--- title: "判定域概率論：概率之前的容器、空間與量詞" english_title: "Judgment-Domain Probability Theory: Containers, Spaces, and Quantifier Scope Prior to Probability" series: "判定域概率論與超概率研究" series_id: "JDPSP" paper_id: "JDPSP-02" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "研究初稿 / axiomatic proposal" date: "2026-08-13" language: "zh-TW" --- # 判定域概率論：概率之前的容器、空間與量詞 ## Judgment-Domain Probability Theory: Containers, Spaces, and Quantifier Scope Prior to Probability **作者：** Neo.K **機構：** EveMissLab **系列：** 判定域概率論與超概率研究，Paper 02 **版本：** v0.1.0 **日期：** 2026-08-13 ## 摘要 標準測度論概率以概率空間 $$ (\Omega,\mathcal F,P) $$ 為基本對象，其中 $\Omega$ 是樣本空間， $\mathcal F$ 是事件的 $\sigma$ -代數，而 $P$ 是概率測度。本文不否定此框架，也不主張傳統概率論「沒有定義域」。相反地，本文將研究問題前移一階：當一個科學、統計、人工智能或多尺度系統被表示為某個概率空間之前，研究者如何聲明「目前正在判定哪一個對象集合、哪一個尺度、哪一個觀測與建模語境」？當兩個形式上同構的概率空間指涉不同參考集合時，裸寫的 $P(A)=p$ 是否足以承載其科學語義？當局部概率要被提升為宏觀或全域概率時，需要哪些可檢查的轉換見證？ 本文提出「判定域」（judgment domain）作為一個前概率索引結構。其最小形式為 $$ \mathfrak D=(X,\Sigma;\kappa), $$ 其中 $(X,\Sigma)$ 是可測表示，而 $$ \kappa=(r,s,c) $$ 記錄參考範圍 $r$ 、尺度 $s$ 與觀測／模型語境 $c$。概率不再被視為脫離域的裸函數，而寫為 $$ P_{\mathfrak D}:\Sigma\rightarrow[0,1]. $$ 本文進一步提出「域型別原則」、「全域顯式原則」與「跨域轉移見證原則」：當概率陳述跨越兩個判定域時，應明示 restriction、conditioning、pushforward、Markov kernel、extension 或 gluing 等合法轉移；若沒有此類見證，局部概率不能僅靠語言省略而被讀成全域概率。 本文證明一個基本的「局部延伸不唯一命題」：即使一個局部概率模型完全固定，只要外部補空間仍具有自由度，就一般存在多個不同的全域概率測度，其條件化後都回到同一局部概率。因此 $$ P_{\mathfrak D_{\mathrm{local}}} $$ 本身通常不足以唯一決定 $$ P_{\mathfrak D_{\mathrm{global}}}. $$ 此命題不是對 sheaf-theoretic contextuality、probability sheaves 或 Markov categories 的重新命名。既有研究已深入處理局部資料的 global-section obstruction、隨 sample spaces 變化的概率概念，以及 kernel、conditioning 與 disintegration 的範疇結構。本文的新增研究層位於它們之前與它們之間：將形式可測空間與其科學判定索引分離，並把跨尺度、跨參考集合與跨語境的概率推論改寫成具型別的轉移問題。 **關鍵詞：** 判定域、概率空間、樣本空間、參考集合、尺度、語境、局部概率、全域概率、pushforward、Markov kernel、local-to-global、概率 sheaf、contextuality --- # 1. 研究定位：不是替代 Kolmogorov，而是補上概率空間之前的型別層 Paper 01 已區分概率的三個不同問題： $$ \mathfrak S = (\mathcal I,\mathcal R,\mathcal M), $$ 其中 $\mathcal I$ 表示概率解釋， $\mathcal R$ 表示推斷規則， $\mathcal M$ 表示數學承載結構。 本文進一步加入第四個問題： $$ \mathcal D: \quad \text{目前是哪一個判定域？} $$ 因此，本文關注的不是 Bayesian 與 frequentist 之爭，也不是以某個廣義測度取代 Kolmogorov 測度，而是問：在概率形式開始運作以前，究竟是哪一個對象集合、哪一個尺度、哪一個參考範圍與哪一個觀測語境被送入概率模型？ 標準概率論已經精確給出： $$ (\Omega,\mathcal F,P). $$ 因此本文明確拒絕： $$ \boxed{ \text{「傳統概率論沒有定義域」} } $$ 真正的研究問題是： $$ \boxed{ \text{形式域已存在，但其科學判定索引通常不是概率公理的一部分。} } $$ 這裡的「科學判定索引」至少包含： - 形式空間代表哪一個現實參考集合； - 目前觀察的是哪一個尺度； - 哪些資料生成、觀測、抽樣與模型條件被固定； - 若從一個域轉到另一個域，轉換是否具有合法數學見證。 本文因而不是增加一條新的 probability axiom，而是提出一個位於 probability-space specification 之前與其外部的 typed modeling layer。 --- # 2. 既有理論邊界：哪些東西不能宣稱是本文首次提出？ ## 2.1 概率隨 sample space 變化不是新命題 Probability sheaves 已直接研究概率概念與 sample spaces 之間的關係，並將 random variables、probability measures 等組織為 sample-space site 上的 sheaf 結構。 因此本文不能宣稱： $$ \boxed{ \text{首次讓概率依賴不同 sample spaces} } $$ 本文真正加入的是：對每個形式 sample space 再附加顯式的科學判定索引。 ## 2.2 局部資料可能無法黏成全域概率不是新命題 Sheaf-theoretic contextuality 已把 nonlocality 與 contextuality 表為 global section 的不存在，並用 compatible local distributions 與 global realizability 描述 local-to-global obstruction。 近期 preparation-contextuality 工作又進一步研究局部 preparation statistics 是否能經由 admissible stochastic extension 形成單一 global response representation。 因此本文不能宣稱： $$ \boxed{ \text{首次發現 local probability 不一定能提升到 global probability} } $$ 本文要處理的是較一般的「域型別」問題：即使不存在 contextuality，也不能在沒有指定轉移的情況下，把一個局部域中的概率數字語言上直接升格為另一個域的概率數字。 ## 2.3 概率轉換可以用 kernel 與範疇語言描述不是新命題 Markov kernels、disintegration、conditional probability 與 Markov categories 已提供成熟的數學工具。 因此本文不發明新的 pushforward，也不發明新的 kernel。 本文的問題是： $$ \boxed{ \text{何時有資格使用哪一種既有轉移？} } $$ 判定域框架主要增加的是 typing、scope declaration 與 transport admissibility。 --- # 3. 前概率層：形式空間與科學指涉必須分開 ## 3.1 形式樣本空間不等於現實參考範圍 考慮兩個研究： 1. 某醫院重症病房中的治療成功率； 2. 某國所有同類患者的治療成功率。 兩者都可能使用同一個形式 outcome space： $$ X = \{ \mathrm{success}, \mathrm{failure} \}. $$ 甚至事件 $\sigma$ -代數也完全相同： $$ \Sigma = 2^X. $$ 然而，兩個概率陳述的科學指涉不同。 因此，僅知道： $$ (X,\Sigma) $$ 不足以辨識： $$ \text{「這個概率是在談誰？」} $$ 這正是本文把「參考範圍」從形式樣本空間中獨立抽出的原因。 ## 3.2 判定索引 ### 定義 3.1：判定索引 令： $$ \mathcal R $$ 為參考範圍類型的集合或更一般的 category， $$ \mathcal S $$ 為尺度索引集合或尺度偏序， $$ \mathcal C $$ 為觀測／建模語境的集合或 category。 定義： $$ \kappa = (r,s,c) \in \mathcal R \times \mathcal S \times \mathcal C. $$ 其中： - $r$：reference scope，表示概率陳述所指向的對象集合、族群、系統或 universe of discourse； - $s$：scale，表示目前判定的尺度； - $c$：context，表示觀測、抽樣、資料生成、模型與協議語境。 在最小框架中， $\kappa$ 可以只是帶型別的 metadata；在更強框架中， $\mathcal R$ 、 $\mathcal S$ 、 $\mathcal C$ 可以各自帶有 morphism、order、topology 或其他結構。 ## 3.3 判定域 ### 定義 3.2：判定域 一個判定域定義為： $$ \boxed{ \mathfrak D = (X,\Sigma;\kappa) } $$ 其中： $$ \kappa=(r,s,c). $$ $(X,\Sigma)$ 是形式可測空間，而 $\kappa$ 指定這個空間當前被用來判定什麼。 注意： $$ \mathfrak D $$ 尚未包含概率測度。因此判定域是： $$ \boxed{ \text{pre-probabilistic object} } $$ 而不是另一種 probability measure。 --- # 4. 判定域上的概率：概率成為具域型別的對象 ## 4.1 域索引概率 ### 定義 4.1：判定域概率 給定： $$ \mathfrak D = (X,\Sigma;\kappa), $$ 若 $P$ 是 $(X,\Sigma)$ 上的概率測度，則記： $$ P_{\mathfrak D} : \Sigma \rightarrow [0,1]. $$ 這個下標不修改 Kolmogorov probability measure 的數學定義，而是保留： $$ \boxed{ \text{此概率測度的判定型別} } $$ 因此： $$ P_{\mathfrak D}(A)=p $$ 比裸寫： $$ P(A)=p $$ 包含更多科學語義。 ## 4.2 域型別原則 ### 原則 4.2：Domain Typing Principle 任何跨研究、跨尺度、跨參考集合或跨觀測語境的概率陳述，在比較或轉移以前，都應使其判定域可恢復。 一個完整概率陳述可表示為： $$ \mathsf a = (\mathfrak D,P,A,p) $$ 且： $$ P_{\mathfrak D}(A)=p. $$ 如果只保留： $$ (A,p), $$ 則存在投影： $$ \pi: (\mathfrak D,P,A,p) \mapsto (A,p). $$ 此投影一般不是單射。不同判定域中的概率陳述可能被壓成完全相同的表面句子。 因此： $$ \boxed{ \text{相同概率數值} \not\Rightarrow \text{相同概率命題} } $$ ## 4.3 域相對不等於主觀主義 判定域相對性不等於： $$ \text{probability is merely subjective}. $$ 即使某個 $P_{\mathfrak D}$ 被理解為客觀物理頻率或傾向，它仍然可以是某個明示域中的客觀概率。 因此： $$ \boxed{ \text{domain-relative} \neq \text{subjective}. } $$ --- # 5. 尺度不是裝飾：微觀、中觀、宏觀與全域必須被顯式索引 ## 5.1 尺度空間 本文不假設微觀、中觀、宏觀、全域是唯一固定的四層。 更一般地，令： $$ (\mathcal S,\preceq) $$ 為尺度偏序。 若某研究採四層表示，可以取： $$ s_{\mu} \preceq s_m \preceq s_M \preceq s_G. $$ 其中 $s_G$ 表示 explicitly global。 ## 5.2 全域顯式原則 ### 原則 5.1：Explicit Globality Principle 「全域」不是省略尺度後的預設值。 若概率陳述要被解讀為 global probability，則其判定索引必須包含明示的 global scope 或可證明等價的最大尺度對象。 因此： $$ P_{\mathfrak D_G}(A) $$ 是合法的全域概率表示，只要： $$ \mathfrak D_G = (X_G,\Sigma_G;r_G,s_G,c_G) $$ 已被明確指定。 本文不主張： $$ \text{global probability does not exist}. $$ 本文主張： $$ \boxed{ \text{global probability is a declared type, not an omitted qualifier.} } $$ --- # 6. 判定域之間的 morphism 與 transport witness ## 6.1 判定語境 category 令： $$ \mathbf K $$ 為判定索引 category。 其 object 是： $$ \kappa=(r,s,c), $$ 其 morphism： $$ \tau: \kappa \rightarrow \kappa' $$ 代表一個被允許的 reference、scale 或 context translation。 本文不固定 $\mathbf K$ 的唯一形式。不同領域可以使用 poset、typed graph、ordinary category、enriched category 或 site。 ## 6.2 判定域 morphism ### 定義 6.1：Judgment-Domain Morphism 令： $$ \mathfrak D = (X,\Sigma;\kappa) $$ 與： $$ \mathfrak E = (Y,\mathcal T;\lambda). $$ 一個判定域 morphism 是一對： $$ (f,\tau): \mathfrak D \rightarrow \mathfrak E, $$ 其中： $$ f: (X,\Sigma) \rightarrow (Y,\mathcal T) $$ 是 measurable map，而： $$ \tau: \kappa \rightarrow \lambda $$ 是判定索引的 admissible translation。 因此，我們要求： $$ \boxed{ \text{formal transport} + \text{judgment-index transport}. } $$ ## 6.3 Pushforward transport 若 $P_{\mathfrak D}$ 是 $X$ 上的概率測度，而 $f:X\rightarrow Y$ 可測，則標準 pushforward 為： $$ (f_{\#}P_{\mathfrak D})(B) = P_{\mathfrak D}(f^{-1}(B)). $$ 若 $\tau$ 也 admissible，則可記： $$ (\mathfrak D,P_{\mathfrak D}) \xRightarrow{(f_{\#},\tau)} (\mathfrak E,P_{\mathfrak E}), $$ 其中： $$ P_{\mathfrak E} = f_{\#}P_{\mathfrak D}. $$ ## 6.4 Markov-kernel transport 若域間轉換不是 deterministic map，而是一個 Markov kernel： $$ K: X \rightsquigarrow Y, $$ 則由 $P_{\mathfrak D}$ 得到： $$ P_{\mathfrak E}(B) = \int_X K(x,B) \,P_{\mathfrak D}(dx). $$ 判定域框架要求記錄： $$ (K,\tau), $$ 而不是只記 $K$。 --- # 7. 核心命題：局部概率一般不唯一決定全域概率 ## 7.1 局部延伸集合 設： $$ X_G = X_L \sqcup X_O, $$ 其中 $X_L$ 是局部子空間， $X_O$ 是外部補空間。 令 $P_L$ 為 $X_L$ 上已知的概率測度。 定義： $$ \operatorname{Lift}(P_L) = \left\{ Q: Q(\cdot\mid X_L)=P_L \right\}. $$ ## 7.2 命題 7.1：局部延伸不唯一 **命題。** 若 $X_O$ 支持至少一個概率測度 $R$，則對任意： $$ \alpha\in(0,1), $$ 定義： $$ Q_{\alpha,R}(A) = \alpha P_L(A\cap X_L) + (1-\alpha) R(A\cap X_O). $$ 則 $Q_{\alpha,R}$ 是 $X_G$ 上的概率測度，且： $$ Q_{\alpha,R} (\cdot\mid X_L) = P_L. $$ 因此，只要 $\alpha$ 或 $R$ 具有自由度， $\operatorname{Lift}(P_L)$ 一般不只含一個元素。 ### 證明 首先： $$ Q_{\alpha,R}(X_G) = \alpha P_L(X_L) + (1-\alpha)R(X_O) = 1. $$ 非負性與可列可加性直接由 $P_L$ 與 $R$ 的概率測度性質得到。 又： $$ Q_{\alpha,R}(X_L) = \alpha. $$ 對任意局部 measurable event $A\subseteq X_L$： $$ Q_{\alpha,R}(A) = \alpha P_L(A). $$ 因此： $$ Q_{\alpha,R}(A\mid X_L) = \frac{Q_{\alpha,R}(A)} {Q_{\alpha,R}(X_L)} = P_L(A). $$ 不同 $\alpha$ 或不同 $R$ 可以給出不同全域測度，故局部概率不能唯一決定全域概率。 $$ \boxed{\square} $$ ## 7.3 No-Smuggling Principle 若沒有明示的 transport / extension witness，則： $$ \boxed{ P_{\mathfrak D_L}(A)=p \quad \not\Rightarrow \quad P_{\mathfrak D_G}(\widetilde A)=p. } $$ 這裡的 $\not\Rightarrow$ 不是說所有 local-to-global lifting 都不可能，而是表示： $$ \boxed{ \text{local value alone does not entail the global value.} } $$ --- # 8. Conditioning、restriction 與 extension 必須分開 ## 8.1 從全域到局部 若已知： $$ (\Omega,\mathcal F,P) $$ 與： $$ B\in\mathcal F, \qquad P(B)>0, $$ 則： $$ P(A\mid B) = \frac{P(A\cap B)}{P(B)}. $$ 此方向是： $$ G \rightarrow L. $$ ## 8.2 從局部回全域 反方向： $$ L \rightarrow G $$ 一般不是前一步的逆函數。 知道 $P(\cdot\mid B)$ 並不能單獨恢復 $P$。命題 7.1 已給出最簡單的原因。 因此： $$ \boxed{ \text{conditioning is generally information-losing.} } $$ 而 extension 需要新增結構。 ## 8.3 零概率條件事件與 regular conditional probability 當： $$ P(B)=0 $$ 時，簡單比值公式不能直接使用。 更一般的 conditional probability 需要 regular conditional distributions、disintegration 或 kernel 等工具，而且其存在性與良好性依賴底層可測結構與正則性條件。 因此判定域框架不應發明一套取代 regular conditional probability 的簡化公式。 它應記錄： $$ \boxed{ \text{conditioning 使用了哪一個域、哪一個 kernel 與哪一組正則性條件。} } $$ --- # 9. 與 sheaf-theoretic local-to-global 的關係 ## 9.1 Sheaf 理論已經真正處理 local-to-global 在 sheaf-theoretic contextuality 中，局部 measurement contexts 上的資料可形成 compatible family，關鍵問題是： $$ \text{local compatible sections} \stackrel{?}{\longrightarrow} \text{global section}. $$ global section 的不存在形成 contextuality obstruction。 因此，如果本文只說： > 有時局部概率不能組成全域概率。 那麼新意非常弱。 ## 9.2 判定域的不同層位 判定域框架將問題拆成兩層。 第一層： $$ \text{Domain Typing} $$ 問： > 哪些 local objects 正在被比較？它們是否具有可對齊的 reference scope、scale 與 context type？ 第二層： $$ \text{Gluing / Extension} $$ 問： > 在型別已合法對齊後，這些 local probability objects 是否真的可以黏成 global object？ 因此： $$ \boxed{ \text{typing precedes gluing}. } $$ 若兩個局部概率本來就來自不可直接比較的判定域，那麼還沒有進入 sheaf gluing 問題。 --- # 10. 相同形式空間，不同判定域 ## 10.1 相同 $X$，不同 reference scope 令： $$ X = \{0,1\}. $$ 對研究 A： $$ r_A = \text{某醫院的患者}. $$ 對研究 B： $$ r_B = \text{全國患者}. $$ 則： $$ \mathfrak D_A = (X,2^X;r_A,s_A,c_A) $$ 與： $$ \mathfrak D_B = (X,2^X;r_B,s_B,c_B). $$ 形式 measurable space 完全相同，但： $$ \mathfrak D_A \neq \mathfrak D_B. $$ 所以： $$ P_{\mathfrak D_A}(1)=0.8 $$ 不能僅因 outcome label 相同，就被讀成： $$ P_{\mathfrak D_B}(1)=0.8. $$ ## 10.2 相同 reference scope，不同尺度 同一家公司可能研究： - 單一客服 agent 的成功率； - 一組 agent 的任務成功率； - 整體流程的完成率。 三者都可能二值化成： $$ \{\mathrm{success},\mathrm{failure}\}, $$ 但其 scale 不同。 把三者都壓成： $$ P(\mathrm{success}) $$ 會隱去跨尺度聚合所需的結構。 ## 10.3 相同 reference scope 與尺度，不同 context 即使對象與尺度相同，下列條件也可能改變概率： - sampling protocol； - 時間窗； - 干預條件； - 模型版本； - AI memory state； - prompt； - 工具可用性。 因此 context 不是附註，而可以直接改變： $$ P_{\mathfrak D}. $$ --- # 11. 判定域等價 若判定域只會增加標籤，而沒有等價概念，框架會迅速失控。 ### 定義 11.1：判定域等價 設： $$ \mathfrak D = (X,\Sigma;\kappa), $$ $$ \mathfrak E = (Y,\mathcal T;\lambda). $$ 若存在 measurable isomorphism： $$ f: (X,\Sigma) \cong (Y,\mathcal T) $$ 以及判定索引 equivalence： $$ \tau: \kappa \simeq \lambda, $$ 則稱： $$ \mathfrak D \simeq \mathfrak E. $$ 若同時： $$ P_{\mathfrak E} = f_{\#}P_{\mathfrak D}, $$ 則兩個域索引概率模型可視為同一概率內容的不同表示。 因此判定域框架要求： $$ \boxed{ \text{先區分，再辨識合法等價。} } $$ --- # 12. 容器論的正式位置 本文把一個概率命題的容器拆成四種邊界。 ## 12.1 形式 carrier $$ X $$ 回答： > 哪些 elementary states / outcomes 被表示？ ## 12.2 Measurable event structure $$ \Sigma $$ 回答： > 哪些集合被允許成為可測事件？ ## 12.3 Reference container $$ r $$ 回答： > 這個形式模型聲稱代表哪一個現實集合或目標系統？ ## 12.4 Scale-context container $$ (s,c) $$ 回答： > 這個概率在什麼尺度與什麼生成／觀測條件中有效？ 因此本文的「容器論」不是在 $X$ 外面再無限套集合，而是把一個概率命題的四種邊界分離： $$ \boxed{ \text{formal state boundary} + \text{measurability boundary} + \text{reference boundary} + \text{scale-context boundary}. } $$ --- # 13. 判定域與幾何空間的接口 令所有判定域形成： $$ \mathbf{JDom}. $$ 存在尺度投影： $$ \pi_S: \mathbf{JDom} \rightarrow \mathcal S, $$ 參考投影： $$ \pi_R: \mathbf{JDom} \rightarrow \mathcal R, $$ 以及語境投影： $$ \pi_C: \mathbf{JDom} \rightarrow \mathcal C. $$ 每個尺度 $s\in\mathcal S$ 上可以考慮 fiber： $$ \mathbf{JDom}_s = \pi_S^{-1}(s). $$ 這給出後續多尺度概率幾何的最小接口： $$ \boxed{ \text{domains arranged over a scale space}. } $$ 如果再加入 metric、topology、graph distance、information distance、refinement order 或 coarse-graining maps，判定域集合才真正開始形成幾何。 本文暫不把這些結構預設為必然。 --- # 14. 與 AI 概率場的第一個交點 考慮同一 AI model 的： $$ P_{\mathrm{token}}, $$ $$ P_{\mathrm{semantic}}, $$ $$ P_{\mathrm{strategy}}, $$ $$ P_{\mathrm{task}}, $$ $$ P_{\mathrm{success}}. $$ 這些對象不是自動活在同一判定域。 例如 token distribution 可能位於單次生成步驟的微觀狀態空間，而 strategy distribution 可能需要跨完整回答分類後才能定義。 因此更嚴格的表示應為： $$ P_{\mathfrak D_{\mathrm{token}}}, \qquad P_{\mathfrak D_{\mathrm{semantic}}}, \qquad P_{\mathfrak D_{\mathrm{strategy}}}, \qquad P_{\mathfrak D_{\mathrm{task}}}. $$ 若要把低層概率提升成高層概率，必須指定： $$ T_{\mathrm{token}\rightarrow\mathrm{semantic}}, $$ $$ T_{\mathrm{semantic}\rightarrow\mathrm{strategy}}, $$ 等等。 這些 $T$ 可能是 deterministic classification map、stochastic classifier、learned kernel、aggregation rule 或 latent-variable model。 因此： $$ \boxed{ \text{AI probability field} } $$ 可以被重新理解成： $$ \boxed{ \text{a family of domain-indexed probability objects connected by explicit transports}. } $$ --- # 15. 何時可以省略域下標？ ### 原則 15.1：Recoverable-Domain Convention 若一個證明、模型或章節已固定唯一判定域： $$ \mathfrak D, $$ 且中途沒有 scale、reference 或 context shift，則可將： $$ P_{\mathfrak D}(A) $$ 簡寫為： $$ P(A). $$ 只有當發生以下情況時，域下標必須恢復： - 跨域比較； - 跨尺度聚合； - global claim； - domain extension； - conditioning 到不同 reference class； - 模型或 protocol 改變； - 多 probability spaces 同時出現。 因此本文反對的不是 notation suppression，而是： $$ \boxed{ \text{semantic suppression being mistaken for logical equivalence}. } $$ --- # 16. 判定域合法性：v0.1.0 的必要條件 ## 16.1 可測合法性 $(X,\Sigma)$ 必須是所採概率框架允許的 measurable carrier，或明確說明正在使用其他廣義概率結構。 ## 16.2 參考可辨識性 $r$ 必須足以區分概率陳述真正指向的 reference scope。 ## 16.3 尺度可辨識性 $s$ 必須在當前 scale system 中具有可解釋位置。 ## 16.4 語境可重建性 $c$ 至少要記錄會實質改變概率分布的生成與觀測條件。 ## 16.5 轉移可審計性 若結論使用了另一判定域的概率，必須能指出： $$ T: \mathfrak D \rightarrow \mathfrak E. $$ 如果 $T$ 只是 heuristic aggregation，也必須明示 heuristic status。 --- # 17. 定理、標準工具、提案與猜想的分層 ## 17.1 標準外部工具 以下不是本文原創： - measurable spaces； - probability measures； - conditioning； - pushforward measures； - regular conditional probability； - Markov kernels； - disintegration； - sheaf gluing； - global-section obstruction； - Markov categories。 ## 17.2 本文新定義／提案 本文提出： - 判定索引 $\kappa=(r,s,c)$ ； - 判定域 $\mathfrak D=(X,\Sigma;\kappa)$ ； - 域索引概率記號 $P_{\mathfrak D}$ ； - Domain Typing Principle； - Explicit Globality Principle； - No-Smuggling Principle； - 判定域 morphism 同時包含 formal map 與 judgment-index translation。 這些目前是 proposed formalism，不宣稱已成為標準概率公理。 ## 17.3 本文已證命題 本文證明： > 在具有外部補空間自由度的基本情況下，同一局部條件概率可以由多個不同全域概率測度誘導。 因此： $$ \boxed{ \text{local probability alone generally does not determine a unique global probability}. } $$ ## 17.4 尚未證明的研究命題 後續仍需研究： 1. 判定索引 category 是否存在自然最小公理； 2. scale refinement 是否應形成 poset、lattice 或 site； 3. 何種 domain morphism 應被視為概率等價； 4. local-to-global lifting 是否可建立一般 obstruction theory； 5. 判定域是否可與 probability sheaves 建立 functorial coupling； 6. 判定域的 recursive probability order 如何與 probability monad 對接； 7. 動態判定域如何保證跨時間概率可比較性。 --- # 18. 與既有框架的關係表 | 問題 | 既有典型工具 | 判定域框架新增的問題 | |---|---|---| | 固定空間上的概率 | Kolmogorov probability space | 這個空間為何代表當前 reference scope？ | | 隨機映射 | Markov kernel | 此 kernel 是否跨越合法的 scale/context boundary？ | | 全域到局部 | conditioning / restriction | 局部域的 reference 與 scale 如何標記？ | | 局部到全域 | extension / gluing | 哪種 lifting 被允許？是否有 scope smuggling？ | | contextuality | sheaf global-section obstruction | 在進入 gluing 前，各 local contexts 是否已 type-aligned？ | | sample spaces 上的概率概念 | probability sheaves | 額外加入 reference/scale/model judgment index | | 多尺度 AI 分布 | hierarchical / latent / empirical distributions | 每層分布的域與跨層 transport 如何顯式化？ | | 全域概率 | global probability model | global 必須是 declared scope，而非省略下標 | --- # 19. 三種常見的概率域偷渡 ## 19.1 子群體到母體 已知某子群體： $$ P_{\mathfrak D_L}(A)=0.8. $$ 直接省略下標並在下一段把它解讀成整體母體概率，錯誤不在 $0.8$，而在： $$ \mathfrak D_L \rightarrow \mathfrak D_G $$ 沒有 transport witness。 ## 19.2 單次 AI 條件到模型本體 對某 model、prompt、memory state 重跑得到： $$ P_{\mathfrak D_c}(\mathrm{strategy}=S)=0.6. $$ 若直接聲稱： > 此模型有 $60\%$ 機率採取策略 $S$。 便可能把特定 $c$ 偷渡成模型的全域本性。 ## 19.3 微觀成功到宏觀有效 某政策使部分個體成功率提高： $$ P_{\mathfrak D_{\mu}}(\mathrm{benefit})>0. $$ 不能直接推出： $$ P_{\mathfrak D_M}(\mathrm{system\ effective})>0. $$ 因為宏觀事件的定義、聚合權重、成本與交互作用都可能不同。 這不是說宏觀結論一定相反，而是說： $$ \boxed{ \text{跨尺度需要模型。} } $$ --- # 20. 下一步：從判定域到局部–全域合法性與尺度幾何 下一篇 Paper 03 將集中處理： $$ \boxed{ \text{local probability} \leftrightarrow \text{global probability} } $$ 之間的 restriction、pushforward、extension、aggregation 與 lifting legality。 Paper 04 再把所有判定域放入尺度結構： $$ \mathfrak D_{\mu} \rightarrow \mathfrak D_m \rightarrow \mathfrak D_M \rightarrow \mathfrak D_G, $$ 並研究 scale refinement、coarse-graining、upward aggregation、downward traceability、scale distortion 與 probability transport geometry。 因此系列目前形成： $$ \boxed{ \text{History} \rightarrow \text{Judgment Domain} \rightarrow \text{Local--Global Legality} \rightarrow \text{Multi-Scale Geometry} \rightarrow \text{Recursive Probability Fields}. } $$ --- # 21. 結論 本文的核心並不是： $$ \text{「概率是錯的」}. $$ 也不是： $$ \text{「Kolmogorov 空間缺少 domain」}. $$ 標準概率論已具有精確的： $$ (\Omega,\mathcal F,P). $$ 本文真正提出的是： $$ \boxed{ \text{概率空間的形式定義} \neq \text{概率空間的科學判定型別}. } $$ 為此，本文定義： $$ \mathfrak D = (X,\Sigma;r,s,c) $$ 作為前概率判定域，並把概率寫成： $$ P_{\mathfrak D}. $$ 其目的不是讓所有普通概率計算變得冗長，而是在跨域時強迫模型回答： $$ \boxed{ \text{在談誰？} } $$ $$ \boxed{ \text{在哪個尺度？} } $$ $$ \boxed{ \text{在什麼觀測／建模語境？} } $$ 若概率要從一個域移動到另一個域，還必須回答： $$ \boxed{ \text{靠什麼合法轉移？} } $$ 因此，概率陳述的完整結構被改寫為： $$ \boxed{ \text{Judgment Domain} + \text{Probability Object} + \text{Transport Witness}. } $$ 局部延伸不唯一命題進一步證明：即使一個局部概率模型完全已知，也通常存在多個不同的全域 extension。故： $$ \boxed{ \text{local probability alone} \not\Rightarrow \text{unique global probability}. } $$ 後續研究將不再先問： > 一個 $0.7$ 到底是不是概率？ 而會先問： > $0.7$ 是哪一個域中的概率？該域如何形成？它能否被合法 transport 到另一個域？如果不能，為什麼？ 這正是「概率之前的容器、空間與量詞」被形式化後所帶來的第一個結構轉換。 --- # 參考文獻 [1] Neo.K. (2026). 《概率論的歷史、學派與前沿分歧：從機會計算到高階與範疇概率》. JDPSP-01, EveMissLab. [2] Kolmogorov, A. N. (1933). *Grundbegriffe der Wahrscheinlichkeitsrechnung*. Berlin: Springer. [3] Giry, M. (1982). A Categorical Approach to Probability Theory. In *Categorical Aspects of Topology and Analysis*, Lecture Notes in Mathematics 915, 68--85. DOI: 10.1007/BFb0092872. [4] Abramsky, S., & Brandenburger, A. (2011). The Sheaf-Theoretic Structure of Non-Locality and Contextuality. *New Journal of Physics*, 13, 113036. DOI: 10.1088/1367-2630/13/11/113036. [5] Simpson, A. (2017). Probability Sheaves and the Giry Monad. *CALCO 2017*, LIPIcs 72, 1:1--1:6. DOI: 10.4230/LIPIcs.CALCO.2017.1. [6] Fritz, T. (2020). A Synthetic Approach to Markov Kernels, Conditional Independence and Theorems on Sufficient Statistics. *Advances in Mathematics*, 370, 107239. DOI: 10.1016/j.aim.2020.107239. [7] Heunen, C., Kammar, O., Staton, S., & Yang, H. (2017). A Convenient Category for Higher-Order Probability Theory. *LICS 2017*. DOI: 10.1109/LICS.2017.8005137. [8] Vákár, M., & Ong, L. (2019). On S-Finite Measures and Kernels. *Electronic Notes in Theoretical Computer Science*, 336, 285--312. arXiv:1810.01837. [9] Stein, D. (2025). Random Variables, Conditional Independence and Categories of Abstract Sample Spaces. arXiv:2503.02477. [10] Williams, T., Doosti, M., & Shahandeh, F. (2026). Sheaf-Theoretic Preparation Contextuality. arXiv:2605.00975. --- # Appendix A. 最小符號表 | 符號 | 意義 | |---|---| | $(X,\Sigma)$ | 形式可測空間 | | $r$ | reference scope | | $s$ | scale index | | $c$ | observation / modeling context | | $\kappa=(r,s,c)$ | 判定索引 | | $\mathfrak D=(X,\Sigma;\kappa)$ | 判定域 | | $P_{\mathfrak D}$ | 判定域索引概率 | | $(f,\tau)$ | 判定域 morphism | | $f_{\#}P$ | pushforward probability | | $K:X\rightsquigarrow Y$ | Markov kernel | | $\operatorname{Lift}(P_L)$ | 可恢復局部概率的全域 lifts 集合 | | $\mathcal S$ | scale system | | $\mathbf{JDom}$ | 判定域 collection / future category | # Appendix B. 最小公理化草案 ### JD-1：Domain Declaration 每個跨域可見的概率對象都應具有可恢復的： $$ \mathfrak D. $$ ### JD-2：Reference Declaration 每個 $\mathfrak D$ 都必須指明： $$ r. $$ ### JD-3：Scale Declaration 若研究涉及多尺度，則每個 $\mathfrak D$ 必須指明： $$ s. $$ ### JD-4：Context Declaration 所有會實質改變分布的觀測、生成或模型條件應進入： $$ c. $$ ### JD-5：Transport Witness 若： $$ \mathfrak D \neq \mathfrak E, $$ 則從 $P_{\mathfrak D}$ 推到 $P_{\mathfrak E}$ 時，必須指出： $$ T_{\mathfrak D\rightarrow\mathfrak E}. $$ ### JD-6：Explicit Globality 若一個概率陳述宣稱 global validity，則 global scope 必須是判定域中的顯式結構，而不是由省略 local qualifier 得到。 這六條目前是 framework requirements，而不是聲稱取代 Kolmogorov axioms 的概率公理。