# 全域規則勢論 09：不可識別性與 Rashomon 規則族——為什麼資料未必唯一決定理論 ## Global Rule-Shi Theory 09: Non-Identifiability and Rashomon Rule Families **系列：** 全域規則勢論（Global Rule-Shi Theory, GRST） **篇次：** GRST-09 / 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／因果識別／模型多解性／AI 認識論 **狀態：** Working Paper / Identifiability Draft **前篇：** GRST-01 至 GRST-08 **主要前置框架：** Rashomon 因果框架、TECD、FDCS、DPS、規則約束計算、理論存活判準 --- ## 摘要 GRST-08 提出理論展開—證據壓縮對偶： $$ T \rightarrow R \rightarrow \Sigma \rightarrow \Gamma \rightarrow D, $$ 以及反向： $$ D \rightarrow [\Gamma] \rightarrow [\Sigma] \rightarrow [R] \rightarrow [T]. $$ 本文專門處理方括號中的問題：**為什麼資料即使很多，也未必唯一決定理論？** 本文提出多層不可識別性。兩個理論 $T_1,T_2$ 可以分別在以下層級等價： $$ T_1\sim_O T_2 $$ 表示觀測等價； $$ T_1\sim_I T_2 $$ 表示干預等價； $$ T_1\sim_\Sigma T_2 $$ 表示規則勢等價； $$ T_1\sim_R T_2 $$ 表示規則等價； $$ T_1\sim_P T_2 $$ 表示表示／投影等價。 這些等價關係不必重合。兩理論可能在觀察層不可區分，但一經干預便分離；也可能規則語法不同，卻生成近似同構的全域規則勢；甚至可能只因使用不同坐標、變數或形式語言而表面不同，實際描述同一結構。 本文將 Rashomon Set 從模型層提升到 GRST 的多層架構。定義理論族： $$ \mathcal T_\epsilon(D) = \left\{ T: L(T,D)\leq L^\ast+\epsilon \right\}, $$ 規則族： $$ \mathcal R_\epsilon(D) = \left\{ R_T: T\in\mathcal T_\epsilon(D) \right\}, $$ 以及勢族： $$ \mathcal S_\epsilon(D) = \left\{ \Sigma_R: R\in\mathcal R_\epsilon(D) \right\}. $$ Rashomon 規則族不是「還沒選出最好模型」的暫時垃圾桶，而可能是資料本身結構性不足的真實反映。若多個規則在所有可觀測與可干預條件下都不可區分，科學上正確的輸出不是強迫選一個，而是： $$ \boxed{ \text{currently non-identifiable rule class} } $$ 本文並區分五類不可識別來源：資料不足、觀察器不足、干預不足、表示不足與規則本身等價。它們需要完全不同的修復方式。成熟 AI 科學系統因此不應只輸出 Best Theory，而應輸出 surviving theory classes、equivalence level、rejected families、missing discriminator、next-best experiment 與 representation warning。 **關鍵詞：** 不可識別性、Rashomon Set、規則族、觀測等價、干預等價、規則勢等價、理論等價類、AI 科學、科學誠實 --- # 1. 問題：資料很多，為什麼答案還可能不唯一？ 常見直覺是： $$ D\rightarrow T. $$ 似乎只要： $$ |D|\rightarrow\infty, $$ 理論就應該收斂成唯一： $$ T^\ast. $$ 但一般並不成立。 可能存在： $$ T_1\neq T_2 $$ 卻： $$ P(D\mid T_1) = P(D\mid T_2). $$ 因此： $$ \boxed{ \text{more data} \not\Rightarrow \text{unique theory necessarily}. } $$ 資料增加可以縮小候選空間，但未必消滅結構性多解。 --- # 2. 不可識別性的最低定義 **定義 2.1（不可識別性）** 若在允許的觀察與實驗集合 $\mathcal E$ 下，存在： $$ T_1\neq T_2 $$ 使： $$ \forall e\in\mathcal E, \qquad P(D_e\mid T_1) = P(D_e\mid T_2), $$ 則稱： $$ T_1 \sim_{\mathcal E} T_2. $$ 也就是： > 在目前允許的證據通道中，兩理論無法被區分。 --- # 3. Unknown 不等於 Non-identifiable 「不知道」至少有兩種。 第一種是： > 還沒算完、還沒收集夠資料。 第二種是： > 即使把目前允許的資料都收完，多個理論仍產生完全相同後果。 所以： $$ \boxed{ \text{Unknown} \neq \text{Non-identifiable}. } $$ 這個區分對 AI 科學極重要。 --- # 4. 觀測等價 定義： $$ T_1\sim_O T_2 $$ 若： $$ P_O(\Gamma_{T_1}) = P_O(\Gamma_{T_2}). $$ 表示在觀察器 $O$ 下，兩理論產生相同資料。 但： $$ \boxed{ \text{same observation} \neq \text{same world}. } $$ 因為差異可能被投影抹掉。 --- # 5. 觀測等價的來源 包括： - 感測解析度不足； - 取樣太少； - 時間窗太短； - 關鍵變數不可測； - 投影丟失維度； - 噪音蓋過差異。 所以觀測不可識別不一定是理論問題。 它也可能是： $$ \boxed{ \text{observer bottleneck}. } $$ --- # 6. 干預等價 若對所有允許干預： $$ do_X(a) $$ 都有： $$ P(D\mid do_X(a),T_1) = P(D\mid do_X(a),T_2), $$ 則： $$ T_1\sim_I T_2. $$ 這比： $$ \sim_O $$ 更強。 --- # 7. 觀測等價不推出干預等價 可能： $$ T_1\sim_O T_2 $$ 但： $$ T_1\not\sim_I T_2. $$ 亦即： > 平常看起來一樣，一干預就分開。 因此： $$ \boxed{ \text{intervention refines observational equivalence classes}. } $$ --- # 8. 規則勢等價 GRST 新增： $$ R_1\sim_\Sigma R_2 $$ 當： $$ \Sigma_{R_1} \cong \Sigma_{R_2} $$ 在指定尺度、時間窗與研究域下成立。 這表示： > 規則文字可以不同，但它們生成的未來地形近似相同。 所以： $$ \boxed{ \text{different rule syntax} \not\Rightarrow \text{different world structure}. } $$ --- # 9. 規則等價 若兩理論： $$ T_1,T_2 $$ 編譯後： $$ R_{T_1}=R_{T_2}, $$ 則： $$ T_1\sim_R T_2. $$ 它們可能在敘述上不同，但執行層完全相同。 --- # 10. 表示等價 若存在可逆映射： $$ \phi:T_1\leftrightarrow T_2 $$ 保持所有相關結構、預測與干預後果， 則： $$ T_1\sim_P T_2. $$ 這可能只是： - 換坐標； - 換變數； - 換基底； - 換語言。 所以： $$ \boxed{ \text{different formulation} \neq \text{different ontology necessarily}. } $$ --- # 11. 五層等價 因此： $$ \boxed{ \sim_O, \quad \sim_I, \quad \sim_\Sigma, \quad \sim_R, \quad \sim_P } $$ 必須分開。 科學系統不只要問： > 這兩個理論一不一樣？ 而要問： > 它們在哪一層不一樣？ --- # 12. Rashomon Set 定義理論 Rashomon Set： $$ \boxed{ \mathcal T_\epsilon(D) = \left\{ T: L(T,D)\leq L^\ast+\epsilon \right\}. } $$ 它表示： > 有多個理論在目前資料上幾乎同樣好。 --- # 13. 規則 Rashomon Set 把理論映射到規則： $$ \boxed{ \mathcal R_\epsilon(D) = \left\{ R_T: T\in\mathcal T_\epsilon(D) \right\}. } $$ 有可能： $$ |\mathcal R_\epsilon| < |\mathcal T_\epsilon|. $$ 因為不同理論可能導出同一規則。 --- # 14. 勢 Rashomon Set 再定義： $$ \boxed{ \mathcal S_\epsilon(D) = \left\{ \Sigma_R: R\in\mathcal R_\epsilon(D) \right\}. } $$ 又可能： $$ |\mathcal S_\epsilon| < |\mathcal R_\epsilon|. $$ 因為不同規則可能生成同構勢。 --- # 15. 世界線 Rashomon Set 同理： $$ \boxed{ \mathcal G_\epsilon(D) = \left\{ \Gamma_T: T\in\mathcal T_\epsilon(D) \right\}. } $$ 這一層真正比較： > 不同理論會生成哪些不同世界？ --- # 16. Rashomon Set 不是暫時垃圾桶 如果： $$ |\mathcal T_\epsilon|>1, $$ 不應自動理解成： > AI 還沒選好。 也可能是： $$ \boxed{ \text{the data genuinely supports multiple surviving theories}. } $$ 此時理論族本身就是答案。 --- # 17. 不可識別性的五種來源 本文提出： $$ \boxed{ U_{\mathrm{id}} \sim \left( U_D, U_O, U_I, U_P, U_R \right). } $$ 這裡使用向量式，而不是硬宣稱線性可加。 其中： - $U_D$：資料不足； - $U_O$：觀察器不足； - $U_I$：干預不足； - $U_P$：表示不足； - $U_R$：規則本身等價。 --- # 18. 資料不足 如果只是樣本太少： $$ U_D\gg0, $$ 解法是： $$ \boxed{ \text{more and more diverse data}. } $$ 這是最普通的情況。 --- # 19. 觀察器不足 若關鍵差異被： $$ P_O $$ 壓掉， 再多同類資料也沒用。 需要： - 新感測器； - 新尺度； - 新測量； - 新變數。 所以： $$ \boxed{ \text{more data from the same blind projection} } $$ 可能毫無幫助。 --- # 20. 干預不足 若被動觀察永遠分不開： $$ T_1\sim_O T_2, $$ 但存在： $$ do_X $$ 可使： $$ T_1\not\sim_I T_2, $$ 真正缺的是實驗，而不是資料量。 --- # 21. 表示不足 若理論語言根本不能表達真實差異： $$ U_P\gg0, $$ 就需要： $$ P_i\rightarrow P_j. $$ 例如： - 加新變數； - 改坐標； - 改範疇； - 加歷史； - 加規則勢； - 改模型基底。 這是最容易被誤診成「資料不夠」的情況。 --- # 22. 規則本身等價 如果： $$ R_1\neq R_2 $$ 但所有可操作後果都同構， 那麼： $$ U_R $$ 可能無法被消除。 這時唯一底層語法未必具有可操作科學意義。 也許真正可識別的是： $$ \boxed{ [R]_\Sigma. } $$ --- # 23. 語法真實與結構真實 這帶出： $$ \boxed{ \text{syntactic uniqueness} \neq \text{structural uniqueness}. } $$ 科學未必需要知道世界「究竟用哪套語法寫」。 但可以知道： - 哪些狀態可達； - 哪些不變量穩定； - 哪些因果存在； - 哪些規則勢結構被保留。 --- # 24. 識別深度 可定義： $$ L_{\mathrm{id}}(T_1,T_2) $$ 表示： > 兩理論要到哪一層才可被區分？ 例如： - $O$：觀察即可區分； - $I$：需要干預； - $\Sigma$：需要勢／世界線分析； - $P$：需要換表示才可區分。 --- # 25. 識別成本 越深的識別通常越貴。 可寫： $$ c_O < c_I < c_\Sigma $$ 作為常見但非必然關係。 因此最佳科學策略不是一開始就用最昂貴方法。 而是： $$ \boxed{ \text{use the cheapest discriminator that resolves the ambiguity}. } $$ --- # 26. 等價類逐步切細 初始候選： $$ [T]_0. $$ 加入觀察： $$ [T]_O. $$ 加入干預： $$ [T]_I. $$ 加入規則勢與世界線： $$ [T]_\Sigma. $$ 理想地： $$ \boxed{ [T]_0 \supseteq [T]_O \supseteq [T]_I \supseteq [T]_\Sigma. } $$ 但不保證最後縮成單點。 --- # 27. 等價類本身可以是最終答案 如果： $$ [T]_\Sigma $$ 在所有可操作條件下仍無法細分， 則： $$ \boxed{ [T]_\Sigma } $$ 就是目前最精確答案。 強迫選一個成員，只是在製造虛假確定性。 --- # 28. 科學誠實原則 本文提出： $$ \boxed{ \text{Do not collapse an equivalence class without evidence}. } $$ 這是 AI 科學的核心紀律之一。 --- # 29. AI 的過早單點收斂問題 AI 很容易因語言格式要求輸出： > 最可能是 T1。 即使真正情況是： $$ \mathcal T_\epsilon = \{T_1,T_2,T_3\}. $$ 這會把： $$ \text{epistemic uncertainty} $$ 偽裝成： $$ \text{certainty}. $$ --- # 30. 應改成集合式輸出 例如： ```text Surviving theory family: T1 T2 T3 Current equivalence: observationally equivalent Intervention status: unresolved Next discriminator: E7 ``` 這比單一答案更科學。 --- # 31. 概率排序也可能誤導 如果： $$ T_1,T_2 $$ 結構性不可識別， posterior： $$ P(T_1\mid D)=0.51, $$ $$ P(T_2\mid D)=0.49 $$ 可能主要來自 prior。 所以： $$ \boxed{ \text{probabilistic ranking} \neq \text{structural identification}. } $$ --- # 32. 應同時輸出等價層 AI 應能輸出： $$ T_1\sim_O T_2 $$ 但： $$ T_1\not\sim_I T_2. $$ 這比只給機率更有科學信息。 --- # 33. Rashomon 族內距離 可同時定義： $$ D_T(T_i,T_j), $$ $$ D_R(R_i,R_j), $$ $$ D_\Sigma(\Sigma_i,\Sigma_j), $$ $$ D_\Gamma(\Gamma_i,\Gamma_j). $$ 這樣能分辨： > 它們只是文字不同，還是世界生成真的不同？ --- # 34. 多層聚類 對： $$ \mathcal T_\epsilon $$ 做多層聚類： $$ \mathcal C_1,\ldots,\mathcal C_k. $$ 群內可能共享： - 相同規則； - 相同勢； - 相同觀察； - 不同因果細節。 這能大幅降低理論比較成本。 --- # 35. 代表理論與等價類 可選代表： $$ T_i^{\mathrm{rep}} $$ 作為工程用模型， 但必須保留： $$ \mathcal C_i. $$ 因此： $$ \boxed{ \text{representative} \neq \text{unique truth}. } $$ --- # 36. 商空間搜尋 若： $$ R_1\sim_\Sigma R_2, $$ 可以在： $$ \boxed{ \mathcal R/{\sim_\Sigma} } $$ 上搜尋。 這樣不必浪費算力反覆探索生成同一勢的規則。 --- # 37. 商空間不是失憶 $$ \mathcal R \rightarrow \mathcal R/{\sim_\Sigma} $$ 不是刪除原始規則。 而是建立高階索引。 所以： $$ \boxed{ \text{quotienting} \neq \text{forgetting}. } $$ --- # 38. 更好的觀察器會細化商類 如果： $$ O\rightarrow O' $$ 解析度提高， 原本： $$ R_1\sim_O R_2 $$ 可能變成： $$ R_1\not\sim_{O'}R_2. $$ 因此： $$ \boxed{ \text{better instruments refine equivalence classes}. } $$ --- # 39. 干預也會細化等價類 加入： $$ do_X $$ 可能使： $$ [T]_O \rightarrow [T]_I. $$ 所以干預的本質之一是： $$ \boxed{ \text{equivalence-class refinement}. } $$ --- # 40. 規則反事實的作用 GRST-07 的： $$ do_R $$ 可比較： $$ \Sigma_{R_1} $$ 與： $$ \Sigma_{R_2}. $$ 這幫助辨認： > 哪些規則差異只是語法，哪些差異真的改變世界勢？ --- # 41. 不可識別性與實驗設計 若： $$ |\mathcal T_\epsilon| $$ 仍大， 則搜尋： $$ e^\ast = \arg\max_e \mathbb E \left[ H(\mathcal T_\epsilon) - H(\mathcal T_\epsilon\mid e) \right]. $$ 也就是： $$ \boxed{ \text{maximize expected equivalence-class refinement}. } $$ --- # 42. 最小分割實驗 對候選族： $$ \mathcal C $$ 找： $$ e^\ast $$ 使實驗結果把它分成： $$ \mathcal C_1,\ldots,\mathcal C_m $$ 並使： $$ \max_i|\mathcal C_i| $$ 盡可能小。 這是一個 minimax 鑑別策略。 --- # 43. 不可識別性與負證據 有時最有效的識別不是證明誰對， 而是一次排除： $$ T_4,T_5,T_6. $$ 所以： $$ \boxed{ \text{identification can proceed by elimination}. } $$ 這直接接 GRST-06 的負知識。 --- # 44. 理論活著不代表被強支持 某理論： $$ T $$ 仍在候選集， 可能只是： $$ \boxed{ \text{not yet distinguishable from the rest}. } $$ 所以理論狀態不能只有： ```text alive / dead ``` --- # 45. 理論狀態建議 至少區分： ```text supported weakly-supported observationally-equivalent interventionally-unresolved representation-limited contradicted archived ``` 這比 true / false 更符合研究流程。 --- # 46. 「不知道」的六種形式 成熟 AI 應區分： 1. 沒有資料； 2. 還沒算完； 3. 觀察器看不到； 4. 需要干預； 5. 理論表示不夠； 6. 本質不可識別。 這六種「不知道」的下一步完全不同。 --- # 47. 科學誠實輸出協議 最小輸出可寫： $$ \boxed{ \left\langle \text{Candidates}, \text{Equivalence Level}, \text{Rejected}, \text{Missing Discriminator}, \text{Next Experiment}, \text{Representation Warning} \right\rangle. } $$ --- # 48. Occam 的正確位置 若： $$ T_1\sim T_2 $$ 且： $$ K(T_1) 它們現在看起來一樣，但生成的世界地形其實差很多。 這能引導新實驗。 --- # 51. 勢差導向實驗 搜尋： $$ x^\ast = \arg\max_x D_\Sigma \left( \sigma_{T_1}(x), \sigma_{T_2}(x) \right). $$ 在： $$ x^\ast $$ 附近做實驗， 最可能把兩理論分開。 --- # 52. 世界線差導向實驗 同理： $$ x^\ast = \arg\max_x D_\Gamma \left( \Gamma_{T_1,x}, \Gamma_{T_2,x} \right). $$ 這是： $$ \boxed{ \text{worldline-discriminative experiment}. } $$ --- # 53. 因果差導向實驗 若主要差異在因果結構， 應選： $$ do(X=x^\ast) $$ 使： $$ D_C $$ 最大。 --- # 54. 多層鑑別函數 可定義： $$ J(e) = \lambda_O D_O + \lambda_I D_I + \lambda_\Sigma D_\Sigma + \lambda_\Gamma D_\Gamma. $$ 選： $$ e^\ast = \arg\max_e J(e). $$ 這是多層實驗設計。 --- # 55. 計算不可識別性 有些理論其實可識別， 只是成本： $$ c_{\mathrm{distinguish}} > C_{\mathrm{budget}}. $$ 這是： $$ \boxed{ \text{computational non-identifiability}. } $$ 不是本體不可識別。 --- # 56. 時間窗不可識別性 兩理論在： $$ TT_c $$ 開始分岔。 若實驗只能跑到： $$ T