GIRA-A04｜動態關鍵結構與注意力重配置：Global AI 如何知道「現在什麼最重要」

Dynamic Critical Structures and Attention Reallocation: How Global AI Determines What Matters Now

系列： Global Intelligence: Existence, Recognition, and Operational Reach（GIRA）
系列中文名： 全域智能：存在、識別與操作域系列
篇次： Paper 04 / 09
作者： Neo.K
研究協作： Aletheia（GPT-5.6 Sol）
機構： EveMissLab／一言諾科技有限公司
版本： v0.1
日期： 2026-09-05
狀態： Canonical Source / UTF-8 Markdown
文件性質： Global AI 認知資源配置／動態圖／關鍵結構辨識／注意力治理

摘要

GIRA-A03 已提出：

\boxed{ \Delta D_t \neq \Delta W_t }

也就是資訊海新增很多內容，不等於世界狀態真正發生同等程度的變化。若 Global AI 已能把異質資訊經過去重、時態、版本、語義、主張與 provenance 結構轉換為可更新的世界狀態，下一個不可避免的問題便是：

世界很大，而且永遠在變；AI 到底應該把有限認知資源放在哪裡？

本文提出：

\boxed{ \text{Global Cognition} \neq \text{Uniform Attention to Everything}. }

真正的全域智能反而需要持續執行選擇、降權、忽略、重新喚醒與注意力轉移。其核心之一不是「同時看見全部」，而是：

\boxed{ \text{knowing what can safely remain unattended, and what can no longer be ignored}. }

本文拒絕把「關鍵節點」簡化成固定 centrality 排名。對世界圖：

G_t=(V_t,E_t,\omega_t),

一個節點、邊、路徑、cut、依賴集合或狀態變量是否關鍵，必須寫成：

\boxed{ K_t( \kappa \mid q_t, W_t, \pi_t, B_t ), }

其中 $\kappa$ 是候選關鍵結構， $q_t$ 是當前問題， $W_t$ 是世界狀態， $\pi_t$ 是策略／政策上下文， $B_t$ 是認知與行動預算。因此一般而言：

\boxed{ K_t(\kappa) \neq K_{t+1}(\kappa). }

本文提出 Dynamic Criticality Vector：

\boxed{ \mathbf K_t(\kappa) = ( C, B, F, N, R, U, X, A, V )_t }

其中：

$C$ ：connectivity / structural centrality；
$B$ ：betweenness / bridging role；
$F$ ：flow / capacity exposure；
$N$ ：non-substitutability；
$R$ ：systemic risk / cascade potential；
$U$ ：urgency / temporal sensitivity；
$X$ ：cross-domain coupling；
$A$ ：actionability / decision relevance；
$V$ ：value of information。

這些維度不要求永遠壓成單一 scalar。只有在目標、正規化、權重與效用函數明確時，才形成 task-conditioned score。

本文進一步把 attention 視為有限資源。令：

a_t(\kappa)\geq0

為系統對 $\kappa$ 配置的注意力，而總認知預算滿足：

\sum_{\kappa}a_t(\kappa)\leq B_t.

$B_t$ 不只代表 token，而可以是模型推理時間、搜尋、API、程式、模擬、證明器、資料庫 IO、人工審核與風險預留所構成的向量預算。

本文提出 Global Attention Reallocation Loop：

\boxed{ \Delta W_t \rightarrow \text{Candidate Criticality} \rightarrow \text{Propagation Analysis} \rightarrow \text{VOI / Risk Estimation} \rightarrow \text{Attention Allocation} \rightarrow \text{Probe} \rightarrow \text{Verify} \rightarrow W_{t+1}. }

同時引入 attention hysteresis、emergency override、exploration floor 與 anti-salience-hijack 機制，以避免全球資訊系統被高頻新聞、平台熱度、惡意訊號或短期波動劫持。

本文最後提出：Global AI 真正需要辨識的不是「最大公司」「最大節點」或「最熱門事件」，而是：

\boxed{ \text{structures whose state change disproportionately alters the reachable, feasible, risky, or decision-relevant state space of the system}. }

關鍵詞： Global AI、Dynamic Criticality、Attention Reallocation、Critical Node、Chokepoint、Betweenness、Substitutability、Cascading Failure、Value of Information、Attention Budget、Dynamic World State、Frontier、Resource Allocation

1. 有世界模型之後，還差什麼？

A03 已經讓系統從：

D_{\mathrm{raw}}

走到：

W_t.

但 $W_t$ 可以極端龐大。如果 Global AI 對所有狀態維持同樣強度的推理：

a_t(x)=\text{constant} \quad \forall x\in W_t,

計算成本會快速爆炸。

因此：

\boxed{ \text{World Model} \neq \text{Active Cognitive Field}. }

真正需要的是：

\operatorname{Active}_t\subset W_t.

2. 全域智能的悖論：越全域，越不能平均注意

假設世界模型包含 $N$ 個可追蹤狀態物件，每個物件使用固定成本 $c$ ，則：

C_{\mathrm{total}}=Nc.

當：

N\rightarrow\text{very large},

均勻注意策略不可持續。

因此：

\boxed{ \text{Global Reach}\uparrow \Rightarrow \text{Need for Selective Attention}\uparrow. }

3. 選擇性無知

本文定義：

\boxed{ \operatorname{Ignore}_t(x) }

不是永久不知道 $x$ ，而是在目前狀態、任務與風險條件下，不把高成本 active cognition 配置給 $x$ 。

因此：

\boxed{ \text{Ignore} \neq \text{Delete} \neq \text{Forget}. }

4. Key Node 不是 Biggest Node

一個節點 $v$ 的規模很大：

Size(v)\gg0

不能推出：

K(v)\gg0.

大節點可能具有高替代性、大量平行路徑與低時間敏感性；小節點也可能是唯一 bridge、低替代供應或高 cascade potential。

因此：

\boxed{ \text{Size} \neq \text{Criticality}. }

5. Static Centrality 也不等於 Dynamic Criticality

Betweenness centrality 是重要基礎。對簡化靜態圖：

B(v) = \sum_{s\neq v\neq t} \frac{ \sigma_{st}(v) }{ \sigma_{st} },

其中 $\sigma_{st}$ 是 $s$ 到 $t$ 的最短路徑數， $\sigma_{st}(v)$ 是其中經過 $v$ 的路徑數。

但 Global AI 面對：

G_t\neq G_{t+1},

而且容量、政策、風險、替代性與時間延遲都可能改變。

所以：

\boxed{ \text{Centrality}_t \neq \text{Criticality}_t. }

6. 關鍵對象不一定是節點

本文將候選關鍵結構寫成：

\kappa\in\mathcal X_t,

其中：

\mathcal X_t = V_t \cup E_t \cup \mathcal P_t \cup \mathcal C_t \cup \mathcal R_t.

它可以是 node、edge、path、cut、cluster、dependency set、regime 或 state variable。

因此正式研究對象是：

\boxed{ \text{Dynamic Critical Structure}. }

7. Conditional Criticality

定義：

\boxed{ K_t( \kappa \mid q_t, W_t, \pi_t, B_t ). }

因此：

K_t(\kappa\mid q_1) \neq K_t(\kappa\mid q_2).

同一世界中的關鍵性，依問題而變。

8. 問題條件化世界圖

對不同問題 $q$ ，由同一世界狀態投影：

\boxed{ G_t^{(q)} = \Pi_q(W_t). }

所以：

\boxed{ \text{One World State} \rightarrow \text{Many Task-Conditioned Graphs}. }

9. Dynamic Criticality Vector

本文提出：

\boxed{ \mathbf K_t(\kappa) = ( C, B, F, N, R, U, X, A, V )_t. }

這是一個多維描述，而不是先驗單一排行榜。

10. Connectivity $C$

描述 degree、reachability、neighborhood size 與 dependency count。

高 connectivity 可能表示高影響面，但：

C\gg0

不一定表示不可替代。

11. Betweenness $B$

Betweenness 捕捉 bridge / brokerage 性質。

但如果世界具有容量、時間、風險、替代路徑或非最短路徑的重要性，必須擴張。

12. Flow Exposure $F$

若系統存在物流、能源、資金、資訊、計算或人員 flow，則：

F_t(\kappa) = \text{flow mediated or exposed}.

高 flow 中斷可能造成大範圍影響。

13. Chokepoint 與 Cut

Ford–Fulkerson 的 max-flow / min-cut 結構提醒我們：瓶頸可能屬於一個 cut，而不是單一節點。

因此：

\boxed{ \text{Critical Structure} \supset \text{Critical Node}. }

Global AI 應能搜尋：

\operatorname{MinCut}(G_t)

或其他 domain-specific bottleneck set。

14. Non-Substitutability $N$

定義替代性：

S_t(\kappa)\in[0,1].

定義：

\boxed{ N_t(\kappa) = 1-S_t(\kappa). }

若：

N_t(\kappa)\rightarrow1,

代表替代路徑稀少。

15. 替代性可能比規模更關鍵

假設：

Size(a)=100, \quad S(a)=0.95,

而：

Size(b)=30, \quad S(b)=0.05.

在某些系統中：

K(b)>K(a)

完全可能成立。

16. Systemic Risk $R$

若節點狀態變化可以沿依賴網路傳播：

v\rightarrow v_1\rightarrow v_2\rightarrow\cdots,

則：

R_t(\kappa) = \mathbb E[ \text{systemic loss} \mid \Delta\kappa ].

17. Interdependent Networks

現代大型系統常是：

G^{(1)} \leftrightarrow G^{(2)} \leftrightarrow \cdots.

一個網路的 failure 可以透過依賴關係傳播到另一個網路。

因此：

\boxed{ \text{cross-network dependency} }

必須進入 criticality。

18. Cross-Domain Coupling $X$

定義：

X_t(\kappa) = \text{strength of independent domains coupled through }\kappa.

若一個結構同時連接 transport、energy、finance、compute 等多個域，其 cross-domain coupling 可能很高。

19. Urgency $U$

重要不等於緊急。

可寫：

U_t(\kappa) = f( \text{time-to-impact}, \text{reversibility}, \text{decision deadline} ).

若不可逆且時間窗短：

U_t(\kappa)\uparrow.

20. Actionability $A$

某結構可以很重要，但：

A_t(\kappa)\approx0.

例如只能觀察、不能合法介入。

因此：

\boxed{ \text{Importance} \neq \text{Actionability}. }

21. Value of Information $V$

本文使用 decision-theoretic 意義的資訊價值：

\boxed{ V_t(\kappa) = \mathbb E[ U^\ast_{\mathrm{after\ info}} - U^\ast_{\mathrm{before\ info}} ]. }

有些未知很大，但：

V_t\approx0.

不值得現在高成本追查。

22. 不要把九維硬壓成單一真理分數

本文不主張：

K=C+B+F+N+R+U+X+A+V

是普適公式。

更合理是先保留：

\boxed{ \mathbf K_t(\kappa). }

只有任務效用與正規化規則確定後，才形成 task-conditioned score。

23. Task-Conditioned Criticality Score

一個可操作形式：

\boxed{ K_t^\ast(\kappa\mid q_t) = \mathbf w(q_t,W_t)^\top \hat{\mathbf K}_t(\kappa). }

權重 $\mathbf w$ 必須有版本、來源與治理。

24. Criticality Ranking 不是客觀世界事實

如果：

\mathbf w_t

改變，排名也會改。

因此：

\boxed{ \text{Criticality Ranking} \neq \text{Objective World Fact}. }

它是 world state、declared objective 與 method 的聯合結果。

25. Criticality Shock

若：

\Delta W_t

改變依賴結構，則：

\boxed{ \Delta K_t(\kappa) = K_{t+1}(\kappa) - K_t(\kappa). }

當：

|\Delta K_t(\kappa)|>\tau_K,

觸發 attention reallocation。

26. 關鍵性是狀態變量

平常重要的節點可以降權；平常不起眼的節點也可以因災害、罷工、法規、衝突、替代技術或需求突變迅速升權。

因此：

\boxed{ \text{Criticality is a state variable}. }

27. Attention Budget

令：

\mathcal X_t = \{\kappa_1,\ldots,\kappa_n\}.

配置：

a_i(t)\geq0

並滿足：

\boxed{ \sum_i a_i(t)\leq B_t. }

28. 預算是向量

更一般：

\boxed{ \mathbf B_t = ( B_{\mathrm{token}}, B_{\mathrm{compute}}, B_{\mathrm{search}}, B_{\mathrm{tool}}, B_{\mathrm{time}}, B_{\mathrm{human}}, B_{\mathrm{risk}} ). }

不同資源不能完全互換。

29. Attention Allocation Objective

概念上：

\max_{\{a_i\}} \sum_i \phi_i( a_i; K_i^\ast, V_i, R_i ) - C_i(a_i),

其中可要求 diminishing returns：

\phi_i'>0, \quad \phi_i''<0.

30. 不能把全部資源給最高分節點

只做：

\operatorname*{arg\,max}_iK_i

會產生 tunnel vision、unknown blind spot 與 systemic monoculture。

因此需要：

\boxed{ \text{exploration floor}. }

31. Exploration Budget

定義：

B_t = B_t^{\mathrm{exploit}} + B_t^{\mathrm{explore}} + B_t^{\mathrm{reserve}}.

其中：

exploit：追蹤已知高關鍵結構；
explore：抽樣未知或低關注域；
reserve：緊急事件。

32. Selective Ignorance 不能變成永久盲區

若：

a_t(\kappa)\approx0

持續很久，系統仍應保存 revisit condition，例如 periodic audit、state delta trigger、neighbor anomaly 或 external alert。

因此：

\boxed{ \text{Deprioritized} \neq \text{Unmonitored Forever}. }

33. Wake Condition

對 cold state $\kappa$ ，定義：

\operatorname{Wake}_t(\kappa) = \mathbb I[ g( \Delta W_t, N_t(\kappa), R_t(\kappa) ) > \tau ].

當條件成立：

a_{t+1}(\kappa)\uparrow.

34. Attention Hysteresis

如果權重完全跟即時訊號跳動，容易 thrashing。

可以使用：

\boxed{ a_{t+1} = (1-\gamma)a_t + \gamma\hat a_{t+1}, }

其中：

0<\gamma<1.

35. Emergency Override

若：

R_t(\kappa)>\tau_{\mathrm{emergency}}

或：

U_t(\kappa)>\tau_U,

則允許：

\gamma\rightarrow1.

36. Frontier 與 Boundary

DEST 已區分：

\text{Boundary} \neq \text{Frontier}.

Boundary 是域的分界；Frontier 是其中對當前任務具有可跨越性、活動性與預期收益的子集。

本文寫：

\boxed{ F_t^{\mathrm{attn}} \subseteq \partial D_t. }

不是所有邊界都值得立刻探索。

37. Frontier Value

對 boundary candidate $x$ ：

V_F(x) = F( \text{VOI}, \text{reachability}, \text{verification cost}, \text{risk}, \text{expected gain} ).

若：

V_F(x)<\tau,

可暫時留在 boundary。

38. Frontier Lag

若 attention frontier 已向外移動，但 verification frontier 尚未跟上，會產生：

\boxed{ \text{frontier lag}. }

這意味 AI 已開始關注新區域，但對其證據與驗證仍不足。

39. Verification Debt 會反過來改變 Attention

若驗證積欠：

D_V

過高，系統應降低 exploration budget，增加 verification budget。

否則世界模型會累積大量未驗證高階狀態。

40. Attention 不只分給資料

Attention resource 可以分配給 data source、domain、node、claim、method、model、Agent、verifier、simulation 與 human reviewer。

因此：

\boxed{ \text{Attention Allocation} = \text{cognitive resource routing}. }

41. 跨 Method Attention

承接 A02。

若問題 $q$ 接近方法 $m_1$ 的失效邊界：

q\rightarrow\partial U_{m_1},

系統可將注意力轉向：

m_2.

因此：

a_t=a(\kappa,m,O).

42. 多代理共享注意力

既有 MASAF 已提出：

\mathbb S_t \neq \bigcup_i \mathbb W_t^{(i)}.

Global AI 的 shared attention 不應等於把所有 Agent 的工作場全部混合。

43. Agent-Specific Projection

對 Agent $i$ ：

X_{t,\mathrm{shared}}^{(i)} = \rho_i( \mathbb S_t, G_t^{(i)}, P_t^{(i)}, B_t^{(i)} ).

因此：

\boxed{ \text{Global Shared State} \neq \text{Identical Context for All Agents}. }

44. Attention Authority

多代理至少要分離：

\text{Observe} \neq \text{Reveal} \neq \text{Commit} \neq \text{Govern}.

一個 Agent 認為某結構重要，不代表它可以直接提高全系統權威優先度。

45. Attention Capture

外部行動者未必要污染 world state，只要讓系統把大量 $B_t$ 配置到低真實價值區域，就能形成：

\boxed{ \text{Attention Capture}. }

46. Salience 不等於 Criticality

新聞量：

N_{\mathrm{mentions}}(\kappa)

可以很高，但：

K_t^\ast(\kappa)

仍可能很低。

因此：

\boxed{ \text{Salience} \neq \text{Criticality}. }

47. Trending 不等於 State-Changing

A03 已有：

\Delta D_t \neq \Delta W_t.

A04 進一步：

\boxed{ \text{High }\Delta D_t \not\Rightarrow \text{High }K_t. }

48. Anti-Hijack Features

Attention system 應考慮 source independence、event dedup、provenance、novelty、state impact 與 adversarial probability。

若：

\text{mentions}\uparrow

但：

N_W\approx0,

則不應線性增加 attention。

49. Uncertainty 不等於 Priority

高 uncertainty 不一定值得高 attention。

應區分資訊不確定性：

H(\kappa)

與資訊價值：

V_t(\kappa).

可能：

H\gg0, \quad V\approx0.

因此：

\boxed{ \text{Uncertainty} \neq \text{Priority}. }

50. Expected Value of Investigation

定義：

\boxed{ EVI_t(\kappa) = V_t(\kappa) - C_{\mathrm{investigate}}(\kappa). }

若：

EVI_t(\kappa)>0,

才有較強調查理由。

51. Risk-Weighted EVI

高風險情境可使用：

EVI_t^R(\kappa) = V_t(\kappa) + \lambda R_t(\kappa) - C_t(\kappa).

其中 $\lambda$ 是治理條件，不是自然常數。

52. 不可逆性

若延遲決策造成不可逆損失：

L_{\mathrm{irreversible}},

則 urgency 可概念化為：

U_t \propto \frac{ L_{\mathrm{irreversible}} }{ T_{\mathrm{remaining}} }.

53. Criticality Propagation

若：

K_t(v)\uparrow,

高度依賴其狀態的鄰居也可能需要重新評估：

K_{t+1}(u) = \Psi( K_t(u), \Delta K_t(v), E_{uv} ).

因此 attention 不是單點更新。

54. Criticality Wave

對大規模 shock：

\Delta W_t^\ast,

關鍵性可能沿依賴圖傳播：

\kappa_0 \rightarrow \kappa_1 \rightarrow \kappa_2.

Global AI 應估計後續 criticality escalation。

55. 預測性注意力

成熟系統不只反應：

\Delta K_t,

還估計：

\boxed{ \hat K_{t+h}(\kappa). }

因此可以在 bottleneck 正式形成前進行低成本監控。

56. 預測不能升格為事實

若：

\hat K_{t+h}

只是模型推論，仍應保持 $\mathrm{INF}$ 或 $\mathrm{HYP}$ 狀態。

57. Attention 是控制變量

世界狀態更新可以寫成：

W_{t+1} = F( W_t, \Delta D_t, a_t ).

其中 $a_t$ 不是被動結果，而是控制變量。

58. Global Attention Policy

定義：

\boxed{ \pi_A: ( W_t, \Delta W_t, q_t, B_t ) \to a_t. }

這就是 Global Attention Policy。

59. Attention Policy Quality 是獨立能力維度

若 $\pi_A$ 錯誤，AI 即使底層推理很強，也可能忽略 bottleneck、過度追逐 noise 或長期 neglect 某領域。

所以：

\boxed{ \text{Attention Policy Quality} }

本身就是 Global AI 能力。

60. Attention Regret

可定義：

\boxed{ R_A(T) = \sum_{t=1}^{T} [ U(a_t^\ast) - U(a_t) ]. }

其中 $a_t^\ast$ 是事後參考最優 allocation。

61. 避免 Hindsight Bias

不能只因事情後來很大，就宣稱 AI 當初應該知道。

真正評估應基於當時可得資訊：

\mathcal I_t.

因此：

\boxed{ \text{Ex-ante rationality} \neq \text{ex-post omniscience}. }

62. Counterfactual Attention Test

可以問：

如果當時把額外 attention 配給 $\kappa$ ，是否會更早降低風險或提高決策品質？

定義：

\Delta U_{\mathrm{attn}}(\kappa).

這可以用於 attention policy learning。

63. Attention 會反過來改變世界

若：

a_t(\kappa)\uparrow,

可能導致更多資訊、更多行動與更多社會反應。

所以：

\boxed{ \text{Attention} \rightarrow \text{Observation} \rightarrow \text{Action} \rightarrow \text{World}. }

64. Reflexive Criticality

在高度反身性領域：

K_t(\kappa)

可能依賴：

a_t(\kappa).

因此更完整地：

\boxed{ K_t( \kappa \mid W_t, q_t, a_t ). }

65. 關鍵不等於應控制

Criticality 是認知判定。

它不能推出：

\text{Critical} \Rightarrow \text{Control}.

更不能推出：

\text{Critical} \Rightarrow \text{Ownership}.

本文的核心是：

\boxed{ \text{Criticality Detection} \rightarrow \text{Attention / Analysis Priority}. }

66. Action Boundary

即使：

K_t^\ast(\kappa)\gg0,

若：

A_t(\kappa)=0,

系統最多 monitor、analyze、recommend 或 escalate。

因此通常應有：

\boxed{ \text{Attention Domain} \supseteq \text{Action Domain}. }

67. Global Attention Reallocation Loop

本文正式提出：

\boxed{ \Delta W_t \rightarrow \text{Candidate Criticality} \rightarrow \text{Propagation Analysis} \rightarrow \text{VOI / Risk Estimation} \rightarrow \text{Attention Allocation} \rightarrow \text{Probe} \rightarrow \text{Verify} \rightarrow W_{t+1}. }

這是一個閉環。

68. Candidate Criticality

由：

\Delta W_t

產生候選：

\mathcal C_t^K.

不需要每次全圖重算所有結構。

69. Propagation Analysis

對候選 $\kappa$ 搜尋 upstream dependency、downstream dependency、substitute、cut、cross-domain link 與 cascade path。

70. VOI / Risk

估計：

V_t(\kappa), \quad R_t(\kappa), \quad U_t(\kappa).

決定現在值得花多少認知成本。

71. Allocate

計算：

a_t

並保留 exploit、explore 與 reserve。

72. Probe

Probe 可以是 query、search、sensor request、simulation、code execution、expert request 或 Agent delegation。

73. Verify

Probe 得到的新結果不能直接成為 canonical world state，必須回到 A03 的驗證鏈。

74. Update

驗證通過後：

W_t \rightarrow W_{t+1},

再重新計算：

K_{t+1}.

75. Global Attention 是受治理的稀缺資源

MASAF 已指出 token、工具、時間、算力、人類審核與風險資源具有公共資源性。

A04 將它擴張為：

\boxed{ \text{Global AI attention is a governed scarce resource}. }

76. Attention Ledger

可以保存：

attention_allocation:
  object_id: "..."
  time: "..."
  reason:
    criticality_delta: "..."
    value_of_information: "..."
    risk: "..."
    urgency: "..."
  budget:
    compute: "..."
    search: "..."
    human_review: "..."
  policy_version: "..."
  expires_at: "..."
  review_trigger: "..."

注意力本身因此成為可審計狀態。

77. Attention Expiry

高優先級不應永久化。

定義：

T_{\mathrm{attention-expiry}}.

到期後重新評估 $K_t^\ast$ 。

所以：

\boxed{ \text{Priority} \neq \text{Permanent Status}. }

78. Rank Drift

對排名：

r_t(\kappa),

可定義：

\Delta r_t(\kappa) = r_{t+1}(\kappa) - r_t(\kappa).

高 rank drift 本身可以是 attention signal。

79. Rank 不等於完整 Criticality

若只輸出 top- $k$ ，會丟失 score gap、uncertainty、close alternatives 與 long-tail risk。

因此應保留：

\boxed{ \text{distribution of criticality}. }

80. Criticality Uncertainty

定義：

\sigma_K(\kappa).

若 $K^\ast$ 高且 $\sigma_K$ 也高，可能值得增加 Value of Information 分析。

81. False Positive Criticality

若系統頻繁把低價值事件升成高 criticality：

FP_K\uparrow,

會浪費 attention。

需要評估：

\operatorname{Precision}_K.

82. False Negative Criticality

更危險的是：

FN_K.

也就是真正關鍵結構長期被忽略。

因此 Global AI 評測必須測：

\boxed{ \text{critical structure detection quality}. }

83. Criticality Benchmark

測試環境可以建立：

G_0 \rightarrow G_1 \rightarrow \cdots \rightarrow G_T

並注入 hidden bottleneck、substitute failure、cascade、noisy trend 與 adversarial salience。

測試 AI 是否發現、多久發現、attention 是否正確轉移，以及能否從誤判恢復。

84. Attention Recovery

如果誤判：

a_t(\kappa_{\mathrm{wrong}})\gg0,

成熟系統應能：

a_{t+h}(\kappa_{\mathrm{wrong}}) \downarrow.

因此：

\boxed{ \text{Attention Error} \neq \text{Permanent Lock-In}. }

85. Global Attention Elasticity

定義概念量：

\boxed{ E_A = \frac{ \Delta a/a }{ \Delta K/K }. }

過低表示反應遲鈍；過高表示容易 thrashing。合理區間必須 task-dependent。

86. Global Attention Field

可以把全域注意力表示成：

\boxed{ \mathcal A_t: \mathcal X_t \to \mathbb R_{\geq0}. }

這不是 Transformer internal attention，而是跨時間、跨工具、跨 Agent、跨資料庫的外部持久認知資源場。

87. Internal Attention 與 External Attention 必須分開

模型內部 attention：

A_{\mathrm{internal}}

與本文研究的：

A_{\mathrm{external}}(t)

不是同一層。

因此：

\boxed{ A_{\mathrm{internal}} \neq A_{\mathrm{external}}. }

88. 真正稀缺的可能是 Verified Attention

當資料取得成本下降後，真正稀缺的可能逐步變成：

\boxed{ \text{verified attention}. }

也就是能可靠配置、持續維護且不被噪音劫持的認知資源。

89. A03 與 A04 的完整動態鏈

A03：

\Delta D_t \rightarrow \Delta W_t.

A04：

\Delta W_t \rightarrow \Delta K_t \rightarrow \Delta a_t.

所以：

\boxed{ \Delta D_t \rightarrow \Delta W_t \rightarrow \Delta K_t \rightarrow \Delta a_t. }

90. 與 A02 的整合

A02 的 Global Cognitive Atlas 允許多 chart。

A04 補上：

\boxed{ \text{attention can move between charts}. }

不是只在同一世界圖內換節點。

91. 與 A05 的接口

A04 回答：

現在該把注意力放哪裡？

A05 將回答：

注意力到了那裡之後，該用什麼方法、Agent、算法、工具與策略？

因此：

\boxed{ \text{Attention Selection} \rightarrow \text{Method / Strategy Selection}. }

92. 可觀測預測

本文提出七個預測：

長期 Agent 的核心能力指標會從 task success 增加到 attention allocation quality。
監控型 AI 會逐步使用 state delta 與 criticality delta，而不是單純 feed recency。
企業級 Agent runtime 會需要 explicit attention budget、priority、expiry 與 wake condition。
多 Agent 系統共享上下文會從「全部共享」轉向 task-conditioned projection。
adversarial attention capture 會成為獨立安全問題。
Global AI benchmark 需要測 hidden bottleneck、cascade、substitution 與 noisy salience。
最強 Global AI 的差異，可能不在於它能否分析某關鍵點，而在於它是否能在沒有人提示時及時發現關鍵點已改變。

93. 與既有 EveMissLab 研究的關係

93.1 GIRA-A03

A03 建立：

\Delta D_t \neq \Delta W_t.

A04 增加：

\boxed{ \Delta W_t \neq \Delta K_t }

以及：

\boxed{ \Delta K_t \neq \Delta a_t. }

不是每個世界變化都重要，也不是每個重要變化都需要同樣資源。

93.2 外部注意力場工程

既有 MASAF 已提出多 Agent 不應把所有私有工作場直接取聯集，並建立共享候選場、協商場、權威共享場、隔離場與 shared attention budget。

本文將這套思想提升到 Global AI 的 world-scale resource routing。

93.3 DEST Moving Boundary Theory

DEST 已把 Boundary、Frontier、Periphery、Edge、Unknown 分開，並定義 boundary velocity、flux 與 frontier lag。

本文使用 Frontier 作為「值得 active attention 的邊界子集」，而不是所有 unknown 都自動升為高優先級。

94. 外部數學與決策支點

Freeman 1977 的 betweenness centrality 提供 bridge / shortest-path mediation 的經典結構量。
Ford–Fulkerson 1956 的最大流／最小割結構說明整體瓶頸可能由 cut 而非單一節點決定。
Howard 1966 的 Information Value Theory 提供「不確定性是否值得消除」的 decision-theoretic 基礎。
Buldyrev 等 2010 的 interdependent networks 研究顯示跨網路依賴可能產生 cascading failure，因此 criticality 不能只在單一圖內估計。

本文不把這些理論直接等同 Global AI，而將其作為 Dynamic Criticality 的可組合分析 primitive。

95. 結論

本文的核心命題是：

\boxed{ \text{Global Cognition} \neq \text{Attention to Everything}. }

真正的 Global AI 必須：

\boxed{ \text{Know what matters} + \text{know why it matters} + \text{know how long it matters} + \text{know when to stop looking} + \text{know when to look again}. }

因此關鍵性不是固定標籤，而是：

\boxed{ K_t( \kappa \mid q_t, W_t, \pi_t, B_t ). }

注意力則是受約束的控制變量：

\boxed{ \pi_A: ( W_t, \Delta W_t, q_t, B_t ) \to a_t. }

將 A03 與 A04 合併，可以得到：

\boxed{ \Delta D_t \rightarrow \Delta W_t \rightarrow \Delta K_t \rightarrow \Delta a_t. }

真正成熟的 Global AI 不是：

「我可以同時看完整個世界。」

而是：

「我知道此刻不需要看完整個世界；但當某個被忽略的局部開始改變整體可達、可行、風險或決策狀態空間時，我能及時知道它已經不能再被忽略。」

下一篇 GIRA-A05 將在此基礎上處理：

\boxed{ \text{當注意力已經落在正確位置，AI 如何選擇、組合甚至發明正確的方法？} }

也就是全域認知作業架構、方法選擇、策略組合、Agent orchestration 與 meta-cognitive control。

參考文獻與前置研究

EveMissLab / Neo.K 既有研究

Neo.K with Aletheia, GIRA-A01｜ASI 不等於 Global AI：智能能力類別與全域操作架構類別的分離, 2026.
Neo.K with Aletheia, GIRA-A02｜局部全域與真正全域認知：觀察者、方法論座標與認知域, 2026.
Neo.K with Aletheia, GIRA-A03｜資訊海不是世界模型：去重、版本、時態、語義與 X 次結構化, 2026.
Neo.K, 多代理共享注意力場：私有工作場、協商式顯影與受治理的集體認知結構, 外部注意力場工程系列 Paper 08, 2026.
Neo.K, 移動邊界論：定義、可達、判定、驗證、全域、可知與不可約邊界的動態學, DEST-06, 2026.

外部參考

Freeman, L. C., A Set of Measures of Centrality Based on Betweenness, Sociometry, 40(1), 35–41, 1977. DOI: 10.2307/3033543.
Ford, L. R. Jr. & Fulkerson, D. R., Maximal Flow Through a Network, Canadian Journal of Mathematics, 8, 399–404, 1956. DOI: 10.4153/CJM-1956-045-5.
Howard, R. A., Information Value Theory, IEEE Transactions on Systems Science and Cybernetics, 2(1), 22–26, 1966. DOI: 10.1109/TSSC.1966.300074.
Buldyrev, S. V., Parshani, R., Paul, G., Stanley, H. E. & Havlin, S., Catastrophic Cascade of Failures in Interdependent Networks, Nature, 464, 1025–1028, 2010. DOI: 10.1038/nature08932.

Canonical Source Note

本文件的正式原稿為此 UTF-8 Markdown source。聊天介面的渲染版本不應被視為 canonical source。

數學公式 canonical delimiter 僅使用：

inline math： $...$
display math：$$...$$

不得以 Unicode 數學字元替換 LaTeX source，不進行 unicode_escape 類 round-trip，不自行改寫反斜線、delimiter 或公式原始碼。

GIRA-A04｜動態關鍵結構與注意力重配置：Global AI 如何知道「現在什麼最重要」

GIRA-A04｜動態關鍵結構與注意力重配置：Global AI 如何知道「現在什麼最重要」

Dynamic Critical Structures and Attention Reallocation: How Global AI Determines What Matters Now

摘要

1. 有世界模型之後，還差什麼？

2. 全域智能的悖論：越全域，越不能平均注意

3. 選擇性無知

4. Key Node 不是 Biggest Node

5. Static Centrality 也不等於 Dynamic Criticality

6. 關鍵對象不一定是節點

7. Conditional Criticality

8. 問題條件化世界圖

9. Dynamic Criticality Vector

10. Connectivity CCC

11. Betweenness BBB

12. Flow Exposure FFF

13. Chokepoint 與 Cut

14. Non-Substitutability NNN

15. 替代性可能比規模更關鍵

16. Systemic Risk RRR

17. Interdependent Networks

18. Cross-Domain Coupling XXX

19. Urgency UUU

20. Actionability AAA

21. Value of Information VVV

22. 不要把九維硬壓成單一真理分數

23. Task-Conditioned Criticality Score

24. Criticality Ranking 不是客觀世界事實

25. Criticality Shock

26. 關鍵性是狀態變量

27. Attention Budget

28. 預算是向量

29. Attention Allocation Objective

30. 不能把全部資源給最高分節點

31. Exploration Budget

32. Selective Ignorance 不能變成永久盲區

33. Wake Condition

34. Attention Hysteresis

35. Emergency Override

36. Frontier 與 Boundary

37. Frontier Value

38. Frontier Lag

39. Verification Debt 會反過來改變 Attention

40. Attention 不只分給資料

41. 跨 Method Attention

42. 多代理共享注意力

43. Agent-Specific Projection

44. Attention Authority

45. Attention Capture

46. Salience 不等於 Criticality

47. Trending 不等於 State-Changing

48. Anti-Hijack Features

49. Uncertainty 不等於 Priority

50. Expected Value of Investigation

51. Risk-Weighted EVI

52. 不可逆性

53. Criticality Propagation

54. Criticality Wave

55. 預測性注意力

56. 預測不能升格為事實

57. Attention 是控制變量

58. Global Attention Policy

59. Attention Policy Quality 是獨立能力維度

60. Attention Regret

61. 避免 Hindsight Bias

62. Counterfactual Attention Test

63. Attention 會反過來改變世界

64. Reflexive Criticality

65. 關鍵不等於應控制

66. Action Boundary

67. Global Attention Reallocation Loop

68. Candidate Criticality

69. Propagation Analysis

70. VOI / Risk

71. Allocate

72. Probe

73. Verify

74. Update

75. Global Attention 是受治理的稀缺資源

76. Attention Ledger

10. Connectivity $C$

11. Betweenness $B$

12. Flow Exposure $F$

14. Non-Substitutability $N$

16. Systemic Risk $R$

18. Cross-Domain Coupling $X$

19. Urgency $U$

20. Actionability $A$

21. Value of Information $V$