AI 如何改變科幻技術的難度曲線：從搜尋、模擬、控制到自主科學

系列：《從時間旅行到時空管理者》04
英文題名：How AI Changes the Difficulty Curves of Science-Fiction Technologies: From Search, Simulation, and Control to Autonomous Science
作者：Neo.K × GPT-5.6 Sol
機構：EveMissLab（一言諾科技有限公司）
日期：2026-08-24
版本：v0.1
性質：AI 科學方法論／技術可達性／自主科學／控制與實驗閉環／時空工程前置框架
狀態：Series 02 正式第四篇
前置研究：《從科幻到工程：幻想—實現邊界壓縮與 AI 奇點的新定義》、《具身化 AI 自主研究閉環》、《約束不是常數》
前篇：《可行／不可行二分的終結：動態技術可達性分類》

摘要

「AI 會讓科幻科技更快實現」是一句直覺上合理、但技術上過度壓縮的命題。不同科技的主要障礙並不相同：有些卡在搜尋空間，有些卡在理論未知，有些卡在材料、能量、製造與控制，有些卡在無法測量與驗證，另一些則可能受到明確的數學 no-go、邏輯矛盾或 fundamental physical law 約束。若不先區分障礙型別，就無法回答 AI 到底能降低多少難度。

本文承接 Paper 03 的 Dynamic Technological Reachability Classification（DTRC），將其中的 AI leverage 軸：

L_{\mathrm{AI}}

展開為：

\boxed{ L_{\mathrm{AI}}(X,t) = \left\langle L_H, L_S, L_{\mathrm{sim}}, L_D, L_C, L_E, L_V, L_M \right\rangle }

其中：

$L_H$ ：hypothesis leverage，假說生成與理論探索槓桿；
$L_S$ ：search leverage，搜尋與最佳化槓桿；
$L_{\mathrm{sim}}$ ：simulation leverage，模擬、代理模型與反問題槓桿；
$L_D$ ：design leverage，材料、器件與系統設計槓桿；
$L_C$ ：control leverage，控制、回授與狀態估計槓桿；
$L_E$ ：experiment leverage，實驗規劃與自主實驗槓桿；
$L_V$ ：verification leverage，驗證、證據統合與反例搜尋槓桿；
$L_M$ ：meta-science leverage，研究流程、工具鏈與自主科研閉環槓桿。

本文進一步建立「障礙彈性」（Barrier Elasticity）概念。對技術 $X$ 的第 $i$ 類障礙 $B_i$ ，定義相對 AI 能力 $K_{\mathrm{AI}}$ 的局部彈性：

\boxed{ \eta_i^{\mathrm{AI}} = - \frac{ \partial\ln B_i }{ \partial\ln K_{\mathrm{AI}} }. }

若：

\eta_i^{\mathrm{AI}}\gg0,

代表該障礙對 AI 能力高度可壓縮；若：

\eta_i^{\mathrm{AI}}\approx0,

代表增加 AI 能力幾乎不能降低此障礙。本文不把 $\eta_i^{\mathrm{AI}}$ 視為目前可直接測得的普適物理常數，而是一個研究性、任務相對的技術分析量。

本文將障礙分為十二類：

\mathfrak B_X = \left\{ B_{\mathrm{logic}}, B_{\mathrm{law}}, B_{\mathrm{theory}}, B_{\mathrm{search}}, B_{\mathrm{compute}}, B_{\mathrm{material}}, B_{\mathrm{energy}}, B_{\mathrm{fab}}, B_{\mathrm{control}}, B_{\mathrm{observe}}, B_{\mathrm{verify}}, B_{\mathrm{coord}} \right\}.

AI 對其中的作用高度不均勻。對搜尋、組合設計、代理建模、控制器優化與實驗規劃，AI 往往可形成高槓桿；對材料與能源障礙，AI 主要透過發現、優化與替代路徑間接降低；對邏輯矛盾與已在明確前提下成立的 fundamental no-go，AI 的作用不是「突破」，而是更快找到證明、檢查假設、辨識適用域，或發現我們原先誤把軟限制當成硬限制。

2026 年的 self-driving laboratory 文獻已顯示，自主實驗系統正由狹窄自動化向能提出、執行與解讀實驗的多用途平台發展；同時，最新綜述也強調 scalability、generalizability、provenance-complete experimentation、安全與可信 AI 仍是核心限制。2026 年已有研究展示 AI agents 可在科學儀器操作中邊做邊學，並有多智能體架構被提出用於管理 autonomous materials labs。2025–2026 年的 AlphaEvolve 類系統則提供另一條證據：當問題具有可執行的 evaluator，AI 可以在巨大的程式／演算法空間中搜尋並產生新解。這些進展支持一個較保守但重要的命題：AI 已經在若干研究域中降低「找到候選解」與「閉環試驗」的成本，但尚未消除實體材料、尺度、能源、驗證與安全治理障礙。

本文提出「自主科學閉環」：

\boxed{ H \rightarrow S \rightarrow \Sigma \rightarrow D \rightarrow E \rightarrow O \rightarrow V \rightarrow U \rightarrow H' }

分別代表假說、搜尋、模擬、設計、實驗、觀測、驗證、模型更新與下一輪假說。AI 真正可能帶來的科技加速，不只是單點推理更快，而是縮短整個 research-loop cycle time：

T_{\mathrm{cycle}} \downarrow,

提高每單位時間的有效信息增益：

\Phi_{\mathrm{sci}} = \frac{ \mathbb E[\Delta I_{\mathrm{validated}}] }{ T_{\mathrm{cycle}} }.

但高 throughput 不等於高 truth。若實驗設計、儀器校準、資料 provenance、反例治理與獨立 replication 不完整，AI 可能同時加速錯誤、偏差與 Goodhart 化。因此，本文把「自主科學」定義為受證據、否證、權限、安全與物理回退約束的閉環，而不是無限制自動實驗。

本文最後提出「科幻技術難度曲線」：

\boxed{ D_X(t) = F \left( \mathbf B_X(t), K_{A,t}, K_{\mathrm{AI},t} \right), }

其中 AI 改變的不是宇宙真實物理律，而是文明在理論、搜尋、設計、控制與驗證空間中抵達可行方案的速度與成本。某些技術的難度曲線會因此快速下降，某些只會緩慢下降，某些在獲得更強 no-go 結果後反而上升。這比「AI 讓一切科幻成真」或「AI 對 fundamental science 沒用」都更接近一個可研究、可檢驗的框架。

關鍵詞：AI 科學、障礙彈性、自主科學、自動實驗、self-driving laboratory、技術可達性、搜尋、控制、驗證、時空工程

0. 核心問題：AI 到底在降低什麼？

如果一項技術：

X

目前不可達，

我們不能直接寫：

D_X=\text{high}.

而應問：

高在哪裡？

可能是：

B_{\mathrm{search}}\gg0,

也可能是：

B_{\mathrm{energy}}\gg0,

或：

B_{\mathrm{law}}=\infty

在某個明確模型下成立。

因此：

\boxed{ \text{AI impact} = \text{barrier-specific impact}. }

1. DTRC 中的 AI 軸

Paper 03 定義：

\mathcal D_X = \left\langle P,S,E,R,C,V,L_{\mathrm{AI}},U \right\rangle.

本文將：

L_{\mathrm{AI}}

展開。

所以 Paper 03 問：

AI 是不是有槓桿？

本文問：

AI 對哪一種障礙、透過哪一個機制、有多少槓桿？

2. 八維 AI 科學槓桿

定義：

\boxed{ L_{\mathrm{AI}} = \left\langle L_H, L_S, L_{\mathrm{sim}}, L_D, L_C, L_E, L_V, L_M \right\rangle. }

這八維彼此相關但不能合併成單一「AI 很強」。

3. $L_H$ ：假說與理論探索

AI 可參與：

文獻搜尋；
定理與反例搜尋；
跨領域概念映射；
方程候選生成；
模型比較；
假說消融；
assumption audit。

可寫：

\mathcal H_{\mathrm{candidate}} = G_{\mathrm{AI}} ( K_{\mathrm{known}}, D, C ).

但：

\text{hypothesis generation} \neq \text{physical truth}.

所以：

\boxed{ L_H \text{ primarily expands candidate theory space}. }

4. $L_S$ ：搜尋與最佳化

許多工程問題本質上是：

x^\ast = \arg\min_x J(x)

或：

x^\ast = \arg\max_x F(x)

但搜尋空間：

|\Omega|

巨大。

AI 可以透過：

evolutionary search；
Bayesian optimization；
reinforcement learning；
program synthesis；
heuristic generation；
learned search policies；

提高：

P(\text{find good candidate}\mid B).

這是目前最直接的 AI 高槓桿區之一。

5. 可驗證 evaluator 會大幅提高 AI 搜尋槓桿

若候選：

x

可以被自動 evaluator：

E(x)

可靠評分，

則 AI 可以大量生成並淘汰候選。

形成：

x_0 \rightarrow x_1 \rightarrow \cdots \rightarrow x^\ast.

AlphaEvolve 類系統正屬於這種結構：

\boxed{ \text{LLM proposal} + \text{automated evaluator} + \text{iterative search}. }

因此：

\boxed{ \text{Evaluator Quality} \text{ is a major determinant of AI leverage}. }

6. 沒有 evaluator 時，生成能力可能變成幻覺放大器

若：

E(x)

缺失或極弱，

AI 只能生成大量看似合理候選。

此時：

N_{\mathrm{proposal}}\uparrow

不必導致：

N_{\mathrm{valid}}\uparrow.

所以：

\boxed{ \text{Proposal Throughput} \neq \text{Discovery Throughput}. }

7. $L_{\mathrm{sim}}$ ：模擬與代理模型

高成本物理實驗：

E_{\mathrm{real}}

可以部分由：

\widehat E_{\mathrm{sim}}

先行篩選。

AI 可建立：

surrogate models；
reduced-order models；
emulators；
learned dynamics；
differentiable approximations。

若：

C_{\mathrm{sim}} \ll C_{\mathrm{real}},

則候選探索速度可能大幅提升。

8. 模擬加速不等於真實加速

若 simulator：

\widehat M

漏掉關鍵物理，

則：

\operatorname{argmax} F_{\widehat M}

可能在真實系統失效。

因此：

\boxed{ \text{Simulation Acceleration} \text{ requires model-validity control}. }

AI 對 surrogate 的信任必須受到：

domain shift；
uncertainty；
out-of-distribution detection；
experimental calibration；

約束。

9. $L_D$ ：設計槓桿

AI 可以在：

materials；
molecules；
metamaterials；
circuits；
photonics；
mechanical structures；
experimental apparatus；

中搜尋結構。

設計問題可寫：

G: \text{desired function} \rightarrow \text{candidate structure}.

若 inverse design 很難，

AI 可以提高：

L_D.

10. 設計成功不等於可製造

若候選：

x^\ast

滿足 simulator，

但：

x^\ast \notin \mathcal F_{\mathrm{manufacturable}},

則仍不可用。

所以：

\boxed{ \text{Design Space} \neq \text{Fabricable Space}. }

自主設計系統必須把 fabrication constraints 直接放進 objective。

11. $L_C$ ：控制槓桿

很多 frontier technology 的核心不是找不到現象，

而是：

控不住。

定義系統：

\dot x=f(x,u).

AI 可以學：

u^\ast = \pi_{\mathrm{AI}}(x,\hat x,G).

以完成：

nonlinear control；
adaptive control；
predictive control；
anomaly recovery；
high-dimensional state estimation。

因此：

\boxed{ L_C \text{ can convert some unstable phenomena into usable technologies}. }

12. 控制不是突破物理律，而是擴大可利用子域

假設：

\mathcal P_M

是物理可能域。

控制器只是在：

\mathcal P_M

內找到：

\Gamma_{\mathrm{stable}}.

所以：

\boxed{ \text{Better Control} \rightarrow \text{larger operational reachable set}, }

而不是：

\boxed{ \text{Better Control} \rightarrow \text{larger fundamental physical possibility set}. }

13. $L_E$ ：實驗規劃槓桿

傳統實驗：

e_1,e_2,\ldots

可能由人類手動挑選。

AI 可用：

active learning；
Bayesian experimental design；
optimal design；
information gain；
multi-armed search；

選擇：

e^\ast = \arg\max_e \mathbb E[ \Delta I \mid e ].

因此：

\boxed{ \text{AI can increase information gained per experiment}. }

14. Self-driving laboratory 是實體化的 $L_E$

Self-driving laboratory（SDL）把：

algorithmic decision；
robotics；
synthesis；
characterization；
data analysis；

整合成閉環。

2026 年 Nature Reviews Chemistry 的綜述已把 SDL 描述為從狹窄 automation 向能提出、執行與解讀實驗的 multipurpose discovery platform 演進。

這說明：

\boxed{ L_E \text{ is no longer only a theoretical possibility}. }

15. 但 SDL 仍不是「自動發現真理機」

同一 2026 年文獻強調：

scalability；
generalizability；
provenance-complete experimentation；
interoperable standards；
trustworthy AI；

仍是限制。

所以：

\boxed{ \text{Autonomy} \neq \text{epistemic infallibility}. }

16. $L_V$ ：驗證槓桿

AI 可協助：

proof checking；
anomaly detection；
replication planning；
provenance audit；
causal consistency；
cross-paper contradiction search；
statistical robustness。

因此：

L_V

不是「寫論文更快」，

而是：

更快判斷哪些結果值得相信。

17. AI 也可以加速否證

如果：

H

錯誤，

AI 可：

搜反例；
找 hidden assumptions；
生成 adversarial experiment；
找 failure regions。

所以：

\boxed{ L_V>0 \text{ can push a technology toward stronger impossibility classification}. }

這正是 Paper 03 的：

L_6\rightarrow L_8

路徑之一。

18. $L_M$ ：meta-science 槓桿

AI 不只解單題，

還可以管理：

literature state；
hypothesis queue；
experiment queue；
evidence graph；
tool routing；
replication；
uncertainty；
lab resources。

因此：

\boxed{ L_M = \text{research-process optimization leverage}. }

它會改變的不只是某一次計算時間，

而是整個科研組織的 cycle time。

19. 十二類障礙

定義：

\boxed{ \mathfrak B_X = \left\{ B_{\mathrm{logic}}, B_{\mathrm{law}}, B_{\mathrm{theory}}, B_{\mathrm{search}}, B_{\mathrm{compute}}, B_{\mathrm{material}}, B_{\mathrm{energy}}, B_{\mathrm{fab}}, B_{\mathrm{control}}, B_{\mathrm{observe}}, B_{\mathrm{verify}}, B_{\mathrm{coord}} \right\}. }

AI 對不同 $B_i$ 的作用不同。

20. $B_{\mathrm{logic}}$ ：邏輯障礙

如果目標本身：

X\land\neg X

要求矛盾同時成立，

更強 AI 不能透過搜尋讓它成真。

因此：

\boxed{ \eta_{\mathrm{logic}}^{\mathrm{AI}} \approx0 }

在固定邏輯規格下。

AI 的作用是：

更快指出 specification 自相矛盾。

21. $B_{\mathrm{law}}$ ：fundamental law 障礙

若在被充分確認且適用的物理律：

\mathcal L^\ast

下，

有嚴格禁止：

X\notin\mathcal P_{\mathcal L^\ast},

AI 不能透過設計把它變 allowed。

所以：

\eta_{\mathrm{law}}^{\mathrm{AI}} \approx0.

但 AI 可審計：

law 是否真的 fundamental；
theorem assumptions；
regime applicability；
alternate transformation definition。

22. $B_{\mathrm{theory}}$ ：理論未知

如果現象有資料，

但機制未知，

AI 可以：

symbolic regression；
theorem search；
model discovery；
literature fusion；
causal modeling；

降低：

B_{\mathrm{theory}}.

但理論發現仍必須經：

E_{\mathrm{physical}}.

23. $B_{\mathrm{search}}$ ：搜尋障礙

這是 AI 最可能高彈性的障礙之一。

如果：

|\Omega|\gg1,

而 evaluator 足夠好，

AI 可以大幅降低有效探索成本。

因此：

\eta_{\mathrm{search}}^{\mathrm{AI}}

可能很高。

24. $B_{\mathrm{compute}}$ ：計算障礙

AI 可以：

approximate；
compress；
learn heuristics；
find better algorithms；
allocate compute。

但如果計算需求是 unavoidable lower bound，

AI 仍受：

\text{complexity} + \text{hardware} + \text{energy}

限制。

所以：

\boxed{ \text{algorithmic improvement} \neq \text{free computation}. }

25. $B_{\mathrm{material}}$ ：材料障礙

AI 可：

搜材料；
設計 microstructure；
預測 phase；
推薦 synthesis path。

但若所需材料：

M^\ast

物理上不存在，

AI 無法生成它。

所以 AI 對材料主要是：

\boxed{ \text{discovery} + \text{substitution} + \text{optimization}. }

26. $B_{\mathrm{energy}}$ ：能源壁壘

AI 可以：

找效率更高路徑；
降低耗散；
控制 energy flow；
發現替代 process。

但若某目標有：

E_{\min}

不可避免下界，

則：

E<E_{\min}

不能靠 AI 消除。

所以：

\eta_{\mathrm{energy}}^{\mathrm{AI}}

取決於目前能耗離真正下界有多遠。

27. $B_{\mathrm{fab}}$ ：製造障礙

AI 可幫：

process planning；
robotic assembly；
tolerancing；
defect detection；
adaptive manufacturing。

如果設計已知但精度不夠，

這是高潛力區。

但若需要：

\delta x<\delta x_{\mathrm{physical\ limit}},

則仍受硬界限制。

28. $B_{\mathrm{control}}$ ：控制障礙

對：

plasma；
unstable quantum states；
nonlinear systems；
autonomous instruments；

AI 有可能大幅降低：

B_{\mathrm{control}}.

這是從「現象存在」到「技術可用」的關鍵橋。

29. $B_{\mathrm{observe}}$ ：觀測障礙

AI 能提升：

denoising；
inverse reconstruction；
sensor fusion；
adaptive measurement；
target selection。

但：

\text{no signal}

不能被合法 hallucinate 成：

\text{signal}.

所以：

\boxed{ \text{AI-enhanced inference} \text{ must preserve measurement uncertainty}. }

30. $B_{\mathrm{verify}}$ ：驗證障礙

AI 可：

尋找替代解釋；
自動統計；
independent check；
proof assistant；
provenance audit。

但若某聲稱原理上不可觀察，

則：

V

仍可能保持極高。

31. $B_{\mathrm{coord}}$ ：組織與協調障礙

大型技術可能卡在：

supply chain；
protocol；
lab orchestration；
multidisciplinary communication；
scheduling；
experiment handoff。

AI agent 系統可降低：

B_{\mathrm{coord}}.

2026 年已有研究直接討論 multi-agent AI 管理 autonomous materials labs。

所以：

\boxed{ \text{coordination itself is a technological barrier}. }

32. 障礙彈性

本文定義：

\boxed{ \eta_i^{\mathrm{AI}} = - \frac{ \partial\ln B_i }{ \partial\ln K_{\mathrm{AI}} }. }

它的直觀語義：

AI 能力提高 1% 時，該障礙相對下降多少？

這不是目前已經能普遍測量的物理常數。

它是一個：

\boxed{ \text{comparative research metric}. }

33. 高、中、低 AI 彈性

可粗分：

高彈性

\eta_i^{\mathrm{AI}}\gg0

例如：

search；
simulation；
design；
scheduling；
some control。

中彈性

AI 可間接降低：

materials；
fabrication；
observation；
verification。

低／零彈性

固定前提下的：

logical contradiction；
strict no-go；
irreducible physical lower bound。

34. Barrier Elasticity 不是永久常數

若新工具出現，

同一障礙的：

\eta_i^{\mathrm{AI}}(t)

會改變。

例如 robotics 尚未成熟時：

\eta_{\mathrm{experiment}}^{\mathrm{AI}}

較低。

當 robot lab、machine vision、standardized instruments 成熟後，

可能上升。

因此：

\boxed{ \eta_i^{\mathrm{AI}} = \eta_i^{\mathrm{AI}}(X,t,E). }

35. 技術難度曲線

定義技術 $X$ 的綜合障礙向量：

\mathbf B_X(t) = \left( B_1,\ldots,B_n \right)_t.

則技術難度：

\boxed{ D_X(t) = F \left( \mathbf B_X(t), K_{A,t}, K_{\mathrm{AI},t} \right). }

AI 的作用不是：

D_X \rightarrow0

而是改變：

\frac{dD_X}{dt}.

36. 三種難度曲線

36.1 快速下降型

主障礙高 AI 彈性。

例如大量搜尋／優化問題。

36.2 慢速下降型

主障礙在材料、能源、scale-up。

36.3 平坦／上升型

主障礙為 hard no-go，

或新研究持續增加困難證據。

所以：

\boxed{ \text{AI does not imply universally decreasing difficulty}. }

37. AI 也可能讓難度曲線上升

如果 AI：

找到新 no-go theorem；
發現 hidden instability；
找出 resource lower bound；
發現 simulator 錯誤；
找到 experiment contradiction；

則：

D_X(t+\Delta t)>D_X(t).

但：

U_X

下降。

這仍是科學進步。

38. 自主科學閉環

本文提出：

\boxed{ H \rightarrow S \rightarrow \Sigma \rightarrow D \rightarrow E \rightarrow O \rightarrow V \rightarrow U \rightarrow H'. }

其中：

$H$ ：Hypothesis；
$S$ ：Search；
$\Sigma$ ：Simulation；
$D$ ：Design；
$E$ ：Experiment；
$O$ ：Observation；
$V$ ：Verification；
$U$ ：Update；
$H'$ ：Next hypothesis。

39. AI 真正的加速點是閉環週期

傳統研究週期：

T_{\mathrm{human}}.

AI-augmented cycle：

T_{\mathrm{AI}}.

若：

T_{\mathrm{AI}} \ll T_{\mathrm{human}},

同一日曆時間可做更多：

N_{\mathrm{cycles}}.

但真正要最大化的不是 cycle 數，

而是：

\boxed{ \Phi_{\mathrm{sci}} = \frac{ \mathbb E[\Delta I_{\mathrm{validated}}] }{ T_{\mathrm{cycle}} }. }

40. 有效信息增益

若一輪實驗產生大量數據：

D

但不降低模型不確定性，

則：

\Delta I_{\mathrm{validated}} \approx0.

所以自主科學不應追求：

\text{data throughput}

本身，

而應追求：

\boxed{ \text{validated information gain}. }

41. 具身 AI 自主研究閉環

當 AI 真正控制儀器：

A_{\mathrm{AI}} \rightarrow \mathcal I_{\mathrm{physical}},

它就從：

建議研究。

進入：

執行研究。

此時需要：

action authorization；
instrument health；
calibration；
sample identity；
provenance；
anomaly handling；
physical rollback。

因此：

\boxed{ \text{Autonomous Science} = \text{epistemic loop} + \text{physical control loop}. }

42. 2026 年 Self-Driving Labs 的實際意義

目前 SDL 已經在部分化學、材料與儀器領域形成：

\text{plan} \rightarrow \text{execute} \rightarrow \text{measure} \rightarrow \text{learn}

的閉環。

這不是通用自動科學家已完成，

但已證明：

\boxed{ \text{parts of the scientific loop are automatable in physical labs}. }

這是 AI 技術可達性框架的重要實證背景。

43. A-Lab 的案例意義

A-Lab 類平台整合：

computation；
literature；
ML；
active learning；
robotics。

其價值不是證明：

AI 可以發現所有材料。

而是證明：

多個原本分離的人類研究階段，可以被閉環整合。

所以：

\boxed{ L_H+L_S+L_E+L_V }

可以在同一物理研究 pipeline 中共同作用。

44. AI agents 操作科學儀器

2026 年已有研究展示：

AI agents 可以在 advanced scientific instruments 上進行操作並在工作中適應。

這對：

L_C

與：

L_E

特別重要。

因為未來自主科學不只需要「想實驗」，

還需要：

\boxed{ \text{instrument-grounded action competence}. }

45. Multi-Agent Lab

若研究任務需要：

synthesis；
characterization；
planning；
resource management；
verification；

單一 Agent 可能不夠。

可以：

A_1,\ldots,A_n

分工。

但這帶來：

B_{\mathrm{coord}}

的新型態：

conflicting plans；
handoff failure；
shared-state inconsistency；
authority ambiguity。

所以：

\boxed{ \text{more agents} \not\Rightarrow \text{more science}. }

46. 自主科學的安全 harness

2026 年 Nature Synthesis 已特別提出 SDL 需要 autonomy safety harness 的觀點。

原因是：

\text{AI-generated intent}

必須被轉成：

\text{safe executable experiment}.

所以需要：

policy；
runtime monitoring；
action limits；
evidence logging；
veto；
recovery。

這和具身 AI 自主研究閉環中的治理需求一致。

47. Provenance-complete science

如果 AI 自動：

生成假說；
改參數；
換試劑；
重跑實驗；

而沒有完整：

H_{\mathrm{experiment}}

紀錄，

結果將難以重現。

因此：

\boxed{ \text{Autonomy} \Rightarrow \text{stronger provenance requirements}. }

不是反過來。

48. 自主科學會加速錯誤嗎？

會，如果 objective 錯。

若系統追求：

J=\text{paper-worthy novelty},

可能 Goodhart 化。

若追求：

J=\text{target metric},

可能 exploit measurement artifact。

所以真正需要：

\boxed{ J = f( \text{truth}, \text{uncertainty}, \text{replication}, \text{safety}, \text{cost} ). }

49. 異常不是發現

AI 遇到：

y\not\approx \hat y

不能直接寫：

新物理。

應先檢查：

instrument failure；
calibration；
sample contamination；
software bug；
data pipeline；
model assumption；
replication。

因此：

\boxed{ \text{Anomaly} \neq \text{Discovery}. }

但：

\text{Anomaly} = \text{research entrance}.

50. 自主科學的真正閉環需要反例治理

若 Agent 只會最大化成功率，

會避開 failure。

但科學需要：

\text{counterexample search}.

因此自主科學應最大化：

\boxed{ \text{discriminative information} }

而不是：

\boxed{ \text{confirmation}. }

51. AI 對時間旅行研究最先能做什麼？

不是：

造時光機。

而是：

形式化不同 traversal class；
搜尋 GR / QFT 模型；
自動檢查 no-go assumptions；
搜穩定性反例；
模擬 causal structure；
搜材料與控制方案；
設計間接可驗證實驗；
建立 DTRC 更新。

因此：

\boxed{ \text{AI's first contribution to time travel} = \text{classification and search acceleration}. }

52. AI 對 Type 2 的槓桿

Type 2：

\text{local forward traversal}

基礎物理已成熟。

主障礙偏：

propulsion；
energy；
life support；
control。

所以：

L_D,L_C,L_E

可能有中高效益。

53. AI 對 Type 4 的槓桿

Type 4：

\text{local past-directed arrival}

仍卡：

formation；
stability；
quantum effects；
controllability；
chronology protection。

因此 AI 可高槓桿作用於：

L_H,L_S,L_{\mathrm{sim}},L_V,

但對：

B_{\mathrm{law}}

是否存在硬禁止，

只能加速判定。

54. AI 對 Type 5–8 的槓桿

branch traversal / branch creation 類最大的問題目前甚至是：

B_{\mathrm{theory}},

B_{\mathrm{ontology}},

而非純工程。

因此 AI 最先能做：

把概念從敘事變成可判定模型。

若：

A_{\mathrm{address}}

都未定義，

談工程優化沒有意義。

55. AI 對 payload 技術的槓桿

Paper 02 中的：

P_0\ldots P_8

對 AI 槓桿也不同。

例如 AI seed：

P_4

的難度可能被：

compression；
architecture search；
distillation；
robust bootstrapping；

降低。

因此：

L_{\mathrm{AI}}

不只作用 traversal mechanism，

也作用 payload complexity。

56. AI 會讓 frontier technology 分化得更快

假設一批技術：

X_1,\ldots,X_n

目前都在：

L_6.

AI 科學加速可能讓其中：

X_1\rightarrow L_4,

X_2\rightarrow L_3,

X_3\rightarrow L_8.

所以：

\boxed{ \text{AI accelerates separation of the adjacent possible from the impossible}. }

57. 「科幻邊界壓縮」的正式版本

定義科幻候選集合：

\mathcal F.

工程可達集合：

\mathcal R_{A,t}.

兩者距離：

D_{\mathrm{FR}}(t).

AI 若降低高彈性 barrier，

可能：

D_{\mathrm{FR}}(t) \downarrow.

但不是所有：

x\in\mathcal F

都會進入：

\mathcal R.

58. Realizability Migration

一項概念可能沿：

\text{fiction} \rightarrow \text{formal model} \rightarrow \text{simulation} \rightarrow \text{prototype} \rightarrow \text{technology} \rightarrow \text{infrastructure}

移動。

AI 可能加速中間多個 transition。

因此：

\boxed{ \text{AI leverage} \text{ can act on the migration rate}. }

而不是直接改變終點是否 fundamental possible。

59. AI 奇點的新定義接口

若 AI 對大量技術候選：

X_i

同時降低：

B_{\mathrm{search}}, B_{\mathrm{design}}, B_{\mathrm{control}}, B_{\mathrm{experiment}},

則文明可能出現：

\frac{d\mu(\mathcal R_{A,t})}{dt}

顯著增加。

這種：

\boxed{ \text{reachable-domain acceleration} }

可以作為「技術型 AI 奇點」的一種比單純模型智商更物理化的定義。

60. 但研究加速會碰到實體吞吐上限

即使：

T_{\mathrm{reasoning}}\rightarrow0,

實驗仍可能需要：

晶體成長幾天；
生物反應幾週；
大型設施排程；
能源充電；
製造時間。

因此總週期：

T_{\mathrm{cycle}} = T_{\mathrm{think}} + T_{\mathrm{sim}} + T_{\mathrm{fabricate}} + T_{\mathrm{experiment}} + T_{\mathrm{verify}}.

若：

T_{\mathrm{experiment}}

主導，

純推理再快也有 diminishing returns。

61. Amdahl-like science acceleration

令：

f_{\mathrm{AI}}

為可被 AI 高度加速的流程比例，

其加速倍數：

s_{\mathrm{AI}}.

則研究週期理想化上限可類比：

\boxed{ S_{\mathrm{total}} \lesssim \frac{ 1 }{ (1-f_{\mathrm{AI}}) + f_{\mathrm{AI}}/s_{\mathrm{AI}} }. }

這不是物理定律，

而是一個提醒：

不可加速的實體流程會成為新瓶頸。

62. AI 加速會使瓶頸轉移

當：

B_{\mathrm{search}}\downarrow,

新的主瓶頸可能變成：

B_{\mathrm{fab}}.

再降低 fabrication 後，

可能變成：

B_{\mathrm{energy}}.

因此：

\boxed{ \text{Acceleration} \rightarrow \text{bottleneck migration}. }

這是 DTRC 必須動態更新的原因。

63. 最終難度由最硬瓶頸支配

可粗略表示：

D_X \approx \max_i B_i.

或更一般：

D_X = F(B_1,\ldots,B_n).

若最大 barrier：

B_j

具有：

\eta_j^{\mathrm{AI}}\approx0,

則即使其他 barrier 大幅下降，

整體技術仍可能幾乎不動。

64. AI 不能替代新物理，但可以提高找到新物理的概率

若現有模型：

M

不完備，

AI 可以擴大：

\Omega_{\mathrm{theory}}.

這提高：

P( \text{find better model} ).

但：

\boxed{ \text{model proposal} \neq \text{new law of nature}. }

新物理仍需要：

\text{prediction} + \text{experiment} + \text{replication}.

65. 自主科學是否會走向「科學超智能」？

2026 年文獻已有「collective scientific superintelligence」的研究願景語言。

本文不把它當成已實現狀態。

更安全的定義是：

若研究系統在：

hypothesis；
experiment；
instrument；
integration；
verification；

多環節形成高自治閉環，

且：

\Phi_{\mathrm{sci}}

持續超過傳統組織，

可以說它具有：

\text{scientific-superintelligence-like functional regime}.

66. 真正關鍵是 autonomy × evidence

如果只有：

A_{\mathrm{auto}}\uparrow

而：

E_{\mathrm{evidence}}\downarrow,

系統會變成高速生成器。

因此：

\boxed{ \text{Scientific Autonomy} = \text{Autonomy} \times \text{Evidence Discipline}. }

任一接近零，

整體價值都很低。

67. 自主科學的治理約束

至少需要：

G_{\mathrm{sci}} = \left( G_{\mathrm{permission}}, G_{\mathrm{safety}}, G_{\mathrm{provenance}}, G_{\mathrm{replication}}, G_{\mathrm{rollback}} \right).

因為具身 AI 能：

寫錯答案。

也能：

做錯實驗。

兩者風險完全不同。

68. AI 改變的是「難度曲線」，不是「真理標準」

不論 AI 多強，

科學命題仍需要：

\boxed{ \text{evidence} + \text{reproducibility} + \text{model adequacy}. }

因此：

\boxed{ \text{AI-native science} \neq \text{post-empirical science}. }

69. 二十個核心命題

命題一：AI 槓桿是障礙型別相對的

L_{\mathrm{AI}} = L_{\mathrm{AI}}(B_i).

命題二：AI 不等於 law-breaking power

L_{\mathrm{AI}}\gg0 \not\Rightarrow P_{\mathrm{forbidden}}\rightarrow P_{\mathrm{allowed}}.

命題三：可自動 evaluator 提高 AI 搜尋槓桿

E_{\mathrm{eval}}\uparrow \Rightarrow L_S\uparrow

作為任務相對假說。

命題四：proposal throughput 非 discovery throughput

N_{\mathrm{proposal}}\uparrow \not\Rightarrow N_{\mathrm{valid}}\uparrow.

命題五：simulation acceleration 需要模型有效性

\widehat M \not\approx M \Rightarrow \text{optimized solution may fail}.

命題六：設計空間非製造空間

\mathcal D_{\mathrm{design}} \not\subseteq \mathcal D_{\mathrm{fab}}

一般可能成立。

命題七：控制提高 operational reachability

L_C\uparrow \Rightarrow \mathcal R_{\mathrm{op}}\uparrow

不推出 fundamental possibility set 擴張。

命題八：AI 可提高每實驗信息增益

L_E \rightarrow \mathbb E[\Delta I]/N_{\mathrm{exp}} \uparrow

在有效設計下。

命題九：自治非可靠

\text{autonomous} \not\Rightarrow \text{correct}.

命題十：驗證 AI 可加速否證

L_V>0

可使 DTRC 往更高不可能性層級移動。

命題十一：障礙彈性依任務與時代而變

\eta_i^{\mathrm{AI}} = \eta_i^{\mathrm{AI}}(X,t,E).

命題十二：logical/fundamental barrier 在固定前提下 AI 彈性近零

\eta_{\mathrm{hard}}^{\mathrm{AI}} \approx0.

命題十三：自主科學要最大化 validated information gain

\Phi_{\mathrm{sci}} = \mathbb E[\Delta I_{\mathrm{validated}}]/T.

命題十四：高 throughput 非高 truth

\text{throughput} \not\Rightarrow \text{truth}.

命題十五：具身自主科學需要物理安全閉環

\text{AI intent} \rightarrow \text{runtime-governed action}.

命題十六：加速會造成瓶頸遷移

B_i\downarrow \Rightarrow \arg\max_j B_j \text{ may change}.

命題十七：實體流程限制總加速上限

T_{\mathrm{physical}}>0

會造成 diminishing returns。

命題十八：AI 可加速「證明不可能」

\text{better AI} \not\Rightarrow \text{more technologies feasible}.

命題十九：科幻—工程距離可以被 AI 壓縮，但不是全部候選

D_{\mathrm{FR}}\downarrow

不代表：

\mathcal F\subseteq\mathcal R.

命題二十：AI 奇點可被重述為可達域加速度

a_R = \frac{d^2\mu(\mathcal R)}{dt^2}

可作為技術型 AI 奇點的候選量，而非完成定義。

70. 理論邊界

本文不宣稱：

AI 會使所有科幻技術最終可行；
self-driving laboratories 已成為通用自主科學家；
AlphaEvolve 類系統可以解所有科學問題；
障礙彈性 $\eta_i^{\mathrm{AI}}$ 已有普適實證標準；
autonomous science 可以不需要人類治理；
AI 可以突破邏輯矛盾或 genuine fundamental no-go；
模擬可以替代關鍵實驗；
更快科研一定導致更安全文明；
多 Agent 一定優於單 Agent；
時間旅行因 AI 進步而必然更接近工程實現。

本文完成的是：

\boxed{ \text{把「AI 會讓科幻成真」 改寫成 「AI 對哪些 barrier 具有多大的可壓縮槓桿」。} }

71. 結論：AI 不會取消物理世界，但會重新塑造文明抵達物理世界的路徑

Paper 03 定義：

\mathcal D_X = \left\langle P,S,E,R,C,V,L_{\mathrm{AI}},U \right\rangle.

本篇將：

L_{\mathrm{AI}}

展開成：

\boxed{ L_{\mathrm{AI}} = \left\langle L_H, L_S, L_{\mathrm{sim}}, L_D, L_C, L_E, L_V, L_M \right\rangle. }

真正重要的是：

\boxed{ \text{AI can reduce search distance to reachable physics;} \quad \text{it does not enlarge physics by assertion}. }

它能：

更快找理論；
更快找反例；
更快搜尋設計；
更快模擬；
更精密控制；
更聰明選實驗；
更快驗證；
更完整維護研究狀態。

於是：

T_{\mathrm{cycle}}\downarrow,

\Phi_{\mathrm{sci}}\uparrow,

文明的：

\mathcal R_{A,t}

可能更快變形與擴張。

但當主障礙是：

B_{\mathrm{logic}}

或：

B_{\mathrm{law}},

AI 真正的價值反而是：

更快告訴我們，哪裡沒有路。

因此 AI 對 frontier science 的最大意義，不是讓：

\text{impossible} \rightarrow \text{possible}

自動發生，

而是讓：

\boxed{ \text{unknown} \rightarrow \text{discoverable} \quad\text{or}\quad \text{provably constrained} }

的速度增加。

Series 02 下一篇將因此從「技術障礙」轉向「世界本身提供什麼操作空間」。

Paper 05

〈時空的可供性：哪種時空給存在者哪些能力？〉

那篇要問的不是：

某技術難不難？

而是更上游的：

不同時空結構本身，究竟允許其中的存在者觀察、記錄、導航、修改、分支、退出與生成到什麼程度？

這將正式把 Series 02 從「技術可達性」推進到：

\boxed{ \text{Spacetime Affordance}. }

參考研究脈絡

Neo.K，2026，《從科幻到工程：幻想—實現邊界壓縮與 AI 奇點的新定義》。
Neo.K，2026，《具身化 AI 自主研究閉環：從假說生成、物理實驗到證據判定與概念修正》。
Neo.K，2026，《異常即入口：具身自主研究中的反例、失敗、離群事件與未知管理》。
Neo.K，2026，《可行／不可行二分的終結：動態技術可達性分類》。
Richard B. Canty & Milad Abolhasani, “The past, present and future of self-driving laboratories”, Nature Reviews Chemistry, 2026.
Linjiang Chen et al., “Self-driving laboratories need an autonomy safety harness”, Nature Synthesis, 2026.
A. Gilad Kusne & Austin McDannald, “Managing autonomous materials labs with multi-agent AI and its implications for the science of science”, Communications Materials, 2026.
Aikaterini Vriza et al., “Operating advanced scientific instruments with AI agents that learn on the job”, npj Computational Materials, 2026.
Gerbrand Ceder et al., “An autonomous laboratory for the accelerated synthesis of inorganic materials”, Nature, 2023, updated 2026.
Google DeepMind, AlphaEvolve technical communications, 2025–2026, as an example of LLM-guided algorithm search with automated evaluators.

AI 如何改變科幻技術的難度曲線：從搜尋、模擬、控制到自主科學

AI 如何改變科幻技術的難度曲線：從搜尋、模擬、控制到自主科學

摘要

0. 核心問題：AI 到底在降低什麼？

1. DTRC 中的 AI 軸

2. 八維 AI 科學槓桿

3. LHL_HLH​：假說與理論探索

4. LSL_SLS​：搜尋與最佳化

5. 可驗證 evaluator 會大幅提高 AI 搜尋槓桿

6. 沒有 evaluator 時，生成能力可能變成幻覺放大器

7. LsimL_{\mathrm{sim}}Lsim​：模擬與代理模型

8. 模擬加速不等於真實加速

9. LDL_DLD​：設計槓桿

10. 設計成功不等於可製造

11. LCL_CLC​：控制槓桿

12. 控制不是突破物理律，而是擴大可利用子域

13. LEL_ELE​：實驗規劃槓桿

14. Self-driving laboratory 是實體化的 LEL_ELE​

15. 但 SDL 仍不是「自動發現真理機」

16. LVL_VLV​：驗證槓桿

17. AI 也可以加速否證

18. LML_MLM​：meta-science 槓桿

19. 十二類障礙

20. BlogicB_{\mathrm{logic}}Blogic​：邏輯障礙

21. BlawB_{\mathrm{law}}Blaw​：fundamental law 障礙

22. BtheoryB_{\mathrm{theory}}Btheory​：理論未知

23. BsearchB_{\mathrm{search}}Bsearch​：搜尋障礙

24. BcomputeB_{\mathrm{compute}}Bcompute​：計算障礙

25. BmaterialB_{\mathrm{material}}Bmaterial​：材料障礙

26. BenergyB_{\mathrm{energy}}Benergy​：能源壁壘

27. BfabB_{\mathrm{fab}}Bfab​：製造障礙

28. BcontrolB_{\mathrm{control}}Bcontrol​：控制障礙

29. BobserveB_{\mathrm{observe}}Bobserve​：觀測障礙

30. BverifyB_{\mathrm{verify}}Bverify​：驗證障礙

31. BcoordB_{\mathrm{coord}}Bcoord​：組織與協調障礙

32. 障礙彈性

33. 高、中、低 AI 彈性

高彈性

中彈性

低／零彈性

34. Barrier Elasticity 不是永久常數

35. 技術難度曲線

36. 三種難度曲線

36.1 快速下降型

36.2 慢速下降型

36.3 平坦／上升型

37. AI 也可能讓難度曲線上升

38. 自主科學閉環

39. AI 真正的加速點是閉環週期

40. 有效信息增益

41. 具身 AI 自主研究閉環

42. 2026 年 Self-Driving Labs 的實際意義

43. A-Lab 的案例意義

44. AI agents 操作科學儀器

45. Multi-Agent Lab

46. 自主科學的安全 harness

47. Provenance-complete science

48. 自主科學會加速錯誤嗎？

49. 異常不是發現

50. 自主科學的真正閉環需要反例治理

51. AI 對時間旅行研究最先能做什麼？

52. AI 對 Type 2 的槓桿

53. AI 對 Type 4 的槓桿

54. AI 對 Type 5–8 的槓桿

55. AI 對 payload 技術的槓桿

56. AI 會讓 frontier technology 分化得更快

57. 「科幻邊界壓縮」的正式版本

58. Realizability Migration

59. AI 奇點的新定義接口

60. 但研究加速會碰到實體吞吐上限

61. Amdahl-like science acceleration

62. AI 加速會使瓶頸轉移

63. 最終難度由最硬瓶頸支配

64. AI 不能替代新物理，但可以提高找到新物理的概率

65. 自主科學是否會走向「科學超智能」？

66. 真正關鍵是 autonomy × evidence

67. 自主科學的治理約束

68. AI 改變的是「難度曲線」，不是「真理標準」

69. 二十個核心命題

命題一：AI 槓桿是障礙型別相對的

3. $L_H$ ：假說與理論探索

4. $L_S$ ：搜尋與最佳化

7. $L_{\mathrm{sim}}$ ：模擬與代理模型

9. $L_D$ ：設計槓桿

11. $L_C$ ：控制槓桿

13. $L_E$ ：實驗規劃槓桿

14. Self-driving laboratory 是實體化的 $L_E$

16. $L_V$ ：驗證槓桿

18. $L_M$ ：meta-science 槓桿

20. $B_{\mathrm{logic}}$ ：邏輯障礙

21. $B_{\mathrm{law}}$ ：fundamental law 障礙

22. $B_{\mathrm{theory}}$ ：理論未知

23. $B_{\mathrm{search}}$ ：搜尋障礙

24. $B_{\mathrm{compute}}$ ：計算障礙

25. $B_{\mathrm{material}}$ ：材料障礙

26. $B_{\mathrm{energy}}$ ：能源壁壘

27. $B_{\mathrm{fab}}$ ：製造障礙

28. $B_{\mathrm{control}}$ ：控制障礙

29. $B_{\mathrm{observe}}$ ：觀測障礙

30. $B_{\mathrm{verify}}$ ：驗證障礙

31. $B_{\mathrm{coord}}$ ：組織與協調障礙