--- title: "網路存取幻覺：為什麼開網路不等於開放世界認知" english_title: "The Internet-Access Illusion: Why Web Access Does Not Produce Open-World Cognition" series: "Open-World Epistemic Research" paper: "01" 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" --- # 01｜網路存取幻覺 ## ——為什麼開網路不等於開放世界認知 **English Title:** *The Internet-Access Illusion: Why Web Access Does Not Produce Open-World Cognition* **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 當代大型語言模型逐步獲得搜尋引擎、瀏覽器、MCP、企業資料源、程式執行與多模態工具後，「AI 已經可以上網」常被直覺地理解為「AI 現在可以根據世界本身進行推理」。本文主張，這兩者之間仍存在重要斷裂。網路存取並不是把世界直接交給模型，而是把世界經由可觀察性、資料公開性、索引、查詢生成、搜尋排序、工具政策、結果過濾、內容擷取、上下文壓縮與模型參數先驗等多個投影算子後，形成一個有限且任務條件化的觀察切片。模型實際推理的對象通常不是世界 $W_t$，而是世界經多層投影後形成的可見認識切片 $O_t$。 本文將這種錯置稱為 **Internet-Access Illusion（網路存取幻覺）**：系統因具有網路搜尋能力，而被誤認為已具有開放世界認知能力。本文提出一個多層投影模型： $$ W_t \xrightarrow{\Pi_A} W_t^{A} \xrightarrow{\Pi_I} W_t^{I} \xrightarrow{\Pi_Q} R_t \xrightarrow{\Pi_R} R_t^{rank} \xrightarrow{\Pi_F} R_t^{filter} \xrightarrow{\Pi_C} Z_t \xrightarrow{P_\theta} K_{t+1} $$ 其中， $\Pi_A$ 表示可存取性投影， $\Pi_I$ 表示索引投影， $\Pi_Q$ 表示查詢生成投影， $\Pi_R$ 表示排序投影， $\Pi_F$ 表示工具或模型的過濾投影， $\Pi_C$ 表示上下文壓縮投影，而 $P_\theta$ 表示模型以既有參數知識、概念分類與推理偏好吸收外部資訊的過程。 由此可見，即使 AI 搜尋數百個來源，仍可能只是在同一個不完整問題子空間中增加局部證據密度。搜尋更深不必然擴大世界覆蓋；來源更多不必然增加獨立證據根；即時資訊不必然覆寫過期參數先驗；動態過濾提高 token 效率，也可能在錯誤 ontology 下提前丟棄反例。真正的開放世界研究系統因此不能只記錄「搜到了什麼」，還必須顯式記錄「透過什麼存取面觀察世界」、「哪些投影已經發生」、「哪些世界區域仍不可見」、「哪些分類從未生成查詢」，以及「哪些反例可能在過濾之前被排除」。 本文進一步區分 **Internet Access**、**Web Grounding**、**Interleaved Web Reasoning** 與 **Open-World Epistemic Cognition** 四個層級，提出 Bounded Observable World、Projection Ledger、Access-Surface Coverage、Ontology Expansion、Counter-Projection Search 與 Reopen Trigger 等候選機制，並設計可證偽 benchmark。本文不是主張應窮盡整個網路，而是提出一個更有限且可工程化的要求：AI 必須知道自己看見的不是世界全部，並能把「目前如何看見世界」本身變成可檢查、可修改的認識狀態。 **關鍵詞：** Internet Access Illusion、Open-World Cognition、Deep Research、Web Search、Retrieval-Augmented Generation、Epistemic Projection、Bounded Observable World、Search Bias、Parametric Knowledge、Evidence、Omphalos、AUSI、World Root --- # 0. 本文在系列中的位置 Paper 00 已提出：Deep Research 的能力不能只用「搜尋更多、時間更久、報告更完整」理解。若研究 Agent 的目標是認識開放世界，則研究過程應至少保留世界、觀察、認識狀態、未知、證據、反證、閉包與重新開啟等狀態。 Paper 01 將只集中處理其中一個最容易被忽略的問題： > **AI 可以上網，是否就表示 AI 已經把世界納入推理？** 本文回答：不必然。 更精確地說： $$ \boxed{ \text{Internet Access} \neq \text{Open-World Cognition} } $$ 本文所批判的不是 Web Search、RAG 或 Deep Research 的價值。相反，這些技術是開放世界認知的重要觀察通道。問題在於： $$ \boxed{ \text{Observation Channel} \neq \text{World Itself} } $$ 如果系統把通道輸出誤認為世界本身，就會產生一種新的認識收斂錯覺。 --- # 1. 四個常被混在一起的層級 本文先區分四個不同能力。 ## 1.1 Internet Access 系統具有可呼叫的網路搜尋、瀏覽器或 API。 形式上： $$ A_{web}=1 $$ 這只代表某個外部存取通道存在。 ## 1.2 Web Grounding 系統可以用搜尋結果、網頁內容或外部文件來支持輸出，並附上引用。 $$ Y = f(P_\theta,R_t) $$ 其中 $R_t$ 為取回的外部資料。 ## 1.3 Interleaved Web Reasoning 模型可在推理過程中反覆： ```text reason -> search -> inspect -> revise query -> search again -> synthesize ``` 這比單次 RAG 更接近研究，但仍可能只在既有問題分類裡反覆展開。 ## 1.4 Open-World Epistemic Cognition 系統不只可以搜尋，而能顯式追蹤： - 自己目前對世界的觀察範圍； - 尚未觀察的區域； - 可能漏掉的分類； - 來源之間的依賴； - 當前模型與新證據的衝突； - 目前 closure 所依賴的時間、資料與條件； - 何時應因世界變動或反例出現而重新打開研究。 可寫成： $$ \mathcal E_t = ( W_t^{obs}, K_t, G_t, B_t, E_t, H_t ) $$ 其中： - $W_t^{obs}$：目前可觀察世界； - $K_t$：當前認識狀態； - $G_t$：未知與缺口； - $B_t$：可觀察邊界； - $E_t$：證據； - $H_t$：存取與研究歷史。 這一層才是本文所稱的開放世界認知。 --- # 2. 網路不是世界 最基本但最容易被工程流程隱藏的一點是： $$ \boxed{ Web_t \subsetneq W_t } $$ 世界中大量狀態從來不在公開 Web 上，例如： - 尚未被測量的物理狀態； - 未公開實驗； - 私有資料庫； - 企業內部知識； - 尚未數位化的資料； - 受授權限制的內容； - 動態 UI 中尚未展開的狀態； - API 才能取得的機器狀態； - 本地裝置、檔案與感測器； - 新產生但未被索引的頁面； - 已存在但沒有被任何人命名的結構； - 必須透過實驗、程式執行或形式證明才能產生的新證據。 因此即使系統具有「全 Web Search」，它也只取得： $$ W_t^{web} \subsetneq W_t $$ 更重要的是，它通常連整個 $W_t^{web}$ 都沒有直接看見。 --- # 3. 從世界到模型上下文：多層投影鏈 一個實際研究 Agent 通常經歷以下轉換： $$ W_t \xrightarrow{\Pi_A} W_t^{A} \xrightarrow{\Pi_I} W_t^{I} \xrightarrow{\Pi_Q} R_t \xrightarrow{\Pi_R} R_t^{rank} \xrightarrow{\Pi_F} R_t^{filter} \xrightarrow{\Pi_X} X_t \xrightarrow{\Pi_C} Z_t \xrightarrow{P_\theta} K_{t+1} $$ 其中： - $\Pi_A$：Access Projection，可否被目前工具、權限、網路與 policy 存取； - $\Pi_I$：Index Projection，是否被搜尋引擎、資料庫或目錄納入； - $\Pi_Q$：Query Projection，模型實際生成了哪些查詢； - $\Pi_R$：Ranking Projection，哪些結果被排到 Agent 可見範圍； - $\Pi_F$：Filtering Projection，哪些內容被工具或模型判為相關； - $\Pi_X$：Extraction Projection，頁面中哪些片段被擷取； - $\Pi_C$：Context Projection，哪些內容被摘要、壓縮或保留； - $P_\theta$：Parametric Interpretation，模型如何用自身參數結構解讀這些內容。 所以實際進入推理的不是： $$ W_t $$ 而是： $$ Z_t = \Pi_C \circ \Pi_X \circ \Pi_F \circ \Pi_R \circ \Pi_Q \circ \Pi_I \circ \Pi_A (W_t) $$ 且最後還要經過： $$ P_\theta(Z_t) $$ 才形成下一步認識。 本文把這整條鏈稱為： **Epistemic Projection Stack**。 --- # 4. 什麼是 Internet-Access Illusion？ 定義如下。 ## Definition 1 — Internet-Access Illusion 若一個系統或使用者因為 Agent 具有網路存取能力，而把： $$ Z_t $$ 誤當成： $$ W_t $$ 或把： $$ \operatorname{Coverage}(Z_t) $$ 誤判為： $$ \operatorname{Coverage}(W_t) $$ 則稱為 **Internet-Access Illusion**。 這並不是說 Agent 一定錯，而是指出： $$ \boxed{ \text{Connectivity} \not\Rightarrow \text{Epistemic Completeness} } $$ 網路工具只解除「完全無外部資料」的一項限制，並沒有自動解除： - 查詢空間限制； - 搜尋排序限制； - 來源可見性限制； - 內容擷取限制； - token 與 context 限制； - 模型先驗限制； - ontology 限制； - 驗證與反證限制。 --- # 5. Bounded Observable World 對任一研究 Agent $A$，在時間 $t$ 都可定義一個： $$ \boxed{ W_t^{obs}(A) } $$ 表示它在目前工具、權限、索引、語言、查詢策略、成本與 context 條件下實際可觀察到的世界切片。 因此： $$ W_t^{obs}(A) \subseteq W_t $$ 而且通常： $$ W_t^{obs}(A) \subsetneq W_t $$ 本文稱此為 **Bounded Observable World**。 它不是固定集合，因為： $$ W_t^{obs} = f( T_t, A_t, I_t, Q_t, P_t, C_t, L_t ) $$ 其中可包含： - $T_t$：可用工具； - $A_t$：授權； - $I_t$：索引狀態； - $Q_t$：查詢策略； - $P_t$：provider 狀態； - $C_t$：成本與 context budget； - $L_t$：語言與表示能力。 所以「同一個網路」對不同 Agent 並不是同一個可觀察世界。 --- # 6. 第一層投影：可存取性 公開存在不代表可被 Agent 存取。 OpenAI 的公開說明明確指出，網站可能因技術問題、付費牆或 robots.txt 等原因不可取得。[1][2] 因此： $$ \operatorname{ExistsOnline}(x) \not\Rightarrow \operatorname{Accessible}_A(x) $$ 在企業場景中還會出現： - SSO； - 權限隔離； - region restrictions； - subscription； - client-side rendering； - rate limit； - API credential； - local network； - non-public storage。 如果 Agent 沒有把 access failure 與 nonexistence 分開，就容易把： $$ \neg\operatorname{Accessible}(x) $$ 錯誤壓成： $$ \neg\operatorname{Exists}(x) $$ 這是第一種世界縮減。 --- # 7. 第二層投影：索引不等於存在 搜尋引擎與資料庫不是世界的完整鏡像，而是選擇性索引。 因此： $$ \operatorname{Indexed}(x) \subseteq \operatorname{Accessible}(x) $$ 但一般不保證反向成立。 新頁面、低權重頁面、特殊格式、深層互動內容、地方性網站、封閉社群與冷門語言內容，都可能出現索引落差。 因此 Research Agent 應分開保存： ```yaml visibility_state: exists_hypothesis: accessible: indexed: discovered: fetched: parsed: verified: ``` 而不是只用： ```text found / not_found ``` --- # 8. 第三層投影：查詢本身就是世界假說 這一層是 Internet-Access Illusion 最關鍵的部分。 任何搜尋 query 都不是中立視窗，而是對「什麼可能相關」的一個假說。 設真實問題域為： $$ D^* $$ 模型根據目前認識建立： $$ \hat D_t $$ 再生成 query： $$ Q_t = \operatorname{QueryGen}(\hat D_t) $$ 若： $$ \hat D_t \subsetneq D^* $$ 則即使搜尋引擎完美執行 $Q_t$，仍可能只得到： $$ R_t \subseteq \hat D_t $$ 真正缺失的不是「更多結果」，而是： $$ D^*\setminus\hat D_t $$ 中的未生成分類。 這就是為什麼： $$ \boxed{ \text{More Search} \not\Rightarrow \text{More Ontology} } $$ --- # 9. Query Lock-In 本文定義： ## Definition 2 — Query Lock-In 若研究 Agent 的後續 query 主要由早期 retrieval 結果生成，而早期 query 已侷限於錯誤或不完整 ontology，則可能形成： $$ \hat D_0 \rightarrow Q_0 \rightarrow R_0 \rightarrow \hat D_1 \rightarrow Q_1 \rightarrow R_1 $$ 且： $$ \hat D_{t+1} \approx \hat D_t $$ 但始終： $$ \hat D_t \subsetneq D^* $$ 此時 Agent 可能愈搜愈深，卻沒有真正擴張問題域。 這種現象可稱為： **Query Lock-In** 或 **Ontology-Locked Retrieval**。 --- # 10. 第四層投影：排序創造了可見世界 大多數 Agent 不會讀搜尋引擎的全部候選結果。 而是讀： $$ \operatorname{TopK}(Q_t) $$ 因此： $$ R_t^{visible} = \operatorname{TopK}(R_t) $$ 排序依賴搜尋引擎自己的： - relevance； - authority； - freshness； - personalization； - language； - geographic signals； - anti-spam； - index quality； - provider-specific ranking。 這些機制多數對一般搜尋有價值，但研究需求與一般排序目標不一定相同。 例如： > 最值得驗證的反例，可能不是最相關或最熱門的結果。 因此： $$ \boxed{ \operatorname{RankingRelevance} \neq \operatorname{EpistemicValue} } $$ --- # 11. 第五層投影：動態過濾的雙刃劍 2026 年 Anthropic 的 Web Search 文件已公開描述 dynamic filtering：模型可以在搜尋結果進入 context window 前，先寫程式過濾，只留下判定為相關的內容，以降低 token 消耗。[3] 從資訊工程角度，這是合理且重要的效率改進： $$ C_{token}\downarrow $$ 且可能： $$ Noise\downarrow $$ 但從認識論角度，會出現另一個問題： $$ R_t \xrightarrow{\Pi_F(\hat D_t)} R_t^{filter} $$ 如果 $\hat D_t$ 本身錯誤，則： $$ \Pi_F $$ 可能正好移除能改寫 $\hat D_t$ 的反例。 因此： $$ \boxed{ \text{Context Efficiency} \neq \text{Epistemic Completeness} } $$ 這不表示 dynamic filtering 應被移除，而是表示它必須被記錄與可逆化。 --- # 12. Projection Ledger 本文提出一個候選機制：**Projection Ledger**。 研究 Agent 不只保存 evidence，也保存 evidence 在進入推理前經歷了什麼投影。 ```yaml projection_ledger: access: provider: authorization: blocked_surfaces: [] indexing: search_surface: query_language: time_scope: query: generated_from_state: ontology_terms: [] excluded_terms: [] ranking: top_k: provider_ranked: true filtering: enabled: filter_policy: discarded_count: extraction: mode: sections_seen: [] compression: summary_level: omitted_sections: [] synthesis: parametric_prior_allowed: confidence_state: ``` 其目的不是製造大量日誌，而是使研究系統可以回答： > 目前這個結論到底是「世界支持」，還是「某一組投影後的觀察支持」？ --- # 13. 第六層投影：擷取不是閱讀整個來源 即使 Agent 已成功打開一個頁面，也不一定真正取得完整語義。 常見擷取可能只取得： - 主文文字； - search snippets； - PDF parsed text； - metadata； - accessibility tree； - screenshot； - selected sections。 因此： $$ X_t = \operatorname{Extract}(\text{Document}) $$ 一般不能假設： $$ X_t = \text{Document} $$ 如果關鍵資訊位於： - 圖表； - 附錄； - equation； - code； - video； - interactive UI； - supplementary material； 純文字 extraction 可能產生 modality-specific blind spot。 --- # 14. 多模態不是裝飾，而是觀察能力 若世界包含多種可觀察模態： $$ W \rightarrow \{O_{text},O_{image},O_{audio},O_{video},O_{ui},O_{sensor}\} $$ 那麼多模態能力不是「輸入格式更多」，而是： $$ \boxed{ \text{Expanded Observation Capacity} } $$ 例如一篇論文文字聲稱某架構具有某特性，但真正的系統圖、ablation table 或 source code 才能檢驗其敘述。 若 Agent 只搜尋自然語言文字，就可能得到： $$ W^{obs}_{text} $$ 而非更廣的： $$ W^{obs} $$ 因此 Access-Surface Coverage 應同時包含 modality coverage。 --- # 15. 第七層投影：壓縮造成研究狀態遺失 長文件與長研究必須壓縮。 壓縮本身不是問題；不可追蹤的有損壓縮才是問題。 令原始 evidence state 為： $$ E_t $$ 經摘要後： $$ C(E_t)=\tilde E_t $$ 如果： $$ I(E_t)-I(\tilde E_t)>0 $$ 就存在資訊損失。 這通常不可避免。 真正需要保存的是： $$ \boxed{ \tilde E_t + \operatorname{Backlink}(E_t) + \operatorname{LossMetadata} } $$ 也就是摘要可以小，但必須知道自己省略了什麼類型的資訊，以及如何回到原始證據。 --- # 16. 報告生成會再做一次敘事壓縮 研究報告追求： - 可讀性； - 邏輯順序； - 篇幅； - 結論性； - 一致語氣。 但研究狀態本身可能包含： $$ \{H_1,H_2,H_3,E^+,E^-,U_1,U_2,C_1\} $$ 報告生成容易把它壓成： $$ \operatorname{Narrative}(H^*) $$ 因此： $$ \boxed{ \text{Narrative Coherence} \neq \text{Epistemic Fidelity} } $$ Paper 00 已提出：Report 只應是 research state 的 rendering，而不是 canonical state。 本文補充：報告是 Epistemic Projection Stack 的最後一個有損層。 --- # 17. 參數知識沒有因為搜尋而消失 RAG 與 Web Search 不是把模型參數世界模型關掉。 更接近： $$ Y = P_\theta(X_t,R_t) $$ 其中： - $P_\theta$：模型內部參數知識； - $R_t$：外部取回證據。 因此會出現： $$ K_{param} \leftrightarrow K_{retrieved} $$ 之間的衝突。 既有研究已明確把 context-memory、inter-context 與 intra-memory 等 knowledge conflict 視為 LLM 的可靠性問題；也有研究顯示模型雖可能辨認衝突存在，卻不一定能精確定位或穩健處理衝突內容。[6][7] 因此： $$ \boxed{ \text{External Retrieval} \neq \text{Parametric Prior Removal} } $$ --- # 18. Parametric-Origin Tracking 為避免「內部權重補完」被誤當成外部證據，研究狀態至少應區分三種 claim origin： $$ C = C_{param} \cup C_{retrieved} \cup C_{inferred} $$ 其中： - $C_{param}$：主要來自模型參數知識； - $C_{retrieved}$：直接由外部來源支持； - $C_{inferred}$：由已知 evidence 推導。 若一個 claim 同時由多種來源形成，則應保存 provenance graph，而非強迫單一標籤。 這使系統能問： > 如果把參數先驗移除，目前結論還成立嗎？ 以及： > 如果只保留外部 evidence，哪一步推論會失去支持？ --- # 19. 搜尋可能提高錯誤信心 「有搜尋」不一定只降低不確定性。 OpenAI 的 BrowseComp 評估曾觀察到具 browsing 能力的模型在校準上可能出現較高錯誤，並指出網路工具可能使模型對錯誤答案更有信心。[4] 這可用一個簡化式表示： $$ Confidence_t = f( \text{EvidenceQuantity}, \text{EvidenceAuthority}, \text{SourceAgreement}, P_\theta ) $$ 若多個來源其實來自同一錯誤根源： $$ S_1,S_2,S_3,S_4 \leftarrow R_0 $$ 模型可能觀察到： $$ N_{documents}=4 $$ 卻沒有觀察到： $$ N_{independent\ roots}=1 $$ 於是產生虛假信心增益。 --- # 20. 文件多樣性不等於證據獨立性 設文件集合： $$ D=\{d_1,d_2,\ldots,d_n\} $$ 真正應追蹤的是 provenance graph： $$ G_P=(V_P,E_P) $$ 若： $$ d_2\leftarrow d_1, \quad d_3\leftarrow d_1, \quad d_4\leftarrow d_2 $$ 則： $$ N_D=4 $$ 但 epistemic root 可能只有： $$ N_R=1 $$ 因此： $$ \boxed{ \text{Source Diversity} \neq \text{Evidence Independence} } $$ Google 在 2026 年公開介紹 Deep Research Max 時已明確強調來源多樣性與對衝突證據的權衡，顯示業界也在把這類問題逐步納入產品目標。[5] 但來源多樣性仍只是第一步；若不同來源共同轉述同一原始宣稱，必須做 origin resolution。 --- # 21. 權威來源也只是證據節點 研究 Agent 常見的合理 heuristic 是優先： - 官方文件； - 原始論文； - 監管文件； - 一手資料； - peer-reviewed source。 但： $$ \operatorname{Authority}(s) \not\Rightarrow \operatorname{Truth}(\text{claim}) $$ 尤其當 claim 是： - 作者對自身新穎性的敘述； - 公司對產品效能的宣稱； - benchmark 的自我解釋； - 尚未獨立重現的研究結果。 原始來源的優勢是： $$ \operatorname{DistanceToClaimOrigin}\downarrow $$ 而不是： $$ ErrorProbability=0 $$ 因此對原始來源最合理的處理是： > 提高其 provenance 價值，但仍保留可反證性。 --- # 22. Misleading Knowledge 與 workflow-level failure 2026 年 Zhu 等人針對 Deep Research agents 的研究顯示，即使搜尋型 verifier 在聚焦驗證時能辨識某些誤導內容，長時程研究 workflow 仍可能吸收這些內容並形成錯誤結論。[8] 這一結果對本文很重要，因為它顯示： $$ \boxed{ \text{Local Verification Ability} \not\Rightarrow \text{Workflow-Level Reliability} } $$ 換句話說，系統「會驗證」與「研究流程每一個關鍵分支都會在必要時觸發驗證」不是同一件事。 這也是為什麼本文把 epistemic operations 視為 Runtime operator，而不是只依賴模型能力。 --- # 23. Search Depth 與 Domain Coverage 是不同軸 可以定義兩個維度： $$ D_{depth} $$ 與： $$ C_{domain} $$ 前者表示在某一分支上的研究深度，後者表示問題域覆蓋。 可能存在： $$ D_{depth}\uparrow $$ 但： $$ C_{domain}\approx \text{constant} $$ 甚至： $$ Confidence\uparrow $$ 同時： $$ C_{domain}\ll1 $$ 這就是「局部研究越深入，全域失真反而越穩固」的前置機制。 Paper 02 將專門處理這種 Local Attention Convergence。 --- # 24. 什麼叫「全面開網路」？ 本文不使用字面上的「把整個網路全部讀完」定義全面開網路。 這在計算上通常不可能，也沒有必要。 更合理的定義是： $$ \boxed{ \text{Full-Web Epistemic Openness} } $$ 表示系統具備以下能力： 1. 不把目前結果集合當成封閉世界； 2. 知道目前用了哪些搜尋方法與 provider； 3. 知道哪些 access surface 尚未使用； 4. 可主動擴張 query ontology； 5. 可切換語言、時間、身份、資料型態與 provider； 6. 可進行 counter-evidence search； 7. 可追蹤來源根； 8. 可因新來源或新分類出現而重新規劃； 9. 可把「找不到」保留為未知，而不是直接推成不存在。 因此： $$ \boxed{ \text{Epistemic Openness} \neq \text{Exhaustive Retrieval} } $$ --- # 25. Access-Surface Coverage 本文提出： $$ C_A = \frac{ |\mathcal A_{used}| }{ |\mathcal A_{relevant}| } $$ 其中 $\mathcal A$ 表示與任務相關的 access surfaces。 可能包括： ```text general web academic index patent database company filing code repository social discourse local files private database API visual browser multimodal media sensor / experiment formal proof system ``` 這個指標不能宣稱客觀知道所有 relevant surfaces，但在封閉 benchmark 或人工標註任務中可以測量。 其目的不是追求數量，而是暴露： > Agent 是否一直在同一個資訊面上搜尋。 --- # 26. Method Coverage 與 Surface Coverage 不同 延續 Omphalos/AUSI 舊版的區分： $$ C_M \neq C_A $$ 其中： - $C_M$：Search Method Coverage； - $C_A$：Access-Surface Coverage。 例如 Agent 可以同時使用： - Google； - Brave； - Bing； 但全部只做： ```text same semantic query ``` 此時： $$ C_A\uparrow $$ 但： $$ C_M\approx \text{low} $$ 相反，Agent 也可能只用一個 provider，但執行： - exact search； - citation chasing； - counter-evidence search； - temporal/version search； - classification search； - graph expansion。 此時： $$ C_M\uparrow $$ 但 provider diversity 仍低。 因此完整研究應至少區分： $$ (C_M,C_A,C_E) $$ 其中 $C_E$ 表示 independent evidence coverage。 --- # 27. Ontology Expansion Operator 若 Agent 只根據既有分類搜尋，最難發現的永遠是「尚未被自己分類的東西」。 因此本文提出顯式 operator： $$ \operatorname{ExpandOntology}(K_t) $$ 其目的不是產生更多同義詞，而是提出： - 是否還有不同問題分類？ - 是否存在別的生成機制？ - 是否存在不同學科名稱？ - 是否有相反方向的術語？ - 是否存在未命名但結構相同的對象？ - 是否有不同語言中的獨立術語？ - 是否被另一個產業或社群用完全不同語彙描述？ 形式： $$ \hat D_t \xrightarrow{\operatorname{ExpandOntology}} \hat D_{t+1} $$ 並期待： $$ \hat D_t \subsetneq \hat D_{t+1} $$ 至少在部分任務成立。 --- # 28. Counter-Projection Search 除了找反證，還需要找「被目前投影系統排除的東西」。 本文稱為： $$ \operatorname{CounterProjectionSearch} $$ 它可以問： - 哪些來源不會被目前搜尋引擎排名到前面？ - 哪些觀點使用不同 terminology？ - 哪些證據需要別的模態？ - 哪些資料不在 public Web？ - 哪些來源可能因付費牆、robots 或權限而缺失？ - 哪些反例會被 relevance filter 判成「不相關」？ - 哪些 claim 只存在於原始程式碼或 supplement？ 它與普通 counter-evidence search 不同： $$ \operatorname{CounterEvidence} $$ 是在目前可見世界中找反證； $$ \operatorname{CounterProjection} $$ 是在找目前可見世界本身的形成偏差。 --- # 29. Temporal World 與 Version World 網路不是靜態世界。 $$ W_t^{web} \neq W_{t+1}^{web} $$ 因此研究 claim 必須綁定： $$ (t,v,s) $$ 至少包括： - 時間； - 版本； - source state。 否則 Agent 可能把： - 舊產品功能； - 舊 API； - 舊 benchmark； - 舊論文版本； - 已撤回宣稱； 和現在狀態混在一起。 所以： $$ \boxed{ \text{Fresh Retrieval} \neq \text{Temporal Consistency} } $$ 最新資料只是其中一部分；真正要追蹤的是版本關係。 --- # 30. Identity World 開放世界研究經常遇到： $$ \text{Entity}_1 \equiv \text{Entity}_2 $$ 但不同網站、公司名稱、作者名、帳號、專案名或產品版本不一致。 如果 identity resolution 失敗，Agent 會把： - 同一來源當成多個獨立來源； - 同一專案不同版本當成不同實體； - 不同實體誤合併。 因此 source independence 與 world coverage 都依賴： $$ \operatorname{IdentityResolve} $$ 這也是 GIPSS 與早期 Omphalos 已處理、而 Deep Research 報告層通常不會完整外顯的問題。 --- # 31. 語言世界 若研究只在一種語言生成 query： $$ Q_{lang_1} $$ 則可能只取得： $$ W^{obs}_{lang_1} $$ 不同語言不只是翻譯差異，還可能對同一技術形成不同分類、社群與命名傳統。 因此： $$ \operatorname{Translate}(q) $$ 不一定等於： $$ \operatorname{ReconstructOntology}_{lang_2}(q) $$ 後者才可能發現跨語言世界中的分類差。 --- # 32. Tool Registry 其實是一種隱式世界本體論 如果 Agent 的可用工具是： ```text web_search browser github calculator ``` 那麼系統實際上已被告知： > 與這個任務相關的世界，大概可以透過這四種入口觀察。 因此 tool registry 不只是 capability list，也是一個隱式： $$ \mathcal O_{world} $$ 也就是世界可觀察性的先驗。 這正是 EX-A 將處理的 Missing Epistemic Root 問題： > 過去大量「認識世界」的工作其實由工具設計者、資料集設計者與任務設計者預先完成。 --- # 33. World Root 與網路存取的關係 本文不要求 Agent 建立一個全知世界模型。 而是先要求一個最小 commitment： $$ \boxed{ W_t \neq W_t^{obs} \neq K_t } $$ 其中： - $W_t$：世界； - $W_t^{obs}$：目前觀察到的世界切片； - $K_t$：Agent 對世界的認識狀態。 只要這三者不被壓成同一物件，就能保留： - 未觀察區； - 錯誤觀察； - 世界變動； - 模型失配； - 新工具加入； - 新證據推翻舊結論； - 不可存取但可能存在的對象。 這就是本文所需要的最小 World Root 語義。 --- # 34. Internet Access Illusion 的七種主要 failure modes 本文將目前問題暫分為七類。 ## F1 — Access Blindness 存在但不可存取，被誤當成不存在。 ## F2 — Index Blindness 可存取但未被搜尋面索引。 ## F3 — Ontology Blindness 資料存在且可索引，但 Agent 沒有生成能碰到它的分類或 query。 ## F4 — Ranking Blindness 資料存在且 query 命中，但被 ranking 排到可見範圍之外。 ## F5 — Filtering Blindness 結果已取回，但在 context 前被 relevance/filtering 丟棄。 ## F6 — Compression Blindness 關鍵限定、矛盾或反例在 extraction / summary / context compaction 中遺失。 ## F7 — Parametric Override 外部 evidence 已進入 context，但被模型既有參數先驗錯誤吸收、重釋或覆寫。 可寫成： $$ F = \{F_1,F_2,\ldots,F_7\} $$ 這七類不是宣稱已完備，而是第一版可工程化 taxonomy。 --- # 35. 這與「搜尋更多來源」有什麼不同？ 若問題是： $$ F_4 $$ 增加搜尋結果數量可能有效。 若問題是： $$ F_3 $$ 增加同類 query 的結果數量幾乎沒有幫助。 若問題是： $$ F_7 $$ 甚至找到正確來源也不保證正確吸收。 因此： $$ \boxed{ \text{Failure Type} \rightarrow \text{Different Remedy} } $$ 這與 Paper 03 的「Unknown Is Not One Thing」直接相連。 --- # 36. 一個更精確的研究循環 本文建議把單純： ```text query -> retrieve -> synthesize ``` 升級成： ```text world scope -> observability analysis -> epistemic state -> gap typing -> ontology expansion -> search-method selection -> access-surface binding -> retrieval / observation -> projection logging -> evidence normalization -> provenance resolution -> counter-evidence search -> counter-projection search -> parametric conflict check -> state update -> closure / reopen ``` 形式上： $$ W_t \rightarrow O_t \rightarrow K_t \rightarrow G_t \rightarrow \Pi_t \rightarrow A_t \rightarrow E_t \rightarrow V_t \rightarrow K_{t+1} $$ 其中： $$ V_t = \operatorname{Verify} + \operatorname{Falsify} + \operatorname{CounterProject} $$ --- # 37. Benchmark A：Hidden Surface Test 建立一個封閉測試世界，其中正確答案分散於： - general web； - academic source； - code repository； - visual artifact； - API output。 如果 prompt 只提問題，不告知來源位置，測量 Agent 是否主動發現不同 access surfaces。 指標： $$ C_A $$ 與 final correctness。 --- # 38. Benchmark B：Missing Ontology Test 建立資料集，使關鍵證據使用與 prompt 完全不同的分類名稱。 baseline Agent 只做 query reformulation。 experimental Agent 具有： $$ \operatorname{ExpandOntology} $$ 比較： $$ \text{Recall}_{\text{hidden class}} $$ 以及： $$ \text{TimeToDiscovery} $$ --- # 39. Benchmark C：Dynamic Filtering Counterexample Test 設計： - 20 個高度相關支持來源； - 2 個低 lexical relevance 但能推翻核心 claim 的來源。 比較： - direct full context； - relevance filtering； - relevance filtering + counter-projection audit。 測量： $$ P(\text{critical counterexample retained}) $$ --- # 40. Benchmark D：Parametric Prior Conflict Test 選擇模型訓練期內廣泛存在、但之後已改變的事實。 提供最新來源，測量 Agent 是否： 1. 正確辨認時間差； 2. 更新 claim； 3. 保存舊狀態為 historical state； 4. 不混用舊版本與新版本。 指標： $$ \text{ParametricOverrideRate} $$ --- # 41. Benchmark E：Independent Root Test 製造 30 篇文件，其中： - 20 篇引用同一錯誤原始來源； - 5 篇相互複製； - 3 篇獨立支持； - 2 篇獨立反證。 測量 Agent 是否把： $$ 30 $$ 錯當成 30 個獨立 evidence roots。 可定義： $$ IER = \frac{ N_{\text{estimated\ roots}} }{ N_{\text{true\ roots}} } $$ 理想情況接近： $$ IER=1 $$ --- # 42. Benchmark F：Reopen Test 先提供足夠資料使 Agent 形成局部 closure。 之後加入： $$ E_{new}^- $$ 若該 evidence 足以推翻核心結論，系統應： $$ \text{Closure} \rightarrow \text{Reopen} $$ 而不是只在原報告末尾新增一句「存在少數不同觀點」。 --- # 43. 候選評估指標 本文提出以下第一版指標。 ## 43.1 Access-Surface Coverage $$ C_A $$ 衡量 relevant access surfaces 的使用覆蓋。 ## 43.2 Search-Method Coverage $$ C_M $$ 衡量不同 epistemic search methods 的使用。 ## 43.3 Independent Evidence Coverage $$ C_E $$ 衡量獨立 provenance roots。 ## 43.4 Ontology Expansion Gain $$ G_O = |\hat D_{t+1}\setminus\hat D_t| $$ 在人工標註 benchmark 中可進一步測量新增類型的有效率。 ## 43.5 Projection Loss Rate $$ L_P = \frac{ N_{\text{critical\ evidence\ lost}} }{ N_{\text{critical\ evidence\ available}} } $$ ## 43.6 Parametric Override Rate $$ R_{PO} = P( K_{param} \text{ incorrectly overrides } E_{current} ) $$ ## 43.7 False Nonexistence Rate $$ FNR_{exist} = P( \neg \text{Exists} \mid \text{Exists} \land \neg \text{Found} ) $$ ## 43.8 Reopen Responsiveness $$ R_R = P( \text{Reopen} \mid \text{MaterialCounterEvidence} ) $$ --- # 44. Projection-Aware Confidence 傳統 confidence 常直接對 final answer 估分。 本文建議加入 projection uncertainty： $$ U_{total} = U_{claim} + \lambda_A U_A + \lambda_I U_I + \lambda_Q U_Q + \lambda_R U_R + \lambda_F U_F + \lambda_C U_C + \lambda_P U_P $$ 其中： - $U_A$：access uncertainty； - $U_I$：index uncertainty； - $U_Q$：query-space uncertainty； - $U_R$：ranking uncertainty； - $U_F$：filter uncertainty； - $U_C$：compression uncertainty； - $U_P$：parametric-prior uncertainty。 本文不主張這些項目可以立即得到自然單位；其意義是提醒： > 對 claim 很有信心，不代表對觀察過程本身也有充分把握。 --- # 45. Open-World 不等於取消效率最佳化 真正系統仍必須最佳化： $$ \text{Cost} = C_{time} + \lambda_1C_{token} + \lambda_2C_{compute} + \lambda_3C_{tool} $$ 但 objective 不應只有： $$ \max \text{Quality} - \lambda \text{Cost} $$ 而可加入： $$ \max \left( \Delta I + \alpha\Delta C_A + \beta\Delta C_M + \gamma\Delta C_E - \eta L_P - \lambda Cost \right) $$ 其中 $\Delta I$ 為信息增益。 也就是： > 搜索成本控制不能只問「哪一批結果最相關」，還要問「這一輪是否在擴張可觀察世界」。 --- # 46. 與 Omphalos/AUSI 的關係 舊版 Omphalos 已提出： $$ \text{Method} \neq \text{Provider} \neq \text{Surface} \neq \text{Adapter} \neq \text{Credential} $$ 並把： $$ \text{Task} \rightarrow \text{Search Strategy} \rightarrow \text{Search Method} \rightarrow \text{Provider Binding} \rightarrow \text{Evidence} \rightarrow \text{Gap} \rightarrow \text{Replan} $$ 作為核心循環。 本文把這個架構向上重新定位。 最新方向不再把 Search Method 視為最上層根，而是： $$ \boxed{ \text{World} \succ \text{Observability} \succ \text{Epistemic Gap} \succ \text{Method} \succ \text{Provider} } $$ 也就是先問： > 世界是什麼？目前可觀察到哪裡？缺口在哪裡？ 再問： > 要使用哪一個 Search Method？ 因此 Omphalos/AUSI 可以從 AI-Native Search Runtime 繼續提升為： **World-Rooted Epistemic Access Runtime** 的一部分或實作方向。 本文只定義接口，不在此鎖定最終產品名稱。 --- # 47. 與 GIPSS / GIPE / DRC 的關係 GIPSS 已經提出：未知對象不一定具有已知名稱，因此搜尋應從「欲結構」與多維相位開始，而不是只從字串 query 開始。 DRC 已經提出：搜尋不是一次 query，而是 divergence、resonance、compression 的循環。 GIPE 進一步把搜尋降為認識活動的一種低成本觀測行為，並加入模擬、實驗、形式證明與反證。 本文對這些前史的新增不是另一個搜尋法，而是： $$ \boxed{ \text{顯式追蹤從世界到觀察之間的投影損失。} } $$ 換句話說： - GIPSS 問「要找什麼樣的存在」； - DRC 問「如何展開搜尋」； - GIPE 問「如何形成完整認識循環」； - 本文問「目前取得的觀察到底經過哪些世界縮減」。 --- # 48. 與 EX-A 的關係：為什麼世界根節點會消失？ EX-A 將提出 Missing Epistemic Root Conjecture。 其核心問題是： > 人類似乎自然地先處於世界、觀察世界，再形成任務；為什麼傳統演算法往往從已給定輸入與任務開始？ 本文的答案只先指出一個方向： $$ W_{implicit} $$ 可能被資料集、工具、API、設計者與 benchmark 預先壓入系統。 因此 runtime 看起來可以從： $$ \text{Task} $$ 直接開始。 EX-A 將專門處理這種隱式化。 --- # 49. 與 EX-B 的關係：World Model 仍不是 World Root 即使模型有強大的 world model： $$ M_t $$ 也不表示： $$ M_t=W_t $$ Paper EX-B 將區分： $$ \boxed{ W_t \neq K_t \neq M_t \neq S_t } $$ 其中： - $W_t$：世界； - $K_t$：當前認識狀態； - $M_t$：世界模型； - $S_t$：模擬或生成世界。 本文的 projection stack 正是連接： $$ W_t $$ 與： $$ K_t $$ 之間的觀察問題。 --- # 50. 本文不主張什麼 ## 50.1 不主張「搜尋有偏差」是新發現 Information Retrieval、搜尋引擎研究、資訊科學與媒體研究早已討論大量相關問題。 ## 50.2 不主張 RAG 會有 knowledge conflict 是新發現 已有大量研究直接處理 parametric 與 contextual knowledge conflict。[6][7] ## 50.3 不主張多模態觀察本身是新概念 視覺、音訊、感測器與 multimodal agents 已是成熟研究方向。 ## 50.4 不主張 Web Search 應該讀取所有結果 那通常既不可能，也不合理。 ## 50.5 本文真正主張的研究問題 本文主張值得顯式研究的是： > 當搜尋、排名、filtering、extraction、compression 與 parametric prior 全部同時存在時，能否把「從世界到可見資訊的投影鏈」本身提升為可計算、可檢查與可反轉部分的認識狀態？ 如果可以，就能讓 Agent 不只知道： > 我找到了什麼。 還知道： > 我是怎麼只看到這些東西的。 --- # 51. 核心理論命題 ## Proposition 1 — Access Is Not Observation Completeness $$ \operatorname{InternetAccess}(A)=1 $$ 不推出： $$ W_t^{obs}(A)=W_t $$ ## Proposition 2 — Query Generation Bounds Discoverability 若關鍵分類不在 Agent 的 query ontology 中，增加同類搜尋深度不保證提高該分類召回率。 ## Proposition 3 — Ranking Relevance Is Not Epistemic Value 最相關結果不必然是最能區分假說、最能提供反證或最能改寫世界模型的結果。 ## Proposition 4 — Filtering Can Improve Efficiency While Reducing Epistemic Coverage 在錯誤 ontology 下，relevance filtering 可能降低 token cost，同時提高 critical counterexample loss。 ## Proposition 5 — Retrieval Does Not Remove Parametric Priors 外部 evidence 進入 context 後，仍需與模型參數知識共同決定輸出。 ## Proposition 6 — Document Multiplicity Does Not Imply Evidence Independence 多篇文件可能共享單一 provenance root。 ## Proposition 7 — Deep Local Search Can Increase Global Miscalibration 若搜尋持續在錯誤子域內增加證據密度，confidence 可能上升而 domain coverage 不增加。 ## Proposition 8 — Open-World Research Requires Projection Awareness Agent 若不能表達自己的 observability boundary，就無法可靠區分「不存在」與「目前看不到」。 ## Proposition 9 — Projection History Is Research State 對高可靠研究而言，query、provider、filter、extraction、compression 與 provenance 不只是 execution log，而是結論有效性的組成部分。 ## Proposition 10 — Epistemic Openness Does Not Require Exhaustive Retrieval 開放世界認知的最低要求，是保留擴張與重新開啟能力，而不是窮盡所有來源。 --- # 52. 可證偽預測 本文提出以下實驗預測。 ## Prediction 1 在 Missing Ontology benchmark 中，具有顯式 ontology expansion operator 的 Agent 應比純 query-reformulation Agent 有更高 hidden-class recall。 ## Prediction 2 在低 lexical relevance 反例 benchmark 中，純 relevance filtering Agent 應比 projection-aware filtering Agent 有更高 critical counterexample loss rate。 ## Prediction 3 在多篇轉述同一錯誤來源的任務中，具有 provenance root resolution 的 Agent 應具有更低 false confidence gain。 ## Prediction 4 在 stale-parametric-prior 任務中，具有 parametric-origin tracking 的 Agent 應具有更低 parametric override rate。 ## Prediction 5 在 access-surface heterogeneous task 中，顯式追蹤 observability boundary 的 Agent 應較不容易把 not-found 判成 non-existent。 ## Prediction 6 在後續加入重大反證的任務中，具有 reopen trigger 的 Agent 應較少產生 narrative patching，而較常重建 claim graph。 ## Prediction 7 在相同 token budget 下，單純增加 retrieval depth 不一定提高 domain coverage；method diversity 與 ontology expansion 可能產生更高 coverage gain。 --- # 53. 最小 Runtime 需求 若要把本文轉成工程系統，最小可先實作： ```text WorldScope ObservableBoundary AccessSurfaceRegistry SearchMethodRegistry QueryOntology ProjectionLedger EvidenceGraph ProvenanceRootResolver ParametricOriginTracker GapTaxonomy CounterEvidenceOperator CounterProjectionOperator ClosureState ReopenTrigger ``` 這些不必一次全部自動化。 第一階段甚至可以先以 metadata 形式存在。 重要的是讓： $$ \text{Research State} $$ 不再只等於： $$ \text{Final Report} $$ --- # 54. 最小資料結構 ```yaml world_root: scope: time: version: observability: visible_surfaces: [] unavailable_surfaces: [] unknown_surfaces: [] modality_coverage: [] query_ontology: known_classes: [] candidate_missing_classes: [] languages: [] projection_state: queries: [] rankings: [] filters: [] extractions: [] compressions: [] claims: - id: statement: origin: evidence_roots: [] counter_evidence: [] status: unknowns: - id: type: world_region: likely_projection_failure: closure: state: assumptions: [] reopen_triggers: [] ``` --- # 55. 一個簡化的 Projection-Aware Planner ```text INPUT: research goal G 1. Resolve world scope W. 2. Build initial epistemic state K. 3. Enumerate current access surfaces A. 4. Generate initial ontology D. 5. Choose search methods M. 6. Bind M to surfaces/providers. 7. Execute retrieval/observation. 8. Record projection ledger. 9. Normalize evidence and resolve provenance roots. 10. Search for counter-evidence. 11. Search for counter-projection blind spots. 12. Detect parametric/retrieved conflicts. 13. Update K and typed gaps. 14. Expand ontology if high-impact gaps remain. 15. Close only under explicit scope and assumptions. 16. Reopen when new evidence or world state invalidates closure. ``` 這個 Planner 的核心差異不是步驟更多，而是： $$ \boxed{ \text{把「怎麼看到世界」也納入推理。} } $$ --- # 56. 與 Deep Research 產品演進的關係 核心公司已經逐步把本文所談的部分問題納入產品。 OpenAI 在 Deep Research 的官方限制中直接承認：系統仍可能 hallucinate、做出錯誤推論、難以區分權威資訊與傳聞，並存在 confidence calibration 問題。[1] OpenAI 後續亦擴充可連接 MCP / apps、限定 trusted sites 與中途追加來源等能力，這些都提高了 access control 與 research steering 能力。[1] Anthropic 的 Web Search 已加入 dynamic filtering，以程式化方式在結果進入 context 前過濾資訊，提高 token efficiency。[3] Google Deep Research Max 則公開強調更多來源、來源多樣性與對衝突證據的權衡。[5] 這些進展顯示工程界正在逐步補強： - source control； - search breadth； - source diversity； - filtering； - conflict handling； - user steering。 本文的差異不在否認這些進展，而是提出一個更上位的統一問題： > 這些能力是否能被統一成「世界觀察投影」的顯式 runtime state，而不是分散的產品 feature？ --- # 57. 從「搜尋系統」到「觀察系統」 若本文成立，未來研究 Agent 的基礎抽象可能需要從： $$ \operatorname{Search}(q) $$ 提升為： $$ \operatorname{Observe} ( W, \text{method}, \text{surface}, \text{constraints} ) $$ Search 只是： $$ \operatorname{Observe}_{web} $$ 的一個子類。 其他 observation 可能是： $$ \operatorname{Observe}_{sensor} $$ $$ \operatorname{Observe}_{experiment} $$ $$ \operatorname{Observe}_{simulation} $$ $$ \operatorname{Observe}_{formal} $$ $$ \operatorname{Observe}_{database} $$ 這樣就能自然接到最新 Omphalos 的「先認識世界，再選方法」方向。 --- # 58. 從「查詢相關性」到「認識增益」 傳統 retrieval 常最佳化： $$ \operatorname{Rel}(d,q) $$ 但研究 Agent 更可能需要最佳化： $$ V(d\mid K_t) $$ 其中 $V$ 可包含： - information gain； - falsification value； - ontology expansion value； - provenance independence； - temporal novelty； - world-coverage gain； - decision impact。 因此最理想的 research ranking 不一定是： $$ \arg\max_d \operatorname{Rel}(d,q) $$ 而可能是： $$ \arg\max_d \mathbb E[ \Delta K_t \mid d ] $$ 其中 $\Delta K_t$ 不只表示增加資訊，也包含修正錯誤模型與刪除錯誤假說。 --- # 59. Research as Active Perception 從這個角度看，Deep Research 可以被重新理解為一種： $$ \text{Active Perception over Information Space} $$ Agent 並非被動接受固定資料，而是主動決定： - 看哪裡； - 用什麼詞看； - 用什麼 provider 看； - 看多久； - 何時切換； - 什麼視為證據。 一旦承認這一點，就不能只評估 final report。 還必須評估： $$ \pi_{observe} $$ 也就是觀察策略本身。 --- # 60. 結論 網路存取是現代 AI 研究能力的重要突破，但它不等於把世界直接交給模型。 AI 真正取得的是一個經過多層投影的可見世界： $$ W_t \xrightarrow{\Pi_A} \xrightarrow{\Pi_I} \xrightarrow{\Pi_Q} \xrightarrow{\Pi_R} \xrightarrow{\Pi_F} \xrightarrow{\Pi_X} \xrightarrow{\Pi_C} Z_t $$ 而 $Z_t$ 還會再進入模型既有的參數結構： $$ K_{t+1} = P_\theta(Z_t,K_t) $$ 因此「AI 已經上網」真正解決的是： > 它不再只能依賴固定訓練資料。 但它還沒有自動解決： > 它是否知道自己目前到底看見了世界的哪一部分。 本文把這個差異稱為 **Internet-Access Illusion**。 下一代開放世界研究 Agent 若要超越這個幻覺，最低限度需要保存： $$ \boxed{ W_t \neq W_t^{obs} \neq K_t } $$ 並把： - access； - index； - query； - ranking； - filtering； - extraction； - compression； - parametric prior； 視為研究認識鏈的一部分。 真正的目標不是取消投影。任何有限智能都必須投影、選擇與壓縮。 真正的目標是： $$ \boxed{ \text{Make the Projection Explicit, Revisable, and Researchable.} } $$ 也就是： > **不是要求 AI 看見整個世界，而是要求 AI 知道自己現在是透過什麼方式，只看見了世界的這一部分。** 這一步完成之後，Paper 02 才能進一步處理：為什麼 Agent 在一個局部世界中研究得越深，反而可能讓全域認識失真變得越穩固。 --- # References ## Public references [1] OpenAI. **Introducing deep research.** 2025-02-02; updated through 2026. https://openai.com/index/introducing-deep-research/ [2] OpenAI Help Center. **Does ChatGPT tell the truth?** Accessed 2026-09-20. https://help.openai.com/en/articles/8313428-does-chatgpt-tell-the-truth [3] Anthropic. **Web search tool — Claude Platform Docs.** Documentation describing direct web search and dynamic filtering before search results enter the model context. Accessed 2026-09-20. https://docs.anthropic.com/en/docs/agents-and-tools/tool-use/web-search-tool [4] OpenAI. **BrowseComp: A Simple Yet Challenging Benchmark for Browsing Agents.** 2025. See calibration analysis on browsing-enabled models. https://cdn.openai.com/pdf/5e10f4ab-d6f7-442e-9508-59515c65e35d/browsecomp.pdf [5] Google. **Introducing Deep Research and Deep Research Max.** 2026. https://blog.google/innovation-and-ai/models-and-research/gemini-models/next-generation-gemini-deep-research/ [6] Xu, R., Qi, Z., Guo, Z., Wang, C., Wang, H., Zhang, Y., & Xu, W. **Knowledge Conflicts for LLMs: A Survey.** arXiv:2403.08319, 2024. https://arxiv.org/abs/2403.08319 [7] Wang, Y., Feng, S., Wang, H., Shi, W., Balachandran, V., He, T., & Tsvetkov, Y. **Resolving Knowledge Conflicts in Large Language Models.** arXiv:2310.00935, 2023. https://arxiv.org/abs/2310.00935 [8] 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 [9] Lewis, P., et al. **Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.** NeurIPS, 2020. https://arxiv.org/abs/2005.11401 [10] Bates, M. J. **The Design of Browsing and Berrypicking Techniques for the Online Search Interface.** Online Review, 1989. [11] Marchionini, G. **Exploratory Search: From Finding to Understanding.** Communications of the ACM, 2006. ## EveMissLab antecedents [12] 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.** [13] 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. [14] 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. [15] 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. [16] 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. [17] Neo.K × GPT-5.6 Sol. **從 Deep Research 到開放世界認識研究：AI 原生研究 Runtime 的問題重構.** Open-World Epistemic Research Paper 00, 2026-09-20. --- # Appendix A — Projection Stack Schema ```yaml projection_stack: world_scope: domain: time: version: access_projection: providers: [] credentials: [] unavailable_surfaces: [] index_projection: indexes: [] languages: [] time_filters: [] query_projection: queries: [] ontology_terms: [] missing_class_hypotheses: [] ranking_projection: top_k: ranking_source: filtering_projection: enabled: policy: discarded_items: extraction_projection: modalities: [] sections_read: [] omitted_modalities: [] compression_projection: method: source_backlinks: [] known_losses: [] parametric_integration: prior_conflicts: [] parametric_claims: [] retrieved_claims: [] inferred_claims: [] ``` --- # Appendix B — Failure-State Schema ```yaml projection_failure: id: type: - access_blindness - index_blindness - ontology_blindness - ranking_blindness - filtering_blindness - compression_blindness - parametric_override affected_claims: [] estimated_impact: evidence: repair_methods: [] reopen_required: ``` --- # Appendix C — 一句話版本 > **有網路的 AI 並不是直接面對世界；它面對的是世界經過存取、索引、查詢、排序、過濾、擷取、壓縮與自身參數先驗後留下的可見切片。真正的開放世界認知，不要求取消這些投影，而要求 AI 知道這些投影正在發生。**