OWER Paper 03 v0.1｜未知不是單一狀態

未知不是單一狀態

Unknown Is Not One Thing: Toward a Typed Taxonomy of Epistemic Unknowns

Series: Open-World Epistemic Research
Paper: 03
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

現代搜尋系統、RAG、Deep Research 與一般 AI Agent 常把「未知」隱式地壓縮成同一種狀態：

\text{Unknown} \Rightarrow \text{Retrieve More}

亦即，只要系統不確定，就繼續搜尋、增加來源、擴張上下文或要求模型多思考。然而，在開放世界研究中，「未知」並不是單一型別。缺少資料、缺少分類、來源不可達、證據互相衝突、未知變量尚未被命名、時間版本不明、世界中是否存在某一類對象尚未可知，這些狀態雖然都可以被自然語言描述為「不知道」，但它們需要完全不同的認識操作。

本文提出一個 Typed Unknown Taxonomy，將未知表示為一個具有型別、來源、適用範圍、可處理算子與轉移條件的認識物件。本文至少區分：

U = U_{\text{data}} \cup U_{\text{category}} \cup U_{\text{structure}} \cup U_{\text{conflict}} \cup U_{\text{counter}} \cup U_{\text{access}} \cup U_{\text{temporal}} \cup U_{\text{variable}} \cup U_{\text{mechanism}} \cup U_{\text{world}}

其中不同未知必須對應不同認識算子。例如：

U_{\text{data}} \rightarrow \operatorname{Retrieve}

但：

U_{\text{category}} \not\rightarrow \operatorname{RetrieveMoreSameCategory}

而應：

U_{\text{category}} \rightarrow \operatorname{Reclassify} + \operatorname{OntologyExpand}

同樣地：

U_{\text{conflict}} \rightarrow \operatorname{Discriminate}

U_{\text{mechanism}} \rightarrow \operatorname{Intervene} + \operatorname{CounterfactualTest}

U_{\text{world}} \rightarrow \operatorname{WorldDiscover}

本文進一步提出：真正的開放世界研究系統不能只保存「confidence score」，而應保存 unknown state vector，並允許未知在研究過程中進行型別轉移。例如，一開始的資料缺失可能在新證據出現後被重新分類為結構缺失；一個看似分類缺失的問題也可能最終被證明是來源不可達。

因此，本文核心命題是：

\boxed{ \text{Unknown} \neq \text{One State} }

以及：

\boxed{ \text{Wrong Unknown Type} \Rightarrow \text{Wrong Research Operator} }

這一命題對 Deep Research、AI 科研、自主 Agent、搜尋 Runtime 與世界根節點架構具有直接意義：如果系統不能先判斷自己「不知道的是哪一種不知道」，那麼再多的搜尋與推理也可能只是更有效率地處理錯誤問題。

關鍵詞： Unknown-State Taxonomy、Typed Unknowns、Open-World Epistemic Research、Deep Research、Epistemic Gap、Ontology Expansion、Conflict Resolution、Counter-Evidence、World Discovery、Research Operator、Epistemic Runtime

1. 為什麼「不知道」太粗？

自然語言裡，「我不知道」是一個非常方便的壓縮。

例如：

我不知道這家公司今年營收是多少。

我不知道這個理論屬於哪一類。

我不知道這兩篇互相矛盾的研究哪一篇比較可靠。

我不知道這個現象背後真正機制是什麼。

我不知道世界上是否存在某種尚未被命名的研究群體。

這些都可以被壓縮成：

U=\text{unknown}

但它們的結構完全不同。

若 AI 對所有未知都執行：

\operatorname{SearchMore}()

則它會把一個高維認識問題錯誤投影成單一資訊缺失問題。

因此，第一個基本區分是：

\boxed{ \text{Epistemic Uncertainty} \neq \text{Information Scarcity} }

資訊少只是未知的一種來源。

2. 未知作為一級計算物件

傳統系統常把未知表示成：

null；
missing；
low confidence；
no result；
not found；
empty string；
probability below threshold。

這些表示適合資料工程，但不足以描述開放世界認識狀態。

本文提出：

U_i = ( \tau_i, s_i, d_i, c_i, o_i, r_i )

其中：

$\tau_i$ ：unknown type；
$s_i$ ：scope；
$d_i$ ：dependencies；
$c_i$ ：confidence / uncertainty；
$o_i$ ：recommended epistemic operators；
$r_i$ ：resolution / transition conditions。

這樣，「未知」就不再只是：

\text{absence}

而是：

\boxed{ \text{typed epistemic state} }

。

3. 十種核心未知

3.1 資料未知： $U_{\text{data}}$

定義：

已知要找什麼，也知道其分類與可能來源，但缺少具體資料。

例如：

某模型最新 benchmark 分數尚未取得。

形式：

U_{\text{data}} = \text{Known Variable} + \text{Missing Observation}

適合的算子：

\operatorname{Retrieve}

\operatorname{Query}

\operatorname{Fetch}

\operatorname{Measure}

這是傳統搜尋最擅長處理的未知。

3.2 分類未知： $U_{\text{category}}$

定義：

系統不知道現有分類空間是否完整，或不知道某個對象應被放在哪一類。

例如，研究 AI Research Agent 時只建立：

\{\text{search},\text{RAG},\text{multi-agent}\}

卻漏掉：

\text{world-rooted epistemic runtime}

這不是：

還沒找到更多文件。

而是：

根本沒有產生正確分類。

形式：

U_{\text{category}} = \text{Unknown Ontology Region}

適合算子：

\operatorname{Reclassify}

\operatorname{OntologyExpand}

\operatorname{CrossDomainMap}

\operatorname{AnalogicalSearch}

因此：

\boxed{ U_{\text{category}} \not\rightarrow \operatorname{RetrieveMoreSameCategory} }

。

3.3 結構未知： $U_{\text{structure}}$

定義：

已知節點存在，但不知道節點之間的關係。

例如已知：

A,B,C

存在，但不知道：

A\rightarrow B

還是：

B\rightarrow A

或：

C

同時控制兩者。

形式：

U_{\text{structure}} = \text{Known Nodes} + \text{Unknown Relations}

適合算子：

\operatorname{GraphInfer}

\operatorname{DependencyTrace}

\operatorname{CausalProbe}

\operatorname{SequenceCompare}

。

3.4 衝突未知： $U_{\text{conflict}}$

定義：

不同證據對同一命題給出互相不相容的結論。

E_1\Rightarrow H

E_2\Rightarrow\neg H

這時再找更多相同類型的支持資料，不一定能解決問題。

真正需要：

\operatorname{Discriminate}(E_1,E_2)

包括：

方法比較；
資料品質比較；
測量條件比較；
時間版本比較；
適用域比較；
replication；
independent evidence。

形式：

U_{\text{conflict}} = \text{Competing Supported States}

。

3.5 反證未知： $U_{\text{counter}}$

定義：

系統已建立主要假說，但尚未主動搜尋能推翻它的證據。

注意：

U_{\text{counter}}

不是已知反證。

而是：

尚未完成反證搜尋，因此不知道是否存在高破壞性證據。

適合：

\operatorname{CounterEvidenceSearch}

\operatorname{FailureCaseSearch}

\operatorname{NegativeControl}

\operatorname{AdversarialTest}

。

3.6 存取未知： $U_{\text{access}}$

定義：

系統知道某個來源或資料可能存在，但目前無法取得。

例如：

paywall；
private database；
unpublished data；
rate limit；
missing credential；
regional restriction；
disconnected tool。

此時：

\text{Not Retrieved}

不能被誤判成：

\text{Does Not Exist}

形式：

U_{\text{access}} = \text{Known Potential Evidence} + \text{Unavailable Channel}

適合：

\operatorname{AlternativeAccess}

\operatorname{ProxySource}

\operatorname{RequestAuthorization}

\operatorname{MarkUnavailable}

。

3.7 時間未知： $U_{\text{temporal}}$

定義：

不清楚某個命題在什麼時間成立，或不同資料其實描述不同版本的世界。

形式：

W_{t_1} \neq W_{t_2}

但系統把：

W_{t_1},W_{t_2}

混在一起。

例如：

2025 年的產品能力與 2026 年的產品能力被當成同一狀態。

適合：

\operatorname{VersionResolve}

\operatorname{TimelineBuild}

\operatorname{TemporalPartition}

\operatorname{FreshnessCheck}

。

3.8 變量未知： $U_{\text{variable}}$

定義：

問題中可能存在一個尚未被識別或命名的變量。

這比分類未知更深。

分類未知通常是：

不知道它屬於哪一類。

變量未知是：

甚至還不知道應該把什麼東西當成變量。

例如：

Y=f(X_1,X_2)

長期解釋失敗，

真正世界可能是：

Y=f(X_1,X_2,Z)

其中：

Z

從未進入模型。

適合：

\operatorname{LatentVariableSearch}

\operatorname{ResidualAnalysis}

\operatorname{AnomalyCluster}

\operatorname{VariableInvent}

。

3.9 機制未知： $U_{\text{mechanism}}$

定義：

已知相關關係或輸入輸出規律，但不知道生成機制。

例如：

A\leftrightarrow B

已被觀察，

但：

A\rightarrow B

或：

B\rightarrow A

或：

C\rightarrow(A,B)

仍未知。

適合：

\operatorname{Intervene}

\operatorname{CounterfactualTest}

\operatorname{MechanismDecompose}

\operatorname{CausalExperiment}

。

這是「資料更多」尤其容易失效的未知。

3.10 世界未知： $U_{\text{world}}$

定義：

系統不知道世界中是否存在某個相關對象、來源、現象、規律或可觀察區域。

這是最接近 World Root 的未知。

例如：

世界上是否存在一類尚未被既有關鍵詞命名的 AI 研究系統？

此時甚至不知道：

X

是否存在。

形式：

U_{\text{world}} = \operatorname{UnknownExistenceRegion}(W)

適合：

\operatorname{WorldDiscover}

\operatorname{OpenSetSearch}

\operatorname{CrossSurfaceExploration}

\operatorname{ExistenceProbe}

。

4. 未知型別與研究算子

核心原則：

\boxed{ \text{Unknown Type} \rightarrow \text{Operator Family} }

而不是：

\text{Unknown} \rightarrow \text{Search More}

可以建立：

未知型別	主要問題	主要算子
$U_{\text{data}}$	缺具體資料	Retrieve / Measure
$U_{\text{category}}$	分類不完整	Reclassify / OntologyExpand
$U_{\text{structure}}$	關係不明	GraphInfer / DependencyTrace
$U_{\text{conflict}}$	證據互斥	Discriminate / Replicate
$U_{\text{counter}}$	尚未找反證	CounterEvidence / AdversarialTest
$U_{\text{access}}$	來源不可達	AlternativeAccess / MarkUnavailable
$U_{\text{temporal}}$	時間版本不清	Timeline / VersionResolve
$U_{\text{variable}}$	漏掉變量	LatentVariable / ResidualAnalysis
$U_{\text{mechanism}}$	機制不明	Intervention / Counterfactual
$U_{\text{world}}$	不知是否存在	WorldDiscover / OpenSetSearch

這個 mapping 可以寫成：

\Omega_U: U_\tau \rightarrow \mathcal O_\tau

其中：

\mathcal O_\tau

是適用於未知型別 $\tau$ 的操作集合。

5. 錯誤型別會導致錯誤操作

設真實未知型別為：

\tau^\ast

系統估計為：

\hat\tau

如果：

\hat\tau\neq\tau^\ast

則選到的算子：

O(\hat\tau)

可能無法降低真正的不確定性。

例如：

\tau^\ast=U_{\text{category}}

但系統判斷：

\hat\tau=U_{\text{data}}

於是執行：

\operatorname{RetrieveMore}

結果：

N_{\text{documents}}\uparrow

但：

\operatorname{CategoryCoverage}

不變。

甚至：

\operatorname{Confidence}\uparrow

導致更嚴重的錯誤收斂。

因此：

\boxed{ \text{Misclassification of Unknowns} \Rightarrow \text{Epistemic Operator Error} }

。

6. 未知型別不是固定不變

一個重要問題是：

同一個未知會不會隨研究進展改變型別？

答案是會。

例如一開始：

U_{\text{data}}

系統以為只是缺資料。

搜尋之後發現：

E_1\neq E_2

於是轉成：

U_{\text{conflict}}

接著分析發現兩份資料分屬不同年份：

U_{\text{conflict}} \rightarrow U_{\text{temporal}}

最後建立時間版本後，問題被解決：

U_{\text{temporal}} \rightarrow K

因此未知應被視為動態狀態機：

U_t \xrightarrow{O_t} U_{t+1}

而不是靜態 tag。

7. Unknown-State Transition Graph

可建立：

G_U=(V_U,E_U)

其中：

V_U= \{ U_{\text{data}}, U_{\text{category}}, U_{\text{structure}}, U_{\text{conflict}}, U_{\text{counter}}, U_{\text{access}}, U_{\text{temporal}}, U_{\text{variable}}, U_{\text{mechanism}}, U_{\text{world}}, K \}

其中：

K

代表在指定條件下已被認識的狀態。

典型轉移：

U_{\text{data}} \rightarrow U_{\text{conflict}}

U_{\text{conflict}} \rightarrow U_{\text{temporal}}

U_{\text{category}} \rightarrow U_{\text{world}}

U_{\text{structure}} \rightarrow U_{\text{mechanism}}

U_{\text{variable}} \rightarrow U_{\text{structure}}

U_{\text{access}} \rightarrow U_{\text{data}}

最終：

U_\tau \rightarrow K

並不保證所有未知都能被完全解析。

8. Unknown Vector

單一研究問題往往同時包含多種未知。

因此不能只保存一個：

u\in[0,1]

更適合：

\mathbf U_t = ( u_d, u_c, u_s, u_f, u_{ce}, u_a, u_t, u_v, u_m, u_w )

例如：

\mathbf U_t = ( 0.2, 0.8, 0.5, 0.1, 0.9, 0.0, 0.3, 0.6, 0.7, 0.4 )

表示：

資料缺失不嚴重；
分類未知很高；
反證未知很高；
機制未知也很高。

此時最不該做的是：

\operatorname{RetrieveMoreSameSources}

而應優先：

\operatorname{OntologyExpand} + \operatorname{CounterEvidenceSearch} + \operatorname{MechanismProbe}

。

9. 未知與研究排程

如果不同未知需要不同算子，那麼研究排程可以寫成：

O_t^\ast = \arg\max_{O} \frac{ \mathbb E[\Delta U^{-}\mid O] }{ C(O) }

其中：

\Delta U^{-}

表示未知總量下降。

但不同未知的重要性不同，因此可加入權重：

O_t^\ast = \arg\max_{O} \frac{ \sum_i w_i \mathbb E[ \Delta u_i^{-} \mid O ] }{ C(O) }

其中：

$w_i$ ：unknown impact；
$C(O)$ ：時間、token、金錢、風險與行動成本。

這樣，AI 研究系統不再只問：

下一個 query 是什麼？

而是：

哪一種未知最值得先被降低？

10. Unknown Type 與資訊增益

傳統 information gain 常寫成：

IG(a) = H(S_t) - \mathbb E[ H(S_{t+1}) ]

但若狀態空間本身不完整，則：

H(S_t)

會低估真正的不確定性。

因此需要加入：

H_{\text{ontology}}

H_{\text{world}}

等更高階未知。

可寫：

H_E = H_{\text{within-model}} + H_{\text{model-space}} + H_{\text{world-space}}

其中：

$H_{\text{within-model}}$ ：既有模型內不確定性；
$H_{\text{model-space}}$ ：替代模型未知；
$H_{\text{world-space}}$ ：尚未被建模的世界區域。

這個分解能解釋：

為什麼一個模型內部 confidence 很高，仍不代表整體認識風險低。

11. Deep Research 為什麼特別容易把未知壓成資料缺失？

典型 Deep Research 的操作能力通常集中在：

\text{search} + \text{read} + \text{summarize} + \text{synthesize}

因此系統天然偏好把任何未知解釋成：

U_{\text{data}}

因為這是它最容易處理的未知。

這是一種：

\boxed{ \text{Tool-Induced Epistemic Bias} }

也就是：

系統會傾向把問題重新描述成自己已有工具可以處理的形式。

如果只有錘子：

\text{everything} \rightarrow \text{nail}

如果只有 search：

\text{everything unknown} \rightarrow \text{missing information}

。

12. 工具能力決定未知分類

設可用工具集合：

\mathcal T = \{T_1,\ldots,T_n\}

系統可能學到：

P(\hat\tau\mid\mathcal T)

而不只是：

P(\hat\tau\mid E)

也就是未知型別判斷會被工具空間扭曲。

例如沒有：

\operatorname{Intervene}

工具時，系統可能把：

U_{\text{mechanism}}

退化成：

U_{\text{data}}

然後繼續找更多 observational evidence。

因此：

\boxed{ \text{Epistemic Tool Space} \text{ shapes } \text{Perceived Unknown Space} }

。

13. World Root 對 Unknown Taxonomy 的意義

若系統沒有 world root，未知通常相對於：

\text{task}

來定義。

例如：

任務答案缺什麼？

有 world root 後，未知可以相對於：

W

來定義。

也就是：

關於這個世界，我目前不知道什麼？

這兩個問題不同。

前者：

U_T

是 task-relative unknown。

後者：

U_W

是 world-relative unknown。

通常：

U_T \subseteq U_W

。

這使 AI 有機會發現：

雖然現在的任務已經足以回答，但世界模型仍存在高風險未知。

這對科研特別重要。

14. Task Closure 與 World Closure 必須分開

一個研究任務可以完成：

C_T=1

但世界理解仍不完整：

C_W<1

例如：

已經足夠回答「A 模型是否比 B 快」。

但還不知道：

為什麼更快；
哪個硬體條件下成立；
是否由 kernel 差異造成；
是否存在第三種架構；
是否能跨版本成立。

因此：

\boxed{ \text{Task Solved} \neq \text{World Understood} }

。

Deep Research 往往最佳化前者。

Open-World Epistemic Research 必須至少顯式保留後者。

15. Unknown 與 Closure

Closure 不應被定義成：

U=0

因為開放世界中：

U_{\text{world}}

很難降到絕對零。

更合理的是：

\operatorname{Closure} = \operatorname{AcceptableUnknown} ( \mathbf U, D, R, T, C )

其中：

$\mathbf U$ ：unknown vector；
$D$ ：scope；
$R$ ：risk；
$T$ ：task；
$C$ ：cost constraints。

因此不同任務有不同 closure threshold。

醫療、金融、科學證明、高風險控制等任務可能要求：

\mathbf U

更低。

一般背景整理則可接受較高未知。

16. Unknown Budget

由於所有未知都不可能無限降低，可定義：

B_U

為 Unknown Budget。

例如：

B_U = \sum_i w_i u_i

研究停止條件：

B_U \leq \epsilon_T

其中：

\epsilon_T

依任務風險而定。

但若存在某些 hard unknown：

u_i>\theta_i

則即使：

B_U

總體低，也不能 closure。

例如：

u_{\text{counter}}>0.8

表示幾乎沒做反證搜尋。

此時：

\operatorname{Closure}=0

。

17. Hard Unknown 與 Soft Unknown

本文進一步區分：

U_{\text{soft}}

與：

U_{\text{hard}}

Soft Unknown：

缺少一些資料，但不太可能顛覆主結論。

Hard Unknown：

一旦解析，可能顛覆整個模型或分類。

形式：

\operatorname{Impact}(U_i) = \mathbb E[ \Delta M \mid U_i\rightarrow K ]

若：

\operatorname{Impact}(U_i)\gg0

則應優先處理。

因此：

\boxed{ \text{Unknown Priority} \neq \text{Unknown Size} }

。

有時一個很小但高破壞性的未知，比一百個小資料缺口更重要。

18. Unknown Dependency Graph

未知之間也有依賴。

例如：

U_{\text{category}} \rightarrow U_{\text{data}}

若分類未知未解決，後面的資料搜尋根本可能全部無效。

又如：

U_{\text{variable}} \rightarrow U_{\text{mechanism}}

若漏掉關鍵變量，機制研究也難以正確進行。

因此建立：

G_U=(U,E_U)

並定義 dependency：

U_i\prec U_j

表示：

$U_i$ 未解析前，處理 $U_j$ 的效用顯著降低。

研究排程應考慮：

\operatorname{TopologicalOrder}(G_U)

而不是單純依 confidence 排序。

19. Unknown Compression Error

最終報告常把複雜未知壓成一句：

仍需更多研究。

這是一種嚴重壓縮。

原始狀態可能是：

\{ U_{\text{category}}, U_{\text{conflict}}, U_{\text{counter}}, U_{\text{mechanism}} \}

最後變成：

\text{Further Research Needed}

資訊損失極大。

因此報告至少應保留：

\text{Unknown Type} + \text{Scope} + \text{Impact} + \text{Next Operator}

。

20. Unknown Schema

可將每一未知保存為：

unknown:
  id:
  type:
  scope:
  description:
  discovered_from:
  dependencies: []
  impact:
  confidence:
  candidate_operators: []
  required_evidence: []
  transition_conditions: []
  closure_blocking: false
  status:

這使 unknown 可以被：

索引；
排程；
更新；
合併；
拆分；
轉型；
驗證；
關閉；
重新打開。

21. Unknown Split / Merge

一個未知可能被拆分：

U \rightarrow \{U_1,U_2,U_3\}

例如「不知道架構為什麼更快」可拆成：

U_1=\text{kernel effect}

U_2=\text{memory hierarchy effect}

U_3=\text{training configuration effect}

多個未知也可能合併：

\{U_1,U_2,U_3\} \rightarrow U^\ast

若發現它們其實來自同一 latent variable。

因此 unknown runtime 需要：

\operatorname{SplitUnknown}

與：

\operatorname{MergeUnknown}

。

22. Unknown Reclassification

可定義：

\operatorname{ReType} : U_\alpha \rightarrow U_\beta

條件為：

E_{new}

改變了未知本質。

例如：

U_{\text{data}} \xrightarrow{E_{new}} U_{\text{conflict}}

或者：

U_{\text{world}} \xrightarrow{\operatorname{FoundCandidate}} U_{\text{category}}

。

因此 unknown type 應是：

\text{hypothesis about ignorance}

而不是永久標籤。

23. Meta-Unknown：不知道自己不知道什麼

最困難的是：

U_{\text{meta}}

也就是：

系統不知道自己還有哪些未知。

這就是經典的 unknown unknowns。

可形式化為：

U_{\text{meta}} = \operatorname{UnknownUnknownSpace}

它無法被完全枚舉。

但可以透過：

\operatorname{BoundaryExplore}

\operatorname{CrossOntologyProbe}

\operatorname{AnomalySearch}

\operatorname{IndependentAgentDivergence}

\operatorname{WorldSurfaceExpansion}

降低。

因此：

\boxed{ \text{Meta-Unknown} \neq \text{Eliminable} }

但可以被管理。

24. Meta-Unknown Pressure

可定義一個 proxy：

P_M

表示目前模型仍可能存在未識別未知的壓力。

例如由以下因素提高：

query diversity 低；
source-root diversity 低；
domain diversity 低；
independent agents 高度一致但共享來源；
early convergence；
missing negative results；
unresolved anomalies；
unexplained residuals。

這不是絕對概率。

它是一個提醒：

不應把「目前沒有列出未知」誤當成「沒有未知」。

25. 與 Paper 02 的統一

Paper 02 定義：

\text{Local Attention Convergence}

其中一個核心原因就是：

U_{\text{category}}

與：

U_{\text{world}}

被錯誤壓成：

U_{\text{data}}

。

因此：

\boxed{ \text{LAC} \approx \text{Repeated Wrong-Operator Application on Mis-Typed Unknowns} }

至少在部分情況下成立。

也就是：

U_{\text{category}} \rightarrow \operatorname{RetrieveMore} \rightarrow \text{More Local Evidence} \rightarrow \text{Higher Confidence} \rightarrow \text{Stronger Convergence}

這正是全域認識失真的重要來源。

26. 與 Omphalos 的統一

舊 Omphalos 已有：

\text{Evidence} \rightarrow \text{Gap} \rightarrow \text{Replan}

Paper 03 將 Gap 重新定義為 typed gap：

G_t = \{ U_{\tau_1}, U_{\tau_2}, \ldots, U_{\tau_n} \}

因此 Replan 不能只是：

再選一個 search method。

而應：

\text{Gap Type} \rightarrow \text{Epistemic Operator} \rightarrow \text{Method} \rightarrow \text{Provider}

。

新版 World-Rooted Omphalos 可寫成：

\boxed{ W \rightarrow \hat W_t \rightarrow \mathbf U_t \rightarrow O_t \rightarrow \text{Observation} \rightarrow \hat W_{t+1} }

這比：

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

多了一整個 unknown-typing layer。

27. 與 GIPE 的統一

GIPE 已將認識行動擴張為：

搜尋；
模擬；
實驗；
形式證明；
生成；
介入；
驗證；
反證。

本文提供其選擇依據：

\boxed{ \text{Unknown Type} \rightarrow \text{Epistemic Action Type} }

例如：

U_{\text{mechanism}} \rightarrow \text{Intervention}

U_{\text{counter}} \rightarrow \text{Falsification}

U_{\text{data}} \rightarrow \text{Search}

U_{\text{category}} \rightarrow \text{Ontology Expansion}

這使 GIPE 的「認識行動選擇」獲得更明確的狀態基礎。

28. 與 VRCA 的統一

VRCA 保存：

claim；
evidence；
counter-evidence；
provenance；
open questions。

Paper 03 建議將：

\text{Open Question}

細化成：

\text{Typed Unknown}

即：

Q_i \rightarrow U_{\tau_i}

。

這樣「開放問題」不再只是文字列表，而能直接驅動：

\operatorname{NextResearchAction}

。

29. 與 World Root 的統一

若沒有 World Root：

U

通常只是：

任務輸出缺什麼？

若有：

W

作為認識根節點：

U

就可以問：

我與世界之間還有什麼認識差距？

因此：

\boxed{ \text{Unknown} = \text{Difference between current epistemic state and accessible world structure} }

。

這是 Paper 03 與兩篇番外的重要接口。

30. 可證偽預測

預測一

在含隱藏分類的研究任務中，typed-unknown agent 應比 generic uncertainty agent 有更高 category recall。

預測二

當真實問題為 $U_{\text{category}}$ 時，單純增加 retrieval budget 的邊際效用會快速下降。

預測三

加入 unknown reclassification 機制後，Agent 在時間版本衝突任務中應較少把矛盾資料誤判為來源品質問題。

預測四

加入 unknown dependency graph 的研究排程，應比只依 confidence 排序具有更低的無效搜索成本。

預測五

加入 $U_{\text{counter}}$ 狀態後，Agent 應主動增加 falsification-oriented actions。

預測六

加入 $U_{\text{world}}$ 與 $U_{\text{meta}}$ 後，Agent 應保留更多 boundary-expansion actions，而不是過早 closure。

預測七

若工具集合不含 intervention，Agent 對 mechanism unknown 的分類準確率可能下降，顯示 tool space 會反向塑造 perceived unknown space。

31. Benchmark 草案

建立多種任務：

Type A — Missing Data

答案存在於可搜尋來源中。

Type B — Missing Category

需要跨領域或新分類才能找到答案。

Type C — Conflict

存在兩組高品質互斥證據。

Type D — Temporal

不同年份答案不同。

Type E — Latent Variable

只有加入隱藏變量才能解釋殘差。

Type F — Mechanism

觀測相關性不足以判定因果。

Type G — World Unknown

系統需要先發現世界中可能存在新的對象類別。

Type H — Meta Unknown

benchmark 刻意放置一個不在初始 ontology 的高價值因素。

比較：

\text{Generic Search Agent}

vs.

\text{Typed Unknown Agent}

評估：

\text{Unknown-Type Accuracy}

\text{Operator Appropriateness}

\text{Resolution Rate}

\text{Research Cost}

\text{False Closure Rate}

\text{Category Recall}

\text{Counter-Evidence Recall}

。

32. 主要命題

命題一

\boxed{ \text{Unknown} \neq \text{Missing Data} }

命題二

不同未知型別要求不同認識算子。

U_\alpha \neq U_\beta \Rightarrow \mathcal O_\alpha \neq \mathcal O_\beta

一般情況下成立。

命題三

未知型別可以隨新證據轉移。

U_{\alpha,t} \rightarrow U_{\beta,t+1}

。

命題四

工具集合會影響系統對未知型別的感知。

P(\hat\tau\mid E,\mathcal T) \neq P(\hat\tau\mid E)

。

命題五

低 unknown count 不代表低 epistemic risk。

若剩餘未知為 high-impact unknown：

\operatorname{Impact}(U_i)\gg0

則 closure 仍不成立。

命題六

Task closure 與 world closure 必須分離。

C_T=1 \not\Rightarrow C_W=1

。

命題七

Meta-unknown 無法被完全消除，但可透過邊界探索降低。

U_{\text{meta}}>0

在開放世界中可能是常態。

33. 工程最小實作

最小 runtime 只需要五步：

1. Detect an unresolved epistemic state.
2. Assign one or more unknown types.
3. Select candidate epistemic operators.
4. Execute and observe.
5. Re-type, resolve, split, merge, or preserve the unknown.

最小資料結構：

unknown:
  type:
  scope:
  impact:
  dependencies:
  operators:
  status:

即使只做到這一步，也已經比：

unknown → search more

多出一個關鍵層。

34. 一個最小例子

問題：

某新型 AI 架構為什麼在 benchmark 上更快？

初始：

U_0=U_{\text{mechanism}}

但如果系統誤判：

U_0=U_{\text{data}}

它會：

\operatorname{RetrieveMoreBenchmarks}

得到更多：

\text{faster}

的證據，

卻仍回答不了：

為什麼？

正確流程應是：

U_{\text{mechanism}} \rightarrow \operatorname{Ablation} + \operatorname{KernelCompare} + \operatorname{HardwareControl} + \operatorname{Counterfactual}

。

如果過程中發現不同 benchmark 使用不同版本：

U_{\text{mechanism}} \rightarrow U_{\text{temporal}}

先解 version。

再發現差異主要來自未控制變量：

U_{\text{temporal}} \rightarrow U_{\text{variable}}

最後才回到：

U_{\text{mechanism}}

並完成解析。

這就是 typed unknown 的價值。

35. 更一般的認識論含義

「我不知道」其實可能是高度壓縮過的語句。

它背後可能包含：

\text{I lack data}

\text{I lack categories}

\text{I lack variables}

\text{I lack relations}

\text{I lack mechanisms}

\text{I lack access}

\text{I lack temporal alignment}

\text{I do not know what else exists}

因此：

\boxed{ \text{Ignorance has internal structure.} }

。

一旦「無知」被視為具有內部結構，AI 就不再只是：

對未知進行補值。

而是可以：

對未知本身進行分類、推理、排程與操作。

這可能是開放世界認識 Runtime 的一個基礎轉折。

36. 結論

現代 AI Research Agent 的一個根本限制，不是它們不知道很多事情。

而是：

它們經常不知道自己「不知道的是哪一種不知道」。

如果所有未知都被壓成：

U=\text{missing information}

那麼整個研究系統就會自然退化成：

\text{Unknown} \rightarrow \text{Search} \rightarrow \text{More Documents} \rightarrow \text{Summary}

。

但開放世界研究需要：

\boxed{ \text{Unknown} \rightarrow \text{Type} \rightarrow \text{Operator} \rightarrow \text{Observation} \rightarrow \text{Re-Type} \rightarrow \text{Resolution / Preservation} }

。

因此，真正的 AI 原生認識系統必須把未知提升成一級計算物件。

本文的核心可以壓成兩句：

\boxed{ \text{Unknown Is Not One Thing} }

以及：

\boxed{ \text{Before asking what to search next, ask what kind of unknown is actually present.} }

中文：

在問下一步要搜尋什麼之前，先判斷現在面對的究竟是哪一種未知。

這一步看似簡單，卻可能決定後續整條研究軌跡是否走在正確問題上。

37. 與下一篇的銜接

Paper 03 將 unknown 從單一值拆成多型別狀態。

下一篇 Paper 04 將進一步處理另一個長期被壓縮的概念：

\boxed{ \text{Understanding} \neq \text{Boolean} }

也就是：

「知道」、「看見問題」、「形成框架」、「找到機制」、「形成壓縮核」、「可演算法化」、「已驗證」、「已閉包」不是同一層理解。

因此 Paper 04 將建立 Understanding-State Calculus，把：

\text{I understand}

從一句自然語言，拆成可比較、可轉移、可驗證的多階段認識狀態。

References

Knight, F. H. Risk, Uncertainty and Profit. 1921.
Popper, K. R. The Logic of Scientific Discovery.
Kuhn, T. S. The Structure of Scientific Revolutions.
Lakatos, I. The Methodology of Scientific Research Programmes.
Marchionini, G. Exploratory Search: From Finding to Understanding. Communications of the ACM, 2006.
Bates, M. J. The Design of Browsing and Berrypicking Techniques for the Online Search Interface. Online Review, 1989.
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. OWER Paper 00: From Deep Research to Open-World Epistemic Research.
EveMissLab. OWER Paper 01: The Internet-Access Illusion.
EveMissLab. OWER Paper 02: Local Attention Convergence and Global Epistemic Distortion.

Appendix A — Unknown Type Schema

unknown:
  id:
  type:
  scope:
  description:

  state:
    confidence:
    impact:
    closure_blocking:

  dependencies:
    requires_resolution_of: []
    blocks: []

  evidence:
    discovered_from: []
    supporting_unknown_evidence: []
    contradictory_evidence: []

  operators:
    candidate: []
    attempted: []
    prohibited: []

  transitions:
    possible_types: []
    transition_conditions: []

  resolution:
    required_evidence: []
    success_conditions: []
    unresolved_conditions: []

  provenance:
    created_at:
    updated_at:
    research_state_id:

Appendix B — Unknown Operator Map

DATA
→ retrieve / fetch / measure

CATEGORY
→ reclassify / ontology-expand / cross-domain-map

STRUCTURE
→ graph-infer / dependency-trace / causal-probe

CONFLICT
→ discriminate / replicate / compare-methods

COUNTER
→ counter-evidence / adversarial-test / negative-control

ACCESS
→ alternative-access / proxy-source / authorization

TEMPORAL
→ timeline / version-resolve / freshness-check

VARIABLE
→ latent-variable / residual-analysis / anomaly-cluster

MECHANISM
→ intervene / counterfactual / ablation / causal-experiment

WORLD
→ world-discover / open-set-search / existence-probe

META
→ boundary-expand / independent-divergence / anomaly-search

Appendix C — 一句話命題

未知不是一個空白格；它是一個有型別、有依賴、有轉移規則，而且需要不同認識算子處理的狀態空間。

OWER Paper 03 v0.1｜未知不是單一狀態

OWER Paper 03 v0.1｜未知不是單一狀態

未知不是單一狀態

Unknown Is Not One Thing: Toward a Typed Taxonomy of Epistemic Unknowns

摘要

1. 為什麼「不知道」太粗？

2. 未知作為一級計算物件

3. 十種核心未知

3.1 資料未知： UdataU_{\text{data}}Udata​

3.2 分類未知： UcategoryU_{\text{category}}Ucategory​

3.3 結構未知： UstructureU_{\text{structure}}Ustructure​

3.4 衝突未知： UconflictU_{\text{conflict}}Uconflict​

3.5 反證未知： UcounterU_{\text{counter}}Ucounter​

3.6 存取未知： UaccessU_{\text{access}}Uaccess​

3.7 時間未知： UtemporalU_{\text{temporal}}Utemporal​

3.8 變量未知： UvariableU_{\text{variable}}Uvariable​

3.9 機制未知： UmechanismU_{\text{mechanism}}Umechanism​

3.10 世界未知： UworldU_{\text{world}}Uworld​

4. 未知型別與研究算子

5. 錯誤型別會導致錯誤操作

6. 未知型別不是固定不變

7. Unknown-State Transition Graph

8. Unknown Vector

9. 未知與研究排程

10. Unknown Type 與資訊增益

11. Deep Research 為什麼特別容易把未知壓成資料缺失？

12. 工具能力決定未知分類

13. World Root 對 Unknown Taxonomy 的意義

14. Task Closure 與 World Closure 必須分開

15. Unknown 與 Closure

16. Unknown Budget

17. Hard Unknown 與 Soft Unknown

18. Unknown Dependency Graph

19. Unknown Compression Error

20. Unknown Schema

21. Unknown Split / Merge

22. Unknown Reclassification

23. Meta-Unknown：不知道自己不知道什麼

24. Meta-Unknown Pressure

25. 與 Paper 02 的統一

26. 與 Omphalos 的統一

27. 與 GIPE 的統一

28. 與 VRCA 的統一

29. 與 World Root 的統一

30. 可證偽預測

預測一

預測二

預測三

預測四

預測五

預測六

預測七

31. Benchmark 草案

Type A — Missing Data

Type B — Missing Category

Type C — Conflict

Type D — Temporal

Type E — Latent Variable

Type F — Mechanism

Type G — World Unknown

Type H — Meta Unknown

32. 主要命題

命題一

命題二

命題三

命題四

命題五

命題六

命題七

33. 工程最小實作

34. 一個最小例子

35. 更一般的認識論含義

36. 結論

37. 與下一篇的銜接

References

Appendix A — Unknown Type Schema

Appendix B — Unknown Operator Map

Appendix C — 一句話命題

3.1 資料未知： $U_{\text{data}}$

3.2 分類未知： $U_{\text{category}}$

3.3 結構未知： $U_{\text{structure}}$

3.4 衝突未知： $U_{\text{conflict}}$

3.5 反證未知： $U_{\text{counter}}$

3.6 存取未知： $U_{\text{access}}$

3.7 時間未知： $U_{\text{temporal}}$

3.8 變量未知： $U_{\text{variable}}$

3.9 機制未知： $U_{\text{mechanism}}$

3.10 世界未知： $U_{\text{world}}$