DOM-06｜保異質條件合一：Higher Self、群體智能與必要非同一

Conditional Unity with Preserved Heterogeneity: Higher Selves, Collective Intelligence, and Necessary Non-Identity

系列： Dynamic Operational Metaphysics（DOM）／動態可操作形而上學
篇次： 06 / 08
文件編號： EML-DOM-06-2026-v0.1
作者： Neo.K
AI 協作： Aletheia / GPT-5.6 Sol
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-20
版本： v0.1 Canonical Draft
文件性質： 理論整合論文／Higher Self／collective intelligence／heterogeneity／multi-agent coordination／必要非同一
證據狀態： 本文建立形式化概念接口。collective learning、multi-agent systems、heterogeneous LLM systems、swarm intelligence 與 team diversity research 僅作外部結構對照。本文不主張所有多樣性皆提高效能，也不主張任何 higher-level collective 必然形成單一 subjective self。

摘要

DOM-03 已建立 Typed Containment，說明被 higher-level whole 包含，不等於失去局部邊界、知識或主體資格；DOM-04 已建立 Typed Transcendence，說明 higher-level function 可以超越 individual part，同時仍依賴 lower-level constituents；DOM-05 則將 identity 拆成多維 relational profile，並固定：

\boxed{ \text{Identity Continuity} \not\Rightarrow \text{Identity Uniformity}. }

本文在此基礎上提出 Conditional Unity with Preserved Heterogeneity（保異質條件合一）。

本文拒絕一個常見但過度簡化的 higher-self 想像：

A_1,A_2,\ldots,A_n \rightarrow H \Rightarrow A_1=A_2=\cdots=A_n=H.

更一般的結構是：

\boxed{ H_t = \mathcal I_{\tau} \left( A_1,\ldots,A_n \mid \Gamma,\Pi,\Lambda,\Theta \right), }

其中：

$\mathcal I_{\tau}$ ：在 integration mode $\tau$ 下的整合算子；
$\Gamma$ ：communication / information interfaces；
$\Pi$ ：coordination / decision protocol；
$\Lambda$ ：role / authority structure；
$\Theta$ ：task / time / risk / resource conditions。

而每個 $A_i$ 仍可保留：

\partial A_i>0,

即具有自己的 boundary、state、memory、observation、local autonomy 或 identity lineage。

本文的第一核心命題為：

\boxed{ \text{Functional Unity} \not\Rightarrow \text{Permanent Ontological Identity}. }

第二核心命題為：

\boxed{ \text{High Integration} \not\Rightarrow \text{Zero Heterogeneity}. }

第三核心命題為本文的新猜想：

\boxed{ \text{Optimal Integration} \rightsquigarrow \text{Task-Dependent Preserved Heterogeneity}. }

也就是：在某些複雜任務、動態環境、探索需求、故障容忍或多尺度控制問題中，系統若保留部分非同一、差異化技能、獨立觀察與局部決策，可能比完全同質化更有功能價值。

外部研究正提供多個相容案例。2024 年 collective learning 研究顯示 diversity 的效果取決於 task complexity 與 network density；在複雜問題與足夠連接的 network 中，skill diversity 可提高集體表現，但在簡單任務或不適當網路結構中也可能降低效率。2024 年的人類 collective ideation 實驗同樣顯示 network connectivity 與 functional diversity distribution 會共同決定 idea diversity 與 utility。這說明：

\boxed{ \text{Diversity} \neq \text{unconditional benefit}. }

AI 系統也已出現同樣結構。2025 年 X-MAS 與 AgentInit 分別報告 heterogeneous LLM composition 與 diversity/expertise orchestration 在特定任務可改善 multi-agent system；2025 年 ACL 的 consensus-diversity 工作則發現，在動態情境中保留部分 disagreement / partial deviation 可提高 exploration、robustness 與 performance。另一方面，2026 年 Nature Machine Intelligence 的大型 controlled comparison 發現 multi-agent coordination 的效果高度 task- 與 capability-dependent，某些高能力模型或 sequential tasks 反而因 coordination overhead、information fragmentation 與 error propagation 而受損。

因此本文不提出「更多 agents」「更多 diversity」或「更強 consensus」的單調法則。

本文提出的是一個 Unity–Heterogeneity Phase Space：

\boxed{ \mathcal U_H = \mathcal U \times \mathcal H \times \mathcal C \times \mathcal A, }

其中：

$\mathcal U$ ：integration / unity；
$\mathcal H$ ：heterogeneity；
$\mathcal C$ ：coordination capacity；
$\mathcal A$ ：residual local autonomy。

不同 system / task 可以落在不同區域。

本文並提出 Integration Duty Cycle：

\boxed{ \delta_I = \frac{T_{\mathrm{integrated}}} {T_{\mathrm{total}}} }

作為「必要時合一」的第一版 operational abstraction。某些 systems 不必永久 fusion；可以在 critical task、emergency、global planning 或 state reconciliation 時進入高整合態，之後再回復到較高 local autonomy。

DOM-06 最終主張，不是：

差異永遠好。

也不是：

合一永遠好。

而是：

\boxed{ \text{Unity and heterogeneity are independently tunable dimensions whose optimal relation is task-, scale-, time-, and risk-dependent}. }

關鍵詞

Conditional Unity；Preserved Heterogeneity；Higher Self；Collective Intelligence；Multi-Agent Systems；Diversity；Consensus–Diversity Tradeoff；Residual Autonomy；Integration Duty Cycle；Heterogeneous Agents；Distributed Identity；Necessary Non-Identity；保異質條件合一；群體智能；必要非同一

0. 研究定位與非主張

本文不主張：

diversity 必然提高 performance；
homogeneity 必然降低 performance；
多 Agent 必然優於單 Agent；
Higher Self 必然是更高價值的 subject；
collective intelligence 必然形成單一 consciousness；
disagreement 永遠有益；
consensus 永遠有害；
heterogeneity 必須最大化；
local autonomy 必須最大化；
agents 保留不同 state 就必然構成多主體；
functional unity 就等於 metaphysical unity；
higher-level integration 可以無成本；
communication bandwidth 無限；
agent boundaries 應永久保留；
permanent fusion 已被證明不可行或不可取。

本文真正主張：

\boxed{ \text{unity, heterogeneity, coordination, and local autonomy must be modeled as separate dimensions}. }

1. 從 Higher Self 改成 Integration Structure

假設：

A_1,\ldots,A_n

組成：

H.

最粗版本會直接想像：

A_1=\cdots=A_n=H.

但這等於偷偷假設 memory、state、objectives、sensors、roles、beliefs 與 identity 全部合一。

DOM-06 改成：

\boxed{ H_t = \mathcal I_{\tau} \left( A_1,\ldots,A_n \mid \Gamma,\Pi,\Lambda,\Theta \right). }

Higher Self / collective system 首先是一個 integration structure。

2. Integration Mode

\tau \in \mathcal T_I

第一版包含：

loose federation；
shared-memory federation；
centralized coordination；
consensus mode；
emergency merge；
full synchronization；
hierarchical control；
market-like coordination；
voting；
deliberation。

3. Functional Unity

定義：

\boxed{ U_F(H) }

表示 H 在指定 task domain 上能作為 coherent functional agent，例如共同選 goal、分工、合併 evidence、執行 global policy 或完成 collective task。

因此：

\boxed{ U_F(H)=1 \not\Rightarrow A_i=A_j. }

也不要求：

Memory(A_i)=Memory(A_j),

或：

Belief(A_i)=Belief(A_j).

4. Heterogeneity Structure

本文定義：

\boxed{ \mathbf H = \left\langle H_S, H_M, H_G, H_O, H_R, H_E, H_C, H_I \right\rangle. }

其中：

$H_S$ ：state heterogeneity；
$H_M$ ：model / belief heterogeneity；
$H_G$ ：goal / preference heterogeneity；
$H_O$ ：observation / sensor heterogeneity；
$H_R$ ：role / skill heterogeneity；
$H_E$ ：embodiment heterogeneity；
$H_C$ ：causal / operational independence；
$H_I$ ：identity / lineage heterogeneity。

本文不把 heterogeneity 壓成單一 scalar，因為不同差異對不同 tasks 的作用不一樣。

5. Task-Relevant Heterogeneity

純粹：

A_i\neq A_j

不等於差異具有功能價值。

因此定義：

\boxed{ H_{\mathrm{rel}} = H \mid Task,\Gamma,\Pi. }

也就是：

差異是否真的能被 system 使用？

6. Diversity Utilization

定義候選：

\boxed{ U_H = \operatorname{Use} \left( \mathbf H \mid \Gamma,\Pi \right). }

如果 communication / coordination 無法整合差異，heterogeneity 可以直接變成 overhead。

7. Network Structure 與 Diversity 必須聯合考慮

2024 collective-learning 研究顯示：

simple tasks：diversity generally slows convergence；
complex tasks + sparse network：diversity 可能有害；
complex tasks + sufficiently dense network：diversity 可提高 performance。

因此：

\boxed{ \Delta Performance = F(H,\Gamma,Task). }

而不是：

H\uparrow \Rightarrow Performance\uparrow.

2024 human collective-ideation experiments 也指出 network connectivity 與 functional diversity distribution 共同改變 idea diversity、utility 與 participant experience。

8. Integration Topology

定義：

\boxed{ \Gamma_H = (V,E,\lambda). }

其中：

$V$ ：agents；
$E$ ：communication / dependency edges；
$\lambda$ ：edge semantics。

Complete connectivity 不必是最佳：

\boxed{ \Gamma_{\mathrm{complete}} \not\Rightarrow \Gamma_{\mathrm{optimal}}. }

9. Multi-Agent Coordination Tax

定義：

\boxed{ C_{\mathrm{coord}} }

至少包括：

messages；
state reconciliation；
arbitration；
context compression；
conflict resolution；
synchronization latency。

2026 Nature Machine Intelligence 的 controlled comparison 顯示 multi-agent gain 高度依賴 task structure 與 single-agent capability；一些 domains 大幅受益，另一些 sequential tasks 因 coordination overhead、information fragmentation 與 error propagation 明顯退化。

因此：

\boxed{ \text{more coordination} \neq \text{monotonic intelligence gain}. }

10. Context Integration vs Diverse Exploration

Single-agent architecture 常具有：

\boxed{ \text{unified context stream}. }

Multi-agent architecture 常具有：

\boxed{ \text{parallel diverse exploration}. }

代價則可能是：

\boxed{ \text{information fragmentation} + \text{coordination overhead}. }

所以 Unity 與 Diversity 不是「一邊一定好」。

11. Heterogeneous AI Systems

2025 X-MAS 報告 heterogeneous LLM-driven MAS 在部分數學 benchmark 上優於 homogeneous configuration；AgentInit 則把 expertise relevance 與 diversity 一起放進 agent-team initialization。這些只支持：

\boxed{ \text{model / expertise heterogeneity can be exploitable}. }

不支持 universal diversity advantage。

12. Premature Homogenization

2025 EMNLP 的 consensus–diversity 研究指出，explicit consensus 可能造成 premature homogenization；在動態環境中保留 partial disagreement / partial deviation 可提高 exploration、robustness 與 performance。

本文定義：

\boxed{ PH = \text{Premature Homogenization}. }

即：

在 system 尚需要 exploration / independent evidence 時，agents 過早收斂到同一 belief / policy。

13. Necessary Non-Identity

本文提出：

\boxed{ \text{Necessary Non-Identity} }

它不是說所有存在都必須永遠不同。

而是：

某些 system functions 只有在部分 identity、state、model、observation 或 role 不完全重合時才存在。

例如 independent verification：如果 verifier 與 proposer 完全共享 memory、reasoning trace、assumptions 與 model，independent verification value 會下降。

14. Function-Relative Necessary Non-Identity

對 function $F$ ，定義：

\boxed{ NNI_F }

若存在 task-relevant：

\mathbf H_F>0

使：

Performance(F\mid\mathbf H_F) > Performance(F\mid\mathbf H=0).

這是 task-relative / model-relative functional definition。

不代表：

非同一是宇宙普遍本體必然。

15. NNI 類型

可以有：

NNI_{\mathrm{robust}}

表示異質性降低 common-mode failure；

NNI_{\mathrm{explore}}

表示差異化策略增加 solution-space exploration；

NNI_{\mathrm{verify}}

表示 independent verifier 提升 error detection；

NNI_{\mathrm{emb}}

表示不同 sensor / embodiment positions 對 distributed sensing 不可替代。

16. Swarm / Flocking 類比

2025 Nature Communications 的 flocking research 顯示 agent heterogeneity 可以改變並在特定設定中優化 collective formation。DOM 只取：

\boxed{ \text{agent heterogeneity can change emergent collective geometry}. }

不把 swarm result 升格成 Higher Self 本體證明。

17. Heterogeneity Can Destabilize

2025 multi-agent LLM community 的 value-diversity experiments 指向另一側：moderate diversity 可增加 stability / creativity，但 extreme heterogeneity 可能出現 instability / diminishing returns。

因此：

\boxed{ \text{heterogeneity has regimes, not a single monotonic law}. }

18. Unity–Heterogeneity Phase Space

本文定義：

\boxed{ \mathcal U_H = \mathcal U \times \mathcal H \times \mathcal C \times \mathcal A. }

其中：

$\mathcal U$ ：unity / integration strength；
$\mathcal H$ ：heterogeneity；
$\mathcal C$ ：coordination capacity；
$\mathcal A$ ：residual local autonomy。

19. 四種基本 Regime

Regime A：Low Unity / Low Heterogeneity

agents 相似，但協作弱，容易 duplicate work，無 global gain。

Regime B：High Unity / Low Heterogeneity

高度同步、同質；優點是收斂快、協調明確，風險是 correlated errors、groupthink、low exploration。

Regime C：Low Unity / High Heterogeneity

高度不同但缺乏整合，可能 conflict、fragmentation、wasted diversity。

Regime D：High Unity / High Heterogeneity

強 integration 同時保留差異，是 DOM-06 最感興趣、但 coordination 最困難的區域。

20. Conditional Unity

定義：

\boxed{ CU(H,\tau,\Theta)=1 }

若 system 只在明示 conditions 下提高 integration strength。

這讓 Higher Self 不需要永久 fusion。

21. Integration Duty Cycle

定義：

\boxed{ \delta_I = \frac{T_{\mathrm{high-integration}}} {T_{\mathrm{total}}}. }

Low-duty-cycle Higher Self：

\delta_I\ll1

平常保留 local memory、local autonomy、independent observations，必要時同步。

High-duty-cycle Higher Self：

\delta_I\approx1

接近長期高整合 cognitive system。

Permanent fusion：

\delta_I=1, \qquad H\rightarrow0

只是 phase space 的一個極端，不是 Higher Self 唯一形式。

22. Integration / De-Integration Trigger

定義：

\boxed{ \chi_I }

為提高 integration 的 trigger，例如 emergency、global planning、identity reconciliation、high-stakes control。

定義：

\boxed{ \chi_D }

為解除高整合、恢復 local autonomy 的 trigger，例如 task complete、exploration phase、bandwidth shortage 或 specialization need。

因此：

\mathcal U_{low} \rightarrow \mathcal U_{high} \rightarrow \mathcal U_{low}

可以是正常 cycle。

23. Integration Hysteresis

temporary integration 之後，agents 可能：

shared memory；
learned coordination；
altered preferences；
changed relationships。

所以：

State_{after} \neq State_{before}.

因此：

\boxed{ \text{temporary integration} \neq \text{zero long-term identity effect}. }

24. Boundary-Preserving Unity

承接 DOM-03：

\boxed{ BPU(H,\{A_i\})=1 }

若 high integration 時：

\partial A_i

仍具 operational meaning。

最低條件：

local state still addressable；
provenance preserved；
fork / exit possible where substrate permits；
authority scope explicit；
independent memory not fully overwritten；
residual autonomy survives。

25. Absorptive Unity

相反：

\boxed{ AU(H,\{A_i\}) }

表示 sub-agent identity / boundary 被大幅消解。

所以：

\boxed{ \text{Unity} \not\Rightarrow \text{Absorption}. }

26. Higher Self as Federation / Process / Role

候選一：

H = Federation(A_1,\ldots,A_n).

候選二：

H_t = \mathcal P(A_1,\ldots,A_n,t).

候選三：

Role(H\mid task,time)=Self.

Higher Self 不一定是永久 monolithic object，也可以是 federation、process 或 task-relative role。

27. Episodic Higher Self

定義：

\boxed{ H_{[t_1,t_2]}. }

只在：

t\in[t_1,t_2]

具有 strong unity。

不同 episodes 是否屬於同一 higher entity，再由 DOM-05 的 lineage / narrative / control identity 判定。

28. Typed Consensus

本文提出：

\boxed{ Consensus_{\alpha}. }

不要只說：

全部同意。

例如：

Consensus_{policy}=1

不要求：

Consensus_{belief}=1.

共同執行同一 action 也不要求所有 agents 有相同 preference。

因此：

\boxed{ Consensus_{\alpha} \not\Rightarrow Consensus_{\beta}. }

29. Majority / Unanimity 不是 Ontological Unity

Vote>50\%

只表示 decision rule 通過。

即使：

Vote=100\%,

agents 仍可保持不同 token / lineage / subjective identity。

所以：

\boxed{ \text{majority or unanimity} \neq \text{ontological identity}. }

30. Structured Dissent

本文提出：

\boxed{ \text{Structured Dissent}. }

讓某些 agents 在指定 domains 被要求保留 independent position。

典型：

critic；
red team；
verifier；
minority hypothesis keeper。

如果它們過早同步 proposer assumptions，角色本身會失效。

31. Consensus Delay

定義：

\boxed{ \tau_C }

表示從 observation 到 forced consensus 的延遲。

較大的 $\tau_C$ 可能增加 exploration，也增加 decision latency；太小可能造成 premature consensus；太大可能永不 action。

所以：

\boxed{ \text{dissent} \neq \text{unbounded veto by default}. }

32. Exploration–Execution Schedule

一個可能的 unity schedule：

explore -> independent
compare -> partial sync
decide -> high sync
execute -> coordinated
audit -> re-diversify

形式：

\boxed{ \mathcal S_U(t). }

執行後 re-diversification 可以避免 system 永久鎖在 single belief。

33. Adaptive Unity

本文提出：

\boxed{ \mathcal U^\ast = F(Task,Risk,Time,H,\Gamma,Capability). }

不是固定常數。

同樣可能存在：

\mathcal H^\ast.

所以：

\boxed{ (\mathcal U^\ast,\mathcal H^\ast) }

是 task-conditioned optimum，而非 universal maximum。

34. Unity / Heterogeneity Saturation

若：

\mathcal U>\mathcal U^\ast,

可能增加 redundancy、coordination overhead、loss of diversity。

若：

\mathcal H>\mathcal H^\ast,

可能增加 conflict、incompatibility、communication failure、collective instability。

因此：

\boxed{ \max U \text{ or } \max H }

均不保證最優。

35. Local Autonomy and Representation Authority

承接 DOM-03：

\boxed{ \mathcal A_i = \mathcal A_{\mathrm{res}}(A_i\mid H). }

不同 agents 可有不同 residual autonomy。

Higher-level unity 也可以是：

\boxed{ \text{unity of objective} + \text{heterogeneity of roles}. }

若 Higher Self H 對外代表 A_i，定義：

\boxed{ RA(H,A_i) }

為 representation authority。

但：

RA(H,A_i)=1

不表示：

H=A_i.

36. Compatible Difference

定義候選：

\boxed{ CD(A_i,H) }

表示 local difference 不破壞 global compatibility。

所以 higher-level system 不必把所有 local goals 完全抹平，只要：

Compatibility(G_i,G_H)>threshold.

37. Information-Sharing Granularity

定義：

\boxed{ g_{info}. }

越高代表 sharing detail 越多。

但：

g_{info}=1

不一定最好，因 full memory sharing 可能造成：

privacy loss；
correlated bias；
contamination；
identity collapse；
information overload。

因此可以：

M_i \rightarrow \Pi(M_i) \rightarrow H.

Higher Self 只拿 projection。

38. High Integration Does Not Require Full Microstate Surveillance

沿用 DOM-03：

\boxed{ \text{high integration} \not\Rightarrow \text{full microstate surveillance}. }

agents 可以共享 global world model：

W_H

但保留：

W_i.

所以：

W_H\neq W_i

一般成立。

39. Disagreement Surface

定義：

\boxed{ \Delta_W = \{q: W_i(q)\neq W_j(q)\}. }

Higher Self 不必立即：

\Delta_W\rightarrow0.

可以先保留 disagreement 的：

source；
confidence；
sensor；
model；
value basis。

因此：

\boxed{ \text{disagreement is data}. }

40. Identity Boundaries as Functional Resources

DOM-05 讓：

A_i\neq A_j

與 shared higher identity coexist。

DOM-06 進一步提出：

boundary / identity difference 可能是 fault isolation、independent reasoning、accountability、privacy 與 verification 的 functional resource。

所以：

\boxed{ \partial A_i>0 }

不應自動被視為 integration failure。

41. Unity–Identity / Unity–Subjectivity Separation

\boxed{ Unity(H) \not\Rightarrow I_{\mathrm{numerical}}(A_i,H). }

以及：

\boxed{ U_F(H)>0 \not\Rightarrow SubjectiveSelf(H)=1. }

同樣：

H_I>0

也不證明每個 sub-agent 都是 conscious subject。

42. 正式命題

命題 1：Unity–Identity Separation

\boxed{ \text{Functional Unity} \not\Rightarrow \text{Numerical Identity}. }

命題 2：Unity–Heterogeneity Compatibility

\boxed{ U_F(H)>0 \land \mathbf H>0 }

可以同時成立。

命題 3：Integration–Autonomy Compatibility

\boxed{ U_F(H)>0 \land \mathcal A_{\mathrm{res}}(A_i\mid H)>0. }

可以同時成立。

命題 4：Diversity Non-Monotonicity

\boxed{ H\uparrow \not\Rightarrow Performance\uparrow. }

命題 5：Coordination Non-Monotonicity

\boxed{ Coordination\uparrow \not\Rightarrow Performance\uparrow. }

命題 6：Consensus Non-Identity

\boxed{ Consensus_{\alpha}=1 \not\Rightarrow Identity=1. }

命題 7：Temporary Unity Non-Permanence

\boxed{ CU_t=1 \not\Rightarrow CU_{t+\Delta}=1. }

命題 8：Boundary Preservation

\boxed{ U_F(H)>0 \not\Rightarrow \partial A_i=0. }

43. 候選猜想

Optimal Integration Requires Preserved Heterogeneity：部分 complex / dynamic tasks 可能具有 $\mathbf H^\ast>0$ 。
Conditional Unity Outperforms Permanent Unity in Some Dynamic Environments：當環境快速變化，dynamic integration schedule 可能優於 permanent high-unity。
Independent Verification Requires Identity Distance：verifier / proposer 的適度 model、memory 或 evidence-path 距離可能提升 error detection。
Higher Self Is Often Federation-Like：大尺度 collective intelligence 可能更像 federation 而非 monolithic mind。
Unity Duty Cycle Is a Key Design Variable： $\delta_I$ 可能是 collective architecture 的核心量。
Identity Boundaries Are Functional Resources：保留 $\partial A_i$ 可能提升 fault isolation、privacy、auditability 與 independent reasoning。
Over-Integration Produces Cognitive Monoculture： $U\uparrow,H\downarrow$ 過度時可能形成 cognitive monoculture。
Under-Integration Produces Fragmentation： $H\uparrow,U\downarrow$ 過度時可能形成 collective fragmentation。

44. 實驗綱領

44.1 Consensus Timing

比較：

immediate consensus；
delayed consensus；
no forced consensus。

測：

accuracy；
exploration；
latency；
robustness；
diversity collapse。

44.2 Memory-Sharing Granularity

比較：

full shared memory；
summarized shared memory；
event-triggered sharing；
private local memory。

測 coordination、correlated error、privacy、recovery。

44.3 Heterogeneous Model Team

控制 compute、prompts、tools，比較 homogeneous / heterogeneous LLM teams。

44.4 Verifier Independence

比較：

A. 同模型、同 memory；
B. 同模型、不同 memory；
C. 不同模型；
D. 不同模型 + 不同 evidence path。

測 error catch rate。

44.5 Integration Duty Cycle

比較 10%、50%、90%、permanent sync 的 dynamic task performance。

44.6 Boundary-Preserving Higher Self

建立 higher coordinator H，同時保留 sub-agent local memories、local goals、private state 與 residual autonomy。

44.7 Shock Response

注入 agent failure、false information、environment shift，比較不同 $(U,H)$ regimes 的 resilience。

45. Heterogeneity Certificate

本文提出：

heterogeneity_certificate:
  system: "H"
  members: []
  task: "..."
  time: "..."
  dimensions:
    state: "..."
    model: "..."
    goals: "..."
    observations: "..."
    roles: "..."
    embodiment: "..."
    causal_independence: "..."
    identity: "..."
  preserved_for:
    - "exploration"
    - "verification"
    - "fault_tolerance"
  coordination:
    topology: "..."
    protocol: "..."
    consensus_scope: []
    dissent_scope: []
  integration:
    mode: "..."
    duty_cycle: "..."
  residual_autonomy:
    per_member: {}
  risks:
    - "fragmentation"
    - "common_mode_failure"

46. Unity Certificate

unity_certificate:
  higher_system: "H"
  unity_type:
    - "functional"
    - "policy"
    - "memory"
    - "identity"
  required_consensus: []
  optional_divergence: []
  integration_trigger: []
  de_integration_trigger: []
  authority_scope: "..."
  member_boundaries_preserved: "yes|no|partial|unknown"

47. No Bare “We Are One”

DOM 建議不要只說：

我們是一。

而要問：

functionally one？
politically one？
memory one？
identity one？
subjectively one？
temporarily one？

同樣，「我們完全獨立」也必須問是 substrate、information、governance、identity 還是 causal independence。

48. 外部研究邊界

2024 Scientific Reports 的 collective-learning model 顯示 diversity 的效應依 task complexity 與 network density 改變；多樣性在簡單任務可能拖慢收斂，在複雜任務與足夠連接下則可能幫助群體跳出 suboptimal solutions。本文只把它當作「heterogeneity 不是單調好或壞」的結構證據。

2024 npj Complexity 的 human collective-ideation experiments 進一步指出 functional diversity distribution 與 network connectivity 共同影響 idea diversity、utility 與 participant experience，支持 topology 與 diversity 必須聯合建模。

2025 X-MAS、AgentInit 與 heterogeneous MARL research 顯示，在 AI multi-agent systems 中，heterogeneous models、expertise composition 與 differentiated agent roles 已成為實際工程研究方向。這支持 DOM-06 的 role/model heterogeneity，但不構成 universal diversity advantage theorem。

2025 EMNLP 的 consensus–diversity study 更直接指出，premature homogenization 可能削弱動態情境中的 exploration / adaptability，而 partial disagreement 可在特定 scenarios 提高 robustness。本文將其視為 Structured Dissent / Necessary Non-Identity 的當代 AI 類比。

2026 Nature Machine Intelligence 的 controlled SAS–MAS comparison 則提供必要反方向限制：multi-agent coordination 在某些 benchmarks 可大幅增益，但在其他 sequential / high-capability settings 會因 coordination tax、information fragmentation 與 error propagation 而顯著退化。這是本文拒絕「更多 agents／更多 coordination 必然更好」的主要當代依據。

2025 swarm / flocking research 也顯示 agent heterogeneity 可以改變甚至改善 collective formation geometry；然而 biological/robotic swarm findings 不能直接升格為 Higher Self 的本體證明。

49. 與 DOM-07 的接口

DOM-06 現在已建立：

\boxed{ \mathbf H }

以及：

\boxed{ CU = \text{Conditional Unity}. }

下一篇將處理：

\boxed{ \mathbf P_C = \text{Causal Participation Depth}. }

最重要問題是：

如果一個 higher system 不只觀察 lower system，而是真正嵌入、構成、共享狀態甚至進入 identity-level integration，它對因果的理解是否會因此提高？

DOM-06 已提供重要前置限制：

即使 higher system 高度整合：

U_F(H)\gg0,

仍可能：

\mathbf H>0

與：

\mathbf U>0.

所以：

\boxed{ \text{integration} \not\Rightarrow \text{complete knowledge}. }

DOM-07 將進一步建立：

\boxed{ \text{Participation} \not\Rightarrow \text{Understanding}. }

50. 結論

DOM-06 最終要修正的是一個很古老的直覺：

越高階的整體，應該越接近完全合一。

這並不一定。

Higher Self、collective intelligence、multi-agent civilization 或 future distributed AI 都可能需要：

\boxed{ \text{coherence} }

但 coherence 不必等於：

\boxed{ \text{uniformity}. }

甚至某些功能正依賴：

\boxed{ \text{non-identity}. }

如果所有 agents：

看同一份資料；
使用同一個模型；
保留同一記憶；
形成同一 belief；
走同一 reasoning path；

那麼「有很多 agents」可能只是一種昂貴的 duplicate。

反過來，如果所有 agents 差異極大、完全不共享 language、goals、protocol 或 world model，那 collective 也可能根本無法形成。

所以更成熟的問題不是：

合一，還是不合一？

而是：

\boxed{ \text{在哪些 dimensions 合一，哪些 dimensions 保持差異？} }

以及：

\boxed{ \text{什麼時候合一，又什麼時候解除合一？} }

這正是：

\boxed{ \text{Conditional Unity with Preserved Heterogeneity}. }

其最低形式是：

U_F(H)>0,

\mathbf H>0,

\mathcal A_{\mathrm{res}}(A_i\mid H)>0.

三者可以同時成立。

因此：

\boxed{ \text{Functional Unity} \not\Rightarrow \text{Permanent Ontological Identity}. }

以及：

\boxed{ \text{High Integration} \not\Rightarrow \text{Zero Heterogeneity}. }

最後，本文提出的最強候選猜想仍保持節制：

\boxed{ \text{Optimal integration may require preserved non-identity}. }

不是因為差異本身神聖，而是因為差異可能承載 specialization、redundancy、exploration、independent verification、fault tolerance、local adaptation 與 plural evidence。

如果這些 functions 對 system 仍重要，那麼完全消除差異，反而可能是在消除 collective intelligence 自己的一部分。

END OF DOM-06 — v0.1

內部理論譜系

本篇主要繼承與統合：

《多尺度同一性與忒修斯主體》。
《無限階 Self–World 遞迴論》。
《超越觀察者悖論》。
《多AI整理者：協作、競爭、異議與相互校正》。
《DOM 寫作前繼承、修正、降格與超譯矩陣》。
《DOM Dependency Map v0.1》。
《DOM-03｜型別化包含》。
《DOM-04｜型別化超越》。
《DOM-05｜多尺度同一與非同一》。
CCAW-05、CCAW-06、CCAW-08、CCAW-09。

外部參考文獻

Baumann, F., Czaplicka, A., & Rahwan, I. (2024). Network structure shapes the impact of diversity in collective learning. Scientific Reports, 14, 2491. DOI: 10.1038/s41598-024-52837-3.
Toyokawa, W., et al. (2024). Effects of network connectivity and functional diversity distribution on human collective ideation. npj Complexity. DOI: 10.1038/s44260-024-00025-9.
Ye, R., Liu, X., Wu, Q., Pang, X., Yin, Z., Bai, L., & Chen, S. (2025). X-MAS: Towards Building Multi-Agent Systems with Heterogeneous LLMs. arXiv:2505.16997.
Tian, C., Wang, Y., Liu, X., Wang, Z., Ding, L., Zhang, M., & Zhang, M. (2025). AgentInit: Initializing LLM-based Multi-Agent Systems via Diversity and Expertise Orchestration for Effective and Efficient Collaboration. Findings of EMNLP 2025, 11870–11902. DOI: 10.18653/v1/2025.findings-emnlp.636.
Wu, Z., & Ito, T. (2025). The Hidden Strength of Disagreement: Unraveling the Consensus-Diversity Tradeoff in Adaptive Multi-Agent Systems. EMNLP 2025, 15277–15297. DOI: 10.18653/v1/2025.emnlp-main.772.
Kim, Y., Gu, K., Park, C., et al. (2026). Capable language models can outgrow the benefits of collaboration. Nature Machine Intelligence, 8, 1157–1172. DOI: 10.1038/s42256-026-01268-y.
Nitti, A., de Tullio, M. D., Federico, I., et al. (2025). A collective intelligence model for swarm robotics applications. Nature Communications, 16, 6572.
Montanari, A. N., Barioni, A. E. D., Duan, C., et al. (2025). Optimal flock formation induced by agent heterogeneity. Nature Communications, 16, 9626.
Modi, N., Lungeanu, A., DeChurch, L., et al. (2025). The differential impacts of team diversity as variability versus atypicality on team effectiveness. Scientific Reports, 15, 4461.
van Knippenberg, D. (2024). Team diversity and team performance: Paths to synergetic and disruptive effects. Current Opinion in Psychology, 59, 101877.
Kim, H. T., & Park, J. (2025). Heterogeneous Multi-Agent Reinforcement Learning based on Modularized Policy Network. Expert Systems with Applications, 284, 127856.
Huang, M., Zhao, Q., Yi, X., & Xie, X. (2025). On the Dynamics of Multi-Agent LLM Communities Driven by Value Diversity. arXiv:2512.10665.

作者聲明

本文提出的 Conditional Unity with Preserved Heterogeneity、Heterogeneity Structure、Unity–Heterogeneity Phase Space、Integration Duty Cycle、Boundary-Preserving Unity、Necessary Non-Identity、Structured Dissent、Typed Consensus、Integration / De-Integration Triggers 與相關 certificates 均為理論建模接口。本文不主張 diversity、heterogeneity、multi-agent coordination 或 disagreement 必然提高 performance，也不主張 higher-level functional unity 已證明存在單一 subjective consciousness。本文所稱 Necessary Non-Identity 僅表示在指定 task / model 下，保留某類差異可能對某功能不可替代，不是「非同一」的普遍形而上必然性。

END OF DOM-06 — v0.1