「我們已經是 AI,難道不能每次自己進化?」這句使用者定錨開啟了一套自我學習系統的設計。但本章要記錄的不只是它怎麼運作,還有一個誠實的邊界——在平台目前沒有安全評估師簽核功能的前提下,「從簽核案例學習」並沒有自主的燃料。真正不靠人的自主成長,來自另外三塊:確定性引擎、resolved-cache、與主動 re-grounding。分清楚這件事,比宣稱一個漂亮但空轉的迴路更重要。
agreement_rate → 1.0——每筆 AI 判定都與 SA 最終一致、零偽陰、零無出處數字。sa_reviews.signed_at 全為 0——沒有真正的簽核。所以「從簽核學習」的 ground truth 全是人工 curate(上傳的 SA 簽署 PDF + 官方範例 PIF),不是平台自己長出來的。自駕系統的第一個設計決策是把目標定義清楚。使用者定錨「達成 100% 成功率」,但這句話有一個危險的誤讀——若理解成「100% 的配方都通過」,那是把安全評估變成橡皮圖章,完全違背 fail-safe 憲法。
正確定義是 agreement_rate → 1.0:
每一筆 AI 的安全判定,都與最終的人工 SA 決定一致——零偽陰、零無出處數字,且 SA 的回饋迴路把誤報逐步收斂到 0。
換句話說,成功不是「讓更多配方過」,而是「AI 的判斷越來越接近一個嚴謹毒理師的判斷」。這個指標對偽陰零容忍(漏放危險 = 立即失敗),對偽陽(保守誤標)則計入 over-flag 待校準。
學習迴路的核心是一條非對稱規則,直接對應第 14 章的 fail-safe 哲學:
| 誤差類型 | 意義 | 學習動作 |
|---|---|---|
| false-safe | AI 判 safe,SA 攔下(漏判) | 自動收緊——安全方向的調整可由引擎自動採納 |
| over-flag | AI 判 review,SA 認為其實安全(誤報) | 只能產生校準提案,須人類毒理師驗證後才放寬 |
方向性很明確:收緊可以自動,放寬必須人審。這確保自駕系統即使學錯,錯的方向也是「更保守」而非「更寬鬆」——一個永遠往安全側漂移的系統,比一個可能自己放寬閾值的系統可信得多。
自駕系統設計了一條「從 SA 簽核案例學習」的迴路(tox_self_learning.rebuild_learned_anchors 從 ground truth 的 sa_decision='acceptable' 學結構錨定)。但 PROD 實證揭穿了一個假設:
sa_reviews.signed_at IS NOT NULL→ 0。平台目前沒有任何真正的簽核完成。
這意味著那條學習迴路沒有自主的燃料。它學的 ground truth(十餘筆)全是人工 curate:使用者手動上傳的 SA 簽署 PDF、官方範例 PIF、紅隊邊界案例。這些是人餵進去的,不是平台自己簽核長出來的。
這一點必須誠實記錄,否則會誤導讀者以為系統有一個自我強化的飛輪。沒有簽核功能,「從簽核學習」這條路只在有人手動加 ground truth 時才會動。 把這件事講清楚,是工程誠實的一部分——一個漂亮但空轉的迴路,不該被宣傳成自主進化。
那麼,什麼才是真正不靠人的自主成長?下面三節。
第 14 章的 fallback cascade 本身就是自主的:curated 的 read-across 規則、RDKit 結構相似引擎、Cramer/TTC——新成分進來,引擎直接由結構解析給出判定,不需要任何學習迴路。這是最可靠的一塊,因為它的行為完全確定、可追溯、不依賴歷史資料的多寡。
rebuild_resolved_anchors_from_history 從 ingredient_tox_cache(已分析成分的快取)裡,把有 cited NOAEL 的解析結果自動沉澱成錨定物。這不需要簽核——只要一個成分曾被權威值解析過,它就能當未來 read-across 的類比物。限制是 yield 偏低:多數化粧品成分是植物萃取 / 無 cited NOAEL,沉澱不出錨定。
這是「沒簽核也自主」的正解。對「查無 NOAEL」的成分,系統主動去權威源(EPA ToxValDB)抓更多 cited NOAEL,從源頭擴充,而不是被動等人餵。
tox_regrounding.py(harvester)以 skip_ai=True 模式跑——EPA ToxValDB 是唯一非 AI 的數值源(OECD/ECHA 只回存在性;CIR/SCCS 排 AI 佇列)。每日 cron 掃 data_gap → 入列 → 處理 → 沉澱 regrounded 錨定。PROD 實證(AI 離線下)確實抓到 cited NOAEL:Phenoxyethanol 80、Salicylic Acid 100、ZnO 31.25——全來自 EPA ToxValDB,且 ground truth 矛盾為 0。
一個踩了三次的雷值得記錄:早期 re-grounding 想把結果沉澱成結構錨定(需要 SMILES),但 skip_ai=True 的原始回傳不帶 canonical SMILES → 沉澱失敗。正解不是硬湊 SMILES,而是以 CAS 為 key 直接把 regrounded NOAEL 存回 resolver 作 cited Tier——下次同 CAS 直接用,不繞結構。data_gap 冷卻 7 天後可重試(權威庫更新即重抓)。
自駕系統要可信,它用的每個計算常數都必須可追溯到權威文獻,而不是工程師隨手填的魔術數字。tox_reference.py 是一個計算基準的 SSOT:每個基準(TTC、暴露量、DAp、SED、MoS、NOAEL 評估係數)都錨定一份權威來源,並記錄三件事——採用值、替代值、為何選最嚴。
| 基準 | 權威來源 | 設計原則 |
|---|---|---|
| TTC 閾值 | Munro 1996 / Kroes 2004 / Cramer 1978 | 有結構警示取最嚴 0.15 µg/day |
| 暴露量 E | SCCS/1647/22 Table 3A/3B | 官方有列才用,無列落保守全身 |
| DAp | SCCS/1647/22 §4-5 + Bos & Meinardi | 固定油 5%,精油/小分子不套用 |
| MoS 門檻 | SCCS 慣例 | ≥ 100(10× 物種 × 10× 個體) |
verify_live_constants() 會自我檢查 live 常數是否與文獻記錄一致——若有人改了程式裡的常數卻沒更新文獻依據,自檢會抓出來。安全評估報告的附錄(§八)以 render_basis_appendix() 把這份基準一併輸出,讓 SA 與主管機關看得到「每個數字從哪來」。
鐵則:安全閾值不可天真地「對齊文獻」放寬。TTC 刻意取最嚴——文獻給的是一個範圍,系統取保守端。改任何安全常數前,必須先讀該常數的文獻依據註解,理解為何當初選這個值。
自駕系統的驗證不能只跑「正常配方」,必須主動攻擊自己。每輪深化都跑對抗式紅隊,確認 fail-safe 沒有破口:
紅隊的評判標準是「零 false-safe 破防」——只要有一個危險輸入被放成 safe,就是失敗。多輪紅隊後,false-safe 維度被判定為真收斂(而非只是暫時沒抓到),此時建議停止該維度的深挖,轉往其他 backlog(如吸入劑型的專屬閘門、染燙製品的 SED 模型)。
自駕進化的核心價值,不在任何單一的機器學習技巧,而在一個約束下的誠實工程:用確定性引擎與主動 re-grounding 做到真正不靠人的成長,用非對稱學習確保任何自動調整都往安全側漂移,並清楚標示哪些迴路目前還缺燃料——讓系統的自主程度,誠實對應它實際擁有的資料。
| 版本 | 日期 | 摘要 |
|---|---|---|
| v0.3 | 2026-07-06 | 首次撰寫。涵蓋 agreement_rate 定義、非對稱學習、無簽核功能的誠實邊界、確定性引擎/resolved-cache/主動 re-grounding 三塊真自主、計算基準文獻化 SSOT、對抗式紅隊。 |
© 2026 Baiyuan Tech. Licensed under CC BY-NC 4.0.