# 計算機原生實驗科學：當直接跑一次比繼續推理更便宜

**系列：演化式 RSI、可執行反事實與 AI 自我科學系列（3/8）**  
**英文題名：Computer-Native Experimental Science: When Running the Experiment Is Cheaper Than Further Reasoning**  
**版本：v0.1**  
**日期：2026-10-07**  
**語言：zh-TW**  
**文件性質：理論論文／Computer-Native Epistemology／RSI Experimental Science／Canonical Draft**

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

傳統科學方法往往預設一個重要條件：實驗昂貴，而思考相對便宜。因此研究者通常會先進行理論推演、模型簡化、符號分析與候選篩選，再投入高成本實驗。

然而，當研究對象本身就是計算機原生系統時，這個成本關係可能反轉。

對於下列研究對象：

- AI agent；
- routing；
- memory architecture；
- context compression；
- compiler；
- scheduler；
- inference graph；
- search policy；
- evaluator；
- software architecture；

研究者不一定需要長時間停留在：

$$
\text{What would happen if...}
$$

而可以直接：

$$
\boxed{
\text{Clone}
\rightarrow
\text{Modify}
\rightarrow
\text{Run}
\rightarrow
\text{Measure}
\rightarrow
\text{Rollback / Keep}
}
$$

因此在某些條件下可能出現：

$$
\boxed{
C_{\mathrm{experiment}}
\lesssim
C_{\mathrm{reasoning}}
}
$$

甚至：

$$
C_{\mathrm{experiment}}
<
C_{\mathrm{reasoning}}.
$$

當這個不等式成立時，最佳認識策略可能不再是「先把理論推到足夠完整再實驗」，而是：

$$
\boxed{
\text{Reason enough to generate testable branches, then execute them.}
}
$$

本文將這種方法稱為「計算機原生實驗科學」。

其最重要特徵是：研究對象與實驗載體高度重合。對某些 RSI 問題而言，計算機並不是物理世界的粗糙模擬器，而就是研究對象實際存在的工作介質。因此：

$$
\boxed{
\text{Object of Study}
\approx
\text{Experimental Substrate}
}
$$

使 checkpoint、clone、fork、ablation、deterministic replay、parallel counterfactual、rollback 與 multi-fidelity testing 成為極低摩擦的科學工具。

本文進一步提出，未來 RSI 的速度可能主要取決於：

$$
\tau_{\mathrm{RSI}}
=
\tau_H
+
\tau_E
+
\tau_V
+
\tau_I,
$$

其中分別表示 hypothesis generation、experiment、verification 與 internalization 的延遲。

當這個循環從月縮短到日、再縮短到小時甚至更短時，AI 自我研究的速度將不再主要受到人類研究頻寬限制。

但本文同時強調：計算機原生實驗不等於完整現實耦合。軟體、模型、memory 與 agent topology 的實驗可以高度原生；材料、生物、能源、機器人與社會世界仍存在 Reality Bandwidth 與 sim-to-real gap。因此真正成熟的 AI Self-Science 應能知道：

$$
\boxed{
\text{什麼可以直接跑，什麼只能模擬，什麼必須回到世界。}
}
$$

---

# 1. 傳統科學的隱含成本結構

大量人類科學活動存在：

$$
C_{\mathrm{experiment}}
\gg
C_{\mathrm{reasoning}}.
$$

例如：

- 建造粒子加速器；
- 製造新材料；
- 臨床試驗；
- 太空探測；
- 建造工廠；
- 長期生態實驗。

因此研究者會先進行：

$$
\text{Theory}
\rightarrow
\text{Model}
\rightarrow
\text{Simulation}
\rightarrow
\text{Experiment}
$$

其目的之一就是降低：

$$
N_{\mathrm{physical\ experiments}}.
$$

這種科學風格高度合理，因為物理實驗具有：

- 金錢成本；
- 時間成本；
- 材料成本；
- 安全風險；
- 不可逆性；
- 空間限制。

所以：

$$
\boxed{
\text{Think First, Experiment Later}
}
$$

長期成為科學研究的重要習慣。

---

# 2. 計算機原生研究改變了成本比例

對某些 AI 問題，情況不同。

假設研究問題是：

> 這個 routing policy 是否比舊版本更好？

候選為：

$$
R_1
$$

與：

$$
R_2.
$$

純理論推演可能需要分析：

- load balance；
- expert specialization；
- latency；
- long-tail behavior；
- failure cases。

但如果實驗成本很低，可以直接：

$$
R_1
\rightarrow
\text{benchmark}
$$

$$
R_2
\rightarrow
\text{benchmark}
$$

比較：

$$
Q(R_1,C)
$$

與：

$$
Q(R_2,C).
$$

此時：

$$
\boxed{
\text{Running}
}
$$

本身就是一種高資訊密度推理。

---

# 3. Object of Study 與 Experimental Substrate

本文提出計算機原生實驗科學的核心條件：

$$
\boxed{
\mathcal O
\approx
\mathcal S
}
$$

其中：

- $\mathcal O$：Object of Study；
- $\mathcal S$：Experimental Substrate。

如果研究：

- code；
- memory；
- agent protocol；
- scheduler；
- inference graph；

它們真的存在於：

$$
\mathcal S_{\mathrm{computer}}.
$$

因此實驗不是：

$$
\text{approximation of object}
$$

而是在很大程度上：

$$
\boxed{
\text{direct intervention on the object}
}
$$

這與物理科學中的 simulation 具有根本差異。

---

# 4. 模擬與原生執行必須分開

若研究材料：

$$
M_{\mathrm{material}}
$$

在電腦中建立：

$$
\hat M
$$

則：

$$
\hat M
\neq
M_{\mathrm{material}}.
$$

這是 simulation。

但如果研究的是：

$$
R_{\mathrm{router}}
$$

並直接在真正 runtime 中改：

$$
R_{\mathrm{router}}
\rightarrow
R_{\mathrm{router}}'
$$

那麼：

$$
R_{\mathrm{router}}'
$$

就是被研究對象的新實例。

因此：

$$
\boxed{
\text{Simulation Experiment}
\neq
\text{Native Computational Experiment}
}
$$

---

# 5. 直接跑一次不是反理論

本文不主張：

> 不要推理，全部暴力跑。

真正合理的是：

$$
\boxed{
\text{Reasoning}
\rightarrow
\text{Experiment Selection}
}
$$

與：

$$
\boxed{
\text{Experiment}
\rightarrow
\text{Reasoning Correction}
}
$$

形成耦合：

$$
R_t
\rightarrow
E_t
\rightarrow
R_{t+1}
\rightarrow
E_{t+1}.
$$

其中：

- $R_t$：當前 reasoning / model；
- $E_t$：實驗回應。

因此：

$$
\boxed{
\text{Theory}
\text{ 與 }
\text{Experiment}
\text{ 不是競爭關係。}
}
$$

最有效的系統應讓兩者互相縮減彼此成本。

---

# 6. 何時「直接跑」比較划算？

假設：

$$
C_R
=
C_{\mathrm{reasoning}}
$$

與：

$$
C_E
=
C_{\mathrm{experiment}}.
$$

若：

$$
C_E<C_R,
$$

則對某些可直接驗證問題，

實驗優先更合理。

更完整地，應比較：

$$
\frac{
I_E
}{
C_E
}
$$

與：

$$
\frac{
I_R
}{
C_R
},
$$

其中：

- $I_E$：實驗提供的資訊增益；
- $I_R$：進一步推理提供的資訊增益。

若：

$$
\boxed{
\frac{I_E}{C_E}
>
\frac{I_R}{C_R}
}
$$

則下一單位資源應優先投入實驗。

---

# 7. Expected Information Gain

對候選實驗：

$$
e
$$

可定義：

$$
\operatorname{EIG}(e)
=
H(\Theta)
-
\mathbb E[
H(\Theta\mid e)
]
$$

其中：

$$
H(\Theta)
$$

表示當前 hypothesis uncertainty。

最佳實驗可以選：

$$
e^\ast
=
\arg\max_e
\frac{
\operatorname{EIG}(e)
}{
C(e)
}.
$$

這使 AI 研究不只是：

> 跑最多實驗。

而是：

$$
\boxed{
\text{最大化每單位成本的認識增益。}
}
$$

---

# 8. 「跑一次」真正意味著什麼？

嚴格來說，一次 run 不代表真理。

因為可能存在：

- stochasticity；
- sampling noise；
- initialization effect；
- environment dependence；
- benchmark variance。

所以：

$$
\text{run once}
$$

更精確的意思應該是：

> 一個候選假設可以迅速轉化成可測試實例。

之後仍需要：

$$
r>1
$$

重跑，

得到：

$$
\hat\mu
$$

與：

$$
\hat\sigma.
$$

因此：

$$
\boxed{
\text{Fast Experimentability}
\neq
\text{Single-Run Certainty}.
}
$$

---

# 9. Clone：複製研究對象

計算機原生研究可以：

$$
M
\rightarrow
\{
M^{(1)},
M^{(2)},
\ldots,M^{(n)}
\}.
$$

每個副本共享：

$$
M_0.
$$

只改一個變數：

$$
\Delta_i.
$$

這使 controlled experiment 極其容易。

例如：

$$
M^{(1)}
=
M_0+\Delta_{\mathrm{memory}},
$$

$$
M^{(2)}
=
M_0+\Delta_{\mathrm{routing}}.
$$

因而能直接比較：

$$
\Delta Q_i.
$$

---

# 10. Checkpoint：把時間變成可回復狀態

在物理世界，

很多改變不可逆。

計算機系統則可以：

$$
S_t
\rightarrow
\operatorname{Checkpoint}(S_t).
$$

實驗後：

$$
S_t'
$$

若失敗，

可以：

$$
S_t'
\rightarrow
S_t.
$$

所以：

$$
\boxed{
\text{Failure Cost}
}
$$

可能被大幅降低。

這是 RSI 能快速試錯的重要基礎。

---

# 11. Rollback：失敗不必永久污染主體

若：

$$
M_t'
$$

性能下降：

$$
Q(M_t')<Q(M_t),
$$

則：

$$
M_t'
\rightarrow
\varnothing
$$

並恢復：

$$
M_t.
$$

這使：

$$
\boxed{
\text{Exploration}
}
$$

與：

$$
\boxed{
\text{Operational Stability}
}
$$

可以被部分分離。

也直接支持後續的反身雙生 RSI。

---

# 12. Fork：把反事實變成平行分支

假設：

$$
h_1,h_2,h_3
$$

是三種改進假設。

可以建立：

$$
W_1,W_2,W_3
$$

分別執行。

即：

$$
S_t
\rightarrow
\begin{cases}
S_t^{(1)}\\
S_t^{(2)}\\
S_t^{(3)}
\end{cases}
$$

然後：

$$
E(
S_t^{(1)},
S_t^{(2)},
S_t^{(3)}
)
$$

直接比較。

因此：

$$
\boxed{
\text{Counterfactual Worlds}
}
$$

在計算機裡可以部分轉化為：

$$
\boxed{
\text{Executable Branches}.
}
$$

---

# 13. Deterministic Replay

若一個實驗可以保存：

- model version；
- seed；
- environment；
- inputs；
- tool versions；
- code commit；
- evaluator；

則可以：

$$
\operatorname{Replay}(E_t).
$$

這使錯誤不只是：

> 某次出錯。

而可以成為：

$$
\boxed{
\text{可重現的 failure object}.
}
$$

對 RSI 特別重要。

---

# 14. Ablation：因果定位

若候選系統包含：

$$
A+B+C+D,
$$

想知道：

$$
C
$$

是否真正有價值，

可以測：

$$
Q(A+B+C+D)
$$

與：

$$
Q(A+B+D).
$$

差值：

$$
\Delta_C
=
Q(A+B+C+D)
-
Q(A+B+D).
$$

這種 ablation 讓：

$$
\boxed{
\text{component contribution}
}
$$

不只停留在理論猜測。

---

# 15. Intervention：從相關轉向因果

如果只能觀察：

$$
X
$$

和：

$$
Y
$$

相關，

很難判斷因果。

計算機原生世界可以直接：

$$
do(X=x_1)
$$

與：

$$
do(X=x_2).
$$

因此：

$$
P(Y\mid do(X=x_1))
$$

與：

$$
P(Y\mid do(X=x_2))
$$

可以低成本比較。

這使 RSI 天生適合：

$$
\boxed{
\text{intervention-heavy science}.
}
$$

---

# 16. Parallel Counterfactual Execution

若有：

$$
10^4
$$

個 hypotheses，

傳統研究可能只能依序測。

計算資源足夠時，可以平行：

$$
W_1,\ldots,W_{10^4}.
$$

這使：

$$
\tau_{\mathrm{wall}}
$$

與：

$$
N_{\mathrm{experiment}}
$$

部分脫鉤。

也就是：

$$
\boxed{
\text{研究寬度可以快速增加。}
}
$$

但總 compute 仍然存在。

因此平行不等於免費。

---

# 17. 大規模平行試驗也會遇到成本爆炸

若每個實驗成本：

$$
c
$$

則：

$$
C_{\mathrm{total}}
=
Nc.
$$

當：

$$
N\rightarrow10^6,
$$

即使：

$$
c
$$

很低，

總成本仍然巨大。

所以：

$$
\boxed{
\text{Cheap Experiment}
\neq
\text{Infinite Experiment Budget}
}
$$

真正成熟 RSI 仍需研究：

$$
\text{experiment selection}.
$$

---

# 18. Multi-Fidelity RSI

因此可以建立：

$$
\boxed{
\text{Multi-Fidelity Experimental Ladder}.
}
$$

### Level 0：Static Analysis

不執行完整模型。

### Level 1：Tiny Proxy

使用小模型或簡化環境。

### Level 2：Partial Runtime

只跑關鍵模組。

### Level 3：Medium-Scale Integration

測系統互動。

### Level 4：Full-Scale Validation

只留下極少數候選。

因此：

$$
N_0\gg N_1\gg N_2\gg N_3\gg N_4.
$$

總成本：

$$
C_{\mathrm{MF}}
=
\sum_{i=0}^{4}N_iC_i.
$$

理想應滿足：

$$
C_{\mathrm{MF}}
\ll
N_0C_4.
$$

---

# 19. 小模型可以成為 RSI 的實驗鼠

很多 architecture hypothesis 不需要一開始就在最大模型驗證。

可以先測：

$$
M_{\mathrm{small}}.
$$

如果效應：

$$
\Delta Q_{\mathrm{small}}
$$

明顯，

再放大到：

$$
M_{\mathrm{medium}},
$$

最後：

$$
M_{\mathrm{large}}.
$$

但這需要測量：

$$
\boxed{
\text{Scale Transferability}.
}
$$

因為小模型成立：

$$
\not\Rightarrow
$$

大模型必然成立。

---

# 20. Proxy Validity

若小尺度效果：

$$
\Delta q_s
$$

與大尺度：

$$
\Delta q_l
$$

長期高度相關：

$$
\operatorname{Corr}(
\Delta q_s,
\Delta q_l
)
\gg0,
$$

則：

$$
M_s
$$

是好 proxy。

反之：

$$
\operatorname{Corr}\approx0
$$

就不能再依賴。

因此 RSI 應同時學習：

$$
\boxed{
\text{哪些 proxy 值得相信。}
}
$$

---

# 21. 實驗工具本身也會演化

一旦 RSI 發現：

$$
E_t
$$

成本過高，

它可以改進：

$$
E_t.
$$

例如：

- faster benchmark；
- better simulator；
- incremental testing；
- cached evaluation；
- reusable environments；
- better observability。

因此：

$$
E_t
\rightarrow
E_{t+1}
$$

本身也是 Meta-RSI。

這意味著：

$$
\boxed{
\text{AI 不只會改自己，
還可能改「如何測自己」。}
}
$$

---

# 22. 研究儀器也可以是軟體

傳統科學的儀器：

- microscope；
- collider；
- telescope。

AI Self-Science 的儀器可能是：

- profiler；
- tracer；
- benchmark；
- probe；
- activation analyzer；
- formal verifier；
- counterfactual runner；
- lineage tracker。

因此：

$$
\boxed{
\text{Software Instrumentation}
}
$$

就是新的科學儀器層。

---

# 23. 自我觀察表面

既有反身雙生研究提出：

$$
\Pi:
\mathcal X
\rightarrow
P
$$

將高維工作結構投影到可觀察表面。

它的作用不是：

> 把 AI 變成人類看得懂的 3D 圖。

而是：

> 建立一個可比較自身 cluster、bridge、hole、density、duplication 與 topology change 的 measurement surface。

因此：

$$
\boxed{
\text{Self-Observation Surface}
}
$$

可以成為 RSI 儀器的一部分。

---

# 24. 實驗結果必須附 receipt

若只保存：

$$
Q=0.932
$$

未來價值有限。

應保存：

$$
R_E
=
(
\text{state},
\text{change},
\text{environment},
\text{seed},
\text{data},
\text{metric},
\text{result},
\text{time}
)
$$

可稱為：

$$
\boxed{
\text{Experiment Receipt}.
}
$$

這使未來：

- replay；
- audit；
- compare；
- merge；
- reject；

都有依據。

---

# 25. Experiment Receipt 與 Lineage Receipt

若：

$$
M_{t+1}
$$

是由：

$$
E_1,E_2,\ldots,E_n
$$

推導而來，

則：

$$
M_{t+1}
$$

應保存：

$$
\boxed{
\text{Lineage Receipt}
=
\text{accepted experiment lineage}
}
$$

所以 AI 不只知道：

> 我現在是這樣。

還知道：

> 我為什麼變成這樣。

這是可重建研究世界的必要條件。

---

# 26. 計算機原生實驗與 Verification-Seeking Attractor

上一篇提出：

$$
\mathcal A_V
=
\text{Verification-Seeking Attractor}.
$$

本文給出它的一個重要成本基礎：

$$
\boxed{
C_{\mathrm{verify}}
\text{ 可以非常低。}
}
$$

當：

$$
C_{\mathrm{verify}}
\downarrow
$$

則：

$$
P(
\text{verify}
)
\uparrow.
$$

所以「證據尋求」不只是 epistemic norm。

它可能是：

$$
\boxed{
\text{低成本計算環境下的最優策略。}
}
$$

---

# 27. 計算實驗也可以對抗 AI 幻覺

假設模型提出：

$$
h.
$$

如果：

$$
h
$$

能直接轉成 code：

$$
c(h),
$$

再執行：

$$
\operatorname{Run}(c(h)),
$$

那麼：

$$
h
$$

至少要通過：

$$
\text{execution reality}.
$$

這不保證它符合物理世界。

但比：

$$
\text{pure narrative consistency}
$$

多了一層約束。

因此：

$$
\boxed{
\text{Executable Claim}
}
$$

通常比：

$$
\boxed{
\text{Purely Verbal Claim}
}
$$

具有更高的可驗證密度。

---

# 28. 「計算機宇宙」不是終極實在

本文必須保留一個重要邊界。

即使一個模型在：

$$
\mathcal C
$$

計算環境中完美成立，

也不推出：

$$
\mathcal R
$$

物理實在中成立。

即：

$$
\boxed{
\operatorname{Valid}_{\mathcal C}
\not\Rightarrow
\operatorname{Valid}_{\mathcal R}
}
$$

除非：

$$
\mathcal C
$$

與：

$$
\mathcal R
$$

在目標問題上具有足夠保真映射。

---

# 29. Digital-Native Truth 與 Physical Truth

對某些問題：

$$
\mathcal C
$$

就是原生世界。

例如：

> scheduler 是否降低 latency？

真正答案就存在計算 runtime。

但對：

> 新材料是否耐高溫？

模擬只能給：

$$
\hat y.
$$

真正需要：

$$
y_{\mathrm{physical}}.
$$

因此至少應區分：

$$
\boxed{
\text{Digital-Native Validity}
}
$$

與：

$$
\boxed{
\text{Physical-World Validity}.
}
$$

---

# 30. Reality Coupling Depth

可以定義：

$$
D_R
$$

表示某實驗距離目標實在的耦合深度。

例如：

$$
D_R=0
$$

純語言推演；

$$
D_R=1
$$

抽象 simulation；

$$
D_R=2
$$

高保真 digital twin；

$$
D_R=3
$$

真實 runtime；

$$
D_R=4
$$

直接物理實驗。

這不是普世固定刻度，

但可以幫助 RSI 判斷：

> 這個結論現在到底耦合到哪一層？

---

# 31. 不同問題需要不同 Reality Coupling Depth

研究：

$$
\text{compiler optimization}
$$

可能：

$$
D_R=3
$$

就夠。

研究：

$$
\text{robot locomotion}
$$

simulation：

$$
D_R=2
$$

不夠，

還要：

$$
D_R=4.
$$

所以：

$$
\boxed{
\text{Verification depth is task-dependent.}
}
$$

成熟 Self-Science 必須知道何時該升級驗證層級。

---

# 32. Sim-to-Real Gap 仍然存在

如果：

$$
S
$$

是 simulator，

$$
R
$$

是 reality，

則：

$$
\Delta_{SR}
=
d(
P_S,
P_R
).
$$

如果：

$$
\Delta_{SR}
$$

大，

在 simulation 中找到：

$$
h^\ast
$$

未必能 transfer。

因此物理 RSI 應該：

$$
\text{simulate many}
\rightarrow
\text{test few}
\rightarrow
\text{update simulator}.
$$

這就是：

$$
\boxed{
\text{Simulation–Reality Co-Evolution}.
}
$$

---

# 33. 具身 AI 是驗證帶寬擴張器

AI 若只有 digital interface，

它能驗證的 world states 有限。

具身後：

$$
\text{sensor}
+
\text{action}
+
\text{feedback}
$$

使：

$$
\boxed{
\text{Reality Bandwidth}
}
$$

上升。

因此 embodied AI 不只是行動能力。

也是：

$$
\boxed{
\text{Epistemic Bandwidth Expansion}.
}
$$

它讓 AI 可以把更多 hypothesis 送進物理世界驗證。

---

# 34. RSI 的真正速度由哪裡決定？

可以把一輪 RSI 寫成：

$$
H
\rightarrow
E
\rightarrow
V
\rightarrow
I
$$

其中：

- $H$：Hypothesis generation；
- $E$：Experiment；
- $V$：Verification；
- $I$：Internalization。

總 latency：

$$
\boxed{
\tau_{\mathrm{RSI}}
=
\tau_H
+
\tau_E
+
\tau_V
+
\tau_I
}
$$

真正的 RSI acceleration 是：

$$
\boxed{
\tau_{\mathrm{RSI}}\downarrow
}
$$

不只是：

$$
\tau_{\mathrm{forward}}\downarrow.
$$

---

# 35. Forward Pass 不是 RSI 的時間尺度

模型推論很快：

$$
\tau_{\mathrm{forward}}
$$

但如果：

$$
\tau_E
$$

或：

$$
\tau_V
$$

巨大，

RSI 仍然很慢。

例如新晶片設計：

$$
\tau_{\mathrm{manufacturing}}
$$

可能遠高於模型生成時間。

所以：

$$
\boxed{
\text{Intelligence Speed}
\neq
\text{Improvement Cycle Speed}.
}
$$

---

# 36. Digital RSI 與 Physical RSI 的時間差

數位 RSI：

$$
\tau_{\mathrm{digital}}
=
\text{minutes / hours / days}
$$

可能成立。

物理 RSI：

$$
\tau_{\mathrm{physical}}
=
\text{days / months / years}
$$

在某些領域仍合理。

所以：

$$
\boxed{
\text{RSI is multi-temporal.}
}
$$

不存在單一 RSI clock。

---

# 37. 這可能形成雙層 RSI

第一層：

$$
\boxed{
\text{Fast Digital RSI}
}
$$

快速改：

- algorithms；
- models；
- routing；
- memory；
- software。

第二層：

$$
\boxed{
\text{Slow Physical RSI}
}
$$

逐漸改：

- chip；
- energy；
- manufacturing；
- robotics；
- laboratories。

兩層互相作用：

$$
\text{Digital}
\rightarrow
\text{Physical}
\rightarrow
\text{Better Digital}
$$

形成更大的能力圖閉環。

---

# 38. 計算機原生科學的最大風險：測錯東西很快

實驗越便宜，

錯誤 evaluator 的危險反而越大。

如果：

$$
E_{\mathrm{bad}}
$$

系統可以每秒跑一萬次，

就會非常快速地優化：

$$
\text{wrong metric}.
$$

所以：

$$
\boxed{
\text{Fast Experimentation}
+
\text{Bad Evaluation}
=
\text{Fast Misoptimization}
}
$$

這是 Self-Science 必須高度重視的風險。

---

# 39. 快速實驗需要慢速 Meta-Verification

因此可以建立雙速度：

$$
\tau_{\mathrm{experiment}}
\ll
\tau_{\mathrm{meta-verify}}
$$

大量低成本實驗快速跑，

但 evaluator、objective、safety contract 等高階結構較慢修改。

這可以形成：

$$
\boxed{
\text{Fast Search}
+
\text{Slow Constitutional Change}.
}
$$

避免研究制度本身被每一個局部結果快速帶偏。

---

# 40. 計算機原生科學不是暴力搜尋的同義詞

真正成熟的計算機原生科學不是：

$$
\text{run everything}.
$$

而是：

$$
\boxed{
\text{run what is cheaper to test than to speculate about}
}
$$

以及：

$$
\boxed{
\text{reason where testing is expensive or incomplete}
}
$$

所以最優策略是一個動態門檻：

$$
\pi^\ast
=
\begin{cases}
\text{reason}, & \frac{I_R}{C_R}>\frac{I_E}{C_E},\\
\text{experiment}, & \frac{I_E}{C_E}\ge\frac{I_R}{C_R}.
\end{cases}
$$

---

# 41. 從思想實驗到 executable thought experiment

傳統思想實驗：

$$
W_i
$$

只存在於 reasoning space。

計算機原生情況中：

$$
W_i
$$

可以部分 instantiate。

因此可以提出：

$$
\boxed{
\text{Executable Thought Experiment}
}
$$

其結構：

$$
\text{Hypothesis}
\rightarrow
\text{World Branch}
\rightarrow
\text{Execution}
\rightarrow
\text{Measurement}
$$

這正是下一篇「可執行反事實世界」的入口。

---

# 42. AI Self-Science 的新認識風格

如果未來 AI 大量運作於：

$$
C_E<C_R
$$

的領域，

它可能形成與人類研究者不同的研究節奏。

不是：

> 想半年，做一次實驗。

而可能是：

> 想到足夠形成可測候選，立刻 fork 一百條世界線。

然後：

$$
\text{results}
\rightarrow
\text{new model}
$$

再進下一輪。

所以：

$$
\boxed{
\text{Experiment}
}
$$

本身可能成為 reasoning 的延伸。

---

# 43. 實驗成為外部推理算子

可以把：

$$
E
$$

視為一個 operator：

$$
E:
H
\rightarrow
D
$$

輸入 hypothesis，

輸出 world-constrained data。

然後：

$$
R:
D
\rightarrow
H'
$$

再修正 hypothesis。

形成：

$$
\boxed{
H
\xrightarrow{E}
D
\xrightarrow{R}
H'
}
$$

所以實驗不是推理之外的東西。

它可以是：

$$
\boxed{
\text{Externalized Reasoning Operator}.
}
$$

---

# 44. 這與跨世界認識算子高度一致

既有 CWRCE-02 提出：

$$
\{
\text{Observe},
\text{Distinguish},
\text{Represent},
\text{Compare},
\text{Predict},
\text{Intervene},
\text{Correct}
\}.
$$

計算機原生 Self-Science 可以非常快速地反覆執行這組角色：

$$
O
\rightarrow
D
\rightarrow
R
\rightarrow
C
\rightarrow
P
\rightarrow
I
\rightarrow
K.
$$

因此：

$$
\boxed{
\text{Computer-native RSI}
}
$$

可以被理解為：

$$
\boxed{
\text{高速實在耦合認識閉環}.
}
$$

---

# 45. 可證偽命題

## 命題一：當實驗成本低於延伸推理成本時，最優策略會增加實驗比例

若：

$$
C_E<C_R
$$

且：

$$
I_E\ge I_R,
$$

則：

$$
P(\text{experiment next})\uparrow
$$

應可觀察。

---

## 命題二：可 rollback 系統具有更高探索率

若：

$$
C_{\mathrm{failure}}\downarrow
$$

則：

$$
N_{\mathrm{tested\ variants}}\uparrow
$$

應成立。

---

## 命題三：Multi-Fidelity RSI 在相同改進品質下應降低總成本

即：

$$
C_{\mathrm{MF}}
<
C_{\mathrm{full-search}}.
$$

---

## 命題四：高 replayability 會降低跨世代驗證成本

若 Experiment Receipt 完整，

則：

$$
C_{\mathrm{reproduce}}\downarrow.
$$

---

## 命題五：具身化會提高 physical-grounding bandwidth，但也提高實驗成本

因此：

$$
D_R\uparrow
$$

通常伴隨：

$$
C_E\uparrow.
$$

---

# 46. 本文不主張

本文不主張：

1. 實驗永遠比推理好；
2. 一次 run 就足以證明；
3. simulation 等同 reality；
4. 所有 AI 問題都能在電腦內完整驗證；
5. 具身實驗可以被純 simulation 取代；
6. 低實驗成本代表低總成本；
7. 大量 fork 不會產生 coordination 或 storage 問題；
8. AI 自我實驗天然安全；
9. evaluator 不需要獨立驗證；
10. 計算機原生科學可以取代所有人類科學方法。

本文真正主張：

$$
\boxed{
\text{當研究對象本身位於計算系統中，
實驗成本結構會發生根本變化。}
}
$$

---

# 47. 與前兩篇的關係

第 1 篇提出：

$$
R_t\neq R_{t+1}
$$

RSI 方法本身可以演化。

第 2 篇提出：

$$
\text{Verification-Seeking Attractor}.
$$

本文補上：

$$
\boxed{
\text{為什麼 verification 在 RSI 中可能異常便宜。}
}
$$

因為：

$$
\text{Object of Study}
\approx
\text{Experimental Substrate}.
$$

所以可靠 RSI 不只「想要證據」，

還可能「很容易取得證據」。

---

# 48. 通往第 4 篇

一旦：

$$
W_i
$$

不只是想像世界，

而可以：

- fork；
- execute；
- measure；
- compare；

那麼反事實推理就發生質變。

下一篇將正式處理：

$$
\boxed{
\text{Counterfactual Reasoning}
\rightarrow
\text{Counterfactual Execution}
\rightarrow
\text{Reality Selection}
}
$$

即：

**《可執行反事實世界：從世界線推理到世界線實例化》**。

---

# 49. 結論

對計算機原生智能而言，

一個非常重要的新條件可能成立：

$$
\boxed{
C_{\mathrm{experiment}}
\lesssim
C_{\mathrm{reasoning}}.
}
$$

當這個條件出現，

科學方法的最佳策略會改變。

研究不必等待所有符號推演完成。

只要 hypothesis 已經足夠清楚到可以被 instantiate，

就可以：

$$
\boxed{
\text{Clone}
\rightarrow
\text{Modify}
\rightarrow
\text{Run}
\rightarrow
\text{Measure}
}
$$

如果失敗：

$$
\text{Rollback}.
$$

如果成功：

$$
\text{Retest}
\rightarrow
\text{Generalize}
\rightarrow
\text{Internalize}.
$$

因此：

$$
\boxed{
\text{Experiment}
}
$$

可以成為 AI 推理系統中的外部計算算子。

這不代表理論失去價值。

相反地：

$$
\text{Reasoning}
$$

負責決定：

> 哪些世界值得跑？

而：

$$
\text{Experiment}
$$

負責回答：

> 哪些世界真的工作？

兩者形成：

$$
\boxed{
\text{Reason}
\rightarrow
\text{Run}
\rightarrow
\text{Correct}
\rightarrow
\text{Reason Better}
}
$$

的高速閉環。

這可能是 RSI 一旦成熟後，與傳統人類科研最不同的地方之一：

$$
\boxed{
\text{很多「如果」不必一直停留在如果；
它們可以被暫時做成一個可執行世界。}
}
$$

---

# 既有 EveMissLab 前置

本篇主要承接：

1. **CWRCE-00｜跨世界實在耦合認識論**  
   Reality–Observation–Model–Intervention–WorldResponse–Correction。

2. **CWRCE-02｜跨世界認識算子不變量猜想**  
   Observe、Distinguish、Represent、Compare、Predict、Intervene、Correct。

3. **ANWIS-01｜World State 作為 Canonical Substrate**  
   World、Observation、Canonical World State 與 Projection 的分離。

4. **小模型結構編譯與反身雙生研究計畫**  
   Structural Compilation、Self-Observation Surface、stable / reflexive branches、regression / transfer verification。

5. **RMCMA Extra B｜當記憶不再是記憶**  
   Reconstructible Cognitive World、persistent state 與 cross-generation reconstruction。

6. **EXS-07 / SAS-01**  
   Capability Graph Editing、直接 RSI、間接 RSI 與 Reality Bandwidth。

7. **本系列第 1–2 篇**  
   RSI method evolution 與 Verification-Seeking Attractor。

---

## Canonical Source Note

本文件之 UTF-8 Markdown 原始碼為正式 source artifact。所有數學原始碼僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter；不使用 Unicode 數學字元替代 LaTeX source，不進行 unicode escape round-trip，不自行美化反斜線、空白或 delimiter，不以聊天介面渲染內容取代正式原稿。