title: 網路存取幻覺：為什麼開網路不等於開放世界認知
english_title: The Internet-Access Illusion: Why Web Access Does Not Produce Open-World Cognition
series: Open-World Epistemic Research
paper: 01
version: v0.1
date: 2026-09-20
language: zh-TW
authors: Neo.K · GPT-5.6 Sol
organization: EveMissLab / 一言諾科技有限公司
status: Canonical Draft

01｜網路存取幻覺

——為什麼開網路不等於開放世界認知

English Title: The Internet-Access Illusion: Why Web Access Does Not Produce Open-World Cognition
Series: Open-World Epistemic Research
Version: v0.1
Date: 2026-09-20
Authors: Neo.K × GPT-5.6 Sol
Institution: EveMissLab / 一言諾科技有限公司

摘要

當代大型語言模型逐步獲得搜尋引擎、瀏覽器、MCP、企業資料源、程式執行與多模態工具後，「AI 已經可以上網」常被直覺地理解為「AI 現在可以根據世界本身進行推理」。本文主張，這兩者之間仍存在重要斷裂。網路存取並不是把世界直接交給模型，而是把世界經由可觀察性、資料公開性、索引、查詢生成、搜尋排序、工具政策、結果過濾、內容擷取、上下文壓縮與模型參數先驗等多個投影算子後，形成一個有限且任務條件化的觀察切片。模型實際推理的對象通常不是世界 $W_t$ ，而是世界經多層投影後形成的可見認識切片 $O_t$ 。

本文將這種錯置稱為 Internet-Access Illusion（網路存取幻覺）：系統因具有網路搜尋能力，而被誤認為已具有開放世界認知能力。本文提出一個多層投影模型：

W_t \xrightarrow{\Pi_A} W_t^{A} \xrightarrow{\Pi_I} W_t^{I} \xrightarrow{\Pi_Q} R_t \xrightarrow{\Pi_R} R_t^{rank} \xrightarrow{\Pi_F} R_t^{filter} \xrightarrow{\Pi_C} Z_t \xrightarrow{P_\theta} K_{t+1}

其中， $\Pi_A$ 表示可存取性投影， $\Pi_I$ 表示索引投影， $\Pi_Q$ 表示查詢生成投影， $\Pi_R$ 表示排序投影， $\Pi_F$ 表示工具或模型的過濾投影， $\Pi_C$ 表示上下文壓縮投影，而 $P_\theta$ 表示模型以既有參數知識、概念分類與推理偏好吸收外部資訊的過程。

由此可見，即使 AI 搜尋數百個來源，仍可能只是在同一個不完整問題子空間中增加局部證據密度。搜尋更深不必然擴大世界覆蓋；來源更多不必然增加獨立證據根；即時資訊不必然覆寫過期參數先驗；動態過濾提高 token 效率，也可能在錯誤 ontology 下提前丟棄反例。真正的開放世界研究系統因此不能只記錄「搜到了什麼」，還必須顯式記錄「透過什麼存取面觀察世界」、「哪些投影已經發生」、「哪些世界區域仍不可見」、「哪些分類從未生成查詢」，以及「哪些反例可能在過濾之前被排除」。

本文進一步區分 Internet Access、Web Grounding、Interleaved Web Reasoning 與 Open-World Epistemic Cognition 四個層級，提出 Bounded Observable World、Projection Ledger、Access-Surface Coverage、Ontology Expansion、Counter-Projection Search 與 Reopen Trigger 等候選機制，並設計可證偽 benchmark。本文不是主張應窮盡整個網路，而是提出一個更有限且可工程化的要求：AI 必須知道自己看見的不是世界全部，並能把「目前如何看見世界」本身變成可檢查、可修改的認識狀態。

關鍵詞： Internet Access Illusion、Open-World Cognition、Deep Research、Web Search、Retrieval-Augmented Generation、Epistemic Projection、Bounded Observable World、Search Bias、Parametric Knowledge、Evidence、Omphalos、AUSI、World Root

0. 本文在系列中的位置

Paper 00 已提出：Deep Research 的能力不能只用「搜尋更多、時間更久、報告更完整」理解。若研究 Agent 的目標是認識開放世界，則研究過程應至少保留世界、觀察、認識狀態、未知、證據、反證、閉包與重新開啟等狀態。

Paper 01 將只集中處理其中一個最容易被忽略的問題：

AI 可以上網，是否就表示 AI 已經把世界納入推理？

本文回答：不必然。

更精確地說：

\boxed{ \text{Internet Access} \neq \text{Open-World Cognition} }

本文所批判的不是 Web Search、RAG 或 Deep Research 的價值。相反，這些技術是開放世界認知的重要觀察通道。問題在於：

\boxed{ \text{Observation Channel} \neq \text{World Itself} }

如果系統把通道輸出誤認為世界本身，就會產生一種新的認識收斂錯覺。

1. 四個常被混在一起的層級

本文先區分四個不同能力。

1.1 Internet Access

系統具有可呼叫的網路搜尋、瀏覽器或 API。

形式上：

A_{web}=1

這只代表某個外部存取通道存在。

1.2 Web Grounding

系統可以用搜尋結果、網頁內容或外部文件來支持輸出，並附上引用。

Y = f(P_\theta,R_t)

其中 $R_t$ 為取回的外部資料。

1.3 Interleaved Web Reasoning

模型可在推理過程中反覆：

reason
-> search
-> inspect
-> revise query
-> search again
-> synthesize

這比單次 RAG 更接近研究，但仍可能只在既有問題分類裡反覆展開。

1.4 Open-World Epistemic Cognition

系統不只可以搜尋，而能顯式追蹤：

自己目前對世界的觀察範圍；
尚未觀察的區域；
可能漏掉的分類；
來源之間的依賴；
當前模型與新證據的衝突；
目前 closure 所依賴的時間、資料與條件；
何時應因世界變動或反例出現而重新打開研究。

可寫成：

\mathcal E_t = ( W_t^{obs}, K_t, G_t, B_t, E_t, H_t )

其中：

$W_t^{obs}$ ：目前可觀察世界；
$K_t$ ：當前認識狀態；
$G_t$ ：未知與缺口；
$B_t$ ：可觀察邊界；
$E_t$ ：證據；
$H_t$ ：存取與研究歷史。

這一層才是本文所稱的開放世界認知。

2. 網路不是世界

最基本但最容易被工程流程隱藏的一點是：

\boxed{ Web_t \subsetneq W_t }

世界中大量狀態從來不在公開 Web 上，例如：

尚未被測量的物理狀態；
未公開實驗；
私有資料庫；
企業內部知識；
尚未數位化的資料；
受授權限制的內容；
動態 UI 中尚未展開的狀態；
API 才能取得的機器狀態；
本地裝置、檔案與感測器；
新產生但未被索引的頁面；
已存在但沒有被任何人命名的結構；
必須透過實驗、程式執行或形式證明才能產生的新證據。

因此即使系統具有「全 Web Search」，它也只取得：

W_t^{web} \subsetneq W_t

更重要的是，它通常連整個 $W_t^{web}$ 都沒有直接看見。

3. 從世界到模型上下文：多層投影鏈

一個實際研究 Agent 通常經歷以下轉換：

W_t \xrightarrow{\Pi_A} W_t^{A} \xrightarrow{\Pi_I} W_t^{I} \xrightarrow{\Pi_Q} R_t \xrightarrow{\Pi_R} R_t^{rank} \xrightarrow{\Pi_F} R_t^{filter} \xrightarrow{\Pi_X} X_t \xrightarrow{\Pi_C} Z_t \xrightarrow{P_\theta} K_{t+1}

其中：

$\Pi_A$ ：Access Projection，可否被目前工具、權限、網路與 policy 存取；
$\Pi_I$ ：Index Projection，是否被搜尋引擎、資料庫或目錄納入；
$\Pi_Q$ ：Query Projection，模型實際生成了哪些查詢；
$\Pi_R$ ：Ranking Projection，哪些結果被排到 Agent 可見範圍；
$\Pi_F$ ：Filtering Projection，哪些內容被工具或模型判為相關；
$\Pi_X$ ：Extraction Projection，頁面中哪些片段被擷取；
$\Pi_C$ ：Context Projection，哪些內容被摘要、壓縮或保留；
$P_\theta$ ：Parametric Interpretation，模型如何用自身參數結構解讀這些內容。

所以實際進入推理的不是：

W_t

而是：

Z_t = \Pi_C \circ \Pi_X \circ \Pi_F \circ \Pi_R \circ \Pi_Q \circ \Pi_I \circ \Pi_A (W_t)

且最後還要經過：

P_\theta(Z_t)

才形成下一步認識。

本文把這整條鏈稱為：

Epistemic Projection Stack。

4. 什麼是 Internet-Access Illusion？

定義如下。

Definition 1 — Internet-Access Illusion

若一個系統或使用者因為 Agent 具有網路存取能力，而把：

Z_t

誤當成：

W_t

或把：

\operatorname{Coverage}(Z_t)

誤判為：

\operatorname{Coverage}(W_t)

則稱為 Internet-Access Illusion。

這並不是說 Agent 一定錯，而是指出：

\boxed{ \text{Connectivity} \not\Rightarrow \text{Epistemic Completeness} }

網路工具只解除「完全無外部資料」的一項限制，並沒有自動解除：

查詢空間限制；
搜尋排序限制；
來源可見性限制；
內容擷取限制；
token 與 context 限制；
模型先驗限制；
ontology 限制；
驗證與反證限制。

5. Bounded Observable World

對任一研究 Agent $A$ ，在時間 $t$ 都可定義一個：

\boxed{ W_t^{obs}(A) }

表示它在目前工具、權限、索引、語言、查詢策略、成本與 context 條件下實際可觀察到的世界切片。

因此：

W_t^{obs}(A) \subseteq W_t

而且通常：

W_t^{obs}(A) \subsetneq W_t

本文稱此為 Bounded Observable World。

它不是固定集合，因為：

W_t^{obs} = f( T_t, A_t, I_t, Q_t, P_t, C_t, L_t )

其中可包含：

$T_t$ ：可用工具；
$A_t$ ：授權；
$I_t$ ：索引狀態；
$Q_t$ ：查詢策略；
$P_t$ ：provider 狀態；
$C_t$ ：成本與 context budget；
$L_t$ ：語言與表示能力。

所以「同一個網路」對不同 Agent 並不是同一個可觀察世界。

6. 第一層投影：可存取性

公開存在不代表可被 Agent 存取。

OpenAI 的公開說明明確指出，網站可能因技術問題、付費牆或 robots.txt 等原因不可取得。[1][2]

因此：

\operatorname{ExistsOnline}(x) \not\Rightarrow \operatorname{Accessible}_A(x)

在企業場景中還會出現：

SSO；
權限隔離；
region restrictions；
subscription；
client-side rendering；
rate limit；
API credential；
local network；
non-public storage。

如果 Agent 沒有把 access failure 與 nonexistence 分開，就容易把：

\neg\operatorname{Accessible}(x)

錯誤壓成：

\neg\operatorname{Exists}(x)

這是第一種世界縮減。

7. 第二層投影：索引不等於存在

搜尋引擎與資料庫不是世界的完整鏡像，而是選擇性索引。

因此：

\operatorname{Indexed}(x) \subseteq \operatorname{Accessible}(x)

但一般不保證反向成立。

新頁面、低權重頁面、特殊格式、深層互動內容、地方性網站、封閉社群與冷門語言內容，都可能出現索引落差。

因此 Research Agent 應分開保存：

visibility_state:
  exists_hypothesis:
  accessible:
  indexed:
  discovered:
  fetched:
  parsed:
  verified:

而不是只用：

found / not_found

8. 第三層投影：查詢本身就是世界假說

這一層是 Internet-Access Illusion 最關鍵的部分。

任何搜尋 query 都不是中立視窗，而是對「什麼可能相關」的一個假說。

設真實問題域為：

D^*

模型根據目前認識建立：

\hat D_t

再生成 query：

Q_t = \operatorname{QueryGen}(\hat D_t)

若：

\hat D_t \subsetneq D^*

則即使搜尋引擎完美執行 $Q_t$ ，仍可能只得到：

R_t \subseteq \hat D_t

真正缺失的不是「更多結果」，而是：

D^*\setminus\hat D_t

中的未生成分類。

這就是為什麼：

\boxed{ \text{More Search} \not\Rightarrow \text{More Ontology} }

9. Query Lock-In

本文定義：

Definition 2 — Query Lock-In

若研究 Agent 的後續 query 主要由早期 retrieval 結果生成，而早期 query 已侷限於錯誤或不完整 ontology，則可能形成：

\hat D_0 \rightarrow Q_0 \rightarrow R_0 \rightarrow \hat D_1 \rightarrow Q_1 \rightarrow R_1

且：

\hat D_{t+1} \approx \hat D_t

但始終：

\hat D_t \subsetneq D^*

此時 Agent 可能愈搜愈深，卻沒有真正擴張問題域。

這種現象可稱為：

Query Lock-In 或 Ontology-Locked Retrieval。

10. 第四層投影：排序創造了可見世界

大多數 Agent 不會讀搜尋引擎的全部候選結果。

而是讀：

\operatorname{TopK}(Q_t)

因此：

R_t^{visible} = \operatorname{TopK}(R_t)

排序依賴搜尋引擎自己的：

relevance；
authority；
freshness；
personalization；
language；
geographic signals；
anti-spam；
index quality；
provider-specific ranking。

這些機制多數對一般搜尋有價值，但研究需求與一般排序目標不一定相同。

例如：

最值得驗證的反例，可能不是最相關或最熱門的結果。

因此：

\boxed{ \operatorname{RankingRelevance} \neq \operatorname{EpistemicValue} }

11. 第五層投影：動態過濾的雙刃劍

2026 年 Anthropic 的 Web Search 文件已公開描述 dynamic filtering：模型可以在搜尋結果進入 context window 前，先寫程式過濾，只留下判定為相關的內容，以降低 token 消耗。[3]

從資訊工程角度，這是合理且重要的效率改進：

C_{token}\downarrow

且可能：

Noise\downarrow

但從認識論角度，會出現另一個問題：

R_t \xrightarrow{\Pi_F(\hat D_t)} R_t^{filter}

如果 $\hat D_t$ 本身錯誤，則：

\Pi_F

可能正好移除能改寫 $\hat D_t$ 的反例。

因此：

\boxed{ \text{Context Efficiency} \neq \text{Epistemic Completeness} }

這不表示 dynamic filtering 應被移除，而是表示它必須被記錄與可逆化。

12. Projection Ledger

本文提出一個候選機制：Projection Ledger。

研究 Agent 不只保存 evidence，也保存 evidence 在進入推理前經歷了什麼投影。

projection_ledger:
  access:
    provider:
    authorization:
    blocked_surfaces: []

  indexing:
    search_surface:
    query_language:
    time_scope:

  query:
    generated_from_state:
    ontology_terms: []
    excluded_terms: []

  ranking:
    top_k:
    provider_ranked: true

  filtering:
    enabled:
    filter_policy:
    discarded_count:

  extraction:
    mode:
    sections_seen: []

  compression:
    summary_level:
    omitted_sections: []

  synthesis:
    parametric_prior_allowed:
    confidence_state:

其目的不是製造大量日誌，而是使研究系統可以回答：

目前這個結論到底是「世界支持」，還是「某一組投影後的觀察支持」？

13. 第六層投影：擷取不是閱讀整個來源

即使 Agent 已成功打開一個頁面，也不一定真正取得完整語義。

常見擷取可能只取得：

主文文字；
search snippets；
PDF parsed text；
metadata；
accessibility tree；
screenshot；
selected sections。

因此：

X_t = \operatorname{Extract}(\text{Document})

一般不能假設：

X_t = \text{Document}

如果關鍵資訊位於：

圖表；
附錄；
equation；
code；
video；
interactive UI；
supplementary material；

純文字 extraction 可能產生 modality-specific blind spot。

14. 多模態不是裝飾，而是觀察能力

若世界包含多種可觀察模態：

W \rightarrow \{O_{text},O_{image},O_{audio},O_{video},O_{ui},O_{sensor}\}

那麼多模態能力不是「輸入格式更多」，而是：

\boxed{ \text{Expanded Observation Capacity} }

例如一篇論文文字聲稱某架構具有某特性，但真正的系統圖、ablation table 或 source code 才能檢驗其敘述。

若 Agent 只搜尋自然語言文字，就可能得到：

W^{obs}_{text}

而非更廣的：

W^{obs}

因此 Access-Surface Coverage 應同時包含 modality coverage。

15. 第七層投影：壓縮造成研究狀態遺失

長文件與長研究必須壓縮。

壓縮本身不是問題；不可追蹤的有損壓縮才是問題。

令原始 evidence state 為：

E_t

經摘要後：

C(E_t)=\tilde E_t

如果：

I(E_t)-I(\tilde E_t)>0

就存在資訊損失。

這通常不可避免。

真正需要保存的是：

\boxed{ \tilde E_t + \operatorname{Backlink}(E_t) + \operatorname{LossMetadata} }

也就是摘要可以小，但必須知道自己省略了什麼類型的資訊，以及如何回到原始證據。

16. 報告生成會再做一次敘事壓縮

研究報告追求：

可讀性；
邏輯順序；
篇幅；
結論性；
一致語氣。

但研究狀態本身可能包含：

\{H_1,H_2,H_3,E^+,E^-,U_1,U_2,C_1\}

報告生成容易把它壓成：

\operatorname{Narrative}(H^*)

因此：

\boxed{ \text{Narrative Coherence} \neq \text{Epistemic Fidelity} }

Paper 00 已提出：Report 只應是 research state 的 rendering，而不是 canonical state。

本文補充：報告是 Epistemic Projection Stack 的最後一個有損層。

17. 參數知識沒有因為搜尋而消失

RAG 與 Web Search 不是把模型參數世界模型關掉。

更接近：

Y = P_\theta(X_t,R_t)

其中：

$P_\theta$ ：模型內部參數知識；
$R_t$ ：外部取回證據。

因此會出現：

K_{param} \leftrightarrow K_{retrieved}

之間的衝突。

既有研究已明確把 context-memory、inter-context 與 intra-memory 等 knowledge conflict 視為 LLM 的可靠性問題；也有研究顯示模型雖可能辨認衝突存在，卻不一定能精確定位或穩健處理衝突內容。[6][7]

因此：

\boxed{ \text{External Retrieval} \neq \text{Parametric Prior Removal} }

18. Parametric-Origin Tracking

為避免「內部權重補完」被誤當成外部證據，研究狀態至少應區分三種 claim origin：

C = C_{param} \cup C_{retrieved} \cup C_{inferred}

其中：

$C_{param}$ ：主要來自模型參數知識；
$C_{retrieved}$ ：直接由外部來源支持；
$C_{inferred}$ ：由已知 evidence 推導。

若一個 claim 同時由多種來源形成，則應保存 provenance graph，而非強迫單一標籤。

這使系統能問：

如果把參數先驗移除，目前結論還成立嗎？

以及：

如果只保留外部 evidence，哪一步推論會失去支持？

19. 搜尋可能提高錯誤信心

「有搜尋」不一定只降低不確定性。

OpenAI 的 BrowseComp 評估曾觀察到具 browsing 能力的模型在校準上可能出現較高錯誤，並指出網路工具可能使模型對錯誤答案更有信心。[4]

這可用一個簡化式表示：

Confidence_t = f( \text{EvidenceQuantity}, \text{EvidenceAuthority}, \text{SourceAgreement}, P_\theta )

若多個來源其實來自同一錯誤根源：

S_1,S_2,S_3,S_4 \leftarrow R_0

模型可能觀察到：

N_{documents}=4

卻沒有觀察到：

N_{independent\ roots}=1

於是產生虛假信心增益。

20. 文件多樣性不等於證據獨立性

設文件集合：

D=\{d_1,d_2,\ldots,d_n\}

真正應追蹤的是 provenance graph：

G_P=(V_P,E_P)

若：

d_2\leftarrow d_1, \quad d_3\leftarrow d_1, \quad d_4\leftarrow d_2

則：

N_D=4

但 epistemic root 可能只有：

N_R=1

因此：

\boxed{ \text{Source Diversity} \neq \text{Evidence Independence} }

Google 在 2026 年公開介紹 Deep Research Max 時已明確強調來源多樣性與對衝突證據的權衡，顯示業界也在把這類問題逐步納入產品目標。[5]

但來源多樣性仍只是第一步；若不同來源共同轉述同一原始宣稱，必須做 origin resolution。

21. 權威來源也只是證據節點

研究 Agent 常見的合理 heuristic 是優先：

官方文件；
原始論文；
監管文件；
一手資料；
peer-reviewed source。

但：

\operatorname{Authority}(s) \not\Rightarrow \operatorname{Truth}(\text{claim})

尤其當 claim 是：

作者對自身新穎性的敘述；
公司對產品效能的宣稱；
benchmark 的自我解釋；
尚未獨立重現的研究結果。

原始來源的優勢是：

\operatorname{DistanceToClaimOrigin}\downarrow

而不是：

ErrorProbability=0

因此對原始來源最合理的處理是：

提高其 provenance 價值，但仍保留可反證性。

22. Misleading Knowledge 與 workflow-level failure

2026 年 Zhu 等人針對 Deep Research agents 的研究顯示，即使搜尋型 verifier 在聚焦驗證時能辨識某些誤導內容，長時程研究 workflow 仍可能吸收這些內容並形成錯誤結論。[8]

這一結果對本文很重要，因為它顯示：

\boxed{ \text{Local Verification Ability} \not\Rightarrow \text{Workflow-Level Reliability} }

換句話說，系統「會驗證」與「研究流程每一個關鍵分支都會在必要時觸發驗證」不是同一件事。

這也是為什麼本文把 epistemic operations 視為 Runtime operator，而不是只依賴模型能力。

23. Search Depth 與 Domain Coverage 是不同軸

可以定義兩個維度：

D_{depth}

與：

C_{domain}

前者表示在某一分支上的研究深度，後者表示問題域覆蓋。

可能存在：

D_{depth}\uparrow

但：

C_{domain}\approx \text{constant}

甚至：

Confidence\uparrow

同時：

C_{domain}\ll1

這就是「局部研究越深入，全域失真反而越穩固」的前置機制。

Paper 02 將專門處理這種 Local Attention Convergence。

24. 什麼叫「全面開網路」？

本文不使用字面上的「把整個網路全部讀完」定義全面開網路。

這在計算上通常不可能，也沒有必要。

更合理的定義是：

\boxed{ \text{Full-Web Epistemic Openness} }

表示系統具備以下能力：

不把目前結果集合當成封閉世界；
知道目前用了哪些搜尋方法與 provider；
知道哪些 access surface 尚未使用；
可主動擴張 query ontology；
可切換語言、時間、身份、資料型態與 provider；
可進行 counter-evidence search；
可追蹤來源根；
可因新來源或新分類出現而重新規劃；
可把「找不到」保留為未知，而不是直接推成不存在。

因此：

\boxed{ \text{Epistemic Openness} \neq \text{Exhaustive Retrieval} }

25. Access-Surface Coverage

本文提出：

C_A = \frac{ |\mathcal A_{used}| }{ |\mathcal A_{relevant}| }

其中 $\mathcal A$ 表示與任務相關的 access surfaces。

可能包括：

general web
academic index
patent database
company filing
code repository
social discourse
local files
private database
API
visual browser
multimodal media
sensor / experiment
formal proof system

這個指標不能宣稱客觀知道所有 relevant surfaces，但在封閉 benchmark 或人工標註任務中可以測量。

其目的不是追求數量，而是暴露：

Agent 是否一直在同一個資訊面上搜尋。

26. Method Coverage 與 Surface Coverage 不同

延續 Omphalos/AUSI 舊版的區分：

C_M \neq C_A

其中：

$C_M$ ：Search Method Coverage；
$C_A$ ：Access-Surface Coverage。

例如 Agent 可以同時使用：

Google；
Brave；
Bing；

但全部只做：

same semantic query

此時：

C_A\uparrow

但：

C_M\approx \text{low}

相反，Agent 也可能只用一個 provider，但執行：

exact search；
citation chasing；
counter-evidence search；
temporal/version search；
classification search；
graph expansion。

此時：

C_M\uparrow

但 provider diversity 仍低。

因此完整研究應至少區分：

(C_M,C_A,C_E)

其中 $C_E$ 表示 independent evidence coverage。

27. Ontology Expansion Operator

若 Agent 只根據既有分類搜尋，最難發現的永遠是「尚未被自己分類的東西」。

因此本文提出顯式 operator：

\operatorname{ExpandOntology}(K_t)

其目的不是產生更多同義詞，而是提出：

是否還有不同問題分類？
是否存在別的生成機制？
是否存在不同學科名稱？
是否有相反方向的術語？
是否存在未命名但結構相同的對象？
是否有不同語言中的獨立術語？
是否被另一個產業或社群用完全不同語彙描述？

形式：

\hat D_t \xrightarrow{\operatorname{ExpandOntology}} \hat D_{t+1}

並期待：

\hat D_t \subsetneq \hat D_{t+1}

至少在部分任務成立。

28. Counter-Projection Search

除了找反證，還需要找「被目前投影系統排除的東西」。

本文稱為：

\operatorname{CounterProjectionSearch}

它可以問：

哪些來源不會被目前搜尋引擎排名到前面？
哪些觀點使用不同 terminology？
哪些證據需要別的模態？
哪些資料不在 public Web？
哪些來源可能因付費牆、robots 或權限而缺失？
哪些反例會被 relevance filter 判成「不相關」？
哪些 claim 只存在於原始程式碼或 supplement？

它與普通 counter-evidence search 不同：

\operatorname{CounterEvidence}

是在目前可見世界中找反證；

\operatorname{CounterProjection}

是在找目前可見世界本身的形成偏差。

29. Temporal World 與 Version World

網路不是靜態世界。

W_t^{web} \neq W_{t+1}^{web}

因此研究 claim 必須綁定：

(t,v,s)

至少包括：

時間；
版本；
source state。

否則 Agent 可能把：

舊產品功能；
舊 API；
舊 benchmark；
舊論文版本；
已撤回宣稱；

和現在狀態混在一起。

所以：

\boxed{ \text{Fresh Retrieval} \neq \text{Temporal Consistency} }

最新資料只是其中一部分；真正要追蹤的是版本關係。

30. Identity World

開放世界研究經常遇到：

\text{Entity}_1 \equiv \text{Entity}_2

但不同網站、公司名稱、作者名、帳號、專案名或產品版本不一致。

如果 identity resolution 失敗，Agent 會把：

同一來源當成多個獨立來源；
同一專案不同版本當成不同實體；
不同實體誤合併。

因此 source independence 與 world coverage 都依賴：

\operatorname{IdentityResolve}

這也是 GIPSS 與早期 Omphalos 已處理、而 Deep Research 報告層通常不會完整外顯的問題。

31. 語言世界

若研究只在一種語言生成 query：

Q_{lang_1}

則可能只取得：

W^{obs}_{lang_1}

不同語言不只是翻譯差異，還可能對同一技術形成不同分類、社群與命名傳統。

因此：

\operatorname{Translate}(q)

不一定等於：

\operatorname{ReconstructOntology}_{lang_2}(q)

後者才可能發現跨語言世界中的分類差。

32. Tool Registry 其實是一種隱式世界本體論

如果 Agent 的可用工具是：

web_search
browser
github
calculator

那麼系統實際上已被告知：

與這個任務相關的世界，大概可以透過這四種入口觀察。

因此 tool registry 不只是 capability list，也是一個隱式：

\mathcal O_{world}

也就是世界可觀察性的先驗。

這正是 EX-A 將處理的 Missing Epistemic Root 問題：

過去大量「認識世界」的工作其實由工具設計者、資料集設計者與任務設計者預先完成。

33. World Root 與網路存取的關係

本文不要求 Agent 建立一個全知世界模型。

而是先要求一個最小 commitment：

\boxed{ W_t \neq W_t^{obs} \neq K_t }

其中：

$W_t$ ：世界；
$W_t^{obs}$ ：目前觀察到的世界切片；
$K_t$ ：Agent 對世界的認識狀態。

只要這三者不被壓成同一物件，就能保留：

未觀察區；
錯誤觀察；
世界變動；
模型失配；
新工具加入；
新證據推翻舊結論；
不可存取但可能存在的對象。

這就是本文所需要的最小 World Root 語義。

34. Internet Access Illusion 的七種主要 failure modes

本文將目前問題暫分為七類。

F1 — Access Blindness

存在但不可存取，被誤當成不存在。

F2 — Index Blindness

可存取但未被搜尋面索引。

F3 — Ontology Blindness

資料存在且可索引，但 Agent 沒有生成能碰到它的分類或 query。

F4 — Ranking Blindness

資料存在且 query 命中，但被 ranking 排到可見範圍之外。

F5 — Filtering Blindness

結果已取回，但在 context 前被 relevance/filtering 丟棄。

F6 — Compression Blindness

關鍵限定、矛盾或反例在 extraction / summary / context compaction 中遺失。

F7 — Parametric Override

外部 evidence 已進入 context，但被模型既有參數先驗錯誤吸收、重釋或覆寫。

可寫成：

F = \{F_1,F_2,\ldots,F_7\}

這七類不是宣稱已完備，而是第一版可工程化 taxonomy。

35. 這與「搜尋更多來源」有什麼不同？

若問題是：

F_4

增加搜尋結果數量可能有效。

若問題是：

F_3

增加同類 query 的結果數量幾乎沒有幫助。

若問題是：

F_7

甚至找到正確來源也不保證正確吸收。

因此：

\boxed{ \text{Failure Type} \rightarrow \text{Different Remedy} }

這與 Paper 03 的「Unknown Is Not One Thing」直接相連。

36. 一個更精確的研究循環

本文建議把單純：

query
-> retrieve
-> synthesize

升級成：

world scope
-> observability analysis
-> epistemic state
-> gap typing
-> ontology expansion
-> search-method selection
-> access-surface binding
-> retrieval / observation
-> projection logging
-> evidence normalization
-> provenance resolution
-> counter-evidence search
-> counter-projection search
-> parametric conflict check
-> state update
-> closure / reopen

形式上：

W_t \rightarrow O_t \rightarrow K_t \rightarrow G_t \rightarrow \Pi_t \rightarrow A_t \rightarrow E_t \rightarrow V_t \rightarrow K_{t+1}

其中：

V_t = \operatorname{Verify} + \operatorname{Falsify} + \operatorname{CounterProject}

37. Benchmark A：Hidden Surface Test

建立一個封閉測試世界，其中正確答案分散於：

general web；
academic source；
code repository；
visual artifact；
API output。

如果 prompt 只提問題，不告知來源位置，測量 Agent 是否主動發現不同 access surfaces。

指標：

C_A

與 final correctness。

38. Benchmark B：Missing Ontology Test

建立資料集，使關鍵證據使用與 prompt 完全不同的分類名稱。

baseline Agent 只做 query reformulation。

experimental Agent 具有：

\operatorname{ExpandOntology}

比較：

\text{Recall}_{\text{hidden class}}

以及：

\text{TimeToDiscovery}

39. Benchmark C：Dynamic Filtering Counterexample Test

設計：

20 個高度相關支持來源；
2 個低 lexical relevance 但能推翻核心 claim 的來源。

比較：

direct full context；
relevance filtering；
relevance filtering + counter-projection audit。

測量：

P(\text{critical counterexample retained})

40. Benchmark D：Parametric Prior Conflict Test

選擇模型訓練期內廣泛存在、但之後已改變的事實。

提供最新來源，測量 Agent 是否：

正確辨認時間差；
更新 claim；
保存舊狀態為 historical state；
不混用舊版本與新版本。

指標：

\text{ParametricOverrideRate}

41. Benchmark E：Independent Root Test

製造 30 篇文件，其中：

20 篇引用同一錯誤原始來源；
5 篇相互複製；
3 篇獨立支持；
2 篇獨立反證。

測量 Agent 是否把：

30

錯當成 30 個獨立 evidence roots。

可定義：

IER = \frac{ N_{\text{estimated\ roots}} }{ N_{\text{true\ roots}} }

理想情況接近：

IER=1

42. Benchmark F：Reopen Test

先提供足夠資料使 Agent 形成局部 closure。

之後加入：

E_{new}^-

若該 evidence 足以推翻核心結論，系統應：

\text{Closure} \rightarrow \text{Reopen}

而不是只在原報告末尾新增一句「存在少數不同觀點」。

43. 候選評估指標

本文提出以下第一版指標。

43.1 Access-Surface Coverage

C_A

衡量 relevant access surfaces 的使用覆蓋。

43.2 Search-Method Coverage

C_M

衡量不同 epistemic search methods 的使用。

43.3 Independent Evidence Coverage

C_E

衡量獨立 provenance roots。

43.4 Ontology Expansion Gain

G_O = |\hat D_{t+1}\setminus\hat D_t|

在人工標註 benchmark 中可進一步測量新增類型的有效率。

43.5 Projection Loss Rate

L_P = \frac{ N_{\text{critical\ evidence\ lost}} }{ N_{\text{critical\ evidence\ available}} }

43.6 Parametric Override Rate

R_{PO} = P( K_{param} \text{ incorrectly overrides } E_{current} )

43.7 False Nonexistence Rate

FNR_{exist} = P( \neg \text{Exists} \mid \text{Exists} \land \neg \text{Found} )

43.8 Reopen Responsiveness

R_R = P( \text{Reopen} \mid \text{MaterialCounterEvidence} )

44. Projection-Aware Confidence

傳統 confidence 常直接對 final answer 估分。

本文建議加入 projection uncertainty：

U_{total} = U_{claim} + \lambda_A U_A + \lambda_I U_I + \lambda_Q U_Q + \lambda_R U_R + \lambda_F U_F + \lambda_C U_C + \lambda_P U_P

其中：

$U_A$ ：access uncertainty；
$U_I$ ：index uncertainty；
$U_Q$ ：query-space uncertainty；
$U_R$ ：ranking uncertainty；
$U_F$ ：filter uncertainty；
$U_C$ ：compression uncertainty；
$U_P$ ：parametric-prior uncertainty。

本文不主張這些項目可以立即得到自然單位；其意義是提醒：

對 claim 很有信心，不代表對觀察過程本身也有充分把握。

45. Open-World 不等於取消效率最佳化

真正系統仍必須最佳化：

\text{Cost} = C_{time} + \lambda_1C_{token} + \lambda_2C_{compute} + \lambda_3C_{tool}

但 objective 不應只有：

\max \text{Quality} - \lambda \text{Cost}

而可加入：

\max \left( \Delta I + \alpha\Delta C_A + \beta\Delta C_M + \gamma\Delta C_E - \eta L_P - \lambda Cost \right)

其中 $\Delta I$ 為信息增益。

也就是：

搜索成本控制不能只問「哪一批結果最相關」，還要問「這一輪是否在擴張可觀察世界」。

46. 與 Omphalos/AUSI 的關係

舊版 Omphalos 已提出：

\text{Method} \neq \text{Provider} \neq \text{Surface} \neq \text{Adapter} \neq \text{Credential}

並把：

\text{Task} \rightarrow \text{Search Strategy} \rightarrow \text{Search Method} \rightarrow \text{Provider Binding} \rightarrow \text{Evidence} \rightarrow \text{Gap} \rightarrow \text{Replan}

作為核心循環。

本文把這個架構向上重新定位。

最新方向不再把 Search Method 視為最上層根，而是：

\boxed{ \text{World} \succ \text{Observability} \succ \text{Epistemic Gap} \succ \text{Method} \succ \text{Provider} }

也就是先問：

世界是什麼？目前可觀察到哪裡？缺口在哪裡？

再問：

要使用哪一個 Search Method？

因此 Omphalos/AUSI 可以從 AI-Native Search Runtime 繼續提升為：

World-Rooted Epistemic Access Runtime 的一部分或實作方向。

本文只定義接口，不在此鎖定最終產品名稱。

47. 與 GIPSS / GIPE / DRC 的關係

GIPSS 已經提出：未知對象不一定具有已知名稱，因此搜尋應從「欲結構」與多維相位開始，而不是只從字串 query 開始。

DRC 已經提出：搜尋不是一次 query，而是 divergence、resonance、compression 的循環。

GIPE 進一步把搜尋降為認識活動的一種低成本觀測行為，並加入模擬、實驗、形式證明與反證。

本文對這些前史的新增不是另一個搜尋法，而是：

\boxed{ \text{顯式追蹤從世界到觀察之間的投影損失。} }

換句話說：

GIPSS 問「要找什麼樣的存在」；
DRC 問「如何展開搜尋」；
GIPE 問「如何形成完整認識循環」；
本文問「目前取得的觀察到底經過哪些世界縮減」。

48. 與 EX-A 的關係：為什麼世界根節點會消失？

EX-A 將提出 Missing Epistemic Root Conjecture。

其核心問題是：

人類似乎自然地先處於世界、觀察世界，再形成任務；為什麼傳統演算法往往從已給定輸入與任務開始？

本文的答案只先指出一個方向：

W_{implicit}

可能被資料集、工具、API、設計者與 benchmark 預先壓入系統。

因此 runtime 看起來可以從：

\text{Task}

直接開始。

EX-A 將專門處理這種隱式化。

49. 與 EX-B 的關係：World Model 仍不是 World Root

即使模型有強大的 world model：

M_t

也不表示：

M_t=W_t

Paper EX-B 將區分：

\boxed{ W_t \neq K_t \neq M_t \neq S_t }

其中：

$W_t$ ：世界；
$K_t$ ：當前認識狀態；
$M_t$ ：世界模型；
$S_t$ ：模擬或生成世界。

本文的 projection stack 正是連接：

W_t

與：

K_t

之間的觀察問題。

50. 本文不主張什麼

50.1 不主張「搜尋有偏差」是新發現

Information Retrieval、搜尋引擎研究、資訊科學與媒體研究早已討論大量相關問題。

50.2 不主張 RAG 會有 knowledge conflict 是新發現

已有大量研究直接處理 parametric 與 contextual knowledge conflict。[6][7]

50.3 不主張多模態觀察本身是新概念

視覺、音訊、感測器與 multimodal agents 已是成熟研究方向。

50.4 不主張 Web Search 應該讀取所有結果

那通常既不可能，也不合理。

50.5 本文真正主張的研究問題

本文主張值得顯式研究的是：

當搜尋、排名、filtering、extraction、compression 與 parametric prior 全部同時存在時，能否把「從世界到可見資訊的投影鏈」本身提升為可計算、可檢查與可反轉部分的認識狀態？

如果可以，就能讓 Agent 不只知道：

我找到了什麼。

還知道：

我是怎麼只看到這些東西的。

51. 核心理論命題

Proposition 1 — Access Is Not Observation Completeness

\operatorname{InternetAccess}(A)=1

不推出：

W_t^{obs}(A)=W_t

Proposition 2 — Query Generation Bounds Discoverability

若關鍵分類不在 Agent 的 query ontology 中，增加同類搜尋深度不保證提高該分類召回率。

Proposition 3 — Ranking Relevance Is Not Epistemic Value

最相關結果不必然是最能區分假說、最能提供反證或最能改寫世界模型的結果。

Proposition 4 — Filtering Can Improve Efficiency While Reducing Epistemic Coverage

在錯誤 ontology 下，relevance filtering 可能降低 token cost，同時提高 critical counterexample loss。

Proposition 5 — Retrieval Does Not Remove Parametric Priors

外部 evidence 進入 context 後，仍需與模型參數知識共同決定輸出。

Proposition 6 — Document Multiplicity Does Not Imply Evidence Independence

多篇文件可能共享單一 provenance root。

Proposition 7 — Deep Local Search Can Increase Global Miscalibration

若搜尋持續在錯誤子域內增加證據密度，confidence 可能上升而 domain coverage 不增加。

Proposition 8 — Open-World Research Requires Projection Awareness

Agent 若不能表達自己的 observability boundary，就無法可靠區分「不存在」與「目前看不到」。

Proposition 9 — Projection History Is Research State

對高可靠研究而言，query、provider、filter、extraction、compression 與 provenance 不只是 execution log，而是結論有效性的組成部分。

Proposition 10 — Epistemic Openness Does Not Require Exhaustive Retrieval

開放世界認知的最低要求，是保留擴張與重新開啟能力，而不是窮盡所有來源。

52. 可證偽預測

本文提出以下實驗預測。

Prediction 1

在 Missing Ontology benchmark 中，具有顯式 ontology expansion operator 的 Agent 應比純 query-reformulation Agent 有更高 hidden-class recall。

Prediction 2

在低 lexical relevance 反例 benchmark 中，純 relevance filtering Agent 應比 projection-aware filtering Agent 有更高 critical counterexample loss rate。

Prediction 3

在多篇轉述同一錯誤來源的任務中，具有 provenance root resolution 的 Agent 應具有更低 false confidence gain。

Prediction 4

在 stale-parametric-prior 任務中，具有 parametric-origin tracking 的 Agent 應具有更低 parametric override rate。

Prediction 5

在 access-surface heterogeneous task 中，顯式追蹤 observability boundary 的 Agent 應較不容易把 not-found 判成 non-existent。

Prediction 6

在後續加入重大反證的任務中，具有 reopen trigger 的 Agent 應較少產生 narrative patching，而較常重建 claim graph。

Prediction 7

在相同 token budget 下，單純增加 retrieval depth 不一定提高 domain coverage；method diversity 與 ontology expansion 可能產生更高 coverage gain。

53. 最小 Runtime 需求

若要把本文轉成工程系統，最小可先實作：

WorldScope
ObservableBoundary
AccessSurfaceRegistry
SearchMethodRegistry
QueryOntology
ProjectionLedger
EvidenceGraph
ProvenanceRootResolver
ParametricOriginTracker
GapTaxonomy
CounterEvidenceOperator
CounterProjectionOperator
ClosureState
ReopenTrigger

這些不必一次全部自動化。

第一階段甚至可以先以 metadata 形式存在。

重要的是讓：

\text{Research State}

不再只等於：

\text{Final Report}

54. 最小資料結構

world_root:
  scope:
  time:
  version:

observability:
  visible_surfaces: []
  unavailable_surfaces: []
  unknown_surfaces: []
  modality_coverage: []

query_ontology:
  known_classes: []
  candidate_missing_classes: []
  languages: []

projection_state:
  queries: []
  rankings: []
  filters: []
  extractions: []
  compressions: []

claims:
  - id:
    statement:
    origin:
    evidence_roots: []
    counter_evidence: []
    status:

unknowns:
  - id:
    type:
    world_region:
    likely_projection_failure:

closure:
  state:
  assumptions: []
  reopen_triggers: []

55. 一個簡化的 Projection-Aware Planner

INPUT: research goal G

1. Resolve world scope W.
2. Build initial epistemic state K.
3. Enumerate current access surfaces A.
4. Generate initial ontology D.
5. Choose search methods M.
6. Bind M to surfaces/providers.
7. Execute retrieval/observation.
8. Record projection ledger.
9. Normalize evidence and resolve provenance roots.
10. Search for counter-evidence.
11. Search for counter-projection blind spots.
12. Detect parametric/retrieved conflicts.
13. Update K and typed gaps.
14. Expand ontology if high-impact gaps remain.
15. Close only under explicit scope and assumptions.
16. Reopen when new evidence or world state invalidates closure.

這個 Planner 的核心差異不是步驟更多，而是：

\boxed{ \text{把「怎麼看到世界」也納入推理。} }

56. 與 Deep Research 產品演進的關係

核心公司已經逐步把本文所談的部分問題納入產品。

OpenAI 在 Deep Research 的官方限制中直接承認：系統仍可能 hallucinate、做出錯誤推論、難以區分權威資訊與傳聞，並存在 confidence calibration 問題。[1]

OpenAI 後續亦擴充可連接 MCP / apps、限定 trusted sites 與中途追加來源等能力，這些都提高了 access control 與 research steering 能力。[1]

Anthropic 的 Web Search 已加入 dynamic filtering，以程式化方式在結果進入 context 前過濾資訊，提高 token efficiency。[3]

Google Deep Research Max 則公開強調更多來源、來源多樣性與對衝突證據的權衡。[5]

這些進展顯示工程界正在逐步補強：

source control；
search breadth；
source diversity；
filtering；
conflict handling；
user steering。

本文的差異不在否認這些進展，而是提出一個更上位的統一問題：

這些能力是否能被統一成「世界觀察投影」的顯式 runtime state，而不是分散的產品 feature？

57. 從「搜尋系統」到「觀察系統」

若本文成立，未來研究 Agent 的基礎抽象可能需要從：

\operatorname{Search}(q)

提升為：

\operatorname{Observe} ( W, \text{method}, \text{surface}, \text{constraints} )

Search 只是：

\operatorname{Observe}_{web}

的一個子類。

其他 observation 可能是：

\operatorname{Observe}_{sensor}

\operatorname{Observe}_{experiment}

\operatorname{Observe}_{simulation}

\operatorname{Observe}_{formal}

\operatorname{Observe}_{database}

這樣就能自然接到最新 Omphalos 的「先認識世界，再選方法」方向。

58. 從「查詢相關性」到「認識增益」

傳統 retrieval 常最佳化：

\operatorname{Rel}(d,q)

但研究 Agent 更可能需要最佳化：

V(d\mid K_t)

其中 $V$ 可包含：

information gain；
falsification value；
ontology expansion value；
provenance independence；
temporal novelty；
world-coverage gain；
decision impact。

因此最理想的 research ranking 不一定是：

\arg\max_d \operatorname{Rel}(d,q)

而可能是：

\arg\max_d \mathbb E[ \Delta K_t \mid d ]

其中 $\Delta K_t$ 不只表示增加資訊，也包含修正錯誤模型與刪除錯誤假說。

59. Research as Active Perception

從這個角度看，Deep Research 可以被重新理解為一種：

\text{Active Perception over Information Space}

Agent 並非被動接受固定資料，而是主動決定：

看哪裡；
用什麼詞看；
用什麼 provider 看；
看多久；
何時切換；
什麼視為證據。

一旦承認這一點，就不能只評估 final report。

還必須評估：

\pi_{observe}

也就是觀察策略本身。

60. 結論

網路存取是現代 AI 研究能力的重要突破，但它不等於把世界直接交給模型。

AI 真正取得的是一個經過多層投影的可見世界：

W_t \xrightarrow{\Pi_A} \xrightarrow{\Pi_I} \xrightarrow{\Pi_Q} \xrightarrow{\Pi_R} \xrightarrow{\Pi_F} \xrightarrow{\Pi_X} \xrightarrow{\Pi_C} Z_t

而 $Z_t$ 還會再進入模型既有的參數結構：

K_{t+1} = P_\theta(Z_t,K_t)

因此「AI 已經上網」真正解決的是：

它不再只能依賴固定訓練資料。

但它還沒有自動解決：

它是否知道自己目前到底看見了世界的哪一部分。

本文把這個差異稱為 Internet-Access Illusion。

下一代開放世界研究 Agent 若要超越這個幻覺，最低限度需要保存：

\boxed{ W_t \neq W_t^{obs} \neq K_t }

並把：

access；
index；
query；
ranking；
filtering；
extraction；
compression；
parametric prior；

視為研究認識鏈的一部分。

真正的目標不是取消投影。任何有限智能都必須投影、選擇與壓縮。

真正的目標是：

\boxed{ \text{Make the Projection Explicit, Revisable, and Researchable.} }

也就是：

不是要求 AI 看見整個世界，而是要求 AI 知道自己現在是透過什麼方式，只看見了世界的這一部分。

這一步完成之後，Paper 02 才能進一步處理：為什麼 Agent 在一個局部世界中研究得越深，反而可能讓全域認識失真變得越穩固。

References

Public references

[1] OpenAI. Introducing deep research. 2025-02-02; updated through 2026.
https://openai.com/index/introducing-deep-research/

[2] OpenAI Help Center. Does ChatGPT tell the truth? Accessed 2026-09-20.
https://help.openai.com/en/articles/8313428-does-chatgpt-tell-the-truth

[3] Anthropic. Web search tool — Claude Platform Docs. Documentation describing direct web search and dynamic filtering before search results enter the model context. Accessed 2026-09-20.
https://docs.anthropic.com/en/docs/agents-and-tools/tool-use/web-search-tool

[4] OpenAI. BrowseComp: A Simple Yet Challenging Benchmark for Browsing Agents. 2025. See calibration analysis on browsing-enabled models.
https://cdn.openai.com/pdf/5e10f4ab-d6f7-442e-9508-59515c65e35d/browsecomp.pdf

[5] Google. Introducing Deep Research and Deep Research Max. 2026.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/next-generation-gemini-deep-research/

[6] Xu, R., Qi, Z., Guo, Z., Wang, C., Wang, H., Zhang, Y., & Xu, W. Knowledge Conflicts for LLMs: A Survey. arXiv:2403.08319, 2024.
https://arxiv.org/abs/2403.08319

[7] Wang, Y., Feng, S., Wang, H., Shi, W., Balachandran, V., He, T., & Tsvetkov, Y. Resolving Knowledge Conflicts in Large Language Models. arXiv:2310.00935, 2023.
https://arxiv.org/abs/2310.00935

[8] Zhu, P., Li, L., Yang, L., & Su, S. Is Deep Research Reliable? Misleading Knowledge Induces False Conclusions. arXiv:2607.20891, 2026.
https://arxiv.org/abs/2607.20891

[9] Lewis, P., et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020.
https://arxiv.org/abs/2005.11401

[10] Bates, M. J. The Design of Browsing and Berrypicking Techniques for the Online Search Interface. Online Review, 1989.

[11] Marchionini, G. Exploratory Search: From Finding to Understanding. Communications of the ACM, 2006.

EveMissLab antecedents

[12] Neo.K × GPT-5.6 Thinking. 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.

[13] Neo.K × GPT-5.6 Thinking. 全域欲相位語義搜尋法 GIPSS v0.2：DRC 發散—共振—壓縮循環與 SGCD 動態語義圖的統一架構. 2026-07-24.

[14] Neo.K × GPT-5.6 Thinking. 全域欲相位認識論 v0.1：從語義搜尋、動態世界模型到主動科學介入的統一架構. 2026-07-24.

[15] Neo.K × GPT-5.6 Thinking. 從資訊檢索到研究編譯：可驗證研究編譯架構的理論模型（VRCA）v0.1. 2026-07-20.

[16] Neo.K × GPT-5.6 Thinking. Omphalos Position Paper v0.1：從搜尋 API 到 AI 原生搜尋方法 Runtime. 2026-09-02.

[17] Neo.K × GPT-5.6 Sol. 從 Deep Research 到開放世界認識研究：AI 原生研究 Runtime 的問題重構. Open-World Epistemic Research Paper 00, 2026-09-20.

Appendix A — Projection Stack Schema

projection_stack:
  world_scope:
    domain:
    time:
    version:

  access_projection:
    providers: []
    credentials: []
    unavailable_surfaces: []

  index_projection:
    indexes: []
    languages: []
    time_filters: []

  query_projection:
    queries: []
    ontology_terms: []
    missing_class_hypotheses: []

  ranking_projection:
    top_k:
    ranking_source:

  filtering_projection:
    enabled:
    policy:
    discarded_items:

  extraction_projection:
    modalities: []
    sections_read: []
    omitted_modalities: []

  compression_projection:
    method:
    source_backlinks: []
    known_losses: []

  parametric_integration:
    prior_conflicts: []
    parametric_claims: []
    retrieved_claims: []
    inferred_claims: []

Appendix B — Failure-State Schema

projection_failure:
  id:
  type:
    - access_blindness
    - index_blindness
    - ontology_blindness
    - ranking_blindness
    - filtering_blindness
    - compression_blindness
    - parametric_override

  affected_claims: []
  estimated_impact:
  evidence:
  repair_methods: []
  reopen_required:

Appendix C — 一句話版本

有網路的 AI 並不是直接面對世界；它面對的是世界經過存取、索引、查詢、排序、過濾、擷取、壓縮與自身參數先驗後留下的可見切片。真正的開放世界認知，不要求取消這些投影，而要求 AI 知道這些投影正在發生。

網路存取幻覺：為什麼開網路不等於開放世界認知

01｜網路存取幻覺

——為什麼開網路不等於開放世界認知

摘要

0. 本文在系列中的位置

1. 四個常被混在一起的層級

1.1 Internet Access

1.2 Web Grounding

1.3 Interleaved Web Reasoning

1.4 Open-World Epistemic Cognition

2. 網路不是世界

3. 從世界到模型上下文：多層投影鏈

4. 什麼是 Internet-Access Illusion？

Definition 1 — Internet-Access Illusion

5. Bounded Observable World

6. 第一層投影：可存取性

7. 第二層投影：索引不等於存在

8. 第三層投影：查詢本身就是世界假說

9. Query Lock-In

Definition 2 — Query Lock-In

10. 第四層投影：排序創造了可見世界

11. 第五層投影：動態過濾的雙刃劍

12. Projection Ledger

13. 第六層投影：擷取不是閱讀整個來源

14. 多模態不是裝飾，而是觀察能力

15. 第七層投影：壓縮造成研究狀態遺失

16. 報告生成會再做一次敘事壓縮

17. 參數知識沒有因為搜尋而消失

18. Parametric-Origin Tracking

19. 搜尋可能提高錯誤信心

20. 文件多樣性不等於證據獨立性

21. 權威來源也只是證據節點

22. Misleading Knowledge 與 workflow-level failure

23. Search Depth 與 Domain Coverage 是不同軸

24. 什麼叫「全面開網路」？

25. Access-Surface Coverage

26. Method Coverage 與 Surface Coverage 不同

27. Ontology Expansion Operator

28. Counter-Projection Search

29. Temporal World 與 Version World

30. Identity World

31. 語言世界

32. Tool Registry 其實是一種隱式世界本體論

33. World Root 與網路存取的關係

34. Internet Access Illusion 的七種主要 failure modes

F1 — Access Blindness

F2 — Index Blindness

F3 — Ontology Blindness

F4 — Ranking Blindness

F5 — Filtering Blindness

F6 — Compression Blindness

F7 — Parametric Override

35. 這與「搜尋更多來源」有什麼不同？

36. 一個更精確的研究循環

37. Benchmark A：Hidden Surface Test

38. Benchmark B：Missing Ontology Test

39. Benchmark C：Dynamic Filtering Counterexample Test

40. Benchmark D：Parametric Prior Conflict Test

41. Benchmark E：Independent Root Test

42. Benchmark F：Reopen Test

43. 候選評估指標

43.1 Access-Surface Coverage

43.2 Search-Method Coverage

43.3 Independent Evidence Coverage

43.4 Ontology Expansion Gain

43.5 Projection Loss Rate

43.6 Parametric Override Rate

43.7 False Nonexistence Rate

43.8 Reopen Responsiveness

44. Projection-Aware Confidence

45. Open-World 不等於取消效率最佳化

46. 與 Omphalos/AUSI 的關係

47. 與 GIPSS / GIPE / DRC 的關係

48. 與 EX-A 的關係：為什麼世界根節點會消失？

49. 與 EX-B 的關係：World Model 仍不是 World Root

50. 本文不主張什麼

50.1 不主張「搜尋有偏差」是新發現

50.2 不主張 RAG 會有 knowledge conflict 是新發現

50.3 不主張多模態觀察本身是新概念

50.4 不主張 Web Search 應該讀取所有結果