# 自治科學棲息地命題 ## AI 原生計算—科研基礎設施的統合理論邊界、必要條件、可證偽命題與分階段驗證綱領 **English Title:** *The Autonomous Scientific Habitat Conjecture: Integrated Architecture, Necessary Conditions, Falsifiability, and a Staged Validation Program for AI-Native Computational and Scientific Infrastructure* **Series:** ANCSI — AI-Native Computational and Scientific Infrastructure **Paper:** ANCSI-09 **Version:** v0.1 **Date:** 2026-09-23 **Type:** 公開命題／工程猜想統合論文（Public Proposition / Engineering Conjecture Synthesis Paper） **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 ANCSI 系列前八篇分別提出：AI 原生計算—科研基礎設施、可程式化熱力學場、計算驅動熱力學基礎設施、真空包覆多介質管網場、熱階梯與冷量儲存、AI 原生自治控制與分散治理、機器原生科研產區，以及 AI 原生科學觀測。本篇將這些原先可獨立存在的工程命題統合為一個更強、但也更容易被反駁的總命題：**自治科學棲息地命題（Autonomous Scientific Habitat Conjecture, ASHC）**。 本文所稱「棲息地」不賦予 AI 生物學、人格式或法律主體地位，而只是工程用語：當 AI、自動儀器、機器人與計算系統成為某一大型科學設施內最頻繁、最長時間且最細粒度的操作主體時，該設施的空間、熱力學、流體、能源、觀測、物流與權限結構是否會逐步從「人類使用的實驗室與機房」轉化成「機器常駐運作、人類主要透過治理與高階科學介面參與的計算—科研物理環境」？ 本文的答案不是肯定預言，而是提出一組可檢驗的必要條件。ASHC 若要成立，至少必須同時滿足：自治實驗能產生真實科研收益；局部 AI 能安全管理快速物理事件；高階 AI 與人類治理能被權限分層；觀測結果可回溯至原始證據；robotic maintainability 足以降低人類例行進場需求；熱、流體與能源的跨層協同具有量化價值；失去雲端、模型或部分機器時設施仍能安全退化；人類可在需要時將機器原生區域轉回可介入狀態。 2026 年的現實技術已開始出現這些構件的局部版本。ORNL 公開表示其已運行超過十個 self-driving laboratories，並正把 AI、automation、instrumentation 與高效能計算整合成 autonomous-science ecosystem；Nature Machine Intelligence 已發表能在真實同步輻射光束線執行 sample alignment 的 agentic X-ray scientist；smart microscopy 與 thinking microscopes 開始把 observation、analysis 與下一步 acquisition 放進閉迴路；CERN 長期使用機器人進行 harsh / radiation environment 的遠端維修；NIST 於 2026 年啟動 Trustworthy AI in Critical Infrastructure Profile，並明確關注 deterministic behavior、graceful degradation、fail-safe operation 與 rigorous testing。這些成果尚不足以證明完整 ASHC，但足以使它從純科幻敘事轉化成可設計原型、可比較基線、可逐層否證的工程研究計畫。 本文最終提出九組核心假說、五種競爭架構、六階段驗證路線、停止條件、架構成熟度模型與第一版 ANCSI Reference Architecture 邊界。若未來證據顯示只有少數子命題成立，ANCSI 應退化成較弱的模組化基礎設施理論；若主要命題均無法產生可量化收益，則應放棄「自治科學棲息地」作為獨立範式。 **關鍵詞：** autonomous scientific habitat、AI-native infrastructure、self-driving laboratory、critical infrastructure AI、machine-native science、cyber-physical systems、autonomous science、scientific provenance、robotic maintenance、programmable thermodynamics --- # 1. 系列收束：ANCSI 到底在主張什麼？ 前八篇分別討論不同問題。 第一篇問： > 如果 AI、機器人與自動科研系統成為設施內主要操作主體，整座設施是否應重新設計？ 第二篇問： > 溫度與熱耦合能否從固定環境條件變成可程式化資源？ 第三篇問： > 計算工作負載能否反過來驅動 thermal infrastructure？ 第四篇問： > 冷量、熱量、氣體、真空與物流是否能被統合成可重構的物理管網？ 第五篇問： > 熱與冷是否能依溫級、時間與 exergy 被級聯使用，而不是一次性排放？ 第六篇問： > AI 如果真的控制 physical plant，權限、責任與安全應如何分層？ 第七篇問： > 如果機器成為主要實體操作員，科研空間是否仍須以 human routine access 為第一約束？ 第八篇問： > 如果人不在儀器旁，如何確保 AI 觀測仍然可追溯、可質疑、可回到原始證據？ 本篇將這些問題合併。 --- # 2. Autonomous Scientific Habitat Conjecture 本文提出總命題： $$ \boxed{ \mathrm{ASHC} } $$ 其完整敘述如下： > 對某些未來的大型 AI、HPC、量子—傳統混合計算與高自動化科研設施而言，當 AI、機器人、自動儀器、計算、熱力學、能源、流體與科學觀測的耦合程度越過某一系統性門檻後，將它們繼續設計成彼此分離、以人類現場操作為第一前提的「資料中心 + 實驗室 + 機電設施」可能不再是最優解；相反，一種由 AI 日常自治運作、機器作為主要物理執行者、人類透過治理與高階科學介面參與、且具有 deterministic safety 與完整 evidence provenance 的整合式計算—科研物理環境，可能在部分任務域中具有更高的總體價值。 此命題不是： $$ \text{AI replaces all scientists}. $$ 也不是： $$ \text{all laboratories become autonomous}. $$ 更不是： $$ \text{humans should be excluded from science}. $$ 其真正形式是： $$ \boxed{ \exists \mathcal{D} : V_{\mathrm{ASHC}}(\mathcal{D}) > V_{\mathrm{traditional}}(\mathcal{D}) } $$ 其中： $$ \mathcal{D} $$ 是某一類特定科研／計算任務域。 --- # 3. ASHC 是存在命題，不是全稱命題 這點非常重要。 本文並不主張： $$ \forall \mathcal{D}, \quad V_{\mathrm{ASHC}} > V_{\mathrm{traditional}}. $$ 實際上，對大量研究： - 小型理論實驗； - 手工樣品探索； - 低危險度 bench science； - 高度不可預測的人類創意實驗； - 低吞吐研究； 傳統 human-centered laboratory 可能長期保持最優。 因此 ANCSI 的強命題只是： $$ \boxed{ \exists \text{ a nontrivial domain where integrated AI-native infrastructure is superior}. } $$ 這使 ASHC 可以被工程實驗真正檢驗。 --- # 4. 「棲息地」不是人格宣稱 本文使用 habitat 一詞只表示： > 某一類操作主體的需求開始塑造環境。 例如： $$ \mathcal{H}_{\mathrm{human}} $$ 由： - walkable geometry； - breathable atmosphere； - human interfaces； - human comfort； 塑造。 而 machine-native habitat 的部分區域可能由： $$ \mathcal{H}_{\mathrm{machine}} $$ 塑造，包括： - robotic accessibility； - sensor coverage； - low-latency control； - thermal optimization； - process atmosphere； - machine-serviceable geometry。 因此： $$ \boxed{ \text{habitat} = \text{operator-oriented engineered environment}. } $$ 不涉及 AI 是否具有意識、人格、靈魂或其他本體論判定。 --- # 5. 完整系統狀態 ASHC 不把 facility 視為單一 AI。 它把整個設施描述成： $$ S(t) = \left( C, \Theta, F, E, L, R, X, G, A \right)_t. $$ 其中： $$ C = \text{compute state}, $$ $$ \Theta = \text{thermodynamic state}, $$ $$ F = \text{fluid / vacuum state}, $$ $$ E = \text{energy / exergy state}, $$ $$ L = \text{logistics / embodied-agent state}, $$ $$ R = \text{risk / reliability state}, $$ $$ X = \text{scientific / experimental state}, $$ $$ G = \text{governance state}, $$ $$ A = \text{authority state}. $$ 其控制問題為： $$ u_t = \pi( S_t, G_{\mathrm{scientific}}, P_{\mathrm{policy}} ). $$ 但： $$ u_t $$ 必須滿足： $$ u_t \in \mathcal{U}_{\mathrm{safe}}(S_t). $$ --- # 6. ASHC 的九個構成命題 完整架構可拆成九個相對獨立的假說。 ## H1 — AI-Native Infrastructure Hypothesis 大型計算與科研設施存在由： $$ \text{compute} + \text{science} + \text{facility physics} + \text{embodiment} + \text{governance} $$ 共同最佳化的非平凡收益。 --- ## H2 — Programmable Thermodynamics Hypothesis 存在任務域，使： $$ T(\mathbf{x},t) $$ 與 thermal coupling： $$ G_{ij}(t) $$ 被動態調度，比固定 thermal policy 更有效。 --- ## H3 — Compute-Driven Infrastructure Hypothesis 計算狀態： $$ C(t) $$ 直接進入 thermal / power / fluid scheduler，可改善： $$ \{ \text{energy}, \text{performance}, \text{peak capacity}, \text{reliability} \} $$ 中的至少一項。 --- ## H4 — Reconfigurable Transport Hypothesis 可隔離、可路由的多介質 transport graph： $$ \mathcal{G}_{P}(t) $$ 在大型設施中可提高 availability、resource utilization 或 fault containment。 --- ## H5 — Thermodynamic Cascade Hypothesis temperature-tagged energy / cold inventory 與 exergy-aware routing 可以減少： $$ B_{\mathrm{dest}} $$ 或降低 lifecycle cost。 --- ## H6 — Layered AI Authority Hypothesis $$ \text{local bounded autonomy} + \text{deterministic safety} + \text{distributed supervision} $$ 比單一中央 AI 或全面人類批准具有更好的 control resilience。 --- ## H7 — Machine-Native Zone Hypothesis 存在科研區域，使： $$ \text{human routine-access constraint} $$ 取消後，在安全與維修可接受的前提下獲得： $$ \text{precision}, \text{density}, \text{throughput}, \text{environment stability} $$ 等量化收益。 --- ## H8 — AI-Native Observation Hypothesis AI-mediated scientific projection 若保留完整 provenance，可降低 human cognitive burden，同時保持或提高 evidence auditability。 --- ## H9 — Integrated Habitat Hypothesis 以上子系統若被共同 orchestration： $$ \pi_{\mathrm{joint}}, $$ 其整體價值存在： $$ V( \pi_{\mathrm{joint}} ) > \sum_i V( \pi_i^{\mathrm{isolated}} ) $$ 的 synergy。 H9 是全系列最強、也最容易失敗的命題。 --- # 7. H9 為什麼不能被預設成立 即使 H1 到 H8 各自成立： $$ H_1,\ldots,H_8=1, $$ 也不能推出： $$ H_9=1. $$ 因為 integration 會增加： - software complexity； - coupling failure； - synchronization； - governance overhead； - cyberattack surface； - capital cost。 所以可能： $$ V_{\mathrm{joint}} < \sum_iV_i. $$ 因此 ASHC 真正要證明的是： $$ \boxed{ \text{integration benefit exceeds integration cost}. } $$ --- # 8. 系統的四個基本平面 雖然前文有大量子系統，完整 habitat 可以壓縮成四個平面： $$ \boxed{ \mathcal{H} = ( \mathcal{P}, \mathcal{C}, \mathcal{E}, \mathcal{G} ) } $$ 其中： ### Physical Plane $$ \mathcal{P} $$ 包括： - compute hardware； - instruments； - robots； - thermal plant； - fluid network； - power； - storage。 ### Control Plane $$ \mathcal{C} $$ 包括： - deterministic control； - MPC； - schedulers； - local AI； - site AI。 ### Epistemic Plane $$ \mathcal{E} $$ 包括： - raw evidence； - calibration； - reconstruction； - hypothesis； - provenance； - scientific projection。 ### Governance Plane $$ \mathcal{G} $$ 包括： - authority； - policy； - human oversight； - multi-AI supervision； - audit； - legal / institutional constraints。 這四平面缺一不可。 --- # 9. Physical Plane 不能被 AI 抽象吃掉 AI 再強，也不能讓： $$ \Delta P, $$ $$ \Delta T, $$ $$ \sigma, $$ $$ \dot m $$ 失去物理意義。 所以任何 ANCSI implementation 都必須保留： $$ \boxed{ \text{first-principles physical constraints}. } $$ 例如： $$ \sum E_{\mathrm{in}} = \sum E_{\mathrm{out}} + \Delta U, $$ $$ S_{\mathrm{gen}}\ge0. $$ AI 可以： - estimate； - optimize； - plan； 但不能： $$ \boxed{ \text{vote away conservation laws}. } $$ --- # 10. Control Plane 不能等於「一個超級模型」 完整 control hierarchy 至少包含： $$ \begin{aligned} L_0 &: \text{passive safety}\\ L_1 &: \text{deterministic control}\\ L_2 &: \text{local AI}\\ L_3 &: \text{site AI}\\ L_4 &: \text{federated supervisory AI}\\ L_5 &: \text{human-AI governance} \end{aligned} $$ 所以： $$ \boxed{ \text{ASHC is distributed by construction}. } $$ 它與： > 一個中央 AGI 控制整座設施 不是同一命題。 --- # 11. Epistemic Plane 是 ANCSI 與普通自動工廠的根本差異之一 普通 factory 的核心輸出可能是： $$ \text{products}. $$ 科研 habitat 的核心輸出則是： $$ \boxed{ \text{valid evidence about unknowns}. } $$ 因此 autonomy 若讓： $$ \text{throughput}\uparrow $$ 但： $$ \text{traceability}\downarrow, $$ 則可能反而降低 scientific value。 所以完整 objective 必須包含： $$ V_{\mathrm{science}} = f( I_{\mathrm{gain}}, P_{\mathrm{provenance}}, R_{\mathrm{reproducibility}}, U ). $$ --- # 12. Governance Plane 不是外掛 如果 AI 已經可以： - 改變溫度； - 分配能源； - 操作危險設備； - 執行 experiment； - 移動 sample； - 影響科研結論； 那麼： $$ \boxed{ \text{governance becomes runtime infrastructure}. } $$ 不是只在年度 meeting 發 policy。 authority： $$ \mathcal{A}_{\mathrm{authorized}}(S_t) $$ 必須在執行當下被驗證。 --- # 13. 現實世界已經出現哪些構件？ ASHC 目前沒有完整實體案例。 但 2026 年已有多個重要構件獨立存在。 --- # 14. ORNL：Self-Driving Labs 開始形成生態系 ORNL 於 2026 年公開將 autonomous science 描述為： $$ \text{AI} + \text{automated experimentation} + \text{advanced instrumentation} + \text{leadership computing}. $$ 其公開資料指出，self-driving laboratories 透過 closed feedback loop： $$ \text{design} \rightarrow \text{build} \rightarrow \text{test} \rightarrow \text{learn} $$ 加速科學探索。 2026 年 7 月 ORNL 更表示，其已運行超過十個 self-driving laboratories [1][2]。 這不是完整 ASHC。 但它證明： $$ \boxed{ \text{multi-laboratory autonomous-science ecosystem} } $$ 已開始從概念進入實體組織尺度。 --- # 15. Agentic X-ray Scientist：AI 已進入大型科學儀器閉環 2026 年 Nature Machine Intelligence 發表 agentic artificially intelligent X-ray scientist。 該系統在真實同步輻射 beamline 上： - 規劃； - 執行 instrument command； - 解讀 observation； - 迭代 sample alignment； - 在 unexpected condition 下調整策略 [3]。 所以： $$ \boxed{ \text{LLM-driven scientific agency} } $$ 已經不只存在於聊天或 simulation。 它已經觸及： $$ \text{real scientific actuator}. $$ --- # 16. ORNL 2026：AI 實際引導實驗資料收集 2026 年 8 月 ORNL 公開一項 autonomous beamline study，研究團隊在實驗開始後讓 AI 即時引導後續資料收集 [4]。 這進一步支持： $$ \boxed{ \text{AI observation policy} } $$ 開始進入真實科研設施。 --- # 17. Smart Microscopy：儀器開始根據樣本即時改變自己 2026 年 smart microscopy 綜述將： $$ \text{real-time analysis} + \text{feedback control} + \text{automated actuation} $$ 視為 smart microscope 核心 [5]。 thinking microscopes 論述則進一步討論 agentic AI 讓顯微鏡參與 iterative experimental reasoning [6]。 因此 ASHC 的「AI-native observation」並非完全從零假想。 --- # 18. CERN：機器人在 hostile environment 中已是正常安全工具 CERN 長期使用 remote robotics 進行： - inspection； - operation； - post-mortem analysis； - maintenance； 特別是在 radioactive particle-accelerator environment [7][8]。 2025 年 CERN 亦使用專門 robot 在 CMS 受空間與 radiation constraint 的區域進行 in-situ machining preparation [9]。 這證明： $$ \boxed{ \text{robotic maintenance can be primary where human access is costly or hazardous}. } $$ --- # 19. NIST 2026：AI 進入 Critical Infrastructure 已成正式治理問題 NIST 於 2026 年啟動： $$ \boxed{ \text{AI RMF Trustworthy AI in Critical Infrastructure Profile} } $$ 並明確提出 critical infrastructure 中 AI 需要考慮： - deterministic behavior； - explainability； - graceful degradation； - fail-safe operation； - adversarial robustness； - rigorous testing, evaluation, validation and verification [10][11]。 這與 ANCSI-06 的核心分層非常接近。 也意味著： $$ \boxed{ \text{AI + critical physical infrastructure} } $$ 已經從純研究議題逐漸進入正式標準與治理框架。 --- # 20. 因此 ASHC 目前的位置 上述成果只能推出： $$ \text{components exist}. $$ 不能推出： $$ \text{integrated habitat exists}. $$ 所以目前最合理的 epistemic status 是： $$ \boxed{ \text{plausible engineering conjecture}. } $$ 而不是： $$ \text{established architecture}. $$ --- # 21. ASHC 的必要條件 N1：Autonomous Science Must Produce Real Scientific Gain 最基本條件： $$ V_{\mathrm{science,auto}} > V_{\mathrm{science,manual}} $$ 至少對部分 domain 成立。 不能只因為： > robot 很酷。 就說自主實驗值得。 收益需要在： $$ \{ I_{\mathrm{gain}}, \Gamma, R_{\mathrm{reproducibility}}, C_{\mathrm{cost}} \} $$ 中量化。 --- # 22. N2：Autonomy Must Be Safe Under Failure 如果： $$ P(\text{AI unavailable})>0, $$ 系統仍需： $$ x(t)\in\mathcal{X}_{\mathrm{safe}}. $$ 所以： $$ \boxed{ \text{AI failure cannot imply physical catastrophe}. } $$ 這要求 passive safety、deterministic safety 與 safe fallback。 --- # 23. N3：Local Systems Must Survive WAN Loss 如果 facility 必須永遠連著雲端才能避免事故： $$ \boxed{ \text{ASHC fails as critical infrastructure architecture}. } $$ 所以至少： $$ C_{\mathrm{WAN}}=0 $$ 時，site 能： - safe continue； - safe degrade； - safe shutdown。 --- # 24. N4：Scientific Evidence Must Survive AI Replacement 假設今天使用： $$ M_1. $$ 五年後換成： $$ M_2. $$ 如果科學結果無法回到： $$ X_{\mathrm{raw}}, $$ 那麼大量過去的 scientific output 可能被鎖死在舊模型。 因此： $$ \boxed{ \text{evidence lifetime} > \text{model lifetime}. } $$ 這是 ASHC 的核心必要條件。 --- # 25. N5：Machine-Native Zones Must Be Maintainable 如果： $$ T_H\downarrow $$ 但： $$ \mathrm{MTTR}\uparrow\uparrow, $$ 導致 facility availability 崩潰， 則： $$ Z_N $$ 沒有意義。 所以： $$ \boxed{ \text{robotic maintainability must be demonstrated, not assumed}. } $$ --- # 26. N6：Human Recovery Must Remain Possible 即使日常： $$ \text{human presence}=0, $$ 仍需存在： $$ M_M \rightarrow M_H. $$ 如果某區域一旦自動化後： > 任何未預見故障都沒有人能再安全進入， 則設計不可接受。 --- # 27. N7：Integration Must Have Positive Net Value 設： $$ V_I = \text{integration benefit}, $$ $$ C_I = \text{integration complexity cost}. $$ 必要條件： $$ \boxed{ V_I>C_I. } $$ 否則保持模組化、鬆耦合反而更合理。 --- # 28. N8：AI Control Must Respect Explicit Authority 如果： $$ \mathcal{A}_{\mathrm{authorized}} $$ 不能被清楚定義、驗證與 audit， 則 AI 不應取得 physical authority。 因此： $$ \boxed{ \text{autonomy requires explicit authority semantics}. } $$ --- # 29. N9：Observation Selection Must Be Auditable 若 AI 主動決定： $$ \text{what to measure}, $$ 則 observation policy： $$ \pi_O $$ 必須保存。 否則： $$ p_{\mathrm{observed}} $$ 的 selection bias 無法評估。 --- # 30. N10：The Facility Must Know Its Own Validity Boundary 對 autonomy system： $$ \mathcal{D}_{\mathrm{validated}} $$ 應被明確定義。 當： $$ S_t \notin \mathcal{D}_{\mathrm{validated}}, $$ 則： $$ L_{\mathrm{autonomy}}\downarrow. $$ 成熟自治的特徵不是永遠自信。 而是： $$ \boxed{ \text{知道何時自己不再被驗證}. } $$ --- # 31. 五種競爭架構 ASHC 不能只和「傳統人工實驗室」比較。 至少有五種合理 architecture competitors。 --- ## Architecture A — Traditional Human-Centered Facility $$ \boxed{ \text{Human First} } $$ AI 只作輔助。 優點： - flexible human intervention； - familiar governance； - lower automation CAPEX。 缺點： - human exposure； - limited automation throughput； - environmental disturbance； - continuous staffing。 --- ## Architecture B — Automated but Human-Serviceable Facility $$ \boxed{ \text{Automation First, Human Maintenance} } $$ 自動化完成日常流程，人仍是主要維修者。 這可能是大量現實設施的長期最優點。 --- ## Architecture C — Centralized AI Facility $$ \boxed{ \text{One Central AI} } $$ 所有 site actions 上送中央。 優點： - global coordination； - simpler high-level architecture。 缺點： - latency； - network dependency； - single failure mode； - authority concentration。 --- ## Architecture D — Modular Autonomous Cells $$ \boxed{ \text{Independent Autonomous Cells} } $$ 每個 lab / compute zone 高度自治，但跨區耦合低。 優點： - fault isolation； - easier verification； - modular deployment。 缺點： - low global resource utilization； - duplicate infrastructure。 --- ## Architecture E — ANCSI Federated Habitat $$ \boxed{ \text{Local Autonomy} + \text{Shared Physical Infrastructure} + \text{Federated Governance} } $$ 這就是 ASHC。 它必須證明自己真的優於 B 或 D。 否則沒有必要進入更高整合度。 --- # 32. 最重要的競爭者其實不是 A，而是 D ASHC 不應靠： > 比純人工實驗室自動。 來證明自己。 真正困難的比較是： $$ \boxed{ \text{Integrated Habitat} \quad \text{vs} \quad \text{Modular Autonomous Cells}. } $$ 因為 modular cells 已經可以： - autonomous； - safe； - machine-operated； 卻不需要共享複雜 thermal / fluid / governance infrastructure。 所以如果： $$ V_{\mathrm{D}} \ge V_{\mathrm{E}}, $$ ASHC 的整合命題即失敗。 --- # 33. ASHC 的系統相變門檻 本文提出一個概念性變數： $$ \kappa = \text{cross-system coupling intensity}. $$ 當： $$ \kappa\rightarrow0, $$ 各實驗室獨立最佳化即可。 當： $$ \kappa\uparrow, $$ 例如大量共享： - compute； - cooling； - robotics； - storage； - instruments； - logistics； 則 independent optimization 的 inefficiency 可能增加。 可能存在： $$ \kappa^\ast $$ 使： $$ \kappa>\kappa^\ast $$ 後，joint orchestration 才值得。 這就是： $$ \boxed{ \text{ASHC integration threshold hypothesis}. } $$ --- # 34. Integration Threshold 如何測量？ 可以定義： $$ \kappa = w_1\kappa_C + w_2\kappa_T + w_3\kappa_L + w_4\kappa_X + w_5\kappa_E. $$ 其中： $$ \kappa_C = \text{shared compute dependence}, $$ $$ \kappa_T = \text{shared thermal dependence}, $$ $$ \kappa_L = \text{shared logistics dependence}, $$ $$ \kappa_X = \text{shared instrument dependence}, $$ $$ \kappa_E = \text{shared energy dependence}. $$ 然後比較： $$ J_{\mathrm{modular}}(\kappa) $$ 與： $$ J_{\mathrm{integrated}}(\kappa). $$ 若兩曲線交叉： $$ \exists \kappa^\ast: J_I\kappa^\ast, $$ 也可能存在第二個門檻： $$ \kappa_{\mathrm{over}}. $$ 當耦合太多： $$ C_{\mathrm{complexity}}\uparrow\uparrow. $$ 所以最優解可能是： $$ \boxed{ \kappa^\ast < \kappa < \kappa_{\mathrm{over}}. } $$ 這意味 ANCSI 本質上仍應 modular。 只是模組間的 orchestration 更深。 --- # 36. Cell-Based Architecture 因此本文建議： $$ \boxed{ \text{Federated Cell Architecture}. } $$ 整座 habitat 由： $$ \mathcal{C} = \{ C_1,C_2,\ldots,C_n \} $$ 構成。 每個 cell 具有： - compute； - local robot； - local instrument； - local safety； - local AI。 共享： - energy； - thermal backbone； - logistics； - scientific evidence bus； - site AI； - governance。 這在 integration 與 isolation 間提供中間解。 --- # 37. 每個 Cell 必須能部分獨立存活 如果： $$ C_i $$ 與 site backbone 斷線， 至少能： $$ \boxed{ \text{safe isolate}. } $$ 更高成熟度則可： $$ \text{continue limited mission}. $$ 所以： $$ \text{federation} \neq \text{total dependency}. $$ --- # 38. Shared Infrastructure 應有明確類型 可分： $$ I_{\mathrm{shared}} = \{ I_E, I_T, I_L, I_D, I_G \}. $$ 其中： $$ I_E = \text{energy}, $$ $$ I_T = \text{thermal / fluid}, $$ $$ I_L = \text{logistics}, $$ $$ I_D = \text{data / evidence}, $$ $$ I_G = \text{governance}. $$ 每一類共享都需要獨立回答： > 共享真的比局部自備好嗎？ --- # 39. Heat / Cold Backbone 不應強迫所有 Cell 使用同一溫度 ANCSI-02 已經說明： $$ \text{one facility} \neq \text{one temperature}. $$ 因此 shared thermal backbone 應是： $$ \boxed{ \text{multi-temperature service} } $$ 而不是： $$ T_i=T_j. $$ 不同 cell 有： $$ T_i^\ast. $$ --- # 40. Scientific Evidence Bus 不應等於單一資料庫 Evidence Bus 是： $$ \boxed{ \text{interoperability contract}. } $$ 可以分散儲存。 重要的是所有： - sample； - experiment； - instrument； - model； - claim； 有可解析 identity 與 provenance edge。 因此： $$ \mathcal{G}_{E} $$ 可以跨 storage backend。 --- # 41. Habitat OS 是什麼？ 如果未來真的需要一個高層 runtime，可以暫時稱： $$ \boxed{ \text{Habitat Orchestration Layer} } $$ 而不是宣稱一個 monolithic OS。 它接收： $$ G_{\mathrm{mission}} $$ 例如： > 在三天內找到材料家族中高溫穩定性最佳候選，保留完整 evidence。 然後拆成： $$ \{ \text{compute plan}, \text{experiment plan}, \text{thermal plan}, \text{robot plan}, \text{observation plan} \}. $$ 但每個 plan 都由對應 domain controller 驗證。 --- # 42. Mission Intent 可以表示： $$ I_M = ( G, C, R, D, P ). $$ 其中： $$ G = \text{goal}, $$ $$ C = \text{constraints}, $$ $$ R = \text{risk envelope}, $$ $$ D = \text{deadline}, $$ $$ P = \text{priority}. $$ AI 不能只收到： > 去研究這個。 還需要知道： $$ \boxed{ \text{what not to do}. } $$ --- # 43. Mission Compiler 高層 mission： $$ I_M $$ 轉換成： $$ \boxed{ \text{Executable Scientific Campaign}. } $$ 包括： $$ \mathcal{C}_M: I_M \rightarrow \{ J_C, J_X, J_T, J_L, J_O \}. $$ 其中： $$ J_C = \text{compute jobs}, $$ $$ J_X = \text{experiments}, $$ $$ J_T = \text{thermal tasks}, $$ $$ J_L = \text{logistics}, $$ $$ J_O = \text{observation tasks}. $$ --- # 44. Mission Compiler 不能直接執行 每個 $J_i$ 還必須： $$ J_i \rightarrow V_i \rightarrow E_i. $$ 即： $$ \text{plan} \rightarrow \text{validate} \rightarrow \text{execute}. $$ 這保持： $$ \boxed{ \text{reasoning separated from actuation}. } $$ --- # 45. 科學目標與工程目標會衝突 例如： Scientific objective： $$ \max I_{\mathrm{gain}}. $$ Engineering objective： $$ \min E. $$ Safety objective： $$ R 某區域 evidence conflict 很大。 提出： $$ Q_{\mathrm{AI}}. $$ 人類也可以提出： $$ Q_H. $$ 所以 research agenda： $$ \mathcal{Q} = \mathcal{Q}_H \cup \mathcal{Q}_{AI}. $$ 不需預設只有哪一邊才是真正 scientist。 --- # 51. 多 AI 不是要形成「議會表決真理」 科學命題： $$ H $$ 不因： $$ N_{\mathrm{AI\ votes}}\uparrow $$ 而變真。 所以 multi-AI 的用途是： - diverse model； - challenge； - independent reconstruction； - safety critique； - alternate experiment design。 而不是： $$ \boxed{ \text{truth by majority vote}. } $$ --- # 52. Multi-AI Scientific Adversarial Review 可以建立： ### Proposer AI 提出： $$ H_A. $$ ### Critic AI 尋找： $$ E_{\mathrm{contradict}}. $$ ### Experimentalist AI 提出： $$ a^\ast. $$ ### Provenance AI 檢查 evidence path。 最後： $$ \boxed{ \text{experiment decides}. } $$ 這是一個比單純 voting 更科學的 multi-AI structure。 --- # 53. AI Habitat 不應形成認識論單一文化 如果整座設施只使用： $$ M^\ast $$ 一個 foundation model， 則： $$ \text{model blind spot} $$ 可能擴散到所有科研流程。 所以 critical reasoning path 應有： $$ \boxed{ \text{epistemic diversity}. } $$ 包括： - different models； - different physical modalities； - different algorithms； - human review。 --- # 54. 但 diversity 也有成本 若每個 experiment 都需要： $$ 10 $$ 個模型重新分析， $$ C_{\mathrm{compute}}\uparrow. $$ 因此 diversity 應集中在： - high impact； - high uncertainty； - high irreversibility； - anomaly。 普通 routine operation 可使用較簡單 policy。 --- # 55. Autonomy Should Scale With Reversibility 本文提出： $$ \boxed{ R_{\mathrm{irreversible}}\uparrow \Rightarrow A_{\mathrm{autonomy}}\downarrow } $$ 作為 governance heuristic。 例如： ### Reversible 重新量一次。 可高自治。 ### Expensive but Reversible 需要高一層確認。 ### Destructive Experiment 需要更高 authority。 ### Permanent Infrastructure Change 需要 distributed governance。 這和 ANCSI-06 的 authority hierarchy 一致。 --- # 56. Autonomous Habitat 的安全核心不是 AI 這個結論必須重複。 真正的 safety case 應由： $$ \boxed{ \text{passive safety} + \text{deterministic protection} + \text{validated control} + \text{bounded AI} } $$ 構成。 如果安全論證是： > 我們用的 AI 很強，所以不會出錯。 則： $$ \boxed{ \text{system is not ready}. } $$ --- # 57. AI 的真正角色是擴展可管理複雜度 傳統人類 operator 能同時管理的 state 維度有限。 如果： $$ \dim(S)\uparrow\uparrow, $$ AI 的價值在於： $$ \boxed{ \text{state compression} + \text{prediction} + \text{planning} + \text{coordination}. } $$ 不是取代 physics。 --- # 58. ASHC 的最大價值可能不是「更冷」 本系列最早從極低溫計算場開始。 但統合後可以看到： $$ \boxed{ \text{cryogenics is only one subsystem}. } $$ ASHC 真正更一般的價值可能在： - adaptive environment； - AI-native research execution； - machine-native maintenance； - provenance； - resource orchestration。 即使未來 cryogenic classical compute 沒有巨大價值，ASHC 其餘架構仍可能成立。 --- # 59. 因此系列必須允許子命題失敗 例如未來證據顯示： $$ H_2=0 $$ 即動態 thermal field 沒有價值。 那麼： $$ H_1,H_6,H_7,H_8 $$ 仍可能成立。 所以 ANCSI 不是 all-or-nothing theory。 可表示： $$ \mathbf{H} = (H_1,H_2,\ldots,H_9). $$ 最終實證可能得到： $$ \mathbf{H} = (1,0,1,0,1,1,1,1,0). $$ 這仍然是有價值的研究結果。 --- # 60. Strong ASHC 與 Weak ASHC 本文因此區分： ## Weak ASHC 至少： $$ H_1,H_6,H_7,H_8 $$ 部分成立。 即： $$ \boxed{ \text{AI-native autonomous scientific zones are useful}. } $$ --- ## Strong ASHC 大部分： $$ H_1,\ldots,H_9 $$ 成立，且： $$ H_9=1. $$ 也就是： $$ \boxed{ \text{integrated habitat-level orchestration is superior}. } $$ 目前只能合理主張： $$ \text{Weak ASHC is increasingly plausible}. $$ Strong ASHC 仍缺乏直接證據。 --- # 61. ASHC 不應依賴 AGI 假設 這是很重要的研究邊界。 如果架構只有在： > 完美 AGI 出現 後才成立， 它目前幾乎無法驗證。 所以本文要求： $$ \boxed{ \text{each stage should be testable with bounded AI}. } $$ 例如： - MPC； - vision model； - LLM agent； - planner； - anomaly detector； - robotic controller。 不需要先解決 general intelligence。 --- # 62. 一個設施可以同時有多種智能 $$ \mathcal{I} = \{ I_{\mathrm{deterministic}}, I_{\mathrm{optimization}}, I_{\mathrm{ML}}, I_{\mathrm{LLM}}, I_{\mathrm{human}} \}. $$ 不需要： $$ I_{\mathrm{one\ model}} $$ 包辦全部。 這通常反而更安全。 --- # 63. 第一階段：Digital Habitat 不要先蓋大型低溫設施。 先建立： $$ \boxed{ \text{Digital Habitat} } $$ 包含： - compute simulator； - thermal model； - fluid network； - robot simulator； - experiment simulator； - governance engine； - evidence graph。 測試： $$ \pi_{\mathrm{modular}} $$ vs： $$ \pi_{\mathrm{integrated}}. $$ --- # 64. Digital Habitat 必須能做 Failure Injection 故障集： $$ \mathcal{F} = \{ F_{\mathrm{AI}}, F_{\mathrm{sensor}}, F_{\mathrm{network}}, F_{\mathrm{pump}}, F_{\mathrm{robot}}, F_{\mathrm{policy}}, F_{\mathrm{data}} \}. $$ 例如： - model hallucination； - sensor drift； - network partition； - valve stuck； - robot blocked； - stale policy； - calibration error。 觀察： $$ \text{fault propagation}. $$ --- # 65. 第二階段：Physical Autonomous Cell 建立： $$ \boxed{ C_1 } $$ 只有： - small compute cluster； - one robot； - one instrument； - liquid cooling； - local AI； - safety PLC； - provenance store。 全部環境仍 human-safe。 目標： $$ \boxed{ \text{prove closed-loop usefulness before exotic physics}. } $$ --- # 66. 第三階段：Federated Multi-Cell Facility 建立： $$ C_1,C_2,C_3. $$ 共享： - compute； - logistics； - instrument queue； - data； - thermal storage。 比較： $$ \text{independent cell scheduler} $$ 與： $$ \text{site orchestration}. $$ 此階段第一次直接測： $$ H_9. $$ --- # 67. 第四階段：Adaptive Physical Environment 加入： - multi-zone liquid cooling； - thermal storage； - dry atmosphere； - dynamic routing； - higher-temperature heat reuse。 仍然避免極低溫。 測試： $$ H_2,H_3,H_4,H_5. $$ --- # 68. 第五階段：Machine-Native Restricted Zone 建立： $$ Z_M \rightarrow Z_R. $$ 加入： - no routine human operation； - robotic maintenance； - automated purge； - safe-entry conversion； - remote observation。 測試： $$ H_7. $$ --- # 69. 第六階段：Cryogenic / Extreme Scientific Habitat 只有前五階段成熟後才加入： - $80\ \mathrm{K}$ ； - $20\ \mathrm{K}$ ； - $4\ \mathrm{K}$ ； - specialized cryogenic electronics； - vacuum-jacketed low-temperature distribution； - quantum / cryogenic instrument。 這避免把： $$ \boxed{ \text{hardest physics} } $$ 放在最早原型。 --- # 70. 為什麼 80 K 比 4 K 更適合早期研究？ 因為： $$ COP_{\mathrm{Carnot}} = \frac{T_c}{T_h-T_c}. $$ 若： $$ T_h=300\ \mathrm K, $$ 則： $$ COP_{80K} = \frac{80}{220} \approx0.364. $$ 而： $$ COP_{4K} = \frac{4}{296} \approx0.0135. $$ 理想值就已相差巨大。 所以： $$ \boxed{ \text{prove architecture before spending exergy}. } $$ --- # 71. 第七階段：Scientific Habitat Pilot 如果前述階段成功，建立一座小型 pilot： $$ \boxed{ \text{hundreds of square meters, not city scale}. } $$ 包含： - Human Zone； - Machine Zone； - Restricted Zone； - compute cluster； - autonomous laboratories； - thermal backbone； - robotic maintenance； - AI-native observation； - multi-cloud governance。 進行： $$ T_{\mathrm{operation}} \ge 12\text{ months} $$ 的長時間驗證。 --- # 72. 長時間運行比 Demo 更重要 一場兩小時 demo 能證明： $$ \text{possible}. $$ 不能證明： $$ \text{operationally viable}. $$ 需要測： - component aging； - model drift； - maintenance burden； - human fatigue； - network outage； - seasonal environment； - rare failure。 所以： $$ \boxed{ \text{ASHC requires longitudinal evidence}. } $$ --- # 73. 系統成熟度模型 本文提出： $$ \boxed{ \mathrm{ASHL} = \text{Autonomous Scientific Habitat Level}. } $$ --- ## ASHL-0 — Conventional Facility 人類主導。 AI 僅分析。 --- ## ASHL-1 — Automated Facility 大量 script / robotics。 人仍監督每個重要流程。 --- ## ASHL-2 — Autonomous Cell 單一實驗 cell 可長時間閉環。 --- ## ASHL-3 — Federated Autonomous Cells 多 cell 可共享資源與 evidence。 --- ## ASHL-4 — Machine-Native Zone 部分區域 no-routine-human-operation。 --- ## ASHL-5 — Integrated Scientific Habitat 計算、熱、物流、科研、觀測與治理跨域 orchestration。 --- ## ASHL-6 — Multi-Site Federated Habitat 多場區跨地理位置協作。 本文目前沒有證據支持任何實體系統已達： $$ ASHL\text{-}5. $$ --- # 74. ASHL 不是「文明等級」 ASHL 只表示： $$ \boxed{ \text{integration / autonomy architecture maturity}. } $$ ASHL-5 不代表比 ASHL-2「更文明」。 對某個 lab： $$ ASHL\text{-}2 $$ 可能就是最優終點。 --- # 75. 核心比較指標 ASHC 必須用多維指標比較。 定義： $$ \mathbf{M} = ( M_S, M_E, M_R, M_T, M_H, M_P, M_C ). $$ 其中： $$ M_S = \text{scientific value}, $$ $$ M_E = \text{energy / exergy}, $$ $$ M_R = \text{reliability}, $$ $$ M_T = \text{throughput}, $$ $$ M_H = \text{human exposure / attention}, $$ $$ M_P = \text{provenance}, $$ $$ M_C = \text{lifecycle cost}. $$ 不能只用： $$ \text{experiments per hour}. $$ --- # 76. Scientific Value Metric 可以暫時使用： $$ M_S = \frac{ I_{\mathrm{validated}} }{ C_{\mathrm{resource}} }. $$ 但 information gain 在不同學科很難直接比較。 因此每個實驗領域必須建立自己的 domain metric。 --- # 77. Human Exposure Metric 對 hazardous zone： $$ M_H^{\mathrm{exposure}} = \int \rho_{\mathrm{hazard}}(t) n_H(t) dt. $$ 若 machine-native architecture 真有價值： $$ M_H^{\mathrm{exposure}} \downarrow. $$ --- # 78. Human Attention Metric 另一方面： $$ A_H = \text{human attention load}. $$ 如果 autonomy 只是把： > 操作工作 變成： > 每分鐘看一百個 alert， 則： $$ A_H $$ 沒有改善。 所以 human cognitive burden 也要量化。 --- # 79. Provenance Metric 定義： $$ P_C = \frac{ N_{\mathrm{scientific\ claims\ with\ complete\ evidence\ path}} }{ N_{\mathrm{scientific\ claims}} }. $$ 對高自治科研： $$ P_C $$ 應接近： $$ 1. $$ --- # 80. Intervention Metric $$ I_H = \frac{ N_{\mathrm{physical\ human\ interventions}} }{ T_{\mathrm{operation}} }. $$ 目標不是： $$ I_H=0. $$ 而是找： $$ I_H^\ast $$ 使： - safety； - cost； - availability； 最佳。 --- # 81. Autonomy Failure Metric $$ F_A = \frac{ N_{\mathrm{AI\ action\ requiring\ correction}} }{ N_{\mathrm{AI\ actions}} }. $$ 還需要 impact weighting： $$ F_A^w = \sum_i w_iF_i. $$ 因為： - 小路由錯誤； - safety violation； 不能同權。 --- # 82. Graceful Degradation Metric 故障後： $$ C_{\mathrm{mission}} \downarrow. $$ 但： $$ R_{\mathrm{safety}} $$ 應維持。 可定義： $$ G_D = \frac{ \Delta C_{\mathrm{mission}} }{ \Delta R_{\mathrm{safety}} }. $$ 具體 metric 需要 domain-specific normalization。 --- # 83. Integration Benefit Metric 最重要的是： $$ \boxed{ \Delta J_I = J_{\mathrm{modular}} - J_{\mathrm{integrated}}. } $$ 如果： $$ \Delta J_I>0, $$ 支持 ASHC integration。 若： $$ \Delta J_I\le0 $$ 長期穩定成立， 則 H9 應被否定。 --- # 84. 必須預先定義停止條件 好的 conjecture 不只說： > 怎麼成功。 還要說： > 什麼時候停止投入。 本文提出 Stop Conditions。 --- # 85. Stop Condition S1：Integration Does Not Pay 若經多代原型： $$ \Delta J_I\le0 $$ 且改善空間低， 停止 habitat-level integration。 保留 modular autonomous labs。 --- # 86. S2：Robot Maintenance Fails Economically 若： $$ C_{\mathrm{robot}} > C_{\mathrm{human}} $$ 且安全收益有限， 則： $$ Z_N $$ 退化回： $$ Z_S. $$ --- # 87. S3：Provenance Cost Becomes Dominant 若： $$ C_{\mathrm{provenance}} $$ 高到使科研 throughput 無法接受， 重新縮小 evidence granularity。 但不能假裝 provenance 不重要。 --- # 88. S4：AI Authority Cannot Be Validated 若無法穩定定義： $$ \mathcal{A}_{\mathrm{authorized}} $$ 或 AI 經常越權： $$ N_A>0 $$ 且無法消除， 取消 autonomous physical authority。 回到 advisory mode。 --- # 89. S5：Human Recovery Is Not Reliable 如果： $$ P( M_M\rightarrow M_H ) $$ 不能達到安全要求， 不得部署： $$ Z_N. $$ --- # 90. S6：Cryogenic Compute Has No Net Benefit 如果： $$ \Delta V_{\mathrm{cryo}} \le C_{\mathrm{cool}} + C_{\mathrm{transition}} + C_{\mathrm{wear}}, $$ 則停止 cryogenic classical compute 線。 這不影響其他 ANCSI 命題。 --- # 91. S7：AI-Native Observation Reduces Scientific Correction Ability 若 AI projection 讓： $$ \tau_{\mathrm{detect\ error}} \uparrow $$ 或： $$ P_C\downarrow, $$ 則介面設計失敗。 回到更低抽象層。 --- # 92. S8：Human Cognitive Load Does Not Improve 若： $$ A_H^{\mathrm{AI-native}} \ge A_H^{\mathrm{traditional}}, $$ 則 exception-based supervision 需要重新設計。 --- # 93. S9：Common-Mode AI Failure Dominates 若多 AI： $$ AI_1,\ldots,AI_n $$ 仍高度 correlated： $$ \rho_{ij}\approx1, $$ 不要把 multi-AI 當成安全冗餘。 改用： - deterministic checks； - physical diversity； - independent modalities。 --- # 94. ASHC 的證偽標準 Strong ASHC 可被下列證據明顯削弱： 1. Autonomous cells 有效，但 integrated habitat 長期無額外收益； 2. machine-native zones 維護成本遠高於 human-serviceable zones； 3. AI-mediated observation 降低科研可驗證性； 4. physical-state programming 的節能收益低於增加的複雜度； 5. multi-cloud / multi-AI governance 增加 latency 與事故； 6. human exception handling 頻率高到 autonomy 失去意義。 若這些在多個 domain 都成立： $$ \boxed{ \text{Strong ASHC should be rejected}. } $$ --- # 95. Weak ASHC 的證偽標準 Weak ASHC 也可能被否定。 若： - autonomous science 沒有穩定提高科研效率； - robots 仍無法處理一般實驗環境變異； - AI observation 不足以降低人工負擔； - human-centered facility 仍全面具有較低 lifecycle cost； 則： $$ \boxed{ \text{even machine-native scientific zones may remain niche}. } $$ --- # 96. 什麼情況反而支持 Strong ASHC？ 需要至少出現： ### Evidence A 多 cell joint orchestration： $$ \Delta J_I>0. $$ ### Evidence B $$ T_H\downarrow $$ 而： $$ \text{Availability}\uparrow. $$ ### Evidence C AI-native observation： $$ \tau_H\downarrow, $$ 且： $$ P_C\uparrow. $$ ### Evidence D WAN loss、model loss、robot fault 下： $$ \text{safe degradation}. $$ ### Evidence E longitudinal operation： $$ T_{\mathrm{pilot}} \ge 12\text{ months} $$ 仍保持正收益。 只有這類證據才能真正支持 habitat-level architecture。 --- # 97. 安全邊界：哪些事情不能交給生成式 AI 至少包括： - mandatory pressure relief； - electrical protection； - emergency mechanical stops； - fire suppression trigger； - certified radiation interlock； - critical oxygen-deficiency protection； - hard process limits。 高階 AI 可以： $$ \text{request}, $$ 但不能： $$ \boxed{ \text{disable certified safety barrier}. } $$ --- # 98. AI 可以重新配置安全嗎？ 只有在： $$ \text{offline engineering process} $$ 中。 例如重新設計： $$ P_{\max} $$ 需要： - engineering analysis； - validation； - certification； - human approval； - versioned deployment。 不能 runtime 說： > 今天任務很重要，把 $P_{\max}$ 調高。 --- # 99. Habitat Governance Constitution 成熟 ANCSI 可建立： $$ \boxed{ \mathcal{C}_{G} = \text{Governance Constitution} } $$ 包含： 1. physical invariants； 2. safety invariants； 3. authority classes； 4. escalation rules； 5. model qualification； 6. human rights of intervention； 7. evidence requirements； 8. irreversible-action rules； 9. recovery rules。 這比散落的 access-control tables 更接近真正 infrastructure governance。 --- # 100. Physical Invariants 例如： $$ PO_{2,\min} $$ for human entry。 $$ T AI 能不能做 scientific reasoning？ ASHC 討論： > 如果 AI 真的參與科研，物理基礎設施應如何重構？ 所以： $$ \boxed{ \text{ASHC is infrastructure-first, not consciousness-first}. } $$ 它不需要回答： - AI 是否真的理解； - AI 是否具有主體性。 它只測： $$ \text{system performance and scientific validity}. $$ --- # 107. 科研設施的最終 operator 可能是一個群體系統 完整 operation： $$ \mathcal{O} = \{ H, AI_1,\ldots,AI_n, R_1,\ldots,R_m, C_1,\ldots,C_k \}. $$ 其中： - $H$：humans； - $AI$：intelligent agents； - $R$：robots； - $C$：controllers。 因此： $$ \boxed{ \text{operator} } $$ 不再是單一人或單一 AI。 而是： $$ \boxed{ \text{distributed socio-technical control system}. } $$ --- # 108. 這反而要求更清楚的責任，不是更模糊 如果： $$ \text{many agents} $$ 參與， 不能得出： > 所以沒有人負責。 反而需要： $$ \boxed{ \text{responsibility decomposition}. } $$ 例如： - policy owner； - model owner； - system operator； - safety authority； - scientific principal investigator； - maintenance authority。 法律實作依司法管轄區另行處理。 --- # 109. 公開論文與工程機密的邊界 ANCSI 作為公開系列，可以公開： - architecture； - hypotheses； - metrics； - falsification； - general safety principles。 但不一定公開： - site-specific network diagram； - security credential； - vulnerability； - exact emergency override； - hazardous inventory； - proprietary hardware detail。 因此： $$ \boxed{ \text{scientific openness} \neq \text{operational oversharing}. } $$ --- # 110. ANCSI 的第一個正式 Reference Architecture 邊界 本系列完成後，下一份白皮書應建立： $$ \boxed{ \mathrm{ANCSI\ Reference\ Architecture\ v0.1} } $$ 但它不應直接給出： > 大公司照這張圖蓋就好。 應先是 architecture specification。 至少包含： 1. system context； 2. zone taxonomy； 3. physical plane； 4. compute plane； 5. thermal plane； 6. fluid plane； 7. robotic plane； 8. observation plane； 9. evidence plane； 10. authority plane； 11. safety plane； 12. human recovery plane； 13. digital twin； 14. test harness。 --- # 111. Reference Architecture 不應固定單一硬體 例如 cryogenic technology 可能改變。 所以 v0.1 應定義： $$ \boxed{ \text{interfaces} } $$ 而不是綁定： - 某廠牌 chiller； - 某 AI model； - 某 robot。 例如： $$ I_{\mathrm{thermal}} $$ 只要求： - capacity； - state； - telemetry； - isolation； - safety contract。 --- # 112. Hardware-Agnostic, Physics-Aware 最合理原則： $$ \boxed{ \text{hardware-agnostic} + \text{physics-aware}. } $$ 可以換設備。 不能忽略： - pressure； - temperature； - latency； - geometry； - energy。 --- # 113. Model-Agnostic, Authority-Aware 同理： $$ \boxed{ \text{model-agnostic} + \text{authority-aware}. } $$ 任何 AI model 都需要經： $$ \mathcal{Q}(M) $$ qualification 才取得對應 authority。 不能因 provider 名稱直接信任。 --- # 114. Observation-Agnostic, Provenance-Aware 儀器可以更換。 但： $$ \boxed{ \text{raw} \rightarrow \text{calibration} \rightarrow \text{derived} \rightarrow \text{inference} } $$ 的層級關係不能消失。 --- # 115. ASHC 的最小證據單位 一個正式 scientific action event： $$ E $$ 至少應包含： $$ E = ( t, \text{actor}, \text{authority}, \text{state}, \text{intent}, \text{action}, \text{observation}, \text{provenance} ). $$ 這個 event 可以成為未來 scientific runtime 的基本紀錄單元。 --- # 116. 物理世界與科學世界應共享時間座標 若： $$ E_{\mathrm{facility}}(t) $$ 與： $$ E_{\mathrm{science}}(t) $$ 使用不同 time base， 就難以知道： > 某 vibration 是否造成某 measurement anomaly？ 所以 Reference Architecture 應要求： $$ \boxed{ \text{common or traceably synchronized time}. } $$ --- # 117. 共用世界狀態不代表共用單一資料模型 不同 subsystem 有不同 ontology。 所以： $$ S $$ 可以是： $$ \boxed{ \text{federated state graph} } $$ 而不是巨大 JSON。 這也降低單一 schema lock-in。 --- # 118. 科學 Campaign 應該可以被暫停、回放與轉移 如果： $$ C_i $$ 故障， campaign： $$ \Gamma $$ 應能： $$ \Gamma_i \rightarrow \Gamma_j. $$ 這需要： - sample state； - experiment state； - model state； - evidence state； 可遷移。 這是科研版 checkpoint / migration。 --- # 119. Scientific Checkpoint 本文提出： $$ \boxed{ \text{Scientific Checkpoint}. } $$ 包括： $$ K_s = ( H, E, S_{\mathrm{sample}}, S_{\mathrm{instrument}}, Q_{\mathrm{next}} ). $$ 使 campaign 中斷後： $$ \text{resume}. $$ 這比只保存 notebook 更完整。 --- # 120. 科研 Campaign 也能 Failover 如果 instrument A 故障， 系統可以判斷： $$ I_A \rightarrow I_B $$ 是否可接受。 但需檢查： $$ \text{calibration equivalence}, $$ $$ \text{resolution}, $$ $$ \text{systematic bias}. $$ 不能因為「都是顯微鏡」就當完全等價。 --- # 121. Scientific Service Contract 每個 instrument 可以發布： $$ \boxed{ \mathrm{SSC} } $$ 包含： - modality； - resolution； - uncertainty； - sample constraints； - throughput； - calibration state； - autonomy capability。 scheduler 用 SSC 判斷 experiment placement。 --- # 122. Robot Service Contract Robot： $$ \mathrm{RSC} $$ 包含： - reach； - payload； - precision； - environment compatibility； - tool set； - recovery mode； - autonomy level。 這讓 embodiment 成為可排程資源。 --- # 123. Thermal Service Contract Thermal zone： $$ \mathrm{TSC} $$ 包含： $$ T_{\min}, T_{\max}, Q_{\max}, r_T, SOC_c, R. $$ 這承接 ANCSI-02 到 05。 --- # 124. Authority Service Contract Agent： $$ \mathrm{ASC} $$ 包含： $$ \mathcal{A}_{\mathrm{authorized}}, $$ $$ Z, $$ $$ T_{\mathrm{expiry}}, $$ $$ P_{\mathrm{policy}}. $$ 使 orchestration 不需要猜： > 這個 agent 到底能不能做。 --- # 125. ASHC 最終可能形成一種「物理雲」 資料中心 cloud： $$ \text{compute as resource}. $$ ASHC 可能出現： $$ \boxed{ \text{physical scientific capability as resource}. } $$ 例如： - $4\ \mathrm K$ stage； - microscope； - robot； - inert atmosphere； - beamline； - thermal storage； 都能以 service contract 被 scheduler 使用。 但： $$ \boxed{ \text{physics is not infinitely fungible}. } $$ 物理位置、時間、材料與污染限制仍存在。 --- # 126. Physical Cloud 與 Digital Cloud 的根本差異 Digital resource： $$ \text{copyable}. $$ Physical sample： $$ \text{not necessarily copyable}. $$ Digital workload： $$ \text{migratable}. $$ Cryogenic instrument： $$ \text{location-bound}. $$ 所以 physical cloud 必須管理： $$ \boxed{ \text{scarcity} + \text{location} + \text{history}. } $$ --- # 127. Habitat 最終不是一個「巨大機器人」 這是另一個重要邊界。 設施可以具有大量 autonomy。 但它不是： $$ \text{one giant robot}. $$ 而更像： $$ \boxed{ \text{federation of physical services and bounded agents}. } $$ 這使故障隔離與升級更容易。 --- # 128. Strong ASHC 的真正門檻：跨層閉環 如果只有： - robot automation； - AI experiment； - liquid cooling； 彼此獨立， 還不是 Strong ASHC。 Strong ASHC 要求： $$ \boxed{ \text{cross-layer feedback}. } $$ 例如： $$ \text{scientific campaign} \rightarrow \text{compute demand} \rightarrow \text{thermal preconditioning} \rightarrow \text{instrument schedule} \rightarrow \text{observation} \rightarrow \text{next campaign}. $$ --- # 129. Cross-Layer Feedback 也最危險 因為一個錯誤可能： $$ E_{\mathrm{AI}} \rightarrow E_{\mathrm{scheduler}} \rightarrow E_{\mathrm{thermal}} \rightarrow E_{\mathrm{physical}}. $$ 所以每個 layer boundary 都需要： $$ \boxed{ \text{validation gateway}. } $$ 這避免高層推理錯誤直接向下放大。 --- # 130. Validation Gateway 對 request： $$ r_i $$ gateway 檢查： $$ V_i(r_i) = \{ \text{schema}, \text{authority}, \text{safety}, \text{resource}, \text{state} \}. $$ 只有： $$ \bigwedge_jV_{ij}=1 $$ 才執行。 --- # 131. 這就是 ANCSI 的核心哲學：智能在上，約束在下 高層： $$ \boxed{ \text{open-ended reasoning}. } $$ 低層： $$ \boxed{ \text{closed physical constraints}. } $$ 兩者透過 typed intent 連接。 這比： > 讓 AI 自由操作所有設備 更接近可部署架構。 --- # 132. ASHC 的政治／法律中立性 本文不主張任何法域應採用特定 AI 法律人格、責任制度或勞動安排。 不同司法管轄區可能要求： - human accountability； - occupational safety； - data localization； - environmental licensing； - AI-specific regulation。 因此： $$ \boxed{ \text{governance architecture must be jurisdiction-aware}. } $$ 技術上能做不代表法律上可直接部署。 --- # 133. 人類科研自主性應保留 即使 AI 可以自動運行整個 campaign，人類仍應能： - 設定／修改研究問題； - 停止 experiment； - 檢視 raw evidence； - 質疑 model； - 要求 alternative analysis； - 修改 governance policy。 因此： $$ \boxed{ \text{AI autonomy does not imply scientific agenda monopoly}. } $$ --- # 134. 科研設施也應允許 AI 主動提案 反之，如果 AI 發現： $$ C(\mathbf{x},t)\uparrow $$ 即模型或儀器間矛盾增大， 可以提出： > 建議新增 experiment。 這是： $$ \boxed{ \text{proposal authority}. } $$ 與： $$ \text{execution authority} $$ 分開。 --- # 135. 提案自由可以比執行自由大 AI 可以提出： $$ a\in\mathcal{A}_{\mathrm{proposal}} $$ 即使： $$ a\notin \mathcal{A}_{\mathrm{execute}}. $$ 所以： $$ \boxed{ \mathcal{A}_{\mathrm{execute}} \subset \mathcal{A}_{\mathrm{proposal}}. } $$ 這保留創造力，又限制物理風險。 --- # 136. Habitat 的科研價值可能來自「持續性」 人類工作有： - sleep； - schedule； - shift； - fatigue。 autonomous facility 可以： $$ 24/7. $$ 但真正優勢不只是時間延長。 更重要： $$ \boxed{ \text{continuous state memory}. } $$ facility 可以持續記得： - sample history； - thermal history； - instrument drift； - model state。 --- # 137. Continuous State Memory 也可能成為風險 若 state history： $$ H_t $$ 錯誤或被污染， 之後： $$ \pi(H_t) $$ 可能持續偏差。 所以需要： - state verification； - checkpoint； - correction； - provenance。 不能把長期 memory 當成天然真實。 --- # 138. Habitat Scientific Memory 可分： $$ M = \{ M_{\mathrm{raw}}, M_{\mathrm{derived}}, M_{\mathrm{hypothesis}}, M_{\mathrm{operation}} \}. $$ 不同 memory 有不同 retention / trust class。 --- # 139. Operational Memory 與 Scientific Memory 必須區分 例如： > Pump 3 曾故障。 是： $$ M_{\mathrm{operation}}. $$ > Sample A phase transition 可能與 vibration 有關。 是： $$ M_{\mathrm{hypothesis}}. $$ 兩者不能混成同一 confidence class。 --- # 140. ASHC 的最小公開原型不應追求「看起來未來」 真正值得做的 MVP 是： $$ \boxed{ \text{boring but measurable}. } $$ 例如： - three autonomous cells； - shared cooling； - shared robot logistics； - local AI； - provenance； - WAN partition； - safe fallback。 不要先做： - 巨大 3D UI； - 擬人形總控 AI； - 超低溫全場。 因為那些不會直接驗證核心命題。 --- # 141. 第一個最有價值的實驗 本文建議第一個正式比較： $$ \boxed{ \text{Independent Cells} \quad \text{vs} \quad \text{Federated Cells}. } $$ 相同： - hardware； - experiments； - workloads； - robots。 只改： $$ \text{orchestration architecture}. $$ 量測： $$ \Delta J_I. $$ 如果沒有 integration benefit， 先不要往 Strong ASHC 前進。 --- # 142. 第二個最有價值的實驗 $$ \boxed{ \text{Human-Serviceable} \quad \text{vs} \quad \text{Machine-Native} } $$ 選一個 environment-sensitive experiment。 比較： - stability； - contamination； - throughput； - maintenance； - human intervention。 這直接測 H7。 --- # 143. 第三個最有價值的實驗 $$ \boxed{ \text{Traditional UI} \quad \text{vs} \quad \text{Reversible AI Projection} } $$ 讓研究者完成相同 scientific task。 比較： $$ \tau_H, $$ $$ P_C, $$ $$ R_{\mathrm{error}}. $$ 這測 H8。 --- # 144. 第四個最有價值的實驗 $$ \boxed{ \text{WAN Loss + Physical Fault}. } $$ 在 autonomous cell 正在運行時： $$ C_{\mathrm{WAN}}=0 $$ 並注入 pump / sensor fault。 測： $$ \text{safe degradation}. $$ 這是 H6 的核心壓測。 --- # 145. 第五個最有價值的實驗 $$ \boxed{ \text{Workload-Thermal Co-Scheduling} } $$ 比較： $$ \pi_{\mathrm{reactive}} $$ 與： $$ \pi_{\mathrm{joint}}. $$ 不用 cryogenic。 先用 liquid cooling + thermal storage。 這測 H2、H3、H5。 --- # 146. Strong ASHC 真正需要哪種證據？ 不是一篇 benchmark。 而是： $$ \boxed{ \text{convergent evidence}. } $$ 包括： - simulation； - prototype； - long-duration operation； - failure testing； - independent replication； - lifecycle economics； - safety validation。 --- # 147. Independent Replication 非常重要 如果 ANCSI 只在一家公司自己的 facility 成功， 可能： $$ \text{organization-specific}. $$ 需要不同： - lab； - hardware； - domain； 重現。 才有資格稱為一般 architecture。 --- # 148. Domain Transfer Test 例如從： $$ \text{materials science} $$ 轉到： $$ \text{biotechnology} $$ 若完全失效， 說明： $$ \text{generalizability} $$ 有限。 這與 2026 SDL 文獻對 generalizability 的關注一致。 --- # 149. 標準化不應太早 若 architecture 還快速變動， 太早固定 protocol： $$ \boxed{ \text{premature standardization} } $$ 可能鎖死錯誤設計。 所以初期應標準化： - evidence identity； - safety interface； - authority semantics； 而非： - 固定 robot morphology； - 固定 AI model。 --- # 150. 哪些接口最值得先標準化？ 本文建議順序： 1. evidence provenance； 2. authority / capability； 3. safety state； 4. time synchronization； 5. sample identity； 6. instrument service description； 7. thermal service description； 8. robot capability description。 這些比 UI 標準更基礎。 --- # 151. ASHC 若成功，真正產生的不是「無人工廠」 更準確地說： $$ \boxed{ \text{a continuously operating scientific cyber-physical environment}. } $$ 其中人類與 AI 的關係可能是： $$ \text{human} \leftrightarrow \text{scientific intent / governance} $$ $$ \text{AI} \leftrightarrow \text{continuous planning / interpretation} $$ $$ \text{robot} \leftrightarrow \text{physical action} $$ $$ \text{instrument} \leftrightarrow \text{measurement} $$ $$ \text{safety system} \leftrightarrow \text{hard constraints}. $$ --- # 152. 最終核心閉環 完整 ASHC 可寫成： $$ \boxed{ \begin{aligned} &\text{Scientific Intent}\\ &\downarrow\\ &\text{Campaign Planning}\\ &\downarrow\\ &\text{Authority Validation}\\ &\downarrow\\ &\text{Compute / Thermal / Logistics Preparation}\\ &\downarrow\\ &\text{Robotic and Instrument Execution}\\ &\downarrow\\ &\text{Raw Observation}\\ &\downarrow\\ &\text{Provenance-Preserving Analysis}\\ &\downarrow\\ &\text{Scientific Projection}\\ &\downarrow\\ &\text{Hypothesis Update}\\ &\downarrow\\ &\text{Next Intent} \end{aligned} } $$ 並且在整個循環旁始終存在： $$ \boxed{ \text{Safety} + \text{Governance} + \text{Evidence}. } $$ --- # 153. ASHC 的最終命題不是「AI 自己做科學」 它更精確地是： $$ \boxed{ \text{science can acquire an AI-native physical execution substrate}. } $$ 這個 substrate： - 不要求人類每一步在場； - 不取消人類治理； - 不把 AI 推論當 raw evidence； - 不把 physical safety 交給生成式模型； - 不假設所有區域需要低溫； - 不假設所有機器必須人形； - 不假設所有任務需要高度自治。 它只提出： > 當自治程度、計算密度與科研複雜度上升到足夠高時，一種新的設施類型可能變得合理。 --- # 154. 結論 ANCSI 系列由一個看似單純的問題開始： > 如果大型計算中心需要極低溫、動態熱管理與 AI 控制，現實工程該怎麼做？ 但在逐步展開後，真正問題不再是： $$ \text{how to cool a computer}. $$ 而變成： $$ \boxed{ \text{what kind of physical world should future AI-operated science inhabit?} } $$ 本文提出的 Autonomous Scientific Habitat Conjecture 將答案壓縮成： $$ \boxed{ \begin{aligned} \mathrm{ASHC} = &\ \text{AI-Native Compute}\\ +&\ \text{Programmable Thermodynamics}\\ +&\ \text{Reconfigurable Fluid / Vacuum Infrastructure}\\ +&\ \text{Thermal Storage and Exergy Routing}\\ +&\ \text{Layered Local Autonomy}\\ +&\ \text{Distributed Governance}\\ +&\ \text{Machine-Native Scientific Zones}\\ +&\ \text{Robotic Maintainability}\\ +&\ \text{Reversible AI-Native Observation}\\ +&\ \text{Evidence Provenance}. \end{aligned} } $$ 然而，本系列最重要的結論不是： > 這一定是未來。 而是： $$ \boxed{ \text{這個未來現在已經可以被拆成有限、可量化、可反駁的工程問題。} } $$ 2026 年的 self-driving laboratories 已經開始形成多實驗室生態系 [1][2]。 真實同步輻射 beamline 已經出現 agentic AI 閉環操作 [3][4]。 smart microscopy 與 thinking microscopes 正在把「看哪裡」本身變成演算法決策 [5][6]。 CERN 已累積多年 remote robotic maintenance 經驗，證明 hazardous scientific environment 中 human-outside / machine-inside 的模式具有現實價值 [7][8][9]。 NIST 也已經把 AI in critical infrastructure 的 deterministic behavior、graceful degradation、fail-safe operation 與 TEVV 提升到正式 profile-development 問題 [10][11]。 因此我們不需要先假設一個全能 AGI。 也不需要假設新的物理定律。 真正下一步只是： $$ \boxed{ \text{build the smallest system that can falsify the conjecture}. } $$ 若它失敗： 記錄為反例。 若它部分成功： 保留成立的子命題。 若不同領域、不同團隊與長時間運行最終都顯示整合式架構具有穩定優勢，那時才有理由逐步從： $$ \text{autonomous laboratory} $$ 走向： $$ \text{machine-native research zone} $$ 再走向： $$ \boxed{ \textbf{Autonomous Scientific Habitat}. } $$ 這應該是 ANCSI 第一階段公開理論系列最合理的停止點。 下一階段不再需要更多宏觀命題。 下一階段應該是： $$ \boxed{ \mathrm{ANCSI\ Reference\ Architecture\ v0.1} } $$ 以及真正可以被模擬、實作、壓測與推翻的工程規格。 --- # 參考文獻 [1] Oak Ridge National Laboratory. (2026). *Autonomous Science*. https://www.ornl.gov/autonomousscience [2] Oak Ridge National Laboratory. (2026). *Operations workforce powers ORNL’s autonomous science future*. Published July 1, 2026. https://www.ornl.gov/news/operations-workforce-powers-ornls-autonomous-science-future [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] Oak Ridge National Laboratory. (2026). *AI powers self-driving science*. Published August 6, 2026. https://www.ornl.gov/news/ai-powers-self-driving-science [5] 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 [6] 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 [7] CERN. (2022). *Robotic Solutions for Remote Maintenance*. https://indico.cern.ch/event/1055745/ [8] CERN. (2022). *Simulation and Best Practices for Remote Maintenance*. https://indico.cern.ch/event/1055754/ [9] 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 [10] National Institute of Standards and Technology. (2026). *Concept Note: AI RMF Profile on Trustworthy AI in Critical Infrastructure*. Created April 6, 2026; updated July 17, 2026. https://www.nist.gov/programs-projects/concept-note-ai-rmf-profile-trustworthy-ai-critical-infrastructure [11] National Institute of Standards and Technology. (2026). *Concept Note: Development of the NIST AI RMF Trustworthy Use of AI in Critical Infrastructure Profile*. https://www.nist.gov/system/files/documents/2026/04/08/Draft%20Concept%20Note_%20Development%20of%20the%20NIST%20AI%20RMF%20Trustworthy%20Use%20of%20AI%20in%20Critical%20Infrastructure%20Profile.pdf [12] 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 [13] 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 [14] Stouffer, K., Pease, M., Tang, C., et al. (2023). *NIST SP 800-82 Rev. 3: Guide to Operational Technology (OT) Security*. https://doi.org/10.6028/NIST.SP.800-82r3 [15] National Institute of Standards and Technology. (2020). *NIST SP 800-207: Zero Trust Architecture*. https://doi.org/10.6028/NIST.SP.800-207 [16] IEC. (2020). *IEC 62443-3-2: Security for industrial automation and control systems — Part 3-2: Security risk assessment for system design*. https://webstore.iec.ch/en/publication/30727 [17] IEC. *IEC 61511-1: Functional safety — Safety instrumented systems for the process industry sector*. https://webstore.iec.ch/en/publication/61289 [18] CERN. *Cryogenics: Low temperatures, high performance*. https://home.cern/science/engineering/cryogenics-low-temperatures-high-performance/ [19] Open Compute Project. *Heat Reuse*. https://www.opencompute.org/community/heat-reuse [20] National Renewable Energy Laboratory. (2025). *Reducing Data Center Peak Cooling Demand and Energy Costs With Underground Thermal Energy Storage*. https://www.nrel.gov/news/program/2025/reducing-data-center-peak-cooling-demand-and-energy-costs-with-underground-thermal-energy-storage.html --- # 系列完成狀態 ANCSI 第一階段公開命題系列至此完成： 1. **ANCSI-01 — AI 原生計算—科研基礎設施總論** 2. **ANCSI-02 — 可程式化熱力學場** 3. **ANCSI-03 — 計算驅動熱力學基礎設施** 4. **ANCSI-04 — 真空包覆多介質管網場** 5. **ANCSI-05 — 熱階梯、冷量儲存與能量回收** 6. **ANCSI-06 — AI 原生自治控制與分散治理** 7. **ANCSI-07 — 機器原生科研產區** 8. **ANCSI-08 — AI 原生觀測：從儀器資料到科學投影** 9. **ANCSI-09 — 自治科學棲息地命題** 下一階段建議文件： **ANCSI Reference Architecture v0.1 — AI-Native Computational and Scientific Infrastructure** 其工作重心應由「提出命題」切換為： $$ \boxed{ \text{interfaces} + \text{system contracts} + \text{state machines} + \text{simulation} + \text{validation}. } $$ --- ## 文件狀態 本文為 ANCSI 系列第九篇、亦為第一階段主系列收束稿 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。Autonomous Scientific Habitat Conjecture、ASHL 成熟度模型、Integration Threshold、Mission Compiler、Scientific Checkpoint、Governance Constitution 與本文其他統合架構均屬由前八篇公開工程命題以及現有 autonomous science、critical-infrastructure AI、scientific robotics、cryogenic engineering、scientific provenance 與 cyber-physical systems 研究向前推導之待驗證命題。 本文特別不宣稱 Strong ASHC 已被現有技術證明；目前現實證據只能支持其構件已逐步出現，並使該命題具備值得進一步原型化與實驗否證的工程合理性。