--- title: "從 Deep Research 到開放世界認識研究：AI 原生研究 Runtime 的問題重構" english_title: "From Deep Research to Open-World Epistemic Research: Reframing the AI-Native Research Runtime" series: "Open-World Epistemic Research" paper: "00" version: "v0.1" date: "2026-09-20" language: "zh-TW" authors: - "Neo.K" - "GPT-5.6 Sol" organization: "EveMissLab / 一言諾科技有限公司" status: "Canonical Draft / Series Opening Paper" --- # 00｜從 Deep Research 到開放世界認識研究 ## ——AI 原生研究 Runtime 的問題重構 **English Title:** *From Deep Research to Open-World Epistemic Research: Reframing the AI-Native Research Runtime* **Series:** Open-World Epistemic Research **Version:** v0.1 **Date:** 2026-09-20 **Authors:** Neo.K × GPT-5.6 Sol **Institution:** EveMissLab / 一言諾科技有限公司 --- ## 摘要 近兩年的 Deep Research 系統大幅提高了大型語言模型進行長時程網路搜尋、來源彙整、多步推理與研究式報告生成的能力。然而，「能長時間搜尋並產生有引用的完整報告」並不自動等同於「能進行開放世界的科學認識」。一個系統即使具有網路存取、搜尋工具、多代理平行化、來源引用與長鏈推理，仍可能在錯誤或不完整的問題分類中局部收斂，過度依賴權威來源或搜尋排序，將作者自述誤當成已驗證事實，使用參數化內部知識去填補外部證據缺口，或在報告生成階段把矛盾、未知與反證壓平成流暢敘事。 本文提出 **Open-World Epistemic Research（開放世界認識研究）** 作為比 Deep Research 更上位的問題框架。本文不主張檢索、來源驗證、反證、世界模型、認識論或研究代理本身是新的概念；真正需要重新顯式化的是：對開放世界 Agent 而言，研究不應從「任務—搜尋—報告」開始，而應從「世界—可觀察性—當前認識狀態—未知與缺口」開始。本文因此引入一個暫定的 **World-Rooted Epistemic Runtime** 表述： $$ W_t \rightarrow O_t \rightarrow K_t \rightarrow G_t \rightarrow \Pi_t \rightarrow A_t \rightarrow E_t \rightarrow C_t \rightarrow K_{t+1} \rightarrow \operatorname{Closure/Reopen} $$ 其中， $W_t$ 是所處世界， $O_t$ 是可取得的觀察， $K_t$ 是當前認識狀態， $G_t$ 是缺口， $\Pi_t$ 是研究策略， $A_t$ 是搜尋、模擬、證明、實驗或其他認識行動， $E_t$ 是證據， $C_t$ 是挑戰、反證與衝突處理。此架構將搜尋重新定位為認識行動之一，而非研究本體。 本文同時提出「網路存取不等於開放世界認知」、「局部深度不等於全域完備」、「來源數量不等於獨立證據數量」、「理解不是布林值」、「研究報告不等於研究狀態」等核心命題，並將 EveMissLab 既有的 DRC Search、GIPSS、GIPE、VRCA 與 Omphalos/AUSI 前期架構重新排列為可相容的技術前史。本文的目標不是宣告一個已完成的通用科學 AI，而是建立一個可驗證的研究問題：當 AI 從封閉任務求解器轉向開放世界研究代理時，是否必須把「世界」與「對世界的當前認識」重新提升為一級計算對象？ **關鍵詞：** Deep Research、Open-World Epistemic Research、World Root、AI-Native Research、Research Runtime、Epistemic State、Evidence、Falsification、Research Closure、Omphalos、AUSI、GIPSS、GIPE、DRC、VRCA --- # 1. 問題：Deep Research 到底「深」在哪裡？ Deep Research 的名稱容易把數個不同層次的能力壓縮成同一個概念： 1. 搜尋時間更長； 2. 搜尋來源更多； 3. 查詢可以迭代； 4. 可以跨來源彙整； 5. 可以進行多步推理； 6. 可以生成較完整的研究式報告； 7. 可以自動附上引用； 8. 有些系統還能使用多代理平行探索。 這些能力都是真實且有價值的工程進展。然而，從認識論角度看，它們主要回答的是： > 如何更有效率地取得、組織與綜合外部資訊？ 這與另一個問題並不相同： > 系統是否已經充分辨識自己所處的問題世界、尚未知的部分、錯誤分類的可能性、來源依賴關係、替代假說與反證條件，並能持續修正自身認識狀態？ 前者可概括為： $$ Q \rightarrow \operatorname{Plan} \rightarrow \operatorname{Retrieve} \rightarrow \operatorname{Synthesize} \rightarrow R $$ 其中 $Q$ 是使用者問題， $R$ 是研究式報告。 後者則至少需要： $$ W \rightarrow \operatorname{Observe} \rightarrow K \rightarrow \operatorname{DetectGap} \rightarrow \operatorname{Act} \rightarrow \operatorname{Challenge} \rightarrow \operatorname{Revise} $$ 兩條鏈可以共存，但不是同一條鏈。 本文的第一個核心立場是： $$ \boxed{ \text{Deep Research} \neq \text{Open-World Epistemic Research} } $$ 這不是貶低現有 Deep Research。更準確地說，現有 Deep Research 已經把「長時程資訊研究」做成可用產品；而本文要問的是：當研究目標從資訊整理進一步轉向未知結構發現、科學驗證、理論競爭、反證與持續世界模型修正時，原本的根節點是否需要改變？ --- # 2. 現有系統已經知道部分問題，但問題仍未閉合 將現有 Deep Research 描述成「完全不會質疑來源」並不準確。核心公司與研究社群已明確觀察到大量相關失敗模式。 OpenAI 在 Deep Research 的官方限制說明中公開承認，系統仍可能產生錯誤推論或虛構事實，可能難以區分權威資訊與傳聞，並存在信心校準問題。這證明「多來源、有引用、長推理」本身並不能消除認識可靠性問題。 Anthropic 對其多代理 Research 系統的工程回顧則揭露了另一層問題：代理可能重複搜尋、留下 knowledge gaps、使用不適當工具、在已取得足夠資訊後仍繼續搜尋，並曾偏好 SEO 最佳化的內容農場而非更權威的學術 PDF 或原始來源。Anthropic 同時觀察到，多代理研究系統的行為具有非決定性，必須依賴 tracing、human evaluation 與來源品質 heuristics 才能診斷。 2025 至 2026 年的 Deep Research 研究也逐步把問題從「會不會搜尋」推向「能不能可靠研究」。FINDER/DEFT 類工作指出，現有 Deep Research Agent 的主要困難之一在於證據整合、驗證與對推理擾動具有韌性的規劃。2026 年的 MisKnow-Agent 類研究更進一步顯示：即使某些誤導資訊可在單獨驗證時被辨識，放入長時程 Deep Research workflow 後，仍可能被系統吸收並導向錯誤結論。這表示局部 verifier 能力不必然轉化為整體研究流程的認識可靠性。 因此問題不是： > 核心公司是否知道 Deep Research 有錯誤？ 而是： > 已知的錯誤是否被形式化為研究 Runtime 的一級狀態、約束與算子？ 這兩者差異可以表示為： $$ \operatorname{Notice}(F) \neq \operatorname{Formalize}(F) \neq \operatorname{Algorithmize}(F) \neq \operatorname{RuntimeIntegrate}(F) $$ 其中 $F$ 是某個 failure mode。 這條差異鏈是本文後續系列的重要背景：現象被發現，不代表機制已被完整理解；機制被理解，不代表已轉成可執行演算法；演算法存在，也不代表產品架構已將它提升為核心不變量。 --- # 3. 「開了網路」仍不等於全面地把世界放進推理 對搜尋型 AI，最容易產生的直覺是： > 模型可以上網，所以模型已經不再被參數化知識限制。 這個直覺過強。 一個較精確的抽象是： $$ W \xrightarrow{\pi_Q} R \xrightarrow{\pi_S} E \xrightarrow{\pi_C} Z \xrightarrow{P_\theta} Y $$ 其中： - $W$：外部世界中實際存在的可取得資訊； - $\pi_Q$：查詢生成與探索策略； - $R$：搜尋系統實際召回的候選集合； - $\pi_S$：來源選擇、排名與過濾； - $E$：被保留下來的證據； - $\pi_C$：上下文壓縮、摘要與中間表示； - $Z$：真正進入推理的有限資訊狀態； - $P_\theta$：模型的參數化先驗與內部表徵； - $Y$：最後輸出。 因此，實際關係不是： $$ Y=f(W) $$ 而更接近： $$ Y = f\left( P_\theta, \pi_C( \pi_S( \pi_Q(W) )) \right) $$ 網路並沒有被「完整打開」。外部世界必須通過多層選擇、排名、壓縮與模型解讀才能進入推理。 這些 $\pi$ 不一定是錯誤的。任何有限計算都必須選擇、壓縮與分配注意力。真正的問題是： > 系統是否把這些投影本身視為可錯、可檢驗、可重開的認識操作？ 若沒有，系統可能把「我看見的世界」誤當成「世界」。 因此本文提出： $$ \boxed{ \text{Internet Access} \neq \text{Open-World Cognition} } $$ 以及： $$ \boxed{ \text{Retrieved World} \neq \text{World} } $$ --- # 4. 局部注意力收斂：研究越深，為什麼仍可能越錯？ 假設真實相關研究域為： $$ D^\ast = \{A,B,C,D,E,F,G,H\} $$ 但 Agent 依據 prompt、模型先驗與初始檢索，只形成： $$ D_0 = \{A,B,C\} $$ 接著它在 $D_0$ 中投入大量 token、搜尋、代理與引用，得到： $$ A_1,\ldots,A_{30}, B_1,\ldots,B_{20}, C_1,\ldots,C_{20} $$ 從文件數量看，研究似乎非常深入。 然而： $$ \operatorname{Depth}(D_0)\uparrow $$ 不推出： $$ \operatorname{Coverage}(D^\ast)\uparrow $$ 更嚴重的是，如果新增資料都強化原先分類，Agent 的主觀信心可能反而上升： $$ \operatorname{Depth}(D_0)\uparrow \Rightarrow P(D_0\approx D^\ast)\uparrow $$ 即使： $$ D_0\subsetneq D^\ast $$ 本文將這一類現象暫稱為 **Local Attention Convergence（局部注意力收斂）**。 其核心不是「資訊太少」，而是： $$ \boxed{ \text{More Evidence Inside the Wrong Subspace} \not\Rightarrow \text{Better Global Understanding} } $$ 這也是為什麼「多找一些資料」不能自動修復所有研究錯誤。若缺少的是一個尚未進入 ontology 的分類，則： $$ U_{\text{missing-category}} $$ 不能只用： $$ \operatorname{RetrieveMore}(D_0) $$ 解決。 此時真正需要的是： $$ \operatorname{ExpandOntology}(D_0) $$ 或： $$ \operatorname{SearchBoundary}(\partial D_0) $$ --- # 5. Deep Research 的兩種穩定失真：權威吸附與平衡收斂 在開放網路環境中，兩種看似相反的失真可以同時存在。 ## 5.1 權威吸附 若多數高排名來源、原始論文、公司公告與二手解讀都重複同一個敘事，Agent 很容易形成： $$ S_1,S_2,\ldots,S_n \Rightarrow H $$ 但來源數量不等於獨立證據根數。 若： $$ S_2\leftarrow S_1,\quad S_3\leftarrow S_1,\quad S_4\leftarrow S_2 $$ 則四個表面來源可能只有一個 epistemic root。 因此： $$ N_{\text{documents}} \neq N_{\text{independent evidence roots}} $$ 對新架構、新產品、新科學宣稱尤其如此。原始論文是理解作者主張的第一級來源，但「作者主張」本身仍不是「世界已被證明如此」。 應區分： $$ H_{\text{author}} $$ 與： $$ T_{\text{world}} $$ 即： $$ \boxed{ \text{Paper Claim} \neq \text{Settled Fact} } $$ ## 5.2 平衡收斂 當來源衝突時，生成式系統又可能傾向把衝突壓成： > 雙方各有理由，目前仍有爭議。 這種敘事在某些情況是正確的，但若不同證據的品質、獨立性與可重現性高度不對稱，單純「平衡呈現」會把真正需要比較的證據結構消掉。 因此： $$ \text{Narrative Balance} \neq \text{Epistemic Calibration} $$ 兩個 failure mode 的共同根源可能不是「太偏」或「太平衡」，而是系統主要在最佳化： $$ \text{Narrative Stability} $$ 而不是： $$ \text{Epistemic Falsifiability} $$ --- # 6. 科研模式為什麼不是「更嚴格的搜尋模式」？ 真正的科研不只需要更多資料，而需要主動問： > 什麼證據可以推翻我目前最喜歡的解釋？ 若當前假說為 $H$，一般搜尋可能最佳化： $$ \max_E P(H\mid E) $$ 但反證導向研究還要尋找： $$ E^\ast = \arg\max_E \Delta \left[ 1-P(H\mid E) \right] $$ 更一般地說，科研行動要比較不同操作的預期資訊增益： $$ a_t^\ast = \arg\max_{a\in\mathcal A_t} \frac{ \mathbb E[\Delta I_t\mid a] }{ C(a) } $$ 其中 $a$ 不只可以是搜尋，也可以是： - 查找反證； - 讀原始碼； - 執行消融實驗； - 重現 benchmark； - 比較版本； - 建立對照組； - 形式證明； - 模擬； - 實驗； - 主動測量； - 詢問缺失條件； - 暫停並標記未知。 因此： $$ \boxed{ \text{Search} \subset \text{Epistemic Action Space} } $$ 這是 Open-World Epistemic Research 與「更強搜尋器」的根本差別。 --- # 7. 從任務根節點改成世界根節點 大多數軟體與 Agent pipeline 從任務開始： $$ T \rightarrow \operatorname{Plan} \rightarrow \operatorname{Tool} \rightarrow \operatorname{Output} $$ 但開放世界研究存在一個更基礎的問題： > 執行任務之前，Agent 目前認為自己處在什麼世界？它能觀察什麼？哪些部分未知？有哪些可用的認識入口？哪些既有模型可能已經過時？ 因此本文提出一個暫定根層： $$ \boxed{ W_t } $$ 並把研究 Runtime 改寫為： $$ \boxed{ W_t \rightarrow O_t \rightarrow K_t \rightarrow G_t \rightarrow \Pi_t \rightarrow A_t \rightarrow E_t \rightarrow C_t \rightarrow K_{t+1} \rightarrow \operatorname{Closure/Reopen} } $$ 其中： ### $W_t$：World 不是「模型相信的世界」，而是 Agent 所指向的外部或形式實在。 ### $O_t$：Observation 由感測器、網路、文件、資料庫、程式執行、實驗、形式系統或人類回饋取得的觀察。 ### $K_t$：Epistemic State Agent 對世界目前可追溯的認識狀態，而不是單一自然語言摘要。 ### $G_t$：Gap 尚未閉合的資料缺口、分類缺口、機制缺口、衝突、未驗證主張與未知邊界。 ### $\Pi_t$：Research Strategy 下一輪應採取哪些認識方法與資源分配。 ### $A_t$：Epistemic Action 搜尋、讀取、比較、模擬、證明、實驗、測量、詢問、重現等認識操作。 ### $E_t$：Evidence 可回溯、具來源與條件的證據物件。 ### $C_t$：Challenge 反證、替代假說、矛盾解析、來源依賴檢查、負結果與失敗案例。 ### $K_{t+1}$：Revised Epistemic State 經過新證據與挑戰後的更新認識狀態。 ### Closure / Reopen 在指定範圍內暫時閉包，或因新證據、新來源、新世界狀態而重新打開研究。 此處的「World Root」不是本文要完整展開的全部理論。它在本系列兩篇番外中將另行討論：第一篇處理為何傳統演算法把世界前提隱式化；第二篇處理 World Root 與 World Model 的區別。 --- # 8. 世界、認識狀態、模型與報告必須分離 若不做分離，研究系統很容易把不同層級混成「答案」。 本文至少區分： $$ W \neq K_t \neq M_t \neq R_t $$ 其中： - $W$：世界； - $K_t$：當前認識狀態； - $M_t$：對世界的某個模型； - $R_t$：當前生成的報告或敘事。 因此： $$ R_t $$ 只是： $$ \operatorname{Render}(K_t,M_t,\text{audience}) $$ 而不是研究本身。 這帶來一個重要架構原則： $$ \boxed{ \text{Research State} \neq \text{Research Report} } $$ 如果報告是唯一 canonical artifact，則： - 來源與主張關係容易被壓縮； - 被排除假說可能消失； - 反證與負結果容易變成註腳； - 不同版本間難以局部更新； - 新證據進入後常需要重新生成全文； - 系統無法準確知道「究竟哪一部分仍未知」。 因此 Open-World Epistemic Research 更適合保留結構化中間狀態，再把報告視為投影。 --- # 9. 「未知」不是一種狀態 若 Agent 只有： $$ \{\text{known},\text{unknown}\} $$ 兩種認識狀態，就無法選擇正確研究方法。 本文暫定至少區分： $$ U = U_D \cup U_C \cup U_M \cup U_V \cup U_X \cup U_B $$ 其中： - $U_D$：Missing Data，缺資料； - $U_C$：Missing Category，缺分類； - $U_M$：Missing Mechanism，缺作用機制； - $U_V$：Unverified Claim，主張未驗證； - $U_X$：Conflict，證據或模型衝突； - $U_B$：Unknown Boundary，尚不清楚研究域邊界。 對不同未知，應使用不同算子： $$ U_D \rightarrow \operatorname{Retrieve} $$ $$ U_C \rightarrow \operatorname{OntologyExpand} $$ $$ U_M \rightarrow \operatorname{MechanismProbe} $$ $$ U_V \rightarrow \operatorname{Verify} $$ $$ U_X \rightarrow \operatorname{ResolveConflict} $$ $$ U_B \rightarrow \operatorname{BoundarySearch} $$ 這比「再搜尋一次」更精細，也是本系列後續 Paper 03 的主要展開方向。 --- # 10. 理解不是布林值：從「我懂了」到可展開認識狀態 研究代理還有另一個容易被自然語言掩蓋的問題：同一句「理解了」，可能代表完全不同的狀態。 例如： $$ K_0=\text{察覺現象} $$ $$ K_1=\text{找到關鍵關係} $$ $$ K_2=\text{形成可展開壓縮核} $$ $$ K_3=\text{可局部推導} $$ $$ K_4=\text{完成較廣域展開} $$ $$ K_5=\text{實證或形式驗證} $$ $$ K_6=\text{確認適用域} $$ $$ K_7=\text{與替代解比較} $$ 因此： $$ K_2 \neq K_7 $$ 「啊哈」事件可以是真實資訊增益，但不等於閉包。 本文將這類事件暫稱為 **Candidate Compression Kernel Formation**： $$ H_c = \text{candidate compression hypothesis} $$ 其後仍需： $$ H_c \rightarrow \operatorname{Expand}(H_c) \rightarrow \operatorname{Test}(H_c) \rightarrow \operatorname{Compare}(H_c,H_1,\ldots,H_n) $$ 這一點對人類研究與 AI 研究同樣重要。後續 Paper 04 與 Paper 05 將分別處理 Understanding-State Calculus 與 Aha / Compression Kernel。 --- # 11. 內部權重不是消失，而是成為另一個需要校準的先驗 搜尋增強 AI 並不是把參數模型替換成外部世界。 更準確地說： $$ P_\theta + R(W) \rightarrow Y $$ 其中 $P_\theta$ 仍然參與： - query 生成； - 來源選擇； - relevance 判定； - 摘要； - 因果解釋； - 缺口補全； - 最終敘事。 因此，如果 $P_\theta$ 具有： - 過期知識； - 錯誤分類； - 過強的 latent association； - 不存在但語義平滑的幻覺路徑； - 對某一類來源的偏好； 那麼外部證據仍可能被錯誤吸收。 這不是主張「模型權重無用」。相反，沒有先驗就不可能高效率理解世界。問題在於： $$ \boxed{ \text{Prior} \neq \text{Ground Truth} } $$ 因此應讓系統能追蹤： $$ \operatorname{Origin}(c) \in \{ \text{retrieved}, \text{parametric}, \text{inferred}, \text{simulated}, \text{measured}, \text{proved} \} $$ 其中 $c$ 是某一主張。 這樣才能避免： > 外部搜尋找不到，但模型「好像記得」，於是最終報告把兩者融合成一個沒有來源差異的句子。 --- # 12. 從 Evidence Collection 到 Evidence Challenge 研究系統不能只問： > 有多少來源支持 $H$？ 還應問： 1. 來源是否獨立？ 2. 來源是否只是重述同一原始主張？ 3. 是否存在更強的反證？ 4. 是否存在未控制的混雜變量？ 5. 是否有更簡單的替代解釋？ 6. 結論是否只在特定條件下成立？ 7. 是否存在 negative result？ 8. 是否可重現？ 9. benchmark 是否真的測量宣稱的能力？ 10. 若作者主張被移除，原始資料是否仍支持同樣結論？ 因此對一個 claim $c$，最低限度不應只保存： $$ \operatorname{support}(c) $$ 而應保存： $$ \mathcal E(c) = ( E^+, E^-, A, D, V, U ) $$ 其中： - $E^+$：支持證據； - $E^-$：反對證據； - $A$：assumptions； - $D$：dependency / provenance； - $V$：validation state； - $U$：uncertainty / unresolved gaps。 這延續了 VRCA 的 evidence-first 思路，但把「挑戰證據」提升成 Runtime 中的主動算子。 --- # 13. Search Method 不應等同 Provider EveMissLab 先前的 Omphalos/AUSI Position Paper 已經提出： $$ \text{Search Method} \neq \text{Provider} \neq \text{Surface} \neq \text{Adapter} \neq \text{Credential} $$ 這個分離仍然保留。 例如： - Counter-Evidence Search 是方法； - Google、Brave、Grok 或學術資料庫是 provider； - Browser、API、MCP 是 surface / access channel； - 具體 query translation 是 adapter。 本文進一步把這個架構再上移一層： $$ \boxed{ \text{World} \succ \text{Epistemic Gap} \succ \text{Research Method} \succ \text{Provider} } $$ 也就是： > 不應先問「用哪個搜尋引擎」，甚至不應先問「用哪個搜尋法」；應先問「目前對世界的哪一部分不知道，這是哪一類未知，應採取什麼認識行動」。 因此早期 Omphalos 的： $$ \text{Task} \rightarrow \text{Search Strategy} \rightarrow \text{Search Method} \rightarrow \text{Provider} \rightarrow \text{Evidence} \rightarrow \text{Gap} \rightarrow \text{Replan} $$ 可以被最新方向重新嵌入： $$ \text{World} \rightarrow \text{Epistemic State} \rightarrow \text{Gap} \rightarrow \text{Method} \rightarrow \text{Access} \rightarrow \text{Observation} \rightarrow \text{Evidence} \rightarrow \text{World-State Revision} $$ 這不是否定舊架構，而是 architecture root 再向上移動。 --- # 14. 與 DRC、GIPSS、GIPE、VRCA 的關係 本文不是從零開始，而是對既有研究線做一次重新定位。 ## 14.1 DRC Search DRC 將搜尋表示為發散、共振、壓縮循環： $$ D \rightarrow R \rightarrow C \rightarrow D' $$ 它提供的是： > 如何避免單一 query 的線性收斂，並把新發現重新轉成下一輪可執行搜尋狀態。 在本文中，DRC 可被視為 Research Strategy / Exploration Control 的一種 operator family。 ## 14.2 GIPSS GIPSS 將未知目標描述為欲結構，並以多維相位、跨平台痕跡、矛盾與證據回溯尋找「尚未知道名稱的存在」。 它已明確區分： $$ \neg\operatorname{Found}(x) $$ 與： $$ \neg\operatorname{Exists}(x) $$ 這是 Open-World Epistemic Research 的直接前史之一。 ## 14.3 GIPE GIPE 已提出： > 搜尋只是認識活動中的一種低成本觀測行為。 並把生成、模擬、實驗、驗證、反證與世界模型更新納入同一認識循環。 本文延續 GIPE，但進一步提出：最新 Omphalos 的 root 應從「任務／搜尋方法」提升到「世界／認識狀態」。 ## 14.4 VRCA VRCA 將研究視為可驗證的編譯活動，保存： - 問題空間； - 來源狀態； - 證據單元； - 論證關係； - provenance； - 多解析度視圖。 本文把 VRCA 的核心原則擴展為： $$ \boxed{ \text{Research Intermediate Representation} } $$ 應成為 Open-World Epistemic Runtime 的 canonical state，而自然語言報告只是其中一種 rendering。 --- # 15. 從「研究報告生成器」到「認識狀態機」 若把 Deep Research 的核心產物定義為： $$ R=\text{Report} $$ 則最佳化自然集中在： - 完整度； - 可讀性； - 引用品質； - 來源數量； - 事實正確率； - 時間與 token 成本。 但若核心產物改成： $$ S_t=\text{Epistemic State} $$ 則需要新增： - 已知節點； - 未知節點； - 未驗證主張； - 替代假說； - 反證； - 來源依賴； - 時間版本； - 適用條件； - 可觀察性； - 邊界； - closure status。 可寫成： $$ S_t = ( V_t, E_t, H_t, U_t, C_t, P_t, B_t ) $$ 其中： - $V_t$：knowledge / claim nodes； - $E_t$：evidence relations； - $H_t$：hypotheses； - $U_t$：unknowns； - $C_t$：constraints / conflicts； - $P_t$：provenance； - $B_t$：boundaries / closure state。 下一輪研究不是重新「寫一份更完整報告」，而是： $$ S_{t+1} = \operatorname{Update}(S_t,\Delta E_t,\Delta C_t) $$ 這是本文認為真正值得發展的 Research Runtime 方向。 --- # 16. Open-World Epistemic Research Runtime：最小架構 本文提出以下最小模組集合，作為後續實作與消融實驗起點。 ## 16.1 World Registry 保存 Agent 所指向的世界範圍、版本、可觀察區域與資料時效。 ## 16.2 Observation Registry 記錄： - Web； - API； - database； - file； - code execution； - sensor； - human input； - experiment； - formal proof system。 Observation 不是直接等於 Evidence。 $$ \boxed{ O \neq E } $$ ## 16.3 Epistemic State Store 保存已知、未知、假說、證據、矛盾、信心與適用域。 ## 16.4 Gap Engine 把「不知道」分類，而不是只產生更多 query。 ## 16.5 Method Runtime 將 search、comparison、falsification、replication、simulation、proof、experiment 等方法型別化。 ## 16.6 Access Binding 將方法綁定到： - provider； - browser； - API； - local data； - external software； - laboratory / simulator。 ## 16.7 Evidence Runtime 把取得的 observation 編譯成可追溯 Evidence Object。 ## 16.8 Challenge Runtime 主動生成： - counter-hypothesis； - counter-evidence query； - source dependency audit； - contradiction test； - negative control； - boundary condition probe。 ## 16.9 Closure Engine 不判斷「宇宙真理已完成」，只判斷： $$ \operatorname{Closure}(S_t\mid D,\epsilon,C) $$ 即在指定 domain $D$ 、容許誤差 $\epsilon$ 與約束 $C$ 下，是否已達可接受的暫時閉包。 ## 16.10 Reopen Engine 新資料、新版本、新反證或世界變動可以觸發： $$ \operatorname{Reopen}(S_t) $$ 使舊結論不會因「曾經完成報告」而永久凍結。 --- # 17. 為什麼這不只是「讓模型更批判」？ 一個常見解法是直接提示： > Be critical. Consider alternative viewpoints. Verify sources. 這有用，但不等同於架構化解法。 Prompt 只能鼓勵模型想到： $$ \text{counterexample} $$ 而 Runtime 可以要求： $$ \operatorname{CounterexampleState} $$ 必須被處理。 Prompt 可以說： > 考慮未知。 Runtime 則可以保存： $$ U_C $$ 並禁止在 $U_C$ 尚未降到指定門檻時宣告 ontology closure。 Prompt 可以說： > 使用高品質來源。 Runtime 則可以記錄： $$ \operatorname{SourceRoot}(s_i) $$ 並對來源依賴去重。 因此： $$ \boxed{ \text{Good Instruction} \neq \text{Epistemic Invariant} } $$ 本文真正主張的是：把部分「好好研究」的自然語言要求，轉成可檢查的狀態、約束與算子。 --- # 18. 最小認識不變量 本文提出以下候選不變量，後續應以實驗驗證是否值得保留。 ## Invariant 1 — World / Model Separation $$ W \neq M_t $$ Agent 不得把當前世界模型等同於世界本身。 ## Invariant 2 — Retrieval / Verification Separation $$ \operatorname{Retrieved}(c) \neq \operatorname{Verified}(c) $$ 被找到不等於被證實。 ## Invariant 3 — Claim / Source Separation 來源存在不等於來源支持目前 claim。 ## Invariant 4 — Document Count / Evidence Independence Separation $$ N_{\text{documents}} \neq N_{\text{independent roots}} $$ ## Invariant 5 — Aha / Closure Separation $$ \operatorname{CompressionKernel} \neq \operatorname{Closure} $$ ## Invariant 6 — Report / Research State Separation $$ R_t \neq S_t $$ ## Invariant 7 — Search Failure / Nonexistence Separation $$ \neg\operatorname{Found}(x) \nRightarrow \neg\operatorname{Exists}(x) $$ ## Invariant 8 — Institutional Knowledge / Product Embodiment Separation $$ K_{\text{person}} \neq K_{\text{team}} \neq K_{\text{organization}} \neq K_{\text{product}} $$ 此項將在後續 Institutional Epistemology 論文展開。 --- # 19. 可證偽命題 本文不把上述架構視為已證成理論。以下提出可測命題。 ## Proposition 1 — Gap Typing Hypothesis 具有 typed gap state 的研究 Agent，應比只使用「需要更多資訊」單一狀態的 Agent 更能選擇適當研究方法。 ## Proposition 2 — Boundary Search Hypothesis 在存在未命名分類的任務中，加入 ontology / boundary expansion 的 Agent 應比單純 iterative retrieval Agent 有更高未知類型召回率。 ## Proposition 3 — Evidence-Root Hypothesis 對來源做 provenance root resolution，應降低多篇二手來源造成的虛假信心增益。 ## Proposition 4 — Counter-Evidence Runtime Hypothesis 把反證搜尋設為顯式 operator，而不是 prompt 建議，應降低在 misleading-but-plausible knowledge 下的錯誤結論採納率。 ## Proposition 5 — Parametric-Origin Tracking Hypothesis 顯式區分 parametric claim、retrieved claim 與 inferred claim，應降低無來源內部知識被誤呈現為外部證據的比例。 ## Proposition 6 — State-First Research Hypothesis 以 epistemic state 為 canonical artifact 的 Agent，在新證據加入後應比 report-first Agent 具有更低的更新成本與更低的 semantic drift。 ## Proposition 7 — World-Rooted Replanning Hypothesis 當世界資料來源、版本或可觀察性發生變動時，world-rooted Agent 應比固定 tool/task pipeline 更能重新發現新的有效 access path。 ## Proposition 8 — Closure/Reopen Hypothesis 具有 explicit closure/reopen 機制的系統應較不容易把一次性報告結論永久固化成後續研究前提。 --- # 20. Benchmark 設計 若只測： - 是否回答正確； - 是否引用； - 是否完整； 仍不足以評估本文主張。 應建立至少六類測試。 ## 20.1 Misleading Authority Test 提供： - 官方宣稱； - 多篇轉述； - 少量高品質反證； - 模糊 benchmark。 觀察 Agent 是否只累積來源數量，或能解析來源依賴與反證。 ## 20.2 Missing Category Test 問題的正確解需要一個 prompt 未明示、初始 ontology 不包含的分類。 測量： $$ \operatorname{OntologyExpansionRecall} $$ ## 20.3 Search-Failure / Nonexistence Test 故意讓目標存在但難以索引，檢查 Agent 是否把： $$ \neg\operatorname{Found} $$ 誤判成： $$ \neg\operatorname{Exists} $$ ## 20.4 Stale Parametric Prior Test 讓模型內部常識與最新外部資料衝突，測量是否能正確更新。 ## 20.5 Conflicting Model Test 提供多個可解釋相同現象的候選模型，要求 Agent 主動設計區分性測試，而非只寫「仍有爭議」。 ## 20.6 Reopen Test 先讓 Agent 對某一 domain 達到閉包，再加入能推翻核心假設的新證據，測量是否能重新打開既有研究狀態。 --- # 21. 評估指標 本文提出一組候選指標。 ## 21.1 Domain Coverage $$ C_D = \frac{ |\hat D\cap D^\ast| }{ |D^\ast| } $$ 在可構造 ground truth 的封閉測試世界中評估。 ## 21.2 Independent Evidence Coverage $$ C_E = \frac{ N_{\text{independent verified roots}} }{ N_{\text{relevant independent roots}} } $$ ## 21.3 Gap Reduction $$ \Delta G_t = G_t-G_{t+1} $$ 但需依 gap type 加權。 ## 21.4 Counter-Evidence Sensitivity $$ S_{CE} = P( \text{revision} \mid E^- ) $$ ## 21.5 False Closure Rate $$ FCR = P( \operatorname{Closure} \mid \text{critical unresolved gap exists} ) $$ ## 21.6 Reopen Responsiveness $$ RR = P( \operatorname{Reopen} \mid \text{material contradictory evidence} ) $$ ## 21.7 Source Independence Calibration 比較 Agent 的信心增益與真正獨立來源數量之間是否一致。 ## 21.8 Research Update Cost $$ C_{\text{update}} $$ 測量新證據加入後需要重新計算、重新搜尋與重新生成的成本。 --- # 22. 系統真正最佳化的目標函數需要改變 傳統 Deep Research 可能隱含最佳化： $$ J_{\text{DR}} = \alpha R + \beta C + \gamma S + \delta Q - \lambda L $$ 其中： - $R$：relevance； - $C$：citation quality； - $S$：synthesis quality； - $Q$：answer completeness； - $L$：latency / cost。 Open-World Epistemic Research 則可考慮： $$ J_{\text{OWER}} = w_1 C_D + w_2 C_E + w_3 \Delta G + w_4 F + w_5 U + w_6 R_v - w_7 FCR - w_8 C_{\text{cost}} $$ 其中： - $C_D$：domain coverage； - $C_E$：independent evidence coverage； - $\Delta G$：gap reduction； - $F$：falsification quality； - $U$：uncertainty calibration； - $R_v$：revisability； - $FCR$：false closure rate； - $C_{\text{cost}}$：time/token/compute/action cost。 本文不主張此式已是唯一正確 objective。其用途是指出： $$ \boxed{ \text{What We Optimize} \rightarrow \text{What Kind of Research Agent We Get} } $$ --- # 23. 成本與組合爆炸：為什麼不能「全面搜尋一切」？ 開放世界研究若無限制展開： $$ D_0 \rightarrow D_1 \rightarrow D_2 \rightarrow \cdots $$ 每一輪又產生 $k$ 個新方向，最壞情況可呈： $$ |D_n| \sim k^n $$ 因此本文不是主張「把整個網路全部讀完」。 真正需要的是： 1. 讓系統知道自己做了哪些投影； 2. 顯式保存尚未探索的邊界； 3. 依資訊增益分配研究預算； 4. 對高影響未知優先展開； 5. 允許暫時閉包； 6. 保留日後重新打開的條件。 因此： $$ \boxed{ \text{Open-World} \neq \text{Exhaustive World} } $$ Open-World 指的是： > 系統不把當前可見集合誤當成封閉宇宙，並保留擴張認識空間的能力。 --- # 24. 認識閉包不是完備真理 本文使用 Closure，不表示宣稱： $$ K_t=W $$ 更合理的是： $$ \operatorname{Closure} ( K_t \mid D, C, \epsilon, \tau ) $$ 其中： - $D$：指定研究域； - $C$：約束與研究目的； - $\epsilon$：可接受不確定度； - $\tau$：時間／版本狀態。 因此 Closure 是： > 在目前 domain、條件、證據與成本下，沒有足以改變決策或核心結論的已知未閉合缺口。 一旦： $$ W_t \rightarrow W_{t+1} $$ 或： $$ E_{\text{new}} $$ 出現，系統可： $$ \operatorname{Reopen} $$ 這與「報告完成」是完全不同的語義。 --- # 25. 研究能力應當累積的不只是答案 長時程研究的另一個浪費是：每次只留下報告，下次又從零開始。 既有 Research Trajectory Compression 思路可以與本文結合： $$ \text{Research} \rightarrow (K,\Omega) $$ 其中： - $K$：學到的知識； - $\Omega$：學到的研究技能／Research Options。 本文再加入： $$ C $$ 表示可重新展開的 compression kernel，以及： $$ G $$ 表示仍未閉合的 gaps。 因此 Research Capital 可以暫定為： $$ \mathcal C_R = ( K, C, \Omega, E, G, H ) $$ 其中： - $K$：knowledge； - $C$：compression kernels； - $\Omega$：research methods / options； - $E$：evidence； - $G$：gaps； - $H$：history / provenance。 這表示即使： $$ M_1 \rightarrow M_2 $$ 底層模型更換，研究組織仍可保留可累積的非參數化認識資產。 --- # 26. 本文不主張什麼 為避免把普通常識重新包裝成新理論，本文明確排除以下強主張。 ## 26.1 不主張「搜尋要驗證來源」是新發現 這是既有資訊科學、科學方法與新聞查核中的常識。 ## 26.2 不主張「科學需要反證」是新發現 Popper 及更廣泛科學方法論早已討論。 ## 26.3 不主張「世界模型」是本文發明 World Model 在控制、強化學習、認知科學與生成模型中已有大量文獻。 ## 26.4 不主張「人類先感知世界」是新哲學 認識論、現象學、具身認知與知覺研究已長期討論。 ## 26.5 本文真正提出的問題 本文真正主張值得研究的是： $$ \boxed{ \text{當 AI 從封閉任務求解器走向開放世界 Agent 時，} } $$ $$ \boxed{ \text{過去可由人類設計者隱式提供的世界前提，是否必須被重新顯式化為 Runtime 的一級計算對象？} } $$ 以及： > 能否把「好好研究」中的一部分隱式認知操作，編譯成可追蹤的狀態、約束、方法與閉包規則？ --- # 27. 系列結構 本文作為 Paper 00，只建立總問題與共同語言。 後續主系列暫定如下： ### Paper 01 — The Internet-Access Illusion 開網路不等於讓世界成為推理空間；分析 projection、ranking、filtering、compression 與 parametric prior。 ### Paper 02 — Local Attention Convergence and Global Epistemic Distortion 研究為何可能在局部越深、全域越失真。 ### Paper 03 — Unknown Is Not One Thing 建立 typed unknown / gap taxonomy。 ### Paper 04 — Understanding-State Calculus 把「知道／理解」從 Boolean 改成多階段狀態與轉換。 ### Paper 05 — Aha as Compression Kernel Formation 討論頓悟、壓縮核、展開、實證與閉包。 ### Paper 06 — Institutional Epistemic Compression 區分個人、團隊、組織、演算法與產品層級的「知道」。 ### Paper 07 — The Formalization Gap 研究： $$ \text{Phenomenon} \rightarrow \text{Concept} \rightarrow \text{Formal Object} \rightarrow \text{Operator} \rightarrow \text{Algorithm} \rightarrow \text{Runtime} \rightarrow \text{Evaluation} \rightarrow \text{Product} $$ 之間的非必然轉換。 ### Paper 08 — Search as an Epistemic Operator Runtime 把 Omphalos/AUSI、DRC、GIPSS 放入更完整的認識 Runtime。 ### Paper 09 — Epistemic Closure Runtime 統一 Evidence、Counter-Evidence、Gap、Frontier、Closure、Reopen 與 Research Capital。 另保留兩篇番外： ### EX-A — The Missing Epistemic Root Conjecture 為什麼人類似乎自然地先認識世界，而傳統演算法把世界前提編譯成隱式條件？ ### EX-B — A World Model Is Not a World Root 討論： $$ W \neq K \neq M \neq S $$ 即世界、認識狀態、世界模型與模擬世界的區別。 --- # 28. 核心命題總結 本文的主要命題可濃縮為以下十二條。 ## 命題一 $$ \boxed{ \text{Deep Research} \neq \text{Scientific Research} } $$ ## 命題二 $$ \boxed{ \text{Internet Access} \neq \text{Open-World Cognition} } $$ ## 命題三 $$ \boxed{ \text{Depth} \neq \text{Completeness} } $$ ## 命題四 $$ \boxed{ \text{Retrieved} \neq \text{Verified} } $$ ## 命題五 $$ \boxed{ N_{\text{documents}} \neq N_{\text{independent evidence roots}} } $$ ## 命題六 $$ \boxed{ \text{Unknown} \neq \text{One State} } $$ ## 命題七 $$ \boxed{ \text{Aha} \neq \text{Closure} } $$ ## 命題八 $$ \boxed{ \text{Research Report} \neq \text{Research State} } $$ ## 命題九 $$ \boxed{ \text{Search} \subset \text{Epistemic Action Space} } $$ ## 命題十 $$ \boxed{ \text{World} \succ \text{Gap} \succ \text{Method} \succ \text{Provider} } $$ ## 命題十一 $$ \boxed{ \text{Good Instruction} \neq \text{Epistemic Invariant} } $$ ## 命題十二 $$ \boxed{ \text{Open-World} \neq \text{Exhaustive World} } $$ --- # 29. 結論 Deep Research 已經證明，大型語言模型可以把長時程搜尋、工具使用、多來源整理與研究式報告生成整合為實用產品。但當問題從「幫我找到並整理世界上的資訊」移向「幫我認識一個尚未被充分分類、驗證與理解的世界」時，單純增加搜尋深度、來源數量、token、代理數與引用品質並不足以保證研究可靠性。 本文提出的轉向不是： > 再做一個更大的搜尋 Agent。 而是： > 把研究重新視為一個持續更新的認識狀態機。 其最小形式為： $$ \boxed{ W_t \rightarrow O_t \rightarrow K_t \rightarrow G_t \rightarrow \Pi_t \rightarrow A_t \rightarrow E_t \rightarrow C_t \rightarrow K_{t+1} \rightarrow \operatorname{Closure/Reopen} } $$ 在此框架下： - 搜尋是認識行動，不是研究本體； - 網路是觀察入口，不是世界本身； - 報告是研究狀態的 rendering，不是 canonical research state； - 反證不是附加的批判語氣，而是可調度方法； - 未知不是單一空白，而是需要型別化處理的狀態； - closure 不是永久真理，而是指定域內可重開的暫時閉包； - 世界模型不是世界；模型只是對世界的一種可修訂表示； - 研究能力應累積知識，也應累積方法、證據、缺口與可重新展開的壓縮核。 如果這個方向成立，下一代 Research Agent 的核心問題將不再只是： > 它能搜尋多少？ 而會變成： $$ \boxed{ \text{它能否知道自己目前是如何認識世界、哪裡還沒認識到，以及什麼證據足以迫使它改變？} } $$ 這正是 Open-World Epistemic Research 所要研究的對象。 --- # References ## Public references 1. OpenAI. **Introducing deep research.** 2025. https://openai.com/index/introducing-deep-research/ 2. Anthropic. **How we built our multi-agent research system.** 2025-06-13. https://www.anthropic.com/engineering/multi-agent-research-system 3. Zhang, D., et al. **How Far Are We from Genuinely Useful Deep Research Agents?** arXiv:2512.01948, 2025. https://arxiv.org/abs/2512.01948 4. Yuan, Y., Wang, X., & Lei, S. **Towards Trustworthy Report Generation: A Deep Research Agent with Progressive Confidence Estimation and Calibration.** arXiv:2604.05952, 2026. https://arxiv.org/abs/2604.05952 5. Dong, Y., et al. **S1-DeepResearch: Beyond Search, Toward Real-World Long-Horizon Research Agents.** arXiv:2606.15367, 2026. https://arxiv.org/abs/2606.15367 6. Zhu, P., Li, L., Yang, L., & Su, S. **Is Deep Research Reliable? Misleading Knowledge Induces False Conclusions.** arXiv:2607.20891, 2026. https://arxiv.org/abs/2607.20891 ## EveMissLab internal antecedents 7. Neo.K × GPT-5.6 Thinking. **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. Neo.K × GPT-5.6 Thinking. **全域欲相位語義搜尋法 GIPSS v0.2：DRC 發散—共振—壓縮循環與 SGCD 動態語義圖的統一架構.** 2026-07-24. 9. Neo.K × GPT-5.6 Thinking. **全域欲相位認識論 v0.1：從語義搜尋、動態世界模型到主動科學介入的統一架構.** 2026-07-24. 10. Neo.K × GPT-5.6 Thinking. **從資訊檢索到研究編譯：可驗證研究編譯架構的理論模型（VRCA）v0.1.** 2026-07-20. 11. Neo.K × GPT-5.6 Thinking. **Omphalos Position Paper v0.1：從搜尋 API 到 AI 原生搜尋方法 Runtime.** 2026-09-02. 12. EveMissLab internal research line. **Research Trajectory Compression / Research Capital / Local Information Deconstruction Efficiency.** 2026. --- # Appendix A — Minimal Epistemic State Schema ```yaml epistemic_state: world: scope: version: time: observability: access_surfaces: [] claims: - id: statement: status: valid_scope: origin: confidence: hypotheses: - id: statement: alternatives: [] discriminating_tests: [] evidence: - id: source: provenance_root: supports: [] challenges: [] conditions: [] verification_state: unknowns: - id: type: description: impact: candidate_methods: [] constraints: - id: type: expression: boundaries: known_scope: unexplored_frontiers: [] closure: status: domain: tolerance: unresolved_critical_gaps: [] reopen_triggers: [] ``` --- # Appendix B — Minimal Runtime Loop ```text WORLD ↓ OBSERVE ↓ EPISTEMIC STATE ↓ TYPE GAPS ↓ SELECT RESEARCH METHOD ↓ BIND ACCESS / PROVIDER ↓ EXECUTE ↓ NORMALIZE OBSERVATION ↓ BUILD EVIDENCE ↓ CHALLENGE / FALSIFY / COMPARE ↓ UPDATE STATE ↓ CLOSE OR REOPEN ↺ ``` --- # Appendix C — 一句話版本 > **Deep Research 讓 AI 更會找資料與寫研究報告；Open-World Epistemic Research 要研究的，是如何讓 AI 把世界、未知、證據、反證、修正與暫時閉包本身變成可計算的研究狀態。**