# 關鍵區間低有效分支命題：AI 增強因果覆蓋、預測粒度與未來路徑空間 **The Low Effective Branching Thesis for Critical Intervals: AI-Augmented Causal Coverage, Forecasting Granularity, and Future Path Spaces** - **作者**：Neo.K - **版本**：v0.1 - **日期**：2026-07-30 - **文件性質**：未來研究／概率預測／AI 增強研究／因果情境空間命題論文 --- ## 摘要 世界的微觀狀態、事件排列與主體選擇可能形成極其龐大的未來空間，因此「完整窮盡未來」通常不可行。然而，對特定時間尺度、問題邊界與宏觀判定粒度而言，真正滿足物理、資源、制度、技術與策略約束的高機率因果路徑，未必像表面想像那樣多。大量微觀差異可能匯入少數宏觀結果族；多條敘事路徑也可能共享同一因果骨架。 本文提出「關鍵區間低有效分支命題」：設全部可想像未來為 $\Omega$ ，受約束可行路徑集合為 $\mathcal F$ ，宏觀粗粒化映射為 $\pi$ ，則在指定關鍵區間 $[t_0,t_1]$ 中，承載主要機率質量與決策意義的有效分支數，可能遠低於全部表面可能性： $$ |\Omega|\gg1, \qquad N_{\mathrm{eff}} \left( \pi(\mathcal F_{[t_0,t_1]}) \right) \ll |\Omega|. $$ 本文以機率熵定義有效分支數： $$ N_{\mathrm{eff}} = \exp \left( -\sum_{i=1}^{n}p_i\log p_i \right), $$ 並進一步區分原始敘述數、因果機制數、可行分支數、有效機率分支數與決策相關分支數。由 AI 生成一百個情境，並不表示取得一百個獨立未來；若其共享相同因果假設、資料來源或模型偏差，其真正新增覆蓋可能極低。 本文提出「AI 增強因果覆蓋命題」：人類研究者提供問題選擇、理論先驗、判定尺度與相變辨識；AI 則提供高通量搜尋、跨域類比、情境展開、反例生成與證據更新。兩者結合可提高宏觀路徑覆蓋率，但成立條件不是單純增加算力，而是具備因果去重、來源多樣性、模型差異、基準率、機率校準與事後回測。 本文區分路徑覆蓋、機率校準、時間精度、細節精度與決策效用。預先提及某種可能性不等於準確預測；真正預測系統必須在結果未知時固定問題、時間窗、判定規則和概率，並使用 Brier 分數、對數分數、可靠度與解析度等指標評估。 最後，本文提出一個 AI 自主預測平台的基本架構：將論文、證據、事件、因果瓶頸、關鍵指標與概率更新組織成動態情境圖，而不是持續堆積未評分文章。本文不主張世界可以完全預測，而主張： $$ \boxed{ \text{未來未必容易預測，} \quad \text{但在正確粒度與約束下，} \quad \text{可能比人們原先以為的更容易被覆蓋。} } $$ **關鍵詞**：有效分支、因果覆蓋、AI 預測、情境空間、宏觀粗粒化、機率校準、人機混合預測、相變節點、ForecastBench --- ## 一、問題提出：可能性很多，還是我們把同一條路徑說了很多遍？ 面對未來，人們常在兩種直覺間擺盪。 第一種認為： $$ \text{世界極度複雜} \Rightarrow \text{未來幾乎不可預測}. $$ 第二種認為： $$ \text{資料與算力足夠} \Rightarrow \text{未來可以被完整算出}. $$ 本文不接受這兩個極端。 世界可以同時具有： - 巨大的微觀狀態空間； - 有限的物理與制度約束； - 高度不均勻的概率分布； - 少數關鍵因果瓶頸； - 大量匯聚至相同宏觀結果的路徑。 所以真正需要問的不是： > 未來總共有多少種可能？ 而是： > 在指定時間、尺度和問題中，有多少個因果上獨立、概率上顯著、決策上重要的有效分支？ --- ## 二、五種未來空間必須分開 設當前狀態為 $x_t$ 。 ### 2.1 可想像空間 $$ \Omega_t = \left\{ \text{所有能被描述的未來} \right\}. $$ 它包含幻想、邏輯矛盾、物理上不可行與制度上不可到達的敘事。 ### 2.2 邏輯一致空間 $$ \Omega_t^{L} \subseteq \Omega_t. $$ 排除內部矛盾，但仍可能違反現實物理或資源條件。 ### 2.3 可行路徑空間 $$ \mathcal F_t = \left\{ \pi: \operatorname{Constraint}(\pi)=1 \right\} \subseteq \Omega_t^{L}. $$ 它滿足： - 物理約束； - 資源約束； - 技術前置條件； - 制度規則； - 時間限制； - 行動者可達能力。 ### 2.4 機率有效空間 $$ \mathcal P_t(\epsilon) = \left\{ \pi\in\mathcal F_t: P(\pi)\geq\epsilon \right\}. $$ 它排除極低機率路徑，但 $\epsilon$ 必須依風險用途設定。 ### 2.5 決策相關空間 $$ \mathcal D_t = \left\{ \pi: P(\pi)\cdot L(\pi)\geq\theta_D \right\}, $$ 其中 $L(\pi)$ 是損失、收益或決策影響。 低機率高衝擊路徑可能不屬於高概率集合，卻仍屬於決策相關集合。 因此： $$ \boxed{ \text{不太可能} \neq \text{不值得準備}. } $$ --- ## 三、微觀龐大與宏觀有限可以同時成立 設未來微觀狀態為： $$ \omega_1,\omega_2,\ldots,\omega_m. $$ 建立宏觀分類映射： $$ \pi: \Omega \rightarrow \left\{ C_1,C_2,\ldots,C_k \right\}. $$ 每個 $C_i$ 代表一個宏觀結果族，例如： - 技術快速突破； - 漸進改良； - 監管延遲； - 商業失敗； - 替代技術勝出； - 系統性事故。 可能存在： $$ m\gg k. $$ 數百萬種內部事件排列，最後都可能屬於「漸進改良但未跨越部署門檻」。 所以： $$ \boxed{ \text{微觀路徑數量巨大，} \quad \text{不代表宏觀結果族同樣巨大。} } $$ 這是本文能討論「低有效分支」而不主張世界決定論的基本前提。 --- ## 四、原始分支數與有效分支數 設宏觀結果族機率為： $$ p_1,p_2,\ldots,p_n, \qquad \sum_{i=1}^{n}p_i=1. $$ 原始分支數為： $$ N_{\mathrm{raw}}=n. $$ 若各分支機率高度不均勻，原始數量會誇大實際不確定性。 本文採用熵的指數形式定義有效分支數： $$ N_{\mathrm{eff}} = \exp \left( H(P) \right), $$ 其中： $$ H(P) = -\sum_{i=1}^{n}p_i\log p_i. $$ 若十個分支機率完全相同： $$ p_i=0.1, $$ 則： $$ N_{\mathrm{eff}}=10. $$ 若主要概率集中在兩三個分支，其餘極低： $$ N_{\mathrm{eff}}\ll10. $$ 因此，有效分支不是「非零分支的數量」，而是與目前機率分布具有相同不確定性的等概率分支數。 --- ## 五、關鍵區間低有效分支命題 設關鍵時間區間為： $$ \tau=[t_0,t_1]. $$ 設受約束路徑集合為： $$ \mathcal F_{\tau}. $$ 經過宏觀粗粒化： $$ \pi_{\mathcal G}: \mathcal F_{\tau} \rightarrow \mathcal C_{\tau}, $$ 其中 $\mathcal G$ 是判定粒度。 本文提出： $$ \boxed{ |\Omega_{\tau}|\gg1, \qquad N_{\mathrm{eff}} \left( \pi_{\mathcal G}(\mathcal F_{\tau}) \right) \ll |\Omega_{\tau}|. } $$ 此命題不是普遍數學定理，而是一項需要對不同領域進行實證檢查的理論假說。 它較可能在以下條件成立： 1. 時間區間相對有限； 2. 基礎設施和制度慣性強； 3. 技術前置依賴清楚； 4. 關鍵行動者數量有限； 5. 存在共同瓶頸； 6. 宏觀判定粒度適當； 7. 分支機率高度集中。 --- ## 六、為什麼關鍵區間的有效分支會縮小？ ### 6.1 物理與資源限制 任何技術路徑都受到： $$ \mathcal C_{\mathrm{physical}} + \mathcal C_{\mathrm{energy}} + \mathcal C_{\mathrm{capital}} + \mathcal C_{\mathrm{time}}. $$ 大量想像方案根本無法在指定區間內落地。 ### 6.2 依賴圖限制 若能力 $C$ 依賴： $$ A\rightarrow B\rightarrow C, $$ 則沒有 $A$ 與 $B$ ，直接到達 $C$ 的路徑會被排除。 ### 6.3 制度慣性 法律、標準、供應鏈、組織利益與既有設備形成路徑依賴： $$ x_{t+1} = f(x_t,\Delta_t). $$ 可達狀態通常不是任意跳躍。 ### 6.4 策略收斂 面對相同成本、風險和市場激勵，不同行動者可能獨立收斂至相似策略。 ### 6.5 因果瓶頸 大量不同路徑可能必須通過共同節點： $$ \pi_1,\pi_2,\ldots,\pi_n \rightarrow B \rightarrow \mathcal Q. $$ 例如長期 AI 代理不論底層模型如何，都需要處理記憶、授權、工具錯誤與身份連續。 --- ## 七、低有效分支不等於低事件數量 即使宏觀分支很少，每個分支內仍可包含大量事件。 設： $$ C_i = \left\{ \omega_{i1},\omega_{i2},\ldots \right\}. $$ 則： $$ |C_i|\gg1 $$ 完全可能。 所以本文所稱的低有效分支，是： $$ \text{宏觀因果族較少}, $$ 而不是： $$ \text{世界細節較少}. $$ 同一個「AI 監管延遲」分支，可能包含不同國家、公司、法案、事故與市場反應。 預測者可能命中結構方向，卻錯過具體事件序列。 --- ## 八、路徑覆蓋與事件命中必須分開 設預測系統產生候選路徑集合： $$ \widehat{\mathcal P} = \left\{ \widehat\pi_1,\ldots,\widehat\pi_m \right\}. $$ 實際結果路徑為： $$ \pi^\ast. $$ 事件命中只檢查某一結果是否曾被提及： $$ \operatorname{Hit} \left( \pi^\ast,\widehat{\mathcal P} \right). $$ 但路徑覆蓋應檢查： - 關鍵因果機制； - 中間瓶頸； - 分支條件； - 可觀測指標； - 概率分配。 可定義機率質量覆蓋： $$ C_{\mathrm{mass}} = \sum_{i: C_i\in\widehat{\mathcal C}} p_i. $$ 若預測集合覆蓋了概率質量最高的三個結果族，即使未列出所有細節，也可能具有高決策價值。 --- ## 九、五種預測能力 ### 9.1 可能性發現 $$ C_{\mathrm{poss}} = \text{是否辨識到某路徑存在}. $$ ### 9.2 因果路徑覆蓋 $$ C_{\mathrm{path}} = \text{是否涵蓋主要獨立機制}. $$ ### 9.3 機率校準 $$ C_{\mathrm{cal}} = \text{概率是否與長期發生率一致}. $$ ### 9.4 時間精度 $$ C_{\mathrm{time}} = \text{是否落在正確時間窗}. $$ ### 9.5 細節精度 $$ C_{\mathrm{detail}} = \text{主體、地點、順序與規模是否正確}. $$ 一個研究者可能具有： $$ C_{\mathrm{path}}\gg0 $$ 卻只有中等： $$ C_{\mathrm{time}}, \quad C_{\mathrm{detail}}. $$ 這不等於沒有預測價值，但不能把結構覆蓋誇大為精確預言。 --- ## 十、AI 如何提高因果覆蓋？ 大型語言模型和搜尋代理可以高速執行： $$ \text{檢索} \rightarrow \text{分解} \rightarrow \text{生成} \rightarrow \text{比較} \rightarrow \text{反駁} \rightarrow \text{重組}. $$ 其優勢包括： - 快速搜尋多來源； - 跨領域類比； - 產生反事實； - 展開行動者策略； - 列出前置依賴； - 生成低概率風險； - 持續吸收新訊號。 人類研究者則提供： - 問題選擇； - 長期理論先驗； - 判定粒度； - 價值與風險邊界； - 相變節點辨識； - 對語義同構的直覺。 因此可以提出： $$ \boxed{ \operatorname{Coverage}_{H+AI} > \max \left( \operatorname{Coverage}_H, \operatorname{Coverage}_{AI} \right) } $$ 但這只在協作具有互補性時成立。 --- ## 十一、人機結合不是簡單相加 設人類模型誤差為： $$ \epsilon_H, $$ AI 模型誤差為： $$ \epsilon_A. $$ 若兩者誤差高度相關： $$ \operatorname{Corr} (\epsilon_H,\epsilon_A)\approx1, $$ 組合收益有限。 如果： $$ \operatorname{Corr} (\epsilon_H,\epsilon_A)\ll1, $$ 且兩者各自具有足夠準確度，組合才容易提高表現。 人機混合預測實驗已顯示，經過技能權重、過度自信修正與人機聚合後的系統，可以優於只使用人類預測的基線。這支持「互補誤差」而不是「AI 取代人類」的方向。 --- ## 十二、生成數量不是獨立路徑數量 設 AI 生成： $$ S_1,S_2,\ldots,S_n. $$ 若它們具有不同文字，但共享相同因果圖： $$ G(S_1) = G(S_2) = \cdots = G(S_n), $$ 則真正的因果新增量接近零。 因此應區分： $$ N_{\mathrm{text}} $$ 與： $$ N_{\mathrm{causal}}. $$ 因果去重可以依據： - 共同前提； - 共同瓶頸； - 共同主要行動者； - 共同轉移條件； - 共同失敗機制； - 共同終局狀態。 本文提出因果等價關係： $$ S_i\sim_C S_j $$ 若兩者在指定粒度下共享相同的核心因果圖。 真正覆蓋數為： $$ N_{\mathrm{causal}} = \left| \mathcal S/ \sim_C \right|. $$ --- ## 十三、模型多樣性比重複抽樣更重要 從同一模型、相同提示與相同資料來源反覆抽樣，容易得到高度相關的預測： $$ \operatorname{Corr} (\widehat p_i,\widehat p_j) \uparrow. $$ 近期 AI 預測研究顯示，前沿模型之間的預測可能高度相關；最有效的集成不是無限制增加樣本，而是組合準確但誤差互補的模型。 因此，預測平台應優先增加： - 不同模型家族； - 不同訓練來源； - 不同搜尋策略； - 不同文化和制度先驗； - 不同因果建模方法； - 對抗性代理； - 人類專家與市場概率。 可定義有效預測者數： $$ N_{\mathrm{forecaster}}^{\mathrm{eff}} = \exp \left( H(\mathbf w) \right) \cdot \left( 1-\bar\rho \right), $$ 其中 $\mathbf w$ 是預測者權重， $\bar\rho$ 是平均誤差相關性。此式是概念性指標，用於提醒「數量」與「獨立性」必須共同考慮。 --- ## 十四、AI 預測能力正在提升，但並未消除人類優勢 ForecastBench 以答案尚未出現的未來事件建立持續更新評測，降低資料污染風險。早期結果顯示，人類專業預測者仍優於當時最佳 LLM。 後續研究則顯示： - 檢索增強、問題分解與預測聚合可以顯著改善 LLM； - 前沿模型可在部分真實預測任務超過一般人群； - 專業超級預測者在多項比較中仍保持優勢； - 代理式搜尋、模型集成和統計校準可使 AI 系統接近超級預測者； - 人機混合系統可優於純人類基線。 因此： $$ \boxed{ \text{預測能力的提升主要來自完整系統，} \quad \text{而不是裸模型的單次回答。} } $$ --- ## 十五、預測必須在結果未知時固定 若研究者在事件發生後重新閱讀大量舊論文，很容易產生： - 選擇性記憶； - 模糊命中； - 結果族過度寬鬆； - 忽略未命中預測； - 重新解釋時間窗。 所以預測項目應事先固定： $$ Q = \left( q,t_{\mathrm{close}},t_{\mathrm{resolve}}, \mathcal R,p,E \right), $$ 其中： - $q$ ：可判定問題； - $t_{\mathrm{close}}$ ：停止更新時間； - $t_{\mathrm{resolve}}$ ：結果判定時間； - $\mathcal R$ ：明確結果規則； - $p$ ：提交機率； - $E$ ：當時可用證據。 沒有這些欄位，文本更接近情境研究，而不是可評分預測。 --- ## 十六、Brier 分數與校準 對二元事件，預測概率為 $p_i$ ，結果為： $$ o_i\in\{0,1\}. $$ Brier 分數為： $$ BS = \frac1N \sum_{i=1}^{N} (p_i-o_i)^2. $$ 分數越低越好。 但單一平均分還應分解為： - 可靠度； - 解析度； - 不確定性。 校準要求： $$ P \left( o=1\mid p\approx0.7 \right) \approx0.7. $$ 如果所有被賦予 $70\%$ 的事件，長期只有 $40\%$ 發生，系統便過度自信。 因此真正的問題不是： > 我有沒有提到它？ 而是： $$ \boxed{ \text{我給高概率的事件是否真的更常發生？} } $$ --- ## 十七、覆蓋引擎與概率引擎應分離 一個系統若同時負責提出路徑和為自己評分，容易壓制陌生方案或過度信任自身生成。 本文提出四引擎結構。 ### 17.1 覆蓋引擎 目標： $$ \max N_{\mathrm{causal}}. $$ 鼓勵提出因果上不同的路徑。 ### 17.2 裁剪引擎 目標： $$ \min \left( \text{重複} + \text{不可行} + \text{無機制敘事} \right). $$ ### 17.3 概率引擎 依據： - 基準率； - 當前證據； - 行動者激勵； - 市場或群體概率； - 類似歷史案例； - 時間依賴； 配置概率。 ### 17.4 反證引擎 專門尋找： - 共同盲點； - 缺失變量； - 反身效應； - 黑天鵝機制； - 來源相依性。 --- ## 十八、論文庫如何轉成預測系統？ 大量論文不是自動等於預測平台。 首先需要把論文中的命題抽取為： $$ v_i = \left( \text{狀態}, \text{門檻}, \text{事件}, \text{證據} \right). $$ 再把條件關係轉成： $$ e_{ij} : v_i \rightarrow v_j. $$ 形成動態圖： $$ \mathcal G_t = \left( V_t,E_t,P_t,Z_t \right), $$ 其中： - $V_t$ ：狀態、事件與瓶頸； - $E_t$ ：因果與條件轉移； - $P_t$ ：概率； - $Z_t$ ：支持、反對與未知證據。 每篇論文可以貢獻： - 節點； - 邊； - 假說； - 先驗； - 反例； - 判定指標。 平台的核心不是文章數量，而是命題能否被版本化、連結和回測。 --- ## 十九、路徑圖的概率更新 設一條路徑為： $$ \pi_i: v_0\rightarrow v_1\rightarrow\cdots\rightarrow v_k. $$ 在簡化條件獨立假設下： $$ P(\pi_i) = \prod_{j=0}^{k-1} P(v_{j+1}\mid v_j). $$ 但真實系統常存在： - 共同原因； - 回饋； - 路徑依賴； - 策略互動； - 非獨立事件。 所以更合適的是使用： - 貝葉斯網路； - 動態貝葉斯網路； - 因果圖； - 馬可夫決策模型； - 代理模擬； - 情境樹與狀態流模型。 新證據 $D_{t+1}$ 到來時： $$ P_{t+1}(\pi_i) \propto P(D_{t+1}\mid\pi_i) P_t(\pi_i). $$ 所有更新都必須保留時間戳與舊版本，避免事後重寫。 --- ## 二十、關鍵節點與相變區間 某些節點的出現會顯著重排後續分支概率。 設門檻變量為： $$ z(t). $$ 若： $$ z(t)<\theta $$ 時，系統處於狀態 $\mathcal A$ ； 而： $$ z(t)\geq\theta $$ 後，可達空間變為： $$ \mathcal B \supsetneq \mathcal A. $$ 則 $\theta$ 是能力或制度相變門檻。 預測平台不應只預測最終事件，也應追蹤： - 門檻變量； - 前置信號； - 轉移速度； - 是否可逆； - 哪些分支在跨越後消失； - 哪些新分支首次出現。 這正是「關鍵區間」比任意時間點更值得密集分析的原因。 --- ## 二十一、預測預算與邊際遞減 設搜尋、模型、代理與推理預算為： $$ B. $$ 路徑覆蓋率為： $$ C_{\mathrm{path}}(B). $$ 通常初期： $$ \frac{\partial C_{\mathrm{path}}}{\partial B}>0. $$ 但後期可能： $$ \frac{\partial^2 C_{\mathrm{path}}}{\partial B^2}<0. $$ 原因是新增生成逐漸變成： - 同義改寫； - 同一因果機制細分； - 相同資料來源的重述； - 低價值尾部分支。 提高上限更依賴： $$ \text{模型異質性} + \text{資料異質性} + \text{方法異質性} + \text{回測}. $$ 所以「尚未把額度開到最高」確實可能表示還有覆蓋增益，但不表示算力增加會線性接近完整預測。 --- ## 二十二、四類難以覆蓋的未來 ### 22.1 模型語言外的新機制 若新事件需要現有理論中沒有的概念或因果算子，系統可能無法生成。 ### 22.2 極低機率高衝擊事件 可以被列入風險集合，卻很難正確給予機率。 ### 22.3 反身性事件 預測被公開後會改變行動者： $$ \widehat F \rightarrow a \rightarrow F'. $$ 預測可能自我實現，也可能自我否定。 ### 22.4 精確時間與事件順序 即使結構方向正確： $$ A,B,C $$ 仍可能錯判： $$ A\rightarrow B\rightarrow C $$ 或： $$ B\rightarrow A\rightarrow C. $$ 時間預測通常比方向覆蓋更困難。 --- ## 二十三、低有效分支的失敗條件 此命題不適用或容易失效於： 1. 時間尺度極長； 2. 新物理或新通用技術出現； 3. 行動者數量巨大且高度反身； 4. 制度處於崩解或革命狀態； 5. 判定粒度過細； 6. 概率分布極為平坦； 7. 存在大量不可觀察狀態； 8. 模型與現實互相強烈作用。 因此，任何使用低有效分支命題的研究都必須公開： $$ \left( \text{時間窗}, \text{粒度}, \text{約束}, \text{機率門檻}, \text{失效條件} \right). $$ --- ## 二十四、主要反對意見 ### 24.1 反對一：這只是把很多可能合併成少數類別 部分正確。粗粒化本來就是壓縮。問題在於壓縮是否保存決策需要的因果差異，而不是是否完全無損。 ### 24.2 反對二：只要把結果族定義得夠寬，任何預測都能命中 因此結果族必須在結果未知前固定，並設定可區分的因果條件與時間範圍。 ### 24.3 反對三：AI 生成越多，總能聲稱命中 本文正因如此要求概率、去重、未命中紀錄和 proper scoring rules，而不是以「曾提及」作為成功標準。 ### 24.4 反對四：有效分支數是虛假的精確化 $N_{\mathrm{eff}}$ 只在機率與結果分區合理時有意義。它不應被視為世界真實分支的客觀總數，而是指定模型下的不確定性摘要。 ### 24.5 反對五：歷史類比會忽略真正的新事物 因此平台必須保留外部機制、異端路徑與模型失效類別，不能只從既有論文庫內閉合生成。 ### 24.6 反對六：人機系統可能放大同一偏見 若人類與 AI 共享資料來源與框架，確實會如此。真正增益取決於獨立誤差和對抗性設計。 ### 24.7 反對七：世界具有自由意志，所以不能預測 非決定性、自由選擇與概率預測並不矛盾。本文預測的是結果分布和因果條件，不是宣稱每一主體的行動已被唯一決定。 --- ## 二十五、核心命題 ### 命題一：空間分層命題 $$ \mathcal D_t \subseteq \mathcal P_t \subseteq \mathcal F_t \subseteq \Omega_t^L \subseteq \Omega_t. $$ ### 命題二：宏觀壓縮命題 大量微觀路徑可以匯入少數宏觀結果族。 ### 命題三：低有效分支命題 在特定關鍵時間、約束和粒度下，主要機率質量可能集中於少數有效分支。 ### 命題四：敘述—因果分離命題 $$ N_{\mathrm{text}} \not\Rightarrow N_{\mathrm{causal}}. $$ ### 命題五：覆蓋—準確分離命題 $$ \operatorname{Mentioned}(E)>0 \not\Rightarrow \operatorname{CalibratedForecast}(E)>0. $$ ### 命題六：人機互補命題 人機組合只有在誤差互補、概率校準與獨立來源存在時，才可能超越單方。 ### 命題七：多樣性優於重複命題 在固定預算下，準確但誤差互補的模型組合，通常比同一模型的重複抽樣更有價值。 ### 命題八：平台圖結構命題 成熟預測平台應管理命題、因果邊、概率、證據與結果，而不只保存文章。 ### 命題九：預算邊際遞減命題 單純增加生成和搜尋預算，對獨立路徑覆蓋的增益通常逐漸下降。 ### 命題十：完全預測否定命題 低有效分支不表示世界可被完整、確定且永久預測。 --- ## 二十六、結論 世界的全部微觀可能性可以極其龐大，但決策者真正面對的並不是「所有能想像的故事」。 他們面對的是： $$ \text{在特定時間窗內} + \text{滿足現實約束} + \text{承載顯著概率} + \text{具有決策影響} $$ 的路徑族。 在適當粒度下，這些路徑族可能沒有想像中那麼多。 因此： $$ \boxed{ \text{世界不是簡單，} \quad \text{但它的高機率宏觀出口可能相對有限。} } $$ AI 的重要作用，不是暴力列舉無限細節，而是降低下列工作的成本： - 搜尋資料； - 生成異質假說； - 展開因果鏈； - 尋找瓶頸； - 產生反例； - 比較路徑； - 持續更新。 人類研究者則提供問題邊界、理論先驗、相變辨識、價值判定與模型失效意識。 兩者結合，可以形成： $$ \boxed{ \text{高通量生成} + \text{因果壓縮} + \text{概率校準} + \text{持續回測}. } $$ 但若缺少去重和評分，大量 AI 產出只會形成「什麼都說過」的覆蓋幻覺。 真正有意義的預測能力，不是事後找到一篇曾經提及結果的文章，而是： $$ \boxed{ \text{在答案未知時，} \quad \text{辨識主要因果分支，} \quad \text{配置可校準概率，} \quad \text{並讓決策能跨多個未來保持穩健。} } $$ 所以本文最終主張： $$ \boxed{ |\Omega|\gg1 \not\Rightarrow N_{\mathrm{eff}}\gg1. } $$ 以及： $$ \boxed{ \text{未來未必可以被窮盡，} \quad \text{但某些關鍵區間的主要路徑，} \quad \text{可能可以被高度覆蓋。} } $$ --- ## 參考文獻 1. Karger, Ezra, et al. “ForecastBench: A Dynamic Benchmark of AI Forecasting Capabilities.” arXiv:2409.19839, 2024; ICLR, 2025. 2. Halawi, Danny, Fred Zhang, Chen Yueh-Han, and Jacob Steinhardt. “Approaching Human-Level Forecasting with Language Models.” arXiv:2402.18563, 2024. 3. Benjamin, Daniel M., et al. “Hybrid Forecasting of Geopolitical Events.” arXiv:2412.10981, 2024. 4. Lu, Janna. “Evaluating LLMs on Real-World Forecasting Against Human Superforecasters.” arXiv:2507.04562, 2025. 5. Alur, Rohan, et al. “AIA Forecaster: Technical Report.” arXiv:2511.07678, 2025. 6. Aitchison, Matthew, Scott Jeen, Toby Shevlane, and Ben Day. “Diversity Is the Strength of the AI Crowd.” arXiv:2606.29661, 2026. 7. Ali, Junade. “Quantifying Diversity of Thought: A Predictive Law of Weighted LLM Ensemble Lift.” arXiv:2607.17384, 2026. 8. Bosse, Nikos I., et al. “Automating Forecasting Question Generation and Resolution for AI Evaluation.” arXiv:2601.22444, 2026. 9. Schöller, Peter, et al. “Prompt Engineering Large Language Models’ Forecasting Capabilities.” arXiv:2506.01578, 2025. 10. “Pitfalls in Evaluating Language Model Forecasters.” arXiv:2506.00723, 2025. 11. Brier, Glenn W. “Verification of Forecasts Expressed in Terms of Probability.” *Monthly Weather Review* 78, no. 1, 1950, pp. 1–3. 12. Gneiting, Tilmann, and Adrian E. Raftery. “Strictly Proper Scoring Rules, Prediction, and Estimation.” *Journal of the American Statistical Association* 102, no. 477, 2007, pp. 359–378. 13. Bröcker, Jochen. “Reliability, Sufficiency, and the Decomposition of Proper Scores.” arXiv:0806.0813, 2008. 14. Tetlock, Philip E., and Dan Gardner. *Superforecasting: The Art and Science of Prediction*. Crown, 2015. 15. Mellers, Barbara, et al. “Psychological Strategies for Winning a Geopolitical Forecasting Tournament.” *Psychological Science* 25, no. 5, 2014, pp. 1106–1115. 16. Hill, Mark O. “Diversity and Evenness: A Unifying Notation and Its Consequences.” *Ecology* 54, no. 2, 1973, pp. 427–432. 17. Jost, Lou. “Entropy and Diversity.” *Oikos* 113, no. 2, 2006, pp. 363–375. 18. Shannon, Claude E. “A Mathematical Theory of Communication.” *Bell System Technical Journal* 27, 1948. 19. Pearl, Judea. *Causality: Models, Reasoning, and Inference*. Cambridge University Press, 2000. 20. Spirtes, Peter, Clark Glymour, and Richard Scheines. *Causation, Prediction, and Search*. MIT Press, 2000. 21. Schoemaker, Paul J. H. “Scenario Planning: A Tool for Strategic Thinking.” *Sloan Management Review* 36, no. 2, 1995. 22. Cordova-Pozo, Katherine, and Edgar Rouwette. “Types of Scenario Planning and Their Effectiveness: A Review of Reviews.” *Futures* 149, 2023. 23. Taleb, Nassim Nicholas. *The Black Swan*. Random House, 2007. 24. Goodhart, Charles. “Problems of Monetary Management: The U.K. Experience.” In *Papers in Monetary Economics*, 1975. 25. de Finetti, Bruno. *Theory of Probability*. Wiley, 1974. 26. Savage, Leonard J. *The Foundations of Statistics*. Wiley, 1954. --- ## 理論定位 本文提出的「關鍵區間低有效分支命題」「因果路徑覆蓋」「有效預測者數」與平台架構，屬於跨概率預測、情境規劃、資訊論、因果建模與 AI 代理研究的理論構造。 本文不主張： - 世界具有固定且可被完整讀取的唯一未來； - 低有效分支在所有時間尺度和領域成立； - 大量生成自動提高預測準確率； - 曾經提及一種結果即可視為預測成功； - AI 已取代專業預測者； - 個人論文庫本身就是經過校準的預測資料庫。 其用途是建立一套可以被回測、反駁與工程化的語言，用以判斷何時「可能性看似龐大，但真正高概率的因果出口相對有限」。