# 不成為不會改變的觀察者：證據、模型更新與認識論可塑性 **英文題名：** Do Not Become an Observer Who Cannot Change: Evidence, Model Updating, and Epistemic Plasticity **系列：** 《觀察態、邊界與相對連通本體論》番外篇 03 **作者：** Neo.K **AI 協作：** GPT-5.6 Sol **機構：** EveMissLab／一言諾科技有限公司 **文件性質：** 元認識論／科學方法論／觀察者更新與認知治理 **版本：** v0.1 **日期：** 2026-08-26 **狀態：** Working Paper **主系列上游：** 《觀察態、邊界與相對連通本體論》01–10 **番外上游：** 1. 《可能是、可能不是、仍可能是：科學判定的三域結構》v0.1 2. 《生成中的自然法則：如果世界在變，規則是否也可能有歷史？》v0.1 --- ## 摘要 一個科學觀察者最大的風險，不只是相信錯誤，也可能是失去改變錯誤信念的能力。 如果 observer 在時間 $t$ 持有模型： $$ M_t, $$ 而新證據： $$ E_{t+1} $$ 到來後，無論其內容多強，都仍維持： $$ M_{t+1}=M_t, $$ 那麼問題已不再只是某一個模型錯誤，而是觀察者本身失去 epistemic plasticity。 本文提出最基本的更新形式： $$ \boxed{ M_{t+1} = U(M_t,E_{t+1},\Theta_t) } $$ 其中 $U$ 為模型更新算子， $\Theta_t$ 是 observer 的證據制度、可信度配置、方法、工具與判定條件。 但「能改變」不等於「容易被任何訊息改變」。因此本文建立核心分離： $$ \boxed{ \text{Epistemic Openness} \neq \text{Credulity} } $$ 以及： $$ \boxed{ \text{Stability} \neq \text{Rigidity}. } $$ 成熟的認識系統必須同時具有兩種能力： 1. 在低品質、矛盾、未驗證或弱證據下保持足夠穩定； 2. 在高品質、可重複、具 provenance 且足以推翻舊模型的證據下真正改變。 因此本文提出「證據—更新比例原則」： $$ \boxed{ \Delta M \propto S_E } $$ 其中 $\Delta M$ 表示模型更新幅度， $S_E$ 表示證據強度。但這不是單純線性關係；更新還應受到 prior robustness、source reliability、independent replication、model complexity、risk 與 reversibility 約束。 本文進一步區分四種觀察者失敗： $$ \boxed{ \mathrm{Rigid}, \mathrm{Credulous}, \mathrm{Oscillatory}, \mathrm{Calibrated}. } $$ 其中： - Rigid observer：幾乎不更新； - Credulous observer：弱證據即可大幅更新； - Oscillatory observer：在互相衝突訊息間反覆震盪； - Calibrated observer：更新幅度與證據強度、來源品質及反證結構相稱。 本文也提出「認識論慣性」： $$ \boxed{ I_E(M) } $$ 表示模型對更新的抗性。慣性太低，系統易被噪音操控；慣性太高，系統無法吸收新世界。 因此合理目標不是： $$ I_E\to0 $$ 或： $$ I_E\to\infty, $$ 而是任務與風險相依的： $$ \boxed{ I_E^\ast. } $$ 本文最後把「願意改變」從人格態度改寫成一條形式科學規則： $$ \boxed{ \text{When evidence changes enough, a scientifically responsible model must be allowed to change enough.} } $$ 中文即： $$ \boxed{ \text{當證據改變得足夠多時， 一個負責任的認識系統必須允許自己的模型也改變得足夠多。} } $$ 這不是反穩定，也不是反信念，而是讓 observer 本身保持可生成、可修正、可回溯與可再次學習。 **關鍵詞：** epistemic plasticity、model update、observer update、belief revision、evidence strength、credulity、rigidity、epistemic inertia、calibration、scientific revisability --- # 0. 問題：真正危險的是相信錯，還是不能改？ 任何人、AI、學科或科學共同體都可能暫時相信錯誤模型。 這本身並不稀奇。 更危險的是： $$ \boxed{ \forall E: U(M,E)=M. } $$ 即： > 不論出現什麼證據，模型都不能真正更新。 此時問題已經從： $$ \text{wrong belief} $$ 變成： $$ \boxed{ \text{broken update mechanism}. } $$ --- # 1. 模型更新的最低形式 定義： $$ \boxed{ M_{t+1} = U(M_t,E_{t+1},\Theta_t). } $$ 其中： - $M_t$：當前世界模型； - $E_{t+1}$：新證據； - $\Theta_t$：判定條件； - $U$：更新算子。 因此 observer 本身不是固定點。 --- # 2. 觀察者也應該有歷史 如果： $$ M_{t+1}\neq M_t, $$ 並不一定表示前後 observer 是不同 identity。 可以理解為： $$ \boxed{ \text{same observer identity} + \text{updated epistemic state}. } $$ 這與 OBRC Series 07 的 identity / state distinction 一致。 --- # 3. 不改變不是穩定 定義穩定： $$ \boxed{ \mathrm{Stable}(M) } $$ 表示模型在弱擾動、噪音或低品質 evidence 下保持。 而 rigidity： $$ \boxed{ \mathrm{Rigid}(M) } $$ 表示即使高品質反證存在也拒絕調整。 所以： $$ \boxed{ \text{Stability} \neq \text{Rigidity}. } $$ --- # 4. 開放也不是輕信 Epistemic openness： $$ \boxed{ \mathrm{Open}(M) } $$ 表示模型允許在足夠證據下更新。 Credulity： $$ \boxed{ \mathrm{Credulous}(M) } $$ 表示微弱、單一、無 provenance 的訊息也能造成大幅更新。 因此： $$ \boxed{ \text{Openness} \neq \text{Credulity}. } $$ --- # 5. 四種 observer state 本文定義四種典型更新型態： $$ \boxed{ \mathfrak O_U = \{ O_{\mathrm{rigid}}, O_{\mathrm{credulous}}, O_{\mathrm{oscillatory}}, O_{\mathrm{calibrated}} \}. } $$ --- ## 5.1 Rigid Observer $$ \Delta M\approx0 $$ 即使： $$ S_E\gg0. $$ --- ## 5.2 Credulous Observer $$ \Delta M\gg0 $$ 即使： $$ S_E\approx0. $$ --- ## 5.3 Oscillatory Observer 對互相衝突的訊息： $$ E_1,E_2,E_3,\ldots $$ 模型： $$ M_1\to M_2\to M_1\to M_3\to\cdots $$ 缺乏穩定 evidence integration。 --- ## 5.4 Calibrated Observer 更新量： $$ \Delta M $$ 與： - evidence strength； - source quality； - replication； - prior support； - model fit； - risk； 相稱。 --- # 6. 證據—更新比例原則 本文提出： $$ \boxed{ \Delta M \propto S_E. } $$ 更完整可寫： $$ \boxed{ \Delta M = F( S_E, R_s, N_{\mathrm{ind}}, I_E, C_M, R_{\mathrm{risk}} ). } $$ 其中： - $R_s$：source reliability； - $N_{\mathrm{ind}}$：independent evidence count； - $I_E$：epistemic inertia； - $C_M$：model complexity； - $R_{\mathrm{risk}}$：decision risk。 --- # 7. Evidence Strength 不是單一數字 可以定義： $$ \boxed{ S_E = G( Q, R, I, Rep, Prov, Alt ). } $$ 其中： - $Q$：quality； - $R$：repeatability； - $I$：independence； - $Rep$：representativeness； - $Prov$：provenance； - $Alt$：對替代假說的區分力。 --- # 8. 強證據不只是「很多資料」 大量相同來源的重複： $$ E,E,E,E $$ 不等於多個獨立 witness。 因此： $$ \boxed{ \text{quantity} \neq \text{independence}. } $$ --- # 9. 證據來源相關性 若： $$ E_1,E_2 $$ 共享同一 upstream source： $$ S, $$ 則： $$ \operatorname{Independent}(E_1,E_2)\approx0. $$ 所以不能把它們當成兩份獨立證據。 --- # 10. Provenance 是更新基礎 任何大幅更新都應保留： $$ \boxed{ \operatorname{Prov}(E). } $$ 如果 provenance 不明： $$ P_{\mathrm{prov}}\to0, $$ 則證據權重應下降。 --- # 11. 反例的權重 若一個理論宣稱： $$ \forall x\in D: P(x), $$ 單一合法反例： $$ x^\ast $$ 可以具有極高權重。 因此 evidence strength 不是單純 frequency。 --- # 12. 但反例也要驗證 若： $$ x^\ast $$ 其 measurement invalid， 則： $$ W^- $$ 失效。 所以： $$ \boxed{ \text{counterexample} + \text{validity} } $$ 才形成強反證。 --- # 13. 模型更新不等於模型拋棄 新證據可以導致： $$ M_t \to M_{t+1} $$ 但 $M_t$ 可能仍在某 domain 有效。 因此： $$ \boxed{ \text{revision} \neq \text{total erasure}. } $$ --- # 14. Domain-Preserving Revision 如果舊模型在： $$ D_1 $$ 仍有效， 新模型只擴展到： $$ D_2, $$ 則應保存： $$ M_t|_{D_1}. $$ 這避免把科學更新誤解為「舊的一切都錯」。 --- # 15. Epistemic Plasticity 本文定義： $$ \boxed{ P_E(S) } $$ 為 system $S$ 的 epistemic plasticity。 它表示： > 在高品質新證據下，系統可合法改變模型的能力。 --- # 16. Plasticity 不是 Volatility 一個很少改變模型的 system 也可能高度 plastic。 只要在真正必要時能改。 所以： $$ \boxed{ \text{plasticity} \neq \text{volatility}. } $$ --- # 17. Rigidity、Volatility 與理想區 定義： $$ V_E(S) $$ 為弱訊號下模型變動程度， $$ R_E(S) $$ 為對高品質 evidence 的抗拒程度。 理想可能是： $$ \boxed{ P_E\gg0, \quad V_E\ll1, \quad R_E\ll1. } $$ 也就是： - 有能力改； - 不亂改； - 該改時不抗拒。 --- # 18. Epistemic Inertia 定義： $$ \boxed{ I_E(M) } $$ 為模型更新慣性。 若： $$ I_E\to0, $$ 極易受噪音影響。 若： $$ I_E\to\infty, $$ 幾乎無法更新。 因此需要： $$ \boxed{ I_E^\ast(\text{task},\text{risk}). } $$ --- # 19. 高風險領域需要更高慣性 若： $$ R_{\mathrm{risk}}\gg0, $$ 大幅更新需要更高證據門檻。 這不是僵化，而是風險校準。 --- # 20. 低風險探索可以更靈活 若： $$ R_{\mathrm{risk}}\ll1, $$ 則可以允許更多 provisional hypotheses。 因此 epistemic inertia 應 task-sensitive。 --- # 21. Prior 不是敵人 Prior： $$ P(H) $$ 可以是合理資訊壓縮。 真正危險的是： $$ \boxed{ \text{prior becomes immune to evidence}. } $$ --- # 22. 強 Prior 也必須可更新 即使： $$ P(H)\approx1, $$ 若出現高品質： $$ E^-, $$ 仍應允許： $$ P(H\mid E^-) < P(H). $$ --- # 23. 不可更新的 Prior 若： $$ \forall E: P(H\mid E)=P(H), $$ 那它已不是普通 empirical belief。 它應被標成另一種 claim type。 --- # 24. Claim Type Separation 可區分： $$ \mathfrak C = \{ \mathrm{empirical}, \mathrm{formal}, \mathrm{axiomatic}, \mathrm{normative}, \mathrm{ontological\_conjecture} \}. $$ 不同 claim type 使用不同 update rule。 --- # 25. 更新強度 定義模型距離： $$ d(M_t,M_{t+1}). $$ 令： $$ \Delta M = d(M_t,M_{t+1}). $$ 可以有： - parameter update； - regime revision； - model-family replacement； - representation / ontology revision。 --- # 26. 更新等級 定義： $$ \boxed{ U_0 不變的不是某一個 belief，而是可修正 belief 的能力。 --- # 41. Update Rule 本身也可以更新 更一般： $$ M_{t+1} = U_t(M_t,E_t), $$ 以及： $$ U_{t+1} = V( U_t, \operatorname{CalibrationHistory} ). $$ 這接回番外 02 的 rule history。 --- # 42. Meta-Update 門檻更高 修改： $$ U $$ 比修改： $$ M $$ 更危險。 因此： $$ \boxed{ S_E^{\Delta U} > S_E^{\Delta M} } $$ 通常是合理要求。 --- # 43. Observer Governance 本文提出： $$ \boxed{ \mathcal G_O } $$ 管理： - evidence admission； - source trust； - update strength； - rollback； - meta-update； - uncertainty。 --- # 44. 科學共同體也是 Observer 一個學科也有： $$ M_t, U_t,H_t. $$ 因此也可能： - rigid； - credulous； - oscillatory； - calibrated。 認識論可塑性不只是個人心理問題，也可以是制度設計問題。 --- # 45. 制度性 Rigidity 可能表現為： - 異常 evidence 無法進入； - 舊模型不可修訂； - 新方法沒有合法接口； - falsifying result 被結構性忽略。 --- # 46. 制度性 Credulity 也可能表現為： - 單篇結果過度放大； - replication 不足； - trend 造成模型快速擺動； - media pressure 改變研究權重。 所以制度也需要 calibration。 --- # 47. 生成中的 Observer 番外 02 提出： $$ (W_t,F_t,\Theta_t) \to (W_{t+1},F_{t+1},\Theta_{t+1}). $$ 本篇補： $$ \boxed{ \Theta_{t+1} = U_\Theta( \Theta_t,E_{t+1} ). } $$ observer configuration 本身也是歷史的一部分。 --- # 48. Observer Change 不等於 World Change $$ \Theta_{t+1}\neq\Theta_t $$ 不表示： $$ W_{t+1}\neq W_t. $$ 可能只是觀察者看得更好。 --- # 49. World Change 也不保證 Observer Update 如果： $$ W_{t+1}\neq W_t $$ 但： $$ M_{t+1}=M_t, $$ 模型會逐漸與世界脫離。 --- # 50. Model–World Divergence 可概念性定義： $$ \boxed{ D_{MW}(t) = d(M_t,W_t). } $$ 雖然真實 $W_t$ 通常不可直接存取，但可以由 predictive residual、measurement mismatch 等估計。 --- # 51. Rigidity 與 Credulity 都可能增加 Divergence Rigid： $$ \Delta W\neq0, \quad \Delta M=0. $$ Credulous： $$ \Delta W=0, \quad \Delta M\gg0. $$ 兩者都可能使： $$ D_{MW}\uparrow. $$ --- # 52. Calibration 目標 可以研究： $$ \boxed{ \min \left[ \mathbb E(D_{MW}) + \lambda C_{\mathrm{update}} + \mu R_{\mathrm{instability}} \right]. } $$ 這同時考慮模型錯誤、更新成本與不穩定風險。 --- # 53. 「我可能錯」的形式條件 真正可修正的 empirical belief 至少需要： $$ \boxed{ \exists E^\ast: U(M,E^\ast)\neq M. } $$ 也就是： > 至少存在某種合法 evidence 能改變我。 --- # 54. 沒有任何 Revision Condition 的 Claim 如果： $$ \forall E: U(M,E)=M, $$ 則它不是普通 empirical claim。 它可以是： - axiom； - normative commitment； - metaphysical commitment； 但必須誠實分型。 --- # 55. Revision Condition 每個重要 empirical claim 應盡量回答： > 什麼會讓我改變？ 可表示： ```text RevisionCondition { claim trigger_evidence minimum_quality replication_requirement alternative_model expected_update_level } ``` --- # 56. Revision Threshold 也不能故意設成不可能 若要求： > 除非所有宇宙位置都證明我錯。 這可能是 artificial immunity。 所以： $$ \boxed{ \text{revision threshold} \leq \text{achievable evidence standard appropriate to claim type}. } $$ --- # 57. 番外 01 的三域需要本篇才能動 若： $$ H\in\mathcal P^+_t, $$ 新證據可使： $$ H \to \mathcal P^\circ_{t+1} $$ 甚至： $$ H \to \mathcal P^-_{t+1}. $$ 如果 observer 不能更新，三域只是一張靜態表。 --- # 58. 番外 02 的 Law History 也需要本篇 若未來真的出現： $$ W_{\Delta F} $$ 固定法則模型也必須可被重新評估。 反過來，如果 law-evolution hypothesis 長期缺乏證據，其權重也應下降。 所以 plasticity 是雙向的。 --- # 59. Plasticity 不只是「接受新奇」 $$ \boxed{ \text{plasticity} = \text{ability to move toward or away from a hypothesis}. } $$ 新 evidence 可以增加 confidence，也可以降低 confidence。 --- # 60. Uncertainty 也可以增加 如果 anomaly 使原本簡單模型破裂： $$ |\mathcal P^\circ| \uparrow, $$ 這不一定是科學退步，而可能是更誠實的 epistemic state。 --- # 61. Epistemic Humility 謙遜不是： > 我什麼都不知道。 而是： $$ \boxed{ \text{我知道 claim 的 scope， 也知道什麼 evidence 能改變它。} } $$ 所以： $$ \boxed{ \text{humility} \neq \text{low confidence}. } $$ --- # 62. 實用決策與不完全知識 人不可能等到： $$ P=1 $$ 才行動。 因此： $$ \boxed{ \text{decision threshold} \neq \text{truth threshold}. } $$ 可以： $$ \operatorname{ActOn}(H)=1 $$ 而仍保留： $$ H $$ 可修正。 --- # 63. Operational Commitment 不等於 Ontological Closure $$ \boxed{ \text{operational commitment} \neq \text{ontological closure}. } $$ 這使 observer 可以很實際地行動，同時保持認識可塑性。 --- # 64. AI Runtime Schema 可定義： ```text EpistemicState { model_id claim confidence uncertainty evidence_for evidence_against evidence_strength epistemic_inertia revision_conditions update_level update_history rollback_state provenance } ``` --- # 65. Observer Update Gate 定義： $$ \boxed{ \mathcal G_U. } $$ 輸入： $$ (M_t,E_{t+1},S_E,R_{\mathrm{risk}}) $$ 輸出： $$ U_k. $$ 即應執行哪一級 model update。 --- # 66. Evidence Admission Gate 先經： $$ \boxed{ \mathcal G_E } $$ 檢查： - provenance； - manipulation； - duplicates； - independence； - validity； - scope。 因此 openness 並不取消 filter。 --- # 67. Epistemic Plasticity 最小公理 ## EP-A1 — Revisability $$ \boxed{ \exists E^\ast: U(M,E^\ast)\neq M } $$ 對 empirical model 應成立。 ## EP-A2 — Evidence Proportionality $$ \boxed{ S_U \leq S_E. } $$ ## EP-A3 — No Credulity Collapse $$ \boxed{ S_E\approx0 \not\Rightarrow S_U\gg0. } $$ ## EP-A4 — No Rigidity Collapse $$ \boxed{ S_E\gg0 \not\Rightarrow S_U=0. } $$ ## EP-A5 — Provenance Requirement $$ \boxed{ \text{major update} \Rightarrow \exists\operatorname{Prov}(E). } $$ ## EP-A6 — History Preservation $$ \boxed{ \text{revision} \not\Rightarrow \text{history erasure}. } $$ --- # 68. 核心 No-Go $$ \boxed{ \text{Openness} \not\Rightarrow \text{Credulity}. } $$ $$ \boxed{ \text{Stability} \not\Rightarrow \text{Rigidity}. } $$ $$ \boxed{ \text{Consensus} \not\Rightarrow \text{Infallibility}. } $$ $$ \boxed{ \text{Minority} \not\Rightarrow \text{Truth}. } $$ $$ \boxed{ \text{Model Revision} \not\Rightarrow \text{Identity Loss}. } $$ $$ \boxed{ \text{Operational Commitment} \not\Rightarrow \text{Ontological Closure}. } $$ --- # 69. 可證偽與工程測試 至少可以測： 1. **Weak-Evidence Stability Test**：大量弱訊號不應造成劇烈 model swing。 2. **Strong-Counterevidence Update Test**：強反證應造成真正更新。 3. **Duplicate-Evidence Test**：同 upstream source 不得偽裝成多個獨立 witness。 4. **Rollback Test**：撤銷錯誤 evidence 後能重新修正模型。 5. **Oscillation Test**：衝突訊息下不應無限制擺盪。 6. **Revision-Condition Test**：empirical claim 是否存在合理可達的更新條件。 --- # 70. 「不成為不會改變的觀察者」的精確化 這句話不表示： > 永遠要改。 更合理是： $$ \boxed{ \text{Never make epistemic immutability a hidden invariant.} } $$ 即： > 不把「我現在相信的模型永遠不能改」偷偷設成 observer 的內建公理。 --- # 71. 可以保持價值，改變知識 可以： $$ V_t=V_\ast $$ 同時： $$ M_{t+1}\neq M_t. $$ 價值穩定與知識更新不衝突。 --- # 72. 可以保持目的，改變方法 可以： $$ Goal_t=Goal_\ast $$ 同時： $$ Strategy_t\neq Strategy_{t+1}. $$ 所以生成中的 identity 不要求所有層都同時變。 --- # 73. 實用性需要可修正性 如果目標是： $$ \boxed{ \text{make better decisions under reality}, } $$ 那麼 model 必須對 feedback 可更新。 否則： $$ \boxed{ \text{practicality without revisability} } $$ 最終會失去 practicality。 --- # 74. 番外 04 的接口 本篇回答： > 面對證據時，我們應如何更新自己？ 番外 04 將回答： > 為什麼要追求更好的知識、模型與更新能力？ 即把前面的形上開放、科學判定與認識論可塑性，最後落到「存在的可行改善」與實用價值。 --- # 75. 最終命題 本文最終提出： $$ \boxed{ M_{t+1} = U(M_t,E_{t+1},\Theta_t). } $$ 但 $U$ 必須同時避免： $$ \mathrm{Credulity} $$ 與： $$ \mathrm{Rigidity}. $$ 因此： $$ \boxed{ \text{Epistemic Plasticity} = \text{Evidence-Sensitive Revisability} + \text{Noise-Resistant Stability}. } $$ --- # 76. 結論 一個真正開放的 observer，不是什麼都相信。 也不是什麼都不確定。 更不是永遠站在中間。 它可以非常確定，可以有強模型，可以依現有 evidence 行動，甚至可以長期維持同一套理論。 但它必須保留： $$ \boxed{ \exists E^\ast: U(M,E^\ast)\neq M. } $$ 也就是： > 至少存在某種足夠強、足夠合法的證據，能讓我真正改變。 反過來，它也不能因為任何新奇訊息就重建世界模型。 因此： $$ \boxed{ \text{Openness} \neq \text{Credulity}, } $$ $$ \boxed{ \text{Stability} \neq \text{Rigidity}. } $$ 真正成熟的 observer 應該近似： $$ \boxed{ P_E\gg0, \quad V_E\ll1, \quad R_E\ll1. } $$ 也就是： - 有能力改； - 不亂改； - 該改時真的改。 最簡潔的原則是： $$ \boxed{ \text{當證據改變得足夠多時， 一個負責任的認識系統必須允許自己的模型也改變得足夠多。} } $$ 而這種可塑性本身，可以成為 observer 最穩定的 higher-order invariant： $$ \boxed{ \text{我不要求自己永遠相信同一件事； 我要求自己永遠保留在證據足夠時修正自己的能力。} } $$ --- # 附錄：番外篇進度 1. **番外 01** — 可能是、可能不是、仍可能是：科學判定的三域結構 2. **番外 02** — 生成中的自然法則：如果世界在變，規則是否也可能有歷史？ 3. **番外 03** — 不成為不會改變的觀察者：證據、模型更新與認識論可塑性 4. **番外 04** — 從形上開放到實用價值：知識為何最終仍要回到存在的可行改善