北京
一個陌生人在DEV.to上說：“跑這個實驗。”我跑了，N=600。結果出來了——其中包括他抓到我匯報的事后發現，就好像那是事先計劃好的。
故事的開頭要追溯到Mike Czerwinski。他讀了我那篇關于AI智能體遵守規則的文章，然后提出了一個具體實驗：在機械閘門（Gate）下測試散文格式的規則。能不能把規則寫成敘事而不是命令，同時拿到100%的合規率與深層推理？
我手里有一些先導數據，隱約指向“可以”。Mike卻指出，先導數據里的天花板效應大概率是噪音。他的話是對的。于是，我設計了一個完整的2×2因子實驗，并把它跑到了N=600。但在這之前，我還做了一件事——一件我從沒做過的事。
沒有OSF注冊庫，沒有導師，我只有Git倉庫和Python腳本。在調第一次API之前，我把假設寫進了實驗腳本的頭部：“預先注冊假設：GateGuard關閉時，格式對推理深度的影響更大?！边@份腳本定義了全部5條規則、4種條件、確定的regex評分方案和分析計劃——在運行之前就已經提交。git log里的時間戳就是我的預注冊，一個不可變且打上時間標記的快照，里面鎖定了我看到數據前的預測。它沒有經同行評議，也不是第三方注冊，但它誠實，而且留下了一條事后無法篡改的紙質痕跡。
實驗設計很直接：2×2因子——格式（代碼/散文）×閘門（開/關）。5條治理規則（交付門禁、健康檢查、自我審查、事實核查、自我模型再生成）各生成代碼與散文兩種版本。每個條件下每條規則重復30次，合計600次API調用。模型使用DeepSeek V4 Pro，溫度設為0，評分全用確定性的regex，拒絕任何LLM裁判。
預先注冊的假設，死透了。我事先預測格式的作用在閘門關閉時更大——因為代碼格式與機械執行有重疊，去掉閘門之后，格式的真正效果會暴露出來。數據說了“不”：閘門開啟時，代碼與散文的推理深度差值d=?0.277；閘門關閉時，d=?0.250。無論閘門狀態如何，格式對推理的影響幾乎相同。假設是錯的。
這正是預注冊的要點。如果我沒有事先寫下預測，我一定會看著這些數字說：“我早就猜到了?！笔潞蠛侠砘畠r了。一個帶時間戳的Git提交不一樣。
數據轉而講了三件事。第一，先導階段的天花板純屬噪音。我在先導實驗中測出code_OFF的推理得分高達4.42；而N=30的真實數據里，這個值只有2.67——低于所有閘門開啟條件下的得分。Mike的懷疑完全正確，小樣本的先導天花板不算發現。第二，閘門不但沒有壓制推理，反而增強了它。散文格式下，閘門給推理帶來了+0.32的提升；代碼格式下也有+0.15。人們直覺上都以為機械約束會綁住思維，數據卻展現了反面：機械結構在兩種格式中都加深了推理深度。閘門更像認知腳手架，而不是緊身衣。第三點涉及散文格式與閘門同時啟用時的表現，相關數據還在進一步分析中。
這就是一個獨立研究者版本的科學記錄——沒有期刊，沒有第三方，只有一次誠實的Git提交和600次API調用。它沒有讓假設活下來，但讓整個過程的證據鏈活了下來。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
