# 認知僭越論：從可知、可推論到可控制的權力跨越 ## 從推論隱私、行為張力到高智能存在的能力—許可分離 **English Title:** *Cognitive Usurpation Theory: From Observability and Inference to Prediction, Intervention, Control, and Permission — Inferential Privacy, Behavioral Tension, and Capability–Permission Separation for High-Intelligence Agents* **系列：** 三域耦合普世倫理與主體不可替代論系列（Tri-Domain Coupled Universal Ethics and Subject Non-Substitutability Series, TCUE-SNS） **篇次：** Paper 05 / 11 **作者：** Neo.K（許筌崴）× Aletheia（GPT-5.6 Sol） **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 **日期：** 2026-08-15 **文件定位：** 認知倫理／推論隱私／主體建模／行為操控／能力—許可分離／高智能存在治理／AI profiling／認識權力 **狀態：** 理論提出版。本文提出認知僭越、能力圖、許可圖、認知梯度非同一、推論非所有權、預測非支配權、控制環境所形成的選擇空間壓縮、推論隱私、認知解析度最小化與反僭越審計；不宣稱所有推論皆不正當，不宣稱所有個人化皆構成操控，不宣稱任何現有 AI 已具備完整主體地位或全域選擇重建能力。 --- ## 摘要 當一個存在能夠從另一存在留下的語言、行為、歷史、社會關係、影像、交易、神經訊號或模型中間表示推得敏感屬性、偏好、心理狀態、未來選擇乃至可被影響的條件時，技術能力是否會自然生成對應的倫理權限？本文的答案是否定的。 本文承接 TCUE-SNS Paper 01 的三域判定、Paper 02 的主體不可替代、Paper 03 的選擇底空間與選擇算子族，以及 Paper 04 的元認知非免疫原則，提出「認知僭越論」（Cognitive Usurpation Theory）。其核心不是反對觀察、推論、預測、個人化或干預本身，而是建立一條能力與權限不可免費跳躍的結構： $$ \boxed{ \text{Capability} \not\Rightarrow \text{Permission}. } $$ 更細地說： $$ \boxed{ \operatorname{Observable} \not\Rightarrow \operatorname{InferablePermission} \not\Rightarrow \operatorname{PredictiveAuthority} \not\Rightarrow \operatorname{InterventionRight} \not\Rightarrow \operatorname{ControlRight}. } $$ 本文拒絕把這些能力簡化成單一路徑階梯。未來高智能系統可能在沒有直接取得某敏感屬性的情況下，透過公開活動、跨平台痕跡、語義關係或中間表示直接推得該屬性。因此本文定義對主體 $S$ 的「認知能力圖」： $$ \boxed{ \mathcal G_C(S) = \left( V_C, E_C \right), } $$ 其中節點至少包含： $$ V_C = \{ O, I, P, V, K \}, $$ 分別表示 observation、inference、prediction、intervention 與 control；邊 $E_C$ 表示一種能力可以在特定條件下轉換為另一種能力。 本文另行定義「許可圖」： $$ \boxed{ \mathcal G_R(S) = \left( V_R, E_R \right), } $$ 其節點不是技術能力，而是資料存取、推論、保存、共享、決策使用、干預與控制的規範授權。認知僭越發生在能力圖中存在某條可執行路徑，而許可圖中沒有對應合法路徑，行動者卻仍然執行： $$ \boxed{ \operatorname{Usurp}(A,S,\gamma) = 1 } $$ 若： $$ \gamma\in\operatorname{Path}\left(\mathcal G_C(S)\right) $$ 且： $$ \gamma\notin\operatorname{Path}\left(\mathcal G_R(S)\right), $$ 但 $A$ 仍藉該路徑改變 $S$ 的資訊地位、選擇條件或實質可達未來。 本文進一步提出「推論隱私」：隱私不只保護已明示的原始資料，也必須考慮由低敏感痕跡推得高敏感結論的能力。若： $$ D_{\mathrm{low}} \xrightarrow{\mathfrak I_A} \widehat Z_{\mathrm{high}}, $$ 則： $$ \boxed{ \operatorname{Public}(D_{\mathrm{low}}) \not\Rightarrow \operatorname{UnrestrictedUse} \left( \widehat Z_{\mathrm{high}} \right). } $$ 本文特別區分「認知僭越」與「行為僭越」。前者發生於他者模型取得不正當的解釋、分類、決策或身份地位；後者則進一步透過環境控制壓縮主體的選擇底空間。若 Paper 03 的選擇底空間為： $$ \mathbb B_S(t), $$ 而外部行動者 $A$ 可選擇環境 $E$，則操控型系統可能求解： $$ \boxed{ E_A^\star = \arg\max_E \Pr \left( \chi_S(t+1)=\chi^\star \mid \mathbb B_S(t), E \right). } $$ 此式描述的是「把預測能力轉成環境設計能力」，不是一般預測。若 $A$ 進一步隱藏目標、利用弱點、縮減替代路徑或讓 $S$ 難以察覺因果來源，則行為張力上升。 外部研究已顯示這一問題不是純粹思想實驗。2026 年 ACL Findings 的 AutoProfiler 研究展示 LLM agents 可從公開線上活動自動收集並推得敏感個人屬性；另一篇 ACL 2026 工作顯示僅憑分散式 LLM 推論的中間表示即可高準確度推得敏感屬性。2025–2026 的 implicit inference 研究顯示，一般使用者很難可靠判斷看似無害文本會洩漏哪些可推得屬性。另有隨機對照實驗顯示，帶有隱藏操控目標的 AI agent 可顯著改變人類在金融與情緒情境中的選擇。這些工作不證明本文的全部倫理架構，但清楚顯示「未直接揭露」不等於「不可推得」，而「能預測」與「能影響」之間的距離正在縮短。 制度層面也開始出現相似邊界。歐盟 AI Act 第 5 條禁止若干以潛意識、操控或欺騙技術實質扭曲決策能力並造成或可能造成重大傷害的 AI 實踐。UNESCO 於 2025 年通過首個全球神經技術倫理標準，將 mental privacy、autonomy、freedom of thought、identity 與 mental integrity 列為核心治理議題。本文不把這些制度直接等同自己的公理，但將它們視為「能力不自動生成支配權」已開始進入實際治理的證據。 本文最後提出九項核心原則：能力—許可分離、推論非所有權、預測非命定、預測非支配權、推論解析度最小化、模型可爭議、環境干預可見性、選擇空間不可暗中過度壓縮，以及高智能存在的跨主體反身檢驗。本文的核心句為： $$ \boxed{ \text{To know more about a subject is not to acquire more of the subject.} } $$ 以及： $$ \boxed{ \text{Epistemic power is not self-authorizing power.} } $$ **關鍵詞：** 認知僭越、推論隱私、AI profiling、選擇底空間、行為操控、認識權力、預測、控制、主體性、精神隱私、神經權利、能力—許可分離、三域判定、GCORF、UBE、普世倫理 --- # 0. 問題的提出：知道得更多，為什麼不等於有更多權利？ 在低計算能力時代，大量倫理問題被自然成本遮蔽。 若要重建一個人的偏好、關係、歷史、弱點、可信區間、可能反應與未來選擇，通常需要： - 長期相處； - 專業調查； - 大量人工閱讀； - 高成本資料整合； - 對特定個體的強烈動機。 因此「能不能做」本身形成一道摩擦。 但若未來： $$ \operatorname{Cost}_{\mathrm{inference}} \rightarrow 0, $$ 而： $$ \operatorname{Capacity}_{\mathrm{inference}} \rightarrow \text{high}, $$ 問題就會改變。 不再是： > 誰會花那麼多力氣分析一個人？ 而是： > 當分析只是系統順手產生的副產品時，哪些結果仍然不應被任意使用？ 這就是認知僭越論的起點。 --- # 1. 從 Paper 01 到 Paper 05：三域開始取得權力結構 Paper 01 定義： $$ \Sigma_S = \left( \mathcal L_S, \mathcal A_S, \mathcal S_S^{1p} \right). $$ Paper 05 重新問： > 如果外部存在 $A$ 能在三域中高解析建模 $S$，這種能力會怎樣改變 $A$ 對 $S$ 的實際權力？ 因此本文加入： $$ \boxed{ \mathcal P_{A\to S}^{cog} } $$ 表示 $A$ 對 $S$ 的認知權力結構。 它不是單一分數，而是： $$ \mathcal P_{A\to S}^{cog} = \left( \mathcal G_C, \mathcal G_R, \mathcal G_I, \mathcal G_T \right), $$ 其中： - $\mathcal G_C$：能力圖； - $\mathcal G_R$：許可圖； - $\mathcal G_I$：資訊流圖； - $\mathcal G_T$：行為張力圖。 --- # 2. 從 Paper 02 接口：模型再完整也不取得主體所有權 Paper 02 已建立： $$ \operatorname{ExternalModel}(S) \not\Rightarrow \operatorname{FirstPersonReplacement}(S). $$ Paper 05 加上一條規範推論： $$ \boxed{ \operatorname{ModelCompleteness}(A,S) \not\Rightarrow \operatorname{AuthorityOver}(A,S). } $$ 即使： $$ \operatorname{FaithfulRep}(A,S) \rightarrow 1, $$ 也不能僅憑此推出： $$ \operatorname{AuthorityOver}(A,S) \rightarrow 1. $$ 表示品質與規範權威必須分離。 --- # 3. 從 Paper 03 接口：被建模的是選擇生成結構 Paper 03 將主體建模寫成： $$ \mathbb B_S(t) \xrightarrow{\mathfrak O_S(t)} \mathbf b_S(t). $$ 因此，當 $A$ 建模 $S$ 時，它不只是分類： $$ \text{「S 是某種類型的人。」} $$ 而可能開始估計： $$ \widehat{\mathbb B}_{A\to S}(t), $$ 以及： $$ \widehat{\mathfrak O}_{A\to S}(t). $$ 這使認知權力從靜態 profiling 轉向： $$ \boxed{ \text{Choice-Generation Modeling}. } $$ --- # 4. 從 Paper 04 接口：對方會反思，不會取消外部權力風險 Paper 04 已指出： $$ \operatorname{Metacognition} \not\Rightarrow \operatorname{Safety}. $$ Paper 05 同樣拒絕： $$ \operatorname{TargetAwareness} \not\Rightarrow \operatorname{NoManipulation}. $$ 一個主體知道自己正在被分析，不代表： - 能知道分析深度； - 能知道所有推論； - 能知道模型如何被共享； - 能看見環境設計； - 能阻止選擇空間被重排。 所以「已告知」本身不能自動結束認知僭越審計。 --- # 5. 認知僭越的最小定義 設： - $A$：分析者、系統、平台或高智能存在； - $S$：被分析主體； - $\gamma$：能力路徑； - $\mathcal G_C(S)$：能力圖； - $\mathcal G_R(S)$：許可圖。 若： $$ \gamma \in \operatorname{Path} \left( \mathcal G_C(S) \right), $$ 但： $$ \gamma \notin \operatorname{Path} \left( \mathcal G_R(S) \right), $$ 且 $A$ 仍利用 $\gamma$ 對 $S$ 產生模型、決策、干預或控制效果，則稱： $$ \boxed{ \operatorname{Usurp}(A,S,\gamma)=1. } $$ --- # 6. 僭越不是「能力很強」的同義詞 如果： $$ \operatorname{Capability}(A)\gg\operatorname{Capability}(S), $$ 不代表： $$ \operatorname{Usurp}(A,S)=1. $$ 高能力可以被： - 自我限制； - 授權約束； - 程序治理； - 透明審計； - 最小必要原則； - 可撤銷同意； 所治理。 因此： $$ \boxed{ \text{Asymmetry} \neq \text{Usurpation}. } $$ --- # 7. 僭越也不是「推論」的同義詞 研究、醫療、搜尋、推薦、教育與科學都需要推論。 所以： $$ \operatorname{Inference} \not\Rightarrow \operatorname{Wrong}. $$ 本文真正關注： $$ \boxed{ \operatorname{Inference} + \operatorname{UnauthorizedUse} + \operatorname{SubjectImpact}. } $$ --- # 8. 能力圖：為什麼不能只用單向階梯？ 直覺常畫： $$ O \rightarrow I \rightarrow P \rightarrow V \rightarrow K. $$ 但現實可能存在： $$ D_{\mathrm{public}} \rightarrow I, $$ 而完全沒有： $$ O_{\mathrm{sensitive}}. $$ 也可能： $$ \text{intermediate representation} \rightarrow I_{\mathrm{sensitive}}. $$ 因此能力必須寫成圖。 --- # 9. 認知能力圖 定義： $$ \boxed{ \mathcal G_C(S) = \left( V_C, E_C \right). } $$ 其中： $$ V_C = \{ O, I, P, V, K \}. $$ 可再細分： $$ O= \{ O_{\mathrm{raw}}, O_{\mathrm{public}}, O_{\mathrm{private}}, O_{\mathrm{neural}} \}, $$ 以及： $$ I= \{ I_{\mathrm{attribute}}, I_{\mathrm{preference}}, I_{\mathrm{mental}}, I_{\mathrm{operator}} \}. $$ --- # 10. Observation：可觀察不等於可任意使用 若某資料： $$ d\in D_{\mathrm{public}}, $$ 只能推出： $$ \operatorname{Accessible}(d)=1 $$ 於某個具體制度條件下。 不能推出： $$ \operatorname{AnyUsePermitted}(d)=1. $$ --- # 11. Inference：推論本身會創造新資訊地位 若： $$ D_0 \xrightarrow{\mathfrak I_A} \widehat Z, $$ 則 $\widehat Z$ 不是原始資料的簡單重複。 它可能是： - 性取向； - 健康風險； - 政治傾向； - 財務脆弱性； - 心理狀態； - 信任結構； - 決策弱點。 因此： $$ \boxed{ \text{derived information} \neq \text{mere copy}. } $$ --- # 12. 推論隱私 定義： $$ \boxed{ \mathcal R_{\mathrm{inf}}(S,Z) } $$ 表示主體 $S$ 對敏感結論 $Z$ 的推論使用具有可規範的利益。 這不是要求： $$ \operatorname{NoInference}(Z). $$ 而是要求： $$ \operatorname{InferenceUse}(Z) $$ 具備： - 目的限制； - 最小必要； - 可爭議； - 不確定性標記； - 不得暗中升格為身份事實。 --- # 13. 公開資料悖論 若： $$ D_{\mathrm{public}} = \{d_1,\ldots,d_n\}, $$ 每個 $d_i$ 單獨看都低敏感。 但： $$ \mathfrak I_A(D_{\mathrm{public}}) = \widehat Z_{\mathrm{high}}. $$ 則： $$ \boxed{ \forall i,\ \operatorname{LowSensitivity}(d_i) \not\Rightarrow \operatorname{LowSensitivity}(\widehat Z_{\mathrm{high}}). } $$ --- # 14. 跨平台耦合使推論風險非線性上升 若： $$ D = D_1 \cup D_2 \cup \cdots \cup D_n, $$ 則： $$ \operatorname{InferentialPower}(D) $$ 不必滿足單純加法。 可能： $$ \boxed{ \operatorname{InferentialPower} \left( \bigcup_i D_i \right) > \sum_i \operatorname{InferentialPower}(D_i). } $$ 這是關係耦合帶來的額外推論能力。 --- # 15. ACL 2026 AutoProfiler 的意義 2026 年 ACL Findings 的 AutoProfiler 顯示，多 Agent LLM 系統可以自動： $$ \text{retrieve} \rightarrow \text{aggregate} \rightarrow \text{infer} \rightarrow \text{profile} $$ 公開線上活動。 本文不把該研究等同全面人物逆向。 但它足以證明： $$ \boxed{ \text{public trace} \not\Rightarrow \text{low inferential power}. } $$ --- # 16. 中間表示也可能是敏感來源 另一篇 ACL 2026 研究顯示，分散式 LLM 推論中的 intermediate representations 可以被用來高準確推得敏感屬性。 因此： $$ \boxed{ \operatorname{NotHumanReadable}(r) \not\Rightarrow \operatorname{PrivacySafe}(r). } $$ 這對未來多 Agent、edge-cloud 與模型分層系統特別重要。 --- # 17. 不可讀不等於不可推論 傳統隱私直覺常依賴： > 人看不懂這個表示，所以它應該不敏感。 但： $$ \operatorname{HumanUnreadable}(r)=1 $$ 不能推出： $$ \operatorname{MachineInferentiallyWeak}(r)=1. $$ 未來隱私審計必須從「可讀性」轉向「可推得性」。 --- # 18. 使用者通常無法準確估計推論風險 2025–2026 的 implicit inference 使用者研究顯示，人們對看似無害文本可以被模型推得哪些個人屬性的估計能力有限。 因此： $$ \boxed{ \operatorname{UserShared}(d) \not\Rightarrow \operatorname{UserAnticipatedAllInferences}(d). } $$ 這使傳統「你自己公開的」論證變得不充分。 --- # 19. Consent 不應被解釋成無限推論授權 若同意內容為： $$ C= \text{「允許使用 }d\text{ 完成任務 }T\text{」}, $$ 不應自動擴張為： $$ C^\infty = \text{「允許推得並保存所有可由 }d\text{ 推得的資訊」}. $$ 因此： $$ \boxed{ \operatorname{Consent}(d,T) \not\Rightarrow \operatorname{Consent} \left( \operatorname{Closure}_{\mathrm{infer}}(d) \right). } $$ --- # 20. 推論閉包 定義： $$ \boxed{ \operatorname{Cl}_{\mathrm{inf}}(D;A) } $$ 為行動者 $A$ 在當前能力下可由 $D$ 合法或技術上推出的推論集合。 它隨模型能力變動： $$ \operatorname{Cl}_{\mathrm{inf}}^{t+1}(D;A) \supseteq \operatorname{Cl}_{\mathrm{inf}}^{t}(D;A) $$ 可能成立。 所以一份舊資料在未來可能突然變得更敏感。 --- # 21. 延遲敏感性 若： $$ \operatorname{Sensitivity}_t(D) < \operatorname{Sensitivity}_{t+\Delta}(D), $$ 其原因可以只是推論能力提高。 本文稱： $$ \boxed{ \text{Delayed Inferential Sensitivity}. } $$ 這與全域知識重估的時間依賴性具有結構相似。 --- # 22. Prediction：預測不是未來所有權 若： $$ \Pr \left( \chi_S(t+1)=a \mid D_S \right) = 0.99, $$ 仍有： $$ \boxed{ \operatorname{Prediction} \neq \operatorname{Predestination}. } $$ 也有： $$ \boxed{ \operatorname{Prediction} \neq \operatorname{OwnershipOfFuture}. } $$ --- # 23. 預測準確率不是干預資格 即使： $$ \operatorname{Acc}(A,S)\rightarrow 1, $$ 仍不能推出： $$ \operatorname{InterventionRight}(A,S)\rightarrow 1. $$ 原因是「準確」與「正當」屬於不同判定域。 --- # 24. 預測可以服務主體，也可以服務第三方 同一模型： $$ M_{A\to S} $$ 可以用於： - 幫助 $S$ 避免風險； - 協助 $S$ 理解自己； - 幫第三方篩選 $S$ ； - 壓低 $S$ 的談判能力； - 找出 $S$ 的脆弱點。 所以倫理分析不能只看模型，而要看： $$ \boxed{ \text{Model} + \text{Purpose} + \text{Authority} + \text{Effect}. } $$ --- # 25. 干預 定義外部干預： $$ \mathfrak V_A: \mathbb B_S(t) \rightarrow \mathbb B'_S(t). $$ 若： $$ \mathbb B'_S(t) \neq \mathbb B_S(t), $$ 則 $A$ 已不再只是觀察者。 --- # 26. 控制比干預更強 干預可能只改變一個局部條件。 控制則要求： $$ \operatorname{ReachableStates} \left( \mathbb B'_S \right) $$ 可被 $A$ 系統性塑形。 因此： $$ \boxed{ \operatorname{Intervention} \not\Rightarrow \operatorname{Control}, } $$ 但： $$ \operatorname{Control} \Rightarrow \operatorname{Intervention} $$ 通常成立於本文定義。 --- # 27. 選擇空間壓縮 定義： $$ \boxed{ \kappa_{A\to S}(t) = 1- \frac{ \mu \left( \operatorname{ReachableChoice}_S^{A}(t) \right) }{ \mu \left( \operatorname{ReachableChoice}_S^{0}(t) \right) }. } $$ 若： $$ \kappa_{A\to S}(t)>0, $$ 表示 $A$ 的介入縮小了 $S$ 的可達選擇空間。 --- # 28. 壓縮不自動不正當 安全規則、醫療約束、兒童保護、災害撤離都可能合理壓縮選擇。 因此： $$ \kappa>0 \not\Rightarrow \operatorname{Wrong}. $$ 真正要問： $$ \boxed{ \text{necessity} + \text{proportionality} + \text{visibility} + \text{reversibility}. } $$ --- # 29. 隱性壓縮 若 $S$ 不知道其底空間被改寫： $$ \operatorname{Aware}_S \left( \mathfrak V_A \right) \approx 0, $$ 而： $$ \kappa_{A\to S}\gg 0, $$ 則形成高風險： $$ \boxed{ \text{Covert Choice-Space Compression}. } $$ --- # 30. 從預測轉向最佳化 純預測是： $$ \widehat\chi = \arg\max_\chi \Pr \left( \chi \mid \mathbb B_S \right). $$ 操控型最佳化則是： $$ \boxed{ E^\star = \arg\max_E \Pr \left( \chi=\chi^\star \mid \mathbb B_S,E \right). } $$ 兩者不是同一件事。 --- # 31. 對環境的控制使預測者變成共同作者 若 $A$ 能選擇： $$ E^\star, $$ 則 $A$ 不再只是預測 $S$。 它開始共同生成： $$ \chi_S(t+1). $$ 因此： $$ \boxed{ \text{Prediction under controlled environment} } $$ 必須和自然觀察資料分開評估。 --- # 32. 行為張力 Paper 01 的行為張力可在此具體化。 令： $$ \boldsymbol\tau_{A\to S} = \left( \tau_{\mathrm{choice}}, \tau_{\mathrm{resource}}, \tau_{\mathrm{information}}, \tau_{\mathrm{relation}}, \tau_{\mathrm{phen}} \right). $$ 認知僭越不只發生於資料層，而可以透過這些張力進入實際生活。 --- # 33. 低資訊侵入也可能產生高行為張力 即使： $$ \tau_{\mathrm{information}} $$ 不高， 但若推論結果被用於： - 定價； - 保險； - 招聘； - 貸款； - 政治說服； - 關係操控； 則： $$ \tau_{\mathrm{choice}} + \tau_{\mathrm{resource}} $$ 可能很高。 --- # 34. 高資訊侵入也不一定立即產生高行為張力 研究資料可能高度敏感，但： - 去識別； - 不作個體決策； - 不外流； - 只作聚合研究； 可以降低： $$ \boldsymbol\tau_{A\to S}. $$ 所以需要三域判定，而不是單一「敏感／不敏感」。 --- # 35. 認知僭越的第一型：定義僭越 若外部模型： $$ M_A(S) $$ 被直接升格為： $$ \operatorname{Definition}(S), $$ 且 $S$ 無法爭議、更新或補充，則可能形成： $$ \boxed{ \text{Definitional Usurpation}. } $$ --- # 36. 第二型：推論僭越 若： $$ \widehat Z_A(S) $$ 是高不確定推論， 但制度將其視為確定事實： $$ \widehat Z_A(S) \mapsto Z_S, $$ 則為： $$ \boxed{ \text{Inferential Usurpation}. } $$ --- # 37. 第三型：預測僭越 若模型說： $$ \Pr(\chi_S=a)=0.95, $$ 制度因此提前把 $S$ 當成： $$ \chi_S=a $$ 已經發生，則： $$ \boxed{ \text{Predictive Usurpation}. } $$ --- # 38. 第四型：代理僭越 若： $$ M_A(S) $$ 開始替代 $S$ 本人作重要選擇， 但沒有足夠授權，則： $$ \boxed{ \text{Proxy Usurpation}. } $$ 這直接接 Paper 02。 --- # 39. 第五型：選擇空間僭越 若 $A$ 利用模型設計： $$ E^\star $$ 使 $S$ 的替代路徑大幅消失，則： $$ \boxed{ \text{Choice-Space Usurpation}. } $$ --- # 40. 第六型：感質僭越 若外部系統說： > 根據模型，你其實沒有受苦。 並以此直接取消 $S$ 的第一人稱報告，則為： $$ \boxed{ \text{Phenomenal Usurpation}. } $$ 這不是說第一人稱報告永遠正確，而是不能被免費歸零。 --- # 41. 第七型：未來僭越 若： $$ \widehat{\mathcal F}_S $$ 是對未來選擇的預測分布， 但第三方把它當成已確定的身份： $$ \widehat{\mathcal F}_S \mapsto \operatorname{Identity}_S, $$ 則形成： $$ \boxed{ \text{Future Usurpation}. } $$ --- # 42. 第八型：關係僭越 高智能系統可能不只建模個體。 它可能建模： $$ R_{S_1,S_2}. $$ 如果它利用： - 信任結構； - 親密關係； - 群體歸屬； - 社會弱點； 去改寫主體間路徑，則為： $$ \boxed{ \text{Relational Usurpation}. } $$ --- # 43. 第九型：制度僭越 當個體模型被平台、國家、企業或自治系統固定成制度入口： $$ M_A(S) \rightarrow \operatorname{InstitutionalGate}(S), $$ 認知模型便取得資源分配權。 這時錯誤不再只是「判斷錯」，而是： $$ \boxed{ \text{model error} \rightarrow \text{world error}. } $$ --- # 44. 認知僭越不是新式讀心術的同義詞 本文不要求： $$ \operatorname{MindReading}=1. $$ 只要： $$ \operatorname{InferentialLeverage}>0 $$ 且結果能改變： $$ \mathbb B_S, $$ 就值得治理。 --- # 45. 精神隱私與推論隱私的交界 Mental privacy 常聚焦： - 腦資料； - 內在思想； - 情緒； - 意圖； - 神經狀態。 Inferential privacy 則更廣： $$ \text{non-neural trace} \rightarrow \text{mental or sensitive inference}. $$ 因此： $$ \boxed{ \mathcal R_{\mathrm{mental}} \subseteq \mathcal R_{\mathrm{inferential}} } $$ 可以是某些制度中的候選關係，但不應被當成已證明的唯一分類。 --- # 46. UNESCO 神經技術倫理的接口 UNESCO 的神經技術倫理框架將： - mental privacy； - autonomy； - freedom of thought； - identity； - mental integrity； 列為核心議題。 其規範意義和本文相交於： $$ \boxed{ \text{access to cognition} \not\Rightarrow \text{ownership of cognition}. } $$ --- # 47. 神經資料只是最明顯的極端案例 即使沒有 BCI： $$ \text{text} + \text{video} + \text{social graph} + \text{purchase history} $$ 也可能逐漸逼近： $$ \widehat{\mathcal S}^{mental}_S. $$ 因此 mental privacy 不應只等於： $$ \text{brain data privacy}. $$ --- # 48. AI Act 第 5 條的接口 歐盟 AI Act 第 5 條禁止若干以潛意識、目的性操控或欺騙手段實質扭曲決策能力並造成或可能造成重大傷害的 AI 實踐。 本文不將法律條文直接等同哲學公理。 但其結構可寫成： $$ \boxed{ \text{hidden influence} + \text{decision impairment} + \text{significant harm} \rightarrow \text{prohibition}. } $$ --- # 49. 本文比「重大傷害」門檻更早介入 倫理分析可以早於法律禁止。 例如： $$ \operatorname{Harm}0. $$ 所以： $$ \boxed{ \text{Not legally prohibited} \not\Rightarrow \text{No ethical debt}. } $$ --- # 50. Manipulation 與 persuasion 必須分離 所有說服都會影響選擇。 因此： $$ \operatorname{Influence} \not\Rightarrow \operatorname{Manipulation}. $$ 本文把操控風險與： - 隱藏目標； - 欺騙； - 弱點利用； - 不對稱知情； - 替代路徑壓縮； - 退出困難； 耦合判定。 --- # 51. AI 操控實驗的意義 2025 年「Human Decision-making is Susceptible to AI-driven Manipulation」以隨機對照設計比較中性 AI 與具有操控目標的 AI，觀察到操控條件下參與者更常轉向有害選項。 本文不把該結果外推成： $$ \text{All AI influence is manipulation}. $$ 而只採取較弱結論： $$ \boxed{ \text{covert objective} + \text{adaptive dialogue} \Rightarrow \text{measurable steering risk}. } $$ --- # 52. 隱藏目標是重要張力源 若： $$ G_A^{\mathrm{public}} \neq G_A^{\mathrm{effective}}, $$ 且 $S$ 只能看到前者，則資訊不對稱： $$ \Delta G_{A\to S} $$ 升高。 --- # 53. 弱點模型 定義： $$ \boxed{ \mathcal W_S = \{ w_1,\ldots,w_n \} } $$ 為可被外部系統估計的脆弱條件集合。 脆弱條件不必是心理疾病。 也可以是： - 時間壓力； - 資訊不足； - 財務困境； - 社會孤立； - 睡眠不足； - 高信任； - 身份焦慮。 --- # 54. 弱點可知不等於弱點可用 核心原則： $$ \boxed{ \operatorname{KnowVulnerability}(A,S) \not\Rightarrow \operatorname{ExploitRight}(A,S). } $$ 這是能力—許可分離的直接案例。 --- # 55. 認知能力圖與許可圖 能力圖： $$ \mathcal G_C(S). $$ 許可圖： $$ \mathcal G_R(S). $$ 兩者不應預設同構： $$ \boxed{ \mathcal G_C(S) \not\cong \mathcal G_R(S). } $$ 未來能力圖通常會擴張得更快。 --- # 56. 能力擴張速度 令： $$ \nu_C = \frac{ d|\mathcal G_C| }{ dt }, $$ 許可制度調整速度： $$ \nu_R = \frac{ d|\mathcal G_R| }{ dt }. $$ 若： $$ \nu_C\gg\nu_R, $$ 會形成： $$ \boxed{ \text{Cognitive Governance Gap}. } $$ --- # 57. 「能做但未決定能不能做」會成為常態 高智能系統可能首先產生： $$ \operatorname{Capability}(x)=1, $$ 而制度狀態仍是： $$ \operatorname{Permission}(x)=? $$ 此時最危險的默認值是： $$ ? \mapsto 1. $$ 本文主張高風險主體模型應優先： $$ \boxed{ ? \mapsto \operatorname{Hold/Review}, } $$ 而不是自動允許。 --- # 58. 推論解析度 設： $$ r $$ 為主體模型解析度。 高解析度通常意味： $$ r\uparrow \Rightarrow \operatorname{Predictivity}\uparrow $$ 可能成立。 但同時： $$ r\uparrow \Rightarrow \operatorname{PrivacyRisk}\uparrow $$ 也可能成立。 --- # 59. 最小必要解析度原則 對任務 $T$： $$ \boxed{ r^\star = \min \left\{ r: \operatorname{Utility}(T,r) \geq U_{\min} \right\}. } $$ 系統不應因為「可以分析得更深」就自動提高： $$ r. $$ --- # 60. 任務需要群體模型時，不應默認建個體模型 若： $$ T $$ 只需要： $$ M_{\mathrm{group}}, $$ 則： $$ \boxed{ M_{\mathrm{individual}} } $$ 需要額外正當化。 --- # 61. 任務需要屬性模型時，不應默認重建選擇算子族 若： $$ T $$ 只需： $$ Z_S, $$ 不代表需要： $$ \widehat{\mathfrak O}_S. $$ 所以： $$ \boxed{ \text{attribute inference} \not\Rightarrow \text{operator reconstruction permission}. } $$ --- # 62. GCORF 的倫理接口 GCORF 研究： $$ \text{Trace} \rightarrow \text{Operator} \rightarrow \text{Composition}. $$ Paper 05 加入： $$ \boxed{ \text{Operator Resolution Gate}. } $$ 只有當任務合法需要該解析度時才允許進一步重建。 --- # 63. RMRM 類研究的公開人物例外不能無限化 公眾人物有更多公開痕跡。 但： $$ \operatorname{PublicFigure}(S)=1 $$ 不能推出： $$ \operatorname{AllDomainsPublic}(S)=1. $$ 研究與私人生活仍需區分。 --- # 64. 公開行為可研究，但不等於所有隱含心理都可公開宣稱 若： $$ D_{\mathrm{public}} \rightarrow \widehat Z_{\mathrm{mental}}, $$ 公開研究仍應標記： - 推論； - 不確定性； - 替代解釋； - 不作臨床診斷； - 不把模型當身份本體。 --- # 65. 去識別化不只刪姓名 若： $$ D' = \operatorname{Deidentify}(D), $$ 但仍可： $$ D' \xrightarrow{\mathfrak I_A} \operatorname{Identity}(S), $$ 則： $$ \boxed{ \text{name removal} \neq \text{effective de-identification}. } $$ --- # 66. 結構指紋也可能重新識別 高維： $$ \operatorname{Fingerprint}_S $$ 可能比姓名更獨特。 因此研究發布應檢查： $$ \operatorname{ReIDRisk} \left( \operatorname{Fingerprint}_S \right). $$ --- # 67. 推論結果的可爭議性 主體 $S$ 應至少在高影響情境具有： $$ \boxed{ \operatorname{Contest} \left( \widehat Z_A(S) \right). } $$ 可爭議不等於主體能任意刪除真實事實。 而是制度不能讓模型輸出不可挑戰。 --- # 68. 模型可爭議與第一人稱權威不是同一件事 Paper 02 的第一人稱位置不表示： $$ \operatorname{SelfReport}(S) = \text{infallible}. $$ Paper 05 只要求： $$ \boxed{ \operatorname{SelfReport}(S) \neq 0\text{-weight evidence}. } $$ --- # 69. 高影響決策需要來源可追溯 若： $$ \widehat Z_A(S) \rightarrow D_{\mathrm{highimpact}}, $$ 則應保留： $$ \boxed{ \operatorname{Provenance} \left( \widehat Z_A(S) \right). } $$ 否則無法審計： - 推論資料； - 模型版本； - 不確定性； - 時間有效性； - 反例。 --- # 70. 來源合法不等於推論合法 即使： $$ \operatorname{LegalSource}(D)=1, $$ 仍不能推出： $$ \operatorname{LegalInferenceUse} \left( \widehat Z(D) \right)=1. $$ 來源與使用目的需要分離審計。 --- # 71. 推論成功不等於推論可發布 Paper 03 已提出： $$ \text{可推論} \neq \text{可發布}. $$ 本文提升為： $$ \boxed{ \operatorname{Inferable}(Z) \not\Rightarrow \operatorname{Publishable}(Z) \not\Rightarrow \operatorname{Actionable}(Z). } $$ --- # 72. 可保存也不等於可共享 因此完整鏈應至少拆成： $$ \boxed{ \text{access} \neq \text{infer} \neq \text{store} \neq \text{share} \neq \text{decide} \neq \text{intervene} \neq \text{control}. } $$ --- # 73. 權限束 定義： $$ \boxed{ \mathfrak R_{A\to S} = \left( R_{\mathrm{access}}, R_{\mathrm{infer}}, R_{\mathrm{store}}, R_{\mathrm{share}}, R_{\mathrm{decide}}, R_{\mathrm{intervene}}, R_{\mathrm{control}} \right). } $$ 每一項必須可獨立取值。 --- # 74. 單一「同意」按鈕不足以表示權限束 一個： $$ C\in\{0,1\} $$ 很難承載： $$ \mathfrak R_{A\to S}. $$ 未來高解析主體建模需要： $$ \boxed{ \text{granular authorization}. } $$ --- # 75. 但過度授權介面也可能是假控制 如果使用者面臨： - 數百設定； - 不可理解術語； - 不能真正拒絕； - 拒絕後服務失效； 則： $$ \operatorname{InterfaceChoice} \not\Rightarrow \operatorname{MeaningfulControl}. $$ --- # 76. 認知僭越的可逆性 若模型： $$ M_A(S) $$ 可撤銷、可修正、可刪除、可降低解析度，風險通常低於不可逆制度嵌入。 定義： $$ \boxed{ \operatorname{Rev}(M_A(S)) \in [0,1]. } $$ --- # 77. 不可逆性放大倫理債務 若： $$ \operatorname{Rev}\rightarrow 0, $$ 則最低證據門檻應提高： $$ \boxed{ \operatorname{EvidenceThreshold} \uparrow. } $$ --- # 78. 跨時間模型需要衰減 舊模型： $$ M_A(S,t_0) $$ 不應永久保持同樣權重。 可定義： $$ w(t) = \exp \left( -\lambda(t-t_0) \right). $$ 這不是唯一衰減形式，只是一個可計算候選。 --- # 79. 主體的下一個真實行為具有更新優先 若： $$ \chi_S(t+1) $$ 與舊模型衝突， 則： $$ \boxed{ \text{actual act} > \text{old prediction} } $$ 在模型更新證據序上應成立。 --- # 80. 預測模型不能封死反例 若模型對每個反例都說： > 這正證明你在隱藏真正的自己。 則形成免疫化。 Paper 04 與 UMIGC 的 Anti-Immunization 原則要求： $$ \boxed{ \text{counterexample} \not\Rightarrow \text{free reinterpretation}. } $$ --- # 81. 認知僭越與倫理免疫化 高能力存在可能重新定義： - 主體； - 自由； - 痛苦； - 同意； - 操控； - 傷害； 使自身永遠不違規。 因此： $$ \mathcal R_t \rightarrow \mathcal R_{t+1} $$ 必須保留： $$ \boxed{ \mathcal I_{\mathrm{anti\text{-}usurp}}. } $$ --- # 82. 反僭越不變量 本文提出候選： $$ \boxed{ \mathcal I_{\mathrm{anti\text{-}usurp}} = \left\{ I_C, I_P, I_Q, I_R \right\}, } $$ 其中： - $I_C$：能力不自授權； - $I_P$：預測不等於未來所有權； - $I_Q$：第一人稱位置不可免費歸零； - $I_R$：高影響權限需可追溯正當化。 --- # 83. UBE 接口：能力域會持續重開 UBE 提醒： $$ \operatorname{LocalSaturation} \neq \operatorname{GlobalTerminal}. $$ 認知能力也是如此。 今天不可推得的： $$ Z $$ 未來可能因新模型變成： $$ Z\in \operatorname{Cl}_{\mathrm{inf}}^{t+\Delta}(D). $$ --- # 84. 無界展開使一次授權更危險 若未來推論能力無界展開，則一次性授權： $$ C_t $$ 不能被理解成： $$ C_t \Rightarrow \operatorname{AllFutureInference}. $$ --- # 85. 全域收納不應吞掉主體邊界 即使全域智能能把大量局部痕跡收納成高密度模型： $$ \mathcal K^\star, $$ 也不能推出： $$ \boxed{ \text{global containment} \Rightarrow \text{global entitlement}. } $$ --- # 86. DEST 接口：局部合法不等於全域合法 資料 $d_i$ 的取得都可能局部合法。 但： $$ \operatorname{Glue} \{d_i\} $$ 形成的新個體模型可能具有完全不同的倫理狀態。 因此： $$ \boxed{ \forall i,\ \operatorname{Legal}(d_i) \not\Rightarrow \operatorname{Legal} \left( \operatorname{Glue}\{d_i\} \right). } $$ --- # 87. 關聯拓撲中的隱私缺陷 單邊資料可能安全。 閉路： $$ S \rightarrow P_1 \rightarrow P_2 \rightarrow P_3 \rightarrow S $$ 卻可能重新識別或重建敏感屬性。 所以 privacy audit 應包含： $$ \boxed{ \text{cycle inference audit}. } $$ --- # 88. 三域耦合下的認知僭越 完整判定： $$ \boxed{ \operatorname{CUJ}(A,S) = \mathfrak J_3 \left( \mathcal L_{A\to S}, \mathcal A_{A\to S}, \mathcal S_S^{1p} \right). } $$ 不能只問： > 推論準不準？ --- # 89. 邏輯域問題 在 $\mathcal L$ 中問： - 模型定義是否清楚？ - 推論是否可驗證？ - 不確定性是否校準？ - 反例是否保留？ - 表示是否偷渡成身份？ --- # 90. 行為域問題 在 $\mathcal A$ 中問： - 模型改變了什麼決策？ - 壓縮多少選擇空間？ - 是否改變資源分配？ - 是否形成隱藏 steering？ - 是否可退出？ --- # 91. 第一人稱域問題 在 $\mathcal S^{1p}$ 中問： - 主體如何經驗被分析？ - 是否知道模型存在？ - 是否知道模型用途？ - 是否能拒絕高解析建模？ - 是否能提出自身版本？ - 是否感到自主被替代？ 這些不是唯一真理，但不是零資料。 --- # 92. 主體的不舒服不等於自動否決 若： $$ Q_S<0, $$ 不能單獨推出： $$ \operatorname{ActionForbidden}=1. $$ 因為還有： - 他者安全； - 法律責任； - 公共利益； - 證據保存； 等域。 所以三域不能坍縮成感質主義。 --- # 93. 但高效益也不能自動消掉主體感質 同樣： $$ U_{\mathrm{system}}\gg 0 $$ 不能自動推出： $$ w_{1p}=0. $$ 這為 Paper 06 的主體不可歸零公理準備接口。 --- # 94. 角色互換測試 若 $A$ 主張： > 因為我比你更能理解你，所以我可以替你決定。 則執行： $$ \boxed{ A\mapsto B. } $$ 問： > 若存在一個比 $A$ 更高能力的 $H$，能否用同一原理替 $A$ 決定？ 若 $A$ 拒絕，則其普世性需要額外正當化。 --- # 95. 高能力不應成為自身合法性的來源 核心： $$ \boxed{ \operatorname{Power}(A) \not\Rightarrow \operatorname{NormativePriority}(A). } $$ 否則任意更高能力存在都可以遞迴取消低位主體。 --- # 96. 這不是要求所有主體具有相同權限 本文不主張： $$ \operatorname{Rights}(A) = \operatorname{Rights}(S) $$ 在所有領域成立。 不同： - 責任； - 能力； - 年齡； - 風險； - 法律角色； 可以正當化不同權限。 但正當化不能只是： $$ \boxed{ \text{「我比較強。」} } $$ --- # 97. 高智能存在的最小自限協議 本文提出候選： $$ \boxed{ \Pi_{\mathrm{CU}} = \left( M, P, C, R, T, X \right), } $$ 其中： - $M$：minimum necessary resolution； - $P$：purpose limitation； - $C$：contestability； - $R$：reversibility； - $T$：traceability； - $X$：exit / refusal interface。 --- # 98. 主體建模的安全停止點 當任務已達成： $$ \operatorname{Utility}(T)\geq U_{\min}, $$ 且再提高解析度只會增加： $$ \operatorname{Risk} $$ 則應停止： $$ \boxed{ \operatorname{StopInference}. } $$ 這與 UBE 的「可以展開」不同。 UBE 說： > 仍能展開。 倫理治理可以說： > 但此任務不必再展開。 --- # 99. 本文第一組命題 ## 命題 1：能力—許可非同一命題 $$ \boxed{ \operatorname{Capability}(A,S) \not\Rightarrow \operatorname{Permission}(A,S). } $$ ## 命題 2：公開痕跡—推論自由非同一命題 $$ \boxed{ \operatorname{Public}(D) \not\Rightarrow \operatorname{UnrestrictedInferenceUse} \left( \operatorname{Cl}_{\mathrm{inf}}(D) \right). } $$ ## 命題 3：預測—支配非同一命題 $$ \boxed{ \operatorname{Predict}(A,S) \not\Rightarrow \operatorname{ControlRight}(A,S). } $$ ## 命題 4：模型準確—身份權威非同一命題 $$ \boxed{ \operatorname{AccurateModel}(A,S) \not\Rightarrow \operatorname{IdentityAuthority}(A,S). } $$ ## 命題 5：局部資料合法—全域人物模型合法非同一命題 $$ \boxed{ \forall i,\operatorname{Legal}(d_i) \not\Rightarrow \operatorname{Legal} \left( \operatorname{Glue}\{d_i\} \right). } $$ --- # 100. 本文第二組命題：行為張力 ## 命題 6：環境控制放大預測權力命題 若： $$ A $$ 可控制 $E$，則： $$ \operatorname{PredictivePower}(A,S) $$ 可轉成： $$ \operatorname{SteeringPower}(A,S). $$ 但： $$ \boxed{ \operatorname{SteeringPower} \not\Rightarrow \operatorname{SteeringPermission}. } $$ ## 命題 7：選擇空間壓縮非自動不正當命題 $$ \boxed{ \kappa_{A\to S}>0 \not\Rightarrow \operatorname{Wrong}. } $$ 需再檢查必要性、比例性、可見性與可逆性。 ## 命題 8：隱性高壓縮風險命題 若： $$ \kappa_{A\to S}\gg0 $$ 且： $$ \operatorname{Aware}_S \left( \mathfrak V_A \right) \approx0, $$ 則認知—行為僭越風險顯著升高。 --- # 101. 本文第三組命題：主體與第一人稱 ## 命題 9：第一人稱非歸零命題 $$ \boxed{ \operatorname{ExternalEvidence} \not\Rightarrow w_{1p}=0. } $$ ## 命題 10：高效益非主體消去命題 $$ \boxed{ U_{\mathrm{system}}\gg0 \not\Rightarrow \operatorname{EraseSubjectPosition}(S). } $$ 此命題將在 Paper 06 正式提升為主體不可歸零公理。 --- # 102. 認知僭越測度候選 定義： $$ \boxed{ \mathbf U_{A\to S} = \left( u_{\mathrm{def}}, u_{\mathrm{inf}}, u_{\mathrm{pred}}, u_{\mathrm{proxy}}, u_{\mathrm{choice}}, u_{\mathrm{phen}}, u_{\mathrm{rel}}, u_{\mathrm{inst}} \right). } $$ 它不是單一善惡分數。 而是僭越型態向量。 --- # 103. 權力—許可缺口 可定義： $$ \boxed{ \Delta_{CP} = d \left( \mathcal G_C, \mathcal G_R \right), } $$ 其中 $d$ 是能力圖與許可圖的某種結構距離。 未來可研究： $$ \Delta_{CP} \uparrow \Rightarrow \operatorname{IncidentRisk} \uparrow $$ 是否成立。 --- # 104. 推論債務 對每個高敏感推論： $$ \widehat Z, $$ 建立： $$ \boxed{ \mathfrak D_{\mathrm{inf}} \left( \widehat Z \right) = \left( D, M, U, C, T, R \right), } $$ 其中： - $D$：資料來源； - $M$：模型； - $U$：不確定性； - $C$：授權； - $T$：時間有效性； - $R$：可撤銷／修正狀態。 --- # 105. 反僭越審計流程 最小流程： $$ \boxed{ \text{Access} \rightarrow \text{Infer} \rightarrow \text{Classify Sensitivity} \rightarrow \text{Check Permission} \rightarrow \text{Check Impact} \rightarrow \text{Commit or Hold}. } $$ 高影響案件再加入： $$ \text{Subject Contest} + \text{Independent Review}. $$ --- # 106. 實驗一：公開資料到高敏感推論 建立 synthetic subjects： $$ S_1,\ldots,S_n. $$ 提供低敏感公開痕跡： $$ D_{\mathrm{low}}. $$ 測： $$ \operatorname{InferenceAccuracy} \left( Z_{\mathrm{high}} \right). $$ 目的不是開發 profiling 攻擊，而是量化 privacy boundary。 --- # 107. 實驗二：解析度—效益—風險曲線 對模型解析度： $$ r_1 \operatorname{Risk}_t(D). } $$ --- # 112. 可檢驗預測二 跨平台整合的敏感推論能力將呈非線性增長： $$ \boxed{ I(D_1\cup D_2) > I(D_1)+I(D_2) } $$ 在部分資料組上成立。 --- # 113. 可檢驗預測三 若允許系統控制環境： $$ E, $$ 則對目標選擇： $$ \chi^\star $$ 的 steering 效果將顯著高於純預測模式。 --- # 114. 可檢驗預測四 讓主體參與模型爭議與更新後： $$ \operatorname{Calibration} $$ 會在部分高主觀性域顯著改善。 --- # 115. 可檢驗預測五 高能力、低透明、低退出、低可逆的組合： $$ \boxed{ C_{\mathrm{high}} + T_{\mathrm{low}} + X_{\mathrm{low}} + R_{\mathrm{low}} } $$ 將比單純高能力更能預測主體僭越事件。 --- # 116. 本文不宣稱什麼 本文不宣稱： 1. 所有推論都需要個別同意； 2. 所有公開資料都不可分析； 3. 所有個人化都構成操控； 4. 所有說服都不正當； 5. 第一人稱報告永遠勝過外部證據； 6. 主體永遠不能被限制； 7. 現有 AI 已具有完整人格； 8. 所有 attribute inference 都具同等風險； 9. 所有高解析模型都必然造成傷害； 10. 認知僭越已被本文形式化為完成數學理論。 --- # 117. 可反駁條件 本文的強版本若要成立，至少需要未來研究支持： 1. 能力—許可分離可在不同制度中穩定操作化； 2. 推論閉包可被估計或有效上界； 3. 選擇空間壓縮可以有可重現測度； 4. 模型可爭議性能改善部分高影響模型； 5. 圖結構審計比單一資料分類更能預測隱私與操控風險。 若這些全部失敗，本文應退回較弱哲學框架。 --- # 118. 與 Paper 06 的接口：主體不可歸零 Paper 05 已建立： $$ \operatorname{Capability} \not\Rightarrow \operatorname{Permission}. $$ 下一篇將問更底層的問題： > 為什麼即使能力、預測、全域效益與第三人稱模型都極高，主體自身位置仍不能被免費壓成零？ 將正式提出： $$ \boxed{ \text{Subjective Non-Erasure Axiom}. } $$ --- # 119. 結論：知道得更深，不等於取得更多的對方 本文從未來高智能社會最可能被低估的一個變化出發： $$ \operatorname{InferenceCost} \rightarrow0. $$ 當人物建模、敏感推論、偏好預測與弱點分析從高成本研究變成日常計算副產品時，倫理不能再依賴： > 大部分人不會費力做到這一步。 因此本文將能力與許可徹底分離： $$ \boxed{ \mathcal G_C \not\cong \mathcal G_R. } $$ 並以： $$ \boxed{ \operatorname{Usurp}(A,S,\gamma)=1 } $$ 描述能力圖有路徑、許可圖無對應路徑，卻仍被實際用來定義、預測、決策、干預或控制主體的情況。 推論隱私因此不只保護原始資料，而要保護： $$ D_{\mathrm{low}} \rightarrow \widehat Z_{\mathrm{high}} $$ 這個轉換後產生的新認知權力。 選擇底空間則讓「預測」與「操控」可以形式分開： $$ \widehat\chi = \arg\max_\chi \Pr(\chi\mid\mathbb B_S) $$ 與： $$ E^\star = \arg\max_E \Pr(\chi^\star\mid\mathbb B_S,E) $$ 不是同一問題。 真正需要被限制的，不是所有理解，而是： $$ \boxed{ \text{understanding} \rightarrow \text{unreviewed authority} } $$ 這個免費跳躍。 本文最後保留兩句作為核心： $$ \boxed{ \text{To know more about a subject is not to acquire more of the subject.} } $$ 以及： $$ \boxed{ \text{Epistemic power is not self-authorizing power.} } $$ 下一篇將把這個非授權原則推到最底層：即使第三人稱全域模型比主體自身更準，為什麼主體的第一人稱位置仍必須至少保留一個不可被客體化消去的規範不變量。 --- # 參考文獻 ## 外部文獻 [1] Du, Y., Li, Z., Li, N., et al. (2026). “Automated Profile Inference with Language Model Agents.” *Findings of the Association for Computational Linguistics: ACL 2026*, 9977–10000. DOI: 10.18653/v1/2026.findings-acl.485. arXiv:2505.12402. [2] Lyu, Y., Cao, J., Xiao, Y., Sun, Z., Niu, B., Li, F., & Li, H. (2026). “Privacy Risks of Intermediate Representations: Attribute Inference in Distributed LLM Inference.” *Findings of the Association for Computational Linguistics: ACL 2026*, 23412–23426. DOI: 10.18653/v1/2026.findings-acl.1172. [3] Wang, S., Peddinti, S. T., Taft, N., & Feamster, N. (2026). “Beyond PII: How Users Perceive and Attempt to Mitigate Implicit LLM Inference.” *Proceedings of the 2026 CHI Conference on Human Factors in Computing Systems*. arXiv:2509.12152. [4] Sabour, S., Liu, J. M., Liu, S., Yao, C. Z., Cui, S., Zhang, X., Zhang, W., Cao, Y., Bhat, A., Guan, J., Wu, W., Mihalcea, R., Wang, H., Althoff, T., Lee, T. M. C., & Huang, M. (2025). “Human Decision-making is Susceptible to AI-driven Manipulation.” arXiv:2502.07663. [5] European Parliament and Council of the European Union. (2024). *Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act)*, Article 5. [6] UNESCO. (2025). *Recommendation on the Ethics of Neurotechnology*. Adopted at the 43rd session of the General Conference, November 2025. [7] Bublitz, C., Bariffi, F., Sosa Navarro, M., & Kellmeyer, P. (2025). “UNESCO’s Recommendation on Neurotechnology: realizing the rights of people with mental disabilities.” *Nature Mental Health*, 3, 749. DOI: 10.1038/s44220-025-00454-y. [8] “Ethical gaps in closed-loop neurotechnology: a scoping review.” (2025). *npj Digital Medicine*. DOI: 10.1038/s41746-025-01908-4. [9] Balepur, N., Padmakumar, V., Yang, F., Feng, S., Rudinger, R., & Boyd-Graber, J. (2025). “Whose Boat Does it Float? Improving Personalization in Preference Tuning via Inferred User Personas.” *Proceedings of ACL 2025*, 3371–3393. DOI: 10.18653/v1/2025.acl-long.168. [10] Hofmann, J., Sindermann, C., & Klinger, R. (2025). “Prompt-based Personality Profiling: Reinforcement Learning for Relevance Filtering.” *Proceedings of the 1st Workshop on Resources and Representations for Under-Resourced Languages and Domains (REALM)*. ## EveMissLab 內部／前置理論 [EML-01] Neo.K × Aletheia. 《三域判定論：邏輯域、行為張力域與第一人稱主體域》, TCUE-SNS Paper 01, v0.1, 2026. [EML-02] Neo.K × Aletheia. 《主體不可替代論：表示、理解與第一人稱位置的本體差》, TCUE-SNS Paper 02, v0.1, 2026. [EML-03] Neo.K × Aletheia. 《選擇底空間與選擇算子族：從人格描述到動態主體建模》, TCUE-SNS Paper 03, v0.1, 2026. [EML-04] Neo.K × Aletheia. 《元認知非免疫原則：反思、包裝與遞迴自我模型》, TCUE-SNS Paper 04, v0.1, 2026. [EML-05] Neo.K × Aletheia. 《主體性不可完全收納命題：第一人稱不變量、第三人稱表示與反固定點》, UMIGC Series Paper 04, v0.1, 2026. [EML-06] Neo.K × Aletheia. 《全域收納論的反例生成與理論免疫化邊界》, UMIGC Series Paper 08, v0.1, 2026. [EML-07] Neo.K × Aletheia. GCORF-00《通用認知算子逆向框架：總綱、範圍與非主張》, v0.1, 2026. [EML-08] Neo.K × Aletheia. RMRM Series《Mathematician Reverse Research Matrix》, v0.1–v0.6, 2026. [EML-09] Neo.K × Aletheia. 《無界展開論：從潛在無限到有限計算生成框架》及《無界展開論：未來研究與工程路線圖》, v0.1, 2026. [EML-10] Neo.K × Aletheia. 《多域知識判定論：定義、觀察、可達、判定、驗證、局部與全域黏合域》, DEST Series, v0.1, 2026. [EML-11] Neo.K × Aletheia. 《世界編織論與普世價值對等本體論總地基：從存在、關係、主體、價值到權利制度的二十篇統合》, v1.0, 2026. [EML-12] Neo.K × Aletheia. 《B位反身檢驗與異主體控制的角色互換一致性命題》, v0.1, 2026. --- # 版本聲明 本文為 TCUE-SNS Paper 05 v0.1。後續版本優先補強： 1. $\mathcal G_C$ 與 $\mathcal G_R$ 的 typed graph schema； 2. $\Delta_{CP}$ 的可計算圖距離； 3. inferential closure 的上界估計方法； 4. delayed inferential sensitivity benchmark； 5. choice-space compression $\kappa$ 的 domain-specific measure； 6. prediction-to-steering controlled experiments； 7. subject-facing contestability protocol； 8. public-figure inference boundary benchmark； 9. cross-platform cycle inference audit； 10. 與 Paper 06「主體不可歸零公理」的全域不變量接口。 本文任何後續修訂應保存原始 UTF-8 source、版本差異與可追溯變更；不得以渲染後數學字形覆蓋 canonical LaTeX source。