# OWER Paper 02 v0.1｜局部注意力收斂與全域認識失真 ## 局部注意力收斂與全域認識失真 ### Local Attention Convergence and Global Epistemic Distortion **Series:** Open-World Epistemic Research **Paper:** 02 **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 當代 Deep Research、RAG、搜尋代理與長鏈推理系統常以「更多搜尋、更多來源、更長推理」作為研究品質的近似指標。然而，在開放世界研究中，搜尋深度、來源數量與推理長度並不自動等價於認識完整性。若系統最初對問題的分類、搜尋方向、關鍵詞、來源拓撲或假說空間存在偏差，後續越深入的資料蒐集反而可能使局部子空間獲得更高密度的證據、更高敘事一致性與更高主觀信心，最終形成一種「局部正確、全域失真」的研究狀態。 本文提出 **局部注意力收斂**（Local Attention Convergence, LAC）與 **全域認識失真**（Global Epistemic Distortion, GED）兩個概念，用以描述研究系統在有限搜尋、有限上下文、有限工具與有限內部世界模型條件下，如何從一個局部問題投影出發，逐步形成穩定但不完整的認識吸引子。本文強調，這種失真並不要求系統產生傳統意義上的「幻覺」；即使所有引用都真實、所有摘要都忠實、所有局部推論都合理，整體研究仍可能因為漏掉關鍵類別、反證路徑、替代機制、不同時間尺度、來源族群或世界區域而發生全域性偏差。 本文將 Deep Research 的典型流程表示為一系列有損投影： $$ W \rightarrow \Pi_Q(W) \rightarrow \Pi_S \rightarrow \Pi_E \rightarrow \Pi_C \rightarrow Z_t \rightarrow Y $$ 其中 $W$ 為開放世界， $\Pi_Q$ 為查詢生成投影， $\Pi_S$ 為來源選擇投影， $\Pi_E$ 為證據選擇投影， $\Pi_C$ 為上下文壓縮投影， $Z_t$ 為當前研究狀態， $Y$ 為最終輸出。若早期投影將研究鎖定在子域 $D_0$，則後續研究可能持續最大化 $D_0$ 內部的一致性，而非重新估計 $D_0$ 是否接近完整問題域 $D^\ast$。 本文進一步提出：研究系統的核心風險不是「沒有找到足夠多資料」，而是「沒有發現自己所使用的分類空間本身不完整」。因此，真正的開放世界研究系統必須同時維護局部深度與全域邊界，將「未知類別」、「未觀察區域」、「來源依賴」、「替代解釋」、「反證缺口」與「未閉合邊界」提升為第一級狀態，而不能只在最終文字中以不確定性語句處理。 本文最終提出一個基本命題： $$ \boxed{ \text{Depth} \not\Rightarrow \text{Global Epistemic Coverage} } $$ 以及一個更強的反直覺命題： $$ \boxed{ \text{More Local Evidence} \Rightarrow \text{Higher Confidence} \quad \text{while} \quad \text{Global Error Remains or Increases} } $$ 因此，AI 原生研究的下一階段不應只最佳化「研究得更深」，而必須顯式最佳化「是否仍存在未被展開的世界區域」。 **關鍵詞：** Open-World Epistemic Research、局部注意力收斂、全域認識失真、Deep Research、RAG、搜尋代理、搜尋偏差、認識閉包、未知類別、來源拓撲、研究吸引子、反證搜尋、世界根節點 --- # 1. 問題：研究越深，為什麼仍可能越錯？ 「深入研究」在直覺上通常意味著： $$ \text{more evidence} \rightarrow \text{better understanding} $$ 這在封閉世界、變數完整、資料來源已知、問題分類正確時通常相當合理。 例如已知一組有限文件： $$ D=\{d_1,\ldots,d_n\} $$ 若研究目標是對 $D$ 進行完整摘要，那麼讀取更多文件通常會增加資訊覆蓋率。 但開放世界研究不同。 在開放世界中，系統面對的不是： $$ D=\text{known finite corpus} $$ 而是： $$ W=\text{unknown, changing, partially observable world} $$ 此時研究系統首先必須決定： - 什麼算是相關資訊； - 哪些來源值得搜尋； - 哪些關鍵詞可以描述目標； - 哪些分類存在； - 哪些假說值得保留； - 哪些反例值得主動尋找； - 哪些未知只是缺資料； - 哪些未知代表整個分類空間錯了。 也就是說，研究並不是單純在一個既定空間內搜尋，而是同時在估計： $$ \boxed{ \text{What is the search space itself?} } $$ 若研究系統把「搜尋空間本身」當作固定背景，則它可能在錯誤的局部空間中做出極高品質的研究。 因此，本文的起點不是： > 為什麼 AI 會幻覺？ 而是： > 為什麼一個不幻覺、引用正確、局部推理合理的系統，仍然可能產生全域錯誤？ 這是一個比傳統 hallucination 更細的認識論問題。 --- # 2. 從幻覺問題轉向研究空間問題 傳統生成式 AI 的錯誤常被表示為： $$ Y\notin E $$ 也就是輸出 $Y$ 缺乏證據 $E$ 支持。 但局部注意力收斂的問題可以發生在： $$ Y\in E $$ 而： $$ E\subsetneq E^\ast $$ 其中 $E^\ast$ 代表對完整問題域重要的證據集合。 此時每個句子都可能有來源，每個數據都可能真實，卻仍然存在： $$ \boxed{ \text{Evidence Correctness} \neq \text{Evidence Completeness} } $$ 進一步： $$ \boxed{ \text{Evidence Completeness} \neq \text{Domain Completeness} } $$ 因為即使在某一既定分類下證據已經收集得非常完整，分類本身仍可能錯誤或不完整。 例如研究者建立： $$ D_0=\{A,B,C\} $$ 並對 $A,B,C$ 各自取得大量資料。 真正世界可能是： $$ D^\ast=\{A,B,C,D,E,F\} $$ 則： $$ \operatorname{CompleteEvidence}(D_0) $$ 仍不能推出： $$ \operatorname{CompleteDomain}(D^\ast) $$ 這是本文要處理的第一個結構性斷裂。 --- # 3. 局部注意力收斂 ## 3.1 定義 本文將 **局部注意力收斂** 定義為： > 一個研究系統在有限搜尋與有限認識狀態下，逐步把計算資源、搜尋預算、來源選擇、推理路徑與不確定性消解集中到既有子域，使該子域內部的證據密度與敘事一致性持續增加，同時降低重新開啟未探索問題域的機率。 設完整世界研究域為： $$ D^\ast $$ 系統在時間 $t$ 的有效研究域為： $$ D_t\subseteq D^\ast $$ 則注意力配置可以寫成： $$ A_t:D^\ast\rightarrow[0,1] $$ 且： $$ \int_{D^\ast}A_t(x)\,dx=1 $$ 若存在局部區域： $$ L\subsetneq D^\ast $$ 使得隨時間增加： $$ \int_L A_t(x)\,dx\rightarrow 1 $$ 而： $$ \int_{D^\ast\setminus L}A_t(x)\,dx\rightarrow 0 $$ 則可稱系統發生局部注意力收斂。 這不代表 $L$ 一定錯。 真正風險是： $$ L\neq D^\ast $$ 但系統失去重新估計此差異的能力。 --- ## 3.2 收斂不是缺點本身 任何有限計算系統都必須收斂。 若不收斂，研究會發生： $$ \text{branching explosion} $$ 並造成： $$ \text{cost}\rightarrow\infty $$ 所以問題不是： > 系統不應收斂。 而是： > 系統收斂之前，是否保存了重新打開世界邊界的機制？ 因此需要區分： $$ \text{Operational Convergence} $$ 與： $$ \text{Epistemic Closure} $$ 前者只是： > 目前必須停止搜尋並完成一個可用結果。 後者則是： > 在指定範圍與指定證據條件下，沒有重要未處理邊界。 這兩者不能混為一談。 --- # 4. 全域認識失真 ## 4.1 定義 本文將 **全域認識失真** 定義為： > 研究輸出在局部證據與局部推理上可能具有高一致性與高正確率，但由於問題域、來源域、時間域、因果域、分類域或反證域存在未觀察部分，使最終形成的整體世界描述與更完整世界狀態產生系統性偏差。 可表示為： $$ \hat W_t = f(E_t,D_t,H_t) $$ 而真實可認識世界近似為： $$ W^\ast = f(E^\ast,D^\ast,H^\ast) $$ 若： $$ E_t\subsetneq E^\ast $$ 或： $$ D_t\subsetneq D^\ast $$ 或： $$ H_t\subsetneq H^\ast $$ 則即使： $$ \operatorname{Consistency}(\hat W_t)\approx 1 $$ 也可能： $$ \operatorname{Distance}(\hat W_t,W^\ast)\gg0 $$ 因此： $$ \boxed{ \text{Internal Coherence} \not\Rightarrow \text{External Completeness} } $$ --- ## 4.2 全域失真不要求假資料 這點十分重要。 全域認識失真可以完全由真資料造成。 假設： $$ E= \{e_1,e_2,\ldots,e_{100}\} $$ 全部為真。 但它們全部來自同一來源鏈、同一研究傳統、同一地理區域、同一公司敘事或同一分類框架。 那麼： $$ P(E\mid H_1) $$ 可能很高。 但系統根本沒有建立： $$ H_2,H_3,H_4 $$ 也沒有尋找： $$ E_{\neg H_1} $$ 則： $$ P(H_1\mid E) $$ 在內部會快速上升。 真正問題不是： $$ e_i=\text{false} $$ 而是： $$ \{e_i\} $$ 沒有覆蓋重要的替代世界。 --- # 5. Deep Research 的有損投影鏈 將開放世界記為： $$ W $$ 研究代理無法直接處理整個 $W$，必須做投影。 第一層為查詢生成： $$ \Pi_Q:W\rightarrow Q $$ 第二層為搜尋結果： $$ \Pi_R:Q\rightarrow R $$ 第三層為來源篩選： $$ \Pi_S:R\rightarrow S $$ 第四層為證據抽取： $$ \Pi_E:S\rightarrow E $$ 第五層為上下文壓縮： $$ \Pi_C:E\rightarrow C $$ 第六層為內部推理： $$ P_\theta(C)\rightarrow Z $$ 最後形成報告： $$ Z\rightarrow Y $$ 因此： $$ \boxed{ Y= F\left( P_\theta, \Pi_C, \Pi_E, \Pi_S, \Pi_R, \Pi_Q, W \right) } $$ 每一層都有可能造成資訊損失。 而更危險的是： $$ \Pi_{t+1} $$ 通常由前一輪的： $$ Z_t $$ 決定。 因此整個系統形成遞迴： $$ Z_t \rightarrow \Pi_{Q,t+1} \rightarrow E_{t+1} \rightarrow Z_{t+1} $$ 若 $Z_t$ 已經偏向某個局部分類，那麼下一輪搜尋也會沿該分類生成。 這形成： $$ \boxed{ \text{belief-conditioned retrieval} } $$ 而不是： $$ \text{world-complete observation} $$ 。 --- # 6. 自我強化研究吸引子 ## 6.1 基本機制 設研究狀態： $$ Z_t $$ 生成下一輪查詢： $$ Q_{t+1}=g(Z_t) $$ 搜尋得到： $$ E_{t+1}=r(Q_{t+1}) $$ 再更新： $$ Z_{t+1}=u(Z_t,E_{t+1}) $$ 因此： $$ Z_{t+1} = u\left( Z_t, r(g(Z_t)) \right) $$ 如果： $$ g $$ 偏好與當前模型一致的 query， 而： $$ u $$ 偏好將新證據整合進既有敘事， 則可能形成固定點： $$ Z^\star = u\left( Z^\star, r(g(Z^\star)) \right) $$ 這就是研究吸引子。 研究吸引子不一定錯。 問題是它可以是： $$ \text{locally stable} $$ 但： $$ \text{globally incomplete} $$ 。 --- ## 6.2 「越研究越確信」如何發生 假設初始有三個假說： $$ H=\{H_1,H_2,H_3\} $$ 但系統早期只產生與 $H_1$ 有關的查詢。 得到： $$ E_1,E_2,\ldots,E_n $$ 這些資料都支持 $H_1$。 則： $$ P(H_1\mid E_{1:n})\uparrow $$ 但這個後驗只對「已被搜尋到的條件分布」有效。 若真正搜尋政策為： $$ \pi(Q\mid H_1) $$ 則應該注意： $$ P(H_1\mid E,\pi) $$ 不等於： $$ P(H_1\mid E) $$ 因為證據生成過程本身受到假說選擇政策影響。 換言之： $$ \boxed{ \text{Evidence is not independent of the search policy that produced it.} } $$ 這是 Deep Research 與一般搜尋代理很容易忽略的地方。 --- # 7. 局部深度與全域覆蓋不是同一指標 設： $$ D_L $$ 代表局部深度， $$ C_G $$ 代表全域覆蓋。 它們可以同時變化，也可以彼此獨立。 因此至少存在四種狀態： | 狀態 | 局部深度 | 全域覆蓋 | |---|---:|---:| | A | 低 | 低 | | B | 高 | 低 | | C | 低 | 高 | | D | 高 | 高 | 傳統 Deep Research 往往最佳化： $$ D_L\uparrow $$ 並把它誤當成： $$ C_G\uparrow $$ 但最危險的其實是狀態 B： $$ \boxed{ D_L\gg0,\quad C_G\ll1 } $$ 因為這種報告通常： - 引用很多； - 文字完整； - 結構漂亮； - 局部機制說得很深； - 數據彼此一致； - 看起來最像「研究完成」。 因此它最容易產生錯誤的完成感。 --- # 8. 五種主要的局部收斂來源 ## 8.1 分類收斂 系統一開始把問題分類為： $$ C_1 $$ 後續所有搜尋都在： $$ \operatorname{Search}(C_1) $$ 中進行。 若真正需要： $$ C_2 $$ 甚至： $$ C_3 $$ 則再多搜尋也只是： $$ \operatorname{Depth}(C_1)\uparrow $$ 而不是： $$ \operatorname{Coverage}(\{C_1,C_2,C_3\})\uparrow $$ 。 --- ## 8.2 關鍵詞收斂 系統用一組詞： $$ K_0 $$ 描述問題。 但不同研究社群可能使用： $$ K_1,K_2,K_3 $$ 。 如果： $$ K_0\cap K_2\approx\varnothing $$ 則： $$ \operatorname{Search}(K_0) $$ 幾乎不可能發現： $$ D(K_2) $$ 。 --- ## 8.3 來源拓撲收斂 看似有多個來源： $$ S_1,S_2,S_3,S_4 $$ 實際可能共享同一 epistemic root： $$ R_0\rightarrow S_1 $$ $$ R_0\rightarrow S_2 $$ $$ R_0\rightarrow S_3 $$ $$ R_0\rightarrow S_4 $$ 所以來源數量： $$ N_{\text{documents}}=4 $$ 但獨立根： $$ N_{\text{roots}}=1 $$ 。 若系統只計 document diversity，就會高估證據獨立性。 --- ## 8.4 時間收斂 研究只捕捉： $$ [t_0,t_1] $$ 卻忽略： $$ tt_1 $$ 的新變化。 因此： $$ W_t $$ 被誤當成： $$ W $$ 。 對快速變動的 AI 架構、產品能力、法規與研究前沿而言，這個問題尤其嚴重。 --- ## 8.5 假說收斂 一旦報告形成主敘事： $$ H_1 $$ 其他結果常被重新分類成： - 限制； - 例外； - 少數反對； - 尚未確認。 於是： $$ H_2,H_3 $$ 不再作為真正競爭模型存在。 這種壓縮會提高可讀性，但降低： $$ \text{hypothesis diversity} $$ 。 --- # 9. 平衡性回答也可能是一種收斂 表面上，「太相信來源」與「過度平衡」是相反問題。 實際上它們可能來自同一個最佳化目標： $$ \text{Narrative Stability} $$ 若來源高度一致： $$ A,A,A,A $$ 穩定輸出為： > A 很可能成立。 若來源分裂： $$ A,A,\neg A,\neg A $$ 穩定輸出為： > 雙方各有觀點。 但科研真正需要處理的是： $$ \text{Which mechanism generated each claim?} $$ 以及： $$ \text{Which observation would discriminate between them?} $$ 因此： $$ \boxed{ \text{Balanced Narration} \neq \text{Epistemic Discrimination} } $$ 。 平衡性回答若沒有： - 來源獨立性分析； - 證據權重； - 方法差異； - 反事實測試； - 可區分實驗； 仍然只是另一種敘事閉合。 --- # 10. Unknown 不是一個單一狀態 局部注意力收斂常發生，是因為系統把所有未知都處理成： $$ \text{Need More Search} $$ 但未知至少應拆成： $$ U = U_{\text{data}} \cup U_{\text{category}} \cup U_{\text{structure}} \cup U_{\text{conflict}} \cup U_{\text{counterevidence}} \cup U_{\text{access}} \cup U_{\text{temporal}} \cup U_{\text{world}} $$ 其中： - $U_{\text{data}}$：缺少資料； - $U_{\text{category}}$：可能漏掉整個分類； - $U_{\text{structure}}$：已知節點之間關係不明； - $U_{\text{conflict}}$：證據互相衝突； - $U_{\text{counterevidence}}$：尚未主動尋找反證； - $U_{\text{access}}$：知道來源存在但無法存取； - $U_{\text{temporal}}$：時間版本不明； - $U_{\text{world}}$：甚至不知道世界中還可能存在什麼相關對象。 只有： $$ U_{\text{data}} $$ 適合直接「再搜更多」。 若問題其實是： $$ U_{\text{category}} $$ 那麼同類 query 再執行一百次仍可能無效。 --- # 11. 從「找更多」轉向「打開邊界」 因此，開放世界研究不應只執行： $$ \operatorname{RetrieveMore}(D_t) $$ 還需要： $$ \operatorname{ExpandBoundary}(D_t) $$ 可定義研究邊界： $$ \partial D_t $$ 代表目前已知域與未知域之間的接面。 研究代理應同時維護： $$ D_t $$ 與： $$ \partial D_t $$ 。 局部深入： $$ D_t\rightarrow D_t' $$ 處理： > 已知域內部還缺什麼？ 邊界擴張： $$ \partial D_t\rightarrow D_{t+1} $$ 處理： > 有沒有整個尚未進入模型的新區域？ 這兩種操作必須分開。 --- # 12. 反證搜尋不是「多找一篇反對文章」 真正的 counter-evidence search 不是： > 找一篇不同意的文章，讓回答更平衡。 而是先建立目前核心命題： $$ H_c $$ 再問： $$ \exists E^-: P(H_c\mid E,E^-) \ll P(H_c\mid E) ? $$ 也就是： > 什麼證據如果存在，會真正改變目前結論？ 因此反證搜尋至少包括： 1. 尋找直接否定 $H_c$ 的證據； 2. 尋找可用替代機制解釋同一現象的 $H_a$ ； 3. 尋找目前結論依賴的隱含前提； 4. 尋找來源共同依賴； 5. 尋找 benchmark 或測量本身的偏差； 6. 尋找時間與版本條件； 7. 尋找失敗重現或負結果； 8. 尋找目前分類之外的替代 ontology。 因此： $$ \boxed{ \text{Counter-Evidence Search} \neq \text{Opposition Retrieval} } $$ 。 --- # 13. 世界根節點與局部收斂 若系統直接從： $$ \text{Task} $$ 開始， 則它很容易將任務描述當成完整世界。 例如： $$ T=\text{研究某架構是否創新} $$ 模型可能直接轉成： $$ Q=\text{該架構名稱 + innovation} $$ 然後搜尋。 但若有世界根節點： $$ W $$ 則流程先變成： $$ T \rightarrow \operatorname{WhatWorldMustBeKnown}(T) $$ 再展開： - 架構歷史； - 相似方法； - 實作差異； - 訓練條件； - benchmark； - kernel； - 硬體； - 消融； - 重現； - 作者敘事； - 獨立評估； - 時間版本。 也就是： $$ \boxed{ \text{World Root} \rightarrow \text{Domain Construction} \rightarrow \text{Search} } $$ 而不是： $$ \text{Task} \rightarrow \text{Search} $$ 。 這就是 World-Rooted Cognition 對局部收斂問題的第一層防禦。 --- # 14. 研究狀態不應只有「答案」 可將研究狀態寫為： $$ R_t = ( K_t, H_t, E_t, C_t, U_t, B_t, S_t, P_t ) $$ 其中： - $K_t$：目前知識； - $H_t$：競爭假說； - $E_t$：證據； - $C_t$：約束與衝突； - $U_t$：未知分類； - $B_t$：未閉合邊界； - $S_t$：來源與來源拓撲； - $P_t$：研究與搜尋 provenance。 如果最後只保存： $$ Y_t=\text{report} $$ 那麼： $$ R_t\rightarrow Y_t $$ 是一個高度有損壓縮。 而下一輪若只讀 $Y_t$，就可能失去： - 哪些假說曾被淘汰； - 哪些資料無法取得； - 哪些來源其實同根； - 哪些邊界尚未展開； - 哪些結論只是局部閉包； - 哪些反證仍未搜尋。 因此： $$ \boxed{ \text{Report} \neq \text{Research State} } $$ 。 --- # 15. 局部注意力收斂的偵測指標 本文提出若干可實作的 proxy。 ## 15.1 Query Novelty $$ N_Q(t) = 1- \operatorname{sim}(Q_t,Q_{ \epsilon\}| $$ 若研究前期快速變成： $$ D_H=1 $$ 則需要檢查是否發生過早敘事閉合。 --- ## 15.4 Boundary Pressure 定義： $$ P_B = \sum_{b\in B_t} w(b) $$ 其中 $B_t$ 是未閉合邊界。 若： $$ P_B $$ 高，但系統仍準備結束研究，表示完成判定可能錯誤。 --- ## 15.5 Counter-Evidence Deficit $$ D_C = \frac{ N_{\text{support-search}} }{ 1+N_{\text{counter-search}} } $$ 若： $$ D_C\gg1 $$ 代表搜尋政策顯著偏向支持性資訊。 這只是 proxy，不應被誤用成固定品質分數。 --- # 16. 一個最小閉環修正 為避免局部注意力收斂，研究系統至少應加入： $$ \boxed{ \text{Converge} \rightarrow \text{Challenge} \rightarrow \text{Expand} \rightarrow \text{Re-evaluate} } $$ 具體： 1. 形成暫時主模型； 2. 抽取其必要前提； 3. 尋找最具破壞性的反例； 4. 尋找替代 ontology； 5. 檢查來源根； 6. 檢查未展開世界邊界； 7. 再決定是否維持收斂。 形式： $$ Z_t \rightarrow \operatorname{Challenge}(Z_t) \rightarrow \Delta D_t \rightarrow Z_{t+1} $$ 其中： $$ \Delta D_t $$ 不要求一定推翻原模型。 只要求： $$ \operatorname{SearchSpace}(Z_{t+1}) \supseteq \operatorname{SearchSpace}(Z_t) $$ 在重要邊界上得到實質檢驗。 --- # 17. 認識閉包應是有條件的 在開放世界中，很難合理宣稱： $$ \operatorname{Complete}(W)=1 $$ 因此 closure 應被寫成： $$ \operatorname{Closure} ( D, E, H, C, T, R ) $$ 代表： > 在指定研究域、證據條件、競爭假說、約束、時間版本與可用資源下，已達到可接受閉包。 所以： $$ \boxed{ \text{Closure} \neq \text{Absolute Truth} } $$ 而是： $$ \boxed{ \text{Closure} = \text{bounded epistemic completion} } $$ 。 這也意味著任何 closure 應保存 reopen conditions： $$ \mathcal R_{\text{reopen}} $$ 例如： - 新來源出現； - benchmark 改版； - 重要反例出現； - 新分類被發現； - 原資料被撤回； - 新工具提供新的觀察能力。 --- # 18. 與 Deep Research 的關係 本文不主張 Deep Research 無效。 相反，Deep Research 在： - 快速背景研究； - 多來源整理； - 技術概覽； - 市場與競品分析； - 初步文獻整理； - 已知問題域內的資料整合； 通常極具價值。 本文指出的是： $$ \boxed{ \text{Deep Research} \text{ is not automatically } \text{Open-World Epistemic Research} } $$ 兩者真正差異不是： $$ \text{search count} $$ 也不是： $$ \text{token count} $$ 而是系統是否把以下物件提升為一級狀態： - 世界； - 未知類別； - 來源拓撲； - 反證； - 未閉合邊界； - 競爭假說； - reopen conditions； - closure scope。 --- # 19. 與 Omphalos / AUSI 的關係 舊版 Omphalos 已把： $$ \text{Search Method} $$ 與： $$ \text{Provider} $$ 分離，並把： $$ \text{Gap} $$ 與： $$ \text{Replan} $$ 納入 runtime。 本文進一步提出： $$ \boxed{ \text{Gap} \neq \text{just missing retrieval} } $$ Gap 應至少區分： $$ G= ( G_{\text{data}}, G_{\text{category}}, G_{\text{structure}}, G_{\text{counter}}, G_{\text{source}}, G_{\text{time}}, G_{\text{world}} ) $$ 最新 World-Rooted Omphalos 方向則更進一步： $$ \text{World} \rightarrow \text{World Discovery} \rightarrow \text{Epistemic State} \rightarrow \text{Gap} \rightarrow \text{Method} \rightarrow \text{Observation} $$ 因此本文可視為最新 Omphalos 的一個認識失真基礎層： > 若沒有顯式維護世界邊界，搜尋方法再多、Provider 再豐富，也仍可能在錯誤子域中高品質收斂。 --- # 20. 與 VRCA、GIPE 的關係 VRCA 強調： $$ \text{Evidence} + \text{Argument} + \text{Provenance} + \text{Open Questions} $$ 不能被最終摘要完全取代。 本文進一步補充： $$ \text{Open Questions} $$ 還必須包含： $$ \text{Unknown Search-Space Structure} $$ 。 GIPE 已提出： $$ \text{Search} \subset \text{Epistemic Action} $$ 本文則加入： $$ \boxed{ \text{Epistemic Action} \text{ must preserve } \text{Global Reopening Capacity} } $$ 否則認識循環會退化成： $$ \text{observe} \rightarrow \text{confirm} \rightarrow \text{compress} \rightarrow \text{repeat} $$ 而非真正的： $$ \text{observe} \rightarrow \text{challenge} \rightarrow \text{expand} \rightarrow \text{revise} $$ 。 --- # 21. 主要命題 ## 命題一：局部證據密度不推出全域完整性 若： $$ E_L $$ 在局部域 $L$ 中高度密集， 仍不能推出： $$ L=D^\ast $$ 。 --- ## 命題二：研究深度與研究覆蓋率是不同維度 $$ D_L \neq C_G $$ 因此評估系統時必須分開測量。 --- ## 命題三：搜尋政策會改變證據分布 $$ E\sim P(E\mid\pi) $$ 因此任何證據評估都應保存其生成策略 $\pi$。 --- ## 命題四：敘事一致性可以在錯誤子域內持續上升 存在： $$ \operatorname{Coherence}(Z_t)\uparrow $$ 同時： $$ \operatorname{GlobalAccuracy}(Z_t) $$ 不升甚至下降。 --- ## 命題五：未知分類比缺少資料更危險 若： $$ U_{\text{category}}>0 $$ 則單純提高： $$ N_{\text{retrieval}} $$ 不能保證降低認識錯誤。 --- ## 命題六：反證搜尋必須針對可破壞條件 有效反證搜尋的目標不是增加「不同意見」數量，而是尋找： $$ E^- $$ 使核心假說後驗或適用域發生實質改變。 --- ## 命題七：任何開放世界 closure 都必須可重新開啟 若研究狀態沒有： $$ \mathcal R_{\text{reopen}} $$ 則所謂 closure 更接近停止條件，而不是認識閉包。 --- # 22. 可證偽預測 本文提出以下可測試預測。 ### 預測一 對同一開放世界研究任務，若 Agent 只最佳化 citation count 與 local relevance，則增加搜尋輪數不保證提高跨類別 recall。 ### 預測二 加入 explicit category-gap detection 的 Agent，在未知類別任務上應比單純增加 query 數量更容易找到異質來源。 ### 預測三 保存 source-root graph 的 Agent 應比只計來源數量的 Agent 更不容易高估證據獨立性。 ### 預測四 加入 deliberate counter-hypothesis generation 的 Agent 應降低早期單一敘事鎖定率。 ### 預測五 加入 reopen condition 的研究系統，在新證據出現後應比純報告式系統更容易局部修訂，而不需要全量重做。 ### 預測六 在相同 token budget 下，對高不確定問題，將部分預算配置給 boundary expansion 的 Agent 可能比全部投入 local deepening 具有更高最終 domain coverage。 ### 預測七 若模型只接收經 relevance filtering 的資料，而 filtering policy 與模型自身假說高度耦合，則 counter-evidence recall 應低於引入獨立探索策略的系統。 --- # 23. Benchmark 草案 可建立一組刻意具有隱藏類別的研究任務： $$ T_1,\ldots,T_n $$ 每個任務包含： - 顯性主流分類； - 一個或多個低頻替代分類； - 同源多文件； - 時間版本差異； - 重要反例； - 可造成結論逆轉的隱藏證據。 比較系統： 1. 單輪搜尋； 2. Deep Research baseline； 3. 多 Agent 平行搜尋； 4. Gap-aware search； 5. World-rooted epistemic runtime。 可測： $$ \text{Local Evidence Depth} $$ $$ \text{Global Category Recall} $$ $$ \text{Independent Root Recall} $$ $$ \text{Counter-Evidence Recall} $$ $$ \text{Hypothesis Diversity} $$ $$ \text{Boundary Reduction} $$ $$ \text{Reopen Responsiveness} $$ 。 最重要的是不要只看： $$ \text{Final Answer Accuracy} $$ 因為單一答案可能偶然正確，但認識過程仍然脆弱。 --- # 24. 一個更一般的認識論結論 本文的問題並不限於 AI。 人類研究也會： - 在熟悉領域內過度深挖； - 依賴既有術語； - 沿學派分類搜尋； - 以權威來源作為搜尋入口； - 形成理論吸引子； - 用更多支持性資料提高確信； - 忽略不在既有分類中的現象。 AI 只是把這種機制放大並自動化。 因此真正問題不是： $$ \text{AI is biased} $$ 而是： $$ \boxed{ \text{Any finite epistemic system can mistake local convergence for global completion.} } $$ 。 這也意味著： > 開放世界研究的核心能力之一，不是永遠不收斂，而是知道何時必須重新打開已經收斂的世界。 --- # 25. 結論 Deep Research 的問題不能只被描述為： - 搜尋不夠多； - 來源不夠好； - 幻覺； - 引用錯誤； - 推理不夠長。 更深的問題是： $$ \boxed{ \text{Research can become locally excellent before it becomes globally adequate.} } $$ 如果： $$ D_0\subsetneq D^\ast $$ 但系統持續在 $D_0$ 中最佳化： $$ \text{relevance} + \text{evidence density} + \text{coherence} + \text{confidence} $$ 則最終可能得到： $$ \boxed{ \text{High-Quality Local Research} + \text{Global Epistemic Distortion} } $$ 。 因此，開放世界認識研究必須從： $$ \text{Search More} $$ 轉向： $$ \text{Know What Remains Outside the Search} $$ 更完整地說： $$ \boxed{ \text{World} \rightarrow \text{Local Model} \rightarrow \text{Convergence} \rightarrow \text{Challenge} \rightarrow \text{Boundary Expansion} \rightarrow \text{Revision} \rightarrow \text{Conditional Closure} } $$ 真正的研究深度，不只是向下挖得多深。 它還必須回答： > **我挖的地方，究竟是不是整個問題真正該被挖的地方？** --- # 26. 與下一篇的銜接 Paper 02 說明： $$ \text{Local Depth} \neq \text{Global Coverage} $$ 下一篇將處理更底層的問題： $$ \boxed{ \text{Unknown} \neq \text{one state} } $$ 如果 AI 無法區分「缺資料」與「漏掉整個分類」，那麼再強的搜尋能力仍可能把： $$ U_{\text{category}} $$ 誤當成： $$ U_{\text{data}} $$ 並以更多相同類型的搜尋加深錯誤收斂。 因此 Paper 03 將正式建立 **Unknown-State Taxonomy**，把未知分解為可被不同認識算子處理的多種類型。 --- # References 1. Bates, M. J. The Design of Browsing and Berrypicking Techniques for the Online Search Interface. *Online Review*, 1989. 2. Marchionini, G. Exploratory Search: From Finding to Understanding. *Communications of the ACM*, 2006. 3. Pirolli, P., & Card, S. Information Foraging in Information Access Environments. *CHI Proceedings*, 1995. 4. Popper, K. R. *The Logic of Scientific Discovery*. Routledge. 5. Kuhn, T. S. *The Structure of Scientific Revolutions*. University of Chicago Press. 6. Lakatos, I. Falsification and the Methodology of Scientific Research Programmes. In *Criticism and the Growth of Knowledge*. 7. EveMissLab. *DRC Search：生成式 AI 時代的非線性搜尋、共振式爬蟲與認知地圖生成方法*. 8. EveMissLab. *全域欲相位語義搜尋法 GIPSS v0.2：DRC–SGCD 統一架構*. 9. EveMissLab. *全域欲相位認識論 GIPE v0.1：從語義搜尋到主動科學介入*. 10. EveMissLab. *從資訊檢索到研究編譯：VRCA 理論模型 v0.1*. 11. EveMissLab. *Omphalos: From Search APIs to an AI-Native Search-Method Runtime v0.1*. 12. EveMissLab. *Open-World Epistemic Research Paper 00: From Deep Research to Open-World Epistemic Research*. 13. EveMissLab. *Open-World Epistemic Research Paper 01: The Internet-Access Illusion*. --- # Appendix A — Minimal Research-State Schema ```yaml research_state: world_scope: declared_scope: assumed_scope: excluded_scope: [] hypotheses: active: [] rejected: [] unresolved: [] evidence: supporting: [] counter: [] conflicting: [] source_topology: documents: [] epistemic_roots: [] shared_dependencies: [] unknowns: data: [] category: [] structure: [] conflict: [] counterevidence: [] access: [] temporal: [] world: [] boundaries: unexplored: [] low_coverage: [] high_impact: [] closure: status: scope: assumptions: [] reopen_conditions: [] provenance: queries: [] methods: [] providers: [] decisions: [] ``` --- # Appendix B — Minimal Anti-Convergence Loop ```text 1. Build a provisional local model. 2. Extract its assumptions. 3. Identify unsearched categories. 4. Trace source roots. 5. Generate counter-hypotheses. 6. Search for high-impact counter-evidence. 7. Expand the domain boundary. 8. Re-evaluate the local model. 9. Declare only conditional closure. 10. Preserve reopen conditions. ``` --- # Appendix C — 一句話命題 > **研究可以在錯的局部空間裡變得極度深入；因此真正的開放世界研究，不只要問「還能再深入多少」，也必須問「是否還有整個尚未被看見的世界」。**