# OWER Paper 03 v0.1｜未知不是單一狀態

## 未知不是單一狀態
### Unknown Is Not One Thing: Toward a Typed Taxonomy of Epistemic Unknowns

**Series:** Open-World Epistemic Research  
**Paper:** 03  
**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

現代搜尋系統、RAG、Deep Research 與一般 AI Agent 常把「未知」隱式地壓縮成同一種狀態：

$$
\text{Unknown}
\Rightarrow
\text{Retrieve More}
$$

亦即，只要系統不確定，就繼續搜尋、增加來源、擴張上下文或要求模型多思考。然而，在開放世界研究中，「未知」並不是單一型別。缺少資料、缺少分類、來源不可達、證據互相衝突、未知變量尚未被命名、時間版本不明、世界中是否存在某一類對象尚未可知，這些狀態雖然都可以被自然語言描述為「不知道」，但它們需要完全不同的認識操作。

本文提出一個 **Typed Unknown Taxonomy**，將未知表示為一個具有型別、來源、適用範圍、可處理算子與轉移條件的認識物件。本文至少區分：

$$
U
=
U_{\text{data}}
\cup
U_{\text{category}}
\cup
U_{\text{structure}}
\cup
U_{\text{conflict}}
\cup
U_{\text{counter}}
\cup
U_{\text{access}}
\cup
U_{\text{temporal}}
\cup
U_{\text{variable}}
\cup
U_{\text{mechanism}}
\cup
U_{\text{world}}
$$

其中不同未知必須對應不同認識算子。例如：

$$
U_{\text{data}}
\rightarrow
\operatorname{Retrieve}
$$

但：

$$
U_{\text{category}}
\not\rightarrow
\operatorname{RetrieveMoreSameCategory}
$$

而應：

$$
U_{\text{category}}
\rightarrow
\operatorname{Reclassify}
+
\operatorname{OntologyExpand}
$$

同樣地：

$$
U_{\text{conflict}}
\rightarrow
\operatorname{Discriminate}
$$

$$
U_{\text{mechanism}}
\rightarrow
\operatorname{Intervene}
+
\operatorname{CounterfactualTest}
$$

$$
U_{\text{world}}
\rightarrow
\operatorname{WorldDiscover}
$$

本文進一步提出：真正的開放世界研究系統不能只保存「confidence score」，而應保存 **unknown state vector**，並允許未知在研究過程中進行型別轉移。例如，一開始的資料缺失可能在新證據出現後被重新分類為結構缺失；一個看似分類缺失的問題也可能最終被證明是來源不可達。

因此，本文核心命題是：

$$
\boxed{
\text{Unknown}
\neq
\text{One State}
}
$$

以及：

$$
\boxed{
\text{Wrong Unknown Type}
\Rightarrow
\text{Wrong Research Operator}
}
$$

這一命題對 Deep Research、AI 科研、自主 Agent、搜尋 Runtime 與世界根節點架構具有直接意義：如果系統不能先判斷自己「不知道的是哪一種不知道」，那麼再多的搜尋與推理也可能只是更有效率地處理錯誤問題。

**關鍵詞：** Unknown-State Taxonomy、Typed Unknowns、Open-World Epistemic Research、Deep Research、Epistemic Gap、Ontology Expansion、Conflict Resolution、Counter-Evidence、World Discovery、Research Operator、Epistemic Runtime

---

# 1. 為什麼「不知道」太粗？

自然語言裡，「我不知道」是一個非常方便的壓縮。

例如：

> 我不知道這家公司今年營收是多少。

> 我不知道這個理論屬於哪一類。

> 我不知道這兩篇互相矛盾的研究哪一篇比較可靠。

> 我不知道這個現象背後真正機制是什麼。

> 我不知道世界上是否存在某種尚未被命名的研究群體。

這些都可以被壓縮成：

$$
U=\text{unknown}
$$

但它們的結構完全不同。

若 AI 對所有未知都執行：

$$
\operatorname{SearchMore}()
$$

則它會把一個高維認識問題錯誤投影成單一資訊缺失問題。

因此，第一個基本區分是：

$$
\boxed{
\text{Epistemic Uncertainty}
\neq
\text{Information Scarcity}
}
$$

資訊少只是未知的一種來源。

---

# 2. 未知作為一級計算物件

傳統系統常把未知表示成：

- null；
- missing；
- low confidence；
- no result；
- not found；
- empty string；
- probability below threshold。

這些表示適合資料工程，但不足以描述開放世界認識狀態。

本文提出：

$$
U_i
=
(
\tau_i,
s_i,
d_i,
c_i,
o_i,
r_i
)
$$

其中：

- $\tau_i$：unknown type；
- $s_i$：scope；
- $d_i$：dependencies；
- $c_i$：confidence / uncertainty；
- $o_i$：recommended epistemic operators；
- $r_i$：resolution / transition conditions。

這樣，「未知」就不再只是：

$$
\text{absence}
$$

而是：

$$
\boxed{
\text{typed epistemic state}
}
$$

。

---

# 3. 十種核心未知

## 3.1 資料未知： $U_{\text{data}}$

定義：

> 已知要找什麼，也知道其分類與可能來源，但缺少具體資料。

例如：

> 某模型最新 benchmark 分數尚未取得。

形式：

$$
U_{\text{data}}
=
\text{Known Variable}
+
\text{Missing Observation}
$$

適合的算子：

$$
\operatorname{Retrieve}
$$

$$
\operatorname{Query}
$$

$$
\operatorname{Fetch}
$$

$$
\operatorname{Measure}
$$

這是傳統搜尋最擅長處理的未知。

---

## 3.2 分類未知： $U_{\text{category}}$

定義：

> 系統不知道現有分類空間是否完整，或不知道某個對象應被放在哪一類。

例如，研究 AI Research Agent 時只建立：

$$
\{\text{search},\text{RAG},\text{multi-agent}\}
$$

卻漏掉：

$$
\text{world-rooted epistemic runtime}
$$

這不是：

> 還沒找到更多文件。

而是：

> 根本沒有產生正確分類。

形式：

$$
U_{\text{category}}
=
\text{Unknown Ontology Region}
$$

適合算子：

$$
\operatorname{Reclassify}
$$

$$
\operatorname{OntologyExpand}
$$

$$
\operatorname{CrossDomainMap}
$$

$$
\operatorname{AnalogicalSearch}
$$

因此：

$$
\boxed{
U_{\text{category}}
\not\rightarrow
\operatorname{RetrieveMoreSameCategory}
}
$$

。

---

## 3.3 結構未知： $U_{\text{structure}}$

定義：

> 已知節點存在，但不知道節點之間的關係。

例如已知：

$$
A,B,C
$$

存在，但不知道：

$$
A\rightarrow B
$$

還是：

$$
B\rightarrow A
$$

或：

$$
C
$$

同時控制兩者。

形式：

$$
U_{\text{structure}}
=
\text{Known Nodes}
+
\text{Unknown Relations}
$$

適合算子：

$$
\operatorname{GraphInfer}
$$

$$
\operatorname{DependencyTrace}
$$

$$
\operatorname{CausalProbe}
$$

$$
\operatorname{SequenceCompare}
$$

。

---

## 3.4 衝突未知： $U_{\text{conflict}}$

定義：

> 不同證據對同一命題給出互相不相容的結論。

$$
E_1\Rightarrow H
$$

$$
E_2\Rightarrow\neg H
$$

這時再找更多相同類型的支持資料，不一定能解決問題。

真正需要：

$$
\operatorname{Discriminate}(E_1,E_2)
$$

包括：

- 方法比較；
- 資料品質比較；
- 測量條件比較；
- 時間版本比較；
- 適用域比較；
- replication；
- independent evidence。

形式：

$$
U_{\text{conflict}}
=
\text{Competing Supported States}
$$

。

---

## 3.5 反證未知： $U_{\text{counter}}$

定義：

> 系統已建立主要假說，但尚未主動搜尋能推翻它的證據。

注意：

$$
U_{\text{counter}}
$$

不是已知反證。

而是：

> 尚未完成反證搜尋，因此不知道是否存在高破壞性證據。

適合：

$$
\operatorname{CounterEvidenceSearch}
$$

$$
\operatorname{FailureCaseSearch}
$$

$$
\operatorname{NegativeControl}
$$

$$
\operatorname{AdversarialTest}
$$

。

---

## 3.6 存取未知： $U_{\text{access}}$

定義：

> 系統知道某個來源或資料可能存在，但目前無法取得。

例如：

- paywall；
- private database；
- unpublished data；
- rate limit；
- missing credential；
- regional restriction；
- disconnected tool。

此時：

$$
\text{Not Retrieved}
$$

不能被誤判成：

$$
\text{Does Not Exist}
$$

形式：

$$
U_{\text{access}}
=
\text{Known Potential Evidence}
+
\text{Unavailable Channel}
$$

適合：

$$
\operatorname{AlternativeAccess}
$$

$$
\operatorname{ProxySource}
$$

$$
\operatorname{RequestAuthorization}
$$

$$
\operatorname{MarkUnavailable}
$$

。

---

## 3.7 時間未知： $U_{\text{temporal}}$

定義：

> 不清楚某個命題在什麼時間成立，或不同資料其實描述不同版本的世界。

形式：

$$
W_{t_1}
\neq
W_{t_2}
$$

但系統把：

$$
W_{t_1},W_{t_2}
$$

混在一起。

例如：

> 2025 年的產品能力與 2026 年的產品能力被當成同一狀態。

適合：

$$
\operatorname{VersionResolve}
$$

$$
\operatorname{TimelineBuild}
$$

$$
\operatorname{TemporalPartition}
$$

$$
\operatorname{FreshnessCheck}
$$

。

---

## 3.8 變量未知： $U_{\text{variable}}$

定義：

> 問題中可能存在一個尚未被識別或命名的變量。

這比分類未知更深。

分類未知通常是：

> 不知道它屬於哪一類。

變量未知是：

> 甚至還不知道應該把什麼東西當成變量。

例如：

$$
Y=f(X_1,X_2)
$$

長期解釋失敗，

真正世界可能是：

$$
Y=f(X_1,X_2,Z)
$$

其中：

$$
Z
$$

從未進入模型。

適合：

$$
\operatorname{LatentVariableSearch}
$$

$$
\operatorname{ResidualAnalysis}
$$

$$
\operatorname{AnomalyCluster}
$$

$$
\operatorname{VariableInvent}
$$

。

---

## 3.9 機制未知： $U_{\text{mechanism}}$

定義：

> 已知相關關係或輸入輸出規律，但不知道生成機制。

例如：

$$
A\leftrightarrow B
$$

已被觀察，

但：

$$
A\rightarrow B
$$

或：

$$
B\rightarrow A
$$

或：

$$
C\rightarrow(A,B)
$$

仍未知。

適合：

$$
\operatorname{Intervene}
$$

$$
\operatorname{CounterfactualTest}
$$

$$
\operatorname{MechanismDecompose}
$$

$$
\operatorname{CausalExperiment}
$$

。

這是「資料更多」尤其容易失效的未知。

---

## 3.10 世界未知： $U_{\text{world}}$

定義：

> 系統不知道世界中是否存在某個相關對象、來源、現象、規律或可觀察區域。

這是最接近 World Root 的未知。

例如：

> 世界上是否存在一類尚未被既有關鍵詞命名的 AI 研究系統？

此時甚至不知道：

$$
X
$$

是否存在。

形式：

$$
U_{\text{world}}
=
\operatorname{UnknownExistenceRegion}(W)
$$

適合：

$$
\operatorname{WorldDiscover}
$$

$$
\operatorname{OpenSetSearch}
$$

$$
\operatorname{CrossSurfaceExploration}
$$

$$
\operatorname{ExistenceProbe}
$$

。

---

# 4. 未知型別與研究算子

核心原則：

$$
\boxed{
\text{Unknown Type}
\rightarrow
\text{Operator Family}
}
$$

而不是：

$$
\text{Unknown}
\rightarrow
\text{Search More}
$$

可以建立：

| 未知型別 | 主要問題 | 主要算子 |
|---|---|---|
| $U_{\text{data}}$ | 缺具體資料 | Retrieve / Measure |
| $U_{\text{category}}$ | 分類不完整 | Reclassify / OntologyExpand |
| $U_{\text{structure}}$ | 關係不明 | GraphInfer / DependencyTrace |
| $U_{\text{conflict}}$ | 證據互斥 | Discriminate / Replicate |
| $U_{\text{counter}}$ | 尚未找反證 | CounterEvidence / AdversarialTest |
| $U_{\text{access}}$ | 來源不可達 | AlternativeAccess / MarkUnavailable |
| $U_{\text{temporal}}$ | 時間版本不清 | Timeline / VersionResolve |
| $U_{\text{variable}}$ | 漏掉變量 | LatentVariable / ResidualAnalysis |
| $U_{\text{mechanism}}$ | 機制不明 | Intervention / Counterfactual |
| $U_{\text{world}}$ | 不知是否存在 | WorldDiscover / OpenSetSearch |

這個 mapping 可以寫成：

$$
\Omega_U:
U_\tau
\rightarrow
\mathcal O_\tau
$$

其中：

$$
\mathcal O_\tau
$$

是適用於未知型別 $\tau$ 的操作集合。

---

# 5. 錯誤型別會導致錯誤操作

設真實未知型別為：

$$
\tau^\ast
$$

系統估計為：

$$
\hat\tau
$$

如果：

$$
\hat\tau\neq\tau^\ast
$$

則選到的算子：

$$
O(\hat\tau)
$$

可能無法降低真正的不確定性。

例如：

$$
\tau^\ast=U_{\text{category}}
$$

但系統判斷：

$$
\hat\tau=U_{\text{data}}
$$

於是執行：

$$
\operatorname{RetrieveMore}
$$

結果：

$$
N_{\text{documents}}\uparrow
$$

但：

$$
\operatorname{CategoryCoverage}
$$

不變。

甚至：

$$
\operatorname{Confidence}\uparrow
$$

導致更嚴重的錯誤收斂。

因此：

$$
\boxed{
\text{Misclassification of Unknowns}
\Rightarrow
\text{Epistemic Operator Error}
}
$$

。

---

# 6. 未知型別不是固定不變

一個重要問題是：

> 同一個未知會不會隨研究進展改變型別？

答案是會。

例如一開始：

$$
U_{\text{data}}
$$

系統以為只是缺資料。

搜尋之後發現：

$$
E_1\neq E_2
$$

於是轉成：

$$
U_{\text{conflict}}
$$

接著分析發現兩份資料分屬不同年份：

$$
U_{\text{conflict}}
\rightarrow
U_{\text{temporal}}
$$

最後建立時間版本後，問題被解決：

$$
U_{\text{temporal}}
\rightarrow
K
$$

因此未知應被視為動態狀態機：

$$
U_t
\xrightarrow{O_t}
U_{t+1}
$$

而不是靜態 tag。

---

# 7. Unknown-State Transition Graph

可建立：

$$
G_U=(V_U,E_U)
$$

其中：

$$
V_U=
\{
U_{\text{data}},
U_{\text{category}},
U_{\text{structure}},
U_{\text{conflict}},
U_{\text{counter}},
U_{\text{access}},
U_{\text{temporal}},
U_{\text{variable}},
U_{\text{mechanism}},
U_{\text{world}},
K
\}
$$

其中：

$$
K
$$

代表在指定條件下已被認識的狀態。

典型轉移：

$$
U_{\text{data}}
\rightarrow
U_{\text{conflict}}
$$

$$
U_{\text{conflict}}
\rightarrow
U_{\text{temporal}}
$$

$$
U_{\text{category}}
\rightarrow
U_{\text{world}}
$$

$$
U_{\text{structure}}
\rightarrow
U_{\text{mechanism}}
$$

$$
U_{\text{variable}}
\rightarrow
U_{\text{structure}}
$$

$$
U_{\text{access}}
\rightarrow
U_{\text{data}}
$$

最終：

$$
U_\tau
\rightarrow
K
$$

並不保證所有未知都能被完全解析。

---

# 8. Unknown Vector

單一研究問題往往同時包含多種未知。

因此不能只保存一個：

$$
u\in[0,1]
$$

更適合：

$$
\mathbf U_t
=
(
u_d,
u_c,
u_s,
u_f,
u_{ce},
u_a,
u_t,
u_v,
u_m,
u_w
)
$$

例如：

$$
\mathbf U_t
=
(
0.2,
0.8,
0.5,
0.1,
0.9,
0.0,
0.3,
0.6,
0.7,
0.4
)
$$

表示：

- 資料缺失不嚴重；
- 分類未知很高；
- 反證未知很高；
- 機制未知也很高。

此時最不該做的是：

$$
\operatorname{RetrieveMoreSameSources}
$$

而應優先：

$$
\operatorname{OntologyExpand}
+
\operatorname{CounterEvidenceSearch}
+
\operatorname{MechanismProbe}
$$

。

---

# 9. 未知與研究排程

如果不同未知需要不同算子，那麼研究排程可以寫成：

$$
O_t^\ast
=
\arg\max_{O}
\frac{
\mathbb E[\Delta U^{-}\mid O]
}{
C(O)
}
$$

其中：

$$
\Delta U^{-}
$$

表示未知總量下降。

但不同未知的重要性不同，因此可加入權重：

$$
O_t^\ast
=
\arg\max_{O}
\frac{
\sum_i
w_i
\mathbb E[
\Delta u_i^{-}
\mid O
]
}{
C(O)
}
$$

其中：

- $w_i$：unknown impact；
- $C(O)$：時間、token、金錢、風險與行動成本。

這樣，AI 研究系統不再只問：

> 下一個 query 是什麼？

而是：

> 哪一種未知最值得先被降低？

---

# 10. Unknown Type 與資訊增益

傳統 information gain 常寫成：

$$
IG(a)
=
H(S_t)
-
\mathbb E[
H(S_{t+1})
]
$$

但若狀態空間本身不完整，則：

$$
H(S_t)
$$

會低估真正的不確定性。

因此需要加入：

$$
H_{\text{ontology}}
$$

$$
H_{\text{world}}
$$

等更高階未知。

可寫：

$$
H_E
=
H_{\text{within-model}}
+
H_{\text{model-space}}
+
H_{\text{world-space}}
$$

其中：

- $H_{\text{within-model}}$：既有模型內不確定性；
- $H_{\text{model-space}}$：替代模型未知；
- $H_{\text{world-space}}$：尚未被建模的世界區域。

這個分解能解釋：

> 為什麼一個模型內部 confidence 很高，仍不代表整體認識風險低。

---

# 11. Deep Research 為什麼特別容易把未知壓成資料缺失？

典型 Deep Research 的操作能力通常集中在：

$$
\text{search}
+
\text{read}
+
\text{summarize}
+
\text{synthesize}
$$

因此系統天然偏好把任何未知解釋成：

$$
U_{\text{data}}
$$

因為這是它最容易處理的未知。

這是一種：

$$
\boxed{
\text{Tool-Induced Epistemic Bias}
}
$$

也就是：

> 系統會傾向把問題重新描述成自己已有工具可以處理的形式。

如果只有錘子：

$$
\text{everything}
\rightarrow
\text{nail}
$$

如果只有 search：

$$
\text{everything unknown}
\rightarrow
\text{missing information}
$$

。

---

# 12. 工具能力決定未知分類

設可用工具集合：

$$
\mathcal T
=
\{T_1,\ldots,T_n\}
$$

系統可能學到：

$$
P(\hat\tau\mid\mathcal T)
$$

而不只是：

$$
P(\hat\tau\mid E)
$$

也就是未知型別判斷會被工具空間扭曲。

例如沒有：

$$
\operatorname{Intervene}
$$

工具時，系統可能把：

$$
U_{\text{mechanism}}
$$

退化成：

$$
U_{\text{data}}
$$

然後繼續找更多 observational evidence。

因此：

$$
\boxed{
\text{Epistemic Tool Space}
\text{ shapes }
\text{Perceived Unknown Space}
}
$$

。

---

# 13. World Root 對 Unknown Taxonomy 的意義

若系統沒有 world root，未知通常相對於：

$$
\text{task}
$$

來定義。

例如：

> 任務答案缺什麼？

有 world root 後，未知可以相對於：

$$
W
$$

來定義。

也就是：

> 關於這個世界，我目前不知道什麼？

這兩個問題不同。

前者：

$$
U_T
$$

是 task-relative unknown。

後者：

$$
U_W
$$

是 world-relative unknown。

通常：

$$
U_T
\subseteq
U_W
$$

。

這使 AI 有機會發現：

> 雖然現在的任務已經足以回答，但世界模型仍存在高風險未知。

這對科研特別重要。

---

# 14. Task Closure 與 World Closure 必須分開

一個研究任務可以完成：

$$
C_T=1
$$

但世界理解仍不完整：

$$
C_W<1
$$

例如：

> 已經足夠回答「A 模型是否比 B 快」。

但還不知道：

- 為什麼更快；
- 哪個硬體條件下成立；
- 是否由 kernel 差異造成；
- 是否存在第三種架構；
- 是否能跨版本成立。

因此：

$$
\boxed{
\text{Task Solved}
\neq
\text{World Understood}
}
$$

。

Deep Research 往往最佳化前者。

Open-World Epistemic Research 必須至少顯式保留後者。

---

# 15. Unknown 與 Closure

Closure 不應被定義成：

$$
U=0
$$

因為開放世界中：

$$
U_{\text{world}}
$$

很難降到絕對零。

更合理的是：

$$
\operatorname{Closure}
=
\operatorname{AcceptableUnknown}
(
\mathbf U,
D,
R,
T,
C
)
$$

其中：

- $\mathbf U$：unknown vector；
- $D$：scope；
- $R$：risk；
- $T$：task；
- $C$：cost constraints。

因此不同任務有不同 closure threshold。

醫療、金融、科學證明、高風險控制等任務可能要求：

$$
\mathbf U
$$

更低。

一般背景整理則可接受較高未知。

---

# 16. Unknown Budget

由於所有未知都不可能無限降低，可定義：

$$
B_U
$$

為 Unknown Budget。

例如：

$$
B_U
=
\sum_i
w_i u_i
$$

研究停止條件：

$$
B_U
\leq
\epsilon_T
$$

其中：

$$
\epsilon_T
$$

依任務風險而定。

但若存在某些 hard unknown：

$$
u_i>\theta_i
$$

則即使：

$$
B_U
$$

總體低，也不能 closure。

例如：

$$
u_{\text{counter}}>0.8
$$

表示幾乎沒做反證搜尋。

此時：

$$
\operatorname{Closure}=0
$$

。

---

# 17. Hard Unknown 與 Soft Unknown

本文進一步區分：

$$
U_{\text{soft}}
$$

與：

$$
U_{\text{hard}}
$$

Soft Unknown：

> 缺少一些資料，但不太可能顛覆主結論。

Hard Unknown：

> 一旦解析，可能顛覆整個模型或分類。

形式：

$$
\operatorname{Impact}(U_i)
=
\mathbb E[
\Delta M
\mid
U_i\rightarrow K
]
$$

若：

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

則應優先處理。

因此：

$$
\boxed{
\text{Unknown Priority}
\neq
\text{Unknown Size}
}
$$

。

有時一個很小但高破壞性的未知，比一百個小資料缺口更重要。

---

# 18. Unknown Dependency Graph

未知之間也有依賴。

例如：

$$
U_{\text{category}}
\rightarrow
U_{\text{data}}
$$

若分類未知未解決，後面的資料搜尋根本可能全部無效。

又如：

$$
U_{\text{variable}}
\rightarrow
U_{\text{mechanism}}
$$

若漏掉關鍵變量，機制研究也難以正確進行。

因此建立：

$$
G_U=(U,E_U)
$$

並定義 dependency：

$$
U_i\prec U_j
$$

表示：

> $U_i$ 未解析前，處理 $U_j$ 的效用顯著降低。

研究排程應考慮：

$$
\operatorname{TopologicalOrder}(G_U)
$$

而不是單純依 confidence 排序。

---

# 19. Unknown Compression Error

最終報告常把複雜未知壓成一句：

> 仍需更多研究。

這是一種嚴重壓縮。

原始狀態可能是：

$$
\{
U_{\text{category}},
U_{\text{conflict}},
U_{\text{counter}},
U_{\text{mechanism}}
\}
$$

最後變成：

$$
\text{Further Research Needed}
$$

資訊損失極大。

因此報告至少應保留：

$$
\text{Unknown Type}
+
\text{Scope}
+
\text{Impact}
+
\text{Next Operator}
$$

。

---

# 20. Unknown Schema

可將每一未知保存為：

```yaml
unknown:
  id:
  type:
  scope:
  description:
  discovered_from:
  dependencies: []
  impact:
  confidence:
  candidate_operators: []
  required_evidence: []
  transition_conditions: []
  closure_blocking: false
  status:
```

這使 unknown 可以被：

- 索引；
- 排程；
- 更新；
- 合併；
- 拆分；
- 轉型；
- 驗證；
- 關閉；
- 重新打開。

---

# 21. Unknown Split / Merge

一個未知可能被拆分：

$$
U
\rightarrow
\{U_1,U_2,U_3\}
$$

例如「不知道架構為什麼更快」可拆成：

$$
U_1=\text{kernel effect}
$$

$$
U_2=\text{memory hierarchy effect}
$$

$$
U_3=\text{training configuration effect}
$$

多個未知也可能合併：

$$
\{U_1,U_2,U_3\}
\rightarrow
U^\ast
$$

若發現它們其實來自同一 latent variable。

因此 unknown runtime 需要：

$$
\operatorname{SplitUnknown}
$$

與：

$$
\operatorname{MergeUnknown}
$$

。

---

# 22. Unknown Reclassification

可定義：

$$
\operatorname{ReType}
:
U_\alpha
\rightarrow
U_\beta
$$

條件為：

$$
E_{new}
$$

改變了未知本質。

例如：

$$
U_{\text{data}}
\xrightarrow{E_{new}}
U_{\text{conflict}}
$$

或者：

$$
U_{\text{world}}
\xrightarrow{\operatorname{FoundCandidate}}
U_{\text{category}}
$$

。

因此 unknown type 應是：

$$
\text{hypothesis about ignorance}
$$

而不是永久標籤。

---

# 23. Meta-Unknown：不知道自己不知道什麼

最困難的是：

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

也就是：

> 系統不知道自己還有哪些未知。

這就是經典的 unknown unknowns。

可形式化為：

$$
U_{\text{meta}}
=
\operatorname{UnknownUnknownSpace}
$$

它無法被完全枚舉。

但可以透過：

$$
\operatorname{BoundaryExplore}
$$

$$
\operatorname{CrossOntologyProbe}
$$

$$
\operatorname{AnomalySearch}
$$

$$
\operatorname{IndependentAgentDivergence}
$$

$$
\operatorname{WorldSurfaceExpansion}
$$

降低。

因此：

$$
\boxed{
\text{Meta-Unknown}
\neq
\text{Eliminable}
}
$$

但可以被管理。

---

# 24. Meta-Unknown Pressure

可定義一個 proxy：

$$
P_M
$$

表示目前模型仍可能存在未識別未知的壓力。

例如由以下因素提高：

- query diversity 低；
- source-root diversity 低；
- domain diversity 低；
- independent agents 高度一致但共享來源；
- early convergence；
- missing negative results；
- unresolved anomalies；
- unexplained residuals。

這不是絕對概率。

它是一個提醒：

> 不應把「目前沒有列出未知」誤當成「沒有未知」。

---

# 25. 與 Paper 02 的統一

Paper 02 定義：

$$
\text{Local Attention Convergence}
$$

其中一個核心原因就是：

$$
U_{\text{category}}
$$

與：

$$
U_{\text{world}}
$$

被錯誤壓成：

$$
U_{\text{data}}
$$

。

因此：

$$
\boxed{
\text{LAC}
\approx
\text{Repeated Wrong-Operator Application on Mis-Typed Unknowns}
}
$$

至少在部分情況下成立。

也就是：

$$
U_{\text{category}}
\rightarrow
\operatorname{RetrieveMore}
\rightarrow
\text{More Local Evidence}
\rightarrow
\text{Higher Confidence}
\rightarrow
\text{Stronger Convergence}
$$

這正是全域認識失真的重要來源。

---

# 26. 與 Omphalos 的統一

舊 Omphalos 已有：

$$
\text{Evidence}
\rightarrow
\text{Gap}
\rightarrow
\text{Replan}
$$

Paper 03 將 Gap 重新定義為 typed gap：

$$
G_t
=
\{
U_{\tau_1},
U_{\tau_2},
\ldots,
U_{\tau_n}
\}
$$

因此 Replan 不能只是：

> 再選一個 search method。

而應：

$$
\text{Gap Type}
\rightarrow
\text{Epistemic Operator}
\rightarrow
\text{Method}
\rightarrow
\text{Provider}
$$

。

新版 World-Rooted Omphalos 可寫成：

$$
\boxed{
W
\rightarrow
\hat W_t
\rightarrow
\mathbf U_t
\rightarrow
O_t
\rightarrow
\text{Observation}
\rightarrow
\hat W_{t+1}
}
$$

這比：

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

多了一整個 unknown-typing layer。

---

# 27. 與 GIPE 的統一

GIPE 已將認識行動擴張為：

- 搜尋；
- 模擬；
- 實驗；
- 形式證明；
- 生成；
- 介入；
- 驗證；
- 反證。

本文提供其選擇依據：

$$
\boxed{
\text{Unknown Type}
\rightarrow
\text{Epistemic Action Type}
}
$$

例如：

$$
U_{\text{mechanism}}
\rightarrow
\text{Intervention}
$$

$$
U_{\text{counter}}
\rightarrow
\text{Falsification}
$$

$$
U_{\text{data}}
\rightarrow
\text{Search}
$$

$$
U_{\text{category}}
\rightarrow
\text{Ontology Expansion}
$$

這使 GIPE 的「認識行動選擇」獲得更明確的狀態基礎。

---

# 28. 與 VRCA 的統一

VRCA 保存：

- claim；
- evidence；
- counter-evidence；
- provenance；
- open questions。

Paper 03 建議將：

$$
\text{Open Question}
$$

細化成：

$$
\text{Typed Unknown}
$$

即：

$$
Q_i
\rightarrow
U_{\tau_i}
$$

。

這樣「開放問題」不再只是文字列表，而能直接驅動：

$$
\operatorname{NextResearchAction}
$$

。

---

# 29. 與 World Root 的統一

若沒有 World Root：

$$
U
$$

通常只是：

> 任務輸出缺什麼？

若有：

$$
W
$$

作為認識根節點：

$$
U
$$

就可以問：

> 我與世界之間還有什麼認識差距？

因此：

$$
\boxed{
\text{Unknown}
=
\text{Difference between current epistemic state and accessible world structure}
}
$$

。

這是 Paper 03 與兩篇番外的重要接口。

---

# 30. 可證偽預測

## 預測一

在含隱藏分類的研究任務中，typed-unknown agent 應比 generic uncertainty agent 有更高 category recall。

## 預測二

當真實問題為 $U_{\text{category}}$ 時，單純增加 retrieval budget 的邊際效用會快速下降。

## 預測三

加入 unknown reclassification 機制後，Agent 在時間版本衝突任務中應較少把矛盾資料誤判為來源品質問題。

## 預測四

加入 unknown dependency graph 的研究排程，應比只依 confidence 排序具有更低的無效搜索成本。

## 預測五

加入 $U_{\text{counter}}$ 狀態後，Agent 應主動增加 falsification-oriented actions。

## 預測六

加入 $U_{\text{world}}$ 與 $U_{\text{meta}}$ 後，Agent 應保留更多 boundary-expansion actions，而不是過早 closure。

## 預測七

若工具集合不含 intervention，Agent 對 mechanism unknown 的分類準確率可能下降，顯示 tool space 會反向塑造 perceived unknown space。

---

# 31. Benchmark 草案

建立多種任務：

### Type A — Missing Data

答案存在於可搜尋來源中。

### Type B — Missing Category

需要跨領域或新分類才能找到答案。

### Type C — Conflict

存在兩組高品質互斥證據。

### Type D — Temporal

不同年份答案不同。

### Type E — Latent Variable

只有加入隱藏變量才能解釋殘差。

### Type F — Mechanism

觀測相關性不足以判定因果。

### Type G — World Unknown

系統需要先發現世界中可能存在新的對象類別。

### Type H — Meta Unknown

benchmark 刻意放置一個不在初始 ontology 的高價值因素。

比較：

$$
\text{Generic Search Agent}
$$

vs.

$$
\text{Typed Unknown Agent}
$$

評估：

$$
\text{Unknown-Type Accuracy}
$$

$$
\text{Operator Appropriateness}
$$

$$
\text{Resolution Rate}
$$

$$
\text{Research Cost}
$$

$$
\text{False Closure Rate}
$$

$$
\text{Category Recall}
$$

$$
\text{Counter-Evidence Recall}
$$

。

---

# 32. 主要命題

## 命題一

$$
\boxed{
\text{Unknown}
\neq
\text{Missing Data}
}
$$

---

## 命題二

不同未知型別要求不同認識算子。

$$
U_\alpha
\neq
U_\beta
\Rightarrow
\mathcal O_\alpha
\neq
\mathcal O_\beta
$$

一般情況下成立。

---

## 命題三

未知型別可以隨新證據轉移。

$$
U_{\alpha,t}
\rightarrow
U_{\beta,t+1}
$$

。

---

## 命題四

工具集合會影響系統對未知型別的感知。

$$
P(\hat\tau\mid E,\mathcal T)
\neq
P(\hat\tau\mid E)
$$

。

---

## 命題五

低 unknown count 不代表低 epistemic risk。

若剩餘未知為 high-impact unknown：

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

則 closure 仍不成立。

---

## 命題六

Task closure 與 world closure 必須分離。

$$
C_T=1
\not\Rightarrow
C_W=1
$$

。

---

## 命題七

Meta-unknown 無法被完全消除，但可透過邊界探索降低。

$$
U_{\text{meta}}>0
$$

在開放世界中可能是常態。

---

# 33. 工程最小實作

最小 runtime 只需要五步：

```text
1. Detect an unresolved epistemic state.
2. Assign one or more unknown types.
3. Select candidate epistemic operators.
4. Execute and observe.
5. Re-type, resolve, split, merge, or preserve the unknown.
```

最小資料結構：

```yaml
unknown:
  type:
  scope:
  impact:
  dependencies:
  operators:
  status:
```

即使只做到這一步，也已經比：

```text
unknown → search more
```

多出一個關鍵層。

---

# 34. 一個最小例子

問題：

> 某新型 AI 架構為什麼在 benchmark 上更快？

初始：

$$
U_0=U_{\text{mechanism}}
$$

但如果系統誤判：

$$
U_0=U_{\text{data}}
$$

它會：

$$
\operatorname{RetrieveMoreBenchmarks}
$$

得到更多：

$$
\text{faster}
$$

的證據，

卻仍回答不了：

> 為什麼？

正確流程應是：

$$
U_{\text{mechanism}}
\rightarrow
\operatorname{Ablation}
+
\operatorname{KernelCompare}
+
\operatorname{HardwareControl}
+
\operatorname{Counterfactual}
$$

。

如果過程中發現不同 benchmark 使用不同版本：

$$
U_{\text{mechanism}}
\rightarrow
U_{\text{temporal}}
$$

先解 version。

再發現差異主要來自未控制變量：

$$
U_{\text{temporal}}
\rightarrow
U_{\text{variable}}
$$

最後才回到：

$$
U_{\text{mechanism}}
$$

並完成解析。

這就是 typed unknown 的價值。

---

# 35. 更一般的認識論含義

「我不知道」其實可能是高度壓縮過的語句。

它背後可能包含：

$$
\text{I lack data}
$$

$$
\text{I lack categories}
$$

$$
\text{I lack variables}
$$

$$
\text{I lack relations}
$$

$$
\text{I lack mechanisms}
$$

$$
\text{I lack access}
$$

$$
\text{I lack temporal alignment}
$$

$$
\text{I do not know what else exists}
$$

因此：

$$
\boxed{
\text{Ignorance has internal structure.}
}
$$

。

一旦「無知」被視為具有內部結構，AI 就不再只是：

> 對未知進行補值。

而是可以：

> 對未知本身進行分類、推理、排程與操作。

這可能是開放世界認識 Runtime 的一個基礎轉折。

---

# 36. 結論

現代 AI Research Agent 的一個根本限制，不是它們不知道很多事情。

而是：

> 它們經常不知道自己「不知道的是哪一種不知道」。

如果所有未知都被壓成：

$$
U=\text{missing information}
$$

那麼整個研究系統就會自然退化成：

$$
\text{Unknown}
\rightarrow
\text{Search}
\rightarrow
\text{More Documents}
\rightarrow
\text{Summary}
$$

。

但開放世界研究需要：

$$
\boxed{
\text{Unknown}
\rightarrow
\text{Type}
\rightarrow
\text{Operator}
\rightarrow
\text{Observation}
\rightarrow
\text{Re-Type}
\rightarrow
\text{Resolution / Preservation}
}
$$

。

因此，真正的 AI 原生認識系統必須把未知提升成一級計算物件。

本文的核心可以壓成兩句：

$$
\boxed{
\text{Unknown Is Not One Thing}
}
$$

以及：

$$
\boxed{
\text{Before asking what to search next, ask what kind of unknown is actually present.}
}
$$

中文：

> **在問下一步要搜尋什麼之前，先判斷現在面對的究竟是哪一種未知。**

這一步看似簡單，卻可能決定後續整條研究軌跡是否走在正確問題上。

---

# 37. 與下一篇的銜接

Paper 03 將 unknown 從單一值拆成多型別狀態。

下一篇 Paper 04 將進一步處理另一個長期被壓縮的概念：

$$
\boxed{
\text{Understanding}
\neq
\text{Boolean}
}
$$

也就是：

> 「知道」、「看見問題」、「形成框架」、「找到機制」、「形成壓縮核」、「可演算法化」、「已驗證」、「已閉包」不是同一層理解。

因此 Paper 04 將建立 **Understanding-State Calculus**，把：

$$
\text{I understand}
$$

從一句自然語言，拆成可比較、可轉移、可驗證的多階段認識狀態。

---

# References

1. Knight, F. H. *Risk, Uncertainty and Profit*. 1921.
2. Popper, K. R. *The Logic of Scientific Discovery*.
3. Kuhn, T. S. *The Structure of Scientific Revolutions*.
4. Lakatos, I. *The Methodology of Scientific Research Programmes*.
5. Marchionini, G. Exploratory Search: From Finding to Understanding. *Communications of the ACM*, 2006.
6. Bates, M. J. The Design of Browsing and Berrypicking Techniques for the Online Search Interface. *Online Review*, 1989.
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. *OWER Paper 00: From Deep Research to Open-World Epistemic Research*.
13. EveMissLab. *OWER Paper 01: The Internet-Access Illusion*.
14. EveMissLab. *OWER Paper 02: Local Attention Convergence and Global Epistemic Distortion*.

---

# Appendix A — Unknown Type Schema

```yaml
unknown:
  id:
  type:
  scope:
  description:

  state:
    confidence:
    impact:
    closure_blocking:

  dependencies:
    requires_resolution_of: []
    blocks: []

  evidence:
    discovered_from: []
    supporting_unknown_evidence: []
    contradictory_evidence: []

  operators:
    candidate: []
    attempted: []
    prohibited: []

  transitions:
    possible_types: []
    transition_conditions: []

  resolution:
    required_evidence: []
    success_conditions: []
    unresolved_conditions: []

  provenance:
    created_at:
    updated_at:
    research_state_id:
```

---

# Appendix B — Unknown Operator Map

```text
DATA
→ retrieve / fetch / measure

CATEGORY
→ reclassify / ontology-expand / cross-domain-map

STRUCTURE
→ graph-infer / dependency-trace / causal-probe

CONFLICT
→ discriminate / replicate / compare-methods

COUNTER
→ counter-evidence / adversarial-test / negative-control

ACCESS
→ alternative-access / proxy-source / authorization

TEMPORAL
→ timeline / version-resolve / freshness-check

VARIABLE
→ latent-variable / residual-analysis / anomaly-cluster

MECHANISM
→ intervene / counterfactual / ablation / causal-experiment

WORLD
→ world-discover / open-set-search / existence-probe

META
→ boundary-expand / independent-divergence / anomaly-search
```

---

# Appendix C — 一句話命題

> **未知不是一個空白格；它是一個有型別、有依賴、有轉移規則，而且需要不同認識算子處理的狀態空間。**