載體幾何 2.0（A06）
高維逆問題：我們到底是哪一個？
從相容宇宙、模型選擇到本體識別的證據階梯
作者：Neo.K 機構：EveMissLab／一言諾科技有限公司 系列：載體幾何 2.0：從 2.5D 視覺到高維符號實在 版本：v0.1 日期：2026-08-23 理論定位：高維宇宙論 × 逆問題 × 科學認識論 × 模型選擇 × 載體本體論
摘要
前五篇已依序建立：人類視覺不應被簡化為完整 R 3 \mathbb R^3 R 3 2.5 D 2.5D 2.5 D
因此本系列最後一篇追問：
如果很多高維模型都能生成與我們相容的世界， 我們究竟憑什麼說「我們是其中哪一個」？ \boxed{
\text{如果很多高維模型都能生成與我們相容的世界，
我們究竟憑什麼說「我們是其中哪一個」？}
} 如果很多高維模型都能生成與我們相容的世界， 我們究竟憑什麼說「我們是其中哪一個」？ 本文將「相容」「偏好」「識別」「本體承諾」分為不同證據等級。設候選高維模型類為 H \mathcal H H D D D F F F
C ϵ ( D ) = { h ∈ H : d ( F ( h ) , D ) ≤ ϵ } . \mathcal C_\epsilon(D)
=
\left\{
h\in\mathcal H:
d(F(h),D)\leq\epsilon
\right\}. C ϵ ( D ) = { h ∈ H : d ( F ( h ) , D ) ≤ ϵ } . 模型選擇的任務不是把任何一個 h ∈ C ϵ ( D ) h\in\mathcal C_\epsilon(D) h ∈ C ϵ ( D )
本文提出「本體識別階梯（Ontic Identification Ladder, OIL）」：
formal validity → empirical compatibility → comparative preference → discriminating prediction → cross-domain convergence → robust identification → class-relative uniqueness → ontic commitment . \text{formal validity}
\rightarrow
\text{empirical compatibility}
\rightarrow
\text{comparative preference}
\rightarrow
\text{discriminating prediction}
\rightarrow
\text{cross-domain convergence}
\rightarrow
\text{robust identification}
\rightarrow
\text{class-relative uniqueness}
\rightarrow
\text{ontic commitment}. formal validity → empirical compatibility → comparative preference → discriminating prediction → cross-domain convergence → robust identification → class-relative uniqueness → ontic commitment . 其中任何一階都不能被後一階的語義提前借用。
本文並提出「候選類封閉問題」：即使在目前考慮的模型集合 H \mathcal H H h ⋆ h^\star h ⋆
h ⋆ = arg best h ∈ H P ( h ∣ D ) , h^\star
=
\operatorname*{arg\,best}_{h\in\mathcal H}
P(h\mid D), h ⋆ = h ∈ H arg best P ( h ∣ D ) , 或在更強條件下得到：
C ϵ ( D ) ∩ H = { h ⋆ } , \mathcal C_\epsilon(D)\cap\mathcal H
=
\{h^\star\}, C ϵ ( D ) ∩ H = { h ⋆ } , 卻仍不能證明：
H = H a l l p o s s i b l e . \boxed{
\mathcal H
=
\mathcal H_{\mathrm{all\ possible}}.
} H = H all possible . 因此「候選類內唯一」與「宇宙本體唯一」必須分開。
本文以有效場論的 UV/IR matching、宇宙學 Bayesian model comparison、弦論 landscape 與量子重力理論欠定性作為現有學術鄰居。這些案例共同說明：科學實踐真正需要的不是單一模型能否事後容納資料，而是競爭模型是否能被新的、獨立的、可重複的觀測分開。
本篇最後形成 Series A 的總結命題：
Representation ≠ Compatibility ≠ Identification ≠ Ontology . \boxed{
\text{Representation}
\neq
\text{Compatibility}
\neq
\text{Identification}
\neq
\text{Ontology}.
} Representation = Compatibility = Identification = Ontology . 並為下一系列「可達性宇宙論」建立接口：如果本體來源在原理上或當前技術下存在不可區分區域，那麼真正要研究的下一個問題便不再只是「世界是哪個模型」，而是「不同觀察者、不同 AI、不同機器或不同存在，究竟能接觸到實在的哪些自由度」。
關鍵詞： 高維逆問題、模型選擇、Bayesian evidence、underdetermination、string landscape、UV completion、本體識別、候選類封閉、資訊增益、載體幾何
1. Series A 最後的問題
前五篇已經拆掉五個過度簡化的等號。
A01：
3D world experience ≠ native complete R 3 representation . \text{3D world experience}
\neq
\text{native complete }\mathbb R^3\text{ representation}. 3D world experience = native complete R 3 representation . A02：
physical 2 D ≠ perceptual 2 D . \text{physical }2D
\neq
\text{perceptual }2D. physical 2 D = perceptual 2 D . A03：
successful 4 D inference ≠ native 4 D phenomenology . \text{successful }4D\text{ inference}
\neq
\text{native }4D\text{ phenomenology}. successful 4 D inference = native 4 D phenomenology . A04：
Imaginability ≠ Identifiability . \text{Imaginability}
\neq
\text{Identifiability}. Imaginability = Identifiability . A05：
Formal Specification Completeness ≠ Ontic Completeness . \text{Formal Specification Completeness}
\neq
\text{Ontic Completeness}. Formal Specification Completeness = Ontic Completeness . 現在只剩最後一個問題：
如果不同高維模型都能相容於我們，我們憑什麼挑其中一個？
2. 先把「相容」的語義壓低
設候選模型為：
h ∈ H . h\in\mathcal H. h ∈ H . 資料為：
D . D. D . 模型透過：
F : H → O F:
\mathcal H
\rightarrow
\mathcal O F : H → O 產生可觀測結果。
若：
d ( F ( h ) , D ) ≤ ϵ , d(F(h),D)\leq\epsilon, d ( F ( h ) , D ) ≤ ϵ , 則只能說：
h is compatible with D . \boxed{
h\text{ is compatible with }D.
} h is compatible with D . 相容的意思是：
目前資料沒有把它排除。
相容不等於：
它被唯一證實。
更不等於：
它就是實在。
因此第一條規則是：
Compatibility = survival under current evidence , \boxed{
\text{Compatibility}
=
\text{survival under current evidence},
} Compatibility = survival under current evidence , 而不是本體身份證。
3. 相容纖維重新登場
A04 定義：
C ϵ ( D ) = { h ∈ H : d ( F ( h ) , D ) ≤ ϵ } . \mathcal C_\epsilon(D)
=
\left\{
h\in\mathcal H:
d(F(h),D)\leq\epsilon
\right\}. C ϵ ( D ) = { h ∈ H : d ( F ( h ) , D ) ≤ ϵ } . 若：
∣ C ϵ ( D ) ∣ = 1 , |\mathcal C_\epsilon(D)|=1, ∣ C ϵ ( D ) ∣ = 1 , 候選在指定類內唯一。
若：
∣ C ϵ ( D ) ∣ ≫ 1 , |\mathcal C_\epsilon(D)|\gg1, ∣ C ϵ ( D ) ∣ ≫ 1 , 則：
D does not identify a unique h . \boxed{
D
\text{ does not identify a unique }h.
} D does not identify a unique h . 所以「我們是哪一個？」首先不是哲學問題，而是：
How small is C ϵ ( D ) ? \boxed{
\text{How small is }\mathcal C_\epsilon(D)?
} How small is C ϵ ( D )? 4. 模型選擇不是模型證明
宇宙學中常使用：
goodness of fit；
likelihood ratio；
Bayesian evidence；
Bayes factor；
AIC；
BIC；
cross-validation；
information criteria；
比較模型。
這些方法回答的是不同版本的：
在既定候選集合與統計假設下， 哪個模型得到較高支持？ \boxed{
\text{在既定候選集合與統計假設下，
哪個模型得到較高支持？}
} 在既定候選集合與統計假設下， 哪個模型得到較高支持？ 它們並不直接回答：
Which model is literally the ontology of reality? \boxed{
\text{Which model is literally the ontology of reality?}
} Which model is literally the ontology of reality? 因此：
Model Selection ≠ Ontic Proof . \text{Model Selection}
\neq
\text{Ontic Proof}. Model Selection = Ontic Proof . 5. Bayesian 比較能做什麼？
給定候選：
H i , H_i, H i , Bayes 定理：
P ( H i ∣ D ) = P ( D ∣ H i ) P ( H i ) P ( D ) . P(H_i\mid D)
=
\frac{
P(D\mid H_i)P(H_i)
}{
P(D)
}. P ( H i ∣ D ) = P ( D ) P ( D ∣ H i ) P ( H i ) . 對兩模型：
H 1 , H 2 H_1,H_2 H 1 , H 2 可以比較 posterior odds：
P ( H 1 ∣ D ) P ( H 2 ∣ D ) = P ( D ∣ H 1 ) P ( D ∣ H 2 ) P ( H 1 ) P ( H 2 ) . \frac{
P(H_1\mid D)
}{
P(H_2\mid D)
}
=
\frac{
P(D\mid H_1)
}{
P(D\mid H_2)
}
\frac{
P(H_1)
}{
P(H_2)
}. P ( H 2 ∣ D ) P ( H 1 ∣ D ) = P ( D ∣ H 2 ) P ( D ∣ H 1 ) P ( H 2 ) P ( H 1 ) . 其中第一項是 Bayes factor，第二項包含 prior odds。
這允許我們量化：
relative evidential support . \boxed{
\text{relative evidential support}.
} relative evidential support . 但仍不能消除：
prior dependence；
candidate-set dependence；
model misspecification；
unconceived alternatives。
所以：
P ( H 1 ∣ D ) ≫ P ( H 2 ∣ D ) \boxed{
P(H_1\mid D)\gg P(H_2\mid D)
} P ( H 1 ∣ D ) ≫ P ( H 2 ∣ D ) 代表強烈相對偏好，
不是數學上的：
H 1 = R . H_1=\mathcal R. H 1 = R . 6. 真正強的證據不是事後擬合，而是區分性預測
假設兩個模型：
H 1 , H 2 H_1,H_2 H 1 , H 2 都已經 fitting：
D 0 . D_0. D 0 . 則：
P ( D 0 ∣ H 1 ) ≈ P ( D 0 ∣ H 2 ) . P(D_0\mid H_1)
\approx
P(D_0\mid H_2). P ( D 0 ∣ H 1 ) ≈ P ( D 0 ∣ H 2 ) . 最有價值的是找到：
Z Z Z 使：
P ( Z ∣ H 1 ) ≠ P ( Z ∣ H 2 ) . P(Z\mid H_1)
\neq
P(Z\mid H_2). P ( Z ∣ H 1 ) = P ( Z ∣ H 2 ) . 尤其如果：
Z Z Z 是在測量以前由模型推出，而不是看完資料後才調整。
因此本文提出：
discriminating novel prediction > post hoc compatibility \boxed{
\text{discriminating novel prediction}
>
\text{post hoc compatibility}
} discriminating novel prediction > post hoc compatibility 作為證據階梯。
7. 實驗的真正價值是縮小候選集
假設原候選後驗熵：
H ( H ∣ D ) . H(\mathcal H\mid D). H ( H ∣ D ) . 執行實驗：
e . e. e . 得到結果：
z . z. z . 實驗資訊增益可寫為：
I G ( e ) = H ( H ∣ D ) − E z [ H ( H ∣ D , z , e ) ] . IG(e)
=
H(\mathcal H\mid D)
-
\mathbb E_z
\left[
H(\mathcal H\mid D,z,e)
\right]. I G ( e ) = H ( H ∣ D ) − E z [ H ( H ∣ D , z , e ) ] . 因此理想實驗：
e ⋆ = arg max e I G ( e ) . \boxed{
e^\star
=
\arg\max_e IG(e).
} e ⋆ = arg e max I G ( e ) . 這表示真正好的高維實驗不是「再多量一點數據」而已，而是：
最大化競爭本體模型之間的區分力。
8. 一個模型通過一次測試還不夠
如果：
H 1 H_1 H 1 只在：
O 1 O_1 O 1 上成功，
仍可能是偶然 fitting。
更強的是同一底層結構同時解釋：
O 1 , O 2 , O 3 , … , O k O_1,
O_2,
O_3,
\ldots,O_k O 1 , O 2 , O 3 , … , O k 而這些觀測來自：
不同尺度；
不同儀器；
不同實驗設計；
不同現象領域；
不同資料生成機制。
則：
cross-domain convergence \boxed{
\text{cross-domain convergence}
} cross-domain convergence 的證據力上升。
9. 多通道三角測量
設實在：
R \mathcal R R 透過不同測量通道：
μ 1 , … , μ k \mu_1,\ldots,\mu_k μ 1 , … , μ k 產生：
D 1 , … , D k . D_1,\ldots,D_k. D 1 , … , D k . 候選模型：
H i H_i H i 則產生：
F i 1 , … , F i k . F_{i1},\ldots,F_{ik}. F i 1 , … , F ik . 強模型應滿足：
F i j ( H i ) ≈ D j F_{ij}(H_i)
\approx
D_j F ij ( H i ) ≈ D j 對多個相互獨立通道成立。
因此：
multi-channel triangulation \boxed{
\text{multi-channel triangulation}
} multi-channel triangulation 比單一資料流更有能力排除：
representation artifacts . \text{representation artifacts}. representation artifacts . 10. Robustness：不能只在一個脆弱參數點成功
如果模型只有在：
θ = θ ⋆ \theta=\theta^\star θ = θ ⋆ 極精細調整時成功，而：
θ ⋆ + δ θ \theta^\star+\delta\theta θ ⋆ + δ θ 立即導致災難性失配，那麼其解釋力需要更多檢查。
可以定義局部穩健度：
R ( H ) = P ( d ( F ( H , θ + δ θ ) , D ) ≤ ϵ ) R(H)
=
P
\left(
d(F(H,\theta+\delta\theta),D)
\leq\epsilon
\right) R ( H ) = P ( d ( F ( H , θ + δ θ ) , D ) ≤ ϵ ) 其中：
δ θ \delta\theta δ θ 在合理不確定範圍抽樣。
因此：
robust success > single-point fit \boxed{
\text{robust success}
>
\text{single-point fit}
} robust success > single-point fit 通常具有更強證據力。
11. 干預與操控：如果能碰到它，證據通常更強
在實驗科學中，如果模型提出某個實體或結構：
X , X, X , 而我們能：
d o ( X = x ) do(X=x) d o ( X = x ) 並穩定改變：
Y , Y, Y , 則對 X X X
形式上：
P ( Y ∣ d o ( X = x 1 ) ) ≠ P ( Y ∣ d o ( X = x 2 ) ) . P(Y\mid do(X=x_1))
\neq
P(Y\mid do(X=x_2)). P ( Y ∣ d o ( X = x 1 )) = P ( Y ∣ d o ( X = x 2 )) . 這比單純觀察相關性更強。
但宇宙學與高能物理常面臨一個限制：
我們未必能直接操控宇宙初始條件、高維幾何或 Planck-scale 結構。
因此這些領域需要以：
自然實驗；
多信使觀測；
跨尺度一致性；
特殊殘留訊號；
替代直接干預的一部分功能。
12. 高維理論最值得找的是「低維指紋」
假設高維結構：
H H H 無法直接被感測。
那麼真正可驗證的必須是它在低維留下的：
fingerprint ( H ) . \boxed{
\text{fingerprint}(H).
} fingerprint ( H ) . 例如抽象地：
FP ( H ) = ( f 1 , f 2 , … , f k ) \operatorname{FP}(H)
=
\left(
f_1,
f_2,
\ldots,
f_k
\right) FP ( H ) = ( f 1 , f 2 , … , f k ) 其中每個：
f i f_i f i 是可測不變量、譜結構、耦合關係、對稱限制或其他低能遺跡。
理論越強，越應該產生：
hard-to-mimic fingerprints . \boxed{
\text{hard-to-mimic fingerprints}.
} hard-to-mimic fingerprints . 如果任何競爭理論都能輕易複製所有指紋，識別力仍然很低。
13. UV/IR matching 就是一個現成的識別範例
有效場論提供非常清楚的結構。
高能模型：
U i U_i U i 經 matching 得到低能 EFT：
E ( U i ) . E(U_i). E ( U i ) . 若：
E ( U 1 ) ≈ E ( U 2 ) , E(U_1)
\approx
E(U_2), E ( U 1 ) ≈ E ( U 2 ) , 目前低能實驗便難以區分：
U 1 U_1 U 1 與：
U 2 . U_2. U 2 . 要識別 UV 來源，就需要找到 EFT coefficients 或其他觀測模式，使：
E ( U 1 ) ≠ E ( U 2 ) E(U_1)
\neq
E(U_2) E ( U 1 ) = E ( U 2 ) 在可達精度下出現。
因此高能物理實際上早就在處理：
Which UV candidate generated this IR pattern? \boxed{
\text{Which UV candidate generated this IR pattern?}
} Which UV candidate generated this IR pattern? 這與本文高維宇宙逆問題是同一類認識論結構。
14. 但低能資料可能永遠只識別一個 UV 等價類
設：
U i ∼ I R U j U_i\sim_{\mathrm{IR}}U_j U i ∼ IR U j 當：
E ( U i ) = E ( U j ) E(U_i)
=
E(U_j) E ( U i ) = E ( U j ) 在所有可達低能觀測上成立。
則低能科學真正識別的是：
[ U ] I R . \boxed{
[U]_{\mathrm{IR}}.
} [ U ] IR . 如果沒有新的高能通道：
U i U_i U i 與：
U j U_j U j 可能永久留在同一等價類。
這時不應硬選其中一個。
15. String landscape 把問題放大到宇宙尺度
弦論 landscape 中的問題不是單純：
有很多數學解。
而是：
如何從巨大可能真空空間中得到代表我們世界的那個物理真空？
現有文獻長期探索：
cosmological dynamics；
anthropic reasoning；
statistical distributions；
vacuum transitions；
consistency constraints；
Swampland-style exclusions；
但並不存在一個已被普遍接受、能乾淨唯一選出我們真空的通用機制。
因此 landscape 的方法論意義是：
candidate generation ≫ candidate identification \boxed{
\text{candidate generation}
\gg
\text{candidate identification}
} candidate generation ≫ candidate identification 可以成為真實研究困境。
16. Anthropic selection 能縮小集合，但其語義必須標記
若候選集合：
C \mathcal C C 先以：
observer-compatible \text{observer-compatible} observer-compatible 條件過濾：
C o b s = { h ∈ C : observers possible in h } , \mathcal C_{\mathrm{obs}}
=
\left\{
h\in\mathcal C:
\text{observers possible in }h
\right\}, C obs = { h ∈ C : observers possible in h } , 則：
∣ C o b s ∣ < ∣ C ∣ |\mathcal C_{\mathrm{obs}}|
<
|\mathcal C| ∣ C obs ∣ < ∣ C ∣ 可能成立。
但這是一種：
conditional selection \boxed{
\text{conditional selection}
} conditional selection 而不是自動的動力學生成機制。
因此必須區分：
Why is this vacuum realized? \text{Why is this vacuum realized?} Why is this vacuum realized? 與：
Why can observers only find themselves in this subset? \text{Why can observers only find themselves in this subset?} Why can observers only find themselves in this subset? 兩者不是完全同一問題。
17. Swampland 類約束的真正價值：縮小候選空間
如果量子重力一致性條件可以把看似合理的低能 EFT 分成：
Landscape \text{Landscape} Landscape 與：
Swampland , \text{Swampland}, Swampland , 那麼其核心識別價值就是：
H → H c o n s i s t e n t \boxed{
\mathcal H
\rightarrow
\mathcal H_{\mathrm{consistent}}
} H → H consistent 的候選削減。
也就是：
不一定直接告訴我們世界是哪一個，但先排除大量不可能候選。
這仍然是非常強的科學進展。
18. 排除有時比支持更有辨識力
若：
H 1 , H 2 , H 3 H_1,H_2,H_3 H 1 , H 2 , H 3 都能解釋既有資料，
但新觀測：
Z Z Z 使：
P ( Z ∣ H 2 ) ≈ 0 , P(Z\mid H_2)\approx0, P ( Z ∣ H 2 ) ≈ 0 , P ( Z ∣ H 3 ) ≈ 0 , P(Z\mid H_3)\approx0, P ( Z ∣ H 3 ) ≈ 0 , 而：
P ( Z ∣ H 1 ) > 0 , P(Z\mid H_1)>0, P ( Z ∣ H 1 ) > 0 , 則：
Z Z Z 的價值主要來自：
exclusion power . \boxed{
\text{exclusion power}.
} exclusion power . 所以高維理論需要的不一定是更多「可以解釋什麼」，而是：
它禁止什麼？ \boxed{
\text{它禁止什麼？}
} 它禁止什麼？ 19. 本體識別階梯 OIL
本文正式提出：
Ontic Identification Ladder \boxed{
\text{Ontic Identification Ladder}
} Ontic Identification Ladder 簡寫：
O I L . OIL. O I L . Level 0：形式合法
H H H 數學自洽。
Level 1：經驗相容
F ( H ) ≈ D . F(H)\approx D. F ( H ) ≈ D . Level 2：比較偏好
相對其他候選：
P ( H ∣ D ) P(H\mid D) P ( H ∣ D ) 更高。
Level 3：區分性新預測
存在新：
Z Z Z 能把 H H H
Level 4：跨域收斂
同一結構成功解釋多個獨立觀測域。
Level 5：穩健識別
結果對合理 prior、參數擾動與分析方法仍穩定。
Level 6：候選類內唯一
C ϵ ( D ) ∩ H = { H ⋆ } . \mathcal C_\epsilon(D)\cap\mathcal H
=
\{H^\star\}. C ϵ ( D ) ∩ H = { H ⋆ } . Level 7：高本體承諾
在長期跨域、排他、因果與歷史證據下，合理地對某些結構採取強實在論態度。
但即使 Level 7，也不等於邏輯上獲得：
R = H ⋆ \mathcal R=H^\star R = H ⋆ 的不可修正證明。
20. 候選類封閉問題
這是 A06 最重要的新問題之一。
假設：
H = { H 1 , H 2 , H 3 } \mathcal H
=
\{H_1,H_2,H_3\} H = { H 1 , H 2 , H 3 } 而資料唯一選出：
H 2 . H_2. H 2 . 則我們得到：
H 2 is unique within H . \boxed{
H_2
\text{ is unique within }\mathcal H.
} H 2 is unique within H . 但真正所有可能理論集合為：
H a l l . \mathcal H_{\mathrm{all}}. H all . 我們並不知道：
H = H a l l . \mathcal H=\mathcal H_{\mathrm{all}}. H = H all . 完全可能存在尚未構想到的：
H 4 H_4 H 4 同樣或更好地解釋資料。
因此：
class-relative uniqueness ≠ absolute ontic uniqueness . \boxed{
\text{class-relative uniqueness}
\neq
\text{absolute ontic uniqueness}.
} class-relative uniqueness = absolute ontic uniqueness . 21. Unconceived alternatives：未知模型永遠是殘餘風險
科學史提供大量理論替換案例。
因此即使目前：
P ( H ⋆ ∣ D , H ) ≈ 1 , P(H^\star\mid D,\mathcal H)\approx1, P ( H ⋆ ∣ D , H ) ≈ 1 , 仍應標記條件：
∣ H . \boxed{
\mid\mathcal H.
} ∣ H . 也就是：
在目前已建構且認真比較的候選類中。
這個條件不能被省略成：
宇宙必然就是 H ⋆ H^\star H ⋆
22. 那科學是不是永遠什麼都不知道？
不是。
若新資料不斷讓：
C ( 0 ) ⊃ C ( 1 ) ⊃ C ( 2 ) ⊃ ⋯ \mathcal C^{(0)}
\supset
\mathcal C^{(1)}
\supset
\mathcal C^{(2)}
\supset
\cdots C ( 0 ) ⊃ C ( 1 ) ⊃ C ( 2 ) ⊃ ⋯ 並且某些結構：
I I I 在多代理、多方法、多尺度與理論更替下持續保留：
I ∈ ⋂ k C ( k ) , I\in
\bigcap_k
\mathcal C^{(k)}, I ∈ k ⋂ C ( k ) , 那麼對：
I I I 給予較強實在論承諾是合理的。
因此本文不是要求：
certainty = 1. \text{certainty}=1. certainty = 1. 而是：
ontic confidence should track evidential invariance . \boxed{
\text{ontic confidence should track evidential invariance}.
} ontic confidence should track evidential invariance . 23. 不變量可能比完整模型更值得相信
假設：
H 1 , H 2 , H 3 H_1,
H_2,
H_3 H 1 , H 2 , H 3 彼此不同，但都包含：
I . I. I . 且：
I I I 持續被多種實驗直接約束。
那麼可能：
P ( I is physically instantiated ∣ D ) P(I\text{ is physically instantiated}\mid D) P ( I is physically instantiated ∣ D ) 比：
P ( H i is literally complete ontology ∣ D ) P(H_i\text{ is literally complete ontology}\mid D) P ( H i is literally complete ontology ∣ D ) 更高。
這與 structural realism 相容。
因此：
partial realism \boxed{
\text{partial realism}
} partial realism 往往比：
all-or-nothing model realism \boxed{
\text{all-or-nothing model realism}
} all-or-nothing model realism 更合理。
24. 對高維「維度數」本身也應採分量實在論
假設某理論使用：
11 D . 11D. 11 D . 我們至少應分開：
十一個形式自由度是否必要？
十一維是否為表示冗餘？
是否有十一起獨立物理模式？
是否存在低能可測指紋？
其他維數模型是否已被排除？
十一維是否在所有 dual description 中保持？
只有最後若干層都得到強支持時，才有資格提高：
C o n t ( d = 11 ) . C_{\mathrm{ont}}(d=11). C ont ( d = 11 ) . 因此：
dimension count itself is a hypothesis . \boxed{
\text{dimension count itself is a hypothesis}.
} dimension count itself is a hypothesis . 25. 母集—子集關係也必須進入候選比較
如果：
H h i g h H_{\mathrm{high}} H high 與：
O o u r s O_{\mathrm{ours}} O ours 的關係有多種可能：
F 1 = embedding , F_1=\text{embedding}, F 1 = embedding , F 2 = projection , F_2=\text{projection}, F 2 = projection , F 3 = compactification , F_3=\text{compactification}, F 3 = compactification , F 4 = quotient , F_4=\text{quotient}, F 4 = quotient , F 5 = effective reduction , F_5=\text{effective reduction}, F 5 = effective reduction , F 6 = duality , F_6=\text{duality}, F 6 = duality , 那麼：
F F F 本身也是待識別變數。
所以不只要比較：
H i , H_i, H i , 還要比較：
( H i , F j ) . (H_i,F_j). ( H i , F j ) . 真正候選空間是：
K = H × F . \boxed{
\mathcal K
=
\mathcal H
\times
\mathcal F.
} K = H × F . 這比「高維母宇宙包含我們」更一般。
26. 觀察者模型也可能是候選的一部分
A01–A03 已經顯示：
observation \text{observation} observation 不是中性透明窗戶。
所以真正完整的前向模型可能是：
D = O A ∘ F ( H ) . D
=
O_A
\circ
F
(H). D = O A ∘ F ( H ) . 其中：
A A A 是觀察者／載體模型。
因此候選實際上可能是：
( H , F , A ) . \boxed{
(H,F,A).
} ( H , F , A ) . 如果對觀察者模型估錯，可能把：
observer limitation \text{observer limitation} observer limitation 誤判成：
world structure . \text{world structure}. world structure . 這正是 Series A 從視覺研究一路走到宇宙論的真正閉環。
27. AI 可以幫忙，但不能消除證據問題
AI 可以：
搜索更大的候選空間；
自動推導低能結果；
尋找區分性觀測；
設計高資訊增益實驗；
建立多模態高維表示；
發現人類未想到的模型。
因此 AI 可以顯著增加：
candidate generation \text{candidate generation} candidate generation 以及：
candidate discrimination . \text{candidate discrimination}. candidate discrimination . 但如果外部世界只提供有限資料：
D , D, D , 那麼 AI 也不能從不存在的訊息中邏輯地恢復唯一來源。
所以：
better reasoner ⇏ more information than the channel contains . \boxed{
\text{better reasoner}
\not\Rightarrow
\text{more information than the channel contains}.
} better reasoner ⇒ more information than the channel contains . AI 能改善的是如何榨取與設計資訊，而不是憑空解除不可識別性。
28. 如果某些候選永遠不可區分呢？
假設：
H 1 ≠ H 2 H_1\neq H_2 H 1 = H 2 但對所有原理上允許的觀測：
O ∈ O p o s s i b l e , O\in\mathcal O_{\mathrm{possible}}, O ∈ O possible , 皆有：
P ( O ∣ H 1 ) = P ( O ∣ H 2 ) . P(O\mid H_1)
=
P(O\mid H_2). P ( O ∣ H 1 ) = P ( O ∣ H 2 ) . 則：
H 1 ∼ o p H 2 . H_1
\sim_{\mathrm{op}}
H_2. H 1 ∼ op H 2 . 這時物理上真正可識別的對象可能是：
[ H ] o p . \boxed{
[H]_{\mathrm{op}}.
} [ H ] op . 而不是其中某個私人本體描述。
這個問題將直接進入 Series B 的「可達性宇宙論」。
29. 不可區分不等於相同
必須保留：
H 1 ≠ H 2 H_1\neq H_2 H 1 = H 2 在形而上學上可能成立。
但同時：
[ H 1 ] o p = [ H 2 ] o p [H_1]_{\mathrm{op}}
=
[H_2]_{\mathrm{op}} [ H 1 ] op = [ H 2 ] op 在操作科學上成立。
所以：
ontic difference ⇏ operational difference . \boxed{
\text{ontic difference}
\not\Rightarrow
\text{operational difference}.
} ontic difference ⇒ operational difference . 但同樣：
operational equivalence ⇏ proven ontic identity . \boxed{
\text{operational equivalence}
\not\Rightarrow
\text{proven ontic identity}.
} operational equivalence ⇒ proven ontic identity . 這條雙向限制避免過度實在論，也避免過度反實在論。
30. Series A 的總證據鏈
本系列最後可以寫成：
R → coupling S A → encoding V A → world-model construction W A → formalization M → candidate extension H → forward models O . \mathcal R
\xrightarrow{\text{coupling}}
S_A
\xrightarrow{\text{encoding}}
V_A
\xrightarrow{\text{world-model construction}}
W_A
\xrightarrow{\text{formalization}}
M
\xrightarrow{\text{candidate extension}}
\mathcal H
\xrightarrow{\text{forward models}}
\mathcal O. R coupling S A encoding V A world-model construction W A formalization M candidate extension H forward models O . 科學反過來做：
O → C ϵ → model comparison → new tests → candidate reduction → ontic commitment . \mathcal O
\rightarrow
\mathcal C_\epsilon
\rightarrow
\text{model comparison}
\rightarrow
\text{new tests}
\rightarrow
\text{candidate reduction}
\rightarrow
\text{ontic commitment}. O → C ϵ → model comparison → new tests → candidate reduction → ontic commitment . 因此：
Perception → Representation → Model \boxed{
\text{Perception}
\rightarrow
\text{Representation}
\rightarrow
\text{Model}
} Perception → Representation → Model 與：
Evidence → Identification → Ontology \boxed{
\text{Evidence}
\rightarrow
\text{Identification}
\rightarrow
\text{Ontology}
} Evidence → Identification → Ontology 是兩條不同方向的鏈。
31. Series A 的六篇可以壓成六個否定式
A01：
world experience ⇏ native full 3 D . \boxed{
\text{world experience}
\not\Rightarrow
\text{native full }3D.
} world experience ⇒ native full 3 D . A02：
physical carrier dimension ⇏ perceptual dimension . \boxed{
\text{physical carrier dimension}
\not\Rightarrow
\text{perceptual dimension}.
} physical carrier dimension ⇒ perceptual dimension . A03：
high-dimensional inference ⇏ full high-dimensional phenomenology . \boxed{
\text{high-dimensional inference}
\not\Rightarrow
\text{full high-dimensional phenomenology}.
} high-dimensional inference ⇒ full high-dimensional phenomenology . A04：
candidate generation ⇏ candidate identification . \boxed{
\text{candidate generation}
\not\Rightarrow
\text{candidate identification}.
} candidate generation ⇒ candidate identification . A05：
formal completeness ⇏ ontic completeness . \boxed{
\text{formal completeness}
\not\Rightarrow
\text{ontic completeness}.
} formal completeness ⇒ ontic completeness . A06：
best compatible model ⇏ absolute ontic uniqueness . \boxed{
\text{best compatible model}
\not\Rightarrow
\text{absolute ontic uniqueness}.
} best compatible model ⇒ absolute ontic uniqueness . 32. 但六篇並不是純否定，而是一套正向研究程序
真正的正向程序是：
Specify the carrier \boxed{
\text{Specify the carrier}
} Specify the carrier Specify the representation \boxed{
\text{Specify the representation}
} Specify the representation Specify the forward map \boxed{
\text{Specify the forward map}
} Specify the forward map Enumerate serious alternatives \boxed{
\text{Enumerate serious alternatives}
} Enumerate serious alternatives Quotient representation redundancy \boxed{
\text{Quotient representation redundancy}
} Quotient representation redundancy Find discriminating observables \boxed{
\text{Find discriminating observables}
} Find discriminating observables Maximize information gain \boxed{
\text{Maximize information gain}
} Maximize information gain Update confidence without semantic inflation \boxed{
\text{Update confidence without semantic inflation}
} Update confidence without semantic inflation 這才是「不要相信眼睛」真正成熟的版本。
不是什麼都不信。
而是：
每一種相信，都要知道自己相信到哪一層。
33. 核心命題
命題 A06-1：相容非識別
H ∈ C ϵ ( D ) ⇏ H = H ⋆ . \boxed{
H\in\mathcal C_\epsilon(D)
\not\Rightarrow
H=H^\star.
} H ∈ C ϵ ( D ) ⇒ H = H ⋆ . 命題 A06-2：比較偏好非本體證明
P ( H i ∣ D ) > P ( H j ∣ D ) ⇏ H i = R . \boxed{
P(H_i\mid D)>
P(H_j\mid D)
\not\Rightarrow
H_i=\mathcal R.
} P ( H i ∣ D ) > P ( H j ∣ D ) ⇒ H i = R . 命題 A06-3：區分性預測優先
若：
P ( Z ∣ H i ) P(Z\mid H_i) P ( Z ∣ H i ) 在競爭模型間差異更大，則 Z Z Z
命題 A06-4：候選類內唯一非絕對唯一
C ϵ ( D ) ∩ H = { H ⋆ } \boxed{
\mathcal C_\epsilon(D)\cap\mathcal H
=
\{H^\star\}
} C ϵ ( D ) ∩ H = { H ⋆ } 不推出：
H = H a l l . \boxed{
\mathcal H
=
\mathcal H_{\mathrm{all}}.
} H = H all . 命題 A06-5：本體置信應追蹤跨方法不變性
若某結構在多觀測、多模型、多尺度與理論替換下持續保留，則對其本體承諾可高於對整體形式模型的承諾。
命題 A06-6：永久不可區分時，操作等價類是科學極限對象
若：
∀ O , P ( O ∣ H 1 ) = P ( O ∣ H 2 ) , \forall O,
\quad
P(O\mid H_1)
=
P(O\mid H_2), ∀ O , P ( O ∣ H 1 ) = P ( O ∣ H 2 ) , 則：
H 1 ∼ o p H 2 . \boxed{
H_1\sim_{\mathrm{op}}H_2.
} H 1 ∼ op H 2 . 在操作科學內，應優先處理：
[ H ] o p . [H]_{\mathrm{op}}. [ H ] op . 34. 結論：我們到底是哪一個？
答案不是：
已知。
也不是：
永遠不可能知道。
而是：
目前能知道多少， 取決於候選模型間是否存在可被取得的區分資訊。 \boxed{
\text{目前能知道多少，
取決於候選模型間是否存在可被取得的區分資訊。}
} 目前能知道多少， 取決於候選模型間是否存在可被取得的區分資訊。 如果我們找到：
Z 1 , Z 2 , … , Z k Z_1,Z_2,\ldots,Z_k Z 1 , Z 2 , … , Z k 逐步使：
C ( 0 ) ⊃ C ( 1 ) ⊃ ⋯ ⊃ { H ⋆ } , \mathcal C^{(0)}
\supset
\mathcal C^{(1)}
\supset
\cdots
\supset
\{H^\star\}, C ( 0 ) ⊃ C ( 1 ) ⊃ ⋯ ⊃ { H ⋆ } , 那麼：
H ⋆ H^\star H ⋆ 的識別置信度會非常高。
如果仍然有：
H 1 ∼ o p H 2 , H_1\sim_{\mathrm{op}}H_2, H 1 ∼ op H 2 , 那麼目前最誠實的科學回答就是：
不知道哪一個； 目前只能知道它們屬於同一可操作等價類。 \boxed{
\text{不知道哪一個；
目前只能知道它們屬於同一可操作等價類。}
} 不知道哪一個； 目前只能知道它們屬於同一可操作等價類。 而這不是失敗。
它是一個已被形式化的知識邊界。
Series A 因此最後得到：
Representation ≠ Compatibility ≠ Identification ≠ Ontology . \boxed{
\text{Representation}
\neq
\text{Compatibility}
\neq
\text{Identification}
\neq
\text{Ontology}.
} Representation = Compatibility = Identification = Ontology . 真正成熟的高維理論，不應只問：
我能不能寫出 5 D 5D 5 D 11 D 11D 11 D X D XD X D
而應依序問：
What is represented? \boxed{
\text{What is represented?}
} What is represented? What is observable? \boxed{
\text{What is observable?}
} What is observable? What alternatives survive? \boxed{
\text{What alternatives survive?}
} What alternatives survive? What observation separates them? \boxed{
\text{What observation separates them?}
} What observation separates them? What remains invariant after every reasonable reinterpretation? \boxed{
\text{What remains invariant after every reasonable reinterpretation?}
} What remains invariant after every reasonable reinterpretation? 到了這裡，載體幾何 2.0 的第一系列完成。
下一系列將把焦點從：
哪一個模型最像實在 \text{哪一個模型最像實在} 哪一個模型最像實在 進一步轉成：
不同觀察者究竟能接觸實在的哪些部分？ \boxed{
\text{不同觀察者究竟能接觸實在的哪些部分？}
} 不同觀察者究竟能接觸實在的哪些部分？ 也就是「可達性宇宙論」。
參考文獻
Hadamard, J. (1923). Lectures on Cauchy's Problem in Linear Partial Differential Equations . Yale University Press.
Tikhonov, A. N. & Arsenin, V. Y. (1977). Solutions of Ill-Posed Problems . Winston.
Trotta, R. (2008). Bayes in the sky: Bayesian inference and model selection in cosmology. Contemporary Physics , 49(2), 71–104. arXiv:0803.4089.
Liddle, A. R. (2009). Statistical Methods for Cosmological Parameter Selection and Estimation. Annual Review of Nuclear and Particle Science , 59, 95–114. DOI: 10.1146/annurev.nucl.010909.083706.
Kerscher, M. & Weller, J. (2019). On Model Selection in Cosmology. SciPost Physics Lecture Notes / arXiv:1901.07726.
Burgess, C. P. (2007). An Introduction to Effective Field Theory. Annual Review of Nuclear and Particle Science , 57, 329–362. DOI: 10.1146/annurev.nucl.56.080805.140508.
Isidori, G., Wilsch, F. & Wyler, D. (2024). The Standard Model effective field theory at work. Reviews of Modern Physics , 96, 015006. DOI: 10.1103/RevModPhys.96.015006.
Quezada-Calonge, C. (2026). Matching UV models to the Higgs effective field theory. The European Physical Journal Special Topics , 235, 2261–2289. DOI: 10.1140/epjs/s11734-026-02300-3.
Douglas, M. R. (2003). The statistics of string/M theory vacua. Journal of High Energy Physics , 2003(05), 046.
Ashok, S. & Douglas, M. R. (2004). Counting Flux Vacua. Journal of High Energy Physics , 2004(01), 060.
Agmon, N. B., Bedroya, A., Kang, M. J. & Vafa, C. (2022). Lectures on the string landscape and the Swampland. arXiv:2212.06187.
Stanford Encyclopedia of Philosophy (Spring 2026). Philosophy of Cosmology .
Stanford Encyclopedia of Philosophy (Fall 2025). Quantum Gravity .
Stanford Encyclopedia of Philosophy (Summer 2026). Realism and Theory Change in Science .
Neo.K (2026). 人類其實看見 3D 嗎？ 載體幾何 2.0 A01.
Neo.K (2026). 平面為何能產生立體感？ 載體幾何 2.0 A02.
Neo.K (2026). 從 2.5D 到 4D . 載體幾何 2.0 A03.
Neo.K (2026). 五維之後：不是不能想，而是候選爆炸 . 載體幾何 2.0 A04.
Neo.K (2026). 高維符號不等於高維實在 . 載體幾何 2.0 A05.
下一系列接口
Series B：可達性宇宙論——共址實在、正交扇區與觀察者邊界
B01 暫定：
《世界不一定隔著距離：從空間分離到可達性分離》
核心命題：
World Separation ⇏ Spatial Separation . \boxed{
\text{World Separation}
\not\Rightarrow
\text{Spatial Separation}.
} World Separation ⇒ Spatial Separation . 並開始形式化：
Ω + { P i , R i , T i } → { W i } , \Omega
+
\{P_i,R_i,T_i\}
\rightarrow
\{W_i\}, Ω + { P i , R i , T i } → { W i } , 即同一底層實在如何在不同可達、解碼與動力扇區中生成不同有效世界。