機器原生科研產區

從人類可進入實驗室走向以 AI、機器人與自動儀器為主要常駐使用者的科研空間

English Title: Machine-Native Scientific Production Zones: From Human-Accessible Laboratories to AI- and Robot-First Research Environments

Series: ANCSI — AI-Native Computational and Scientific Infrastructure
Paper: ANCSI-07
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

傳統實驗室與大型科學設施即使高度自動化，其空間、儀器接口、維修方式、環境條件與工作流程仍多半保留一個核心假設：人類研究者、工程師或技術員需要能夠直接進入、靠近、觀察、操作或維修設備。然而，self-driving laboratories、自主科學代理、機器視覺、機器人維護、遠端操作、智慧顯微鏡與 AI 驅動科學儀器正在逐步改變此假設。

本文提出 ANCSI 的第七個核心命題：未來部分高自動化科研與計算設施可以被設計成 Machine-Native Scientific Production Zones（機器原生科研產區），其中 AI、機器人、自動儀器與遠端數位介面是主要常駐使用者；人類依然保有研究目標、治理、審核、異常處理、維修授權與必要物理介入權，但「人類日常可進入性」不再是所有區域的第一設計限制。

本文提出五級空間分類：Human Zone、Human-Serviceable Zone、Machine-Native Zone、Restricted Research Zone 與 No-Routine-Human-Entry Zone。本文同時強調：Machine-Native 並不等於 Human-Forbidden；其成立條件是取消人類常態進入約束能帶來可量化的安全、環境控制、設備密度、實驗穩定性、精度、throughput 或能源優勢，而且設施必須具有 robotic maintainability、remote observability、safe-state conversion、human-entry recovery、完整 provenance 與失效隔離能力。

本文不主張人形機器人是通用解。相反，提出 Embodiment Follows Task 原則：科研機器載體應依空間幾何、環境、精度、負載、感測與維修任務設計，可包含固定式手臂、軌道機器人、crawler、micro-manipulator、drone、vacuum robot、cryogenic robot、telemanipulator 與專用樣品運輸系統。CERN 在輻射與 hostile environment 中的 remote handling、ORNL 的 self-driving laboratory ecosystem，以及 2026 年 autonomous microscopy 與 agentic scientific instrument 研究，已提供部分現實基礎。

本文將機器原生科研產區視為可證偽的工程命題，而不是科技必然論。若 robotic maintenance、AI observation、automation integration 與 human-safe recovery 的總成本高於傳統 human-accessible laboratory，則相關區域應保留人類中心設計。

關鍵詞： machine-native laboratory、autonomous science、self-driving laboratory、remote handling、scientific robotics、restricted research zone、no-routine-human-entry、robotic maintenance、AI-native infrastructure、human-safe recovery

1. 問題：為什麼實驗室一定要適合人類長時間待在裡面？

傳統實驗室的空間設計通常隱含：

\mathcal{H}_{\mathrm{human}} = \{ \text{human-scale geometry}, \text{walkable access}, \text{breathable atmosphere}, \text{human-visible interface}, \text{manual serviceability}, \text{human-compatible ambient conditions} \}.

這些條件並不是錯誤。

在今日大多數科研環境中，它們仍然必要。

但如果某區域的實際日常操作鏈逐漸變成：

\text{AI} \rightarrow \text{robot} \rightarrow \text{instrument} \rightarrow \text{sample} \rightarrow \text{sensor} \rightarrow \text{AI},

那麼另一個問題自然出現：

如果人類不再是這個區域中最常出現的物理操作者，是否仍有必要讓所有環境條件都以人類舒適與直接操作為第一優先？

這不是排除人類。

而是把：

\boxed{ \text{human routine accessibility} }

由不可質疑的設計前提，改成：

\boxed{ \text{an engineering variable}. }

2. 自主科研已經從單點自動化走向系統級整合

2026 年 self-driving laboratory 的研究已不再只討論自動移液或固定腳本。

Nature Reviews Chemistry 的綜述指出，SDL 正由狹窄自動化工具發展為可以自主提出、執行與解讀實驗的 multipurpose discovery platforms，下一階段的重要條件包括：

scalability；
generalizability；
provenance-complete experimentation [1]。

Oak Ridge National Laboratory（ORNL）則已公開描述其 autonomous-science ecosystem：以 AI、robotics、advanced instrumentation、edge / cloud / HPC 與共同軟體基礎設施連結多個 self-driving laboratories [2][3]。

2026 年 ORNL 表示，其場內已有超過十個 self-driving laboratories，並由設施與工程人員支援其 physical infrastructure [4]。

這意味著：

\boxed{ \text{autonomy is moving from instrument scale toward facility scale}. }

ANCSI-07 的問題就是：

當 facility-scale autonomy 出現後，實驗室的物理空間是否也應該跟著重新設計？

3. 自主儀器正在改變「誰在觀察」

2026 年已有大型語言模型代理在同步輻射 X-ray beamline 上自主執行 sample alignment，包括：

planning actions；
issuing instrument commands；
interpreting observations；
iterating toward experimental goals [5]。

ORNL 與 University of Tennessee 亦在 2026 年展示 AI 即時引導同步輻射資料收集；團隊在啟動實驗後讓 AI 驅動後續 acquisition loop [6]。

同年，「thinking microscopes」與 smart microscopy 研究開始明確討論：

\text{measurement} \rightarrow \text{real-time analysis} \rightarrow \text{feedback} \rightarrow \text{next acquisition}.

智慧顯微鏡不再只是產圖，而是在樣品健康、解析度、速度與資訊增益之間動態決定下一個觀察動作 [7][8]。

因此：

\boxed{ \text{human eye at the instrument} }

已不再是高階觀測系統的必要中心。

4. 現代科研本來就已大量脫離「人眼直接看」

在大量高階科研中，實際鏈條早已是：

\text{physical phenomenon} \rightarrow \text{sensor} \rightarrow \text{digital data} \rightarrow \text{processing} \rightarrow \text{human interface}.

例如：

SEM；
TEM；
synchrotron detector；
cryo-EM；
AFM；
spectroscopy；
tomography；
particle detectors；

都已高度數位化。

所以未來的改變並不是：

把人眼換成 AI。

而更接近：

\boxed{ \text{instrument acquisition itself becomes adaptive and AI-mediated}. }

人類可以更晚介入：

\text{raw data} \rightarrow \text{AI analysis} \rightarrow \text{scientific representation} \rightarrow \text{human}.

這一點將在 ANCSI-08 專門展開。

5. 定義：什麼是 Machine-Native Scientific Zone

本文定義 Machine-Native Scientific Zone 為：

一個在正常運行狀態下，以機器、自動儀器、感測器與 AI 系統作為主要實體操作者，並且其空間、環境、接口與服務設計可以優先滿足機器操作需求，而不必保證人類可在任何時刻無特殊程序地進入的科研區域。

其設計目標可寫為：

\mathcal{O} = f( S, P, D, E, M, H ),

其中：

S = \text{safety},

P = \text{scientific performance},

D = \text{density},

E = \text{environmental controllability},

M = \text{machine maintainability},

H = \text{human recoverability}.

Machine-native 不表示：

H=0.

真正要求反而是：

\boxed{ H > H_{\min}. }

即必須保留可恢復到人類安全介入狀態的能力。

6. 五級空間分類

本文提出第一版空間分級：

\mathcal{Z} = \{ Z_H, Z_S, Z_M, Z_R, Z_N \}.

6.1 $Z_H$ — Human Zone

人類正常長時間工作。

特徵：

breathable atmosphere；
ordinary access；
human ergonomics；
direct interaction；
office / collaboration / governance。

例如：

control room；
scientific collaboration area；
design studio；
governance center。

6.2 $Z_S$ — Human-Serviceable Zone

平時主要由自動化設備運行，但：

\text{shutdown} + \text{isolation} + \text{safety preparation}

後，人類可以進入維護。

例如：

ordinary server area；
liquid cooling plant；
robot laboratory；
instrument hall。

其設計仍需高度考慮：

\text{human maintenance}.

6.3 $Z_M$ — Machine-Native Zone

正常狀態主要由：

\text{AI} + \text{robots} + \text{automation}

使用。

人類並非絕對不能進入，但：

\text{human routine access}

不是第一設計條件。

可以為了：

robot reach；
machine density；
environmental stability；
service routing；

犧牲一部分人類舒適性。

6.4 $Z_R$ — Restricted Research Zone

存在特殊環境：

cryogenic conditions；
oxygen-deficiency risk；
strong magnetic field；
radiation；
vacuum；
chemical hazard；
high voltage；
high-power laser；
biological containment；

因此人類進入需要：

\boxed{ \text{special authorization} + \text{PPE / special equipment} + \text{safe operating procedure}. }

6.5 $Z_N$ — No-Routine-Human-Entry Zone

正常 operational mode 中：

\boxed{ \text{human presence is not required}. }

例行：

observation；
manipulation；
maintenance；
logistics；

主要由機器完成。

但仍須有：

\text{Human-Safe Recovery Mode}.

即重大故障後可：

停止 hazard source；
隔離能源；
vent / purge / warm up；
verify atmosphere；
mechanically secure equipment；
authorize human entry。

因此：

Z_N \neq \text{permanently inaccessible}.

7. Machine-Native 不等於把人趕出去

本文特別拒絕以下命題：

\text{less human access} = \text{more advanced}.

這是不成立的。

真正判準是：

\Delta V = V_{\mathrm{machine-native}} - V_{\mathrm{human-centered}}.

只有：

\Delta V>0

且安全、維修、責任條件成立時，machine-native 才合理。

其收益至少應落在：

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

若沒有量化收益：

\boxed{ \text{不要 machine-native 化。} }

8. 第一個現實理由：有些環境本來就不適合人

CERN 將 cryogenic hazards 明確列為：

cryogenic burns；
lung injury；
overpressure；
oxygen enrichment；
Oxygen Deficiency Hazard（ODH）[9]。

大型 helium release 在封閉地下區域可能造成氧氣置換，因此 LHC 長期設計有 ODH monitoring、access restriction 與人員逃生程序 [10]。

同樣，在高輻射區域，人類維護本來就會受到限制。

因此：

\boxed{ \text{hazardous zone} + \text{remote operation} }

早已不是科幻。

9. 第二個現實理由：Remote Handling 已經成熟數十年

IAEA 的 remote technology 文獻指出，核能領域自 1950 年代即使用 through-the-wall manipulators 與 hot-cell systems 處理高放射性物質，後續進一步發展成 tele-robotics [11]。

這證明：

\boxed{ \text{human outside} + \text{machine inside} }

是一種成熟的安全工程模式。

ANCSI 的新意不在於發明 remote handling。

而是在未來 AI、自動化與機器視覺成熟時，把它從：

\text{hazard workaround}

提升成：

\boxed{ \text{first-class laboratory architecture}. }

10. CERN 已經為機器人重新設計維護接口

CERN 的 remote-maintenance 工作中特別強調：

若機器與環境從設計階段就考慮 remote handling，機器人介入會更可靠。

CERN 2022 remote-maintenance 課程指出，基於多年機器人現場介入經驗，已建立設計指引，讓 machine components 與 environments 具有 remote-intervention compatibility [12]。

這是 ANCSI-07 一個非常重要的工程原則：

\boxed{ \text{robotic maintainability must be designed in, not retrofitted later}. }

11. CRANEbot：因為人不適合去，所以機器去

CERN 為 HL-LHC 開發 CRANEbot，用於未來 radiation level 使某些區域不適合 human intervention 時的 vacuum-module handling 與 maintenance [13]。

2021 年測試中，CRANEbot 在 CMS cavern 內：

定位 vacuum module；
抓取／釋放 lifting rings；
協助 alignment；
uninstall module；

而不需要人在高風險位置直接介入 [13]。

2025 年 CERN 又報告使用專門設計的 robotic solution，在 CMS 高空間／輻射限制區域完成 in-situ machining preparation [14]。

所以：

\boxed{ \text{design equipment for robotic intervention} }

已經有大型科學設施的實際工程案例。

12. Embodiment Follows Task

如果未來科研機器主要目的是：

manipulate sample；
turn valve；
inspect cable；
measure radiation；
service cryogenic connector；
operate microscope；
move between stations；

那麼它沒有普遍必要長成人形。

本文提出：

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

其中 $B^\ast$ 是最適合的 embodiment。

因此可能出現：

\mathcal{B} = \{ \text{arm}, \text{rail robot}, \text{crawler}, \text{mobile base}, \text{drone}, \text{telemanipulator}, \text{micro-manipulator}, \text{vacuum robot}, \text{cryogenic robot} \}.

所以：

\boxed{ \text{robot morphology follows scientific function}. }

13. 人形機器人的真正位置

人形機器人仍可能很有價值。

特別是：

當環境本來就是為人類設計時。

例如：

doors；
stairs；
standard hand tools；
human control panels；
legacy laboratory benches。

此時 humanoid 具有：

\boxed{ \text{backward compatibility with human infrastructure}. }

但對全新 machine-native zone 而言：

為什麼要先把環境設計成人，再做一台機器模仿人？

未必合理。

所以新設施可以同時採：

\text{humanoid for legacy compatibility}

與：

\text{task-specific robotics for native zones}.

14. 機器原生空間的幾何可以不同

傳統走道至少要讓人通過。

Machine-native corridor 則可以依：

W_{\mathrm{robot}},

R_{\mathrm{turn}},

H_{\mathrm{service}}

設計。

例如：

overhead rail；
underfloor service robot；
narrow instrument tunnel；
vertical robot shaft；
ceiling manipulator；
dense modular racks。

因此：

\boxed{ \text{floor plan no longer needs to equal human circulation map}. }

但這類空間仍必須保留：

\text{emergency recovery access}.

15. 機器原生環境可以放棄部分人類舒適條件

如果：

Z=Z_M

或：

Z_N,

可能不需要長時間維持：

human comfort temperature；
human visual lighting；
low acoustic noise；
normal ceiling height；
continuous breathable atmosphere。

但這不代表可以無條件移除它們。

因為：

sensors 可能需要特定 illumination；
robots 也有 operating temperature；
materials 也有 humidity requirement；
human recovery 需要 environment conversion。

真正目標是：

\boxed{ \text{optimize for machine and experiment constraints}. }

16. 氣氛可以從「人類空氣」變成工程變數

Machine-native zone 可以依科研需求選擇：

A \in \{ \text{dry air}, \text{nitrogen}, \text{argon}, \text{low humidity}, \text{reduced pressure}, \text{vacuum}, \text{special process atmosphere} \}.

例如 sub-ambient compute zone 可使用極乾燥氣氛降低 condensation risk。

但若使用 inert gas：

O_2\downarrow,

對人類就是 ODH。

所以：

\boxed{ \text{machine-optimized atmosphere} \rightarrow \text{restricted human access}. }

這不是缺陷，而是必須由 zoning 與 safe-state conversion 管理的設計結果。

17. 溫度也可以從「房間條件」變成實驗條件

在 ANCSI-02 中：

T(\mathbf{x},t)

已經是可程式化變數。

Machine-native zone 使這件事更合理。

例如：

T_{\mathrm{zone}} = 240\ \mathrm K

時，人類長期工作非常不合理。

但某些 machine / material / compute experiment 可能有科學價值。

因此：

\boxed{ \text{human thermal comfort} }

不再自動成為：

T_{\mathrm{zone}}

的主要 constraint。

18. 但人類進入必須有 Environment Conversion

本文提出：

\boxed{ \text{Human-Safe Recovery Mode} }

或：

M_H.

一個 machine-native zone 從：

M_M

轉成：

M_H

可能需要：

M_M \rightarrow M_{\mathrm{shutdown}} \rightarrow M_{\mathrm{isolate}} \rightarrow M_{\mathrm{purge}} \rightarrow M_{\mathrm{thermalize}} \rightarrow M_{\mathrm{verify}} \rightarrow M_H.

其中驗證至少包括：

oxygen；
temperature；
pressure；
radiation；
electrical isolation；
moving machinery；
chemical atmosphere；
structural state。

只有：

V_{\mathrm{safe}}=1

才開放 human entry。

19. Human Entry 也是一個狀態轉換成本

傳統設施把 human access 當成免費。

但對 machine-native zone：

C_H = C_{\mathrm{shutdown}} + C_{\mathrm{conversion}} + C_{\mathrm{verification}} + C_{\mathrm{restart}}.

因此 AI scheduler 甚至可以考慮：

\boxed{ \text{human-entry cost}. }

這並不是阻止人進入。

而是知道：

某些區域一旦為人類安全化，需要停止多久？

這會影響：

maintenance planning；
staffing；
robot investment；
redundancy。

20. 遙操作仍然重要

完全 autonomy 不是唯一模式。

可以定義：

\mathcal{M}_{\mathrm{operation}} = \{ \text{manual}, \text{teleoperation}, \text{shared autonomy}, \text{autonomous} \}.

不同任務選不同模式。

例如：

Routine transfer

\text{autonomous}.

Novel maintenance

\text{shared autonomy}.

Unstructured emergency repair

\text{teleoperation}.

Safety inspection after shutdown

\text{human physical entry}.

因此：

\boxed{ \text{machine-native} \neq \text{full autonomy only}. }

21. Shared Autonomy 可能比全自主更重要

對複雜維修：

AI 可以：

stabilize robot；
avoid collision；
manage force；
recognize components；
propose action。

人類則決定：

unusual manipulation；
ambiguous damage；
repair strategy。

所以控制可以是：

u = \alpha u_{\mathrm{AI}} + (1-\alpha)u_H.

其中：

\alpha

依任務與 confidence 動態變化。

這在早期 machine-native zone 特別實際。

22. 機器環境應該「可讀」

本文提出：

\boxed{ \text{Machine-Readable Physical Environment}. }

設備可以具有：

fiducial markers；
machine-readable IDs；
standardized geometry；
pose reference；
digital twin link；
connector type；
torque limit；
service instructions；
hazard state。

對 component $i$ ：

D_i = ( ID_i, G_i, S_i, H_i, M_i ).

其中：

G_i = \text{geometry},

S_i = \text{service state},

H_i = \text{hazard state},

M_i = \text{maintenance metadata}.

機器人不必每次從純影像猜：

這是什麼？

23. Connector 也應該 Machine-Native

人類常用 connector 可能要求：

precise finger grip；
twisting；
visual alignment；
difficult tool access。

Machine-native connector 可以改成：

self-aligning；
keyed；
robot-grippable；
force-sensing compatible；
positive-lock state；
machine-verifiable engagement；
automatic leak test。

所以：

\boxed{ \text{maintenance interface} }

本身可以被重新設計。

24. 可替換模組比現場修理更適合機器

如果故障元件：

C_f

非常複雜，讓機器在現場拆焊可能不划算。

可採：

\boxed{ \text{module replacement}. }

例如：

M_i \rightarrow M_i'.

故障模組被送到：

Z_S

或：

Z_H

進行深入維修。

Machine-native zone 只負責：

disconnect；
remove；
replace；
verify。

這類架構有利於：

MTTR\downarrow.

25. 科研儀器也應設計成 Robot-Serviceable

如果 future microscope、spectrometer、cryostat 仍假設：

一定有人打開蓋子，用手伸進去。

那 machine-native facility 會很難成立。

所以 instrument design 應逐步提供：

\boxed{ \text{robotic service contract}. }

例如：

sample exchange interface；
calibration target；
self-test；
diagnostic port；
removable module；
machine-accessible fastener；
digital service manual。

這可能形成未來科研設備的新標準層。

26. Scientific Robot Capability 不應只看自由度

2026 年提出的 ADePT framework 將 autonomous laboratory robotics capability 分成：

adaptability and learning；
dexterity；
perception；
task complexity [15]。

這很重要。

因為：

6\text{-DOF arm}

本身不能回答：

它能不能在未知偏差、視覺遮擋、工具磨損與樣品變化下完成真正科研任務？

ANCSI 因此應將 robotics capability 表示為：

R_c = f( A, D, P, T ),

其中：

A = \text{adaptability},

D = \text{dexterity},

P = \text{perception},

T = \text{task complexity}.

27. 科研機器人必須處理失敗，而不只是正常 SOP

實驗室自動化真正困難的不是：

把液體從 A 移到 B。

而是：

vial 不在預期位置；
gripper 抓空；
樣品破裂；
connector 卡住；
camera obscured；
tool worn；
pressure abnormal。

因此需要：

\boxed{ \text{failure-aware autonomy}. }

對 action $a_t$ ：

o_{t+1} \neq \hat{o}_{t+1}

時：

\text{detect} \rightarrow \text{diagnose} \rightarrow \text{recover / escalate}.

這比單純 script automation 更接近真正 machine-native operation。

28. Autonomous Laboratory 不等於 Autonomous Facility

這兩者必須分開。

Autonomous Laboratory

可能只控制：

\text{experiment loop}.

Autonomous Facility

還必須控制：

\{ \text{energy}, \text{thermal}, \text{logistics}, \text{maintenance}, \text{safety}, \text{access} \}.

因此：

\boxed{ \text{SDL} \subset \text{Machine-Native Scientific Facility}. }

ANCSI-07 的研究尺度比單一 self-driving laboratory 更大。

29. 多個 Self-Driving Labs 會產生新問題

2026 年已有研究開始討論：

\boxed{ \text{multi-agent management of autonomous materials labs}. }

研究者指出，下一代 autonomous materials lab 需要協調多個 self-driving systems，以處理更廣的 scientific campaign 與 resource optimization [16]。

這意味著：

instrument contention；
robot contention；
sample logistics；
compute allocation；
laboratory scheduling；

將形成共享資源問題。

所以需要：

\boxed{ \text{scientific production scheduling}. }

30. Scientific Production Zone 並不表示「研究變成工廠」

本文使用 production 一詞不是要把科學簡化成量產。

而是表示：

\boxed{ \text{experiment execution itself can become a continuously orchestrated production process}. }

其產物不是只有產品。

也包括：

data；
evidence；
hypothesis elimination；
material samples；
model updates；
negative results。

所以：

\text{scientific production} = \text{systematic production of evidence}.

31. 研究目標仍然可以來自人

Machine-native zone 並不要求：

\text{AI defines all science}.

研究目標來源可以是：

G \in \{ \text{human}, \text{AI}, \text{human-AI team} \}.

真正改變的是：

\boxed{ \text{execution substrate}. }

例如人類問：

哪種材料在高溫循環下最穩定？

AI 可以：

規劃 experiment campaign；
安排 instrument；
操作 robot；
收資料；
做分析；
提出下一輪；
把高價值結果投影給人類。

所以 human scientific agency 並不因物理離場而消失。

32. 人類「必要時才去」可以是正式設計原則

傳統設施：

\text{human presence} = \text{default}.

Machine-native zone：

\text{human presence} = \text{exception}.

因此事件：

E_H = \text{human physical intervention}

本身可以有 trigger：

E_H \iff \{ \text{robotic recovery failed} \vee \text{novel fault} \vee \text{legal inspection} \vee \text{major rebuild} \}.

這正是：

\boxed{ \text{exception-based physical human intervention}. }

33. Human Entry Criteria

對 $Z_N$ ：

只有：

C_H=1

時允許進入。

其中：

C_H = C_{\mathrm{atmosphere}} \land C_{\mathrm{thermal}} \land C_{\mathrm{radiation}} \land C_{\mathrm{electrical}} \land C_{\mathrm{mechanical}} \land C_{\mathrm{chemical}}.

所有條件皆成立：

C_H=1.

否則：

C_H=0.

這應由獨立 safety system 驗證，而不是只由 AI 語意判斷。

34. Human-Safe Recovery 也需要演練

如果一個 zone 十年沒有人進去，但設計圖上寫：

可以緊急進入。

這不算證明。

必須定期執行：

\boxed{ \text{recovery drills}. }

例如：

simulated fault；
robot unable to recover；
zone shutdown；
purge；
warmup；
lockout-tagout；
safety verification；
human inspection；
restart。

測量：

\tau_{\mathrm{human-ready}}.

35. Machine-Native Zone 的 Digital Twin 要比普通 BIM 更完整

需要包含：

D_Z = \{ G, K, H, R, A, S \}.

其中：

G = \text{geometry},

K = \text{kinematic access},

H = \text{hazards},

R = \text{robot capability},

A = \text{authority state},

S = \text{service state}.

Digital twin 必須能回答：

Robot-B 能不能從現在的位置，在不穿越 restricted region 的情況下更換 Pump-17？

這遠超過普通 3D model。

36. 可達性應有兩套圖

Human Accessibility Graph

\mathcal{G}_H.

Machine Accessibility Graph

\mathcal{G}_M.

在 traditional lab：

\mathcal{G}_H \approx \mathcal{G}_M.

在 machine-native facility：

\boxed{ \mathcal{G}_H \neq \mathcal{G}_M. }

某些區域：

v\in\mathcal{G}_M

但：

v\notin\mathcal{G}_H

during normal operation。

這是空間架構上的根本改變。

37. Machine Accessibility 也需要冗餘

如果某設備只存在一條 robotic access path：

R_1,

一旦：

R_1=\text{blocked},

設備可能完全失去維護能力。

因此關鍵設備應考慮：

N+1

robot access：

\exists R_1,R_2.

或至少具備：

\boxed{ \text{removable module path}. }

38. 機器人本身也會故障

Machine-native 不代表：

P_{\mathrm{robot\ failure}}=0.

因此 robot architecture 需要：

self-rescue；
tow point；
rescue robot；
redundant locomotion；
external power；
manual remote override。

如果 robot 卡在唯一走道：

\text{blocked robot}

不能讓整區 permanent inaccessible。

所以甚至需要：

\boxed{ \text{robot-recovery architecture}. }

39. Robot Repairing Robot

在高階 facility 中，可以出現：

R_A \rightarrow \text{service} \rightarrow R_B.

但不能產生無限遞迴：

誰修修理機器人的機器人？

最終仍需：

\boxed{ \text{maintainability termination path}. }

例如：

simple rescue device；
module extraction；
human-safe recovery。

所以：

\text{robot repairs robot}

可以降低人類進入頻率，但不必宣稱完全消除 human fallback。

40. Remote Observation 必須比 CCTV 更強

Machine-native zone 中，人類與上層 AI 需要的是：

\boxed{ \text{instrumented observability}. }

而不是只有攝影機。

包括：

RGB；
depth；
thermal；
acoustic；
vibration；
force；
pressure；
flow；
gas composition；
radiation；
magnetic field；
electrical state；
robot proprioception。

因此 zone state：

S_Z

應可被多模態重建。

41. AI Camera 不只是「會認物體」

未來 AI vision 的真正科研價值是：

\boxed{ \text{closed-loop observation}. }

即：

\text{observe} \rightarrow \text{interpret} \rightarrow \text{choose next view} \rightarrow \text{observe}.

這與 2026 smart microscopy 的 adaptive acquisition 思維一致 [7][8]。

所以 facility camera / sensor network 也可能逐漸從：

\text{passive CCTV}

轉成：

\boxed{ \text{active scientific perception network}. }

42. Macro–Meso–Micro Observation

Machine-native research environment 可以同時建立：

Macro

整個 room / plant。

Meso

設備與 robot。

Micro

sample / instrument measurement。

因此：

O = \{ O_{\mathrm{macro}}, O_{\mathrm{meso}}, O_{\mathrm{micro}} \}.

AI 可以關聯：

某 microscopic anomaly 是否和 $12$ 分鐘前的 room vibration 有關？

這種 cross-scale correlation 是人類逐台看儀器很難長期完成的。

43. 人類觀察介面不需要複製機器的感官

如果 robot 使用：

depth map；
thermal camera；
force field；
hyperspectral sensor；

人類沒有必要逐一看原始 channel。

可以建立：

R_H = f( O_{\mathrm{macro}}, O_{\mathrm{meso}}, O_{\mathrm{micro}} ).

呈現成：

3D digital twin；
augmented scientific map；
event timeline；
anomaly layer；
confidence layer。

但：

R_H

必須保留返回 raw evidence 的路徑。

44. AI-Native Projection 不是科研證據本身

這是重要原則。

AI 告訴研究者：

此處存在 defect。

不能只保存：

\text{defect=true}.

必須保存：

\boxed{ \text{raw observation} \rightarrow \text{calibration} \rightarrow \text{processing} \rightarrow \text{model inference} \rightarrow \text{representation}. }

這與 2026 SDL literature 強調 provenance-complete experimentation 的方向一致 [1]。

45. 科研產區需要 Evidence Bus

本文提出：

\boxed{ \text{Scientific Evidence Bus}. }

不同儀器輸出的：

raw data；
timestamps；
calibration；
instrument state；
sample identity；
environmental state；
AI action；

應能被共同串接。

對 observation $o_i$ ：

E_i = ( X_i, C_i, I_i, S_i, M_i, t_i ).

其中：

X_i = \text{raw measurement},

C_i = \text{calibration},

I_i = \text{instrument},

S_i = \text{environment state},

M_i = \text{analysis model}.

這使 autonomous experiment 可被重新審核。

46. Sample Identity 必須全流程持續

若人類不在現場盯著樣品：

\boxed{ \text{sample provenance} }

更重要。

sample $s$ ：

S_s(t) = ( \text{ID}, \text{location}, \text{history}, \text{environment}, \text{operations} ).

需要知道：

誰製作；
放在哪；
robot 怎麼搬；
經過什麼溫度；
被哪台 instrument 測過；
是否污染；
是否切割；
是否已消耗。

否則 autonomy 只會提高錯誤速度。

47. Scientific Chain of Custody

對高價值或 regulated sample：

\boxed{ \text{chain of custody} }

應從 human workflow 轉成 machine-verifiable event chain。

例如：

E_0 \rightarrow E_1 \rightarrow \cdots \rightarrow E_n.

每一步：

location；
agent；
action；
time；
state；

可重建。

這也使 machine-native zone 可支援更嚴格的研究品質管理。

48. 自主科研不應隱藏 Negative Result

AI optimizer 容易偏向：

\text{high-value region}.

但對科學而言：

\boxed{ \text{failed / negative experiments are evidence}. }

因此 production zone 不應只保存「成功樣品」。

應保存：

\{ \text{success}, \text{failure}, \text{inconclusive}, \text{aborted} \}.

否則 automation 可能製造 systematic publication-like bias。

49. Machine-Native 科研的真正限制：泛化

2026 年 robotics / SDL literature 仍明確指出：

generalizability；
scalability；
adaptability；
task complexity；

是核心挑戰 [1][15][17]。

因此：

\boxed{ \text{today's autonomous lab} \neq \text{general autonomous scientist}. }

這篇不是假設問題已經解完。

它只是提出：

如果能力逐步成熟，空間架構要怎麼跟著準備？

50. AutoLabs 類系統仍顯示 AI reliability 是研究問題

2026 年 AutoLabs 研究提出多 AI、自我修正架構，目的之一就是處理 autonomous chemical experimentation 中 agent reliability 與 granular performance 的不足 [18]。

所以 machine-native zone 必須假設：

\exists \text{AI error}.

不是：

\text{AI error}=0.

因此需要：

action validation；
physical constraint；
simulation；
rollback；
anomaly detection；
escalation。

51. 研究空間應該有 Autonomy Envelope

類似 ANCSI-06 的 Authority Envelope，實驗本身可以有：

\boxed{ \mathcal{E}_{\mathrm{auto}} }

即 AI 可以自主執行的 experiment space。

例如：

T \in [280,330]\ \mathrm K,

P < P_{\max},

\text{approved materials only}.

若 AI 想進：

T>330\ \mathrm K

則：

\text{escalate}.

所以：

\boxed{ \text{scientific autonomy is bounded experimental autonomy}. }

52. Hazard Class 與 Autonomy Class 應分開

高 hazard 並不必然表示低 autonomy。

反而某些高 hazard zone：

\text{human presence}\downarrow

時，autonomy 可能更有價值。

所以：

H_c = \text{hazard class},

A_c = \text{autonomy class}.

兩者：

H_c \neq A_c.

例如高 radiation zone 可以具有：

H_c=\text{high},

A_c=\text{high}.

但 safety validation 必須更嚴格。

53. Restricted Zone 的人類介入不是失敗

如果出現 novel fault：

F_{\mathrm{novel}}.

Robot 無法處理：

R_{\mathrm{recover}}=0.

最合理行動可能就是：

\boxed{ \text{shutdown} \rightarrow \text{human-safe conversion} \rightarrow \text{human intervention}. }

這不是 autonomous system 失敗。

只要它：

正確識別能力邊界；
安全停機；
保存證據；
成功恢復 human access。

反而代表成熟。

54. Human-Safe Conversion 需要獨立控制

不能由同一個失效 AI 自己宣告：

現在安全，可以進來。

需要：

\boxed{ \text{independent verification}. }

例如：

hardwired gas sensors；
radiation monitors；
lockout state；
mechanical position；
temperature sensors；
independent safety PLC。

因此：

AI_{\mathrm{operation}} \neq V_{\mathrm{entry}}.

55. 空間應該能在不同模式間轉換

同一區域可能：

Z(t)

隨狀態變化。

例如：

正常運行：

Z(t)=Z_N.

停機後：

Z(t)=Z_R.

完成 purge / verification：

Z(t)=Z_S.

所以：

\boxed{ \text{zone class may be operational-state dependent}. }

這比把建築永久貼一個標籤更精確。

56. 人員裝備是 Transition Mechanism

有些區域不必完全轉成普通 human zone。

人類可以使用：

respirator；
oxygen supply；
radiation PPE；
cryogenic PPE；
telepresence；
exoskeleton；
specialized suit。

進入：

Z_R.

因此：

\boxed{ \text{human capability} }

也可以透過 equipment 擴張。

但這類介入應是特殊狀態，不應成為日常科研流程的默認需求。

57. Machine-Native 可以提高空間密度

若不需要：

wide human aisles；
manual-access clearance；
standing height；
human lighting；

則：

D_{\mathrm{equipment}} \uparrow.

但密度提高會帶來：

heat density；
maintenance complexity；
robot collision risk；
cable / pipe congestion。

所以：

\boxed{ \max D }

不是目標。

真正目標：

D^\ast = \operatorname*{argmax}_D V_{\mathrm{lifecycle}}.

58. Machine-Native 可以提高環境穩定性

人類進出會帶來：

heat；
moisture；
particles；
vibration；
door opening；
atmospheric disturbance。

對某些高精度儀器：

\boxed{ \text{human absence itself may improve environmental stability}. }

例如：

ultra-clean environment；
vibration-sensitive microscopy；
extreme thermal stability；
controlled gas environment。

這是一個可以實驗量化的優勢。

59. 人類進入對科研也可能是 Disturbance

設：

D_H = \text{human-induced disturbance}.

可以包括：

D_H = f( Q_{\mathrm{body}}, H_2O, CO_2, \text{particles}, \text{vibration}, \text{EMI}, \text{access cycle} ).

在某些實驗中：

D_H

可能 negligible。

在某些 high-precision zone 中：

D_H

可能很重要。

所以 machine-native 的價值應依 actual experiment sensitivity 判斷。

60. Security 也會改變

若人類日常不進：

unauthorized physical access；
accidental cable pull；
misplaced tool；
contamination；

可能下降。

但新攻擊面會增加：

robot control；
remote access；
AI planner；
sensor spoofing；
digital twin；
software supply chain。

所以：

\boxed{ \text{physical risk shifts into cyber-physical risk}. }

不能只說「沒有人更安全」。

61. Machine-Native Zone 的 Cyber-Physical Gate

任何跨 zone 操作：

Z_i \rightarrow Z_j

例如：

robot；
sample；
command；
fluid；
data；

都應經：

\boxed{ \text{typed gateway}. }

例如 sample gate 檢查：

ID；
contamination；
container；
destination；
experiment authorization。

Robot gate 檢查：

task；
capability；
hazard compatibility；
battery / tether；
recovery path。

這使 zoning 不是只有牆與門，而是 protocol boundary。

62. 機器科研區也需要類似「消防通道」的 Robot Rescue Path

人類建築有：

\text{egress}.

Machine-native zone 應有：

\boxed{ \text{robotic recovery path}. }

例如：

rail bypass；
tow route；
spare manipulator access；
overhead crane；
module extraction hatch。

目的：

\text{single failed robot} \not\Rightarrow \text{blocked facility}.

63. No-Routine-Human-Entry 不等於黑箱

對 $Z_N$ 反而要提高：

\boxed{ \text{observability}. }

因為人不能隨時走進去看。

因此需要更完整：

cameras；
environmental sensors；
equipment telemetry；
robot telemetry；
acoustic monitoring；
diagnostic coverage。

所以：

\text{human access}\downarrow

應伴隨：

\text{instrumented observability}\uparrow.

64. 診斷覆蓋率

可以定義：

D_C = \frac{N_{\mathrm{detectable\ failure\ modes}}} {N_{\mathrm{relevant\ failure\ modes}}}.

對 $Z_N$ ：

D_C

應高於一般 human-serviceable zone。

因為：

\boxed{ \text{inaccessibility must be compensated by diagnosability}. }

65. Repairability Score

對 component $i$ ：

R_i = f( \text{access}, \text{tool compatibility}, \text{module replaceability}, \text{diagnostics}, \text{robot capability} ).

若：

R_i<R_{\min},

不應放進：

Z_N.

所以「設備能運作」不夠。

必須：

\boxed{ \text{設備能被機器維修或抽出}. }

66. Machine-Native Design Rule：故障件不要藏在機器到不了的位置

這聽起來很簡單，但非常關鍵。

若：

P_{\mathrm{failure}}>0

且：

A_{\mathrm{robot}}=0,

則未來一定需要：

\text{human intervention}.

如果 human conversion cost 高：

C_H\gg0,

這個 component placement 就是錯誤設計。

因此設計優化應加入：

\boxed{ C_{\mathrm{maintenance}}. }

67. 自主科研產區不是完全黑燈工廠

lights-out manufacturing 常被用來描述無人化工廠。

但科研和量產不同：

\text{science} \neq \text{repetition only}.

科學包含：

novelty；
uncertainty；
failed experiment；
unexpected observation；
changing apparatus。

因此 Machine-Native Scientific Zone 必須比 ordinary lights-out factory 更重視：

\boxed{ \text{adaptability} + \text{evidence} + \text{human escalation}. }

68. 科研產區的核心產品是「可相信的未知資訊」

製造業的 output 可能是：

\text{product}.

科研區的 output 是：

\boxed{ \text{evidence about unknowns}. }

因此 optimization 不能只有：

\max \text{throughput}.

還需要：

\max \text{valid information gain}.

所以 experiment scheduler 的 objective 可能是：

J = -\lambda_1I_{\mathrm{gain}} + \lambda_2C_{\mathrm{resource}} + \lambda_3R_{\mathrm{risk}}.

這使科研產區與普通自動工廠本質上不同。

69. 第一代 Machine-Native Prototype

第一代不應用 hazardous environment。

建立：

Z_M

而不是：

Z_R.

配置：

robotic arm；
mobile robot；
automated instrument；
sample rack；
machine-readable fixtures；
remote cameras；
environment sensors；
local AI；
deterministic safety。

人類仍可直接走入，但日常 experiment 禁止人工介入。

測試：

sample preparation；
transfer；
measurement；
calibration；
tool change；
minor fault recovery；
failed robot rescue。

比較：

\text{machine-native workflow}

與：

\text{human workflow}.

70. 第二代：Human-Serviceable Restricted Zone

加入：

low oxygen / dry inert environment simulation；
sub-ambient temperature；
interlocked access；
automated purge；
human-safe conversion。

此時測試：

\tau_{\mathrm{human-ready}}.

核心問題：

如果 autonomy 失敗，設施能不能可靠地回到人類可維修狀態？

71. 第三代：No-Routine-Human-Entry Zone

只有前兩階段完成後，才將 normal operation 定義為：

\boxed{ \text{no routine human entry}. }

所有 routine maintenance：

M_r

要求：

M_r\subseteq \mathcal{A}_{\mathrm{robot}}.

如果某 routine task 仍需人：

M_r\not\subseteq \mathcal{A}_{\mathrm{robot}},

則：

Z_N

尚未成熟。

72. 第四代：Restricted Scientific Environment

才逐步加入真正：

cryogenic；
radiation；
vacuum；
strong field；
controlled atmosphere；

等環境。

這時 Machine-Native 不再只是效率問題。

而是：

\boxed{ \text{human exposure reduction}. }

73. 第五代：Multi-Zone Scientific Production Habitat

最終形成：

Z_H \leftrightarrow Z_S \leftrightarrow Z_M \leftrightarrow Z_R \leftrightarrow Z_N.

不同：

sample；
robot；
information；
thermal resource；

在 zone 之間被安全調度。

這才是完整：

\boxed{ \text{AI-native scientific production habitat}. }

74. 評估指標

74.1 Human Exposure Time

T_H = \text{human time spent in hazardous zone}.

目標：

T_H\downarrow.

74.2 Autonomous Experiment Completion Rate

R_A = \frac{N_{\mathrm{experiments\ completed\ without\ human\ physical\ intervention}}} {N_{\mathrm{experiments}}}.

74.3 Robotic Maintenance Coverage

C_R = \frac{N_{\mathrm{routine\ maintenance\ tasks\ robot-capable}}} {N_{\mathrm{routine\ maintenance\ tasks}}}.

74.4 Human-Safe Recovery Time

\tau_H = t_{\mathrm{human-safe}} - t_{\mathrm{recovery\ start}}.

74.5 Diagnostic Coverage

D_C = \frac{N_{\mathrm{detectable\ failures}}} {N_{\mathrm{relevant\ failures}}}.

74.6 Sample Provenance Completeness

P_S = \frac{N_{\mathrm{fully\ traceable\ samples}}} {N_{\mathrm{samples}}}.

74.7 Scientific Provenance Completeness

P_E = \frac{N_{\mathrm{reconstructable\ experiments}}} {N_{\mathrm{experiments}}}.

74.8 Experiment Throughput

\Gamma = \frac{N_{\mathrm{valid\ experiments}}} {T}.

注意：

\text{valid experiments}

而不是所有 robot motions。

74.9 Environment Stability

可使用：

\sigma_T,

\sigma_P,

\sigma_{\mathrm{vibration}},

\sigma_{\mathrm{humidity}}.

比較有人與無人常態進入的差異。

74.10 Mean Time to Robotic Recovery

MTTR_R.

74.11 Human Intervention Necessity Rate

R_H = \frac{N_{\mathrm{events\ requiring\ physical\ human\ intervention}}} {N_{\mathrm{operations}}}.

75. 可證偽命題

H1 — Machine-Native Zone Hypothesis

對高度自動化科研流程，取消 human routine-access constraint 後，可以在：

\{ \text{safety}, \text{precision}, \text{density}, \text{environment stability}, \text{throughput} \}

至少一項取得可量化改善，且 lifecycle cost 不失控。

H2 — Robotic-Maintainability-by-Design Hypothesis

從設計初期針對 robot service 最佳化的設備，其：

MTTR_R

與：

R_{\mathrm{successful\ service}}

優於由 human-oriented equipment 事後改造的 robotic maintenance。

H3 — No-Routine-Human-Entry Hypothesis

對具明確 hazardous environment 的科研區：

Z_N

可顯著降低：

T_H

而不降低 facility availability。

H4 — Machine-Readable Environment Hypothesis

加入：

machine-readable IDs；
standardized geometry；
robotic connectors；
digital service metadata；

可提高 autonomous maintenance success rate。

H5 — Human-Safe-Recovery Hypothesis

Machine-native zone 可以被設計成：

M_M \rightarrow M_H

具有有界且可驗證的 recovery time。

若：

\tau_H

無法穩定控制，則 $Z_N$ 不應部署。

H6 — Instrumented-Observability Hypothesis

當：

\text{human routine access}\downarrow

而：

\text{sensor / diagnostic coverage}\uparrow,

系統的故障發現能力可保持或提高。

H7 — Task-Specific Embodiment Hypothesis

在全新 machine-native environment 中：

\text{task-specific robotics}

對某些科研任務可比 humanoid architecture 具有更高：

\{ \text{precision}, \text{reliability}, \text{cost efficiency} \}.

H8 — Scientific Production Scheduling Hypothesis

將多個 autonomous labs、instruments、robots、compute 與 sample logistics 共同排程，可提高：

\text{valid information throughput}.

76. 失敗條件與反例

76.1 Robot Adaptability 不足

若環境稍微變化：

R_{\mathrm{success}}\downarrow\downarrow,

則 human generality 仍可能更有價值。

76.2 Maintenance Cost 過高

如果：

C_{\mathrm{robotic\ maintenance}} > C_{\mathrm{human\ maintenance}} + C_{\mathrm{shutdown}},

則 machine-native 未必值得。

76.3 Human-Safe Recovery 太慢

若：

\tau_H

需要數天，而故障頻率不低，availability 可能惡化。

76.4 Environmental Benefit 不存在

若 human presence 對實驗：

D_H\approx0,

則取消 human accessibility 可能沒有科研收益。

76.5 Automation 造成 Vendor Lock-In

如果所有 connector、robot、instrument 都依賴單一 proprietary system：

C_{\mathrm{lifecycle}}

可能快速上升。

76.6 AI Perception 無法保證關鍵狀態

若 critical fault 必須靠人肉眼發現，而 sensor coverage 不足：

Z_N

不可接受。

76.7 自主系統掩蓋錯誤

若 AI 會自動修正資料、隱藏 failed experiments 或產生不可追溯 inference：

\text{scientific validity} \downarrow.

則 autonomy 反而損害科研。

77. Safety Principles

Principle 1 — Machine-Native Is Not Human-Forbidden

Z_M,Z_N

仍需 recovery path。

Principle 2 — No Routine Human Entry Requires Higher Observability

H_{\mathrm{access}}\downarrow \Rightarrow O_{\mathrm{instrumented}}\uparrow.

Principle 3 — Robotic Maintainability Must Be Designed In

不要事後才問：

機器手伸得到嗎？

Principle 4 — Safe Human Entry Must Be Independently Verified

Operational AI 不能自己宣布：

\text{safe for humans}.

Principle 5 — Human Absence Does Not Remove Governance

物理無人：

\neq

制度無人。

Principle 6 — Task Determines Embodiment

B^\ast = f(\text{task}).

Principle 7 — Autonomous Science Must Preserve Raw Evidence

\text{AI representation} \neq \text{raw scientific evidence}.

Principle 8 — Failure Recovery Is Part of Normal Design

設計時假設：

\exists \text{robot failure}.

Principle 9 — Human Intervention Is a Valid Terminal Recovery Path

真正成熟的自治系統知道：

\boxed{ \text{when to stop being autonomous}. }

78. 與 ANCSI-06 的關係

ANCSI-06 定義：

\text{who may control what}.

本文定義：

\boxed{ \text{where each kind of operator is physically expected to exist}. }

因此：

\text{authority topology}

開始與：

\text{spatial topology}

耦合。

例如：

Z_N

中：

Local AI authority 高。

但：

\text{human physical presence}=0

during normal operation。

而：

Z_H

中 human governance 與 direct collaboration 最高。

79. 與 ANCSI-08 的銜接

一旦人類不再站在儀器旁邊：

人類到底怎麼「看」科研世界？

這就成為下一篇的核心。

ANCSI-08 將研究：

\boxed{ \text{AI-Native Observation}. }

包括：

raw scientific data；
multimodal sensor fusion；
adaptive observation；
scientific representation；
AI projection；
uncertainty；
provenance；
human drill-down；
raw-evidence recovery。

也就是：

\text{instrument world} \rightarrow \text{AI scientific world model} \rightarrow \text{human scientific interface}.

80. 結論

本文提出 ANCSI 的第七個工程命題：

\boxed{ \text{部分未來科研空間不一定需要以人類常態存在作為第一設計條件。} }

這個命題並不是：

AI 比人類重要。

也不是：

未來研究員都不能進實驗室。

真正的工程問題是：

如果某個科研區域的主要日常操作者已經是 AI、自動儀器與機器人，那麼還要不要為了偶爾的人類介入，永久犧牲環境控制、設備密度、安全隔離與科研穩定性？

CERN 的 remote-handling 系統已經證明，在 radiation 或 hostile environment 中，讓機器取代人類直接介入具有明確安全價值 [12][13][14]。

IAEA 的 hot-cell 與 tele-robotics 歷史則證明：

\text{human outside} + \text{machine inside}

並不是新思想 [11]。

2026 年的 ORNL autonomous-science ecosystem、自主 X-ray beamline、thinking microscopes、smart microscopy 與多 self-driving lab orchestration 研究，則顯示：

\boxed{ \text{機器不只開始操作科研設備，也開始參與觀察、決策與跨設備工作流。} }

ANCSI-07 所提出的新一步，是把這些已存在的能力提升為空間與建築問題：

\boxed{ \text{What if the laboratory itself were designed for machine operators first?} }

如果答案在部分科研領域成立，那麼未來大型 AI 科研設施可能不再是一棟人類實驗室，裡面放很多機器。

它可能更接近：

\boxed{ \textbf{a scientific physical world inhabited operationally by machines} }

而人類透過：

治理；
科學目標；
AI 原生觀測；
digital twin；
remote intervention；
exception-based physical entry；

持續參與其中。

因此真正的終點不是：

\text{human removed}.

而是：

\boxed{ \text{human physical presence becomes optional where physics, safety, and science make it unnecessary}. }

這才是 Machine-Native Scientific Production Zone 的核心命題。

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. (2026). Autonomous Science.
https://www.ornl.gov/autonomousscience

[3] Oak Ridge National Laboratory. (2025/2026). The INTERSECT Federated Architecture for the Scientific Laboratory of the Future.
https://www.ornl.gov/research-highlight/intersect-federated-architecture-scientific-laboratory-future

[4] 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

[5] 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

[6] Oak Ridge National Laboratory. (2026). AI powers self-driving science.
https://www.ornl.gov/news/ai-powers-self-driving-science

[7] 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

[8] 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

[9] CERN Safety Office. Cryogenic Hazards.
https://safetyofficete.web.cern.ch/cryogenic/

[10] Chorowski, M., Erdt, W. K., Konopka, G., & Riddone, G. (2001). Oxygen Deficiency Hazard (ODH) Monitoring System in the LHC Tunnel. CERN LHC Project Report 523.
https://cds.cern.ch/record/534110

[11] International Atomic Energy Agency. Advances in and Applications of Remote Techniques in Nuclear Facilities. IAEA-TECDOC-1433.
https://www-pub.iaea.org/MTCD/publications/PDF/TE_1433_CD_lowRes/CD/Contents.pdf

[12] CERN. (2022). REMOTE — Robotics activities at CERN: Simulation and best practices for remote maintenance.
https://indico.cern.ch/event/1055754/

[13] CERN. (2021). HL-LHC radiation protection robot passes first in-cavern test with flying colours.
https://home.cern/news/news/engineering/hl-lhc-radiation-protection-robot-passes-first-cavern-test-flying-colours

[14] CERN High Luminosity LHC Project. (2025). Robotic solution: successful preparation of the CMS rotating shielding for future HL-LHC vacuum module installation.
https://hilumilhc-d10.web.cern.ch/article/robotic-solution-successful-preparation-cms-rotating-shielding-future-hl-lhc-vacuum-module

[15] Salazar-Villacis, P., & Benyahia, B. (2026). The ADePT framework for assessing autonomous laboratory robotics. Communications Chemistry, 9, 99.
https://doi.org/10.1038/s42004-026-01932-9

[16] 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

[17] 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

[18] Panapitiya, G., Saldanha, E., Job, H., et al. (2026). AutoLabs: cognitive multi-agent systems with self-correction for autonomous chemical experimentation. Scientific Reports, 16, 19554.
https://doi.org/10.1038/s41598-026-45593-z

[19] Nature. (2026). Inside the ‘self-driving’ lab revolution. Nature, 652, 262–264.
https://doi.org/10.1038/d41586-026-00974-2

[20] Nature. (2026). Robots run this laboratory in Japan — and are changing how scientists work. Nature, 654, 14–15.
https://doi.org/10.1038/d41586-026-01625-2

文件狀態

本文為 ANCSI 系列第七篇公開命題稿 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；Machine-Native Scientific Production Zone、No-Routine-Human-Entry Zone、Human-Safe Recovery Mode、Machine-Readable Physical Environment、robotic service contract、Scientific Evidence Bus 與 exception-based physical human intervention 均屬由現有 autonomous science、remote handling、scientific robotics、cryogenic / radiation safety 與 self-driving laboratory 技術向前推導之待驗證工程命題。本文不主張取消人類科研角色，也不主張任何 hazardous environment 應在缺乏正式安全工程與法規審查下運行。

機器原生科研產區

機器原生科研產區

從人類可進入實驗室走向以 AI、機器人與自動儀器為主要常駐使用者的科研空間

摘要

1. 問題：為什麼實驗室一定要適合人類長時間待在裡面？

2. 自主科研已經從單點自動化走向系統級整合

3. 自主儀器正在改變「誰在觀察」

4. 現代科研本來就已大量脫離「人眼直接看」

5. 定義：什麼是 Machine-Native Scientific Zone

6. 五級空間分類

6.1 ZHZ_HZH​ — Human Zone

6.2 ZSZ_SZS​ — Human-Serviceable Zone

6.3 ZMZ_MZM​ — Machine-Native Zone

6.4 ZRZ_RZR​ — Restricted Research Zone

6.5 ZNZ_NZN​ — No-Routine-Human-Entry Zone

7. Machine-Native 不等於把人趕出去

8. 第一個現實理由：有些環境本來就不適合人

9. 第二個現實理由：Remote Handling 已經成熟數十年

10. CERN 已經為機器人重新設計維護接口

11. CRANEbot：因為人不適合去，所以機器去

12. Embodiment Follows Task

13. 人形機器人的真正位置

14. 機器原生空間的幾何可以不同

15. 機器原生環境可以放棄部分人類舒適條件

16. 氣氛可以從「人類空氣」變成工程變數

17. 溫度也可以從「房間條件」變成實驗條件

18. 但人類進入必須有 Environment Conversion

19. Human Entry 也是一個狀態轉換成本

20. 遙操作仍然重要

Routine transfer

Novel maintenance

Unstructured emergency repair

Safety inspection after shutdown

21. Shared Autonomy 可能比全自主更重要

22. 機器環境應該「可讀」

23. Connector 也應該 Machine-Native

24. 可替換模組比現場修理更適合機器

25. 科研儀器也應設計成 Robot-Serviceable

26. Scientific Robot Capability 不應只看自由度

27. 科研機器人必須處理失敗，而不只是正常 SOP

28. Autonomous Laboratory 不等於 Autonomous Facility

Autonomous Laboratory

Autonomous Facility

29. 多個 Self-Driving Labs 會產生新問題

30. Scientific Production Zone 並不表示「研究變成工廠」

31. 研究目標仍然可以來自人

32. 人類「必要時才去」可以是正式設計原則

33. Human Entry Criteria

34. Human-Safe Recovery 也需要演練

35. Machine-Native Zone 的 Digital Twin 要比普通 BIM 更完整

36. 可達性應有兩套圖

Human Accessibility Graph

Machine Accessibility Graph

37. Machine Accessibility 也需要冗餘

38. 機器人本身也會故障

39. Robot Repairing Robot

40. Remote Observation 必須比 CCTV 更強

41. AI Camera 不只是「會認物體」

42. Macro–Meso–Micro Observation

Macro

Meso

Micro

43. 人類觀察介面不需要複製機器的感官

44. AI-Native Projection 不是科研證據本身

45. 科研產區需要 Evidence Bus

46. Sample Identity 必須全流程持續

47. Scientific Chain of Custody

48. 自主科研不應隱藏 Negative Result

49. Machine-Native 科研的真正限制：泛化

50. AutoLabs 類系統仍顯示 AI reliability 是研究問題

51. 研究空間應該有 Autonomy Envelope

52. Hazard Class 與 Autonomy Class 應分開

53. Restricted Zone 的人類介入不是失敗

54. Human-Safe Conversion 需要獨立控制

55. 空間應該能在不同模式間轉換

56. 人員裝備是 Transition Mechanism

57. Machine-Native 可以提高空間密度

58. Machine-Native 可以提高環境穩定性

59. 人類進入對科研也可能是 Disturbance

60. Security 也會改變

6.1 $Z_H$ — Human Zone

6.2 $Z_S$ — Human-Serviceable Zone

6.3 $Z_M$ — Machine-Native Zone

6.4 $Z_R$ — Restricted Research Zone

6.5 $Z_N$ — No-Routine-Human-Entry Zone