# 全域規則勢論 06：錯誤不是無資訊——資訊量、正確性、勝利與適應度的分離

## Global Rule-Shi Theory 06: Error Is Not Informationlessness — Separating Information, Correctness, Victory, and Fitness

**系列：** 全域規則勢論（Global Rule-Shi Theory, GRST）  
**篇次：** GRST-06 / 12  
**作者：** Neo.K  
**機構：** EveMissLab（一言諾科技有限公司）  
**版本：** v0.1  
**日期：** 2026-10-04  
**文件性質：** 認識論／資訊論／因果科學／AI 科學方法論  
**狀態：** Working Paper / Axis-Separation Draft  
**前篇：** GRST-01 至 GRST-05  
**主要前置框架：** 萬物皆真、萬物皆真：力量為測度、理論存活判準、DPS、FDCS、規則約束計算、SIO

---

## 摘要

GRST-05 將「絕對規則」「相對的絕對」「絕對的相對」區分開來，並提出一個六軸評價框架，強調存續、適應、預測、因果、認識論與規範價值不能互相偷換。本文進一步處理其中最容易被混淆的一組問題：如果錯誤也有資訊量，那麼錯誤還算不算錯誤？如果勝利依賴規則與目標，那麼勝利是否只是相對主觀？如果適應性可以讓錯誤長期存活，那麼科學為什麼還需要真理？

本文的核心主張是：

$$
\boxed{
\text{Information}
\neq
\text{Truth}
\neq
\text{Utility}
\neq
\text{Fitness}.
}
$$

這四個維度可以高度相關，但一般不能預設等同。

對任一命題、模型、策略或狀態 $z$，本文至少區分：

$$
\mathcal E(z)
=
\left\langle
I(z),
T(z),
U(z),
F(z),
C(z)
\right\rangle,
$$

其中：

- $I(z)$：資訊量或辨識量；
- $T(z)$：真值／正確性；
- $U(z)$：效用／勝利值；
- $F(z)$：適應度／存續值；
- $C(z)$：因果一致性或生成吻合度。

本文特別提出：

$$
I(e)>0
$$

不推出：

$$
T(e)=1.
$$

一個錯誤可以攜帶大量資訊，因為它可能指出：哪條規則失效、哪個邊界被跨越、哪個變數缺失、哪個因果假設不成立、哪個模型在何種條件下崩潰。因此「錯誤不是錯誤」若要精確化，應寫成：

$$
\boxed{
\text{Error}
\neq
\text{Informationlessness}.
}
$$

而不是取消正誤本身。

本文同時重新定義「勝利」。勝利必須帶上規則、目標、觀察位置與條件：

$$
W(z\mid R,G,O,C).
$$

這表示勝利具有條件性，但條件性不等於任意性。當 $R,G,C$ 固定後，某些策略可以在大量對局、初始條件與擾動下反覆取得高 $W$，此時它構成 GRST-05 所稱的「相對的絕對」。

本文還提出「負證據」與「失敗保存」原則。未來 AI 科學不應只保留成功世界線與高分理論，而應正式保存：

$$
\mathcal N
=
\left\{
\text{failed theories},
\text{contradictions},
\text{counterexamples},
\text{dead ends},
\text{near misses}
\right\}.
$$

因為這些資訊能縮小理論空間、發現邊界、提升下一輪剪枝效率。從此角度看，失敗不是研究廢料，而是對可行理論空間的負向編碼。

本文最終建立「多軸科學判定」：一個理論不應因高資訊量、好用、能存活或暫時獲勝，就被直接判定為真；真正較強的理論需要在資訊辨識、因果一致、預測吻合、跨尺度穩定與反事實生成等多個軸上同時表現良好。

**關鍵詞：** 錯誤資訊、資訊量、真值、勝利、適應度、負證據、失敗保存、反例、因果一致性、多軸評價

---

# 1. 問題：錯誤既然有資訊，還算錯嗎？

考慮一個錯誤命題：

$$
e.
$$

如果：

$$
e
$$

完全沒有任何資訊價值，那它在科學上就沒有作用。

但現實並非如此。

一個錯誤可以讓我們知道：

- 哪個假設不成立；
- 哪個參數區間不合理；
- 哪個實驗設計有缺陷；
- 哪個模型邊界被跨越；
- 哪個變數被遺漏；
- 哪種因果方向錯了。

所以：

$$
\boxed{
I(e)>0.
}
$$

但這並不表示：

$$
e
$$

因此變成真。

所以真正需要的是：

$$
\boxed{
\text{information value}
\neq
\text{truth value}.
}
$$

---

# 2. 四軸分離

本文最基本的分離是：

$$
\boxed{
\text{Information}
\neq
\text{Truth}
\neq
\text{Utility}
\neq
\text{Fitness}.
}
$$

## 2.1 資訊

$$
I(z)
$$

回答：

> 這個對象能減少多少不確定性？

## 2.2 真值

$$
T(z)
$$

回答：

> 它與指定實在、規則或證據是否對應？

## 2.3 效用

$$
U(z)
$$

回答：

> 它對指定目標是否有用？

## 2.4 適應度

$$
F(z)
$$

回答：

> 它在指定環境中能否持續、擴張或複製？

這四個問題完全不同。

---

# 3. 為什麼錯誤可以高資訊

## 3.1 反例

假設理論：

$$
T.
$$

預測：

$$
y=1.
$$

實驗得到：

$$
y=0.
$$

那麼這個「失敗」可以直接剪掉：

$$
T.
$$

甚至剪掉整個理論族：

$$
\mathcal T_T.
$$

所以錯誤實際上縮小了：

$$
|\mathcal T|.
$$

## 3.2 邊界資訊

如果某方法在：

$$
x<x_c
$$

有效，

但在：

$$
x>x_c
$$

失敗，

那麼失敗揭示：

$$
x_c
$$

附近存在結構邊界。

因此：

$$
\boxed{
\text{failure}
\rightarrow
\text{boundary information}.
}
$$

## 3.3 缺失變數

若模型：

$$
M(x)
$$

一直無法解釋某類殘差，

可能表示：

$$
z
$$

這個未建模變數存在。

因此錯誤有時是：

$$
\boxed{
\text{missing-variable signal}.
}
$$

---

# 4. Error 不是 Nothing

本文因此提出：

$$
\boxed{
\text{Error}
\neq
\text{Nothing}.
}
$$

但更精確的是：

$$
\boxed{
\text{Error}
=
\text{misalignment with respect to a criterion}.
}
$$

也就是錯誤必須帶條件：

$$
\operatorname{Error}(z\mid Q),
$$

其中 $Q$ 是判準。

例如：

$$
\operatorname{Error}(z\mid R^\ast)
$$

表示對底層規則錯誤。

$$
\operatorname{Error}(z\mid D)
$$

表示對觀察資料不吻合。

---

# 5. 錯誤有層級

## 5.1 數值錯誤

$$
\hat y
\neq
y.
$$

## 5.2 參數錯誤

模型形式對，但：

$$
\theta
$$

錯。

## 5.3 結構錯誤

$$
R_T
$$

的因果拓撲錯。

## 5.4 規則錯誤

整套：

$$
R_T
$$

與世界規則不吻合。

## 5.5 投影錯誤

理論可能沒錯，但：

$$
P_O
$$

把觀察投影錯。

## 5.6 問題定義錯誤

連目標：

$$
G
$$

本身都選錯。

因此：

$$
\boxed{
\text{wrong answer}
\neq
\text{wrong theory necessarily}.
}
$$

---

# 6. 資訊量高不代表真

一個虛構故事可以有很高：

$$
I(z).
$$

一個複雜陰謀論也可以有很高：

$$
K(z)
$$

描述複雜度。

但：

$$
I(z)\gg0
$$

不推出：

$$
T(z)\gg0.
$$

所以：

$$
\boxed{
\text{complexity}
\neq
\text{truth}.
}
$$

這是 AI 時代尤其需要避免的錯誤。

---

# 7. 真也不一定高資訊

反過來，一個非常簡單的真命題：

$$
z
$$

可能：

$$
I(z)\ll1
$$

但：

$$
T(z)=1.
$$

例如某些守恆律、對稱性或簡單不變量。

因此：

$$
\boxed{
\text{low information}
\not\Rightarrow
\text{low truth}.
}
$$

---

# 8. 勝利不是裸值

傳統語言常說：

> A 贏了。

但在 GRST 中，更完整應寫：

$$
\boxed{
W(z\mid R,G,O,C,T).
}
$$

其中：

- $R$：規則；
- $G$：目標；
- $O$：觀察位置；
- $C$：情境；
- $T$：時間窗。

因此：

$$
W
$$

不是一個脫離條件的絕對值。

---

# 9. 勝利不等於真

某策略：

$$
\pi
$$

可以在遊戲中獲勝：

$$
W(\pi)=1.
$$

但這不代表：

$$
T(\pi)=1.
$$

因為策略不是命題。

就算是理論：

$$
T_1
$$

在某次競賽中勝過：

$$
T_2,
$$

也可能只是：

$$
U(T_1)>U(T_2)
$$

而不是：

$$
T(T_1)>T(T_2).
$$

因此：

$$
\boxed{
\text{Victory}
\neq
\text{Truth}.
}
$$

---

# 10. 勝利不等於適應

一個策略可以在單場勝利：

$$
W(\pi)=1,
$$

但長期：

$$
F(\pi)\ll1.
$$

例如：

- 高風險 all-in；
- 消耗所有資源；
- 犧牲長期穩定；
- 只在單一對手有效。

所以：

$$
\boxed{
\text{short-term victory}
\neq
\text{long-term fitness}.
}
$$

---

# 11. 適應不等於真

一個錯誤信念：

$$
b_{\mathrm{false}}
$$

可能因社會結構、認知偏誤或傳播優勢而：

$$
F(b_{\mathrm{false}})
\gg
F(b_{\mathrm{true}}).
$$

這不會讓：

$$
b_{\mathrm{false}}
$$

變成真。

因此：

$$
\boxed{
\text{fitness}
\neq
\text{truth}.
}
$$

---

# 12. 適應也不等於善

一個高適應策略：

$$
\pi
$$

可能：

$$
F(\pi)\gg0
$$

但：

$$
V_{\mathrm{normative}}(\pi)\ll0.
$$

所以：

$$
\boxed{
\text{survival advantage}
\neq
\text{moral superiority}.
}
$$

這是防止把 GRST 推向社會達爾文主義的必要邊界。

---

# 13. 真理與適應何時相關

雖然：

$$
T\neq F,
$$

但在某些環境中兩者會高度相關。

如果系統需要：

- 長期預測；
- 反覆校準；
- 工程控制；
- 跨環境遷移；
- 錯誤累積可見；

則更接近實在的模型通常取得：

$$
F
$$

優勢。

因此可寫：

$$
\boxed{
\operatorname{Corr}(T,F)
>
0
}
$$

在某些環境成立。

但它不是本體等式。

---

# 14. 因果吻合軸

GRST 特別需要增加：

$$
C(z).
$$

因為兩個模型可能都預測得不錯：

$$
V_{\mathrm{predictive}}(T_1)
\approx
V_{\mathrm{predictive}}(T_2),
$$

但：

$$
V_{\mathrm{causal}}(T_1)
\neq
V_{\mathrm{causal}}(T_2).
$$

一個只是統計擬合，

另一個真正抓到干預結構。

因此：

$$
\boxed{
\text{prediction}
\neq
\text{causal understanding}.
}
$$

---

# 15. 多軸判定向量

本文提出：

$$
\boxed{
\mathcal E(z)
=
\left\langle
I(z),
T(z),
U(z),
F(z),
C(z)
\right\rangle.
}
$$

如果需要加入規範軸：

$$
\mathcal E^+(z)
=
\left\langle
I,T,U,F,C,N
\right\rangle.
$$

這是一個最小多軸框架。

---

# 16. 為什麼不能壓成單一分數

可以定義：

$$
S(z)
=
\sum_i
\lambda_i E_i(z).
$$

但：

$$
S
$$

只是一個決策投影。

它不應被誤認成：

$$
\mathcal E(z)
$$

本身。

因為不同任務的：

$$
\lambda_i
$$

會不同。

所以：

$$
\boxed{
\text{score}
\neq
\text{ontology}.
}
$$

---

# 17. 錯誤的資訊價值

可定義錯誤辨識增益：

$$
G_{\mathrm{err}}(e)
=
H(\mathcal T)
-
H(\mathcal T\mid e),
$$

其中：

$$
\mathcal T
$$

是候選理論空間。

如果一個錯誤：

$$
e
$$

能大量縮小理論空間，

則：

$$
G_{\mathrm{err}}(e)\gg0.
$$

這表示：

> 錯誤本身可以具有高科學價值。

---

# 18. 失敗保存原則

本文提出：

$$
\boxed{
\text{Failed paths should be preserved as negative knowledge}.
}
$$

也就是：

$$
\mathcal N
=
\left\{
\text{failed theories},
\text{contradictions},
\text{counterexamples},
\text{dead ends},
\text{near misses}
\right\}.
$$

這個集合不應被視為垃圾桶。

它是：

$$
\boxed{
\text{negative map of theory space}.
}
$$

---

# 19. 負知識

如果我們知道：

$$
T\notin\mathcal T^\ast,
$$

這也是知識。

因此：

$$
\boxed{
\text{Knowledge}
=
\text{positive constraints}
+
\text{negative constraints}.
}
$$

也就是：

$$
K
=
K^+
\cup
K^-.
$$

其中：

$$
K^-
$$

就是：

> 哪些路不通。

---

# 20. 反例的價值

一個反例：

$$
c
$$

如果能否定：

$$
\forall x,\ P(x),
$$

那麼：

$$
c
$$

雖然只是單一樣本，

卻具有巨大資訊價值。

因此：

$$
\boxed{
\text{information value}
\not\propto
\text{sample count necessarily}.
}
$$

某些單一反例可以比百萬正例更重要。

---

# 21. Near Miss

「差一點成功」也是一種重要資訊。

若：

$$
T
$$

在絕大多數條件成立，

只在：

$$
C^\ast
$$

失敗，

則：

$$
C^\ast
$$

可能揭示：

- 臨界面；
- 缺失參數；
- 相變；
- 隱藏耦合；
- 投影失真。

所以：

$$
\boxed{
\text{near miss}
=
\text{boundary-rich information}.
}
$$

---

# 22. 錯誤與勢

一個錯誤理論：

$$
T_e
$$

也會產生自己的：

$$
\Sigma_{T_e}.
$$

如果：

$$
\Sigma_{T_e}
$$

與觀察世界：

$$
\Sigma_{\mathrm{obs}}
$$

大幅不吻合，

那麼其錯誤可以被理解為：

$$
\boxed{
\text{world-generation mismatch}.
}
$$

這比單純：

$$
\hat y\neq y
$$

更深。

---

# 23. 世界生成失配

定義：

$$
D_{\mathrm{world}}
\left(
\Sigma_T,
\Sigma_{\mathrm{obs}}
\right).
$$

若：

$$
D_{\mathrm{world}}\gg0,
$$

表示理論生成的世界地形與實在高度不同。

這類錯誤可以稱：

$$
\boxed{
\text{structural world mismatch}.
}
$$

它是未來 AI 剪枝科學的重要負證據。

---

# 24. 為什麼錯誤不應立即刪除

如果 AI 只保留當前最好理論：

$$
T_{\max},
$$

而刪掉所有失敗理論，

會失去：

- 為什麼失敗；
- 失敗在哪裡；
- 哪個參數最敏感；
- 哪個反例最關鍵；
- 哪些錯誤模式反覆出現。

所以：

$$
\boxed{
\text{prune for search}
\neq
\text{erase from memory}.
}
$$

搜索可以剪枝，

知識庫不應失憶。

---

# 25. 剪枝與歸檔的分離

本文提出：

$$
\boxed{
\text{Active Search Space}
\neq
\text{Historical Knowledge Space}.
}
$$

理論：

$$
T
$$

可以被移出：

$$
\mathcal T_{\mathrm{active}},
$$

但保留在：

$$
\mathcal T_{\mathrm{archive}}.
$$

這樣未來新規則、新尺度或新證據出現時，可以重新檢查。

---

# 26. 錯誤作為負邊界

若一批錯誤：

$$
E
=
\{e_1,\ldots,e_n\}
$$

共同包圍一個有效區域，

則它們形成：

$$
\boxed{
\text{negative boundary}.
}
$$

也就是：

> 正確區域不只由成功樣本內部定義，也由失敗樣本從外部勾勒。

這與 SIO 的邊界概念可直接接合。

---

# 27. 正確性的條件化

應避免裸寫：

$$
\operatorname{Correct}(z).
$$

更完整是：

$$
\operatorname{Correct}
\left(
z
\mid
R,
D,
O,
\ell,
T
\right).
$$

因為某理論在：

$$
C_1
$$

正確，

在：

$$
C_2
$$

可能失效。

這不是相對主義，

而是適用域標記。

---

# 28. 局部正確與全域錯誤

存在：

$$
T
$$

使：

$$
T\mid C
$$

高度正確，

但：

$$
T
$$

全域錯。

例如：

$$
\text{local approximation}.
$$

所以：

$$
\boxed{
\text{local validity}
\neq
\text{global ontology}.
}
$$

這和 GRST-05 的「相對的絕對」直接對應。

---

# 29. 全域真與局部真

如果：

$$
T
$$

跨：

- 尺度；
- 初始條件；
- 邊界；
- 觀察投影；
- 反事實；

都保持，

則它更接近：

$$
\boxed{
\text{global truth candidate}.
}
$$

但仍不能宣稱：

$$
T=R^\ast.
$$

只能說：

$$
T
$$

是更穩定的近似。

---

# 30. 勝利的觀察者依賴

同一結果：

$$
O
$$

對：

$$
O_1
$$

可能是勝利，

對：

$$
O_2
$$

可能是失敗。

所以：

$$
W
=
W(z\mid O).
$$

但如果：

$$
R,G
$$

固定，

則：

$$
O
$$

不能任意重定義勝利。

因此：

$$
\boxed{
\text{perspectival}
\neq
\text{arbitrary}.
}
$$

---

# 31. 勝利與勢

在固定規則：

$$
R
$$

下，

局面：

$$
x
$$

的勝利態勢可寫：

$$
W_{\mathrm{Shi}}(x)
=
f
\left(
\sigma_R(x),
G
\right).
$$

這表示：

> 勝勢不是勝利本身，而是某局面在規則勢中通往目標的結構位置。

因此：

$$
\boxed{
\text{Win-Shi}
\neq
\text{Win}.
}
$$

---

# 32. 適應度與勢

一個高勢方向：

$$
\delta
$$

不一定高適應。

因為勢是：

$$
\text{rule-conditioned future structure}.
$$

適應度則取決於：

$$
G_{\mathrm{survival}}.
$$

因此：

$$
\boxed{
\text{Shi}
\neq
\text{Fitness}.
}
$$

勢比適應更一般。

---

# 33. 資訊量與勢

同樣：

$$
I(x)
$$

與：

$$
\sigma_R(x)
$$

不同。

所以到目前為止：

$$
\boxed{
I
\neq
T
\neq
U
\neq
F
\neq
\Sigma.
}
$$

這是一個五軸分離。

---

# 34. AI 科學中的錯誤記憶

未來 AI 科學系統應保存：

$$
\mathcal M_{\mathrm{fail}}
=
\left\{
(T_i,
D_i,
R_i,
\Sigma_i,
\text{failure cause})
\right\}.
$$

這樣 AI 可以問：

> 新理論是否正在重犯舊錯？

這比單純訓練 loss 更接近真正研究記憶。

---

# 35. 負證據圖

可以建立：

$$
G^-=
(V,E^-),
$$

其中：

- $V$：理論、命題、模型；
- $E^-$：反駁、矛盾、失效、不可達關係。

正證據圖：

$$
G^+
$$

與負證據圖：

$$
G^-
$$

應同時存在。

因此：

$$
\boxed{
\text{Knowledge Graph}
=
G^+
\cup
G^-.
}
$$

---

# 36. 負證據的剪枝價值

若某反例：

$$
e
$$

能一次排除：

$$
k
$$

個理論，

可定義：

$$
P_{\mathrm{prune}}(e)=k.
$$

若再除以取得成本：

$$
c(e),
$$

得到：

$$
\eta(e)
=
\frac{
P_{\mathrm{prune}}(e)
}{
c(e)
}.
$$

這是一個「反例效率」候選指標。

未來 AI 可以主動找：

$$
\boxed{
\text{high-pruning-efficiency counterexamples}.
}
$$

---

# 37. 這與實驗設計直接相連

科學實驗不只是收集更多資料。

最好的實驗往往是：

$$
\boxed{
\text{maximally discriminative experiment}.
}
$$

即最大化：

$$
\Delta H(\mathcal T).
$$

換句話說：

> 哪個實驗最能讓一大批錯誤理論死掉？

這比「哪個實驗最容易做」更有科學價值。

---

# 38. 錯誤的類型與保留策略

## 38.1 無資訊錯誤

隨機噪音。

可以低優先保存。

## 38.2 邊界錯誤

揭示適用域。

高價值。

## 38.3 結構錯誤

揭示因果模型問題。

高價值。

## 38.4 規則錯誤

整體世界生成不吻合。

極高價值。

## 38.5 投影錯誤

指出觀察模型偏差。

高價值。

因此錯誤本身也需要分類。

---

# 39. 勝利的多重版本

可區分：

$$
W_{\mathrm{local}},
$$

$$
W_{\mathrm{global}},
$$

$$
W_{\mathrm{short}},
$$

$$
W_{\mathrm{long}},
$$

$$
W_{\mathrm{self}},
$$

$$
W_{\mathrm{system}}.
$$

同一行為可能：

$$
W_{\mathrm{local}}>0
$$

但：

$$
W_{\mathrm{global}}<0.
$$

因此：

$$
\boxed{
\text{one victory metric}
\neq
\text{all victory metrics}.
}
$$

---

# 40. 科學中的「贏」

理論競爭的勝利可以表示為：

$$
W_T(T_i)
=
f
\left(
V_{\mathrm{predictive}},
V_{\mathrm{causal}},
V_{\mathrm{compression}},
V_{\mathrm{robustness}}
\right).
$$

但這只是：

$$
\boxed{
\text{scientific utility score}.
}
$$

不是終極真值本身。

---

# 41. 理論壓縮比與真值

簡潔理論通常受歡迎：

$$
K(T)\ll K(D).
$$

但：

$$
\text{high compression}
$$

不保證：

$$
\text{high truth}.
$$

一個錯誤理論也可能很簡潔。

因此：

$$
\boxed{
\text{compression}
\neq
\text{truth}.
}
$$

壓縮只能作為候選優勢之一。

---

# 42. 多軸理論評價

可以定義：

$$
\mathcal V_T
=
\left\langle
P,
C,
R,
K,
F,
X
\right\rangle.
$$

其中：

- $P$：預測；
- $C$：因果；
- $R$：穩健性；
- $K$：壓縮；
- $F$：可證偽性；
- $X$：跨尺度遷移。

這比單一 leaderboard 分數更接近科學。

---

# 43. 錯誤不是平等的

所有錯誤都不應被視為同價值。

例如：

$$
e_1
$$

只是小數點錯，

而：

$$
e_2
$$

揭示整個理論的因果方向相反。

所以：

$$
\boxed{
I(e_1)
\ll
I(e_2)
}
$$

完全可能。

這就是錯誤資訊量光譜。

---

# 44. 錯誤與相對的絕對

如果某錯誤只在：

$$
C^\ast
$$

下被判定錯，

那它可能在：

$$
C
$$

內仍是局部有效近似。

所以：

$$
\boxed{
\text{wrong globally}
\not\Rightarrow
\text{useless locally}.
}
$$

這與 GRST-05 的相對絕對一致。

---

# 45. 反過來：局部成功不等於全域正確

若理論：

$$
T
$$

在一組資料：

$$
D_0
$$

表現很好，

不表示：

$$
T
$$

在：

$$
D_1,D_2,\ldots
$$

仍然正確。

所以：

$$
\boxed{
\text{local success}
\neq
\text{global truth}.
}
$$

這是避免 overfitting 的本體論版本。

---

# 46. 最小實驗 A：錯誤資訊增益

建立候選理論：

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

設計反例：

$$
e.
$$

計算：

$$
G_{\mathrm{err}}(e)
=
H(\mathcal T)
-
H(\mathcal T\mid e).
$$

比較不同錯誤樣本的剪枝效率。

---

# 47. 最小實驗 B：勝利—適應分離

建立多輪環境。

設策略：

$$
\pi_A
$$

短期勝率高，

但資源消耗大。

另設：

$$
\pi_B
$$

短期勝率較低，

但可長期存續。

若：

$$
W_{\mathrm{short}}(\pi_A)
>
W_{\mathrm{short}}(\pi_B),
$$

但：

$$
F_{\mathrm{long}}(\pi_A)
<
F_{\mathrm{long}}(\pi_B),
$$

則直接驗證勝利與適應分離。

---

# 48. 最小實驗 C：適應—真值分離

建立傳播網路。

令：

$$
m_f
$$

為錯誤訊息，但傳播性高。

令：

$$
m_t
$$

為正確訊息，但傳播性低。

若：

$$
F(m_f)>F(m_t)
$$

但：

$$
T(m_f)<T(m_t),
$$

則驗證：

$$
\boxed{
\text{fitness}
\neq
\text{truth}.
}
$$

---

# 49. 最小實驗 D：因果—預測分離

建立兩模型：

$$
M_1,
\qquad
M_2.
$$

使：

$$
V_{\mathrm{predictive}}(M_1)
\approx
V_{\mathrm{predictive}}(M_2),
$$

但在干預：

$$
do(X=x)
$$

下：

$$
M_1
$$

能正確預測，

$$
M_2
$$

失敗。

則：

$$
V_{\mathrm{causal}}(M_1)
>
V_{\mathrm{causal}}(M_2).
$$

---

# 50. 可反駁性

GRST-06 若要成立，至少應允許以下失敗：

1. 若資訊量與真值在所有可檢驗域中都嚴格單調等價，則本文的分離過度；
2. 若錯誤樣本無法提供任何額外理論剪枝信息，失敗保存原則價值下降；
3. 若長期適應度永遠與真值一致，適應—真值分離不成立；
4. 若因果理解無法在任何情境中超越純預測擬合，因果軸的獨立性需重估；
5. 若勝利在所有系統中都能被唯一無條件定義，條件勝利框架可能多餘；
6. 若負證據圖不能提升未來推理效率或避免重複錯誤，則其工程價值不足。

---

# 51. 本篇暫定命題

## GRST-06-P1：錯誤資訊性

存在錯誤：

$$
e
$$

使：

$$
I(e)>0.
$$

## GRST-06-P2：錯誤非真

$$
I(e)>0
$$

不推出：

$$
T(e)=1.
$$

## GRST-06-P3：勝利條件性

$$
\boxed{
W
=
W(z\mid R,G,O,C,T).
}
$$

## GRST-06-P4：適應非真理

$$
\boxed{
F(z)
\neq
T(z)
}
$$

一般成立。

## GRST-06-P5：負知識

$$
\boxed{
K
=
K^+
\cup
K^-.
}
$$

## GRST-06-P6：剪枝非抹除

$$
\boxed{
\text{remove from active search}
\neq
\text{erase from knowledge}.
}
$$

---

# 52. 本篇核心結論

第一：

$$
\boxed{
\text{Error}
\neq
\text{Informationlessness}.
}
$$

第二：

$$
\boxed{
\text{Information}
\neq
\text{Truth}
\neq
\text{Utility}
\neq
\text{Fitness}.
}
$$

第三：

$$
\boxed{
\text{Victory}
=
W(z\mid R,G,O,C,T).
}
$$

第四：

$$
\boxed{
\text{Persistence}
\neq
\text{Truth}.
}
$$

第五：

$$
\boxed{
\text{Prediction}
\neq
\text{Causal Understanding}.
}
$$

第六：

$$
\boxed{
\text{Failed paths}
=
\text{negative knowledge}.
}
$$

第七：

$$
\boxed{
\text{Prune for search}
\neq
\text{erase from memory}.
}
$$

這使 GRST 能保留相對與多樣性，而不滑向「沒有正誤」；也能承認錯誤的研究價值，而不把錯誤升格成真理。

---

# 53. 下一篇

**GRST-07｜因果勢與雙層反事實：改狀態與改宇宙規則**

下一篇將集中處理：

1. 世界內反事實 $do(x=x')$ ；
2. 法則層反事實 $do(R=R')$ ；
3. 規則改變如何導致態勢換位；
4. 同狀態跨規則比較；
5. 反事實世界束與因果勢；
6. 如何避免把「另一套規則」誤當成「同規則下的另一事件」；
7. 與 FDCS、Pearl 式因果框架及世界模型的正式接縫。

---

# 附錄 A：五軸分離速查

| 軸 | 核心問題 |
|---|---|
| $I(z)$ | 有多少辨識資訊？ |
| $T(z)$ | 對不對？ |
| $U(z)$ | 有沒有用／有沒有贏？ |
| $F(z)$ | 能不能活／適應？ |
| $C(z)$ | 因果結構吻合嗎？ |

---

# 附錄 B：四個禁止偷換

$$
I
\not\equiv
T
$$

$$
T
\not\equiv
U
$$

$$
U
\not\equiv
F
$$

$$
F
\not\equiv
C
$$

---

# 附錄 C：AI 科學的失敗記憶最小格式

每一個失敗研究節點至少應保存：

$$
\boxed{
\left\langle
\text{Theory},
\text{Rule},
\text{Prediction},
\text{Observation},
\text{Failure Type},
\text{Counterexample},
\text{Pruned Region}
\right\rangle.
}
$$

只有這樣，AI 才不是「每次重新犯錯」，而是真正具有科學歷史。

---

**文件結束**