# Series C / Paper 10 # 超越數學與程式：不同世界中的驗證密度、自主性邊界與現實閉環 ## Beyond Mathematics and Code: Verification Density, Autonomy Boundaries, and Closed Loops Across Worlds 版本：v1.0 日期：2026-08-14 狀態：Final theory + cross-world verification paper ## 摘要 數學與程式為什麼往往最早出現高可信度的 AI 自主研究閉環？一個重要原因不是這兩個領域「更真」，而是它們具有較高密度的低成本、可重放、可形式化、可產生反例的驗證通道。當 Agent 從 formal mathematics 與 executable software 向 simulation、instrumented physical science，再向 non-stationary open world 擴張時，verification 並未消失，但其成本、latency、grounding、calibration、replayability 與 truth-condition completeness 會改變。 本文提出 **Verification Information Density（VID）**。對研究 claim / action $q$，令其真偽／成功狀態為 $Y_q$，可用 verifier 集合為 $\mathcal V(q)$。對 verifier subset $S$，令 $Z_S$ 為 verifier outputs。定義 normalized discriminative information： $$ D(S;q) = \frac{ I( Y_q; Z_S \mid B_q ) }{ H( Y_q \mid B_q ) } $$ 當分母非零；若 truth 已由 prior 決定，定義 $D=1$。再令： - $R(S)\in[0,1]$：replayability； - $G(S)\in[0,1]$：external-grounding / world-fidelity； - $J(S)\in[0,1]$：error-channel independence from the generating process； - $T(S)\in[0,1]$：temporal validity / stationarity； - $C(S)\geq0$：normalized resource cost； - $L(S)\geq0$：normalized latency。 則局部 verification information density 定義為： $$ \boxed{ \nu(q;\mathcal E) = \sup_{ S\subseteq\mathcal V(q) } \frac{ D(S;q) R(S) G(S) J(S) T(S) }{ 1+C(S)+\lambda L(S) }. } $$ Domain-level density： $$ \boxed{ \mathrm{VID}(\mathcal D) = \mathbb E_{ q\sim\mathcal D } [ \nu(q;\mathcal E) ]. } $$ 本文強調 VID 是 task-relative engineering abstraction，不是宇宙真理排序。Formal world 通常具有高 replayability 與低 marginal verification cost，但仍受 formalization / specification fidelity 限制；computational world 可以 execution、test 與 counterexample，但 tests 不等於 complete specification；simulation world 可以高密度重放，卻存在 surrogate-to-reality gap；instrumented physical world 具有真正外部 grounding，但需 calibration、uncertainty、sample/instrument state、cost 與 environmental drift；open world 則常同時具有 non-stationarity、partial observability、distributed evidence 與不完備 truth criteria。 本文證明四個主要結果。 第一，**Verifier-Option Monotonicity Theorem**：在其他 quantity 定義不變時，若 verifier option set 擴張而原有 verifiers 保留，則 $\nu$ 不下降。 第二，**Grounding Ceiling Theorem**：因 $D,R,J,T\leq1$ 且 denominator 至少為 1，有： $$ \nu(q;\mathcal E) \leq \sup_S G(S). $$ 因此一個完全可重放、內部判定完美的 simulator，如果 world fidelity 很低，其 world-level verification density 仍受 grounding ceiling 限制。 第三，**Perfect Surrogate Verification Counterexample**：存在 simulator 內部 verifier 對 surrogate objective 完全正確，但 surrogate 與 real world 的 mapping 錯誤，導致被完美驗證的 action 在真實世界失敗。故： $$ \boxed{ \text{perfect internal verification} \nRightarrow \text{external validity}. } $$ 第四，**Replication-with-Bias Proposition**：物理 measurement 若： $$ X_i = \theta+b+\epsilon_i, $$ 其中 $\epsilon_i$ 為零均值、variance $\sigma^2$ 的獨立 noise，則 $n$ 次平均 estimator 的 MSE： $$ \boxed{ \operatorname{MSE}( \bar X_n ) = b^2 + \frac{\sigma^2}{n}. } $$ 增加 replication 可以壓低 random noise，卻不能消除 systematic calibration bias $b$。這解釋為什麼 physical verification 不只需要「多量幾次」，還需要 calibration、provenance 與獨立 instrument / model challenge。 2026 年公開系統已開始跨越這些 verification regimes。Lean 展示 formal kernel / proof-checking substrate；AlphaEvolve 明確依賴「可用 code 表達且有 automated score」的高 verification-density domain；DeepMind 將 AI-for-science 的下一個瓶頸描述為 validation；AHOIS 與 Qiushi Engine 已在真實 optical platforms 上讓 Agent 依物理 evidence 修改 hypothesis 並進行 end-to-end discovery；Lab Agent Protocol 將 calibration reference、measurement uncertainty、instrument signature、sample locking 與 safety handshake 直接寫入 agent-to-instrument protocol；AIMS 與 autonomous quantum-sensing work則把 uncertainty 轉成下一個 measurement action。另一方面，PhySciBench 與 SpatialBench-Long 顯示，一旦任務需要從複雜 physical / biological evidence 中恢復科學結論，frontier agents 的表現仍明顯低於高 verification-density 的數學／程式環境。 因此本文的核心結論不是： $$ \text{formal} > \text{physical} > \text{open world}. $$ 而是： $$ \boxed{ \text{AI autonomy becomes easier to stabilize where reliable verification information is dense, cheap, replayable, and sufficiently grounded.} } $$ 向更開放世界擴張的主要問題，不只是生成能力，而是如何**創造新的 verifier、instrument、measurement protocol、causal intervention、provenance system 與 governance structure**，使 verification density 隨 capability 一起擴張。 **關鍵詞：** verification density；AI for science；formal verification；simulation-to-reality gap；self-driving laboratory；instrumented science；open-world agents；autonomous research；validation bottleneck --- ## 1. 為什麼數學與程式最早「看起來像自主研究」？ 在 formal mathematics 中，一個 proof claim 可以被轉成： $$ \text{statement} + \text{proof object} \rightarrow \text{kernel check}. $$ 在 software 中，一個 behavioral claim 可以部分轉成： $$ \text{code} + \text{input} \rightarrow \text{execution} $$ 以及： $$ \text{test} \rightarrow \{ \text{pass}, \text{fail} \}. $$ 這兩個 domain 都大量存在： - cheap replay； - exact or near-exact interfaces； - executable counterexamples； - automated checking； - machine-readable provenance。 所以： $$ \boxed{ \text{candidate generation} } $$ 與： $$ \boxed{ \text{candidate rejection} } $$ 都可以高速進行。 這使自主閉環較容易穩定。 --- ## 2. Lean：Formal Verification Substrate Lean 是 proof assistant / programming language。 其核心意義之一是 proof object 可以交由 kernel type checker 驗證。 因此在 statement 已正式化後，可以得到： $$ \boxed{ \text{high replayability} + \text{low marginal verification cost} + \text{explicit rejection}. } $$ 但 Paper 04 已說明： $$ \text{proof checker accepts} $$ 仍然依賴： - logic； - theorem statement； - kernel implementation； - formalization fidelity。 所以 formal world 高 verification density 不等於 absolute truth。 --- ## 3. AlphaEvolve：Verification-Dense Search AlphaEvolve 的核心條件是： > 問題能用 code 表達，而且 candidate quality 能自動評分。 其 loop： $$ \text{generate} \rightarrow \text{verify} \rightarrow \text{run} \rightarrow \text{score} \rightarrow \text{select}. $$ 這使大量 candidate search 成為可能。 因此 AlphaEvolve 的成功不是單純因為模型生成能力很強。 它同時依賴： $$ \boxed{ \text{a dense automated evaluator}. } $$ 如果沒有 evaluator，candidate generation 很快就會遇到 Paper 05 的 verification backlog。 --- ## 4. Verification Information Density 考慮 claim： $$ q. $$ 它有 correctness random variable： $$ Y_q \in \{0,1\}. $$ 目前 prior / epistemic context： $$ B_q. $$ verifier subset： $$ S. $$ 產生： $$ Z_S. $$ 定義 verifier 對 truth 的 normalized discriminative information： $$ D(S;q) = \frac{ I( Y_q; Z_S \mid B_q ) }{ H( Y_q \mid B_q ) }. $$ 因此： $$ 0 \leq D \leq 1. $$ 若： $$ D=0, $$ verifier output 對 truth 沒有額外資訊。 若： $$ D=1, $$ 在該 probabilistic model 下，verifier 完全消除剩餘 truth uncertainty。 --- ## 5. Replayability 令： $$ R(S) \in [0,1]. $$ 它表示在相同 relevant conditions 下，verification 是否可由： - 不同時間； - 不同 evaluator； - 不同 infrastructure； 重做並取得語義相容結果。 Formal proof checking 通常： $$ R \approx1. $$ stochastic laboratory experiment 的 exact bit-level replay： $$ R<1, $$ 但 statistical reproducibility 仍可能很高。 所以 replayability 不應被錯誤限制成： $$ \text{identical bytes only}. $$ --- ## 6. Grounding 最重要的量之一： $$ G(S) \in [0,1]. $$ 它回答： > verifier 到底是在驗證我們真正關心的 world claim，還是在驗證 surrogate？ 例如 unit test： $$ G $$ 受到 test specification coverage 限制。 simulation： $$ G $$ 受到 simulator fidelity 限制。 physical calibrated instrument： $$ G $$ 可以很高， 但仍受到： - sensor model； - calibration； - hidden confounder； - measurement theory； 影響。 --- ## 7. Error-Channel Independence 如果 candidate 由模型： $$ M $$ 生成， verifier 又是： $$ \text{same model with same context} $$ 則兩者 error correlation 可能很高。 定義： $$ J(S) \in [0,1] $$ 描述 verifier error channel 與 generation error channel 的非冗餘程度。 Paper 02 的： $$ N_{\mathrm{eff}} $$ 問題在這裡重新出現。 所以： $$ \boxed{ \text{more verification calls} \neq \text{more verification information}. } $$ --- ## 8. Temporal Validity open world 中： $$ Y_q(t) $$ 可能隨時間改變。 因此： $$ T(S) \in [0,1] $$ 表示 verifier evidence 對 action time / decision time 仍有效的程度。 例如： - theorem truth：通常高； - compiled test result：固定 artifact 下高； - server status：短時間有效； - market / politics / regulations：可能快速變動。 所以： $$ \boxed{ \text{verification} } $$ 具有 timestamp。 --- ## 9. Cost 與 Latency 令： $$ C(S)\geq0 $$ 為 normalized resource cost： - compute； - API； - instrument time； - sample consumption； - human labor。 令： $$ L(S)\geq0 $$ 表示 latency。 因此： $$ \boxed{ \nu(q;\mathcal E) = \sup_S \frac{ D R G J T }{ 1+C+\lambda L }. } $$ 高密度的意思不是： > verifier 很厲害。 而是： > 對這個 claim，可以相對低成本、低延遲地取得大量可靠、可重放、外部對準且非冗餘的判別資訊。 --- ## 10. Domain-Level VID 對 task / claim distribution： $$ q \sim \mathcal D, $$ 定義： $$ \boxed{ \mathrm{VID}( \mathcal D ) = \mathbb E[ \nu(q) ]. } $$ 實際 benchmark 可以報告 distribution： $$ P( \nu ) $$ 而不只 scalar mean。 因為同一 domain 中： - 有些 claims 很容易驗證； - 有些 claims 幾乎沒有 oracle。 --- ## 11. 定理 1：Verifier-Option Monotonicity 若： $$ \mathcal V_1(q) \subseteq \mathcal V_2(q), $$ 且所有舊 verifier 的： $$ D,R,G,J,T,C,L $$ 在擴張後保持不變， 則： $$ \boxed{ \nu_1(q) \leq \nu_2(q). } $$ ### 證明 $\nu$ 是在 verifier subset 上取 supremum。 $\mathcal V_2$ 的可選集合包含 $\mathcal V_1$ 的全部選項。 因此 supremum 不可能下降。 證畢。 ### 意義 增加一個 verifier 不保證系統一定使用它， 但： $$ \boxed{ \text{available verification option set} } $$ 本身不會降低最優 verification density。 --- ## 12. 定理 2：Grounding Ceiling 因： $$ 0\leq D,R,J,T\leq1, $$ 且： $$ 1+C+\lambda L \geq1, $$ 對任何 verifier subset： $$ \frac{ DRGJT }{ 1+C+\lambda L } \leq G. $$ 因此： $$ \boxed{ \nu(q) \leq \sup_SG(S). } $$ 證畢。 這是一個很重要的限制。 即使 simulation verifier： $$ D=1, \quad R=1, \quad J=1, \quad T=1, $$ 如果： $$ G=0.2, $$ 則： $$ \nu \leq0.2. $$ 所以內部 verification 再完美，也不能自動填補 reality gap。 --- ## 13. Surrogate Verification Gap 令真實 world objective： $$ f(a). $$ simulator objective： $$ \hat f(a). $$ 假設 verifier 對： $$ \hat f $$ 完全精確。 選擇： $$ a^\star = \arg\max_a \hat f(a). $$ 若存在： $$ a_1,a_2 $$ 使： $$ \hat f(a_1) > \hat f(a_2) $$ 但： $$ f(a_1) < f(a_2), $$ 那 simulator 中完美選出的： $$ a_1 $$ 在真實 world 反而比較差。 因此： $$ \boxed{ \text{perfect surrogate verification} \nRightarrow \text{external validity}. } $$ 這個 counterexample 不需要 AI。 它是所有 simulation-based autonomy 的結構問題。 --- ## 14. Simulation World Simulation 很強，因為可以： - replay； - reset； - branch； - inspect hidden state； - accelerate time； - create counterfactuals。 所以： $$ R $$ 與： $$ D $$ 可能極高。 但是 simulator 是： $$ \boxed{ \text{model of world}, } $$ 不是 world 本身。 2026 agentic world-model research 也將 surrogate-to-reality gap 視為 scientific / physical agent 的關鍵問題。 因此 simulation 最適合作為： $$ \boxed{ \text{high-density hypothesis filter}, } $$ 而不是唯一 final truth oracle。 --- ## 15. Instrumented Physical World 進入 real instrument 後， observation： $$ y $$ 受到： $$ y = h( W, \theta, e ) + \epsilon $$ 影響。 其中： - $\theta$：calibration parameters； - $e$：environment state； - $\epsilon$：noise。 所以 physical verifier certificate 必須比： $$ \text{output}=3.14 $$ 豐富。 至少需要： - units； - calibration reference； - measurement uncertainty； - instrument state； - environment； - sample identity； - provenance。 --- ## 16. Lab Agent Protocol 2026 的 Lab Agent Protocol 明確針對 agent-to-instrument edge。 它加入： - signed InstrumentCard； - instrument / sample reservation； - safety-fence handshake； - task-bound operator confirmation； - physically typed MeasurementResult； - calibration reference； - propagated uncertainty； - provenance manifest； - instrument signature。 這非常重要。 因為： $$ \boxed{ \text{physical verification} } $$ 不只是： $$ \text{call tool and get number}. $$ 而是： $$ \boxed{ \text{measurement protocol} + \text{calibration} + \text{uncertainty} + \text{resource state} + \text{safety}. } $$ --- ## 17. 命題 4：Replication with Systematic Bias measurement： $$ X_i = \theta + b + \epsilon_i, $$ 其中： $$ \mathbb E[ \epsilon_i ] = 0, $$ $$ \operatorname{Var}( \epsilon_i ) = \sigma^2, $$ 且 $\epsilon_i$ independent。 平均： $$ \bar X_n = \theta + b + \bar\epsilon_n. $$ bias： $$ \operatorname{Bias}( \bar X_n ) = b. $$ variance： $$ \operatorname{Var}( \bar X_n ) = \frac{ \sigma^2 }{ n }. $$ 因此： $$ \boxed{ \operatorname{MSE}( \bar X_n ) = b^2 + \frac{ \sigma^2 }{ n }. } $$ 所以： $$ n\rightarrow\infty $$ 時： $$ \operatorname{MSE} \rightarrow b^2. $$ 也就是重複實驗可以壓 random noise， 卻不能靠「多做幾次」消除 systematic bias。 --- ## 18. AHOIS：Evidence-Grounded Revision AHOIS 在 real multimode-fibre optical platform 上進行 closed-loop experimentation。 系統不只執行固定 workflow， 而由 physics critic 做： - causal questioning； - constraint checking； - counterexample generation； - falsification criteria。 並讓 evidence 回寫 hypothesis。 這非常接近 Paper 05 定義的： $$ \boxed{ \text{evidence} \rightarrow \text{epistemic update} \rightarrow \text{future policy}. } $$ 而且 verifier 不再只是 digital test， 而是： $$ \boxed{ \text{physical measurement}. } $$ --- ## 19. Qiushi Discovery Engine Qiushi Engine 2026 進一步展示 real optical platform 的 end-to-end autonomous discovery。 其長程研究涉及： - thousands of reasoning / measurement / revision actions； - Meta-Trace memory； - nonlinear research phases； - repeated physical experiments。 這類系統的重要性不只在「AI 發現了什麼」。 而是它們把： $$ \boxed{ \text{physical external world} } $$ 直接放進 Agent epistemic loop。 因此： $$ G $$ external grounding 可以比純 simulator 更高， 代價是： $$ C, \quad L $$ 也顯著增加。 --- ## 20. AIMS 與 Measurement-as-Action AIMS 2026 將 uncertainty 直接轉換成下一步 measurement selection。 這代表 physical verification 不再只是： $$ \text{做完研究後驗證}. $$ 而可以變成： $$ \boxed{ \text{uncertainty} \rightarrow \text{next measurement action}. } $$ 這與 Paper 03 的 active verification 形成完整連接。 --- ## 21. Physical Science 目前仍明顯困難 PhySciBench 2026 測試 physical-science deep research。 其 strongest general-purpose baseline 約： $$ 33.5\% $$ accuracy， failure analysis 包括： - brittle long-horizon reasoning； - weak transfer across steps； - insufficient physics-grounded verification。 SpatialBench-Long 又要求從 raw / near-raw spatial-biology data 恢復 scientific claims。 其最佳 model–harness combinations 在公開結果中也只有： $$ 8/72 = 11.1\% $$ runs 成功。 這些 benchmark 不應和 formal proof benchmark 直接數值比較。 但它們清楚顯示： $$ \boxed{ \text{physical evidence interpretation} } $$ 仍是 Agent autonomy 的主要難區。 --- ## 22. Five Verification Regimes 本文提出五個典型 regime。 ### $\mathcal W_0$：Formal World 例： - theorem proving； - formal logic； - model checking。 通常： - $D$ 高； - $R$ 高； - $C$ 低； - $L$ 低。 主要 gap： $$ \boxed{ \text{formalization / specification fidelity}. } $$ ### $\mathcal W_1$：Computational World 例： - software； - algorithms； - databases； - symbolic computation。 通常： - execution cheap； - replayable； - counterexample easy。 主要 gap： - incomplete tests； - environment mismatch； - numerical errors； - wrong specification。 ### $\mathcal W_2$：Simulated World 例： - physics simulation； - robotics simulator； - digital twin； - world model。 通常： - replayability 高； - branching 高； - hidden state 可見。 主要 gap： $$ \boxed{ \text{surrogate-to-reality fidelity}. } $$ ### $\mathcal W_3$：Instrumented Physical World 例： - self-driving lab； - optical platform； - quantum experiment； - automated chemistry。 優勢： $$ \boxed{ \text{external physical grounding}. } $$ 成本： - latency； - calibration； - uncertainty； - drift； - sample consumption； - irreversibility； - safety。 ### $\mathcal W_4$：Open World 例： - economics； - policy； - organizations； - law； - social systems； - historical inference； - open-ended field research。 常見困難： - truth condition fragmented； - multiple observers； - partial observability； - non-stationarity； - causal confounding； - strategic actors； - normative criteria； - irreversible consequences。 因此 verifier 往往不是： $$ V: q \rightarrow \{ 0,1 \}. $$ 而是： $$ \boxed{ \text{network of provisional evidence}. } $$ --- ## 23. 五層不是嚴格排序 非常重要： 本文不主張： $$ \mathrm{VID}( \mathcal W_0 ) > \mathrm{VID}( \mathcal W_1 ) > \cdots > \mathrm{VID}( \mathcal W_4 ) $$ 對所有 task 成立。 例如一個 badly formalized theorem： $$ G\approx0. $$ 而一個精密 calibrated physical measurement： $$ G\approx1. $$ 後者完全可以擁有更高 VID。 所以五層只是： $$ \boxed{ \text{typical verification regimes}. } $$ 不是 total order。 --- ## 24. Internal Verification vs External Grounding 這是整篇最重要的二維圖。 令： $$ V_I $$ 表示 internal verification strength， $$ G_E $$ 表示 external grounding。 ### High $V_I$, High $G_E$ 理想： - formalized empirical claim； - calibrated instrument； - independent replication； - strong theory / measurement link。 ### High $V_I$, Low $G_E$ 典型： $$ \boxed{ \text{perfect simulation of wrong model}. } $$ ### Low $V_I$, High $G_E$ 可能有： - 真實 data； - 但 analysis / interpretation 極弱。 ### Low $V_I$, Low $G_E$ 純 speculative generation。 因此 autonomous science 要做的是： $$ \boxed{ V_I\uparrow \quad\land\quad G_E\uparrow. } $$ --- ## 25. Verification Density 與 Autonomy 如果： $$ \nu $$ 高， Agent 可以快速做到： $$ \text{generate} \rightarrow \text{reject} \rightarrow \text{repair}. $$ 如果： $$ \nu $$ 低， 則同一個 cycle 可能需要： - human review； - expensive experiment； - months of observation； - social consensus； - legal process。 所以： $$ \boxed{ \text{autonomy speed ceiling} } $$ 受到 verification density 限制。 這也是為什麼「AI 能生成很多 hypothesis」不自動變成「AI 能快速做很多可靠 science」。 --- ## 26. Validation Bottleneck DeepMind 2026 將 Agent-driven science 的問題描述為新的 validation bottleneck。 其核心張力： $$ \boxed{ \text{candidate generation rate} \gg \text{human / experimental validation rate}. } $$ 這與 Paper 05 verification backlog 完全一致。 因此 frontier AI-for-science 的下一步不只需要： $$ \text{better proposer}. $$ 也需要： $$ \boxed{ \text{better validators}. } $$ --- ## 27. Better Validators 是什麼？ 可能包括： ### Formal Validators proof checker、symbolic system。 ### Computational Validators tests、fuzzing、execution、benchmark。 ### Simulation Validators ensemble simulations、model comparison、uncertainty quantification。 ### Physical Validators automated experiment、sensor、calibration、replication。 ### Open-World Validators multi-source evidence、causal inference、auditing、prospective prediction、human expert review、institutional accountability。 因此： $$ \boxed{ \text{AI progress} } $$ 的一大部分可能會變成： $$ \boxed{ \text{building better external truth channels}. } $$ --- ## 28. Verification Engineering 本文因此提出一個新的工程視角： $$ \boxed{ \textbf{Verification Engineering}. } $$ 目標不是只提升 model accuracy。 而是對 domain $\mathcal D$ 主動提高： $$ \mathrm{VID}( \mathcal D ). $$ 手段可能是： - 新 checker； - 新 benchmark； - 新 sensor； - 新 protocol； - better provenance； - calibration； - independent replication； - lower latency； - safer automated experimentation。 這會直接擴大可自主化的研究範圍。 --- ## 29. Verification-Density Gain 對原環境： $$ \mathcal E_0, $$ 工程後： $$ \mathcal E_1. $$ 定義： $$ \boxed{ \Delta_{\mathrm{VID}} = \mathrm{VID}( \mathcal D; \mathcal E_1 ) - \mathrm{VID}( \mathcal D; \mathcal E_0 ). } $$ 如果： $$ \Delta_{\mathrm{VID}}>0, $$ 代表 domain 變得更適合： - automated search； - autonomous experimentation； - machine-scale error correction。 這提供一個和「模型變強」完全不同的 AI progress 軸。 --- ## 30. Instrumentation as Epistemic Infrastructure 當一個 domain 原本只能由人類模糊觀察， 但新 instrumentation 將其變成： $$ \text{typed measurement} + \text{timestamp} + \text{calibration} + \text{uncertainty} + \text{machine-readable provenance}, $$ 就等於： $$ \boxed{ \mathrm{VID}\uparrow. } $$ 所以 Agent 科學能力不只靠更強模型。 也靠： $$ \boxed{ \text{把世界改造成更可測量}. } $$ 這與「計算機是相對客觀載體」完全接上。 --- ## 31. Open World 的特殊困難 open world 中： $$ \boxed{ \text{the verifier is often part of the world being studied}. } $$ 例如： - financial market 會回應行動； - human organization 會改變策略； - law 會更新； - policy 會改變 incentives； - social measurement 可能影響被測者。 因此： $$ Y_q $$ 甚至不是 stationary random variable。 這使： $$ T(S) $$ 成為核心。 --- ## 32. Stale Verification 假設 verifier 在： $$ t $$ 證明： $$ Y_q(t)=1. $$ 但 decision 在： $$ t+\tau. $$ 如果： $$ Y_q(t+\tau)=0, $$ 則 verification 在產生時是正確的， 但對 action time 已經失效。 因此 open-world certificate 必須保存： $$ \boxed{ \text{validity horizon}. } $$ 而不是只保存： $$ \text{verified=true}. $$ --- ## 33. Normative Claims 部分 open-world questions 甚至沒有單一： $$ Y_q \in \{ 0,1 \}. $$ 例如： - fairness； - policy desirability； - acceptable risk； - legal interpretation under ambiguity。 這些問題需要： - explicit values； - rule systems； - stakeholder constraints； - plural criteria。 因此： $$ \boxed{ \text{verification} } $$ 與： $$ \boxed{ \text{deliberation} } $$ 不能混為一談。 AI 可以協助檢查： > 在給定規範下，結論是否一致？ 卻不能只靠計算機 execution 自動產生唯一 normative truth。 --- ## 34. Open-World Admissible Sets Paper 03 的： $$ \mathcal A_t $$ 在 open world 特別重要。 當沒有唯一 oracle 時， 系統保存： $$ \boxed{ \text{surviving world hypotheses} } $$ 比強迫： $$ \text{single answer} $$ 更合理。 所以： $$ \text{low VID} $$ 不等於停止研究。 而可能意味： $$ \boxed{ \text{retain uncertainty longer}. } $$ --- ## 35. Active Verification 如果 claim： $$ \phi $$ 目前 Undetermined， Agent 不應只是再生成更多文字。 而應尋找： $$ q^\star = \arg\max_q \Delta_{\mathrm{VID}}( q; \phi ) $$ 或更一般： $$ q^\star = \arg\max_q \text{expected epistemic gain per resource}. $$ 這將自主研究從： $$ \text{answer generation} $$ 改成： $$ \boxed{ \text{verification-channel acquisition}. } $$ --- ## 36. Autonomous Science 的真正稀缺資源 未來最稀缺的可能不是： $$ \boxed{ \text{hypotheses}. } $$ 因為 AI 可以非常快產生 hypothesis。 而是： $$ \boxed{ \text{high-quality evidence}. } $$ 尤其是： - expensive physical evidence； - longitudinal evidence； - causal evidence； - independent replication； - high-stakes human evidence。 所以自主研究經濟學會越來越像： $$ \boxed{ \text{verification allocation problem}. } $$ --- ## 37. Physical Experiment Scheduling real lab 中 instrument 是： - exclusive； - costly； - stateful； - sometimes hazardous。 因此 Agent 不只是： > 我要跑 experiment X。 還必須考慮： $$ \boxed{ \text{expected information gain} / \text{instrument cost}. } $$ self-driving-lab 研究已開始直接最佳化： - experiment rounds； - experiment cost； - information value。 這正是 physical VID engineering。 --- ## 38. Verification Density 與 Safety physical world 的低 reversibility 使： $$ \boxed{ \text{verification before action} } $$ 比 digital world 更重要。 所以： $$ \nu $$ 不只影響 epistemic quality， 也影響 safe autonomy。 Lab Agent Protocol 把 safety-fence handshake 直接放進 instrument protocol，就是典型例子。 --- ## 39. World Ladder 與 Series C 整個 Series C 可以重新放到： $$ \boxed{ \mathcal W_0 \rightarrow \mathcal W_1 \rightarrow \mathcal W_2 \rightarrow \mathcal W_3 \rightarrow \mathcal W_4. } $$ ### Formal Paper 01 / 04 最容易。 ### Computational Paper 04 / 05。 ### Simulated Paper 02 / 03 / 06 / 07 可以大量測。 ### Instrumented Physical Paper 05 / 08 開始真正受到外部世界約束。 ### Open World Paper 08 / 09 的 governance、security、organization 成為必要條件。 因此： $$ \boxed{ \text{Series C 本質上也是一條「自主性外推」路徑}. } $$ --- ## 40. Structural Checker 本文附 Python checker。 ### 40.1 Verifier-Option Monotonicity 原 verifier set： $$ \{ v_1 \}. $$ 增加： $$ v_2 $$ 但保留 $v_1$。 checker 確認： $$ \nu_2 \geq \nu_1. $$ ### 40.2 Grounding Ceiling 設定： $$ D=R=J=T=1, $$ $$ G=0.2, $$ $$ C=L=0. $$ 得到： $$ \nu=0.2. $$ 即 internal checker perfect， 仍受： $$ G $$ 限制。 ### 40.3 Perfect Simulator Counterexample simulator： $$ \hat f(A)=10, \qquad \hat f(B)=8. $$ world： $$ f(A)=2, \qquad f(B)=9. $$ simulator 完美選： $$ A, $$ real world 最佳卻是： $$ B. $$ ### 40.4 Measurement Replication 令： $$ b=0.1, \quad \sigma=1. $$ 則： $$ \mathrm{MSE}(n) = 0.01 + \frac{1}{n}. $$ checker 驗證： $$ n : 1\rightarrow10000 $$ 時 MSE 降低， 但不可能低於： $$ 0.01. $$ ### 40.5 Typical Regime Map 用 toy profiles 計算： - formal； - computational； - simulation； - calibrated physical； - open-world； 的 VID。 再建立一個 badly grounded formalization， 使 calibrated physical 的 VID 高於它。 直接驗證： $$ \boxed{ \text{five regimes are not a universal total order}. } $$ --- ## 41. Final Series-C Synthesis Series C 的路徑現在完整形成： $$ \boxed{ \begin{aligned} &\text{Verification Attractor}\\ \rightarrow\;& \text{Observer-Network Normalization}\\ \rightarrow\;& \text{Admissible Worlds}\\ \rightarrow\;& \text{Epistemic Carriers}\\ \rightarrow\;& \text{Autonomous Research Closure}\\ \rightarrow\;& \text{Cross-Model Convergence}\\ \rightarrow\;& \text{AI Work Society}\\ \rightarrow\;& \text{Proto-General Autonomy}\\ \rightarrow\;& \text{Capability--Security Coexpansion}\\ \rightarrow\;& \text{Verification Density Across Worlds}. \end{aligned} } $$ 最初問題是： > 多 AI 能不能讓 hallucination 降低？ 最後變成： > 一個由多個不完美智能、工具、記憶、驗證器、制度與外部世界共同構成的系統，在什麼條件下能逐步形成可自我校正的共享研究閉環？ 本文的答案保持條件式： $$ \boxed{ \text{yes, where verification channels are sufficiently informative, independent, replayable, grounded, timely, and governable}. } $$ --- ## 42. 結論 本文定義： $$ \boxed{ \nu(q;\mathcal E) = \sup_S \frac{ D(S;q) R(S) G(S) J(S) T(S) }{ 1+C(S)+\lambda L(S) } } $$ 以及： $$ \boxed{ \mathrm{VID}( \mathcal D ) = \mathbb E[ \nu(q) ]. } $$ 高 VID domain 更容易形成快速： $$ \text{generate} \rightarrow \text{verify} \rightarrow \text{repair} $$ 的 Agent loop。 但高 internal verification 若缺乏： $$ G $$ external grounding， 仍可能只是： $$ \boxed{ \text{reliably verifying the wrong surrogate}. } $$ physical experiment 提供 external grounding， 卻帶來： - calibration； - noise； - latency； - cost； - drift； - irreversibility。 open world 再加入： - non-stationarity； - strategic actors； - partial observability； - normative plurality。 所以從數學與程式向世界外推，自主性真正需要擴張的並不只是： $$ \boxed{ \text{model intelligence}. } $$ 還包括： $$ \boxed{ \text{verification infrastructure}. } $$ 本系列最後的核心結論因此是： $$ \boxed{ \textbf{ The frontier of autonomous intelligence is partly the frontier of how densely the world can return reliable corrective evidence to the intelligent system. } } $$ 當 AI 可以更快生成候選時， 下一個前沿就是： $$ \boxed{ \text{讓世界更快、更可靠地回答： 「你錯了，錯在哪裡，下一步該測什麼？」} } $$ 這也是為什麼數學與程式最先進入高可信自主閉環， 但不會是終點。 --- ## 參考文獻 1. Lean FRO. *Lean Programming Language / Theorem Proving and Proof Checking*. Current official documentation, accessed 2026-08-14. 2. Google DeepMind. *AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms*. 2025. 3. Google DeepMind. *AI agents and the new validation bottleneck in science*. 2026. 4. Zeng, X. et al. *Socratic Agents for Autonomous Scientific Discovery in High-Dimensional Physical Systems*. arXiv:2606.26722, 2026. 5. Yang, S. et al. *End-to-end Autonomous Scientific Discovery on a Real Optical Platform*. arXiv:2604.27092, 2026. 6. Zhu, L. et al. *LAP: An Agent-to-Instrument Protocol for Autonomous Science*. arXiv:2606.03755, 2026. 7. Hur, K. et al. *An Agentic Self-Driving Lab for Scientific Discovery*. arXiv:2607.04508, 2026. 8. *An Uncertainty-Aware AI Experimentalist for Quantum Matter*. arXiv:2607.16544, 2026. 9. Isogawa, T. et al. *Agentic AI for Scientific Reasoning in Autonomous Quantum Sensing Experiments*. arXiv:2607.25145, 2026. 10. *Deep Research in Physical Sciences: A Multi-Agent Physics Framework and Benchmark*. arXiv:2606.18648, 2026. 11. Diks, I. et al. *Verifiable Benchmarking of Long-Horizon Spatial Biology*. arXiv:2605.28065, 2026. 12. Zhuang, X. et al. *Embodied Science: Closing the Discovery Loop with Agentic Embodied AI*. arXiv:2603.19782, 2026. 13. Chu, M. et al. *Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond*. arXiv:2604.22748, 2026. 14. *Toward Trustworthy Autonomous Science*. arXiv:2607.12113, 2026. 15. Ding, T. et al. *Autonomous Research Agents: A Survey of AI Scientists and the Verification Gap*. arXiv:2608.05179, 2026. ## 狀態標記 - **Definitions:** Verification Information Density、discriminative information、replayability、grounding、error-channel independence、temporal validity、five verification regimes。 - **Proved:** Verifier-Option Monotonicity、Grounding Ceiling、Perfect Surrogate Verification Counterexample、Replication-with-Bias MSE result。 - **Externally grounded observations:** Lean proof-checking substrate、AlphaEvolve automated evaluation、DeepMind validation bottleneck、AHOIS / Qiushi real-world closed-loop discovery、LAP calibration/uncertainty protocol、AIMS / quantum-sensing agents、PhySciBench / SpatialBench-Long physical-science difficulty。 - **Structural checker:** verifier expansion、grounding ceiling、simulation counterexample、measurement bias floor、non-total-order regime map。 - **Not claimed:** formal domains are always more truthful than physical domains、VID is a universal scientific metric、open-world verification is impossible、autonomous science no longer needs human governance。