# 抽象前沿—實在前沿速度不對稱 ## 有限智能體下候選生成、實證驗證與物理實現的吞吐量差、前沿壓力與移動目標定理 **English Title:** *Abstract–Empirical Frontier Rate Asymmetry: Candidate Generation, Empirical Validation, Physical Realization, and Moving-Target Backlogs under Finite Resources* **Series:** Reality–Abstraction Asymmetry and Meta-Causal Grounding Series **Paper:** 04 **Author:** Neo.K **Institution:** EveMissLab / 一言諾科技有限公司 **Version:** v0.1 **Date:** 2026-08-14 **Theoretical status:** conditional dynamical framework and backlog theorems; no claim that abstract domains are universally larger or intrinsically faster than realized domains --- ## 摘要 本文研究一個比「抽象域是否大於實在域」更精確的問題：在有限智能體、有限觀察頻寬、有限實驗設備與有限物理資源下，**可生成的抽象候選前沿、可實證驗證的前沿與可物理實現的前沿，其增長速度是否可能長期不對稱？** 本文拒絕直接比較： $$ |\mathcal A| \quad\text{與}\quad |\mathcal R|, $$ 因為抽象域與實在域的元素型別、測度、等價準則與可接取條件並不天然同質。本文改以動態 throughput framework 定義三個經過品質／合法性過濾的累積前沿： $$ A(t) = \text{qualified abstract candidates generated by time }t, $$ $$ V(t) = \text{candidates empirically or formally validated by time }t, $$ $$ R(t) = \text{candidates physically realized by time }t. $$ 並定義瞬時速率： $$ \lambda_A(t) = \frac{dA}{dt}, $$ $$ \mu_V(t) = \frac{dV}{dt}, $$ $$ \mu_R(t) = \frac{dR}{dt}. $$ 本文強調： $\lambda_A$ 必須是經 novelty、nontriviality、admissibility 與 duplication filters 後的**有效候選到達率**，而不是無意義文字產生率。2026 年 AI-generated hypothesis / autonomous-discovery 文獻已明確指出：一旦 hypothesis generation 被大規模自動化，如果 experimental evaluation 沒有同步擴展，科學瓶頸會向下游移到候選的測試、淘汰與精煉。2025 年 LeanConjecturer 亦提供數學領域的具體例子：系統從 40 個 Mathlib seed files 產生 12,289 個 conjectures，其中 3,776 個被判定為 syntactically valid 且 non-trivial。這些結果不證明抽象前沿必然快於實驗前沿，但說明「候選生成可以被大規模加速，而驗證仍需獨立資源」已成為實際研究問題。 本文定義兩個 backlog： $$ B_{AV}(t) = A(t)-V(t), $$ $$ B_{AR}(t) = A(t)-R(t), $$ 以及 frontier-pressure ratios： $$ \Pi_{AV}(t) = \frac{\lambda_A(t)} {\mu_V(t)}, $$ $$ \Pi_{AR}(t) = \frac{\lambda_A(t)} {\mu_R(t)}, $$ 在分母正值時成立。 本文證明「持續前沿壓力定理」：若存在 $t_0$ 與 $\delta>0$，使所有 $t\ge t_0$： $$ \lambda_A(t) - \mu_V(t) \ge \delta, $$ 則： $$ B_{AV}(t) \ge B_{AV}(t_0) + \delta(t-t_0), $$ 所以未驗證候選 backlog 至少線性增長。對 realization 同理。若候選生成採有效 branching process，且有效候選數以超線性或指數形式增長，而驗證／實現吞吐量僅多項式或近線性增加，則 backlog 可更快發散。這是本文所謂「移動抽象前沿」的嚴格版本： $$ \boxed{ \text{realization can chase a frontier whose qualified candidate set grows faster than its service capacity}. } $$ 本文進一步建立**成本版本**。令每個 qualified abstract candidate 的平均生成成本為 $c_A(t)$，有效驗證成本為 $c_V(t)$，物理實現成本為 $c_R(t)$。在單位時間可分配資源預算 $B_A,B_V,B_R$ 下： $$ \lambda_A \lesssim \frac{B_A}{c_A}, $$ $$ \mu_V \lesssim \frac{B_V}{c_V}, $$ $$ \mu_R \lesssim \frac{B_R}{c_R}. $$ 因此速度不對稱的真正來源不必是「抽象比物質更高等」，而可以只是： $$ \boxed{ \frac{B_A}{c_A} > \frac{B_V}{c_V}, \quad \text{or} \quad \frac{B_A}{c_A} > \frac{B_R}{c_R}. } $$ 這使本框架完全相容於物理主義：即使所有抽象生成最後都由物理載體執行，候選提出、嚴格驗證與實體製造仍然可能具有高度不同的資源成本。 為避免「生成垃圾也算前沿」的問題，本文定義 qualified frontier operator： $$ Q_A = F_{\mathrm{nov}} \circ F_{\mathrm{nontriv}} \circ F_{\mathrm{adm}} \circ F_{\mathrm{dedup}}, $$ 只有通過過濾的候選才計入 $A(t)$。本文也區分形式驗證、經驗驗證與物理 realization：數學 proof verification 可能遠快於濕實驗，也可能在 open problem 上遠慢於 conjecture generation；不同領域的 $\Pi$ 因而可以大於、等於或小於 $1$。 本文最後提出「Abstract–Empirical Frontier Asymmetry Hypothesis, AEFAH」的條件式版本：存在某些有限研究制度與時間區間，使經過品質過濾的抽象候選到達率穩定高於實證驗證率或物理實現率： $$ \boxed{ \exists I: \quad \lambda_A(t) > \min\{\mu_V(t),\mu_R(t)\} \quad \forall t\in I. } $$ 這不是普遍宇宙定律，而是一個可以用科學工作流、AI hypothesis generation、數學 conjecture generation、材料探索與工程 realization 系統實際測量的動態假說。 本文的最終結論是： $$ \boxed{ \text{abstract frontier advantage} \neq \text{abstract ontological superiority}. } $$ 即使長期觀察到 $\Pi_{AV}>1$ 或 $\Pi_{AR}>1$，首先證明的也是**研究系統的生成—驗證—實現吞吐量不對稱**，而不是抽象域在本體上「比實在域更大」。但若這種不對稱在大量異質研究制度中穩健出現，它會成為任何「抽象域完全等同於已實現物質域」理論必須解釋的重要現象。 **關鍵詞：** 抽象前沿、實證前沿、候選生成、驗證吞吐量、物理實現、前沿壓力、backlog、AI 科學家、假說生成、數學猜想、有限智能體 --- # 1. 原始直覺需要降階 最原始的直覺是： $$ \boxed{ V_A(t) > V_O(t). } $$ 即： > 抽象域增長比實在觀察域快。 但這句話至少有四個問題： 1. $V_A$ 與 $V_O$ 的元素是否同型？ 2. 「抽象增長」是候選數、定理數、概念數還是可能性數？ 3. 「觀察增長」是資料量、可辨識狀態數還是驗證完成數？ 4. 大量無效猜想是否也被算進抽象前沿？ 因此本文不直接使用這個粗糙不等式。 --- # 2. 從集合大小改成工作流吞吐量 本文比較的不是： $$ |\mathcal A| \quad\text{與}\quad |\mathcal R|. $$ 而是： $$ \boxed{ \text{qualified candidate arrival rate} } $$ 與： $$ \boxed{ \text{validation / realization service rate}. } $$ 這是一個動態研究系統問題。 --- # 3. Finite Research System 定義： $$ \boxed{ \mathbb S_t = ( S_t, C_t, E_t, L_t, B_t ). } $$ 其中： - $S_t$：有限智能體／研究集體； - $C_t$：計算資源； - $E_t$：實驗與儀器資源； - $L_t$：已有知識、理論與資料； - $B_t$：可分配總資源預算。 所有速率都必須相對： $$ \mathbb S_t. $$ 因此不存在脫離研究制度的單一： $$ V_A. $$ --- # 4. Abstract Candidate 令： $$ h $$ 表示一個 abstract candidate。 它可以是： - hypothesis； - conjecture； - theorem candidate； - model； - mechanism； - design； - mathematical structure； - counterfactual scenario； - candidate law。 但「任何字串」不能自動算 candidate。 --- # 5. Qualified Candidate Operator 定義： $$ \boxed{ Q_A = F_{\mathrm{nov}} \circ F_{\mathrm{nontriv}} \circ F_{\mathrm{adm}} \circ F_{\mathrm{dedup}}. } $$ 其中： - $F_{\mathrm{dedup}}$：去除重複； - $F_{\mathrm{adm}}$：基本合法性； - $F_{\mathrm{nontriv}}$：排除顯然平凡項； - $F_{\mathrm{nov}}$：相對知識庫的新穎性／非同義性。 只有： $$ Q_A(h)=1 $$ 的候選才進入抽象前沿計數。 --- # 6. Qualified Abstract Frontier 令： $$ \boxed{ \mathcal F_A(t) } $$ 為時間 $t$ 前已產生、通過 $Q_A$，但不要求已驗證的 qualified abstract candidates 集合。 其累積數： $$ \boxed{ A(t) = |\mathcal F_A(t)| } $$ 在有限 benchmark 中使用。 若集合巨大或連續，可改用： - covering number； - entropy； - dimension； - complexity-weighted measure。 --- # 7. Validated Frontier 定義： $$ \boxed{ \mathcal F_V(t) \subseteq \mathcal F_A(t) } $$ 為已完成指定 validation certificate 的 candidates。 validation 可以是： - formal proof； - counterexample search； - empirical experiment； - replication； - cross-validation； - causal intervention； - independent instrument check。 令： $$ \boxed{ V(t) = |\mathcal F_V(t)|. } $$ --- # 8. Realized Frontier 定義： $$ \boxed{ \mathcal F_R(t) } $$ 為已被實現成符合指定 fidelity threshold 的 realized structures / designs。 令： $$ \boxed{ R(t) = |\mathcal F_R(t)|. } $$ 這裡 realization 不等於 validation。 一個 design 可以被做出來但理論未被驗證； 一個 mathematical conjecture 可以被證明但沒有任何 physical realization requirement。 --- # 9. 三種速率 若適當可微： $$ \boxed{ \lambda_A(t) = \frac{dA}{dt} } $$ 為 qualified candidate generation rate。 $$ \boxed{ \mu_V(t) = \frac{dV}{dt} } $$ 為 validation completion rate。 $$ \boxed{ \mu_R(t) = \frac{dR}{dt} } $$ 為 realization completion rate。 離散時間則改用： $$ \Delta A_t, \quad \Delta V_t, \quad \Delta R_t. $$ --- # 10. 不能直接假設 $\lambda_A>\mu_V$ 本文不把： $$ \lambda_A>\mu_V $$ 寫成公理。 不同領域可能相反。 例如： - 一個很窄的 formal theory 可能 verifier 很快； - 某些實驗可高通量； - 高品質 conjecture generation 可能極難； - 某些 fabrication pipeline 已高度自動化。 所以真正主張必須是條件式。 --- # 11. Frontier Pressure Ratios 在分母正值時，定義： $$ \boxed{ \Pi_{AV}(t) = \frac{\lambda_A(t)} {\mu_V(t)} } $$ 與： $$ \boxed{ \Pi_{AR}(t) = \frac{\lambda_A(t)} {\mu_R(t)}. } $$ 若： $$ \Pi_{AV}>1, $$ qualified candidates 的到達速度快於 validation。 若： $$ \Pi_{AR}>1, $$ qualified candidates 的到達速度快於 realization。 --- # 12. Backlog 定義未驗證 backlog： $$ \boxed{ B_{AV}(t) = A(t)-V(t). } $$ 定義未實現 backlog： $$ \boxed{ B_{AR}(t) = A(t)-R(t) } $$ 在所有 validated / realized objects 都來自 candidate pool 的簡化模型下。 更一般需追蹤 rejection 與 retirement。 --- # 13. 加入 Reject / Retire 令： $$ J(t) $$ 為被明確 reject 的 candidates， $$ D(t) $$ 為被 deduplicate / deprecated / merged 的 candidates。 active validation backlog： $$ \boxed{ Q_V(t) = A(t)-V(t)-J(t)-D(t). } $$ 所以： $$ \boxed{ \text{candidate generation} \neq \text{permanent open-question growth}. } $$ 淘汰本身就是 progress。 --- # 14. Queue Equation active backlog 的連續近似： $$ \boxed{ \frac{dQ_V}{dt} = \lambda_A - \mu_V - \mu_J - \mu_D. } $$ 若把 rejection 也視為 successful adjudication， 可定義總 adjudication rate： $$ \boxed{ \mu_{\mathrm{adj}} = \mu_V+\mu_J+\mu_D. } $$ 此時： $$ \frac{dQ_V}{dt} = \lambda_A - \mu_{\mathrm{adj}}. $$ --- # 15. 持續前沿壓力定理 **定理 1（Persistent Frontier Pressure）** 若存在： $$ t_0 $$ 與： $$ \delta>0 $$ 使對所有： $$ t\ge t_0, $$ 都有： $$ \lambda_A(t) - \mu_{\mathrm{adj}}(t) \ge \delta, $$ 則： $$ \boxed{ Q_V(t) \ge Q_V(t_0) + \delta(t-t_0). } $$ **證明。** 由： $$ \frac{dQ_V}{dt} \ge \delta, $$ 在 $[t_0,t]$ 積分： $$ Q_V(t)-Q_V(t_0) \ge \delta(t-t_0). $$ 證畢。 --- # 16. 定理 1 的意思 如果： $$ \boxed{ \text{qualified generation rate} > \text{total adjudication rate} } $$ 持續成立， 那未處理候選不會因「我們一直研究」而自動消失。 它反而持續累積。 這才是： $$ \boxed{ \text{moving frontier} } $$ 最簡單的數學版本。 --- # 17. Realization Backlog 定理 同理，若： $$ \lambda_A(t) - \mu_R(t) \ge \delta_R>0, $$ 則： $$ \boxed{ B_{AR}(t) \ge B_{AR}(t_0) + \delta_R(t-t_0). } $$ 但這只有在： $$ \mathcal F_A $$ 中的 candidates 都有 realization target 時才適用。 純數學 candidate 不應被強迫進入 $\mu_R$。 --- # 18. Typed Candidate Sectors 因此將抽象候選分 sector： $$ \boxed{ \mathcal F_A = \mathcal F_A^{\mathrm{math}} \cup \mathcal F_A^{\mathrm{emp}} \cup \mathcal F_A^{\mathrm{design}} \cup \mathcal F_A^{\mathrm{modal}} \cup\cdots } $$ 各 sector 有不同 service channel： $$ \mu_V^{(k)}, \quad \mu_R^{(k)}. $$ 不能用一個實驗 rate 驗證全部 abstract objects。 --- # 19. Cost Model 速率差真正可能來自成本差。 令平均 qualified candidate generation cost： $$ \boxed{ c_A(t)>0. } $$ 平均 adjudication cost： $$ \boxed{ c_V(t)>0. } $$ 平均 physical realization cost： $$ \boxed{ c_R(t)>0. } $$ --- # 20. Resource Budgets 令單位時間資源分配為： $$ B_A(t), \quad B_V(t), \quad B_R(t). $$ 則理想上限近似： $$ \boxed{ \lambda_A(t) \lesssim \frac{B_A(t)}{c_A(t)}, } $$ $$ \boxed{ \mu_V(t) \lesssim \frac{B_V(t)}{c_V(t)}, } $$ $$ \boxed{ \mu_R(t) \lesssim \frac{B_R(t)}{c_R(t)}. } $$ --- # 21. Cost-Asymmetry Condition 若： $$ \frac{B_A}{c_A} > \frac{B_V}{c_V}, $$ 則 generation-side capacity 可以高於 validation-side capacity。 若： $$ \frac{B_A}{c_A} > \frac{B_R}{c_R}, $$ 則 generation-side capacity 可以高於 realization-side capacity。 因此： $$ \boxed{ \text{rate asymmetry} } $$ 不需要任何 abstract-superiority metaphysics。 --- # 22. 物理主義完全可以接受這一點 即使： $$ \mathcal A $$ 中的所有 candidate generation 都由： - brains； - computers； - AI accelerators； 物理實現， 仍可能： $$ c_A \ll c_R. $$ 例如產生： > 一百萬個候選材料組成。 可能比實際： > 合成、純化、量測與驗證一百萬個材料。 便宜很多。 所以： $$ \boxed{ \text{physical realization of abstraction} } $$ 與： $$ \boxed{ \text{physical realization of every abstract candidate} } $$ 是兩件事。 --- # 23. Candidate Generation 也不是免費 反方向也必須承認： $$ c_A>0. $$ 對有限智能體： $$ \lambda_A<\infty $$ 在每個有限時間通常成立。 所以本文不使用： $$ \boxed{ \text{abstract generation is literally infinite at finite time}. } $$ --- # 24. Potential Frontier 與 Actual Generated Frontier 需要區分： $$ \boxed{ \mathcal P_A(t) } $$ ——當前規則下可構造／可枚舉的 potential candidate space， 以及： $$ \boxed{ \mathcal F_A(t) } $$ ——實際已生成並通過 qualification 的 candidates。 可能： $$ |\mathcal P_A(t)| \gg |\mathcal F_A(t)|. $$ 所以 potential combinatorics 不能直接當實際 research throughput。 --- # 25. Branching Abstract Generator 令每個 qualified candidate 平均可產生： $$ b>1 $$ 個新的、通過 deduplication 的 candidate descendants。 若 generation depth 為 $n$： $$ \boxed{ A_n \ge A_0b^n } $$ 在理想獨立 branching 下。 這只是一個條件模型， 不是所有抽象研究的普遍動力學。 --- # 26. Polynomial Service 若 adjudication capacity 滿足： $$ V_n \le Cn^p, $$ 而： $$ A_n \ge A_0b^n, \qquad b>1, $$ 則： $$ \boxed{ A_n-V_n \rightarrow \infty. } $$ 因為 exponential 最終支配 polynomial。 --- # 27. Branching–Service Divergence Theorem **定理 2** 若： $$ A_n \ge A_0b^n, \quad b>1, $$ 且： $$ V_n \le Cn^p, $$ 則： $$ \boxed{ \lim_{n\to\infty} (A_n-V_n) = \infty. } $$ 這提供： $$ \boxed{ \text{combinatorial candidate expansion} + \text{subexponential validation} \Rightarrow \text{diverging backlog}. } $$ --- # 28. 但 Branching 可能被大量剪枝 實際： $$ Q_A $$ 會造成： - duplicate collapse； - contradiction rejection； - low-interest pruning； - feasibility rejection。 所以 effective branching factor： $$ \boxed{ b_{\mathrm{eff}} } $$ 才重要。 若： $$ b_{\mathrm{eff}}\le1, $$ 則 theorem 2 的 exponential conclusion 不成立。 --- # 29. Interestingness Filter 數學自動 discovery 已經遇到： > 能生成很多 object / theorem candidates，不等於生成值得研究的東西。 因此可以加入： $$ \boxed{ F_{\mathrm{int}}(h) } $$ 表示 interestingness / research-value filter。 qualified operator 改成： $$ \boxed{ Q_A = F_{\mathrm{int}} \circ F_{\mathrm{nov}} \circ F_{\mathrm{nontriv}} \circ F_{\mathrm{adm}} \circ F_{\mathrm{dedup}}. } $$ --- # 30. 生成量不等於前沿品質 若 AI 每秒生成： $$ 10^6 $$ 個低品質 hypotheses， 但只有： $$ 10 $$ 個通過 $Q_A$， 則真正： $$ \lambda_A $$ 應以： $$ 10 $$ 計。 因此： $$ \boxed{ \text{raw generation rate} \neq \text{qualified frontier rate}. } $$ --- # 31. 2026 Hypothesis-Generation 文獻的直接警告 2026 年 autonomous-discovery perspective 明確指出： 若 AI hypothesis generation 被規模化， experimental evaluation 也必須同步規模化。 否則： $$ \boxed{ \text{abundance of untested hypotheses} } $$ 會把 bottleneck 推向： - testing； - refinement； - rejection。 這與本文的： $$ Q_V $$ 完全同型。 --- # 32. 這是工作流證據，不是 ontology 證據 該文獻支持： $$ \boxed{ \lambda_A \text{ can be technologically increased}. } $$ 以及： $$ \boxed{ \mu_V \text{ may become downstream bottleneck}. } $$ 它不支持： $$ \boxed{ |\mathcal A|>|\mathcal R|. } $$ 本文刻意保持這個界線。 --- # 33. LeanConjecturer 的案例 2025 年 LeanConjecturer 從： $$ 40 $$ 個 Mathlib seed files 產生： $$ 12{,}289 $$ 個 conjectures。 其中： $$ 3{,}776 $$ 被報告為 syntactically valid 且 non-trivial。 這顯示： $$ \boxed{ \text{formal candidate generation} } $$ 可以被大規模化。 但： $$ 3{,}776 $$ 也不是： $$ 3{,}776 $$ 個已證重要新定理。 qualification 還可以有更多層。 --- # 34. Mathematics 的特殊性 數學 verification 可以是： $$ \boxed{ \text{formal proof checking}. } $$ 這與濕實驗不同。 因此某些數學 sector 可能有： $$ c_V^{\mathrm{math}} \ll c_V^{\mathrm{lab}}. $$ 但 open theorem discovery 中： $$ \boxed{ \text{proof search} } $$ 本身仍可能比 conjecture proposal 困難很多。 所以： $$ \Pi_{AV}^{\mathrm{math}} $$ 需實測。 --- # 35. Fermat / Interestingness 的意義 2025 年 automated mathematical theory formation 已開始把： $$ \boxed{ \text{interestingness} } $$ 本身當成需要學習與評估的研究問題。 這正好說明： $$ \boxed{ \lambda_A } $$ 若不先做品質治理， 沒有研究意義。 --- # 36. Formal Verification 不等於 Empirical Validation 對數學候選： $$ h_{\mathrm{math}}, $$ validation 可能是： $$ \operatorname{Proof}(h). $$ 對物理候選： $$ h_{\mathrm{phys}}, $$ formal consistency 只是一層： $$ \operatorname{Consistent}(h) $$ 仍不等於： $$ \operatorname{EmpiricallyValidated}(h). $$ 所以： $$ \boxed{ \mu_V^{\mathrm{formal}} \neq \mu_V^{\mathrm{empirical}}. } $$ --- # 37. Simulation 也只是中間 service station 候選可以先經： $$ \boxed{ \text{simulation validation}. } $$ 形成多階 queue： $$ A \rightarrow S \rightarrow E \rightarrow R. $$ 其中： - $S$：simulation-screened； - $E$：empirically tested； - $R$：realized / deployed。 每一階都有自己的 bottleneck。 --- # 38. Multi-Stage Frontier Pipeline 更一般： $$ \boxed{ Q_0 \rightarrow Q_1 \rightarrow \cdots \rightarrow Q_m. } $$ 每一階： $$ i $$ 具有 service rate： $$ \mu_i. $$ 整體 steady throughput 受最慢 stage 約束： $$ \boxed{ \mu_{\mathrm{system}} \le \min_i\mu_i. } $$ 這是 frontier pipeline 的基本瓶頸原則。 --- # 39. Bottleneck Migration 當 AI 使某一階： $$ \mu_k $$ 大幅提高， 原 bottleneck 可能移向： $$ k+1. $$ 所以： $$ \boxed{ \text{acceleration} \not\Rightarrow \text{elimination of bottlenecks}. } $$ 它可能只是： $$ \boxed{ \text{bottleneck migration}. } $$ --- # 40. AI 對抽象前沿的特殊作用 AI 可以同時提高： $$ \lambda_A $$ 和： $$ \mu_V. $$ 因此不能只說： > AI 會讓抽象前沿爆炸。 真正要看： $$ \boxed{ \frac{\lambda_A^{\mathrm{AI}}} {\mu_V^{\mathrm{AI}}}. } $$ 若兩者同比增加， pressure 未必變大。 --- # 41. Verification Acceleration Countereffect 若： $$ \mu_V $$ 提高得比： $$ \lambda_A $$ 快， 則： $$ \Pi_{AV}<1 $$ 可能出現。 此時 backlog： $$ Q_V $$ 可以縮小。 所以 Paper 04 的假說是可反駁的。 --- # 42. Realization Acceleration Countereffect robotic labs、3D printing、自動合成、simulation-to-fabrication pipeline 都可以提高： $$ \mu_R. $$ 因此： $$ \Pi_{AR} $$ 也不是固定常數。 --- # 43. Frontier Crossing 可能存在： $$ t^\star $$ 使： $$ \Pi_{AV}(t)>1 $$ 於： $$ tt^\star. $$ 這表示 validation infrastructure 追上甚至超過 candidate generation。 所以「永遠追不上」不能先驗宣稱。 --- # 44. Moving-Target Condition 只有若存在： $$ \epsilon>0 $$ 與無界時間區間，使： $$ \boxed{ \lambda_A(t) \ge (1+\epsilon) \mu_{\mathrm{adj}}(t) } $$ 長期成立， 才能說 validation frontier 面對持續 moving target。 --- # 45. Realization Chase Condition 對 realization： $$ \boxed{ \lambda_A^{\mathrm{realizable}}(t) \ge (1+\epsilon) \mu_R(t) } $$ 才表示可實現候選前沿持續快於 realization。 注意 numerator 必須是： $$ \lambda_A^{\mathrm{realizable}}, $$ 不是全部 abstract candidates。 --- # 46. Realizability Filter 定義： $$ \boxed{ F_{\mathrm{realizable}}(h;K_t) } $$ 判斷 candidate 在當前 realization constraints 下是否至少可行。 則： $$ \mathcal F_A^{\mathrm{realizable}} = F_{\mathrm{realizable}} ( \mathcal F_A ). $$ 這避免拿「不可實現的純數學結構」去壓 physical realization rate。 --- # 47. Future Realizability 但： $$ F_{\mathrm{realizable},t}(h)=0 $$ 不代表： $$ F_{\mathrm{realizable},t+1}(h)=0. $$ 因為 Paper 03 的 OARL 可以改變： - technology； - materials； - controls； - instruments； - energy budget。 所以： $$ \boxed{ \text{currently unrealizable} \neq \text{absolutely unrealizable}. } $$ --- # 48. Constraint Frontier 令： $$ K_t $$ 為 realization constraints。 技術進步可形成： $$ \boxed{ K_t \rightarrow K_{t+1} } $$ 使新的 realization fibre 非空。 因此實在前沿不只是： $$ R(t) $$ 增加， 連「可實現」的邊界也在移動。 --- # 49. 三個移動前沿 所以真正有： $$ \boxed{ \mathcal F_A(t) } $$ 抽象候選前沿； $$ \boxed{ \mathcal F_V(t) } $$ 驗證前沿； $$ \boxed{ \mathcal F_R(t) } $$ 實現前沿。 三者都不是固定集合。 --- # 50. Frontier Gap Vector 定義： $$ \boxed{ \mathbf G_F(t) = ( G_{AV}(t), G_{VR}(t), G_{AR}(t) ). } $$ 其中： $$ G_{AV} = A-V, $$ $$ G_{VR} = V-R $$ 在同型可比較 sector 中， 以及： $$ G_{AR} = A-R. $$ 這是一個 backlog vector， 不是 ontology ranking。 --- # 51. Domain-Relative Nature 所有： $$ A,V,R,\lambda,\mu $$ 都必須附 domain： $$ D. $$ 例如： $$ \lambda_A^{\mathrm{materials}}, $$ $$ \lambda_A^{\mathrm{math}}, $$ $$ \lambda_A^{\mathrm{drug}}, $$ 不能不加區分直接相加。 --- # 52. Complexity Filtration 跨時間比較時， 還要控制 candidate complexity。 定義： $$ \boxed{ \mathcal F_A^{(\kappa)} = \{ a: K(a)\le\kappa \} } $$ 其中 $K$ 可以是： - description length； - circuit size； - proof statement size； - chemical synthesis complexity； - design complexity。 只有在相同或可校準的 complexity filtration 下， 速率比較才比較有意義。 --- # 53. Complexity-Normalized Rate 定義： $$ \boxed{ \lambda_A(\kappa,t) } $$ 為 complexity $\le\kappa$ 的 qualified candidate rate。 同理： $$ \mu_V(\kappa,t), \quad \mu_R(\kappa,t). $$ 因此： $$ \boxed{ \Pi_{AV}(\kappa,t) } $$ 比粗糙全域 ratio 更科學。 --- # 54. Novelty Drift 隨著： $$ \mathcal L_t $$ 知識庫增大， 新 candidate 要通過： $$ F_{\mathrm{nov}} $$ 可能變難。 所以： $$ \lambda_A(t) $$ 不一定單調增加。 已有大量候選反而可能壓低真正 novelty rate。 --- # 55. Validation Difficulty Drift 反過來， 剩下未驗證的 candidates 可能越來越難。 所以： $$ c_V(t) $$ 可能上升。 這會讓 backlog 即使在： $$ \lambda_A $$ 下降時仍持續。 --- # 56. Easy-First Depletion 如果研究系統優先處理容易候選， 則： $$ \boxed{ \text{remaining backlog difficulty} } $$ 可能逐步上升。 因此： $$ Q_V $$ 的大小不足以描述全部壓力。 還要記： $$ \boxed{ D_V(t) = \text{difficulty distribution of unresolved candidates}. } $$ --- # 57. Weighted Backlog 可定義： $$ \boxed{ W_V(t) = \sum_{h\in Q_V(t)} w(h), } $$ 其中： $$ w(h) $$ 是驗證難度／資源估計。 這比單純 candidate count 更接近真實研究負載。 --- # 58. Value-Weighted Frontier 同樣： $$ A(t) $$ 不能只數量化。 可定義： $$ \boxed{ A_{\mathrm{value}}(t) = \sum_{h\in\mathcal F_A(t)} v(h), } $$ 其中 $v(h)$ 是 research value proxy。 但： $$ v(h) $$ 高度困難且 theory-laden。 因此本文不把它當唯一標準。 --- # 59. Frontier Asymmetry 的最小可測版本 最容易實驗的是固定： - domain； - time window； - complexity band； - qualification filter； - hardware / labor budget。 然後測： $$ \lambda_A, \quad \mu_{\mathrm{adj}}, \quad \mu_R. $$ 這可以真正產生： $$ \Pi_{AV}, \quad \Pi_{AR}. $$ --- # 60. Abstract–Empirical Frontier Asymmetry Hypothesis 本文正式提出： **AEFAH（Abstract–Empirical Frontier Asymmetry Hypothesis）** 存在某些有限研究制度： $$ \mathbb S $$ 與非退化時間區間： $$ I $$ 使： $$ \boxed{ \lambda_A^{Q}(t) > \mu_{\mathrm{adj}}(t) \quad \forall t\in I. } $$ 其中： $$ \lambda_A^Q $$ 是 qualified candidate rate。 --- # 61. Strong AEFAH 強版本要求： $$ \boxed{ \liminf_{t\to\infty} \frac{ \lambda_A^Q(t) }{ \mu_{\mathrm{adj}}(t) } > 1. } $$ 則 validation backlog 長期具有正 drift。 本文不宣稱 Strong AEFAH 已被證明。 --- # 62. Realization AEFAH 對可實現 candidate sector： $$ \boxed{ \liminf_{t\to\infty} \frac{ \lambda_A^{Q,\mathrm{realizable}}(t) }{ \mu_R(t) } > 1 } $$ 稱 Strong Realization Frontier Asymmetry。 它正是： > 實現永遠追著移動前沿 的嚴格候選版本。 --- # 63. Strong 版本非常容易失敗 未來 autonomous labs 可能讓： $$ \mu_R $$ 極高速增加。 proof assistants 也可能讓： $$ \mu_V $$ 追上 conjecture generation。 因此： $$ \boxed{ \text{Strong AEFAH is an empirical / computational conjecture, not a metaphysical truth}. } $$ --- # 64. 這對「把所有抽象都實在化」意味什麼？ 如果 Strong Realization AEFAH 成立， 則： $$ B_{AR}(t) $$ 不會趨近 $0$。 所以： $$ \boxed{ \text{complete realization catch-up} } $$ 在該制度與 sector 下不可達。 但這是動態吞吐量結論， 不是： $$ \boxed{ \text{abstract objects cannot be physical}. } $$ --- # 65. 若 AEFAH 不成立呢？ 如果： $$ \mu_R(t) > \lambda_A^{Q,\mathrm{realizable}}(t) $$ 長期成立， 則 backlog 可能被清空。 那麼： > 實在化追不上抽象前沿 在該 domain 就是錯的。 本文必須接受。 --- # 66. 前沿不對稱與 Ontology 的關係 即使： $$ \Pi_{AR}\gg1, $$ 也不能推出： $$ \boxed{ \mathcal A \not\subseteq \mathcal P. } $$ 因為 physicalism 可以說： > candidate generation 本身也是 physical process，只是 digital computation 比 laboratory realization 便宜。 這是完全合理的回答。 --- # 67. 但 Strong Physicalism 仍有解釋義務 若 physicalism 進一步主張： $$ \boxed{ \text{abstract possibility space is nothing over and above actual physical reality}, } $$ 那 unrealized-but-qualified candidates、counterfactuals 與 realization fibres 的角色就必須被形式化。 這不是 Paper 04 的反證， 而是 Paper 05 的 proof obligation。 --- # 68. 抽象前沿也可能只是物理系統內的模型空間 Physicalist 可以定義： $$ \boxed{ \mathcal F_A(t) = \text{physically instantiated model-state classes inside brains / computers}. } $$ 那 AEFAH 仍可成立。 所以： $$ \boxed{ \text{frontier asymmetry is ontology-neutral at the throughput level}. } $$ --- # 69. 抽象實在論也不能從 AEFAH 偷推 Platonist 也不能說： $$ \Pi_{AR}>1 $$ 所以： $$ \mathcal A $$ 必然獨立存在。 這只說： $$ \boxed{ \text{our candidate-generation workflow outruns realization}. } $$ 不是 existence proof。 --- # 70. 對 OARL 的回接 Paper 03： $$ \mathcal R_t \rightarrow \mathcal A_t \rightarrow \mathcal R_{t+1}. $$ Paper 04 加入： $$ \boxed{ \text{rates}. } $$ 所以完整形式變成： $$ \boxed{ \mathcal R_t \xrightarrow[\mu_O]{\operatorname{Obs}} \mathcal A_t \xrightarrow[\lambda_A]{\operatorname{Gen}} \mathcal F_A \xrightarrow[\mu_V]{\operatorname{Validate}} \mathcal F_V \xrightarrow[\mu_R]{\operatorname{Realize}} \mathcal R_{t+1}. } $$ --- # 71. 自動化會讓哪一條邊先爆？ 不同技術加速不同 rate： - LLM： $\lambda_A\uparrow$ ； - prover： $\mu_V^{\mathrm{formal}}\uparrow$ ； - simulation： $\mu_V^{\mathrm{sim}}\uparrow$ ； - robotic lab： $\mu_V^{\mathrm{emp}},\mu_R\uparrow$ ； - manufacturing： $\mu_R\uparrow$。 所以未來研究瓶頸是： $$ \boxed{ \text{dynamic}. } $$ --- # 72. Bottleneck Observatory 本文建議建立： $$ \boxed{ \mathfrak B_t = ( \lambda_A, \mu_{\mathrm{formal}}, \mu_{\mathrm{sim}}, \mu_{\mathrm{emp}}, \mu_R, Q_V, W_V ). } $$ 這可以直接成為 AI-native scientific workflow 的 runtime metrics。 --- # 73. 研究上的實際 benchmark 可以選三類： ## B1 — Formal Mathematics 固定 Mathlib domain， 測： $$ \text{qualified conjectures/hour}, $$ $$ \text{proved-or-refuted/hour}. $$ ## B2 — Simulated Science 候選 model： $$ \rightarrow $$ simulation screening。 ## B3 — Physical Laboratory 候選： $$ \rightarrow $$ robotic experiment： $$ \rightarrow $$ validated / rejected： $$ \rightarrow $$ realized artifact。 --- # 74. AI 時代最可能改變的是 ratio，而非 domain definition 目前真正值得追蹤的是： $$ \boxed{ \Pi(t) } $$ 如何變。 因為 AI 可能同時改變： - generation cost； - verification cost； - experimental design； - robot throughput。 這比宣稱： > AI 讓抽象世界變大。 精確得多。 --- # 75. 可證偽條件 ## F1 — Qualification Collapse 若 raw generation 增加， 但： $$ \lambda_A^Q $$ 不增加， 則「AI 擴張 qualified abstract frontier」不成立。 ## F2 — Validation Dominance 若長期： $$ \mu_{\mathrm{adj}} > \lambda_A^Q, $$ 則 validation backlog 可縮小， Strong AEFAH 失敗。 ## F3 — Realization Dominance 若： $$ \mu_R > \lambda_A^{Q,\mathrm{realizable}} $$ 長期成立， Strong Realization AEFAH 失敗。 ## F4 — Cost Equalization 若： $$ c_A, c_V,c_R $$ 在成熟 automation 下收斂到相同量級， 速度不對稱可能消失。 ## F5 — Candidate Saturation 若固定 domain 的新 qualified candidate space 枯竭： $$ \lambda_A^Q\rightarrow0, $$ 前沿壓力自然解除。 --- # 76. 本文不主張什麼？ 不主張： $$ |\mathcal A|>|\mathcal R|. $$ 不主張： $$ \lambda_A>\mu_V $$ 是宇宙定律。 不主張： $$ \text{abstract} $$ 本體上比： $$ \text{realized} $$ 更 fundamental。 不主張： $$ \text{all abstractions can or should be realized}. $$ --- # 77. 本文真正主張什麼？ 本文真正建立的是： $$ \boxed{ \text{candidate generation, validation, and realization are distinct service processes with potentially unequal costs and throughputs}. } $$ 因此只要： $$ \lambda_A^Q > \mu_{\mathrm{adj}} $$ 持續成立， 就必然： $$ Q_V\uparrow. $$ 只要： $$ \lambda_A^{Q,\mathrm{realizable}} > \mu_R $$ 持續成立， 就必然： $$ B_{AR}\uparrow. $$ --- # 78. 從哲學直覺到可測假說 原本： > 抽象跑得比實在快。 現在被改寫為： $$ \boxed{ \exists D,I,\kappa: \quad \Pi_{AV}(D,\kappa,t)>1 } $$ 或： $$ \boxed{ \Pi_{AR}(D,\kappa,t)>1 } $$ 在指定 domain、complexity band 與時間區間成立。 這是可以直接收資料的。 --- # 結論 「抽象域擴張比實在觀察率快」如果沒有任何限定，太容易混合： - cardinality； - possibility； - raw text generation； - hypothesis quality； - proof difficulty； - experimental cost； - fabrication cost。 本文因此把它重寫成 frontier-throughput framework。 真正比較的是： $$ \boxed{ \lambda_A^Q } $$ ——qualified candidate generation rate， $$ \boxed{ \mu_{\mathrm{adj}} } $$ ——validation / rejection / adjudication rate， 以及： $$ \boxed{ \mu_R } $$ ——physical realization rate。 若： $$ \lambda_A^Q - \mu_{\mathrm{adj}} \ge \delta>0, $$ 則： $$ \boxed{ Q_V(t) \ge Q_V(t_0) + \delta(t-t_0). } $$ 若可實現 candidate generation 長期快於 realization： $$ \lambda_A^{Q,\mathrm{realizable}} - \mu_R \ge \delta_R>0, $$ 則： $$ \boxed{ B_{AR}(t) \rightarrow \text{growth}. } $$ 這就是： $$ \boxed{ \text{realization chasing a moving abstract frontier} } $$ 的嚴格版本。 而它真正可能來自： $$ \boxed{ \text{cost asymmetry} } $$ 而不是任何預設的 metaphysical hierarchy： $$ \frac{B_A}{c_A} > \frac{B_V}{c_V} \quad\text{or}\quad \frac{B_A}{c_A} > \frac{B_R}{c_R}. $$ 2026 年 autonomous scientific-discovery 研究已經直接提出相同的工程壓力：如果 AI 可以把 hypothesis generation 規模化，而 experimental evaluation 沒有同步規模化，未測假說本身就會形成新的 bottleneck。這使本文的問題不再只是哲學想像，而已經開始成為 AI-native science 的實際 infrastructure problem。 但 Paper 04 最重要的節制仍然是： $$ \boxed{ \text{Abstract Frontier Advantage} \not\Rightarrow \text{Abstract Ontological Superiority}. } $$ 真正的本體問題要留到下一篇： > 如果有人主張所有 abstract candidates、laws、counterfactuals、realization classes 與 modal structures 最終都只是 physical ontology 的高階形態，那麼這個主張到底需要滿足哪些不同強度的證明義務？ 這就是 Paper 05。 --- # 參考文獻 [1] Jacobsson, T. J. (2026). AI-Generated Hypotheses and the Emergence of Autonomous Scientific Discovery. *ACS Materials Letters*, 8(6), 1457–1464. DOI: 10.1021/acsmaterialslett.6c00224. [2] Onda, N., Kasaura, K., Oriike, Y., Taniguchi, M., Sannai, A., & Sonoda, S. (2025). *LeanConjecturer: Automatic Generation of Mathematical Conjectures for Theorem Proving*. arXiv:2506.22005. [3] Tsoukalas, G., Saha, R., Thakur, A., Reguyal, S., & Chaudhuri, S. (2025). Learning Interestingness in Automated Mathematical Theory Formation. *Advances in Neural Information Processing Systems 38*. [4] Davila, R. (2025). *GAMBIT: Generating Automated Mathematical Bounds, Inequalities, and Theorems*. MATH-AI 2025. [5] Liang, H., Wang, C., Yu, H., et al. (2025). Real-time experiment-theory closed-loop interaction for autonomous materials science. *Science Advances*, 11(27), eadu7426. DOI: 10.1126/sciadv.adu7426. [6] Toyama, R., Tamura, R., Matsuda, S., et al. (2025). Autonomous closed-loop exploration of composition-spread films for the anomalous Hall effect. *npj Computational Materials*, 11, 329. DOI: 10.1038/s41524-025-01828-7. [7] Little, J. D. C. (1961). A Proof for the Queuing Formula: L = λW. *Operations Research*, 9(3), 383–387. [8] Kleinrock, L. (1975). *Queueing Systems, Volume 1: Theory*. Wiley. [9] Neo.K. (2026). *實在域與抽象域的觀察非對稱*. Reality–Abstraction Asymmetry and Meta-Causal Grounding Series, Paper 01. [10] Neo.K. (2026). *抽象化與實現的非互逆性*. Reality–Abstraction Asymmetry and Meta-Causal Grounding Series, Paper 02. [11] Neo.K. (2026). *觀察—抽象—實現循環*. Reality–Abstraction Asymmetry and Meta-Causal Grounding Series, Paper 03. --- ## 版本聲明 v0.1 已完成： 1. candidate / validation / realization frontier typing； 2. qualified candidate operator； 3. arrival / service rate formalization； 4. active backlog queue equation； 5. Persistent Frontier Pressure Theorem； 6. realization backlog analogue； 7. cost-asymmetry model； 8. branching–service divergence theorem； 9. interestingness / novelty / dedup governance； 10. typed candidate sectors； 11. multi-stage frontier pipeline； 12. bottleneck migration； 13. complexity-normalized rates； 14. weighted backlog； 15. Abstract–Empirical Frontier Asymmetry Hypothesis； 16. Strong AEFAH； 17. Realization AEFAH； 18. frontier crossing / countereffects； 19. AI generation and verification acceleration distinction； 20. five falsification conditions。 下一篇： **Paper 05 — 物質主義的分層證明義務：從載體物理主義、supervenience 到萬有物理等價猜想。**