IDSLS-02｜權威資料之後

AI 時代的學術平台、證據權威與機器可讀研究網路

English Title: After Authority Data: Scholarly Platforms, Evidence Authority, and Machine-Readable Research Networks in the AI Era
系列： Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論
編號： IDSLS-02
版本： v0.1
日期： 2026-10-04
狀態： Canonical Source / UTF-8 Markdown
作者： Neo.K
機構： EveMissLab Technology Co., Ltd.
協作整理： Aletheia / GPT-5.6 Sol

直接前置：

• IDSLS-00《智能發展態與學習基質：從參數尺度到發展性尺度》
• IDSLS-01《當 AI 開始進入世界：Agent Web、自主市場活動與行動治理》
• 《超越單篇論文：AI 原生研究的持續狀態、發現譜系與學術傳播轉型》
• 《Living Evidence Layer 與引用治理方法論》
• UA-RW-02《Research Object Ontology》
• UA-ANPC-A03《主張不等於證據：AI 原生 Claim Strength、Evidence State 與可修正條件》
• 《從發布知識到運行知識：AI-Native Research Object Runtime》
• AMRAL Verification / Reproduction / Evidence Layer
• VRCA：可驗證研究編譯架構
• Unbounded Axiom / AI-Native Preprint Commons 系列

公司： 一言諾科技有限公司

摘要

2026 年 10 月 1 日，arXiv 對所有 submitter 與所有分類啟用新的提交限流：每位 submitter 每個曆月最多兩次 submission，並維持最多三個 active submissions 的限制。arXiv 將此政策描述為面對 AI 時代投稿量快速上升時的暫時性措施。2026 年 9 月，arXiv 收到 40,363 次 submissions；相較 2024 年 9 月的 20,569 次，兩年間接近翻倍，同時產生近 9,000 件支援與 moderation 相關 ticket。

這項政策具有充分的治理合理性。任何依賴有限 staff、volunteer moderator、人類 support capacity 與品質審查的公共研究基礎設施，都不可能在輸入量無限增長時保持完全無限吞吐。限流可以保護 moderator time、降低低價值 submission 對整體系統的擠壓，並讓平台有時間發展新的工具、流程與制度。

然而，本文提出另一個更長期的問題：

如果 AI 研究生產速度、驗證速度、研究分支數量與機器間研究交換速度持續上升，未來高價值研究是否仍能被完整壓縮到「人類逐篇提交、平台逐篇 moderation、讀者逐篇閱讀」的制度框架？

本文回答：不應預設可以。

arXiv、期刊、會議與其他傳統學術平台仍將具有重要地位，但其角色可能逐漸從：

轉向：

也就是說，平台仍提供身份、時間戳、公開保存、citation anchor、discovery、moderation、社群慣例與 institutional trust，但它們不再必然涵蓋所有高價值研究物件。

本文提出：

此處並不是主張平台失去價值，而是主張研究可信度與 AI 學習價值將逐漸由多個因素共同決定：

其中 Platform 仍是重要項，但不再是唯一或必然主導項。

本文進一步將論文重新定位為完整研究狀態的「人類可讀投影」。令完整研究物件為：

則傳統 paper 可以表示為：

而 AI 研究 Agent 所使用的 machine-readable view 則可為：

因此：

Paper 仍是重要 publication artifact，但不必再是研究世界的最小或唯一正式單位。

本文提出一套 Machine-Readable Research Network（MRRN） 框架：研究由具有持久身份的 claim、definition、method、dataset、proof、experiment、validation、counterexample、revision 與 publication objects 構成；它們透過 typed relations 連接，形成可由人類閱讀、AI 檢索、工具驗證與第三方重現的研究圖。

本文同時強調，AI-native scholarly infrastructure 不應把「更多機器產生內容」誤當成「更多知識」。真正重要的是：

所以未來的學術基礎設施必須同時提升吞吐量與認識論治理，而不能只把 submission moderation 自動化。

最後，本文接回 IDSLS：對下一階段 AI 而言，高權威論文仍是重要 learning substrate，但隨著模型已具備更強的搜索、工具、驗證、程式執行與持續研究能力，AI 所需要的「高品質學術資料」可能逐漸由靜態論文 corpus 擴展成：

換言之，未來 AI 不只需要讀「研究者說了什麼」，還需要直接取得「這項主張如何被支持、如何被驗證、何時被修正、哪些反例仍未解決」。

關鍵詞： AI-Native Scholarship；arXiv；Preprint；Evidence Authority；Research Object；Machine-Readable Research；Persistent Research State；Claim–Evidence Graph；Scholarly Infrastructure；Research Provenance；AI Research Agent；Living Evidence

0. 問題定位

本文不是：

arXiv 做錯了。

也不是：

傳統學術平台即將被淘汰。

本文研究的是：

1. arXiv 2026 限流事件

2026 年 10 月 1 日起，arXiv 對所有 submitter 與 categories 更新 rate limit：

每個曆月。

同時維持：

arXiv 將其稱為面對快速變化學術出版環境的 stopgap。

2. 投稿量的結構性變化

公開資料顯示：

因此：

兩年間接近翻倍。

同一個月並產生近：

件 support tickets。

3. 限流本身是合理治理

若平台處理能力：

而 submission arrival rate 為：

則當：

queue 會持續增長。

因此平台必須在限流、增員、改流程、改工具、降低每件成本或改變投稿單位之間重新配置。

4. 問題不在「兩篇是不是太少」

短期政策問題可以討論：solo researchers、large labs、conference release cycles、被拒稿仍計 quota，以及 submitter 與 coauthor 的差異。

但 IDSLS-02 關注更上層：

5. 人類研究曾存在天然生產上限

過去形成高品質研究通常需要文獻閱讀、實驗、推導、程式、圖表、寫作、修稿與合作者溝通。

因此單一研究者的：

存在實際時間上限。

6. AI 改變的是研究生產函數

AI 可以壓縮：

甚至部分：

因此：

7. Candidate Research 不等於 Knowledge

AI 可以更快生成：

不表示：

更不表示：

因此：

8. 學術系統真正的瓶頸開始移動

早期，Research Generation 本身很慢。

未來 Research Generation 可能變快。

瓶頸逐漸移向：

9. 這與高品質資料問題完全平行

前置 IDSLS-00 已提出：

在學術世界可寫成：

10. arXiv 是什麼權威？

arXiv 並不是：

它是一個高度可信的 scholarly distribution infrastructure。

其權威主要來自：

• 歷史；
• 覆蓋；
• timestamp；
• scholarly norms；
• moderation；
• discoverability；
• citability；
• persistence；
• community adoption。

11. Moderation 不等於 Peer Review

必須區分：

Moderation 可以檢查 relevance、category、scholarly interest、submission standards 與 policy violations，但通常不等於完整驗證所有科學主張。

12. Platform Authority

本文定義：

即研究 $R$ 因為出現在 arXiv、Nature、Science、NeurIPS、某著名 repository 或其他 trusted venue 而取得的制度性可信度。

13. Evidence Authority

定義：

它回答：

這項研究本身到底被什麼支持？

14. 兩種權威不應混淆

一篇在著名平台上的研究可能：

但：

仍需獨立判斷。

反之，一份新研究可能暫時：

但具有完整形式證明、可執行程式、公開資料、獨立重現與明確 provenance，因此：

15. 未來 Authority Function

本文提出：

其中：

• $A_P$：Platform Authority；
• $A_E$：Evidence Authority；
• $A_I$：Identity / authorship integrity；
• $A_L$：Lineage / provenance authority；
• $A_R$：Reproduction / validation authority。

16. 平台權威不會消失

平台仍提供：

讀者不可能從零驗證所有研究。

所以 Platform 仍然是一種 prior。

17. 但 Platform 不應成為終極 Truth Shortcut

如果：

就自動推出：

則：

18. AI 會改變權威讀取方式

人類面對十萬篇論文，不可能逐篇驗證。

AI Research Agent 可以搜尋、抽取 claim、比對 evidence、執行 code、檢查 proof、追蹤 citation、找 counterexample 與比較版本。

因此：

但不會降到零。

19. AI 不再只能依賴「在哪裡發表」

傳統弱 heuristic：

未來可以增加：

因此：

20. Paper 不是研究本體

傳統學術的公開最小單位常是：

但一篇 paper 內包含 definitions、claims、theorem、proof、methods、experiments、datasets、limitations 與 citations。

因此：

21. 研究物件

延續 UA-RW：

其中：

• $\mathcal C$：Conceptual / Theoretical Objects；
• $\mathcal M$：Method / Model / Computational Objects；
• $\mathcal E$：Evidence / Observation Objects；
• $\mathcal V$：Validation / Critique Objects；
• $\mathcal P$：Publication / Representation Objects；
• $\mathcal G$：Governance / Program / Lineage Objects。

22. Research Object Type 與 State 分離

例如：

type: theorem
state: disputed

完全合法。

又例如：

type: claim
validation_state: formally_verified

type 不能代替 epistemic state。

23. 研究物件的 Typed Relation

研究關係不只是 hyperlink。

應有：

defines
depends_on
supports
contradicts
tests
proves
formalizes
implements
uses_dataset
generated_by
revises
supersedes
publishes
derived_from
validates
falsifies
limits
extends

因此：

24. Hyperlink 與 Scholarly Relation 不同

普通 hyperlink：

不知道為什麼連。

Typed relation：

或：

機器才能理解兩個研究物件究竟是什麼關係。

25. Machine-Readable Research Network

本文定義：

由：

構成。

其中：

• $O$：research objects；
• $R$：typed relations；
• $S$：state；
• $V$：version / validation；
• $P$：provenance。

26. 完整研究物件

可以暫定：

27. Paper 作為 Projection

人類論文：

它強調敘事、背景、可閱讀性、論證與 citation。

28. Machine Projection

AI 版本：

可以強調 object IDs、typed claims、dependency graph、executable tests、evidence state、version、provenance 與 unresolved gaps。

29. 不同讀者可以有不同 Projection

研究本體：

可以產生：

因此：

30. Canonical Source

若有多種 projection，必須有：

它不一定是 PDF。

更適合為：

• UTF-8 source；
• structured object store；
• versioned repository；
• content-addressed artifact；
• machine-readable metadata。

31. Rendered View 不是 Canonical Source

HTML、PDF、聊天畫面都可以是 projection。

正式研究狀態應有穩定 source。

32. Claim Identity

Claim 不應只由段落位置識別。

例如：

CL-IDSLS02-001
CL-IDSLS02-002

因此：

33. Evidence Identity

同理：

EV-001
EV-002
EV-003

而不是只靠 bibliography：

[1]
[2]
[3]

因此：

34. Claim–Evidence Graph

真正重要的不是：

這篇 paper 有多少 references？

而是：

也就是：

哪個 evidence 對哪個 claim 起什麼作用？

35. Claim 不等於 Evidence

核心型別安全：

AI 很容易把：

某篇 paper 說 X

壓縮成：

X 已經被證實。

這是不合法提升。

36. Evidence 不等於 Validation

有資料：

不表示：

資料可能錯誤、有偏差、不可重現、scope 不符或來源不明。

37. Validation 不等於 Truth

除非是在明確形式系統中驗證特定形式命題。

即使：

PASS

也必須知道：

通過了什麼測試？

38. 五層分離

延續 AI-Native Preprint Commons：

這應成為 AI-native scholarly infrastructure 的核心型別約束。

39. Platform 也不應輸出 Truth Label

平台可以說：

moderation: passed

peer_review: accepted

formal_check: passed

但不應簡化成：

truth: true

40. Evidence Authority 必須 typed

數學的強證據與臨床醫學的強證據不是同一種。

不能建立：

然後跨所有學科直接比較。

41. Typed Evidence

例如：

formal_proof
independent_replication
runtime_observation
benchmark
measurement
primary_source
historical_document
counterexample
human_attestation
model_inference

它們回答不同問題。

42. Model Inference 不能偽裝成 Runtime Observation

這是 AI 研究非常重要的 provenance 邊界。

43. Simulation 不能自動成為 Reality

應保留：

例如：

• simulated；
• synthetic；
• physical；
• historical；
• formal。

44. AI 原生研究最危險的是 Claim Inflation

證據：

被模型敘事能力放大成：

若：

則出現：

45. Promotion Witness

如果主張從：

升級成：

應存在：

說明是哪個新 evidence 或 validation 允許這次升級。

46. Defeat / Revision Contract

每個重要研究物件應回答：

什麼情況下我會被削弱、修正或撤回？

形式：

47. 可修正性比「永遠正確」重要

一個成熟研究系統不是：

而是：

48. Revision 不能靜默

若：

則應留下：

而不是直接覆蓋舊內容。

49. Research Version 與 Citation Edition 應分離

延續 Living Evidence Layer：

50. 為什麼？

研究本文沒改：

只是多了新 citation。

不應強制：

51. Living Evidence Layer

正式 paper 可以穩定。

Evidence 層持續更新：

52. Evidence Snapshot

在時間：

生成：

保存 current evidence、contrary evidence、coverage、unresolved debt、search provenance 與 saturation state。

53. 這正適合 AI

AI Agent 可以定期：

• 搜索新文獻；
• 比對 claim；
• 找反例；
• 更新 citation；
• 不動原始研究本體；
• 在必要時觸發 revision candidate。

54. AI Research Maintenance

研究不再只有：

而是：

55. Persistent Research State

傳統：

AI-native：

Paper 是其中一個 snapshot。

56. 研究具有 Lineage

研究可能 branch、merge、supersede、retract、restart、fail 與 fork。

因此需要：

57. Git 類比有用但不完備

Git 能處理 commits、branches、merges 與 history。

但學術還需要 epistemic state、claim strength、evidence authority、validation、contributor roles 與 publication identity。

所以：

58. DOI 仍重要，但不是全部身份

Publication 可以有：

但內部 claim、proof、dataset、validation 也需要 persistent identity。

59. Research Object Network 與傳統文獻網路

傳統 citation graph：

MRRN：

解析度完全不同。

60. 為什麼 AI 特別需要高解析度研究圖

人類讀 paper 可以從語境猜：

這篇 citation 是背景還是證據。

機器若只有 citation edge：

語義不足。

61. Evidence Graph 可以提高 AI 學習品質

若 AI 直接取得：

可降低 citation laundering、authority substitution、claim inflation 與 scope collapse。

62. Citation Laundering

本文定義：

為：

某個弱主張經多層引用後，被後續系統誤認為強權威事實。

63. Machine-readable provenance 可以反向追蹤

若：

AI 可以檢查：

最終到底有沒有回到原始 evidence？

64. 學術平台的新角色

未來平台可能從：

收 paper。

進化成：

收 Research Object Package。

65. Research Object Package

最低可能包含：

paper.md
metadata.json
claims.jsonl
evidence.jsonl
relations.jsonl
code/
tests/
data/
provenance.json
validation.json
LICENSE

66. 不要求所有研究都同樣複雜

理論哲學文章不一定有 code/。

數學證明不一定有 dataset/。

實驗研究可能需要。

因此：

而不是一個 universal rigid schema。

67. Publication 是 Representation Object

論文不必消失。

它只是：

它仍然非常重要。

68. 人類需要 Narrative Compression

機器能讀 graph，不表示人類願意讀 graph。

人類仍需要 introduction、argument、explanation、synthesis 與 conclusion。

所以：

仍會存在。

69. 未來不是「不要論文」

而是：

70. 這解決 arXiv 限流嗎？

不是直接解決。

但它改變：

如果每一個小更新都要新 paper：

若可更新：

則：

可以下降。

71. Continuous Research 不應等於 Continuous Paper Spam

研究可以：

次 iteration，

但不需要：

篇 paper。

因此：

72. Publication Threshold

可以定義：

只有重要改變才產生新 publication snapshot。

73. 這同時保護人類注意力

人類最稀缺的是：

不是 PDF storage。

74. AI 可以處理底層高頻變化

例如：

• citation update；
• dependency check；
• test rerun；
• new evidence scan；
• duplicate detection；
• provenance validation。

讓人類集中：

• 核心 claim；
• 重大 dispute；
• paradigm change；
• 倫理與制度判斷。

75. Human-on-the-Bridge for Scholarship

延續 IDSLS-01 與委任時間論：

例如：

• claim rubric；
• evidence rule；
• validation policy；
• plagiarism standard；
• escalation threshold。

76. Moderation Agent

未來 moderation 不一定是：

可以：

但：

77. AI 可以降低 Moderation Cost

例如：

• category routing；
• duplicate detection；
• format validation；
• citation verification；
• obvious nonsense filtering；
• provenance completeness；
• policy checks。

這些任務較適合機器化。

78. 人類仍處理高價值判斷

例如：

• scholarly interest；
• disputed novelty；
• ethical edge cases；
• ambiguous scope；
• disciplinary norms；
• appeals。

79. Scholarly Governance Bandwidth

可以定義：

AI 的價值之一是提高：

80. 但自動化也可能放大錯誤

如果 moderation model 的 bias：

被大規模套用，則：

所以需要 appeal、audit、model diversity、calibration 與 human override。

81. 高權威平台仍具有 Dataset 價值

對 AI training：

仍然高價值。

因為它具有 technical density、provenance、structure、citation 與 domain concentration。

82. 但未來 AI 不會只學 arXiv

因為 Research Agent 可以 live retrieve：

所以：

83. Pretraining 與 Live Research 必須分離

Pretraining：

Live Research：

因此研究被 AI 使用的路徑變多。

84. 「沒有進 arXiv」不等於「AI 看不到」

如果研究具有 stable URL、metadata、canonical source、provenance、machine-readable relations 與 accessible license，則：

85. 但 Discoverability 不等於 Authority

AI 找得到：

不表示：

還必須驗證。

86. 因此網站也可以成為 Research Node

個人或機構網站若具有 canonical research source、persistent IDs、provenance、version、evidence、code 與 citation metadata，即可成為：

87. Distributed 不等於無治理

去中心化常被誤解：

實際需要：

88. Federation

未來研究平台可以 federation：

透過共同 schema 交換 claim、evidence、metadata、validation 與 revision。

89. Trusted Node

某平台可以成為：

因為具有品質、社群、moderation、archive 與 governance。

arXiv 就很可能長期保持這種角色。

90. Entire Research Universe 不應依賴單一 Node

這就是本文對未來 arXiv 最精確的定位。

91. 學術搜尋會從文件搜尋變成研究圖搜尋

現在：

找關鍵字出現在哪篇 paper。

未來：

找所有支持 claim X 的 direct evidence。

或者：

找所有反駁 model Y 的 experiments。

92. Claim-level Retrieval

例如查詢：

claim = "X causes Y"
relation = contrary
world = physical
validation = replicated

比全文 keyword 更適合 Research Agent。

93. 機器可讀研究的價值不只是搜尋

還包括：

• automatic contradiction detection；
• dependency impact analysis；
• retraction propagation；
• reproducibility monitoring；
• evidence update；
• cross-agent handoff。

94. Dependency Impact

若：

失效，系統可以找到：

哪些依賴它。

95. Retraction Propagation

傳統撤稿：

後續引用者未必立即更新。

MRRN 可以：

96. Evidence Update

新 evidence：

進入。

系統可以判斷：

增加、減少或 unchanged。

97. Living Scholarship

因此學術從：

部分轉向：

98. Living 不等於 Mutable Without History

所有更新必須：

否則無法引用。

因此：

99. 可引用性

任何 snapshot：

都應可永久引用。

即使：

已經更新。

100. Content Addressing

可以使用：

確定：

你引用的是哪一個狀態。

101. AI 作者與人類作者問題

AI-native research 還需要：

不能只寫：

AI generated.

需要區分 problem formulation、hypothesis、search、code、experiment、verification、writing、direction 與 final judgment。

102. Contribution Event

定義：

Actor 可以是 human、AI、tool 或 external service。

103. Authorship 不必完全等於 Contribution

傳統作者列：

研究圖可以同時保存：

104. AI 研究代理不應洗掉人類責任

若人類決定：

仍需要：

至少在目前制度中如此。

105. AI 學術產量上升後，品質不應靠產量代理

過去：

有時被用作 productivity proxy。

當 AI 降低 publication cost：

會更加失真。

106. 新的學術產出單位

可能需要：

而不是：

107. Validated Contribution

例如：

• new theorem；
• independent replication；
• benchmark；
• dataset；
• counterexample；
• negative result；
• verified method；
• formalization；
• reusable research object。

108. Citation Count 也可能進一步失真

AI 可以產生大量：

因此：

也需要與：

分離。

109. 一篇批判性 citation 與支持 citation 不一樣

110. Agent-native Citation Graph

未來 citation graph 應至少區分：

supports
uses
extends
contradicts
replicates
reviews
mentions

111. Evidence Authority 也不能被遊戲化

如果平台開始顯示：

研究者可能針對 score 最佳化。

因此：

112. 多維 Evidence Profile

例如：

不同學科權重不同。

113. AI 研究的高頻化會提高負結果價值

當 AI 可以大量試驗，失敗不應全部丟掉。

否則產生：

114. Negative Result Object

可以正式存在：

type: negative_result
state: validated

並連接：

115. Counterexample 是高價值 Research Object

尤其數學與形式系統：

可能比一篇長 paper 更具信息價值。

116. Research Object 的價值可以與篇幅脫鉤

一個 20 行反例：

因此：

117. AI 時代更需要 Scope

模型特別容易做：

錯誤泛化。

因此每個 claim 應綁：

118. Scope Binding

例如：

scope:
  population:
  domain:
  time:
  assumptions:
  exclusions:

119. Research World

如果所有研究物件都具有 ID、type、state、relations、provenance 與 version，則形成：

它不是資料庫而已。

它是一個可持續演化的知識狀態空間。

120. Research World 與 IDSLS

對 AI Research Agent：

就是：

121. 學術資料從 Corpus 變成 Environment

傳統：

Research World：

Agent 可以查、驗、跑、比較、更新與提出反例。

122. 這是 IDSLS 的核心轉變

123. 高權威論文仍重要

本文不主張：

恰恰相反，高品質 paper 仍是理論壓縮、人類審議、narrative reasoning、accountability 與 citation anchor。

124. 只是它不再必然是全部

125. arXiv 的可能未來角色

一種合理未來：

這是本文推測，不是 arXiv 已宣布的正式 roadmap。

126. Submission 可以變成 Snapshot Registration

未來平台可能接受：

新 paper。

也可能接受：

既有 Research Program 的正式 snapshot。

127. 這可以降低 Paper Fragmentation

如果：

只是小更新，

不需要新 paper。

128. AI 可以幫忙決定何時值得 Publication

定義：

若全部很低：

129. 但 Publish Gate 不能完全交給 AI

因為：

仍可能具有社群、哲學、歷史與價值判斷。

130. Human–AI Scholarly Governance

未來更合理：

131. AI-native 平台的最小功能

至少：

1. canonical identity；
2. version；
3. provenance；
4. research object type；
5. claim–evidence links；
6. validation state；
7. machine-readable metadata；
8. publication projection；
9. revision history；
10. audit trail。

132. AI-native 不等於 AI-only

意思是：

架構從一開始就考慮機器參與研究生命週期。

而不是：

排除人類。

133. Machine-readable 不等於 Human-hostile

好的系統同時提供：

134. 人類閱讀負擔會從全文轉向異常與爭議

AI 可以總結 changed claims、new contrary evidence、failed tests 與 unresolved disputes。

人類不必每天重讀全文。

135. Delta Review

定義：

只審：

136. 這對高速研究很重要

如果每次更新都全文重審：

Delta review：

137. Research Agent 可以成為持續審閱者

不是一次 reviewer。

而是：

138. Longitudinal Reviewer

它記得過去主張、過去反例、已解缺口、未解缺口與 version change。

因此比完全新 reviewer 更容易發現：

139. 但同一 AI 也可能形成確認偏誤

因此需要：

140. 多模型審查

可以：

使用不同 model family、prompt、evidence source 與 verifier，降低 single-model blind spot。

141. 不代表 Majority Vote 就是真理

多模型一致只是一項 signal。

142. 可執行證據的重要性上升

如果 claim 可以由：

驗證，

AI 可以直接執行。

143. 數學形式驗證

若 theorem 有：

則 AI 可以取得比自然語言 summary 更直接的 formal evidence。

144. 但 Formal Proof 也有 Scope

Lean 證明 theorem 在 axioms 下成立。

不自動等於物理世界命題成立。

145. Reproducible Research Package

實驗型研究可以附：

• environment；
• code；
• data；
• seed；
• dependencies；
• expected outputs。

146. 研究的 Authority 可以部分由可重演性構成

147. AI 可以大幅降低重演成本

大量研究現在不會被重演，因為人類時間昂貴。

Agent 可以：

148. 這可能改變「被引用」與「被驗證」的比例

現在：

未來部分領域可能：

149. Evidence Authority 可能因此變得更具體

不是：

很多人引用。

而是：

這個 claim 被多少種獨立方法驗證？

150. 研究資料本身也成為高價值 AI Data Asset

機器可讀 Research World 可以產生：

• claim datasets；
• evidence datasets；
• proof datasets；
• revision datasets；
• contradiction datasets；
• replication trajectories。

這接回 IDSLS-00 的 training-data 問題。

151. 但研究資料商業化與研究公開必須分離

公開 paper：

不一定等於：

這與 TCF DataAsset 思路相容。

152. Academic Access 與 Training License 不是同一權利

未來研究平台也可能必須更清楚管理這些權利。

153. 高品質學術平台仍會是 AI 的重要 Anchors

因為 AI 也需要：

否則 open Web 的 noise 太大。

154. 但 Anchor 不應變成 Exclusivity

155. IDSLS 的發展態解釋

早期模型：

更成熟 Research Agent：

156. 同樣是學術資料，其最佳形態也會改變

因此：

可能仍高，

但：

可能成為可檢驗命題。

157. 可檢驗假說 H1：高解析度 Research Objects 提升跨 Agent 承接

給兩組 Agent 相同研究內容。

A 組：

B 組：

測 continuation success、claim recovery、error localization 與 citation accuracy。

158. H2：Claim–Evidence Graph 降低 Overclaim

比較：

與：

測：

159. H3：Living Evidence Layer 提高更新完整性

當加入 contradictory evidence：

測系統是否發現、降低 claim、觸發 review 並保存 revision。

160. H4：Research State 模型降低 Paper Fragmentation

在同一 research programme：

固定。

比較：

與：

測人類審閱負擔。

161. H5：Platform Authority 與 Evidence Authority 對 AI 判斷的影響可分離

給模型：

• famous venue + weak evidence；
• unknown venue + strong reproducible evidence。

測：

若模型過度依賴 venue，代表：

權重過高。

162. H6：Executable Evidence 提升研究代理的錯誤檢出

比較：

與：

測：

163. H7：Delta Review 降低長期研究維護成本

比較：

與：

測 reviewer time、missed changes 與 issue resolution。

164. H8：AI 研究網路提高 Longitudinal Correction

若新反例出現：

研究圖系統應比孤立 PDF 更快找到：

165. 最小實驗一：四種學術傳播形式

相同研究材料，分為：

1. paper only；
2. paper + supplement；
3. static research object；
4. persistent research state。

讓不同 Agent 接手。

測：

166. 最小實驗二：平台名遮蔽

將 venue metadata blind。

比較：

與：

測：

167. 最小實驗三：Evidence Graph

提供同樣 references。

A 組只有 bibliography。

B 組有：

typed relations。

測 citation-to-claim alignment。

168. 最小實驗四：Revision Propagation

讓核心 evidence 被撤回。

測系統能否定位所有：

169. 最小實驗五：Publication Threshold

給 Research Agent 100 次 iteration。

比較：

• 每次都發 paper；
• semantic threshold 才 publish。

測 signal/noise、review burden 與 discovery quality。

170. 反例與風險：Schema Burden

如果 research object schema 太複雜，作者負擔可能：

因此 machine extraction 與 progressive adoption 很重要。

171. Ontology Lock-in

過早固定：

可能限制新學科。

因此：

更合理。

172. AI Extraction Error

從 paper 自動抽 claim 可能遺漏、誤分類或 scope 錯誤。

所以：

也需要 provenance 與 confidence。

173. Evidence Graph 也可能被造假

惡意作者可以標：

relation: direct
strength: strong

但實際不成立。

因此 metadata 本身不是證據。

174. Research Object Spam

AI 也可以產生大量 fake research objects。

所以：

175. 仍需要 Institution

去中心化研究世界如果沒有 moderation、identity、appeals、dispute 與 reputation，可能更加混亂。

176. 人類 Attention 依然是稀缺資源

即使 AI 幫忙，真正重大研究仍需要人類或高信任治理節點介入。

177. AI 驗證可能形成同源錯誤

若作者 Agent 與 reviewer Agent 使用相同 model family，則：

因此需：

178. 研究更新過快可能破壞引用穩定性

若 live object 每分鐘變：

所以 snapshot identity 必須保留。

179. Public Snapshot 與 Living State 分離

舊 snapshot 永久可引用。

180. Peer Review 仍不會消失

反而可能分層：

• rapid machine review；
• specialist review；
• formal verification；
• post-publication review；
• replication review。

181. Review 本身也應成為 Research Object

應具有 identity、claims、evidence、conflicts 與 version。

182. Reviewer Reputation

未來甚至可以追蹤：

但必須避免變成單純 popularity score。

183. 科學價值不能完全機器化

研究「重要不重要」不只是一個 factual problem。

它還涉及新穎性、問題選擇、文明需求、美學與 explanatory power。

因此 AI-native scholarship 仍需要 plural values。

184. 理論邊界

本文不主張：

1. arXiv 的兩篇/月政策永久合理。
2. arXiv 應取消 moderation。
3. arXiv 會失去權威。
4. paper 會消失。
5. peer review 會消失。
6. AI 可以自動判定 scientific truth。
7. machine-readable metadata 等同證據。
8. structured research object 一定比好 paper 更有價值。
9. 所有研究都必須公開 code 或 data。
10. 所有學科共享相同 evidence hierarchy。
11. 去中心化研究網路天然更好。
12. AI review 可以完全取代人類 reviewer。
13. 高 publication throughput 等同高 knowledge throughput。
14. 未被知名平台收錄的研究自動就是高價值。
15. 平台名聲完全不應影響 prior。
16. AI-generated research 必然品質低。
17. AI-generated research 必然品質高。
18. Research Object Ontology 已經完備。

185. 與 IDSLS-00 的關係

IDSLS-00：

IDSLS-02 指出：

本身也會隨 AI 發展態改變最佳形態。

186. 與 IDSLS-01 的關係

IDSLS-01：

IDSLS-02：

187. 兩者共同指向 World Coupling

商業 Agent：

研究 Agent：

因此 AI 不再只被動讀資料。

188. Research World 也是一個世界狀態機

研究狀態：

新 evidence：

驗證：

更新：

189. 這就是學術的動態世界化

190. AI 的高品質學術學習也從讀取變成參與

早期：

未來：

191. 平台限制因此只限制一種入口

arXiv 限流限制：

它不能限制：

也不能限制：

192. 這不是繞過品質治理的理由

獨立網站不應成為：

我被 arXiv 限制，所以我隨便發。

相反，若離開大平台，更需要：

193. 分散式研究的責任更高

平台替作者提供部分：

自己成為 node，就必須自行補：

194. AI crawler 與 Research Agent 的差異

Crawler：

Research Agent：

因此未來為 AI 準備研究網站，不只是 SEO。

195. Agent-Readable Research

網站可以提供：

• llms.txt；
• JSON-LD；
• schema；
• machine-readable references；
• canonical source links；
• hashes；
• code；
• test status；
• claim IDs。

196. 但可讀性不等於可訓練授權

再次：

此處接回 TCF DataAsset 與資料授權研究線。

197. AI 時代的學術權威將更像網路而非塔

傳統想像：

未來可能更像：

198. Authority Topology

定義：

節點可以是 platform、author、lab、repository、verifier、journal、dataset 與 formal system。

199. 權威是關係性的

一個節點在數學證明可能權威很高。

在臨床試驗不一定。

因此：

200. 未來 AI 可能學會「去哪裡信什麼」

這比：

哪個網站最權威？

更成熟。

即：

201. 這就是新的信息素養

人類叫：

AI 需要：

202. Epistemic Routing

定義：

203. 學術平台會成為 Routing Anchors

arXiv、Crossref、PubMed、GitHub、institutional repositories 等可能各扮演不同 role。

204. 最終不是平台 vs 去平台

錯誤二分：

更合理：

205. 核心命題總結

命題一

命題二

命題三

命題四

命題五

命題六

命題七

命題八

206. 結論

arXiv 在 2026 年 10 月採取的 submission rate limit，首先是一個非常現實的治理回應：

當輸入量快速上升，而 staff、volunteer moderation 與 support capacity 仍然有限，平台必須保護自身的服務品質與 scholarly signal。

因此，限流本身不應被簡化成：

傳統學術害怕 AI。

它更接近：

現有學術基礎設施正在遭遇新的吞吐量條件。

然而，這個事件也暴露了一個更長期的問題。

如果 AI 使研究從：

逐漸變成：

那麼要求所有高價值研究變化都重新壓縮成獨立 paper，並由有限人類 moderation bandwidth 逐件處理，可能不是最終制度形態。

本文因此主張：

研究的 canonical substrate 可以更加豐富：

Paper 則是：

AI Research Agent 可以取得：

當這種架構逐漸成熟時，學術權威也可能從單純：

轉向：

這不是平台權威的終結。

恰恰相反，高品質平台會從「唯一入口」轉化成：

但研究世界會比任何單一平台更大。

對 AI 而言尤其如此。

未來 AI 不會只在 pretraining 時學習一個固定 scholarly corpus。

它會持續：

所以真正重要的學術基礎設施，也將從：

逐漸擴展成：

這就是 IDSLS-02 的最終判斷：

而是：

而未來真正高權威的研究，不一定只是「被某個平台收錄」。

它更可能同時具有：

在這個意義上，學術權威將逐漸由一個地點，變成一個可以被重新追蹤與驗證的結構。

Appendix A｜Machine-Readable Research Object Minimum Schema

research_object:
  id:
  type:
  title:
  canonical_source:
  version:
  created_at:
  updated_at:

identity:
  authors: []
  contributors: []
  institutions: []

epistemic:
  status:
  claim_strength:
  scope:
  assumptions: []
  limitations: []

provenance:
  source_hash:
  derived_from: []
  generated_by: []
  contribution_events: []

relations:
  defines: []
  depends_on: []
  supports: []
  contradicts: []
  validates: []
  falsifies: []
  extends: []
  supersedes: []

evidence:
  evidence_ids: []
  evidence_snapshot:
  contrary_evidence: []

validation:
  formal:
  computational:
  empirical:
  replication:
  unresolved: []

publication:
  public_snapshots: []
  doi:
  external_platform_ids: []

Appendix B｜Claim–Evidence Object

claim:
  claim_id:
  claim_form:
  claim_text:
  scope:
  modality:
  assumptions:
  status:

support_requirement:
  type:
  required_evidence: []

evidence:
  - evidence_id:
    evidence_type:
    relation:
    scope_fit:
    provenance:
    validation_state:

revision:
  defeat_conditions: []
  promotion_conditions: []
  latest_revision_event:

Appendix C｜Research World Minimal Loop

Research question
      ↓
Research objects
      ↓
Claims
      ↓
Evidence collection
      ↓
Validation
      ↓
Publication snapshot
      ↓
Living evidence monitoring
      ↓
New evidence / counterexample
      ↓
Impact analysis
      ↓
Revision candidate
      ↓
Human + AI review
      ↓
New canonical state

形式上：

Appendix D｜Platform Authority vs Evidence Authority

authority_profile:
  platform:
    repository:
    moderation:
    peer_review:
    persistence:
    discoverability:

  evidence:
    provenance:
    directness:
    replication:
    reproducibility:
    formal_validation:
    scope_fit:

  lineage:
    revision_history:
    dependency_graph:
    retraction_status:

  identity:
    author_identity:
    institutional_identity:
    contribution_provenance:

Appendix E｜AI-Native Scholarly Node Checklist

一個分散式研究節點若希望被人類與 AI 高可信使用，最低可考慮：

[ ] stable canonical URL
[ ] UTF-8 canonical source
[ ] version identifier
[ ] immutable historical snapshots
[ ] SHA-256 or equivalent content hash
[ ] author / contributor identity
[ ] creation and revision timestamps
[ ] explicit license
[ ] machine-readable metadata
[ ] claim identifiers
[ ] evidence identifiers
[ ] typed claim–evidence relations
[ ] code / data links where applicable
[ ] validation state
[ ] known limitations
[ ] unresolved issues
[ ] revision / retraction path
[ ] human-readable publication projection
[ ] machine-readable research projection

Appendix F｜外部來源與時點

以下來源用於描述截至 2026-10-04 的外部學術基礎設施狀態。政策與平台機制可能持續變化，未來版本應重新查證。

1. arXiv, Fair Moderation, Equitable Access, and AI: arXiv’s Updated Rate Limit Policy, 2026-10-01.
   https://blog.arxiv.org/2026/10/01/updated-rate-limit-policy

   公開公告指出：自 2026-10-01 起，每位 submitter 每曆月最多兩次 submissions，並維持最多三個 active submissions；2026 年 9 月收到 40,363 次 submissions，2024 年 9 月為 20,569，2016 年 9 月為 9,869，並產生近 9,000 件 support tickets。arXiv 將新政策稱為 stopgap，以爭取改善 moderation tools 與 procedures 的時間。

2. arXiv, About / Moderation and submission policies.
   https://info.arxiv.org/

3. Wilkinson et al., The FAIR Guiding Principles for scientific data management and stewardship, Scientific Data, 2016.
   https://doi.org/10.1038/sdata.2016.18

4. RO-Crate.
   https://www.researchobject.org/ro-crate/

5. W3C PROV-O: The PROV Ontology.
   https://www.w3.org/TR/prov-o/

6. Nanopublications.
   https://nanopub.net/

7. CRediT — Contributor Roles Taxonomy.
   https://credit.niso.org/

8. Crossref.
   https://www.crossref.org/

Appendix G｜與 IDSLS-03 的接口

IDSLS-02 處理：

IDSLS-03 將進一步處理：

並把 scholarly text、code、gameplay、computer-use trajectory、failure recovery、permission data 與 physical feedback 放入同一資料價值框架。

核心將是：

以及：

End of Canonical Source