# 機器原生科研產區 ## 從人類可進入實驗室走向以 AI、機器人與自動儀器為主要常駐使用者的科研空間 **English Title:** *Machine-Native Scientific Production Zones: From Human-Accessible Laboratories to AI- and Robot-First Research Environments* **Series:** ANCSI — AI-Native Computational and Scientific Infrastructure **Paper:** ANCSI-07 **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 傳統實驗室與大型科學設施即使高度自動化，其空間、儀器接口、維修方式、環境條件與工作流程仍多半保留一個核心假設：人類研究者、工程師或技術員需要能夠直接進入、靠近、觀察、操作或維修設備。然而，self-driving laboratories、自主科學代理、機器視覺、機器人維護、遠端操作、智慧顯微鏡與 AI 驅動科學儀器正在逐步改變此假設。 本文提出 ANCSI 的第七個核心命題：未來部分高自動化科研與計算設施可以被設計成 **Machine-Native Scientific Production Zones（機器原生科研產區）**，其中 AI、機器人、自動儀器與遠端數位介面是主要常駐使用者；人類依然保有研究目標、治理、審核、異常處理、維修授權與必要物理介入權，但「人類日常可進入性」不再是所有區域的第一設計限制。 本文提出五級空間分類：Human Zone、Human-Serviceable Zone、Machine-Native Zone、Restricted Research Zone 與 No-Routine-Human-Entry Zone。本文同時強調：Machine-Native 並不等於 Human-Forbidden；其成立條件是取消人類常態進入約束能帶來可量化的安全、環境控制、設備密度、實驗穩定性、精度、throughput 或能源優勢，而且設施必須具有 robotic maintainability、remote observability、safe-state conversion、human-entry recovery、完整 provenance 與失效隔離能力。 本文不主張人形機器人是通用解。相反，提出 **Embodiment Follows Task** 原則：科研機器載體應依空間幾何、環境、精度、負載、感測與維修任務設計，可包含固定式手臂、軌道機器人、crawler、micro-manipulator、drone、vacuum robot、cryogenic robot、telemanipulator 與專用樣品運輸系統。CERN 在輻射與 hostile environment 中的 remote handling、ORNL 的 self-driving laboratory ecosystem，以及 2026 年 autonomous microscopy 與 agentic scientific instrument 研究，已提供部分現實基礎。 本文將機器原生科研產區視為可證偽的工程命題，而不是科技必然論。若 robotic maintenance、AI observation、automation integration 與 human-safe recovery 的總成本高於傳統 human-accessible laboratory，則相關區域應保留人類中心設計。 **關鍵詞：** machine-native laboratory、autonomous science、self-driving laboratory、remote handling、scientific robotics、restricted research zone、no-routine-human-entry、robotic maintenance、AI-native infrastructure、human-safe recovery --- # 1. 問題：為什麼實驗室一定要適合人類長時間待在裡面？ 傳統實驗室的空間設計通常隱含： $$ \mathcal{H}_{\mathrm{human}} = \{ \text{human-scale geometry}, \text{walkable access}, \text{breathable atmosphere}, \text{human-visible interface}, \text{manual serviceability}, \text{human-compatible ambient conditions} \}. $$ 這些條件並不是錯誤。 在今日大多數科研環境中，它們仍然必要。 但如果某區域的實際日常操作鏈逐漸變成： $$ \text{AI} \rightarrow \text{robot} \rightarrow \text{instrument} \rightarrow \text{sample} \rightarrow \text{sensor} \rightarrow \text{AI}, $$ 那麼另一個問題自然出現： > 如果人類不再是這個區域中最常出現的物理操作者，是否仍有必要讓所有環境條件都以人類舒適與直接操作為第一優先？ 這不是排除人類。 而是把： $$ \boxed{ \text{human routine accessibility} } $$ 由不可質疑的設計前提，改成： $$ \boxed{ \text{an engineering variable}. } $$ --- # 2. 自主科研已經從單點自動化走向系統級整合 2026 年 self-driving laboratory 的研究已不再只討論自動移液或固定腳本。 Nature Reviews Chemistry 的綜述指出，SDL 正由狹窄自動化工具發展為可以自主提出、執行與解讀實驗的 multipurpose discovery platforms，下一階段的重要條件包括： - scalability； - generalizability； - provenance-complete experimentation [1]。 Oak Ridge National Laboratory（ORNL）則已公開描述其 autonomous-science ecosystem：以 AI、robotics、advanced instrumentation、edge / cloud / HPC 與共同軟體基礎設施連結多個 self-driving laboratories [2][3]。 2026 年 ORNL 表示，其場內已有超過十個 self-driving laboratories，並由設施與工程人員支援其 physical infrastructure [4]。 這意味著： $$ \boxed{ \text{autonomy is moving from instrument scale toward facility scale}. } $$ ANCSI-07 的問題就是： > 當 facility-scale autonomy 出現後，實驗室的物理空間是否也應該跟著重新設計？ --- # 3. 自主儀器正在改變「誰在觀察」 2026 年已有大型語言模型代理在同步輻射 X-ray beamline 上自主執行 sample alignment，包括： - planning actions； - issuing instrument commands； - interpreting observations； - iterating toward experimental goals [5]。 ORNL 與 University of Tennessee 亦在 2026 年展示 AI 即時引導同步輻射資料收集；團隊在啟動實驗後讓 AI 驅動後續 acquisition loop [6]。 同年，「thinking microscopes」與 smart microscopy 研究開始明確討論： $$ \text{measurement} \rightarrow \text{real-time analysis} \rightarrow \text{feedback} \rightarrow \text{next acquisition}. $$ 智慧顯微鏡不再只是產圖，而是在樣品健康、解析度、速度與資訊增益之間動態決定下一個觀察動作 [7][8]。 因此： $$ \boxed{ \text{human eye at the instrument} } $$ 已不再是高階觀測系統的必要中心。 --- # 4. 現代科研本來就已大量脫離「人眼直接看」 在大量高階科研中，實際鏈條早已是： $$ \text{physical phenomenon} \rightarrow \text{sensor} \rightarrow \text{digital data} \rightarrow \text{processing} \rightarrow \text{human interface}. $$ 例如： - SEM； - TEM； - synchrotron detector； - cryo-EM； - AFM； - spectroscopy； - tomography； - particle detectors； 都已高度數位化。 所以未來的改變並不是： > 把人眼換成 AI。 而更接近： $$ \boxed{ \text{instrument acquisition itself becomes adaptive and AI-mediated}. } $$ 人類可以更晚介入： $$ \text{raw data} \rightarrow \text{AI analysis} \rightarrow \text{scientific representation} \rightarrow \text{human}. $$ 這一點將在 ANCSI-08 專門展開。 --- # 5. 定義：什麼是 Machine-Native Scientific Zone 本文定義 Machine-Native Scientific Zone 為： > 一個在正常運行狀態下，以機器、自動儀器、感測器與 AI 系統作為主要實體操作者，並且其空間、環境、接口與服務設計可以優先滿足機器操作需求，而不必保證人類可在任何時刻無特殊程序地進入的科研區域。 其設計目標可寫為： $$ \mathcal{O} = f( S, P, D, E, M, H ), $$ 其中： $$ S = \text{safety}, $$ $$ P = \text{scientific performance}, $$ $$ D = \text{density}, $$ $$ E = \text{environmental controllability}, $$ $$ M = \text{machine maintainability}, $$ $$ H = \text{human recoverability}. $$ Machine-native 不表示： $$ H=0. $$ 真正要求反而是： $$ \boxed{ H > H_{\min}. } $$ 即必須保留可恢復到人類安全介入狀態的能力。 --- # 6. 五級空間分類 本文提出第一版空間分級： $$ \mathcal{Z} = \{ Z_H, Z_S, Z_M, Z_R, Z_N \}. $$ --- ## 6.1 $Z_H$ — Human Zone 人類正常長時間工作。 特徵： - breathable atmosphere； - ordinary access； - human ergonomics； - direct interaction； - office / collaboration / governance。 例如： - control room； - scientific collaboration area； - design studio； - governance center。 --- ## 6.2 $Z_S$ — Human-Serviceable Zone 平時主要由自動化設備運行，但： $$ \text{shutdown} + \text{isolation} + \text{safety preparation} $$ 後，人類可以進入維護。 例如： - ordinary server area； - liquid cooling plant； - robot laboratory； - instrument hall。 其設計仍需高度考慮： $$ \text{human maintenance}. $$ --- ## 6.3 $Z_M$ — Machine-Native Zone 正常狀態主要由： $$ \text{AI} + \text{robots} + \text{automation} $$ 使用。 人類並非絕對不能進入，但： $$ \text{human routine access} $$ 不是第一設計條件。 可以為了： - robot reach； - machine density； - environmental stability； - service routing； 犧牲一部分人類舒適性。 --- ## 6.4 $Z_R$ — Restricted Research Zone 存在特殊環境： - cryogenic conditions； - oxygen-deficiency risk； - strong magnetic field； - radiation； - vacuum； - chemical hazard； - high voltage； - high-power laser； - biological containment； 因此人類進入需要： $$ \boxed{ \text{special authorization} + \text{PPE / special equipment} + \text{safe operating procedure}. } $$ --- ## 6.5 $Z_N$ — No-Routine-Human-Entry Zone 正常 operational mode 中： $$ \boxed{ \text{human presence is not required}. } $$ 例行： - observation； - manipulation； - maintenance； - logistics； 主要由機器完成。 但仍須有： $$ \text{Human-Safe Recovery Mode}. $$ 即重大故障後可： 1. 停止 hazard source； 2. 隔離能源； 3. vent / purge / warm up； 4. verify atmosphere； 5. mechanically secure equipment； 6. authorize human entry。 因此： $$ Z_N \neq \text{permanently inaccessible}. $$ --- # 7. Machine-Native 不等於把人趕出去 本文特別拒絕以下命題： $$ \text{less human access} = \text{more advanced}. $$ 這是不成立的。 真正判準是： $$ \Delta V = V_{\mathrm{machine-native}} - V_{\mathrm{human-centered}}. $$ 只有： $$ \Delta V>0 $$ 且安全、維修、責任條件成立時，machine-native 才合理。 其收益至少應落在： $$ \{ \text{safety}, \text{throughput}, \text{precision}, \text{density}, \text{environment control}, \text{energy}, \text{reproducibility} \}. $$ 若沒有量化收益： $$ \boxed{ \text{不要 machine-native 化。} } $$ --- # 8. 第一個現實理由：有些環境本來就不適合人 CERN 將 cryogenic hazards 明確列為： - cryogenic burns； - lung injury； - overpressure； - oxygen enrichment； - Oxygen Deficiency Hazard（ODH）[9]。 大型 helium release 在封閉地下區域可能造成氧氣置換，因此 LHC 長期設計有 ODH monitoring、access restriction 與人員逃生程序 [10]。 同樣，在高輻射區域，人類維護本來就會受到限制。 因此： $$ \boxed{ \text{hazardous zone} + \text{remote operation} } $$ 早已不是科幻。 --- # 9. 第二個現實理由：Remote Handling 已經成熟數十年 IAEA 的 remote technology 文獻指出，核能領域自 1950 年代即使用 through-the-wall manipulators 與 hot-cell systems 處理高放射性物質，後續進一步發展成 tele-robotics [11]。 這證明： $$ \boxed{ \text{human outside} + \text{machine inside} } $$ 是一種成熟的安全工程模式。 ANCSI 的新意不在於發明 remote handling。 而是在未來 AI、自動化與機器視覺成熟時，把它從： $$ \text{hazard workaround} $$ 提升成： $$ \boxed{ \text{first-class laboratory architecture}. } $$ --- # 10. CERN 已經為機器人重新設計維護接口 CERN 的 remote-maintenance 工作中特別強調： > 若機器與環境從設計階段就考慮 remote handling，機器人介入會更可靠。 CERN 2022 remote-maintenance 課程指出，基於多年機器人現場介入經驗，已建立設計指引，讓 machine components 與 environments 具有 remote-intervention compatibility [12]。 這是 ANCSI-07 一個非常重要的工程原則： $$ \boxed{ \text{robotic maintainability must be designed in, not retrofitted later}. } $$ --- # 11. CRANEbot：因為人不適合去，所以機器去 CERN 為 HL-LHC 開發 CRANEbot，用於未來 radiation level 使某些區域不適合 human intervention 時的 vacuum-module handling 與 maintenance [13]。 2021 年測試中，CRANEbot 在 CMS cavern 內： - 定位 vacuum module； - 抓取／釋放 lifting rings； - 協助 alignment； - uninstall module； 而不需要人在高風險位置直接介入 [13]。 2025 年 CERN 又報告使用專門設計的 robotic solution，在 CMS 高空間／輻射限制區域完成 in-situ machining preparation [14]。 所以： $$ \boxed{ \text{design equipment for robotic intervention} } $$ 已經有大型科學設施的實際工程案例。 --- # 12. Embodiment Follows Task 如果未來科研機器主要目的是： - manipulate sample； - turn valve； - inspect cable； - measure radiation； - service cryogenic connector； - operate microscope； - move between stations； 那麼它沒有普遍必要長成人形。 本文提出： $$ \boxed{ B^\ast = f( \text{task}, \text{geometry}, \text{environment}, \text{precision}, \text{payload}, \text{mobility} ). } $$ 其中 $B^\ast$ 是最適合的 embodiment。 因此可能出現： $$ \mathcal{B} = \{ \text{arm}, \text{rail robot}, \text{crawler}, \text{mobile base}, \text{drone}, \text{telemanipulator}, \text{micro-manipulator}, \text{vacuum robot}, \text{cryogenic robot} \}. $$ 所以： $$ \boxed{ \text{robot morphology follows scientific function}. } $$ --- # 13. 人形機器人的真正位置 人形機器人仍可能很有價值。 特別是： > 當環境本來就是為人類設計時。 例如： - doors； - stairs； - standard hand tools； - human control panels； - legacy laboratory benches。 此時 humanoid 具有： $$ \boxed{ \text{backward compatibility with human infrastructure}. } $$ 但對全新 machine-native zone 而言： > 為什麼要先把環境設計成人，再做一台機器模仿人？ 未必合理。 所以新設施可以同時採： $$ \text{humanoid for legacy compatibility} $$ 與： $$ \text{task-specific robotics for native zones}. $$ --- # 14. 機器原生空間的幾何可以不同 傳統走道至少要讓人通過。 Machine-native corridor 則可以依： $$ W_{\mathrm{robot}}, $$ $$ R_{\mathrm{turn}}, $$ $$ H_{\mathrm{service}} $$ 設計。 例如： - overhead rail； - underfloor service robot； - narrow instrument tunnel； - vertical robot shaft； - ceiling manipulator； - dense modular racks。 因此： $$ \boxed{ \text{floor plan no longer needs to equal human circulation map}. } $$ 但這類空間仍必須保留： $$ \text{emergency recovery access}. $$ --- # 15. 機器原生環境可以放棄部分人類舒適條件 如果： $$ Z=Z_M $$ 或： $$ Z_N, $$ 可能不需要長時間維持： - human comfort temperature； - human visual lighting； - low acoustic noise； - normal ceiling height； - continuous breathable atmosphere。 但這不代表可以無條件移除它們。 因為： - sensors 可能需要特定 illumination； - robots 也有 operating temperature； - materials 也有 humidity requirement； - human recovery 需要 environment conversion。 真正目標是： $$ \boxed{ \text{optimize for machine and experiment constraints}. } $$ --- # 16. 氣氛可以從「人類空氣」變成工程變數 Machine-native zone 可以依科研需求選擇： $$ A \in \{ \text{dry air}, \text{nitrogen}, \text{argon}, \text{low humidity}, \text{reduced pressure}, \text{vacuum}, \text{special process atmosphere} \}. $$ 例如 sub-ambient compute zone 可使用極乾燥氣氛降低 condensation risk。 但若使用 inert gas： $$ O_2\downarrow, $$ 對人類就是 ODH。 所以： $$ \boxed{ \text{machine-optimized atmosphere} \rightarrow \text{restricted human access}. } $$ 這不是缺陷，而是必須由 zoning 與 safe-state conversion 管理的設計結果。 --- # 17. 溫度也可以從「房間條件」變成實驗條件 在 ANCSI-02 中： $$ T(\mathbf{x},t) $$ 已經是可程式化變數。 Machine-native zone 使這件事更合理。 例如： $$ T_{\mathrm{zone}} = 240\ \mathrm K $$ 時，人類長期工作非常不合理。 但某些 machine / material / compute experiment 可能有科學價值。 因此： $$ \boxed{ \text{human thermal comfort} } $$ 不再自動成為： $$ T_{\mathrm{zone}} $$ 的主要 constraint。 --- # 18. 但人類進入必須有 Environment Conversion 本文提出： $$ \boxed{ \text{Human-Safe Recovery Mode} } $$ 或： $$ M_H. $$ 一個 machine-native zone 從： $$ M_M $$ 轉成： $$ M_H $$ 可能需要： $$ M_M \rightarrow M_{\mathrm{shutdown}} \rightarrow M_{\mathrm{isolate}} \rightarrow M_{\mathrm{purge}} \rightarrow M_{\mathrm{thermalize}} \rightarrow M_{\mathrm{verify}} \rightarrow M_H. $$ 其中驗證至少包括： - oxygen； - temperature； - pressure； - radiation； - electrical isolation； - moving machinery； - chemical atmosphere； - structural state。 只有： $$ V_{\mathrm{safe}}=1 $$ 才開放 human entry。 --- # 19. Human Entry 也是一個狀態轉換成本 傳統設施把 human access 當成免費。 但對 machine-native zone： $$ C_H = C_{\mathrm{shutdown}} + C_{\mathrm{conversion}} + C_{\mathrm{verification}} + C_{\mathrm{restart}}. $$ 因此 AI scheduler 甚至可以考慮： $$ \boxed{ \text{human-entry cost}. } $$ 這並不是阻止人進入。 而是知道： > 某些區域一旦為人類安全化，需要停止多久？ 這會影響： - maintenance planning； - staffing； - robot investment； - redundancy。 --- # 20. 遙操作仍然重要 完全 autonomy 不是唯一模式。 可以定義： $$ \mathcal{M}_{\mathrm{operation}} = \{ \text{manual}, \text{teleoperation}, \text{shared autonomy}, \text{autonomous} \}. $$ 不同任務選不同模式。 例如： ### Routine transfer $$ \text{autonomous}. $$ ### Novel maintenance $$ \text{shared autonomy}. $$ ### Unstructured emergency repair $$ \text{teleoperation}. $$ ### Safety inspection after shutdown $$ \text{human physical entry}. $$ 因此： $$ \boxed{ \text{machine-native} \neq \text{full autonomy only}. } $$ --- # 21. Shared Autonomy 可能比全自主更重要 對複雜維修： AI 可以： - stabilize robot； - avoid collision； - manage force； - recognize components； - propose action。 人類則決定： - unusual manipulation； - ambiguous damage； - repair strategy。 所以控制可以是： $$ u = \alpha u_{\mathrm{AI}} + (1-\alpha)u_H. $$ 其中： $$ \alpha $$ 依任務與 confidence 動態變化。 這在早期 machine-native zone 特別實際。 --- # 22. 機器環境應該「可讀」 本文提出： $$ \boxed{ \text{Machine-Readable Physical Environment}. } $$ 設備可以具有： - fiducial markers； - machine-readable IDs； - standardized geometry； - pose reference； - digital twin link； - connector type； - torque limit； - service instructions； - hazard state。 對 component $i$： $$ D_i = ( ID_i, G_i, S_i, H_i, M_i ). $$ 其中： $$ G_i = \text{geometry}, $$ $$ S_i = \text{service state}, $$ $$ H_i = \text{hazard state}, $$ $$ M_i = \text{maintenance metadata}. $$ 機器人不必每次從純影像猜： > 這是什麼？ --- # 23. Connector 也應該 Machine-Native 人類常用 connector 可能要求： - precise finger grip； - twisting； - visual alignment； - difficult tool access。 Machine-native connector 可以改成： - self-aligning； - keyed； - robot-grippable； - force-sensing compatible； - positive-lock state； - machine-verifiable engagement； - automatic leak test。 所以： $$ \boxed{ \text{maintenance interface} } $$ 本身可以被重新設計。 --- # 24. 可替換模組比現場修理更適合機器 如果故障元件： $$ C_f $$ 非常複雜，讓機器在現場拆焊可能不划算。 可採： $$ \boxed{ \text{module replacement}. } $$ 例如： $$ M_i \rightarrow M_i'. $$ 故障模組被送到： $$ Z_S $$ 或： $$ Z_H $$ 進行深入維修。 Machine-native zone 只負責： - disconnect； - remove； - replace； - verify。 這類架構有利於： $$ MTTR\downarrow. $$ --- # 25. 科研儀器也應設計成 Robot-Serviceable 如果 future microscope、spectrometer、cryostat 仍假設： > 一定有人打開蓋子，用手伸進去。 那 machine-native facility 會很難成立。 所以 instrument design 應逐步提供： $$ \boxed{ \text{robotic service contract}. } $$ 例如： - sample exchange interface； - calibration target； - self-test； - diagnostic port； - removable module； - machine-accessible fastener； - digital service manual。 這可能形成未來科研設備的新標準層。 --- # 26. Scientific Robot Capability 不應只看自由度 2026 年提出的 ADePT framework 將 autonomous laboratory robotics capability 分成： - adaptability and learning； - dexterity； - perception； - task complexity [15]。 這很重要。 因為： $$ 6\text{-DOF arm} $$ 本身不能回答： > 它能不能在未知偏差、視覺遮擋、工具磨損與樣品變化下完成真正科研任務？ ANCSI 因此應將 robotics capability 表示為： $$ R_c = f( A, D, P, T ), $$ 其中： $$ A = \text{adaptability}, $$ $$ D = \text{dexterity}, $$ $$ P = \text{perception}, $$ $$ T = \text{task complexity}. $$ --- # 27. 科研機器人必須處理失敗，而不只是正常 SOP 實驗室自動化真正困難的不是： > 把液體從 A 移到 B。 而是： - vial 不在預期位置； - gripper 抓空； - 樣品破裂； - connector 卡住； - camera obscured； - tool worn； - pressure abnormal。 因此需要： $$ \boxed{ \text{failure-aware autonomy}. } $$ 對 action $a_t$： $$ o_{t+1} \neq \hat{o}_{t+1} $$ 時： $$ \text{detect} \rightarrow \text{diagnose} \rightarrow \text{recover / escalate}. $$ 這比單純 script automation 更接近真正 machine-native operation。 --- # 28. Autonomous Laboratory 不等於 Autonomous Facility 這兩者必須分開。 ### Autonomous Laboratory 可能只控制： $$ \text{experiment loop}. $$ ### Autonomous Facility 還必須控制： $$ \{ \text{energy}, \text{thermal}, \text{logistics}, \text{maintenance}, \text{safety}, \text{access} \}. $$ 因此： $$ \boxed{ \text{SDL} \subset \text{Machine-Native Scientific Facility}. } $$ ANCSI-07 的研究尺度比單一 self-driving laboratory 更大。 --- # 29. 多個 Self-Driving Labs 會產生新問題 2026 年已有研究開始討論： $$ \boxed{ \text{multi-agent management of autonomous materials labs}. } $$ 研究者指出，下一代 autonomous materials lab 需要協調多個 self-driving systems，以處理更廣的 scientific campaign 與 resource optimization [16]。 這意味著： - instrument contention； - robot contention； - sample logistics； - compute allocation； - laboratory scheduling； 將形成共享資源問題。 所以需要： $$ \boxed{ \text{scientific production scheduling}. } $$ --- # 30. Scientific Production Zone 並不表示「研究變成工廠」 本文使用 production 一詞不是要把科學簡化成量產。 而是表示： $$ \boxed{ \text{experiment execution itself can become a continuously orchestrated production process}. } $$ 其產物不是只有產品。 也包括： - data； - evidence； - hypothesis elimination； - material samples； - model updates； - negative results。 所以： $$ \text{scientific production} = \text{systematic production of evidence}. $$ --- # 31. 研究目標仍然可以來自人 Machine-native zone 並不要求： $$ \text{AI defines all science}. $$ 研究目標來源可以是： $$ G \in \{ \text{human}, \text{AI}, \text{human-AI team} \}. $$ 真正改變的是： $$ \boxed{ \text{execution substrate}. } $$ 例如人類問： > 哪種材料在高溫循環下最穩定？ AI 可以： 1. 規劃 experiment campaign； 2. 安排 instrument； 3. 操作 robot； 4. 收資料； 5. 做分析； 6. 提出下一輪； 7. 把高價值結果投影給人類。 所以 human scientific agency 並不因物理離場而消失。 --- # 32. 人類「必要時才去」可以是正式設計原則 傳統設施： $$ \text{human presence} = \text{default}. $$ Machine-native zone： $$ \text{human presence} = \text{exception}. $$ 因此事件： $$ E_H = \text{human physical intervention} $$ 本身可以有 trigger： $$ E_H \iff \{ \text{robotic recovery failed} \vee \text{novel fault} \vee \text{legal inspection} \vee \text{major rebuild} \}. $$ 這正是： $$ \boxed{ \text{exception-based physical human intervention}. } $$ --- # 33. Human Entry Criteria 對 $Z_N$： 只有： $$ C_H=1 $$ 時允許進入。 其中： $$ C_H = C_{\mathrm{atmosphere}} \land C_{\mathrm{thermal}} \land C_{\mathrm{radiation}} \land C_{\mathrm{electrical}} \land C_{\mathrm{mechanical}} \land C_{\mathrm{chemical}}. $$ 所有條件皆成立： $$ C_H=1. $$ 否則： $$ C_H=0. $$ 這應由獨立 safety system 驗證，而不是只由 AI 語意判斷。 --- # 34. Human-Safe Recovery 也需要演練 如果一個 zone 十年沒有人進去，但設計圖上寫： > 可以緊急進入。 這不算證明。 必須定期執行： $$ \boxed{ \text{recovery drills}. } $$ 例如： 1. simulated fault； 2. robot unable to recover； 3. zone shutdown； 4. purge； 5. warmup； 6. lockout-tagout； 7. safety verification； 8. human inspection； 9. restart。 測量： $$ \tau_{\mathrm{human-ready}}. $$ --- # 35. Machine-Native Zone 的 Digital Twin 要比普通 BIM 更完整 需要包含： $$ D_Z = \{ G, K, H, R, A, S \}. $$ 其中： $$ G = \text{geometry}, $$ $$ K = \text{kinematic access}, $$ $$ H = \text{hazards}, $$ $$ R = \text{robot capability}, $$ $$ A = \text{authority state}, $$ $$ S = \text{service state}. $$ Digital twin 必須能回答： > Robot-B 能不能從現在的位置，在不穿越 restricted region 的情況下更換 Pump-17？ 這遠超過普通 3D model。 --- # 36. 可達性應有兩套圖 ### Human Accessibility Graph $$ \mathcal{G}_H. $$ ### Machine Accessibility Graph $$ \mathcal{G}_M. $$ 在 traditional lab： $$ \mathcal{G}_H \approx \mathcal{G}_M. $$ 在 machine-native facility： $$ \boxed{ \mathcal{G}_H \neq \mathcal{G}_M. } $$ 某些區域： $$ v\in\mathcal{G}_M $$ 但： $$ v\notin\mathcal{G}_H $$ during normal operation。 這是空間架構上的根本改變。 --- # 37. Machine Accessibility 也需要冗餘 如果某設備只存在一條 robotic access path： $$ R_1, $$ 一旦： $$ R_1=\text{blocked}, $$ 設備可能完全失去維護能力。 因此關鍵設備應考慮： $$ N+1 $$ robot access： $$ \exists R_1,R_2. $$ 或至少具備： $$ \boxed{ \text{removable module path}. } $$ --- # 38. 機器人本身也會故障 Machine-native 不代表： $$ P_{\mathrm{robot\ failure}}=0. $$ 因此 robot architecture 需要： - self-rescue； - tow point； - rescue robot； - redundant locomotion； - external power； - manual remote override。 如果 robot 卡在唯一走道： $$ \text{blocked robot} $$ 不能讓整區 permanent inaccessible。 所以甚至需要： $$ \boxed{ \text{robot-recovery architecture}. } $$ --- # 39. Robot Repairing Robot 在高階 facility 中，可以出現： $$ R_A \rightarrow \text{service} \rightarrow R_B. $$ 但不能產生無限遞迴： > 誰修修理機器人的機器人？ 最終仍需： $$ \boxed{ \text{maintainability termination path}. } $$ 例如： - simple rescue device； - module extraction； - human-safe recovery。 所以： $$ \text{robot repairs robot} $$ 可以降低人類進入頻率，但不必宣稱完全消除 human fallback。 --- # 40. Remote Observation 必須比 CCTV 更強 Machine-native zone 中，人類與上層 AI 需要的是： $$ \boxed{ \text{instrumented observability}. } $$ 而不是只有攝影機。 包括： - RGB； - depth； - thermal； - acoustic； - vibration； - force； - pressure； - flow； - gas composition； - radiation； - magnetic field； - electrical state； - robot proprioception。 因此 zone state： $$ S_Z $$ 應可被多模態重建。 --- # 41. AI Camera 不只是「會認物體」 未來 AI vision 的真正科研價值是： $$ \boxed{ \text{closed-loop observation}. } $$ 即： $$ \text{observe} \rightarrow \text{interpret} \rightarrow \text{choose next view} \rightarrow \text{observe}. $$ 這與 2026 smart microscopy 的 adaptive acquisition 思維一致 [7][8]。 所以 facility camera / sensor network 也可能逐漸從： $$ \text{passive CCTV} $$ 轉成： $$ \boxed{ \text{active scientific perception network}. } $$ --- # 42. Macro–Meso–Micro Observation Machine-native research environment 可以同時建立： ### Macro 整個 room / plant。 ### Meso 設備與 robot。 ### Micro sample / instrument measurement。 因此： $$ O = \{ O_{\mathrm{macro}}, O_{\mathrm{meso}}, O_{\mathrm{micro}} \}. $$ AI 可以關聯： > 某 microscopic anomaly 是否和 $12$ 分鐘前的 room vibration 有關？ 這種 cross-scale correlation 是人類逐台看儀器很難長期完成的。 --- # 43. 人類觀察介面不需要複製機器的感官 如果 robot 使用： - depth map； - thermal camera； - force field； - hyperspectral sensor； 人類沒有必要逐一看原始 channel。 可以建立： $$ R_H = f( O_{\mathrm{macro}}, O_{\mathrm{meso}}, O_{\mathrm{micro}} ). $$ 呈現成： - 3D digital twin； - augmented scientific map； - event timeline； - anomaly layer； - confidence layer。 但： $$ R_H $$ 必須保留返回 raw evidence 的路徑。 --- # 44. AI-Native Projection 不是科研證據本身 這是重要原則。 AI 告訴研究者： > 此處存在 defect。 不能只保存： $$ \text{defect=true}. $$ 必須保存： $$ \boxed{ \text{raw observation} \rightarrow \text{calibration} \rightarrow \text{processing} \rightarrow \text{model inference} \rightarrow \text{representation}. } $$ 這與 2026 SDL literature 強調 provenance-complete experimentation 的方向一致 [1]。 --- # 45. 科研產區需要 Evidence Bus 本文提出： $$ \boxed{ \text{Scientific Evidence Bus}. } $$ 不同儀器輸出的： - raw data； - timestamps； - calibration； - instrument state； - sample identity； - environmental state； - AI action； 應能被共同串接。 對 observation $o_i$： $$ E_i = ( X_i, C_i, I_i, S_i, M_i, t_i ). $$ 其中： $$ X_i = \text{raw measurement}, $$ $$ C_i = \text{calibration}, $$ $$ I_i = \text{instrument}, $$ $$ S_i = \text{environment state}, $$ $$ M_i = \text{analysis model}. $$ 這使 autonomous experiment 可被重新審核。 --- # 46. Sample Identity 必須全流程持續 若人類不在現場盯著樣品： $$ \boxed{ \text{sample provenance} } $$ 更重要。 sample $s$： $$ S_s(t) = ( \text{ID}, \text{location}, \text{history}, \text{environment}, \text{operations} ). $$ 需要知道： - 誰製作； - 放在哪； - robot 怎麼搬； - 經過什麼溫度； - 被哪台 instrument 測過； - 是否污染； - 是否切割； - 是否已消耗。 否則 autonomy 只會提高錯誤速度。 --- # 47. Scientific Chain of Custody 對高價值或 regulated sample： $$ \boxed{ \text{chain of custody} } $$ 應從 human workflow 轉成 machine-verifiable event chain。 例如： $$ E_0 \rightarrow E_1 \rightarrow \cdots \rightarrow E_n. $$ 每一步： - location； - agent； - action； - time； - state； 可重建。 這也使 machine-native zone 可支援更嚴格的研究品質管理。 --- # 48. 自主科研不應隱藏 Negative Result AI optimizer 容易偏向： $$ \text{high-value region}. $$ 但對科學而言： $$ \boxed{ \text{failed / negative experiments are evidence}. } $$ 因此 production zone 不應只保存「成功樣品」。 應保存： $$ \{ \text{success}, \text{failure}, \text{inconclusive}, \text{aborted} \}. $$ 否則 automation 可能製造 systematic publication-like bias。 --- # 49. Machine-Native 科研的真正限制：泛化 2026 年 robotics / SDL literature 仍明確指出： - generalizability； - scalability； - adaptability； - task complexity； 是核心挑戰 [1][15][17]。 因此： $$ \boxed{ \text{today's autonomous lab} \neq \text{general autonomous scientist}. } $$ 這篇不是假設問題已經解完。 它只是提出： > 如果能力逐步成熟，空間架構要怎麼跟著準備？ --- # 50. AutoLabs 類系統仍顯示 AI reliability 是研究問題 2026 年 AutoLabs 研究提出多 AI、自我修正架構，目的之一就是處理 autonomous chemical experimentation 中 agent reliability 與 granular performance 的不足 [18]。 所以 machine-native zone 必須假設： $$ \exists \text{AI error}. $$ 不是： $$ \text{AI error}=0. $$ 因此需要： - action validation； - physical constraint； - simulation； - rollback； - anomaly detection； - escalation。 --- # 51. 研究空間應該有 Autonomy Envelope 類似 ANCSI-06 的 Authority Envelope，實驗本身可以有： $$ \boxed{ \mathcal{E}_{\mathrm{auto}} } $$ 即 AI 可以自主執行的 experiment space。 例如： $$ T \in [280,330]\ \mathrm K, $$ $$ P < P_{\max}, $$ $$ \text{approved materials only}. $$ 若 AI 想進： $$ T>330\ \mathrm K $$ 則： $$ \text{escalate}. $$ 所以： $$ \boxed{ \text{scientific autonomy is bounded experimental autonomy}. } $$ --- # 52. Hazard Class 與 Autonomy Class 應分開 高 hazard 並不必然表示低 autonomy。 反而某些高 hazard zone： $$ \text{human presence}\downarrow $$ 時，autonomy 可能更有價值。 所以： $$ H_c = \text{hazard class}, $$ $$ A_c = \text{autonomy class}. $$ 兩者： $$ H_c \neq A_c. $$ 例如高 radiation zone 可以具有： $$ H_c=\text{high}, $$ $$ A_c=\text{high}. $$ 但 safety validation 必須更嚴格。 --- # 53. Restricted Zone 的人類介入不是失敗 如果出現 novel fault： $$ F_{\mathrm{novel}}. $$ Robot 無法處理： $$ R_{\mathrm{recover}}=0. $$ 最合理行動可能就是： $$ \boxed{ \text{shutdown} \rightarrow \text{human-safe conversion} \rightarrow \text{human intervention}. } $$ 這不是 autonomous system 失敗。 只要它： 1. 正確識別能力邊界； 2. 安全停機； 3. 保存證據； 4. 成功恢復 human access。 反而代表成熟。 --- # 54. Human-Safe Conversion 需要獨立控制 不能由同一個失效 AI 自己宣告： > 現在安全，可以進來。 需要： $$ \boxed{ \text{independent verification}. } $$ 例如： - hardwired gas sensors； - radiation monitors； - lockout state； - mechanical position； - temperature sensors； - independent safety PLC。 因此： $$ AI_{\mathrm{operation}} \neq V_{\mathrm{entry}}. $$ --- # 55. 空間應該能在不同模式間轉換 同一區域可能： $$ Z(t) $$ 隨狀態變化。 例如： 正常運行： $$ Z(t)=Z_N. $$ 停機後： $$ Z(t)=Z_R. $$ 完成 purge / verification： $$ Z(t)=Z_S. $$ 所以： $$ \boxed{ \text{zone class may be operational-state dependent}. } $$ 這比把建築永久貼一個標籤更精確。 --- # 56. 人員裝備是 Transition Mechanism 有些區域不必完全轉成普通 human zone。 人類可以使用： - respirator； - oxygen supply； - radiation PPE； - cryogenic PPE； - telepresence； - exoskeleton； - specialized suit。 進入： $$ Z_R. $$ 因此： $$ \boxed{ \text{human capability} } $$ 也可以透過 equipment 擴張。 但這類介入應是特殊狀態，不應成為日常科研流程的默認需求。 --- # 57. Machine-Native 可以提高空間密度 若不需要： - wide human aisles； - manual-access clearance； - standing height； - human lighting； 則： $$ D_{\mathrm{equipment}} \uparrow. $$ 但密度提高會帶來： - heat density； - maintenance complexity； - robot collision risk； - cable / pipe congestion。 所以： $$ \boxed{ \max D } $$ 不是目標。 真正目標： $$ D^\ast = \operatorname*{argmax}_D V_{\mathrm{lifecycle}}. $$ --- # 58. Machine-Native 可以提高環境穩定性 人類進出會帶來： - heat； - moisture； - particles； - vibration； - door opening； - atmospheric disturbance。 對某些高精度儀器： $$ \boxed{ \text{human absence itself may improve environmental stability}. } $$ 例如： - ultra-clean environment； - vibration-sensitive microscopy； - extreme thermal stability； - controlled gas environment。 這是一個可以實驗量化的優勢。 --- # 59. 人類進入對科研也可能是 Disturbance 設： $$ D_H = \text{human-induced disturbance}. $$ 可以包括： $$ D_H = f( Q_{\mathrm{body}}, H_2O, CO_2, \text{particles}, \text{vibration}, \text{EMI}, \text{access cycle} ). $$ 在某些實驗中： $$ D_H $$ 可能 negligible。 在某些 high-precision zone 中： $$ D_H $$ 可能很重要。 所以 machine-native 的價值應依 actual experiment sensitivity 判斷。 --- # 60. Security 也會改變 若人類日常不進： - unauthorized physical access； - accidental cable pull； - misplaced tool； - contamination； 可能下降。 但新攻擊面會增加： - robot control； - remote access； - AI planner； - sensor spoofing； - digital twin； - software supply chain。 所以： $$ \boxed{ \text{physical risk shifts into cyber-physical risk}. } $$ 不能只說「沒有人更安全」。 --- # 61. Machine-Native Zone 的 Cyber-Physical Gate 任何跨 zone 操作： $$ Z_i \rightarrow Z_j $$ 例如： - robot； - sample； - command； - fluid； - data； 都應經： $$ \boxed{ \text{typed gateway}. } $$ 例如 sample gate 檢查： - ID； - contamination； - container； - destination； - experiment authorization。 Robot gate 檢查： - task； - capability； - hazard compatibility； - battery / tether； - recovery path。 這使 zoning 不是只有牆與門，而是 protocol boundary。 --- # 62. 機器科研區也需要類似「消防通道」的 Robot Rescue Path 人類建築有： $$ \text{egress}. $$ Machine-native zone 應有： $$ \boxed{ \text{robotic recovery path}. } $$ 例如： - rail bypass； - tow route； - spare manipulator access； - overhead crane； - module extraction hatch。 目的： $$ \text{single failed robot} \not\Rightarrow \text{blocked facility}. $$ --- # 63. No-Routine-Human-Entry 不等於黑箱 對 $Z_N$ 反而要提高： $$ \boxed{ \text{observability}. } $$ 因為人不能隨時走進去看。 因此需要更完整： - cameras； - environmental sensors； - equipment telemetry； - robot telemetry； - acoustic monitoring； - diagnostic coverage。 所以： $$ \text{human access}\downarrow $$ 應伴隨： $$ \text{instrumented observability}\uparrow. $$ --- # 64. 診斷覆蓋率 可以定義： $$ D_C = \frac{N_{\mathrm{detectable\ failure\ modes}}} {N_{\mathrm{relevant\ failure\ modes}}}. $$ 對 $Z_N$： $$ D_C $$ 應高於一般 human-serviceable zone。 因為： $$ \boxed{ \text{inaccessibility must be compensated by diagnosability}. } $$ --- # 65. Repairability Score 對 component $i$： $$ R_i = f( \text{access}, \text{tool compatibility}, \text{module replaceability}, \text{diagnostics}, \text{robot capability} ). $$ 若： $$ R_i0 $$ 且： $$ A_{\mathrm{robot}}=0, $$ 則未來一定需要： $$ \text{human intervention}. $$ 如果 human conversion cost 高： $$ C_H\gg0, $$ 這個 component placement 就是錯誤設計。 因此設計優化應加入： $$ \boxed{ C_{\mathrm{maintenance}}. } $$ --- # 67. 自主科研產區不是完全黑燈工廠 lights-out manufacturing 常被用來描述無人化工廠。 但科研和量產不同： $$ \text{science} \neq \text{repetition only}. $$ 科學包含： - novelty； - uncertainty； - failed experiment； - unexpected observation； - changing apparatus。 因此 Machine-Native Scientific Zone 必須比 ordinary lights-out factory 更重視： $$ \boxed{ \text{adaptability} + \text{evidence} + \text{human escalation}. } $$ --- # 68. 科研產區的核心產品是「可相信的未知資訊」 製造業的 output 可能是： $$ \text{product}. $$ 科研區的 output 是： $$ \boxed{ \text{evidence about unknowns}. } $$ 因此 optimization 不能只有： $$ \max \text{throughput}. $$ 還需要： $$ \max \text{valid information gain}. $$ 所以 experiment scheduler 的 objective 可能是： $$ J = -\lambda_1I_{\mathrm{gain}} + \lambda_2C_{\mathrm{resource}} + \lambda_3R_{\mathrm{risk}}. $$ 這使科研產區與普通自動工廠本質上不同。 --- # 69. 第一代 Machine-Native Prototype 第一代不應用 hazardous environment。 建立： $$ Z_M $$ 而不是： $$ Z_R. $$ 配置： - robotic arm； - mobile robot； - automated instrument； - sample rack； - machine-readable fixtures； - remote cameras； - environment sensors； - local AI； - deterministic safety。 人類仍可直接走入，但日常 experiment 禁止人工介入。 測試： 1. sample preparation； 2. transfer； 3. measurement； 4. calibration； 5. tool change； 6. minor fault recovery； 7. failed robot rescue。 比較： $$ \text{machine-native workflow} $$ 與： $$ \text{human workflow}. $$ --- # 70. 第二代：Human-Serviceable Restricted Zone 加入： - low oxygen / dry inert environment simulation； - sub-ambient temperature； - interlocked access； - automated purge； - human-safe conversion。 此時測試： $$ \tau_{\mathrm{human-ready}}. $$ 核心問題： > 如果 autonomy 失敗，設施能不能可靠地回到人類可維修狀態？ --- # 71. 第三代：No-Routine-Human-Entry Zone 只有前兩階段完成後，才將 normal operation 定義為： $$ \boxed{ \text{no routine human entry}. } $$ 所有 routine maintenance： $$ M_r $$ 要求： $$ M_r\subseteq \mathcal{A}_{\mathrm{robot}}. $$ 如果某 routine task 仍需人： $$ M_r\not\subseteq \mathcal{A}_{\mathrm{robot}}, $$ 則： $$ Z_N $$ 尚未成熟。 --- # 72. 第四代：Restricted Scientific Environment 才逐步加入真正： - cryogenic； - radiation； - vacuum； - strong field； - controlled atmosphere； 等環境。 這時 Machine-Native 不再只是效率問題。 而是： $$ \boxed{ \text{human exposure reduction}. } $$ --- # 73. 第五代：Multi-Zone Scientific Production Habitat 最終形成： $$ Z_H \leftrightarrow Z_S \leftrightarrow Z_M \leftrightarrow Z_R \leftrightarrow Z_N. $$ 不同： - sample； - robot； - information； - thermal resource； 在 zone 之間被安全調度。 這才是完整： $$ \boxed{ \text{AI-native scientific production habitat}. } $$ --- # 74. 評估指標 ## 74.1 Human Exposure Time $$ T_H = \text{human time spent in hazardous zone}. $$ 目標： $$ T_H\downarrow. $$ --- ## 74.2 Autonomous Experiment Completion Rate $$ R_A = \frac{N_{\mathrm{experiments\ completed\ without\ human\ physical\ intervention}}} {N_{\mathrm{experiments}}}. $$ --- ## 74.3 Robotic Maintenance Coverage $$ C_R = \frac{N_{\mathrm{routine\ maintenance\ tasks\ robot-capable}}} {N_{\mathrm{routine\ maintenance\ tasks}}}. $$ --- ## 74.4 Human-Safe Recovery Time $$ \tau_H = t_{\mathrm{human-safe}} - t_{\mathrm{recovery\ start}}. $$ --- ## 74.5 Diagnostic Coverage $$ D_C = \frac{N_{\mathrm{detectable\ failures}}} {N_{\mathrm{relevant\ failures}}}. $$ --- ## 74.6 Sample Provenance Completeness $$ P_S = \frac{N_{\mathrm{fully\ traceable\ samples}}} {N_{\mathrm{samples}}}. $$ --- ## 74.7 Scientific Provenance Completeness $$ P_E = \frac{N_{\mathrm{reconstructable\ experiments}}} {N_{\mathrm{experiments}}}. $$ --- ## 74.8 Experiment Throughput $$ \Gamma = \frac{N_{\mathrm{valid\ experiments}}} {T}. $$ 注意： $$ \text{valid experiments} $$ 而不是所有 robot motions。 --- ## 74.9 Environment Stability 可使用： $$ \sigma_T, $$ $$ \sigma_P, $$ $$ \sigma_{\mathrm{vibration}}, $$ $$ \sigma_{\mathrm{humidity}}. $$ 比較有人與無人常態進入的差異。 --- ## 74.10 Mean Time to Robotic Recovery $$ MTTR_R. $$ --- ## 74.11 Human Intervention Necessity Rate $$ R_H = \frac{N_{\mathrm{events\ requiring\ physical\ human\ intervention}}} {N_{\mathrm{operations}}}. $$ --- # 75. 可證偽命題 ## H1 — Machine-Native Zone Hypothesis 對高度自動化科研流程，取消 human routine-access constraint 後，可以在： $$ \{ \text{safety}, \text{precision}, \text{density}, \text{environment stability}, \text{throughput} \} $$ 至少一項取得可量化改善，且 lifecycle cost 不失控。 --- ## H2 — Robotic-Maintainability-by-Design Hypothesis 從設計初期針對 robot service 最佳化的設備，其： $$ MTTR_R $$ 與： $$ R_{\mathrm{successful\ service}} $$ 優於由 human-oriented equipment 事後改造的 robotic maintenance。 --- ## H3 — No-Routine-Human-Entry Hypothesis 對具明確 hazardous environment 的科研區： $$ Z_N $$ 可顯著降低： $$ T_H $$ 而不降低 facility availability。 --- ## H4 — Machine-Readable Environment Hypothesis 加入： - machine-readable IDs； - standardized geometry； - robotic connectors； - digital service metadata； 可提高 autonomous maintenance success rate。 --- ## H5 — Human-Safe-Recovery Hypothesis Machine-native zone 可以被設計成： $$ M_M \rightarrow M_H $$ 具有有界且可驗證的 recovery time。 若： $$ \tau_H $$ 無法穩定控制，則 $Z_N$ 不應部署。 --- ## H6 — Instrumented-Observability Hypothesis 當： $$ \text{human routine access}\downarrow $$ 而： $$ \text{sensor / diagnostic coverage}\uparrow, $$ 系統的故障發現能力可保持或提高。 --- ## H7 — Task-Specific Embodiment Hypothesis 在全新 machine-native environment 中： $$ \text{task-specific robotics} $$ 對某些科研任務可比 humanoid architecture 具有更高： $$ \{ \text{precision}, \text{reliability}, \text{cost efficiency} \}. $$ --- ## H8 — Scientific Production Scheduling Hypothesis 將多個 autonomous labs、instruments、robots、compute 與 sample logistics 共同排程，可提高： $$ \text{valid information throughput}. $$ --- # 76. 失敗條件與反例 ## 76.1 Robot Adaptability 不足 若環境稍微變化： $$ R_{\mathrm{success}}\downarrow\downarrow, $$ 則 human generality 仍可能更有價值。 --- ## 76.2 Maintenance Cost 過高 如果： $$ C_{\mathrm{robotic\ maintenance}} > C_{\mathrm{human\ maintenance}} + C_{\mathrm{shutdown}}, $$ 則 machine-native 未必值得。 --- ## 76.3 Human-Safe Recovery 太慢 若： $$ \tau_H $$ 需要數天，而故障頻率不低，availability 可能惡化。 --- ## 76.4 Environmental Benefit 不存在 若 human presence 對實驗： $$ D_H\approx0, $$ 則取消 human accessibility 可能沒有科研收益。 --- ## 76.5 Automation 造成 Vendor Lock-In 如果所有 connector、robot、instrument 都依賴單一 proprietary system： $$ C_{\mathrm{lifecycle}} $$ 可能快速上升。 --- ## 76.6 AI Perception 無法保證關鍵狀態 若 critical fault 必須靠人肉眼發現，而 sensor coverage 不足： $$ Z_N $$ 不可接受。 --- ## 76.7 自主系統掩蓋錯誤 若 AI 會自動修正資料、隱藏 failed experiments 或產生不可追溯 inference： $$ \text{scientific validity} \downarrow. $$ 則 autonomy 反而損害科研。 --- # 77. Safety Principles ## Principle 1 — Machine-Native Is Not Human-Forbidden $$ Z_M,Z_N $$ 仍需 recovery path。 --- ## Principle 2 — No Routine Human Entry Requires Higher Observability $$ H_{\mathrm{access}}\downarrow \Rightarrow O_{\mathrm{instrumented}}\uparrow. $$ --- ## Principle 3 — Robotic Maintainability Must Be Designed In 不要事後才問： > 機器手伸得到嗎？ --- ## Principle 4 — Safe Human Entry Must Be Independently Verified Operational AI 不能自己宣布： $$ \text{safe for humans}. $$ --- ## Principle 5 — Human Absence Does Not Remove Governance 物理無人： $$ \neq $$ 制度無人。 --- ## Principle 6 — Task Determines Embodiment $$ B^\ast = f(\text{task}). $$ --- ## Principle 7 — Autonomous Science Must Preserve Raw Evidence $$ \text{AI representation} \neq \text{raw scientific evidence}. $$ --- ## Principle 8 — Failure Recovery Is Part of Normal Design 設計時假設： $$ \exists \text{robot failure}. $$ --- ## Principle 9 — Human Intervention Is a Valid Terminal Recovery Path 真正成熟的自治系統知道： $$ \boxed{ \text{when to stop being autonomous}. } $$ --- # 78. 與 ANCSI-06 的關係 ANCSI-06 定義： $$ \text{who may control what}. $$ 本文定義： $$ \boxed{ \text{where each kind of operator is physically expected to exist}. } $$ 因此： $$ \text{authority topology} $$ 開始與： $$ \text{spatial topology} $$ 耦合。 例如： $$ Z_N $$ 中： Local AI authority 高。 但： $$ \text{human physical presence}=0 $$ during normal operation。 而： $$ Z_H $$ 中 human governance 與 direct collaboration 最高。 --- # 79. 與 ANCSI-08 的銜接 一旦人類不再站在儀器旁邊： > 人類到底怎麼「看」科研世界？ 這就成為下一篇的核心。 ANCSI-08 將研究： $$ \boxed{ \text{AI-Native Observation}. } $$ 包括： - raw scientific data； - multimodal sensor fusion； - adaptive observation； - scientific representation； - AI projection； - uncertainty； - provenance； - human drill-down； - raw-evidence recovery。 也就是： $$ \text{instrument world} \rightarrow \text{AI scientific world model} \rightarrow \text{human scientific interface}. $$ --- # 80. 結論 本文提出 ANCSI 的第七個工程命題： $$ \boxed{ \text{部分未來科研空間不一定需要以人類常態存在作為第一設計條件。} } $$ 這個命題並不是： > AI 比人類重要。 也不是： > 未來研究員都不能進實驗室。 真正的工程問題是： > 如果某個科研區域的主要日常操作者已經是 AI、自動儀器與機器人，那麼還要不要為了偶爾的人類介入，永久犧牲環境控制、設備密度、安全隔離與科研穩定性？ CERN 的 remote-handling 系統已經證明，在 radiation 或 hostile environment 中，讓機器取代人類直接介入具有明確安全價值 [12][13][14]。 IAEA 的 hot-cell 與 tele-robotics 歷史則證明： $$ \text{human outside} + \text{machine inside} $$ 並不是新思想 [11]。 2026 年的 ORNL autonomous-science ecosystem、自主 X-ray beamline、thinking microscopes、smart microscopy 與多 self-driving lab orchestration 研究，則顯示： $$ \boxed{ \text{機器不只開始操作科研設備，也開始參與觀察、決策與跨設備工作流。} } $$ ANCSI-07 所提出的新一步，是把這些已存在的能力提升為空間與建築問題： $$ \boxed{ \text{What if the laboratory itself were designed for machine operators first?} } $$ 如果答案在部分科研領域成立，那麼未來大型 AI 科研設施可能不再是一棟人類實驗室，裡面放很多機器。 它可能更接近： $$ \boxed{ \textbf{a scientific physical world inhabited operationally by machines} } $$ 而人類透過： - 治理； - 科學目標； - AI 原生觀測； - digital twin； - remote intervention； - exception-based physical entry； 持續參與其中。 因此真正的終點不是： $$ \text{human removed}. $$ 而是： $$ \boxed{ \text{human physical presence becomes optional where physics, safety, and science make it unnecessary}. } $$ 這才是 Machine-Native Scientific Production Zone 的核心命題。 --- # 參考文獻 [1] 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 [2] Oak Ridge National Laboratory. (2026). *Autonomous Science*. https://www.ornl.gov/autonomousscience [3] Oak Ridge National Laboratory. (2025/2026). *The INTERSECT Federated Architecture for the Scientific Laboratory of the Future*. https://www.ornl.gov/research-highlight/intersect-federated-architecture-scientific-laboratory-future [4] Oak Ridge National Laboratory. (2026). *Operations workforce powers ORNL’s autonomous science future*. https://www.ornl.gov/news/operations-workforce-powers-ornls-autonomous-science-future [5] 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 [6] Oak Ridge National Laboratory. (2026). *AI powers self-driving science*. https://www.ornl.gov/news/ai-powers-self-driving-science [7] 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 [8] 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 [9] CERN Safety Office. *Cryogenic Hazards*. https://safetyofficete.web.cern.ch/cryogenic/ [10] Chorowski, M., Erdt, W. K., Konopka, G., & Riddone, G. (2001). *Oxygen Deficiency Hazard (ODH) Monitoring System in the LHC Tunnel*. CERN LHC Project Report 523. https://cds.cern.ch/record/534110 [11] International Atomic Energy Agency. *Advances in and Applications of Remote Techniques in Nuclear Facilities*. IAEA-TECDOC-1433. https://www-pub.iaea.org/MTCD/publications/PDF/TE_1433_CD_lowRes/CD/Contents.pdf [12] CERN. (2022). *REMOTE — Robotics activities at CERN: Simulation and best practices for remote maintenance*. https://indico.cern.ch/event/1055754/ [13] CERN. (2021). *HL-LHC radiation protection robot passes first in-cavern test with flying colours*. https://home.cern/news/news/engineering/hl-lhc-radiation-protection-robot-passes-first-cavern-test-flying-colours [14] CERN High Luminosity LHC Project. (2025). *Robotic solution: successful preparation of the CMS rotating shielding for future HL-LHC vacuum module installation*. https://hilumilhc-d10.web.cern.ch/article/robotic-solution-successful-preparation-cms-rotating-shielding-future-hl-lhc-vacuum-module [15] Salazar-Villacis, P., & Benyahia, B. (2026). *The ADePT framework for assessing autonomous laboratory robotics*. Communications Chemistry, 9, 99. https://doi.org/10.1038/s42004-026-01932-9 [16] 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 [17] 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 [18] Panapitiya, G., Saldanha, E., Job, H., et al. (2026). *AutoLabs: cognitive multi-agent systems with self-correction for autonomous chemical experimentation*. Scientific Reports, 16, 19554. https://doi.org/10.1038/s41598-026-45593-z [19] Nature. (2026). *Inside the ‘self-driving’ lab revolution*. Nature, 652, 262–264. https://doi.org/10.1038/d41586-026-00974-2 [20] Nature. (2026). *Robots run this laboratory in Japan — and are changing how scientists work*. Nature, 654, 14–15. https://doi.org/10.1038/d41586-026-01625-2 --- ## 文件狀態 本文為 ANCSI 系列第七篇公開命題稿 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；Machine-Native Scientific Production Zone、No-Routine-Human-Entry Zone、Human-Safe Recovery Mode、Machine-Readable Physical Environment、robotic service contract、Scientific Evidence Bus 與 exception-based physical human intervention 均屬由現有 autonomous science、remote handling、scientific robotics、cryogenic / radiation safety 與 self-driving laboratory 技術向前推導之待驗證工程命題。本文不主張取消人類科研角色，也不主張任何 hazardous environment 應在缺乏正式安全工程與法規審查下運行。