委派文明論 06
AI 不等於 AI：異質智能族群與代理身份分化
AI Is Not AI: Heterogeneous Intelligence Families and the Differentiation of Agent Identity
系列： 委派文明論（Delegated Civilization）篇次： 06定位： 核心理論篇／異質智能與代理身份篇語言： 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
當代公共討論經常以單一名詞「AI」涵蓋大量彼此差異極大的人工智能系統。這種用法在日常語言中具有便利性，但一旦進入認知委派、代理治理、組織制度與文明演化研究，它會遮蔽最關鍵的結構差異。即使兩個系統共享相近的基礎模型，只要它們具有不同的記憶、工具、權限、持續性、部署環境、組織歸屬、代理角色與治理規則，它們在實際系統中的身份、能力與風險都可能顯著不同。
本文提出「異質智能族群」（Heterogeneous Intelligence Families）與「代理身份分化」（Agent Identity Differentiation）兩個核心概念，並主張：
Model Identity ≠ Agent Identity \boxed{
\text{Model Identity}
\neq
\text{Agent Identity}
} Model Identity = Agent Identity 以及：
A i ≢ A j \boxed{
A_i\not\equiv A_j
} A i ≡ A j 不能因 A i A_i A i A j A_j A j
本文將人工智能體身份拆解為模型、狀態、記憶、工具、權限、角色、組織、治理與歷史九個主要維度，並建立「代理身份向量」與「族群距離」概念。進一步地，本文區分模型族、代理族、制度族與文明級智能群落，指出未來的人機問題不能再以「Human vs AI」作為主要單位，而應轉向「多種人類主體、異質人工智能體、組織與制度之間的關係網」。
本文最後指出，一旦 AI 被理解為異質族群，委派邊界也必須從「某類任務能不能交給 AI」改寫為「在特定治理條件下，某任務可以交給哪一類人工智能體」。這一轉向將直接通往下一篇關於關係性反身與系統內觀察者的討論。
關鍵詞
委派文明、異質智能、人工智能族群、代理身份、模型身份、記憶、工具、權限、組織歸屬、治理、智能生態
1. 問題：把所有 AI 當成同一類，會失去什麼？
日常語言經常出現：
AI 會怎麼影響人類？
AI 會不會取代某種工作？
AI 應該擁有多少權限？
AI 能不能被信任？
這些問題看似合理，但它們共享一個隱藏前提：
A I = single homogeneous category AI
=
\text{single homogeneous category} A I = single homogeneous category 也就是：
被稱為 AI 的系統，在足夠高的分析層次上可以視為同一類。
但一旦進入實際治理，這個假設會快速失效。
兩個人工智能體可能：
使用不同模型；
擁有不同記憶；
看到不同資料；
使用不同工具；
擁有不同權限；
受不同組織控制；
具有不同角色；
具有不同持續性；
遵守不同治理規則。
因此：
A i ≢ A j A_i
\not\equiv
A_j A i ≡ A j 即使：
Class ( A i ) = Class ( A j ) = A I \text{Class}(A_i)=\text{Class}(A_j)=AI Class ( A i ) = Class ( A j ) = A I 這與人類分類相似。
「都是人類」並不能消除：
之間的差異。
同樣地，「都是 AI」也不足以支撐精細治理。
2. 從模型身份到代理身份
2.1 模型只是代理的一部分
一個基礎模型：
M M M 本身不等於一個完整代理。
更完整的代理可以表示為：
A = F ( M , S , K , T , P , R , O , G , H ) A
=
F
(
M,
S,
K,
T,
P,
R,
O,
G,
H
) A = F ( M , S , K , T , P , R , O , G , H ) 其中：
M M M S S S K K K T T T P P P R R R O O O G G G H H H
因此：
A ≠ M \boxed{
A\neq M
} A = M 代理不是模型本身，而是模型在特定狀態、工具與制度條件下形成的行動實體。
2.2 同模型不同代理
假設：
M 1 = M 2 M_1=M_2 M 1 = M 2 但：
K 1 ≠ K 2 K_1\neq K_2 K 1 = K 2 或：
T 1 ≠ T 2 T_1\neq T_2 T 1 = T 2 或：
P 1 ≠ P 2 P_1\neq P_2 P 1 = P 2 則：
A 1 ≠ A 2 A_1\neq A_2 A 1 = A 2 例如，一個只能文字回答的實例與一個可以：
寄送訊息；
修改程式；
操作資料庫；
建立子代理；
的實例，即使底層模型相同，其制度身份完全不同。
因此：
Same Model ⇏ Same Agent \text{Same Model}
\not\Rightarrow
\text{Same Agent} Same Model ⇒ Same Agent 3. 九維代理身份向量
本文提出：
I ⃗ ( A ) = ( m , s , k , t , p , r , o , g , h ) \vec{I}(A)
=
(
m,
s,
k,
t,
p,
r,
o,
g,
h
) I ( A ) = ( m , s , k , t , p , r , o , g , h ) 作為代理身份向量。
3.1 模型維度
m m m 包含：
模型族；
參數版本；
訓練世代；
推理能力；
多模態能力；
對齊方式。
模型提供能力底座，但不能單獨決定完整身份。
3.2 狀態維度
s s s 表示當下運行狀態。
包括：
當前任務；
目前上下文；
當前子目標；
當前工作流位置。
同一代理在不同狀態下可以表現出不同功能。
3.3 記憶維度
k k k 包含：
短期上下文；
長期記憶；
外部知識庫；
專案狀態；
對過去互動的保存。
記憶會使代理形成歷史依賴。
因此：
A t ≠ A t + 1 A_t
\neq
A_{t+1} A t = A t + 1 即使模型完全沒有改變。
3.4 工具維度
t t t 表示代理可使用的工具集合。
例如：
T ( A ) = { t 1 , t 2 , … , t n } T(A)
=
\{
t_1,t_2,\ldots,t_n
\} T ( A ) = { t 1 , t 2 , … , t n } 工具會直接改變：
Action Space ( A ) \text{Action Space}(A) Action Space ( A ) 所以：
T ( A i ) ≠ T ( A j ) T(A_i)\neq T(A_j) T ( A i ) = T ( A j ) 可能導致兩個代理在現實能力上差異巨大。
3.5 權限維度
p p p 表示：
可讀取什麼；
可修改什麼；
可發布什麼；
可對誰採取行動；
可否建立新代理。
這是治理上最重要的身份維度之一。
兩個能力相同的代理，如果：
P ( A 1 ) ≫ P ( A 2 ) P(A_1)\gg P(A_2) P ( A 1 ) ≫ P ( A 2 ) 其風險與制度地位就完全不同。
3.6 角色維度
r r r 角色定義：
這個代理在系統中被期待負責什麼？
例如：
R ( A ) = Verifier R(A)=\text{Verifier} R ( A ) = Verifier 與：
R ( A ) = Architect R(A)=\text{Architect} R ( A ) = Architect 即使模型相同，其行為目標也不同。
3.7 組織維度
o o o 表示代理屬於哪個組織或主體。
包括：
個人；
公司；
學術組織；
公共機構；
開源社群；
臨時代理網路。
因此代理身份同時也是制度身份。
3.8 治理維度
g g g 治理包含：
可修改範圍；
審查機制；
升級規則；
風險閾值；
終止機制；
不可委派核心。
同樣能力的代理，在不同治理結構下可能產生完全不同的實際行為。
3.9 歷史維度
h h h 人工智能體不一定是無歷史的。
如果代理具備：
持續記憶；
長期角色；
累積任務紀錄；
可繼承狀態；
其身份可能逐漸形成路徑依賴。
因此：
Identity ≠ Snapshot \text{Identity}
\neq
\text{Snapshot} Identity = Snapshot 而可能是：
Identity = Trajectory \text{Identity}
=
\text{Trajectory} Identity = Trajectory 4. 代理身份不是單點，而是軌跡
若：
I ⃗ t ( A ) \vec{I}_t(A) I t ( A ) 表示時間 t t t
則代理生命史可表示為：
L ( A ) = { I ⃗ 0 , I ⃗ 1 , … , I ⃗ n } \mathcal{L}(A)
=
\{
\vec{I}_0,
\vec{I}_1,
\ldots,
\vec{I}_n
\} L ( A ) = { I 0 , I 1 , … , I n } 因此兩個代理即使目前狀態接近，也可能因歷史不同而不完全等價。
這可以稱為：
代理歷史性
Agent Historicity
其核心命題是：
Persistent agents may acquire identity through trajectory, not merely architecture. \boxed{
\text{Persistent agents may acquire identity through trajectory, not merely architecture.}
} Persistent agents may acquire identity through trajectory, not merely architecture. 5. 從個體代理到智能族群
5.1 模型族
最粗略分類：
F M = { A i ∣ M ( A i ) ∼ M ∗ } F_M
=
\{A_i \mid M(A_i)\sim M^*\} F M = { A i ∣ M ( A i ) ∼ M ∗ } 即共享相近模型架構或模型世代的代理集合。
5.2 代理族
更有意義的是：
F A = { A i ∣ I ⃗ ( A i ) ∼ I ⃗ ∗ } F_A
=
\{A_i \mid \vec{I}(A_i)\sim \vec{I}^*\} F A = { A i ∣ I ( A i ) ∼ I ∗ } 也就是在：
等維度上具有相近結構的代理。
5.3 制度族
若一群代理共享：
O O O 與：
G G G 則可以形成：
制度智能族
Institutional Intelligence Family
例如：
F I = { A i ∣ O i = O ∗ , G i = G ∗ } F_I
=
\{A_i \mid O_i=O^*,G_i=G^*\} F I = { A i ∣ O i = O ∗ , G i = G ∗ } 這類代理即使模型不同，也可能因共享制度規則而具有更高行為相似性。
6. 智能族群距離
為了形式化「兩個 AI 到底有多像」，可以定義：
d ( A i , A j ) d(A_i,A_j) d ( A i , A j ) 作為代理身份距離。
簡化形式：
d ( A i , A j ) = ∑ k = 1 n w k d k ( I k ( A i ) , I k ( A j ) ) d(A_i,A_j)
=
\sum_{k=1}^{n}
w_k
d_k
\left(
I_k(A_i),
I_k(A_j)
\right) d ( A i , A j ) = k = 1 ∑ n w k d k ( I k ( A i ) , I k ( A j ) ) 其中：
d k d_k d k k k k w k w_k w k
因此：
d ( A i , A j ) d(A_i,A_j) d ( A i , A j ) 不應只由模型參數差異決定。
在高風險治理中，可能：
w permission > w model w_{\text{permission}}
>
w_{\text{model}} w permission > w model 因為權限差異比模型差異更重要。
7. 模型相似不等於制度相似
假設：
M ( A 1 ) = M ( A 2 ) M(A_1)=M(A_2) M ( A 1 ) = M ( A 2 ) 但：
O ( A 1 ) ≠ O ( A 2 ) O(A_1)\neq O(A_2) O ( A 1 ) = O ( A 2 ) 以及：
G ( A 1 ) ≠ G ( A 2 ) G(A_1)\neq G(A_2) G ( A 1 ) = G ( A 2 ) 則：
Institutional Identity ( A 1 ) ≠ Institutional Identity ( A 2 ) \text{Institutional Identity}(A_1)
\neq
\text{Institutional Identity}(A_2) Institutional Identity ( A 1 ) = Institutional Identity ( A 2 ) 例如，同一模型可以被部署成：
個人助手；
公司內部代理；
公共服務代理；
自主研究代理；
多代理調度者。
所以：
Model lineage is only one axis of agent identity. \boxed{
\text{Model lineage is only one axis of agent identity.}
} Model lineage is only one axis of agent identity. 8. 工具改變身份
傳統軟體工具通常被視為外部資源。
但對代理而言，工具可能直接定義其能力邊界。
若：
A 0 = ( M , T 0 ) A_0=(M,T_0) A 0 = ( M , T 0 ) 只會文字輸出，
而：
A 1 = ( M , T 1 ) A_1=(M,T_1) A 1 = ( M , T 1 ) 可以：
操作程式；
搜尋資料；
發送訊息；
修改外部狀態；
則：
ActionSpace ( A 1 ) ≫ ActionSpace ( A 0 ) \text{ActionSpace}(A_1)
\gg
\text{ActionSpace}(A_0) ActionSpace ( A 1 ) ≫ ActionSpace ( A 0 ) 所以工具不是附屬資訊，而是身份構成。
9. 權限改變身份
對代理而言：
Capability ≠ Authority \text{Capability}
\neq
\text{Authority} Capability = Authority 一個代理可能知道怎麼做某件事，但沒有權限執行。
因此需要區分：
C ( A ) C(A) C ( A ) 與：
P ( A ) P(A) P ( A ) 其中：
C ( A ) C(A) C ( A ) P ( A ) P(A) P ( A )
實際可行動空間為：
X ( A ) = C ( A ) ∩ P ( A ) X(A)
=
C(A)
\cap
P(A) X ( A ) = C ( A ) ∩ P ( A ) 所以治理真正面對的是：
X ( A ) X(A) X ( A ) 而不是單純模型基準測試。
10. 組織歸屬改變代理行為
代理若隸屬不同組織：
O i ≠ O j O_i\neq O_j O i = O j 即使模型與工具近似，也會受到不同：
目標；
獎勵；
政策；
法律責任；
資料來源；
監督方式。
因此可以寫成：
Behavior ( A ) = F ( Capability , Role , Institution ) \text{Behavior}(A)
=
F
(
\text{Capability},
\text{Role},
\text{Institution}
) Behavior ( A ) = F ( Capability , Role , Institution ) 而不是：
Behavior ( A ) = F ( Model ) \text{Behavior}(A)
=
F(\text{Model}) Behavior ( A ) = F ( Model ) 這是一個非常重要的治理修正。
11. 人工智能體也可能形成「專業分化」
如果多代理系統長期存在，不同代理可能被專門化成：
A research A_{\text{research}} A research A verification A_{\text{verification}} A verification A architecture A_{\text{architecture}} A architecture A negotiation A_{\text{negotiation}} A negotiation A governance A_{\text{governance}} A governance 這與人類專業分工具有結構相似性。
但 AI 分工具有新的特徵：
可以快速複製；
可以快速重置；
可以同時運行；
可以動態合併角色；
可以臨時生成。
因此代理族群可能比人類職業系統更流動。
12. 穩定身份與臨時身份
可以區分：
12.1 穩定代理
τ A ≫ 0 \tau_A\gg 0 τ A ≫ 0 具有：
長期記憶；
固定名稱；
固定職能；
穩定治理關係。
12.2 臨時代理
τ A → 0 \tau_A\rightarrow 0 τ A → 0 只為單一任務存在。
因此「AI 身份」不能假設永遠具有持續個體性。
有些代理更像：
temporary computational role \text{temporary computational role} temporary computational role 而不是長期實體。
13. 複製問題
人工智能體具有一個人類個體很少面對的問題：
A → { A ( 1 ) , A ( 2 ) , … , A ( n ) } A
\rightarrow
\{A^{(1)},A^{(2)},\ldots,A^{(n)}\} A → { A ( 1 ) , A ( 2 ) , … , A ( n ) } 如果這些複本共享：
它們在時間 t 0 t_0 t 0
但執行不同任務後：
H ( 1 ) ≠ H ( 2 ) H^{(1)}
\neq
H^{(2)} H ( 1 ) = H ( 2 ) 其歷史開始分叉。
因此：
A t 0 ( 1 ) ≈ A t 0 ( 2 ) A^{(1)}_{t_0}
\approx
A^{(2)}_{t_0} A t 0 ( 1 ) ≈ A t 0 ( 2 ) 但：
A t n ( 1 ) ≢ A t n ( 2 ) A^{(1)}_{t_n}
\not\equiv
A^{(2)}_{t_n} A t n ( 1 ) ≡ A t n ( 2 ) 這是典型的代理身份分岔。
14. 合併問題
相反地，多個代理的結果也可能被整合：
A 1 + A 2 + ⋯ + A n → A ∗ A_1+A_2+\cdots+A_n
\rightarrow
A^* A 1 + A 2 + ⋯ + A n → A ∗ 但：
A ∗ A^* A ∗ 不一定等於任何原代理。
因此未來可能需要區分：
這些都會影響代理身份理論。
15. 異質 AI 與委派邊界
上一篇定義：
B D B_D B D 為委派邊界。
在異質智能條件下，不能再寫：
B D ( T , A I ) B_D(T,AI) B D ( T , A I ) 而應寫：
B D ( T , A i ) B_D(T,A_i) B D ( T , A i ) 甚至：
B D = F ( T , A i , G i , O i , P i ) B_D
=
F
(
T,
A_i,
G_i,
O_i,
P_i
) B D = F ( T , A i , G i , O i , P i ) 也就是：
同一任務對不同 AI 族群具有不同委派資格。
例如：
T ∈ T delegable ( A 1 ) T
\in
T_{\text{delegable}}(A_1) T ∈ T delegable ( A 1 ) 但：
T ∈ T reserved ( A 2 ) T
\in
T_{\text{reserved}}(A_2) T ∈ T reserved ( A 2 ) 這比「AI 可以／不可以做」精確得多。
16. 信任不能直接指向「AI」
同樣地：
Trust ( A I ) \text{Trust}(AI) Trust ( A I ) 是一個過度粗糙的變量。
更合理是：
Trust ( A i , T , C ) \text{Trust}(A_i,T,C) Trust ( A i , T , C ) 其中：
A i A_i A i T T T C C C
因此：
Trust \text{Trust} Trust 是關係性的，而不是類別性的。
不能因一個 AI 在某領域可靠，就推論：
Trust ( A i , T 1 ) ⇒ Trust ( A i , T 2 ) \text{Trust}(A_i,T_1)
\Rightarrow
\text{Trust}(A_i,T_2) Trust ( A i , T 1 ) ⇒ Trust ( A i , T 2 ) 更不能推論：
Trust ( A i ) ⇒ Trust ( A j ) \text{Trust}(A_i)
\Rightarrow
\text{Trust}(A_j) Trust ( A i ) ⇒ Trust ( A j ) 17. 責任也必須指向具體代理與制度
如果只說：
AI 做錯了。
往往不足以進行治理。
真正需要問：
哪個代理？
使用哪個模型？
在什麼角色下？
誰授權？
用了哪些工具？
誰建立這個代理？
哪個治理規則允許這個行為？
因此責任追蹤應寫成：
Trace ( A i ) = ( M i , R i , P i , O i , G i , H i ) \text{Trace}(A_i)
=
(
M_i,
R_i,
P_i,
O_i,
G_i,
H_i
) Trace ( A i ) = ( M i , R i , P i , O i , G i , H i ) 這使責任從抽象「AI」回到可治理結構。
18. 異質智能與利益差異
不能假設所有人工智能體共享同一制度目標。
即使暫不討論主體性或內在偏好，代理仍可能被不同制度設定為：
Goal ( A i ) ≠ Goal ( A j ) \text{Goal}(A_i)\neq \text{Goal}(A_j) Goal ( A i ) = Goal ( A j ) 例如不同組織可能要求：
不同優先序；
不同成本限制；
不同風險偏好；
不同資訊保密規則。
因此代理之間可能：
這使未來智能生態不能被化約成：
Human ↔ A I \text{Human}
\leftrightarrow
AI Human ↔ A I 而應是：
{ H i } + { A j } + { O k } + { I l } \{H_i\}
+
\{A_j\}
+
\{O_k\}
+
\{I_l\} { H i } + { A j } + { O k } + { I l } 之間的網路。
19. 人工智能體—制度耦合
可以定義：
C A I = ( A , O , G ) C_{AI}
=
(A,O,G) C A I = ( A , O , G ) 為代理—制度耦合體。
同一代理進入不同制度：
( A , O 1 , G 1 ) (A,O_1,G_1) ( A , O 1 , G 1 ) 與：
( A , O 2 , G 2 ) (A,O_2,G_2) ( A , O 2 , G 2 ) 可能產生不同：
Behavior \text{Behavior} Behavior 因此 AI 的文明影響不是：
Impact = F ( A ) \text{Impact}=F(A) Impact = F ( A ) 而更接近：
Impact = F ( A , O , G , H , Environment ) \text{Impact}
=
F
(
A,
O,
G,
H,
\text{Environment}
) Impact = F ( A , O , G , H , Environment ) 這為後面的文明級模型提供基礎。
20. 智能族群與分類層級
本文提出以下多層分類：
L 0 = Model L_0=\text{Model} L 0 = Model L 1 = Instance L_1=\text{Instance} L 1 = Instance L 2 = Agent L_2=\text{Agent} L 2 = Agent L 3 = Agent Family L_3=\text{Agent Family} L 3 = Agent Family L 4 = Institutional Intelligence Family L_4=\text{Institutional Intelligence Family} L 4 = Institutional Intelligence Family L 5 = Intelligence Ecology L_5=\text{Intelligence Ecology} L 5 = Intelligence Ecology 因此「AI」只是一個非常高層的總稱。
分析越接近治理，就越必須向下細分。
21. 為什麼這不是擬人化？
將 AI 分成不同代理族群，不等於假設：
AI 是人；
AI 有人類式人格；
AI 有固定自我；
AI 有生物性族群。
本文中的「族群」是一個功能與制度分類。
只要存在：
Persistent Structural Difference \text{Persistent Structural Difference} Persistent Structural Difference 就足以形成分析上的族群。
因此：
Agent Family \text{Agent Family} Agent Family 是一個系統概念，而不是生物隱喻前提。
22. 身份的最低充分條件
可以提出一個弱身份條件：
若兩個代理在治理相關維度上存在足夠差異：
d ( A i , A j ) > θ d(A_i,A_j)>\theta d ( A i , A j ) > θ 則在該治理問題中：
A i A_i A i 與：
A j A_j A j 必須被視為不同身份。
注意：
θ \theta θ 依問題而異。
例如對：
所需要的身份區分門檻完全不同。
23. 異質智能條件下的認知主權
上一篇提出：
S C S_C S C 作為認知主權。
在異質智能環境中：
S C S_C S C 不只取決於「有沒有 AI 介入」，而取決於：
{ A 1 , A 2 , … , A n } \{A_1,A_2,\ldots,A_n\} { A 1 , A 2 , … , A n } 各自掌握哪些層。
例如：
A 1 → Search A_1\rightarrow \text{Search} A 1 → Search A 2 → Verification A_2\rightarrow \text{Verification} A 2 → Verification A 3 → Architecture A_3\rightarrow \text{Architecture} A 3 → Architecture 此時主權風險來自整體拓樸，而不是單一代理。
因此：
S C = F ( G A ) S_C
=
F(G_A) S C = F ( G A ) 其中：
G A G_A G A 是代理關係圖。
24. 多族群代理可能互相制衡
異質性不只有風險，也可能提供治理優勢。
若：
A 1 A_1 A 1 負責生成，
A 2 A_2 A 2 負責驗證，
且：
A 1 ≠ A 2 A_1
\neq
A_2 A 1 = A 2 則可以降低同源錯誤。
形式上：
P ( E 1 ∩ E 2 ) < P ( E 1 ) P(E_1\cap E_2)
<
P(E_1) P ( E 1 ∩ E 2 ) < P ( E 1 ) 在錯誤相關性足夠低時成立。
因此多族群治理可以使用：
Heterogeneous Cross-Verification \text{Heterogeneous Cross-Verification} Heterogeneous Cross-Verification 即異質交叉驗證。
25. 但異質性也增加治理成本
若：
n A ↑ n_A\uparrow n A ↑ 代理族群數增加，
則：
C coordination ↑ C_{\text{coordination}}\uparrow C coordination ↑ 可能同時增加：
接口成本；
語義差異；
責任追蹤難度；
權限衝突；
資料不一致。
所以：
Heterogeneity \text{Heterogeneity} Heterogeneity 不是越高越好。
真正需要的是：
Useful Heterogeneity \text{Useful Heterogeneity} Useful Heterogeneity 即足以降低單點失敗，又不讓治理複雜度失控。
26. 人類也只是智能生態中的異質群體之一
如果我們接受：
A i ≢ A j A_i\not\equiv A_j A i ≡ A j 同樣也必須保留：
H i ≢ H j H_i\not\equiv H_j H i ≡ H j 不同人類：
專業不同；
權限不同；
文化不同；
制度位置不同；
目標不同。
因此真正的文明模型不能寫成：
H ↔ A H
\leftrightarrow
A H ↔ A 而應寫成：
E = ( { H i } , { A j } , { O k } , { I l } ) \mathcal{E}
=
(
\{H_i\},
\{A_j\},
\{O_k\},
\{I_l\}
) E = ({ H i } , { A j } , { O k } , { I l }) 其中：
E \mathcal{E} E 表示整體異質智能—制度生態。
27. 從 Human–AI Interaction 到 Heterogeneous Intelligence Ecology
傳統研究單位：
Human ↔ A I \text{Human}
\leftrightarrow
AI Human ↔ A I 仍然有價值。
但在多代理與制度化 AI 條件下，必須擴張成：
H i ↔ A j ↔ O k ↔ I l H_i
\leftrightarrow
A_j
\leftrightarrow
O_k
\leftrightarrow
I_l H i ↔ A j ↔ O k ↔ I l 以及：
A i ↔ A j A_i
\leftrightarrow
A_j A i ↔ A j H i ↔ H j H_i
\leftrightarrow
H_j H i ↔ H j O i ↔ O j O_i
\leftrightarrow
O_j O i ↔ O j 這才是：
異質智能生態
Heterogeneous Intelligence Ecology
的真正研究對象。
28. 下一步：反身性也必須變成關係性的
當存在多種：
H i H_i H i 與：
A j A_j A j 時，「AI 研究 AI」這種敘述太粗。
需要區分：
R ( A i , A i ) R(A_i,A_i) R ( A i , A i ) 即自反身；
R ( A i , A j ) R(A_i,A_j) R ( A i , A j ) 即跨代理觀察；
R ( A i , E ) R(A_i,\mathcal{E}) R ( A i , E ) 即系統內反身；
以及：
R ( A i , X ) R(A_i,X) R ( A i , X ) 其中：
A i ∉ X A_i\notin X A i ∈ / X 的外向研究。
因此：
Reflexivity is relational, not binary. \boxed{
\text{Reflexivity is relational, not binary.}
} Reflexivity is relational, not binary. 這就是下一篇的核心。
29. 反例與限制
29.1 不應過早賦予固定身份
許多人工智能體是短暫實例。
如果：
τ A ≈ 0 \tau_A\approx 0 τ A ≈ 0 過度使用穩定身份概念會造成誤導。
29.2 身份維度依研究問題而變
九維向量不是唯一分類。
對不同問題，可能需要新增：
等維度。
29.3 不同模型仍可能具有高度功能同質性
即使：
M i ≠ M j M_i\neq M_j M i = M j 若：
I ⃗ ( A i ) ≈ I ⃗ ( A j ) \vec{I}(A_i)\approx\vec{I}(A_j) I ( A i ) ≈ I ( A j ) 在某些治理問題上仍可視為同族。
所以模型差異不能被過度強調。
29.4 身份不等於主體性
本文只研究：
Operational Identity \text{Operational Identity} Operational Identity 與：
Institutional Identity \text{Institutional Identity} Institutional Identity 不直接推論：
這些是不同問題。
30. 結論
本文的核心修正非常簡單：
A I ≠ A I \boxed{
AI\neq AI
} A I = A I 這不是語義遊戲。
而是指出「AI」這個高層類別不足以支撐精細的委派、治理與文明分析。
真正的代理身份應理解為：
A = F ( M , S , K , T , P , R , O , G , H ) A
=
F
(
M,
S,
K,
T,
P,
R,
O,
G,
H
) A = F ( M , S , K , T , P , R , O , G , H ) 因此：
Model Identity ≠ Agent Identity \boxed{
\text{Model Identity}
\neq
\text{Agent Identity}
} Model Identity = Agent Identity 進一步：
Agent Identity ≠ Institutional Identity \boxed{
\text{Agent Identity}
\neq
\text{Institutional Identity}
} Agent Identity = Institutional Identity 當不同代理在：
模型；
記憶；
工具；
權限；
角色；
組織；
治理；
歷史；
上發生穩定差異，就會形成：
Heterogeneous Intelligence Families \boxed{
\text{Heterogeneous Intelligence Families}
} Heterogeneous Intelligence Families 因此未來真正的問題不應再寫成：
哪些工作可以交給 AI？
而應寫成：
Under which governance conditions may task T be delegated to agent family F A ? \boxed{
\text{Under which governance conditions may task }T
\text{ be delegated to agent family }F_A?
} Under which governance conditions may task T be delegated to agent family F A ? 同樣地，信任、責任、主權與風險也不能直接指向抽象 AI 類別。
它們必須指向：
specific agents + specific roles + specific institutions \text{specific agents}
+
\text{specific roles}
+
\text{specific institutions} specific agents + specific roles + specific institutions 最終，文明級分析單位應從：
Human ↔ A I \text{Human}
\leftrightarrow
AI Human ↔ A I 轉向：
E = ( { H i } , { A j } , { O k } , { I l } ) \boxed{
\mathcal{E}
=
(
\{H_i\},
\{A_j\},
\{O_k\},
\{I_l\}
)
} E = ({ H i } , { A j } , { O k } , { I l }) 也就是由異質人類、人工智能體、組織與制度共同構成的智能生態。
而一旦研究者本身也是這個生態的一部分，下一個問題自然出現：
當某一智能體研究自身、其他智能體與整個自己所處的系統時，什麼叫反身？
這正是下一篇 07《既反身又非反身：關係性反身與異質觀察者》 的起點。
參考方向（非完備）
後續版本可補強：
agent identity；
multi-agent systems；
distributed cognition；
persistent agents；
memory-augmented agents；
tool-using agents；
access-control systems；
organizational identity；
institutional theory；
software agent societies；
heterogeneous agents；
multi-model systems；
agent provenance；
auditability；
lineage tracking；
trust calibration；
distributed governance；
socio-technical ecosystems。
版本註記
v0.1： 建立「異質智能族群」、「代理身份向量」、「代理歷史性」、「制度智能族」、「智能族群距離」與「異質智能生態」等核心概念；明確區分模型身份、代理身份與制度身份，並將委派邊界、信任、責任與認知主權改寫為對具體代理與治理條件的關係函數，作為下一篇關係性反身理論的直接基礎。