流程未完成；
  • 程式 bug；
  • 樣本處理錯誤；
  • 操作條件失真。

其主要產出可能是：

methodological knowledge.\boxed{ \text{methodological knowledge}. }

24. 模型空間失敗

最重要的新類型：

Fmodelspace.\boxed{ F_{\mathrm{modelspace}}. }

它表示：

多個候選都反覆失敗，而且沒有任何既有模型能穩定解釋資料。

此時：

T∗∉Θt\boxed{ T^*\notin\Theta_t }

的後驗可信度應提高。

25. 這時排除法必須停下來

不能繼續：

Θt→Θt∖{Ti}\Theta_t \rightarrow \Theta_t\setminus\{T_i\}

直到只剩一個「最不差」模型。

因為最後留下的模型也可能仍然錯。

26. 新版排除法的停止條件

若：

max⁡iP(d1:t∣Ti)\max_iP(d_{1:t}\mid T_i)

長期極低，

或所有模型皆存在系統性殘差，

則觸發：

Reframe(Θt).\boxed{ \text{Reframe}(\Theta_t). }

27. 舊版熵下降命題的修正

對隨機變量：

Θ,D,\Theta,D,

有：

H(Θ∣D)≤H(Θ).\boxed{ H(\Theta\mid D) \le H(\Theta). }

這表示知道 DD 之後的平均條件熵不高於先驗熵。

28. 但單次 posterior entropy 可以上升

對某一具體：

D=d,D=d,

完全可能：

H(Θ∣D=d)>H(Θ).\boxed{ H(\Theta\mid D=d) > H(\Theta). }

例如一個原本被高度偏好的模型遭到意外觀測削弱，使多個替代模型重新變得接近。

29. 這不是認識論倒退

熵上升可能代表：

我們發現自己以前過度自信。

因此：

Posterior Entropy Increase≠Epistemic Failure.\boxed{ \text{Posterior Entropy Increase} \neq \text{Epistemic Failure}. }

有時它反而是校正。

30. 驚奇與熵變是不同量

DKL(qt+1∥qt)≥0\boxed{ D_{\mathrm{KL}}(q_{t+1}\Vert q_t) \ge0 }

衡量分佈改變。

而：

ΔH=H(qt+1)−H(qt)\Delta H = H(q_{t+1})-H(q_t)

可以正、負或零。

兩者不能混用。

31. 這修正舊 PDF 排除法最重要的數學部分

舊直覺：

任何有效資料都讓理論空間熵下降。

新版：

有效資料通常使信念分佈發生可測改變；平均而言資料提供非負互資訊，但單次觀測可能提高或降低後驗熵。

32. 期望資訊量

對所有可能資料：

ED[DKL(P(Θ∣D)∥P(Θ))]=I(Θ;D)≥0.\boxed{ \mathbb E_D \left[ D_{\mathrm{KL}} ( P(\Theta\mid D) \Vert P(\Theta) ) \right] = I(\Theta;D) \ge0. }

這才是較嚴格的「實驗具有平均資訊價值」形式。

33. 但資訊增益不等於真理增益

即使：

I(Θ;D)>0,I(\Theta;D)>0,

若：

T∗∉Θ,T^*\notin\Theta,

只是更精確地在錯誤模型裡重新分配概率。

所以：

Information Gain≠Guaranteed Truth Gain.\boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. }

34. 錯誤 likelihood 也會產生自信

如果：

P(d∣T)P(d\mid T)

本身被錯誤指定，

Bayes 更新可以非常一致地：

become confidently wrong.\boxed{ \text{become confidently wrong}. }

因此更新方法也必須可審計。

35. Evidence Ledger

本文正式定義：

Dt={e1,e2,…,et}.\boxed{ D_t = \{e_1,e_2,\ldots,e_t\}. }

它保存研究歷史。

理想上：

Dt+1⊇Dt.D_{t+1} \supseteq D_t.

但新增的也包括：

  • 撤銷標記；
  • 品質修訂；
  • provenance 修正；
  • replication 結果。

36. Evidence Ledger 的「單調」是紀錄單調，不是真理單調

所以：

Ledger Monotonicity≠Belief Monotonicity.\boxed{ \text{Ledger Monotonicity} \neq \text{Belief Monotonicity}. }

37. Current Accepted Knowledge

Kt=currently accepted knowledge state.\boxed{ K_t = \text{currently accepted knowledge state}. }

它可以：

Kt+1⊃Kt,K_{t+1}\supset K_t,

也可以：

Kt+1⊂Kt,K_{t+1}\subset K_t,

甚至重構成：

Kt+1⊈Kt∧Kt⊈Kt+1.K_{t+1}\not\subseteq K_t \land K_t\not\subseteq K_{t+1}.

38. 所以知識不是嚴格只增不減

新版修正為：

Knowledge Is Revisable,\boxed{ \text{Knowledge Is Revisable}, }

但：

Epistemic History Should Be Preserved.\boxed{ \text{Epistemic History Should Be Preserved}. }

39. 成功法真正保留的是什麼？

不是：

每次成功都增加永恆真理。

而是：

Inquiry Can Construct New Evidence, Methods, Representations, and Questions.\boxed{ \text{Inquiry Can Construct New Evidence, Methods, Representations, and Questions}. }

40. 建構性收益

本文定義：

Gt+=(GD,GM,GR,GQ,GT).\boxed{ G_t^{+} = ( G_D, G_M, G_R, G_Q, G_T ). }

其中：

  • GDG_D：新資料；
  • GMG_M：新方法；
  • GRG_R：新表徵；
  • GQG_Q：新問題；
  • GTG_T：新理論結構。

41. 即使主假設失敗，也可以有高建構收益

因此：

Ftheory>0\boxed{ F_{\mathrm{theory}}>0 }

與：

Gt+>0\boxed{ G_t^{+}>0 }

可以同時成立。

這就是成功法與排除法真正的對偶。

42. 「成功」因此應有兩個維度

St=(Sprediction,Sconstruction).\boxed{ S_t = ( S_{\mathrm{prediction}}, S_{\mathrm{construction}} ). }

第一個問：

預測有沒有命中？

第二個問：

研究有沒有生成新認知結構？

43. 預測失敗可以伴隨研究成功

例如：

Sprediction=0,S_{\mathrm{prediction}}=0,

但：

Sconstruction≫0.S_{\mathrm{construction}}\gg0.

這不是矛盾。

44. 排除法真正保留的是什麼？

不是：

失敗一定讓熵降低。

而是：

Reliable Contradiction Must Change the Epistemic State.\boxed{ \text{Reliable Contradiction Must Change the Epistemic State}. }

如果可靠反例完全不能改變模型，

系統就失去可修正性。

45. 反例的價值

令：

ctc_t

為高可信反例。

若：

P(ct∣Ti)≪1,P(c_t\mid T_i)\ll1,

則至少應觸發：

qt+1(Ti)<qt(Ti)\boxed{ q_{t+1}(T_i)<q_t(T_i) }

或：

Audit(Ut,mt,Θt).\boxed{ \text{Audit}(U_t,m_t,\Theta_t). }

46. 反例不必立即刪除理論

科學理論常含：

  • 測量誤差；
  • 邊界條件；
  • 輔助假設。

所以新版不要求：

ct⇒Ti deleted.c_t \Rightarrow T_i\text{ deleted}.

而是：

ct⇒Weight, Scope, or Structure Revision.\boxed{ c_t \Rightarrow \text{Weight, Scope, or Structure Revision}. }

47. 淘汰是更新的一種，不是唯一一種

可能更新包括：

{Reweight,Restrict,Modify,Split,Merge,Archive,Eliminate}.\boxed{ \{ Reweight, Restrict, Modify, Split, Merge, Archive, Eliminate \}. }

48. 這使 V 算子重新定義

舊版：

Vϕ:Θt→Θt+1⊆Θt.V_\phi : \Theta_t \rightarrow \Theta_{t+1}\subseteq\Theta_t.

新版：

V=Constraint/Selection Operator.\boxed{ V = \text{Constraint/Selection Operator}. }

它可以：

  • 降權；
  • 限定適用域；
  • 分裂模型；
  • 暫時淘汰。

不再只等於刪除。

49. E 算子重新定義

舊版：

Eθ:P→Θ0.E_\theta : P \rightarrow \Theta_0.

新版：

E:(Qt,Dt,Kt,Ft)→Θt+1+.\boxed{ E : ( Q_t,D_t,K_t,F_t ) \rightarrow \Theta_{t+1}^{+}. }

展開可以在任何階段重新發生。

50. C 算子重新定義

連接算子：

C:(Θt,et)→comparative evidence structure.\boxed{ C : ( \Theta_t,e_t ) \rightarrow \text{comparative evidence structure}. }

其工作是：

  • 對接預測；
  • 建立 likelihood；
  • 計算區分力；
  • 更新權重；
  • 記錄衝突。

51. 新版三元循環

因此：

E→C→V\boxed{ E \rightarrow C \rightarrow V }

仍然保留，

但：

V⇏Final Closure.\boxed{ V \not\Rightarrow \text{Final Closure}. }

而是：

V→E′\boxed{ V \rightarrow E' }

可以再次展開。

52. 這就是螺旋而不是一次性篩選

Et→Ct→Vt→Et+1→Ct+1→Vt+1.\boxed{ E_t \rightarrow C_t \rightarrow V_t \rightarrow E_{t+1} \rightarrow C_{t+1} \rightarrow V_{t+1}. }

53. 但新版比舊螺旋更多一層

因為：

Et+1E_{t+1}

不只是重新產生類似模型。

它可以改變：

Θ,Q,Ontology,U.\boxed{ \Theta, Q, Ontology, U. }

54. PDF 雙法的真正統一對象是 Epistemic State

所以不再分別說：

成功法更新知識。

排除法更新理論。

而是：

et→ΔEt.\boxed{ e_t \rightarrow \Delta\mathcal E_t. }

55. 認知狀態

本文採：

Et=(Θt,Dt,Kt,Ft,Ut).\boxed{ \mathcal E_t = ( \Theta_t, D_t, K_t, F_t, U_t ). }

Paper 01 的主理論 TtT_t 可以視為：

Tt=Select⁡(Θt,qt)T_t = \operatorname{Select}(\Theta_t,q_t)

的當前工作模型。

56. 成功與失敗共同更新五個地方

一個證據事件可能改變：

  1. Θt\Theta_t：候選集合；
  2. DtD_t：證據帳本；
  3. KtK_t：接受知識；
  4. FtF_t：反例與失敗；
  5. UtU_t：更新方法。

57. 同一事件可以同時「成功」又「失敗」

例如：

  • 實驗流程成功；
  • 主假設失敗；
  • 方法學成功；
  • 新理論空間生成成功。

所以：

Success/Failure\boxed{ \text{Success/Failure} }

不是二值全局標籤。

58. 新版採多軸結果向量

本文提出：

Ot=(Oexec,Opred,Odisc,Oconstruct,Oreframe).\boxed{ \mathbf O_t = ( O_{\mathrm{exec}}, O_{\mathrm{pred}}, O_{\mathrm{disc}}, O_{\mathrm{construct}}, O_{\mathrm{reframe}} ). }

其中：

  • 執行結果；
  • 預測結果；
  • 區分力；
  • 建構收益；
  • 重構收益。

59. 「全部失敗」其實常是語義壓縮過度

如果：

Opred=0O_{\mathrm{pred}}=0

但其他維度很高，

說：

這次完全失敗。

會丟失大量認識論資訊。

60. 研究管理也應改變

傳統 KPI 只問：

成功率多少？

新版至少還應問：

  • 產生多少高品質反例？
  • 排除了哪些區域？
  • 是否新增方法？
  • 是否發現模型空間不足？
  • 是否減少未來重複錯誤？

61. 但不能反過來把所有失敗包裝成成功

這是重要防線。

如果沒有：

ΔEt\Delta\mathcal E_t

或可驗證的：

Gt+,G_t^{+},

就不能說：

失敗也是成功。

所以：

Epistemic Reframing≠Failure Rationalization.\boxed{ \text{Epistemic Reframing} \neq \text{Failure Rationalization}. }

62. 防止自我安慰

本文要求每次「失敗有價值」都回答：

  1. 新增了什麼證據？
  2. 改變了什麼模型權重？
  3. 排除了什麼區域？
  4. 新增了什麼方法？
  5. 下一輪因此會做什麼不同？

若全部答不出：

Xerr≈0.\boxed{ X_{\mathrm{err}}\approx0. }

63. 成功也需要相同審查

每次「成功」都應回答：

  1. 是否可重現？
  2. 是否區分替代理論？
  3. 是否存在 leakage？
  4. 是否有獨立證據？
  5. 成功是否只在當前 benchmark？

64. 成功與失敗因此獲得對稱紀律

Success Audit↔Failure Audit.\boxed{ \text{Success Audit} \leftrightarrow \text{Failure Audit}. }

這才是真正 PDF 對偶。

65. 舊版「資訊守恆律」的修正

舊原型曾提出類似：

H(Θ)+S(Σ)=const.H(\Theta)+S(\Sigma)=\text{const}.

本文不再把它視為一般資訊論定律。

除非另行定義封閉編碼系統與守恆條件，

否則：

H(Θ)+S(Σ)=const\boxed{ H(\Theta)+S(\Sigma) = \text{const} }

只能保留為啟發式直覺，而非普遍定理。

66. 更保守的新版關係

可以說：

Theory Uncertainty Reduction\boxed{ \text{Theory Uncertainty Reduction} }

常伴隨：

Evidence/Representation Structure Growth,\boxed{ \text{Evidence/Representation Structure Growth}, }

但兩者不要求嚴格守恆。

67. 為什麼要修掉它？

因為知識系統是開放系統。

研究可以引入：

  • 新資料；
  • 新變量；
  • 新語言；
  • 新模型空間。

所以總表示複雜度可以增加，也可以因壓縮而下降。

68. 開放認識論不能假設固定總資訊量

因此：

Epistemic System≠Closed Information Box.\boxed{ \text{Epistemic System} \neq \text{Closed Information Box}. }

這與 Paper 01 的 Open-World Epistemology 一致。

69. 新版 PDF 雙法的最小定律

本文保留三條較穩健命題。

第一：

Reliable Evidence Should Be Allowed to Modify the Epistemic State.\boxed{ \text{Reliable Evidence Should Be Allowed to Modify the Epistemic State}. }

第二：

Constructive Inquiry Can Produce Value Even When a Hypothesis Fails.\boxed{ \text{Constructive Inquiry Can Produce Value Even When a Hypothesis Fails}. }

第三：

Neither Success nor Failure Guarantees Truth Without Model and Evidence Audit.\boxed{ \text{Neither Success nor Failure Guarantees Truth Without Model and Evidence Audit}. }

70. 雙重資訊原理

本文正式提出：

Dual Information Principle.\boxed{ \text{Dual Information Principle}. }

定義：

一個研究事件的認識論價值，同時來自它對候選模型的區分作用，以及它對證據、方法、問題、表示與失敗地圖的建構作用。

形式上：

V(et)=αItdisc+βGtconstruct−γRterror.\boxed{ \mathcal V(e_t) = \alpha \mathcal I_t^{\mathrm{disc}} + \beta \mathcal G_t^{\mathrm{construct}} - \gamma \mathcal R_t^{\mathrm{error}}. }

71. 三個分量

其中：

Itdisc\mathcal I_t^{\mathrm{disc}}

為模型區分資訊；

Gtconstruct\mathcal G_t^{\mathrm{construct}}

為建構性收益；

Rterror\mathcal R_t^{\mathrm{error}}

為資料、方法與模型錯置風險。

72. 這不是精確通用量表

α,β,γ\alpha,\beta,\gamma 依研究領域、風險與目的不同。

所以該式是：

conceptual evaluation functional,\boxed{ \text{conceptual evaluation functional}, }

不是宣稱所有研究都能壓成單一分數。

73. PDF Formation 的新版定義

PDFF=Proof by Data Formation\boxed{ PDF_F = \text{Proof by Data Formation} }

不再理解成「成功證明真理」。

而是：

透過研究過程形成新的可檢查證據、方法、表徵、問題與候選理論。

74. PDF Falsification 的新版定義

PDFX=Proof by Data Falsification\boxed{ PDF_X = \text{Proof by Data Falsification} }

不再理解成「一次失敗就刪除理論」。

而是：

透過可靠反例、比較與約束，使某些理論、參數、適用域或模型空間結構降低可信度或被重新建模。

75. 兩者的共同底層

PDFF∪PDFX⊂Corrigible Evidence Updating.\boxed{ PDF_F \cup PDF_X \subset \text{Corrigible Evidence Updating}. }

76. 成功法與排除法不是兩個互斥流程

一次實驗可以同時：

PDFF>0\boxed{ PDF_F>0 }

與：

PDFX>0.\boxed{ PDF_X>0. }

例如否定舊模型，同時產生新現象規律與新測量方法。

77. 真正成熟的研究心態

不是：

我要成功。

也不是：

我要失敗來排除。

而是：

I want the next experiment to maximally improve the epistemic state under acceptable cost and risk.\boxed{ \text{I want the next experiment to maximally improve the epistemic state under acceptable cost and risk}. }

78. 實驗設計因此改變

理想實驗不是只最大化：

P(success).P(\text{success}).

而可考慮：

E[V(e)]−Cost−Risk.\boxed{ \mathbb E[ \mathcal V(e) ] - \text{Cost} - \text{Risk}. }

79. 高區分力比高成功率更重要

一個只有 20% 機率支持主假設，

但無論結果如何都能強烈區分模型的實驗，

可能比 95% 會「成功」但幾乎沒有區分力的實驗更有認識論價值。

80. 這就是雙法統一後的策略轉換

從：

Seek Success\boxed{ \text{Seek Success} }

轉成：

Seek Informative Outcomes.\boxed{ \text{Seek Informative Outcomes}. }

81. 結論：成功與失敗都不是終點，它們只是認知狀態的更新方向

舊成功法讓我們看到：

即使理論錯了，研究仍可能生成資料、方法與知識。

舊排除法讓我們看到：

反例不是恥辱，而是理論空間的重要約束。

新版進一步修正：

Success⇏Truth,\boxed{ \text{Success} \not\Rightarrow \text{Truth}, } Failure⇏Progress.\boxed{ \text{Failure} \not\Rightarrow \text{Progress}. }

真正需要問的是：

ΔEt=?\boxed{ \Delta\mathcal E_t = ? }

也就是：

這次研究究竟讓整個認知狀態改變了什麼？

因此：

Success+Failure→Evidence Events→Epistemic State Update.\boxed{ \text{Success} + \text{Failure} \rightarrow \text{Evidence Events} \rightarrow \text{Epistemic State Update}. }

在機率化模型中，單次證據可用：

DKL(qt+1∥qt)\boxed{ D_{\mathrm{KL}} ( q_{t+1} \Vert q_t ) }

描述信念重排幅度；

平均資訊則由：

I(Θ;D)≥0\boxed{ I(\Theta;D)\ge0 }

描述。

但：

Information Gain≠Guaranteed Truth Gain.\boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. }

因為模型空間、likelihood、資料與更新器本身都可能錯。

所以 PDF 雙法真正成熟的形式不再是：

Success vs Failure.\text{Success vs Failure}.

而是：

Construction+Discrimination+Revision.\boxed{ \text{Construction} + \text{Discrimination} + \text{Revision}. }

最終：

Good inquiry is not inquiry that succeeds; it is inquiry that leaves the epistemic system better able to distinguish, revise, and regenerate models.\boxed{ \text{Good inquiry is not inquiry that succeeds; it is inquiry that leaves the epistemic system better able to distinguish, revise, and regenerate models}. }

中文：

好的研究，不是每次都得到預期答案；而是每次結束後，認知系統都更知道哪些可能性值得保留、哪些必須降低權重、哪些證據值得信任，以及何時需要重新打開整個模型空間。

核心命題摘要

命題一：結果情緒不等於資訊價值

Outcome Valence≠Epistemic Information.\boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. }

命題二：成功與失敗都是證據事件

Success/Failure⊂Evidence Events.\boxed{ \text{Success/Failure} \subset \text{Evidence Events}. }

命題三：單次信念重排可由 Bayesian Surprise 描述

Id=DKL(qt+1∥qt)≥0.\boxed{ \mathcal I_d = D_{\mathrm{KL}} (q_{t+1}\Vert q_t) \ge0. }

命題四：平均資訊由互資訊刻畫

ED[ID]=I(Θ;D)≥0.\boxed{ \mathbb E_D[\mathcal I_D] = I(\Theta;D) \ge0. }

命題五：單次 posterior entropy 不保證下降

H(Θ∣D=d)≷H(Θ)\boxed{ H(\Theta\mid D=d) \gtrless H(\Theta) }

皆可能。

命題六：資訊增益不保證真理增益

Information Gain≠Guaranteed Truth Gain.\boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. }

命題七：證據歷史與接受知識必須分離

Dt≠Kt.\boxed{ D_t \neq K_t. }

命題八：失敗需要分類

F={Ftheory,Fmeasurement,Fexecution,Fmodelspace}.\boxed{ F = \{ F_{\mathrm{theory}}, F_{\mathrm{measurement}}, F_{\mathrm{execution}}, F_{\mathrm{modelspace}} \}. }

命題九：成功法與排除法共同更新認知狀態

PDFF∪PDFX⊂Corrigible Evidence Updating.\boxed{ PDF_F \cup PDF_X \subset \text{Corrigible Evidence Updating}. }

命題十：研究目標應從成功率轉向資訊性

Seek Success→Seek Informative Outcomes.\boxed{ \text{Seek Success} \rightarrow \text{Seek Informative Outcomes}. }

系列接口

Paper 01 建立：

Infallibility≠Corrigibility.\boxed{ \text{Infallibility} \neq \text{Corrigibility}. }

Paper 02 則正式把舊 PDF 成功法與排除法整合成新版雙重資訊理論：

Construction+Discrimination+Revision.\boxed{ \text{Construction} + \text{Discrimination} + \text{Revision}. }

下一篇：

Paper 03：《當真理不在候選集合裡：開放模型空間與認識論重置》

將專門處理：

T∗∉Θt.\boxed{ T^* \notin \Theta_t. }

以及：

Θt+1⊈Θt.\boxed{ \Theta_{t+1} \not\subseteq \Theta_t. }

也就是：

當整個候選世界都錯了，認知系統如何知道自己該停止排除、改寫問題、換座標、換本體，重新生成一個以前不存在的模型空間？