AI 原生觀測：從儀器資料到科學投影
從被動量測、單儀器介面與人工檢視走向可追溯、可逆、主動式的多模態科學觀測系統
English Title: AI-Native Observation: From Instrument Data to Reversible Scientific Projection
Series: ANCSI — AI-Native Computational and Scientific InfrastructurePaper: ANCSI-08Version: v0.1Date: 2026-09-23Type: 公開命題／工程猜想論文（Public Proposition / Engineering Conjecture Paper）
作者： Neo.K機構： EveMissLab／一言諾科技有限公司
摘要
現代高階科研早已大量脫離「研究者以肉眼直接觀察自然」的模式。電子顯微鏡、同步輻射、原子力顯微鏡、光譜、斷層掃描、粒子探測器、熱影像與多種大型科學儀器，實際上都是將物理現象轉換成數位訊號，再經校準、重建、濾波、統計與視覺化後呈現給研究者。2026 年的 smart microscopy、agentic electron microscopy 與 agentic X-ray scientist 研究已進一步顯示，AI 不只可以分析儀器資料，也可以根據即時觀測結果決定下一個 acquisition action，使「觀測」開始由被動量測轉化為主動式閉迴路科學行為。
本文提出 ANCSI 的第八個核心命題：未來 AI 原生計算—科研基礎設施應建立一個 AI-Native Observation Stack（AI 原生觀測堆疊） ，將原始量測、時間同步、校準、重建、跨模態配準、AI 推論、不確定性、主動觀測決策與人類科學投影分成明確不同的層。人類不必直接操作或逐一檢視每一種儀器介面，而可以透過 AI 生成的多尺度、多模態 scientific projection 探索整個研究世界；但該 projection 不得取代 raw evidence，且必須能夠由任何高階結論逐層回溯到原始 measurement、instrument state、calibration、transformation、model version 與 observation policy。
本文進一步提出 Reversible Scientific Projection、Evidence Ladder、Observation Provenance Graph、Active Observation Policy、Epistemic Layer Separation、Cross-Scale Scientific Field、Counterfactual Re-Observation、Scientific Drill-Down、Uncertainty Surface 與 Observation Budget 等概念。其核心原則是：AI 可以決定「下一步看哪裡」，但不能把自己的重建或推論偷偷偽裝成「儀器本來就看到了什麼」。
2026 年 Nature Computational Science 的評論直接主張，自主科學的可信任基礎不是要求完全看懂模型內部，而是保存完整、可重新開啟、可稽核、可修正的 provenance；同年的 self-driving laboratory 綜述亦將 provenance-complete experimentation 列為該領域下一階段的三大核心要求之一。本文據此將 provenance 從研究結束後的附加紀錄提升為觀測系統本體的一部分。
關鍵詞： AI-native observation、scientific projection、provenance、smart microscopy、active acquisition、multimodal science、scientific visualization、adaptive measurement、autonomous science、epistemic traceability
1. 問題：科學家今天真正「看到」的是什麼？
在人類早期科學中，觀察經常近似：
phenomenon → human senses . \text{phenomenon}
\rightarrow
\text{human senses}. phenomenon → human senses . 例如：
直接觀察天體；
直接閱讀刻度；
肉眼看顯微鏡；
直接看化學反應；
聽聲音；
觸摸樣本。
但現代高階科研越來越常是：
phenomenon → instrument → digital signal → processing → representation → human . \boxed{
\text{phenomenon}
\rightarrow
\text{instrument}
\rightarrow
\text{digital signal}
\rightarrow
\text{processing}
\rightarrow
\text{representation}
\rightarrow
\text{human}.
} phenomenon → instrument → digital signal → processing → representation → human . 研究者看到的往往不是物理世界本身，而是：
detector counts；
reconstructed image；
false-color map；
filtered spectrum；
segmented volume；
phase map；
model-derived field；
statistical summary。
因此：
scientific observation has long been technologically mediated . \boxed{
\text{scientific observation has long been technologically mediated}.
} scientific observation has long been technologically mediated . AI 並不是第一次介入「人與自然之間」。
真正新的地方是：
AI 開始介入 acquisition、selection、reconstruction、interpretation 與下一步觀測決策本身。
2. 從被動儀器到主動式觀測
傳統數位儀器可以表示成：
X = M ( W ; θ ) , X
=
\mathcal{M}(W;\theta), X = M ( W ; θ ) , 其中：
W = world state , W
=
\text{world state}, W = world state , M = measurement process , \mathcal{M}
=
\text{measurement process}, M = measurement process , θ = instrument settings , \theta
=
\text{instrument settings}, θ = instrument settings , X = measurement . X
=
\text{measurement}. X = measurement . 研究者設定：
θ , \theta, θ , 取得：
X . X. X . AI 原生觀測則讓：
θ t + 1 = π ( X ≤ t , H t , G t ) , \theta_{t+1}
=
\pi(
X_{\le t},
H_t,
G_t
), θ t + 1 = π ( X ≤ t , H t , G t ) , 其中：
H t = current scientific hypothesis / model , H_t
=
\text{current scientific hypothesis / model}, H t = current scientific hypothesis / model , G t = scientific goal . G_t
=
\text{scientific goal}. G t = scientific goal . 所以：
observation becomes a policy . \boxed{
\text{observation becomes a policy}.
} observation becomes a policy . 不是單次讀值。
3. Smart Microscopy 已經證明這條路徑開始存在
2026 年 npj Imaging 的 smart microscopy 綜述將 smart microscope 定義為：
real-time analysis + feedback control + automated actuation . \boxed{
\text{real-time analysis}
+
\text{feedback control}
+
\text{automated actuation}.
} real-time analysis + feedback control + automated actuation . 這類系統能根據樣品即時資訊調整 acquisition settings，在：
resolution；
speed；
phototoxicity；
sample health；
之間動態取捨 [1]。
這代表儀器不再只是：
record everything at fixed policy . \text{record everything at fixed policy}. record everything at fixed policy . 而是：
observe selectively according to what has already been observed . \boxed{
\text{observe selectively according to what has already been observed}.
} observe selectively according to what has already been observed . 這正是 AI-Native Observation 的第一個現實基礎。
4. 「Thinking Microscope」把推理推進儀器閉環
2026 年 npj Computational Materials 的評論提出「thinking microscopes」概念，討論 agentic AI 如何參與：
experiment design；
iterative closed-loop experimentation；
real-time scientific discovery；
並使電子顯微鏡從 passive characterization tool 逐步成為能協助推理與重新設計實驗的系統 [2]。
這個轉變可以寫成：
Instrument : M \text{Instrument}
:
\mathcal{M} Instrument : M 轉成：
Instrument-Agent : ( M , π , H ) . \text{Instrument-Agent}
:
(\mathcal{M},\pi,H). Instrument-Agent : ( M , π , H ) . 即儀器系統同時具有：
measurement operator；
observation policy；
scientific state。
這並不意味儀器「擁有真理」。
而是：
measurement selection becomes computationally intelligent . \boxed{
\text{measurement selection becomes computationally intelligent}.
} measurement selection becomes computationally intelligent . 5. Agentic X-ray Scientist 已開始直接操作大型科學儀器
2026 年 Nature Machine Intelligence 發表的 agentic X-ray scientist 展示 LLM-driven agent 在同步輻射 beamline 上自主進行 X-ray sample alignment，包括：
planning actions；
executing instrument commands；
interpreting observations；
iterating toward experimental goals [3]。
這件事的重要性不只在於：
AI 會用儀器。
真正重要的是：
instrument action ↔ observation ↔ reasoning \boxed{
\text{instrument action}
\leftrightarrow
\text{observation}
\leftrightarrow
\text{reasoning}
} instrument action ↔ observation ↔ reasoning 開始形成閉環。
因此未來大型科研設施的 observation stack 必須記錄的不只是：
X t . X_t. X t . 還要記錄：
π t \pi_t π t 即：
為什麼這一次要量這裡？
6. 觀測選擇本身就是科學證據的一部分
假設 AI 在 1000 1000 1000
x 37 x_{37} x 37 進行高解析度掃描。
最後發現重大異常。
若只保存：
X ( x 37 ) , X(x_{37}), X ( x 37 ) , 卻不知道：
為什麼沒有掃另外 999 999 999
那麼 selection bias 無法重建。
因此 observation event 應該寫成：
E t = ( S t , Π t , a t , X t , U t ) . E_t
=
(
S_t,
\Pi_t,
a_t,
X_t,
U_t
). E t = ( S t , Π t , a t , X t , U t ) . 其中：
S t = pre-observation state , S_t
=
\text{pre-observation state}, S t = pre-observation state , Π t = observation policy , \Pi_t
=
\text{observation policy}, Π t = observation policy , a t = selected acquisition action , a_t
=
\text{selected acquisition action}, a t = selected acquisition action , X t = measurement , X_t
=
\text{measurement}, X t = measurement , U t = uncertainty . U_t
=
\text{uncertainty}. U t = uncertainty . 所以：
what was not measured can matter epistemically . \boxed{
\text{what was not measured can matter epistemically}.
} what was not measured can matter epistemically . 7. AI 原生觀測的核心不是「AI 看圖」
如果只做：
image → classifier , \text{image}
\rightarrow
\text{classifier}, image → classifier , 這仍然只是普通 AI analysis。
AI-Native Observation 至少包括：
Sensing + Calibration + Reconstruction + Fusion + Inference + Selection + Projection + Provenance . \boxed{
\text{Sensing}
+
\text{Calibration}
+
\text{Reconstruction}
+
\text{Fusion}
+
\text{Inference}
+
\text{Selection}
+
\text{Projection}
+
\text{Provenance}.
} Sensing + Calibration + Reconstruction + Fusion + Inference + Selection + Projection + Provenance . 任何一層缺失，都可能讓高階科學解釋難以追查。
8. AI-Native Observation Stack
本文提出八層觀測堆疊：
O = { O 0 , O 1 , … , O 7 } . \mathcal{O}
=
\{
O_0,O_1,\ldots,O_7
\}. O = { O 0 , O 1 , … , O 7 } . 8.1 O 0 O_0 O 0
真實世界狀態：
W ( t ) . W(t). W ( t ) . 這是科學想理解的對象。
但研究者通常無法直接完整取得：
W . W. W . 8.2 O 1 O_1 O 1
包括：
detector counts；
voltage；
current；
photon events；
raw frames；
waveform；
timing pulse；
force signal；
unprocessed spectrum。
表示為：
X r a w . X_{\mathrm{raw}}. X raw . 原則：
X r a w should remain immutable whenever technically feasible . \boxed{
X_{\mathrm{raw}}
\text{ should remain immutable whenever technically feasible}.
} X raw should remain immutable whenever technically feasible . 8.3 O 2 O_2 O 2
原始訊號需要：
C . C. C . 例如：
dark correction；
flat-field；
detector gain；
lens distortion；
coordinate calibration；
energy calibration；
temporal calibration。
因此：
X C = f C ( X r a w ; C ) . X_C
=
f_C(
X_{\mathrm{raw}};
C
). X C = f C ( X raw ; C ) . 8.4 O 3 O_3 O 3
某些儀器無法直接形成研究者所理解的空間。
例如：
CT；
diffraction；
tomography；
phase retrieval；
inverse problems。
因此：
X R = f R ( X C ; θ R ) . X_R
=
f_R(
X_C;
\theta_R
). X R = f R ( X C ; θ R ) . 注意：
X R X_R X R 不是 raw data。
它是：
model-mediated reconstruction . \boxed{
\text{model-mediated reconstruction}.
} model-mediated reconstruction . 8.5 O 4 O_4 O 4
不同 instrument：
X ( 1 ) , X ( 2 ) , … , X ( n ) X^{(1)},
X^{(2)},\ldots,X^{(n)} X ( 1 ) , X ( 2 ) , … , X ( n ) 可能對應：
optical；
SEM；
TEM；
AFM；
spectroscopy；
thermal；
magnetic；
electrical；
acoustic。
需要：
R i j \mathcal{R}_{ij} R ij 進行 coordinate / time alignment。
形成：
X F = F ( X ( 1 ) , … , X ( n ) ) . X_F
=
\mathcal{F}
(
X^{(1)},\ldots,X^{(n)}
). X F = F ( X ( 1 ) , … , X ( n ) ) . 8.6 O 5 O_5 O 5
AI 可以推論：
H = f A I ( X F ) . H
=
f_{\mathrm{AI}}(X_F). H = f AI ( X F ) . 例如：
defect probability；
phase classification；
anomaly；
causal candidate；
next experiment value；
semantic label。
這一層必須清楚標記：
inference ≠ measurement . \boxed{
\text{inference}
\neq
\text{measurement}.
} inference = measurement . 8.7 O 6 O_6 O 6
將大量 scientific state 投影為人類可探索的表示：
R H = g ( X F , H , U , G H ) . R_H
=
g(
X_F,
H,
U,
G_H
). R H = g ( X F , H , U , G H ) . 其中：
G H = human query / scientific task . G_H
=
\text{human query / scientific task}. G H = human query / scientific task . 表示形式可能包括：
3D field；
timeline；
graph；
interactive microscopy；
anomaly overlay；
uncertainty surface；
causal map；
hypothesis comparison。
8.8 O 7 O_7 O 7
人類可以：
drill down；
compare hypotheses；
request raw data；
change projection；
ask counterfactual；
request re-observation；
override observation priority。
因此：
human is not removed from observation; human interaction moves upward in abstraction . \boxed{
\text{human is not removed from observation;
human interaction moves upward in abstraction}.
} human is not removed from observation; human interaction moves upward in abstraction . 9. Epistemic Layer Separation
本文提出：
Epistemic Layer Separation \boxed{
\text{Epistemic Layer Separation}
} Epistemic Layer Separation 即所有 science-facing information 必須標示它位於哪一層。
例如：
Measurement
M . M. M . Reconstruction
R . R. R . Derived Quantity
D . D. D . AI Inference
I . I. I . Hypothesis
H . H. H . Human / AI Projection
P . P. P . 不得將：
I I I 偽裝為：
M . M. M . 這看似簡單，但在生成式 AI 介面中尤其重要。
10. 「AI 看到了」是一句危險的話
假設 AI 說：
我看到這裡有裂縫。
可能實際是：
X r a w → denoise → super-resolution → segmentation → classifier . X_{\mathrm{raw}}
\rightarrow
\text{denoise}
\rightarrow
\text{super-resolution}
\rightarrow
\text{segmentation}
\rightarrow
\text{classifier}. X raw → denoise → super-resolution → segmentation → classifier . 其中任何一步都可能改變表示。
更精確的語言應該是：
在 model M M M P P P 0.93 0.93 0.93
因此系統應優先呈現：
measurement statement \boxed{
\text{measurement statement}
} measurement statement 與：
inference statement \boxed{
\text{inference statement}
} inference statement 的差異。
11. Reversible Scientific Projection
本文提出：
Reversible Scientific Projection \boxed{
\text{Reversible Scientific Projection}
} Reversible Scientific Projection 這裡的 reversible 並不是數學上的完全雙射。
它的意思是：
任何高階視覺化、AI 摘要或科學結論，都必須能沿 provenance path 回到支撐它的較低層資料。
例如：
P h u m a n → H A I → X F → X R → X C → X r a w . P_{\mathrm{human}}
\rightarrow
H_{\mathrm{AI}}
\rightarrow
X_F
\rightarrow
X_R
\rightarrow
X_C
\rightarrow
X_{\mathrm{raw}}. P human → H AI → X F → X R → X C → X raw . 每個箭頭都保留：
transformation；
parameter；
version；
timestamp；
uncertainty。
因此：
projection is compressive but traceable . \boxed{
\text{projection is compressive but traceable}.
} projection is compressive but traceable . 12. Evidence Ladder
本文提出：
Evidence Ladder \boxed{
\text{Evidence Ladder}
} Evidence Ladder 作為使用者介面與科研紀錄共同結構。
例如：
Level 5
材料 A 出現新的局部相變候選。
Level 4
AI hypothesis comparison。
Level 3
multimodal fused field。
Level 2
reconstructed microscopy / spectroscopy。
Level 1
calibrated measurements。
Level 0
raw detector data。
使用者可以：
L 5 → L 4 → ⋯ → L 0 . L_5
\rightarrow
L_4
\rightarrow
\cdots
\rightarrow
L_0. L 5 → L 4 → ⋯ → L 0 . 所以：
abstraction never destroys access to evidence . \boxed{
\text{abstraction never destroys access to evidence}.
} abstraction never destroys access to evidence . 13. Provenance 不是 Metadata 附件，而是觀測本身
2026 年 Nature Computational Science 的評論指出，自主科學可信任的核心不是必須完全看懂模型內部，而是完整、可重新開啟、可 audit、可 correction 的 provenance [4]。
同年的 SDL 綜述更將：
provenance-complete experimentation \boxed{
\text{provenance-complete experimentation}
} provenance-complete experimentation 列為未來 self-driving laboratory 與：
scalability；
generalizability；
並列的核心要求 [5]。
因此 ANCSI-08 採用更強命題：
an observation without provenance is an incomplete observation . \boxed{
\text{an observation without provenance is an incomplete observation}.
} an observation without provenance is an incomplete observation . 14. Observation Provenance Graph
本文提出：
G O = ( V O , E O ) \boxed{
\mathcal{G}_O
=
(V_O,E_O)
} G O = ( V O , E O ) 其中節點包括：
instrument；
raw file；
calibration；
reconstruction；
transformation；
AI model；
inference；
human projection；
observation decision。
例如：
X 0 → C 1 → R 2 → F 3 → I 4 → P 5 . X_0
\rightarrow
C_1
\rightarrow
R_2
\rightarrow
F_3
\rightarrow
I_4
\rightarrow
P_5. X 0 → C 1 → R 2 → F 3 → I 4 → P 5 . 若某結論：
H j H_j H j 由多個來源支持：
X a , X b , X c , X_a,X_b,X_c, X a , X b , X c , 則：
G O \mathcal{G}_O G O 呈現多源關係。
這比單一 linear log 更接近真實科研推理。
15. Provenance Graph 也應記錄「誰要求量」
觀測 provenance 不只包含資料 processing。
還應記錄：
Q t = observation request . Q_t
=
\text{observation request}. Q t = observation request . 來源可能是：
{ human , AI planner , anomaly detector , safety system } . \{
\text{human},
\text{AI planner},
\text{anomaly detector},
\text{safety system}
\}. { human , AI planner , anomaly detector , safety system } . 所以每次 measurement 都回答：
誰／什麼要求取得這筆資料？
這對自主科研尤其重要。
16. 主動觀測是一種有限資源配置
儀器時間有限：
T i n s t r u m e n t < ∞ . T_{\mathrm{instrument}}<\infty. T instrument < ∞. beam time 有限：
T b e a m < ∞ . T_{\mathrm{beam}}<\infty. T beam < ∞. sample damage budget 有限：
D s a m p l e < ∞ . D_{\mathrm{sample}}<\infty. D sample < ∞. 資料量也有限：
B d a t a < ∞ . B_{\mathrm{data}}<\infty. B data < ∞. 所以 AI 必須決定：
a ∗ = argmax a V ( a ) . a^\ast
=
\operatorname*{argmax}_a
V(a). a ∗ = a argmax V ( a ) . 這個：
V ( a ) V(a) V ( a ) 可以是：
information gain；
hypothesis discrimination；
anomaly probability；
scientific priority。
因此觀測本身就是 resource scheduling。
17. Observation Budget
本文提出：
B O = Observation Budget . \boxed{
B_O
=
\text{Observation Budget}.
} B O = Observation Budget . 它可以包含：
B O = ( T , E , D , C , R ) . B_O
=
(
T,
E,
D,
C,
R
). B O = ( T , E , D , C , R ) . 其中：
T = instrument time , T
=
\text{instrument time}, T = instrument time , E = energy , E
=
\text{energy}, E = energy , D = sample damage budget , D
=
\text{sample damage budget}, D = sample damage budget , C = compute / data cost , C
=
\text{compute / data cost}, C = compute / data cost , R = risk . R
=
\text{risk}. R = risk . AI 不能無限地「多看一點」。
因為高解析 measurement 本身可能：
damage sample；
consume beam time；
produce petabytes；
block other experiments。
18. Active Observation Policy
對候選觀測 action：
a i , a_i, a i , 可計算：
V ( a i ) = α I g a i n + β H d i s c r i m i n a t e + γ A n o v e l − λ C o b s . V(a_i)
=
\alpha I_{\mathrm{gain}}
+
\beta H_{\mathrm{discriminate}}
+
\gamma A_{\mathrm{novel}}
-
\lambda C_{\mathrm{obs}}. V ( a i ) = α I gain + β H discriminate + γ A novel − λ C obs . 其中：
I g a i n = expected information gain , I_{\mathrm{gain}}
=
\text{expected information gain}, I gain = expected information gain , H d i s c r i m i n a t e = hypothesis discrimination value , H_{\mathrm{discriminate}}
=
\text{hypothesis discrimination value}, H discriminate = hypothesis discrimination value , A n o v e l = novelty / anomaly value , A_{\mathrm{novel}}
=
\text{novelty / anomaly value}, A novel = novelty / anomaly value , C o b s = observation cost . C_{\mathrm{obs}}
=
\text{observation cost}. C obs = observation cost . 然後：
a ∗ = argmax i V ( a i ) . a^\ast
=
\operatorname*{argmax}_i V(a_i). a ∗ = i argmax V ( a i ) . 這把：
看哪裡？
正式變成科學決策。
19. 觀測策略可能製造 Sampling Bias
如果 AI 只選：
P ( interesting ) ↑ P(\text{interesting})\uparrow P ( interesting ) ↑ 的區域觀察，資料分布會逐漸偏離自然母體。
因此：
p o b s e r v e d ( x ) ≠ p w o r l d ( x ) . p_{\mathrm{observed}}(x)
\neq
p_{\mathrm{world}}(x). p observed ( x ) = p world ( x ) . 所以 active observation 必須保存：
π ( a ∣ S ) . \pi(a|S). π ( a ∣ S ) . 否則後續統計分析可能誤以為：
X o b s e r v e d X_{\mathrm{observed}} X observed 是隨機樣本。
這是 AI-native science 一個非常重要的 epistemic risk。
20. Exploration 與 Exploitation
AI 觀測策略也面臨：
exploration-exploitation tradeoff . \boxed{
\text{exploration-exploitation tradeoff}.
} exploration-exploitation tradeoff . 若只 exploitation：
known interesting region \text{known interesting region} known interesting region 會被重複觀察。
但未知區域可能永遠沒被看見。
若只 exploration：
儀器資源又可能被浪費。
因此：
π ∗ = π ( I g a i n , U , C , G ) . \pi^\ast
=
\pi(
I_{\mathrm{gain}},
U,
C,
G
). π ∗ = π ( I gain , U , C , G ) . 這與 active learning、Bayesian optimization 等方法具有直接連續性。
21. Negative Observation 也是證據
如果 AI 掃描某區域：
X = nothing unusual . X
=
\text{nothing unusual}. X = nothing unusual . 這仍然是：
scientific evidence . \boxed{
\text{scientific evidence}.
} scientific evidence . 尤其如果：
H H H 預測應該存在訊號。
因此 observation system 不應只保存：
AI 找到了什麼。
還要保存：
where it looked and found nothing . \boxed{
\text{where it looked and found nothing}.
} where it looked and found nothing . 2026 年 thinking microscopes 相關評論也特別主張保存與發佈 negative experimental results 對 agentic scientific systems 的發展很重要 [2]。
22. Multi-Modal Scientific Fusion
假設同一 sample 同時有：
X O = optical , X_O
=
\text{optical}, X O = optical , X E = electron microscopy , X_E
=
\text{electron microscopy}, X E = electron microscopy , X A = AFM , X_A
=
\text{AFM}, X A = AFM , X S = spectroscopy , X_S
=
\text{spectroscopy}, X S = spectroscopy , X T = thermal . X_T
=
\text{thermal}. X T = thermal . 人類目前常透過不同軟體手動對照。
AI-native stack 可以先建立：
C s h a r e d \boxed{
\mathcal{C}_{\mathrm{shared}}
} C shared 即 shared coordinate / object space。
然後：
X i → R i C s h a r e d . X_i
\xrightarrow{\mathcal{R}_i}
\mathcal{C}_{\mathrm{shared}}. X i R i C shared . 23. Fusion 不等於把圖疊在一起
真正 multimodal fusion 需要知道：
spatial resolution；
temporal resolution；
field of view；
coordinate uncertainty；
instrument distortion；
measurement semantics。
例如：
1 p i x e l S E M 1\ \mathrm{pixel}_{\mathrm{SEM}} 1 pixel SEM 不等於：
1 p i x e l t h e r m a l . 1\ \mathrm{pixel}_{\mathrm{thermal}}. 1 pixel thermal . 因此每一個 mapping：
R i \mathcal{R}_i R i 需要 uncertainty：
U R i . U_{\mathcal{R}_i}. U R i . 24. Common Scientific Coordinate Layer
本文提出：
C S = Common Scientific Coordinate Layer . \boxed{
\mathcal{C}_{S}
=
\text{Common Scientific Coordinate Layer}.
} C S = Common Scientific Coordinate Layer . 它可能同時包含：
( x , y , z , t , λ , E , B , … ) . (x,y,z,t,\lambda,E,B,\ldots). ( x , y , z , t , λ , E , B , … ) . 不只是普通：
( x , y , z ) . (x,y,z). ( x , y , z ) . 例如：
spatial coordinate；
time；
wavelength；
particle energy；
magnetic field；
sample state。
這讓 AI 能跨儀器問：
同一位置、同一時刻、不同 modality 發生了什麼？
25. Cross-Scale Scientific Field
Machine-native scientific facility 具有：
O m a c r o , O_{\mathrm{macro}}, O macro , O m e s o , O_{\mathrm{meso}}, O meso , O m i c r o . O_{\mathrm{micro}}. O micro . 因此可以建立：
Φ ( x , t , s ) \boxed{
\Phi(
\mathbf{x},
t,
s
)
} Φ ( x , t , s ) 其中：
s = scale . s
=
\text{scale}. s = scale . 例如：
building vibration；
instrument vibration；
nanoscale defect。
AI 可以找：
macro event → micro anomaly \text{macro event}
\rightarrow
\text{micro anomaly} macro event → micro anomaly 的時間相關性。
26. 科研觀測與設施觀測可以合併，但必須保持語意區分
例如：
X f a c i l i t y = pump vibration . X_{\mathrm{facility}}
=
\text{pump vibration}. X facility = pump vibration . 與：
X s c i e n c e = sample diffraction . X_{\mathrm{science}}
=
\text{sample diffraction}. X science = sample diffraction . 兩者都可能進入同一時序資料平台。
但語意上：
facility telemetry ≠ scientific measurement . \boxed{
\text{facility telemetry}
\neq
\text{scientific measurement}.
} facility telemetry = scientific measurement . 否則：
maintenance signal；
experiment evidence；
可能被混為一談。
所以 Evidence Bus 需要 typed data。
27. Typed Observation
每筆 observation：
o i o_i o i 具有：
t y p e ( o i ) ∈ { scientific , calibration , facility , safety , derived , inference } . \mathrm{type}(o_i)
\in
\{
\text{scientific},
\text{calibration},
\text{facility},
\text{safety},
\text{derived},
\text{inference}
\}. type ( o i ) ∈ { scientific , calibration , facility , safety , derived , inference } . 這使 AI 不會把：
AI-estimated temperature \text{AI-estimated temperature} AI-estimated temperature 與：
thermometer reading \text{thermometer reading} thermometer reading 視為同一證據類型。
28. Instrument State 是 Measurement 的一部分
同一 raw signal：
X X X 在不同 instrument state：
S I S_I S I 可能代表不同意思。
因此 observation 應是：
O = ( X , S I ) . O
=
(
X,
S_I
). O = ( X , S I ) . S I S_I S I
lens setting；
gain；
detector temperature；
beam current；
stage position；
calibration version；
firmware；
environmental state。
所以：
data without instrument state may be scientifically incomplete . \boxed{
\text{data without instrument state may be scientifically incomplete}.
} data without instrument state may be scientifically incomplete . 29. Calibration 應該可以被時間追蹤
Calibration：
C ( t ) C(t) C ( t ) 本身可能 drift。
因此 measurement：
X ( t 1 ) X(t_1) X ( t 1 ) 不能自動使用：
C ( t 2 ) C(t_2) C ( t 2 ) 如果：
t 2 ≫ t 1 . t_2\gg t_1. t 2 ≫ t 1 . 所以：
calibration is time-indexed evidence . \boxed{
\text{calibration is time-indexed evidence}.
} calibration is time-indexed evidence . 每筆資料應綁定：
C i d . C_{\mathrm{id}}. C id . 30. Model Version 同樣是科學條件
AI inference：
H = f M v ( X ) . H
=
f_{M_v}(X). H = f M v ( X ) . 若模型：
M v → M v + 1 , M_v
\rightarrow
M_{v+1}, M v → M v + 1 , 相同資料可能得到不同：
H . H. H . 所以 provenance 必須記錄：
M v . M_v. M v . 未來甚至可以重新計算：
H v + 1 = f M v + 1 ( X o l d ) . H_{v+1}
=
f_{M_{v+1}}(X_{\mathrm{old}}). H v + 1 = f M v + 1 ( X old ) . 比較：
Δ H = H v + 1 − H v . \Delta H
=
H_{v+1}-H_v. Δ H = H v + 1 − H v . 這是 AI-native science 的重要能力。
31. 科學結果可以被重新理解，而不需要重新做實驗
如果保存：
X r a w X_{\mathrm{raw}} X raw 與完整 provenance，未來新模型出現時：
M n e w M_{\mathrm{new}} M new 可以重新分析：
X o l d . X_{\mathrm{old}}. X old . 所以：
raw scientific data becomes a long-lived epistemic asset . \boxed{
\text{raw scientific data becomes a long-lived epistemic asset}.
} raw scientific data becomes a long-lived epistemic asset . 若只保存 AI 摘要：
P A I , P_{\mathrm{AI}}, P AI , 未來可能無法回復失去的信息。
32. Scientific Compression 必須可控制
資料量可能巨大：
D r a w ≫ D s t o r a g e . D_{\mathrm{raw}}
\gg
D_{\mathrm{storage}}. D raw ≫ D storage . 因此不可能永遠保存所有 bit。
需要：
scientific compression policy . \boxed{
\text{scientific compression policy}.
} scientific compression policy . 可以分：
Tier 0
不可丟失 raw evidence。
Tier 1
可無損壓縮。
Tier 2
可降採樣，但保留統計性。
Tier 3
只保留 derived product。
但任何 lossy operation：
L L L 必須明確標記：
lossy = 1. \boxed{
\text{lossy}=1.
} lossy = 1. 33. AI 不應偷偷做 Super-Resolution 後假裝是原圖
如果：
X S R = f A I ( X r a w ) , X_{\mathrm{SR}}
=
f_{\mathrm{AI}}(
X_{\mathrm{raw}}
), X SR = f AI ( X raw ) , 則：
X S R X_{\mathrm{SR}} X SR 必須屬於：
O 5 O_5 O 5 或明確 derived layer。
不得標成：
X r a w . X_{\mathrm{raw}}. X raw . 這是非常基本但未來會非常重要的科研資料原則。
34. Uncertainty Surface
任何 scientific projection 都應盡可能同時顯示：
U ( x , t ) . U(\mathbf{x},t). U ( x , t ) . 即：
Uncertainty Surface . \boxed{
\text{Uncertainty Surface}.
} Uncertainty Surface . 例如：
measured confidence；
registration uncertainty；
reconstruction uncertainty；
model uncertainty；
missing-data uncertainty。
人類看到的不是只有：
這裡是紅色。
而是：
這裡的 phase-transition probability 高，但 registration uncertainty 也高。
這能避免 AI projection 過度確定化。
35. 不確定性也有來源
可分：
U = { U M , U C , U R , U A , U E } . U
=
\{
U_M,
U_C,
U_R,
U_A,
U_E
\}. U = { U M , U C , U R , U A , U E } . 其中：
U M = measurement uncertainty , U_M
=
\text{measurement uncertainty}, U M = measurement uncertainty , U C = calibration uncertainty , U_C
=
\text{calibration uncertainty}, U C = calibration uncertainty , U R = reconstruction uncertainty , U_R
=
\text{reconstruction uncertainty}, U R = reconstruction uncertainty , U A = AI model uncertainty , U_A
=
\text{AI model uncertainty}, U A = AI model uncertainty , U E = epistemic uncertainty . U_E
=
\text{epistemic uncertainty}. U E = epistemic uncertainty . 這些 uncertainty 不能全部壓成一個：
0.87. 0.87. 0.87. 36. Confidence Layer 不等於 Truth Layer
即使：
P ( H ∣ X ) = 0.99 , P(H|X)=0.99, P ( H ∣ X ) = 0.99 , 也只表示：
在此模型與假設下的 posterior。
不是：
H = true . H=\text{true}. H = true . 所以 projection UI 應把：
confidence \boxed{
\text{confidence}
} confidence 與：
evidence type \boxed{
\text{evidence type}
} evidence type 同時呈現。
37. Scientific Drill-Down
本文提出：
Scientific Drill-Down . \boxed{
\text{Scientific Drill-Down}.
} Scientific Drill-Down . 當人類看到：
Zone X 發現 anomalous lattice feature。
可以一路點進：
anomaly summary；
competing interpretations；
fused multimodal view；
individual instrument result；
reconstruction parameters；
calibration；
raw frame；
observation-selection reason。
這使高層 AI 介面不犧牲底層可驗證性。
38. Drill-Down 也應該能跨時間
例如：
這個 defect 什麼時候第一次出現？
系統可以回放：
t 0 < t 1 < ⋯ < t n . t_0<t_1<\cdots<t_n. t 0 < t 1 < ⋯ < t n . 顯示：
X ( t ) , X(t), X ( t ) , H ( t ) , H(t), H ( t ) , U ( t ) . U(t). U ( t ) . 甚至指出：
t 3 t_3 t 3
這對發現模型 blind spot 很重要。
39. Counterfactual Re-Observation
本文提出：
Counterfactual Re-Observation . \boxed{
\text{Counterfactual Re-Observation}.
} Counterfactual Re-Observation . 當 AI 發現：
如果當時再量另一個 wavelength，可能可以區分兩個 hypothesis。
它可以計算：
a m i s s i n g . a_{\mathrm{missing}}. a missing . 若 sample 仍存在：
re-observe . \text{re-observe}. re-observe . 若 sample 已消耗：
則記錄：
epistemic missing branch . \boxed{
\text{epistemic missing branch}.
} epistemic missing branch . 這讓研究設計能顯式表示：
我們本來還可以知道什麼，但沒有量到。
40. Observation Debt
類似 technical debt，可以定義：
D O = Observation Debt . \boxed{
D_O
=
\text{Observation Debt}.
} D O = Observation Debt . 當某結論：
H H H 高度依賴 inference，但缺少足夠 direct measurement 時：
D O ↑ . D_O\uparrow. D O ↑ . 未來系統可排程：
debt-reducing experiments . \text{debt-reducing experiments}. debt-reducing experiments . 例如：
目前材料分類 confidence 很高，但只有 optical + model inference，缺少 spectroscopy confirmation。
41. Scientific Projection 不應固定只有一種
同一 evidence：
E E E 可以產生不同：
P H ( 1 ) , P H ( 2 ) , P H ( 3 ) . P_H^{(1)},
P_H^{(2)},
P_H^{(3)}. P H ( 1 ) , P H ( 2 ) , P H ( 3 ) . 例如：
spatial；
temporal；
causal；
uncertainty；
hypothesis-centric。
因此：
projection is task-dependent . \boxed{
\text{projection is task-dependent}.
} projection is task-dependent . 不是一個萬能 dashboard。
42. 人類問題可以重新編譯觀測世界
例如人類問：
哪裡最可能發生了 phase transition？
系統產生：
P 1 . P_1. P 1 . 再問：
不看 AI 結論，只給我原始 evidence 最強的區域。
產生：
P 2 . P_2. P 2 . 再問：
顯示兩個模型意見最不一致的地方。
產生：
P 3 . P_3. P 3 . 所以：
human query → scientific projection . \boxed{
\text{human query}
\rightarrow
\text{scientific projection}.
} human query → scientific projection . 43. AI Projection 可以是 3D，但不必追求擬真
科學投影的目的不是：
look realistic . \text{look realistic}. look realistic . 而是：
preserve scientifically relevant structure . \boxed{
\text{preserve scientifically relevant structure}.
} preserve scientifically relevant structure . 有時最好的 projection 可能是：
graph；
manifold；
tensor field；
phase space；
topology；
timeline。
所以「AI 投影」不等於 VR 世界。
它是一個 general scientific representation layer。
44. Human Perceptual Bandwidth 是瓶頸
假設 facility 每秒產生：
10 12 10^{12} 1 0 12 measurement values。
人類不可能直接閱讀。
因此需要：
attention compression . \boxed{
\text{attention compression}.
} attention compression . AI 必須將：
D m a c h i n e D_{\mathrm{machine}} D machine 壓成：
D h u m a n D_{\mathrm{human}} D human 但：
D h u m a n ≪ D m a c h i n e . D_{\mathrm{human}}
\ll
D_{\mathrm{machine}}. D human ≪ D machine . 這個壓縮必然會丟資訊。
所以 provenance 與 drill-down 是必要補償機制。
45. Attention Routing
AI-native observation 可以管理：
human attention routing . \boxed{
\text{human attention routing}.
} human attention routing . 事件：
e i e_i e i 具有：
V i = f ( novelty , risk , scientific value , uncertainty ) . V_i
=
f(
\text{novelty},
\text{risk},
\text{scientific value},
\text{uncertainty}
). V i = f ( novelty , risk , scientific value , uncertainty ) . 只有：
V i > V min V_i>V_{\min} V i > V m i n 才主動打擾人類。
其餘結果：
archive；
batch summarize；
keep for future query。
這避免研究者被 autonomous facility 的 continuous stream 淹沒。
46. 但 Attention Routing 可能成為認識論瓶頸
如果 AI 決定：
什麼值得給人看，
AI 也可能把真正重要但自己不理解的異常過濾掉。
因此需要：
anti-filter-bubble mechanisms . \boxed{
\text{anti-filter-bubble mechanisms}.
} anti-filter-bubble mechanisms . 例如：
random sample review；
novelty review；
model-disagreement review；
raw-stream audit；
human-selected blind region。
這使人類仍能看到 AI 不認為重要的世界。
47. Serendipity Budget
本文提出：
B S = Serendipity Budget . \boxed{
B_S
=
\text{Serendipity Budget}.
} B S = Serendipity Budget . 保留一部分 instrument time：
ϵ T \epsilon T ϵ T 不完全依現有 hypothesis 最大化。
例如：
ϵ ∈ [ 0 , 1 ] . \epsilon
\in
[0,1]. ϵ ∈ [ 0 , 1 ] . 用途：
random exploration；
unusual parameter；
weakly motivated region；
alternate representation。
這是對 AI exploitation bias 的保護。
48. 多 AI 觀測者
不同 AI 可以有不同：
π i . \pi_i. π i . 例如：
AI-A
maximize information gain。
AI-B
search anomaly。
AI-C
challenge current hypothesis。
AI-D
protect sample。
因此：
observation policy diversity \boxed{
\text{observation policy diversity}
} observation policy diversity 可能降低單一路徑盲點。
但多 AI 一致不等於事實，這與 ANCSI-06 相同。
49. Observer Diversity
除了多 AI，也可以使用不同：
sensor modality；
instrument；
resolution；
physical principle。
若：
H H H 同時被：
X o p t i c a l , X s p e c t r a l , X s t r u c t u r a l X_{\mathrm{optical}},
X_{\mathrm{spectral}},
X_{\mathrm{structural}} X optical , X spectral , X structural 支持，其證據結構不同於單一模型看三次同一張圖。
因此：
modality diversity > mere model multiplicity \boxed{
\text{modality diversity}
>
\text{mere model multiplicity}
} modality diversity > mere model multiplicity 在很多科研情況下更重要。
50. Cross-Instrument Contradiction 是高價值訊號
如果：
H S E M ≠ H A F M , H_{\mathrm{SEM}}
\neq
H_{\mathrm{AFM}}, H SEM = H AFM , 這不是一定要立刻融合成一個答案。
反而可能表示：
scientific contradiction . \boxed{
\text{scientific contradiction}.
} scientific contradiction . 系統應保留：
Δ H . \Delta H. Δ H . 再選下一個 discriminating experiment。
不要讓 fusion model 自動把矛盾抹平。
51. Contradiction Map
本文提出：
C ( x , t ) = Contradiction Map . \boxed{
C(\mathbf{x},t)
=
\text{Contradiction Map}.
} C ( x , t ) = Contradiction Map . 顯示：
instruments disagree；
models disagree；
repeated measurements disagree；
calibration states disagree。
這些地方可能比「大家都同意」的地方更具有研究價值。
52. 科學投影應支援「只看分歧」
人類可以問：
把所有模型高度一致的區域隱藏，只顯示分歧。
這時：
P H = g ( C ( x , t ) ) . P_H
=
g(
C(\mathbf{x},t)
). P H = g ( C ( x , t )) . 這是一種非常適合 AI-native research 的 interface。
53. Projection 不應隱藏 Missing Data
如果某區域沒有測量：
X = ∅ , X=\varnothing, X = ∅ , AI 不應用 plausible completion 填滿後不標示。
必須顯示：
unobserved . \boxed{
\text{unobserved}.
} unobserved . 即使 AI 可以生成預測：
X ^ , \hat X, X ^ , 也要明確：
X ^ ≠ X . \hat X\neq X. X ^ = X . 54. Missingness 本身可能不是隨機的
因為 AI 主動選觀測，missing pattern：
M ( x ) M(\mathbf{x}) M ( x ) 依賴：
π . \pi. π . 所以：
P ( M ∣ X ) ≠ P ( M ) . P(M|X)\neq P(M). P ( M ∣ X ) = P ( M ) . 分析時必須知道：
why data is missing . \boxed{
\text{why data is missing}.
} why data is missing . 這再次證明 observation policy 必須進 provenance。
55. 科研資料的時間同步
跨模態系統中：
t i t_i t i 非常重要。
如果：
X A ( t ) X_A(t) X A ( t ) 與：
X B ( t + Δ t ) X_B(t+\Delta t) X B ( t + Δ t ) 被錯認為同時，就可能推導錯誤因果。
所以需要：
Common Scientific Time Layer . \boxed{
\text{Common Scientific Time Layer}.
} Common Scientific Time Layer . 包含：
hardware timestamp；
clock sync；
latency；
uncertainty。
即：
t ± δ t . t
\pm
\delta t. t ± δ t . 56. Spatial Registration 也需要誤差
例如：
x S E M \mathbf{x}_{SEM} x S E M 轉換到：
x A F M \mathbf{x}_{AFM} x A F M 的 mapping：
x A F M = R ( x S E M ) \mathbf{x}_{AFM}
=
R(
\mathbf{x}_{SEM}
) x A F M = R ( x S E M ) 具有：
Σ R . \Sigma_R. Σ R . 所以 fused point 不是一個精確位置。
而是：
x ± Σ . \boxed{
\mathbf{x}\pm\Sigma.
} x ± Σ. 這類 uncertainty 必須在 AI projection 中保留。
57. Data Lineage 與 Scientific Lineage 不相同
Data lineage 問：
這個檔案從哪個檔案來？
Scientific lineage 問：
這個結論依賴哪些量測、哪些假設、哪些模型與哪些選擇？
因此本文提出：
Scientific Lineage \boxed{
\text{Scientific Lineage}
} Scientific Lineage 其 graph 同時包含：
data；
transformation；
hypothesis；
observation decision；
experiment action。
58. Hypothesis Provenance
假設：
H 3 H_3 H 3 由：
H 1 , H 2 , X 5 H_1,H_2,X_5 H 1 , H 2 , X 5 產生。
應記錄：
H 3 ← { H 1 , H 2 , X 5 } . H_3
\leftarrow
\{
H_1,H_2,X_5
\}. H 3 ← { H 1 , H 2 , X 5 } . 如果後來：
X 5 X_5 X 5 被發現 calibration error：
C 5 = invalid , C_5=\text{invalid}, C 5 = invalid , 則系統可找出：
all downstream claims depending on X 5 . \boxed{
\text{all downstream claims depending on }X_5.
} all downstream claims depending on X 5 . 這是 autonomous science 非常強大的 correction mechanism。
59. Provenance 可以讓科學「可修正」而不只是可審計
Nature Computational Science 2026 的評論強調 provenance 讓 autonomous scientific work 可以被 audit、re-open 並在錯誤時修正 [4]。
因此 provenance 不只是：
accountability . \text{accountability}. accountability . 它還是：
scientific error propagation control . \boxed{
\text{scientific error propagation control}.
} scientific error propagation control . 這點非常重要。
60. Invalidating an Upstream Node
若：
v i = invalid , v_i=\text{invalid}, v i = invalid , 則 provenance graph 可以計算：
D ( v i ) = descendants of v i . D(v_i)
=
\text{descendants of }v_i. D ( v i ) = descendants of v i . 所有：
v j ∈ D ( v i ) v_j\in D(v_i) v j ∈ D ( v i ) 進入：
needs reevaluation . \text{needs reevaluation}. needs reevaluation . 這比人工找出「哪篇報告用了錯資料」強很多。
61. Scientific Rollback
本文提出：
Scientific Rollback . \boxed{
\text{Scientific Rollback}.
} Scientific Rollback . 若某 calibration version：
C 7 C_7 C 7 被撤銷，可以重新從：
C 6 C_6 C 6 或：
C 8 C_8 C 8 計算 downstream results。
但：
historical record \text{historical record} historical record 不被刪除。
所以 rollback 是：
new valid branch , \text{new valid branch}, new valid branch , 不是改寫歷史。
62. Branching Scientific Interpretation
同一 raw evidence：
X X X 可以有：
H A , H B . H_A,
H_B. H A , H B . 系統不必強迫立即收斂。
可以保存：
interpretation branches . \boxed{
\text{interpretation branches}.
} interpretation branches . 每個 branch 有自己的：
model；
assumptions；
evidence support；
predictions。
然後主動找：
a ∗ a^\ast a ∗ 區分兩者。
63. AI-Native Observation 可以把「下一個最有價值實驗」直接連到證據圖
若兩個 hypothesis：
H A , H B H_A,H_B H A , H B 對 action a a a
p ( X ∣ H A , a ) p(X|H_A,a) p ( X ∣ H A , a ) 與：
p ( X ∣ H B , a ) p(X|H_B,a) p ( X ∣ H B , a ) 差異很大，
則：
a a a 具有高 discriminative value。
所以：
provenance graph → active experiment design . \boxed{
\text{provenance graph}
\rightarrow
\text{active experiment design}.
} provenance graph → active experiment design . 觀測與推理真正形成閉環。
64. 但 AI 不應只優化自己最容易判斷的實驗
如果模型對某 modality：
M 1 M_1 M 1 特別強，可能偏向一直選：
M 1 . M_1. M 1 . 但真相可能需要：
M 2 . M_2. M 2 . 因此 objective 應加入：
modality coverage . \boxed{
\text{modality coverage}.
} modality coverage . 避免：
model convenience \text{model convenience} model convenience 被誤當：
scientific value . \boxed{
\text{scientific value}.
} scientific value . 65. Human Challenge Mode
人類應可啟動：
Challenge Mode . \boxed{
\text{Challenge Mode}.
} Challenge Mode . 例如：
假設 AI 的主要 hypothesis 是錯的，重新選一組最有價值的 measurement。
或者：
禁止使用目前 classification model，重新分析 raw evidence。
這讓 human skepticism 成為正式工具。
66. AI Challenge Mode
反過來 AI 也可以：
目前人類研究者偏好 hypothesis A，但 evidence 對 B 仍有支持。
並建議：
a c h a l l e n g e . a_{\mathrm{challenge}}. a challenge . 所以：
human-AI science \boxed{
\text{human-AI science}
} human-AI science 不應只有 AI 服從人類既定 interpretation。
而是共同接受 evidence 約束。
67. Observation Interface 不應只有答案
好的介面至少同時呈現：
{ claim , evidence , uncertainty , alternatives , missing evidence } . \{
\text{claim},
\text{evidence},
\text{uncertainty},
\text{alternatives},
\text{missing evidence}
\}. { claim , evidence , uncertainty , alternatives , missing evidence } . 例如：
Candidate transition detected
Support:
STEM: strong
spectroscopy: moderate
thermal: weak
Uncertainty:
registration ± 14 nm
Competing explanation:
local contamination
Best next measurement:
repeat spectroscopy at region B
這比：
AI says transition detected.
有科學價值得多。
68. Scientific Projection 是研究工作空間，不是報告生成器
AI-native projection 應讓人：
move；
compare；
branch；
zoom；
rewind；
request evidence；
launch re-observation。
所以：
projection = interactive epistemic workspace . \boxed{
\text{projection}
=
\text{interactive epistemic workspace}.
} projection = interactive epistemic workspace . 不是靜態 summary PDF。
69. 人類不再需要知道每台儀器軟體怎麼操作
若：
I 1 , I 2 , … , I n I_1,I_2,\ldots,I_n I 1 , I 2 , … , I n 都有不同 proprietary UI，
AI 可以提供：
Scientific Intent Interface . \boxed{
\text{Scientific Intent Interface}.
} Scientific Intent Interface . 人類說：
把這個 defect 和之前三批材料的譜線變化對齊。
系統自己：
找資料；
取 coordinate；
選 transformation；
建 projection；
標 provenance。
這會把人的負擔從：
software manipulation \text{software manipulation} software manipulation 轉向：
scientific question . \text{scientific question}. scientific question . 70. 但儀器原生介面仍需保留
若高階 AI interface 故障：
I A I = 0 , I_{\mathrm{AI}}=0, I AI = 0 , 專家仍需能進：
instrument-native mode . \boxed{
\text{instrument-native mode}.
} instrument-native mode . 用於：
calibration；
debugging；
certification；
model validation。
所以 AI interface 是：
higher abstraction , \text{higher abstraction}, higher abstraction , 不是刪除低層接口。
71. 人類對 raw data 的權利不應被 AI 層封鎖
本文提出一條科研治理原則：
authorized human investigators retain drill-down access to raw evidence . \boxed{
\text{authorized human investigators retain drill-down access to raw evidence}.
} authorized human investigators retain drill-down access to raw evidence . 可能受：
privacy；
safety；
national-security；
proprietary；
限制。
但限制來源應清楚標示。
不能只是：
AI 系統不提供。
72. 科研投影也可以服務機器，而不只人
Robot 可以使用：
R M = machine projection . R_M
=
\text{machine projection}. R M = machine projection . 例如：
collision field；
thermal hazard；
manipulation affordance；
sample map。
所以同一 evidence graph 可以產生：
P H P_H P H 給人，
與：
P M P_M P M 給機器。
這是：
multi-audience scientific representation . \boxed{
\text{multi-audience scientific representation}.
} multi-audience scientific representation . 73. 同一真實世界可以有不同 Interface Projection，但不能有不同 Evidence History
可以：
P H ≠ P M . P_H\neq P_M. P H = P M . 但：
E h i s t o r y E_{\mathrm{history}} E history 應共享。
因此：
representation may differ; provenance must converge . \boxed{
\text{representation may differ;
provenance must converge}.
} representation may differ; provenance must converge . 74. Safety Observation 與 Scientific Observation 必須互相可見但不可混淆
例如：
O 2 O_2 O 2 偵測 sample anomaly，
同時 safety system 偵測：
T > T max . T>T_{\max}. T > T m a x . Scientific AI 可能想繼續量：
Δ t = 5 s . \Delta t=5s. Δ t = 5 s . Safety layer 仍可以：
abort . \boxed{
\text{abort}.
} abort . 所以 ANCSI-06 的 authority architecture 對 observation 仍然成立。
75. Scientific Importance 不能覆寫 Safety
即使：
I g a i n → ∞ , I_{\mathrm{gain}}\rightarrow\infty, I gain → ∞ , 若：
a ∉ A s a f e , a\notin
\mathcal{A}_{\mathrm{safe}}, a ∈ / A safe , 則：
a a a 不可執行。
因此：
epistemic value ≯ hard safety constraints . \boxed{
\text{epistemic value}
\not>
\text{hard safety constraints}.
} epistemic value > hard safety constraints . 76. Observation Latency 也是系統參數
對快速現象：
τ p h e n o m e n o n \tau_{\mathrm{phenomenon}} τ phenomenon 如果：
τ a n a l y s i s > τ p h e n o m e n o n , \tau_{\mathrm{analysis}}
>
\tau_{\mathrm{phenomenon}}, τ analysis > τ phenomenon , AI closed loop 沒有意義。
所以 smart observation 需要：
edge analysis . \boxed{
\text{edge analysis}.
} edge analysis . 把部分 AI 推理靠近 instrument。
這也是 ANCSI 中 local AI 的另一種形式。
77. Hierarchical Observation Compute
可以分：
L 0 = instrument FPGA / real-time control , L_0
=
\text{instrument FPGA / real-time control}, L 0 = instrument FPGA / real-time control , L 1 = edge inference , L_1
=
\text{edge inference}, L 1 = edge inference , L 2 = site AI , L_2
=
\text{site AI}, L 2 = site AI , L 3 = cloud scientific reasoning . L_3
=
\text{cloud scientific reasoning}. L 3 = cloud scientific reasoning . 快速 decision：
τ ↓ \tau\downarrow τ ↓ 越靠近：
L 0 , L 1 . L_0,L_1. L 0 , L 1 . 複雜 scientific synthesis：
τ ↑ \tau\uparrow τ ↑ 可以在：
L 2 , L 3 . L_2,L_3. L 2 , L 3 . 這與 ANCSI-06 的時間尺度—權限對齊完全一致。
78. Observation Compute 本身也可能影響實驗
如果 real-time AI 需要：
P A I P_{\mathrm{AI}} P AI 大量算力，
可能產生：
heat；
latency；
network congestion。
因此觀測 architecture 也需要：
compute-aware sensing . \boxed{
\text{compute-aware sensing}.
} compute-aware sensing . 不是把所有 raw data 無條件送雲端。
79. Edge Filtering 也可能丟失科學資訊
如果 instrument edge AI 在資料離開儀器前就決定：
X d i s c a r d , X_{\mathrm{discard}}, X discard , 之後可能永遠無法恢復。
所以 edge filtering policy：
F e F_e F e 本身需要 provenance。
尤其：
discard decision \boxed{
\text{discard decision}
} discard decision 是重要科學事件。
80. Deferred Raw Retention
可以採：
temporary raw buffer . \boxed{
\text{temporary raw buffer}.
} temporary raw buffer . 例如 raw data 先保留：
τ B . \tau_B. τ B . AI 初步分析後，如果發現：
V s c i e n t i f i c ↑ , V_{\mathrm{scientific}}\uparrow, V scientific ↑ , 延長保存。
若無價值，再根據 policy 壓縮／刪除。
這比 acquisition 當下立即丟失更安全。
81. Data Temperature
資料本身也可以有：
retention temperature . \boxed{
\text{retention temperature}.
} retention temperature . 不是物理溫度。
而是：
Hot Data
剛取得、可能需要重新分析。
Warm Data
已初步驗證。
Cold Archive
長期保存。
Derived-Only
raw 依 policy 已無法保留。
這是一個 storage-tier abstraction。
82. Scientific Evidence Priority
對資料 d i d_i d i
P i = f ( irreproducibility , cost , novelty , uniqueness , downstream dependency ) . P_i
=
f(
\text{irreproducibility},
\text{cost},
\text{novelty},
\text{uniqueness},
\text{downstream dependency}
). P i = f ( irreproducibility , cost , novelty , uniqueness , downstream dependency ) . 例如一次性 rare event：
P i ↑ . P_i\uparrow. P i ↑ . 容易重做的 routine calibration：
P i ↓ . P_i\downarrow. P i ↓ . 所以 storage policy 應基於 scientific value，而不只檔案大小。
83. Irreproducible Events 應最高優先保存
如果：
P ( repeat event ) ≈ 0 , P(\text{repeat event})\approx0, P ( repeat event ) ≈ 0 , 則：
raw retention priority ↑ . \boxed{
\text{raw retention priority}\uparrow.
} raw retention priority ↑ . 例如：
destructive experiment；
astronomical transient；
rare failure；
unique material event。
AI-native system 應能即時辨識此類事件並升級 storage policy。
84. 科學觀測也應能被 Audit
Audit 問題包括：
AI 為什麼選這個 region？
哪些資料被 discard？
哪一版 calibration？
哪一版 model？
哪一個 reconstruction？
哪些 uncertainty 被忽略？
人類修改了什麼？
因此：
observation itself is auditable computation . \boxed{
\text{observation itself is auditable computation}.
} observation itself is auditable computation . 85. Reproducibility 與 Repeatability
AI-native science 要區分：
repeatability \text{repeatability} repeatability 與：
reproducibility . \text{reproducibility}. reproducibility . Repeatability：
同一 setup 重跑是否得到相似結果？
Reproducibility：
另一系統使用完整方法與資料是否能重新得到主要結論？
Observation provenance 同時支援兩者。
86. Observation Replay
如果所有 actuator、instrument settings 與 measurement 都被保存，可以建立：
Observation Replay . \boxed{
\text{Observation Replay}.
} Observation Replay . 對 digital twin 或 simulation：
S 0 → a 1 → X 1 → a 2 → X 2 → ⋯ . S_0
\rightarrow
a_1
\rightarrow
X_1
\rightarrow
a_2
\rightarrow
X_2
\rightarrow\cdots. S 0 → a 1 → X 1 → a 2 → X 2 → ⋯ . 這能檢查：
AI 當時的決策是否合理？
但 replay simulation 仍不能取代真實 repeat experiment。
87. 科學投影也需要版本控制
若：
P ( 1 ) P^{(1)} P ( 1 ) 與：
P ( 2 ) P^{(2)} P ( 2 ) 使用不同 model / transform，
系統應保存：
Δ P . \Delta P. Δ P . 人類可以問：
為什麼新版 projection 不再顯示那個 anomaly？
系統回：
model changed；
calibration corrected；
registration shifted；
threshold changed。
這就是：
versioned epistemic interface . \boxed{
\text{versioned epistemic interface}.
} versioned epistemic interface . 88. AI 生成文字也只是 Projection Layer
LLM 摘要：
本次實驗顯示 A 優於 B。
這只是：
P t e x t . P_{\mathrm{text}}. P text . 不能自動提升為：
scientific fact . \text{scientific fact}. scientific fact . 它必須連：
P t e x t → H → E . P_{\mathrm{text}}
\rightarrow
H
\rightarrow
E. P text → H → E . 所以在 ANCSI 中，文字生成和 3D 投影一樣，都只是 scientific projection。
89. 科研對話應該能引用 Evidence Node
未來人類可以問 AI：
為什麼你認為這裡有 phase transition？
AI 回答不只文字。
而提供：
{ v 17 , v 21 , v 43 } \{v_{17},v_{21},v_{43}\} { v 17 , v 21 , v 43 } 即 provenance graph 的 evidence nodes。
這是：
evidence-addressable scientific conversation . \boxed{
\text{evidence-addressable scientific conversation}.
} evidence-addressable scientific conversation . 90. Citation 不應只指向論文，也應指向實驗內部證據
未來 autonomous facility 的 citation 可以同時包含：
literature citation；
experiment ID；
sample ID；
raw data node；
calibration node；
model node；
observation event。
因此：
scientific citation expands into executable provenance . \boxed{
\text{scientific citation expands into executable provenance}.
} scientific citation expands into executable provenance . 91. 可證偽命題
H1 — Reversible Projection Hypothesis
如果 AI scientific projection 保留完整 drill-down path：
P → E , P
\rightarrow
E, P → E , 則人類研究者可以在較低 cognitive load 下取得高層理解，而不顯著降低 auditability。
H2 — Active Observation Hypothesis
對 instrument-time constrained experiment，AI active observation：
π a c t i v e \pi_{\mathrm{active}} π active 可在相同 observation budget 下取得高於固定 scanning policy 的：
I g a i n . I_{\mathrm{gain}}. I gain . H3 — Observation-Provenance Hypothesis
將 observation policy、instrument state、calibration 與 model version 納入 provenance，可降低 autonomous experimentation 中不可重建的 scientific claim 比例。
H4 — Multimodal Projection Hypothesis
對需要多種儀器共同判斷的科研問題：
registered multimodal projection \text{registered multimodal projection} registered multimodal projection 可降低 human analysis time，同時保持 evidence traceability。
H5 — Uncertainty-Surface Hypothesis
在人機科研判斷中，顯式顯示：
U ( x , t ) U(\mathbf{x},t) U ( x , t ) 可降低對 AI inference 的過度確信。
H6 — Contradiction-Preservation Hypothesis
保留 cross-model / cross-instrument contradiction，而不是強制融合為單一答案，可增加後續 discriminating experiment 的 scientific value。
H7 — Serendipity-Budget Hypothesis
對高度 exploitation-oriented active-observation system，保留：
ϵ > 0 \epsilon>0 ϵ > 0 的 exploration / serendipity budget，可降低長期 blind spot。
H8 — Scientific Drill-Down Hypothesis
如果 high-level AI claim 可在有限步驟內回到：
X r a w , X_{\mathrm{raw}}, X raw , 研究者對 autonomous result 的 correction capability 高於只有 summary output 的系統。
92. 反例與失敗條件
92.1 Raw Data 無法實際保存
若：
D r a w D_{\mathrm{raw}} D raw 遠超 storage capability，完整 reversible projection 可能無法成立。
此時必須明確定義 retention policy。
92.2 Reconstruction 不唯一
若 inverse problem 存在：
X R ( 1 ) ≠ X R ( 2 ) X_R^{(1)}
\neq
X_R^{(2)} X R ( 1 ) = X R ( 2 ) 但兩者都符合 raw signal，
projection 必須保留多解。
92.3 Multimodal Registration 誤差過大
如果：
U R U_R U R 大到超過科學特徵尺度，fusion 沒有意義。
92.4 AI Observation Policy 過度偏置
如果：
π \pi π 長期只看自己容易判斷的區域，scientific discovery 可能變窄。
92.5 Human Interface 過度壓縮
如果 projection 丟失：
critical anomaly , \text{critical anomaly}, critical anomaly , 則高層介面反而危險。
92.6 Model Confidence 未校準
若：
p A I p_{\mathrm{AI}} p AI 沒有 calibration，uncertainty surface 可能製造假精確。
92.7 Provenance 成本過高
如果每個事件保存所有 state：
C p r o v e n a n c e C_{\mathrm{provenance}} C provenance 可能不可接受。
需要分層與壓縮。
93. 第一代原型：單儀器 Reversible Stack
先不要做 multi-instrument。
建立：
Microscope → Raw → Calibration → Reconstruction → AI → Projection . \text{Microscope}
\rightarrow
\text{Raw}
\rightarrow
\text{Calibration}
\rightarrow
\text{Reconstruction}
\rightarrow
\text{AI}
\rightarrow
\text{Projection}. Microscope → Raw → Calibration → Reconstruction → AI → Projection . 要求每個 high-level label：
L i L_i L i 都能回到：
X r a w . X_{\mathrm{raw}}. X raw . 測量：
τ d r i l l − d o w n , \tau_{\mathrm{drill-down}}, τ drill − down , C s t o r a g e , C_{\mathrm{storage}}, C storage , R r e c o n s t r u c t i o n . R_{\mathrm{reconstruction}}. R reconstruction . 94. 第二代：Active Observation
加入：
π a c t i v e . \pi_{\mathrm{active}}. π active . 比較：
Baseline
fixed scan。
AI Policy
adaptive scan。
控制：
B O B_O B O 相同。
比較：
I g a i n , I_{\mathrm{gain}}, I gain , D s a m p l e , D_{\mathrm{sample}}, D sample , T i n s t r u m e n t . T_{\mathrm{instrument}}. T instrument . 95. 第三代：Multi-Modal Fusion
加入：
I 1 , I 2 , I 3 . I_1,I_2,I_3. I 1 , I 2 , I 3 . 建立：
C S . \mathcal{C}_S. C S . 要求：
coordinate uncertainty；
time uncertainty；
calibration lineage。
測試：
human scientific task time \text{human scientific task time} human scientific task time 是否下降。
96. 第四代：Multi-AI Observation
建立：
π A , π B , π C . \pi_A,\pi_B,\pi_C. π A , π B , π C . 分別：
exploit；
challenge；
novelty search。
觀察：
coverage , \text{coverage}, coverage , contradiction , \text{contradiction}, contradiction , novel discovery . \text{novel discovery}. novel discovery . 97. 第五代：Facility-Scale Observation
把：
O f a c i l i t y O_{\mathrm{facility}} O facility 與：
O s c i e n c e O_{\mathrm{science}} O science 接到共同時間層。
測試：
能否找到 environmental state 與 scientific anomaly 的跨尺度關係？
這才真正接回：
Machine-Native Scientific Habitat . \boxed{
\text{Machine-Native Scientific Habitat}.
} Machine-Native Scientific Habitat . 98. 評估指標
98.1 Provenance Completeness
P C = N c l a i m s w i t h c o m p l e t e e v i d e n c e p a t h N c l a i m s . P_C
=
\frac{N_{\mathrm{claims\ with\ complete\ evidence\ path}}}
{N_{\mathrm{claims}}}. P C = N claims N claims with complete evidence path . 98.2 Raw Recoverability
R R = N h i g h − l e v e l r e s u l t s d r i l l a b l e t o r a w N h i g h − l e v e l r e s u l t s . R_R
=
\frac{N_{\mathrm{high-level\ results\ drillable\ to\ raw}}}
{N_{\mathrm{high-level\ results}}}. R R = N high − level results N high − level results drillable to raw . 98.3 Observation Efficiency
η O = I g a i n B O . \eta_O
=
\frac{I_{\mathrm{gain}}}
{B_O}. η O = B O I gain . 98.4 Scientific Compression Ratio
C S = D r a w D h u m a n − f a c i n g . C_S
=
\frac{D_{\mathrm{raw}}}
{D_{\mathrm{human-facing}}}. C S = D human − facing D raw . 但：
C S C_S C S 越高不一定越好。
98.5 Contradiction Retention
R C = N m e a n i n g f u l c o n t r a d i c t i o n s p r e s e r v e d N d e t e c t e d c o n t r a d i c t i o n s . R_C
=
\frac{N_{\mathrm{meaningful\ contradictions\ preserved}}}
{N_{\mathrm{detected\ contradictions}}}. R C = N detected contradictions N meaningful contradictions preserved . 98.6 Missingness Transparency
M T = N u n o b s e r v e d r e g i o n s e x p l i c i t l y m a r k e d N u n o b s e r v e d r e g i o n s . M_T
=
\frac{N_{\mathrm{unobserved\ regions\ explicitly\ marked}}}
{N_{\mathrm{unobserved\ regions}}}. M T = N unobserved regions N unobserved regions explicitly marked . 98.7 Model-Dependency Traceability
T M = N c l a i m s l i n k e d t o e x a c t m o d e l v e r s i o n N A I c l a i m s . T_M
=
\frac{N_{\mathrm{claims\ linked\ to\ exact\ model\ version}}}
{N_{\mathrm{AI\ claims}}}. T M = N AI claims N claims linked to exact model version . 98.8 Human Scientific Task Time
τ H = time to complete a defined scientific judgment . \tau_H
=
\text{time to complete a defined scientific judgment}. τ H = time to complete a defined scientific judgment . 比較：
τ H , t r a d i t i o n a l \tau_{H,\mathrm{traditional}} τ H , traditional 與：
τ H , A I − n a t i v e . \tau_{H,\mathrm{AI-native}}. τ H , AI − native . 98.9 Correction Time
若 upstream evidence 被 invalidated：
τ C = time to identify affected downstream claims . \tau_C
=
\text{time to identify affected downstream claims}. τ C = time to identify affected downstream claims . 98.10 Observation Bias
比較：
p o b s e r v e d ( x ) p_{\mathrm{observed}}(x) p observed ( x ) 與目標母體：
p t a r g e t ( x ) . p_{\mathrm{target}}(x). p target ( x ) . 99. Safety and Epistemic Principles
Principle 1 — Raw Is Not Derived
X r a w ≠ X d e r i v e d . X_{\mathrm{raw}}
\neq
X_{\mathrm{derived}}. X raw = X derived . Principle 2 — Inference Is Not Measurement
I ≠ M . I
\neq
M. I = M . Principle 3 — Projection Must Be Traceable
P → E . P
\rightarrow
E. P → E . Principle 4 — Selection Is Part of Provenance
π \pi π 必須保存。
Principle 5 — Missing Data Must Remain Visible
X ^ ≠ X . \hat X
\neq
X. X ^ = X . Principle 6 — Uncertainty Travels With Data
每一次 transformation：
X i → X i + 1 X_i
\rightarrow
X_{i+1} X i → X i + 1 也應更新：
U i → U i + 1 . U_i
\rightarrow
U_{i+1}. U i → U i + 1 . Principle 7 — Contradiction Is Evidence
不要強迫：
H A = H B . H_A=H_B. H A = H B . Principle 8 — Human Abstraction Must Preserve Drill-Down
壓縮不能變成：
epistemic lock-in . \text{epistemic lock-in}. epistemic lock-in . Principle 9 — Active Observation Needs Exploration
ϵ > 0. \epsilon>0. ϵ > 0. Principle 10 — Safety Can Terminate Observation
I g a i n I_{\mathrm{gain}} I gain 不能覆寫：
A s a f e . \mathcal{A}_{\mathrm{safe}}. A safe . 100. 與 ANCSI-07 的關係
ANCSI-07 問：
如果人不在實驗室裡，物理科研怎麼運作？
ANCSI-08 回答：
人可以透過 AI-native observation stack 持續理解、審核與探索那個物理科研世界。
因此：
physical absence ≠ epistemic absence . \boxed{
\text{physical absence}
\neq
\text{epistemic absence}.
} physical absence = epistemic absence . 人類可以不站在 microscope 旁。
但仍能：
看；
問；
質疑；
drill down；
要求 re-observation；
改變 scientific goal。
101. 與 ANCSI-09 的銜接
前八篇現在已經建立：
physical habitat , \text{physical habitat}, physical habitat , thermal field , \text{thermal field}, thermal field , compute-thermal coupling , \text{compute-thermal coupling}, compute-thermal coupling , pipe field , \text{pipe field}, pipe field , energy cascade , \text{energy cascade}, energy cascade , distributed governance , \text{distributed governance}, distributed governance , machine-native scientific zone , \text{machine-native scientific zone}, machine-native scientific zone , AI-native observation . \text{AI-native observation}. AI-native observation . 因此最後 ANCSI-09 可以正式提出：
Autonomous Scientific Habitat Conjecture . \boxed{
\text{Autonomous Scientific Habitat Conjecture}.
} Autonomous Scientific Habitat Conjecture . 並統合：
architectural proposition；
necessary conditions；
falsification conditions；
staged research program；
competing architectures；
boundary of claim。
102. 結論
本文提出 ANCSI 的第八個核心命題：
未來科學觀測的主要人類介面，不一定是儀器本身，而可能是 AI 生成、但可逆且可追溯的科學投影。 \boxed{
\text{未來科學觀測的主要人類介面，不一定是儀器本身，而可能是 AI 生成、但可逆且可追溯的科學投影。}
} 未來科學觀測的主要人類介面，不一定是儀器本身，而可能是 AI 生成、但可逆且可追溯的科學投影。 這個命題不是說：
AI 看完，人類相信摘要就好。
恰恰相反。
AI 原生觀測若要比今天的儀器介面更可信，必須比今天保留更多：
provenance . \boxed{
\text{provenance}.
} provenance . 完整鏈條應是：
Physical World ↓ Raw Measurement ↓ Calibration ↓ Reconstruction ↓ Multimodal Registration ↓ AI Inference ↓ Scientific Projection ↓ Human / AI Scientific Interaction \boxed{
\begin{aligned}
&\text{Physical World}\\
&\downarrow\\
&\text{Raw Measurement}\\
&\downarrow\\
&\text{Calibration}\\
&\downarrow\\
&\text{Reconstruction}\\
&\downarrow\\
&\text{Multimodal Registration}\\
&\downarrow\\
&\text{AI Inference}\\
&\downarrow\\
&\text{Scientific Projection}\\
&\downarrow\\
&\text{Human / AI Scientific Interaction}
\end{aligned}
} Physical World ↓ Raw Measurement ↓ Calibration ↓ Reconstruction ↓ Multimodal Registration ↓ AI Inference ↓ Scientific Projection ↓ Human / AI Scientific Interaction 而且所有箭頭都必須留下：
transformation；
parameters；
model；
uncertainty；
time；
actor；
selection policy。
2026 年 smart microscopy 已經把 real-time analysis、feedback control 與 automated actuation 結合為新的 microscope paradigm [1]。
同年的 thinking microscopes 討論 agentic AI 如何讓電子顯微鏡進入 iterative experimental reasoning [2]。
agentic X-ray scientist 則已經實際展示 LLM agent 在同步輻射 beamline 上規劃、執行、解讀並迭代 instrument actions [3]。
同時，自主科學的 provenance 論述已明確指出：
科學可信任不應只寄託於模型內部可解釋性，而需要完整、可重新開啟與可修正的 evidence record [4]。
因此 AI-native observation 真正值得追求的並不是：
AI replaces human seeing . \text{AI replaces human seeing}. AI replaces human seeing . 而是：
AI expands the observable scientific world while preserving the path back to evidence . \boxed{
\text{AI expands the observable scientific world while preserving the path back to evidence}.
} AI expands the observable scientific world while preserving the path back to evidence . 如果這個命題成立，未來研究員面對的就不再是：
顯微鏡 A 的 UI、光譜儀 B 的 UI、AFM C 的 UI、資料夾 D、Python notebook E。
而會逐漸變成：
一個可以沿不同尺度、不同 modality、不同 hypothesis 與不同時間自由探索的 scientific world interface。
人類可以問：
哪裡最奇怪？
哪些模型彼此不同意？
哪一個結論最依賴 AI inference？
哪些區域其實從沒量過？
回到 raw frame。
用另一個 calibration 重算。
如果 hypothesis B 才是真的，下一個最有價值的觀測是什麼？
而 AI 不只是回答。
它還能在授權範圍內：
go and look again . \boxed{
\text{go and look again}.
} go and look again . 這才是本文所稱：
AI-Native Observation . \boxed{
\textbf{AI-Native Observation}.
} AI-Native Observation . 參考文獻
[1] Rates, A., Passmore, J. B., Norlin, N., et al. (2026). Smart microscopy: adaptive microscope control to improve the way we see life . npj Imaging, 4, 14.https://doi.org/10.1038/s44303-026-00145-y
[2] Jamali, V., Aghazadeh, A., & Kacher, J. (2026). Thinking microscopes: agentic AI and the future of electron microscopy . npj Computational Materials, 12, 149.https://doi.org/10.1038/s41524-026-02077-y
[3] Chen, Z., Petsch, A. N., Israelski, A. J., et al. (2026). An agentic artificially intelligent X-ray scientist . Nature Machine Intelligence, 8, 1075–1086.https://doi.org/10.1038/s42256-026-01261-5
[4] MacKnight, R., Novitskiy, I. M., Radadiya, R., et al. (2026). Provenance grounds trust in autonomous science . Nature Computational Science, 6, 804–807.https://doi.org/10.1038/s43588-026-01035-4
[5] Canty, R. B., & Abolhasani, M. (2026). The past, present and future of self-driving laboratories . Nature Reviews Chemistry, 10, 523–537.https://doi.org/10.1038/s41570-026-00847-2
[6] Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). The FAIR Guiding Principles for scientific data management and stewardship . Scientific Data, 3, 160018.https://doi.org/10.1038/sdata.2016.18
[7] National Institute of Standards and Technology. Data Integrity and Provenance-related resources .https://www.nist.gov/
[8] Oak Ridge National Laboratory. (2026). Autonomous Science .https://www.ornl.gov/autonomousscience
[9] Oak Ridge National Laboratory. (2026). AI powers self-driving science .https://www.ornl.gov/news/ai-powers-self-driving-science
[10] Moran, C. H. J., Xu, J., & Abolhasani, M. (2026). The rise of robotics in self-driving labs . npj Robotics, 4, 29.https://doi.org/10.1038/s44182-026-00094-z
[11] Kusne, A. G., & McDannald, A. (2026). Managing autonomous materials labs with multi-agent AI and its implications for the science of science . Communications Materials, 7, 173.https://doi.org/10.1038/s43246-026-01219-5
[12] Nature Computational Science. (2026). Responsible and transparent use of AI in scientific publishing . Editorial, 20 August 2026.https://www.nature.com/natcomputsci
文件狀態
本文為 ANCSI 系列第八篇公開命題稿 v0.1。
本文所有數學原始碼僅使用 $...$ 與 $$...$$ 作為 canonical delimiter。本文不依賴作者其他私人理論；AI-Native Observation Stack、Reversible Scientific Projection、Evidence Ladder、Observation Provenance Graph、Observation Budget、Serendipity Budget、Contradiction Map、Observation Debt、Scientific Rollback 與 Evidence-Addressable Scientific Conversation 均屬由現有 smart microscopy、agentic scientific instruments、self-driving laboratories、scientific provenance 與 multimodal data systems 向前推導之待驗證工程命題。
本文不主張 AI interpretation 等同原始科學觀測；相反，本文將 measurement、reconstruction、derived quantity、AI inference、hypothesis 與 human-facing projection 嚴格區分，並將可回溯至原始 evidence 視為 AI-native scientific observation 的基本要求。