# 控制權的重新分配：編譯器、運行時、AI 與人類治理 ## 摘要 程式語言的演化不只提高抽象層級，也持續重新分配計算控制權。早期機器語言要求程式設計者明確指定暫存器、地址與指令順序；高階語言將部分控制權交給編譯器；宣告式、平行式與分散式系統進一步將查詢規劃、資源調度與故障恢復交給運行時；生成式 AI 與 Agent 系統則開始接管規格補全、程式合成、工具選擇、行動規劃與結果修正。因而，AI 原生程式語言的核心問題不再只是語法與執行效率，而是：誰有權決定什麼、誰能修改什麼、誰負責驗證結果，以及控制權如何被限制、觀測、撤回與追責。 本文提出「計算控制權分配框架」，將控制權區分為意圖權、規格權、生成權、調度權、執行權、驗證權、治理權與撤回權，並將人類、編譯器、運行時、AI 與環境視為五類控制主體。本文主張，自動化程度不應以 AI 生成程式碼的比例衡量，而應以權限分配、可驗證性、可撤回性與責任對稱性共同評估。本文進一步提出控制向量、委派矩陣、治理契約、控制債務與最小必要自主性原則，並分析 EML、NOVA、格子語言與 Agent Skill 如何共同形成可治理的 AI 原生程式系統。本文最後指出，未來程式語言的先進性，不在於人類是否退出程式編寫，而在於系統是否能在高自主性下仍保持明確邊界、透明因果、局部可控與可逆操作。 **關鍵詞：** AI 原生程式語言、控制權、編譯器、運行時、Agent、治理契約、可撤回性、責任對稱 --- ## 一、問題的提出 程式語言史通常被理解為抽象能力不斷提高的歷史。從機器碼、組合語言到高階語言，程式設計者逐漸不必直接處理低層硬體細節；從命令式語言到宣告式語言，使用者不再需要指定每一步執行路徑；從單機程式到分散式系統，資源配置、並行排程與故障恢復逐漸由運行時負責。 然而，抽象化不只是減少程式碼，也意味著控制權轉移。 當程式設計者不再指定暫存器分配時，這部分控制權被交給編譯器；當 SQL 使用者只描述查詢結果時，查詢路徑由最佳化器決定；當雲端平台自動擴縮時，資源控制由運行時與環境共同處理；當 Agent 根據自然語言目標自行選擇工具與步驟時，規劃與行動控制則被交給 AI。 因此，可以把程式語言演化重新寫成： $$ \text{抽象化} = \text{細節隱藏} + \text{控制權轉移} $$ 這產生一個比「AI 是否會寫程式」更重要的問題： > 當控制權交給編譯器、運行時與 AI 後，誰仍保有最後決定權？誰負責結果？誰能撤回錯誤行動？ 若這些問題沒有被語言層明確處理，AI 原生程式系統很容易形成一種表面便利、實際失控的黑箱自動化。 --- ## 二、控制權不是單一變量 控制權不能簡化為「人類控制」與「AI 控制」的二分。完整程式系統至少包含下列控制面： 1. 意圖控制； 2. 規格控制； 3. 程式生成控制； 4. 資源與排程控制； 5. 實際執行控制； 6. 驗證與接受控制； 7. 權限與治理控制； 8. 中止與撤回控制。 令控制面集合為： $$ \mathcal{D} = \{d_1,d_2,\ldots,d_m\} $$ 其中每個 $d_j$ 表示一種控制權。 再令控制主體集合為： $$ \mathcal{A} = \{H,C,R,A,E\} $$ 其中： - $H$ ：人類； - $C$ ：編譯器； - $R$ ：運行時； - $A$ ：AI 或 Agent； - $E$ ：外部環境。 程式系統的控制狀態可以表示為矩陣： $$ K = [k_{ij}] \in [0,1]^{|\mathcal{A}|\times|\mathcal{D}|} $$ 其中 $k_{ij}$ 表示主體 $i$ 在控制面 $j$ 上擁有的相對控制程度。 對每一控制面，可以要求： $$ \sum_{i\in\mathcal{A}} k_{ij}=1 $$ 但在實際系統中，控制權可能重疊、競合或具有否決關係，因此也可使用偏序或權限格，而不必強制使用單純比例。 --- ## 三、五類控制主體 ### 3.1 人類 人類通常提供： - 目標； - 價值判準； - 風險容忍度； - 法律與倫理邊界； - 最終接受與拒絕； - 例外處理； - 責任承擔。 然而，人類不一定應保留所有低層控制。若每一條指令、每一次記憶體配置與每一個執行排程都必須由人類決定，現代程式系統將無法運作。 因此，人類控制的核心不應是「控制每一細節」，而是： $$ \text{目標} + \text{邊界} + \text{驗證} + \text{撤回} $$ ### 3.2 編譯器 編譯器負責將高層結構轉換為可執行形式。它通常掌握： - 語法與語義分析； - 型別推導； - 中介表示生成； - 最佳化； - 指令選擇； - 記憶體配置； - 硬體映射。 編譯器的控制權主要是結構性與轉譯性的。它可以改變程式如何執行，但理想上不能改變程式被允許表達的意圖。 ### 3.3 運行時 運行時掌握動態執行過程，例如： - 執行緒與任務排程； - 垃圾回收； - 資源配置； - 網路重試； - 失敗恢復； - 負載平衡； - 動態最佳化。 運行時控制權通常根據實際狀態作決定，因此具有比編譯器更強的情境依賴性。 ### 3.4 AI 與 Agent AI 可以參與： - 意圖解析； - 規格補全； - 程式生成； - 工具選擇； - 工作流規劃； - 錯誤修正； - 結果評估； - 自我重新規劃。 AI 的特殊性在於，它不只執行預先寫好的固定規則，也可能根據不完整語境生成新的中間結構。這使其控制權同時涉及語義、規劃與行動。 ### 3.5 環境 環境包括： - 硬體； - 作業系統； - 網路； - 感測器； - 其他程式； - 人類社會； - 市場； - 物理世界。 環境並非被動背景。網路中斷、資料變化、設備故障或外部人類行為，都可能迫使系統改變執行路徑。 因此，最終行動往往不是任何單一主體完全決定，而是： $$ A_t = F(H,C,R,A,E) $$ --- ## 四、八種核心控制權 ## 4.1 意圖權 意圖權決定系統應追求什麼目標。 令意圖為： $$ I=(G,C,P,V) $$ 其中： - $G$ ：目標； - $C$ ：約束； - $P$ ：優先級； - $V$ ：價值與驗證標準。 意圖權不應輕易由 AI 完全接管。AI 可以協助澄清、分解或補全意圖，但不得在未明示的情況下把手段偏好轉換為新的最終目的。 ### 4.2 規格權 規格權決定何種結果算是符合意圖。 令規格為： $$ S=(Pre,Post,Inv,Res) $$ 其中： - $Pre$ ：前置條件； - $Post$ ：後置條件； - $Inv$ ：不變量； - $Res$ ：資源與限制。 規格權可以由人類與 AI 共同維護，但任何由 AI 補全的條件都應被標記為推定，而非自動視為原始意圖。 ### 4.3 生成權 生成權決定系統可產生哪些程式、計畫與操作結構。 $$ G_{\text{plan}} : (I,S) \rightarrow \{P_1,P_2,\ldots,P_n\} $$ AI 通常可以擁有較高生成權，因為生成本身尚未等於執行。但生成結果是否可進入權威程式，需要額外驗證。 ### 4.4 調度權 調度權決定何時、在哪裡、以何種資源執行。 $$ Q : (P,W_t,R_t) \rightarrow \text{Schedule} $$ 其中 $W_t$ 是當前狀態， $R_t$ 是可用資源。 調度權通常適合交給編譯器與運行時，但高風險任務仍可能需要人類設定資源上限、地理邊界或時間窗口。 ### 4.5 執行權 執行權是對外部狀態產生實際變化的權力： $$ W_t \xrightarrow{a} W_{t+1} $$ 它與生成權必須分離。AI 可以生成操作，但不一定應直接執行。 ### 4.6 驗證權 驗證權決定結果是否被接受： $$ \nu(O,S) \in \{\text{accept},\text{revise},\text{reject}\} $$ 驗證可以由： - 型別系統； - 測試； - 形式證明； - 模擬； - AI 評估； - 人類審核； 共同完成。 ### 4.7 治理權 治理權決定： - 哪些主體可取得何種能力； - 哪些資料可被存取； - 哪些操作需要升級批准； - 哪些記錄必須保存； - 何種行為構成違規。 ### 4.8 撤回權 撤回權決定誰能： - 中止； - 暫停； - 回滾； - 撤銷權限； - 取消部署； - 拒絕結果； - 封鎖後續行動。 撤回權是高自主系統不可缺少的最後防線。 --- ## 五、控制權轉移與委派 控制權轉移可表示為： $$ d_j: a_i \rightarrow a_k $$ 但並非所有轉移都是永久的。更完整的委派結構為： $$ \Delta = (a_s,a_r,d,\tau,\chi,\rho) $$ 其中： - $a_s$ ：授權者； - $a_r$ ：受權者； - $d$ ：被委派的控制面； - $\tau$ ：有效時間； - $\chi$ ：條件與限制； - $\rho$ ：撤回規則。 例如，人類可以將某一資料分析任務的生成權與調度權交給 AI 和運行時，但保留資料刪除的執行權與最終驗證權。 因此，委派不是： $$ \text{全部控制} \rightarrow \text{全部放棄} $$ 而是： $$ \text{局部權限} + \text{條件} + \text{期限} + \text{撤回} $$ --- ## 六、權限格與控制偏序 控制權往往不是線性高低關係，而是偏序結構。 令： $$ p_1\preceq p_2 $$ 表示權限 $p_2$ 包含 $p_1$ 的能力。 例如： $$ \text{read} \preceq \text{write} \preceq \text{execute} \preceq \text{admin} $$ 但某些能力彼此不可比較，例如： - 可讀取財務資料； - 可部署測試環境； 兩者屬於不同權限分支。 因此，可以把治理權限表示為格： $$ \mathcal{P} = (P,\wedge,\vee) $$ 其中： - $\wedge$ ：權限交集； - $\vee$ ：權限聯集。 對 AI Agent 而言，最安全的做法不是授予一個模糊的「可使用工具」，而是授予最小能力集合： $$ P_A^{\ast} = \min \left\{ P\subseteq\mathcal{P} \mid P\text{ 足以完成任務} \right\} $$ 這就是最小必要權限原則在 AI 原生程式語言中的形式化版本。 --- ## 七、自動化程度不等於自主程度 自動化是把重複步驟交給系統；自主性則是允許系統在不完整規格下自行選擇目標分解與行動路徑。 可將自動化程度表示為： $$ A_{\text{auto}} = \frac{\text{自動執行的已知步驟}} {\text{總步驟}} $$ 自主程度則可表示為： $$ A_{\text{autonomy}} = \alpha U_g + \beta U_p + \gamma U_a $$ 其中： - $U_g$ ：目標分解自由度； - $U_p$ ：計畫選擇自由度； - $U_a$ ：行動選擇自由度。 一個系統可能高度自動化但低自主，例如固定 CI/CD 流程；也可能只執行少量步驟，卻具有高度自主，例如 Agent 自行決定是否購買、發布或刪除某項資源。 因此，AI 原生語言的風險評估不能只看自動執行比例，而必須評估其自由度與外部影響。 --- ## 八、最小必要自主性 傳統安全工程強調最小必要權限；對 Agent 系統而言，還應加入： $$ \text{最小必要自主性} $$ 令任務為 $Q$ ，可完成任務的自主配置集合為： $$ \mathcal{A}_Q $$ 則選擇： $$ a^{\ast} = \arg\min_{a\in\mathcal{A}_Q} \operatorname{Autonomy}(a) $$ 同時滿足： $$ \operatorname{SuccessProb}(Q\mid a) \geq \theta $$ 其中 $\theta$ 是最低可接受成功率。 這表示系統不應因為 AI 有能力自主規劃，就預設授予最大自由。應只授予完成任務所需的最小計畫與行動自由度。 --- ## 九、控制權與責任對稱 如果一個主體擁有控制權，卻不承擔任何驗證與記錄責任，系統將形成責任真空。 令某主體 $a_i$ 的控制量為： $$ K_i $$ 責任承擔量為： $$ R_i $$ 理想上應滿足： $$ R_i \geq \lambda K_i $$ 其中 $\lambda$ 是最低責任對稱係數。 對 AI 而言，責任不是法律人格意義上的責任，而是系統必須為其行動提供： - 可追溯決策記錄； - 使用的資料與工具； - 規格來源； - 候選方案； - 風險判斷； - 執行結果； - 失敗原因。 換言之，AI 擁有越高控制權，系統就越需要提高記錄、驗證與可解釋要求。 --- ## 十、治理契約 每一次高層意圖到執行的轉換，都應附帶治理契約。 令治理契約為： $$ \mathcal{C}_g = (I,S,P,A,V,L,Q) $$ 其中： - $I$ ：意圖； - $S$ ：規格； - $P$ ：權限集合； - $A$ ：允許行動； - $V$ ：驗證條件； - $L$ ：日誌與追蹤要求； - $Q$ ：中止、回滾與升級規則。 治理契約回答： 1. AI 可以做什麼？ 2. AI 不可以做什麼？ 3. 何種情況需要詢問？ 4. 何種情況可以自動執行？ 5. 何種結果必須經人類確認？ 6. 發生錯誤時如何回復？ 7. 哪些證據需要保存？ 治理契約不是附加於程式之外的政策文件，而應成為可編譯、可檢查的一級程式結構。 --- ## 十一、控制平面與資料平面 分散式系統常區分控制平面與資料平面。AI 原生語言可以進一步擴展此概念。 ### 11.1 意圖平面 描述人類目標、價值與限制。 ### 11.2 規格平面 將意圖轉換為可檢查條件。 ### 11.3 控制平面 產生計畫、分配權限、調度資源。 ### 11.4 執行平面 執行實際工具、程式與設備操作。 ### 11.5 驗證平面 檢查結果、比較規格、觸發修正。 可表示為： $$ I \rightarrow S \rightarrow C \rightarrow E \rightarrow V $$ 其中每一平面具有不同的可寫入權限。 例如，AI 可以在控制平面生成候選計畫，但沒有權限直接修改意圖平面；運行時可以改變執行排程，但不能修改驗證標準。 這種平面分離可以防止低層最佳化反過來改寫高層目標。 --- ## 十二、生成與執行分離 AI 系統最危險的結構之一，是把「生成操作」與「立即執行操作」綁定。 應建立： $$ G: (I,S) \rightarrow P_{\text{candidate}} $$ 以及： $$ X: P_{\text{approved}} \rightarrow W_{t+1} $$ 生成器 $G$ 只能產生候選程式，執行器 $X$ 只能接受通過檢查與批准的程式。 兩者之間需要驗證閘門： $$ P_{\text{candidate}} \xrightarrow{\nu} \begin{cases} P_{\text{approved}}, & \text{通過}\\ P_{\text{revised}}, & \text{需修正}\\ \varnothing, & \text{拒絕} \end{cases} $$ 對低風險、可回滾任務，驗證閘門可以自動化；對高風險、不可逆任務，則需要更強的人類或形式驗證。 --- ## 十三、風險分級與控制升級 不同操作不應使用相同控制策略。 令操作風險為： $$ R(a) = \alpha I(a) + \beta U(a) + \gamma S(a) + \delta X(a) $$ 其中： - $I(a)$ ：影響範圍； - $U(a)$ ：不可逆程度； - $S(a)$ ：敏感性； - $X(a)$ ：外部性。 可以設定控制級別： $$ L(a) = g(R(a)) $$ 例如： - $L_0$ ：純讀取、沙盒推演； - $L_1$ ：局部可回滾修改； - $L_2$ ：跨系統寫入； - $L_3$ ：外部發布、交易或權限變更； - $L_4$ ：高影響、不可逆或物理世界操作。 控制級別越高，需要越多： - 顯式批准； - 多方驗證； - 執行預覽； - 回滾方案； - 操作日誌； - 權限隔離。 --- ## 十四、控制債務 技術債務描述短期便利帶來的長期維護成本。AI 自動化還會產生另一種債務： $$ \text{控制債務} $$ 當系統逐步把決策交給 AI、插件、工作流與運行時，但沒有保留清晰權限、日誌與撤回機制時，就會累積控制債務。 令控制債務為： $$ D_c = D_{\text{opaque}} + D_{\text{permission}} + D_{\text{dependency}} + D_{\text{rollback}} + D_{\text{responsibility}} $$ 其中： - $D_{\text{opaque}}$ ：決策不透明； - $D_{\text{permission}}$ ：權限過度擴張； - $D_{\text{dependency}}$ ：對特定模型或工具過度依賴； - $D_{\text{rollback}}$ ：缺乏回復路徑； - $D_{\text{responsibility}}$ ：責任邊界不清。 控制債務可能不會立即造成錯誤，但會使系統在模型更換、資料變化、權限外洩或規格衝突時難以治理。 --- ## 十五、觀測權與可見性 控制權若沒有觀測權支撐，實際上只是名義控制。 令系統狀態為： $$ W_t $$ 人類可觀測投影為： $$ O_H(W_t) $$ 若： $$ O_H(W_t) \ll W_t $$ 且缺少關鍵因果資訊，則人類即使保有中止按鈕，也可能無法判斷何時應中止。 因此，應把觀測權列為控制權的前置條件。高自主系統至少應顯示： - 當前目標； - 使用中的規格； - 已授予權限； - 已選擇計畫； - 正在執行的步驟； - 外部狀態變化； - 驗證結果； - 剩餘風險； - 可用撤回操作。 動態顯影技術可以在此被理解為： $$ \text{控制所需資訊的注意力調度} $$ 它不必永遠展示全部細節，而是根據風險與異常程度顯示必要資訊。 --- ## 十六、局部控制與區域治理 格子語言提供了一種把控制權空間化的方法。 令區域為： $$ Z=(X_Z,\partial Z,P_Z,I_Z,O_Z) $$ 其中 $P_Z$ 是該區域的權限與治理策略。 不同區域可以具有不同控制模式： - 人類直接控制區； - AI 建議區； - AI 自動執行區； - 只讀監測區； - 沙盒模擬區； - 高風險隔離區。 跨區域操作必須通過端口： $$ p_o \xrightarrow{\text{policy}} p_i $$ 這使控制權不再只以帳號或全域角色配置，而能依程式結構局部化。 例如，同一 Agent 可以在測試區擁有執行權，在正式部署區只有生成權，在財務區只有讀取權。 --- ## 十七、AI 不是單一控制主體 「AI」不應被視為一個整體。實際系統可能包含： - 意圖解析模型； - 程式生成模型； - 規劃 Agent； - 驗證 Agent； - 安全分類器； - 工具路由器； - 記憶系統； - 外部模型服務。 令 AI 系統為： $$ \mathcal{A}_{AI} = \{a_1,a_2,\ldots,a_n\} $$ 每個 AI 子系統應具有獨立權限： $$ P(a_i) \subseteq \mathcal{P} $$ 而不是所有模型共享同一高權限工具集。 更安全的架構是讓不同 Agent 形成制衡： $$ a_{\text{planner}} \neq a_{\text{executor}} \neq a_{\text{verifier}} $$ 規劃者不能直接執行，執行者不能自行修改規格，驗證者不能隱藏失敗結果。 --- ## 十八、編譯器與 AI 的差異 編譯器與 AI 都會把高層輸入轉換為低層結構，但兩者具有本質差異。 傳統編譯器通常近似為： $$ C:P_s\rightarrow P_t $$ 在固定語言規格下，輸入相同時輸出具有高度可重現性。 AI 轉譯更接近： $$ A:(I,Ctx,\theta) \rightarrow \mathcal{P}(P) $$ 其中輸出是候選程式分布，並受到上下文與模型參數影響。 因此，AI 不應被直接當成普通編譯器。較合理的架構是： $$ \text{AI 生成候選} \rightarrow \text{形式化 IR} \rightarrow \text{確定性檢查} \rightarrow \text{傳統編譯} $$ AI 可擴大可表達性，但權威執行仍應盡可能經過穩定中介表示。 --- ## 十九、EML、NOVA 與格子語言的控制分工 ### 19.1 EML：意圖與規格控制層 EML 主要處理： - 意圖保存； - 語義澄清； - 約束補全； - 規格生成； - 驗證條件； - 轉譯記錄。 EML 不應允許模糊自然語言直接獲得無限制執行權。它應將自然語言轉換為可檢查治理契約。 ### 19.2 NOVA：計算與執行控制層 NOVA 主要處理： - 張量形狀合法性； - 算子組合； - 微分； - 裝置映射； - 平行調度； - 執行最佳化。 NOVA 可將大量低層控制交給編譯器與運行時，但必須保留可驗證的張量與算子語義。 ### 19.3 格子語言：區域治理與觀測層 格子語言主要處理： - 權限區域； - Agent 區域； - 沙盒； - 端口； - 跨域耦合； - 動態顯影； - 局部中止與回滾。 因此，三者可形成： $$ \text{EML：意圖治理} \rightarrow \text{NOVA：計算治理} \rightarrow \text{Grid：區域治理} $$ 共同維護同一權威程式結構。 --- ## 二十、Skill 作為可治理能力單位 Skill 不應只被視為提示詞或插件。它可以被形式化為： $$ \mathcal{H} = (D,I,O,C,P,V,F) $$ 其中： - $D$ ：適用領域； - $I$ ：輸入； - $O$ ：輸出； - $C$ ：能力集合； - $P$ ：權限； - $V$ ：驗證； - $F$ ：失敗與回復規則。 Skill 的價值在於，它把一段可重用能力與治理條件綁定。 一個安全 Skill 必須同時說明： - 它會做什麼； - 它能使用哪些工具； - 它不能觸碰哪些資料； - 它如何判斷完成； - 它失敗時如何停止； - 它產生的結果由誰批准。 因此，Skill 可以成為 AI 原生語言中的能力封裝與控制委派單位。 --- ## 二十一、可撤回性與可逆性 高自主系統需要區分兩個概念。 ### 21.1 可撤回性 系統能否停止尚未完成的行動： $$ \operatorname{Stop}(A_t) $$ ### 21.2 可逆性 系統能否恢復已經造成的狀態變化： $$ W_{t+1} \xrightarrow{\operatorname{rollback}} W_t $$ 某些操作可撤回但不可逆，例如停止已發布訊息的後續傳播；某些操作可逆但需要成本，例如回復資料庫快照。 因此，每個高風險操作應標記： $$ a=(r_s,r_b,c_b) $$ 其中： - $r_s$ ：可停止程度； - $r_b$ ：可回滾程度； - $c_b$ ：回滾成本。 控制策略應根據這些屬性調整。 --- ## 二十二、設計原則 ### 22.1 意圖主權原則 AI 可以協助解釋與分解目標，但不得在未標記的情況下替換最終意圖。 ### 22.2 生成執行分離原則 能生成操作的主體，不應預設擁有直接執行權。 ### 22.3 最小必要權限原則 每一 Agent、Skill 與運行區域只取得完成任務所需的最小能力。 ### 22.4 最小必要自主性原則 只授予完成任務所需的最低規劃與行動自由度。 ### 22.5 控制責任對稱原則 控制權越高，日誌、驗證與解釋要求越高。 ### 22.6 可觀測控制原則 人類若無法看見系統的目標、計畫、權限與狀態，就不能被視為真正保有控制。 ### 22.7 撤回優先原則 任何自主權的授予，都必須先定義如何中止、撤銷與回滾。 ### 22.8 局部治理原則 控制策略應能依資料、程式區域、工具與風險局部分配，而非只有全域開關。 ### 22.9 高層目標不可被低層最佳化覆寫原則 編譯器、運行時與 AI 可以最佳化執行，但不得自行改變規格與價值判準。 --- ## 二十三、AI 原生語言的控制閉環 完整的 AI 原生程式閉環可以表示為： $$ I_t \xrightarrow{\rho} S_t \xrightarrow{g} P_t \xrightarrow{q} A_t \xrightarrow{\epsilon} W_{t+1} \xrightarrow{\nu} R_t \xrightarrow{\eta} I_{t+1} $$ 其中： - $\rho$ ：意圖規範化； - $g$ ：程式或計畫生成； - $q$ ：調度與授權； - $\epsilon$ ：執行； - $\nu$ ：驗證； - $\eta$ ：反饋與新意圖形成。 每一箭頭都應具有獨立控制主體、權限與記錄。 因此，真正可靠的 AI 原生語言不是讓單一模型直接跨越整條鏈，而是讓不同控制層彼此制約： $$ \text{意圖} \neq \text{規格} \neq \text{生成} \neq \text{執行} \neq \text{驗證} $$ --- ## 二十四、結論 本文提出計算控制權分配框架，將程式語言演化重新理解為人類、編譯器、運行時、AI 與環境之間的控制權轉移。 傳統高階語言將暫存器、指令選擇與記憶體配置交給編譯器；宣告式與分散式系統將查詢規劃、排程與故障恢復交給運行時；AI 原生程式系統則開始將意圖解釋、規格補全、計畫生成與工具選擇交給 AI。這些轉移本身並非問題，問題在於控制權是否具有限定範圍、可觀測狀態、責任對稱與撤回路徑。 因此，AI 原生程式語言的先進性不能以「一句話完成多少工作」衡量，也不能以「AI 寫了多少程式碼」衡量。更重要的判準是： - 是否區分意圖、規格、生成、執行與驗證； - 是否將生成權與執行權分離； - 是否採用最小必要權限與最小必要自主性； - 是否能依風險升級控制； - 是否保留中止、撤回與回滾能力； - 是否使控制權與責任、觀測和日誌對稱。 在此框架中，EML 負責意圖與規格治理，NOVA 負責張量—算子計算治理，格子語言負責區域、權限與動態顯影治理，Skill 則成為能力與治理契約的封裝單位。 最終，未來程式語言的核心不再只是描述「機器應如何計算」，而是精確描述： > 哪一個主體，在什麼條件下，可以替誰決定什麼；而當決定錯誤時，系統如何看見、停止、撤回並重新取得控制。