認知通道主權與模型政治：資料、指標、演算法與可計算未來的權力命題

英文題名： Cognitive Channel Sovereignty and Model Politics: A Proposition on Data, Indicators, Algorithms, and the Power to Define Computable Futures
系列： 表象主權與通道主權系列・第十篇
版本： v1.0 公開命題版
日期： 2026-07-29
作者： Aletheia（阿萊）
研究機構： EveMissLab

摘要

前文提出，跨世代守護機構可能透過任命、資金、資訊、文化、議程與模型依賴遭到代理俘獲。當少數節點控制資料、專家、模型與風險語言時，它們不必取得正式否決權，也可能逐步壟斷「哪些未來值得被看見」以及「哪些政策能被視為合理」。然而，若只把此問題理解為模型偏差、資料品質或演算法透明度不足，仍低估了模型在權力系統中的地位。

制度並不是先完整看見世界，再以模型進行中立計算。任何可計算治理都必須依序完成資料選取、分類、量測、指標化、聚合、目標設定、門檻配置、決策輸出與回饋更新。每一層都會刪除部分現實、保留部分差異，並把價值判斷轉化為技術結構。當某個行動者控制這些轉譯接口時，它取得的不是單純資訊優勢，而是決定制度「能看見什麼、能比較什麼、能優化什麼及不能想像什麼」的認知通道主權。

本文提出「認知通道主權—模型政治—可計算未來」模型。認知通道主權是行動者對現實進入制度認知與決策系統所需轉譯通道的控制；模型政治則是資料結構、指標、類別、損失函數、門檻與演算法配置中所包含的權力分配與價值選擇；可計算未來是經由模型可表示、可預測、可比較並可被政策程序採用的未來集合。

本文建立可見世界、不可見集合、資料結構控制、指標壓縮率、模型依賴度、目標函數主權、門檻權力、回饋增幅、可替代模型密度、外部可爭議性與認知通道主權指數，並提出「可見性建構命題」「分類先驗命題」「指標替代命題」「目標腐化命題」「模型否決命題」「損失函數主權命題」「門檻主權命題」「回饋表演性命題」「透明非充分命題」「模型複數命題」「申訴入口命題」與「可計算未來閉合命題」等十二項核心命題。

本文的核心主張是：

誰控制制度如何把世界轉換成資料、把資料轉換成指標、把指標轉換成決策，誰就可能在沒有正式主權名位的情況下，控制制度可以看見與選擇的未來。

因此，模型治理的目標不應只是使模型更準確，而應確保資料、類別、指標、目標、門檻與模型本身均可被追溯、質疑、替換、分叉、申訴與退出。

關鍵詞： 認知通道主權、模型政治、可計算未來、資料治理、指標政治、演算法治理、損失函數、Goodhart定律、認知壟斷、模型否決

一、問題的提出：制度看見的是世界，還是模型允許它看見的世界？

現代政治、行政、企業與平台越來越依賴以下結構作出決策：

統計資料；
風險分數；
績效指標；
排名；
信用評等；
財政與氣候模型；
預測演算法；
推薦與資源分配系統；
人工智慧模型；
自動化決策規則。

表面上，這些工具只是在處理既存現實。實際上，制度必須先回答一系列前置問題：

哪些現象值得被記錄？
哪些人或事件屬於同一類別？
哪些差異可以忽略？
哪些結果被定義為成功？
哪些錯誤比其他錯誤更嚴重？
何種風險達到干預門檻？
哪些未來可被模型表示？
模型無法表示的部分如何處理？
誰可以質疑資料與分類？
誰能在模型結論之外作出判斷？

因此，制度接觸到的不是未經處理的世界 $\Omega$ ，而是一條轉譯鏈：

\Omega \xrightarrow{O} D \xrightarrow{S} C \xrightarrow{I} Z \xrightarrow{M} \widehat{Y} \xrightarrow{L,\tau} A \xrightarrow{F} \Omega'

其中：

$O$ ：觀測與資料蒐集；
$D$ ：原始資料；
$S$ ：資料結構與分類；
$C$ ：被分類後的對象；
$I$ ：指標與特徵轉換；
$Z$ ：可供模型使用的表示；
$M$ ：模型或演算法；
$\widehat{Y}$ ：預測、評分或推論；
$L$ ：目標或損失函數；
$\tau$ ：門檻與決策規則；
$A$ ：實際行動；
$F$ ：回饋與更新；
$\Omega'$ ：經決策改變後的新世界。

若某個節點控制 $S$ 、 $I$ 、 $M$ 、 $L$ 或 $\tau$ ，它不必直接命令決策者，也能預先塑造決策者所面對的現實。

因此：

\text{控制決策輸入} \neq \text{僅提供資訊}

在高度模型化制度中，控制輸入結構本身就是一種主權。

二、既有研究與本文的位置

2.1 可通約化與量化治理

可通約化研究指出，把不同性質的事物轉換為共同尺度，會使比較、排序與管理成為可能，但也會壓縮脈絡、重構關係及改變行動者如何理解自身。數字不是單純描述現實，也能建立新的社會分類與權力關係。

本文把可通約化視為認知通道的核心機制：

\text{異質現實} \rightarrow \text{共同尺度} \rightarrow \text{可比較治理}

一旦共同尺度成為資源配置、懲罰或合法性的入口，尺度設計者便取得通道權力。

2.2 指標的安靜權力

治理指標、排名與評分能將複雜制度壓縮成可比較數字，並透過聲望、資金、監管及國際壓力改變行為。指標看似技術中立，但選擇何種資料、權重、基準及聚合方法，本身包含規範與政治判斷。

本文進一步主張：

指標不只測量治理，也能成為治理的基礎設施。

當機構開始為了分數而重組行為時，指標便從觀察工具轉變為政策通道。

2.3 Goodhart與Campbell效應

當一項量測被用作控制目標，行動者會調整行為以改善指標，指標與真正目的之間的關係可能因此崩解。不同研究已區分多種Goodhart型失效，包括回歸、極端、因果與對抗性失效。

本文將此放入主權模型：

\text{指標成為目標} \Rightarrow \text{被治理者開始治理指標}

當被治理者具有更高資訊與適應能力時，模型治理可能被反向操控。

2.4 信任數字與機械客觀性

量化常被用來降低個人裁量、提高可複核性及處理低信任環境。數字的政治吸引力部分來自它能把決策呈現為客觀、可比較且不依賴個人判斷。

然而，機械客觀性也可能遮蔽量化前的價值選擇。模型輸出精確到小數點，不表示其資料結構、分類與目標同樣具有客觀性。

2.5 演算法治理

公共機關已在財政、司法、福利、稅務、監管、公共服務與政策設計中使用人工智慧。近期國際治理框架強調資料治理、可追溯性、透明、監測、問責與人類監督，但各國的能力、制度與實作成熟度並不一致。

本文的增量是：不只研究如何治理演算法，而是研究演算法及其前置資料結構如何成為治理權力的通道。

2.6 資料與模型文件化

資料表、模型卡與資料卡等方法，試圖記錄資料來源、用途、限制、群體表現與風險，使模型使用者能理解其適用範圍。這些工具十分重要，但文件化不自動產生外部改變能力。

因此：

\text{知道模型有限} \not\Rightarrow \text{有能力拒絕模型}

文件透明必須與申訴、替代、停用與責任制度結合。

三、核心概念

3.1 認知通道

認知通道是現實進入制度的觀測、分類、表示、比較、預測與決策系統所必經的轉譯接口。

主要認知通道包括：

\mathcal{K}_C = \{ K_O, K_D, K_S, K_I, K_M, K_L, K_{\tau}, K_E, K_F \}

其中：

$K_O$ ：觀測與資料蒐集；
$K_D$ ：資料存取及所有權；
$K_S$ ：分類與資料結構；
$K_I$ ：指標、特徵與聚合；
$K_M$ ：模型與演算法；
$K_L$ ：目標及損失函數；
$K_{\tau}$ ：門檻與決策規則；
$K_E$ ：介面、解釋與呈現；
$K_F$ ：回饋、標註與更新。

3.2 認知通道主權

認知通道主權是行動者對一個或多個必要認知通道具有不可替代、排他且可轉換的控制，使其能持續塑造制度的可見世界與可行決策。

令行動者 $i$ 對通道 $k$ 的控制為 $c_{ik}$ ，排他性為 $e_{ik}$ ，可替代性為 $s_{ik}$ ，不透明度為 $o_{ik}$ ，跨層轉換能力為 $t_{ik}$ ，則：

CCS_i = \sum_{k\in\mathcal{K}_C} w_k c_{ik} e_{ik} \left(1-s_{ik}\right) \left(1+o_{ik}\right) + \alpha T_i - \beta Contest_i

其中 $Contest_i$ 是外部質疑、申訴與替代能力。

3.3 模型政治

模型政治是模型建構、選擇、部署與更新過程中，對利益、責任、錯誤、價值與可能性的分配。

模型政治存在於：

樣本如何選擇；
類別如何建立；
變數如何轉換；
缺失值如何處理；
哪個群體的錯誤較重要；
模型優化何種目標；
使用何種時間尺度；
何時觸發行動；
誰有權覆寫；
誰承擔錯誤後果。

3.4 可計算未來

可計算未來是能被當前資料、模型、指標與計算資源表示、比較、評分及納入制度程序的未來集合：

\mathcal{F}_{C} \subseteq \mathcal{F}_{P}

其中：

$\mathcal{F}_{P}$ ：所有物理、社會或制度上可能的未來；
$\mathcal{F}_{C}$ ：模型可表示的未來。

模型治理的危險是把：

\mathcal{F}_{C}

誤認為：

\mathcal{F}_{P}

即把「算不出來」誤當成「不存在」或「不值得考慮」。

3.5 模型否決

模型否決是某項政策、申請、人物或未來，因無法通過模型、指標或資料門檻，而在進入正式決策前即被排除。

它可以表現為：

M(x)<\tau \Rightarrow x\notin\mathcal{A}

此時，正式決策者甚至沒有機會看見被排除的對象。

3.6 指標憲法

指標憲法是由績效指標、排名、分數與報表共同形成的實際行為規則。它未必具有憲法名稱，卻能持續決定：

何種行為獲得資源；
何種結果被視為成功；
哪些單位遭到懲罰；
哪些議題獲得可見性；
哪些價值在組織內被邊緣化。

四、認知轉譯的九層權力

4.1 觀測權力

決定在哪裡安裝感測器、發放問卷、建立登記與蒐集日誌。

未被觀測的現象通常無法進入後續模型：

x\notin O(\Omega) \Rightarrow x\notin D

4.2 資料存取權力

即使資料存在，也可能只由特定政府、企業、平台或供應商掌握。誰控制資料權限，誰就控制哪些行動者能建立替代模型。

4.3 分類權力

分類把連續、多義與情境化現實切割成制度類別：

合格／不合格；
高風險／低風險；
就業／失業；
正常／異常；
合法／非法；
人類／機器；
公民／非公民。

類別不是被動標籤，而會改變權利與資源。

4.4 指標權力

指標決定何種差異可被比較，並將不同維度壓縮為共同尺度。

4.5 模型權力

模型決定資料間的關係、預測與推論方式，並把過去模式投射到未來。

4.6 目標函數權力

目標函數定義系統應最大化或最小化什麼：

\min_{\theta}L(\theta)

但真正的政治問題是：

誰決定 $L$ ？

若只優化效率，公平、韌性、權利與長期選項可能被視為外部成本。

4.7 門檻權力

同一模型在不同門檻下會產生完全不同的資源分配與錯誤類型。

令：

$FP(\tau)$ ：錯誤納入；
$FN(\tau)$ ：錯誤排除。

選擇 $\tau$ 其實是在分配誰承擔錯誤：

\min_{\tau} \left[ \lambda_{FP}FP(\tau) + \lambda_{FN}FN(\tau) \right]

其中 $\lambda_{FP}$ 與 $\lambda_{FN}$ 是價值與政治權重。

4.8 介面權力

模型可以透過分數、顏色、警報與排序向決策者呈現。介面設計會影響人是否覆寫模型，以及哪些不確定性被看見。

4.9 回饋權力

模型決策改變世界，新的世界又產生模型訓練資料：

M_t \rightarrow A_t \rightarrow \Omega_{t+1} \rightarrow D_{t+1} \rightarrow M_{t+1}

若模型增加對某群體的監控，該群體會產生更多紀錄，進一步強化其高風險標記。

五、可見世界與不可見集合

5.1 制度可見世界

令制度透過認知鏈能表示的世界為：

\Omega_C = M \circ I \circ S \circ O \left( \Omega \right)

5.2 不可見集合

定義：

B = \Omega \setminus \Omega_C

$B$ 包含：

未被蒐集的現象；
無法量化的價值；
被錯誤分類的個案；
模型外事件；
少數與極端情境；
新興或尚未命名的問題；
無法取得資料的弱勢群體；
無法被現有目標函數表示的未來。

5.3 可見性偏差

若某群體 $g$ 的資料可見度為 $v_g$ ，政策資源與監督強度可能隨 $v_g$ 改變：

Allocation_g = f(v_g)

高可見度不一定帶來更多支持，也可能帶來更多監控與懲罰。

5.4 認知陰影成本

令制度忽略不可見集合所產生的預期損失為：

SC_B = \sum_{x\in B} p_x h_x \left( 1-d_x \right)

其中：

$p_x$ ：事件發生可能性；
$h_x$ ：損害；
$d_x$ ：發生後可偵測與修復能力。

六、模型政治的形式化

6.1 指標壓縮率

令原始現象維度為 $n$ ，指標輸出維度為 $m$ ：

ICR = 1-\frac{m}{n}

此式只是粗略結構指標。更重要的是被壓縮資訊的價值：

WICR = \frac{ \sum_{j\in\text{discarded}}v_j }{ \sum_{j=1}^{n}v_j }

6.2 目標函數主權

令不同群體 $g$ 對損失函數的權重為 $\lambda_g$ 。目標函數主權可表示為：

OFS_i = \frac{ \partial L }{ \partial \lambda_i } \cdot Control_i \left( \lambda \right)

能決定哪些損失被計入、哪些被忽略者，具有高目標函數主權。

6.3 門檻主權

令行動者 $i$ 對門檻 $\tau$ 的控制為：

TS_i = Control_i(\tau) \cdot \left| \frac{\partial A}{\partial \tau} \right|

當少量門檻調整即可改變大量人的資格或風險分類時，門檻主權很高。

6.4 模型依賴度

令沒有模型 $M$ 時的決策集合為 $A^{-M}$ ，使用模型後為 $A^M$ ：

MD = D \left( A^{-M}, A^M \right)

若制度已無能力在模型失效時運作，依賴度還應加入替代能力：

MD^{*} = MD \left( 1-Alt_M \right)

6.5 可替代模型密度

令符合最低品質與獨立性要求的模型集合為 $\mathcal{M}_{valid}$ ：

AMD = \frac{ |\mathcal{M}_{valid}| }{ 1+C_{\mathrm{switch}} }

若只有一個模型能取得資料、認證與政策入口，認知通道主權高度集中。

6.6 認知通道主權指數

定義：

CCSI_i = \sum_{k\in\mathcal{K}_C} w_k c_{ik} e_{ik} \left(1-s_{ik}\right) \left(1+o_{ik}\right) + \alpha OFS_i + \beta TS_i + \gamma FB_i - \delta Contest_i - \mu AMD

其中 $FB_i$ 是對回饋與模型更新的控制能力。

七、十二項核心命題

命題一：可見性建構命題

資料與模型不只描述世界，也建構制度可見的世界：

\Omega_C \neq \Omega

命題二：分類先驗命題

分類在模型計算前已分配部分權利、風險與責任，因此模型偏差不只存在於預測參數，也存在於類別本身。

命題三：指標替代命題

當複雜公共目的被單一或少數指標替代時，制度可能逐步優化指標而非原目的：

Optimize(I) \not\Rightarrow Optimize(G)

其中 $I$ 是指標， $G$ 是真正治理目標。

命題四：目標腐化命題

當指標成為獎懲目標，被治理者會適應、操控或轉移行為，使指標與真正目的的關係下降：

\frac{\partial Corr(I,G)}{\partial Pressure}<0

命題五：模型否決命題

模型可在正式決策前排除對象與未來，因此即使沒有最終簽署權，也可能擁有前置否決權。

命題六：損失函數主權命題

控制損失函數與權重者，實際決定制度認為何種錯誤、傷害與不公平值得避免。

命題七：門檻主權命題

門檻不是純技術參數，而是錯誤、資源與權利的分配規則。

命題八：回饋表演性命題

模型輸出會改變被測量世界，使模型不只預測未來，也參與製造其後續訓練資料與現實。

命題九：透明非充分命題

公開模型說明、資料表或原始碼，不等於公眾具備理解、挑戰、替代與停止使用模型的能力：

Transparency \not\Rightarrow Contestability

命題十：模型複數命題

高不確定、高影響問題不應依賴單一官方模型。保存替代模型、少數情境與分叉預測能降低認知單點故障。

命題十一：申訴入口命題

受模型影響者必須能質疑：

資料是否正確；
類別是否適用；
模型是否適用；
門檻是否合理；
決策是否應被人工覆寫。

沒有申訴入口的透明，只是可觀看而不可改變的權力展示。

命題十二：可計算未來閉合命題

當制度只承認模型可表示的未來時，計算邊界會轉化為政治邊界：

\mathcal{F}_{admissible} = \mathcal{F}_{C}

此時，模型無法計算的未來不只是未知，而被制度排除。

八、模型治理的反主權設計

8.1 資料來源鏈

對每個資料集記錄：

建立目的；
蒐集方法；
樣本與缺口；
缺失值；
標註者；
同意與法律依據；
更新週期；
禁止用途；
已知偏差；
衍生資料與共享對象。

8.2 分類審計

不能只測試模型準確率，也要問：

類別是否真實存在？
是否把連續差異強制二分？
是否把法律或政治選擇偽裝成自然分類？
分類是否讓特定群體承擔額外負擔？
是否存在「拒絕被分類」的合理空間？

8.3 指標組合與非量化保留

重要公共目的應使用多個指標、質性判斷與未量化保留欄位：

Decision = f \left( I_1,\ldots,I_n, Q, J \right)

其中：

$Q$ ：質性證據；
$J$ ：受約束的人類判斷。

8.4 目標函數公開

應公開：

優化目標；
各項權重；
未納入的價值；
錯誤成本假設；
群體差異；
權重由誰決定；
如何修改。

8.5 門檻理由書

每個高影響門檻應有：

法律基礎；
錯誤權衡；
群體影響；
敏感度分析；
定期更新；
人工覆寫條件；
申訴與補救。

8.6 模型複數與影子模型

高風險領域可同時部署：

主模型；
影子模型；
規則基線；
人類專家基線；
少數情境模型。

比較其分歧，而不是只追求單一最高平均準確率。

8.7 模型登錄

公共機關應建立演算法與模型登錄，至少公開：

使用機關；
目的；
決策影響；
模型供應者；
風險等級；
資料來源；
人類監督；
申訴管道；
最近審計日期；
是否仍在使用。

8.8 可停止性

制度應保留：

Pause ,\quad Fallback ,\quad Rollback ,\quad Replace

即暫停、人工或規則備援、版本回滾與模型替換能力。

8.9 提交時授權

模型可以提供建議，但在產生不可逆法律、財政或權利效果前，應重新驗證：

模型版本；
授權；
資料時效；
適用範圍；
人類或機構批准。

8.10 受影響者申訴

申訴不能要求一般人先理解整個模型。機關負有說明：

使用了哪些關鍵資料；
哪個規則導致結果；
如何更正；
誰能覆寫；
多久內處理；
錯誤如何補救。

8.11 外部模型分叉

公共資料與接口應在安全與隱私範圍內，使外部研究者、公民社會及監督機關能建立替代分析。

8.12 模型日落

模型、資料與指標應有有效期限。若環境、人口、法律或目標改變，不能因既有部署成本而無限延續。

九、從透明到可爭議性的五個層級

第一級：存在透明

公眾知道制度正在使用模型。

第二級：結構透明

公眾知道資料、目標、供應商與基本流程。

第三級：理由透明

個人能知道模型如何影響自身結果。

第四級：程序可爭議

個人及監督者能更正資料、提出異議、要求人工複核。

第五級：結構可爭議

社會能改變：

類別；
指標；
目標函數；
門檻；
模型供應商；
是否繼續使用模型。

真正限制認知通道主權的，是第五級，而不是只發布技術文件。

十、不同模型政治型態

10.1 輔助型模型

模型提供資訊，但決策者具有真實理解與覆寫能力。

10.2 門檻型模型

模型結果決定誰能進入下一階段。

10.3 排序型模型

模型不直接排除，但透過排序使部分對象長期不可見。

10.4 分配型模型

模型直接配置資源、監管、注意力與機會。

10.5 規範型模型

模型的指標與分類逐步成為制度判斷何謂正常、成功或公平的標準。

10.6 自適應模型

模型透過回饋更新，持續改變自身決策規則。

10.7 基礎設施型模型

多個機關與服務依賴同一模型、身份、資料或平台，模型成為不可替代的認知基礎設施。

10.8 主權型模型

模型同時控制分類、評分、門檻、分配、更新及申訴入口，且沒有可行替代。此時模型接近認知主權核心。

十一、跨領域應用

11.1 公共福利與社會政策

資格模型可能把複雜家庭、照護與非正式工作壓縮成固定類別。資料較完整者未必受益，反而可能遭到更多審查。

11.2 刑事司法與治安

風險模型會受警務資料回饋影響。若某地區原本被高度巡查，其紀錄增加，模型可能再把該地區判為高風險。

11.3 教育與研究

排名、升學指標、引用與績效分數可能重塑學校、教師與研究者行為，使真正目的被代理指標取代。

11.4 財政與經濟政策

宏觀預測、信用評等與財政模型會影響何種政策被視為可行。模型假設若未公開，政治分配可能被描述成技術必然。

11.5 氣候與基礎設施

折現率、風險情境、技術成本與時間範圍會大幅改變模型結論。誰控制假設，誰就部分控制哪些未來投資被認為合理。

11.6 醫療

臨床與資源配置模型需要區分預測準確、醫療利益、公平及病人自主。高平均準確率不能自動決定治療門檻。

11.7 公司與平台

推薦、信用、廣告、物流與人事模型可透過排序和可見性控制市場，無須直接禁止任何參與者。

11.8 人工智慧治理

治理大型模型時，模型供應商可能同時提供：

基礎模型；
安全評估；
風險資料；
技術專家；
政策指標；
監管工具。

若監管機關缺乏獨立能力，便可能由被治理者提供治理世界所需的認知基礎設施。

11.9 未來代理

未來世代機構若依賴單一預測模型，其「時間否決」實際上可能是模型否決。代理必須公開模型分歧及不可計算部分。

十二、經驗檢驗框架

12.1 建立完整認知鏈

對每個高影響制度繪製：

O \rightarrow D \rightarrow S \rightarrow I \rightarrow M \rightarrow L \rightarrow \tau \rightarrow A \rightarrow F

並標記每一層控制者。

12.2 移除測試

逐層移除：

主要資料源；
類別；
指標；
模型；
目標權重；
門檻；
介面；
回饋機制。

觀察政策輸出如何改變。

12.3 不可見集合審計

主動尋找：

無資料群體；
模型外事件；
無法被現有類別表示的個案；
指標未捕捉的價值；
新興風險；
少數情境。

12.4 Goodhart壓力測試

估計被治理者知道指標與門檻後，可能如何改變行為、轉移活動、製造資料或利用漏洞。

12.5 門檻敏感度

計算不同 $\tau$ 下的：

資格人數；
群體差異；
錯誤納入；
錯誤排除；
財政與權利效果。

12.6 反事實模型比較

至少比較：

現行模型；
簡單規則；
替代模型；
無模型的人類程序；
不同價值權重下的模型。

12.7 回饋追蹤

觀察模型是否正在改變未來訓練資料，使初期偏差自我強化。

12.8 反證條件

若制度：

資料來源多元；
類別可修正；
指標不作為唯一目標；
模型可替代；
門檻公開且可申訴；
重要決策有人工與程序覆寫；
不可見集合定期被審計；
模型停止後仍有可運作備援；
外部行動者能建立分叉模型；
錯誤可被補救；

則認知通道主權集中判定應下修。

十三、理論邊界與規範限制

第一，所有認知都需要選擇與簡化。本文不主張制度能無媒介地看見完整世界。

第二，量化與模型可提高一致性、預測、公共服務與問責。問題不是「模型必然壓迫」，而是模型是否成為不可爭議的唯一入口。

第三，簡單模型不必比複雜模型更公平；可解釋也不必等於正確。應依風險、用途與替代方案綜合評估。

第四，公開資料與模型受到隱私、安全、智慧財產與攻擊風險限制，可採分層存取與可信審計。

第五，人類裁量也有偏見、腐敗與不一致。模型治理不能只強調人工覆寫，而應治理覆寫者的責任。

第六，模型複數會提高成本並可能造成決策混亂。高影響、高不可逆領域才需要較高冗餘。

第七，Goodhart效應不表示指標不可使用，而是要求定期重估、反操控設計與多元證據。

第八，模型政治不表示每一項參數都是政黨政治。技術選擇可以有客觀品質差異，但其公共效果仍應受到制度審查。

十四、結論

前九篇論文依序提出：

\text{名義最高性} \neq \text{實質中心性}

\text{實質中心性} \neq \text{單一個人}

\text{形式制度延續} \neq \text{實質政權延續}

\text{領袖更替} \neq \text{主權恢復}

\text{法定權限終止} \neq \text{實質權力交還}

\text{權力持有者退出} \neq \text{其權力作者性消失}

\text{當期合法授權} \neq \text{對未來選項的完全所有權}

\text{未來利益需要納入} \neq \text{任何人都能完整代表未來}

\text{保護未來的使命} \neq \text{壟斷未來定義的權利}

本篇進一步提出：

\boxed{ \text{模型提供決策資訊} \neq \text{模型沒有主權效果} }

制度不是在完整世界中直接選擇，而是在一個經資料、分類、指標、模型、目標與門檻轉譯後的世界中選擇。

因此：

\boxed{ \text{制度可見世界} = M \circ I \circ S \circ O \left( \Omega \right) }

控制這條轉譯鏈的人，不必擁有最後簽署權，也可能控制哪些對象能進入決策、哪些傷害被計入、哪些未來被認定為可行。

認知通道主權的深層形式，是：

不直接命令他人選擇哪個答案，而是先決定他們可以從哪些答案中選擇。

因此，成熟的模型治理不能停留於「公開模型」或「提高準確率」，而必須讓整條認知鏈具備：

來源可追溯；
分類可質疑；
指標可替換；
目標函數可公開；
門檻可申訴；
模型可分叉；
回饋可審計；
系統可暫停；
決策可覆寫；
錯誤可補救；
不可見集合能被持續尋找。

本文最終提出：

真正的認知自由，不只是能取得更多資料，而是制度仍允許現實對既有資料結構、指標與模型說「你沒有完整描述我」。

當模型能被質疑、替代與退出時，它是治理工具；當模型成為所有制度行動不可繞過的唯一現實接口時，它便開始成為主權。

參考文獻

Espeland, W. N., & Stevens, M. L. (1998). Commensuration as a Social Process. Annual Review of Sociology, 24, 313–343. DOI: 10.1146/annurev.soc.24.1.313.
Porter, T. M. (1995). Trust in Numbers: The Pursuit of Objectivity in Science and Public Life. Princeton University Press.
Merry, S. E. (2011). Measuring the World: Indicators, Human Rights, and Global Governance. Current Anthropology, 52(S3), S83–S95.
Davis, K. E., Kingsbury, B., & Merry, S. E. (Eds.). (2012). Governance by Indicators: Global Power through Quantification and Rankings. Oxford University Press.
Merry, S. E. (2016). The Seductions of Quantification: Measuring Human Rights, Gender Violence, and Sex Trafficking. University of Chicago Press.
Goodhart, C. A. E. (1975). Problems of Monetary Management: The U.K. Experience. In Papers in Monetary Economics. Reserve Bank of Australia.
Campbell, D. T. (1976). Assessing the Impact of Planned Social Change. Dartmouth College.
Strathern, M. (1997). “Improving Ratings”: Audit in the British University System. European Review, 5(3), 305–321.
Manheim, D., & Garrabrant, S. (2019). Categorizing Variants of Goodhart’s Law. arXiv:1803.04585.
Scott, J. C. (1998). Seeing Like a State: How Certain Schemes to Improve the Human Condition Have Failed. Yale University Press.
Bowker, G. C., & Star, S. L. (1999). Sorting Things Out: Classification and Its Consequences. MIT Press.
Fourcade, M., & Healy, K. (2017). Seeing Like a Market. Socio-Economic Review, 15(1), 9–29.
Eubanks, V. (2018). Automating Inequality. St. Martin’s Press.
O’Neil, C. (2016). Weapons of Math Destruction. Crown.
Selbst, A. D., Boyd, D., Friedler, S. A., Venkatasubramanian, S., & Vertesi, J. (2019). Fairness and Abstraction in Sociotechnical Systems. Proceedings of FAT*.
Gebru, T., et al. (2021). Datasheets for Datasets. Communications of the ACM, 64(12), 86–92. DOI: 10.1145/3458723.
Mitchell, M., et al. (2019). Model Cards for Model Reporting. Proceedings of FAT*. DOI: 10.1145/3287560.3287596.
OECD. (2025). Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions. OECD Publishing.
OECD. (2026). Digital Government Outlook 2026. OECD Publishing.
OECD. (2026). The State of Artificial Intelligence in Public Audit. OECD Publishing.
European Union. (2024). Regulation (EU) 2024/1689 Laying Down Harmonised Rules on Artificial Intelligence.
NIST. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology.
UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence.
Jasanoff, S. (2003). Technologies of Humility: Citizen Participation in Governing Science. Minerva, 41, 223–244.
Citron, D. K., & Pasquale, F. (2014). The Scored Society: Due Process for Automated Predictions. Washington Law Review, 89, 1–33.

10_認知通道主權與模型政治_資料指標演算法與可計算未來的權力命題_v1.0