# OWER EX-A v0.1｜認識根節點缺失猜想

## 認識根節點缺失猜想
### The Missing Epistemic Root Conjecture: Why “Knowing the World First” Became an Implicit Premise Rather Than a First-Class Computational Object

**Series:** Open-World Epistemic Research  
**Extra Paper:** EX-A  
**Version:** v0.1  
**Date:** 2026-09-20  
**Language:** zh-TW  
**Status:** Formal Draft / Canonical Markdown Source  
**Authors:** Neo.K × GPT-5.6 Sol  
**Institution:** EveMissLab / 一言諾科技有限公司

---

## 摘要

人類的日常認識活動有一個極其普通、甚至普通到幾乎不會被特別指出的前提：人在執行任務、搜尋資訊、做決策、建立理論之前，通常早已處於對世界的持續感知、記憶、定位與更新之中。人並不是每次接收到一個任務後，才第一次建立世界；相反，任務本身通常出現在一個已被部分認識、持續更新、具有背景與可觀察性的世界之中。

然而，傳統演算法與大量現代 AI 系統卻經常採用另一種根結構：

$$
\text{Input}
\rightarrow
\text{Algorithm}
\rightarrow
\text{Output}
$$

或：

$$
\text{Task}
\rightarrow
\text{Tool}
\rightarrow
\text{Answer}
$$

其中「世界」並未成為顯式的一級計算物件。

本文提出 **Missing Epistemic Root Conjecture**：

> **許多計算系統之所以沒有將「認識世界」設計為第一級根節點，不一定是因為這一步不重要，而是因為世界結構、可觀察性、問題邊界與可用入口長期由人類設計者、資料集、輸入格式、API、感測器、工具列表與任務定義預先提供，因此「認識世界」被編譯進系統前提，成為隱式知識，而非顯式認識步驟。**

本文不主張「人類會先認識世界」是一項新的哲學發現。相反，這一觀察極其普通，且可與知覺、現象學、認知科學、具身認知、控制、機器人與世界模型等大量既有傳統相連。本文真正處理的是另一個問題：

$$
\boxed{
\text{Why was the world epistemically implicit in computation?}
}
$$

本文將傳統系統重寫為：

$$
\text{System}
=
W_{\text{implicit}}
+
T
+
A
$$

其中：

- $W_{\text{implicit}}$：由人類、資料、工具與環境預先壓入的世界前提；
- $T$：Task；
- $A$：Algorithm。

表面上系統看似只需：

$$
T
\rightarrow
A
$$

實際上前面隱含了：

$$
W
\rightarrow
\operatorname{Observe}(W)
\rightarrow
\hat W
$$

只是這些工作被外部設計者代做。

本文因此提出 **De-Implicitization Principle**：當 AI 從封閉任務求解器轉向長時、跨域、開放世界 Agent 時，原本可由人類隱式提供的世界前提，可能必須重新被顯式化成：

$$
\boxed{
\text{World Root}
}
$$

並使：

$$
\text{search}
$$

$$
\text{reasoning}
$$

$$
\text{planning}
$$

$$
\text{action}
$$

都成為相對於：

$$
\hat W_t
$$

進行的操作。

本文最終提出：

$$
\boxed{
\text{Given World}
\rightarrow
\text{Partially Given World}
\rightarrow
\text{Discoverable World}
}
$$

可能是一條重要的 Agent 架構演化軸。

**關鍵詞：** World Root、Missing Epistemic Root、Open-World Cognition、Implicit World Assumption、Agent Architecture、Epistemic Runtime、World Discovery、AI-Native Research

---

# 1. 這個命題為什麼看起來像廢話？

「人類先認識世界，再做其他事情。」

這句話看起來幾乎像常識。

因為人在：

- 行走；
- 看東西；
- 聽聲音；
- 記住環境；
- 辨認人物；
- 感受時間；
- 接收社會脈絡；

時，本來就在持續更新：

$$
\hat W_t
$$

。

當某個任務：

$$
T
$$

出現時，通常不是從：

$$
\varnothing
$$

開始。

而是：

$$
\hat W_t
+
T
\rightarrow
A_t
$$

。

因此：

$$
\boxed{
\text{Task Execution}
\text{ is usually embedded in }
\text{Prior World Recognition}
}
$$

。

---

# 2. 普通，不代表沒有架構意義

一個概念很普通，不代表：

> 它已經成為計算系統中的 first-class object。

例如人類很早就知道：

> 時間會經過。

但在程式中，若時間很重要，仍需要：

$$
t
$$

明確存在。

同樣，人類知道：

> 世界存在。

但若 AI Runtime 需要持續：

- 觀察；
- 更新；
- 比較；
- 發現新入口；
- 追蹤未知；
- 修正 ontology；

則：

$$
W
$$

與：

$$
\hat W_t
$$

可能也需要顯式存在。

---

# 3. 哲學認識論與計算根節點不是同一問題

哲學可以問：

> 人如何知道世界？

計算架構還必須問：

> 系統中哪個物件表示「目前所知世界」？

以及：

> 哪個操作可以修改它？

所以：

$$
\boxed{
\text{Epistemological Discussion}
\neq
\text{Runtime Representation}
}
$$

。

---

# 4. 認識世界可以是隱式的

傳統系統並非完全沒有世界。

它只是把世界藏進：

- input；
- schema；
- environment；
- database；
- API；
- task definition；
- programmer assumptions。

因此：

$$
W
$$

沒有消失。

而是：

$$
\boxed{
W
\rightarrow
W_{\text{implicit}}
}
$$

。

---

# 5. World Was Compiled Away

本文將這種現象稱為：

$$
\boxed{
\text{World Was Compiled Away}
}
$$

。

也就是：

> 世界中需要被知道的部分，先由人類設計者轉換成系統可以直接使用的輸入與介面。

所以算法表面上不必：

$$
\operatorname{KnowWorld}()
$$

。

因為設計者已經代做。

---

# 6. 排序演算法不需要先認識宇宙

排序問題：

$$
X=
\{x_1,\ldots,x_n\}
$$

已經給定。

算法只需要：

$$
\operatorname{Sort}(X)
$$

。

它不需要問：

> 世界上還有沒有其他數字？

因為問題被封閉。

---

# 7. 圖搜尋也一樣

若：

$$
G=(V,E)
$$

已給定，

Dijkstra 不需要問：

> 世界上是否有一條沒有被輸入的路？

算法的世界就是：

$$
G
$$

。

因此：

$$
\boxed{
\text{Given Representation}
=
\text{Operational World}
}
$$

。

---

# 8. 封閉世界計算的成功

傳統計算機科學非常成功的一個原因，就是大量問題可被寫成：

$$
f:X\rightarrow Y
$$

其中：

- $X$ 已知；
- $Y$ 定義清楚；
- 合法操作固定。

這讓：

$$
\operatorname{WorldDiscoveryCost}=0
$$

可以被視為外部前提。

---

# 9. 但這不是自然世界的普遍條件

真實世界更常是：

$$
X_t
$$

不完整，

$$
Y_t
$$

不完全知道，

甚至：

$$
\mathcal X_t
$$

本身也會變。

因此：

$$
\boxed{
\text{Closed Computational Domain}
\neq
\text{Open World}
}
$$

。

---

# 10. AI 早期也繼承了 Given World

監督學習：

$$
D=
\{(x_i,y_i)\}
$$

已經把世界投影成 dataset。

模型的任務：

$$
\theta^\ast
=
\arg\min_\theta
\mathcal L(D;\theta)
$$

。

此時：

$$
D
$$

就是被給定的世界切片。

---

# 11. Dataset 是世界前提的一種編譯

建立 dataset 時，人類已做：

- selection；
- labeling；
- filtering；
- taxonomy；
- scope；
- measurement。

因此：

$$
W
\rightarrow
D
$$

本身已經是認識工程。

模型通常從：

$$
D
$$

之後開始。

---

# 12. 所以模型沒有「從世界開始」

它從：

$$
\Pi_D(W)
$$

開始。

其中：

$$
\Pi_D
$$

是人類提供的世界投影。

---

# 13. LLM 又把世界壓進權重

大型語言模型大致：

$$
D_{\text{train}}
\rightarrow
\theta
$$

。

所以：

$$
\theta
$$

可以看成某種高度壓縮的世界統計表示。

這讓 Runtime 看起來：

$$
x
\rightarrow
P_\theta(y\mid x)
$$

已經足夠。

---

# 14. 參數世界錯覺

此時很容易形成：

> 模型已經知道世界。

但：

$$
\boxed{
P_\theta
\neq
W
}
$$

。

更準確：

$$
P_\theta
\approx
\Pi_\theta(W_{\text{train}})
$$

。

---

# 15. 世界會變

當：

$$
W_t
\neq
W_{\text{train}}
$$

模型內部：

$$
P_\theta
$$

不會自動等於最新世界。

這就是為什麼搜尋、工具與外部資料變重要。

---

# 16. 但 Search 仍不是 World Root

加入搜尋：

$$
P_\theta
+
R(W)
$$

仍只是：

> 模型 + 取回的世界片段。

如果系統沒有：

$$
W
$$

作為顯式認識對象，

它仍可能把搜尋結果當成：

$$
\text{context augmentation}
$$

而不是：

$$
\text{world-state update}
$$

。

---

# 17. Web Access 只是外部輸入通道

因此：

$$
\boxed{
\text{Web Access}
\neq
\text{World Root}
}
$$

。

這直接接回 OWER Paper 01。

---

# 18. 人類一直在替 AI 做認識論工作

例如給 AI：

> 查論文。

這其實已經替它決定：

$$
\text{scholarly papers}
$$

是重要世界 surface。

給：

> 看 GitHub。

也已經決定：

$$
\text{code repository}
$$

是 relevant surface。

---

# 19. Tool List 本身就是 ontology

如果 Agent 工具是：

```text
web_search
browser
github
calculator
```

其實已經告訴它：

> 世界可以被這些方式認識。

因此：

$$
\boxed{
\text{Tool Registry}
=
\text{Partial Epistemic Ontology}
}
$$

。

---

# 20. API Schema 也在描述世界

一個 API：

```json
{
  "query": "...",
  "limit": 10
}
```

其實隱含：

> 世界中的相關東西可以被 query + ranking 方式取得。

這是：

$$
W
\rightarrow
\text{API World}
$$

。

---

# 21. 感測器也是世界投影

Robot sensor：

$$
S_i:
W
\rightarrow
O_i
$$

。

Camera、LiDAR、audio 都只是：

$$
\Pi_i(W)
$$

。

所以具身系統其實更接近 World Root 問題。

---

# 22. 但具身不自動等於 World Root

一個 Robot 可能有很多 sensor，

但架構仍是：

$$
O_t
\rightarrow
\text{Policy}
\rightarrow
A_t
$$

。

如果沒有：

$$
\hat W_t
$$

persistent epistemic state，

仍不一定是 World-Rooted Cognition。

---

# 23. Sensor Fusion 不等於 Epistemic Root

把：

$$
O_1,O_2,O_3
$$

融合成：

$$
Z_t
$$

不代表：

$$
Z_t
$$

被視為：

> 對世界的可修正認識狀態。

因此：

$$
\boxed{
\text{Sensor Fusion}
\neq
\text{World-Rooted Epistemology}
}
$$

。

---

# 24. 世界模型也不等於 World Root

這一點將在 EX-B 展開。

這裡先保留：

$$
W
\neq
M_W
$$

。

---

# 25. World Root 的最小要求

本文暫定 World Root 至少意味：

1. 系統區分 world 與 current model；
2. 所有認識行為都相對於 world-state gap；
3. 新觀察會更新 world state；
4. world schema 可以被修正；
5. world surface 可以被發現。

---

# 26. Root 不是「世界資料庫」

World Root 不等於：

> 建一張超大 knowledge graph。

Graph 只是：

$$
G(\hat W_t)
$$

的一種表示。

---

# 27. Root 是認識座標系

更精確：

$$
\boxed{
\text{World Root}
=
\text{The Epistemic Locus Relative to Which Cognition Is Organized}
}
$$

。

---

# 28. Search 相對於 World Root

因此搜尋不是：

$$
\operatorname{Search}(q)
$$

而是：

$$
\operatorname{Search}
(
q
\mid
\hat W_t,
U_t,
G_t
)
$$

。

---

# 29. Reasoning 相對於 World Root

推理也應是：

$$
\operatorname{Reason}
(
H
\mid
\hat W_t
)
$$

。

---

# 30. Action 相對於 World Root

行動：

$$
\operatorname{Act}
(
a
\mid
\hat W_t
)
$$

。

---

# 31. Planning 相對於 World Root

規劃：

$$
\operatorname{Plan}
(
G
\mid
\hat W_t
)
$$

。

---

# 32. Memory 相對於 World Root

記憶：

$$
M_t
$$

應能回答：

> 這段資訊描述世界哪一部分？

而不只是：

> 我以前說過什麼。

---

# 33. World Root 改變其他模組的定位

沒有 World Root：

```text
task
search
tools
memory
output
```

有 World Root：

```text
/world
    state
    surfaces
    entities
    relations
    unknowns
    boundaries
    history
    access
/task
/search
/action
/memory
/output
```

---

# 34. `/world` 不是普通資料夾

它是其他模組的認識根目錄。

因此：

$$
\boxed{
\text{/world}
\succ
\text{/task}
}
$$

至少在認識順序上成立。

---

# 35. Task 其實是 World 中的一個事件

更強的說法：

$$
T_t
\subset
W_t
$$

。

也就是：

> 使用者提出一個任務，本身也是世界中新出現的事件。

---

# 36. 使用者也是世界的一部分

對 Agent 而言：

- intent；
- preference；
- permissions；
- context；

也都屬於 World State。

---

# 37. 這不代表 Agent 可以任意觀察世界

World Root 與權限必須分開。

$$
\operatorname{Exists}(x)
\neq
\operatorname{AuthorizedObserve}(x)
$$

。

---

# 38. World Root 需要 Access Boundary

因此：

$$
W
=
W_{\text{observable}}
\cup
W_{\text{inaccessible}}
\cup
W_{\text{unknown}}
$$

。

---

# 39. Accessible World

定義：

$$
W_A(t)
$$

為當下可合法觀察的世界子集。

---

# 40. Agent 的認識實際運作在

$$
\hat W_t
\subseteq
W_A(t)
\subseteq
W
$$

。

---

# 41. 這避免「世界根節點 = 全知」

World Root 不要求：

$$
\hat W_t=W
$$

。

相反，它要求明確承認：

$$
\boxed{
\hat W_t
\subsetneq
W
}
$$

通常成立。

---

# 42. World Root 天然要求 Unknown

如果：

$$
\hat W_t
\neq
W
$$

則：

$$
U_t
$$

不是例外，而是基本狀態。

---

# 43. Unknown 不再只是 Missing Value

Paper 03 的 typed unknown 在這裡有更深地位：

$$
\mathbf U_t
=
\Delta(
\hat W_t,
W
)
$$

的可操作近似。

---

# 44. Agent 不知道真正的 $W$

所以：

$$
\mathbf U_t
$$

也只是已辨識的認識差距。

另外仍有：

$$
U_{\text{meta}}
$$

。

---

# 45. World Root 與 Meta-Unknown

若沒有 World Root，

系統很容易把：

> 沒有列出 unknown。

理解成：

> 沒有 unknown。

World Root 則保留：

$$
\boxed{
\text{Unobserved World}
}
$$

這一概念空間。

---

# 46. World Discovery

因此需要：

$$
\operatorname{WorldDiscover}
$$

。

它不是單純搜更多，

而是：

> 發現新的可觀察世界表面與對象類型。

---

# 47. World Surface

可定義：

$$
S_i^W
$$

為世界的一個可觀察 surface。

例如：

- public web；
- scholarly literature；
- code；
- physical sensor；
- simulation；
- private database；
- social interaction。

---

# 48. World Surface Registry

Agent 可維護：

$$
\mathcal S_W
=
\{S_1^W,\ldots,S_n^W\}
$$

。

---

# 49. Surface Discovery

若發現：

$$
S_{n+1}^W
$$

則：

$$
\mathcal S_W(t+1)
=
\mathcal S_W(t)
\cup
\{S_{n+1}^W\}
$$

。

---

# 50. 這是開放世界的核心差異

封閉系統：

$$
\mathcal S_W
$$

固定。

開放世界：

$$
\mathcal S_W
$$

可以成長。

---

# 51. Tool Discovery 與 World Discovery 不同

新工具：

$$
T_{\text{new}}
$$

可能提供：

> 存取舊 surface 的新方法。

新 world surface：

$$
S_{\text{new}}
$$

則是：

> 發現原本未被建模的世界區域。

---

# 52. World Root 與 Tool Registry

Tool 應被綁定到：

$$
S_i^W
$$

而不是工具自己定義世界。

---

# 53. Provider 也只是 Access Layer

延續 Paper 08：

$$
\text{Provider}
\neq
\text{World Surface}
$$

。

Provider 是如何接觸。

Surface 是接觸世界哪一面。

---

# 54. De-Implicitization Principle

本文正式提出：

$$
\boxed{
\text{De-Implicitization Principle}
}
$$

：

> 當一個系統從封閉任務轉向開放世界自治時，原本由設計者隱式提供的世界前提，應逐步被外顯成可檢查、可更新與可重新發現的認識物件。

---

# 55. 隱式前提類型

至少包括：

- ontology；
- world surface；
- source authority；
- tool capability；
- temporal assumptions；
- task boundary；
- observation model；
- access assumptions。

---

# 56. 隱式 Ontology

例如工具只有：

```text
paper_search
web_search
code_search
```

就已經分類：

$$
W
$$

為 paper / web / code。

---

# 57. 隱式 Authority

系統預設：

> 官方文件比較可信。

這也是：

$$
A_{\text{implicit}}
$$

。

---

# 58. 隱式時間

系統可能預設：

> 文件目前仍有效。

若未追蹤：

$$
t
$$

就形成 temporal hidden assumption。

---

# 59. 隱式任務邊界

Prompt 定義：

> 只回答這一題。

會把：

$$
D
$$

強制縮小。

但真正科研可能需要：

$$
D\rightarrow D'
$$

。

---

# 60. De-Implicitization 不代表全部顯式化

完全外顯所有前提不現實。

因此：

$$
\text{implicit}
\rightarrow
\text{explicit}
$$

應針對高影響認識前提。

---

# 61. High-Impact Implicit Assumption

若：

$$
\operatorname{Impact}(A_i)\gg0
$$

則應優先外顯。

---

# 62. Runtime 可檢查哪些前提最重要

例如：

$$
A_i
\rightarrow
\operatorname{Closure}
$$

若 dependency 很高，就應被 first-class 化。

---

# 63. 世界根節點與形式化

Paper 07：

$$
F_t
$$

形式化不能取代：

$$
W
$$

。

更合理：

$$
W
\rightarrow
\hat W_t
\rightarrow
F_t
$$

。

---

# 64. Formalization 只是當前世界認識的可操作投影

$$
F_t
=
\Pi_F(\hat W_t)
$$

。

因此：

$$
F_t
$$

應可隨：

$$
\hat W_t
$$

更新。

---

# 65. World Root 與 Schema Evolution

如果新世界對象：

$$
x_{\text{new}}
$$

無法被舊 schema 表示，

則：

$$
F_t
\rightarrow
F_{t+1}
$$

。

---

# 66. 因此 Schema 也不是根

這是重要階層：

$$
\boxed{
W
\succ
\hat W
\succ
F
}
$$

。

---

# 67. World Root 與 Compression Kernel

Paper 05：

$$
C
$$

只是關於世界的一個候選壓縮核。

所以：

$$
\boxed{
W
\neq
C
}
$$

。

---

# 68. Aha 不能把核心變成世界

若：

$$
C
$$

非常漂亮，

也仍只是：

$$
C(\hat W_t)
$$

。

---

# 69. World Root 防止 Model-Reality Collapse

系統永遠保留：

$$
\boxed{
\text{Representation}
\neq
\text{Reality}
}
$$

。

---

# 70. World Root 與 Closure

Paper 09：

$$
C_E
$$

只是關於：

$$
\hat W_t
$$

的條件性 closure。

不是：

$$
\operatorname{Complete}(W)
$$

。

---

# 71. World Root 產生架構性謙遜

不是要求 Agent 說：

> 我可能錯。

而是架構本身保存：

$$
W\neq\hat W_t
$$

。

---

# 72. 這是一種強於語言提示的限制

Prompt：

> Be humble.

Runtime：

$$
W\neq\hat W_t
$$

。

後者是結構。

---

# 73. 人類為什麼不需要顯式 `/world`？

因為生物體本身的：

- 感覺；
- 記憶；
- 身體；
- 空間定位；
- 生存需求；

已經把世界關係編進認知系統。

---

# 74. 生物並不是從 Task API 啟動

動物不需要等：

```text
task = survive
```

才開始觀察環境。

它本來就在：

$$
W
\leftrightarrow
O_t
\leftrightarrow
A_t
$$

循環中。

---

# 75. 持續性感知是預設狀態

所以：

$$
\operatorname{Observe}(W)
$$

不是任務觸發，

更像：

$$
\boxed{
\text{persistent background process}
}
$$

。

---

# 76. AI 常是 Event-Triggered Cognition

很多 AI 系統：

$$
\text{User Message}
\rightarrow
\text{Wake}
$$

。

沒有輸入時：

$$
\text{No Active Cognition}
$$

。

---

# 77. 這是架構差異，不是高低判斷

Event-triggered architecture 有：

- 成本低；
- 易控制；
- 易部署。

Persistent world cognition 則：

- 成本高；
- 狀態複雜；
- 需要治理。

---

# 78. 為什麼現在才開始需要 World Root？

因為以前多數 AI 任務：

$$
D
$$

是封閉或半封閉。

現在 Agent 要：

- 長時工作；
- 自己找資料；
- 自己選工具；
- 跨軟體；
- 跨模態；
- 做科研；
- 更新世界狀態。

此時：

$$
W_{\text{implicit}}
$$

開始不夠。

---

# 79. 能力提升暴露舊前提

這是一個重要演化規律：

$$
\boxed{
\text{Higher Agent Capability}
\rightarrow
\text{Previously Hidden Architectural Assumptions Become Bottlenecks}
}
$$

。

---

# 80. 模型弱時，不需要知道世界根

因為它能完成的任務範圍有限。

---

# 81. 模型強後，錯誤架構限制變明顯

如果模型已能：

- 搜尋；
- coding；
- planning；
- image；
- browser；
- tool use；

但沒有 world state，

就可能出現：

> 工具很多，卻不知道真正該認識什麼。

---

# 82. Tool Abundance 不是 World Awareness

$$
\boxed{
\text{Many Tools}
\neq
\text{World Awareness}
}
$$

。

---

# 83. Agentic AI 的抽象演化

早期 Agent 問：

> 能不能 call tool？

下一階段：

> call 哪個 tool？

再下一階段：

> 需要哪個 method？

更上層：

> 現在真正缺的是哪一種認識？

再上層：

> 世界中還有什麼尚未被納入認識？

---

# 84. 抽象層級演化

$$
\text{Tool}
\rightarrow
\text{Method}
\rightarrow
\text{Operator}
\rightarrow
\text{World}
$$

。

---

# 85. 這接回 Omphalos 的演化

早期：

$$
\text{Crawler}
$$

。

後來：

$$
\text{Search Method Runtime}
$$

。

再：

$$
\text{Epistemic Operator Runtime}
$$

。

最新：

$$
\boxed{
\text{World-Rooted Epistemic Runtime}
}
$$

。

---

# 86. 這不是把 Omphalos 無限擴張

每次 root 上移，都有明確理由：

- Provider 不等於 Method；
- Method 不等於 Operator；
- Operator 不等於 World。

因此是：

$$
\boxed{
\text{Abstraction Correction}
}
$$

而不是功能堆疊。

---

# 87. Root Move Criterion

只有當舊 root：

$$
R_i
$$

無法解釋：

$$
X
$$

的更高階差異時，

才需要：

$$
R_{i+1}
$$

。

---

# 88. World Root 是否還有更高 Root？

可能有。

例如：

- observer；
- ontology；
- reality relation；
- multi-world context。

本文不宣稱 World Root 是終極根。

---

# 89. 所以「Root」也是暫時架構名

$$
\boxed{
\text{World Root}
\neq
\text{Metaphysical Ultimate}
}
$$

。

只是：

> 目前架構中最高的顯式認識對象。

---

# 90. 這避免過度本體論化

本文不主張：

> 已經證明世界的終極本體。

只主張：

> 在 Agent Runtime 中，把世界作為 first-class epistemic target 可能比直接從 Task / Search 開始更合理。

---

# 91. 命題是可工程驗證的

可以做兩種 Agent。

Agent A：

$$
T
\rightarrow
\text{Search}
$$

Agent B：

$$
W
\rightarrow
\hat W
\rightarrow
U
\rightarrow
O
\rightarrow
\text{Search}
$$

。

測 open-world 任務。

---

# 92. 預測一

在 hidden-category 任務中，World-Rooted Agent 應較少過早固定 search space。

---

# 93. 預測二

在新 surface 出現時，World-Rooted Agent 應更容易把它納入世界認識，而非只把它當新工具。

---

# 94. 預測三

在 task framing 錯誤時，World-Rooted Agent 應更容易重寫 task ontology。

---

# 95. 預測四

在長時任務中，World-Rooted Agent 應有較低 context-reset epistemic loss。

---

# 96. 預測五

在工具缺失時，World-Rooted Agent 應更容易表達：

> 世界中存在我目前無法觀察的區域。

而不是：

> 沒有資料。

---

# 97. 預測六

在 multi-modal world tasks 中，把 modality 視為 world-observation operator 的系統應比單純「多輸入格式」系統具有更高跨模態 state integration。

---

# 98. 預測七

在 task completion 已滿足但 world uncertainty 仍高的情況下，World-Rooted Agent 應更常正確區分：

$$
C_T=1
$$

與：

$$
C_W<1
$$

。

---

# 99. Benchmark 草案

建立三組任務。

### A — Given World

完整圖、資料、工具已提供。

預期：

$$
\text{World Root advantage}
\approx
0
$$

。

---

# 100. B — Partially Given World

部分來源與分類缺失。

預期 World-Rooted 系統開始有優勢。

---

# 101. C — Discoverable World

存在：

- 隱藏 surface；
- 新類別；
- 新 modality；
- 可存取但未列出的資料；
- 改變中的環境。

這才是核心測試。

---

# 102. 主要指標

$$
\text{World Surface Recall}
$$

$$
\text{Hidden Category Recall}
$$

$$
\text{Task Reframing Accuracy}
$$

$$
\text{Unknown Preservation}
$$

$$
\text{False Nonexistence Rate}
$$

$$
\text{World-State Continuity}
$$

。

---

# 103. False Nonexistence Rate

特別重要：

$$
\boxed{
\text{Not Observed}
\not\Rightarrow
\text{Not Existing}
}
$$

。

測 Agent 是否把：

$$
U_{\text{access}}
$$

誤當：

$$
\neg\text{Exists}
$$

。

---

# 104. World-State Continuity

測：

$$
\hat W_t
\rightarrow
\hat W_{t+1}
$$

是否跨任務持續。

---

# 105. Task Boundary Escape

故意給錯 task frame。

看 Agent 能否：

$$
T_0
\rightarrow
T_1
$$

重新框架。

---

# 106. World Discovery Cost

World Root 不是免費。

需要：

$$
C_W
$$

。

包括：

- memory；
- discovery；
- schema；
- update；
- validation。

---

# 107. 封閉任務可能不值得用

若：

$$
C_W
>
\text{Benefit}
$$

則不應強行啟用完整 World Runtime。

---

# 108. 所以應可分級

### Level 0

Task-only。

### Level 1

Task + local context。

### Level 2

Persistent world state。

### Level 3

World surface discovery。

### Level 4

Schema / ontology revision。

---

# 109. Adaptive World Root

系統可依任務決定：

$$
L_W
$$

World Cognition Depth。

---

# 110. 這避免所有問題都過度工程化

不是每次算：

$$
2+2
$$

都要啟動完整世界認識。

---

# 111. World Root 是可按需升級的架構能力

可以：

$$
L_W(T)
$$

依任務複雜度選擇。

---

# 112. Human Analogy 也不是完全對等

人類先認識世界，不代表 AI 必須複製人腦。

本文使用人類只作為：

> 顯示「世界前提可以先於任務」的直觀案例。

---

# 113. 不主張生物模仿

$$
\boxed{
\text{Functional Analogy}
\neq
\text{Biological Imitation}
}
$$

。

---

# 114. 不主張意識必要

World Root 不要求：

$$
\text{consciousness}
$$

。

只需要 computationally persistent epistemic reference。

---

# 115. 不主張人格必要

同樣不需要：

$$
\text{personhood}
$$

。

這是架構問題。

---

# 116. 不主張具身必要

World Root 可以存在於：

- Web Agent；
- Research Agent；
- Robot；
- Simulation Agent；
- Enterprise Agent。

具身只是其中一種 world access。

---

# 117. 不主張單一世界表示

$$
\hat W_t
$$

可以由：

- graph；
- vector；
- symbolic state；
- database；
- latent model；
- hybrid；

共同構成。

---

# 118. Root 是語義地位，不是資料格式

因此：

$$
\boxed{
\text{World Root}
=
\text{Architectural Role}
}
$$

而不是：

$$
\text{One Data Structure}
$$

。

---

# 119. 核心猜想的弱版本

Weak Missing Epistemic Root Conjecture：

> 在許多傳統計算系統中，世界認識不是缺失，而是被外部設計者預先提供，因此沒有必要顯式成為 runtime root。

這是一個保守版本。

---

# 120. 中版本

Medium Conjecture：

> 隨 Agent 任務從封閉世界轉向開放世界，將世界狀態外顯成 first-class object，會提升搜尋、規劃、跨模態、未知管理與長時一致性。

這是可驗證工程命題。

---

# 121. 強版本

Strong Conjecture：

> 通用型長時自治 Agent 若缺少某種功能等價於 World Root 的 persistent epistemic locus，將系統性遭遇世界邊界、未知分類、跨任務狀態與工具選擇問題。

這需要更多實證。

---

# 122. 本文不要求採用強版本

系列可以先以：

$$
\boxed{
\text{Weak}
+
\text{Medium}
}
$$

作為主要主張。

---

# 123. 與 Deep Research 的關係

Deep Research 常是：

$$
T
\rightarrow
\text{Search}
\rightarrow
\text{Synthesis}
$$

。

World-Rooted：

$$
W
\rightarrow
\hat W_t
\rightarrow
U_t
\rightarrow
O_t
\rightarrow
\text{Search}
$$

。

---

# 124. 所以 Deep Research 不是錯

它只是：

> 對一類已被框定問題非常有效。

問題在於把它誤認成：

> 一般開放世界研究架構。

---

# 125. 與 OWER 主系列統一

Paper 00–09 已建立：

$$
W
\rightarrow
\hat W_t
\rightarrow
U_t
\rightarrow
O_t
\rightarrow
E_{t+1}
\rightarrow
C_E
$$

。

EX-A 解釋：

> 為什麼這個 $W$ 在傳統系統中常常不見？

答案可能是：

$$
\boxed{
W
\text{ was externally precompiled into the task environment.}
}
$$

。

---

# 126. 主要命題

## 命題一

$$
\boxed{
\text{World Absence in Architecture}
\neq
\text{World Irrelevance}
}
$$

。

## 命題二

傳統算法的世界前提常被人類設計者預先提供。

$$
W
\rightarrow
W_{\text{implicit}}
$$

。

## 命題三

工具、資料集、API 與 task schema 都包含世界 ontology 的隱式部分。

## 命題四

開放世界 Agent 能力越高，隱式世界前提越可能成為瓶頸。

## 命題五

World Root 的價值不在於宣告世界本體，而在於提供可持續更新的認識參照。

## 命題六

World Root 不要求意識、人格、具身或單一 world representation。

## 命題七

從 Given World 到 Discoverable World 可能是一條 Agent 架構演化軸。

$$
\boxed{
\text{Given World}
\rightarrow
\text{Partially Given World}
\rightarrow
\text{Discoverable World}
}
$$

。

---

# 127. 工程最小實作

最小 World Root：

```text
1. Maintain a persistent world-state object.
2. Separate world from current representation.
3. Track observable and inaccessible surfaces.
4. Attach tasks to world state rather than treating tasks as the whole world.
5. Track typed unknowns relative to the world state.
6. Allow new surfaces and categories to be registered.
7. Update world state after observations.
8. Preserve provenance and time.
```

---

# 128. Minimal Schema

```yaml
world_root:
  id:
  version:

  current_state:
    entities: []
    relations: []
    events: []

  surfaces:
    known: []
    inaccessible: []
    candidate: []

  observability:
    modalities: []
    tools: []
    permissions: []

  unknowns: []
  boundaries: []

  tasks: []

  history: []

  schema:
    version:
    open_types: true
```

---

# 129. 最小流程

```text
WORLD ROOT
↓
CURRENT WORLD STATE
↓
TASK / INTENT
↓
WORLD GAP
↓
TYPED UNKNOWN
↓
EPISTEMIC OPERATOR
↓
OBSERVATION / ACTION
↓
WORLD UPDATE
```

---

# 130. 結論

「先認識世界」本身並不是一個特別新奇的哲學發現。

它甚至可能普通到：

> 人類從未需要特別把它說出來。

真正值得研究的是：

> **為什麼計算系統曾經可以把這個前提省略？**

本文的答案是：

> 因為人類設計者長期替系統把世界做成了輸入、資料集、工具、schema、API 與 environment。

因此：

$$
\boxed{
\text{The world was not absent; it was implicit.}
}
$$

當 AI 只是做封閉任務時，這非常有效。

但當 AI 開始：

- 自主搜尋；
- 跨工具；
- 長時運作；
- 多模態；
- 科學研究；
- 自己發現問題；
- 自己重寫分類；

時，原本被隱式處理的世界前提可能必須重新外顯。

所以本文真正的主張不是：

> 發現「人類先認識世界」。

而是：

$$
\boxed{
\text{AI-native open-world systems may need to de-implicitize the world prior.}
}
$$

中文：

> **AI 原生開放世界系統，可能需要把長期由人類與環境代為提供的世界前提重新顯式化。**

一句話：

$$
\boxed{
\text{這不是發現人類會先認識世界，而是發現計算架構曾經可以不必承認這件事。}
}
$$

---

# 131. 與 EX-B 的銜接

讀者看到 World Root 後，最自然的反應就是：

> 「這不就是 world model 嗎？」

下一篇 EX-B 將專門處理這個問題。

核心區分：

$$
\boxed{
W
\neq
\hat W
\neq
M
\neq
S
}
$$

其中：

- $W$：World；
- $\hat W$：Current Epistemic State；
- $M$：World Model；
- $S$：Simulation / Generated World。

EX-B 將論證：

> **World Model 解決「如何表示、預測或生成世界」；World Root 解決「世界如何成為所有認識活動的一級對象」。**

---

# References

1. Simon, H. A. *The Sciences of the Artificial*.
2. Newell, A., & Simon, H. A. *Human Problem Solving*.
3. Gibson, J. J. *The Ecological Approach to Visual Perception*.
4. Varela, F. J., Thompson, E., & Rosch, E. *The Embodied Mind*.
5. Clark, A. *Being There: Putting Brain, Body, and World Together Again*.
6. Sutton, R. S., & Barto, A. G. *Reinforcement Learning: An Introduction*.
7. EveMissLab. *全域欲相位認識論 GIPE v0.1：從語義搜尋到主動科學介入*.
8. EveMissLab. *Omphalos: From Search APIs to an AI-Native Search-Method Runtime v0.1*.
9. EveMissLab. *OWER Paper 00: From Deep Research to Open-World Epistemic Research*.
10. EveMissLab. *OWER Paper 01: The Internet-Access Illusion*.
11. EveMissLab. *OWER Paper 03: Unknown Is Not One Thing*.
12. EveMissLab. *OWER Paper 07: The Formalization Gap*.
13. EveMissLab. *OWER Paper 08: Search as an Epistemic Operator Runtime*.
14. EveMissLab. *OWER Paper 09: Epistemic Closure Runtime*.

---

# Appendix A — Hidden World Premise Checklist

```text
[ ] Which world assumptions are supplied by the task?
[ ] Which categories are supplied by the dataset?
[ ] Which surfaces are implied by the tool list?
[ ] Which authorities are assumed by default?
[ ] Which temporal assumptions are hidden?
[ ] Which world regions are inaccessible?
[ ] Which schema elements are treated as fixed?
[ ] Which assumptions should become first-class runtime objects?
```

---

# Appendix B — De-Implicitization Pipeline

```text
IMPLICIT WORLD ASSUMPTION
↓
IDENTIFY
↓
CLASSIFY IMPACT
↓
EXTERNALIZE
↓
VERSION
↓
VALIDATE
↓
BIND TO WORLD ROOT
↓
ALLOW REVISION
```

---

# Appendix C — 一句話命題

> **World Root 的意義不在於重新發明「世界」這個概念，而在於把原本由人類設計者、資料、工具與環境默默提供的世界前提，重新變成 AI 可以觀察、更新、質疑與擴張的一級認識物件。**