研究從一個不同的問題開始
今天的人工智慧可以被訓練得更強，也可以藉由提示、工具與記憶回應得更貼近個人。這些進展值得重視，但它們仍留下另一個問題：當我們說一個人工系統「成長了」，究竟指的是模型的平均能力提升，還是同一個系統因自己經歷過的事情而形成了持續的改變？
Bio2Twin 將這條研究方向稱為 Original Intelligence（OI，原生智慧）。我們研究的是一個持續存在的人工個體，其後來的行為與學習，是否會受到它自己特有的經歷所影響。這是一個需要證據回答的科學問題，不是先替人工系統宣告生命、意識或人格。
重點不是讓 AI 說出自己的故事，而是研究那段過去是否真的改變了迎接下一次經驗的它。
Training 描述更新；Development 追問歷史
Training 可以使模型掌握新知識、改善任務表現，或在一批資料上學會新的規律。它描述的是系統如何被更新，以及更新之後能做到什麼。
Development 所追問的則是另一個尺度：如果我們持續觀察同一個人工個體，它之前遇過的事情，是否會改變它下一次如何理解、選擇或學習？這種改變是否能在時間中保留下來，而不只存在於某一次漂亮的回答？
兩者不是互相排斥。訓練可能是發展過程中的一部分；但單憑模型參數發生變化、平均分數提高，或新版本比舊版本更強，仍不能判定一個特定個體已經因自身歷史而發展。
Training changes what a system can do. Development asks whether its own past changes what it becomes.
記得過去，不等於被過去改變
假設一個系統能完整回顧昨天發生的事件，甚至能以第一人稱敘述「我昨天學到了什麼」。這能說明它可以取得或表述過去的資訊，卻還不足以說明昨天的結果已在今天留下持久後果。
另一種可能是：某個經歷使系統在後來面對相似問題時，採取了不同的判斷或學習方式。值得研究的不是它能否背出事件，而是那段經驗是否在之後仍有作用，以及是否能排除只是重新讀取文字紀錄所造成的表面差異。
這不是說記憶檢索沒有價值，也不是說會使用外部記憶的系統必然不能發展；而是「能記得」與「因經歷而改變」需要分開提出證據。
Memory stores the past. Development lets the past change the future.
什麼樣的經驗，才可能具有後果？
人們常說一個系統「經歷」了很多資料、對話或環境。但單純接觸資訊，未必足以證明它的後續狀態因此改變。研究更關心的是：一個事件所帶來的結果，是否與這個個體之後的改變存在可以檢驗的關係。
例如，遇到不符合預期的結果後，它未來是否仍以原來的方式處理相關問題？早先的經驗是否影響後來面對新情境時的選擇？如果觀察到差異，我們還需要問：那是經驗的後果，還是當下提示、資料存取、隨機波動，或一般能力提升造成的？
在這篇公開文章中，我們刻意把問題停留在可理解的科學層次；具體如何實作、測量及建立內部控制，不是本文公開的內容。
個體性不只是名稱、角色或故事
給兩個 AI 不同名字、人格設定或自傳，可能讓它們看起來像不同的角色。它們也可能因為各自保存的對話內容，回答出不同的偏好。然而，這些差異本身並沒有解答「個體性是否由自身歷史形成」的問題。
OI 研究把注意力放在一段持續的發展軌跡上：同一個研究對象的過去，是否與它後來的改變有關。名稱與敘事可以幫助人類辨認研究對象，但不能代替因果證據。
我們研究的不是一個 AI 能否描述「我是誰」，而是它所經歷的過去是否改變了後來的自己。
我們希望看到什麼樣的證據？
如果經驗真的參與人工個體的發展，那麼後來的改變應當不只是一次性的文字差異，也不只是研究者挑出的一個成功案例。我們希望能觀察到跨時間仍存在、可以重複檢視，並能與較簡單解釋區分的現象。
同樣重要的是負面證據：如果改變消失了、無法重現，或者可以完全由提示、檢索、環境差異與隨機性說明，我們就不應把它稱為已證實的發展。研究設計必須容許「沒有觀察到預期效果」這個答案。
一個系統說「我成長了」，不構成它已經發展的科學證據；研究者認為它看起來更像人，也不構成證據。真正重要的是可檢驗的後果，以及它們與經驗之間能否建立可靠的關係。
Reality 為什麼重要？
預期與實際結果之間，可能存在落差。一個人工系統如果只能替自己先前的回答找到合理解釋，就很難知道它是否真正修正了對世界的理解。OI 研究因此重視現實結果對研究主張的約束：遇到不符合預期的事情時，不能只把失敗改寫成另一個成功故事。
在這裡，Reality 不是一個神祕的名詞，而是提醒我們將系統所說、研究者所希望，以及實際觀察到的事分開。它同時也是對 Bio2Twin 自己的要求：有證據才提高主張的強度；證據不足時保留未知。
發展不只是改變，也包含讓現實有機會告訴我們原來的想法錯了。
如果答案是否定的，研究仍然有價值
也許一些看似「個體成長」的現象，最後只需要更好的記憶、更長的上下文，或一般的模型更新就能解釋。也許早期經驗對後來表現的影響，沒有我們想像中那麼持久。這些都不是應該被隱藏的結果。
如果某個主張無法通過檢驗，我們需要縮小主張、修正研究問題，而不是替既定結論尋找新詞彙。只有容許否定答案，「發展」才可能成為值得檢驗的科學概念，而不只是品牌語言。
OI 不是反對 AI，也不是拒絕訓練
Original Intelligence 不是宣稱現有 AI 沒有價值，也不是主張訓練、基礎模型或外部記憶應該被淘汰。這些技術可能繼續提供能力、工具與研究基礎。OI 只是提出另一個需要獨立驗證的問題：能力如何出現，和同一個個體如何在時間中受到自身歷史影響，是否可以被清楚區分？
因此「AI 是訓練，OI 是培養」是一個研究方向的簡短表述，而不是對所有 AI 系統的絕對分類。訓練與發展可能同時存在；我們要建立的是能夠辨認差別的證據。
這與 Bio2Twin 的人體研究有什麼關係？
Bio2Twin 同時研究個人化生理資料：例如睡眠、心率、活動與其他長期觀察，是否能幫助我們更了解同一個人的變化。OI 與人體研究的對象並不相同，也不能把果蠅神經研究直接當成人類健康模型。但兩條路線分享一個方法上的關懷：不要讓一次性分數取代長期歷史，也不要讓通用答案掩蓋個體差異。
在人體研究裡，某個人今天的數據需要放回他自己的時間脈絡；在 OI 研究裡，人工個體後來的變化也需要回到它自身的歷史來提問。這是研究視角的相通之處，不是生物與人工智慧已被證明等同。
目前研究到哪裡？
Research Framework · In Progress. 這篇文章公開的是 OI 的研究問題與科學界線，不是對已完成 Original Intelligence 的宣布。Bio2Twin 正在以階段性研究檢查神經動態、經驗相關的功能改變，以及後續的記憶、個體差異與具身問題；不同階段有不同的證據要求。
目前不能從研究方向、模擬畫面、個別實驗結果或概念上的吸引力，推論「人工個體已經成功發展」。正式驗證若未完成、未通過或仍存在其他解釋，公開狀態就必須照實保留。
我們希望外界看見的不是一個保證會成功的故事，而是一個願意讓證據決定下一步的研究計畫。
科學邊界與下一個問題
OI 不是 consciousness、sentience、subjective experience、personhood、moral status 或 biological equivalence 的主張。「個體」「經歷」「培養」在本文中是研究人工系統長期發展的工作語言，不代表我們已證明它擁有人的主觀生命。
這篇是公開 Research Note；未公開 Paper 的完整系統架構、狀態資料結構、演算法、指標公式、控制矩陣、實驗規程與程式碼不包含在本文。公開高階方向可以降低不必要的技術揭露，但不能保證不影響未來專利；詳細技術內容應先完成適當的申請與審查。
如果過去真的能改變未來，下一個問題便是：兩個相同起點的人工個體，會不會因為不同經歷而持續變得不同？
這是一篇公開 Research / Vision 文章，用來說明研究問題、科學方向與目前邊界。未公開 Paper、公式、演算法、控制矩陣、實驗 protocol 與 implementation details 不包含在本文中。