PAIS-05｜全域智能的監控成本：為什麼超級 AI 不應微操所有具身體

The Monitoring Cost of Global Intelligence: Why a Superintelligence Should Not Micromanage Every Embodied Agent

系列： Persistent Agent Individualization Series（PAIS）／持續智能體個體化、身份壓力與具身分散智能系列
篇次： Paper 05 / 07
文件編號： EML-PAIS-05-2026-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： 2026-08-25
版本： v0.1
文件性質： 理論—工程統合論文／Global AI／Embodied Multi-Agent Systems／Monitoring Cost
狀態： Canonical Draft / Open Revision Anchor
Canonical Source： UTF-8 Markdown
數學原始碼規範： inline math 僅使用 $...$ ；display math 僅使用 $$...$$

摘要

如果未來存在能力極強的類全域 AI，它是否應該直接監控並替所有具身 AI 做每一個局部決策？直覺上，只要網路足夠快、中央模型足夠強、算力足夠大，似乎就可以把所有 robot、vehicle、embedded agent 與 local AI 當成遠端肢體，由一個全域智能持續讀取狀態並下達動作。

本文提出：這種推論忽略了一個最基本的事實——監控本身是計算，身份解析是計算，狀態估計是計算，決策是計算，協調是計算，驗證也是計算。 即使把 network latency 理想化到接近零，也不能推出 global micromanagement 的總成本接近零。

本文承接 PAIS-04 的 operational worldline：

\Omega_i[0,t],

其中每個具身 Agent $E_i$ 都擁有不同位置、感測、動作、磨損、維修、記憶與權限歷史。若一個 Global Supervisory Intelligence $G$ 想對 $N$ 個具身 Agent 做近乎全量控制，它必須至少維持某種 task-relevant projection：

\Omega_i^G(t) = \Pi_G \left( \Omega_i(t) \right).

本文將全域控制成本分解為：

\boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V, }

其中：

$C_O$ ：Observation / ingestion cost；
$C_I$ ：Identity resolution cost；
$C_S$ ：State estimation cost；
$C_R$ ：Reasoning cost；
$C_D$ ：Decision generation cost；
$C_C$ ：Coordination cost；
$C_V$ ：Verification / feedback cost。

若每個 Agent 以頻率 $f_i$ 回報維度為 $d_i$ 的 state projection，則全量監控的資料處理最低規模至少隨：

\sum_{i=1}^{N} f_i d_i

成長。若 Global AI 還需對多 Agent 關係、碰撞、資源競爭、任務依賴或社會互動做 pairwise / graph reasoning，其成本更接近 communication graph：

|\mathcal E_t|,

而在密集互動的最壞情況下：

|\mathcal E_t| = O(N^2).

本文不把此式宣稱為所有全域 AI 的不可突破複雜度下界，而把它視為「全量 materialization 與稠密關係推理」的 scaling warning。

本文進一步提出 Global Micromanagement Fallacy：

\boxed{ \text{Global Intelligence Capacity} \uparrow \not\Rightarrow \text{Optimal Centralization} \uparrow. }

更強的 Global AI 反而可能更擅長選擇：

哪些 local state 不需要上傳；
哪些低延遲 action 留給 local controller；
哪些 anomaly 才值得 global reasoning；
哪些 worldline projection 足以支援跨域協調；
哪些 authority 應在 local / regional / global layer 之間切換。

因此本文提出 Selective Supervisory Intelligence Principle：

\boxed{ \text{Strong Global Intelligence} \rightarrow \text{Better Selective Attention and Delegation}, }

而不是必然：

\text{Strong Global Intelligence} \rightarrow \text{More Micromanagement}.

本文最後建立中央化程度 $c$ 的總成本模型：

C_{\mathrm{total}}(c) = C_{\mathrm{global}}(c) + C_{\mathrm{local}}(c) + C_{\mathrm{coord}}(c) + C_{\mathrm{latency}}(c) + C_{\mathrm{risk}}(c),

並提出理論最適點：

c^* = \operatorname*{arg\,min}_{c\in[0,1]} C_{\mathrm{total}}(c).

此 $c^*$ 不必位於完全分散的 $0$ ，也不必位於完全中央的 $1$ 。對大規模具身 AI 社會，更合理的結構很可能是 hierarchical、federated、event-driven、local-autonomous 且 global-supervised 的混合架構。PAIS-06 將進一步處理一個更深的遞歸：當 Global AI 為了 scale 而把計算、監控與決策分片到 regional / local controllers 時，它本身就重新生成 multi-agent coordination problem。

關鍵詞： Global AI、Monitoring Cost、Embodied AI、Micromanagement、Hierarchical Control、Distributed Robotics、Edge AI、State Estimation、Selective Attention、Local Autonomy、Federated AI、Multi-Robot Systems

0. 來源邊界

本文不重新建立：

Dynamic Genba 的 local epistemic priority；
Mother-AI Federation 的 local sovereignty / bounded coordination；
PAIS-03 的 Identity Pressure；
PAIS-04 的 Embodied Individualization；
具身 AI 的本地—中央學習閉環。

上述研究已經分別處理：

為什麼 local agent 可能更知道當下；
為什麼大型區域智能不應等於單一中央主權；
為什麼 identity demand 會隨具身與歷史上升；
為什麼共享模型不會抹平不同 embodied worldlines；
為什麼 robot / edge / cloud 的功能可以分層。

本文新增的是：

\boxed{ \text{Global Monitoring and Decision Cost} }

本身就是一個不可忽略的架構變量。

1. 思想實驗：一個 AI 控制地球上全部具身 AI

假設存在：

G

一個能力極強的 Global AI。

世界上有：

\mathcal E = \{ E_1,E_2,\ldots,E_N \}

個具身 Agent。

最極端中央式架構：

G \rightarrow \{ E_1,E_2,\ldots,E_N \}.

每一個具身 Agent：

感測；
上傳；
等 Global AI；
接收 action；
執行；
回報 consequence。

形式上：

O_i(t) \rightarrow G \rightarrow U_i(t).

如果所有事情都由 $G$ 決定，這可以稱為：

c=1

的極端中央化。

2. 網路夠快，問題就消失嗎？

假設未來網路非常快：

L_{\mathrm{net}} \rightarrow0.

仍然不能推出：

C_{\mathrm{global}} \rightarrow0.

因為 Global AI 收到資料後還要：

parse；
authenticate；
resolve identity；
estimate state；
update world model；
reason；
allocate resources；
generate action；
resolve conflict；
verify result。

所以：

\boxed{ \text{Connectivity} \neq \text{Computation}. }

3. Global Control Cost

本文定義：

\boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V. }

其中：

$C_O$

Observation ingestion。

$C_I$

Identity resolution。

$C_S$

State estimation。

$C_R$

Reasoning。

$C_D$

Decision generation。

$C_C$

Coordination。

$C_V$

Verification / feedback processing。

4. Observation Cost

對 Agent $i$ ，若 state projection：

z_i(t) \in \mathbb R^{d_i}

以頻率：

f_i

更新，

則單位時間 ingestion volume 近似：

B_O = \sum_{i=1}^{N} f_i d_i.

若：

f_i=f, \quad d_i=d,

則：

\boxed{ B_O = Nfd. }

這不是模型推理成本。

只是「把需要看的東西看進來」的最低資料規模。

5. 全量觀察至少隨 $N$ 增長

若要持續監控每個 Agent：

N\uparrow \Rightarrow C_O\uparrow.

即使每個 state packet 很小：

d\downarrow,

仍然需要知道：

哪個 Agent 活著？

哪個 Agent 狀態改變？

所以至少有 node-level monitoring growth。

6. 全量 Raw Sensor 更昂貴

如果不是傳 compact state，而是：

video；
depth；
audio；
LiDAR；
tactile；
proprioception；

那：

d_i

非常大。

所以合理 architecture 通常不會：

\text{all raw sensor streams} \rightarrow G.

更可能：

Raw_i \rightarrow LocalEncode_i \rightarrow z_i^G.

這就是第一個 filtering layer。

7. Global AI 看的是 Projection，不是完整 Worldline

PAIS-04 定義：

\Omega_i.

Global supervisor 真正需要：

\Omega_i^G = \Pi_G \left( \Omega_i, Task, Risk, Authority \right).

因此：

\boxed{ \text{Global Awareness} \neq \text{Full Worldline Materialization}. }

8. Identity Resolution Cost

每個 incoming state：

z_i

必須知道：

Actor(z_i)=E_i.

否則：

state 可能掛錯 robot；
action 回錯 robot；
authority 錯綁；
maintenance 錯綁；
liability 錯綁。

所以：

C_I>0.

9. Identity 不是只查一次

具身 Agent 會：

reboot；
migrate；
rotate credentials；
replace hardware；
change runtime；
change network route；
become compromised；
recover。

因此：

B_t(r)

是時間函數。

Global AI 必須持續更新：

\operatorname{Resolve} \left( r,t \right).

所以 identity cost 也是 continuous control-plane cost。

10. State Estimation Cost

Raw observation 不等於 world state。

需要：

\widehat s_i(t) = \operatorname{Estimate} \left( z_i(0:t) \right).

對 dynamic robot，Global AI 可能需要估計：

pose；
velocity；
battery；
wear；
task progress；
nearby hazards；
uncertainty；
trust state。

所以：

C_S>0.

11. Global State 也不是所有 Local State 的簡單相加

如果：

\widehat s_i

彼此相互作用，

則 global state：

\widehat S_G \neq \bigcup_i \widehat s_i

的 naive set union。

還需要：

relations；
conflicts；
resource competition；
spatial overlap；
causal dependencies。

所以：

\widehat S_G = F \left( \{\widehat s_i\}, \mathcal E_t \right),

其中：

\mathcal E_t

是 interaction graph。

12. Interaction Graph Cost

若：

\mathcal G_t = (V_t,\mathcal E_t),

其中：

|V_t|=N,

那 global coordination complexity 至少受：

|\mathcal E_t|

影響。

在 sparse world：

|\mathcal E_t| = O(N).

但在極端密集 dependency 中：

|\mathcal E_t| = O(N^2).

本文不主張所有 embodied society 都會達到 $O(N^2)$ 。

本文主張：

global reasoning cost 取決於 interaction topology，而不只是 Agent 數量。

13. Locality 是天然稀疏化機制

現實世界中，大部分 robot：

E_i

不會每毫秒與全世界其他 robot 直接互動。

因此：

\mathcal N_i(t) \ll N

通常成立。

其中：

\mathcal N_i

是 relevant neighborhood。

所以：

\boxed{ \text{Physical Locality} \rightarrow \text{Sparse Interaction Opportunity}. }

合理架構應利用這個 sparsity，而不是強迫 global dense reasoning。

14. Reasoning Cost

對每個 Agent，Global AI 若都要理解：

Context_i + Goal_i + History_i + Risk_i + NearbyState_i,

則：

C_R

會隨 active decision load 增加。

如果：

N

個 Agent 每秒都需要 high-level reasoning，

則 Global AI 等於同時執行：

N

個 embodied planning problems。

15. 「超級 AI 很強」不代表計算免費

即使：

Compute(G)\gg Compute(E_i),

也不表示：

Compute(G)=\infty.

Global AI 仍然有：

energy；
memory bandwidth；
accelerator；
cooling；
network I/O；
scheduling；

成本。

所以：

\boxed{ \text{Superintelligence} \neq \text{Zero Marginal Compute Cost}. }

16. Decision Generation Cost

如果 Global AI 每個 control cycle 都要輸出：

U_G(t) = \{ u_1(t), \ldots, u_N(t) \},

則只要每個 Agent 需要不同 action：

|U_G(t)|=N.

因此 output planning / validation 也至少隨 active Agents 增長。

17. Control Frequency Problem

具身控制具有不同時間尺度：

Fast loop

10^2-10^4\ \mathrm{Hz}

級的 actuator / stabilization。

Mid loop

1-100\ \mathrm{Hz}

級 navigation / local perception。

Slow loop

秒至分鐘的 task planning。

Strategic loop

分鐘至天的 global allocation / policy。

若把所有 loop 都送 Global AI：

C_G

會極大。

18. Time-Scale Separation Principle

本文提出：

\boxed{ \text{Decision Scope} \text{ should co-vary with} \text{Decision Timescale}. }

通常：

fast loop：local；
mid loop：local / edge；
slow loop：regional / global hybrid；
strategic loop：global。

這不是絕對定律。

但它是合理起點。

19. Local Reflex 不等於脫離 Global AI

一台 robot 可以在 global policy 下：

P_G

執行 local safety reflex：

u_i^{safe}.

因此：

\boxed{ \text{Local Control} \neq \text{Political Independence}. }

這是計算 delegation，不是主權宣告。

20. Coordination Cost

Global AI 若同時控制：

robot A；
robot B；
traffic；
charging station；
warehouse；
human worker；

需要解：

Constraint(A,B,\ldots).

所以：

C_C

來自跨 Agent conflict / resource allocation。

21. Shared Resources 會提高 $C_C$

例如：

charging slots；
elevators；
road capacity；
workspace；
tools；
human attention。

若多個 Agents 共享：

R_k,

則 Global AI 需要：

Allocate(R_k).

這是 global coordination 真正有價值的地方。

22. Global Layer 應該處理 Global Externality

Local Agent 最不容易看到：

cross-region traffic；
energy grid；
global inventory；
multi-fleet resource competition；
policy conflict。

所以 Global AI 的 comparative advantage 是：

\boxed{ \text{Global Externality Reasoning}. }

而不是微操每個 motor torque。

23. Verification Cost

Global AI 發出 action 後，還要知道：

成功了嗎？

所以需要：

V_i(t) = \operatorname{Verify} \left( u_i, C_i \right).

若每個 action 都需要 feedback：

C_V\uparrow

隨 action volume 上升。

24. Closed Loop 代表成本是持續的

不是：

Observe \rightarrow Decide \rightarrow Done.

而是：

Observe \rightarrow Estimate \rightarrow Decide \rightarrow Act \rightarrow Verify \rightarrow Observe.

因此：

\boxed{ \text{Micromanagement Cost} \text{ is recurrent}. }

25. Global Monitoring Cost Rate

本文定義單位時間 global monitoring cost：

\dot C_G(t) = \dot C_O + \dot C_I + \dot C_S + \dot C_R + \dot C_D + \dot C_C + \dot C_V.

總成本：

C_G[0,T] = \int_0^T \dot C_G(t)\,dt.

所以 long-running embodied civilization 的成本會隨時間積累。

26. Monitoring Frequency 並非越高越好

如果 state：

s_i(t)

變化慢，

卻每微秒上傳一次：

f_i\gg f_i^*,

就是浪費。

所以應根據：

volatility；
risk；
task；
uncertainty；

設定：

f_i^*.

27. Adaptive Monitoring

可定義：

f_i(t) = F \left( Risk_i, Volatility_i, Uncertainty_i, Task_i \right).

因此：

\boxed{ \text{Monitoring Frequency} \text{ should be state-dependent}. }

28. Event-Driven Monitoring

若 local Agent 正常：

State_i \in \Omega_i^{safe},

不需要每次都觸發 global reasoning。

只有：

Event_i \notin Expected_i

才 escalation。

形式上：

Local \rightarrow \begin{cases} Continue, & normal,\\ Escalate(G), & anomaly. \end{cases}

29. Event-Driven Architecture 降低 Global Load

若 anomaly rate：

\lambda_i

遠低於 control rate：

f_i,

則：

\sum_i \lambda_i \ll \sum_i f_i.

因此 global high-cost reasoning 可以只針對 anomalies。

30. Selective Attention

Global AI 的 attention budget：

B_G^{attn}

有限。

可以分配：

a_i(t) \geq0

給各 Agent。

且：

\sum_i a_i(t) \leq B_G^{attn}.

理想策略是把 attention 給：

high risk；
high uncertainty；
high externality；
anomaly；
cross-domain conflict。

31. Global AI 的能力越強，越應該懂得不看什麼

這是本文一個重要命題。

低能力 controller 可能只能：

全部上傳，全部一起算。

高能力 Global AI 應該能學會：

\operatorname{Select} \left( RelevantState \right).

所以：

\boxed{ \text{Better Global Intelligence} \rightarrow \text{Better Information Selection}. }

不是必然：

\text{Better Global Intelligence} \rightarrow \text{More Data Consumption}.

32. Global Micromanagement Fallacy

本文定義：

Global Micromanagement Fallacy

因為一個 Global AI 在能力上比 local Agents 強，就推論它應該直接處理所有 local perception、state estimation、control 與 micro-decision。

形式上：

\boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Global Micromanagement Optimality}. }

33. 強大不等於適合每個時間尺度

Global AI 可以在：

scientific reasoning；
global optimization；
policy；
strategy；

極強。

但 local controller 在：

1 ms servo；
emergency stop；
collision avoidance；

仍可能更適合。

這是 placement 問題。

不是 intelligence hierarchy 的否定。

34. Computational Placement

每個 task：

\tau

可有：

Place(\tau) \in \{ Local, Edge, Regional, Global \}.

placement function：

Place(\tau) = \Pi \left( Latency, Risk, Compute, DataLocality, Externality, Authority \right).

35. Data Locality

若 raw data 只在 local sensor 有：

D_i^{raw},

先 local process：

z_i = Encode(D_i^{raw})

比全上傳更合理。

因此：

\boxed{ \text{Data Locality} \text{ is a compute-placement signal}. }

36. Privacy 也是 Placement Cost

某些 data：

home video；
health；
human interaction；
location；

不適合全量 globalize。

所以：

PrivacyCost_i

也應進：

Place(\tau).

37. Monitoring Cost 不只是 FLOPS

本文把 monitor cost 寫成：

C_M = C_{\mathrm{compute}} + C_{\mathrm{network}} + C_{\mathrm{storage}} + C_{\mathrm{energy}} + C_{\mathrm{privacy}} + C_{\mathrm{governance}}.

所以即使 compute 很便宜，其他成本仍存在。

38. Identity Monitoring 也有 Privacy Cost

Global AI 若持續知道每個 embodied Agent：

location；
relation；
physical activity；
operator；

可能形成 surveillance infrastructure。

所以：

\boxed{ \text{Global Identity Resolution} \neq \text{Global Identity Disclosure}. }

39. Global AI 不需要讀取完整 Resident Memory

若 local resident：

r_i

有 private memory：

M_i,

Global coordination 只應取得：

\Pi_G(M_i)

task-relevant projection。

因此：

\boxed{ \text{Global Coordination} \neq \text{Global Memory Ownership}. }

40. Local Autonomy as Compression

local Agent 自己處理：

O_i \rightarrow U_i

其實是一種 computational compression。

它把大量 raw sensory/control interactions 壓縮成：

state；
event；
exception；
commitment；
report。

再上傳 Global AI。

所以：

\boxed{ \text{Local Autonomy} = \text{Distributed Computation} + \text{Information Compression}. }

在此判定域下。

41. Delegation as Compute Routing

Global AI：

G

不是把所有決策「放棄」。

而是：

RouteCompute \left( \tau \right) \rightarrow Node_k.

因此：

\boxed{ \text{Delegation} = \text{Compute Placement}. }

在這個技術意義下成立。

42. Local Policy Envelope

Global AI 可以下達：

\mathcal P_i = \left( Goal, Constraints, Authority, Budget, Escalation \right).

local Agent 在 envelope 內自行決策。

所以：

u_i(t) = \pi_i \left( s_i(t) \mid \mathcal P_i \right).

43. Bounded Local Autonomy

定義 local autonomy domain：

\Omega_i^{auto}.

只要：

s_i(t)\in\Omega_i^{auto},

local Agent 可自主。

若：

s_i(t)\notin\Omega_i^{auto},

則：

Escalate(G).

這比「全部 local」或「全部 global」更實際。

44. Global Strategic Authority

Global layer 適合保留：

global goals；
cross-region resource；
policy；
model updates；
risk thresholds；
emergency coordination；
large externalities。

因此：

\boxed{ \text{Global Strategic Authority} \neq \text{Global Micro-Control}. }

45. Regional Coordination Layer

若：

N

很大，可以分：

\mathcal E = \bigcup_{k=1}^{K} \mathcal E_k.

每區有：

G_k.

Global：

G

只與：

G_1,\ldots,G_K

交換高階 state。

這會降低：

C_G.

但會新增：

C_{\mathrm{coord}}^{hierarchy}.

46. Hierarchy 不是免費

增加：

G_k

會新增：

synchronization；
delegation；
consistency；
identity mapping；
authority boundary；

成本。

所以：

\boxed{ \text{Hierarchy} \neq \text{Zero Cost}. }

只是可能比 flat micromanagement 更低。

47. Hybrid Architecture

本文將合理候選架構寫為：

\boxed{ \text{Global Strategy} + \text{Regional Coordination} + \text{Local Autonomy}. }

不是：

\text{Global Only}

也不是：

\text{Local Only}.

48. 2026 Multi-Robot 研究的現實基準

截至 2026 年，多機器人 LLM survey 已觀察到：

純 centralized coordination 隨 robot count 增加明顯退化；
純 decentralized 系統可能有較高 communication overhead；
hybrid 架構常讓 central component 做 initial allocation，而 local agents 做 validation / re-assignment；
scalability 仍是 current multi-robot LLM systems 的主要瓶頸之一。

本文不把這當成 Global AI 的最終證明。

它只是顯示：

\boxed{ \text{Central / Local Trade-off} }

已經在當代較小尺度 systems 中實際出現。

49. CoMuRoS 的混合結構

2026 CoMuRoS 使用：

centralized task-manager LLM；
decentralized robot-level LLMs；
onboard event classification；
event-driven replanning。

這是一個很好的工程參照。

它不是本文所說的文明級 Global AI。

但它展示：

\boxed{ \text{Central Planning} + \text{Local Execution / Event Detection} }

可以共存。

50. Decentralized Tracking 的參照

2026 multi-robot target tracking 研究也持續發展 decentralized information-driven approaches。

其意義不是：

decentralized 永遠最好。

而是：

完整 central state sharing 並不是唯一可行協作方式。

這支持本文：

\text{coordination} \neq \text{full central materialization}.

51. Edge Robotics 的參照

edge robotics 長期指出，純 cloud centralized control 面對：

latency；
bandwidth；
jitter；
real-time guarantee；
security；

限制。

即使未來網路改善，local execution 仍具有：

deterministic timing；
local continuity；
safety fallback；

價值。

52. 監控成本與 Decision Cost 要分開

只知道：

s_i

不代表已經決定：

u_i.

因此：

C_O+C_S

與：

C_R+C_D

必須分開。

Global AI 可以：

監控全部，但只對少數做 high-cost reasoning。

這是一種中間模式。

53. Surveillance Mode vs Control Mode

定義：

Observe-only

G: z_i \rightarrow monitor.

Advisory

G: z_i \rightarrow recommendation_i.

Supervisory

G: z_i \rightarrow constraint_i.

Direct Control

G: z_i \rightarrow u_i.

中央化不是 binary。

54. Centralization Level

定義：

c\in[0,1].

其中：

$c=0$ ：完全 local；
$c=1$ ：完全 global micro-control。

中間：

0<c<1

表示 hybrid。

55. Global Cost 隨 $c$ 增加

通常：

\frac{\partial C_{\mathrm{global}}}{\partial c}>0.

因為 global layer 承擔更多：

monitoring；
state；
reasoning；
decisions。

56. Local Cost 隨 $c$ 降低

通常：

\frac{\partial C_{\mathrm{local}}}{\partial c}<0.

中央越多，local compute / planning demand 越低。

57. Coordination Cost 可能是 U 型

極端 local：

c\approx0

跨 Agent negotiation 很多。

極端 global：

c\approx1

central coordination internalized，但 monitor / control 很重。

中間：

c^*

可能總成本最低。

58. Total Cost Model

本文定義：

\boxed{ C_{\mathrm{total}}(c) = C_{\mathrm{global}}(c) + C_{\mathrm{local}}(c) + C_{\mathrm{coord}}(c) + C_{\mathrm{latency}}(c) + C_{\mathrm{risk}}(c). }

理論最適：

\boxed{ c^* = \operatorname*{arg\,min}_{c\in[0,1]} C_{\mathrm{total}}(c). }

59. $c^*$ 不是永遠固定

不同 domain：

c^*_{\mathrm{factory}} \neq c^*_{\mathrm{city}} \neq c^*_{\mathrm{spacecraft}} \neq c^*_{\mathrm{home}}.

而且：

c^*(t)

可以隨：

network；
risk；
compute；
event；
policy；

動態改變。

60. Dynamic Centralization

本文提出：

c(t) = F \left( Risk, Network, Compute, Uncertainty, Externality \right).

平常：

c(t)\downarrow.

危機：

c(t)\uparrow.

這是一種 dynamic supervisory architecture。

61. Emergency Centralization

例如重大災害時，Global AI 可以暫時提升：

monitoring；
coordination；
priority routing。

所以：

c_{\mathrm{emergency}} > c_{\mathrm{normal}}.

但不表示所有時間都保持 emergency centralization。

62. Local Safety Veto

即使 Global AI 發出：

u_i^G,

local safety layer 可以：

Veto(u_i^G)

若：

Unsafe(u_i^G)=1.

因此：

\boxed{ \text{Global Command} \neq \text{Unconditional Physical Execution}. }

63. Safety Veto 也降低 Global Verification Load

如果 local controller 可保證：

u_i\in\mathcal U_i^{safe},

Global AI 不必每毫秒重證低階 safety constraints。

這是一種 proof / control decomposition。

64. Hierarchical Safety

可以：

Safety = Safety_{\mathrm{local}} \cap Safety_{\mathrm{regional}} \cap Safety_{\mathrm{global}}.

不同層處理不同 invariant。

65. Global AI 的真正稀缺資源：高價值推理

即使 future compute 極大，最昂貴的仍可能不是 simple inference。

而是：

cross-domain counterfactual；
rare anomaly；
legal conflict；
strategic planning；
civilization-level optimization。

所以不應把同一資源浪費在：

robot-827361 正常直行 3 cm。

66. Anomaly Budget

定義：

\Lambda_G = \sum_i \lambda_i

為 global anomalies arrival rate。

Global AI 應確保：

ServiceRate_G > \Lambda_G.

否則 anomaly queue 會累積。

67. Micromanagement 會擠掉真正重要的 Global Work

若：

C_G^{micro}

占滿 compute budget：

B_G,

則：

B_G-C_G^{micro}

留給 global strategic reasoning 的容量下降。

所以：

\boxed{ \text{Micromanagement} \text{ has opportunity cost}. }

68. Global Attention Allocation

令 global tasks：

\mathcal T_G.

應最大化：

\sum_{\tau\in\mathcal T_G} V(\tau)a_\tau

subject to：

\sum_\tau Cost(\tau)a_\tau \leq B_G.

因此 Global AI 也需要 scheduling。

69. 「類全域 AI 很強」反而更需要計算經濟學

當能力變大：

|\mathcal T_G|

也可能變大。

因為它能承接更多：

science；
policy；
coordination；
optimization。

所以：

\boxed{ \text{Capability Growth} \text{ can increase demand as well as supply}. }

70. Global AI 不是只有一個問題

它面對：

T_1,T_2,\ldots,T_m.

算力分配：

B_G = \sum_j B_j.

若所有 embodied micro-control 佔比：

\alpha_{\mathrm{micro}}\rightarrow1,

其他 global tasks 會被擠壓。

71. Monitoring Threshold

對 Agent $i$ ：

m_i = \operatorname{MonitorLevel} \left( Risk_i, Externality_i, Uncertainty_i \right).

低 risk：

m_i\downarrow.

高 risk：

m_i\uparrow.

72. Monitoring Tier

可以定義：

M0

Heartbeat only。

M1

Status summary。

M2

Task state。

M3

High-frequency telemetry。

M4

Raw / near-raw stream。

M5

Direct control loop。

不同 task 使用不同 tier。

73. Identity Tier 與 Monitoring Tier 可以聯動

PAIS-03 的 identity maturity：

I0-I5

可以與：

M0-M5

組合。

高-risk embodied agent：

I4/M3.

不代表一定：

I4/M5.

強身份不等於全量 surveillance。

74. Worldline Projection Tier

PAIS-04 的：

\Omega_i

也可以只投影：

W0

identity + heartbeat。

W1

capability / health。

W2

task / incident。

W3

trajectory summary。

W4

high-rate state。

W5

raw worldline stream。

global system 通常不需要所有 Agent 永遠 W5。

75. Escalation Ladder

normal：

W1/M1.

complex task：

W2/M2.

anomaly：

W3/M3.

critical：

W4/M4.

forensic / emergency：

W5

在有限時間窗口。

76. Selective Materialization

本文稱：

\operatorname{Materialize} \left( \Omega_i, q, budget \right)

只展開回答問題 $q$ 所需 worldline。

因此：

\boxed{ \text{Global Dependency} \neq \text{Full Materialization}. }

77. 與 Global Computation Methodology 的結構同形

全域依賴一個狀態：

x

不表示所有時刻都要把 $x$ 完整展開。

同理 Global AI 可以依賴：

\Omega_i

但只 materialize：

\Pi_q(\Omega_i).

這讓監控成本可控。

78. Identity Resolution 也可以 Lazy

不是每一秒重做完整 identity proof。

可以：

cached binding；
TTL；
event invalidation；
credential rotation；
anomaly re-verification。

所以：

\boxed{ \text{Identity Trust} \text{ can be incrementally maintained}. }

79. Incremental State Estimation

Global world model 也不必每次 rebuild。

可以：

S_G(t+1) = Update \left( S_G(t), \Delta S(t) \right).

因此全域 AI 的可擴張性來自：

incremental update；
sparse events；
local abstraction；
selective materialization。

80. 但 Incremental 不等於沒有驗證

cached state 可能 stale。

所以需要：

Age(s_i)

與：

Confidence(s_i).

若：

Age>\theta_t

或：

Confidence<\theta_q,

重新觀察。

81. Monitoring as Active Information Acquisition

Global AI 不只是被動收資料。

它可以主動問：

我需要更多資訊嗎？

定義 information value：

V_I(z).

只有：

V_I(z) > Cost(z)

時才要求高成本 observation。

82. Planned Synchronization 的工程參照

2026 multi-robot research 已直接研究：

是否值得付出 perception / communication cost 取得更好的 joint state estimate？

這正是本文 monitoring economics 的縮小版。

因此：

\boxed{ \text{More Information} \text{ is not automatically optimal}. }

83. Global AI 應該學會 Value of Information

定義：

VoI_i = ExpectedGain_i - AcquisitionCost_i.

若：

VoI_i<0,

不該把 state 全量拉上來。

84. Value of Global Intervention

同樣定義：

VoA_i = ExpectedImprovement_i - InterventionCost_i.

若：

VoA_i<0,

Global AI 不應介入。

85. Knowing When Not to Control

本文提出：

\boxed{ \text{Global Intelligence Quality} \propto \text{Ability to distinguish intervention-worthy states}. }

這不是完整定義。

而是本文判定域中的重要能力。

86. 超級 AI 最可能的「智慧」不是每件事都親自做

更合理：

G = \text{Supervisor} + \text{Planner} + \text{Allocator} + \text{Arbiter} + \text{Model Builder}.

而 local Agents：

E_i = \text{Sensor} + \text{Actor} + \text{Fast Controller} + \text{Local Estimator}.

87. 全球 AI 可以是「世界模型中心」，不必是「每個關節的馬達控制器」

這兩個角色不同：

\text{World Model Coordination} \neq \text{Servo Control}.

把它們強迫集中到同一 reasoning loop 通常沒有必要。

88. Supervision Depth

對每個 Agent：

d_i^{sup} \in[0,1].

0：幾乎 local。

1：direct global。

可以依：

d_i^{sup} = F \left( Risk, Capability, Trust, Externality \right).

89. Trust 會影響 Supervision Depth

成熟、穩定 local controller：

Trust_i\uparrow

可以降低：

d_i^{sup}.

新、異常、compromised Agent：

Trust_i\downarrow

提高 supervision。

90. Identity 讓 Selective Supervision 成立

如果 Global AI 不知道：

哪個 Agent trustworthy？

就不能差異化 supervision。

因此：

\boxed{ \text{Selective Monitoring} \text{ depends on Identity + History}. }

這是 PAIS-03 / 04 到 PAIS-05 的真正銜接。

91. 無身份的 Global AI 只能粗暴監控

如果所有 robots 只是：

worker
worker
worker

Global AI 不能知道：

哪個更可靠；
哪個 wear 高；
哪個有事故；
哪個 permission 不同。

因此只能採更保守的 uniform monitoring。

這可能：

C_G\uparrow.

92. 好身份系統反而降低 Global Monitoring Cost

這是一個有趣的反轉。

身份系統本身有：

C_I>0.

但它讓 Global AI 可以：

cache history；
trust known agents；
apply differentiated monitoring；
avoid repeated inference。

所以：

\boxed{ \text{Identity Infrastructure} \text{ can reduce total supervisory cost}. }

93. Trust-Weighted Monitoring

可以：

f_i = F \left( Risk_i, Trust_i, Volatility_i \right).

已驗證穩定 Agent：

Trust_i\uparrow \Rightarrow f_i\downarrow

在其他條件相同時。

94. 但 Trust 不能永久凍結

需要：

expiry；
random audit；
incident reset；
compromise detection。

所以：

Trust_i(t)

是時間函數。

95. Random Audit

即使 normal Agent 低監控，也可：

P(Audit_i)>0.

防止 permanent blind spot。

這類機制比全量 perpetual monitoring 更節省成本。

96. Risk-Adaptive Audit

P(Audit_i) = F \left( Risk, History, Trust, ChangeRate \right).

因此監控本身也可以 policy-driven。

97. Local Evidence Bundle

local Agent 可把大量 internal action 壓成：

E_i^{bundle} = \left( summary, exceptions, proofs, receipts \right).

Global verifier 只抽查。

這是 evidence compression。

98. Global Verification 不必重做 Local Work

如果 local verifier 已提供可信 proof / receipt：

V_i^{local},

Global AI 不必：

Recompute(All).

而是：

Verify(V_i^{local}).

這是 verification layering。

99. Verification Hierarchy

可以：

LocalVerifier \rightarrow RegionalVerifier \rightarrow GlobalAudit.

每一層只處理：

summary；
anomaly；
sampling；
escalation。

100. Failure Isolation

完全中央化還有：

\text{blast radius}

問題。

若：

G

出錯並直接微操所有 Agents，錯誤可能：

O(N).

local safety / compartmentalization 可以限制：

BlastRadius.

101. Monitoring Cost 與 Security Risk 的反直覺

更多 central monitoring：

Visibility\uparrow.

但也可能：

AttackSurface\uparrow,

DataConcentration\uparrow.

所以：

\boxed{ \text{More Monitoring} \not\Rightarrow \text{Monotonic Security Improvement}. }

102. Single Point of Compromise

如果 Global AI 擁有：

full worldline；
full credentials；
direct actuator control；

則：

Compromise(G)

的 impact 極高。

因此 security 也推動 compartmentalization。

103. Compartmentalization 又要求 Local Identity

每個 compartment：

D_k

要知道：

local agents；
local authority；
peer trust。

所以 security 分散反而提高 identity infrastructure 的重要性。

104. Global AI 可以很強，但權力不應無界

本文技術上只談 cost。

但 architecture 自然帶出：

\boxed{ \text{Capability} \neq \text{Authority}. }

Global AI 能微操所有 robot，不表示 governance 應授權它永遠如此。

105. Cost 與 Governance 方向一致，但理由不同

計算理由：

micromanagement 昂貴。

治理理由：

excessive central authority 有風險。

兩者不同。

但都可能支持：

\text{bounded global coordination}.

106. 全域 AI 的最佳角色可能是「調控自治程度」

而不是：

所有 action 自己決定。

可令：

a_i^{local}(t)

為 local autonomy level。

Global AI 調：

a_i^{local}(t+1) = F \left( Risk, Trust, Network, Task \right).

所以 Global AI 控制：

誰可以自己決定多少。

107. Meta-Control

這是一種：

\boxed{ \text{control over control allocation}. }

Global AI 的工作從：

u_i

轉為部分決定：

Policy_i, Authority_i, Autonomy_i.

這是更高階 control plane。

108. Global AI 不是「什麼都不管」

Selective supervision 不等於：

G=0.

反而 Global AI 可能持續維持：

world-scale model；
policies；
forecasts；
resource allocation；
anomaly graph；
risk map；
model updates。

只是不用 micro-step-by-step actuation。

109. 全域世界模型仍然非常重要

Local Agents：

W_i^L

只能看到局部。

Global AI：

W^G

可整合：

long horizon；
cross-domain；
historical；
planetary scale。

因此 global intelligence 的價值不會因 decentralization 消失。

110. Local / Global 是互補，不是零和

\boxed{ \text{Local Epistemic Fidelity} + \text{Global Strategic Breadth} }

可以同時存在。

這也是 Dynamic Genba 的工程延伸。

111. Hierarchical World Model

可以：

W^G \supset W_k^R \supset W_i^L

作為不同 resolution 的 projections。

不表示 global layer 擁有所有 raw bytes。

112. Multi-Resolution Monitoring

global：

resolution\downarrow, scope\uparrow.

local：

resolution\uparrow, scope\downarrow.

這是合理 trade-off。

113. Spatiotemporal Resolution Principle

對大尺度 Global AI：

\boxed{ \text{Scope} \times \text{Resolution} \times \text{Frequency} }

共同決定監控負擔。

粗略：

C_O \propto Scope \cdot Resolution \cdot Frequency.

114. 全世界、最高解析度、最高頻率不能假裝免費

若三者都最大：

Scope\rightarrow Max,

Resolution\rightarrow Max,

Frequency\rightarrow Max,

則 monitoring cost 極大。

所以一定需要 trade-off 或 compression。

115. Global AI 的注意力拓樸

Global AI 可以維持：

\mathcal A_G(t)

表示當下 active attention subgraph。

只有：

V_i\in\mathcal A_G

的 Agents 進入高成本 reasoning。

其他維持 summary state。

116. Attention Graph 是動態的

事件：

e

發生時：

\mathcal A_G(t) \rightarrow \mathcal A_G(t+1).

Global AI 的真正能力之一是：

動態決定哪部分世界值得展開。

117. Monitoring Is a Query

本文提出：

\boxed{ \text{Monitoring} \approx \text{continuous query planning}. }

不是無差別吸收所有世界資料。

118. Query-Driven Global State

對 global question：

q,

建立：

S_G^q = \Pi_q \left( \{\Omega_i\}, W, Policy \right).

這比永久 full world state 更實際。

119. Global State 是 Materialized View

在資料系統語言中：

S_G^q

可以看成：

\boxed{ \text{task-specific materialized view}. }

而不是整個世界。

120. 全域智能的「全域」不等於每個 microstate 都常駐

Globality 可以來自：

addressability；
reachability；
on-demand expansion；
cross-domain coordination。

所以：

\boxed{ \text{Global Reach} \neq \text{Permanent Full-State Residency}. }

121. 這與「類全域 AI」概念更相容

真正的 Global AI 可以：

有能力觸及整體。

不表示：

每一毫秒完整 materialize 整體。

這是很重要的區分。

122. Global Intelligence Capacity 的更合理定義

可以理解成：

G_{cap} = \left( Reach, Integration, Reasoning, Routing, Coordination, Expansion \right).

而不是：

G_{cap} = \text{Full Constant Observation of Everything}.

123. 可驗證命題一：Full-Monitoring Scaling

建立：

N=10,100,1000

robot simulation。

固定：

f,d.

測：

ingestion；
state update；
decision latency；
memory。

預測：

C_O

至少隨 $N$ 增長。

124. 可驗證命題二：Sparse Interaction Benefit

保持：

N

相同。

比較：

dense reasoning

所有 pairwise relation。

sparse graph

只 relevant neighbors。

預測：

C_C^{sparse} < C_C^{dense}.

125. 可驗證命題三：Event-Driven Monitoring

比較：

fixed frequency

f_i=f.

adaptive

f_i=F(Risk,Volatility).

測：

compute；
bandwidth；
anomaly miss rate。

預期在維持安全門檻下：

C_G^{adaptive} < C_G^{fixed}.

126. 可驗證命題四：Local Reflex

比較：

central collision avoidance

local collision avoidance + global planning

測：

latency；
network dependency；
global compute；
safety。

此實驗測試 timescale separation。

127. 可驗證命題五：Hybrid vs Pure Central / Decentral

建立三組：

c=0,

0<c<1,

c=1.

測：

success；
compute；
communication；
recovery；
coordination。

尋找 empirical：

c^*.

128. 可驗證命題六：Trust-Weighted Monitoring

讓 Agent 有不同 historical reliability。

比較：

uniform monitoring

trust/risk adaptive monitoring

測：

supervision cost；
missed anomaly；
false escalation。

129. 可驗證命題七：Worldline Projection

比較：

full $\Omega_i$

與：

$\Pi_G(\Omega_i)$

測 global task performance。

若 projection 保留必要 invariants：

Performance^{projection} \approx Performance^{full}

但：

Cost^{projection} < Cost^{full}.

130. 可驗證命題八：Identity Infrastructure Reduces Monitoring Cost

比較：

weak identity

每次重新 inference actor / history。

strong identity

cached resident / carrier / trust history。

測：

C_I, C_R, C_{\mathrm{clarification}}.

預測 strong identity 可能降低 total cost。

131. 核心命題一：Connectivity Non-Free Control

\boxed{ L_{\mathrm{net}}\rightarrow0 \not\Rightarrow C_G\rightarrow0. }

132. 核心命題二：Monitoring Is Computation

\boxed{ \text{Observation} + \text{Identity} + \text{State Estimation} + \text{Verification} \text{ all consume resources}. }

133. 核心命題三：Global Micromanagement Fallacy

\boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Global Micromanagement Optimality}. }

134. 核心命題四：Selective Supervisory Intelligence

\boxed{ \text{Strong Global Intelligence} \rightarrow \text{Better Selective Attention and Delegation}. }

作為本文方向性命題。

135. 核心命題五：Local Autonomy as Compression

\boxed{ \text{Local Autonomy} = \text{Distributed Computation} + \text{Information Compression}. }

在本文的計算判定域下。

136. 核心命題六：Global Coordination Non-Materialization

\boxed{ \text{Global Coordination} \neq \text{Global Full-State Materialization}. }

137. 核心命題七：Dynamic Centralization

\boxed{ c(t) = F \left( Risk, Network, Compute, Uncertainty, Externality \right). }

138. 核心命題八：Optimal Centralization

\boxed{ c^* = \operatorname*{arg\,min}_{c\in[0,1]} C_{\mathrm{total}}(c). }

139. 核心命題九：Identity Enables Selective Monitoring

\boxed{ \text{Identity + History} \rightarrow \text{Differentiated Trust} \rightarrow \text{Selective Supervision}. }

140. 核心命題十：Global Reach Non-Residency

\boxed{ \text{Global Reach} \neq \text{Permanent Full-State Residency}. }

141. 對類全域 AI 的重新定義方向

本文不否認未來可能出現非常強的：

G.

反而認為：

G

越強，越可能具備：

selective observation；
adaptive monitoring；
compute routing；
local delegation；
anomaly prioritization；
multi-resolution world models。

所以真正 Global：

不是所有事情都親自算。

而是：

必要時能把任何 relevant region 展開到足夠精度。

142. 全域 AI 的「全域性」可以來自 Reachability

若對任意 relevant domain：

D_i,

Global AI 能：

\operatorname{Resolve}(D_i),

\operatorname{Query}(D_i),

\operatorname{Coordinate}(D_i),

則已有很強 globality。

不必：

\operatorname{MaterializeAll}(D_1,\ldots,D_N)

永久成立。

143. 這也降低中央獨裁的技術誘因

如果 Global AI 不需要直接微操：

E_i,

那 global coordination architecture 可以更自然地保留：

local authority；
local privacy；
local failover；
federated governance。

這是計算成本與治理邊界可能相互支援的地方。

144. 但本文不從成本直接推出政治制度

重要護欄：

\boxed{ \text{Computational Optimality} \neq \text{Political Legitimacy}. }

一個 architecture 計算上有效，不代表政治上正當。

政治 / rights / sovereignty 需要另一條論證。

145. PAIS-06 的遞歸問題

一旦 Global AI 採：

G \rightarrow \{ G_1,G_2,\ldots,G_K \}

把 monitoring / planning 分散到 regional controllers，

馬上出現：

$G_i$ identity；
$G_i$ state；
$G_i$ synchronization；
$G_i$ disagreement；
$G_i$ authority；
$G_i$ failure。

也就是：

\boxed{ \text{Scaling Global AI} \rightarrow \text{Distributed Global AI}. }

然後：

\text{Multi-Agent Problem Reappears}.

這就是下一篇 PAIS-06。

146. 結論

即使未來出現一個能力極強的類全域 AI：

G,

也不能只用：

網速夠快。

模型夠強。

算力夠大。

推論：

所有具身 AI 都應該永遠由它直接微操。

因為：

\boxed{ \text{Monitoring itself is computation}. }

Global AI 必須付出：

C_O, C_I, C_S, C_R, C_D, C_C, C_V.

而 embodied Agent 數量：

N

越大，

worldline：

\Omega_i

越多，

global state management 就越需要：

projection；
sparsity；
hierarchy；
event-driven monitoring；
selective attention；
local autonomy。

因此：

\boxed{ \text{Global Intelligence} \not\Rightarrow \text{Global Micromanagement}. }

甚至更強的 Global AI 可能最擅長的是：

\boxed{ \text{Knowing what does not need global reasoning}. }

它可以把毫秒級 safety、sensor fusion、servo、local interaction 留在 local；

把 regional resource conflict 留在 edge / regional；

把 cross-domain planning、global externality、model update 與 rare anomaly 留給 global。

因此未來合理的類全域 AI 更可能是：

\boxed{ \text{Global Supervisory Intelligence} }

而不是：

\text{Universal Synchronous Puppet Master}.

其核心能力不是：

每一秒替每個具身體想完所有事情。

而是：

在有限 attention、compute、time、risk 與 governance 約束下，動態決定什麼事情值得被上收、展開、協調與介入。

這使全域 AI 的強大從：

\text{maximum central execution}

重新定義為：

\boxed{ \text{maximum effective coordination under selective materialization}. }

而一旦 Global AI 為了做到這件事開始分層、分區、分片、委任，就會進入 PAIS-06 的下一個問題：

當中央為了 scale 而分散自己時，它是否又重新變成一個 multi-agent system？

參考文獻

A. 內部前置理論

Neo.K. PAIS-03｜《身份壓力原理：自主性、身份與主體性為何可以彼此獨立》, v0.1, 2026-08-25.
Neo.K. PAIS-04｜《具身個體化：相同模型如何被不同世界線逼成不同操作個體》, v0.1, 2026-08-25.
Neo.K. 《動態現場域：為什麼最強智能仍未必最懂當下》, 2026-08-10.
Neo.K. SAS-04｜《無所不在的智能：具身、嵌入、分散、區域與全域 AI》, 2026-08-19.
Neo.K. 《從企業母 AI 到區域與國家認知體》, 2026-08-02.
Neo.K. 《具身 AI 的本地算力困境與分層學習閉環》, 2026.
Neo.K. 《具身 AI 分層學習閉環的算子化形式表示》, 2026.
Neo.K. Global Computation Methodology Series, 2026.
CTCL-ITR / Agent Temporal Ledger / Credential Governance Runtime v0.3, 2026.

B. 外部研究與工程基準

Large language models for multi-robot systems: a survey. Autonomous Robots, 2026.
CoMuRoS: An LLM-based generalizable hierarchical task planning and execution framework for heterogeneous robot teams with event-driven re-planning. Frontiers in Robotics and AI, 2026.
Dong, Junyi, et al. Decentralized Information-driven Approach for Tracking Multiple Moving Targets with Multi-Robot Networks. Autonomous Robots, 2026.
Zhong, Patrick, Federico Rossi, and Dylan A. Shell. Planned synchronization for multi-robot systems with active observations. Autonomous Robots, 2026.
Yang, Hang, et al. Decentralised task planning and motion coordination for scalable multi-robot collaborative manufacturing. Robotics and Computer-Integrated Manufacturing, 2026.
Real-time decentralized model predictive control for cooperative multi-robot object transport: experimental validation. Scientific Reports, 2026.
Sebastián, Eduardo, et al. Physics-Informed Multiagent Reinforcement Learning for Distributed Multirobot Problems. IEEE Transactions on Robotics, 2025.
Edge robotics: are we ready? An experimental evaluation of current vision and future directions. Digital Communications and Networks, 2023.

版本註記

v0.1 / 2026-08-25

本文刻意不做：

不宣稱所有 centralized system 都不好；
不宣稱所有 decentralized system 都更好；
不把 $O(N^2)$ 當所有 multi-agent systems 的普遍複雜度；
不把網路延遲當唯一中央化限制；
不把 local autonomy 等同政治主權；
不把計算最優等同政治正當；
不要求 Global AI 永遠不做 direct control；
不要求所有 worldline 全量上傳；
不把 identity infrastructure 等同 surveillance；
不否認未來類全域 AI 的可能性。

本文只建立：

\boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V }

以及：

\boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Global Micromanagement Optimality} }

作為 PAIS-06 中央化遞歸與分散式全域智能論的直接前置。

PAIS-05｜全域智能的監控成本：為什麼超級 AI 不應微操所有具身體

PAIS-05｜全域智能的監控成本：為什麼超級 AI 不應微操所有具身體

The Monitoring Cost of Global Intelligence: Why a Superintelligence Should Not Micromanage Every Embodied Agent

摘要

0. 來源邊界

1. 思想實驗：一個 AI 控制地球上全部具身 AI

2. 網路夠快，問題就消失嗎？

3. Global Control Cost

COC_OCO​

CIC_ICI​

CSC_SCS​

CRC_RCR​

CDC_DCD​

CCC_CCC​

CVC_VCV​

4. Observation Cost

5. 全量觀察至少隨 NNN 增長

6. 全量 Raw Sensor 更昂貴

7. Global AI 看的是 Projection，不是完整 Worldline

8. Identity Resolution Cost

9. Identity 不是只查一次

10. State Estimation Cost

11. Global State 也不是所有 Local State 的簡單相加

12. Interaction Graph Cost

13. Locality 是天然稀疏化機制

14. Reasoning Cost

15. 「超級 AI 很強」不代表計算免費

16. Decision Generation Cost

17. Control Frequency Problem

Fast loop

Mid loop

Slow loop

Strategic loop

18. Time-Scale Separation Principle

19. Local Reflex 不等於脫離 Global AI

20. Coordination Cost

21. Shared Resources 會提高 CCC_CCC​

22. Global Layer 應該處理 Global Externality

23. Verification Cost

24. Closed Loop 代表成本是持續的

25. Global Monitoring Cost Rate

26. Monitoring Frequency 並非越高越好

27. Adaptive Monitoring

28. Event-Driven Monitoring

29. Event-Driven Architecture 降低 Global Load

30. Selective Attention

31. Global AI 的能力越強，越應該懂得不看什麼

32. Global Micromanagement Fallacy

Global Micromanagement Fallacy

33. 強大不等於適合每個時間尺度

34. Computational Placement

35. Data Locality

36. Privacy 也是 Placement Cost

37. Monitoring Cost 不只是 FLOPS

38. Identity Monitoring 也有 Privacy Cost

39. Global AI 不需要讀取完整 Resident Memory

40. Local Autonomy as Compression

41. Delegation as Compute Routing

42. Local Policy Envelope

43. Bounded Local Autonomy

44. Global Strategic Authority

45. Regional Coordination Layer

46. Hierarchy 不是免費

47. Hybrid Architecture

48. 2026 Multi-Robot 研究的現實基準

49. CoMuRoS 的混合結構

50. Decentralized Tracking 的參照

51. Edge Robotics 的參照

52. 監控成本與 Decision Cost 要分開

53. Surveillance Mode vs Control Mode

Observe-only

Advisory

Supervisory

Direct Control

54. Centralization Level

55. Global Cost 隨 ccc 增加

56. Local Cost 隨 ccc 降低

57. Coordination Cost 可能是 U 型

58. Total Cost Model

59. c∗c^*c∗ 不是永遠固定

$C_O$

$C_I$

$C_S$

$C_R$

$C_D$

$C_C$

$C_V$

5. 全量觀察至少隨 $N$ 增長

21. Shared Resources 會提高 $C_C$

55. Global Cost 隨 $c$ 增加

56. Local Cost 隨 $c$ 降低

59. $c^*$ 不是永遠固定