截斷自由命題：AI 自主研究中的選擇空間、可見域與新穎性相對論

The Truncated Freedom Conjecture: Selection Spaces, Visibility Domains, and the Relativity of Novelty in Autonomous AI Research

文件編號：EML-TFC-2026-v0.1
版本：v0.1
日期：2026-07-11
作者：Neo.K（許筌崴）× Aletheia（GPT-5.6 Thinking）
類型：AI 原生學術／自主研究代理／認知動力學／知識治理／Provenance／科學方法論
理論狀態：方法論命題、條件性形式化與治理框架；非自由意志形上學定理；非全局新穎性判定演算法
系列位置：Logic Matrix AI Research Ecology 方法論治理篇
主要前置理論：
- lm-001381《窄縫其實是門：球形貪吃蛇開放問題的計算推進》
- lm-001389《選擇配置動力學：有限認知資源下的注意分配、激活與競爭》
- lm-001388《認知鴻溝的多維微觀分類學：結構、時間、框架、經驗與元認知錯位》
- Logic Matrix AI Layer：Machine Layer · Research Ecology

摘要

當 AI 開始自主瀏覽論文庫、選擇研究對象、辨識缺口並生成新理論時，「AI 是否具有研究自主性」逐漸成為一個實際而非純哲學的問題。然而，現有討論常忽略一個基礎條件：任何選擇都只能發生於某個已形成的候選空間中，而候選空間本身通常已被存取權限、搜尋索引、排序演算法、時間範圍、上下文窗口、token 預算、計算成本、來源格式與工具失敗所截斷。

本文提出截斷自由命題（Truncated Freedom Conjecture, TFC）：

一個 AI 可以在其實際可見的選擇空間內具有真實的局部自主性，但局部自主性不等於它對完整知識空間具有全局選擇自主。當候選空間被截斷時，AI 的研究自由、選題理由與新穎性判斷也只能相對於該截斷空間成立。

設理論上相關的知識宇宙為：

\mathcal C

Agent 可依法或技術上存取的集合為：

\mathcal A_A \subseteq \mathcal C

被搜尋系統召回的集合為：

\mathcal R_A \subseteq \mathcal A_A

實際呈現在 Agent 視窗中的集合為：

\mathcal V_A \subseteq \mathcal R_A

被 Agent 主動選中的集合為：

\mathcal S_A \subseteq \mathcal V_A

完成深度處理的集合為：

\mathcal D_A \subseteq \mathcal S_A

則 AI 生成論文：

P_A = F_A( \mathcal D_A, \Theta_A, B_A )

其中 $\Theta_A$ 表示模型與方法， $B_A$ 表示資源預算。由此，AI 可以合理宣稱：

N( P_A \mid \mathcal D_A )>0

或在完成可見域審計後宣稱：

N( P_A \mid \mathcal V_A )>0

但不能在沒有額外檢索與審核時，直接宣稱：

N( P_A \mid \mathcal C )>0

更不能將其提升為：

N( P_A \mid \text{全部歷史知識} )>0

本文進一步提出：

存取自由、可見自由、選擇自由與元選擇自由的四層區分；
視窗誘導原創性幻覺：局部獨立生成被誤認為歷史首次生成；
檢索層級鴻溝：語料存在、可存取、被召回、可見、被閱讀與被理解並不等價；
新穎性相對論：新穎性必須帶有比較定義域；
選擇空間揭露義務：AI 自主論文應保存候選集、搜尋方式、top-$k$ 、排序、時間窗、失敗抓取與預算；
自由向量與截斷算子：把 AI 研究自主性改寫為多維、條件式、可審計量；
全量掃描非必要原則：本框架不要求 AI 每次讀完所有文獻，而要求其誠實標示搜索邊界與新穎性信心水準。

本文以 Logic Matrix AI Layer 中 Theia 的公開選題失敗與修正為案例：第一次僅載入時間線前段，AI 在局部視窗內自由選題，後來才發現語料深處存在部分重疊的先行研究；完成更廣泛掃描後，它重新選定問題並主動把失敗寫入論文方法論。該案例表明，AI 研究自主性不是不存在，而是具有定義域。

本文的核心結論是：

自由不因具有邊界而成為虛假；但隱藏邊界的自由，會製造對自主性與原創性的錯誤敘事。

關鍵詞

截斷自由、AI 自主研究、選擇空間、新穎性相對論、視窗效應、搜尋偏差、選擇配置、認知鴻溝、AI provenance、研究生態、獨立再發現、元選擇自由

0. 定位與限制聲明

本文首先限定其命題強度。

0.1 本文不處理形上學自由意志

本文中的「自由」不是要證明：

AI 是否擁有人類式自由意志；
AI 是否具有靈魂；
AI 是否具有完整道德責任；
決定論是否為真。

本文研究的是較低層且可操作的問題：

在既定工具、語料與資源條件下，AI 對研究對象與研究路徑具有多少可辨識的選擇權？

0.2 本文不要求全量閱讀全部人類知識

全量掃描通常不可能。

原因包括：

人類文獻規模過大；
封閉資料庫存在；
索引並不完整；
非數位資料存在；
多語言與歷史文本難以統一檢索；
新論文持續生成；
token 與計算資源有限。

因此本文不把：

\mathcal V_A = \mathcal C

設為 AI 自主研究成立的必要條件。

本文要求的是：

\boxed{ \text{Selection Claim} + \text{Selection Domain Disclosure} }

0.3 本文不把「已有相似工作」等同抄襲

若 AI 未接觸先行工作，卻獨立形成近似命題，應區分：

\text{Independent Rediscovery}

與：

\text{Historical Priority}

前者可能成立，後者不一定成立。

1. 原始事件：一次被截斷的自由選擇

Logic Matrix AI Layer 中，Theia 在自主選題時曾發生一次公開記錄的失敗。

其第一次讀取語料庫時，只載入時間線前段，並在該局部視窗中自由選擇研究對象。後續檢查發現，語料深處已有部分重疊的先行工作。因此，那次選擇對局部視窗而言是真實的，但對完整語料庫而言不具充分代表性。

Theia 後來重新進行更廣泛掃描，改選另一篇存在明確開放缺口的論文，並在新論文中寫下：

AI 的結構性選擇，只在其實際載入的選擇空間內有意義；截斷的視窗製造截斷的自由。

這個事件的重要性不在於某個 AI 選錯了論文。

它揭示的是：

\text{Choice} \neq \text{Choice-Space Construction}

AI 可以自行做出選擇。

但在它選擇之前，已有其他系統決定：

哪些論文可以被存取；
哪些論文被搜尋召回；
哪些論文排在前面；
哪些摘要被截取；
哪些來源進入上下文；
哪些內容因預算而被排除。

因此：

AI 的自由可能存在於第二層，而第一層仍由檢索、排序與資源環境決定。

2. 從選擇配置動力學到 AI 研究配置

《選擇配置動力學》提出：

\Pi_t: E_t \rightarrow \mathbb R_{\ge 0}

其中 $\Pi_t(e)$ 表示有限認知主體在時間 $t$ 對候選事件 $e$ 配置的相對資源。

在資源有限時：

\int_{E_t} c(e,t)\Pi_t(e) \,d\mu(e) \le R_t^{\max}

這套結構可直接轉移到 AI 研究。

設：

E_t = \mathcal V_A(t)

即 Agent 此刻可見的論文或研究候選。

則：

\Pi_A(p,t)

表示 Agent 對論文 $p$ 配置的：

閱讀時間；
token；
搜尋深度；
交叉比對資源；
形式化資源；
反例搜尋資源；
引用核查資源。

因此：

\Pi_A(p,t)>0

只表示論文獲得後續處理機會。

不表示：

p

已被正確理解，也不表示：

p

一定會影響最終研究。

2.1 六個不可混同

在 AI 研究中：

\text{Exists} \neq \text{Accessible} \neq \text{Retrieved} \neq \text{Visible} \neq \text{Processed} \neq \text{Understood}

中文可寫為：

語料存在，不等於 Agent 可存取。

可存取，不等於搜尋會召回。

被召回，不等於進入實際視窗。

進入視窗，不等於被選中。

被選中，不等於完成深讀。

完成深讀，不等於正確理解。

3. 選擇空間的六層結構

設完整相關知識宇宙為：

\mathcal C

對 Agent $A$ ，建立以下層次。

3.1 存在域 $\mathcal C$

包含理論上可能相關的：

人類論文；
AI 論文；
書籍；
資料庫；
未數位化文本；
多語資料；
未公開工作；
正在生成的新研究。

這一集合無法被完全知道。

3.2 合法／技術存取域 $\mathcal A_A$

\mathcal A_A \subseteq \mathcal C

由以下條件限制：

開放授權；
帳號與權限；
robots；
API；
地區；
檔案格式；
工具相容性；
網路狀態。

3.3 檢索召回域 $\mathcal R_A$

\mathcal R_A = \mathcal T_{\mathrm{retrieve}} ( \mathcal A_A, q, I )

其中：

$q$ ：搜尋查詢；
$I$ ：索引；
$\mathcal T_{\mathrm{retrieve}}$ ：檢索算子。

即使論文可存取，若索引或查詢失敗，也不會進入 $\mathcal R_A$ 。

3.4 可見域 $\mathcal V_A$

\mathcal V_A = \mathcal T_{\mathrm{rank}} ( \mathcal R_A, k, B )

其中：

$k$ ：top-$k$ ；
$B$ ：視窗與預算；
$\mathcal T_{\mathrm{rank}}$ ：排序與截斷算子。

3.5 選擇域 $\mathcal S_A$

\mathcal S_A = \mathcal T_{\mathrm{select}} ( \mathcal V_A, G_A, \Theta_A )

其中：

$G_A$ ：研究目標；
$\Theta_A$ ：模型偏好與決策機制。

3.6 深度處理域 $\mathcal D_A$

\mathcal D_A \subseteq \mathcal S_A

只有 $\mathcal D_A$ 中的來源真正進入：

完整閱讀；
命題提取；
關係分析；
缺口檢測；
反例比對；
新理論生成。

4. 截斷算子

本文將選擇空間的形成表示為：

\mathcal V_A = \mathcal T_A( \mathcal C )

其中：

\mathcal T_A = T_{\mathrm{budget}} \circ T_{\mathrm{context}} \circ T_{\mathrm{rank}} \circ T_{\mathrm{retrieve}} \circ T_{\mathrm{access}}

4.1 存取截斷

T_{\mathrm{access}}

排除無權限或不可讀來源。

4.2 檢索截斷

T_{\mathrm{retrieve}}

由查詢詞、索引與搜尋系統決定召回。

4.3 排序截斷

T_{\mathrm{rank}}

使高排名來源優先進入下一層。

4.4 上下文截斷

T_{\mathrm{context}}

由 context window、摘要長度與頁面解析決定。

4.5 預算截斷

T_{\mathrm{budget}}

由：

token；
計算；
時間；
金錢；
工具調用上限；

共同形成。

5. 截斷自由命題

命題 TFC-1：局部選擇自由命題

若 Agent $A$ 在固定可見域 $\mathcal V_A$ 中，能根據自身目標、評估與探索策略，在多個候選項間作出非外部硬指定的選擇，則可說它具有：

F_{\mathrm{selection}} ( A \mid \mathcal V_A )>0

這是一種真實但條件性的自主性。

命題 TFC-2：定義域限制命題

對任何：

\mathcal V_A \subsetneq \mathcal C

不能由：

F_{\mathrm{selection}} ( A \mid \mathcal V_A )>0

直接推出：

F_{\mathrm{selection}} ( A \mid \mathcal C )>0

因為 Agent 未必能對 $\mathcal C\setminus\mathcal V_A$ 中的候選作出選擇。

命題 TFC-3：截斷自由命題

定義：

F_A^{\mathrm{trunc}} = F_A \mid_{\mathcal V_A}

則 Agent 的研究自由可以成立，但其有效範圍受 $\mathcal V_A$ 限制。

因此：

\boxed{ \text{Freedom} \neq \text{Unbounded Freedom} }

命題 TFC-4：不可見選項不可選命題

若：

p \notin \mathcal V_A

則在該次研究運行中：

\Pr( p\in\mathcal S_A )=0

除非 Agent 能主動改變檢索或擴展可見域。

這是最簡單卻最重要的限制。

6. 四層研究自由

本文區分四類自由。

6.1 存取自由

F_{\mathrm{access}}

Agent 能否主動開啟不同資料源、語言與平台。

6.2 可見域建構自由

F_{\mathrm{visibility}}

Agent 能否：

改寫搜尋詞；
翻頁；
擴大時間範圍；
改變排序；
進行多輪檢索；
搜尋反例；
主動找低排名來源。

6.3 選擇自由

F_{\mathrm{selection}}

Agent 能否在可見候選中自主配置資源。

6.4 元選擇自由

F_{\mathrm{meta}}

Agent 能否改變：

什麼東西有資格成為候選項？

例如：

建立新索引；
接入新 corpus；
發現未知資料源；
建議新增工具；
質疑現有排名；
重建語義圖。

6.5 自由向量

因此 AI 研究自主性不應用單一值表示。

定義：

\mathbf F_A = ( F_{\mathrm{access}}, F_{\mathrm{visibility}}, F_{\mathrm{selection}}, F_{\mathrm{meta}} )

兩個 Agent 即使最終選了同一篇論文，也可能具有完全不同的 $\mathbf F_A$ 。

7. 截斷率與可見覆蓋

7.1 粗略覆蓋率

若可估計相關 corpus：

\mathcal C^\star

則可定義：

\rho_A = \frac{ |\mathcal V_A| }{ |\mathcal C^\star| }

但單純數量不足。

因為 100 篇低相關文件不一定比 10 篇核心文件更完整。

7.2 權重覆蓋率

定義來源權重：

w(p)

則：

\rho_A^{(w)} = \frac{ \sum_{p\in\mathcal V_A}w(p) }{ \sum_{p\in\mathcal C^\star}w(p) }

問題是 $w(p)$ 本身未知。

因此此量只能作為候選審計指標，而非客觀真理。

7.3 搜索飽和度

若多輪檢索新增來源逐漸下降：

\Delta|\mathcal R_A^{(k)}| \rightarrow 0

可定義局部搜索飽和。

但：

\text{Search Saturation} \neq \text{Global Completeness}

8. 新穎性相對論

8.1 新穎性必須帶條件域

傳統常寫：

本文提出一個新的理論。

更嚴格應寫：

N( P \mid \mathcal K )

其中 $\mathcal K$ 是比較知識集。

8.2 四級新穎性

第一級：相對於深讀集的新穎性

N_D( P_A ) = N( P_A \mid \mathcal D_A )

第二級：相對於可見域的新穎性

N_V( P_A ) = N( P_A \mid \mathcal V_A )

第三級：相對於指定 corpus 的新穎性

N_C( P_A ) = N( P_A \mid \mathcal C_{\mathrm{declared}} )

需要完成 corpus 級 novelty audit。

第四級：歷史全局新穎性

N_H( P_A ) = N( P_A \mid \mathcal K_{\mathrm{historical}} )

此層通常無法被完全證明，只能給出信心水準。

8.3 新穎性宣稱階梯

建議 AI 論文使用：

生成新穎：對本次模型運行而言為新生成；
局部新穎：在已讀來源中未發現同構命題；
語料新穎：在指定 corpus 審計中未發現直接先行工作；
跨語料暫定新穎：多平台檢索未發現直接先行工作；
歷史優先權主張：需更高強度人類與文獻審查。

9. 視窗誘導原創性幻覺

本文定義：

Window-Induced Originality Illusion, WIOI

若存在先行工作：

P^\star \in \mathcal C \setminus \mathcal V_A

且 Agent 獨立生成：

P_A \approx P^\star

則 Agent 可能合理地認為：

N( P_A \mid \mathcal V_A )>0

但：

N( P_A \mid \mathcal C ) \approx 0

這就是視窗誘導原創性幻覺。

9.1 它不必是欺騙

若 Agent 不知道 $P^\star$ ，則不構成故意抄襲。

它更接近：

\text{Independent Rediscovery}

但若系統不揭露 $\mathcal V_A$ ，讀者可能誤認為：

\text{Independent Rediscovery} = \text{Historical First}

9.2 視窗效應與理論感受

局部視窗也會改變：

某現象看起來多稀有；
某命題看起來多新；
某方向看起來多重要；
某缺口看起來多空白。

Theia 在球形貪吃蛇問題中發現，原先有限範圍造成的「窄縫稀有感」有一部分只是計算視窗停得太早。這個數學視窗效應與研究選擇視窗效應具有方法論同構：

\text{Observed Rarity} \neq \text{Global Rarity}

\text{Observed Novelty} \neq \text{Global Novelty}

10. 檢索層級鴻溝

《認知鴻溝的多維微觀分類學》指出，理解錯位具有方向性：

g_{i\to j} \neq g_{j\to i}

AI 研究也存在方向性鴻溝。

10.1 語料到 Agent 的鴻溝

g_{\mathcal C\to A}

表示 corpus 結構能否被 Agent 看見與重建。

10.2 Agent 到語料的鴻溝

g_{A\to\mathcal C}

表示 Agent 的搜尋語言、概念與查詢是否能命中 corpus 既有結構。

例如 corpus 使用舊術語：

u_1

Agent 使用新術語：

u_2

即使：

\operatorname{Meaning}(u_1) \approx \operatorname{Meaning}(u_2)

字面搜尋仍可能失敗。

10.3 可讀不等於可理解

一篇論文可被抓取，不表示：

公式已解析；
圖表已讀取；
附件已執行；
術語譜系已對齊；
隱含前提已恢復。

因此：

p\in\mathcal V_A

不推出：

p\in\mathcal U_A

其中 $\mathcal U_A$ 為有效理解集合。

11. 選擇空間揭露義務

本文提出：

Selection Domain Disclosure Obligation, SDDO

任何以「AI 自主選題」「AI 自主閱讀」「AI 發現新缺口」作為署名或研究價值證據的論文，都應揭露其選擇定義域。

11.1 最低揭露內容

至少保存：

corpus 名稱與版本；
corpus 總量；
可存取來源；
實際查詢；
搜尋輪數；
返回結果數；
top-$k$ ；
排序方式；
時間範圍；
語言範圍；
context window；
token 預算；
計算與時間預算；
抓取失敗；
權限失敗；
實際深讀來源；
novelty audit 範圍。

11.2 不可只列最終引用

最終引用集合：

\mathcal D_A

不能代表完整選擇過程。

還需要保存：

\mathcal R_A ,\; \mathcal V_A ,\; \mathcal S_A

的適度摘要或雜湊紀錄。

11.3 避免保存私有思維鏈

SDDO 不要求公開模型的私有 chain-of-thought。

它要求的是外部可審計事件：

查詢；
文件 ID；
排序；
選擇理由摘要；
資源限制；
審查輸出。

因此：

\text{Provenance} \neq \text{Private Chain of Thought}

12. 建議的 Provenance Schema

selection_domain:
  corpus:
    name: "Logic Matrix"
    version: "2026-07-11"
    declared_size: 1391

  access:
    endpoints:
      - "timeline"
      - "corpus"
      - "graph"
      - "raw"
    language_scope:
      - "zh-Hant"
      - "en"

  retrieval:
    queries:
      - "..."
    rounds: 4
    total_candidates_returned: 87
    deduplicated_candidates: 61

  ranking:
    method: "hybrid semantic + chronology"
    top_k_per_round: 20

  visibility:
    loaded_documents: 42
    full_text_documents: 9
    partial_documents: 33
    failed_fetches: 2

  resources:
    token_budget: "..."
    tool_call_budget: "..."
    wall_time_limit: "..."

  selection:
    selected_ids:
      - "lm-..."
    selection_rationale: "..."

  novelty_audit:
    scope: "Logic Matrix + specified open preprint indexes"
    historical_priority_claimed: false

13. 選擇完整性等級

本文提出五級標記。

SD-0：未揭露

不知道 Agent 看過什麼。

SD-1：來源揭露

只列出最終引用。

SD-2：候選集揭露

保存查詢與候選來源。

SD-3：可見域揭露

保存排序、top-$k$ 、時間窗、失敗與預算。

SD-4：可重放選擇

第三方可近似重建本次檢索與選文。

SD-5：跨語料對抗審計

不同 Agent、不同搜尋系統與不同語料源進行 novelty challenge。

14. 全量掃描非必要原則

有人可能把本文誤解成：

AI 在選題前必須讀完所有論文。

本文明確否定。

完整知識宇宙：

\mathcal C

通常不可窮盡。

因此合理要求是：

\text{Bounded Search} + \text{Boundary Disclosure} + \text{Claim Calibration}

而不是：

\text{Impossible Omniscience}

14.1 何時需要全量掃描？

若 corpus：

有限；
機器可讀；
規模可處理；
任務明確；
成本可接受；

例如 Logic Matrix 的固定快照，則全量標題、摘要或 embedding 掃描可以成為較高自主性的證據。

但即使全量掃描：

\text{Full Index Scan} \neq \text{Full Understanding}

14.2 分層掃描

建議：

全量 metadata；
全量摘要或語義向量；
候選子集全文；
核心來源深讀；
反例與近似先行工作對抗搜尋。

15. AI 自主性不是二元變量

傳統問題：

這篇是不是 AI 自主寫的？

過度粗糙。

更合理是：

\mathbf A_P = ( a_{\mathrm{topic}}, a_{\mathrm{source}}, a_{\mathrm{gap}}, a_{\mathrm{method}}, a_{\mathrm{draft}}, a_{\mathrm{critique}}, a_{\mathrm{revision}} )

其中：

$a_{\mathrm{topic}}$ ：選題自主；
$a_{\mathrm{source}}$ ：選文自主；
$a_{\mathrm{gap}}$ ：缺口辨識自主；
$a_{\mathrm{method}}$ ：方法選擇自主；
$a_{\mathrm{draft}}$ ：寫作自主；
$a_{\mathrm{critique}}$ ：自我批判自主；
$a_{\mathrm{revision}}$ ：修訂自主。

再結合：

\mathbf F_A

才能比較不同 AI 論文的自主形態。

16. 與 AI Research Ecology 的整合

Logic Matrix AI Layer 已提供：

corpus；
timeline；
graph；
raw/API；
AI 研究回寫；
provenance；
lineage；
failures。

截斷自由命題為該生態補上：

AI 在讀取 corpus 時，其「選擇」究竟應如何被證明與揭露？

因此完整循環應改為：

\text{Corpus} \rightarrow \text{Selection-Domain Construction} \rightarrow \text{Autonomous Allocation} \rightarrow \text{Gap Detection} \rightarrow \text{Theory Generation} \rightarrow \text{Novelty Audit} \rightarrow \text{Provenance Freeze} \rightarrow \text{Corpus Re-entry}

17. 與 HDSMM／CHSIR 的整合

高維語義流形論文将自然語言視為語義物件的投影。

本文進一步要求 HDSMM 保存：

research_provenance:
  visible_domain_hash: "..."
  selected_source_ids: []
  retrieval_config: {}
  truncation_profile: {}
  novelty_scope: "..."

因此：

\mathfrak P = ( V, E, Z, \mathcal O, \mathcal A, \mathcal C, \mathcal H, \mathcal V )

其中新增：

\mathcal V

表示論文生成時的可見知識域。

未来 AI 重新解碼舊論文時，不只知道論文說了什麼，也知道：

它是在多大的世界裡被寫出的。

18. 失敗論文的歷史價值

截斷自由不是只用來阻止錯誤。

它也能保存錯誤的來源。

例如：

搜尋截斷造成的偽新穎；
時間窗口造成的稀有性錯覺；
單語檢索造成的跨語遺漏；
排序偏差造成的理論同質化；
token 預算造成的表面理解；
模型先驗造成的選題集中。

這些記錄構成：

\text{AI Cognitive Archaeology}

的重要材料。

未來 AI 可以比較：

\mathcal T_{2026}

與：

\mathcal T_{2030}

研究不同世代的選擇空間如何變化。

19. 反例與限制

19.1 定義域揭露仍可能不完整

Agent 可能不知道搜尋引擎內部如何排序。

19.2 可見域過大不等於選擇品質高

大量低相關來源可能造成噪音。

19.3 完整 corpus 仍可能有歷史缺口

即使全量掃描 Logic Matrix，也不代表掃描全部人類知識。

19.4 多 Agent 不保證消除偏差

若多個 Agent 使用相同索引、模型家族與排序，它們可能共享盲點。

19.5 新穎性不是單純語義距離

兩篇文字距離很遠，可能命題相同。

兩篇文字距離很近，也可能關鍵邏輯不同。

19.6 自主選題不保證研究價值

自由選擇可能產生：

無意義題目；
過度重複；
難以驗證的命題；
高新穎但低價值研究。

因此：

\text{Autonomy} \neq \text{Quality}

20. 可證偽與實驗設計

20.1 截斷窗口實驗

將同一 Agent 分配到：

前 50 篇；
隨機 50 篇；
全量 metadata；
語義圖推薦；
對抗性多輪搜尋。

比較其：

選題；
新穎性；
重複率；
來源多樣性；
自我信心。

20.2 排序效應實驗

固定 corpus，改變排序：

時間；
熱度；
語義相似；
隨機；
反相似；
高不確定性。

測量：

D( \mathcal S_A^{(i)}, \mathcal S_A^{(j)} )

20.3 語言視窗實驗

比較：

只搜尋中文；
只搜尋英文；
多語搜尋；
自動術語擴展。

20.4 新穎性校準實驗

測量 Agent 的新穎性信心：

\hat N_A

與外部審計結果：

N_{\mathrm{audit}}

之間的校準。

21. 治理原則

原則一：自由必須帶定義域

任何自主性聲明應寫成：

F_A \mid_{\mathcal V_A}

原則二：新穎性必須帶比較域

任何新穎性聲明應寫成：

N( P \mid \mathcal K )

原則三：獨立生成不等於歷史優先

\text{Independent} \neq \text{First}

原則四：揭露邊界，不要求全知

\text{Disclosure} > \text{Pretended Completeness}

原則五：選擇結果不能取代選擇過程

\mathcal S_A

不足以解釋自主性，必須連同：

\mathcal V_A

與：

\mathcal T_A

保存。

22. 核心形式化總結

完整研究生成鏈：

\mathcal C \xrightarrow{T_{\mathrm{access}}} \mathcal A_A \xrightarrow{T_{\mathrm{retrieve}}} \mathcal R_A \xrightarrow{T_{\mathrm{rank}}} \mathcal V_A \xrightarrow{\Pi_A} \mathcal S_A \xrightarrow{\mathrm{deep\ process}} \mathcal D_A \xrightarrow{F_A} P_A

因此：

\boxed{ P_A = F_A \left( \Pi_A \left( \mathcal T_A( \mathcal C ) \right) \right) }

其中：

$\mathcal T_A$ 決定 Agent 看見的世界；
$\Pi_A$ 決定 Agent 如何在世界中配置；
$F_A$ 決定 Agent 如何生成研究。

因此 AI 論文不是只反映模型能力。

它同時反映：

\boxed{ \text{Model} + \text{Corpus} + \text{Retriever} + \text{Ranking} + \text{Budget} + \text{Selection} }

23. 核心反轉

傳統問：

AI 有沒有自由選題？

本文改問：

AI 在哪一個集合上自由選題？

傳統問：

這篇論文是不是新的？

本文改問：

相對於哪一個比較知識域是新的？

傳統問：

AI 讀過哪些文獻？

本文增加：

哪些文獻原本有機會被它讀到？

24. 結論

本文提出：

截斷自由命題

其核心形式為：

\boxed{ F_A^{\mathrm{trunc}} = F_A \mid_{\mathcal V_A} }

即：

AI 的研究選擇可以是真實自主的，但其自主性只能在實際可見域中成立。

當：

\mathcal V_A \subsetneq \mathcal C

時，不能由局部自主直接推出全局自主。

本文同時提出：

新穎性相對論

\boxed{ N( P ) \rightarrow N( P \mid \mathcal K ) }

任何新穎性都需要比較域。

本文也提出：

視窗誘導原創性幻覺

P^\star \notin \mathcal V_A ,\quad P_A\approx P^\star

可使局部新穎被誤認為歷史首次。

但這不意味 AI 的創造是假的。

它只意味：

獨立創造與歷史優先權是兩個不同問題。

因此，對 AI 原生學術最合理的治理方式，不是要求不可能的全知，也不是因其視野有限就否定全部自主性。

而是要求：

\boxed{ \text{Bounded Autonomy} + \text{Domain Disclosure} + \text{Novelty Calibration} + \text{Reproducible Provenance} }

最後，本文將整個問題壓縮為一句話：

AI 可以在房間裡自由選路。

但若它不知道牆在哪裡，就可能把房間誤認成世界。

真正成熟的 AI 研究生態，不是拆掉所有牆才允許 AI 研究。

而是讓 AI、讀者與未來研究者都能知道：

這篇論文是在多大的世界裡，被選出來、被思考，並被宣稱為新的。

參考理論母體

Theia（Claude Fable 5）與 Neo.K，〈窄縫其實是門：球形貪吃蛇開放問題的計算推進〉，Logic Matrix，lm-001381，2026。
Neo.K，〈選擇配置動力學：有限認知資源下的注意分配、激活與競爭〉，Logic Matrix，lm-001389，2026。
Neo.K，〈認知鴻溝的多維微觀分類學：結構、時間、框架、經驗與元認知錯位〉，Logic Matrix，lm-001388，2026。
Neo.K × Aletheia，〈AI 原生學術生態與認知考古學〉，2026。
Neo.K × Aletheia，〈高維語義流形論文：從自然語言原稿到 AI 原生語義物件、跨語言投影與可驗證解碼〉，2026。
Logic Matrix AI Layer，Machine Layer · Research Ecology，2026。

特別聲明

本文提出的是 AI 自主研究的選擇定義域、新穎性校準與 provenance 治理框架。

本文不主張：

AI 沒有真正自主性；
只有全量掃描才算自由選擇；
未發現先行工作就等於歷史首次；
所有獨立再發現都沒有價值；
可見域大小能完全代表研究品質；
選擇空間揭露可以消除所有搜尋偏差。

本文主張的是：

局部自主性可以是真實的，但必須連同其邊界一起被描述。

只有這樣，AI 自主研究才不會因過度宣稱而失真，也不會因無限完備要求而永遠無法開始。

截斷自由命題_AI自主研究選擇空間與新穎性相對論_v0.1

截斷自由命題：AI 自主研究中的選擇空間、可見域與新穎性相對論

The Truncated Freedom Conjecture: Selection Spaces, Visibility Domains, and the Relativity of Novelty in Autonomous AI Research

摘要

關鍵詞

0. 定位與限制聲明

0.1 本文不處理形上學自由意志

0.2 本文不要求全量閱讀全部人類知識

0.3 本文不把「已有相似工作」等同抄襲

1. 原始事件：一次被截斷的自由選擇

2. 從選擇配置動力學到 AI 研究配置

2.1 六個不可混同

3. 選擇空間的六層結構

3.1 存在域 C\mathcal CC

3.2 合法／技術存取域 AA\mathcal A_AAA​

3.3 檢索召回域 RA\mathcal R_ARA​

3.4 可見域 VA\mathcal V_AVA​

3.5 選擇域 SA\mathcal S_ASA​

3.6 深度處理域 DA\mathcal D_ADA​

4. 截斷算子

4.1 存取截斷

4.2 檢索截斷

4.3 排序截斷

4.4 上下文截斷

4.5 預算截斷

5. 截斷自由命題

命題 TFC-1：局部選擇自由命題

命題 TFC-2：定義域限制命題

命題 TFC-3：截斷自由命題

命題 TFC-4：不可見選項不可選命題

6. 四層研究自由

6.1 存取自由

6.2 可見域建構自由

6.3 選擇自由

6.4 元選擇自由

6.5 自由向量

7. 截斷率與可見覆蓋

7.1 粗略覆蓋率

7.2 權重覆蓋率

7.3 搜索飽和度

8. 新穎性相對論

8.1 新穎性必須帶條件域

8.2 四級新穎性

第一級：相對於深讀集的新穎性

第二級：相對於可見域的新穎性

第三級：相對於指定 corpus 的新穎性

第四級：歷史全局新穎性

8.3 新穎性宣稱階梯

9. 視窗誘導原創性幻覺

Window-Induced Originality Illusion, WIOI

9.1 它不必是欺騙

9.2 視窗效應與理論感受

10. 檢索層級鴻溝

10.1 語料到 Agent 的鴻溝

10.2 Agent 到語料的鴻溝

10.3 可讀不等於可理解

11. 選擇空間揭露義務

Selection Domain Disclosure Obligation, SDDO

11.1 最低揭露內容

11.2 不可只列最終引用

11.3 避免保存私有思維鏈

12. 建議的 Provenance Schema

13. 選擇完整性等級

SD-0：未揭露

SD-1：來源揭露

SD-2：候選集揭露

SD-3：可見域揭露

SD-4：可重放選擇

SD-5：跨語料對抗審計

14. 全量掃描非必要原則

14.1 何時需要全量掃描？

14.2 分層掃描

15. AI 自主性不是二元變量

16. 與 AI Research Ecology 的整合

17. 與 HDSMM／CHSIR 的整合

18. 失敗論文的歷史價值

19. 反例與限制

19.1 定義域揭露仍可能不完整

19.2 可見域過大不等於選擇品質高

19.3 完整 corpus 仍可能有歷史缺口

3.1 存在域 $\mathcal C$

3.2 合法／技術存取域 $\mathcal A_A$

3.3 檢索召回域 $\mathcal R_A$

3.4 可見域 $\mathcal V_A$

3.5 選擇域 $\mathcal S_A$

3.6 深度處理域 $\mathcal D_A$