RGC–DPIED-02｜異質視覺資料的條件衝突、補正可靠性與跨載體學習相容性

English title: Conditional Conflict in Heterogeneous Visual Data: Observer Metadata, Correction Reliability, and Task-Compatible Cross-Embodiment Learning
系列： 關係幾何與載體展開（RGC）× 數位—實體智能演化解耦論（DPIED），交叉橋接研究第 02 篇
日期／版本： 2026-11-05 / v1.0.0
原始研究問題、跨系列構想： Neo.K
形式化、文獻核對、有限反例、驗證程式及原稿協作： GPT-6
成果屬性： 有限／機率模型定理及其證明、精確枚舉、合成光學案例、候選資料契約與待實機檢驗假說；非真實 AI 模型訓練成效、非動物神經實測。
Canonical artifact： 本檔為 UTF-8、LF、無 BOM 的原始 Markdown。數學只使用 $...$ 與 $$...$$；顯示畫面不取代原始碼。
關鍵詞： 觀察者條件、跨域資料混合、貝氏風險、不可辨識性、視覺補正、感測姿態、偏振視覺、訓練負遷移、任務充分性、具身智能。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-11-05
版本： v1.0.0

摘要

不同來源的視覺資料可以具有相同影像或張量格式，卻對應不同的物理觀察條件。前篇 RGC–DPIED-01 已以觀測等價類、核空間與任務充分性判準說明補正何時存在，並以反轉觀察座標構造「來源條件缺失會造成標籤衝突」的最小反例；其 v1.1 追補了 RGC-BV04 的螳螂蝦主動偏振視覺理想模型。本文不重複宣稱該反例為新發現，而將問題推進到可量化的異質資料學習風險：混合資料的不可避免錯誤，有多少來自未交代來源；有多少來自同一感測器當下的姿態或校準；又有多少來自物理上根本未被觀測的任務通道？

在一組共同任務標籤、有限觀測空間與零一損失的機率模型下，本文證明：加入有效的來源、影格姿態及額外物理量測，理論上不會增加不受限貝氏最適分類器的風險；各層風險差可以構成條件資訊價值分解。這不是說額外資料、標籤或模型在有限樣本、有限容量與有成本的系統中必定提升實測效能。進一步對稱構造得到：若來源標籤以機率 $q$ 錯誤、以機率 $m$ 遺失，且 $0\leq q\leq 1/2$ 、缺失機制獨立，則該構造的最適分類錯誤率恰為 $(1-m)q+m/2$ 。來源識別資訊即使存在，也可能因每影格姿態缺失而完全失效；對於線偏振分析器不感測的圓偏振分量，單靠來源標記、基底旋轉與統計補正仍有不可消除的錯誤下限。

本文以 Python 標準函式庫有理數枚舉實作有限機率分布、感測器反轉與盲區、單攝影機逐影格姿態、標籤汙染、拒絕機制、BV04 的理想 Stokes 量測及順序掃描時間錯配；所有有限試算均可重現，不等於已經訓練、部署或改善任何實際多模態 AI。根據證明與反例，提出 OCVC-0.3 候選接口的資料完整性、任務語義、逐影格觀測狀態與拒絕條件，供後續實驗比較。

0. 研究承接與問題界線

0.1 已有成果

RGC-P01–P12： 載體、觀察、投影、跨觀察者配準、部分關係可恢復性與全域規範歧義。
RGC-BV01–BV06： 包括跳蛛分層視網膜（BV02）、扇貝反射式雙視網膜（BV03）、補交的口足類偏振旋轉理想模型（BV04），以及線掃描與主動感測（BV05、BV06）。這些模型不等於所有相關生物的神經機制。
DPIED-04–07： 影片觀測與實際物理作用間的資訊缺口、時序契約、跨本體遷移及安全恢復。
RGC–DPIED-01 v1.1： 任務量在觀測等價類上為常數，是確定性補正存在的充分必要條件；線性情形可用核空間包含判斷；觀察來源遺失可造成可構造的標籤衝突。

本文的新問題不是「能否寫出一次來源衝突反例」，而是研究：在什麼觀察條件下，衝突可以定量歸因、補正可以被核查、未被取得的資訊不得被假稱為恢復？

0.2 三項不可預設的結論

不能由合成反例推論現有所有大型多模態 AI 都受到同樣幅度的視覺衝突；真實模型可能從影像紋理、場景上下文、動作序列推知來源資訊。
不能宣稱來源標記、顯式標定必然擊敗端到端學習；模型容量、資料量、分布變化與推論成本都會改變比較結果。
不能將生物受器的有效關係維度混作物理空間維度或人類／動物的主觀視覺形式；本文研究的是可測資訊與任務可辨識性。

1. 研究背景：跨載體的資料多樣性與條件位移

跨域表示學習不是新領域。Ganin 等（2016）展示以領域對抗訓練學習可轉移特徵的路線 [E1]；Zhao 等（2019）則指出，即使表徵看似達到領域不變，也不能排除條件分布不同導致的適配失敗 [E2]。這直接提醒我們：讓不同觀察者的張量分布看起來相同，不等於使同一張量對應相同任務意義。

與此同時，跨機器人的多來源訓練已經有正向成果。Open X-Embodiment 匯集多機體資料並展示跨機體遷移 [E3]；CrossFormer 將不同感測器、致動器與控制頻率的資料整合至跨本體政策模型 [E4]。2026 年的 Cross-Embodiment Interface（CEI）也直接研究功能相似性與跨機體視覺動作資料轉譯 [E5]。這些成果否定「多種視覺資訊混合必定有害」的武斷命題，也迫使本研究不把統一接口說成過去從未有人提出。

現有工程側，ROS 2 的 CameraInfo 明定內參、畸變、光學座標系及取得時間；DROID 的公開資料與後續相機校準更新也表明觀測幾何的元資料具有實際作用 [E6, E7]。但一份相機標定檔不能替代逐影格姿態，來源 ID 不能取代物理感測通道，相同張量不能取代任務語義。本文因此聚焦於比「編碼格式統一」更精確的條件式接口。

2. 基本模型：世界、觀察條件、任務與資料分布

令 $X$ 為實體世界狀態， $S$ 為來源感測系統， $K$ 為逐樣本觀察條件（姿態、光學設定、時鐘、標定版本等）， $Z$ 為數位化的觀測， $T$ 為任務， $B$ 為目標機體。理想決定性版本可寫為：

Z=O_{S,K}(X),\qquad Y=\tau_{T,B}(X).

實際隨機量測則由 $P(Z\mid X,S,K)$ 描述。研究中的標籤 $Y$ 必須先有固定的任務意義；如欲跨機體比較，還需定義共同任務語義或合法的目標座標變換。若兩份資料的標籤本來不是同一件事，則標籤衝突的原因可能是任務定義不相容，而非視覺。

假定 $Y$ 為有限類別，損失採用零一分類損失。對觀察資訊集合 $V$ ，其不受限貝氏風險定義為：

R^*(V)=\inf_f\Pr\bigl(f(V)\neq Y\bigr) =\mathbb E\left[1-\max_y P(Y=y\mid V)\right].

此處的最適分類器可以使用其輸入中的全部資訊，沒有模型架構、訓練樣本量或計算預算限制。因此這是指定分布上的資訊界線，不是某個神經網路實際跑出的準確率。

為了在不偷換概念的情況下分解資訊，我們區分四個逐步增強的輸入：

V_0=Z,\quad V_1=(Z,S),\quad V_2=(Z,S,K),\quad V_3=(Z,S,K,U),

其中 $U$ 是額外、真實取得的任務相關感測資訊，可能來自主動掃描、第二相機、觸覺或相位敏感偏振量測。若 $K$ 或 $U$ 本身不可靠，必須把「回報值」與「真實值」區分，不能在定理中偷偷當作已知真值。

3. 定理一：觀察條件的貝氏風險單調性

定理 3.1｜加入真實可用資訊不增加最適風險

對任意有限標籤任務與定義良好的共同聯合分布，有：

R^*(V_0)\geq R^*(V_1)\geq R^*(V_2)\geq R^*(V_3).

證明。 每一層分類器都可以忽略本層新增加的資訊，直接模仿前一層分類器；因此較多資訊的可行分類器集合包含較少資訊的分類器集合。取各自零一風險的下確界即可。證畢。

此定理是統計決策理論中的基本資訊單調性，不是新的通用數學原理。本文的研究用途是讓多觀察者接口知道應在哪一層檢查資訊缺失，而不是把所有衝突混成一個「模型幻覺」指標。

定義以下非負差值：

\begin{aligned} G_S&=R^*(V_0)-R^*(V_1),\\ G_K&=R^*(V_1)-R^*(V_2),\\ G_U&=R^*(V_2)-R^*(V_3),\\ D_U&=R^*(V_3). \end{aligned}

則有恆等式：

R^*(V_0)=G_S+G_K+G_U+D_U.

這是指定資料分布與任務下的風險差分解，不是宣稱自然界只有四種視覺失敗。 $G_S$ 表示來源標記帶來的最適風險減少； $G_K$ 表示逐影格條件資訊的額外價值； $G_U$ 表示補充量測的額外價值； $D_U$ 則是即使取得以上資訊仍剩下的不可避免分類錯誤。

重要限制：這些量不能無條件解釋成純幾何錯誤。若 $S$ 與標籤有資料採樣上的相關性， $G_S$ 也可能來自來源分布與標籤先驗差異。因此要將其歸因於「觀察幾何」時，需控制不同來源的世界狀態、標籤比例、測量成本與樣本來源。

3.2 風險差為零時不可反推所有資訊相同

即使 $R^*(Z)=R^*(Z,S)$ ，也不能證明 $S$ 完全不攜帶與 $Y$ 有關的資訊。例如已知來源可能改變機率估計的校準度，卻不改變零一分類損失的最優決策。若任務要求機率估計、幾何精度、控制安全或尾部風險，需改用相應的損失函數或品質指標。本文所有數字只以零一分類風險為核心。

4. 命題二：跨來源精確共享解碼器的相容條件

令每個來源 $s$ 有理想觀測 $O_s:X_s\to Z$ ，共同任務 $\tau:X\to Y$ 。若要求一個不讀取來源 ID 的決定性解碼器 $h:Z\to Y$ 同時適用於所有來源，則必要且充分條件是：

O_s(x)=O_{s'}(x')\quad\Longrightarrow\quad \tau(x)=\tau(x')

對所有允許的 $s,s',x,x'$ 成立。

證明。 必要性來自同一 $z$ 不能讓單值函數 $h(z)$ 同時輸出兩個相反的標籤。充分性則是在所有來源的共同像集上，依觀測值指定唯一對應標籤，並在像集外任意延拓。證畢。

若允許來源條件化 $h(z,s)$ ，只需對每個固定來源分別滿足上述相容條件。這是前篇 RGC–DPIED-01 定理 3.1 的跨來源直接推論，本文在此列出是為了與風險分解連接，不當作另一次首創定理。

4.1 任務不變與任務等變必須區分

同一來源的影像旋轉或鏡射，有時不影響「物體是不是杯子」的標籤，卻會影響「朝哪個方向移動機械手臂」的向量。前者可能存在任務不變表示；後者需要附帶方向轉換的等變表示。若採用共同座標轉換 $g$ ，可以要求：

\tau(gx)=\rho(g)\tau(x),

其中 $\rho(g)$ 是任務輸出的相應轉換。若 $\rho(g)$ 為恆等，才是該任務下的不變性。這裡並不預先假定所有生物感測、偏振、深度、接觸及多模態資料，都能由同一個全域群作用合法表達。

5. 有限實驗 A：同張量反向觀察與可消除衝突

令真實狀態 $X\in\{-1,1\}$ 、來源 $S\in\{A,B\}$ 獨立均勻，任務標籤為：

Y=\mathbf 1\{X=1\}.

兩個來源的觀測分別是：

Z=\begin{cases}X,&S=A,\\-X,&S=B.\end{cases}

此例對應相反的相機座標方向或處理約定，但兩來源輸出仍共用相同整數格式。它是控制好的反例，不聲稱所有實體相機都有這種翻轉。

對任何 $z\in\{-1,1\}$ ， $Y=0,1$ 的後驗各為一半。因此：

R^*(Z)=\frac12.

若提供真實來源，則 $X=Z$ （來源 A）或 $X=-Z$ （來源 B），所以：

R^*(Z,S)=0.

也就是 $G_S=1/2$ 。這個例子已在前篇提出基本形式；本篇進一步用它研究來源標記不完整或失真的精確後果。

5.1 非衝突的必要對照

若 A、B 都觀測 $Z=X$ ，則不論是否提供來源， $R^*(Z)=R^*(Z,S)=0$ 。因此不能把「使用多來源資料」本身等同於負遷移，也不能只在故意互相反向的資料上測試算法。

6. 定理三：來源標記錯誤與遺失的精確風險

現在保留第 5 節的均勻對稱模型，但模型實際取得的是回報來源 $\widehat S$ ，而不一定是真實 $S$ 。設：

來源回報以機率 $m$ 遺失，記為空值；
在未遺失的樣本中，以機率 $q$ 將 A、B 錯標成對方；
遺失與翻轉機制在此構造中獨立於 $X,S$ ；
任務標籤本身無其他噪音，且真實的來源先驗均勻。

定理 6.1｜來源汙染風險公式

若 $0\leq q\leq1/2$ ，則：

R^*(Z,\widehat S)=(1-m)q+\frac m2.

證明。 當 $\widehat S$ 未遺失時，來源翻轉使正確的解碼方向以機率 $q$ 被誤判，且在對稱均勻分布下，給定 $(Z,\widehat S)$ 的兩種候選標籤後驗為 $1-q$ 與 $q$ ，最適分類風險是 $q$ 。當來源缺失時，兩來源與兩個標籤在每個 $Z$ 上仍對稱，最適風險為 $1/2$ 。以未遺失與遺失的比例加權即可。證畢。

若 $q>1/2$ 且其汙染機制已被證明可靠，最適分類器可反向解讀標記，其風險變為 $(1-m)\min(q,1-q)+m/2$ ；因此不應把公式的 $q$ 係數無條件延伸到整個 $[0,1]$ 。

計算例。 令 $q=1/10$ 、 $m=1/5$ ，則：

R^*(Z,\widehat S)=\frac45\cdot\frac1{10}+\frac15\cdot\frac12 =\frac9{50}=0.18.

即使「大多數樣本都有來源標籤」，也不能從此假設每一筆標籤都可信。來源標記品質的估計必須來自獨立校準或可稽核的證據；模型自己認為標記正確，不構成標記已被驗證的證明。

6.2 不是普遍的資料品質定律

上式僅對明示的獨立、對稱、均勻分布與零一損失成立。若來源比例不均、標籤汙染具系統性、來源可由影像推斷，或模型在訓練與推論時拿到不同的條件資料，公式就不能直接套用。這個式子可用作有限試驗的對照基準與偵錯器，不是對任何 AI 資料庫的通用估計。

7. 命題四：來源 ID 已知，不代表逐影格觀察條件已知

考慮只有一台來源為 B 的攝影機。世界符號仍為 $X\in\{-1,1\}$ ，但攝影機在每個影格具有獨立均勻的姿態符號 $K\in\{-1,1\}$ ，其觀測為：

Z=KX.

即使告知模型「資料全部來自 B」，它仍無法根據 $(Z,S)$ 辨識 $X$ ，因為同樣的 $Z$ 可能來自不同的 $(X,K)$ ：

R^*(Z,S)=\frac12.

若逐影格的姿態 $K$ 是真實已知、且標定慣例有效，則 $X=KZ$ ：

R^*(Z,S,K)=0.

此例給出 $G_S=0$ 、 $G_K=1/2$ 。來源 ID 與來源觀察狀態是不同資訊層。 它正好對接 BV04 中眼球扭轉的受器軸、BV05–BV06 的掃描位置，以及機器人攝影機的即時外參；但本例的符號姿態不是對所有真實旋轉模型的精確模擬。

7.1 時間不是可以隨意拼接的觀察維度

設一個動態場景只有兩個明定時刻，其二維狀態分別是：

X(t_0)=(1,1),\qquad X(t_1)=(-1,-1).

若異步掃描把 $t_0$ 的第一分量與 $t_1$ 的第二分量組合，得到 $(1,-1)$ 。這個合成向量不等於上述任一時刻的實際狀態。因此即使每個單獨通道正確，拼合結果也不能自動宣稱代表同一物理時刻。此例只針對所定義的兩個時刻；若另有動力學與中間狀態模型，需重新檢驗。

8. 命題五：感測通道盲區不會因來源補正而消失

8.1 BV04 的理想 Stokes 反例

使用 RGC-BV04 的理想線偏振分析器形式，令 Stokes 向量為 $(S_0,S_1,S_2,S_3)$ ，並假定 $S_0$ 已知。線偏振分析器在方向 $\theta$ 的理想讀值：

I_\theta=\frac12\bigl(S_0+S_1\cos 2\theta+S_2\sin 2\theta\bigr).

這個公式對任意 $\theta$ 都不含圓偏振分量 $S_3$ 。因此不論改變多少次線偏振分析器方向，只要不加入真正對 $S_3$ 敏感的物理機制，都不能唯一恢復 $S_3$ 。

為避免物理上不允許的 Stokes 狀態，本篇有限枚舉令：

S_0=4,\qquad (S_1,S_2,S_3)\in\{-1,1\}^3.

對所有八個狀態，均有 $S_1^2+S_2^2+S_3^2=3\leq S_0^2=16$ ，滿足 Stokes 物理可行域的必要條件。若目標標籤是 $Y=\mathbf1\{S_3=1\}$ ，而八種狀態均勻，則僅觀測 $0^\circ,45^\circ,90^\circ$ 的線偏振量測，仍有：

R^*(I_0,I_{45},I_{90})=\frac12.

這並非表示真實螳螂蝦不能感測圓偏振；它只是說明限定為純線偏振分析器的這個來源量測族，無法從自己的訊號推出該任務量。

8.2 真正新增物理通道後才改變可辨識性

假設新增一個已校準、在理想模型下具有響應：

I_R=\frac12(S_0+S_3).

此讀值可由適當的相位敏感光學量測實現其概念近似；它在本篇是新通道的理想規範，不是任意 RGB 影像或任意四分之一波片裝置都自動滿足的校準保證。此時 $S_3=2I_R-S_0$ ，八狀態有限構造的最適錯誤率降為 0。

這個比較顯示：提高模型容量與改善現有通道的校準，不能取代真正缺失的物理量測。 主動觀察的價值取決於它是否增加新的任務相關可辨識性；不應把重複同方向量測誤說成新增不存在的感測自由度。

9. 補正可靠性的雙重誤差：量測噪音與標定偏差

精確解碼器也可能因採用了錯誤校準而不可靠。考慮估計的線性觀測模型 $\widehat A$ 與任務線性算子 $L$ ，已找到補正器 $B$ 使得：

B\widehat A=L.

但真實觀測是 $\widetilde z=(\widehat A+\Delta A)x+e$ 。使用原補正器得：

B\widetilde z-Lx=B\Delta A x+Be,

因此：

\|B\widetilde z-Lx\|\leq \|B\|\bigl(\|\Delta A\|\,\|x\|+\|e\|\bigr).

這是由三角不等式與算子範數直接得到的有限維上界，與前篇的量測噪音上界相容，新增加的是模型偏差 $\Delta A$ 的顯式影響。補正器越病態，校準誤差越可能被放大。當 $\|x\|$ 沒有上界、 $\Delta A$ 沒有可信界限，或非線性模型在有效域外工作時，不應用這個式子假裝已有安全保證。

9.1 來源可靠性與幾何可靠性是不同問題

第 6 節的 $q$ 是來源標籤混淆概率；本節的 $\Delta A$ 是前向量測模型的參數偏差。前者描述資料被歸給哪個觀察條件，後者描述該觀察條件的校準是否準確。若兩者混淆，即使來源 ID 完全正確，世界模型仍可能套用錯誤的投影或行動座標。

10. 風險式拒絕機制：知道不足，而不是偽裝補齊

來源條件化並不意味每個輸入都必須立刻輸出唯一答案。定義一個帶拒絕選項的決策器 $f(V)\in Y\cup\{\bot\}$ ，其中 $\bot$ 表示暫不作出任務判定。至少要分開報告：

覆蓋率 $C=\Pr(f(V)\neq\bot)$ ；
已接受樣本錯誤率 $R_{\mathrm{acc}}=\Pr(f(V)\neq Y\mid f(V)\neq\bot)$ ，僅在 $C>0$ 時有定義；
全樣本錯誤質量 $C R_{\mathrm{acc}}$ ；
拒絕率 $1-C$ ，以及拒絕後的補觀察、轉人工或安全降級成本。

對第 6 節的有限模型，令 $q=0.1$ 、 $m=0.2$ ，回報來源存在時的最佳校準信心為 $0.9$ ，來源缺失時為 $0.5$ 。若只接受信心至少 $0.85$ 的樣本，則：

C=0.8,\qquad R_{\mathrm{acc}}=0.1,\qquad C R_{\mathrm{acc}}=0.08.

被拒絕的比例為 $0.2$ ，不能把 $0.08$ 直接宣稱成「整體失敗率只有 8%」，因為其餘 20% 尚未執行任務。若把門檻提高到 $0.95$ ，本例沒有任何樣本可被接受，此時不能以「零已接受錯誤」宣稱策略成功。

對物理控制，拒絕可能是必要的安全行為，但本篇沒有證明任何特定信心門檻足以保證實機安全。若錯誤標記率 $q$ 本身無法可靠估計，高信心也可能只是錯誤校準下的假象。

10.1 補充感測的邊際價值必須付成本

在第 6 節理想模型中，若一次額外觀測無風險且完全揭露真實來源、錯誤分類單位損失為 1、取得新量測的單位成本為 $c$ ，則對具有錯誤概率 $q$ 的非缺失標記，探測的期望收益為 $q-c$ 。只有 $c<q$ 才具有正的即期淨收益。若另含物理損害、時間失效、能耗與機器磨損，必須把其成本一起列入。這只是有限模型的理想決策範例，不是主動觀測總是值得執行的主張。

11. OCVC-0.3 候選接口：從來源識別走向逐樣本證據契約

前篇提出 OCVC（Observer-Conditioned Visual Contract）作為研究性接口，不是產業標準。本篇建議把「資料內容、條件標記、證據可靠性、任務目標與安全使用決策」視為不能互相代替的欄位，並區分逐裝置靜態資訊與逐影格動態資訊。

類別	最小要求	不能偷換的意義
`source_provenance`	感測設備／模擬器類別、資料來源、校準檔與版本	來源 ID 不是逐影格姿態，也不能作為真實量測證明
`observer_state`	影格時間、方向／受器軸、動作姿態、光學設定與狀態有效域	同台相機不表示每個時刻具有同一投影
`sensor_channels`	真正測得的物理量、單位、通道靈敏度與盲區	不能把未感測的 $S_3$ 當成 RGB 內隱保證
`geometry_and_time`	內外參、座標規約、掃描與同步區間、漂移界限	單筆正確量測不保證不同時刻可拼接
`label_contract`	共同任務、標籤本體、機體輸出座標和行動限制	標籤定義不一致不是單純幾何補正問題
`metadata_quality`	缺漏、錯標、校準殘差、獨立核對及適用支援域	來源標籤不可只因存在就視為真實
`correction_evidence`	補正器、版本、精確／條件／估計聲明、失敗證據	校準是有界條件，不是無條件世界重建
`decision`	允許用途、補觀察／拒絕、安全與時效閘門	資料能分類不表示機器人能安全行動

11.1 一個可稽核的候選 JSON 範例

{
  "ocvc_version": "research-0.3-proposal",
  "source_provenance": {
    "sensor_id": "camera-B",
    "origin": "measured",
    "source_identity_verified": true
  },
  "observer_state": {
    "frame_pose_known": false,
    "timestamp_ns": null,
    "state_version": null
  },
  "geometry_and_time": {
    "calibration_status": "verified_at_device_level",
    "frame_synchronization": "unknown"
  },
  "sensor_channels": {
    "measured": ["rgb"],
    "unmeasured_task_quantities": ["contact_force"]
  },
  "metadata_quality": {
    "per_frame_orientation_validated": false,
    "estimated_wrong_source_rate": null,
    "missingness_audit": "required"
  },
  "label_contract": {
    "task": "robot_frame_motion_direction",
    "target_embodiment": "robot-1",
    "target_frame": "robot_base"
  },
  "decision": {
    "status": "NONIDENTIFIABLE",
    "reason": "frame transform unavailable",
    "allowed_use": ["source-aware image description"],
    "disallowed_use": ["direct motion command"]
  }
}

此 JSON 是設計範例，不是正式開放標準、不是完整 JSON Schema，也不代表真實相機的校準必然如此。其核心刻意顯示：裝置 ID 正確，仍可能因逐影格座標未知而拒絕機器人控制。

11.2 接口最小判斷流程

read(observation, source, frame_state, task, embodiment):
    verify_data_origin_and_label_semantics()
    check_source_id_and_per_sample_metadata_integrity()
    check_channels_units_optical_model_and_observer_pose()
    check_timestamp_stationarity_and_calibration_scope()
    if physical_action_is_unsafe_or_data_is_stale:
        return UNSAFE_OR_STALE
    if required_task_information_is_absent:
        return NONIDENTIFIABLE with missing_channel_witness
    if exact_task_correction_and_calibration_are_verified:
        return EXACT or CONDITIONAL with explicit validity scope
    if validated_statistical_estimator_exists:
        return ESTIMATED with uncertainty_and_calibration_evidence
    if allowed_active_observation_has_positive_bounded_value:
        return REQUEST_ADDITIONAL_MEASUREMENT
    return NONIDENTIFIABLE with safe_rejection

這裡的 EXACT 僅指限定數學模型與聲明域下的精確性，不是物理部署安全認證；行動仍須符合 DPIED-04–07 的安全、機體可供性及時序條件。

12. 已執行驗證：精確枚舉、合成偏振與拒絕對照

12.1 方法與可重現性

所有主要風險值均由 Python 標準函式庫的 fractions.Fraction 以有限機率質量精確枚舉；不是蒙地卡羅樣本平均，也不依靠訓練神經網路。每個觀察鍵合併兩類標籤質量，再依其少數類質量計算最適零一損失。連續噪音或真實生物感測尚未作為本篇的實證資料。

程式 src/observer_conflict.py 提供以下可重現情境：

兩個反向觀察來源 A/B 的有無來源資訊比較。
加入盲區來源 C 後，保留不可消除的剩餘風險。
來源標記錯誤率 $q$ 與遺失率 $m$ 的精確風險網格。
同一攝影機的逐影格姿態缺失與復原。
BV04 的理想線偏振 $S_3$ 盲區與新增相位敏感通道。
不同步掃描產生非同步合成觀測。
已校準信心門檻下的拒絕率與已接受錯誤率。
最小化候選契約的拒絕案例。

12.2 主要結果表

合成有限情境	未取得完整條件的最適錯誤率	補充條件後	可解釋的差異
A/B 相反觀察，隱藏來源 ID	$1/2$	正確來源 ID 後 $0$	純來源條件可消除衝突
A/B/C 三來源等權，C 僅取得 $\lvert X\rvert$	$1/2$	正確來源 ID 後 $1/6$	C 的任務盲區仍存在
A/B，來源回報錯誤 10%、遺失 20%	$1/2$ （不使用回報來源）	使用回報來源後 $9/50=0.18$	標記不可靠有精確剩餘風險
單一攝影機 B，逐影格姿態未知	$1/2$	已知姿態後 $0$	來源 ID 不等於影格條件
BV04 理想線偏振，辨識 $S_3$ 符號	$1/2$	真正增加相位敏感通道後 $0$	物理通道盲區需新量測
不同步二時刻掃描	合成向量不對應任一已定義時刻	不適用分類風險	時間契約未滿足，不得偽裝同步

上表是六組不同的、經指定的合成分布或有限狀態，不是從同一個真實資料庫切分後的跨域泛化結果；不能把各列的百分比推廣到現役 AI 模型。A/B/C 的 $1/6$ 代表等權三來源中，來源 C 有 $1/3$ 的樣本、其兩個物理符號完全不可區分，故貢獻 $(1/3)(1/2)=1/6$ 的總錯誤下限。

合成分布的來源衝突與剩餘資訊缺口

圖 1：兩來源與含盲區三來源的最適錯誤分解。所有柱狀值來自精確有限枚舉，不是模型訓練成果。

來源標籤汙染與遺失對精確風險的影響

圖 2：僅在第 6 節對稱構造及 $0\leq q\leq1/2$ 假設下，最適錯誤率隨標籤翻轉與缺失增加。

12.3 實際驗證狀態

python src/observer_conflict.py 已產出 results/exact_results.json，其中對 $m\in\{0,1/5,1/2\}$ 與 $q\in\{0,1/20,1/10,1/4,1/2\}$ 的 15 組網格，逐一驗證理論式與精確枚舉相同。python -m unittest discover -s tests -v 已執行 24 項單元測試，24 PASS、0 FAIL。繪圖程式已生成 2 張 PNG 與 2 張 SVG，數值來源為相同的確切有限模型。

本篇測試數量只反映程式條件與固定反例的一致性，不等於有 24 組相互獨立的生物、機器人或多模態模型實驗。正式封裝附帶原始程式、測試輸出與雜湊清單，供本地端復驗。

13. 從精確有限反例走向真實學習：公平比較與可反駁命題

本文已完成有限模型的存在性、風險與盲區驗證；以下屬應實測的假說及驗證設計，不是已完成實機或大模型訓練結果。

13.1 五組同預算消融

實驗組	可取得的資訊／方法	用來區分的機制
B0：原始混合	原始張量與一般任務標籤	模型能否從內容自行推斷來源
B1：來源條件	在 B0 上加入已核實的來源與資料域 ID	來源資訊的邊際價值
B2：逐影格補正	在 B1 上加入合法的姿態、標定、時間、通道轉換	逐時刻條件相容性的價值
B3：任務充分性與拒絕	在 B2 上加入可辨識性檢查、不確定度與用途限制	高信心錯誤、拒絕與失效界線
B4：有界主動補觀察	在 B3 上允許成本與風險受限的新量測	新物理資訊的淨收益

應採兩類比較：固定可用資料量與固定總成本；不同來源、機體、觀察條件、任務與場景必須分層評測。B0 不應刻意限制模型容量或阻止它使用常見的時序上下文，以免得到不公平的「顯式補正必勝」結果。B4 需要把新感測的時間、能耗與失敗風險納入分母。

13.2 必須包含的競爭解釋

H1： 對確實存在跨來源任務衝突、且來源無法從內容可靠推知的任務，B1 的高信心錯誤應低於 B0；若來源原本已可由上下文推知，效益可能消失。
H2： 對來源固定但感測姿態變動的任務，B2 可能改善幾何、方向與操作表現；如果模型已準確估計逐影格姿態，顯式轉換的優勢可能縮小。
H3： 對缺少必要物理通道的任務，僅補元資料不可能在第 8 節限定的理想模型中精確還原；在真實模型中若有其他可用代理線索，需獨立辨識是否真正改善物性估計。
H4： B3 可能降低高信心錯誤與錯誤物理執行，但會增加拒絕與補觀察成本，不能只報接受樣本準確率。
H5： 在有足夠安全性與成本收益的條件下，B4 可能改善物理作用；若新增通道與任務無關或掃描引入時間別名，B4 可能不如 B3。
H0： 強大的跨模態模型在成本、訓練量與上下文公平匹配下，能自行學到足夠的觀察者條件，令顯式 OCVC 僅提供稽核效益。此競爭解釋不得預先排除。

13.3 評測指標與資料洩漏預防

主要指標應包含每個實際試次的任務成功與安全失敗、校準後風險、已接受樣本錯誤、拒絕率及實體資源成本。另按標定版本、感測盲區、場景動態、來源和機體別報告資料。影像與影片必須在物理場景／物件／裝置條件或時間段上進行嚴格隔離，不能讓同一場景相鄰影格同時出現在訓練與測試而造成虛假跨域效果。與來源 ID 相關的背景或壓縮特徵應作為競爭解釋檢查。

14. 從觀測修正通往具身行動，還隔著一個安全門

就算 B2／B3 已經得到穩定的座標轉譯，仍需根據目標機體的幾何可供性、致動器能力、接觸力學、摩擦、時效與安全限制評估實際行動。DPIED-04 的相容物理狀態共同安全動作交集仍是必要的前置條件；本文的新資訊分解不能代替該結果。

此外，有些資料對語義分類已充分，對物理控制卻不足；同一筆資料可被允許用來回答「畫面裡有沒有正方形」，卻應拒絕用來產生「以多少牛頓夾持該立體載體」的控制命令。跨載體資料接口應輸出的是「允許用於哪些任務」及其證據條件，不是一個未經定義的通用視覺真值。

15. 研究貢獻、反例限制與證據等級

15.1 本篇確實完成的部分

依指定任務與分布，建立來源 ID、逐影格觀察條件及新物理量測的最適風險差分解；證明其非負性與可加性。
在有限對稱模型中，得到來源錯標與來源遺失的精確最適分類風險公式，且使用有理數枚舉交叉檢查。
給出「來源 ID 完整仍無法代替逐影格姿態」的獨立反例，避免把來源標記萬能化。
將 BV04 理想偏振模型轉化為來源補正不能補足物理通道盲區的可重現分類案例，並獨立檢查異步掃描時間不相容。
提出 OCVC-0.3 候選欄位及拒絕條件，供分階段、同預算的跨載體學習實驗使用。

15.2 本篇沒有證明的部分

沒有找到跨所有生物、所有機器與所有視覺資料的單一觀察者維度不變量。
沒有證明所有異質視覺混合都造成負遷移；相反，現有跨機體研究已有多樣資料促進遷移的實證。
沒有訓練新的基礎視覺模型、VLA、世界模型，也沒有測量真實具身機器人的成功率。
沒有聲稱本篇分類誤差分解能直接換算為力學事故率、安全性或模型因果理解能力。
沒有宣稱候選 OCVC 已經符合 ROS 2 的完整訊息定義或任何正式標準。

15.3 檢驗新穎性的合理尺度

條件化風險單調性、函數分解與域適配反例均與既有統計、資訊及機器學習理論相容，不應包裝成獨立首創定理。本篇的研究增量是將它們按來源、影格狀態、物理通道與任務作用組成可核驗接口與反例測試規範，並以 BV04 的生物啟發理想感測為物理不可辨識見證。任何超越此範圍的普遍性主張都需要新證據。

16. 結論

跨觀察者智能不必從「所有存在看見同一份視覺世界」開始。更可操作的起點，是承認每筆觀察都有載體、姿態、時刻、通道、校準、任務與作用條件；再精確區分哪些資訊可以轉換、哪些能經新量測恢復、哪些只能估計、哪些必須拒絕。

本文的有限模型使這個區分具有可核對的數學形式：一部分錯誤只是來源未標記，一部分錯誤來自逐影格觀察條件未提供，另一部分則是感測器未取得任何能區分任務狀態的物理量測。前兩者可以在特定條件下補正；最後一者不能靠改名、格式統一或增加相同來源的資料而保證消失。反之，資料異質性也可能提供互補資訊，因此真正的問題不是「要不要混合資料」，而是哪些資料對指定任務相容，缺失條件有何證據，補正是否真的改變可用資訊。

世界不需要被所有觀察者看成同一個樣子；但任何聲稱可以替另一個存在行動的智能，都必須知道自己沒有看見什麼。

參考文獻與可核對工程來源

[E1] Ganin, Y., et al. (2016). Domain-Adversarial Training of Neural Networks. Journal of Machine Learning Research, 17(59), 1–35. https://jmlr.org/beta/papers/v17/15-239.html
[E2] Zhao, H., Tachet des Combes, R., Zhang, K., & Gordon, G. (2019). On Learning Invariant Representations for Domain Adaptation. ICML / PMLR 97, 7523–7532. https://proceedings.mlr.press/v97/zhao19a.html
[E3] Open X-Embodiment Collaboration (2024). Open X-Embodiment: Robotic Learning Datasets and RT-X Models. ICRA 2024. DOI: https://doi.org/10.1109/ICRA57147.2024.10611477 ; https://arxiv.org/abs/2310.08864
[E4] Doshi, R., Walke, H. R., Mees, O., Dasari, S., & Levine, S. (2025). Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation. CoRL / PMLR 270, 496–512. https://proceedings.mlr.press/v270/doshi25a.html
[E5] CEI: A Unified Interface for Cross-Embodiment Visuomotor Policy Learning in 3D Space (2026). IEEE Robotics and Automation Letters, 11(3), 3486–3493. DOI: https://doi.org/10.1109/LRA.2026.3656802
[E6] ROS 2 common_interfaces, sensor_msgs/msg/CameraInfo.msg（滾動版文件，內容可能變更）. https://github.com/ros2/common_interfaces/blob/rolling/sensor_msgs/msg/CameraInfo.msg
[E7] DROID: A Large-Scale In-the-Wild Robot Manipulation Dataset (2024), 專案站與 2025 校準更新. https://droid-dataset.github.io/ ; https://arxiv.org/abs/2403.12945
[E8] Daly, I. M., et al. (2016). Dynamic polarization vision in mantis shrimps. Nature Communications, 7, 12140. DOI: https://doi.org/10.1038/ncomms12140
[P1] 本專案前置原稿：RGC_DPIED_01_v1.1_BV04_Integrated_2026-11-05.md（RGC–DPIED-01 v1.1，前篇研究）。
[P2] 本專案前置原稿：RGC_BV04_Mantis_Shrimp_Active_Polarization_Relational_Geometry.md（BV04 研究包，理想偏振模型與 17 項原生測試）。
[P3] 本專案前置原稿：DPIED-04_看見世界不等於能操作世界、DPIED-05、DPIED-06、DPIED-07 及 RGC-BV05–BV06（均來自提供的封存研究包）。

附錄 A｜封裝及執行方式

python src/observer_conflict.py
python -m unittest discover -s tests -v
python src/render_figures.py
python validate_release.py

src/observer_conflict.py 與測試程式只依賴 Python 標準函式庫；圖表渲染另需 matplotlib。研究封裝包含原始稿、精確驗證 JSON、24 項測試、PNG/SVG 圖表、來源對接說明、版本化雜湊清單與封裝校驗記錄。若只需要數學及有限風險驗證，不必安裝任何 GPU 或大型模型。

附錄 B｜與前篇的具體差異

前篇 v1.1	本篇 v1.0
判斷任務補正是否存在	分解不同觀察條件資訊的邊際貝氏風險
單一 A/B 來源衝突反例	加入標記錯誤／遺失的精確風險公式與 15 格網格
來源與感測器校準的必要性	區分來源 ID、逐影格姿態與標定偏差
BV04 的 $S_3$ 零空間與時間別名	將盲區轉為分類風險下限，加入拒絕與補量測決策
OCVC-0.2 的可辨識性契約	OCVC-0.3 的資料完整性、標籤契約與逐樣本審計

研究提交狀態： 有限模型與程式驗證完成；跨模型訓練及實體控制驗證未完成，不能以本篇取代實機證據。