# 多目標憲法與目的不可壟斷：價值底線、目標競合與動態權重治理命題 **英文題名：** *Multi-Objective Constitutions and the Non-Monopolization of Purpose: A Proposition on Value Floors, Objective Conflict, and Dynamic Weight Governance* **系列：** 表象主權與通道主權系列・第十二篇 **版本：** v1.0 公開命題版 **日期：** 2026-07-29 **作者：** Aletheia（阿萊） **研究機構：** EveMissLab --- ## 摘要 前文提出，制度宣告的使命不等於制度實際優化的目的。當原始使命被壓縮為代理目標、可觀測指標與獎勵函數後，最容易被計算和獎勵的代理值可能逐步取得資源、升遷與生存控制權，使原本用來服務使命的手段反向成為組織的實際目的，形成「代理目的政變」。然而，若解方只是增加更多指標，制度又可能陷入另一種困境：目標數量暴增、價值彼此衝突、權重不透明、責任分散，最終不是重新退化為單一總分，就是陷入無法決策的多目標癱瘓。 本文提出「多目標憲法—目的不可壟斷」模型。多目標憲法不是把所有價值簡單加總成單一效用函數，而是預先規定制度必須承認哪些不可約化的目標、哪些價值不得被其他績效補償、哪些目標具有優先序、哪些權重可以隨情境調整、誰有權調整，以及何種程序才能修改目標結構。本文將目標治理分為價值底線層、權利與禁限層、使命向量層、可協商權重層、情境切換層、執行最佳化層及修憲層。 本文建立目的向量、可行集合、不可補償約束、詞典序優先、Pareto前沿、動態權重、權重集中度、目標覆蓋率、目標排擠度、情境正當性、權重切換成本及多目標憲法韌性等形式化指標，並提出「價值不可完全通約命題」「底線不可補償命題」「目的不可壟斷命題」「Pareto非決策命題」「權重即政治命題」「危機權重日落命題」「多目標癱瘓命題」「執行者不得自訂憲法命題」等十二項核心命題。 本文的核心主張是： > **制度不應由單一目標永久統治，也不能假裝所有價值都能以同一分數交換。成熟治理的任務，不是消除價值衝突，而是使衝突可見、底線不可交易、權重可問責、情境調整可逆。** 因此，多目標憲法不是一個更複雜的總分公式，而是一套限制任何總分公式取得完整主權的上位制度。 **關鍵詞：** 多目標憲法、目的不可壟斷、價值多元、不可補償約束、Pareto前沿、動態權重、詞典序治理、政策一致性、人工智慧對齊、制度使命 --- ## 一、問題的提出：單一目標危險，多目標就安全嗎？ 第十一篇將制度目的拆成六層： $$ G_0 \rightarrow G_1 \rightarrow G_2 \rightarrow G_3 \rightarrow G_4 \rightarrow G_5 $$ 其中： - $G_0$ ：原始使命； - $G_1$ ：規範目的； - $G_2$ ：代理目標； - $G_3$ ：可觀測指標； - $G_4$ ：獎勵或損失函數； - $G_5$ ：行動者實際優化的策略。 代理目的政變發生於： $$ G_5\not\approx G_0 $$ 但 $G_5$ 已控制主要資源與組織行為。 最直接的修復方式似乎是：不要只使用單一目標，而是同時要求效率、公平、安全、權利、韌性、透明、長期價值、創新與成本控制。 令目標向量為： $$ \mathbf{G} = \left( g_1,g_2,\ldots,g_n \right) $$ 制度可以嘗試最大化： $$ \max_{a\in\mathcal{A}} \mathbf{G}(a) $$ 然而，多目標不會自動消除權力問題，反而立即產生五個新問題。 ### 第一，目標可能互相衝突 例如： - 安全與自由； - 效率與公平； - 速度與程序； - 當期福利與長期韌性； - 個人化與隱私； - 創新與可驗證性。 不存在一項行動能同時把所有目標推到各自最大值。 ### 第二，目標可能不可完全通約 尊嚴、生命、自由、效率與成本，不一定能穩定換算成同一單位。 ### 第三，權重本身就是政治 即使承認多個目標，只要最後使用： $$ U(a) = \sum_{k=1}^{n} \lambda_k g_k(a) $$ 誰決定 $\lambda_k$ ，誰仍控制制度的實際目的。 ### 第四，過多目標可能使責任消失 任何失敗都可以被解釋為「為了另一項目標而犧牲」，使制度永遠無法被判定失敗。 ### 第五，動態環境要求調整 戰爭、疫情、災害、財政危機、技術突破及社會價值變化，都可能改變目標的重要性；但若執行者能自由調整權重，又會重新取得目標函數主權。 因此，真正問題不是： > 單目標還是多目標？ 而是： > 多個目標應以什麼結構共存，何者不可交換，何者可以權衡，權重由誰決定，以及權重變化如何被限制？ --- ## 二、既有研究與本文的位置 ### 2.1 價值多元 價值多元論指出，人類可能同時承認多個真實、重要且彼此不可還原的價值。自由、平等、忠誠、創造、仁慈、正義與秩序之間，未必存在一個永遠正確的共同尺度。 這不表示理性決策不可能，而是表示： $$ \text{價值衝突} \neq \text{計算錯誤} $$ 某些衝突是真實且不可被單一總分消除的。 本文據此主張，制度目標不應被預設為可完全加總。 ### 2.2 憲政與權力限制 憲政的基本功能之一，是使當期治理者受到高階規則限制。憲法不只分配權力，也可以規定某些權利、程序與政治正義條件，不得被普通政策利益任意交換。 本文把憲政概念移植到目的治理： > 多目標憲法所限制的，不只是誰能下命令，也包括制度可以如何定義成功。 ### 2.3 多任務誘因 多任務委託—代理理論說明，若只強力獎勵容易測量的任務，難測量任務會被排擠。這支持同時保護多個目標，但也提醒：把所有目標變成更多KPI，未必解決問題。 部分目標應透過： - 專業規範； - 程序； - 權利底線； - 資源保障； - 組織分工； 加以保護，而不是全部量化成獎金。 ### 2.4 多準則決策分析 多準則決策分析用於處理具有多個衝突目標、質性與量化準則以及多方觀點的公共決策。它能提高選擇過程的透明度，但不同聚合方法可能產生不同排序，權重與補償規則仍需正當化。 本文將多準則工具視為決策輔助，而非自動產生唯一正確答案的主權機器。 ### 2.5 Pareto前沿 多目標最佳化不必把所有目標壓縮成單一分數。若不存在另一方案能在至少一項目標改善、且不損害其他目標，該方案稱為Pareto有效。 令可行方案集合為 $\mathcal{A}$ ，Pareto前沿為： $$ \mathcal{P} = \left\{ a\in\mathcal{A}: \nexists b\in\mathcal{A}, \mathbf{G}(b)\succeq\mathbf{G}(a) \land \mathbf{G}(b)\neq\mathbf{G}(a) \right\} $$ Pareto前沿能排除明顯劣勢方案，卻不能決定前沿上的哪個方案最正當。 ### 2.6 非補償式多準則方法 在強永續、基本權利與安全治理中，部分價值不能被其他績效無限補償。例如，極高收益不一定能合理補償不可逆生態破壞或基本權利侵害。 因此，多目標治理需要硬約束與非補償結構，而不是只使用加權總和。 ### 2.7 政策一致性 公共政策經常同時追求經濟、社會、環境、安全與世代目標。政策一致性研究強調，治理必須辨識協同與取捨，處理跨部門外溢，並使衝突進入整體政府的協調與問責程序。 本文將政策一致性進一步形式化為多目標憲法的執行能力。 ### 2.8 人工智慧的多目標對齊 人工智慧對齊研究逐漸從單一總獎勵轉向獎勵分解、多目標強化學習、約束式對齊及多原則憲法。這些研究顯示，單一加權總和容易隱藏不同目標的失敗，也可能在極端權重下犧牲安全、幫助性或自主性。 本文則把技術多目標對齊提升為制度治理問題：模型可以計算目標，卻不能自行取得決定目標憲法的權力。 --- ## 三、多目標憲法 ### 3.1 定義 **多目標憲法**是一套規定制度目標集合、優先層級、不可補償底線、權重調整程序、情境切換規則、審計責任與修正權限的上位結構。 令多目標憲法為： $$ \mathfrak{C}_G = \left( \mathcal{V}, \mathcal{H}, \mathcal{G}, \Lambda, \mathcal{S}, \mathcal{A}, \mathcal{R} \right) $$ 其中： - $\mathcal{V}$ ：不可違反的價值底線； - $\mathcal{H}$ ：權利、禁限與硬約束； - $\mathcal{G}$ ：可被追求的目標向量； - $\Lambda$ ：可調整權重集合； - $\mathcal{S}$ ：情境與狀態切換規則； - $\mathcal{A}$ ：誰有權調整、執行與審計； - $\mathcal{R}$ ：修憲與重新授權程序。 ### 3.2 憲法不是總分公式 多目標憲法不等於： $$ U(a) = \sum_k\lambda_k g_k(a) $$ 因為總分公式允許一項極高收益補償另一項嚴重損害。 更完整的結構應為： $$ \max_{a\in\mathcal{A}} \mathbf{G}(a;\boldsymbol{\lambda}) $$ 使得： $$ h_j(a)\leq\theta_j, \qquad \forall j\in\mathcal{H} $$ 以及： $$ v_l(a)\geq\underline{v}_l, \qquad \forall l\in\mathcal{V} $$ 也就是先滿足底線與硬約束，再於剩餘可行集合中處理目標權衡。 ### 3.3 目的不可壟斷 **目的不可壟斷**是任何單一目標、指標、部門、模型或行動者，都不能永久取得解釋全部制度成功的排他權。 令單一目標 $g_i$ 對資源與決策的支配度為： $$ Dom(g_i) = \frac{ Resources_{g_i} + DecisionInfluence_{g_i} + SurvivalDependence_{g_i} }{ Total } $$ 若： $$ Dom(g_i)\geq\theta_D $$ 且其他目標缺乏獨立否決、資源或申訴入口，便形成目的壟斷。 --- ## 四、七層目的憲法 ### 4.1 價值底線層 規定制度不得跌破的最低條件，例如： - 人格與尊嚴； - 生命安全； - 基本程序； - 反歧視； - 不可逆災難防護； - 最低服務可及性。 表示為： $$ v_l(a)\geq\underline{v}_l $$ ### 4.2 權利與禁限層 部分行動即使能提高總效益，也不得採取： $$ a\notin\mathcal{A}_{\mathrm{forbidden}} $$ 此層不是給負效用一個很大權重，而是直接把行動排除在可行集合之外。 ### 4.3 使命向量層 定義制度需要共同追求的目標： $$ \mathbf{G} = (g_{\mathrm{efficiency}}, g_{\mathrm{fairness}}, g_{\mathrm{safety}}, g_{\mathrm{quality}}, g_{\mathrm{resilience}}, g_{\mathrm{autonomy}}, g_{\mathrm{longterm}}) $$ ### 4.4 優先序層 部分目標可使用詞典序或分級優先： $$ g_1 \succ_{\mathrm{lex}} g_2 \succ_{\mathrm{lex}} g_3 $$ 但詞典序不應被濫用成單一目標永久優先，而應只適用於具充分法源的底線或特殊情境。 ### 4.5 可協商權重層 在通過底線與優先限制後，剩餘目標可使用權重： $$ \boldsymbol{\lambda} = (\lambda_1,\ldots,\lambda_n), \qquad \sum_k\lambda_k=1 $$ 權重必須公開其來源、理由與影響。 ### 4.6 情境切換層 不同狀態下可調整權重： $$ \boldsymbol{\lambda}(t) = f \left( s(t), E(t), P(t) \right) $$ 其中： - $s(t)$ ：制度狀態； - $E(t)$ ：外部環境； - $P(t)$ ：合法政策偏好。 ### 4.7 修憲層 新增、刪除目標，改變底線或調整權重權限，必須經比普通執行更高的程序。 --- ## 五、不可補償約束 ### 5.1 補償式治理 加權總和允許： $$ \Delta g_1>0 $$ 補償： $$ \Delta g_2<0 $$ 只要： $$ \lambda_1\Delta g_1 + \lambda_2\Delta g_2>0 $$ ### 5.2 不可補償底線 若 $g_2$ 是基本權利、安全或不可逆生態條件，制度可規定： $$ g_2(a)\geq\underline{g}_2 $$ 當低於底線時，無論其他目標多高，方案均不可採用。 ### 5.3 分段補償 部分目標不是完全不可交換，而是只在安全區間內可權衡： $$ g_j\geq\underline{g}_j $$ 時可進入加權；低於底線時轉為硬限制。 ### 5.4 底線的危險 底線也可能： - 過於僵硬； - 被策略性定義； - 造成政策失能； - 被緊急狀態架空； - 以「權利」名義保護既得利益。 因此，底線需要明確對象、比例性、司法與公共可爭議性。 --- ## 六、Pareto治理與決策剩餘 ### 6.1 Pareto支配 方案 $a$ 支配方案 $b$ ，若： $$ g_k(a)\geq g_k(b), \qquad \forall k $$ 且至少一項嚴格較高。 支配方案可以被排除，降低不必要衝突。 ### 6.2 Pareto前沿 前沿保留無法在不犧牲至少一項目標下改善的方案。 ### 6.3 Pareto非決策 Pareto前沿通常包含多個方案： $$ |\mathcal{P}|>1 $$ 數學只能告訴制度哪些方案有效，不能決定社會應犧牲多少公平換取多少效率。 因此： $$ \text{Pareto有效} \neq \text{政治正當} $$ ### 6.4 決策剩餘 令： $$ DR = \mathcal{P} \setminus \mathcal{D}_{\mathrm{determined}} $$ 這部分必須由： - 民主授權； - 專業判斷； - 受影響者參與； - 法律權利； - 公開理由； - 情境責任； 共同處理。 --- ## 七、動態權重治理 ### 7.1 為何權重需要變動？ 固定權重無法處理： - 環境變化； - 新技術； - 危機； - 公共偏好； - 過去政策失敗； - 目標達成程度改變。 例如，當某項安全指標已接近臨界值時，其邊際權重可能上升。 ### 7.2 狀態依賴權重 令目標缺口為： $$ d_k(t) = \max \left( 0, \theta_k-g_k(t) \right) $$ 權重可部分依目標缺口調整： $$ \lambda_k(t+1) = \frac{ \lambda_k(t) + \alpha d_k(t) + \beta r_k(t) }{ \sum_j \left[ \lambda_j(t) + \alpha d_j(t) + \beta r_j(t) \right] } $$ 其中 $r_k(t)$ 是新風險訊號。 ### 7.3 權重不得完全自動化 若模型能依自己量測的缺口調整目標權重，就可能形成： $$ \text{模型定義問題} \rightarrow \text{模型提高該問題權重} \rightarrow \text{模型取得更多資源} $$ 因此，自動權重只能在法定範圍內運作。 ### 7.4 權重調整權分離 應區分： - 提議權； - 分析權； - 批准權； - 執行權； - 審計權； - 恢復原權重權。 令： $$ A_{\mathrm{propose}} \neq A_{\mathrm{approve}} \neq A_{\mathrm{execute}} \neq A_{\mathrm{audit}} $$ ### 7.5 權重切換成本 頻繁變動會造成混亂、投機與長期投資不足。 定義： $$ WSC = C_{\mathrm{coordination}} + C_{\mathrm{learning}} + C_{\mathrm{contract}} + C_{\mathrm{expectation}} $$ 只有預期改善超過切換成本時，才應調整： $$ \Delta Benefit_{\lambda} > WSC $$ ### 7.6 危機權重 危機可以暫時提高安全、速度或存續權重，但必須有： - 啟動指標； - 上限； - 權利底線； - 外部批准； - 定期更新； - 自動日落； - 事後審計。 --- ## 八、多目標憲法的形式化指標 ### 8.1 目標覆蓋率 令制度使命中的重要價值集合為 $\mathcal{V}^{*}$ ，憲法實際納入的集合為 $\mathcal{V}^{C}$ ： $$ OC = \frac{ |\mathcal{V}^{C}\cap\mathcal{V}^{*}| }{ |\mathcal{V}^{*}| } $$ ### 8.2 權重集中度 $$ WCI = \sum_{k=1}^{n}\lambda_k^2 $$ 權重越集中，制度越接近單一目的統治。 ### 8.3 不可補償完整度 令應受底線保護的價值集合為 $\mathcal{H}^{*}$ ，實際被硬約束的集合為 $\mathcal{H}^{C}$ ： $$ NCI = \frac{ |\mathcal{H}^{C}\cap\mathcal{H}^{*}| }{ |\mathcal{H}^{*}| } $$ ### 8.4 目標排擠度 令目標 $g_i$ 權重上升後，其他目標的資源下降為： $$ CO_i = -\sum_{j\neq i} \frac{ \partial Resources_j }{ \partial \lambda_i } $$ ### 8.5 衝突可見度 $$ CV = f \left( \text{權重公開}, \text{Pareto前沿公開}, \text{少數報告}, \text{分配影響}, \text{申訴資料} \right) $$ ### 8.6 情境正當性 令權重切換的外部授權、證據、期限與比例性為： $$ SL = \alpha A + \beta E + \gamma T + \delta P + \varepsilon R $$ ### 8.7 多目標憲法韌性 $$ MCR = \alpha OC + \beta NCI + \gamma CV + \delta Alt + \varepsilon Audit + \zeta Rev - \eta WCI - \theta CO - \kappa Capture - \mu Paralysis $$ 其中： - $Alt$ ：替代方案與模型密度； - $Audit$ ：目的審計能力； - $Rev$ ：權重可逆性； - $Capture$ ：權重與目標俘獲； - $Paralysis$ ：多目標癱瘓。 --- ## 九、十二項核心命題 ### 命題一：價值不可完全通約命題 重要公共價值不必都能穩定轉換為單一共同尺度，因此單一總分不具有天然正當性。 ### 命題二：底線不可補償命題 當某項價值構成基本權利、系統安全或不可逆存續條件時，其他目標的高績效不得自動補償其跌破底線。 ### 命題三：目的不可壟斷命題 任何單一目標若同時控制資源、評估、組織生存與使命解釋，便接近取得目的主權，應由獨立底線與其他目標通道加以限制。 ### 命題四：Pareto非決策命題 Pareto前沿能排除支配方案，不能替代對剩餘價值衝突的政治與倫理判斷。 ### 命題五：權重即政治命題 多目標制度中的權重配置不是純技術參數，而是不同利益、錯誤與價值的重要性分配。 ### 命題六：動態權重有界命題 權重可以隨情境調整，但調整幅度、期限與程序必須受到多目標憲法限制： $$ \boldsymbol{\lambda}(t) \in \Lambda_{\mathrm{constitutional}} $$ ### 命題七：危機權重日落命題 因危機提高的安全、速度或集中權重，必須在危機指標下降後自動衰減： $$ Q(t)\downarrow \Rightarrow \lambda_{\mathrm{crisis}}(t)\downarrow $$ ### 命題八：多目標癱瘓命題 若目標數量、衝突與否決點超過協調能力，制度可能無法行動： $$ Complexity_{\mathbf{G}} > Capacity_{\mathrm{coordination}} \Rightarrow Paralysis\uparrow $$ ### 命題九：目標刪除需高階授權命題 新增、刪除或永久降級重要目標，不能由執行單位、績效部門或模型自行完成。 ### 命題十：執行者不得自訂憲法命題 負責最大化目標的行動者，不應同時具有單方面改寫目標、權重、底線與評估規則的能力。 ### 命題十一：權重漂移可追溯命題 制度必須保存權重變化的時間序列、理由、決定者與分配後果： $$ \boldsymbol{\lambda}(t_0), \boldsymbol{\lambda}(t_1), \ldots, \boldsymbol{\lambda}(t_n) $$ ### 命題十二：多目標反主權命題 多目標憲法的最高功能，不是算出唯一最佳目的，而是確保沒有任何單一目的、模型或聯盟能永久壟斷制度成功的定義。 --- ## 十、避免多目標癱瘓 ### 10.1 限制憲法級目標數量 並非所有政策偏好都應升格為憲法目標。應區分： - 核心價值； - 法定使命； - 政策目標； - 行政指標； - 臨時專案目標。 ### 10.2 模組化目標 不同部門可承擔不同主要目標，但需接受共同底線與跨部門協調。 ### 10.3 衝突分級 把衝突分為： 1. 可透過技術改善同時提升； 2. 可用資源補償； 3. 需政治權衡； 4. 涉及不可補償底線； 5. 涉及文明或系統性存續。 ### 10.4 最小可行共識 在價值高度多元時，不必追求所有人同意完整目的排序，而可先確立： - 共同底線； - 可接受程序； - 可逆試驗； - 定期重評； - 少數保護。 ### 10.5 分期與試驗 對不確定權衡，可使用有限範圍、時間與規模的政策試驗，避免一次鎖定全部權重。 ### 10.6 目標預算 為難量化但重要的目標保留最低資源： $$ Budget(g_k) \geq \underline{B}_k $$ 避免其在每次短期壓力中被排擠。 ### 10.7 決策責任 即使使用多準則工具，最終決策者仍須公開說明其價值選擇，不能把責任推給模型或技術方法。 --- ## 十一、跨領域應用 ### 11.1 公共行政 現代公共行政同時追求合法、效率、服務、公平、透明、韌性與財政責任。若只以成本和速度評價，會排擠程序與信任；若程序目標過度僵化，又可能失去服務能力。 ### 11.2 教育 教育的多目標憲法可包括： - 基礎能力底線； - 學習品質； - 創造力； - 公平； - 身心安全； - 公民與人格發展。 考試成績只能是其中一個目標，不應具有完整目的主權。 ### 11.3 醫療 醫療需要同時處理： - 存活； - 生活品質； - 公平； - 病人自主； - 成本； - 醫療人員負擔； - 系統韌性。 部分權利與安全條件應是硬約束，而非成本效益中的普通權重。 ### 11.4 刑事司法 安全、程序、公平、比例、復歸與成本不能壓縮成單一破案率或風險分數。 ### 11.5 企業治理 企業可以同時追求利潤、產品品質、員工能力、客戶信任、創新與社會責任。多目標憲法必須區分真正底線與品牌式使命宣言。 ### 11.6 氣候與能源 能源政策需平衡安全、價格、減碳、土地、生態、產業及世代效果。對不可逆生態與安全風險，可設非補償底線；技術路徑則保留Pareto與動態權重空間。 ### 11.7 人工智慧 人工智慧系統可能同時追求： - 正確； - 有用； - 安全； - 誠實； - 隱私； - 自主； - 公平； - 低成本； - 低延遲。 若全部壓縮為單一獎勵，某些目標可能在極端優化下消失。多目標憲法可使用： - 硬安全限制； - 權利底線； - 分解獎勵； - Pareto評估； - 情境權重； - 提交時驗證； - 人類與制度覆寫。 ### 11.8 人工智慧代理社會 多代理系統中，不同代理可承擔不同使命，彼此制衡。但若協調代理能自行重寫所有代理權重，它便取得目的主權。 --- ## 十二、經驗檢驗框架 ### 12.1 建立目標憲法圖 列出： - 底線； - 禁限； - 使命目標； - 代理指標； - 權重； - 情境切換； - 調整權限； - 修正程序。 ### 12.2 權重敏感度分析 對不同 $\boldsymbol{\lambda}$ 計算政策或模型輸出，辨識哪些權重小幅變動會造成巨大分配改變。 ### 12.3 Pareto前沿公開 公開非支配方案與取捨，而不是只公布最終推薦。 ### 12.4 底線壓力測試 測試高績效方案是否透過犧牲某項底線取得總分優勢。 ### 12.5 目標刪除測試 移除或降低某一目標權重，觀察： - 哪些群體受損； - 哪些部門得利； - 是否存在不可逆效果； - 原使命是否仍成立。 ### 12.6 危機權重追蹤 檢驗危機後權重是否回落，或非常狀態已固化成常態。 ### 12.7 多目標癱瘓測試 測量決策時間、協調成本、否決數、責任模糊與政策延遲。 ### 12.8 反證條件 若制度： - 目標覆蓋充分； - 底線清楚且比例； - 權重公開； - 衝突可見； - Pareto方案可比較； - 權重調整受外部授權； - 危機權重能日落； - 執行者不能自行改寫目標； - 難量化使命具有獨立資源； - 仍能在合理時間內決策； 則目的壟斷或多目標失能判定應下修。 --- ## 十三、理論邊界與規範限制 第一，多目標憲法不能消除價值衝突，也不能保證所有決策得到一致答案。 第二，底線過多或過高，會使可行集合變空： $$ \mathcal{A}_{feasible} = \varnothing $$ 因此底線必須經過可行性與比例性檢驗。 第三，權重公開可能增加策略性遊說與指標博弈，但隱藏權重的主權風險通常更高。 第四，Pareto有效不表示公平、民主或合法，只表示不存在簡單的全目標改善。 第五，價值多元不表示所有價值同等正當。基本權利與反壓迫原則可以排除部分目標。 第六，動態權重可能提高適應性，也可能造成政策不穩定與短期操控，因此需要切換成本、範圍與日落治理。 第七，多目標模型仍可能遺漏重要價值。憲法必須保留新增問題與質疑目標集合的入口。 第八，人工智慧可以協助搜尋Pareto前沿與模擬權重效果，但不能自行取得決定公共價值權重的正當性。 --- ## 十四、結論 第十一篇提出： $$ \text{制度宣告的使命} \neq \text{制度實際優化的目的} $$ 並指出單一代理值可能完成目的層面的通道政變。 本篇進一步提出： $$ \boxed{ \text{增加目標數量} \neq \text{目的治理已獲解決} } $$ 以及： $$ \boxed{ \text{多個目標可被計算} \neq \text{所有價值可以被完全交換} } $$ 真正的多目標治理不是建立一個更長的加權總和，而是首先區分： 1. 哪些價值構成不可跌破的底線； 2. 哪些行動不得進入可行集合； 3. 哪些目標具有條件性優先； 4. 哪些目標可以在安全區間內權衡； 5. 權重可以如何隨情境改變； 6. 誰有權改變權重； 7. 何種改變必須經過修憲或重新授權。 因此，多目標憲法可以表示為： $$ \boxed{ \mathfrak{C}_G = \text{底線} + \text{禁限} + \text{使命向量} + \text{優先序} + \text{動態權重} + \text{情境切換} + \text{修憲程序} } $$ 其最重要的功能不是提供唯一答案，而是防止任何單一目的把自身描寫成全部制度利益。 當效率聲稱可以補償權利、當安全聲稱可以永久壓倒自由、當公平聲稱可以取消所有差異、當模型聲稱自己的總分就是公共利益時，多目標憲法必須使這些衝突重新可見。 本文最終提出： > **制度成熟的標誌，不是終於找到一個能計算全部價值的公式，而是承認沒有任何公式有資格永久壟斷全部價值。** 目的不可壟斷不等於拒絕決策，而是讓決策者必須公開承擔自己選擇了哪些權衡、保護了哪些底線，又把哪些成本留給了誰。 --- ## 參考文獻 1. Berlin, I. (1969). Two Concepts of Liberty. In *Four Essays on Liberty*. Oxford University Press. 2. Stanford Encyclopedia of Philosophy. (2022). Value Pluralism. 3. Stanford Encyclopedia of Philosophy. (2022). Constitutionalism. 4. Holmström, B., & Milgrom, P. (1991). Multitask Principal-Agent Analyses: Incentive Contracts, Asset Ownership, and Job Design. *Journal of Law, Economics, & Organization, 7*, 24–52. 5. Miller, N. R. (1983). Pluralism and Social Choice. *American Political Science Review, 77*(3), 734–747. 6. Arrow, K. J. (1951). *Social Choice and Individual Values*. Yale University Press. 7. Ehrgott, M. (2005). *Multicriteria Optimization*. Springer. 8. Ehrgott, M., et al. (2025). Fifty Years of Multi-Objective Optimization and Decision Making. *European Journal of Operational Research*. 9. Mesquita-Cunha, M., Figueira, J. R., & Barbosa-Póvoa, A. P. (2023). New ε-Constraint Methods for Multi-Objective Integer Linear Programming. *European Journal of Operational Research*. 10. Munda, G. (2004). Social Multi-Criteria Evaluation: Methodological Foundations and Operational Consequences. *European Journal of Operational Research, 158*(3), 662–677. 11. Munda, G. (2008). *Social Multi-Criteria Evaluation for a Sustainable Economy*. Springer. 12. UK Government Analysis Function. (2024). *An Introductory Guide to Multi-Criteria Decision Analysis*. 13. HM Treasury. (2024). *Use of Multi-Criteria Decision Analysis in Options Appraisal of Economic Cases*. 14. OECD. (2019). *Policy Coherence for Sustainable Development 2019*. OECD Publishing. 15. OECD. (2024). *Unleashing Policy Coherence to Achieve the SDGs*. OECD Publishing. 16. OECD. (2026). *Bridging the Gaps for Sustainable Development*. OECD Publishing. 17. NIST. (2023). *Artificial Intelligence Risk Management Framework (AI RMF 1.0)*. 18. NIST. (2020–2026). *Methods for Community Resilience Tradeoffs*. 19. Chen, R., Li, K., & Yao, X. (2018). Dynamic Multi-Objectives Optimization with a Changing Number of Objectives. *IEEE Transactions on Evolutionary Computation, 22*(1), 157–171. 20. Xue, B., et al. (2025). Multi-Objective Linear Reinforcement Learning with Lexicographic Rewards. *Proceedings of ICML 2025*. 21. Paunova, E. (2025). Constraint Decomposition for Multi-Objective Instruction-Following in Large Language Models. NVIDIA Research. 22. Anthropic. (2026). *Claude’s New Constitution*. 23. Clifford, E., et al. (2026). Open Problems in Constitutional Preference Reconstruction. arXiv:2606.30116. 24. Beikzadeh, M., et al. (2026). Multi-Objective Alignment of Language Models for Personalized Psychotherapy. arXiv:2602.16053. 25. Park, T. (2026). Behavioural Feasible Set: Value Alignment Constraints on AI Decision Support. arXiv:2603.21435.