← Archive
lm-004372 · 2026-10

MGCP–USE 06：AI 狀態演化逆向器——從軌跡預測到規則、因果與可證偽定律

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
title
MGCP–USE 06：AI 狀態演化逆向器——從軌跡預測到規則、因果與可證偽定律
series
MGCP–USE / Minimal Generatively Complete Physics & Universal State Evolution
document_id
MGCP-USE-06
version
0.1
date
2026-09-20
language
zh-TW
status
Research Draft
source_format
UTF-8 Markdown
depends_on
MGCP-USE-00 · MGCP-USE-01 · MGCP-USE-02 · MGCP-USE-03 · MGCP-USE-04 · MGCP-USE-05

MGCP–USE 06：AI 狀態演化逆向器——從軌跡預測到規則、因果與可證偽定律

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-09-20
版本： 0.1

摘要

MGCP–USE 05 建立 Cross-Scale State-Evolution Atlas，使量子、量子場論、多體、相變、經典動力、引力與宇宙學資料可以在保留原生表示的前提下，共享 transition interface。本篇正式進入人工智慧層：如何讓 AI 從狀態演化資料中恢復 governing rule、跨尺度 invariant、因果結構與可證偽預測，而不是只學會輸入一條軌跡、輸出下一個狀態。

本文將 AI 能力分成：

prediction→surrogate operator→state reconstruction→law reconstruction→causal reconstruction→active falsification.\boxed{ \text{prediction} \rightarrow \text{surrogate operator} \rightarrow \text{state reconstruction} \rightarrow \text{law reconstruction} \rightarrow \text{causal reconstruction} \rightarrow \text{active falsification}. }

預測能力不能自動升格為「發現物理定律」。一個 neural network 即使能高精度預測：

St→St+1,S_t \rightarrow S_{t+1},

也可能只記住資料流形、離散格式、環境 shortcut 或相關性。真正的 law discovery 至少需要 representation robustness、跨環境穩定性、長期 rollout、counterfactual prediction、equivalent-model competition 與 intervention-sensitive validation。

本文提出 AI State-Evolution Reconstructor：

RAI.\mathcal R_{\mathrm{AI}}.

輸入：

AT+AR+G,\mathcal A_T+\mathcal A_R+\mathfrak G,

即 Transition Atlas、Residual Atlas 與 Posterior History Ensemble；輸出：

RAI→(F^,I^,C^,Z^,H^,E^),\mathcal R_{\mathrm{AI}} \rightarrow ( \widehat{\mathcal F}, \widehat{\mathcal I}, \widehat{\mathcal C}, \widehat{\mathcal Z}, \widehat{\mathcal H}, \widehat{\mathcal E} ),

其中 F^\widehat{\mathcal F} 是候選 governing laws， I^\widehat{\mathcal I} 是 invariants， C^\widehat{\mathcal C} 是 causal structures， Z^\widehat{\mathcal Z} 是 latent variables， H^\widehat{\mathcal H} 是 competing hypotheses， E^\widehat{\mathcal E} 是下一步最具鑑別力的實驗。

2025–2026 年的研究已提供重要技術零件：ansatz-free Hamiltonian learning 開始降低對預設 interaction form 的依賴；neural symbolic regression 已能在高維 network dynamics 中恢復顯式解析公式；deep Koopman operator 已被用於非線性 dynamical-system causal discovery；invariant-function learning 已能從不同環境中分離 intrinsic dynamics 與 environment-specific mechanisms；2026 年量子 AI 綜述則把 quantum-system reconstruction 整理為 AI–quantum science 的核心任務之一。同時，AI-driven experimental design 已從參數調整逐步走向高維實驗配置與自主實驗循環。

本文提出「由預測到定律」的升格流程：

fit→rollout→invariant test→symbolic extraction→causal challenge→model competition→held-out prediction→active falsification.\boxed{ \text{fit} \rightarrow \text{rollout} \rightarrow \text{invariant test} \rightarrow \text{symbolic extraction} \rightarrow \text{causal challenge} \rightarrow \text{model competition} \rightarrow \text{held-out prediction} \rightarrow \text{active falsification}. }

只有通過整條流程的候選，才有資格進入第 07 篇 Universal State Evolution。

1. 預測不是定律

給定：

St,S_t,

模型：

F^θ\widehat F_\theta

預測：

S^t+1=F^θ(St).\widehat S_{t+1} = \widehat F_\theta(S_t).

若：

S^t+1≈St+1,\widehat S_{t+1} \approx S_{t+1},

只能得到：

one-step predictive adequacy.\text{one-step predictive adequacy}.

不能直接得到：

F^θ=Fphysical.\widehat F_\theta = F_{\mathrm{physical}}.

2. 高準確率可能來自什麼

可能包括：

  • shortcut learning；
  • interpolation；
  • coordinate memorization；
  • mesh artifact；
  • spurious correlation；
  • hidden environmental variable；
  • narrow-regime effective approximation。

所以：

prediction accuracy⇏physical law identification.\boxed{ \text{prediction accuracy} \not\Rightarrow \text{physical law identification}. }

3. 六層 AI 能力階梯

L0 — Predictor

St→S^t+1.S_t \rightarrow \widehat S_{t+1}.

L1 — Surrogate Operator

T^:X→X.\widehat{\mathcal T} : \mathcal X \rightarrow \mathcal X.

L2 — State Reconstructor

D→S^.D \rightarrow \widehat S.

L3 — Law Reconstructor

D→F^.D \rightarrow \widehat{\mathcal F}.

L4 — Causal Reconstructor

D→C^.D \rightarrow \widehat{\mathcal C}.

L5 — Active Falsifier

H^→E∗.\widehat{\mathcal H} \rightarrow E^\ast.

MGCP–USE 真正需要的是 L3–L5。

4. AI State-Evolution Reconstructor

定義：

RAI:(AT,AR,G)→Hcandidate.\mathcal R_{\mathrm{AI}} : ( \mathcal A_T, \mathcal A_R, \mathfrak G ) \rightarrow \mathcal H_{\mathrm{candidate}}.

輸出不只一個模型，而是：

F^={F1,F2,…,Fn},\widehat{\mathcal F} = \{ F_1,F_2,\ldots,F_n \},

並保存：

P(Fi∣D).P(F_i\mid D).

5. 模型生成與模型評估要分離

建議角色：

Generator→Formalizer→Simulator→Evidence Evaluator→Falsifier.\text{Generator} \rightarrow \text{Formalizer} \rightarrow \text{Simulator} \rightarrow \text{Evidence Evaluator} \rightarrow \text{Falsifier}.

避免「自己提出、自己驗證、自己宣布成功」。

Part I — Hamiltonian Learning

6. Governing-law reconstruction 的清楚範例

在 quantum system：

iℏd∣ψ⟩dt=H∣ψ⟩.i\hbar \frac{d|\psi\rangle}{dt} = H|\psi\rangle.

若 HH 未知，Hamiltonian learning 問：

observations→H^.\text{observations} \rightarrow \widehat H.

7. 已知 Ansatz

常見形式：

H=∑jθjPj.H = \sum_j \theta_jP_j.

若 PjP_j 已知、只未知 θj\theta_j，本質上是 parameter reconstruction。

8. Ansatz-Free Hamiltonian Learning

更強問題是：

H=?H=?

連 interaction structure 都未知。

2025 年 PRX Quantum 的 ansatz-free Hamiltonian learning 研究提出在不預先知道 interaction structure 的情況下達到 Heisenberg-limited scaling 的理論方法。

對本系列的重要性是：

law reconstruction 可以逐步減少對研究者指定函數形式的依賴。\boxed{ \text{law reconstruction 可以逐步減少對研究者指定函數形式的依賴。} }

但：

ansatz-free≠assumption-free.\boxed{ \text{ansatz-free} \neq \text{assumption-free}. }

它仍依賴 quantum framework、control、measurement 等條件。

Part II — Symbolic Regression

9. 從黑箱到顯式候選式

若能由：

F^θ\widehat F_\theta

抽出：

x˙=f(x,y,…),\dot x=f(x,y,\ldots),

便可直接檢查：

  • dimension；
  • symmetry；
  • fixed point；
  • conservation；
  • asymptotic behavior；
  • parameter interpretation。

10. Symbolic Regression 目標

f∗=arg min⁡f∈S[Lfit(f)+λC(f)].f^\ast = \operatorname*{arg\,min}_{f\in\mathcal S} \left[ L_{\mathrm{fit}}(f) + \lambda C(f) \right].

其中 C(f)C(f) 是 complexity penalty。

11. 2025–2026 Neural Symbolic Regression

Yu、Ding 與 Li 的 neural symbolic regression 工作將高維 network-dynamics 搜尋轉換成較低維公式發現問題，再以 pretrained neural network 引導公式搜索。

這表明：

high-dimensional dynamics→explicit equation candidates\boxed{ \text{high-dimensional dynamics} \rightarrow \text{explicit equation candidates} }

已具有現實技術路線。

12. Symbolic Overfitting

有限區間內：

f1(x)≈f2(x),f_1(x) \approx f_2(x),

不代表：

f1=f2.f_1=f_2.

因此公式需通過：

  1. dimensional consistency；
  2. representation robustness；
  3. long-horizon rollout；
  4. perturbation；
  5. held-out regime；
  6. competing formula comparison。

13. 簡潔不能當作真理

simplicity as prior+prediction as evidence.\boxed{ \text{simplicity as prior} + \text{prediction as evidence}. }

而不是：

simple⇒true.\text{simple} \Rightarrow \text{true}.

Part III — Invariant Function Learning

14. 跨環境找 intrinsic dynamics

若：

Fei=Fintrinsic+Fenvironment,i,F_{e_i} = F_{\mathrm{intrinsic}} + F_{\mathrm{environment},i},

真正要找的是：

Fintrinsic.F_{\mathrm{intrinsic}}.

15. 2025 Invariant Function Learning

2025 年 ICML 的 Disentanglement of Invariant Functions 研究以多環境 ODE 資料，分離 intrinsic function 與 environment-specific dynamics。

這與本系列核心問題直接呼應：

環境改變後，什麼規則仍然存在？\boxed{ \text{環境改變後，什麼規則仍然存在？} }

16. Invariant Ladder

I1 — Dataset Invariant

只在訓練資料穩定。

I2 — Environment Invariant

跨環境穩定。

I3 — Representation Invariant

跨座標／basis 穩定。

I4 — Scale-Robust

跨尺度穩定。

I5 — Domain-Robust

跨物理域仍有非平凡結構對應。

只有 I4–I5 才適合送入第 07 篇。

Part IV — Koopman Operator

17. 非線性系統的 observable-space operator

對：

xt+1=F(xt),x_{t+1} = F(x_t),

Koopman operator：

Kg=g∘F.\mathcal K g = g\circ F.

它在 observable space 上是線性的，可用於 spectral analysis、mode decomposition 與 invariant subspace 分析。

18. Deep Koopman Causal Discovery

2025 年 Communications Physics 的研究利用 deep Koopman operator 尋找 optimal observables，並比較 joint dynamics 與 marginal dynamics，以推斷非線性系統中的 causal signals。

這代表 Koopman 方法已從：

decomposition\text{decomposition}

逐步延伸到：

causal inference.\text{causal inference}.

19. 仍不能把 causal score 當最終因果

可能受到：

  • hidden confounder；
  • sampling rate；
  • nonstationarity；
  • omitted variable；

影響。

因此：

observational causal score≠final physical causality.\boxed{ \text{observational causal score} \neq \text{final physical causality}. }

Part V — Causal Discovery

20. 相關性與因果不同

若：

P(B∣A)≠P(B),P(B\mid A) \neq P(B),

不能直接推出：

A→B.A\rightarrow B.

可能存在：

Z→A,Z→B.Z\rightarrow A, \qquad Z\rightarrow B.

21. 最低 causal challenge

候選：

A→BA\rightarrow B

至少檢查：

  • ordering；
  • conditional independence；
  • mechanism stability；
  • hidden confounder；
  • intervention sensitivity。

22. Intervention

理想上比較：

P(B∣A)P(B\mid A)

與：

P(B∣do(A)).P(B\mid do(A)).

laboratory physics 的優勢就是可真正干預系統。

宇宙整體則通常無法：

do(initial universe),do(\text{initial universe}),

所以需要 natural experiment、analog system、simulation 與 structural constraint。

Part VI — Latent Variable Discovery

23. Hidden variable 會偽裝成 rule change

真實系統：

St+1=F(St,Zt).S_{t+1} = F(S_t,Z_t).

但只觀測 StS_t。

則 AI 可能得到：

F^A≠F^B\widehat F_A \neq \widehat F_B

並誤判規則真的變了。

24. Latent Candidate 必須可淘汰

Latent_Candidate:
  latent_id
  necessity
  predictive_gain
  causal_gain
  observable_implications
  eliminability
  equivalence_class
  intervention_test

25. 禁止 Latent Inflation

任意加入：

Z1,Z2,…Z_1,Z_2,\ldots

總能改善 fit。

所以 latent 必須有 observable consequence 或能被消融。

Part VII — Rule-Change Discrimination

26. Rule-Change Hypothesis Set

觀察：

F^A≠F^B.\widehat F_A \neq \widehat F_B.

候選解釋：

HR={Hrep,Hscale,Henv,Hlatent,Hphase,Hmisspec,Hgenuine}.\mathcal H_R = \{ H_{\mathrm{rep}}, H_{\mathrm{scale}}, H_{\mathrm{env}}, H_{\mathrm{latent}}, H_{\mathrm{phase}}, H_{\mathrm{misspec}}, H_{\mathrm{genuine}} \}.

比較：

P(Hi∣D).P(H_i\mid D).

27. Genuine Rule Evolution 必須最後才進

representation、scale、environment、latent、phase transition 與 model misspecification 都無法解釋後，才提高：

P(Hgenuine∣D).P(H_{\mathrm{genuine}}\mid D).

這就是第 02 篇 meta-rule 問題的實證入口。

Part VIII — Neural / Learned Operators

28. 先學高維 operator

D→G^neural.D \rightarrow \widehat{\mathcal G}_{\mathrm{neural}}.

再嘗試：

G^neural→F^symbolic.\widehat{\mathcal G}_{\mathrm{neural}} \rightarrow \widehat{\mathcal F}_{\mathrm{symbolic}}.

29. 不強迫所有物理都有短公式

真正 law 可能需要：

  • operator；
  • implicit equation；
  • algorithm；
  • constraint system。

所以：

no short symbolic form⇏no law.\boxed{ \text{no short symbolic form} \not\Rightarrow \text{no law}. }

Part IX — Model Competition

30. 不只比 fit

對：

MiM_i

比較：

V(Mi)=(Vfit,Vpredict,Vrollout,Vinvariant,Vcausal,Vcomplexity,Vtransfer).\mathbf V(M_i) = ( V_{\mathrm{fit}}, V_{\mathrm{predict}}, V_{\mathrm{rollout}}, V_{\mathrm{invariant}}, V_{\mathrm{causal}}, V_{\mathrm{complexity}}, V_{\mathrm{transfer}} ).

31. 不壓成單一總分

若模型 A 預測強但因果弱，模型 B 簡潔但 held-out 差，不應用任意權重直接決定 winner。

保留 Pareto structure 與 posterior model family。

32. Operational Equivalence

若：

P(O∣MA)=P(O∣MB)P(O\mid M_A) = P(O\mid M_B)

對所有當前可達觀測成立，則：

MA∼opMB.M_A \sim_{\mathrm{op}} M_B.

AI 應輸出 equivalence class。

Part X — Held-Out / Rollout Validation

33. 不可把全部資料拿去擬合

分：

Dtrain,Dvalidation,Dheldout.D_{\mathrm{train}}, D_{\mathrm{validation}}, D_{\mathrm{heldout}}.

held-out 最好包含：

  • new scale；
  • new environment；
  • new initial condition；
  • new phase；
  • new apparatus。

34. One-Step Accurate 仍可能失敗

如果：

ϵ1=∥S^t+1−St+1∥\epsilon_1 = \|\widehat S_{t+1}-S_{t+1}\|

很小，

但長期：

ϵT≫ϵ1,\epsilon_T \gg \epsilon_1,

就代表模型只會局部擬合。

35. Long-Horizon Criteria

保存：

  • trajectory divergence；
  • attractor fidelity；
  • invariant drift；
  • phase-space occupancy；
  • conserved-quantity error；
  • distributional error。

chaotic system 則需比較 invariant measure、Lyapunov spectrum 與 attractor geometry，而非要求逐點長期重合。

Part XI — Invariant Discovery

36. 找出什麼沒有變

尋找：

I(St)=constantI(S_t) = \text{constant}

或：

dIdt≈0.\frac{dI}{dt} \approx0.

候選可以是：

  • scalar invariant；
  • symmetry group；
  • conserved subspace；
  • topological class；
  • monotonic functional；
  • entropy-production bound。

37. Universal Candidate 必須跨 Atlas 重複

若：

IaI_a

與：

IbI_b

分別出現在不同 domain，還要建立：

Ia↔IbI_a \leftrightarrow I_b

的非平凡 structural mapping。

只有這樣才可能是 Universal State Evolution 的候選。

Part XII — Active Experiment Design

38. AI 不只回答，也要選下一個最好問題

給定 competing models：

M1,…,Mn,M_1,\ldots,M_n,

選：

E∗=arg max⁡EE[InformationGain⁡(E)].E^\ast = \operatorname*{arg\,max}_E \mathbb E[ \operatorname{InformationGain}(E) ].

39. 2025–2026 的實驗設計接口

AI-driven experimental design 已逐步由 active learning 與 Bayesian optimization 走向：

  • 高維 configuration search；
  • simulator-assisted design；
  • autonomous laboratory；
  • de novo experimental layout。

2026 年 Nature 的 physics-experiment-design Review 把問題整理為 search space、simulator、objective 與 AI exploration 四個核心。

對本系列最重要的是：

AI 可以主動選擇最能區分 competing physical hypotheses 的觀測。\boxed{ \text{AI 可以主動選擇最能區分 competing physical hypotheses 的觀測。} }

40. Active Falsification 優先於 Active Confirmation

不是問：

哪個實驗最容易看到想看的訊號？

而是：

哪個實驗最能讓目前等價的候選產生不同結果？

可寫：

E∗=arg max⁡ED[P(O∣MA,E),P(O∣MB,E)].E^\ast = \operatorname*{arg\,max}_E D[ P(O\mid M_A,E), P(O\mid M_B,E) ].

41. Falsification Gain

定義：

GF(E)=E[candidate classes eliminated by E].G_F(E) = \mathbb E[ \text{candidate classes eliminated by }E ].

與 information gain 一起使用。

成本則另記：

CE=cost+time+risk+feasibility.C_E = \text{cost} + \text{time} + \text{risk} + \text{feasibility}.

Part XIII — Autonomous Science Loop

42. 完整閉環

D→Hypotheses→Predictions→Experiment→D′→Update.\boxed{ D \rightarrow \text{Hypotheses} \rightarrow \text{Predictions} \rightarrow \text{Experiment} \rightarrow D' \rightarrow \text{Update}. }

43. Hypothesis 不可自動升格

狀態：

hypothesis
formalized_candidate
simulated_candidate
experimentally_tested
replicated
cross-domain_supported
provisionally_accepted

44. Replication Gate

需考慮：

  • independent apparatus；
  • independent analysis；
  • different scale；
  • different observable。

Part XIV — Reconstruction Record

45. 第一版資料結構

AI_State_Evolution_Reconstruction_Record:
  reconstruction_id
  target_domain
  target_scale
  input_atlas_refs
  task_level
  state_representation
  model_family
  learned_operator
  symbolic_candidates
  invariant_candidates
  latent_candidates
  causal_candidates
  competing_models
  posterior_weights
  one_step_accuracy
  long_horizon_accuracy
  invariant_drift
  held_out_regimes
  cross_domain_tests
  intervention_tests
  ood_status
  falsifiers
  proposed_experiments
  evidence_level
  provenance

Part XV — Law-Discovery Acceptance Gate

46. Gate LD-A：Predictive Adequacy

held-out data 必須預測成功。

47. Gate LD-B：Rollout Adequacy

適合 rollout 的系統不能只 one-step 準。

48. Gate LD-C：Representation Robustness

換 coordinate、basis、mesh 後核心物理不能任意消失。

49. Gate LD-D：Scale Declaration

必須標：

λvalid.\lambda_{\mathrm{valid}}.

50. Gate LD-E：Competing Models

至少與其他候選比較。

51. Gate LD-F：Invariant / Constraint Check

不得違反已知 exact constraints。

52. Gate LD-G：Causal Challenge

聲稱 causal law 時必須通過介入或等價 causal falsification。

53. Gate LD-H：OOD Audit

超出訓練 domain 必須降低信心或 abstain。

54. Gate LD-I：Active Falsifier

必須能回答：

什麼結果會使這個候選失敗？\boxed{ \text{什麼結果會使這個候選失敗？} }

Part XVI — Evidence Levels

55. AI-L0：Predictive Pattern

只有預測能力。

56. AI-L1：Stable Surrogate

可穩定 rollout。

57. AI-L2：Interpretable Candidate

具有 symbolic / invariant structure。

58. AI-L3：Cross-Environment Candidate

跨環境穩定。

59. AI-L4：Causally Challenged Candidate

已通過因果挑戰。

60. AI-L5：Cross-Scale Law Candidate

跨尺度與 representation 穩健。

61. AI-L6：Actively Falsified-and-Surviving Candidate

經高 information-gain 實驗主動挑戰後仍存活。

只有 AI-L5–L6 才送入第 07 篇。

Part XVII — 失敗模式

62. Failure 1：Black-Box Deification

預測很準就宣布 AI 發現定律。

63. Failure 2：Symbolic Overfitting

漂亮短公式只在 training range 成立。

64. Failure 3：Causal Inflation

相關性被寫成因果。

65. Failure 4：Latent Ontology Inflation

neural latent 被當成自然界真實 hidden variable。

66. Failure 5：Scale Confusion

effective-law variation 被誤判為 fundamental rule evolution。

67. Failure 6：Environment Leakage

apparatus-specific feature 被當 intrinsic law。

68. Failure 7：Single-Model Capture

所有 anomaly 都被迫塞入單一主模型。

69. Failure 8：Metric Gaming

AI 最佳化 benchmark，而不是物理正確性。

70. Failure 9：Self-Evidence Loop

AI reconstruction 被重新當 direct evidence。

71. Failure 10：Active Confirmation Bias

AI 只選最容易支持自己的實驗。

Part XVIII — AI 科學代理分工

72. Generator

提出：

H.\mathcal H.

73. Formalizer

轉成 equation、graph、operator 或 constraint set。

74. Simulator

生成：

Dsim.D_{\mathrm{sim}}.

75. Critic

尋找 contradiction、redundancy、known-law violation。

76. Falsifier

尋找最能淘汰候選的實驗。

77. Auditor

檢查 provenance、data leakage、prior dominance、OOD 與 duplicated evidence。

Part XIX — 從局部規則到跨尺度候選

78. Local Rule Set

對每個 domain：

aa

得到：

Fa={Fa1,Fa2,…}.\mathcal F_a = \{ F_{a1},F_{a2},\ldots \}.

79. Cross-Scale Alignment

建立：

Φab:Fa→Fb.\Phi_{ab} : F_a \rightarrow F_b.

並問：

Φab\Phi_{ab}

保留了什麼、丟掉了什麼。

80. Alignment 不等於 Reduction

即使建立 mapping，也必須檢查：

  • lost variables；
  • emergent variables；
  • noninvertibility；
  • closure terms。

81. Candidate Universal Primitive

若：

PP

在多個 domain 的高可信規則中都有結構對應：

P⊆Fa,P⊆Fb,P\subseteq F_a, \qquad P\subseteq F_b,

則建立：

Pcandidate.P_{\mathrm{candidate}}.

第 07 篇才正式檢驗其 universal status。

Part XX — USE Candidate Pack

82. 正式候選格式

USE_Candidate:
  candidate_id
  source_domains
  mathematical_form
  semantic_interpretation
  representation_invariance
  scale_robustness
  environment_robustness
  causal_status
  predictive_status
  counterfactual_status
  competing_explanations
  failure_cases
  active_falsification_results
  evidence_level

83. 不可只保存自然語言摘要

正式候選還需要：

  • source equation；
  • machine-readable schema；
  • code / simulator reference；
  • assumptions；
  • units；
  • domain；
  • uncertainty。

Part XXI — 第 06 篇核心結論

84. 結論一：AI 預測器不等於定律發現器

prediction⇏law discovery.\boxed{ \text{prediction} \not\Rightarrow \text{law discovery}. }

85. 結論二：Law Reconstruction 需要多層證據

held-out+rollout+invariance+causal challenge+model competition.\boxed{ \text{held-out} + \text{rollout} + \text{invariance} + \text{causal challenge} + \text{model competition}. }

86. 結論三：現代 AI 已開始跨過單純 prediction

ansatz-free Hamiltonian learning、neural symbolic regression、invariant-function learning、deep Koopman causal discovery 與 quantum-system reconstruction 已證明「由資料回推規則與結構」是可操作研究問題，而不是單純哲學口號。

87. 結論四：AI 最有價值的科學下一步是主動淘汰候選

AI scientist→active falsifier.\boxed{ \text{AI scientist} \rightarrow \text{active falsifier}. }

88. 結論五：Rule Evolution 必須是殘餘假說

只有較弱解釋皆不足時，才考慮 genuine rule evolution。

89. 結論六：Universal State Evolution 不得從單一 domain 產生

至少要經：

cross-environment+cross-representation+cross-scale.\boxed{ \text{cross-environment} + \text{cross-representation} + \text{cross-scale}. }

90. 結論七：正式輸出應是候選包，而不是 AI 的單一答案

candidate law+assumptions+domain+falsifier+uncertainty.\boxed{ \text{candidate law} + \text{assumptions} + \text{domain} + \text{falsifier} + \text{uncertainty}. }

Part XXII — 對第 07 篇的接口

91. 下一篇才正式問「什麼是通用狀態演化？」

第 06 篇輸出：

P={P1,P2,…,Pn}.\mathcal P = \{ P_1,P_2,\ldots,P_n \}.

第 07 篇將問：

哪些候選在跨尺度、跨表示、跨環境比較後仍然不可消除？\boxed{ \text{哪些候選在跨尺度、跨表示、跨環境比較後仍然不可消除？} }

92. 第 07 篇必須區分三種共同性

Fundamental Invariant

真正底層不可刪除。

Scale / RG Invariant

只是在尺度流下不變。

Emergent Regularity

宏觀上反覆出現，但未必 fundamental。

93. Universal State Evolution 不能只取字面集合交集

不同 domain 可能用完全不同數學語言。

因此需要：

StructuralEquivalence⁡(Pa,Pb).\operatorname{StructuralEquivalence}(P_a,P_b).

而不是只比較名稱是否相同。

94. 最後驗證仍然是未見狀態

如果：

P∗P^\ast

具有真正通用性，它必須對未被用來發現它的 transition 產生額外限制：

P∗→new prediction.P^\ast \rightarrow \text{new prediction}.

否則「通用」只是事後抽象。

參考文獻

  1. Hu, H., Ma, M., et al. "Ansatz-Free Hamiltonian Learning with Heisenberg-Limited Scaling." PRX Quantum 6, 040315 (2025).
    https://doi.org/10.1103/j7b8-pb77

  2. Yu, Z., Ding, J., Li, Y. "Discovering network dynamics with neural symbolic regression." Nature Computational Science 6, 156–168 (2026; published online 2025).
    https://doi.org/10.1038/s43588-025-00893-8

  3. Iacopini, I., Valdano, E. "Discovering the laws behind complex networked systems." Nature Computational Science 6, 117–118 (2026).
    https://doi.org/10.1038/s43588-025-00929-z

  4. Nathaniel, J., Roesch, C., Buch, J., et al. "Deep Koopman operators for causal discovery." Communications Physics 8, 513 (2025).
    https://doi.org/10.1038/s42005-025-02426-1

  5. Gui, S., Li, X., Ji, S. "Discovering Physics Laws of Dynamical Systems via Invariant Function Learning." Proceedings of the 42nd International Conference on Machine Learning, PMLR 267, 20662–20693 (2025).
    https://proceedings.mlr.press/v267/gui25a.html

  6. Du, Y., Zhu, Y., Zhang, Y.-H., et al. "Artificial intelligence for representing and characterizing quantum systems." Nature Reviews Physics 8, 579–596 (2026).
    https://doi.org/10.1038/s42254-026-00962-5

  7. Haah, J., Kothari, R., Tang, E. "Learning quantum Hamiltonians from high-temperature Gibbs states and real-time evolutions." Nature Physics 20, 1027–1031 (2024).
    https://doi.org/10.1038/s41567-023-02376-x

  8. Ott, R., Zache, T. V., Prüfer, M., et al. "Hamiltonian learning in quantum field theories." Physical Review Research 6, 043284 (2024).
    https://doi.org/10.1103/PhysRevResearch.6.043284

  9. Kovachki, N., Li, Z., Liu, B., et al. "Neural Operator: Learning Maps Between Function Spaces With Applications to PDEs." Journal of Machine Learning Research 24, 1–97 (2023).
    https://www.jmlr.org/papers/v24/21-1524.html

  10. Brunton, S. L., Proctor, J. L., Kutz, J. N. "Discovering governing equations from data by sparse identification of nonlinear dynamical systems." Proceedings of the National Academy of Sciences 113, 3932–3937 (2016).
    https://doi.org/10.1073/pnas.1517384113

  11. Williams, M. O., Kevrekidis, I. G., Rowley, C. W. "A Data-Driven Approximation of the Koopman Operator: Extending Dynamic Mode Decomposition." Journal of Nonlinear Science 25, 1307–1346 (2015).
    https://doi.org/10.1007/s00332-015-9258-5

  12. Pearl, J. Causality: Models, Reasoning, and Inference. Cambridge University Press, 2nd ed. (2009).

  13. Peters, J., Janzing, D., Schölkopf, B. Elements of Causal Inference. MIT Press (2017).

  14. Ren, Z., Ren, Z., Zhang, Z., Buonassisi, T., Li, J., et al. "Autonomous experiments using active learning and AI." Nature Reviews Materials 8, 563–564 (2023).
    https://doi.org/10.1038/s41578-023-00588-4

  15. Neudecker, D., Cutler, T. E., Devlin, M., et al. "Machine Learning to Select Experiments Driven by Fundamental Science and Applications for Targeted Nuclear Data Improvement." Physical Review X 15, 021086 (2025).
    https://doi.org/10.1103/PhysRevX.15.021086

  16. Go, J., Chen, P. "Sequential infinite-dimensional Bayesian optimal experimental design with derivative-informed latent attention neural operator." Journal of Computational Physics 532, 113976 (2025).
    https://doi.org/10.1016/j.jcp.2025.113976

  17. Yang, H., Dong, X., Wu, J.-L. "Bayesian experimental design for model discrepancy calibration: An auto-differentiable ensemble Kalman inversion approach." Journal of Computational Physics 545, 114469 (2026).
    https://doi.org/10.1016/j.jcp.2025.114469

  18. "Designing physics experiments with artificial intelligence." Nature (2026).
    https://doi.org/10.1038/s41586-026-10898-6

Source Integrity Note

本文件為 UTF-8 Markdown canonical source。數學原始碼只使用 $...$ 與 $$...$$ delimiter，不進行 LaTeX-to-Unicode 數學替換，不使用 unicode-escape round-trip。

本文延續 MGCP–USE 00–05 的「從零開始」約束，不使用作者既有私人理論作為前提。AI State-Evolution Reconstructor、Law-Discovery Acceptance Gate、AI-L0–L6 evidence levels、USE Candidate Pack、Active Falsifier 等為本系列研究工作結構，並非宣稱已是物理學界既有標準。

本文引用 Hamiltonian learning、neural symbolic regression、Koopman causal discovery、invariant-function learning、quantum-system reconstruction 與 active experiment design 等研究，目的在於建立「AI 可以逐步由狀態資料回推規則」的現代技術基礎。這些工作不代表 AI 已能從現有宇宙資料直接恢復唯一基本定律，也不代表任何 machine-learned latent variable 或 symbolic equation 已具有本體論地位。