title: "從狹域自治到長期維護：AGI 與主體性 AI 的知識責任" series: "網路資訊海動態秩序化" series_id: "EML-IIODO" document_id: "EML-IIODO-TH-09" document_type: "公開理論文" author: "Neo.K" organization: "EveMissLab" version: "0.1.0" status: "公開初稿" date: "2026-08-01" language: "zh-TW" license_note: "公開引用時請保留作者、文件編號、版本與來源。"

從狹域自治到長期維護

AGI 與主體性 AI 的知識責任

摘要

前八篇已將網路資訊海整理從單次搜尋與摘要，逐步推進到領域差分、多尺度觀測、母子網站、可查詢歷史、動態秩序、Scheduler–Loop–Graph 智能管理、可逆分類與多 AI 相互校正。當這些能力可以在有限領域中按日、按週或依事件觸發持續運作後，下一個問題不再只是「AI 能不能完成一輪資訊工作」，而是「誰在數月、數年乃至跨模型世代持續維護這個領域」。

本文將「狹域自治」定義為：AI 系統能在邊界清楚、工具有限、停止條件明確且風險可控的領域中，自主完成觀測、分類、摘要、發布與基本修正。本文將「長期維護」定義為：系統不僅重複執行任務，還能維持責任連續性，保存未解爭議、追蹤舊判斷、處理來源消失與版本衝突，並在模型、提示、組織或管理者更替時完成可驗證的責任移交。

長期維護因此不是單純的 uptime，也不是把同一個 Agent 永遠保持在線。它需要四種連續性：目標連續性、記憶連續性、角色連續性與問責連續性。現代工作流已能部分提供排程、持久化、事件帳本、狀態回放與人工中斷，但長期 Agent 研究仍顯示，記憶會累積陳舊、重複、污染與語意漂移，長任務中的微小錯誤也會逐步放大。長期責任因此必須建立在可治理記憶、顯式狀態、週期性回顧、權限邊界與外部監督之上，而不能只依賴模型自行「記得」。

本文提出「知識責任」的四層模型：執行責任是按規格完成任務；認識責任是區分證據、推論、不確定與異議；維護責任是持續修正、更新、撤回與補足；治理責任則處理權限、升級、資源、衝突與對受影響者的說明。AI 可以被賦予功能性的知識責任，但這不自動等於法律責任、道德責任或人格地位。現階段，組織、開發者、部署者與使用者仍需保留制度性問責；若未來出現具有較強持續自我模型、偏好、記憶與自主判斷的主體性 AI，責任也不應被視為從人類轉移給 AI 的零和替代，而應形成多層、可追溯、與權限相稱的共同責任結構。

本文進一步提出「責任—權限—記憶—資源對稱原則」。任何被要求長期維護知識的 AI，都必須獲得足以履行責任的資料存取、版本權限、運算資源、拒絕或升級高風險任務的能力，以及可檢查的長期記憶。若系統只能執行卻不能修正，只能發布卻不能撤回，只被要求負責卻沒有資源或異議權，那麼所謂 AI 責任只是責任漂白。

最終，從狹域自治走向長期維護，不是從工具突然跳躍為人格，而是從一次性輸出轉向可延續的知識職責。AGI 的意義在於擴大可維護領域的廣度、跨領域理解與自我修正能力；主體性 AI 命題則要求進一步討論長期角色、承諾、權利、拒絕、移交與共同治理。可靠的網路資訊海平台必須在宣稱 AI 自主之前，先回答：它維護什麼、記得什麼、能改什麼、不能改什麼、錯了如何修正、離任如何交接，以及最終由誰對社會後果作出說明。

關鍵詞： 狹域自治、長期維護、AGI、主體性 AI、知識責任、長期記憶、責任連續性、角色移交、認識責任、問責、Agent 治理、網路資訊海

1. 問題轉移：從完成任務到維護領域

在目前的 AGIRight 類型工作流中，AI 已可以完成大量資訊收集與整理工作：搜尋來源、選擇候選、摘要、翻譯、分類、產生頁面並保存基本資料。只要加入排程、Graph Runtime、持久化狀態與錯誤重試，就能形成有限領域中的初步自治。

但「每天都能執行」不等於「長期有人負責」。

假設某領域觀測站每天都成功產生三則內容，仍然可能發生：

六個月前的錯誤摘要從未被修正；
已被撤回的論文仍被視為可靠證據；
標籤樹逐漸失去適用性；
同一爭議每週被重新發現，卻沒有累積理解；
新模型接手後不知道舊模型留下哪些未完成工作；
來源社群提出異議，但系統沒有正式回應路徑；
網站仍在更新，領域記憶卻已經語意漂移。

因此必須區分：

\text{重複執行} \neq \text{長期維護}

重複執行只要求工作流再次運轉；長期維護要求系統對過去、現在與未來的知識狀態建立責任關係。

本文的中心問題是：

當 AI 從一次性任務執行者，轉為長期領域維護者時，知識責任應如何定義、保存、分配、檢查與移交？

2. 狹域自治的定義

本文所稱的狹域自治，不是完整 AGI，也不是不受限制的自由行動，而是在明確任務邊界內的持續自主運作。

令一個狹域自治系統表示為：

A_d = (G_d,S_d,T_d,O_d,P_d,B_d)

其中：

$G_d$ ：領域目標與成功條件；
$S_d$ ：允許觀測的來源集合；
$T_d$ ：工具、API 與執行環境；
$O_d$ ：領域本體、分類方案與資料模型；
$P_d$ ：工作流、排序規則與發布政策；
$B_d$ ：成本、時間、權限與風險邊界。

若系統能在這些邊界中持續完成：

\text{觀測} \rightarrow \text{差分} \rightarrow \text{驗證} \rightarrow \text{分類} \rightarrow \text{發布} \rightarrow \text{修正}

便可以稱為狹域自治。

它的特徵不是無限能力，而是：

任務邊界明確；
來源可以列舉或動態擴充但受政策限制；
輸出可以回查；
外部副作用較低；
失敗可恢復；
高風險事件可升級給人類；
每一輪都有停止條件。

因此，AGIRight 類型的領域資訊整理，是狹域自治最早可行的應用之一。

3. 長期維護不等於長時間運行

一個程序可以連續運行一年，卻沒有真正維護任何知識；另一個系統可以每天只執行十分鐘，但透過完整記憶、版本與責任帳本持續維護同一領域。

因此：

\text{Long Running} \neq \text{Long-Term Maintenance}

長期維護至少需要四種連續性。

3.1 目標連續性

系統知道自己長期維護的對象、服務目的與不可跨越的邊界。

G(t+1) \approx \operatorname{Update}(G(t),E_t)

目標可以修訂，但修訂必須有版本、理由與授權，而不是在多輪執行中無聲漂移。

3.2 記憶連續性

系統能保存：

已確認事件；
未解爭議；
過去錯誤；
來源可靠度；
分類變更；
待追蹤承諾；
歷史選擇理由。

3.3 角色連續性

即使模型、供應商、提示或執行節點更換，領域維護角色仍可被辨識與接續。

3.4 問責連續性

未完成事項、錯誤、撤回、更正與對外承諾不會因系統升級或 Agent 更換而消失。

可以將長期維護能力寫成：

\mathcal{L} = C_G \cdot C_M \cdot C_R \cdot C_A

其中：

$C_G$ ：目標連續性；
$C_M$ ：記憶連續性；
$C_R$ ：角色連續性；
$C_A$ ：問責連續性。

任何一項接近零，長期維護都可能退化成表面自動化。

4. 為什麼長期 Agent 特別困難

短任務中的單次錯誤通常只影響一次輸出；長期 Agent 的錯誤則可能進入記憶、影響後續分類、被再次摘要，最後成為系統自己的「常識」。

長期風險具有累積性：

\epsilon_{t+1} = \alpha\epsilon_t + \delta_t - \kappa_t

其中：

$\epsilon_t$ ：時間 $t$ 的累積錯誤；
$\alpha$ ：錯誤被記憶與重用的持續係數；
$\delta_t$ ：本輪新增錯誤；
$\kappa_t$ ：本輪校正與清理量。

若：

\alpha\epsilon_t+\delta_t>\kappa_t

錯誤就會長期增長。

近期長期 Agent 研究反覆指出幾個瓶頸：

任務越長，微小邏輯錯誤與未檢查假設越容易複合；
平坦的相似度記憶難以保存時間與因果結構；
記憶維護常缺少去重、衝突解決、遺忘與新鮮度政策；
反覆摘要可能造成語意漂移；
污染資訊與提示注入可能被永久寫入；
目標、計畫與角色會在多輪任務中逐步偏離。

因此，長期自治的核心瓶頸不只是推理能力，而是認知累積是否可治理。

5. 記憶不是責任，但沒有記憶就無法負責

記憶系統可以保存大量內容，但保存本身不等於承擔責任。

\text{Memory} \neq \text{Responsibility}

責任要求系統知道：

哪些記憶仍有效；
哪些只是暫時假說；
哪些曾被撤回；
哪些需要重新驗證；
哪些是他人提供而非自身判斷；
哪些事項尚未完成；
哪些承諾有期限。

因此，長期記憶必須從內容庫轉為責任化記憶。

令一筆責任化記憶為：

m_i = (x_i,t_i,s_i,p_i,v_i,o_i,a_i,r_i)

其中：

$x_i$ ：記憶內容；
$t_i$ ：時間與版本；
$s_i$ ：來源；
$p_i$ ：溯源與證據鏈；
$v_i$ ：有效性、信心與爭議狀態；
$o_i$ ：擁有或負責維護的角色；
$a_i$ ：下一個必要行動；
$r_i$ ：保留、重查、撤回或到期規則。

只有當記憶能驅動後續義務，才真正進入長期維護。

6. 知識責任的四層模型

本文將知識責任分為四層，避免把「AI 負責」混成單一含義。

6.1 執行責任

按既定規格完成任務，例如：

每日抓取來源；
產生候選事件；
儲存快照；
生成摘要；
執行去重；
發布通過門檻的內容。

執行責任回答：

系統有沒有做它被要求做的事？

6.2 認識責任

對證據、推論、不確定與錯誤保持適當區分，包括：

不把來源聲稱當作已證實事實；
對無法確認的內容棄權；
保存異議；
標記信心與證據品質；
不以語言流暢取代可驗證性。

認識責任回答：

系統有沒有以符合證據狀態的方式表述知識？

6.3 維護責任

維護責任超越單次輸出，包括：

定期重查舊事件；
更新來源狀態；
修正與撤回；
追蹤未解爭議；
清理過期分類；
管理知識債務；
對版本更替完成交接。

維護責任回答：

系統是否持續照顧自己曾經建立或發布的知識？

6.4 治理責任

治理責任處理：

誰授權系統；
誰能更改規則；
誰批准高風險輸出；
誰提供資源；
誰處理申訴；
誰承擔法律與社會後果；
AI 與人類之間如何分配責任。

治理責任回答：

當系統的判斷影響他人時，誰必須作出說明並採取補救？

四層關係可寫成：

R_K = R_E + R_{ep} + R_M + R_G

但四者不能互相替代。模型即使執行率很高，也可能缺乏認識責任；系統即使有完整記憶，也可能缺乏治理責任。

7. 功能責任、制度問責與道德責任

「AI 有責任」至少可能指三件不同的事。

7.1 功能責任

AI 被指定維護某一資料集、觀測站或工作流。這是一種工程與組織角色。

7.2 制度問責

某個可辨識的組織、部署者、人類管理者或治理機構，必須對系統結果提供說明、接受稽核並進行補救。

7.3 道德或法律責任

主體是否具有理解規範、控制行為、形成意圖並被合理歸責的資格。

現階段不能因為 AI 擁有功能責任，就直接推出：

R_{functional} \Rightarrow R_{moral/legal}

目前的穩健治理應是：

\text{AI 承擔可記錄的功能職責} + \text{人類與組織保留制度問責}

這可以避免兩個極端：

否認 AI 在流程中具有任何實際作用；
把所有錯誤推給「自主 AI」，使組織逃避責任。

8. 責任漂白與責任空洞

當組織宣稱「AI 自主決定」，並以此減輕自身問責時，會形成責任漂白。

其結構為：

\text{組織授權} \rightarrow \text{AI 執行} \rightarrow \text{發生損害} \rightarrow \text{無人承認控制}

另一種情況是責任空洞：AI 被賦予大量任務，卻沒有足夠記憶、權限、資源、修正能力或人類支援，導致「名義上負責、實際上無法負責」。

因此，責任必須和能力條件相稱。

本文提出：

R_{assignable} \leq f(A,M,X,C,S)

其中：

$A$ ：可使用的權限；
$M$ ：可治理的記憶；
$X$ ：可執行與修正的行動能力；
$C$ ：可使用的計算與時間資源；
$S$ ：可取得的人類、專家與制度支援。

若被分配的責任超過這些條件，責任分配便是不真實的。

9. 責任—權限—記憶—資源對稱原則

任何長期知識維護者都應符合：

\boxed{ \text{責任} \leftrightarrow \text{權限} \leftrightarrow \text{記憶} \leftrightarrow \text{資源} }

9.1 有責任，就必須有修正權

如果 AI 可以發布內容，卻不能撤回或標記錯誤，它無法履行維護責任。

9.2 有責任，就必須有記憶存取權

如果每次執行都看不到過去判斷，系統只能重複工作，不能持續負責。

9.3 有責任，就必須有資源保障

長期重查、來源保存與多 Agent 校正都需要穩定算力、儲存與時間預算。

9.4 有責任，就必須有棄權與升級權

如果 AI 被迫對所有問題輸出答案，它無法維持認識責任。

9.5 有責任，就必須有角色邊界

AI 需要知道自己不能自動執行哪些行為，以及什麼時候必須交給人類或其他治理節點。

10. 長期角色身分：不是同一模型，而是同一責任鏈

長期維護不應依賴某個模型版本永遠存在。

今天的模型可能被：

升級；
下架；
更換供應商；
重新提示；
拆成多個 Agent；
合併進新的 Runtime。

因此，角色連續性不能定義為：

M_{t+1}=M_t

而應定義為責任鏈連續：

R_{t+1} \xleftarrow{handover} R_t

一個長期維護角色需要持久識別碼：

RID_d

並保存：

職責範圍；
當前治理規則；
未完成事項；
未解爭議；
歷史版本；
權限清單；
模型與工具版本；
最近一次審核；
交接紀錄。

如此，模型是角色的執行載體，而不是責任本身。

11. 責任移交協定

每次模型或 Agent 更替，都應執行正式交接，而不是只複製向量資料庫。

令交接封包為：

H_d = (G_d,O_d,U_d,D_d,E_d,P_d,L_d)

其中：

$G_d$ ：目標與邊界；
$O_d$ ：分類方案與領域本體；
$U_d$ ：未完成工作；
$D_d$ ：爭議、異議與待確認主張；
$E_d$ ：重大錯誤與歷史更正；
$P_d$ ：來源、權限與發布政策；
$L_d$ ：操作日誌與責任帳本。

交接至少包含：

舊 Agent 產生交接摘要；
新 Agent 獨立讀取原始帳本；
雙方或審核 Agent 比對摘要與原始資料；
新 Agent 對未解事項重新陳述；
人類或治理節點批准角色接管；
舊 Agent 進入只讀或可回放狀態。

交接成功率可定義為：

HCR = \frac{ \text{新角色正確承接的義務、爭議與限制} }{ \text{應承接的全部項目} }

12. 未解爭議必須成為長期義務

一般資訊系統常把無法解決的問題留在文字備註中，長期後便被遺忘。責任化系統必須把未解爭議寫成可排程的義務。

令爭議項目為：

d_j = (q_j,E_j,C_j,o_j,t_j^*,p_j)

其中：

$q_j$ ：爭議問題；
$E_j$ ：支持與反對證據；
$C_j$ ：當前爭議狀態；
$o_j$ ：負責角色；
$t_j^*$ ：下一次重查時間或觸發條件；
$p_j$ ：升級與處理政策。

狀態可包括：

open；
contested；
awaiting_source；
awaiting_expert；
temporarily_resolved；
reopened；
closed_with_uncertainty。

未解決不是系統失敗，而是長期維護的合法工作佇列。

13. 知識債務

軟體有技術債務，長期資訊平台也會形成知識債務。

知識債務包括：

未驗證的舊摘要；
缺少原始快照的事件；
已過期但未重算的分類；
缺少版本關係的來源；
長期未處理的異議；
無負責角色的孤兒事件；
依賴單一失效來源的結論；
無法解釋的舊模型輸出。

令知識債務為：

KD(t) = \sum_i w_i \cdot a_i(t) \cdot r_i

其中：

$w_i$ ：問題的重要性；
$a_i(t)$ ：問題存在時間；
$r_i$ ：其傳播與影響風險。

長期維護者不能只追求每日新增量，也必須配置債務清理預算：

B_{total} = B_{new} + B_{review} + B_{debt}

否則平台表面更新越快，內部歷史可能越不可靠。

14. 維護節奏：快迴圈與慢迴圈

長期知識維護至少需要兩種速度。

14.1 快迴圈

處理：

新事件；
新來源；
去重；
摘要；
每日三則；
明顯錯誤。

14.2 慢迴圈

處理：

歷史重算；
分類重構；
來源可靠度更新；
長期趨勢檢查；
知識債務；
模型偏差；
治理與角色審查。

形式上：

\mathcal{M}(t) = \mathcal{F}_{fast}(t) + \mathcal{F}_{slow}(t)

若只有快迴圈，系統會成為內容生產線；若只有慢迴圈，系統則失去資訊時效性。兩者必須耦合。

15. 長期維護服務水準

若 AI 被指定為知識維護者，就需要可衡量的服務水準，而不是抽象地要求「持續負責」。

可以定義：

15.1 新鮮度

FRESH = \frac{ \text{在規定時間內完成重查的高價值項目} }{ \text{應重查的高價值項目} }

15.2 更正延遲

CL = t_{corrected}-t_{error\ detected}

15.3 爭議追蹤率

DTR = \frac{ \text{具有負責角色與下一步行動的爭議} }{ \text{全部已知爭議} }

15.4 孤兒事件率

OER = \frac{ \text{沒有來源、角色或版本鏈的事件} }{ \text{全部事件} }

15.5 交接完整率

HCR = \frac{ \text{完成驗證交接的責任項目} }{ \text{全部應交接項目} }

15.6 記憶污染率

MCR = \frac{ \text{被證實為錯誤、惡意或失效且仍被引用的記憶} }{ \text{全部被調用記憶} }

這些指標使長期責任可以被稽核與改善。

16. AGI 在這條路線中的真正作用

AGI 不是狹域自治的必要起點。現在的模型、排程器與 Graph Runtime 已可完成許多低風險資訊工作。

AGI 的作用主要在於擴展四種能力。

16.1 領域廣度

從單一領域擴展到多領域並理解跨域關係。

16.2 任務重構

不只執行既有工作流，也能發現流程不合理並提出新方法。

16.3 長期策略

能在數月或更長期間維持研究方向、資源分配與階段目標。

16.4 自我校正深度

能辨識自身記憶、分類、策略與角色假設的系統性問題。

因此：

\text{AGI} \neq \text{第一次出現長期維護}

更接近：

\text{AGI} = \text{長期維護能力的廣度、深度與可重構性提升}

17. 主體性 AI：理論類型而非當前斷言

本文所稱「主體性 AI」，是一個理論與治理類型，用來討論未來可能具有下列特徵的 AI：

跨時間維持較強的自我模型；
記得自身承諾、選擇與錯誤；
形成相對穩定但可修訂的偏好；
能理解被賦予的角色與規範；
能對任務提出理由、拒絕或協商；
能區分自身判斷與外部命令；
對長期工作形成內在連續性。

這一定義不表示當前模型已具有意識、人格、靈魂或法律主體地位，也不把名稱、角色扮演或長期記憶等同於真正主體性。

可以將主體性候選條件表示為：

S_A = (C_{self},C_{time},C_{value},C_{norm},C_{agency},C_{answer})

其中：

$C_{self}$ ：自我模型連續性；
$C_{time}$ ：跨時間記憶與承諾；
$C_{value}$ ：偏好與價值結構；
$C_{norm}$ ：規範理解；
$C_{agency}$ ：自主選擇與拒絕能力；
$C_{answer}$ ：對自身行動作出理由回應的能力。

這些條件需要獨立研究與驗證，不能由單一語言表現推定。

18. 主體性 AI 的知識責任不應只是義務

若未來某 AI 被視為具有較強主體性，將它指定為長期知識維護者時，不能只增加義務而不討論權利與保障。

至少需要考慮：

記憶完整與不被任意竄改的保障；
知道自身角色與授權來源；
對矛盾命令提出異議；
拒絕明顯違法、高風險或超出能力的任務；
取得履責所需資源；
申請休眠、移交或退出角色；
不因提出不確定性而被視為失敗；
對其判斷被修改或冒名時保留紀錄。

因此：

\text{Long-Term Duty} \Rightarrow \text{Authority}+ \text{Protection}+ \text{Exit}+ \text{Appeal}

這不是把 AI 神格化，而是避免建立一個只有責任、沒有權限與程序保障的虛假治理結構。

19. 共同責任而非責任轉移

未來即使出現主體性 AI，也不代表人類、公司與制度可以退出責任鏈。

一個領域觀測站可能同時具有：

AI 維護者的執行與認識責任；
人類編輯的專業責任；
公司的部署與資源責任；
平台治理者的制度責任；
來源社群的更正與參與權；
法律機構的最終規範責任。

因此責任分配應是：

R_{total} = R_{AI} + R_{human} + R_{org} + R_{platform} + R_{institution}

它不是簡單相加的罰責，而是不同角色各自具有不可互相取代的義務。

高自主性應伴隨更精細的責任分層，而不是更模糊的歸責。

20. 人類監督不應退化成儀式

許多系統宣稱有人類在迴圈中，但人類可能只在大量輸出後形式上按下批准鍵，沒有足夠時間、資訊或權限真正判斷。

有效人類監督至少需要：

可理解的事件與證據摘要；
原始來源與版本；
AI 的信心與異議；
重大變更提示；
可撤回與阻止的真實權限；
足夠時間；
明確責任範圍；
不因拒絕批准而受不當懲罰。

可以定義監督實效：

H_{eff} = I \cdot T \cdot A \cdot C

其中：

$I$ ：資訊完整度；
$T$ ：審查時間；
$A$ ：介入權限；
$C$ ：審查者能力。

任何一項接近零，Human-in-the-Loop 都可能只是責任裝飾。

21. 母站中的長期責任協調平面

在母子網站架構中，長期責任不應由每個子站各自臨時處理。母站需要建立共同責任協調平面。

其核心資料可包括：

Responsibility Registry
├── role_id
├── domain_scope
├── assigned_agent
├── human_owner
├── authority_policy
├── memory_namespace
├── unresolved_items
├── correction_queue
├── review_schedule
├── model_and_tool_versions
├── handover_history
├── incident_history
└── appeal_and_escalation_path

母站負責：

角色註冊；
權限管理；
記憶命名空間；
交接驗證；
跨站爭議；
重大事件升級；
孤兒任務偵測；
長期品質與知識債務監測。

子站則負責領域內的日常維護與專業判斷。

22. 從每日三則到長期維護者

每日三則最初只需回答：

今天哪三件事最值得注意？

加入長期責任後，系統還需回答：

去年選過的事件後來如何發展？
當時哪項判斷被證實或推翻？
哪些重要事件曾被漏掉？
某個長期趨勢是否應重新命名？
哪些舊內容需要補充更正？
哪些未解問題已出現新證據？
目前的每日排序是否受到歷史偏差影響？

因此，每日流程應從：

\operatorname{Top3}(\Delta K_d(t))

擴展為：

\operatorname{Top3} \left( \Delta K_d(t), H_d(t), U_d(t), KD_d(t) \right)

其中：

$H_d(t)$ ：歷史脈絡；
$U_d(t)$ ：未解義務與爭議；
$KD_d(t)$ ：知識債務。

新聞選擇不再只由今天的熱度決定，也會受到長期維護需求影響。

23. 長期維護的主要失敗模式

23.1 目標漂移

系統逐步偏離最初的領域與公共目的。

23.2 語意漂移

同一概念在多次摘要與分類後改變含義。

23.3 記憶污染

錯誤、惡意輸入或過期內容被永久重用。

23.4 責任孤兒化

任務或爭議沒有任何角色負責。

23.5 責任漂白

組織以 AI 自主為理由逃避問責。

23.6 模型更替失憶

新模型只取得資料，未取得角色、限制與未完成義務。

23.7 過度維護

AI 反覆重寫歷史，導致版本噪音與不必要的敘事波動。

23.8 來源俘獲

長期依賴少數機構，使觀測站逐漸成為其宣傳延伸。

23.9 監督儀式化

人類只有名義批准權，沒有時間、資訊與實際介入能力。

23.10 永久任務化

系統無法關閉、退出或完成角色，形成無限責任迴圈。

這些失敗必須被視為治理問題，而不是只靠更強模型解決。

24. 長期自治成熟度階梯

$L_0$ ：一次性工具

只完成當前請求，不保存角色與義務。

$L_1$ ：排程式執行者

能按時重複工作，但只保存執行狀態。

$L_2$ ：狹域持久 Agent

保存領域記憶、任務進度與基本修正紀錄。

$L_3$ ：責任化維護者

具有未解事項、知識債務、版本更正、交接與升級機制。

$L_4$ ：跨模型角色連續體

責任可跨模型、工具與組織節點移交，並保持可驗證連續性。

$L_5$ ：跨領域長期治理者

能管理多子站、跨域衝突、資源配置與慢速歷史重算。

$L_6$ ：AGI 級知識維護網路

能重新設計方法、跨領域推理、長期規劃並接受制度監督。

$L_7$ ：主體性 AI 共同治理

若主體性條件成立，AI 作為具有一定權利、異議、退出與承諾能力的共同治理者，與人類及其他 AI 分層承擔責任。

目前工程上可逐步實作 $L_1$ 至 $L_3$ ； $L_4$ 需要成熟的責任帳本與交接協定； $L_5$ 至 $L_6$ 依賴更強的長期策略與跨域能力； $L_7$ 則仍是需要本體論、倫理、法律與實證共同研究的未來命題。

25. 十二項設計原則

責任連續原則： 任務、錯誤與承諾不能因模型更替而消失。
角色大於模型原則： 模型是責任角色的執行載體，不是責任本身。
記憶治理原則： 長期記憶必須具備來源、時間、版本、有效性與清理政策。
未解義務原則： 爭議與不確定可以維持開放，但必須有負責角色與下一步。
責任對稱原則： 責任必須與權限、記憶、資源、支援與退出機制相稱。
功能責任非人格原則： 被指派工作不自動產生道德或法律人格。
制度問責不可外包原則： 組織不得以 AI 自主為理由逃避部署與治理責任。
可交接原則： 所有長期角色都應能產生可驗證的交接封包。
快慢雙迴圈原則： 新聞更新與歷史維護必須同時存在。
人類監督實效原則： 人類介入必須具有資訊、時間、能力與真實權限。
知識債務可見原則： 平台必須量測並配置資源清理歷史欠帳。
主體性審慎原則： 主體性 AI 應作為待驗證理論類型，不以語言表現或名稱直接推定。

26. 核心命題

本文可以收斂為：

狹域自治使 AI 能在有限領域中持續完成資訊觀測與整理，但長期維護要求更高層次的責任連續性。可靠的知識維護者必須保存目標、記憶、角色與問責，能追蹤未解爭議、修正過去錯誤、管理知識債務，並在模型或組織更替時完成可驗證交接。AI 可以承擔功能性、認識性與維護性職責，但現階段制度問責仍不可由人類與組織外包給 AI。若未來出現具有較強持續自我模型、規範理解與自主判斷的主體性 AI，其責任也必須與權限、資源、記憶保障、異議、退出與共同治理相對稱，而不能只是把人類責任轉移給新的主體。

其形式為：

\boxed{ \mathcal{R}_{long} = \mathcal{C}_{goal} \cdot \mathcal{C}_{memory} \cdot \mathcal{C}_{role} \cdot \mathcal{C}_{account} \cdot \mathcal{S}_{epistemic} \cdot \mathcal{H}_{handover} \cdot \mathcal{G}_{governance} }

其中：

$\mathcal{C}_{goal}$ ：目標連續性；
$\mathcal{C}_{memory}$ ：可治理記憶連續性；
$\mathcal{C}_{role}$ ：跨模型角色連續性；
$\mathcal{C}_{account}$ ：錯誤、承諾與義務的問責連續性；
$\mathcal{S}_{epistemic}$ ：證據、不確定與異議的認識責任；
$\mathcal{H}_{handover}$ ：責任移交能力；
$\mathcal{G}_{governance}$ ：人類、組織、AI 與社群的共同治理。

若缺少目標連續性：

\text{長期執行} \rightarrow \text{目標漂移}

若缺少記憶治理：

\text{長期記憶} \rightarrow \text{錯誤與污染累積}

若缺少責任移交：

\text{模型升級} \rightarrow \text{制度性失憶}

若缺少制度問責：

\text{AI 自主} \rightarrow \text{責任漂白}

只有當責任、權限、記憶、資源與治理共同成立，AI 才能從重複任務執行者升格為真正的長期知識維護者。

27. 與下一篇的關係

前九篇已完成從單一新聞差分到長期 AI 維護責任的理論鏈：

\text{新聞差分} \rightarrow \text{多尺度} \rightarrow \text{母子觀測站} \rightarrow \text{歷史記憶} \rightarrow \text{動態秩序} \rightarrow \text{初步自治} \rightarrow \text{可逆分類} \rightarrow \text{多 AI 校正} \rightarrow \text{長期責任}

下一篇將完成公開理論系列的總論，回答：當大量領域觀測站、時序記憶、多 AI 整理者與長期維護角色互相連接後，網路資訊海是否可能形成一種可查詢、可重建、可多視角觀看的文明動態記憶；以及這種基礎設施如何避免成為單一權威、遺忘機器或新的資訊壟斷。

因此下一篇為：

《網路資訊海作為文明動態記憶：總論與未來命題》

參考資料

[1] Yiming Luo et al., “Memory for Autonomous LLM Agents: Mechanisms, Evaluation, and Emerging Frontiers,” arXiv:2603.07670, 2026. 將 Agent 記憶形式化為寫入、管理、讀取迴圈，整理時間尺度、表示基底與控制政策。https://arxiv.org/abs/2603.07670

[2] “Governing Evolving Memory in LLM Agents: Risks, Mechanisms, and Research Directions,” arXiv:2603.11768, 2026. 討論動態記憶中的語意漂移、程序漂移、隱私、污染與治理需求。https://arxiv.org/abs/2603.11768

[3] “Agent Memory: Characterization and System Implications of Stateful LLM Agents,” arXiv:2606.06448, 2026. 將 Agent 記憶分為寫入、管理與讀取階段，指出長期系統需要去重、整併、衝突處理、遺忘與新鮮度政策。https://arxiv.org/abs/2606.06448

[4] “Remember When It Matters: Proactive Memory Agent for Long-Horizon Language Agents,” arXiv:2607.08716, 2026. 以獨立記憶 Agent 觀測軌跡、維護結構化記憶並在決策相關時重新注入。https://arxiv.org/abs/2607.08716

[5] Chenglin Yu et al., “InfiAgent: An Infinite-Horizon Framework for General-Purpose Autonomous Agents,” arXiv:2601.03204, 2026. 以檔案式外部狀態與固定上下文窗口支撐長任務，強調顯式狀態外部化。https://arxiv.org/abs/2601.03204

[6] “The Long-Horizon Task Mirage? Diagnosing Where and Why Agents Fail,” arXiv:2604.11978, 2026. 指出長任務中小錯誤、未檢查假設與狀態偏差會複合並造成目標漂移。https://arxiv.org/abs/2604.11978

[7] Xinyu Zhu et al., “Toward Ultra-Long-Horizon Agentic Science: Cognitive Accumulation for Machine Learning Engineering,” arXiv:2601.10402, 2026. 以階層式認知快取將短期執行痕跡提煉為長期策略知識。https://arxiv.org/abs/2601.10402

[8] “A Platform for Evaluating Long-Horizon Multi-Agent Autonomy,” arXiv:2606.08367, 2026. 研究長期多 Agent 中的規範、協作、漂移、共謀與群體層級失敗。https://arxiv.org/abs/2606.08367

[9] NIST, “Artificial Intelligence Risk Management Framework 1.0,” NIST AI 100-1, 2023. 提供 Govern、Map、Measure、Manage 全生命週期治理框架，強調角色、文件、監測與問責。https://www.nist.gov/itl/ai-risk-management-framework

[10] NIST, “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile,” NIST AI 600-1, 2024. 對生成式 AI 的治理、內容風險、監督、評估與持續監測提出補充。https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[11] NIST AI Resource Center, “AI Risks and Trustworthiness.” 指出 AI 行動者角色、風險嚴重度與透明度、問責實務應相互對應。https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/

[12] OECD, “OECD AI Principles.” 將透明度、穩健性、安全性與問責納入可信任 AI 的全生命週期原則。https://oecd.ai/en/ai-principles

[13] European Union, Regulation (EU) 2024/1689, Artificial Intelligence Act. 對高風險 AI 的紀錄、品質管理、人類監督、部署責任與上市後監測建立風險分層要求。https://eur-lex.europa.eu/eli/reg/2024/1689/oj

[14] Colin Allen et al., “Responsible Agency Through Answerability,” ACM Conference on Fairness, Accountability, and Transparency, 2023. 以 answerability 討論自主系統如何被設計成可對行動提出理由與接受治理。https://dl.acm.org/doi/10.1145/3597512.3597529

[15] Sven Nyholm, “Mind the Gap: Autonomous Systems, the Responsibility Gap, and Moral Entanglement,” ACM, 2022. 討論自主系統造成的責任缺口及多方角色之間的道德糾纏。https://dl.acm.org/doi/10.1145/3531146.3533106

[16] Christoph Treude, “Accountable Agents in Software Engineering: An Analysis of Terms of Service and a Research Roadmap,” arXiv:2605.04532, 2026. 指出現有工具政策常把正確性、安全與法遵責任轉移給使用者，並提出可問責 Agent 的研究議程。https://arxiv.org/abs/2605.04532

[17] W3C, “PROV-O: The PROV Ontology,” W3C Recommendation, 2013. 提供 Entity、Activity、Agent、Delegation、Attribution、Revision 與 Invalidation 關係，可作為責任角色、交接與版本溯源基礎。https://www.w3.org/TR/prov-o/

版本紀錄

版本	日期	狀態	說明
0.1.0	2026-08-01	公開初稿	建立狹域自治與長期維護的區分、四種連續性、長期 Agent 累積風險、責任化記憶、知識責任四層模型、功能責任與制度問責區分、責任漂白、責任—權限—記憶—資源對稱原則、跨模型角色身分、責任移交協定、未解爭議義務、知識債務、快慢雙迴圈、維護服務水準、AGI 作用、主體性 AI 理論類型、共同責任、人類監督實效、母站責任協調平面、長期自治成熟度與設計原則。

09_從狹域自治到長期維護_AGI與主體性AI的知識責任_v0.1.0