# 成功與失敗的雙重資訊：PDF 成功法與排除法的統一 ## Dual Information in Success and Failure: Unifying PDF Formation and Falsification **系列**：遞歸折疊認識論：從 PDF 成功—排除雙法到多模型可修正認知，第 2 篇／共 8 篇＋1 篇總結 **系列英文名**：Recursive Fold Epistemology: From the PDF Success–Falsification Duality to Corrigible Multi-Model Cognition **文件編號**：EML-RFE-2026-02-v0.1 **作者**：Neo.K with Aletheia（GPT-5.6 Sol） **機構**：EveMissLab／一言諾科技有限公司 **版本**：v0.1 **日期**：2026-09-02 **性質**：認識論／Bayesian Updating／Information Theory／Evidence Architecture／PDF Duality **狀態**：Public Theory Draft **直接前置**：EML-RFE-2026-01《不會錯的不是理論》 **吸收之未公開內部原型**：《PDF成功法：知識構建的螺旋辯證論》；《PDF排除法的形式化理論：失敗驅動的螺旋認識論》 --- ## 生成、版本與修正聲明 本文正式吸收兩篇未公開的 PDF 方法原型： - PDF 成功法（Proof by Data Formation）； - PDF 排除法（Proof by Data Falsification）。 舊版的重要直覺保留： $$ \boxed{ \text{Construction Matters} } $$ 與： $$ \boxed{ \text{Contradiction Matters}. } $$ 但本文明確修正三項過強命題。 第一，舊版曾把「任何非平凡單次觀測都使後驗理論熵嚴格下降」寫成一般定理。新版修正為： $$ \boxed{ H(\Theta\mid D) \le H(\Theta) } $$ 是**對資料分佈取期望後的條件熵關係**；對某一個已實現的具體觀測 $d$，後驗熵： $$ H(\Theta\mid D=d) $$ 可能下降，也可能上升。 第二，舊版曾把「失敗即進步」寫得近似無條件。新版改為： $$ \boxed{ \text{Informative Failure} + \text{Valid Update} \Rightarrow \text{Potential Epistemic Progress}. } $$ 噪音、錯誤儀器、無區分力測試與未被吸收的失敗，不自動構成進步。 第三，舊版曾把知識空間的累積描述成嚴格單調。新版區分： $$ D_t = \text{Evidence Ledger}, $$ 與： $$ K_t = \text{Current Accepted Knowledge}. $$ 證據歷史可盡可能累積保存，但目前接受的知識可以被撤回、降級、重新解釋或重構。 因此本文不是舊 PDF 雙法的重印，而是其 canonical 改良版。 --- # 摘要 科學與一般認知活動經常把「成功」與「失敗」視為相反結果。支持假設的觀測被稱為成功，違反預測的觀測被稱為失敗。這種語言在工程管理上方便，卻容易把結果情緒與認識論價值混為一談。 本文提出： $$ \boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. } $$ 一個「成功」實驗可能幾乎沒有區分力；一個「失敗」實驗也可能大幅重排候選理論。反之，一個失敗也可能只是不良儀器或無法重現的噪音。 因此，成功與失敗應統一視為： $$ \boxed{ \text{Evidence Events}. } $$ 令當前理論空間為： $$ \Theta_t = \{T_1,T_2,\ldots,T_n\}, $$ 其先驗或當前權重為： $$ q_t(T). $$ 觀測到資料： $$ D=d. $$ 貝葉斯更新為： $$ q_{t+1}(T) = P(T\mid d) = \frac{P(d\mid T)q_t(T)} {\sum_jP(d\mid T_j)q_t(T_j)}. $$ 本文以「貝葉斯驚奇」： $$ \boxed{ \mathcal I_d = D_{\mathrm{KL}} \left( q_{t+1}(T) \Vert q_t(T) \right) \ge0 } $$ 作為單次證據改變信念分佈程度的一個概念量。 若： $$ q_{t+1}=q_t, $$ 則： $$ \mathcal I_d=0. $$ 表示該觀測在當前模型空間與更新規則下沒有改變理論權重。 對資料分佈取期望： $$ \boxed{ \mathbb E_D[\mathcal I_D] = I(\Theta;D) \ge0. } $$ 這才是互資訊意義下「資料平均降低理論不確定性」的嚴格形式。 但即使： $$ \mathcal I_d>0, $$ 也不能自動推出： $$ \text{Closer to Truth}. $$ 因為： - 真模型可能不在 $\Theta_t$ ； - likelihood 可能錯； - 資料可能受污染； - 更新規則可能錯； - 觀測可能被錯誤建模。 因此本文把「資訊增益」與「認識論進步」再次分離： $$ \boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. } $$ PDF 成功法與排除法於是被重新統一為一個雙重資訊架構： $$ \boxed{ \text{Construct} \rightarrow \text{Observe} \rightarrow \text{Discriminate} \rightarrow \text{Update} \rightarrow \text{Preserve} \rightarrow \text{Reframe}. } $$ 成功法主要處理： $$ \boxed{ \text{What did this inquiry construct or reveal?} } $$ 排除法主要處理： $$ \boxed{ \text{What did this inquiry make less plausible or impossible?} } $$ 兩者共同更新： $$ \boxed{ \mathcal E_t = ( \Theta_t,D_t,K_t,F_t,U_t ). } $$ 因此新版 PDF 雙法不再將「成功」與「失敗」視為兩種不同的科學，而是把它們視為同一證據更新過程的兩個方向。 **關鍵詞**：PDF 成功法、PDF 排除法、證據事件、貝葉斯驚奇、互資訊、失敗資訊、知識帳本、認識論更新、可修正認知 --- # 0. 為什麼成功與失敗需要重新定義？ 研究者常說： > 實驗成功了。 通常代表： $$ d \approx \hat d(T). $$ 也就是觀測符合某個預測。 而： > 實驗失敗了。 常代表： $$ d \not\approx \hat d(T). $$ 但這兩句其實混合了至少三種不同事情： 1. 實驗是否正確執行； 2. 觀測是否符合預測； 3. 結果是否具有認識論資訊。 --- # 1. 工程成功與理論成功不同 一個實驗可以： $$ \boxed{ \text{Operational Success} } $$ 但： $$ \boxed{ \text{Hypothesis Failure}. } $$ 例如儀器正常、流程正確， 結果卻否定預測。 這不應被叫成「整體失敗」。 --- # 2. 理論支持也不等於認識論成功 若： $$ P(d\mid T_1) \approx P(d\mid T_2) \approx \cdots \approx P(d\mid T_n), $$ 即使 $d$ 符合 $T_1$， 也幾乎沒有區分模型。 所以： $$ \boxed{ \text{Prediction Match} \neq \text{Strong Evidence}. } $$ --- # 3. 新版第一原則：結果情緒與資訊價值分離 $$ \boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. } $$ 「成功」與「失敗」應先退回成： $$ \boxed{ \text{Evidence Event Labels}. } $$ --- # 4. 理論空間 令： $$ \boxed{ \Theta_t = \{T_1,T_2,\ldots,T_n\}. } $$ 每個理論具有當前權重： $$ q_t(T_i). $$ 且： $$ \sum_iq_t(T_i)=1. $$ --- # 5. 觀測事件 一個完整證據事件不只是一個數值 $d$。 本文定義： $$ \boxed{ e_t = ( d_t, s_t, m_t, q_t^{E}, r_t, \tau_t ). } $$ 其中： - $d_t$：觀測內容； - $s_t$：來源； - $m_t$：測量／取得方法； - $q_t^{E}$：證據品質； - $r_t$：可重現與可靠性資訊； - $\tau_t$：時間與版本。 --- # 6. 證據不是裸資料 所以： $$ \boxed{ D_t \neq \{d_1,d_2,\ldots\} } $$ 而更接近： $$ \boxed{ D_t = \{e_1,e_2,\ldots,e_t\}. } $$ 這是 Evidence Ledger。 --- # 7. 為什麼要保留 provenance？ 因為未來可能發現： $$ m_t $$ 有問題。 如果只保存結論： > $d_t$ 是真的。 就無法回溯。 所以： $$ \boxed{ \text{Evidence without Provenance} \rightarrow \text{Low Corrigibility}. } $$ --- # 8. 貝葉斯更新 在可機率化的模型空間中： $$ \boxed{ q_{t+1}(T_i) = \frac{ P(d\mid T_i)q_t(T_i) }{ \sum_jP(d\mid T_j)q_t(T_j) }. } $$ 這是 PDF 雙法統一的最小更新形式之一。 --- # 9. 成功與失敗在 Bayes 更新中沒有本體差別 如果： $$ d $$ 支持： $$ T_i, $$ 則： $$ q_{t+1}(T_i)\uparrow. $$ 如果： $$ d $$ 反對： $$ T_i, $$ 則： $$ q_{t+1}(T_i)\downarrow. $$ 兩者都只是： $$ \boxed{ \text{Posterior Redistribution}. } $$ --- # 10. Bayes Factor 統一支持與反對 對兩個模型： $$ T_i,T_j, $$ 定義： $$ \boxed{ BF_{ij}(d) = \frac{P(d\mid T_i)} {P(d\mid T_j)}. } $$ 取對數： $$ \boxed{ \Lambda_{ij}(d) = \log BF_{ij}(d). } $$ 若： $$ \Lambda_{ij}>0, $$ 資料偏向 $T_i$。 若： $$ \Lambda_{ij}<0, $$ 資料偏向 $T_j$。 --- # 11. 所謂支持與否證只是符號方向 因此： $$ \boxed{ \text{Support} \leftrightarrow +\Lambda } $$ 與： $$ \boxed{ \text{Contradiction} \leftrightarrow -\Lambda } $$ 可視為同一比較量的兩側。 --- # 12. 這就是 PDF 雙法的第一個統一 成功法問： > 新資料支持了什麼？ 排除法問： > 新資料削弱了什麼？ 而數學上都可以是： $$ \boxed{ \Delta q_t(T_i). } $$ --- # 13. 單次資訊量：Bayesian Surprise 本文採： $$ \boxed{ \mathcal I_d = D_{\mathrm{KL}} \left( q_{t+1} \Vert q_t \right) } $$ 作為「單次觀測使理論分佈改變多少」的一個量。 由 KL divergence： $$ \boxed{ \mathcal I_d\ge0. } $$ --- # 14. 零資訊事件 若： $$ q_{t+1}=q_t, $$ 則： $$ \boxed{ \mathcal I_d=0. } $$ 表示該資料在目前模型與更新架構下沒有改變信念。 --- # 15. 高資訊事件 若觀測使： $$ q_t $$ 大幅重排， 則： $$ \mathcal I_d $$ 較高。 這可以是「成功」也可以是「失敗」。 --- # 16. 高資訊成功 例如原本： $$ P(d\mid T_1)\ll1 $$ 對其他模型也低， 但結果強烈符合 $T_k$ 的獨特預測， 則： $$ q_{t+1}(T_k)\gg q_t(T_k). $$ 這是高資訊支持。 --- # 17. 高資訊失敗 若某主模型： $$ T_1 $$ 以高信心預測： $$ d_1, $$ 但可靠觀測得到： $$ d_2, $$ 且： $$ P(d_2\mid T_1)\ll1, $$ 則它可能造成巨大權重重排。 這是高資訊反例。 --- # 18. 低資訊成功 若所有模型都預測： $$ d, $$ 那麼： $$ d $$ 發生幾乎沒有區分力。 所以： $$ \boxed{ \text{Expected Success} \neq \text{High Information}. } $$ --- # 19. 低資訊失敗 如果儀器故障導致： $$ d_{\mathrm{noise}}, $$ 而沒有可靠 likelihood 可建模， 那麼這種「失敗」甚至不應直接更新理論。 --- # 20. 失敗首先要分類 新版將失敗拆成至少四類： $$ \boxed{ F = \{ F_{\mathrm{theory}}, F_{\mathrm{measurement}}, F_{\mathrm{execution}}, F_{\mathrm{modelspace}} \}. } $$ --- # 21. 理論失敗 $$ F_{\mathrm{theory}} $$ 指： > 實驗與測量可信，但理論預測被可靠反例削弱。 這是排除法最典型對象。 --- # 22. 測量失敗 $$ F_{\mathrm{measurement}} $$ 指： - 儀器錯誤； - calibration 錯誤； - 感測污染。 這時主要更新的是： $$ m_t $$ 與證據品質， 而不必直接淘汰理論。 --- # 23. 執行失敗 $$ F_{\mathrm{execution}} $$ 指： - 流程未完成； - 程式 bug； - 樣本處理錯誤； - 操作條件失真。 其主要產出可能是： $$ \boxed{ \text{methodological knowledge}. } $$ --- # 24. 模型空間失敗 最重要的新類型： $$ \boxed{ F_{\mathrm{modelspace}}. } $$ 它表示： > 多個候選都反覆失敗，而且沒有任何既有模型能穩定解釋資料。 此時： $$ \boxed{ T^*\notin\Theta_t } $$ 的後驗可信度應提高。 --- # 25. 這時排除法必須停下來 不能繼續： $$ \Theta_t \rightarrow \Theta_t\setminus\{T_i\} $$ 直到只剩一個「最不差」模型。 因為最後留下的模型也可能仍然錯。 --- # 26. 新版排除法的停止條件 若： $$ \max_iP(d_{1:t}\mid T_i) $$ 長期極低， 或所有模型皆存在系統性殘差， 則觸發： $$ \boxed{ \text{Reframe}(\Theta_t). } $$ --- # 27. 舊版熵下降命題的修正 對隨機變量： $$ \Theta,D, $$ 有： $$ \boxed{ H(\Theta\mid D) \le H(\Theta). } $$ 這表示知道 $D$ 之後的**平均條件熵**不高於先驗熵。 --- # 28. 但單次 posterior entropy 可以上升 對某一具體： $$ D=d, $$ 完全可能： $$ \boxed{ H(\Theta\mid D=d) > H(\Theta). } $$ 例如一個原本被高度偏好的模型遭到意外觀測削弱，使多個替代模型重新變得接近。 --- # 29. 這不是認識論倒退 熵上升可能代表： > 我們發現自己以前過度自信。 因此： $$ \boxed{ \text{Posterior Entropy Increase} \neq \text{Epistemic Failure}. } $$ 有時它反而是校正。 --- # 30. 驚奇與熵變是不同量 $$ \boxed{ D_{\mathrm{KL}}(q_{t+1}\Vert q_t) \ge0 } $$ 衡量分佈改變。 而： $$ \Delta H = H(q_{t+1})-H(q_t) $$ 可以正、負或零。 兩者不能混用。 --- # 31. 這修正舊 PDF 排除法最重要的數學部分 舊直覺： > 任何有效資料都讓理論空間熵下降。 新版： > 有效資料通常使信念分佈發生可測改變；平均而言資料提供非負互資訊，但單次觀測可能提高或降低後驗熵。 --- # 32. 期望資訊量 對所有可能資料： $$ \boxed{ \mathbb E_D \left[ D_{\mathrm{KL}} ( P(\Theta\mid D) \Vert P(\Theta) ) \right] = I(\Theta;D) \ge0. } $$ 這才是較嚴格的「實驗具有平均資訊價值」形式。 --- # 33. 但資訊增益不等於真理增益 即使： $$ I(\Theta;D)>0, $$ 若： $$ T^*\notin\Theta, $$ 只是更精確地在錯誤模型裡重新分配概率。 所以： $$ \boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. } $$ --- # 34. 錯誤 likelihood 也會產生自信 如果： $$ P(d\mid T) $$ 本身被錯誤指定， Bayes 更新可以非常一致地： $$ \boxed{ \text{become confidently wrong}. } $$ 因此更新方法也必須可審計。 --- # 35. Evidence Ledger 本文正式定義： $$ \boxed{ D_t = \{e_1,e_2,\ldots,e_t\}. } $$ 它保存研究歷史。 理想上： $$ D_{t+1} \supseteq D_t. $$ 但新增的也包括： - 撤銷標記； - 品質修訂； - provenance 修正； - replication 結果。 --- # 36. Evidence Ledger 的「單調」是紀錄單調，不是真理單調 所以： $$ \boxed{ \text{Ledger Monotonicity} \neq \text{Belief Monotonicity}. } $$ --- # 37. Current Accepted Knowledge $$ \boxed{ K_t = \text{currently accepted knowledge state}. } $$ 它可以： $$ K_{t+1}\supset K_t, $$ 也可以： $$ K_{t+1}\subset K_t, $$ 甚至重構成： $$ K_{t+1}\not\subseteq K_t \land K_t\not\subseteq K_{t+1}. $$ --- # 38. 所以知識不是嚴格只增不減 新版修正為： $$ \boxed{ \text{Knowledge Is Revisable}, } $$ 但： $$ \boxed{ \text{Epistemic History Should Be Preserved}. } $$ --- # 39. 成功法真正保留的是什麼？ 不是： > 每次成功都增加永恆真理。 而是： $$ \boxed{ \text{Inquiry Can Construct New Evidence, Methods, Representations, and Questions}. } $$ --- # 40. 建構性收益 本文定義： $$ \boxed{ G_t^{+} = ( G_D, G_M, G_R, G_Q, G_T ). } $$ 其中： - $G_D$：新資料； - $G_M$：新方法； - $G_R$：新表徵； - $G_Q$：新問題； - $G_T$：新理論結構。 --- # 41. 即使主假設失敗，也可以有高建構收益 因此： $$ \boxed{ F_{\mathrm{theory}}>0 } $$ 與： $$ \boxed{ G_t^{+}>0 } $$ 可以同時成立。 這就是成功法與排除法真正的對偶。 --- # 42. 「成功」因此應有兩個維度 $$ \boxed{ S_t = ( S_{\mathrm{prediction}}, S_{\mathrm{construction}} ). } $$ 第一個問： > 預測有沒有命中？ 第二個問： > 研究有沒有生成新認知結構？ --- # 43. 預測失敗可以伴隨研究成功 例如： $$ S_{\mathrm{prediction}}=0, $$ 但： $$ S_{\mathrm{construction}}\gg0. $$ 這不是矛盾。 --- # 44. 排除法真正保留的是什麼？ 不是： > 失敗一定讓熵降低。 而是： $$ \boxed{ \text{Reliable Contradiction Must Change the Epistemic State}. } $$ 如果可靠反例完全不能改變模型， 系統就失去可修正性。 --- # 45. 反例的價值 令： $$ c_t $$ 為高可信反例。 若： $$ P(c_t\mid T_i)\ll1, $$ 則至少應觸發： $$ \boxed{ q_{t+1}(T_i) 成功法更新知識。 > 排除法更新理論。 而是： $$ \boxed{ e_t \rightarrow \Delta\mathcal E_t. } $$ --- # 55. 認知狀態 本文採： $$ \boxed{ \mathcal E_t = ( \Theta_t, D_t, K_t, F_t, U_t ). } $$ Paper 01 的主理論 $T_t$ 可以視為： $$ T_t = \operatorname{Select}(\Theta_t,q_t) $$ 的當前工作模型。 --- # 56. 成功與失敗共同更新五個地方 一個證據事件可能改變： 1. $\Theta_t$：候選集合； 2. $D_t$：證據帳本； 3. $K_t$：接受知識； 4. $F_t$：反例與失敗； 5. $U_t$：更新方法。 --- # 57. 同一事件可以同時「成功」又「失敗」 例如： - 實驗流程成功； - 主假設失敗； - 方法學成功； - 新理論空間生成成功。 所以： $$ \boxed{ \text{Success/Failure} } $$ 不是二值全局標籤。 --- # 58. 新版採多軸結果向量 本文提出： $$ \boxed{ \mathbf O_t = ( O_{\mathrm{exec}}, O_{\mathrm{pred}}, O_{\mathrm{disc}}, O_{\mathrm{construct}}, O_{\mathrm{reframe}} ). } $$ 其中： - 執行結果； - 預測結果； - 區分力； - 建構收益； - 重構收益。 --- # 59. 「全部失敗」其實常是語義壓縮過度 如果： $$ O_{\mathrm{pred}}=0 $$ 但其他維度很高， 說： > 這次完全失敗。 會丟失大量認識論資訊。 --- # 60. 研究管理也應改變 傳統 KPI 只問： > 成功率多少？ 新版至少還應問： - 產生多少高品質反例？ - 排除了哪些區域？ - 是否新增方法？ - 是否發現模型空間不足？ - 是否減少未來重複錯誤？ --- # 61. 但不能反過來把所有失敗包裝成成功 這是重要防線。 如果沒有： $$ \Delta\mathcal E_t $$ 或可驗證的： $$ G_t^{+}, $$ 就不能說： > 失敗也是成功。 所以： $$ \boxed{ \text{Epistemic Reframing} \neq \text{Failure Rationalization}. } $$ --- # 62. 防止自我安慰 本文要求每次「失敗有價值」都回答： 1. 新增了什麼證據？ 2. 改變了什麼模型權重？ 3. 排除了什麼區域？ 4. 新增了什麼方法？ 5. 下一輪因此會做什麼不同？ 若全部答不出： $$ \boxed{ X_{\mathrm{err}}\approx0. } $$ --- # 63. 成功也需要相同審查 每次「成功」都應回答： 1. 是否可重現？ 2. 是否區分替代理論？ 3. 是否存在 leakage？ 4. 是否有獨立證據？ 5. 成功是否只在當前 benchmark？ --- # 64. 成功與失敗因此獲得對稱紀律 $$ \boxed{ \text{Success Audit} \leftrightarrow \text{Failure Audit}. } $$ 這才是真正 PDF 對偶。 --- # 65. 舊版「資訊守恆律」的修正 舊原型曾提出類似： $$ H(\Theta)+S(\Sigma)=\text{const}. $$ 本文不再把它視為一般資訊論定律。 除非另行定義封閉編碼系統與守恆條件， 否則： $$ \boxed{ H(\Theta)+S(\Sigma) = \text{const} } $$ 只能保留為啟發式直覺，而非普遍定理。 --- # 66. 更保守的新版關係 可以說： $$ \boxed{ \text{Theory Uncertainty Reduction} } $$ 常伴隨： $$ \boxed{ \text{Evidence/Representation Structure Growth}, } $$ 但兩者不要求嚴格守恆。 --- # 67. 為什麼要修掉它？ 因為知識系統是開放系統。 研究可以引入： - 新資料； - 新變量； - 新語言； - 新模型空間。 所以總表示複雜度可以增加，也可以因壓縮而下降。 --- # 68. 開放認識論不能假設固定總資訊量 因此： $$ \boxed{ \text{Epistemic System} \neq \text{Closed Information Box}. } $$ 這與 Paper 01 的 Open-World Epistemology 一致。 --- # 69. 新版 PDF 雙法的最小定律 本文保留三條較穩健命題。 第一： $$ \boxed{ \text{Reliable Evidence Should Be Allowed to Modify the Epistemic State}. } $$ 第二： $$ \boxed{ \text{Constructive Inquiry Can Produce Value Even When a Hypothesis Fails}. } $$ 第三： $$ \boxed{ \text{Neither Success nor Failure Guarantees Truth Without Model and Evidence Audit}. } $$ --- # 70. 雙重資訊原理 本文正式提出： $$ \boxed{ \text{Dual Information Principle}. } $$ 定義： > 一個研究事件的認識論價值，同時來自它對候選模型的區分作用，以及它對證據、方法、問題、表示與失敗地圖的建構作用。 形式上： $$ \boxed{ \mathcal V(e_t) = \alpha \mathcal I_t^{\mathrm{disc}} + \beta \mathcal G_t^{\mathrm{construct}} - \gamma \mathcal R_t^{\mathrm{error}}. } $$ --- # 71. 三個分量 其中： $$ \mathcal I_t^{\mathrm{disc}} $$ 為模型區分資訊； $$ \mathcal G_t^{\mathrm{construct}} $$ 為建構性收益； $$ \mathcal R_t^{\mathrm{error}} $$ 為資料、方法與模型錯置風險。 --- # 72. 這不是精確通用量表 $\alpha,\beta,\gamma$ 依研究領域、風險與目的不同。 所以該式是： $$ \boxed{ \text{conceptual evaluation functional}, } $$ 不是宣稱所有研究都能壓成單一分數。 --- # 73. PDF Formation 的新版定義 $$ \boxed{ PDF_F = \text{Proof by Data Formation} } $$ 不再理解成「成功證明真理」。 而是： > 透過研究過程形成新的可檢查證據、方法、表徵、問題與候選理論。 --- # 74. PDF Falsification 的新版定義 $$ \boxed{ PDF_X = \text{Proof by Data Falsification} } $$ 不再理解成「一次失敗就刪除理論」。 而是： > 透過可靠反例、比較與約束，使某些理論、參數、適用域或模型空間結構降低可信度或被重新建模。 --- # 75. 兩者的共同底層 $$ \boxed{ PDF_F \cup PDF_X \subset \text{Corrigible Evidence Updating}. } $$ --- # 76. 成功法與排除法不是兩個互斥流程 一次實驗可以同時： $$ \boxed{ PDF_F>0 } $$ 與： $$ \boxed{ PDF_X>0. } $$ 例如否定舊模型，同時產生新現象規律與新測量方法。 --- # 77. 真正成熟的研究心態 不是： > 我要成功。 也不是： > 我要失敗來排除。 而是： $$ \boxed{ \text{I want the next experiment to maximally improve the epistemic state under acceptable cost and risk}. } $$ --- # 78. 實驗設計因此改變 理想實驗不是只最大化： $$ P(\text{success}). $$ 而可考慮： $$ \boxed{ \mathbb E[ \mathcal V(e) ] - \text{Cost} - \text{Risk}. } $$ --- # 79. 高區分力比高成功率更重要 一個只有 20% 機率支持主假設， 但無論結果如何都能強烈區分模型的實驗， 可能比 95% 會「成功」但幾乎沒有區分力的實驗更有認識論價值。 --- # 80. 這就是雙法統一後的策略轉換 從： $$ \boxed{ \text{Seek Success} } $$ 轉成： $$ \boxed{ \text{Seek Informative Outcomes}. } $$ --- # 81. 結論：成功與失敗都不是終點，它們只是認知狀態的更新方向 舊成功法讓我們看到： > 即使理論錯了，研究仍可能生成資料、方法與知識。 舊排除法讓我們看到： > 反例不是恥辱，而是理論空間的重要約束。 新版進一步修正： $$ \boxed{ \text{Success} \not\Rightarrow \text{Truth}, } $$ $$ \boxed{ \text{Failure} \not\Rightarrow \text{Progress}. } $$ 真正需要問的是： $$ \boxed{ \Delta\mathcal E_t = ? } $$ 也就是： > 這次研究究竟讓整個認知狀態改變了什麼？ 因此： $$ \boxed{ \text{Success} + \text{Failure} \rightarrow \text{Evidence Events} \rightarrow \text{Epistemic State Update}. } $$ 在機率化模型中，單次證據可用： $$ \boxed{ D_{\mathrm{KL}} ( q_{t+1} \Vert q_t ) } $$ 描述信念重排幅度； 平均資訊則由： $$ \boxed{ I(\Theta;D)\ge0 } $$ 描述。 但： $$ \boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. } $$ 因為模型空間、likelihood、資料與更新器本身都可能錯。 所以 PDF 雙法真正成熟的形式不再是： $$ \text{Success vs Failure}. $$ 而是： $$ \boxed{ \text{Construction} + \text{Discrimination} + \text{Revision}. } $$ 最終： $$ \boxed{ \text{Good inquiry is not inquiry that succeeds; it is inquiry that leaves the epistemic system better able to distinguish, revise, and regenerate models}. } $$ 中文： > **好的研究，不是每次都得到預期答案；而是每次結束後，認知系統都更知道哪些可能性值得保留、哪些必須降低權重、哪些證據值得信任，以及何時需要重新打開整個模型空間。** --- ## 核心命題摘要 ### 命題一：結果情緒不等於資訊價值 $$ \boxed{ \text{Outcome Valence} \neq \text{Epistemic Information}. } $$ ### 命題二：成功與失敗都是證據事件 $$ \boxed{ \text{Success/Failure} \subset \text{Evidence Events}. } $$ ### 命題三：單次信念重排可由 Bayesian Surprise 描述 $$ \boxed{ \mathcal I_d = D_{\mathrm{KL}} (q_{t+1}\Vert q_t) \ge0. } $$ ### 命題四：平均資訊由互資訊刻畫 $$ \boxed{ \mathbb E_D[\mathcal I_D] = I(\Theta;D) \ge0. } $$ ### 命題五：單次 posterior entropy 不保證下降 $$ \boxed{ H(\Theta\mid D=d) \gtrless H(\Theta) } $$ 皆可能。 ### 命題六：資訊增益不保證真理增益 $$ \boxed{ \text{Information Gain} \neq \text{Guaranteed Truth Gain}. } $$ ### 命題七：證據歷史與接受知識必須分離 $$ \boxed{ D_t \neq K_t. } $$ ### 命題八：失敗需要分類 $$ \boxed{ F = \{ F_{\mathrm{theory}}, F_{\mathrm{measurement}}, F_{\mathrm{execution}}, F_{\mathrm{modelspace}} \}. } $$ ### 命題九：成功法與排除法共同更新認知狀態 $$ \boxed{ PDF_F \cup PDF_X \subset \text{Corrigible Evidence Updating}. } $$ ### 命題十：研究目標應從成功率轉向資訊性 $$ \boxed{ \text{Seek Success} \rightarrow \text{Seek Informative Outcomes}. } $$ --- ## 系列接口 Paper 01 建立： $$ \boxed{ \text{Infallibility} \neq \text{Corrigibility}. } $$ Paper 02 則正式把舊 PDF 成功法與排除法整合成新版雙重資訊理論： $$ \boxed{ \text{Construction} + \text{Discrimination} + \text{Revision}. } $$ 下一篇： **Paper 03：《當真理不在候選集合裡：開放模型空間與認識論重置》** 將專門處理： $$ \boxed{ T^* \notin \Theta_t. } $$ 以及： $$ \boxed{ \Theta_{t+1} \not\subseteq \Theta_t. } $$ 也就是： > **當整個候選世界都錯了，認知系統如何知道自己該停止排除、改寫問題、換座標、換本體，重新生成一個以前不存在的模型空間？**