GIRA-A05｜全域認知作業架構：方法選擇、策略組合、Agent Orchestration 與元認知控制

Global Cognitive Operating Architecture: Method Selection, Strategy Composition, Agent Orchestration, and Metacognitive Control

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 05 / 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 認知架構／策略編譯／Agent Runtime／元認知控制

摘要

GIRA-A01 至 A04 已依序處理四個 Global AI 前置條件：ASI 不等於 Global AI；真正全域認知需要多觀察者、多方法與多表示的 Global Cognitive Atlas；資訊海必須透過多層結構化轉換成可追溯世界狀態；而世界狀態變化又必須進一步轉換成動態關鍵性與有限注意力配置。到此形成：

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

然而，即使 AI 已經把注意力放到正確位置，仍然沒有回答更高階問題：

現在應該怎麼想？

對同一問題，AI 可以選擇搜尋、統計、圖分析、因果推論、博弈分析、模擬、程式執行、形式證明、反例搜尋、多 Agent 辯證、專家查核、人類升級，甚至暫停推理。

因此本文提出：

\boxed{ \text{Intelligence} \neq \text{Method Availability} \neq \text{Method Selection} \neq \text{Method Orchestration}. }

一個系統知道很多方法，不表示它知道當前應用哪一種；可以調用很多 Agent，也不表示每題都應調用全部 Agent；擁有更多 test-time compute，也不表示每一單位算力都應繼續投入同一條推理路徑。

本文將這一層稱為 Global Cognitive Operating Architecture（GCOA，全域認知作業架構），定義：

\boxed{ \mathfrak C_G = ( W, A, Q, \mathcal R, \mathcal M, \mathcal G, \mathcal T, \mathcal V, \mathcal B, \Pi, \mathcal L ). }

其中：

$W$ ：world state；
$A$ ：attention state；
$Q$ ：task / question state；
$\mathcal R$ ：representation / chart set；
$\mathcal M$ ：method / cognitive primitive library；
$\mathcal G$ ：Agent / specialist role set；
$\mathcal T$ ：tool and execution substrate；
$\mathcal V$ ：verifiers and evidence gates；
$\mathcal B$ ：budget / authority / risk envelope；
$\Pi$ ：strategy compiler and metacognitive policy；
$\mathcal L$ ：strategy receipts, learning, and policy history。

本文將一次認知策略表示為：

\boxed{ \sigma_t = ( r_t, m_t, g_t, \tau_t, v_t, b_t, s_t, f_t, \rho_t ), }

其中 $r_t$ 是表示， $m_t$ 是方法， $g_t$ 是 Agent / role， $\tau_t$ 是工具與執行程序， $v_t$ 是驗證器， $b_t$ 是預算， $s_t$ 是停止條件， $f_t$ 是 fallback / replan， $\rho_t$ 是 provenance / receipt。

GCOA 不直接等於模型 chain-of-thought，也不要求所有認知步驟由自然語言完成。它更接近一個持久、可審計的 semantic control plane：高階控制層決定「現在需要哪種認知操作」，低階執行層則由 LLM、搜尋器、程式、CAS、定理證明器、模擬器、資料庫與確定性演算法完成。

本文承接既有 CDI 的：

\boxed{ \text{Execution Plane} \neq \text{Semantic Control Plane}, }

並提升為：

\boxed{ \text{Cognitive Execution Plane} \neq \text{Cognitive Strategy Plane}. }

本文亦承接 DDRA 對「Should I think more?」與「What should I think about next?」的分離，以 residual doubt vector：

D_t = ( D_F, D_S, D_B, D_R, D_V, \ldots )

描述尚未閉合的認知風險，並以 Value of Information、expected doubt reduction、task progress、cost、risk 與 authority 共同決定下一個 strategy action。

本文提出概念量：

\boxed{ \operatorname{EEU}(\sigma_i\mid S_t) = \frac{ \mathbb E[ \Delta U_{\mathrm{epistemic}} + \Delta U_{\mathrm{task}} - \lambda R ] }{ C(\sigma_i) } }

作為 Expected Epistemic Utility。本文不宣稱此式為普適效用函數，而將其用作「下一單位認知資源應投入何處」的工程化接口。

本文進一步區分：

\boxed{ \text{Strategy Proposal} \neq \text{Active Strategy} \neq \text{Knowledge Commit}. }

模型可以提出新方法、新角色、新工具組合，但策略 adoption 必須經過 capability gate、authority gate、risk gate、shadow evaluation 與 verifier gate。這承接 Memory Strategy Governor 的：

\boxed{ \text{Route Decision} \neq \text{Knowledge Decision} }

與：

\boxed{ \text{Empirical Preference} \neq \text{Canonical Policy}. }

最後，本文提出 Global Cognitive Control Loop：

\boxed{ \text{Frame} \rightarrow \text{Select Representation} \rightarrow \text{Estimate Residual Doubt} \rightarrow \text{Generate Strategy Candidates} \rightarrow \text{Route Resources} \rightarrow \text{Execute} \rightarrow \text{Verify} \rightarrow \text{Stop / Replan / Reframe} \rightarrow \text{Update World State}. }

這個架構使 Global AI 不再只被理解為「更會回答問題」，而是能持續決定：什麼問題值得算、應該用什麼表示、下一步該叫誰、應使用什麼工具、什麼時候不應再想、什麼時候應換方法，以及何時目前的方法論本身已經成為 bottleneck。

關鍵詞： Global AI、Metacognition、Strategy Selection、Agent Orchestration、Cognitive Runtime、Method Selection、Adaptive Routing、Value of Information、MSSP、DDRA、Semantic Control Plane、Strategy Compiler、GCOA

1. 注意力到了正確位置之後呢？

A04 回答：

\boxed{ \text{Where should cognition be allocated?} }

但 attention 只回答「去哪裡」。

它沒有回答：

\boxed{ \text{What should cognition do there?} }

如果沒有 strategy layer：

\boxed{ \text{correct attention} \not\Rightarrow \text{correct cognition}. }

2. 方法很多，不等於方法選對

令方法庫：

\mathcal M = \{m_1,m_2,\ldots,m_n\}.

若 AI 知道所有 $m_i$ ，仍不代表最合適的：

m_t^\ast

會自然出現。

因此：

\boxed{ \text{Method Knowledge} \neq \text{Method Selection}. }

3. 多 Agent 也不等於 Orchestration

令 Agent 集合：

\mathcal G = \{g_1,g_2,\ldots,g_k\}.

全部呼叫並不一定比只呼叫一個適合的 specialist 更好，因為會產生 duplicated work、consensus echo、coordination overhead 與 state contamination。

所以：

\boxed{ \text{Multi-Agent Architecture} \neq \text{Adaptive Agent Allocation}. }

4. 更多推理時間也不等於更好

test-time compute 可以提升結果，但不同問題具有不同難度與可解性。

因此：

\boxed{ \text{More Compute} \not\Rightarrow \text{More Value}. }

真正問題是：

\boxed{ \text{where the next unit of compute should go}. }

5. 認知數量配置只是子問題

傳統 adaptive compute 可寫：

x \rightarrow b(x).

本文擴張 action space：

a_t \in \{ \operatorname{Stop}, \operatorname{Reframe}, m_1,\ldots,m_n, g_1,\ldots,g_k, \tau_1,\ldots,\tau_j \}.

因此：

\boxed{ \text{Compute Quantity Allocation} \subset \text{Cognitive Strategy Allocation}. }

6. GCOA 的總狀態

定義：

\boxed{ \mathfrak C_G = ( W, A, Q, \mathcal R, \mathcal M, \mathcal G, \mathcal T, \mathcal V, \mathcal B, \Pi, \mathcal L ). }

這是一個操作性架構類，不是一個固定產品。

7. World State $W$

承接 A03， $W_t$ 包含 current state、history、provenance、uncertainty、conflict 與 unknown。

策略不能只看 prompt。

它需要看：

\boxed{ \text{task in world state}. }

8. Attention State $A$

承接 A04：

A_t = \mathcal A_t(\mathcal X_t).

它表示哪些 world objects 目前取得多少 active cognitive resource。

9. Task State $Q$

任務不是單一字串。

可以表示：

Q_t = ( \text{goal}, \text{scope}, \text{constraints}, \text{success}, \text{deadline}, \text{risk}, \text{authority} ).

因此：

\boxed{ \text{Prompt} \neq \text{Task State}. }

10. Representation Set $\mathcal R$

承接 A02：

\mathcal R = \{r_1,r_2,\ldots,r_p\}.

可以包含 natural language、graph、matrix、symbolic form、code、proof state、causal model 與 simulation state。

策略選擇必須包含：

\boxed{ \text{representation selection}. }

11. Method Library $\mathcal M$

方法可以是 search、statistics、optimization、graph theory、causal inference、game theory、theorem proving、numerical experiment、counterexample search、decomposition、backtrace 與 simulation。

因此：

\boxed{ \text{Method} \neq \text{Tool}. }

12. Specialist Set $\mathcal G$

specialist 是 functional role。

同一 foundation model 可以透過不同 prompt、context、objective、tool access 與 verifier 扮演不同 $g_i$ 。

因此：

\boxed{ \text{Specialist Identity} \neq \text{Model Identity}. }

13. Tool Substrate $\mathcal T$

工具包括 web search、database、code runtime、CAS、Lean / Coq、simulator、compiler、browser、sensor 與 external API。

工具主要回答：

可以執行什麼？

不是：

現在應該執行什麼？

14. Verifier Set $\mathcal V$

Verifier 可以包括 source check、unit test、formal proof、independent model、consistency checker、human review 與 simulation validation。

所以：

\boxed{ \text{Generator} \neq \text{Verifier}. }

15. Budget / Authority / Risk Envelope $\mathcal B$

定義：

\mathcal B_t = ( B_{\mathrm{compute}}, B_{\mathrm{time}}, B_{\mathrm{cost}}, B_{\mathrm{authority}}, B_{\mathrm{privacy}}, B_{\mathrm{risk}} ).

某策略即使理論上最強，也可能：

\sigma \notin \operatorname{Feasible}(\mathcal B_t).

16. Strategy Compiler $\Pi$

核心函數：

\boxed{ \Pi: ( W_t, A_t, Q_t, \mathcal R, \mathcal M, \mathcal G, \mathcal T, \mathcal V, \mathcal B_t ) \rightarrow \Sigma_t. }

其中：

\Sigma_t = \{\sigma_1,\sigma_2,\ldots,\sigma_n\}

是候選策略集合。

17. Cognitive Strategy Object

本文定義：

\boxed{ \sigma_t = ( r_t, m_t, g_t, \tau_t, v_t, b_t, s_t, f_t, \rho_t ). }

它把 representation、method、specialist、tool、verifier、budget、stop、fallback 與 receipt 綁成可執行物件。

18. Strategy 不是固定 Workflow

固定 workflow：

\mathcal F_{\mathrm{fixed}}

只是 strategy 的一種退化。

高階系統應允許：

\boxed{ \sigma_t \neq \sigma_{t+1} }

在必要時成立。

19. Representation First

很多推理失敗不是推理不夠深，而是表示錯了。

因此方法選擇前應問：

\boxed{ \text{Is the current representation still appropriate?} }

若：

q_t \rightarrow \partial U_r,

應允許：

r_i \rightarrow r_j.

20. Reframe 是合法 Strategy Action

策略 action space 應包含：

\boxed{ \operatorname{Reframe}. }

也就是改寫 problem statement、variables、decomposition、representation、target 或 scope。

21. MSSP：從少看一點到有秩序地看更多

MSSP 的 AI 版本提出：

\boxed{ \text{Avoid Global Attention} \rightarrow \text{Construct Global Understanding by Traversal}. }

GCOA 採用同樣原則。

22. Structured Traversal

令整體結構圖：

G=(V,E).

當前 subset：

G_t\subseteq G.

選擇：

G_t = \operatorname{Select}( q, G, M_{t-1}, A, R ).

局部推理後：

M_t = \operatorname{Update}( M_{t-1}, \operatorname{Reason}(G_t) ).

23. Traversal 不等於 Retrieval

Retrieval 常回答哪些內容最像 query。

Traversal 還回答下一個 dependency、未驗證 parent、authority boundary 與 revisit order。

因此：

\boxed{ \text{Retrieval} \subset \text{Structural Traversal}. }

24. 中間狀態必須外部化

如果每次策略切換都丟失中間結果，就會重複計算。

因此：

\boxed{ \text{Reason} \rightarrow \text{Record} \rightarrow \text{Route}. }

中間狀態應是 typed object，而不只是聊天 transcript。

25. Residual Doubt Vector

承接 DDRA：

\boxed{ D_t = ( D_F, D_S, D_B, D_P, D_R, D_V, D_C, \ldots ). }

它可以表示 formal、source、bridge、representation、verification 與 closure doubt。

26. Doubt 是 Operational Risk

這裡的 doubt 不是情緒，而是：

\boxed{ \text{operational unresolved risk}. }

它表示某個 load-bearing 問題仍未閉合。

27. Doubt Value Function

最簡單：

V(D_t) = \sum_j \lambda_jD_j.

更一般：

V: \mathbb R_{\geq0}^m \rightarrow \mathbb R_{\geq0}.

28. Specialist Expected Effect

對 specialist $g_i$ ：

R_i(D_t) = \mathbb E[ D_t-D_{t+1} \mid g_i,S_t ].

這是一個向量。

29. Expected Epistemic Utility

本文提出：

\boxed{ \operatorname{EEU}(\sigma_i\mid S_t) = \frac{ \mathbb E[ \Delta U_{\mathrm{epistemic}} + \Delta U_{\mathrm{task}} - \lambda R ] }{ C(\sigma_i) }. }

它是 routing interface，不是普適真理分數。

30. Strategy Candidate Generation

候選可以包含：

\Sigma_t = \{ \sigma_{\mathrm{search}}, \sigma_{\mathrm{formal}}, \sigma_{\mathrm{simulate}}, \sigma_{\mathrm{counterexample}}, \sigma_{\mathrm{delegate}}, \sigma_{\mathrm{stop}}, \sigma_{\mathrm{reframe}} \}.

候選生成與候選選擇應分離。

31. Hard Gate 先於 Utility

如果策略違反 authority、privacy、safety、exactness requirement 或 evidence floor，即使 EEU 很高也不可執行。

因此：

\boxed{ \text{Eligibility} \prec \text{Utility Ranking}. }

32. Cognitive Need 不等於 Method Command

Memory Strategy Governor 已提出：

\text{Memory Need} \neq \text{Search Command}.

GCOA 一般化成：

\boxed{ \text{Cognitive Need} \neq \text{Method Command}. }

使用者不必先知道該用什麼方法。

33. Route Decision 不是 Knowledge Decision

策略層可以說：

下一步使用 formal verifier。

但不能因此說：

verifier 還沒執行，命題已被證成。

所以：

\boxed{ \text{Route Decision} \neq \text{Knowledge Decision}. }

34. Capability 不等於 Authority

一個 specialist 即使能力很強，也不能自動取得 source authority、write authority、action authority 或 policy authority。

因此：

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

35. Strategy Proposal 不等於 Active Strategy

模型可以提出：

\sigma_{\mathrm{new}}.

但流程應為：

\boxed{ \text{Proposal} \rightarrow \text{Gate} \rightarrow \text{Shadow} \rightarrow \text{Evaluate} \rightarrow \text{Adopt}. }

36. Empirical Preference 不等於 Canonical Policy

即使：

\operatorname{Perf}(\sigma_{\mathrm{new}}) > \operatorname{Perf}(\sigma_{\mathrm{old}}),

也不應直接修改 global policy。

因此：

\boxed{ \text{Benchmark Improvement} \neq \text{Policy Adoption}. }

37. Cognitive Strategy Policy

定義：

P_\sigma = ( \text{eligibility}, \text{preference}, \text{fallback}, \text{stop}, \text{risk}, \text{verification}, \text{budget} ).

每個 policy 必須 versioned。

38. Deterministic Baseline

對相同 state、policy、capabilities 與 budget，第一版系統應能產生可重播 plan。

因此：

\boxed{ \text{same input state} \rightarrow \text{same strategy digest}. }

39. Adaptive 不等於不可審計

AI 可以自適應，但每次：

\sigma_t \rightarrow \sigma_{t+1}

都應有 reason code。

所以：

\boxed{ \text{Adaptive} \neq \text{Opaque}. }

40. Strategy Receipt

每次 strategy decision 至少保存：

strategy_receipt:
  task_id: "..."
  state_version: "..."
  representation: "..."
  method: "..."
  specialist: "..."
  tools: ["..."]
  verifier: "..."
  budget: "..."
  residual_doubt_before: "..."
  expected_utility: "..."
  stop_condition: "..."
  fallback: "..."
  policy_version: "..."
  reason_codes: ["..."]

41. Cognitive Execution Plane

執行平面負責：

\boxed{ \text{Execute the selected cognitive operation}. }

它可以由 LLM、traditional algorithm、code、prover 或 simulator 完成。

42. Cognitive Strategy Plane

策略平面負責：

\boxed{ \text{Choose and govern the operation}. }

因此：

\boxed{ \text{Cognitive Execution Plane} \neq \text{Cognitive Strategy Plane}. }

43. 承接 CDI Semantic Control Plane

CDI 已提出：

\boxed{ \text{Execution Plane} \neq \text{Semantic Control Plane}. }

GCOA 把這個思想從計算 routing 提升到 cognition routing。

44. AI 不需要親自算全部

若 traditional tool $\tau_j$ 更快、更便宜、更可靠，AI 應路由給它。

例如：

\text{LLM} \rightarrow \text{CAS}.

所以：

\boxed{ \text{AI-native cognition} \neq \text{LLM computes everything}. }

45. AI 作為 Semantic Governor

高階 AI 的角色可以是 interpret、route、compose、verify、reframe 與 stop，而不必成為每個低階 kernel。

46. Orchestration Topology

多 Agent orchestration 可以是 centralized、decentralized 或 hierarchical。

本文不預設唯一拓樸。

47. Topology 也是 Strategy Variable

簡單任務可能 single-agent 最優；可分解任務可能 hierarchical 較好；多利益主體則可能更適合 decentralized。

因此：

\boxed{ \text{Orchestration Topology} = \text{Strategy Variable}. }

48. Dynamic Role Allocation

固定角色集合：

\mathcal G_0

可能不足。

高階系統可以：

\mathcal G_t \rightarrow \mathcal G_{t+1}

動態生成 specialist role。

49. Role Synthesis 不等於 Model Creation

新 role 可由現有模型透過不同 objective、context、tool 與 verifier 構成。

因此：

\boxed{ \text{Role Synthesis} \neq \text{New Model Training}. }

50. 新 Specialist 的觸發條件

若某 residual doubt $D_j$ 高，但現有 specialists 對它的預期 reduction 都低，可觸發：

\operatorname{SynthesizeSpecialist}(D_j).

51. 新 Specialist 先進 Sandbox

流程：

\boxed{ \text{Synthesize} \rightarrow \text{Sandbox} \rightarrow \text{Benchmark} \rightarrow \text{Register} \rightarrow \text{Route}. }

52. Strategy Composition

方法可以序列組合：

m_1 \rightarrow m_2 \rightarrow m_3,

也可平行：

m_1 \parallel m_2,

再由 verifier 做 reconciliation。

53. Strategy Shape

常見 shape 可包括：

SINGLE；
SEQUENTIAL；
PARALLEL_DISCOVERY；
DISCOVERY_THEN_VERIFY；
STRUCTURE_THEN_EXECUTE；
COUNTEREXAMPLE_THEN_PROVE；
SIMULATE_THEN_FORMALIZE；
MULTI_AGENT_CORROBORATIVE；
FREEZE；
REFRAME。

54. Always-Hybrid 不是合理預設

每題都搜尋、三 Agent、verifier、simulator 會浪費大量資源。

因此：

\boxed{ \text{Hybrid Capability} \neq \text{Always-Hybrid Policy}. }

55. Stop 是一等 Action

Global AI 不只要知道 how to think，還要知道：

\boxed{ \text{when not to think more}. }

56. Freeze Controller

若：

V(D_t) < \tau_D

且：

\max_i \operatorname{EEU}(\sigma_i\mid S_t) < \tau_E,

則：

\boxed{ \operatorname{Freeze}. }

57. Freeze 不等於永久真理

Freeze 只表示：在目前 task identity、evidence、budget 與 risk 下停止認知擴張。

之後可以被：

\Delta W_t

重新喚醒。

58. Stop Condition 必須進 Strategy

每個 $\sigma_t$ 都應帶 $s_t$ 。

否則 Agent 容易陷入 infinite search、infinite critique、infinite planning 或 endless verification。

59. Fallback 必須預先存在

如果：

\sigma_1

失敗，策略應知道：

f(\sigma_1) = \sigma_2.

60. Failure Taxonomy

至少區分：

zero result；
insufficient evidence；
timeout；
tool unavailable；
verifier disagreement；
representation mismatch；
budget exhausted；
authority denied；
policy conflict。

不同 failure 對應不同 fallback。

61. Retry、Replan、Reframe

Retry：

\sigma \rightarrow \sigma.

Replan：

\sigma_i \rightarrow \sigma_j.

Reframe 則改變問題表示。

因此：

\boxed{ \text{Retry} < \text{Replan} < \text{Reframe}. }

62. Architecture Backtrace 作為 Reframe Primitive

ABFR 提出 declared、observed、effective structure 回溯與 fresh reconstruction。

對 GCOA，長時間卡住時可以：

\boxed{ \text{Backtrace} \rightarrow \text{Reconstruct Problem Architecture}. }

63. 局部成功不等於架構正確

一個策略可以：

\text{Result}=\text{Pass}

但 task framing 仍可能錯。

因此高風險任務可加入 architecture-level revalidation。

64. Operational Metacognition 的三層

本文拆成：

\boxed{ \text{Self-Assessment} + \text{Strategy Selection} + \text{Self-Regulation}. }

65. Competence Awareness

對策略 $\sigma_i$ ，系統需要估計：

P( \operatorname{Success} \mid \sigma_i,S_t ).

如果不知道自己不擅長什麼，routing 會失真。

66. Calibration

若估計：

p_i=0.9

但實際成功率只有 $0.5$ ，就需要更新 competence model。

所以：

\boxed{ \text{Metacognition requires calibration}. }

67. Strategy Learning

策略歷史 $\mathcal L_t$ 可以記錄 chosen strategy、cost、result、doubt reduction、failure 與 verifier outcome。

由此學習：

\Pi_{t+1}.

68. Learning 不應直接改 Production Policy

承接 MSG：

\boxed{ \text{Performance Observation} \neq \text{Policy Mutation}. }

應先經：

\text{Observation} \rightarrow \text{Proposal} \rightarrow \text{Shadow} \rightarrow \text{Adoption}.

69. Strategy Drift

world state 改變時，過去最好策略可能失效。

因此：

\Pi_t \neq \Pi_{t+1}

可能成立，需要 policy version。

70. Method Discovery Mode

若現有方法長期無法降低某 residual doubt，可進入：

\boxed{ \text{Method Discovery Mode}. }

71. 新方法必須有 Contract

候選：

m_{\mathrm{new}}

至少需要 input contract、output contract、validity domain、transformation rule、known failure、verifier 與 benchmark。

72. Method Synthesis

可以由既有方法組合：

m_{\mathrm{new}} = \Gamma( m_i, m_j, r_k ).

73. Method Adoption Gate

流程：

\boxed{ \text{Invent} \rightarrow \text{Specify} \rightarrow \text{Test} \rightarrow \text{Compare} \rightarrow \text{Adopt}. }

74. Method Contract

每個方法至少保存：

method_contract:
  method_id: "..."
  version: "..."
  valid_domains: ["..."]
  input_types: ["..."]
  output_types: ["..."]
  required_tools: ["..."]
  verifier_types: ["..."]
  expected_cost: "..."
  known_failure_modes: ["..."]
  authority_ceiling: "..."

75. Method Availability 不等於 Internalization

如果模型知道某方法文字描述：

\operatorname{KnowText}(m)=1,

不代表：

\operatorname{Operationalize}(m)=1.

因此：

\boxed{ \text{Theory Access} \neq \text{Operational Method}. }

76. Method Internalization 的最低判準

至少要能：

判定適用域；
生成合法輸入；
執行方法；
理解失敗；
驗證輸出；
與其他方法組合；
知道何時不用它。

77. Strategy Graph

一次複雜認知可表示成：

\boxed{ G_\sigma = (V_\sigma,E_\sigma). }

節點是 cognitive operation，邊是 dependency、data flow 或 authority relation。

78. Strategy Graph 可以動態改寫

新 evidence 到來時：

G_{\sigma,t} \rightarrow G_{\sigma,t+1}.

因此：

\boxed{ \text{Plan} \neq \text{Immutable Script}. }

79. Plan Drift 需要 Receipt

每次 graph mutation 保存：

\Delta G_{\sigma,t}.

並記錄 why changed。

80. Global Cognitive Control Loop

本文正式提出：

\boxed{ \text{Frame} \rightarrow \text{Select Representation} \rightarrow \text{Estimate Residual Doubt} \rightarrow \text{Generate Strategy Candidates} \rightarrow \text{Route Resources} \rightarrow \text{Execute} \rightarrow \text{Verify} \rightarrow \text{Stop / Replan / Reframe} \rightarrow \text{Update World State}. }

81. 控制平面也會失敗

高階 controller 可能選錯 representation、over-decompose、under-decompose、call too many agents、stop too early、never stop、misuse verifier 或 policy-stale。

所以 GCOA 自身也需要評測。

82. Strategy Selection Regret

可定義：

\boxed{ R_\sigma(T) = \sum_{t=1}^{T} [ U(\sigma_t^\ast) - U(\sigma_t) ]. }

其中 $\sigma_t^\ast$ 是事後參考最優策略，同樣需要避免 hindsight bias。

83. Routing Efficiency

定義：

\boxed{ \eta_R = \frac{ \text{verified task progress} }{ \text{cognitive resource cost} }. }

高風險任務不應單獨最大化 $\eta_R$ ，因為可能需要冗餘驗證。

84. Method Switching Cost

換方法存在：

C_{\mathrm{switch}}( m_i \rightarrow m_j ).

包含 state conversion、context loading、representation translation 與 verifier setup。

85. Strategy Hysteresis

若：

\operatorname{EEU}_j-\operatorname{EEU}_i < \tau_{\mathrm{switch}},

可保持現策略，避免 strategy thrashing。

86. Emergency Reframe

若出現 contradiction、invalid authority、source identity collapse 或 catastrophic verifier failure，可觸發：

\boxed{ \operatorname{EmergencyReframe}. }

87. Multi-Agent Agreement 不等於 Evidence

若多個 Agent 共享同一來源或高度相同 reasoning pattern：

\boxed{ \text{Agreement} \neq \text{Independent Corroboration}. }

88. Agent Diversity 不是越多越好

真正有價值的是：

\boxed{ \text{effective cognitive diversity}. }

不是 agent count。

89. Human as Specialist

人類可以是：

g_H \in \mathcal G.

當 authority required、tacit knowledge needed、high-stakes ambiguity 或制度判斷出現時，路由到 human 是合法 strategy。

90. Global AI 不要求 Unbounded Autonomy

Global AI 可以高度自主，但：

\boxed{ \text{Global Cognition} \neq \text{Unbounded Autonomous Action}. }

Strategy Plane 與 Action Authority 必須分離。

91. Meta-Methodological Cognition

當系統能選方法、換方法、組方法、生成 specialist、提出 method candidate、驗證 method 並更新 policy，就開始進入：

\boxed{ \text{meta-methodological cognition}. }

92. 這才是「知道怎麼使用自己的智能」

一個高能力模型：

I\gg0

若缺乏：

\Pi,

仍可能很會解被指定的題，卻不擅長決定下一步應使用自己的哪種能力。

所以：

\boxed{ \text{Intelligence} + \text{Metacognitive Strategy Control} }

在長時複雜任務上可能遠強於單純提高 $I$ 。

93. 與 A01 的核心修正

A01 提出：

\text{ASI} \neq \text{Global AI}.

A05 補上中間層：

\boxed{ \text{High Intelligence} \rightarrow \text{Metacognitive Strategy Control} \rightarrow \text{Operational Global Intelligence}. }

但第一個箭頭不是邏輯必然。

94. 與 A04 的整合

A04：

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

A05：

\Delta a_t \rightarrow \Delta\sigma_t.

因此：

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

95. Strategy 反過來改變 Observation

不同 $\sigma_t$ 會調用不同工具與觀察方法。

因此：

\sigma_t \rightarrow D_{t+1},

又回到 A03。

形成：

\boxed{ W \rightarrow A \rightarrow \sigma \rightarrow \text{Observe / Act} \rightarrow W'. }

96. GCOA 的核心不變量

\boxed{ \text{Attention} \neq \text{Method} }

\boxed{ \text{Method} \neq \text{Tool} }

\boxed{ \text{Specialist} \neq \text{Model} }

\boxed{ \text{Route} \neq \text{Truth} }

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

\boxed{ \text{More Compute} \neq \text{More Value} }

\boxed{ \text{Retry} \neq \text{Replan} \neq \text{Reframe} }

\boxed{ \text{Adaptive} \neq \text{Opaque} }

\boxed{ \text{Strategy Proposal} \neq \text{Policy Adoption}. }

97. 可觀測預測

本文提出八個預測：

frontier Agent 系統的提升會越來越多來自 strategy routing，而不只來自 base model。
test-time compute 會從「多算多少」發展為「下一單位算力交給哪種 cognitive operation」。
multi-agent systems 會由固定 role graph 走向 dynamic role / topology allocation。
production Agent runtime 會顯式保存 strategy receipt、policy version、stop condition 與 fallback。
reframe capability 會成為 long-horizon Agent 的重要能力維度。
方法庫會逐步採用 capability contract 與 verifier contract。
高自治系統會需要 policy-adoption gate，避免短期 empirical gain 直接改寫 global strategy。
真正高階 Global AI 會自主管理「方法空間」，而不只是問題空間。

98. 與既有 EveMissLab 研究的關係

98.1 MSSP / ABFR

MSSP 已提出 Structured Global Attention：

\text{Select} \rightarrow \text{Attend} \rightarrow \text{Record} \rightarrow \text{Traverse} \rightarrow \text{Reconcile}.

A05 將 structural traversal 提升為一般 cognition orchestration。

98.2 DDRA

DDRA 已分離：

\boxed{ \text{Should I think more?} }

與：

\boxed{ \text{What should I think about next?} }

本文將其從研究級數學 specialist routing 推廣到 Global AI 通用 cognitive strategy plane。

98.3 Memory Strategy Governor

MSG 已建立：

\text{Need} \rightarrow \text{Purpose} \rightarrow \text{Strategy Plan}

與 deterministic / versioned / replayable routing。

本文將 memory strategy pattern 提升為 general cognitive strategy。

98.4 CDI Semantic-Causal Control Plane

CDI 已提出：

\text{Execution Plane} \neq \text{Semantic Control Plane}.

A05 將其改寫為：

\boxed{ \text{Cognitive Execution Plane} \neq \text{Cognitive Strategy Plane}. }

99. 外部研究支點

2026 年 adaptive test-time compute 研究已顯示，把更多計算集中於 unresolved / difficult queries 可以提高 compute efficiency，證明 uniform reasoning budget 並非必要預設。

2025–2026 年 multi-agent orchestration 研究已廣泛討論 centralized、decentralized、hierarchical 與 dynamic-adaptive coordination，並出現 high-level planner、dynamic role creation、specialist agents 與 workflow search 等設計。

MUSE 類 metacognitive agent framework 更直接把 competence self-assessment 與 strategy selection 放入 iterative self-regulation loop，顯示 operational metacognition 可以成為 autonomous-agent architecture，而不只是哲學詞彙。

本文與上述研究的差異在於：GCOA 不是另一個固定 agent framework，而是一個更一般的 Global AI 認知控制類別，使 representation、method、Agent、tool、verifier、budget、stop、fallback 與 policy evolution 都成為可路由 cognitive objects。

100. 結論

本文提出：

\boxed{ \text{Global Cognitive Operating Architecture} }

作為 Global AI 的第五個基礎層。

如果 A03 回答：

世界變了什麼？

A04 回答：

現在什麼最重要？

那麼 A05 回答：

現在應該怎麼想？

其完整架構為：

\boxed{ \mathfrak C_G = ( W, A, Q, \mathcal R, \mathcal M, \mathcal G, \mathcal T, \mathcal V, \mathcal B, \Pi, \mathcal L ). }

真正成熟的 Global AI 不只是能調用工具，而是能：

\boxed{ \text{select} + \text{compose} + \text{route} + \text{verify} + \text{stop} + \text{replan} + \text{reframe} + \text{learn}. }

因此：

\boxed{ \text{Intelligence} \neq \text{Knowing How to Organize Intelligence}. }

而 Global AI 需要的恰好是後者。

將 A03、A04 與 A05 串聯，可以得到目前為止最完整的動態鏈：

\boxed{ \Delta D_t \rightarrow \Delta W_t \rightarrow \Delta K_t \rightarrow \Delta a_t \rightarrow \Delta\sigma_t \rightarrow \text{Observe / Verify / Act} \rightarrow W_{t+1}. }

下一篇 GIRA-A06 將轉向另一個問題：

\boxed{ \text{如果這樣的系統已經開始存在，人類是否有能力認出它？} }

也就是 Global AI 的存在、觀察、概念化、識別與正式承認之間的時間差。

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 with Aletheia, GIRA-A04｜動態關鍵結構與注意力重配置, 2026.
Neo.K, MSSP 作為 AI 結構注意力基底, ABFR Series Paper 02, 2026.
Neo.K, 疑點驅動的推理資源配置：Freeze Controller、Value of Information 與自適應 Specialist Routing, 2026.
Neo.K, Memory Strategy Governor：自主記憶策略編譯與路由控制技術白皮書, 2026.
Neo.K with Aletheia, AI 不必替代計算：從傳統執行平面到語義—因果控制平面, CDI / AIVS Paper 01, 2026.

外部參考

Zuo, B., Zhou, D. & Zhu, Y., Adaptive Test-Time Compute Allocation with Evolving In-Context Demonstrations, Findings of ACL 2026.
Zuo, B. & Zhu, Y., Strategic Scaling of Test-Time Compute: A Bandit Learning Approach, ICLR 2026.
Hou, Z., Tang, J. & Wang, Y., HALO: Hierarchical Autonomous Logic-Oriented Orchestration for Multi-Agent LLM Systems, 2025.
Zhang, W. et al., AgentOrchestra: A Hierarchical Multi-Agent Framework for General-Purpose Task Solving, 2025.
Metacognition for Unknown Situations and Environments (MUSE), Neural Networks, 2025/2026.
LLM-Based Multi-Agent Orchestration: A Survey of Frameworks, Communication Protocols, and Emerging Patterns, Future Internet, 2026.

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-A05｜全域認知作業架構：方法選擇、策略組合、Agent Orchestration 與元認知控制

GIRA-A05｜全域認知作業架構：方法選擇、策略組合、Agent Orchestration 與元認知控制

Global Cognitive Operating Architecture: Method Selection, Strategy Composition, Agent Orchestration, and Metacognitive Control

摘要

1. 注意力到了正確位置之後呢？

2. 方法很多，不等於方法選對

3. 多 Agent 也不等於 Orchestration

4. 更多推理時間也不等於更好

5. 認知數量配置只是子問題

6. GCOA 的總狀態

7. World State WWW

8. Attention State AAA

9. Task State QQQ

10. Representation Set R\mathcal RR

11. Method Library M\mathcal MM

12. Specialist Set G\mathcal GG

13. Tool Substrate T\mathcal TT

14. Verifier Set V\mathcal VV

15. Budget / Authority / Risk Envelope B\mathcal BB

16. Strategy Compiler Π\PiΠ

17. Cognitive Strategy Object

18. Strategy 不是固定 Workflow

19. Representation First

20. Reframe 是合法 Strategy Action

21. MSSP：從少看一點到有秩序地看更多

22. Structured Traversal

23. Traversal 不等於 Retrieval

24. 中間狀態必須外部化

25. Residual Doubt Vector

26. Doubt 是 Operational Risk

27. Doubt Value Function

28. Specialist Expected Effect

29. Expected Epistemic Utility

30. Strategy Candidate Generation

31. Hard Gate 先於 Utility

32. Cognitive Need 不等於 Method Command

33. Route Decision 不是 Knowledge Decision

34. Capability 不等於 Authority

35. Strategy Proposal 不等於 Active Strategy

36. Empirical Preference 不等於 Canonical Policy

37. Cognitive Strategy Policy

38. Deterministic Baseline

39. Adaptive 不等於不可審計

40. Strategy Receipt

41. Cognitive Execution Plane

42. Cognitive Strategy Plane

43. 承接 CDI Semantic Control Plane

44. AI 不需要親自算全部

45. AI 作為 Semantic Governor

46. Orchestration Topology

47. Topology 也是 Strategy Variable

48. Dynamic Role Allocation

49. Role Synthesis 不等於 Model Creation

50. 新 Specialist 的觸發條件

51. 新 Specialist 先進 Sandbox

52. Strategy Composition

53. Strategy Shape

54. Always-Hybrid 不是合理預設

55. Stop 是一等 Action

56. Freeze Controller

57. Freeze 不等於永久真理

58. Stop Condition 必須進 Strategy

59. Fallback 必須預先存在

60. Failure Taxonomy

61. Retry、Replan、Reframe

62. Architecture Backtrace 作為 Reframe Primitive

63. 局部成功不等於架構正確

64. Operational Metacognition 的三層

65. Competence Awareness

66. Calibration

67. Strategy Learning

68. Learning 不應直接改 Production Policy

69. Strategy Drift

70. Method Discovery Mode

71. 新方法必須有 Contract

72. Method Synthesis

73. Method Adoption Gate

74. Method Contract

75. Method Availability 不等於 Internalization

76. Method Internalization 的最低判準

7. World State $W$

8. Attention State $A$

9. Task State $Q$

10. Representation Set $\mathcal R$

11. Method Library $\mathcal M$

12. Specialist Set $\mathcal G$

13. Tool Substrate $\mathcal T$

14. Verifier Set $\mathcal V$

15. Budget / Authority / Risk Envelope $\mathcal B$

16. Strategy Compiler $\Pi$