更好的预测还不是学会行动：人工社会中的有界信念、预测准确度与学习的边界

§1. 标题与摘要

关键词有限理性信念更新概率预测CRPS预注册门槛人工社会

§2. 研究背景

第 1 篇和第 2 篇显示了自主行为的两个障碍：决策过程无法给它从不考虑的行动赋值，也无法给它不能归因于自己行动的延迟收益赋值。一个自然的下一步，是给居民一个关于它看不到的东西的私人信念，也就是它可能喂养的孩子隐藏的存粮，并追问这种信念是否比更简单的规则更好地预测孩子的未来状况。有限理性的论述强调，真实的决策者携带的是有限而易错的表征，而不是世界的真实状态 [1]；贝叶斯滤波则提供了一种由部分观察更新信念的标准方式 [2]。

预测研究提供了评分工具。概率预测应当由适当的评分规则来评判，这样诚实地表达不确定性会得到奖励，过度自信会受到惩罚；连续分级概率评分（CRPS）就是适用于数值量预测的这样一种规则 [3,4]。但得分高的预测并不是解释。两个看起来一样的孩子可能隐藏的存粮不同，之后会分道扬镳；预测者可以利用身体历史和收据中的规律，而无需识别某个行动造成了什么。因此 P14 先检验预测，并事先声明：预测永远不会被标称为因果学习或自主。

§3. 研究问题与假设

（Q1）有界信念预测器在预测孩子 +1、+4 和 +12 个 tick 后的身体能量时，是否优于强有限历史预测器？（Q2）如果在三个期限上都优于，这是否足以证明后续进行一项由信念指导行动的实验是合理的？（Q3）可见的身体状态未能揭示隐藏存粮的哪些信息？

决策规则。 一个期限得到支持，当且仅当：至少 30 个世界合格，95% 区间的上限低于零，Holm 校正后的 p 低于 0.05（双侧精确符号检验；舍去零差值），并且平均世界相对 CRPS 降幅至少为 5%。门槛： 三个期限都必须得到支持，并且在每个期限上信念预测器的平均 CRPS 都不差于持续性预测和端点预测。如果门槛未通过，就不进行信念指导选择的实验臂、不改变偏好、也不扩大搜索。

§4. 研究设计

世界。 P12 的 legal_both 世界（第 1 篇）：480 个 tick，选择和生理保持不变，信念库作为仅供预测的库开启。它对行动没有任何输出，也没有奖励；它的存在不改变居民的任何行为（通过与信念库关闭世界逐 tick 投影来核对，这是一项工程检查，不是统计结果）。

每名成人可以知道什么。 每个成人决策回合，存储一个关于家庭儿童的信息包：在白天视觉半径内的身份、位置和可见身体能量；若有可见的、到期时间恰好的待处理目标，则选它，否则选可见的能量最低、最近、ID 最小的孩子。没有隐藏库存、年龄、疾病、其他居民的行动、死因或未来观察。居民自己的正向交付被记录为收据。没有看到某个孩子不会被当作死亡。

四个预测器，在相同标签上。

1. 持续性： 最后一次看到的能量。
2. 端点外推： 按能量带（<45、45–75、≥75）× 居民自己是否刚刚交付食物，在每个期限上的平均能量变化。
3. 有限历史： 在该期限上最近 16 次精确观察到的转移中最近的四个（以初始身体能量的距离计；交付不匹配则加罚）；等权的经验变化；如果没有数据则取持续性预测。它与信念预测器使用相同的历史和收据。
4. 有界信念： 12 个假设（隐藏储备 {0,1,3,6} × 消耗 {1,2,3}）；每个假设性转移消耗所假设的消耗量，在能量低于 75 时吃整份食物（每份 +12 能量），并截断到 0–100；居民自己的交付增加所猜测的储备（上限 20）；每次可见的身体用高斯似然（σ = 6）和与先验 10% 的混合更新权重；间隔使权重向均匀分布漂移，超过 24 个 tick 的间隔重置信念。最多追踪四个孩子（最近最少使用）。这是一个人为设定的、易错的生理先验，不是学到的真实动力学，也不是因果估计器。

四者都通过同一个偏差核（−4、0、+4，权重 0.2、0.6、0.2）转换为分布，以便计算 CRPS；因此持续性预测与端点预测没有原生的不确定性，该核是评分工具，而不是它们已被校准的主张。

公平的信息获取，而不是相同的计算量。 所有预测器使用相同的合法观察和收据，以及相同的更新机会；它们的计算不同（信念传播 12 个假设；历史扫描至多 16 条记录），所以比较检验的是信息的使用，而不是容量相等。

缺失标签。 只有当同一个行动者在恰好的决策 tick 存储了同一个孩子的身体信息包时，预测才会被评分。缺失的目标为未知，预测者自己的死亡为未解决，超出世界结束时间的期限为右删失；都不会被转换为死亡或零能量。主要评分使用从 tick 24 起发出的预测。

负对照（隐藏存粮）。 种子 3301–3340（39 个合格状态；种子 3314 不合格，未替换；156 个分支）：在有可见孩子的状态下，把孩子的隐藏食物设为 0 或 4，下一个焦点行动为照护或休息，每个分支运行 12 个 tick。该对照检查视觉上相同的状态是否可能有不同的未来。

种子。 开发 9801–9807（只读检查）；试运行 3001–3002（仅技术检查）；确认 3101–3140；独立对照 3301–3340。冻结的协议还包括确定性重放以及与较早配置的比较。

§5. 变量与操作化

§6. 样本与实验单位

40 个确认世界（种子 3101–3140）。每个期限要求每个世界至少有 20 个已观察的成熟期标签，并且总共至少有 30 个合格世界。合格世界：+1 为 37 个，+4 为 37 个，+12 为 36 个（世界 3113、3127 和 3132 在 +1 与 +4 被排除，3133 在 +12 因成熟标签过少而被额外排除；被排除的世界仍保留在数据中）。四个预测器在相同标签上是配对的；它们不是 160 个独立世界。每个期限创建的 19,207 个预测标签（表 4.3）不是独立样本。最终人口为 3 到 11；没有世界灭绝。条件得分只描述被看到的孩子，而不描述死去的或未被观察到的孩子。

§7. 方法与统计分析

对每个世界，计算每个预测器在相同标签上的平均 CRPS；主要量是每个世界的平均差值（信念 − 有限历史）。我们报告其在合格世界上的均值、95% 百分位自助法区间（对世界重抽样 10,000 次，固定生成器）、差值为正或为负的世界数，以及双侧精确符号检验（舍去零差值），并对三个期限做 Holm 校正。负的差值有利于信念预测器。上述决策规则把区间、校正后的 p、至少 30 个合格世界以及 5% 的世界相对降幅结合起来。次要评分（MAE、Brier、平均评分之比）是描述性的。事后分析在确认之后运行，并作相应标注。在 40 个世界的条件下，要得到方向性的胜出，需要绝大多数种子（在 Holm 的第一步大约 40 个中的 29 个）；不显著的结果不是等效。

§8. 结果

§8.1 主要比较

解读。 在 +1 和 +4 个 tick，信念预测器分别在 37 个世界中的 33 个和 37 个世界中的 37 个里更好，按预注册的相对度量分别好约五分之一和四分之一，区间远离零；这两个期限都满足所有标准。在 +12 个 tick，平均差值的大小与 +4 相近（−1.0），其自助法区间确实不含零，但世界层面的符号几乎对半分（19 个更低、17 个更高），因此符号检验给出 Holm p = 0.868，并且平均世界相对降幅（0.63%）远低于要求的 5%。所以平均差值是由少数差异很大的世界驱动的。按冻结规则，+12 检验不支持；只选区间会推翻这一决定。（由模型评分表计算，平均 CRPS 之比在 +12 为 −11.1%，在 +1 为 −21.1%，在 +4 为 −27.3%；列出它们只是为了说明两种相对度量在 +12 处出现分歧，它不是冻结的标准。）

§8.2 四个预测器的评分

在 +12 个 tick，信念预测器的 CRPS 最低，但其均值的误差（10.875）大于有限历史（10.491）：它在这里的优势在于分布的形状，而不是更好的中心估计。在三个期限上，信念预测器的平均 CRPS 都低于持续性预测和端点预测，所以门槛的这一部分得到满足；门槛未通过，是因为 +12 的主要检验不被支持。

未知标签的份额不小（+1 为 11%，+4 为 19%，+12 为 17%），并且由于选择器优先处理到期更早的条目，各期限的计数不是嵌套的，不能解读为更长的期限更容易知道。误差以孩子在发出预测的 tick 被看到为条件。

§8.3 负对照：隐藏存粮

在 39 个合格的存粮双生状态中，存粮 0 与存粮 4 的双生世界在分叉之前，所有私有信念库、当前合法视图和三个预测都完全相同，符合设计。把隐藏存粮从 0 提高到 4 并让焦点成人休息之后，孩子在 +1 个 tick 的身体结局在全部 39 对中都不同，平均相差约 36 个能量单位；在 +4 和 +12 时仍存活的孩子中，差异持续存在。这支持以下陈述：视觉上相同的状态不必有相同的未来；它不是智能体可以使用的标签，并且分叉之后，其他行为和随机消耗会变化，所以之后的差异不能归因于某一次进食或某一次照护。

§8.4 事后分析（非预注册）

固定先验消融。 确认运行之后，对每个预测都在个人历史被重置的情况下重新评分（只保留当前身体、当前收据和原先验；不拟合参数）。滤波后减去新鲜先验的 CRPS，在 +1 为 −3.302（95% CI −4.423 到 −2.272），在 +4 为 −2.512（−3.654 到 −1.475），在 +12 为 −0.106（−1.249 到 0.935）。这提示，在短期限上，优势不仅来自内置先验，保留的历史和过去的收据也有作用；在 +12 处，保留的历史几乎没有增加什么。消融把历史和收据一起去掉，未经独立确认，既不能区分二者的贡献，也不能确立因果学习。

时间缺陷。 对交付收据的一项审计发现，在 3,142 次正向转移中，涉及 13 个世界的 226 次被记到了较早时间的身体记录上（间隔最长 127 个 tick），还有一些没有保留的目标。存档的预测和确定性重放没有改变，但尚未做带版本号的修复，也没有用新种子确认。因此这些结果不得被引用为已核实的长期期限的时间信用分配。

反例。 在确认世界中，+12 个 tick 上有 6,058 例孩子在预测者没有交付的情况下恢复，968 例孩子在交付之后仍然恶化；这些不排除他人的帮助或较早的帮助，说明为什么不能简单地把恢复归功于某个行动。

§9. 讨论

核心发现是一个有界的、有限定的成功，随后是一个事先约定的停止。信念预测器在一个和四个 tick 上，可靠地改善了对孩子身体能量的概率预测，优于有限历史。在十二个 tick，证据不支持普遍的优势，项目自己写下的门槛没有被满足。遵守门槛是主要的方法论要点：两个有利的期限不被允许授权进入下一阶段。

为什么短期优势不能延伸？有几种解释仍然开放：12 个假设的先验覆盖的储备与消耗范围有限；在较长期限上，未观察到的事件（其他居民的帮助、疾病）占主导；时间缺陷可能污染了基于收据的更新；合格世界的样本也很小。消融暗示保留的历史在短期限上最有帮助。这些解释在这里都没有得到检验。

对照显示了更深的局限。两个可见身体相同但隐藏存粮不同的孩子会分道扬镳，所以只看到可见身体的预测者无论构建得多么好都是有界的；在这样的界限下做预测，也不会告诉智能体哪种行动会改变结果。第 1 篇的强制照护分叉表明照护可能有影响，但 P14 中没有任何东西给居民提供了从结果中学到这一点的途径。把预测与行动价值联系起来，需要一个单独的、预注册的实验，而这个实验被刻意没有进行。

与既有研究的关系：用适当评分评估概率预测 [3,4] 和信念滤波 [2] 都是标准做法；这里的贡献是预注册的门槛及其诚实的应用，而不是一种新算法。

§10. 局限

• 仅限模拟； 不对人类或真实的儿童福利作任何推断。
• 是预测，不是行动。 没有检验任何行为、存活或学习效应；信念库没有输出读取。
• 人为设定的先验。 信念模型是一个易错的生理先验，假设网格很小；它不是学到的动力学。
• 已知且尚未修复的时间缺陷（3,142 条收据中的 226 条，涉及 13 个世界），也没有用新种子确认。
• 样本小且有选择。 36–37 个合格世界；以孩子被看到为条件；未知标签占 11–19%；死亡或未被观察到的孩子没有被评分。
• 计算量不相等。 比较给予的是相等的信息获取，而不是相等的容量。
• 用于给持续性与端点评分的共同偏差核 是一种工具，不是校准主张。
• 事后分析 是探索性的。
• 治理。 内部预注册；没有外部复现；包内的分析脚本导入未分发的模块；协议是在负责人指导下由一个 AI 编码助手起草的（措辞待确认）。

§11. 结论

在这个人工社会中，关于孩子隐藏食物储备的有界信念，在一个和四个 tick 的期限上、在几乎所有世界里，对孩子身体能量产生的概率预测都优于强有限历史基线，但在十二个 tick 上没有满足预注册的标准。由于门槛要求三个期限全部通过，没有进行关于依据这些信念行动的实验，也没有对因果学习、行为或存活提出任何主张。这一停止，加上一个已知而尚未修复的时间缺陷，界定了下一步：修复记账，用新种子确认，然后才追问这类预测能否支持行动。

§12. 数据可得性与可复现性

证据包 SC-P14-Bounded-Beliefs 包含冻结的协议、审计与报告、事后说明、确认分析、事后先验消融与时间审计文件、分析脚本和图表数据（逐世界 CRPS 差值、模型评分、标签记账），采用 CC BY 4.0（数据、文档）与 MIT（脚本）许可。本版中，三个主要对比和模型评分都由提供的逐世界结果行重新计算，并与冻结文件一致。模拟引擎、依赖锁定文件和事件流不分发，因此模拟无法重新运行；分析脚本导入未分发的模块。包内名称仍使用早期名称“Emergentia”。发布状态：1.0.0 版已于 2026-11-12 开放公开下载（见下方数据集面板）。

@dataset{zhong2026_p14boundedbeliefs,
  author    = {Zhong, Martin},
  title     = {SHING CIVITAS P14 Bounded Beliefs Dataset},
  year      = {2026},
  version   = {1.0.0},
  publisher = {SHING CIVITAS},
  url       = {https://shingcivitas.com/}
}

§参考文献

以下外部文献已于 2026-11-12 对照出版社、期刊、会议论文集、DOI 或图书馆记录核验。它们仅支撑理论背景和研究方法，不构成对 SHING CIVITAS 实验结果的外部验证。

1. 1Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852
2. 2Särkkä, S. (2013). Bayesian Filtering and Smoothing. Cambridge University Press. https://doi.org/10.1017/CBO9781139344203
3. 3Matheson, J. E., & Winkler, R. L. (1976). Scoring rules for continuous probability distributions. Management Science, 22(10), 1087–1096. https://doi.org/10.1287/mnsc.22.10.1087
4. 4Gneiting, T., & Raftery, A. E. (2007). Strictly proper scoring rules, prediction, and estimation. Journal of the American Statistical Association, 102(477), 359–378. https://doi.org/10.1198/016214506000001437
5. 5Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733

核验登记： 参见 附录 C · 文献核验登记，含各条来源链接、著录更正和核验边界。