discipline/02-foundations.md
📑 本页目录
02 · 公理化基础与核心概念
1. 公理（Axioms）
| # | 公理 | 类型 | 含义 |
|---|---|---|---|
| A1 | 潜在性 Latency | 定义性约定 | D(o,m,t) 是潜在量，通常不可直接观测；一切观测都是代理。测量理论因此是学科第一块基石 |
| A2 | 截断性 Censoring | 定义性约定 | 观测通道受限时，观测需求 ≤ 潜在需求（缺货、限流、配额、订阅墙、价格门槛）。系统性低估是常态，必须显式建模或校正 |
| A3 | 层次性 Hierarchy | 定义性约定 | 需求在同一对象的多粒度上一致存在（SKU→品类→市场；任务→领域→行业）；预测须满足聚合一致性或显式声明不一致 |
| A4 | 结构性 Structure | 定义性约定 | 需求由可辨识的生成机制驱动：季节性、趋势、扩散/采用、能力跃迁、制度/政策、反馈循环；机制集合随时间演化 |
| A5 | 可预测性 Predictability | 经验命题 | 存在信号+方法+判断的组合，其样本外表现优于朴素基线；但「能预测到什么程度」随对象与情境变化，是可证伪的研究对象 |
| A6 | 反身性 Reflexivity | 经验命题 | 测量与预测会改变需求（Goodhart 效应、自我实现预言、AI 生成需求）；必须追踪二阶效应并登记在案（实例：许愿池——开发者看到愿望→供给改变→需求被预测改变，见 protocols/wish-pool.md） |
公理 A1-A4 是定义性约定（学科怎么看待需求）；A5-A6 是经验命题，决定学科的可检验核心。
A3 的操作化：粒度细化与对象出生（v0.3 草案）
需求对象词典是分层树：粗粒度父对象（历史长）→ 细粒度子对象（历史短或刚出生）。 粒度细化会"制造"新对象：
- 出生事件 birth(t₀)：子对象首次出现可观测信号的时刻；出生前对象不可观测 （不是零需求，而是该粒度下尚无信号通道）。
- 出生登记：拆分父对象时必须显式登记出生表（子对象、父对象、拆分时间、t₀ 估计）， 与预测注册表同一条 harness 纪律。
- 聚合一致性：任意时刻 Σ 子对象占比 ≤ 父对象占比；预测做层级调和或显式声明不一致。
- 检测与预测：新对象出生后占比快速抬升 → 早期检测（变化点/事件信号）+ 增长曲线预测（扩散模型 + 类比先验）→ 详见 protocols/emergence-detection.md。
2. 核心符号
| 符号 | 含义 |
|---|---|
| o, m, t | 需求对象、范围、时刻 |
| D(o,m,t) | 潜在需求（理论构念） |
| Ô(o,m,t) | 观测代理（销量、点击、调用、搜索…） |
| C(o,m,t) | 观测通道容量/截断阈值 |
| F̂_{t+h} | 对 t+h 的预测分布 |
| S(o,m,t) | 供给/能力状态 |
| P(o,m,t) | 价格或成本条件 |
| G(o,m) | 需求生成机制集合 |
| RQ-xx | 研究问题编号（见 05-agenda.md） |
3. 需求对象分类学（v0.2 · Round 2 更新）
| 大类 | 示例 | 观测特点 |
|---|---|---|
| 实物商品 | 消费品、零件、设备 | 销售/库存数据；截断普遍（缺货） |
| 传统服务 | 出行、住宿、医疗 | 预订/排队；容量约束 |
| 数字内容与软件 | App、游戏、SaaS | 下载/订阅/使用；免费层造成代理偏差 |
| 数字资源 | 算力/GPU、存储、带宽、token | 容量配额、限流；排队与拒绝 |
| 数据与知识 | 数据集、论文、评测基准 | 引用/下载；质量难测 |
| 能力与人力 | 技能、岗位、专家时间 | 招聘/价格/工时；低频、语义复杂 |
| AI 原生对象 | 模型能力、agent 服务、推理调用 | 全新对象、冷启动、能力跃迁、价格剧变 |
| 衍生/变革需求 | 「AI 深度改造某领域」的采纳需求 | 信号稀疏、语义复杂（Case 0: ADDO） |
| 制度性/公共需求 | 政策采购、公共供给、合规驱动 | 招投标/配额数据；受预算与政策周期影响 |
v0.2 新增第 9 类（Round 2 决策 D10）。每类的「首选测量 / 典型截断 / 典型预测方法」 映射见 08-measurement.md §5。
4. 观测信号谱系（从直接到间接）
- 直接交易：销量、收入、合同（最接近 D，但有价格/渠道扭曲）。
- 行为痕迹：点击、下载、使用时长、API 调用（高频、间接）。
- 意向信号：搜索、收藏、愿望单、询价（前瞻、噪声大）。
- 数字尾气：论文引用、GitHub star、招聘帖、榜单、社交媒体（长尾、语义复杂）。
- 陈述偏好：问卷、投票、预测市场（有偏差需校正）。
- 主动愿望表达（v0.5 新增）：许愿池/需求提交——用户主动表达的意图， 比行为痕迹更接近 D，但仍是陈述偏好（用户说不清/表达不准，需结构化挖掘校正； 见 protocols/wish-pool.md，Case 1）。
- 结构化生成：agent 模拟、LLM 合成选择（新出现，需锚定真实证据）。
每条信号都应登记：偏差方向（高估/低估）、滞后、覆盖面、稳定性（模板见 06-evidence.md §6）。
5. 核心原则（由公理推导）
- 测量原则：永远报告「测的是什么」（代理）、「偏差往哪个方向」、「如何校验」。
- 截断原则：凡观测通道可能受限，先建模截断，再谈预测。
- 组合原则：点/分布预测用组合（多个模型 + 判断）；组合是唯一有 50 年证据的「免费午餐」。
- 评估原则：用 proper scoring rules 评估分布；用相对基准（naive/ETS/组合）评估增益； 用决策价值做最终裁决。
- 反馈原则：预测进入决策时，登记并追踪它对需求的回馈。
6. 可预测性分类（研究对象的内部结构）
对每个（对象、范围、horizon）组合，按证据把可预测性分为四类：
| 类型 | 条件 | 示例 | 适用方法 |
|---|---|---|---|
| 结构可预测 | 季节性/机制稳定，历史充分 | 季节消费品（节日礼品） | ETS、层级、组合 |
| 半可预测 | 有机制但会变（能力跃迁、政策） | GPU 算力需求 | 结构变化检测 + 动态模型 + 判断校正 |
| 弱可预测 | 数据稀缺、机制全新、罕见事件 | 新品爆款、新模型采用率 | 场景规划、预测市场、结构化类比 |
| 不可预测/自指 | 反馈强（预测改变需求） | AI 能力需求本身 | 转成「条件预测 + 决策规则」（if-then 预案） |
分类本身要随证据更新：一个对象从「弱可预测」进入「半可预测」是值得登记的学科进展。
出生期是分类迁移的高发期（v0.3 草案）：粒度细化产生的新对象通常从 「弱可预测」（零历史，靠类比/先验）起步，随信号积累迁入「半可预测」 （变化点检测 + 扩散拟合），这是出生检测协议（RQ-A5）的观测对象； 检测到出生 → 曲线预测 → 决策，全程保持可计分。