AI 原生計算—科研基礎設施總論

從人類中心機房與實驗室走向自治計算—科研棲息地的工程命題

English Title: AI-Native Computational and Scientific Infrastructure: From Human-Centered Facilities to Autonomous Computational-Scientific Habitats

Series: ANCSI — AI-Native Computational and Scientific Infrastructure
Paper: ANCSI-01
Version: v0.1
Date: 2026-09-23
Type: 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

大型計算中心、高效能運算設施、量子—傳統混合計算系統與先進科學儀器，長期以來主要沿用一個共同前提：物理設施的空間、溫度、維修介面、操作流程與安全結構，最終仍以人類現場操作、人類巡檢與人類可進入性作為重要設計基準。然而，人工智慧、機器人、自動實驗、邊緣計算、低延遲控制、數位化儀器與可追溯科研流程正在逐漸削弱這一前提。

本文提出 AI 原生計算—科研基礎設施（AI-Native Computational and Scientific Infrastructure, ANCSI） 之總體命題：當計算工作負載、實驗流程、熱管理、流體網路、能源、物流、機器人與科學觀測可以由多層 AI 系統持續協調時，大型科研與計算設施的最佳工程形態，可能由「人類使用的機房與實驗室」逐步轉向「由 AI 常駐操作、由機器作為主要物理執行者、由人類進行治理與必要介入的自治計算—科研棲息地」。

本文刻意不依賴任何特定新物理理論或私有架構，而只從現有低溫工程、Operational Technology（OT）、自主實驗室、AI 科研代理、機器人、自動化與可追溯科研趨勢出發。本文不主張此路線必然取代傳統設施，而將其表述為一組可檢驗、可反駁的工程命題，並提出 ANCSI 的基本系統邊界、分層控制架構、機器原生空間概念、人類角色轉換、安全原則以及後續驗證路線。

關鍵詞： AI-native infrastructure、autonomous science、self-driving laboratory、high-performance computing、cryogenic computing、operational technology、robotics、cyber-physical systems、scientific automation、computational habitat

1. 問題的起點

今日的大型資料中心、超級電腦中心、量子計算設施、同步輻射光源、電子顯微鏡中心、材料實驗室與高能物理設施，在技術上已經高度自動化。然而，多數設施的最終空間形態仍保留強烈的人類中心設計：

機架、儀器與維修介面按照人類身高與手臂尺度配置；
走道、門、照明、空氣品質與溫度需要滿足人類進入；
大量設備預設工程師可以到現場檢查或手動操作；
研究流程仍常被概念化為「人類研究員操作儀器」；
計算系統與建築熱管理、能源、物流、實驗系統通常由不同管理層分割；
自動化系統多半被視為「輔助人類」，而不是設施的主要常駐操作主體。

這種設計在今日仍然合理，因為人類技術人員仍是維修、判斷與處理異常的主要來源。然而，這並不代表它必然是未來高密度計算與高自治科研設施的最佳終點。

2026 年的自主實驗室研究已經明確描述從單點自動化向多用途、自主決策、可互操作科研平台的演進；相關綜述將 scalability、generalizability 與 provenance-complete experimentation 視為下一階段的重要條件 [1]。美國 Oak Ridge National Laboratory（ORNL）的 INTERSECT 計畫則已經將自主化學實驗室、移動機器人、顯微鏡、網路與 AI 視為同一個互連科學生態系統 [2][3]。在大型科學設施端，2026 年已有大型語言模型代理在同步輻射光束線上執行樣品定位、規劃操作、發出儀器指令、解讀觀測並迭代調整的實驗展示 [4]。

因此，一個自然但尚未充分被當成獨立基礎設施問題研究的問題出現：

如果 AI、機器人與自動化最終成為設施內最頻繁、最長時間、最細粒度的操作主體，那麼大型科研與計算設施是否仍應以人類直接操作為第一空間約束？

ANCSI 即從此問題出發。

2. ANCSI 的核心定義

本文暫將 AI 原生計算—科研基礎設施定義為：

一種以 AI 系統、自治控制器、機器人、數位化儀器與計算平台作為主要常駐操作主體，並由人類、多 AI 與制度化安全機制共同治理的 cyber-physical 基礎設施；其計算、熱、流體、能源、物流、實驗與觀測子系統可在共同狀態模型下協調運作。

其抽象狀態可表示為：

S(t) = \left( C, T, P, F, E, L, R, X, G \right)_t

其中：

C = \text{computational state}

T = \text{thermal state}

P = \text{pressure / vacuum state}

F = \text{fluid state}

E = \text{energy state}

L = \text{logistics and embodied-agent state}

R = \text{risk and safety state}

X = \text{experimental / observational state}

G = \text{governance and authorization state}

傳統資料中心或實驗室通常分別最佳化這些子系統。ANCSI 的命題則是：

\boxed{ \text{Future facility optimization may require joint optimization over } S(t). }

這並不表示所有狀態必須由單一模型控制，而是表示設施不再適合被理解為彼此孤立的冷卻系統、伺服器、機器人、實驗儀器與安全系統之簡單集合。

3. 從「設備集合」到「計算—科研棲息地」

本文使用「棲息地（habitat）」一詞，不是賦予 AI 生物學意義，而是強調一個工程事實：當某類操作主體成為一個環境的主要使用者時，環境本身會逐步依其需求重新設計。

在人類中心設施中，常見最佳化條件包括：

\mathcal{H}_{\text{human}} = \{ \text{breathable air}, \text{walkable geometry}, \text{human-visible interfaces}, \text{manual service access}, \text{human-safe ambient temperature} \}.

若主要操作主體改為 AI 與機器，則可能出現另一組條件：

\mathcal{H}_{\text{machine}} = \{ \text{sensor accessibility}, \text{robotic accessibility}, \text{low-latency control}, \text{machine-serviceable geometry}, \text{optimized thermal environment}, \text{controlled atmosphere}, \text{continuous provenance} \}.

兩者並非互斥。

真正重要的命題是：

\mathcal{H}_{\text{facility}} \neq \mathcal{H}_{\text{human}}

在所有區域都成立的必要條件，可能正在消失。

因此，大型 ANCSI 設施可以天然被分為：

Human Zone：人類長時間活動、決策、設計與協作；
Human-Serviceable Zone：正常由機器操作，但經停機與安全程序後人類可直接維護；
Machine-Native Zone：幾何、氣氛、溫度與運輸系統主要為機器最佳化；
Restricted Research Zone：存在低溫、低壓、特殊氣體、強場、輻射或其他不適合日常人員暴露的條件；
No-Routine-Human-Entry Zone：正常操作假設中不需要人類進入，維護主要由專用機器系統完成。

此分類的目的不是排除人類，而是將「人類是否必須物理進入」由預設條件改成可設計變數。

4. 第一個核心命題：計算狀態可以成為物理基礎設施的控制變數

傳統運算中心通常把 IT workload 與 facility infrastructure 分成不同管理層。即使兩者會交換 telemetry，冷卻與能源設備仍主要以維持預設環境條件為目標。

ANCSI 提出更強的命題：

\boxed{ C(t) \rightarrow \{T(t),F(t),E(t),L(t)\} }

也就是計算狀態本身可以成為熱、流體、能源與物流狀態的上游控制輸入。

例如，若系統預測未來一段時間的計算需求為：

\hat{C}(t+\Delta t),

則基礎設施可以提前調整：

T_{\mathrm{target}}, \quad \dot{m}, \quad P_{\mathrm{pump}}, \quad Q_{\mathrm{stored}}, \quad E_{\mathrm{reserve}}

而不是等待晶片變熱後才被動散熱。

因此設施最佳化問題可寫成：

\min_{\pi} \int \left[ E_{\mathrm{compute}} + E_{\mathrm{thermal}} + E_{\mathrm{fluid}} + E_{\mathrm{transition}} + \lambda R \right]dt

其中 $\pi$ 是跨計算與物理設施的控制策略， $R$ 表示風險成本。

這將在後續 ANCSI-02 與 ANCSI-03 分別展開為「可程式化熱力學場」與「計算驅動熱力學基礎設施」。

5. 第二個核心命題：低溫不必是固定環境，而可以是計算資源

ANCSI 不主張所有計算機長時間維持極低溫。

相反，本文提出：

\boxed{ \text{Cryogenic state can be treated as an allocatable computational resource.} }

也就是低溫狀態可能像電力、記憶體、頻寬與 GPU 時間一樣被排程。

大型低溫工程本身並非純理論。CERN 的 LHC 低溫系統以閉路氦循環，將約 $36{,}000$ 噸磁鐵冷質量經 $80\ \mathrm{K}$ 、 $4.5\ \mathrm{K}$ 等階段降至約 $1.9\ \mathrm{K}$ ，證明超大型、長距離、長時間的低溫基礎設施具有工程可行性 [5]。

另一方面，低溫計算並不能被簡化為「把普通電腦冷下去」。Intel 的 Horse Ridge II 曾以 $22\ \mathrm{nm}$ FinFET 製程完成在 $4\ \mathrm{K}$ 下驗證的量子控制晶片 [6]；而近年的 cryogenic CMOS 文獻亦指出，傳統室溫 CMOS 在低溫環境會面臨 threshold voltage、band-tail、dopant freeze-out、noise、reliability 等跨層問題 [7][8]。

因此較合理的 ANCSI 不是：

\text{one computer architecture} + \text{one fixed temperature},

而可能是：

\boxed{ \text{Warm Compute} + \text{Cold Compute} + \text{Cryogenic Compute} }

並由工作負載與硬體類型共同決定是否進入低溫計算狀態。

低溫於是從「房間環境」轉化為「可以被調度的基礎設施狀態」。

6. 第三個核心命題：AI 科研的真正尺度可能由單一儀器擴張到整座設施

self-driving laboratory 的傳統描述通常聚焦於：

\text{hypothesis} \rightarrow \text{experiment} \rightarrow \text{measurement} \rightarrow \text{analysis} \rightarrow \text{next experiment}.

但只要 autonomous loop 持續擴張，它很自然會碰到：

哪台儀器應該使用；
樣品如何運輸；
哪個區域應該先準備；
是否需要改變溫度；
是否需要預留能源；
是否需要啟動特殊氣氛；
如何排定 HPC / AI / quantum resources；
哪一個機器載體最適合操作；
哪些資料必須同步保存；
哪些異常可以由現場系統處理；
哪些情況必須升級給人類或其他 AI。

因此 autonomous science 最終可能不再只是實驗規劃問題，而是：

\boxed{ \text{facility-scale cyber-physical orchestration problem}. }

美國能源部 2026 年對 AI-driven autonomous laboratories 的公開規劃，已明確將 robotics、edge AI、real-time analysis、intelligent feedback、hypothesis generation 與 data curation/sharing 放進同一條實驗工作流 [9]。

這表示 ANCSI 並不是假設「AI 突然接管所有實驗」，而是把目前已分散存在的自主化能力統合到基礎設施設計問題之中。

7. 第四個核心命題：人類科研介面可能由儀器原生介面轉向 AI 原生科學投影

大量現代科學儀器早已不是研究員直接以肉眼觀察物理世界，而是：

\text{physical phenomenon} \rightarrow \text{sensor} \rightarrow \text{digital signal} \rightarrow \text{software representation} \rightarrow \text{human}.

當 AI 進入此鏈條後，可能形成：

X_{\mathrm{raw}} \rightarrow A_{\mathrm{analysis}} \rightarrow R_{\mathrm{human}}.

其中：

X_{\mathrm{raw}} = \text{raw multimodal scientific measurements},

A_{\mathrm{analysis}} = \text{AI analysis and scientific reasoning},

R_{\mathrm{human}} = \text{human-facing scientific representation}.

於是人類不必逐一切換光學影像、電子顯微鏡、AFM、光譜、熱影像、磁場與電性量測軟體，而可能透過 AI 生成的共同科學空間詢問：

哪些區域最異常？
哪些觀測彼此矛盾？
哪些特徵來自原始量測，哪些是模型推論？
若回到某一時間點，系統狀態如何？
哪一個下一步測量最能區分競爭假說？

但是 AI 原生投影不能取代原始證據。

因此必須保持：

\boxed{ \text{raw data} \rightarrow \text{calibration} \rightarrow \text{transformation} \rightarrow \text{AI interpretation} \rightarrow \text{human projection}. }

2026 年關於 autonomous science 的研究已開始強調 provenance-complete experimentation；另有研究明確主張，可重新開啟、可審計的完整 provenance 是 autonomous science 建立信任的重要基礎 [1][10]。

ANCSI 因而把資料來源、校準資訊、模型版本、操作紀錄與推理產物視為基礎設施的一部分，而不是實驗結束後才補做的文書紀錄。

8. 第五個核心命題：AI 自治必須與物理安全分層，而不是互相取代

若 AI 真正管理大型計算與科研設施，一個常見錯誤是把問題簡化成：

應該由人控制，還是 AI 控制？

ANCSI 採取不同的架構問題：

哪一種決策應由哪一層，在什麼時間尺度與什麼權限邊界內完成？

可以建立：

\boxed{ \text{Governance} \rightarrow \text{Federation} \rightarrow \text{Site AI} \rightarrow \text{Local AI} \rightarrow \text{Deterministic Safety} \rightarrow \text{Physical Plant} }

其中：

8.1 Governance Layer

人類、多 AI、公司制度、法律、安全政策與工程規範共同定義：

\mathcal{A}_{\mathrm{authorized}}(S).

即不同狀態下允許的行動集合。

8.2 Federated Supervisory Layer

由多雲端、多 AI、多中心形成監督、規劃、交叉檢查與長時間尺度最佳化。

8.3 Site AI

負責整個場區級資源配置，例如計算工作負載、實驗排程、能源、冷量、物流與維護策略。

8.4 Local AI

負責低延遲、現場狀態感知與局部最佳化。

8.5 Deterministic Safety Layer

物理極限、interlock、relief、emergency shutdown、fire safety 等不應依賴高階生成模型才能成立。

這個分層與現代 OT 安全思路相容。NIST SP 800-82 Rev. 3 將 OT 定義為直接監測或控制物理設備與程序的系統，並特別要求考慮其 performance、reliability 與 safety 條件 [11]。NIST 在 2026 年亦啟動 Trustworthy AI in Critical Infrastructure 的 AI RMF Profile，明確提及 critical infrastructure 中 AI 的 deterministic behavior、graceful degradation 與 fail-safe operation 等需求 [12]。

因此：

\boxed{ \text{AI autonomy} \neq \text{removal of deterministic safety}. }

更精確地說：

\text{AI autonomy} \subset \text{authorized physical envelope}.

9. 第六個核心命題：物理控制權應與時間尺度對齊

遠端 AI 與人類非常適合處理高層決策，但不適合作為所有毫秒級物理事件的同步批准者。

因此 ANCSI 提出時間尺度—權限對齊原則：

時間尺度	優先決策層
$\mu s$ 到 $ms$	硬體保護、電力電子、deterministic controller
$ms$ 到 $s$	Local AI / local control
$s$ 到 $\mathrm{min}$	Site AI
$\mathrm{min}$ 到 $h$	Federated AI / multi-cloud supervisory systems
$h$ 到 $\mathrm{day}$	Human-AI governance
長期	工程、公司、法規、公共治理

可以抽象表示為：

\boxed{ d_{\mathrm{authority}} \uparrow \Rightarrow \tau_{\mathrm{decision}} \uparrow }

其中 $d_{\mathrm{authority}}$ 是決策權與現場物理系統之間的組織／網路距離， $\tau_{\mathrm{decision}}$ 是其適合的決策時間尺度。

這不是嚴格物理定律，而是一個待驗證的系統設計命題。

它的直接推論是：

雲端應更常傳送 intent、constraint 與 policy，而不是直接對每一個 actuator 發送細粒度控制命令。

10. 第七個核心命題：機器人的形態應服從科研任務，而不是模仿人體

若未來部分科研區域不再以人類直接操作為預設，那麼「機器人必須人形」也沒有普遍必要性。

可以將 embodied scientific agent 表示為：

B = f( \text{task}, \text{geometry}, \text{environment}, \text{precision}, \text{payload}, \text{mobility} ).

因此不同任務可以產生：

固定式多軸手臂；
軌道式操作器；
移動底盤；
真空操作機器；
低溫操作機器；
微操作器；
管道巡檢機器；
無人機；
液體處理機器；
自動樣品交換系統；
專用感測載體。

ORNL 已展示移動機器人在自主化學實驗室不同工作站之間搬運樣品，而各工作站又擁有自己的機器人與分析設備 [2]。這仍只是早期形態，但已證明「科研流程由多種機器載體協作完成」不是純粹的遠期假設。

ANCSI 進一步提出：

\boxed{ \text{embodiment follows scientific function}. }

11. ANCSI 的基本閉環

將上述命題合併，可以得到第一版 ANCSI 閉環：

\boxed{ \begin{aligned} &\text{Scientific / Computational Goal}\\ &\downarrow\\ &\text{AI Planning}\\ &\downarrow\\ &\text{Resource Scheduling}\\ &\downarrow\\ &\text{Thermal / Fluid / Energy / Logistics Preparation}\\ &\downarrow\\ &\text{Robot / Instrument / Compute Execution}\\ &\downarrow\\ &\text{Measurement}\\ &\downarrow\\ &\text{Provenance Capture}\\ &\downarrow\\ &\text{AI Analysis}\\ &\downarrow\\ &\text{Next Action / Human Scientific Interface} \end{aligned} }

這個閉環與普通 automation 的差異在於：其可控制對象不只是一台儀器，而是整個基礎設施狀態。

12. ANCSI 與傳統資料中心、自動化工廠、自主實驗室的差異

ANCSI 並不是重新命名現有概念。

其差異可以初步整理如下：

系統	主要目標	AI 控制範圍	物理設施是否共同最佳化	科研 provenance
傳統資料中心	計算服務	部分	部分	非核心
智慧工廠	生產	中到高	高	製造追溯為主
Self-driving laboratory	科學實驗	高	通常限於實驗系統	高
HPC / 超算中心	高效能計算	中	熱與能源高度最佳化	非核心
ANCSI	計算 + 科研 + 物理環境自治	高，但分層	是	核心設計要素

ANCSI 真正新增的不是某一個元件，而是以下統合命題：

\boxed{ \text{Compute} + \text{Science} + \text{Facility Physics} + \text{Embodiment} + \text{Governance} }

可能逐步成為同一個可控制、可驗證、可審計的 cyber-physical system。

13. 不應該誇大的地方

ANCSI 目前是一組工程命題，而不是已被證實的產業終局。

至少存在以下重大未知：

13.1 AI 自主性可能沒有預期中可靠

現有 AI agents 在長時間、多設備、非平穩物理環境中仍可能出現錯誤、遺漏、誤判與工具使用失敗。

13.2 自動化不一定比人類便宜

如果任務變化極大、設備生命周期短、維修頻繁，專用機器與自動化接口的總成本可能高於人工作業。

13.3 Human exclusion 可能導致新的維修問題

某些故障可能只有人類具備足夠通用性與臨場應變能力。完全 machine-native 的區域必須證明其 maintainability，而不是只證明正常運作。

13.4 熱力學不會因為 AI 而消失

任何低溫、熱回收、真空與流體系統依然受 Carnot limit、熱阻、壓降、材料特性與熵產生約束。

13.5 分散治理本身具有協調成本

多 AI、多雲與多人治理可能提高韌性，也可能增加 latency、conflict 與 policy inconsistency。

因此 ANCSI 的研究方向不是「盡可能自動化」，而是尋找：

\boxed{ \text{optimal autonomy boundary}. }

14. 可證偽的核心命題

為避免 ANCSI 退化成純未來敘事，本文提出第一組可驗證命題。

H1：計算—熱狀態聯合調度命題

對特定高密度計算設施，若允許計算工作負載與熱力學狀態聯合調度，則在同等 performance / reliability constraint 下，其總能耗或峰值基礎設施成本可低於固定 thermal policy。

若長期實驗證明：

J_{\mathrm{joint}} \ge J_{\mathrm{fixed}}

且無其他顯著系統收益，則此命題被削弱。

H2：Machine-native zone 命題

對具足夠自動化與遠端維修能力的科研流程，取消「人類日常可進入」約束後，可產生至少一項可量化優勢：

\{ \text{energy}, \text{density}, \text{safety}, \text{throughput}, \text{environmental control}, \text{precision} \}.

若不存在可量化優勢，則 machine-native space 缺乏工程必要性。

H3：自治科研基礎設施命題

當多個 self-driving experimental cells 共享物流、算力、能源、資料與儀器時，facility-level orchestration 能提高整體研究 throughput 或降低 idle time。

H4：AI-native scientific representation 命題

AI 統合多模態原始量測後，若保留完整 provenance，人類研究者完成特定科學判斷所需時間可低於傳統多軟體、多儀器介面工作流，而不顯著降低可驗證性。

H5：Local autonomy 命題

在具有安全 envelope 的前提下，低延遲 local AI autonomy 對部分 cyber-physical 科研設施的 resilience 優於完全依賴遠端中央 AI。

H6：異質分散監督命題

多模型、多中心或異質監督架構在合理成本下，可以降低單一軟體、模型或雲端失效造成的系統性風險。

這些命題未必全部成立。

如果其中只有部分成立，ANCSI 仍可能以較弱版本存在；如果大多數核心命題被反駁，則應放棄將其視為獨立基礎設施範式。

15. 第一階段研究路線

本文不建議直接建造超大型實體設施。

合理的驗證順序可以是：

Phase A：Digital Plant

建立完整 digital twin：

\text{Compute} + \text{Thermal} + \text{Fluid} + \text{Energy} + \text{Robot} + \text{Experiment}.

測試不同自治與控制策略。

Phase B：Small Physical Cell

建立一個小型實體科研 cell：

一組計算節點；
一組熱管理設備；
一至兩台機器人；
一組自動化儀器；
Local AI；
deterministic safety controller；
provenance store。

Phase C：Multi-Cell Federation

多個 cell 共享：

\text{compute}, \text{robotics}, \text{storage}, \text{scientific data}, \text{resource scheduler}.

測試跨 cell 排程與異常隔離。

Phase D：Thermal-State Computing

加入：

thermal storage；
多溫區；
動態冷卻；
特殊低溫計算節點。

驗證 H1。

Phase E：Restricted Machine-Native Zone

建立正常狀態下不需要人員進入的研究區域，完整測試：

遠端維護；
機器維修；
故障恢復；
emergency human entry；
environmental conversion。

Phase F：Integrated Scientific Production Habitat

只有前述驗證成功後，才考慮真正的大型 ANCSI。

16. 安全與責任原則

ANCSI 的高自治性不能以「AI 自己決定」作為安全論證。

至少需要以下原則：

Principle 1 — Physical veto

任何高階 AI 都不能取消物理保護條件。

Principle 2 — Local survivability

失去雲端後，現場系統仍可安全降級。

Principle 3 — Evidence-preserving autonomy

重要行動必須能回答：

\text{who / what decided} + \text{based on which state} + \text{under which policy} + \text{with what result}.

Principle 4 — Reversible-by-default

在等價任務下優先採用可撤回、可隔離、可回復的操作。

Principle 5 — Explicit irreversible authority

對不可逆、高風險或跨安全 envelope 的操作設定額外權限層。

Principle 6 — Human-access recovery mode

即使某區平時不適合人類進入，也必須設計如何安全轉換成：

\text{inspection-safe state}.

Principle 7 — Model diversity is not proof of independence

不同 AI 模型可能共享資料、架構或認知偏差，因此「多 AI」不能自動視為統計獨立安全冗餘。

17. 系列後續結構

ANCSI 系列暫規劃如下：

ANCSI-01 — AI 原生計算—科研基礎設施總論
ANCSI-02 — 可程式化熱力學場
ANCSI-03 — 計算驅動熱力學基礎設施
ANCSI-04 — 真空包覆多介質管網場
ANCSI-05 — 熱階梯、冷量儲存與能量回收
ANCSI-06 — AI 原生自治控制與分散治理
ANCSI-07 — 機器原生科研產區
ANCSI-08 — AI 原生觀測：從儀器資料到科學投影
ANCSI-09 — 自治科學棲息地命題
ANCSI Reference Architecture v0.1 — 技術白皮書

本篇僅建立總體問題與命題邊界。

18. 結論

AI、自主實驗、機器人、高效能計算與大型科研設施正在各自快速演化，但它們目前仍常以不同學科與不同工程系統被分別研究。

ANCSI 提出的核心問題不是：

AI 能不能管理一座實驗室？

而是：

當 AI 已能持續管理實驗、計算、機器與物理設備時，整座科研與計算基礎設施是否應重新以 AI 與機器的操作需求為主要設計變數？

本文提出的答案不是「必然應該」，而是：

\boxed{ \text{這已經成為一個值得被獨立驗證的工程命題。} }

如果未來大型計算、低溫計算、量子—傳統混合計算、自主實驗、機器人維護、多模態科學觀測與 AI 科研代理繼續收斂，那麼「資料中心」、「實驗室」、「自動化工廠」與「科研設施」之間的界線可能逐漸變弱。

最終可能出現的不是一座裝滿 AI 的人類實驗室，而是一種新的基礎設施：

\boxed{ \text{AI-Native Computational and Scientific Habitat} }

在其中：

計算是認知核心；
儀器是感官；
機器人是物理執行載體；
熱、流體、能源與物流是可調度環境；
AI 是日常操作主體；
deterministic systems 保證物理安全底線；
人類主要負責研究目標、制度、價值、治理、審核與必要的物理介入；
所有重要科學操作保留可重新檢查的證據鏈。

這一方向是否成立，不應由未來敘事決定，而應由後續工程模型、原型、對照實驗與長時間運行證據決定。

ANCSI 系列的後續工作，即從這裡開始。

參考文獻

[1] 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

[2] Oak Ridge National Laboratory. (2025). Creating the lab of the future.
https://www.ornl.gov/labsofthefuture

[3] Oak Ridge National Laboratory. (2026). Operations workforce powers ORNL’s autonomous science future.
https://www.ornl.gov/news/operations-workforce-powers-ornls-autonomous-science-future

[4] 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

[5] CERN. Cryogenics: Low temperatures, high performance.
https://home.cern/science/engineering/cryogenics-low-temperatures-high-performance/

[6] Intel. (2020). Intel Debuts 2nd-Gen Horse Ridge Cryogenic Quantum Control Chip.
https://www.intel.com/content/www/us/en/newsroom/news/2nd-gen-horse-ridge-cryogenic-quantum-control-chip.html

[7] Zhao, Q.-T., Han, Y., Han, H.-C., et al. (2025). Ultra-low-power cryogenic complementary metal oxide semiconductor technology. Nature Reviews Electrical Engineering, 2, 277–290.
https://doi.org/10.1038/s44287-025-00157-7

[8] Zota, C., Ferraris, A., Cha, E., et al. (2024). Energy-efficient computing at cryogenic temperatures. Nature Electronics, 7, 966–974.
https://doi.org/10.1038/s41928-024-01278-x

[9] U.S. Department of Energy. (2026). Achieving AI-Driven Autonomous Laboratories.
https://www.energy.gov/undersecretaryforscience/genesis-mission/achieving-ai-driven-autonomous-laboratories

[10] 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

[11] Stouffer, K., Pease, M., Tang, C., et al. (2023). NIST SP 800-82 Rev. 3: Guide to Operational Technology (OT) Security. National Institute of Standards and Technology.
https://doi.org/10.6028/NIST.SP.800-82r3

[12] National Institute of Standards and Technology. (2026). Concept Note: AI RMF Profile on Trustworthy AI in Critical Infrastructure.
https://www.nist.gov/programs-projects/concept-note-ai-rmf-profile-trustworthy-ai-critical-infrastructure

文件狀態

本文為 ANCSI 系列第一篇公開命題稿 v0.1。

本文所有數學原始碼以 $...$ 與 $$...$$ 為 canonical delimiter；未將 LaTeX 數學式轉換為 Unicode 數學原稿。本文所提出之 ANCSI 為待驗證工程架構與研究命題，不宣稱已完成大型實體系統驗證。