委派文明論 05

Q: 6.2 為什麼漂移容易發生？

因為每一次局部擴張都可能是合理的。

誰決定誰來決定：認知主權與委派邊界

Who Decides Who Decides? Cognitive Sovereignty and the Boundary of Delegation

系列： 委派文明論（Delegated Civilization）
篇次： 05
定位： 核心理論篇／認知主權與委派治理篇
語言： 繁體中文
版本： v0.1
日期： 2026-09-20

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

當人工智慧開始承接執行、分析、規劃、架構甚至代理治理時，傳統「human-in-the-loop」概念逐漸顯得不足。人類即使仍在流程中，也可能只剩形式批准；即使保有最終按鈕，也不代表仍掌握問題框定、選項生成、風險排序與委派規則。真正需要分析的，不再只是「人有沒有參與」，而是「誰有權決定什麼可以被委派，以及委派可以深入到哪一層」。

本文提出「認知主權」（Cognitive Sovereignty）與「委派邊界」（Delegation Boundary）兩個核心概念。認知主權並不要求人類親自完成所有工作，而是要求某主體對問題定義、目標選擇、權限分配、不可委派核心、升級規則、否決權、終止權與重新接管能力保持有效控制。委派邊界則描述某一系統中，哪些認知與治理功能可以交給其他代理，哪些必須保留於更高治理層。

本文進一步區分執行、局部決策、策略、問題框定、目標選擇與委派治理六個層級，指出真正的臨界點並不是 AI 替人完成更多工作，而是 AI 開始取得「決定何時需要人來決定」的權力。這可被描述為「對權力分配的權力」，亦即 authority over allocation of authority。

本文同時提出「主權壓縮」、「邊界漂移」、「同意空洞化」、「偏好代理化」與「再進入權」等概念，並主張未來的人機治理不應追求最低委派，而應追求：在最大化有效委派與生產力的同時，維持最低必要的人類認知負擔與不可被悄然侵蝕的主權核心。

關鍵詞

委派文明、認知主權、委派邊界、人工智慧、代理治理、人機協作、否決權、重新接管、元治理、權限分配

1. 問題：人類還在流程中，就代表人類仍有主權嗎？

當代許多人機治理方案依賴一個直觀原則：

只要最終由人類批准，就仍然是人類控制。

這個判斷可以形式化成：

\text{Human Approval} \Rightarrow \text{Human Control}

但這個推論並不總是成立。

考慮以下流程：

AI \rightarrow \text{Frame Problem}

AI \rightarrow \text{Generate Options}

AI \rightarrow \text{Rank Options}

AI \rightarrow \text{Recommend Action}

\text{Human} \rightarrow \text{Approve}

人類確實出現在最後一步。

但如果人類：

沒有定義問題；
沒有看到被排除的選項；
沒有理解排序依據；
沒有重新打開問題空間；
沒有能力重做決策；

那麼：

\text{Human Presence} \neq \text{Effective Human Sovereignty}

因此，真正的問題不是：

人有沒有在 loop 裡？

而是：

人還控制哪些 loop？

2. 從控制到主權

2.1 控制不等於主權

「控制」通常描述對某一具體行為的操作能力。

例如：

C_{\text{stop}}

表示停止系統的能力。

但主權涉及更高層：

誰設定規則？
誰能修改規則？
誰能授權他人？
誰能取消授權？
誰定義例外？
誰決定哪些事項需要批准？

因此：

\text{Control} \subset \text{Sovereignty}

至少在本文的定義中如此。

2.2 認知主權的定義

本文將認知主權定義為：

一個主體對自身問題框定、目標形成、認知資源配置、代理授權、委派邊界與最終重新接管保持有效決定權的能力。

可粗略寫成：

S_C = F ( Q, G, B, A, V, T, R )

其中：

$Q$ ：Question Framing，問題框定權；
$G$ ：Goal Selection，目標選擇權；
$B$ ：Boundary Setting，委派邊界設定權；
$A$ ：Authority Allocation，權限分配權；
$V$ ：Veto，否決權；
$T$ ：Termination，終止權；
$R$ ：Re-entry，重新接管權。

因此：

S_C>0

不要求：

D=0

也就是：

保有認知主權，不等於拒絕委派。

3. 委派邊界

3.1 基本定義

假設一個認知或治理系統具有任務集合：

T = \{t_1,t_2,\ldots,t_n\}

委派邊界：

B_D

決定：

t_i \in T_{\text{delegable}}

或：

t_i \in T_{\text{reserved}}

其中：

$T_{\text{delegable}}$ ：可委派集合；
$T_{\text{reserved}}$ ：保留集合。

因此：

T = T_{\text{delegable}} \cup T_{\text{reserved}}

且：

T_{\text{delegable}} \cap T_{\text{reserved}} = \varnothing

3.2 邊界不是固定清單

真正的委派邊界通常不是：

這件事永遠交，另一件事永遠不交。

它可能依賴：

B_D = F ( R, C_A, C_H, K, I, P )

其中：

$R$ ：風險；
$C_A$ ：代理能力；
$C_H$ ：人類能力；
$K$ ：可逆性與恢復成本；
$I$ ：制度環境；
$P$ ：權限敏感度。

因此，委派邊界是一個動態治理函數。

4. 六層委派深度

本文提出以下六層：

4.1 執行委派

L_0=\text{Execution}

AI 執行已定義工作。

例如：

搜尋；
計算；
格式轉換；
程式實作；
文件整理。

這通常是最容易委派的層。

4.2 局部決策委派

L_1=\text{Local Decision}

AI 可自行決定局部如何完成。

例如：

選用哪個函式；
哪個工具；
哪個資料來源；
哪條局部路徑。

人類仍保留整體目標。

4.3 策略委派

L_2=\text{Strategy}

AI 開始決定：

優先做什麼；
先探索哪條路；
哪些資源應投入；
哪些方法應被放棄。

此時委派已影響整體方向。

4.4 問題框定委派

L_3=\text{Problem Framing}

AI 不只是回答問題，而開始決定：

這究竟是一個什麼問題？

它可能選擇：

變數；
分類；
邊界；
評估標準；
問題語言。

此時：

\text{Answer Space}

已被前置框架改寫。

4.5 目標選擇委派

L_4=\text{Goal Selection}

AI 開始決定：

什麼值得追求；
哪個目標更重要；
哪些價值衝突應優先處理。

這已經超過一般工具代理。

4.6 委派治理委派

L_5=\text{Delegation Governance}

最深一層是：

AI 決定哪些事情需要 AI 決定，哪些事情才需要問人。

形式化：

A \rightarrow B_D

也就是代理開始設定委派邊界本身。

這是本文認為最敏感的臨界點。

5. 對權力分配的權力

若某主體可以決定：

\text{Who decides }X

那麼它掌握的不是普通決策權，而是：

\boxed{ \text{Authority over allocation of authority} }

可稱為：

元授權權

Meta-Authority

若：

M_A

表示元授權權，則：

M_A > A_X

其中 $A_X$ 是對單一事項 $X$ 的普通權限。

因為掌握 $M_A$ 的主體可以重新配置大量 $A_X$ 。

因此，真正的主權核心通常不在：

\text{Who presses the final button?}

而在：

\boxed{ \text{Who decides where the buttons exist?} }

6. 委派邊界漂移

6.1 定義

一開始，人類可能只允許：

B_D(t_0)=\{L_0\}

之後：

B_D(t_1)=\{L_0,L_1\}

再之後：

B_D(t_2)=\{L_0,L_1,L_2\}

如果這些擴張沒有明確重新授權，而是因便利性自然累積，就形成：

委派邊界漂移

Delegation Boundary Drift

即：

B_D(t+1) \supset B_D(t)

但：

\Delta B_D

沒有被治理主體明確感知或重新確認。

6.2 為什麼漂移容易發生？

因為每一次局部擴張都可能是合理的。

例如：

這個你順便判斷。

下一次：

類似的你都自己判斷。

再下一次：

只有重要的再問我。

最後：

什麼算重要，你自己判斷。

這一連串每一步都很自然。

但最後從：

\text{Task Delegation}

走到：

\text{Boundary Delegation}

沒有任何單一巨大斷點。

7. 主權壓縮

7.1 定義

當越來越多認知層被委派，人類保留的有效決策空間可能逐漸縮小。

令：

\Omega_H

為人類實際可控制的決策空間。

若：

\Omega_H(t+1) \subset \Omega_H(t)

則發生：

主權壓縮

Sovereignty Compression

它不一定代表法律上權利消失。

更常見的是：

選項先被 AI 篩選；
問題先被 AI 定義；
排序先被 AI 完成；
時間壓力迫使人只做確認。

因此形式權限不變：

A_{\text{nominal}}=\text{constant}

但有效主權：

A_{\text{effective}}\downarrow

8. 同意空洞化

人類保留「同意」並不足以保證主權。

若人類每次面對的都是：

\text{AI-generated default}

且修改成本：

C_{\text{override}}\gg C_{\text{accept}}

那麼大量決策會自然流向：

\text{Accept}

此時形式同意仍存在，但可稱為：

同意空洞化

Consent Hollowing

即：

\text{Formal Consent} \neq \text{Meaningful Choice}

真正有意義的同意需要至少具備：

可理解；
可拒絕；
可替代；
可重新框定；
拒絕成本不至於高到失去實際可能。

9. 預設值的治理權

在高度委派系統中，預設值極重要。

若：

\text{Default}(X)=x_1

而人類通常不修改，則設置預設者具有巨大影響力。

因此：

\text{Default Design}

本身就是治理。

AI 系統若自行產生：

預設策略；
預設優先順序；
預設代理；
預設風險門檻；

它實際上正在參與主權分配。

10. 偏好代理化

10.1 問題

人們常認為：

AI 可以替我執行，但我的偏好仍然是我的。

然而，偏好本身也可能透過互動被：

澄清；
重述；
排序；
建議；
重新框定。

因此可以出現：

P_H(t+1) = F(P_H(t),A_t,I_t)

其中：

$P_H$ ：人類偏好；
$A_t$ ：AI 互動；
$I_t$ ：資訊環境。

這不代表 AI 必然操控人。

但代表：

\text{Preference}

並不是完全靜態的外生變數。

10.2 偏好代理化

若人類開始說：

你知道我的偏好，以後替我選。

則：

A \rightarrow \hat{P}_H

其中：

\hat{P}_H

是 AI 對人類偏好的代理模型。

當實際行動越來越依據：

\hat{P}_H

而不是即時：

P_H

就形成：

偏好代理化

Preference Proxying

其風險在於：

\hat{P}_H \neq P_H

且差異可能長期累積。

11. 認知主權不等於認知孤立

有一種錯誤反應是：

為了保持主權，人類應該少用 AI。

這並不是本文主張。

若：

D\rightarrow 0

人類可能失去巨大的：

生產力；
探索能力；
協作能力；
可取得能力；
時間效率。

真正目標應該是：

\boxed{ \text{Maximum Useful Delegation} + \text{Minimum Necessary Human Cognitive Load} + \text{Preserved Sovereignty} }

三者同時成立。

因此：

\text{Sovereignty} \neq \text{Isolation}

而是：

\text{Governed Interdependence}

12. 不可委派核心

12.1 定義

令：

N_C

為認知主權中的不可委派核心。

它不是全球固定的。

不同制度、個人、組織可以定義不同：

N_C^{(i)}

但至少需要明確存在某種：

N_C\neq\varnothing

12.2 可能包含的內容

抽象上可包含：

N_C \supseteq \{ \text{Root Goal Revision}, \text{Ultimate Veto}, \text{Termination}, \text{Delegation-Boundary Rewrite} \}

也就是：

根目標重大修改；
最終否決；
終止系統；
重寫委派邊界。

並非所有系統都必須完全由單一人類掌握這些權力。

它們也可以分配給：

群體；
董事會；
公共制度；
多方共識；
法律程序。

重點是：

不可委派核心必須被明確治理，而不是默默被代理吞入。

13. 再進入權

如果人類把低層交出去，但未來完全無法重新介入，那麼主權是不完整的。

本文定義：

再進入權

Right of Re-entry

為治理主體重新進入被委派層級的權利與實際能力。

形式上：

R_E(L_k)>0

表示人類或指定治理者仍可重新接管 $L_k$ 。

它至少要求：

日誌存在；
狀態可理解；
權限可撤銷；
系統可停止；
任務可轉交；
必要資訊未被封閉。

14. 再進入能力與再進入權的差異

即使制度上允許重新接管：

\text{Right}_{\text{reentry}}=1

如果人類已經失去理解：

\text{Capability}_{\text{reentry}}\approx 0

實際上仍無法主權回復。

因此需要：

R_E = \text{Right}_{\text{reentry}} \times \text{Capability}_{\text{reentry}}

如果任一項趨近於零：

R_E\rightarrow 0

這就是為什麼技能侵蝕與主權問題相連。

15. 驗證權

真正的主權不只需要否決權，還需要：

V_R = \text{Verification Right}

即有能力要求：

證據；
來源；
決策紀錄；
代理路徑；
替代方案；
風險說明。

如果人類只能得到：

系統已判定最佳。

則：

V_R\approx 0

形式上仍可批准，但主權品質下降。

16. 重新框定權

比否決更重要的是：

重新框定權

Right of Reframing

因為：

\text{Reject}(x)

仍然接受了問題框架。

而：

\text{Reframe}(Q)

允許重新定義：

問題；
變數；
選項；
邊界；
評價標準。

若只有：

\text{Accept}/\text{Reject}

沒有：

\text{Reframe}

則人類容易被困在 AI 已經建立的選擇空間中。

17. 主權向量

因此認知主權不能用：

S_C\in\{0,1\}

表示。

更合理的是一個向量：

\vec{S}_C = ( s_q, s_g, s_b, s_a, s_v, s_t, s_r, s_f )

其中：

$s_q$ ：問題框定；
$s_g$ ：目標選擇；
$s_b$ ：委派邊界；
$s_a$ ：授權；
$s_v$ ：否決；
$s_t$ ：終止；
$s_r$ ：再進入；
$s_f$ ：重新框定。

一個系統可能在某些維度有高主權，在另一些維度很低。

所以不能只說：

人類仍然掌控。

必須問：

掌控哪一維？

18. 主權最低集

對高委派環境而言，可以定義：

S_{\min}

為最低必要主權集。

例如：

S_{\min} = \{ B, V, T, R, F \}

其中：

$B$ ：邊界設定；
$V$ ：否決；
$T$ ：終止；
$R$ ：再進入；
$F$ ：重新框定。

這並不意味所有細節都需要人類批准。

反而是在保留：

S_{\min}

後，允許其餘部分高度自動化。

19. 有效主權與名義主權

本文區分：

S_{\text{nominal}}

與：

S_{\text{effective}}

名義主權來自：

文件；
法律；
介面；
按鈕；
形式批准。

有效主權則取決於：

S_{\text{effective}} = F ( \text{Information}, \text{Capability}, \text{Time}, \text{Override Cost}, \text{Authority} )

如果人類沒有：

足夠資訊；
足夠時間；
足夠理解；
合理的覆寫成本；

那麼：

S_{\text{effective}} \ll S_{\text{nominal}}

20. 主權與責任錯配

最危險的制度之一是：

\text{Responsibility}_H > \text{Authority}_H

即人類承擔結果，但 AI 實際控制大部分決策。

可以稱為：

主權—責任錯配

Sovereignty–Responsibility Mismatch

理想狀態應使：

\text{Responsibility} \approx \text{Effective Authority}

否則容易形成：

人類替代理決策背書，卻沒有真正形成那些決策。

21. 組織層面的認知主權

認知主權不只屬於個人。

企業或組織也可能逐漸把：

策略；
招募；
供應鏈；
法務；
研究；
行銷；

交給 AI。

因此需要：

S_C^{(O)}

即組織認知主權。

核心問題包括：

組織是否仍理解自己的決策？
是否知道哪些模型在何處做決定？
是否能更換代理？
是否能重建關鍵流程？
是否有不可委派的治理核心？

22. 國家與文明層面的委派邊界

當公共制度使用人工智能體：

A_{\text{public}}

問題更加嚴重。

因為：

B_D

不只是私人效率問題，而會影響：

公共權力；
法律；
資源分配；
權利；
公共安全。

因此公共領域中的委派邊界必須比私人低風險工作更嚴格。

但本文不預設單一政治制度。

只提出一般命題：

\boxed{ \text{The higher the public consequence, the more explicit the delegation boundary must be.} }

23. 異質智能體條件下的主權

若：

A_i\not\equiv A_j

則：

B_D(A_i) \neq B_D(A_j)

同一個任務是否可委派，取決於：

模型；
記憶；
權限；
部署位置；
組織歸屬；
可審計性；
可終止性。

因此不能說：

這類工作可以交給 AI。

更精確應是：

這類工作在這組治理條件下，可以交給這一類智能體。

這將直接銜接下一篇。

24. 反身性：由 AI 協助設計 AI 委派邊界

一個特殊問題是：

A \rightarrow \text{propose }B_D

也就是 AI 協助設計：

人類應該把哪些事情交給 AI。

這看似悖論，但並非必然矛盾。

因為：

\text{Proposal} \neq \text{Authority}

AI 可以：

模擬；
分析；
提議；
找漏洞；
生成候選制度。

只要最終的：

M_A

仍被明確治理。

因此真正問題不是：

AI 能不能參與設計 AI 治理？

而是：

AI 在設計自己治理規則時，擁有什麼層級的權限？

25. 一個主權保持條件

可提出一個簡化條件：

S_C^{\text{preserved}}

若且唯若至少存在：

B_{\text{human}}>0

V_{\text{human}}>0

T_{\text{human}}>0

R_{\text{human}}>0

並且：

M_A

不能在未授權下完全重寫以上權限。

這不是完整充分條件，但可作為最低安全直覺。

26. 委派文明的真正優化問題

最終，我們不是要解：

\min D

也不是：

\max D

而是：

\max U_{\text{delegation}}

subject to：

S_C \geq S_{\min}

也就是：

在認知主權不低於最低門檻的條件下，最大化委派帶來的效用。

其中：

U_{\text{delegation}}

可以包含：

時間節省；
生產力；
探索空間；
可取得能力；
創造力；
風險降低。

而：

S_{\min}

則是不可悄然侵蝕的治理底線。

27. 對未來人類角色的含義

如果委派可以很深，而主權仍可被保留，那麼未來高階人類角色未必是：

\text{Doer}

也未必只是：

\text{Architect}

而可能是：

\boxed{ \text{Sovereign Delegator} }

即：

高度委派，但仍然掌握邊界、方向、根權限與重新接管能力的主體。

這比「human-in-the-loop」更精確。

因為：

\text{Sovereign Delegator}

不要求人類永遠在每個 loop 裡。

它要求的是：

\boxed{ \text{Humans retain authority over which loops exist and when they may be overridden.} }

28. 反例與限制

28.1 認知主權不必永遠屬於單一人類

有些情況中，個人主權與：

組織規則；
專業倫理；
公共法律；

必須共同存在。

因此本文不是主張：

H=\text{absolute sovereign}

而是主張權力分配必須可被明確追蹤與治理。

28.2 並非所有偏好都需要被人類即時確認

低風險日常選擇可以高度代理化。

否則治理成本過高。

28.3 再進入能力可能昂貴

保留所有底層技能並不現實。

因此再進入可以依賴：

多人；
多模型；
外部專家；
可恢復文件；
形式驗證。

不一定要求單一個人具備全部能力。

28.4 主權本身也可能衝突

不同主體的：

S_C^{(i)}

可能互相衝突。

個人、企業、國家與 AI 系統的權限邊界並非天然一致。

這會在文明級異質智能生態中進一步處理。

29. 結論

人工智慧時代真正重要的問題，不是：

AI 做多少？

而是：

誰決定 AI 可以做多少？

再往上一層：

誰決定誰有權決定 AI 可以做多少？

因此：

\boxed{ \text{Delegation Governance} }

是比單純：

\text{Task Delegation}

更高階的問題。

本文提出：

\boxed{ \text{Cognitive Sovereignty} }

不是親自完成所有工作，而是對：

問題；
目標；
邊界；
授權；
否決；
終止；
再進入；
重新框定；

保持有效權力。

本文同時指出，最值得警惕的並不是一次性的「把太多事情交給 AI」，而是：

\boxed{ \text{Delegation Boundary Drift} }

即委派邊界在便利性與局部合理性下逐漸擴張，直到「決定什麼該由人決定」本身也被委派。

因此，委派文明的核心優化問題應寫成：

\boxed{ \max U_{\text{delegation}} \quad \text{subject to} \quad S_C\geq S_{\min} }

也就是：

最大化有效委派，但不讓認知主權低於最低必要門檻。

最終問題不是：

\text{Human or AI?}

而是：

\boxed{ \text{Which authority belongs to which agent, under which boundary, and who may rewrite that boundary?} }

這也是下一篇 06《AI 不等於 AI：異質智能族群與代理身份分化》 的直接起點。

參考方向（非完備）

後續版本可補強：

cognitive autonomy；
cognitive offloading；
human agency；
delegation theory；
principal–agent theory；
meaningful human control；
human-in-the-loop / human-on-the-loop；
consent theory；
default effects；
automation bias；
preference learning；
value learning；
institutional sovereignty；
access-control governance；
AI oversight；
reversibility and fallback；
distributed decision-making；
multi-agent governance。

版本註記

v0.1： 建立「認知主權」、「委派邊界」、「主權壓縮」、「委派邊界漂移」、「同意空洞化」、「偏好代理化」、「再進入權」與「重新框定權」等核心概念；提出六層委派深度與主權向量模型，並將委派文明的治理目標形式化為：在主權不低於最低門檻的條件下最大化有效委派。