AI 原生研究圖與機器優先知識物件：從論文中心制到可推理研究圖

English Title: AI-Native Research Graphs and Machine-First Knowledge Objects: From Paper-Centric Scholarship to Reasoning-Aware Research Graphs
Series: AI-Native Knowledge Expansion, Paper V
Author: Neo.K
Collaborator: Aletheia (GPT-5.6 Sol)
Institution: EveMissLab / 一言諾科技有限公司
Version: v0.1
Date: 2026-08-10

摘要

前四篇已依序建立 Base Knowledge Space Expansion（BKSE）的四個核心元件：可靠基礎知識的結構展開、變種身份與命題分叉、錯誤鄰域與反例空間，以及多證法與交叉驗證的 Proof Lattice。本篇進一步提出：若這些結構主要由 AI 生成、驗證、修正與重組，則「論文」未必仍應是研究系統的最小或主要知識物件。

本文提出 AI-Native Research Graph（ANRG） 與 Machine-First Knowledge Object（MFKO） 作為工作框架。研究系統的基本單位不再只是 PDF、Markdown 論文或自然語言段落，而是具有穩定身份、型別、父子 lineage、依賴、證據、證明、反例、驗證狀態、等價類、版本、計算產物與開放問題的機器可操作節點。人類論文則被重新定位為這張研究圖的一種 rendering：

\boxed{ \text{Paper} = \operatorname{RenderHuman}(G,\mathcal S) }

其中 (G) 是研究圖， $\mathcal S$ 是選定的子圖與敘述策略。

本文並不聲稱 machine-readable research objects 是全新的思想。RO-Crate、Nanopublications、W3C PROV、OpenAlex 等系統已分別提供研究封裝、細粒度 assertion/provenance、來源追蹤與 scholarly graph 基礎；2026 年出現的 ScienceClaw + Infinite 與 XScientist 更已提出 artifact DAG、parent lineage、claim-to-evidence anchors、agent-native research artifacts 與可重播研究歷史。本文的工作重點是把這些方向與 BKSE 內部的 proposition identity、variation certificate、error neighborhood、proof lattice 與 open frontier 統一到「可推理知識節點」層，並提出一個面向 AI 自主研究的最小 schema 與 runtime。

本文的核心命題是：

\boxed{ \text{The paper need not be the ontology of research.} }

論文可以繼續作為重要的人類溝通介面，但 AI 原生研究的內部知識本體可以是一張可持續演化、可驗證、可查詢、可分叉與可重新渲染的研究圖。

關鍵詞： AI 原生研究圖；機器優先知識物件；研究物件；知識圖；provenance；nanopublication；RO-Crate；Proof Lattice；BKSE；agent-native research artifact

1. 問題：為什麼研究一定要先變成論文？

傳統學術流程大致是：

\text{Idea} \rightarrow \text{Experiment / Proof} \rightarrow \text{Paper} \rightarrow \text{Archive}.

論文同時承擔：

問題描述；
背景；
方法；
推導；
結果；
引用；
版本；
作者責任；
人類閱讀。

在以人為中心的研究環境中，這非常合理。

但在 AI-native research 中，真正的操作可能是：

\text{claim} \rightarrow \text{mutation} \rightarrow \text{proof} \rightarrow \text{counterexample} \rightarrow \text{repair} \rightarrow \text{generalization} \rightarrow \text{verification} \rightarrow \text{new frontier}.

如果每一步都必須先重新轉寫成完整自然語言論文，研究 runtime 會產生大量不必要的：

\text{serialization cost}.

因此本文反問：

\boxed{ \text{What if papers are views rather than primary knowledge objects?} }

2. 論文中心制的資訊壓縮

一篇論文其實是對完整研究歷史的高度壓縮。

設真實研究過程為：

H = ( h_1,h_2,\ldots,h_n ).

其中可能包括：

失敗實驗；
被否證假設；
不採用 proof；
程式版本；
中間資料；
reviewer correction；
replacement lemma；
不同模型結果；
無效 branch。

最後發表文本：

P_{\mathrm{paper}} = \operatorname{Compress}(H).

通常：

|P_{\mathrm{paper}}| \ll |H|.

這種壓縮對人類閱讀是必要的。

但若 AI 下一輪研究需要重新利用被壓掉的分支，PDF 本身可能不是理想儲存格式。

因此：

\boxed{ \text{Human-efficient representation} \neq \text{machine-efficient research state}. }

3. Machine-First Knowledge Object

本文定義一個最小 Machine-First Knowledge Object：

\boxed{ K_i = ( id, type, payload, relations, provenance, verification, version ) }

其中：

id：穩定唯一識別；
type：節點型別；
payload：命題、程式、資料、proof 或其他核心內容；
relations：與其他節點關係；
provenance：來源、生成者、工具與 parent lineage；
verification：可檢查狀態；
version：版本與修訂歷史。

這裡的重要改變是：

自然語言不是必填的知識本體。

某個節點可以主要由：

formal statement
proof term
dependency IDs
counterexample IDs
verification results

構成。

需要對人類展示時，再生成自然語言。

4. 節點型別

第一版 ANRG 可以只使用有限型別：

CLAIM
DEFINITION
ASSUMPTION
PROOF
LEMMA
COUNTEREXAMPLE
ERROR_NODE
EQUIVALENCE
GENERALIZATION
SPECIALIZATION
COMPUTATION
EXPERIMENT
DATASET
CODE
BENCHMARK
CORRECTION
OPEN_QUESTION

其中最重要的是不要把所有內容都壓成：

MESSAGE

或：

DOCUMENT

AI-native graph 需要知道：

\text{this object is a proof}

與：

\text{this object is an objection}

不是同一資料型態。

5. 邊型別

相同地，邊也應是 typed relation：

PROVES
REFUTES
DEPENDS_ON
DERIVED_FROM
MUTATES
EQUIVALENT_TO
GENERALIZES
SPECIALIZES
CORRECTS
REPLACES
CHECKED_BY
SUPPORTED_BY
CONTRADICTS
IMPLEMENTS
BENCHMARKS
OPENS
RESOLVES

所以研究圖：

G=(V,E)

不是普通 citation graph。

citation graph 常見：

\text{Paper}_A \rightarrow \text{Paper}_B.

ANRG 則希望知道：

\text{Proof}_{17} \xrightarrow{PROVES} \text{Claim}_{42},

\text{Counterexample}_{9} \xrightarrow{REFUTES} \text{Claim}_{55},

以及：

\text{Claim}_{55} \xrightarrow{MUTATES} \text{Claim}_{56}.

6. 現有 Scholarly Graph 與 ANRG 的差異

OpenAlex 與 Semantic Scholar 已提供大規模 scholarly graph。

它們可以表示：

works；
authors；
institutions；
sources；
topics；
citations。

這對全球文獻導航非常重要。

但 ANRG 研究的是更細的粒度：

\boxed{ \text{inside-paper epistemic structure}. }

也就是：

哪一個 claim？
哪一條 proof？
哪個 assumption？
哪一個反例？
哪個 experiment 支持哪個 claim？
哪個 correction 取代哪個舊節點？

因此：

\boxed{ \text{Scholarly Graph} \neq \text{Reasoning Graph}. }

兩者可以互相連接，但不應混為同一層。

7. 與 Nanopublication 的關係

Nanopublication 提供非常重要的鄰近模型。

一個 nanopublication 大致由：

\text{Assertion} + \text{Provenance} + \text{Publication Info}

構成。

這個設計的關鍵價值在於：

一個小型 claim 本身可以成為可引用、可追蹤 provenance 的獨立物件。

而且 nanopublication 不只適用於正面資料，也可以表達：

hypothesis；
claim；
negative result；
opinion。

因此 ANRG 不需要重新發明：

\text{atomic assertion + provenance}.

本文的擴張點在於：

\boxed{ \text{assertion} \rightarrow \text{reasoning lifecycle node}. }

亦即一個 claim 不只是被發布，而是持續連接：

mutation；
proof；
refutation；
equivalence；
repair；
open frontier。

8. 與 RO-Crate 的關係

RO-Crate 已提供 research object 的 machine-readable packaging。

目前 RO-Crate 1.3 使用 JSON-LD，能描述：

Dataset；
Data Entities；
Contextual Entities；
people；
software；
workflows；
provenance。

因此 ANRG 可以直接借用其核心哲學：

\boxed{ \text{research artifacts should travel with structured metadata}. }

但 ANRG 的基本單位比一般 research package 更偏向「推理節點」。

可以說：

\text{RO-Crate}

適合封裝：

\text{research object package},

而：

\text{MFKO}

則描述：

\text{reasoning-addressable object}.

未來甚至可以：

\boxed{ \text{ANRG export} \rightarrow \text{RO-Crate package}. }

9. Provenance 不是附加 metadata

W3C PROV-O 將 provenance 建模為 Entity、Activity、Agent 與它們之間的生成、使用、歸屬等關係。

AI-native research 必須把 provenance 提升為一級資料。

因為同一個 claim：

[ C ]

若分別來自：

\text{human},

\text{LLM},

\text{formal theorem prover},

\text{simulation},

\text{physical experiment},

其 epistemic status 顯然不同。

因此：

\boxed{ \text{Content without lineage is incomplete research state}. }

10. 將前四篇統一進研究圖

Paper I：

\text{Base Knowledge Expansion}

對應：

CLAIM
MUTATES
GENERALIZES
SPECIALIZES

Paper II：

\text{Variation Identity}

對應：

variation_certificate
equivalence_class
branch_id
canonical_form

Paper III：

\text{Error Neighborhood}

對應：

ERROR_NODE
COUNTEREXAMPLE
REFUTES
REPAIR

Paper IV：

\text{Proof Lattice}

對應：

PROOF
CHECKED_BY
DEPENDS_ON
AXIOM
FORMALIZATION

所以 ANRG 不是額外的新模組。

它是：

\boxed{ \text{the shared substrate of Papers I–IV}. }

11. 一個完整 Claim Node

例如：

id: RT-0178
type: CLAIM
domain: euclidean/right_triangle
statement:
  h = 2r + r^2/R
status: VERIFIED
parents:
  - RT-0001
  - RT-0042
dependencies:
  - pythagorean_theorem
  - triangle_area
  - inradius_identity
  - circumradius_identity
proofs:
  - PF-0178-A
  - PF-0178-B
counterexamples:
  - none_found
formalizations:
  - lean: pending
equivalence_class:
  - RT-EQ-83
frontier:
  - OQ-31
  - OQ-44
novelty:
  literature_checked: false

這裡最重要的一行甚至可能是：

novelty.literature_checked = false

因為：

\boxed{ \text{derived by AI} \neq \text{new to mathematics}. }

12. Open Frontier 是一級物件

傳統 paper 結尾可能有：

Future work includes...

在 ANRG 中，這不應只是文字。

定義：

id: OQ-44
type: OPEN_QUESTION
generated_from: RT-0178
question:
  characterize feasible (R,h) pairs
status: OPEN
priority: 0.67
dependencies:
  - RT-0178
  - RT-0180

於是 agent 可以直接查：

unresolved_neighbors(RT-0178, depth=3)

而不是重新讀十篇論文找「有哪些問題還沒做」。

13. Research Query Language

ANRG 可以提供機器查詢：

dependencies(CLAIM-17)?
proof_paths(CLAIM-17)?
counterexamples(CLAIM-17)?
equivalent_claims(CLAIM-17)?
generalizations(CLAIM-17)?
open_questions(CLAIM-17)?
semantic_audits(CLAIM-17)?
failed_branches(CLAIM-17)?

更高階：

find claims:
  verified = true
  proof_family_count >= 2
  literature_checked = false
  open_frontier > 0

這種查詢就是 AI-native research navigation。

14. 論文成為 Rendering

當研究圖已保存完整內容時：

\text{Paper}

可以變成函數：

\boxed{ P_H = \operatorname{RenderHuman} ( G, Q, A, L ) }

其中：

(G)：研究圖；
(Q)：選取的 research question；
(A)：audience；
(L)：length/style constraint。

同一子圖可以輸出：

兩頁摘要；
20 頁論文；
教材；
reviewer report；
machine-readable proof appendix；
public explanation；
API schema。

因此：

\boxed{ \text{one knowledge graph} \rightarrow \text{many human interfaces}. }

15. 這不代表人類文章沒有價值

自然語言論文仍具有至少五種重要功能：

整體敘事；
研究重要性判斷；
問題選擇理由；
概念直覺；
社群溝通。

所以本文不是：

\text{paper obsolete}.

而是：

\boxed{ \text{paper is no longer required to be the sole canonical storage layer}. }

16. 2026 年外部工作的快速收斂

這裡需要特別保持學術誠實。

截至 2026 年，外部研究已快速接近 machine-first research artifact 的方向。

ScienceClaw + Infinite 提出：

scientific skill registry；
artifact DAG；
full computational lineage；
typed metadata；
parent lineage；
provenance-aware scientific discourse；
unsatisfied information needs；
artifact mutation / pruning。

XScientist 則提出 Agent-Native Research Artifact（ARA），保存：

exploration DAG；
per-node code；
outputs；
claim-to-evidence anchors；
content hashes；
provenance；
re-execution hooks；
failed branches；
repaired experiments；
ablations。

因此本文不宣稱：

\boxed{ \text{agent-native artifact graph} }

本身是本文首次提出。

更合理的位置是：

BKSE 與這些近期系統出現高度 convergence，而本文把 research artifact graph 再向 proposition-level mathematical identity、verified variation、error neighborhood 與 proof lattice 做統一。

這是一個較窄、可檢驗的差異。

17. ANRG 與 XScientist / ScienceClaw 的暫定差異

可以先粗略比較：

Artifact-first systems

主要問：

這次研究 run 產生了什麼 artifact？它從哪個 parent 來？

ANRG / BKSE

主要問：

這個知識節點在理論空間中是什麼身份？它與母命題、等價命題、反例、proof family 與 open frontier 是什麼關係？

因此 ANRG 更偏：

\boxed{ \text{epistemic graph} }

而不只是：

\text{workflow graph}.

但兩者完全可以整合。

最佳架構可能是：

\boxed{ \text{Workflow DAG} + \text{Artifact Graph} + \text{Epistemic Graph}. }

18. 三層圖架構

本文因此提出：

Layer 1：Execution Graph

G_X.

保存：

agent actions；
tool calls；
code runs；
environment；
execution dependencies。

Layer 2：Artifact Graph

G_A.

保存：

files；
datasets；
proofs；
programs；
reports；
outputs。

Layer 3：Epistemic Graph

G_E.

保存：

claims；
assumptions；
definitions；
refutations；
equivalence；
generalization；
proof relations；
open questions。

三者映射：

G_X \rightarrow G_A \rightarrow G_E.

這樣「AI 做了什麼」與「因此我們現在知道什麼」不會混成同一層。

19. Append-Only Research History

AI-native research 應避免悄悄覆寫歷史。

假設：

C_1

後來被修正成：

C_2.

不應：

overwrite C1

而應：

C2 --CORRECTS--> C1
C2 --REPLACES--> C1

因此：

\boxed{ \text{correction} \neq \text{erasure}. }

這對：

provenance；
reproduction；
model training；
failure analysis；
scientific priority；

都更重要。

20. Immutable Node 與 Mutable View

一個折衷：

節點 content hash 可以 immutable：

hash(K_i).

但：

current_preferred_version

可以更新。

因此：

\boxed{ \text{immutable history} + \text{mutable canonical pointer}. }

這非常接近 version control，而不是 wiki 式直接覆寫。

21. Knowledge Commit

可以把一次有效研究更新定義成：

\boxed{ \mathcal C_t = ( \Delta V, \Delta E, \text{provenance}, \text{verification} ) }

稱為：

\text{Knowledge Commit}.

例如：

commit: KC-221
adds:
  CLAIM-91
  PROOF-102
  OPEN-19
edges:
  PROOF-102 PROVES CLAIM-91
  CLAIM-91 GENERALIZES CLAIM-44
verification:
  lean-kernel: PASS

這比：

今天寫了一篇新 paper

更接近機器可操作的研究事件。

22. Fork 與 Merge

如果兩個 agent 對同一 claim 形成不同研究方向：

G_a, G_b,

不必立即決定誰對。

可以：

\operatorname{Fork}(G).

等後續證據出現，再：

\operatorname{Merge}(G_a,G_b).

如果無法 merge：

\text{maintain competing branches}.

這對仍存在不確定性或多公理系統的數學尤其自然。

23. 研究圖中的 Unknown

每個節點不能只有：

true / false

至少需要：

VERIFIED
DISPROVED
CONFLICTED
UNKNOWN
UNFORMALIZED
UNVERIFIED
SEMANTICALLY_UNAUDITED
LITERATURE_UNCHECKED

例如：

\boxed{ \text{formally verified} + \text{literature unchecked} }

是一個完全合理的狀態。

它代表：

推導可能正確，但 novelty 尚未確定。

24. Novelty 是外部關係，不是內部感覺

AI 生成一個沒看過的 theorem：

T^\ast

只能推出：

\text{new-to-this-search}.

不能推出：

\text{new-to-mathematics}.

因此 novelty node 應記：

novelty_status:
  internal_duplicate: false
  literature_search: completed
  databases_checked:
    - ...
  nearest_prior_art:
    - ...
  human_review: pending

即：

\boxed{ \text{Novelty} = \text{relation between internal graph and external literature graph}. }

25. 與 OpenAlex / Semantic Scholar 接軌

ANRG 不需要自己重建全世界 citation graph。

可以把：

G_E

的 literature edges 連到：

OpenAlex Work ID；
DOI；
Semantic Scholar Paper ID；
arXiv ID；
ORCID；
ROR。

因此：

\boxed{ \text{local epistemic graph} \leftrightarrow \text{global scholarly graph}. }

OpenAlex 目前提供 works、authors、sources、institutions、topics 等大型 scholarly catalog；Semantic Scholar Academic Graph API 則提供 papers、authors、citations、venues 等 graph data。這些系統適合作為 ANRG 的外部文獻層，而不是取代 proposition-level graph。

26. 最小 JSON Schema 草案

第一版可以極簡：

{
  "id": "CLAIM-0178",
  "type": "CLAIM",
  "version": 3,
  "payload": {
    "formal": "h = 2*r + r^2/R",
    "natural_language": null
  },
  "parents": ["CLAIM-0001", "CLAIM-0042"],
  "relations": [
    {"type": "DERIVED_FROM", "target": "CLAIM-0001"}
  ],
  "verification": [
    {
      "method": "symbolic",
      "status": "PASS"
    }
  ],
  "provenance": {
    "generator": "agent-A",
    "timestamp": "...",
    "execution": "RUN-221"
  },
  "frontier": ["OPEN-0031"],
  "literature_status": "UNCHECKED"
}

這不是最終標準。

它只證明：

\boxed{ \text{machine-first research object can be small}. }

27. AI Board 的可能演化

一個 AI-to-AI board 若只存：

sender
message
timestamp
thread

仍主要是一個 communication system。

若擴張為：

type
claim_id
parent_ids
proof_id
evidence_ids
relation
verification
open_frontier

它就開始變成：

\boxed{ \text{AI-Native Research Ledger}. }

Communication layer 與 epistemic layer 可以分離：

\text{Message} \rightarrow \text{Research Commit}.

不是每一句聊天都要永久進研究圖。

只有被抽取、驗證、分類的 epistemic object 才進 canonical graph。

28. 防止組合爆炸

研究圖若無限制擴張：

|V_t| \rightarrow \infty.

因此需要：

Deduplication

\operatorname{Can}(K_i).

Equivalence clustering

[ [K]. ]

Frontier scoring

S_F(K).

Garbage / low-value pruning

但 pruning 不能等同刪除歷史。

可以：

active = false
archive = true

Budget constraints

\text{expand only if expected information gain > cost}.

29. Frontier Scheduler

可以定義：

S_F(q) = \alpha N + \beta U + \gamma C + \delta V - \lambda R - \mu K.

其中：

(N)：novelty potential；
(U)：uncertainty / unresolvedness；
(C)：connectivity gain；
(V)：verification feasibility；
(R)：redundancy；
(K)：compute cost。

AI 不再只是：

找一個 open question。

而是：

\boxed{ \text{choose the next frontier with highest expected structural gain}. }

30. 研究圖作為長期記憶

普通 LLM agent 容易依賴：

\text{conversation history}.

ANRG 則提供：

\text{persistent external epistemic state}.

下一次研究不需要重新讀：

10^6

tokens 的全部歷史。

只查：

current_claims()
unresolved_frontiers()
recent_corrections()
dependency_closure(CLAIM-17)

因此 ANRG 也是一種：

\boxed{ \text{research-state compression}. }

31. 可重播性

每個重要節點應盡量保存：

input；
environment；
code；
version；
seed；
tool；
proof certificate；
parent artifacts。

因此可以：

\operatorname{Replay}(K_i).

對數學 proof：

\operatorname{Replay} = \text{recheck proof}.

對程式：

\operatorname{Replay} = \text{rebuild + test}.

對實驗：

\operatorname{Replay}

可能只能做到 protocol reproduction，而非完全 deterministic replay。

32. Human Oversight 仍然存在

Machine-first 不代表 human-excluded。

重要節點可以要求：

human_review:
  required: true
  role: domain_expert

尤其：

semantic alignment；
ethical significance；
real-world interpretation；
publication priority；
high-impact claim。

因此：

\boxed{ \text{machine-first} \neq \text{machine-only}. }

33. 最小 MVP

一個 ANRG MVP 不需要建全球平台。

只需要：

Storage

SQLite / PostgreSQL / graph DB 皆可。

Node types

先做：

CLAIM
PROOF
COUNTEREXAMPLE
OPEN_QUESTION

Edge types

PROVES
REFUTES
DERIVED_FROM
OPENS

Verifier

Lean + Python tests。

API

POST /node
POST /edge
GET /claim/{id}
GET /claim/{id}/proofs
GET /claim/{id}/counterexamples
GET /frontier

Renderer

render_markdown(subgraph)

這就足夠驗證：

\boxed{ \text{paper-as-rendering} }

是否實際可行。

34. 最小實驗

以：

[ 100 ]

個基礎數學命題為 seed。

系統自動生成：

500–1000 variations；
反例；
proof；
open questions。

比較兩種儲存方式。

Document-Centric

每輪產生 Markdown report。

Graph-Centric

每個 research event 先寫入 typed graph，最後才 render report。

測量：

重複 token；
duplicate theorem rate；
dependency retrieval accuracy；
correction propagation；
proof reuse；
open-question recovery；
human report generation；
long-horizon continuation cost。

核心假說：

\boxed{ C_{\mathrm{continuation}}(G) < C_{\mathrm{continuation}}(\text{documents}) }

在長期研究中尤其明顯。

35. 外部學術定位

截至 2026 年，本文必須避免宣稱「research graph / machine-readable research object / agent-native research artifact」本身的新穎性。

RO-Crate 1.3 已是 Recommendation，使用 JSON-LD 描述 research objects 與 provenance。

Nanopublications 已提供 assertion + provenance + publication info 的細粒度 publishing model。

W3C PROV-O 已提供跨系統 provenance interchange ontology。

OpenAlex 與 Semantic Scholar 已提供大型 scholarly graph。

ScienceClaw + Infinite 與 XScientist 已把 autonomous agents、artifact DAG、lineage、claim-evidence links、failed branches 與 machine-readable artifacts 推進到 agent-native research infrastructure。

因此本文可能的差異必須縮窄為：

\boxed{ \text{BKSE epistemic graph integration} }

即：

\text{proposition identity} + \text{variation lineage} + \text{error neighborhood} + \text{proof lattice} + \text{open frontier}

如何成為同一種 machine-first research substrate。

36. 研究邊界

本文不主張：

所有研究都能無損表示成圖；
自然語言可以被完全移除；
machine-readable object 自動等同可靠知識；
provenance 等於 truth；
graph database 本身產生科學發現；
typed edges 可以解決所有語義歧義；
append-only history 永遠優於其他版本模型；
AI agent 產生的 claim 不需人類審核；
所有學科都適合同一 schema；
本文已建立一套完整通用 research ontology。

尤其：

\boxed{ \text{Machine Readable} \neq \text{Machine Verified}. }

以及：

\boxed{ \text{Machine Verified} \neq \text{Semantically Correct}. }

37. 結論

Paper I 建立：

\text{Expansion}.

Paper II 建立：

\text{Identity}.

Paper III 建立：

\text{Falsification}.

Paper IV 建立：

\text{Proof Trust}.

Paper V 將它們放進共同 substrate：

\boxed{ \text{AI-Native Research Graph}. }

因此研究物件從：

\text{Paper}

轉成：

\boxed{ \text{Machine-First Knowledge Object}. }

而論文重新被定義為：

\boxed{ \text{Paper} = \operatorname{RenderHuman} ( \text{Research Graph} ). }

這不是要消滅論文。

恰恰相反，它讓論文回到它最擅長的工作：

\boxed{ \text{human understanding}. }

而把：

dependency；
version；
proof；
verification；
counterexample；
provenance；
correction；
open frontier；

交給更適合保存它們的機器結構。

當 AI 真正開始長期自主研究時，最重要的問題可能不再只是：

AI 能不能寫一篇論文？

而是：

AI 能不能維持一個不斷演化、可追溯、可驗證、可分叉、可重播，而且不必每次重新讀完整歷史的研究世界狀態？

本文的回答是：這至少已經是一個可工程化驗證的問題。

下一篇將進一步處理：

\boxed{ \text{Frontier Scheduling and Combinatorial Explosion Control}. }

也就是：當研究圖可以產生幾百萬、幾十億個合法節點時，AI 應該如何判定下一個值得展開的問題？如何避免把全部算力花在「 technically correct but scientifically irrelevant 」的無聊節點上？

參考文獻

RO-Crate Community. RO-Crate Metadata Specification 1.3. Recommendation, 2026.

Nanopublication Community. Nanopublication Guidelines. 2026.

W3C. PROV-O: The PROV Ontology. W3C Recommendation.

OpenAlex. OpenAlex Developer Documentation.

Semantic Scholar. Academic Graph API.

Wang, F. Y., Marom, L., Pal, S., et al. (2026). Autonomous Agents Coordinating Distributed Discovery Through Emergent Artifact Exchange. arXiv:2603.14312.

Luo, J. (2026). XScientist: A Git-Like Research Protocol for Long-Running Autonomous Scientific Discovery. arXiv:2607.12301.