HACTS-07｜未來自我與技術等待選擇權：為什麼有些事情留給未來完成反而更合理

從可再啟動的研究資產、AI 能力演進與跨期自我協商，到延後決策、有效保存與可持續創造的動態理論

English title: The Future Self and Technological Waiting Options: Deferral, Re-Activation, and Intertemporal Creative Sovereignty under Advancing AI
系列：《人機耦合時代的時間主權與創造自由》（Human–AI Coupling, Temporal Sovereignty, and Creative Freedom；HACTS）
篇次： 07／10（第二卷第三篇；承接 HACTS-00～06）
文件編號： EML-HACTS-2026-07-v0.1
版本： v0.1
日期： 2026-10-17（Asia/Taipei）
思想提出與研究策劃： Neo.K
AI 協作研究與論文初稿整理： GPT-6
研究場域： EveMissLab／無界智庫
文件性質： 理論論文／跨期選擇權／AI 技術經濟學／創作者時間主權／有限期動態決策／可否證研究綱領
狀態： 詳細研究初稿；未經同儕審查；本文新增模型尚未以真實研究者長期資料驗證
Canonical source： 此 UTF-8 Markdown 檔案；所有正式數學原始碼僅採用 $...$ 與 $$...$$ 兩種分隔形式
研究限制： 不宣稱 AGI／ASI 的確定時點；不將技術成本下降視為必然；不把工作滿意度推定為恢復充分；不提供個別財務、醫療或法律建議。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

人工智慧系統能力提升，不只改變一項任務在當下的完成成本，也改變研究者對未來自己能完成什麼的估計。某些研究、遊戲、軟體、理論與產品原型，已經具有可保存的結構、需求與證據，卻尚未達到成熟產品或完成論文的狀態。在傳統專案管理語境下，它們容易被列為待辦、積壓或未完成責任；但若未來能取得更好的模型、硬體、協作夥伴與現金流，同一資產日後的執行成本可能降低，延後完成便可能具有正向選擇權價值。由此產生一個不同於普通拖延的命題：在有限生命時間與快速變動的技術環境下，現在不做某件事，有時不是損失，而是保留未來以更低代價、更好條件或不同目標完成它的權利。

本文提出「未來自我與技術等待選擇權」（Future-Self Technological Waiting Option；FTWO）作為 HACTS 系列第七篇，聚焦研究成果可移轉性、未來執行能力、重新啟動成本、保存成本、先發稀缺性與個人時間主權之間的關係。本文首先區分單純延宕、策略等待、可逆休眠、被動遺棄與有意退出，指出「尚未完成」本身不構成同質的負債。其次，以可再啟動的研究資產（Re-Activatable Research Asset）、跨期技術能力（Future Execution Capability）、有效保存（Effective Preservation）與未來自我選擇權（Future-Self Optionality）建立操作性概念，使「等 AI 更強再做」不再只是未校準的直覺敘事。

本文給出一項簡化的即時執行—等待比較：等待可節省的預期技術執行成本，若大於歷史窗口流失、折現、保存及重啟費用，便可能產生局部等待收益；反之，在競爭危險率高、技術不相容、資料遺失、法律期限或現金斷裂風險高的情境中，延後可能非常昂貴。本文進一步以有限期 Bellman 決策、財務可行集合、專案重啟門檻與多專案資源約束，分析為何「有能力現在做」與「現在有義務做」不是等價命題；並提出對未來自我保留修訂、重新排序、拒絕與回返的正當性。

在實證層面，本文設計十二項可否證假說、八組可重算情境及四類縱向／準實驗研究方案，試圖觀察 AI 能力進步是否真的降低封存專案的恢復人時、保存品質如何中介重啟效率、財務緩衝是否改變策略等待的實際可行性，以及強迫週期性重新審查所有專案是否反而製造額外治理成本。既有實質選擇權、時間不一致、未來自我連續性、技術債與 AI 效能研究提供直接參照，但並不已經證明本文的整合命題。

本文最後主張：預測未來不代表必須把未來提前實現；保留選擇不是無限囤積；真正成熟的 AI 協作，不只是增加今天可以完成的任務，也應增加一個人安全地將某些工作交給未來的自由。一個成功的等待策略必須保護研究資產、現金流、可回返性與人的生活，而不是讓「未來會有更強 AI」變成逃避今日外部責任的藉口。它同時容許另一種結果：當窗口短暫、公開證據價值高或當前研究投入本身具有不可替代的意義時，立即創作仍然可以是合理選擇。

關鍵詞： 未來自我、技術等待選擇權、跨期自主、AI 能力演進、實質選擇權、可再啟動研究資產、專案休眠、有效保存、重啟成本、技術債、先發窗口、資產沉積、時間主權、主動不管理、財務可持續性、Agent 委任、動態決策、可否證假說。

0. 問題的出現：為什麼已經能做的人，仍然可能選擇不做？

0.1 不是能力不足，也未必是害怕失敗

我們考慮一位獨立研究者：他已完成數十個原型、一批理論與可運行的技術框架；其中部分成果已公開，部分保存在私人程式庫、實驗紀錄或本地工作區。對任一已能完成的專案，他可以選擇繼續投入，也可以把它留到另一個模型世代、硬體升級、合作團隊形成或商業現金流改善之後再做。

傳統生產力直覺往往推導：既然今天已能完成，而且越早產出越多，立即推進就一定更好。但此推論忽略了至少四種機會成本：第一，今天投入時間將排擠其他意圖和生活；第二，同一成果未來的執行技術可能改善；第三，成果若已完成可驗證的核心，其後續版本可能具有可延後性；第四，現在把每個可行專案都變成工作義務，會減少未來自己修改方向的選擇。

另一個極端同樣不成立：由於未來 AI 可能更強，因此今天應該什麼都不做。若特定窗口可能關閉、現有程式會腐化、外部承諾已有期限、財務可行性即將消失，等待可能損失巨大。

所以本文不是替拖延尋找哲學藉口，而是研究：在可觀察條件下，何時「保留未來完成權」具有可辨識價值？何時它只是缺乏校準的樂觀？

0.2 一個關於現在與未來自我的對稱問題

現在的創作者可以提出：

我現在可以完成，所以我希望現在完成。

但未來的自己也可能提出：

你保留了核心成果、原始碼與證據，讓我使用更好的工具重建、修改甚至拒絕它；謝謝你沒有替我把所有方向提前封死。

也可能是：

你只留下沒有版本、沒有驗證、沒有依賴鎖定的散亂檔案，現在所謂的未來選擇權已經無法行使。

因此，延後不是把工作丟向一個空白未來，而是把今日決策的效果傳遞給未來決策者。這個未來決策者與今天的主體具有時間上的歷史連續性，但其知識、資源、興趣、義務與價值排序可能改變。

0.3 最小論點

命題 FTWO-0： 若專案具有可保存、可重啟的有效資產，而且未來的執行條件可能改善，則延後執行可成為與立即執行並列的合理候選行動；其合理性必須接受保存、重啟、競爭、折現、財務與主體偏好改變等反向成本的檢驗。

最簡形式為：

\mathrm{CanExecuteNow}(i,t)=1 \quad\not\Rightarrow\quad \mathrm{MustExecuteNow}(i,t)=1.

這是邏輯上限度較小的否定命題，不是等待永遠比較好的定理。

1. 系列研究定位與非重複邊界

1.1 從 HACTS-00～06 到本篇

既有論文	已建立的問題	本篇新增的焦點
HACTS-00｜統合總論	創造可能性與個人時間主權	現在與未來的跨期行使權如何分配
HACTS-01｜生產力內生擴張	AI 加速也可能使工作內生增加	工作可延後時是否能阻止「候選即承諾」
HACTS-02｜額度重置與時間支配	定期失效的算力誘發即時使用壓力	期限短的配額和期限長的研究資產應分帳
HACTS-03｜自願性高投入	高創造滿足與高疲勞可同時存在	將恢復能力納入未來執行資源
HACTS-04｜Agent 並行與認知待命	代理活動可能持續佔用人類注意	休眠計畫不應要求人類永久待命
HACTS-05｜時間主權微觀決策	繼續、延後、休眠、退出、回返	研究「等待的實際資產價值」與重啟條件
HACTS-06｜黃金窗口與歷史不對稱	各種先發窗口和相依風險率	在時間窗口約束下，未來能力改善與未來自我的選擇權

HACTS-06 已提出窗口風險與立即／等待的簡化比較。本篇不重做先發優先權的社會學論證，而是把重點移到時間連續的行動者、可重新啟動的資產、保持與恢復成本、可行流動性，以及由 AI 進步帶來的不確定工作替代。兩篇互補而非彼此重複。

1.2 先前 EveMissLab 理論的直接接口

HODR-II：選擇權囤積與不可逆決策：提醒研究者擁有大量選擇權，也可能使所有專案遲遲不外化 [I1]。
HODR-IV：AI 生產力與可能性空間爆炸：說明更快的產出可伴隨更快的候選生成，選擇與承諾成為瓶頸 [I2]。
HAVT-06／07：時間主權與多速度文明：拒絕把最快技術的速度自然轉換為所有人的生活義務 [I3–I4]。
RR-06：Owned Trajectory／可修正人生線：區分生成行動與承擔、修訂一條長期軌跡的權能 [I5]。
AI 計算時間經濟學與委任時間論：把算力、人類治理時間及自主 AI 的操作時間分帳 [I6–I7]。
原生人類前沿主權窗口論、可實作門檻前移、HACTS-06：分別支援對歷史窗口、技術工具變動和先發價值的建模 [I8–I10]。

這些名稱、思想譜系與原稿是本系列的既有研究來源，不能因本篇重述而再主張是首次出現的概念。本篇新增的 FTWO 亦僅是本文提出的研究框架，而不是已經由學術界獨立驗證的新定律。

1.3 與第 08～10 篇的分工

第 08 篇將專論最小必要管理、休眠專案與管理成本本身，第 09 篇將分析創業現金流及時間緩衝，第 10 篇研究人類節奏優先的自主 AI 組織。本篇會提出這些後續論文所需的選擇權介面，但不提前把所有管理、財務或治理理論完整重寫。

2. 外部研究：哪些部分已有成熟理論，哪些仍是假說？

2.1 不可逆投資的等待選擇權

Pindyck（1991）以及 Dixit 與 Pindyck（1994）已建立不確定條件下的不可逆投資模型：投資機會可以有等待資訊和推遲沉沒成本的價值 [E1–E2]。將一個研究專案類比為可延後的投資決策具有啟發性；然而研究的價值可能是公開知識、文化創造、私人滿足或未來選擇，並非都能轉換成財務現值。

本文借用的是保留行使權與比較不可逆成本的結構，而不是宣稱人類生活就是金融衍生品，也不是以實質選擇權文獻當作「AI 等待一定正收益」的經驗證據。

2.2 研究開發本身是序列決策

Roberts 與 Weitzman（1981）已指出，研發與探索活動具有序列決策性質：後續投入能根據新資訊重新評估 [E3]。此原理的重要性在於，專案並非只能在今天一次做出永久的做／不做二選一；較常見的情況是分批投入、局部驗證、保存可重用構件，之後根據新證據調整。

本篇新增的是：未來資訊不只包括市場需求或技術實驗結果，還可能包括AI 在特定專案類型中的可用能力、工具價格、可靠性與上下文恢復成本。

2.3 未來自我不是一個無關的陌生人

Hershfield（2011）整理未來自我連續性如何影響跨期選擇的心理學與行為經濟學研究；與 Goldstein 等人在 Journal of Marketing Research 的實驗則表明，增加未來自我的可感知性可能改變延後收益的選擇 [E4–E5]。這些研究主要處理儲蓄與財務選擇，不能直接證明創作者把 GitHub 專案保存到下一代 AI 時就是最佳策略。

Laibson（1997）關於時間不一致與承諾裝置的研究，則提醒我們：今天與未來的偏好可能衝突，承諾機制有時有益，有時也會過度限制選擇 [E6]。本文因此不把「永遠能改變主意」當成沒有任何成本的善，也不把「永遠維持原規劃」當成有責任感的唯一樣貌。

2.4 AI 能力改善是真實研究趨勢，但不是保證

Stanford HAI《2026 AI Index》顯示多種 AI 基準與 Agent 能力持續變化，但任務與領域間仍存在不同能力限制 [E7–E8]。METR 的長任務能力測量也明確指出，任務時間尺度是一種特定任務分布下的難度指標，不等於模型能在現實世界中連續工作多久 [E9]。

尤其 METR 於 2026 年 2 月說明，較新工具對開發者的加速效益難以從有選擇偏差的樣本直接估計；開發者選擇哪些工作交給 AI，本身就會改變觀察到的效果 [E10]。所以本文不把「AI 每年一定省下一半工時」當成已知事實。實際估算應依特定任務類型、完整驗證流程與不同模型版本做重測。

2.5 保存與重啟有真實工程成本

軟體工程的技術債研究已指出，架構變更、依賴和延後修改會影響未來維護成本 [E11]。GitHub 與 Zenodo 的整合、Zenodo 版本紀錄，以及 Software Heritage 的 SWHID 則提供將特定研究軟體保存為可追溯歷史物件的方法 [E12–E14]。

但可追溯不等於可執行。一個永久識別的原始碼版本仍可能缺少密鑰、資料集、授權、相依環境、驗證程序或不可再取得的外部 API。對於日後要重新啟動的研究資產，保存品質必須有更嚴格的可恢復性標準。

2.6 內部預測不能代替外部校準

Kahneman 與 Lovallo（1993）關於內部視角、過度樂觀與預測判斷的研究提供了一個重要反論：研究者對未來自己的能力可以很有信心，但不能只靠主觀信心推導出未來工程成本、成功率與市場時機 [E15]。

因此：等待價值需要有可驗證的校準資料，而不只是相信未來自己一定會很強。

3. 五種表面相似、實際不同的「暫時不做」

3.1 延宕、等待、休眠、棄置與退出

本文區分：

狀態	核心含義	後續是否可回返	主要風險
非策略性延宕	想繼續，但沒有具體保存或再判斷條件	不確定	隱性任務負債
策略等待	根據可觀察資訊與成本預期，暫不投入	原則上可以	預測落空、窗口關閉
可逆休眠	主動保存可恢復的有效資產，不再日常推進	保存良好時可以	依賴老化、重啟成本
被動棄置	沒有必要保存或承擔後續計畫	可能困難	檔案遺失、責任無主
有意退出	對方向、角色或義務作出終止／轉移決策	依退出契約而定	既有承諾未清理

這張表不是心理疾病分類，也不能把任何個人標記為拖延型人格。它描述的是行動狀態與資產治理契約。

3.2 「不做」不是一個空動作

在高產能專案環境裡，一個簡單的「暫停」至少可能有三種後果：其一，產出不再增加；其二，既有技術資產持續老化或保持穩定；其三，人的時間被釋放給其他目標。只把第一項寫進工作帳本，就會低估暫停的跨期價值；只看第三項，又會忽略保存成本。

可寫為：

\Delta \mathbf S_{\mathrm{pause}} = \left( \Delta Y_i,\Delta K_i,\Delta T_H,\Delta R_i \right),

其中 $Y_i$ 是專案對外成果， $K_i$ 是可重用知識資產， $T_H$ 是可支配人類時間， $R_i$ 是重啟負擔。對暫停而言，通常 $\Delta Y_i$ 較小，但其他三項未必為零。

3.3 理性等待不代表一定知道下一次何時執行

等待可以是事件觸發而非日期觸發。例如：某種成本可靠地下降、找到能解決目前限制的新驗證工具、外部客戶提出需求、現金緩衝達到指定條件。此時即使沒有預先訂出下一次日期，也不必等於無決策。

但若事件永遠無法被觀察或不可能觸發，所謂等待就缺乏實質內容。研究必須預先指定可檢驗的狀態，而不能用「等未來更好」封閉所有反例。

3.4 不管理的邊界

不是每一個休眠資產都要配一位管理員、一套每週報表或每月全量審查。沒有外部承諾、沒有資安暴露、沒有定期成本且不需確保持續服務的研究草稿，可以使用「保存—靜置—需求觸發」模式。相反地，對外服務、付費客戶資料、未解漏洞、授權義務及明確交付契約仍要求相應治理。

因此，「不管理」只有在低風險、低成本、可保留的邊界內，才是管理負擔的合理減法。

4. 可再啟動研究資產：不是所有未完成專案都有同等選擇權

4.1 從工作項目到研究資產

設專案 $i$ 的目前產物包含程式、形式化定義、數據、實驗、設計決策、使用者回饋和可追溯版本。本文將其記為：

K_i(t)= \left( S_i,D_i,E_i,V_i,P_i,L_i \right)_t,

其中 $S_i$ 為 source／原始材料， $D_i$ 為需求與設計決策， $E_i$ 為實驗證據， $V_i$ 為驗證程序， $P_i$ 為 provenance／歷史來源， $L_i$ 為依賴與可重建環境清單。此處 $V_i$ 表示驗證構件，後文價值函數則另使用 $U_i$ ，避免符號混同。

一個研究資產是否可再啟動，不取決於是否被人命名為專案，也不等於是否放在 GitHub。它至少需要滿足某種最低重建條件：未來具有適當授權與工具的行動者，能理解原本要解決的問題，定位目前成果，重現關鍵測試，並辨識哪些假設已經失效。

4.2 有效保存的六項條件

本篇提議將可恢復性分為六個構面：

語義可理解性： 後來者能知道原始目標、非目標與關鍵概念。
來源可追溯性： 核心原始碼、文稿、素材、資料與版本能被確認。
依賴可重建性： 軟硬體版本、格式、模型、工具、建置方式可記錄或替代。
驗證可執行性： 原有測試、基準、資料品質閘門或人類審查接口存在。
權利可辨識性： 授權、保密、第三方資料與外部承諾沒有被抹除。
恢復入口可辨識性： 有人或 Agent 能知道從哪個最小步驟重新開始，而非全部重讀。

令 $q_{ij}\in[0,1]$ 是專案 $i$ 的第 $j$ 項保存品質，則可提出一個研究用保守瓶頸指標：

Q_i^{\mathrm{rec}} =\min_{1\le j\le6} q_{ij}.

這只是構造性的候選指標；它強調最低品質構件可以拖垮恢復，並不是已被驗證的通用工業標準。未來應與幾何平均、加權和或具交互作用的模型比較。

4.3 保存存在「足夠好」門檻

研究者容易陷入第二階管理迴路：因為擔心未來難以恢復，便替每個休眠專案補十份詳盡文件，最後保存工作比直接推進更累。正確目標不是最大化所有保存欄位，而是找出在可承受成本下、滿足最低未來恢復成功率的最小保存集合：

\min_{d_i} C_i^{\mathrm{preserve}}(d_i) \quad\text{subject to}\quad \Pr(\mathrm{Recover}_i\mid d_i)\ge q_i^{\mathrm{min}}.

其中 $d_i$ 是保存動作集合， $q_i^{\mathrm{min}}$ 是依專案風險、價值和外部責任指定的最低門檻，而不是所有研究都採相同的要求。若一份不具外部義務的概念筆記未來重寫成本極低，完整建置容器可能根本沒有必要；若專案包含高風險模型、受限制資料或持續服務，保存規格就必須提高。

4.4 保存品質對未來選擇權的限制

設未來工具能力為 $a_{t+\tau}$ ，可再啟動的效用為：

U_i^{\mathrm{resume}}(t+\tau) =F_i\left( a_{t+\tau},Q_i^{\mathrm{rec}}, K_i^{\mathrm{restart}}, R_i^{\mathrm{legal}}, \theta_{i,t+\tau} \right).

其中 $R_i^{\mathrm{legal}}$ 是法律、授權及外部義務狀態， $\theta$ 是未來行動者的偏好與目標。即使 $a$ 增加，若 $Q_i^{\mathrm{rec}}$ 很低或權利狀態不允許使用，恢復效用仍可能很差。這就是算力可以變強，但遺失的上下文不必然被算力恢復的邊界。

5. 未來執行能力的五個維度

5.1 AI 模型能力只是其中之一

對研究者而言，「未來更強」不是單一標量。我們把可用執行能力寫成：

\mathbf A_{t} =\left( a_t^{\mathrm{reason}}, a_t^{\mathrm{code}}, a_t^{\mathrm{tool}}, a_t^{\mathrm{verify}}, a_t^{\mathrm{long}} \right),

分別代表任務相依的推理、程式、工具操作、驗證可靠性與長程執行能力。這些是可實際測量的系統能力向量，而不是模型自我宣稱的智能層級。

同時定義可用資源：

\mathbf R_t =\left( B_t,H_t,G_t,N_t,T_t \right),

其中 $B_t$ 為現金與可支付預算， $H_t$ 為可用硬體資源， $G_t$ 為能協作的人力與專業網絡， $N_t$ 為必要資料與資訊通道， $T_t$ 為真正可支配的人類時間。

5.2 潛在能力和可用能力不能混同

未來世界上有更先進的 AI，不保證同一個創作者能以合法、負擔得起、隱私可接受的方式使用它。可用能力受價格、訂閱、地區、產品限制、設備、權限和生態穩定性制約。

因此應區分：

\mathbf A_t^{\mathrm{frontier}} \neq \mathbf A_{u,t}^{\mathrm{accessible}} \neq \mathbf A_{u,i,t}^{\mathrm{effective}}.

三者分別是當時前沿能力、特定使用者可取得的能力，以及該能力對專案 $i$ 的真實效果。

5.3 適用性和可驗證性可能不同步

某新模型可能更擅長生成程式，卻不擅長維護十年前特殊格式的資產；也可能產生更多候選答案，但仍不可靠地辨識錯誤。故預測未來工時時，不能只估計程式生成耗時，還需包含規格理解、反例測試、人工驗收、部署與必要的外部協調。

本文定義全流程恢復工時：

H_i^{\mathrm{total}}(t) = H_i^{\mathrm{reconstruct}} +H_i^{\mathrm{execute}} +H_i^{\mathrm{verify}} +H_i^{\mathrm{deploy}} +H_i^{\mathrm{govern}}.

若未來只降低第二項，其餘項目上升，總工時仍可能增加。

5.4 進步有方向，也可能有回退

預期能力改善不是數學定律。技術可能退步、工具停止提供、開源庫被棄置、API 合約改變；未來可能有新模型，但專案依賴的特定模型不再可用。所以本篇不把 AI 進步寫成必定遞增的確定函數，而是在實證模型中用條件分布：

\mathbf A_{t+1} \sim P_A(\cdot\mid \mathbf A_t,\mathcal I_t),

其中 $\mathcal I_t$ 為當下可取得的訊息。任何「未來一年必然提升 $x\%$ 」的固定參數，都應被標為情境假設，而非模型的公理。

6. 跨期自我：誰有權替未來的自己排定任務？

6.1 把自我連續和目標不變分開

一個人未來可以延續同一條生命與研究歷史，但不代表未來一定保持今天的偏好與計畫。今日的研究興趣、產品方向與時間價值排序，可能隨收入、家庭、技術、身體與新資訊改變。

定義：

\theta_t =\left( \theta_t^{\mathrm{research}}, \theta_t^{\mathrm{income}}, \theta_t^{\mathrm{life}}, \theta_t^{\mathrm{risk}} \right),

表示當期偏好權重。若 $\theta_{t+1}\neq\theta_t$ ，可能是合理學習、目標修訂或價值改變，不必然是缺乏承諾。

6.2 三種跨期權能

現在自我的提案權： 可以創造原型、留下研究方向及預測未來有用的路徑。
未來自我的修訂權： 可以重新決定原案是否仍有價值、是否要利用新工具完成。
跨期承擔權： 已有外部義務、契約及可預見安全責任不能單靠未來偏好變動而消失。

這三種權能需要分帳：保存專案不是對未來簽署無條件工作契約；既有付費服務也不能因為未來自我想轉向而不履行既有責任。

6.3 未來自我不是廉價勞動力

「將工作交給未來的自己」聽起來很容易變成轉嫁負擔。本文拒絕這種版本：若今天留下的是大量無上下文碎片、不可回退的外部承諾與欠缺資金的維護責任，那麼未來只會被迫清償過去的決策債務。

可主張的只有：

\mathrm{FutureOption} \neq \mathrm{FutureObligation}.

有效的未來選擇權包含拒絕不再適合之方向的能力。未來若因技術變化而能更容易完成，完成是一項被保留的可能性，不是一項債權人對未來自我可執行的索取。

6.4 對稱的反面問題

但過度保留也可能讓現在的生活缺乏成果：若所有重大想法都以「未來更好」為由延遲，現實外化、收入、互動與經驗證據就無法產生。這是 HODR 已研究的選擇權囤積風險。

因此時間主權既不等於永遠行使，也不等於永遠等待；它是能夠在清楚承擔已實際作出的承諾的同時，合法且可行地重排尚未承諾的可能性。

7. 一個可計量但非普遍貨幣化的成本框架

7.1 成本至少是向量

對專案 $i$ ，定義其完成成本向量：

\mathbf C_i(t) =\left( C_i^{\mathrm{cash}}, H_i^{\mathrm{human}}, C_i^{\mathrm{compute}}, C_i^{\mathrm{risk}}, C_i^{\mathrm{commit}} \right)_t.

它包含現金、人工工時、模型與硬體算力、風險，以及對未來維護的承諾成本。這些分量一般不能無代價地直接相加：一個很便宜的計算任務也可能消耗不可替代的睡眠時間；一份高品質學術成果也可能暫時完全沒有現金收入。

只有在清楚給出當事人的合理權重、效用或同一測量單位時，才可為比較目的建立標量代理：

C_i^{\mathrm{eq}}(t) =\sum_{j=1}^{5} w_{ij}(t) C_{ij}(t).

其中權重 $w_{ij}(t)$ 應由預先說明的可比性規則得出，不得藉「公式化」假裝倫理及生活價值可以自然換算成價格。

7.2 保存與恢復的總成本

對等待 $\tau$ 的專案，令：

C_i^{\mathrm{defer}}(\tau) =C_i^{\mathrm{preserve}} +C_i^{\mathrm{monitor}}(\tau) +C_i^{\mathrm{restart}}(\tau) +C_i^{\mathrm{migration}}(\tau) +C_i^{\mathrm{lost-window}}(\tau).

五項分別表示保存初始成本、等待期間監測、重啟、環境遷移及窗口流失。此式若用於實證，需要用共同可比較的價值單位或保持為多準則向量。

7.3 資料保存不等於保證重啟

例如：一個五年前使用當時私有 API 的演算法，可能連模型存取權都已失效；一個曾通過測試的遊戲專案，可能在新版作業系統失去相容性；一篇定義完善的數學論文草稿，即使暫時沒有工具支援，其主要形式內容卻可能相對穩定。

因此可恢復性至少由內容保存、依賴風險及重建成本共同決定，且領域差異可能很大。實證時應依專案類型分層，而不是用 GitHub 存活數量推論選擇權存活率。

8. 即時執行與等待：可重算的基本比較模型

8.1 目的與假設

為建立可手算且可推翻的初步模型，暫將同一項專案的主觀／決策效用折算至共同可比較單位。這不意味著研究、快樂與金錢在現實中天然等價；它只是一個在指定權重下做內部反事實比較的試驗模型。

設：

$D\ge0$ ：不因他人先行重現而消失的耐久成果價值；
$H\ge0$ ：目前仍具有的時間相依先發溢價；
$C_0\ge0$ ：現在完成此專案的全流程等價成本；
$g$ ：未來執行成本的假設淨下降率，可負；
$\lambda\ge0$ ：先發稀缺性流失的假設等價率；
$r\ge0$ ：跨期折現或資源機會成本率；
$k\ge0$ ：單位等待期造成的重啟／遷移等價成本；
$m\ge0$ ：單位等待期的事先折算監測／保存成本；
$\tau\ge0$ ：等候時間，以年或其他一致單位表示。

本節的指數函數只作示意的確定性條件路徑。其中 $g$ 不是對 AI 的無條件實際成長預測， $\lambda$ 也不是世界上「首次發明」的客觀倒數時鐘。

8.2 立即執行價值

U_{\mathrm{now}}=D+H-C_0.

8.3 固定等待期的期望效用代理

U_{\mathrm{wait}}(\tau) =e^{-r\tau} \left( D+H e^{-\lambda\tau} -C_0e^{-g\tau} -k\tau \right) -m\tau.

本式假設：耐久價值在觀察期內不變；先發溢價按等價率衰減；未來完成成本按照淨率變動；重啟與遷移成本在重新開始時支付；監測成本 $m\tau$ 作為當下可比較的預留支出近似，未另外折現。若監測實際逐期支付，須換用分期折現和，不應不加說明沿用此特例。

由設定可得：

U_{\mathrm{wait}}(0)=U_{\mathrm{now}}.

等待 $\tau$ 在本模型中較有利，當且僅當：

U_{\mathrm{wait}}(\tau)>U_{\mathrm{now}}.

注意： 比較是相對於「如果此專案單獨現在完成」的條件。若有其他專案或生活活動更具價值，真實最適決策必須比較完整可行集合，而不是只比較兩種專案排程。

8.4 局部等待條件：正式推導

對上式依 $\tau$ 微分，得到：

\begin{aligned} \frac{dU_{\mathrm{wait}}}{d\tau} ={}&-r e^{-r\tau} \left(D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau\right)\\ &+e^{-r\tau} \left(-\lambda H e^{-\lambda\tau}+gC_0e^{-g\tau}-k\right) -m. \end{aligned}

令 $\tau=0$ ，則：

U'_{\mathrm{wait}}(0) =gC_0-\lambda H-r(D+H-C_0)-k-m.

因此，在該函數可微且上述參數保持固定的局部模型中：

gC_0 > \lambda H+r(D+H-C_0)+k+m

是足以使足夠短的正等待區間優於立即執行的條件。左側是立即成本因時間延後而降低的初始速率，右側是先發價值流失、折現、重啟與監測的初始總速率。

若左右恰好相等，一階導數不能決定方向；必須檢查二階效應或有限期比較。若不等式方向相反，只能說在 $\tau=0$ 附近開始等待的邊際效用為負，不能宣稱所有未來時間點都必然較差，因為函數可能非單調。

8.5 可比較的先發風險閾值

當 $H>0$ 且其餘參數有意義時，可解出局部臨界值：

\lambda^* =\frac{gC_0-r(D+H-C_0)-k-m}{H}.

若 $\lambda<\lambda^*$ ，初始的等待方向有利；若 $\lambda>\lambda^*$ ，初始不利。若 $\lambda^*<0$ ，任何非負 $\lambda$ 都無法滿足本式的嚴格局部等待條件。

若 $H=0$ ，則此閾值形式無意義，應直接使用原始導數判斷，不能硬把分母補上任意正數。這一細節重要，因為並非所有研究或文化創作都具有同樣的先發溢價。

8.6 「一年的等待」與「無限等待」不同

對任何固定 $\tau$ ，可直接計算差值：

\Delta U(\tau) =U_{\mathrm{wait}}(\tau)-U_{\mathrm{now}}.

若 $g>0$ 而成本具有正下界，真實成本路徑就不會永久按照 $C_0e^{-g\tau}$ 下降到零。此處的指數只是有限期間的近似；在長期間應改為：

C_i(\tau)=C_{i,\min} +\left(C_{i,0}-C_{i,\min}\right)e^{-g_i\tau} +M_i(\tau),

其中 $M_i(\tau)$ 可包含因重整、資料遺失、相依變化或合規要求而產生的成本，甚至可以增加。不可把短期符號推導偷渡成無窮遠的成本歸零定律。

9. 從固定等待期限提升到真正的選擇權

9.1 預先宣告「一年後一定做」還不夠

最有價值的選擇權通常不是今天決定一年後必須執行，而是在一年後觀察資源、AI 能力、需求與興趣，再決定做不做。因此固定日期的等待策略與保留未來的自由行使權不是同一事物。

若專案未來的成果價值是隨機變數 $X_{t+1}$ ，成本是 $C_{t+1}$ ，並允許到時拒絕，則單期等待選擇權可粗略表示為：

O_t =-C_t^{\mathrm{preserve}} +\beta\,\mathbb E_t \left[ \max\left(0,X_{t+1}-C_{t+1}\right) \right],

其中 $\beta\in(0,1]$ 表示折現因子。本式忽略外部強制義務，只用於可以合法放棄的私人、可逆計畫；若有外部責任，不能將選擇權任意設為零損失的放棄權。

9.2 在無保存成本及可自由拒絕的特例中

對任何實數隨機變數 $Z$ ，有：

\mathbb E[\max(0,Z)] \ge\max(0,\mathbb E[Z]).

這是由正部函數的凸性所產生的 Jensen 不等式。它說明能在得知未來淨收益後再決定是否行使具有非負的資訊選擇價值，與「今天強迫自己對同一期未來淨收益提前做二元承諾」相比不差。

但若保存成本為正、未來信息不可靠、法律窗口可能終止，或行使機會必須事先付費，則上述不等式不足以證明總等待收益優於現在完成。更不能以此聲稱所有個人研究都應延後。

9.3 有限期 Bellman 決策

令完整狀態為：

s_t =\left( \mathbf A_t,\mathbf R_t, Q_{i,t}^{\mathrm{rec}}, C_{i,t}^{\mathrm{restart}}, \lambda_{i,t}, \theta_t,\mathcal O_t \right).

最後一項 $\mathcal O_t$ 表示有效外部義務、期限與權限，不可被當作可以任意忽略的偏好。對有限期 $T$ 、折現因子 $\beta$ ，可定義：

V_t(s_t) = \max_{a\in\mathcal A_{\mathrm{feasible}}(s_t)} \left\{ u_t(s_t,a) +\beta\,\mathbb E_t\left[V_{t+1}(s_{t+1})\mid s_t,a\right] \right\}.

其中動作集合可包含：立即執行、少量驗證、最小錨定、保存休眠、監測等待、部分委任、主動退出或轉交。它不是一個實際已解出的萬能 AI 規劃器，而是明確揭示可行集合、資金、權利、資訊與未來狀態缺一不可的形式骨架。

9.4 終端價值與跨期價值偏好

若 $T$ 是有限研究觀察期，終端應納入尚未執行的可恢復資產價值與不可繼續的義務，不可把所有尚未行使的選擇權直接寫為零。可採：

V_T(s_T) =U_T^{\mathrm{life}}(s_T) +V_T^{\mathrm{assets}}(s_T) -C_T^{\mathrm{unmet\ obligations}}(s_T).

不過，對沒有明確貨幣映射的文化創造、家庭時間或健康恢復而言，實際估計時可能更應使用多目標 Pareto 比較，而不是偽造精密但無法詮釋的單一效用數字。

10. 多專案狀態：為何每個專案都保留選擇權，不代表都應保留管理義務

10.1 三本彼此分開的帳

對高產能研究者，專案資產不只是任務清單。至少需要三本獨立帳本：

資產帳本：已完成何種程式、理論、資料、實驗、文案或設計；能否重建及被第三方理解。
承諾帳本：已經對誰、何時、以何種權限與條款承諾交付、保密、維護或安全責任。
可能性帳本：未來還可以做什麼，但目前未產生實質承諾；是否值得保留重新啟動的權利。

若把可能性帳本全部轉成承諾帳本，新的構想就會自動生成應履行之工作。若把資產帳本全部轉成日常管理帳本，已完成的研究便無法真正沉澱。兩種做法都會侵蝕人類時間主權。

10.2 多專案選擇不是逐一求和

假設研究者有 $n$ 項專案，行動集合為 $a_1,\ldots,a_n$ ，其當期人類時間約束為：

\sum_{i=1}^{n} h_i(a_i)\le T_H^{\mathrm{available}}.

而現金預算有另一獨立約束：

\sum_{i=1}^{n} c_i^{\mathrm{cash}}(a_i) \le B_t^{\mathrm{available}}.

若專案存在共享底層、同一市場、競爭注意力及互補模組，其組合價值一般不能簡化為 $\sum_i V_i$ ；還需要交互作用項：

U(\mathbf a) =\sum_i U_i(a_i) +\sum_{i<j}\Gamma_{ij}(a_i,a_j) -C^{\mathrm{coordination}}(\mathbf a).

其中 $\Gamma_{ij}$ 可正可負。兩項技術共享同一驗證基礎可能降低未來成本；兩個產品同時發表卻可能互相瓜分宣傳與客戶注意力。最後的協調成本還可能隨專案數量非線性增加。

10.3 延後某一專案，可能增加另一專案的成功機會

若選擇不做研究項目 $i$ ，能讓較迫近的產品 $j$ 獲得必要的驗證與發布時間，那麼 $i$ 的等待價值不僅是它自身未來完成成本下降，也包含讓更具急迫性的專案取得當期資源的機會效益。這也是為何逐項比較「每項都值得做」無法推得「每項都應現在做」。

10.4 不能把未來的 Agent 當成無成本的平行員工

即使未來 Agent 可以並行處理數百個模組，仍有上下文、授權、檢查、整合、失敗恢復、模型推論費用及人類治理時間。理想架構應把可低風險自動完成的工作和需人類不可替代判斷的節點分開，而不是將產能增長默認為無限新委派需求。

11. 技術等待與歷史窗口：兩種相反的時間力量

11.1 明日技術更便宜，今日先發可能更值錢

對同一技術，未來 AI 的更高可用能力可能同時：

降低完成專案的實作與資料處理成本；
使其他創作者更容易提出相似的成果；
提高品質基準，導致今天的版本日後不再足夠；
降低某些顯式知識重組的相對稀缺性；
創造以前不存在的用途、平台與新市場。

因此，模型不能只用一條成本下降曲線。同一變動可以使等待更有價值，也可以使先發等待成本更高。

11.2 價值向量而不是單一「原創獎金」

沿用 HACTS-06 的基本區分，設成果價值向量為：

\mathbf V_i(t) =\left( V_i^{\mathrm{priority}}, V_i^{\mathrm{knowledge}}, V_i^{\mathrm{use}}, V_i^{\mathrm{culture}}, V_i^{\mathrm{income}} \right)_t.

對一項作品而言，技術優先權可能隨他人相似成果出現而降低，文化與美學價值卻未必下降；某項工具的知識價值也可能持續存在，但市場收入要等需求成熟才出現。故單一窗口閉合不意味整個成果毫無價值。

11.3 多窗口門檻

對項目 $i$ 可分別觀察：競爭先發截止、驗證可用時間、合作時程、市場試用期、供應鏈期限及法律申請期限。這些都是不同事件。只有對實際具約束力的事件建立合理的風險和應對規則，才不會把模糊的「趁 ASI 來之前」當成所有工作的倒數時鐘。

11.4 預測未來是資訊，不是責任

若創作者知道某個技術在數年後可能很有用，這項認知可以提高今日保存完整源碼、測試或版本的誘因；卻不構成今日必須完成完整商業產品的推論。能夠預見多個未來，更需要避免把每個可能性都轉化成實現責任。

12. 保存、公開與最小外化：三種可組合的策略

12.1 保存不是公開

私人原始碼備份、公共預印本、公開 GitHub repository、帶有授權的正式 open-source release、帶 DOI 的軟體典藏，具有不同的權利、傳播與可再利用效果。建立公開時間記錄，不等於證明世界首創，也不等於取得專利權。 對未來仍考慮專利、秘密技術或商業化的成果，公開可能是不可逆選擇，需先確認當事人願意承擔的法律與競爭後果。

12.2 最小有效外化的候選契約

當存在合理先發窗口風險，但完整產品過於昂貴時，可以研究一種中間路徑：保留足以表達技術對象、假設、方法與已取得證據的最小可驗證版本，在適當的公開或私人證據系統中保存，而不對不存在的效益或實驗結果作過度聲明。

這種策略有三項潛在收益：一是降低原始想法與具體版本遺失的風險；二是讓未來自己和協作者較容易恢復；三是在選擇適當公開方式時，讓成果更早獲得實際回饋。成本則包含整理、審查、授權、可能的權利喪失及外部期待。

12.3 不假設所有成果都值得公開

未成熟軟體若含真實密鑰、私人資訊、受限制資料或未經許可的第三方素材，不能因時間窗口焦慮而全部釋出。研究原稿若只是命名並沒有可驗證內容，不應用公開日期暗示技術已被證實。公開本身應成為一項具特定風險收益的動作，而不是既定義務。

12.4 可追溯性與可重建性的雙重門檻

本文將可追溯保存與可操作恢復拆成兩個測試：

保真測試：對指定版本能否確認作者、日期、雜湊、來源、材料與更動紀錄。
重建測試：在不同環境、不同工程者或不同 Agent 下，能否依清楚步驟重現關鍵行為或推導。

如果只能通過前者，檔案是歷史資產，未必是易於恢復的工程選擇權；若只能通過後者卻無來源與授權，仍不應自動對外發布。

13. 有效休眠與重新啟動：一個最小技術契約

13.1 休眠入口

對沒有對外維護義務的私人研究資產，一份精簡的休眠描述可以只包含：

project: example-id
status: dormant
baseline: immutable-commit-or-version
purpose: one-sentence-research-goal
known-good: tests-or-evidence-pointer
constraints: license-secret-data-and-publication-boundary
restart: smallest-reproducible-next-step
wake_events:
  - demand-appears
  - capability-threshold-crossed
  - new-evidence-invalidates-assumption
  - human-chooses-to-resume
ongoing_obligation: none-unless-separately-listed

這是設計示例，不是已部署的 HDUS／ANDO 實際資料格式。對高度簡單的原稿，甚至不一定需要完整欄位；具安全或法律義務的專案則必須追加相應的要求。

13.2 重新啟動入口

重啟不應直接讓 AI 任意繼續新增 Phase。較理想的恢復流程是：恢復最小上下文、確認版本與權限、重新檢查基準測試、比較當前工具與舊工具差異、確認新的目標是否仍成立，再決定恢復或正式退出。

特別要保留拒絕重新啟動的結果；一個事件觸發不應強制將整個專案重新標為高優先級。

13.3 「醒來」可由需求觸發，而非日曆觸發

研究者無須為每個休眠專案建立每週定時器。可以設想：當外部商業需求成立、關鍵技術已被可靠證實、或者本人重新產生興趣時才啟動候選評估。若沒有監控基礎設施，人工搜尋仍可以是可接受的方式。

但若等待的是外部合約時限或安全通報，無法無條件使用被動休眠。觸發機制的選擇必須符合實際義務。

13.4 退出契約不是垃圾桶

正式退出時，應區分：資料保存與刪除義務、秘密與安全資訊、客戶或合作夥伴權益，以及是否轉移維護權。對完全私人的低風險想法，可以無條件停止追加工作；對已接受外部責任的系統，退出仍需履行通知、交接或其他必要義務。

14. 現金流是技術等待選擇權的可行性前提

14.1 算得出未來收益，不代表活得到執行時點

一項專案的未來淨收益預期再好，若研究者或公司在等待期間已無法負擔基本支出，就無法自然享受該收益。這不是對研究理念的否定，而是跨期決策的重要狀態約束。

設現金結餘為 $B_t$ ，每期必要支出為 $F_t$ ，可確認收入為 $Y_t$ ，則：

B_{t+1} =B_t+Y_t-F_t-I_t,

其中 $I_t$ 是其他已實際支出的投資。未知的未來遊戲收入、AI 網站付費或尚未成立的眾籌，不能不經風險調整就被當作 $Y_t$ 的已到帳現金。

14.2 生存約束與時間主權互相支援

當現金緩衝極低時，可能需要優先降低固定成本、建立小規模收入或調整專案發布節奏。表面上兼職可能降低每週研究時間；但若它能使主要研究能力持續存在更久，跨期可創造總量可能上升。

從形式上說：

\mathrm{ResearchHoursPerWeek}\downarrow \quad\not\Rightarrow\quad \mathrm{LongRunResearchOptionValue}\downarrow.

這仍是條件命題。兼職若造成高通勤成本、工作傷害、輪班破壞恢復或減少最有價值的商業窗口，則可能反而降低研究存續。不能僅由時薪與工時推得完整福利結論。

14.3 研究等待的「存活機率」

若恢復計畫需要研究者仍具有足夠財務與健康資源，可定義：

S_i(\tau) =\Pr\left(\mathrm{FeasibleResume}_i(t+\tau)=1\mid \mathcal I_t\right).

等待的有效價值必須由未來執行的條件收益與其真正可行機率共同決定：

O_i^{\mathrm{feasible}} = -C_i^{\mathrm{preserve}} +\beta^\tau\,\mathbb E_t \left[ \mathbf 1_{\mathrm{feasible}} \max(0,X_i-C_i) \right].

此式使用 $\beta^\tau$ ，假定一單位 $\tau$ 對應的折現約定已明確定義。當真實現金或外部條件不足時，指示函數可能為零；而收入補充或降本，便可能提高這個選擇權的可實現性。

14.4 生存時間不應變成永久保守

要求預算可行不等於任何創新都必須保證獲利。早期研究具有探索性，部分風險是自願且合理的。關鍵是區分可承受的探索損失和會使基本生活、已承諾義務或後續選擇完全失效的斷裂風險。不同人的風險容忍度與保障條件可以不同。

15. 八組可重算思想實驗

15.1 通用計算假設

第一至第五組使用第 8 節的確定性代理式，設定等待期 $\tau=1$ ，所有價值與費用均為假定的同一等價效用單位，不是新臺幣、真實公司評價，也不是任何 AI 模型的實際進步估計。共同公式：

U_0=D+H-C_0,

U_1=e^{-r}\left(D+He^{-\lambda}-C_0e^{-g}-k\right)-m.

15.2 情境 A：未來工具降本快，先發壓力較弱

假設 $D=30,H=100,C_0=100,g=0.60,\lambda=0.10,r=0.06,k=2,m=1$ 。立即價值 $U_0=30$ ，等待一年得到：

U_1\approx58.90>30.

此結果說明，在指定參數下，明顯的未來成本下降可能超過先發流失，等待是相對有利的。它不證明真實 AI 工程一定有 $60\%$ 的每年成本下降率； $g=0.60$ 是連續時間指數參數，其一年實際比例變動並非直接等於 $60\%$ 。

15.3 情境 B：只提高先發風險，結論翻轉

保留情境 A 所有參數，只改 $\lambda=1.00$ 。立即價值仍為 $30$ ，等待一年則：

U_1\approx8.33<30.

由此可見，不能只看預期 AI 能力進步；先發窗口的風險亦可能使同一等待決策變得不合理。

15.4 情境 C：先發價值小，但耐久價值很高

假設 $D=120,H=20,C_0=110,g=0.50,\lambda=1.50,r=0.04,k=2,m=1$ 。即使先發相對稀缺性快速流失，仍有：

U_0=30, \qquad U_1\approx52.56.

對耐久知識價值較高的成果，即使「最先做」的位置變得不重要，未來以更低成本完成仍可能有意義。

15.5 情境 D：工具環境惡化，不再有等待收益

回到 A 的其他參數，但改為 $g=-0.10$ ，表示等價完成成本增加而非下降。此時：

U_0=30, \qquad U_1\approx6.50.

因此「所有既有程式碼總會越來越容易完成」並不成立。失去依賴相容性、授權、工具及資料時，未來反而更難做。

15.6 情境 E：保存和維護過於昂貴

回到 A，但把每期重啟成本係數提高為 $k=35$ ，等待期間管理成本係數提高為 $m=20$ ，得到：

U_0=30, \qquad U_1\approx8.82.

這是對「每個項目都建立龐大管理中樞」的反例：如果要為保存選擇權付出過高治理成本，最好重新檢查其是否真的值得被當作獨立計畫保留。

15.7 情境 F：只降低生成工時，沒有完整節省

假設同一專案目前需要 $120$ 人時。未來某模型將核心程式生成工時壓縮至 $40$ ，但仍需 $35$ 人時驗證及 $20$ 人時遷移，則總計為 $95$ 人時，實際節省是 $25$ 人時，並非「120 除以 40，所以提升三倍」。

如果模型產生的不可靠結果使驗證增加到 $75$ 人時，則總工時變成 $135$ ，比今天更慢。這組案例說明模型能力成長、速度感與完整工作產出效率必須分開。

15.8 情境 G：保存品質改變重啟選擇權

對某可恢復專案，假設未來重啟成功後的淨價值為 $75$ ，失敗造成可比較損失 $10$ ，當下保存費用為 $5$ 。若恢復機率 $q=0.9$ ：

O(0.9)=0.9(75)-0.1(10)-5=61.5.

若恢復機率降為 $q=0.4$ ：

O(0.4)=0.4(75)-0.6(10)-5=19.

這一對比並不主張保存投入與成功率存在固定線性關係，只表明保存品質在可恢復性模型中是不能忽略的參數。

15.9 情境 H：財務緩衝可能比每週研究工時更重要

設想某創業者每月必要支出為 $13{,}500$ 單位，手上具有 $27{,}000$ 同單位的可用現金，沒有可確認收入。用靜態燃燒率估算，緩衝時間為兩個月。若另外取得每月 $12{,}000$ 的穩定淨收入，且所有支出和收入假設皆保持不變，則每月淨流出 $1{,}500$ ，靜態緩衝時間為十八個月。

這個數值只是思想實驗，不是使用者個人財務或實際可獲工作薪資，也未涵蓋生活支出遺漏、稅費、物價、風險或不規則收入。它示範的是：小額現金流可透過降低淨流出率，非線性地改變研究者有能力等待未來技術變化的時間。

15.10 八組情境比較表

情境	主要變動	觀察到的結果	不得推論的事情
A	技術成本快速下降、先發風險低	等待較佳（58.90 對 30）	所有 AI 任務都會快速降本
B	提高先發風險	立即較佳（30 對 8.33）	所有市場都具有高先發溢價
C	耐久價值主導	等待較佳（52.56 對 30）	耐久價值能精確貨幣化
D	未來成本反而上升	立即較佳（30 對 6.50）	技術總體必然退步
E	維護與重啟成本很高	立即較佳（30 對 8.82）	任何保存都不值得
F	生成變快但驗證／遷移仍昂貴	全流程可增可減	生成速度等於生產力
G	重啟恢復機率不同	保存價值差異大	$q$ 可由檔案數量直接測得
H	小額淨收入降低資金燃燒率	靜態緩衝期可明顯增長	兼職對任何人皆是最佳選項

以上數值不是任何新實驗測量。若需要將其解讀為對真實研究的預測，必須先取得可觀察的任務、成本、風險及驗證資料。

16. 十二項可否證假說：什麼結果會支持或推翻 FTWO？

以下假說是尚待驗證的新研究命題，不是本文已取得的實驗結果。每項都要求事先指定任務類型、樣本選擇、測量時間及排除規則。

H01｜技術進步的領域條件性降本

命題： 在同一專案可重建性及輸出品質門檻被控制的條件下，新世代 AI 對部分任務能降低總人類工時，但降幅具有顯著領域異質性，甚至可能為負。

觀察： 同一類任務跨模型版本的理解、建造、驗證、部署與治理人時；按原始碼依賴、資料可得性與可測試性分層。

反駁： 多個預註冊領域在足夠檢力下長期呈現近似同一幅度的全流程改善，或所謂領域差異完全由實驗配置和任務選擇偏差解釋。

H02｜有效保存提高未來恢復成功率

命題： 具備可追溯版本、最小基準測試、明確需求與依賴紀錄的休眠資產，在新的研究者或 Agent 接手時具有較高的恢復成功率與較低重啟人時。

觀察： 以相同專案及盲測恢復者比較最低保存包、詳細保存包與原本管理方式。

反駁： 控制專案本身複雜度與專業程度後，保存品質對恢復結果沒有穩健、可重複的貢獻。

H03｜保存成本存在非線性最適區間

命題： 保存投入對未來可恢復性可能呈遞減邊際收益；超過一定文件與監控程度，額外治理成本可超過恢復收益。

觀察： 增加 README、環境鎖定、測試、結構文件及定期追蹤的各階成本與增量收益。

反駁： 在樣本與觀察區間內，保存投入始終以至少相同比例提高真實重啟成功率，且沒有可觀測的時間主權損失。

H04｜高先發危險率使等待更不利

命題： 在其他成本與價值維度近似相同時，預先定義的可觀察先發窗口風險越高，專案立即外化或最小有效錨定的相對價值越高。

觀察： 以領域相似成果發布、開源實作擴散及市場採用事件建立生存模型，區分理論優先權與商業發布。

反駁： 在可信因果辨識下，窗口風險升高並不改變最適行動，且不是由耐久價值或相依需求所抵銷。

H05｜未來自我偏好變更提高拒絕權價值

命題： 具備可修訂專案計畫與合法退出權的研究者，若未來目標發生重大改變，較不容易受到過去自行建立的低價值承諾束縛。

觀察： 跨年度計畫修正頻率、已承諾與未承諾工作分別變化，以及新的生活與商業目標接受程度。

反駁： 控制責任履行與成果品質後，可修訂機制對跨期自主感及資源錯配沒有正面關係，甚至持續產生更大決策負擔。

H06｜真實可用 AI 能力比宣告式模型能力更能解釋重啟效益

命題： 特定使用者真正能取得且合規使用的 Agent、模型、驗證工具與成本，比公開的前沿排行榜分數更能解釋專案的實際重啟時間。

觀察： 模型可存取權、費率、可用上下文、工具權限、平均錯誤重試次數與完成價值。

反駁： 一般榜單分數在事前預測上持續明顯優於所有情境化可用能力指標。

H07｜部分固定收入可改善等待策略的可實現性

命題： 在財務緩衝薄且研究資產可保留的創業者中，適量穩定淨收入可能延長研究存續及後續專案重啟的機率，即使每週純研究時數減少。

觀察： 可支配現金、生存月數、工作負荷、睡眠恢復、實際研究延續與商業成果；不只看兼職收入。

反駁： 經校準後，收入緩衝組的長期研究存活率與成果並未改善，或任何收益皆被疲勞與機會成本抵銷。

H08｜技術相依風險可使等待成本上升

命題： 相較於偏文本與形式化的可移轉研究，依賴廢止 API、封閉模型和短生命週期工具的專案，在等待期間更可能累積重大遷移成本。

觀察： 鎖版、替代方案、修復時間、供應商服務存續、資產引用消失與遷移後驗證。

反駁： 在控制其他因素後，相依類型對保存年限與重啟成本之交互作用完全不顯著。

H09｜AI 候選任務不是自動承諾可降低認知待命

命題： 若 Agent 系統把新發現的路線標記為未承諾候選，並預設不啟動人工追蹤，使用者認知待命與治理負擔可能下降，而高風險及真正必要的外部義務仍可得到適當處理。

觀察： 提醒次數、低價值批准次數、人工重排時間、未處理高風險事件與主觀控制感。

反駁： 設定「候選不等於承諾」後，認知待命沒有改善，或風險誤報、漏報使淨效益為負。

H10｜休眠模式優於持續週期性盤點的條件性比較

命題： 對沒有外部期限、安全風險和定期維護需求的低風險資產，事件觸發恢復比每週全面審視所有專案消耗較少人類治理時間，且不降低後續有效恢復。

觀察： 每週審查工時、未來真正需求觸發後的重啟成功率與錯過重要窗口的成本。

反駁： 在事先指定的低風險樣本內，事件觸發策略始終造成顯著更高的總錯失價值，且高頻盤點有更高淨福利。

H11｜個人對 AI 改善速度的預測存在可校準誤差

命題： 研究者對未來兩個模型世代能省下多少完整人時的預測，可能高估生成階段而低估驗證、整合與資料遷移成本。

觀察： 對同一專案預註冊的成本預測、事後完整工作時間、校準分數與預測誤差方向。

反駁： 在多群體多領域樣本中，不存在穩健的高估模式，或 AI 預測者對完整成本持續良好校準。

H12｜時間主權與完成任務數非單調相關

命題： 在高產能研究群體中，專案與 Agent 完成數量提高，不必然帶來更高的時間主權；當必要人工介入、固定開銷或未完成外部義務增加時，甚至可能呈負向關聯。

觀察： 長期完成量、支出、休息時間可支配性、有效退出能力、主觀控制感與外部責任可履行度。

反駁： 控制收入、健康、人格、產業與原本工作量後，完成量在整個觀察區間內持續與時間主權強正相關，未見明顯分離。

16.13 假說共同的否證要求

一個假說若未獲支持，不能重新命名變數使其永遠成立。若所有結果都可以被解釋成「其實等待價值更深一層」，則理論將失去可否證性。每篇實證都應公開或登記：原始事件定義、樣本排除規則、主效應方向、替代模型與未達預期的結果。

17. 研究設計：如何把動態理論從案例升級為可檢驗知識？

17.1 研究 A｜封存專案的跨期自然觀察

研究問題： 真正封存的專案在一年後是否會因 AI 改善而更容易恢復？

樣本框架： 不限某一個研究者，招募具備版本歷史的開發者、獨立研究者、設計師及小型團隊；每個參與者按預先定義標準登錄當時正在推進、已休眠及被取消的專案，避免只選成功恢復案例。

觀察時點： 初始盤點、三個月、六個月及十二個月；具體窗口依研究倫理、樣本流失和領域變動設定。

主要結果： 在新的工具條件下恢復原專案之總人工時、外部可重現成功率、依賴修復成本、經驗效用、實際收入和恢復後產物品質。

控制： 專案複雜度、領域、研究者熟悉度、首次完成度、原始資產保真、收入、工具權限和模型版本。

因果限制： 休眠往往由使用者自選，資產品質與使用者能力亦可能共同影響恢復結果。單靠前後差異不足以確立休眠造成績效改善；必要時使用固定效果、傾向分數或自然事件比較，並明示殘留混雜。

17.2 研究 B｜最小保存包的隨機恢復實驗

研究問題： 在可被安全公開或獲授權的低風險專案中，最少需要多少保存工作，才足以改善未來恢復？

設計： 經參與者同意，將可重建的小型研究專案隨機分配到：原本保存方式、輕量保存清單、詳細保存契約。固定一段時間後，由不同且不知道保存條件假說的評估者或 Agent 嘗試完成預先定義的恢復任務。

測量： 準備時間、成功率、還原品質、人工干預次數、原作者負擔及第三方可理解性。

必要保護： 不將私人憑證、第三方機密或法律受限制資料當作實驗材料。不能為了設計控制組，蓄意破壞必要的安全措施。

可否證結果： 若輕量保存與詳細保存皆無明顯淨效益，FTWO 的保存成本假說必須收縮；若所有維度都隨保存投入單調大幅改善，則「足夠好門檻」的模型需要改寫。

17.3 研究 C｜模型代際與工具替換的準實驗

研究問題： 新模型或新工具推出後，舊專案的可恢復工時是否出現不連續改善？

方法： 建立在工具更新前可重做的固定專案集合，分別於前後測得原始碼理解、重建、測試及部署時間。提供具同等成本與安全權限的可比工具條件；在可能範圍使用重複交叉設計、順序平衡及盲測品質判定。

風險： 研究者熟悉原始碼後再測會產生練習效應；新模型的發布可能伴隨 API、價格和工作流程改變；部分專案在新世代根本不再值得完成。所有改變都需要記錄，而不能只拿成功演示作為效能提升百分比。

17.4 研究 D｜Agent「不新增人類義務」介面試驗

研究問題： 當 Agent 能夠自主產生研究下一階段時，是否可以透過候選與承諾分離來降低人類認知待命？

設計： 在沒有高風險外部影響的環境中，比較一般「產生下一步並要求處理」介面，與「生成候選、不派工、不通知，除非達明確治理門檻」介面。記錄提醒數、實際交付價值、低價值決策數及緊急情況回應品質。

結果： 人類可支配時間、審查正確率、個體主觀控制感，以及是否不小心漏掉真正需要處理的責任。需避免對只想高頻投入的使用者強迫低投入模式；自主權必須包含自己選擇高強度創造的可能。

17.5 研究 E｜財務存活與創造時間的縱向面板

財務與工作選擇不宜輕率隨機化。可在自願受試者中追蹤固定支出、兼職、訂閱調整、恢復時間、項目重啟與持續經營月份，以事件研究或因果圖分析可能的路徑。最重要的是控制現金流原本差異、收入來源可靠性、家庭保障與工作負荷，防止把「有比較多錢的人本來就能堅持比較久」誤寫成介入效果。

18. 測量、校準及統計識別

18.1 結果變數不能只有完成數

建議測量向量至少包含：

\mathbf Y_t =\left( Y^{\mathrm{verified}}, H^{\mathrm{human}}, H^{\mathrm{recovery}}, Y^{\mathrm{economic}}, S^{\mathrm{temporal}}, Q^{\mathrm{repro}} \right)_t,

依序為經驗證成果、人類總工時、實際恢復時間、經濟結果、時間主權與可重現性。不應單憑 AI 生成文章數、Git commit 次數或完成任務數判定整體效益。

18.2 自述工時與工具記錄需要並用

Agent 平行執行時，使用者可能在等待時進行別的工作；不能把每個 Agent 的 wall-clock 相加後稱為人類工時。相反地，沒有介面操作時，人類可能仍處於心理待命。可使用事件標記、自述即時取樣、工具記錄、任務階段和結束後的交叉訪談，並清楚區分心理量測與客觀操作時間。

18.3 事前預測的校準

對每個可重啟項目，研究者在看到新模型成果前，先提供在特定條件下的完整人時分布，例如中位數、低高分位範圍及依賴風險。實際完成後，再比較預測分布與觀察值。若只問「你覺得未來更容易嗎」，會混淆主觀信心與可驗證預測精度。

18.4 避免倖存者偏誤

不能只研究成功重啟的私人 GitHub Repo，忽略永久無法恢復、作者失去可用帳號、資料集消失或原需求已失效的專案。所有符合入組標準的候選應在前期留存識別和狀態，對後續失訪進行敏感度分析。

18.5 不以理論作者自身案例直接證成普遍性

個人的高強度協作經驗可提供問題發現、變數設計和反例搜尋，但不能取代跨群體驗證。當研究者同時是使用者、理論提出者與成果審核者時，應設立外部盲評、版本凍結、反對假說和可重算資料，避免將選擇性成功視為普遍法則。

18.6 多重假設與模型比較

預先指定主要終點；對十二項假說的多重檢定進行適當調整，並報告效應量、信賴區間與實質重要性，而不是只使用是否通過統計顯著性。對同一資料至少比較：無等待優勢、簡單線性工時、固定成本下降、帶保存品質交互作用的 FTWO，以及帶多目標權重的替代模型。

19. 強反論與理論適用邊界

19.1 反論一：等下去只會喪失先發機會

有些市場和科學問題的確具有高度時間競爭性。FTWO 不否認這點；若可觀察先發風險高、當前版本已具充分證據，立即外化或保留最小公開錨點可能更優。對極短期窗口，等待的正向技術成本收益可能根本追不上先發損失。

19.2 反論二：未來 AI 的進步可能根本沒有兌現

完全成立。如果未來模型不能幫上這一類任務，或高額費率、權限、依賴、驗證要求抵銷能力提升，等待就可能沒有正收益。FTWO 因而強制將技術進步表示為條件分布，而非必然下降的成本函數。情境 D 與 F 就是直接反例。

19.3 反論三：大量休眠只是在囤積選擇權

亦可能成立。大量無法恢復、沒有未來觸發機制且從不公開或產品化的項目，可能是 HODR 的選擇權囤積，而不是有效保存。本文的判準應以恢復品質、保存成本、外化與個人時間結果共同驗證，而不是用「我將來可能想做」作為無限保留的免責聲明。

19.4 反論四：真正喜歡研究的人為什麼要減少研究？

本篇完全不要求研究者降低自願投入。若當事人在知情、可負擔、有恢復與退出能力的條件下，選擇高強度創造，這可以是時間主權的一種表現。研究旨在防止被平台額度、未經承諾的專案與歷史窗口焦慮強制安排節奏，而不是將慢速生活立為所有人的唯一道德正確。

19.5 反論五：保存本身也是工作，不如全部做完

對部分已接近完成、重建成本很高或未來版本過度不確定的專案，直接完成確實可能最划算。但對另一些可以用少量成本保存核心的項目，全面完成可能擠壓現金流、生活或其他更急迫任務。需要的是條件比較，而非單一管理教條。

19.6 反論六：未來自己可能不認同今天的價值

這正是 FTWO 要保留的選擇權。未來不想再做，未必表示今天的保存毫無意義；但也不能把未來拒絕視為需要糾正的錯誤。若當下研究已具有文化或私人意義，其價值也不應全部用未來商品化結果反向定義。

19.7 反論七：低現金流下談等待只是不切實際

若現金流無法支持最低生存條件，本篇反而預測等待選擇權價值會被可行性約束大幅折減。保留最低成本的休眠資產、降低固定支出、有限度探索收入，以及把不急迫研究交給未來，都可能是對等待權的保護；但不能拿未來想像收入當現有現金。

19.8 反論八：AI 自主組織終究會替人類管理所有專案

自主組織可以降低重複性 routing、testing、handoff 與監控，但若它把每個候選發現都轉換成對人類的新請求，人類仍會被壓回操作員。FTWO 與 HACTS-04 的介入密度模型因此需要一個額外條件：AI 應遵守「沒有授權就不擴大人類義務」的界線。機器更多，並不自動意味人的自由更多。

20. 規範性命題：現在的自己對未來有何義務？

20.1 不是「永遠把最好的留給未來」

把所有喜歡的事情都延後，可能犧牲當下創作的喜悅、社會互動及寶貴的探索窗口。所謂尊重未來自我，並不等於現在的生活必須無限儲蓄、無限克制或無限預備。

20.2 也不是「現在能做就全部做」

若每項可行技術都因為「歷史時點珍貴」被強制執行，現在的人將承擔無限工作，而未來的人接收到的卻可能是缺乏睡眠、資金與自我修正空間的殘破系統。無上限的提前實現可能反而破壞跨期創造能力。

20.3 跨期權利的最低對稱性

本篇提出一個規範性候選原理：當現在的決策不是履行已存在的合法義務，也不直接影響他人不可侵犯的權益時，應允許現在的主體在知情前提下保存一條未來可執行、可修改或可拒絕的路徑，而不被技術進步速度或自己的舊計畫永久鎖定。

這不是既有法律所承認的新權利，也不自動適用於所有司法制度。它是供倫理學、管理學與 Agent 治理設計審議的時間自主主張。

20.4 跨期責任不能假裝不存在

已向使用者承諾的服務、授權合約、依法必須處理的資料、被委任處理的第三方財物或安全義務，不因個人想要休眠便消失。FTWO 保護的是未承諾可能性與可以合法協議修改的安排，不是任意把既有責任推給未來自己的權利。

20.5 研究資產不需要永遠維持作者控制

一項技術公開後，其他人可能修正它、分支它、採取不同用途，並發現與原始作者預想不同的價值。只要尊重原始權利、授權與證據標準，作者不必負責推演並控制所有後續歷史。保留未來自己的自由，也包含承認世界有不受自己控制的未來。

21. 與 HACTS-08／09／10 的結構性接續

21.1 HACTS-08：當不管理可以成為有效管理

下篇可以將「保存—靜置—觸發—回返」擴展為最小必要管理制度，進一步測量每個專案的管理負擔、治理風險與累積效益。需要特別避免把「減少管理」反向設計成一個龐大的全時管理工程。

21.2 HACTS-09：現金流與研究存續

第 09 篇應將財務緩衝、短期收入、訂閱成本、宣傳與產品開發的組合放入可持續創業模型，同時區分研究資產的潛在價值與已入帳的實際收入。FTWO 提供的是等待可行性，不是商業成功保證。

21.3 HACTS-10：讓 AI 組織保留人類拒絕權

第 10 篇應分析自主 AI 在 HDUS／ANDO 與一般工作流環境中的委任邊界，使 Agent 能自治完成低風險工作、保存與重新喚醒專案，但不以 AI 產能擴張為理由，強制人類永遠待命。

22. 綜合結論

FTWO 的第一項結論，是「未完成」沒有單一的經濟或倫理意義。某些未完成專案確實是待處理責任、技術債或毫無保存效益的散亂資料；但另一些具有可恢復原始碼、可驗證研究核心與有效使用權的資產，可以是未來具有選擇權價值的研究資本。當 AI 能力、硬體、資金與合作資源可能改善時，保留未來完成權可以是一項理性的候選策略。

第二項結論是「等待」永遠不是免費的。它可能損失先發窗口，增加重建費用，失去客戶或研究合作，或者因現金流中斷而失去行使選擇權的現實能力。任何宣稱等待有利的理論都必須同時估計這些反向效應，並承認某些領域現在完成、現在發表或立即建立最小證據錨點才是合理的。

第三項結論是「未來自我」不應被今天的研究規劃視為永久必須服從的工作執行器。真正可保存的研究資產，是向未來提供一種可以接受、修改、推遲或拒絕的提案；不是一份在今天已簽完、無限期有效的工作契約。當前研究者既不需要一次性完成所有未來，也不必把每個休眠項目都納入每日管理。

第四項結論是，時間主權不以低產出為必要條件，也不以高產出為充分條件。一個人可以熱愛高強度創作，同時有權選擇某段時間不再推進；AI 可以加速研究，同時不應把自己可完成的工作數轉化為人類生活必須回應的節奏。

因此，本文核心結論可寫為：

讓未來的自己保有完成事情的能力，也要讓未來的自己保有不完成它的自由。

保留資產，並不等於保留無限責任；等待技術進步，也不等於將今日生活暫停。成熟的人機耦合，是在不同時間點都能重新選擇哪些可能性值得成為現實。

這不是一條要求所有研究者「慢下來」的命令，而是一項關於有能力時也可以選擇等待、資產保全與持續創造可以共存的條件性研究綱領。

附錄 A｜形式模型、推導及可重算性

A.1 兩期比較的代數展開

由正文定義：

U(\tau) =e^{-r\tau} \left(D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau\right)-m\tau.

設：

F(\tau)=D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau.

則：

U'(\tau)=e^{-r\tau}\left(F'(\tau)-rF(\tau)\right)-m,

且：

F'(\tau) =-\lambda He^{-\lambda\tau} +gC_0e^{-g\tau}-k.

在 $\tau=0$ 時有：

F(0)=D+H-C_0, \qquad F'(0)=-\lambda H+gC_0-k.

代入得到：

U'(0)=gC_0-\lambda H-r(D+H-C_0)-k-m.

命題 A1（局部等待優勢）： 若 $U$ 於零右側連續可微，且 $U'(0)>0$ ，則存在充分小的 $\varepsilon>0$ ，使 $0<\tau<\varepsilon$ 時 $U(\tau)>U(0)$ 。

證明： 由導數定義， $U'(0)>0$ 意味充分小正 $\tau$ 的差商 $(U(\tau)-U(0))/\tau$ 為正，故 $U(\tau)>U(0)$ 。此證明僅保證局部，不保證任意有限期限內均較有利。證畢。

A.2 Jensen 不等式與選擇權上界誤讀

對可積隨機變數 $Z$ ，定義正部：

Z^+=\max(0,Z).

由於 $x\mapsto\max(0,x)$ 是凸函數：

\mathbb E[Z^+] \ge(\mathbb E[Z])^+.

這僅證明：在同一未來期限、同一隨機淨收益分布下，看到結果後允許放棄，比現在不可撤回地選擇是否接受該隨機結果不差。 它不證明等待到該期限必然勝過今天實際做一件正收益事情。當等待會改變收益分布、存在監測與保留成本、合法義務不得取消時，需要使用正文完整模型。

A.3 非線性成本與可行集合

若成本有不可消失的基礎項：

C_i(\tau)=C_{i,\min} +(C_{i,0}-C_{i,\min})e^{-g_i\tau} +M_i(\tau),

則：

C_i'(\tau) =-g_i(C_{i,0}-C_{i,\min})e^{-g_i\tau} +M_i'(\tau).

即使 $g_i>0$ ，當後期遷移與重建成本的邊際上升率 $M_i'(\tau)$ 足夠大時，總成本也可以不降反升。對於依賴壽命短、閉源平台或無法重建的實驗設備尤其需要實測，不能只用模型能力排行榜預測。

A.4 現金緩衝的靜態推導

在簡化的每期固定支出 $F>0$ 、確定收入 $Y\ge0$ 和初始資金 $B_0>0$ 下，若 $F>Y$ ，靜態現金緩衝期近似為：

R=\frac{B_0}{F-Y}.

對穩定收入 $Y$ 求偏導：

\frac{\partial R}{\partial Y} =\frac{B_0}{(F-Y)^2}>0.

因此，當淨支出逐漸接近零時，這項靜態代理量對收入非常敏感。但若 $F\le Y$ ，不應代入得到負數或無意義的緩衝期；此時由固定現金流模型已不再呈現持續淨流出。現實中的變動支出、風險、租金、稅費、收入中斷與通膨使上述估算只適合示範，不是財務規劃建議。

A.5 可重算思想實驗的標準函式

下列 Python 為論文內的可重算算例原始碼，僅使用標準函式庫，並不呼叫真實 AI 模型或蒐集受試者資料。

from math import exp


def immediate(D, H, C0):
    return D + H - C0


def wait_one_year(D, H, C0, g, lam, r, k, m):
    tau = 1.0
    core = D + H * exp(-lam * tau) - C0 * exp(-g * tau) - k * tau
    return exp(-r * tau) * core - m * tau


cases = {
    "A": (30, 100, 100, 0.60, 0.10, 0.06, 2, 1),
    "B": (30, 100, 100, 0.60, 1.00, 0.06, 2, 1),
    "C": (120, 20, 110, 0.50, 1.50, 0.04, 2, 1),
    "D": (30, 100, 100, -0.10, 0.10, 0.06, 2, 1),
    "E": (30, 100, 100, 0.60, 0.10, 0.06, 35, 20),
}

for label, params in cases.items():
    D, H, C0, g, lam, r, k, m = params
    now = immediate(D, H, C0)
    later = wait_one_year(*params)
    print(label, f"now={now:.2f}", f"wait={later:.2f}")


def revivable_option(q, net_after_success=75, loss_after_failure=10, preservation=5):
    return q * net_after_success - (1 - q) * loss_after_failure - preservation

print("G-high", revivable_option(0.9))
print("G-low", revivable_option(0.4))
print("H-before", 27000 / 13500)
print("H-after", 27000 / (13500 - 12000))

預期輸出（小數點後二位）：

A now=30.00 wait=58.90
B now=30.00 wait=8.33
C now=30.00 wait=52.56
D now=30.00 wait=6.50
E now=30.00 wait=8.82
G-high 61.5
G-low 19.0
H-before 2.0
H-after 18.0

A.6 模型不能回答的事情

本模型不能從少量參數直接推論某位研究者應否兼職、是否應升降訂閱、何時發布論文或未來 AI 將達到什麼能力。它也不能藉代數形式證成「作者早已完成未來所有重要發明」。任何原創性、世界首創或歷史先發主張仍應接受公開文獻、時間紀錄、可重現證據與其他研究者的獨立檢驗。

附錄 B｜最小可再啟動資產規格：研究候選而非強制制度

為避免把保存變成另一種龐大治理負擔，以下不是要求所有專案一律執行的 checklist，而是可供研究時比較的候選欄位。

層次	最少問題	失去它的可能後果
研究目的	原本要解決什麼、哪些事情不打算做？	將來無法分辨任務和枝節
版本錨點	哪個版本可視為已知基準？	未來比對與回滾困難
證據	哪些測試／推導／實驗曾真正通過？	模型將猜測視為成果
恢復步驟	第一個最小重建動作是什麼？	重新理解需耗費大量時間
依賴風險	使用什麼 API、套件、資料或硬體？	重啟時遭遇非預期成本
權利邊界	哪些秘密、第三方權益與合約不可違反？	公開或恢復可能違法或侵權
候選狀態	下一步是否已經形成真正承諾？	可能性被誤認為應付工作
終止入口	不值得再做時能否安全關閉？	沒有停止權或交接能力

研究中的最小政策： 若有外部義務，先滿足義務；若無外部義務且資產低風險，保存到足以未來合理恢復即可，之後可以真正不再碰它。使用者仍有權自願選擇比最低標準更完整的保存。

附錄 C｜指標定義、風險紀錄與資料倫理

C.1 建議最低指標字典

符號／名稱	操作性定義	風險或測量問題
$Q_i^{\mathrm{rec}}$	版本、語義、依賴、驗證、權利與恢復入口的可恢復性代理	不能用 README 長度直接代替
$H_i^{\mathrm{total}}$	理解、生成、驗證、部署與人工治理的總投入人時	Agent 平行 wall-clock 不可直接加總
$\lambda_i$	特定先發事件的條件風險率	事件定義與領域異質性非常重要
$C_i^{\mathrm{restart}}$	在指定品質標準下重新進入可工作狀態的等價成本	可能受研究者熟悉度影響
$B_t$	可支付的流動資金或預算	不能包含尚未成立的預期收入
$S_i(\tau)$	經事先定義的未來可恢復可行機率	難以辨識選擇性失訪
$\theta_t$	當期目標與價值排序	不得拿來病理化偏好改變
$V_i^{\mathrm{verified}}$	符合證據、權利與驗證要求的有效產物	不等於生成內容數或宣傳點擊數

C.2 保存與隱私

研究不能為了提高未來重啟成功率而保存不必要的使用者敏感資料、公司金鑰、API 憑證或第三方受限制內容。加密、最小權限、資料保留期限、撤銷程序與必要刪除義務，屬於保存策略的可行約束。必要刪除與研究可再現性的利益衝突，應由合法授權與明確治理程序處理。

C.3 研究對象負擔

若研究主題本身是「降低管理人類時間的負擔」，資料蒐集流程不應要求參與者每天填寫冗長表格而不計成本。可用低頻取樣、被動且經同意的工具事件、簡短生活自主量表，以及重啟時一次性測試取代高頻人工回報。

C.4 實證結果的公開規則

研究者應分別報告：完成改善、不改善、變差；可恢復、無法恢復；收入改善、收入沒有改善；時間自主增加、沒有增加。陰性結果不應隱藏。資料與程式若受隱私或商業限制，至少應提供可公開的匿名化統計、模型假設、假說清單與原始碼可重算接口，而不冒險披露第三方內容。

參考文獻｜外部學術研究與官方技術來源

引用原則： 本文的 [E#] 僅包含可查驗的學術研究、研究機構或保存平台資料；其作用是建立已有的基礎理論與外部測量界線，不宣稱文獻已經驗證 FTWO。以下網址核對於 2026-10-17。若日後正式提交或公開發表，應再次核對撤稿、版本、數據及所引內容。預印本或網站資料不自動視為同儕審查結果。

[E1] Pindyck, R. S. (1991). Irreversibility, Uncertainty, and Investment. Journal of Economic Literature, 29(3), 1110–1148. https://ideas.repec.org/a/aea/jeclit/v29y1991i3p1110-48.html
用途與限制： 不可逆投資與等待的經濟學理論；不是 AI 專案必須延後的經驗結論。

[E2] Dixit, A. K., & Pindyck, R. S. (1994). Investment under Uncertainty. Princeton University Press. https://doi.org/10.2307/j.ctt7sncv
用途與限制： 不確定性、期權行使及延後投資的成熟框架；非貨幣化生活價值不能直接套入價格模型。

[E3] Roberts, K., & Weitzman, M. L. (1981). Funding Criteria for Research, Development, and Exploration Projects. Econometrica, 49(5). https://scholar.harvard.edu/files/weitzman/files/fundingcriteriaresearch.pdf
用途與限制： 序列 R&D 投資與新資訊回流；不直接驗證 AI 技術改善對某個專案的具體效果。

[E4] Hershfield, H. E. (2011). Future self-continuity: How conceptions of the future self transform intertemporal choice. Annals of the New York Academy of Sciences, 1235, 30–43. https://doi.org/10.1111/j.1749-6632.2011.06201.x
用途與限制： 未來自我連續性與跨期選擇的心理研究；不能外推為每個研究者都有同一種長期價值排序。

[E5] Hershfield, H. E., Goldstein, D. G., Sharpe, W. F., Fox, J., Yeykelis, L., Carstensen, L. L., & Bailenson, J. N. (2011). Increasing Saving Behavior Through Age-Progressed Renderings of the Future Self. Journal of Marketing Research, 48(SPL), S23–S37. https://doi.org/10.1509/jmkr.48.SPL.S23
用途與限制： 未來自我呈現如何影響財務選擇的實驗；不等於研究專案休眠的直接證據。

[E6] Laibson, D. (1997). Golden Eggs and Hyperbolic Discounting. The Quarterly Journal of Economics, 112(2), 443–478. https://doi.org/10.1162/003355397555253
用途與限制： 時間不一致、承諾裝置及當期與未來偏好差異；不推導一概拒絕長期承諾。

[E7] Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). The 2026 AI Index Report — Technical Performance. https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance
用途與限制： 不同能力基準的時間變遷；基準提升不等於任意專案可完成性提升。

[E8] Stanford HAI. (2026). The 2026 AI Index Report — Science. https://hai.stanford.edu/ai-index/2026-ai-index-report/science
用途與限制： AI 在科學研究的採用與能力現況；論文數和問答基準不等於可重現的完整原創發現。

[E9] Model Evaluation & Threat Research (METR). (2026 年查閱). Task-Completion Time Horizons of Frontier AI Models. https://metr.org/time-horizons/
用途與限制： 特定軟體、機器學習與資安任務的長程完成難度測量；不是所有職業或個人專案的等價自動化工時。

[E10] Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026-02-24). We are Changing our Developer Productivity Experiment Design. METR. https://metr.org/blog/2026-02-24-uplift-update/
用途與限制： 開發者 AI 效率實驗中任務選擇與招募偏差；新樣本不應被當成 AI 工具普遍提高效率的精確估計。

[E11] Kruchten, P., Nord, R., & Ozkaya, I. (2012). Technical Debt: From Metaphor to Theory and Practice. IEEE Software, 29(6), 18–21. https://doi.org/10.1109/MS.2012.167
用途與限制： 軟體架構選擇與後續維護負擔；不是所有保存資產的恢復成本皆按同一規律增加。

[E12] Zenodo Help. (2026 年查閱). GitHub and Software. https://help.zenodo.org/docs/github/
用途與限制： 研究軟體從 GitHub 歸檔與引用的官方指引；典藏成功不意味程式碼無錯或授權自動成立。

[E13] Zenodo Help. (2026 年查閱). Manage versions. https://help.zenodo.org/docs/deposit/manage-versions/
用途與限制： 可引用不同軟體／研究版本的紀錄機制；DOI 本身不是實驗驗證。

[E14] Software Heritage. (2026 年查閱). SoftWare Hash persistent IDentifiers (SWHIDs). https://docs.softwareheritage.org/devel/swh-model/persistent-identifiers.html
用途與限制： 利用內容與版本特定識別符保存原始碼來源；識別符不是可執行性或著作權裁判。

[E15] Kahneman, D., & Lovallo, D. (1993). Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking. Management Science, 39(1), 17–31. https://doi.org/10.1287/mnsc.39.1.17
用途與限制： 內部視角、預測校準與風險判斷；不能因此判定個別研究者的未來預測必然錯誤。

參考文獻｜EveMissLab 既有理論與 HACTS 系列譜系

以下 [I#] 為既有研究原稿，不代表全部已公開授權或外部同儕審查；引用僅保留可追溯的思想與文件譜系，不變更原先權利或存取設定。

[I1] HODR-II｜選擇權囤積與不可逆決策（2026-09-26，v0.1）。

[I2] HODR-IV｜AI 生產力與可能性空間爆炸（2026-09-26，v0.1）。

[I3] HAVT-06｜從失業時間到時間主權（2026-10-06，v0.1）。https://unboundedaxiom.org/p/lm-004988/

[I4] HAVT-07｜多速度文明：拒絕、升階、退出與回返（2026-10-06，v0.1）。https://unboundedaxiom.org/p/lm-004989/

[I5] RR-06｜從 Self-Authorship 到 Owned Trajectory：選擇、承諾與可修正人生線（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003284/

[I6] AI 計算時間經濟學：Token、算力、額度與智能資源配置（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003194/

[I7] 委任時間論：自主 Agent、人類介入密度與治理槓桿（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003321/

[I8] 原生人類前沿主權窗口論（2026-07-27，v0.1）。https://unboundedaxiom.org/p/lm-001946/

[I9] 可實作門檻前移：前沿 AI 如何活化潛伏構想並重構理論工程轉譯（2026，公開版）。https://unboundedaxiom.org/p/lm-002246/

[I10] HACTS-00～06（2026-10-16，v0.1）。本研究系列之前七份 UTF-8 Markdown 正式研究原稿：

HACTS-00_從無限可做之事到有限可支配人生_v0.1_2026-10-16.md
HACTS-01_生產力內生擴張悖論_v0.1_2026-10-16.md
HACTS-02_額度重置與時間支配_v0.1_2026-10-16.md
HACTS-03_自願性高投入的雙重狀態_v0.1_2026-10-16.md
HACTS-04_代理並行與認知待命_v0.1_2026-10-16.md
HACTS-05_時間主權的微觀決策_v0.1_2026-10-16.md
HACTS-06_黃金窗口與歷史時間不對稱_v0.1_2026-10-16.md

原稿品質閘門、論證分級與公開邊界

原始來源優先： 此 UTF-8 Markdown 是本篇唯一正式 source artifact，聊天畫面不是可提交原稿。
固定公式分隔符： 僅以 $...$ 與 $$...$$ 表示正式 LaTeX，不以渲染畫面還原數學原碼，也不將反斜線或 delimiter 自動「美化」。
條件模型與實證成果分離： 本篇數學比較來自清楚列出的假設，八組算例並非真實實驗，十二項假說尚待獨立測試。
保留否證可能性： 未來資料若顯示技術改善不帶來實際降本，或保存導致額外負擔，本理論應修改或縮限成立區域。
未來能力不保證： 不預測確定的 AGI／ASI 截止時點，不把模型基準表現視為全任務等比例效能。
未完成不自動是資產： 需辨識來源、可用性、可恢復性、權利及外部責任；未知品質的碎片不能直接計入有效未來選擇權。
公開不等於開源： 將私人專案改為公開、發布 DOI 或公開論文，不自動獲得專利，也不自動授予第三方使用、修改與商業利用權。
私人與第三方內容受保護： 不得因研究可重建需求而洩漏密鑰、個資、受限制資料或未取得授權的素材。
恢復不等於必須繼續： Agent 或人類在重新評估後可以得出合法退出與終止的結論。
財務狀態不可由虛構收入補足： 尚未實現的遊戲銷售、AI 付費或產品授權應做不確定估值，不計作已入帳現金。
未來自我可修改偏好： 研究中的 future self 為跨期決策分析對象，不是宣稱已發生法律身份變更或必然具有另一人格。
來源版本管理： 修訂應輸出新版本且保留變更記錄，不應靜默覆寫具有既定時間紀錄的原始研究論文。
檢驗與證據責任： 過程驗證不因結果文字漂亮而可省略；數學示意驗證不等於外部學術同儕審查。
研究倫理與時間主權一致： 不強迫所有人低負荷工作，也不強迫所有人因有 AI 額度就持續工作；真正需要保障的是可理解、可修正、可退出的選擇。

END — HACTS-07 v0.1