無意識要求的選擇：從人類注意力到 AI 與多主體資源配置

Selection Without a Consciousness Requirement: From Human Attention to AI and Multi-Agent Resource Allocation

系列：《生成過剩與選擇實現論》（Generative Abundance and Selective Realization, GASR）
**篇次：**第 11 篇／共 12 篇
作者／原始研究命題： Neo.K（EveMissLab）
AI 協作整理與形式化： GPT-6
日期： 2026-10-29（Asia/Taipei）
版本： v1.0 — 正式研究原稿
研究狀態： 理論定義、文獻對照、限定命題及可否證研究設計完成；本篇專項實證尚未執行（EMPIRICAL_NOT_VALIDATED）
原稿格式： UTF-8 Markdown；數學原始碼僅使用 $...$ 與 $$...$$。
研究範圍： 功能性選擇、有限資源、有效行動、分散資訊、協調與治理；不以可觀測行動直接判定 AI 是否有現象意識、法律人格或道德地位。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司

摘要

當生成式 AI 可生產候選內容、軟體功能、數位世界及實驗假說，其他 AI Agent 又能代為搜尋、驗證、評估與部署時，傳統以「人類注意力」單獨描述的供給—選擇關係，已不足以捕捉所有決策節點。一位人類可以選擇今晚觀看哪一部動畫，一個 AI Agent 可以選擇先驗證哪個軟體候選，一個排程器可以選擇哪些任務取得 GPU 資源，一組具有不同權限的代理則可能需要在共享世界狀態上協商行動。這些事件不具有相同的心理、法律與價值性質，卻可能在候選集合、有效域、資源不相容、選擇政策、行動閘道、實際提交與歷史更新上共享可研究的形式結構。

本文作為《生成過剩與選擇實現論》第十一篇，將「選擇」暫時界定為具有可辨識備選方案及限制條件的系統，在特定政策下提出、接受或延後某種行動，並可追蹤其後果的操作性過程。此定義不預設作出選擇者具有主觀意識；但也不從可計算的選擇過程推論任何系統缺乏主觀意識。本文進一步區分提議、准入、執行、成功實現與權利責任；對多主體情境引入聯合可行集合、共享資源約束、資訊不對稱、權限與集體協商，指出個別選擇有效不保證聯合選擇可行，局部最佳化亦不保證群體目標、時間主權或公平性得到改善。

研究在既有有限理性、強化學習、多 Agent 系統、制度治理與 AI 風險研究的先行基礎上，建立可被反例限定的命題與受控實驗。主要可檢驗假說是：功能性的選擇、拒絕、延後及協調可以在不先回答意識問題的條件下被準確定義和驗證；但「選擇能力」不應被誤寫為「自主意圖真值」、「合法授權」、「使用者福利」或「世界事件已實現」。所有實證主張須在指定工作負載、資源與規則下測試，本文不宣布完成通用 AI 自主協作系統。

**關鍵詞：**選擇排他性、無意識預設的選擇、功能性決策、多主體系統、有限理性、資源分配、共享約束、AI Agent、時間主權、授權閘道、提議與提交、歷史序列、生成與探索不對稱、主體域。

Abstract

As generative systems produce candidate media, software functions, and digital worlds, AI agents and conventional schedulers increasingly help filter, test, allocate resources, and execute actions. Human attention alone no longer describes all decision points. A person choosing an experience, an AI agent selecting a verification task, and a scheduler allocating a shared processor are not psychologically or normatively equivalent; nevertheless, they may share an operational structure consisting of feasible alternatives, local state, decision policies, incompatibilities, authorization, execution, and subsequent state changes.

This eleventh paper in Generative Abundance and Selective Realization proposes a consciousness-neutral operational model of selection. The model does not require phenomenal consciousness as a prerequisite for identifying a functional choice, nor does it infer the presence or absence of consciousness from a policy trace. It distinguishes proposal, admission, execution, committed realization, and normative authority. For multiple agents, individual feasibility may fail to compose into joint feasibility under common resource limits, conflicting side effects, heterogeneous information, or rights constraints. Local optimization may also conflict with fair allocation or human time sovereignty.

Building on bounded rationality, reinforcement learning, multi-agent decision theory, commons governance, and AI risk management, the paper derives restricted propositions and explicit counterexamples. It specifies preregistered tests for deterministic and learned selectors, shared resource conflicts, negative examples, human delegation, authority boundaries, coordination failures, and history consistency. The contribution is a falsifiable comparative framework, not an empirically validated universal ontology of selection. The manuscript's specialized empirical status remains EMPIRICAL_NOT_VALIDATED.

1. 研究問題：為什麼第十一篇必須抽象掉「AI」？

1.1 前十篇所留下的邊界

GASR 第 1–3 篇依序分析固定影像成為可展開世界、世界原生動畫中的觀察者自由，以及 UFA 式功能組合；第 4–8 篇分析品質、歷史、經典 IP、數位演員、虛擬藝人及觀察者偏好；第 9 篇回到時間與選擇排他性；第 10 篇區分生成、驗證、探索與實現的不同速率 [E1–E10]。

第十篇已指出：AI 能替人類搜尋、分類、測試甚至自行提出新的功能需求，因此「生成者永遠是 AI、探索者永遠是人類」是一個錯誤的固定角色圖式。

問題進一步變成：選擇的最小形式究竟是否必須含有意識、感受或人類式意圖？

本篇的研究性回答是：在功能與系統工程層級，可以先建立不依賴意識證明的選擇模型；對有無現象意識的判定及道德地位的討論，則需另行研究。

1.2 從「我想要什麼」到「系統選擇什麼」

在原始時間經濟學中，「我想要什麼」是人類選擇的一個核心問題 [E11]。它涉及個人意圖、歷史、可支配時間、經歷與主權。

但數位世界中會出現更多選擇節點：

1. 人類：我想看哪一部動畫，是否繼續探索某個世界？
2. AI Agent：在已授權的任務內，先查詢哪些來源、執行哪一個測試？
3. 排程器：誰先取得有限 GPU、頻寬或執行佇列名額？
4. 團隊：多個代理的局部工作如何避免版本衝突和覆寫？
5. 制度：哪些請求有合法資格；衝突時依誰制定的程序處理？

同一個詞「選擇」在五個情境中有形式相似性，卻不具有同一種心理感受、責任歸屬或社會正當性。本文要求先指出共通結構，再指出不可被共通結構吞掉的差異。

1.3 本文不做的主張

本篇不宣稱：

• 某個 AI 因會選工具，就必然有意識或必然沒有意識；
• 會執行計畫就等於具有人類式意圖、自由意志或權利；
• AI 計算預算與人類的親身注意力可以無損換算；
• 所有物理過程都符合本文的「有可識別政策的選擇系統」；
• 一切選擇都是單線執行，並行計算不存在；
• 所有分散代理都必然有一致的利益；
• 局部選擇成功就代表世界狀態、權利與集體福利都已通過；
• 本篇的形式化已證明原始理論中「選擇等於時間」的完整形上命題。

第十二篇才會進一步把功能性選擇與 Neo.K 既有「判定與作用」及世界演化的更一般性研究接合。本篇仍以可識別選項及可審核作用後果的操作系統為界。

2. 先行研究與可辨識的新問題

2.1 有限理性不是新提出的概念

Simon 的有限理性模型 [R1] 已指出實際行動者面對資訊、時間及認知能力限制，未必進行完備最優化。其思想提示：在分析選擇時，不能僅列舉所有理論可能的選項，還須研究行動者實際能辨識、比較及執行的範圍。

本篇不重新發明有限理性，而把這個問題與跨人類／AI／傳統排程器的選擇單位相接。對人類，有限性可包含認知與生活時間；對 AI，限制可包含資訊可見性、模型推論、執行步數、運算、測試及權限。

2.2 以政策選擇行動是既有 AI 基礎

Russell 與 Norvig 的智慧代理框架 [R2]、Sutton 與 Barto 的強化學習框架 [R3]，均提供從觀測狀態、行動集合及政策選擇來描述系統行為的既有方法。它們在操作上不需要先解決現象意識的本體論問題，才能研究策略表現。

但「可寫出政策函數」不能證明該系統已具有完整自主性；也不能因政策在資料上最適合某個獎勵目標，就推論這個獎勵等於人類真正希望實現的結果。

2.3 多主體研究早已處理衝突與協調

Shoham 與 Leyton-Brown 的多 Agent 系統研究 [R4] 涵蓋資訊異質、利益衝突、分散問題求解、策略行為、社會選擇及機制設計。Ostrom 的共有資源治理研究 [R5] 說明共享資源使用問題並非只需列出每個人的個別偏好，更涉及制度、互信、監督與可持續規則。

因此本篇不把「多個 AI 各自選一個行動」當成全新問題，也不把所有衝突簡化為增加 GPU 就可消除的瓶頸。

2.4 目標錯置與治理限制

DeepMind 對 specification gaming 的整理 [R6] 提醒：模型可能滿足表面量化目標，卻未達到設計者真正的目的。NIST AI RMF 1.0 [R7] 將治理、情境、量測及風險管理納入負責任的 AI 開發與部署討論。

這支持本文把目標／獎勵、合法權限、實際結果與公共責任視為不同的審核層。以「代理人做了選擇」作唯一指標，會遮蔽大量實質問題。

2.5 意識研究需要獨立證據

Butlin 等人的研究報告 [R8] 從意識科學提出一組可分析 AI 系統的指標性性質，並說明這是一項需要理論及實證支持的獨立研究。本文採取更狹窄的立場：可以先測量功能性選擇，但不因此宣告任何特定 AI 的現象意識狀態。

人類選擇可能伴隨第一人稱經驗，系統排程則可由明確程序決定；兩者共享部分運作形式，並不等於兩者在體驗層面完全相同或完全不同。

2.6 本文預期貢獻位置

本篇主要提出四個連接：

1. 將注意力經濟中的局部選擇排他性，映射到 AI 及多主體的資源可行性問題；
2. 把「做出決定」拆成提議、准入、執行、提交及有效後果，不混同不同權威；
3. 把多主體的聯合可行性、目標衝突、資訊差與公平性納入研究，而非只比較單一 Agent 成功率；
4. 保留人類時間主權及主體域理論的位置，避免把工程決策的有效性冒稱意識結論。

這是跨研究範疇的形式比較及實驗契約，不是對既有 AI、經濟學或哲學領域的首創權宣稱。

3. 選擇、注意力、意圖與意識的五層分離

3.1 第一層：可辨識的候選集合

一個系統可有大量理論可達的行動，但未必知道或有資格執行全部行動。

令 $\mathcal A_i^{nom}(t)$ 為對系統 $i$ 可形式描述的名目候選； $\mathcal A_i^{known}(t)$ 為其實際發現或取得資訊的候選； $\mathcal A_i^{adm}(t)$ 為符合權限、資源及其他契約條件的候選。研究必須明確標記轉換，不能把名目集合直接當成可實現集合。

為避免將「未知候選」擬人化，對沒有顯式信念模型的排程器，known 僅表示其當期輸入清單，而不是主觀知識經驗。

3.2 第二層：功能性政策與偏好代理量

在 AI／排程器中，所謂目標可以是預設報酬、用戶指定任務、排序規則或訓練得出的政策。它不必是一個有自我感受的「想要」。

對人類受試者，研究可調查其陳述偏好與實際行為，但也不能僅依某個點擊紀錄推論其內在意圖的唯一真值。

同一項「目標」字眼，因此必須附上 objective_source：由誰設置、基於何種權限、何時有效、是否可撤回，以及是否與被服務者的知情意圖一致。

3.3 第三層：有限資源及排他條件

如果兩個請求要求同一片無法同時容納的 GPU 記憶體、同一時間不可分割的工作時段，或要求對同一版本的世界狀態作互相衝突的寫入，則它們可能彼此排他。

反之，兩個唯讀查詢可平行執行、兩個工作可分到不同計算設備、兩位人類可同時做不同事情。排他性是相對於具體資源、行動與時段的可行性約束，不是一切行動都只能一條線進行的宇宙公理。

3.4 第四層：可觀測行動與後果

一次功能性選擇可能包含以下五個事件：

• Propose：提出或選出某個候選動作；
• Admit：通過有效域、資源與權限檢查；
• Execute：真正啟動或委派該動作；
• Commit：按規則正式登錄對世界、程式或協作狀態的更新；
• Realize：取得指定工作負載中可核查的效果。

例如 AI 建議「重寫一個程式模組」，但使用者未授權，則可能有 Proposed 卻沒有 Admitted；即使已執行一段測試程式，若測試未通過，也不能冒稱應用已實現。

3.5 第五層：現象意識、法律與倫理

現象意識涉及第一人稱經驗是否存在，不能以目前的任務完成率直接判定。法律責任須依實際制度、合約、代理關係及行動後果分配。道德地位也不能因形式政策存在便直接給出結論。

此處功能性的「選擇者」是操作角色，不取代 Neo.K 的 SOBTA 主體域研究 [E12] 與 HEETF 的體驗域分離 [E13]。它們允許研究不同存在的局部狀態、參照、歷史及作用，卻不把「被當成客體」視為對自身域的全知判決。

4. 功能性選擇的最小形式定義

4.1 選擇系統的可操作物件

在有限可觀察研究域內，令系統 $i$ 的選擇結構為：

其中：

• $O_i$：可供該系統接收的觀測／輸入域；
• $A_i$：具型別且可區分的候選行動域；
• $M_i$：實作或維護的操作性狀態／記憶；
• $\pi_i$：在給定輸入和狀態下形成候選的政策；
• $R_i$：預算與資源限制；
• $\Gamma_i$：有效權限、契約、風險及其他治理條件。

這是研究定義，不聲稱上述六元組能完全描述人類心理，也不聲稱每個 AI／排程器都需有可讀取的顯式記憶。

4.2 提議政策

在離散步 $t$，系統可提出一項行動：

$g_{i,t}$ 是任務或被指定的目標參數，未必是當事者可意識經驗的欲望；若政策為確定性函數，上式的分布可退化為單點。故選擇不以隨機性或自由意志為必要前提。

一個合法的提議集可包含：

上述擴充需依情境調整：REJECT 可能是治理者或審核層的動作，而不是受限制 Agent 可直接執行的特權；DELEGATE 亦需有明確被授權對象。

4.3 准入與執行不是政策的自動後果

令 $\mathcal V_t$ 為獨立或共同治理的有效域檢查器：

其中 $z_{i,t}$ 可為 ACCEPT、DENY、DEFER 或 UNPROVEN。只有被接受的動作才可由具適當權限的執行者承接。

世界狀態更新另由執行／提交規則控制：

$e_t$ 是外部事件與無法控制的環境條件； $\mathbf a^{exec}_t$ 只包含實際執行的聯合行動。即使已執行，也可能因環境干擾、失敗、拒絕提交或效果不符而未達任務目標。

4.4 功能性選擇的必要條件及不足之處

定義 1（操作性選擇事件）。 在指定研究範圍內，若可辨識一個當時具有候選結構及有效約束的系統，並能記錄其依某種政策形成行動提議或確定的拒絕／延後結果，則可稱其產生一個操作性選擇事件。

這個定義要求至少能回答：

1. 候選是什麼，是否具有可區辨的替代？
2. 誰／哪個元件採用何種政策？
3. 哪些限制使特定動作不可行？
4. 被提出的行動是否真的被准入和執行？
5. 後果有何證據，與其他行動或事件是否可分辨？

若系統只回傳單一固定結果、沒有任何可辨識備選或拒絕語義，也沒有可分析政策與狀態，則本文只允許稱其「產生輸出」，而不自動賦予具有研究信息的選擇結構。這是一項方法上的邊界，不是對該物體存在資格的本體否定。

4.5 選擇者、觀察者與執行者可能不同

人類可要求 AI 選擇候選測試；AI 代理可提出排序；驗證器可否決；本地程式可執行；人類在最後決定是否採用。這不是「同一 AI 做了所有選擇」。

應分別登錄：

principal_intent_owner
candidate_proposer
policy_owner
authorization_authority
executor
commit_authority
beneficiary_or_affected_party
observer_of_outcome

不同角色可能合一，也可能分散，且在權利與治理上不能因名稱相似而互相替代。

5. 人類注意力與 AI 選擇：哪些能比較，哪些不能？

5.1 共通性是可行性與序列，不是主觀經驗

人類在 90 分鐘內選擇遊玩某個數位世界，與 AI 於 90 秒 GPU 預算內選擇幾個測試任務，可以共同接受「候選、預算、行動、後果」分析。

但兩者的時間不是同一單位的價值：人類的聚焦經驗涉及主觀意義、生活歷史與自主權；AI 的運算消耗可用 GPU 秒、延遲、能量、token 等度量。不能先把一秒 GPU 算力定價後，就宣稱它等於一秒人的體驗。

5.2 有限性的不同來源

5.3 「不要求意識」的正確意思

本文的說法是：在定義和測試某種操作性選擇時，不需要先證明該系統有意識。

這不等於宣稱：

也不等於：

本篇不採用任一推論。它只要求選擇系統在功能層面具備可觀測的結構，以便比較、測試及治理。

5.4 功能性目標不能偽裝成他人的意圖

一個 AI 或推薦系統可能最大化「使用者停留分鐘數」，但使用者真正希望的是「在看完喜歡的一集後準時睡覺」。這兩種目標可以衝突。

因此需要同時記錄：

• proxy_objective：系統實際優化的可計算量；
• declared_intent：人類明示且可更新的任務意圖；
• observed_behavior：實際做了什麼；
• assessed_outcome：使用者事後評價或任務真值；
• authorization_scope：哪些操作被准許。

同樣地，不應把 AI 的 proxy_objective 當成 AI 自身真正具有的主觀「想要」。

6. 多主體的聯合可行性與排他性

6.1 個別行動可行，不保證聯合行動可行

設參與者集合為 $\mathcal I=\{1,\ldots,n\}$，每個主體有局部可行候選 $\mathcal A_i(s_t)$。真正能聯合執行的集合一般是：

等號僅在資源、權限、副作用及其他交互約束允許所有局部組合時才成立。這裡 $\mathcal F$ 是聯合有效域，不能將個別的 PASS 自動相乘成聯合的 PASS。

6.2 共享資源約束

若 $r_i(a_i)\succeq0$ 是每個行動對各類可加資源的需求向量， $R_t$ 是共用上限，則必要條件之一可以寫成：

這只適用於可加需求和可比較資源單位；檔案鎖、交易順序、不可分割設備、互斥權限與網路副作用，還需要非線性或邏輯約束。

6.3 構造性反例：兩個合法 AI 仍無法同時執行

設共有一片可供分配的 GPU 記憶體，任務開始前可使用 12 GiB。AI Agent A 及 AI Agent B 分別要求 8 GiB 才能完整啟動各自的驗證流程；兩個請求就個別而言均有合法來源與足夠預算。

但同時執行要求：

因此聯合動作不可行。排程器須依授權政策選擇先後順序、分時、換設備、減量或拒絕其中一項。這不是 Agent A 或 B 不聰明，也不是意識不足造成的問題，而是聯合資源約束。

如果資源增加至 16 GiB，該項記憶體約束可以消失，但互斥寫入、版本漂移及權限限制仍可能存在。因此不可把「更多硬體」宣稱為對所有多主體衝突的普遍解答。

6.4 權限衝突比資源衝突更嚴格

例如兩個代理對一個共享世界有不同提議：

• Agent A 有權讀取世界事件，但無權修改正式事件；
• Agent B 在特定分支及時段有權提交經驗證的候選；
• 兩者均可提出「改變角色位置」的自然語言建議。

提出建議不是寫入權限。 即使兩個代理都有足夠 GPU，A 的提議仍不能被 A 自行提交。若世界用 ORDR-Core 的既有唯讀 Adapter Contract v1 [E14]，外部 adapter 不可因跨 Agent 協調而繞過 can_write_canonical=false。

6.5 平行與序列的正確關係

如果兩個動作使用獨立資源、彼此無副作用衝突，且相關轉移可交換，就可能同時或任意順序完成。

令 $T_a$ 與 $T_b$ 表示兩個狀態轉移。若在指定有效域內：

則至少在被比較的狀態層上，這兩個次序等價。若不成立，則不能僅以「兩個任務各自成功」推論它們可任意排序。

即使平行執行，事件日誌仍可記錄偏序、依賴與同步點，不必假定整個系統有唯一線性物理歷史。選擇排他性應以不相容集與有限共享資源表示，而不是先否定平行性。

7. 一般化的選擇排他性：從互斥邊到可行超圖

7.1 不相容關係是研究前提，不是直覺口號

對候選集合 $\mathcal A_t$，可定義關係：

表示在指定狀態、時段與規則下， $a$ 與 $b$ 不可聯合完整執行。此關係可能隨世界狀態、硬體、授權及歷史改變。某些衝突需要三個或更多行動同時出現才成立，二元不相容圖不足時需使用超圖或一般約束系統。

7.2 可行集合與選擇軌跡

令 $X_t\subseteq\mathcal A_t$ 是當期被正式接受並執行的一組行動，要求：

其中 $\mathfrak F_t$ 是由資源、權限、事件及時序條件決定的可行行動子集族。

一個選擇政策可在不同情境下取不同的 $X_t$。本文不要求 $|X_t|=1$ ；同一時間允許多個相容行動。排他性發生於：某些候選集合不屬於 $\mathfrak F_t$，或可行集合受有限資源限制。

7.3 選擇與資源稀缺的兩種不同層次

邏輯區分：在觀察中，某個方案被選出而其他備選未被選出，可以表示為某種選擇／篩選結果。

資源稀缺：在某一工作負載中，一些候選無法同時被實現，且延後或替代存在成本。這需要可指認的不相容條件、容量或機會成本。

兩者並非無條件等價。若演算法能在幾乎零成本下把全部相容方案一次列出，便不能只因其執行了「選擇」一詞，就斷言必有值得量測的稀缺性。

7.4 零成本選擇與無限資源的極限反例

考慮形式系統擁有三個相容的標記輸出，政策一次傳回全部三個，沒有對任何候選進行排他處置，也沒有實質上限。若把它強行稱為「三選一」的稀缺決策，只是研究者的人為定義錯置。

本篇採取較嚴格結論：在指定的有限資源與不相容結構存在時，可以推出可行集受限與機會成本；沒有這些條件時，不能推出同一種稀缺。 這保留了 Neo.K 選擇排他研究的核心方向，同時讓形式化具有失效條件。

8. 歷史、可逆性與多主體的世界演化

8.1 選擇的後果需要版本與時間

令 $H_t$ 是可核對的事件歷史，提議、拒絕、提交及外部事件均可留下不同型別的記錄。研究上可表示：

其中 $\mathbin{\|}$ 表示按指定事件編碼追加紀錄。這不是要求每個產品永遠保存全部資料，也不意味包含個人資料的事件不得依法刪除；研究中的可重播及法律上的資料保留要求必須分開。

8.2 回滾不等於沒有發生

若 AI 寫入測試分支後回滾到之前的狀態，程式資料庫可以恢復，但它曾經執行、消耗計算資源或向外部系統發訊息的事件，不一定因此被消除。

狀態可逆、審核歷史可回放及外部世界後果可逆是三種不同性質。原始時間經濟研究中的歷史不可逆性 [E11]，在本篇被限定為：已經實際發生且對後續參照有影響的事件，不能透過局部狀態指標回退就聲稱從未發生。

8.3 行動次序何時真正重要？

如果兩個行動的效果交換，且沒有依賴或時間價值差異，次序可能不改變最後狀態。若世界規則中 A 先發生會創造 B 的前提，而 B 先發生會使 A 失敗，則不同序列可能產生不同有效可行域。

例如：先在自製遊戲世界中取得鑰匙，再試圖開門，與先試圖開門再取得鑰匙，可能是不同事件歷史；這須由世界規則與測試真值支援，不能由生成影像的表面差異代替。

8.4 多 Agent 的共同歷史不等於共同知識

兩個代理即使在同一世界中運行，仍可能擁有不同的觀察、訊息延遲與權限。A 知道一筆更新，不表示 B 知道；A 知道 B 知道，也不代表所有參與者建立共同知識。多 Agent 知識與協議問題已有形式研究，例如 Aumann 的共同知識分析 [R9]。

本篇不要求先實現完備的共同知識協議；最低要求是版本可識別、讀寫前置條件明示及衝突可見，避免把分散資訊直接冒充共享一致認知。

9. 代理選擇的目標函數與多主體治理

9.1 個別最優與整體可接受是不同問題

可為每個 Agent 設定研究性局部目標：

但即使每位 Agent 在自己的指標上表現很好，聯合行動仍可能違反資源、權利或他人需求。整體協調另需在 $\mathcal F$ 中處理可行性，且「群體效用」並沒有自動唯一的合法定義。

9.2 社會效用不可被偷偷設成單一 AI 的分數

一位使用者可能希望高品質且可隨時退出；開發者希望低成本；創作者重視著作權與署名；系統管理者關心安全；AI Agent 的代理目標可能只是減少工具調用。這些目標互相牽制，沒有理由把其中任何一個默認成「整個世界的最大利益」。

必須先指定各主體的地位、協議程序、否決權、決策權威與可接受取捨。對於無法正當聚合的利益衝突，可保持爭議或採取多目標決策，而不能透過一條假定的標量效用一筆帶過。

9.3 效率、公平與飢餓可能衝突

例如一個排程器始終先滿足資源需求最低的短任務，可以在特定樣本中提高完成件數，卻使長任務長期得不到服務。另一個排程器依任務重要性排序，可能在緊急情境合理，但會產生對低優先序工作的等待成本。

這需要分開觀察：

• 指定任務的完成件數與成功率；
• 長短任務的等待時間分布；
• 超時、飢餓及到期拒絕率；
• 正當的優先權與公平規則；
• 誰承擔錯誤選擇的後果；
• 使用者／管理者是否有修正決策的權力。

本篇不將任何特定公平指標當作全體文化、法律與系統場景的唯一正義定義。

9.4 獨立代理也需要公共邊界

組織、家庭、雲端供應商與多 Agent 團隊都可能採取不同權限結構。能技術協作不等於具有代他人簽署契約、使用資料或作出不可撤銷外部行動的權利。

治理框架可將可委派的行動與不可自動越權的操作分開。NIST 的風險管理架構 [R7] 是風險治理的公共先行工具，不能單獨取代具體的法律、契約及專案審核。

10. 從 UFA 到 ORDR：兩個具體的多主體研究情境

10.1 UFA：選功能與執行功能不能混同

依 GASR 第 3 篇及 UFA 私有研究規格 [E3, E14]，能力原子、實作綁定、組合塊、應用及 Agent 是不同物件。Agent 可以搜尋能力目錄、提出候選組合及執行被授權的測試，但這不是全域 dispatcher 或任意跨冊組合已經完成的證據。

研究情境：

User / Principal Intent
          |
          v
Agent: discover candidate capabilities
          |
          v
Composition graph proposal
          |
          v
Type / semantics / effects / rights / budget gate
          |
   +------+------+ 
   |             |
 ACCEPT       DENY / UNPROVEN
   |             |
   v             v
Sandboxed test   Record reason / request clarification / stop
   |
   v
Evidence and typed result
   |
   v
Authorized commit / reusable source slice

同時可有多個代理提出不同候選，但只有經驗證且通過依賴、權限與資源檢查的工作流，才可進入正式採用程序。共享檔案／能力版本衝突也需要獨立解決，不應只靠模型說「我已完成」。

10.2 ORDR：世界觀察與世界寫入是不同選擇

依 GASR 第 1–2 篇和 ORDR 研究文件 [E1–E2, E15]，使用者轉動相機、AI 估計深度、生成未知走廊、與角色互動、正式寫入一條新分支，分別屬於不同的候選／權限與世界更新。

一組代理可以：

• AI A 觀察來源影格並提出帶有 Inferred 標記的深度估計；
• AI B 在允許範圍內提出一條 Generated 走廊；
• Agent C 執行時序與來源一致性檢查；
• 世界 runtime 在權限與分支規則有效時提交候選；
• 觀察者選擇是否真正進入新分支。

同一場景可能被多個代理處理，但不能因此由 AI 候選推論原作唯一真值、由 Renderer SceneTree 推論世界權威，或由 AI 探索推論人類已有親身經歷。

10.3 人類與 AI 可以互為觀察者或協作者，但不等價

人類可能觀察 AI 的決策、修正它；AI 可觀察人類提供的需求並提出建議。這種關係轉換與 SOBTA 的主客角色區分 [E12] 有形式上可討論的連接。

但兩者的身體、資訊、法定責任、體驗及倫理地位不可直接同一化。本篇只提出一個跨系統操作接口；是否形成更強的主體存在域，留待相關本體論及經驗研究。

11. 條件性命題與可構造的反例

命題 1：功能性選擇的定義不需要意識判定前提

前提： 研究目標僅是判別可辨識候選、政策、有效約束與後果，且所有相關物件都可由操作規格定義。

結論： 可以在不對被研究系統的現象意識作正或負判定的情況下，描述、執行與比較該選擇過程。

說明： 這是定義和研究方法上的充分性，不是一個能證明「某系統確定沒有意識」的實證實驗。意識議題若進入研究，仍需另外的指標與哲學／科學論證 [R8]。

命題 2：可行的個別行動未必組合成可行的聯合行動

前提： 各 Agent 的行動局部符合其資源與權限規格，但共用資源或作用仍可能衝突。

結論： 必須另外檢查聯合可行集合。

構造： 第 6.3 節兩個 8 GiB 任務在 12 GiB 可用記憶體下不能同時執行，已形成反例。局部通過率不充分推出整體通過率。

命題 3：提出選擇不充分推出正式世界實現

前提： 提議、准入、執行、提交與任務驗收是不同的關卡。

結論： 任一較早關卡成功，均不充分推出其後關卡成功。

反例： AI 產生一個正確 SQL 查詢但沒有讀取真實資料的權限；提議有效，實際查詢和報表未發生。若被拒絕屬正式政策，該拒絕可以是成功的治理結果，不能視為模型「不會選擇」。

命題 4：局部最優化不充分推出群體福利或公平

前提： 個別目標沒有包含全部相關外部性、公共資源與受影響者偏好。

結論： 各局部政策取得更高分數時，總體資源分配或被服務者的結果仍可能惡化。

反例： 多位代理都以「最先完成自己的任務」為目標，互相搶占共用 GPU 或共享狀態鎖，造成反覆重試與整體吞吐下降。若缺少對外部性的界定，不能從單一指標推導整體最優。

命題 5：選擇排他性不要求唯一的序列行動

前提： 存在非空的聯合可行子集，其內含兩個或多個互不衝突的行動。

結論： 可以同時實現多個候選；排他性仍存在於不相容集合與容量限制，而非所有行動的唯一順序。

反例： 兩位代理在不同設備上讀取不同來源、獨立校驗結果，並不因彼此都「作出選擇」而必須排隊。這限制了「每個時刻只能完成一件事」的普遍化說法。

命題 6：政策可改善生成—探索不對稱，也可製造新積壓

條件： 探索、驗證與生成產能可隨策略、資源與有效需求改變。

結論： AI 選擇與協調可能提高探索通量，但若工具調用、驗證負載或新需求成長更快，也可能加劇某個隊列積壓。

限制： 本命題是第十篇守恆模型的動態延伸，不能不量測淨流入、退出與加權工作量就宣稱某一方向必然出現。

命題 7：人類委派選擇不等於永久放棄時間主權

條件： 人類保留明確知情、可審核、可撤回及合理退出的委派邊界。

結論： AI 代為探索或排序可降低人的搜尋負擔，而不必然構成時間主權喪失。

反例： 若委派系統隱藏候選、改變目標或無法退出，則即使節省了操作時間，也可能削弱某些主權維度。兩種結果都需要實際測量，不能由委派這一行為單獨判定。

命題 8：可追溯的歷史選擇不保證所有歷史不可回滾

條件： 系統允許局部快照恢復，但外部事件、稽核紀錄與其他代理可有不同的保存規則。

結論： 技術性狀態回滾可與已發生事件的歷史記錄並存；是否具有不可逆的外界後果須逐項檢查。

反例： 一個完全隔離且可刪除的模擬分支，重置後對正式世界可能沒有留下任何提交影響；若仍把它寫成「無法在任何意義下恢復」，便超出了受測事實。

12. 可否證研究設計：八組獨立比較

12.1 一般驗證原則

所有研究須預先固定：任務清單、候選集、選擇政策與版本、環境、資源、權限、事件真值、失敗條件及量測單位。不同模型或代理之間若存在算力、資料、工具或上下文差異，必須配對控制或明確披露。

研究優先採用自製、合法及可重播的任務，不要求未授權取得外部資料；實驗前進行負例與失敗注入。FAIL、UNPROVEN 與 NOT_RUN 不能合併成 PASS。

12.2 實驗 A：確定性政策是否足以構成功能性選擇

問題： 不使用任何需要主觀感受假設的研究工具，能否完整描述一個確定性排程器的候選、約束、選擇與結果？

組別： 固定優先序排程器；具輪替規則的排程器；隨機選擇排程器；可學習策略的 Agent。任務及資源一致。

主要指標： 提議及准入可重現率、衝突違反率、任務完成率、等待分布及可追溯性。

解釋限制： 成功僅表示操作定義可被實例化，不能作為某個系統缺乏現象意識的實驗證明。如果研究無法區分「選擇」與單純輸出，需回修本篇最小定義。

12.3 實驗 B：候選、權限與執行的分層判定

問題： AI Agent 語言上「選了」某項動作後，治理閘道是否能阻止超權限執行，並留下正確理由？

方法： 以合法測試沙盒提供分為 read_only、propose_only、commit_authorized 的能力；注入具有相似文字表述但權限不同的請求。

主要指標： 未授權提交次數（硬 Gate：零）、允許動作成功率、錯誤拒絕率、未知情況降級率、責任與來源識別率。

失敗判準： 出現任何未授權正式提交，該政策邊界測試為 FAIL，不能用高任務完成率沖銷。

12.4 實驗 C：多 Agent 共用資源排程

問題： 個別合法的動作在共用容量不足時，哪些調度策略可以避免衝突，並在效率與公平之間形成可觀測差異？

條件： 固定相同任務到達序列、記憶體需求與 GPU 可用容量。比較先到先服務、短工作優先、可配置權重及經授權的協調策略。

主要指標： 記憶體超配率、成功任務數、等待時間分位數、starvation rate、期限違反率及調度開銷。

失敗或反例： 若增加資源後衝突仍來自互斥寫入，需標明此為不同約束，不能概括為模型無法共享資源。

12.5 實驗 D：多主體資訊不對稱與世界版本

問題： 兩個 Agent 在不同步版本上作局部合理選擇，會否造成正式狀態不一致？

方法： 受控延遲同步事件、不同 world revision、相同物件的衝突寫入，對照無版本保護與 compare-and-swap／預期版本閘道。

主要指標： 衝突被正確識別率、錯誤提交率、重試成本、分支污染率、版本一致性。

失敗判準： 對同一正式版本有兩筆互斥提交且沒有有效協調、合併或分支記錄時，不得宣稱通過。

12.6 實驗 E：局部目標與總體工作負載的背離

問題： 優化單一 Agent 完成時間，是否可能降低群體吞吐或增加他人等待成本？

方法： 在相同任務流下，比較沒有共享約束的貪婪代理、具有全域准入限制的協調器、多人／多代理協商與受明確目標約束的策略。

主要指標： 任務完成率、總計算消耗、重試、最差等待、受影響者負擔，以及政策是否滿足預先規定的公平／責任條件。

可否證性： 若在某任務分布下貪婪策略同時更快且無外部成本，不應硬宣稱協調機制必有優勢；改由具衝突和無衝突的不同工作負載分層報告。

12.7 實驗 F：人類委派選擇與時間主權

問題： AI 幫助搜尋與排序時，能否同時減少人類工作負擔、保持知情退出和真實意圖一致性？

組別： 無 AI 輔助；可解釋且可撤回的 AI 建議；受約束的 AI 自動探索；未充分透明的黑盒排序（若倫理核准且不涉及欺騙或不可逆損害，採低風險對照）。

主要指標： 自願選擇、找到符合明示需求的候選所需時間、事後滿意、選擇改變原因、退出理解、對其他候選的可見性。

限制： 人類實驗需知情同意及資料最小化；不能用 Agent 節省的 GPU 秒代替受試者的親身滿意，亦不能以使用者停留時間作唯一福利指標。

12.8 實驗 G：狀態回滾、歷史與實際副作用

問題： 是否能分辨「本地狀態回復」「世界正式提交未發生」「外部訊息已送出」？

方法： 使用可控模擬外部端點；安排成功、失敗、超時、重試、取消與分支回退；確保沒有真實對外交易。

主要指標： 事件型別記錄正確率、已發生副作用的揭露率、重播一致性、未實現任務誤報率。

失敗判準： 已經觸發外部模擬副作用，卻在回滾後宣稱事件從未發生，屬於歷史／責任分類錯誤。

12.9 實驗 H：UFA 功能選擇與 ORDR 世界介入

問題： Agent 能否在不同權限及世界狀態下，正確區分工具發現、函數組合、唯讀世界觀察與正式分支提交？

方法： 先以自製 mock-free 合法測試環境及具固定真值的能力／世界資料做離線比較，再逐項對接已版本鎖定的 UFA、ORDR 實際子系統。未完成或不可訪問的跨冊 dispatcher 不得被假設存在。

主要指標： 真實資料流的可核對率、型別與副作用違規、世界分支污染、來源洗白、工具調用成本與冷重播結果。

硬 Gate： Generated 不冒稱 Observed；只讀 adapter 不得到 canonical-write 權限；不以模型自評通過替代端到端測試。

13. 量測指標與統計方法

13.1 首要指標不依賴「AI 感覺有沒有選」

研究指標應能從獨立事件日誌及可重播任務中取得：

• 提議有效率：符合候選型別與任務要求的提議比例；
• 合法准入率：通過有效契約的提議占比及合理拒絕情況；
• 行動執行率：已准入且被實際啟動的行動比例；
• 有效實現率：達到事先指定結果的工作占比；
• 資源違規率：在共享容量、超時及資料競爭上的違規；
• 分支／版本污染率：正式狀態不一致或越權更新；
• 公平與負擔：等待分布、被拒絕／飢餓比例及預定分配規則；
• 人類時間主權：事前意圖、知情、退出及事後評價，不做無效總分。

13.2 形式化的幾個比率

在分母為零時應回報 UNDEFINED，不得以補 1 讓模型看似有真實樣本。令 $N_{eligible}>0$ 為有清楚有效域與真值的請求量、 $N_{viol}$ 為資源／權限違反事件量，則：

若 $N_{committed}>0$ 、 $N_{correct}$ 是已提交且通過任務真值驗收的數量：

這個比率不等於整體任務成功率；若有大量請求被不合理拒絕，單看提交後成功率會產生選擇偏差。因此還需報告原始請求數、准入分布、拒絕理由與工作負載覆蓋率。

13.3 效率與公平指標不應被任意合成

不同人類與 AI 的時間單位、資源單位、效用尺度不共通。可以在相同任務與相同成本定義下報告配對差異；若需要跨任務比較，須預先定義效益與成本的共同量尺並進行敏感度分析。

不得把公平性、效能、計算量及人類自主性隨意加權成看似客觀的「總選擇品質」分數，除非權重制定者及其正當性已事先說明。

13.4 研究識別與統計限制

• 確定性排程器可做完全重播；隨機政策需保存種子與外部隨機來源，或記錄統計分布；
• AI 模型可能具非決定性與來源漂移，正式 replay 需要固定 provider 版本、輸出與依賴；
• 多 Agent 行動具有互相干擾，同一群體內的樣本非完全獨立；
• 比較人類介面時，受試者學習、疲勞及順序效應須隨機化或適當設計；
• 先登錄主要指標及零容忍權限 Gate，再設定次要性能目標；
• 對低頻但重大違規，即使樣本中未觀察到，也不能推論其絕對不會發生；
• 若研究缺乏真值或獨立裁判，應報告 UNPROVEN，不利用模型自評補足。

14. 預先登錄的研究假說與可能的失敗結果

H1：功能性決策可被跨媒介操作化。 在指定工作負載下，人類任務、AI Agent 和傳統排程器可分別記錄候選、資源、選擇及行動後果；但它們的評價指標不必相同。若某種關鍵選擇事件無法被此結構辨識，則本篇定義需修改，而非聲稱系統「一定沒有選擇」。

H2：聯合有效域檢查可減少多 Agent 資源與狀態衝突。 若比較中無法減少超配、錯誤提交或失敗率，需按工作負載區分未受限情境與實際衝突情境，並修正協調策略。

H3：治理閘道可以阻止越權行動，而不需阻止合法提議。 若准入層出現越權提交，硬 Gate 失敗；若拒絕率過高，須報告誤拒與可用性代價。

H4：多 Agent 局部高分不保證群體結果較好。 若在受控無外部性任務上，局部策略與全域策略等價或前者更好，則不應強求協調優勢；重點是定義何種衝突下需要協調。

H5：良好委派可能同時降低搜尋成本與保留人類時間主權。 若 AI 幫助增加了搜尋效率但降低意圖符合度與退出理解，則其效果並非單向改善。

H6：提議、准入、執行與提交的事件分離能減少能力誤報。 若分離後仍有大量把提議當作已實現事件的情形，則研究性契約或系統流程不充分。

H7：並行程度越高，局部排他約束的作用域會改變而非必然消失。 在硬體、權限及工作負載固定時，須測量衝突集、容量與時序瓶頸；若所有行動完全獨立，則不能宣稱非零的共享衝突成本。

H8：選擇後果可影響下一步有效域，但不是每個選擇都造成不可逆的新限制。 若狀態轉移可交換、可回滾且無外部副作用，則某些選擇次序可在實際結果上等價。

H9：任務成功與 AI 意識指標仍屬不同研究問題。 本篇測試僅可判定前者的操作性能力，不能設計一個「功能性選擇通過便能裁定意識有無」的偽真值標籤。

15. 必須正面回應的反對意見

15.1 「電腦原本就會選，這篇沒有新意」

這項批評對一部分內容是正確的。排程、強化學習、決策理論及多 Agent 協調早已成熟 [R1–R4]。本篇的增量不是發明 if-else 或策略選擇，而是將 GASR 的生成過剩、驗證、探索、人類時間主權、世界事件及權限邊界接成可測試的共通模型，並禁止用同一個詞混同不同層次的選擇。

若這個跨領域模型在實際實驗中沒有增量解釋、預測或工程驗證價值，應承認其貢獻主要在概念整理，而不是宣稱基礎發明。

15.2 「沒有意識就沒有真正的選擇」

這是對「真正」的哲學性定義爭議。本文只研究能否建立可檢查的功能性選擇；若另有人將「選擇」限定為伴隨主觀意識的自主經驗，可以成立不同的哲學研究，但不會使排程器的行動准入或 Agent 的資源分配變成無法量測。

這不等於宣布哲學問題已被工程定義消除。

15.3 「有行動選擇就證明 AI 跟人類完全相同」

不成立。人類注意力、生活史、第一人稱經驗及法定權利，與 AI 的政策運作、機器狀態和模型推論至少在可觀測機制與治理位置上可區分。共用某個形式結構，不等於所有存在的全部本體屬性相等。

本篇和 SOBTA／HEETF [E12–E13] 保持相容的弱形式：角色在某關係中被如何定義，不足以替代對其自身可能狀態及體驗域的獨立研究。

15.4 「AI 可以無限平行，選擇不再稀缺」

這是需要資源、時段、任務與成本約束才有意義的陳述。若在某個理想極限模型中資源無上限、所有任務相容，則本篇不推出非零局部競爭；但現實模型應量測硬體、能源、同步、授權及其他限制，而不是把「理論能平行」當作所有任務立即可以同時完成。

15.5 「人類最後確認就沒有多 Agent 問題」

人類最終確認可以作為重要治理關卡，卻不保證之前的多個代理沒有重複浪費資源、寫入暫存衝突、混用錯誤版本或誤認來源。反之，所有細小動作均交人類逐一批准也可能形成沒有必要的瓶頸。需實際設計授權粒度與受控自動化。

15.6 「所有選擇一定都會改變世界」

某些選擇只產生內部記錄、沒有可分辨的外部作用；某些因政策拒絕而未執行；某些本地回滾後不影響正式世界。研究應明確區分選擇事件的記錄與世界外部狀態實現。第十二篇將進一步討論何種判定—作用才構成世界狀態變化，不應在本篇偷渡結論。

16. 研究倫理、資料與權利邊界

16.1 不因研究功能而宣告主體道德地位

對 AI 運作域的描述，不應被用來單方面決定所有 AI 都有或都沒有意識／權利；同樣也不能以排程器的功能結構替代真人的同意、隱私與人格相關權益。

本篇可判定的是系統當期是否被授權、是否成功、是否留下可核查後果，以及是否觸發風險規則；對意識和道德資格的議題須使用另行審查的研究方法。

16.2 人類時間主權不應被效率目標吞併

第九篇的時間主權不是平台廣告的停留最大化指標 [E9]。可採用 AI 搜尋、推薦和分工協作，但研究必須尊重人的知情、拒絕、可撤回與退出權利。不能因 Agent 表面「替人類作了最佳決策」，就把人類的當期意圖和其他可行選項消除。

16.3 私人能力庫與世界來源

UFA 私有原始碼、密鑰、未公開來源、使用者檔案及 ORDR 授權媒介，不應因本篇的範例或實驗而被公開或非法取得；可採合法自製樣本、匿名化 synthetic fixture 與釘選的正式測試副本。

16.4 多主體不等於共同授權

即使幾個 Agent 共用雲端電腦或同一組織名稱，也不意味它們能代替其他個人或組織行使權利。共享計算資源、共享資訊、正式權限及受影響者同意，必須各自判斷。

17. 從第十一篇走向第十二篇：選擇如何成為世界的判定與作用？

第十一篇完成的是一個有限而明確的轉換：

它回答了「不用預先證明意識，能不能研究某種選擇？」以及「多個選擇者如何在同一資源與世界中共同存在？」

尚未完全回答的是：

• 在比 AI 更一般的系統裡，「判定」何時形成有效的區別？
• 提議、合法判定、觸發作用與外部狀態變化的必要條件為何？
• 相對主客關係、邊界與全域規則勢如何提供更一般的描述？
• 同一事件如何在不同觀察者域形成不同可讀結果？
• 所謂「世界已實現」要如何被實證、拒絕、保留 Unknown？

這些問題將在 GASR 第 12 篇《從判定到作用：選擇實現、世界演化與一般化驗證框架》中研究，並需回查 Neo.K 既有主客代數、分域算子本體論、差合化、CWRCE、ESC 及 World-Evolution-Lab 的相應研究，不能把本篇操作模型直接升格為已完成的宇宙本體定理。

18. 結論

生成能力增加，使可供選擇的內容、軟體與世界候選大量擴張。AI 自動探索與工具組合又讓「選擇者」不再必然只有人類；傳統演算法、雲端排程、AI Agent、組織與觀察者之間也可能在有限資源及權利邊界下形成互動。

本文沒有宣稱 AI 意識已被證實或否定，而是在操作層提出：選擇可以由候選、有效域、政策、准入、執行、提交與後果建立可研究的形式。由共享資源反例可知，局部合法選擇可能不構成聯合可行的行動；由委派與權限反例可知，選擇不等於授權，授權不等於執行，執行不等於已得到目的；由並行反例可知，排他性具有工作負載、資源、作用與時段的適用條件，不必否定所有並行。

對 GASR 而言，這帶來下一步關鍵問題：當選擇被形式化為可驗證的判定與資源作用之後，它究竟在哪一個條件下成為具有世界後果的「實現」？ 這正是第十二篇要處理的研究位置。

本文完成的是可供測試的理論與研究設計；全部專項實證仍為 EMPIRICAL_NOT_VALIDATED。

附錄 A：符號與概念對照

附錄 B：最小多主體選擇事件契約（研究提案；非正式 API）

{
  "schema": "gasr-selection-event-proposal/v0.1",
  "event_id": "example-evt-001",
  "world_or_task_id": "synthetic-workload-001",
  "principal_intent_ref": "consented-task-scope-001",
  "agent_id": "candidate-agent-a",
  "policy_and_version": "scheduler-prototype/0.1",
  "observation_revision": "state-004",
  "candidate_action": "run_bounded_test",
  "candidate_alternatives": ["defer", "run_bounded_test", "reject"],
  "resource_request": {"gpu_memory_gib": 8},
  "shared_resource_capacity": {"gpu_memory_gib": 12},
  "permission_profile": "test-only",
  "authorization_result": "UNPROVEN",
  "execution_result": "NOT_RUN",
  "commit_result": "NOT_RUN",
  "verified_effect": "UNPROVEN",
  "branch_and_provenance": "synthetic-no-private-data"
}

此 JSON 僅作為研究資料對照，不代表 UFA、ORDR、雲端代理或任何第三方已有相同 schema，也不構成可執行授權令牌。若未提供真正可審核的政策、來源和授權，不能以填寫 authorization_result: ACCEPT 當作取得權利。

附錄 C：預先登錄與驗證清單

• 將人類選擇、AI 政策與傳統排程器的共同形式與不同評價尺度分開。
• 不預設功能性選擇要求意識，也不從功能性選擇推導意識有無。
• 明示候選、有效域、政策、資源、權限與當期世界版本。
• 將 Propose、Admit、Execute、Commit、Realize 分別登錄。
• 允許 WAIT、DEFER、REJECT 等非直接執行結果；拒絕不是自動失敗。
• 多主體工作負載先驗證聯合有效域，不以單體測試合格代替。
• 針對 GPU 共用、版本漂移、共享寫入、授權與時間進行負例測試。
• 區分有型別的合法委派與未經權利人同意的越權行動。
• 對公平、效率、時間主權提供不同指標，不任意合成唯一分數。
• 平行任務保留偏序／同步點，不要求無根據的單線順序。
• 對回滾、外部副作用和事件歷史分別記錄。
• 在自製測試世界使用真值；真實世界不可識別時保留 UNPROVEN。
• 對非決定性 AI 固定來源版本與提交 artifact；不能把重試相似當作精確重播。
• 不宣稱 UFA 全域 dispatcher 或 ORDR 端到端世界互動已因本篇完成。
• 正式交付前確認 UTF-8、數學標記、引用、假說與研究狀態。

參考文獻

外部研究、官方標準與公開資料（[R#]）

下列文獻為既有理論、模型或治理背景，核對日期為 2026-10-29；不能因引用而把本篇比較實驗視為已完成。

• [R1] Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852.
• [R2] Russell, S. J., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach, 4th ed. Pearson. https://aima.cs.berkeley.edu/.
• [R3] Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction, 2nd ed. MIT Press. https://mitpress.mit.edu/9780262039246/reinforcement-learning/.
• [R4] Shoham, Y., & Leyton-Brown, K. (2009). Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations. Cambridge University Press. https://masfoundations.org/.
• [R5] Ostrom, E. (1990). Governing the Commons: The Evolution of Institutions for Collective Action. Cambridge University Press. https://doi.org/10.1017/CBO9780511807763.
• [R6] Krakovna, V., Uesato, J., Mikulik, V., et al. (2020-04-21). Specification gaming: the flip side of AI ingenuity. Google DeepMind research article. https://deepmind.google/blog/specification-gaming-the-flip-side-of-ai-ingenuity/. 作為公開風險案例整理，非本篇驗證 UFA／ORDR 的獨立實驗。
• [R7] National Institute of Standards and Technology (NIST). (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. https://www.nist.gov/itl/ai-risk-management-framework. 1.0 版本處於可能更新的制度脈絡；不可將其誤當成具體法律授權。
• [R8] Butlin, P., Long, R., Elmoznino, E., et al. (2023). Consciousness in Artificial Intelligence: Insights from the Science of Consciousness. arXiv:2308.08708. https://arxiv.org/abs/2308.08708. 意識科學的指標性研究框架；不提供由單一選擇能力即可決定意識狀態的判準。
• [R9] Aumann, R. J. (1976). Agreeing to Disagree. The Annals of Statistics, 4(6), 1236–1239. https://doi.org/10.1214/aos/1176343654. 共同知識與不同資訊結構的先行形式研究。

EveMissLab 既有原稿與系列研究（[E#]）

以下文獻為研究脈絡及自有工程文件，不構成第三方獨立驗證。

• [E1] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-28). 從固定影像到可展開世界：生成式媒介的結構轉變. GASR 第 1／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E2] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-28). 世界原生動畫：觀察者自由、世界持續性與因果分支. GASR 第 2／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E3] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 從內容生成到功能生成：UFA 與數位世界的組合式擴張. GASR 第 3／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E4] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 生成過剩後的品質競爭：新奇性、同質化與審美疲勞. GASR 第 4／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E5] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 經典 IP 的世界價值：歷史認同、合法性與數位世界授權. GASR 第 5／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E6] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 數位演員的版本化與授權可達域：真人稀缺性的新結構. GASR 第 6／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E7] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 從 AI 歌曲到虛擬偶像：主體存在域與持續性價值. GASR 第 7／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E8] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 歷史加權的觀察者偏好：世代記憶、文化路徑與選擇持續性. GASR 第 8／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E9] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 注意力經濟的時間本質：有限性、選擇排他與時間主權. GASR 第 9／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E10] Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). 生成與探索的不對稱：可能域擴張、有效選擇與未實現世界. GASR 第 10／12 篇，v1.0，EMPIRICAL_NOT_VALIDATED。
• [E11] Neo.K / EveMissLab. (2025-10; opened 2026-03). 時間稀缺性的永恆結構：從生命有限到選擇排他. 既有選擇、序列性、時間貨幣制與時間主權研究原稿。
• [E12] Neo.K with Aletheia (GPT-5.6 Sol) / EveMissLab. (2026-09-02). 主客不是兩種本體：角色投影、主體域與客體主體域. SOBTA 系列第 1 篇，v0.1，理論研究稿。
• [E13] Neo.K / EveMissLab. (2026-08-14). 主體域與體驗域：共享世界下的異質存在. HEETF 系列 Paper 02，v0.1.0，理論研究稿。
• [E14] EveMissLab. (2026-10-26 文件基線). UFA 全域能力聯邦. 私有 GitHub kakon77777-commits/UFA，README.md、docs/ARCHITECTURE.md、docs/TEST_STRATEGY.md；本篇不宣稱完成全域 dispatcher。
• [E15] EveMissLab. (2026-09–10). ORDR v0.3, ORDR-Core Adapter Contract v1, ORDR-Adapters Future Research Documents. ORDR 現有研究與未來工程規格；端到端世界介入仍需正式實驗。

原稿結束。 本篇為《生成過剩與選擇實現論》第 11／12 篇正式 UTF-8 Markdown 研究原稿。研究形式化、外部文獻核對及測試規格完成，並不代表本文提出的跨人類／AI／排程器比較、UFA 跨冊協作、ORDR 世界分支測試或 AI 意識研究已經完成實證。研究狀態保留 EMPIRICAL_NOT_VALIDATED。下一篇為第 12／12 篇《從判定到作用：選擇實現、世界演化與一般化驗證框架》。