AOCLS 觀察導向閉環製造平台：多模態量測、不確定性數位雙生與可驗證逆向製造

摘要

本文提出 AOCLS 第二版架構，將原始的 AI-driven Observation-based Conical Lithography System 重新定義為 AI-assisted Observation-guided Closed-Loop Synthesis，中文名稱為人工智慧輔助觀察導向閉環製造平台。此調整保留「觀察作為製造入口」與錐形相位光學的原始構想，但不再把 AOCLS 限縮為單一錐形透鏡，也不再宣稱只要觀察一個物體，系統即可無損、無歧義地理解其全部幾何、材料、功能與內部結構，並一次曝光生成完全相同的實體。

AOCLS v2.0 將觀察式製造表述為一個受限逆問題。系統從影像、深度、光譜、X 射線、超音波、熱像、力學量測、使用者意圖與既有設計資料中建立證據包，再推斷物體狀態的機率分布，而非只輸出單一確定模型。外部影像能提供表面外觀與部分幾何，但無法唯一決定被遮蔽區、內部空腔、材料配方、殘餘應力、製造歷史與功能目的；因此 AOCLS 必須保留多個假說、量化不確定性，並在資訊不足時主動要求補充掃描、非破壞檢測、材料測試或人工決策。

本文將 AOCLS 分為八層：任務與授權、主動感測規劃、多模態配準與證據圖、物體假說與可編輯數位雙生、可製造性編譯、虛擬製程與不確定性預測、可插拔製造後端，以及製程監測、非破壞檢測與閉環更新。系統維護四個相互區分的數位對象：觀察雙生、目標雙生、製程雙生與實造雙生，避免把「看到的形狀」「想要的功能」「設備能做的結構」與「最後做出的零件」混為一談。

AOCLS 的製造後端可以包含 CPOP 錐形相位光學、雙光子聚合、全像多焦點曝光、計算軸向光刻、DLP／SLA、微加工、沉積、蝕刻、模板自組裝與其他製程。錐形相位光學在此是延伸焦域、高深寬比能量沉積與結構光生成模組，而不是任意三維物體一次成形的充分條件。虛擬光刻引擎則提供高保真求解器與快速代理模型的混合預測，並在域外輸入或不確定性過高時自動回退至模擬、補量測或人工審核。

本文提出「所見即所造」的工程化替代表述：所見形成證據，證據形成假說，假說經人工與製程約束轉化為可製造目標，製造結果再反向修正模型。 其核心價值不是取消 CAD、計量、材料科學與製程工程，而是讓參考物、自然語言、量測資料與設計意圖成為可追溯的製造入口，降低從實物參考到合格製程方案之間的轉譯成本。

關鍵詞：AOCLS、觀察導向製造、逆向工程、多模態量測、數位雙生、可製造性編譯、不確定性量化、閉環控制、虛擬光刻、CPOP、非破壞檢測、製程資格化

第一章　重新界定「觀察即製造」

1.1 原始願景的價值

傳統數位製造通常從 CAD、網格、製程圖或參數化模型開始。對既有實物的複製、改良與局部重設計，則需要經過掃描、逆向工程、材料判斷、模型修補、可製造性修改與製程規劃。原始 AOCLS 提出的重要直覺是：

實體參考物本身也可以成為製造介面，而不必要求使用者先把所有意圖翻譯成專業 CAD 指令。

此構想對以下場景具有價值：

缺少原始 CAD 的舊零件重建；
依人體或自然物形態進行客製化設計；
從手工原型、雕塑或材料樣品生成可編輯模型；
量測既有微結構後進行尺度、材料或功能轉換；
讓非專業使用者以參考物與語言描述共同表達目標；
建立「觀察—模擬—製造—驗證」的資料閉環。

問題不在於這個入口是否合理，而在於原始版本把多個尚未解決的逆問題壓縮成了「AI 理解」。第二版必須把這些中間層重新展開。

1.2 觀察不是完整狀態

令真實物體的潛在狀態為：

\mathbf{o} = \left( G, M, F, A, R, H \right),

其中：

$G$ ：外部與內部幾何；
$M$ ：材料組成、微結構與空間分布；
$F$ ：功能、邊界條件與允許的失效模式；
$A$ ：零件、界面、接合與裝配關係；
$R$ ：殘餘應力、缺陷、磨耗與當前狀態；
$H$ ：製造、使用、維修與環境歷史。

感測系統只能取得：

D = \mathcal{S}(\mathbf{o},\boldsymbol{\eta}),

其中 $\mathcal{S}$ 是感測算子， $\boldsymbol{\eta}$ 包含噪聲、校準偏差、遮蔽、解析度與模型誤差。一般而言， $\mathcal{S}$ 不可逆；不同物體狀態可能產生相似觀測。因此 AOCLS 不應直接求唯一解：

\widehat{\mathbf{o}}=\mathcal{S}^{-1}(D),

而應估計後驗分布：

p(\mathbf{o}\mid D,C),

其中 $C$ 是先驗知識、物件類別、使用者說明、材料庫與製程背景。

這表示系統的合法輸出可以是：

一個高信心模型；
多個互斥假說；
某些已知區域與未知區域；
需要補量測的問題清單；
拒絕自動製造的判定。

1.3 從口號到閉環命題

原始口號「所見即所造」可以保留為傳播語言，但工程定義應改為：

\text{觀察} \rightarrow \text{證據與不確定性} \rightarrow \text{可編輯目標} \rightarrow \text{可製造性轉換} \rightarrow \text{模擬與製程規劃} \rightarrow \text{製造} \rightarrow \text{量測與更新}.

因此：

AOCLS 不是把現實直接複製到現實，而是把參考物轉化為具證據血統、可人工修訂、可受製程約束並可被驗證的製造任務。

1.4 本文不主張的事項

本文不主張：

單張影像足以確定任意物體的內部結構與材料配方；
多模態 AI 可無條件理解物體的真實功能與設計意圖；
錐形透鏡可一次曝光任意三維結構；
AOCLS 已能取代 EUV、先進半導體晶圓廠或成熟量產製程；
虛擬模型與實體結果在沒有校準和不確定性評估時等價；
每次製造都會使模型精度指數成長；
開源本身即可保證品質、安全、可重現性或公平取得；
系統可以在沒有授權、智慧財產與安全審查的情況下複製任何物件。

第二章　AOCLS v2.0 的四種數位對象

2.1 觀察雙生

觀察雙生 $\mathcal{T}_{\mathrm{obs}}$ 保存感測器實際支持的資訊：

\mathcal{T}_{\mathrm{obs}} = \left( D, \Pi, U, \mathcal{H} \right),

其中：

$D$ ：原始與校正後資料；
$\Pi$ ：感測器、座標、時間與校準參數；
$U$ ：量測與推斷不確定性；
$\mathcal{H}$ ：多個可能物體假說。

觀察雙生不得把模型補全的區域偽裝成已量測區域。每個面、體素、材料標籤與功能標籤都應標示來源：直接量測、跨模態推斷、資料庫先驗、生成式補全或人工指定。

2.2 目標雙生

目標雙生 $\mathcal{T}_{\mathrm{tar}}$ 表示使用者真正想製造的東西，而不是被掃描物的被動複製：

\mathcal{T}_{\mathrm{tar}} = \left( G^{\star}, M^{\star}, F^{\star}, \boldsymbol{\tau}, \mathcal{K}, \mathcal{P} \right),

其中：

$G^{\star}$ ：目標幾何；
$M^{\star}$ ：目標或替代材料；
$F^{\star}$ ：功能需求；
$\boldsymbol{\tau}$ ：尺寸、表面、性能與缺陷容差；
$\mathcal{K}$ ：不可修改約束；
$\mathcal{P}$ ：可調整偏好與優先順序。

例如，參考物可能是金屬齒輪，但原型只需驗證咬合幾何，可以用聚合物製造；又或者外形可修改，但孔位與接口不可改。這些選擇必須由目標雙生明確記錄。

2.3 製程雙生

製程雙生 $\mathcal{T}_{\mathrm{proc}}$ 表示特定設備與材料下的製造方案：

\mathcal{T}_{\mathrm{proc}} = \left( \mathcal{M}, \boldsymbol{\theta}, \widehat{Y}, U_Y, \mathcal{Q} \right),

其中：

$\mathcal{M}$ ：設備、材料與製程圖；
$\boldsymbol{\theta}$ ：光場、路徑、劑量、溫度與時間等控制參數；
$\widehat{Y}$ ：預測結果；
$U_Y$ ：製程預測不確定性；
$\mathcal{Q}$ ：監測、檢查、停止與返工計畫。

製程雙生不是目標雙生的複本。它包含補償後幾何、支撐、曝光分區、加工餘量、收縮補償、檢查特徵與設備限制。

2.4 實造雙生

實造雙生 $\mathcal{T}_{\mathrm{asbuilt}}$ 保存實際過程與成品證據：

\mathcal{T}_{\mathrm{asbuilt}} = \left( Y, Z_{\mathrm{proc}}, Z_{\mathrm{post}}, C_{\mathrm{part}} \right),

其中：

$Y$ ：實際幾何、材料與性能量測；
$Z_{\mathrm{proc}}$ ：製程內監測資料；
$Z_{\mathrm{post}}$ ：製後檢查與非破壞檢測；
$C_{\mathrm{part}}$ ：零件證書、偏差、限制與處置結果。

四種雙生之間的差異本身就是重要資料：

\Delta_{ot} = \mathcal{T}_{\mathrm{tar}}- \mathcal{T}_{\mathrm{obs}},

\Delta_{tp} = \mathcal{T}_{\mathrm{proc}}- \mathcal{T}_{\mathrm{tar}},

\Delta_{pa} = \mathcal{T}_{\mathrm{asbuilt}}- \mathcal{T}_{\mathrm{proc}}.

它們分別對應設計修改、可製造性轉換與實際製程偏差。

第三章　多模態觀察與主動感測

3.1 感測階梯

AOCLS 不應假設存在一套可以無損取得全部資訊的萬能掃描器。較合理的做法是建立分層感測階梯。

層級	典型手段	可觀察資訊	主要限制
S0 外觀	RGB、多角度攝影、偏振攝影	顏色、紋理、可見表面	光照與材質耦合；無內部資訊
S1 表面幾何	結構光、雷射掃描、攝影測量、共焦、OCT	表面與部分透明結構	遮蔽、反光、透明與解析度限制
S2 表面材料	高光譜、拉曼、FTIR、XRF、橢偏	化學與光學成分代理	穿透深度有限；光譜混合與校準需求
S3 內部結構	X-ray CT／micro-CT、超音波、太赫茲、MRI	空腔、密度差、部分缺陷	成本、劑量、材料對比、解析度與尺寸限制
S4 性能與微結構	硬度、拉伸、熱分析、切片、SEM／EDS	力學、熱學、微結構與局部組成	可能破壞樣品；只代表抽樣位置
S5 歷史與功能	文件、維修紀錄、操作測試、使用者說明	設計意圖、載荷與失效條件	資料可能缺失、偏誤或互相衝突

不同任務需要不同感測組合。只複製外觀的藝術模型，可能停在 S0–S1；需要內部通道的流體元件，通常至少需要 S3；安全關鍵結構則可能必須加入 S4–S5 與獨立工程審核。

3.2 主動感測而非固定掃描清單

若每個樣品都使用全部儀器，成本、時間與資料量會不可接受。AOCLS 應根據當前不確定性選擇下一個量測動作。

令候選感測動作為 $a\in\mathcal{A}$ ，其成本為 $c(a)$ ，預期資訊增益為：

\operatorname{EIG}(a) = \mathbb{E}_{d_a} \left[ H\bigl(p(\mathbf{o}\mid D)\bigr) - H\bigl(p(\mathbf{o}\mid D,d_a)\bigr) \right],

則下一個感測動作可選為：

a^{\star} = \arg\max_{a\in\mathcal{A}} \frac{ \operatorname{EIG}(a) + \lambda V_{\mathrm{decision}}(a) }{c(a)+\epsilon},

其中 $V_{\mathrm{decision}}$ 衡量該量測是否會改變材料選擇、製程路徑或安全決策。

例子包括：

透明區域深度不確定時，要求 OCT 或改變照明角度；
內部孔道會影響功能時，要求 micro-CT；
外觀相似但材料可能不同時，要求拉曼、FTIR 或 XRF；
模型對底面幾何不確定時，提示翻面重掃；
若補量測成本高於重新設計成本，建議改採功能等效件。

3.3 多模態配準與證據圖

所有資料必須映射到共同座標系與時間基準。對第 $j$ 個感測器：

\mathbf{x}_{w} = \mathbf{T}_{wj} \mathbf{x}_{j},

其中 $\mathbf{T}_{wj}$ 不是固定真值，而具有標定不確定性。AOCLS 應保存：

內參、外參與時間同步；
校準標準件與校準日期；
原始資料與處理版本；
配準殘差與局部失配；
量測單位、解析度與適用範圍；
軟體、模型與人工修訂紀錄。

可將證據表示為圖：

\mathcal{G}_{E} = (V_E,E_E),

節點包括原始量測、校正結果、特徵、幾何片段、材料假說與功能要求；邊則表示推導、對齊、支持、衝突或人工確認。如此可以追查一個材料標籤究竟來自光譜、影像先驗、資料庫或使用者輸入。

3.4 幾何、材料與功能必須分開推斷

幾何重建、材料估計與功能推理是不同問題：

p(G,M,F\mid D) \neq p(G\mid D)p(M\mid D)p(F\mid D).

它們相互依賴，但不能用單一「理解分數」取代。

幾何可由多視角影像、深度、點雲與斷層資料估計；
材料需要光譜、物性量測與材料先驗；
功能往往需要裝配關係、載荷、操作紀錄與人的說明；
外觀相同的零件可能具有不同熱處理與疲勞壽命；
形狀不同的零件也可能實現同一功能。

因此 AOCLS 的預設模式應是功能待確認，而不是由大型模型自動宣告已理解設計意圖。

第四章　物體假說與不確定性數位雙生

4.1 從單一網格改為假說集合

系統可維護 $K$ 個候選假說：

\mathcal{H} = \left \{ (\mathbf{o}_k,w_k) \right\}_{k=1}^{K}, \qquad \sum_{k=1}^{K}w_k=1.

候選差異可能包括：

被遮蔽區的形狀；
內部通道是否連通；
表面塗層與基材的分界；
某個亮面是金屬、鍍膜或塑膠；
某個孔是功能孔、裝配孔或磨耗缺口；
參考物是否已變形或損壞。

使用者介面不應只顯示一個看似完整的彩色 3D 模型，而應用不同視覺符號標示：

已直接量測；
高信心推斷；
低信心補全；
人工指定；
未知或不可觀察。

4.2 局部不確定性場

對幾何表面或體素可定義局部不確定性：

U_G(\mathbf{x}) = \operatorname{Var} \left[ \phi_G(\mathbf{x}) \mid D \right],

材料分布則可用熵：

U_M(\mathbf{x}) = - \sum_{c=1}^{C} p_c(\mathbf{x}) \log p_c(\mathbf{x}).

功能需求的不確定性不宜被假裝成連續數值；可以保存為未決問題、衝突約束與所需責任人。例如：

「此結構是否承受循環載荷？」
「孔徑可否放大 $50\ \mu\mathrm{m}$ ？」
「材料必須生物相容，還是只需幾何展示？」
「是否允許拆解參考物？」

4.3 生成式補全的合法位置

生成模型可用於：

提出被遮蔽區的候選形狀；
修補網格與孔洞；
從類似零件檢索先驗；
產生功能等效的可製造設計；
提議額外感測位置。

但生成結果必須標為假說，不能覆蓋原始證據。對安全關鍵任務，生成式補全不得作為唯一幾何或材料依據。

4.4 人在迴路不是暫時缺陷

AOCLS 應把人工決策設計成正式狀態，而不是把它視為 AI 尚未進化的過渡。至少以下情況需要人工確認：

功能與安全分類；
是否允許材料替代；
不確定區域是否可接受；
智慧財產與製造授權；
生物、醫療、化學與其他受管制用途；
製程偏差是否可以讓步接受；
失敗後應返工、報廢或降級使用。

第五章　可製造性編譯：從參考物到可做的目標

5.1 直接複製通常不是最佳解

任何製造後端都有可達集合：

\mathcal{Y}_{\mathcal{M}} = \left\{ Y:\exists\boldsymbol{\theta}, Y=\mathcal{F}_{\mathcal{M}}(\boldsymbol{\theta}) \right\}.

若目標 $T$ 不在 $\mathcal{Y}_{\mathcal{M}}$ 內，系統必須修改設計、材料、尺度、分件方式或製程，而不是輸出一個不可能的參數組。

可製造性編譯器記為：

\Pi_{\mathcal{M}}: \mathcal{T}_{\mathrm{tar}} \mapsto \mathcal{T}_{\mathrm{proc}}.

它可以執行：

最小線寬與間隙修正；
懸垂、支撐與排液設計；
分件、拼接與裝配接口生成；
材料替代與多材料分區；
收縮、翹曲與光學像差預補償；
加入量測特徵與校準標記；
把不可見內部改為可檢查結構；
將形狀複製改成功能等效設計。

5.2 多目標最佳化

設計轉換可寫為：

\boldsymbol{\theta}^{\star},T^{\star} = \arg\min_{\boldsymbol{\theta},T'} \left[ \lambda_G d_G(T',T) + \lambda_F d_F(T',T) + \lambda_M d_M(T',T) + \lambda_C C(\boldsymbol{\theta}) + \lambda_R R(\boldsymbol{\theta}) + \lambda_U U(\boldsymbol{\theta}) \right],

並滿足：

T'\in\mathcal{Y}_{\mathcal{M}},

\mathcal{K}(T')=\text{true}.

這裡：

$d_G$ ：幾何偏差；
$d_F$ ：功能偏差；
$d_M$ ：材料或物性偏差；
$C$ ：時間、成本與資源；
$R$ ：安全、缺陷與製程風險；
$U$ ：模型與量測不確定性。

權重不能由 AI 任意決定，必須來自任務規格與人工批准。

5.3 以功能等效取代材料神話

觀察到的材料不一定能以同一製程重製。AOCLS 應區分：

外觀等效：顏色、紋理與反射接近；
幾何等效：尺寸與拓撲接近；
功能等效：載荷、流量、光學或熱性能接近；
材料等效：成分與微結構接近；
歷史等效：製程與老化狀態接近。

多數原型只能達成其中一部分。零件證書必須明確寫出達成哪一種等效，而不能籠統標記為「完全複製」。

5.4 製程圖而非單機魔法

完整製造往往是有向圖：

\mathcal{P} = (V_P,E_P),

節點可以包含：

清洗與表面準備；
光敏材料配置；
CPOP 結構光曝光；
掃描或多角度投影；
顯影與後固化；
沉積、蝕刻與材料轉換；
去模板、清洗與熱處理；
量測、返工與報廢。

AOCLS 的可擴展性來自製程圖與共用資料介面，而不是要求所有材料和結構都由同一台光刻設備完成。

第六章　製造後端與 CPOP 的正確角色

6.1 可插拔製造後端

AOCLS v2.0 可以調度多種後端：

DLP／SLA 與一般光聚合；
雙光子聚合與多光子微製造；
計算軸向光刻與其他體積光聚合；
CPOP 延伸焦域與 Bessel–Gauss 類結構光；
SLM／DMD 全像多焦點曝光；
雷射燒蝕、切割與改質；
微加工、沉積、蝕刻與電鍍；
模板輔助自組裝與材料轉換；
傳統 CNC、噴射、擠出與混合製程。

對每個後端，系統需要一份能力描述：

\mathcal{C}_{m} = \left( \mathcal{R}_{m}, \mathcal{M}_{m}, \mathcal{E}_{m}, \mathcal{U}_{m}, \mathcal{S}_{m} \right),

分別表示可達解析度與尺寸、材料、幾何能力、不確定性及安全限制。

6.2 CPOP 不是任意三維投影器

CPOP 可以提供：

延伸焦線；
高深寬比曝光或改質；
環形、空心與渦旋光束；
軸向多焦點；
離軸與多通道結構光；
對樣品高度偏差較有容忍度的曝光；
光片成像與製程內觀察。

標準 axicon 通常形成有限焦域，不會自然產生任意三維強度分布。任意或近似任意體積曝光仍需要：

相位與振幅調制；
多角度或時間序列；
材料非線性與閾值；
旁瓣抑制；
像差和折射率失配補償；
劑量與反應模型；
顯影與後處理模型。

6.3 體積製造已存在，但不是無條件一次成形

計算軸向光刻等體積製造方法已證明，可以由多角度投影在光敏體積中累積劑量並形成三維結構。這表明「不逐層成形」具有實驗基礎；但它仍受材料閾值、散射、吸收、投影數、解析度、黏度、氧抑制、熱效應與重建演算法影響。

AOCLS 可以把 CPOP 與體積投影視為互補工具：

CPOP 擅長延伸焦域、軸向能量分配與高深寬比結構；
斷層式投影擅長全體積劑量合成；
雙光子聚合擅長高解析局部寫入；
後處理決定最終材料與幾何是否成立。

6.4 虛擬光刻引擎

AOCLS 虛擬光刻引擎接收：

\Theta = (G,M,S,B,P),

並輸出光場、熱、反應、聚合、位移、應力與最終幾何的預測分布。其運作原則為：

高保真 FDTD、FEM 或其他求解器提供基準；
神經算子與代理模型提供快速預覽；
拓撲、幾何與物理殘差分開評估；
模型輸出必須附帶適用域與不確定性；
域外情境自動回退至高保真模擬、補資料或人工審核。

AOCLS 不應把代理模型的單次高精度結果寫成普遍製程能力。

第七章　製程監測、非破壞檢測與閉環控制

7.1 監測不等於零件合格

製程內影像、溫度、聲學與光學訊號可以識別異常或穩定性偏離，但「訊號異常」與「成品缺陷」之間的因果對應常需額外研究和地面真值。AOCLS 應分開：

製程監測：觀察設備與反應狀態；
製程內 NDE：嘗試檢測正在形成的實體缺陷；
製後 NDE：檢查成品內外部；
功能測試：驗證零件在目標載荷下是否工作；
資格化：證明製程在規定範圍內可持續產出合格零件。

即時相機看到正常光斑，不代表材料內部不存在空腔、未反應區、殘餘應力或局部組成偏差。

7.2 狀態估計與控制

令製程狀態為 $\mathbf{x}_t$ ，控制為 $\mathbf{u}_t$ ，量測為 $\mathbf{y}_t$ ：

\mathbf{x}_{t+1} = f(\mathbf{x}_t,\mathbf{u}_t,\mathbf{w}_t),

\mathbf{y}_t = h(\mathbf{x}_t,\mathbf{v}_t),

其中 $\mathbf{w}_t$ 與 $\mathbf{v}_t$ 分別是製程與量測噪聲。控制器可用模型預測控制、貝葉斯濾波、規則控制或其他方法，在安全集合內調整：

雷射功率與脈衝；
SLM／DMD 圖樣；
掃描速度與路徑；
曝光次序與角度；
樣品位置與焦域；
溫度、氣氛與等待時間。

安全約束寫為：

\mathbf{x}_t\in\mathcal{X}_{\mathrm{safe}}, \qquad \mathbf{u}_t\in\mathcal{U}_{\mathrm{safe}}.

AI 不得繞過硬體互鎖、功率限制、艙門、雷射安全與材料處置規則。

7.3 閉環學習不是必然單調提升

每次製造後，後驗模型可更新為：

p(\boldsymbol{\psi}\mid\mathcal{D}_{1:n}) \propto p(\mathcal{D}_n\mid\boldsymbol{\psi}) p(\boldsymbol{\psi}\mid\mathcal{D}_{1:n-1}),

其中 $\boldsymbol{\psi}$ 是材料、設備或模型參數。但更多資料不保證精度必然增加：

感測器可能漂移；
材料批次可能改變；
標籤與量測可能錯誤；
新資料可能來自域外；
線上微調可能造成災難性遺忘；
控制策略改變後，資料分布也會改變。

因此每次模型更新必須通過：

凍結驗證集；
回歸測試；
校準度檢查；
版本簽章；
可回滾部署；
高風險模型人工批准。

7.4 預測與零件證書

每次製造至少產生兩種證書。

預測證書包括：

輸入資料與版本；
感測覆蓋與未知區域；
幾何、材料與功能不確定性；
使用的模型、求解器與校準狀態；
適用域判定；
預測缺陷與風險；
必須執行的量測項目。

零件證書包括：

設備、材料批次與環境；
實際控制軌跡；
製程異常與人工介入；
製後幾何、材料與功能測試；
與目標和製程雙生的偏差；
接受、返工、降級或報廢結論；
適用用途與禁止用途。

第八章　AOCLS 八層系統架構

8.1 L0：任務、權限與風險分類

輸入包括：

參考物與其所有權；
使用者想保留與修改的特徵；
預期用途與載荷；
材料、成本與時間限制；
是否允許拆解或破壞性測試；
智慧財產、出口管制、生物安全與其他限制。

任何感測與製造前，先建立任務契約：

\mathcal{J} = (I,A,R,C),

其中 $I$ 是意圖， $A$ 是授權， $R$ 是風險， $C$ 是約束。

8.2 L1：主動感測規劃

依任務需求選擇儀器、視角、解析度與校準標準件，並根據資訊增益迭代補量測。

8.3 L2：資料配準與證據血統

保留原始資料，建立共同座標系、單位、時間軸、校準與證據圖。任何後續模型都不得破壞原始資料的可追溯性。

8.4 L3：物體假說與可編輯雙生

分別建立幾何、材料、裝配與功能假說，顯示不確定區域，讓使用者確認、修正或要求補量測。

8.5 L4：可製造性編譯與後端選擇

根據設備能力、材料、容差、成本與風險選擇一個或多個製程圖，並產生幾何補償、支撐、分件與檢查策略。

8.6 L5：虛擬製程與風險分析

由高保真求解器與快速代理模型預測光場、反應、熱、變形和缺陷，執行不確定性傳播與穩健最佳化。

8.7 L6：製造執行與安全控制

調度 CPOP、SLM、DMD、位移台、材料系統、顯影與後處理設備。低延遲安全控制由確定性控制器與硬體互鎖承擔；AI 主要負責規劃、估計與受限調整。

8.8 L7：量測、資格化與持續學習

比較目標、製程與實造雙生，執行 NDE 與功能測試，生成證書，更新材料與設備模型。若新資料與舊模型矛盾，優先標記漂移而不是自動覆蓋歷史。

第九章　資料、介面與開源策略

9.1 共用資料包

一個 AOCLS 任務包可包含：

job/
├── manifest.yaml
├── authorization/
├── raw_sensors/
├── calibration/
├── evidence_graph/
├── observed_twin/
├── target_twin/
├── process_twin/
├── simulation/
├── machine_logs/
├── as_built_twin/
├── certificates/
└── provenance/

manifest.yaml 應記錄：

任務 ID 與內容指紋；
單位與座標系；
感測器和設備版本；
材料批次；
模型與程式碼版本；
授權與用途限制；
人工決策與批准者；
相關標準與驗收規格。

9.2 開源分層

合理的開源分層包括：

規格與資料格式：優先公開，促進互操作；
參考模擬器與評測工具：可使用寬鬆軟體授權；
硬體參考設計：可使用開放硬體授權；
材料配方與危險製程：依安全、專利與合作條件管理；
真實掃描資料：需處理智慧財產、隱私與使用權；
設備校準與商業參數：可以公開、延遲公開或保留。

本文採 CC BY-SA 4.0，不代表未來程式碼、硬體、模型權重、材料資料與商標必須使用同一授權。

9.3 不應預先虛構成熟認證體系

在缺少標準件、跨實驗室重現、測量不確定性與治理結構時，不應直接宣告成立「AOCLS Foundation」並簽發產業認證。較合理順序為：

公開詞彙、資料格式與測試工件；
建立單機重複性與量測不確定性；
執行多設備、多批次比較；
進行跨實驗室互評；
與既有標準組織、計量機構與產業合作；
最後才考慮符合性標章或認證計畫。

9.4 資安與供應鏈安全

AOCLS 連接掃描、設計、模型與製造，會形成新的攻擊面：

竄改幾何或材料標籤；
在模型中加入隱藏缺陷；
偽造校準或零件證書；
竊取受保護物件的掃描資料；
讓模型在特定圖樣上輸出危險參數；
透過供應鏈替換模型、韌體或材料資料。

因此需要：

資料與模型簽章；
最小權限與職責分離；
不可變更稽核紀錄；
離線與安全模式；
受信任設備身分；
安全更新與回滾；
高風險製造雙人批准。

第十章　應用邊界與成熟度分層

10.1 A 類：外觀與幾何參考製造

適用於：

藝術、教育與展示模型；
舊零件外形重建；
包裝、握把與人體工學外殼；
不承載或低風險原型。

此類最適合驗證「觀察作為介面」，但不能用其成功推論材料與功能複製已成立。

10.2 B 類：微光學與聚合物微結構

適用於：

微透鏡、光導與光柵；
微流道與多孔支架；
校準工件；
高深寬比聚合物結構；
雙光子與體積光聚合研究。

這是 CPOP、虛擬光刻與閉環量測最自然的近期交集。

10.3 C 類：功能等效與多製程零件

適用於：

允許材料替代的機械功能件；
光、熱、流體或彈性功能結構；
需要沉積、蝕刻或裝配的混合製程原型。

此類需要明確區分幾何等效、材料等效與功能等效。

10.4 D 類：半導體與高可靠電子元件

AOCLS 可作為：

特殊三維光子與微機電結構研究平台；
小批量微結構原型工具；
製程模擬與缺陷觀察平台；
既有晶片上的微光學或聚合物後製程。

但本文不宣稱它能以桌面設備替代先進邏輯製程、EUV 對準、離子佈植、原子層沉積、蝕刻、金屬互連、污染控制與晶圓級良率工程。

10.5 E 類：生醫與安全關鍵用途

個人化醫療植入物、組織支架、航空、核能與其他安全關鍵零件需要：

生物相容性或材料資格；
滅菌、老化與毒理驗證；
完整功能與疲勞測試；
受監管品質系統；
獨立認證與責任界定。

觀察到人體形狀，不等於已具備安全醫療製造能力。

第十一章　最小可行原型

11.1 MVP-A：公分／毫米尺度觀察到製造

目的：先驗證資料流、雙生分離、主動補掃描與閉環修正，不等待新型奈米設備。

參考工件：

具有外部曲面、底部遮蔽、內部通道與已知 CAD 的聚合物校準件；
表面包含霧面、亮面與不同顏色區；
內部結構可由 micro-CT 提供地面真值。

流程：

RGB 與結構光掃描；
建立第一版觀察雙生；
顯示遮蔽與內部未知區；
主動感測模組建議翻面與 micro-CT；
建立目標雙生，允許修改孔徑或材料；
由 DLP／SLA 或其他成熟後端製造；
再掃描並比較；
修正幾何補償與不確定性校準。

比較組：

只用單次表面掃描直接列印；
固定全套感測；
主動感測 AOCLS；
有無可製造性編譯；
有無不確定性拒絕。

11.2 MVP-B：微尺度 CPOP／雙光子後端

目的：驗證 AOCLS 與 CPOP、虛擬光刻引擎的真正介面。

參考工件：

已知 CAD 的聚合物微光學或微流道校準件；
尺寸和材料先限制於單一已校準範圍；
包含直線、曲面、孔洞與高深寬比特徵。

流程：

共焦、OCT 或顯微影像重建；
建立目標與容差；
比較高斯焦點、標準 axicon、數位多焦點三種光場；
由虛擬光刻預測劑量與幾何；
製造後以顯微、輪廓、SEM 或 micro-CT 量測；
檢查旁瓣串擾、軸向均勻度、收縮與拓撲錯誤。

11.3 MVP 評估指標

幾何指標：

E_G = \frac{1}{|\Omega|} \int_{\Omega} \left| \phi_{\mathrm{asbuilt}}(\mathbf{x}) - \phi_{\mathrm{target}}(\mathbf{x}) \right|d\mathbf{x}.

拓撲指標：

E_T = \sum_{i=0}^{2} \omega_i \left| \beta_i^{\mathrm{asbuilt}} - \beta_i^{\mathrm{target}} \right|.

不確定性校準可用覆蓋率：

\operatorname{Coverage}_{1-\alpha} = \frac{1}{N} \sum_{n=1}^{N} \mathbf{1} \left[ Y_n\in\mathcal{I}_{1-\alpha}(X_n) \right].

其他指標包括：

感測時間與成本；
每單位資訊增益；
未知區域比例；
製造成功率；
$p95$ 、 $p99$ 局部尺寸誤差；
材料識別混淆矩陣；
域外偵測率；
不必要拒絕率；
閉環後的批次變異；
人工介入時間；
證據追溯完整度。

第十二章　證據分級與驗證路線

12.1 證據等級

等級	定義
E0	概念、數學模型與架構提案
E1	軟體原型、合成資料與單元測試
E2	校準標準件、單一設備與單一材料實驗
E3	多幾何、多批次、域外測試與閉環製造
E4	跨設備或跨實驗室重現、參考件互評
E5	針對特定用途完成品質系統、資格化或監管認可

本文整體屬 E0；CPOP、體積光聚合、雙光子微製造、逆向渲染與閉環增材製造等子技術已有不同程度的外部實驗基礎，但不能自動合併成 AOCLS 端到端證據。

12.2 驗證階段

V0：詞彙、資料契約與威脅模型
定義四種雙生、感測來源標記、未知區域、授權與證書格式。

V1：觀察與不確定性基準
以具有 CAD 與 CT 地面真值的工件測試幾何重建、材料分類和未知區域校準。

V2：可製造性編譯
比較直接複製與受製程約束轉換的成功率、偏差和成本。

V3：成熟後端閉環
先以 DLP／SLA 或其他成熟設備完成觀察—製造—再量測閉環。

V4：CPOP 與微尺度製程
加入 axicon、數位相位、雙光子材料與虛擬光刻。

V5：多後端與多材料
驗證製程圖、材料替代、沉積／蝕刻／後處理與資料互操作。

V6：跨實驗室與特定用途資格化
使用共同標準件、盲測、獨立量測與既有標準程序。

12.3 五項可證偽命題

命題 H1：主動感測具有淨效益。
在相同成本預算下，主動感測相較固定掃描策略，應降低關鍵幾何或材料後驗不確定性；若不能，感測規劃器無效。

命題 H2：可製造性編譯優於直接複製。
對超出後端能力的目標，經編譯的設計應提高合格率或降低總偏差；若只增加複雜度而無改善，編譯器應被否證或限制適用域。

命題 H3：不確定性拒絕能降低高代價失敗。
在相近產出率下，具域外偵測和拒絕機制的系統應降低嚴重缺陷率；若校準不佳導致同時高漏報與高拒絕，證書不可採信。

命題 H4：閉環控制降低批次變異。
在固定材料與設備範圍內，閉環控制應相較開環基線降低關鍵品質指標的變異；若只有平均值改善而尾部風險惡化，不能宣稱整體提升。

命題 H5：CPOP 的優勢是條件式而非普遍式。
在預先定義的高深寬比或延伸焦域任務中，CPOP 應在幾何誤差、加工時間或高度容差至少一項優於匹配能量的高斯基線，且旁瓣缺陷不超過門檻；若無法成立，該任務不應使用 CPOP。

第十三章　研發路線與產品邊界

13.1 第一階段：Observation Compiler

先建立與製造設備相對獨立的軟體核心：

多模態資料匯入；
共同座標與證據血統；
幾何假說與未知區域；
目標雙生編輯器；
後端能力描述；
可製造性檢查；
任務證書與版本管理。

此階段可直接服務逆向工程與既有 3D 列印，不必等待完整光刻硬體。

13.2 第二階段：AOCLS Virtual Lab

整合：

CPOP 光場模擬；
AOCLS 虛擬光刻引擎；
材料資料庫；
參數掃描與逆向設計；
不確定性證書；
硬體在迴路測試。

此階段的產品可以是軟體與開放資料格式，而非宣稱已完成桌面奈米工廠。

13.3 第三階段：Closed-Loop Fabrication Cell

建立單一材料、單一尺度、有限幾何族的閉環設備。例如：

聚合物微光學；
微流道；
高深寬比孔；
校準與研究用微結構。

先證明特定用途的重複性，再擴展材料和尺度。

13.4 第四階段：多製程研究平台

加入沉積、蝕刻、材料轉換、去模板、組裝與多設備排程，使 AOCLS 成為研究型製程編排平台。

13.5 商業化原則

早期商業價值更可能來自：

觀察資料到可編輯數位雙生；
逆向工程與可製造性轉換；
虛擬製程與參數推薦；
封閉設備的量測與資料整合；
高價值小批量微結構服務；
材料與設備模型管理。

不應以「桌面設備取代晶圓廠」作為近期收入或投資承諾。

第十四章　討論：AOCLS 真正改變的是介面，而不是物理定律

AOCLS 最有力量的地方，不是宣稱所有製造困難都能被 AI、錐形光學或一次曝光消除，而是重新安排製造系統的入口與回饋：

參考物可以和 CAD 一樣成為設計來源；
自然語言可以表達保留、修改與禁止條件；
感測規劃可以由不確定性驅動；
生成模型可以提出假說，但必須保留證據邊界；
可製造性編譯可以把「像」與「能做」分開；
多種製程可以共用數位雙生與證書；
模擬、製造與檢查可以形成可追溯閉環。

這種轉變不會取消專業知識，反而要求專業知識以更清楚的介面進入系統：材料模型需要適用域，感測器需要校準，AI 需要不確定性，設備需要能力描述，成品需要用途限定，人工需要正式決策點。

因此，AOCLS 的成熟形態不是「對著任何物體看一眼，機器就製造出完全相同的東西」，而是：

對一個具體任務，系統知道自己看到了什麼、沒有看到什麼、推斷了什麼、誰批准了什麼、設備能做到什麼、最後實際做出了什麼，以及這個結果可以被用在哪裡。

結論

本文完成 AOCLS 從概念宣言到可驗證系統架構的第二版重構。新版保留「觀察作為製造入口」「AI 輔助跨模態理解」「虛擬製程」「錐形相位光學」「閉環自我校正」五項原始精神，但做出六項根本修正：

將觀察視為不完整、帶噪聲且通常不可逆的證據，而非物體真值；
以物體後驗分布、假說集合與未知區域取代單一確定數位雙生；
區分觀察雙生、目標雙生、製程雙生與實造雙生；
加入可製造性編譯，允許功能等效、材料替代與製程補償；
將 CPOP 定位為可插拔結構光後端，而非任意三維一次曝光器；
將閉環資料、NDE、模型更新與零件證書納入同一證據制度。

AOCLS 因此不再是一台承諾「複製萬物」的單機，而是一套將實物參考、量測科學、逆向設計、多物理模擬、製程控制與資格化連接起來的開放式製造作業框架。

其最小可行版本不必從奈米半導體開始。先以已知標準件、成熟掃描設備與 DLP／SLA 完成可追溯的觀察—製造閉環，再進入微光學、CPOP、雙光子與體積製造，將比直接承諾桌面晶圓廠更容易產生可重現、可否證與可累積的技術成果。

參考文獻

McLeod, J. H. “The Axicon: A New Type of Optical Element.” Journal of the Optical Society of America, 44(8), 592–597, 1954. https://doi.org/10.1364/JOSA.44.000592
Durnin, J., Miceli, J. J., and Eberly, J. H. “Diffraction-Free Beams.” Physical Review Letters, 58, 1499–1501, 1987. https://doi.org/10.1103/PhysRevLett.58.1499
Kelly, B. E. et al. “Volumetric Additive Manufacturing via Tomographic Reconstruction.” Science, 363(6431), 1075–1079, 2019. https://doi.org/10.1126/science.aau7114
Toombs, J. T. et al. “Volumetric Additive Manufacturing of Silica Glass with Microscale Computed Axial Lithography.” Science, 376(6590), 308–312, 2022. https://doi.org/10.1126/science.abm6459
Saha, S. K. et al. “Scalable Submicrometer Additive Manufacturing.” Science, 366(6461), 105–109, 2019. https://doi.org/10.1126/science.aax8760
Brion, D. A. J. et al. “Generalisable 3D Printing Error Detection and Correction via Multi-Head Neural Networks.” Nature Communications, 13, 4654, 2022. https://doi.org/10.1038/s41467-022-31985-y
Mieszczanek, P. et al. “Towards Industry-Ready Additive Manufacturing: AI-Enabled Closed-Loop Control for 3D Melt Electrowriting.” Communications Engineering, 3, 2024. https://doi.org/10.1038/s44172-024-00302-4
Lu, Y. et al. “An Overarching Quality Evaluation Framework for Additive Manufacturing Digital Twin.” National Institute of Standards and Technology, 2024. https://doi.org/10.1109/CASE59546.2024.10711607
Donmez, M. A. et al. In-Process Monitoring and Non-Destructive Evaluation for Metal Additive Manufacturing Processes. NIST IR 8538, 2024. https://doi.org/10.6028/NIST.IR.8538
Mildenhall, B. et al. “NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis.” ECCV, 2020. https://doi.org/10.1007/978-3-030-58452-8_24
Wang, H. et al. “MAGE: Single Image to Material-Aware 3D via the Multi-View G-Buffer Estimation.” CVPR, 2025.
Lin, C.-H. et al. “IRIS: Inverse Rendering of Indoor Scenes from Low Dynamic Range Images.” CVPR, 2025.
NIST. “Digital Twins for Advanced Manufacturing.” Measurement Science and Standards Program, 2024.
Neo.K. “AOCLS 虛擬光刻模擬引擎：物理約束神經算子、格點收斂與拓撲驗證框架.” EveMissLab, v2.0, 2026.
Neo.K. “錐形相位光學平台：從軸錐透鏡、Bessel–Gauss 光束到可程式化延伸焦域.” EveMissLab, v2.0, 2026.

版本狀態：v2.0 公開修訂版
當前證據等級：E0——架構、數學與驗證路線提案
下一個自然工程節點：AOCLS Observation Compiler MVP，先完成多模態資料包、四種雙生、主動補掃描與成熟 3D 列印後端閉環

AOCLS 觀察導向閉環製造平台：多模態量測、不確定性數位雙生與可驗證逆向製造

摘要

第一章 重新界定「觀察即製造」

1.1 原始願景的價值

1.2 觀察不是完整狀態

1.3 從口號到閉環命題

1.4 本文不主張的事項

第二章 AOCLS v2.0 的四種數位對象

2.1 觀察雙生

2.2 目標雙生

2.3 製程雙生

2.4 實造雙生

第三章 多模態觀察與主動感測

3.1 感測階梯

3.2 主動感測而非固定掃描清單

3.3 多模態配準與證據圖

3.4 幾何、材料與功能必須分開推斷

第四章 物體假說與不確定性數位雙生

4.1 從單一網格改為假說集合

4.2 局部不確定性場

4.3 生成式補全的合法位置

4.4 人在迴路不是暫時缺陷

第五章 可製造性編譯：從參考物到可做的目標

5.1 直接複製通常不是最佳解

5.2 多目標最佳化

5.3 以功能等效取代材料神話

5.4 製程圖而非單機魔法

第六章 製造後端與 CPOP 的正確角色

6.1 可插拔製造後端

6.2 CPOP 不是任意三維投影器

6.3 體積製造已存在，但不是無條件一次成形

6.4 虛擬光刻引擎

第七章 製程監測、非破壞檢測與閉環控制

7.1 監測不等於零件合格

7.2 狀態估計與控制

7.3 閉環學習不是必然單調提升

7.4 預測與零件證書

第八章 AOCLS 八層系統架構

8.1 L0：任務、權限與風險分類

8.2 L1：主動感測規劃

8.3 L2：資料配準與證據血統

8.4 L3：物體假說與可編輯雙生

8.5 L4：可製造性編譯與後端選擇

8.6 L5：虛擬製程與風險分析

8.7 L6：製造執行與安全控制

8.8 L7：量測、資格化與持續學習

第九章 資料、介面與開源策略

9.1 共用資料包

9.2 開源分層

9.3 不應預先虛構成熟認證體系

9.4 資安與供應鏈安全

第十章 應用邊界與成熟度分層

10.1 A 類：外觀與幾何參考製造

10.2 B 類：微光學與聚合物微結構

10.3 C 類：功能等效與多製程零件

10.4 D 類：半導體與高可靠電子元件

10.5 E 類：生醫與安全關鍵用途

第十一章 最小可行原型

11.1 MVP-A：公分／毫米尺度觀察到製造

11.2 MVP-B：微尺度 CPOP／雙光子後端

11.3 MVP 評估指標

第十二章 證據分級與驗證路線

12.1 證據等級

12.2 驗證階段

12.3 五項可證偽命題

第十三章 研發路線與產品邊界

13.1 第一階段：Observation Compiler

13.2 第二階段：AOCLS Virtual Lab

13.3 第三階段：Closed-Loop Fabrication Cell

13.4 第四階段：多製程研究平台

13.5 商業化原則

第十四章 討論：AOCLS 真正改變的是介面，而不是物理定律

結論

參考文獻

第一章　重新界定「觀察即製造」

第二章　AOCLS v2.0 的四種數位對象

第三章　多模態觀察與主動感測

第四章　物體假說與不確定性數位雙生

第五章　可製造性編譯：從參考物到可做的目標

第六章　製造後端與 CPOP 的正確角色

第七章　製程監測、非破壞檢測與閉環控制

第八章　AOCLS 八層系統架構

第九章　資料、介面與開源策略

第十章　應用邊界與成熟度分層

第十一章　最小可行原型

第十二章　證據分級與驗證路線

第十三章　研發路線與產品邊界

第十四章　討論：AOCLS 真正改變的是介面，而不是物理定律