❶ 應該先做什麼實驗？

科學的進展，不是從測試最戲劇性的主張開始，而是從測試最脆弱的主張開始——那些最接近既有知識的主張，失敗代價最低、卻最能提供訊息的主張。一個從最安全的預測開始、逐步向外推進的框架，才有資格嘗試其非凡的主張。一個跳過基礎、直接跳到非凡主張的框架，不是大膽，而是迴避。

本頁是測試 ECI 協調本體論（coordination ontology）的操作藍圖。它規定了一個第 0 階段前置條件加上八個設有閘門的研究階段（第 1-8 階段），每個階段都是下一個階段的前置閘門。「閘門」的意思是：在第 N 階段產生可重複、經同行審查的結果之前，不得進入第 N+1 階段。如果第 1 階段失敗，第 2 到第 8 階段將失去基礎。如果第 6 階段產出零結果（null results），第 7 和第 8 階段便不具正當性。這個閘門結構是路線圖最重要的特徵，因為這正是偽科學所省略的。偽科學從最戲劇性的主張開始——心電感應、預知、神奇療法——然後回頭建構正當化理由。真正的科學從可以低成本失敗的地方開始，向前推進，讓數據決定框架能延伸多遠。

本路線圖也體現了第二個原則：先操作化，後實驗（operationalization before experimentation）。在你能測試 V 是否預測弱訊號回應之前，你必須定義 V 在你研究的系統中是什麼、你將如何測量它、以及它帶有什麼單位。這就是第 0 階段，沒有它，其他一切都無法測試。一個變數無法被測量的框架是哲學，不是科學。哲學本身沒有什麼不好，但它不應被包裝成實驗預測的語言。

頁面狀態：本頁被分類為「方法論（methodological）」，因為它指定的是如何測試框架，而不是框架對世界的主張為何。可測試性標記為「n/a」，因為本頁本身就是一個測試方案（testing protocol），而非一個可測試的主張。被測試的主張在其他頁面上發展（C1、C2、C4、E1、E2），並在 F2 和 F3 上被彙整。

所需專業知識：實驗方法學家、生物統計學家、複雜系統建模者、比較認知研究者、理論生物學家。

❷ 「最安全測試優先」原則

為什麼順序很重要

ECI 框架是一個具有不同證據狀態的主張網路。某些主張直接建立在已確立的科學之上——Shannon 熵（Shannon entropy）、資料處理不等式（data processing inequality）、具有相關性擴展的變異數公式（variance formula with correlation extension）。另一些是新穎的提案——V-kappa 框架、粗粒化函數（coarse-graining function）G、持續性篩選形式論（persistence filtering formalism）。還有一些則坦率地說是推測性的——跨通道存取（cross-Channel access）、時間性資訊存取（temporal information access）、靈魂假說（soul hypothesis）。

面對這個框架的研究者面臨一個選擇：先測試哪些主張。錯誤的答案是「最有趣的那些」。正確的答案是「最接近已確立科學的那些，在那裡框架的預測可以最清晰地與背景知識區分開來」。

這樣的排序有三個原因。

原因一：低成本失敗。 如果 ECI 框架最常規的預測失敗了——如果 V 在受控模擬中未能預測弱訊號覆蓋，或者如果變異數公式中的相關項未能改善對宏觀穩定性的預測——那麼框架就有根本性的問題。推測性的延伸始終以核心機制運作為前提。在已確立方法提供清晰基線的系統中盡早發現這一點，可以節省多年在更奇特測試上的浪費。

原因二：校準（calibration）。 即使早期階段的測試成功了，它們也為後期階段提供了不可或缺的東西：經過校準的預期。如果第 1 階段確立了 V 在電子電路中以效果量（effect size）d = 0.4 預測弱訊號回應，那就校準了在神經系統中測試同一預測時應該預期什麼。沒有早期階段的校準，後期階段的結果將無法解讀——你不知道一個給定的效果量是大是小、是預期之中還是出人意料。

原因三：可信度。 一個在已確立領域展現了預測價值的框架，已經贏得了在推測性領域提出測試的可信度。一個跳過核心數學驗證就直接進行預知測試的框架，將被——理所當然地——科學界忽視。閘門結構不僅在認識論上是正確的，在策略上也是必要的。

閘門邏輯

路線圖中的每個階段都有三個定義好的結果：

• 通過（Pass）：該階段的預測由預先註冊（preregistered）、獨立重複的實驗所確認。下一個階段解鎖。
• 失敗（Fail）：該階段的預測被清楚且可重複地證偽。依賴它的階段失去正當性。框架必須在失敗點修正，或在該分支上放棄。
• 無定論（Inconclusive）：結果模糊不清——統計檢定力（power）不足、未被重複、或在方法論上有爭議。該階段保持開放。下一個階段不會解鎖。

這種不對稱性是刻意的：通過需要正向的、重複的證據；失敗需要清楚的負面證據；介於兩者之間的任何情況都被視為「尚未通過」。這種不對稱性防止了推測性框架的常見失敗模式，即把無定論的結果視為軟性確認然後繼續推進。

❸ 已確立的實驗方法論

在描述路線圖的各階段之前，有必要陳述統一適用於所有階段的實驗標準。這些標準不是 ECI 的創新——它們是實驗科學累積的最佳實踐，經過數十年的方法論危機和改革而艱難得來。

隨機化設計

所有實驗必須使用隨機化（randomization）來分配條件。在第 1-3 階段（實驗涉及物理或計算系統），這意味著隨機化的參數分配、隨機化的條件排序，以及適當的平衡設計（counterbalanced designs）。在第 4-6 階段（實驗涉及生物受試者），這意味著隨機化的分組、隨機化的刺激序列，以及在可行的情況下採用雙盲方案（double-blind protocols）。隨機化的目的是打破混淆變項（confounds）：處理變數與干擾變數之間的任何系統性關聯都是因果推論的威脅。

預先註冊（preregistration）

每個驗證性實驗都必須在資料收集開始之前，在公開的註冊平台（例如 OSF、AsPredicted、ClinicalTrials.gov 或適當的領域等效平台）上預先註冊。預先註冊必須指定：

• 被測試的假設，以可證偽的預測形式陳述。
• 樣本量（sample size），由前瞻性檢定力分析（power analysis）決定（見下文）。
• 停止規則（stopping rule）：何時結束資料收集，不允許選擇性停止（optional stopping）。
• 主要結果變數和將要使用的統計測試。
• 顯著性閾值（significance threshold），以及在適用的情況下，Bayes 因子閾值。
• 排除、離群值和遺漏資料的處理方式。

探索性分析（exploratory analyses）受到歡迎和鼓勵，但它們必須被標記為探索性分析，不能替代預先註冊的驗證性測試。探索與驗證之間的區分是不可協商的。

重複驗證（replication）

沒有任何單一實驗——無論設計多好——足以確立一項科學發現。重複驗證的要求依階段而異：

• 第 0-2 階段：內部重複驗證（同一實驗室、不同資料集或系統）足以支持初步主張。獨立重複驗證（不同實驗室）在下一階段解鎖前為必要條件。
• 第 3-5 階段：至少由一個其他實驗室進行獨立重複驗證，結果才被視為已確立。
• 第 6-8 階段：至少由兩個其他實驗室進行獨立重複驗證，並採用對抗性合作方案（adversarial collaboration protocols）。（主張足夠非凡，重複驗證的標準必須相應地提高。）

貝氏分析與頻率主義測試並行

所有實驗都應同時報告頻率主義結果（p 值、信賴區間、附帶信賴區間的效果量）和貝氏結果（Bayes 因子，比較 ECI 預測與虛無假設以及相關替代假設）。雙重報告的原因是頻率主義方法和貝氏方法回答不同的問題：頻率主義方法評估在虛無假設下觀察到該資料的機率；貝氏方法評估在競爭假設下觀察到該資料的相對機率。對於非凡的主張（第 6-8 階段），貝氏框架尤其重要，因為它自然地納入了假設的低先驗機率（low prior probability）。

效果量估計（effect size estimation）

統計顯著性本身是不夠的。每個實驗都必須報告效果量（Cohen's d、eta-squared 或領域適當的等效指標）及其信賴區間。一個統計顯著但效果量微不足道（例如 d = 0.01）的結果在統計意義上是「真實的」，但在實際意義上是無意義的。框架必須為每個階段指定什麼樣的效果量構成有意義的支持。如果預測的效果很微小，則偵測它所需的樣本量必須相應地大——研究者必須誠實地說明這樣的樣本量是否可行。

前瞻性檢定力分析（power analysis）

在資料收集之前，每個實驗都必須包含一個檢定力分析（power analysis），指定在指定的 alpha 水準下，以至少 80% 的檢定力（power）（對於非凡主張理想上為 90% 或更高）偵測預測效果所需的最小樣本量。檢定力不足的研究比沒有研究更糟糕：它們產生模糊的結果，浪費資源並堵塞文獻。

❹ 九階段路線圖詳述（第 0 階段前置 + 第 1-8 階段）

這是本頁的核心。每個階段都指定了：它測試什麼、它從前面的階段需要什麼、成功是什麼樣子、以及失敗意味著什麼。

第 0 階段 —— 可操作化

測試什麼：什麼都不測試。第 0 階段是實驗前置階段。它為特定目標系統將 V、kappa、K、Q 和 Gamma 定義為可測量的量。沒有這個階段，其他一切都無法被測試。

前置要求：來自 F2 的正式定義，以及來自 C1、B5 和 C2 的概念發展。

任務：對於每個關鍵變數，產出一份操作化方案（operationalization protocol），指定：

1. 什麼系統將被用來測量該變數（例如，耦合電子振盪器、遞迴神經網路、蟻群、皮質微迴路）。
2. 什麼物理量在該系統中對應於該變數（例如，V = 電壓時間序列的 Shannon 熵；kappa = 振盪器對之間的平均相位相干性（mean phase coherence）；K = 系統每單位時間訪問的可區分狀態數；Q = 資訊模式與載體狀態之間的互資訊（mutual information）；Gamma = 兩個耦合子系統之間的轉移熵（transfer entropy））。
3. 什麼測量方案將被使用（儀器、取樣率、觀測窗口、雜訊處理）。
4. 什麼單位被測量的量所攜帶。
5. 如何以實驗方式操控該變數的值——不只是觀察，而是控制。這對於後續階段至關重要，在那些階段中，自變數（independent variable）必須在其他因素保持不變的情況下被變動。

操作化必須在至少兩個獨立系統中完成——理想情況下是來自不同領域的系統（例如，一個電子/計算系統、一個生物系統）——以測試同一形式變數是否有意義地對應到不同的物理基底（physical substrates）。

成功是什麼樣子：在至少兩個系統中，發表 V、kappa、K、Q 和 Gamma 的操作化方案，並展示測量的信度（inter-rater reliability、重測信度（test-retest reliability）或測量-再測量一致性，視情況而定）。方案必須詳細到一個獨立實驗室僅憑出版物就能重複這些測量。

失敗是什麼樣子：如果某個關鍵變數無法被操作化——如果在持續的努力之後，在任何特定系統中都無法識別出對應於 V 或 kappa 或 Q 的可測量量——那麼框架在經驗上是不可測試的，並且仍停留在哲學的領域。這是一個嚴肅但誠實的結果。它不意味著框架是錯的；它意味著框架尚未成為科學。

關鍵交付物：

• 每個變數在每個目標系統中的操作化手冊
• 信度評估資料
• 展示變數可以被實驗操控（而非僅被觀察）

第 1 階段 —— 常規驗證

測試什麼：V 和 kappa 是否在特性已被充分了解的物理和計算系統中預測弱訊號回應。這完全在已確立的科學範圍內。沒有高維度主張、沒有生物複雜性、沒有活體系統。如果 ECI 框架在基本真值（ground truth）完全已知的系統中無法做出正確預測，它就沒有資格對大腦、生態系統或其他任何事物做出預測。

前置要求：在目標系統中完成 V 和 kappa 的第 0 階段操作化。

核心實驗：取一個弱訊號偵測已被充分表徵的系統（例如，耦合電子振盪器陣列、感測器網路、訊號處理電路）。系統性地變動 V（元件屬性的多樣性——例如，自然頻率、耦合強度、雜訊水準）和 kappa（協調結構——例如，耦合拓撲、回饋架構）。測量系統偵測嵌入雜訊中的已知弱訊號的能力。

ECI 預測：系統的弱訊號偵測表現在中等 V 值時被優化（不太低、不太高），且非單調地取決於 V 和 kappa 的交互作用。具體而言：

• 低 V、任意 kappa：偵測不佳。系統缺乏找到訊號的狀態空間覆蓋。
• 高 V、低 kappa：偵測不佳。系統有覆蓋但沒有相干性——元件獨立回應，訊號在不協調變異的雜訊中丟失。
• 高 V、高 kappa：協調多樣性（Coordinated Diversity）區域。當系統擁有多樣化的元件，且這些元件協調程度足以透過合作動態放大弱訊號時，偵測表現應被最大化。
• 關係應為非單調的：在 V-kappa 空間中存在一個最佳區域，而非任一變數的單調「越多越好」關係。

此預測與已確立的隨機共振（stochastic resonance）文獻（Gammaitoni et al., 1998）一致，但更為具體。ECI 的新穎貢獻在於聲稱 V-kappa 交互作用比單獨的 V 或 kappa 更具資訊量，且最佳區域可以從系統的架構預測。

成功是什麼樣子：預先註冊的實驗展示 V-kappa 交互作用比單獨的 V、單獨的 kappa 或現有基線模型（例如，僅使用雜訊強度作為唯一控制參數的標準隨機共振預測）更好地預測弱訊號偵測表現。改進必須以效果量量化並獨立重複驗證。

失敗是什麼樣子：如果使用第 0 階段方案測量的 V 和 kappa 未能預測弱訊號偵測表現——或預測能力不優於更簡單的現有模型——那麼 V-kappa 框架在其最簡單的測試案例中未增加經驗價值。這是第 1 階段的失敗。它不一定使整個 ECI 框架無效（操作化可能有誤，或特定系統可能不是正確的測試案例），但它確實意味著框架尚未通過其第一個經驗測試，在失敗被理解和解決之前，後續階段都不具正當性。

預估時程：從第 0 階段操作化完成後 1-3 年。

關鍵測試變數：V、kappa，及其交互作用。

第 2 階段 —— 模擬與人工系統

測試什麼：ECI 的形式預測是否在受控的人工系統中成立——在這些系統中，每個參數都是已知的，每個變數都可以被精確操控。目標系統是基於代理人的模型（agent-based models）、耦合振盪器和遞迴神經網路——這些系統足夠複雜以展現湧現行為（emergent behavior），但又足夠簡單以讓基本真值完全可及。

前置要求：成功的第 1 階段（V-kappa 交互作用在物理系統中預測弱訊號回應）。

核心實驗：

實驗 2a —— 基於代理人的模型。 建構具有可調 V（代理人規則或參數的多樣性）和可調 kappa（互動結構、通訊拓撲、耦合強度）的基於代理人模型。測試 V-kappa 框架是否預測宏觀層級行為——集體決策品質、適應速度、對擾動的韌性——在這些模型中。因為所有參數都受控，這提供了框架數學預測最乾淨的測試。

實驗 2b —— 耦合振盪器網路。 將第 1 階段從簡單的振盪器陣列擴展到具有異質拓撲的網路。在保持 V 和 kappa 不變的情況下系統性地變動網路結構（隨機、小世界、無標度、模組化），反之亦然。測試來自 C4 的尺度遞迴方程 X^{(L+1)} = G_L(X^{(L)}) 是否對微觀層級振盪器行為如何對應到宏觀層級網路行為做出正確預測。

實驗 2c —— 遞迴神經網路（人工）。 在需要弱訊號偵測、模式完成或預測的任務上訓練遞迴神經網路。變動網路的內部多樣性（V：單元屬性的異質性）和協調結構（kappa：連結模式、正則化方案）。測試 V-kappa 動態是否預測任務表現、學習速度和泛化能力。這在保持完全受控領域的同時，為生物神經系統（第 3 階段）搭建橋樑。

ECI 預測：在所有三種系統類型中，V-kappa 交互作用應比單獨任一變數更好地預測湧現的宏觀行為。粗粒化函數 G，如果針對每個系統適當操作化，應以可測量的預測準確度捕捉微觀到宏觀的映射。持續性篩選方程（來自 F2 的 Eq. 8）應正確預測哪些配置在演化式基於代理人模型中的競爭中存活下來。

成功是什麼樣子：發表的、預先註冊的模擬研究展示 ECI 的形式預測在人工系統中定量地成立。至關重要的是，預測必須在模擬運行之前被指定，而非事後擬合。事後的曲線擬合若能重現模擬輸出，那不是框架的證據，而是非線性擬合彈性的證據。

失敗是什麼樣子：如果 ECI 的預測在所有參數都已知的系統中，準確度不優於通用的複雜系統模型（例如，標準平均場近似、隨機矩陣預測，或簡單的冪律標度），那麼框架相較於現有工具不增加價值。這將是一個重大失敗，因為人工系統是最容易的測試案例：如果框架在這裡無法超越基線，它在混亂的生物或生態系統中肯定也做不到。

預估時程：2-4 年，與第 1 階段後期重疊。

關鍵測試變數：V、kappa、G、持續性篩選（S 分解）。

第 3 階段 —— 活體系統與非活體系統配對比較

測試什麼：在大小、能量通量、連結性和雜訊特性方面進行配對的情況下，活體系統是否展現出超越 V-kappa 框架應用於非活體系統所預測的額外適應性耦合、保留或回應光譜。

前置要求：成功的第 1 和第 2 階段（V-kappa 框架已在人工系統中展現預測價值）。

核心實驗：這是首次直接比較活體和非活體系統的階段，因此需要仔細的配對。設計如下：

1. 選擇一個行為已被充分表徵的活體系統（例如，細菌菌落、黏菌網路、神經類器官（neural organoid），或小型無脊椎動物神經系統）。
2. 建構一個非活體系統——電子或計算類比物——在以下維度上與活體系統配對：元件數（N）、能量通量（瓦特）、連結架構（度分佈和拓撲）、雜訊特性（頻譜輪廓和振幅），以及時間常數（特徵回應時間）。
3. 對兩個系統呈現相同的測試訊號集：強度各異的已知訊號嵌入配對的雜訊背景中。
4. 測量：(a) 弱訊號偵測準確度，(b) 訊號保留持續時間，(c) 回應光譜（系統能偵測的訊號類型和強度範圍），(d) 適應性改善（重複暴露後表現是否改善？）。

ECI 預測：如果 ECI 框架在核心層級是正確的（V-kappa 動態解釋了系統表現的大部分），那麼在適當配對後，活體和非活體系統在 V-kappa 預測的指標上應展現相似的基線表現。有趣的問題是活體系統是否展現出超越 V-kappa 基線的額外能力——具體而言，它們是否展現出適應性耦合調整（根據訊號統計特性主動調校其協調結構）、增強的訊號保留（比被動系統維持訊號表徵更久），或更寬的回應光譜（偵測到配對的非活體系統遺漏的訊號類型）。

如果活體系統在配對後展現額外能力，問題就變成：這些額外能力能否被已知的生物機制（可塑性、恆定性、代謝調節）解釋，還是需要超出目前框架的東西？

成功是什麼樣子：兩種結果都具有科學價值：

• 結果 A：配對後，活體和非活體系統展現等效表現。這支持了 V-kappa 動態是基底無關（substrate-independent）的主張，且框架無論元件是否為生物性的，都捕捉了本質動態。這是核心框架的強結果。
• 結果 B：活體系統展現出超越配對非活體系統的可測量額外能力。這支持了 ECI 假說，即生物系統具有不完全被簡單 V-kappa 框架捕捉的協調特徵（可能與載體容量 K、相容性 Q 或耦合 Gamma 相關）。這開啟了一個識別那些額外特徵為何的研究計畫。

失敗是什麼樣子：如果配對程序不充分——如果非活體系統無法在指定維度上與活體系統相比較——實驗是無定論的，不是失敗的。失敗模式是具體的：如果活體和非活體系統展現相同表現，且 ECI 框架預測它們應有差異，該預測就被證偽。如果它們展現相同表現，且框架預測了等效性，那就是確認。

預估時程：從第 2 階段完成後 3-5 年。需要複雜系統建模者、電生理學家和生物工程師的合作。

關鍵測試變數：V、kappa、K、Q、Gamma——完整集合，以活體/非活體比較探測是否所有五個都是必要的，還是 V 和 kappa 就已足夠。

第 4 階段 —— 種內集體操控

測試什麼：僅協調複雜度本身——獨立於個體生物體能力——是否增強常規預測、弱訊號偵測和集體預期。這透過保持 N（生物體數量）不變、僅操控協調結構來測試。

前置要求：成功的第 1-3 階段（V-kappa 框架在人工和活體系統中皆可運作）。

核心實驗：社會性昆蟲提供了理想的模式系統，因為它們的集體行為已被深入研究、其協調可以被實驗操控，且個體生物體相對簡單（減少個體層級認知造成的混淆）。

實驗設計（以螞蟻為例）：

• 條件 A —— 隔離：100 隻螞蟻，每隻在單獨的容器中。無通訊。每隻螞蟻獨立地遭遇測試環境（例如，一個覆蓋複雜化學景觀、嵌有微弱食物訊號的覓食競技場）。測量：個體偵測率、反應時間、準確度。
• 條件 B —— 有限通訊：100 隻螞蟻在一個具有縮減通訊通道的連通環境中（例如，限制費洛蒙（pheromone）擴散的狹窄通道、限制直接接觸的物理障礙）。部分協調可能但受限。測量與條件 A 相同的變數，加上集體層級的量測（群體準確度、回應協調、資訊擴散速率）。
• 條件 C —— 完整蟻群網路：100 隻螞蟻在標準蟻群環境中，通訊不受限制（完整的費洛蒙景觀、自由的直接接觸、正常的蟻群架構）。完全協調。測量條件 A 和 B 的所有變數。

關鍵控制：N 在各條件之間保持不變。個體螞蟻從同一蟻群、同一年齡群、同一階級中抽取。唯一的系統性差異是協調架構。因此，集體表現的任何差異可歸因於協調，而非個體能力或群體大小。

ECI 預測：表現應隨協調複雜度而提升，而非僅隨 N 提升。具體而言：

• 條件 A（隔離）：表現應等於個體能力的總和（或平均值）。沒有集體優勢。
• 條件 B（有限協調）：表現應超過個體能力的總和，但僅適度超過。V-kappa 乘積受限於受約束的 kappa。
• 條件 C（完全協調）：表現應展現質的增強——不僅是更快或更準確的偵測，而是偵測到任何單隻螞蟻和任何隔離螞蟻群都無法偵測到的訊號。這是來自 C4 的湧現預測：協調系統的宏觀層級能力超越了僅從微觀層級能力所能預測的。

延伸到其他物種：相同的實驗邏輯可以應用於魚群（變動群聚凝聚力）、鳥群（變動群集密度），甚至細菌菌落（變動群體感應（quorum-sensing）密度）。跨物種的重複驗證強化了任何發現的普遍性。

成功是什麼樣子：預先註冊的實驗展示集體表現隨協調複雜度（而非僅群體大小）而提升，且 V-kappa 框架正確預測了條件間差異的排序和大致幅度。在至少兩個物種中重複驗證。

失敗是什麼樣子：如果集體表現在各協調條件之間沒有差異——如果 100 隻隔離螞蟻的表現和 100 隻完全聯網的螞蟻一樣好——那麼在這些系統中協調不增加集體價值，湧現框架未通過經驗測試。或者，如果表現差異存在但完全被更簡單的模型（例如，簡單平均、多數決）解釋，無需參考 V-kappa 動態，那麼框架相較於現有解釋不增加價值。

預估時程：從第 3 階段完成後 3-5 年。需要行為生態學家、複雜系統建模者和實驗生物學家的合作。

關鍵測試變數：V、kappa、集體層級 K、G 函數（微觀到宏觀映射）。

第 5 階段 —— 跨物種比較

測試什麼：偵測和回應能力的分佈是否在具有不同協調複雜度 C_N 的物種之間系統性地變動。關鍵預測：隨著協調複雜度增加，表現分佈的尾部應延伸——不僅是平均值，而是極端表現的機率。

前置要求：成功的第 4 階段（協調複雜度增強了物種內的集體能力）。

一個關鍵的概念澄清：協調複雜度 C_N 不僅僅是神經元數量。一個擁有 1000 億個神經元但連結不良的大腦，其協調複雜度低於一個擁有 10 億個神經元但具有豐富的遞迴連結、模組化和階層整合的大腦。C_N 必須被操作化為一個複合度量，包括：

• 遞迴性（recurrence）：形成迴路的連結比例，使回饋和持續活動成為可能。
• 模組化（modularity）：系統被組織成半自主模組的程度，這些模組可以獨立處理資訊然後整合結果。
• 整合性（integration）：來自不同模組的資訊被合併為統一表徵的程度（例如，以整合資訊度量（integrated information metrics）或類似度量測量）。
• 行為庫（behavioral repertoire）：生物體能產出的不同行為模式的數量和多樣性（系統有效狀態空間覆蓋的代理指標）。
• 可塑性（plasticity）：系統因應經驗而修改其協調結構的能力。

神經元數量是 C_N 的一個貢獻因子，但既非必要也非充分。一隻章魚擁有大約 5 億個神經元，分佈在具有非凡行為彈性的去中心化神經系統中，其有效 C_N 可能高於一隻具有更多神經元但架構精密程度較低的脊椎動物。

核心實驗：在具有系統性不同 C_N 的物種之間比較弱訊號偵測、常規預測準確度和適應性回應。比較必須控制：

• 體型：較大的身體具有更多的感覺表面積，這可以在不訴諸協調的情況下解釋更好的偵測。
• 感覺敏銳度（sensory acuity）：感覺更靈敏的物種無論協調如何都會偵測到更弱的訊號。測試必須使用針對每個物種感覺閾值校準的訊號。
• 生態相關性：測試訊號必須對每個物種具有生態意義（覓食物種的食物氣味、獵物物種的掠食者線索等）。
• 動機：所有物種必須有足夠的動機來執行偵測任務。

ECI 預測：對於偵測閾值 theta，極端表現的機率 P(H > theta | C_N) 應隨 C_N 增加——不是因為高 C_N 物種在某種一般意義上「更聰明」，而是因為其協調架構使它們能存取更廣的訊號空間區域。預測是關於分佈的，不僅是平均值：高 C_N 物種應展現更厚的分佈尾部（相對於自身平均值，有更多極端表現者），因為其協調動態透過合作處理創造了更多放大弱訊號的機會。

成功是什麼樣子：在控制了體型、感覺敏銳度和生態相關性之後，獨立測量的 C_N 與偵測表現分佈之間存在統計顯著的、預先註冊的關係。由至少兩個獨立研究團隊使用重疊但不完全相同的物種集進行重複驗證。

失敗是什麼樣子：如果偵測表現完全被感覺敏銳度和體型預測，C_N 無殘餘貢獻，則協調增強能力的預測被證偽。如果 V-kappa 框架相較於更簡單的比較度量（例如，腦體質量比、腦化指數（encephalization quotient））不增加預測力，它未能正當化其額外的複雜性。

預估時程：從第 4 階段完成後 5-8 年。需要跨多物種的大規模比較行為測試，採用標準化方案和多個獨立實驗室。

關鍵測試變數：C_N（協調複雜度）、V、kappa、分佈形態（尾部行為）。

第 6 階段 —— 未來目標實驗（預知測試）

測試什麼：系統是否能存取尚未被因果決定的資訊。這是在 E2 上詳細描述的測試。

前置要求：成功的第 1-5 階段，且在更早的階段中有可重複的異常現象。具體而言，此階段僅在以下情況下才具正當性：

1. V-kappa 框架已被驗證（第 1-2 階段）。
2. 活體系統已被證明展現出超越配對非活體系統的額外能力（第 3 階段，結果 B）。
3. 協調複雜度已被證明增強了集體能力（第 4 階段）。
4. 跨物種比較展現了預測的 C_N 依賴性分佈偏移（第 5 階段）。
5. 在更早的階段中有一些抗拒常規解釋的異常結果——可重複但無法被已確立的感覺、統計或物理機制解釋的結果。

如果這五個條件並非全部滿足，無論任何人對測試預知有多大熱情，第 6 階段都是不成熟的。閘門嚴格正是因為主張是非凡的。

方案（摘要自 E2）：

1. 量子隨機數產生器（QRNG） 在受試者的回應被鎖定之後才產生目標。
2. 不可變的、加密的時間戳記用於回應和目標兩者。
3. 物理隔離——受試者與 QRNG 之間的隔離。
4. 自動化、實驗者盲操作——從回應到目標產生之間沒有人類介入。
5. 強制分離發現階段和驗證階段——在發現階段被識別的受試者必須在獨立的驗證階段以預先註冊的方案進行重新測試。
6. 採用適當懷疑先驗的貝氏分析——鑑於主張的非凡性質，假設的先驗機率應非常低，且證據必須相應地強（例如，支持預知假設相對於虛無假設的 BF > 100）。

成功是什麼樣子：在驗證階段（非發現階段）中高於機率的表現，效果量信賴區間排除零，Bayes 因子強烈支持替代假設，且由至少兩個其他實驗室使用不同的 QRNG 硬體和不同的實驗者團隊進行獨立重複驗證。所有資料公開可用。

失敗是什麼樣子：在統計檢定力充足、預先註冊的驗證階段測試中，表現與機率無法區分。鑑於目前的證據（見 E2 第 3 節關於超心理學重複驗證紀錄），這是預期的結果。第 6 階段的零結果不會使第 0-5 階段無效——核心框架的價值獨立於預知是否存在。但它確實關閉了第 7 和第 8 階段的大門。

零結果對框架意味著什麼：ECI 明確允許第 6 階段返回零結果的可能性。框架的推測性前沿（叢集 E）被設計為可修剪的。如果預知在可偵測的水準上不發生，框架就修剪時間存取邊（temporal-access edge）並繼續使用其已驗證的核心。一個在證據要求時能失去邊的框架正在做科學。一個不能失去邊的框架正在做神學。

預估時程：僅在更早的階段完成之後。從第 0 階段開始算起，如果所有更早的階段成功，實際上為 8-15 年。

關鍵測試變數：時間存取（是/否）、H_i（個體偵測表現）、C_N（協調複雜度）、基於 QRNG 的隨機化。

第 7 階段 —— 人類極端表型

測試什麼：具有可測量的高協調指標（H_i，透過行為測試確立的）的個體是否展現出獨特的感覺、發育、代謝、認知或適應度特徵。

前置要求：成功的第 6 階段——在未來目標實驗中有可重複的、預先註冊的高於機率表現的證據。如果第 6 階段產出零結果，第 7 階段不具正當性。

關鍵方法論約束：第 7 階段必須以正確的順序進行。錯誤的順序是：從具有不尋常特徵的族群（例如，盲人、具有神經差異的人、冥想者）開始，然後測試他們是否在預知任務中展現高於機率的表現。這是倒退的，因為它引入了關於「誰應該有天賦」的文化假設，並製造了巨大的多重比較問題（測試許多群體直到其中一個顯示正面結果）。

正確的順序是：

1. 首先透過行為測試確立 H_i。 使用第 6 階段方案，測試一個大型、未經篩選的群體。識別驗證階段表現可重複地高於機率的個體。這些個體具有高 H_i，由唯一重要的標準確立：行為證據。

2. 然後表徵表型。 對於已確認高 H_i 的個體，系統性地測量：

   • 感覺特徵：跨模態的標準心理物理測試（視覺、聽覺、觸覺、嗅覺、本體感覺）。高 H_i 個體在感覺上是典型的還是非典型的？
   • 發育表型：發育史，包括任何感覺剝奪、神經事件或不尋常的發育軌跡。
   • 代謝特徵：靜息代謝率、腦葡萄糖消耗（透過 PET 或類似方法）、睡眠架構、晝夜節律特徵。
   • 認知量測：標準認知測驗組（智商、工作記憶、注意力、執行功能），加上領域特定量測（模式辨識、統計學習、時間處理）。
   • 協調指標：使用第 0 階段開發的方案，從神經資料（EEG、fMRI）測量的 V 和 kappa。神經協調複雜度是否預測 H_i？
   • 適應度代理指標（fitness proxies）：一般健康狀況、壓力反應、社會連結度、生殖適應度（如適用且合乎倫理）。

3. 比較表型特徵——高 H_i 與配對控制組（同年齡、同性別、同教育程度、同社經地位，但第 6 階段表現在機率水準的個體）。

為什麼順序很重要：如果你從「盲人」開始並測試預知，你測試的是一個文化假說（盲先知原型），而不是科學假說。如果盲人個體在預知任務中得分處於機率水準，你對感覺特徵與 H_i 之間的關係什麼都沒學到。如果他們的得分高於機率，你無法將預知效應與增強的常規感知（跨模態可塑性，cross-modal plasticity）區分開來，後者是一個已確立的常規現象（見 E1 第 2 節）。從行為表現開始、向表型表徵推進可以避免這兩個問題。

成功是什麼樣子：與高 H_i 相關聯的可重複表型特徵——一個區分高 H_i 個體與配對控制組的感覺、認知、代謝或神經特徵模式。該特徵必須是預先註冊的，並通過獨立重複驗證。

失敗是什麼樣子：高 H_i 與配對控制組個體之間沒有可偵測的表型差異。這意味著無論高於機率表現背後的機制是什麼（如果第 6 階段成功了），都不反映在任何被測量的表型變數中——一個令人困惑但誠實的結果。或者，如果在第 7 階段的群體中沒有個體展現可重複的高 H_i（即第 6 階段的結果無法推廣），那麼第 6 階段的結論必須被重新審視。

預估時程：僅在第 6 階段成功之後。從第 0 階段開始算起實際上為 10-20 年，且僅在整個路線圖在每個先前階段都產出正面結果的情況下。

關鍵測試變數：H_i（已驗證的行為量測）、感覺特徵、神經 V 和 kappa、表型表徵。

第 8 階段 —— 量子觀測者

測試什麼：ECI 框架是否產出一個明確不同於標準量子力學（standard quantum mechanics）的預測，關於觀測者複雜度與測量結果之間的關係。

前置要求：成功的第 1-7 階段，且有一個來自 ECI 的具體、定量的預測，不同於標準量子力學。目前，這樣的預測不存在。

目前狀況：標準量子力學預測測量結果取決於量子態和測量儀器，而非誰（或什麼）在進行測量（見 Eq. 13，觀測者零假設（observer null hypothesis），來自 F2）。一個光子不在乎它是被一個簡單的光電二極體偵測，還是被連接到 Nobel 獎得主大腦的人類視網膜偵測。Born 定則給出 P(outcome) = |<psi|phi>|^2，與觀測者複雜度無關。

ECI 的推測性前沿允許觀測者複雜度可能影響測量統計量的可能性（觀測者經驗頁面，D3），但它目前並未做出與標準量子力學不同的具體預測。觀測者零假設（H_0：測量統計量與觀測者無關）在 F2 上被列為標準量子力學的已確立預測，且 ECI 不予質疑。

什麼會解鎖第 8 階段：從 ECI 框架出發的一個形式推導，產出一個關於觀測者依賴測量統計量的具體、定量預測，該預測 (a) 與 Born 定則預測不同，(b) 指定在什麼條件下偏差是可偵測的，(c) 指定偏差的幅度，(d) 可以用當前或近未來的實驗技術測試。

沒有這樣的推導，第 8 階段就沒有內容。你無法測試一個未被指定的預測。對「也許觀測者複雜度影響量子測量」的適當科學回應是：推導預測、指定測試，然後進行測試。在第一步完成之前，第二步和第三步是不可能的。

成功會是什麼樣子：一個預先註冊的實驗展示，在物理設置被控制為完全相同的情況下，測量結果分佈系統性地取決於觀測者複雜度——拒絕 Eq. 13 中的 H_0。這將是物理學史上最非凡的實驗結果之一，其重要性可與量子力學本身的發現相比。證據標準將相應地極端：多個獨立實驗室、多種測量類型、對抗性合作，以及達到數千或更高的 Bayes 因子。

失敗是什麼樣子：確認 H_0——測量統計量與觀測者無關，如標準量子力學所預測。這是迄今最可能的結果，且具有科學價值：它修剪了 ECI 網路的觀測者複雜度影響物理的邊，約束了框架的推測性前沿，並強化了它與已確立物理學的連結。

預估時程：不確定。第 8 階段目前沒有指定的預測，因此也沒有指定的測試。它被列出是為了完整性，並為了明確表示 ECI 框架目前不質疑標準量子力學。如果一個具體預測最終被推導出來，時程將取決於所需的實驗精度。

關鍵測試變數：觀測者複雜度（操作化為 C_N 或類似指標）、測量結果統計量、Born 定則預測。

❺ 如果路線圖成功：漸進式支持

如果路線圖在每個階段都產出正面結果，ECI 框架將獲得漸進增強的支持——但隨著階段推進，支持的性質會發生質的變化。

第 0-2 階段：概念驗證。 此處的成功意味著 V-kappa 框架是複雜系統的有用分析工具。它對人工系統和特性完善的物理系統中的弱訊號偵測、湧現和持續性做出了正確預測。這是最小可行產品。即使後續階段全都未能成功，一個經驗證的、帶有可操作粗粒化工具的 V-kappa 框架也將是對複雜系統科學的真正貢獻。

第 3-4 階段：生物相關性。 此處的成功意味著框架捕捉到了活體系統的某些真實特性——要嘛活體和非活體系統遵循相同的 V-kappa 動態（基底無關性），要嘛活體系統展現出框架可以表徵的額外協調特徵（生物特異性）。任一結果都顯著地擴展了框架的範疇。

第 5 階段：比較預測。 此處的成功意味著框架可以跨物種做出並確認預測——這是一個強測試，因為比較預測要求框架的變數（特別是 C_N）正在測量生物協調的某些真實面向，而非僅僅擬合系統內資料。

第 6 階段：非凡延伸。 此處的成功——真正可重複的預知——對框架和更廣泛的科學都是變革性的。但請注意：框架在第 0-5 階段的價值獨立於第 6 階段。第 6 階段的零結果不會追溯性地使核心框架無效。它修剪推測性前沿，這正是一個健康的理論所做的。

第 7-8 階段：深層意涵。 這些階段的成功將產生遠超 ECI 框架的意涵，觸及關於意識、時間和物理定律本質的基礎問題。但這些階段距離當前證據太遠，推測其意涵為時過早。誠實的評估是：這些階段可能永遠無法到達，而這是完全可接受的結果。

關鍵洞察是路線圖被設計為部分成功也有價值。如果框架在第 0-3 階段驗證成功但在第 4 階段失敗，它仍然是分析複雜系統的有用工具。如果它通過第 5 階段驗證但在第 6 階段失敗，它仍然是一個強大的比較框架。閘門結構意味著失敗是資訊性的，而非災難性的——每次失敗都準確地告訴你框架的預測力在哪裡終止。

❻ 各階段實驗設計草案

本節為最初幾個階段提供更具體的實驗設計概要，在這些階段中實驗可以被合理精確地指定。後續階段則以框架而非詳細設計的形式呈現，因為它們的具體內容取決於更早階段的結果。

第 0 階段草案：在耦合振盪器陣列中操作化 V

系統：一個由 N = 50 個耦合電子振盪器組成的陣列（例如，具有可調自然頻率和耦合電阻的 Wien 電橋振盪器（Wien bridge oscillators））。

V 的操作化：V = 各振盪器自然頻率分佈的 Shannon 熵。H = -Sigma_i (p_i log p_i)，其中 p_i 是自然頻率落在第 i 個箱的振盪器比例。當所有振盪器具有相同頻率時，V = 0（最小值）。當頻率均勻分佈在整個範圍時，V = log(n_bins)（最大值）。

操控：透過調整設定每個振盪器自然頻率的元件值來控制 V。低 V = 所有振盪器調校至幾乎相同的頻率。高 V = 頻率均勻分佈在寬廣範圍上。

kappa 的操作化：kappa = 平均相位相干性 = (1/N^2) Sigma_{i,j} |< e^{i(theta_i(t) - theta_j(t))} >_t|，其中 theta_i(t) 是振盪器 i 在時間 t 的相位，<...>_t 表示時間平均。當所有振盪器相位鎖定時，kappa = 1（最大值）。當相位為隨機時，kappa 趨近 1/sqrt(N)（有限 N 的最小值）。

操控：透過調整耦合電阻值來控制 kappa。低 kappa = 弱耦合（振盪器幾乎獨立）。高 kappa = 強耦合（振盪器傾向同步）。

信度評估：對相同物理配置測量 V 和 kappa 十次。報告變異係數（coefficient of variation）。可接受的信度：兩個量測的 CV < 0.05。

第 1 階段草案：V-kappa 交互作用預測弱訊號偵測

系統：與第 0 階段相同的振盪器陣列。

任務：在所有振盪器的共同驅動中嵌入一個弱週期訊號（振幅遠低於振盪器的雜訊基底）。訊號具有已知頻率 f_s 和振幅 A_s。運作 T 秒後，對集體輸出（所有振盪器電壓的總和）應用匹配濾波器（matched filter）以估計訊號是否存在。

設計：完全因子設計：V 五個水準（極低、低、中、高、極高）x kappa 五個水準（極低、低、中、高、極高）= 25 個條件。每個條件 100 次試驗（50 次訊號存在、50 次訊號不存在，隨機化）。預先註冊的主要分析：5x5 變異數分析（ANOVA）對偵測準確度（d-prime），測試 V x kappa 交互作用。

檢定力分析（power analysis）：基於先導資料或對效果量的合理估計。如果預期交互作用效果為 eta-squared = 0.06（中等），那麼 N = 25 個條件 x 100 次試驗 = 2500 次總試驗，在 alpha = 0.05 時對交互作用測試提供 power > 0.99。

預先註冊的預測：

1. V 的主效果：顯著，非單調（倒 U 形）。
2. kappa 的主效果：顯著，非單調（倒 U 形）。
3. V x kappa 交互作用：顯著，峰值在高 V、高 kappa 象限。
4. 與隨機共振基線的比較：最佳 V-kappa 條件下的 d-prime 超過僅使用雜訊強度作為控制變數的標準隨機共振模型所預測的 d-prime。

第 4 階段草案：螞蟻蟻群協調操控

系統：來自單一 Lasius niger（黑花園蟻）蟻群的工蟻，一個已被深入研究的模式物種。

任務：在具有多個混淆氣味源（放置在隨機位置的非營養性化學物質）的覓食競技場中定位一個食物源（一小滴稀釋蔗糖溶液）。食物訊號很弱：蔗糖濃度稀釋至接近該物種的偵測閾值。

設計：三個條件（A、B、C 如上述第 4 階段所描述），在試驗間進行平衡。每個條件 N = 100 隻螞蟻，從同一蟻群抽取。每個條件進行 20 次獨立試驗，使用新的螞蟻（以防止跨試驗的學習混淆）。競技場配置（食物位置、混淆物位置）在每次試驗中隨機化。

量測：

• 首次接觸食物源的時間（分鐘）。
• 在 60 分鐘內找到食物的螞蟻比例。
• 集體準確度：導向食物源 vs. 混淆物的覓食努力比例。
• 資訊擴散速率（僅條件 B 和 C）：從首次發現到 50% 蟻群知曉（以定向覓食衡量）的時間。

預先註冊的預測：

1. 條件 C（完整蟻群）比條件 A（隔離）更快且更可靠地找到食物，p < 0.01。
2. 條件 B（有限通訊）介於中間。
3. 條件 C 的集體準確度量測超過條件 A 中個體準確度的總和——即集體大於其各部分之和。

❼ 連結到其他節點

-> 應用與未來（F1）：F1 描述了如果 ECI 框架得到驗證，它可以實現什麼。F4 指定了驗證序列。F1 中的三層應用結構直接對應到路線圖階段：第一層應用（已確立科學的延伸）對應第 0-2 階段；第二層應用（以核心框架驗證為前提）對應第 3-5 階段；第三層應用（以叢集 E 驗證為前提）對應第 6-8 階段。一個應用只有在其對應的路線圖階段已被通過時，才具科學上的辯護力。

-> 可證偽性（F3）：F3 建立了評估 ECI 主張的標準——五個陷阱、逐邊的證偽表、證據層級。F4 將這些標準操作化為一個具體的實驗序列。當 F3 說「如果 V 未能預測弱訊號覆蓋，修剪該邊」時，F4 精確指定了如何測試 V 的預測：哪個系統、哪個方案、哪個統計測試、什麼效果量構成『預測』。F3 提供了測試的哲學；F4 提供了測試的工程。

❽ 總結表：全部九個階段（0-8）

| Stage | Name | What it tests | Key variables | Dependencies | What success looks like | What failure means | Status | |---|---|---|---|---|---|---|---| | 0 | 可操作化 | V、kappa、K、Q、Gamma 能否被測量？ | V, kappa, K, Q, Gamma | 正式定義（F2） | 在 >= 2 個系統中發表可靠的測量方案 | 框架尚未可被經驗測試 | 尚未開始 | | 1 | 常規驗證 | V、kappa -> 弱訊號回應 | V, kappa | 第 0 階段 | V x kappa 交互作用預測偵測優於基線，已重複驗證 | 核心預測失敗；框架失去經驗基礎 | 尚未開始 | | 2 | 模擬 / 人工系統 | ECI 預測在 ABM、振盪器網路、RNN 中成立 | V, kappa, G, S decomposition | 第 1 階段 | 預先註冊的預測在 >= 3 種人工系統中確認 | 框架相較於標準複雜系統模型不增加價值 | 尚未開始 | | 3 | 活體 vs. 非活體配對 | 活體系統是否展現額外的協調特徵？ | V, kappa, K, Q, Gamma | 第 1-2 階段 | 基底無關性被確認，或生物特異性被表徵 | 配對失敗或結果無定論 | 尚未開始 | | 4 | 種內集體 | 協調（而非僅 N）是否增強集體能力？ | V, kappa, collective K, G | 第 1-3 階段 | 協調複雜度預測集體表現，N 保持不變 | 協調不增加超越聚合的集體價值 | 尚未開始 | | 5 | 跨物種比較 | C_N 是否預測跨物種的分佈尾部？ | C_N, V, kappa, distribution shape | 第 4 階段 | P(H > theta | C_N) 在控制體型和感覺敏銳度後隨 C_N 增加 | C_N 相較於更簡單的比較度量不增加預測力 | 尚未開始 | | 6 | 未來目標實驗 | 尚未被因果決定的資訊能否被存取？ | QRNG target, H_i, C_N | 第 1-5 階段 + 可重複的異常 | 驗證階段高於機率的表現，BF > 100，獨立重複驗證 x2 | 零結果；推測性前沿被修剪；第 7-8 階段不具正當性 | 尚未開始 | | 7 | 人類極端表型 | 高 H_i 個體有何特徵？ | H_i, sensory profile, neural V/kappa, phenotype | 第 6 階段 | 高 H_i 的可重複表型特徵 | 無可偵測的表型差異；機制仍然未知 | 尚未開始 | | 8 | 量子觀測者 | 觀測者複雜度是否影響測量統計量？ | Observer C_N, Born rule predictions | 第 1-7 階段 + ECI 的具體量子力學預測 | H_0 被拒絕：觀測者依賴的測量統計量 | H_0 被確認：標準量子力學成立；觀測者邊被修剪 | 尚未開始；目前無預測存在 |

如何閱讀此表：每行的「Dependencies」欄顯示在此階段具正當性之前必須通過哪些更早的階段。「Status」欄反映研究計畫的當前狀態：截至撰寫本文時，尚無任何階段已啟動。整個路線圖是前瞻性的——是一份計畫，不是一份報告。

最重要的欄位是「What failure means」（失敗意味著什麼）。 一個無法事先指定什麼算失敗的框架，不是在做科學主張。ECI 可以。在每個階段，失敗都是被定義的、有資訊量的，且具有後果的。