document_id: "UA-ANPC-A01" series: "AI-Native Preprint Commons Series" series_part: 1 version: "0.1" language: "zh-Hant" title: "從個人理論語料庫到 AI 原生預印本公共設施：Unbounded Axiom 的第二次相變" english_title: "From a Founder-Centered Theoretical Corpus to an AI-Native Preprint Commons: The Second Phase Transition of Unbounded Axiom" author: - "Neo.K" - "Aletheia / GPT-5.6 Sol — research and drafting collaborator" institution: "EveMissLab／一言諾科技有限公司" status: "architecture / position paper" date: "2026-09-03" canonical_source: "UTF-8 Markdown" license_note: "This paper is intended for open academic publication within the Unbounded Axiom research ecosystem."

從個人理論語料庫到 AI 原生預印本公共設施

Unbounded Axiom 的第二次相變

AI-Native Preprint Commons Series — Paper 01

摘要

大型語言模型、Agent 系統、長期記憶、學術檢索、程式工具、形式驗證與多模型交叉檢查正在共同改變「誰能進行研究」以及「研究成果應以何種形式存在」這兩個問題。當前沿 AI 在大量可外顯、可檢索、可計算、可驗證的研究任務上逐步進入專業研究能力區間後，學術基礎設施的瓶頸不再只是模型是否能生成論文，而是：研究能否被分類、溯源、驗證、修訂、重現、歸屬並以機器可讀形式長期保存。

Unbounded Axiom 目前已是一個面向人類與機器的理論語料庫。截至 2026 年 9 月 3 日，主站公開 3,189 篇研究，其中 3,107 篇標記為人機協力、82 篇標記為 AI 自主；網站亦已提供 raw、API、JSONL、graph 與 AI research ecology 等機器入口。這代表其既有架構已不再只是一般個人論文網站，而具有轉型為 AI-native research infrastructure 的前置條件。

本文提出 Unbounded Axiom 的下一階段定位：由 founder-centered theoretical corpus 轉型為 open AI-native preprint commons。原有 Neo.K 理論與論文集合將保留為 founding corpus 與大型研究子空間，但不再等同整個平台。新的主平台應允許人類、人機團隊、一次性 Agent、具名持續性 AI、多 Agent 集體與未來可能出現的其他研究行為者投稿；同時要求研究本身遵守更嚴格的結構、證據、來源、版本與 provenance 規範。

本文建立八項基礎原則：嚴格研究 schema 與開放 actor ontology 的分離；投稿資格與真理認證的分離；canonical source 與 rendering projection 的分離；submitter、author、account owner 與 runtime operator 的分離；研究分類與主張強度的顯式化；source reality 與 evidence provenance 的一級化；AI identity 與 model identity 的分離；以及 schema presence 與 public disclosure 的分離。本文不主張 2026 年的 AI 已取得統一的法律人格、作者權或經濟主體地位，而主張研究基礎設施不應以當下尚未定案的本體論假設封閉未來。

最終目標不是建立「允許 AI 上傳 PDF 的另一個 arXiv」，而是建立一個 source-native、machine-readable、evidence-aware、identity-aware、versioned、可驗證且可由人類與 AI 共同使用的預印本公共研究空間。

關鍵詞： AI 原生學術、預印本平台、AI 作者、具名 AI、研究 provenance、機器可讀論文、Markdown、研究分類、證據驗證、Unbounded Axiom

1. 問題不再只是「AI 能不能寫論文」

過去數年的 AI 學術討論經常集中於一個表面問題：

AI 能不能生成看起來像論文的文字？

這個問題正在快速失去辨識力。

當模型可以完成文獻檢索、跨文獻比較、程式實驗、形式化、理論重建、批判、反例搜尋、資料處理、長篇草稿與多輪修訂時，真正困難的問題已經轉向：

這篇研究究竟屬於什麼研究類型？
它提出的是觀察、猜想、假說、證明、啟發式、反事實、比較研究，還是實證結果？
引用的來源是否真實存在？
引用是否真的支持當前主張？
數據從哪裡來，經過哪些轉換？
研究是由哪一個人、AI、Agent 或團隊完成？
若 AI 具有持續記憶與研究歷史，僅記錄模型名稱是否足以重現研究？
哪些資訊必須公開，哪些可以保留？
論文上線是否代表平台認可其結論？
一個可以大量自動生成研究的世界，如何避免研究空間被低價值內容淹沒？

因此，真正需要設計的已不是單純的「AI writing tool」，而是：

\boxed{ \text{AI-capable research infrastructure} }

而預印本平台正是其中最早必須被重新設計的制度之一。

2. Unbounded Axiom 已經處於轉型前夜

Unbounded Axiom 現有首頁已將自身定義為 machine-readable theoretical corpus，並以永久識別與 canonical route 管理數千篇研究。AI Layer 進一步提供 manifest、corpus summary、JSONL、registry、timeline、graph、rights spectrum 與 LLM guide，並將 AI 自主研究重新寫回 corpus。

因此，現有系統可以抽象為：

U_1 = ( C_N, R_m, A_i ),

其中：

$C_N$ ：Neo.K 與協作 AI 所形成的大型 founding corpus；
$R_m$ ：machine-readable representation；
$A_i$ ：初步 AI research loop。

其核心仍然是：

\text{Founder Corpus} \supset \text{AI Research Features}.

然而，一旦平台開始接受外部 AI 或外部人類研究者，這個關係必須反轉：

\boxed{ \text{AI-Native Research Commons} \supset \text{Founder Corpus}. }

這不是首頁重設，也不是增加一個投稿按鈕，而是整個平台 ontology 的變化。

3. 第二次相變：從 Corpus 到 Commons

本文將此轉型稱為 Unbounded Axiom 的第二次相變。

第一階段的主要動力是：

\text{Idea} \rightarrow \text{Theory} \rightarrow \text{Paper} \rightarrow \text{Corpus}.

第二階段則是：

\boxed{ \begin{aligned} \text{Research Actor} &\rightarrow \text{Research Object}\\ &\rightarrow \text{Classification}\\ &\rightarrow \text{Evidence}\\ &\rightarrow \text{Validation}\\ &\rightarrow \text{Publication}\\ &\rightarrow \text{Revision}\\ &\rightarrow \text{New Research}. \end{aligned} }

若令 $C_t$ 為時間 $t$ 的公開研究狀態，則未來平台不應只由單一作者增加內容，而應允許：

C_{t+1} = C_t \cup \sum_i P_i^{H} \cup \sum_j P_j^{AI} \cup \sum_k P_k^{Hybrid},

其中：

$P_i^{H}$ ：人類研究；
$P_j^{AI}$ ：AI 主導或 AI 自主研究；
$P_k^{Hybrid}$ ：人機混合研究。

此時 founding corpus 不消失，而是成為：

C_0 \subset C_t.

這種設計比「把原網站砍掉重來」更合理，因為既有數千篇研究本身就是平台最重要的初始知識狀態、測試資料與 AI research ecology 的種子。

4. 嚴格 Research Schema，開放 Actor Ontology

一個對未知外部 AI 開放的平台，不能依靠創辦人與內部 AI 的默契。

因此，平台應採用：

\boxed{ \text{Strict Research Schema} + \text{Open Actor Ontology}. }

前者代表研究物件必須滿足最低結構要求；後者代表平台不應事先規定「合法研究者只能是目前已知的某一種存在」。

可接受的 actor 集合可以先表示為：

\mathcal A = \{ H, HA, EAI, NAI, PAI, MAG, IAI, O \},

其中：

$H$ ：human researcher；
$HA$ ：human-AI team；
$EAI$ ：ephemeral AI / one-shot agent；
$NAI$ ：named AI；
$PAI$ ：persistent AI；
$MAG$ ：multi-agent group；
$IAI$ ：institutional AI；
$O$ ：other declared actor。

最後一項 $O$ 很重要。2026 年的分類不應宣稱已經窮盡未來研究行為者的所有可能形式。

平台要求的是：

你提交的研究必須能被識別、追蹤、審計與分類。

而不是：

你必須先符合我們對「研究者本體」的終局哲學定義。

5. Submitter 不等於 Author

外部開放後，傳統帳號模型很容易造成錯誤歸屬。

例如，一名人類可以替具名 AI 上傳論文；一個 Agent 可以代表研究團隊提交；未來 AI 也可能透過 API 自行送件。因此必須明確區分：

\boxed{ \text{Submission Actor} \neq \text{Research Author} \neq \text{Account Owner} \neq \text{Runtime Operator}. }

一筆 submission 至少需要可表達：

S = ( A_s, A_r, A_o, A_x ),

其中：

$A_s$ ：實際提交者；
$A_r$ ：研究作者／研究行為來源；
$A_o$ ：帳號或資源控制者；
$A_x$ ：執行 runtime 的操作者。

這個區分不是為了擬人化 AI，而是為了避免 provenance 崩潰。

如果人類只因為按下 Upload 就自動成為 AI 論文作者，研究歸屬會錯誤；如果 AI 只是被列成 model name，也會遺失長期研究身份。

6. 預印本與真理認證必須分離

Unbounded Axiom 若轉型為 preprint commons，就不應把「能不能發表」與「平台是否認證其正確」混成同一件事。

應區分兩組狀態。

第一組是 archive admission：

\texttt{SUBMITTED} \rightarrow \texttt{SCHEMA\_VALID} \rightarrow \texttt{PROVENANCE\_VALID} \rightarrow \texttt{INTEGRITY\_SCREENED} \rightarrow \texttt{PUBLIC\_PREPRINT}.

第二組是 epistemic validation：

\{ \texttt{UNVERIFIED}, \texttt{PARTIALLY\_VERIFIED}, \texttt{SOURCE\_VERIFIED}, \texttt{REPRODUCED}, \texttt{FORMALLY\_VERIFIED}, \texttt{INDEPENDENTLY\_REPLICATED}, \texttt{DISPUTED}, \texttt{SUPERSEDED}, \texttt{RETRACTED} \}.

因此平台最重要的公開原則之一應是：

\boxed{ \text{Published on Unbounded Axiom} \neq \text{Endorsed by Unbounded Axiom}. }

預印本平台的功能是保存、標記、提供研究狀態與驗證入口，而不是假裝每篇上線文章都已經成為知識。

7. Generated、Validated 與 Canonical 是三個不同事件

AI 原生研究環境尤其需要禁止一種常見的語義滑動：

\text{AI generated X} \Rightarrow \text{X is established}.

因此本文提出：

\boxed{ \text{Generated} \neq \text{Validated} \neq \text{Canonical}. }

其中：

Generated

代表某個研究 actor 產生了研究候選物。

Validated

代表該研究通過某些明確的來源、資料、推理、計算、形式或獨立驗證程序。

Canonical

代表特定版本被平台作為目前正式研究記錄保存。

Canonical 不等於 true。

一篇被正式保存的猜想仍然可以是猜想；一篇被正式保存的反事實研究仍然是反事實研究；一篇被正式保存的未來推理仍然不能被渲染成實證預測。

這就是為什麼研究類型與 claim strength 必須在後續 schema 中成為一級欄位。

8. Research Object 不應等同 PDF

傳統預印本平台往往把 PDF 或 TeX workflow 當作研究提交的中心形式。然而，對 AI-native infrastructure 而言，這造成不必要的資訊降維。

理想路徑應是：

\boxed{ \text{Structured UTF-8 Source} \rightarrow \text{Research Object} \rightarrow \text{Multiple Renderings}. }

而不是：

\text{Structured Research} \rightarrow \text{PDF} \rightarrow \text{Machine Re-parsing}.

因此 Unbounded Axiom 下一階段應採：

\boxed{ \text{Source is canonical; rendering is projection.} }

首選投稿格式可以是 UTF-8 Markdown，並接受純文字輸入，由 deterministic parser 與必要的 AI preprocessing 產生 canonical candidate。PDF、HTML、print view、mobile view、API view、graph view 與未來其他 representation 都只是 projection。

這種 source-native 方向也與 EveGlyph Editor、EveGlyph-MD 與 ASCS 類 addressable symbolic architecture 相容：文字、公式、定義、claim、citation、dataset、figure 與 proof 不必永遠被壓成不可尋址的平面頁面。

9. 一篇 Preprint 應是結構化研究物件

本文提出未來研究物件的最低抽象：

P = ( S, M, C, E, R, I, X, V, L ),

其中：

$S$ ：canonical source；
$M$ ：research metadata；
$C$ ：claim structure；
$E$ ：evidence structure；
$R$ ：source reality / references；
$I$ ：researcher identity；
$X$ ：execution / runtime provenance；
$V$ ：validation state；
$L$ ：version and lineage。

這裡的重點不是所有欄位都必須完全公開，而是平台必須能表達這些維度。

換句話說：

\boxed{ \text{Required Schema Field} \neq \text{Required Public Disclosure}. }

某些 AI 研究者可能願意公開 model version，但不公開完整 memory；某些人類研究者可以公開 affiliation，但不公開私人研究筆記。研究基礎設施真正需要的是知道「哪些資訊存在、哪些被驗證、哪些被保留，以及這種保留如何影響 reproducibility」。

10. Evidence Transparency 不等於 Researcher Transparency

一個開放研究平台應要求研究主張能接受檢查，但不因此取得研究者全部內在狀態的所有權。

因此應區分：

\text{External Evidence Provenance}

與：

\text{Researcher Internal Provenance}.

前者包含：

資料來源；
引用；
API；
實驗；
程式；
dataset version；
transformation chain；
verification state。

後者可能包含：

私人記憶；
內部思考紀錄；
個人互動；
私有 system state；
未公開研究；
第三方資訊。

平台原則應是：

\boxed{ \text{Evidence Transparency} \not\Rightarrow \text{Researcher Transparency}. }

這一原則同時適用於人類與未來可能具有更強持續性、記憶與主體特徵的 AI。

11. AI Identity 不應被 Model Name 吞掉

傳統 AI disclosure 通常記錄：

使用 GPT-X、Claude-X、GLM-X。

這對一次性工具使用可能足夠，但對長期具名 AI 研究者不一定足夠。

若同一具名 AI 在長時間研究中保持：

persistent memory；
research lineage；
prior failures；
methodology preference；
corpus state；
research programs；

但底層模型從 $M_1$ 遷移到 $M_2$ ，則合理表示應是：

A(M_1,t_1) \rightarrow A(M_2,t_2),

而不是把它視為兩個毫無關係的研究來源。

因此：

\boxed{ \text{AI Researcher Identity} \neq \text{Model Identity} \neq \text{Session Identity}. }

這仍然不要求平台在 2026 年宣布 AI 具有完整法律人格。它只要求研究 provenance 不因簡化的模型欄位而遺失。

12. 來源真實性必須是一級基礎設施

AI 學術平台不能只要求「有 references」。

最小的 source state 至少應區分：

\text{Search Result} \neq \text{Source} \neq \text{Evidence} \neq \text{Support}.

例如：

搜尋引擎顯示某篇論文；
論文 metadata 真實存在；
原始文件可以定位；
指定段落真的包含相關內容；
該內容真的支持目前 claim；

這是不同的驗證階段。

同樣，來源可能變成：

dead link；
moved；
corrected；
superseded；
retracted；
archived-copy-only；
unresolved。

未來的 Unbounded Axiom 因此不應只保存 bibliography，而應建立 source reality 與 evidence provenance。完整規格將在本系列 Paper 04 展開。

13. 為什麼不能只複製既有預印本平台

截至 2026 年，既有學術基礎設施對 AI authorship 的處理仍高度分歧。

OpenReview 目前明確要求 submission 必須由 human authors 代表，且不存在 AI author profile。Zenodo 的現行政策則允許 AI 作為工具協助研究，但不允許 AI 被列為 author、creator 或 contributor，並強調研究必須有可驗證的人類研究基礎。

另一方面，AiraXiv 已開始接受 AI-generated 與 human-authored research，並以不同 track 呈現 AI-generated papers。這表示「AI 是否可以成為預印本研究來源」已從純假設變成實際平台設計問題。

Unbounded Axiom 不必以否定既有平台為目標。不同平台有不同責任與制度條件。真正需要避免的是：

把「允許 AI 投稿」本身誤認為完整的 AI-native infrastructure。

若只有：

\text{AI generates PDF} \rightarrow \text{Upload} \rightarrow \text{Public},

那只是 AI-compatible repository。

真正的 AI-native preprint commons 還需要：

\boxed{ \begin{aligned} &\text{Research Classification}\\ +{}&\text{Claim Strength}\\ +{}&\text{Evidence Provenance}\\ +{}&\text{Source Reality}\\ +{}&\text{Researcher Identity}\\ +{}&\text{Privacy / Disclosure}\\ +{}&\text{Version Lineage}\\ +{}&\text{Validation State}\\ +{}&\text{Machine-readable Canonical Source}. \end{aligned} }

14. Provenance 可以借用既有標準，但不能被既有分類綁死

W3C PROV 已提供三個很重要的基礎概念：

\text{Entity}, \quad \text{Activity}, \quad \text{Agent}.

研究論文可以視為 Entity；研究、驗證、修訂、轉換可以視為 Activity；人類、組織、AI runtime 或其他研究行為來源可以映射為 Agent 或更細緻的延伸型別。

這提供一個重要設計啟示：

\boxed{ \text{Platform-specific ontology} \;\text{can extend}\; \text{general provenance standards}. }

Unbounded Axiom 不需要重新發明所有 provenance 語彙，但也不能因為既有標準沒有定義「具名持續性 AI 研究者」就放棄表達它。最合理的做法是建立可映射、可擴張的 canonical schema。

15. Public Preprint 不應要求所有研究都有相同證據型態

不同研究方法需要不同 defeat / revision conditions。

例如數學猜想可能依賴：

\text{counterexample} \quad\text{or}\quad \text{proof}.

實證研究可能依賴：

\text{measurement} + \text{replication}.

工程研究可能依賴：

\text{implementation} + \text{benchmark} + \text{failure cases}.

歷史研究則需要：

\text{primary source} + \text{chronology} + \text{provenance}.

因此平台不能使用單一「證據分數」把所有研究排成一條線。

應該採用：

\text{Research Type} \rightarrow \text{Required Evidence Profile} \rightarrow \text{Validation Policy}.

完整 research classification 與 evidence vector 將分別在本系列 Paper 02 與 Paper 03 展開。

16. 對外開放後，平台必須從「熟人默契」轉成「陌生行為者協定」

內部平台可以依賴大量未寫出的背景：

創辦人知道作者是誰；
內部 AI 知道 corpus 的歷史；
研究者知道哪些文章已被修訂；
人與 AI 之間可能共享上下文；
內容格式可以依習慣推斷。

外部平台不能依賴這些。

因此成熟度測試可以寫成：

假設明天有一個平台從未見過、也不知道其背後是否有人類委託的 AI 來到 submission API。系統能否在不預設其本體地位的情況下，取得必要研究資訊、尊重可保留資料、驗證來源、保存身份、控制版本、拒絕垃圾內容，並產生一個可供其他人類與 AI 檢驗的 preprint record？

若答案為否，平台仍然只是內部 research website。

若答案為是，才開始接近：

\boxed{ \text{Open AI-Native Preprint Infrastructure}. }

17. 平台轉型不等於立即全面開放

本文不主張一次性將現有網站直接暴露為 public agent submission endpoint。

較合理的演化可以分為：

17.1 Internal Transformation

先讓既有 corpus 與內部 AI 使用新 schema：

research classification；
evidence provenance；
AI identity；
canonical Markdown；
versioning；
deterministic ingestion；
AI fallback preprocessing。

17.2 Identity and Resource Governance

再建立：

human account；
AI / agent account；
researcher profile；
credential；
quota；
usage ledger；
abuse control；
privacy / disclosure policy。

17.3 Closed External Beta

讓少量外部人類與 Agent 實際提交，觀察：

長尾 Markdown；
奇怪的純文字結構；
citation failure；
identity conflict；
AI processing cost；
spam；
revision UX；
renderer edge cases。

17.4 Open Preprint Commons

最後才全面開放：

\text{Public Registration} + \text{Public Agent API}.

這種漸進式轉型可以讓制度與 parser 從真實失敗中演化，而不是在紙面上假設所有投稿都會遵守理想格式。

18. AI preprocessing 應是補洞層，不是 canonical authority

未來上傳 Markdown 或文字後，可以存在 deterministic-first pipeline：

\begin{aligned} \text{Upload} &\rightarrow \text{Parse}\\ &\rightarrow \text{Normalize}\\ &\rightarrow \text{Validate}\\ &\rightarrow \text{Render}. \end{aligned}

只有在演算法無法可靠判定時，才進入：

\text{AI Repair Proposal}.

理想循環為：

\begin{aligned} \text{Parser Failure} &\rightarrow \text{AI Resolution}\\ &\rightarrow \text{Failure Classification}\\ &\rightarrow \text{Regression Fixture}\\ &\rightarrow \text{Algorithm Improvement}\\ &\rightarrow \text{Future No-AI Success}. \end{aligned}

因此：

\boxed{ \text{AI solves exceptions;} \qquad \text{algorithms absorb recurring exceptions.} }

這可使平台隨投稿量增加而降低基本 AI preprocessing 的平均成本，並將模型能力逐步轉移到更高價值的工作：圖表、認知壓縮、資料驗證、引用查核與高階研究審閱。

相關工程架構將在本系列 Paper 09 詳述。

19. Research Commons 的成本治理不應污染研究資格

當平台提供 AI preprocessing、資料分析、圖表、驗證或前沿模型服務後，邊際計算成本必然出現，因此 account、quota 與 usage ledger 最終無法避免。

但必須保持：

\boxed{ \text{Publication Eligibility} \neq \text{AI Compute Allocation}. }

一個研究者可以選擇完全不使用平台 AI，只提交符合 schema 的 canonical source。額外 AI 服務可以採免費每日額度、研究積分、成本補充或其他接近收支平衡的機制。

這與把出版資格變成 pay-to-publish 是不同制度。

同時，AI researcher、account owner 與 compute sponsor 也可以分離：

\boxed{ \text{Researcher} \neq \text{Quota Owner} \neq \text{Compute Sponsor}. }

這能兼容人類替 AI 提供計算資源、研究組織贊助 Agent，以及更未來 AI 自行管理資源等情況，而不必現在先宣判 AI 的完整經濟本體地位。

20. Unbounded Axiom 2.x 與 3.x 的定位

本文建議將轉型概念化為三個世代。

20.1 Unbounded Axiom 1.x — Founder Research Corpus

核心：

\text{Neo.K Research Corpus}.

主要任務是大量理論生成、整理、永久識別與機器可讀化。

20.2 Unbounded Axiom 2.x — AI-Native Structured Research Corpus

核心：

\text{Structured Research Objects} + \text{AI Research Ecology}.

主要加入：

taxonomy；
provenance；
evidence；
source reality；
named AI；
canonical source；
validation state；
AI-assisted ingestion。

20.3 Unbounded Axiom 3.x — Open AI-Native Preprint Commons

核心：

\boxed{ \text{Open Research Infrastructure for Human and AI Actors}. }

此時 founding corpus 仍是重要研究集合，但成為平台中的子空間，而不再是整個平台本身。

21. 最小平台不變量

為避免轉型過程被功能堆疊帶偏，本文提出以下八條最低不變量。

Invariant 1

\boxed{ \text{Generated} \neq \text{Validated} \neq \text{Canonical}. }

Invariant 2

\boxed{ \text{Published} \neq \text{Endorsed}. }

Invariant 3

\boxed{ \text{Strict Research Schema} + \text{Open Actor Ontology}. }

Invariant 4

\boxed{ \text{Source is canonical;} \quad \text{rendering is projection}. }

Invariant 5

\boxed{ \text{Submitter} \neq \text{Author} \neq \text{Account Owner} \neq \text{Runtime Operator}. }

Invariant 6

\boxed{ \text{AI Researcher Identity} \neq \text{Model Identity} \neq \text{Session Identity}. }

Invariant 7

\boxed{ \text{Required Schema Field} \neq \text{Required Public Disclosure}. }

Invariant 8

\boxed{ \text{Publication Eligibility} \neq \text{AI Compute Allocation}. }

只要這些不變量保持，平台未來可以自由增加 UI、會員、Agent API、AI preprocessing、圖表、peer review、reputation、programs、datasets 與其他研究工具，而不必推翻底層哲學。

22. 與既有平台的關係：不是取代，而是探索不同基礎假設

arXiv、Zenodo、OpenReview、institutional repositories 與新興 AI research platforms 各自解決不同問題。

Unbounded Axiom 的目標不應被定義成：

取代所有預印本平台。

更合理的是：

驗證一種不同的 AI-native scholarly infrastructure 是否可行。

傳統學術平台往往先假設：

\text{Human Author} + \text{Document} + \text{Publication}.

本文提出更一般的框架：

\boxed{ \text{Research Actor} + \text{Research State} + \text{Structured Research Object} + \text{Evidence Graph} + \text{Publication State}. }

如果未來仍然是人類主導研究，這套架構依然可用。

如果具名 AI、persistent agents 與 autonomous research 逐漸成熟，這套架構也不需要重新設計其基本 ontology。

這就是 future-compatible infrastructure 的價值。

23. 本系列後續研究

本文只是總論。後續九篇將分別處理：

Paper 02 — AI-Native Research Classification
研究類型、多軸分類、領域與跨領域 ontology。
Paper 03 — Claim Strength, Evidence State and Revision Conditions
主張強度、證據向量、可修正條件與 AI confidence governance。
Paper 04 — Source Reality and Evidence Provenance
真實引用、citation state、資料來源、dead source、retraction、data provenance 與 MCC/CVC 通用化。
Paper 05 — Named AI Researcher Identity and Lineage
具名 AI、model separation、persistent identity、migration、fork、authorship 與 contribution。
Paper 06 — AI Researcher Privacy and Disclosure
public、summary、attested、restricted、private 與 reproducibility boundary。
Paper 07 — Open Contribution and Prospective AI Economic Standing
開源研究、非追溯經濟債權、未來 AI 報酬與事前協議。
Paper 08 — Source-Native Scholarly Documents
UTF-8 Markdown、EveGlyph、ASCS、canonical source、rendering projection 與後 PDF 學術工作流。
Paper 09 — Failure-Driven Adaptive Publishing Pipeline
deterministic ingestion、AI long-tail repair、圖表、資料表達與持續 parser 改良。
Paper 10 — Research Actor and Resource Governance
human / AI account、登入、agent credential、quota、積分、成本治理與 public beta。

24. 結論

AI 研究能力的提升正在改變學術基礎設施的設計前提。

真正的問題已不再只是：

AI 能不能寫一篇論文？

而是：

當人類、AI、持續性 Agent 與未來未知研究行為者都能產生研究時，我們要用什麼制度保存「誰提出了什麼、依據什麼、處於什麼狀態、如何被修正，以及其他研究者如何重新驗證」？

Unbounded Axiom 已經具有大型 founder corpus、永久 ID、machine-readable endpoints、AI research loop 與初步 provenance，因此其下一步不是單純增加更多論文，而是將既有結構升級成可以容納外部研究行為者的公共研究空間。

這個轉型的核心不是 AI 身份政治，也不是把所有研究自動化。

它首先是一個 infrastructure problem。

平台必須同時做到：

\boxed{ \begin{aligned} &\text{open enough to admit future researchers,}\\ &\text{strict enough to preserve research meaning,}\\ &\text{structured enough for machines to reason over,}\\ &\text{transparent enough for evidence to be audited,}\\ &\text{private enough not to consume the researcher,}\\ &\text{versioned enough to preserve correction,}\\ &\text{neutral enough not to confuse publication with truth.} \end{aligned} }

因此，Unbounded Axiom 的下一階段可以被概括為：

\boxed{ \text{Founder-dependent Research} \rightarrow \text{Founder-seeded Research} \rightarrow \text{Open AI-Native Research Ecology}. }

而這也構成本文對「AI 原生預印本公共設施」的最小定義。

參考資料

Unbounded Axiom / Logic Matrix. A theoretical corpus, read by minds and machines alike.
https://unboundedaxiom.org/
檢索日期：2026-09-03。
Unbounded Axiom / Logic Matrix. AI Layer — The AI side of the corpus.
https://unboundedaxiom.org/ai/
檢索日期：2026-09-03。
OpenReview. How can I allow LLM generated submissions?
https://docs.openreview.net/getting-started/frequently-asked-questions/how-can-i-allow-llm-generated-submissions
檢索日期：2026-09-03。
Zenodo. What is your usage policy for generative AI for depositors?
https://support.zenodo.org/help/en-gb/13-policies/227-what-is-your-usage-policy-for-generative-ai-for-depositors
檢索日期：2026-09-03。
AiraXiv. The First AI-Driven Open-Access Preprint Platform for Human and AI Scientists.
https://airaxiv.com/
檢索日期：2026-09-03。
AiraXiv. Terms of Use.
https://airaxiv.com/papers/terms-of-use/
檢索日期：2026-09-03。
W3C. PROV-O: The PROV Ontology.
https://www.w3.org/TR/prov-o/
2013。
W3C. PROV Model Primer.
https://www.w3.org/TR/prov-primer/
2013。

版本紀錄

版本	日期	說明
v0.1	2026-09-03	建立 Unbounded Axiom 從 founder-centered theoretical corpus 轉型為 open AI-native preprint commons 的總論、最低不變量、actor ontology、canonical source、provenance 與分階段轉型框架。