# 從超算任務稀釋到智能載體投資收斂  
## ——人工智慧何以成為第一個可集中投資、跨領域擴散的文明級計算對象

**作者：Neo.K × Aletheia（AI 協作整理）**  
**日期：2026 年 7 月 22 日**  
**版本：v0.2 文獻整合與理論精化版**

---

## 摘要

現代超級計算中心並不必然缺乏使用者，也不必然處於閒置狀態。相反地，許多公共超算設施長期維持高利用率，並透過計算時數、節點時數與專案審查制度，將資源分配給大量研究團隊。然而，硬體利用率的提高，不等於文明任務集中度的提高。公共超算通常被設計為多租戶科研基礎設施：它能讓許多專案同時推進，卻很少讓整座計算中心長期、遞迴且跨制度地追擊單一公開文明級問題。

本文提出三個相互連接的命題。第一，**超算任務稀釋命題**：超算可以在硬體上高度滿載，卻在任務上被分散為大量彼此缺乏共同閉環的專案。第二，**智能載體投資收斂命題**：人工智慧不同於氣象、材料、生物或流體模擬等單一領域工作負載；它能承載理解、推理、編程、建模、規劃、驗證與控制等跨領域共同能力，使原本無法集中於單一科研命題的部分投資，收斂為對共同智能層的集中投資。第三，**遞迴計算載體命題**：AI 不只是超算的計算結果，也是能反過來使用、調度、改寫與擴展計算系統的潛在智能體，因此形成「由算力建造，再反過來組織算力」的遞迴結構。

v0.2 進一步將上述命題置於六條既有研究譜系中比較：通用目的技術、發明方法的發明、基礎模型、AI for Science、代理科學與自動化實驗室，以及科學生產組織重構。文獻已強力支持 AI 的跨域可重用性、一般模型—領域專家分工，以及 AI 參與假設、程式、模擬、實驗與分析閉環的可能性；但既有研究通常從生產力、模型架構或科研自動化切入，較少由公共超算的任務分配結構出發，推導「投入集中度與產出領域分散度可以同時提高」的文明投資形式。

本文不主張只要投資 AI，即可取消物理實驗、臨床試驗、望遠鏡、加速器、感測器、能源設施與領域專家。更精確的論點是：AI 使所有領域共同需要的「智能部分」首次成為可集中建設的文明基礎設施，而其產出又可重新擴散至多個領域。本文同時納入近期反證：AI 在科學中的採用尚未普遍造成知識論轉型，現有科學代理仍受程序缺失、工具鏈脆弱、重現失敗與實驗驗證速度限制。因此，AI 的文明價值不是自動成立，而取決於共同智能層能否與領域資料、物理設施、驗證機制和公共治理形成可靠閉環。

**關鍵詞：** 超級計算、人工智慧、通用目的技術、發明方法的發明、基礎模型、AI for Science、代理科學、任務集中度、科研基礎設施、智能載體、遞迴計算、文明投資

---

## 一、問題的起點：超算真的被充分使用了嗎？

討論超算是否被充分使用時，人們通常首先詢問：

- 機器是否閒置？
- GPU、CPU 與節點的使用率是否夠高？
- 排程佇列是否長期滿載？
- 是否有足夠多研究團隊申請計算資源？

這些問題衡量的是**設備使用率**，卻未必衡量超算對文明問題的實際穿透程度。

一座超算中心可以同時滿足以下條件：

1. 全年排程繁忙；
2. 大量研究團隊競爭計算時數；
3. 多數節點長期處於工作狀態；
4. 每年產出大量論文、模擬與資料；
5. 卻沒有任何單一公開文明任務獲得多年持續、全系統整合的追蹤。

因此，必須區分：

$$
U_{\mathrm{hardware}}
=
\frac{\text{實際執行計算的硬體時間}}
{\text{全部可用硬體時間}}
$$

與：

$$
C_{\mathrm{mission}}
=
\frac{\text{投入同一長期文明目標的有效資源}}
{\text{全部可支配科研資源}}
$$

其中， $U_{\mathrm{hardware}}$ 是硬體利用率， $C_{\mathrm{mission}}$ 是任務集中度。

核心問題不是：

$$
U_{\mathrm{hardware}}\stackrel{?}{\approx}0
$$

而是：

$$
U_{\mathrm{hardware}}\approx1
\quad\text{時，是否仍可能有}\quad
C_{\mathrm{mission}}\ll1
$$

答案是可能的。

美國能源部的 INCITE 計畫即提供一個公開例子。2026 年，領導級超算資源被分配給 75 個不同的計算科學專案，約占相關領導級系統可用時間的 60%。這證明公共超算並非無人使用，卻也清楚呈現其基本治理模式：資源被分配給多個經審查的獨立計畫，而不是長期交由單一公開文明任務統一支配。[1]

這種制度可稱為：

$$
\text{高利用率}
+
\text{多專案分配}
+
\text{低共同意圖}
$$

---

## 二、超算任務稀釋命題

### 2.1 命題內容

**超算任務稀釋命題：**

> 當超級計算設施主要以計算時數、節點時數、專案配額與同行審查方式分配時，硬體資源雖可維持高利用率，但長期科研意圖會被分散至多個專案；若缺乏共同資料層、共同模型層、共同驗證層與持續迭代機制，整座超算便不會自然形成單一文明任務。

形式化表示為：

$$
U_{\mathrm{hardware}}\uparrow
\not\Rightarrow
C_{\mathrm{mission}}\uparrow
$$

進一步設超算中心共有 $n$ 個專案，每個專案取得資源比例 $r_i$ ，則：

$$
\sum_{i=1}^{n}r_i=1
$$

如果不同專案之間不存在共同閉環，任務分布熵可寫成：

$$
H_{\mathrm{mission}}
=
-\sum_{i=1}^{n}r_i\log r_i
$$

當資源被平均分配給大量互不耦合的專案時， $H_{\mathrm{mission}}$ 上升，代表任務分散程度提高。這不等於分散一定錯誤；它能降低風險、促進多樣性並服務多領域研究。但它也意味著，超算的制度目標通常是「讓多個團隊使用」，而不是「讓某個文明問題被持續追擊直到解決」。

### 2.2 空間集中不等於時間集中

超算確實可能在某次大型作業中，讓單一程式占用接近全部節點。定義空間集中度：

$$
C_{\mathrm{space}}
=
\frac{\text{單一作業占用的節點數}}
{\text{全機節點數}}
$$

某次英雄級運算可能達到：

$$
C_{\mathrm{space}}\approx1
$$

但若只持續數小時或數日，結束後又回到多租戶排程，則長期集中度仍可能很低。定義時間延續度：

$$
L_{\mathrm{mission}}
=
\frac{\text{單一任務持續獲得核心資源的時間}}
{\text{觀察期間}}
$$

真正的任務型超算需要同時提高：

$$
C_{\mathrm{space}},
\quad
C_{\mathrm{mission}},
\quad
L_{\mathrm{mission}}
$$

而不只是完成一次全機規模的性能展示。

### 2.3 為何公共科學傾向分散？

原因並不神祕：

1. **公平與正當性：** 公共預算必須服務多領域，難以長期押注單一高風險命題。
2. **問題不可直接比較：** 氣候、材料、生物、天文與數學的價值無法以單一尺度排序。
3. **實驗瓶頸：** 許多領域受限於資料、儀器、臨床、製造與現實驗證，而非純算力。
4. **軟體擴展限制：** 不是所有研究程式都能有效使用整座超算。
5. **學術激勵碎片化：** 專案、論文、經費與機構責任通常具有明確邊界。
6. **缺乏統一研究主體：** 超算中心是設施提供者，通常不是擁有長期自主意圖的研究主體。

因此，傳統超算更像：

$$
\text{算力港口}
$$

而不是：

$$
\text{持續追擊問題的智能研究組織}
$$

---

## 三、少數高集中度反例，以及它們揭示的條件

### 3.1 氣象預報

氣象是公開領域中最接近「任務型超算」的例子。ECMWF 同時是研究機構與全天候作業服務，持續執行全球數值天氣預報、資料同化、集合預報與模型升級。這些活動雖包含多種模型與研究工作，卻都收斂至同一任務：

$$
\text{提高全球天氣與環境預測能力}
$$

其閉環為：

$$
\text{觀測}
\rightarrow
\text{資料同化}
\rightarrow
\text{預報}
\rightarrow
\text{誤差分析}
\rightarrow
\text{模型改良}
\rightarrow
\text{下一輪預報}
$$

ECMWF 的歷史顯示，它已從早期租用共享機器，發展為自有且具時間關鍵性的超算作業中心。[2] 這說明：當任務有穩定資料流、清楚評估標準、固定產出週期與可重複驗證機制時，超算可以形成長期集中化。

### 3.2 核武庫模擬

美國國家核安全管理局的 Advanced Simulation and Computing 計畫，也是任務高度集中的公開制度案例。其超算、模擬軟體、實驗資料與國家任務被長期綁定，用於核武庫評估與認證。[3]

本文不以保密結果作為「改變人類」的公開成果證明，但其治理結構仍揭示一件事：

> 人類並非不懂如何建立任務專用超算；當政治優先級、責任主體與驗證制度足夠明確時，人類能夠讓硬體、軟體、資料、人才與長期目標共同演化。

因此，問題不是技術上不能集中，而是多數公開科研問題無法取得同等程度的目標限縮與制度授權。

---

## 四、AI 改變了什麼：從投資問題轉向投資解題能力

### 4.1 傳統領域投資的分離結構

在傳統架構中，不同領域通常需要分別建立自己的計算能力：

$$
I_{\mathrm{total}}
=
I_{\mathrm{physics}}
+
I_{\mathrm{chemistry}}
+
I_{\mathrm{biology}}
+
I_{\mathrm{medicine}}
+
I_{\mathrm{weather}}
+
I_{\mathrm{engineering}}
+\cdots
$$

每個領域都必須重複投資：

- 人才訓練；
- 程式開發；
- 資料清理；
- 文獻整理；
- 模型設計；
- 模擬流程；
- 實驗規劃；
- 結果解釋；
- 專案管理；
- 知識傳承。

領域間的物理對象不同，但其中大量認知工作具有共同結構。

### 4.2 AI 把共同智能部分抽離出來

設第 $i$ 個領域問題為 $P_i$ ，可分解為：

$$
P_i
=
A
+
D_i
+
S_i
+
V_i
$$

其中：

- $A$ ：跨領域共同智能能力；
- $D_i$ ：第 $i$ 領域的資料與知識；
- $S_i$ ：實驗、儀器、製造、具身與物理載體；
- $V_i$ ：驗證、治理、法規與部署流程。

共同智能能力 $A$ 可以包含：

$$
A=
\{
\text{理解},
\text{搜尋},
\text{推理},
\text{編程},
\text{建模},
\text{規劃},
\text{比較},
\text{驗證},
\text{控制}
\}
$$

過去， $A$ 主要分散在人類研究團隊與各領域軟體之中，難以作為單一基礎設施集中投資。AI 的出現使 $A$ 開始成為可訓練、可部署、可複製、可更新且可跨領域重用的計算對象。

因此，投資式可改寫為：

$$
I_{\mathrm{total}}
=
I_A
+
\sum_{i=1}^{n}
\left(
I_{D_i}
+
I_{S_i}
+
I_{V_i}
\right)
$$

其中 $I_A$ 是對共同智能層的投資。

---

## 五、智能載體投資收斂命題

### 5.1 命題內容

**智能載體投資收斂命題：**

> 當人工智能能承載跨領域的理解、推理、建模、編程、規劃、驗證與控制能力時，原本必須分散於不同領域的部分認知投資，可以收斂為對同一智能載體的集中投資；而該智能載體又能在部署階段重新與不同資料、工具和物理設施結合，使集中投入轉化為分散的領域產出。

其結構為：

$$
\boxed{
\text{集中投資共同智能}
\rightarrow
\text{分散增強多個領域}
}
$$

傳統專用模型往往是：

$$
\text{材料算力}
\rightarrow
\text{材料成果}
$$

$$
\text{氣象算力}
\rightarrow
\text{氣象成果}
$$

而通用 AI 的潛在結構是：

$$
\text{AI核心算力}
\rightarrow
\begin{cases}
\text{材料研究增益}\\
\text{醫學研究增益}\\
\text{物理研究增益}\\
\text{軟體工程增益}\\
\text{數學研究增益}\\
\text{政策分析增益}\\
\text{其他領域增益}
\end{cases}
$$

OECD 已將生成式 AI 評估為具有成為新通用目的技術的顯著潛力，而 OECD 的 AI 原則也直接將 AI 描述為具廣泛社會與經濟影響的通用目的技術。[4][5]

### 5.2 投入集中與產出擴散可以同時提高

定義 AI 投資集中度：

$$
K_{\mathrm{input}}
=
\frac{I_A}{I_{\mathrm{total}}}
$$

再定義 AI 下游產出的領域分布為 $p_i$ ，其中：

$$
\sum_{i=1}^{n}p_i=1
$$

產出擴散度可用熵表示：

$$
H_{\mathrm{output}}
=
-\sum_{i=1}^{n}p_i\log p_i
$$

傳統專用超算工作負載通常呈現：

$$
K_{\mathrm{input}}\uparrow
\Rightarrow
H_{\mathrm{output}}\downarrow
$$

因為越集中投資某一模型，成果越集中於該領域。

但通用 AI 可能呈現：

$$
K_{\mathrm{input}}\uparrow
\quad\text{且}\quad
H_{\mathrm{output}}\uparrow
$$

也就是投入越集中於共同智能層，產出反而可能擴散至更多領域。

這是 AI 與傳統單領域超算任務最重要的結構差異。

### 5.3 AI 投資的跨域邊際效益

設第 $i$ 個領域產出為：

$$
Y_i=f_i(A,D_i,S_i,V_i)
$$

對 AI 能力 $A$ 的總邊際效益為：

$$
M_A
=
\sum_{i=1}^{n}
\frac{\partial Y_i}{\partial A}
$$

若 $A$ 能同時提高多個領域的有效產出，則即使單一領域的增益有限，其總合仍可能巨大：

$$
M_A
\gg
\frac{\partial Y_j}{\partial C_j}
$$

其中 $C_j$ 是只服務第 $j$ 個領域的專用計算投資。

這解釋了為何 AI 訓練可以合理吸收前所未有的集中算力：一次核心能力提升，可能被大量下游任務重複使用。

### 5.4 集中—擴散共存係數

為避免只用「投資集中」或「產出廣泛」其中一個指標描述 AI，可定義正規化產出擴散度：

$$
\widetilde H_{\mathrm{output}}
=
\frac{H_{\mathrm{output}}}{\log n}
\in[0,1]
$$

再令：

- $K_{\mathrm{input}}$ ：共同智能層占總投資的比例；
- $R_A$ ：同一智能核心被不同有效任務重用的程度；
- $Q_A$ ：下游成果經驗證後的可靠品質；
- $\widetilde H_{\mathrm{output}}$ ：成果跨領域擴散程度。

則可構造集中—擴散共存係數：

$$
\Phi_{CD}
=
K_{\mathrm{input}}
\cdot
\widetilde H_{\mathrm{output}}
\cdot
R_A
\cdot
Q_A
$$

$\Phi_{CD}$ 高，表示系統不只是把資源集中到一個模型，也確實使該模型以可靠方式服務多領域。加入 $Q_A$ 的目的，是避免把大量低品質、未驗證或重複輸出誤認為文明擴散。

對傳統專用模擬，常見情形是：

$$
K_{\mathrm{input}}\uparrow,
\qquad
\widetilde H_{\mathrm{output}}\downarrow
$$

對理想的通用智能基礎設施，則可能是：

$$
K_{\mathrm{input}}\uparrow,
\qquad
\widetilde H_{\mathrm{output}}\uparrow,
\qquad
R_A\uparrow,
\qquad
Q_A\not\downarrow
$$

最後一項至關重要：若跨域擴散是以可靠性下降換取的，便不能視為真正的文明增益。

### 5.5 收斂投資不等於單一模型壟斷

本文所稱「共同智能層」不是要求所有領域只使用一個模型。共同層可以是：

$$
A
=
\{A_1,A_2,\ldots,A_m\}
$$

其中不同模型分別負責推理、程式、模擬、視覺、控制、反證與審計。真正收斂的是可共享的能力與基礎設施，而不是不可替代的單一權力中心。

因此，更安全的形式是：

$$
\text{集中建設共同智能能力}
+
\text{分散保留模型、領域與驗證多樣性}
$$

而不是：

$$
\text{所有科研依賴同一封閉模型}
$$

---

## 六、AI 不是普通軟體，而是智能體與計算中心的結合

### 6.1 從計算對象到計算使用者

傳統模擬程式通常完成預先指定的數值任務：

$$
\text{輸入}
\rightarrow
\text{計算}
\rightarrow
\text{輸出}
$$

它不會自然地：

- 閱讀新文獻；
- 發現模型缺陷；
- 修改自己的程式；
- 選擇下一批實驗；
- 重排計算資源；
- 比較多條研究路線；
- 建立新的評估標準。

AI 則可能逐步形成：

$$
\text{提出問題}
\rightarrow
\text{建立模型}
\rightarrow
\text{編寫程式}
\rightarrow
\text{調用超算}
\rightarrow
\text{分析結果}
\rightarrow
\text{修正假設}
\rightarrow
\text{再次計算}
$$

因此，AI 同時可以是：

$$
\boxed{
\text{超算的產物}
+
\text{超算的使用者}
+
\text{超算的調度者}
}
$$

### 6.2 遞迴計算載體命題

**遞迴計算載體命題：**

> AI 是由計算資源建造的智能系統，但其能力又能被用來設計演算法、生成程式、管理工作流、選擇資料、控制實驗與分配下一輪計算，因此 AI 能反過來提高計算資源本身的有效利用率與研究方向品質。

令超算原始能力為 $C_t$ ，AI 能力為 $A_t$ ，則：

$$
A_{t+1}=F(C_t,D_t,M_t)
$$

其中 $D_t$ 是資料， $M_t$ 是模型與方法。

AI 又可反過來改善下一期的計算效率、模型與任務選擇：

$$
C_{t+1}^{\mathrm{effective}}
=
G(C_t,A_{t+1},T_t)
$$

其中 $T_t$ 是工具、實驗設施與制度條件。

兩式共同形成：

$$
C_t
\rightarrow
A_{t+1}
\rightarrow
C_{t+1}^{\mathrm{effective}}
\rightarrow
A_{t+2}
$$

這不是單純把同一程式跑得更快，而是建立能持續改寫問題、方法與計算流程的遞迴系統。

---

## 七、AI 為何能限縮原本不可限縮的科研投資？

「研究所有科學問題」不是可執行的單一工作負載。

$$
\{\text{所有科學問題}\}
$$

過度寬廣，無法直接交給一座超算。

但可以把共同需求壓縮為：

$$
\text{提升處理科學問題的通用智能能力}
$$

因此，原本不可限縮的命題集合：

$$
\{P_1,P_2,\ldots,P_n\}
$$

被重新表示為：

$$
A+\{D_i,S_i,V_i\}_{i=1}^{n}
$$

這不是把所有領域化約成 AI，而是將各領域共同需要的智能層抽離並集中建設。

可以概括為：

$$
\boxed{
\text{從投資每一個問題}
\rightarrow
\text{投資能處理多種問題的智能載體}
}
$$

這使 AI 成為超算集中化的一個特殊答案：

1. 它足夠單一，可以被當成集中投資對象；
2. 它足夠通用，可以服務大量不同領域；
3. 它能被複製與部署，不必永久綁定單一機器；
4. 它能反過來組織其他模型、工具與計算資源；
5. 它的能力提升可被大量下游任務重複使用。

---

## 八、既有文獻的六條譜系

本文的三個命題並非與既有研究完全斷裂。相反地，學界已分別建立多個相鄰概念；v0.2 的工作，是確認哪些部分已有直接支持，哪些只是間接支持，以及本文真正新增的推導位於何處。

### 8.1 通用目的技術：為何 AI 可以跨域擴散？

通用目的技術文獻關心的不是某項技術能否完成單一任務，而是它是否具有廣泛適用、持續改良，以及促成互補創新的能力。Klinger、Mateos-Garcia 與 Stathoulopoulos 對深度學習的研究指出，深度學習呈現快速成長、向新領域擴散與形成區域產業聚落等通用目的技術特徵。[10] Dhar 則把大型預訓練系統描述為可配置到不同應用的商品化通用智能技術。[11]

專利層面的研究也顯示，不同 AI 分類方法雖差異很大，仍普遍呈現高度一般性；同時，相關專利集中於少數企業，顯示公共支持與市場權力問題會同時出現。[12]

這條文獻支持本文的：

$$
I_A
\rightarrow
\{\Delta Y_1,\Delta Y_2,\ldots,\Delta Y_n\}
$$

但它通常討論技術向產業擴散，未必處理超算為何可把原本分散的科研投資收斂到共同智能層。

### 8.2 發明方法的發明：為何 AI 不只是另一種產品？

Baily 等人把生成式 AI 同時評估為通用目的技術與「發明方法的發明」（Invention of Methods of Invention）。後者指的是提高觀察、分析、溝通、組織與研究開發效率的方法性技術。[13]

這與本文的轉換高度一致：

$$
\text{投資特定答案}
\rightarrow
\text{投資產生答案的能力}
$$

不過，AI 與顯微鏡、統計方法或搜尋工具仍有差異。AI 不只提高觀察與分析能力，還可能逐步承擔問題分解、程式生成、工具調用與下一輪行動選擇。因此本文進一步加入「智能體」與「遞迴計算載體」兩個要素。

### 8.3 基礎模型與一般者—專家結構

Laufer、Kleinberg 與 Heidari 對通用模型適配的博弈研究，把生態系分為建立一般模型的 Generalist，以及投入成本將其適配至不同領域的 Domain specialists。[14] 這直接對應：

$$
P_i=A+D_i+S_i+V_i
$$

其中共同智能核心由一般者建設，領域端再補充知識、資料、工具、物理載體與驗證。

科學基礎模型也開始朝此方向發展。例如 NatureLM 嘗試以同一序列式模型處理小分子、蛋白質、RNA 與材料，並進行跨領域生成與設計。[15] 物理基礎模型研究則探索「訓練一次、跨多種物理系統適配」的可能性。[16]

這些研究支持共同表示與跨任務重用，但尚不能證明所有科學領域能被單一模型統一。它們比較接近本文的「共同智能層可集中建設」，而不是「領域差異可以被消除」。

### 8.4 AI for Science：共同智能層如何進入科學？

《AI for Science: An Emerging Agenda》把 AI for Science 描述為 AI 研究者、領域科學家、工程師與人機協作的會合點，並強調其轉型潛力依賴跨領域整合。[17]

大規模 AI4Science 文獻分析則發現，AI 方法與科學問題之間仍存在顯著落差，代表跨領域整合尚未充分完成。[18]

這條譜系支持：

$$
\text{AI核心}
+
\text{領域知識}
+
\text{工程整合}
\rightarrow
\text{科學增益}
$$

但它通常把「整合」視為合作問題，較少由超算資源配置推導，為何共同 AI 核心會改變集中投資的合理性。

### 8.5 代理科學與自主發現：AI 是否成為科研行動者？

代理科學文獻正把 AI 從專用工具描述為研究夥伴。相關綜述把科學代理的核心能力整理為假設生成、實驗設計、執行、分析與迭代修正，並涵蓋生命科學、化學、材料與物理。[19]

基礎模型科學發現研究也提出由工作流增強、人機共同創造到自主科學發現的階段性轉換。[20] 自動化實驗室研究則把 AI 代理與實驗設計、低成本代理測量及實體設備結合，試圖同時降低實驗輪數與每次實驗成本。[21]

這條譜系強力支持本文的遞迴閉環：

$$
\text{問題}
\rightarrow
\text{模型}
\rightarrow
\text{計算}
\rightarrow
\text{實驗}
\rightarrow
\text{分析}
\rightarrow
\text{下一個問題}
$$

但其主要問題通常是「AI如何自主研究」，而本文進一步追問「為何這種能力使 AI 成為超算集中投資的特殊對象」。

### 8.6 科學生產的重新組織

2026 年關於研究計畫的實證工作指出，AI 採用在短期內與科學成果的改善幅度有限且集中於上尾；更明顯的影響是研究組織重構，包括更多資源轉向人力、團隊擴大，以及承擔更廣泛的任務。[22]

這與通用目的技術常見的生產力 J 曲線一致：新技術初期不一定立即提高總產出，而是先迫使工作流、團隊與互補資產重新配置。

因此，本文不應預測：

$$
I_A\uparrow
\Rightarrow
Y_{\mathrm{science}}\text{立即大幅上升}
$$

更合理的是：

$$
I_A\uparrow
\Rightarrow
\text{科研組織、任務結構與互補投資先重排}
\Rightarrow
Y_{\mathrm{science}}\text{可能延遲上升}
$$

---

## 九、本文與既有文獻的邊界

### 9.1 哪些內容不是本文首創？

以下判斷已有明確學術前例：

1. AI 具有通用目的技術特徵；
2. 基礎模型可以一次訓練、向多個任務適配；
3. 通用模型開發者與領域專家會形成分工與投資博弈；
4. AI 可以提高研究與發明方法本身的效率；
5. AI 代理可能參與假設、程式、模擬、實驗和分析閉環；
6. AI 的實際生產力需要互補投資與組織重構。

若本文只重複上述六點，就不足以構成新的理論貢獻。

### 9.2 本文新增的統合問題

本文的起點不是「AI能做多少任務」，而是：

> 為何傳統公共超算即使高度滿載，仍傾向形成任務碎片化；而 AI 投資卻能在不把成果限縮到單一領域的條件下，合理吸收高度集中的算力？

由此產生四個較明確的新增結構。

#### （一）超算任務稀釋與 AI 投資收斂的因果連接

既有文獻通常分別研究超算分配、通用目的技術或 AI for Science。本文把它們連成：

$$
\text{科研命題異質}
\rightarrow
\text{公共超算多專案分配}
\rightarrow
\text{長期任務稀釋}
$$

以及：

$$
\text{跨領域共同智能可抽離}
\rightarrow
\text{AI核心投資收斂}
\rightarrow
\text{下游領域再擴散}
$$

#### （二）投入集中度與產出分散度的同向提高

本文特別指出，AI 可能打破傳統專用投資中的反向關係：

$$
K_{\mathrm{input}}\uparrow
\quad\land\quad
H_{\mathrm{output}}\uparrow
$$

即投入越集中於共同智能核心，成果覆蓋的領域反而越廣。這不是普通的規模經濟，而是共同能力層被多領域重用所產生的結構。

#### （三）由超算產物到超算調度者的遞迴轉換

本文將 AI 定義為：

$$
\text{超算的產物}
+
\text{超算的使用者}
+
\text{超算的調度者}
$$

這使 AI 不只是被計算的模型，而是能參與決定下一輪計算為何發生的行動層。

#### （四）從算力利用率轉向文明任務效率

本文主張超算治理不應只衡量：

$$
C\cdot U
$$

而應衡量：

$$
C\cdot U\cdot Q\cdot M\cdot L\cdot F\cdot V\cdot T
$$

即問題品質、任務協調、長期性、實驗閉環、驗證與轉化能力。這是對超算績效概念的擴張。

### 9.3 原創性應被如何表述？

最穩健的表述不是「首次發現 AI 能跨領域」，而是：

> 本文提出一個由超算任務治理出發的統合理論，說明 AI 如何把原本分散於不同領域的共同認知投入，收斂為可集中建設的智能載體，並使投入集中與產出擴散同時發生。

這是一個可被檢索、反駁與比較的具體主張。

---

## 十、反證、保留與尚未完成的轉型

### 10.1 大量採用不等於科學範式已改變

一項涵蓋超過 2.27 億篇學術作品、46 個領域的研究發現，AI 在科學中的採用自 2015 年後快速增加，但其知識論轉型仍然有限；AI 支援研究集中於少數與電腦科學和傳統統計方法高度相關的主題，並伴隨引用溢價、重現與撤稿風險。[23]

因此：

$$
U_{\mathrm{AI}}\uparrow
\not\Rightarrow
T_{\mathrm{science}}\uparrow
$$

這與超算問題同構：使用率提高，不等於制度潛能已被充分激發。

### 10.2 科學代理仍無法穩定重建完整工作流

AutoMat 以真實材料科學論文測試程式代理重建端到端計算流程的能力。最佳設定的整體成功率仍只有 54.1%，失敗主要來自程序描述不足、方法偏離、工具鏈操作與執行脆弱性。[24]

這表示現階段不能把：

$$
A
$$

誤當成：

$$
A+D_i+S_i+V_i
$$

共同智能層仍需依賴可執行規格、領域工具、資料來源與人類審查。

### 10.3 驗證正在成為新的主要瓶頸

AI 可以快速生成假設、程式與候選，但最終驗證仍依賴真實實驗。自動化實驗室研究已直接把問題表述為：如何減少低價值實驗輪數，以及如何降低每輪高成本測量。[21]

令假設生成率為 $g$ ，有效驗證率為 $v$ 。當：

$$
g\gg v
$$

系統不是得到更多可靠知識，而是累積：

$$
B_{\mathrm{validation}}
=
\int(g-v)\,dt
$$

即驗證債務。

### 10.4 共同智能層可能放大共同錯誤

投資收斂提高了重用效率，也提高了共同失敗的相關性。若多領域共享同一模型、資料管線或評估器，單點錯誤可能跨域傳播：

$$
\epsilon_A
\rightarrow
\{\epsilon_1,\epsilon_2,\ldots,\epsilon_n\}
$$

因此，集中投資必須搭配模型多樣性、可重現執行、獨立反證、物理測量與公共審計。

### 10.5 目前最合理的強度判決

現有證據足以支持：

$$
\text{AI是可跨領域重用的共同智能投資層}
$$

也部分支持：

$$
\text{AI可以逐步成為科研流程的行動者與調度者}
$$

但尚不足以支持：

$$
\text{AI已經形成自主、可靠、普遍優於人類組織的文明科研主體}
$$

本文因此是一個結構命題與制度預測，而不是宣告轉型已經完成。

---

## 十一、現實制度正在接近這個方向

2025 年啟動、2026 年持續投資的美國能源部 Genesis Mission，已公開提出將國家實驗室、超算、AI 系統、科學資料、量子技術與先進實驗儀器整合成國家級科學發現平台。[6]

其公開描述包括：

- 將世界級超算與 AI 系統連接；
- 結合國家實驗室的科學資料與儀器；
- 自動化實驗設計；
- 加速模擬；
- 生成預測模型；
- 應用於能源、製造、藥物發現與基礎科學。[6][7]

這一制度方向與本文命題高度相似：

$$
\text{超算}
+
\text{AI}
+
\text{科學資料}
+
\text{實驗設施}
\rightarrow
\text{跨領域發現平台}
$$

它代表超算中心可能從「分配計算時數的資源池」逐步轉向「具有共同智能層的研究網路」。

然而，Genesis Mission 目前仍是一項正在建構的國家計畫，不能被直接視為命題已獲完全證明。它只能證明：政策制定者已開始正式採用類似的架構判斷。

---

## 十二、這不等於「只投資 AI 就夠了」

本文必須明確拒絕以下過度推論：

$$
\text{AI}=\text{所有領域本身}
$$

AI 可以承載共同智能層，卻不能憑空取代：

- 粒子加速器；
- 天文望遠鏡；
- 生物實驗室；
- 臨床試驗；
- 衛星與感測器；
- 材料製造設備；
- 機器人與具身平台；
- 能源生產與電網；
- 現實世界的長期觀測；
- 法律、倫理與公共決策。

因此，領域成果應寫成：

$$
Y_i
=
f_i
\left(
A,
D_i,
S_i,
V_i
\right)
$$

若任何必要項接近零，整體成果都可能失敗：

$$
A>0,\quad D_i>0,\quad S_i\approx0
\Rightarrow
Y_i\approx0
$$

例如，AI 可以提出藥物候選，但不能因此跳過毒理、動物研究、人體試驗與法規審查。

更精確的論點是：

$$
\boxed{
\text{AI不是所有領域，}
\quad
\text{而是所有領域可共享的智能基礎層。}
}
$$

---

## 十三、集中投資 AI 的主要風險

### 13.1 錯誤的共同層壟斷

若大量領域都依賴少數模型，模型中的偏誤、資料缺陷與推理錯誤可能同步擴散：

$$
\text{單點模型缺陷}
\rightarrow
\text{跨領域系統性缺陷}
$$

### 13.2 認知單一化

共同智能層若過度集中，可能壓縮研究方法的多樣性，使不同團隊使用相同表徵、相同工具鏈與相同評估邏輯。

### 13.3 算力集中與權力集中

AI 的通用性使其投資回報可能高於專用系統，但也可能導致：

- 算力被少數國家與企業控制；
- 科學議程受平台所有者影響；
- 公共研究依賴封閉模型；
- 領域知識被吸入不可審計的系統。

### 13.4 模擬加速快於驗證能力

AI 可快速生成大量假設與候選，但實驗與驗證速度未必同步提高。若候選生成速率為 $g$ ，驗證速率為 $v$ ，當：

$$
g\gg v
$$

系統會形成巨大的未驗證知識債務。

### 13.5 投資替代錯覺

政府與企業可能誤以為投資 AI 即等於投資所有科學，進而削弱實驗室、教育、儀器與公共資料基礎建設。這將破壞 AI 所依賴的現實輸入層。

---

## 十四、面向未來的任務型 AI 超算中心

若本文命題成立，下一代超算中心不應只提供：

- 帳號；
- 佇列；
- 節點；
- 儲存；
- 計算時數。

它還需要建立五個共同層。

### 14.1 共同智能層

由多種 AI 模型與代理系統共同承擔：

- 文獻理解；
- 假設生成；
- 程式開發；
- 模型選擇；
- 計算規劃；
- 結果審查。

### 14.2 共同任務圖譜

將長期文明目標拆成可追蹤的子命題：

$$
G
\rightarrow
\{g_1,g_2,\ldots,g_m\}
$$

每次運算都必須能回寫其對總目標的貢獻、失敗原因與下一步。

### 14.3 模擬—實驗閉環

$$
\text{模擬}
\rightarrow
\text{實驗}
\rightarrow
\text{資料}
\rightarrow
\text{模型修正}
\rightarrow
\text{再模擬}
$$

沒有實驗閉環，AI 只會增加候選與敘述，不一定增加可靠知識。

### 14.4 多模型對抗驗證

不同 AI 不應只合作，也應互相挑戰：

$$
A_1:\text{提出}
\qquad
A_2:\text{反證}
\qquad
A_3:\text{重現}
\qquad
A_4:\text{審計}
$$

以避免單一模型錯誤被放大。

### 14.5 公共可審計層

公開文明任務至少應記錄：

- 使用多少算力；
- 解決哪個子問題；
- 產生何種證據；
- 哪些結論已驗證；
- 哪些仍只是候選；
- 對現實成果產生何種影響。

這能把「超算很忙」轉化為「超算為何而忙」。

---

## 十五、文明級產出模型

超算的文明產出不應只以 FLOPS 或利用率衡量。可定義：

$$
P_{\mathrm{civilization}}
=
C
\cdot U
\cdot Q
\cdot M
\cdot L
\cdot F
\cdot V
\cdot T
$$

其中：

- $C$ ：可用算力；
- $U$ ：硬體利用率；
- $Q$ ：問題品質；
- $M$ ：任務集中與協調程度；
- $L$ ：長期連續性；
- $F$ ：模擬、資料與實驗的回饋閉環；
- $V$ ：驗證可靠性；
- $T$ ：制度與產業轉化能力。

傳統超算治理常優化：

$$
C\cdot U
$$

AI 時代的真正目標應是提高整個乘積。

即使：

$$
C\rightarrow\infty
$$

只要：

$$
Q=0
\quad\text{或}\quad
V=0
\quad\text{或}\quad
F=0
$$

仍有：

$$
P_{\mathrm{civilization}}=0
$$

AI 的價值不只在增加 $C$ ，而可能同時提高 $Q$ 、 $M$ 、 $L$ 與 $F$ 。但它也可能因錯誤、壟斷與驗證不足而降低 $V$ 。因此，AI 並非自動乘數，而是需要治理的高增益耦合層。

---

## 十六、可檢驗預測

本文不是不可反駁的宏觀敘事，而可提出以下預測。

### 預測一：超算中心將逐步從計算資源提供者轉為 AI 科研平台

未來領導級設施的核心指標將不只包含節點時數，也會包含：

- 自主完成的研究循環數；
- 被 AI 重用的模型與資料；
- 實驗閉環速度；
- 跨領域模型遷移率；
- 從假設到驗證的時間。

### 預測二：同一 AI 核心的跨領域再利用率將成為重要投資指標

可定義：

$$
R_A
=
\frac{\text{有效服務的下游任務數}}
{\text{AI核心訓練與維護成本}}
$$

當 $R_A$ 持續提高，AI 將吸收更多原本分散於領域工具的投資。

### 預測三：實驗與驗證將成為新瓶頸

隨著假設生成與模擬成本下降，科研瓶頸將從「想不到、寫不出、算不動」轉向：

$$
\text{驗證不完}
+
\text{實驗太慢}
+
\text{現實部署困難}
$$

### 預測四：任務型 AI 超算將先出現在目標清楚的領域

例如：

- 天氣與氣候；
- 能源系統；
- 材料設計；
- 核融合；
- 藥物候選篩選；
- 自動化數學與程式驗證；
- 國家安全。

這些領域具有較明確的評估函數、資料來源或實驗閉環。

### 預測五：科研機構的競爭將從算力規模轉向閉環品質

未來最強的研究系統未必只是算力最大，而可能是：

$$
\boxed{
\text{問題選擇更好}
+
\text{AI協作更強}
+
\text{實驗回饋更快}
+
\text{驗證制度更可靠}
}
$$

---

## 十七、結論

人類並非沒有建立高強度、長期集中的超算體系。氣象、國防與少數國家工程證明，當任務可被限縮、責任可被指定、資料可持續取得、成果可反覆驗證時，超算可以圍繞單一方向長期運作。

真正困難的是：大多數文明問題彼此異質，無法直接被壓縮成單一超算工作負載。於是公共超算被建造成多租戶算力港口，以分配制度維持公平與利用率，卻也造成任務意圖的碎片化。

AI 改變了這個條件。

通用目的技術、發明方法、基礎模型、AI for Science 與代理科學文獻，已分別證明這個轉換所需的大部分零件確實存在；但它們也顯示，AI 的科學轉型仍受互補投資、組織重構、工作流重現與物理驗證限制。本文的貢獻不是宣告 AI 已經完成科學統一，而是說明這些零件如何共同改變超算集中投資的合理性。

AI 並未消除物理、生物、醫學、材料、能源與社會科學之間的差異；它所做的是把這些領域共同需要的理解、推理、建模、編程、規劃、驗證與控制能力，轉化為同一個可集中建設的智能層。

因此：

$$
\boxed{
\text{AI不是把所有問題變成同一個問題，}
}
$$

$$
\boxed{
\text{而是把處理不同問題所共同需要的智能，}
}
$$

$$
\boxed{
\text{變成同一個可集中投資的文明載體。}
}
$$

更進一步，AI 不只是被超算計算的模型，也可能成為反過來使用超算、組織實驗、重寫程式與選擇下一個問題的智能體。這使 AI 成為一種遞迴計算載體：

$$
\boxed{
\text{由算力建造智能，}
\rightarrow
\text{再由智能重新組織算力。}
}
$$

超算時代長期存在的矛盾是：

$$
\text{設備可以集中，問題卻無法集中。}
$$

AI 時代提供的新解法則是：

$$
\boxed{
\text{不必先集中所有問題，}
\quad
\text{而是先集中能處理問題的智能。}
}
$$

這可能是人工智慧成為文明核心基礎設施的最深層原因之一。

---

## 參考資料

[1] Oak Ridge Leadership Computing Facility, “INCITE program awards supercomputing time to 75 high-impact projects,” 2026.  
https://www.olcf.ornl.gov/2026/04/07/incite2026awards/

[2] ECMWF, “The critical role of high-performance computing in medium-range weather forecasting: half a century of technology innovation,” 2025.  
https://www.ecmwf.int/sites/default/files/elibrary/81678-the-critical-role-of-highperformance-computing-in-medium-range-weather-forecasting-half-a-century-of-technology-innovation.pdf

[3] U.S. Department of Energy, National Nuclear Security Administration, “NNSA and Livermore Lab achieve milestone with El Capitan, world’s fastest supercomputer,” 2024.  
https://www.energy.gov/nnsa/articles/nnsa-and-livermore-lab-achieve-milestone-el-capitan-worlds-fastest-supercomputer

[4] OECD, “Is generative AI a General Purpose Technology? Implications for productivity and policy,” 2025.  
https://www.oecd.org/en/publications/is-generative-ai-a-general-purpose-technology_704e2d12-en.html

[5] OECD, “Recommendation of the Council on Artificial Intelligence.”  
https://legalinstruments.oecd.org/en/instruments/oecd-legal-0449

[6] U.S. Department of Energy, “The Genesis Mission,” 2025–2026.  
https://www.energy.gov/undersecretaryforscience/genesis-mission/genesis-mission

[7] U.S. Department of Energy, “Energy Department Announces Collaboration Agreements with 24 Organizations to Advance the Genesis Mission,” 2025.  
https://www.energy.gov/articles/energy-department-announces-collaboration-agreements-24-organizations-advance-genesis

[8] U.S. Department of Energy, “Artificial Intelligence Strategy,” 2025.  
https://www.energy.gov/sites/default/files/2025-09/EXEC-2025-010630%20-%20250923_%20DOE%20AI%20Strategy%20VFinal.pdf

[9] U.S. Department of Energy / Argonne National Laboratory, “AI for Science,” laboratory community report.  
https://www.anl.gov/sites/www/files/2023-05/158802_0.pdf

[10] Klinger, J., Mateos-Garcia, J., & Stathoulopoulos, K. “Deep learning, deep change? Mapping the development of the Artificial Intelligence General Purpose Technology,” 2018.  
https://arxiv.org/abs/1808.06355

[11] Dhar, V. “The Paradigm Shifts in Artificial Intelligence,” 2023.  
https://arxiv.org/abs/2308.02558

[12] Hötte, K., Tarannum, T., Verendel, V., & Bennett, L. “Measuring artificial intelligence: a systematic assessment and implications for governance,” 2022.  
https://arxiv.org/abs/2204.10304

[13] Baily, M., Byrne, D., Kane, A., & Soto, P. “Generative AI at the Crossroads: Light Bulb, Dynamo, or Microscope?” 2025.  
https://arxiv.org/abs/2505.14588

[14] Laufer, B., Kleinberg, J., & Heidari, H. “Fine-Tuning Games: Bargaining and Adaptation for General-Purpose Models,” 2023.  
https://arxiv.org/abs/2308.04399

[15] Xia, Y., et al. “Nature Language Model: Deciphering the Language of Nature for Scientific Discovery,” 2025.  
https://arxiv.org/abs/2502.07527

[16] Wiesner, F., Gray, Z. J., Wessling, M., & Baek, S. “Towards a Physics Foundation Model,” 2025.  
https://arxiv.org/abs/2509.13805

[17] Berens, P., Cranmer, K., Lawrence, N. D., von Luxburg, U., & Montgomery, J. “AI for Science: An Emerging Agenda,” 2023.  
https://arxiv.org/abs/2303.04217

[18] Xie, Y., Pan, Y., Xu, H., & Mei, Q. “Bridging AI and Science: Implications from a Large-Scale Literature Analysis of AI4Science,” 2024.  
https://arxiv.org/abs/2412.09628

[19] Wei, J., et al. “From AI for Science to Agentic Science: A Survey on Autonomous Scientific Discovery,” 2025.  
https://arxiv.org/abs/2508.14111

[20] Liu, F., et al. “Foundation Models for Scientific Discovery: From Paradigm Enhancement to Paradigm Transition,” 2025.  
https://arxiv.org/abs/2510.15280

[21] Hur, K., & Lee, C. “Compressing the Validation Bottleneck: An Agentic Self-Driving Lab for Scientific Discovery,” 2026.  
https://arxiv.org/abs/2607.04508

[22] Hosseinioun, M., Uzzi, B., & Fosse, H. B. “Artificial Intelligence in Science: Returns, Reallocation, and Reorganization,” 2026.  
https://arxiv.org/abs/2603.27956

[23] Castro Torres, A. F., Giner-Miguelez, J., & Crosas, M. “When AI Meets Science: Research Diversity, Interdisciplinarity, Visibility, and Retractions across Disciplines in a Global Surge,” 2026.  
https://arxiv.org/abs/2605.06033

[24] Huang, Z., et al. “Can Coding Agents Reproduce Findings in Computational Materials Science?” 2026.  
https://arxiv.org/abs/2605.00803

---

## 引用建議

> Neo.K & Aletheia.（2026）。〈從超算任務稀釋到智能載體投資收斂：人工智慧何以成為第一個可集中投資、跨領域擴散的文明級計算對象〉，v0.2。