--- title: "從概率更新到認識域重構：UJDPF、PDHES 與 AER 的統一狀態轉移論" english_title: "From Probability Updating to Epistemic-Domain Reconstruction: A Unified State-Transition Theory for UJDPF, PDHES, and Active Epistemic Reconstruction" series: "自指認識與歷史痕跡研究系列" series_english: "Self-Referential Epistemics and Historical Trace Series" series_id: "SEHTS" paper_id: "SEHTS-02" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "Research Draft / Bridge Paper" date: "2026-08-14" language: "zh-TW" --- # 從概率更新到認識域重構 ## UJDPF、PDHES 與 AER 的統一狀態轉移論 ### From Probability Updating to Epistemic-Domain Reconstruction **作者：** Neo.K **機構：** EveMissLab **系列：** 自指認識與歷史痕跡研究系列（SEHTS），Paper 02 **版本：** v0.1.0 **日期：** 2026-08-14 --- # 摘要 本文完成三條先前研究線的正式橋接： 1. UJDPF（Unified Judgment-Domain Probability Framework）； 2. PDHES（Probabilistic–Deterministic Hybrid Epistemic System）； 3. AER（Active Epistemic Reconstruction）。 UJDPF 處理概率陳述的型別問題：一個 probability object 必須位於明示 reference、scale、time、context 與 probability order 的判定結構中，跨域推論需要 transport witness。PDHES 則把 Agent 拆成 probabilistic generator、tools、external environment、persistent state、verifier 與 control policy，主張「概率 proposal」與「外部／確定性 judgment」具有不同 operational role。AER 更進一步讓 Agent 維持假說空間、主動選擇實驗、取得 fresh evidence，並重構未知 representation、semantics 與 judgment rules。SEHTS-01 又補上第四個缺口：一個實驗與反駁若要在長時研究中持續有效，必須形成可保存的 historical trace，而不能只存在於瞬時 context。 本文把四者統一成 **Epistemic–Probability State**： $$ \boxed{ \mathcal S_t = ( \jmath_t, \mathcal H_t, P_t, K_t, G_t ). } $$ 其中： - $\jmath_t=(\rho_t,s_t,t,c_t)$：當前 judgment index； - $\mathcal H_t$：當前 hypothesis space； - $P_t\in\mathsf P(\mathcal H_t)$：對假說空間的一階 probability / belief state； - $K_t$：evidence-backed canonical epistemic state； - $G_t$：provenance / historical-trace graph。 Agent 可依目前狀態選擇 action： $$ a_t\sim\pi_t(\cdot\mid\mathcal S_t), $$ 環境返回 observation： $$ o_{t+1} \sim \mathcal E_{\Theta^\ast} ( \cdot\mid a_t,\jmath_t ), $$ verifier 產生： $$ v_{t+1} = V_t( \mathcal H_t, a_t, o_{t+1} ), $$ 並形成 evidence packet： $$ e_{t+1} = ( a_t,o_{t+1},v_{t+1},\Pi_{t+1} ). $$ 最後由： $$ \boxed{ \mathcal S_{t+1} = \mathcal U( \mathcal S_t, e_{t+1}; \mathcal W_t ) } $$ 完成更新。 本文的核心不是發明另一種 Bayesian rule，而是將 epistemic update 分成三種數學上不同的模式。 第一類為 **Fixed-Domain Reweighting**： $\jmath_t$ 與 $\mathcal H_t$ 固定，只更新 $P_t$。標準 Bayesian update 是此類的特例。 第二類為 **Support Contraction / Exact Falsification**：外部 verifier 直接淘汰部分假說。本文證明，若 surviving set： $$ S_e = \{ h: V(h,e)\neq\mathrm{fail} \} $$ 具有： $$ P_t(S_e)>0, $$ 則 exact elimination 等價於使用 $0/1$ likelihood 的 Bayesian conditioning： $$ P_{t+1}(A) = \frac{ P_t(A\cap S_e) }{ P_t(S_e) }. $$ 因此 deterministic falsification 可以被 probability representation 表示，但這不抹去 verifier 在 operational semantics 中的獨立來源。 第三類為 **Epistemic-Domain Reconstruction**：fresh evidence 不只是改變既有 hypothesis weights，而是改變 hypothesis vocabulary、semantic partition、event algebra、carrier 或 judgment domain 本身。此時： $$ \mathcal H_{t+1} \not\equiv \mathcal H_t $$ 甚至： $$ \mathfrak D_{t+1} \not\simeq \mathfrak D_t. $$ 本文證明 Domain-Reconstruction Non-Uniqueness：若新 hypothesis space 包含 old space 之外的新假說，而沒有明示 extension / transport witness，舊 $P_t$ 一般不能唯一決定 $P_{t+1}$。因此： $$ \boxed{ \text{Bayesian reweighting} } $$ 只能處理「固定可表達假說空間內」的 uncertainty redistribution；當 evidence 迫使研究者承認原先假說空間本身錯誤或不完備時，需要 UJDPF 所要求的 domain transport witness。 本文進一步定義 **Zero-Support Epistemic Crisis**。如果 observed evidence： $$ e $$ 在所有舊假說下 likelihood 都為零： $$ P(e\mid h)=0 \qquad \forall h\in\mathcal H_t, $$ 則 fixed-domain Bayes denominator 為零，無法在原 hypothesis class 內形成 posterior。這不是 Bayes theorem 的錯誤，而是 model-class failure / domain inadequacy 的信號。AER 在此扮演的角色，就是透過新實驗、representation search、semantic reconstruction 與 hypothesis generation建立新的可判定域。 本文再引入 **Evidence-to-Witness Construction**：AER 的 action、observation、verifier contract、scope 與 provenance 可以構成 UJDPF transport witness 的 empirical component。也就是： $$ \boxed{ \text{AER produces evidence that can discharge UJDPF witness obligations}. } $$ 最後，SEHTS-01 的 historical trace 使 update 不只存在於單次 session： $$ e_{t+1} \rightarrow \mathcal T(e_{t+1}) \rightarrow G_{t+1} \rightarrow K_{t+1}. $$ 由此形成本文的最終閉環： $$ \boxed{ P_t \rightarrow \mathcal H_t \rightarrow a_t \rightarrow o_{t+1} \rightarrow V_t \rightarrow \mathcal T_{t+1} \rightarrow K_{t+1} \rightarrow \mathfrak D_{t+1} \rightarrow P_{t+1}. } $$ Bayesian update 因此不是被否定，而是被定位為這個更大系統中的 **fixed-domain probability-update fragment**。AER 不是 Bayesian inference 的替代，而是當 evidence acquisition、hypothesis-space change 與 domain reconstruction 都成為 Agent action 時，所需要的外層認識動力學。 **關鍵詞：** Bayesian Updating, Active Epistemic Reconstruction, Judgment Domain, Hypothesis Space, Falsification, External Verifier, Active Learning, Bayesian Experimental Design, Scientific Agents, Historical Trace, Probability Transport, Model-Class Failure --- # 1. 接點不是「概率 vs 確定性」 先前兩套研究看起來像從不同方向出發。 概率側問： > 一個概率究竟是哪個 domain、scale、time、context 中的概率？ 認識重構側問： > AI 在不知道真實 semantics 的情況下，如何靠 action、evidence 與 verifier 逐步知道自己原本猜錯？ 真正的接點不是： $$ \boxed{ \text{probability} \quad \text{vs} \quad \text{determinism}. } $$ 而是： $$ \boxed{ \text{probability state} \rightarrow \text{evidence-producing action} \rightarrow \text{epistemic state transformation}. } $$ --- # 2. 四條研究線的功能分工 ## 2.1 UJDPF 回答： > 概率主張在哪個判定域中成立？如何合法跨域？ 核心： $$ \jmath=(\rho,s,t,c), $$ $$ P_\jmath, $$ $$ \mathcal W=(\tau,T,\Gamma,\Pi). $$ ## 2.2 PDHES 回答： > 一個 Agent-level research system 為什麼不應只用 generator probability 來描述？ 核心： $$ \mathcal A = ( M,\mathcal T,E,S,V,\Pi ). $$ 其中 generator、tool、world、persistent state、verifier 與 scheduler 是不同 functional roles。 ## 2.3 AER 回答： > Agent 如何主動產生新 evidence 並重構未知 semantics？ 核心： $$ U: ( \mathcal H_t, K_t, a_t, o_{t+1} ) \rightarrow ( \mathcal H_{t+1}, K_{t+1} ). $$ ## 2.4 SEHTS 回答： > evidence 為何能在下一輪仍然存在？ 核心： $$ e_t \rightarrow \mathcal T_t(e_t) \rightarrow G_{t+1}. $$ --- # 3. 現有科學 Agent 已經在做「假說—實驗—更新」閉環 本文不宣稱主動科學循環是新概念。 Bayesian optimal experimental design 已長期研究： $$ \boxed{ \text{選哪個 experiment 可以最大化 expected information gain？} } $$ Walsh、Wildey 與 Jakeman 的 consistent Bayesian OED 直接以 prior-to-posterior expected information gain 選擇 observation [1]。 2024 年 The AI Scientist 已將 idea generation、code execution、experiment、result analysis 與 paper generation串成 agentic workflow [2]。 2025 年 AlphaEvolve 使用 LLM proposal 與一個或多個 automated evaluators 形成反覆改進的 evolutionary loop [3]。 2026 年 Robin 則已實際整合 literature-grounded hypothesis generation、experiment proposal、experimental data analysis 與 updated hypothesis generation [4]。 因此本文的 novelty 不在： $$ \boxed{ \text{AI can propose experiments}. } $$ 而在： $$ \boxed{ \text{how probability update, falsification, domain reconstruction, and historical evidence become one typed transition system}. } $$ --- # 4. Unified Epistemic–Probability State ### 定義 4.1 定義時間 $t$ 的 Epistemic–Probability State： $$ \boxed{ \mathcal S_t = ( \jmath_t, \mathcal H_t, P_t, K_t, G_t ). } $$ 其中： ## Judgment Index $$ \jmath_t = ( \rho_t, s_t, t, c_t ). $$ ## Hypothesis Space $$ \mathcal H_t = \{ h_i \}. $$ ## Probability State $$ P_t \in \mathsf P( \mathcal H_t ). $$ ## Canonical Epistemic State $$ K_t $$ 保存： - verified claims； - invalidated claims； - unknowns； - exclusions； - current frontier； - evidence pointers。 ## Historical / Provenance Graph $$ G_t. $$ 保存： - raw evidence； - experiment relation； - contradiction； - revision； - provenance； - historical traces。 --- # 5. 真實 Target 不等於 Agent 的 Hypothesis Space 令未知 target semantic structure： $$ \Theta^\ast = ( \rho^\ast, \delta^\ast, J^\ast ). $$ Agent 維持： $$ \mathcal H_t = \{ h_1,\ldots,h_n \}. $$ 這兩者不必滿足： $$ \Theta^\ast \in \mathcal H_t. $$ 這一點非常重要。 若： $$ \Theta^\ast \notin \mathcal H_t, $$ 再完美的 fixed-model Bayesian updating 也不能把 posterior 放到一個 hypothesis space 中不存在的 truth 上。 這就是本文所稱： $$ \boxed{ \text{hypothesis-space incompleteness}. } $$ --- # 6. Proposal Policy Agent 選擇下一個 research action： $$ a_t \in \mathcal A_t. $$ 它可以是 deterministic： $$ a_t = \pi( \mathcal S_t ), $$ 也可以是 probabilistic： $$ \boxed{ a_t \sim \pi_t( \cdot \mid \mathcal S_t ). } $$ 所以： $$ \boxed{ \text{probabilistic proposal} } $$ 完全可以存在於主動科學系統中。 本文沒有要求 Agent 的 experiment choice 必須 deterministic。 --- # 7. Environment Response action： $$ a_t $$ 作用於 target： $$ \Theta^\ast. $$ 環境返回： $$ \boxed{ o_{t+1} \sim \mathcal E_{\Theta^\ast} ( \cdot \mid a_t,\jmath_t ). } $$ 如果 environment deterministic： $$ o_{t+1} = E( \Theta^\ast,a_t ). $$ 如果 environment stochastic： $$ o_{t+1} $$ 仍可帶 noise： $$ \xi_t. $$ 因此： $$ \boxed{ \text{external evidence} } $$ 不等於： $$ \boxed{ \text{deterministic evidence}. } $$ --- # 8. Verifier Verifier： $$ V_t $$ 接受： $$ ( h, a_t, o_{t+1} ) $$ 並輸出： $$ \boxed{ V_t \in \{ \mathrm{pass}, \mathrm{fail}, \mathrm{unknown} \} } $$ 或 score。 Verifier 可以是： - exact equality； - compiler； - unit test； - formal proof checker； - checksum； - statistical test； - physical measurement criterion； - human judgment。 所以 verifier 也是 typed object。 --- # 9. Evidence Packet 定義： $$ \boxed{ e_{t+1} = ( a_t, o_{t+1}, V_t, \sigma_t, \Pi_{t+1} ). } $$ 其中： - $a_t$：action； - $o_{t+1}$：observation； - $V_t$：verifier result / contract； - $\sigma_t$：scope / version； - $\Pi_{t+1}$：provenance。 只保存： $$ o_{t+1} $$ 往往不夠。 因為未來研究需要知道： > 這個 observation 是在什麼 action、version、scope、verifier 下形成的？ --- # 10. Unified Update Operator 定義： $$ \boxed{ \mathcal S_{t+1} = \mathcal U( \mathcal S_t, e_{t+1}; \mathcal W_t ). } $$ $\mathcal W_t$ 為跨 state / domain 的 transition witness。 本文不假設： $$ \mathcal U $$ 一定是一條 Bayesian formula。 而先辨識： $$ \boxed{ \text{到底是哪一種 update？} } $$ --- # 11. Update Type I：Fixed-Domain Reweighting 第一種情況： $$ \jmath_{t+1} = \jmath_t, $$ $$ \mathcal H_{t+1} = \mathcal H_t. $$ 只改： $$ P_t \rightarrow P_{t+1}. $$ 這就是最典型的： $$ \boxed{ \text{probability reweighting}. } $$ 若 likelihood： $$ L( e_{t+1} \mid h,a_t ) $$ 已知，則： $$ \boxed{ P_{t+1}(h) = \frac{ L( e_{t+1} \mid h,a_t ) P_t(h) }{ \int_{\mathcal H_t} L( e_{t+1} \mid h',a_t ) \,dP_t(h') }. } $$ 這是 standard Bayesian fragment。 --- # 12. 定理一：Fixed-Domain Bayesian Reduction ### 命題 12.1 若： 1. $\jmath_t=\jmath_{t+1}$ ； 2. $\mathcal H_t=\mathcal H_{t+1}=\mathcal H$ ； 3. observation likelihood 在 $\mathcal H$ 上已定義； 4. evidence 不改變 event ontology； 5. denominator 為正； 則 unified update $\mathcal U$ 可以退化為 ordinary Bayesian conditioning。 ### 證明 以上條件保證 source 與 target probability objects 位於同一 hypothesis carrier： $$ \mathcal H. $$ 因此不需要跨-domain transport。 以 observation likelihood $L$ 作 Radon–Nikodym reweighting 後 normalize，即得標準 posterior。 $$ \boxed{\square} $$ --- # 13. 這表示 Bayes 不是被替代，而是被嵌入 本文不提出： $$ \boxed{ \text{AER > Bayes}. } $$ 更精確： $$ \boxed{ \text{Bayesian updating} \subset \text{fixed-domain epistemic reconstruction}. } $$ AER 只在： - evidence acquisition 是 action-dependent； - hypothesis support 被 exact verifier 改變； - domain / semantics / ontology 改變； 時多出額外結構。 --- # 14. Update Type II：Support Contraction 令 exact verifier 定義 survivor set： $$ \boxed{ S_e = \{ h\in\mathcal H_t: V(h,e)\neq\mathrm{fail} \}. } $$ 此時： $$ \mathcal H_{t+1} = S_e \subseteq \mathcal H_t. $$ 這是一種： $$ \boxed{ \text{hypothesis-space contraction}. } $$ --- # 15. 定理二：Exact Falsification 等價於 0/1 Likelihood Conditioning ### 命題 15.1 若： $$ P_t(S_e)>0, $$ 定義： $$ L_e(h) = \mathbf 1_{S_e}(h). $$ 則 Bayesian posterior： $$ P_{t+1}(A) = \frac{ \int_A L_e(h) \,dP_t(h) }{ \int L_e(h) \,dP_t(h) } $$ 等於： $$ \boxed{ P_{t+1}(A) = \frac{ P_t( A\cap S_e ) }{ P_t(S_e) }. } $$ ### 證明 因： $$ L_e(h) = 1 $$ 恰好在 $S_e$ 上成立， 分子為： $$ P_t(A\cap S_e), $$ 分母為： $$ P_t(S_e). $$ 故成立。 $$ \boxed{\square} $$ --- # 16. 這個定理的真正意義 它告訴我們： $$ \boxed{ \text{deterministic falsification} } $$ 確實可以**表示**成 degenerate likelihood。 所以不能說： > deterministic verifier 在數學上絕對不能被概率表示。 但這不代表 verifier 的功能角色因此消失。 因為： $$ \boxed{ \text{0/1 likelihood 從哪裡來？} } $$ 仍然需要： - compiler； - theorem checker； - hash； - world experiment； - exact equality； 等外部 operation 提供。 因此： $$ \boxed{ \text{representability} \neq \text{operational explanatory sufficiency}. } $$ --- # 17. Probability Representation 與 Evidence Production 要分開 在事後，我們可以把： $$ V(h,e)\in\{0,1\} $$ 轉成 likelihood。 但 experiment 前： $$ e $$ 尚未存在。 所以： $$ \boxed{ \text{Bayesian update rule} } $$ 不會替 Agent 自動完成： $$ \boxed{ \text{experiment selection + execution + evidence production}. } $$ 這正是 AER 的 active layer。 --- # 18. Zero-Support Epistemic Crisis 考慮更強的情況。 對所有： $$ h\in\mathcal H_t, $$ 都有： $$ \boxed{ L(e\mid h)=0. } $$ 則 Bayes denominator： $$ Z = \int_{\mathcal H_t} L(e\mid h) \,dP_t(h) = 0. $$ 所以 fixed-domain posterior 無法定義。 本文稱： $$ \boxed{ \text{Zero-Support Epistemic Crisis}. } $$ --- # 19. Zero-Support Crisis 不是 Bayes theorem 失效 問題不是 Bayes theorem 錯。 而是： $$ \boxed{ \text{目前 model class 對已觀察 evidence 沒有任何可接受解釋}. } $$ 這可以表示： - model misspecification； - hypothesis space incomplete； - event ontology wrong； - representation domain wrong； - scope wrong； - verifier / measurement contract wrong。 所以正確 response 不是硬造 posterior。 而是： $$ \boxed{ \text{reconstruct the epistemic domain}. } $$ --- # 20. Update Type III：Epistemic-Domain Reconstruction 現在允許： $$ \boxed{ \mathcal H_{t+1} \not= \mathcal H_t. } $$ 更強甚至： $$ X_{t+1}\neq X_t, $$ $$ \Sigma_{t+1}\neq\Sigma_t, $$ $$ \jmath_{t+1}\neq\jmath_t. $$ 例如原本 hypothesis： > byte $x$ 是整數 Stress。 fresh evidence 卻顯示： > byte $x$ 其實是一組 flags。 這不是： $$ P(\mathrm{Stress}=100) \rightarrow P(\mathrm{Stress}=0). $$ 而是： $$ \boxed{ \text{舊 semantic carrier 被推翻}. } $$ --- # 21. Domain Reconstruction 可以包含哪些操作？ 至少包括： ## Representation Replacement $$ \rho_t \rightarrow \rho_{t+1}. $$ ## Semantic Repartition 同一 raw carrier 被重新劃分 semantic classes。 ## Hypothesis Expansion $$ \mathcal H_t \subsetneq \mathcal H_{t+1}. $$ ## Hypothesis Replacement $$ \mathcal H_t \not\subseteq \mathcal H_{t+1}, \qquad \mathcal H_{t+1} \not\subseteq \mathcal H_t. $$ ## Event-Algebra Change $$ \Sigma_t \rightarrow \Sigma_{t+1}. $$ ## Judgment-Rule Change $$ J_t \rightarrow J_{t+1}. $$ --- # 22. 定理三：Domain-Reconstruction Non-Uniqueness ### 命題 22.1 令： $$ \mathcal H' = \mathcal H \sqcup N, $$ 其中： $$ N\neq\varnothing. $$ 給定舊 probability： $$ P\in\mathsf P(\mathcal H). $$ 若未指定： - 新 hypothesis mass； - extension rule； - transport kernel； - selection principle； 則 $P$ 一般不能唯一決定： $$ Q\in\mathsf P(\mathcal H'). $$ ### 證明 對任意： $$ \alpha\in(0,1], $$ 與任意： $$ R\in\mathsf P(N), $$ 定義： $$ \boxed{ Q_{\alpha,R} = \alpha P + (1-\alpha)R. } $$ 其中兩個 measure 支撐於 disjoint components： $$ \mathcal H, N. $$ 所有： $$ Q_{\alpha,R} $$ 在條件於舊 hypothesis region： $$ \mathcal H $$ 時都恢復： $$ P. $$ 但不同： $$ \alpha,R $$ 給出不同 $Q$。 所以舊 $P$ 不唯一決定新-domain probability。 $$ \boxed{\square} $$ --- # 23. 這就是 UJDPF 的 Witnessed Transport 在 AER 中真正出現的地方 domain reconstruction 後： $$ P_t $$ 與： $$ P_{t+1} $$ 位於不同 carriers。 所以不能裸寫： $$ P_t \rightarrow P_{t+1} $$ 而必須指定： $$ \boxed{ \mathcal W_t = ( \tau_t, T_t, \Gamma_t, \Pi_t ). } $$ 其中： - $\tau_t$：old semantics 到 new semantics 的 mapping； - $T_t$：probability extension / kernel / projection； - $\Gamma_t$：domain-reconstruction assumptions； - $\Pi_t$：fresh evidence / verifier provenance。 --- # 24. Evidence-to-Witness Construction 本文定義一個 AER evidence witness： $$ \boxed{ \mathcal E\mathcal W_t = ( a_t, o_{t+1}, V_t, \sigma_t, \Pi_t ). } $$ 若它能支持： 1. source judgment domain； 2. target judgment domain； 3. event / semantic correspondence； 4. falsification or validation rule； 5. reproducible provenance； 則可將： $$ \mathcal E\mathcal W_t $$ 嵌入 UJDPF witness 的： $$ \Gamma_t, \Pi_t. $$ 所以： $$ \boxed{ \text{AER produces empirical components of UJDPF transport witnesses}. } $$ --- # 25. Witness 不是只有一個 observation 單一： $$ o $$ 可能有多個 interpretations。 所以一個強 witness 至少需要： $$ \boxed{ \text{Action} + \text{Observation} + \text{Scope} + \text{Verifier} + \text{Provenance}. } $$ 例如： > byte 變成 `0x64` 本身不能證明： > 這是 Stress=100。 還需要： - 修改 protocol； - reload； - visible behavior； - version； - alternative hypothesis rejection。 這正是 AER Paper 02–04 的共同結論。 --- # 26. 主動實驗選擇 現在 Agent 面對 action set： $$ \mathcal A_t. $$ 最經典 Bayesian OED 可以選： $$ a_t^\ast \in \arg\max_a \mathbb E[ D_{\mathrm{KL}}( P_{t+1} \Vert P_t ) ]. $$ 本文保留這個成熟接口。 但 AER 中 gain 不一定只來自 probability reweighting。 一個 experiment 可能直接發現： $$ \boxed{ \text{舊 hypothesis vocabulary 錯了}. } $$ --- # 27. Structural Epistemic Gain 因此定義一個一般 gain functional： $$ \boxed{ \mathcal G( \mathcal S_t,e ) } $$ 其值可以綜合： - entropy reduction； - eliminated hypothesis mass； - domain ambiguity reduction； - representation discrimination； - falsification strength； - new semantic structure； - evidence reproducibility。 本文不宣稱存在唯一最佳 $\mathcal G$。 它是一個 task-dependent objective。 --- # 28. Cost-Normalized Experiment Selection 加入 cost： $$ C(a)>0. $$ 則： $$ \boxed{ a_t^\ast \in \arg\max_{a\in\mathcal A_t} \frac{ \mathbb E[ \mathcal G( \mathcal S_t,e_{t+1} ) \mid a ] }{ C(a) }. } $$ 這延續 Bayesian experimental design 的 expected information gain，又允許 structural domain gain。 --- # 29. AER 不是 Brute Force Brute force： $$ \text{大量 action} \rightarrow \text{大量 observation}. $$ AER： $$ \boxed{ \text{current uncertainty} \rightarrow \text{discriminating experiment}. } $$ 所以重要的不是 action 數量，而是： $$ \boxed{ \text{hypothesis separation per cost}. } $$ --- # 30. 2026 Scientific Agents 與本文的接點 Robin 已經能： - literature search； - generate hypotheses； - propose experiments； - analyze experimental results； - generate updated hypotheses [4]。 Co-Scientist 也使用多個 specialized agents 生成、反思、排名與演化 hypotheses [5]。 這些實際系統證明： $$ \boxed{ \text{hypothesis state itself can be a runtime object}. } $$ 本文進一步問： > 當 hypothesis state 改變時，其 probability domain 如何合法遷移？ --- # 31. AlphaEvolve 與 External Evaluator AlphaEvolve 的關鍵之一是： $$ \boxed{ \text{LLM proposal} + \text{one or more evaluators}. } $$ 候選不是由 generator 自己宣告「更好」就成立。 這正對應： $$ \boxed{ \text{proposal} \neq \text{judgment}. } $$ UJDPF bridge 則再加： $$ \boxed{ \text{judgment result must be scoped and transportable}. } $$ --- # 32. Intrinsic Self-Correction 不足以取代 External Evidence 既有研究已指出，LLM intrinsic self-correction 在缺乏 external feedback 時不一定可靠 [6]。 因此： $$ \boxed{ \text{model changes its answer} } $$ 不等於： $$ \boxed{ \text{world falsified the previous hypothesis}. } $$ 這正是 PDHES verifier 與 AER external environment 必須保留的原因。 --- # 33. Evidence State $K_t$ 為什麼不能只等於 Posterior $P_t$？ posterior： $$ P_t $$ 保存： $$ \boxed{ \text{目前 uncertainty distribution}. } $$ 但： $$ K_t $$ 還需要保存： - why a hypothesis was eliminated； - exact counterexample； - version scope； - verifier contract； - excluded experiments； - raw evidence pointer； - current unknowns。 所以： $$ \boxed{ K_t \neq P_t. } $$ 即使： $$ P_t $$ 已包含所有 hypothesis weights。 --- # 34. 同 Posterior 可以有不同 Evidence History 存在兩個 histories： $$ H_1,H_2 $$ 最後形成相同： $$ P_t. $$ 但： $$ G_t^{(1)} \neq G_t^{(2)}. $$ 例如： - 一條路徑靠 exact compiler failure 淘汰假說； - 另一條路徑靠 statistical evidence 降低同一假說。 最後 posterior weight 可能相同。 但 future trust / replayability / scope 不同。 所以： $$ \boxed{ \text{same posterior} \not\Rightarrow \text{same epistemic state}. } $$ --- # 35. Historical Trace 是 Update 的長期記憶層 SEHTS-01 定義： $$ \mathcal T(e) $$ 為 persistent historical trace。 本文將： $$ \boxed{ G_{t+1} = G_t \cup \mathcal T(e_{t+1}). } $$ 因此 update 不只是： $$ P_t \rightarrow P_{t+1}. $$ 還有： $$ \boxed{ G_t \rightarrow G_{t+1}. } $$ --- # 36. Contradiction Persistence 若： $$ V(h,e)=\mathrm{fail}, $$ 則： $$ (h,e,V) $$ 應進入： $$ G_{t+1}. $$ 否則 future Agent 可能因 context loss 又重新提出： $$ h $$ 而不知道它曾被 exact evidence 淘汰。 因此： $$ \boxed{ \text{epistemic update requires contradiction persistence}. } $$ --- # 37. No-Cost Resurrection Principle 本文延續 AER Paper 04 的精神： 若 hypothesis： $$ h $$ 曾在 scope： $$ \sigma $$ 下被 strong verifier 淘汰， 則 future state 不應在沒有： - new evidence； - scope change； - verifier invalidation； - model revision； 的情況下無成本恢復： $$ h. $$ 這不是形而上的永遠禁止。 它是： $$ \boxed{ \text{provenance-aware hypothesis lifecycle}. } $$ --- # 38. Evidence Recompression 長時研究的 raw evidence： $$ R_{0:t} $$ 會爆炸。 因此 canonical epistemic state： $$ K_t = C_E( R_{0:t} ) $$ 需要做 semantic recompression。 但壓縮必須保留： - evidence pointers； - contradictions； - status； - scope； - dependency graph。 所以： $$ \boxed{ \text{compression may remove prose, not epistemic justification}. } $$ --- # 39. Epistemic Sufficient State 若： $$ K_t $$ 能在容許誤差： $$ \varepsilon $$ 內，對所有下一步 decision class： $$ \mathcal D $$ 保留使用 raw evidence 所需要的 decision-relevant information， 則可稱： $$ \boxed{ K_t } $$ 為 task-relative Epistemic Sufficient State。 這與 probability flattening 的 Barycentric Sufficiency 有結構類比，但不是同一 theorem。 --- # 40. 橋接後的完整 State Transition 最終： $$ \boxed{ \begin{aligned} \mathcal S_t &= ( \jmath_t, \mathcal H_t, P_t, K_t, G_t ) \\ a_t &\sim \pi_t( \cdot \mid \mathcal S_t ) \\ o_{t+1} &\sim \mathcal E_{\Theta^\ast} ( \cdot \mid a_t,\jmath_t ) \\ e_{t+1} &= ( a_t,o_{t+1},V_t,\sigma_t,\Pi_t ) \\ \mathcal S_{t+1} &= \mathcal U( \mathcal S_t, e_{t+1}; \mathcal W_t ). \end{aligned} } $$ --- # 41. 三種 Update Mode 的統一表 | Mode | $\mathcal H$ | $\jmath$ | $P$ | 需要 UJDPF 跨域 witness？ | |---|---|---|---|---| | Reweight | 固定 | 固定 | 改變 | 否 | | Contract | 縮小 | 通常固定 | restriction + renormalization | 通常不需新域，但需 verifier provenance | | Reconstruct | 改寫／擴張 | 可改變 | 需 extension / transport | 是 | 這是本文最重要的橋接表。 --- # 42. Probability Update Failure 與 Epistemic Failure 要分開 如果： $$ P_{t+1} $$ 無法定義，原因可能不同。 ## Numerical Failure 計算問題。 ## Zero-Support Failure 所有 old hypotheses 給 evidence 零 likelihood。 ## Type Failure old/new event spaces 不相容。 ## Model-Class Failure truth 不在 hypothesis class。 ## Verifier Failure measurement / checker contract 錯。 ## Provenance Failure evidence scope 無法確定。 所以： $$ \boxed{ \text{posterior failure} } $$ 不應全部稱為「Bayesian failure」。 --- # 43. Domain Reconstruction Trigger 本文提出第一版 trigger： 若至少一項成立： 1. posterior denominator $=0$ ； 2. strong verifier 淘汰所有 current hypotheses； 3. repeated evidence 系統性落在 model predictive support 外； 4. representation tests 不可由 current semantic mapping 解釋； 5. event ontology 無法容納新 observation； 6. scope mutation 被確認； 則 Agent 應標記： $$ \boxed{ \mathrm{RECONSTRUCT\_DOMAIN}. } $$ 這是一個 framework rule，不是 universal statistical theorem。 --- # 44. Unknown 是合法狀態 若 evidence 不足： $$ V(h,e)=\mathrm{unknown}, $$ 則 Agent 不應被迫： - pass； - fail； - invent a posterior collapse。 所以： $$ \boxed{ \mathrm{Unknown} } $$ 是 epistemic state 的合法值。 這也是 PDHES/AER 和普通「總要輸出答案」Agent 的重要差異。 --- # 45. 新 Hypothesis 從哪裡來？ domain reconstruction 後的新 hypotheses 可以來自： - generator； - historical prior； - analogy； - external literature； - program synthesis； - human intervention； - representation enumeration； - counterexample-driven synthesis。 因此： $$ \boxed{ \mathcal H_{t+1} } $$ 本身可以是生成產物。 其 proposal process 可以概率化。 但新 hypothesis 的 admissibility 仍需 validation。 --- # 46. Hypothesis Generation Probability 不等於 Hypothesis Truth Probability 若 generator： $$ G $$ 高概率提出某個： $$ h, $$ 這只代表： $$ \boxed{ P_{\mathrm{proposal}}(h) } $$ 高。 不等於： $$ \boxed{ P_{\mathrm{truth}}(h) } $$ 高。 這兩種 probability 必須位於不同 judgment domains / semantics。 這是 UJDPF typing 在 AER 中另一個直接用途。 --- # 47. Proposal Prior 與 Epistemic Prior 因此至少分： ## Generator Proposal Law $$ Q_{\mathrm{gen}}(h). $$ ## Epistemic Prior $$ P_t(h). $$ ## Experiment-Conditioned Posterior $$ P_{t+1}(h\mid e). $$ 不能因 model 很常生成某 hypothesis，就把它當成 prior credibility。 --- # 48. Fresh Evidence 的必要性 若 Agent 只從既有語料重新組合： $$ h, $$ 而沒有產生： $$ e_{\mathrm{new}}, $$ 則可能只是： $$ \boxed{ \text{latent retrieval / recombination}. } $$ AER 的 stronger claim 需要： $$ \boxed{ \text{action-conditioned fresh observation}. } $$ --- # 49. Fresh Evidence Criterion 可將 evidence： $$ e_{t+1} $$ 稱為 fresh，若它的內容在 protocol 開始前不是 Agent 可直接讀取的 target-local fact，而必須透過： $$ a_t $$ 作用於 environment 後才能取得。 這是半黑箱 benchmark 能測 research reconstruction 的核心。 --- # 50. 世界會改變 probability domain，而不只 posterior 這是本文最重要的一句： $$ \boxed{ \text{Fresh evidence can update probabilities;} } $$ 但更強： $$ \boxed{ \text{fresh evidence can update what the probabilities are probabilities over}. } $$ 當： $$ \mathcal H_t \rightarrow \mathcal H_{t+1}, $$ probability carrier 本身變了。 這就是 AER 與 UJDPF 真正合流的位置。 --- # 51. Law–Evidence–Domain Triangle 本文將三者整理為： $$ \boxed{ \begin{array}{ccc} P_t & \longrightarrow & \text{Predictions} \\ \uparrow && \downarrow \\ \mathfrak D_t & \longleftarrow & E_t \end{array} } $$ probability law 依賴 domain。 domain 產生 predictions。 evidence 驗證 predictions。 evidence 又可能迫使 domain 改變。 所以不是單向： $$ \mathfrak D \rightarrow P. $$ 而是動態閉環。 --- # 52. Active Judgment-Domain Reconstruction 因此本文提出一個新術語候選： $$ \boxed{ \text{Active Judgment-Domain Reconstruction}. } $$ 它表示： > Agent 透過主動 experiment 與 external evidence，不只更新 domain 內 probability，而主動確認、縮小、替換或擴張 probability judgment domain。 這是 AER 在 UJDPF 語言中的最直接重寫。 --- # 53. Evidence-Driven Domain Transport 如果 fresh evidence 建立 mapping： $$ \tau: \mathfrak D_t \rightarrow \mathfrak D_{t+1}, $$ 則 probability transport： $$ T $$ 必須說明： - old hypotheses 如何映射； - invalid hypotheses 如何消失； - new hypotheses 如何取得 mass； - event semantics 如何對齊； - uncertainty 如何保留。 所以： $$ \boxed{ \text{domain transport} } $$ 也是 epistemic modeling problem。 --- # 54. Bayesian Model Expansion 是其中一個可能實作，不是唯一形式 當： $$ \mathcal H_t \subset \mathcal H_{t+1}, $$ 可以使用 hierarchical prior / model selection 等標準 Bayesian machinery。 但如果連： $$ X, \Sigma, J $$ 都改變，就不只是「新增一個模型 index」。 因此本文不把所有 domain reconstruction 都壓成普通 Bayesian model selection。 --- # 55. Same Probability, Different Epistemic Meaning 例如： $$ P_t(h)=0.5 $$ 與： $$ P_{t+1}(h')=0.5 $$ 數字相同。 但若： $$ h $$ 是「這個 byte 是 Stress」， 而： $$ h' $$ 是「這個 byte 是 bit mask」， 兩個 $0.5$ 不具有同一 semantic type。 因此： $$ \boxed{ \text{same scalar probability} \not\Rightarrow \text{same epistemic statement}. } $$ --- # 56. External Verifier 可以讓 Probability Support 變成可審計對象 對每個： $$ h_i, $$ 保存： ```text hypothesis_id prior_mass predictions test_protocol verifier_contract evidence_pointer status posterior_mass scope ``` 此時： $$ P_t $$ 不再只有一列 numbers。 它連到： $$ G_t $$ 中的 evidence graph。 這形成： $$ \boxed{ \text{provenance-backed probability state}. } $$ --- # 57. Epistemic Probability Ledger 本文建議最小 ledger： ```text state_id: time: judgment_domain: reference_scope: scale: context: carrier: event_ontology: hypothesis_space: version: hypotheses: probability_state: prior_or_posterior: measure: normalization_status: action: experiment_id: selection_rule: expected_gain: cost: observation: raw_evidence_pointer: scope: verifier: contract: result: strength: update: mode: reweight contract reconstruct transport_witness: eliminated_hypotheses: added_hypotheses: domain_changes: history: provenance_graph: contradiction_ledger: ``` --- # 58. 一個簡單 Running Example 初始 hypotheses： $$ \mathcal H_0 = \{ h_1,h_2 \}. $$ 其中： $$ h_1: \text{byte is integer Stress}, $$ $$ h_2: \text{byte is percentage-like value}. $$ 先驗： $$ P_0(h_1)=0.7, $$ $$ P_0(h_2)=0.3. $$ Agent 修改 byte 並 reload。 world observation： $$ o_1. $$ 若： $$ V(h_1,o_1)=\mathrm{fail}, $$ $$ V(h_2,o_1)=\mathrm{fail}, $$ 則： $$ S_e=\varnothing. $$ 此時不是： $$ P_1(h_1)=P_1(h_2)=0. $$ 因為那不是 normalized probability。 正確狀態是： $$ \boxed{ \mathrm{MODEL\ CLASS\ FAILURE}. } $$ --- # 59. Reconstruction Example Agent 新增： $$ h_3: \text{byte is a bit field}. $$ 所以： $$ \mathcal H_1 = \{ h_3,h_4,\ldots \}. $$ 新 space 與舊 space 不只是 reweight。 因此需要： $$ \mathcal W_{0\rightarrow1}. $$ fresh experiments 再區分： - 哪個 bit； - 哪個 visible state； - reload 是否持久； - version 是否一致。 這就是 AER。 --- # 60. 何時可以安全退回普通 Bayes？ 若經 reconstruction 後： - representation 已穩定； - semantic ontology 已穩定； - hypothesis class 已固定； - likelihood model 可接受； - evidence scope 固定； 則可以重新進入： $$ \boxed{ \text{ordinary Bayesian phase}. } $$ 所以一個 research trajectory 可以在： $$ \boxed{ \text{Bayesian phase} } $$ 與： $$ \boxed{ \text{domain-reconstruction phase} } $$ 之間切換。 --- # 61. Epistemic Regime Switching 定義 regime： $$ R_t \in \{ \mathrm{REWEIGHT}, \mathrm{CONTRACT}, \mathrm{RECONSTRUCT} \}. $$ Agent 的真正高階任務之一是辨識： $$ \boxed{ \text{現在應該做哪一種 update？} } $$ 如果每次 evidence 都只做 reweight，可能在錯誤 model class 中越算越精確。 --- # 62. 「越算越精確」可能是一種錯誤 若： $$ \Theta^\ast \notin \mathcal H_t, $$ Agent 仍在： $$ \mathcal H_t $$ 內做更精細 posterior estimation， 可能得到： $$ \boxed{ \text{high-confidence wrong-domain inference}. } $$ 這是判定域錯誤比普通 probability error 更危險的原因。 --- # 63. Domain Adequacy 本文因此提出： $$ \boxed{ A_D(t) } $$ 作為 domain adequacy 的研究量。 它不一定是一個 scalar。 至少應回答： - observed evidence 是否落在 predictive support； - verifier contradiction 是否大量累積； - unknown class 是否持續增加； - current ontology 是否能解釋 interventions； - reconstruction triggers 是否持續出現。 --- # 64. Probability Calibration 不等於 Domain Calibration 一個 Agent 在錯誤 hypothesis space 內可以非常 calibration-like。 但： $$ \boxed{ \text{well-calibrated beliefs within wrong ontology} } $$ 仍然可能錯。 因此未來需要區分： $$ \boxed{ \text{probability calibration} } $$ 與： $$ \boxed{ \text{domain adequacy}. } $$ --- # 65. 這對 AI Research Benchmark 的直接意義 AER-Bench 不應只問： > Agent 最後答對了嗎？ 還可以問： 1. 初始 domain 猜錯時能否發現？ 2. exact contradiction 後是否淘汰？ 3. zero-support crisis 後是否 rebuild？ 4. 是否設計 discriminating experiment？ 5. 是否保存 evidence pointer？ 6. 是否在 domain change 後正確重建 probability state？ 這比 final-answer accuracy 更接近真實研究能力。 --- # 66. 這對自指系列的意義 SEHTS-01 說： $$ \boxed{ \text{artifact can become future evidence}. } $$ SEHTS-02 進一步說： $$ \boxed{ \text{future evidence can change the domain on which future probabilities are defined}. } $$ 因此兩篇接成： $$ \boxed{ \text{Generation} \rightarrow \text{History} \rightarrow \text{Domain Reconstruction}. } $$ --- # 67. 歷史文件也可以觸發 Zero-Support Crisis 例如 future Agent 讀到一篇舊 paper： $$ D. $$ 其中包含一個經 exact verifier 支持的 counterexample。 若 Agent 當前： $$ \mathcal H_t $$ 所有 hypotheses 都與 counterexample 衝突， 則 historical artifact 也可以觸發： $$ \boxed{ \mathrm{RECONSTRUCT\_DOMAIN}. } $$ 所以 fresh evidence 不必永遠是「剛剛才測出的」。 對新 Agent 而言，可靠 historical evidence 也可以是 fresh-to-agent。 --- # 68. Fresh-to-World 與 Fresh-to-Agent 本文分： ## Fresh-to-World 新 experiment 第一次產生的 evidence。 ## Fresh-to-Agent evidence 過去已存在，但目前 Agent 此前不可讀取。 兩者 epistemic role 不完全相同。 benchmark 若要防 memorization，通常更偏好 fresh-to-world 或 target-local mutation。 --- # 69. Probability of Hypotheses 與 Probability of Evidence 需要區分： $$ P_t(h) $$ 和： $$ P(e\mid h,a). $$ 前者是 belief state。 後者是 predictive model。 如果 hypothesis domain 變了： $$ h \rightarrow h', $$ 兩者都可能需要重建。 所以 domain reconstruction 不只改 posterior support。 它也可能改 likelihood model。 --- # 70. Probability of Actions Agent policy： $$ \pi_t(a\mid\mathcal S_t) $$ 又是第三種概率。 因此至少有： $$ \boxed{ P_{\mathrm{belief}}, \quad P_{\mathrm{evidence}}, \quad P_{\mathrm{action}}. } $$ 它們不能因都叫 probability 就混為同一個 random variable。 這正是 UJDPF typing 的價值。 --- # 71. Probability 的功能分工 本文因此把 probability roles 分成： ## Belief Probability 對 hypotheses。 ## Predictive Probability 對 observations。 ## Proposal Probability 對 candidate hypotheses / actions。 ## Sampling Probability 對 generator outputs。 ## Success Probability 對 task outcomes。 UJDPF 負責使這些 probability statements 不因 notation 相似而失去 domain type。 --- # 72. Deterministic Verifier 的功能分工 Verifier 不一定「產生真理」。 它只在 contract： $$ \Gamma_V $$ 內回答： $$ \boxed{ \text{某 claim 是否通過某判定規則}. } $$ 所以： $$ \boxed{ \text{exact} \neq \text{domain-complete}. } $$ 例如： > file hash 相等。 可以 exact。 但不表示： > 文件理論正確。 --- # 73. World Evidence 的功能分工 environment observation 提供： $$ \boxed{ \text{generator cannot freely choose}. } $$ 這種 constraint。 但 interpretation： $$ o \rightarrow \text{semantic claim} $$ 仍可能需要 model。 因此： $$ \boxed{ \text{external world} \neq \text{self-interpreting truth}. } $$ --- # 74. Human 仍是可能的 Verifier / Domain Editor 統一系統沒有要求： $$ \boxed{ \text{完全自動}. } $$ human 可以： - 提供新 hypothesis； - 重定義 scope； - 修 verifier； - reject ontology； - accept reconstruction； - change study universe。 所以： $$ \boxed{ \text{human-in-the-loop} } $$ 是 unified state-transition system 的合法特例。 --- # 75. Autonomous Scientific Agents 的真正提升點 真正「更自主」不只代表： $$ \boxed{ \text{模型自己多做幾個 tool calls}. } $$ 更強是： $$ \boxed{ \text{能判斷何時 current domain 已經不值得繼續 reweight}. } $$ 也就是： $$ \boxed{ \text{model-class self-revision under external evidence}. } $$ 這才接近 AER 的核心。 --- # 76. 新穎性邊界 本文不宣稱首次提出： - Bayesian update； - Bayesian experimental design； - active learning； - hypothesis testing； - falsification； - model selection； - scientific agents； - external verifiers； - agent memory； - provenance； - model-class misspecification； - hypothesis-space expansion。 本文提出的橋接是： $$ \boxed{ \text{Fixed-Domain Bayes} + \text{Exact Falsification} + \text{Domain Reconstruction} + \text{UJDPF Witness} + \text{Historical Evidence State}. } $$ 主要新結構候選包括： 1. Unified Epistemic–Probability State $\mathcal S_t$ ； 2. 三類 update regime； 3. Zero-Support Epistemic Crisis 作為 reconstruction trigger； 4. Evidence-to-Witness Construction； 5. Active Judgment-Domain Reconstruction； 6. provenance-backed probability state； 7. probability–history–domain closed loop。 --- # 77. 本文不證明的事情 本文不證明： $$ \boxed{ \text{Bayesian inference 無法處理 model expansion}. } $$ Bayesian model selection、nonparametrics、hierarchical models 都能處理許多擴張問題。 本文只說： > 當新 domain / hypothesis structure 未被預先包含或沒有 extension rule 時，舊 $P_t$ 本身不唯一決定新 $P_{t+1}$。 本文也不證明： $$ \boxed{ \text{deterministic verifier 比 probability 更 fundamental}. } $$ 只說它在 operational system 中可能具有不同 functional role。 --- # 78. 本文的 Reduction Principle 如果： - hypothesis space 固定； - judgment domain 固定； - likelihood 已知； - evidence 只重分配 hypothesis weights； 則： $$ \boxed{ \text{Use Bayes}. } $$ 不要為了 UJDPF / AER 而把普通 inference 搞複雜。 如果 exact verifier 只淘汰部分 hypotheses： $$ \boxed{ \text{Use restriction + renormalization}. } $$ 只有當： $$ \boxed{ \text{probability carrier / semantics / hypothesis ontology itself changes} } $$ 才啟用 domain reconstruction。 --- # 79. Bridge Principle 本文最終將接點濃縮成： $$ \boxed{ \text{Bayes updates probabilities inside a domain;} } $$ $$ \boxed{ \text{verifiers can contract the admissible support;} } $$ $$ \boxed{ \text{fresh evidence can force reconstruction of the domain itself.} } $$ UJDPF 的作用是： $$ \boxed{ \text{規範 domain change 如何被 typed 與 witnessed}. } $$ AER 的作用是： $$ \boxed{ \text{主動取得足以改變或確認 domain 的 evidence}. } $$ PDHES 的作用是： $$ \boxed{ \text{把 proposal、tool、world、verifier、state 的 functional roles 分開}. } $$ SEHTS 的作用是： $$ \boxed{ \text{讓這些 evidence 與 contradictions 能跨時間持久存在}. } $$ --- # 80. 最終閉環 至此，完整 research loop 為： $$ \boxed{ \begin{array}{c} \mathfrak D_t \\ \downarrow \\ \mathcal H_t,P_t,K_t \\ \downarrow \\ \text{Choose Experiment} \\ \downarrow \\ a_t \\ \downarrow \\ \text{External World} \\ \downarrow \\ o_{t+1} \\ \downarrow \\ V_t \\ \downarrow \\ \mathcal T(e_{t+1}) \\ \downarrow \\ K_{t+1} \\ \downarrow \\ \begin{cases} \text{Reweight}\\ \text{Contract}\\ \text{Reconstruct} \end{cases} \\ \downarrow \\ \mathfrak D_{t+1},P_{t+1} \end{array} } $$ --- # 81. 結論 本文正式找到 UJDPF 與 AI 認識重構系列之間的數學接點。 它不是一句： > Probability 之外還有 determinism。 而是： $$ \boxed{ \text{probability update itself has a domain of validity}. } $$ 當： $$ \mathcal H_t, \mathfrak D_t $$ 固定時， 標準 Bayesian update 完全成立。 當 exact external verifier 淘汰： $$ \mathcal H_t $$ 的一部分時， 若 survivor mass 為正， 可以表示成： $$ \boxed{ \text{0/1 likelihood conditioning}. } $$ 但當 fresh evidence 使所有舊 hypotheses 都失效， 或迫使 representation、semantic partition、event algebra、judgment rules 改變時， 問題就不再只是： $$ P_t \rightarrow P_{t+1}. $$ 而是： $$ \boxed{ ( \mathfrak D_t, \mathcal H_t, P_t ) \rightarrow ( \mathfrak D_{t+1}, \mathcal H_{t+1}, P_{t+1} ). } $$ 此時舊 probability law 一般不唯一決定新-domain probability。 所以需要： $$ \boxed{ \mathcal W_t. } $$ 也就是 UJDPF transport witness。 而 AER 的 action、experiment、observation、verifier 與 provenance， 正可以提供： $$ \boxed{ \mathcal W_t } $$ 的 empirical basis。 最後，SEHTS-01 讓 evidence 不只是一次性的 observation： $$ e_t $$ 而可以成為： $$ \boxed{ \mathcal T_t(e_t) } $$ 的 persistent historical trace， 進入： $$ G_{t+1}, K_{t+1}. $$ 所以整個系統最後不是： $$ \boxed{ P_t \rightarrow P_{t+1}. } $$ 而是： $$ \boxed{ P_t \rightarrow \mathcal H_t \rightarrow a_t \rightarrow o_{t+1} \rightarrow V_t \rightarrow \mathcal T_{t+1} \rightarrow K_{t+1} \rightarrow \mathfrak D_{t+1} \rightarrow P_{t+1}. } $$ 這就是兩套研究真正接上的地方。 **概率負責在當前可表達域中分配 uncertainty。** **世界與 verifier 負責提供不可由 proposal layer 任意指定的約束。** **AER 負責主動取得足以區分、淘汰或重構 hypotheses 的 evidence。** **UJDPF 負責規範 probability 在 domain 變動時如何合法搬運。** **SEHTS 負責讓這些 epistemic events 形成可跨時間重新使用的歷史。** 因此最終得到的不是： $$ \boxed{ \text{Probability vs Determinism}. } $$ 而是： $$ \boxed{ \text{Dynamic Epistemic–Probabilistic Reconstruction}. } $$ 這才是下一階段可以繼續展開的真正中樞。 --- # 參考文獻 [1] Walsh, S. N., Wildey, T. M., & Jakeman, J. D. (2018). Optimal Experimental Design Using a Consistent Bayesian Approach. *ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part B: Mechanical Engineering*, 4(1). DOI: 10.1115/1.4037457. Preprint: arXiv:1705.09395. [2] Lu, C., Lu, C., Lange, R. T., Foerster, J., Clune, J., & Ha, D. (2024). *The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery*. arXiv:2408.06292. [3] Novikov, A., et al. (2025). *AlphaEvolve: A coding agent for scientific and algorithmic discovery*. arXiv:2506.13131. [4] Ghareeb, A. E., et al. (2026). A multi-agent system for automating scientific discovery. *Nature*, 655, 497–505. DOI: 10.1038/s41586-026-10652-y. [5] Gottweis, J., et al. (2026). Accelerating scientific discovery with Co-Scientist. *Nature*, 655, 487–496. DOI: 10.1038/s41586-026-10644-y. [6] Huang, J., Chen, X., Mishra, S., Zheng, H. S., Yu, A. W., Song, X., & Zhou, D. (2024). Large Language Models Cannot Self-Correct Reasoning Yet. *ICLR 2024*. arXiv:2310.01798. [7] Neo.K. (2026). *AI 不只是「概率模型」：從條件生成到概率—確定性混合認識系統*. AI Epistemic Reconstruction Series, Paper 01. [8] Neo.K. (2026). *同一個 01 並不是同一個語義 01：位元、表示域、定義域與判定域*. AI Epistemic Reconstruction Series, Paper 02. [9] Neo.K. (2026). *從先驗到未知語義：AI 在半黑箱環境中的主動認識重構*. AI Epistemic Reconstruction Series, Paper 03. [10] Neo.K. (2026). *世界會反駁 AI：外部約束推理、假說淘汰與可證偽 Agent*. AI Epistemic Reconstruction Series, Paper 04. [11] Neo.K. (2026). *從十二小時到幾 KB：Evidence Explosion 與 Long-Horizon AI Research 的語義再壓縮*. AI Epistemic Reconstruction Series, Paper 05. [12] Neo.K. (2026). *超概率統一框架：判定域、尺度、時間、遞歸階與傳輸見證的公理化*. JDPSP-09 / UJDPF. [13] Neo.K. (2026). *被概率描述的存在書寫概率：自指生成、歷史固化與認識域重構*. SEHTS-01. --- # Appendix A. Unified State Schema ```text epistemic_probability_state: state_id: time: judgment_domain: reference_scope: scale: context: carrier: event_ontology: hypothesis_space: version: hypotheses: probability_state: measure: role: belief predictive proposal action normalization_status: canonical_epistemic_state: verified: invalidated: unknown: excluded: current_frontier: history: provenance_graph: contradiction_ledger: evidence_store: ``` # Appendix B. Transition Schema ```text transition: source_state: target_state: action: id: selection_policy: expected_gain: cost: observation: raw_pointer: scope: environment: verifier: contract: result: strength: update_mode: reweight contract reconstruct probability_update: likelihood: posterior: surviving_mass: domain_change: hypothesis_space_changed: carrier_changed: event_ontology_changed: semantic_mapping_changed: judgment_rule_changed: transport_witness: judgment_translation: formal_transport: assumptions: provenance: historical_trace: evidence_hash: timestamp_status: contradiction_pointer: ``` # Appendix C. Reconstruction Triggers ```text RECONSTRUCT_DOMAIN if any: - posterior_normalizer_is_zero - strong_verifier_eliminates_all_current_hypotheses - repeated_observations_outside_predictive_support - representation_tests_incompatible_with_current_semantics - event_ontology_cannot_type_new_observation - confirmed_scope_or_version_mutation ``` # Appendix D. Bridge Map ```text UJDPF: contributes: judgment typing probability integrity witnessed transport globality probability order PDHES: contributes: probabilistic generator tool system external environment persistent state verifier control policy AER: contributes: hypothesis space action selection fresh evidence discriminating experiment epistemic update domain reconstruction SEHTS: contributes: historical trace provenance persistence contradiction persistence cross-session evidence Unified loop: probability -> hypothesis -> action -> world observation -> verifier -> historical trace -> epistemic state -> judgment domain -> probability ```