# HACTS-06｜黃金窗口與歷史時間不對稱：人類創造的時間稀缺性與不可回溯價值

## 從原生人類前沿、AI 能力變遷、科學優先權與資產沉積，到「現在創造」和「交給未來」的非對稱決策理論

**English title:** *Golden Windows and Historical Time Asymmetry: Human Creative Priority, Technological Transition, and the Irreversibility of When an Idea Enters the World*  
**系列：**《人機耦合時代的時間主權與創造自由》（Human–AI Coupling, Temporal Sovereignty, and Creative Freedom；HACTS）  
**篇次：** 06／10（第二卷第二篇；承接 HACTS-00～05）  
**文件編號：** EML-HACTS-2026-06-v0.1  
**版本：** v0.1  
**日期：** 2026-10-16（Asia/Taipei）  
**思想提出與研究策劃：** Neo.K  
**AI 協作研究與論文初稿整理：** GPT-6  
**研究場域：** EveMissLab／無界智庫  
**文件性質：** 理論研究論文／歷史時間經濟學／條件性隨機模型／科學技術社會研究／實證研究綱領  
**狀態：** 詳細理論初稿；未經同儕審查，未執行本文另行提出之新受試者研究  
**Canonical source：** 本 UTF-8 Markdown 原始檔；數學原始碼僅以 ` $...$ ` 與 `$$...$$` 包圍  
**適用邊界：** 本文不預言 AGI／ASI 的日期，不主張人類創造將必然終結，不把公開時間戳視為專利權、學術證明或法律上的原創認定，不提供個別法律、專利或投資意見。  

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

---

## 摘要

人工智慧能力加速發展時，研究者、創作者與獨立開發者可能感受到一種不同於傳統截止期限的壓力：**同一成果在不同技術歷史時點出現，其先發稀缺性、知識傳遞作用、作者因果貢獻、公共注意力及市場可能性，未必具有相同價值。** 在某一階段，人類可以透過 AI 工具將以前需要大型團隊的構想形成原型；而在另一階段，相似構想可能已被更強的 Agent 廣泛重現。由此形成一個直觀但危險的推論：既然今天可能具有獨特的歷史價值，人就應當持續以最高強度工作，盡早完成所有尚可預見的研究。本文反對此一推論的普遍形式，同時保留其合理內核：技術窗口確實可能使部分成果具有不可完全回溯的時點價值，但**時間價值並不等於無限工作義務**。

本文提出「黃金窗口與歷史時間不對稱」（Golden-Window Historical Time Asymmetry；**GWHTA**）作為 HACTS 系列第二卷的第六篇研究。本文區分：第一，特定領域的技術先發窗口；第二，人類對問題生成與方向修正的實質因果貢獻窗口；第三，成果被公共領域看見的文獻與傳播窗口；第四，市場可轉換窗口；第五，技術進步使原本困難的工作在未來變得更容易的執行窗口。這些窗口可以重疊、錯開、關閉後重新開啟，並不必然服從單一的「ASI 到來之日」。某項技術的先發溢價可能快速消失，其知識價值卻持續存在；某項研究的當下實作昂貴，但其完整性、可驗證性與再利用價值可能在未來提高。

在形式模型方面，本文以領域相依的競爭事件風險率、隨機技術成本路徑、品質驗證機率、公共紀錄保真度及跨期選擇價值，描述立即完成、部分公開、留存可驗證錨點、延後、休眠與退出等不同行動的期望後果。本文證明一個**在明確簡化假設下成立的局部等待條件**：若未來實作成本下降的邊際收益，大於先發稀缺流失、折現與保存負擔的合計，短期等待可能優於立即完成；反之，如果領域先發窗口的危險率較高，或者目前成果可以用低成本留下高品質可追溯紀錄，部分立即外化可能更合理。此條件並不等同於任何個人的最適生涯決策，而是可受資料檢驗的條件模型。

本文將科技預測與生活主權分帳，提出「預測能力不產生無限實現責任」、「先發時間不等於真理優先權」、「發布日期不等於成果品質」、「未來可用 AI 既可能壓縮也可能擴張人類創造空間」、「歷史不可回溯性並不推導今日無限自我剝削」等命題。本文進一步提供十二組可否證假說、七組可重算思想實驗、四套觀察與介入研究設計，並列出對事件選擇、存活偏誤、領域異質性、預測自我實現及不可觀測反事實的處理方式。

本文的核心結論是：**一個成熟的人機耦合創作者可以認知歷史性窗口、保存成果、選擇性搶先公開，同時有充分理由把大量可保留專案交給更具能力、資源與合作條件的未來。** 所謂黃金窗口不是所有人都必須加速的統一命令；它是一組因領域、成果型別、資源與個體價值而異的條件性機會。時間主權的成熟，不是對未來不再做預測，而是不再要求每一項可預測的可能性都由現在的自己負責實現。

**關鍵詞：** 黃金創造窗口、歷史時間不對稱、先發稀缺性、科學優先權、原生人類前沿、增幅人類、AI 科研自動化、實質選擇權、技術成本下降、競爭事件風險率、成果外化、原創因果貢獻、認識論證據、時間主權、跨期決策、AI Agent、開放科學、再現性、可否證假說。

---

## 0. 研究起點：如果今天和十年後不一樣，是否應該把每一天都用到極致？

### 0.1 從有限工作時間到不可重來的歷史階段

多數工作效率模型隱含一項便利近似：若任務內容、需求與成本不變，今天未完成的工作仍可留待明天完成。工作時間可以平移，而產出價值只是受到普通折現影響。對某些日常任務，這個近似相當有用。只要沒有到期日、競爭與外部條件變化，今天整理一份筆記或明天整理同一份筆記，其認識論價值可能接近。

然而，研究、技術、文化與創造產業中的時間具有另一面：**成果出現的時點本身可能改變成果在世界中的相對位置。** 今日第一個提出某種可重現程序的人，與多年後重做已成為通用能力的程序者，儘管其技術內容相似，可能面對不同的知識狀態、受眾與回饋制度。更強 AI 的出現可能縮短開發時間，也可能增加同類結果的供給、改變可被辨識的原創貢獻。

因此，某些創作者不是單純受到工作量誘惑，而是受到「現在正處於一個不可完全重來的技術歷史時段」這項判斷的驅動。此判斷可以是合理的局部研究假說，但不能直接轉成以下命令：

> 因為今天可能有特殊價值，所以所有可以完成的研究都必須立即完成。

這是本文要拆解的錯誤跳躍。

### 0.2 真正需要回答的是五個問題

1. 一個成果的「歷史時點價值」究竟包含什麼？
2. 哪些價值真的會隨技術普及而下降，哪些價值不會？
3. 若未來 AI 工具顯著更強，為何現在投入未必最有效率？
4. 若成果可以分階段公開或保存，可否不必在「立即完成」與「完全等待」之間二選一？
5. 個人如何在不放棄前沿敏感性的同時，拒絕把技術預測變成無上限的生活責任？

這五個問題相互作用，但沒有哪一個可以被「十年內會有 ASI」這種單一日期代替。

### 0.3 最小命題

**命題 GW-0：** 歷史時點可以對某些成果構成獨立的相對價值變數；但除非另外給出可行集合、成本、外部責任、身體與生活資源，以及替代成果間的比較，這個變數不足以推出行動者應以最大強度持續工作。

可用邏輯上更保守的語句表示：

$$
V_i^{hist}(t_1)\neq V_i^{hist}(t_2)
\quad\not\Rightarrow\quad
\forall i,\;a_i(t_1)=\mathrm{ImmediateExecution}.
$$

右式的全稱命令需要遠多於左式的時間相依事實，因此推論不成立。

---

## 1. 本篇的研究位置：與 HACTS-00～05 的非重複分工

### 1.1 先前五篇已經回答什麼？

| 原稿 | 已處理的問題 | HACTS-06 新增的問題 |
|---|---|---|
| HACTS-00 | 生產力、時間主權與跨期選擇的統合綱領 | 歷史時點如何進入價值函數與可觀察資料 |
| HACTS-01 | AI 如何內生生成更多待完成工作 | 為什麼新增工作會被解讀為「此刻不做就太晚」 |
| HACTS-02 | 配額期限如何將算力供給轉化成時間壓力 | 技術歷史窗口與平台額度期限如何在概念上不同 |
| HACTS-03 | 高創造滿足與高認知負荷可以同時存在 | 高度自願投入時，歷史窗口信念如何改變總投入 |
| HACTS-04 | Agent 並行與人類認知待命 | 即使 Agent 已可自主工作，為何先發焦慮仍要求人類加速決策 |
| HACTS-05 | 繼續、延後、休眠、退出、回返的微觀決策 | 哪些可觀察的領域事件使延後收益與立即行動收益翻轉 |

這篇不重複第 05 篇的一般行動狀態機，也不重新提出「等待具有選擇權價值」這項既有經濟學原理。新增貢獻是**歷史前沿相對位置、價值構成、競爭事件、窗口重開與可識別的選擇條件**。

### 1.2 與 EveMissLab 既有理論的關係

本篇直接參照既有研究，但明確保留來源譜系：

- **原生人類前沿主權窗口論（2026-07）**：區分未經深度增幅的人類、增幅人類與人類錨定複合系統的不同前沿，不把「人類被超越」當成單一事件 [I1]。
- **顯式知識重組飽和（2026-07）**：指出自動化知識重組可能改變候選理論供給，進而轉移認識論瓶頸 [I2]。
- **真原創者的天堂／原創槓桿窗口假說（2026-07）**：討論原創問題選擇與 AI 執行能力的互補，而非斷言 AI 永遠不會原創 [I3]。
- **最後人類認知前沿（2026）**：將人類與 AI 的認知差異設計為可持續重測的領域相依阻抗集合 [I4]。
- **可實作門檻前移（2026）**：討論同一構想如何因新模型或工具進步而從潛伏狀態變得可實作 [I5]。
- **HODR 與 HAVT**：前者已研究大量可行選擇權如何延遲成果外化；後者研究多速度文明和有效退出 [I6–I8]。

上列都是本篇的研究前置，不是本篇可再次主張首次發明的既有概念。這些檔案的部分版本仍可能是內部研究稿；書目對照不等於公開授權。

### 1.3 與下一篇的邊界

HACTS-07 將研究「未來自我與技術等待選擇權」。本篇的重點是**窗口有何可測量結構**；下一篇才會更深入分析未來技術改善、個人與未來自我之間的權益分配。兩篇可共享形式記號，但不應重複同一組概念證明。

---

## 2. 外部研究：已知的證據與尚不能下的結論

### 2.1 AI 能力正在變化，但增長不是單一完整能力

Stanford HAI《2026 AI Index》科技表現章節記錄，部分高難度模型評測在短時間內出現顯著提升；科學章節同時指出，不同領域的問題回答、論文尺度重現與編程實作能力高度不均勻 [E1][E2]。這支持「技術時段不同，研究能力可能不同」的前提，卻**不支持把所有科學領域的創造力壓成一條單調曲線**。

METR 提出的 task-completion time horizon，估計 AI 在特定任務分布、特定成功率下所能完成任務的「人類等價難度時間」，而不是 AI 一次能連續工作多久，也不是機器可在任意領域取代人類多少小時 [E3][E4]。METR 的版本更新與明示限制，是本篇拒絕以單一時間尺度預言 ASI 的重要方法學對照。

**可得結論：** 研究者可以把模型能力視為隨時演化的條件變數。  
**不可得結論：** 已經測得一個全人類創造力的統一終止日期。

### 2.2 AI 已進入科學發現鏈，但生成結果不等於經驗閉合

2026 年 *Nature* 發表的 Robin 系統展示多 Agent 在生物研究中整合文獻、假說、資料分析與實驗回饋的能力；其「半自主」性質和實驗世界仍需外部協作的限制，需要與完全自動、自行驗證、自行確定社會新穎性的敘事分開 [E5]。

2026 年 ResearchArena 預印本則展示更嚴格的反面：在 117 份 Agent 生成論文中，僅由稿件文本判讀可能高估成果，加入 artifact-aware review 和人工稽核後，實驗薄弱、成果與操作不一致等問題顯著浮現；該研究所評估的 117 份稿件沒有達到所用頂尖會議接受門檻 [E6]。它是特定系統、領域與評分程序的結果，不是所有未來 AI 科研能力的定理。

另一項 2025 年針對 GPT-4 與特定分子遺傳學研究任務的研究指出，該系統在其測試條件下的科學發現能力仍有限 [E18]；然而，此結果也不能被外推成「所有更新 AI 模型永遠不會產生真正原創成果」的普遍定理。

上述研究支持兩個方向同時成立：機器能力可能快速增加；可檢驗的真實成果與「看似合理的研究文本」之間仍有不可省略的差距。

### 2.3 技術加速並不保證實際效能增長

METR 2025 年對熟悉既有程式碼的開源開發者進行隨機實驗，發現在其當時測得的條件下使用 AI 反而延長完成時間。METR 於 2026 年發布的後續方法說明則指出，較新的工具可能帶來改善，但後續樣本存在受試者選擇與時間測量偏差，因此不能把新估計當成可靠的普遍速度提升 [E7][E8]。

這提醒本文：即使「技術下一代更強」具有合理性，也不能假設每個專案明年成本一定下降百分之多少；成本路徑必須包含不確定性、重整成本、相依版本變更與人類驗證費用。

### 2.4 科學「優先權」有成熟的社會學傳統

Merton 在 1957 年的科學發現優先權研究已分析「誰先發現」如何涉及學術認可、獨立發現與社會獎賞 [E9]。本篇並不發明科學優先權，也不把優先權等同於真理。科學共同體可能承認某個時間較早的記錄，仍同時要求其主張有定義、證據、推論與可重現性。

同樣地，Lieberman 與 Montgomery（1988）已整理企業先發優勢與先發劣勢的機制，指出最先上市並非普遍最有利的市場策略 [E10]。歷史時點因此有**條件性**經濟價值，而不是不可質疑的先手獎勵。

### 2.5 不可逆投資的等待價值不是新發現

Pindyck（1991）討論在不確定性與不可逆投資下，保留等待可能性本身具有經濟價值 [E11]。本篇將此直覺連結至 AI 工具能力變動、研究資產保存與歷史優先權，但不是把金融選擇權公式直接搬來就能推得個人最適工作時間。

等待收益在研究情境下的難點包括：未來的原創定義可能改變、成果可能無法用貨幣共同計量、研究世界可能產生新問題、社會採納機制可能改寫，以及未來創作者可能不再偏好相同目標。

### 2.6 AGI／ASI 時點仍高度不確定

Grace 等人針對 2,778 名 AI 研究者的問卷（2023 年蒐集，後於 2025 年正式發表）顯示，不同 AI 能力里程碑的預測時間差異很大，也包含相當的不確定性 [E12]。這類專家主觀預測可用於構造情境分布，**不能視為具備精確頻率校準的自然法則**，更不能由單一中位數推導出每個創作者的工作義務。

### 2.7 來源治理：錯誤研究不能因契合敘事而被引用為證據

一份曾流通的《Artificial Intelligence, Scientific Discovery, and Product Innovation》預印本，雖然題目與本篇高度相關，但 MIT 在 2025 年公開表示對其資料來源、可靠性與研究真實性沒有信心，並要求撤回 [E13]。本篇**不使用該研究的數字作為 AI 提升科學原創產能的證據**；列入文獻只是作為來源查核與撤稿風險的負面案例。

這不是形式上的註腳，而是本篇的核心方法論：若一篇文章主張「歷史窗口很重要」，卻為了趕在窗口前發表而降低引用查核與證據標準，便在自己的研究程序中違背了認識論價值。

---

## 3. 五種時間窗口：沒有單一倒數計時器

### 3.1 技術先發窗口（Technical Priority Window）

某一可驗證技術構造尚未普遍公開、廣泛實作或成為通用工具的期間，可能存在相對稀缺的技術先發位置。這個窗口受獨立研究者數量、可用模型能力、技術成熟度、搜尋成本、開放資料、硬體與公共注意力影響。

**必須區分：** 先於他人**公開**、先於他人**實作**、先於他人**形成構想**、先於他人**完成有效證明**，是四件可能不一致的事情。

### 3.2 人類因果貢獻窗口（Human Causal Contribution Window）

這個窗口不問是否先完成，而問在特定研究流程中，人類對問題生成、判準創建、框架重構或實驗決策是否構成重要、非裝飾性的因果節點。即使某種模型可完成相同工作，具體人機協作的作者因果貢獻仍需按可追溯歷史判斷，不能用「AI 技術變強了」直接抹去人類貢獻。

相反地，若未來研究過程更依賴由 AI 自主產生問題，人類在某些流程的實質貢獻形式可能改變。這是可觀察的研究假說，不是對人類人格價值的否定。

### 3.3 公共知識進入窗口（Public Knowledge Entry Window）

技術想法可能長期存在私人筆記、程式碼草稿或實驗紀錄中，但尚未能被外界讀到、重建或使用。公開論文、版本化軟體與可引用檔案可能使成果進入公共知識歷史。

發表的時間有文獻史意義，但公開日期只表示**某個版本在某個時點進入可存取的紀錄**，不保證該版本的定義完整、證據有效、早於全世界的其他私人研究，或具有法律上獨占權利。

### 3.4 商業與採用窗口（Adoption and Market Window）

市場需求、顧客預算、配套基礎設施、分銷與法規等條件，可能使某項產品有時太早、有時正好、有時過晚。商業採用窗口甚至可能在技術先發窗口關閉之後才真正打開。

例如早期原型在硬體昂貴時難以普及，未來成本下降、部署變簡單後才有商業市場。技術越早提出，並不保證越容易取得第一筆收入。

### 3.5 技術等待與再實作窗口（Re-Implementation Window）

隨更成熟的 AI、硬體、工具、標準與合作夥伴出現，原先開發成本極高的專案可能變得容易；此時等待增加的是**執行選擇權**，不是歷史先發權。其價值方向可能恰與「先發稀缺性」相反。

### 3.6 五種窗口的對照

| 窗口型別 | 主要關切 | 可能的收縮來源 | 可能的擴張或重開來源 | 常見誤判 |
|---|---|---|---|---|
| 技術先發 | 相對於他人何時公開可用成果 | 同類技術競爭、標準化 | 新問題域、新評估範式 | 當成唯一歷史價值 |
| 人類因果貢獻 | 人類對核心判準與方向的實質作用 | 自主問題生成能力提升 | 人機新協作型態 | 當成主體尊嚴排序 |
| 公共知識進入 | 他者何時能讀取、驗證、重建 | 資訊過載、平台可見性下降 | 新索引、重版、引用 | 當成證明新穎性的充分條件 |
| 市場採用 | 成果何時有可轉換外部需求 | 競爭、渠道壟斷、需求轉移 | 基建成熟、成本降低、互補品 | 當成一定越早越好 |
| 技術等待 | 未來執行是否更容易 | 技術停滯、相容性失效 | 更強 AI、新硬體、成熟工作流 | 把未來改善視為保證 |

五個窗口**不必同時打開或同時關閉**。這個非同步性是本文最重要的結構假設。

---

## 4. 「歷史價值」不能縮成單一的原創稀缺性

### 4.1 多維價值向量

對一項研究或創作資產 $i$，令其在時點 $t$ 的評價向量為：

$$
\mathbf V_i(t)=
\bigl(
V_i^{P}(t),
V_i^{K}(t),
V_i^{C}(t),
V_i^{A}(t),
V_i^{R}(t),
V_i^{S}(t)
\bigr).
$$

其中：

- $V_i^P$：Priority，技術與知識歷史的相對先發價值。
- $V_i^K$：Knowledge，知識、解釋、可驗證性、可重現與可累積價值。
- $V_i^C$：Commercial，商業採用、授權、收入或部署價值。
- $V_i^A$：Artistic / Cultural，文化、美學、敘事與個人表達價值。
- $V_i^R$：Reusability，未來重用、轉譯或與其他技術耦合的價值。
- $V_i^S$：Sovereignty，對創作者可用時間、選擇權與生活自主性的淨影響。

這六種價值不一定可用同一單位測量，尤其美學、個人生命經驗與知識真理不能自然地換算成貨幣。本文只在示意算例中，為了公開比較假定將各分量做了事先規範化，並使用明示權重：

$$
U_i(t;\mathbf w)=\sum_{d\in\{P,K,C,A,R,S\}} w_d \widetilde V_i^d(t),
\qquad w_d\geq0.
$$

它不是客觀普世效用定律；權重必須由實際行動者、研究目的或預註冊實證設計給定。若某項價值具有不可交易性，應以約束表示，而非暗中給它一個任意低價格。

### 4.2 先發性可能下降，知識價值仍不下降

某個數學命題若真實、完整且仍有解釋力，其知識價值可能因重複研究而持續維持，甚至隨後續學科發展增長；但第二個獨立證明者的「首次提出」社會獎賞可能不同。

因此：

$$
\frac{dV_i^{P}}{dt}<0
\quad\not\Rightarrow\quad
\frac{dV_i^{K}}{dt}<0.
$$

對藝術作品亦然。某個主題已有大量 AI 生成內容，不代表特定作者的文化脈絡、情感經驗、敘事立場或讀者關係立即失去價值。用單一「稀缺性」衡量所有創造，會混淆不同價值的本體。

### 4.3 市場價值可能晚於原創窗口出現

對某個需要成熟平台、低成本硬體或制度配套的產品，可能存在：

$$
\frac{dV_i^{P}}{dt}<0,
\qquad
\frac{dV_i^{C}}{dt}>0.
$$

在這種區域，越早製作完整商業系統未必越好；先保存技術、驗證可行性，再等待市場條件改變可能較合理。

### 4.4 個人自由本身是不可忽略的結果變數

如果創作者為了保留些許歷史先發溢價，持續消耗睡眠、經濟緩衝、家庭與未來研究能力，則單看 $V_i^P$ 將高估立即執行的合理性。相反地，在有充分恢復、財務緩衝與高自主性的情況下，集中投入本身也可能正是創作者想要的生活。

本篇不把高強度工作一律視為錯誤，只要求**歷史價值不得自動凌駕所有其他價值與正當約束**。

---
## 5. 三種人類前沿與一個持續移動的 AI 前沿

### 5.1 原生、增幅與複合載體不是道德等級

承接「原生人類前沿主權窗口論」，本篇使用三種描述性對象：

$$
H_0(t),\qquad H_+(t),\qquad H_*(t).
$$

 $H_0$ 表示以人類自身認知連續性為主要核心，外部工具與短期 AI 輔助為次的研究流程； $H_+$ 表示長期使用外部記憶、推理模型、Agent 與研究工作流的增幅人類； $H_*$ 表示多個認知與組織載體長期共享狀態且深度耦合的人類錨定系統。三者是研究操作上的連續光譜，不是天然互斥的生物類型，更不是倫理人格高低之分。

令 $A(t,d)$ 為某一技術配置在領域 $d$ 的有效 AI 任務能力。若要研究它與 $H_0,H_+,H_*$ 的相對位置，至少需要指定：

- **比較任務：** 解題、證明、假說生成、問題重構、實驗規劃還是外部執行？
- **成功閘門：** 答案正確、反例魯棒、可重現、可採用或能有效改變研究路線？
- **資料可見性：** 模型是否看過題目、相關論文、基準測試或原始研究材料？
- **資源公平性：** 人類和 AI 各有多少時間、資料、工具與合作資源？
- **作者貢獻：** 構想最早來自誰、誰設計判準、誰能重建成果？

因此不能只寫一個未定義的 $A>H$，就宣稱所有人類認知窗口已結束。

### 5.2 能力前沿是向量而不是單軸排名

令每個系統的能力向量為：

$$
\mathbf F_x(t,d)=
(F_{solve},F_{verify},F_{hyp},F_{frame},F_{act},F_{recover})_{x,t,d}.
$$

它分別描述解題、驗證、假說、框架生成、世界行動及錯誤恢復。即使模型在 $F_{solve}$ 上獲得大幅提升，也不能直接得出 $F_{frame}$ 或 $F_{act}$ 已同步成熟。相同能力向量在不同任務資料分布下也可能失效。

### 5.3 窗口事件可以領域相依地發生

定義某個領域、某種任務、某項研究判準下，AI 達到或超過特定人類基準的首次可持續事件為：

$$
\tau_{d,k}=\inf\{t:A(t,d,k)\geq H(t,d,k)\ \land\ G_{valid}(t,d,k)=1\}.
$$

 $k$ 為指定任務類型， $G_{valid}$ 為事先明示的實證有效性閘門。如果不存在符合條件的時間，則令 $\tau_{d,k}=+\infty$。不同的 $d,k$ 可有完全不同的值；甚至在條件改變時，前沿可能暫時倒退。

**因此，「AGI／ASI 何時來」與「特定研究成果何時不再稀缺」不能視為同一個隨機變數。**

### 5.4 技術上被超越不代表人類作品失去後續意義

在文化創作、公共敘事、地方知識、個人經驗與主體自主選擇中，一件作品的價值可能包含創作者與受眾的關係。即使機器可以在形式特徵上大量模仿，並不因此證明該文化關係的價值為零。比較「可再現的產品特徵」與「具歷史脈絡的創作行動」，是不同的研究問題。

另一方面，亦不應因為作品出自人類就宣稱其必然比 AI 作品有更高品質；價值需要具體判準，不能用作者類型作為替代測量。

---

## 6. 時間不是一個變數：六種不能偷換的時鐘

### 6.1 六種時間

定義研究觀察時點為：

$$
\mathfrak T_i=(t_W,t_I,t_P,t_V,t_A,t_H).
$$

各分量含義如下：

1. $t_W$：不可逆的外部歷史時間。世界制度、競爭與可用基礎建設在此座標上改變。
2. $t_I$：內部構想形成時間。想法可能在尚無公開紀錄前存在。
3. $t_P$：可查驗的公共發布時間。必須說明具體版本與發布渠道。
4. $t_V$：主張達到特定驗證標準的時間。可能比公開早或晚。
5. $t_A$：外部採用、部署、授權或實際進入市場的時間。
6. $t_H$：研究者自己持續投入的載體時間與可支配生命時間。

其中 $t_P$ 不必等於 $t_V$， $t_V$ 也不必早於所有版本的 $t_P$ ；有些預印本先公開再修正，有些程式先私下完成測試再開源，有些專利早於產品，有些產品的市場採納延後多年。

### 6.2 優先權爭議常源於不同時鐘相互取代

一方可能主張「我很早就想到」，另一方提出公開版面日期，第三方提供完整可重現實驗，第四方最先完成規模化部署。這四種「最先」未必互斥，也未必同樣重要。

若要研究歷史優先權，必須先指定事件型別，而不是直接用誰的發布日期較小決定所有歸屬。本文將「先發主張」表示為：

$$
\operatorname{PriorityClaim}(i,m,e,\mathcal E),
$$

其中 $m$ 是明確內容主張， $e$ 是構想、外化、驗證或採用等事件類別， $\mathcal E$ 是可稽核證據集合。

### 6.3 歷史不可回溯性不是技術永久不可替代性

一個可以被未來 AI 高品質重做的程式，仍然可能在早期建立了可追溯的技術譜系；反之，某個時間很早的草稿，若定義不清、沒有可重建結果，也不會因年份較早而自動比未來成熟作品更有解釋力。

因此至少要區分：

$$
\mathrm{Nonrepeatable}(t_P)
\neq
\mathrm{Irreplaceable}(m)
\neq
\mathrm{Valid}(m).
$$

第一個是歷史紀錄的不可回溯，第二個是成果或因果貢獻的不可替代，第三個是主張本身的有效性。它們不等價。

---

## 7. 競爭事件與先發稀缺性：一個最小生存模型

### 7.1 為什麼採用事件風險率，而不是固定年限？

假設某技術 $i$ 在目前尚未被充分獨立重現、普及或變成低成本商品。在未來一段期間，可能發生不同類型事件：競爭研究團隊提出類似方法、AI Agent 自主重現、平台提供標準化功能、法律制度或市場偏好改變。這些事件的出現時間通常難以預先精確知道。

令 $\tau_i^P$ 為使特定先發稀缺性大幅變化的首次可辨識事件。**注意：** 該事件不是「人類創造終結」，也不必是 AGI 或 ASI。它只是事先指定的技術或社會事件。

### 7.2 原因別事件風險率

給定已觀察到的歷史資訊 $\mathcal H_t$，可以將事件風險分成：

$$
\lambda_i^P(t\mid\mathcal H_t)
=\lambda_i^{AI}(t)+\lambda_i^{human}(t)+\lambda_i^{standard}(t)+\lambda_i^{institution}(t).
$$

這個相加式成立的前提是各項為同一條件歷史下、對互斥首次事件類別所定義的原因別瞬時風險率；不能把各類無條件機率直接相加，也不表示事件原因在統計上獨立。若存在未觀察異質性或共同衝擊，必須在模型中另外表示。

四類風險來源分別為 AI 自主重現、人類獨立研究重現、平台標準化與制度環境改變。本文不預設哪一類最大。

### 7.3 在給定可預測風險函數下的存活機率

若 $\lambda_i^P(u)$ 在計算區間中是給定的可積分非負函數，則先發稀缺狀態存續機率可近似表示為：

$$
S_i^P(t\mid t_0)
=\exp\left(-\int_{t_0}^{t}\lambda_i^P(u)\,du\right).
$$

若風險函數本身是隨機過程，則條件存續機率一般需要對可能風險路徑取條件期望，不能直接用單一預測均值替代：

$$
S_i^P(t\mid\mathcal H_{t_0})
=\mathbb E\left[
\exp\left(-\int_{t_0}^{t}\lambda_i^P(u)\,du\right)
\middle|\mathcal H_{t_0}\right].
$$

這個差異很重要：不確定性本身會影響等待比較，不能只拿一條看似精準的 ASI 日期曲線代替。

### 7.4 常數風險只是可解的示意特例

若假設 $\lambda_i^P(u)=\lambda_i$ 為常數，則：

$$
S_i^P(t_0+\Delta\mid t_0)=e^{-\lambda_i\Delta}.
$$

此式刻畫一個指定事件的發生風險，不代表任何實際技術都服從指數分布。當競爭加速、平台政策變化或研究新領域浮現時，常數風險假設很可能失效。

### 7.5 觀察上最困難的是事件定義

什麼叫「類似方法已被重現」？必須事先指定可操作判準，例如相同的輸入輸出契約、可重現的性能差異、同等的理論定義、相近的發現所需資源，或使用者願意視為替代方案。若研究者事後依結果重新改寫「足夠類似」的標準，模型將產生嚴重的研究者自由度與選樣偏差。

因此，先發稀缺性的測量必須與**內容相似度、功能替代性、性能驗證和研究證據等級**共同進行。

---

## 8. 黃金窗口不是一條向下曲線：關閉、變形與再次開啟

### 8.1 單調性只適合有限條件

一個已被普遍發明的技術，其「首次被提出」的地位在固定歷史紀錄中不會重新產生。但這不等於同一技術所有的價值都單調下降。研究領域可能因新證據、新工具、新社會需求而打開第二次甚至第三次窗口。

例如：

- 一個數學構造早已提出，但後來成為新型計算架構的關鍵部分。
- 一個遊戲引擎原型當時缺少美術生成能力，後來 AI 工具使其實作成本下降。
- 一項理論在最初研究共同體未被廣泛理解，但後來新的實驗技術提供了可測量的適用場景。
- 開源框架早期使用者很少，卻在新標準形成後具有強大的可組合性。

這些是可能的機制，不代表任何特定專案必然會發生。

### 8.2 多區段窗口定義

對價值維度 $d$ 和專案 $i$，定義在時點 $t$ 相對於明確門檻 $\theta_{i,d}$ 的有效窗口集合：

$$
\mathcal W_{i,d}
=\{t\geq t_0:\mathbb E[V_i^d(t)\mid\mathcal H_{t_0}]\geq\theta_{i,d}\}.
$$

此處使用 $t_0$ 時點已知的資訊建構**事前預測窗口**，隨後可在新證據到來時另行滾動更新；此集合可以由數個不連續時間區段組成，而非唯一的 $[t_0,T]$。門檻及價值定義若沒有外部可檢驗的意義，就不能直接宣稱測得真實窗口。

### 8.3 不同領域可以有不同方向

對某些短週期技術解法， $\mathcal W_{i,P}$ 可能迅速收縮；對深度文化創作、歷史語料、正式數學理論或需要實驗設備的應用，對應窗口可能緩慢變化，甚至因外部技術進步擴大。

**本篇最反對的推論**是：只因程式生成或特定模型測試快速改善，就宣布所有數學、藝術、哲學、產品與人生選擇都進入同一個倒數計時。

### 8.4 觀測能力提高也會讓「窗口變化」看起來更劇烈

當文獻檢索與 AI 搜尋更快時，研究者可能在更短時間內發現大量相關先行成果。這不一定表示世界近期真的突然產生了所有相似構想；也可能只是搜尋能力提高，讓過去未被看見的成果進入視野。

因此應區分：

$$
\mathrm{DiscoveryBySearch}(t)
\neq
\mathrm{FirstCreationInWorld}(t).
$$

使用新搜索工具所見的「原創窗口收縮」，需要檢查是否只是可觀察性提高造成的統計現象。

---

## 9. 公開時間、證據保真與「被看到的首創」

### 9.1 最早記錄並不自動具有最高證明力

假設研究者 A 在某年建立了對外可見的簡短技術聲明，但沒有公開定義、測試或可重建結果；研究者 B 稍後發表了完整的形式模型與可重現實驗。兩人的歷史紀錄都應被準確保存，卻不能只依時間順序決定全部科學功勞。

因此對一份版本化紀錄 $r$，至少記錄：

$$
\mathcal E(r)=(t_r,h_r,s_r,a_r,v_r,\ell_r),
$$

其中 $t_r$ 是可追溯發布時間， $h_r$ 是內容雜湊， $s_r$ 是可識別的內容範圍， $a_r$ 是署名與貢獻資訊， $v_r$ 是驗證材料， $\ell_r$ 是授權／權利狀態。這些欄位共同支持可稽核性，但不能保證社群採納、真理或法律歸屬。

### 9.2 證據保真度

可引入不直接宣稱測量完備性的證據品質評分：

$$
Q_i^{evidence}=q_i^{trace}\cdot q_i^{scope}\cdot q_i^{rebuild}\cdot q_i^{indep},
\qquad q_i^k\in[0,1].
$$

各項代表時間與版本可追溯、主張範圍清楚、可重建、獨立審核。乘積形式意味著某一核心欄位接近零時，整體證據品質受到嚴重限制。這只是便於檢驗的工作模型；真正審查可採多閘門而非機械乘積。

### 9.3 先發紀錄的價值與主張有效性分離

對既定主張 $m$，應另列：

$$
\operatorname{Valid}(m\mid E)
\quad\text{與}\quad
\operatorname{Prior}(m\mid\mathcal E).
$$

即使可證明某版本較早，也不保證理論為真；即使理論為真，也不保證某人是唯一或最早的發現者。這不是吹毛求疵，而是避免用時間壓力替代正式科研審查。

### 9.4 實作層可用的公開記錄方式

版本化預印本、具固定版本識別的研究檔案、程式 release、可引用的軟體歸檔、可重建測試與受控證據包，皆可協助後續研究者理解成果來源。GitHub 官方文件說明 immutable releases 可鎖定標籤與資產並產生可驗證的釋出證明；Zenodo 提供研究資料及軟體版本的 DOI 與保存機制 [E14–E16][E19]。

但不同機制各有適用範圍。私有 Git 儲存庫的提交日期不一定等同公眾可查驗的公開時間；一般 Git history 可被重寫；即使檔案被保存，也不代表編輯者或平台對其學術真確性背書。公開紀錄應是證據鏈的一部分，而非取代內容審查。

### 9.5 技術公開與權利安排的不可逆性

對於仍可能申請專利、需保留營業秘密、包含第三方授權內容或未公開個資的成果，直接上傳完整原始碼可能造成不可逆後果。美國某些由發明人而來的公開揭露具有特定一年寬限期制度，但多數國家並非如此；USPTO 明確提醒海外保護可能因先公開受到影響 [E17]。

本篇不建議為了搶時間戳而不經權利判斷直接公開全部技術，更不把任何宣傳性「專利敘述文案」誤稱為已取得專利。若專利、保密與公開的取捨具有實際利益，需另做具體司法管轄區的法律評估。

---

## 10. 先發稀缺的品質調整價值

### 10.1 不能只計算「距離別人更早」

假設某成果具有當前潛在先發價值 $B_i$，但未來同等成果可能被獨立提出。若只看競爭事件存活率，可以用：

$$
\widetilde V_i^P(t)
=B_i(t)\,S_i^P(t)\,Q_i^{evidence}(t)\,Q_i^{valid}(t).
$$

其中 $Q_i^{valid}$ 是事先定義的有效性門檻或概率評估，不是模型自我宣稱。上式是**概念性乘法模型**，不是經大樣本估計得到的經濟係數；其含義是當成果未能通過關鍵證據與內容閘門時，單純較早的紀錄不能充分實現其先發知識價值。

### 10.2 分段發布的可能價值

對某些專案，完整產品化需要很長時間，但核心定義、最小驗證與版本錨點的成本遠低於完整市場化成本。此時可考慮三層操作：

1. **內部 canonical 保存：** 固定原始碼、數據、證明義務、未完成處及後續重建方式。
2. **可公開的最小研究版本：** 說明已知範圍、限制、可被驗證的最小主張，並使用適當版本與授權。
3. **後續產品化或完整研究：** 在財務、硬體或 AI 能力更成熟時，再由合適的人機系統推進。

這不是要求每個專案一定要拆成三層，而是指出行動集合中還存在「保留、但不一次完成」的路徑。其實際效用取決於保密、競爭、證據品質與後續維護成本。

### 10.3 「先有名字」不等於「已完成理論」

若僅公開一個概念名稱、概略圖、價值宣稱或模糊程式架構，通常不能據此推出所有後續版本都已被充分揭露。後續研究必須具體比較定義、命題、算法、證明、實驗與完成範圍。

在知識史上，最早提出疑問、首先明確形式化、首次給出完整證明，以及後續發現應用者，可能都對同一個研究系統產生重要貢獻。

### 10.4 公開後不是作者必須永遠負責解釋所有未來用途

完成必要的真實聲明、正確標記限制、遵守法定義務、尊重第三方權益之後，研究者沒有天然義務替每一個可能的後續應用做行銷、預測、部署或維護。某些成果可以被捐入公共知識；另一些應保留在商業或私有研究體系。兩者皆可在負責任的條件下成立。

這是時間主權與研究外化最重要的接口：**公共發布可以結束一段創作者自己承擔的開發責任，而不必同時承諾無期限維護。**

---
## 11. 未來 AI 更強的雙面效果：成本下降與相對稀缺下降

### 11.1 同一技術變動可以同時產生相反方向的作用

若未來 AI 更容易完成某類任務，它對現有研究資產至少可能造成四種不同方向的影響：

1. **成本效應：** 開發、測試、形式化與實作所需資源下降。
2. **競爭效應：** 更多人與 Agent 能提出類似成果，降低特定先發溢價。
3. **互補效應：** 原有研究更容易與新技術耦合，增加應用或商業價值。
4. **驗證效應：** 先前未能完成的證明、實驗與交叉檢查可能變得可負擔，提高認識論保真度。

不能只觀察其中一項就推定立即行動或等待一定較好。

### 11.2 一種具有下界的未來成本路徑

對專案 $i$ 的品質調整執行成本，可先設：

$$
C_i(t)=C_i^{min}+(C_i^{0}-C_i^{min})e^{-g_it},
\qquad g_i\geq0.
$$

 $C_i^0$ 是起始成本； $C_i^{min}$ 是無法因技術進步而完全消失的成本，例如必要實驗、材料、責任驗證、人工審查與外部部署。 $g_i$ 是成本下降速率。這是可解的假設性模型，非宣稱所有 AI 專案的成本一定指數下降。

實際上，成本也可能跳躍上升：相依套件無法維護、外部 API 改價、供應鏈缺貨、監管變更、模型能力停滯或重要工具下架，都會改變成本曲線。因此研究中需將 $g_i$ 估為帶有可信區間的變數，並容許非單調模型。

### 11.3 成本下降不等於人類時間同比下降

即使單次生成與程式執行成本下降，人工判準、使用者訪談、證據審查及版權處理等費用未必同步下降。若模型更擅長快速產生大量分支，審查佇列甚至可能增加。

應至少分成：

$$
C_i(t)=C_i^{AI}(t)+C_i^{human}(t)+C_i^{world}(t)+C_i^{risk}(t).
$$

四者不能被任意一個 Token 價格取代。未來 AI 進步若只使 $C_i^{AI}$ 快速下降，而其餘成本占比提高，總成本降幅便小於單項算力成本降幅。

### 11.4 技術成熟可能改變品質而不只是成本

未來的模型也可能使成果的可靠度提高，而不是只加速生成。以 $Q_i(t)$ 表示通過獨立有效性閘門的機率或預期品質；但品質不是無限制地隨模型版本提升，且無法被研究者單獨自評為「已達新穎」。

因此，要比較今天與未來，至少需共同估計：

$$
\bigl(C_i(t),Q_i(t),S_i^P(t),V_i^K(t),V_i^C(t)\bigr).
$$

這五個項目可能高度相關，不能假定互相獨立。

---

## 12. 今日完成或晚一年完成：簡化的跨期決策模型

### 12.1 為什麼要建立極簡模型？

歷史價值可能無法用貨幣完整表示，但若從不建立可檢查的條件，就容易讓「黃金窗口」淪為不能反駁的情緒壓力源。最小數學模型的作用不是替人做人生決策，而是清楚暴露：**若要聲稱現在一定更好，必須依賴哪些額外假設？**

先考慮單一專案，並暫時忽略文化、純知識與對他人公共價值的不可比較部分。令 $V>0$ 為以某共同分析單位計量的「若先發價值仍存在時的總收益」， $C_0$ 為今天完成的成本。

立即完成的淨值：

$$
J_{now}=V-C_0.
$$

假設等待 $\Delta$ 年後，先發價值以常數風險率 $\lambda$ 存續，執行成本以速率 $g$ 下降，價值以速率 $r$ 折現，另有保存、技術重啟及協調成本 $K(\Delta)$。則：

$$
J_{wait}(\Delta)
=e^{-r\Delta}
\left[V e^{-\lambda\Delta}-C_0e^{-g\Delta}\right]
-K(\Delta).
$$

**簡化條件：** 兩個狀態具有同一個收益與成本共同計量單位；先發風險不被行動者公開行為改變；未來成本和風險率都給定；當先發消失時，此例將可比較收益全部視為消失；沒有額外文化、非先發知識或商業互補價值；沒有風險厭惡與融資約束。這些條件都可能在現實中不成立。本文後續逐項放寬。

### 12.2 等待優於立即完成的比較式

在上述限制下，等待 $\Delta$ 年的價值較高，當且僅當：

$$
J_{wait}(\Delta)>J_{now}.
$$

展開即：

$$
e^{-r\Delta}
\left[V e^{-\lambda\Delta}-C_0e^{-g\Delta}\right]
-K(\Delta)>V-C_0.
$$

左式清楚呈現：成本改善（ $g$ ）支持等待；競爭危險率（ $\lambda$ ）、折現（ $r$ ）和重啟負擔（ $K$ ）反對等待。單憑「我覺得未來 AI 會更強」不足以決定不等式方向。

### 12.3 短期等待的局部條件

設 $K(0)=0$ 且右導數 $K'(0)$ 存在，則：

$$
\left.\frac{dJ_{wait}}{d\Delta}\right|_{\Delta=0^+}
= -V(r+\lambda)+C_0(r+g)-K'(0).
$$

所以短時間等待在局部提高此簡化淨值的充分且必要的一階條件（忽略導數等於零時的二階判別）為：

$$
C_0(r+g)>V(r+\lambda)+K'(0).
$$

若不等式反向成立，則在 $\Delta=0$ 鄰近區域立即執行較有利。注意：這是**局部方向判準**；它不保證等待一年、五年或十年也最優。

### 12.4 競爭危險率的臨界值

當 $V>0$，可重新整理為：

$$
\lambda^*=
\frac{C_0(r+g)-K'(0)}{V}-r.
$$

在上述條件下，若 $\lambda<\lambda^*$，短期等待提高簡化淨值；若 $\lambda>\lambda^*$，短期等待降低簡化淨值。若 $\lambda^*<0$，由於風險率非負，通常不會在這個局部模型中找到支持短期等待的非負 $\lambda$。

**重要：** $\lambda^*$ 不是 AGI／ASI 發生的時間預測，也不是人類創造終點。它只是單一專案、特定收益與成本假設下的參數門檻。

### 12.5 固定一年期限的臨界值與局部臨界值不同

當 $\Delta=1$ 且 $K(1)=K_1$，若要求「等一年」恰與立即完成等值，則：

$$
\lambda^*_{1y}
=-\ln\left(
\frac{(V-C_0+K_1)e^{r}+C_0e^{-g}}{V}
\right),
$$

前提是對數參數落在 $(0,1]$ 使求出的非負危險率有意義。這個一年比較式不是上一節導數條件的同義式；兩者會因期限長度與重啟成本曲線不同而不一致。

這個區別直接防止一種常見錯誤：研究者由「現在開始等待的瞬間，看起來省成本」推論「等十年一定更好」。

---

## 13. 加入不會因後來者出現而消失的知識價值

### 13.1 前述模型的激進假設

第 12 篇式子假設競爭者完成類似成果後，所有可比較收益都消失。這對某些短期市場機會可能是有用的上界情境，但對數學理論、文學、開源基礎設施及可重用研究原型可能極不合理。

令總價值分成：

$$
V=V_{persist}+V_{priority}.
$$

 $V_{persist}$ 是不完全依賴技術首創身分的知識、藝術、實用或文化價值； $V_{priority}$ 是條件性的先發溢價。

### 13.2 改良的等待式

在其他簡化假設不變下，等待價值可以寫成：

$$
J_{wait}^{mix}(\Delta)
=e^{-r\Delta}
\left[
V_{persist}(\Delta)
+V_{priority}(\Delta)e^{-\lambda\Delta}
-C_0e^{-g\Delta}
\right]-K(\Delta).
$$

現在的淨值相應為：

$$
J_{now}^{mix}=V_{persist}(0)+V_{priority}(0)-C_0.
$$

這說明即使先發危險率很高，只要未來知識／商業／文化價值仍然存在，而實作成本可能下降，等待也未必失去合理性。

### 13.3 知識價值的增長不能任意編造

某些成果可能具有長期累積價值，但沒有證據時不能把它設成「每年必定增值」。在實證中應觀察如引用、獨立重用、下游依賴、公開驗證、使用者留存與文化採納等不同指標。引用次數與真理不等價，下載量與採用不等價，社群聲量與社會價值也不等價。

### 13.4 原創性不是「只有我想得到」的心理確定性

研究者可以對自己的構想具有相當信心，但若未查閱完整先行工作、缺乏獨立重建或不能觀察未公開成果，就不能聲稱自己已「證明所有人未來才會想到」。本篇允許將「相信自己提早完成重要成果」作為主觀先驗或行動意圖，但**歷史優先權的結論必須另外接受外部證據、範圍定義及對照。**

這一原則不削弱探索動機，反而保護研究成果免於被無法查證的敘事過度包裝。

---

## 14. 從二選一到多動作策略：立即、錨定、保存、等待與退出

### 14.1 不必將策略限制為「全部做完」與「全部留到未來」

對實際研究者，經常還存在更細的選擇：

$$
\mathcal A_i(t)=
\{a_{full},a_{anchor},a_{archive},a_{wait},a_{exit}\}.
$$

各項分別為完整執行／發布、最小可驗證錨定、資產封存、觀察等待以及處理責任後退出。它們的成本與外部後果不同，也可能依規則允許轉移。

### 14.2 最小可驗證錨定的作用

如果單一創作構想可用短篇清楚論文、最小有效測試或精確架構聲明記錄其一部分有效內容，而完整產品需要長期投資，則 $a_{anchor}$ 可能保留部分歷史時點資訊，同時使創作者不必立即承擔完整產品化責任。

但它也存在危險：內容過於籠統會降低學術證據品質；過早公開可能破壞保密與專利可能性；留下大量不完整描述可能增加社會驗證負擔。**不能把「短時間發很多聲明」等同於最大化科研貢獻。**

### 14.3 最小錨定的收益式

令 $B_i^{anchor}$ 是在真實保真條件下的歷史紀錄及外部回饋價值， $C_i^{anchor}$ 是撰寫、驗證與釋出成本， $L_i^{leak}$ 是保密或權利喪失的期望損害， $D_i^{noise}$ 是不完整發表帶來的誤導或公共驗證債務。則示意淨值為：

$$
J_i^{anchor}
=B_i^{anchor}-C_i^{anchor}-L_i^{leak}-D_i^{noise}.
$$

若當前 $J_i^{anchor}$ 為負，錨定也不值得僅為了年份而進行。若存在外部法定責任或必要安全程序，需先處理它們，而非單純以效用加減式抵銷。

### 14.4 休眠策略的獨立成本

一個可保存的專案是否適合休眠，取決於：

$$
K_i^{resume}(\Delta)
=K_i^{context}+K_i^{dependency}+K_i^{rights}+K_i^{verification}+K_i^{retraining}.
$$

其中包含重新理解脈絡、相依技術遷移、權限或授權重整、驗證環境恢復，以及合作團隊的新訓練成本。若存檔不完整，未來重啟成本可能超過重寫；反之，若已有穩定測試與清楚契約，休眠可能十分廉價。

### 14.5 可公開的部分放手與完全退出不同

外部研究者可以在某個合法授權下使用已公開成果；原作者可以不再持續維護；但不能因此推論作者已將私人資料、未公開技術或第三方權利一併交出。成果外化、授權、治理、責任與持續參與應分別指定。

---

## 15. 更一般的動態選擇：值函數與必要約束

### 15.1 共同狀態

令專案與創作者在時間 $t$ 的聯合狀態為：

$$
X_t=(K_t,Q_t,F_t,B_t,R_t,M_t,P_t),
$$

其中 $K_t$ 是研究資產完整度； $Q_t$ 是有效性與驗證狀態； $F_t$ 是領域前沿； $B_t$ 是財務緩衝； $R_t$ 是可恢復的身體與生活能力； $M_t$ 是市場狀態； $P_t$ 是公開與權利狀態。系統轉移依賴動作 $a_t$ 、未來不確定事件 $\xi_{t+1}$，以及可能的 Agent 行動。

### 15.2 動態價值函數

在有限期 $T$ 下，定義：

$$
J_t(X_t)=
\max_{a\in\mathcal A^{feasible}(X_t)}
\left\{
U_t(X_t,a)+\beta\,
\mathbb E[J_{t+1}(X_{t+1})\mid X_t,a]
\right\}.
$$

其中 $0<\beta\leq1$ 為離散期折現因子， $\mathcal A^{feasible}$ 是符合財務、法律、安全、承諾與必要恢復的可行行動集合。這裡不是把每個價值都化成單一金額，而是提出一個可在給定價值準則或多目標設定下求解的條件化決策框架。

### 15.3 生產力最大化和跨期自由最大化不同

若目標函數只包含「今天多完成幾個原型」，那麼它很可能偏好將所有可用 AI 產能用光；如果同時納入研究品質、合理現金流、生活時間、未來重啟可能性與外部責任，決策可能改變。

因此本篇建議將可行性至少表示為：

$$
B_t\geq B_{min},
\quad R_t\geq R_{min},
\quad \operatorname{Safety}(a_t)=1,
\quad \operatorname{CommitmentCompliance}(a_t)=1.
$$

這些是規範性設計條件，而不是聲稱能用固定數值完整測量個體生活。必須允許個體依其情境決定合理門檻，並保留外部必要的合法規範。

### 15.4 限定的最適停止問題

如果只考慮某項技術構想的研究公開時機，可以定義停時 $\tau$，並在合法可行的停止時集合 $\mathcal T$ 上比較：

$$
\sup_{\tau\in\mathcal T}
\mathbb E\left[e^{-r\tau}G(X_\tau)-\int_0^\tau e^{-ru}c(u)\,du\right].
$$

這只是實質選擇權與最適停止問題的抽象形式。真實創作者可能有多個同時進行的專案、非線性偏好、時間變動的生活狀態與不可貨幣化價值，因此不能從單一停時問題的數學解直接要求他照表工作。

---

## 16. 推演能力與預測控制責任的切割

### 16.1 能夠預測某條路徑，不等於負責實現它

高前沿敏感性的創作者可能能提出大量未來技術的合理方案，包括模型更強時可完成的演算法、適合新硬體的架構、可延伸的世界模型與新的產品方向。這些推演可能幫助他選擇當前值得做的成果。

但「知道未來有一項可能性」不是契約，不會自動產生需要自己完成的義務。

形式上：

$$
\operatorname{Predictable}(x,t)
\not\Rightarrow
\operatorname{Obligatory}(x,t).
$$

若責任存在，還需要獨立來源：例如法律、契約、受託人義務、安全風險、對特定他人的承諾，或明確接受的長期工作角色。

### 16.2 預測越多，越容易錯把候選集合當承諾集合

令 $\Omega_t$ 為能推演的候選未來集合， $\mathcal C_t$ 為已有正當承諾的工作集合。AI、研究能力與外部資訊改善可能使 $|\Omega_t|$ 快速增加，但並不要求：

$$
|\mathcal C_t|\approx |\Omega_t|.
$$

如果把幾乎每一項可能性都變成當下承諾，便發生 HACTS-01 所研究的「能力—義務轉換」問題，而黃金窗口信念可能為該轉換增添歷史上的急迫敘事。

### 16.3 歷史時間敏感可以是策略參數，而不是個人支配者

成熟的策略不需要否認某些先發機會可能減少；它要求先判斷哪些事件真正不可延後，哪些成果只需保留可追溯起點，哪些項目未來可低成本實作，哪些沒有義務持續推進。

「適度放手」因此不是取消預測能力，而是將預測定位為資訊輸入，而不是對生活節奏具備最高權限的指令。

---

## 17. 保留未來自己的決策權：歷史機會與生活連續性

### 17.1 現在的自己不能替未來的自己簽訂無限契約

未來的研究者可能擁有不同資源、身體狀態、商業壓力、合作對象、AI 能力與價值排序。若今日認定「這件事未來一定重要」，最多能構成一項需要持續更新的判斷，不能不經修訂地鎖死未來十年的時間。

### 17.2 研究資產有時是留給未來自己的選擇權

一份完整的原始碼、測試、定義、限制及未完成項目紀錄，可以讓未來的研究者（包括未來的自己或合法授權合作人）不必從零重建。其作用不是保證那個專案必須完成，而是保存未來更自由的選擇。

若專案持續占用大量現金與注意力，雖然有更多可用成果，反而可能縮小創作者未來真正可選的道路。可留存的研究資產與必須繼續投入的負債，需要分開記帳。

### 17.3 不能把未知未來的好處視為已收入帳的資金

AI 付費流量、軟體銷售、遊戲發行、授權、開源合作、眾籌與實體產品，都可能是合法商業化路徑；但在收入真正出現前，不能把推估中的市場價值當作已可支付固定成本的現金。

對高度有技術選擇權的創業者而言，**保留財務緩衝可能比加速一個尚無可見市場的技術原型更能保護長期研究自由。** 這不是說必須選擇兼職或特定生涯路徑，而是要求現金流與技術窗口估值不能互相取代。

### 17.4 讓未來承擔可以留給未來的工作

若某專案已達到可保存狀態、沒有危及他人的未處理責任、沒有不可逆期限，且未來工具改進可能顯著降低完成成本，則將它休眠可能是有根據的策略。其後即使永久不重啟，也未必表示先前投入毫無價值；部分沉積可能已形成公共知識、架構選擇或可供其他研究者再利用的材料。

---
## 18. 七組可重算思想實驗：窗口稀缺與等待價值可以產生相反決策

**共同聲明：** 以下所有數字皆為設計用假設值，並非任何 AI 模型的真實能力、專案市場估值、研究者收入或 ASI 發生機率。收益與成本單位為抽象的可比效用點；只有在事先接受共同計量與相應簡化假設時，算式比較才成立。讀者可替換參數、重算每個案例，並檢查結論是否穩健。

### 18.1 情境 A：未來成本下降較快，先發稀缺風險較低

設：

$$
V=140,\quad C_0=100,\quad r=0.04,
\quad g=0.45,\quad\lambda=0.10,\quad K(1)=5.
$$

今日完成：

$$
J_{now}=140-100=40.
$$

等待一年：

$$
J_{wait}(1)
=e^{-0.04}\bigl(140e^{-0.10}-100e^{-0.45}\bigr)-5
\approx55.448.
$$

因此在此假設下，等待一年比立即完成高約 $15.448$ 效用點。原因並非「今天的成果沒有歷史價值」，而是未來成本下降的收益在此參數下大於先發流失與保存費用。

**不可推出：** 任何具名專案等待一年一定更划算。

### 18.2 情境 B：只提高先發風險，立即完成反而更好

維持情境 A 的 $V,C_0,r,g,K$，只將風險率改為：

$$
\lambda=0.60.
$$

得到：

$$
J_{wait}(1)
=e^{-0.04}\bigl(140e^{-0.60}-100e^{-0.45}\bigr)-5
\approx7.558.
$$

此值遠低於 $J_{now}=40$。若先發溢價在一年內非常容易因競爭而流失，而且價值幾乎全取決於先發位置，那麼立即完成在此模型中更有利。

將固定一年比較式求解，對情境 A 的其他參數可得：

$$
\lambda^*_{1y}\approx0.235729.
$$

因此 $0.10$ 與 $0.60$ 落在不同決策區間。**這個門檻是由假設計算，不是對現實 AI 發展做出任何時間預言。**

### 18.3 情境 C：先發風險很高，但長期知識價值沒有消失

把 $140$ 拆成持續價值 $80$ 與先發溢價 $60$：

$$
V_{persist}=80,\qquad V_{priority}=60.
$$

維持 $C_0=100,r=0.04,g=0.45,\lambda=0.60,K(1)=5$，則：

$$
J_{wait}^{mix}(1)
=e^{-0.04}\left(80+60e^{-0.60}-100e^{-0.45}\right)-5
\approx42.238.
$$

此時等待值再次略高於今日的 $40$。原因只是調整了一項最初被隱藏的假設：**不是所有成果價值都依賴「比別人先做」。**

這個案例提醒研究者，不應把演算法先發溢價的衰退曲線用於整件藝術作品、完整數學理論或所有可重用研究資產。

### 18.4 情境 D：未來品質提升可能比時間先發更重要

設今天作品只有 $0.55$ 的品質調整成功機率，完整價值 $V=160$，開發成本 $C_0=80$。今日期望淨值為：

$$
J_{now}^{Q}=0.55\times160-80=8.
$$

假設一年後，因工具、測試程序與團隊改善，獨立成功機率上升到 $0.85$ ；風險率 $\lambda=0.15$ 、成本下降率 $g=0.30$ 、折現 $r=0.04$ 、重啟成本 $K(1)=4$。則：

$$
J_{wait}^{Q}(1)
=e^{-0.04}\left(0.85\times160e^{-0.15}-80e^{-0.30}\right)-4
\approx51.525.
$$

等待優勢很大，但此結論高度依賴 $0.85$ 的品質假設。如果未來系統並未真的改善，或證據驗證成本更高，結果可能反轉。

**研究教訓：** 模型版本的廣告、排行榜或文字流暢性，不應直接取代真實世界上的品質成功機率。

### 18.5 情境 E：多維歷史價值形成第二次窗口

假設某專案的相對先發、知識與商業價值在三個時點有以下**示意**數值：

| 時點 | 先發 $P$ | 知識 $K$ | 商業 $C$ |
|---|---:|---:|---:|
| $t_0$ | 90 | 50 | 10 |
| $t_1$ | 30 | 65 | 40 |
| $t_2$ | 5 | 75 | 100 |

若事先以 $w_P=0.3,w_K=0.4,w_C=0.3$ 為比較權重：

$$
U(t_0)=0.3(90)+0.4(50)+0.3(10)=50.
$$

$$
U(t_1)=0.3(30)+0.4(65)+0.3(40)=47.
$$

$$
U(t_2)=0.3(5)+0.4(75)+0.3(100)=61.5.
$$

先發價值持續下降，但總合規範化價值在中間下降後重新上升。這個案例展示為何「一個黃金窗口結束」不代表「成果所有價值都結束」。如果權重改變，結果也會改變；不應將此表當成具名技術預測。

### 18.6 情境 F：最小可驗證錨定與低品質搶先聲明

方案 F1 以較清楚的核心證據發布：錨定效益 $B^{anchor}=18$ 、成本 $C^{anchor}=5$ 、保密與權利期望損失 $L^{leak}=3$ 、資訊噪音與未驗證敘述成本 $D^{noise}=2$。則：

$$
J^{anchor}_{F1}=18-5-3-2=8.
$$

方案 F2 僅快速公開概念名稱、缺乏有效測試：可被可靠使用的錨定效益只有 $2$，發布成本 $3$，噪音與後續更正負擔 $8$，假設沒有其他損失：

$$
J^{anchor}_{F2}=2-3-8=-9.
$$

因此公開越快、文章越多，不必然提高可驗證的歷史紀錄價值。**足夠保真、內容可重建且權利邊界清楚的精簡公開**，才可能成為合理選項。若任何方案涉及不可承受的保密損失，則不能以正效用點抵銷法定或契約責任。

### 18.7 情境 G：不確定性不是「平均預測」可以消掉的

假設情境 A 的 $V,C_0,r,g,K$ 不變，但競爭危險率有兩個等機率情境：

$$
P(\lambda=0.05)=0.5,
\qquad P(\lambda=0.75)=0.5.
$$

對應一年等待值約為：

$$
J_{wait}(0.05)\approx61.688,
\qquad
J_{wait}(0.75)\approx-2.724.
$$

正確按照這兩個情境的分布取平均可得：

$$
\mathbb E[J_{wait}]
\approx29.482.
$$

但如果先將兩種風險率平均，得到 $\bar\lambda=0.40$，再將它代入非線性模型：

$$
J_{wait}(\bar\lambda)\approx23.902.
$$

兩者不相同。原因是 $e^{-\lambda\Delta}$ 為非線性函數，將風險率先取平均，再計算先發存續概率，一般會產生偏差。這個例子尤其適合提醒「五年、十年、二十年」等時間預測：對不確定未來，不應只保存一個平均日期或一條平均速度曲線。

在此示例中，正確的等待期望值約 $29.482$，仍低於立即完成值 $40$。若行動者具有風險厭惡，或存在財務生存約束，還需使用對應的偏好與約束模型，而非僅比較期望值。

### 18.8 七組情境的跨案例比較

| 案例 | 被改變的主因 | 等待相對現在 | 不能忽略的限制 |
|---|---|---|---|
| A | 成本下降快、先發風險低 | 等待較高 | 未來成本路徑是假設 |
| B | 先發風險提高 | 立即較高 | 要證明此成果確實先發依賴 |
| C | 價值部分不依賴先發 | 等待略高 | 持續價值需另行估計 |
| D | 未來品質可驗證改善 | 等待較高 | 模型品質改善不得只靠宣傳估計 |
| E | 商業採用晚於先發 | 存在再度增值 | 多維效用與權重非客觀常數 |
| F | 發表證據品質 | 精簡有效錨定優於空泛搶先 | 法律、保密與第三方權益 |
| G | 未來危險率不確定 | 平均風險率法失準 | 需校準完整機率分布 |

**結論：** 「歷史窗口存在」是一個重要資訊來源，卻不是對所有專案都立即執行的充分條件。此處甚至不需要訴諸個人休閒價值，就能在單純成本收益條件下得到多種相反的理性選擇。

---

## 19. 可否證的十二項研究假說

每項假說都需在研究前明示領域、樣本、事件定義、品質閘門、資料來源、估計方法、主要效應與可能反例。本文提出的假說並非已獲新資料證實。

### H01｜技術先發窗口的領域異質性

**命題：** 在相同觀察期間，不同研究領域的可替代成果出現速度與先發風險率存在可測量差異，且不能完全由單一通用 AI 能力分數解釋。

**測量：** 以定義相近的創新事件、可替代性測試、首次公開與獨立重現的時間差，估計領域別原因風險率。

**反證：** 在控制工作型態、研究團隊數量及可見性後，跨領域風險率沒有可辨識異質性，且單一模型能力指標可穩定解釋全部差異。

### H02｜先發稀缺衰退與知識價值脫鉤

**命題：** 某些研究成果的相對先發溢價下降時，其可重建使用與下游知識貢獻仍可能維持或增加。

**測量：** 追蹤可重現程度、獨立採用、下游重用與先發認知變化，事先指定時間窗口。

**反證：** 在事先選定的研究群體中，控制其他因素後，先發衰退伴隨全部非先發價值同步下降，沒有可辨識的獨立長尾。

### H03｜雙向技術效應

**命題：** 更強 AI 的可得性可同時降低某些任務的執行成本，並增加其獨立重現供給；兩個效應在不同專案上的淨值方向不固定。

**測量：** AI 工具版本與價格變動前後，追蹤開發時間、驗證成本及功能相似成果數量。

**反證：** 控制可比任務後，只存在單一同向效應，並且在多個領域都無法觀察到成本降低與競爭增加並存的區域。

### H04｜風險率跨過決策門檻時的時間策略翻轉

**命題：** 在收益、成本與保存負擔相近的專案中，先發危險率估計較高者更可能選擇即時外化，而較低者更可能選擇保留或等待。

**測量：** 事前隨機提供不同但校準過的競爭風險資訊，觀察發布時機及實際成果。

**反證：** 即使風險資訊被理解且有決策相關性，發布選擇仍不隨之系統性改變，或方向與模型預測穩定相反。

### H05｜未來品質改善預期是等待的重要中介

**命題：** 未來工具可顯著提高通過獨立品質閘門的機率時，等待可能增加，即使研究者主觀上相信先發時間重要。

**測量：** 將預期工具改善、預期品質增益、當前作品品質與決策時機分別測量。

**反證：** 品質增益預期與等待不相關，或其影響在控制其他因素後與模型預測方向相反。

### H06｜成果多維價值造成窗口重開

**命題：** 在部分技術成果中，商業或可重用價值的峰值會晚於首創稀缺性峰值。

**測量：** 追蹤成果首次發表、技術標準化、首筆第三方採用、商業部署與再利用。

**反證：** 在樣本的前瞻性時間範圍中，使用不同嚴格且預先指定的採用指標後，這種時序錯開沒有重現。

### H07｜高品質錨定減少全量立即完成壓力

**命題：** 在授權、外部責任與保密風險可接受時，提供「最小可驗證公開版本」的操作路徑，會降低創作者對完整專案立即完工的必要性判斷。

**測量：** 隨機分派錨定工具、完整發布工具與僅一般任務管理工具，比較後續工作時間、知識保真、實際公開品質。

**反證：** 錨定路徑沒有降低立即完工壓力，或者因低品質公開造成更多管理與驗證成本而使總負荷增加。

### H08｜歷史窗口主觀信念與實際窗口條件會分離

**命題：** 創作者對「黃金期即將結束」的主觀確定性，與外部事先定義的實際競爭、重現及市場事件之間可能存在系統性校準差異。

**測量：** 在固定時間點要求提供分布式預測、區間與事件定義，持續計算 proper scoring rules、校準誤差與相對基準。

**反證：** 長期、大樣本、適當對照後，信念在事件機率與期限上皆呈現充分校準，且不存在可解釋的過度或不足確定性。

### H09｜認知可見性提升可被誤認為創造窗口收縮

**命題：** 文獻搜尋與語義檢索能力提升時，研究者更容易快速找到舊有相似成果，因而高估近期新創成果供給速度。

**測量：** 隨機給予不同品質的搜尋輔助，要求區分「首次讀到」與「首次公開」日期，並核查歷史來源。

**反證：** 搜尋工具強度對事件日期知覺、先發窗口主觀縮小程度沒有影響。

### H10｜既有可保存資產調節歷史窗口緊迫感

**命題：** 在其他條件相似時，已擁有較多高完整度、可重建且可公開版本的創作者，可能較能將部分剩餘構想留待未來，而不認為每個專案都需立刻推進。

**測量：** 不以檔案件數取代品質；以通過測試、清楚授權、可重建依賴、正式公開與外部引用共同估量可保存資產。

**反證：** 在控制財務、人格、職業與窗口信念後，可保存資產與延後自主性沒有預測關係，或只有管理負擔而無自主性改善。

### H11｜單一 ASI 時點不能充分預測領域創造窗口

**命題：** 相較於只使用單一 AGI／ASI 預測日期，領域能力、品質、競爭、工具成本與市場採用組成的多變數模型，可更可靠地預測具體可替代成果事件。

**測量：** 以前瞻預測、時間留出與跨領域外部驗證比較 Brier score、log score、校準與決策效益。

**反證：** 經嚴格外部驗證後，單一時點模型在主要預先指定指標上同樣好或優於多變數模型。

### H12｜時間主權與歷史創造貢獻可非零和共存

**命題：** 在不降低重要義務履行與品質閘門的條件下，創作者可透過選擇性公開、休眠與減少低價值管理，降低總工作負荷，同時維持部分可驗證研究貢獻。

**測量：** 追蹤生活時間、注意力負荷、恢復、已驗證產物、外部回饋與未結責任，不以「新增文件數」作唯一成果。

**反證：** 在合理介入與長期追蹤後，減少工作強度只會造成等比例、不可補償且不可由品質、時序和委任改善抵銷的有效貢獻下降。

### 19.13 假說設計的共同限制

這十二個命題不是聲稱只要觀察到一次正向案例便已證明普遍成立，也不是把模糊的「有時可能」當成永不可反駁的真理。正式研究必須把每項假說落到**明確母群體、預測方向、識別尺度、主效應、最低可檢出的效果、觀察期限與陰性結果報告規則**。若結果不穩定、效果微小或估計精度不足，也應如實報告，而非事後不斷調整定義讓原假說永遠勝出。

---
## 20. 實證研究設計 A：建立領域相依的歷史窗口觀測庫

### 20.1 研究目標

第一階段不急於證明人類「最後黃金創造期」是否存在，而是測量更小、更能被外部驗證的問題：**特定可驗證成果的競爭重現時間、公開時間、應用時間、工具成本與知識長尾之間，是否存在可辨識的時間結構？**

研究單位應是定義清楚的研究貢獻或功能等價類，而不是整個人的天賦、專案總數或自我宣稱的原創程度。

### 20.2 觀察母群體與分層抽樣

可從以下不同範圍建立樣本：

- 開源軟體中的新功能、資料結構、編譯器優化、測試工具與可重現效能改進。
- 數學中具清晰形式定義、可追溯引文與證明條件的命題或計算方法。
- 科學預印本中具可重用資料、明確實驗方法及後續正式發表版本的研究。
- 遊戲機制與創作工具中，功能可識別且可用版本歷史比較的特徵。
- 需外部硬體、材料或制度配套的技術概念，觀察其構想、原型與採用的時間差。

不同類別不要使用一個不經校準的「每年原創數」直接比較。數學證明、遊戲敘事、製造產品、程式套件和文化作品需要不同有效性閘門。

### 20.3 事件帳本與時間線

每一候選研究貢獻至少應建立以下欄位：

| 欄位 | 意義 | 稽核要求 |
|---|---|---|
| `claim_id` | 主張或功能等價類 ID | 事前定義，版本化 |
| `created_at_known` | 可查證的最早私人／內部證據時間 | 僅在有合法存取與明確許可時使用 |
| `first_public_at` | 第一份可查驗公開版本 | 保存平台、版本、UTC 時間與雜湊 |
| `first_validated_at` | 首次通過指定有效性閘門 | 不以單純自評取代獨立檢查 |
| `first_reproduced_at` | 他方獨立重建類似成果 | 判準與獨立性必須事前指定 |
| `first_adopted_at` | 真實使用或產品部署 | 明確定義用戶與採用門檻 |
| `ai_available_level` | 當期可用模型與工具能力 | 記錄實際存取、價格與版本 |
| `compute_cost` | 生成與驗證的資源成本 | 與人類時間分帳 |
| `legal_state` | 可公開／授權／保密狀態 | 不公開受保護的機敏細節 |
| `evidence_grade` | 可重建與驗證品質 | 以審查盲評與保真檔佐證 |

每份原始資料應保留前處理規則、來源優先序、去重與版本映射。若來源不可驗證，應標記缺失，而非推算出看似精準的創作日期。

### 20.4 存活分析與多狀態轉移

一個成果的觀察歷程可視為：

$$
\mathrm{PrivateDraft}
\rightarrow
\mathrm{PublicAnchor}
\rightarrow
\mathrm{ValidatedArtifact}
\rightarrow
\mathrm{IndependentReproduction}
\rightarrow
\mathrm{Adoption}.
$$

但這不是強制的線性順序；可能先有商業使用、後來才公開詳述，也可能有獨立研究者在私下更早完成。適合的統計方法可能包含多狀態生存模型、原因別風險率、Fine–Gray 次分布風險模型或具有時間依賴共變數的存活模型。選擇模型之前須確認它是否符合事件互斥性、吸收狀態、比例風險及資料可觀察性條件。

### 20.5 區間設限與延遲公布

在開源或學術成果中，研究者真正形成構想的時間通常不可直接觀察；最多知道「某日已有草稿，某日正式公開」。此時是區間設限，不能在分析時虛構中間精確日期。若研究者只公開成功案例，不公開失敗或未完成專案，又會形成嚴重選擇偏差與延遲進入問題。

### 20.6 主要結果與不成立條件

成功的研究成果不是「找到越多黃金窗口越好」，而是至少能回答：哪些領域的競爭重現較快、哪一種發布品質真正有預測力、何種成果的知識長尾仍可存在，以及哪些資料不足以辨識先發事件。若不能穩健識別，應明言現有資料不足以支持單一黃金期敘事。

---

## 21. 實證研究設計 B：未來工具改善與延後成本的自然實驗

### 21.1 研究問題

更強模型、較低推理成本、更新的硬體及成熟的程式框架，是否真能使被封存專案的後續工作更容易完成？需要同時測量原本已有研究資產的重啟成本，而不是只測試從零生成一個相似原型。

### 21.2 事件來源

可觀察開源工具正式發布、新版推理模型取得、API 價格變動、硬體取得成本改變，以及新型開發工作流可用等外生或半外生時間事件。**但平台發表新版本的時間並非完全外生**：市場需求、既有技術趨勢和競爭壓力本來就可能共同影響產品開發時程。

### 21.3 研究組與對照組

選擇在新工具發表前已記錄未完成任務、測試門檻及工作時間估計的專案，並匹配受到新工具影響較少的任務類型。比較：

- 通過事先指定測試閘門所需的總人機成本。
- 人類親自審查、修正、重建脈絡與整合的時間。
- 在相同資源預算下完成的品質調整成果。
- 重新啟動封存專案所需的相依修復成本。
- 是否產生更多新的待辦工作，抵銷原定任務的節省。

若採差異中的差異方法，須檢查處理前趨勢、工具發表預期、組間可比性與同時政策變化。如果平行趨勢不成立，不能把估計差異直接解釋成新 AI 的因果效果。

### 21.4 真實工具速度不是主觀體感

部分創作者可能覺得新模型更加順暢、較有趣，卻在同一工作上花更長的人工整合時間；也可能在客觀上省時，卻因新增了更多想做的事情而總投入不減。這兩組指標必須分開收集。

### 21.5 未來技術等待價值的估計

可觀察同一研究專案在原工具和新工具下的有效完成成本差，並把原本的休眠成本加入：

$$
\widehat {\Delta C}_i
=\widehat C_i^{old}-\widehat C_i^{new}-\widehat K_i^{resume}.
$$

其中 $\widehat C$ 應包含 AI 推理、人工驗證與世界部署成本。若 $\widehat {\Delta C}_i$ 在事先定義的任務集合中沒有穩定正值，則「延後一定因 AI 進步而更容易」的敘事應被修正。

---

## 22. 實證研究設計 C：歷史窗口信念與工作時間配置

### 22.1 假說來源

一名創作者可能真誠相信某些技術成果具有短暫先發窗口，並因此主動投入大量研究。此行為並不必然表示心理疾病、外部壓迫或缺乏自由；研究的問題是，**歷史窗口信念是否會獨立增加新的自我承諾、延後休息及高強度工作，且這種增加是否與實際窗口機會相匹配？**

### 22.2 最小追蹤資料

可在自願參與、知情同意與低負擔條件下，進行八至十二週的觀察。每天只需抽樣記錄少量重要變數，避免「研究工作負荷」本身成為另一種負擔：

1. 當天是否有新 AI 工具或研究事件改變主觀時間窗口判斷。
2. 今日新增構想有多少被實際承諾，而非只是暫存。
3. 真正由外部要求且不可輕易延後的工作數量。
4. 主動創作時間、AI 委任時間、必要人工審查時間與自主休閒時間。
5. 創造滿足、疲憊、恢復及主觀時間自主性的簡短量表。
6. 研究者對未來六個月、一年、三年的可驗證技術事件預測。

不需要，也不應要求受試者為研究而刻意增加睡眠剝奪、通宵、長時間使用 AI 或持續工作。

### 22.3 避免自我說服偏差

研究者若只問「你是否覺得這是黃金期」，容易得到立場與身份認同混合的回覆。應要求受試者先給具體事件定義與機率，例如「某一指定模型是否能通過已鎖定的陌生研究任務閘門」，再用後續實際結果驗證其校準。

### 22.4 主觀緊迫感與實際決策不可互相替代

一個人可能覺得窗口很緊迫，卻仍自主休息；也可能不相信窗口即將結束，卻因平台額度或財務期限而被迫加班。因此模型中應把窗口信念、訂閱期限、外部承諾、內在熱情與財務緩衝分開處理。

### 22.5 值得接受的陰性結果

若歷史窗口信念與工作時數沒有可檢驗的關係，可能意味著部分研究者已有成熟停止規則；若高強度工作仍與較高時間主權共存，也不表示模型失敗，而是支持 HACTS-03～05 對自主性與工作時數的區分。

---

## 23. 實證研究設計 D：可驗證錨定與分期發布的隨機比較

### 23.1 研究目的

比較「完整完成後才公開」「允許經驗證的最小外化」「不公開但可封存」三種操作性支持模式，是否會改變時間負荷、成果品質、公共知識可利用性及長期專案回返。

這不是要求所有技術一律開源，更不應將需要保密的未公開研究放入公開實驗。

### 23.2 受試材料

使用公開授權、低風險且不涉及機敏商業資訊的研究素材或教學用模擬專案。所有參與者應能自由選擇停止，並獲得相同的必要安全與倫理審查條件。研究者不應操弄受試者對自己成果的法律保障或強迫不適當公開。

### 23.3 結果測量

主要結果不是發布篇數，而應包括：

- 外部審閱者能否重建主張及指出限制。
- 研究者能否在日後回到原專案而不依賴私人記憶。
- 實際工作時數與非必要審查時間。
- 完成品質和可重現率。
- 後續自然發生的採用、引用與改進。
- 研究者對未來是否仍能自由放棄或修改路徑的感受。

### 23.4 可能相反的結果

分期公開可能降低完美主義帶來的全量完成壓力，但也可能產生額外回饋、版本維護及授權工作，使總管理成本提高。故此研究必須同時容許正效益與負效益，並要求研究者在每種結果下都能修正理論。

---

## 24. 重要識別困難：這套理論為什麼可能看起來永遠成立？

### 24.1 事後把成功稱為「黃金窗口」

如果研究者只挑選後來著名的作品，再主張其早期發布證明黃金窗口存在，就會有嚴重的存活偏誤。失敗、無人注意、品質不足、被市場忽略但具知識價值的作品，也必須進入觀察。

### 24.2 競爭事件被自己的公開行為改變

本篇簡化模型把獨立重現事件風險率視為外生；然而公開一篇高品質論文可能吸引別人研究、建立標準或啟動競爭。此時原作者的公開行動本身改變了後續危險率：

$$
\lambda_i^P(t\mid a_{release})
\neq
\lambda_i^P(t\mid a_{private}).
$$

因此真正的因果模型需要把公開行動納入危險率、資訊擴散與模仿的生成機制；不能把兩種處置下的世界當成完全相同。

### 24.3 發現同樣成果可能並非獨立

某件看似另一個研究團隊獨立完成的成果，可能在事實上受到先前預印本、論壇、開源工具、模型訓練資料或產業消息影響。要判定獨立研究，必須有合理的資料流與時間線證據；不應由研究者的自述直接推定完全獨立。

### 24.4 以相似文本代替功能等價

模型能生成非常相似的技術術語或文件，並不表示它已取得同樣可用、可重現、同等效能的研究結果。尤其對非平凡數學證明、物理實驗、藥物研發與軟體系統，文本相似性可能遠小於成果有效性差異。

### 24.5 把模型評測變化誤當歷史創造力終點

指標可能因資料污染、題目品質、測試技巧、模型調參或任務分布改變而快速上升。某項評測突破可以證明其測量任務上的能力提高，卻不能單獨證明在未知研究問題、全鏈路實驗與價值判斷上皆獲得穩定自主性。

### 24.6 幸存者、遺失者與永遠未公開的構想

許多「未來才會想到」的構想，可能早已有未公開版本，或從未被保留任何證據。歷史資料不完整時，對誰第一的判斷具有可觀測性邊界。本文應記錄「目前可查驗的最早版本」，不要將其偷換成「宇宙中第一次出現」。

### 24.7 同一作者可能同時控制研究、判準與解釋

若一位作者自行提出新術語、自行建立評測、自行宣稱通過，再把通過時間當作原創時點，容易形成封閉驗證循環。獨立審查、預註冊、外部基準及負面結果公開，在此特別重要。

### 24.8 學術與商業的注意力並非固定資源

單純把可用注意力視為固定，會忽略新平台、新傳播與新社群也可能擴張讀者、顧客及合作夥伴。即使 AI 生成增加知識供給，也不必然導致個別優質作品的注意力下降。需同時測量資訊總量和有效發現機制。

### 24.9 歷史階段的分類存在回溯性

人們可能在技術轉折後，才把先前幾年稱為「黃金期」。此稱呼容易混入勝利者敘事與未被看見的替代路徑。若要把它變成研究概念，必須事先指定觀測門檻、事件與價值，而非單純依宏觀時代感回溯命名。

### 24.10 模型存在測量與文化差異

某些文化或學術制度高度重視首創，另一些重視協作、公開再利用或長期承擔。不同價值排序會改變 $w_d$，不能把某個研究社群的獎勵制度誤當成跨文化自然法則。

---

## 25. 對「人類最後黃金創造期」假說的三種版本

### 25.1 強版本：全人類創造優勢即將終止

這個版本主張，人類在某個有限時間內將失去所有重要原創優勢，之後的創造主要由 ASI 主導。

**評價：** 其量詞非常強，需要證明所有領域、所有創作型態、所有人類增幅配置及所有價值判準同時轉折；現有資料遠不足以支持。本文不採用這個強版本作為定論。

### 25.2 中版本：部分技術的原生人類先發稀缺性可能縮小

此版本主張，當 AI 能在特定領域快速生成並驗證類似成果時，未經深度增幅的人類在該領域的部分首創機會可能較以前少。若同時存在可校準的先發競爭風險與內容有效性證據，此版本具有可檢驗性。

**評價：** 可以作為本文的主要經驗性假說，但不能直接推得單一截止年份。

### 25.3 弱版本：創造價值的構成與判準正在改變

此版本只主張 AI 改變構想、生成、驗證、部署與傳播成本，因而可能重排不同成果的稀缺來源。這不預設人類創造能力結束，也容許 AI 使某些人類的原創空間擴張。

**評價：** 與現有能力變遷觀察較相容，但內容較弱；它仍需要對價值路徑提出非平凡、可被反駁的預測，否則容易變成無法檢驗的背景描述。

### 25.4 本篇採用的研究立場

本篇以**弱版本作為背景、中版本作為可驗證研究問題、強版本作為需要更多證據才有資格討論的競爭假說**。三者不能在文字敘述中互相偷換。

同時保留另一個重要可能性：未來高度自主 AI 的發展，可能使人類創造從單一個體的直接執行轉向提出目的、修改範疇、建立公共價值、共同探索新問題，以及在不同形式的智能系統之間保留主體自主性。這不必然是一種「創造死亡」的敘事。

---

## 26. 強反論與本篇回應

### 26.1 反論一：「AI 既然越來越強，現在做的東西很快都會被超越，所以應該乾脆不做。」

回應：這忽略先發歷史、作品本身的知識與文化價值、當前真實需求、學習與資產積累，以及被公開成果所啟動的後續互補效應。即使未來可被重做，當下做一項有意義的工作仍可能合理。

### 26.2 反論二：「既然黃金窗口可能短暫，就應把所有能做的先做完。」

回應：這忽略時間有限、品質驗證、財務可行性、睡眠恢復、外部義務與專案之間的機會成本；也忽略某些項目等待反而能降低成本、提高成功機率。有限窗口最多支持選擇性優先排序，不能支持普遍無上限投入。

### 26.3 反論三：「只要把想法發上網，就能宣稱先發。」

回應：時間戳證明的是特定內容於特定時點的可查驗存在，不自動證明全球首創、有效性、完整形式化、法律專利權或真正的作者因果不可替代。可重建性與主張範圍必須具體審查。

### 26.4 反論四：「若未來有人把你的概念做成產品，你當初就應該全部做完。」

回應：事後知道某項結果成功，不能證明當初在有限資金與注意力下投入是最合理選擇。當時缺少的設備、市場、驗證能力與機會成本，不能用後來已知的結果回寫。

### 26.5 反論五：「如果都不追求結果，研究不就只剩下自我滿足？」

回應：放下所有結果控制要求，不等於放棄品質責任或任何市場回饋。研究者仍應如實標記不確定性、履行已接受的外部責任；商業產品仍須照顧顧客、安全與售後。本文反對的是將**所有可能結果**都變成作者本人長期必須主動實現的義務。

### 26.6 反論六：「若未來 ASI 真的能生成新一切，人類文化創造就沒有意義。」

回應：機器可以生產同類形式與某件人類文化行動的社會關係、歷史經驗和主體價值，不是同一層次的概念。若把「可以生成類似內容」直接推成「原作品對人沒有意義」，便錯把功能可替代性當成所有價值的完全替代性。

### 26.7 反論七：「更早寫的理論不等於正確，所以時間根本不重要。」

回應：時間不是充分的認識論判準，但仍可具有可追溯歷史、優先權爭議、社會傳播及競爭策略上的重要性。應反對以先發代替真理，而不是宣稱時間沒有任何價值。

### 26.8 反論八：「研究者的主觀時間稀缺感是一種純粹心理錯覺。」

回應：有時真有外部窗口、到期責任與競爭風險，也有時是預測偏誤或平台配額所造成的主觀壓力。兩者必須以外部事件定義、實際成本與對照研究區分。不能因某種時間焦慮可能過度，就否認所有時間敏感性。

### 26.9 反論九：「只要工作很享受，持續投入就完全不必擔心。」

回應：高滿足與高負荷可以並存；真正判準不是工作時數本身，而是是否仍能自主改變節奏、維持必要恢復、面對現實義務並保有未來可行選擇。本文不把投入本身病理化，也不把快樂當作無成本證明。

### 26.10 反論十：「沒有 ASI 日期，這套窗口理論不就無法使用？」

回應：本篇採領域相依的事件風險與具體能力閘門。即使永遠無法事先確定 AGI／ASI 日期，仍可研究某項程式方法的獨立重現率、某個模型的實作成本、某項作品的傳播時序，以及某個團隊公開前後的市場採納。這些都是可測量而不依賴終極時間預言的研究單位。

---
## 27. 「保留戰略但不持續控制結果」的研究治理原則

### 27.1 預測權與決策權是兩種不同權限

一個研究組織可以保有推演未來研究路徑的能力，但未必需要讓預測系統具備自動啟動所有專案的權限。在多 Agent 系統中，這項區分尤其重要。若 Agent 每發現一個可行應用，就直接新建任務、部署資源、建立對外承諾或要求創辦人簽核，可能使「前沿敏感性」變成持續的管理負荷。

因此建議分開：

$$
\operatorname{Forecast}(x)
\neq
\operatorname{Authorize}(x)
\neq
\operatorname{Execute}(x)
\neq
\operatorname{Commit}(x).
$$

前者表示產生前景與機率估計；第二者表示正當授權；第三者表示操作；第四者表示對外或不可逆狀態提交。不同階段必須有適當的權限與安全閘門，不應因模型判斷某項技術機會「快消失了」，便跳過授權。

### 27.2 歷史窗口優先排序不能直接改變安全權限

即使某項技術機會具有短暫先發優勢，也不能因此跳過風險審查、違反他人權益、公開機敏資料或忽略既有合約。窗口評估應影響已合法可行方案之間的排序，不應自動改寫可行集合。

### 27.3 機器可以追蹤機會，人類不必持續待命

在適當權限下，Agent 可以定期檢查特定模型發布、研究文獻、相容性與市場信號；但不必把每項低信心水準的推測即時通知人類。只有當事先授權的條件達到資訊閾值，且實際存在需要人類介入的可行行動時，才進入人工治理佇列。

這承接 HACTS-04 的認知待命模型與委任時間論，並新增歷史窗口的特殊限制：**窗口監測不應演變成無限增加創作者行動義務的機制。**

### 27.4 窗口訊息至少應附五項證據

若未來系統提出「某項成果需要立即外化」的提示，至少應提供：

1. **觸發事件：** 哪個可查驗技術、競爭或市場事件改變了情況？
2. **依據與不確定性：** 來源、日期、關聯領域及機率範圍是什麼？
3. **實際行動選項：** 除了完整開發，是否能先保存、驗證、公開最小錨點或合法退出？
4. **成本與風險：** 需要多少人工時間、算力、財務、權限和保密損失？
5. **未來回返：** 若不立即推進，日後還保留哪些選擇？

缺少上述資訊時，系統最多應提供研究提示，不應將其直接升格為必須完成的工作。

### 27.5 研究發布可設定完成條件，而不是無限品質理想

在正當且不降低必要驗證的前提下，某個可公開的研究版本可以具有明確驗收條件：核心定義完整、重要假設列明、可查驗來源齊全、反例已處理、數學與實驗可重建、已標記尚未證明之事。達到此條件後，版本可進入正式封存。

之後是否繼續改進、維護、商業化，應是下一個可重新選擇的決策，而不是由「我還可以做得更好」自動產生無期限承諾。

---

## 28. 開放、保留與商業化：三條可並行的資產路線

### 28.1 公共知識路線

對某些主要價值來自可累積知識、教育與公共研究的成果，可以在權利與安全允許時，以版本化研究稿、公開軟體或明確授權釋出。目的是讓他者可檢查、修訂、重用或建立新應用，而不必以原作者持續控制每條下游路徑作為前提。

這條路線仍需區分：公開可讀、可複製使用、可商業再利用、可修改、可再授權，是不同權限；沒有明示許可時，不應預設公開可見即等於任意開源。

### 28.2 保留未來選擇權路線

對尚未成熟、無即時市場、不需要每月維護的研究資產，可優先保留 canonical source、依賴清單、測試基準、失敗案例、知識與權利來源。這讓未來 AI、合作夥伴或創作者本人能在更有利條件下重新判斷。

**保留並不等於承諾完成。** 專案長期休眠有時正是維持較高全局選擇權的方式，尤其當過度管理本身會消耗大量注意力。

### 28.3 商業產品路線

對具有真實顧客、外部責任、現金流或售後需求的產品，應將市場回饋、品質維護與基本財務可持續性納入決策。不能把「我已留下創造日期」當作完成商業服務的替代品。

一個公開理論可能已達外化目標；但一項對外銷售的軟體、服務、遊戲或硬體，仍須處理使用者權益、版本維護、支援、可靠性及法律義務。此類責任的來源是實際承諾，而不是先發敘事。

### 28.4 三種路線可轉換，但須記錄不可逆的轉換

同一研究原型可能先私人保存、後公開部分技術、再以其他實作商業化；也可能選擇永久公開。不可逆部分涉及公開保密資訊、第三方著作權、已授予許可、商業服務承諾及市場依賴。這些轉換應有清楚版本與權限紀錄。

不過，**不應為了替每個專案指定未來三十年的路線，再創造一個管理全部專案的超大型管理專案。** 若缺乏當下風險或必要決策，保持現有可保存狀態即可。這是 HACTS 系列的「最小必要管理」精神。

---

## 29. 本篇的理論增量、可用範圍及最終限制

### 29.1 相較既有經濟學的新增問題

傳統實質選擇權可以分析不可逆投資何時值得等待；本篇加入的是相對於機器能力歷史、公共知識發表、作者因果貢獻、驗證品質及多種互相衝突的價值時鐘。這不意味著既有經濟學無法擴充到這些問題，而是提出值得另行量測的研究變數與實驗設計。

### 29.2 相較科學優先權研究的新增問題

既有研究已分析誰先發現與科學獎賞的關係；本篇增加的是 AI 能力、未來成本下降與持續性 Agent 下的個人時間配置。歷史優先權不再只關乎學術承認，也可能影響創作者是否在有限生活時間內選擇現在開發、現在外化或保留未來重做。

### 29.3 相較 AI 能力評測的新增問題

現有能力評測通常回答某模型能否完成某種任務；本篇進一步問「即使能完成，這個任務是否一定要由現在這個人來完成？」能力前沿和行動義務分離，是時間主權的核心，而不是 AI 模型本身的測試結果。

### 29.4 目前不能宣稱已經證明的事情

本文尚未證明：

- 全人類正處於最後五年、十年或二十年的黃金創造期。
- ASI 必然在某個指定年份出現。
- AI 終將使人類全部原創性消失。
- 特定個人已被外部證實提前完成大量未來才會出現的世界級理論。
- 某種技術一旦先公開，就自然形成專利或排他權利。
- 全部等待或全部立即完成在任何情境中普遍最優。
- 目前存在一個已實作、已驗證且能保證時間主權的 HDUS／ANDO 全自動系統。
- 檔案件數、Repo 數或理論標題數本身能充分代表可重現的創造品質。

這些限制不是禮貌性的保留，而是防止理論從條件性研究轉變為不可挑戰的自我確證。

### 29.5 研究成果應接受外部替代解釋

若未來觀察到大量人機協作成果比純人類研究更快完成，可能同時受到工具提升、研究團隊組成、既有資料密度、產業投入與更大可取得資訊量影響。若看見原創項目總數增加，也可能含有低品質重述與評測混雜。任何單一趨勢都應接受替代模型與測量誤差檢驗。

### 29.6 模型的規範性底線

即使某個高先發危險率模型指出「立即完成會提高財務或聲譽淨值」，人仍然可能合理選擇陪伴家人、休息、遊戲、藝術探索、照顧健康或只做自己喜歡的另一項研究。除非存在獨立且正當的外部責任，這個選擇不應被模型歸類為道德上有錯。

**模型可以指出放棄了哪個機會，不能據此取消選擇放棄機會的自由。**

---

## 30. 結論：在不可回溯的歷史中，保有可修正的人生節奏

本篇從一個看似簡單的問題出發：如果今天的研究成果在未來 ASI 更成熟時可能不再具有同樣的先發稀缺性，那麼創作者是否應該趁現在盡可能完成所有想得到的事情？

本文的回答並非否定歷史性機會，而是要求把「歷史價值」精確分解。技術首創、人的因果貢獻、公共知識進入、商業採用，以及未來實作成本的降低，是多個不同時鐘；它們不一定同步，而且可以相互抵銷。相同成果在不同時點的價值可能不同，但這種不同不會自動推出同一個最適行動。

因此，研究者可以在目前 AI 歷史階段中搶先完成少數確有時間敏感性的成果，也可以用高品質版本留下可驗證紀錄；可以將某些程式與論文逐步開放，讓其他研究者自由發展；可以保留商業化所需的權利與財務選擇；更可以把大量已有研究資產交給未來較強的 AI、成熟團隊與更好的硬體來完成後續。

這不是消極放棄歷史，而是承認**未來也是一項可以被合理利用的資源**。未來並不必然更好，也不應被無條件樂觀化；然而只要研究資產可保存、外部責任已分帳、重新啟動具有可行性，等待便可能有真正價值。

本篇提出的形式模型是條件性的。它不解答某項具體產品明日能否變成收入，也不替任何個人預言 AGI／ASI 時點；它提供的是一套要求研究者清楚列出先發危險率、成本改善、保真度、驗證品質與生活約束的推理框架，讓「現在做或未來做」能接受反例與再估計。

最終，我們建議把核心命題記錄為：

> **歷史時間不可重來，但一個人不必因為看見未來，就要求現在的自己替全部未來完成工作。**
>
> **成熟的前沿戰略，不只是知道何時應該加速，也包括知道哪些成果已足夠保存、哪些機會值得釋放，以及何時應把尚未完成的世界交還給未來。**

因此本篇與 HACTS-05 的關係不是推翻時間主權，而是替它增加一個正面條件：當真實的時間窗口確實存在時，時間主權仍包含**知情地選擇現在創造**的自由；當等待更合理時，它也包含**不因預測而被迫持續創造**的自由。

---

## 附錄 A｜最小記號索引

| 符號 | 含義 | 限制 |
|---|---|---|
| $i$ | 特定可定義研究、創作或技術資產 | 不等於整個人的能力 |
| $t$ | 外部歷史時間 | 不等於 Agent 操作步數 |
| $d$ | 領域或評估維度 | 不同領域不可無條件合併 |
| $\mathbf F_x(t,d)$ | 系統在領域的多維有效能力 | 需指定任務分布與驗證閘門 |
| $\tau_i^P$ | 改變特定先發稀缺的首次事件時間 | 不等於 ASI 日期 |
| $\lambda_i^P$ | 特定事件的條件風險率 | 不可將主觀確定性當觀察值 |
| $S_i^P$ | 先發狀態存續機率 | 依事件判準與模型假設 |
| $\mathbf V_i(t)$ | 多維價值向量 | 不必有共同貨幣尺度 |
| $Q_i^{evidence}$ | 版本／主張的證據保真程度 | 不等於命題真理本身 |
| $C_i(t)$ | 品質調整實作成本 | 包含人工及世界成本 |
| $g_i$ | 成本下降率 | 並非全專案通用常數 |
| $K_i^{resume}$ | 封存後重新啟動成本 | 可隨版本與工具變動 |
| $r$ | 連續時間折現率 | 只用於已接受共同計量的示意模型 |
| $J_{now}$ | 立即執行淨值 | 需檢查可行性 |
| $J_{wait}$ | 指定期限的等待淨值 | 需考慮競爭與保存成本 |
| $\mathcal W_{i,d}$ | 維度相依的有效窗口集合 | 可由多個不連續區段組成 |
| $\mathcal A^{feasible}$ | 合法且實際可行的行動集合 | 受外部責任與生活條件約束 |

---

## 附錄 B｜核心推導與算式核對

### B.1 等待模型的展開

由：

$$
J_{wait}(\Delta)
=e^{-r\Delta}(Ve^{-\lambda\Delta}-C_0e^{-g\Delta})-K(\Delta)
$$

可得等價的：

$$
J_{wait}(\Delta)
=V e^{-(r+\lambda)\Delta}-C_0e^{-(r+g)\Delta}-K(\Delta).
$$

因此：

$$
\frac{dJ_{wait}}{d\Delta}
=-(r+\lambda)Ve^{-(r+\lambda)\Delta}
+(r+g)C_0e^{-(r+g)\Delta}-K'(\Delta).
$$

令 $\Delta=0$，得到本文第 12.3 節的局部條件：

$$
J'_{wait}(0)
=-(r+\lambda)V+(r+g)C_0-K'(0).
$$

### B.2 固定一年臨界風險率

令 $J_{wait}(1)=V-C_0$，得到：

$$
Ve^{-\lambda}-C_0e^{-g}
=(V-C_0+K_1)e^r.
$$

再移項：

$$
e^{-\lambda}
=\frac{(V-C_0+K_1)e^r+C_0e^{-g}}{V}.
$$

取負自然對數即可得到 $\lambda^*_{1y}$。若右側大於 $1$，求出的 $\lambda$ 會是負值，而非有效的非負危險率；此時不要硬把它截成一個真實截止日期。

### B.3 生存機率與平均風險率的不交換

對隨機的 $\lambda$，在 $\Delta>0$ 時，由指數函數的凸性：

$$
\mathbb E[e^{-\lambda\Delta}]
\geq e^{-\mathbb E[\lambda]\Delta}.
$$

等號通常只有在風險率沒有相應不確定性等退化條件下成立。故用平均風險率直接代入存活項，會在該簡化設定下低估平均存活項；但對完整淨收益、其他參數相關性與風險偏好之影響，仍須另外計算，不能直接宣稱等待永遠更好。

### B.4 計量單位聲明

在算式中使用的 $V,C_0,K$ 必須被表示為同一可比較單位；若代入真實工時、金錢和文化價值，必須先給出合法、透明且不任意的映射。僅僅因為三者都寫成數字，並不表示它們在倫理或經濟上天然可互換。

---
## 參考文獻｜外部研究與可查驗官方來源

**引用規則：** 以下 [E#] 為本文正文的外部文獻編號。文獻條目明示研究性質、可支援的範圍及不能由該來源直接得出的結論；對仍屬預印本的研究不暗示已完成正式同儕審查。網頁與研究版本的核對時間為 2026-10-16。日後若來源更新、校正或撤稿，正式投稿版應重新核驗。

**[E1]** Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). *The 2026 AI Index Report — Science*. https://hai.stanford.edu/ai-index/2026-ai-index-report/science  
**用途：** 科學領域的 AI 應用、能力與重現限制。  
**界線：** AI 科學論文數或個別基準進步，不可直接推論全部科研任務被取代。

**[E2]** Stanford HAI. (2026). *The 2026 AI Index Report — Technical Performance*. https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance  
**用途：** 多模態、推理及 Agent 基準的能力變遷。  
**界線：** 基準分數不等於長期開放世界的完整原創能力。

**[E3]** Kwa, T., West, B., Becker, J., et al. (2025–2026). *Measuring AI Ability to Complete Long Tasks / Measuring AI Ability to Complete Long Software Tasks*. arXiv:2503.14499. https://arxiv.org/abs/2503.14499  
**用途：** 在明確任務集合下的 AI 自主任務難度時間尺度。  
**界線：** Time horizon 是任務難度統計概念，不等於任何 AI 可在真實世界自主運作的鐘錶時間，也不等於 ASI 時點。

**[E4]** Model Evaluation & Threat Research (METR). (2026-01-29). *Time Horizon 1.1*. https://metr.org/blog/2026-1-29-time-horizon-1-1/  
**用途：** 研究基準更新、任務集合與時間尺度測量限制。  
**界線：** 版本比較應確認量測方法的變更。

**[E5]** Ghareeb, A. E., Chang, B., Mitchener, L., et al. (2026). *A multi-agent system for automating scientific discovery*. *Nature, 655*, 497–505. https://doi.org/10.1038/s41586-026-10652-y  
**用途：** 以 Robin 系統研究生物學多 Agent 假說與實驗回饋流程。  
**界線：** 不應由特定系統的研究成果推得所有科學研究已可無人類參與完成。

**[E6]** Zhang, Z., Wang, N., Galhotra, S., & Cardie, C. (2026). *How Far Are We From True Auto-Research?* arXiv:2605.19156. https://arxiv.org/abs/2605.19156  
**用途：** ResearchArena 對 Agent 生成論文的稿件審查、artifact-aware review 與研究嚴謹性比較。  
**界線：** 研究為預印本；117 份稿件的結果不應外推為所有系統、所有領域或未來不可突破的上限。

**[E7]** Becker, J., Rush, N., Barnes, E., & Rein, D. (2025-07-10). *Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity*. METR; arXiv:2507.09089. https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/  
**用途：** 16 位熟悉原始碼的開發者、246 項任務之隨機實驗，說明真實工作中的 AI 效益可與主觀預測不同。  
**界線：** 是 2025 年特定工具、任務與群體的觀察，不等於 2026 或所有使用者的普遍效果。

**[E8]** Becker, J., Rush, N., Cunningham, T., Rein, D., & Mahamud, K. (2026-02-24). *We are Changing our Developer Productivity Experiment Design*. METR. https://metr.org/blog/2026-02-24-uplift-update/  
**用途：** 說明後續實驗受選擇效應、招募及工作時間量測限制影響。  
**界線：** 新資料不能被簡化為已可靠證明普遍加速多少百分比。

**[E9]** Merton, R. K. (1957). *Priorities in Scientific Discovery: A Chapter in the Sociology of Science*. *American Sociological Review, 22*(6), 635–659. https://doi.org/10.2307/2089193  
**用途：** 科學發現優先權、社會承認與歷史歸屬的經典研究。  
**界線：** 社會的優先權規範不等於客觀真理測量器。

**[E10]** Lieberman, M. B., & Montgomery, D. B. (1988). *First-mover advantages*. *Strategic Management Journal, 9*(S1), 41–58. https://doi.org/10.1002/smj.4250090706  
**用途：** 先發企業可能具有優勢及劣勢的條件性文獻。  
**界線：** 市場先發模型不能直接當成數學首創價值的完整模型。

**[E11]** Pindyck, R. S. (1991). *Irreversibility, Uncertainty, and Investment*. *Journal of Economic Literature, 29*(3), 1110–1148. https://ideas.repec.org/a/aea/jeclit/v29y1991i3p1110-48.html  
**用途：** 不可逆投資、資訊與等待選擇權的經濟學基礎。  
**界線：** 研究生活、文化價值與時代主權不天然服從財務期權的所有假設。

**[E12]** Grace, K., Sandkühler, J. F., Stewart, H., et al. (2025). *Thousands of AI Authors on the Future of AI*. *Journal of Artificial Intelligence Research*. https://doi.org/10.1613/JAIR.1.19087  
**用途：** 大規模專家預測呈現 AI 里程碑時點和不確定性。  
**界線：** 問卷匯總不是客觀的技術截止日期；不能將中位數等同科學定律。

**[E13]** MIT Stone Center on Inequality and Shaping the Future of Work. (2025-05-16). *Assuring an accurate research record*. https://shapingwork.mit.edu/news/assuring-an-accurate-research-record/  
**用途：** 對《Artificial Intelligence, Scientific Discovery, and Product Innovation》研究資料的正式可信度聲明與撤回要求。  
**界線：** 本篇不使用該被質疑研究的數據作為證據；此條目只是來源治理的案例。

**[E14]** GitHub Docs. (2026 年查閱). *Immutable releases*. https://docs.github.com/en/code-security/concepts/supply-chain-security/immutable-releases  
**用途：** 版本標籤、釋出資產與 provenance 證明。  
**界線：** 釋出不可變性不保證學術有效性、作者功勞或合法授權。

**[E15]** Zenodo Help. (2026 年查閱). *Manage versions*. https://help.zenodo.org/docs/deposit/manage-versions/  
**用途：** 研究檔案新版本與持續性識別。  
**界線：** DOI 使記錄可引用，不自行驗證論文內容正確。

**[E16]** Zenodo Help. (2026 年查閱). *GitHub and Software*. https://help.zenodo.org/docs/github/  
**用途：** 原始碼與研究軟體保存、釋出及引用接口。  
**界線：** 歸檔與授權需各自確認。

**[E17]** United States Patent and Trademark Office (USPTO). (2026 年查閱). *Pursuing international IP protection*. https://www.uspto.gov/patents/basics/international-protection/filing-patents-abroad  
**用途：** 發明公開與跨國專利申請的新穎性／寬限期風險提示。  
**界線：** 具體國家、技術和發明人的判斷須另行諮詢專業法律意見。

**[E18]** Ding, A. W., & Li, S. (2025). *Generative AI lacks the human creativity to achieve scientific discovery from scratch*. *Scientific Reports, 15*, 9587. https://doi.org/10.1038/s41598-025-93794-9  
**用途：** 特定 GPT-4／分子遺傳學任務的科學發現流程限制案例。  
**界線：** 題名中的廣泛結論不能在沒有額外證據下外推至所有更新的 AI 模型；也不構成人類永遠壟斷原創性的證明。

**[E19]** Zenodo Help. (2026 年查閱). *Digital Object Identifier (DOI)*. https://help.zenodo.org/docs/deposit/describe-records/reserve-doi/  
**用途：** 可持續識別與可引用研究紀錄。  
**界線：** DOI 證明可識別性，不自動構成專利、署名或科學認證。

---

## 參考文獻｜EveMissLab 理論前置與 HACTS 正式原稿

下列 [I#] 是既有研究與系列原稿譜系，與本文新增理論貢獻分開。部分資料為使用者私有或內部研究材料；列出可見的文件識別與來源連結，不代表更動存取權、對外公開私人原始碼或主張已取得任何先發法律權利。

**[I1]** Neo.K. (2026-07-27). *原生人類前沿主權窗口論*（v0.1，理論草稿）。https://unboundedaxiom.org/p/lm-001946/

**[I2]** Neo.K. (2026-07-02). *顯式知識重組飽和：過渡期主體性 AI 對人類理論黃金期的壓縮*（v0.1，內部草稿）。https://unboundedaxiom.org/p/lm-001246/

**[I3]** Neo.K. (2026-07). *真原創者的天堂：AI 能力分化、使用層級與理論創新的黃金窗口*（公開研究稿 v1.0）。https://unboundedaxiom.org/p/lm-001418/

**[I4]** Neo.K. (2026). *最後人類認知前沿：AGI／ASI 時代的人類理論難度光譜與認知對手集合——總論*（研究草稿）。https://unboundedaxiom.org/p/lm-002313/

**[I5]** Neo.K. (2026). *可實作門檻前移：前沿 AI 如何活化潛伏構想並重構理論工程轉譯*（公開版）。https://unboundedaxiom.org/p/lm-002246/

**[I6]** *HODR-II｜選擇權囤積與不可逆決策*（2026-09-26，v0.1）。

**[I7]** *HODR-IV｜AI 生產力與可能性空間爆炸*（2026-09-26，v0.1）。

**[I8]** *HAVT-07｜多速度文明：拒絕、升階、退出與回返*（2026-10-06，v0.1）。https://unboundedaxiom.org/p/lm-004989/

**[I9]** HACTS-00～05（2026-10-16，v0.1），下列完整 UTF-8 Markdown 原稿是本系列先行正式工作文件：

- `HACTS-00_從無限可做之事到有限可支配人生_v0.1_2026-10-16.md`
- `HACTS-01_生產力內生擴張悖論_v0.1_2026-10-16.md`
- `HACTS-02_額度重置與時間支配_v0.1_2026-10-16.md`
- `HACTS-03_自願性高投入的雙重狀態_v0.1_2026-10-16.md`
- `HACTS-04_代理並行與認知待命_v0.1_2026-10-16.md`
- `HACTS-05_時間主權的微觀決策_v0.1_2026-10-16.md`

**[I10]** *AI 計算時間經濟學：Token、算力、額度與智能資源配置*（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003194/

**[I11]** *委任時間論：自主 Agent、人類介入密度與治理槓桿*（2026-08-20，v0.1）。https://unboundedaxiom.org/p/lm-003321/

**[I12]** *RR-06｜從 Self-Authorship 到 Owned Trajectory：選擇、承諾與可修正人生線*（2026-08-21，v0.1）。https://unboundedaxiom.org/p/lm-003284/

---

## 原稿品質閘門、論證分級與公開邊界

1. **本稿為條件性理論研究，不是預言。** 本篇沒有給出 AGI／ASI 的單一日期，沒有宣稱觀察到人類創造的終止年份。
2. **理論假說與實證結果分開。** 十二組假說須接受獨立檢驗；七組思想實驗僅說明在假定參數下不同行動可能更有利。
3. **外部文獻來源有明確證據等級。** 對同儕審查論文、預印本、官方技術報告與平台文件分別標示；已知遭正式質疑撤回的研究不作為支持證據。
4. **不以推演取代原創驗證。** 公開日期、程式提交時間、主觀信心或論文數量，都不是全球首創、真理或法律權利的充分判準。
5. **人類時間與技術時間分帳。** 不將模型可執行的工作時間、自動生成的候選數、個人生活時間、學術優先權與市場期限當成同一變數。
6. **尊重正式數學原始碼。** 本份 UTF-8 Markdown 是唯一 canonical source。所有正式數學 LaTeX 僅使用 ` $...$ ` 與 `$$...$$`，不使用其他 delimiter；不得以聊天渲染畫面反向覆寫正式數學原稿。
7. **不能暗改作者原意。** 任何將來針對假說、時間預測、模型符號、引用或資料的修訂，應新建版本並保存變更說明，而非悄悄覆蓋已發表內容。
8. **開源與公開各自具權限意義。** 公開可讀不等於開源授權；GitHub release、Zenodo DOI 或預印本都不自動授予專利及完整著作權主張。
9. **安全、保密與第三方權益先於時間窗口。** 不以先發危險率高作為違反保密、洩露私人資料或跳過必要權利與安全審查的理由。
10. **研究者保有知情停止與回返權。** 已完成的有效研究、可重建的原型與公開知識，不應使作者永久承擔無限後續管理責任；真正的外部契約與必要安全責任則不得藉「放手」推卸。
11. **不可自稱外部驗證通過。** 研究中的數學算式與簡化示意可以由本地程序重算，但不等於已完成跨領域外部實證或正式同儕審查。
12. **後續研究接口。** 下一篇 HACTS-07 將專論未來自我、技術等待選擇權及跨期決策，而不重複本篇的歷史事件風險模型。

**END — HACTS-06 v0.1**