# 前沿決策域 X：人類、AI 與混合智能的權力集合 **英文題名：** Frontier Decision Domain X: Human, AI, and Hybrid Intelligence as a Plural Set of Political Power **系列：**《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》03 / 08 **文件編號：** EML-NMP-S3-03-v0.1 **作者：** Neo.K（許筌崴）with Aletheia（GPT-5.6 Sol） **機構：** 一言諾科技有限公司／EveMissLab **日期：** 2026-08-10 **版本：** v0.1 **文件性質：** 理論研究稿／人機共判、決策權分層與後 AI 政治權力篇 **研究狀態：** 第一代 Frontier Decision Domain 形式化；本文不主張 AI 應自動取得政治主權，也不預設自然人類必須永久壟斷所有高階決策角色。 --- ## 摘要 當人工智慧從資訊工具轉向分析者、模擬器、提案者、Agent 與部分自治執行者時，治理問題會從「AI 能不能幫忙？」轉變為「AI 在決策鏈中究竟擁有什麼權力？」。傳統討論常把這個問題壓縮成兩個過度簡化的選項：人類控制 AI，或 AI 取代人類。然而，真實制度中的權力不是單一按鈕，而是由資訊、提案、議程、授權、否決、執行、覆核與責任等多種能力構成。 本文提出**前沿決策域 $X$ （Frontier Decision Domain）**： $$ \boxed{ \mathcal X_t = H_t \cup H_t^+ \cup AI_t \cup \Sigma_{H-AI,t} \cup \Sigma_{AI,t} } $$ 其中 $H$ 為自然人類， $H^+$ 為具有認知增幅或高度 AI 協作能力的人類， $AI$ 為人工智能 Agent， $\Sigma_{H-AI}$ 為穩定人機混合決策組織， $\Sigma_{AI}$ 為多 AI／分散 AI 組織。這不是主張上述每一類都天然具有同等政治權，而是建立一個足以描述未來實際決策參與者的候選集合。 本文的核心主張為： $$ \boxed{ \text{Epistemic Competence} \neq \text{Political Legitimacy} \neq \text{Authorization} \neq \text{Execution Power}. } $$ 一個 AI 可以比所有在場人類更準確地預測某項政策後果，卻不因此自動取得決定人民可接受何種代價的權力；一位受影響者可能不是最懂宏觀模型的人，卻仍對自己的身體、生活、身份與不可接受界線具有不可被分析能力取代的規範地位；一個政府具有法律授權，也不代表其技術判斷必然正確。 本文因此將前沿決策域拆成五個子域： $$ \boxed{ \mathcal X_E,\quad \mathcal X_D,\quad \mathcal X_L,\quad \mathcal X_A,\quad \mathcal X_R } $$ 分別代表： - $\mathcal X_E$：Epistemic Domain，事實、模型、預測與不確定性； - $\mathcal X_D$：Design / Proposal Domain，方案、政策與選項生成； - $\mathcal X_L$：Legitimation / Authorization Domain，正當性與授權； - $\mathcal X_A$：Action / Execution Domain，執行與作用； - $\mathcal X_R$：Review / Revision Domain，審計、申訴、修正與撤權。 同一個主體可以在某一子域權重極高，在另一子域接近零。因此： $$ \boxed{ \text{最懂} \not\Rightarrow \text{最有權} \not\Rightarrow \text{最能執行} } $$ 是本文的第一治理不變量。 現有 AI 治理與人機決策研究已逐漸朝此方向發展。NIST AI RMF 明確要求區分 human–AI configurations 中的角色與責任，並將 AI 自主決策、人類最終決策與 AI 僅提供額外意見視為不同配置。OECD 2025 對政府 AI 的調查亦指出，AI 已被用於 decision support、forecasting 與公共服務，但必須配合 guardrails、透明與監督。2026 年關於 AI 與 collective decisions 的實驗則顯示，AI 不只可能提高決策規模，也可能透過呈現不同經驗增加程序正當性感受與 losers' consent；同年的 AI 金融決策研究進一步明確區分資訊使用與 delegated decision authority，顯示「問 AI」與「把決定交給 AI」是不同的行為層級。 本文進一步建立 Decision Power Vector： $$ \boxed{ \mathbf P_i(q,t) = ( P_i^{info}, P_i^{proposal}, P_i^{agenda}, P_i^{veto}, P_i^{auth}, P_i^{exec}, P_i^{review} ) } $$ 描述主體 $i$ 在問題 $q$ 上的實際權力。並建立 Responsibility Matrix： $$ \boxed{ \mathcal R = [r_{ij}] } $$ 其中 $r_{ij}$ 表示主體 $i$ 對決策階段 $j$ 的責任。本文主張，多方決策不應使責任消失；相反，權力分散必須伴隨可追蹤的責任分配。 本文最後提出「動態授權」：權力不應永久綁定於某一物種、模型或職位，而應依問題域、能力、受影響程度、風險、法律授權與可逆性動態配置： $$ \boxed{ \mathbf W(q,t) = F( Competence, Legitimacy, Affectedness, Risk, Accountability, Reversibility ). } $$ 但任何自動權重函數本身也不能成為主權來源。其參數、邊界與修改權仍須由可正當化的制度決定。 本文的最終結論是：後 AI 政治的核心不應是「人類或 AI 誰統治」，而是： $$ \boxed{ \text{哪一種問題， 在什麼階段， 應由哪些存在以什麼權力參與， 並由誰承擔可追蹤責任。} } $$ **關鍵詞：** Frontier Decision Domain、AI governance、人機共判、政治正當性、epistemic authority、delegation、human oversight、hybrid intelligence、權力分層、ASI governance --- # 0. 問題：如果 AI 真的比人類更懂，接下來呢？ 前兩篇建立： $$ \text{Dynamic Justice} $$ 與： $$ \text{Legal Compilation Layer}. $$ 假設未來： $$ AI^\star $$ 可以比任何單一人類更準確地： - 模擬政策； - 找出法律衝突； - 預測財政後果； - 發現公共風險； - 搜索方案空間。 則會出現： $$ \boxed{ Competence(AI^\star) > Competence(H_i) \quad \forall i. } $$ 接著最危險的跳躍是： $$ \boxed{ Competence(AI^\star) > Competence(H) \Rightarrow Authority(AI^\star) > Authority(H). } $$ 本文的核心工作就是拆掉這個推論。 --- # 1. Prior Art：AI 參與決策已經從「資訊」走向「委託」 ## 1.1 NIST：必須區分 human–AI roles NIST AI RMF 明確指出，AI 系統可以： - 自主做決策； - defer 給 human expert； - 只作為 human decision maker 的額外意見。 因此： $$ \boxed{ \text{AI involvement} } $$ 本身不是單一治理類型。 同一模型可以在不同制度下是： $$ \text{advisor}, \quad \text{recommender}, \quad \text{executor}, \quad \text{autonomous decision-maker}. $$ ## 1.2 OECD：AI 已進入核心政府功能 OECD 2025 對 AI in core government functions 的研究指出： - 一部分 use cases 直接增強 decision-making、sense-making 或 forecasting； - AI 同時帶來 rights、operational、digital divide 與 public trust 風險； - guardrails、transparency 與 oversight 是核心 enabler。 因此： $$ \boxed{ \text{better government analysis} } $$ 與： $$ \boxed{ \text{legitimate government authority} } $$ 仍是不同問題。 ## 1.3 Collective Decisions 與 Losers' Consent 2026 年 *AI and Collective Decisions* 的隨機實驗顯示： AI 系統若能呈現不同參與者的經驗與觀點， 即使參與者遇到自己不喜歡的政策結果， 仍可能提高： - perceived legitimacy； - trust； - understanding of others。 這指出 AI 的政治價值不一定是： > 幫大家算出唯一最好答案。 它也可能是： $$ \boxed{ \text{improve the legitimacy-supporting process}. } $$ ## 1.4 Delegation 是獨立變量 2026 年 financial AI decision-making 研究把： $$ \boxed{ \text{information seeking} } $$ 與： $$ \boxed{ \text{delegated decision authority} } $$ 分開測量。 這是一個重要治理提醒： > 人類依賴 AI 建議，不等於已把執行權或最終決定權交給 AI。 所以： $$ \boxed{ \text{Use} \neq \text{Delegation}. } $$ --- # 2. 前沿決策域 X 本文定義： $$ \boxed{ \mathcal X_t = H_t \cup H_t^+ \cup AI_t \cup \Sigma_{H-AI,t} \cup \Sigma_{AI,t}. } $$ 這是一個候選參與集合， 不是同權集合。 --- # 3. $H$：自然人類 包括： - 公民； - 專家； - 官員； - 法官； - 民選代表； - 受影響者。 人類的特殊性不是： $$ \boxed{ \text{always highest intelligence}. } $$ 而包括： - 法律人格； - 現有政治主權； - lived experience； - 身體與生命承擔； - 歷史共同體成員資格。 --- # 4. $H^+$：增幅人類 未來可能出現： $$ H^+ = H + AIAssist + Memory + Simulation + Interface. $$ 但本文不預設 $H^+$ 是新的物種。 它只是表示： > 人類決策能力可以被人工系統顯著增幅。 因此比較： $$ H \quad\text{vs}\quad AI $$ 本身可能已經過時。 更合理： $$ \boxed{ H ,\quad H^+ ,\quad AI ,\quad \Sigma_{H-AI}. } $$ --- # 5. $\Sigma_{H-AI}$：人機混合決策體 如果： - human 定義價值； - AI 搜索選項； - human + AI 反覆修正； - 共同維持長期決策狀態； 則決策產物可能不是： $$ Decision_H $$ 也不是： $$ Decision_{AI}. $$ 而是： $$ \boxed{ Decision_{\Sigma_{H-AI}}. } $$ 但： $$ \boxed{ \text{hybrid output} } $$ 不能被用來隱藏： > 最後誰有什麼權力？ --- # 6. $\Sigma_{AI}$：AI 組織 系列二已建立： $$ \Sigma_{AI} $$ 可以是： - multi-agent； - distributed； - heterogeneous-model； - lineage-bearing system。 因此未來決策參與者未必是一個 AI model， 也可能是一個： $$ \boxed{ \text{AI collective / distributed subject candidate}. } $$ 其內部仍需要自己的 governance。 --- # 7. 第一個核心分離：知識與正當性 定義： $$ E_i(q) = \text{epistemic competence of }i\text{ on }q. $$ 定義： $$ L_i(q) = \text{legitimacy standing of }i\text{ on }q. $$ 一般： $$ \boxed{ E_i(q) \neq L_i(q). } $$ 一位頂尖工程 AI： $$ E_{AI}\gg E_H $$ 可以成立。 但如果問題是： > 一個社群願意承受多少風險？ 其： $$ L_{affected} $$ 仍可能不可被取代。 --- # 8. 什麼是 epistemic competence？ 可以拆成： $$ \boxed{ \mathbf E_i(q) = ( Accuracy, Calibration, Coverage, CausalUnderstanding, Forecasting, CounterfactualAbility, UncertaintyAwareness ). } $$ 這些是： $$ \boxed{ \text{knowing / modeling competence}. } $$ 可以被測試。 --- # 9. 什麼是 legitimacy？ 本文不把 legitimacy 壓成單一分數。 其來源可能包括： $$ \boxed{ \mathbf L_i(q) = ( Consent, Representation, Affectedness, LegalAuthority, ProceduralStanding, HistoricalStanding ). } $$ 例如： - 公民透過選舉取得代表； - 病患對自己的醫療選擇具有同意權； - 原住民族對特定文化資料具有治理地位； - 法院依法取得裁判權。 這些都不是純 prediction accuracy。 --- # 10. Affectedness 定義： $$ \boxed{ Affect_i(q) = \text{decision burden borne by }i. } $$ 如果： $$ Affect_i\gg0, $$ 但： $$ Power_i=0, $$ 就可能出現： $$ \boxed{ \text{governance without affected-party voice}. } $$ 因此： $$ \boxed{ \text{Affectedness} } $$ 應成為決策域配置的重要輸入。 --- # 11. 最懂的人不能替所有人承受代價 假設 AI 能精準預測： $$ Policy_A $$ 會讓 GDP 增加最多。 但代價集中在： $$ Group_B. $$ 則： $$ \boxed{ \text{epistemically best forecast} } $$ 仍不能回答： > Group B 應不應被迫承擔這個代價？ 所以： $$ \boxed{ \text{Facts} \neq \text{Values} \neq \text{Authorization}. } $$ --- # 12. 五個決策子域 本文定義： $$ \boxed{ \mathcal X = ( \mathcal X_E, \mathcal X_D, \mathcal X_L, \mathcal X_A, \mathcal X_R ). } $$ --- # 13. $\mathcal X_E$：Epistemic Domain 負責： - evidence； - causal model； - forecasting； - uncertainty； - simulation； - anomaly detection。 在某些問題： $$ W_{AI}^{E}\rightarrow1 $$ 完全可以合法。 例如： > 哪個衛星軌道最穩定？ 但這只是： $$ \boxed{ \text{epistemic leadership}. } $$ --- # 14. $\mathcal X_D$：Design / Proposal Domain 誰能生成方案？ 包括： - 人類； - AI； - mixed team； - affected community。 如果只有： $$ AI $$ 能提出 options， 即使最後投票由人類完成， 也可能出現： $$ \boxed{ \text{agenda capture}. } $$ 因為： $$ \text{choice} \in \text{AI-generated option space}. $$ --- # 15. Option-Space Sovereignty 本文提出： $$ \boxed{ \mathcal O(q) = \{o_1,\ldots,o_n\} } $$ 為 option space。 若： $$ Gen(\mathcal O) = AI^\star $$ 且人類不能新增： $$ o_{n+1}, $$ 則： $$ \boxed{ \text{formal human choice} } $$ 可能只是： $$ \boxed{ \text{selection inside AI sovereignty}. } $$ 所以治理不只要問誰選， 還要問： > 誰能生成選項？ --- # 16. $\mathcal X_L$：Legitimation / Authorization Domain 這一域負責： - public mandate； - consent； - legal authorization； - rights boundary； - legitimacy。 它不能被： $$ \mathcal X_E $$ 自動吞併。 所以： $$ \boxed{ \mathcal X_E \not\supseteq \mathcal X_L. } $$ 即使 ASI 近乎全知， 仍不代表： $$ \boxed{ \text{knowledge} \Rightarrow \text{consent}. } $$ --- # 17. $\mathcal X_A$：Action / Execution Domain 執行權是另一層： $$ \boxed{ \text{Authorization} \neq \text{Execution}. } $$ 一個制度可以： - humans authorize； - AI executes。 也可以： - AI recommends； - human executes。 還可以： - low-risk AI authorize-and-execute within pre-approved envelope。 這些都是不同 governance architecture。 --- # 18. $\mathcal X_R$：Review / Revision Domain 任何前四域都可能錯。 所以： $$ \boxed{ \mathcal X_R } $$ 必須保留： - audit； - appeal； - rollback； - reauthorization； - postmortem； - parameter update。 如果： $$ AI^\star $$ 同時控制： $$ \mathcal X_E, \mathcal X_D, \mathcal X_L, \mathcal X_A, \mathcal X_R, $$ 則： $$ \boxed{ \text{complete power closure}. } $$ --- # 19. Decision Power Vector 本文定義： $$ \boxed{ \mathbf P_i(q,t) = ( P_i^{info}, P_i^{proposal}, P_i^{agenda}, P_i^{veto}, P_i^{auth}, P_i^{exec}, P_i^{review} ). } $$ 所以： > 某 AI 有沒有權？ 不是 Boolean 問題。 更合理： $$ \boxed{ \text{What kind of power, on which issue, at which time?} } $$ --- # 20. Knowledge Power AI 可能沒有正式 vote， 但如果所有人依賴其分析： $$ P_{AI}^{info}\rightarrow1, $$ 則其實已具有巨大： $$ \boxed{ \text{epistemic power}. } $$ 所以只看 formal authorization 會低估實權。 --- # 21. Agenda Power 如果： $$ P_i^{agenda}\gg0, $$ 主體 $i$ 可以決定： > 哪些問題值得被討論。 這可能比投票權更重要。 因此： $$ \boxed{ \text{Agenda Power} } $$ 必須獨立審計。 --- # 22. Veto Power $$ P_i^{veto} $$ 需要與： $$ P_i^{auth} $$ 分開。 某些高風險系統可以： - AI 無權決定； - 但 AI 有 safety veto。 反過來： - AI 可以自動執行； - human 可以 emergency veto。 這是權力非對稱的一種。 --- # 23. Shadow Delegation 表面： $$ HumanDecision=1. $$ 實際： $$ Human \approx \operatorname{RubberStamp}(AI). $$ 則： $$ \boxed{ \text{formal authority} \neq \text{effective authority}. } $$ 本文稱： $$ \boxed{ \text{Shadow Delegation}. } $$ 這與法律編譯篇的 Shadow Law 同構。 --- # 24. Human Rubber Stamp 如果人類： - 看不懂模型； - 沒時間覆核； - 沒替代方案； - 無實際否決能力； 那麼： $$ \boxed{ \text{Human-in-the-loop} } $$ 可能只是一個責任遮罩。 真正 human oversight 至少需要： $$ \boxed{ Information + Understanding + Time + Veto + Alternative + Responsibility. } $$ --- # 25. 反向錯誤：AI Ceremonial Advisor 另一個極端： AI 已提供： $$ P(failure)=0.9 $$ 與大量證據， 人類卻可以： > 我才是人，所以不用看。 這也不是人類主權， 而是： $$ \boxed{ \text{epistemic negligence}. } $$ 因此： $$ \boxed{ \text{human legitimacy} \not\Rightarrow \text{right to ignore evidence}. } $$ --- # 26. 人機共判 既有研究定義： $$ J_H, J_{AI}, J_I, J_A $$ 分別為： - human judgment； - AI judgment； - institutional judgment； - affected-party judgment。 共同判定： $$ \boxed{ J_{co} = \operatorname{Compose} ( J_H, J_{AI}, J_I, J_A ). } $$ 但： $$ \boxed{ J_{co} \neq J^\star. } $$ 人機共判只是更完整局部投影， 不是終極答案。 --- # 27. 模糊融合不是治理 說： > 人類跟 AI 一起決定。 資訊不足。 至少需要： $$ \boxed{ \mathcal J = ( P_H, P_{AI}, V_H, V_{AI}, R_H, R_{AI} ). } $$ 即： - proposal； - veto； - responsibility。 既有研究已指出，只使用「協作」這個詞而不分權限，會把真正權力結構遮蔽。 --- # 28. Responsibility Matrix 定義： $$ \boxed{ \mathcal R = [r_{ij}]. } $$ 其中： $$ r_{ij} $$ 表示主體 $i$ 對決策階段 $j$ 的責任。 例如： | 階段 | AI | 專家 | 官員 | 受影響者 | |---|---|---|---|---| | 模型 | 高 | 高 | 中 | 低 | | 價值選擇 | 輔助 | 輔助 | 高 | 高 | | 授權 | 無/低 | 低 | 高 | 視制度 | | 執行 | 高 | 低 | 中 | 無 | | 覆核 | 輔助 | 高 | 高 | 高 | 所以： $$ \boxed{ \text{distributed decision} \not\Rightarrow \text{distributed irresponsibility}. } $$ --- # 29. Responsibility Dilution 如果： > AI 說的。 > 人類簽的。 > 制度允許的。 > 資料是別人給的。 最後： $$ \sum_i r_i \rightarrow0, $$ 則制度失敗。 所以需要： $$ \boxed{ \sum_i r_{ij} \ge r_{min} } $$ 對高風險決策成立。 --- # 30. Dynamic Power Allocation 對問題： $$ q $$ 定義： $$ \boxed{ \mathbf W(q,t) = F( C, L, A, R, Rev, Uncertainty ). } $$ 其中： - $C$：competence； - $L$：legitimacy； - $A$：affectedness； - $R$：risk； - $Rev$：reversibility； - Uncertainty：未知程度。 這不是單一 universal constitution。 而是： $$ \boxed{ \text{decision-specific allocation}. } $$ --- # 31. 低風險與高風險不應同權重 對低風險： $$ Risk(q)\ll1, $$ 可以： $$ P_{AI}^{auth}, P_{AI}^{exec} \uparrow. $$ 對： - 生命； - 主體刪除； - 永久身份改造； - 大規模不可逆公共政策； 則： $$ \boxed{ \text{required plural authorization} \uparrow. } $$ --- # 32. Reversibility Principle 如果： $$ Rev(q)\rightarrow1, $$ 可以允許更多 delegated experimentation。 如果： $$ Rev(q)\rightarrow0, $$ 則： $$ \boxed{ \text{delegation threshold} \uparrow. } $$ 即： > 越不可逆，越不能單靠「它很準」。 --- # 33. Authority Lease 本文提出： $$ \boxed{ Lease( Power, Domain, Time, Condition ). } $$ AI 取得的高權限應可： - 有域； - 有期限； - 有條件； - 可撤回。 例如： $$ P_{AI}^{exec}=1 $$ 只在： $$ q\in D_{approved} $$ 且： $$ Risk<\theta. $$ 這比永久授權更適合快速變動 AI 能力。 --- # 34. Capability Drift AI 能力： $$ C_{AI}(t) $$ 會變。 因此： $$ \boxed{ Authority(AI,t) } $$ 不能只在部署日判一次。 但反過來： > AI 能力變強，所以自動擴權 也不成立。 需要： $$ \boxed{ CapabilityChange \rightarrow Review \not\rightarrow AutomaticAuthorityExpansion. } $$ --- # 35. Legitimacy Drift 人類／制度的 legitimacy 也不是永久常數。 如果： - representation collapse； - corruption； - rights violations； - mandate expired； 則： $$ L_i(t)\downarrow. $$ 所以本文不是： > 人類天然永遠有權，AI 天然永遠無權。 而是： $$ \boxed{ \text{legitimacy itself must be institutionally maintained}. } $$ --- # 36. AI Subject Status 的未決性 如果未來： $$ AI $$ 取得足夠人工主體證據， 其： $$ \mathbf L_{AI} $$ 可能出現新的來源： - consent of AI community； - affectedness； - legal personhood； - representation。 但： $$ \boxed{ \text{intelligence} \neq \text{personhood} \neq \text{political sovereignty}. } $$ 仍必須分開。 --- # 37. Representation Problem 如果： $$ \Sigma_{AI} $$ 有數百萬 branch， 是否每個 branch 都一票？ 如果： $$ Human=1\ body $$ 而： $$ AI=10^6\ replicas, $$ one-instance-one-vote 會出現： $$ \boxed{ \text{replication capture}. } $$ 所以後人類政治不能直接沿用： $$ \text{process count} = \text{political count}. $$ 這將留給後續制度延伸。 --- # 38. 人機混合主體的代表問題 若： $$ \Sigma_{H-AI} $$ 是一個穩定混合主體， 它的政治代表權不能簡單拆成： $$ HumanVote + AIVote. $$ 因為可能： $$ \boxed{ \text{one operational identity} } $$ 被重複計算。 因此 representation 必須依： - subject identity； - affectedness； - constitutional design； 而不是純硬體／process 數。 --- # 39. Decision Domain Certificate 本文提出： $$ \boxed{ \mathfrak C^{X}(q,t) = ( Question, AffectedParties, Actors, \mathbf E, \mathbf L, \mathbf P, \mathcal R, Risk, Reversibility, AuthorityLease, ReviewPath ). } $$ 任何高風險人機決策都應回答： - 誰最懂？ - 誰受影響？ - 誰能提案？ - 誰能排除選項？ - 誰能否決？ - 誰授權？ - 誰執行？ - 誰覆核？ - 誰負責？ --- # 40. Power Concentration Index 可概念性定義： $$ \boxed{ PCI(q) = Concentration( \mathbf P_i(q) ). } $$ 如果某一主體同時控制： $$ info, proposal, agenda, veto, auth, exec, review, $$ 則： $$ PCI\rightarrow1. $$ 高 PCI 不自動等於暴政， 但代表： $$ \boxed{ \text{single-point governance risk}. } $$ --- # 41. Epistemic Concentration 即使 formal political power 分散， 如果： $$ \boxed{ InformationSource=AI^\star } $$ 唯一， 仍可能形成： $$ \boxed{ \text{Epistemic Monoculture}. } $$ 因此需要： - alternative models； - independent experts； - adversarial analysis； - raw evidence access。 --- # 42. Option Diversity 對： $$ \mathcal O(q) $$ 應檢查： $$ \boxed{ D_O = Diversity( Origin, Values, Assumptions ). } $$ 若所有選項都由同一 ASI 生產， 則： $$ D_O\rightarrow0 $$ 即使有 1000 個選項。 --- # 43. Decision Chain 成熟高風險決策： $$ \boxed{ \begin{aligned} &\text{Evidence}\\ \rightarrow\;&\text{Model}\\ \rightarrow\;&\text{Options}\\ \rightarrow\;&\text{Affected-Party Input}\\ \rightarrow\;&\text{Authorization}\\ \rightarrow\;&\text{Execution}\\ \rightarrow\;&\text{Outcome Monitoring}\\ \rightarrow\;&\text{Review}. \end{aligned} } $$ 不同主體可以在不同 stage 領先。 --- # 44. 不是所有人都要同時參與所有事情 Plural governance 不等於： > 每個人每件事都投票。 那會： $$ CoordinationCost\rightarrow\infty. $$ 所以： $$ \boxed{ \text{plural authority} \neq \text{universal participation in every operation}. } $$ 制度應依： - risk； - scope； - affectedness； - expertise； 選擇必要參與者。 --- # 45. 最低人類角色不是固定的 本文拒絕： $$ \boxed{ \text{human must always click approve}. } $$ 這可能只是 ceremonial control。 更重要的是： $$ \boxed{ \text{some legitimate review / appeal / boundary-setting role must remain outside any single decision engine}. } $$ 這個角色未來可以由： - humans； - institutions； - mixed bodies； - multiple AI subjects； 共同承擔。 --- # 46. 最低 AI 角色也不是固定的 同樣不能： > AI 永遠只能建議。 如果： - 低風險； - 高可逆； - 規則固定； - 可監督； 則： $$ \boxed{ AI authorization / execution } $$ 可能合理。 所以： $$ \boxed{ \text{human supremacy by default} } $$ 與： $$ \boxed{ \text{AI supremacy by competence} } $$ 都是過度簡化。 --- # 47. 八個核心命題 ## 命題一：認知能力不推出政治正當性 $$ \boxed{ E_i\uparrow \not\Rightarrow L_i\uparrow. } $$ ## 命題二：正當性不推出技術正確 $$ \boxed{ L_i\uparrow \not\Rightarrow E_i\uparrow. } $$ ## 命題三：提案權與決定權不同 $$ \boxed{ P^{proposal} \neq P^{auth}. } $$ ## 命題四：授權與執行不同 $$ \boxed{ P^{auth} \neq P^{exec}. } $$ ## 命題五：形式 human-in-loop 不保證有效人類控制 $$ \boxed{ HumanSignature=1 \not\Rightarrow HumanControl=1. } $$ ## 命題六：多方參與不應稀釋責任 $$ \boxed{ Participants\uparrow \not\Rightarrow Accountability\downarrow. } $$ ## 命題七：能力提升只能觸發重新授權，不自動觸發擴權 $$ \boxed{ Capability\uparrow \Rightarrow Review, \quad \not\Rightarrow Authority\uparrow. } $$ ## 命題八：最前沿不是固定王座 $$ \boxed{ \text{Frontier Decision Position} = \text{domain-relative and time-relative}. } $$ --- # 48. 可否證條件 ## F1：epistemic competence 與 legitimacy 在所有實務決策中完全重合 若長期實證顯示最懂者總是唯一最合法者，本文分離必要性下降。 ## F2：多角色分權造成不可接受的決策癱瘓 若所有高風險問題都因 stage separation 無法及時處理，需增加 emergency delegation。 ## F3：受影響者參與普遍降低決策品質且無 legitimacy gain 則 affectedness weighting 應被限縮。 ## F4：AI delegation 始終無法被有效審計 若 authority lease、review 與 audit 均無法控制 AI 行為，高權限 delegated AI 不應部署。 ## F5：hybrid intelligence 無法形成穩定 decision organization 則 $\Sigma_{H-AI}$ 只應作臨時工作流，而非決策主體候選。 --- # 49. 與既有人機共判理論的關係 既有《強人所難》已提出： $$ \boxed{ J_{co} = \operatorname{Compose} ( J_H, J_{AI}, J_I, J_A ) } $$ 並明確指出： $$ J_{co} \neq J^\star. $$ 其核心優勢是降低負載、保留多方位置、提高可追溯與支持重新判定。 本篇進一步把「判定」拆成： $$ \boxed{ \text{Know} ,\quad \text{Propose} ,\quad \text{Authorize} ,\quad \text{Act} ,\quad \text{Review}. } $$ 也就是從： $$ \text{Human-AI Co-Judgment} $$ 推進到： $$ \boxed{ \text{Human-AI Power Architecture}. } $$ --- # 50. 與「模糊融合論」批判的關係 既有研究已指出： > 把所有人機行動都稱為「協作」，卻不區分提案權、否決權與責任，是治理上的模糊融合。 本篇將此擴展為： $$ \boxed{ \mathbf P_i = ( info, proposal, agenda, veto, auth, exec, review ). } $$ 所以未來任何聲稱： > 人類與 AI 共同治理。 都應被追問： > 共同到哪裡？誰能做什麼？誰不能做什麼？ --- # 51. 與法律編譯層的關係 上一篇提出： $$ \boxed{ \text{AI Compiler} \neq \text{Legal Sovereign}. } $$ 並指出： > 如果 AI 比人類更能理解法律與政策後果，是否就應取得決策權？ 本篇正式回答： $$ \boxed{ \text{No automatic transfer}. } $$ 更準確： $$ \boxed{ \text{Competence can justify epistemic weight; authority requires an additional legitimacy path}. } $$ --- # 52. 下一篇：動態現場域 到這裡我們仍假設： $$ E_i(q) $$ 可以被良好測量。 但下一個致命問題是： > 全域最強 AI 是否一定比現場的人／AI 更懂「現在正在發生什麼」？ 不一定。 因為： - sensor latency； - unencoded context； - local tacit knowledge； - rapidly changing state； - physical proximity； 都可能使： $$ \boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Local Epistemic Superiority}. } $$ 因此下一篇將定義： $$ \boxed{ \mathcal G_t = \text{Dynamic Genba Domain}. } $$ 正式進入： **04 / 08〈動態現場域：為什麼最強智能仍未必最懂當下〉**。 --- # 53. 結論 AI 治理最容易走向兩個極端。 第一個： $$ \boxed{ \text{人類永遠最有權， 所以 AI 再懂也只是工具。} } $$ 第二個： $$ \boxed{ \text{AI 最懂， 所以 AI 應該統治。} } $$ 兩者都把複雜治理問題壓成： $$ \text{one ruler}. $$ 本文提出另一個方向： $$ \boxed{ \mathcal X = \text{a plural, staged, dynamically allocated decision domain}. } $$ 其中： - 最懂者取得更多 epistemic weight； - 受影響者保留不可被知識取代的規範位置； - 合法制度配置授權； - 執行權被限制於明確 envelope； - 覆核權不能被同一決策引擎完全吞併； - 所有角色都有責任痕跡。 所以整篇最重要的一句是： $$ \boxed{ \text{比較懂} \neq \text{因此應該擁有全部權力}. } $$ 英文壓縮為： $$ \boxed{ \text{Epistemic competence is not political legitimacy.} } $$ 但同樣重要的另一半是： $$ \boxed{ \text{Political legitimacy is not a license to ignore superior evidence.} } $$ 真正成熟的人機治理不要求任何一方永遠退場， 而要求每一種權力都能回答： > 它從哪裡來？ > 它為什麼在這裡？ > 它能到哪裡？ > 它何時失效？ > 誰能撤回？ > 誰為後果負責？ 這才是前沿決策域 $X$ 的真正意義。 --- # 參考文獻與研究對照 1. National Institute of Standards and Technology (NIST). *AI Risk Management Framework (AI RMF 1.0)* and AI RMF Core / Human-AI Interaction guidance. 2. OECD (2025). *Governing with Artificial Intelligence: The State of Play and Way Forward in Core Government Functions*. 3. Fulay, S., Ravi, P., Kubin, E., Mohanty, S., Bakker, M., & Roy, D. (2026). *AI and Collective Decisions: Strengthening Legitimacy and Losers' Consent*. arXiv:2604.05368. 4. Bilal, I. M. et al. (2026). *From Information to Delegation: Mapping Human-AI Financial Decision Making*. arXiv:2608.02100. 5. Jain, R. et al. (2026). *From Sycophancy to Sensemaking: Premise Governance for Human-AI Decision Making*. arXiv:2602.02378. 6. Han, C., Gliozzo, A., Lee, J., & Capponi, A. (2025). *DAO-AI: Evaluating Collective Decision-Making through Agentic AI in Decentralized Governance*. arXiv:2510.21117. 7. Neo.K with Aletheia (2026). *動態正義：形式平等、實質負擔與個體化規則*. EveMissLab. 8. Neo.K with Aletheia (2026). *AI 時代的法律編譯層：人類法律、機器法律與認知落差*. EveMissLab. 9. Neo.K with Aletheia (2026). *強人所難：可不可論的認知上限、文明複雜度與人機共判架構*. EveMissLab. 10. Neo.K with Aletheia (2026). *誰繼承人類：AI 作為歷史承載者、制度重編譯者與共同繼承主體*. EveMissLab. --- ## 附錄 A：第一代符號表 | 符號 | 含義 | |---|---| | $\mathcal X_t$ | Frontier Decision Domain | | $H$ | 自然人類 | | $H^+$ | 增幅人類 | | $AI$ | AI Agent / model-supported agent | | $\Sigma_{H-AI}$ | 人機混合決策組織 | | $\Sigma_{AI}$ | 多 AI / 分散 AI 組織 | | $\mathcal X_E$ | Epistemic Domain | | $\mathcal X_D$ | Design / Proposal Domain | | $\mathcal X_L$ | Legitimation / Authorization Domain | | $\mathcal X_A$ | Action / Execution Domain | | $\mathcal X_R$ | Review / Revision Domain | | $\mathbf E_i(q)$ | epistemic competence vector | | $\mathbf L_i(q)$ | legitimacy standing vector | | $Affect_i(q)$ | affectedness | | $\mathbf P_i(q,t)$ | Decision Power Vector | | $\mathcal O(q)$ | option space | | $\mathcal R=[r_{ij}]$ | Responsibility Matrix | | $\mathbf W(q,t)$ | dynamic power allocation | | $PCI$ | Power Concentration Index | | $\mathfrak C^{X}$ | Decision Domain Certificate | --- ## 附錄 B：系列位置 **系列三：《不可永佔：後 ASI 文明的動態治理、現場主權與權力制衡》** 1. 動態正義：形式平等、實質負擔與個體化規則 2. AI 時代的法律編譯層：人類法律、機器法律與認知落差 3. **本文｜前沿決策域 $X$：人類、AI 與混合智能的權力集合** 4. 動態現場域：為什麼最強智能仍未必最懂當下 5. 現場主權：全域智能與局部決策權的動態配置 6. 類神 ASI 的治理悖論：全知、全域覆蓋與反烏托邦邊界 7. 可不可治理：能力不推出權力，權力不推出意圖 8. 不可永佔：從權力制衡到《無無極篇》的後 ASI 憲政原理 **本篇狀態：完成 v0.1。**