問題
生成式 AI 很擅長在看到結果之後組織出一個合理解釋。這對理解很有用，但如果同一個系統既提出假說、又看見 outcome、最後再決定原本的假說「其實是什麼」，就很難知道它到底有沒有真正預測。
研究方法上的對應
科學研究用 preregistration、registered reports 與預先指定 analysis plan 等方法，把 confirmatory decisions 移到結果揭曉之前。OSF 的 preregistration guidance 也強調：在看到資料前先寫清楚 hypothesis、variables、analysis 與 decision criteria，之後再透明記錄偏離。
Bio2Twin 的 Prediction Lock
Bio2Twin 把這個精神縮成一個產品層的規則：Prediction 必須有 timestamp，而且不能被後來的 Outcome 覆寫。模型可以在之後提出新的解釋，但那必須被標成 Correction，而不是改寫原始 Prediction。
Reality 才是外部驗證
AI 可以提出 mechanism、找 supporting evidence，也可以找 counter evidence；但它不能自己製造真實結果。睡眠、HRV、lab、CGM、活動、本人感受與後續事件，才是從模型之外回來的 Reality。
結果不只分對與錯
很多個人資料沒有足夠控制，也可能受到 confounding、missing data 或 measurement noise 影響。因此 outcome 應至少允許 supported、not supported、uncertain。Prediction Lock 的目的不是讓 AI 得分，而是讓錯誤能被留下、被看見、被下一輪修正。
研究邊界
這是一篇 Bio2Twin Research Note，用來整理研究問題、公開證據與可驗證方向，不是醫療診斷、治療建議或處方調整
這是一篇 Bio2Twin Research Note，用來整理研究問題、公開證據與可驗證方向，不是醫療診斷、治療建議或處方調整