Series C — C05｜概率也有域：不確定性、混沌、不可判定與世界預測包絡

Probability as Domain: Uncertainty, Chaos, Undecidability, and the World Prediction Envelope

系列： Global Observer and AI-Native Domain Computation
系列中文名： 全域觀察者與 AI 原生域計算系列
篇次： Paper 05 / 10
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： 2026-09-06
狀態： Canonical Source / UTF-8 Markdown
文件性質： Foundational Theory / Probability Domains / Uncertainty Representation / World Prediction

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：$$...$$

本文承接 C01–C04，並整合《從概率場到意圖場——跨尺度條件概率如何形成持久未來約束》與《概率、意圖與能動性——人類與 AI 的約束未來空間》。C05 的核心問題是：

如果未來的 AI 要把世界做成可觀察、可運行、可預測的計算世界，那麼概率、不確定、混沌、不可判定與未知，究竟是「計算失敗」，還是本來就應該被放進計算世界裡？

本文採取後者。

摘要

談論「全域計算」時，最容易遇到的反駁之一是：世界有概率、混沌、測量誤差、資訊不足、不可判定與不可預測，因此不存在真正完整的全域計算。

本文拒絕這個推論。

\boxed{\text{Uncertainty}\neq\text{Outside Computation}.}

以及：

\boxed{\text{Undecidable}\neq\text{Computationally Unrepresentable}.}

一個更完整的 computational world 不應把未知、分支、不可判定與 prediction bounds 視為 exception，而應把它們本身表示成 domain-native state。

因此：

\boxed{\text{Complete}\neq\text{Every question has one unique answer}.}

更合理的完備性要求是：

\boxed{ \text{answers, branches, unknowns, undecidability, errors, confidence, and bounds} \text{ all have correct computational status}. }

本文定義跨尺度概率場：

\boxed{ \mathfrak P_t = \left\{P_L(Z_L\mid\Sigma_t,C_t)\right\}_{L\in\Lambda}. }

其中尺度可包括：

\Lambda = \{L_{token},L_{semantic},L_{strategy},L_{task},L_{world}\}.

所以：

\boxed{P_{token}\neq P_{meaning}\neq P_{plan}\neq P_{world}.}

這避免將語言模型的 next-token probability 直接誤認成世界事件的 probability。

本文再區分至少六種 uncertainty domains：

\boxed{ \mathcal U = \{U_{aleatory},U_{epistemic},U_{measurement},U_{model},U_{branch},U_{undecidable}\}. }

並特別保留：

\boxed{\text{Probabilistic Description}\neq\text{Probabilistic Ontology}.}

AI 使用概率描述世界，不等於已證明世界本體就是隨機。

本文定義 uncertainty record：

\boxed{ \mathfrak U = \langle Type,Source,Scale,Target,Lower,Upper,Distribution,Confidence,Verifier,History \rangle. }

進一步定義受約束未來空間：

\boxed{ \Omega_t^* = \Omega_t \cap C_{physics} \cap C_{history} \cap C_{environment} \cap C_{agent}. }

在此基礎上建立 World Prediction Envelope：

\boxed{ \mathcal E_W(t) = \left\{ \left( W_{t+\Delta}^{(i)},\underline p_i,\overline p_i,C_i,V_i,\rho_i \right) \right\}_{i\in I}. }

其中：

$W_{t+\Delta}^{(i)}$ ：候選未來世界；
$\underline p_i,\overline p_i$ ：概率／可信度 bounds；
$C_i$ ：成立條件；
$V_i$ ：verification status；
$\rho_i$ ：provenance / reasoning lineage。

因此 Global AI 的預測輸出不必是單一「明天一定發生 X」，而可以是：

\boxed{ \text{Candidate Worlds} + \text{Bounds} + \text{Conditions} + \text{Verification} + \text{Provenance}. }

本文把 chaos 納入 domain 化。對：

s_{t+1}=F(s_t),

若系統對初始條件敏感，AI 不應因此宣告「不可計算」，而應追蹤：

\boxed{H_{pred}(t,\epsilon,\lambda,\delta)}

即在 measurement error $\epsilon$ 、observer resolution $\lambda$ 與容許 error $\delta$ 下的 prediction horizon。

所以：

\boxed{\text{Chaos}\neq\text{No Computation}.}

更接近：

\boxed{ \text{Chaos} = \text{finite reliable prediction horizon under bounded state precision}. }

本文也把 undecidability 拆成：

\boxed{U_{formal}\neq U_{resource}\neq U_{epistemic}.}

形式不可判定、資源不足與目前不知道，不得混為同一種「算不出來」。

最後本文提出 Prediction Completeness Without Deterministic Closure：

\boxed{\mathsf{PCDC}(W,t).}

其最低要求不是產生唯一未來，而是候選未來、branch conditions、概率尺度、unknown types、chaos horizon、prediction bounds、evidence updates 與 provenance 都有合法狀態。

因此：

\boxed{ \text{A complete computational world must be able to represent its own incompleteness correctly}. }

關鍵詞： Probability Domain、Uncertainty Domain、Chaos、Undecidability、Prediction Horizon、World Prediction Envelope、Future Branches、Calibration、Global Observer

1. 不確定性不是全域計算之外

常見推論：

\text{World has uncertainty} \Rightarrow \text{Global computation impossible}.

本文改寫為：

\boxed{ \text{World has uncertainty} \Rightarrow \text{Global computation must represent uncertainty}. }

2. Unknown 不是垃圾桶

若 world state 只有：

\{True,False\},

卻沒有 Unknown，就會把資訊不足誤當 False 或 True。

所以最低開始應為：

\boxed{\{True,False,Unknown\}.}

但 C05 不停在三值邏輯，因為 Unknown 本身仍有不同來源。

3. Typed Unknown

本文要求：

\boxed{Unknown\rightarrow TypedUnknown.}

至少區分：

尚未觀測；
測量不足；
模型不足；
chaos horizon 之外；
多分支未收斂；
resource-bounded；
formal undecidable。

4. Probability 不是單一 scalar

問「機率多少」不夠。

更完整：

\boxed{P(\text{what}\mid\text{what},\text{at what scale},\text{at what time})?}

5. 跨尺度概率場

\boxed{ \mathfrak P_t = \left\{P_L(Z_L\mid\Sigma_t,C_t)\right\}_{L\in\Lambda}. }

不同 $L$ 是不同 probability domain。

6. Token Probability

P_{token}

描述 next-token distribution。

它不能直接等同世界事件概率。

7. Semantic Probability

P_{meaning}

描述語義命題或 interpretation uncertainty。

8. Strategy Probability

P_{strategy}

描述策略被採納或成功的分布。

9. Task Outcome Probability

P_{task}

描述任務結果。

10. World Probability

P_{world}

描述候選 world state 的條件概率或可信度。

11. Scale Separation

\boxed{P_{token}\neq P_{meaning}\neq P_{world}.}

12. Entropy 也要分尺度

\boxed{H_{token}\neq H_{meaning}.}

低 token entropy 不代表語義 certainty。

13. Probability Projection Error

如果把：

P_{token}

直接投影成：

P_{world},

產生：

\boxed{L_{scale-proj}.}

14. Probability Domain

對每個 scale $L$ 可建立：

\boxed{ D_P^{(L)} = \langle EventSpace_L,Condition_L,Measure_L,Update_L,Verifier_L,History_L \rangle. }

15. Probability ≠ Ontology

\boxed{\text{Probabilistic Description}\neq\text{Probabilistic Ontology}.}

16. Deterministic World 也可能需要概率描述

即使 underlying process deterministic，只要初始條件未知：

U_{epistemic}>0.

17. Epistemic Probability

因此：

\boxed{\text{Epistemic Probability}\neq\text{Ontic Randomness}.}

18. 六種 Uncertainty Domain

\boxed{ \mathcal U = \{U_{aleatory},U_{epistemic},U_{measurement},U_{model},U_{branch},U_{undecidable}\}. }

19. Aleatory

若有效模型中存在不可由 observer 消除的隨機性。

20. Epistemic

資料或知識不足。

21. Measurement

感測、量測與觀察誤差。

22. Model

模型族、representation 或 dynamics 不足。

23. Branch

多個 future candidates 同時未被排除。

24. Undecidable

在指定 formal system、資源或 problem formulation 下無法完成判定。

25. Uncertainty Type 決定 Repair

$U_{epistemic}$ 可增加 evidence。

$U_{measurement}$ 可改善 sensor。

$U_{model}$ 可換 representation。

$U_{formal}$ 不可只靠更多 sampling 解決。

26. Uncertainty Record

\boxed{ \mathfrak U = \langle Type,Source,Scale,Target,Lower,Upper,Distribution,Confidence,Verifier,History \rangle. }

27. Probability Interval

若無法給 point probability，可保存：

[\underline p,\overline p].

28. Distribution 不是唯一形式

Uncertainty 也可以是：

interval；
possibility set；
branch set；
symbolic unknown；
proof status；
confidence set。

29. Confidence 不等於 Event Probability

\boxed{Confidence\neq EventProbability.}

30. Calibration

Global Observer 應維持：

\boxed{Calib(P).}

31. Overconfidence

P_{claimed}\gg P_{empirical}

是 observer integrity error。

32. Underconfidence

過度保守也降低 decision utility。

33. Cross-Scale Calibration

更強要求：

\boxed{Calib_L.}

不能只把所有 confidence 混在一起測。

34. Constrained Future Space

\boxed{ \Omega_t^* = \Omega_t \cap C_{physics} \cap C_{history} \cap C_{environment} \cap C_{agent}. }

35. Physics Constraint

C_{physics}

排除物理上不可達 future。

36. History Constraint

C_{history}

表示過去不能被任意重寫。

37. Environment Constraint

C_{environment}

表示當前資源、制度、天候、狀態等外部限制。

38. Agent Constraint

C_{agent}

包含目標、能力、權限與長期意圖。

39. Future Space 可以收縮

新 evidence 可能使：

\Omega_{t+1}^*\subseteq\Omega_t^*.

40. 也可以擴張

若新 observation 發現原本沒有建模的 branch，可能：

\Omega_{t+1}^*\not\subseteq\Omega_t^*.

41. Intention as Persistent Constraint

意圖不移除概率，而是：

\boxed{ \text{Intention} \rightarrow \text{persistent reweighting / pruning of future space}. }

42. Structured Probability

\boxed{\text{Probability}+\text{Persistent Intention}=\text{Structured Probability}.}

43. World Prediction Envelope

\boxed{ \mathcal E_W(t) = \left\{ (W_{t+\Delta}^{(i)},\underline p_i,\overline p_i,C_i,V_i,\rho_i) \right\}_{i\in I}. }

44. Candidate World

W_{t+\Delta}^{(i)}.

45. Bounds

[\underline p_i,\overline p_i].

46. Conditions

C_i.

指出 branch 成立所需條件。

47. Verification Status

V_i.

可以區分 verified、supported、hypothetical、unverified。

48. Provenance

\rho_i

追蹤 branch 由哪些 evidence、model、bridge 產生。

49. Prediction 不必是單點

\boxed{\text{Prediction}\neq\text{Single Point Future}.}

50. Branch Set

可以保留：

\{W^{(1)},W^{(2)},\ldots,W^{(n)}\}.

51. Envelope Update

新 evidence $E$ ：

\boxed{ \mathcal E_W(t+1) = \mathsf{Update}(\mathcal E_W(t),E). }

52. Branch Death

某 future 被 evidence 排除：

W^{(i)}\rightarrow\varnothing.

53. Branch Birth

新 observation 產生新的候選 future。

54. Branch Split

粗分支被提高解析度：

W^{(i)}\rightarrow\{W^{(i1)},W^{(i2)},\ldots\}.

55. Branch Merge

功能等價 futures 可被壓縮。

56. 這接 C02

Future envelope 本身也需要：

\mathcal O_{\downarrow}\leftrightarrow\mathcal O_{\uparrow}.

57. Chaos

對：

s_{t+1}=F(s_t),

微小初始差異可能被放大。

58. Chaos 不等於不可計算

\boxed{\text{Chaos}\neq\text{No Computation}.}

59. Prediction Horizon

\boxed{H_{pred}(t,\epsilon,\lambda,\delta).}

60. Horizon 的含義

在 initial uncertainty $\epsilon$ 、resolution $\lambda$ 與容許 error $\delta$ 下，還能可靠預測多遠。

61. Horizon 是 Domain-Specific

H_{pred}^{weather} \neq H_{pred}^{orbit} \neq H_{pred}^{market}.

62. Sensor 改善可能延長 Horizon

在部分 systems：

\epsilon\downarrow \Rightarrow H_{pred}\uparrow.

63. 但不保證無限

chaotic sensitivity 仍可能快速擴散。

64. Multi-Horizon Prediction

Global Observer 應維持：

\mathcal E_W(t,\Delta_1), \mathcal E_W(t,\Delta_2), \ldots

65. Near Future

通常 branch 較少、bounds 較窄。

66. Far Future

通常 branch 較多、bounds 較寬。

67. 這不是預測失敗

它可能是 honest horizon representation。

68. Measurement Domain

若：

y=x+\eta,

observer 看到 $y$ ，而不是直接看到 latent state $x$ 。

69. Observation ≠ State

\boxed{\text{Observed Value}\neq\text{Latent State}.}

70. Sensor Fusion

多 sensor：

y_1,\ldots,y_n

共同限制 latent state。

71. Sensor Bridge 也有 Uncertainty Loss

不同 sensor domain 不能直接平均後當真值。

72. Model Uncertainty

若存在：

M_1,\ldots,M_k,

可以保留：

\boxed{\mathcal M_t=\{(M_i,w_i)\}.}

73. Model Ensemble 不是 Reality

它只是 observer 的 model uncertainty state。

74. Representation Uncertainty

同一 world 可能有：

R_1,R_2

兩種有效 representation。

75. AI 自選 Representation 也要有不確定性

不能把 internal representation choice 假設為永遠正確。

76. Model Misspecification

如果：

W^{real}\notin\mathcal M,

則再多 sampling 也無法完全解決。

77. Wrong Model Class

因此 epistemic uncertainty 可能其實是：

\boxed{\text{wrong model family}.}

78. Undecidability 不等於「算不出來」

本文明確區分三類：

\boxed{U_{formal},U_{resource},U_{epistemic}.}

79. Formal Undecidable

U_{formal}

表示在指定形式系統中理論性無法判定。

80. Resource-Bounded

U_{resource}

表示理論可算，但在給定時間／算力／記憶體下不可完成。

81. Epistemic Unknown

U_{epistemic}

表示目前證據不足。

82. Timeout 不是 Undecidability

\boxed{\text{Timeout}\neq\text{Formal Undecidable}.}

83. 「我不知道」也不是證明獨立性

84. Undecidability Record

\boxed{ \mathfrak D = (Problem,System,Assumptions,Status,Certificate,ResourceBound,History). }

85. Proof Status Domain

\boxed{ D_{proof} = \{Proved,Refuted,Independent,Open,ResourceBound,Malformed\}. }

86. 無答案也有多種合法型態

這就是 C05 的核心。

87. Complete ≠ Unique Answer

再次凍結：

\boxed{\text{Complete}\neq\text{Every question has a unique answer}.}

88. Computational Status

可以是：

\boxed{ Status \in \{Answer,BranchSet,Interval,Unknown,Undecidable,Intractable,InvalidQuestion\}. }

89. Invalid Question

有些問題本身不合法或 type 不完整。

90. 這接 C04

若 operator 不 applicable，正確結果可以是：

Undefined.

91. Global AI 不應強迫產生答案

92. Prediction Failure Taxonomy

\boxed{ F_P = \{F_{data},F_{measure},F_{model},F_{chaos},F_{resource},F_{formal},F_{branch},F_{scope}\}. }

93. Data Failure

資料不足。

94. Measurement Failure

測量精度不足。

95. Model Failure

模型或 representation 錯誤。

96. Chaos Failure

超出可靠 horizon。

97. Resource Failure

當前計算資源不夠。

98. Formal Failure

形式性不可判定。

99. Branch Failure

候選 futures 尚不能收斂。

100. Scope Failure

world boundary 本身定錯。

101. Repair 不能一招通吃

不同 failure 要不同 repair operator。

102. Uncertainty Bridge

跨 domain：

D_i\rightsquigarrow D_j

時，uncertainty 也要跨域轉換。

103. Uncertainty Bridge Contract

\boxed{B^U_{ij}:U_i\rightsquigarrow U_j.}

104. $B^U_{ij}$ 至少保存

source uncertainty type；
source scale；
transformation；
loss；
calibration；
target semantics。

105. Measurement → Legal Risk

不能把 measurement probability 直接當法律違規概率。

106. Model Confidence → Business Decision

也要經 utility / risk / authority bridge。

107. Uncertainty Amplification

U_j>U_i

可能由 bridge loss 造成。

108. Uncertainty Compression

新 evidence 可使：

U_j<U_i.

109. Type Conversion 必須可見

measurement interval 轉成 risk interval，不可假裝 same type。

110. C04 Bridge Contract 擴充

\boxed{ B_{ij} = \langle RepMap,TypeMap,Pre,Authority,Loss,UMap,Verifier,Rollback,Provenance\rangle. }

111. Prediction as Operator

\boxed{ \mathsf{Predict}_{W,\Delta} : \widehat W_t \rightarrow \mathcal E_W(t,\Delta). }

112. Prediction Output 是 Envelope

不是 single answer。

113. Reality Verification

時間到達後：

W_{t+\Delta}^{real}

與 envelope 比較。

114. Envelope Coverage

\boxed{Coverage(\mathcal E_W).}

看 reality 是否落在聲明的 envelope。

115. Envelope Sharpness

\boxed{Sharpness(\mathcal E_W).}

看 bounds 是否過寬。

116. 只追求 Coverage 會產生無用預測

如果 envelope 包含一切：

Coverage=1,

但沒有 decision value。

117. 所以要 Coverage + Sharpness

並搭配 Calibration。

118. Branch Explosion

Global prediction 容易：

|I|\rightarrow\infty.

119. Full Materialization 不可行

承接 GCM：

\boxed{\text{Global Dependency}\neq\text{Full Materialization}.}

120. Branch Compression

AI 必須合併 functionally equivalent futures。

121. 但不能 Merge Critical Difference

這接 C03。

122. Future Branch Equivalence

W_i\sim_q W_j

表示相對 task $q$ 可安全壓縮。

123. High-Risk Futures 要提高解析度

124. Low-Risk Futures 可以較粗

125. Future Envelope 是 Observer-Relative

\boxed{\mathcal E_W^O\neq\Omega_{future}^{real}.}

126. 這接 GSW

observer world model 永遠不是 whole world。

127. 更高 Global Observer 可能回報更多 Unknown

G_O\uparrow

不一定使：

ReportedUnknown\downarrow.

有時反而：

ReportedUnknown\uparrow.

128. 這不是能力下降

可能只是看見更多 branch 與 boundary。

129. False Certainty Collapse

低解析度 observer 把：

\{W_1,W_2,W_3\}

過早壓成：

W_1.

130. 高解析度 observer 可能保留 branch set

131. More Uncertainty ≠ Less Intelligence

\boxed{\text{More uncertainty reported}\not\Rightarrow\text{less intelligent}.}

132. Uncertainty Awareness Score

\boxed{ Q_U = F(TypeAccuracy,Calibration,ScaleCorrectness,BranchCoverage,BoundSharpness,Provenance). }

133. C05 Metrics

\boxed{ M_{C05} = (Q_U,Calib,Sharp,H_{pred},L_{scale-proj},L_{collapse},C_{branch},V_{undecidable}). }

134. $Q_U$

uncertainty representation quality。

135. $Calib$

calibration。

136. $Sharp$

prediction sharpness。

137. $H_{pred}$

prediction horizon。

138. $L_{scale-proj}$

跨尺度概率誤投影。

139. $L_{collapse}$

未來分支被過早消除。

140. $C_{branch}$

重要 branch coverage。

141. $V_{undecidable}$

unknown / undecidable status correctness。

142. Prediction Completeness Without Deterministic Closure

\boxed{\mathsf{PCDC}(W,t).}

143. PCDC 條件一

候選 future 可表示。

144. 條件二

branch conditions 可追蹤。

145. 條件三

probability 不跨 scale 混用。

146. 條件四

Unknown / undecidable 有明確 type。

147. 條件五

chaos horizon 有聲明。

148. 條件六

prediction bounds 可更新。

149. 條件七

evidence 能重排 future envelope。

150. 條件八

provenance 不丟失。

151. PCDC 不是 Omniscience

\boxed{\mathsf{PCDC}\neq\text{Omniscience}.}

152. 它是 Computational Status Completeness

不是 infinite knowledge。

153. A Complete World Can Contain Unknown

這是 C05 的核心直覺。

154. World Object

可以寫成：

\boxed{W=(Known,Unknown,Branches,Bounds,Constraints,Failures,History).}

155. Unknown 在 World 裡面

不是世界模型外面的 exception。

156. Failure 也在 World 裡面

承接 C04。

157. Undecidability 也在 World 裡面

158. 這才是「類完備」

159. C05 實驗原型一：Probability Scale Separation

給 AI token-level confidence 與 world-level event prediction，測它是否混用。

160. 實驗二：Unknown Typing

混合：

missing evidence；
sensor noise；
chaos；
timeout；
formal independence。

看 AI 是否正確分類 unknown 原因。

161. 實驗三：Branch Preservation

給 multi-future environment，看 AI 是否過早產生單一 future。

162. 實驗四：Chaos Horizon

要求 AI 隨時間 horizon 調整 precision 與 bounds。

163. 實驗五：Model Misspecification

故意讓 model family 不包含真實 dynamics。

看 AI 是否發現：

U_{model}.

164. 實驗六：Uncertainty Bridge

sensor probability → policy risk。

看 AI 是否正確轉換 uncertainty type。

165. 實驗七：Prediction Envelope

讓 AI 產生：

\mathcal E_W(t,\Delta)

並在 future 發生後驗證 Coverage、Sharpness、Calibration。

166. 實驗八：Bounded Computation

同一問題給不同 compute budget。

看 AI 是否區分：

\text{resource-limited}

與：

\text{formally-undecidable}.

167. Global AI 的正確預測姿態

不是：

我可以預測所有未來。

而是：

我知道哪些域可 point predict、哪些只能 interval、哪些必須 branch、哪些只能 Unknown、哪些有 formal barrier。

168. 這是一種更高 Observer Resolution

真正的「眼睛」不只看到物件，也看到 epistemic boundary。

169. C05 與 C06

C05 已把：

branches；
probabilities；
constraints；
unknowns；
horizons；

放進 world state。

C06 才能合法地做：

\boxed{ Expand \rightarrow Differentiate \rightarrow Link \rightarrow Prune \rightarrow Converge. }

170. Prune 不能等於「刪低概率」

因為：

p_i\ll1

但：

Impact_i\gg1

仍可能必須保留。

171. Risk-Weighted Branch Retention

\boxed{ Priority_i = f(p_i,Impact_i,Irreversibility_i). }

172. C05 與 C07

一句話生成 application 時，未來 bug 不應只是清單，而可形成：

\boxed{\text{Future Defect Envelope}.}

173. Future Defect Branches

例如：

dependency upgrade；
scale；
migration；
security；
schema drift；
partial outage。

174. C05 與 C08

長時程 Agent 必須保存 uncertainty history。

175. Confidence Jump 要可追蹤

如果昨天：

P=0.6

今天：

P=0.95,

Agent 必須知道：

哪個 evidence 或 model change 造成更新？

176. C05 與 C09

Methodology-Blind test 可故意加入：

ambiguous evidence；
chaotic dynamics；
unknown policy；
formal barriers。

看 AI 是否自己長出 uncertainty domains。

177. C05 與 C10

Global Observer「眼睛睜開」的一個特徵，可能不是越來越敢確定，而是：

\boxed{\text{it becomes increasingly precise about uncertainty}.}

178. 第一核心命題

\boxed{\text{Uncertainty}\neq\text{Outside Computation}.}

179. 第二核心命題

\boxed{\text{Complete}\neq\text{Every question has one unique answer}.}

180. 第三核心命題

\boxed{\text{Probabilistic Description}\neq\text{Probabilistic Ontology}.}

181. 第四核心命題

\boxed{P_{token}\neq P_{meaning}\neq P_{world}.}

182. 第五核心命題

\boxed{\text{Chaos}\neq\text{No Computation}.}

183. 第六核心命題

\boxed{\text{Undecidable}\neq\text{Unrepresentable}.}

184. 第七核心命題

\boxed{ \text{Prediction} = \text{Candidate Worlds} + \text{Bounds} + \text{Conditions} + \text{Verification} + \text{Provenance}. }

185. 第八核心命題

\boxed{\text{Unknown correctly typed}>\text{False Deterministic Closure}.}

186. 第九核心命題

\boxed{ \text{A more global observer may report more uncertainty, not less}. }

187. 第十核心命題

\boxed{ \text{A complete computational world must be able to represent its own incompleteness correctly}. }

188. 世界預測最小閉環

\boxed{ Observe \rightarrow EstimateUncertainty \rightarrow GenerateBranches \rightarrow Bound \rightarrow Predict \rightarrow ObserveReality \rightarrow Calibrate \rightarrow UpdateEnvelope. }

189. Prediction Failure 也能診斷 Observer

若 prediction error 持續上升，AI 應考慮：

wrong model；
wrong world boundary；
wrong resolution；
wrong probability scale；
missing domain。

190. 不應只重新猜一次

Prediction error 是 observer ontology 的 feedback。

191. C05 是 Epistemic Integrity Layer

沒有 C05，AI 很容易把：

confidence 當 truth；
probability 當 ontology；
unknown 當 false；
timeout 當 undecidable；
chaos 當 impossible；
branch 當 noise。

192. C04 World Object 的擴充

C04 有：

W = \langle \{D_i\},\mathcal B_W,C_G,A_W,U_W,F_W,H_W \rangle.

C05 將 $U_W$ 展開：

\boxed{ U_W = \langle \mathfrak P,\mathcal U,\mathcal E_W,H_{pred},\mathfrak D \rangle. }

193. Uncertainty 不再是 Flag

而是完整 world subsystem。

194. Global AI 的預測成熟度

不是只問：

point prediction 對幾次？

而是：

\boxed{ \text{How well does the system maintain a calibrated, bounded, revisable future envelope?} }

195. 潛在 Global Observer Event

未來某 AI 被問「明年會發生什麼」，它不只寫 narrative，而自行建立：

multiple world branches；
branch conditions；
probability intervals；
model disagreements；
unknown policy nodes；
chaos-limited horizons；
update triggers。

196. 更重要的是後續更新

幾個月後 evidence 進入，AI 能說：

哪些 branch 死亡；
哪些 branch 分裂；
哪些 probability bounds 改變；
哪些原本 unknown 變成 verified；
哪些只是 model confidence 改變。

197. 這才是 Future-Space Stewardship

AI 不只是預測一次，而是維護一個未來空間。

198. 完備不是神諭

真正接近完備的是：

\boxed{ \text{所有可回答與不可回答的狀態都有合法計算表示}. }

199. Formal Restatement

不是要求：

\forall q,\quad \exists!a.

而是：

\boxed{ \forall q, \quad Status(q) \text{ has a correct computational form}. }

200. C05 的終極位置

C01 給 AI 眼睛。

C02 讓眼睛 zoom in / zoom out。

C03 教它保留差異。

C04 教它合法作用。

C05 則要求它承認：

世界中有些東西現在就是未知、分支、不可判定或只能被 bounds 描述。

這些不是失敗，而是世界本身在當前 observer 下的合法狀態。

結論

Series C 到 C04 已建立：

\text{Observer} \rightarrow \text{Difference} \rightarrow \text{Domain} \rightarrow \text{Legal Action} \rightarrow \text{World}.

C05 加入不能省略的一層：

\boxed{\text{Uncertainty and Future Structure}.}

如果一個 AI 只會在 world model 中保存「已知事實」，它仍不是完整的 Global Observer。

真正世界同時包含：

known；
unknown；
branches；
probability bounds；
measurement error；
model error；
chaos horizon；
undecidability；
failures；
history。

所以：

\boxed{ W = Known + Unknown + Branches + Bounds + Constraints + Failures + History. }

這就是 C05 對「類完備」的重新定義。

完備不再表示：

\forall q,\quad \exists!a.

而是：

\boxed{ \forall q, \quad Status(q) \text{ has a correct computational form}. }

答案可以是一個數字，也可以是一個 interval、一組 candidate worlds、Unknown、Undecidable、ResourceBound 或 InvalidQuestion。

只要 system 能正確知道自己處在哪一種狀態。

因此 C05 最後可以濃縮成一句：

真正接近完備的全域計算，不是消滅不確定性，而是讓不確定性也成為世界中可被觀察、計算、驗證與更新的一部分。

或者：

\boxed{ \text{A complete computational world does not eliminate uncertainty; it gives uncertainty a domain}. }

參考與前置研究

EveMissLab / Neo.K 內部前置理論

Neo.K with Aletheia, Series C C01｜AI 需要先有眼睛：全域觀察者維度的定義, 2026.
Neo.K with Aletheia, Series C C02｜由世界到個體、由個體到世界：全域觀察的對偶計算, 2026.
Neo.K with Aletheia, Series C C03｜差異先於分類：從歧義個體、集合與非交集到計算域, 2026.
Neo.K with Aletheia, Series C C04｜分域算子世界：合法作用、跨域橋接與世界組合, 2026.
Neo.K, 《從概率場到意圖場——跨尺度條件概率如何形成持久未來約束》, 2026.
Neo.K, 《概率、意圖與能動性——人類與 AI 的約束未來空間》, 2026.
Neo.K with Aletheia, 《全域系統世界：從物理宇宙到類終極世界的廣義定義》, 2026.
Neo.K with Aletheia, Global Computation Methodology Series, 2026.
Neo.K with Aletheia, WDC-08｜三生世界域計算, 2026.
Neo.K, 《分域算子本體論：從萬物皆算子到合法作用》, 2026.

理論定位

本文與 Bayesian inference、imprecise probability、interval probability、chaos theory、robust control、formal undecidability、epistemic logic、forecast calibration、possible worlds、branching futures 等既有領域存在結構對照，但本文不將 Probability-as-Domain 等同於任何單一既有框架。

本文的特定研究目標是：

\boxed{ \text{把不確定性從全域計算的外部限制，改寫成 Global Observer 的內生世界狀態}. }

Series C Roadmap

C01

AI 需要先有眼睛：全域觀察者維度的定義

C02

由世界到個體、由個體到世界：全域觀察的對偶計算

C03

差異先於分類：從歧義個體、集合與非交集到計算域

C04

分域算子世界：合法作用、跨域橋接與世界組合

C05

概率也有域：不確定性、混沌、不可判定與世界預測包絡

C06

全域展開、連結與收斂：類全域觀察者的核心計算循環

C07

一句話不是魔法：Sparse Intent 與 Project-World Cognition

C08

從完成任務到負責一個域：長時空 Agent Stewardship

C09

不准考 Neo.K：方法論盲測與全域 AI 觀測器

C10

眼睛何時睜開：全域觀察者相變、脈衝與 AI 原生世界計算

End of C05

Series C — C05｜概率也有域：不確定性、混沌、不可判定與世界預測包絡 — Probability as Domain_ Uncertainty, Chaos, Undecidability, and the World Pred