同一段画面之后出现两种未来，未必说明 AI 懂得“世界有随机性”。也可能是画面漏掉了速度、材质等关键差别：两个真实状态看起来一样，未来才会分叉。Yibin Dong 的工作指出，这两种机制甚至能产生完全相同的未来概率分布；仅凭普通转移数据，即使预测和概率校准都做到最优，也无法分辨原因。
论文提出 ClosurePairs，一套带干预的评测方法。它固定外部扰动、替换当前画面背后的兼容微观状态，再固定微观状态、重复不同扰动。这样便能把分叉拆成状态混叠——观测没看见的差别、过程随机性，以及二者的非线性交互。一个关键细节是：在非线性系统里，只复用相同随机种子仍不够，状态与噪声的交互也必须估计，并计入过程成分。
这项工作的价值不只是给不确定性换个标签。若分叉来自状态混叠，系统应获取更精细的观测；若来自过程随机性，则应保留多个未来分支。边界也很清楚：所谓随机，只是相对于论文声明的状态、时间步和随机接口而言，并非证明世界存在“根本随机性”。