研究方法論
RESEARCH METHODS
SRI 建立了一種研究方法，能夠利用 AI 的速度和探索範圍，同時不犧牲來源出處、主張邊界、人類責任和可證偽性。
基本循環
提問 → 證據 → 模型 → 計算 → 原型 → 觀察 → 批判 → 修訂
我們管理流程不是直線地邁向結論，而是作為一個可以從任何階段回溯到提問與模型循環的機制。
人機協作研究
AI 負責文獻候選資料的探索、結構化、假說生成、反例探尋、計算輔助和表達轉換。人類則承擔了研究目的、倫理規範、關鍵前提、外部公開以及社會行為責任。我們不將 AI 的輸出視為來源出處或證明。
證據與主張層級
- 觀察事實：可直接從出處或資料中確認的事項
- 來源主張：外部資料所聲稱的內容
- SRI 概念：由 SRI 定義的概念或框架
- 工作假說：正在驗證的解釋候選
- 計算證據：條件和範圍限定的計算結果
- 反模型 / 限制：反例、競爭理論或適用邊界
- 修訂：基於證據與批判的修改
計算驗證
我們會在可行的範圍內記錄程式碼、輸入、模型、環境、隨機數、目標範圍和失敗案例。不會將有限範圍的確認擴展為無限一般性的證明，而是設置了可重現性和停止條件。
研究出處追溯性
成果物會連結其來源出處、版本、創建日期、轉換歷史、所使用的模型與工具，以及審查狀態。機密資訊、個人資料和認證憑證不會包含在公開的 Provenance 中。
提問與證據
我們不會先決定結論或產品再收集資訊，而是定義提問的範圍和改變答案的條件。Evidence 會保留來源 URL、取得時間、原文、版本、作者、公開主體和提取方法。我們不將搜尋結果或 AI 摘要視為唯一原始資料。
模型與計算
模型是選擇並表達了現實的一部分。必須明確指出變數、假設、邊界條件和排除範圍；如果存在多個模型，不會過早地進行整合。在計算中，會記錄可重現的輸入和環境、誤差以及失敗案例，並透過 Validation Gate 阻止無法從結果推導出的主張。
原型與觀察
試作的目的不是證明理論的正確性，而是作為一個觀測在實施時出現限制的裝置。我們收集包含使用者、運營負荷、故障、安全性、法律條件等現實回饋，並將其回傳至 Theory 與 System。
批判與修訂
內部審查會尋找最強烈的反對解釋、缺失的來源出處、無法重現的部分和利益衝突。如果受到外部批判，我們不會默默地改寫原始成果物，而是區分「更正」、「撤回」或「新版本」。將能夠修改視為研究的要求，而非弱點。
使用 AI 的額外規則
- 將使用的模型、Prompt 目的和主要輸入保留在工作記錄中
- 需在原始資料中核對看似合理的引用、數值和專有名詞
- 不能僅依賴同一模型的自我評估來完成驗證
- 不可將機密資訊或個人資料不必要地傳遞給模型
- 公開前，必須由人類確認主張邊界、權利和安全性
主張層級的提升
從工作假說（Working Hypothesis）進展到計算證據（Computational Evidence），需要可重現的條件。要達到 Proof-grade，則必須不是有限計算，而是邏輯依賴關閉，且未經證明的假設必須明確指出。Externally Verified 指的是獨立第三方審查了方法和結果的狀態，而非 SRI 內部再次確認。
跨領域注意事項
即使在數學、物理、AI 和社會制度中使用相同的詞彙，其定義和證據標準也是不同的。當將「觀測」、「選擇」、「能量」、「量子」等概念從一個領域轉移到另一個領域時，必須區分是比喻、形式上的對應還是經驗上的同一性。僅因為存在共同的圖式，不代表存在相同的因果機制。
Lighthouse Method
Lighthouse Method 是一種在複雜資訊環境中，不會急於鎖定單一結論，而是並行保留多個地圖、證據、反證和未決定領域的研究與決策方法。它不將過去的事實都合心地改寫，也不會同時將未來封閉為單一的最佳解，從而留給人類重新觀察、重新選擇和承擔責任的餘地。
SRI 將此方法應用於研究、AI 治理和組織判斷。公開 Charter 和目前的實施情況，可至獨立網站 SEERAVERSE Lighthouse ↗ 確認。
發布前審查
公開的內容會檢查事實性、來源出處、邏輯、權利、隱私、安全性以及對讀者的誤導可能性。研究文章會檢驗 Claim Boundary 和 Limitations；實務文章則檢驗目標日期和確認方法；翻譯稿件則檢驗專有名詞、數值和連結的保留。
修訂方法本身
Method 並不是一套固定的規則集。它會根據事故、重現失敗、外部批判、技術變化等因素進行更新。在變更時，必須記錄適用開始日期、受影響的成果物和重新驗證的必要性，不能讓過去的成果看起來像是被當前的標準追溯應用了。