--- title: "MGCP–USE 08：驗證、反事實宇宙與下一代實驗——如何證明我們真的學到了狀態演化規則？" series: "MGCP–USE / Minimal Generatively Complete Physics & Universal State Evolution" document_id: "MGCP-USE-08" version: "0.1" date: "2026-09-20" language: "zh-TW" status: "Research Draft" source_format: "UTF-8 Markdown" depends_on: - "MGCP-USE-00" - "MGCP-USE-01" - "MGCP-USE-02" - "MGCP-USE-03" - "MGCP-USE-04" - "MGCP-USE-05" - "MGCP-USE-06" - "MGCP-USE-07" --- # MGCP–USE 08：驗證、反事實宇宙與下一代實驗——如何證明我們真的學到了狀態演化規則？ **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-09-20 **版本：** 0.1 ## 摘要 MGCP–USE 00–07 已完成由「最小完備生成物」到「通用狀態演化候選」的研究架構。本篇不負責宣布終極答案，而負責建立整個系列最重要的終止條件： $$ \boxed{ \text{我們如何知道自己學到的是物理規則，而不是對既有資料的一次高品質重述？} } $$ 如果一個模型只能重播已知歷史： $$ D_{\mathrm{train}} \rightarrow \widehat D_{\mathrm{train}}, $$ 它可能只是 interpolation、compression 或 simulator imitation。若一個候選聲稱掌握狀態演化規則，就必須面對 held-out transition、out-of-distribution regime、counterfactual initial / boundary conditions、cross-domain transfer、structural diagnostics、uncertainty calibration、model discrimination、active falsification 與 independent replication。 本文提出 MGCP–USE Validation Stack： $$ \mathcal V = ( V_{\mathrm{holdout}}, V_{\mathrm{OOD}}, V_{\mathrm{counterfactual}}, V_{\mathrm{structural}}, V_{\mathrm{causal}}, V_{\mathrm{cross}}, V_{\mathrm{active}}, V_{\mathrm{replication}} ). $$ 並將驗證分成四個基本層級： $$ \boxed{ \text{Reproduction} \rightarrow \text{Generalization} \rightarrow \text{Counterfactuality} \rightarrow \text{Falsifiability}. } $$ 2025–2026 年的研究已提供多個直接技術接口：2026 年 Nature 對 AI physics-experiment design 的綜述把問題整理為 search space、simulator、objective function 與 AI exploration；2026 年 physics-informed structural diagnostics 顯示，單一 RMSE / MAE 可能掩蓋 governing relation 的結構錯誤；2026 年 MatUQ 顯示 random split 會高估 out-of-distribution reliability；2025 年 physics-and-topology-informed rigid-body learning 已展示在改變物體、位置與初始條件後進行長時程 counterfactual rollout；2026 年「learning missing physics from legacy simulators」則直接提醒：成熟 simulator 也可能因 unresolved physics 與 structural incompleteness 產生 model–reality gap。 因此，本篇把反事實宇宙寫成： $$ W' = \operatorname{Evolve} ( K', \Pi', B', C' ), $$ 但明確限制：它不是科幻故事生成，而是對狀態、邊界、參數或規則做最小干預後，測試候選生成結構是否仍能產生穩健、可比較、可被實驗或高可信類比系統檢驗的結果。 整個系列最後的科學目標不是： $$ \boxed{ \text{找到一條漂亮的宇宙公式} } $$ 而是： $$ \boxed{ \text{建立一套能持續淘汰錯誤生成規則、壓縮候選空間並設計下一個關鍵實驗的閉環程序。} } $$ --- # Part I — 最後一篇首先要否定什麼？ ## 1. 重現已知資料不是終點 若模型 $M$ 滿足： $$ M(D_{\mathrm{train}}) \approx D_{\mathrm{train}}, $$ 只能說它能重現訓練資料。 即使： $$ R^2\approx1, $$ 也不能推出： $$ M = \text{physical law}. $$ --- ## 2. 擬合可以很完美，物理仍然錯 可能存在： $$ M_1\neq M_2 $$ 但： $$ L(M_1,D_{\mathrm{train}}) \approx L(M_2,D_{\mathrm{train}}) \approx0. $$ 真正差異只會出現在： $$ D_{\mathrm{OOD}}. $$ 因此： $$ \boxed{ \text{未見 regime 往往比已見 regime 更有辨識力。} } $$ --- ## 3. 高預測能力也不等於高物理一致性 2026 年 physics-informed structural diagnostics 的研究指出，scalar accuracy metrics 可能無法辨識「平均誤差很小，但 implied governing relation 已經結構性錯位」的情況。 因此： $$ \boxed{ \text{low error} \not\Rightarrow \text{correct physical structure}. } $$ --- # Part II — MGCP–USE Validation Stack ## 4. 八層驗證 定義： $$ \mathcal V = ( V_{\mathrm{holdout}}, V_{\mathrm{OOD}}, V_{\mathrm{counterfactual}}, V_{\mathrm{structural}}, V_{\mathrm{causal}}, V_{\mathrm{cross}}, V_{\mathrm{active}}, V_{\mathrm{replication}} ). $$ 任何高階候選都必須逐層接受挑戰。 --- ## 5. $V_{\mathrm{holdout}}$：真正未見資料 最弱條件： $$ D_{\mathrm{train}} \cap D_{\mathrm{test}} = \varnothing. $$ 但科學問題不能只做 random split。 --- ## 6. $V_{\mathrm{OOD}}$：分布外測試 真正測試： $$ D_{\mathrm{test}} \not\sim D_{\mathrm{train}}. $$ 例如： - new scale； - new geometry； - new material； - new initial condition； - new apparatus； - new phase； - new field strength。 --- ## 7. $V_{\mathrm{counterfactual}}$：干預後世界 修改： $$ I = \{S_0,B,C,\Theta\} $$ 中的一部分： $$ I\rightarrow I', $$ 再要求： $$ M(I') $$ 給出穩健且可檢驗結果。 --- ## 8. $V_{\mathrm{structural}}$：物理結構 檢查： - conservation； - symmetry； - dimensional consistency； - causal structure； - monotonicity； - stability； - invariant manifold。 --- ## 9. $V_{\mathrm{causal}}$：介入敏感性 若候選聲稱： $$ A\rightarrow B, $$ 則在可行情況下比較： $$ P(B\mid A) $$ 與： $$ P(B\mid do(A)). $$ --- ## 10. $V_{\mathrm{cross}}$：跨域轉移 若 primitive $P_A$ 從 domain $A$ 抽出，則要求它對 domain $B$ 產生： $$ P_A \Rightarrow \Omega_B. $$ 如果完全沒有跨域限制力，universal claim 必須降級。 --- ## 11. $V_{\mathrm{active}}$：主動證偽 選擇： $$ E^\ast $$ 使 competing models 的預測最大分離。 --- ## 12. $V_{\mathrm{replication}}$：獨立重複 至少考慮： - independent instrument； - independent dataset； - independent implementation； - independent analysis path。 --- # Part III — Holdout 不應只做 Random Split ## 13. Random Split 的科學風險 如果資料有 cluster structure，random split 可能把高度相似樣本同時放進 train / test。 模型得到高 test score，卻沒有真正 extrapolate。 --- ## 14. 2026 MatUQ 的教訓 MatUQ 使用 structure-aware leave-one-cluster-out benchmark 研究材料 GNN 在 OOD structural shift 下的 uncertainty reliability。 對 MGCP–USE 的直接原則： $$ \boxed{ \text{scientific generalization} \text{ requires structural distribution shift, not only random holdout}. } $$ --- ## 15. Physics Holdout Taxonomy ```text Holdout_Type: random_sample parameter_interval initial_condition boundary_condition geometry scale phase apparatus domain historical_epoch ``` Universal claim 至少應面對 scale / domain 等高階 holdout。 --- # Part IV — OOD 與不確定性 ## 16. 最危險的是高信心錯誤 若： $$ |\widehat y-y| \gg \sigma, $$ 表示 uncertainty calibration 失效。 --- ## 17. 科學模型需要知道自己不知道 理想： $$ D_{\mathrm{OOD}} \Rightarrow U(D_{\mathrm{OOD}}) \uparrow. $$ 若沒有可靠外推能力，應： $$ \boxed{ \text{abstain}. } $$ --- ## 18. OOD 不只是 ML 問題 如果某物理模型只在： $$ E\lambda_c $$ 失敗，可能是 validity boundary。 若只在 phase boundary 失敗，可能是 missing transition physics。 --- ## 65. Missing Physics vs Wrong Parameter 區分： $$ \text{parameter error} $$ 與： $$ \text{structural incompleteness}. $$ 這是 model repair 中最重要的診斷之一。 --- # Part XIX — Cross-Scale Validation ## 66. 同一候選沿 Atlas 跑 若候選 $P$ 聲稱跨尺度，測： $$ L_0\rightarrow L_1\rightarrow\cdots\rightarrow L_n. $$ --- ## 67. Scale-Survival Profile 定義： $$ \mathcal S_P(\lambda) $$ 表示候選在 scale $\lambda$ 的有效性。 若只在有限區間成立，它更可能是 effective structure。 --- ## 68. Cross-Scale Failure 也是訊號 若在： $$ \lambda_c $$ 附近失效，可能指出： - phase transition； - new degrees of freedom； - effective-theory breakdown； - missing closure term。 --- # Part XX — 下一代實驗搜尋區域 ## 69. 不只是更高能量 下一代 MGCP–USE-sensitive experiment 應同時提高： - energy reach； - precision； - timing； - low-threshold sensitivity； - displaced detection； - frequency coverage； - multi-messenger correlation； - control over initial conditions。 --- ## 70. Collider Frontier 優先： - high- $Q^2$ tails； - off-shell Higgs； - self-coupling； - rare decay； - LLP； - SUEP / unusual topology； - precision EFT global fits。 --- ## 71. Early-Universe Frontier 優先： - CMB polarization； - primordial non-Gaussianity； - stochastic GW； - first-order phase transition； - cosmic strings； - domain-wall constraints。 --- ## 72. Strong-Gravity Frontier 優先： - ringdown spectroscopy； - higher modes； - polarization； - inspiral–merger consistency； - horizon-scale anomalies。 --- ## 73. Quantum-Simulator Frontier 優先： - controlled Hamiltonian variation； - synthetic gauge fields； - many-body phase transitions； - causal-order experiments； - emergent-time analogues； - programmable coarse-graining tests。 --- # Part XXI — 先測可控子問題 ## 74. Benchmark Ladder ### B1 — Classical Controlled Dynamics ground truth 已知。 ### B2 — Quantum Simulator 部分 governing law 可控。 ### B3 — Many-Body / Phase Transition 開始出現 emergence。 ### B4 — QFT Effective Dynamics 測 scale flow。 ### B5 — Cosmology / Gravity 只能觀測，不能完整干預。 --- ## 75. 為什麼要這樣排序 如果 AI 在： $$ B1,B2 $$ 都不能分辨： $$ \text{true law} $$ 與： $$ \text{good fit}, $$ 直接上宇宙資料沒有意義。 --- # Part XXII — MGCP–USE Validation Record ## 76. 第一版資料結構 ```text MGCP_USE_Validation_Record: candidate_id discovery_data held_out_data holdout_type ood_regimes calibration_status structural_tests invariant_tests causal_tests counterfactual_tests cross_domain_tests simulator_discrepancy active_falsification_experiments replication_level negative_results repair_budget stop_conditions evidence_level final_status provenance ``` --- # Part XXIII — Validation Acceptance Gate ## 77. Gate V-A：True Holdout 至少一個真正未參與發現的 regime。 ## 78. Gate V-B：OOD Calibration 模型知道何時超出有效域。 ## 79. Gate V-C：Structural Consistency 不只 scalar accuracy。 ## 80. Gate V-D：Counterfactual Coherence 干預後仍有穩定可測預測。 ## 81. Gate V-E：Cross-Domain Transfer 若聲稱 universal，必須跨域。 ## 82. Gate V-F：Simulator Discrepancy Audit 不能把 simulator 當 truth。 ## 83. Gate V-G：Active Falsification 至少一個專門設計來推翻候選的實驗。 ## 84. Gate V-H：Independent Replication 至少一條獨立驗證路徑。 ## 85. Gate V-I：Negative-Result Accounting null result 必須更新 posterior。 ## 86. Gate V-J：Stop Condition 候選必須能被正式淘汰。 --- # Part XXIV — 最終 Evidence Level ## 87. E0 — Speculative 只有概念。 ## 88. E1 — Internally Coherent 形式自洽。 ## 89. E2 — Simulation-Compatible 可在 simulator 中運行。 ## 90. E3 — Data-Compatible 與既有資料一致。 ## 91. E4 — Held-Out Predictive 預測未見資料。 ## 92. E5 — OOD / Counterfactual Robust 跨 regime 與干預。 ## 93. E6 — Cross-Domain Supported 跨獨立物理域。 ## 94. E7 — Actively Falsified-and-Surviving 經最強證偽設計後仍存活。 對 Universal State Evolution，只有 E6–E7 才能進入高可信核心。 --- # Part XXV — 系列如何允許自己失敗 ## 95. 失敗結果 A：沒有 MGCP 自然界可能沒有唯一或有限最低生成核心。 ## 96. 失敗結果 B：MGCP 存在但不可識別 $$ I(K_0;D_{\mathrm{today}}) \approx0. $$ ## 97. 失敗結果 C：只能找到局部 Universalities 不同尺度只有 local universality classes。 ## 98. 失敗結果 D：USE 候選全部 OOD 失敗 則通用狀態演化假說降級。 ## 99. 失敗結果 E：AI 只能預測，不能抽規則 仍有工程價值，但不能稱 law discovery。 ## 100. 失敗本身就是成功條件 本系列必須允許： $$ \boxed{ \text{research program terminates negatively}. } $$ --- # Part XXVI — 系列第一階段的最終閉環 ## 101. 完整流程 $$ \boxed{ K_0 \rightarrow \Pi_0 \rightarrow \mathcal A_R \rightarrow \mathfrak G \rightarrow \mathcal A_T \rightarrow \mathcal R_{\mathrm{AI}} \rightarrow \mathcal U \rightarrow \mathcal V } $$ 其中： - $K_0$：MGCP candidate； - $\Pi_0$：primitive transition； - $\mathcal A_R$：Residual Atlas； - $\mathfrak G$：Posterior History Ensemble； - $\mathcal A_T$：Transition Atlas； - $\mathcal R_{\mathrm{AI}}$：AI State-Evolution Reconstructor； - $\mathcal U$：Universal State-Evolution Candidate； - $\mathcal V$：Validation Stack。 --- ## 102. 這個閉環會回到起點 若： $$ \mathcal V(\mathcal U) $$ 失敗，則回頭修改： $$ \mathcal R_{\mathrm{AI}}, \mathcal A_T, \mathfrak G, K_0. $$ 所以整個系列不是 linear proof，而是： $$ \boxed{ \text{iterative scientific closure}. } $$ --- # Part XXVII — 第 08 篇核心結論 ## 103. 結論一：重現不是驗證 $$ \boxed{ \text{reproduction} \neq \text{generalization}. } $$ --- ## 104. 結論二：Random Holdout 不足以測科學外推 真正需要： $$ \boxed{ \text{structural OOD}. } $$ --- ## 105. 結論三：Counterfactual 是生成規則的核心測試 若模型真的掌握 $F$，它應能處理： $$ S_0'\neq S_0. $$ --- ## 106. 結論四：Simulator 不是 Reality $$ \boxed{ \mathcal F_{\mathrm{sim}} \neq \mathcal F_{\mathrm{real}} } $$ 必須永遠被允許。 --- ## 107. 結論五：Universal Claim 必須跨域轉移 若不能： $$ P_A\rightarrow\Omega_B, $$ 就不應稱 universal。 --- ## 108. 結論六：下一代 AI 科學核心不是確認，而是證偽 $$ \boxed{ \text{AI experimental design} \rightarrow \text{model discrimination} \rightarrow \text{candidate elimination}. } $$ --- ## 109. 結論七：Null Result 是有價值的更新 $$ \boxed{ \text{non-detection} = \text{candidate-space compression}. } $$ --- ## 110. 結論八：研究計畫必須包含終止條件 不能建立任何結果都能解釋的理論。 --- ## 111. 結論九：最終目標不是一條漂亮公式 而是： $$ \boxed{ \text{一套能跨尺度、跨表示、跨環境、跨物理域接受反例的生成規則候選族。} } $$ --- ## 112. 結論十：MGCP 的真正價值是最低錨點 若未來真的找到： $$ K_0, $$ 其價值不是「物理學終於找到上帝粒子」，而是第一次得到： $$ \boxed{ \text{a physically anchored lower boundary for state evolution}. } $$ 由此才可能研究： $$ K_0 \rightarrow K_1 \rightarrow \cdots \rightarrow W_{\mathrm{today}}. $$ --- # Part XXVIII — 系列第一階段結語 ## 113. 從「上帝粒子的上帝粒子」重新定義問題 最初問題看似是： > Higgs 下面還有沒有一個更基本的東西？ 最後改寫成： $$ \boxed{ \text{是否存在一個最低物理生成結構，使我們能從第一個可辨識轉換開始，建立跨尺度狀態演化的可驗證模型？} } $$ --- ## 114. 真正研究對象不是粒子 而是： $$ \boxed{ \text{minimal generative physical structure} } $$ 加上： $$ \boxed{ \text{state-transition architecture}. } $$ --- ## 115. 真正研究成果也不一定是找到它 也可能是證明： $$ \boxed{ \text{某些種類的最低生成模型不可能成立。} } $$ 或： $$ \boxed{ \text{目前宇宙資訊不足以唯一反推。} } $$ 或： $$ \boxed{ \text{不存在非平凡的 Universal State Evolution。} } $$ 這些都屬正式科學結果。 --- ## 116. 第一階段完成後的工程下一步 若未來實作，第一個工程專案不應直接模擬宇宙起源，而應建立： $$ \boxed{ \text{MGCP–USE Benchmark + Atlas Runtime}. } $$ 包含： 1. Transition Atlas； 2. Residual Atlas； 3. controlled benchmark systems； 4. law-discovery models； 5. OOD validation； 6. counterfactual simulator； 7. model competition； 8. active experiment planner； 9. provenance； 10. falsification log。 這樣 00–08 才真正從論文系列轉成可實作的研究基礎設施。 --- # 參考文獻 1. Klimesch, J., Arlt, S., Ruiz-Gonzalez, C., et al. "Designing physics experiments with artificial intelligence." *Nature* 657, 47–58 (2026). https://doi.org/10.1038/s41586-026-10898-6 2. Haddadi, H., Kloskowski, A., Mironowicz, P. "Physics-informed structural diagnostics of model–data agreement beyond scalar metrics." *Scientific Reports* 16, 18622 (2026). https://doi.org/10.1038/s41598-026-49445-8 3. Tan, L., Wang, X., Zou, Y., et al. "MatUQ: a benchmark for uncertainty-aware out-of-distribution materials property prediction with graph neural networks." *npj Computational Materials* (2026). https://doi.org/10.1038/s41524-026-02272-x 4. Wei, A., Fink, O. "Integrating physics and topology in neural networks for learning rigid body dynamics." *Nature Communications* 16, 6867 (2025). https://doi.org/10.1038/s41467-025-62250-7 5. Wang, H., Wang, Q., Yuan, C., et al. "Learning missing physics from legacy simulators with alternating neural integrators." *Nature Communications* 17, 7877 (2026). https://doi.org/10.1038/s41467-026-74002-2 6. Canty, R. B., Abolhasani, M. "The past, present and future of self-driving laboratories." *Nature Reviews Chemistry* 10, 523–537 (2026). https://doi.org/10.1038/s41570-026-00847-2 7. Gottweis, J., Weng, W.-H., Daryin, A., et al. "Accelerating scientific discovery with Co-Scientist." *Nature* 655, 487–496 (2026). https://doi.org/10.1038/s41586-026-10644-y 8. Rodriques, S. G., et al. "A multi-agent system for automating scientific discovery." *Nature* 655, 497–505 (2026). https://doi.org/10.1038/s41586-026-10652-y 9. Ranković, B., Griffiths, R.-R., Schwaller, P. "Large language models as uncertainty-calibrated optimizers for experimental discovery." *Nature Machine Intelligence* 8, 1466–1477 (2026). https://doi.org/10.1038/s42256-026-01283-z 10. Chowdhury, S., et al. "An agentic artificially intelligent X-ray scientist." *Nature Machine Intelligence* 8, 1075–1086 (2026). https://doi.org/10.1038/s42256-026-01261-5 11. Gavrikov, A., Serafini, A., Dolzhikov, D., et al. "Simulation-based inference for precision neutrino physics through neural Monte Carlo tuning." *Communications Physics* (2026). https://doi.org/10.1038/s42005-026-02499-6 12. "Physics-consistent machine learning with output projection onto physical manifolds." *Communications Physics* (2025). https://doi.org/10.1038/s42005-025-02329-1 13. Ma, Z., Zeng, C., Zhang, Y.-C., et al. "Predicting critical transitions with machine learning trained on surrogates of historical data." *Communications Physics* 8, 258 (2025). https://doi.org/10.1038/s42005-025-02172-4 14. Neudecker, D., Cutler, T. E., Devlin, M., et al. "Machine Learning to Select Experiments Driven by Fundamental Science and Applications for Targeted Nuclear Data Improvement." *Physical Review X* 15, 021086 (2025). https://doi.org/10.1103/PhysRevX.15.021086 15. Pearl, J. *Causality: Models, Reasoning, and Inference*. Cambridge University Press, 2nd ed. (2009). 16. Popper, K. *The Logic of Scientific Discovery*. Routledge. 17. Box, G. E. P. "Science and Statistics." *Journal of the American Statistical Association* 71, 791–799 (1976). --- ## Source Integrity Note 本文件為 UTF-8 Markdown canonical source。數學原始碼只使用 ` $...$ ` 與 `$$...$$` delimiter，不進行 LaTeX-to-Unicode 數學替換，不使用 unicode-escape round-trip。 本文延續 MGCP–USE 00–07 的「從零開始」約束，不使用作者既有私人理論作為前提。MGCP–USE Validation Stack、Counterfactual Matrix、Truth Hierarchy、Validation Acceptance Gate、Repair Budget 等為本系列研究工作結構，並非現代物理學既有標準分類。 本文引用 2025–2026 年 physics-informed validation、OOD benchmarking、counterfactual dynamics、missing-physics learning、AI experimental design、self-driving laboratories、multi-agent science 與 simulation-based inference 等研究，目的在於建立「如何驗證、如何讓候選失敗、如何設計下一個實驗」的現代技術底座。 本文不宣稱 MGCP、Primitive Transition 或 Universal State Evolution 已被實驗確認。相反地，本篇主要功能就是規定：若這些候選未來無法通過 held-out、OOD、counterfactual、cross-domain、active falsification 與 independent replication，它們就不應被升格為物理定律。