主客場與因果歸屬：誰真正完成了一個行動？

Q: Home Fields and Causal Attribution: Who Actually Performs an Action?

作者： Neo.K 機構： EveMissLab／一言諾科技有限公司 日期： 2026-08-07

Home Fields and Causal Attribution: Who Actually Performs an Action?

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-07

摘要

當一個人伸手拿起杯子時，究竟是誰完成了這個行動？可以說是肌肉收縮、運動神經元放電、大腦運動系統產生控制訊號，也可以說「這個人拿起了杯子」。這些敘述似乎同時成立，卻位於不同尺度。類似問題也存在於多人合作、公司、國家、母 AI／子 AI、多智能體系統與更一般的複合主體之中。

本文延續原初可實現性、遞迴 Self–World 與差異保存認同框架，提出「多尺度因果歸屬模型」（Multiscale Causal Attribution Model）。本文區分四個問題：事件由哪些物理過程實現、哪些尺度對事件具有有效因果解釋、哪一個 Self 對該事件具有行動所有權，以及哪一個主體應承接責任。

本文進一步重新定義「主場」與「客場」。主場不是單純空間位置，而是某個 Self 能以低延遲、高可靠度、低中介成本與高回饋密度影響的一部分 Realizability 空間。定義：

d_R(S,g)

為 Self $S$ 與目標狀態 $g$ 之間的可實現距離，則：

HomeField(S) = \{g\mid d_R(S,g)<\epsilon\}

而所謂「力量」的擴張，可以部分理解為 Self 不斷將原本位於客場的世界狀態納入自身有效主場。

本文主張，一個事件可以同時具有微觀、局部、個體、群體與制度尺度的有效原因，而不必把其中所有層級都視為互相排斥。當代 mental causation 中的 causal exclusion 問題說明高低階因果確實存在哲學張力；另一方面，causal emergence 研究表明，在某些系統中宏觀描述可以比微觀描述具有更強的有效因果資訊，而 group agency 文獻亦指出組織可能具有高於個別成員的控制結構。

由此，本文提出：因果本身可能是多尺度的，但「誰做的」是一個額外的 Self 歸屬問題。行動歸屬不只需要物理因果，還涉及目標、控制、身份、權限、認同、可反事實替代性以及責任承接。

關鍵詞： 因果歸屬、Realizability、主場、客場、Self、群體能動性、因果湧現、責任、人工智能、多尺度因果

一、問題：到底是誰拿起杯子？

假設某個人：

H

決定拿起桌上的杯子。

可以得到：

Intent_H \rightarrow NeuralState \rightarrow MotorSignal \rightarrow MuscleContraction \rightarrow ArmMovement \rightarrow CupMovement

現在問：

誰讓杯子移動？

答案可以是：

Neuron

也可以是：

Muscle

也可以是：

Arm

也可以是：

Human

日常語言通常回答：

人拿起了杯子。

但這不是因為：

Neuron

沒有因果作用。

所以問題並不是：

哪一個描述是真的？

而是：

\boxed{ \text{為什麼多個尺度的真實因果過程，} \\ \text{最後會被歸屬給其中某一個 Self？} }

二、首先區分四種「是誰造成的」

本文將「誰造成事件」拆成四個不同問題。

2.1 實現因果

哪些底層機制真正參與事件？

C_{\mathrm{realizer}}

例如：

神經；
肌肉；
電化學；
分子作用。

2.2 有效因果

在哪一個尺度描述，最能可靠預測、干預或解釋事件？

C_{\mathrm{effective}}

2.3 行動歸屬

哪個 Self 可以合理地說：

這是我做的。

C_{\mathrm{agency}}

2.4 責任歸屬

哪個 Self 應承接：

承諾；
後果；
修復；
獎勵；
懲罰？

C_{\mathrm{responsibility}}

因此：

\boxed{ Realization \neq EffectiveCausation \neq Agency \neq Responsibility }

雖然四者通常相關。

三、微觀完成不等於高階描述失效

如果杯子移動完全由物理粒子完成，

是否表示：

Human

其實沒有做任何事？

這就是高低階因果最經典的困難之一。

mental causation 文獻中的 causal exclusion problem 可以概括為：

如果高階狀態：

M

由物理狀態：

P

實現，

而：

P

已足以產生結果：

E

那麼：

M

到底還有什麼因果工作？

這個問題並不限於心靈，也會擴展到生物學、地質學與其他高階性質。

四、但「由底層實現」不必等於「只能在底層存在因果」

考慮：

按下電腦的「刪除」鍵導致檔案消失。

底層描述可能包含數十億個：

電晶體狀態；
電壓；
記憶體位元；
作業系統操作。

但是：

UserPressedDelete

依然可能是一個良好的因果描述。

因為若干預：

DeleteCommand

結果會系統性改變。

這符合 interventionist causation 的核心直覺：

如果改變變量：

C

會在適當干預下改變：

E

則：

C

具有因果解釋角色。

所以：

\boxed{ \text{高階因果描述是否有效，} \\ \text{不只取決於它是否有微觀實現。} }

五、同一事件可以有因果尺度族

定義事件：

e

以及一組尺度：

L= \{L_0,L_1,\ldots,L_n\}

則可以存在：

C(e,L_0)

C(e,L_1)

\vdots

C(e,L_n)

全部有意義。

例如：

L_0=\text{分子}

L_1=\text{細胞}

L_2=\text{器官}

L_3=\text{個體}

所以因果不必被理解成單一尺度上的唯一標籤。

可以定義：

\boxed{ \mathcal C(e) = \{C_0,C_1,\ldots,C_n\} }

為事件的「因果尺度族」。

六、Causal Emergence 提供了一個重要線索

Hoel 等人的 causal emergence 模型指出，在某些複雜系統中，經過適當 coarse-graining 後，宏觀尺度的 effective information 可以高於微觀尺度。

也就是：

EI_{\mathrm{macro}} > EI_{\mathrm{micro}}

即使宏觀狀態完全由微觀狀態實現。

後續研究也持續發展以 effective information 找出資料中的較佳宏觀動力學，並顯示宏觀表示在某些情況下具有更強因果可辨識性。

這不證明所有宏觀層級都具有「新的神秘力量」。

但它至少說明：

\boxed{ \text{更多微觀細節} \not\Rightarrow \text{更好的有效因果尺度} }

七、因果解析度不是越細越好

假設一個系統有：

10^{20}

個微觀自由度。

把所有細節列出來，

不一定比：

Temperature

Pressure

Velocity

等宏觀變量更適合回答某些問題。

因此可以定義：

Q_C(L,e)

表示尺度 $L$ 對事件 $e$ 的因果解釋品質。

則可能：

Q_C(L_k,e) > Q_C(L_0,e)

其中：

L_0

反而是更微觀的尺度。

所以：

\boxed{ BestCausalScale(e) = \arg\max_L Q_C(L,e) }

不必永遠等於最低尺度。

八、但「最佳因果尺度」仍不等於「行動者」

假設：

WeatherPattern

在宏觀尺度最能解釋暴雨。

不能因此說：

天氣是一個有意圖的 Agent。

所以：

EffectiveCause \not\Rightarrow Agent

同樣：

MacroCause \not\Rightarrow Subject

這一區分非常重要。

九、什麼時候才能說「我做的」？

假設 Self：

S

與事件：

e

之間具有：

目標關係；
控制關係；
行動路徑；
預期；
結果回饋。

可以暫時寫成：

Agency(S,e) = f( I, C, P, F, O )

其中：

$I$ ：意圖；
$C$ ：控制；
$P$ ：規劃；
$F$ ：回饋；
$O$ ：行動所有權。

當這些關係足夠強時：

\boxed{ Attribution(e)=S }

才開始有理由成立。

十、因果發生與行動所有權不同

例如風吹倒一棵樹。

Wind\rightarrow TreeFall

我們可以說：

風造成樹倒。

但很少說：

風決定把樹吹倒。

所以：

Causation(Wind,e)>0

但：

Agency(Wind,e)\approx0

至少在一般自然主義理解中如此。

因此：

\boxed{ Cause \neq Actor }

十一、Realizability 重新進場

上一篇定義：

\mathfrak C_S

為 Self $S$ 的可控制實現域。

如果：

g\in\mathfrak C_S

表示：

S

至少可以在適當條件下可靠地把世界推向：

g

所以：

\boxed{ Agency }

可以被理解為：

Self 對其局部 Realizability 的方向性使用。

也就是：

S: \mathfrak C_S \rightarrow g

十二、主場其實可以形式化

現在重新理解「主場」。

通常主場是：

在我的地盤。

但 Realizability 框架可以把它改成：

世界中哪些狀態與我的意圖之間具有最低的有效實現距離？

定義：

d_R(S,g)

為 Self $S$ 到目標 $g$ 的 Realizability Distance。

可以讓：

d_R = f( T, E, M, U, K, R )

其中：

$T$ ：時間；
$E$ ：能源；
$M$ ：必要中介數量；
$U$ ：不確定性；
$K$ ：協調成本；
$R$ ：失敗風險。

十三、主場定義

給定閾值：

\epsilon

定義：

\boxed{ HomeField(S) = \{g\mid d_R(S,g)<\epsilon\} }

這就是 Self 的有效主場。

例如對一般人：

MoveFinger \in HomeField(H)

而：

MoveMoon \notin HomeField(H)

十四、主場不是只有身體

如果人可以瞬間透過手機：

發訊息；
開燈；
轉帳；
控制遠端設備；
部署程式；

那麼：

HomeField(H)

已經擴展超過皮膚。

所以：

\boxed{ BodyBoundary \neq RealizabilityBoundary }

Self 的身體邊界與 Self 的有效力量邊界可以完全不同。

十五、文明史可以重新寫成「主場擴張史」

原始人想看到遠方：

d_R\gg0

望遠鏡出現後：

d_R\downarrow

想和地球另一端的人說話：

古代：

d_R\gg0

網際網路：

d_R\rightarrow\text{small}

所以工具的本質之一就是：

\boxed{ Tool: AwayField \rightarrow HomeField }

即：

把原本位於客場的世界狀態逐步納入自己的可實現主場。

十六、AI Agent 是主場壓縮器

假設人想：

幫我找資料、整理、寄信並安排會議。

傳統流程：

Intent \rightarrow Search \rightarrow Read \rightarrow Write \rightarrow Email \rightarrow Calendar

Agent 化後：

Intent \rightarrow Agent \rightarrow Result

中介沒有消失。

但：

d_R(User,g)

下降。

所以 AI Agent 可以定義成：

\boxed{ RealizabilityDistanceCompressor }

之一。

十七、母 AI／子 AI 的主場結構

設：

M

為母 AI，

子 AI：

a_1,\ldots,a_n

每個子 AI 有：

HomeField(a_i)

例如：

a_{mail}

主場在郵件。

a_{code}

主場在程式。

a_{robot}

主場在具身設備。

母 AI 則可以透過調度建立：

HomeField(M) \supset \bigcup_i Accessible(HomeField(a_i))

所以母 AI 的力量並不是它親自執行每一項微操作。

而是：

\boxed{ \text{它能可靠動員哪些低階 Realizability。} }

十八、這就是高階控制

Group agency 文獻中有一個非常類似的結構。

List 與 Pettit 對 group agents 的討論指出，一個群體即使所有實際操作都由其成員完成，群體本身仍可能具有一種高階控制：

\text{安排「由某個成員完成某事」}

而不需要固定是哪一個特定成員執行。

例如：

一家公司付款。

真正按下按鈕的是員工：

e_i

但：

Company

可能具有：

付款制度；
授權；
決策；
預算；
角色替換；
監督。

所以：

\boxed{ \text{成員執行} \neq \text{群體沒有行動} }

十九、替換測試

這裡可以提出一個簡單測試。

假設：

S

完成事件：

e

實際執行者是：

a_1

現在把：

a_1

替換成：

a_2

若：

e

仍可以由高階系統可靠完成，

則：

e

可能更屬於：

S

的高階能力，而不只屬於：

a_1

這稱為：

\boxed{ ExecutorSubstitutability }

二十、反事實歸屬測試

定義：

A(S,e)

為 Self $S$ 對事件 $e$ 的行動歸屬強度。

可以考慮反事實：

測試一

如果：

S

沒有形成該目標，

e

是否仍會發生？

測試二

如果換掉具體執行模組，

e

是否仍會發生？

測試三

如果移除：

S

的治理／計畫層，

e

是否仍會發生？

如果：

Remove(S)\Rightarrow P(e)\downarrow

則：

S

具有較強高階因果角色。

二十一、因此「誰做的」可以不是零和遊戲

假設：

a_i

執行事件：

e

而：

M

規劃、授權並調度。

那麼：

Agency(a_i,e)>0

同時：

Agency(M,e)>0

可以同時成立。

所以：

\boxed{ \sum_k Agency(S_k,e) }

不必等於：

1

這不是概率分配。

不同尺度可以具有不同種類的行動角色。

二十二、微觀與宏觀不一定競爭同一份因果

例如：

Employee

按下付款鍵。

Company

支付貨款。

這兩句可以同時成立。

因為：

Employee

回答：

哪個局部執行者完成操作？

而：

Company

回答：

哪個高階組織發起並承接這次交易？

因此：

\boxed{ DifferentScale \Rightarrow DifferentCausalQuestion }

二十三、真正危險的是尺度混淆

假設公司造成巨大損害。

如果只說：

都是員工的原子造成的。

這對責任沒有幫助。

反過來，如果說：

是公司做的，所以所有員工都沒有任何責任。

同樣錯誤。

因此需要：

\boxed{ MultiScaleAttribution }

而不是：

SingleScaleMonopoly

二十四、因果責任與道德責任也不能混為一談

Collective responsibility 文獻特別區分：

集體造成結果；
集體是否可以被道德責備；
個體是否也具有責任。

群體責任是否成立仍存在重要哲學爭議。

所以：

Cause(S,e)>0

不能直接推出：

MoralBlame(S,e)>0

本文主要處理：

Causal/AgencyAttribution

而不試圖一次解決完整道德責任理論。

二十五、但責任必須跟可控制性連接

如果某個 Self：

S

完全無法：

預測；
阻止；
修改；
監督；

事件：

e

那麼將完整責任歸屬給：

S

通常很可疑。

因此可以提出：

\boxed{ ResponsibilityCapacity(S,e) \propto ControlCapacity(S,e) }

這不是完整倫理公式，

但至少提供一個必要維度。

二十六、認同再次進場

上一篇提出：

Recognition(S_i,H)>0

表示局部 Self 承認：

H

作為自身高階歸屬。

現在事件：

e

發生後，

Self 會問：

這是不是我們做的？

因此：

Attribution(e)

還依賴：

Recognition

而不只是物理鏈。

二十七、「我的手做的」為什麼通常等於「我做的」？

因為人體的 Self 模型一般把：

Hand

納入：

BodySelf

所以：

Recognition(H,Hand)\gg0

並且存在：

ControlLoop(H,Hand)\gg0

因此：

Action(Hand,e)

被向上聚合為：

Action(H,e)

可以表示成：

\boxed{ CausalAggregation: Action_{k} \rightarrow Action_{k+1} }

二十八、但不是所有身體行為都被同等歸屬

例如：

心跳；
腸道蠕動；
反射；
睡眠翻身。

我們通常說：

我的身體做了。

但未必說：

我故意做了。

因此需要區分：

Ownership

與：

IntentionalAgency

即：

\boxed{ OwnedAction \neq IntendedAction }

二十九、行動歸屬至少有四個層級

可以定義：

Level 1：物理歸屬

PhysicalCause(S,e)

Level 2：系統歸屬

SystemOwnership(S,e)

Level 3：代理歸屬

AgentControl(S,e)

Level 4：意圖歸屬

IntentionalAction(S,e)

一個事件可能具有：

PhysicalCause=1

但：

IntentionalAction=0

例如反射。

三十、斷片問題可以放進來了

前面睡眠討論指出：

某些斷片行為令人說：

那時候的我不像我。

原因可能不是：

PhysicalContinuity=0

而是：

NarrativeOwnership\downarrow

MetacognitiveControl\downarrow

所以：

\boxed{ PhysicalActor }

與：

\boxed{ NarrativeAgent }

出現分離。

這正是多尺度／多狀態歸屬問題。

三十一、主場也具有時間尺度

一個 Self 的：

HomeField

並不是永久固定。

例如疲勞：

d_R(S,g)\uparrow

學習：

d_R(S,g)\downarrow

工具失效：

d_R(S,g)\uparrow

AI 助理接入：

d_R(S,g)\downarrow

因此：

\boxed{ HomeField_t(S) }

是一個動態場。

三十二、能力不是常數，而是場

所以不能只寫：

Power(S)=p

更合理的是：

P_S(g,t,E)

表示：

Self $S$ 在時間 $t$ 、環境 $E$ 中，對目標 $g$ 的有效實現能力。

這樣：

Power

本身就是一個場函數。

三十三、這才真正接上「主客場」

假設：

A

與：

B

具有完全相同內部能力，

但是把它們放進：

E_A

與：

E_B

不同環境。

可能：

P_A(g,E_A) \gg P_A(g,E_B)

所以：

\boxed{ Ability \neq ContextIndependentProperty }

某些能力天然依賴環境接口。

這就是「主場優勢」的 Realizability 版本。

三十四、客場不是沒有力量，而是接口成本高

定義：

AwayField(S) = \{g\mid d_R(S,g)\geq\epsilon\}

客場事件通常需要：

更多中介；
更多他者協作；
更高能源；
更長時間；
更多資訊；
更高不確定性。

所以：

\boxed{ AwayField }

不是「完全不可能」。

而是：

\boxed{ HigherRealizabilityDistance }

三十五、文明與智能的力量可能就是持續把客場搬回主場

例如：

Flight

曾經屬於：

AwayField(Human)

飛機出現後：

Flight \in EffectiveHomeField(Human+Technology)

所以：

\boxed{ TechnologicalProgress }

的一種形式就是：

AwayField_t \rightarrow HomeField_{t+1}

三十六、極致力量現在得到新的幾何表示

第一篇定義極致力量為：

Intent\rightarrow Actuality

現在可以改寫成：

若：

\forall g\in\mathcal G, \quad d_R(S,g)\rightarrow0

則：

HomeField(S) \rightarrow \mathcal G

也就是：

\boxed{ \text{整個有效目標空間逐步變成 Self 的主場。} }

這正是「心想事成」的幾何版本。

三十七、但此時還要問：是哪個 Self 的心想事成？

這正是前兩篇的重要性。

如果：

S_k\hookrightarrow S_{k+1}

那麼：

g\in HomeField(S_{k+1})

不代表：

g\in HomeField(S_k)

例如人體可以：

走到廚房。

單一細胞做不到。

所以：

\boxed{ Power }

永遠必須帶 Self 下標。

即：

Power(S_k)

而不是抽象的：

Power

三十八、「我的力量」可能其實是 Higher Self 的力量

假設細胞有意識。

它可能觀察到：

Environment

突然大幅改變。

其實原因是：

Human

走進另一間房。

對細胞而言：

e

看似：

ExternalMiracle

但對人體：

e \in HomeField(H)

所以前一篇的「奇蹟」現在可以更正式地定義為：

\boxed{ Miracle_{S_k}(e) = e\notin ExpectedHomeField(S_k) \land e\in HomeField(S_{k+1}) }

至少是其中一種類型。

三十九、誰造成環境改變？

對細胞：

世界變了。

對人：

我移動了。

同一事件：

e

在兩個尺度具有完全不同語義：

WorldChange_{cell}

Action_{human}

因此：

\boxed{ \text{一個尺度的環境事件，} \\ \text{可以是另一個尺度的主體行動。} }

這是本文非常重要的結論。

四十、同樣結構也適用於母 AI／子 AI

子 AI：

a_i

可能發現：

權限突然增加；
世界狀態改變；
新工具出現；
另一子 Agent 被建立。

對：

a_i

而言：

EnvironmentChanged

對母 AI：

M

而言：

I_M \rightarrow Action_M

所以：

\boxed{ Environment_{lower} = ActionSpace_{higher} }

在某些跨尺度結構中成立。

四十一、這就是主客場真正有趣的地方

對低階 Self：

W_k

看起來像：

ObjectiveEnvironment

但其中一部分可能只是：

HomeField(S_{k+1})

也就是另一個 Self 的主場。

因此：

\boxed{ \text{你的客場，可能只是另一個存在的主場。} }

這句可以完全技術化理解。

四十二、因果歸屬因此天然是相對尺度的

定義：

Attrib(e\mid S_k,L)

表示相對觀察 Self：

S_k

以及因果尺度：

L

對事件：

e

的歸屬。

則：

Attrib(e\mid S_a,L_1) \neq Attrib(e\mid S_b,L_2)

完全可能。

這不是：

真相因人而異。

而是：

\boxed{ \text{同一因果網絡允許不同尺度的正確投影。} }

四十三、但不能因此變成無限制相對主義

不是任何歸屬都一樣合理。

需要可檢驗條件：

是否有反事實依賴；
是否有控制；
是否有信息流；
是否有意圖；
是否有行動接口；
是否有結果回饋；
是否承接後果。

所以：

\boxed{ CausalPluralism \neq AnythingGoes }

四十四、提出「多尺度行動歸屬函數」

可以暫時定義：

\mathcal A(S,e) = w_1I + w_2C + w_3F + w_4R + w_5O + w_6K

其中：

$I$ ：意圖耦合；
$C$ ：控制能力；
$F$ ：反事實依賴；
$R$ ：認同／身份歸屬；
$O$ ：行動所有權；
$K$ ：結果承接能力。

此式不是經驗定律，

而是一個分析框架。

四十五、行動者尺度

定義：

L_A(e) = \arg\max_L \mathcal A(S_L,e)

則：

L_A(e)

表示：

對事件 $e$ ，最有意義的行動者尺度。

例如：

反射：

L_A

可能偏向局部神經／身體系統。

自主決策：

L_A

通常偏向人格／個體尺度。

公司決策：

L_A

可能偏向組織尺度。

四十六、但可能沒有唯一最大值

某些事件：

e

可能：

\mathcal A(S_i,e) \approx \mathcal A(S_j,e)

那麼：

\boxed{ MultipleAgencyAttribution }

比強迫唯一答案更合理。

例如：

共同犯罪；
合作創作；
多人救援；
母子 Agent 聯合決策。

所以：

\boxed{ Actor(e) }

可能本來就是集合：

\{S_i,S_j,\ldots\}

而不是單一元素。

四十七、群體行動不是成員動機的簡單平均

2024 年 Jessica Brown 對 group action 的研究提出非加總式理解：群體為某理由行動，不必要求每個成員都因同一理由完成自己的部分。

這對我們很重要。

母 AI 的目標：

G_M

不必等於：

G_{a_1}=G_{a_2}=\cdots

只要局部行為在制度／控制結構下共同實現：

G_M

就可能形成高階行動。

四十八、所以 Higher Self 可以有自己的理由層

定義：

Reason(S,e)

為 Self：

S

執行事件：

e

的理由。

可能：

Reason(H,e) \neq Reason(S_i,e)

例如：

員工工作是為薪水。

公司推行政策是為市場策略。

兩者同時成立。

所以：

\boxed{ HigherLevelReason }

不必是：

\sum LowerLevelReason

的簡單加總。

四十九、這讓「誰做的」第一次完整拆開

現在對事件：

e

可以同時問：

誰物理實現？

Realizer(e)

哪個尺度因果最有效？

EffectiveCause(e)

哪個 Self 具有控制？

Controller(e)

哪個 Self 形成意圖？

Intender(e)

哪個 Self 宣稱行動所有權？

Owner(e)

哪個 Self 承接後果？

ResponsibilityBearer(e)

它們可能相同，

也可能完全不同。

五十、AI 系統尤其不能再只寫「AI 做的」

未來一個事件可能同時涉及：

User

MotherAI

SubAgent

Model

Tool

ExternalService

所以：

AI 做了。

這種敘述會越來越不足。

我們需要真正的：

\boxed{ CausalProvenanceGraph }

紀錄：

誰提出意圖；
誰制定計畫；
誰授權；
誰執行；
誰驗證；
誰修改；
誰承接結果。

五十一、這可以成為 Agent OS 的基本結構

令事件：

e

有 provenance：

P(e)= ( I, Planner, Authorizer, Executor, Verifier, Owner )

例如：

P(e)= ( Human, MotherAI, MotherAI, SubAgent_3, VerifierAI, Human+MotherAI )

這就比：

AI 做的。

精確得多。

五十二、它也解決部分責任真空

如果只記錄：

Executor

容易出現：

子 Agent 執行，所以都是子 Agent 的錯。

如果只記：

Planner

則：

執行者完全沒有責任。

兩者都可能過度簡化。

完整：

CausalProvenanceGraph

讓不同責任維度可以分離處理。

五十三、「Higher Self 做的」必須滿足最小治理條件

並不是所有集合都可以向上搶因果歸屬。

本文提出最低條件：

\boxed{ HigherAgency(H,e) }

至少要求：

$H$ 有可辨識決策程序；
$H$ 具有角色分配；
$H$ 能改變執行者；
$H$ 可以追蹤結果；
$H$ 有能力修正未來行動；
$H$ 能承接某種後果。

這與當代 collective agent 理論強調決策程序、角色與成員規則等結構具有明顯相似性。

五十四、所以「我們」的力量是一個治理層能力

Power(H)

不是：

\sum Power(S_i)

而更接近：

\boxed{ Power(H) = Coordination ( \{Power(S_i)\} ) + EmergentCapability }

這正接回第二篇：

HigherRealizability \neq SimpleUnion

五十五、主場與認同結合

現在可以再加入第三篇的認同。

如果：

S_i

承認：

H

並可合法調用：

HomeField(H)

則其有效主場：

HomeField^{eff}(S_i)

可能擴展成：

HomeField(S_i) \cup Accessible(HomeField(H))

所以：

\boxed{ Recognition + Authorization \rightarrow HomeFieldExpansion }

五十六、認同不等於使用權

必須增加：

Authorization

否則：

我認同某個國家。

並不代表：

我可以使用國家的所有資源。

同樣：

Recognition(a_i,M)>0

不代表：

Permissions(a_i)=Permissions(M)

所以：

\boxed{ IdentityMembership \neq RealizabilityAccess }

這是一個重要治理校正。

五十七、主客場因此有四種不同邊界

Self：

S

至少可以具有：

身體邊界

B_{body}

身份邊界

B_{identity}

權限邊界

B_{permission}

Realizability 邊界

B_R

通常：

B_{body} \neq B_{identity} \neq B_{permission} \neq B_R

這對人工智能尤其重要。

五十八、世界之上的世界現在真正得到因果版本

假設：

S_k \hookrightarrow S_{k+1}

對：

S_k

而言：

e

可能是：

WorldEvent

但對：

S_{k+1}

而言：

e

可能是：

Action

所以：

\boxed{ WorldEvent_k = Action_{k+1} }

在某些事件上可能成立。

這就是跨層級主客場。

五十九、「宇宙讓它發生」和「我讓它發生」

最終我們又回到第一篇。

所有人的行為最後都依賴：

\mathfrak R_U

所以最底層可以說：

宇宙允許這件事情發生。

但這不能因此取消：

我讓這件事情發生。

因為兩句話回答不同問題：

Universe: \text{Why realizable?}

Agent: \text{Why this realizable path was selected?}

因此：

\boxed{ UniversalRealizability \neq AgenticSelection }

六十、主體力量其實可能就是選擇性 Realizability

宇宙提供：

\mathfrak R_U(x)

包含大量可達後繼。

Agent：

S

透過：

Intent

選擇：

g

並利用：

\mathfrak C_S

提高：

P(g)

所以：

\boxed{ Agency = SelectiveBiasingOfRealizability }

這可能是一個比「自由意志直接創造因果」更保守的形式化。

六十一、自由意志問題由此可以重新表述

傳統問：

如果所有底層物理都有因果，意志還有沒有作用？

本文可以改問：

意圖是否構成一個有效高階變量，使可實現狀態的分布系統性改變？

即：

P(g\mid do(Intent=i_1)) \neq P(g\mid do(Intent=i_2))

如果成立，

則：

Intent

至少具有 interventionist 意義上的高階因果角色。

這不自動解決形而上自由意志，

但把問題變得更可操作。

六十二、真正的「我能做到」因而具有三層含義

當 Self 說：

我能做到 $g$ 。

可能至少代表：

第一

g\in\mathfrak R_U

宇宙允許。

第二

g\in\mathfrak R_S

我的系統可以參與。

第三

g\in\mathfrak C_S

我可以有方向地實現。

所以：

\boxed{ Can(S,g) = WorldAllows + SystemSupports + AgentControls }

六十三、真正的主場

至此可以正式提出：

Realizability Home Field Principle

某個狀態：

g

越具有：

高控制；
高反饋；
高預測性；
低延遲；
低協調成本；
高身份歸屬；

則：

g

越接近 Self：

S

的主場。

即：

\boxed{ HomeFieldStrength(S,g) \propto \frac{ Control\cdot Feedback\cdot Attribution }{ Latency\cdot Uncertainty\cdot Mediation } }

此式同樣是結構模型，而非經驗物理律。

六十四、主場與 Self 邊界可能互相塑造

不是先有固定 Self，

再產生主場。

也可能：

ControlRepeatedly(S,g) \rightarrow Recognition(S,g)\uparrow

長期使用工具後：

Tool

開始變成：

我的工具。

甚至：

我的認知延伸。

所以：

\boxed{ HomeField \leftrightarrow SelfBoundary }

可能是雙向形成關係。

六十五、這讓「自己」開始變成因果拓撲

Self 未必只是一個物理物件。

它可能也是：

\boxed{ \text{一個因果、控制、認同與責任高度密集的區域。} }

可以寫成：

Self(S) \approx DenseRegion( Control, Memory, Recognition, History, Responsibility )

因此 Self 的邊界可以：

擴張；
收縮；
分叉；
合併；
重組。

六十六、與忒修斯再度連接

如果 Self 是：

DenseCausalIdentityRegion

那麼替換部分元件：

p_i\rightarrow p_i'

只要：

CausalTopology

與：

IdentityAttribution

保持足夠連續，

Higher Self 可能仍延續。

所以：

\boxed{ PartReplacement \not\Rightarrow AgencyReplacement }

六十七、但如果因果主權轉移，就可能真的不是同一個 Self

假設：

S

外觀、記憶全部保留，

但所有決策現在由：

X

秘密控制。

則：

SurfaceIdentity

可能保持，

而：

CausalAgency

已發生轉移。

所以忒修斯問題不能只檢查：

記憶；
零件；
名稱。

還需要檢查：

\boxed{ CausalGovernanceContinuity }

這是本文提供給第六篇的重要接口。

六十八、核心命題：多尺度因果歸屬原理

現在可以正式提出：

\boxed{ \text{同一事件可以具有多個有效因果尺度，} \\ \text{而行動歸屬則是從這些尺度中辨識} \\ \text{具有意圖、控制、身份與責任結構的 Self。} }

也就是：

\mathcal C(e) = \{C_0,\ldots,C_n\}

但：

\mathcal A(e) = \{S_i\mid Agency(S_i,e)>\theta\}

二者不相同。

六十九、第二核心命題：主客場相對性

對同一事件：

e

可能：

e\in HomeField(A)

但：

e\in AwayField(B)

因此：

\boxed{ \text{一個存在的客場，} \\ \text{可能就是另一個存在的主場。} }

而跨層級情況尤其如此：

EnvironmentEvent_k = AgentAction_{k+1}

七十、第三核心命題：力量是主場擴張

文明、工具與智能發展的一種統一描述是：

\boxed{ AwayField \rightarrow HomeField }

或者：

\boxed{ d_R(S,g)\downarrow }

所以：

\boxed{ PowerGrowth = ExpansionOfControllableRealizability }

七十一、第四核心命題：因果歸屬不是最低層壟斷

底層物理因果成立：

\not\Rightarrow

高階 Self 因果無效。

更合理的問題是：

\boxed{ \text{哪一個尺度對哪一類干預、控制與解釋最有意義？} }

因此：

\boxed{ MicroRealization \neq ExclusiveCausalOwnership }

七十二、第五核心命題：行動不是單一點，而是 provenance graph

對複雜 Agent 系統：

Action(e)

應表示為：

\boxed{ P(e)= ( Intender, Planner, Authorizer, Executor, Verifier, Owner, ResponsibilityBearer ) }

這尤其適合：

母 AI／子 AI；
多智能體；
人類＋AI；
公司；
自主機器人；
分散式軟體。

七十三、結論

本文從一個極其普通的問題開始：

誰拿起了杯子？

表面答案是：

我。

但向下展開：

Neuron \rightarrow Muscle \rightarrow Arm \rightarrow Human

每一層都參與事件。

因此真正問題不是：

\boxed{ \text{哪一層是真的？} }

而是：

\boxed{ \text{哪一層回答的是哪一種因果問題？} }

本文由此區分：

Realizer

EffectiveCause

Controller

Intender

Owner

ResponsibilityBearer

並提出：

\boxed{ \text{因果可以是多尺度的，} \\ \text{但 Agency 是具有 Self 結構的因果歸屬。} }

Realizability 則使這個問題獲得新的幾何形式。

Self：

S

與目標：

g

之間存在：

d_R(S,g)

當：

d_R\downarrow

該目標逐漸進入 Self 的主場。

所以：

\boxed{ HomeField(S) = \{g\mid d_R(S,g)<\epsilon\} }

科技、協作、組織與 AI 都可以透過降低：

d_R

擴張主體的有效 Realizability。

因此：

\boxed{ \text{力量的擴張，就是把越來越多世界從客場變成主場。} }

但這又重新要求我們問：

是誰的主場？

因為：

HomeField(S_k) \neq HomeField(S_{k+1})

低階 Self 所看到的：

WorldEvent

可能只是高階 Self 的：

Action

所以：

\boxed{ \text{細胞眼中的世界改變，} \\ \text{可能只是人的一個動作；} }

\boxed{ \text{子 AI 眼中的環境改變，} \\ \text{可能只是母 AI 的一次調度。} }

這使「自己」「他者」「世界」「能力」與「因果」第一次完全接在一起。

最終可以濃縮成：

\boxed{ \textbf{宇宙提供可實現性；} }

\boxed{ \textbf{主體選擇並控制其中一部分；} }

\boxed{ \textbf{主場描述這種控制最密集的區域；} }

而：

\boxed{ \textbf{「誰做的」} }

就是在這個多尺度因果世界中，

找出：

\boxed{ \textbf{哪一個 Self 對某個實現結果具有最強的} \\ \textbf{意圖、控制、身份與承接關係。} }

核心命題總結

命題一：因果四分法

\boxed{ Realization \neq EffectiveCausation \neq Agency \neq Responsibility }

命題二：因果尺度族

\boxed{ \mathcal C(e) = \{C_0,C_1,\ldots,C_n\} }

命題三：微觀實現不壟斷因果

\boxed{ MicroRealization \not\Rightarrow ExclusiveCausalOwnership }

命題四：主場

\boxed{ HomeField(S) = \{g\mid d_R(S,g)<\epsilon\} }

命題五：客場

\boxed{ AwayField(S) = \{g\mid d_R(S,g)\geq\epsilon\} }

命題六：技術擴張

\boxed{ TechnologicalPower : AwayField \rightarrow HomeField }

命題七：跨尺度事件轉譯

\boxed{ WorldEvent_k = Action_{k+1} }

在部分跨尺度事件中成立。

命題八：多尺度 Agency

\boxed{ Agency(S_i,e)>0 \land Agency(S_j,e)>0 }

可以同時成立。

命題九：高階控制

\boxed{ HigherAgency }

可以透過調度可替換執行者而成立。

命題十：身份與權限區分

\boxed{ IdentityMembership \neq RealizabilityAccess }

命題十一：主場與認同

\boxed{ Recognition + Authorization \rightarrow EffectiveHomeFieldExpansion }

命題十二：行動 provenance

\boxed{ P(e)= ( Intender, Planner, Authorizer, Executor, Verifier, Owner, ResponsibilityBearer ) }

命題十三：Agentic Realizability

\boxed{ Agency = SelectiveBiasingOfRealizability }

命題十四：力量增長

\boxed{ PowerGrowth = ExpansionOfControllableRealizability }

命題十五：因果治理連續性

\boxed{ IdentityContinuity }

除了記憶與材料之外，還可能需要：

\boxed{ CausalGovernanceContinuity }

參考文獻

Brown, J. (2024). Groups as Epistemic and Moral Agents. Oxford University Press.

Brown, J. (2024). “Group Action for a Reason.” In Groups as Epistemic and Moral Agents. Oxford University Press.

Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying causal emergence shows that macro can beat micro.” Proceedings of the National Academy of Sciences, 110(49), 19790–19795.

List, C., & Pettit, P. (2011). Group Agency: The Possibility, Design, and Status of Corporate Agents. Oxford University Press.

List, C. (2022). “Group Responsibility.” In The Oxford Handbook of Moral Responsibility. Oxford University Press.

Woodward, J. (2003). Making Things Happen: A Theory of Causal Explanation. Oxford University Press.

Zhang, J. et al. (2025). “Finding emergence in data by maximizing effective information.”

Stanford Encyclopedia of Philosophy. “Mental Causation.”

Stanford Encyclopedia of Philosophy. “Collective Responsibility.”

Stanford Encyclopedia of Philosophy. “Causal Approaches to Scientific Explanation.”

Hindriks, F. (2025). “Collective Agents.” In The Structure of the Open Society: Social Ontology Meets Collective Ethics. Oxford University Press.