← Archive
lm-003532 · 2026-09

當真理不在候選集合裡：開放模型空間與認識論重置

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

當真理不在候選集合裡：開放模型空間與認識論重置

When Truth Is Not in the Candidate Set: Open Model Spaces and Epistemic Reset

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 3 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-2026-03-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／Open-World Modeling／Model-Space Revision／Ontology Reset／Scientific Discovery
狀態：Public Theory Draft
直接前置：EML-RFE-2026-01 至 02；PDF 成功法；PDF 排除法；認知解構學；認知呼吸理論

生成、認識論與範圍聲明

本文是一篇 AI 輔助生成的理論研究稿。

本文不主張所有模型失敗都應立即「推翻整個範式」，也不主張研究者應因任何單一異常結果便無限制擴張模型空間。重新建構問題、變量、本體或模型集合具有高成本，因此必須由累積證據、系統性殘差、跨模型失配、重現性與替代解釋能力共同支持。

本文核心處理一個比「理論被證偽」更深的情況：

T∗∉Θt.\boxed{ T^* \notin \Theta_t. }

也就是：

當前所有候選理論都可能錯，而較好的解釋甚至不存在於我們目前可以表示的候選集合中。

更深一層：

T∗∉Lt,\boxed{ T^* \notin \mathcal L_t, }

其中：

Lt\mathcal L_t

表示當前可用語言、變量、本體與表示系統能表達的模型集合。

這時候，認識論問題不再只是：

哪一個候選最正確？

而變成：

我們是不是連「可能答案長什麼樣子」都想錯了？

摘要

傳統模型比較通常預設：

T∗∈Θt={T1,T2,…,Tn}.T^* \in \Theta_t = \{T_1,T_2,\ldots,T_n\}.

在此條件下，更多證據可以重排候選模型權重：

qt(Ti)→qt+1(Ti),q_t(T_i) \rightarrow q_{t+1}(T_i),

並逐步收斂到較有解釋力的模型。

然而，前沿研究中經常存在另一種情況：

T∗∉Θt.\boxed{ T^* \notin \Theta_t. }

如果真正較好的模型根本不在候選集合裡，則傳統的：

Test→Reject→Select\text{Test} \rightarrow \text{Reject} \rightarrow \text{Select}

流程可能出現一個危險假象：最後留下的模型，不一定是正確模型，只可能是「剩下來最不差的錯誤模型」。

本文將此稱為：

Closed Candidate Fallacy.\boxed{ \text{Closed Candidate Fallacy}. }

即：

把「候選集合內的最佳模型」誤認為「世界中的最佳模型」。

因此：

argmax⁡T∈ΘtP(T∣D)≠T∗\boxed{ \operatorname{argmax}_{T\in\Theta_t} P(T\mid D) \neq T^* }

完全可能成立。

本文提出「開放模型空間（Open Model Space）」：

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

作為遞歸折疊認識論的核心條件之一。

模型空間不只可以縮小，也可以：

  • 擴張；
  • 分裂；
  • 合併；
  • 換變量；
  • 換尺度；
  • 換座標；
  • 換本體；
  • 換問題；
  • 換更新規則。

本文進一步區分五種認識論重置：

Rreset={RQ,RV,RS,RO,RM}.\boxed{ \mathcal R_{\mathrm{reset}} = \{ R_Q, R_V, R_S, R_O, R_M \}. }

其中：

  • RQR_Q：Question Reset，重寫問題；
  • RVR_V：Variable Reset，重寫變量；
  • RSR_S：Scale/Coordinate Reset，重寫尺度或座標；
  • ROR_O：Ontology Reset，重寫存在分類；
  • RMR_M：Model-Language Reset，重寫可表示模型的語言。

本文提出一個核心診斷量：

Mt=Model-Space Adequacy.\boxed{ \mathcal M_t = \text{Model-Space Adequacy}. }

如果多個候選模型都呈現：

  • 持續低 likelihood；
  • 系統性殘差；
  • 跨資料域失配；
  • 對新現象缺乏預測；
  • 需要不斷增加 ad hoc 修補；

則：

Mt↓.\mathcal M_t\downarrow.

當：

Mt<θreset,\mathcal M_t<\theta_{\mathrm{reset}},

合理行動不再是繼續從 Θt\Theta_t 中選一個勝者，而是觸發：

Reframe⁡(Qt,Vt,St,Ot,Lt).\boxed{ \operatorname{Reframe}( Q_t, V_t, S_t, O_t, \mathcal L_t ). }

本文最終提出：

A mature epistemic system must be able to abandon not only an answer, but the space in which the answer was being searched for.\boxed{ \text{A mature epistemic system must be able to abandon not only an answer, but the space in which the answer was being searched for}. }

中文：

成熟的認知系統，不只要能放棄一個答案；還要能在必要時放棄原本搜尋答案的整個空間。

關鍵詞：開放模型空間、候選集合錯誤、本體重置、問題重寫、範式轉換、可修正認知、模型失配、認知重置、Open-World Epistemology

0. 問題的提出：如果選項 A、B、C 全部都錯呢？

假設研究者面對：

Θt={TA,TB,TC}.\Theta_t = \{ T_A, T_B, T_C \}.

傳統比較會問：

argmax⁡T∈ΘtP(T∣D)=?\boxed{ \operatorname{argmax}_{T\in\Theta_t} P(T\mid D) = ? }

但這裡暗藏一個前提：

T∗∈Θt.\boxed{ T^* \in \Theta_t. }

如果這個前提錯了，

所有後續比較都可能只是：

在三個錯誤答案裡挑一個最不錯的。

1. 封閉候選集合謬誤

本文定義：

Closed Candidate Fallacy\boxed{ \text{Closed Candidate Fallacy} }

為：

將候選集合內的最優模型，錯認為世界中的最優模型。

形式化：

argmax⁡T∈ΘtP(T∣D)≠argmax⁡T∈ΘworldP(T∣D).\boxed{ \operatorname{argmax}_{T\in\Theta_t} P(T\mid D) \neq \operatorname{argmax}_{T\in\Theta_{\mathrm{world}}} P(T\mid D). }

2. 模型選擇和模型發現不同

Model Selection≠Model Discovery.\boxed{ \text{Model Selection} \neq \text{Model Discovery}. }

Model Selection 假設模型已經存在。

Model Discovery 則處理：

尚未存在的模型如何被生成？

3. PDF 排除法原本主要處理 Selection

如果：

Θt+1⊆Θt,\Theta_{t+1} \subseteq \Theta_t,

排除法可以透過反例讓候選空間收縮。

但如果：

T∗∉Θt,T^* \notin \Theta_t,

純收縮最終只會：

Θt→∅\boxed{ \Theta_t \rightarrow \varnothing }

或留下錯誤倖存者。

4. 空集合不是終點

如果所有候選都失敗：

Θt→∅,\Theta_t \rightarrow \varnothing,

新版 RFE 不將此解讀為：

世界沒有解釋。

而是：

Search-Space Failure.\boxed{ \text{Search-Space Failure}. }

5. 理論失敗與搜尋空間失敗必須分開

Ftheory≠Fmodelspace.\boxed{ F_{\mathrm{theory}} \neq F_{\mathrm{modelspace}}. }

前者：

某一理論不行。

後者：

我們現在能想到的這一整類理論都不夠。

6. 模型空間本身也是假設

因此：

Θt\boxed{ \Theta_t }

不是中性的容器。

它本身就是一個高階假設：

真正答案應該屬於這種類型。

所以：

Θt∈Epistemic Hypotheses.\boxed{ \Theta_t \in \text{Epistemic Hypotheses}. }

7. 候選空間有自己的先驗

研究者選擇研究：

  • 粒子模型；
  • 場模型；
  • 網絡模型；
  • 行為模型；

本身已經對世界施加：

Representation Prior.\boxed{ \text{Representation Prior}. }

8. 世界可能不服從我們的分類

如果現象：

PP

同時具有我們分類中互斥的特徵，

可能表示：

Category Error.\boxed{ \text{Category Error}. }

即問題不是現象矛盾，

而是分類方式錯了。

9. 認識論重置的第一類：Question Reset

定義：

RQ:Qt→Qt+1.\boxed{ R_Q: Q_t \rightarrow Q_{t+1}. }

例：

原問題：

A 還是 B？

重置後：

為什麼一定只有 A 或 B？

10. 問題會限制答案空間

若：

QtQ_t

預設：

Θ(Qt),\Theta(Q_t),

則：

Qt→Θt.\boxed{ Q_t \rightarrow \Theta_t. }

所以問題框架本身就是模型生成器。

11. 問題錯，答案越精確可能越危險

如果：

QtQ_t

錯，

則：

Better Optimization of Qt\boxed{ \text{Better Optimization of }Q_t }

可能只是：

Faster Convergence to the Wrong Problem.\boxed{ \text{Faster Convergence to the Wrong Problem}. }

12. 認識論重置的第二類：Variable Reset

定義：

RV:Vt→Vt+1.\boxed{ R_V: V_t \rightarrow V_{t+1}. }

其中 VtV_t 是當前變量集合。

13. 缺失變量問題

一個模型可能反覆失敗，

不是關係式錯，

而是：

xn+1∉Vt.x_{n+1} \notin V_t.

即關鍵變量從未被表示。

14. 新變量會改變整個模型空間

若：

Vt={x1,…,xn},V_t = \{x_1,\ldots,x_n\},

加入：

xn+1x_{n+1}

後，

新的模型空間：

Θt+1\Theta_{t+1}

可能與舊空間不只是多一個參數，

而是出現新的關係結構。

15. 認識論重置第三類：Scale Reset

某現象在尺度：

s1s_1

看起來混亂，

在：

s2s_2

可能形成穩定規律。

因此：

RS:st→st+1.\boxed{ R_S: s_t \rightarrow s_{t+1}. }

16. 局部錯不一定是全域錯

有時：

TT

在：

D1\mathcal D_1

成立，

在：

D2\mathcal D_2

失效。

所以真正修正不是：

T→¬T.T\rightarrow\neg T.

而是：

Scope(T):D→D1.\boxed{ Scope(T) : \mathcal D \rightarrow \mathcal D_1. }

17. 尺度重置也可能把矛盾變成兼容

兩個模型：

TA,TBT_A, T_B

可能在不同尺度都有效。

因此：

Contradiction→Domain Decomposition.\boxed{ \text{Contradiction} \rightarrow \text{Domain Decomposition}. }

18. Coordinate Reset

有時問題不是物理實體，

而是座標表示。

定義：

RC:Xt→Xt+1.\boxed{ R_C: \mathcal X_t \rightarrow \mathcal X_{t+1}. }

在新座標下，

原本複雜關係可能變簡單。

19. 表示選擇會改變可見結構

因此：

Representation≠Neutral Window.\boxed{ \text{Representation} \neq \text{Neutral Window}. }

表示本身影響哪些模式容易被看見。

20. 認識論重置第四類：Ontology Reset

定義：

RO:Ot→Ot+1.\boxed{ R_O: O_t \rightarrow O_{t+1}. }

其中 OtO_t 是：

我們目前認為世界「有哪些種類的東西」。

21. Ontology 不是只屬於哲學

任何資料庫、模型與科學理論都隱含：

  • entity；
  • relation；
  • state；
  • event；
  • boundary。

因此：

Model⊃Ontology.\boxed{ \text{Model} \supset \text{Ontology}. }

22. 如果 ontology 錯，模型可能永遠修不好

假設世界真正需要：

{A,B,C},\{A,B,C\},

但我們 ontology 只有：

{A,B}.\{A,B\}.

那麼任何：

T(A,B)T(A,B)

都可能反覆失敗。

23. 新本體不是增加一個參數

Ontology Reset 更像：

What Exists?→Recompiled.\boxed{ \text{What Exists?} \rightarrow \text{Recompiled}. }

它可以改變：

  • 變量；
  • 邊界；
  • 因果；
  • 對象；
  • 可觀測量。

24. 認識論重置第五類：Model-Language Reset

更深一層，

甚至當前模型語言：

Lt\mathcal L_t

都可能不足。

例如只允許：

  • 線性方程；
  • 樹；
  • 固定維度；

可能無法表達真正結構。

25. 表示語言限制可思考模型

所以：

Θt⊆Lt.\boxed{ \Theta_t \subseteq \mathcal L_t. }

如果：

T∗∉Lt,T^* \notin \mathcal L_t,

那麼即使無限搜尋：

Θt\Theta_t

也不可能找到它。

26. 真正深層錯誤

因此有：

T∗∉Θt\boxed{ T^* \notin \Theta_t }

與更深的：

T∗∉Lt.\boxed{ T^* \notin \mathcal L_t. }

後者需要重新發明表示方法。

27. Open Model Space

本文定義：

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

可以成立的認知系統為 Open Model Space System。

28. 開放不代表無限隨機生成

真正開放模型空間不是：

Θt+1=anything imaginable.\Theta_{t+1} = \text{anything imaginable}.

而是：

constraint-guided expansion.\boxed{ \text{constraint-guided expansion}. }

29. 失敗就是新空間生成約束之一

Paper 02 的：

FtF_t

可以轉成：

Ctnegative.\boxed{ C_t^{\mathrm{negative}}. }

即負約束：

新模型不能再犯這些已知失敗。

30. 新模型不是從零亂猜

它應滿足：

Tnew⊨Ctretained\boxed{ T_{\mathrm{new}} \models C_t^{\mathrm{retained}} }

並避免：

Tnew⊨Ftknown\boxed{ T_{\mathrm{new}} \models F_t^{\mathrm{known}} }

在相關適用範圍內重複失敗。

31. Knowledge Constraints

令：

Ct+C_t^{+}

為已保留正向約束，

Ct−C_t^{-}

為已知失敗約束。

則新模型空間可寫：

Θt+1=Generate⁡(Qt+1,Ct+,Ct−,Ot+1,Lt+1).\boxed{ \Theta_{t+1} = \operatorname{Generate} ( Q_{t+1}, C_t^{+}, C_t^{-}, O_{t+1}, \mathcal L_{t+1} ). }

32. 這就是「失敗折疊」第一次參與模型生成

失敗不是：

Ft→trash.F_t \rightarrow \text{trash}.

而是：

Ft→constraints on future generation.\boxed{ F_t \rightarrow \text{constraints on future generation}. }

33. 何時應懷疑模型空間？

不能因一個 anomaly 就重置整個 ontology。

本文提出幾個診斷信號。

34. Signal 1：全模型低適配

如果：

max⁡Ti∈ΘtP(D∣Ti)≪ϵ,\boxed{ \max_{T_i\in\Theta_t} P(D\mid T_i) \ll \epsilon, }

則候選空間適配度低。

35. Signal 2：系統性殘差

如果所有模型殘差：

ri(t)r_i(t)

都呈：

  • 同方向；
  • 同結構；
  • 同尺度；

則：

Residual Structure\boxed{ \text{Residual Structure} }

可能表示缺失機制。

36. 隨機殘差與結構殘差不同

Noise≠Structured Residual.\boxed{ \text{Noise} \neq \text{Structured Residual}. }

後者更值得觸發重構。

37. Signal 3：Ad Hoc 修補爆炸

如果模型為維持成立需要不斷新增：

a1,a2,…,ana_1,a_2,\ldots,a_n

例外條款，

則：

Cad hoc↑.\boxed{ C_{\mathrm{ad\ hoc}}\uparrow. }

38. 修補不是一定錯

成熟理論也會有複雜條件。

但如果：

dCad hocdt≫dPpredictivedt,\frac{dC_{\mathrm{ad\ hoc}}}{dt} \gg \frac{dP_{\mathrm{predictive}}}{dt},

可能表示模型結構正在崩潰。

39. Signal 4：跨域失配

模型在：

D1D_1

表現好，

但在：

D2,D3D_2,D_3

反覆失敗，

且無法由 scope 解釋，

則可能表示：

Ontology or Scale Mismatch.\boxed{ \text{Ontology or Scale Mismatch}. }

40. Signal 5：新現象無法命名

如果研究者遇到現象：

xx

只能說：

這不像我們任何已知類別。

這是一個強烈的：

Representation Gap Signal.\boxed{ \text{Representation Gap Signal}. }

41. Signal 6：不同模型都需要同一未知項

若多個模型獨立加入：

zz

才能擬合，

但：

zz

在原 ontology 中沒有解釋，

可能表示：

latent variable pressure.\boxed{ \text{latent variable pressure}. }

42. Model-Space Adequacy

本文提出：

Mt=f(Lt,Rt,At,Xt,Gt).\boxed{ \mathcal M_t = f( L_t, R_t, A_t, X_t, G_t ). }

其中可概念包含：

  • likelihood adequacy；
  • residual randomness；
  • ad hoc burden；
  • cross-domain generalization；
  • generative coverage。

43. 重置閾值

若：

Mt<θreset,\boxed{ \mathcal M_t < \theta_{\mathrm{reset}}, }

則觸發：

Reframe⁡.\boxed{ \operatorname{Reframe}. }

這不是自動棄掉所有舊知識，

而是停止把現有 Θt\Theta_t 當封閉宇宙。

44. Reframe 的五層

Reframe⁡=(RQ,RV,RS,RO,RM).\boxed{ \operatorname{Reframe} = ( R_Q, R_V, R_S, R_O, R_M ). }

可以只啟動其中一層，

不必每次全部重置。

45. 最小重置原則

優先：

smallest reset that explains the anomaly.\boxed{ \text{smallest reset that explains the anomaly}. }

因為大規模重置成本高。

46. 但最小重置不能變成保守鎖定

如果低層修補反覆失敗，

必須允許：

RQ→RO→RM\boxed{ R_Q \rightarrow R_O \rightarrow R_M }

向更深層升級。

47. 重置階梯

本文提出：

Parameter→Structure→Variable→Scale→Question→Ontology→Language.\boxed{ \text{Parameter} \rightarrow \text{Structure} \rightarrow \text{Variable} \rightarrow \text{Scale} \rightarrow \text{Question} \rightarrow \text{Ontology} \rightarrow \text{Language}. }

越往後，重置深度越高。

48. Reset Depth

定義：

dR∈{0,1,…,6}.\boxed{ d_R\in\{0,1,\ldots,6\}. }

其中：

  • 0：參數；
  • 1：結構；
  • 2：變量；
  • 3：尺度；
  • 4：問題；
  • 5：本體；
  • 6：模型語言。

49. 深度越高，成本越高

通常：

dR↑⇒Costreset↑.\boxed{ d_R\uparrow \Rightarrow Cost_{\mathrm{reset}}\uparrow. }

所以不應濫用「範式革命」。

50. 深度越高，潛在新空間也越大

同時：

dR↑⇒∣Θt+1possible∣↑.\boxed{ d_R\uparrow \Rightarrow |\Theta_{t+1}^{\mathrm{possible}}|\uparrow. }

高層重置會重新打開更大的探索空間。

51. 認知解構學在 RFE 的位置

認知解構學原本強調：

結構不是本質，本質也可被重新編譯。

在 RFE 中，它可以作為：

Deep Reframing Operator.\boxed{ \text{Deep Reframing Operator}. }

尤其作用於：

RQ,RO,RM.R_Q,R_O,R_M.

52. 源點思維的功能

當：

Θt\Theta_t

失效，

源點式解構不是要求「忘記所有知識」。

而是：

temporarily suspend high-level assumptions.\boxed{ \text{temporarily suspend high-level assumptions}. }

以重新生成候選結構。

53. 認知裸源不是無資料狀態

真正合理版本不是：

Dt→∅.D_t\rightarrow\varnothing.

而是：

Suspend Interpretation≠Delete Evidence.\boxed{ \text{Suspend Interpretation} \neq \text{Delete Evidence}. }

54. 重置時要保留什麼？

至少保留：

Dt+Ft+Ctrobust\boxed{ D_t + F_t + C_t^{\mathrm{robust}} }

即：

  • 證據帳本；
  • 失敗地圖；
  • 高可靠跨模型約束。

55. 應暫停的是什麼？

可暫停：

  • 高階解釋；
  • 本體標籤；
  • 問題框架；
  • 先驗偏好。

所以：

Epistemic Reset≠Epistemic Amnesia.\boxed{ \text{Epistemic Reset} \neq \text{Epistemic Amnesia}. }

56. 這是 Reset 與 Restart 的差別

Restart：

Erase and Begin Again.\boxed{ \text{Erase and Begin Again}. }

Reset：

Preserve Evidence, Release Structure.\boxed{ \text{Preserve Evidence, Release Structure}. }

RFE 要的是後者。

57. 重置後的重新生成

新的：

Θt+1\Theta_{t+1}

可由：

Generate⁡(Dt,Ft,Qt+1,Ot+1,Lt+1).\boxed{ \operatorname{Generate} ( D_t, F_t, Q_{t+1}, O_{t+1}, \mathcal L_{t+1} ). }

產生。

58. 新模型應解釋舊模型為什麼曾經有效

真正好的新理論通常不只說：

舊理論全錯。

而應能說：

Why the old theory worked in its successful domain.\boxed{ \text{Why the old theory worked in its successful domain}. }

59. Correspondence Requirement

本文提出：

Tnew→Toldunder suitable limits\boxed{ T_{\mathrm{new}} \rightarrow T_{\mathrm{old}} \quad \text{under suitable limits} }

作為一種常見但非絕對必要的保留原則。

60. 新理論若完全無法解釋舊成功，需要更高證據負擔

因為：

DtsuccessD_t^{\mathrm{success}}

仍然存在。

新模型必須：

  • 解釋它；
  • 重新分類它；
  • 或證明其原測量有誤。

不能假裝歷史資料不存在。

61. 這就是折疊，而不是革命性遺忘

真正 RFE 式範式轉換：

Old Successes+Old Failures→Constraints on New Ontology.\boxed{ \text{Old Successes} + \text{Old Failures} \rightarrow \text{Constraints on New Ontology}. }

62. 新模型空間可以吞掉舊模型空間

有時：

Θt⊂Θt+1.\boxed{ \Theta_t \subset \Theta_{t+1}. }

舊理論變成新理論的特例。

63. 也可能兩者不相容

有時：

Θt∩Θt+1≈∅.\Theta_t \cap \Theta_{t+1} \approx \varnothing.

這表示真正強烈的本體轉換。

64. 但即使不相容，資料歷史仍可相容

所以：

Θt∩Θt+1=∅\boxed{ \Theta_t \cap \Theta_{t+1} = \varnothing }

不表示：

DtD_t

必須消失。

65. 開放模型空間的最大危險：無限逃逸

如果每次反例都說：

那我換一個更大的 ontology。

就可能形成：

Unfalsifiable Reframing.\boxed{ \text{Unfalsifiable Reframing}. }

66. 這會讓理論永遠逃避證偽

因此：

Reframing≠Immunity from Evidence.\boxed{ \text{Reframing} \neq \text{Immunity from Evidence}. }

新框架也必須重新接受：

  • 預測；
  • 驗證；
  • 反例；
  • 比較。

67. Reset Debt

本文提出：

DebtR=unpaid explanatory burden created by reframing.\boxed{ Debt_R = \text{unpaid explanatory burden created by reframing}. }

每次高層重置，都增加需要重新解釋的歷史。

68. 好的重置應降低總認知債務

如果新 ontology：

Ot+1O_{t+1}

只是把問題改名，

卻沒有提高：

  • 預測；
  • 壓縮；
  • 統一；
  • 解釋；

那只是：

Conceptual Relabeling.\boxed{ \text{Conceptual Relabeling}. }

69. Reframe Gain

定義概念量：

GR=Δ(Coverage+Compression+Prediction+Coherence)−CostR.\boxed{ G_R = \Delta ( \text{Coverage} + \text{Compression} + \text{Prediction} + \text{Coherence} ) - Cost_R. }

若：

GR≤0,G_R\le0,

重構未必值得保留。

70. 開放模型空間需要重新收斂

RFE 不是永遠擴張。

新的：

Θt+1\Theta_{t+1}

建立後，

仍要進入：

Test→Compare→Constrain.\boxed{ \text{Test} \rightarrow \text{Compare} \rightarrow \text{Constrain}. }

71. 所以真正流程不是線性

完整循環：

Θt→Test→Mismatch Detection→Model-Space Audit→Reframe→Θt+1+→Test Again.\boxed{ \begin{aligned} \Theta_t &\rightarrow \text{Test}\\ &\rightarrow \text{Mismatch Detection}\\ &\rightarrow \text{Model-Space Audit}\\ &\rightarrow \text{Reframe}\\ &\rightarrow \Theta_{t+1}^{+}\\ &\rightarrow \text{Test Again}. \end{aligned} }

72. 問題—模型空間共演化

本文提出：

Qt↔Θt.\boxed{ Q_t \leftrightarrow \Theta_t. }

問題生成模型空間，

模型失敗又反過來修改問題。

73. Ontology—Evidence 共演化

同樣：

Ot↔Dt.\boxed{ O_t \leftrightarrow D_t. }

Ontology 決定我們如何分類資料，

新資料又可能迫使 ontology 改寫。

74. 語言—思想共演化

Lt↔Θt.\boxed{ \mathcal L_t \leftrightarrow \Theta_t. }

模型語言決定可思考空間，

新理論需求又會催生新表示語言。

75. 這就是 Open-World Epistemology

封閉世界假設：

all relevant possibilities are already represented.\boxed{ \text{all relevant possibilities are already represented}. }

開放世界認識論則：

relevant possibilities may remain unrepresented.\boxed{ \text{relevant possibilities may remain unrepresented}. }

76. 「不知道」有兩種

第一種：

Unknown within known space.\boxed{ \text{Unknown within known space}. }

例如不知道 T1T_1 還是 T2T_2。

第二種：

Unknown outside represented space.\boxed{ \text{Unknown outside represented space}. }

即連真正候選都還沒有。

77. 第二種不知道更深

前者可以靠更多資料。

後者需要：

representation invention.\boxed{ \text{representation invention}. }

78. AI 對開放模型空間的優勢

AI 可以高速生成：

  • 替代假設；
  • 新變量；
  • 異質 ontology；
  • 不同尺度模型。

所以：

AI→Model-Space Expansion Capacity.\boxed{ \text{AI} \rightarrow \text{Model-Space Expansion Capacity}. }

79. 但 AI 也可能共享同一封閉空間

如果所有 AI 都來自相似訓練：

A1,…,AnA_1,\ldots,A_n

可能只是：

many samplers from one latent model family.\boxed{ \text{many samplers from one latent model family}. }

所以多 AI 不自動等於開放世界。

80. 人類異質性仍然重要

異質研究者、不同文化、不同學科與不同表示語言，

可能提供：

Model-Space Orthogonality.\boxed{ \text{Model-Space Orthogonality}. }

這是避免共同封閉的重要來源。

81. 真正高階的人類—AI協作

不是：

AI 幫人從 A、B、C 選一個。

而是：

H+A→invent option D that neither side initially represented.\boxed{ H+A \rightarrow \text{invent option D that neither side initially represented}. }

82. 認識論重置的最低協議

當模型空間疑似失效時：

  1. 停止過早淘汰；
  2. 保存證據與反例；
  3. 分析共同殘差；
  4. 列出隱含問題前提；
  5. 列出隱含 ontology；
  6. 生成替代變量與尺度；
  7. 生成新候選空間；
  8. 重新測試。

83. Reset 不應抹去舊 confidence history

應保存：

q0(Ti),q1(Ti),…,qt(Ti)\boxed{ q_0(T_i),q_1(T_i),\ldots,q_t(T_i) }

因為：

為什麼我們以前相信它？

也是重要元知識。

84. 新理論不能只看現在，要解釋認知歷史

真正強的新模型應能部分回答：

Why did competent agents previously converge on the old model?\boxed{ \text{Why did competent agents previously converge on the old model?} }

這有助於區分：

  • 舊模型合理近似；
  • 共同偏誤；
  • 資料不足；
  • 表示限制。

85. 認知錯誤本身因此有層級

本文可總結：

Parameter<Structure<Variable<Scale<Question<Ontology<Language.\boxed{ \text{Parameter} < \text{Structure} < \text{Variable} < \text{Scale} < \text{Question} < \text{Ontology} < \text{Language}. }

不是嚴格全序，

而是典型重構深度。

86. 越深的錯誤越難被看見

因為高層錯誤往往決定：

我們認為什麼算證據。

所以：

Meta-Level Error\boxed{ \text{Meta-Level Error} }

常能偽裝成：

Persistent Object-Level Confusion.\boxed{ \text{Persistent Object-Level Confusion}. }

87. 這就是為什麼「一直算不出來」有時不是算力不足

可能是：

Wrong Search Space.\boxed{ \text{Wrong Search Space}. }

更多算力只會：

search the wrong space faster.\boxed{ \text{search the wrong space faster}. }

88. AI 時代這個問題反而更重要

因為 AI 可以極高速：

Search⁡(Θt).\operatorname{Search}(\Theta_t).

所以如果：

Θt\Theta_t

錯，

AI 可能非常快地得到：

high-confidence wrong convergence.\boxed{ \text{high-confidence wrong convergence}. }

89. 能搜索更多，不等於能想到空間外

所以：

Search Power≠Representational Openness.\boxed{ \text{Search Power} \neq \text{Representational Openness}. }

這是未來高能力 AI 認識論的核心風險之一。

90. 真正高級的智能需要「跳出候選集合」能力

因此：

Intelligence⊃Model-Space Revision Capacity.\boxed{ \text{Intelligence} \supset \text{Model-Space Revision Capacity}. }

而不只是：

argmax⁡T∈Θt.\boxed{ \operatorname{argmax}_{T\in\Theta_t}. }

91. 從解題智能到造題—造空間智能

低階：

Solve(Q,Θ).\boxed{ \text{Solve}(Q,\Theta). }

高階：

Rewrite(Q,Θ,L,O).\boxed{ \text{Rewrite}(Q,\Theta,\mathcal L,O). }

92. RFE 對「真理」的態度

本文不否認真理可能存在。

但不要求：

T∗∈Θ0.\boxed{ T^* \in \Theta_0. }

也不要求：

T∗∈L0.\boxed{ T^* \in \mathcal L_0. }

93. 因此逼近真理可能包含表示創造

認知進步不只是：

P(T∗)↑.P(T^*)\uparrow.

也可能先需要：

T∗:unrepresentable→representable.\boxed{ T^* : \text{unrepresentable} \rightarrow \text{representable}. }

94. 這是模型發現真正的本體論門檻

在真正表示出：

T∗T^*

以前，

談 posterior probability 甚至沒有意義。

因為候選事件還不存在。

95. 所以生成能力是認識論能力

Hypothesis Generation\boxed{ \text{Hypothesis Generation} }

不只是創造力附屬品。

而是：

necessary component of truth-seeking under open-world conditions.\boxed{ \text{necessary component of truth-seeking under open-world conditions}. }

96. 結論：有時不是答案錯，而是整張答案紙都錯

傳統科學方法非常擅長：

choose among represented alternatives.\boxed{ \text{choose among represented alternatives}. }

但真正困難的突破通常還需要：

invent unrepresented alternatives.\boxed{ \text{invent unrepresented alternatives}. }

因此：

T∗∉Θt\boxed{ T^* \notin \Theta_t }

不能被當成例外。

它必須成為成熟認識論中的永久可能性。

所以：

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

也必須被允許。

但開放模型空間不是逃避反例。

真正的流程是：

Preserve Evidence+Preserve Failure+Release Structure+Generate New Space+Return to Testing.\boxed{ \text{Preserve Evidence} + \text{Preserve Failure} + \text{Release Structure} + \text{Generate New Space} + \text{Return to Testing}. }

這就是認識論重置。

不是遺忘。

不是「我不喜歡結果，所以換理論」。

而是：

當足夠多可靠證據顯示整個候選空間的表達能力不足時，暫時放開原本的問題、變量、本體與語言，讓新的模型空間有機會被生成。

本文最終命題：

A mature epistemic system must be able to abandon not only an answer, but the space in which the answer was being searched for.\boxed{ \text{A mature epistemic system must be able to abandon not only an answer, but the space in which the answer was being searched for}. }

以及：

Epistemic Reset=Preserve Evidence+Release Representation+Regenerate Possibility.\boxed{ \text{Epistemic Reset} = \text{Preserve Evidence} + \text{Release Representation} + \text{Regenerate Possibility}. }

中文：

成熟的認知系統，不只要能承認「我的答案錯了」；還要能在必要時承認：「也許我連答案應該在哪裡找，都想錯了。」

核心命題摘要

命題一：候選集合內最佳不等於世界最佳

argmax⁡T∈ΘtP(T∣D)≠T∗\boxed{ \operatorname{argmax}_{T\in\Theta_t} P(T\mid D) \neq T^* }

可以成立。

命題二：模型選擇與模型發現不同

Model Selection≠Model Discovery.\boxed{ \text{Model Selection} \neq \text{Model Discovery}. }

命題三：模型空間本身也是假設

Θt∈Epistemic Hypotheses.\boxed{ \Theta_t \in \text{Epistemic Hypotheses}. }

命題四：較好模型可能不在當前候選集合

T∗∉Θt.\boxed{ T^* \notin \Theta_t. }

命題五：甚至可能不在當前表示語言中

T∗∉Lt.\boxed{ T^* \notin \mathcal L_t. }

命題六：模型空間必須允許擴張

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

命題七：認識論重置不是遺忘

Epistemic Reset≠Epistemic Amnesia.\boxed{ \text{Epistemic Reset} \neq \text{Epistemic Amnesia}. }

命題八：重置應保存證據與失敗

Dt+Ft→Constraints on Θt+1.\boxed{ D_t+F_t \rightarrow \text{Constraints on }\Theta_{t+1}. }

命題九：搜索能力不等於表示開放性

Search Power≠Representational Openness.\boxed{ \text{Search Power} \neq \text{Representational Openness}. }

命題十：高階智能必須具有模型空間修正能力

Intelligence⊃Model-Space Revision Capacity.\boxed{ \text{Intelligence} \supset \text{Model-Space Revision Capacity}. }

系列接口

Paper 01 建立：

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

Paper 02 統一：

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

Paper 03 則正式打開：

T∗∉Θt\boxed{ T^* \notin \Theta_t }

的情況，

使認知更新從「候選淘汰」升級為「模型空間重建」。

下一篇：

Paper 04：《失敗不被刪除：Fold 算子與錯誤的元知識化》

將正式定義：

Fold⁡(Ft)\boxed{ \operatorname{Fold}(F_t) }

如何把失敗模型轉化為：

{Constraint,Counterexample,Boundary,FailureMode,AlternativeOntology,NewQuestion}\boxed{ \{ Constraint, Counterexample, Boundary, FailureMode, AlternativeOntology, NewQuestion \} }

並建立：

Ft→Kt+1meta\boxed{ F_t \rightarrow K_{t+1}^{\mathrm{meta}} }

的失敗折疊機制。