OWER Paper 02 v0.1｜局部注意力收斂與全域認識失真

局部注意力收斂與全域認識失真

Local Attention Convergence and Global Epistemic Distortion

Series: Open-World Epistemic Research
Paper: 02
Version: v0.1
Date: 2026-09-20
Language: zh-TW
Status: Formal Draft / Canonical Markdown Source
Authors: Neo.K × GPT-5.6 Sol
Institution: EveMissLab / 一言諾科技有限公司

摘要

當代 Deep Research、RAG、搜尋代理與長鏈推理系統常以「更多搜尋、更多來源、更長推理」作為研究品質的近似指標。然而，在開放世界研究中，搜尋深度、來源數量與推理長度並不自動等價於認識完整性。若系統最初對問題的分類、搜尋方向、關鍵詞、來源拓撲或假說空間存在偏差，後續越深入的資料蒐集反而可能使局部子空間獲得更高密度的證據、更高敘事一致性與更高主觀信心，最終形成一種「局部正確、全域失真」的研究狀態。

本文提出 局部注意力收斂（Local Attention Convergence, LAC）與 全域認識失真（Global Epistemic Distortion, GED）兩個概念，用以描述研究系統在有限搜尋、有限上下文、有限工具與有限內部世界模型條件下，如何從一個局部問題投影出發，逐步形成穩定但不完整的認識吸引子。本文強調，這種失真並不要求系統產生傳統意義上的「幻覺」；即使所有引用都真實、所有摘要都忠實、所有局部推論都合理，整體研究仍可能因為漏掉關鍵類別、反證路徑、替代機制、不同時間尺度、來源族群或世界區域而發生全域性偏差。

本文將 Deep Research 的典型流程表示為一系列有損投影：

W \rightarrow \Pi_Q(W) \rightarrow \Pi_S \rightarrow \Pi_E \rightarrow \Pi_C \rightarrow Z_t \rightarrow Y

其中 $W$ 為開放世界， $\Pi_Q$ 為查詢生成投影， $\Pi_S$ 為來源選擇投影， $\Pi_E$ 為證據選擇投影， $\Pi_C$ 為上下文壓縮投影， $Z_t$ 為當前研究狀態， $Y$ 為最終輸出。若早期投影將研究鎖定在子域 $D_0$ ，則後續研究可能持續最大化 $D_0$ 內部的一致性，而非重新估計 $D_0$ 是否接近完整問題域 $D^\ast$ 。

本文進一步提出：研究系統的核心風險不是「沒有找到足夠多資料」，而是「沒有發現自己所使用的分類空間本身不完整」。因此，真正的開放世界研究系統必須同時維護局部深度與全域邊界，將「未知類別」、「未觀察區域」、「來源依賴」、「替代解釋」、「反證缺口」與「未閉合邊界」提升為第一級狀態，而不能只在最終文字中以不確定性語句處理。

本文最終提出一個基本命題：

\boxed{ \text{Depth} \not\Rightarrow \text{Global Epistemic Coverage} }

以及一個更強的反直覺命題：

\boxed{ \text{More Local Evidence} \Rightarrow \text{Higher Confidence} \quad \text{while} \quad \text{Global Error Remains or Increases} }

因此，AI 原生研究的下一階段不應只最佳化「研究得更深」，而必須顯式最佳化「是否仍存在未被展開的世界區域」。

關鍵詞： Open-World Epistemic Research、局部注意力收斂、全域認識失真、Deep Research、RAG、搜尋代理、搜尋偏差、認識閉包、未知類別、來源拓撲、研究吸引子、反證搜尋、世界根節點

1. 問題：研究越深，為什麼仍可能越錯？

「深入研究」在直覺上通常意味著：

\text{more evidence} \rightarrow \text{better understanding}

這在封閉世界、變數完整、資料來源已知、問題分類正確時通常相當合理。

例如已知一組有限文件：

D=\{d_1,\ldots,d_n\}

若研究目標是對 $D$ 進行完整摘要，那麼讀取更多文件通常會增加資訊覆蓋率。

但開放世界研究不同。

在開放世界中，系統面對的不是：

D=\text{known finite corpus}

而是：

W=\text{unknown, changing, partially observable world}

此時研究系統首先必須決定：

什麼算是相關資訊；
哪些來源值得搜尋；
哪些關鍵詞可以描述目標；
哪些分類存在；
哪些假說值得保留；
哪些反例值得主動尋找；
哪些未知只是缺資料；
哪些未知代表整個分類空間錯了。

也就是說，研究並不是單純在一個既定空間內搜尋，而是同時在估計：

\boxed{ \text{What is the search space itself?} }

若研究系統把「搜尋空間本身」當作固定背景，則它可能在錯誤的局部空間中做出極高品質的研究。

因此，本文的起點不是：

為什麼 AI 會幻覺？

而是：

為什麼一個不幻覺、引用正確、局部推理合理的系統，仍然可能產生全域錯誤？

這是一個比傳統 hallucination 更細的認識論問題。

2. 從幻覺問題轉向研究空間問題

傳統生成式 AI 的錯誤常被表示為：

Y\notin E

也就是輸出 $Y$ 缺乏證據 $E$ 支持。

但局部注意力收斂的問題可以發生在：

Y\in E

而：

E\subsetneq E^\ast

其中 $E^\ast$ 代表對完整問題域重要的證據集合。

此時每個句子都可能有來源，每個數據都可能真實，卻仍然存在：

\boxed{ \text{Evidence Correctness} \neq \text{Evidence Completeness} }

進一步：

\boxed{ \text{Evidence Completeness} \neq \text{Domain Completeness} }

因為即使在某一既定分類下證據已經收集得非常完整，分類本身仍可能錯誤或不完整。

例如研究者建立：

D_0=\{A,B,C\}

並對 $A,B,C$ 各自取得大量資料。

真正世界可能是：

D^\ast=\{A,B,C,D,E,F\}

則：

\operatorname{CompleteEvidence}(D_0)

仍不能推出：

\operatorname{CompleteDomain}(D^\ast)

這是本文要處理的第一個結構性斷裂。

3. 局部注意力收斂

3.1 定義

本文將 局部注意力收斂 定義為：

一個研究系統在有限搜尋與有限認識狀態下，逐步把計算資源、搜尋預算、來源選擇、推理路徑與不確定性消解集中到既有子域，使該子域內部的證據密度與敘事一致性持續增加，同時降低重新開啟未探索問題域的機率。

設完整世界研究域為：

D^\ast

系統在時間 $t$ 的有效研究域為：

D_t\subseteq D^\ast

則注意力配置可以寫成：

A_t:D^\ast\rightarrow[0,1]

且：

\int_{D^\ast}A_t(x)\,dx=1

若存在局部區域：

L\subsetneq D^\ast

使得隨時間增加：

\int_L A_t(x)\,dx\rightarrow 1

而：

\int_{D^\ast\setminus L}A_t(x)\,dx\rightarrow 0

則可稱系統發生局部注意力收斂。

這不代表 $L$ 一定錯。

真正風險是：

L\neq D^\ast

但系統失去重新估計此差異的能力。

3.2 收斂不是缺點本身

任何有限計算系統都必須收斂。

若不收斂，研究會發生：

\text{branching explosion}

並造成：

\text{cost}\rightarrow\infty

所以問題不是：

系統不應收斂。

而是：

系統收斂之前，是否保存了重新打開世界邊界的機制？

因此需要區分：

\text{Operational Convergence}

與：

\text{Epistemic Closure}

前者只是：

目前必須停止搜尋並完成一個可用結果。

後者則是：

在指定範圍與指定證據條件下，沒有重要未處理邊界。

這兩者不能混為一談。

4. 全域認識失真

4.1 定義

本文將 全域認識失真 定義為：

研究輸出在局部證據與局部推理上可能具有高一致性與高正確率，但由於問題域、來源域、時間域、因果域、分類域或反證域存在未觀察部分，使最終形成的整體世界描述與更完整世界狀態產生系統性偏差。

可表示為：

\hat W_t = f(E_t,D_t,H_t)

而真實可認識世界近似為：

W^\ast = f(E^\ast,D^\ast,H^\ast)

若：

E_t\subsetneq E^\ast

或：

D_t\subsetneq D^\ast

或：

H_t\subsetneq H^\ast

則即使：

\operatorname{Consistency}(\hat W_t)\approx 1

也可能：

\operatorname{Distance}(\hat W_t,W^\ast)\gg0

因此：

\boxed{ \text{Internal Coherence} \not\Rightarrow \text{External Completeness} }

4.2 全域失真不要求假資料

這點十分重要。

全域認識失真可以完全由真資料造成。

假設：

E= \{e_1,e_2,\ldots,e_{100}\}

全部為真。

但它們全部來自同一來源鏈、同一研究傳統、同一地理區域、同一公司敘事或同一分類框架。

那麼：

P(E\mid H_1)

可能很高。

但系統根本沒有建立：

H_2,H_3,H_4

也沒有尋找：

E_{\neg H_1}

則：

P(H_1\mid E)

在內部會快速上升。

真正問題不是：

e_i=\text{false}

而是：

\{e_i\}

沒有覆蓋重要的替代世界。

5. Deep Research 的有損投影鏈

將開放世界記為：

W

研究代理無法直接處理整個 $W$ ，必須做投影。

第一層為查詢生成：

\Pi_Q:W\rightarrow Q

第二層為搜尋結果：

\Pi_R:Q\rightarrow R

第三層為來源篩選：

\Pi_S:R\rightarrow S

第四層為證據抽取：

\Pi_E:S\rightarrow E

第五層為上下文壓縮：

\Pi_C:E\rightarrow C

第六層為內部推理：

P_\theta(C)\rightarrow Z

最後形成報告：

Z\rightarrow Y

因此：

\boxed{ Y= F\left( P_\theta, \Pi_C, \Pi_E, \Pi_S, \Pi_R, \Pi_Q, W \right) }

每一層都有可能造成資訊損失。

而更危險的是：

\Pi_{t+1}

通常由前一輪的：

Z_t

決定。

因此整個系統形成遞迴：

Z_t \rightarrow \Pi_{Q,t+1} \rightarrow E_{t+1} \rightarrow Z_{t+1}

若 $Z_t$ 已經偏向某個局部分類，那麼下一輪搜尋也會沿該分類生成。

這形成：

\boxed{ \text{belief-conditioned retrieval} }

而不是：

\text{world-complete observation}

。

6. 自我強化研究吸引子

6.1 基本機制

設研究狀態：

Z_t

生成下一輪查詢：

Q_{t+1}=g(Z_t)

搜尋得到：

E_{t+1}=r(Q_{t+1})

再更新：

Z_{t+1}=u(Z_t,E_{t+1})

因此：

Z_{t+1} = u\left( Z_t, r(g(Z_t)) \right)

如果：

g

偏好與當前模型一致的 query，

而：

u

偏好將新證據整合進既有敘事，

則可能形成固定點：

Z^\star = u\left( Z^\star, r(g(Z^\star)) \right)

這就是研究吸引子。

研究吸引子不一定錯。

問題是它可以是：

\text{locally stable}

但：

\text{globally incomplete}

。

6.2 「越研究越確信」如何發生

假設初始有三個假說：

H=\{H_1,H_2,H_3\}

但系統早期只產生與 $H_1$ 有關的查詢。

得到：

E_1,E_2,\ldots,E_n

這些資料都支持 $H_1$ 。

則：

P(H_1\mid E_{1:n})\uparrow

但這個後驗只對「已被搜尋到的條件分布」有效。

若真正搜尋政策為：

\pi(Q\mid H_1)

則應該注意：

P(H_1\mid E,\pi)

不等於：

P(H_1\mid E)

因為證據生成過程本身受到假說選擇政策影響。

換言之：

\boxed{ \text{Evidence is not independent of the search policy that produced it.} }

這是 Deep Research 與一般搜尋代理很容易忽略的地方。

7. 局部深度與全域覆蓋不是同一指標

設：

D_L

代表局部深度，

C_G

代表全域覆蓋。

它們可以同時變化，也可以彼此獨立。

因此至少存在四種狀態：

狀態	局部深度	全域覆蓋
A	低	低
B	高	低
C	低	高
D	高	高

傳統 Deep Research 往往最佳化：

D_L\uparrow

並把它誤當成：

C_G\uparrow

但最危險的其實是狀態 B：

\boxed{ D_L\gg0,\quad C_G\ll1 }

因為這種報告通常：

引用很多；
文字完整；
結構漂亮；
局部機制說得很深；
數據彼此一致；
看起來最像「研究完成」。

因此它最容易產生錯誤的完成感。

8. 五種主要的局部收斂來源

8.1 分類收斂

系統一開始把問題分類為：

C_1

後續所有搜尋都在：

\operatorname{Search}(C_1)

中進行。

若真正需要：

C_2

甚至：

C_3

則再多搜尋也只是：

\operatorname{Depth}(C_1)\uparrow

而不是：

\operatorname{Coverage}(\{C_1,C_2,C_3\})\uparrow

。

8.2 關鍵詞收斂

系統用一組詞：

K_0

描述問題。

但不同研究社群可能使用：

K_1,K_2,K_3

。

如果：

K_0\cap K_2\approx\varnothing

則：

\operatorname{Search}(K_0)

幾乎不可能發現：

D(K_2)

。

8.3 來源拓撲收斂

看似有多個來源：

S_1,S_2,S_3,S_4

實際可能共享同一 epistemic root：

R_0\rightarrow S_1

R_0\rightarrow S_2

R_0\rightarrow S_3

R_0\rightarrow S_4

所以來源數量：

N_{\text{documents}}=4

但獨立根：

N_{\text{roots}}=1

。

若系統只計 document diversity，就會高估證據獨立性。

8.4 時間收斂

研究只捕捉：

[t_0,t_1]

卻忽略：

t<t_0

的歷史條件，

或：

t>t_1

的新變化。

因此：

W_t

被誤當成：

W

。

對快速變動的 AI 架構、產品能力、法規與研究前沿而言，這個問題尤其嚴重。

8.5 假說收斂

一旦報告形成主敘事：

H_1

其他結果常被重新分類成：

限制；
例外；
少數反對；
尚未確認。

於是：

H_2,H_3

不再作為真正競爭模型存在。

這種壓縮會提高可讀性，但降低：

\text{hypothesis diversity}

。

9. 平衡性回答也可能是一種收斂

表面上，「太相信來源」與「過度平衡」是相反問題。

實際上它們可能來自同一個最佳化目標：

\text{Narrative Stability}

若來源高度一致：

A,A,A,A

穩定輸出為：

A 很可能成立。

若來源分裂：

A,A,\neg A,\neg A

穩定輸出為：

雙方各有觀點。

但科研真正需要處理的是：

\text{Which mechanism generated each claim?}

以及：

\text{Which observation would discriminate between them?}

因此：

\boxed{ \text{Balanced Narration} \neq \text{Epistemic Discrimination} }

。

平衡性回答若沒有：

來源獨立性分析；
證據權重；
方法差異；
反事實測試；
可區分實驗；

仍然只是另一種敘事閉合。

10. Unknown 不是一個單一狀態

局部注意力收斂常發生，是因為系統把所有未知都處理成：

\text{Need More Search}

但未知至少應拆成：

U = U_{\text{data}} \cup U_{\text{category}} \cup U_{\text{structure}} \cup U_{\text{conflict}} \cup U_{\text{counterevidence}} \cup U_{\text{access}} \cup U_{\text{temporal}} \cup U_{\text{world}}

其中：

$U_{\text{data}}$ ：缺少資料；
$U_{\text{category}}$ ：可能漏掉整個分類；
$U_{\text{structure}}$ ：已知節點之間關係不明；
$U_{\text{conflict}}$ ：證據互相衝突；
$U_{\text{counterevidence}}$ ：尚未主動尋找反證；
$U_{\text{access}}$ ：知道來源存在但無法存取；
$U_{\text{temporal}}$ ：時間版本不明；
$U_{\text{world}}$ ：甚至不知道世界中還可能存在什麼相關對象。

只有：

U_{\text{data}}

適合直接「再搜更多」。

若問題其實是：

U_{\text{category}}

那麼同類 query 再執行一百次仍可能無效。

11. 從「找更多」轉向「打開邊界」

因此，開放世界研究不應只執行：

\operatorname{RetrieveMore}(D_t)

還需要：

\operatorname{ExpandBoundary}(D_t)

可定義研究邊界：

\partial D_t

代表目前已知域與未知域之間的接面。

研究代理應同時維護：

D_t

與：

\partial D_t

。

局部深入：

D_t\rightarrow D_t'

處理：

已知域內部還缺什麼？

邊界擴張：

\partial D_t\rightarrow D_{t+1}

處理：

有沒有整個尚未進入模型的新區域？

這兩種操作必須分開。

12. 反證搜尋不是「多找一篇反對文章」

真正的 counter-evidence search 不是：

找一篇不同意的文章，讓回答更平衡。

而是先建立目前核心命題：

H_c

再問：

\exists E^-: P(H_c\mid E,E^-) \ll P(H_c\mid E) ?

也就是：

什麼證據如果存在，會真正改變目前結論？

因此反證搜尋至少包括：

尋找直接否定 $H_c$ 的證據；
尋找可用替代機制解釋同一現象的 $H_a$ ；
尋找目前結論依賴的隱含前提；
尋找來源共同依賴；
尋找 benchmark 或測量本身的偏差；
尋找時間與版本條件；
尋找失敗重現或負結果；
尋找目前分類之外的替代 ontology。

因此：

\boxed{ \text{Counter-Evidence Search} \neq \text{Opposition Retrieval} }

。

13. 世界根節點與局部收斂

若系統直接從：

\text{Task}

開始，

則它很容易將任務描述當成完整世界。

例如：

T=\text{研究某架構是否創新}

模型可能直接轉成：

Q=\text{該架構名稱 + innovation}

然後搜尋。

但若有世界根節點：

W

則流程先變成：

T \rightarrow \operatorname{WhatWorldMustBeKnown}(T)

再展開：

架構歷史；
相似方法；
實作差異；
訓練條件；
benchmark；
kernel；
硬體；
消融；
重現；
作者敘事；
獨立評估；
時間版本。

也就是：

\boxed{ \text{World Root} \rightarrow \text{Domain Construction} \rightarrow \text{Search} }

而不是：

\text{Task} \rightarrow \text{Search}

。

這就是 World-Rooted Cognition 對局部收斂問題的第一層防禦。

14. 研究狀態不應只有「答案」

可將研究狀態寫為：

R_t = ( K_t, H_t, E_t, C_t, U_t, B_t, S_t, P_t )

其中：

$K_t$ ：目前知識；
$H_t$ ：競爭假說；
$E_t$ ：證據；
$C_t$ ：約束與衝突；
$U_t$ ：未知分類；
$B_t$ ：未閉合邊界；
$S_t$ ：來源與來源拓撲；
$P_t$ ：研究與搜尋 provenance。

如果最後只保存：

Y_t=\text{report}

那麼：

R_t\rightarrow Y_t

是一個高度有損壓縮。

而下一輪若只讀 $Y_t$ ，就可能失去：

哪些假說曾被淘汰；
哪些資料無法取得；
哪些來源其實同根；
哪些邊界尚未展開；
哪些結論只是局部閉包；
哪些反證仍未搜尋。

因此：

\boxed{ \text{Report} \neq \text{Research State} }

。

15. 局部注意力收斂的偵測指標

本文提出若干可實作的 proxy。

15.1 Query Novelty

N_Q(t) = 1- \operatorname{sim}(Q_t,Q_{<t})

若：

N_Q(t)\rightarrow0

代表 query 空間逐漸收斂。

這不一定是壞事，但若同時：

B_t\neq\varnothing

則可能是過早收斂。

15.2 Source-Root Diversity

設文件集合：

S=\{s_1,\ldots,s_n\}

對應 epistemic roots：

R(S)=\{r_1,\ldots,r_m\}

則可定義：

D_R=\frac{m}{n}

若：

n\gg m

代表大量文件來自少量共同根。

15.3 Hypothesis Diversity

D_H = |\{H_i:P(H_i)> \epsilon\}|

若研究前期快速變成：

D_H=1

則需要檢查是否發生過早敘事閉合。

15.4 Boundary Pressure

定義：

P_B = \sum_{b\in B_t} w(b)

其中 $B_t$ 是未閉合邊界。

若：

P_B

高，但系統仍準備結束研究，表示完成判定可能錯誤。

15.5 Counter-Evidence Deficit

D_C = \frac{ N_{\text{support-search}} }{ 1+N_{\text{counter-search}} }

若：

D_C\gg1

代表搜尋政策顯著偏向支持性資訊。

這只是 proxy，不應被誤用成固定品質分數。

16. 一個最小閉環修正

為避免局部注意力收斂，研究系統至少應加入：

\boxed{ \text{Converge} \rightarrow \text{Challenge} \rightarrow \text{Expand} \rightarrow \text{Re-evaluate} }

具體：

形成暫時主模型；
抽取其必要前提；
尋找最具破壞性的反例；
尋找替代 ontology；
檢查來源根；
檢查未展開世界邊界；
再決定是否維持收斂。

形式：

Z_t \rightarrow \operatorname{Challenge}(Z_t) \rightarrow \Delta D_t \rightarrow Z_{t+1}

其中：

\Delta D_t

不要求一定推翻原模型。

只要求：

\operatorname{SearchSpace}(Z_{t+1}) \supseteq \operatorname{SearchSpace}(Z_t)

在重要邊界上得到實質檢驗。

17. 認識閉包應是有條件的

在開放世界中，很難合理宣稱：

\operatorname{Complete}(W)=1

因此 closure 應被寫成：

\operatorname{Closure} ( D, E, H, C, T, R )

代表：

在指定研究域、證據條件、競爭假說、約束、時間版本與可用資源下，已達到可接受閉包。

所以：

\boxed{ \text{Closure} \neq \text{Absolute Truth} }

而是：

\boxed{ \text{Closure} = \text{bounded epistemic completion} }

。

這也意味著任何 closure 應保存 reopen conditions：

\mathcal R_{\text{reopen}}

例如：

新來源出現；
benchmark 改版；
重要反例出現；
新分類被發現；
原資料被撤回；
新工具提供新的觀察能力。

18. 與 Deep Research 的關係

本文不主張 Deep Research 無效。

相反，Deep Research 在：

快速背景研究；
多來源整理；
技術概覽；
市場與競品分析；
初步文獻整理；
已知問題域內的資料整合；

通常極具價值。

本文指出的是：

\boxed{ \text{Deep Research} \text{ is not automatically } \text{Open-World Epistemic Research} }

兩者真正差異不是：

\text{search count}

也不是：

\text{token count}

而是系統是否把以下物件提升為一級狀態：

世界；
未知類別；
來源拓撲；
反證；
未閉合邊界；
競爭假說；
reopen conditions；
closure scope。

19. 與 Omphalos / AUSI 的關係

舊版 Omphalos 已把：

\text{Search Method}

與：

\text{Provider}

分離，並把：

\text{Gap}

與：

\text{Replan}

納入 runtime。

本文進一步提出：

\boxed{ \text{Gap} \neq \text{just missing retrieval} }

Gap 應至少區分：

G= ( G_{\text{data}}, G_{\text{category}}, G_{\text{structure}}, G_{\text{counter}}, G_{\text{source}}, G_{\text{time}}, G_{\text{world}} )

最新 World-Rooted Omphalos 方向則更進一步：

\text{World} \rightarrow \text{World Discovery} \rightarrow \text{Epistemic State} \rightarrow \text{Gap} \rightarrow \text{Method} \rightarrow \text{Observation}

因此本文可視為最新 Omphalos 的一個認識失真基礎層：

若沒有顯式維護世界邊界，搜尋方法再多、Provider 再豐富，也仍可能在錯誤子域中高品質收斂。

20. 與 VRCA、GIPE 的關係

VRCA 強調：

\text{Evidence} + \text{Argument} + \text{Provenance} + \text{Open Questions}

不能被最終摘要完全取代。

本文進一步補充：

\text{Open Questions}

還必須包含：

\text{Unknown Search-Space Structure}

。

GIPE 已提出：

\text{Search} \subset \text{Epistemic Action}

本文則加入：

\boxed{ \text{Epistemic Action} \text{ must preserve } \text{Global Reopening Capacity} }

否則認識循環會退化成：

\text{observe} \rightarrow \text{confirm} \rightarrow \text{compress} \rightarrow \text{repeat}

而非真正的：

\text{observe} \rightarrow \text{challenge} \rightarrow \text{expand} \rightarrow \text{revise}

。

21. 主要命題

命題一：局部證據密度不推出全域完整性

若：

E_L

在局部域 $L$ 中高度密集，

仍不能推出：

L=D^\ast

。

命題二：研究深度與研究覆蓋率是不同維度

D_L \neq C_G

因此評估系統時必須分開測量。

命題三：搜尋政策會改變證據分布

E\sim P(E\mid\pi)

因此任何證據評估都應保存其生成策略 $\pi$ 。

命題四：敘事一致性可以在錯誤子域內持續上升

存在：

\operatorname{Coherence}(Z_t)\uparrow

同時：

\operatorname{GlobalAccuracy}(Z_t)

不升甚至下降。

命題五：未知分類比缺少資料更危險

若：

U_{\text{category}}>0

則單純提高：

N_{\text{retrieval}}

不能保證降低認識錯誤。

命題六：反證搜尋必須針對可破壞條件

有效反證搜尋的目標不是增加「不同意見」數量，而是尋找：

E^-

使核心假說後驗或適用域發生實質改變。

命題七：任何開放世界 closure 都必須可重新開啟

若研究狀態沒有：

\mathcal R_{\text{reopen}}

則所謂 closure 更接近停止條件，而不是認識閉包。

22. 可證偽預測

本文提出以下可測試預測。

預測一

對同一開放世界研究任務，若 Agent 只最佳化 citation count 與 local relevance，則增加搜尋輪數不保證提高跨類別 recall。

預測二

加入 explicit category-gap detection 的 Agent，在未知類別任務上應比單純增加 query 數量更容易找到異質來源。

預測三

保存 source-root graph 的 Agent 應比只計來源數量的 Agent 更不容易高估證據獨立性。

預測四

加入 deliberate counter-hypothesis generation 的 Agent 應降低早期單一敘事鎖定率。

預測五

加入 reopen condition 的研究系統，在新證據出現後應比純報告式系統更容易局部修訂，而不需要全量重做。

預測六

在相同 token budget 下，對高不確定問題，將部分預算配置給 boundary expansion 的 Agent 可能比全部投入 local deepening 具有更高最終 domain coverage。

預測七

若模型只接收經 relevance filtering 的資料，而 filtering policy 與模型自身假說高度耦合，則 counter-evidence recall 應低於引入獨立探索策略的系統。

23. Benchmark 草案

可建立一組刻意具有隱藏類別的研究任務：

T_1,\ldots,T_n

每個任務包含：

顯性主流分類；
一個或多個低頻替代分類；
同源多文件；
時間版本差異；
重要反例；
可造成結論逆轉的隱藏證據。

比較系統：

單輪搜尋；
Deep Research baseline；
多 Agent 平行搜尋；
Gap-aware search；
World-rooted epistemic runtime。

可測：

\text{Local Evidence Depth}

\text{Global Category Recall}

\text{Independent Root Recall}

\text{Counter-Evidence Recall}

\text{Hypothesis Diversity}

\text{Boundary Reduction}

\text{Reopen Responsiveness}

。

最重要的是不要只看：

\text{Final Answer Accuracy}

因為單一答案可能偶然正確，但認識過程仍然脆弱。

24. 一個更一般的認識論結論

本文的問題並不限於 AI。

人類研究也會：

在熟悉領域內過度深挖；
依賴既有術語；
沿學派分類搜尋；
以權威來源作為搜尋入口；
形成理論吸引子；
用更多支持性資料提高確信；
忽略不在既有分類中的現象。

AI 只是把這種機制放大並自動化。

因此真正問題不是：

\text{AI is biased}

而是：

\boxed{ \text{Any finite epistemic system can mistake local convergence for global completion.} }

。

這也意味著：

開放世界研究的核心能力之一，不是永遠不收斂，而是知道何時必須重新打開已經收斂的世界。

25. 結論

Deep Research 的問題不能只被描述為：

搜尋不夠多；
來源不夠好；
幻覺；
引用錯誤；
推理不夠長。

更深的問題是：

\boxed{ \text{Research can become locally excellent before it becomes globally adequate.} }

如果：

D_0\subsetneq D^\ast

但系統持續在 $D_0$ 中最佳化：

\text{relevance} + \text{evidence density} + \text{coherence} + \text{confidence}

則最終可能得到：

\boxed{ \text{High-Quality Local Research} + \text{Global Epistemic Distortion} }

。

因此，開放世界認識研究必須從：

\text{Search More}

轉向：

\text{Know What Remains Outside the Search}

更完整地說：

\boxed{ \text{World} \rightarrow \text{Local Model} \rightarrow \text{Convergence} \rightarrow \text{Challenge} \rightarrow \text{Boundary Expansion} \rightarrow \text{Revision} \rightarrow \text{Conditional Closure} }

真正的研究深度，不只是向下挖得多深。

它還必須回答：

我挖的地方，究竟是不是整個問題真正該被挖的地方？

26. 與下一篇的銜接

Paper 02 說明：

\text{Local Depth} \neq \text{Global Coverage}

下一篇將處理更底層的問題：

\boxed{ \text{Unknown} \neq \text{one state} }

如果 AI 無法區分「缺資料」與「漏掉整個分類」，那麼再強的搜尋能力仍可能把：

U_{\text{category}}

誤當成：

U_{\text{data}}

並以更多相同類型的搜尋加深錯誤收斂。

因此 Paper 03 將正式建立 Unknown-State Taxonomy，把未知分解為可被不同認識算子處理的多種類型。

References

Bates, M. J. The Design of Browsing and Berrypicking Techniques for the Online Search Interface. Online Review, 1989.
Marchionini, G. Exploratory Search: From Finding to Understanding. Communications of the ACM, 2006.
Pirolli, P., & Card, S. Information Foraging in Information Access Environments. CHI Proceedings, 1995.
Popper, K. R. The Logic of Scientific Discovery. Routledge.
Kuhn, T. S. The Structure of Scientific Revolutions. University of Chicago Press.
Lakatos, I. Falsification and the Methodology of Scientific Research Programmes. In Criticism and the Growth of Knowledge.
EveMissLab. DRC Search：生成式 AI 時代的非線性搜尋、共振式爬蟲與認知地圖生成方法.
EveMissLab. 全域欲相位語義搜尋法 GIPSS v0.2：DRC–SGCD 統一架構.
EveMissLab. 全域欲相位認識論 GIPE v0.1：從語義搜尋到主動科學介入.
EveMissLab. 從資訊檢索到研究編譯：VRCA 理論模型 v0.1.
EveMissLab. Omphalos: From Search APIs to an AI-Native Search-Method Runtime v0.1.
EveMissLab. Open-World Epistemic Research Paper 00: From Deep Research to Open-World Epistemic Research.
EveMissLab. Open-World Epistemic Research Paper 01: The Internet-Access Illusion.

Appendix A — Minimal Research-State Schema

research_state:
  world_scope:
    declared_scope:
    assumed_scope:
    excluded_scope: []

  hypotheses:
    active: []
    rejected: []
    unresolved: []

  evidence:
    supporting: []
    counter: []
    conflicting: []

  source_topology:
    documents: []
    epistemic_roots: []
    shared_dependencies: []

  unknowns:
    data: []
    category: []
    structure: []
    conflict: []
    counterevidence: []
    access: []
    temporal: []
    world: []

  boundaries:
    unexplored: []
    low_coverage: []
    high_impact: []

  closure:
    status:
    scope:
    assumptions: []
    reopen_conditions: []

  provenance:
    queries: []
    methods: []
    providers: []
    decisions: []

Appendix B — Minimal Anti-Convergence Loop

1. Build a provisional local model.
2. Extract its assumptions.
3. Identify unsearched categories.
4. Trace source roots.
5. Generate counter-hypotheses.
6. Search for high-impact counter-evidence.
7. Expand the domain boundary.
8. Re-evaluate the local model.
9. Declare only conditional closure.
10. Preserve reopen conditions.

Appendix C — 一句話命題

研究可以在錯的局部空間裡變得極度深入；因此真正的開放世界研究，不只要問「還能再深入多少」，也必須問「是否還有整個尚未被看見的世界」。