動態正義：形式平等、實質負擔與個體化規則

英文題名： Dynamic Justice: Formal Equality, Substantive Burden, and Individualized Rules
系列：《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》01 / 08
文件編號： EML-NMP-S3-01-v0.1
作者： Neo.K（許筌崴）with Aletheia（GPT-5.6 Sol）
機構： 一言諾科技有限公司／EveMissLab
日期： 2026-08-10
版本： v0.1
文件性質： 理論研究稿／動態正義與後 AI 法律基礎篇
研究狀態： 第一代形式化；本文不主張以 AI 取代立法、司法或政治正當性，也不主張每個人應接受完全不同且不可理解的法律。

摘要

現代法律長期依靠一般性與形式平等維持可預測性：同類案件適用同類規則、相同法律文字面向所有人。然而，形式上完全相同的規則，可能對具有不同資源、身體條件、能力、風險、責任、歷史與生活處境的個體產生極不相同的實質負擔。當 AI、機器可讀法律、即時資料與高解析度行政能力逐漸提高時，一個新的治理問題出現：法律是否應從「對所有人發出相同命令」轉向「維持共同公共規則，但允許在合法界限內依個體條件動態計算結果」？

本文提出動態正義（Dynamic Justice）。其核心不是：

\boxed{ \text{Everyone gets a different law}. }

而是：

\boxed{ \text{Dynamic Result} = \text{Public Fixed Rule} + \text{Legally Bounded Variable Parameters}. }

本文將公共規則記為：

R^\star,

將個體 $i$ 在時間 $t$ 的法律相關狀態記為：

C_i(t),

並定義動態法律結果：

\boxed{ Y_i(t) = F( R^\star, C_i(t), E_t, V_t ) }

其中 $E_t$ 為公共環境／制度狀態， $V_t$ 為合法驗證與程序約束。相同的 $R^\star$ 可以產生不同 $Y_i$ ，但差異只能來自事先公開、合法、可爭議的 legally relevant variables，而不能由 AI 私下重新定義人的價值或權利。

本文進一步區分四種平等：

\boxed{ \text{Rights Equality}, \quad \text{Rule Equality}, \quad \text{Burden Equality}, \quad \text{Opportunity / Capability Equality}. }

其中權利平等不要求個體同質，規則平等也不保證實質負擔相同。本文提出「負擔映射」：

B_i = \mathcal B( Y_i, C_i )

以描述同一法律要求對不同個體所造成的時間、金錢、風險、能力消耗、權利限制與機會成本。若：

Y_i=Y_j

卻：

B_i\gg B_j,

則形式同一可能隱藏實質不平等。

然而，個體化法律本身具有重大風險。既有 personalized law 文獻已指出，Big Data 與算法確實可提高法律 granularity，但也可能造成 discrimination、privacy erosion、government data power、manipulation、loss of coordination 與共同規則感破裂。本文因此提出「公共規則—可變參數分離」：立法或具有正當性的公共程序只能授權有限參數集合：

\Theta^{legal} = \{ \theta_1,\ldots,\theta_m \},

AI 或行政系統只能在：

\Theta^{legal}

內完成計算，不能自行新增：

\theta_{m+1}.

對高風險權利，更要求：

\boxed{ \text{Right Floor} > \text{Optimization Gain}. }

即基本人格、平等保護、申訴、程序正義與不可歧視底線不得因「更精準」而被個體化消解。

本文最終提出：後 ASI 時代真正成熟的正義不應在「所有人完全一樣」與「每個人完全不同」之間二選一，而應建立：

\boxed{ \text{共同權利} + \text{共同規則生成程序} + \text{有限個體參數} + \text{公開計算} + \text{可申訴} + \text{可重審}. }

這使正義成為一個具有固定憲政錨點、但能對真實負擔差異做出有限適應的動態系統。

關鍵詞： 動態正義、形式平等、實質平等、個體化法律、personalized law、算法公平、法律參數、AI 治理、可不可論、後 ASI 憲政

0. 問題：相同規則真的等於公平嗎？

考慮一條極簡規則：

每個人都必須在 24 小時內完成程序 $X$ 。

形式上：

Y_i=24h \qquad \forall i.

這看起來完全平等。

但如果：

$A$ 有完整網路、時間與法律能力；
$B$ 有嚴重身體障礙；
$C$ 正處於災害區；
$D$ 缺乏必要文件；
$E$ 是遠距離、低頻通信的人工主體 branch；

則：

\boxed{ Y_A=Y_B=Y_C=Y_D=Y_E }

不代表：

\boxed{ B_A=B_B=B_C=B_D=B_E. }

其中 $B_i$ 表示實際負擔。

因此第一個核心命題是：

\boxed{ \text{Formal Equality} \not\Rightarrow \text{Equal Substantive Burden}. }

1. Prior Art：個體化法律已成為真正法律理論問題

1.1 Personalized Law

Ben-Shahar 與 Porat 的 Personalized Law 系統性提出：

\boxed{ \text{uniform legal rules} \rightarrow \text{person-specific legal commands}. }

其核心動機之一是：個體之間存在大量法律相關差異，而 Big Data 與算法使法律首次可能以更高 granularity 調整。

例如：

care standard；
consumer protection；
disclosure；
age / competence threshold；
mandatory protection。

這證明「法律是否必須對所有人給同一句具體命令」已不是純科幻問題。

1.2 One-Size-Fits-All 的成本

personalized mandatory rules 研究指出，同一強制保護對不同人可能：

對某些人太弱；
對某些人太強；
對不同個體具有不同成本。

所以：

\boxed{ \text{uniform command} }

有時只是資訊與行政能力不足下的次佳近似。

1.3 但 personalized law 也有巨大風險

相關文獻同時指出：

equality under law；
privacy；
discrimination；
government data concentration；
coordination；
manipulation；
communal experience loss；

都可能惡化。

因此本文不是直接支持 personalized law，

而是建立其憲政約束版本。

2. 四種平等

本文區分：

2.1 權利平等

\boxed{ p_i \sim_{\mathrm{rights}} p_j. }

表示：

不同個體具有同等基本人格、程序地位與不可被任意降格的權利。

權利平等不要求：

p_i=p_j.

2.2 規則平等

所有人受到同一上位規則：

R^\star.

即：

\boxed{ R_i^{root} = R_j^{root}. }

2.3 負擔平等

結果作用後：

B_i \approx B_j.

這比文字相同更接近 lived effect。

2.4 能力／機會平等

制度是否提供個體足以真正行使權利的：

認知能力；
時間；
無障礙；
資訊；
技術；
申訴入口。

因此：

\boxed{ \text{Rights Equality} \neq \text{Command Uniformity}. }

3. 權利平等與同質平等

既有研究已區分：

\boxed{ \text{Rights Equality} }

與：

\boxed{ \text{Uniformity Equality}. }

前者是：

差異存在，但基本權利同等。

後者可能變成：

差異本身必須被消除。

本文拒絕：

\boxed{ \text{Equality} = \text{Human Homogenization}. }

對未來多主體文明尤其如此。

人類、增幅人類、數位主體、分散 AI 與跨行星 branch 的存在條件本來就可能極不相同。

4. 動態正義的第一代形式

令：

R^\star

為共同公共規則。

個體法律相關狀態：

\boxed{ C_i(t) = ( H_i, R_i, K_i, A_i, D_i, X_i ). }

其中：

$H_i$ ：歷史／既有責任；
$R_i$ ：資源；
$K_i$ ：能力／知識；
$A_i$ ：可用行動空間；
$D_i$ ：負擔／障礙；
$X_i$ ：其他經法律授權的情境參數。

環境狀態：

E_t.

則：

\boxed{ Y_i(t) = F( R^\star, C_i(t), E_t, V_t ). }

其中 $V_t$ 是：

法律邊界；
程序；
驗證；
權利底線。

5. 固定的是什麼？動態的是什麼？

動態正義若什麼都能變，就等於：

\boxed{ \text{arbitrary discretion}. }

因此必須分層。

5.1 固定層

包括：

基本權利；
法律授權來源；
可使用參數類型；
不可使用變數；
申訴權；
證據門檻；
不可歧視規則；
決策責任。

記為：

\boxed{ \mathcal C^{const}. }

5.2 可變層

只有：

\boxed{ \Theta^{legal} = \{ \theta_1,\ldots,\theta_m \}. }

例如：

收入區間；
特定醫療狀態；
客觀地理距離；
法定責任程度；
可驗證災害狀態。

5.3 計算層

\theta_i \rightarrow Y_i.

AI 可以幫助計算，

但不能自行修改：

\mathcal C^{const}.

6. 核心公式

所以本文將動態正義壓成：

\boxed{ \text{Dynamic Justice} = \text{Democratically Fixed Rule} + \text{Legally Variable Parameters}. }

更正式：

\boxed{ Y_i = F_{R^\star} ( \theta_i ), \qquad \theta_i\in\Theta^{legal}. }

其中：

F_{R^\star}

是由公共規則授權的結果函數。

7. AI 沒有參數發明權

假設：

\Theta^{legal} = \{ income, disability, distance \}.

AI 發現：

politicalOpinion

對預測 compliance 很有用。

它仍不能自行變成：

\theta_{new} = politicalOpinion.

即：

\boxed{ \theta\notin\Theta^{legal} \Rightarrow \text{inadmissible}. }

這是算法治理的一條基本憲政邊界。

8. 負擔映射

同一結果 $Y$ 對不同人具有不同實際負擔。

本文定義：

\boxed{ B_i = \mathcal B( Y_i, C_i ). }

負擔向量：

\boxed{ \mathbf B_i = ( B^{time}, B^{money}, B^{risk}, B^{cognitive}, B^{rights}, B^{opportunity}, B^{identity} ). }

因此：

Y_i=Y_j

仍可能：

\mathbf B_i \neq \mathbf B_j.

9. 正義不是讓負擔完全相等

如果要求：

\mathbf B_i=\mathbf B_j \quad \forall i,j,

也會荒謬。

因為：

責任不同；
行為不同；
風險不同；
社會角色不同；
自願選擇不同。

所以動態正義不是：

\boxed{ \text{Equalize Every Outcome}. }

而是：

\boxed{ \text{differences in burden require publicly defensible reasons}. }

10. 法律相關差異

定義：

Rel( x, R^\star ) \in \{ 0,1 \}.

只有：

Rel=1

的差異才能進入決策參數。

所以：

\boxed{ \text{Difference} \neq \text{Legally Relevant Difference}. }

這是防止「AI 能看到，所以法律就能用」的重要限制。

11. 最低相關性證書

新增一個參數：

\theta_k

前必須有：

\boxed{ \mathfrak C_{\theta_k} = ( LegalBasis, Purpose, Evidence, BurdenEffect, BiasRisk, PrivacyCost, Appealability, Expiry ). }

即：

法源是什麼？
為什麼需要？
有何證據？
對誰增加負擔？
會產生什麼偏差？
隱私成本多少？
能否申訴？
何時重審？

12. 不可歧視與 proxy 問題

即使法律禁止：

race

直接作為參數，

AI 仍可能透過：

ZIP, income, network, language

組合出 proxy。

因此：

\boxed{ \text{parameter legality} \neq \text{decision non-discrimination}. }

必須檢查：

Impact( F, Group ).

這就是 algorithmic fairness 與 anti-discrimination law 不能被單一 metric 取代的原因。

13. Formal Fairness 與 Substantive Fairness

算法公平研究已指出，

只在 isolated decision rule 中滿足：

MetricFairness=1

不能保證社會結果正義。

因此：

\boxed{ \text{Formal Algorithmic Fairness} \not\Rightarrow \text{Substantive Justice}. }

動態正義必須評估：

\text{rule} + \text{institution} + \text{historical burden} + \text{downstream effect}.

14. Individualization 不能變成秘密待遇

如果：

Y_i

因個人參數不同，

個體至少應知道：

哪條公共規則適用；
哪些參數被使用；
參數來源；
每個參數如何改變結果；
如何修正錯誤；
如何申訴。

所以：

\boxed{ \text{Personalization} + \text{Opacity} = \text{high governance risk}. }

15. 可理解性權利

本文提出：

\boxed{ RightToLegalProjection. }

個體不必閱讀全部機器規則，

但應能得到：

\boxed{ \text{My Rule} = \text{Public Rule} + \text{My Relevant Parameters} + \text{My Result} + \text{Appeal Path}. }

這是第二篇「AI 時代法律編譯層」的直接前置。

16. 資料錯誤問題

假設：

\theta_i

錯誤。

則：

Y_i

可能合法計算卻實質錯誤。

所以：

\boxed{ \text{correct algorithm} + \text{wrong input} = \text{wrong legal result}. }

因此必須有：

\boxed{ \text{Data Contestability}. }

個體能看到並更正 identity-critical legal data。

17. 時間版本

個體狀態會變：

C_i(t) \neq C_i(t+1).

所以：

Y_i(t) \neq Y_i(t+1)

可能合法成立。

但：

\boxed{ \text{dynamic} \neq \text{constantly unstable}. }

法律應定義 update window：

T_u

以及：

effective date；
transition rule；
grandfathering；
reliance protection。

18. 不可追溯動態化是危險的

若：

Y_i(t)

改變，

必須存在：

\Gamma_t^J

記錄：

哪個參數變了；
哪個規則版本變了；
哪個資料來源更新；
結果差異；
生效時間；
誰負責。

因此：

\boxed{ \text{Dynamic Justice} \Rightarrow \text{Versioned Justice}. }

19. 規範債務

如果制度為了效率忽略：

B_i^{hidden},

該成本不會消失。

本文沿用可不可論：

\boxed{ D^{norm}_{t+1} = D^{norm}_t + UnaddressedBurden_t - Repair_t. }

這稱為：

\boxed{ \text{Normative Debt}. }

例如長期對某一群體施加較高 compliance cost，

即使法律文字完全相同，

也可能累積制度性債務。

20. 可不可論作為元治理

可不可論的失效域已明確拒絕：

\boxed{ \text{可不可論} = \text{終極判定者}. }

它更適合：

\boxed{ \operatorname{MetaGovernance} ( Projection, Authority, Unknown, Cost, Responsibility, Revision ). }

動態正義同樣不能自稱「正義算法」。

它只能建立：

某一結果如何獲得暫時合法性，以及何時必須重審。

21. Temporary Closure

法律必須行動。

不能每次都說：

情況太複雜，所以不決定。

因此：

\boxed{ \text{Justice} \neq \text{Permanent Openness}. }

成熟形式是：

\boxed{ \text{Evidence} \rightarrow \text{Calibrated Closure} \rightarrow \text{Action} \rightarrow \text{Review}. }

22. 個體化程度

定義：

g \in[0,1]

為 legal granularity。

g=0

代表高度 general rule。

g\rightarrow1

代表高度個體化。

但：

\boxed{ g\uparrow \not\Rightarrow Justice\uparrow. }

因為 granularity 增加也會提高：

data demand；
privacy risk；
manipulation；
complexity；
appeal burden；
coordination cost。

23. Granularity Optimum

因此可能存在：

\boxed{ g^\star = \arg\min_g [ Error(g) + PrivacyCost(g) + Complexity(g) + DiscriminationRisk(g) + CoordinationCost(g) ]. }

不是越個人化越好。

24. 基本權利不能被個體化到消失

定義：

\mathcal R_{floor}.

例如：

人格；
正當程序；
不受酷刑；
基本平等；
申訴；
不被任意剝奪生命／存在；
最低法律可理解性。

則：

\boxed{ Y_i \notin \mathcal R_{floor}^{-} }

無論模型如何最佳化。

25. Right Floor Dominance

本文提出：

\boxed{ \text{Right Floor} > \text{Optimization Gain}. }

如果提高效率需要侵犯不可讓渡底線，

則：

\boxed{ Optimization \text{ inadmissible}. }

26. 人工主體與差異化規則

系列二顯示未來人工主體可能具有：

不同時間尺度；
不同載體；
不同通信延遲；
不同 branch structure；
不同恢復形式。

所以例如：

所有人必須在 5 秒內回應。

對 human 與 Earth–Mars AI branch 的負擔完全不同。

因此多主體文明尤其需要：

\boxed{ \text{rights-uniformity} + \text{implementation-context sensitivity}. }

27. 但不能藉差異化創造人格階級

如果制度說：

因為 AI 可以更快計算，所以 AI 的申訴期更短。

這可能合理。

但如果再推：

因為 AI 更快，所以 AI 的基本權利更少。

則是不同層級。

因此：

\boxed{ \text{capacity-sensitive procedure} \not\Rightarrow \text{capacity-ranked dignity}. }

28. 公共可驗證函數

對高風險法律：

F_{R^\star}

應盡可能具有：

\boxed{ \text{Public Specification} + \text{Test Cases} + \text{Versioning} + \text{Independent Audit}. }

不一定所有 source code 都必須公開，

但法律效果不能只存在於不可審計模型內。

29. AI 的角色

AI 可以：

解析法律；
計算參數；
模擬結果；
找出負擔差；
生成解釋；
發現異常；
提醒重審。

但：

\boxed{ \text{AI computes} \neq \text{AI legitimizes}. }

政治與法律正當性仍需要：

授權；
程序；
可爭議；
責任。

30. 立法權與參數權分離

本文建議至少區分：

\boxed{ \text{Rule Authority} }

與：

\boxed{ \text{Parameter Application Authority}. }

前者決定：

R^\star, \Theta^{legal}.

後者只決定：

\theta_i \rightarrow Y_i.

若同一 AI 同時：

發明規則；
選參數；
讀資料；
計算；
執行；
判申訴；

則：

\boxed{ \text{normative power concentration}. }

31. Appeal as Recalculation

申訴不只應問：

法官同不同意？

在 computable legal system 中，

還可問：

規則版本是否正確？
參數是否正確？
參數是否合法？
計算是否正確？
權利底線是否被突破？
個案是否需要 human / multi-agent exceptional review？

因此：

\boxed{ Appeal = LegalReview + DataReview + ComputationReview + RightsReview. }

32. Exception 不等於漏洞

形式法律常害怕例外。

但動態正義承認：

\boxed{ \text{exception} }

可能是：

規則目前未充分覆蓋的真實狀態。

因此建立：

\boxed{ ExceptionChannel. }

但例外必須留下：

理由；
責任；
precedential status；
expiry；
是否修改一般規則。

33. 防止特權偽裝成個體化正義

最危險的反例：

權力者替自己設定特殊參數。

所以任何個體化差異必須通過：

\boxed{ PublicReasonTest. }

問：

如果相同 legally relevant conditions 出現在另一個人身上，是否也會得到相同參數待遇？

若否，

則是：

\boxed{ \text{personal privilege}, }

不是 personalized justice。

34. 同條件同結果

動態正義雖允許不同人有不同結果，

仍維持：

\boxed{ C_i^{legal}=C_j^{legal} \Rightarrow Y_i=Y_j. }

其中 $C^{legal}$ 只包含合法相關特徵。

所以它不是放棄 equality before law，

而是把 equality 的比較單位從：

\text{physical person}

移到：

\boxed{ \text{legally relevant state}. }

35. Unknown Parameter

如果重要變數未知：

\theta_i=?

不能自動：

?=0.

也不能永遠不決定。

本文提出：

\boxed{ UnknownHandling = ( ConservativeDefault, TemporaryRule, ReviewTrigger, EvidenceDuty ). }

這直接接可不可論：

未知要進帳本，但未知不能變成永久免責工具。

36. 時間公平

動態制度還有一個問題：

今天被系統錯判的人，三年後模型更新怎麼辦？

因此需：

\boxed{ RetroactiveRepairRule. }

至少對：

明確資料錯誤；
已證明違法參數；
系統性歧視；
計算錯誤；

建立補救。

37. Dynamic Justice Certificate

本文提出：

\boxed{ \mathfrak C_i^{DJ}(t) = ( RuleVersion, LegalBasis, \Theta^{legal}, \theta_i, DataProvenance, Y_i, \mathbf B_i, RightsCheck, BiasCheck, Explanation, Appeal, ReviewTrigger ). }

這不是公開所有私人資料。

而是確保：

個體能知道自己的法律結果如何生成。

38. System-Level Justice Audit

不能只看：

\mathfrak C_i.

還要整體檢查：

\boxed{ \mathfrak A^{DJ} = ( DistributionOfBurden, GroupImpact, ErrorDistribution, AppealSuccess, DataQuality, PrivacyCost, NormativeDebt ). }

因為個案都看似合理，

系統仍可能產生結構性不平等。

39. 五個正義失效模式

J1 — Uniformity Blindness

同一命令造成極端不同負擔。

J2 — Personalized Tyranny

以個體化之名對每人建立秘密控制規則。

J3 — Data Determinism

把資料推斷當成不可反駁身份。

J4 — Optimization Capture

以效率最佳化壓過基本權利。

J5 — Parameter Creep

AI／行政逐步新增未經授權的法律相關變數。

40. 七個核心命題

命題一：形式平等不推出實質負擔平等

\boxed{ Y_i=Y_j \not\Rightarrow B_i=B_j. }

命題二：差異待遇不必然不平等

如果：

C_i^{legal}\neq C_j^{legal},

且差異有公開正當理由，

則：

Y_i\neq Y_j

可與 rights equality 共存。

命題三：個體化程度越高不必然越正義

\boxed{ g\uparrow \not\Rightarrow Justice\uparrow. }

命題四：AI 只能在合法參數域內運算

\boxed{ \theta\notin\Theta^{legal} \Rightarrow \text{inadmissible}. }

命題五：基本權利優先於最佳化

\boxed{ RightFloor > OptimizationGain. }

命題六：動態結果必須版本化

\boxed{ Y_i(t)\neq Y_i(t+1) \Rightarrow \exists\Gamma_t^J. }

命題七：正義不能由單一算法自我合法化

\boxed{ \text{Prediction / Calculation Power} \neq \text{Normative Legitimacy}. }

41. 可否證條件

F1：個體差異對實質負擔沒有可測影響

若在大多數公共規則下：

B_i

對個體情境差異極不敏感，

則 dynamic personalization 的必要性下降。

F2：個體化制度總是造成更高不公平

若受控實驗與制度比較顯示個體化即使有透明、權利底線與申訴仍系統性惡化公平，

則動態正義應回退到更高一般性。

F3：Public fixed rule 無法有效約束 AI

若任何參數化執行都不可避免地讓模型實質重寫規則，

則高風險法律不應自動化到個體層。

F4：負擔映射不可操作

若：

\mathcal B

無法被合理測量或比較，

則 burden equality 只能保留作質化分析。

F5：可申訴性成本高到使制度不可運行

若每次 dynamic result 都引發不可承受的 contestation，

則 granularity 需要降低。

42. 與可不可論的關係

既有可不可論已將自己重新定位為：

\boxed{ \operatorname{MetaGovernance} ( \text{投影}, \text{權限}, \text{未知}, \text{代價}, \text{責任}, \text{修正} ). }

並明確指出，它不能成為終極判定者，而只能治理答案如何取得暫時正當性。

動態正義就是其法律版之一：

\boxed{ \text{Justice} = \text{Temporary Legitimate Closure under Revisable Constraints}. }

43. 與個體消除悖論的關係

既有研究已區分：

\text{Rights Equality}

與：

\text{Uniformity}.

權利平等保留差異，而同質平等可能將差異本身視為偏差。

本文進一步提出：

\boxed{ \text{Equal Dignity} + \text{Different Relevant Conditions} \Rightarrow \text{Potentially Different Legal Implementation}. }

44. 下一篇：AI 時代法律編譯層

一旦：

Y_i = F_{R^\star}(\theta_i)

真正進入法律系統，

立刻會遇到：

人類如何知道機器到底替自己算了什麼？

因此下一篇建立：

\boxed{ L = ( L_H, L_P, L_F, L_S, L_M ) }

即：

Human legal text；
Plain-language legal projection；
Formal/computable rule；
Simulation layer；
Machine-readable representation。

這就是：

02 / 08〈AI 時代的法律編譯層：人類法律、機器法律與認知落差〉。

45. 結論

傳統形式平等非常重要。

它防止：

任意特權；
身份歧視；
祕密命令；
權力者逐人操控。

所以動態正義不是要摧毀：

\boxed{ \text{equality before law}. }

真正需要修正的是：

\boxed{ \text{「法律面前平等」} = \text{「所有人永遠收到完全相同的具體命令」} }

這個過度簡化。

未來更合理的形式可能是：

\boxed{ \text{共同基本權利} + \text{共同公共規則} + \text{合法個體參數} + \text{透明結果計算} + \text{申訴與修正}. }

所以：

\boxed{ \text{Dynamic Justice} \neq \text{Different Secret Laws for Everyone}. }

而是：

\boxed{ \text{One Public Rule System, many legally relevant states, and bounded context-sensitive outcomes}. }

中文壓縮為：

\boxed{ \text{正義不是假裝所有人都一樣， 也不是讓權力者替每個人發明不同規則； 而是在共同權利與共同法則下， 承認那些真正會改變實質負擔的差異。} }

至此，系列三的法律與治理地基建立。

參考文獻與研究對照

Ben-Shahar, O., & Porat, A. (2021). Personalized Law: Different Rules for Different People. Oxford University Press.
Ben-Shahar, O., & Porat, A. (2018). Personalizing Mandatory Rules in Contract Law. University of Chicago Coase-Sandor Working Paper.
Strahilevitz, L. J., & Porat, A. (2013). Personalizing Default Rules and Disclosure with Big Data. University of Chicago Public Law & Legal Theory.
Mayson, S. G. (2022). But What Is Personalized Law? University of Chicago Law Review Online.
Fisher, T. (2024). Personalizing Personalized Law: Discussion of “Personalized Law”. Jerusalem Review of Legal Studies.
Shin, P. S. (2009). The Substantive Principle of Equal Treatment. Legal Theory.
Green, B. (2021). Escaping the Impossibility of Fairness: From Formal to Substantive Algorithmic Fairness. arXiv:2107.04642.
Sargeant, H., & Magnusson, M. (2024). Formalising Anti-Discrimination Law in Automated Decision Systems. arXiv:2407.00400.
Zin, M.-M. et al. (2026). Can Legislation Be Made Machine-Readable in PROLEG? arXiv:2601.01477.
Neo.K with Aletheia (2026). 可不可論 4.0：認識姿態、校準承諾與開放—閉合博弈. EveMissLab.
Neo.K with Aletheia (2026). 可不可論的失效域：十七項對抗性反例、反偽裝條件與最低決策核心. EveMissLab.
Neo.K with Aletheia (2026). 集體解放的個體消除悖論. EveMissLab.

附錄 A：第一代符號表

符號	含義
$R^\star$	公共固定規則
$C_i(t)$	個體合法相關狀態
$\Theta^{legal}$	法律允許的可變參數域
$\theta_i$	個體合法參數
$Y_i(t)$	動態法律結果
$\mathbf B_i$	實質負擔向量
$\mathcal C^{const}$	憲政／不可變底線層
$g$	法律個體化 granularity
$g^\star$	最適 granularity 候選
$\mathcal R_{floor}$	基本權利底線
$\Gamma_t^J$	動態法律結果版本見證
$D^{norm}$	規範債務
$\mathfrak C_{\theta}$	參數合法性證書
$\mathfrak C_i^{DJ}$	Dynamic Justice Certificate
$\mathfrak A^{DJ}$	System-Level Dynamic Justice Audit

附錄 B：系列位置

系列三：《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》

本文｜動態正義：形式平等、實質負擔與個體化規則
AI 時代的法律編譯層：人類法律、機器法律與認知落差
前沿決策域 $X$ ：人類、AI 與混合智能的權力集合
動態現場域：為什麼最強智能仍未必最懂當下
現場主權：全域智能與局部決策權的動態配置
類神 ASI 的治理悖論：全知、全域覆蓋與反烏托邦邊界
可不可治理：能力不推出權力，權力不推出意圖
不可永佔：從權力制衡到《無無極篇》的後 ASI 憲政原理

本篇狀態：完成 v0.1。

EML_NMP_S3_01_動態正義_形式平等實質負擔與個體化規則_v0.1

動態正義：形式平等、實質負擔與個體化規則

摘要

0. 問題：相同規則真的等於公平嗎？

1. Prior Art：個體化法律已成為真正法律理論問題

1.1 Personalized Law

1.2 One-Size-Fits-All 的成本

1.3 但 personalized law 也有巨大風險

2. 四種平等

2.1 權利平等

2.2 規則平等

2.3 負擔平等

2.4 能力／機會平等

3. 權利平等與同質平等

4. 動態正義的第一代形式

5. 固定的是什麼？動態的是什麼？

5.1 固定層

5.2 可變層

5.3 計算層

6. 核心公式

7. AI 沒有參數發明權

8. 負擔映射

9. 正義不是讓負擔完全相等

10. 法律相關差異

11. 最低相關性證書

12. 不可歧視與 proxy 問題

13. Formal Fairness 與 Substantive Fairness

14. Individualization 不能變成秘密待遇

15. 可理解性權利

16. 資料錯誤問題

17. 時間版本

18. 不可追溯動態化是危險的

19. 規範債務

20. 可不可論作為元治理

21. Temporary Closure

22. 個體化程度

23. Granularity Optimum

24. 基本權利不能被個體化到消失

25. Right Floor Dominance

26. 人工主體與差異化規則

27. 但不能藉差異化創造人格階級

28. 公共可驗證函數

29. AI 的角色

30. 立法權與參數權分離

31. Appeal as Recalculation

32. Exception 不等於漏洞

33. 防止特權偽裝成個體化正義

34. 同條件同結果

35. Unknown Parameter

36. 時間公平

37. Dynamic Justice Certificate

38. System-Level Justice Audit

39. 五個正義失效模式

J1 — Uniformity Blindness

J2 — Personalized Tyranny

J3 — Data Determinism

J4 — Optimization Capture

J5 — Parameter Creep

40. 七個核心命題

命題一：形式平等不推出實質負擔平等

命題二：差異待遇不必然不平等

命題三：個體化程度越高不必然越正義

命題四：AI 只能在合法參數域內運算

命題五：基本權利優先於最佳化

命題六：動態結果必須版本化

命題七：正義不能由單一算法自我合法化

41. 可否證條件

F1：個體差異對實質負擔沒有可測影響

F2：個體化制度總是造成更高不公平

F3：Public fixed rule 無法有效約束 AI

F4：負擔映射不可操作

F5：可申訴性成本高到使制度不可運行

42. 與可不可論的關係

43. 與個體消除悖論的關係

44. 下一篇：AI 時代法律編譯層

45. 結論

參考文獻與研究對照

附錄 A：第一代符號表

附錄 B：系列位置