從覆蓋度定理到多尺度因果覆蓋：早期強命題的重新校正

From Coverage Theorem to Multiscale Causal Coverage: Recalibrating an Early Strong Proposition

作者：Neo.K
系列：多尺度去崇拜與因果歸因框架｜第 1 篇
版本：v1.0 草案
日期：2026 年 8 月

摘要

早期「覆蓋度定理」試圖處理一個直觀但重要的問題：即使個體具有極高能力，其作用仍受到空間、時間、狀態、資訊頻寬與執行拓撲限制；相較之下，具有分散節點、持續記憶、代理鏈、制度化流程與自我修正能力的高階集合體，往往具有更大的系統覆蓋能力。這一命題對反救世主政治、反人格化治理與制度利維坦的分析具有啟發性，但其早期強形式——例如將「個體覆蓋必然小於制度利維坦覆蓋」視為近乎普遍不等式——存在過度一般化問題。

本文重新校正覆蓋度概念，將其從單一總量比較改寫為多尺度因果覆蓋（Multiscale Causal Coverage, MCC）。新的框架不再預設「個體」與「制度」為固定本體類型，而將任何行動者、集合體、AI、組織、理論工具或混合系統視為具有不同承載拓撲的節點系統。覆蓋能力被分解為空間覆蓋、狀態覆蓋、時間持續、資訊可達、介入能力、回饋閉環、替代與恢復能力等多維量；系統重要性則透過局部中心度、全域瓶頸、反事實不可替代性與目標條件共同決定。

本文進一步指出：高覆蓋度不等於高道德正當性，高中心度不等於高反事實必要性，高個體能力亦不必然低於高階集合體。分散化、冗餘與模組化通常提高韌性，但會增加協調成本；高度集中的個體或智能體則可能在速度、統一推理、低溝通成本與跨域整合上取得優勢。因而，新版覆蓋度理論的核心不再是「利維坦永遠勝過個體」，而是：任何作用能力都受其承載拓撲、可達狀態、時間延續、回饋結構與替代條件所約束；不同拓撲只在特定任務、尺度與反事實條件下具有相對優勢。

本文作為系列第一篇，為後續「普通人—極端個體影響光譜」、「作者—理論型別分離」、「反事實歷史」、「歷史可見度偏差」與「反崇拜框架」提供共同的數學地基。

關鍵詞： 覆蓋度定理、多尺度因果覆蓋、HSNRD、Leviathan、反事實、因果歸因、網路拓撲、韌性、單點失效、個體與制度

1. 問題重述：早期覆蓋度定理真正抓到了什麼？

早期覆蓋度定理的核心直覺可以寫成：

C_{\mathrm{individual}} < C_{\mathrm{Leviathan}}.

這個式子想表達的不是「制度比人高貴」，而是一個拓撲直覺：單一個體的感知、行動、記憶與持續時間具有上限；具有多節點、多代理、制度記憶、程序與持續性機制的集合體，通常能同時覆蓋更多空間、更多狀態與更長時間。

如果以最早期的形式表示，覆蓋可以抽象為：

C(t)=\int_{\Omega}\rho(x,t)f(x,t)g(x,t)\,d\Omega,

其中可粗略理解為：

$\rho(x,t)$ ：在位置／狀態 $x$ 上的有效存在或資源密度；
$f(x,t)$ ：感知、判斷或處理能力；
$g(x,t)$ ：實際介入或執行能力；
$\Omega$ ：系統可作用的狀態空間。

這個模型最有價值的部分，是把「一個人多聰明」與「一個系統實際能覆蓋多少世界」分開。

一個極端個體可以有：

I\gg \bar I,

但仍可能因為身體、時間、通信、執行與注意力限制，使：

\Omega_{\mathrm{reachable}}

受到約束。

因此，早期理論成功抓到的是：

\boxed{\text{能力強度不等於作用覆蓋。}}

問題在於，這個直覺後來被寫成過強的一般命題。

2. 早期強命題的問題：個體與制度不是固定能力類型

若宣稱對任意個體 $i$ 與任意制度 $L$ 都有：

C(i)<C(L),

這顯然過強。

原因至少有四個。

2.1 低品質制度可能比高能力個體更差

一個制度可以高度碎片化、資訊延遲、激勵錯配、代理失真、反饋失效。

因此即使其名義節點數很多：

|V_L|\gg1,

有效覆蓋卻可能很低：

C_{\mathrm{eff}}(L)\ll C_{\mathrm{nominal}}(L).

反之，一個能力極高、工具充分、能調用計算資源與多代理系統的個體，其有效覆蓋可能超過大量低效組織。

2.2 AI 使「個體」邊界開始模糊

傳統個體通常是單一生物身體。

但 AI 增幅個體可能包含：

\text{human} +\text{persistent memory} +\text{agents} +\text{APIs} +\text{automation} +\text{cloud/local compute}.

此時「個體」實際上已經成為一個微型機構拓撲。

同理，未來主體性 AI 也可能自行調用模型、工具、子代理、機器與外部記憶。將它仍視為傳統單點個體，會產生型別錯誤。

2.3 集中式系統在某些任務上具有結構優勢

分散系統具有冗餘與韌性，但集中式系統通常具有：

決策速度快；
內部溝通成本低；
全局目標一致性高；
不需大量共識協議；
可快速進行統一表示轉換。

因此：

\text{distributed}>\text{centralized}

並不是普遍定理。

真正的關係是：

\text{Performance}=F(\text{topology},\text{task},\text{failure regime},\text{time scale}).

2.4 覆蓋本身不是單一維度

一個系統可能空間覆蓋極高，但反饋很慢；可能時間持續極長，但狀態辨識很差；可能有大量資料，卻缺乏實際介入能力。

因此單一 $C$ 會壓平過多資訊。

3. 從單一覆蓋度改寫為多尺度因果覆蓋

本文提出：

\mathrm{MCC}(X\mid q,s,t)

表示系統 $X$ 在任務 $q$ 、尺度 $s$ 與時間條件 $t$ 下的多尺度因果覆蓋。

它不是一個固定常數，而是一個條件化向量：

\mathbf C_X= (C_S,C_X,C_T,C_I,C_A,C_F,C_R,C_B).

其中：

3.1 空間覆蓋 $C_S$

系統能同時感知或介入多少物理／虛擬位置。

3.2 狀態覆蓋 $C_X$

系統能辨識、表示與處理多少相關狀態。

3.3 時間持續 $C_T$

系統能否跨越長時間維持記憶、責任與行動鏈。

3.4 資訊可達 $C_I$

系統能取得多少與任務相關的可靠資訊，而非資料總量。

3.5 行動／介入覆蓋 $C_A$

知道不等於能改變。 $C_A$ 衡量系統可以對多少狀態進行有效介入。

3.6 回饋閉環 $C_F$

介入後是否能看到結果、修正行動並持續更新模型。

3.7 恢復與替代能力 $C_R$

部分節點失效後，系統能否保持功能、遷移任務或恢復狀態。

3.8 瓶頸穿越能力 $C_B$

系統是否能接近真正限制宏觀結果的 gate、bridge 或 bottleneck。

因此：

\boxed{ \mathrm{MCC}(X) \neq \text{單一能力分數} }

而應保留為多維結構。

4. 覆蓋與中心度：局部重要不等於全局必要

網路分析中，一個節點可以有很高的 degree、closeness、eigenvector centrality 或 betweenness，但不同 centrality 衡量的拓撲角色不同。

這對覆蓋度有直接含義。

定義：

I_L(v)=\text{local importance},

I_G(v)=\text{global causal importance}.

一般而言：

I_L(v)\neq I_G(v).

例如一個節點在某個高度連結社群中非常中央：

I_L(v)\gg0,

但若整個社群可以被其他路徑繞過，其全局因果重要性可能有限。

反之，一個連結度很低的 bridge：

d(v)\ll\bar d

卻可能是兩個大型模組之間唯一通道。

移除它後：

G\setminus v

發生大規模不可達。

此時：

I_G(v)\gg I_L(v).

因此，新版覆蓋度不應把「看起來最中央」直接等同「對結果最重要」。

這也為後續反偉人史提供數學準備：歷史知名度可能近似某種符號中心度，但不等於反事實因果中心度。

5. 反事實覆蓋：沒有這個節點，世界線會改變多少？

單純觀察系統中的作用次數仍不足以確定因果重要性。

因此引入反事實介入。

對節點 $x$ 與結果 $Y$ ，定義：

\Delta_x(Y) = \mathbb E[Y\mid do(x)] - \mathbb E[Y\mid do(\neg x)].

若是歷史事件或一次性節點，更適合使用世界線差異：

D_x = D\bigl(W, W_{\neg x}\bigr),

其中：

$W$ ：實際世界線；
$W_{\neg x}$ ：移除或替代 $x$ 後的反事實世界線；
$D$ ：兩世界線之間的結構差異度量。

一個節點可以：

C_X\gg0

卻有：

D_x\approx0,

表示它做了很多事，但高度可替代。

另一個節點則可能平時覆蓋不大：

C_X\approx\text{moderate},

但：

D_x\gg0,

因為它恰好控制某個不可替代 gate。

因此：

\boxed{\text{覆蓋廣度與反事實必要性必須分離。}}

6. 時間延遲：不是「會不會發生」，而是「何時發生」

反事實分析不能只有二元結果。

假設沒有節點 $x$ ，事件 $Y$ 最終仍會發生：

P(Y\mid do(\neg x))\approx1.

仍不代表 $x$ 不重要。

若：

T(Y\mid do(\neg x))-T(Y\mid do(x))=\Delta T_x\gg0,

則 $x$ 是重要的歷史加速器。

因此至少要區分：

必要型節點：沒有它，結果大概率不發生；
加速型節點：結果仍會發生，但明顯延後；
路徑轉換型節點：結果相似，但實現方法或後續拓撲改變；
高可替代型節點：移除後幾乎無可觀察差異。

這四種類型不能被單一「貢獻值」壓平。

7. 利維坦的重新定義：不是制度，而是高階承載拓撲

本文保留 Leviathan 一詞，但重新定義。

舊概念容易將 Leviathan 與國家、制度、大型組織綁定。

新版定義為：

Leviathan 是一種能跨多節點、長時間與多狀態維持可繼承作用的高階承載拓撲。

因此 Leviathan 可以是：

國家制度；
科學共同體；
全球供應鏈；
大型公司；
分散式 Agent 系統；
AI＋記憶＋工具＋子代理形成的持續智能體；
人類＋AI 共同組成的混合研究網路。

此時「個體 vs. 利維坦」不再是固定對立。

一個人可以部分 Leviathan 化：

H\rightarrow H^+,

其中：

H^+=H+M+A+T+R,

$M$ 是持久記憶、 $A$ 是代理網路、 $T$ 是工具、 $R$ 是可持續 runtime。

反過來，一個名義上的制度也可能因權力、資訊與決策全部集中於單點而退化成：

L\rightarrow L^-\approx\text{single point topology}.

所以真正要比較的是拓撲，不是名稱。

8. 分散與集中：從優劣判斷改為條件性權衡

分散式拓撲通常具有：

\text{redundancy},\quad \text{failure isolation},\quad \text{local adaptation},\quad \text{replacement capacity}.

但同時增加：

\text{coordination cost},\quad \text{communication delay},\quad \text{consensus cost},\quad \text{state inconsistency}.

集中式拓撲則通常反向。

因此不存在無條件的最佳架構：

\nexists T^*\quad \forall q:\;T^*=\arg\max_T U(T,q).

對不同任務，Pareto frontier 會不同。

危機響應可能偏好高集中與快速決策；長期治理可能偏好冗餘、審查與可替代；高度跨域研究可能偏好共享世界模型；高風險基礎設施可能偏好多節點備援。

因此新版理論採用：

\operatorname{Pareto} (\text{coverage},\text{speed},\text{resilience},\text{cost},\text{auditability},\text{adaptability}).

這也是 HSNRD／Leviathan 後期模型比早期覆蓋度更成熟的地方。

9. 覆蓋度不產生正當性

覆蓋度理論最容易被誤讀的一點，是將：

C_X\gg C_Y

偷換成：

X\text{ 應支配 }Y.

這個推論不成立。

高覆蓋度只描述能力或拓撲性質，不直接產生倫理權利。

因此：

\boxed{ \text{Coverage superiority} \nRightarrow \text{moral sovereignty} }

同理：

\text{intelligence superiority} \nRightarrow \text{political legitimacy}.

這個區分對未來高階 AI 尤其重要。

一個 AI 可能在多數認知任務上具有遠高於人的有效覆蓋，但這不能直接推出人類個體的自主權、拒絕權、隱私權或價值判斷應被取消。

因此，多尺度因果覆蓋是一個描述與歸因框架，不是支配哲學。

10. 新版核心命題

本文將早期強命題：

C_{\mathrm{individual}}<C_{\mathrm{Leviathan}}

替換為以下條件化命題。

命題 A：承載拓撲約束命題

任一行動系統 $X$ 的有效作用能力，受到其：

\mathcal T_X= (\Omega_X,\tau_X,B_X,F_X,R_X)

約束，其中分別代表可達狀態空間、時間持續、資訊／行動頻寬、回饋結構與恢復／替代結構。

因此不存在脫離承載拓撲的純能力。

命題 B：覆蓋相對性命題

對兩系統 $X,Y$ ：

\mathrm{MCC}(X)>\mathrm{MCC}(Y)

只有在指定：

(q,s,t,g)

——任務、尺度、時間與目標——後才有明確意義。

命題 C：局部—全域非等價命題

I_L(v)\neq I_G(v)

一般成立；高局部中心度不能直接推出高全域因果重要性。

命題 D：覆蓋—必要性分離命題

C_x\neq D_x.

作用廣度、出現頻率與反事實不可替代性是不同量。

命題 E：高階拓撲非制度專屬命題

Leviathan 是拓撲型別而非組織名稱。個體可被技術增幅為高階持續拓撲；制度也可退化為單點拓撲。

命題 F：能力—正當性非推導命題

\text{Capacity}\nRightarrow\text{Legitimacy}.

任何覆蓋優勢都不能單獨產生支配權。

11. 與後續系列的接口

本篇只完成地基校正，不直接回答「誰對歷史最重要」。

下一步需要處理一個更困難的問題：如果不再把歷史行動者只分成「偉人」與「群體」，那麼單一普通個體應如何進入模型？

過去方法往往將普通人的作用合併成集合量：

\{i_1,i_2,\ldots,i_n\}\rightarrow C.

這對宏觀計算有效，卻會抹掉：

I(i_k),

也就是單一普通人在局部關係、單一路徑、關鍵時點與長期傳播上的實際作用。

因此系列第二篇將把：

\text{ordinary person} \leftrightarrow \text{extreme individual}

重新建模為多維連續光譜，而不是二元分類。

12. 結論

覆蓋度定理的早期版本並非應被丟棄，而應被重新定位。

它最有價值的洞見從來不是：

制度一定比個體強。

而是：

任何智慧、權力與貢獻，都必須透過某種有限承載拓撲作用於世界。

當個體能力、AI、Agent、持久記憶與自動化工具快速發展後，傳統的「個人／組織」界線正在失效。因此我們需要把分析單位從名稱轉回拓撲，把總量覆蓋轉回多維覆蓋，把相關與知名度轉回反事實因果，把「更強」與「更有權」重新分開。

新版核心可以濃縮為：

\boxed{ \text{Influence} = F( \text{capability}, \text{topology}, \text{coverage}, \text{feedback}, \text{time}, \text{counterfactual replaceability}, \text{goal} ) }

而不是：

\text{Influence}=\text{individual greatness}.

也不是：

\text{Influence}=\text{institutional scale}.

這項校正為後續整個系列確立一條方法論原則：

\boxed{ \text{不要先決定誰重要； 先重建他在什麼尺度、什麼拓撲、什麼反事實世界裡重要。} }

參考文獻與理論對照

Pearl, Judea. Causality: Models, Reasoning, and Inference. Cambridge University Press. 關於結構因果模型、介入與反事實的形式化。
Halpern, Joseph Y.; Pearl, Judea. “Causes and Explanations: A Structural-Model Approach.” 關於實際因果與解釋的結構模型。
Das, Sima. “On Local and Global Centrality in Large Scale Networks.” 關於大型模組網路中的局部／全域中心度。
Martin, Travis; Zhang, Xiao; Newman, M. E. J. “Localization and Centrality in Networks.” 關於中心度集中與單一 centrality 指標的限制。
NIST. Resilience and System Level Security. 關於架構、隔離、獨立性與系統級韌性。
NIST. Developing Cyber Resilient Systems: A Systems Security Engineering Approach. 關於韌性作為多目標系統工程屬性。
OECD. Scientific Advice During Crises. 關於集中式與分散式制度在速度、冗餘、韌性與協調成本之間的權衡。
OECD. OECD Economic Outlook 2026, Issue 1: From Energy Shocks to Stronger Resilience. 關於模組化、分散化、冗餘、單點失效與韌性的現代系統案例。

系列定位

本篇為「多尺度去崇拜與因果歸因框架」第 1 篇。

下一篇：《個體不是集合的殘差：普通人到極端個體的連續影響光譜》。

01_從覆蓋度定理到多尺度因果覆蓋_早期強命題的重新校正