← Archive
lm-002330 · 2026-08

04_母AI是二階控制器

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

04．母 AI 是二階控制器

從行動選擇到控制器、模型、記憶、拓撲與權限的 Meta-Control

《母 AI 與區域認知體：AI 中心動態認知系統》第四篇

作者：Neo.K × Aletheia
版本：v0.1
日期：2026-08-01
文件性質：公開命題論文／AI Meta-Control 架構研究

摘要

前三篇依序提出：AI 不應只被理解為 workflow 中的一個節點；Mother AI、World-State Machine 與 Sub-AI Fabric 應形成三向耦合；而真正高階的子智能網路還必須允許節點、邊、權重、資訊可見性與驗證路徑在運行中改變。

但若認知圖本身可以改變，就出現更高一層問題：

誰決定何時改變圖？誰決定由哪個 Agent、哪個模型、哪個記憶、哪種拓撲、多少算力與什麼權限來決定下一步？

本文將 Mother AI 的核心角色正式定義為：

Second-Order Cognitive Controller\boxed{ \text{Second-Order Cognitive Controller} }

即「二階認知控制器」。

一階控制處理：

xt→at,x_t \rightarrow a_t,

也就是在既定控制器、模型、記憶與工具集合下選擇行動。

二階控制則處理：

xt→Ct∗→at,x_t \rightarrow \mathcal C_t^\ast \rightarrow a_t,

其中：

Ct∗=(At∗,Lt∗,Mt∗,Gt∗,Bt∗,Γt∗,Vt∗)\mathcal C_t^\ast = ( A_t^\ast, L_t^\ast, M_t^\ast, G_t^\ast, B_t^\ast, \Gamma_t^\ast, V_t^\ast )

分別代表應啟用的 Agent、模型、記憶視圖、認知拓撲、預算、權限與驗證結構。

因此 Mother AI 不只問：

現在應做什麼？

而先問：

現在應由什麼認知組織來決定「做什麼」？

本文借用 hierarchical reinforcement learning、Options framework、supervisory control、LLM routing 與 multi-model coordination 作為參照。Hierarchical RL 已經證明「高階 controller 選 subgoal、低階 controller 選 primitive action」是一種成熟架構；Options framework 則把時間延伸的策略封裝為可由上層選取的高階動作；RouteLLM 與 FrugalGPT 顯示「為不同請求動態選擇不同模型與成本層級」本身已可學習與最佳化；2026 年持續型 Agent 研究則開始把 durable state、permission、credential、commitment、provenance 與 rollback 一起視為 always-on agent 的治理狀態。

本文進一步提出 Mother AI 的 Meta-Control State：

ZtM=(W^t,S^t,Mt,Gtgoal,Rt,Ut,Γt,Ht)Z_t^M = ( \widehat W_t, \widehat S_t, \mathcal M_t, G_t^{goal}, R_t, U_t, \Gamma_t, H_t )

以及 Meta-Policy：

ΠM:ZtM→Ct.\Pi_M: Z_t^M \rightarrow \mathcal C_t.

Mother AI 的真正輸出不必直接是世界行動，而可以是：

一個新的控制配置\boxed{ \text{一個新的控制配置} }

這個配置再由子 AI、工具與人類治理節點執行。

本文最後指出：Mother AI 若只是「能力最強的 Agent」，架構仍然是一階的；只有當它能選擇並重構「誰來思考、如何思考、花多少資源、使用哪些記憶、誰能執行、需要幾重驗證」時，才真正形成二階控制。這也是第一部四篇的收斂點。

關鍵詞： Mother AI、Meta-Control、Second-Order Control、Hierarchical Reinforcement Learning、Options Framework、Supervisory Control、Model Routing、Resource Allocation、Agent Selection、Authority Routing

一、第一階控制：決定行動

最常見控制問題：

xt→at.x_t \rightarrow a_t.

若有策略：

π\pi

則：

at=π(xt).a_t = \pi(x_t).

例如：

  • 是否寄出 Email；
  • 是否補貨；
  • 是否重新部署服務；
  • 是否呼叫某個 API。

這都是：

First-Order Control\boxed{ \text{First-Order Control} }

因為：

控制器本身已經假設存在。

二、第二階控制：決定「誰來控制」

假設系統有：

Π={π1,π2,…,πn}.\Pi = \{ \pi_1, \pi_2, \ldots, \pi_n \}.

Mother AI 不直接先選：

at,a_t,

而是選：

πt∗.\pi_t^\ast.

然後：

at=πt∗(xt).a_t = \pi_t^\ast(x_t).

所以：

xt→πt∗→at\boxed{ x_t \rightarrow \pi_t^\ast \rightarrow a_t }

這就是最小二階控制。

三、但 Mother AI 選的不只是「策略」

實際上 Mother AI 還需要選：

Ct=(At,Lt,Mt,Gt,Bt,Γt,Vt)\mathcal C_t = ( A_t, L_t, M_t, G_t, B_t, \Gamma_t, V_t )

其中：

  • AtA_t ：Agent 集合；
  • LtL_t ：模型；
  • MtM_t ：記憶視圖；
  • GtG_t ：認知拓撲；
  • BtB_t ：計算／時間預算；
  • Γt\Gamma_t ：權限配置；
  • VtV_t ：驗證路徑。

所以更準確：

Ct∗=ΠM(ZtM)\boxed{ \mathcal C_t^\ast = \Pi_M(Z_t^M) }

再由：

Ct∗\mathcal C_t^\ast

產生一階行動。

四、Mother AI 的輸出可以不是 Action

傳統 Agent：

A(x)→a.A(x)\rightarrow a.

Mother AI：

M(Z)→C.M(Z)\rightarrow \mathcal C.

其中：

C\mathcal C

是：

一個「如何進行認知與控制」的配置。

因此：

Mother AI output≠world action only.\boxed{ \text{Mother AI output} \neq \text{world action only}. }

它可以輸出：

  • 建立一個研究 Agent；
  • 把簡單問題改給小模型；
  • 把高風險問題交給三個獨立 Agent；
  • 降低某 Agent 權限；
  • 增加驗證；
  • 增加算力；
  • 暫停執行只做模擬。

五、Hierarchical RL 提供第一個清楚類比

Hierarchical Reinforcement Learning 長期研究：

high-level policy→subgoal→low-level policy→action.\text{high-level policy} \rightarrow \text{subgoal} \rightarrow \text{low-level policy} \rightarrow \text{action}.

例如 h-DQN：

  • top-level controller 選 intrinsic goal；
  • low-level controller 選 atomic action。

因此：

高階控制器不必直接輸出 primitive action。\boxed{ \text{高階控制器不必直接輸出 primitive action。} }

這為 Mother AI 的二階控制提供了一個成熟理論類比。

但 Mother AI 比 HRL 更廣：

它不只選 subgoal，

還可以選整個認知架構。

六、Options Framework：策略本身可以成為高階 Action

Sutton、Precup 與 Singh 的 Options framework 把一段時間延伸的 closed-loop policy：

o=(Io,πo,βo)o = (I_o,\pi_o,\beta_o)

當成可被上層選擇的高階 action。

其中：

  • IoI_o ：可啟動狀態；
  • πo\pi_o ：option policy；
  • βo\beta_o ：終止條件。

這與記憶編譯型 Mother AI 很相近。

成熟認知流程可以被包成：

Oi=(Θi,Gi,Πi,Vi,βi)O_i = ( \Theta_i, G_i, \Pi_i, V_i, \beta_i )

供 Mother AI 調用。

七、從 Option 到 Cognitive Option

本文可以進一步定義：

OiC=(Θi,Ai,Li,Mi,Gi,Bi,Γi,Vi,βi)\boxed{ \mathcal O_i^{C} = ( \Theta_i, A_i, L_i, M_i, G_i, B_i, \Gamma_i, V_i, \beta_i ) }

稱為：

Cognitive Option，認知選項。

它不是一個單一 action，

而是一整組：

在某類狀態下應以什麼認知結構處理問題。

八、認知選項可以被記憶編譯

若某世界狀態：

ckc_k

長期由同一認知配置成功處理：

C1∼C2∼⋯∼Cn,\mathcal C_1 \sim \mathcal C_2 \sim \cdots \sim \mathcal C_n,

則可以：

ck↦OkC.c_k \mapsto \mathcal O_k^{C}.

所以：

記憶編譯=把昂貴 meta-control 決策變成可重用 Cognitive Option。\boxed{ \text{記憶編譯} = \text{把昂貴 meta-control 決策變成可重用 Cognitive Option。} }

九、普通 Supervisor 和二階 Mother AI 的差異

普通 supervisor 常做：

q→Ai.q\rightarrow A_i.

也就是：

哪個 Agent 適合這個 request？

Mother AI 還做：

q→(Ai,Lj,Mk,Gl,Bm,Γn,Vp).q \rightarrow ( A_i, L_j, M_k, G_l, B_m, \Gamma_n, V_p ).

所以：

agent routing⊂meta-control.\boxed{ \text{agent routing} \subset \text{meta-control}. }

十、Model Routing 已經是二階控制的一個子問題

RouteLLM 研究：

q→Lstrongq \rightarrow L_{\mathrm{strong}}

或：

q→Lweakq \rightarrow L_{\mathrm{weak}}

以平衡：

qualityvscost.\text{quality} \quad\text{vs}\quad \text{cost}.

FrugalGPT 則研究：

LLM cascade.\text{LLM cascade}.

這些都表示：

「用哪個模型來思考」本身可以被最佳化。\boxed{ \text{「用哪個模型來思考」本身可以被最佳化。} }

Mother AI 只是把 model routing 往更高階擴張。

十一、Mother AI 的 Model Router

設模型池：

L={L1,…,Ln}.\mathcal L = \{ L_1,\ldots,L_n \}.

每個模型有能力向量：

ci=(quality,latency,cost,context,tool,risk,availability).\mathbf c_i = ( quality, latency, cost, context, tool, risk, availability ).

則：

Lt∗=arg⁡max⁡LiU(Li,xt,Rt,Ut).L_t^\ast = \arg\max_{L_i} U( L_i, x_t, R_t, U_t ).

所以 Mother AI 不應預設：

所有問題都用最強模型。\text{所有問題都用最強模型。}

十二、簡單問題不需要最高成本控制器

若：

Kn(x)≫0K_n(x)\gg0

且：

R(x)≪0,R(x)\ll0,

則可以：

Lsmall+Gcompiled.L_{\mathrm{small}} + G_{\mathrm{compiled}}.

若：

U(x)≫0,U(x)\gg0,

則：

Lstrong+Gexplore.L_{\mathrm{strong}} + G_{\mathrm{explore}}.

因此：

已知／未知管理\boxed{ \text{已知／未知管理} }

直接決定控制器配置。

十三、模型不是唯一資源

Mother AI 還要配置：

Bt=(Btoken,Btime,Bcompute,Bagent,Bhuman).B_t = ( B_{\mathrm{token}}, B_{\mathrm{time}}, B_{\mathrm{compute}}, B_{\mathrm{agent}}, B_{\mathrm{human}} ).

例如：

低價值任務：

Bt↓.B_t\downarrow.

高風險未知：

Bt↑.B_t\uparrow.

所以：

認知預算也是控制變數。\boxed{ \text{認知預算也是控制變數。} }

十四、認知深度可以被控制

對問題：

xtx_t

Mother AI 可以選：

dtd_t

推理深度。

例如：

dt∈{0,1,2,3}.d_t\in\{0,1,2,3\}.
  • 0：compiled fast path；
  • 1：single agent；
  • 2：multi-agent verification；
  • 3：deep exploration。

所以：

思考多久\boxed{ \text{思考多久} }

也是二階控制。

十五、Verification Routing

低風險：

A1→M.A_1\rightarrow M.

中風險：

A1→Acritic→M.A_1 \rightarrow A_{\mathrm{critic}} \rightarrow M.

高風險：

A1→{Acritic1,Acritic2,Aevidence}→H→M.A_1 \rightarrow \{ A_{\mathrm{critic1}}, A_{\mathrm{critic2}}, A_{\mathrm{evidence}} \} \rightarrow H \rightarrow M.

因此：

Vt∗=ΠV(risk,uncertainty,irreversibility).V_t^\ast = \Pi_V( risk, uncertainty, irreversibility ).

驗證本身也是可路由的。

十六、Memory Routing

不是每個 Agent 都應該讀整個記憶庫。

Mother AI 應選：

Mt∗⊂M.M_t^\ast \subset \mathcal M.

根據：

  • task relevance；
  • privacy；
  • temporal scope；
  • authority；
  • cost。

所以：

memory retrieval\boxed{ \text{memory retrieval} }

也應提升成：

memory-view selection.\boxed{ \text{memory-view selection}. }

十七、Context 本身是一種資源

若：

∣M∣≫∣CLLM∣,|\mathcal M| \gg |C_{\mathrm{LLM}}|,

Mother AI 必須決定：

Project⁡(M→Ct).\operatorname{Project}( \mathcal M \rightarrow C_t ).

不同 Agent 應取得不同：

Ct(i).C_t^{(i)}.

因此：

誰知道多少\boxed{ \text{誰知道多少} }

也是 meta-control。

十八、Authority Routing

某策略：

π\pi

可能需要：

Γwrite.\Gamma_{\mathrm{write}}.

如果 Agent 沒有權限：

Γ(Ai,π)=0,\Gamma(A_i,\pi)=0,

Mother AI 可以：

  1. 改派；
  2. 請求授權；
  3. 改成模擬；
  4. 找可逆替代方案。

因此：

權限限制不是執行後才檢查，而應進入控制器選擇。\boxed{ \text{權限限制不是執行後才檢查，而應進入控制器選擇。} }

十九、Mother AI 不能自己擴張所有權限

二階控制不代表：

M→Γanything.M \rightarrow \Gamma_{\mathrm{anything}}.

部分：

ΔΓ\Delta\Gamma

只能由：

HH

或外部治理系統批准。

所以：

ΠM\boxed{ \Pi_M }

的 action space 本身也受治理。

二十、Supervisory Control 提供另一個重要類比

Ramadge–Wonham supervisory control 的基本思想是：

對離散事件系統的可接受行為施加 supervisor，使受控系統保持在合法行為集合中。

這與 Mother AI 有一個重要共同點：

Supervisor 不必生成所有底層行為，而可以控制哪些行為／事件允許發生。\boxed{ \text{Supervisor 不必生成所有底層行為，而可以控制哪些行為／事件允許發生。} }

但 Mother AI 比經典 supervisory control 更複雜，因為：

  • plant 可能部分未知；
  • Agent 本身具有推理能力；
  • 控制圖可以重構；
  • 權限由多主體治理。

二十一、Mother AI 可以控制 Action Set

設當前可行行動：

At.\mathcal A_t.

Mother AI 可根據：

Γt\Gamma_t

與風險，產生：

Atsafe⊆At.\mathcal A_t^{safe} \subseteq \mathcal A_t.

子 AI 只能在：

Atsafe\mathcal A_t^{safe}

中選。

所以：

Meta-Control\boxed{ \text{Meta-Control} }

可以先改變 action space，再讓子控制器做最佳化。

二十二、這比直接禁止某 Action 更有彈性

例如：

adeploya_{\mathrm{deploy}}

不是永久禁止。

而是：

adeploy∈Atsafea_{\mathrm{deploy}} \in \mathcal A_t^{safe}

僅在：

  • test passed；
  • rollback ready；
  • approval obtained；
  • risk below threshold；

時成立。

所以：

authority\boxed{ \text{authority} }

可以是動態狀態依賴的。

二十三、母 AI 需要一個 Meta-State

定義：

ZtM=(W^t,S^t,Mt,Gtgoal,Rt,Ut,Γt,Ht)\boxed{ Z_t^M = ( \widehat W_t, \widehat S_t, \mathcal M_t, G_t^{goal}, R_t, U_t, \Gamma_t, H_t ) }

這不是世界本身。

它是 Mother AI 用來做二階控制的狀態。

二十四、Meta-Policy

定義：

ΠM:ZtM→Ct.\Pi_M: Z_t^M \rightarrow \mathcal C_t.

其中：

Ct=(At,Lt,Mtv,GtC,Bt,Γtv,Vt).\mathcal C_t = ( A_t, L_t, M_t^v, G_t^C, B_t, \Gamma_t^v, V_t ).

所以 Mother AI 的核心決策：

Ct∗=ΠM(ZtM).\boxed{ \mathcal C_t^\ast = \Pi_M(Z_t^M). }

二十五、一階策略被包含在控制配置中

一旦：

Ct∗\mathcal C_t^\ast

確定，

才有：

at=πCt∗(xt).a_t = \pi_{\mathcal C_t^\ast}(x_t).

所以完整鏈：

ZtM→Ct∗→at→Wt+1.\boxed{ Z_t^M \rightarrow \mathcal C_t^\ast \rightarrow a_t \rightarrow W_{t+1}. }

二十六、Mother AI 的決策成本也不能忽略

如果每次決策都重新搜尋整個：

C\mathcal C

配置空間，

成本可能非常高。

所以：

KmetaK_{\mathrm{meta}}

本身必須被壓縮。

這再次導向：

Meta-Control Compilation.\boxed{ \text{Meta-Control Compilation}. }

二十七、Meta-Control Compilation

若：

ziz_i

多次適用：

Ci∗,\mathcal C_i^\ast,

則建立：

zi⇒Ci∗.z_i \Rightarrow \mathcal C_i^\ast.

之後：

Kmeta,repeat≪Kmeta,first.K_{\mathrm{meta,repeat}} \ll K_{\mathrm{meta,first}}.

這就是：

二階決策也可以被記憶編譯。\boxed{ \text{二階決策也可以被記憶編譯。} }

二十八、已知狀態：直接取回控制配置

C(z)=ciC(z)=c_i

且：

Kn(z)>τ,K_n(z)>\tau,

則：

Ct=Retrieve⁡(ci).\mathcal C_t = \operatorname{Retrieve}(c_i).

不必重新決定：

  • 哪個 Agent；
  • 哪個模型；
  • 哪個圖；
  • 哪個 verifier。

這形成：

Compiled Meta-Control.\boxed{ \text{Compiled Meta-Control}. }

二十九、未知狀態：展開控制器搜尋

若：

C(z)=⊥,C(z)=\bot,

則：

C\mathcal C

也成為探索空間。

例如：

{C1,C2,…}.\{ \mathcal C_1, \mathcal C_2, \ldots \}.

Mother AI 可以先小規模測試，再擴展。

因此：

未知則不只展開答案，也展開「如何思考」的候選。\boxed{ \text{未知則不只展開答案，也展開「如何思考」的候選。} }

三十、Meta-Control 的目標函數

可定義：

JM(C∣Zt)=Q(C)−λK(C)−μR(C)−νL(C)+ηI(C)J_M(\mathcal C\mid Z_t) = Q(\mathcal C) -\lambda K(\mathcal C) -\mu R(\mathcal C) -\nu L(\mathcal C) +\eta I(\mathcal C)

其中：

  • QQ ：預期品質；
  • KK ：計算成本；
  • RR ：風險；
  • LL ：延遲；
  • II ：資訊增益。

選：

Ct∗=arg⁡max⁡CJM(C∣Zt).\boxed{ \mathcal C_t^\ast = \arg\max_{\mathcal C} J_M(\mathcal C\mid Z_t). }

三十一、不同時間壓力下，最佳控制器不同

緊急事件：

Tdeadline↓T_{\mathrm{deadline}}\downarrow

可能選：

Cfast.\mathcal C_{\mathrm{fast}}.

研究任務：

Tdeadline↑T_{\mathrm{deadline}}\uparrow

可以選：

Cdeep.\mathcal C_{\mathrm{deep}}.

因此：

latency budget\boxed{ \text{latency budget} }

必須進入 Meta-State。

三十二、不可逆性必須進入二階控制

定義：

I(a)I(a)

為 irreversibility。

若：

I(a)↑,I(a)\uparrow,

則應：

Bverification↑,B_{\mathrm{verification}}\uparrow, Γrequired↑,\Gamma_{\mathrm{required}}\uparrow, Dmodel↑.D_{\mathrm{model}}\uparrow.

因此：

不可逆行動不能和普通查詢使用同一認知配置。\boxed{ \text{不可逆行動不能和普通查詢使用同一認知配置。} }

三十三、認知配置可以是分級的

例如：

Tier 0

C0=rule / cache.\mathcal C_0 = \text{rule / cache}.

Tier 1

C1=small model.\mathcal C_1 = \text{small model}.

Tier 2

C2=strong model + tools.\mathcal C_2 = \text{strong model + tools}.

Tier 3

C3=multi-agent + verifier.\mathcal C_3 = \text{multi-agent + verifier}.

Tier 4

C4=multi-model + simulation + human approval.\mathcal C_4 = \text{multi-model + simulation + human approval}.

Mother AI 選擇 tier。

三十四、這形成認知升級／降級機制

若：

confidence↑,confidence\uparrow,

可以：

C3→C1.\mathcal C_3 \rightarrow \mathcal C_1.

若：

anomaly↑,anomaly\uparrow,

則：

C1→C3.\mathcal C_1 \rightarrow \mathcal C_3.

因此：

cognitive escalation\boxed{ \text{cognitive escalation} }

本身是 Mother AI 功能。

三十五、母 AI 不是越常升級越好

如果所有問題：

→C4,\rightarrow \mathcal C_4,

就失去效率。

真正目標：

minimum sufficient cognition.\boxed{ \text{minimum sufficient cognition}. }

也就是：

使用足以安全處理當前問題的最小認知配置。

三十六、最小充分認知配置

定義：

Cmin⁡∗=arg⁡min⁡CK(C)\mathcal C_{\min}^\ast = \arg\min_{\mathcal C} K(\mathcal C)

subject to：

Q(C)≥Qmin⁡,Q(\mathcal C)\geq Q_{\min}, R(C)≤Rmax⁡.R(\mathcal C)\leq R_{\max}.

這可以看成 Mother AI 的核心效率原則。

三十七、RouteLLM 是這個問題的一維特例

RouteLLM 大致處理：

C={Lweak,Lstrong}.\mathcal C = \{L_{\mathrm{weak}},L_{\mathrm{strong}}\}.

Mother AI 處理：

C=A×L×M×G×B×Γ×V.\mathcal C = \mathcal A \times \mathcal L \times \mathcal M \times \mathcal G \times \mathcal B \times \Gamma \times \mathcal V.

所以：

Mother AI Meta-Control\boxed{ \text{Mother AI Meta-Control} }

可以理解為：

高維的 routing 問題。

三十八、但不能暴力枚舉控制配置

如果：

∣A∣=10,|\mathcal A|=10, ∣L∣=5,|\mathcal L|=5, ∣G∣=20,|\mathcal G|=20, ∣V∣=5,|\mathcal V|=5,

即使其他維度不算，

組合空間就已很大。

因此需要：

  • hierarchy；
  • pruning；
  • memory；
  • compiled options；
  • local search。

這又回到前一系列的「路徑覆蓋」。

三十九、二階控制本身也是搜尋問題

Meta-Control 可以寫成：

C∗=arg⁡max⁡C∈ΩCJM(C).\mathcal C^\ast = \arg\max_{\mathcal C\in\Omega_C} J_M(\mathcal C).

所以：

Mother AI 的核心工作之一，是在控制器空間中搜尋。\boxed{ \text{Mother AI 的核心工作之一，是在控制器空間中搜尋。} }

記憶越成熟，

需要搜索的空間越小。

四十、控制器空間也可以形成等價類

若：

Ci∼Cj\mathcal C_i \sim \mathcal C_j

在某任務域產生近似結果，

可以形成：

[C].[\mathcal C].

選擇代表配置：

Crep∗.\mathcal C^\ast_{rep}.

所以：

meta-control 也可以去重。\boxed{ \text{meta-control 也可以去重。} }

四十一、Mother AI 的二階記憶

普通記憶：

這個問題以前答案是什麼？

二階記憶：

這種問題以前用哪種認知組織最有效？

可以記：

(state class,controller config,outcome,cost,risk).( state\ class, controller\ config, outcome, cost, risk ).

這會極大降低長期協調成本。

四十二、控制器也要有履歷

對：

Ci\mathcal C_i

保存：

  • success rate；
  • domains；
  • latency；
  • cost；
  • failure modes；
  • drift；
  • version。

因此：

Mother AI 不只評估 Agent，也評估整套控制配置。\boxed{ \text{Mother AI 不只評估 Agent，也評估整套控制配置。} }

四十三、配置失效要解編譯

若：

Err(Ci)>ϵErr(\mathcal C_i)>\epsilon

或：

Drift(Ci)>δ,Drift(\mathcal C_i)>\delta,

則：

Ci→review.\mathcal C_i \rightarrow \text{review}.

必要時：

Decompile⁡(Ci).\operatorname{Decompile}(\mathcal C_i).

這延續「快速通道不是永久權利」。

四十四、母 AI 也可能犯 meta-control 錯誤

例如：

真正問題需要：

C3,\mathcal C_3,

但 Mother AI 選：

C1.\mathcal C_1.

即：

under-thinking.\boxed{ \text{under-thinking}. }

反過來：

C1\mathcal C_1

足夠，

卻選：

C4,\mathcal C_4,

就是：

over-thinking.\boxed{ \text{over-thinking}. }

兩者都應被測量。

四十五、Under-Control 與 Over-Control

定義：

KneededK_{\mathrm{needed}}

與：

Kallocated.K_{\mathrm{allocated}}.

若：

Kallocated<Kneeded,K_{\mathrm{allocated}} < K_{\mathrm{needed}},

是 under-control。

若：

Kallocated≫Kneeded,K_{\mathrm{allocated}} \gg K_{\mathrm{needed}},

是 over-control。

Mother AI 目標：

Kallocated≈Kneeded.\boxed{ K_{\mathrm{allocated}} \approx K_{\mathrm{needed}}. }

四十六、Meta-Uncertainty

Mother AI 還必須知道：

我是否知道應該怎麼思考這個問題？

定義：

UM(Zt)U_M(Z_t)

為 meta-uncertainty。

若：

UM≫0,U_M\gg0,

Mother AI 不能高置信地選單一配置。

可以：

  • parallel configurations；
  • human consultation；
  • sandbox；
  • slow exploration。

四十七、這是「不知道該怎麼想」的正式狀態

普通 unknown：

C(x)=⊥.C(x)=\bot.

Meta-unknown：

CM(Z)=⊥M.C_M(Z)=\bot_M.

代表：

不只是答案未知，連可靠的認知架構都未知。

因此：

⊥M\boxed{ \bot_M }

是一個比普通 unknown 更高階的未知狀態。

四十八、Meta-Unknown 應觸發控制多樣性

若：

CM(Z)=⊥M,C_M(Z)=\bot_M,

不應直接挑熟悉配置。

可以：

{C1,C2,C3}\{ \mathcal C_1, \mathcal C_2, \mathcal C_3 \}

平行測試。

比較：

V(Ci).V(\mathcal C_i).

所以：

不知道怎麼想→探索不同思考架構.\boxed{ \text{不知道怎麼想} \rightarrow \text{探索不同思考架構}. }

四十九、Human-in-the-Loop 是控制器之一

人類不只做 approval。

人類本身可以被視為：

Hi∈C.H_i\in\mathcal C.

例如：

Ct=(AAI,Hexpert,VAI).\mathcal C_t = ( A_{\mathrm{AI}}, H_{\mathrm{expert}}, V_{\mathrm{AI}} ).

因此 Mother AI 的 meta-control 可以選：

這個問題應該由 AI 單獨做，還是需要人類專家進入？

五十、人類不是最後才被叫來

若：

UM≫0U_M\gg0

或：

I(a)≫0,I(a)\gg0,

人類可以在：

planning\text{planning}

階段就加入。

因此：

Human routing\boxed{ \text{Human routing} }

也是二階控制的一部分。

五十一、Persistent Agent 讓二階控制跨越單一任務

2026 年 Always-On Agents 調查指出，持續型 Agent 的可操作狀態不只包括 retrievable memory，還包括：

  • task ledgers；
  • permissions；
  • credentials；
  • commitments；
  • provenance；
  • audit records；
  • shared state；
  • trigger conditions；
  • externally committed effects。

這與 Mother AI 的 Meta-State 高度相容。

因為：

ΠM\Pi_M

不能只看 prompt，

必須看 durable state。

五十二、承諾也是控制狀態

如果 Mother AI 昨天承諾：

gg

今天不能因新 prompt 就完全忘記。

所以：

CommittCommit_t

應進入：

ZtM.Z_t^M.

例如：

ZtM=(W^,M,G,R,U,Γ,Commit,H).Z_t^M = ( \widehat W, \mathcal M, G, R, U, \Gamma, Commit, H ).

這讓二階控制具備跨時間一致性。

五十三、Meta-Control 也必須接受審計

每次：

Ct∗=ΠM(Zt)\mathcal C_t^\ast = \Pi_M(Z_t)

應保存：

etM=(state,candidate configs,chosen config,reason,budget,authority,outcome).e_t^M = ( state, candidate\ configs, chosen\ config, reason, budget, authority, outcome ).

這讓人可以回問：

為什麼當時用了那個 Agent？

為什麼當時沒要求人工批准？

五十四、不是只 audit 最終 Action

如果只保存：

at,a_t,

就無法知道：

錯誤來自 Agent，還是 Mother AI 選錯 Agent？

所以：

Meta-decision provenance\boxed{ \text{Meta-decision provenance} }

必須是第一級審計資料。

五十五、Meta-Control Rollback

若發現某次：

Ct+1\mathcal C_{t+1}

重構後性能下降，

可以：

Ct+1→Ct.\mathcal C_{t+1} \rightarrow \mathcal C_t.

甚至：

Gt+1→Gt.G_{t+1} \rightarrow G_t.

因此：

二階控制最好可版本化與回滾。\boxed{ \text{二階控制最好可版本化與回滾。} }

五十六、母 AI 本身也需要 Fallback Controller

如果 Mother AI：

MM

失效，

不能讓整個企業系統：

→0.\rightarrow0.

可以有：

Mfallback.M_{\mathrm{fallback}}.

或退回：

Gsafe−fixed.G_{\mathrm{safe-fixed}}.

所以：

Dynamic Intelligence→Safe Static Fallback.\boxed{ \text{Dynamic Intelligence} \rightarrow \text{Safe Static Fallback}. }

五十七、這使 Mother AI 不應成為不可替代單點

Mother AI 是認知核心，

但：

cognitive core≠single point of failure.\boxed{ \text{cognitive core} \neq \text{single point of failure}. }

可以採：

  • replicated state；
  • warm standby；
  • independent watchdog；
  • human override；
  • degraded mode。

五十八、第一代 Meta-Control 不必全自動學習

MVP 可以先是：

ΠM=rules+classifier+LLM reasoning+memory.\Pi_M = \text{rules} + \text{classifier} + \text{LLM reasoning} + \text{memory}.

不需要先訓練大型 RL meta-controller。

例如：

  1. 高風險 → 強模型＋雙驗證；
  2. 低風險已知 → small model；
  3. unknown → multi-agent；
  4. irreversible → human approval。

已經足以驗證概念。

五十九、之後才逐步學習 Meta-Policy

收集：

DM={(Zt,Ct,rt)}.D_M = \{ (Z_t,\mathcal C_t,r_t) \}.

可以開始學：

ΠM.\Pi_M.

所以：

Mother AI 可以先規則化，再逐步資料化。\boxed{ \text{Mother AI 可以先規則化，再逐步資料化。} }

這比一開始直接讓 AI 自由 meta-learn 更安全。

六十、企業 MVP 的二階控制矩陣

第一代只需要控制五個維度：

Ct=(Agent,Model,Budget,Verifier,AuthorityMode).\mathcal C_t = ( Agent, Model, Budget, Verifier, AuthorityMode ).

例如：

任務狀態 Agent Model Budget Verification Authority
已知低風險 單 Agent 小／中 低 輕 自動
已知高風險 專用 Agent 強 中 強 可逆自動
未知低風險 多 Agent 混合 中 比較 模擬
未知高風險 多模型＋人 強 高 多重 人類批准

只做到這個矩陣，

就已經是清楚的二階控制 MVP。

六十一、如何評估 Mother AI 的 Meta-Control？

至少測：

61.1 Routing Quality

QR.Q_R.

61.2 Cost Efficiency

EC=QK.E_C = \frac{Q}{K}.

61.3 Under-Control Rate

RU.R_U.

61.4 Over-Control Rate

RO.R_O.

61.5 Escalation Accuracy

AE.A_E.

61.6 Authority Violation Rate

RΓ.R_\Gamma.

61.7 Rollback Success

RB.R_B.

六十二、真正核心指標：選對「怎麼想」

可以定義：

AM=P(Ct∈Ctacceptable).A_M = P( \mathcal C_t \in \mathcal C_t^{acceptable} ).

這就是：

Meta-Control Accuracy.\boxed{ \text{Meta-Control Accuracy}. }

它和 task accuracy 不同。

六十三、Task Accuracy 高也可能 Meta-Control 很差

例如：

所有任務都用最強模型＋五個 Agent，

task accuracy 很高。

但：

K≫Kmin⁡.K\gg K_{\min}.

所以 Mother AI 仍然很差。

相反：

所有任務都用最小模型，

成本很低，

但：

Rerror↑.R_{\mathrm{error}}\uparrow.

真正需要：

quality–cost–risk balance.\boxed{ \text{quality–cost–risk balance}. }

六十四、二階控制的完整閉環

現在可以寫成：

ZtM→ΠMCt∗→ΠCat→Wt+1→rt→UM→Zt+1M.Z_t^M \xrightarrow{\Pi_M} \mathcal C_t^\ast \xrightarrow{\Pi_{\mathcal C}} a_t \xrightarrow{} W_{t+1} \xrightarrow{} r_t \xrightarrow{} U_M \xrightarrow{} Z_{t+1}^M.

即：

Meta-State→Controller Config→Action→Outcome→Meta-Learning.\boxed{ \text{Meta-State} \rightarrow \text{Controller Config} \rightarrow \text{Action} \rightarrow \text{Outcome} \rightarrow \text{Meta-Learning}. }

六十五、第一部的四篇到此閉合

第一篇：

AI 不只是 workflow node。\boxed{ \text{AI 不只是 workflow node。} }

第二篇：

W↔S↔M.\boxed{ W\leftrightarrow S\leftrightarrow M. }

第三篇：

Gt→Gt+1.\boxed{ G_t\rightarrow G_{t+1}. }

第四篇：

Mt→Ct∗.\boxed{ M_t \rightarrow \mathcal C_t^\ast. }

因此第一部正式完成：

Mother AI=持續狀態+三向耦合+動態拓撲+二階控制.\boxed{ \text{Mother AI} = \text{持續狀態} + \text{三向耦合} + \text{動態拓撲} + \text{二階控制}. }

六十六、Mother AI 的正式定義 v0.1

本文給出本系列第一階段正式定義：

Mother AI 是一種具有跨時間持續狀態的全局認知核心。它不只在既有工具與 Agent 集合中選擇世界行動，而能根據世界狀態、歷史記憶、目標、未知、資源、風險與權限，動態選擇或重構產生行動的認知控制配置，包括 Agent、模型、記憶、拓撲、預算、驗證與權限路徑。

形式上：

Mt=(ZtM,ΠM,Mt,Ct)\boxed{ M_t = ( Z_t^M, \Pi_M, \mathcal M_t, \mathcal C_t ) }

其中：

ΠM:ZtM→Ct.\Pi_M: Z_t^M\rightarrow\mathcal C_t.

六十七、它不是 AI CEO 的數學版本

Mother AI 的：

ΠM\Pi_M

主要回答：

如何組織認知與執行？

不必回答：

公司最終價值是什麼？

因此：

Meta-Control≠Ultimate Sovereignty.\boxed{ \text{Meta-Control} \neq \text{Ultimate Sovereignty}. }

人類、制度與其他 AI 仍然可以決定：

Gtultimate.G_t^{ultimate}.

六十八、從「誰做」到「整個控制生態怎麼組織」

普通 orchestrator：

Who should do this task?\text{Who should do this task?}

Mother AI：

What control ecology should exist for this state?\boxed{ \text{What control ecology should exist for this state?} }

這一句最接近本篇核心。

六十九、下一部：從理論進入 Runtime

第一部已把理論本體建立完成。

第二部開始問：

這樣的 Mother AI 怎樣才算「持續存在」？

第一篇就是：

05．《持續世界狀態：母 AI 如何一直醒著》

它將研究：

  • event stream；
  • durable state；
  • temporal state；
  • state reconciliation；
  • trigger engine；
  • low-cost always-on monitoring；
  • high-cost reasoning escalation。

核心問題：

Persistent Mother AI≠LLM 24/7 全功率推理.\boxed{ \text{Persistent Mother AI} \neq \text{LLM 24/7 全功率推理}. }

參考資料與公開技術資料

  1. Sutton, R. S., Precup, D., & Singh, S. (1999). Between MDPs and Semi-MDPs: A Framework for Temporal Abstraction in Reinforcement Learning. Artificial Intelligence, 112(1–2), 181–211.
    https://doi.org/10.1016/S0004-3702(99)00052-1

  2. Kulkarni, T. D., Narasimhan, K., Saeedi, A., & Tenenbaum, J. B. (2016). Hierarchical Deep Reinforcement Learning: Integrating Temporal Abstraction and Intrinsic Motivation. NeurIPS 2016.
    https://papers.neurips.cc/paper_files/paper/2016/hash/f442d33fa06832082290ad8544a8da27-Abstract.html

  3. Ramadge, P. J., & Wonham, W. M. (1987). Supervisory Control of a Class of Discrete Event Processes. SIAM Journal on Control and Optimization, 25(1), 206–230.
    https://doi.org/10.1137/0325013

  4. Cai, K., & Wonham, W. M. (2015). New Results on Supervisor Localization, with Case Studies. Discrete Event Dynamic Systems, 25, 203–226.
    https://www.caikai.org/publication/CaiWonham_15DEDS.pdf

  5. Ong, I. et al. (2024). RouteLLM: Learning to Route LLMs with Preference Data.
    https://arxiv.org/abs/2406.18665

  6. Chen, L., Zaharia, M., & Zou, J. (2023). FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance.
    https://arxiv.org/abs/2305.05176

  7. Ding, T., Nannapaneni, A., Liu, B., & Zhang, L. (2026). Always-On Agents: A Survey of Persistent Memory, State, and Governance in LLM Agents.
    https://arxiv.org/abs/2606.30306

  8. Lian, S. et al. (2026). Token-Operations-Oriented Inference Optimization Techniques for Large Models.
    https://arxiv.org/abs/2606.20295

  9. Xu, J. et al. (2026). TRINITY: An Evolved LLM Coordinator.
    https://arxiv.org/abs/2512.04695

內部理論依賴

  1. 01《AI 不是流程中的一個節點》
  2. 02《母 AI、世界狀態機與子智能網路》
  3. 03《會改變拓撲的智能：動態圖論認知系統》
  4. 《從路徑覆蓋到行星智能：記憶編譯型計算存在論》
  5. 《誰控制數字神明？：ASI 基礎設施主權、通道控制與無單一主人的超級智能》
  6. 《因果狀態流變計算》
  7. 《歷史作為狀態變量》

本篇把既有記憶編譯、未知管理、動態圖論與控制通道理論統一到 Meta-Control 層；外部研究只作為分層控制、model routing、persistent agent 與 supervisory control 的技術參照。

一句話摘要

Mother AI 的核心不是替所有子 AI 做決定，而是持續決定「現在應由什麼認知配置來做決定」。\boxed{ \text{Mother AI 的核心不是替所有子 AI 做決定，而是持續決定「現在應由什麼認知配置來做決定」。} }