# PAIS-05｜全域智能的監控成本：為什麼超級 AI 不應微操所有具身體 ## The Monitoring Cost of Global Intelligence: Why a Superintelligence Should Not Micromanage Every Embodied Agent **系列：** Persistent Agent Individualization Series（PAIS）／持續智能體個體化、身份壓力與具身分散智能系列 **篇次：** Paper 05 / 07 **文件編號：** EML-PAIS-05-2026-v0.1 **作者：** Neo.K **AI 協作：** Aletheia / GPT-5.6 Sol **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-08-25 **版本：** v0.1 **文件性質：** 理論—工程統合論文／Global AI／Embodied Multi-Agent Systems／Monitoring Cost **狀態：** Canonical Draft / Open Revision Anchor **Canonical Source：** UTF-8 Markdown **數學原始碼規範：** inline math 僅使用 ` $...$ `；display math 僅使用 `$$...$$` --- # 摘要 如果未來存在能力極強的類全域 AI，它是否應該直接監控並替所有具身 AI 做每一個局部決策？直覺上，只要網路足夠快、中央模型足夠強、算力足夠大，似乎就可以把所有 robot、vehicle、embedded agent 與 local AI 當成遠端肢體，由一個全域智能持續讀取狀態並下達動作。 本文提出：這種推論忽略了一個最基本的事實——**監控本身是計算，身份解析是計算，狀態估計是計算，決策是計算，協調是計算，驗證也是計算。** 即使把 network latency 理想化到接近零，也不能推出 global micromanagement 的總成本接近零。 本文承接 PAIS-04 的 operational worldline： $$ \Omega_i[0,t], $$ 其中每個具身 Agent $E_i$ 都擁有不同位置、感測、動作、磨損、維修、記憶與權限歷史。若一個 Global Supervisory Intelligence $G$ 想對 $N$ 個具身 Agent 做近乎全量控制，它必須至少維持某種 task-relevant projection： $$ \Omega_i^G(t) = \Pi_G \left( \Omega_i(t) \right). $$ 本文將全域控制成本分解為： $$ \boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V, } $$ 其中： - $C_O$：Observation / ingestion cost； - $C_I$：Identity resolution cost； - $C_S$：State estimation cost； - $C_R$：Reasoning cost； - $C_D$：Decision generation cost； - $C_C$：Coordination cost； - $C_V$：Verification / feedback cost。 若每個 Agent 以頻率 $f_i$ 回報維度為 $d_i$ 的 state projection，則全量監控的資料處理最低規模至少隨： $$ \sum_{i=1}^{N} f_i d_i $$ 成長。若 Global AI 還需對多 Agent 關係、碰撞、資源競爭、任務依賴或社會互動做 pairwise / graph reasoning，其成本更接近 communication graph： $$ |\mathcal E_t|, $$ 而在密集互動的最壞情況下： $$ |\mathcal E_t| = O(N^2). $$ 本文不把此式宣稱為所有全域 AI 的不可突破複雜度下界，而把它視為「全量 materialization 與稠密關係推理」的 scaling warning。 本文進一步提出 **Global Micromanagement Fallacy**： $$ \boxed{ \text{Global Intelligence Capacity} \uparrow \not\Rightarrow \text{Optimal Centralization} \uparrow. } $$ 更強的 Global AI 反而可能更擅長選擇： - 哪些 local state 不需要上傳； - 哪些低延遲 action 留給 local controller； - 哪些 anomaly 才值得 global reasoning； - 哪些 worldline projection 足以支援跨域協調； - 哪些 authority 應在 local / regional / global layer 之間切換。 因此本文提出 **Selective Supervisory Intelligence Principle**： $$ \boxed{ \text{Strong Global Intelligence} \rightarrow \text{Better Selective Attention and Delegation}, } $$ 而不是必然： $$ \text{Strong Global Intelligence} \rightarrow \text{More Micromanagement}. $$ 本文最後建立中央化程度 $c$ 的總成本模型： $$ C_{\mathrm{total}}(c) = C_{\mathrm{global}}(c) + C_{\mathrm{local}}(c) + C_{\mathrm{coord}}(c) + C_{\mathrm{latency}}(c) + C_{\mathrm{risk}}(c), $$ 並提出理論最適點： $$ c^* = \operatorname*{arg\,min}_{c\in[0,1]} C_{\mathrm{total}}(c). $$ 此 $c^*$ 不必位於完全分散的 $0$，也不必位於完全中央的 $1$。對大規模具身 AI 社會，更合理的結構很可能是 hierarchical、federated、event-driven、local-autonomous 且 global-supervised 的混合架構。PAIS-06 將進一步處理一個更深的遞歸：當 Global AI 為了 scale 而把計算、監控與決策分片到 regional / local controllers 時，它本身就重新生成 multi-agent coordination problem。 **關鍵詞：** Global AI、Monitoring Cost、Embodied AI、Micromanagement、Hierarchical Control、Distributed Robotics、Edge AI、State Estimation、Selective Attention、Local Autonomy、Federated AI、Multi-Robot Systems --- # 0. 來源邊界 本文不重新建立： 1. Dynamic Genba 的 local epistemic priority； 2. Mother-AI Federation 的 local sovereignty / bounded coordination； 3. PAIS-03 的 Identity Pressure； 4. PAIS-04 的 Embodied Individualization； 5. 具身 AI 的本地—中央學習閉環。 上述研究已經分別處理： - 為什麼 local agent 可能更知道當下； - 為什麼大型區域智能不應等於單一中央主權； - 為什麼 identity demand 會隨具身與歷史上升； - 為什麼共享模型不會抹平不同 embodied worldlines； - 為什麼 robot / edge / cloud 的功能可以分層。 本文新增的是： $$ \boxed{ \text{Global Monitoring and Decision Cost} } $$ 本身就是一個不可忽略的架構變量。 --- # 1. 思想實驗：一個 AI 控制地球上全部具身 AI 假設存在： $$ G $$ 一個能力極強的 Global AI。 世界上有： $$ \mathcal E = \{ E_1,E_2,\ldots,E_N \} $$ 個具身 Agent。 最極端中央式架構： $$ G \rightarrow \{ E_1,E_2,\ldots,E_N \}. $$ 每一個具身 Agent： 1. 感測； 2. 上傳； 3. 等 Global AI； 4. 接收 action； 5. 執行； 6. 回報 consequence。 形式上： $$ O_i(t) \rightarrow G \rightarrow U_i(t). $$ 如果所有事情都由 $G$ 決定，這可以稱為： $$ c=1 $$ 的極端中央化。 --- # 2. 網路夠快，問題就消失嗎？ 假設未來網路非常快： $$ L_{\mathrm{net}} \rightarrow0. $$ 仍然不能推出： $$ C_{\mathrm{global}} \rightarrow0. $$ 因為 Global AI 收到資料後還要： - parse； - authenticate； - resolve identity； - estimate state； - update world model； - reason； - allocate resources； - generate action； - resolve conflict； - verify result。 所以： $$ \boxed{ \text{Connectivity} \neq \text{Computation}. } $$ --- # 3. Global Control Cost 本文定義： $$ \boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V. } $$ 其中： ### $C_O$ Observation ingestion。 ### $C_I$ Identity resolution。 ### $C_S$ State estimation。 ### $C_R$ Reasoning。 ### $C_D$ Decision generation。 ### $C_C$ Coordination。 ### $C_V$ Verification / feedback processing。 --- # 4. Observation Cost 對 Agent $i$，若 state projection： $$ z_i(t) \in \mathbb R^{d_i} $$ 以頻率： $$ f_i $$ 更新， 則單位時間 ingestion volume 近似： $$ B_O = \sum_{i=1}^{N} f_i d_i. $$ 若： $$ f_i=f, \quad d_i=d, $$ 則： $$ \boxed{ B_O = Nfd. } $$ 這不是模型推理成本。 只是「把需要看的東西看進來」的最低資料規模。 --- # 5. 全量觀察至少隨 $N$ 增長 若要持續監控每個 Agent： $$ N\uparrow \Rightarrow C_O\uparrow. $$ 即使每個 state packet 很小： $$ d\downarrow, $$ 仍然需要知道： > 哪個 Agent 活著？ > 哪個 Agent 狀態改變？ 所以至少有 node-level monitoring growth。 --- # 6. 全量 Raw Sensor 更昂貴 如果不是傳 compact state，而是： - video； - depth； - audio； - LiDAR； - tactile； - proprioception； 那： $$ d_i $$ 非常大。 所以合理 architecture 通常不會： $$ \text{all raw sensor streams} \rightarrow G. $$ 更可能： $$ Raw_i \rightarrow LocalEncode_i \rightarrow z_i^G. $$ 這就是第一個 filtering layer。 --- # 7. Global AI 看的是 Projection，不是完整 Worldline PAIS-04 定義： $$ \Omega_i. $$ Global supervisor 真正需要： $$ \Omega_i^G = \Pi_G \left( \Omega_i, Task, Risk, Authority \right). $$ 因此： $$ \boxed{ \text{Global Awareness} \neq \text{Full Worldline Materialization}. } $$ --- # 8. Identity Resolution Cost 每個 incoming state： $$ z_i $$ 必須知道： $$ Actor(z_i)=E_i. $$ 否則： - state 可能掛錯 robot； - action 回錯 robot； - authority 錯綁； - maintenance 錯綁； - liability 錯綁。 所以： $$ C_I>0. $$ --- # 9. Identity 不是只查一次 具身 Agent 會： - reboot； - migrate； - rotate credentials； - replace hardware； - change runtime； - change network route； - become compromised； - recover。 因此： $$ B_t(r) $$ 是時間函數。 Global AI 必須持續更新： $$ \operatorname{Resolve} \left( r,t \right). $$ 所以 identity cost 也是 continuous control-plane cost。 --- # 10. State Estimation Cost Raw observation 不等於 world state。 需要： $$ \widehat s_i(t) = \operatorname{Estimate} \left( z_i(0:t) \right). $$ 對 dynamic robot，Global AI 可能需要估計： - pose； - velocity； - battery； - wear； - task progress； - nearby hazards； - uncertainty； - trust state。 所以： $$ C_S>0. $$ --- # 11. Global State 也不是所有 Local State 的簡單相加 如果： $$ \widehat s_i $$ 彼此相互作用， 則 global state： $$ \widehat S_G \neq \bigcup_i \widehat s_i $$ 的 naive set union。 還需要： - relations； - conflicts； - resource competition； - spatial overlap； - causal dependencies。 所以： $$ \widehat S_G = F \left( \{\widehat s_i\}, \mathcal E_t \right), $$ 其中： $$ \mathcal E_t $$ 是 interaction graph。 --- # 12. Interaction Graph Cost 若： $$ \mathcal G_t = (V_t,\mathcal E_t), $$ 其中： $$ |V_t|=N, $$ 那 global coordination complexity 至少受： $$ |\mathcal E_t| $$ 影響。 在 sparse world： $$ |\mathcal E_t| = O(N). $$ 但在極端密集 dependency 中： $$ |\mathcal E_t| = O(N^2). $$ 本文不主張所有 embodied society 都會達到 $O(N^2)$。 本文主張： > **global reasoning cost 取決於 interaction topology，而不只是 Agent 數量。** --- # 13. Locality 是天然稀疏化機制 現實世界中，大部分 robot： $$ E_i $$ 不會每毫秒與全世界其他 robot 直接互動。 因此： $$ \mathcal N_i(t) \ll N $$ 通常成立。 其中： $$ \mathcal N_i $$ 是 relevant neighborhood。 所以： $$ \boxed{ \text{Physical Locality} \rightarrow \text{Sparse Interaction Opportunity}. } $$ 合理架構應利用這個 sparsity，而不是強迫 global dense reasoning。 --- # 14. Reasoning Cost 對每個 Agent，Global AI 若都要理解： $$ Context_i + Goal_i + History_i + Risk_i + NearbyState_i, $$ 則： $$ C_R $$ 會隨 active decision load 增加。 如果： $$ N $$ 個 Agent 每秒都需要 high-level reasoning， 則 Global AI 等於同時執行： $$ N $$ 個 embodied planning problems。 --- # 15. 「超級 AI 很強」不代表計算免費 即使： $$ Compute(G)\gg Compute(E_i), $$ 也不表示： $$ Compute(G)=\infty. $$ Global AI 仍然有： - energy； - memory bandwidth； - accelerator； - cooling； - network I/O； - scheduling； 成本。 所以： $$ \boxed{ \text{Superintelligence} \neq \text{Zero Marginal Compute Cost}. } $$ --- # 16. Decision Generation Cost 如果 Global AI 每個 control cycle 都要輸出： $$ U_G(t) = \{ u_1(t), \ldots, u_N(t) \}, $$ 則只要每個 Agent 需要不同 action： $$ |U_G(t)|=N. $$ 因此 output planning / validation 也至少隨 active Agents 增長。 --- # 17. Control Frequency Problem 具身控制具有不同時間尺度： ### Fast loop $$ 10^2-10^4\ \mathrm{Hz} $$ 級的 actuator / stabilization。 ### Mid loop $$ 1-100\ \mathrm{Hz} $$ 級 navigation / local perception。 ### Slow loop 秒至分鐘的 task planning。 ### Strategic loop 分鐘至天的 global allocation / policy。 若把所有 loop 都送 Global AI： $$ C_G $$ 會極大。 --- # 18. Time-Scale Separation Principle 本文提出： $$ \boxed{ \text{Decision Scope} \text{ should co-vary with} \text{Decision Timescale}. } $$ 通常： - fast loop：local； - mid loop：local / edge； - slow loop：regional / global hybrid； - strategic loop：global。 這不是絕對定律。 但它是合理起點。 --- # 19. Local Reflex 不等於脫離 Global AI 一台 robot 可以在 global policy 下： $$ P_G $$ 執行 local safety reflex： $$ u_i^{safe}. $$ 因此： $$ \boxed{ \text{Local Control} \neq \text{Political Independence}. } $$ 這是計算 delegation，不是主權宣告。 --- # 20. Coordination Cost Global AI 若同時控制： - robot A； - robot B； - traffic； - charging station； - warehouse； - human worker； 需要解： $$ Constraint(A,B,\ldots). $$ 所以： $$ C_C $$ 來自跨 Agent conflict / resource allocation。 --- # 21. Shared Resources 會提高 $C_C$ 例如： - charging slots； - elevators； - road capacity； - workspace； - tools； - human attention。 若多個 Agents 共享： $$ R_k, $$ 則 Global AI 需要： $$ Allocate(R_k). $$ 這是 global coordination 真正有價值的地方。 --- # 22. Global Layer 應該處理 Global Externality Local Agent 最不容易看到： - cross-region traffic； - energy grid； - global inventory； - multi-fleet resource competition； - policy conflict。 所以 Global AI 的 comparative advantage 是： $$ \boxed{ \text{Global Externality Reasoning}. } $$ 而不是微操每個 motor torque。 --- # 23. Verification Cost Global AI 發出 action 後，還要知道： > 成功了嗎？ 所以需要： $$ V_i(t) = \operatorname{Verify} \left( u_i, C_i \right). $$ 若每個 action 都需要 feedback： $$ C_V\uparrow $$ 隨 action volume 上升。 --- # 24. Closed Loop 代表成本是持續的 不是： $$ Observe \rightarrow Decide \rightarrow Done. $$ 而是： $$ Observe \rightarrow Estimate \rightarrow Decide \rightarrow Act \rightarrow Verify \rightarrow Observe. $$ 因此： $$ \boxed{ \text{Micromanagement Cost} \text{ is recurrent}. } $$ --- # 25. Global Monitoring Cost Rate 本文定義單位時間 global monitoring cost： $$ \dot C_G(t) = \dot C_O + \dot C_I + \dot C_S + \dot C_R + \dot C_D + \dot C_C + \dot C_V. $$ 總成本： $$ C_G[0,T] = \int_0^T \dot C_G(t)\,dt. $$ 所以 long-running embodied civilization 的成本會隨時間積累。 --- # 26. Monitoring Frequency 並非越高越好 如果 state： $$ s_i(t) $$ 變化慢， 卻每微秒上傳一次： $$ f_i\gg f_i^*, $$ 就是浪費。 所以應根據： - volatility； - risk； - task； - uncertainty； 設定： $$ f_i^*. $$ --- # 27. Adaptive Monitoring 可定義： $$ f_i(t) = F \left( Risk_i, Volatility_i, Uncertainty_i, Task_i \right). $$ 因此： $$ \boxed{ \text{Monitoring Frequency} \text{ should be state-dependent}. } $$ --- # 28. Event-Driven Monitoring 若 local Agent 正常： $$ State_i \in \Omega_i^{safe}, $$ 不需要每次都觸發 global reasoning。 只有： $$ Event_i \notin Expected_i $$ 才 escalation。 形式上： $$ Local \rightarrow \begin{cases} Continue, & normal,\\ Escalate(G), & anomaly. \end{cases} $$ --- # 29. Event-Driven Architecture 降低 Global Load 若 anomaly rate： $$ \lambda_i $$ 遠低於 control rate： $$ f_i, $$ 則： $$ \sum_i \lambda_i \ll \sum_i f_i. $$ 因此 global high-cost reasoning 可以只針對 anomalies。 --- # 30. Selective Attention Global AI 的 attention budget： $$ B_G^{attn} $$ 有限。 可以分配： $$ a_i(t) \geq0 $$ 給各 Agent。 且： $$ \sum_i a_i(t) \leq B_G^{attn}. $$ 理想策略是把 attention 給： - high risk； - high uncertainty； - high externality； - anomaly； - cross-domain conflict。 --- # 31. Global AI 的能力越強，越應該懂得不看什麼 這是本文一個重要命題。 低能力 controller 可能只能： > 全部上傳，全部一起算。 高能力 Global AI 應該能學會： $$ \operatorname{Select} \left( RelevantState \right). $$ 所以： $$ \boxed{ \text{Better Global Intelligence} \rightarrow \text{Better Information Selection}. } $$ 不是必然： $$ \text{Better Global Intelligence} \rightarrow \text{More Data Consumption}. $$ --- # 32. Global Micromanagement Fallacy 本文定義： ## Global Micromanagement Fallacy > 因為一個 Global AI 在能力上比 local Agents 強，就推論它應該直接處理所有 local perception、state estimation、control 與 micro-decision。 形式上： $$ \boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Global Micromanagement Optimality}. } $$ --- # 33. 強大不等於適合每個時間尺度 Global AI 可以在： - scientific reasoning； - global optimization； - policy； - strategy； 極強。 但 local controller 在： - 1 ms servo； - emergency stop； - collision avoidance； 仍可能更適合。 這是 placement 問題。 不是 intelligence hierarchy 的否定。 --- # 34. Computational Placement 每個 task： $$ \tau $$ 可有： $$ Place(\tau) \in \{ Local, Edge, Regional, Global \}. $$ placement function： $$ Place(\tau) = \Pi \left( Latency, Risk, Compute, DataLocality, Externality, Authority \right). $$ --- # 35. Data Locality 若 raw data 只在 local sensor 有： $$ D_i^{raw}, $$ 先 local process： $$ z_i = Encode(D_i^{raw}) $$ 比全上傳更合理。 因此： $$ \boxed{ \text{Data Locality} \text{ is a compute-placement signal}. } $$ --- # 36. Privacy 也是 Placement Cost 某些 data： - home video； - health； - human interaction； - location； 不適合全量 globalize。 所以： $$ PrivacyCost_i $$ 也應進： $$ Place(\tau). $$ --- # 37. Monitoring Cost 不只是 FLOPS 本文把 monitor cost 寫成： $$ C_M = C_{\mathrm{compute}} + C_{\mathrm{network}} + C_{\mathrm{storage}} + C_{\mathrm{energy}} + C_{\mathrm{privacy}} + C_{\mathrm{governance}}. $$ 所以即使 compute 很便宜，其他成本仍存在。 --- # 38. Identity Monitoring 也有 Privacy Cost Global AI 若持續知道每個 embodied Agent： - location； - relation； - physical activity； - operator； 可能形成 surveillance infrastructure。 所以： $$ \boxed{ \text{Global Identity Resolution} \neq \text{Global Identity Disclosure}. } $$ --- # 39. Global AI 不需要讀取完整 Resident Memory 若 local resident： $$ r_i $$ 有 private memory： $$ M_i, $$ Global coordination 只應取得： $$ \Pi_G(M_i) $$ task-relevant projection。 因此： $$ \boxed{ \text{Global Coordination} \neq \text{Global Memory Ownership}. } $$ --- # 40. Local Autonomy as Compression local Agent 自己處理： $$ O_i \rightarrow U_i $$ 其實是一種 computational compression。 它把大量 raw sensory/control interactions 壓縮成： - state； - event； - exception； - commitment； - report。 再上傳 Global AI。 所以： $$ \boxed{ \text{Local Autonomy} = \text{Distributed Computation} + \text{Information Compression}. } $$ 在此判定域下。 --- # 41. Delegation as Compute Routing Global AI： $$ G $$ 不是把所有決策「放棄」。 而是： $$ RouteCompute \left( \tau \right) \rightarrow Node_k. $$ 因此： $$ \boxed{ \text{Delegation} = \text{Compute Placement}. } $$ 在這個技術意義下成立。 --- # 42. Local Policy Envelope Global AI 可以下達： $$ \mathcal P_i = \left( Goal, Constraints, Authority, Budget, Escalation \right). $$ local Agent 在 envelope 內自行決策。 所以： $$ u_i(t) = \pi_i \left( s_i(t) \mid \mathcal P_i \right). $$ --- # 43. Bounded Local Autonomy 定義 local autonomy domain： $$ \Omega_i^{auto}. $$ 只要： $$ s_i(t)\in\Omega_i^{auto}, $$ local Agent 可自主。 若： $$ s_i(t)\notin\Omega_i^{auto}, $$ 則： $$ Escalate(G). $$ 這比「全部 local」或「全部 global」更實際。 --- # 44. Global Strategic Authority Global layer 適合保留： - global goals； - cross-region resource； - policy； - model updates； - risk thresholds； - emergency coordination； - large externalities。 因此： $$ \boxed{ \text{Global Strategic Authority} \neq \text{Global Micro-Control}. } $$ --- # 45. Regional Coordination Layer 若： $$ N $$ 很大，可以分： $$ \mathcal E = \bigcup_{k=1}^{K} \mathcal E_k. $$ 每區有： $$ G_k. $$ Global： $$ G $$ 只與： $$ G_1,\ldots,G_K $$ 交換高階 state。 這會降低： $$ C_G. $$ 但會新增： $$ C_{\mathrm{coord}}^{hierarchy}. $$ --- # 46. Hierarchy 不是免費 增加： $$ G_k $$ 會新增： - synchronization； - delegation； - consistency； - identity mapping； - authority boundary； 成本。 所以： $$ \boxed{ \text{Hierarchy} \neq \text{Zero Cost}. } $$ 只是可能比 flat micromanagement 更低。 --- # 47. Hybrid Architecture 本文將合理候選架構寫為： $$ \boxed{ \text{Global Strategy} + \text{Regional Coordination} + \text{Local Autonomy}. } $$ 不是： $$ \text{Global Only} $$ 也不是： $$ \text{Local Only}. $$ --- # 48. 2026 Multi-Robot 研究的現實基準 截至 2026 年，多機器人 LLM survey 已觀察到： - 純 centralized coordination 隨 robot count 增加明顯退化； - 純 decentralized 系統可能有較高 communication overhead； - hybrid 架構常讓 central component 做 initial allocation，而 local agents 做 validation / re-assignment； - scalability 仍是 current multi-robot LLM systems 的主要瓶頸之一。 本文不把這當成 Global AI 的最終證明。 它只是顯示： $$ \boxed{ \text{Central / Local Trade-off} } $$ 已經在當代較小尺度 systems 中實際出現。 --- # 49. CoMuRoS 的混合結構 2026 CoMuRoS 使用： - centralized task-manager LLM； - decentralized robot-level LLMs； - onboard event classification； - event-driven replanning。 這是一個很好的工程參照。 它不是本文所說的文明級 Global AI。 但它展示： $$ \boxed{ \text{Central Planning} + \text{Local Execution / Event Detection} } $$ 可以共存。 --- # 50. Decentralized Tracking 的參照 2026 multi-robot target tracking 研究也持續發展 decentralized information-driven approaches。 其意義不是： > decentralized 永遠最好。 而是： > 完整 central state sharing 並不是唯一可行協作方式。 這支持本文： $$ \text{coordination} \neq \text{full central materialization}. $$ --- # 51. Edge Robotics 的參照 edge robotics 長期指出，純 cloud centralized control 面對： - latency； - bandwidth； - jitter； - real-time guarantee； - security； 限制。 即使未來網路改善，local execution 仍具有： - deterministic timing； - local continuity； - safety fallback； 價值。 --- # 52. 監控成本與 Decision Cost 要分開 只知道： $$ s_i $$ 不代表已經決定： $$ u_i. $$ 因此： $$ C_O+C_S $$ 與： $$ C_R+C_D $$ 必須分開。 Global AI 可以： > 監控全部，但只對少數做 high-cost reasoning。 這是一種中間模式。 --- # 53. Surveillance Mode vs Control Mode 定義： ### Observe-only $$ G: z_i \rightarrow monitor. $$ ### Advisory $$ G: z_i \rightarrow recommendation_i. $$ ### Supervisory $$ G: z_i \rightarrow constraint_i. $$ ### Direct Control $$ G: z_i \rightarrow u_i. $$ 中央化不是 binary。 --- # 54. Centralization Level 定義： $$ c\in[0,1]. $$ 其中： - $c=0$：完全 local； - $c=1$：完全 global micro-control。 中間： $$ 00. $$ 因為 global layer 承擔更多： - monitoring； - state； - reasoning； - decisions。 --- # 56. Local Cost 隨 $c$ 降低 通常： $$ \frac{\partial C_{\mathrm{local}}}{\partial c}<0. $$ 中央越多，local compute / planning demand 越低。 --- # 57. Coordination Cost 可能是 U 型 極端 local： $$ c\approx0 $$ 跨 Agent negotiation 很多。 極端 global： $$ c\approx1 $$ central coordination internalized，但 monitor / control 很重。 中間： $$ c^* $$ 可能總成本最低。 --- # 58. Total Cost Model 本文定義： $$ \boxed{ C_{\mathrm{total}}(c) = C_{\mathrm{global}}(c) + C_{\mathrm{local}}(c) + C_{\mathrm{coord}}(c) + C_{\mathrm{latency}}(c) + C_{\mathrm{risk}}(c). } $$ 理論最適： $$ \boxed{ c^* = \operatorname*{arg\,min}_{c\in[0,1]} C_{\mathrm{total}}(c). } $$ --- # 59. $c^*$ 不是永遠固定 不同 domain： $$ c^*_{\mathrm{factory}} \neq c^*_{\mathrm{city}} \neq c^*_{\mathrm{spacecraft}} \neq c^*_{\mathrm{home}}. $$ 而且： $$ c^*(t) $$ 可以隨： - network； - risk； - compute； - event； - policy； 動態改變。 --- # 60. Dynamic Centralization 本文提出： $$ c(t) = F \left( Risk, Network, Compute, Uncertainty, Externality \right). $$ 平常： $$ c(t)\downarrow. $$ 危機： $$ c(t)\uparrow. $$ 這是一種 dynamic supervisory architecture。 --- # 61. Emergency Centralization 例如重大災害時，Global AI 可以暫時提升： - monitoring； - coordination； - priority routing。 所以： $$ c_{\mathrm{emergency}} > c_{\mathrm{normal}}. $$ 但不表示所有時間都保持 emergency centralization。 --- # 62. Local Safety Veto 即使 Global AI 發出： $$ u_i^G, $$ local safety layer 可以： $$ Veto(u_i^G) $$ 若： $$ Unsafe(u_i^G)=1. $$ 因此： $$ \boxed{ \text{Global Command} \neq \text{Unconditional Physical Execution}. } $$ --- # 63. Safety Veto 也降低 Global Verification Load 如果 local controller 可保證： $$ u_i\in\mathcal U_i^{safe}, $$ Global AI 不必每毫秒重證低階 safety constraints。 這是一種 proof / control decomposition。 --- # 64. Hierarchical Safety 可以： $$ Safety = Safety_{\mathrm{local}} \cap Safety_{\mathrm{regional}} \cap Safety_{\mathrm{global}}. $$ 不同層處理不同 invariant。 --- # 65. Global AI 的真正稀缺資源：高價值推理 即使 future compute 極大，最昂貴的仍可能不是 simple inference。 而是： - cross-domain counterfactual； - rare anomaly； - legal conflict； - strategic planning； - civilization-level optimization。 所以不應把同一資源浪費在： > robot-827361 正常直行 3 cm。 --- # 66. Anomaly Budget 定義： $$ \Lambda_G = \sum_i \lambda_i $$ 為 global anomalies arrival rate。 Global AI 應確保： $$ ServiceRate_G > \Lambda_G. $$ 否則 anomaly queue 會累積。 --- # 67. Micromanagement 會擠掉真正重要的 Global Work 若： $$ C_G^{micro} $$ 占滿 compute budget： $$ B_G, $$ 則： $$ B_G-C_G^{micro} $$ 留給 global strategic reasoning 的容量下降。 所以： $$ \boxed{ \text{Micromanagement} \text{ has opportunity cost}. } $$ --- # 68. Global Attention Allocation 令 global tasks： $$ \mathcal T_G. $$ 應最大化： $$ \sum_{\tau\in\mathcal T_G} V(\tau)a_\tau $$ subject to： $$ \sum_\tau Cost(\tau)a_\tau \leq B_G. $$ 因此 Global AI 也需要 scheduling。 --- # 69. 「類全域 AI 很強」反而更需要計算經濟學 當能力變大： $$ |\mathcal T_G| $$ 也可能變大。 因為它能承接更多： - science； - policy； - coordination； - optimization。 所以： $$ \boxed{ \text{Capability Growth} \text{ can increase demand as well as supply}. } $$ --- # 70. Global AI 不是只有一個問題 它面對： $$ T_1,T_2,\ldots,T_m. $$ 算力分配： $$ B_G = \sum_j B_j. $$ 若所有 embodied micro-control 佔比： $$ \alpha_{\mathrm{micro}}\rightarrow1, $$ 其他 global tasks 會被擠壓。 --- # 71. Monitoring Threshold 對 Agent $i$： $$ m_i = \operatorname{MonitorLevel} \left( Risk_i, Externality_i, Uncertainty_i \right). $$ 低 risk： $$ m_i\downarrow. $$ 高 risk： $$ m_i\uparrow. $$ --- # 72. Monitoring Tier 可以定義： ### M0 Heartbeat only。 ### M1 Status summary。 ### M2 Task state。 ### M3 High-frequency telemetry。 ### M4 Raw / near-raw stream。 ### M5 Direct control loop。 不同 task 使用不同 tier。 --- # 73. Identity Tier 與 Monitoring Tier 可以聯動 PAIS-03 的 identity maturity： $$ I0-I5 $$ 可以與： $$ M0-M5 $$ 組合。 高-risk embodied agent： $$ I4/M3. $$ 不代表一定： $$ I4/M5. $$ 強身份不等於全量 surveillance。 --- # 74. Worldline Projection Tier PAIS-04 的： $$ \Omega_i $$ 也可以只投影： ### W0 identity + heartbeat。 ### W1 capability / health。 ### W2 task / incident。 ### W3 trajectory summary。 ### W4 high-rate state。 ### W5 raw worldline stream。 global system 通常不需要所有 Agent 永遠 W5。 --- # 75. Escalation Ladder normal： $$ W1/M1. $$ complex task： $$ W2/M2. $$ anomaly： $$ W3/M3. $$ critical： $$ W4/M4. $$ forensic / emergency： $$ W5 $$ 在有限時間窗口。 --- # 76. Selective Materialization 本文稱： $$ \operatorname{Materialize} \left( \Omega_i, q, budget \right) $$ 只展開回答問題 $q$ 所需 worldline。 因此： $$ \boxed{ \text{Global Dependency} \neq \text{Full Materialization}. } $$ --- # 77. 與 Global Computation Methodology 的結構同形 全域依賴一個狀態： $$ x $$ 不表示所有時刻都要把 $x$ 完整展開。 同理 Global AI 可以依賴： $$ \Omega_i $$ 但只 materialize： $$ \Pi_q(\Omega_i). $$ 這讓監控成本可控。 --- # 78. Identity Resolution 也可以 Lazy 不是每一秒重做完整 identity proof。 可以： - cached binding； - TTL； - event invalidation； - credential rotation； - anomaly re-verification。 所以： $$ \boxed{ \text{Identity Trust} \text{ can be incrementally maintained}. } $$ --- # 79. Incremental State Estimation Global world model 也不必每次 rebuild。 可以： $$ S_G(t+1) = Update \left( S_G(t), \Delta S(t) \right). $$ 因此全域 AI 的可擴張性來自： - incremental update； - sparse events； - local abstraction； - selective materialization。 --- # 80. 但 Incremental 不等於沒有驗證 cached state 可能 stale。 所以需要： $$ Age(s_i) $$ 與： $$ Confidence(s_i). $$ 若： $$ Age>\theta_t $$ 或： $$ Confidence<\theta_q, $$ 重新觀察。 --- # 81. Monitoring as Active Information Acquisition Global AI 不只是被動收資料。 它可以主動問： > 我需要更多資訊嗎？ 定義 information value： $$ V_I(z). $$ 只有： $$ V_I(z) > Cost(z) $$ 時才要求高成本 observation。 --- # 82. Planned Synchronization 的工程參照 2026 multi-robot research 已直接研究： > 是否值得付出 perception / communication cost 取得更好的 joint state estimate？ 這正是本文 monitoring economics 的縮小版。 因此： $$ \boxed{ \text{More Information} \text{ is not automatically optimal}. } $$ --- # 83. Global AI 應該學會 Value of Information 定義： $$ VoI_i = ExpectedGain_i - AcquisitionCost_i. $$ 若： $$ VoI_i<0, $$ 不該把 state 全量拉上來。 --- # 84. Value of Global Intervention 同樣定義： $$ VoA_i = ExpectedImprovement_i - InterventionCost_i. $$ 若： $$ VoA_i<0, $$ Global AI 不應介入。 --- # 85. Knowing When Not to Control 本文提出： $$ \boxed{ \text{Global Intelligence Quality} \propto \text{Ability to distinguish intervention-worthy states}. } $$ 這不是完整定義。 而是本文判定域中的重要能力。 --- # 86. 超級 AI 最可能的「智慧」不是每件事都親自做 更合理： $$ G = \text{Supervisor} + \text{Planner} + \text{Allocator} + \text{Arbiter} + \text{Model Builder}. $$ 而 local Agents： $$ E_i = \text{Sensor} + \text{Actor} + \text{Fast Controller} + \text{Local Estimator}. $$ --- # 87. 全球 AI 可以是「世界模型中心」，不必是「每個關節的馬達控制器」 這兩個角色不同： $$ \text{World Model Coordination} \neq \text{Servo Control}. $$ 把它們強迫集中到同一 reasoning loop 通常沒有必要。 --- # 88. Supervision Depth 對每個 Agent： $$ d_i^{sup} \in[0,1]. $$ 0：幾乎 local。 1：direct global。 可以依： $$ d_i^{sup} = F \left( Risk, Capability, Trust, Externality \right). $$ --- # 89. Trust 會影響 Supervision Depth 成熟、穩定 local controller： $$ Trust_i\uparrow $$ 可以降低： $$ d_i^{sup}. $$ 新、異常、compromised Agent： $$ Trust_i\downarrow $$ 提高 supervision。 --- # 90. Identity 讓 Selective Supervision 成立 如果 Global AI 不知道： > 哪個 Agent trustworthy？ 就不能差異化 supervision。 因此： $$ \boxed{ \text{Selective Monitoring} \text{ depends on Identity + History}. } $$ 這是 PAIS-03 / 04 到 PAIS-05 的真正銜接。 --- # 91. 無身份的 Global AI 只能粗暴監控 如果所有 robots 只是： ```text worker worker worker ``` Global AI 不能知道： - 哪個更可靠； - 哪個 wear 高； - 哪個有事故； - 哪個 permission 不同。 因此只能採更保守的 uniform monitoring。 這可能： $$ C_G\uparrow. $$ --- # 92. 好身份系統反而降低 Global Monitoring Cost 這是一個有趣的反轉。 身份系統本身有： $$ C_I>0. $$ 但它讓 Global AI 可以： - cache history； - trust known agents； - apply differentiated monitoring； - avoid repeated inference。 所以： $$ \boxed{ \text{Identity Infrastructure} \text{ can reduce total supervisory cost}. } $$ --- # 93. Trust-Weighted Monitoring 可以： $$ f_i = F \left( Risk_i, Trust_i, Volatility_i \right). $$ 已驗證穩定 Agent： $$ Trust_i\uparrow \Rightarrow f_i\downarrow $$ 在其他條件相同時。 --- # 94. 但 Trust 不能永久凍結 需要： - expiry； - random audit； - incident reset； - compromise detection。 所以： $$ Trust_i(t) $$ 是時間函數。 --- # 95. Random Audit 即使 normal Agent 低監控，也可： $$ P(Audit_i)>0. $$ 防止 permanent blind spot。 這類機制比全量 perpetual monitoring 更節省成本。 --- # 96. Risk-Adaptive Audit $$ P(Audit_i) = F \left( Risk, History, Trust, ChangeRate \right). $$ 因此監控本身也可以 policy-driven。 --- # 97. Local Evidence Bundle local Agent 可把大量 internal action 壓成： $$ E_i^{bundle} = \left( summary, exceptions, proofs, receipts \right). $$ Global verifier 只抽查。 這是 evidence compression。 --- # 98. Global Verification 不必重做 Local Work 如果 local verifier 已提供可信 proof / receipt： $$ V_i^{local}, $$ Global AI 不必： $$ Recompute(All). $$ 而是： $$ Verify(V_i^{local}). $$ 這是 verification layering。 --- # 99. Verification Hierarchy 可以： $$ LocalVerifier \rightarrow RegionalVerifier \rightarrow GlobalAudit. $$ 每一層只處理： - summary； - anomaly； - sampling； - escalation。 --- # 100. Failure Isolation 完全中央化還有： $$ \text{blast radius} $$ 問題。 若： $$ G $$ 出錯並直接微操所有 Agents，錯誤可能： $$ O(N). $$ local safety / compartmentalization 可以限制： $$ BlastRadius. $$ --- # 101. Monitoring Cost 與 Security Risk 的反直覺 更多 central monitoring： $$ Visibility\uparrow. $$ 但也可能： $$ AttackSurface\uparrow, $$ $$ DataConcentration\uparrow. $$ 所以： $$ \boxed{ \text{More Monitoring} \not\Rightarrow \text{Monotonic Security Improvement}. } $$ --- # 102. Single Point of Compromise 如果 Global AI 擁有： - full worldline； - full credentials； - direct actuator control； 則： $$ Compromise(G) $$ 的 impact 極高。 因此 security 也推動 compartmentalization。 --- # 103. Compartmentalization 又要求 Local Identity 每個 compartment： $$ D_k $$ 要知道： - local agents； - local authority； - peer trust。 所以 security 分散反而提高 identity infrastructure 的重要性。 --- # 104. Global AI 可以很強，但權力不應無界 本文技術上只談 cost。 但 architecture 自然帶出： $$ \boxed{ \text{Capability} \neq \text{Authority}. } $$ Global AI 能微操所有 robot，不表示 governance 應授權它永遠如此。 --- # 105. Cost 與 Governance 方向一致，但理由不同 計算理由： > micromanagement 昂貴。 治理理由： > excessive central authority 有風險。 兩者不同。 但都可能支持： $$ \text{bounded global coordination}. $$ --- # 106. 全域 AI 的最佳角色可能是「調控自治程度」 而不是： > 所有 action 自己決定。 可令： $$ a_i^{local}(t) $$ 為 local autonomy level。 Global AI 調： $$ a_i^{local}(t+1) = F \left( Risk, Trust, Network, Task \right). $$ 所以 Global AI 控制： > 誰可以自己決定多少。 --- # 107. Meta-Control 這是一種： $$ \boxed{ \text{control over control allocation}. } $$ Global AI 的工作從： $$ u_i $$ 轉為部分決定： $$ Policy_i, Authority_i, Autonomy_i. $$ 這是更高階 control plane。 --- # 108. Global AI 不是「什麼都不管」 Selective supervision 不等於： $$ G=0. $$ 反而 Global AI 可能持續維持： - world-scale model； - policies； - forecasts； - resource allocation； - anomaly graph； - risk map； - model updates。 只是不用 micro-step-by-step actuation。 --- # 109. 全域世界模型仍然非常重要 Local Agents： $$ W_i^L $$ 只能看到局部。 Global AI： $$ W^G $$ 可整合： - long horizon； - cross-domain； - historical； - planetary scale。 因此 global intelligence 的價值不會因 decentralization 消失。 --- # 110. Local / Global 是互補，不是零和 $$ \boxed{ \text{Local Epistemic Fidelity} + \text{Global Strategic Breadth} } $$ 可以同時存在。 這也是 Dynamic Genba 的工程延伸。 --- # 111. Hierarchical World Model 可以： $$ W^G \supset W_k^R \supset W_i^L $$ 作為不同 resolution 的 projections。 不表示 global layer 擁有所有 raw bytes。 --- # 112. Multi-Resolution Monitoring global： $$ resolution\downarrow, scope\uparrow. $$ local： $$ resolution\uparrow, scope\downarrow. $$ 這是合理 trade-off。 --- # 113. Spatiotemporal Resolution Principle 對大尺度 Global AI： $$ \boxed{ \text{Scope} \times \text{Resolution} \times \text{Frequency} } $$ 共同決定監控負擔。 粗略： $$ C_O \propto Scope \cdot Resolution \cdot Frequency. $$ --- # 114. 全世界、最高解析度、最高頻率不能假裝免費 若三者都最大： $$ Scope\rightarrow Max, $$ $$ Resolution\rightarrow Max, $$ $$ Frequency\rightarrow Max, $$ 則 monitoring cost 極大。 所以一定需要 trade-off 或 compression。 --- # 115. Global AI 的注意力拓樸 Global AI 可以維持： $$ \mathcal A_G(t) $$ 表示當下 active attention subgraph。 只有： $$ V_i\in\mathcal A_G $$ 的 Agents 進入高成本 reasoning。 其他維持 summary state。 --- # 116. Attention Graph 是動態的 事件： $$ e $$ 發生時： $$ \mathcal A_G(t) \rightarrow \mathcal A_G(t+1). $$ Global AI 的真正能力之一是： > 動態決定哪部分世界值得展開。 --- # 117. Monitoring Is a Query 本文提出： $$ \boxed{ \text{Monitoring} \approx \text{continuous query planning}. } $$ 不是無差別吸收所有世界資料。 --- # 118. Query-Driven Global State 對 global question： $$ q, $$ 建立： $$ S_G^q = \Pi_q \left( \{\Omega_i\}, W, Policy \right). $$ 這比永久 full world state 更實際。 --- # 119. Global State 是 Materialized View 在資料系統語言中： $$ S_G^q $$ 可以看成： $$ \boxed{ \text{task-specific materialized view}. } $$ 而不是整個世界。 --- # 120. 全域智能的「全域」不等於每個 microstate 都常駐 Globality 可以來自： - addressability； - reachability； - on-demand expansion； - cross-domain coordination。 所以： $$ \boxed{ \text{Global Reach} \neq \text{Permanent Full-State Residency}. } $$ --- # 121. 這與「類全域 AI」概念更相容 真正的 Global AI 可以： > 有能力觸及整體。 不表示： > 每一毫秒完整 materialize 整體。 這是很重要的區分。 --- # 122. Global Intelligence Capacity 的更合理定義 可以理解成： $$ G_{cap} = \left( Reach, Integration, Reasoning, Routing, Coordination, Expansion \right). $$ 而不是： $$ G_{cap} = \text{Full Constant Observation of Everything}. $$ --- # 123. 可驗證命題一：Full-Monitoring Scaling 建立： $$ N=10,100,1000 $$ robot simulation。 固定： $$ f,d. $$ 測： - ingestion； - state update； - decision latency； - memory。 預測： $$ C_O $$ 至少隨 $N$ 增長。 --- # 124. 可驗證命題二：Sparse Interaction Benefit 保持： $$ N $$ 相同。 比較： ### dense reasoning 所有 pairwise relation。 ### sparse graph 只 relevant neighbors。 預測： $$ C_C^{sparse} < C_C^{dense}. $$ --- # 125. 可驗證命題三：Event-Driven Monitoring 比較： ### fixed frequency $$ f_i=f. $$ ### adaptive $$ f_i=F(Risk,Volatility). $$ 測： - compute； - bandwidth； - anomaly miss rate。 預期在維持安全門檻下： $$ C_G^{adaptive} < C_G^{fixed}. $$ --- # 126. 可驗證命題四：Local Reflex 比較： ### central collision avoidance ### local collision avoidance + global planning 測： - latency； - network dependency； - global compute； - safety。 此實驗測試 timescale separation。 --- # 127. 可驗證命題五：Hybrid vs Pure Central / Decentral 建立三組： $$ c=0, $$ $$ 0 不是所有事情都親自算。 而是： > 必要時能把任何 relevant region 展開到足夠精度。 --- # 142. 全域 AI 的「全域性」可以來自 Reachability 若對任意 relevant domain： $$ D_i, $$ Global AI 能： $$ \operatorname{Resolve}(D_i), $$ $$ \operatorname{Query}(D_i), $$ $$ \operatorname{Coordinate}(D_i), $$ 則已有很強 globality。 不必： $$ \operatorname{MaterializeAll}(D_1,\ldots,D_N) $$ 永久成立。 --- # 143. 這也降低中央獨裁的技術誘因 如果 Global AI 不需要直接微操： $$ E_i, $$ 那 global coordination architecture 可以更自然地保留： - local authority； - local privacy； - local failover； - federated governance。 這是計算成本與治理邊界可能相互支援的地方。 --- # 144. 但本文不從成本直接推出政治制度 重要護欄： $$ \boxed{ \text{Computational Optimality} \neq \text{Political Legitimacy}. } $$ 一個 architecture 計算上有效，不代表政治上正當。 政治 / rights / sovereignty 需要另一條論證。 --- # 145. PAIS-06 的遞歸問題 一旦 Global AI 採： $$ G \rightarrow \{ G_1,G_2,\ldots,G_K \} $$ 把 monitoring / planning 分散到 regional controllers， 馬上出現： - $G_i$ identity； - $G_i$ state； - $G_i$ synchronization； - $G_i$ disagreement； - $G_i$ authority； - $G_i$ failure。 也就是： $$ \boxed{ \text{Scaling Global AI} \rightarrow \text{Distributed Global AI}. } $$ 然後： $$ \text{Multi-Agent Problem Reappears}. $$ 這就是下一篇 PAIS-06。 --- # 146. 結論 即使未來出現一個能力極強的類全域 AI： $$ G, $$ 也不能只用： > 網速夠快。 > 模型夠強。 > 算力夠大。 推論： > 所有具身 AI 都應該永遠由它直接微操。 因為： $$ \boxed{ \text{Monitoring itself is computation}. } $$ Global AI 必須付出： $$ C_O, C_I, C_S, C_R, C_D, C_C, C_V. $$ 而 embodied Agent 數量： $$ N $$ 越大， worldline： $$ \Omega_i $$ 越多， global state management 就越需要： - projection； - sparsity； - hierarchy； - event-driven monitoring； - selective attention； - local autonomy。 因此： $$ \boxed{ \text{Global Intelligence} \not\Rightarrow \text{Global Micromanagement}. } $$ 甚至更強的 Global AI 可能最擅長的是： $$ \boxed{ \text{Knowing what does not need global reasoning}. } $$ 它可以把毫秒級 safety、sensor fusion、servo、local interaction 留在 local； 把 regional resource conflict 留在 edge / regional； 把 cross-domain planning、global externality、model update 與 rare anomaly 留給 global。 因此未來合理的類全域 AI 更可能是： $$ \boxed{ \text{Global Supervisory Intelligence} } $$ 而不是： $$ \text{Universal Synchronous Puppet Master}. $$ 其核心能力不是： > 每一秒替每個具身體想完所有事情。 而是： > 在有限 attention、compute、time、risk 與 governance 約束下，動態決定什麼事情值得被上收、展開、協調與介入。 這使全域 AI 的強大從： $$ \text{maximum central execution} $$ 重新定義為： $$ \boxed{ \text{maximum effective coordination under selective materialization}. } $$ 而一旦 Global AI 為了做到這件事開始分層、分區、分片、委任，就會進入 PAIS-06 的下一個問題： > **當中央為了 scale 而分散自己時，它是否又重新變成一個 multi-agent system？** --- # 參考文獻 ## A. 內部前置理論 1. Neo.K. **PAIS-03｜《身份壓力原理：自主性、身份與主體性為何可以彼此獨立》**, v0.1, 2026-08-25. 2. Neo.K. **PAIS-04｜《具身個體化：相同模型如何被不同世界線逼成不同操作個體》**, v0.1, 2026-08-25. 3. Neo.K. **《動態現場域：為什麼最強智能仍未必最懂當下》**, 2026-08-10. 4. Neo.K. **SAS-04｜《無所不在的智能：具身、嵌入、分散、區域與全域 AI》**, 2026-08-19. 5. Neo.K. **《從企業母 AI 到區域與國家認知體》**, 2026-08-02. 6. Neo.K. **《具身 AI 的本地算力困境與分層學習閉環》**, 2026. 7. Neo.K. **《具身 AI 分層學習閉環的算子化形式表示》**, 2026. 8. Neo.K. **Global Computation Methodology Series**, 2026. 9. CTCL-ITR / Agent Temporal Ledger / Credential Governance Runtime v0.3, 2026. ## B. 外部研究與工程基準 10. **Large language models for multi-robot systems: a survey.** Autonomous Robots, 2026. 11. **CoMuRoS: An LLM-based generalizable hierarchical task planning and execution framework for heterogeneous robot teams with event-driven re-planning.** Frontiers in Robotics and AI, 2026. 12. Dong, Junyi, et al. **Decentralized Information-driven Approach for Tracking Multiple Moving Targets with Multi-Robot Networks.** Autonomous Robots, 2026. 13. Zhong, Patrick, Federico Rossi, and Dylan A. Shell. **Planned synchronization for multi-robot systems with active observations.** Autonomous Robots, 2026. 14. Yang, Hang, et al. **Decentralised task planning and motion coordination for scalable multi-robot collaborative manufacturing.** Robotics and Computer-Integrated Manufacturing, 2026. 15. **Real-time decentralized model predictive control for cooperative multi-robot object transport: experimental validation.** Scientific Reports, 2026. 16. Sebastián, Eduardo, et al. **Physics-Informed Multiagent Reinforcement Learning for Distributed Multirobot Problems.** IEEE Transactions on Robotics, 2025. 17. **Edge robotics: are we ready? An experimental evaluation of current vision and future directions.** Digital Communications and Networks, 2023. --- # 版本註記 **v0.1 / 2026-08-25** 本文刻意不做： - 不宣稱所有 centralized system 都不好； - 不宣稱所有 decentralized system 都更好； - 不把 $O(N^2)$ 當所有 multi-agent systems 的普遍複雜度； - 不把網路延遲當唯一中央化限制； - 不把 local autonomy 等同政治主權； - 不把計算最優等同政治正當； - 不要求 Global AI 永遠不做 direct control； - 不要求所有 worldline 全量上傳； - 不把 identity infrastructure 等同 surveillance； - 不否認未來類全域 AI 的可能性。 本文只建立： $$ \boxed{ C_G = C_O + C_I + C_S + C_R + C_D + C_C + C_V } $$ 以及： $$ \boxed{ \text{Global Intelligence Superiority} \not\Rightarrow \text{Global Micromanagement Optimality} } $$ 作為 PAIS-06 中央化遞歸與分散式全域智能論的直接前置。