# IDSLS-02｜權威資料之後
## AI 時代的學術平台、證據權威與機器可讀研究網路

**English Title:** *After Authority Data: Scholarly Platforms, Evidence Authority, and Machine-Readable Research Networks in the AI Era*  
**系列：** Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論  
**編號：** IDSLS-02  
**版本：** v0.1  
**日期：** 2026-10-04  
**狀態：** Canonical Source / UTF-8 Markdown  
**作者：** Neo.K  
**機構：** EveMissLab Technology Co., Ltd.  
**協作整理：** Aletheia / GPT-5.6 Sol  

**直接前置：**

- IDSLS-00《智能發展態與學習基質：從參數尺度到發展性尺度》
- IDSLS-01《當 AI 開始進入世界：Agent Web、自主市場活動與行動治理》
- 《超越單篇論文：AI 原生研究的持續狀態、發現譜系與學術傳播轉型》
- 《Living Evidence Layer 與引用治理方法論》
- UA-RW-02《Research Object Ontology》
- UA-ANPC-A03《主張不等於證據：AI 原生 Claim Strength、Evidence State 與可修正條件》
- 《從發布知識到運行知識：AI-Native Research Object Runtime》
- AMRAL Verification / Reproduction / Evidence Layer
- VRCA：可驗證研究編譯架構
- Unbounded Axiom / AI-Native Preprint Commons 系列

**公司：** 一言諾科技有限公司  

---

# 摘要

2026 年 10 月 1 日，arXiv 對所有 submitter 與所有分類啟用新的提交限流：每位 submitter 每個曆月最多兩次 submission，並維持最多三個 active submissions 的限制。arXiv 將此政策描述為面對 AI 時代投稿量快速上升時的暫時性措施。2026 年 9 月，arXiv 收到 40,363 次 submissions；相較 2024 年 9 月的 20,569 次，兩年間接近翻倍，同時產生近 9,000 件支援與 moderation 相關 ticket。

這項政策具有充分的治理合理性。任何依賴有限 staff、volunteer moderator、人類 support capacity 與品質審查的公共研究基礎設施，都不可能在輸入量無限增長時保持完全無限吞吐。限流可以保護 moderator time、降低低價值 submission 對整體系統的擠壓，並讓平台有時間發展新的工具、流程與制度。

然而，本文提出另一個更長期的問題：

> 如果 AI 研究生產速度、驗證速度、研究分支數量與機器間研究交換速度持續上升，未來高價值研究是否仍能被完整壓縮到「人類逐篇提交、平台逐篇 moderation、讀者逐篇閱讀」的制度框架？

本文回答：不應預設可以。

arXiv、期刊、會議與其他傳統學術平台仍將具有重要地位，但其角色可能逐漸從：

$$
\text{Authority Container}
$$

轉向：

$$
\boxed{
\text{Trusted Scholarly Node}.
}
$$

也就是說，平台仍提供身份、時間戳、公開保存、citation anchor、discovery、moderation、社群慣例與 institutional trust，但它們不再必然涵蓋所有高價值研究物件。

本文提出：

$$
\boxed{
\text{Platform Authority}
\rightarrow
\text{Evidence Authority}.
}
$$

此處並不是主張平台失去價值，而是主張研究可信度與 AI 學習價值將逐漸由多個因素共同決定：

$$
Authority(R)
=
F(
\text{Provenance},
\text{Evidence},
\text{Validation},
\text{Reproducibility},
\text{Lineage},
\text{Identity},
\text{Revision},
\text{Platform}
).
$$

其中 Platform 仍是重要項，但不再是唯一或必然主導項。

本文進一步將論文重新定位為完整研究狀態的「人類可讀投影」。令完整研究物件為：

$$
\mathcal R
=
(
\text{Claims},
\text{Definitions},
\text{Methods},
\text{Evidence},
\text{Code},
\text{Data},
\text{Proofs},
\text{Tests},
\text{Reviews},
\text{Provenance},
\text{Versions},
\text{Relations}
),
$$

則傳統 paper 可以表示為：

$$
P_h
=
\Pi_h(\mathcal R),
$$

而 AI 研究 Agent 所使用的 machine-readable view 則可為：

$$
P_m
=
\Pi_m(\mathcal R).
$$

因此：

$$
\boxed{
\text{Paper}
\neq
\text{Research Ontology}.
}
$$

Paper 仍是重要 publication artifact，但不必再是研究世界的最小或唯一正式單位。

本文提出一套 **Machine-Readable Research Network（MRRN）** 框架：研究由具有持久身份的 claim、definition、method、dataset、proof、experiment、validation、counterexample、revision 與 publication objects 構成；它們透過 typed relations 連接，形成可由人類閱讀、AI 檢索、工具驗證與第三方重現的研究圖。

本文同時強調，AI-native scholarly infrastructure 不應把「更多機器產生內容」誤當成「更多知識」。真正重要的是：

$$
\boxed{
\text{Claim}
\neq
\text{Evidence}
\neq
\text{Validation}
\neq
\text{Truth}.
}
$$

所以未來的學術基礎設施必須同時提升吞吐量與認識論治理，而不能只把 submission moderation 自動化。

最後，本文接回 IDSLS：對下一階段 AI 而言，高權威論文仍是重要 learning substrate，但隨著模型已具備更強的搜索、工具、驗證、程式執行與持續研究能力，AI 所需要的「高品質學術資料」可能逐漸由靜態論文 corpus 擴展成：

$$
\boxed{
\text{Living Research State}
+
\text{Evidence Graph}
+
\text{Executable Validation}
+
\text{Revision History}.
}
$$

換言之，未來 AI 不只需要讀「研究者說了什麼」，還需要直接取得「這項主張如何被支持、如何被驗證、何時被修正、哪些反例仍未解決」。

**關鍵詞：** AI-Native Scholarship；arXiv；Preprint；Evidence Authority；Research Object；Machine-Readable Research；Persistent Research State；Claim–Evidence Graph；Scholarly Infrastructure；Research Provenance；AI Research Agent；Living Evidence

---

# 0. 問題定位

本文不是：

> arXiv 做錯了。

也不是：

> 傳統學術平台即將被淘汰。

本文研究的是：

$$
\boxed{
\text{當研究生產函數改變，學術傳播與權威函數是否也必須改變？}
}
$$

---

# 1. arXiv 2026 限流事件

2026 年 10 月 1 日起，arXiv 對所有 submitter 與 categories 更新 rate limit：

$$
N_{\text{submission}}
\leq
2
$$

每個曆月。

同時維持：

$$
N_{\text{active}}
\leq
3.
$$

arXiv 將其稱為面對快速變化學術出版環境的 stopgap。

---

# 2. 投稿量的結構性變化

公開資料顯示：

$$
N_{2016.09}
=
9869,
$$

$$
N_{2024.09}
=
20569,
$$

$$
N_{2026.09}
=
40363.
$$

因此：

$$
\frac{N_{2026.09}}{N_{2024.09}}
\approx
1.96.
$$

兩年間接近翻倍。

同一個月並產生近：

$$
9000
$$

件 support tickets。

---

# 3. 限流本身是合理治理

若平台處理能力：

$$
\mu_{\text{moderation}}
$$

而 submission arrival rate 為：

$$
\lambda_{\text{submission}},
$$

則當：

$$
\lambda_{\text{submission}}
>
\mu_{\text{moderation}},
$$

queue 會持續增長。

因此平台必須在限流、增員、改流程、改工具、降低每件成本或改變投稿單位之間重新配置。

---

# 4. 問題不在「兩篇是不是太少」

短期政策問題可以討論：solo researchers、large labs、conference release cycles、被拒稿仍計 quota，以及 submitter 與 coauthor 的差異。

但 IDSLS-02 關注更上層：

$$
\boxed{
\text{研究生產速度是否正在超過傳統出版單位的制度吞吐？}
}
$$

---

# 5. 人類研究曾存在天然生產上限

過去形成高品質研究通常需要文獻閱讀、實驗、推導、程式、圖表、寫作、修稿與合作者溝通。

因此單一研究者的：

$$
\lambda_{\text{research}}
$$

存在實際時間上限。

---

# 6. AI 改變的是研究生產函數

AI 可以壓縮：

$$
T_{\text{literature}},
$$

$$
T_{\text{coding}},
$$

$$
T_{\text{analysis}},
$$

$$
T_{\text{drafting}},
$$

$$
T_{\text{translation}},
$$

甚至部分：

$$
T_{\text{validation}}.
$$

因此：

$$
\boxed{
\lambda_{\text{candidate research}}
\uparrow.
}
$$

---

# 7. Candidate Research 不等於 Knowledge

AI 可以更快生成：

$$
Candidate(R).
$$

不表示：

$$
Validated(R).
$$

更不表示：

$$
True(R).
$$

因此：

$$
\boxed{
\text{Generation Throughput}
\neq
\text{Knowledge Throughput}.
}
$$

---

# 8. 學術系統真正的瓶頸開始移動

早期，Research Generation 本身很慢。

未來 Research Generation 可能變快。

瓶頸逐漸移向：

$$
\boxed{
\text{Verification}
+
\text{Selection}
+
\text{Moderation}
+
\text{Reproduction}
+
\text{Integration}.
}
$$

---

# 9. 這與高品質資料問題完全平行

前置 IDSLS-00 已提出：

$$
\text{Data Scarcity}
\rightarrow
\text{Development-Matched Experience Scarcity}.
$$

在學術世界可寫成：

$$
\boxed{
\text{Paper Scarcity}
\rightarrow
\text{Verification Scarcity}.
}
$$

---

# 10. arXiv 是什麼權威？

arXiv 並不是：

$$
\text{Peer-Reviewed Truth Oracle}.
$$

它是一個高度可信的 scholarly distribution infrastructure。

其權威主要來自：

- 歷史；
- 覆蓋；
- timestamp；
- scholarly norms；
- moderation；
- discoverability；
- citability；
- persistence；
- community adoption。

---

# 11. Moderation 不等於 Peer Review

必須區分：

$$
\boxed{
\text{Moderation}
\neq
\text{Peer Review}.
}
$$

Moderation 可以檢查 relevance、category、scholarly interest、submission standards 與 policy violations，但通常不等於完整驗證所有科學主張。

---

# 12. Platform Authority

本文定義：

$$
\boxed{
A_P(R)
=
\text{Platform Authority}.
}
$$

即研究 $R$ 因為出現在 arXiv、Nature、Science、NeurIPS、某著名 repository 或其他 trusted venue 而取得的制度性可信度。

---

# 13. Evidence Authority

定義：

$$
\boxed{
A_E(R)
=
F(
\text{Evidence},
\text{Validation},
\text{Replication},
\text{Provenance},
\text{Consistency},
\text{Revision}
).
}
$$

它回答：

> 這項研究本身到底被什麼支持？

---

# 14. 兩種權威不應混淆

$$
\boxed{
A_P
\neq
A_E.
}
$$

一篇在著名平台上的研究可能：

$$
A_P\uparrow
$$

但：

$$
A_E
$$

仍需獨立判斷。

反之，一份新研究可能暫時：

$$
A_P\downarrow
$$

但具有完整形式證明、可執行程式、公開資料、獨立重現與明確 provenance，因此：

$$
A_E\uparrow.
$$

---

# 15. 未來 Authority Function

本文提出：

$$
\boxed{
A(R)
=
F(
A_P,
A_E,
A_I,
A_L,
A_R
).
}
$$

其中：

- $A_P$：Platform Authority；
- $A_E$：Evidence Authority；
- $A_I$：Identity / authorship integrity；
- $A_L$：Lineage / provenance authority；
- $A_R$：Reproduction / validation authority。

---

# 16. 平台權威不會消失

平台仍提供：

$$
\boxed{
\text{Trust Compression}.
}
$$

讀者不可能從零驗證所有研究。

所以 Platform 仍然是一種 prior。

---

# 17. 但 Platform 不應成為終極 Truth Shortcut

如果：

$$
Published(R,P)
$$

就自動推出：

$$
True(R),
$$

則：

$$
\boxed{
\text{Institutional Heuristic}
\rightarrow
\text{Epistemic Category Error}.
}
$$

---

# 18. AI 會改變權威讀取方式

人類面對十萬篇論文，不可能逐篇驗證。

AI Research Agent 可以搜尋、抽取 claim、比對 evidence、執行 code、檢查 proof、追蹤 citation、找 counterexample 與比較版本。

因此：

$$
\boxed{
\text{Authority Evaluation Cost}
\downarrow.
}
$$

但不會降到零。

---

# 19. AI 不再只能依賴「在哪裡發表」

傳統弱 heuristic：

$$
\text{Venue}
\rightarrow
\text{Trust}.
$$

未來可以增加：

$$
\text{Claim}
\rightarrow
\text{EvidenceGraph}
\rightarrow
\text{Validation}.
$$

因此：

$$
\boxed{
\text{Venue-Aware AI}
\rightarrow
\text{Evidence-Aware AI}.
}
$$

---

# 20. Paper 不是研究本體

傳統學術的公開最小單位常是：

$$
P_i
=
Paper_i.
$$

但一篇 paper 內包含 definitions、claims、theorem、proof、methods、experiments、datasets、limitations 與 citations。

因此：

$$
\boxed{
\text{Paper}
\neq
\text{AtomicResearchUnit}.
}
$$

---

# 21. 研究物件

延續 UA-RW：

$$
\mathcal O
=
\mathcal C
\cup
\mathcal M
\cup
\mathcal E
\cup
\mathcal V
\cup
\mathcal P
\cup
\mathcal G.
$$

其中：

- $\mathcal C$：Conceptual / Theoretical Objects；
- $\mathcal M$：Method / Model / Computational Objects；
- $\mathcal E$：Evidence / Observation Objects；
- $\mathcal V$：Validation / Critique Objects；
- $\mathcal P$：Publication / Representation Objects；
- $\mathcal G$：Governance / Program / Lineage Objects。

---

# 22. Research Object Type 與 State 分離

$$
\boxed{
Type(x)
\neq
State(x,t).
}
$$

例如：

```text
type: theorem
state: disputed
```

完全合法。

又例如：

```text
type: claim
validation_state: formally_verified
```

type 不能代替 epistemic state。

---

# 23. 研究物件的 Typed Relation

研究關係不只是 hyperlink。

應有：

```text
defines
depends_on
supports
contradicts
tests
proves
formalizes
implements
uses_dataset
generated_by
revises
supersedes
publishes
derived_from
validates
falsifies
limits
extends
```

因此：

$$
r:
x_i
\rightarrow
x_j.
$$

---

# 24. Hyperlink 與 Scholarly Relation 不同

普通 hyperlink：

$$
x_i
\rightarrow
x_j.
$$

不知道為什麼連。

Typed relation：

$$
x_i
\xrightarrow{supports}
x_j.
$$

或：

$$
x_i
\xrightarrow{contradicts}
x_j.
$$

機器才能理解兩個研究物件究竟是什麼關係。

---

# 25. Machine-Readable Research Network

本文定義：

$$
\boxed{
MRRN
=
\text{Machine-Readable Research Network}.
}
$$

由：

$$
MRRN
=
(
O,
R,
S,
V,
P
)
$$

構成。

其中：

- $O$：research objects；
- $R$：typed relations；
- $S$：state；
- $V$：version / validation；
- $P$：provenance。

---

# 26. 完整研究物件

可以暫定：

$$
\boxed{
\mathcal R
=
(
\text{Claims},
\text{Definitions},
\text{Methods},
\text{Evidence},
\text{Code},
\text{Data},
\text{Proofs},
\text{Tests},
\text{Reviews},
\text{Provenance},
\text{Versions},
\text{Relations}
).
}
$$

---

# 27. Paper 作為 Projection

人類論文：

$$
\boxed{
P_h
=
\Pi_h(\mathcal R).
}
$$

它強調敘事、背景、可閱讀性、論證與 citation。

---

# 28. Machine Projection

AI 版本：

$$
\boxed{
P_m
=
\Pi_m(\mathcal R).
}
$$

可以強調 object IDs、typed claims、dependency graph、executable tests、evidence state、version、provenance 與 unresolved gaps。

---

# 29. 不同讀者可以有不同 Projection

研究本體：

$$
\mathcal R
$$

可以產生：

$$
\Pi_{\text{human}},
$$

$$
\Pi_{\text{AI}},
$$

$$
\Pi_{\text{reviewer}},
$$

$$
\Pi_{\text{public}},
$$

$$
\Pi_{\text{formal}}.
$$

因此：

$$
\boxed{
\text{One Research State}
\rightarrow
\text{Multiple Views}.
}
$$

---

# 30. Canonical Source

若有多種 projection，必須有：

$$
\boxed{
S_{\text{canonical}}.
}
$$

它不一定是 PDF。

更適合為：

- UTF-8 source；
- structured object store；
- versioned repository；
- content-addressed artifact；
- machine-readable metadata。

---

# 31. Rendered View 不是 Canonical Source

$$
\boxed{
\text{Rendered View}
\neq
\text{Canonical Source}.
}
$$

HTML、PDF、聊天畫面都可以是 projection。

正式研究狀態應有穩定 source。

---

# 32. Claim Identity

Claim 不應只由段落位置識別。

例如：

```text
CL-IDSLS02-001
CL-IDSLS02-002
```

因此：

$$
\boxed{
\text{ClaimIdentity}
\neq
\text{ParagraphNumber}.
}
$$

---

# 33. Evidence Identity

同理：

```text
EV-001
EV-002
EV-003
```

而不是只靠 bibliography：

```text
[1]
[2]
[3]
```

因此：

$$
\boxed{
\text{EvidenceIdentity}
\neq
\text{CitationNumber}.
}
$$

---

# 34. Claim–Evidence Graph

真正重要的不是：

> 這篇 paper 有多少 references？

而是：

$$
\boxed{
E_j
\xrightarrow{
\text{relation},
\text{scope},
\text{strength}
}
C_i.
}
$$

也就是：

> 哪個 evidence 對哪個 claim 起什麼作用？

---

# 35. Claim 不等於 Evidence

核心型別安全：

$$
\boxed{
\text{Claim}
\neq
\text{Evidence}.
}
$$

AI 很容易把：

> 某篇 paper 說 X

壓縮成：

> X 已經被證實。

這是不合法提升。

---

# 36. Evidence 不等於 Validation

有資料：

$$
Evidence(E)
$$

不表示：

$$
Validated(E).
$$

資料可能錯誤、有偏差、不可重現、scope 不符或來源不明。

---

# 37. Validation 不等於 Truth

$$
\boxed{
\text{ValidationResult}
\neq
\text{Truth}.
}
$$

除非是在明確形式系統中驗證特定形式命題。

即使：

```text
PASS
```

也必須知道：

> 通過了什麼測試？

---

# 38. 五層分離

延續 AI-Native Preprint Commons：

$$
\boxed{
\text{ClaimForm}
\neq
\text{ClaimStrength}
\neq
\text{EvidenceState}
\neq
\text{ValidationResult}
\neq
\text{Truth}.
}
$$

這應成為 AI-native scholarly infrastructure 的核心型別約束。

---

# 39. Platform 也不應輸出 Truth Label

平台可以說：

```text
moderation: passed
```

```text
peer_review: accepted
```

```text
formal_check: passed
```

但不應簡化成：

```text
truth: true
```

---

# 40. Evidence Authority 必須 typed

數學的強證據與臨床醫學的強證據不是同一種。

不能建立：

$$
E_5>E_4>E_3
$$

然後跨所有學科直接比較。

---

# 41. Typed Evidence

例如：

```text
formal_proof
independent_replication
runtime_observation
benchmark
measurement
primary_source
historical_document
counterexample
human_attestation
model_inference
```

它們回答不同問題。

---

# 42. Model Inference 不能偽裝成 Runtime Observation

$$
\boxed{
MODEL\_INFERENCE
\neq
RUNTIME\_OBSERVATION.
}
$$

這是 AI 研究非常重要的 provenance 邊界。

---

# 43. Simulation 不能自動成為 Reality

$$
\text{SimulationResult}
\not\Rightarrow
\text{RealWorldResult}.
$$

應保留：

$$
\boxed{
\text{WorldType}.
}
$$

例如：

- simulated；
- synthetic；
- physical；
- historical；
- formal。

---

# 44. AI 原生研究最危險的是 Claim Inflation

證據：

$$
E
$$

被模型敘事能力放大成：

$$
C'.
$$

若：

$$
Strength(C')
>
Support(E),
$$

則出現：

$$
\boxed{
G_{\text{overclaim}}>0.
}
$$

---

# 45. Promotion Witness

如果主張從：

$$
C_{\text{weak}}
$$

升級成：

$$
C_{\text{strong}},
$$

應存在：

$$
\boxed{
W_{\text{promotion}}.
}
$$

說明是哪個新 evidence 或 validation 允許這次升級。

---

# 46. Defeat / Revision Contract

每個重要研究物件應回答：

> 什麼情況下我會被削弱、修正或撤回？

形式：

$$
D_R(C)
=
\text{Defeat / Revision Conditions}.
$$

---

# 47. 可修正性比「永遠正確」重要

一個成熟研究系統不是：

$$
\text{NeverWrong}.
$$

而是：

$$
\boxed{
\text{Wrong}
\rightarrow
\text{Detect}
\rightarrow
\text{Revise}
\rightarrow
\text{Propagate}.
}
$$

---

# 48. Revision 不能靜默

若：

$$
C_t
\neq
C_{t+1},
$$

則應留下：

$$
\text{RevisionEvent}.
$$

而不是直接覆蓋舊內容。

---

# 49. Research Version 與 Citation Edition 應分離

延續 Living Evidence Layer：

$$
\boxed{
\text{ResearchVersion}
\neq
\text{CitationEdition}
\neq
\text{EvidenceSnapshot}.
}
$$

---

# 50. 為什麼？

研究本文沒改：

$$
\Delta R_{\text{semantic}}
\approx0.
$$

只是多了新 citation。

不應強制：

$$
v0.1
\rightarrow
v0.2.
$$

---

# 51. Living Evidence Layer

正式 paper 可以穩定。

Evidence 層持續更新：

$$
\boxed{
\text{PaperTrack}
\parallel
\text{EvidenceTrack}.
}
$$

---

# 52. Evidence Snapshot

在時間：

$$
t
$$

生成：

$$
ES_t.
$$

保存 current evidence、contrary evidence、coverage、unresolved debt、search provenance 與 saturation state。

---

# 53. 這正適合 AI

AI Agent 可以定期：

- 搜索新文獻；
- 比對 claim；
- 找反例；
- 更新 citation；
- 不動原始研究本體；
- 在必要時觸發 revision candidate。

---

# 54. AI Research Maintenance

研究不再只有：

$$
\text{Create}
\rightarrow
\text{Publish}
\rightarrow
\text{Forget}.
$$

而是：

$$
\boxed{
\text{Create}
\rightarrow
\text{Publish}
\rightarrow
\text{Monitor}
\rightarrow
\text{Challenge}
\rightarrow
\text{Revise}.
}
$$

---

# 55. Persistent Research State

傳統：

$$
\text{Project}
\rightarrow
\text{Paper}.
$$

AI-native：

$$
\text{ResearchProgram}
\rightarrow
State_0
\rightarrow
Iteration_1
\rightarrow
State_1
\rightarrow
\cdots.
$$

Paper 是其中一個 snapshot。

---

# 56. 研究具有 Lineage

研究可能 branch、merge、supersede、retract、restart、fail 與 fork。

因此需要：

$$
\boxed{
\text{Research Lineage}.
}
$$

---

# 57. Git 類比有用但不完備

Git 能處理 commits、branches、merges 與 history。

但學術還需要 epistemic state、claim strength、evidence authority、validation、contributor roles 與 publication identity。

所以：

$$
\boxed{
\text{Research Versioning}
>
\text{Source Versioning}.
}
$$

---

# 58. DOI 仍重要，但不是全部身份

Publication 可以有：

$$
DOI.
$$

但內部 claim、proof、dataset、validation 也需要 persistent identity。

---

# 59. Research Object Network 與傳統文獻網路

傳統 citation graph：

$$
Paper_i
\rightarrow
Paper_j.
$$

MRRN：

$$
Claim_i
\rightarrow
Evidence_j,
$$

$$
Proof_k
\rightarrow
Theorem_i,
$$

$$
Validation_m
\rightarrow
Model_n.
$$

解析度完全不同。

---

# 60. 為什麼 AI 特別需要高解析度研究圖

人類讀 paper 可以從語境猜：

> 這篇 citation 是背景還是證據。

機器若只有 citation edge：

$$
P_i
\rightarrow
P_j,
$$

語義不足。

---

# 61. Evidence Graph 可以提高 AI 學習品質

若 AI 直接取得：

$$
\text{Claim}
+
\text{Evidence}
+
\text{Relation}
+
\text{Scope}
+
\text{Validation},
$$

可降低 citation laundering、authority substitution、claim inflation 與 scope collapse。

---

# 62. Citation Laundering

本文定義：

$$
\boxed{
\text{Citation Laundering}
}
$$

為：

> 某個弱主張經多層引用後，被後續系統誤認為強權威事實。

---

# 63. Machine-readable provenance 可以反向追蹤

若：

$$
C_4
\leftarrow
C_3
\leftarrow
C_2
\leftarrow
E_1,
$$

AI 可以檢查：

> 最終到底有沒有回到原始 evidence？

---

# 64. 學術平台的新角色

未來平台可能從：

> 收 paper。

進化成：

> 收 Research Object Package。

---

# 65. Research Object Package

最低可能包含：

```text
paper.md
metadata.json
claims.jsonl
evidence.jsonl
relations.jsonl
code/
tests/
data/
provenance.json
validation.json
LICENSE
```

---

# 66. 不要求所有研究都同樣複雜

理論哲學文章不一定有 `code/`。

數學證明不一定有 `dataset/`。

實驗研究可能需要。

因此：

$$
\boxed{
\text{Typed Research Package}
}
$$

而不是一個 universal rigid schema。

---

# 67. Publication 是 Representation Object

論文不必消失。

它只是：

$$
x_{\text{publication}}
\in
\mathcal P.
$$

它仍然非常重要。

---

# 68. 人類需要 Narrative Compression

機器能讀 graph，不表示人類願意讀 graph。

人類仍需要 introduction、argument、explanation、synthesis 與 conclusion。

所以：

$$
\boxed{
\text{Narrative Paper}
}
$$

仍會存在。

---

# 69. 未來不是「不要論文」

而是：

$$
\boxed{
\text{Paper}
+
\text{Research Objects}
+
\text{Evidence Runtime}.
}
$$

---

# 70. 這解決 arXiv 限流嗎？

不是直接解決。

但它改變：

$$
\text{Submission Unit}.
$$

如果每一個小更新都要新 paper：

$$
N_{\text{paper}}
\uparrow.
$$

若可更新：

$$
\text{ResearchState},
$$

則：

$$
N_{\text{publication snapshot}}
$$

可以下降。

---

# 71. Continuous Research 不應等於 Continuous Paper Spam

研究可以：

$$
1000
$$

次 iteration，

但不需要：

$$
1000
$$

篇 paper。

因此：

$$
\boxed{
\text{Research Iteration}
\neq
\text{Publication Event}.
}
$$

---

# 72. Publication Threshold

可以定義：

$$
PUBLISH
\iff
\Delta R_{\text{semantic}}
>
\tau_P.
$$

只有重要改變才產生新 publication snapshot。

---

# 73. 這同時保護人類注意力

人類最稀缺的是：

$$
\boxed{
\text{Review Attention}.
}
$$

不是 PDF storage。

---

# 74. AI 可以處理底層高頻變化

例如：

- citation update；
- dependency check；
- test rerun；
- new evidence scan；
- duplicate detection；
- provenance validation。

讓人類集中：

- 核心 claim；
- 重大 dispute；
- paradigm change；
- 倫理與制度判斷。

---

# 75. Human-on-the-Bridge for Scholarship

延續 IDSLS-01 與委任時間論：

$$
\boxed{
\text{HumanJudgment}
\rightarrow
\text{ReusableScholarlyPolicy}.
}
$$

例如：

- claim rubric；
- evidence rule；
- validation policy；
- plagiarism standard；
- escalation threshold。

---

# 76. Moderation Agent

未來 moderation 不一定是：

$$
\text{HumanOnly}.
$$

可以：

$$
AI_{triage}
\rightarrow
Human_{escalation}.
$$

但：

$$
\boxed{
AI Moderation
\neq
Automatic Truth Judgment.
}
$$

---

# 77. AI 可以降低 Moderation Cost

例如：

- category routing；
- duplicate detection；
- format validation；
- citation verification；
- obvious nonsense filtering；
- provenance completeness；
- policy checks。

這些任務較適合機器化。

---

# 78. 人類仍處理高價值判斷

例如：

- scholarly interest；
- disputed novelty；
- ethical edge cases；
- ambiguous scope；
- disciplinary norms；
- appeals。

---

# 79. Scholarly Governance Bandwidth

可以定義：

$$
B_S
=
\frac{
N_{\text{meaningful scholarly decisions}}
}{
T_{\text{human review}}
}.
$$

AI 的價值之一是提高：

$$
B_S.
$$

---

# 80. 但自動化也可能放大錯誤

如果 moderation model 的 bias：

$$
b_M
$$

被大規模套用，則：

$$
\text{Systematic Error}
\uparrow.
$$

所以需要 appeal、audit、model diversity、calibration 與 human override。

---

# 81. 高權威平台仍具有 Dataset 價值

對 AI training：

$$
D_{\text{arXiv}}
$$

仍然高價值。

因為它具有 technical density、provenance、structure、citation 與 domain concentration。

---

# 82. 但未來 AI 不會只學 arXiv

因為 Research Agent 可以 live retrieve：

$$
\text{Web}
+
\text{Repository}
+
\text{Code}
+
\text{Dataset}
+
\text{FormalProof}
+
\text{ResearchObjects}.
$$

所以：

$$
\boxed{
\text{Training Inclusion}
\neq
\text{Future Accessibility}.
}
$$

---

# 83. Pretraining 與 Live Research 必須分離

Pretraining：

$$
\text{Corpus}
\rightarrow
\text{Weights}.
$$

Live Research：

$$
\text{Search}
\rightarrow
\text{Retrieve}
\rightarrow
\text{Verify}
\rightarrow
\text{Execute}
\rightarrow
\text{Update}.
$$

因此研究被 AI 使用的路徑變多。

---

# 84. 「沒有進 arXiv」不等於「AI 看不到」

如果研究具有 stable URL、metadata、canonical source、provenance、machine-readable relations 與 accessible license，則：

$$
\boxed{
Discoverability>0.
}
$$

---

# 85. 但 Discoverability 不等於 Authority

AI 找得到：

$$
R
$$

不表示：

$$
A(R)
\uparrow.
$$

還必須驗證。

---

# 86. 因此網站也可以成為 Research Node

個人或機構網站若具有 canonical research source、persistent IDs、provenance、version、evidence、code 與 citation metadata，即可成為：

$$
\boxed{
\text{Distributed Research Node}.
}
$$

---

# 87. Distributed 不等於無治理

去中心化常被誤解：

$$
\text{Distributed}
=
\text{NoRules}.
$$

實際需要：

$$
\boxed{
\text{Distributed}
+
Interoperable Governance.
}
$$

---

# 88. Federation

未來研究平台可以 federation：

$$
Node_1,
Node_2,
\ldots,
Node_n.
$$

透過共同 schema 交換 claim、evidence、metadata、validation 與 revision。

---

# 89. Trusted Node

某平台可以成為：

$$
\boxed{
TrustedNode_i.
}
$$

因為具有品質、社群、moderation、archive 與 governance。

arXiv 就很可能長期保持這種角色。

---

# 90. Entire Research Universe 不應依賴單一 Node

$$
\boxed{
\text{TrustedNode}
\neq
\text{EntireResearchUniverse}.
}
$$

這就是本文對未來 arXiv 最精確的定位。

---

# 91. 學術搜尋會從文件搜尋變成研究圖搜尋

現在：

> 找關鍵字出現在哪篇 paper。

未來：

> 找所有支持 claim X 的 direct evidence。

或者：

> 找所有反駁 model Y 的 experiments。

---

# 92. Claim-level Retrieval

例如查詢：

```text
claim = "X causes Y"
relation = contrary
world = physical
validation = replicated
```

比全文 keyword 更適合 Research Agent。

---

# 93. 機器可讀研究的價值不只是搜尋

還包括：

- automatic contradiction detection；
- dependency impact analysis；
- retraction propagation；
- reproducibility monitoring；
- evidence update；
- cross-agent handoff。

---

# 94. Dependency Impact

若：

$$
Proof_1
$$

失效，系統可以找到：

$$
Theorem_2,
Paper_3,
Model_4
$$

哪些依賴它。

---

# 95. Retraction Propagation

傳統撤稿：

$$
Paper_A
\rightarrow
\text{Retracted}.
$$

後續引用者未必立即更新。

MRRN 可以：

$$
Retract(E_A)
\rightarrow
RecomputeSupport(C_i).
$$

---

# 96. Evidence Update

新 evidence：

$$
E_{new}
$$

進入。

系統可以判斷：

$$
Support(C)
$$

增加、減少或 unchanged。

---

# 97. Living Scholarship

因此學術從：

$$
\text{Static Archive}
$$

部分轉向：

$$
\boxed{
\text{Living Knowledge System}.
}
$$

---

# 98. Living 不等於 Mutable Without History

所有更新必須：

$$
\text{Versioned}.
$$

否則無法引用。

因此：

$$
\boxed{
\text{Living}
=
\text{Mutable}
+
\text{Historical}.
}
$$

---

# 99. 可引用性

任何 snapshot：

$$
S_t
$$

都應可永久引用。

即使：

$$
S_{t+1}
$$

已經更新。

---

# 100. Content Addressing

可以使用：

$$
Hash(S_t)
$$

確定：

> 你引用的是哪一個狀態。

---

# 101. AI 作者與人類作者問題

AI-native research 還需要：

$$
\boxed{
\text{Contribution Provenance}.
}
$$

不能只寫：

> AI generated.

需要區分 problem formulation、hypothesis、search、code、experiment、verification、writing、direction 與 final judgment。

---

# 102. Contribution Event

定義：

$$
CE_i
=
(
\text{Actor},
\text{Role},
\text{Artifact},
\text{Time},
\text{Evidence}
).
$$

Actor 可以是 human、AI、tool 或 external service。

---

# 103. Authorship 不必完全等於 Contribution

傳統作者列：

$$
\text{AuthorList}.
$$

研究圖可以同時保存：

$$
\boxed{
\text{AuthorList}
+
\text{ContributionGraph}.
}
$$

---

# 104. AI 研究代理不應洗掉人類責任

若人類決定：

$$
\text{Publish},
$$

仍需要：

$$
\boxed{
Accountability Boundary.
}
$$

至少在目前制度中如此。

---

# 105. AI 學術產量上升後，品質不應靠產量代理

過去：

$$
N_{\text{papers}}
$$

有時被用作 productivity proxy。

當 AI 降低 publication cost：

$$
\boxed{
\text{PaperCount}
}
$$

會更加失真。

---

# 106. 新的學術產出單位

可能需要：

$$
\text{ValidatedContribution}
$$

而不是：

$$
\text{PaperCount}.
$$

---

# 107. Validated Contribution

例如：

- new theorem；
- independent replication；
- benchmark；
- dataset；
- counterexample；
- negative result；
- verified method；
- formalization；
- reusable research object。

---

# 108. Citation Count 也可能進一步失真

AI 可以產生大量：

$$
\text{Citations}.
$$

因此：

$$
\text{CitationCount}
$$

也需要與：

$$
\text{RelationType}
$$

分離。

---

# 109. 一篇批判性 citation 與支持 citation 不一樣

$$
\boxed{
\text{Cites}
\neq
\text{Supports}.
}
$$

---

# 110. Agent-native Citation Graph

未來 citation graph 應至少區分：

```text
supports
uses
extends
contradicts
replicates
reviews
mentions
```

---

# 111. Evidence Authority 也不能被遊戲化

如果平台開始顯示：

$$
EvidenceScore=92,
$$

研究者可能針對 score 最佳化。

因此：

$$
\boxed{
\text{Evidence Governance}
\neq
\text{Single Metric}.
}
$$

---

# 112. 多維 Evidence Profile

例如：

$$
\mathbf E
=
(
\text{Directness},
\text{Quality},
\text{Replication},
\text{ScopeFit},
\text{ExternalValidity},
\text{FormalValidation}
).
$$

不同學科權重不同。

---

# 113. AI 研究的高頻化會提高負結果價值

當 AI 可以大量試驗，失敗不應全部丟掉。

否則產生：

$$
\text{PublicationBias}.
$$

---

# 114. Negative Result Object

可以正式存在：

```text
type: negative_result
state: validated
```

並連接：

$$
\text{NegativeResult}
\xrightarrow{limits}
\text{Claim}.
$$

---

# 115. Counterexample 是高價值 Research Object

尤其數學與形式系統：

$$
\boxed{
\text{Counterexample}
}
$$

可能比一篇長 paper 更具信息價值。

---

# 116. Research Object 的價值可以與篇幅脫鉤

一個 20 行反例：

$$
\text{Value}
\gg
50\text{-page speculation}.
$$

因此：

$$
\boxed{
\text{ScholarlyValue}
\neq
\text{DocumentLength}.
}
$$

---

# 117. AI 時代更需要 Scope

模型特別容易做：

$$
\text{Local}
\rightarrow
\text{Global}
$$

錯誤泛化。

因此每個 claim 應綁：

$$
Scope(C).
$$

---

# 118. Scope Binding

例如：

```yaml
scope:
  population:
  domain:
  time:
  assumptions:
  exclusions:
```

---

# 119. Research World

如果所有研究物件都具有 ID、type、state、relations、provenance 與 version，則形成：

$$
\boxed{
\text{Research World}.
}
$$

它不是資料庫而已。

它是一個可持續演化的知識狀態空間。

---

# 120. Research World 與 IDSLS

對 AI Research Agent：

$$
\text{Research World}
$$

就是：

$$
\boxed{
\text{Developmental Learning Environment}.
}
$$

---

# 121. 學術資料從 Corpus 變成 Environment

傳統：

$$
AI
\leftarrow
\text{Corpus}.
$$

Research World：

$$
AI
\leftrightarrow
\text{ResearchEnvironment}.
$$

Agent 可以查、驗、跑、比較、更新與提出反例。

---

# 122. 這是 IDSLS 的核心轉變

$$
\boxed{
\text{Knowledge Text}
\rightarrow
\text{Interactive Knowledge Environment}.
}
$$

---

# 123. 高權威論文仍重要

本文不主張：

$$
\text{PaperValue}
\rightarrow
0.
$$

恰恰相反，高品質 paper 仍是理論壓縮、人類審議、narrative reasoning、accountability 與 citation anchor。

---

# 124. 只是它不再必然是全部

$$
\boxed{
\text{Paper}
\subset
\text{ResearchState}.
}
$$

---

# 125. arXiv 的可能未來角色

一種合理未來：

$$
\boxed{
\text{arXiv}
=
\text{TrustedPublicationNode}
+
\text{ResearchObjectGateway}
+
\text{ModerationLayer}.
}
$$

這是本文推測，不是 arXiv 已宣布的正式 roadmap。

---

# 126. Submission 可以變成 Snapshot Registration

未來平台可能接受：

> 新 paper。

也可能接受：

> 既有 Research Program 的正式 snapshot。

---

# 127. 這可以降低 Paper Fragmentation

如果：

$$
\Delta R
$$

只是小更新，

不需要新 paper。

---

# 128. AI 可以幫忙決定何時值得 Publication

定義：

$$
\text{Novelty},
\text{EvidenceDelta},
\text{SemanticDelta},
\text{PublicValue}.
$$

若全部很低：

$$
\text{NoNewPublication}.
$$

---

# 129. 但 Publish Gate 不能完全交給 AI

因為：

$$
\text{Scientific Significance}
$$

仍可能具有社群、哲學、歷史與價值判斷。

---

# 130. Human–AI Scholarly Governance

未來更合理：

$$
AI
\rightarrow
\text{Triage}
\rightarrow
\text{EvidenceCheck}
\rightarrow
\text{HumanJudgment}.
$$

---

# 131. AI-native 平台的最小功能

至少：

1. canonical identity；
2. version；
3. provenance；
4. research object type；
5. claim–evidence links；
6. validation state；
7. machine-readable metadata；
8. publication projection；
9. revision history；
10. audit trail。

---

# 132. AI-native 不等於 AI-only

$$
\boxed{
AI\text{-}Native
\neq
AI\text{-}Only.
}
$$

意思是：

> 架構從一開始就考慮機器參與研究生命週期。

而不是：

> 排除人類。

---

# 133. Machine-readable 不等於 Human-hostile

好的系統同時提供：

$$
\boxed{
\text{HumanReadable}
+
\text{MachineReadable}.
}
$$

---

# 134. 人類閱讀負擔會從全文轉向異常與爭議

AI 可以總結 changed claims、new contrary evidence、failed tests 與 unresolved disputes。

人類不必每天重讀全文。

---

# 135. Delta Review

定義：

$$
\boxed{
\Delta Review
}
$$

只審：

$$
State_{t+1}
-
State_t.
$$

---

# 136. 這對高速研究很重要

如果每次更新都全文重審：

$$
\text{Cost}
\propto
N_{\text{versions}}
\times
\text{Size}.
$$

Delta review：

$$
\text{Cost}
\propto
\sum
|\Delta State|.
$$

---

# 137. Research Agent 可以成為持續審閱者

不是一次 reviewer。

而是：

$$
\boxed{
\text{Longitudinal Reviewer}.
}
$$

---

# 138. Longitudinal Reviewer

它記得過去主張、過去反例、已解缺口、未解缺口與 version change。

因此比完全新 reviewer 更容易發現：

$$
\text{GoalpostShift}.
$$

---

# 139. 但同一 AI 也可能形成確認偏誤

因此需要：

$$
\boxed{
\text{Independent Review Agents}.
}
$$

---

# 140. 多模型審查

可以：

$$
R_1,R_2,\ldots,R_n
$$

使用不同 model family、prompt、evidence source 與 verifier，降低 single-model blind spot。

---

# 141. 不代表 Majority Vote 就是真理

$$
Consensus(AI_1,\ldots,AI_n)
\not\Rightarrow
\text{Truth}.
$$

多模型一致只是一項 signal。

---

# 142. 可執行證據的重要性上升

如果 claim 可以由：

$$
\text{Code}
+
\text{Test}
$$

驗證，

AI 可以直接執行。

---

# 143. 數學形式驗證

若 theorem 有：

$$
\text{LeanProof},
$$

則 AI 可以取得比自然語言 summary 更直接的 formal evidence。

---

# 144. 但 Formal Proof 也有 Scope

Lean 證明 theorem 在 axioms 下成立。

不自動等於物理世界命題成立。

---

# 145. Reproducible Research Package

實驗型研究可以附：

- environment；
- code；
- data；
- seed；
- dependencies；
- expected outputs。

---

# 146. 研究的 Authority 可以部分由可重演性構成

$$
A_R
=
F(
\text{Reproducibility},
\text{Replicability},
\text{ExecutableEvidence}
).
$$

---

# 147. AI 可以大幅降低重演成本

大量研究現在不會被重演，因為人類時間昂貴。

Agent 可以：

$$
\text{Run}
\rightarrow
\text{Compare}
\rightarrow
\text{Report}.
$$

---

# 148. 這可能改變「被引用」與「被驗證」的比例

現在：

$$
\text{Citations}
\gg
\text{Replications}.
$$

未來部分領域可能：

$$
\text{Replications}
\uparrow.
$$

---

# 149. Evidence Authority 可能因此變得更具體

不是：

> 很多人引用。

而是：

> 這個 claim 被多少種獨立方法驗證？

---

# 150. 研究資料本身也成為高價值 AI Data Asset

機器可讀 Research World 可以產生：

- claim datasets；
- evidence datasets；
- proof datasets；
- revision datasets；
- contradiction datasets；
- replication trajectories。

這接回 IDSLS-00 的 training-data 問題。

---

# 151. 但研究資料商業化與研究公開必須分離

公開 paper：

$$
P_h
$$

不一定等於：

$$
\text{TrainingPackage}.
$$

這與 TCF DataAsset 思路相容。

---

# 152. Academic Access 與 Training License 不是同一權利

$$
\boxed{
\text{Read}
\neq
\text{Train}
\neq
\text{Redistribute}.
}
$$

未來研究平台也可能必須更清楚管理這些權利。

---

# 153. 高品質學術平台仍會是 AI 的重要 Anchors

因為 AI 也需要：

$$
\boxed{
\text{Trusted Anchors}.
}
$$

否則 open Web 的 noise 太大。

---

# 154. 但 Anchor 不應變成 Exclusivity

$$
\text{TrustedAnchor}
\neq
\text{OnlyValidSource}.
$$

---

# 155. IDSLS 的發展態解釋

早期模型：

$$
D^\ast
\approx
\text{High-quality papers}.
$$

更成熟 Research Agent：

$$
D^\ast
\approx
\text{Papers}
+
\text{Evidence}
+
\text{Code}
+
\text{Validation}
+
\text{Live Research State}.
$$

---

# 156. 同樣是學術資料，其最佳形態也會改變

因此：

$$
V(D_{\text{paper}}\mid Z_t)
$$

可能仍高，

但：

$$
V(D_{\text{research object}}\mid Z_{\text{advanced}})
>
V(D_{\text{paper-only}}\mid Z_{\text{advanced}})
$$

可能成為可檢驗命題。

---

# 157. 可檢驗假說 H1：高解析度 Research Objects 提升跨 Agent 承接

給兩組 Agent 相同研究內容。

A 組：

$$
\text{PaperOnly}.
$$

B 組：

$$
\text{Paper}
+
\text{ResearchObjects}
+
\text{Provenance}.
$$

測 continuation success、claim recovery、error localization 與 citation accuracy。

---

# 158. H2：Claim–Evidence Graph 降低 Overclaim

比較：

$$
\text{PlainCorpus}
$$

與：

$$
\text{TypedClaimEvidenceCorpus}.
$$

測：

$$
\text{OverclaimRate}.
$$

---

# 159. H3：Living Evidence Layer 提高更新完整性

當加入 contradictory evidence：

$$
E^-,
$$

測系統是否發現、降低 claim、觸發 review 並保存 revision。

---

# 160. H4：Research State 模型降低 Paper Fragmentation

在同一 research programme：

$$
N_{\text{iterations}}
$$

固定。

比較：

$$
\text{PaperPerIteration}
$$

與：

$$
\text{PersistentState}
+
\text{ThresholdPublication}.
$$

測人類審閱負擔。

---

# 161. H5：Platform Authority 與 Evidence Authority 對 AI 判斷的影響可分離

給模型：

- famous venue + weak evidence；
- unknown venue + strong reproducible evidence。

測：

$$
\text{TrustDecision}.
$$

若模型過度依賴 venue，代表：

$$
A_P
$$

權重過高。

---

# 162. H6：Executable Evidence 提升研究代理的錯誤檢出

比較：

$$
\text{TextOnly}
$$

與：

$$
\text{Text}
+
\text{ExecutableTest}.
$$

測：

$$
\text{FalseAcceptanceRate}.
$$

---

# 163. H7：Delta Review 降低長期研究維護成本

比較：

$$
\text{FullReviewEveryVersion}
$$

與：

$$
\text{DeltaReview}.
$$

測 reviewer time、missed changes 與 issue resolution。

---

# 164. H8：AI 研究網路提高 Longitudinal Correction

若新反例出現：

$$
Counterexample_t,
$$

研究圖系統應比孤立 PDF 更快找到：

$$
\text{AffectedClaims}.
$$

---

# 165. 最小實驗一：四種學術傳播形式

相同研究材料，分為：

1. paper only；
2. paper + supplement；
3. static research object；
4. persistent research state。

讓不同 Agent 接手。

測：

$$
\text{Continuation},
\text{ErrorLocalization},
\text{Reconstruction},
\text{ReviewTime}.
$$

---

# 166. 最小實驗二：平台名遮蔽

將 venue metadata blind。

比較：

$$
Decision_{\text{venue-visible}}
$$

與：

$$
Decision_{\text{venue-blind}}.
$$

測：

$$
\text{AuthorityBias}.
$$

---

# 167. 最小實驗三：Evidence Graph

提供同樣 references。

A 組只有 bibliography。

B 組有：

$$
\text{Claim}
\rightarrow
\text{Evidence}
$$

typed relations。

測 citation-to-claim alignment。

---

# 168. 最小實驗四：Revision Propagation

讓核心 evidence 被撤回。

測系統能否定位所有：

$$
\text{DownstreamClaims}.
$$

---

# 169. 最小實驗五：Publication Threshold

給 Research Agent 100 次 iteration。

比較：

- 每次都發 paper；
- semantic threshold 才 publish。

測 signal/noise、review burden 與 discovery quality。

---

# 170. 反例與風險：Schema Burden

如果 research object schema 太複雜，作者負擔可能：

$$
Cost_{\text{authoring}}
\uparrow.
$$

因此 machine extraction 與 progressive adoption 很重要。

---

# 171. Ontology Lock-in

過早固定：

$$
\text{UniversalSchema}
$$

可能限制新學科。

因此：

$$
\boxed{
\text{Minimal Core}
+
\text{Extensible Profiles}.
}
$$

更合理。

---

# 172. AI Extraction Error

從 paper 自動抽 claim 可能遺漏、誤分類或 scope 錯誤。

所以：

$$
\text{MachineExtraction}
$$

也需要 provenance 與 confidence。

---

# 173. Evidence Graph 也可能被造假

惡意作者可以標：

```text
relation: direct
strength: strong
```

但實際不成立。

因此 metadata 本身不是證據。

---

# 174. Research Object Spam

AI 也可以產生大量 fake research objects。

所以：

$$
\boxed{
\text{Structured}
\neq
\text{HighQuality}.
}
$$

---

# 175. 仍需要 Institution

去中心化研究世界如果沒有 moderation、identity、appeals、dispute 與 reputation，可能更加混亂。

---

# 176. 人類 Attention 依然是稀缺資源

即使 AI 幫忙，真正重大研究仍需要人類或高信任治理節點介入。

---

# 177. AI 驗證可能形成同源錯誤

若作者 Agent 與 reviewer Agent 使用相同 model family，則：

$$
\text{ErrorCorrelation}
\uparrow.
$$

因此需：

$$
\boxed{
\text{Verification Diversity}.
}
$$

---

# 178. 研究更新過快可能破壞引用穩定性

若 live object 每分鐘變：

$$
\text{CitationStability}
\downarrow.
$$

所以 snapshot identity 必須保留。

---

# 179. Public Snapshot 與 Living State 分離

$$
\boxed{
PublicSnapshot_t
\neq
LivingState_{t+1}.
}
$$

舊 snapshot 永久可引用。

---

# 180. Peer Review 仍不會消失

反而可能分層：

- rapid machine review；
- specialist review；
- formal verification；
- post-publication review；
- replication review。

---

# 181. Review 本身也應成為 Research Object

$$
Review_i
$$

應具有 identity、claims、evidence、conflicts 與 version。

---

# 182. Reviewer Reputation

未來甚至可以追蹤：

$$
Calibration(Reviewer_i).
$$

但必須避免變成單純 popularity score。

---

# 183. 科學價值不能完全機器化

研究「重要不重要」不只是一個 factual problem。

它還涉及新穎性、問題選擇、文明需求、美學與 explanatory power。

因此 AI-native scholarship 仍需要 plural values。

---

# 184. 理論邊界

本文不主張：

1. arXiv 的兩篇/月政策永久合理。
2. arXiv 應取消 moderation。
3. arXiv 會失去權威。
4. paper 會消失。
5. peer review 會消失。
6. AI 可以自動判定 scientific truth。
7. machine-readable metadata 等同證據。
8. structured research object 一定比好 paper 更有價值。
9. 所有研究都必須公開 code 或 data。
10. 所有學科共享相同 evidence hierarchy。
11. 去中心化研究網路天然更好。
12. AI review 可以完全取代人類 reviewer。
13. 高 publication throughput 等同高 knowledge throughput。
14. 未被知名平台收錄的研究自動就是高價值。
15. 平台名聲完全不應影響 prior。
16. AI-generated research 必然品質低。
17. AI-generated research 必然品質高。
18. Research Object Ontology 已經完備。

---

# 185. 與 IDSLS-00 的關係

IDSLS-00：

$$
V(D\mid Z_t).
$$

IDSLS-02 指出：

$$
\boxed{
D_{\text{scholarship}}
}
$$

本身也會隨 AI 發展態改變最佳形態。

---

# 186. 與 IDSLS-01 的關係

IDSLS-01：

$$
\text{Agent Web}
=
\text{Action Environment}.
$$

IDSLS-02：

$$
\boxed{
\text{Research Web}
=
\text{Knowledge Validation Environment}.
}
$$

---

# 187. 兩者共同指向 World Coupling

商業 Agent：

$$
AI
\leftrightarrow
\text{Market}.
$$

研究 Agent：

$$
AI
\leftrightarrow
\text{ResearchWorld}.
$$

因此 AI 不再只被動讀資料。

---

# 188. Research World 也是一個世界狀態機

研究狀態：

$$
R_t.
$$

新 evidence：

$$
E_t.
$$

驗證：

$$
V_t.
$$

更新：

$$
R_{t+1}
=
F(R_t,E_t,V_t).
$$

---

# 189. 這就是學術的動態世界化

$$
\boxed{
\text{Scholarly Corpus}
\rightarrow
\text{Scholarly World}.
}
$$

---

# 190. AI 的高品質學術學習也從讀取變成參與

早期：

$$
Read(Paper).
$$

未來：

$$
\boxed{
\text{Read}
\rightarrow
\text{Test}
\rightarrow
\text{Compare}
\rightarrow
\text{Challenge}
\rightarrow
\text{Update}.
}
$$

---

# 191. 平台限制因此只限制一種入口

arXiv 限流限制：

$$
\text{arXiv Submission Channel}.
$$

它不能限制：

$$
\text{Research Generation}.
$$

也不能限制：

$$
\text{Independent Research Nodes}.
$$

---

# 192. 這不是繞過品質治理的理由

獨立網站不應成為：

> 我被 arXiv 限制，所以我隨便發。

相反，若離開大平台，更需要：

$$
\boxed{
\text{Provenance}
+
\text{Evidence}
+
\text{Validation}
+
\text{Versioning}.
}
$$

---

# 193. 分散式研究的責任更高

平台替作者提供部分：

$$
\text{TrustInfrastructure}.
$$

自己成為 node，就必須自行補：

$$
\text{TrustArtifacts}.
$$

---

# 194. AI crawler 與 Research Agent 的差異

Crawler：

$$
\text{Fetch}.
$$

Research Agent：

$$
\text{Fetch}
+
\text{Interpret}
+
\text{Verify}
+
\text{Integrate}.
$$

因此未來為 AI 準備研究網站，不只是 SEO。

---

# 195. Agent-Readable Research

網站可以提供：

- `llms.txt`；
- JSON-LD；
- schema；
- machine-readable references；
- canonical source links；
- hashes；
- code；
- test status；
- claim IDs。

---

# 196. 但可讀性不等於可訓練授權

再次：

$$
\boxed{
\text{Readable}
\neq
\text{Trainable}
\neq
\text{Redistributable}.
}
$$

此處接回 TCF DataAsset 與資料授權研究線。

---

# 197. AI 時代的學術權威將更像網路而非塔

傳統想像：

$$
\text{TopVenue}
\rightarrow
\text{LowerVenue}
\rightarrow
\text{Web}.
$$

未來可能更像：

$$
\boxed{
\text{Network of Trusted Nodes}
+
\text{Evidence Edges}.
}
$$

---

# 198. Authority Topology

定義：

$$
\mathcal A_G
=
(V_A,E_A).
$$

節點可以是 platform、author、lab、repository、verifier、journal、dataset 與 formal system。

---

# 199. 權威是關係性的

一個節點在數學證明可能權威很高。

在臨床試驗不一定。

因此：

$$
\boxed{
\text{Authority}
=
Authority(domain,claim,type).
}
$$

---

# 200. 未來 AI 可能學會「去哪裡信什麼」

這比：

> 哪個網站最權威？

更成熟。

即：

$$
\text{SourceSelection}
=
F(
\text{Task},
\text{Domain},
\text{ClaimType},
\text{EvidenceNeed}
).
$$

---

# 201. 這就是新的信息素養

人類叫：

$$
\text{InformationLiteracy}.
$$

AI 需要：

$$
\boxed{
Epistemic Routing.
}
$$

---

# 202. Epistemic Routing

定義：

$$
ER(q)
=
\text{select sources, validators, and evidence paths for query }q.
$$

---

# 203. 學術平台會成為 Routing Anchors

arXiv、Crossref、PubMed、GitHub、institutional repositories 等可能各扮演不同 role。

---

# 204. 最終不是平台 vs 去平台

錯誤二分：

$$
\text{Platform}
\quad vs \quad
\text{Decentralization}.
$$

更合理：

$$
\boxed{
Federated Trust Infrastructure.
}
$$

---

# 205. 核心命題總結

### 命題一

$$
\boxed{
\text{Generation Throughput}
\neq
\text{Knowledge Throughput}.
}
$$

### 命題二

$$
\boxed{
\text{PlatformAuthority}
\neq
\text{EvidenceAuthority}.
}
$$

### 命題三

$$
\boxed{
\text{Paper}
\neq
\text{ResearchOntology}.
}
$$

### 命題四

$$
\boxed{
\text{Claim}
\neq
\text{Evidence}
\neq
\text{Validation}
\neq
\text{Truth}.
}
$$

### 命題五

$$
\boxed{
\text{ResearchIteration}
\neq
\text{PublicationEvent}.
}
$$

### 命題六

$$
\boxed{
\text{StaticScholarlyCorpus}
\rightarrow
\text{LivingResearchNetwork}.
}
$$

### 命題七

$$
\boxed{
\text{TrustedNode}
\neq
\text{EntireResearchUniverse}.
}
$$

### 命題八

$$
\boxed{
\text{FutureScholarlyAuthority}
=
\text{Platform}
+
\text{Evidence}
+
\text{Provenance}
+
\text{Validation}
+
\text{Lineage}.
}
$$

---

# 206. 結論

arXiv 在 2026 年 10 月採取的 submission rate limit，首先是一個非常現實的治理回應：

$$
\lambda_{\text{submission}}
>
\mu_{\text{human moderation}}.
$$

當輸入量快速上升，而 staff、volunteer moderation 與 support capacity 仍然有限，平台必須保護自身的服務品質與 scholarly signal。

因此，限流本身不應被簡化成：

> 傳統學術害怕 AI。

它更接近：

> 現有學術基礎設施正在遭遇新的吞吐量條件。

然而，這個事件也暴露了一個更長期的問題。

如果 AI 使研究從：

$$
\text{Discrete Project}
\rightarrow
\text{Discrete Paper}
$$

逐漸變成：

$$
\text{Persistent Research Process},
$$

那麼要求所有高價值研究變化都重新壓縮成獨立 paper，並由有限人類 moderation bandwidth 逐件處理，可能不是最終制度形態。

本文因此主張：

$$
\boxed{
\text{Paper should remain an interface, not necessarily the entire ontology of research.}
}
$$

研究的 canonical substrate 可以更加豐富：

$$
\mathcal R
=
(
\text{Claims},
\text{Evidence},
\text{Code},
\text{Data},
\text{Proofs},
\text{Tests},
\text{Versions},
\text{Relations},
\text{Provenance}
).
$$

Paper 則是：

$$
P_h
=
\Pi_h(\mathcal R).
$$

AI Research Agent 可以取得：

$$
P_m
=
\Pi_m(\mathcal R).
$$

當這種架構逐漸成熟時，學術權威也可能從單純：

$$
\text{Where was it published?}
$$

轉向：

$$
\boxed{
\text{What exactly is claimed, what supports it, who validated it, what changed, and can I reproduce it?}
}
$$

這不是平台權威的終結。

恰恰相反，高品質平台會從「唯一入口」轉化成：

$$
\boxed{
\text{高信任節點、治理節點與 discovery anchor。}
}
$$

但研究世界會比任何單一平台更大。

對 AI 而言尤其如此。

未來 AI 不會只在 pretraining 時學習一個固定 scholarly corpus。

它會持續：

$$
\text{Search}
\rightarrow
\text{Retrieve}
\rightarrow
\text{Verify}
\rightarrow
\text{Execute}
\rightarrow
\text{Challenge}
\rightarrow
\text{Update}.
$$

所以真正重要的學術基礎設施，也將從：

$$
\text{Store Papers}
$$

逐漸擴展成：

$$
\boxed{
\text{Operate Research Knowledge}.
}
$$

這就是 IDSLS-02 的最終判斷：

$$
\boxed{
\text{AI 時代不是高權威學術資料失去價值，}
}
$$

而是：

$$
\boxed{
\text{高品質學術學習的單位，正在從文件向可驗證研究狀態擴張。}
}
$$

而未來真正高權威的研究，不一定只是「被某個平台收錄」。

它更可能同時具有：

$$
\boxed{
\text{Stable Identity}
+
\text{Canonical Source}
+
\text{Evidence Graph}
+
\text{Validation}
+
\text{Provenance}
+
\text{Revision Integrity}.
}
$$

在這個意義上，學術權威將逐漸由一個地點，變成一個可以被重新追蹤與驗證的結構。

---

# Appendix A｜Machine-Readable Research Object Minimum Schema

```yaml
research_object:
  id:
  type:
  title:
  canonical_source:
  version:
  created_at:
  updated_at:

identity:
  authors: []
  contributors: []
  institutions: []

epistemic:
  status:
  claim_strength:
  scope:
  assumptions: []
  limitations: []

provenance:
  source_hash:
  derived_from: []
  generated_by: []
  contribution_events: []

relations:
  defines: []
  depends_on: []
  supports: []
  contradicts: []
  validates: []
  falsifies: []
  extends: []
  supersedes: []

evidence:
  evidence_ids: []
  evidence_snapshot:
  contrary_evidence: []

validation:
  formal:
  computational:
  empirical:
  replication:
  unresolved: []

publication:
  public_snapshots: []
  doi:
  external_platform_ids: []
```

---

# Appendix B｜Claim–Evidence Object

```yaml
claim:
  claim_id:
  claim_form:
  claim_text:
  scope:
  modality:
  assumptions:
  status:

support_requirement:
  type:
  required_evidence: []

evidence:
  - evidence_id:
    evidence_type:
    relation:
    scope_fit:
    provenance:
    validation_state:

revision:
  defeat_conditions: []
  promotion_conditions: []
  latest_revision_event:
```

---

# Appendix C｜Research World Minimal Loop

```text
Research question
      ↓
Research objects
      ↓
Claims
      ↓
Evidence collection
      ↓
Validation
      ↓
Publication snapshot
      ↓
Living evidence monitoring
      ↓
New evidence / counterexample
      ↓
Impact analysis
      ↓
Revision candidate
      ↓
Human + AI review
      ↓
New canonical state
```

形式上：

$$
\boxed{
R_t
+
E_{t+1}
+
V_{t+1}
\rightarrow
R_{t+1}.
}
$$

---

# Appendix D｜Platform Authority vs Evidence Authority

```yaml
authority_profile:
  platform:
    repository:
    moderation:
    peer_review:
    persistence:
    discoverability:

  evidence:
    provenance:
    directness:
    replication:
    reproducibility:
    formal_validation:
    scope_fit:

  lineage:
    revision_history:
    dependency_graph:
    retraction_status:

  identity:
    author_identity:
    institutional_identity:
    contribution_provenance:
```

---

# Appendix E｜AI-Native Scholarly Node Checklist

一個分散式研究節點若希望被人類與 AI 高可信使用，最低可考慮：

```text
[ ] stable canonical URL
[ ] UTF-8 canonical source
[ ] version identifier
[ ] immutable historical snapshots
[ ] SHA-256 or equivalent content hash
[ ] author / contributor identity
[ ] creation and revision timestamps
[ ] explicit license
[ ] machine-readable metadata
[ ] claim identifiers
[ ] evidence identifiers
[ ] typed claim–evidence relations
[ ] code / data links where applicable
[ ] validation state
[ ] known limitations
[ ] unresolved issues
[ ] revision / retraction path
[ ] human-readable publication projection
[ ] machine-readable research projection
```

---

# Appendix F｜外部來源與時點

以下來源用於描述截至 2026-10-04 的外部學術基礎設施狀態。政策與平台機制可能持續變化，未來版本應重新查證。

1. arXiv, **Fair Moderation, Equitable Access, and AI: arXiv’s Updated Rate Limit Policy**, 2026-10-01.  
   https://blog.arxiv.org/2026/10/01/updated-rate-limit-policy

   公開公告指出：自 2026-10-01 起，每位 submitter 每曆月最多兩次 submissions，並維持最多三個 active submissions；2026 年 9 月收到 40,363 次 submissions，2024 年 9 月為 20,569，2016 年 9 月為 9,869，並產生近 9,000 件 support tickets。arXiv 將新政策稱為 stopgap，以爭取改善 moderation tools 與 procedures 的時間。

2. arXiv, **About / Moderation and submission policies**.  
   https://info.arxiv.org/

3. Wilkinson et al., **The FAIR Guiding Principles for scientific data management and stewardship**, *Scientific Data*, 2016.  
   https://doi.org/10.1038/sdata.2016.18

4. RO-Crate.  
   https://www.researchobject.org/ro-crate/

5. W3C PROV-O: The PROV Ontology.  
   https://www.w3.org/TR/prov-o/

6. Nanopublications.  
   https://nanopub.net/

7. CRediT — Contributor Roles Taxonomy.  
   https://credit.niso.org/

8. Crossref.  
   https://www.crossref.org/

---

# Appendix G｜與 IDSLS-03 的接口

IDSLS-02 處理：

$$
\text{Which scholarly structures should AI trust and learn from?}
$$

IDSLS-03 將進一步處理：

$$
\boxed{
\text{What is high-quality data for an experiential agent?}
}
$$

並把 scholarly text、code、gameplay、computer-use trajectory、failure recovery、permission data 與 physical feedback 放入同一資料價值框架。

核心將是：

$$
\boxed{
\text{Knowledge Quality}
\neq
\text{Experience Quality}.
}
$$

以及：

$$
\boxed{
Q(D)
=
F(
\text{Accuracy},
\text{CausalDensity},
\text{Feedback},
\text{Verifiability},
\text{DevelopmentFit}
).
}
$$

---

**End of Canonical Source**