# 載體幾何 2.0（A06）
## 高維逆問題：我們到底是哪一個？
### 從相容宇宙、模型選擇到本體識別的證據階梯

**作者：Neo.K**  
**機構：EveMissLab／一言諾科技有限公司**  
**系列：載體幾何 2.0：從 2.5D 視覺到高維符號實在**  
**版本：v0.1**  
**日期：2026-08-23**  
**理論定位：高維宇宙論 × 逆問題 × 科學認識論 × 模型選擇 × 載體本體論**

---

## 摘要

前五篇已依序建立：人類視覺不應被簡化為完整 $\mathbb R^3$ 原生表徵；平面可以經由深度線索誘發準 $2.5D$ 幾何；四維結構可透過投影、切片、動態與互動形成有限高維直觀；五維以上的主要困難可能從「不能想」轉為「候選過多且不可唯一識別」；而形式系統的完備與數學成功，也不自動等同於物理本體的唯一確定。

因此本系列最後一篇追問：

$$
\boxed{
\text{如果很多高維模型都能生成與我們相容的世界，
我們究竟憑什麼說「我們是其中哪一個」？}
}
$$

本文將「相容」「偏好」「識別」「本體承諾」分為不同證據等級。設候選高維模型類為 $\mathcal H$，觀測資料為 $D$，前向映射為 $F$。與資料相容的候選構成：

$$
\mathcal C_\epsilon(D)
=
\left\{
h\in\mathcal H:
d(F(h),D)\leq\epsilon
\right\}.
$$

模型選擇的任務不是把任何一個 $h\in\mathcal C_\epsilon(D)$ 立即提升為實在，而是透過新預測、跨域一致性、資訊增益、穩健性、干預／因果接觸與表示冗餘消除，逐步縮小相容集合。

本文提出「本體識別階梯（Ontic Identification Ladder, OIL）」：

$$
\text{formal validity}
\rightarrow
\text{empirical compatibility}
\rightarrow
\text{comparative preference}
\rightarrow
\text{discriminating prediction}
\rightarrow
\text{cross-domain convergence}
\rightarrow
\text{robust identification}
\rightarrow
\text{class-relative uniqueness}
\rightarrow
\text{ontic commitment}.
$$

其中任何一階都不能被後一階的語義提前借用。

本文並提出「候選類封閉問題」：即使在目前考慮的模型集合 $\mathcal H$ 中得到唯一模型 $h^\star$，也只能推出：

$$
h^\star
=
\operatorname*{arg\,best}_{h\in\mathcal H}
P(h\mid D),
$$

或在更強條件下得到：

$$
\mathcal C_\epsilon(D)\cap\mathcal H
=
\{h^\star\},
$$

卻仍不能證明：

$$
\boxed{
\mathcal H
=
\mathcal H_{\mathrm{all\ possible}}.
}
$$

因此「候選類內唯一」與「宇宙本體唯一」必須分開。

本文以有效場論的 UV/IR matching、宇宙學 Bayesian model comparison、弦論 landscape 與量子重力理論欠定性作為現有學術鄰居。這些案例共同說明：科學實踐真正需要的不是單一模型能否事後容納資料，而是競爭模型是否能被新的、獨立的、可重複的觀測分開。

本篇最後形成 Series A 的總結命題：

$$
\boxed{
\text{Representation}
\neq
\text{Compatibility}
\neq
\text{Identification}
\neq
\text{Ontology}.
}
$$

並為下一系列「可達性宇宙論」建立接口：如果本體來源在原理上或當前技術下存在不可區分區域，那麼真正要研究的下一個問題便不再只是「世界是哪個模型」，而是「不同觀察者、不同 AI、不同機器或不同存在，究竟能接觸到實在的哪些自由度」。

**關鍵詞：** 高維逆問題、模型選擇、Bayesian evidence、underdetermination、string landscape、UV completion、本體識別、候選類封閉、資訊增益、載體幾何

---

# 1. Series A 最後的問題

前五篇已經拆掉五個過度簡化的等號。

A01：

$$
\text{3D world experience}
\neq
\text{native complete }\mathbb R^3\text{ representation}.
$$

A02：

$$
\text{physical }2D
\neq
\text{perceptual }2D.
$$

A03：

$$
\text{successful }4D\text{ inference}
\neq
\text{native }4D\text{ phenomenology}.
$$

A04：

$$
\text{Imaginability}
\neq
\text{Identifiability}.
$$

A05：

$$
\text{Formal Specification Completeness}
\neq
\text{Ontic Completeness}.
$$

現在只剩最後一個問題：

> 如果不同高維模型都能相容於我們，我們憑什麼挑其中一個？

---

# 2. 先把「相容」的語義壓低

設候選模型為：

$$
h\in\mathcal H.
$$

資料為：

$$
D.
$$

模型透過：

$$
F:
\mathcal H
\rightarrow
\mathcal O
$$

產生可觀測結果。

若：

$$
d(F(h),D)\leq\epsilon,
$$

則只能說：

$$
\boxed{
h\text{ is compatible with }D.
}
$$

相容的意思是：

> 目前資料沒有把它排除。

相容不等於：

> 它被唯一證實。

更不等於：

> 它就是實在。

因此第一條規則是：

$$
\boxed{
\text{Compatibility}
=
\text{survival under current evidence},
}
$$

而不是本體身份證。

---

# 3. 相容纖維重新登場

A04 定義：

$$
\mathcal C_\epsilon(D)
=
\left\{
h\in\mathcal H:
d(F(h),D)\leq\epsilon
\right\}.
$$

若：

$$
|\mathcal C_\epsilon(D)|=1,
$$

候選在指定類內唯一。

若：

$$
|\mathcal C_\epsilon(D)|\gg1,
$$

則：

$$
\boxed{
D
\text{ does not identify a unique }h.
}
$$

所以「我們是哪一個？」首先不是哲學問題，而是：

$$
\boxed{
\text{How small is }\mathcal C_\epsilon(D)?
}
$$

---

# 4. 模型選擇不是模型證明

宇宙學中常使用：

- goodness of fit；
- likelihood ratio；
- Bayesian evidence；
- Bayes factor；
- AIC；
- BIC；
- cross-validation；
- information criteria；

比較模型。

這些方法回答的是不同版本的：

$$
\boxed{
\text{在既定候選集合與統計假設下，
哪個模型得到較高支持？}
}
$$

它們並不直接回答：

$$
\boxed{
\text{Which model is literally the ontology of reality?}
}
$$

因此：

$$
\text{Model Selection}
\neq
\text{Ontic Proof}.
$$

---

# 5. Bayesian 比較能做什麼？

給定候選：

$$
H_i,
$$

Bayes 定理：

$$
P(H_i\mid D)
=
\frac{
P(D\mid H_i)P(H_i)
}{
P(D)
}.
$$

對兩模型：

$$
H_1,H_2
$$

可以比較 posterior odds：

$$
\frac{
P(H_1\mid D)
}{
P(H_2\mid D)
}
=
\frac{
P(D\mid H_1)
}{
P(D\mid H_2)
}
\frac{
P(H_1)
}{
P(H_2)
}.
$$

其中第一項是 Bayes factor，第二項包含 prior odds。

這允許我們量化：

$$
\boxed{
\text{relative evidential support}.
}
$$

但仍不能消除：

- prior dependence；
- candidate-set dependence；
- model misspecification；
- unconceived alternatives。

所以：

$$
\boxed{
P(H_1\mid D)\gg P(H_2\mid D)
}
$$

代表強烈相對偏好，

不是數學上的：

$$
H_1=\mathcal R.
$$

---

# 6. 真正強的證據不是事後擬合，而是區分性預測

假設兩個模型：

$$
H_1,H_2
$$

都已經 fitting：

$$
D_0.
$$

則：

$$
P(D_0\mid H_1)
\approx
P(D_0\mid H_2).
$$

最有價值的是找到：

$$
Z
$$

使：

$$
P(Z\mid H_1)
\neq
P(Z\mid H_2).
$$

尤其如果：

$$
Z
$$

是在測量以前由模型推出，而不是看完資料後才調整。

因此本文提出：

$$
\boxed{
\text{discriminating novel prediction}
>
\text{post hoc compatibility}
}
$$

作為證據階梯。

---

# 7. 實驗的真正價值是縮小候選集

假設原候選後驗熵：

$$
H(\mathcal H\mid D).
$$

執行實驗：

$$
e.
$$

得到結果：

$$
z.
$$

實驗資訊增益可寫為：

$$
IG(e)
=
H(\mathcal H\mid D)
-
\mathbb E_z
\left[
H(\mathcal H\mid D,z,e)
\right].
$$

因此理想實驗：

$$
\boxed{
e^\star
=
\arg\max_e IG(e).
}
$$

這表示真正好的高維實驗不是「再多量一點數據」而已，而是：

> 最大化競爭本體模型之間的區分力。

---

# 8. 一個模型通過一次測試還不夠

如果：

$$
H_1
$$

只在：

$$
O_1
$$

上成功，

仍可能是偶然 fitting。

更強的是同一底層結構同時解釋：

$$
O_1,
O_2,
O_3,
\ldots,O_k
$$

而這些觀測來自：

- 不同尺度；
- 不同儀器；
- 不同實驗設計；
- 不同現象領域；
- 不同資料生成機制。

則：

$$
\boxed{
\text{cross-domain convergence}
}
$$

的證據力上升。

---

# 9. 多通道三角測量

設實在：

$$
\mathcal R
$$

透過不同測量通道：

$$
\mu_1,\ldots,\mu_k
$$

產生：

$$
D_1,\ldots,D_k.
$$

候選模型：

$$
H_i
$$

則產生：

$$
F_{i1},\ldots,F_{ik}.
$$

強模型應滿足：

$$
F_{ij}(H_i)
\approx
D_j
$$

對多個相互獨立通道成立。

因此：

$$
\boxed{
\text{multi-channel triangulation}
}
$$

比單一資料流更有能力排除：

$$
\text{representation artifacts}.
$$

---

# 10. Robustness：不能只在一個脆弱參數點成功

如果模型只有在：

$$
\theta=\theta^\star
$$

極精細調整時成功，而：

$$
\theta^\star+\delta\theta
$$

立即導致災難性失配，那麼其解釋力需要更多檢查。

可以定義局部穩健度：

$$
R(H)
=
P
\left(
d(F(H,\theta+\delta\theta),D)
\leq\epsilon
\right)
$$

其中：

$$
\delta\theta
$$

在合理不確定範圍抽樣。

因此：

$$
\boxed{
\text{robust success}
>
\text{single-point fit}
}
$$

通常具有更強證據力。

---

# 11. 干預與操控：如果能碰到它，證據通常更強

在實驗科學中，如果模型提出某個實體或結構：

$$
X,
$$

而我們能：

$$
do(X=x)
$$

並穩定改變：

$$
Y,
$$

則對 $X$ 具有因果／操作實在性的理由提高。

形式上：

$$
P(Y\mid do(X=x_1))
\neq
P(Y\mid do(X=x_2)).
$$

這比單純觀察相關性更強。

但宇宙學與高能物理常面臨一個限制：

> 我們未必能直接操控宇宙初始條件、高維幾何或 Planck-scale 結構。

因此這些領域需要以：

- 自然實驗；
- 多信使觀測；
- 跨尺度一致性；
- 特殊殘留訊號；

替代直接干預的一部分功能。

---

# 12. 高維理論最值得找的是「低維指紋」

假設高維結構：

$$
H
$$

無法直接被感測。

那麼真正可驗證的必須是它在低維留下的：

$$
\boxed{
\text{fingerprint}(H).
}
$$

例如抽象地：

$$
\operatorname{FP}(H)
=
\left(
f_1,
f_2,
\ldots,
f_k
\right)
$$

其中每個：

$$
f_i
$$

是可測不變量、譜結構、耦合關係、對稱限制或其他低能遺跡。

理論越強，越應該產生：

$$
\boxed{
\text{hard-to-mimic fingerprints}.
}
$$

如果任何競爭理論都能輕易複製所有指紋，識別力仍然很低。

---

# 13. UV/IR matching 就是一個現成的識別範例

有效場論提供非常清楚的結構。

高能模型：

$$
U_i
$$

經 matching 得到低能 EFT：

$$
E(U_i).
$$

若：

$$
E(U_1)
\approx
E(U_2),
$$

目前低能實驗便難以區分：

$$
U_1
$$

與：

$$
U_2.
$$

要識別 UV 來源，就需要找到 EFT coefficients 或其他觀測模式，使：

$$
E(U_1)
\neq
E(U_2)
$$

在可達精度下出現。

因此高能物理實際上早就在處理：

$$
\boxed{
\text{Which UV candidate generated this IR pattern?}
}
$$

這與本文高維宇宙逆問題是同一類認識論結構。

---

# 14. 但低能資料可能永遠只識別一個 UV 等價類

設：

$$
U_i\sim_{\mathrm{IR}}U_j
$$

當：

$$
E(U_i)
=
E(U_j)
$$

在所有可達低能觀測上成立。

則低能科學真正識別的是：

$$
\boxed{
[U]_{\mathrm{IR}}.
}
$$

如果沒有新的高能通道：

$$
U_i
$$

與：

$$
U_j
$$

可能永久留在同一等價類。

這時不應硬選其中一個。

---

# 15. String landscape 把問題放大到宇宙尺度

弦論 landscape 中的問題不是單純：

> 有很多數學解。

而是：

> 如何從巨大可能真空空間中得到代表我們世界的那個物理真空？

現有文獻長期探索：

- cosmological dynamics；
- anthropic reasoning；
- statistical distributions；
- vacuum transitions；
- consistency constraints；
- Swampland-style exclusions；

但並不存在一個已被普遍接受、能乾淨唯一選出我們真空的通用機制。

因此 landscape 的方法論意義是：

$$
\boxed{
\text{candidate generation}
\gg
\text{candidate identification}
}
$$

可以成為真實研究困境。

---

# 16. Anthropic selection 能縮小集合，但其語義必須標記

若候選集合：

$$
\mathcal C
$$

先以：

$$
\text{observer-compatible}
$$

條件過濾：

$$
\mathcal C_{\mathrm{obs}}
=
\left\{
h\in\mathcal C:
\text{observers possible in }h
\right\},
$$

則：

$$
|\mathcal C_{\mathrm{obs}}|
<
|\mathcal C|
$$

可能成立。

但這是一種：

$$
\boxed{
\text{conditional selection}
}
$$

而不是自動的動力學生成機制。

因此必須區分：

$$
\text{Why is this vacuum realized?}
$$

與：

$$
\text{Why can observers only find themselves in this subset?}
$$

兩者不是完全同一問題。

---

# 17. Swampland 類約束的真正價值：縮小候選空間

如果量子重力一致性條件可以把看似合理的低能 EFT 分成：

$$
\text{Landscape}
$$

與：

$$
\text{Swampland},
$$

那麼其核心識別價值就是：

$$
\boxed{
\mathcal H
\rightarrow
\mathcal H_{\mathrm{consistent}}
}
$$

的候選削減。

也就是：

> 不一定直接告訴我們世界是哪一個，但先排除大量不可能候選。

這仍然是非常強的科學進展。

---

# 18. 排除有時比支持更有辨識力

若：

$$
H_1,H_2,H_3
$$

都能解釋既有資料，

但新觀測：

$$
Z
$$

使：

$$
P(Z\mid H_2)\approx0,
$$

$$
P(Z\mid H_3)\approx0,
$$

而：

$$
P(Z\mid H_1)>0,
$$

則：

$$
Z
$$

的價值主要來自：

$$
\boxed{
\text{exclusion power}.
}
$$

所以高維理論需要的不一定是更多「可以解釋什麼」，而是：

$$
\boxed{
\text{它禁止什麼？}
}
$$

---

# 19. 本體識別階梯 OIL

本文正式提出：

$$
\boxed{
\text{Ontic Identification Ladder}
}
$$

簡寫：

$$
OIL.
$$

## Level 0：形式合法

$$
H
$$

數學自洽。

## Level 1：經驗相容

$$
F(H)\approx D.
$$

## Level 2：比較偏好

相對其他候選：

$$
P(H\mid D)
$$

更高。

## Level 3：區分性新預測

存在新：

$$
Z
$$

能把 $H$ 與競爭模型分開。

## Level 4：跨域收斂

同一結構成功解釋多個獨立觀測域。

## Level 5：穩健識別

結果對合理 prior、參數擾動與分析方法仍穩定。

## Level 6：候選類內唯一

$$
\mathcal C_\epsilon(D)\cap\mathcal H
=
\{H^\star\}.
$$

## Level 7：高本體承諾

在長期跨域、排他、因果與歷史證據下，合理地對某些結構採取強實在論態度。

但即使 Level 7，也不等於邏輯上獲得：

$$
\mathcal R=H^\star
$$

的不可修正證明。

---

# 20. 候選類封閉問題

這是 A06 最重要的新問題之一。

假設：

$$
\mathcal H
=
\{H_1,H_2,H_3\}
$$

而資料唯一選出：

$$
H_2.
$$

則我們得到：

$$
\boxed{
H_2
\text{ is unique within }\mathcal H.
}
$$

但真正所有可能理論集合為：

$$
\mathcal H_{\mathrm{all}}.
$$

我們並不知道：

$$
\mathcal H=\mathcal H_{\mathrm{all}}.
$$

完全可能存在尚未構想到的：

$$
H_4
$$

同樣或更好地解釋資料。

因此：

$$
\boxed{
\text{class-relative uniqueness}
\neq
\text{absolute ontic uniqueness}.
}
$$

---

# 21. Unconceived alternatives：未知模型永遠是殘餘風險

科學史提供大量理論替換案例。

因此即使目前：

$$
P(H^\star\mid D,\mathcal H)\approx1,
$$

仍應標記條件：

$$
\boxed{
\mid\mathcal H.
}
$$

也就是：

> 在目前已建構且認真比較的候選類中。

這個條件不能被省略成：

> 宇宙必然就是 $H^\star$。

---

# 22. 那科學是不是永遠什麼都不知道？

不是。

若新資料不斷讓：

$$
\mathcal C^{(0)}
\supset
\mathcal C^{(1)}
\supset
\mathcal C^{(2)}
\supset
\cdots
$$

並且某些結構：

$$
I
$$

在多代理、多方法、多尺度與理論更替下持續保留：

$$
I\in
\bigcap_k
\mathcal C^{(k)},
$$

那麼對：

$$
I
$$

給予較強實在論承諾是合理的。

因此本文不是要求：

$$
\text{certainty}=1.
$$

而是：

$$
\boxed{
\text{ontic confidence should track evidential invariance}.
}
$$

---

# 23. 不變量可能比完整模型更值得相信

假設：

$$
H_1,
H_2,
H_3
$$

彼此不同，但都包含：

$$
I.
$$

且：

$$
I
$$

持續被多種實驗直接約束。

那麼可能：

$$
P(I\text{ is physically instantiated}\mid D)
$$

比：

$$
P(H_i\text{ is literally complete ontology}\mid D)
$$

更高。

這與 structural realism 相容。

因此：

$$
\boxed{
\text{partial realism}
}
$$

往往比：

$$
\boxed{
\text{all-or-nothing model realism}
}
$$

更合理。

---

# 24. 對高維「維度數」本身也應採分量實在論

假設某理論使用：

$$
11D.
$$

我們至少應分開：

1. 十一個形式自由度是否必要？
2. 十一維是否為表示冗餘？
3. 是否有十一起獨立物理模式？
4. 是否存在低能可測指紋？
5. 其他維數模型是否已被排除？
6. 十一維是否在所有 dual description 中保持？

只有最後若干層都得到強支持時，才有資格提高：

$$
C_{\mathrm{ont}}(d=11).
$$

因此：

$$
\boxed{
\text{dimension count itself is a hypothesis}.
}
$$

---

# 25. 母集—子集關係也必須進入候選比較

如果：

$$
H_{\mathrm{high}}
$$

與：

$$
O_{\mathrm{ours}}
$$

的關係有多種可能：

$$
F_1=\text{embedding},
$$

$$
F_2=\text{projection},
$$

$$
F_3=\text{compactification},
$$

$$
F_4=\text{quotient},
$$

$$
F_5=\text{effective reduction},
$$

$$
F_6=\text{duality},
$$

那麼：

$$
F
$$

本身也是待識別變數。

所以不只要比較：

$$
H_i,
$$

還要比較：

$$
(H_i,F_j).
$$

真正候選空間是：

$$
\boxed{
\mathcal K
=
\mathcal H
\times
\mathcal F.
}
$$

這比「高維母宇宙包含我們」更一般。

---

# 26. 觀察者模型也可能是候選的一部分

A01–A03 已經顯示：

$$
\text{observation}
$$

不是中性透明窗戶。

所以真正完整的前向模型可能是：

$$
D
=
O_A
\circ
F
(H).
$$

其中：

$$
A
$$

是觀察者／載體模型。

因此候選實際上可能是：

$$
\boxed{
(H,F,A).
}
$$

如果對觀察者模型估錯，可能把：

$$
\text{observer limitation}
$$

誤判成：

$$
\text{world structure}.
$$

這正是 Series A 從視覺研究一路走到宇宙論的真正閉環。

---

# 27. AI 可以幫忙，但不能消除證據問題

AI 可以：

- 搜索更大的候選空間；
- 自動推導低能結果；
- 尋找區分性觀測；
- 設計高資訊增益實驗；
- 建立多模態高維表示；
- 發現人類未想到的模型。

因此 AI 可以顯著增加：

$$
\text{candidate generation}
$$

以及：

$$
\text{candidate discrimination}.
$$

但如果外部世界只提供有限資料：

$$
D,
$$

那麼 AI 也不能從不存在的訊息中邏輯地恢復唯一來源。

所以：

$$
\boxed{
\text{better reasoner}
\not\Rightarrow
\text{more information than the channel contains}.
}
$$

AI 能改善的是如何榨取與設計資訊，而不是憑空解除不可識別性。

---

# 28. 如果某些候選永遠不可區分呢？

假設：

$$
H_1\neq H_2
$$

但對所有原理上允許的觀測：

$$
O\in\mathcal O_{\mathrm{possible}},
$$

皆有：

$$
P(O\mid H_1)
=
P(O\mid H_2).
$$

則：

$$
H_1
\sim_{\mathrm{op}}
H_2.
$$

這時物理上真正可識別的對象可能是：

$$
\boxed{
[H]_{\mathrm{op}}.
}
$$

而不是其中某個私人本體描述。

這個問題將直接進入 Series B 的「可達性宇宙論」。

---

# 29. 不可區分不等於相同

必須保留：

$$
H_1\neq H_2
$$

在形而上學上可能成立。

但同時：

$$
[H_1]_{\mathrm{op}}
=
[H_2]_{\mathrm{op}}
$$

在操作科學上成立。

所以：

$$
\boxed{
\text{ontic difference}
\not\Rightarrow
\text{operational difference}.
}
$$

但同樣：

$$
\boxed{
\text{operational equivalence}
\not\Rightarrow
\text{proven ontic identity}.
}
$$

這條雙向限制避免過度實在論，也避免過度反實在論。

---

# 30. Series A 的總證據鏈

本系列最後可以寫成：

$$
\mathcal R
\xrightarrow{\text{coupling}}
S_A
\xrightarrow{\text{encoding}}
V_A
\xrightarrow{\text{world-model construction}}
W_A
\xrightarrow{\text{formalization}}
M
\xrightarrow{\text{candidate extension}}
\mathcal H
\xrightarrow{\text{forward models}}
\mathcal O.
$$

科學反過來做：

$$
\mathcal O
\rightarrow
\mathcal C_\epsilon
\rightarrow
\text{model comparison}
\rightarrow
\text{new tests}
\rightarrow
\text{candidate reduction}
\rightarrow
\text{ontic commitment}.
$$

因此：

$$
\boxed{
\text{Perception}
\rightarrow
\text{Representation}
\rightarrow
\text{Model}
}
$$

與：

$$
\boxed{
\text{Evidence}
\rightarrow
\text{Identification}
\rightarrow
\text{Ontology}
}
$$

是兩條不同方向的鏈。

---

# 31. Series A 的六篇可以壓成六個否定式

A01：

$$
\boxed{
\text{world experience}
\not\Rightarrow
\text{native full }3D.
}
$$

A02：

$$
\boxed{
\text{physical carrier dimension}
\not\Rightarrow
\text{perceptual dimension}.
}
$$

A03：

$$
\boxed{
\text{high-dimensional inference}
\not\Rightarrow
\text{full high-dimensional phenomenology}.
}
$$

A04：

$$
\boxed{
\text{candidate generation}
\not\Rightarrow
\text{candidate identification}.
}
$$

A05：

$$
\boxed{
\text{formal completeness}
\not\Rightarrow
\text{ontic completeness}.
}
$$

A06：

$$
\boxed{
\text{best compatible model}
\not\Rightarrow
\text{absolute ontic uniqueness}.
}
$$

---

# 32. 但六篇並不是純否定，而是一套正向研究程序

真正的正向程序是：

$$
\boxed{
\text{Specify the carrier}
}
$$

$$
\boxed{
\text{Specify the representation}
}
$$

$$
\boxed{
\text{Specify the forward map}
}
$$

$$
\boxed{
\text{Enumerate serious alternatives}
}
$$

$$
\boxed{
\text{Quotient representation redundancy}
}
$$

$$
\boxed{
\text{Find discriminating observables}
}
$$

$$
\boxed{
\text{Maximize information gain}
}
$$

$$
\boxed{
\text{Update confidence without semantic inflation}
}
$$

這才是「不要相信眼睛」真正成熟的版本。

不是什麼都不信。

而是：

> 每一種相信，都要知道自己相信到哪一層。

---

# 33. 核心命題

## 命題 A06-1：相容非識別

$$
\boxed{
H\in\mathcal C_\epsilon(D)
\not\Rightarrow
H=H^\star.
}
$$

## 命題 A06-2：比較偏好非本體證明

$$
\boxed{
P(H_i\mid D)>
P(H_j\mid D)
\not\Rightarrow
H_i=\mathcal R.
}
$$

## 命題 A06-3：區分性預測優先

若：

$$
P(Z\mid H_i)
$$

在競爭模型間差異更大，則 $Z$ 比已被所有模型共同擬合的資料具有更高識別價值。

## 命題 A06-4：候選類內唯一非絕對唯一

$$
\boxed{
\mathcal C_\epsilon(D)\cap\mathcal H
=
\{H^\star\}
}
$$

不推出：

$$
\boxed{
\mathcal H
=
\mathcal H_{\mathrm{all}}.
}
$$

## 命題 A06-5：本體置信應追蹤跨方法不變性

若某結構在多觀測、多模型、多尺度與理論替換下持續保留，則對其本體承諾可高於對整體形式模型的承諾。

## 命題 A06-6：永久不可區分時，操作等價類是科學極限對象

若：

$$
\forall O,
\quad
P(O\mid H_1)
=
P(O\mid H_2),
$$

則：

$$
\boxed{
H_1\sim_{\mathrm{op}}H_2.
}
$$

在操作科學內，應優先處理：

$$
[H]_{\mathrm{op}}.
$$

---

# 34. 結論：我們到底是哪一個？

答案不是：

> 已知。

也不是：

> 永遠不可能知道。

而是：

$$
\boxed{
\text{目前能知道多少，
取決於候選模型間是否存在可被取得的區分資訊。}
}
$$

如果我們找到：

$$
Z_1,Z_2,\ldots,Z_k
$$

逐步使：

$$
\mathcal C^{(0)}
\supset
\mathcal C^{(1)}
\supset
\cdots
\supset
\{H^\star\},
$$

那麼：

$$
H^\star
$$

的識別置信度會非常高。

如果仍然有：

$$
H_1\sim_{\mathrm{op}}H_2,
$$

那麼目前最誠實的科學回答就是：

$$
\boxed{
\text{不知道哪一個；
目前只能知道它們屬於同一可操作等價類。}
}
$$

而這不是失敗。

它是一個已被形式化的知識邊界。

Series A 因此最後得到：

$$
\boxed{
\text{Representation}
\neq
\text{Compatibility}
\neq
\text{Identification}
\neq
\text{Ontology}.
}
$$

真正成熟的高維理論，不應只問：

> 我能不能寫出 $5D$ 、 $11D$ 、 $XD$？

而應依序問：

$$
\boxed{
\text{What is represented?}
}
$$

$$
\boxed{
\text{What is observable?}
}
$$

$$
\boxed{
\text{What alternatives survive?}
}
$$

$$
\boxed{
\text{What observation separates them?}
}
$$

$$
\boxed{
\text{What remains invariant after every reasonable reinterpretation?}
}
$$

到了這裡，載體幾何 2.0 的第一系列完成。

下一系列將把焦點從：

$$
\text{哪一個模型最像實在}
$$

進一步轉成：

$$
\boxed{
\text{不同觀察者究竟能接觸實在的哪些部分？}
}
$$

也就是「可達性宇宙論」。

---

# 參考文獻

1. Hadamard, J. (1923). *Lectures on Cauchy's Problem in Linear Partial Differential Equations*. Yale University Press.
2. Tikhonov, A. N. & Arsenin, V. Y. (1977). *Solutions of Ill-Posed Problems*. Winston.
3. Trotta, R. (2008). Bayes in the sky: Bayesian inference and model selection in cosmology. *Contemporary Physics*, 49(2), 71–104. arXiv:0803.4089.
4. Liddle, A. R. (2009). Statistical Methods for Cosmological Parameter Selection and Estimation. *Annual Review of Nuclear and Particle Science*, 59, 95–114. DOI: 10.1146/annurev.nucl.010909.083706.
5. Kerscher, M. & Weller, J. (2019). On Model Selection in Cosmology. *SciPost Physics Lecture Notes* / arXiv:1901.07726.
6. Burgess, C. P. (2007). An Introduction to Effective Field Theory. *Annual Review of Nuclear and Particle Science*, 57, 329–362. DOI: 10.1146/annurev.nucl.56.080805.140508.
7. Isidori, G., Wilsch, F. & Wyler, D. (2024). The Standard Model effective field theory at work. *Reviews of Modern Physics*, 96, 015006. DOI: 10.1103/RevModPhys.96.015006.
8. Quezada-Calonge, C. (2026). Matching UV models to the Higgs effective field theory. *The European Physical Journal Special Topics*, 235, 2261–2289. DOI: 10.1140/epjs/s11734-026-02300-3.
9. Douglas, M. R. (2003). The statistics of string/M theory vacua. *Journal of High Energy Physics*, 2003(05), 046.
10. Ashok, S. & Douglas, M. R. (2004). Counting Flux Vacua. *Journal of High Energy Physics*, 2004(01), 060.
11. Agmon, N. B., Bedroya, A., Kang, M. J. & Vafa, C. (2022). Lectures on the string landscape and the Swampland. arXiv:2212.06187.
12. Stanford Encyclopedia of Philosophy (Spring 2026). *Philosophy of Cosmology*.
13. Stanford Encyclopedia of Philosophy (Fall 2025). *Quantum Gravity*.
14. Stanford Encyclopedia of Philosophy (Summer 2026). *Realism and Theory Change in Science*.
15. Neo.K (2026). *人類其實看見 3D 嗎？* 載體幾何 2.0 A01.
16. Neo.K (2026). *平面為何能產生立體感？* 載體幾何 2.0 A02.
17. Neo.K (2026). *從 2.5D 到 4D*. 載體幾何 2.0 A03.
18. Neo.K (2026). *五維之後：不是不能想，而是候選爆炸*. 載體幾何 2.0 A04.
19. Neo.K (2026). *高維符號不等於高維實在*. 載體幾何 2.0 A05.

---

# 下一系列接口

**Series B：可達性宇宙論——共址實在、正交扇區與觀察者邊界**

B01 暫定：

**《世界不一定隔著距離：從空間分離到可達性分離》**

核心命題：

$$
\boxed{
\text{World Separation}
\not\Rightarrow
\text{Spatial Separation}.
}
$$

並開始形式化：

$$
\Omega
+
\{P_i,R_i,T_i\}
\rightarrow
\{W_i\},
$$

即同一底層實在如何在不同可達、解碼與動力扇區中生成不同有效世界。