技术奇点与自动化科研
| 域 ID | domain.singularity-automated-science |
|---|---|
| C 层级 | C1 |
| 研究对象 | 超人智能、递归改进、自动化科研与技术窗口压缩 |
| 持续性作用 | 缩短长寿、修复和增强技术从问题到可用方案的时间 |
| 证据状态 | 部分审查 |
| 仓库路径 | domains/c1-boundary-rewriting/singularity-control-interpretability-boundary |
技术奇点与自动化科研：技术奇点与自动化科研研究人工智能、机器人、模拟和实验基础设施是否能形成可验证的科研闭环并提高发现速度，同时区分局部自动化、通用科研能力和不可检验的奇点叙事。[1]
稳定对象为超人智能、递归改进、自动化科研与技术窗口压缩。本域对 Human Infra 的作用性质是：C3能力复利域；通过加速新疗法和工程知识生成间接扩大持续性空间。 原模板中的持续性作用为“缩短长寿、修复和增强技术从问题到可用方案的时间”。
它能改变的是可测风险、功能、恢复能力、信息质量或路径可达性；它不能仅凭概念存在、机制合理或局部指标变化证明主体已获得无限寿命或连续性。
- 候选生成与实验验证速度
- 实验成功率、可重复性和信息增益
- 人类监督、错误发现和安全中止能力
- 数据与硬件瓶颈
- 从发现到临床/工程部署的转化时间
研究对象与干预/制度路线 -> 改变关键生物、功能、信息或基础设施变量 -> 改变主体状态与可恢复性 -> 改变死亡、失能、中断或路径封闭风险 -> 以预先定义的最终终点判断对主体持续性的净影响
机制链必须同时记录反方向路径：副作用、补偿反应、资源消耗、风险转移和长期未知可使局部改善不产生净收益。
- 科学文献与数据机器辅助
- 结构预测和生成式设计
- 主动学习和自驱动实验室
- 自动证明、模拟和因果发现
- 人机协作的科研组合管理
直接依赖或共同约束：
相关技术节点：
相邻研究域：
替代路线必须按目标变量而不是按技术品牌比较；当主要路线在最终终点、安全性、可及性或维护性上失败时，应转向预防、修复、功能替代、社会支持或风险回避。
AlphaFold 和限定材料空间中的 A-Lab 证明特定任务可显著自动化；没有证据证明通用自主科学家、失控递归改进或奇点已发生。
不能证明：模型产出、基准分数或自动实验次数不能替代独立验证、临床转化或安全治理。
- 证据来源：AlphaFold 2021：AI 显著提高蛋白质结构预测能力[2]
- 证据来源：A-Lab 2023：机器学习、机器人、测量和主动学习组成材料实验闭环[3]
- 证据来源：NIST人工智能风险管理框架1.0：支持把模型性能、数据偏差、可追溯性、人工监督、安全与部署情境同时纳入自动化科研。[4]
验证应从机制指标依次推进到组织/系统功能、患者重要结局、长期安全和真实世界可及性。未来或条件性路线不得给出虚假实现年份。
反证或降级条件包括：合格研究未改善预设终点；结果不能独立重复；只在体外或不相关动物模型成立；净风险、失能或资源负担上升；关键前置依赖在现实环境中不可满足。
- 快速生成不可验证候选导致噪声加速
- 训练数据偏差和评价泄漏
- 闭环优化错误代理目标
- 双重用途能力超过监督与生物安全控制
- 分层权限、审计、隔离和人工中止
- 高风险生命科学输出受用途和实验安全限制
- 公开负面结果、撤回和更正
- 如何度量真实科研生产率而非生成量？
- 哪些瓶颈属于认知，哪些属于实验、制造和监管？
- 何种能力阈值需要更严格的发布和访问控制？