研究方法论
RESEARCH METHODS
SRI 构建了一种研究方法，能够在利用 AI 的速度和探索范围的同时，不丢失出典、主张边界、人类责任和可证伪性。
基本循环
问题 → 证据 → 模型 → 计算 → 原型 → 观察 → 批判 → 修订
管理其流程不是线性地走向结论，而是可以从任何阶段返回到问题和模型进行循环迭代。
人机协作研究
AI 负责文献候选的探索、结构化、假设生成、反例搜索、计算辅助和表达转换。人类则承担着研究目的、伦理、关键前提、外部公开以及社会行为责任。我们不将 AI 的输出视为出典或证明。
证据与主张级别
- 观察事实（Observed Fact）：从出典或数据中直接可验证的事项
- 来源主张（Source Claim）：外部资料所声称的事项
- SRI概念（SRI Concept）：由 SRI 定义的概念或框架
- 工作假设（Working Hypothesis）：正在验证的解释候选
- 计算证据（Computational Evidence）：条件和范围受限的计算结果
- 反模型/局限性（Countermodel / Limitation）：反例、竞争理论或适用边界
- 修订（Revision）：基于证据和批判的修改
计算验证
尽可能记录代码、输入、模型、环境、随机数、目标范围和失败案例。不将有限范围的确认扩展为无限一般的证明，而是设定可重复性和停止条件。
研究溯源（Research Provenance）
成果物会关联出典、版本、创建日期、转换历史、使用的模型/工具和审核状态。秘密信息、个人身份信息和认证凭证不会包含在公开的 Provenance 中。
问题与证据
我们不是先确定结论或产品再收集信息，而是定义问题的范围以及答案发生变化的条件。Evidence 会保留出典 URL、获取时间、原文、版本、作者、发布主体和提取方法。搜索结果或 AI 摘要不能被视为唯一一次性资料。
模型与计算
模型是对现实一部分的选择性表达。必须明确变量、假设、边界条件和排除范围；如果存在多个模型，则不会过早地进行整合。在计算中，记录可重复的输入和环境、误差以及失败案例，并通过 Validation Gate 阻止从结果中无法推导出的主张。
原型与观察
原型并非用于证明理论的正确性，而是用于观测实现过程中出现的限制装置。收集包括用户、运行负载、故障、安全性、法律条件在内的现实反馈，并将其返回到 Theory 和 System 中。
批判与修订
内部审核会寻找最强的反驳解释、缺失的出典、无法重现的部分和利益冲突。如果受到外部批判，不会默默地改写原始成果物，而是区分修正、撤回或新版本。将能够进行修改视为研究的要求，而非弱点。
使用 AI 的额外规则
- 将使用的模型、Prompt 目的和主要输入保留在工作记录中
- 用原始资料核对貌似可信的引用、数字和专有名词
- 不能仅凭同一模型的自我评估来完成验证
- 不将秘密信息或个人身份信息传递给模型
- 在公开之前，必须由人类确认主张边界、权利和安全性
主张级别提升
从工作假设（Working Hypothesis）推进到计算证据（Computational Evidence）需要可重复的条件。要达到证明级（Proof-grade），则不能仅依赖有限计算，必须使逻辑依赖闭合，并明确指出未证实的假设。外部验证（Externally Verified）指的是独立第三方对方法和结果进行考量，而非 SRI 内部的再次确认。
跨学科注意事项
即使在数学、物理、AI 和社会制度中使用相同的词汇，其定义和证据标准也是不同的。当将“观测”、“选择”、“能量”、“量子”等概念从一个领域转移到另一个领域时，必须区分比喻、形式对应和经验同一性。仅因为存在共同的图式，不能得出存在相同因果机制的结论。
Lighthouse 方法
Lighthouse 方法是一种研究和决策方法，它不会在一个复杂的信息环境中过早地锁定于单一结论，而是并行保持多个地图、证据、反证和未决领域。通过不将过去的既定事实都合心地改写，同时不将未来封闭为唯一的最佳解，从而留出人类重新观察、重新选择并承担责任的空间。
SRI 将此方法应用于研究、AI 治理和组织决策。公开的 Charter 和当前的实现可以在独立网站 SEERAVERSE Lighthouse ↗ 上确认。
发布前审核
公开物会检查其事实性、出典、逻辑、权利、隐私、安全性以及对读者的误导可能性。研究文章会检查主张边界（Claim Boundary）和局限性（Limitations）；实务文章会检查适用日期和确认方法；翻译则会检查固有词汇、数字和链接的保留。
修订方法本身
Method 并非一套固定的规则集。它会根据事故、重现失败、外部批判、技术变化而更新。在进行更改时，必须记录适用开始日期、受影响的成果物和重新验证的必要性，不能让人误以为将当前标准追溯应用于过去的成果。