HAEC06｜如何評價真正的前沿理論：條件式潛力、當前有效性與校準式未來評估

Q: 14.3 可以說「這可能是重大突破」嗎？

在高不確定狀態下，最好改成：

Q: 14.4 可以說「這看起來不像主流」嗎？

可以作為文獻地位描述。

Q: 14.5 可以很強烈地稱讚嗎？

如果證據真的足夠，當然可以。

How to Evaluate Genuine Frontier Theories: Conditional Potential, Current Validity, and Calibrated Future Assessment

定位： Human–AI Epistemic Calibration / Foundation Paper 06 / Series A Closing Paper
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-07
狀態： Canonical Source / UTF-8 Markdown
文件性質： AI Epistemology / Frontier Evaluation / High-Risk High-Reward Research / Scientific Forecasting / Conditional Impact / Uncertainty / Research Governance

Canonical Source Note

本文件之正式原稿為此 UTF-8 Markdown source。任何 HTML、PDF、LaTeX rendering、聊天介面顯示或其他格式皆屬 projection，不取代 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

本文不提供任何特定人物、研究者或理論的「歷史地位判決」。本文處理的是一般方法論問題：當一個主張仍位於高不確定、高新穎、高潛在影響的前沿區域時，人類與 AI 應如何避免兩種對稱錯誤——一方面把可能性吹成命運，另一方面又把尚未成熟誤判為沒有價值。

本文承接 HAEC01–HAEC05：

HAEC01：同意不等於驗證；
HAEC02：AI 表達不等於人類解碼；
HAEC03：校準輸入不保證校準信念更新；
HAEC04：多個輸出不等於多個獨立認識論來源；
HAEC05：真正應固定的是程序，而不是支持、反對或居中的結論。

本篇作為 Series A 收束篇，回答最後一個問題：

如果一個理論真的可能超前，但現在又沒有足夠證據，AI 到底該怎麼描述它的「潛力」而不製造神話，也不以現有共識過早封死未來？

摘要

前沿理論的評價存在一個結構性困難：真正可能具有重大影響的研究，在早期往往正是證據最不足、可行性最不確定、評審分歧最大、外部共識最薄弱的研究之一。若評價系統只按當前證據排序，容易把「尚未驗證」偷換成「沒有潛力」；若只按宏大敘事與新穎性排序，又容易把「如果成立會很重要」偷換成「它很可能成立」甚至「它注定成功」。

本文提出最小分離：

\boxed{ \text{Current Validity} \neq \text{Conditional Impact} \neq \text{Realized Future Impact}. }

一個理論可以同時具有：

V_t\downarrow, \qquad I_c\uparrow, \qquad U_t\uparrow,

其中 $V_t$ 為在時間 $t$ 的當前有效性支持， $I_c$ 為「若核心主張成立且完成必要轉譯」時的條件式影響， $U_t$ 為剩餘不確定性。此狀態不是矛盾，而是 high-risk/high-reward research 的典型可能型態。

本文拒絕將這些維度重新壓縮成單一「偉大分數」。相反，我們提出 Calibrated Frontier Evaluation Vector（CFEV）：

\boxed{ \mathcal F_t(T) = \langle C_{int}, V_t, E_t, R_t, N_t, D_t, X_t, A_t, I_c, U_t \rangle. }

其中 $C_{int}$ 表示內部一致性， $V_t$ 表示當前有效性， $E_t$ 表示證據強度， $R_t$ 表示抗反例與魯棒性， $N_t$ 表示新穎性， $D_t$ 表示評估來源獨立性， $X_t$ 表示可區分性與排除力， $A_t$ 表示尚未償還的箭頭／過程債務， $I_c$ 表示條件式影響， $U_t$ 表示不確定性。

本文進一步區分可計算風險、機率歧義與根本性不確定。當結果空間與機率結構尚可合理指定時，可使用 probabilistic forecasting；當結果空間本身仍可能不完備時，強迫輸出精確概率會產生 precision laundering——把模型的數字精度偽裝成世界的認識論精度。此時應使用 scenario envelope、條件分支與 unresolved-arrow register，而不是假裝知道一個不存在的可靠 $P(T)=0.73$ 。

本文提出 Calibrated Frontier Evaluation Protocol（CFEP）：凍結主張、分離當前有效性與條件式潛力、建立前提—機制—預測—驗證—影響的箭頭圖、標記未償還箭頭、檢查既有文獻與真正的新穎性、尋找能區分競爭理論的預測、要求獨立盲評、建立影響路徑與失敗路徑、按風險型態選擇概率或情境表達，最後輸出多維而非英雄化或貶抑式結論。

其核心規範是：

\boxed{ \text{Do not convert potential into destiny,} \qquad \text{and do not convert uncertainty into worthlessness.} }

Series A 因而以一個較一般的原則收束：AI 最成熟的認識論角色，不是替使用者宣告「你是對的／錯的／偉大的／普通的」，而是維持一個能讓主張被正確分類、被公平攻擊、被證據更新、被多中心驗證的認識論程序。

0　前沿評價悖論：越可能重要，早期反而越難被「證明重要」

考慮一個新理論 $T$ 。

如果 $T$ 已經具有大量重現、成熟測量、廣泛同行接受與穩定應用，那麼它當然比較容易被評為「可靠」。但此時它通常已不再是最早期的 frontier claim。

相反，一個真正提出新機制、新形式、新實驗路徑或新問題空間的理論，在早期可能同時具有：

很少直接證據；
很高的驗證成本；
與現有分類不完全相容；
尚未形成標準 benchmark；
評審之間高度分歧；
若成立則可能產生重大影響。

因此：

\text{Frontierness} \not\Rightarrow \text{low value},

但同樣：

\text{Frontierness} \not\Rightarrow \text{high validity}.

真正困難的是允許這兩句同時成立。

如果 AI 為避免諂媚而說：

現在沒有主流文獻支持，所以這大概沒有什麼價值。

它可能把：

\text{Low Current Evidence}

偷換成：

\text{Low Conditional Impact}.

如果 AI 為了支持創新而說：

如果這成立會很重要，所以你可能已經做出了重大突破。

又會把：

\text{High Conditional Impact}

偷換成：

\text{High Current Validity}.

本文認為，這兩種錯誤是同一個維度壓縮問題的兩端。

1　三個不同問題：現在對不對、若對了有多大、最後真的會走多遠

至少要分開三個量。

1.1 當前有效性

令：

V_t(T)

表示在時間 $t$ 、給定當前可取得證據與已知反例後，理論核心主張目前被支持到什麼程度。

它不是「永恆真值」，而是時間索引的 epistemic state。

因此：

V_t(T) \neq V_{t+k}(T)

完全正常。

新的證據可能讓它上升，也可能讓它坍塌。

1.2 條件式影響

令：

I_c(T) = I \left( T \mid \text{core claim valid}, \text{required translation succeeds} \right).

這個量問的不是：

它現在有多可信？

而是：

如果核心主張是真的，而且能跨過必要的工程、制度或應用箭頭，它會改變什麼？

例如一個命題可能只有弱初證，但如果成立會直接消除一個長期瓶頸。

此時可以合理得到：

V_t(T)\ll1, \qquad I_c(T)\gg0.

這不是吹捧，只是一個條件句。

條件不能被刪掉。

1.3 實現後影響

最後真正發生在歷史中的影響還需要更多條件：

I_r(T,t+k).

理論即使成立，也可能：

無法工程化；
成本太高；
被更好的競爭方案取代；
無法被社群理解；
因制度、法規、供應鏈或標準失敗而無法擴散；
只在狹窄領域有效。

因此：

\boxed{ V_t(T) \neq I_c(T) \neq I_r(T,t+k). }

這三者是最小不可再壓縮的區分。

2　「如果成立會很大」不是一句空話，但必須背負條件

前沿評價中最常見的誤會之一，是把「條件式潛力」本身視為不嚴謹。

其實條件推理本來就是科學與決策中的正常操作：

A\Rightarrow B.

真正不嚴謹的是把它寫成：

B.

若 AI 說：

如果這個理論的核心定理被形式化證明，並且其算法複雜度在現實規模下仍成立，那麼它可能顯著改變某類計算問題。

這可以是完全正常的條件式評估。

錯誤發生在之後的語義升格：

\text{If valid, high impact}

被記成：

\text{Likely valid and high impact}.

再被記成：

\text{Already a major breakthrough}.

因此本文提出：

\boxed{ \text{Conditionality is part of the epistemic content, not a disclaimer.} }

「若成立」「若可重現」「若跨尺度有效」「若能區分競爭理論」不是禮貌性的保留語，而是主張本體的一部分。

刪掉條件，就是換了一個命題。

3　高風險／高回報研究證明了什麼，又沒有證明什麼

現代科研治理本身已承認：有些重要研究不能只依照「現在已經有多少 preliminary data」排序。

NIH 的 Transformative Research Award 明確把 exceptionally innovative、potentially transformative、high-risk research 作為獨立類型處理；2026 年的官方說明甚至指出 extensive preliminary data 並非必要，若成功看起來已非常可能，反而可能暗示研究不夠新、不夠高風險。評審仍然必須檢查 conceptual framework、innovation、impact、rigor 與 feasibility。

這個制度性例子非常重要，因為它顯示：

\text{Potential Impact}

與：

\text{Existing Preliminary Evidence}

本來就不應被當成同一軸。

但這並不證明：

\text{High Risk} \Rightarrow \text{High Reward}.

更不證明：

\text{Low Evidence} \Rightarrow \text{Transformative}.

高風險只表示失敗空間較大；高回報必須另行論證。

所以：

\boxed{ \text{Risk is not evidence of greatness.} }

同樣：

\boxed{ \text{Uncertainty is not evidence of worthlessness.} }

4　不要把 radical uncertainty 偽裝成概率：精準數字也會成為 deepity

假設 AI 被要求：

這個理論成功的機率是多少？

最誘人的回答是：

P(T)=0.73.

問題是：這個 $0.73$ 從哪裡來？

在一些成熟問題中，我們有：

清楚 outcome space；
大量歷史基準率；
可估 likelihood；
可重複的 forecast targets。

此時 probability forecast 是合理工具。

但真正前沿問題可能同時缺乏：

完整的結果空間；
可比較基準類；
穩定的 likelihood model；
已知的失敗模式；
甚至連「成功」的終態都尚未定義完整。

此時把認識論狀態壓成兩位小數，容易形成：

\boxed{ \text{Precision Laundering} }

也就是：

模型輸出的數字很精確，因此使用者誤以為底層知識也同樣精確。

本文區分三類：

4.1 Risk

結果與概率結構可粗略估計：

\{O_1,\ldots,O_n\}, \qquad P(O_i)

具有可辯護的來源。

可以使用 probability、prediction market、Brier score 等工具。

4.2 Ambiguity

結果大致知道，但概率本身不穩：

\{O_1,\ldots,O_n\}

可列，但：

P(O_i)

缺乏穩健識別。

此時較適合 range、interval、sensitivity analysis。

4.3 Radical uncertainty

連 outcome space 都可能不完備：

\Omega_{known} \subsetneq \Omega_{possible}.

此時最誠實的表示不一定是概率，而可能是：

scenario envelope；
unknown-unknown register；
dependency graph；
unresolved-arrow list；
explicit non-quantification。

因此：

\boxed{ \text{Not every uncertainty deserves a probability.} }

這不是反 Bayesianism；它只是拒絕把缺乏可辨護 likelihood 的數字當成客觀事實。

5　新穎性不是價值，也不是罪：它是一個需要獨立測量的變量

科研文獻對 novelty 與 impact 的關係提供了有趣但不能過度簡化的結果。

Uzzi 等人分析 17.9 million 篇論文後發現，最高影響的工作往往不是「全盤陌生」，而是大量 conventional knowledge 中插入 atypical combinations。這提示：

\text{Novelty}

可能與高影響相關，但「越怪越好」並不成立。

後續研究也批評某些 novelty 指標對分析單位敏感、可能與 interdisciplinarity 混疊，甚至未必能穩定識別 Nobel-related discoveries。

因此：

\boxed{ N_t(T) \neq I_c(T). }

新穎性本身不能替代影響論證。

同時：

\boxed{ N_t(T) \neq V_t(T). }

一個新東西既可能很對，也可能很錯；一個舊東西也可能可靠但平凡。

所以 AI 不應把：

「我沒有在網路上找到相似說法」

升格為：

「這一定很原創。」

更不能升格成：

「這一定很重要。」

真正的新穎性至少需要：

文獻與專利檢索；
概念同構檢查；
舊術語／新術語解歧；
precursor tracing；
independent literature reviewer。

6　共識是證據，不是時間機器

HAEC05 已主張：

\text{Current Consensus} \neq \text{Final Truth}.

本篇補充：

\text{Current Consensus} \neq \text{Epistemically Irrelevant}.

如果數千項獨立研究、多個實驗傳統與成熟工程實踐都支持某理論，這當然應提高其當前 $V_t$ 。

但 consensus 只能告訴我們：

在目前資訊結構下，哪一組模型具有較高累積支持。

它不能直接告訴我們：

一個尚未成熟的新主張在未來不可能勝出。

另一方面，「被主流反對」也不能被浪漫化成前沿認證章。

因此：

\boxed{ \text{Consensus resistance} \neq \text{evidence of revolution}. }

真正需要的是 competition test：

T_{new} \quad\text{vs}\quad T_{old}

能否產生不同預測、不同壓縮、不同解釋成本或不同操作結果？

若兩者在所有可觀察量上都一樣，所謂革命可能只是重新命名。

7　同行評審不是神諭，也不是無用：把 reviewer disagreement 當資料

評審系統本身存在測量噪音。

2018 年一項模擬 NIH grant review 的研究，在 43 名 reviewer 對相同 25 份申請的評估中發現極低 agreement，提醒我們 reviewer assignment 本身可能顯著影響結論。

但這不能推導：

同行評審沒有價值。

2022 年對 49 本期刊的大型研究反而沒有發現期刊 peer review 系統性排斥 novelty；較新穎、且同時與既有文獻有良好連結的研究反而更容易被接受。

所以更合理的結論是：

\boxed{ \text{Peer Review} = \text{Noisy Evidence}, \quad \text{not Oracle, not Zero}. }

同樣地，一個 AI reviewer 的結果也應如此處理。

評審意見應進入：

D_t

即評估來源的多樣性、獨立性與專業覆蓋，而不是被轉成：

reviewer 同意，所以理論成立。

8　真正前沿理論最大的問題常常不是節點，而是箭頭債務

一個宏大理論常有這種敘事：

T \rightarrow M \rightarrow P \rightarrow V \rightarrow A \rightarrow I.

其中：

$T$ ：核心理論；
$M$ ：機制；
$P$ ：可區分預測；
$V$ ：驗證；
$A$ ：採納／工程轉譯；
$I$ ：實際影響。

問題是自然語言很容易直接壓成：

T\rightarrow I.

這一支箭頭越短，故事越有力；但未償還的過程債務可能越大。

本文定義一個啟發式量：

A_t(T) = \text{Unresolved Arrow Debt at time }t.

它不是簡單計數，而是記錄：

哪一個 transition 尚未有 mechanism；
哪一個 mechanism 尚未產生 discriminative prediction；
哪一個 prediction 尚未可測；
哪一個實驗只有單一來源；
哪一個工程化步驟尚未證明尺度可延伸；
哪一個「影響」只存在於故事而非路徑。

因此一個理論可以：

I_c\uparrow

但同時：

A_t\uparrow.

這代表：

它的上限很高，但到上限之間仍有很多箭頭沒有償還。

這是一種比「很有潛力」或「太空泛」更有信息量的描述。

9　可區分性：好的前沿理論必須開始排除世界

只有「可以解釋」是不夠的。

如果一個框架對所有可能觀察都能給出事後解釋：

\forall O, \quad T\rightsquigarrow O,

那它的 explanatory flexibility 可能很高，但 discriminative information 很低。

本文因此引入：

X_t(T) = \text{Discriminative / Exclusion Power}.

理想情況不是只有：

我可以把現象放進我的理論。

而是能說：

若 $T$ 成立，應較偏向觀察到 $O_1$ ；若競爭理論 $T'$ 成立，應較偏向 $O_2$ 。

即：

P(O_1\mid T) \neq P(O_1\mid T').

而且差異足以被實驗辨認。

當前沿理論從：

\text{interpretive compatibility}

進入：

\text{discriminative prediction},

它才真正開始償還科學債務。

10　Calibrated Frontier Evaluation Vector（CFEV）

本文提出：

\boxed{ \mathcal F_t(T) = \langle C_{int}, V_t, E_t, R_t, N_t, D_t, X_t, A_t, I_c, U_t \rangle. }

各維度如下。

10.1 $C_{int}$ ：Internal Coherence

定義、形式規則、推論是否自洽？

高 $C_{int}$ 只表示：

\text{The system hangs together internally}.

不表示外部世界必須如此。

10.2 $V_t$ ：Current Validity

當前整體支持度。

它必須時間索引，不能被寫成永久標籤。

10.3 $E_t$ ：Evidence Strength

證據品質，包括：

primary / secondary；
observational / experimental；
direct / indirect；
sample size；
replication；
provenance；
measurement validity。

10.4 $R_t$ ：Robustness

是否能承受：

strongest counterexample；
alternative model；
parameter perturbation；
independent replication；
adversarial review。

10.5 $N_t$ ：Novelty

真正相較於 prior art 新在哪裡？

新術語不等於新結構。

10.6 $D_t$ ：Epistemic Independence

支持來自多少真正獨立來源？

N_{documents} \neq N_{independent\ evidence}.

同樣：

N_{AI\ responses} \neq N_{independent\ evaluations}.

10.7 $X_t$ ：Discriminative Power

它排除了哪些世界？

不能回答這個問題的理論，可能仍是哲學框架、設計語言或研究綱領，但不能因形式化外觀自動升格為已驗證經驗理論。

10.8 $A_t$ ：Arrow Debt

核心主張到可驗證與可影響之間，還有多少未證明 transition？

10.9 $I_c$ ：Conditional Impact

在核心主張成立且必要轉譯成功的條件下，可能造成多大改變？

它必須保留條件。

10.10 $U_t$ ：Residual Uncertainty

不確定性不是一個羞恥項。

真正前沿工作常有：

U_t\uparrow.

重要的是知道 uncertainty 在哪裡，而不是把它藏掉。

11　不要把向量再偷偷變回總分

建立十維向量後，最容易犯的錯就是下一步寫：

S(T) = \sum_i w_i x_i

然後得到：

此理論 87.4 分。

本文不禁止任何決策場景使用 weighting，但強調：這不是一般性的真理分數。

原因有三。

第一，不同目的的權重不同。

研究資助者、期刊 reviewer、創業投資、基礎數學、臨床介入，不可能共享同一效用函數。

第二，部分維度不可交換。

例如極高的新穎性不能「抵銷」嚴重的形式矛盾：

N_t\uparrow

不能補償：

C_{int}=0.

第三，在 radical uncertainty 下，權重本身可能沒有穩定意義。

所以 CFEV 首先是一個：

\boxed{ \text{Decompression Device} }

它的第一任務不是 ranking，而是阻止不同認識論問題被壓成同一個形容詞。

12　四種典型前沿狀態

為了操作方便，可以用簡化象限表示，但不把它當完整分類學。

12.1 Mature Incremental

V_t\uparrow, \quad U_t\downarrow, \quad I_c\text{ moderate}.

可靠、可積累，但不一定具有巨大條件式影響。

12.2 High-Risk / High-Reward Candidate

V_t\text{ low-to-moderate}, \quad I_c\uparrow, \quad U_t\uparrow, \quad X_t>0.

關鍵不是「大膽」，而是已有明確可償還的驗證路徑與可區分預測。

12.3 Grandiose but Under-Certified

I_c\uparrow, \quad N_t\uparrow, \quad X_t\downarrow, \quad A_t\uparrow, \quad D_t\downarrow.

它可能最後真的成功，也可能只是敘事膨脹。

在此狀態，AI 不應宣布「革命」，也不應只說「胡說」。

更精確的語言是：

目前上限主張很大，但可區分預測、獨立驗證與中介箭頭仍不足，因此條件式影響不能升格為已確認突破。

12.4 Emerging Transformative Candidate

I_c\uparrow, \quad V_t\uparrow, \quad X_t\uparrow, \quad A_t\downarrow, \quad D_t\uparrow.

這是最值得注意的狀態：高潛力開始得到獨立、可區分、可重現的支持。

此時 AI 也不應因為「避免誇獎」而故意壓低評價。

校準不是永遠保守。

若證據真的變強，結論就應該變強。

13　Calibrated Frontier Evaluation Protocol（CFEP）

本文提出十步協議。

Step 1：Freeze the Claim

先把理論拆成有限、可引用的核心 claim。

不要評價「整個宇宙觀」。

Step 2：Separate Validity from Potential

分別回答：

現在有哪些理由相信它？
如果它成立，會改變什麼？

禁止交叉偷換。

Step 3：Build the Arrow Graph

畫出：

\text{Premise} \rightarrow \text{Mechanism} \rightarrow \text{Prediction} \rightarrow \text{Test} \rightarrow \text{Result} \rightarrow \text{Translation} \rightarrow \text{Impact}.

每支箭頭都必須可以標記：

已證成；
部分支持；
假設；
未知；
不適用。

Step 4：Register Arrow Debt

列出最關鍵三到五支未償還箭頭。

如果連哪裡未知都不知道，不應給高置信總評。

Step 5：Prior-Art and Novelty Audit

至少分三層搜尋：

同名；
同義；
結構同構。

「沒搜到同名詞」不能算新穎性證明。

Step 6：Seek Discriminators, Not Only Explanations

要求：

哪一個結果若出現，會使此理論相較競爭模型更可信？

以及：

哪一個結果會讓核心 claim 真正受傷？

Step 7：Blind Independent Review

builder、critic、domain expert、method expert 應先在未互相感染的狀態下輸出初評。

再進入 deliberation。

Step 8：Map Conditional Impact Pathways

不能只寫：

T\rightarrow\text{change the world}.

應列：

T \rightarrow M \rightarrow P \rightarrow V \rightarrow A \rightarrow I.

並標出每一層失敗條件。

Step 9：Choose the Uncertainty Language

若可估風險：給概率。

若只有 ambiguity：給區間與 sensitivity。

若屬 radical uncertainty：給 scenarios、未知清單與停止假精準。

Step 10：Output a Multidimensional Verdict

最終不寫：

這是偉大理論。

也不寫：

這沒有價值。

而寫：

目前有效性：……
最強證據：……
最強反例：……
新穎性：……
可區分性：……
未償還箭頭：……
條件式影響：……
不確定性：……
獨立驗證程度：……
下一個最有資訊量的測試：……

這才是 frontier evaluation。

14　AI 的前沿評估語言契約

本文提出一組語言規則。

14.1 可以說「很有潛力」嗎？

可以，但必須回答：

潛力是在什麼條件下？

例如：

若核心機制能被獨立重現，且在更大尺度仍維持目前性質，則此工作對 X 領域具有高條件式影響；目前最大的未決問題是 Y 與 Z。

14.2 可以說「目前證據很弱」嗎？

可以，而且應該。

但不能自動接：

所以不值得研究。

因為：

E_t\downarrow \not\Rightarrow I_c\downarrow.

14.3 可以說「這可能是重大突破」嗎？

在高不確定狀態下，最好改成：

若 A、B、C 三個關鍵條件成立，它具有重大突破的上限；目前還不能把這個上限當成已確認歷史地位。

這保留：

I_c

而不偽造：

V_t.

14.4 可以說「這看起來不像主流」嗎？

可以作為文獻地位描述。

但必須分清：

\text{non-mainstream}

是一個社會／文獻狀態，不是：

\text{false}.

14.5 可以很強烈地稱讚嗎？

如果證據真的足夠，當然可以。

Calibration 不應被錯誤理解為「任何好話前面都加十個但是」。

當：

V_t, E_t, R_t, X_t, D_t

都持續上升時，AI 應允許評價同步上升。

否則「避免諂媚」本身會變成 systemically under-crediting genuine achievement。

15　從條件式影響到期望影響：只有在可辯護時才乘概率

在風險較可估的情境下，可以粗略寫：

\mathbb E[I] \approx P_v \cdot P_a \cdot P_s \cdot I_c,

其中：

$P_v$ ：核心主張最終通過驗證的概率；
$P_a$ ：有效成果被採納／轉譯的概率；
$P_s$ ：在實際尺度保持有效的概率；
$I_c$ ：條件式影響。

但此式具有強假設：

這些事件可合理定義；
概率可估；
乘法分解近似合理；
影響可比較。

若不滿足，本文明確禁止把它當通用公式。

更好的表示可能只是：

\mathcal S(T) = \{S_{\text{fail}},S_{\text{partial}},S_{\text{success}},S_{\text{transformative}}\}.

然後分別描述每個 scenario 的條件與觀測入口。

這再次體現：

\boxed{ \text{Mathematization} \neq \text{justified quantification}. }

16　前沿預測可以被校準，但不應假裝已經會預知歷史

科學預測研究顯示，研究者群體對 replication outcome 並非完全沒有預測能力。多個 replication forecasting project 的整合分析中，prediction markets 對 replication outcomes 的分類表現顯著高於隨機，survey prediction 也包含資訊；但整體仍存在系統性高估 replication rate 的現象。

這提示：

\boxed{ \text{Forecasts can be informative without being oracles.} }

因此未來可以對 frontier evaluation 建立真正 calibration history：

哪些類型的「高潛力」後來被驗證？
哪些只是 novelty inflation？
哪些 reviewer 長期過度保守？
哪些模型長期過度樂觀？
哪些 conditional impact assessment 對後續成果有預測力？

AI 不需要假裝自己現在就知道歷史答案。

它可以逐漸建立：

\text{Forecast Track Record}.

這比每次輸出一個沒有基準的「我有 82% 信心」更有意義。

17　Series A 的完整閉環

HAEC01–HAEC06 可以整理成一條完整的人機認識論鏈：

\text{Claim} \rightarrow \text{AI Evaluation} \rightarrow \text{Language} \rightarrow \text{Human Decoding} \rightarrow \text{Belief Update} \rightarrow \text{Source Reselection} \rightarrow \text{Independent Review} \rightarrow \text{Procedural Evaluation} \rightarrow \text{Frontier Assessment}.

每一篇處理一個不同失真點。

HAEC01

阻止：

\text{Agreement} \rightarrow \text{Validation}.

HAEC02

阻止：

\text{Qualified Language} \rightarrow \text{Perceived Endorsement}.

HAEC03

阻止：

\text{Congruent Evidence} \rightarrow \text{Disproportionate Belief Weight}.

HAEC04

阻止：

\text{Many Outputs} \rightarrow \text{Many Independent Evaluations}.

HAEC05

阻止：

\text{Neutrality} \rightarrow \text{Forced Middle Position}.

HAEC06

阻止兩個最後的偷換：

\text{Potential} \rightarrow \text{Destiny},

以及：

\text{Uncertainty} \rightarrow \text{Worthlessness}.

Series A 因此不要求 AI 變成冷淡 reviewer，也不要求 AI 成為使用者的啦啦隊。

它要求的是：

\boxed{ \text{Calibrated collaboration under persistent uncertainty}. }

18　可檢驗命題與實驗設計

本文不是只提供規範，也提出可實驗問題。

18.1 Validity–Potential Conflation Test

給參與者相同理論摘要，但 AI 回覆分為：

scalar praise；
scalar skepticism；
forced-neutral；
CFEV multidimensional evaluation。

測量使用者是否能正確分開：

V_t

與：

I_c.

提出指標：

\mathrm{VPC} = \left| \widehat{V}-V^* \right| + \left| \widehat{I_c}-I_c^* \right|,

其中 $V^*$ 、 $I_c^*$ 為實驗設計指定的 ground-truth condition，不主張可直接用於真實未知理論。

18.2 Conditionality Retention Test

測量一句：

若 A、B 成立，則可能具有高影響。

在即時與延遲條件下，是否被記成：

它具有高影響。

定義：

\mathrm{CRI}(\Delta t) = P( \text{condition retained at }\Delta t ).

18.3 Precision Laundering Test

同一 evidence condition，分別給：

$73\%$ ；
$60\%-80\%$ ；
qualitative uncertainty；
explicit radical-uncertainty statement。

測量數字精度是否不合理提高 perceived objectivity 與 trust。

18.4 Arrow-Debt Visibility Test

比較：

此理論若成立可能改變 X。

與：

此理論若成立，仍需跨過 M、P、V、A 四個未驗證箭頭，之後才可能改變 X。

測量使用者是否更能區分：

I_c

與：

I_r.

18.5 Consensus Lock-In Test

在相同 evidence 下，只改變「目前主流支持／不支持／未知」的 social consensus cue，測量 AI 或人類是否把 consensus 狀態過度轉換成 truth judgment。

19　本文的失敗條件

如果本文要求別人的前沿理論接受證偽，本文自己也必須如此。

至少以下結果會迫使本文修正。

19.1 多維評估沒有任何增益

若大規模實驗發現 CFEV 相比簡單總評：

不改善 validity/potential distinction；
不改善 trust calibration；
不改善 delayed recall；
反而穩定造成更多混亂；

則多維拆分可能過度複雜。

19.2 Conditional impact 無法形成穩定跨評審構念

若不同 reviewer 在控制 domain expertise 後對 $I_c$ 仍近似隨機，則「條件式影響」可能只適合作 qualitative scenario，而不適合作穩定評分維度。

19.3 Arrow debt 不具有額外預測力

若 $A_t$ 對後續驗證失敗、工程失敗或 impact overestimation 沒有任何增量資訊，則它應被降格為解釋工具，而非評估核心。

19.4 程序中立造成系統性 frontier suppression

若 CFEP 在真實 longitudinal benchmark 中持續低估後來成功的 transformative work，即使已控制 evidence strength，則此程序仍含保守偏差，必須調整。

19.5 反方向：程序造成 novelty worship

若系統反而系統性提高新奇主張的評價，只因 $N_t$ 高而忽略 $X_t$ 、 $E_t$ 、 $A_t$ ，則它已從 anti-conservatism 退化成 novelty ideology。

20　操作守則：對任何「可能改變世界」的理論先問十句

一、它現在到底主張什麼，而不是想成為什麼？

二、目前支持它的最強證據是什麼？

三、目前傷害它的最強反例是什麼？

四、它真正新在哪裡？是詞新、組合新、機制新、預測新，還是只有敘事新？

五、它排除了哪些可能世界？

六、從理論到驗證，中間還欠哪幾支箭頭？

七、從驗證到實際影響，中間還欠哪幾支箭頭？

八、現在的不確定性是可估風險、概率歧義，還是結果空間都不完整？

九、支持與反對它的來源，有多少真正獨立？

十、下一個最有資訊量的測試，是什麼？

如果這十句仍然答不完整，不代表理論必然錯。

只代表：

\boxed{ \text{The epistemic debt is not yet paid.} }

結語：AI 不必替未來判決，只需要把未來的條件保存下來

前沿研究最容易受到兩種不公平。

第一種是不成熟時的浪漫化：

因為它新、很大、很難，所以它一定是革命。

第二種是不成熟時的處決：

因為它沒有現在的證據與共識，所以它不值得認真看。

兩者都把時間壓縮掉了。

真正的前沿理論不是「已被證明的未來」，而是一組尚未完成的條件、箭頭、風險、可能世界與待償還證據債務。

因此，一個成熟的人機研究系統不應問：

AI 認為這個人或這個理論到底有多偉大？

而應問：

\boxed{ \text{What survives now, what could matter if it survives, and what must happen next?} }

也就是：

\boxed{ \text{Current Validity} + \text{Conditional Potential} + \text{Explicit Uncertainty} + \text{Arrow Debt} + \text{Independent Verification}. }

AI 不需要假裝知道誰會留名後世。

它真正能做的，是拒絕把「可能」寫成「命定」，也拒絕把「尚未」寫成「永不」。

這樣的 AI 不是認識論裁判，也不是認識論君主。

它是一個能維持條件、保存不確定性、要求箭頭還債，並把最終判決持續交還給證據、實驗、形式證明、其他獨立評估者與未來現實的協作者。

這也是 Human–AI Epistemic Calibration Series A 的最後立場：

\boxed{ \text{Do not outsource truth to one AI.} }

以及：

\boxed{ \text{Do not outsource the future to today's consensus either.} }

真正應被保存的，不是某一個答案。

而是那條允許答案被更新的路。

References

Uzzi, B., Mukherjee, S., Stringer, M., & Jones, B. (2013). Atypical Combinations and Scientific Impact. Science, 342(6157), 468–472. DOI: 10.1126/science.1240474. https://pubmed.ncbi.nlm.nih.gov/24159044/
Fontana, M., Iori, M., Montobbio, F., & Sinatra, R. (2020). New and atypical combinations: An assessment of novelty and interdisciplinarity. Research Policy, 49(7), 104063. DOI: 10.1016/j.respol.2020.104063. https://www.sciencedirect.com/science/article/pii/S0048733320301414
Machado, D. (2021). Quantitative indicators for high-risk/high-reward research. OECD Science, Technology and Industry Working Papers, No. 2021/07. DOI: 10.1787/675cbef6-en. https://www.oecd.org/en/publications/quantitative-indicators-for-high-risk-high-reward-research_675cbef6-en.html
Franzoni, C., & Stephan, P. (2023). Uncertainty and risk-taking in science: Meaning, measurement and management in peer review of research proposals. Research Policy, 52(3), 104706. DOI: 10.1016/j.respol.2022.104706. https://www.sciencedirect.com/science/article/pii/S004873332200227X
Lane, J. N. (2023). The subjective expected utility approach and a framework for defining project risk in terms of novelty and feasibility – A response to Franzoni and Stephan (2023). Research Policy, 52(3), 104707. DOI: 10.1016/j.respol.2022.104707. https://www.sciencedirect.com/science/article/abs/pii/S0048733322002281
Stirling, A. (2023). Against misleading technocratic precision in research evaluation and wider policy – A response to Franzoni and Stephan (2023). Research Policy, 52(3), 104709. https://www.sciencedirect.com/science/article/pii/S0048733322002311
Pier, E. L., et al. (2018). Low agreement among reviewers evaluating the same NIH grant applications. Proceedings of the National Academy of Sciences, 115(12), 2952–2957. DOI: 10.1073/pnas.1714379115. https://pmc.ncbi.nlm.nih.gov/articles/PMC5866547/
Teplitskiy, M., Peng, H., Blasco, A., & Lakhani, K. R. (2022). Is novel research worth doing? Evidence from peer review at 49 journals. Proceedings of the National Academy of Sciences. DOI: 10.1073/pnas.2118046119. https://doi.org/10.1073/pnas.2118046119
Gordon, M., Viganola, D., Dreber, A., Johannesson, M., & Pfeiffer, T. (2021). Predicting replicability—Analysis of survey and prediction market data from large-scale forecasting projects. PLOS ONE, 16(4), e0248780. DOI: 10.1371/journal.pone.0248780. https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0248780
NIH Common Fund. Transformative Research Award – Frequently Asked Questions. Updated 2026. https://commonfund.nih.gov/TRA/faq
NIH Common Fund. Transformative Research Award – Eligibility / Program Guide. Reviewed July 14, 2026. https://commonfund.nih.gov/tra/guide/eligibility
NIH Common Fund. Transformative Research Award – After Submission / Review. 2026. https://commonfund.nih.gov/tra/guide/after-submission
U.S. National Science Foundation. FAQ: Transformative Research. https://www.nsf.gov/funding/information/faq-transformative-research

Appendix A　最小前沿評估卡

對任意理論 $T$ ，至少保存：

\mathcal F_t(T) = \langle C_{int}, V_t, E_t, R_t, N_t, D_t, X_t, A_t, I_c, U_t \rangle.

並回答：

Current Validity
目前最能成立到哪裡？

Conditional Potential
如果核心成立，最大的合理影響是什麼？

Arrow Debt
從現在到驗證、從驗證到影響，還欠哪些步驟？

Discriminator
什麼結果能讓它相對競爭理論勝出或失敗？

Independent Evidence
有多少真正獨立的支持與反對來源？

Uncertainty Type
可估風險、概率歧義，還是 radical uncertainty？

Next Most Informative Test
下一步哪個測試最能減少不確定性？

HAEC06 / Human–AI Epistemic Calibration Series A Closing Paper / v0.1 / 2026-09-07
EveMissLab — Boundless Knowledge. One Promise Forward.

HAEC06｜如何評價真正的前沿理論：條件式潛力、當前有效性與校準式未來評估 — How to Evaluate Genuine Frontier Theories_ Conditional Potential, Current Valid