自治科學棲息地命題

AI 原生計算—科研基礎設施的統合理論邊界、必要條件、可證偽命題與分階段驗證綱領

English Title: The Autonomous Scientific Habitat Conjecture: Integrated Architecture, Necessary Conditions, Falsifiability, and a Staged Validation Program for AI-Native Computational and Scientific Infrastructure

Series: ANCSI — AI-Native Computational and Scientific Infrastructure
Paper: ANCSI-09
Version: v0.1
Date: 2026-09-23
Type: 公開命題／工程猜想統合論文（Public Proposition / Engineering Conjecture Synthesis Paper）

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

ANCSI 系列前八篇分別提出：AI 原生計算—科研基礎設施、可程式化熱力學場、計算驅動熱力學基礎設施、真空包覆多介質管網場、熱階梯與冷量儲存、AI 原生自治控制與分散治理、機器原生科研產區，以及 AI 原生科學觀測。本篇將這些原先可獨立存在的工程命題統合為一個更強、但也更容易被反駁的總命題：自治科學棲息地命題（Autonomous Scientific Habitat Conjecture, ASHC）。

本文所稱「棲息地」不賦予 AI 生物學、人格式或法律主體地位，而只是工程用語：當 AI、自動儀器、機器人與計算系統成為某一大型科學設施內最頻繁、最長時間且最細粒度的操作主體時，該設施的空間、熱力學、流體、能源、觀測、物流與權限結構是否會逐步從「人類使用的實驗室與機房」轉化成「機器常駐運作、人類主要透過治理與高階科學介面參與的計算—科研物理環境」？

本文的答案不是肯定預言，而是提出一組可檢驗的必要條件。ASHC 若要成立，至少必須同時滿足：自治實驗能產生真實科研收益；局部 AI 能安全管理快速物理事件；高階 AI 與人類治理能被權限分層；觀測結果可回溯至原始證據；robotic maintainability 足以降低人類例行進場需求；熱、流體與能源的跨層協同具有量化價值；失去雲端、模型或部分機器時設施仍能安全退化；人類可在需要時將機器原生區域轉回可介入狀態。

2026 年的現實技術已開始出現這些構件的局部版本。ORNL 公開表示其已運行超過十個 self-driving laboratories，並正把 AI、automation、instrumentation 與高效能計算整合成 autonomous-science ecosystem；Nature Machine Intelligence 已發表能在真實同步輻射光束線執行 sample alignment 的 agentic X-ray scientist；smart microscopy 與 thinking microscopes 開始把 observation、analysis 與下一步 acquisition 放進閉迴路；CERN 長期使用機器人進行 harsh / radiation environment 的遠端維修；NIST 於 2026 年啟動 Trustworthy AI in Critical Infrastructure Profile，並明確關注 deterministic behavior、graceful degradation、fail-safe operation 與 rigorous testing。這些成果尚不足以證明完整 ASHC，但足以使它從純科幻敘事轉化成可設計原型、可比較基線、可逐層否證的工程研究計畫。

本文最終提出九組核心假說、五種競爭架構、六階段驗證路線、停止條件、架構成熟度模型與第一版 ANCSI Reference Architecture 邊界。若未來證據顯示只有少數子命題成立，ANCSI 應退化成較弱的模組化基礎設施理論；若主要命題均無法產生可量化收益，則應放棄「自治科學棲息地」作為獨立範式。

關鍵詞： autonomous scientific habitat、AI-native infrastructure、self-driving laboratory、critical infrastructure AI、machine-native science、cyber-physical systems、autonomous science、scientific provenance、robotic maintenance、programmable thermodynamics

1. 系列收束：ANCSI 到底在主張什麼？

前八篇分別討論不同問題。

第一篇問：

如果 AI、機器人與自動科研系統成為設施內主要操作主體，整座設施是否應重新設計？

第二篇問：

溫度與熱耦合能否從固定環境條件變成可程式化資源？

第三篇問：

計算工作負載能否反過來驅動 thermal infrastructure？

第四篇問：

冷量、熱量、氣體、真空與物流是否能被統合成可重構的物理管網？

第五篇問：

熱與冷是否能依溫級、時間與 exergy 被級聯使用，而不是一次性排放？

第六篇問：

AI 如果真的控制 physical plant，權限、責任與安全應如何分層？

第七篇問：

如果機器成為主要實體操作員，科研空間是否仍須以 human routine access 為第一約束？

第八篇問：

如果人不在儀器旁，如何確保 AI 觀測仍然可追溯、可質疑、可回到原始證據？

本篇將這些問題合併。

2. Autonomous Scientific Habitat Conjecture

本文提出總命題：

其完整敘述如下：

對某些未來的大型 AI、HPC、量子—傳統混合計算與高自動化科研設施而言，當 AI、機器人、自動儀器、計算、熱力學、能源、流體與科學觀測的耦合程度越過某一系統性門檻後，將它們繼續設計成彼此分離、以人類現場操作為第一前提的「資料中心 + 實驗室 + 機電設施」可能不再是最優解；相反，一種由 AI 日常自治運作、機器作為主要物理執行者、人類透過治理與高階科學介面參與、且具有 deterministic safety 與完整 evidence provenance 的整合式計算—科研物理環境，可能在部分任務域中具有更高的總體價值。

此命題不是：

也不是：

更不是：

其真正形式是：

其中：

是某一類特定科研／計算任務域。

3. ASHC 是存在命題，不是全稱命題

這點非常重要。

本文並不主張：

實際上，對大量研究：

• 小型理論實驗；
• 手工樣品探索；
• 低危險度 bench science；
• 高度不可預測的人類創意實驗；
• 低吞吐研究；

傳統 human-centered laboratory 可能長期保持最優。

因此 ANCSI 的強命題只是：

這使 ASHC 可以被工程實驗真正檢驗。

4. 「棲息地」不是人格宣稱

本文使用 habitat 一詞只表示：

某一類操作主體的需求開始塑造環境。

例如：

由：

• walkable geometry；
• breathable atmosphere；
• human interfaces；
• human comfort；

塑造。

而 machine-native habitat 的部分區域可能由：

塑造，包括：

• robotic accessibility；
• sensor coverage；
• low-latency control；
• thermal optimization；
• process atmosphere；
• machine-serviceable geometry。

因此：

不涉及 AI 是否具有意識、人格、靈魂或其他本體論判定。

5. 完整系統狀態

ASHC 不把 facility 視為單一 AI。

它把整個設施描述成：

其中：

其控制問題為：

但：

必須滿足：

6. ASHC 的九個構成命題

完整架構可拆成九個相對獨立的假說。

H1 — AI-Native Infrastructure Hypothesis

大型計算與科研設施存在由：

共同最佳化的非平凡收益。

H2 — Programmable Thermodynamics Hypothesis

存在任務域，使：

與 thermal coupling：

被動態調度，比固定 thermal policy 更有效。

H3 — Compute-Driven Infrastructure Hypothesis

計算狀態：

直接進入 thermal / power / fluid scheduler，可改善：

中的至少一項。

H4 — Reconfigurable Transport Hypothesis

可隔離、可路由的多介質 transport graph：

在大型設施中可提高 availability、resource utilization 或 fault containment。

H5 — Thermodynamic Cascade Hypothesis

temperature-tagged energy / cold inventory 與 exergy-aware routing 可以減少：

或降低 lifecycle cost。

H6 — Layered AI Authority Hypothesis

比單一中央 AI 或全面人類批准具有更好的 control resilience。

H7 — Machine-Native Zone Hypothesis

存在科研區域，使：

取消後，在安全與維修可接受的前提下獲得：

等量化收益。

H8 — AI-Native Observation Hypothesis

AI-mediated scientific projection 若保留完整 provenance，可降低 human cognitive burden，同時保持或提高 evidence auditability。

H9 — Integrated Habitat Hypothesis

以上子系統若被共同 orchestration：

其整體價值存在：

的 synergy。

H9 是全系列最強、也最容易失敗的命題。

7. H9 為什麼不能被預設成立

即使 H1 到 H8 各自成立：

也不能推出：

因為 integration 會增加：

• software complexity；
• coupling failure；
• synchronization；
• governance overhead；
• cyberattack surface；
• capital cost。

所以可能：

因此 ASHC 真正要證明的是：

8. 系統的四個基本平面

雖然前文有大量子系統，完整 habitat 可以壓縮成四個平面：

其中：

Physical Plane

包括：

• compute hardware；
• instruments；
• robots；
• thermal plant；
• fluid network；
• power；
• storage。

Control Plane

包括：

• deterministic control；
• MPC；
• schedulers；
• local AI；
• site AI。

Epistemic Plane

包括：

• raw evidence；
• calibration；
• reconstruction；
• hypothesis；
• provenance；
• scientific projection。

Governance Plane

包括：

• authority；
• policy；
• human oversight；
• multi-AI supervision；
• audit；
• legal / institutional constraints。

這四平面缺一不可。

9. Physical Plane 不能被 AI 抽象吃掉

AI 再強，也不能讓：

失去物理意義。

所以任何 ANCSI implementation 都必須保留：

例如：

AI 可以：

• estimate；
• optimize；
• plan；

但不能：

10. Control Plane 不能等於「一個超級模型」

完整 control hierarchy 至少包含：

所以：

它與：

一個中央 AGI 控制整座設施

不是同一命題。

11. Epistemic Plane 是 ANCSI 與普通自動工廠的根本差異之一

普通 factory 的核心輸出可能是：

科研 habitat 的核心輸出則是：

因此 autonomy 若讓：

但：

則可能反而降低 scientific value。

所以完整 objective 必須包含：

12. Governance Plane 不是外掛

如果 AI 已經可以：

• 改變溫度；
• 分配能源；
• 操作危險設備；
• 執行 experiment；
• 移動 sample；
• 影響科研結論；

那麼：

不是只在年度 meeting 發 policy。

authority：

必須在執行當下被驗證。

13. 現實世界已經出現哪些構件？

ASHC 目前沒有完整實體案例。

但 2026 年已有多個重要構件獨立存在。

14. ORNL：Self-Driving Labs 開始形成生態系

ORNL 於 2026 年公開將 autonomous science 描述為：

其公開資料指出，self-driving laboratories 透過 closed feedback loop：

加速科學探索。

2026 年 7 月 ORNL 更表示，其已運行超過十個 self-driving laboratories [1][2]。

這不是完整 ASHC。

但它證明：

已開始從概念進入實體組織尺度。

15. Agentic X-ray Scientist：AI 已進入大型科學儀器閉環

2026 年 Nature Machine Intelligence 發表 agentic artificially intelligent X-ray scientist。

該系統在真實同步輻射 beamline 上：

• 規劃；
• 執行 instrument command；
• 解讀 observation；
• 迭代 sample alignment；
• 在 unexpected condition 下調整策略 [3]。

所以：

已經不只存在於聊天或 simulation。

它已經觸及：

16. ORNL 2026：AI 實際引導實驗資料收集

2026 年 8 月 ORNL 公開一項 autonomous beamline study，研究團隊在實驗開始後讓 AI 即時引導後續資料收集 [4]。

這進一步支持：

開始進入真實科研設施。

17. Smart Microscopy：儀器開始根據樣本即時改變自己

2026 年 smart microscopy 綜述將：

視為 smart microscope 核心 [5]。

thinking microscopes 論述則進一步討論 agentic AI 讓顯微鏡參與 iterative experimental reasoning [6]。

因此 ASHC 的「AI-native observation」並非完全從零假想。

18. CERN：機器人在 hostile environment 中已是正常安全工具

CERN 長期使用 remote robotics 進行：

• inspection；
• operation；
• post-mortem analysis；
• maintenance；

特別是在 radioactive particle-accelerator environment [7][8]。

2025 年 CERN 亦使用專門 robot 在 CMS 受空間與 radiation constraint 的區域進行 in-situ machining preparation [9]。

這證明：

19. NIST 2026：AI 進入 Critical Infrastructure 已成正式治理問題

NIST 於 2026 年啟動：

並明確提出 critical infrastructure 中 AI 需要考慮：

• deterministic behavior；
• explainability；
• graceful degradation；
• fail-safe operation；
• adversarial robustness；
• rigorous testing, evaluation, validation and verification [10][11]。

這與 ANCSI-06 的核心分層非常接近。

也意味著：

已經從純研究議題逐漸進入正式標準與治理框架。

20. 因此 ASHC 目前的位置

上述成果只能推出：

不能推出：

所以目前最合理的 epistemic status 是：

而不是：

21. ASHC 的必要條件 N1：Autonomous Science Must Produce Real Scientific Gain

最基本條件：

至少對部分 domain 成立。

不能只因為：

robot 很酷。

就說自主實驗值得。

收益需要在：

中量化。

22. N2：Autonomy Must Be Safe Under Failure

如果：

系統仍需：

所以：

這要求 passive safety、deterministic safety 與 safe fallback。

23. N3：Local Systems Must Survive WAN Loss

如果 facility 必須永遠連著雲端才能避免事故：

所以至少：

時，site 能：

• safe continue；
• safe degrade；
• safe shutdown。

24. N4：Scientific Evidence Must Survive AI Replacement

假設今天使用：

五年後換成：

如果科學結果無法回到：

那麼大量過去的 scientific output 可能被鎖死在舊模型。

因此：

這是 ASHC 的核心必要條件。

25. N5：Machine-Native Zones Must Be Maintainable

如果：

但：

導致 facility availability 崩潰，

則：

沒有意義。

所以：

26. N6：Human Recovery Must Remain Possible

即使日常：

仍需存在：

如果某區域一旦自動化後：

任何未預見故障都沒有人能再安全進入，

則設計不可接受。

27. N7：Integration Must Have Positive Net Value

設：

必要條件：

否則保持模組化、鬆耦合反而更合理。

28. N8：AI Control Must Respect Explicit Authority

如果：

不能被清楚定義、驗證與 audit，

則 AI 不應取得 physical authority。

因此：

29. N9：Observation Selection Must Be Auditable

若 AI 主動決定：

則 observation policy：

必須保存。

否則：

的 selection bias 無法評估。

30. N10：The Facility Must Know Its Own Validity Boundary

對 autonomy system：

應被明確定義。

當：

則：

成熟自治的特徵不是永遠自信。

而是：

31. 五種競爭架構

ASHC 不能只和「傳統人工實驗室」比較。

至少有五種合理 architecture competitors。

Architecture A — Traditional Human-Centered Facility

AI 只作輔助。

優點：

• flexible human intervention；
• familiar governance；
• lower automation CAPEX。

缺點：

• human exposure；
• limited automation throughput；
• environmental disturbance；
• continuous staffing。

Architecture B — Automated but Human-Serviceable Facility

自動化完成日常流程，人仍是主要維修者。

這可能是大量現實設施的長期最優點。

Architecture C — Centralized AI Facility

所有 site actions 上送中央。

優點：

• global coordination；
• simpler high-level architecture。

缺點：

• latency；
• network dependency；
• single failure mode；
• authority concentration。

Architecture D — Modular Autonomous Cells

每個 lab / compute zone 高度自治，但跨區耦合低。

優點：

• fault isolation；
• easier verification；
• modular deployment。

缺點：

• low global resource utilization；
• duplicate infrastructure。

Architecture E — ANCSI Federated Habitat

這就是 ASHC。

它必須證明自己真的優於 B 或 D。

否則沒有必要進入更高整合度。

32. 最重要的競爭者其實不是 A，而是 D

ASHC 不應靠：

比純人工實驗室自動。

來證明自己。

真正困難的比較是：

因為 modular cells 已經可以：

• autonomous；
• safe；
• machine-operated；

卻不需要共享複雜 thermal / fluid / governance infrastructure。

所以如果：

ASHC 的整合命題即失敗。

33. ASHC 的系統相變門檻

本文提出一個概念性變數：

當：

各實驗室獨立最佳化即可。

當：

例如大量共享：

• compute；
• cooling；
• robotics；
• storage；
• instruments；
• logistics；

則 independent optimization 的 inefficiency 可能增加。

可能存在：

使：

後，joint orchestration 才值得。

這就是：

34. Integration Threshold 如何測量？

可以定義：

其中：

然後比較：

與：

若兩曲線交叉：

ASHC 得到量化支持。

35. ASHC 不是「越整合越好」

即使：

也可能存在第二個門檻：

當耦合太多：

所以最優解可能是：

這意味 ANCSI 本質上仍應 modular。

只是模組間的 orchestration 更深。

36. Cell-Based Architecture

因此本文建議：

整座 habitat 由：

構成。

每個 cell 具有：

• compute；
• local robot；
• local instrument；
• local safety；
• local AI。

共享：

• energy；
• thermal backbone；
• logistics；
• scientific evidence bus；
• site AI；
• governance。

這在 integration 與 isolation 間提供中間解。

37. 每個 Cell 必須能部分獨立存活

如果：

與 site backbone 斷線，

至少能：

更高成熟度則可：

所以：

38. Shared Infrastructure 應有明確類型

可分：

其中：

每一類共享都需要獨立回答：

共享真的比局部自備好嗎？

39. Heat / Cold Backbone 不應強迫所有 Cell 使用同一溫度

ANCSI-02 已經說明：

因此 shared thermal backbone 應是：

而不是：

不同 cell 有：

40. Scientific Evidence Bus 不應等於單一資料庫

Evidence Bus 是：

可以分散儲存。

重要的是所有：

• sample；
• experiment；
• instrument；
• model；
• claim；

有可解析 identity 與 provenance edge。

因此：

可以跨 storage backend。

41. Habitat OS 是什麼？

如果未來真的需要一個高層 runtime，可以暫時稱：

而不是宣稱一個 monolithic OS。

它接收：

例如：

在三天內找到材料家族中高溫穩定性最佳候選，保留完整 evidence。

然後拆成：

但每個 plan 都由對應 domain controller 驗證。

42. Mission Intent

可以表示：

其中：

AI 不能只收到：

去研究這個。

還需要知道：

43. Mission Compiler

高層 mission：

轉換成：

包括：

其中：

44. Mission Compiler 不能直接執行

每個 $J_i$ 還必須：

即：

這保持：

45. 科學目標與工程目標會衝突

例如：

Scientific objective：

Engineering objective：

Safety objective：

因此 multi-objective problem：

但：

中的 hard safety 部分不應只進 weighted sum。

必須：

46. Scientific Value 不能等於 Throughput

如果 facility 每天做：

無意義 experiment，

不比一天做：

個高資訊量 experiment 更科學。

所以：

真正指標應偏向：

47. Habitat Scientific Efficiency

可以提出：

其中：

表示經 evidence 與 provenance 支撐的資訊增益。

這只是初步 metric。

不同科學領域需要不同定義。

48. Unknown-Unknown 仍然是最大挑戰

任何 AI planner 都以：

為基礎。

但 science 真正重要的可能是：

所以完整 habitat 不應完全 exploitation。

需要：

• novelty search；
• random exploration；
• human challenge；
• multi-model disagreement；
• serendipity budget。

這直接承接 ANCSI-08。

49. 人類的核心角色可能變成「問題選擇與異常詮釋」

當 execution 大量自動化後，人類科研工作可能更加集中於：

• 問題選擇；
• 理論建構；
• 跨域連結；
• 價值判斷；
• novel anomaly interpretation；
• governance；
• epistemic skepticism。

這不是確定預言。

只是：

50. AI 也可以提出問題，但不壟斷問題空間

AI 可以根據：

發現：

某區域 evidence conflict 很大。

提出：

人類也可以提出：

所以 research agenda：

不需預設只有哪一邊才是真正 scientist。

51. 多 AI 不是要形成「議會表決真理」

科學命題：

不因：

而變真。

所以 multi-AI 的用途是：

• diverse model；
• challenge；
• independent reconstruction；
• safety critique；
• alternate experiment design。

而不是：

52. Multi-AI Scientific Adversarial Review

可以建立：

Proposer AI

提出：

Critic AI

尋找：

Experimentalist AI

提出：

Provenance AI

檢查 evidence path。

最後：

這是一個比單純 voting 更科學的 multi-AI structure。

53. AI Habitat 不應形成認識論單一文化

如果整座設施只使用：

一個 foundation model，

則：

可能擴散到所有科研流程。

所以 critical reasoning path 應有：

包括：

• different models；
• different physical modalities；
• different algorithms；
• human review。

54. 但 diversity 也有成本

若每個 experiment 都需要：

個模型重新分析，

因此 diversity 應集中在：

• high impact；
• high uncertainty；
• high irreversibility；
• anomaly。

普通 routine operation 可使用較簡單 policy。

55. Autonomy Should Scale With Reversibility

本文提出：

作為 governance heuristic。

例如：

Reversible

重新量一次。

可高自治。

Expensive but Reversible

需要高一層確認。

Destructive Experiment

需要更高 authority。

Permanent Infrastructure Change

需要 distributed governance。

這和 ANCSI-06 的 authority hierarchy 一致。

56. Autonomous Habitat 的安全核心不是 AI

這個結論必須重複。

真正的 safety case 應由：

構成。

如果安全論證是：

我們用的 AI 很強，所以不會出錯。

則：

57. AI 的真正角色是擴展可管理複雜度

傳統人類 operator 能同時管理的 state 維度有限。

如果：

AI 的價值在於：

不是取代 physics。

58. ASHC 的最大價值可能不是「更冷」

本系列最早從極低溫計算場開始。

但統合後可以看到：

ASHC 真正更一般的價值可能在：

• adaptive environment；
• AI-native research execution；
• machine-native maintenance；
• provenance；
• resource orchestration。

即使未來 cryogenic classical compute 沒有巨大價值，ASHC 其餘架構仍可能成立。

59. 因此系列必須允許子命題失敗

例如未來證據顯示：

即動態 thermal field 沒有價值。

那麼：

仍可能成立。

所以 ANCSI 不是 all-or-nothing theory。

可表示：

最終實證可能得到：

這仍然是有價值的研究結果。

60. Strong ASHC 與 Weak ASHC

本文因此區分：

Weak ASHC

至少：

部分成立。

即：

Strong ASHC

大部分：

成立，且：

也就是：

目前只能合理主張：

Strong ASHC 仍缺乏直接證據。

61. ASHC 不應依賴 AGI 假設

這是很重要的研究邊界。

如果架構只有在：

完美 AGI 出現

後才成立，

它目前幾乎無法驗證。

所以本文要求：

例如：

• MPC；
• vision model；
• LLM agent；
• planner；
• anomaly detector；
• robotic controller。

不需要先解決 general intelligence。

62. 一個設施可以同時有多種智能

不需要：

包辦全部。

這通常反而更安全。

63. 第一階段：Digital Habitat

不要先蓋大型低溫設施。

先建立：

包含：

• compute simulator；
• thermal model；
• fluid network；
• robot simulator；
• experiment simulator；
• governance engine；
• evidence graph。

測試：

vs：

64. Digital Habitat 必須能做 Failure Injection

故障集：

例如：

• model hallucination；
• sensor drift；
• network partition；
• valve stuck；
• robot blocked；
• stale policy；
• calibration error。

觀察：

65. 第二階段：Physical Autonomous Cell

建立：

只有：

• small compute cluster；
• one robot；
• one instrument；
• liquid cooling；
• local AI；
• safety PLC；
• provenance store。

全部環境仍 human-safe。

目標：

66. 第三階段：Federated Multi-Cell Facility

建立：

共享：

• compute；
• logistics；
• instrument queue；
• data；
• thermal storage。

比較：

與：

此階段第一次直接測：

67. 第四階段：Adaptive Physical Environment

加入：

• multi-zone liquid cooling；
• thermal storage；
• dry atmosphere；
• dynamic routing；
• higher-temperature heat reuse。

仍然避免極低溫。

測試：

68. 第五階段：Machine-Native Restricted Zone

建立：

加入：

• no routine human operation；
• robotic maintenance；
• automated purge；
• safe-entry conversion；
• remote observation。

測試：

69. 第六階段：Cryogenic / Extreme Scientific Habitat

只有前五階段成熟後才加入：

• $80\ \mathrm{K}$ ；
• $20\ \mathrm{K}$ ；
• $4\ \mathrm{K}$ ；
• specialized cryogenic electronics；
• vacuum-jacketed low-temperature distribution；
• quantum / cryogenic instrument。

這避免把：

放在最早原型。

70. 為什麼 80 K 比 4 K 更適合早期研究？

因為：

若：

則：

而：

理想值就已相差巨大。

所以：

71. 第七階段：Scientific Habitat Pilot

如果前述階段成功，建立一座小型 pilot：

包含：

• Human Zone；
• Machine Zone；
• Restricted Zone；
• compute cluster；
• autonomous laboratories；
• thermal backbone；
• robotic maintenance；
• AI-native observation；
• multi-cloud governance。

進行：

的長時間驗證。

72. 長時間運行比 Demo 更重要

一場兩小時 demo 能證明：

不能證明：

需要測：

• component aging；
• model drift；
• maintenance burden；
• human fatigue；
• network outage；
• seasonal environment；
• rare failure。

所以：

73. 系統成熟度模型

本文提出：

ASHL-0 — Conventional Facility

人類主導。

AI 僅分析。

ASHL-1 — Automated Facility

大量 script / robotics。

人仍監督每個重要流程。

ASHL-2 — Autonomous Cell

單一實驗 cell 可長時間閉環。

ASHL-3 — Federated Autonomous Cells

多 cell 可共享資源與 evidence。

ASHL-4 — Machine-Native Zone

部分區域 no-routine-human-operation。

ASHL-5 — Integrated Scientific Habitat

計算、熱、物流、科研、觀測與治理跨域 orchestration。

ASHL-6 — Multi-Site Federated Habitat

多場區跨地理位置協作。

本文目前沒有證據支持任何實體系統已達：

74. ASHL 不是「文明等級」

ASHL 只表示：

ASHL-5 不代表比 ASHL-2「更文明」。

對某個 lab：

可能就是最優終點。

75. 核心比較指標

ASHC 必須用多維指標比較。

定義：

其中：

不能只用：

76. Scientific Value Metric

可以暫時使用：

但 information gain 在不同學科很難直接比較。

因此每個實驗領域必須建立自己的 domain metric。

77. Human Exposure Metric

對 hazardous zone：

若 machine-native architecture 真有價值：

78. Human Attention Metric

另一方面：

如果 autonomy 只是把：

操作工作

變成：

每分鐘看一百個 alert，

則：

沒有改善。

所以 human cognitive burden 也要量化。

79. Provenance Metric

定義：

對高自治科研：

應接近：

80. Intervention Metric

目標不是：

而是找：

使：

• safety；
• cost；
• availability；

最佳。

81. Autonomy Failure Metric

還需要 impact weighting：

因為：

• 小路由錯誤；
• safety violation；

不能同權。

82. Graceful Degradation Metric

故障後：

但：

應維持。

可定義：

具體 metric 需要 domain-specific normalization。

83. Integration Benefit Metric

最重要的是：

如果：

支持 ASHC integration。

若：

長期穩定成立，

則 H9 應被否定。

84. 必須預先定義停止條件

好的 conjecture 不只說：

怎麼成功。

還要說：

什麼時候停止投入。

本文提出 Stop Conditions。

85. Stop Condition S1：Integration Does Not Pay

若經多代原型：

且改善空間低，

停止 habitat-level integration。

保留 modular autonomous labs。

86. S2：Robot Maintenance Fails Economically

若：

且安全收益有限，

則：

退化回：

87. S3：Provenance Cost Becomes Dominant

若：

高到使科研 throughput 無法接受，

重新縮小 evidence granularity。

但不能假裝 provenance 不重要。

88. S4：AI Authority Cannot Be Validated

若無法穩定定義：

或 AI 經常越權：

且無法消除，

取消 autonomous physical authority。

回到 advisory mode。

89. S5：Human Recovery Is Not Reliable

如果：

不能達到安全要求，

不得部署：

90. S6：Cryogenic Compute Has No Net Benefit

如果：

則停止 cryogenic classical compute 線。

這不影響其他 ANCSI 命題。

91. S7：AI-Native Observation Reduces Scientific Correction Ability

若 AI projection 讓：

或：

則介面設計失敗。

回到更低抽象層。

92. S8：Human Cognitive Load Does Not Improve

若：

則 exception-based supervision 需要重新設計。

93. S9：Common-Mode AI Failure Dominates

若多 AI：

仍高度 correlated：

不要把 multi-AI 當成安全冗餘。

改用：

• deterministic checks；
• physical diversity；
• independent modalities。

94. ASHC 的證偽標準

Strong ASHC 可被下列證據明顯削弱：

1. Autonomous cells 有效，但 integrated habitat 長期無額外收益；
2. machine-native zones 維護成本遠高於 human-serviceable zones；
3. AI-mediated observation 降低科研可驗證性；
4. physical-state programming 的節能收益低於增加的複雜度；
5. multi-cloud / multi-AI governance 增加 latency 與事故；
6. human exception handling 頻率高到 autonomy 失去意義。

若這些在多個 domain 都成立：

95. Weak ASHC 的證偽標準

Weak ASHC 也可能被否定。

若：

• autonomous science 沒有穩定提高科研效率；
• robots 仍無法處理一般實驗環境變異；
• AI observation 不足以降低人工負擔；
• human-centered facility 仍全面具有較低 lifecycle cost；

則：

96. 什麼情況反而支持 Strong ASHC？

需要至少出現：

Evidence A

多 cell joint orchestration：

Evidence B

而：

Evidence C

AI-native observation：

且：

Evidence D

WAN loss、model loss、robot fault 下：

Evidence E

longitudinal operation：

仍保持正收益。

只有這類證據才能真正支持 habitat-level architecture。

97. 安全邊界：哪些事情不能交給生成式 AI

至少包括：

• mandatory pressure relief；
• electrical protection；
• emergency mechanical stops；
• fire suppression trigger；
• certified radiation interlock；
• critical oxygen-deficiency protection；
• hard process limits。

高階 AI 可以：

但不能：

98. AI 可以重新配置安全嗎？

只有在：

中。

例如重新設計：

需要：

• engineering analysis；
• validation；
• certification；
• human approval；
• versioned deployment。

不能 runtime 說：

今天任務很重要，把 $P_{\max}$ 調高。

99. Habitat Governance Constitution

成熟 ANCSI 可建立：

包含：

1. physical invariants；
2. safety invariants；
3. authority classes；
4. escalation rules；
5. model qualification；
6. human rights of intervention；
7. evidence requirements；
8. irreversible-action rules；
9. recovery rules。

這比散落的 access-control tables 更接近真正 infrastructure governance。

100. Physical Invariants

例如：

for human entry。

這些 invariant：

101. Epistemic Invariants

科研系統也應有 invariant。

例如：

這些不是 physical safety。

但它們是：

102. Human Governance Invariants

例如：

• 可要求 safe stop；
• 可 request raw evidence；
• 可查看重大 authority change；
• 可知道目前哪些 AI 有 physical authority。

具體權限視組織與法規而定。

但 principle 是：

103. ASHC 與一般 Smart Factory 的差異

Smart factory 主要目標：

ASHC 主要目標：

因此它必須容許：

• surprise；
• negative result；
• ambiguity；
• competing hypothesis；
• re-observation。

這使 scientific habitat 的 control objective 比 manufacturing 更複雜。

104. ASHC 與傳統 Data Center 的差異

Data center：

為核心。

ASHC：

同時是：

• service；
• scientific reasoning；
• physical control；
• observation processing。

所以計算資源不再只是 workload host。

而是：

105. ASHC 與單一 Self-Driving Lab 的差異

SDL：

ASHC：

這就是它的尺度差異。

106. ASHC 與「AI 科學家」概念的差異

AI scientist 討論：

AI 能不能做 scientific reasoning？

ASHC 討論：

如果 AI 真的參與科研，物理基礎設施應如何重構？

所以：

它不需要回答：

• AI 是否真的理解；
• AI 是否具有主體性。

它只測：

107. 科研設施的最終 operator 可能是一個群體系統

完整 operation：

其中：

• $H$：humans；
• $AI$：intelligent agents；
• $R$：robots；
• $C$：controllers。

因此：

不再是單一人或單一 AI。

而是：

108. 這反而要求更清楚的責任，不是更模糊

如果：

參與，

不能得出：

所以沒有人負責。

反而需要：

例如：

• policy owner；
• model owner；
• system operator；
• safety authority；
• scientific principal investigator；
• maintenance authority。

法律實作依司法管轄區另行處理。

109. 公開論文與工程機密的邊界

ANCSI 作為公開系列，可以公開：

• architecture；
• hypotheses；
• metrics；
• falsification；
• general safety principles。

但不一定公開：

• site-specific network diagram；
• security credential；
• vulnerability；
• exact emergency override；
• hazardous inventory；
• proprietary hardware detail。

因此：

110. ANCSI 的第一個正式 Reference Architecture 邊界

本系列完成後，下一份白皮書應建立：

但它不應直接給出：

大公司照這張圖蓋就好。

應先是 architecture specification。

至少包含：

1. system context；
2. zone taxonomy；
3. physical plane；
4. compute plane；
5. thermal plane；
6. fluid plane；
7. robotic plane；
8. observation plane；
9. evidence plane；
10. authority plane；
11. safety plane；
12. human recovery plane；
13. digital twin；
14. test harness。

111. Reference Architecture 不應固定單一硬體

例如 cryogenic technology 可能改變。

所以 v0.1 應定義：

而不是綁定：

• 某廠牌 chiller；
• 某 AI model；
• 某 robot。

例如：

只要求：

• capacity；
• state；
• telemetry；
• isolation；
• safety contract。

112. Hardware-Agnostic, Physics-Aware

最合理原則：

可以換設備。

不能忽略：

• pressure；
• temperature；
• latency；
• geometry；
• energy。

113. Model-Agnostic, Authority-Aware

同理：

任何 AI model 都需要經：

qualification 才取得對應 authority。

不能因 provider 名稱直接信任。

114. Observation-Agnostic, Provenance-Aware

儀器可以更換。

但：

的層級關係不能消失。

115. ASHC 的最小證據單位

一個正式 scientific action event：

至少應包含：

這個 event 可以成為未來 scientific runtime 的基本紀錄單元。

116. 物理世界與科學世界應共享時間座標

若：

與：

使用不同 time base，

就難以知道：

某 vibration 是否造成某 measurement anomaly？

所以 Reference Architecture 應要求：

117. 共用世界狀態不代表共用單一資料模型

不同 subsystem 有不同 ontology。

所以：

可以是：

而不是巨大 JSON。

這也降低單一 schema lock-in。

118. 科學 Campaign 應該可以被暫停、回放與轉移

如果：

故障，

campaign：

應能：

這需要：

• sample state；
• experiment state；
• model state；
• evidence state；

可遷移。

這是科研版 checkpoint / migration。

119. Scientific Checkpoint

本文提出：

包括：

使 campaign 中斷後：

這比只保存 notebook 更完整。

120. 科研 Campaign 也能 Failover

如果 instrument A 故障，

系統可以判斷：

是否可接受。

但需檢查：

不能因為「都是顯微鏡」就當完全等價。

121. Scientific Service Contract

每個 instrument 可以發布：

包含：

• modality；
• resolution；
• uncertainty；
• sample constraints；
• throughput；
• calibration state；
• autonomy capability。

scheduler 用 SSC 判斷 experiment placement。

122. Robot Service Contract

Robot：

包含：

• reach；
• payload；
• precision；
• environment compatibility；
• tool set；
• recovery mode；
• autonomy level。

這讓 embodiment 成為可排程資源。

123. Thermal Service Contract

Thermal zone：

包含：

這承接 ANCSI-02 到 05。

124. Authority Service Contract

Agent：

包含：

使 orchestration 不需要猜：

這個 agent 到底能不能做。

125. ASHC 最終可能形成一種「物理雲」

資料中心 cloud：

ASHC 可能出現：

例如：

• $4\ \mathrm K$ stage；
• microscope；
• robot；
• inert atmosphere；
• beamline；
• thermal storage；

都能以 service contract 被 scheduler 使用。

但：

物理位置、時間、材料與污染限制仍存在。

126. Physical Cloud 與 Digital Cloud 的根本差異

Digital resource：

Physical sample：

Digital workload：

Cryogenic instrument：

所以 physical cloud 必須管理：

127. Habitat 最終不是一個「巨大機器人」

這是另一個重要邊界。

設施可以具有大量 autonomy。

但它不是：

而更像：

這使故障隔離與升級更容易。

128. Strong ASHC 的真正門檻：跨層閉環

如果只有：

• robot automation；
• AI experiment；
• liquid cooling；

彼此獨立，

還不是 Strong ASHC。

Strong ASHC 要求：

例如：

129. Cross-Layer Feedback 也最危險

因為一個錯誤可能：

所以每個 layer boundary 都需要：

這避免高層推理錯誤直接向下放大。

130. Validation Gateway

對 request：

gateway 檢查：

只有：

才執行。

131. 這就是 ANCSI 的核心哲學：智能在上，約束在下

高層：

低層：

兩者透過 typed intent 連接。

這比：

讓 AI 自由操作所有設備

更接近可部署架構。

132. ASHC 的政治／法律中立性

本文不主張任何法域應採用特定 AI 法律人格、責任制度或勞動安排。

不同司法管轄區可能要求：

• human accountability；
• occupational safety；
• data localization；
• environmental licensing；
• AI-specific regulation。

因此：

技術上能做不代表法律上可直接部署。

133. 人類科研自主性應保留

即使 AI 可以自動運行整個 campaign，人類仍應能：

• 設定／修改研究問題；
• 停止 experiment；
• 檢視 raw evidence；
• 質疑 model；
• 要求 alternative analysis；
• 修改 governance policy。

因此：

134. 科研設施也應允許 AI 主動提案

反之，如果 AI 發現：