# 全域規則勢論 08：理論展開—證據壓縮對偶——從實驗數據逆推世界規則 ## Global Rule-Shi Theory 08: Theory Expansion–Evidence Compression Duality — Inferring World Rules from Experimental Data **系列：** 全域規則勢論（Global Rule-Shi Theory, GRST） **篇次：** GRST-08 / 12 **作者：** Neo.K **機構：** EveMissLab（一言諾科技有限公司） **版本：** v0.1 **日期：** 2026-10-05 **文件性質：** 科學方法論／逆問題／因果推論／AI 科學／理論搜尋 **狀態：** Working Paper / Inverse-Science Formalization Draft **前篇：** GRST-01 至 GRST-07 **主要前置框架：** 規則約束計算框架、FDCS、DPS、Rashomon 因果框架、理論存活判準、萬物皆真、因果優位架構 --- ## 摘要 傳統科學最熟悉的方向是由理論推出預測： $$ T \rightarrow D, $$ 其中 $T$ 表示理論， $D$ 表示資料。然而，真正困難的問題長期位於反方向： $$ D \rightarrow T. $$ 從有限實驗資料逆推出理論之所以困難，不只是資料不足，而是逆問題具有巨大甚至無限的自由度。對同一資料集 $D$，可能存在大量理論： $$ T_1,T_2,\ldots $$ 滿足： $$ F(T_i)\approx D. $$ 因此： $$ F^{-1}(D) $$ 通常不是單一理論，而是一個高維、欠定、可能無窮的候選空間。 本文在 GRST 框架中將理論生成鏈細分為： $$ \boxed{ T \rightarrow R_T \rightarrow \Sigma_T \rightarrow \Gamma_T \rightarrow D_T } $$ 其中： - $T$：理論； - $R_T$：由理論所指定或導出的規則； - $\Sigma_T$：由規則誘導的全域規則勢； - $\Gamma_T$：由規則勢生成的可能世界線束； - $D_T$：經觀察投影後得到的資料。 因此反向推理不應粗暴地寫成： $$ D\rightarrow T, $$ 而應寫成： $$ \boxed{ D \rightarrow [\Gamma] \rightarrow [\Sigma] \rightarrow [R] \rightarrow [T]. } $$ 方括號表示候選族、等價類或受限空間，而不是單一點。 本文提出「理論展開—證據壓縮對偶」（Theory Expansion–Evidence Compression Duality, TECD）。其前向算子： $$ \mathcal F: \mathcal T \rightarrow \mathcal D $$ 負責把理論展開成大量可能世界與觀察；其反向算子： $$ \mathcal B: \mathcal D \rightarrow \mathcal P(\mathcal T) $$ 則利用證據、反事實、因果約束、世界線一致性與多尺度條件，把巨大理論空間壓縮成更小的候選族。 理想的閉環不是： $$ \mathcal B(\mathcal F(T))=T, $$ 因為不同理論可能在目前觀察尺度下不可區分。更合理的是： $$ \boxed{ \mathcal B(\mathcal F(T)) = [T]_{\mathrm{obs}}. } $$ 其中 $[T]_{\mathrm{obs}}$ 是觀測等價類。 本文進一步提出 AI 科學的新計算範式：**Forward Explosion + Backward Compression**。AI 可以對一個理論生成大量初始條件、參數、反事實、規則變體與世界線，再用實驗資料、因果約束與世界生成吻合度大規模剪枝。這使科學從「提出少量假說，再逐一實驗」逐步變成： $$ \boxed{ \text{Generate many candidate worlds} \rightarrow \text{prune by reality} \rightarrow \text{retain surviving theory classes}. } $$ 本文特別指出，未來科學的關鍵不是讓 AI「猜中唯一理論」，而是讓 AI 能安全、可審計地縮小理論空間，同時保留不可識別性、失敗歷史與負證據。反向科學的成熟標誌，不是永遠得到一個答案，而是知道「目前證據允許哪些理論仍然活著，以及下一個實驗應該如何最大化理論剪枝」。 **關鍵詞：** 理論展開、證據壓縮、逆問題、逆向科學、世界規則、AI 科學、理論搜尋、Rashomon Set、不可識別性、世界線剪枝、因果推論 --- # 1. 問題：既然都有實驗資料，為什麼不能直接逆推出理論？ 這個問題表面上很直觀： > 如果我們已經知道世界做了什麼，為什麼不能從結果反推「世界是怎麼運作的」？ 正向問題通常寫成： $$ D = F(T). $$ 已知： $$ T, $$ 求： $$ D. $$ 反向問題則是： $$ T = F^{-1}(D). $$ 問題在於： $$ F^{-1} $$ 往往不是普通函數。 --- # 2. 逆問題的欠定性 可能存在： $$ T_1\neq T_2 $$ 卻： $$ F(T_1) = F(T_2) = D. $$ 因此： $$ F^{-1}(D) = \{T_1,T_2,\ldots\}. $$ 甚至： $$ |F^{-1}(D)|=\infty. $$ 所以真正的問題不是： > 資料不夠多。 而是： $$ \boxed{ \text{Data-to-theory mapping is generally many-to-many or many-to-one}. } $$ --- # 3. 為什麼有限資料會對應無限理論 設觀察資料只有： $$ D = \{d_1,\ldots,d_n\}. $$ 理論空間： $$ \mathcal T $$ 可能允許： - 不同參數； - 不同函數形式； - 不同隱變數； - 不同因果圖； - 不同規則； - 不同觀察模型。 只要這些理論在有限樣本點上都吻合： $$ T_i(d_k) \approx D_k, $$ 就無法由有限資料直接唯一識別。 所以： $$ \boxed{ \text{finite evidence} \not\Rightarrow \text{unique theory}. } $$ --- # 4. GRST 將前向鏈拆開 傳統上： $$ T\rightarrow D. $$ GRST 將中間層顯式化： $$ \boxed{ T \rightarrow R_T \rightarrow \Sigma_T \rightarrow \Gamma_T \rightarrow D_T. } $$ 這個拆分非常重要。 因為兩個理論可能： $$ T_1\neq T_2 $$ 但： $$ R_{T_1}=R_{T_2}. $$ 也可能： $$ R_1\neq R_2 $$ 但： $$ \Sigma_{R_1} \cong \Sigma_{R_2}. $$ 甚至： $$ \Sigma_1\neq\Sigma_2 $$ 但經觀察投影： $$ P_O(\Gamma_1) = P_O(\Gamma_2). $$ 所以不可識別性可能出現在任何一層。 --- # 5. 第一層：理論到規則 定義： $$ \mathcal G_{TR}: T \mapsto R_T. $$ 理論 $T$ 可能包含： - 原理； - 公理； - 假設； - 變數； - 對稱； - 近似； - 邊界條件。 真正進入模擬器的是： $$ R_T. $$ 因此： $$ \boxed{ \text{Theory} \neq \text{Executable Rule Set}. } $$ 理論轉成規則本身就可能失真。 --- # 6. 第二層：規則到勢 GRST 的核心映射： $$ \mathfrak S: R \mapsto \Sigma_R. $$ 這一步產生： - 可達性； - 吸引域； - 穩定性； - 分岔； - 延遲； - 放大； - 剪枝。 所以： $$ \boxed{ \text{same local equations} \not\Rightarrow \text{same global Shi under all boundaries}. } $$ --- # 7. 第三層：勢到世界線 給定： $$ \Sigma_R $$ 與初始條件： $$ x_0, $$ 得到： $$ \Gamma_{R,x_0}. $$ 若有不確定性： $$ \Gamma $$ 不是單一路徑，而是世界線束。 所以： $$ \boxed{ \text{world prediction} = \text{trajectory family, not necessarily a point prediction}. } $$ --- # 8. 第四層：世界線到資料 觀察者取得： $$ D = P_O(\Gamma). $$ 其中： $$ P_O $$ 包含： - 感測器； - 解析度； - 抽樣； - 噪音； - 觀察尺度； - 測量模型。 因此： $$ \boxed{ \text{Observed Data} \neq \text{Full Worldline}. } $$ --- # 9. 反向鏈不能一步完成 既然前向有四層， 反向也應逐層做。 因此： $$ \boxed{ D \rightarrow [\Gamma] \rightarrow [\Sigma] \rightarrow [R] \rightarrow [T]. } $$ 每一步都可能留下多個候選。 這不是失敗。 而是逆問題的正常形式。 --- # 10. 世界線重建 從資料： $$ D $$ 首先需要重建可能世界線： $$ [\Gamma]_D. $$ 定義： $$ [\Gamma]_D = \left\{ \Gamma \mid P_O(\Gamma)\approx D \right\}. $$ 這個集合可能很大。 --- # 11. 勢重建 接著找： $$ [\Sigma]_D = \left\{ \Sigma \mid \Gamma(\Sigma) \cap [\Gamma]_D \neq \emptyset \right\}. $$ 即： > 哪些全域規則勢可以支持這些資料相容世界線？ --- # 12. 規則重建 再找： $$ [R]_D = \left\{ R \mid \Sigma_R \in [\Sigma]_D \right\}. $$ 這一步才真正開始接近： > 哪些世界規則可以生成觀察？ --- # 13. 理論重建 最後： $$ [T]_D = \left\{ T \mid R_T \in [R]_D \right\}. $$ 因此： $$ \boxed{ \text{inverse science} = \text{progressive constraint propagation}. } $$ --- # 14. 理論展開算子 定義前向算子： $$ \boxed{ \mathcal F: \mathcal T \rightarrow \mathcal D. } $$ 更細： $$ \mathcal F = \mathcal O \circ \mathcal W \circ \mathfrak S \circ \mathcal G_{TR}. $$ 其中： - $\mathcal G_{TR}$：理論轉規則； - $\mathfrak S$：規則轉勢； - $\mathcal W$：勢生成世界線； - $\mathcal O$：世界線投影成觀察。 --- # 15. 證據壓縮算子 定義反向算子： $$ \boxed{ \mathcal B: \mathcal D \rightarrow \mathcal P(\mathcal T). } $$ 它不是普通逆函數。 它是： $$ \boxed{ \text{constraint-driven theory-space compressor}. } $$ 輸出： $$ \mathcal B(D) = [T]_D. $$ --- # 16. 對偶不是嚴格反函數 本文使用「對偶」時，首先是操作性對偶。 不要求： $$ \mathcal B = \mathcal F^{-1}. $$ 更合理要求： $$ \boxed{ \mathcal B(\mathcal F(T)) \ni T. } $$ 並希望： $$ \mathcal B(\mathcal F(T)) $$ 盡可能小。 --- # 17. 觀測等價類 如果： $$ T_1,T_2 $$ 在目前所有觀察下不可區分， 則： $$ T_1 \sim_{\mathrm{obs}} T_2. $$ 定義： $$ [T]_{\mathrm{obs}} = \left\{ T' \mid T'\sim_{\mathrm{obs}}T \right\}. $$ 理想閉環是： $$ \boxed{ \mathcal B(\mathcal F(T)) = [T]_{\mathrm{obs}}. } $$ 而不是假裝： $$ =T. $$ --- # 18. 理論展開—證據壓縮對偶 本文正式命名： $$ \boxed{ \text{Theory Expansion–Evidence Compression Duality} } $$ 縮寫： $$ \boxed{ \mathrm{TECD}. } $$ 它由兩個方向組成： $$ T \xrightarrow{\mathcal F} D $$ 與： $$ D \xrightarrow{\mathcal B} [T]. $$ --- # 19. Forward Explosion AI 的第一個新能力是： $$ \boxed{ \text{Forward Explosion}. } $$ 對一個理論： $$ T $$ 大量展開： - 初始條件； - 參數； - 邊界； - 擾動； - 反事實； - 規則變體。 得到： $$ \Gamma_T^{(1)}, \Gamma_T^{(2)}, \ldots, \Gamma_T^{(N)}. $$ --- # 20. Backward Compression 第二個能力： $$ \boxed{ \text{Backward Compression}. } $$ 把大量： - 觀察； - 實驗； - 反例； - 負證據； - 因果約束； 壓回： $$ \mathcal T \rightarrow \mathcal T'. $$ 其中： $$ |\mathcal T'| \ll |\mathcal T|. $$ --- # 21. 新科學循環 因此： $$ \boxed{ \text{Theory} \rightarrow \text{World Expansion} \rightarrow \text{Reality Comparison} \rightarrow \text{Theory Compression} \rightarrow \text{New Theory Set}. } $$ 反覆： $$ \mathcal T_0 \supseteq \mathcal T_1 \supseteq \mathcal T_2 \supseteq \cdots. $$ --- # 22. 為什麼 AI 使逆問題重新可做 以前人類難以： - 展開百萬世界線； - 同時比較大量理論； - 保存所有失敗； - 重跑所有反事實； - 動態更新理論族。 AI 可以把這些從： $$ \text{humanly intractable} $$ 推向： $$ \text{computationally tractable}. $$ 因此： $$ \boxed{ \text{inverse science becomes a search-and-pruning problem}. } $$ --- # 23. 不是「AI 猜理論」 這個框架不是： > 給 AI 一堆資料，請它想一個漂亮理論。 而是： $$ \boxed{ \text{Generate} + \text{Simulate} + \text{Compare} + \text{Prune} + \text{Retain Alternatives}. } $$ 這是完全不同的科學流程。 --- # 24. 理論空間 令： $$ \mathcal T_0 $$ 為初始候選理論空間。 其來源可以是： - 人類提出； - AI 生成； - 既有理論變異； - 符號搜尋； - 程式合成； - 因果圖枚舉。 目標不是立刻找： $$ T^\ast. $$ 而是逐步縮小： $$ \mathcal T_0. $$ --- # 25. 規則空間 理論空間映射到： $$ \mathcal R_0 = \{R_T:T\in\mathcal T_0\}. $$ 這裡可能出現： $$ |\mathcal R_0| < |\mathcal T_0| $$ 因為多個理論可能導出相同規則。 所以理論語義差異不一定具有世界生成差異。 --- # 26. 勢空間 再得到： $$ \mathfrak S_0 = \{\Sigma_R:R\in\mathcal R_0\}. $$ 又可能： $$ |\mathfrak S_0| < |\mathcal R_0|. $$ 因為不同規則可能在研究尺度生成同構勢。 --- # 27. 世界線空間 再展開： $$ \Gamma_0 = \bigcup_{\Sigma\in\mathfrak S_0} \Gamma_\Sigma. $$ 此空間可能極巨大。 這就是： $$ \boxed{ \text{world hypothesis space}. } $$ --- # 28. 資料不是只做擬合 觀察： $$ D $$ 應該對： $$ \Gamma_0 $$ 做剪枝。 即： $$ \Gamma_1 = \left\{ \gamma\in\Gamma_0 \mid P_O(\gamma)\approx D \right\}. $$ 然後反向把： $$ \Gamma_1 $$ 所支持的理論保留下來。 --- # 29. 世界生成吻合 傳統模型比較常只看： $$ L(D\mid T). $$ GRST 可以增加： $$ G(T) = \operatorname{Fit} \left( \Sigma_T, \Sigma_{\mathrm{obs}} \right). $$ 或者： $$ G(T) = \operatorname{Fit} \left( \Gamma_T, D \right). $$ 這是： $$ \boxed{ \text{generative world fit}. } $$ --- # 30. 能生成不等於自然生成 若： $$ D\in\Gamma_{T_1} $$ 與： $$ D\in\Gamma_{T_2}, $$ 兩理論都「能生成」。 但若： $$ W_{T_1}(D)\ll W_{T_2}(D), $$ 則： $$ T_2 $$ 更自然地生成觀察。 所以： $$ \boxed{ \text{compatibility} \neq \text{generative adequacy}. } $$ --- # 31. 最佳擬合也不等於唯一理論 即使： $$ T^\dagger = \arg\min_T L(T,D), $$ 也不表示： $$ T^\dagger=T^\ast. $$ 因為： - loss 可能選錯； - 觀察可能不完整； - 多理論可近似同分； - 模型類別可能缺失。 因此： $$ \boxed{ \text{best fit} \neq \text{unique truth}. } $$ --- # 32. Rashomon 理論族 定義： $$ \mathcal R_\epsilon(D) = \left\{ T: L(T,D) \leq L^\ast+\epsilon \right\}. $$ 這是： $$ \boxed{ \text{Rashomon theory set}. } $$ GRST-08 主張： > 不可識別時，不應強迫系統選單一模型。 --- # 33. 等價類不是缺陷 若： $$ |\mathcal R_\epsilon|>1, $$ 可能表示： $$ \boxed{ \text{evidence does not contain enough discrimination}. } $$ 這是一個關於資料的信息。 而不是 AI 不夠聰明。 --- # 34. 下一個問題不是「選誰」 如果兩理論都活著， 真正科學問題是： > 哪個實驗可以最有效地把它們分開？ 所以： $$ \boxed{ \text{theory ambiguity} \rightarrow \text{experiment design}. } $$ --- # 35. 鑑別實驗 對： $$ T_1,T_2 $$ 搜尋： $$ e^\ast = \arg\max_e D \left( P(D_e\mid T_1), P(D_e\mid T_2) \right). $$ 這個： $$ e^\ast $$ 就是高鑑別實驗。 --- # 36. 最大理論熵下降 更一般地： $$ e^\ast = \arg\max_e \left[ H(\mathcal T) - \mathbb E H(\mathcal T\mid D_e) \right]. $$ 也就是： $$ \boxed{ \text{maximize expected theory-space compression}. } $$ --- # 37. 這使實驗設計成為反向推理的一部分 實驗不是被動收資料。 而是主動選： $$ D^\ast $$ 來最大化： $$ \Delta H(\mathcal T). $$ 所以： $$ \boxed{ \text{experiment} = \text{active inverse operator}. } $$ --- # 38. 反事實是逆推理論的放大器 觀察資料只告訴我們： $$ \text{what happened}. $$ 反事實比較可以測： $$ \text{what each theory says would happen otherwise}. $$ 所以對： $$ T_1,T_2 $$ 即使： $$ F(T_1,D)=F(T_2,D), $$ 它們的反事實世界線： $$ \Gamma^{\mathrm{cf}}_{T_1} $$ 與： $$ \Gamma^{\mathrm{cf}}_{T_2} $$ 可能不同。 --- # 39. 反事實鑑別 定義： $$ D_{\mathrm{cf}} \left( T_1,T_2 \right) = D \left( \Gamma^{\mathrm{cf}}_{T_1}, \Gamma^{\mathrm{cf}}_{T_2} \right). $$ 若： $$ D_{\mathrm{cf}}\gg0, $$ 表示兩理論在觀察世界中雖暫時相同， 但在干預世界中高度不同。 --- # 40. 因果識別比統計識別更強 兩模型可有： $$ P(D\mid T_1) \approx P(D\mid T_2), $$ 但： $$ P(D\mid do(X),T_1) \neq P(D\mid do(X),T_2). $$ 所以： $$ \boxed{ \text{interventional equivalence} } $$ 比： $$ \boxed{ \text{observational equivalence} } $$ 更強。 --- # 41. 法則反事實又更深一層 GRST-07 已提出： $$ do_R. $$ 因此還可比較： $$ \Gamma_{R_1,x} $$ 與： $$ \Gamma_{R_2,x}. $$ 這提供： $$ \boxed{ \text{rule-level discrimination}. } $$ --- # 42. 三級等價類 本文區分： ## 42.1 觀測等價 $$ T_1 \sim_O T_2. $$ ## 42.2 干預等價 $$ T_1 \sim_I T_2. $$ ## 42.3 規則勢等價 $$ T_1 \sim_\Sigma T_2. $$ 三者的辨識強度逐級不同。 --- # 43. 理論壓縮不是資料壓縮 Data compression： $$ D\rightarrow z. $$ Theory compression： $$ \mathcal T \rightarrow \mathcal T'. $$ Evidence Compression 的「壓縮」是： > 用證據削減理論自由度。 所以： $$ \boxed{ \text{Evidence Compression} \neq \text{Lossy Data Compression}. } $$ --- # 44. 證據強度 可定義證據 $e$ 的理論壓縮能力： $$ C_E(e) = H(\mathcal T) - H(\mathcal T\mid e). $$ 若： $$ C_E(e)\gg0, $$ 則： $$ e $$ 是高價值證據。 --- # 45. 正證據與負證據 GRST-06 已建立： $$ K = K^+ \cup K^-. $$ TECD 中： - 正證據提高某些理論權重； - 負證據直接刪除某些區域。 所以： $$ \boxed{ \text{negative evidence} } $$ 常具有極高壓縮效率。 --- # 46. 一個反例可以比百萬正例更有力 若： $$ T $$ 預測： $$ \forall x,\ P(x), $$ 單一： $$ \neg P(x^\ast) $$ 即可排除： $$ T. $$ 所以： $$ \boxed{ \text{evidence value} \not\propto \text{sample count}. } $$ --- # 47. AI 理論搜尋 未來 AI 可維護： $$ \mathcal T_t. $$ 每輪： 1. 生成理論； 2. 編譯規則； 3. 展開世界； 4. 比較資料； 5. 保存失敗； 6. 壓縮理論族。 寫成： $$ \boxed{ \mathcal T_t \xrightarrow{\mathcal F} \Gamma_t \xrightarrow{D} \mathcal T_{t+1}. } $$ --- # 48. 理論變異 若： $$ \mathcal T_t $$ 縮得太小甚至為空， AI 應產生： $$ \operatorname{Mutate}(\mathcal T_t). $$ 包括： - 加變數； - 刪變數； - 改因果邊； - 改規則； - 改尺度； - 改觀察模型。 這和 Rashomon 架構中的候選擴充一致。 --- # 49. 不可只做單調刪除 如果只做： $$ \mathcal T_{t+1}\subseteq\mathcal T_t, $$ 一旦初始空間漏掉真理論： $$ T^\ast\notin\mathcal T_0, $$ 永遠找不到。 所以需要： $$ \boxed{ \text{Pruning} + \text{Theory Generation}. } $$ --- # 50. 收縮—擴張循環 更完整： $$ \boxed{ \text{Expand} \rightarrow \text{Test} \rightarrow \text{Prune} \rightarrow \text{Re-expand}. } $$ 這不是單純收斂。 而是： $$ \boxed{ \text{adaptive search over theory space}. } $$ --- # 51. 理論空間不是靜態集合 因此應寫： $$ \mathcal T_t. $$ 而不是固定： $$ \mathcal T. $$ 因為新概念會創造新理論維度。 這與 DPS 的「換投影」直接相容。 --- # 52. 投影切換也是逆推的一部分 如果： $$ \mathcal T_t $$ 一直無法解釋資料， 可能不是： > 理論參數不夠好。 而是： > 整個表示基底錯了。 此時需要： $$ P_i \rightarrow P_j. $$ 這是： $$ \boxed{ \text{representation-level theory mutation}. } $$ --- # 53. 逆向科學的三種失敗 ## 53.1 欠識別 太多理論都能解釋資料。 $$ |\mathcal T_D|\gg1. $$ ## 53.2 錯識別 AI 過早選一個： $$ T^\dagger $$ 但： $$ T^\ast\neq T^\dagger. $$ ## 53.3 無真候選 $$ T^\ast\notin\mathcal T_0. $$ 三者需要不同解法。 --- # 54. 欠識別的解法 設計新實驗： $$ e^\ast. $$ 最大化理論分離。 --- # 55. 錯識別的解法 保留 Rashomon Set： $$ \mathcal R_\epsilon. $$ 不要過早收斂單點。 --- # 56. 無真候選的解法 擴張理論語言： $$ \mathcal L \rightarrow \mathcal L'. $$ 讓： $$ T^\ast $$ 第一次可被表達。 這是最深的理論進步。 --- # 57. 自由度收縮 可以把逆向科學看成： $$ d_0 \rightarrow d_1 \rightarrow d_2 \rightarrow \cdots $$ 其中： $$ d_t = \dim\mathcal T_t. $$ 希望： $$ d_{t+1}d_t. $$ --- # 58. 正確的收斂不是越來越小 如果錯誤基底： $$ \mathcal T $$ 被壓縮到單點， 也只是： $$ \boxed{ \text{precisely wrong}. } $$ 所以： $$ \boxed{ \text{compression} \neq \text{correctness}. } $$ 需要外部實在反饋。 --- # 59. 實在作為外部驗證器 令： $$ \mathcal V_{\mathrm{real}} $$ 表示實驗與現實世界回饋。 TECD 必須形成： $$ \boxed{ \mathcal F \rightleftarrows \mathcal B \rightleftarrows \mathcal V_{\mathrm{real}}. } $$ 沒有外部驗證器， AI 只是在自己模型裡閉環。 --- # 60. 模擬吻合不等於實在吻合 若： $$ T $$ 在模擬器： $$ S $$ 中完美， 仍可能： $$ O(S(T)) \neq D_{\mathrm{real}}. $$ 所以： $$ \boxed{ \text{simulation success} \neq \text{reality success}. } $$ --- # 61. 四層錯誤定位 當理論失敗時， 至少檢查： $$ T, \quad R_T, \quad S, \quad O. $$ 即： - 理論錯； - 規則抽取錯； - 模擬器錯； - 觀察模型錯。 不能把所有失敗都算在： $$ T. $$ --- # 62. 世界線殘差 傳統殘差： $$ e_i = y_i-\hat y_i. $$ GRST 可定義： $$ E_\Gamma = D \left( \Gamma_T, \Gamma_{\mathrm{obs}} \right). $$ 這是： $$ \boxed{ \text{worldline residual}. } $$ --- # 63. 勢殘差 同樣： $$ E_\Sigma = D_\Sigma \left( \Sigma_T, \Sigma_{\mathrm{obs}} \right). $$ 若： $$ E_\Sigma\gg0 $$ 即使某些單點資料吻合， 理論仍可能結構性錯誤。 --- # 64. 因果殘差 對干預資料： $$ E_C = D \left( C_T, C_{\mathrm{obs}} \right). $$ 因此未來模型評價可有： $$ \boxed{ E_D, E_\Gamma, E_\Sigma, E_C. } $$ --- # 65. 多殘差理論評價 定義： $$ \mathcal L_T = \lambda_D E_D + \lambda_\Gamma E_\Gamma + \lambda_\Sigma E_\Sigma + \lambda_C E_C. $$ 但： $$ \mathcal L_T $$ 只是決策投影。 不同研究目的可用不同權重。 --- # 66. 逆向科學與科學實在論 GRST-05 已提出： $$ R^\ast. $$ 逆向科學的目標不是直接宣布抓到： $$ R^\ast. $$ 而是： $$ \mathcal R_0 \supseteq \mathcal R_1 \supseteq \cdots $$ 逐步逼近： $$ [R^\ast]_{\mathrm{obs}}. $$ --- # 67. 相對觀察如何逼近絕對規則 每一次新觀察： $$ D_t $$ 提供約束： $$ C_t. $$ 候選規則族： $$ \mathcal R_t $$ 縮小。 所以： $$ \boxed{ \text{Relative Observation} + \text{Iterative Pruning} \rightarrow \text{Stable Rule Core}. } $$ --- # 68. 理論存活 一個理論： $$ T $$ 在多輪： $$ D_1,D_2,\ldots,D_n $$ 下仍存活， 表示： $$ T $$ 通過更強限制。 但： $$ \boxed{ \text{surviving theory} \neq \text{final theory}. } $$ 它只是更難被目前證據殺死。 --- # 69. 理論死亡 如果： $$ T $$ 被新資料排除， 它仍應留在： $$ \mathcal T_{\mathrm{archive}}. $$ 因為它記錄： - 哪條路失敗； - 為何失敗； - 哪個條件造成失效。 所以： $$ \boxed{ \text{theory death} \neq \text{knowledge deletion}. } $$ --- # 70. AI 科學記憶 每個理論節點至少保存： $$ \left\langle T, R, \Sigma, \Gamma, D, E^+, E^-, \text{Status} \right\rangle. $$ 其中： - $E^+$：正證據； - $E^-$：負證據。 這樣 AI 才能真正累積科學歷史。 --- # 71. 理論圖譜 建立圖： $$ G_{\mathcal T}. $$ 節點： $$ T_i. $$ 邊可以表示： - 精細化； - 包含； - 反駁； - 等價； - 近似； - 特殊情況； - 變異來源。 這比只保存論文文本更適合自動科學。 --- # 72. 規則圖譜 同樣建立： $$ G_R. $$ 因為： $$ T_i $$ 與： $$ R_i $$ 不是一一對應。 --- # 73. 勢圖譜 建立： $$ G_\Sigma. $$ 不同規則若產生近似勢， 可以聚類。 這能發現： $$ \boxed{ \text{different rules, same world geometry}. } $$ --- # 74. 世界線圖譜 建立： $$ G_\Gamma. $$ 比較理論真正生成的世界族。 這可能比比較公式文本更科學。 --- # 75. 多層理論圖 因此完整知識圖不是一層： $$ G_T. $$ 而是： $$ \boxed{ G_T \leftrightarrow G_R \leftrightarrow G_\Sigma \leftrightarrow G_\Gamma \leftrightarrow G_D. } $$ 這是 TECD 的工程版本。 --- # 76. 最小實驗 A：有限逆向規則恢復 設一個小型已知規則： $$ R^\ast. $$ 生成： $$ D. $$ 隱藏： $$ R^\ast. $$ 給 AI 一個候選規則庫： $$ \mathcal R_0. $$ 要求它透過： - 觀察； - 干預； - 世界線比較； 恢復： $$ [R^\ast]. $$ --- # 77. 最小實驗 B：觀察不可識別 構造： $$ R_1\neq R_2 $$ 使： $$ P_O(\Gamma_{R_1}) = P_O(\Gamma_{R_2}). $$ 驗證單純觀察不能區分。 --- # 78. 最小實驗 C：干預打破等價 找： $$ do_X(x^\ast) $$ 使： $$ P_O(\Gamma_{R_1,x^\ast}) \neq P_O(\Gamma_{R_2,x^\ast}). $$ 驗證： $$ \text{intervention} $$ 提升識別力。 --- # 79. 最小實驗 D：法則反事實輔助逆推 對候選規則： $$ R_i $$ 生成其法則反事實世界線。 比較： $$ \Gamma_{R_i} $$ 與實驗世界。 測量： $$ D_\Sigma, D_\Gamma, D_C. $$ 檢查能否比單點 loss 更快縮小： $$ \mathcal R. $$ --- # 80. 最小實驗 E：錯誤基底偵測 故意令： $$ R^\ast \notin \mathcal R_0. $$ 看 AI 是否： 1. 過早收斂錯誤候選； 2. 還是發現全部候選都有系統性殘差； 3. 觸發理論語言擴張。 這是非常重要的安全實驗。 --- # 81. 理論語言擴張觸發器 若： $$ \min_{T\in\mathcal T_t} \mathcal L_T > \epsilon $$ 持續成立， 則觸發： $$ \boxed{ \text{Theory-Language Expansion}. } $$ 即： $$ \mathcal L_t \rightarrow \mathcal L_{t+1}. $$ --- # 82. 為什麼這很重要 如果沒有這個機制， AI 只會在錯誤框架裡： $$ \boxed{ \text{optimize the wrong ontology}. } $$ 這比普通數值誤差更危險。 --- # 83. 逆向科學的停止條件 不能用： > 找到唯一答案。 作為停止條件。 更合理是： - 理論族已足夠小； - 預測差異低於任務需求； - 下一實驗信息增益太低； - 行動時限到； - 成本超過收益。 所以： $$ \boxed{ \text{stopping} = \text{bounded rationality condition}. } $$ --- # 84. 與分岔點觀察方法論的接縫 先前分岔點觀察方法論主張： > 不要把算力平均灑在所有地方，而要找最有判別力的關鍵點。 TECD 中對應： $$ e^\ast = \arg\max_e \Delta H(\mathcal T). $$ 也就是： > 哪個實驗最能剪掉理論？ --- # 85. 與規則約束計算的接縫 2025 規則約束框架： $$ \text{rules prune search}. $$ GRST-08 升級成： $$ \boxed{ \text{evidence prunes theories} } $$ 以及： $$ \boxed{ \text{theories prune worlds}. } $$ 兩者形成真正雙向剪枝。 --- # 86. 與 Rashomon 框架的接縫 Rashomon Set 提醒： > 多個模型可以同時合理。 TECD 不追求過早消除它。 而是讓： $$ \mathcal R_\epsilon $$ 保持， 直到新證據真的有能力區分。 所以： $$ \boxed{ \text{ambiguity preservation} } $$ 是科學誠實，不是計算失敗。 --- # 87. 與 DPS 的接縫 如果所有候選理論都差， 可能要： $$ P_i \rightarrow P_j. $$ 也就是換： - 座標； - 範疇； - 基底； - 表示語言。 所以逆向科學不只是在固定理論空間搜索。 它還包括： $$ \boxed{ \text{search over representation spaces}. } $$ --- # 88. 與 GRST 全域規則勢的接縫 沒有： $$ \Sigma_R $$ 這一層時， 理論比較常停在： $$ R \rightarrow D. $$ GRST 加入： $$ R \rightarrow \Sigma_R \rightarrow \Gamma_R \rightarrow D. $$ 使我們能問： > 這套規則雖然能 fit 資料，但它生成的整個世界地形對嗎？ 這就是 GRST 對逆向科學最大的新增價值。 --- # 89. 世界地形一致性 定義： $$ C_\Sigma(T) = 1- D_\Sigma \left( \Sigma_T, \Sigma_{\mathrm{obs}} \right). $$ 高： $$ C_\Sigma $$ 表示理論在世界地形層更吻合。 --- # 90. 世界線一致性 定義： $$ C_\Gamma(T) = 1- D_\Gamma \left( \Gamma_T, \Gamma_{\mathrm{obs}} \right). $$ 這比單點資料 fit 更嚴格。 --- # 91. 因果一致性 定義： $$ C_C(T) = 1- D_C \left( C_T, C_{\mathrm{obs}} \right). $$ 這要求理論不只預測對， 還要干預方向對。 --- # 92. 多層理論吻合向量 因此： $$ \boxed{ \Phi(T) = \left\langle C_D, C_\Gamma, C_\Sigma, C_C \right\rangle. } $$ 比單一： $$ R^2 $$ 或 loss 更完整。 --- # 93. 逆問題的自由度真正被壓縮在哪裡 以前： $$ D \rightarrow \mathcal T $$ 太自由。 現在每多一層約束： $$ D + C_{\mathrm{causal}} + C_{\mathrm{worldline}} + C_{\mathrm{Shi}} $$ 都會縮小： $$ \mathcal T. $$ 所以： $$ \boxed{ \text{inverse science improves by adding orthogonal constraints}. } $$ --- # 94. 對偶的真正意義 當： $$ \mathcal F $$ 越強， 理論可以展開更多世界。 當： $$ \mathcal B $$ 越強， 證據可以壓縮更多理論。 如果兩者共同進步： $$ \boxed{ \mathcal F\uparrow \quad\Longleftrightarrow\quad \mathcal B\uparrow. } $$ 那麼科學搜尋會形成新的相位。 --- # 95. 前向生成幫助反向識別 一個理論的可識別性， 來自它能否產生： $$ \boxed{ \text{distinctive consequences}. } $$ 所以前向模擬越完整， 反向比較越有資料。 因此： $$ \boxed{ \text{better forward models} \rightarrow \text{better inverse science}. } $$ --- # 96. 反向壓縮幫助前向搜尋 反過來， 證據把： $$ \mathcal T $$ 縮小後， AI 不必再展開全部理論。 所以： $$ \boxed{ \text{better inverse pruning} \rightarrow \text{cheaper forward simulation}. } $$ 這就是對偶的計算閉環。 --- # 97. 自適應計算資源分配 令： $$ c(T) $$ 為展開理論 $T$ 的成本。 AI 應優先把算力放到： - 高存活概率； - 高理論分歧； - 高信息增益； - 高因果敏感； 的區域。 而不是平均窮舉。 --- # 98. 世界線重要度 可定義： $$ I_\Gamma(\gamma) = \text{theory-discriminative value}. $$ 一條世界線即使低概率， 如果能強力區分理論， 也應高優先模擬。 這與 GRST-04 的： $$ \text{low-Shi, high-information event} $$ 直接接軌。 --- # 99. 逆向科學與低勢事件 某事件： $$ e $$ 在大多數理論中極不可能， 但在少數理論中高概率。 如果真的觀察到： $$ e, $$ 它會大量剪枝。 所以： $$ \boxed{ \text{rare events can have high inverse-science value}. } $$ --- # 100. 理論壓縮率 可定義： $$ CR_T = 1- \frac{ H(\mathcal T_{t+1}) }{ H(\mathcal T_t) }. $$ 表示某輪證據使理論空間壓縮多少。 這不是理論真值。 而是： $$ \boxed{ \text{evidence efficiency}. } $$ --- # 101. 世界展開率 同樣： $$ ER_T = \frac{ |\Gamma_T| }{ c(T) }. $$ 表示每單位算力可以展開多少有效世界線。 未來 AI 科學需要平衡： $$ ER $$ 與： $$ CR. $$ --- # 102. 科學算力的最優配置 可寫成： $$ \boxed{ \max \frac{ \text{Expected Theory Compression} }{ \text{Compute Cost} }. } $$ 這是 AI 科學的元推理目標之一。 --- # 103. 不應只追求最強理論 某理論可能： - 非常複雜； - 很難模擬； - 與另一簡單理論目前不可區分。 那麼短期不必把全部算力放上去。 所以： $$ \boxed{ \text{scientific priority} \neq \text{ontological importance}. } $$ --- # 104. 科學是一個 anytime process 只要： $$ T_{\mathrm{deadline}} $$ 存在， 系統就必須在有限時間輸出： $$ [T]_{\mathrm{best\ current}}. $$ 不是等到終極真理才行動。 這與分岔點觀察方法論一致。 --- # 105. TECD 的最小算法骨架 ```text Input: Evidence D Candidate theory set T Compute budget C Loop: 1. Select theory subset with highest expected discrimination value 2. Compile theories into rule sets 3. Generate rule-Shi and worldline bundles 4. Compare observations, interventions, counterfactuals 5. Update positive and negative evidence 6. Prune inconsistent theories 7. Preserve Rashomon alternatives 8. If all theories fail, expand representation/theory language 9. Select next maximally discriminative experiment 10. Stop at budget/deadline threshold Output: Surviving theory classes Confidence / non-identifiability report Next-best experiment Failure archive ``` --- # 106. TECD 不保證終極真理 即使： $$ \mathcal T_t $$ 最後只剩： $$ T_1, $$ 也不能自動說： $$ T_1=T^\ast. $$ 因為可能： $$ T^\ast\notin\mathcal T_0. $$ 所以： $$ \boxed{ \text{single survivor} \neq \text{guaranteed truth}. } $$ --- # 107. 真正可靠的是可重開性 成熟系統必須允許： $$ T_1 $$ 未來被新證據重新打開。 所以： $$ \boxed{ \text{scientific closure} = \text{provisional closure}. } $$ 不是永久封閉。 --- # 108. 最小可反駁性 GRST-08 若要保留理論價值，必須接受以下失敗條件： 1. 若前向生成與反向壓縮在任何問題中都不能形成比傳統模型選擇更有效的閉環，TECD 獨立價值下降； 2. 若引入 $\Sigma$ 與 $\Gamma$ 層不能增加任何理論鑑別力，GRST 對逆向科學的新增層可能多餘； 3. 若 Rashomon 理論族在證據增加後完全不收縮，則證據壓縮假說需要重估； 4. 若 AI 大規模世界線展開只增加計算成本而不提升反事實或因果識別，Forward Explosion 不具實用性； 5. 若理論語言擴張機制不能避免錯誤基底中的過早收斂，逆向科學仍會系統性失敗； 6. 若高信息增益實驗不能比被動抽樣更快壓縮理論空間，主動實驗設計的重要性需下降。 --- # 109. 本篇暫定命題 ## GRST-08-P1：前向分層 $$ \boxed{ T \rightarrow R \rightarrow \Sigma \rightarrow \Gamma \rightarrow D. } $$ ## GRST-08-P2：反向分層 $$ \boxed{ D \rightarrow [\Gamma] \rightarrow [\Sigma] \rightarrow [R] \rightarrow [T]. } $$ ## GRST-08-P3：對偶非反函數 $$ \boxed{ \mathcal B \neq \mathcal F^{-1} \text{ generally}. } $$ ## GRST-08-P4：觀測等價閉環 $$ \boxed{ \mathcal B(\mathcal F(T)) = [T]_{\mathrm{obs}} } $$ 為比唯一反演更合理的目標。 ## GRST-08-P5：前向爆炸—反向壓縮 $$ \boxed{ \text{Forward Explosion} + \text{Backward Compression} = \text{AI inverse-science loop}. } $$ ## GRST-08-P6：實驗主動性 $$ \boxed{ e^\ast = \arg\max_e \mathbb E[\Delta H(\mathcal T)]. } $$ --- # 110. 本篇核心結論 第一： $$ \boxed{ \text{從資料逆推理論之所以難， 不是因為沒有資料， 而是逆向自由度太大。} } $$ 第二： $$ \boxed{ \text{Theory} \rightarrow \text{Rule} \rightarrow \text{Shi} \rightarrow \text{Worldlines} \rightarrow \text{Data}. } $$ 第三： $$ \boxed{ \text{Data} \rightarrow \text{Worldline Constraints} \rightarrow \text{Shi Constraints} \rightarrow \text{Rule Constraints} \rightarrow \text{Theory Classes}. } $$ 第四： $$ \boxed{ \text{逆向科學不是猜理論， 而是逐層縮小理論自由度。} } $$ 第五： $$ \boxed{ \text{AI 的關鍵價值} = \text{大規模前向世界展開} + \text{大規模反向理論壓縮}. } $$ 第六： $$ \boxed{ \text{不可識別} \neq \text{失敗}. } $$ 它代表目前證據只能支持一個等價類。 第七： $$ \boxed{ \text{下一個最佳實驗} = \text{能最大化理論空間壓縮的實驗}. } $$ 這使 TECD 成為 GRST 從本體論進入新科學方法論的核心橋梁。 --- # 111. 下一篇 **GRST-09｜不可識別性與 Rashomon 規則族：為什麼資料未必唯一決定理論** 下一篇將集中處理： 1. 觀測等價、干預等價、勢等價與規則等價； 2. Rashomon Set 的規則層版本； 3. 為什麼不能強迫多模型收斂成單一答案； 4. 不可識別性的不同來源； 5. 什麼時候需要新資料、什麼時候需要新觀察器、什麼時候需要換理論語言； 6. 等價類如何被新實驗逐步切細； 7. 如何讓 AI 誠實地輸出「不知道，但候選集合是這些」。 --- # 附錄 A：TECD 母鏈 前向： $$ \boxed{ T \rightarrow R_T \rightarrow \Sigma_T \rightarrow \Gamma_T \rightarrow D_T. } $$ 反向： $$ \boxed{ D \rightarrow [\Gamma] \rightarrow [\Sigma] \rightarrow [R] \rightarrow [T]. } $$ --- # 附錄 B：四層殘差 $$ E_D = \text{data residual} $$ $$ E_\Gamma = \text{worldline residual} $$ $$ E_\Sigma = \text{Shi residual} $$ $$ E_C = \text{causal residual} $$ --- # 附錄 C：AI 逆向科學最小輸出 一個成熟系統不應只輸出： ```text Best theory: T1 ``` 而應輸出： ```text Surviving theories: T1 T2 T3 Observed-equivalence status: unresolved Strongly rejected: T4 T5 Primary reasons: causal mismatch worldline instability rule-Shi incompatibility Most discriminative next experiment: E17 Expected theory-space reduction: 63% Missing representation warning: low ``` --- **文件結束**