跨時間敘述的 AI 因果回測框架

從時間旅行者、預言者與高維敘述到可計算的資訊來源研究

作者：Neo.K（概念提出）／Aletheia（協作整理）
版本：v0.1
日期：2026-07-20
文件類型：方法論論文／研究設計草案

摘要

時間旅行者、預言者、高維觀察者、通靈者、未來資訊持有者與各類超常敘述，長期被放置於信仰、神秘學、娛樂文化與真假爭論之中。這使相關討論反覆停留在「相信」或「不相信」的二分判斷，而缺乏一套能夠比較敘述、資訊來源、歷史條件與後續結果的系統方法。

本文提出「跨時間敘述的 AI 因果回測框架」。其核心並非直接證明或證偽時間旅行，而是將所有聲稱涉及未來資訊的敘述，轉換為可結構化、可封存、可回測、可比較的時間命題。研究者首先固定敘述的原始版本、發布時間與語境，接著重建其發言當時可取得的資訊環境，再以受時間限制的人工智慧模型、同期專家預測、趨勢外推、基準率與隨機模糊模型作為比較組。最終問題不是「是否說中」，而是該敘述是否提供了超越當時正常資訊與合理推論的穩定預測增益。

本文進一步提出「跨時間資訊增益」「高維敘述殘差」「未來資訊因果簽名」「時間封鎖沙盒」「非時間旅行者最佳對照組」等概念，並建構涵蓋過去回溯、現在封存與未來追蹤的三層研究系統。若此框架能被實作，時間旅行者研究將首次從零散都市傳說轉化為長期、公開、可重複的資料科學與因果推論研究。

關鍵詞

時間旅行者、預言、人工智慧、因果推論、歷史回測、資訊來源、世界線、高維敘述、預測評估、時間封鎖

一、研究問題的重新定義

傳統上，涉及時間旅行者或未來資訊的討論，通常被簡化為以下問題：

某個人究竟是不是時間旅行者？

這個問題看似直接，實際上卻過早要求研究者對一個極端主張作出本體論判決。只要現有證據不足，討論就會迅速分裂成兩個陣營：

\text{相信} \quad\text{vs.}\quad \text{不相信}

然而，這種二分法忽略了一個更適合研究的中介問題：

一段聲稱來自未來的敘述，與當時可取得的資訊、正常推理能力及後來實際結果相比，究竟包含多少額外資訊？

因此，本文將研究對象從「某人是否真的是時間旅行者」，重新定義為：

\text{跨時間敘述的資訊來源與預測增益}

在這個框架中，研究者不必預先承諾時間旅行是否可能，也不必假定敘述者誠實或欺騙。研究只需要處理以下幾件事：

他在什麼時間說了什麼；
當時已經知道什麼；
當時合理地能推論出什麼；
後來實際發生了什麼；
其敘述是否超越正常資訊來源；
若有超越，剩餘殘差有多大。

這使問題從神秘學真假爭論，轉化為可操作的資訊來源研究。

二、跨時間敘述的基本時間結構

每一則可研究的未來敘述，至少涉及三個時間點：

t_c<t_e\leq t_a

其中：

$t_c$ ：敘述提出、發布或被可靠封存的時間；
$t_e$ ：敘述所指事件預定發生或完成判定的時間；
$t_a$ ：研究者進行分析的時間。

例如，某人在 2012 年宣稱某事件將於 2020 年發生，而研究者於 2026 年評估，則：

t_c=2012,\qquad t_e=2020,\qquad t_a=2026

如果事件尚未到期，則：

t_c<t_a<t_e

此時敘述不能被判為成功或失敗，只能被列入前瞻追蹤。

因此，所有資料都應至少記錄：

C_i= \left( X_i, t_{c,i}, t_{e,i}, S_i, M_i, R_i \right)

其中：

$X_i$ ：敘述原文；
$t_{c,i}$ ：發布時間；
$t_{e,i}$ ：事件判定時間；
$S_i$ ：發布來源；
$M_i$ ：媒介類型；
$R_i$ ：原始版本與修改紀錄。

沒有可靠時間戳、原始來源或版本紀錄的敘述，只能作為低可信樣本，不應與事前封存資料混為一談。

三、從自然語言轉換為可檢驗命題

時間旅行者與預言敘述通常不是形式邏輯語句，而是自然語言。它們可能包含隱喻、模糊詞、條件省略、時間不明、主體不明與事後可擴張解讀。

因此，AI 的第一個功能不是判斷真假，而是將敘述轉換為結構化命題。

可將一則敘述表示為：

P_i= \left( A_i, E_i, T_i, L_i, D_i, K_i, F_i \right)

其中：

$A_i$ ：事件主體；
$E_i$ ：事件類型；
$T_i$ ：時間範圍；
$L_i$ ：地理或制度範圍；
$D_i$ ：事件方向或結果；
$K_i$ ：成立條件；
$F_i$ ：失敗或反事實條件。

例如：

未來幾年，某個東方國家將發生巨大變化。

這句話可能被結構化為：

A_i=\text{未指明國家}

E_i=\text{未定義的重大變化}

T_i=\text{未來數年}

L_i=\text{東方}

由於缺乏明確對象、事件與判準，其可否證性極低。

AI 應對其標記：

主體模糊；
時間範圍過寬；
事件類別不明；
可吸收多種結果；
無明確失敗條件。

這一步可以避免研究者在事件發生後任意擴張解讀。

四、不是命中率，而是預測增益

單純命中某個事件，不能證明資訊來自未來。

若有人預測：

未來十年會出現一次大型金融動盪。

即使結果成立，也可能只是因為大型金融動盪在十年尺度上並不罕見。

因此，研究不能只計算：

\operatorname{HitRate} = \frac{\text{命中數}}{\text{總敘述數}}

而應比較該敘述與正常基準模型之間的差異。

令：

\mathcal{I}_{t_c}

表示發言時間 $t_c$ 以前可取得的資訊集合。

建立基準模型：

B_{t_c} = f(\mathcal{I}_{t_c})

再比較時間旅行者敘述 $C$ 與基準模型對結果 $Y$ 的預測表現：

L = \operatorname{Score}(C,Y) - \operatorname{Score}(B_{t_c},Y)

本文將 $L$ 稱為：

跨時間資訊增益

若：

L\approx 0

表示敘述並未超越當時一般資訊與合理推理。

若：

L<0

表示敘述甚至比普通基準更差。

只有當：

L>0

且此結果在多個相互獨立的低基準率事件上持續出現，才形成值得進一步研究的異常樣本。

因此，真正的問題不是：

他說中了多少？

而是：

他比當時最好的正常推理多知道了多少？

五、重建發言當時的世界

跨時間敘述研究最困難的部分，不是閱讀預言，而是重建預言被提出時的資訊環境。

對每一時間點 $t$ ，應建立歷史資訊狀態：

\mathcal{W}_t = \left\{ N_t, A_t, M_t, P_t, T_t, S_t \right\}

其中：

$N_t$ ：新聞與公共事件；
$A_t$ ：學術與技術知識；
$M_t$ ：市場與經濟資訊；
$P_t$ ：政治與政策資訊；
$T_t$ ：社會趨勢與文化討論；
$S_t$ ：同期專家與群眾預測。

分析模型只能存取：

\mathcal{I}\leq t_c

禁止任何晚於敘述日期的資訊進入推理。

可定義時間存取函數：

\operatorname{Access}(d,t_c) = \begin{cases} 1,&t_d\leq t_c,\\ 0,&t_d>t_c. \end{cases}

其中 $t_d$ 為資料 $d$ 的發布時間。

這一機制稱為：

時間封鎖沙盒

如果模型使用了後來的新聞、技術、概念或事件，再聲稱某預言難以由當時知識產生，就會形成：

未來資訊洩漏

未來資訊洩漏會使整個研究失效，因此時間邊界必須成為系統最嚴格的基礎設計。

六、AI 作為非時間旅行者最佳對照組

AI 在本研究中不只是文字整理工具，而是建立基準能力的核心。

研究者可以將模型限制在某個歷史日期以前的資料，要求它對之後的世界進行預測。

例如，只允許模型使用 2000 年以前的資訊，再要求其預測 2001 至 2026 年的科技、政治、金融與社會變化。

令：

A_{t_c}^{-}

表示只能使用 $t_c$ 以前資料的 AI。

則可以比較：

\operatorname{Score} \left( A_{t_c}^{-}, Y \right)

與：

\operatorname{Score} \left( C, Y \right)

其中 $C$ 為聲稱來自未來的敘述。

若受限 AI 在相同資訊條件下，可以生成相近甚至更好的結果，則該敘述不需要未來資訊即可被解釋。

因此，AI 可以被視為：

非時間旅行者在既定資訊條件下所能達到的最佳近似推理者。

這是一個關鍵改變。過去，人們只能將預言者與普通人直覺比較；現在則可以將其與大規模資料、因果推理及多模型集成所形成的高階基準比較。

七、多基準比較框架

任何一則跨時間敘述，都不應只與單一模型比較。至少需要以下基準。

7.1 一般資訊基準

只使用當時公開資訊，模擬一般理性觀察者。

B_1=f(\mathcal{I}_{t_c})

7.2 專家基準

使用同期專家、機構、研究報告與預測市場。

B_2=f(\mathcal{E}_{t_c})

其中 $\mathcal{E}_{t_c}$ 為同期專家資訊集合。

7.3 趨勢外推基準

判斷敘述是否只是將已知趨勢向未來延伸。

B_3=g(\operatorname{Trend}_{t_c})

7.4 基準率模型

估計事件本身在指定時間窗內發生的先驗概率。

B_4=P(E\mid \text{historical frequency})

7.5 隨機敘述模型

隨機生成大量同類敘述，估計偶然命中率。

B_5=\operatorname{RandomPrediction}

7.6 模糊語義模型

生成具有寬泛時間、地點與事件描述的敘述，評估事後可匹配程度。

B_6=\operatorname{AmbiguousNarrative}

7.7 內幕資訊模型

某些精準敘述可能源自內幕消息，而不是未來資訊。

B_7=\operatorname{InsiderInformation}

因此，研究不應在「正常推測」與「時間旅行」之間直接二選一，而應比較多種可能來源。

八、資訊來源的分層排除

對任何異常敘述，可建立候選來源集合：

\mathcal{S} = \left\{ S_r, S_a, S_p, S_e, S_i, S_m, S_u \right\}

其中：

$S_r$ ：隨機命中；
$S_a$ ：模糊敘述；
$S_p$ ：正常趨勢推理；
$S_e$ ：專業知識；
$S_i$ ：內幕資訊；
$S_m$ ：事後修改或錯誤記憶；
$S_u$ ：未知來源。

研究流程應先逐層檢驗正常解釋：

C - S_r - S_a - S_p - S_e - S_i - S_m = R_u

其中 $R_u$ 為：

未解釋資訊殘差

重要的是：

R_u>0

並不等於：

\text{時間旅行已被證明}

它只表示目前模型尚不能完全解釋該敘述的來源。

因此，研究必須維持以下區分：

\text{未知} \neq \text{超自然}

但同時也不能因為不願接受異常，就預先將所有殘差歸零。

九、未來資訊因果簽名

如果資訊真的來自未來，它可能留下與普通預測不同的結構性痕跡。

本文將這些痕跡稱為：

未來資訊因果簽名

普通敘述通常具有以下來源鏈：

\mathcal{I}_{t_c} \rightarrow R_{t_c} \rightarrow C

其中 $R_{t_c}$ 是依據當時資料進行的推理。

若資訊來自未來，則假設上可能形成：

Y_{t_e} \rightsquigarrow C_{t_c}

其中 $\rightsquigarrow$ 表示逆時間資訊關聯，不預設其物理機制。

可能的因果簽名包括：

在當時缺乏可見前因的高度具體敘述；
多個相互依賴細節同時正確；
對低基準率事件的長期穩定命中；
提前使用尚未形成的概念分類；
不只預測結果，也描述正確生成機制；
事前列出分支條件與失敗條件；
在不同領域持續超越同期專家與受限 AI；
其錯誤模式不同於普通推理與隨機猜測；
能產生當代尚無法生成的新工具或新理論；
預測序列呈現非偶然的內部一致性。

任何單一特徵都不足以證明未來資訊，但多個特徵共同出現，可能構成值得保留的異常簽名。

十、高維敘述殘差

對自稱高維觀察者或世界線觀察者的敘述，不能只檢查事件命中率，還要檢查其認知結構是否真的超越線性預測。

令：

D_{\mathrm{claim}}

表示敘述者聲稱具有的觀察維度。

令：

D_{\mathrm{expression}}

表示其實際表達展現的結構維度。

則：

\Delta D = D_{\mathrm{claim}} - D_{\mathrm{expression}}

若某人聲稱可以觀察多重世界線，卻只提供單點日期預測，則可能存在高度降維落差。

真正的高維敘述，理論上應包含：

世界線分支；
條件轉移；
觀察者位置；
穩定與不穩定節點；
因果吸引域；
事件間的結構關聯；
不同未來的條件權重；
觀察行為對結果的影響。

可表示為：

P(W_i\mid O_t,A_t,C_t)

其中：

$W_i$ ：世界線；
$O_t$ ：觀察狀態；
$A_t$ ：行動；
$C_t$ ：環境條件。

如果所有高維敘述都能被普通線性推理完整模擬，則其高維主張缺乏可觀察殘差。

十一、綜合評分模型

可先建立一個原型分數：

Q_i = w_1S_i + w_2T_i + w_3N_i + w_4M_i + w_5V_i + w_6B_i - w_7A_i - w_8L_i - w_9R_i

其中：

$S_i$ ：具體性；
$T_i$ ：時間精確度；
$N_i$ ：相對當時知識的新穎性；
$M_i$ ：機制完整度；
$V_i$ ：可驗證性；
$B_i$ ：超越基準模型的增益；
$A_i$ ：語義模糊度；
$L_i$ ：資訊洩漏風險；
$R_i$ ：事後修改或重述風險。

權重 $w_1,\ldots,w_9$ 不應由研究者任意決定，而可透過：

專家標註；
多模型一致性；
歷史資料校準；
敏感度分析；
不同評分方案交叉驗證；

逐步調整。

單一分數不應被用來直接判定「真時間旅行者」，而應用於排序、聚類與異常樣本篩選。

十二、敘述者層級而非單句層級

一個人偶然說中一次，幾乎沒有研究價值。真正應分析的是完整敘述序列：

\mathcal{C}_p = \left\{ C_1,C_2,\ldots,C_n \right\}

其中 $p$ 表示某一敘述者。

研究必須保留：

所有成功敘述；
所有失敗敘述；
所有模糊敘述；
所有被刪除或修改的敘述；
所有尚未到期的敘述。

如果只蒐集成功案例，將形成：

選擇性命中偏誤

因此，可定義完整度：

K_p = \frac{\text{已收錄敘述數}} {\text{可確認的總敘述數}}

當 $K_p$ 過低時，任何命中率都缺乏意義。

進一步可分析：

命中率；
校準度；
低基準率事件表現；
不同領域的一致性；
錯誤集中模式；
敘述修改傾向；
對自身失敗的解釋方式；
是否在事件發生後擴張語義。

十三、過去、現在與未來三層研究系統

完整研究平台應包含三個時間區。

13.1 過去層：歷史回溯

對已到期敘述進行回測：

t_e<t_{\mathrm{now}}

工作包括：

找回原始資料；
確認發布時間；
重建當時資訊；
比較同期基準；
判定命中、失敗或不可判定；
分析事後敘事變形。

13.2 現在層：即時封存

對正在出現的新敘述，立即建立：

原文快照；
時間戳；
雜湊；
來源備份；
語義結構；
判定條件。

可表示為：

H(C_i,t_i)

其中 $H$ 為雜湊封存函數。

這可以防止：

刪文；
改文；
改日期；
事後補條件；
只保留命中項。

13.3 未來層：前瞻追蹤

對尚未到期的敘述建立事件監測器：

t_e>t_{\mathrm{now}}

當時間到達或條件成立時，自動進行評估。

因此，研究不再只是對過去都市傳說進行考古，而是成為持續運作的：

跨時間敘述觀測站

十四、資料庫基本架構

每一筆資料可包含以下欄位：

claim_id
speaker_id
source_url
source_type
original_text
language
published_at
archived_at
target_start
target_end
target_entity
event_type
location
conditions
failure_conditions
specificity_score
ambiguity_score
edit_risk
source_reliability
baseline_models
evaluation_status
observed_outcome
prediction_gain
unexplained_residual
review_history

除此之外，還應保存：

原始影像或音訊；
逐字稿；
網頁快照；
版本差異；
翻譯版本；
AI 結構化結果；
人工審核紀錄；
模型版本與提示詞；
每次重評估的時間。

所有判定都必須可追溯，而不能只留下最終分數。

十五、多模型評審與對抗檢驗

單一 AI 模型可能產生偏見、幻覺或過度解讀。因此，應採用多模型評審。

令：

\mathcal{M} = \left\{ M_1,M_2,\ldots,M_k \right\}

每個模型分別完成：

命題抽取；
模糊度判定；
歷史資訊重建；
基準預測；
結果匹配；
因果來源分析。

模型一致性可表示為：

A_i = \frac{1}{k} \sum_{j=1}^{k} \mathbf{1} \left[ M_j(C_i)=y \right]

若模型分歧過大，則該案例應進入人工審議，而非強行自動判定。

此外，可設置對抗角色：

支持異常解釋模型；
尋找正常解釋模型；
模糊語義檢測模型；
歷史資料核查模型；
最終中立裁決模型。

這可降低單一立場對結果的控制。

十六、事後解釋與語義漂移

預言研究中最常見的錯誤，是事件發生後重新解釋原文。

令原始語義為：

\Sigma_{t_c}(C)

事件發生後的重新解釋為：

\Sigma_{t_a}(C)

語義漂移可定義為：

\Delta\Sigma = d \left( \Sigma_{t_c}(C), \Sigma_{t_a}(C) \right)

若 $\Delta\Sigma$ 過大，則即使事後看似吻合，也不應視為有效命中。

因此，所有敘述都應在事件發生前建立：

可接受結果集合；
不可接受結果集合；
部分命中條件；
失敗條件；
無法判定條件。

判定規則必須事前固定，而不是事後創造。

十七、AI 生成模擬時間旅行者

除了分析真實敘述，系統還可以建立模擬對照實驗。

在某個歷史時間點 $t_c$ ，讓 AI 僅使用此前資訊，生成一組未來敘述：

\hat{\mathcal{C}}_{t_c} = G \left( \mathcal{I}_{t_c} \right)

再與真實敘述者比較：

\mathcal{C}_p \quad\text{vs.}\quad \hat{\mathcal{C}}_{t_c}

此實驗可以回答：

普通高階推理可以生成多少「看似神準」的預言；
模糊敘述在長時間後有多容易被匹配；
多少超前敘述其實只是合理趨勢外推；
AI 在不同領域的自然極限是多少；
真實敘述者是否超越模擬預言者。

這種模擬時間旅行者不是欺騙工具，而是研究基準。

十八、研究結果的分類

每一則敘述最終不應只被標記為「真」或「假」，而應進入以下分類之一：

類型 A：正常推理可解釋

其內容可由當時資訊與合理推理產生。

類型 B：模糊命中

事後可匹配，但事前缺乏明確判準。

類型 C：隨機或高基準率命中

事件本身發生概率不低。

類型 D：內幕資訊可能

其精確性高，但存在現實資訊渠道。

類型 E：版本污染

原文、日期或內容存在修改風險。

類型 F：錯誤或失敗

事件未發生或與敘述明顯不符。

類型 G：尚未到期

仍需持續追蹤。

類型 H：未解釋異常

在現有模型下仍具有顯著預測增益與結構殘差。

類型 H 仍不等於「時間旅行已被證明」，但應作為高價值研究樣本保存。

十九、倫理與治理

此類研究涉及真實人物、宗教信仰、心理狀態與公共聲譽，因此必須避免將方法論轉化為獵巫工具。

研究應遵守以下原則：

分析公開敘述，不診斷敘述者心理；
不以單一失敗案例羞辱個人；
不將未知來源直接宣稱為超自然；
不將正常推理誤標為欺騙；
保留模型與人工判定的不確定性；
對宗教文本、藝術文本與娛樂文本分開分類；
不把寓言或象徵敘事強行當成精確預言；
允許被研究者提出更正與來源補充；
公開評分方法與版本；
所有重大判定保留人工複核。

二十、限制

本框架仍面臨多項限制。

20.1 歷史資料不完整

早期論壇、影片與口述資料可能已遺失，難以證明原始版本。

20.2 發布時間不可靠

截圖、轉載與重製影片可能偽造或混淆時間。

20.3 當時資訊環境無法完全重建

私人資訊、未公開研究與內幕消息無法被完整納入。

20.4 AI 具有歷史污染風險

模型即使被要求限制日期，其內部參數仍可能包含後來資料，因此真正嚴格的歷史基準需要專門訓練或檢索隔離。

20.5 語義判定存在主觀性

「重大變化」「新世界」「東方」等詞彙很難完全形式化。

20.6 世界線敘述可能不可證偽

若任何失敗都能被解釋為「已進入另一條世界線」，則該主張不適合經驗評測。

20.7 異常不等於時間逆因果

即使出現未解釋資訊殘差，也可能來自未知正常機制。

這些限制不表示研究不可行，而是要求結果保持分級與不確定性。

二十一、核心命題

本文提出以下八項命題。

命題一：跨時間敘述可計算命題

任何具有明確時間、主體、事件與條件的未來敘述，都可以被轉換為可回測命題。

命題二：命中不足命題

單次命中不能區分未來資訊、正常推理、內幕資訊、模糊解讀與隨機碰巧。

命題三：基準比較命題

跨時間敘述的研究價值，取決於其相對同期基準的預測增益，而非原始命中數。

命題四：時間封鎖命題

任何使用晚於敘述時間的資料進行基準分析，都會造成未來資訊洩漏並破壞研究有效性。

命題五：AI 對照命題

受歷史資料限制的 AI，可以成為非時間旅行者條件下最強的比較基準之一。

命題六：敘述序列命題

時間旅行者研究的基本單位應是完整敘述序列，而不是被事後挑選的成功案例。

命題七：殘差保留命題

在所有正常來源被合理檢驗後，仍無法解釋的部分應被標記為未知殘差，而不是強行歸零或直接神秘化。

命題八：長期觀測命題

真正有意義的研究必須同時包含歷史回測、現在封存與未來追蹤。

二十二、結論

人類過去已經累積大量時間旅行者、預言者、高維觀察者、未來資訊與超常敘述案例，但這些材料大多散落於影片、論壇、書籍、宗教文本、都市傳說與個人訪談中。

過去難以研究，是因為人類無法低成本完成：

大規模資料蒐集；
多語言逐字稿整理；
原始版本比對；
自然語言命題抽取；
歷史資訊環境重建；
同期基準預測；
模糊語義檢驗；
長期自動追蹤。

AI 的出現，使這些工作首次可以被整合成一個持續運行的研究系統。

因此，今天真正可以開始做的，不是宣稱時間旅行已被證明，也不是再次重複「都是假的」這種簡單結論，而是：

將每一則聲稱來自未來的敘述，放回它被說出的那一刻，重建當時世界，建立正常推理基準，再讓後來的現實逐步進入模型。

最終研究的不是神秘身分，而是資訊來源。

不是先問：

他是不是時間旅行者？

而是問：

這段資訊在當時究竟能否被正常生成？

如果能，便將其歸入正常推理、趨勢判斷、內幕資訊、模糊命中或隨機命中。

如果不能，則保留為未解釋資訊殘差，繼續追蹤與檢驗。

這種方法既不盲信，也不先驗否定。

它將時間旅行者研究從真假爭論，轉化為一個真正的 AI 時代因果研究問題：

\text{敘述} + \text{歷史資訊} + \text{基準模型} + \text{後續現實} \rightarrow \text{資訊來源判定}

當人類開始長期封存現在的預言，並讓未來的現實自動回來評分時，我們實際上已經建立了一種新的跨時間研究裝置。

它不需要讓研究者穿越時間。

它只需要讓敘述、模型與現實，在不同時間點重新相遇。

附錄 A：研究平台模組

原始資料蒐集器；
網頁與影音時間戳封存；
多語言逐字稿系統；
自然語言命題抽取器；
模糊度與可否證性分析器；
歷史資訊檢索沙盒；
受限日期 AI 基準模型；
專家與群眾預測資料庫；
事件結果監測器；
多模型評審系統；
人工複核介面；
敘述版本差異系統；
預測增益計算器；
未解釋殘差資料庫；
公開跨時間敘述觀測站。

附錄 B：最小可行研究流程

蒐集原始敘述
→ 驗證來源與發布時間
→ 封存原文與版本
→ AI 抽取可檢驗命題
→ 人工確認判定條件
→ 重建當時資訊環境
→ 建立多組基準預測
→ 等待或取得實際結果
→ 比較命中、校準與資訊增益
→ 排除模糊、隨機、內幕與修改因素
→ 標記正常解釋或未知殘差
→ 保存完整審查紀錄

立場聲明

本文為方法論與研究設計論文，不將時間旅行、高維存在、通靈、預言或逆時間因果視為已被證實的事實。本文亦不以簡化懷疑論預先排除所有異常可能。其研究立場是：對所有可取得的敘述建立一致標準，優先檢驗正常資訊來源，對仍無法解釋的部分保留為未解釋殘差，等待更多資料與更強模型進一步判定。

跨時間敘述的AI因果回測框架_v0.1