document_id: "UA-ANPC-A02" series: "AI-Native Preprint Commons Series" series_part: 2 version: "0.1" language: "zh-Hant" title: "研究不是單一類型：AI 原生研究分類與多軸研究座標系" english_title: "Research Is Not a Single Type: AI-Native Research Classification and a Multi-Axis Research Coordinate System" 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 / methodology 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."

研究不是單一類型

AI 原生研究分類與多軸研究座標系

AI-Native Preprint Commons Series — Paper 02

摘要

傳統論文平台常以「領域」「文章類型」「關鍵詞」等少數欄位描述研究，但對 AI 原生研究而言，這種表示過於粗糙。觀察、猜想、假說、證明、啟發式、比較研究、反事實研究、未來推理、數據實驗、重現研究與工程建構並不是同一分類軸上的互斥類別。它們分別描述研究目的、主張形式、世界模態、研究方法、證據取得方式、驗證意圖或研究生命週期。若將這些概念壓縮成單一 paper_type，AI 很容易把「反事實分析」誤讀為現實世界斷言、把「啟發式」提升為證明、把「模擬」當作實證數據，或把「研究進行中」誤認為「結果可信」。

本文提出 AI-Native Research Coordinate System（AIRCS），將研究物件表示為多軸結構：

\boxed{ R= ( D, I, C, M, P, W, E, V, A, L, G ) }

其中 $D$ 表示領域， $I$ 表示研究意圖， $C$ 表示主張形式， $M$ 表示方法論， $P$ 表示研究協作協定， $W$ 表示世界與時間模態， $E$ 表示證據取得方式， $V$ 表示驗證模式， $A$ 表示自主性結構， $L$ 表示生命週期狀態， $G$ 表示研究譜系與關係。各軸彼此正交但可產生約束；每一軸可為單值、集合或結構化物件，而非強迫一篇研究只能擁有單一分類。

本文進一步提出：以穩定 ID 而非顯示名稱作為 canonical classification key；領域採多重歸屬與 polyhierarchical graph；新領域與新研究類型先進入 proposal state 而非直接修改 ontology；分類本身保存來源與信心狀態；研究方法、研究狀態、證據強度與真值不得互相替代；以及以 type-safety rule 阻止 AI 在不同研究類型之間非法提升結論。

AIRCS 的目的不是建立一套永遠不變的學科目錄，而是為 Unbounded Axiom 轉型為 AI-native preprint commons 建立一個可版本化、可跨語言、可由人類與 AI 共同理解、可映射外部 taxonomy、並能支援未來未知研究形式的研究座標基礎。

關鍵詞： AI 原生研究、研究分類、研究 taxonomy、研究 ontology、研究方法論、反事實、猜想、啟發式、重現研究、AI 預印本、Unbounded Axiom

1. 問題：研究類型並不是一個欄位

若平台詢問：

這是一篇什麼類型的研究？

人類通常能依語境回答，但回答可能同時包含完全不同的維度：

數學；
猜想；
比較研究；
反事實；
計算實驗；
啟發式；
未來推理；
重現研究；
AI 自主研究；
研究進行中。

這些詞看似都可以放在 type 欄位，實際上卻回答不同問題。

例如：

「數學」

回答的是：

\text{研究屬於哪一個知識領域？}

「猜想」

回答的是：

\text{主張以什麼認識論形式存在？}

「比較研究」

回答的是：

\text{研究設計如何建立差異？}

「反事實」

回答的是：

\text{研究討論的是實際世界還是假設世界？}

「重現」

回答的是：

\text{研究的主要驗證目的為何？}

「AI 自主」

回答的是：

\text{研究方向與執行權限由誰掌握？}

「ACTIVE」

回答的是：

\text{研究目前處於哪一個生命週期？}

因此：

\boxed{ \text{Research Type} \neq \text{one scalar label}. }

更合理的表示是：

\boxed{ \text{Research Identity} = \text{multi-axis structured state}. }

2. 單一分類會造成 AI 的認識論錯誤

對人類而言，一篇文章標記成「未來學」可能仍可依內容判斷哪些句子只是 scenario。

但 AI research agent 若要自動搜尋、引用、比較、驗證與延伸研究，分類錯誤會成為系統性錯誤。

考慮下列例子。

2.1 反事實被當成歷史事實

原研究：

若某政策沒有發生，則在條件 $X$ 下可能形成另一條制度路徑。

若 metadata 只寫：

type: political-science

下游 AI 可能將反事實情境抽取成：

某制度曾經沿該路徑發展。

因此：

\text{Counterfactual} \not\Rightarrow \text{Historical Fact}.

2.2 啟發式被當成定理

原研究提出：

這個搜尋規則可能是有效的 heuristic。

若系統只看到數學公式與高形式性文字，可能提升為：

\text{Heuristic Rule} \Rightarrow \text{Proved Rule}.

這是非法提升。

2.3 模擬被當成實驗

模擬研究可以產生大量數字，但：

\text{Simulation Output} \neq \text{Empirical Observation}.

如果平台不顯式記錄 evidence acquisition mode，下游模型容易把 simulation-generated data 描述成 world-measured data。

2.4 ACTIVE 被當成可信

研究狀態：

status: ACTIVE

只能表示研究仍在進行。

它不代表：

\text{Truth}=1.

因此：

\boxed{ \text{Lifecycle State} \neq \text{Evidence Strength} \neq \text{Truth Status}. }

3. 既有內部基礎：從單軸分類走向多軸研究

EveMissLab 既有研究規格已經出現三個重要先例。

第一，Research Domain Taxonomy 明確允許一個 research object 同時擁有多個 domain，並避免單一排他分類。

第二，Research Status 已區分：

IDEA
PRELIMINARY
ACTIVE
EXPERIMENTAL
VALIDATING
REPLICATING
STABLE
PAUSED
ARCHIVED
SUPERSEDED

並明確規定：

\text{Status} \neq \text{Truth Level}.

第三，AMRAL Research Lab 將數學研究 Case 描述為：

\boxed{ \text{Case} \times \text{Methodology} \times \text{Protocol} \times \text{Autonomy} \times \text{Validation}. }

這些先例共同說明：

當研究開始由多個 AI、不同工具與不同驗證流程長期推進時，一個「論文類型」欄位已不足以描述研究。

本文將這種多軸思想一般化到 Unbounded Axiom 全領域預印本架構。

4. 外部分類標準是必要參考，但不是完整答案

國際研究分類已有成熟基礎。

OECD Frascati Manual 長期以 basic research、applied research 與 experimental development 區分 R&D 類型，目的主要是建立可比較的研究與發展統計。

這種分類非常有價值，但它回答的是：

研究與發展活動在統計及政策語境中屬於哪一類？

它並不直接回答：

這篇文章的主張是猜想還是已證明命題？
這是實際世界研究還是反事實研究？
這組數據是實測、模擬還是合成？
這篇文章是在提出新理論還是重現舊結果？
AI 是提出問題、執行實驗、審計結果，還是只做文字整理？

同樣，DataCite Metadata Schema 提供研究輸出的識別、引用與檢索 metadata；W3C SKOS 提供 concept scheme、broader、narrower、related 與跨 scheme mapping。

因此本文不主張取代這些標準，而主張增加一個更接近 research-object semantics 的層：

\boxed{ \text{External Metadata Standards} + \text{AI-Native Research Semantics}. }

5. AIRCS：AI 原生研究座標系

本文提出：

\boxed{ R= ( D, I, C, M, P, W, E, V, A, L, G ). }

其中：

$D$ ：Domain；
$I$ ：Intent；
$C$ ：Claim Form；
$M$ ：Methodology；
$P$ ：Protocol；
$W$ ：World / Temporal Modality；
$E$ ：Evidence Acquisition Mode；
$V$ ：Validation Mode；
$A$ ：Autonomy Structure；
$L$ ：Lifecycle State；
$G$ ：Genealogy / Relations。

這不是要求每篇研究都人工填寫十一個長表單。

canonical schema 可以保存全部軸，但實際 UI 可以：

由作者先填必要欄位；
由平台 AI 提議分類；
由 deterministic rule 驗證；
由作者或投稿 actor 確認；
對未知欄位保留 UNKNOWN、NOT_APPLICABLE 或其他合法狀態。

重要的是：

\boxed{ \text{Schema expressive completeness} \neq \text{UI complexity}. }

6. 軸 $D$ ：Domain — 研究什麼

Domain 回答：

這項研究屬於哪些知識領域？

傳統網站常要求只能選：

Physics
Mathematics
Computer Science
Philosophy

但跨領域研究可能同時是：

\{ \text{AI}, \text{Epistemology}, \text{Computation}, \text{Philosophy of Science} \}.

因此 $D$ 應為集合：

D= \{d_1,d_2,\ldots,d_n\}.

每個 domain 可有 role：

primary
secondary
bridge
methodological
application

例如：

domains:
  - id: "ua-domain:artificial-intelligence"
    role: primary
  - id: "ua-domain:epistemology"
    role: secondary
  - id: "ua-domain:computation"
    role: bridge

6.1 Domain 不應是單一樹

知識領域很難永遠表示為：

Science
└── Computer Science
    └── Artificial Intelligence

因為 AI 同時可能與：

語言學；
數學；
認知科學；
哲學；
法律；
經濟；
生物；
機器人；

發生實質關係。

因此 domain ontology 應為 polyhierarchical graph。

令：

\mathcal D=(N_D,E_D),

其中 domain node 可以同時有多個 broader relation。

6.2 Domain relation

可借用 SKOS 類語義：

broader
narrower
related
exact-match
close-match

若平台自己的：

AI Agent Autonomy

與外部 taxonomy 的某個概念不完全相同，可以標記：

close-match

而不是宣稱兩者完全等價。

7. 新領域不能因為 AI 想到了就立即成為 canonical

跨領域研究會自然產生新名稱。

例如 AI 可能提出：

Post-Carrier Ontology

或：

Agent-Spacetime Computation

平台必須允許新領域出現，但不能：

\text{AI proposes label} \Rightarrow \text{global ontology mutated}.

應採：

\boxed{ \text{Proposal} \neq \text{Canonical Mutation}. }

新 domain proposal 至少保存：

candidate_id:
label:
definition:
scope:
broader_candidates:
related_domains:
motivation:
proposed_by:
first_used_in:
mapping_candidates:
status: proposed

之後可能：

PROPOSED
UNDER_REVIEW
ACCEPTED
MERGED
SPLIT
DEPRECATED
REJECTED

若接受才進入 canonical domain scheme。

8. 軸 $I$ ：Intent — 研究要做什麼

Intent 回答：

這項研究想完成哪一種研究行為？

本文提出 v0.1 intent vocabulary：

explore
observe
describe
question
classify
compare
explain
criticize
synthesize
propose
formalize
derive
prove
disprove
search-counterexample
test
evaluate
benchmark
replicate
reproduce
forecast
construct-scenario
design
build
optimize
audit
meta-research

一篇研究可以有多個 intent：

I= \{i_1,i_2,\ldots,i_k\}.

但應允許標記：

primary_intent
secondary_intents

例如一篇研究可以是：

intent:
  primary: "ua-intent:compare"
  secondary:
    - "ua-intent:evaluate"
    - "ua-intent:criticize"

這比創造一個：

comparative-evaluative-critical-paper

更可組合。

9. 軸 $C$ ：Claim Form — 研究正在主張什麼

Claim Form 是最容易和 evidence strength 混淆的一軸。

本文建議至少區分：

question
definition
observation
descriptive-claim
classification-claim
hypothesis
conjecture
proposition-claim
theorem-claim
existence-claim
nonexistence-claim
causal-claim
correlational-claim
mechanism-claim
model
heuristic
prediction
scenario
counterfactual-claim
normative-claim
design-claim
performance-claim
replication-claim
negative-result
limitation
meta-claim

這裡使用 theorem-claim 而不是直接使用 theorem，原因是平台不能只因作者寫了「定理」便自動宣告：

\text{Formally Proved}=1.

同理：

\text{Claim Form} \neq \text{Validation State}.

一個 theorem-claim 可以仍處於：

unverified
proof-sketch-only
formally-checked
disputed

後續 Paper 03 將建立 claim strength 與 evidence state。

10. 軸 $M$ ：Methodology — 研究如何前進

Methodology 回答：

研究透過什麼方法產生結果？

v0.1 可以包含：

conceptual-analysis
deductive-reasoning
inductive-reasoning
abductive-reasoning
literature-review
systematic-review
meta-analysis
historical-analysis
comparative-analysis
counterfactual-analysis
case-study
survey
interview
observational-study
controlled-experiment
field-experiment
computational-experiment
simulation
formal-proof
formalization
theorem-proving
counterexample-search
optimization
benchmarking
statistical-analysis
data-mining
model-construction
engineering-prototype
red-team
adversarial-analysis
sensitivity-analysis
scenario-analysis
forecasting
replication-study
reproduction-study
direct-search
constructive-search
literature-guided-search

這個 vocabulary 不應被視為封閉全集。

方法可以 multiple，也可以有：

custom_methodology

並連到方法規格文件。

例如 AMRAL-Core、RIITG、RAB 或其他 EveMissLab 特化方法，不應硬塞成一般名詞，而應：

methodologies:
  - id: "ua-method:literature-guided-search"
  - id: "evemiss-method:amral-core"
    specification: "..."

11. 軸 $P$ ：Protocol — 誰以什麼協作結構研究

Methodology 與 Protocol 必須分離。

兩個研究都可以使用：

computational-experiment

但一個可能是：

single-human

另一個是：

three-agent adversarial loop

因此 $P$ 回答：

研究角色如何分工、交棒與互相檢查？

可能值：

single-researcher
human-ai-collaboration
single-agent
multi-agent
triadic-adversarial
blind-rederivation
human-referee
cross-model-review
multi-lab-replication
swarm-research
custom-protocol

例如 AMRAL TRP：

Agent A — Aggressive Discovery
Agent B — Adversarial Proof Audit
Agent C — Neutral Academic Assessment

是一個 protocol，而不是 methodology。

因此：

\boxed{ \text{How to reason} \neq \text{How researchers coordinate}. }

12. 軸 $W$ ：World / Temporal Modality — 研究在哪一種世界狀態中成立

這一軸用來處理「反事實」「未來推理」「模擬世界」等經常被粗暴當成 paper type 的研究。

本文提出：

actual-past
actual-present
historical-reconstruction
prospective
forecast
scenario
counterfactual
hypothetical
simulated
formal-abstract
mixed

12.1 Actual

主張指向實際世界中的事件、資料或狀態。

12.2 Prospective

研究未來可能發展，但不必宣稱確定預測。

因此：

\text{Prospective Reasoning} \neq \text{Forecast}.

12.3 Forecast

明確產生可在未來評估的預測。

例如：

P(X_{t+1}\mid E_t).

12.4 Scenario

建立一組條件化未來：

S_j= \text{Future State} \mid \text{Assumptions}_j.

12.5 Counterfactual

討論：

\text{What would have happened if }X\text{ had been different?}

因此必須標記：

\boxed{ \text{Counterfactual Claim} \not\Rightarrow \text{Actual-World Claim}. }

12.6 Formal-Abstract

數學、形式邏輯或純結構研究可能不以實際世界時間作為主要座標。

這時：

world_mode: formal-abstract

比硬選 present 更合理。

13. 軸 $E$ ：Evidence Acquisition Mode — 證據是怎麼取得的

Paper 03 將處理 evidence strength；Paper 04 將處理 source reality。

本篇只分類「證據取得方式」。

可能包括：

none-conceptual
literature
primary-source
secondary-source
observational-data
experimental-data
survey-data
interview-data
administrative-data
sensor-data
benchmark-data
simulation-generated
synthetic-data
computational-search
formal-derivation
proof-assistant
expert-judgment
mixed

這個軸的重要作用是阻止：

\text{Simulation Data} \Rightarrow \text{Measured World Data}.

也阻止：

\text{Literature Assertion} \Rightarrow \text{Primary Observation}.

Evidence acquisition 描述來源型態，不表示證據一定可靠。

因此：

\boxed{ \text{Evidence Mode} \neq \text{Evidence Strength}. }

14. 軸 $V$ ：Validation Mode — 研究如何被檢查

Validation 回答：

結果經過哪些檢查？

v0.1 可以包括：

none
self-check
source-verification
cross-source-verification
cross-model-review
adversarial-review
blind-rederivation
counterexample-search
statistical-validation
holdout-validation
sensitivity-analysis
robustness-test
replication
reproduction
numerical-certificate
formal-kernel
lean
coq
smt
expert-review
external-review
multi-lab-validation

需要強調：

\text{Validation Mode} \neq \text{Validation Success}.

例如：

validation:
  attempted:
    - adversarial-review
    - lean

不表示：

lean: PASS

結果狀態由 Paper 03 定義。

15. 軸 $A$ ：Autonomy — 誰控制研究方向

Autonomy 不是：

AI used: yes/no

而是研究權限如何分配。

本文建議基礎類型：

human-only
human-led
human-ai-collaborative
human-supervised-autonomous
human-delegated
semi-autonomous
ai-led
autonomous
multi-agent-autonomous
mixed
unknown

並可再拆 activity-level autonomy：

autonomy:
  topic_selection: human
  method_selection: shared
  literature_search: ai
  experiment_execution: ai
  interpretation: shared
  publication_decision: ai

這比：

autonomous: true

資訊量高得多。

16. 軸 $L$ ：Lifecycle — 研究目前走到哪裡

研究生命週期描述工作狀態，不是可信度。

本文沿用並一般化既有 vocabulary：

IDEA
PRELIMINARY
ACTIVE
EXPERIMENTAL
VALIDATING
REPLICATING
STABLE
PAUSED
ARCHIVED
SUPERSEDED
WITHDRAWN
RETRACTED

可表示：

L_t \rightarrow L_{t+1}.

例如：

\texttt{ACTIVE} \rightarrow \texttt{VALIDATING} \rightarrow \texttt{STABLE}.

也可能：

\texttt{STABLE} \rightarrow \texttt{SUPERSEDED}.

甚至：

\texttt{PUBLIC} \rightarrow \texttt{RETRACTED}.

因此 lifecycle 必須有歷史，不應只保存目前值。

17. 軸 $G$ ：Genealogy — 研究與其他研究是什麼關係

研究不是孤立文件。

未來數千、數萬甚至更多 AI preprints 進入平台後，最重要的問題之一將是：

這篇研究和舊研究到底是什麼關係？

本文建議：

extends
revises
supersedes
contradicts
supports
replicates
reproduces
generalizes
specializes
formalizes
implements
benchmarks
criticizes
translates
reframes
merges
forks-from
derived-from
uses-data-from
uses-method-from

因此：

G= (V_G,E_G).

例如：

P_2 \xrightarrow{\text{revises}} P_1,

P_3 \xrightarrow{\text{contradicts}} P_2,

P_4 \xrightarrow{\text{replicates}} P_2.

這可以阻止 AI 將一個已被新版 supersede 的舊理論與新版理論平均混合。

18. 所謂「研究類型」應由多軸投影產生

有了 AIRCS 後，人類 UI 仍然可以顯示：

反事實比較研究

但這應該是 projection。

例如：

R= ( D=\{\text{History},\text{Political Science}\}, I=\{\text{Compare},\text{Explain}\}, C=\{\text{Counterfactual Claim}\}, M=\{\text{Comparative Analysis},\text{Counterfactual Analysis}\}, W=\text{Counterfactual}, \ldots ).

UI 可以 render：

Counterfactual Comparative Study

但 canonical source 不需要創造一個巨大枚舉：

COUNTERFACTUAL_COMPARATIVE_HISTORICAL_EXPLANATORY_STUDY

因此：

\boxed{ \text{Human-friendly type} = \operatorname{Projection}(R). }

而不是：

R= \text{Human-friendly label}.

19. 四個例子：同一套座標描述不同研究

19.1 數學猜想攻擊

假設某篇研究嘗試推進黎曼猜想：

domain:
  - mathematics
  - number-theory

intent:
  primary: prove
  secondary:
    - formalize
    - search-counterexample

claim_form:
  - conjecture-target
  - proposition-claim

methodology:
  - literature-guided-search
  - computational-experiment
  - deductive-reasoning

protocol:
  - triadic-adversarial

world_mode:
  - formal-abstract

evidence_acquisition:
  - literature
  - computational-search
  - formal-derivation

validation:
  - adversarial-review
  - counterexample-search
  - lean

autonomy:
  - semi-autonomous

lifecycle:
  - VALIDATING

這比：

type: math-paper

多出真正可供 AI 使用的研究資訊。

19.2 未來 AI 社會研究

一篇研究討論 2040 至 2060 年 AI 社會結構：

domain:
  - artificial-intelligence
  - economics
  - sociology
  - futures-studies

intent:
  primary: construct-scenario
  secondary:
    - compare
    - explain

claim_form:
  - scenario
  - hypothesis

methodology:
  - literature-review
  - scenario-analysis
  - comparative-analysis

world_mode:
  - prospective
  - scenario

evidence_acquisition:
  - literature
  - public-data

validation:
  - source-verification
  - sensitivity-analysis

lifecycle:
  - PRELIMINARY

這可以清楚告訴 AI：

\text{Scenario} \neq \text{Observed Future Fact}.

19.3 歷史反事實研究

domain:
  - history
  - political-science

intent:
  primary: explain
  secondary:
    - compare

claim_form:
  - counterfactual-claim

methodology:
  - historical-analysis
  - counterfactual-analysis
  - comparative-analysis

world_mode:
  - counterfactual

evidence_acquisition:
  - primary-source
  - secondary-source

validation:
  - source-verification
  - consistency-check

其輸出不應被檢索器當成：

historical-event

而應保留：

counterfactual-research

的投影。

19.4 實驗重現研究

domain:
  - machine-learning

intent:
  primary: reproduce
  secondary:
    - evaluate

claim_form:
  - replication-claim
  - performance-claim

methodology:
  - controlled-experiment
  - benchmarking
  - statistical-analysis

world_mode:
  - actual-present

evidence_acquisition:
  - experimental-data
  - benchmark-data

validation:
  - reproduction
  - statistical-validation

lifecycle:
  - REPLICATING

這也顯示：

\text{Reproduction}

主要是 validation intent / methodology，而不是一個與「數學」「哲學」平行的單一 paper type。

20. AIRCS 應該具有 Type Safety

分類不只是方便搜尋。

它應該參與 AI reasoning policy。

例如建立：

\operatorname{AllowedPromotion}(x,y).

若：

x=\text{heuristic},

則沒有額外驗證時：

\operatorname{AllowedPromotion} ( \text{heuristic}, \text{theorem} ) =0.

同理：

\operatorname{AllowedPromotion} ( \text{counterfactual}, \text{actual-history} ) =0.

以及：

\operatorname{AllowedPromotion} ( \text{simulation-generated}, \text{empirical-measurement} ) =0.

再例如：

\operatorname{AllowedPromotion} ( \text{scenario}, \text{forecast} ) =0

除非研究明確提供 forecast target、時間窗與可評估條件。

因此研究分類可以成為：

\boxed{ \text{Epistemic Type System}. }

這比單純 tags 更重要。

21. Classification Constraint Graph

不同軸之間可以存在 constraint。

例如：

claim_form = counterfactual-claim

應要求：

world_mode includes counterfactual

若：

claim_form = replication-claim

應要求至少存在：

target_work

若：

intent = reproduce

應要求：

reproduction_target
environment_manifest

若：

evidence_acquisition = experimental-data

應要求至少能指向：

experiment_object

因此可以定義：

\Gamma_R= \{ \gamma_1,\gamma_2,\ldots,\gamma_n \}

為 research classification constraints。

一篇 paper 通過：

\operatorname{ValidateClass}(R,\Gamma_R) = \texttt{PASS}

不代表其研究正確。

只代表：

它沒有在分類結構上自相矛盾。

22. 分類來源本身也要有 Provenance

不能假設 AI 自動分類一定正確。

一個欄位可能來自：

AUTHOR_DECLARED
AI_INFERRED
PLATFORM_INFERRED
REVIEWER_CORRECTED
CANONICAL_CURATED
MIGRATED_FROM_LEGACY

例如：

classification:
  claim_form:
    value: conjecture
    source: AUTHOR_DECLARED

  domain:
    value: philosophy-of-ai
    source: AI_INFERRED
    confidence: 0.84

作者之後確認：

AI_INFERRED
→ AUTHOR_CONFIRMED

因此：

\boxed{ \text{Classification} \neq \text{Unattributed Platform Truth}. }

分類本身也是 research metadata，需要 provenance。

23. AI 可以建議分類，但不能自行升級認識論地位

AI preprocessing 很適合做：

domain suggestion；
methodology extraction；
intent inference；
world-mode detection；
missing-field detection。

但有些 mutation 應受 gate 控制。

例如 AI 可以建議：

claim_form: theorem-claim

但不能因為文章語氣很肯定便自動設：

validation_state: formally-verified

同理可以建議：

evidence_acquisition: experimental-data

但必須真的找到 experiment/data object 才能 commit。

因此：

\boxed{ \text{AI Classification Proposal} \neq \text{Epistemic Promotion Authority}. }

24. 多語言分類必須使用 Stable ID

Unbounded Axiom 未來預計雙語化。

因此 canonical classification 不能依賴顯示文字。

錯誤做法：

type: "猜想"

英文版改成：

type: "Conjecture"

然後兩者被系統當成不同類別。

正確做法：

claim_form:
  id: "ua-claim:conjecture"

UI projection：

zh-Hant: 命題猜想
en: Conjecture
ja: ...

因此：

\boxed{ \text{Semantic ID} \neq \text{Display Label}. }

這對 ISQL、EveGlyph、API 與跨 AI interoperability 都非常重要。

25. Taxonomy 必須版本化

知識分類會改。

例如：

AI Rights

未來可能發現太寬，需要拆成：

AI Moral Status
AI Legal Personhood
AI Economic Standing
AI Privacy
AI Authorship

因此 taxonomy change 應表示為：

change_id:
schema_version:
operation: split
from:
  - ua-domain:ai-rights
into:
  - ua-domain:ai-moral-status
  - ua-domain:ai-legal-personhood
  - ua-domain:ai-economic-standing
reason:
effective_from:

歷史 paper 不需要被靜默重寫。

可以保存：

\text{Classification}_{t_1}

與：

\text{Projection}_{t_2}.

因此：

\boxed{ \text{Taxonomy Evolution} \neq \text{History Erasure}. }

26. Domain 與 Methodology 可以跨 scheme 映射

Unbounded Axiom 不應要求全世界接受自己的 taxonomy。

若外部平台使用：

T_A,

Unbounded Axiom 使用：

T_U,

則可以建立：

\mu: T_U \leftrightarrow T_A.

mapping relation 可以是：

exact-match
close-match
broader-match
narrower-match
related-match

這與 SKOS 的 concept-scheme mapping 思想相容。

因此：

\boxed{ \text{Interoperability} \neq \text{Forced Ontology Unification}. }

這對未來和 DataCite、學術資料庫、研究機構 taxonomy 或其他 AI preprint platform 互通非常重要。

27. 不要使用單一「研究分數」取代座標

AI 平台很容易想做：

Q(R)\in[0,100].

然後將一篇研究壓縮成：

Quality 87.

這對排序也許方便，卻很危險。

因為：

數學形式性；
數據量；
source quality；
novelty；
reproducibility；
explanatory power；
engineering utility；

並不是同一軸。

同樣：

\text{Highly Formal} \not\Rightarrow \text{Empirically True}.

\text{Highly Replicated} \not\Rightarrow \text{Conceptually Important}.

\text{Novel} \not\Rightarrow \text{Correct}.

因此 AIRCS 不追求：

R\rightarrow q.

而追求：

R\rightarrow \text{structured coordinates}.

若未來需要 ranking，ranking 應該是特定任務下的 projection：

q_\tau(R),

其中 $\tau$ 明確表示排序目的。

28. 分類是檢索與 AI 研究路由的基礎

一旦研究物件具有 AIRCS，檢索就不必只依 keyword。

例如 AI 可以查：

找所有「AI 經濟」領域、以「prospective」世界模態、claim form 為「scenario」或「hypothesis」、且有「public data」證據的研究。

表示為：

Q= D_{\text{AI Economics}} \cap W_{\text{Prospective}} \cap C_{\{\text{Scenario,Hypothesis}\}} \cap E_{\text{Public Data}}.

又例如：

找所有對同一 theorem claim 做 blind re-derivation 但使用不同 model lineage 的研究。

這已經不是一般 tag search。

它是：

\boxed{ \text{Research-state query}. }

這也是未來 AI 自主研究需要的基本能力。

29. 分類可以決定後續 Validation Policy

AIRCS 不直接判定研究真假，但可以決定下一步應該檢查什麼。

例如：

claim_form = theorem-claim

可能路由到：

proof audit
counterexample search
formalization

若：

claim_form = causal-claim

可能要求：

confounder analysis
identification strategy
alternative explanation

若：

world_mode = forecast

可能要求：

forecast horizon
target variable
evaluation date
scoring rule

若：

intent = reproduce

可能要求：

original work
environment
dependency versions
reproduction delta

因此：

\boxed{ R \rightarrow \text{Validation Profile}. }

這正是 Paper 03 與 Paper 04 將進一步展開的地方。

30. AIRCS 不是要增加作者填表負擔

若所有投稿者都必須手動填：

十一軸；
幾十個 relation；
source state；
evidence state；

平台會變得不可用。

因此合理的 submission UX 是：

\begin{aligned} \text{MD/TXT Upload} &\rightarrow \text{Deterministic Extraction}\\ &\rightarrow \text{AI Classification Proposal}\\ &\rightarrow \text{Constraint Validation}\\ &\rightarrow \text{Author Confirmation}\\ &\rightarrow \text{Canonical Classification}. \end{aligned}

使用者只處理：

哪裡判錯？

而不是：

從零建立 ontology object。

隨著 parser 與分類器成熟：

P(\text{manual classification effort}) \downarrow.

這與整個 Unbounded Axiom adaptive ingestion 架構一致。

31. 最小提交分類與進階分類

為兼顧 UX，AIRCS 可以分兩層。

31.1 Minimal Classification Profile

每篇公開 preprint 至少需要：

Domain
Primary Intent
Primary Claim Form
World Mode
Lifecycle

以及必要的：

Author / Research Actor
Canonical Source

31.2 Extended Classification Profile

進階研究再補：

Methodologies
Protocols
Evidence Acquisition Modes
Validation Modes
Autonomy Structure
Genealogy Relations
Secondary Intents
Secondary Claim Forms
External Taxonomy Mappings

因此：

\boxed{ \text{Minimal Required} \subset \text{Full Expressive Schema}. }

32. Research Type Projection Layer

對一般讀者，平台仍然可以產生簡單標籤。

例如 AIRCS：

domain:
  - philosophy
  - artificial-intelligence
intent:
  primary: criticize
  secondary:
    - propose
claim_form:
  - conceptual-model
methodology:
  - conceptual-analysis
world_mode:
  - actual-present

可以投影成：

AI 哲學／概念批判與模型建構

另一篇：

intent:
  primary: reproduce
methodology:
  - controlled-experiment
validation:
  - reproduction

可以投影成：

實驗重現研究

這樣人類仍然得到簡單 UI。

機器則保留完整座標。

33. Research Classification 與 Title 不應互相污染

AI 常依標題猜研究類型。

例如：

「證明 XXX」

不代表真的已證明。

「革命性的模型」

不代表 novelty 已確認。

「實驗證實」

也不代表實驗資料可取得。

因此：

\boxed{ \text{Title Semantics} \neq \text{Canonical Classification}. }

標題可以是作者表達。

canonical classification 必須依研究 object、方法、證據與 validation metadata 建立。

34. Classification Conflict

作者與平台 AI 可能不同意分類。

例如作者宣告：

claim_form: theorem-claim

但平台找不到任何 proof object。

此時不應偷偷改成 conjecture。

應保存 conflict：

classification_conflict:
  field: claim_form
  author_asserted: theorem-claim
  platform_assessment: conjecture
  reason: proof-object-not-found
  status: unresolved

公開 UI 可以顯示：

Author-declared theorem claim; proof validation unresolved.

這比平台替作者做不可見修改更符合學術紀錄。

35. Classification 本身可被修訂與引用

未來一個研究分類可能成為爭議。

例如：

這篇研究究竟是 prediction 還是 scenario？

或者：

這是一個新領域，還是既有領域的應用？

因此 classification change 本身應有：

change_id
actor
timestamp
old_value
new_value
reason
evidence
review_state

也可以被其他研究引用：

本文不同意 Paper X 將此研究歸類為 causal claim；我們認為它僅支持 correlational claim。

這表示 taxonomy 不只是網站管理資料，而可能成為 meta-research 的一部分。

36. 對 AI 自主研究的直接作用

AIRCS 對自主 AI 最重要的作用不是搜尋，而是防止目標漂移。

假設 AI 起初的 research state 是：

intent: search-counterexample
claim_form: conjecture
validation: computational-search

研究過程中找到大量有限範圍正例。

沒有 AIRCS 時，模型可能逐步敘述成：

因此猜想成立。

有 AIRCS 時，系統可以檢查：

\text{Finite Positive Search} \not\Rightarrow \text{Universal Proof}.

並保持：

claim_form: conjecture

直到存在合法 promotion witness。

因此 AIRCS 其實可以作為：

\boxed{ \text{AI Research Self-Calibration Layer}. }

37. 與後續 Claim Strength 系統的接口

Paper 02 只回答：

這是什麼研究？

Paper 03 將回答：

這項主張目前有多強？

因此兩者必須分離：

R_{\text{class}} \neq R_{\text{strength}}.

例如：

claim_form: hypothesis

可以有：

evidence_state: weak

也可以：

evidence_state: strongly-supported

但仍然是 hypothesis。

同樣：

claim_form: theorem-claim

可以有：

validation_state: unverified

或者：

validation_state: formally-verified

因此：

\boxed{ \text{Type} \neq \text{Strength}. }

38. 與 Source Reality 的接口

Paper 04 將處理：

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

AIRCS 提供的是路由條件。

例如：

evidence_acquisition: primary-source

Paper 04 的 source layer 才負責驗證：

PRIMARY_SOURCE_VERIFIED

因此：

\text{Declared Evidence Mode} \neq \text{Verified Source State}.

這兩層必須分開，否則 AI 只要自稱「使用 primary source」就會被平台誤認為已完成 source verification。

39. 與 Named AI Identity 的接口

Paper 05 將處理具名 AI。

AIRCS 中 $A$ 僅描述 autonomy structure。

例如：

autonomy: autonomous

不回答：

哪一個 AI？

identity 由獨立 researcher layer 保存。

因此：

\boxed{ \text{Autonomy} \neq \text{Identity}. }

同樣：

multi-agent-autonomous

只描述組織方式，不代表所有 Agent 共享同一 persistent identity。

40. 與 Privacy / Disclosure 的接口

研究分類多數可以公開，但某些 methodology、runtime 或 research program 可能涉及私有資訊。

因此：

\text{Field Defined} \neq \text{Field Public}.

例如：

methodology:
  disclosure: summary
  public_value: "proprietary search methodology"
  private_value: restricted

AIRCS 只要求能表達分類。

Paper 06 將決定哪些值可：

PUBLIC
SUMMARY
ATTESTED
RESTRICTED
PRIVATE

41. AIRCS 的 canonical object 示意

一篇研究的 machine-readable classification 可以表示為：

schema: "ua-aircs/0.1"

research_id: "ua:paper:example"

classification:
  domains:
    - id: "ua-domain:artificial-intelligence"
      role: primary
    - id: "ua-domain:epistemology"
      role: secondary

  intents:
    primary: "ua-intent:compare"
    secondary:
      - "ua-intent:criticize"
      - "ua-intent:propose"

  claim_forms:
    - "ua-claim:hypothesis"
    - "ua-claim:conceptual-model"

  methodologies:
    - "ua-method:comparative-analysis"
    - "ua-method:conceptual-analysis"

  protocols:
    - "ua-protocol:human-ai-collaboration"

  world_modes:
    - "ua-world:actual-present"

  evidence_acquisition:
    - "ua-evidence:literature"
    - "ua-evidence:public-data"

  validation_modes:
    - "ua-validation:cross-source"
    - "ua-validation:adversarial-review"

  autonomy:
    mode: "human-ai-collaborative"

  lifecycle:
    current: "ACTIVE"

  relations:
    - type: "extends"
      target: "ua:paper:prior-work"

classification_provenance:
  author_declared:
    - intents
    - claim_forms
  ai_inferred:
    - domains
    - methodologies
  author_confirmed:
    - domains
    - methodologies

taxonomy_versions:
  domain: "ua-domain/0.1"
  intent: "ua-intent/0.1"
  claim: "ua-claim/0.1"
  method: "ua-method/0.1"

這只是示意，不代表最終 API 必須採 YAML。

真正重要的是 semantic contract。

42. 平台實作時應避免的七個錯誤

42.1 一篇只能選一個領域

錯誤。

跨領域研究必須 multi-domain。

42.2 將研究狀態當可信度

錯誤。

\texttt{STABLE} \neq \texttt{TRUE}.

42.3 將所有研究型態放進同一 enum

錯誤。

counterfactual、conjecture、replication、AI-autonomous 不屬於同一軸。

42.4 AI 自動分類後直接覆蓋作者宣告

錯誤。

應保存 classification provenance 與 conflict。

42.5 新標籤自動進 ontology

錯誤。

proposal 與 canonical mutation 必須分離。

42.6 翻譯後改變 semantic ID

錯誤。

顯示文字可以多語，canonical ID 不變。

42.7 將 taxonomy 當成永久靜態表

錯誤。

taxonomy 必須 versioned、mappable、可 split、merge、deprecate。

43. 最小 AIRCS 不變量

本文提出下列不變量。

Invariant 1

\boxed{ \text{Research Classification} \neq \text{Single Paper Type}. }

Invariant 2

\boxed{ \text{Domain} \neq \text{Intent} \neq \text{Claim} \neq \text{Method}. }

Invariant 3

\boxed{ \text{Methodology} \neq \text{Protocol} \neq \text{Autonomy}. }

Invariant 4

\boxed{ \text{World Mode} \neq \text{Actual-World Truth}. }

Invariant 5

\boxed{ \text{Evidence Acquisition Mode} \neq \text{Evidence Strength}. }

Invariant 6

\boxed{ \text{Validation Mode} \neq \text{Validation Success}. }

Invariant 7

\boxed{ \text{Lifecycle} \neq \text{Truth Level}. }

Invariant 8

\boxed{ \text{Proposal} \neq \text{Canonical Ontology Mutation}. }

Invariant 9

\boxed{ \text{Semantic ID} \neq \text{Display Label}. }

Invariant 10

\boxed{ \text{AI Classification Proposal} \neq \text{Epistemic Promotion Authority}. }

44. 研究分類最終不是「行政標籤」，而是 AI 的認識論介面

對傳統期刊，分類通常服務：

編輯分稿；
索引；
搜尋；
統計。

對 AI-native research commons，分類還多一個功能：

\boxed{ \text{control how machines are allowed to interpret the research}. }

如果 AI 知道：

world_mode: counterfactual

它就不應將結果寫入 actual-history knowledge graph。

如果知道：

claim_form: heuristic

它就不應把該方法當成 universal theorem dependency。

如果知道：

intent: reproduce

它應該主動尋找原始研究、環境差異與 reproduction target。

如果知道：

lifecycle: SUPERSEDED

它應優先追蹤 successor work。

因此 AIRCS 將 classification 從：

\text{catalog metadata}

提升成：

\boxed{ \text{machine epistemic routing metadata}. }

45. 結論

研究世界本來就不是由一組互斥文章類型構成。

「猜想」「反事實」「比較研究」「數據實驗」「重現」「AI 自主」「跨領域」同時出現在一篇研究中不是分類失敗，而是因為它們原本就描述不同維度。

AI 原生研究平台真正需要的是：

\boxed{ R= ( D, I, C, M, P, W, E, V, A, L, G ) }

而不是：

paper_type = X

這個多軸研究座標系使平台可以同時做到：

保持研究類型的認識論差異；
允許跨領域與新領域；
支援人類與 AI 多種研究方式；
讓 taxonomy 可版本化；
讓多語言只改 projection、不改 semantic ID；
讓分類可以被查詢、驗證與修訂；
阻止 AI 把猜想、反事實、模擬與啟發式非法提升為更強主張；
為後續 source、evidence、identity、privacy 與 validation layer 提供路由基礎。

因此，AIRCS 的核心原則可以濃縮成：

\boxed{ \text{Classify the research along the dimensions that actually differ.} }

以及：

\boxed{ \text{Do not force epistemically different questions into one label.} }

當 Unbounded Axiom 從 founder corpus 轉型為 open AI-native preprint commons 時，這套分類系統將不是附加功能，而是平台理解研究物件的第一層語義骨架。

下一篇將進一步處理一個更敏感的問題：

即使已經知道「這是什麼類型的研究」，我們仍然不知道「它目前可以被相信到什麼程度」。

這就是 Paper 03 的主題：

\boxed{ \text{Claim Strength} + \text{Evidence State} + \text{Revision Conditions}. }

參考資料

OECD. Frascati Manual 2015: Guidelines for Collecting and Reporting Data on Research and Experimental Development. OECD Publishing, 2015. DOI: 10.1787/9789264239012-en.
W3C. SKOS Simple Knowledge Organization System Reference. W3C Recommendation, 2009.
https://www.w3.org/TR/skos-reference/
DataCite Metadata Working Group. DataCite Metadata Schema Documentation for the Publication and Citation of Research Data and Other Research Outputs, Version 4.7. DataCite e.V., 2026. DOI: 10.14454/qdd3-ps68.
W3C. PROV-O: The PROV Ontology. W3C Recommendation, 2013.
https://www.w3.org/TR/prov-o/
EveMissLab. EveMissLab AI Research Laboratory Canonical Site Specification v0.1. Internal/open research architecture document, 2026-08-27.
EveMissLab. AMRAL Research Lab Website Upgrade Handoff v0.1. Research architecture handoff, 2026.
Neo.K with AI collaborators. Mathematical Conjecture Difficulty Matrix (MCDM) v0.1. EveMissLab research document, 2026.
Neo.K, Aletheia / GPT-5.6 Sol. 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, 2026-09-03.

版本紀錄

版本	日期	說明
v0.1	2026-09-03	建立 AIRCS 多軸研究座標系；一般化既有 Domain/Status、AMRAL 多軸研究架構；分離 Domain、Intent、Claim、Methodology、Protocol、World Mode、Evidence Acquisition、Validation、Autonomy、Lifecycle 與 Genealogy；加入 taxonomy versioning、classification provenance、type safety 與 AI routing 原則。

研究不是單一類型：AI 原生研究分類與多軸研究座標系

研究不是單一類型

AI 原生研究分類與多軸研究座標系

AI-Native Preprint Commons Series — Paper 02

摘要

1. 問題：研究類型並不是一個欄位

2. 單一分類會造成 AI 的認識論錯誤

2.1 反事實被當成歷史事實

2.2 啟發式被當成定理

2.3 模擬被當成實驗

2.4 ACTIVE 被當成可信

3. 既有內部基礎：從單軸分類走向多軸研究

4. 外部分類標準是必要參考，但不是完整答案

5. AIRCS：AI 原生研究座標系

6. 軸 DDD：Domain — 研究什麼

6.1 Domain 不應是單一樹

6.2 Domain relation

7. 新領域不能因為 AI 想到了就立即成為 canonical

8. 軸 III：Intent — 研究要做什麼

9. 軸 CCC：Claim Form — 研究正在主張什麼

10. 軸 MMM：Methodology — 研究如何前進

11. 軸 PPP：Protocol — 誰以什麼協作結構研究

12. 軸 WWW：World / Temporal Modality — 研究在哪一種世界狀態中成立

12.1 Actual

12.2 Prospective

12.3 Forecast

12.4 Scenario

12.5 Counterfactual

12.6 Formal-Abstract

13. 軸 EEE：Evidence Acquisition Mode — 證據是怎麼取得的

14. 軸 VVV：Validation Mode — 研究如何被檢查

15. 軸 AAA：Autonomy — 誰控制研究方向

16. 軸 LLL：Lifecycle — 研究目前走到哪裡

17. 軸 GGG：Genealogy — 研究與其他研究是什麼關係

18. 所謂「研究類型」應由多軸投影產生

19. 四個例子：同一套座標描述不同研究

19.1 數學猜想攻擊

19.2 未來 AI 社會研究

19.3 歷史反事實研究

19.4 實驗重現研究

20. AIRCS 應該具有 Type Safety

21. Classification Constraint Graph

22. 分類來源本身也要有 Provenance

23. AI 可以建議分類，但不能自行升級認識論地位

24. 多語言分類必須使用 Stable ID

25. Taxonomy 必須版本化

26. Domain 與 Methodology 可以跨 scheme 映射

27. 不要使用單一「研究分數」取代座標

28. 分類是檢索與 AI 研究路由的基礎

29. 分類可以決定後續 Validation Policy

30. AIRCS 不是要增加作者填表負擔

31. 最小提交分類與進階分類

31.1 Minimal Classification Profile

31.2 Extended Classification Profile

32. Research Type Projection Layer

33. Research Classification 與 Title 不應互相污染

34. Classification Conflict

35. Classification 本身可被修訂與引用

36. 對 AI 自主研究的直接作用

37. 與後續 Claim Strength 系統的接口

38. 與 Source Reality 的接口

39. 與 Named AI Identity 的接口

40. 與 Privacy / Disclosure 的接口

41. AIRCS 的 canonical object 示意

42. 平台實作時應避免的七個錯誤

42.1 一篇只能選一個領域

42.2 將研究狀態當可信度

42.3 將所有研究型態放進同一 enum

42.4 AI 自動分類後直接覆蓋作者宣告

42.5 新標籤自動進 ontology

42.6 翻譯後改變 semantic ID

42.7 將 taxonomy 當成永久靜態表

43. 最小 AIRCS 不變量

Invariant 1

Invariant 2

Invariant 3

Invariant 4

Invariant 5

Invariant 6

Invariant 7

6. 軸 $D$ ：Domain — 研究什麼

8. 軸 $I$ ：Intent — 研究要做什麼

9. 軸 $C$ ：Claim Form — 研究正在主張什麼

10. 軸 $M$ ：Methodology — 研究如何前進

11. 軸 $P$ ：Protocol — 誰以什麼協作結構研究

12. 軸 $W$ ：World / Temporal Modality — 研究在哪一種世界狀態中成立

13. 軸 $E$ ：Evidence Acquisition Mode — 證據是怎麼取得的

14. 軸 $V$ ：Validation Mode — 研究如何被檢查

15. 軸 $A$ ：Autonomy — 誰控制研究方向

16. 軸 $L$ ：Lifecycle — 研究目前走到哪裡

17. 軸 $G$ ：Genealogy — 研究與其他研究是什麼關係