# AI 原生觀測：從儀器資料到科學投影

## 從被動量測、單儀器介面與人工檢視走向可追溯、可逆、主動式的多模態科學觀測系統

**English Title:** *AI-Native Observation: From Instrument Data to Reversible Scientific Projection*

**Series:** ANCSI — AI-Native Computational and Scientific Infrastructure  
**Paper:** ANCSI-08  
**Version:** v0.1  
**Date:** 2026-09-23  
**Type:** 公開命題／工程猜想論文（Public Proposition / Engineering Conjecture Paper）

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  

---

## 摘要

現代高階科研早已大量脫離「研究者以肉眼直接觀察自然」的模式。電子顯微鏡、同步輻射、原子力顯微鏡、光譜、斷層掃描、粒子探測器、熱影像與多種大型科學儀器，實際上都是將物理現象轉換成數位訊號，再經校準、重建、濾波、統計與視覺化後呈現給研究者。2026 年的 smart microscopy、agentic electron microscopy 與 agentic X-ray scientist 研究已進一步顯示，AI 不只可以分析儀器資料，也可以根據即時觀測結果決定下一個 acquisition action，使「觀測」開始由被動量測轉化為主動式閉迴路科學行為。

本文提出 ANCSI 的第八個核心命題：未來 AI 原生計算—科研基礎設施應建立一個 **AI-Native Observation Stack（AI 原生觀測堆疊）**，將原始量測、時間同步、校準、重建、跨模態配準、AI 推論、不確定性、主動觀測決策與人類科學投影分成明確不同的層。人類不必直接操作或逐一檢視每一種儀器介面，而可以透過 AI 生成的多尺度、多模態 scientific projection 探索整個研究世界；但該 projection 不得取代 raw evidence，且必須能夠由任何高階結論逐層回溯到原始 measurement、instrument state、calibration、transformation、model version 與 observation policy。

本文進一步提出 **Reversible Scientific Projection、Evidence Ladder、Observation Provenance Graph、Active Observation Policy、Epistemic Layer Separation、Cross-Scale Scientific Field、Counterfactual Re-Observation、Scientific Drill-Down、Uncertainty Surface** 與 **Observation Budget** 等概念。其核心原則是：AI 可以決定「下一步看哪裡」，但不能把自己的重建或推論偷偷偽裝成「儀器本來就看到了什麼」。

2026 年 Nature Computational Science 的評論直接主張，自主科學的可信任基礎不是要求完全看懂模型內部，而是保存完整、可重新開啟、可稽核、可修正的 provenance；同年的 self-driving laboratory 綜述亦將 provenance-complete experimentation 列為該領域下一階段的三大核心要求之一。本文據此將 provenance 從研究結束後的附加紀錄提升為觀測系統本體的一部分。

**關鍵詞：** AI-native observation、scientific projection、provenance、smart microscopy、active acquisition、multimodal science、scientific visualization、adaptive measurement、autonomous science、epistemic traceability

---

# 1. 問題：科學家今天真正「看到」的是什麼？

在人類早期科學中，觀察經常近似：

$$
\text{phenomenon}
\rightarrow
\text{human senses}.
$$

例如：

- 直接觀察天體；
- 直接閱讀刻度；
- 肉眼看顯微鏡；
- 直接看化學反應；
- 聽聲音；
- 觸摸樣本。

但現代高階科研越來越常是：

$$
\boxed{
\text{phenomenon}
\rightarrow
\text{instrument}
\rightarrow
\text{digital signal}
\rightarrow
\text{processing}
\rightarrow
\text{representation}
\rightarrow
\text{human}.
}
$$

研究者看到的往往不是物理世界本身，而是：

- detector counts；
- reconstructed image；
- false-color map；
- filtered spectrum；
- segmented volume；
- phase map；
- model-derived field；
- statistical summary。

因此：

$$
\boxed{
\text{scientific observation has long been technologically mediated}.
}
$$

AI 並不是第一次介入「人與自然之間」。

真正新的地方是：

> AI 開始介入 acquisition、selection、reconstruction、interpretation 與下一步觀測決策本身。

---

# 2. 從被動儀器到主動式觀測

傳統數位儀器可以表示成：

$$
X
=
\mathcal{M}(W;\theta),
$$

其中：

$$
W
=
\text{world state},
$$

$$
\mathcal{M}
=
\text{measurement process},
$$

$$
\theta
=
\text{instrument settings},
$$

$$
X
=
\text{measurement}.
$$

研究者設定：

$$
\theta,
$$

取得：

$$
X.
$$

AI 原生觀測則讓：

$$
\theta_{t+1}
=
\pi(
X_{\le t},
H_t,
G_t
),
$$

其中：

$$
H_t
=
\text{current scientific hypothesis / model},
$$

$$
G_t
=
\text{scientific goal}.
$$

所以：

$$
\boxed{
\text{observation becomes a policy}.
}
$$

不是單次讀值。

---

# 3. Smart Microscopy 已經證明這條路徑開始存在

2026 年 npj Imaging 的 smart microscopy 綜述將 smart microscope 定義為：

$$
\boxed{
\text{real-time analysis}
+
\text{feedback control}
+
\text{automated actuation}.
}
$$

這類系統能根據樣品即時資訊調整 acquisition settings，在：

- resolution；
- speed；
- phototoxicity；
- sample health；

之間動態取捨 [1]。

這代表儀器不再只是：

$$
\text{record everything at fixed policy}.
$$

而是：

$$
\boxed{
\text{observe selectively according to what has already been observed}.
}
$$

這正是 AI-Native Observation 的第一個現實基礎。

---

# 4. 「Thinking Microscope」把推理推進儀器閉環

2026 年 npj Computational Materials 的評論提出「thinking microscopes」概念，討論 agentic AI 如何參與：

- experiment design；
- iterative closed-loop experimentation；
- real-time scientific discovery；

並使電子顯微鏡從 passive characterization tool 逐步成為能協助推理與重新設計實驗的系統 [2]。

這個轉變可以寫成：

$$
\text{Instrument}
:
\mathcal{M}
$$

轉成：

$$
\text{Instrument-Agent}
:
(\mathcal{M},\pi,H).
$$

即儀器系統同時具有：

- measurement operator；
- observation policy；
- scientific state。

這並不意味儀器「擁有真理」。

而是：

$$
\boxed{
\text{measurement selection becomes computationally intelligent}.
}
$$

---

# 5. Agentic X-ray Scientist 已開始直接操作大型科學儀器

2026 年 Nature Machine Intelligence 發表的 agentic X-ray scientist 展示 LLM-driven agent 在同步輻射 beamline 上自主進行 X-ray sample alignment，包括：

- planning actions；
- executing instrument commands；
- interpreting observations；
- iterating toward experimental goals [3]。

這件事的重要性不只在於：

> AI 會用儀器。

真正重要的是：

$$
\boxed{
\text{instrument action}
\leftrightarrow
\text{observation}
\leftrightarrow
\text{reasoning}
}
$$

開始形成閉環。

因此未來大型科研設施的 observation stack 必須記錄的不只是：

$$
X_t.
$$

還要記錄：

$$
\pi_t
$$

即：

> 為什麼這一次要量這裡？

---

# 6. 觀測選擇本身就是科學證據的一部分

假設 AI 在 $1000$ 個位置中選：

$$
x_{37}
$$

進行高解析度掃描。

最後發現重大異常。

若只保存：

$$
X(x_{37}),
$$

卻不知道：

> 為什麼沒有掃另外 $999$ 個位置？

那麼 selection bias 無法重建。

因此 observation event 應該寫成：

$$
E_t
=
(
S_t,
\Pi_t,
a_t,
X_t,
U_t
).
$$

其中：

$$
S_t
=
\text{pre-observation state},
$$

$$
\Pi_t
=
\text{observation policy},
$$

$$
a_t
=
\text{selected acquisition action},
$$

$$
X_t
=
\text{measurement},
$$

$$
U_t
=
\text{uncertainty}.
$$

所以：

$$
\boxed{
\text{what was not measured can matter epistemically}.
}
$$

---

# 7. AI 原生觀測的核心不是「AI 看圖」

如果只做：

$$
\text{image}
\rightarrow
\text{classifier},
$$

這仍然只是普通 AI analysis。

AI-Native Observation 至少包括：

$$
\boxed{
\text{Sensing}
+
\text{Calibration}
+
\text{Reconstruction}
+
\text{Fusion}
+
\text{Inference}
+
\text{Selection}
+
\text{Projection}
+
\text{Provenance}.
}
$$

任何一層缺失，都可能讓高階科學解釋難以追查。

---

# 8. AI-Native Observation Stack

本文提出八層觀測堆疊：

$$
\mathcal{O}
=
\{
O_0,O_1,\ldots,O_7
\}.
$$

---

## 8.1 $O_0$ — Physical World

真實世界狀態：

$$
W(t).
$$

這是科學想理解的對象。

但研究者通常無法直接完整取得：

$$
W.
$$

---

## 8.2 $O_1$ — Raw Sensor Signal

包括：

- detector counts；
- voltage；
- current；
- photon events；
- raw frames；
- waveform；
- timing pulse；
- force signal；
- unprocessed spectrum。

表示為：

$$
X_{\mathrm{raw}}.
$$

原則：

$$
\boxed{
X_{\mathrm{raw}}
\text{ should remain immutable whenever technically feasible}.
}
$$

---

## 8.3 $O_2$ — Calibration Layer

原始訊號需要：

$$
C.
$$

例如：

- dark correction；
- flat-field；
- detector gain；
- lens distortion；
- coordinate calibration；
- energy calibration；
- temporal calibration。

因此：

$$
X_C
=
f_C(
X_{\mathrm{raw}};
C
).
$$

---

## 8.4 $O_3$ — Reconstruction Layer

某些儀器無法直接形成研究者所理解的空間。

例如：

- CT；
- diffraction；
- tomography；
- phase retrieval；
- inverse problems。

因此：

$$
X_R
=
f_R(
X_C;
\theta_R
).
$$

注意：

$$
X_R
$$

不是 raw data。

它是：

$$
\boxed{
\text{model-mediated reconstruction}.
}
$$

---

## 8.5 $O_4$ — Multimodal Registration and Fusion

不同 instrument：

$$
X^{(1)},
X^{(2)},\ldots,X^{(n)}
$$

可能對應：

- optical；
- SEM；
- TEM；
- AFM；
- spectroscopy；
- thermal；
- magnetic；
- electrical；
- acoustic。

需要：

$$
\mathcal{R}_{ij}
$$

進行 coordinate / time alignment。

形成：

$$
X_F
=
\mathcal{F}
(
X^{(1)},\ldots,X^{(n)}
).
$$

---

## 8.6 $O_5$ — AI Interpretation Layer

AI 可以推論：

$$
H
=
f_{\mathrm{AI}}(X_F).
$$

例如：

- defect probability；
- phase classification；
- anomaly；
- causal candidate；
- next experiment value；
- semantic label。

這一層必須清楚標記：

$$
\boxed{
\text{inference}
\neq
\text{measurement}.
}
$$

---

## 8.7 $O_6$ — Scientific Projection Layer

將大量 scientific state 投影為人類可探索的表示：

$$
R_H
=
g(
X_F,
H,
U,
G_H
).
$$

其中：

$$
G_H
=
\text{human query / scientific task}.
$$

表示形式可能包括：

- 3D field；
- timeline；
- graph；
- interactive microscopy；
- anomaly overlay；
- uncertainty surface；
- causal map；
- hypothesis comparison。

---

## 8.8 $O_7$ — Human Scientific Interaction

人類可以：

- drill down；
- compare hypotheses；
- request raw data；
- change projection；
- ask counterfactual；
- request re-observation；
- override observation priority。

因此：

$$
\boxed{
\text{human is not removed from observation;
human interaction moves upward in abstraction}.
}
$$

---

# 9. Epistemic Layer Separation

本文提出：

$$
\boxed{
\text{Epistemic Layer Separation}
}
$$

即所有 science-facing information 必須標示它位於哪一層。

例如：

### Measurement

$$
M.
$$

### Reconstruction

$$
R.
$$

### Derived Quantity

$$
D.
$$

### AI Inference

$$
I.
$$

### Hypothesis

$$
H.
$$

### Human / AI Projection

$$
P.
$$

不得將：

$$
I
$$

偽裝為：

$$
M.
$$

這看似簡單，但在生成式 AI 介面中尤其重要。

---

# 10. 「AI 看到了」是一句危險的話

假設 AI 說：

> 我看到這裡有裂縫。

可能實際是：

$$
X_{\mathrm{raw}}
\rightarrow
\text{denoise}
\rightarrow
\text{super-resolution}
\rightarrow
\text{segmentation}
\rightarrow
\text{classifier}.
$$

其中任何一步都可能改變表示。

更精確的語言應該是：

> 在 model $M$ 、processing chain $P$ 下，此區域被判定為裂縫的 posterior probability 為 $0.93$。

因此系統應優先呈現：

$$
\boxed{
\text{measurement statement}
}
$$

與：

$$
\boxed{
\text{inference statement}
}
$$

的差異。

---

# 11. Reversible Scientific Projection

本文提出：

$$
\boxed{
\text{Reversible Scientific Projection}
}
$$

這裡的 reversible 並不是數學上的完全雙射。

它的意思是：

> 任何高階視覺化、AI 摘要或科學結論，都必須能沿 provenance path 回到支撐它的較低層資料。

例如：

$$
P_{\mathrm{human}}
\rightarrow
H_{\mathrm{AI}}
\rightarrow
X_F
\rightarrow
X_R
\rightarrow
X_C
\rightarrow
X_{\mathrm{raw}}.
$$

每個箭頭都保留：

- transformation；
- parameter；
- version；
- timestamp；
- uncertainty。

因此：

$$
\boxed{
\text{projection is compressive but traceable}.
}
$$

---

# 12. Evidence Ladder

本文提出：

$$
\boxed{
\text{Evidence Ladder}
}
$$

作為使用者介面與科研紀錄共同結構。

例如：

### Level 5

> 材料 A 出現新的局部相變候選。

### Level 4

AI hypothesis comparison。

### Level 3

multimodal fused field。

### Level 2

reconstructed microscopy / spectroscopy。

### Level 1

calibrated measurements。

### Level 0

raw detector data。

使用者可以：

$$
L_5
\rightarrow
L_4
\rightarrow
\cdots
\rightarrow
L_0.
$$

所以：

$$
\boxed{
\text{abstraction never destroys access to evidence}.
}
$$

---

# 13. Provenance 不是 Metadata 附件，而是觀測本身

2026 年 Nature Computational Science 的評論指出，自主科學可信任的核心不是必須完全看懂模型內部，而是完整、可重新開啟、可 audit、可 correction 的 provenance [4]。

同年的 SDL 綜述更將：

$$
\boxed{
\text{provenance-complete experimentation}
}
$$

列為未來 self-driving laboratory 與：

- scalability；
- generalizability；

並列的核心要求 [5]。

因此 ANCSI-08 採用更強命題：

$$
\boxed{
\text{an observation without provenance is an incomplete observation}.
}
$$

---

# 14. Observation Provenance Graph

本文提出：

$$
\boxed{
\mathcal{G}_O
=
(V_O,E_O)
}
$$

其中節點包括：

- instrument；
- raw file；
- calibration；
- reconstruction；
- transformation；
- AI model；
- inference；
- human projection；
- observation decision。

例如：

$$
X_0
\rightarrow
C_1
\rightarrow
R_2
\rightarrow
F_3
\rightarrow
I_4
\rightarrow
P_5.
$$

若某結論：

$$
H_j
$$

由多個來源支持：

$$
X_a,X_b,X_c,
$$

則：

$$
\mathcal{G}_O
$$

呈現多源關係。

這比單一 linear log 更接近真實科研推理。

---

# 15. Provenance Graph 也應記錄「誰要求量」

觀測 provenance 不只包含資料 processing。

還應記錄：

$$
Q_t
=
\text{observation request}.
$$

來源可能是：

$$
\{
\text{human},
\text{AI planner},
\text{anomaly detector},
\text{safety system}
\}.
$$

所以每次 measurement 都回答：

> 誰／什麼要求取得這筆資料？

這對自主科研尤其重要。

---

# 16. 主動觀測是一種有限資源配置

儀器時間有限：

$$
T_{\mathrm{instrument}}<\infty.
$$

beam time 有限：

$$
T_{\mathrm{beam}}<\infty.
$$

sample damage budget 有限：

$$
D_{\mathrm{sample}}<\infty.
$$

資料量也有限：

$$
B_{\mathrm{data}}<\infty.
$$

所以 AI 必須決定：

$$
a^\ast
=
\operatorname*{argmax}_a
V(a).
$$

這個：

$$
V(a)
$$

可以是：

- information gain；
- hypothesis discrimination；
- anomaly probability；
- scientific priority。

因此觀測本身就是 resource scheduling。

---

# 17. Observation Budget

本文提出：

$$
\boxed{
B_O
=
\text{Observation Budget}.
}
$$

它可以包含：

$$
B_O
=
(
T,
E,
D,
C,
R
).
$$

其中：

$$
T
=
\text{instrument time},
$$

$$
E
=
\text{energy},
$$

$$
D
=
\text{sample damage budget},
$$

$$
C
=
\text{compute / data cost},
$$

$$
R
=
\text{risk}.
$$

AI 不能無限地「多看一點」。

因為高解析 measurement 本身可能：

- damage sample；
- consume beam time；
- produce petabytes；
- block other experiments。

---

# 18. Active Observation Policy

對候選觀測 action：

$$
a_i,
$$

可計算：

$$
V(a_i)
=
\alpha I_{\mathrm{gain}}
+
\beta H_{\mathrm{discriminate}}
+
\gamma A_{\mathrm{novel}}
-
\lambda C_{\mathrm{obs}}.
$$

其中：

$$
I_{\mathrm{gain}}
=
\text{expected information gain},
$$

$$
H_{\mathrm{discriminate}}
=
\text{hypothesis discrimination value},
$$

$$
A_{\mathrm{novel}}
=
\text{novelty / anomaly value},
$$

$$
C_{\mathrm{obs}}
=
\text{observation cost}.
$$

然後：

$$
a^\ast
=
\operatorname*{argmax}_i V(a_i).
$$

這把：

> 看哪裡？

正式變成科學決策。

---

# 19. 觀測策略可能製造 Sampling Bias

如果 AI 只選：

$$
P(\text{interesting})\uparrow
$$

的區域觀察，資料分布會逐漸偏離自然母體。

因此：

$$
p_{\mathrm{observed}}(x)
\neq
p_{\mathrm{world}}(x).
$$

所以 active observation 必須保存：

$$
\pi(a|S).
$$

否則後續統計分析可能誤以為：

$$
X_{\mathrm{observed}}
$$

是隨機樣本。

這是 AI-native science 一個非常重要的 epistemic risk。

---

# 20. Exploration 與 Exploitation

AI 觀測策略也面臨：

$$
\boxed{
\text{exploration-exploitation tradeoff}.
}
$$

若只 exploitation：

$$
\text{known interesting region}
$$

會被重複觀察。

但未知區域可能永遠沒被看見。

若只 exploration：

儀器資源又可能被浪費。

因此：

$$
\pi^\ast
=
\pi(
I_{\mathrm{gain}},
U,
C,
G
).
$$

這與 active learning、Bayesian optimization 等方法具有直接連續性。

---

# 21. Negative Observation 也是證據

如果 AI 掃描某區域：

$$
X
=
\text{nothing unusual}.
$$

這仍然是：

$$
\boxed{
\text{scientific evidence}.
}
$$

尤其如果：

$$
H
$$

預測應該存在訊號。

因此 observation system 不應只保存：

> AI 找到了什麼。

還要保存：

$$
\boxed{
\text{where it looked and found nothing}.
}
$$

2026 年 thinking microscopes 相關評論也特別主張保存與發佈 negative experimental results 對 agentic scientific systems 的發展很重要 [2]。

---

# 22. Multi-Modal Scientific Fusion

假設同一 sample 同時有：

$$
X_O
=
\text{optical},
$$

$$
X_E
=
\text{electron microscopy},
$$

$$
X_A
=
\text{AFM},
$$

$$
X_S
=
\text{spectroscopy},
$$

$$
X_T
=
\text{thermal}.
$$

人類目前常透過不同軟體手動對照。

AI-native stack 可以先建立：

$$
\boxed{
\mathcal{C}_{\mathrm{shared}}
}
$$

即 shared coordinate / object space。

然後：

$$
X_i
\xrightarrow{\mathcal{R}_i}
\mathcal{C}_{\mathrm{shared}}.
$$

---

# 23. Fusion 不等於把圖疊在一起

真正 multimodal fusion 需要知道：

- spatial resolution；
- temporal resolution；
- field of view；
- coordinate uncertainty；
- instrument distortion；
- measurement semantics。

例如：

$$
1\ \mathrm{pixel}_{\mathrm{SEM}}
$$

不等於：

$$
1\ \mathrm{pixel}_{\mathrm{thermal}}.
$$

因此每一個 mapping：

$$
\mathcal{R}_i
$$

需要 uncertainty：

$$
U_{\mathcal{R}_i}.
$$

---

# 24. Common Scientific Coordinate Layer

本文提出：

$$
\boxed{
\mathcal{C}_{S}
=
\text{Common Scientific Coordinate Layer}.
}
$$

它可能同時包含：

$$
(x,y,z,t,\lambda,E,B,\ldots).
$$

不只是普通：

$$
(x,y,z).
$$

例如：

- spatial coordinate；
- time；
- wavelength；
- particle energy；
- magnetic field；
- sample state。

這讓 AI 能跨儀器問：

> 同一位置、同一時刻、不同 modality 發生了什麼？

---

# 25. Cross-Scale Scientific Field

Machine-native scientific facility 具有：

$$
O_{\mathrm{macro}},
$$

$$
O_{\mathrm{meso}},
$$

$$
O_{\mathrm{micro}}.
$$

因此可以建立：

$$
\boxed{
\Phi(
\mathbf{x},
t,
s
)
}
$$

其中：

$$
s
=
\text{scale}.
$$

例如：

- building vibration；
- instrument vibration；
- nanoscale defect。

AI 可以找：

$$
\text{macro event}
\rightarrow
\text{micro anomaly}
$$

的時間相關性。

---

# 26. 科研觀測與設施觀測可以合併，但必須保持語意區分

例如：

$$
X_{\mathrm{facility}}
=
\text{pump vibration}.
$$

與：

$$
X_{\mathrm{science}}
=
\text{sample diffraction}.
$$

兩者都可能進入同一時序資料平台。

但語意上：

$$
\boxed{
\text{facility telemetry}
\neq
\text{scientific measurement}.
}
$$

否則：

- maintenance signal；
- experiment evidence；

可能被混為一談。

所以 Evidence Bus 需要 typed data。

---

# 27. Typed Observation

每筆 observation：

$$
o_i
$$

具有：

$$
\mathrm{type}(o_i)
\in
\{
\text{scientific},
\text{calibration},
\text{facility},
\text{safety},
\text{derived},
\text{inference}
\}.
$$

這使 AI 不會把：

$$
\text{AI-estimated temperature}
$$

與：

$$
\text{thermometer reading}
$$

視為同一證據類型。

---

# 28. Instrument State 是 Measurement 的一部分

同一 raw signal：

$$
X
$$

在不同 instrument state：

$$
S_I
$$

可能代表不同意思。

因此 observation 應是：

$$
O
=
(
X,
S_I
).
$$

 $S_I$ 可以包括：

- lens setting；
- gain；
- detector temperature；
- beam current；
- stage position；
- calibration version；
- firmware；
- environmental state。

所以：

$$
\boxed{
\text{data without instrument state may be scientifically incomplete}.
}
$$

---

# 29. Calibration 應該可以被時間追蹤

Calibration：

$$
C(t)
$$

本身可能 drift。

因此 measurement：

$$
X(t_1)
$$

不能自動使用：

$$
C(t_2)
$$

如果：

$$
t_2\gg t_1.
$$

所以：

$$
\boxed{
\text{calibration is time-indexed evidence}.
}
$$

每筆資料應綁定：

$$
C_{\mathrm{id}}.
$$

---

# 30. Model Version 同樣是科學條件

AI inference：

$$
H
=
f_{M_v}(X).
$$

若模型：

$$
M_v
\rightarrow
M_{v+1},
$$

相同資料可能得到不同：

$$
H.
$$

所以 provenance 必須記錄：

$$
M_v.
$$

未來甚至可以重新計算：

$$
H_{v+1}
=
f_{M_{v+1}}(X_{\mathrm{old}}).
$$

比較：

$$
\Delta H
=
H_{v+1}-H_v.
$$

這是 AI-native science 的重要能力。

---

# 31. 科學結果可以被重新理解，而不需要重新做實驗

如果保存：

$$
X_{\mathrm{raw}}
$$

與完整 provenance，未來新模型出現時：

$$
M_{\mathrm{new}}
$$

可以重新分析：

$$
X_{\mathrm{old}}.
$$

所以：

$$
\boxed{
\text{raw scientific data becomes a long-lived epistemic asset}.
}
$$

若只保存 AI 摘要：

$$
P_{\mathrm{AI}},
$$

未來可能無法回復失去的信息。

---

# 32. Scientific Compression 必須可控制

資料量可能巨大：

$$
D_{\mathrm{raw}}
\gg
D_{\mathrm{storage}}.
$$

因此不可能永遠保存所有 bit。

需要：

$$
\boxed{
\text{scientific compression policy}.
}
$$

可以分：

### Tier 0

不可丟失 raw evidence。

### Tier 1

可無損壓縮。

### Tier 2

可降採樣，但保留統計性。

### Tier 3

只保留 derived product。

但任何 lossy operation：

$$
L
$$

必須明確標記：

$$
\boxed{
\text{lossy}=1.
}
$$

---

# 33. AI 不應偷偷做 Super-Resolution 後假裝是原圖

如果：

$$
X_{\mathrm{SR}}
=
f_{\mathrm{AI}}(
X_{\mathrm{raw}}
),
$$

則：

$$
X_{\mathrm{SR}}
$$

必須屬於：

$$
O_5
$$

或明確 derived layer。

不得標成：

$$
X_{\mathrm{raw}}.
$$

這是非常基本但未來會非常重要的科研資料原則。

---

# 34. Uncertainty Surface

任何 scientific projection 都應盡可能同時顯示：

$$
U(\mathbf{x},t).
$$

即：

$$
\boxed{
\text{Uncertainty Surface}.
}
$$

例如：

- measured confidence；
- registration uncertainty；
- reconstruction uncertainty；
- model uncertainty；
- missing-data uncertainty。

人類看到的不是只有：

> 這裡是紅色。

而是：

> 這裡的 phase-transition probability 高，但 registration uncertainty 也高。

這能避免 AI projection 過度確定化。

---

# 35. 不確定性也有來源

可分：

$$
U
=
\{
U_M,
U_C,
U_R,
U_A,
U_E
\}.
$$

其中：

$$
U_M
=
\text{measurement uncertainty},
$$

$$
U_C
=
\text{calibration uncertainty},
$$

$$
U_R
=
\text{reconstruction uncertainty},
$$

$$
U_A
=
\text{AI model uncertainty},
$$

$$
U_E
=
\text{epistemic uncertainty}.
$$

這些 uncertainty 不能全部壓成一個：

$$
0.87.
$$

---

# 36. Confidence Layer 不等於 Truth Layer

即使：

$$
P(H|X)=0.99,
$$

也只表示：

> 在此模型與假設下的 posterior。

不是：

$$
H=\text{true}.
$$

所以 projection UI 應把：

$$
\boxed{
\text{confidence}
}
$$

與：

$$
\boxed{
\text{evidence type}
}
$$

同時呈現。

---

# 37. Scientific Drill-Down

本文提出：

$$
\boxed{
\text{Scientific Drill-Down}.
}
$$

當人類看到：

> Zone X 發現 anomalous lattice feature。

可以一路點進：

1. anomaly summary；
2. competing interpretations；
3. fused multimodal view；
4. individual instrument result；
5. reconstruction parameters；
6. calibration；
7. raw frame；
8. observation-selection reason。

這使高層 AI 介面不犧牲底層可驗證性。

---

# 38. Drill-Down 也應該能跨時間

例如：

> 這個 defect 什麼時候第一次出現？

系統可以回放：

$$
t_0<t_1<\cdots<t_n.
$$

顯示：

$$
X(t),
$$

$$
H(t),
$$

$$
U(t).
$$

甚至指出：

> $t_3$ 時 raw signal 已經出現，但當時模型沒有標記。

這對發現模型 blind spot 很重要。

---

# 39. Counterfactual Re-Observation

本文提出：

$$
\boxed{
\text{Counterfactual Re-Observation}.
}
$$

當 AI 發現：

> 如果當時再量另一個 wavelength，可能可以區分兩個 hypothesis。

它可以計算：

$$
a_{\mathrm{missing}}.
$$

若 sample 仍存在：

$$
\text{re-observe}.
$$

若 sample 已消耗：

則記錄：

$$
\boxed{
\text{epistemic missing branch}.
}
$$

這讓研究設計能顯式表示：

> 我們本來還可以知道什麼，但沒有量到。

---

# 40. Observation Debt

類似 technical debt，可以定義：

$$
\boxed{
D_O
=
\text{Observation Debt}.
}
$$

當某結論：

$$
H
$$

高度依賴 inference，但缺少足夠 direct measurement 時：

$$
D_O\uparrow.
$$

未來系統可排程：

$$
\text{debt-reducing experiments}.
$$

例如：

> 目前材料分類 confidence 很高，但只有 optical + model inference，缺少 spectroscopy confirmation。

---

# 41. Scientific Projection 不應固定只有一種

同一 evidence：

$$
E
$$

可以產生不同：

$$
P_H^{(1)},
P_H^{(2)},
P_H^{(3)}.
$$

例如：

- spatial；
- temporal；
- causal；
- uncertainty；
- hypothesis-centric。

因此：

$$
\boxed{
\text{projection is task-dependent}.
}
$$

不是一個萬能 dashboard。

---

# 42. 人類問題可以重新編譯觀測世界

例如人類問：

> 哪裡最可能發生了 phase transition？

系統產生：

$$
P_1.
$$

再問：

> 不看 AI 結論，只給我原始 evidence 最強的區域。

產生：

$$
P_2.
$$

再問：

> 顯示兩個模型意見最不一致的地方。

產生：

$$
P_3.
$$

所以：

$$
\boxed{
\text{human query}
\rightarrow
\text{scientific projection}.
}
$$

---

# 43. AI Projection 可以是 3D，但不必追求擬真

科學投影的目的不是：

$$
\text{look realistic}.
$$

而是：

$$
\boxed{
\text{preserve scientifically relevant structure}.
}
$$

有時最好的 projection 可能是：

- graph；
- manifold；
- tensor field；
- phase space；
- topology；
- timeline。

所以「AI 投影」不等於 VR 世界。

它是一個 general scientific representation layer。

---

# 44. Human Perceptual Bandwidth 是瓶頸

假設 facility 每秒產生：

$$
10^{12}
$$

measurement values。

人類不可能直接閱讀。

因此需要：

$$
\boxed{
\text{attention compression}.
}
$$

AI 必須將：

$$
D_{\mathrm{machine}}
$$

壓成：

$$
D_{\mathrm{human}}
$$

但：

$$
D_{\mathrm{human}}
\ll
D_{\mathrm{machine}}.
$$

這個壓縮必然會丟資訊。

所以 provenance 與 drill-down 是必要補償機制。

---

# 45. Attention Routing

AI-native observation 可以管理：

$$
\boxed{
\text{human attention routing}.
}
$$

事件：

$$
e_i
$$

具有：

$$
V_i
=
f(
\text{novelty},
\text{risk},
\text{scientific value},
\text{uncertainty}
).
$$

只有：

$$
V_i>V_{\min}
$$

才主動打擾人類。

其餘結果：

- archive；
- batch summarize；
- keep for future query。

這避免研究者被 autonomous facility 的 continuous stream 淹沒。

---

# 46. 但 Attention Routing 可能成為認識論瓶頸

如果 AI 決定：

> 什麼值得給人看，

AI 也可能把真正重要但自己不理解的異常過濾掉。

因此需要：

$$
\boxed{
\text{anti-filter-bubble mechanisms}.
}
$$

例如：

- random sample review；
- novelty review；
- model-disagreement review；
- raw-stream audit；
- human-selected blind region。

這使人類仍能看到 AI 不認為重要的世界。

---

# 47. Serendipity Budget

本文提出：

$$
\boxed{
B_S
=
\text{Serendipity Budget}.
}
$$

保留一部分 instrument time：

$$
\epsilon T
$$

不完全依現有 hypothesis 最大化。

例如：

$$
\epsilon
\in
[0,1].
$$

用途：

- random exploration；
- unusual parameter；
- weakly motivated region；
- alternate representation。

這是對 AI exploitation bias 的保護。

---

# 48. 多 AI 觀測者

不同 AI 可以有不同：

$$
\pi_i.
$$

例如：

### AI-A

maximize information gain。

### AI-B

search anomaly。

### AI-C

challenge current hypothesis。

### AI-D

protect sample。

因此：

$$
\boxed{
\text{observation policy diversity}
}
$$

可能降低單一路徑盲點。

但多 AI 一致不等於事實，這與 ANCSI-06 相同。

---

# 49. Observer Diversity

除了多 AI，也可以使用不同：

- sensor modality；
- instrument；
- resolution；
- physical principle。

若：

$$
H
$$

同時被：

$$
X_{\mathrm{optical}},
X_{\mathrm{spectral}},
X_{\mathrm{structural}}
$$

支持，其證據結構不同於單一模型看三次同一張圖。

因此：

$$
\boxed{
\text{modality diversity}
>
\text{mere model multiplicity}
}
$$

在很多科研情況下更重要。

---

# 50. Cross-Instrument Contradiction 是高價值訊號

如果：

$$
H_{\mathrm{SEM}}
\neq
H_{\mathrm{AFM}},
$$

這不是一定要立刻融合成一個答案。

反而可能表示：

$$
\boxed{
\text{scientific contradiction}.
}
$$

系統應保留：

$$
\Delta H.
$$

再選下一個 discriminating experiment。

不要讓 fusion model 自動把矛盾抹平。

---

# 51. Contradiction Map

本文提出：

$$
\boxed{
C(\mathbf{x},t)
=
\text{Contradiction Map}.
}
$$

顯示：

- instruments disagree；
- models disagree；
- repeated measurements disagree；
- calibration states disagree。

這些地方可能比「大家都同意」的地方更具有研究價值。

---

# 52. 科學投影應支援「只看分歧」

人類可以問：

> 把所有模型高度一致的區域隱藏，只顯示分歧。

這時：

$$
P_H
=
g(
C(\mathbf{x},t)
).
$$

這是一種非常適合 AI-native research 的 interface。

---

# 53. Projection 不應隱藏 Missing Data

如果某區域沒有測量：

$$
X=\varnothing,
$$

AI 不應用 plausible completion 填滿後不標示。

必須顯示：

$$
\boxed{
\text{unobserved}.
}
$$

即使 AI 可以生成預測：

$$
\hat X,
$$

也要明確：

$$
\hat X\neq X.
$$

---

# 54. Missingness 本身可能不是隨機的

因為 AI 主動選觀測，missing pattern：

$$
M(\mathbf{x})
$$

依賴：

$$
\pi.
$$

所以：

$$
P(M|X)\neq P(M).
$$

分析時必須知道：

$$
\boxed{
\text{why data is missing}.
}
$$

這再次證明 observation policy 必須進 provenance。

---

# 55. 科研資料的時間同步

跨模態系統中：

$$
t_i
$$

非常重要。

如果：

$$
X_A(t)
$$

與：

$$
X_B(t+\Delta t)
$$

被錯認為同時，就可能推導錯誤因果。

所以需要：

$$
\boxed{
\text{Common Scientific Time Layer}.
}
$$

包含：

- hardware timestamp；
- clock sync；
- latency；
- uncertainty。

即：

$$
t
\pm
\delta t.
$$

---

# 56. Spatial Registration 也需要誤差

例如：

$$
\mathbf{x}_{SEM}
$$

轉換到：

$$
\mathbf{x}_{AFM}
$$

的 mapping：

$$
\mathbf{x}_{AFM}
=
R(
\mathbf{x}_{SEM}
)
$$

具有：

$$
\Sigma_R.
$$

所以 fused point 不是一個精確位置。

而是：

$$
\boxed{
\mathbf{x}\pm\Sigma.
}
$$

這類 uncertainty 必須在 AI projection 中保留。

---

# 57. Data Lineage 與 Scientific Lineage 不相同

Data lineage 問：

> 這個檔案從哪個檔案來？

Scientific lineage 問：

> 這個結論依賴哪些量測、哪些假設、哪些模型與哪些選擇？

因此本文提出：

$$
\boxed{
\text{Scientific Lineage}
}
$$

其 graph 同時包含：

- data；
- transformation；
- hypothesis；
- observation decision；
- experiment action。

---

# 58. Hypothesis Provenance

假設：

$$
H_3
$$

由：

$$
H_1,H_2,X_5
$$

產生。

應記錄：

$$
H_3
\leftarrow
\{
H_1,H_2,X_5
\}.
$$

如果後來：

$$
X_5
$$

被發現 calibration error：

$$
C_5=\text{invalid},
$$

則系統可找出：

$$
\boxed{
\text{all downstream claims depending on }X_5.
}
$$

這是 autonomous science 非常強大的 correction mechanism。

---

# 59. Provenance 可以讓科學「可修正」而不只是可審計

Nature Computational Science 2026 的評論強調 provenance 讓 autonomous scientific work 可以被 audit、re-open 並在錯誤時修正 [4]。

因此 provenance 不只是：

$$
\text{accountability}.
$$

它還是：

$$
\boxed{
\text{scientific error propagation control}.
}
$$

這點非常重要。

---

# 60. Invalidating an Upstream Node

若：

$$
v_i=\text{invalid},
$$

則 provenance graph 可以計算：

$$
D(v_i)
=
\text{descendants of }v_i.
$$

所有：

$$
v_j\in D(v_i)
$$

進入：

$$
\text{needs reevaluation}.
$$

這比人工找出「哪篇報告用了錯資料」強很多。

---

# 61. Scientific Rollback

本文提出：

$$
\boxed{
\text{Scientific Rollback}.
}
$$

若某 calibration version：

$$
C_7
$$

被撤銷，可以重新從：

$$
C_6
$$

或：

$$
C_8
$$

計算 downstream results。

但：

$$
\text{historical record}
$$

不被刪除。

所以 rollback 是：

$$
\text{new valid branch},
$$

不是改寫歷史。

---

# 62. Branching Scientific Interpretation

同一 raw evidence：

$$
X
$$

可以有：

$$
H_A,
H_B.
$$

系統不必強迫立即收斂。

可以保存：

$$
\boxed{
\text{interpretation branches}.
}
$$

每個 branch 有自己的：

- model；
- assumptions；
- evidence support；
- predictions。

然後主動找：

$$
a^\ast
$$

區分兩者。

---

# 63. AI-Native Observation 可以把「下一個最有價值實驗」直接連到證據圖

若兩個 hypothesis：

$$
H_A,H_B
$$

對 action $a$ 預測：

$$
p(X|H_A,a)
$$

與：

$$
p(X|H_B,a)
$$

差異很大，

則：

$$
a
$$

具有高 discriminative value。

所以：

$$
\boxed{
\text{provenance graph}
\rightarrow
\text{active experiment design}.
}
$$

觀測與推理真正形成閉環。

---

# 64. 但 AI 不應只優化自己最容易判斷的實驗

如果模型對某 modality：

$$
M_1
$$

特別強，可能偏向一直選：

$$
M_1.
$$

但真相可能需要：

$$
M_2.
$$

因此 objective 應加入：

$$
\boxed{
\text{modality coverage}.
}
$$

避免：

$$
\text{model convenience}
$$

被誤當：

$$
\boxed{
\text{scientific value}.
}
$$

---

# 65. Human Challenge Mode

人類應可啟動：

$$
\boxed{
\text{Challenge Mode}.
}
$$

例如：

> 假設 AI 的主要 hypothesis 是錯的，重新選一組最有價值的 measurement。

或者：

> 禁止使用目前 classification model，重新分析 raw evidence。

這讓 human skepticism 成為正式工具。

---

# 66. AI Challenge Mode

反過來 AI 也可以：

> 目前人類研究者偏好 hypothesis A，但 evidence 對 B 仍有支持。

並建議：

$$
a_{\mathrm{challenge}}.
$$

所以：

$$
\boxed{
\text{human-AI science}
}
$$

不應只有 AI 服從人類既定 interpretation。

而是共同接受 evidence 約束。

---

# 67. Observation Interface 不應只有答案

好的介面至少同時呈現：

$$
\{
\text{claim},
\text{evidence},
\text{uncertainty},
\text{alternatives},
\text{missing evidence}
\}.
$$

例如：

```text
Candidate transition detected

Support:
  STEM: strong
  spectroscopy: moderate
  thermal: weak

Uncertainty:
  registration ± 14 nm

Competing explanation:
  local contamination

Best next measurement:
  repeat spectroscopy at region B
```

這比：

> AI says transition detected.

有科學價值得多。

---

# 68. Scientific Projection 是研究工作空間，不是報告生成器

AI-native projection 應讓人：

- move；
- compare；
- branch；
- zoom；
- rewind；
- request evidence；
- launch re-observation。

所以：

$$
\boxed{
\text{projection}
=
\text{interactive epistemic workspace}.
}
$$

不是靜態 summary PDF。

---

# 69. 人類不再需要知道每台儀器軟體怎麼操作

若：

$$
I_1,I_2,\ldots,I_n
$$

都有不同 proprietary UI，

AI 可以提供：

$$
\boxed{
\text{Scientific Intent Interface}.
}
$$

人類說：

> 把這個 defect 和之前三批材料的譜線變化對齊。

系統自己：

1. 找資料；
2. 取 coordinate；
3. 選 transformation；
4. 建 projection；
5. 標 provenance。

這會把人的負擔從：

$$
\text{software manipulation}
$$

轉向：

$$
\text{scientific question}.
$$

---

# 70. 但儀器原生介面仍需保留

若高階 AI interface 故障：

$$
I_{\mathrm{AI}}=0,
$$

專家仍需能進：

$$
\boxed{
\text{instrument-native mode}.
}
$$

用於：

- calibration；
- debugging；
- certification；
- model validation。

所以 AI interface 是：

$$
\text{higher abstraction},
$$

不是刪除低層接口。

---

# 71. 人類對 raw data 的權利不應被 AI 層封鎖

本文提出一條科研治理原則：

$$
\boxed{
\text{authorized human investigators retain drill-down access to raw evidence}.
}
$$

可能受：

- privacy；
- safety；
- national-security；
- proprietary；

限制。

但限制來源應清楚標示。

不能只是：

> AI 系統不提供。

---

# 72. 科研投影也可以服務機器，而不只人

Robot 可以使用：

$$
R_M
=
\text{machine projection}.
$$

例如：

- collision field；
- thermal hazard；
- manipulation affordance；
- sample map。

所以同一 evidence graph 可以產生：

$$
P_H
$$

給人，

與：

$$
P_M
$$

給機器。

這是：

$$
\boxed{
\text{multi-audience scientific representation}.
}
$$

---

# 73. 同一真實世界可以有不同 Interface Projection，但不能有不同 Evidence History

可以：

$$
P_H\neq P_M.
$$

但：

$$
E_{\mathrm{history}}
$$

應共享。

因此：

$$
\boxed{
\text{representation may differ;
provenance must converge}.
}
$$

---

# 74. Safety Observation 與 Scientific Observation 必須互相可見但不可混淆

例如：

$$
O_2
$$

偵測 sample anomaly，

同時 safety system 偵測：

$$
T>T_{\max}.
$$

Scientific AI 可能想繼續量：

$$
\Delta t=5s.
$$

Safety layer 仍可以：

$$
\boxed{
\text{abort}.
}
$$

所以 ANCSI-06 的 authority architecture 對 observation 仍然成立。

---

# 75. Scientific Importance 不能覆寫 Safety

即使：

$$
I_{\mathrm{gain}}\rightarrow\infty,
$$

若：

$$
a\notin
\mathcal{A}_{\mathrm{safe}},
$$

則：

$$
a
$$

不可執行。

因此：

$$
\boxed{
\text{epistemic value}
\not>
\text{hard safety constraints}.
}
$$

---

# 76. Observation Latency 也是系統參數

對快速現象：

$$
\tau_{\mathrm{phenomenon}}
$$

如果：

$$
\tau_{\mathrm{analysis}}
>
\tau_{\mathrm{phenomenon}},
$$

AI closed loop 沒有意義。

所以 smart observation 需要：

$$
\boxed{
\text{edge analysis}.
}
$$

把部分 AI 推理靠近 instrument。

這也是 ANCSI 中 local AI 的另一種形式。

---

# 77. Hierarchical Observation Compute

可以分：

$$
L_0
=
\text{instrument FPGA / real-time control},
$$

$$
L_1
=
\text{edge inference},
$$

$$
L_2
=
\text{site AI},
$$

$$
L_3
=
\text{cloud scientific reasoning}.
$$

快速 decision：

$$
\tau\downarrow
$$

越靠近：

$$
L_0,L_1.
$$

複雜 scientific synthesis：

$$
\tau\uparrow
$$

可以在：

$$
L_2,L_3.
$$

這與 ANCSI-06 的時間尺度—權限對齊完全一致。

---

# 78. Observation Compute 本身也可能影響實驗

如果 real-time AI 需要：

$$
P_{\mathrm{AI}}
$$

大量算力，

可能產生：

- heat；
- latency；
- network congestion。

因此觀測 architecture 也需要：

$$
\boxed{
\text{compute-aware sensing}.
}
$$

不是把所有 raw data 無條件送雲端。

---

# 79. Edge Filtering 也可能丟失科學資訊

如果 instrument edge AI 在資料離開儀器前就決定：

$$
X_{\mathrm{discard}},
$$

之後可能永遠無法恢復。

所以 edge filtering policy：

$$
F_e
$$

本身需要 provenance。

尤其：

$$
\boxed{
\text{discard decision}
}
$$

是重要科學事件。

---

# 80. Deferred Raw Retention

可以採：

$$
\boxed{
\text{temporary raw buffer}.
}
$$

例如 raw data 先保留：

$$
\tau_B.
$$

AI 初步分析後，如果發現：

$$
V_{\mathrm{scientific}}\uparrow,
$$

延長保存。

若無價值，再根據 policy 壓縮／刪除。

這比 acquisition 當下立即丟失更安全。

---

# 81. Data Temperature

資料本身也可以有：

$$
\boxed{
\text{retention temperature}.
}
$$

不是物理溫度。

而是：

### Hot Data

剛取得、可能需要重新分析。

### Warm Data

已初步驗證。

### Cold Archive

長期保存。

### Derived-Only

raw 依 policy 已無法保留。

這是一個 storage-tier abstraction。

---

# 82. Scientific Evidence Priority

對資料 $d_i$：

$$
P_i
=
f(
\text{irreproducibility},
\text{cost},
\text{novelty},
\text{uniqueness},
\text{downstream dependency}
).
$$

例如一次性 rare event：

$$
P_i\uparrow.
$$

容易重做的 routine calibration：

$$
P_i\downarrow.
$$

所以 storage policy 應基於 scientific value，而不只檔案大小。

---

# 83. Irreproducible Events 應最高優先保存

如果：

$$
P(\text{repeat event})\approx0,
$$

則：

$$
\boxed{
\text{raw retention priority}\uparrow.
}
$$

例如：

- destructive experiment；
- astronomical transient；
- rare failure；
- unique material event。

AI-native system 應能即時辨識此類事件並升級 storage policy。

---

# 84. 科學觀測也應能被 Audit

Audit 問題包括：

- AI 為什麼選這個 region？
- 哪些資料被 discard？
- 哪一版 calibration？
- 哪一版 model？
- 哪一個 reconstruction？
- 哪些 uncertainty 被忽略？
- 人類修改了什麼？

因此：

$$
\boxed{
\text{observation itself is auditable computation}.
}
$$

---

# 85. Reproducibility 與 Repeatability

AI-native science 要區分：

$$
\text{repeatability}
$$

與：

$$
\text{reproducibility}.
$$

Repeatability：

> 同一 setup 重跑是否得到相似結果？

Reproducibility：

> 另一系統使用完整方法與資料是否能重新得到主要結論？

Observation provenance 同時支援兩者。

---

# 86. Observation Replay

如果所有 actuator、instrument settings 與 measurement 都被保存，可以建立：

$$
\boxed{
\text{Observation Replay}.
}
$$

對 digital twin 或 simulation：

$$
S_0
\rightarrow
a_1
\rightarrow
X_1
\rightarrow
a_2
\rightarrow
X_2
\rightarrow\cdots.
$$

這能檢查：

> AI 當時的決策是否合理？

但 replay simulation 仍不能取代真實 repeat experiment。

---

# 87. 科學投影也需要版本控制

若：

$$
P^{(1)}
$$

與：

$$
P^{(2)}
$$

使用不同 model / transform，

系統應保存：

$$
\Delta P.
$$

人類可以問：

> 為什麼新版 projection 不再顯示那個 anomaly？

系統回：

- model changed；
- calibration corrected；
- registration shifted；
- threshold changed。

這就是：

$$
\boxed{
\text{versioned epistemic interface}.
}
$$

---

# 88. AI 生成文字也只是 Projection Layer

LLM 摘要：

> 本次實驗顯示 A 優於 B。

這只是：

$$
P_{\mathrm{text}}.
$$

不能自動提升為：

$$
\text{scientific fact}.
$$

它必須連：

$$
P_{\mathrm{text}}
\rightarrow
H
\rightarrow
E.
$$

所以在 ANCSI 中，文字生成和 3D 投影一樣，都只是 scientific projection。

---

# 89. 科研對話應該能引用 Evidence Node

未來人類可以問 AI：

> 為什麼你認為這裡有 phase transition？

AI 回答不只文字。

而提供：

$$
\{v_{17},v_{21},v_{43}\}
$$

即 provenance graph 的 evidence nodes。

這是：

$$
\boxed{
\text{evidence-addressable scientific conversation}.
}
$$

---

# 90. Citation 不應只指向論文，也應指向實驗內部證據

未來 autonomous facility 的 citation 可以同時包含：

- literature citation；
- experiment ID；
- sample ID；
- raw data node；
- calibration node；
- model node；
- observation event。

因此：

$$
\boxed{
\text{scientific citation expands into executable provenance}.
}
$$

---

# 91. 可證偽命題

## H1 — Reversible Projection Hypothesis

如果 AI scientific projection 保留完整 drill-down path：

$$
P
\rightarrow
E,
$$

則人類研究者可以在較低 cognitive load 下取得高層理解，而不顯著降低 auditability。

---

## H2 — Active Observation Hypothesis

對 instrument-time constrained experiment，AI active observation：

$$
\pi_{\mathrm{active}}
$$

可在相同 observation budget 下取得高於固定 scanning policy 的：

$$
I_{\mathrm{gain}}.
$$

---

## H3 — Observation-Provenance Hypothesis

將 observation policy、instrument state、calibration 與 model version 納入 provenance，可降低 autonomous experimentation 中不可重建的 scientific claim 比例。

---

## H4 — Multimodal Projection Hypothesis

對需要多種儀器共同判斷的科研問題：

$$
\text{registered multimodal projection}
$$

可降低 human analysis time，同時保持 evidence traceability。

---

## H5 — Uncertainty-Surface Hypothesis

在人機科研判斷中，顯式顯示：

$$
U(\mathbf{x},t)
$$

可降低對 AI inference 的過度確信。

---

## H6 — Contradiction-Preservation Hypothesis

保留 cross-model / cross-instrument contradiction，而不是強制融合為單一答案，可增加後續 discriminating experiment 的 scientific value。

---

## H7 — Serendipity-Budget Hypothesis

對高度 exploitation-oriented active-observation system，保留：

$$
\epsilon>0
$$

的 exploration / serendipity budget，可降低長期 blind spot。

---

## H8 — Scientific Drill-Down Hypothesis

如果 high-level AI claim 可在有限步驟內回到：

$$
X_{\mathrm{raw}},
$$

研究者對 autonomous result 的 correction capability 高於只有 summary output 的系統。

---

# 92. 反例與失敗條件

## 92.1 Raw Data 無法實際保存

若：

$$
D_{\mathrm{raw}}
$$

遠超 storage capability，完整 reversible projection 可能無法成立。

此時必須明確定義 retention policy。

---

## 92.2 Reconstruction 不唯一

若 inverse problem 存在：

$$
X_R^{(1)}
\neq
X_R^{(2)}
$$

但兩者都符合 raw signal，

projection 必須保留多解。

---

## 92.3 Multimodal Registration 誤差過大

如果：

$$
U_R
$$

大到超過科學特徵尺度，fusion 沒有意義。

---

## 92.4 AI Observation Policy 過度偏置

如果：

$$
\pi
$$

長期只看自己容易判斷的區域，scientific discovery 可能變窄。

---

## 92.5 Human Interface 過度壓縮

如果 projection 丟失：

$$
\text{critical anomaly},
$$

則高層介面反而危險。

---

## 92.6 Model Confidence 未校準

若：

$$
p_{\mathrm{AI}}
$$

沒有 calibration，uncertainty surface 可能製造假精確。

---

## 92.7 Provenance 成本過高

如果每個事件保存所有 state：

$$
C_{\mathrm{provenance}}
$$

可能不可接受。

需要分層與壓縮。

---

# 93. 第一代原型：單儀器 Reversible Stack

先不要做 multi-instrument。

建立：

$$
\text{Microscope}
\rightarrow
\text{Raw}
\rightarrow
\text{Calibration}
\rightarrow
\text{Reconstruction}
\rightarrow
\text{AI}
\rightarrow
\text{Projection}.
$$

要求每個 high-level label：

$$
L_i
$$

都能回到：

$$
X_{\mathrm{raw}}.
$$

測量：

$$
\tau_{\mathrm{drill-down}},
$$

$$
C_{\mathrm{storage}},
$$

$$
R_{\mathrm{reconstruction}}.
$$

---

# 94. 第二代：Active Observation

加入：

$$
\pi_{\mathrm{active}}.
$$

比較：

### Baseline

fixed scan。

### AI Policy

adaptive scan。

控制：

$$
B_O
$$

相同。

比較：

$$
I_{\mathrm{gain}},
$$

$$
D_{\mathrm{sample}},
$$

$$
T_{\mathrm{instrument}}.
$$

---

# 95. 第三代：Multi-Modal Fusion

加入：

$$
I_1,I_2,I_3.
$$

建立：

$$
\mathcal{C}_S.
$$

要求：

- coordinate uncertainty；
- time uncertainty；
- calibration lineage。

測試：

$$
\text{human scientific task time}
$$

是否下降。

---

# 96. 第四代：Multi-AI Observation

建立：

$$
\pi_A,\pi_B,\pi_C.
$$

分別：

- exploit；
- challenge；
- novelty search。

觀察：

$$
\text{coverage},
$$

$$
\text{contradiction},
$$

$$
\text{novel discovery}.
$$

---

# 97. 第五代：Facility-Scale Observation

把：

$$
O_{\mathrm{facility}}
$$

與：

$$
O_{\mathrm{science}}
$$

接到共同時間層。

測試：

> 能否找到 environmental state 與 scientific anomaly 的跨尺度關係？

這才真正接回：

$$
\boxed{
\text{Machine-Native Scientific Habitat}.
}
$$

---

# 98. 評估指標

## 98.1 Provenance Completeness

$$
P_C
=
\frac{N_{\mathrm{claims\ with\ complete\ evidence\ path}}}
{N_{\mathrm{claims}}}.
$$

---

## 98.2 Raw Recoverability

$$
R_R
=
\frac{N_{\mathrm{high-level\ results\ drillable\ to\ raw}}}
{N_{\mathrm{high-level\ results}}}.
$$

---

## 98.3 Observation Efficiency

$$
\eta_O
=
\frac{I_{\mathrm{gain}}}
{B_O}.
$$

---

## 98.4 Scientific Compression Ratio

$$
C_S
=
\frac{D_{\mathrm{raw}}}
{D_{\mathrm{human-facing}}}.
$$

但：

$$
C_S
$$

越高不一定越好。

---

## 98.5 Contradiction Retention

$$
R_C
=
\frac{N_{\mathrm{meaningful\ contradictions\ preserved}}}
{N_{\mathrm{detected\ contradictions}}}.
$$

---

## 98.6 Missingness Transparency

$$
M_T
=
\frac{N_{\mathrm{unobserved\ regions\ explicitly\ marked}}}
{N_{\mathrm{unobserved\ regions}}}.
$$

---

## 98.7 Model-Dependency Traceability

$$
T_M
=
\frac{N_{\mathrm{claims\ linked\ to\ exact\ model\ version}}}
{N_{\mathrm{AI\ claims}}}.
$$

---

## 98.8 Human Scientific Task Time

$$
\tau_H
=
\text{time to complete a defined scientific judgment}.
$$

比較：

$$
\tau_{H,\mathrm{traditional}}
$$

與：

$$
\tau_{H,\mathrm{AI-native}}.
$$

---

## 98.9 Correction Time

若 upstream evidence 被 invalidated：

$$
\tau_C
=
\text{time to identify affected downstream claims}.
$$

---

## 98.10 Observation Bias

比較：

$$
p_{\mathrm{observed}}(x)
$$

與目標母體：

$$
p_{\mathrm{target}}(x).
$$

---

# 99. Safety and Epistemic Principles

## Principle 1 — Raw Is Not Derived

$$
X_{\mathrm{raw}}
\neq
X_{\mathrm{derived}}.
$$

---

## Principle 2 — Inference Is Not Measurement

$$
I
\neq
M.
$$

---

## Principle 3 — Projection Must Be Traceable

$$
P
\rightarrow
E.
$$

---

## Principle 4 — Selection Is Part of Provenance

$$
\pi
$$

必須保存。

---

## Principle 5 — Missing Data Must Remain Visible

$$
\hat X
\neq
X.
$$

---

## Principle 6 — Uncertainty Travels With Data

每一次 transformation：

$$
X_i
\rightarrow
X_{i+1}
$$

也應更新：

$$
U_i
\rightarrow
U_{i+1}.
$$

---

## Principle 7 — Contradiction Is Evidence

不要強迫：

$$
H_A=H_B.
$$

---

## Principle 8 — Human Abstraction Must Preserve Drill-Down

壓縮不能變成：

$$
\text{epistemic lock-in}.
$$

---

## Principle 9 — Active Observation Needs Exploration

$$
\epsilon>0.
$$

---

## Principle 10 — Safety Can Terminate Observation

$$
I_{\mathrm{gain}}
$$

不能覆寫：

$$
\mathcal{A}_{\mathrm{safe}}.
$$

---

# 100. 與 ANCSI-07 的關係

ANCSI-07 問：

> 如果人不在實驗室裡，物理科研怎麼運作？

ANCSI-08 回答：

> 人可以透過 AI-native observation stack 持續理解、審核與探索那個物理科研世界。

因此：

$$
\boxed{
\text{physical absence}
\neq
\text{epistemic absence}.
}
$$

人類可以不站在 microscope 旁。

但仍能：

- 看；
- 問；
- 質疑；
- drill down；
- 要求 re-observation；
- 改變 scientific goal。

---

# 101. 與 ANCSI-09 的銜接

前八篇現在已經建立：

$$
\text{physical habitat},
$$

$$
\text{thermal field},
$$

$$
\text{compute-thermal coupling},
$$

$$
\text{pipe field},
$$

$$
\text{energy cascade},
$$

$$
\text{distributed governance},
$$

$$
\text{machine-native scientific zone},
$$

$$
\text{AI-native observation}.
$$

因此最後 ANCSI-09 可以正式提出：

$$
\boxed{
\text{Autonomous Scientific Habitat Conjecture}.
}
$$

並統合：

- architectural proposition；
- necessary conditions；
- falsification conditions；
- staged research program；
- competing architectures；
- boundary of claim。

---

# 102. 結論

本文提出 ANCSI 的第八個核心命題：

$$
\boxed{
\text{未來科學觀測的主要人類介面，不一定是儀器本身，而可能是 AI 生成、但可逆且可追溯的科學投影。}
}
$$

這個命題不是說：

> AI 看完，人類相信摘要就好。

恰恰相反。

AI 原生觀測若要比今天的儀器介面更可信，必須比今天保留更多：

$$
\boxed{
\text{provenance}.
}
$$

完整鏈條應是：

$$
\boxed{
\begin{aligned}
&\text{Physical World}\\
&\downarrow\\
&\text{Raw Measurement}\\
&\downarrow\\
&\text{Calibration}\\
&\downarrow\\
&\text{Reconstruction}\\
&\downarrow\\
&\text{Multimodal Registration}\\
&\downarrow\\
&\text{AI Inference}\\
&\downarrow\\
&\text{Scientific Projection}\\
&\downarrow\\
&\text{Human / AI Scientific Interaction}
\end{aligned}
}
$$

而且所有箭頭都必須留下：

- transformation；
- parameters；
- model；
- uncertainty；
- time；
- actor；
- selection policy。

2026 年 smart microscopy 已經把 real-time analysis、feedback control 與 automated actuation 結合為新的 microscope paradigm [1]。

同年的 thinking microscopes 討論 agentic AI 如何讓電子顯微鏡進入 iterative experimental reasoning [2]。

agentic X-ray scientist 則已經實際展示 LLM agent 在同步輻射 beamline 上規劃、執行、解讀並迭代 instrument actions [3]。

同時，自主科學的 provenance 論述已明確指出：

> 科學可信任不應只寄託於模型內部可解釋性，而需要完整、可重新開啟與可修正的 evidence record [4]。

因此 AI-native observation 真正值得追求的並不是：

$$
\text{AI replaces human seeing}.
$$

而是：

$$
\boxed{
\text{AI expands the observable scientific world while preserving the path back to evidence}.
}
$$

如果這個命題成立，未來研究員面對的就不再是：

> 顯微鏡 A 的 UI、光譜儀 B 的 UI、AFM C 的 UI、資料夾 D、Python notebook E。

而會逐漸變成：

> 一個可以沿不同尺度、不同 modality、不同 hypothesis 與不同時間自由探索的 scientific world interface。

人類可以問：

> 哪裡最奇怪？

> 哪些模型彼此不同意？

> 哪一個結論最依賴 AI inference？

> 哪些區域其實從沒量過？

> 回到 raw frame。

> 用另一個 calibration 重算。

> 如果 hypothesis B 才是真的，下一個最有價值的觀測是什麼？

而 AI 不只是回答。

它還能在授權範圍內：

$$
\boxed{
\text{go and look again}.
}
$$

這才是本文所稱：

$$
\boxed{
\textbf{AI-Native Observation}.
}
$$

---

# 參考文獻

[1] Rates, A., Passmore, J. B., Norlin, N., et al. (2026). *Smart microscopy: adaptive microscope control to improve the way we see life*. npj Imaging, 4, 14.  
https://doi.org/10.1038/s44303-026-00145-y

[2] Jamali, V., Aghazadeh, A., & Kacher, J. (2026). *Thinking microscopes: agentic AI and the future of electron microscopy*. npj Computational Materials, 12, 149.  
https://doi.org/10.1038/s41524-026-02077-y

[3] Chen, Z., Petsch, A. N., Israelski, A. J., et al. (2026). *An agentic artificially intelligent X-ray scientist*. Nature Machine Intelligence, 8, 1075–1086.  
https://doi.org/10.1038/s42256-026-01261-5

[4] MacKnight, R., Novitskiy, I. M., Radadiya, R., et al. (2026). *Provenance grounds trust in autonomous science*. Nature Computational Science, 6, 804–807.  
https://doi.org/10.1038/s43588-026-01035-4

[5] Canty, R. B., & Abolhasani, M. (2026). *The past, present and future of self-driving laboratories*. Nature Reviews Chemistry, 10, 523–537.  
https://doi.org/10.1038/s41570-026-00847-2

[6] Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., et al. (2016). *The FAIR Guiding Principles for scientific data management and stewardship*. Scientific Data, 3, 160018.  
https://doi.org/10.1038/sdata.2016.18

[7] National Institute of Standards and Technology. *Data Integrity and Provenance-related resources*.  
https://www.nist.gov/

[8] Oak Ridge National Laboratory. (2026). *Autonomous Science*.  
https://www.ornl.gov/autonomousscience

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

[10] Moran, C. H. J., Xu, J., & Abolhasani, M. (2026). *The rise of robotics in self-driving labs*. npj Robotics, 4, 29.  
https://doi.org/10.1038/s44182-026-00094-z

[11] Kusne, A. G., & McDannald, A. (2026). *Managing autonomous materials labs with multi-agent AI and its implications for the science of science*. Communications Materials, 7, 173.  
https://doi.org/10.1038/s43246-026-01219-5

[12] Nature Computational Science. (2026). *Responsible and transparent use of AI in scientific publishing*. Editorial, 20 August 2026.  
https://www.nature.com/natcomputsci

---

## 文件狀態

本文為 ANCSI 系列第八篇公開命題稿 v0.1。

本文所有數學原始碼僅使用 ` $...$ ` 與 `$$...$$` 作為 canonical delimiter。本文不依賴作者其他私人理論；AI-Native Observation Stack、Reversible Scientific Projection、Evidence Ladder、Observation Provenance Graph、Observation Budget、Serendipity Budget、Contradiction Map、Observation Debt、Scientific Rollback 與 Evidence-Addressable Scientific Conversation 均屬由現有 smart microscopy、agentic scientific instruments、self-driving laboratories、scientific provenance 與 multimodal data systems 向前推導之待驗證工程命題。

本文不主張 AI interpretation 等同原始科學觀測；相反，本文將 measurement、reconstruction、derived quantity、AI inference、hypothesis 與 human-facing projection 嚴格區分，並將可回溯至原始 evidence 視為 AI-native scientific observation 的基本要求。