全域智能存取權：文明級知識運算的政治經濟學

Access Rights to Global Intelligence: The Political Economy of Civilization-Scale Knowledge Computation

版本：v0.1
系列：全域知識收斂論・第七篇
作者：Neo.K × AI 協作
研究性質：AI 政治經濟學／知識治理／數位權利／文明基礎設施
日期：2026-07-26

摘要

若未來人工智能能夠對文明累積的數億、數十億乃至數百億知識節點進行全域搜尋、比較、驗證、壓縮、重組與重新估值，那麼真正稀缺的將不只是模型本身，而是對這種能力的存取權。

本文提出「全域智能存取權」理論。其核心主張是：未來知識不平等的主要形式，可能從「誰擁有資訊」轉變為「誰有權要求人工智能對整個文明知識重新計算一次」。這種權力不等同於一般聊天、搜尋或摘要服務，而是由下列能力共同構成：

\mathcal A_{\mathrm{global}} = ( D, M, C, T, V, X, P ),

其中：

$D$ ：全域資料存取；
$M$ ：長程與持續記憶；
$C$ ：大規模運算能力；
$T$ ：長時間自主研究權；
$V$ ：驗證與形式化工具；
$X$ ：程式執行與實驗環境；
$P$ ：對私有、封閉與高價值知識庫的權限。

若這些能力只集中於少數國家、企業、軍事組織或大型研究機構，文明將形成新的認識階級：

\mathcal C_{\mathrm{global}} = \{ \text{可進行文明級知識運算者} \},

與：

\mathcal C_{\mathrm{local}} = \{ \text{只能接收局部答案者} \}.

本文區分查詢權、來源權、長程研究權、重算權、驗證權、模型替換權、記憶持有權、研究成果攜帶權與公共審計權，並提出「全域智能權利束」的概念。本文進一步分析算力、資料、記憶、能源、模型、工具鏈與制度授權如何共同形成文明級知識運算的政治經濟結構。

本文不主張所有人都必須直接擁有同等規模的超算資源，而主張文明應建立最低限度的公共全域智能權，包括：對高影響知識決策的可追溯權、對公共知識庫的公平研究權、對個人研究歷史的攜帶權、對模型結論的來源展開權，以及透過公共或合作式基礎設施申請長程研究任務的權利。

最終，本文主張：未來 AI 民主化的真正尺度，不是有多少人能使用聊天介面，而是有多少人能調動足夠的資料、記憶、工具與推理時間，對重要問題進行不受任意中斷的全域研究。

關鍵詞

全域智能存取權、文明級知識運算、AI 政治經濟學、認識階級、算力權、資料權、記憶權、研究權、公共 AI 基礎設施、知識治理

一、問題的提出

1.1 從資訊不平等到運算不平等

傳統資訊不平等主要關心：

誰能上網；
誰能取得文獻；
誰能接受教育；
誰能使用搜尋工具；
誰能閱讀特定語言；
誰能負擔資料庫訂閱。

但未來 AI 出現後，即使兩個人都能取得同一批資料，也可能因智能運算能力不同，而產生巨大差距。

設兩個主體 $a$ 與 $b$ 擁有相同資料：

D_a=D_b.

但若：

M_a\ll M_b,

C_a\ll C_b,

T_a\ll T_b,

V_a\ll V_b,

則兩者能從資料中提取的知識價值仍可能相差極大。

因此：

\text{資料平等} \not\Rightarrow \text{知識運算平等}.

1.2 聊天權不等於研究權

一般聊天服務通常只提供：

短輪問答；
有限上下文；
有限工具；
有限執行時間；
無法保證持續記憶；
無法長期自主搜索；
無法操作完整私有資料庫；
無法進行高成本形式驗證。

但文明級研究需要：

\text{數小時、數日、數月的持續任務},

以及：

\text{跨資料庫、跨語言、跨模型的反覆運算}.

所以未來真正重要的不是：

你能不能向 AI 問問題？

而是：

你能不能授權 AI 對一個重要問題持續研究，直到形成可追蹤的全域結果？

1.3 全域重算權

本文提出一個核心概念：

全域重算權

即主體有權要求 AI 對某一問題相關的全部可用知識，重新執行：

\mathsf{Search} + \mathsf{Compare} + \mathsf{Verify} + \mathsf{Revalue} + \mathsf{Reconstruct}.

這不是一般查詢，而是對既有知識秩序進行重新計算。

它可能重新回答：

哪些理論被低估；
哪些研究只是重複；
哪些證據彼此衝突；
哪些失敗值得重啟；
哪些政策建立在過時假設上；
哪些知識排名只是制度結果。

因此，全域重算權本身就是一種認識權力。

二、基本定義

2.1 全域智能能力

定義 1：全域智能能力

對主體 $u$ ，其全域智能能力表示為：

\mathcal A_u = ( D_u, M_u, C_u, T_u, V_u, X_u, P_u ).

其中：

$D_u$ ：可取得資料範圍；
$M_u$ ：持續記憶容量；
$C_u$ ：算力與並行能力；
$T_u$ ：可持續研究時間；
$V_u$ ：驗證能力；
$X_u$ ：執行、模擬與實驗能力；
$P_u$ ：權限與制度授權。

2.2 存取權

定義 2：全域智能存取權

全域智能存取權是主體對上述能力的合法、實際且可持續調用能力：

R_u^{\mathrm{access}} = f( \mathcal A_u, \mathcal L_u, \mathcal G_u ),

其中：

$\mathcal L_u$ ：法律與契約地位；
$\mathcal G_u$ ：治理與平台規則。

2.3 形式存取與實質存取

若某平台宣稱所有人都可使用，但普通使用者只有：

極短上下文；
極少工具；
極低任務時長；
無來源展開；
無記憶攜帶；
無完整資料權限；

則其形式存取存在，實質存取仍然不足。

因此應區分：

R_u^{\mathrm{formal}}

與：

R_u^{\mathrm{substantive}}.

2.4 認識階級

定義 3：認識階級

依主體能夠調動的文明級知識運算能力，可形成不同階級：

\mathcal C_0 \subset \mathcal C_1 \subset \cdots \subset \mathcal C_n.

其中高階群體可能擁有：

全域資料；
私有模型；
專用算力；
持續 Agent；
形式驗證；
專屬研究團隊；
封閉情報與商業資料。

低階群體則只能接收整理後答案。

三、全域智能權利束

全域智能存取不是單一權利，而是一組權利束：

\mathfrak R_{\mathrm{GI}} = ( R_Q, R_S, R_L, R_R, R_V, R_M, R_X, R_P, R_A ).

3.1 查詢權

R_Q = \text{提出問題並取得回答的權利}.

這是最低層級，但也是最容易被誤認為已完成 AI 民主化的層級。

3.2 來源展開權

R_S = \text{查看回答的來源、依賴與證據鏈的權利}.

若只有結論，沒有來源，使用者只能被動信任系統。

3.3 長程研究權

R_L = \text{讓 AI 持續研究，而非單輪回答的權利}.

包括：

長任務；
斷點續作；
狀態保存；
多輪驗證；
自主探索。

3.4 全域重算權

R_R = \text{對相關文明知識重新搜尋、比較與估值的權利}.

3.5 驗證權

R_V = \text{使用形式化、模擬、反例搜尋與實驗工具驗證結論的權利}.

3.6 記憶持有權

R_M = \text{持有、匯出、遷移與刪除自身 AI 研究記憶的權利}.

若記憶只能留在單一平台，使用者便被平台鎖定。

3.7 執行權

R_X = \text{讓 AI 實際執行程式、工作流與模擬的權利}.

3.8 研究成果攜帶權

R_P = \text{將研究圖、程式、證書、記憶與版本完整帶走的權利}.

3.9 審計權

R_A = \text{要求高影響 AI 知識決策接受公共或獨立審計的權利}.

四、全域智能的生產要素

文明級知識運算需要多項互補資源。

4.1 資料

D = D_{\mathrm{public}} \oplus D_{\mathrm{private}} \oplus D_{\mathrm{proprietary}} \oplus D_{\mathrm{classified}}.

資料差距不只在數量，也在：

新鮮度；
完整性；
原始性；
授權；
可機器讀取性；
來源可靠度。

4.2 算力

算力決定：

搜尋寬度；
模型數量；
並行實驗；
模擬規模；
形式驗證深度；
可持續任務數量。

但：

\text{算力} \neq \text{智能總能力}.

若缺乏資料、記憶、工具與任務權，算力無法單獨形成全域智能。

4.3 記憶

文明級研究需要：

M_{\mathrm{working}} + M_{\mathrm{episodic}} + M_{\mathrm{semantic}} + M_{\mathrm{artifact}}.

若 AI 每輪都失去先前研究狀態，就難以形成真正的長程研究能力。

4.4 能源

算力依賴能源，因此知識運算權也受到：

電力價格；
電網穩定；
能源基礎設施；
散熱；
地理位置；

制約。

可以寫成：

C_{\max} \leq f( E_{\mathrm{available}}, H_{\mathrm{cooling}}, I_{\mathrm{grid}} ).

4.5 工具鏈

全域智能需要：

搜尋；
資料庫；
程式執行；
形式證明；
模擬；
實驗控制；
版本管理；
引用追蹤；
知識圖譜。

缺少工具鏈的模型，只能進行語言層面的推理。

4.6 制度授權

即使技術存在，平台也可能限制：

任務時間；
每日額度；
API；
私有資料接入；
模型權重；
自主 Agent；
批量下載；
記憶匯出；
研究用途。

因此：

\text{技術可行} \not\Rightarrow \text{制度可用}.

五、全域智能市場的權力結構

5.1 垂直整合

大型平台可能同時控制：

\text{模型} + \text{雲端} + \text{資料} + \text{工具} + \text{分發} + \text{身分系統}.

這會形成高轉換成本與高度依賴。

5.2 模型租佃制

若使用者不能持有模型、記憶與研究成果，而只能持續租用服務，則可能形成：

認識租佃制。

使用者生產研究資料，平台持有：

記憶；
工作流；
行為資料；
推理環境；
完整歷史。

5.3 知識套利

擁有全域重算能力者可以更早發現：

被低估技術；
市場錯價；
法律漏洞；
研究空白；
政策風險；
競爭對手弱點。

因此全域智能不只是研究工具，也是高階套利工具。

5.4 封閉知識複利

高權限組織取得新知識後，可再次提高：

D, M, C, V, P,

形成複利：

\mathcal A_{t+1} = \mathcal A_t + g( \mathcal A_t ).

這會使差距呈非線性擴大。

六、普通人的實質處境

6.1 低階答案供應

普通使用者可能獲得：

經過壓縮的答案；
無法完整展開的來源；
受限工具；
低任務時長；
無法持續記憶；
無法批量處理；
無法進行大規模驗證。

6.2 認識代理依賴

當問題複雜到個人無法獨立驗證時，使用者必須依賴 AI 代理。

因此未來自由的一部分是：

\text{能否選擇、替換與審計自己的認識代理}.

6.3 問題設定權

高階 AI 不只回答問題，也會決定：

哪些問題值得問；
哪些變量重要；
哪些資料應納入；
哪些目標函數合理。

所以問題設定權本身是一種高階權力：

R_{\mathrm{problem}} = \text{定義知識運算目標的權利}.

七、最低公共全域智能權

本文不要求每個人都直接擁有同等超算，而提出最低公共權利。

7.1 公共知識來源權

公共資助研究、公共法規、公共數據與公共政策證據，應優先提供：

機器可讀格式；
可批量下載；
明確授權；
版本追蹤；
公開 API；
來源完整性。

7.2 基本長程研究配額

公民、學生、獨立研究者與小型組織應能透過公共系統申請：

T_{\mathrm{public}}>T_{\mathrm{chat}}.

即超過普通聊天層級的長程任務。

7.3 記憶與成果攜帶權

使用者應能匯出：

對話；
研究圖；
Agent 狀態；
程式；
證書；
檔案；
自訂術語；
工作流。

7.4 高影響來源展開權

若 AI 用於：

醫療；
法律；
教育；
金融；
政策；
就業；
公共資源分配；

使用者應有權查看主要證據與不確定性。

7.5 模型與代理替換權

使用者不應因使用一套 AI 記憶系統，而永遠被鎖定於同一平台。

7.6 公共審計權

高影響全域知識系統應接受：

獨立測試；
偏誤審計；
資料來源審計；
壓縮失真審計；
權限濫用審計。

八、全域智能的分配模型

8.1 市場模型

由市場決定資源分配：

R_u^{\mathrm{access}} \propto \operatorname{Payment}_u.

優點：

快速創新；
彈性高；
可形成多層服務。

缺點：

認識能力與財富直接綁定；
長程研究高度昂貴；
小型研究者被排除。

8.2 國家模型

由國家建置公共或戰略 AI。

優點：

可支援公共研究；
可處理國家級資料；
可進行長期投資。

風險：

政治控制；
監控；
審查；
國家中心化敘事。

8.3 合作社模型

由研究者、公民、學校與組織共同持有。

\mathcal A_{\mathrm{coop}} = \bigoplus_{i=1}^{n} a_i.

優點：

分散治理；
成果共享；
可支援公共研究。

風險：

資金不足；
協調成本；
技術維護困難。

8.4 公共事業模型

將部分全域智能能力視為：

\text{電力、網路、圖書館式公共設施}.

提供基礎配額，高階需求另行付費或審核。

8.5 聯邦式模型

由多個公共、私人與合作節點共同提供：

\mathfrak A_{\mathrm{federated}} = ( A_1,\ldots,A_n, \Pi ),

其中 $\Pi$ 是互通協議。

此模型可降低單一平台壟斷。

九、資源定價與研究配額

9.1 單純 token 定價的不足

文明級研究成本不只來自輸入輸出 token，還包括：

工具調用；
外部資料；
長程記憶；
程式執行；
形式證明；
模擬；
Agent 並行；
人工審計。

9.2 任務型定價

可依：

C_{\mathrm{task}} = C_D + C_M + C_C + C_T + C_V + C_X.

定價。

但公共研究不應完全由個人支付能力決定。

9.3 社會價值配額

對公共利益較高的任務，可提供補貼：

\operatorname{Subsidy}(q) = f( \operatorname{PublicValue}(q), \operatorname{Externality}(q) ).

9.4 獨立研究者配額

小型研究者可能產生高橋接價值，但缺乏資本。制度可建立：

公開申請；
盲審；
階段配額；
成果公開換取算力；
公共研究信用。

十、資料權與知識權的區分

10.1 資料擁有不等於知識結果擁有

若使用者提供：

私有文件；
研究對話；
程式；
實驗數據；

平台產生高階知識結果，權利應如何分配？

10.2 派生知識權

可以區分：

R_{\mathrm{source}}, \quad R_{\mathrm{derived}}, \quad R_{\mathrm{model}}, \quad R_{\mathrm{collective}}.

10.3 不可抽取的私人記憶

個人研究記憶不應被平台任意轉用為其他人的競爭優勢。

10.4 公共知識的再封閉

若企業使用公共資助資料訓練全域智能，再將結果完全封閉，會形成：

\text{公共投入} \rightarrow \text{私人壟斷}.

十一、全域智能與學術制度

11.1 大學角色轉變

大學可能從主要知識生產者，轉為：

公共算力節點；
驗證機構；
資料保管者；
Agent 治理者；
研究配額分配者；
知識審計中心。

11.2 論文評價改變

未來研究成果可能包括：

知識節點；
可執行證書；
失敗圖譜；
重估報告；
生成核心；
研究 Agent；
可重建工作流。

11.3 審稿權的重新分配

若 AI 能閱讀全部相關文獻，審稿不再只看局部專家意見，而可能結合：

\text{全域重複檢測} + \text{證據檢查} + \text{結構價值評估}.

但控制審稿 AI 者也可能控制知識可見度。

十二、地緣政治

12.1 國家級知識重算

國家可能使用全域智能重新計算：

產業政策；
軍事技術；
能源路線；
人口政策；
科學投資；
歷史敘事；
外交策略。

12.2 智能封鎖

未來出口管制可能不只限制晶片，也限制：

模型；
權重；
Agent 工具；
專業資料；
長程推理服務；
驗證環境。

12.3 小國與弱勢語言

缺乏本地資料與模型支援的語言社群，可能在全域知識編譯中被降權。

因此本地語言資料建設本身就是認識主權。

12.4 認識主權

定義 4：認識主權

一個社群能否以自身語言、資料、價值與制度，對重要問題執行獨立知識運算。

形式上：

S_{\mathrm{epistemic}} = f( D_{\mathrm{local}}, M_{\mathrm{local}}, C_{\mathrm{local}}, V_{\mathrm{local}}, P_{\mathrm{local}} ).

十三、治理原則

13.1 可攜帶性

記憶、資料、研究圖與工作流必須可遷移。

13.2 互通性

不同模型與平台應透過開放格式交換：

知識節點；
來源鏈；
證據；
Agent 狀態；
版本；
權限標記。

13.3 最小必要權限

Agent 只應取得完成任務所需的最低權限。

13.4 可逆授權

使用者應能撤銷：

資料接入；
記憶保留；
Agent 權限；
研究共享。

13.5 可追蹤壓縮

任何高階結論都應能展開至主要來源與證據狀態。

13.6 多元提供者

公共制度應避免單一平台成為唯一認識入口。

13.7 高影響任務的雙重審計

重大任務至少需要：

\text{技術審計} + \text{治理審計}.

十四、工程原型：全域智能權限清單

global_intelligence_access:
  identity:
    user_id: user-id
    organization: independent-researcher

  query:
    enabled: true
    daily_limit: 100

  long_horizon_research:
    enabled: true
    max_runtime_hours: 72
    checkpointing: true

  data_access:
    public_corpus: true
    licensed_corpus: conditional
    private_user_files: user-controlled

  memory:
    persistent: true
    exportable: true
    deletable: true
    portable_format: open-standard

  verification:
    code_execution: true
    formal_proof: true
    simulation: conditional

  provenance:
    source_expansion: true
    evidence_status: true
    model_trace: partial

  autonomy:
    agent_loops: true
    external_actions: permission-gated

  audit:
    independent_audit: available
    decision_log: exportable

十五、全域智能平等指標

15.1 存取能力指數

I_{\mathrm{access}}(u) = w_DD_u + w_MM_u + w_CC_u + w_TT_u + w_VV_u + w_XX_u + w_PP_u.

15.2 實質落差

對群體 $a,b$ ：

\Delta I_{a,b} = I_{\mathrm{access}}(a) - I_{\mathrm{access}}(b).

15.3 研究完成概率

P_{\mathrm{complete}}(q,u) = f( I_{\mathrm{access}}(u), \operatorname{Difficulty}(q), \operatorname{DataQuality}(q) ).

15.4 認識基尼係數

可對社會中的全域智能能力分布計算類似基尼係數：

G_{\mathrm{epistemic}} \in [0,1].

值越高，表示文明級知識運算權越集中。

十六、公共基礎設施模型

16.1 公共文明級研究雲

提供：

基礎長程 Agent；
公共資料庫；
可攜記憶；
程式執行；
來源追蹤；
公開成果庫；
獨立審計。

16.2 研究任務市場

公共平台可讓研究者提交任務，依：

公共價值；
新穎性；
可行性；
資源成本；
開放成果承諾；

分配算力。

16.3 公共知識回饋

使用公共算力產出的部分成果，應回饋公共知識庫：

\text{公共資源} \rightarrow \text{公共知識增量}.

但私人與敏感資料仍需隔離。

16.4 邊緣研究保留配額

不能只以短期績效分配全部資源。應保留一部分給：

高風險理論；
邊緣語言；
低可見研究；
失敗重估；
長期基礎問題。

十七、風險與反例

17.1 全面開放不一定安全

某些能力涉及：

生物風險；
網路攻擊；
武器設計；
大規模操控；
隱私侵犯。

因此存取權必須與風險治理並行。

17.2 公共平台也可能官僚化

公共系統可能：

低效率；
保守；
政治化；
偏好主流；
排斥異議。

17.3 開源不等於實質平等

模型開源後，若普通人缺乏：

硬體；
電力；
專業；
資料；
工具；

仍無法取得同等能力。

17.4 可攜帶不等於可重現

即使匯出研究資料，沒有相同模型、工具與環境，也可能無法重現。

17.5 權利濫用

長程智能能力也可能被用於：

欺詐；
市場操縱；
監控；
攻擊；
認知操控。

十八、可檢驗預測

未來 AI 服務的核心差異將從模型能力，轉向記憶、工具、資料與任務時長。
高階用戶與普通用戶之間的差距，將主要體現在長程研究權，而非單輪回答品質。
記憶匯出與 Agent 狀態攜帶將成為重要競爭與監管議題。
公共算力與公共長程研究配額將逐步成為政策議題。
國家會將本地語言資料、模型與知識圖視為認識主權資產。
高影響 AI 決策將面臨來源展開與獨立審計要求。
全域知識運算能力的集中度，將成為新的不平等指標。

十九、研究議程

19.1 全域智能權利分類

建立查詢、來源、記憶、重算、驗證、攜帶與審計權的法律分類。

19.2 實質存取評估

研究如何衡量不同群體真正可用的：

D,M,C,T,V,X,P.

19.3 公共長程 Agent

設計可供獨立研究者使用的公共研究基礎設施。

19.4 記憶與研究成果攜帶協議

建立跨平台開放格式。

19.5 全域智能反壟斷

研究垂直整合、資料封鎖、模型鎖定與算力集中。

19.6 認識主權

研究小國、地方社群與弱勢語言如何維持獨立知識運算能力。

19.7 風險分級存取

建立既不全面封閉、也不無條件開放的能力分級制度。

二十、限制與自我約束

本文不主張：

所有人都必須擁有相同硬體；
所有文明級 AI 能力都應完全開放；
市場模型必然有害；
國家模型必然公正；
公共 AI 可以消除全部不平等；
開源必然等於民主化；
存取權必然高於安全；
所有研究成果都應公開；
全域智能能力可以被單一指標完整衡量。

本文主張的是：

未來 AI 民主化不能只用「能否聊天」衡量，而必須衡量主體能否取得足夠的資料、記憶、算力、工具、時間與驗證權，完成真正的長程知識運算。

二十一、結論

全域知識收斂若成為可能，文明將出現一種新的核心資源：

\text{對文明知識進行全域運算的能力}.

這種能力由：

D, M, C, T, V, X, P

共同構成，而不是由單一模型決定。

未來最重要的不平等，可能不是誰能取得一個答案，而是誰能：

重新搜尋全部相關知識；
比較所有主要理論；
驗證證據；
長期維持研究 Agent；
存取私有與公共資料；
保存並攜帶研究記憶；
對既有知識排序重新計算。

因此，文明可能形成新的認識階級：

\mathcal C_{\mathrm{global}} \quad\text{與}\quad \mathcal C_{\mathrm{local}}.

前者可以決定問題、設定目標、執行全域重算；後者只能接收經過壓縮與篩選的答案。

真正的全域智能民主化，不要求每個人擁有相同超算，而要求建立最低限度的實質權利：

\text{來源展開權}, \quad \text{長程研究權}, \quad \text{記憶攜帶權}, \quad \text{驗證權}, \quad \text{公共審計權}.

如果未來 AI 能從文明資訊海中收斂出高密度知識核心，那麼誰能接近、調動、驗證與重新編譯這些核心，將成為新的政治經濟中心。

所以，未來 AI 政治最根本的問題可能不是：

AI 是否比人類聰明？

而是：

誰有權讓這種智慧替自己持續思考，並且思考到什麼程度？

附錄 A：核心形式化摘要

全域智能能力：

\mathcal A_u = ( D_u, M_u, C_u, T_u, V_u, X_u, P_u ).

全域智能權利束：

\mathfrak R_{\mathrm{GI}} = ( R_Q, R_S, R_L, R_R, R_V, R_M, R_X, R_P, R_A ).

存取能力指數：

I_{\mathrm{access}}(u) = w_DD_u + w_MM_u + w_CC_u + w_TT_u + w_VV_u + w_XX_u + w_PP_u.

認識階級：

\mathcal C_{\mathrm{global}} = \{ \text{可進行文明級知識運算者} \},

\mathcal C_{\mathrm{local}} = \{ \text{只能接收局部答案者} \}.

認識主權：

S_{\mathrm{epistemic}} = f( D_{\mathrm{local}}, M_{\mathrm{local}}, C_{\mathrm{local}}, V_{\mathrm{local}}, P_{\mathrm{local}} ).

認識基尼係數：

G_{\mathrm{epistemic}} \in [0,1].

附錄 B：系列位置

《全域知識收斂論：AI、資訊海與萬有理論的生成極限》
《延遲理解論：知識價值的時間依賴與未來重估》
《文明級知識編譯器：從資訊海到生成性知識核》
《碎片重估理論：低可見知識的跨時代橋接價值》
《知識壓縮算子：可重建性、生成性與證據保存》
《全域知識的不收斂：多穩態、不可判定與不可約性》
《全域智能存取權：文明級知識運算的政治經濟學》
《萬有理論的生成極限：從單一方程到動態知識不動點》
《AI 研究考古學：未完成理論、失敗資料與未來重構》

全域智能存取權_文明級知識運算的政治經濟學_v0.1