Machine Insurability Infrastructure：為什麼保險可能比法律更早逼出 AI 責任架構

英文暫名： Machine Insurability Infrastructure: Why Insurance May Force AI Accountability Architecture Before Law Does
系列： 不可逆的制度化智能：具身責任、保險、資本與 AI 經濟主體
English Series: The Institutional Irreversibility of Intelligence: Embodiment, Liability, Insurance, Capital, and AI Economic Subjecthood
論文序號： Paper 04 / 08
版本： v0.1
日期： 2026-09-08
理論發起： Neo.K
協作整理： Aletheia / GPT-5.6 Sol
前置理論： Paper 00–03；Embodied Execution Graph；Responsibility–Control Divergence；Responsibility Graph；NACR；UFI
文件地位： Insurance / Underwriting / Physical AI Governance Paper
Canonical Source： UTF-8 Markdown
Canonical Math Delimiters： inline $...$ ；display $$...$$

研究地位聲明

本文不是保險法律意見、精算建議或任何特定保單的承保判定。不同司法管轄區、產品線、carrier、broker、reinsurer、robot class、autonomy level 與 loss history 都會產生不同 underwriting 結果。

本文提出的是一個制度—工程假說：

高自主 AI 與具身機器人若要進入大規模商業部署，保險人因為需要定價、限額、承保、理賠、追償與管理 aggregate exposure，可能比一般法律制度更早要求企業建立可觀測、可歸因、可版本化的 AI / robot identity、responsibility、telemetry、failure-domain 與 control architecture。

這不代表保險公司會替 AI 建立法律人格，也不代表所有 autonomous-system insurance 都會採相同資料要求。

本文稱這一整套「讓 autonomous machine risk 變得可承保、可計價、可調查」的技術與制度基礎為：

\boxed{ \text{Machine Insurability Infrastructure} }

簡寫：

\boxed{ MII. }

摘要

具身 AI 的風險與傳統固定機械存在一個重要差異：事故結果可能不是單純由零件失效引起，而是由 model、planner、sensor、software update、operator policy、task assignment、network、maintenance、local safety controller 與 human supervision 等多個 actor / component 共同構成。

因此 autonomous-system loss 往往不是：

MachineFailure \rightarrow Loss

而更接近：

\boxed{ \text{Policy} \rightarrow \text{Model} \rightarrow \text{Task} \rightarrow \text{Execution} \rightarrow \text{World State} \rightarrow \text{Safety Response} \rightarrow \text{Loss}. }

這會直接挑戰 underwriting 與 claims attribution。

本文提出 Machine Insurability Infrastructure（MII），並將可保性抽象為：

\boxed{ Insurability = f( Observability, Attributability, Boundedness, Auditability, ControlQuality, LossData, CorrelationKnowledge ). }

其中：

Observability：系統發生什麼是否可觀測；
Attributability：loss path 是否可歸因；
Boundedness：最大 exposure 是否可估；
Auditability：事故前後 state 是否可重建；
ControlQuality：企業是否具有有效 safety / governance controls；
LossData：是否存在可用 incident / near-miss data；
CorrelationKnowledge：是否知道 shared model、firmware、cloud、planner 等共同依賴造成的 accumulation risk。

本文進一步提出保險需求會把 Paper 01–03 的幾個結構串起來：

\boxed{ \text{Robot Identity} + \text{Execution Graph} + \text{Responsibility Graph} + \text{Failure-Domain Graph} + \text{Telemetry} + \text{Revision History} }

共同構成 underwriting / claims substrate。

本文主張，保險人真正需要的並不是一句：

「這座工廠由某主管負責。」

而是：

哪個 robot？
哪個 AI / controller？
哪個 task？
哪個 policy revision？
哪個 model / firmware？
哪個 authority envelope？
哪個 safety controller？
maintenance 是否有效？
escalation 是否發生？
哪些 systems 共用相同 failure domain？
事故發生時責任圖與控制圖長什麼樣？

因此 Paper 02 的 Responsibility–Control Divergence 與 Responsibility Concentration Ratio 可能變成 insurance signal，而不是純哲學概念。

本文再提出 Insurance Governance Feedback：

\boxed{ \text{Better Controls} \rightarrow \text{Better Observability} \rightarrow \text{Better Pricing} \rightarrow \text{Potentially Lower Risk Cost} \rightarrow \text{More Deployable Autonomy}. }

但也存在反方向：

\boxed{ \text{High Claims} \rightarrow \text{Higher Premium} \rightarrow \text{Higher Retention / Exclusion} \rightarrow \text{Reduced Deployment}. }

因此保險不必然推動更多 autonomy；它更像一個會把風險差異轉換為 capital price 的制度層。

本文將一個 autonomy deployment $d$ 的保費候選抽象寫成：

\boxed{ Premium(d) = EL(d) + C_{\mathrm{capital}}(d) + C_{\mathrm{uncertainty}}(d) + C_{\mathrm{operations}}(d) + M(d), }

其中 $EL$ 是 expected loss， $C_{\mathrm{uncertainty}}$ 特別反映資料稀缺、model drift、novel behavior 與 systemic correlation 的不確定性。

本文進一步提出 Failure-Domain Graph：

\boxed{ \mathcal G^{F} = ( V_F, E_F, \Delta_F ) }

用來表示哪些 robots / firms / deployments 共同依賴相同：

model；
cloud；
firmware；
sensor；
map；
coordinator；
API；
network；
policy；
software library。

這使 insurer 不再只問：

一台 robot 的 accident probability 是多少？

而要問：

一個 common-mode failure 可以同時擊中多少 insured units？

這是 autonomous fleet 與 agentic AI 的 accumulation problem。

本文也把 claims evidence 拆成三層：

\boxed{ \text{Operational Evidence} \neq \text{Responsibility Evidence} \neq \text{Coverage Evidence}. }

Execution Graph 提供 operational evidence；Responsibility Graph 提供 responsibility topology；Insurance Graph 則回答哪些 policy / limit / exclusion / deductible cover 哪些 exposure。三者必須橋接，不能合成一張模糊圖。

本文最後提出，Machine Insurability Infrastructure 可能成為 Institutional AI Ratchet 的一個關鍵驅動：當 telemetry、identity、responsibility、failure-domain、incident recorder 與 governance controls 逐漸成為取得保險 capacity、較低 premium 或較佳 terms 的必要條件，它們就會從「AI safety 額外成本」轉化為企業部署 autonomous systems 的金融基礎設施。

關鍵詞： Machine Insurability Infrastructure、AI Insurance、Robot Insurance、Underwriting、Physical AI、Autonomous Systems、Responsibility Graph、Failure-Domain Graph、Telemetry、Claims Attribution、Correlated Risk、Insurance Governance

1. 為什麼保險問題和法律問題不同

法律制度常在事故後問：

誰依法負責？

保險制度在事故前就必須問：

我願不願意承保？
承保多少？
保費多少？
deductible多少？
exclusion怎麼寫？
aggregate limit多少？
需要哪些 risk controls？

因此：

\boxed{ \text{Law is not underwriting}. }

2. 保險人有直接財務激勵要求可觀測性

如果 insurer 對：

Loss

真正要支付 claim，

它就有私人利益降低：

InformationAsymmetry.

因此會重視：

monitoring；
testing；
maintenance；
incident response；
telemetry；
audit；
governance maturity。

3. 可保性的第一個條件：Observability

定義：

O_d = Observability(d).

回答：

事故前、事故中、事故後，系統發生什麼是否能知道？

4. Robot Data Recorder 類比

具身 AI 很自然需要類似：

\boxed{ \text{Robot Data Recorder} }

保存 time-bounded incident evidence。

它不是永久錄製世界的一切。

而是針對：

controller；
task；
software；
cyber；
sensor；
safety state；
execution；

保存適當事件窗口。

5. Telemetry 不等於監控所有人類

MII 不要求：

\text{Total Surveillance}.

應採：

event bounded；
purpose limited；
minimum necessary；
privacy protected；
retention controlled。

6. 可保性的第二個條件：Attributability

定義：

A_d = Attributability(d).

回答：

loss path 能否從 incident 回推到 task、execution、maintenance、design、authority 等關鍵因素？

7. Attribution 不等於法律裁判

即使 technical attribution 找到：

SensorFailure,

也不自動推出 manufacturer 100% liability。

因此：

\boxed{ TechnicalAttribution \neq LegalLiability. }

8. 可保性的第三個條件：Boundedness

保險人需要知道：

L_{\max}

至少大致有多大。

包括：

one-robot loss；
one-facility loss；
fleet-wide loss；
business interruption；
bodily injury；
cyber-induced physical loss；
common-mode failure。

9. 可保性的第四個條件：Auditability

事故後：

State(t_e)

能否重建？

如果 deployment / model / authority / responsibility 在事故後都被更新，而沒有 historical record，claims attribution會很困難。

10. 可保性的第五個條件：Control Quality

underwriter可能關心：

safety controller；
human oversight；
local veto；
change management；
maintenance；
rollback；
incident response；
access control；
model validation。

11. 可保性的第六個條件：Loss Data

新型 AI risk 最大困難之一是：

HistoricalLossData \approx \text{scarce}.

因此 premium uncertainty高。

12. 可保性的第七個條件：Correlation Knowledge

大量 deployments可能共享：

Model_M.

如果：

M

存在 systemic flaw，

loss不是 independent。

13. Machine Insurability Function

本文定義：

\boxed{ I_d = f( O_d, A_d, B_d, U_d, Q_d, D_d, K_d ) }

其中：

$O_d$ ：observability；
$A_d$ ：attributability；
$B_d$ ：boundedness；
$U_d$ ：auditability；
$Q_d$ ：control quality；
$D_d$ ：loss-data quality；
$K_d$ ：correlation knowledge。

14. Insurability 不是二元值

不是：

\text{insured} \lor \text{uninsured}.

而可能表現為：

preferred rate；
high premium；
low limit；
high deductible；
restrictive conditions；
exclusions；
no capacity。

15. Insurance Capacity

定義：

Cap_{\mathrm{ins}}

為 market願意提供的 aggregate risk capacity。

如果 systemic uncertainty高：

Cap_{\mathrm{ins}}\downarrow.

16. Underwriting 不只看 Model Benchmark

model accuracy高不代表整個 system risk低。

必須看：

\boxed{ \text{Model} + \text{Runtime} + \text{Task} + \text{Environment} + \text{Controls}. }

17. Underwriting Unit

未來承保 unit可能不是：

一個 model。

而是：

\boxed{ \text{Deployment Unit}. }

例如：

model revision
robot class
facility
task class
control profile
safety profile

18. Deployment Risk Record

可有：

deployment_id
robot_class
fleet_size
model_revision
planner_revision
firmware_revision
task_classes
facility_type
human_supervision
local_safety
telemetry_profile
maintenance_profile

19. Robot Identity

如果無：

RobotID,

事故紀錄難與 maintenance / task / claims連接。

20. AI Controller Identity

如果無 stable controller / resident / service identity，

也難回答：

事故時是哪個 AI decision stack？

21. Task Identity

同一 robot 執行不同 task risk不同。

因此：

\boxed{ RobotRisk \neq TaskRisk. }

22. Policy Revision

同一 fleet 在 policy v1 / v2 下 risk不同。

所以：

Risk = Risk(PolicyRevision).

23. Responsibility Graph as Underwriting Signal

Paper 03 的：

\mathcal G^R

可以提供：

closure；
concentration；
handoff；
supervision；
maintenance responsibility；
verification ownership。

24. Responsibility Closure

如果 critical domain：

Closure_R(d)=0,

insurer可能把它視為 governance weakness。

25. Responsibility Concentration Ratio

Paper 02：

RCR(H) = \frac{ \sum_iw_iE_i }{ C_H^{supervision} }.

高 RCR 可能表示：

key-person risk；
escalation bottleneck；
nominal oversight；
governance overload。

26. RCD as Risk Signal

D_{RC}\gg1

不直接等於高 premium。

但可以成為 underwriting feature。

27. Human Supervisor 不等於賠償能力

保險人不會因：

某員工「全責」

就假設其私人財產可吸收企業級事故。

因此：

\boxed{ \text{Responsibility Bearer} \neq \text{Loss-Absorbing Capital}. }

28. Failure-Domain Graph

本文提出：

\boxed{ \mathcal G^F = ( V_F, E_F, \Delta_F ) }

其中：

$V_F$ ：robots / systems / dependencies；
$E_F$ ：depends-on relations；
$\Delta_F$ ：failure propagation metadata。

29. Failure Domain Edge

第一代：

uses_model
uses_firmware
uses_sensor
uses_cloud
uses_network
uses_map
uses_planner
uses_library
uses_policy
uses_coordinator

30. Failure Domain

對 dependency $x$ ：

F(x) = \{ d_i \mid DependsOn(d_i,x) \}.

31. Accumulation Risk

若：

|F(x)|\gg1,

單點 failure可能造成大量 correlated claims。

32. Correlation 破壞簡單獨立假設

如果：

P(L_i,L_j) \neq P(L_i)P(L_j),

portfolio risk會上升。

33. Foundation / Shared Model Risk

多企業使用同一 upstream model，會形成：

\boxed{ \text{Model Concentration Risk}. }

34. Shared Cloud Risk

同樣：

CloudFailure \rightarrow ManyDeployments.

35. Shared Firmware Risk

一次 update可能：

FleetWideFailure.

36. Cyber-Physical Accumulation

cyber compromise可能同時導致 physical loss。

這比純 IT incident更複雜。

37. Failure-Domain Graph 不等於 Responsibility Graph

\boxed{ \mathcal G^F \neq \mathcal G^R. }

dependency不是責任。

38. 但兩者需要 Bridge

可有：

responsible_for_dependency
maintained_by
verified_by
covered_dependency

39. Insurance Graph

定義：

\boxed{ \mathcal G^I = ( V_I, E_I, \Theta_I ) }

回答：

哪張 policy、coverage、limit、exclusion 對應哪個 exposure？

40. Insurance Edge

例如：

covered_by
excluded_by
subject_to_limit
subject_to_deductible
reinsured_by

41. Insurance Graph 不等於 Compensation Graph

Insurance Graph回答 coverage。

Compensation Graph回答實際 money flow。

42. 三圖分離

必須保持：

\boxed{ ResponsibilityGraph \neq InsuranceGraph \neq CompensationGraph. }

43. Operational Evidence

Execution Graph提供：

發生了什麼？

44. Responsibility Evidence

Responsibility Graph提供：

誰對什麼 domain有責任？

45. Coverage Evidence

Insurance Graph提供：

什麼 loss在什麼條件下被哪張 policy cover？

46. Claims Reconstruction

incident $E$ ：

E \rightarrow G^E \rightarrow G^R \rightarrow G^F \rightarrow G^I.

47. Claims Settlement 不應只靠 Finger-Pointing

如果沒有 evidence，

OEM、software vendor、operator、integrator可能互相歸責。

MII的價值是提高 claims attribution evidence。

48. Claims Resolution Time

可定義：

T_{\mathrm{claims}}.

更完整 data recorder / responsibility graph可能降低：

T_{\mathrm{claims}}.

49. Evidence Quality

Q_E = f( Completeness, Integrity, Timestamp, Provenance, TamperResistance ).

50. Tamper-Evident Logging

高價值 incident資料需：

digest；
append-only；
signed receipt；
trusted timestamp；
access control。

51. Data Retention

不能永遠保存一切。

應依：

risk；
claims limitation period；
privacy；
regulation；
cost；

定義 retention。

52. Near-Miss Data

保險不只看事故。

也可能看：

NearMissRate.

因為事故本身太稀少。

53. Safety Event Taxonomy

第一代：

collision
near_collision
unsafe_path
unauthorized_action
emergency_stop
human_override
sensor_degradation
maintenance_overdue
model_anomaly
network_loss
cyber_event

54. Exposure Unit

premium可按：

robot-hour；
task；
mile；
lift；
facility-hour；
transaction；
deployment；

定價。

55. Usage-Based Insurance

autonomy usage越高：

Exposure\uparrow.

保費可跟 actual use變化。

56. Experience Rating

clean safety record：

RiskEstimate\downarrow

可能帶來更低 premium。

57. Bonus-Malus

可：

Premium_{t+1} = Premium_t + \Delta_{\mathrm{claims}} - \Delta_{\mathrm{safety}}.

58. Premium Architecture

本文抽象：

\boxed{ Premium(d) = EL(d) + C_{\mathrm{capital}}(d) + C_{\mathrm{uncertainty}}(d) + C_{\mathrm{operations}}(d) + M(d). }

59. Expected Loss

EL = \sum_s P(s) L(s).

但新 AI system中 $P(s)$ uncertainty很高。

60. Uncertainty Load

因此：

C_{\mathrm{uncertainty}}

可能特別大。

61. Governance Discount

若 monitoring、audit、maintenance、responsibility closure佳：

可減少 uncertainty / control load。

62. Governance Loading

反之：

no telemetry；
no identity；
no incident response；
high RCD；
no maintenance ownership；

可能增加 premium / exclusion。

63. Insurer Is a Governance Actor

保險人不必制定法律，就能透過：

premium；
deductible；
condition；
exclusion；
limit；
capacity；

影響企業行為。

64. Insurance Governance Feedback

因此：

\boxed{ \text{Underwriting} \rightarrow \text{Risk-Control Incentive}. }

65. 保險可能比法律更快調整

法律修改可能慢。

保單 wording / underwriting rule可以更快反映新 loss experience。

66. 但保險也可能過度保守

uncertainty太大時：

Premium\uparrow

或：

Capacity\downarrow.

這可能阻礙 innovation。

67. Insurance Is Not Automatically Socially Optimal

\boxed{ \text{Insurer Incentive} \neq \text{Social Welfare}. }

它主要管理 insured risk。

68. Moral Hazard

如果 coverage太完整：

operator可能降低 safety effort。

因此需要：

deductible；
retention；
control conditions；
experience rating。

69. Adverse Selection

高風險 deployments更想買 insurance。

insurer因此要求更多 data。

70. Information Asymmetry

operator比 insurer更知道 internal system。

MII降低：

InformationAsymmetry.

71. Insurability Infrastructure as Market Standard

如果 carriers普遍要求：

robot IDs；
telemetry；
responsibility records；
control evidence；

企業可能為了取得 capacity而標準化。

72. Standardization Ratchet

InsuranceRequirement \rightarrow IndustryStandard \rightarrow VendorSupport \rightarrow LowerImplementationCost.

73. Institutional Ratchet Connection

當這些 controls變成 deployment prerequisite：

InstitutionalEmbedding\uparrow.

74. Insurance Could Institutionalize AI Identity

不是因為 insurer相信 AI是「人」。

而是因為它需要 stable risk unit。

75. Risk Identity

可定義：

\boxed{ \text{Risk Identity} }

即：

可持續連結 exposure、telemetry、loss history與 control state 的識別單位。

76. Risk Identity 不等於 Legal Identity

\boxed{ RiskIdentity \neq LegalPersonhood. }

77. Robot Risk Identity

最直接是：

RobotID.

78. AI Controller Risk Identity

如果同一 controller跨多 robots，

也可能需要：

ControllerID.

79. Fleet Risk Identity

某 fleet / deployment也可能是 underwriting unit。

80. Risk Identity Hierarchy

Robot \rightarrow Fleet \rightarrow Facility \rightarrow Organization.

81. AI Resident / Controller Identity 的價值

若 AI controller長期負責同一 domain，

stable identity可以聚合：

performance；
incident；
near-miss；
upgrade history；
responsibility；
capital。

82. 但 Insurance 不需要 AI 主體性

再次：

\boxed{ Insurability \not\Rightarrow Subjecthood. }

83. Insurability Could Precede Legal Standing

risk identity可能先出現。

legal standing後來才討論。

84. Machine Insurability Infrastructure Layer

本文提出：

\boxed{ MII = ( I, E, R, F, T, C, A ) }

其中：

$I$ ：Identity；
$E$ ：Execution Evidence；
$R$ ：Responsibility；
$F$ ：Failure Domains；
$T$ ：Telemetry；
$C$ ：Controls；
$A$ ：Audit / Claims Reconstruction。

85. MII-I Identity

robot / controller / task / deployment。

86. MII-E Execution

Embodied Execution Graph。

87. MII-R Responsibility

Responsibility Graph。

88. MII-F Failure

Failure-Domain Graph。

89. MII-T Telemetry

event / incident evidence。

90. MII-C Controls

local safety；
human oversight；
change management；
rollback；
maintenance；
authorization。

91. MII-A Audit

incident-time reconstruction。

92. Claims Evidence Bundle

可包含：

incident_id
robot_ref
controller_ref
task_ref
execution_snapshot
world_state_refs
policy_revision
model_revision
firmware_revision
authority_snapshot
responsibility_snapshot
maintenance_snapshot
telemetry_window
failure_domain_refs

93. Claims Bundle 不等於全部 Raw Data

只需適當 evidence window。

94. Privacy-Preserving Claims

可以：

redaction；
selective disclosure；
cryptographic proof；
digest verification；
scoped access。

95. Insurer 不必讀 AI 全部 Memory

它需要 claims-relevant evidence。

96. Trade Secret

model vendor可能不願交全部 model weights。

可以提供：

version；
evaluation；
attestation；
incident evidence。

97. Verifiability without Full Disclosure

因此 MII可以與：

\boxed{ \text{Selective Verifiability} }

結合。

98. Reinsurance

大規模 AI / robot risk可能需要：

Insurer \rightarrow Reinsurer.

reinsurer更關心 aggregate / systemic risk。

99. Reinsurance Aggregation

reinsurer要知道：

不同 insured 是否共用同一 model / cloud / vendor？

100. Hidden Correlation

若每家保險人只看到自己的 client，

可能低估 global concentration。

101. Systemic AI Risk

foundation model或 shared infrastructure可能造成：

\boxed{ \text{Systemic Accumulation}. }

102. Portfolio-Level Stress Test

可模擬：

model failure
cloud outage
firmware bug
cyber compromise
map corruption
coordinator failure

103. Stress Loss

L_{\mathrm{stress}}(x) = \sum_{d\in F(x)} Exposure(d).

104. Accumulation Limit

insurer / reinsurer可能限制：

Exposure(F(x)) \le Limit_x.

105. Diversification Incentive

企業可能因 insurance price而：

diversify model vendors；
isolate firmware；
segment fleet；
add fallback。

106. Insurance Can Shape Architecture

這是重要 institutional feedback：

\boxed{ \text{Insurance Price} \rightarrow \text{System Architecture}. }

107. Example：Single Fleet Coordinator

如果所有 robots依賴：

F_1,

insurer看到：

SinglePointFailure.

108. Example：Segmented Coordinators

若 fleet分：

F_1,F_2,F_3,

且故障隔離，

aggregate loss可能下降。

109. Premium Signal as Architecture Signal

因此 risk price會把工程架構差異 monetized。

110. Responsibility Concentration 也可被 Monetized

如果一人負責全部，

insurance model可能看到 key-person / governance concentration。

111. 人類責任天價不是好風控

名義上把責任全部放一個 human，

不等於 insurer認為：

Risk=Low.

112. 公司級賠償能力

enterprise operation的 loss absorbing structure應包含：

company capital；
insurance；
deductible；
retention；
vendor indemnity；
reinsurance。

113. 這為 Paper 05 鋪路

責任 actor：

\neq

賠償 actor。

114. Insurance and Compensation Separation

policy response需要看：

insured；
claimant；
coverage；
retention；
limit。

115. Subrogation

insurer支付後可能向：

vendor；
manufacturer；
operator；

追償。

所以 Responsibility Graph有 financial value。

116. Vendor Contract

責任分配也會被 indemnity clause影響。

但本文不處理具體契約法。

117. Silent AI Exposure

傳統 policy可能在 wording中沒有明確 AI定位。

因此有：

\boxed{ \text{Silent AI Exposure}. }

118. Affirmative Coverage

未來可能更多：

\text{Affirmative AI Coverage}.

即明確說哪些 AI risks被 cover。

119. Exclusions

高 systemic / unknown risk可能被 exclusion。

120. Insurance Frontier

可把 peril分：

affirmatively insured
silently exposed
explicitly excluded
uninsurable/private-market difficult

121. Dynamic Frontier

新 loss data會改變 category。

122. Physical AI vs Agentic Digital AI

具身 risk有 physical loss。

software agent有：

financial；
cyber；
professional；
operational；

風險。

MII概念可泛化。

123. Agentic AI Insurability

software agent同樣需要：

task identity；
authority；
tool trace；
execution log；
dependency mapping。

124. MII 不限 Robot

名稱中的 Machine泛指 autonomous machine intelligence deployments。

125. Underwriting Could Precede Regulation

如果 regulator尚未要求 telemetry，

carrier仍可把它列為 coverage condition。

126. Market Discipline

這形成：

\boxed{ \text{Market-Based Governance}. }

127. Market Discipline 不是民主正當性替代

insurance standard不能替代公共 law。

128. 兩者可能互相影響

insurer practices可能變 industry standard。

後來 regulator參考。

129. Law Could Also Force Insurance

反過來政府可能要求：

compulsory insurance；
minimum limits；
financial responsibility。

這會再強化MII。

130. Institutional Feedback Loop

\boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurance} \rightarrow \text{Controls} \rightarrow \text{Deployability} \rightarrow \text{More Autonomy}. }

131. 但 Loop 可被 Claims 打斷

Claims\uparrow \rightarrow Premium\uparrow \rightarrow Deployment\downarrow.

132. Insurance Ratchet 的弱形式

本文不說 insurance一定推動 autonomy。

而是：

一旦 insurance infrastructure形成，AI / robot identity、telemetry、responsibility、control architecture就可能成為持久制度資產。

133. MII Exit Cost

若 enterprise後來不用 AI，

這些 infrastructure仍可能保留或轉作普通 automation governance。

因此：

C_{\mathrm{exit}}

不一定全部消失。

134. Insurability Infrastructure as Institutional Capital

MII本身具有：

data；
tooling；
standards；
workflows；
contracts。

所以是一種 institutional capital。

135. 可證偽命題一：Telemetry Demand

autonomy提高時，carrier是否要求更多 telemetry？

136. 可證偽命題二：Governance Pricing

control quality是否影響 premium / limit / deductible？

137. 可證偽命題三：Responsibility Graph Value

責任圖完整度是否降低 claims ambiguity / resolution time？

138. 可證偽命題四：RCD Signal

高 Responsibility-Control Divergence是否與較差 underwriting terms相關？

139. 可證偽命題五：Failure-Domain Mapping

有 dependency graph的fleet是否更容易獲得capacity？

140. 可證偽命題六：Correlation Pricing

shared model / cloud concentration是否反映在 portfolio limits / reinsurance？

141. 可證偽命題七：Safety Feedback

clean incident record是否降低 premiums？

142. 可證偽命題八：Institutional Standardization

insurance requirements是否促成 industry-wide robot identity / recorder standards？

143. 反例條件

若：

insurer只看粗略 robot count；
telemetry不影響 pricing；
responsibility trace不影響 claims；
correlated model risk可忽略；
AI-specific coverage長期不發展；

則 MII 假說需弱化。

144. 第一代 MII 實驗

Paper 01 warehouse fixture：

3 robots
1 fleet AI
1 human supervisor
1 maintainer
2 robot models
1 shared planner

145. 建立 Mock Insurer

輸入：

execution graph；
responsibility graph；
failure domains；
telemetry；
RCD / RCR。

146. Compare Two Firms

Firm A：

no recorder
single supervisor
shared model
no failure segmentation

Firm B：

incident recorder
typed responsibility graph
segmented coordinators
maintenance trace

147. Mock Premium Function

Premium = EL + U + K + M.

比較差異。

148. Claims Experiment

模擬：

collision；
firmware bug；
cyber compromise；
maintenance failure。

149. Claims Metrics

time_to_root_cause
responsibility_gap_count
coverage_ambiguity
evidence_completeness
subrogation_target_confidence

150. Failure-Domain Experiment

同一 planner bug擊中：

1,10,100

robots。

觀察 accumulation。

151. Reinsurance Stress Test

計算：

L_{\mathrm{stress}}.

152. Minimum MII Records

robot_registry
controller_registry
deployment_record
task_record
execution_receipt
responsibility_snapshot
maintenance_record
incident_window
failure_dependency
insurance_policy_ref

153. Minimum MII Invariants

MI-1

\boxed{ Insurability \neq LegalPersonhood. }

MI-2

\boxed{ TechnicalAttribution \neq LegalLiability. }

MI-3

\boxed{ ResponsibilityBearer \neq LossAbsorbingCapital. }

MI-4

\boxed{ RobotRisk \neq TaskRisk. }

MI-5

\boxed{ ResponsibilityGraph \neq FailureDomainGraph. }

MI-6

\boxed{ ResponsibilityGraph \neq InsuranceGraph. }

MI-7

\boxed{ InsuranceGraph \neq CompensationGraph. }

MI-8

\boxed{ Telemetry \neq TotalSurveillance. }

MI-9

\boxed{ RiskIdentity \neq LegalIdentity. }

MI-10

\boxed{ InsuranceIncentive \neq SocialOptimality. }

154. Machine Insurability Principle

本文提出：

\boxed{ \textbf{Machine Insurability Principle} }

弱形式：

高自主機器系統若要取得穩定、可擴展的保險 capacity，其風險必須在合理程度上變得可觀測、可歸因、可界定、可審計，且其共同依賴與 correlated-failure exposure 必須能被辨識。

155. Evidence-Based Claims Principle

\boxed{ \textbf{Evidence-Based Claims Principle} }

弱形式：

事故理賠應盡可能建立在 incident-time execution、responsibility、maintenance、revision 與 telemetry evidence 上，而不是僅依賴事後各方自然語言敘述。

156. Accumulation Visibility Principle

\boxed{ \textbf{Accumulation Visibility Principle} }

弱形式：

任何被大量 deployments 共用的 model、firmware、cloud、planner、policy 或 coordinator，都應被視為可能的 correlated-loss node，並在 underwriting / reinsurance 層具有可觀測 exposure mapping。

157. Insurance Governance Principle

\boxed{ \textbf{Insurance Governance Principle} }

弱形式：

當保費、limit、deductible、coverage condition 與 capacity 對 governance quality 作差異化定價時，保險可成為 AI safety / accountability 的市場型治理機制之一，但不能取代公共法律與民主治理。

158. 與 Paper 00 的關係

Paper 00提出 Insurance Ratchet。

本文給出其工程 substrate。

159. 與 Paper 01 的關係

Execution Graph提供 claims factual chain。

160. 與 Paper 02 的關係

RCD / RCR成為 governance concentration signals。

161. 與 Paper 03 的關係

Responsibility Graph提供 responsibility evidence。

162. 與 Paper 05 的關係

下一篇將從 insurance coverage進一步區分：

\boxed{ \text{誰負責} \neq \text{誰先賠}. }

163. 與 Paper 06 的關係

Insurance deductible / retention / reserve 會直接引出：

CapitalFollowsAutonomy.

164. 與 Paper 07 的關係

若 AI-specific reserve / account能改善 underwriting，企業會產生私人利益。

165. 與 Paper 08 的關係

MII一旦成為大規模 autonomous deployment prerequisite，就成為 Institutional AI Ratchet的重要制度層。

166. 2026 年現實錨點

2026 年已出現幾個值得注意、但仍屬早期市場訊號的方向：

autonomous vehicle ecosystem 開始出現整合 developers、fleet operators、manufacturers / owners 與 OEM 的專門 insurance facility；
physical-AI / robotics insurance 新創開始把 robot-specific liability、robot damage、cyber-physical loss、business interruption 與 incident recorder evidence放在同一產品架構中；
AI insurance研究開始把缺乏歷史 loss data、dynamic model behavior、correlated / systemic failure、governance signals、usage-based coverage與 assurance integration列為核心 underwriting 問題；
agentic-AI insurance研究也開始把 autonomy、delegated authority、dependency mapping、telemetry與 dedicated AI aggregates視為保險架構要素。

這些訊號不足以證明 MII 必然成為全球標準，但足以支持本文的研究方向：保險市場已經開始把 AI / autonomous-system governance 當成可以直接影響 coverage 與 risk price 的工程問題，而不只是抽象倫理問題。

167. 最終命題

本文提出：

\boxed{ \textbf{Machine Insurability Infrastructure Thesis} }

弱形式為：

當 autonomous AI / robotics 進入足以造成企業級、物理級或 systemic loss 的規模後，保險市場若要提供穩定 capacity，就會增加對 identity、telemetry、responsibility、control quality、revision history、failure-domain mapping 與 incident reconstruction 的需求。這些需求可能在法律正式賦予 AI 任何新制度地位之前，就先促成 AI / robot accountability infrastructure 的標準化。

168. 更簡潔的形式

\boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurability Demand} \rightarrow \text{Accountability Infrastructure}. }

169. 最終結論

保險公司不需要先回答：

AI 是不是人？

它只需要回答：

這個風險我到底怎麼算？

而只要 autonomous system 的 loss path開始跨越：

model；
software；
robot；
operator；
maintainer；
fleet AI；
human supervisor；
vendor；

保險人就很難只接受：

「我們公司有一位總負責人。」

作為完整風控答案。

真正有價值的是：

\boxed{ \text{Identity} + \text{Execution Evidence} + \text{Responsibility} + \text{Failure Domains} + \text{Telemetry} + \text{Controls} + \text{Audit}. }

當這些東西逐漸變成「沒有就拿不到合理保費／保額／capacity」的條件，AI accountability architecture就不再只是企業願不願意做的倫理附加項。

它會變成：

\boxed{ \text{financial infrastructure for autonomy}. }

更重要的是，insurance pricing會把架構差異貨幣化。

同樣 500 台 robots：

一間公司若有：

single coordinator；
single supervisor；
no telemetry；
no responsibility graph；
common model dependency；

另一間公司若有：

segmented failure domains；
local safety veto；
typed responsibility；
incident recorder；
maintenance trace；
independent validation；

兩者的 risk topology並不相同。

因此：

\boxed{ \text{Same Robot Count} \neq \text{Same Insurable Risk}. }

這也使保險開始反向影響工程架構：

\boxed{ \text{Insurance Price} \rightarrow \text{System Architecture}. }

一旦發生這種 feedback，Machine Insurability Infrastructure 就成為 Institutional AI Ratchet 的一部分。

下一篇因此要處理更尖銳的一個問題：

即使 Responsibility Graph 已經能告訴我們誰對事故負責，受害人真正拿錢時，究竟是誰先賠？公司、員工、保險人、vendor 與 AI responsibility domain 之間，責任與賠償為什麼必須拆開？

這就是 Paper 05。

系列進度

Paper 00 — 從能力不可凍結到制度不可逆：UFI 之後的第二條 AI 棘輪
Paper 01 — 從 Conversation Graph 到 Embodied Execution Graph：分散式 AI 如何跨多具身端點行動
Paper 02 — 責任—控制背離：高自主系統為什麼不能把全部責任壓回一個人類主管
Paper 03 — Responsibility Graph：分散式具身 AI 的設計、授權、委派、執行與維護責任拓撲
Paper 04 — Machine Insurability Infrastructure：為什麼保險可能比法律更早逼出 AI 責任架構
Paper 05 — 誰負責不等於誰先賠：AI 時代的 Responsibility–Compensation Separation
Paper 06 — Capital Follows Autonomy：為什麼高自主 AI 可能開始需要自己的經濟帳戶與責任資本
Paper 07 — 私人利益如何創造 AI 經濟主體：股東、保險、會計與稅制的內生激勵
Paper 08 — 制度棘輪：從工具 AI 到責任實體、經濟實體與有限法律主體

參考資料與現實錨點

Marsh Risk & Apollo ibott. Autonomous Vehicle Insurance Program for Uber, 2026-03-12.
Boop Insurance. Robot insurance / Robot Data Recorder product materials, accessed 2026.
Szpruch, L., Orfanoudaki, A., Maple, C., Wicker, M., Bengio, Y., Lam, K.-Y., & Detyniecki, M. Insuring AI: Incentivising Safe and Secure Deployment, Harvard Data Science Review, 2026.
Leung, A., Zhang, R., Ling, E., Toyoda, K., & Loh, S. The Insurability Frontier of AI Risk: Mapping Threats to Affirmative Coverage, Silent Exposures, and Exclusions, 2026.
Zhu, Q. Insurance of Agentic AI, 2026.

內部理論銜接

本文直接承接：

Embodied Execution Graph；
Responsibility–Control Divergence；
Responsibility Graph；
Institutional AI Ratchet；
NACR identity / authority / receipts；
UFI dependency / institutional path-dependence line。

本文新增核心抽象：

\boxed{ MII = ( I, E, R, F, T, C, A ) }

與：

\boxed{ \mathcal G^F = ( V_F, E_F, \Delta_F ) }

以及：

\boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurability Demand} \rightarrow \text{Accountability Infrastructure}. }