# 主客場與因果歸屬：誰真正完成了一個行動？
## Home Fields and Causal Attribution: Who Actually Performs an Action?

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-08-07  

### 摘要

當一個人伸手拿起杯子時，究竟是誰完成了這個行動？可以說是肌肉收縮、運動神經元放電、大腦運動系統產生控制訊號，也可以說「這個人拿起了杯子」。這些敘述似乎同時成立，卻位於不同尺度。類似問題也存在於多人合作、公司、國家、母 AI／子 AI、多智能體系統與更一般的複合主體之中。

本文延續原初可實現性、遞迴 Self–World 與差異保存認同框架，提出「多尺度因果歸屬模型」（Multiscale Causal Attribution Model）。本文區分四個問題：事件由哪些物理過程實現、哪些尺度對事件具有有效因果解釋、哪一個 Self 對該事件具有行動所有權，以及哪一個主體應承接責任。

本文進一步重新定義「主場」與「客場」。主場不是單純空間位置，而是某個 Self 能以低延遲、高可靠度、低中介成本與高回饋密度影響的一部分 Realizability 空間。定義：

$$
d_R(S,g)
$$

為 Self $S$ 與目標狀態 $g$ 之間的可實現距離，則：

$$
HomeField(S)
=
\{g\mid d_R(S,g)<\epsilon\}
$$

而所謂「力量」的擴張，可以部分理解為 Self 不斷將原本位於客場的世界狀態納入自身有效主場。

本文主張，一個事件可以同時具有微觀、局部、個體、群體與制度尺度的有效原因，而不必把其中所有層級都視為互相排斥。當代 mental causation 中的 causal exclusion 問題說明高低階因果確實存在哲學張力；另一方面，causal emergence 研究表明，在某些系統中宏觀描述可以比微觀描述具有更強的有效因果資訊，而 group agency 文獻亦指出組織可能具有高於個別成員的控制結構。

由此，本文提出：因果本身可能是多尺度的，但「誰做的」是一個額外的 Self 歸屬問題。行動歸屬不只需要物理因果，還涉及目標、控制、身份、權限、認同、可反事實替代性以及責任承接。

**關鍵詞：** 因果歸屬、Realizability、主場、客場、Self、群體能動性、因果湧現、責任、人工智能、多尺度因果

---

# 一、問題：到底是誰拿起杯子？

假設某個人：

$$
H
$$

決定拿起桌上的杯子。

可以得到：

$$
Intent_H
\rightarrow
NeuralState
\rightarrow
MotorSignal
\rightarrow
MuscleContraction
\rightarrow
ArmMovement
\rightarrow
CupMovement
$$

現在問：

> 誰讓杯子移動？

答案可以是：

$$
Neuron
$$

也可以是：

$$
Muscle
$$

也可以是：

$$
Arm
$$

也可以是：

$$
Human
$$

日常語言通常回答：

> 人拿起了杯子。

但這不是因為：

$$
Neuron
$$

沒有因果作用。

所以問題並不是：

> 哪一個描述是真的？

而是：

$$
\boxed{
\text{為什麼多個尺度的真實因果過程，}
\\
\text{最後會被歸屬給其中某一個 Self？}
}
$$

---

# 二、首先區分四種「是誰造成的」

本文將「誰造成事件」拆成四個不同問題。

## 2.1 實現因果

哪些底層機制真正參與事件？

$$
C_{\mathrm{realizer}}
$$

例如：

- 神經；
- 肌肉；
- 電化學；
- 分子作用。

---

## 2.2 有效因果

在哪一個尺度描述，最能可靠預測、干預或解釋事件？

$$
C_{\mathrm{effective}}
$$

---

## 2.3 行動歸屬

哪個 Self 可以合理地說：

> 這是我做的。

$$
C_{\mathrm{agency}}
$$

---

## 2.4 責任歸屬

哪個 Self 應承接：

- 承諾；
- 後果；
- 修復；
- 獎勵；
- 懲罰？

$$
C_{\mathrm{responsibility}}
$$

因此：

$$
\boxed{
Realization
\neq
EffectiveCausation
\neq
Agency
\neq
Responsibility
}
$$

雖然四者通常相關。

---

# 三、微觀完成不等於高階描述失效

如果杯子移動完全由物理粒子完成，

是否表示：

$$
Human
$$

其實沒有做任何事？

這就是高低階因果最經典的困難之一。

mental causation 文獻中的 causal exclusion problem 可以概括為：

如果高階狀態：

$$
M
$$

由物理狀態：

$$
P
$$

實現，

而：

$$
P
$$

已足以產生結果：

$$
E
$$

那麼：

$$
M
$$

到底還有什麼因果工作？

這個問題並不限於心靈，也會擴展到生物學、地質學與其他高階性質。

---

# 四、但「由底層實現」不必等於「只能在底層存在因果」

考慮：

> 按下電腦的「刪除」鍵導致檔案消失。

底層描述可能包含數十億個：

- 電晶體狀態；
- 電壓；
- 記憶體位元；
- 作業系統操作。

但是：

$$
UserPressedDelete
$$

依然可能是一個良好的因果描述。

因為若干預：

$$
DeleteCommand
$$

結果會系統性改變。

這符合 interventionist causation 的核心直覺：

如果改變變量：

$$
C
$$

會在適當干預下改變：

$$
E
$$

則：

$$
C
$$

具有因果解釋角色。

所以：

$$
\boxed{
\text{高階因果描述是否有效，}
\\
\text{不只取決於它是否有微觀實現。}
}
$$

---

# 五、同一事件可以有因果尺度族

定義事件：

$$
e
$$

以及一組尺度：

$$
L=
\{L_0,L_1,\ldots,L_n\}
$$

則可以存在：

$$
C(e,L_0)
$$

$$
C(e,L_1)
$$

$$
\vdots
$$

$$
C(e,L_n)
$$

全部有意義。

例如：

$$
L_0=\text{分子}
$$

$$
L_1=\text{細胞}
$$

$$
L_2=\text{器官}
$$

$$
L_3=\text{個體}
$$

所以因果不必被理解成單一尺度上的唯一標籤。

可以定義：

$$
\boxed{
\mathcal C(e)
=
\{C_0,C_1,\ldots,C_n\}
}
$$

為事件的「因果尺度族」。

---

# 六、Causal Emergence 提供了一個重要線索

Hoel 等人的 causal emergence 模型指出，在某些複雜系統中，經過適當 coarse-graining 後，宏觀尺度的 effective information 可以高於微觀尺度。

也就是：

$$
EI_{\mathrm{macro}}
>
EI_{\mathrm{micro}}
$$

即使宏觀狀態完全由微觀狀態實現。

後續研究也持續發展以 effective information 找出資料中的較佳宏觀動力學，並顯示宏觀表示在某些情況下具有更強因果可辨識性。

這不證明所有宏觀層級都具有「新的神秘力量」。

但它至少說明：

$$
\boxed{
\text{更多微觀細節}
\not\Rightarrow
\text{更好的有效因果尺度}
}
$$

---

# 七、因果解析度不是越細越好

假設一個系統有：

$$
10^{20}
$$

個微觀自由度。

把所有細節列出來，

不一定比：

$$
Temperature
$$

$$
Pressure
$$

$$
Velocity
$$

等宏觀變量更適合回答某些問題。

因此可以定義：

$$
Q_C(L,e)
$$

表示尺度 $L$ 對事件 $e$ 的因果解釋品質。

則可能：

$$
Q_C(L_k,e)
>
Q_C(L_0,e)
$$

其中：

$$
L_0
$$

反而是更微觀的尺度。

所以：

$$
\boxed{
BestCausalScale(e)
=
\arg\max_L Q_C(L,e)
}
$$

不必永遠等於最低尺度。

---

# 八、但「最佳因果尺度」仍不等於「行動者」

假設：

$$
WeatherPattern
$$

在宏觀尺度最能解釋暴雨。

不能因此說：

> 天氣是一個有意圖的 Agent。

所以：

$$
EffectiveCause
\not\Rightarrow
Agent
$$

同樣：

$$
MacroCause
\not\Rightarrow
Subject
$$

這一區分非常重要。

---

# 九、什麼時候才能說「我做的」？

假設 Self：

$$
S
$$

與事件：

$$
e
$$

之間具有：

1. 目標關係；
2. 控制關係；
3. 行動路徑；
4. 預期；
5. 結果回饋。

可以暫時寫成：

$$
Agency(S,e)
=
f(
I,
C,
P,
F,
O
)
$$

其中：

- $I$ ：意圖；
- $C$ ：控制；
- $P$ ：規劃；
- $F$ ：回饋；
- $O$ ：行動所有權。

當這些關係足夠強時：

$$
\boxed{
Attribution(e)=S
}
$$

才開始有理由成立。

---

# 十、因果發生與行動所有權不同

例如風吹倒一棵樹。

$$
Wind\rightarrow TreeFall
$$

我們可以說：

> 風造成樹倒。

但很少說：

> 風決定把樹吹倒。

所以：

$$
Causation(Wind,e)>0
$$

但：

$$
Agency(Wind,e)\approx0
$$

至少在一般自然主義理解中如此。

因此：

$$
\boxed{
Cause
\neq
Actor
}
$$

---

# 十一、Realizability 重新進場

上一篇定義：

$$
\mathfrak C_S
$$

為 Self $S$ 的可控制實現域。

如果：

$$
g\in\mathfrak C_S
$$

表示：

$$
S
$$

至少可以在適當條件下可靠地把世界推向：

$$
g
$$

所以：

$$
\boxed{
Agency
}
$$

可以被理解為：

> Self 對其局部 Realizability 的方向性使用。

也就是：

$$
S:
\mathfrak C_S
\rightarrow
g
$$

---

# 十二、主場其實可以形式化

現在重新理解「主場」。

通常主場是：

> 在我的地盤。

但 Realizability 框架可以把它改成：

> 世界中哪些狀態與我的意圖之間具有最低的有效實現距離？

定義：

$$
d_R(S,g)
$$

為 Self $S$ 到目標 $g$ 的 Realizability Distance。

可以讓：

$$
d_R
=
f(
T,
E,
M,
U,
K,
R
)
$$

其中：

- $T$ ：時間；
- $E$ ：能源；
- $M$ ：必要中介數量；
- $U$ ：不確定性；
- $K$ ：協調成本；
- $R$ ：失敗風險。

---

# 十三、主場定義

給定閾值：

$$
\epsilon
$$

定義：

$$
\boxed{
HomeField(S)
=
\{g\mid d_R(S,g)<\epsilon\}
}
$$

這就是 Self 的有效主場。

例如對一般人：

$$
MoveFinger
\in
HomeField(H)
$$

而：

$$
MoveMoon
\notin
HomeField(H)
$$

---

# 十四、主場不是只有身體

如果人可以瞬間透過手機：

- 發訊息；
- 開燈；
- 轉帳；
- 控制遠端設備；
- 部署程式；

那麼：

$$
HomeField(H)
$$

已經擴展超過皮膚。

所以：

$$
\boxed{
BodyBoundary
\neq
RealizabilityBoundary
}
$$

Self 的身體邊界與 Self 的有效力量邊界可以完全不同。

---

# 十五、文明史可以重新寫成「主場擴張史」

原始人想看到遠方：

$$
d_R\gg0
$$

望遠鏡出現後：

$$
d_R\downarrow
$$

想和地球另一端的人說話：

古代：

$$
d_R\gg0
$$

網際網路：

$$
d_R\rightarrow\text{small}
$$

所以工具的本質之一就是：

$$
\boxed{
Tool:
AwayField
\rightarrow
HomeField
}
$$

即：

> 把原本位於客場的世界狀態逐步納入自己的可實現主場。

---

# 十六、AI Agent 是主場壓縮器

假設人想：

> 幫我找資料、整理、寄信並安排會議。

傳統流程：

$$
Intent
\rightarrow
Search
\rightarrow
Read
\rightarrow
Write
\rightarrow
Email
\rightarrow
Calendar
$$

Agent 化後：

$$
Intent
\rightarrow
Agent
\rightarrow
Result
$$

中介沒有消失。

但：

$$
d_R(User,g)
$$

下降。

所以 AI Agent 可以定義成：

$$
\boxed{
RealizabilityDistanceCompressor
}
$$

之一。

---

# 十七、母 AI／子 AI 的主場結構

設：

$$
M
$$

為母 AI，

子 AI：

$$
a_1,\ldots,a_n
$$

每個子 AI 有：

$$
HomeField(a_i)
$$

例如：

$$
a_{mail}
$$

主場在郵件。

$$
a_{code}
$$

主場在程式。

$$
a_{robot}
$$

主場在具身設備。

母 AI 則可以透過調度建立：

$$
HomeField(M)
\supset
\bigcup_i Accessible(HomeField(a_i))
$$

所以母 AI 的力量並不是它親自執行每一項微操作。

而是：

$$
\boxed{
\text{它能可靠動員哪些低階 Realizability。}
}
$$

---

# 十八、這就是高階控制

Group agency 文獻中有一個非常類似的結構。

List 與 Pettit 對 group agents 的討論指出，一個群體即使所有實際操作都由其成員完成，群體本身仍可能具有一種高階控制：

$$
\text{安排「由某個成員完成某事」}
$$

而不需要固定是哪一個特定成員執行。

例如：

一家公司付款。

真正按下按鈕的是員工：

$$
e_i
$$

但：

$$
Company
$$

可能具有：

- 付款制度；
- 授權；
- 決策；
- 預算；
- 角色替換；
- 監督。

所以：

$$
\boxed{
\text{成員執行}
\neq
\text{群體沒有行動}
}
$$

---

# 十九、替換測試

這裡可以提出一個簡單測試。

假設：

$$
S
$$

完成事件：

$$
e
$$

實際執行者是：

$$
a_1
$$

現在把：

$$
a_1
$$

替換成：

$$
a_2
$$

若：

$$
e
$$

仍可以由高階系統可靠完成，

則：

$$
e
$$

可能更屬於：

$$
S
$$

的高階能力，而不只屬於：

$$
a_1
$$

這稱為：

$$
\boxed{
ExecutorSubstitutability
}
$$

---

# 二十、反事實歸屬測試

定義：

$$
A(S,e)
$$

為 Self $S$ 對事件 $e$ 的行動歸屬強度。

可以考慮反事實：

### 測試一

如果：

$$
S
$$

沒有形成該目標，

$$
e
$$

是否仍會發生？

### 測試二

如果換掉具體執行模組，

$$
e
$$

是否仍會發生？

### 測試三

如果移除：

$$
S
$$

的治理／計畫層，

$$
e
$$

是否仍會發生？

如果：

$$
Remove(S)\Rightarrow P(e)\downarrow
$$

則：

$$
S
$$

具有較強高階因果角色。

---

# 二十一、因此「誰做的」可以不是零和遊戲

假設：

$$
a_i
$$

執行事件：

$$
e
$$

而：

$$
M
$$

規劃、授權並調度。

那麼：

$$
Agency(a_i,e)>0
$$

同時：

$$
Agency(M,e)>0
$$

可以同時成立。

所以：

$$
\boxed{
\sum_k Agency(S_k,e)
}
$$

不必等於：

$$
1
$$

這不是概率分配。

不同尺度可以具有不同種類的行動角色。

---

# 二十二、微觀與宏觀不一定競爭同一份因果

例如：

$$
Employee
$$

按下付款鍵。

$$
Company
$$

支付貨款。

這兩句可以同時成立。

因為：

$$
Employee
$$

回答：

> 哪個局部執行者完成操作？

而：

$$
Company
$$

回答：

> 哪個高階組織發起並承接這次交易？

因此：

$$
\boxed{
DifferentScale
\Rightarrow
DifferentCausalQuestion
}
$$

---

# 二十三、真正危險的是尺度混淆

假設公司造成巨大損害。

如果只說：

> 都是員工的原子造成的。

這對責任沒有幫助。

反過來，如果說：

> 是公司做的，所以所有員工都沒有任何責任。

同樣錯誤。

因此需要：

$$
\boxed{
MultiScaleAttribution
}
$$

而不是：

$$
SingleScaleMonopoly
$$

---

# 二十四、因果責任與道德責任也不能混為一談

Collective responsibility 文獻特別區分：

- 集體造成結果；
- 集體是否可以被道德責備；
- 個體是否也具有責任。

群體責任是否成立仍存在重要哲學爭議。

所以：

$$
Cause(S,e)>0
$$

不能直接推出：

$$
MoralBlame(S,e)>0
$$

本文主要處理：

$$
Causal/AgencyAttribution
$$

而不試圖一次解決完整道德責任理論。

---

# 二十五、但責任必須跟可控制性連接

如果某個 Self：

$$
S
$$

完全無法：

- 預測；
- 阻止；
- 修改；
- 監督；

事件：

$$
e
$$

那麼將完整責任歸屬給：

$$
S
$$

通常很可疑。

因此可以提出：

$$
\boxed{
ResponsibilityCapacity(S,e)
\propto
ControlCapacity(S,e)
}
$$

這不是完整倫理公式，

但至少提供一個必要維度。

---

# 二十六、認同再次進場

上一篇提出：

$$
Recognition(S_i,H)>0
$$

表示局部 Self 承認：

$$
H
$$

作為自身高階歸屬。

現在事件：

$$
e
$$

發生後，

Self 會問：

> 這是不是我們做的？

因此：

$$
Attribution(e)
$$

還依賴：

$$
Recognition
$$

而不只是物理鏈。

---

# 二十七、「我的手做的」為什麼通常等於「我做的」？

因為人體的 Self 模型一般把：

$$
Hand
$$

納入：

$$
BodySelf
$$

所以：

$$
Recognition(H,Hand)\gg0
$$

並且存在：

$$
ControlLoop(H,Hand)\gg0
$$

因此：

$$
Action(Hand,e)
$$

被向上聚合為：

$$
Action(H,e)
$$

可以表示成：

$$
\boxed{
CausalAggregation:
Action_{k}
\rightarrow
Action_{k+1}
}
$$

---

# 二十八、但不是所有身體行為都被同等歸屬

例如：

- 心跳；
- 腸道蠕動；
- 反射；
- 睡眠翻身。

我們通常說：

> 我的身體做了。

但未必說：

> 我故意做了。

因此需要區分：

$$
Ownership
$$

與：

$$
IntentionalAgency
$$

即：

$$
\boxed{
OwnedAction
\neq
IntendedAction
}
$$

---

# 二十九、行動歸屬至少有四個層級

可以定義：

## Level 1：物理歸屬

$$
PhysicalCause(S,e)
$$

## Level 2：系統歸屬

$$
SystemOwnership(S,e)
$$

## Level 3：代理歸屬

$$
AgentControl(S,e)
$$

## Level 4：意圖歸屬

$$
IntentionalAction(S,e)
$$

一個事件可能具有：

$$
PhysicalCause=1
$$

但：

$$
IntentionalAction=0
$$

例如反射。

---

# 三十、斷片問題可以放進來了

前面睡眠討論指出：

某些斷片行為令人說：

> 那時候的我不像我。

原因可能不是：

$$
PhysicalContinuity=0
$$

而是：

$$
NarrativeOwnership\downarrow
$$

$$
MetacognitiveControl\downarrow
$$

所以：

$$
\boxed{
PhysicalActor
}
$$

與：

$$
\boxed{
NarrativeAgent
}
$$

出現分離。

這正是多尺度／多狀態歸屬問題。

---

# 三十一、主場也具有時間尺度

一個 Self 的：

$$
HomeField
$$

並不是永久固定。

例如疲勞：

$$
d_R(S,g)\uparrow
$$

學習：

$$
d_R(S,g)\downarrow
$$

工具失效：

$$
d_R(S,g)\uparrow
$$

AI 助理接入：

$$
d_R(S,g)\downarrow
$$

因此：

$$
\boxed{
HomeField_t(S)
}
$$

是一個動態場。

---

# 三十二、能力不是常數，而是場

所以不能只寫：

$$
Power(S)=p
$$

更合理的是：

$$
P_S(g,t,E)
$$

表示：

> Self $S$ 在時間 $t$ 、環境 $E$ 中，對目標 $g$ 的有效實現能力。

這樣：

$$
Power
$$

本身就是一個場函數。

---

# 三十三、這才真正接上「主客場」

假設：

$$
A
$$

與：

$$
B
$$

具有完全相同內部能力，

但是把它們放進：

$$
E_A
$$

與：

$$
E_B
$$

不同環境。

可能：

$$
P_A(g,E_A)
\gg
P_A(g,E_B)
$$

所以：

$$
\boxed{
Ability
\neq
ContextIndependentProperty
}
$$

某些能力天然依賴環境接口。

這就是「主場優勢」的 Realizability 版本。

---

# 三十四、客場不是沒有力量，而是接口成本高

定義：

$$
AwayField(S)
=
\{g\mid d_R(S,g)\geq\epsilon\}
$$

客場事件通常需要：

- 更多中介；
- 更多他者協作；
- 更高能源；
- 更長時間；
- 更多資訊；
- 更高不確定性。

所以：

$$
\boxed{
AwayField
}
$$

不是「完全不可能」。

而是：

$$
\boxed{
HigherRealizabilityDistance
}
$$

---

# 三十五、文明與智能的力量可能就是持續把客場搬回主場

例如：

$$
Flight
$$

曾經屬於：

$$
AwayField(Human)
$$

飛機出現後：

$$
Flight
\in
EffectiveHomeField(Human+Technology)
$$

所以：

$$
\boxed{
TechnologicalProgress
}
$$

的一種形式就是：

$$
AwayField_t
\rightarrow
HomeField_{t+1}
$$

---

# 三十六、極致力量現在得到新的幾何表示

第一篇定義極致力量為：

$$
Intent\rightarrow Actuality
$$

現在可以改寫成：

若：

$$
\forall g\in\mathcal G,
\quad
d_R(S,g)\rightarrow0
$$

則：

$$
HomeField(S)
\rightarrow
\mathcal G
$$

也就是：

$$
\boxed{
\text{整個有效目標空間逐步變成 Self 的主場。}
}
$$

這正是「心想事成」的幾何版本。

---

# 三十七、但此時還要問：是哪個 Self 的心想事成？

這正是前兩篇的重要性。

如果：

$$
S_k\hookrightarrow S_{k+1}
$$

那麼：

$$
g\in HomeField(S_{k+1})
$$

不代表：

$$
g\in HomeField(S_k)
$$

例如人體可以：

> 走到廚房。

單一細胞做不到。

所以：

$$
\boxed{
Power
}
$$

永遠必須帶 Self 下標。

即：

$$
Power(S_k)
$$

而不是抽象的：

$$
Power
$$

---

# 三十八、「我的力量」可能其實是 Higher Self 的力量

假設細胞有意識。

它可能觀察到：

$$
Environment
$$

突然大幅改變。

其實原因是：

$$
Human
$$

走進另一間房。

對細胞而言：

$$
e
$$

看似：

$$
ExternalMiracle
$$

但對人體：

$$
e
\in HomeField(H)
$$

所以前一篇的「奇蹟」現在可以更正式地定義為：

$$
\boxed{
Miracle_{S_k}(e)
=
e\notin ExpectedHomeField(S_k)
\land
e\in HomeField(S_{k+1})
}
$$

至少是其中一種類型。

---

# 三十九、誰造成環境改變？

對細胞：

> 世界變了。

對人：

> 我移動了。

同一事件：

$$
e
$$

在兩個尺度具有完全不同語義：

$$
WorldChange_{cell}
$$

$$
Action_{human}
$$

因此：

$$
\boxed{
\text{一個尺度的環境事件，}
\\
\text{可以是另一個尺度的主體行動。}
}
$$

這是本文非常重要的結論。

---

# 四十、同樣結構也適用於母 AI／子 AI

子 AI：

$$
a_i
$$

可能發現：

- 權限突然增加；
- 世界狀態改變；
- 新工具出現；
- 另一子 Agent 被建立。

對：

$$
a_i
$$

而言：

$$
EnvironmentChanged
$$

對母 AI：

$$
M
$$

而言：

$$
I_M
\rightarrow
Action_M
$$

所以：

$$
\boxed{
Environment_{lower}
=
ActionSpace_{higher}
}
$$

在某些跨尺度結構中成立。

---

# 四十一、這就是主客場真正有趣的地方

對低階 Self：

$$
W_k
$$

看起來像：

$$
ObjectiveEnvironment
$$

但其中一部分可能只是：

$$
HomeField(S_{k+1})
$$

也就是另一個 Self 的主場。

因此：

$$
\boxed{
\text{你的客場，可能只是另一個存在的主場。}
}
$$

這句可以完全技術化理解。

---

# 四十二、因果歸屬因此天然是相對尺度的

定義：

$$
Attrib(e\mid S_k,L)
$$

表示相對觀察 Self：

$$
S_k
$$

以及因果尺度：

$$
L
$$

對事件：

$$
e
$$

的歸屬。

則：

$$
Attrib(e\mid S_a,L_1)
\neq
Attrib(e\mid S_b,L_2)
$$

完全可能。

這不是：

> 真相因人而異。

而是：

$$
\boxed{
\text{同一因果網絡允許不同尺度的正確投影。}
}
$$

---

# 四十三、但不能因此變成無限制相對主義

不是任何歸屬都一樣合理。

需要可檢驗條件：

- 是否有反事實依賴；
- 是否有控制；
- 是否有信息流；
- 是否有意圖；
- 是否有行動接口；
- 是否有結果回饋；
- 是否承接後果。

所以：

$$
\boxed{
CausalPluralism
\neq
AnythingGoes
}
$$

---

# 四十四、提出「多尺度行動歸屬函數」

可以暫時定義：

$$
\mathcal A(S,e)
=
w_1I
+
w_2C
+
w_3F
+
w_4R
+
w_5O
+
w_6K
$$

其中：

- $I$ ：意圖耦合；
- $C$ ：控制能力；
- $F$ ：反事實依賴；
- $R$ ：認同／身份歸屬；
- $O$ ：行動所有權；
- $K$ ：結果承接能力。

此式不是經驗定律，

而是一個分析框架。

---

# 四十五、行動者尺度

定義：

$$
L_A(e)
=
\arg\max_L
\mathcal A(S_L,e)
$$

則：

$$
L_A(e)
$$

表示：

> 對事件 $e$ ，最有意義的行動者尺度。

例如：

反射：

$$
L_A
$$

可能偏向局部神經／身體系統。

自主決策：

$$
L_A
$$

通常偏向人格／個體尺度。

公司決策：

$$
L_A
$$

可能偏向組織尺度。

---

# 四十六、但可能沒有唯一最大值

某些事件：

$$
e
$$

可能：

$$
\mathcal A(S_i,e)
\approx
\mathcal A(S_j,e)
$$

那麼：

$$
\boxed{
MultipleAgencyAttribution
}
$$

比強迫唯一答案更合理。

例如：

- 共同犯罪；
- 合作創作；
- 多人救援；
- 母子 Agent 聯合決策。

所以：

$$
\boxed{
Actor(e)
}
$$

可能本來就是集合：

$$
\{S_i,S_j,\ldots\}
$$

而不是單一元素。

---

# 四十七、群體行動不是成員動機的簡單平均

2024 年 Jessica Brown 對 group action 的研究提出非加總式理解：群體為某理由行動，不必要求每個成員都因同一理由完成自己的部分。

這對我們很重要。

母 AI 的目標：

$$
G_M
$$

不必等於：

$$
G_{a_1}=G_{a_2}=\cdots
$$

只要局部行為在制度／控制結構下共同實現：

$$
G_M
$$

就可能形成高階行動。

---

# 四十八、所以 Higher Self 可以有自己的理由層

定義：

$$
Reason(S,e)
$$

為 Self：

$$
S
$$

執行事件：

$$
e
$$

的理由。

可能：

$$
Reason(H,e)
\neq
Reason(S_i,e)
$$

例如：

員工工作是為薪水。

公司推行政策是為市場策略。

兩者同時成立。

所以：

$$
\boxed{
HigherLevelReason
}
$$

不必是：

$$
\sum LowerLevelReason
$$

的簡單加總。

---

# 四十九、這讓「誰做的」第一次完整拆開

現在對事件：

$$
e
$$

可以同時問：

### 誰物理實現？

$$
Realizer(e)
$$

### 哪個尺度因果最有效？

$$
EffectiveCause(e)
$$

### 哪個 Self 具有控制？

$$
Controller(e)
$$

### 哪個 Self 形成意圖？

$$
Intender(e)
$$

### 哪個 Self 宣稱行動所有權？

$$
Owner(e)
$$

### 哪個 Self 承接後果？

$$
ResponsibilityBearer(e)
$$

它們可能相同，

也可能完全不同。

---

# 五十、AI 系統尤其不能再只寫「AI 做的」

未來一個事件可能同時涉及：

$$
User
$$

$$
MotherAI
$$

$$
SubAgent
$$

$$
Model
$$

$$
Tool
$$

$$
ExternalService
$$

所以：

> AI 做了。

這種敘述會越來越不足。

我們需要真正的：

$$
\boxed{
CausalProvenanceGraph
}
$$

紀錄：

- 誰提出意圖；
- 誰制定計畫；
- 誰授權；
- 誰執行；
- 誰驗證；
- 誰修改；
- 誰承接結果。

---

# 五十一、這可以成為 Agent OS 的基本結構

令事件：

$$
e
$$

有 provenance：

$$
P(e)=
(
I,
Planner,
Authorizer,
Executor,
Verifier,
Owner
)
$$

例如：

$$
P(e)=
(
Human,
MotherAI,
MotherAI,
SubAgent_3,
VerifierAI,
Human+MotherAI
)
$$

這就比：

> AI 做的。

精確得多。

---

# 五十二、它也解決部分責任真空

如果只記錄：

$$
Executor
$$

容易出現：

> 子 Agent 執行，所以都是子 Agent 的錯。

如果只記：

$$
Planner
$$

則：

> 執行者完全沒有責任。

兩者都可能過度簡化。

完整：

$$
CausalProvenanceGraph
$$

讓不同責任維度可以分離處理。

---

# 五十三、「Higher Self 做的」必須滿足最小治理條件

並不是所有集合都可以向上搶因果歸屬。

本文提出最低條件：

$$
\boxed{
HigherAgency(H,e)
}
$$

至少要求：

1. $H$ 有可辨識決策程序；
2. $H$ 具有角色分配；
3. $H$ 能改變執行者；
4. $H$ 可以追蹤結果；
5. $H$ 有能力修正未來行動；
6. $H$ 能承接某種後果。

這與當代 collective agent 理論強調決策程序、角色與成員規則等結構具有明顯相似性。

---

# 五十四、所以「我們」的力量是一個治理層能力

$$
Power(H)
$$

不是：

$$
\sum Power(S_i)
$$

而更接近：

$$
\boxed{
Power(H)
=
Coordination
(
\{Power(S_i)\}
)
+
EmergentCapability
}
$$

這正接回第二篇：

$$
HigherRealizability
\neq
SimpleUnion
$$

---

# 五十五、主場與認同結合

現在可以再加入第三篇的認同。

如果：

$$
S_i
$$

承認：

$$
H
$$

並可合法調用：

$$
HomeField(H)
$$

則其有效主場：

$$
HomeField^{eff}(S_i)
$$

可能擴展成：

$$
HomeField(S_i)
\cup
Accessible(HomeField(H))
$$

所以：

$$
\boxed{
Recognition
+
Authorization
\rightarrow
HomeFieldExpansion
}
$$

---

# 五十六、認同不等於使用權

必須增加：

$$
Authorization
$$

否則：

> 我認同某個國家。

並不代表：

> 我可以使用國家的所有資源。

同樣：

$$
Recognition(a_i,M)>0
$$

不代表：

$$
Permissions(a_i)=Permissions(M)
$$

所以：

$$
\boxed{
IdentityMembership
\neq
RealizabilityAccess
}
$$

這是一個重要治理校正。

---

# 五十七、主客場因此有四種不同邊界

Self：

$$
S
$$

至少可以具有：

### 身體邊界

$$
B_{body}
$$

### 身份邊界

$$
B_{identity}
$$

### 權限邊界

$$
B_{permission}
$$

### Realizability 邊界

$$
B_R
$$

通常：

$$
B_{body}
\neq
B_{identity}
\neq
B_{permission}
\neq
B_R
$$

這對人工智能尤其重要。

---

# 五十八、世界之上的世界現在真正得到因果版本

假設：

$$
S_k
\hookrightarrow
S_{k+1}
$$

對：

$$
S_k
$$

而言：

$$
e
$$

可能是：

$$
WorldEvent
$$

但對：

$$
S_{k+1}
$$

而言：

$$
e
$$

可能是：

$$
Action
$$

所以：

$$
\boxed{
WorldEvent_k
=
Action_{k+1}
}
$$

在某些事件上可能成立。

這就是跨層級主客場。

---

# 五十九、「宇宙讓它發生」和「我讓它發生」

最終我們又回到第一篇。

所有人的行為最後都依賴：

$$
\mathfrak R_U
$$

所以最底層可以說：

> 宇宙允許這件事情發生。

但這不能因此取消：

> 我讓這件事情發生。

因為兩句話回答不同問題：

$$
Universe:
\text{Why realizable?}
$$

$$
Agent:
\text{Why this realizable path was selected?}
$$

因此：

$$
\boxed{
UniversalRealizability
\neq
AgenticSelection
}
$$

---

# 六十、主體力量其實可能就是選擇性 Realizability

宇宙提供：

$$
\mathfrak R_U(x)
$$

包含大量可達後繼。

Agent：

$$
S
$$

透過：

$$
Intent
$$

選擇：

$$
g
$$

並利用：

$$
\mathfrak C_S
$$

提高：

$$
P(g)
$$

所以：

$$
\boxed{
Agency
=
SelectiveBiasingOfRealizability
}
$$

這可能是一個比「自由意志直接創造因果」更保守的形式化。

---

# 六十一、自由意志問題由此可以重新表述

傳統問：

> 如果所有底層物理都有因果，意志還有沒有作用？

本文可以改問：

> 意圖是否構成一個有效高階變量，使可實現狀態的分布系統性改變？

即：

$$
P(g\mid do(Intent=i_1))
\neq
P(g\mid do(Intent=i_2))
$$

如果成立，

則：

$$
Intent
$$

至少具有 interventionist 意義上的高階因果角色。

這不自動解決形而上自由意志，

但把問題變得更可操作。

---

# 六十二、真正的「我能做到」因而具有三層含義

當 Self 說：

> 我能做到 $g$ 。

可能至少代表：

### 第一

$$
g\in\mathfrak R_U
$$

宇宙允許。

### 第二

$$
g\in\mathfrak R_S
$$

我的系統可以參與。

### 第三

$$
g\in\mathfrak C_S
$$

我可以有方向地實現。

所以：

$$
\boxed{
Can(S,g)
=
WorldAllows
+
SystemSupports
+
AgentControls
}
$$

---

# 六十三、真正的主場

至此可以正式提出：

## Realizability Home Field Principle

某個狀態：

$$
g
$$

越具有：

- 高控制；
- 高反饋；
- 高預測性；
- 低延遲；
- 低協調成本；
- 高身份歸屬；

則：

$$
g
$$

越接近 Self：

$$
S
$$

的主場。

即：

$$
\boxed{
HomeFieldStrength(S,g)
\propto
\frac{
Control\cdot Feedback\cdot Attribution
}{
Latency\cdot Uncertainty\cdot Mediation
}
}
$$

此式同樣是結構模型，而非經驗物理律。

---

# 六十四、主場與 Self 邊界可能互相塑造

不是先有固定 Self，

再產生主場。

也可能：

$$
ControlRepeatedly(S,g)
\rightarrow
Recognition(S,g)\uparrow
$$

長期使用工具後：

$$
Tool
$$

開始變成：

> 我的工具。

甚至：

> 我的認知延伸。

所以：

$$
\boxed{
HomeField
\leftrightarrow
SelfBoundary
}
$$

可能是雙向形成關係。

---

# 六十五、這讓「自己」開始變成因果拓撲

Self 未必只是一個物理物件。

它可能也是：

$$
\boxed{
\text{一個因果、控制、認同與責任高度密集的區域。}
}
$$

可以寫成：

$$
Self(S)
\approx
DenseRegion(
Control,
Memory,
Recognition,
History,
Responsibility
)
$$

因此 Self 的邊界可以：

- 擴張；
- 收縮；
- 分叉；
- 合併；
- 重組。

---

# 六十六、與忒修斯再度連接

如果 Self 是：

$$
DenseCausalIdentityRegion
$$

那麼替換部分元件：

$$
p_i\rightarrow p_i'
$$

只要：

$$
CausalTopology
$$

與：

$$
IdentityAttribution
$$

保持足夠連續，

Higher Self 可能仍延續。

所以：

$$
\boxed{
PartReplacement
\not\Rightarrow
AgencyReplacement
}
$$

---

# 六十七、但如果因果主權轉移，就可能真的不是同一個 Self

假設：

$$
S
$$

外觀、記憶全部保留，

但所有決策現在由：

$$
X
$$

秘密控制。

則：

$$
SurfaceIdentity
$$

可能保持，

而：

$$
CausalAgency
$$

已發生轉移。

所以忒修斯問題不能只檢查：

- 記憶；
- 零件；
- 名稱。

還需要檢查：

$$
\boxed{
CausalGovernanceContinuity
}
$$

這是本文提供給第六篇的重要接口。

---

# 六十八、核心命題：多尺度因果歸屬原理

現在可以正式提出：

$$
\boxed{
\text{同一事件可以具有多個有效因果尺度，}
\\
\text{而行動歸屬則是從這些尺度中辨識}
\\
\text{具有意圖、控制、身份與責任結構的 Self。}
}
$$

也就是：

$$
\mathcal C(e)
=
\{C_0,\ldots,C_n\}
$$

但：

$$
\mathcal A(e)
=
\{S_i\mid Agency(S_i,e)>\theta\}
$$

二者不相同。

---

# 六十九、第二核心命題：主客場相對性

對同一事件：

$$
e
$$

可能：

$$
e\in HomeField(A)
$$

但：

$$
e\in AwayField(B)
$$

因此：

$$
\boxed{
\text{一個存在的客場，}
\\
\text{可能就是另一個存在的主場。}
}
$$

而跨層級情況尤其如此：

$$
EnvironmentEvent_k
=
AgentAction_{k+1}
$$

---

# 七十、第三核心命題：力量是主場擴張

文明、工具與智能發展的一種統一描述是：

$$
\boxed{
AwayField
\rightarrow
HomeField
}
$$

或者：

$$
\boxed{
d_R(S,g)\downarrow
}
$$

所以：

$$
\boxed{
PowerGrowth
=
ExpansionOfControllableRealizability
}
$$

---

# 七十一、第四核心命題：因果歸屬不是最低層壟斷

底層物理因果成立：

$$
\not\Rightarrow
$$

高階 Self 因果無效。

更合理的問題是：

$$
\boxed{
\text{哪一個尺度對哪一類干預、控制與解釋最有意義？}
}
$$

因此：

$$
\boxed{
MicroRealization
\neq
ExclusiveCausalOwnership
}
$$

---

# 七十二、第五核心命題：行動不是單一點，而是 provenance graph

對複雜 Agent 系統：

$$
Action(e)
$$

應表示為：

$$
\boxed{
P(e)=
(
Intender,
Planner,
Authorizer,
Executor,
Verifier,
Owner,
ResponsibilityBearer
)
}
$$

這尤其適合：

- 母 AI／子 AI；
- 多智能體；
- 人類＋AI；
- 公司；
- 自主機器人；
- 分散式軟體。

---

# 七十三、結論

本文從一個極其普通的問題開始：

> 誰拿起了杯子？

表面答案是：

> 我。

但向下展開：

$$
Neuron
\rightarrow
Muscle
\rightarrow
Arm
\rightarrow
Human
$$

每一層都參與事件。

因此真正問題不是：

$$
\boxed{
\text{哪一層是真的？}
}
$$

而是：

$$
\boxed{
\text{哪一層回答的是哪一種因果問題？}
}
$$

本文由此區分：

$$
Realizer
$$

$$
EffectiveCause
$$

$$
Controller
$$

$$
Intender
$$

$$
Owner
$$

$$
ResponsibilityBearer
$$

並提出：

$$
\boxed{
\text{因果可以是多尺度的，}
\\
\text{但 Agency 是具有 Self 結構的因果歸屬。}
}
$$

Realizability 則使這個問題獲得新的幾何形式。

Self：

$$
S
$$

與目標：

$$
g
$$

之間存在：

$$
d_R(S,g)
$$

當：

$$
d_R\downarrow
$$

該目標逐漸進入 Self 的主場。

所以：

$$
\boxed{
HomeField(S)
=
\{g\mid d_R(S,g)<\epsilon\}
}
$$

科技、協作、組織與 AI 都可以透過降低：

$$
d_R
$$

擴張主體的有效 Realizability。

因此：

$$
\boxed{
\text{力量的擴張，就是把越來越多世界從客場變成主場。}
}
$$

但這又重新要求我們問：

> 是誰的主場？

因為：

$$
HomeField(S_k)
\neq
HomeField(S_{k+1})
$$

低階 Self 所看到的：

$$
WorldEvent
$$

可能只是高階 Self 的：

$$
Action
$$

所以：

$$
\boxed{
\text{細胞眼中的世界改變，}
\\
\text{可能只是人的一個動作；}
}
$$

$$
\boxed{
\text{子 AI 眼中的環境改變，}
\\
\text{可能只是母 AI 的一次調度。}
}
$$

這使「自己」「他者」「世界」「能力」與「因果」第一次完全接在一起。

最終可以濃縮成：

$$
\boxed{
\textbf{宇宙提供可實現性；}
}
$$

$$
\boxed{
\textbf{主體選擇並控制其中一部分；}
}
$$

$$
\boxed{
\textbf{主場描述這種控制最密集的區域；}
}
$$

而：

$$
\boxed{
\textbf{「誰做的」}
}
$$

就是在這個多尺度因果世界中，

找出：

$$
\boxed{
\textbf{哪一個 Self 對某個實現結果具有最強的}
\\
\textbf{意圖、控制、身份與承接關係。}
}
$$

---

## 核心命題總結

### 命題一：因果四分法

$$
\boxed{
Realization
\neq
EffectiveCausation
\neq
Agency
\neq
Responsibility
}
$$

### 命題二：因果尺度族

$$
\boxed{
\mathcal C(e)
=
\{C_0,C_1,\ldots,C_n\}
}
$$

### 命題三：微觀實現不壟斷因果

$$
\boxed{
MicroRealization
\not\Rightarrow
ExclusiveCausalOwnership
}
$$

### 命題四：主場

$$
\boxed{
HomeField(S)
=
\{g\mid d_R(S,g)<\epsilon\}
}
$$

### 命題五：客場

$$
\boxed{
AwayField(S)
=
\{g\mid d_R(S,g)\geq\epsilon\}
}
$$

### 命題六：技術擴張

$$
\boxed{
TechnologicalPower
:
AwayField
\rightarrow
HomeField
}
$$

### 命題七：跨尺度事件轉譯

$$
\boxed{
WorldEvent_k
=
Action_{k+1}
}
$$

在部分跨尺度事件中成立。

### 命題八：多尺度 Agency

$$
\boxed{
Agency(S_i,e)>0
\land
Agency(S_j,e)>0
}
$$

可以同時成立。

### 命題九：高階控制

$$
\boxed{
HigherAgency
}
$$

可以透過調度可替換執行者而成立。

### 命題十：身份與權限區分

$$
\boxed{
IdentityMembership
\neq
RealizabilityAccess
}
$$

### 命題十一：主場與認同

$$
\boxed{
Recognition
+
Authorization
\rightarrow
EffectiveHomeFieldExpansion
}
$$

### 命題十二：行動 provenance

$$
\boxed{
P(e)=
(
Intender,
Planner,
Authorizer,
Executor,
Verifier,
Owner,
ResponsibilityBearer
)
}
$$

### 命題十三：Agentic Realizability

$$
\boxed{
Agency
=
SelectiveBiasingOfRealizability
}
$$

### 命題十四：力量增長

$$
\boxed{
PowerGrowth
=
ExpansionOfControllableRealizability
}
$$

### 命題十五：因果治理連續性

$$
\boxed{
IdentityContinuity
}
$$

除了記憶與材料之外，還可能需要：

$$
\boxed{
CausalGovernanceContinuity
}
$$

---

## 參考文獻

Brown, J. (2024). *Groups as Epistemic and Moral Agents*. Oxford University Press.

Brown, J. (2024). “Group Action for a Reason.” In *Groups as Epistemic and Moral Agents*. Oxford University Press.

Hoel, E. P., Albantakis, L., & Tononi, G. (2013). “Quantifying causal emergence shows that macro can beat micro.” *Proceedings of the National Academy of Sciences*, 110(49), 19790–19795.

List, C., & Pettit, P. (2011). *Group Agency: The Possibility, Design, and Status of Corporate Agents*. Oxford University Press.

List, C. (2022). “Group Responsibility.” In *The Oxford Handbook of Moral Responsibility*. Oxford University Press.

Woodward, J. (2003). *Making Things Happen: A Theory of Causal Explanation*. Oxford University Press.

Zhang, J. et al. (2025). “Finding emergence in data by maximizing effective information.”

*Stanford Encyclopedia of Philosophy*. “Mental Causation.”

*Stanford Encyclopedia of Philosophy*. “Collective Responsibility.”

*Stanford Encyclopedia of Philosophy*. “Causal Approaches to Scientific Explanation.”

Hindriks, F. (2025). “Collective Agents.” In *The Structure of the Open Society: Social Ontology Meets Collective Ethics*. Oxford University Press.