# HACTS-07｜未來自我與技術等待選擇權：為什麼有些事情留給未來完成反而更合理 ## 從可再啟動的研究資產、AI 能力演進與跨期自我協商，到延後決策、有效保存與可持續創造的動態理論 **English title:** *The Future Self and Technological Waiting Options: Deferral, Re-Activation, and Intertemporal Creative Sovereignty under Advancing AI* **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：** 07／10（第二卷第三篇；承接 HACTS-00～06） **文件編號：** EML-HACTS-2026-07-v0.1 **版本：** v0.1 **日期：** 2026-10-17（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：** 理論論文／跨期選擇權／AI 技術經濟學／創作者時間主權／有限期動態決策／可否證研究綱領 **狀態：** 詳細研究初稿；未經同儕審查；本文新增模型尚未以真實研究者長期資料驗證 **Canonical source：** 此 UTF-8 Markdown 檔案；所有正式數學原始碼僅採用 ` $...$ ` 與 `$$...$$` 兩種分隔形式 **研究限制：** 不宣稱 AGI／ASI 的確定時點；不將技術成本下降視為必然；不把工作滿意度推定為恢復充分；不提供個別財務、醫療或法律建議。 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 人工智慧系統能力提升，不只改變一項任務在當下的完成成本，也改變研究者對**未來自己能完成什麼**的估計。某些研究、遊戲、軟體、理論與產品原型，已經具有可保存的結構、需求與證據，卻尚未達到成熟產品或完成論文的狀態。在傳統專案管理語境下，它們容易被列為待辦、積壓或未完成責任；但若未來能取得更好的模型、硬體、協作夥伴與現金流，同一資產日後的執行成本可能降低，延後完成便可能具有正向選擇權價值。由此產生一個不同於普通拖延的命題：**在有限生命時間與快速變動的技術環境下，現在不做某件事，有時不是損失，而是保留未來以更低代價、更好條件或不同目標完成它的權利。** 本文提出「未來自我與技術等待選擇權」（Future-Self Technological Waiting Option；**FTWO**）作為 HACTS 系列第七篇，聚焦研究成果可移轉性、未來執行能力、重新啟動成本、保存成本、先發稀缺性與個人時間主權之間的關係。本文首先區分單純延宕、策略等待、可逆休眠、被動遺棄與有意退出，指出「尚未完成」本身不構成同質的負債。其次，以可再啟動的研究資產（Re-Activatable Research Asset）、跨期技術能力（Future Execution Capability）、有效保存（Effective Preservation）與未來自我選擇權（Future-Self Optionality）建立操作性概念，使「等 AI 更強再做」不再只是未校準的直覺敘事。 本文給出一項簡化的即時執行—等待比較：等待可節省的預期技術執行成本，若大於歷史窗口流失、折現、保存及重啟費用，便可能產生局部等待收益；反之，在競爭危險率高、技術不相容、資料遺失、法律期限或現金斷裂風險高的情境中，延後可能非常昂貴。本文進一步以有限期 Bellman 決策、財務可行集合、專案重啟門檻與多專案資源約束，分析為何「有能力現在做」與「現在有義務做」不是等價命題；並提出對未來自我保留修訂、重新排序、拒絕與回返的正當性。 在實證層面，本文設計十二項可否證假說、八組可重算情境及四類縱向／準實驗研究方案，試圖觀察 AI 能力進步是否真的降低封存專案的恢復人時、保存品質如何中介重啟效率、財務緩衝是否改變策略等待的實際可行性，以及強迫週期性重新審查所有專案是否反而製造額外治理成本。既有實質選擇權、時間不一致、未來自我連續性、技術債與 AI 效能研究提供直接參照，但並不已經證明本文的整合命題。 本文最後主張：**預測未來不代表必須把未來提前實現；保留選擇不是無限囤積；真正成熟的 AI 協作，不只是增加今天可以完成的任務，也應增加一個人安全地將某些工作交給未來的自由。** 一個成功的等待策略必須保護研究資產、現金流、可回返性與人的生活，而不是讓「未來會有更強 AI」變成逃避今日外部責任的藉口。它同時容許另一種結果：當窗口短暫、公開證據價值高或當前研究投入本身具有不可替代的意義時，立即創作仍然可以是合理選擇。 **關鍵詞：** 未來自我、技術等待選擇權、跨期自主、AI 能力演進、實質選擇權、可再啟動研究資產、專案休眠、有效保存、重啟成本、技術債、先發窗口、資產沉積、時間主權、主動不管理、財務可持續性、Agent 委任、動態決策、可否證假說。 --- ## 0. 問題的出現：為什麼已經能做的人，仍然可能選擇不做？ ### 0.1 不是能力不足，也未必是害怕失敗 我們考慮一位獨立研究者：他已完成數十個原型、一批理論與可運行的技術框架；其中部分成果已公開，部分保存在私人程式庫、實驗紀錄或本地工作區。對任一已能完成的專案，他可以選擇繼續投入，也可以把它留到另一個模型世代、硬體升級、合作團隊形成或商業現金流改善之後再做。 傳統生產力直覺往往推導：既然今天已能完成，而且越早產出越多，立即推進就一定更好。但此推論忽略了至少四種機會成本：第一，今天投入時間將排擠其他意圖和生活；第二，同一成果未來的執行技術可能改善；第三，成果若已完成可驗證的核心，其後續版本可能具有可延後性；第四，現在把每個可行專案都變成工作義務，會減少未來自己修改方向的選擇。 另一個極端同樣不成立：由於未來 AI 可能更強，因此今天應該什麼都不做。若特定窗口可能關閉、現有程式會腐化、外部承諾已有期限、財務可行性即將消失，等待可能損失巨大。 所以本文不是替拖延尋找哲學藉口，而是研究：**在可觀察條件下，何時「保留未來完成權」具有可辨識價值？何時它只是缺乏校準的樂觀？** ### 0.2 一個關於現在與未來自我的對稱問題 現在的創作者可以提出： > 我現在可以完成，所以我希望現在完成。 但未來的自己也可能提出： > 你保留了核心成果、原始碼與證據，讓我使用更好的工具重建、修改甚至拒絕它；謝謝你沒有替我把所有方向提前封死。 也可能是： > 你只留下沒有版本、沒有驗證、沒有依賴鎖定的散亂檔案，現在所謂的未來選擇權已經無法行使。 因此，延後不是把工作丟向一個空白未來，而是把今日決策的效果傳遞給未來決策者。這個未來決策者與今天的主體具有時間上的歷史連續性，但其知識、資源、興趣、義務與價值排序可能改變。 ### 0.3 最小論點 **命題 FTWO-0：** 若專案具有可保存、可重啟的有效資產，而且未來的執行條件可能改善，則延後執行可成為與立即執行並列的合理候選行動；其合理性必須接受保存、重啟、競爭、折現、財務與主體偏好改變等反向成本的檢驗。 最簡形式為： $$ \mathrm{CanExecuteNow}(i,t)=1 \quad\not\Rightarrow\quad \mathrm{MustExecuteNow}(i,t)=1. $$ 這是邏輯上限度較小的否定命題，不是等待永遠比較好的定理。 --- ## 1. 系列研究定位與非重複邊界 ### 1.1 從 HACTS-00～06 到本篇 | 既有論文 | 已建立的問題 | 本篇新增的焦點 | |---|---|---| | HACTS-00｜統合總論 | 創造可能性與個人時間主權 | 現在與未來的跨期行使權如何分配 | | HACTS-01｜生產力內生擴張 | AI 加速也可能使工作內生增加 | 工作可延後時是否能阻止「候選即承諾」 | | HACTS-02｜額度重置與時間支配 | 定期失效的算力誘發即時使用壓力 | 期限短的配額和期限長的研究資產應分帳 | | HACTS-03｜自願性高投入 | 高創造滿足與高疲勞可同時存在 | 將恢復能力納入未來執行資源 | | HACTS-04｜Agent 並行與認知待命 | 代理活動可能持續佔用人類注意 | 休眠計畫不應要求人類永久待命 | | HACTS-05｜時間主權微觀決策 | 繼續、延後、休眠、退出、回返 | 研究「等待的實際資產價值」與重啟條件 | | HACTS-06｜黃金窗口與歷史不對稱 | 各種先發窗口和相依風險率 | 在時間窗口約束下，未來能力改善與未來自我的選擇權 | HACTS-06 已提出窗口風險與立即／等待的簡化比較。本篇不重做先發優先權的社會學論證，而是把重點移到**時間連續的行動者、可重新啟動的資產、保持與恢復成本、可行流動性，以及由 AI 進步帶來的不確定工作替代**。兩篇互補而非彼此重複。 ### 1.2 先前 EveMissLab 理論的直接接口 - **HODR-II：選擇權囤積與不可逆決策**：提醒研究者擁有大量選擇權，也可能使所有專案遲遲不外化 [I1]。 - **HODR-IV：AI 生產力與可能性空間爆炸**：說明更快的產出可伴隨更快的候選生成，選擇與承諾成為瓶頸 [I2]。 - **HAVT-06／07：時間主權與多速度文明**：拒絕把最快技術的速度自然轉換為所有人的生活義務 [I3–I4]。 - **RR-06：Owned Trajectory／可修正人生線**：區分生成行動與承擔、修訂一條長期軌跡的權能 [I5]。 - **AI 計算時間經濟學與委任時間論**：把算力、人類治理時間及自主 AI 的操作時間分帳 [I6–I7]。 - **原生人類前沿主權窗口論、可實作門檻前移、HACTS-06**：分別支援對歷史窗口、技術工具變動和先發價值的建模 [I8–I10]。 這些名稱、思想譜系與原稿是本系列的既有研究來源，不能因本篇重述而再主張是首次出現的概念。本篇新增的 FTWO 亦僅是本文提出的研究框架，而不是已經由學術界獨立驗證的新定律。 ### 1.3 與第 08～10 篇的分工 第 08 篇將專論**最小必要管理、休眠專案與管理成本本身**，第 09 篇將分析創業現金流及時間緩衝，第 10 篇研究人類節奏優先的自主 AI 組織。本篇會提出這些後續論文所需的選擇權介面，但不提前把所有管理、財務或治理理論完整重寫。 --- ## 2. 外部研究：哪些部分已有成熟理論，哪些仍是假說？ ### 2.1 不可逆投資的等待選擇權 Pindyck（1991）以及 Dixit 與 Pindyck（1994）已建立不確定條件下的不可逆投資模型：投資機會可以有等待資訊和推遲沉沒成本的價值 [E1–E2]。將一個研究專案類比為可延後的投資決策具有啟發性；然而研究的價值可能是公開知識、文化創造、私人滿足或未來選擇，並非都能轉換成財務現值。 本文借用的是**保留行使權與比較不可逆成本**的結構，而不是宣稱人類生活就是金融衍生品，也不是以實質選擇權文獻當作「AI 等待一定正收益」的經驗證據。 ### 2.2 研究開發本身是序列決策 Roberts 與 Weitzman（1981）已指出，研發與探索活動具有序列決策性質：後續投入能根據新資訊重新評估 [E3]。此原理的重要性在於，專案並非只能在今天一次做出永久的做／不做二選一；較常見的情況是分批投入、局部驗證、保存可重用構件，之後根據新證據調整。 本篇新增的是：未來資訊不只包括市場需求或技術實驗結果，還可能包括**AI 在特定專案類型中的可用能力、工具價格、可靠性與上下文恢復成本**。 ### 2.3 未來自我不是一個無關的陌生人 Hershfield（2011）整理未來自我連續性如何影響跨期選擇的心理學與行為經濟學研究；與 Goldstein 等人在 *Journal of Marketing Research* 的實驗則表明，增加未來自我的可感知性可能改變延後收益的選擇 [E4–E5]。這些研究主要處理儲蓄與財務選擇，不能直接證明創作者把 GitHub 專案保存到下一代 AI 時就是最佳策略。 Laibson（1997）關於時間不一致與承諾裝置的研究，則提醒我們：今天與未來的偏好可能衝突，承諾機制有時有益，有時也會過度限制選擇 [E6]。本文因此不把「永遠能改變主意」當成沒有任何成本的善，也不把「永遠維持原規劃」當成有責任感的唯一樣貌。 ### 2.4 AI 能力改善是真實研究趨勢，但不是保證 Stanford HAI《2026 AI Index》顯示多種 AI 基準與 Agent 能力持續變化，但任務與領域間仍存在不同能力限制 [E7–E8]。METR 的長任務能力測量也明確指出，任務時間尺度是一種特定任務分布下的難度指標，不等於模型能在現實世界中連續工作多久 [E9]。 尤其 METR 於 2026 年 2 月說明，較新工具對開發者的加速效益難以從有選擇偏差的樣本直接估計；開發者選擇哪些工作交給 AI，本身就會改變觀察到的效果 [E10]。所以本文不把「AI 每年一定省下一半工時」當成已知事實。實際估算應依特定任務類型、完整驗證流程與不同模型版本做重測。 ### 2.5 保存與重啟有真實工程成本 軟體工程的技術債研究已指出，架構變更、依賴和延後修改會影響未來維護成本 [E11]。GitHub 與 Zenodo 的整合、Zenodo 版本紀錄，以及 Software Heritage 的 SWHID 則提供將特定研究軟體保存為可追溯歷史物件的方法 [E12–E14]。 但**可追溯不等於可執行**。一個永久識別的原始碼版本仍可能缺少密鑰、資料集、授權、相依環境、驗證程序或不可再取得的外部 API。對於日後要重新啟動的研究資產，保存品質必須有更嚴格的可恢復性標準。 ### 2.6 內部預測不能代替外部校準 Kahneman 與 Lovallo（1993）關於內部視角、過度樂觀與預測判斷的研究提供了一個重要反論：研究者對未來自己的能力可以很有信心，但不能只靠主觀信心推導出未來工程成本、成功率與市場時機 [E15]。 因此：**等待價值需要有可驗證的校準資料，而不只是相信未來自己一定會很強。** --- ## 3. 五種表面相似、實際不同的「暫時不做」 ### 3.1 延宕、等待、休眠、棄置與退出 本文區分： | 狀態 | 核心含義 | 後續是否可回返 | 主要風險 | |---|---|---|---| | 非策略性延宕 | 想繼續，但沒有具體保存或再判斷條件 | 不確定 | 隱性任務負債 | | 策略等待 | 根據可觀察資訊與成本預期，暫不投入 | 原則上可以 | 預測落空、窗口關閉 | | 可逆休眠 | 主動保存可恢復的有效資產，不再日常推進 | 保存良好時可以 | 依賴老化、重啟成本 | | 被動棄置 | 沒有必要保存或承擔後續計畫 | 可能困難 | 檔案遺失、責任無主 | | 有意退出 | 對方向、角色或義務作出終止／轉移決策 | 依退出契約而定 | 既有承諾未清理 | 這張表不是心理疾病分類，也不能把任何個人標記為拖延型人格。它描述的是**行動狀態與資產治理契約**。 ### 3.2 「不做」不是一個空動作 在高產能專案環境裡，一個簡單的「暫停」至少可能有三種後果：其一，產出不再增加；其二，既有技術資產持續老化或保持穩定；其三，人的時間被釋放給其他目標。只把第一項寫進工作帳本，就會低估暫停的跨期價值；只看第三項，又會忽略保存成本。 可寫為： $$ \Delta \mathbf S_{\mathrm{pause}} = \left( \Delta Y_i,\Delta K_i,\Delta T_H,\Delta R_i \right), $$ 其中 $Y_i$ 是專案對外成果， $K_i$ 是可重用知識資產， $T_H$ 是可支配人類時間， $R_i$ 是重啟負擔。對暫停而言，通常 $\Delta Y_i$ 較小，但其他三項未必為零。 ### 3.3 理性等待不代表一定知道下一次何時執行 等待可以是**事件觸發**而非日期觸發。例如：某種成本可靠地下降、找到能解決目前限制的新驗證工具、外部客戶提出需求、現金緩衝達到指定條件。此時即使沒有預先訂出下一次日期，也不必等於無決策。 但若事件永遠無法被觀察或不可能觸發，所謂等待就缺乏實質內容。研究必須預先指定可檢驗的狀態，而不能用「等未來更好」封閉所有反例。 ### 3.4 不管理的邊界 不是每一個休眠資產都要配一位管理員、一套每週報表或每月全量審查。沒有外部承諾、沒有資安暴露、沒有定期成本且不需確保持續服務的研究草稿，可以使用「保存—靜置—需求觸發」模式。相反地，對外服務、付費客戶資料、未解漏洞、授權義務及明確交付契約仍要求相應治理。 因此，「不管理」只有在**低風險、低成本、可保留**的邊界內，才是管理負擔的合理減法。 --- ## 4. 可再啟動研究資產：不是所有未完成專案都有同等選擇權 ### 4.1 從工作項目到研究資產 設專案 $i$ 的目前產物包含程式、形式化定義、數據、實驗、設計決策、使用者回饋和可追溯版本。本文將其記為： $$ K_i(t)= \left( S_i,D_i,E_i,V_i,P_i,L_i \right)_t, $$ 其中 $S_i$ 為 source／原始材料， $D_i$ 為需求與設計決策， $E_i$ 為實驗證據， $V_i$ 為驗證程序， $P_i$ 為 provenance／歷史來源， $L_i$ 為依賴與可重建環境清單。此處 $V_i$ 表示驗證構件，後文價值函數則另使用 $U_i$，避免符號混同。 一個研究資產是否可再啟動，不取決於是否被人命名為專案，也不等於是否放在 GitHub。它至少需要滿足某種最低重建條件：未來具有適當授權與工具的行動者，能理解原本要解決的問題，定位目前成果，重現關鍵測試，並辨識哪些假設已經失效。 ### 4.2 有效保存的六項條件 本篇提議將可恢復性分為六個構面： 1. **語義可理解性：** 後來者能知道原始目標、非目標與關鍵概念。 2. **來源可追溯性：** 核心原始碼、文稿、素材、資料與版本能被確認。 3. **依賴可重建性：** 軟硬體版本、格式、模型、工具、建置方式可記錄或替代。 4. **驗證可執行性：** 原有測試、基準、資料品質閘門或人類審查接口存在。 5. **權利可辨識性：** 授權、保密、第三方資料與外部承諾沒有被抹除。 6. **恢復入口可辨識性：** 有人或 Agent 能知道從哪個最小步驟重新開始，而非全部重讀。 令 $q_{ij}\in[0,1]$ 是專案 $i$ 的第 $j$ 項保存品質，則可提出一個**研究用保守瓶頸指標**： $$ Q_i^{\mathrm{rec}} =\min_{1\le j\le6} q_{ij}. $$ 這只是構造性的候選指標；它強調最低品質構件可以拖垮恢復，並不是已被驗證的通用工業標準。未來應與幾何平均、加權和或具交互作用的模型比較。 ### 4.3 保存存在「足夠好」門檻 研究者容易陷入第二階管理迴路：因為擔心未來難以恢復，便替每個休眠專案補十份詳盡文件，最後保存工作比直接推進更累。正確目標不是最大化所有保存欄位，而是找出在可承受成本下、滿足最低未來恢復成功率的最小保存集合： $$ \min_{d_i} C_i^{\mathrm{preserve}}(d_i) \quad\text{subject to}\quad \Pr(\mathrm{Recover}_i\mid d_i)\ge q_i^{\mathrm{min}}. $$ 其中 $d_i$ 是保存動作集合， $q_i^{\mathrm{min}}$ 是依專案風險、價值和外部責任指定的最低門檻，而不是所有研究都採相同的要求。若一份不具外部義務的概念筆記未來重寫成本極低，完整建置容器可能根本沒有必要；若專案包含高風險模型、受限制資料或持續服務，保存規格就必須提高。 ### 4.4 保存品質對未來選擇權的限制 設未來工具能力為 $a_{t+\tau}$，可再啟動的效用為： $$ U_i^{\mathrm{resume}}(t+\tau) =F_i\left( a_{t+\tau},Q_i^{\mathrm{rec}}, K_i^{\mathrm{restart}}, R_i^{\mathrm{legal}}, \theta_{i,t+\tau} \right). $$ 其中 $R_i^{\mathrm{legal}}$ 是法律、授權及外部義務狀態， $\theta$ 是未來行動者的偏好與目標。即使 $a$ 增加，若 $Q_i^{\mathrm{rec}}$ 很低或權利狀態不允許使用，恢復效用仍可能很差。這就是**算力可以變強，但遺失的上下文不必然被算力恢復**的邊界。 --- ## 5. 未來執行能力的五個維度 ### 5.1 AI 模型能力只是其中之一 對研究者而言，「未來更強」不是單一標量。我們把可用執行能力寫成： $$ \mathbf A_{t} =\left( a_t^{\mathrm{reason}}, a_t^{\mathrm{code}}, a_t^{\mathrm{tool}}, a_t^{\mathrm{verify}}, a_t^{\mathrm{long}} \right), $$ 分別代表任務相依的推理、程式、工具操作、驗證可靠性與長程執行能力。這些是可實際測量的系統能力向量，而不是模型自我宣稱的智能層級。 同時定義可用資源： $$ \mathbf R_t =\left( B_t,H_t,G_t,N_t,T_t \right), $$ 其中 $B_t$ 為現金與可支付預算， $H_t$ 為可用硬體資源， $G_t$ 為能協作的人力與專業網絡， $N_t$ 為必要資料與資訊通道， $T_t$ 為真正可支配的人類時間。 ### 5.2 潛在能力和可用能力不能混同 未來世界上有更先進的 AI，不保證同一個創作者能以合法、負擔得起、隱私可接受的方式使用它。可用能力受價格、訂閱、地區、產品限制、設備、權限和生態穩定性制約。 因此應區分： $$ \mathbf A_t^{\mathrm{frontier}} \neq \mathbf A_{u,t}^{\mathrm{accessible}} \neq \mathbf A_{u,i,t}^{\mathrm{effective}}. $$ 三者分別是當時前沿能力、特定使用者可取得的能力，以及該能力對專案 $i$ 的真實效果。 ### 5.3 適用性和可驗證性可能不同步 某新模型可能更擅長生成程式，卻不擅長維護十年前特殊格式的資產；也可能產生更多候選答案，但仍不可靠地辨識錯誤。故預測未來工時時，不能只估計程式生成耗時，還需包含規格理解、反例測試、人工驗收、部署與必要的外部協調。 本文定義全流程恢復工時： $$ H_i^{\mathrm{total}}(t) = H_i^{\mathrm{reconstruct}} +H_i^{\mathrm{execute}} +H_i^{\mathrm{verify}} +H_i^{\mathrm{deploy}} +H_i^{\mathrm{govern}}. $$ 若未來只降低第二項，其餘項目上升，總工時仍可能增加。 ### 5.4 進步有方向，也可能有回退 預期能力改善不是數學定律。技術可能退步、工具停止提供、開源庫被棄置、API 合約改變；未來可能有新模型，但專案依賴的特定模型不再可用。所以本篇不把 AI 進步寫成必定遞增的確定函數，而是在實證模型中用條件分布： $$ \mathbf A_{t+1} \sim P_A(\cdot\mid \mathbf A_t,\mathcal I_t), $$ 其中 $\mathcal I_t$ 為當下可取得的訊息。任何「未來一年必然提升 $x\%$ 」的固定參數，都應被標為情境假設，而非模型的公理。 --- ## 6. 跨期自我：誰有權替未來的自己排定任務？ ### 6.1 把自我連續和目標不變分開 一個人未來可以延續同一條生命與研究歷史，但不代表未來一定保持今天的偏好與計畫。今日的研究興趣、產品方向與時間價值排序，可能隨收入、家庭、技術、身體與新資訊改變。 定義： $$ \theta_t =\left( \theta_t^{\mathrm{research}}, \theta_t^{\mathrm{income}}, \theta_t^{\mathrm{life}}, \theta_t^{\mathrm{risk}} \right), $$ 表示當期偏好權重。若 $\theta_{t+1}\neq\theta_t$，可能是合理學習、目標修訂或價值改變，不必然是缺乏承諾。 ### 6.2 三種跨期權能 **現在自我的提案權：** 可以創造原型、留下研究方向及預測未來有用的路徑。 **未來自我的修訂權：** 可以重新決定原案是否仍有價值、是否要利用新工具完成。 **跨期承擔權：** 已有外部義務、契約及可預見安全責任不能單靠未來偏好變動而消失。 這三種權能需要分帳：保存專案不是對未來簽署無條件工作契約；既有付費服務也不能因為未來自我想轉向而不履行既有責任。 ### 6.3 未來自我不是廉價勞動力 「將工作交給未來的自己」聽起來很容易變成轉嫁負擔。本文拒絕這種版本：若今天留下的是大量無上下文碎片、不可回退的外部承諾與欠缺資金的維護責任，那麼未來只會被迫清償過去的決策債務。 可主張的只有： $$ \mathrm{FutureOption} \neq \mathrm{FutureObligation}. $$ 有效的未來選擇權包含拒絕不再適合之方向的能力。未來若因技術變化而能更容易完成，完成是一項被保留的可能性，不是一項債權人對未來自我可執行的索取。 ### 6.4 對稱的反面問題 但過度保留也可能讓現在的生活缺乏成果：若所有重大想法都以「未來更好」為由延遲，現實外化、收入、互動與經驗證據就無法產生。這是 HODR 已研究的選擇權囤積風險。 因此時間主權既不等於永遠行使，也不等於永遠等待；它是能夠在**清楚承擔已實際作出的承諾**的同時，合法且可行地重排尚未承諾的可能性。 --- ## 7. 一個可計量但非普遍貨幣化的成本框架 ### 7.1 成本至少是向量 對專案 $i$，定義其完成成本向量： $$ \mathbf C_i(t) =\left( C_i^{\mathrm{cash}}, H_i^{\mathrm{human}}, C_i^{\mathrm{compute}}, C_i^{\mathrm{risk}}, C_i^{\mathrm{commit}} \right)_t. $$ 它包含現金、人工工時、模型與硬體算力、風險，以及對未來維護的承諾成本。這些分量一般**不能無代價地直接相加**：一個很便宜的計算任務也可能消耗不可替代的睡眠時間；一份高品質學術成果也可能暫時完全沒有現金收入。 只有在清楚給出當事人的合理權重、效用或同一測量單位時，才可為比較目的建立標量代理： $$ C_i^{\mathrm{eq}}(t) =\sum_{j=1}^{5} w_{ij}(t) C_{ij}(t). $$ 其中權重 $w_{ij}(t)$ 應由預先說明的可比性規則得出，不得藉「公式化」假裝倫理及生活價值可以自然換算成價格。 ### 7.2 保存與恢復的總成本 對等待 $\tau$ 的專案，令： $$ C_i^{\mathrm{defer}}(\tau) =C_i^{\mathrm{preserve}} +C_i^{\mathrm{monitor}}(\tau) +C_i^{\mathrm{restart}}(\tau) +C_i^{\mathrm{migration}}(\tau) +C_i^{\mathrm{lost-window}}(\tau). $$ 五項分別表示保存初始成本、等待期間監測、重啟、環境遷移及窗口流失。此式若用於實證，需要用共同可比較的價值單位或保持為多準則向量。 ### 7.3 資料保存不等於保證重啟 例如：一個五年前使用當時私有 API 的演算法，可能連模型存取權都已失效；一個曾通過測試的遊戲專案，可能在新版作業系統失去相容性；一篇定義完善的數學論文草稿，即使暫時沒有工具支援，其主要形式內容卻可能相對穩定。 因此可恢復性至少由**內容保存、依賴風險及重建成本**共同決定，且領域差異可能很大。實證時應依專案類型分層，而不是用 GitHub 存活數量推論選擇權存活率。 --- ## 8. 即時執行與等待：可重算的基本比較模型 ### 8.1 目的與假設 為建立可手算且可推翻的初步模型，暫將同一項專案的主觀／決策效用折算至共同可比較單位。這不意味著研究、快樂與金錢在現實中天然等價；它只是一個**在指定權重下做內部反事實比較的試驗模型**。 設： - $D\ge0$：不因他人先行重現而消失的耐久成果價值； - $H\ge0$：目前仍具有的時間相依先發溢價； - $C_0\ge0$：現在完成此專案的全流程等價成本； - $g$：未來執行成本的假設淨下降率，可負； - $\lambda\ge0$：先發稀缺性流失的假設等價率； - $r\ge0$：跨期折現或資源機會成本率； - $k\ge0$：單位等待期造成的重啟／遷移等價成本； - $m\ge0$：單位等待期的事先折算監測／保存成本； - $\tau\ge0$：等候時間，以年或其他一致單位表示。 本節的指數函數只作**示意的確定性條件路徑**。其中 $g$ 不是對 AI 的無條件實際成長預測， $\lambda$ 也不是世界上「首次發明」的客觀倒數時鐘。 ### 8.2 立即執行價值 $$ U_{\mathrm{now}}=D+H-C_0. $$ ### 8.3 固定等待期的期望效用代理 $$ U_{\mathrm{wait}}(\tau) =e^{-r\tau} \left( D+H e^{-\lambda\tau} -C_0e^{-g\tau} -k\tau \right) -m\tau. $$ 本式假設：耐久價值在觀察期內不變；先發溢價按等價率衰減；未來完成成本按照淨率變動；重啟與遷移成本在重新開始時支付；監測成本 $m\tau$ 作為當下可比較的預留支出近似，未另外折現。若監測實際逐期支付，須換用分期折現和，不應不加說明沿用此特例。 由設定可得： $$ U_{\mathrm{wait}}(0)=U_{\mathrm{now}}. $$ 等待 $\tau$ 在本模型中較有利，當且僅當： $$ U_{\mathrm{wait}}(\tau)>U_{\mathrm{now}}. $$ **注意：** 比較是相對於「如果此專案單獨現在完成」的條件。若有其他專案或生活活動更具價值，真實最適決策必須比較完整可行集合，而不是只比較兩種專案排程。 ### 8.4 局部等待條件：正式推導 對上式依 $\tau$ 微分，得到： $$ \begin{aligned} \frac{dU_{\mathrm{wait}}}{d\tau} ={}&-r e^{-r\tau} \left(D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau\right)\\ &+e^{-r\tau} \left(-\lambda H e^{-\lambda\tau}+gC_0e^{-g\tau}-k\right) -m. \end{aligned} $$ 令 $\tau=0$，則： $$ U'_{\mathrm{wait}}(0) =gC_0-\lambda H-r(D+H-C_0)-k-m. $$ 因此，在該函數可微且上述參數保持固定的局部模型中： $$ gC_0 > \lambda H+r(D+H-C_0)+k+m $$ 是**足以使足夠短的正等待區間優於立即執行**的條件。左側是立即成本因時間延後而降低的初始速率，右側是先發價值流失、折現、重啟與監測的初始總速率。 若左右恰好相等，一階導數不能決定方向；必須檢查二階效應或有限期比較。若不等式方向相反，只能說在 $\tau=0$ 附近開始等待的邊際效用為負，**不能宣稱所有未來時間點都必然較差**，因為函數可能非單調。 ### 8.5 可比較的先發風險閾值 當 $H>0$ 且其餘參數有意義時，可解出局部臨界值： $$ \lambda^* =\frac{gC_0-r(D+H-C_0)-k-m}{H}. $$ 若 $\lambda<\lambda^*$，初始的等待方向有利；若 $\lambda>\lambda^*$，初始不利。若 $\lambda^*<0$，任何非負 $\lambda$ 都無法滿足本式的嚴格局部等待條件。 若 $H=0$，則此閾值形式無意義，應直接使用原始導數判斷，不能硬把分母補上任意正數。這一細節重要，因為並非所有研究或文化創作都具有同樣的先發溢價。 ### 8.6 「一年的等待」與「無限等待」不同 對任何固定 $\tau$，可直接計算差值： $$ \Delta U(\tau) =U_{\mathrm{wait}}(\tau)-U_{\mathrm{now}}. $$ 若 $g>0$ 而成本具有正下界，真實成本路徑就不會永久按照 $C_0e^{-g\tau}$ 下降到零。此處的指數只是有限期間的近似；在長期間應改為： $$ C_i(\tau)=C_{i,\min} +\left(C_{i,0}-C_{i,\min}\right)e^{-g_i\tau} +M_i(\tau), $$ 其中 $M_i(\tau)$ 可包含因重整、資料遺失、相依變化或合規要求而產生的成本，甚至可以增加。不可把短期符號推導偷渡成無窮遠的成本歸零定律。 --- ## 9. 從固定等待期限提升到真正的選擇權 ### 9.1 預先宣告「一年後一定做」還不夠 最有價值的選擇權通常不是今天決定一年後必須執行，而是在一年後觀察資源、AI 能力、需求與興趣，再決定做不做。因此**固定日期的等待策略**與**保留未來的自由行使權**不是同一事物。 若專案未來的成果價值是隨機變數 $X_{t+1}$，成本是 $C_{t+1}$，並允許到時拒絕，則單期等待選擇權可粗略表示為： $$ O_t =-C_t^{\mathrm{preserve}} +\beta\,\mathbb E_t \left[ \max\left(0,X_{t+1}-C_{t+1}\right) \right], $$ 其中 $\beta\in(0,1]$ 表示折現因子。本式忽略外部強制義務，只用於**可以合法放棄的私人、可逆計畫**；若有外部責任，不能將選擇權任意設為零損失的放棄權。 ### 9.2 在無保存成本及可自由拒絕的特例中 對任何實數隨機變數 $Z$，有： $$ \mathbb E[\max(0,Z)] \ge\max(0,\mathbb E[Z]). $$ 這是由正部函數的凸性所產生的 Jensen 不等式。它說明**能在得知未來淨收益後再決定是否行使**具有非負的資訊選擇價值，與「今天強迫自己對同一期未來淨收益提前做二元承諾」相比不差。 但若保存成本為正、未來信息不可靠、法律窗口可能終止，或行使機會必須事先付費，則上述不等式不足以證明總等待收益優於現在完成。更不能以此聲稱所有個人研究都應延後。 ### 9.3 有限期 Bellman 決策 令完整狀態為： $$ s_t =\left( \mathbf A_t,\mathbf R_t, Q_{i,t}^{\mathrm{rec}}, C_{i,t}^{\mathrm{restart}}, \lambda_{i,t}, \theta_t,\mathcal O_t \right). $$ 最後一項 $\mathcal O_t$ 表示有效外部義務、期限與權限，不可被當作可以任意忽略的偏好。對有限期 $T$ 、折現因子 $\beta$，可定義： $$ V_t(s_t) = \max_{a\in\mathcal A_{\mathrm{feasible}}(s_t)} \left\{ u_t(s_t,a) +\beta\,\mathbb E_t\left[V_{t+1}(s_{t+1})\mid s_t,a\right] \right\}. $$ 其中動作集合可包含：立即執行、少量驗證、最小錨定、保存休眠、監測等待、部分委任、主動退出或轉交。它不是一個實際已解出的萬能 AI 規劃器，而是明確揭示**可行集合、資金、權利、資訊與未來狀態**缺一不可的形式骨架。 ### 9.4 終端價值與跨期價值偏好 若 $T$ 是有限研究觀察期，終端應納入尚未執行的可恢復資產價值與不可繼續的義務，不可把所有尚未行使的選擇權直接寫為零。可採： $$ V_T(s_T) =U_T^{\mathrm{life}}(s_T) +V_T^{\mathrm{assets}}(s_T) -C_T^{\mathrm{unmet\ obligations}}(s_T). $$ 不過，對沒有明確貨幣映射的文化創造、家庭時間或健康恢復而言，實際估計時可能更應使用多目標 Pareto 比較，而不是偽造精密但無法詮釋的單一效用數字。 --- ## 10. 多專案狀態：為何每個專案都保留選擇權，不代表都應保留管理義務 ### 10.1 三本彼此分開的帳 對高產能研究者，專案資產不只是任務清單。至少需要三本獨立帳本： - **資產帳本**：已完成何種程式、理論、資料、實驗、文案或設計；能否重建及被第三方理解。 - **承諾帳本**：已經對誰、何時、以何種權限與條款承諾交付、保密、維護或安全責任。 - **可能性帳本**：未來還可以做什麼，但目前未產生實質承諾；是否值得保留重新啟動的權利。 若把可能性帳本全部轉成承諾帳本，新的構想就會自動生成應履行之工作。若把資產帳本全部轉成日常管理帳本，已完成的研究便無法真正沉澱。兩種做法都會侵蝕人類時間主權。 ### 10.2 多專案選擇不是逐一求和 假設研究者有 $n$ 項專案，行動集合為 $a_1,\ldots,a_n$，其當期人類時間約束為： $$ \sum_{i=1}^{n} h_i(a_i)\le T_H^{\mathrm{available}}. $$ 而現金預算有另一獨立約束： $$ \sum_{i=1}^{n} c_i^{\mathrm{cash}}(a_i) \le B_t^{\mathrm{available}}. $$ 若專案存在共享底層、同一市場、競爭注意力及互補模組，其組合價值一般不能簡化為 $\sum_i V_i$ ；還需要交互作用項： $$ U(\mathbf a) =\sum_i U_i(a_i) +\sum_{i30. $$ 此結果說明，在指定參數下，明顯的未來成本下降可能超過先發流失，等待是相對有利的。它不證明真實 AI 工程一定有 $60\%$ 的每年成本下降率； $g=0.60$ 是連續時間指數參數，其一年實際比例變動並非直接等於 $60\%$。 ### 15.3 情境 B：只提高先發風險，結論翻轉 保留情境 A 所有參數，只改 $\lambda=1.00$。立即價值仍為 $30$，等待一年則： $$ U_1\approx8.33<30. $$ 由此可見，不能只看預期 AI 能力進步；先發窗口的風險亦可能使同一等待決策變得不合理。 ### 15.4 情境 C：先發價值小，但耐久價值很高 假設 $D=120,H=20,C_0=110,g=0.50,\lambda=1.50,r=0.04,k=2,m=1$。即使先發相對稀缺性快速流失，仍有： $$ U_0=30, \qquad U_1\approx52.56. $$ 對耐久知識價值較高的成果，即使「最先做」的位置變得不重要，未來以更低成本完成仍可能有意義。 ### 15.5 情境 D：工具環境惡化，不再有等待收益 回到 A 的其他參數，但改為 $g=-0.10$，表示等價完成成本增加而非下降。此時： $$ U_0=30, \qquad U_1\approx6.50. $$ 因此「所有既有程式碼總會越來越容易完成」並不成立。失去依賴相容性、授權、工具及資料時，未來反而更難做。 ### 15.6 情境 E：保存和維護過於昂貴 回到 A，但把每期重啟成本係數提高為 $k=35$，等待期間管理成本係數提高為 $m=20$，得到： $$ U_0=30, \qquad U_1\approx8.82. $$ 這是對「每個項目都建立龐大管理中樞」的反例：如果要為保存選擇權付出過高治理成本，最好重新檢查其是否真的值得被當作獨立計畫保留。 ### 15.7 情境 F：只降低生成工時，沒有完整節省 假設同一專案目前需要 $120$ 人時。未來某模型將核心程式生成工時壓縮至 $40$，但仍需 $35$ 人時驗證及 $20$ 人時遷移，則總計為 $95$ 人時，實際節省是 $25$ 人時，並非「120 除以 40，所以提升三倍」。 如果模型產生的不可靠結果使驗證增加到 $75$ 人時，則總工時變成 $135$，**比今天更慢**。這組案例說明模型能力成長、速度感與完整工作產出效率必須分開。 ### 15.8 情境 G：保存品質改變重啟選擇權 對某可恢復專案，假設未來重啟成功後的淨價值為 $75$，失敗造成可比較損失 $10$，當下保存費用為 $5$。若恢復機率 $q=0.9$： $$ O(0.9)=0.9(75)-0.1(10)-5=61.5. $$ 若恢復機率降為 $q=0.4$： $$ O(0.4)=0.4(75)-0.6(10)-5=19. $$ 這一對比並不主張保存投入與成功率存在固定線性關係，只表明保存品質在可恢復性模型中是不能忽略的參數。 ### 15.9 情境 H：財務緩衝可能比每週研究工時更重要 設想某創業者每月必要支出為 $13{,}500$ 單位，手上具有 $27{,}000$ 同單位的可用現金，沒有可確認收入。用靜態燃燒率估算，緩衝時間為兩個月。若另外取得每月 $12{,}000$ 的穩定淨收入，且所有支出和收入假設皆保持不變，則每月淨流出 $1{,}500$，靜態緩衝時間為十八個月。 這個數值只是思想實驗，不是使用者個人財務或實際可獲工作薪資，也未涵蓋生活支出遺漏、稅費、物價、風險或不規則收入。它示範的是：小額現金流可透過降低淨流出率，非線性地改變研究者有能力**等待未來技術變化**的時間。 ### 15.10 八組情境比較表 | 情境 | 主要變動 | 觀察到的結果 | 不得推論的事情 | |---|---|---|---| | A | 技術成本快速下降、先發風險低 | 等待較佳（58.90 對 30） | 所有 AI 任務都會快速降本 | | B | 提高先發風險 | 立即較佳（30 對 8.33） | 所有市場都具有高先發溢價 | | C | 耐久價值主導 | 等待較佳（52.56 對 30） | 耐久價值能精確貨幣化 | | D | 未來成本反而上升 | 立即較佳（30 對 6.50） | 技術總體必然退步 | | E | 維護與重啟成本很高 | 立即較佳（30 對 8.82） | 任何保存都不值得 | | F | 生成變快但驗證／遷移仍昂貴 | 全流程可增可減 | 生成速度等於生產力 | | G | 重啟恢復機率不同 | 保存價值差異大 | $q$ 可由檔案數量直接測得 | | H | 小額淨收入降低資金燃燒率 | 靜態緩衝期可明顯增長 | 兼職對任何人皆是最佳選項 | 以上數值不是任何新實驗測量。若需要將其解讀為對真實研究的預測，必須先取得可觀察的任務、成本、風險及驗證資料。 --- ## 16. 十二項可否證假說：什麼結果會支持或推翻 FTWO？ 以下假說是尚待驗證的新研究命題，不是本文已取得的實驗結果。每項都要求事先指定任務類型、樣本選擇、測量時間及排除規則。 ### H01｜技術進步的領域條件性降本 **命題：** 在同一專案可重建性及輸出品質門檻被控制的條件下，新世代 AI 對部分任務能降低總人類工時，但降幅具有顯著領域異質性，甚至可能為負。 **觀察：** 同一類任務跨模型版本的理解、建造、驗證、部署與治理人時；按原始碼依賴、資料可得性與可測試性分層。 **反駁：** 多個預註冊領域在足夠檢力下長期呈現近似同一幅度的全流程改善，或所謂領域差異完全由實驗配置和任務選擇偏差解釋。 ### H02｜有效保存提高未來恢復成功率 **命題：** 具備可追溯版本、最小基準測試、明確需求與依賴紀錄的休眠資產，在新的研究者或 Agent 接手時具有較高的恢復成功率與較低重啟人時。 **觀察：** 以相同專案及盲測恢復者比較最低保存包、詳細保存包與原本管理方式。 **反駁：** 控制專案本身複雜度與專業程度後，保存品質對恢復結果沒有穩健、可重複的貢獻。 ### H03｜保存成本存在非線性最適區間 **命題：** 保存投入對未來可恢復性可能呈遞減邊際收益；超過一定文件與監控程度，額外治理成本可超過恢復收益。 **觀察：** 增加 README、環境鎖定、測試、結構文件及定期追蹤的各階成本與增量收益。 **反駁：** 在樣本與觀察區間內，保存投入始終以至少相同比例提高真實重啟成功率，且沒有可觀測的時間主權損失。 ### H04｜高先發危險率使等待更不利 **命題：** 在其他成本與價值維度近似相同時，預先定義的可觀察先發窗口風險越高，專案立即外化或最小有效錨定的相對價值越高。 **觀察：** 以領域相似成果發布、開源實作擴散及市場採用事件建立生存模型，區分理論優先權與商業發布。 **反駁：** 在可信因果辨識下，窗口風險升高並不改變最適行動，且不是由耐久價值或相依需求所抵銷。 ### H05｜未來自我偏好變更提高拒絕權價值 **命題：** 具備可修訂專案計畫與合法退出權的研究者，若未來目標發生重大改變，較不容易受到過去自行建立的低價值承諾束縛。 **觀察：** 跨年度計畫修正頻率、已承諾與未承諾工作分別變化，以及新的生活與商業目標接受程度。 **反駁：** 控制責任履行與成果品質後，可修訂機制對跨期自主感及資源錯配沒有正面關係，甚至持續產生更大決策負擔。 ### H06｜真實可用 AI 能力比宣告式模型能力更能解釋重啟效益 **命題：** 特定使用者真正能取得且合規使用的 Agent、模型、驗證工具與成本，比公開的前沿排行榜分數更能解釋專案的實際重啟時間。 **觀察：** 模型可存取權、費率、可用上下文、工具權限、平均錯誤重試次數與完成價值。 **反駁：** 一般榜單分數在事前預測上持續明顯優於所有情境化可用能力指標。 ### H07｜部分固定收入可改善等待策略的可實現性 **命題：** 在財務緩衝薄且研究資產可保留的創業者中，適量穩定淨收入可能延長研究存續及後續專案重啟的機率，即使每週純研究時數減少。 **觀察：** 可支配現金、生存月數、工作負荷、睡眠恢復、實際研究延續與商業成果；不只看兼職收入。 **反駁：** 經校準後，收入緩衝組的長期研究存活率與成果並未改善，或任何收益皆被疲勞與機會成本抵銷。 ### H08｜技術相依風險可使等待成本上升 **命題：** 相較於偏文本與形式化的可移轉研究，依賴廢止 API、封閉模型和短生命週期工具的專案，在等待期間更可能累積重大遷移成本。 **觀察：** 鎖版、替代方案、修復時間、供應商服務存續、資產引用消失與遷移後驗證。 **反駁：** 在控制其他因素後，相依類型對保存年限與重啟成本之交互作用完全不顯著。 ### H09｜AI 候選任務不是自動承諾可降低認知待命 **命題：** 若 Agent 系統把新發現的路線標記為未承諾候選，並預設不啟動人工追蹤，使用者認知待命與治理負擔可能下降，而高風險及真正必要的外部義務仍可得到適當處理。 **觀察：** 提醒次數、低價值批准次數、人工重排時間、未處理高風險事件與主觀控制感。 **反駁：** 設定「候選不等於承諾」後，認知待命沒有改善，或風險誤報、漏報使淨效益為負。 ### H10｜休眠模式優於持續週期性盤點的條件性比較 **命題：** 對沒有外部期限、安全風險和定期維護需求的低風險資產，事件觸發恢復比每週全面審視所有專案消耗較少人類治理時間，且不降低後續有效恢復。 **觀察：** 每週審查工時、未來真正需求觸發後的重啟成功率與錯過重要窗口的成本。 **反駁：** 在事先指定的低風險樣本內，事件觸發策略始終造成顯著更高的總錯失價值，且高頻盤點有更高淨福利。 ### H11｜個人對 AI 改善速度的預測存在可校準誤差 **命題：** 研究者對未來兩個模型世代能省下多少完整人時的預測，可能高估生成階段而低估驗證、整合與資料遷移成本。 **觀察：** 對同一專案預註冊的成本預測、事後完整工作時間、校準分數與預測誤差方向。 **反駁：** 在多群體多領域樣本中，不存在穩健的高估模式，或 AI 預測者對完整成本持續良好校準。 ### H12｜時間主權與完成任務數非單調相關 **命題：** 在高產能研究群體中，專案與 Agent 完成數量提高，不必然帶來更高的時間主權；當必要人工介入、固定開銷或未完成外部義務增加時，甚至可能呈負向關聯。 **觀察：** 長期完成量、支出、休息時間可支配性、有效退出能力、主觀控制感與外部責任可履行度。 **反駁：** 控制收入、健康、人格、產業與原本工作量後，完成量在整個觀察區間內持續與時間主權強正相關，未見明顯分離。 ### 16.13 假說共同的否證要求 一個假說若未獲支持，不能重新命名變數使其永遠成立。若所有結果都可以被解釋成「其實等待價值更深一層」，則理論將失去可否證性。每篇實證都應公開或登記：原始事件定義、樣本排除規則、主效應方向、替代模型與未達預期的結果。 --- ## 17. 研究設計：如何把動態理論從案例升級為可檢驗知識？ ### 17.1 研究 A｜封存專案的跨期自然觀察 **研究問題：** 真正封存的專案在一年後是否會因 AI 改善而更容易恢復？ **樣本框架：** 不限某一個研究者，招募具備版本歷史的開發者、獨立研究者、設計師及小型團隊；每個參與者按預先定義標準登錄當時正在推進、已休眠及被取消的專案，避免只選成功恢復案例。 **觀察時點：** 初始盤點、三個月、六個月及十二個月；具體窗口依研究倫理、樣本流失和領域變動設定。 **主要結果：** 在新的工具條件下恢復原專案之總人工時、外部可重現成功率、依賴修復成本、經驗效用、實際收入和恢復後產物品質。 **控制：** 專案複雜度、領域、研究者熟悉度、首次完成度、原始資產保真、收入、工具權限和模型版本。 **因果限制：** 休眠往往由使用者自選，資產品質與使用者能力亦可能共同影響恢復結果。單靠前後差異不足以確立休眠造成績效改善；必要時使用固定效果、傾向分數或自然事件比較，並明示殘留混雜。 ### 17.2 研究 B｜最小保存包的隨機恢復實驗 **研究問題：** 在可被安全公開或獲授權的低風險專案中，最少需要多少保存工作，才足以改善未來恢復？ **設計：** 經參與者同意，將可重建的小型研究專案隨機分配到：原本保存方式、輕量保存清單、詳細保存契約。固定一段時間後，由不同且不知道保存條件假說的評估者或 Agent 嘗試完成預先定義的恢復任務。 **測量：** 準備時間、成功率、還原品質、人工干預次數、原作者負擔及第三方可理解性。 **必要保護：** 不將私人憑證、第三方機密或法律受限制資料當作實驗材料。不能為了設計控制組，蓄意破壞必要的安全措施。 **可否證結果：** 若輕量保存與詳細保存皆無明顯淨效益，FTWO 的保存成本假說必須收縮；若所有維度都隨保存投入單調大幅改善，則「足夠好門檻」的模型需要改寫。 ### 17.3 研究 C｜模型代際與工具替換的準實驗 **研究問題：** 新模型或新工具推出後，舊專案的可恢復工時是否出現不連續改善？ **方法：** 建立在工具更新前可重做的固定專案集合，分別於前後測得原始碼理解、重建、測試及部署時間。提供具同等成本與安全權限的可比工具條件；在可能範圍使用重複交叉設計、順序平衡及盲測品質判定。 **風險：** 研究者熟悉原始碼後再測會產生練習效應；新模型的發布可能伴隨 API、價格和工作流程改變；部分專案在新世代根本不再值得完成。所有改變都需要記錄，而不能只拿成功演示作為效能提升百分比。 ### 17.4 研究 D｜Agent「不新增人類義務」介面試驗 **研究問題：** 當 Agent 能夠自主產生研究下一階段時，是否可以透過候選與承諾分離來降低人類認知待命？ **設計：** 在沒有高風險外部影響的環境中，比較一般「產生下一步並要求處理」介面，與「生成候選、不派工、不通知，除非達明確治理門檻」介面。記錄提醒數、實際交付價值、低價值決策數及緊急情況回應品質。 **結果：** 人類可支配時間、審查正確率、個體主觀控制感，以及是否不小心漏掉真正需要處理的責任。需避免對只想高頻投入的使用者強迫低投入模式；自主權必須包含自己選擇高強度創造的可能。 ### 17.5 研究 E｜財務存活與創造時間的縱向面板 財務與工作選擇不宜輕率隨機化。可在自願受試者中追蹤固定支出、兼職、訂閱調整、恢復時間、項目重啟與持續經營月份，以事件研究或因果圖分析可能的路徑。最重要的是控制現金流原本差異、收入來源可靠性、家庭保障與工作負荷，防止把「有比較多錢的人本來就能堅持比較久」誤寫成介入效果。 --- ## 18. 測量、校準及統計識別 ### 18.1 結果變數不能只有完成數 建議測量向量至少包含： $$ \mathbf Y_t =\left( Y^{\mathrm{verified}}, H^{\mathrm{human}}, H^{\mathrm{recovery}}, Y^{\mathrm{economic}}, S^{\mathrm{temporal}}, Q^{\mathrm{repro}} \right)_t, $$ 依序為經驗證成果、人類總工時、實際恢復時間、經濟結果、時間主權與可重現性。不應單憑 AI 生成文章數、Git commit 次數或完成任務數判定整體效益。 ### 18.2 自述工時與工具記錄需要並用 Agent 平行執行時，使用者可能在等待時進行別的工作；不能把每個 Agent 的 wall-clock 相加後稱為人類工時。相反地，沒有介面操作時，人類可能仍處於心理待命。可使用事件標記、自述即時取樣、工具記錄、任務階段和結束後的交叉訪談，並清楚區分心理量測與客觀操作時間。 ### 18.3 事前預測的校準 對每個可重啟項目，研究者在看到新模型成果前，先提供在特定條件下的完整人時分布，例如中位數、低高分位範圍及依賴風險。實際完成後，再比較預測分布與觀察值。若只問「你覺得未來更容易嗎」，會混淆主觀信心與可驗證預測精度。 ### 18.4 避免倖存者偏誤 不能只研究成功重啟的私人 GitHub Repo，忽略永久無法恢復、作者失去可用帳號、資料集消失或原需求已失效的專案。所有符合入組標準的候選應在前期留存識別和狀態，對後續失訪進行敏感度分析。 ### 18.5 不以理論作者自身案例直接證成普遍性 個人的高強度協作經驗可提供問題發現、變數設計和反例搜尋，但不能取代跨群體驗證。當研究者同時是使用者、理論提出者與成果審核者時，應設立外部盲評、版本凍結、反對假說和可重算資料，避免將選擇性成功視為普遍法則。 ### 18.6 多重假設與模型比較 預先指定主要終點；對十二項假說的多重檢定進行適當調整，並報告效應量、信賴區間與實質重要性，而不是只使用是否通過統計顯著性。對同一資料至少比較：無等待優勢、簡單線性工時、固定成本下降、帶保存品質交互作用的 FTWO，以及帶多目標權重的替代模型。 --- ## 19. 強反論與理論適用邊界 ### 19.1 反論一：等下去只會喪失先發機會 有些市場和科學問題的確具有高度時間競爭性。FTWO 不否認這點；若可觀察先發風險高、當前版本已具充分證據，立即外化或保留最小公開錨點可能更優。對極短期窗口，等待的正向技術成本收益可能根本追不上先發損失。 ### 19.2 反論二：未來 AI 的進步可能根本沒有兌現 完全成立。如果未來模型不能幫上這一類任務，或高額費率、權限、依賴、驗證要求抵銷能力提升，等待就可能沒有正收益。FTWO 因而強制將技術進步表示為條件分布，而非必然下降的成本函數。情境 D 與 F 就是直接反例。 ### 19.3 反論三：大量休眠只是在囤積選擇權 亦可能成立。大量無法恢復、沒有未來觸發機制且從不公開或產品化的項目，可能是 HODR 的選擇權囤積，而不是有效保存。本文的判準應以恢復品質、保存成本、外化與個人時間結果共同驗證，而不是用「我將來可能想做」作為無限保留的免責聲明。 ### 19.4 反論四：真正喜歡研究的人為什麼要減少研究？ 本篇完全不要求研究者降低自願投入。若當事人在知情、可負擔、有恢復與退出能力的條件下，選擇高強度創造，這可以是時間主權的一種表現。研究旨在防止被平台額度、未經承諾的專案與歷史窗口焦慮強制安排節奏，而不是將慢速生活立為所有人的唯一道德正確。 ### 19.5 反論五：保存本身也是工作，不如全部做完 對部分已接近完成、重建成本很高或未來版本過度不確定的專案，直接完成確實可能最划算。但對另一些可以用少量成本保存核心的項目，全面完成可能擠壓現金流、生活或其他更急迫任務。需要的是條件比較，而非單一管理教條。 ### 19.6 反論六：未來自己可能不認同今天的價值 這正是 FTWO 要保留的選擇權。未來不想再做，未必表示今天的保存毫無意義；但也不能把未來拒絕視為需要糾正的錯誤。若當下研究已具有文化或私人意義，其價值也不應全部用未來商品化結果反向定義。 ### 19.7 反論七：低現金流下談等待只是不切實際 若現金流無法支持最低生存條件，本篇反而預測等待選擇權價值會被可行性約束大幅折減。保留最低成本的休眠資產、降低固定支出、有限度探索收入，以及把不急迫研究交給未來，都可能是對等待權的保護；但不能拿未來想像收入當現有現金。 ### 19.8 反論八：AI 自主組織終究會替人類管理所有專案 自主組織可以降低重複性 routing、testing、handoff 與監控，但若它把每個候選發現都轉換成對人類的新請求，人類仍會被壓回操作員。FTWO 與 HACTS-04 的介入密度模型因此需要一個額外條件：AI 應遵守「沒有授權就不擴大人類義務」的界線。機器更多，並不自動意味人的自由更多。 --- ## 20. 規範性命題：現在的自己對未來有何義務？ ### 20.1 不是「永遠把最好的留給未來」 把所有喜歡的事情都延後，可能犧牲當下創作的喜悅、社會互動及寶貴的探索窗口。所謂尊重未來自我，並不等於現在的生活必須無限儲蓄、無限克制或無限預備。 ### 20.2 也不是「現在能做就全部做」 若每項可行技術都因為「歷史時點珍貴」被強制執行，現在的人將承擔無限工作，而未來的人接收到的卻可能是缺乏睡眠、資金與自我修正空間的殘破系統。無上限的提前實現可能反而破壞跨期創造能力。 ### 20.3 跨期權利的最低對稱性 本篇提出一個**規範性候選原理**：當現在的決策不是履行已存在的合法義務，也不直接影響他人不可侵犯的權益時，應允許現在的主體在知情前提下保存一條未來可執行、可修改或可拒絕的路徑，而不被技術進步速度或自己的舊計畫永久鎖定。 這不是既有法律所承認的新權利，也不自動適用於所有司法制度。它是供倫理學、管理學與 Agent 治理設計審議的時間自主主張。 ### 20.4 跨期責任不能假裝不存在 已向使用者承諾的服務、授權合約、依法必須處理的資料、被委任處理的第三方財物或安全義務，不因個人想要休眠便消失。FTWO 保護的是**未承諾可能性**與可以合法協議修改的安排，不是任意把既有責任推給未來自己的權利。 ### 20.5 研究資產不需要永遠維持作者控制 一項技術公開後，其他人可能修正它、分支它、採取不同用途，並發現與原始作者預想不同的價值。只要尊重原始權利、授權與證據標準，作者不必負責推演並控制所有後續歷史。保留未來自己的自由，也包含承認世界有不受自己控制的未來。 --- ## 21. 與 HACTS-08／09／10 的結構性接續 ### 21.1 HACTS-08：當不管理可以成為有效管理 下篇可以將「保存—靜置—觸發—回返」擴展為最小必要管理制度，進一步測量每個專案的管理負擔、治理風險與累積效益。需要特別避免把「減少管理」反向設計成一個龐大的全時管理工程。 ### 21.2 HACTS-09：現金流與研究存續 第 09 篇應將財務緩衝、短期收入、訂閱成本、宣傳與產品開發的組合放入可持續創業模型，同時區分研究資產的潛在價值與已入帳的實際收入。FTWO 提供的是等待可行性，不是商業成功保證。 ### 21.3 HACTS-10：讓 AI 組織保留人類拒絕權 第 10 篇應分析自主 AI 在 HDUS／ANDO 與一般工作流環境中的委任邊界，使 Agent 能自治完成低風險工作、保存與重新喚醒專案，但不以 AI 產能擴張為理由，強制人類永遠待命。 --- ## 22. 綜合結論 FTWO 的第一項結論，是「未完成」沒有單一的經濟或倫理意義。某些未完成專案確實是待處理責任、技術債或毫無保存效益的散亂資料；但另一些具有可恢復原始碼、可驗證研究核心與有效使用權的資產，可以是未來具有選擇權價值的研究資本。當 AI 能力、硬體、資金與合作資源可能改善時，保留未來完成權可以是一項理性的候選策略。 第二項結論是「等待」永遠不是免費的。它可能損失先發窗口，增加重建費用，失去客戶或研究合作，或者因現金流中斷而失去行使選擇權的現實能力。任何宣稱等待有利的理論都必須同時估計這些反向效應，並承認某些領域現在完成、現在發表或立即建立最小證據錨點才是合理的。 第三項結論是「未來自我」不應被今天的研究規劃視為永久必須服從的工作執行器。真正可保存的研究資產，是向未來提供一種可以接受、修改、推遲或拒絕的提案；不是一份在今天已簽完、無限期有效的工作契約。當前研究者既不需要一次性完成所有未來，也不必把每個休眠項目都納入每日管理。 第四項結論是，**時間主權不以低產出為必要條件，也不以高產出為充分條件**。一個人可以熱愛高強度創作，同時有權選擇某段時間不再推進；AI 可以加速研究，同時不應把自己可完成的工作數轉化為人類生活必須回應的節奏。 因此，本文核心結論可寫為： > **讓未來的自己保有完成事情的能力，也要讓未來的自己保有不完成它的自由。** > > 保留資產，並不等於保留無限責任；等待技術進步，也不等於將今日生活暫停。成熟的人機耦合，是在不同時間點都能重新選擇哪些可能性值得成為現實。 這不是一條要求所有研究者「慢下來」的命令，而是一項關於**有能力時也可以選擇等待、資產保全與持續創造可以共存**的條件性研究綱領。 --- # 附錄 A｜形式模型、推導及可重算性 ## A.1 兩期比較的代數展開 由正文定義： $$ U(\tau) =e^{-r\tau} \left(D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau\right)-m\tau. $$ 設： $$ F(\tau)=D+He^{-\lambda\tau}-C_0e^{-g\tau}-k\tau. $$ 則： $$ U'(\tau)=e^{-r\tau}\left(F'(\tau)-rF(\tau)\right)-m, $$ 且： $$ F'(\tau) =-\lambda He^{-\lambda\tau} +gC_0e^{-g\tau}-k. $$ 在 $\tau=0$ 時有： $$ F(0)=D+H-C_0, \qquad F'(0)=-\lambda H+gC_0-k. $$ 代入得到： $$ U'(0)=gC_0-\lambda H-r(D+H-C_0)-k-m. $$ **命題 A1（局部等待優勢）：** 若 $U$ 於零右側連續可微，且 $U'(0)>0$，則存在充分小的 $\varepsilon>0$，使 $0<\tau<\varepsilon$ 時 $U(\tau)>U(0)$。 **證明：** 由導數定義， $U'(0)>0$ 意味充分小正 $\tau$ 的差商 $(U(\tau)-U(0))/\tau$ 為正，故 $U(\tau)>U(0)$。此證明僅保證局部，不保證任意有限期限內均較有利。證畢。 ## A.2 Jensen 不等式與選擇權上界誤讀 對可積隨機變數 $Z$，定義正部： $$ Z^+=\max(0,Z). $$ 由於 $x\mapsto\max(0,x)$ 是凸函數： $$ \mathbb E[Z^+] \ge(\mathbb E[Z])^+. $$ 這僅證明：**在同一未來期限、同一隨機淨收益分布下，看到結果後允許放棄，比現在不可撤回地選擇是否接受該隨機結果不差。** 它不證明等待到該期限必然勝過今天實際做一件正收益事情。當等待會改變收益分布、存在監測與保留成本、合法義務不得取消時，需要使用正文完整模型。 ## A.3 非線性成本與可行集合 若成本有不可消失的基礎項： $$ C_i(\tau)=C_{i,\min} +(C_{i,0}-C_{i,\min})e^{-g_i\tau} +M_i(\tau), $$ 則： $$ C_i'(\tau) =-g_i(C_{i,0}-C_{i,\min})e^{-g_i\tau} +M_i'(\tau). $$ 即使 $g_i>0$，當後期遷移與重建成本的邊際上升率 $M_i'(\tau)$ 足夠大時，總成本也可以不降反升。對於依賴壽命短、閉源平台或無法重建的實驗設備尤其需要實測，不能只用模型能力排行榜預測。 ## A.4 現金緩衝的靜態推導 在簡化的每期固定支出 $F>0$ 、確定收入 $Y\ge0$ 和初始資金 $B_0>0$ 下，若 $F>Y$，靜態現金緩衝期近似為： $$ R=\frac{B_0}{F-Y}. $$ 對穩定收入 $Y$ 求偏導： $$ \frac{\partial R}{\partial Y} =\frac{B_0}{(F-Y)^2}>0. $$ 因此，當淨支出逐漸接近零時，這項**靜態代理量**對收入非常敏感。但若 $F\le Y$，不應代入得到負數或無意義的緩衝期；此時由固定現金流模型已不再呈現持續淨流出。現實中的變動支出、風險、租金、稅費、收入中斷與通膨使上述估算只適合示範，不是財務規劃建議。 ## A.5 可重算思想實驗的標準函式 下列 Python 為**論文內的可重算算例原始碼**，僅使用標準函式庫，並不呼叫真實 AI 模型或蒐集受試者資料。 ```python from math import exp def immediate(D, H, C0): return D + H - C0 def wait_one_year(D, H, C0, g, lam, r, k, m): tau = 1.0 core = D + H * exp(-lam * tau) - C0 * exp(-g * tau) - k * tau return exp(-r * tau) * core - m * tau cases = { "A": (30, 100, 100, 0.60, 0.10, 0.06, 2, 1), "B": (30, 100, 100, 0.60, 1.00, 0.06, 2, 1), "C": (120, 20, 110, 0.50, 1.50, 0.04, 2, 1), "D": (30, 100, 100, -0.10, 0.10, 0.06, 2, 1), "E": (30, 100, 100, 0.60, 0.10, 0.06, 35, 20), } for label, params in cases.items(): D, H, C0, g, lam, r, k, m = params now = immediate(D, H, C0) later = wait_one_year(*params) print(label, f"now={now:.2f}", f"wait={later:.2f}") def revivable_option(q, net_after_success=75, loss_after_failure=10, preservation=5): return q * net_after_success - (1 - q) * loss_after_failure - preservation print("G-high", revivable_option(0.9)) print("G-low", revivable_option(0.4)) print("H-before", 27000 / 13500) print("H-after", 27000 / (13500 - 12000)) ``` 預期輸出（小數點後二位）： ```text A now=30.00 wait=58.90 B now=30.00 wait=8.33 C now=30.00 wait=52.56 D now=30.00 wait=6.50 E now=30.00 wait=8.82 G-high 61.5 G-low 19.0 H-before 2.0 H-after 18.0 ``` ## A.6 模型不能回答的事情 本模型不能從少量參數直接推論某位研究者應否兼職、是否應升降訂閱、何時發布論文或未來 AI 將達到什麼能力。它也不能藉代數形式證成「作者早已完成未來所有重要發明」。任何原創性、世界首創或歷史先發主張仍應接受公開文獻、時間紀錄、可重現證據與其他研究者的獨立檢驗。 --- # 附錄 B｜最小可再啟動資產規格：研究候選而非強制制度 為避免把保存變成另一種龐大治理負擔，以下不是要求所有專案一律執行的 checklist，而是可供研究時比較的候選欄位。 | 層次 | 最少問題 | 失去它的可能後果 | |---|---|---| | 研究目的 | 原本要解決什麼、哪些事情不打算做？ | 將來無法分辨任務和枝節 | | 版本錨點 | 哪個版本可視為已知基準？ | 未來比對與回滾困難 | | 證據 | 哪些測試／推導／實驗曾真正通過？ | 模型將猜測視為成果 | | 恢復步驟 | 第一個最小重建動作是什麼？ | 重新理解需耗費大量時間 | | 依賴風險 | 使用什麼 API、套件、資料或硬體？ | 重啟時遭遇非預期成本 | | 權利邊界 | 哪些秘密、第三方權益與合約不可違反？ | 公開或恢復可能違法或侵權 | | 候選狀態 | 下一步是否已經形成真正承諾？ | 可能性被誤認為應付工作 | | 終止入口 | 不值得再做時能否安全關閉？ | 沒有停止權或交接能力 | **研究中的最小政策：** 若有外部義務，先滿足義務；若無外部義務且資產低風險，保存到足以未來合理恢復即可，之後可以真正不再碰它。使用者仍有權自願選擇比最低標準更完整的保存。 --- # 附錄 C｜指標定義、風險紀錄與資料倫理 ## C.1 建議最低指標字典 | 符號／名稱 | 操作性定義 | 風險或測量問題 | |---|---|---| | $Q_i^{\mathrm{rec}}$ | 版本、語義、依賴、驗證、權利與恢復入口的可恢復性代理 | 不能用 README 長度直接代替 | | $H_i^{\mathrm{total}}$ | 理解、生成、驗證、部署與人工治理的總投入人時 | Agent 平行 wall-clock 不可直接加總 | | $\lambda_i$ | 特定先發事件的條件風險率 | 事件定義與領域異質性非常重要 | | $C_i^{\mathrm{restart}}$ | 在指定品質標準下重新進入可工作狀態的等價成本 | 可能受研究者熟悉度影響 | | $B_t$ | 可支付的流動資金或預算 | 不能包含尚未成立的預期收入 | | $S_i(\tau)$ | 經事先定義的未來可恢復可行機率 | 難以辨識選擇性失訪 | | $\theta_t$ | 當期目標與價值排序 | 不得拿來病理化偏好改變 | | $V_i^{\mathrm{verified}}$ | 符合證據、權利與驗證要求的有效產物 | 不等於生成內容數或宣傳點擊數 | ## C.2 保存與隱私 研究不能為了提高未來重啟成功率而保存不必要的使用者敏感資料、公司金鑰、API 憑證或第三方受限制內容。加密、最小權限、資料保留期限、撤銷程序與必要刪除義務，屬於保存策略的可行約束。必要刪除與研究可再現性的利益衝突，應由合法授權與明確治理程序處理。 ## C.3 研究對象負擔 若研究主題本身是「降低管理人類時間的負擔」，資料蒐集流程不應要求參與者每天填寫冗長表格而不計成本。可用低頻取樣、被動且經同意的工具事件、簡短生活自主量表，以及重啟時一次性測試取代高頻人工回報。 ## C.4 實證結果的公開規則 研究者應分別報告：完成改善、不改善、變差；可恢復、無法恢復；收入改善、收入沒有改善；時間自主增加、沒有增加。陰性結果不應隱藏。資料與程式若受隱私或商業限制，至少應提供可公開的匿名化統計、模型假設、假說清單與原始碼可重算接口，而不冒險披露第三方內容。 --- # 參考文獻｜外部學術研究與官方技術來源 **引用原則：** 本文的 [E#] 僅包含可查驗的學術研究、研究機構或保存平台資料；其作用是建立已有的基礎理論與外部測量界線，不宣稱文獻已經驗證 FTWO。以下網址核對於 2026-10-17。若日後正式提交或公開發表，應再次核對撤稿、版本、數據及所引內容。預印本或網站資料不自動視為同儕審查結果。 **[E1]** 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 **用途與限制：** 不可逆投資與等待的經濟學理論；不是 AI 專案必須延後的經驗結論。 **[E2]** Dixit, A. K., & Pindyck, R. S. (1994). *Investment under Uncertainty*. Princeton University Press. https://doi.org/10.2307/j.ctt7sncv **用途與限制：** 不確定性、期權行使及延後投資的成熟框架；非貨幣化生活價值不能直接套入價格模型。 **[E3]** Roberts, K., & Weitzman, M. L. (1981). *Funding Criteria for Research, Development, and Exploration Projects*. *Econometrica*, 49(5). https://scholar.harvard.edu/files/weitzman/files/fundingcriteriaresearch.pdf **用途與限制：** 序列 R&D 投資與新資訊回流；不直接驗證 AI 技術改善對某個專案的具體效果。 **[E4]** Hershfield, H. E. (2011). *Future self-continuity: How conceptions of the future self transform intertemporal choice*. *Annals of the New York Academy of Sciences*, 1235, 30–43. https://doi.org/10.1111/j.1749-6632.2011.06201.x **用途與限制：** 未來自我連續性與跨期選擇的心理研究；不能外推為每個研究者都有同一種長期價值排序。 **[E5]** Hershfield, H. E., Goldstein, D. G., Sharpe, W. F., Fox, J., Yeykelis, L., Carstensen, L. L., & Bailenson, J. N. (2011). *Increasing Saving Behavior Through Age-Progressed Renderings of the Future Self*. *Journal of Marketing Research*, 48(SPL), S23–S37. https://doi.org/10.1509/jmkr.48.SPL.S23 **用途與限制：** 未來自我呈現如何影響財務選擇的實驗；不等於研究專案休眠的直接證據。 **[E6]** Laibson, D. (1997). *Golden Eggs and Hyperbolic Discounting*. *The Quarterly Journal of Economics*, 112(2), 443–478. https://doi.org/10.1162/003355397555253 **用途與限制：** 時間不一致、承諾裝置及當期與未來偏好差異；不推導一概拒絕長期承諾。 **[E7]** Stanford Institute for Human-Centered Artificial Intelligence (HAI). (2026). *The 2026 AI Index Report — Technical Performance*. https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance **用途與限制：** 不同能力基準的時間變遷；基準提升不等於任意專案可完成性提升。 **[E8]** Stanford HAI. (2026). *The 2026 AI Index Report — Science*. https://hai.stanford.edu/ai-index/2026-ai-index-report/science **用途與限制：** AI 在科學研究的採用與能力現況；論文數和問答基準不等於可重現的完整原創發現。 **[E9]** Model Evaluation & Threat Research (METR). (2026 年查閱). *Task-Completion Time Horizons of Frontier AI Models*. https://metr.org/time-horizons/ **用途與限制：** 特定軟體、機器學習與資安任務的長程完成難度測量；不是所有職業或個人專案的等價自動化工時。 **[E10]** 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/ **用途與限制：** 開發者 AI 效率實驗中任務選擇與招募偏差；新樣本不應被當成 AI 工具普遍提高效率的精確估計。 **[E11]** Kruchten, P., Nord, R., & Ozkaya, I. (2012). *Technical Debt: From Metaphor to Theory and Practice*. *IEEE Software*, 29(6), 18–21. https://doi.org/10.1109/MS.2012.167 **用途與限制：** 軟體架構選擇與後續維護負擔；不是所有保存資產的恢復成本皆按同一規律增加。 **[E12]** Zenodo Help. (2026 年查閱). *GitHub and Software*. https://help.zenodo.org/docs/github/ **用途與限制：** 研究軟體從 GitHub 歸檔與引用的官方指引；典藏成功不意味程式碼無錯或授權自動成立。 **[E13]** Zenodo Help. (2026 年查閱). *Manage versions*. https://help.zenodo.org/docs/deposit/manage-versions/ **用途與限制：** 可引用不同軟體／研究版本的紀錄機制；DOI 本身不是實驗驗證。 **[E14]** Software Heritage. (2026 年查閱). *SoftWare Hash persistent IDentifiers (SWHIDs)*. https://docs.softwareheritage.org/devel/swh-model/persistent-identifiers.html **用途與限制：** 利用內容與版本特定識別符保存原始碼來源；識別符不是可執行性或著作權裁判。 **[E15]** Kahneman, D., & Lovallo, D. (1993). *Timid Choices and Bold Forecasts: A Cognitive Perspective on Risk Taking*. *Management Science*, 39(1), 17–31. https://doi.org/10.1287/mnsc.39.1.17 **用途與限制：** 內部視角、預測校準與風險判斷；不能因此判定個別研究者的未來預測必然錯誤。 --- # 參考文獻｜EveMissLab 既有理論與 HACTS 系列譜系 以下 [I#] 為既有研究原稿，不代表全部已公開授權或外部同儕審查；引用僅保留可追溯的思想與文件譜系，不變更原先權利或存取設定。 **[I1]** *HODR-II｜選擇權囤積與不可逆決策*（2026-09-26，v0.1）。 **[I2]** *HODR-IV｜AI 生產力與可能性空間爆炸*（2026-09-26，v0.1）。 **[I3]** *HAVT-06｜從失業時間到時間主權*（2026-10-06，v0.1）。https://unboundedaxiom.org/p/lm-004988/ **[I4]** *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/ **[I5]** *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/ **[I6]** *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/ **[I7]** *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/ **[I8]** *原生人類前沿主權窗口論*（2026-07-27，v0.1）。https://unboundedaxiom.org/p/lm-001946/ **[I9]** *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*（2026，公開版）。https://unboundedaxiom.org/p/lm-002246/ **[I10]** *HACTS-00～06*（2026-10-16，v0.1）。本研究系列之前七份 UTF-8 Markdown 正式研究原稿： - `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` - `HACTS-06_黃金窗口與歷史時間不對稱_v0.1_2026-10-16.md` --- # 原稿品質閘門、論證分級與公開邊界 1. **原始來源優先：** 此 UTF-8 Markdown 是本篇唯一正式 source artifact，聊天畫面不是可提交原稿。 2. **固定公式分隔符：** 僅以 ` $...$ ` 與 `$$...$$` 表示正式 LaTeX，不以渲染畫面還原數學原碼，也不將反斜線或 delimiter 自動「美化」。 3. **條件模型與實證成果分離：** 本篇數學比較來自清楚列出的假設，八組算例並非真實實驗，十二項假說尚待獨立測試。 4. **保留否證可能性：** 未來資料若顯示技術改善不帶來實際降本，或保存導致額外負擔，本理論應修改或縮限成立區域。 5. **未來能力不保證：** 不預測確定的 AGI／ASI 截止時點，不把模型基準表現視為全任務等比例效能。 6. **未完成不自動是資產：** 需辨識來源、可用性、可恢復性、權利及外部責任；未知品質的碎片不能直接計入有效未來選擇權。 7. **公開不等於開源：** 將私人專案改為公開、發布 DOI 或公開論文，不自動獲得專利，也不自動授予第三方使用、修改與商業利用權。 8. **私人與第三方內容受保護：** 不得因研究可重建需求而洩漏密鑰、個資、受限制資料或未取得授權的素材。 9. **恢復不等於必須繼續：** Agent 或人類在重新評估後可以得出合法退出與終止的結論。 10. **財務狀態不可由虛構收入補足：** 尚未實現的遊戲銷售、AI 付費或產品授權應做不確定估值，不計作已入帳現金。 11. **未來自我可修改偏好：** 研究中的 future self 為跨期決策分析對象，不是宣稱已發生法律身份變更或必然具有另一人格。 12. **來源版本管理：** 修訂應輸出新版本且保留變更記錄，不應靜默覆寫具有既定時間紀錄的原始研究論文。 13. **檢驗與證據責任：** 過程驗證不因結果文字漂亮而可省略；數學示意驗證不等於外部學術同儕審查。 14. **研究倫理與時間主權一致：** 不強迫所有人低負荷工作，也不強迫所有人因有 AI 額度就持續工作；真正需要保障的是可理解、可修正、可退出的選擇。 **END — HACTS-07 v0.1**