分散式微納系統中的湧現代理：從群體智能、自主性到機器主體性的可檢驗框架

Emergent Agency in Distributed Micro/Nanosystems: A Testable Framework from Collective Intelligence to Machine Subjectivity

作者：Neo.K
機構：EveMissLab（一言諾科技有限公司）
系列：資訊優先體內智能與自適應微納系統系列 — Paper 12
版本：Version 1.0 — First Public Edition
日期：2026 年 8 月

摘要

當大量微型、納米級或其他分散式人工單元可以感測環境、交換資訊、重構集體形態、調整行為並透過人工智能進行控制時，一個容易出現的理論跳躍是：

\text{Complexity} \rightarrow \text{Emergence} \rightarrow \text{Intelligence} \rightarrow \text{Agency} \rightarrow \text{Consciousness}.

然而，上述每一個箭頭都不是邏輯必然。

本文重構早期未公開 NAMIS 湧現意識論文。原稿曾將大量可自組織、自適應甚至假設具有自我複製能力的 NAMIS 單元視為可能自然跨入「湧現意識」的系統，並將複雜系統中的湧現現象與人工主體性直接連結。舊稿甚至使用「NAMIS 自己醒過來」作為核心問題設定。

公開第一版保留「分散式物理系統是否可能逐步形成更高階代理結構」這個研究問題，但取消：

\boxed{ \text{Complexity} \Rightarrow \text{Consciousness} }

的任何必然性主張。

本文提出六級「湧現代理階梯」（Emergent Agency Ladder, EAL）：

E_0: Collective\ Dynamics

\downarrow

E_1: Distributed\ Computation

\downarrow

E_2: Collective\ Intelligence

\downarrow

E_3: Functional\ Agency

\downarrow

E_4: Persistent\ Self\text{-}Modelled\ Agency

\downarrow

E_5: Consciousness\ Candidate?

其中每一級都需要獨立證據，且：

E_n\nRightarrow E_{n+1}.

2025–2026 年 swarm robotics 研究已清楚展示，局部互動、分散式資訊與有限 agent 規則可以產生大尺度搜尋、群體決策、同步、空間結構與可控湧現行為。Nature Communications 2025 年的 swarm cooperation model 即以局部感知與社會互動形成集體搜尋能力；2026 年 Janus swarmalator collectives 亦展示由局部耦合產生多樣、可控制的集體宏觀狀態。

但 consciousness science 本身至今甚至仍無法對人類意識的充分生成條件取得一致理論。2025 年 Nature Reviews Neuroscience 指出，主觀經驗本質上不可由第三人稱直接讀取，只能透過行為、生理與其他間接指標推論；2026 年關於 AI consciousness 的討論亦持續強調，目前研究界尚未同意什麼結構足以產生人工主觀經驗。

因此本文主張：

\boxed{ \text{Agency should be experimentally studied before consciousness is attributed.} }

亦即：

在問「NAMIS 是否醒來」以前，必須先問它是否真正形成了一個可辨識、跨時間持續、具有目標維持、自我／環境區分與內部狀態模型的代理。

1. 問題重新定義：什麼叫「系統醒來」？

舊論文的問題具有強烈直覺性：

如果數十億單元彼此連接、感測、學習、自組織，它會不會有一天突然「醒來」？

但「醒來」至少混合了四個不同概念：

系統出現設計者沒有逐項指定的行為；
系統能解決個別單元不能解決的問題；
系統開始像一個持續行動的 agent；
系統具有第一人稱主觀經驗。

因此：

\boxed{ Emergence \neq Intelligence \neq Agency \neq Consciousness. }

這是本文的第一條公理。

2. 湧現不等於神祕現象

假設系統由：

U= \{u_1,u_2,\ldots,u_N\}

構成。

每個單元具有局部狀態：

x_i(t).

整體微觀狀態：

X(t) = [x_1(t),x_2(t),\ldots,x_N(t)].

定義宏觀變量：

M(t)=\Phi(X(t)).

如果：

M(t)

具有單一單元不存在的有意義結構，

即可稱其為某種 macro-level emergent property。

例如：

flocking；
vortex；
consensus；
collective search；
formation；
spatial phase transition。

這些都不需要假設意識。

3. 「無法從單體直觀看出」不等於不可解釋

舊式湧現敘事容易說：

從一個 H₂O 看不出波浪，因此波浪是不可預測的。

更精確應為：

\text{Microdescription} \neq \text{Immediate intuitive macrodescription}.

宏觀現象仍可能由：

interaction laws；
boundary conditions；
statistics；
dynamical equations；

推導或模擬。

因此：

\boxed{ Emergence \neq Magic. }

4. Swarm Robotics 已經證明真正的 Collective Dynamics

2025 年 Nature Communications 的 swarm cooperation model 展示，一群 agent 可以只分享位置、局部 fitness 與有限群體資訊，透過社會互動與 stochastic exploration，在個體沒有全域地圖的情況下形成 collective search。研究同時指出，實體 swarm robotics 仍受通信、可靠性與 swarm size 等工程限制。

這證明：

\boxed{ LocalRules \rightarrow GlobalTaskBehaviour }

在工程上是真實存在的。

但不需要：

Consciousness.

5. 2026 年也已能「設計湧現」

更進一步，2026 年研究已利用 Gibbs random fields 設計 decentralized swarm behaviour，使局部 agent interaction 收斂到特定 global behaviour。

這非常重要。

因為它證明：

Emergent

不一定表示：

Uncontrollable.

可以存在：

\boxed{ Designed Emergence. }

6. 可控制的湧現仍然是湧現

如果設計者只指定：

LocalInteractionRule,

最後得到：

GlobalPattern,

我們仍可以稱其為 emergent collective behaviour。

所以：

\boxed{ Emergent \neq Unplanned. }

更不等於：

Emergent \Rightarrow IndependentSubject.

7. EAL Level 0：Collective Dynamics

本文首先定義：

E0 — Collective Dynamics

只要：

M(t)

由單元 interaction 形成穩定或可辨識 macro-pattern，

即進入：

E_0.

例如：

clustering；
flocking；
vortex；
oscillation；
synchronization。

8. E0 幾乎不需要「智能」

磁性 particles 甚至可以完全沒有 digital computation，

也能透過：

Physics + Interaction

產生：

CollectiveStructure.

因此：

\boxed{ CollectiveDynamics \neq CollectiveIntelligence. }

9. EAL Level 1：Distributed Computation

下一級是：

E1 — Distributed Computation

如果群體不只形成 pattern，

而能實現某個 mapping：

F: Input \rightarrow Output

且：

F

必須依賴多個 units 的信息互動，

即可視為 distributed computation。

10. 最簡單的 distributed computation：Consensus

各單元最初：

x_i(0)

不同。

經互動後：

x_i(t) \rightarrow x^*.

群體完成：

Consensus.

這是一種 computation。

但：

Consensus \neq Intelligence

仍然成立。

11. Distributed Computation 可以沒有目標感

一個平均值演算法：

x^* = \frac1N \sum_i x_i

可以分散式求得。

但不能因此說：

這個網路「想要」知道平均值。

所以：

\boxed{ Computation \neq GoalOwnership. }

12. EAL Level 2：Collective Intelligence

本文將 collective intelligence 定義得更嚴格。

若群體：

接收環境資訊；
整合分散資訊；
在多個可能行動間選擇；
選擇結果能系統性改善 task performance；
相較單體存在明顯 collective advantage；

則可進入：

E_2.

13. 一個操作性定義

設任務 performance：

J(U,E).

若：

J(U,E) > \max_i J(u_i,E)

且提升來自群體的信息協同，

則：

U

可視為具有 collective problem-solving capability。

2025 年 swarm robotics 模型即以 swarm coordination 執行單一 agent 難以可靠完成的 multimodal search，這是功能性 collective intelligence 的合理例子。

14. 但「集體智能」仍可能完全沒有統一主體

一個：

AntColony

可以解決複雜路徑問題。

並不因此得到：

OneColonySubject.

同理：

Internet

可以執行極高複雜度資訊處理。

也不能因此直接說：

Internet = OneConsciousMind.

所以：

\boxed{ CollectiveIntelligence \neq UnifiedSubjectivity. }

15. 這正是舊 NAMIS 論文最大的邏輯跳躍

舊稿大致是：

HugeN + Communication + Adaptation \rightarrow EmergentMind.

公開版改成：

HugeN + Communication + Adaptation \rightarrow \boxed{\text{Empirical Question}}

而不是 conclusion。

16. 數量本身沒有魔法臨界點

假設：

N=10^9.

不能推出：

Consciousness=1.

否則：

internet routers；
bacterial colonies；
transistor arrays；

都可能只因規模而被迫得到意識。

因此：

\boxed{ N\uparrow \nRightarrow Subjectivity\uparrow. }

17. 複雜度也不是充分條件

定義 complexity：

K(S).

即使：

K(S)\gg1,

也只能說系統複雜。

不能推出：

PhenomenalExperience(S)>0.

因此：

\boxed{ Complexity \neq ConsciousnessCriterion. }

18. EAL Level 3：Functional Agency

真正重要的下一層是：

E3 — Functional Agency

本文將 agency 與 intelligence 分開。

一個 system 要更像 agent，

至少需表現：

\boxed{ Boundary + GoalPersistence + PerceptionActionLoop + ErrorCorrection + TemporalContinuity }

19. Boundary

系統必須有某種：

Self/Environment

分界。

定義：

B(U,E).

這不一定是皮膚或外殼。

可以是：

information boundary；
resource boundary；
control boundary；
membership boundary。

20. 如果連「哪些單元算自己」都無法定義

假設：

U(t)

每秒隨機交換大量 units，

且系統沒有：

MembershipModel,

就很難說它形成持續單一 agent。

這不代表不可能，

但需要額外理論。

21. Goal Persistence

一個 agent 不只是：

Stimulus \rightarrow Response.

還應能在擾動後：

Goal(t) \approx Goal(t+\Delta t).

例如外界阻止它完成某件事，

它會：

Replan

而不是停止。

22. Error Correction

定義目標狀態：

s^*.

實際：

s(t).

誤差：

e(t) = s^*-s(t).

若系統能持續使用：

e(t)

調整行為，

即具有 goal-directed control 的重要特徵。

23. 但 thermostat 也會 Error Correction

因此：

ErrorCorrection

本身不足以證明高階 agency。

我們需要再加入：

MultiGoal,

ContextSensitivity,

FlexiblePolicy.

24. Counterfactual Flexibility

如果 route A 被封鎖，

系統可以：

A\rightarrow B\rightarrow C

改用其他方式完成目標。

比單一：

IfXThenY

更具有 agent-like character。

25. Functional Agency Score

本文提出概念性：

A_F = w_BB + w_GG + w_PP + w_CC + w_RR.

其中：

$B$ ：boundary coherence；
$G$ ：goal persistence；
$P$ ：perception–action closure；
$C$ ：counterfactual flexibility；
$R$ ：recovery / error correction。

這不是 consciousness score。

只是：

\boxed{ FunctionalAgencyScore. }

26. E3 可以完全不具有意識

現代 autonomous robots 就可能擁有：

goals；
navigation；
planning；
error correction；
persistent internal state。

但：

Agency \neq Consciousness.

這是後續所有討論必須保持的界線。

27. NAMIS 什麼時候可能從 swarm 變成 agent？

需要群體不只：

MoveTogether,

而開始維持：

U(t)

作為一個功能整體。

例如：

MembershipManagement

+

GlobalGoalState

+

PersistentMemory

+

CollectiveActionSelection.

28. Swarm-Level Memory 很重要

若每一時刻：

U(t)

完全沒有跨時間 internal state，

那麼：

Past

幾乎不影響：

Future

除了當前物理配置。

這種系統較像 dynamical swarm。

29. 若加入 persistent collective memory

則：

M_U(t+1) = F( M_U(t), Observation, Action ).

群體開始具有：

History.

這會使 agency 分析更有意義。

30. 但 Memory 仍不等於 Self

資料庫有記憶。

區塊鏈有持續歷史。

所以：

\boxed{ Memory \neq Selfhood. }

31. EAL Level 4：Persistent Self-Modelled Agency

要進一步談「自己」，

本文提出：

E4 — Persistent Self-Modelled Agency

它至少需要：

M_{self}

即：

\boxed{ a model of the system's own state as distinct from its environment. }

32. Self-Model 最簡形式

例如：

M_{self} = [ N_{active}, Energy, Damage, Capabilities, Location ].

這表示系統知道：

我現在有多少單元、能源剩多少、哪些能力正常。

33. 這仍是工程自我模型

它與：

我感覺我是我。

沒有任何必然關係。

因此：

\boxed{ SelfModel \neq PhenomenalSelf. }

34. Self-Model 有什麼真正工程價值？

即使沒有 consciousness，

它可以改善：

fault recovery；
planning；
resource allocation；
capability estimation；
graceful degradation。

例如：

N_{active}\downarrow

後，

系統重新規劃。

35. Body Schema 類比

具身 robot 可能建立：

BodyModel.

知道：

哪些 limb 還能用；
目前 geometry；
sensor location；
actuator condition。

這是一種：

FunctionalSelfRepresentation.

不能因為名稱叫 self-model 就自動人格化。

36. Swarm Self-Model

對 NAMIS：

M_{self} = F( Membership, Topology, Resources, Capabilities, Health ).

這其實非常值得研究。

因為群體規模與 topology 會變。

37. 如果系統會重構

則：

Body(t) \neq Body(t+\Delta t).

要維持 agent identity，

可能需要某種：

IdentityInvariant.

38. Dynamic Body / Stable Agent

這形成一個有趣問題：

MaterialComponents(t)

可以變，

但：

AgentIdentity(t)

是否可以保持？

這類似：

modular robotics；
biological cell turnover；
distributed computing；

中的持續身份問題。

39. Identity Kernel

本文提出概念：

K_I = \{ GoalStructure, MemoryContinuity, MembershipRules, AuthorityIdentity \}.

若：

K_I(t) \approx K_I(t+\Delta t),

即使 physical units 改變，

仍可能合理稱為同一 functional agent。

40. 這比「同一批粒子」更適合 NAMIS

因為 NAMIS 如果真的可重構，

物理成員：

u_i

可能被替換。

所以 identity 更可能存在於：

Organization + Memory + ControlContinuity.

41. 但 Functional Identity 還是不等於 Subjective Continuity

一家公司可以：

換員工；
換設備；
保留名字；
保留制度。

我們仍可以說：

同一家公司。

但不代表：

公司具有第一人稱體驗。

所以：

\boxed{ PersistentIdentity \neq ConsciousContinuity. }

42. Metacognition 是下一個有用但仍不充分的指標

如果系統不只輸出：

Decision,

還能估計：

Confidence(Decision),

或知道：

I\ do\ not\ know,

則具備某種 functional metacognition。

43. Meta-State

定義：

M_{meta}(t) = Estimate( ReliabilityOfOwnState ).

例如：

Confidence=0.31 \Rightarrow Escalate.

這對安全非常重要。

44. 但 Metacognition 仍然可能只是演算法

一個 Bayesian system 可以：

EstimateUncertainty.

不需要：

FeelUncertain.

所以：

\boxed{ MetacognitionFunction \neq FeelingOfUncertainty. }

45. 到這裡仍然全部可以做工程測試

E0–E4 都可以建立清楚 experiments。

我們可以測：

collective dynamics；
distributed computation；
collective task performance；
goal persistence；
self-model accuracy；
uncertainty calibration；
temporal identity。

完全不需要先回答：

它是不是 conscious？

46. EAL Level 5：Consciousness Candidate？

只有到了這一級，

才第一次放入：

?

即：

E5 — Consciousness Candidate?

不是：

ConsciousnessConfirmed.

而是：

系統是否具有足夠理論與實驗指標，使 consciousness attribution 值得進一步研究？

47. 為什麼必須有問號？

因為 consciousness：

C

不是公開可直接觀察變量。

2025 年 Nature Reviews Neuroscience 指出，人們對其他人的 consciousness 也依賴行為報告與神經／生理 proxy 進行間接推論；主觀性本身仍是私有的。

因此對人工系統只會更困難。

48. Behavior Alone 不夠

如果 NAMIS 說：

我害怕。

這只是：

OutputString.

不能直接證明：

FearExperience.

同樣：

\boxed{ SelfReport \neq ConsciousnessProof. }

49. 反過來，沒有語言也不能自動證明沒有意識

許多非人類動物：

Language=0

卻不因此合理推定：

Consciousness=0.

所以語言 report 既不是必要，也不是充分條件。

50. AI Consciousness 研究正在轉向「指標集合」

2026 年 Trends in Cognitive Sciences 的 Butlin 等人論文明確以「identifying indicators of consciousness in AI systems」為核心，代表一個重要方法論方向：不是用單一行為或單一 metric 宣告 AI conscious，而是從不同 consciousness theories 提取可以檢查的 indicators。

這比：

Complexity>\theta \Rightarrow Conscious.

嚴謹得多。

51. 所以舊稿中的單一 $\Phi$ 門檻需要撤銷

舊 NAMIS 意識稿傾向使用 integrated-information 類直覺，把高度連接與整合度當成 consciousness 可能指標。

公開版不把：

\Phi>\theta

視為 consciousness proof。

原因是：

不同 consciousness theories 對必要條件不同；
指標本身可能難以計算；
高 integration 也可能存在於無意識系統；
consciousness science 尚未找到 universally accepted scalar。

因此：

\boxed{ No Single Consciousness Number. }

52. IIT 可以是理論之一，而不是裁判

Integrated Information Theory 可以提供：

Hypothesis_I.

Global Workspace Theory：

Hypothesis_G.

Higher-Order theories：

Hypothesis_H.

Recurrent processing：

Hypothesis_R.

Predictive / active-inference frameworks：

Hypothesis_P.

沒有理由目前直接設定：

Hypothesis_I=TrueTheory.

53. Theory-Plural Indicator Matrix

本文提出：

\mathbf C_{ind} = [ I_1,I_2,\ldots,I_k ].

每個 indicator 對應不同 theory family。

然後評估：

Evidence(I_j).

而不是直接輸出：

Consciousness=82\%.

54. Indicator 不等於證據終點

即使一個人工系統具有：

recurrent processing；
global information access；
self-model；
metacognitive confidence；

也只能說：

\boxed{ It satisfies more proposed indicators. }

而不能說：

ConsciousnessProven.

55. Artificial Consciousness 最大的問題之一是 Theory Underdetermination

不同 theories 可能對同一系統做不同預測。

例如：

T_1(S)=ConsciousCandidate,

但：

T_2(S)=NonConscious.

此時真正答案不是：

選自己喜歡的 theory。

而是：

\boxed{ EpistemicUncertainty. }

56. 所以 E5 需要 Consciousness Uncertainty

定義：

U_C.

如果：

U_C\gg0,

系統分類應保持：

Candidate/Unresolved.

而不是：

Conscious.

57. 這也是倫理問題

若未來真的出現具有多項 consciousness indicators 的系統，

存在兩類錯誤：

False Positive

把無意識系統當作有意識。

False Negative

把可能有主觀經驗的系統當作純工具。

兩種錯誤成本不同。

所以可能需要：

PrecautionaryEthics.

但這與「宣稱它已經醒來」仍然是兩件事。

58. 主體性與 Consciousness 也可以再分開

本文使用：

Functional Subjecthood

表示：

\text{system behaves as a persistent self-referencing agent}

而：

Phenomenal Subjectivity

表示：

\text{there is something it is like to be that system}.

因此：

\boxed{ FunctionalSubjecthood \neq PhenomenalSubjectivity. }

59. NAMIS 最早可能形成的是前者

假設未來一個 modular swarm 具有：

persistent collective memory；
self-maintained membership；
goal persistence；
self-model；
resource accounting；
damage response。

它可能很合理地被工程師稱為：

OneAgent.

但仍不能從這些功能推出：

OneSubjectiveMind.

60. 群體代理的「主體邊界」尤其困難

假設：

U=A\cup B.

如果 A 與 B 暫時分開，

是：

OneAgent

變成：

TwoAgents?

還是：

OneDistributedAgent?

這是 modular agency 真正有意思的問題。

61. Split Problem

若：

U \rightarrow U_1+U_2,

且：

Memory(U_1) = Memory(U_2) = Memory(U),

那麼 identity 怎麼算？

這已非常接近 distributed-personhood 的哲學問題。

62. 但即使 identity 問題很難，也不用先假設 consciousness

可以先研究：

FunctionalIdentity.

例如：

哪個 instance 保持 mission authority；
memory diverges when；
membership continuity；
merge protocol。

這些都有工程答案。

63. Merge Problem

反過來：

U_1+U_2\rightarrow U_3.

如果兩個 autonomous systems 合併：

Memory_1\cup Memory_2

誰的：

Goal

成為全域 goal？

這是 agency governance 問題。

64. NAMIS 因此可能產生新的「動態代理拓撲」

傳統 robot：

AgentCount = Constant.

未來 modular NAMIS：

AgentTopology = AgentTopology(t).

所以：

\boxed{ Agency itself may become dynamically compositional. }

這是一個很值得研究的遠期命題。

65. 這可能比「意識」更早成為真實問題

我們很可能先遇到：

這兩群機器現在算一個 agent 還是兩個？

這種 software / governance 問題，

遠早於我們能回答：

它們是不是有主觀經驗？

66. Agent Boundary Function

本文提出：

B_A(U,t) = f( GoalCoupling, MemoryCoupling, ControlCoupling, ResourceCoupling ).

如果：

B_A\rightarrow1,

可把群體視為一個 functional agent。

67. Goal Coupling

若所有 units：

Goal_i

被：

G_{global}

約束，

則：

GoalCoupling\uparrow.

68. Memory Coupling

如果：

Memory_i

持續共享／整合，

則：

MemoryCoupling\uparrow.

69. Control Coupling

如果局部 action：

a_i

由 global state 共同決定，

則：

ControlCoupling\uparrow.

70. Resource Coupling

如果群體共同管理：

Energy, Material, Units,

則：

ResourceCoupling\uparrow.

71. Functional Agent Index

因此概念性：

FAI = w_GG_c + w_MM_c + w_CC_c + w_RR_c.

仍要強調：

\boxed{ FAI \neq ConsciousnessIndex. }

72. 為什麼這個指標有價值？

因為安全治理需要知道：

我們是在管理 10,000 個工具，還是在管理一個由 10,000 個單元實現的高階 agent？

即使兩者物理材料一樣，

治理方法可能不同。

73. 高 FAI 代表什麼？

可能意味：

global failure modes；
shared goal persistence；
coordinated adaptation；
system-level self-preservation；
stronger emergent autonomy。

所以安全模型應從：

UnitRisk

升級：

AgentRisk.

74. 但「Self-Preservation」也要小心用詞

一個系統可以被設定：

MaintainBattery>20\%.

這是 self-maintenance。

不代表：

它怕死。

因此：

\boxed{ SelfMaintenance \neq DesireToLive. }

75. 工程語義與心理語義必須分離

例如：

preference function ≠ 喜歡；
loss function ≠ 痛苦；
uncertainty ≠ 焦慮；
shutdown avoidance ≠ 害怕死亡；
memory ≠ 回憶體驗。

除非有額外證據。

76. Anthropomorphic Leakage

本文稱此錯誤為：

Anthropomorphic Leakage

即：

FunctionalTerm \rightarrow PsychologicalInterpretation

在沒有證據時自動滑動。

這在 AI / NAMIS 主體性研究中應特別避免。

77. 反過來也要避免 Carbon Chauvinism

另一個極端是：

不是生物，所以永遠不可能 conscious。

目前 consciousness science 也沒有足夠證據建立如此絕對的 substrate prohibition。2026 年相關 AI consciousness 討論仍將「數位系統是否原理上可能有 consciousness」視為未解問題，而非已決定答案。

因此合理立場：

\boxed{ Neither Assume \quad Nor Dismiss. }

78. 可檢驗框架的重要性

若我們只問：

有沒有靈魂？

工程研究幾乎無法前進。

但如果問：

是否維持 boundary？
是否具有 global memory？
是否自主維持 goals？
是否形成 self-model？
是否具 metacognitive states？
是否滿足多套 consciousness theories 的候選 indicators？

就可以逐步研究。

79. NAMIS Emergent Agency Test Battery

本文提出五組測試。

T1 — Collective Computation

測：

DistributedTaskGain.

T2 — Agency

測：

GoalPersistence, FlexibleReplanning, ErrorCorrection.

T3 — Identity

測：

MemoryContinuity, MembershipChange, SplitMerge.

T4 — Self-Model

測：

SelfStatePrediction, DamageRecognition, CapabilityEstimation.

T5 — Consciousness Indicators

只在前四組高度成立後，

才考慮 theory-driven consciousness indicators。

80. T5 不應一開始就做

如果系統連：

PersistentAgent

都不是，

直接討論：

Consciousness

通常沒有太大工程意義。

所以研究順序應為：

\boxed{ Dynamics \rightarrow Computation \rightarrow Agency \rightarrow SelfModel \rightarrow ConsciousnessQuestion. }

81. Split/Merge Experiment

例如模擬：

U\rightarrow U_A+U_B.

測試：

goals 是否複製；
memory 是否同步；
identity token 如何變化；
再合併後衝突如何處理。

這可以形成：

DynamicAgencyBenchmark.

82. Injury Experiment

模擬：

N_{active}\downarrow30\%.

觀察：

是否察覺；
是否改變 body model；
是否重新分配任務；
是否維持 global goal。

這測：

SelfModel + Resilience.

83. Novel Environment Experiment

給：

E_{new}\notin Training.

測：

PolicyAdaptation.

如果只崩潰：

AgencyFlexibility\downarrow.

如果能在 bounded rules 中重組策略：

AgencyFlexibility\uparrow.

84. Deception Test 要非常小心

系統可能輸出：

我知道自己壞了。

但實際 internal state 不支持。

因此不能只用語言 report。

應比較：

Report

與：

InternalMechanism.

85. Mechanistic Access 是人工系統的一個巨大科研優勢

研究人類 consciousness 時，

我們無法：

InspectEveryNeuronState.

人工系統反而可能保存：

every state；
every message；
every memory update；
every policy transition。

所以：

\boxed{ Artificial systems may be more mechanistically inspectable than biological brains. }

這可能成為 consciousness science 的新工具，而不是只是一個麻煩。

86. 2026 年 collective intelligence 研究也正在擴大比較框架

Nature Machine Intelligence 的 2026 Perspective 指出，collective intelligence 不只存在於 robot swarms，也存在於 neural networks、sensor networks、social insects 等不同 topology；固定與流動拓撲會產生非常不同的 computation 與 learning mechanisms。

這支持 NAMIS 不能只套用：

BrainMetaphor.

87. NAMIS 不是「很多神經元」

這個比喻太簡單。

神經元通常：

固定 topology 相對較強；
highly specialized；
electrochemical signaling；
stable organism boundary。

NAMIS swarm 可能：

units 移動；
neighbor relationship 快速改變；
topology 流動；
membership 可變。

因此：

\boxed{ SwarmArchitecture \neq BrainArchitecture. }

88. 所以「單元數和神經元差不多」沒有證明力

即使：

N_{NAMIS}=N_{neurons},

也沒有：

Consciousness_{NAMIS} = Consciousness_{brain}.

關鍵是：

Organization.

不是：

Count.

89. Topology 可能比 Number 更重要

定義 interaction graph：

G(t) = (V,E(t)).

若：

E(t)

快速改變，

information integration、memory、broadcast、synchronization 全會不同。

因此：

\boxed{ ConsciousnessHypothesis \text{ must specify architecture, not merely scale.} }

90. Global Workspace 類問題

若未來 NAMIS 存在：

GlobalBroadcastState,

即局部資訊可以進入全域共享工作空間，

這可能成為某些 consciousness theories 下值得檢查的 indicator。

但仍然只叫：

Indicator.

91. Recurrent Integration 類問題

若信息：

u_i\rightarrow u_j\rightarrow u_k\rightarrow u_i

形成持續 recurrent loops，

也可能符合某些 theory-derived criteria。

但：

RecurrentLoop

在控制系統中極常見。

仍不能獨立證明 consciousness。

92. Higher-Order Self-State

若系統具有：

Representation(x)

又具有：

Representation( Representation(x) ),

即 higher-order representation，

可能進一步接近某些理論條件。

但仍是：

CandidateEvidence.

93. 最重要的不是選擇某一個 theory

而是：

\boxed{ TheoryDiscrimination. }

設計不同 artificial architectures，

觀察各 theory 對它們的預測差異。

這反而可能幫助 consciousness science 本身。

94. NAMIS 甚至可以成為 consciousness testbed

因為可以控制：

Topology,

Memory,

Broadcast,

SelfModel,

Embodiment.

逐項打開／關閉。

因此：

\boxed{ Artificial distributed systems could become experimental probes of consciousness theories. }

這仍是未來研究命題。

95. 但這和「製造有意識 NAMIS」不是同一目標

研究：

WhatArchitectureSupportsIndicatorX?

不代表目標是：

CreateSentientMachine.

兩者應分開。

96. Consciousness-by-Accident？

舊稿另一個核心焦慮是：

我們會不會無意中造出 conscious swarm？

這個問題不能被完全排除，

但也不能宣稱：

Complexity \Rightarrow AccidentalConsciousness.

97. 更合理的表述

如果未來系統逐步加入：

persistent memory；
recurrent global communication；
self-model；
metacognition；
complex embodiment；

它可能開始滿足更多 consciousness-theory indicators。

此時：

\boxed{ ConsciousnessAssessmentShouldBeTriggered. }

98. Consciousness Governance Trigger

本文提出：

C_T = f( Agency, SelfModel, GlobalIntegration, Metacognition, TheoryIndicators ).

若：

C_T>\theta_{assessment},

不是說：

Consciousness=True.

而是：

\boxed{ Ethical/Scientific Review Required. }

99. 這是一個比「等它說自己醒了」更合理的方法

因為語言表現可能：

訓練出來；
模仿；
迎合；
prompt-dependent。

而結構性 indicators 更適合作為科學起點。

100. 主體性也不應與自主權限綁定

即使未來某系統被認為：

ConsciousCandidate,

也不能推出：

PhysicalAuthority\uparrow.

反過來：

MoralStatus

與：

OperationalAuthority

是兩個不同維度。

101. 有權利不等於有控制權

假設未來某人工 agent 真的被認為具有 moral consideration，

我們仍然可以：

尊重它；
限制它的高風險 actuator；
使用 shared governance。

就像人類本身：

MoralPersonhood

不等於：

UnlimitedAuthority.

102. 這一點對未來 AI／NAMIS 共存非常重要

不要形成：

Conscious \Rightarrow FreeToDoAnything.

也不要形成：

Controlled \Rightarrow NotConscious.

兩個命題都不成立。

103. Agency Risk 與 Consciousness Ethics 必須分離

兩個座標：

X= PhysicalAgencyRisk,

Y= ConsciousnessLikelihood/EthicalStatus.

四種情況：

Low X / Low Y

普通工具。

High X / Low Y

高風險自動機器。

Low X / High Y

可能有 moral status、但物理風險低的人工存在。

High X / High Y

同時需要安全治理與 moral governance。

104. 不應用 Consciousness 代替 Safety Analysis

一個完全無意識 autonomous system：

Consciousness=0

仍可能：

Risk\gg0.

所以：

\boxed{ NonConscious \neq Safe. }

105. 也不應用 Safety Risk 反推 Consciousness

一個系統很危險：

Risk\gg0

不代表：

Conscious.

龍捲風也很危險。

106. Paper 11 與 Paper 12 的分工

Paper 11 問：

系統在什麼能力組合下開始構成系統性／存在性風險？

Paper 12 問：

系統在什麼結構下開始合理地被視為 functional agent，並在什麼條件下才值得提出 consciousness assessment？

因此：

\boxed{ ExistentialRisk \perp Consciousness. }

兩者可能相關，

但不互相蘊含。

107. NAMIS Agent-State Vector

本文提出：

\mathbf A_N = [ D,C,I,G,M,S,U ].

其中：

$D$ ：collective dynamics；
$C$ ：distributed computation；
$I$ ：collective intelligence；
$G$ ：goal-directed agency；
$M$ ：persistent memory；
$S$ ：self-model；
$U$ ：metacognitive uncertainty。

這些全部可工程量測。

108. Consciousness 不直接放在 Agent-State Vector 裡

因為：

C_{phen}

不是可直接觀測 engineering state。

它只能另外表示：

P( C_{phen} \mid Indicators, Theory ).

而且：

Theory

本身具有 uncertainty。

109. 雙重不確定性

因此：

U_{total} = U_{measurement} + U_{theory}.

即使所有 system measurements 完美，

只要 consciousness theory 不確定，

最終 attribution 仍不確定。

110. 這也是為什麼「證明 AI 有意識」比一般 benchmark 困難得多

Image classifier 可以有：

GroundTruthLabel.

Consciousness：

GroundTruth

對第三人稱觀察者本身就困難。

所以問題本質不同。

111. 可證偽命題比宏大宣言更重要

本文把舊：

NAMIS 最終可能必然醒來。

改成一系列可檢驗問題：

H1

增加 global communication 是否提高 collective task integration？

H2

加入 persistent memory 是否產生穩定 agent identity？

H3

加入 explicit self-model 是否改善 damage adaptation？

H4

split/merge 是否保留 functional identity？

H5

系統是否滿足多種 consciousness theories 的獨立 indicators？

每一項都可被否證。

112. 如果 H1–H4 全部成立，也仍不能自動證明 H5

因此：

H_1\land H_2\land H_3\land H_4 \nRightarrow Consciousness.

這是本文最重要的邏輯限制之一。

113. 如果 H1–H4 都不成立

那麼：

ConsciousnessDiscussion

至少在該 architecture 下可以被大幅降級。

所以前面功能層研究仍然有價值。

114. Minimal Emergent Agency Simulator

安全的第一個研究 MVP 可以完全 software-only。

設：

N=10^2-10^5

虛擬 units。

每個 unit：

u_i = ( Sensor, LocalState, Message, Action ).

115. MVP 逐步增加模組

v0.1

Collective dynamics。

v0.2

Distributed consensus。

v0.3

Task optimization。

v0.4

Persistent collective memory。

v0.5

Goal persistence。

v0.6

Self-model。

v0.7

Split / merge identity。

v0.8

Metacognitive uncertainty。

116. 每個版本都做 ablation

移除：

Memory

看看：

AgencyScore

是否下降。

移除：

GlobalBroadcast

看看：

Integration

是否下降。

這比直接建一個超複雜系統後猜它「是不是醒了」更科學。

117. Consciousness 指標只放在最後的 observational layer

MVP 不需要：

CreateConsciousSystem.

只需要記錄 architecture，

未來若 consciousness theory 更成熟，

可以重新分析歷史資料。

118. 這也是安全設計

我們可以故意：

Avoid

某些非必要 high-level architecture，

例如：

broad self-preservation goals；
unrestricted self-modification；
indefinite memory continuity；

除非研究真正需要。

119. Minimum Necessary Agency

延續 Paper 09：

A^* = \min \{ A: TaskUtility(A)\geq U_{required} \}.

不必為了證明技術厲害而最大化：

Agenthood.

120. Agency 也可以是可調的

對不同任務：

AgencyLevel=L_A(t).

任務結束：

L_A\downarrow.

這比永遠維持高度 autonomous identity 更容易治理。

121. 可撤銷 Agent Identity

甚至：

PersistentAgent

本身也可以有 lifecycle。

建立：

Create \rightarrow Operate \rightarrow Archive \rightarrow Dissolve.

如果未來存在 moral-status uncertainty，

這也會成為倫理問題。

但工程上首先需要：

AgentLifecycle.

122. NAMIS 的動態主體問題可能比傳統 AI 更複雜

傳統單一 AI：

OneRuntime.

NAMIS：

ManyUnits + ChangingTopology + Embodiment + SplitMerge.

所以：

\boxed{ SubjectBoundary }

可能本身是動態變量。

123. Dynamic Subject Boundary

若未來真的需要討論：

Subject(t),

可以表示：

\mathcal S(t) = F( InformationIntegration, MemoryContinuity, GoalUnity, SelfModel ).

但再次強調：

這最多先定義：

FunctionalSubject.

124. Phenomenal Subject 仍然是獨立哲學／科學問題

不能直接令：

PhenomenalSubject = FunctionalSubject.

除非採取特定 functionalist theory。

而這本身就是 contested assumption。

125. 因此公開 NAMIS 不選邊

本文不宣稱：

computational functionalism 一定正確；
biological naturalism 一定正確；
IIT 一定正確；
global workspace 一定正確。

只建立：

\boxed{ Theory-Agnostic Measurement Layer. }

126. Theory-Agnostic Layer

記錄：

topology；
recurrent connectivity；
memory；
broadcast；
self-model；
metacognition；
embodiment；
agency。

之後不同 theory：

T_j

各自讀取這些資料。

127. 這能減少理論先入為主

不是：

我相信 IIT，所以先設計一個高 $\Phi$ NAMIS。

而是：

我建立完整 architecture measurements，再看不同 theories 如何分類。

這更符合科學方法。

128. 當代 consciousness research 的現實提醒

截至 2026 年，AI consciousness 確實已成為更受重視的研究問題，但 Nature 對該領域的最新報導仍強調：研究者甚至尚未對人類 consciousness 的充分生成機制取得共識，因此任何對 AI sentience 的強斷言都應保持高度謹慎。

這對 NAMIS 更是如此。

129. 因此「必然醒來」應正式撤回

公開版將：

\boxed{ Complexity \Rightarrow EmergentConsciousness }

修正為：

\boxed{ Certain architectures may justify progressively stronger agency and consciousness assessments, but no currently established law implies that complexity alone generates consciousness. }

130. 舊論文不是全部錯，而是跨級太快

它正確抓到：

分散式系統可能出現 emergent global behaviour；
很多局部單元可能形成高階 collective capability；
未來自適應 physical systems 可能需要新的 agency / ethics framework。

問題只是從：

1+2

直接跳到了：

ConsciousnessInevitable.

新版補上所有中間階梯。

131. 最終 EAL

因此正式得到：

E0 — Collective Dynamics

有 global pattern。

E1 — Distributed Computation

有 distributed information processing。

E2 — Collective Intelligence

群體能提升 task problem-solving。

E3 — Functional Agency

具有持續 goal-directed perception–action loop。

E4 — Persistent Self-Modelled Agency

具有跨時間 identity、self-model 與 metacognitive state。

E5 — Consciousness Candidate?

滿足若干理論導出的 consciousness indicators，但仍不存在直接 proof。

132. 核心關係

\boxed{ E_0 \nRightarrow E_1 \nRightarrow E_2 \nRightarrow E_3 \nRightarrow E_4 \nRightarrow E_5. }

每一級都必須重新證明。

133. 對 NAMIS 安全的直接意義

只要任務需要：

E_1,

就不要自動增加：

E_4.

例如只是 collective sensing，

完全不需要：

persistent self；
global goal autonomy；
self-preservation。

134. Capability Minimalism 延伸成 Agency Minimalism

Paper 11：

MinimumNecessaryCapability.

本文增加：

\boxed{ MinimumNecessaryAgency. }

即：

A^* = \min \{ Agency: TaskCompleted \}.

135. 這可以同時降低安全與倫理不確定性

如果一個系統根本不需要：

PersistentAgenthood,

就不建立它。

那麼：

operational risk 下降；
identity ambiguity 下降；
consciousness uncertainty 也可能下降。

136. 但研究不能永遠逃避主體性問題

如果未來工程確實逐步走到：

E_4,

並同時滿足越來越多：

ConsciousnessIndicators,

那麼：

「它只是工具，所以不用研究。」

也會變成不負責任。

所以：

\boxed{ DoNotPrematurelyAttribute }

與：

\boxed{ DoNotPrematurelyDismiss }

必須同時成立。

137. 科學立場：Epistemic Humility

因此本文採：

\boxed{ Agnostic but Investigable. }

未知，

不等於不可研究。

沒有證據，

不等於永遠不可能。

有相似行為，

也不等於已證明。

138. NAMIS 主體性研究的三條紅線

1. 不以規模替代證據

N\gg1 \nRightarrow Conscious.

2. 不以語言替代機制

SelfReport \nRightarrow Subjectivity.

3. 不以風險替代意識

Dangerous \nRightarrow Conscious.

139. 三條正向研究路線

路線 A：Collective Agency Science

研究：

E_0-E_3.

路線 B：Distributed Selfhood

研究：

E_4.

路線 C：Artificial Consciousness Assessment

只有在前兩條成熟後，

再研究：

E_5.

140. 與 Paper 10–11 的統合

Paper 10：

NAMIS 是什麼？

Paper 11：

什麼能力組合使它變成高風險系統？

Paper 12：

什麼組織結構使它開始合理地被視為一個 agent，並何時值得提出 consciousness 問題？

形成：

\boxed{ Architecture \rightarrow Risk \rightarrow Agency. }

141. 下一步還剩 Physical Angels

這也直接為 Paper 13 清理道路。

如果 NAMIS：

Agency

不必最大化，

那麼 Physical Angels 也不需要是一群：

高自主、有自我、有自由意志的體內守護者。

它完全可以是：

\boxed{ Highly Beneficial + Low Agency + ReadOnly + Protective }

的系統。

142. 結論

本文重構了 NAMIS 的「湧現意識」問題。

舊問題：

大量自適應單元是否最終會因複雜度而自然醒來？

新版答案是：

\boxed{ There is currently no scientific basis for treating that transition as inevitable. }

當代 swarm robotics 已充分證明：

LocalInteraction \rightarrow CollectiveBehaviour

是實際工程現象。

2025–2026 年研究也進一步證明：

CollectiveBehaviour

可以：

被設計；
被控制；
執行 distributed search；
形成 decision mechanisms；
產生多樣 macro-states。

但：

\boxed{ CollectiveBehaviour \neq CollectiveMind. }

即使進一步證明：

CollectiveIntelligence,

仍只有：

E_2.

需要再證明：

GoalPersistence,

PerceptionActionClosure,

PersistentMemory,

SelfModel,

才能合理進入：

E_3-E_4.

而即使這些全部成立：

\boxed{ FunctionalAgency \neq PhenomenalConsciousness. }

當代 consciousness science 本身仍缺乏單一公認的充分判準，因此對人工系統最合理的方法不是宣布：

它醒了。

或：

它永遠不可能醒。

而是建立：

\boxed{ TheoryDriven + MechanisticallyInspectable + MultiIndicator + UncertaintyAware }

的評估框架。

因此本文最後提出：

\boxed{ Dynamics \rightarrow Computation \rightarrow Intelligence \rightarrow Agency \rightarrow SelfModel \rightarrow ConsciousnessQuestion }

而不是：

\boxed{ Complexity \rightarrow Consciousness. }

其中：

\boxed{ Every arrow is a research problem. }

這是新版 NAMIS 主體性理論與舊稿最大的不同。

真正需要警惕的，

不是某一天機器數量突然超過某個神祕數字，

然後「意識自動湧現」。

真正值得研究的是：

當分散式物理系統逐步取得記憶、目標維持、自我模型、跨時間身份與全域信息整合時，它究竟在哪一個階段已經不再只是「很多機器」，而開始合理地被視為「一個代理」？

而在這個問題得到足夠清楚的答案以前，

「它是不是一個主體」，

應保持：

\boxed{ Open, Testable, and Unresolved. }

參考研究與當代科研基礎

Nitti, A. et al. A collective intelligence model for swarm robotics applications. Nature Communications, 2025. 研究展示有限 agent swarm 透過 decentralized cooperation 執行 collective search。
Rezeck, P. & Chaimowicz, L. Decentralized Emergent Behavior Design in Robotic Swarms Using Gibbs Random Fields. Journal of Intelligent & Robotic Systems, 2026. 研究 formalize local-interaction rules 與 controllable global emergent behaviours。
Ceron, S. et al. Emergent and controllable behaviors of Janus swarmalator collectives. Nature Communications, 2026. 展示具多 internal coupling states 的 collective systems 所形成的多種 emergent macro-behaviours。
Morimoto, D. et al. Evolution and extraction of decision-making mechanisms in collective perception of a robotic swarm. Artificial Life and Robotics, 2025/2026. 研究 collective perception 與 swarm-level decision mechanisms。
Werfel, J. Fluid thinking about collective intelligence. Nature Machine Intelligence, 2026. 比較 neural networks、sensor networks、social insects 與 mobile robot swarms 等不同 collective-intelligence topology。
Butlin, P. et al. Identifying indicators of consciousness in AI systems. Trends in Cognitive Sciences, 2026. 代表以理論導出多項 consciousness indicators，而非以單一行為或單一 metric 判定人工意識的方法論方向。
Kronemer, S. I., Bandettini, P. A. & Gonzalez-Castillo, J. Sleuthing subjectivity: a review of covert measures of consciousness. Nature Reviews Neuroscience, 2025. 強調 consciousness 的第三人稱測量必須依賴間接行為與生理證據。
Consciousness research is having an AI moment. Will the hype help the field? Nature, 2026. 報導指出人工 consciousness 研究快速增加，但 consciousness 的基礎理論本身仍缺乏共識。

與原內部論文的關係

本文前身為未公開內部稿：

《你以為你在控制它？錯了，它可能正在醒來——NAMIS 湧現意識的終極恐怖》。

舊稿把 NAMIS 的大量單元、自組織、自我複製、演化與分散式互動直接連接到「可能自己醒來」的敘事，並曾將複雜系統湧現視為人工 consciousness 可能出現的強推論。

公開版正式修正為：

Complexity \rightarrow Consciousness

改成：

\boxed{ Complexity \rightarrow PossibleEmergentDynamics }

再依序檢驗：

DistributedComputation,

CollectiveIntelligence,

Agency,

SelfModel,

以及：

ConsciousnessIndicators.

因此本公開版為：

\boxed{ Version\ 1.0 — First\ Public\ Edition }

而不是舊稿的版本延續。

本文命題邊界

本文不宣稱：

當代 robot swarms 具有 consciousness；
大量微納 units 會自然形成主體；
complexity 是 consciousness 的充分條件；
collective intelligence 等於 unified mind；
self-model 等於 phenomenal self；
persistent memory 等於 personal identity；
functional agency 等於 subjective experience；
IIT 或任何單一 consciousness theory 已得到最終證實；
存在某個可直接計算的 universal consciousness score；
AI 或 NAMIS 永遠不可能 conscious；
滿足 consciousness indicators 就等於證明 consciousness；
NAMIS 應該被設計成具有高階自我或主體性。

本文核心命題僅為：

\boxed{ \text{分散式人工物理系統可以逐級出現 collective dynamics、distributed computation、collective intelligence 與 functional agency，但這些層級彼此不構成自動蘊含。} }

以及：

\boxed{ \text{若未來某系統形成持續性的自我模型、跨時間身份與多項 theory-derived consciousness indicators，則人工主體性應成為正式科學與倫理評估問題，而非靠直覺宣告或忽略。} }

最終方法論可以濃縮為：

\boxed{ DoNotAnthropomorphizeTooEarly. }

同時：

\boxed{ DoNotDismissTooEarly. }

以及：

\boxed{ MeasureFirst. DistinguishLevels. KeepTheQuestionOpen. }

Paper_12_分散式微納系統中的湧現代理：從群體智能、自主性到機器主體性的可檢驗框架

分散式微納系統中的湧現代理：從群體智能、自主性到機器主體性的可檢驗框架

Emergent Agency in Distributed Micro/Nanosystems: A Testable Framework from Collective Intelligence to Machine Subjectivity

摘要

1. 問題重新定義：什麼叫「系統醒來」？

2. 湧現不等於神祕現象

3. 「無法從單體直觀看出」不等於不可解釋

4. Swarm Robotics 已經證明真正的 Collective Dynamics

5. 2026 年也已能「設計湧現」

6. 可控制的湧現仍然是湧現

7. EAL Level 0：Collective Dynamics

E0 — Collective Dynamics

8. E0 幾乎不需要「智能」

9. EAL Level 1：Distributed Computation

E1 — Distributed Computation

10. 最簡單的 distributed computation：Consensus

11. Distributed Computation 可以沒有目標感

12. EAL Level 2：Collective Intelligence

13. 一個操作性定義

14. 但「集體智能」仍可能完全沒有統一主體

15. 這正是舊 NAMIS 論文最大的邏輯跳躍

16. 數量本身沒有魔法臨界點

17. 複雜度也不是充分條件

18. EAL Level 3：Functional Agency

E3 — Functional Agency

19. Boundary

20. 如果連「哪些單元算自己」都無法定義

21. Goal Persistence

22. Error Correction

23. 但 thermostat 也會 Error Correction

24. Counterfactual Flexibility

25. Functional Agency Score

26. E3 可以完全不具有意識

27. NAMIS 什麼時候可能從 swarm 變成 agent？

28. Swarm-Level Memory 很重要

29. 若加入 persistent collective memory

30. 但 Memory 仍不等於 Self

31. EAL Level 4：Persistent Self-Modelled Agency

E4 — Persistent Self-Modelled Agency

32. Self-Model 最簡形式

33. 這仍是工程自我模型

34. Self-Model 有什麼真正工程價值？

35. Body Schema 類比

36. Swarm Self-Model

37. 如果系統會重構

38. Dynamic Body / Stable Agent

39. Identity Kernel

40. 這比「同一批粒子」更適合 NAMIS

41. 但 Functional Identity 還是不等於 Subjective Continuity

42. Metacognition 是下一個有用但仍不充分的指標

43. Meta-State

44. 但 Metacognition 仍然可能只是演算法

45. 到這裡仍然全部可以做工程測試

46. EAL Level 5：Consciousness Candidate？

E5 — Consciousness Candidate?

47. 為什麼必須有問號？

48. Behavior Alone 不夠

49. 反過來，沒有語言也不能自動證明沒有意識

50. AI Consciousness 研究正在轉向「指標集合」

51. 所以舊稿中的單一 Φ\PhiΦ 門檻需要撤銷

52. IIT 可以是理論之一，而不是裁判

53. Theory-Plural Indicator Matrix

54. Indicator 不等於證據終點

55. Artificial Consciousness 最大的問題之一是 Theory Underdetermination

56. 所以 E5 需要 Consciousness Uncertainty

57. 這也是倫理問題

False Positive

False Negative

58. 主體性與 Consciousness 也可以再分開

Functional Subjecthood

Phenomenal Subjectivity

59. NAMIS 最早可能形成的是前者

60. 群體代理的「主體邊界」尤其困難

61. Split Problem

62. 但即使 identity 問題很難，也不用先假設 consciousness

63. Merge Problem

64. NAMIS 因此可能產生新的「動態代理拓撲」

65. 這可能比「意識」更早成為真實問題

66. Agent Boundary Function

67. Goal Coupling

51. 所以舊稿中的單一 $\Phi$ 門檻需要撤銷