# Machine Insurability Infrastructure：為什麼保險可能比法律更早逼出 AI 責任架構 **英文暫名：** Machine Insurability Infrastructure: Why Insurance May Force AI Accountability Architecture Before Law Does **系列：** 不可逆的制度化智能：具身責任、保險、資本與 AI 經濟主體 **English Series:** *The Institutional Irreversibility of Intelligence: Embodiment, Liability, Insurance, Capital, and AI Economic Subjecthood* **論文序號：** Paper 04 / 08 **版本：** v0.1 **日期：** 2026-09-08 **理論發起：** Neo.K **協作整理：** Aletheia / GPT-5.6 Sol **前置理論：** Paper 00–03；Embodied Execution Graph；Responsibility–Control Divergence；Responsibility Graph；NACR；UFI **文件地位：** Insurance / Underwriting / Physical AI Governance Paper **Canonical Source：** UTF-8 Markdown **Canonical Math Delimiters：** inline ` $...$ `；display `$$...$$` --- ## 研究地位聲明 本文不是保險法律意見、精算建議或任何特定保單的承保判定。不同司法管轄區、產品線、carrier、broker、reinsurer、robot class、autonomy level 與 loss history 都會產生不同 underwriting 結果。 本文提出的是一個制度—工程假說： > **高自主 AI 與具身機器人若要進入大規模商業部署，保險人因為需要定價、限額、承保、理賠、追償與管理 aggregate exposure，可能比一般法律制度更早要求企業建立可觀測、可歸因、可版本化的 AI / robot identity、responsibility、telemetry、failure-domain 與 control architecture。** 這不代表保險公司會替 AI 建立法律人格，也不代表所有 autonomous-system insurance 都會採相同資料要求。 本文稱這一整套「讓 autonomous machine risk 變得可承保、可計價、可調查」的技術與制度基礎為： $$ \boxed{ \text{Machine Insurability Infrastructure} } $$ 簡寫： $$ \boxed{ MII. } $$ --- ## 摘要 具身 AI 的風險與傳統固定機械存在一個重要差異：事故結果可能不是單純由零件失效引起，而是由 model、planner、sensor、software update、operator policy、task assignment、network、maintenance、local safety controller 與 human supervision 等多個 actor / component 共同構成。 因此 autonomous-system loss 往往不是： $$ MachineFailure \rightarrow Loss $$ 而更接近： $$ \boxed{ \text{Policy} \rightarrow \text{Model} \rightarrow \text{Task} \rightarrow \text{Execution} \rightarrow \text{World State} \rightarrow \text{Safety Response} \rightarrow \text{Loss}. } $$ 這會直接挑戰 underwriting 與 claims attribution。 本文提出 **Machine Insurability Infrastructure（MII）**，並將可保性抽象為： $$ \boxed{ Insurability = f( Observability, Attributability, Boundedness, Auditability, ControlQuality, LossData, CorrelationKnowledge ). } $$ 其中： - Observability：系統發生什麼是否可觀測； - Attributability：loss path 是否可歸因； - Boundedness：最大 exposure 是否可估； - Auditability：事故前後 state 是否可重建； - ControlQuality：企業是否具有有效 safety / governance controls； - LossData：是否存在可用 incident / near-miss data； - CorrelationKnowledge：是否知道 shared model、firmware、cloud、planner 等共同依賴造成的 accumulation risk。 本文進一步提出保險需求會把 Paper 01–03 的幾個結構串起來： $$ \boxed{ \text{Robot Identity} + \text{Execution Graph} + \text{Responsibility Graph} + \text{Failure-Domain Graph} + \text{Telemetry} + \text{Revision History} } $$ 共同構成 underwriting / claims substrate。 本文主張，保險人真正需要的並不是一句： > 「這座工廠由某主管負責。」 而是： > 哪個 robot？ > 哪個 AI / controller？ > 哪個 task？ > 哪個 policy revision？ > 哪個 model / firmware？ > 哪個 authority envelope？ > 哪個 safety controller？ > maintenance 是否有效？ > escalation 是否發生？ > 哪些 systems 共用相同 failure domain？ > 事故發生時責任圖與控制圖長什麼樣？ 因此 Paper 02 的 Responsibility–Control Divergence 與 Responsibility Concentration Ratio 可能變成 insurance signal，而不是純哲學概念。 本文再提出 **Insurance Governance Feedback**： $$ \boxed{ \text{Better Controls} \rightarrow \text{Better Observability} \rightarrow \text{Better Pricing} \rightarrow \text{Potentially Lower Risk Cost} \rightarrow \text{More Deployable Autonomy}. } $$ 但也存在反方向： $$ \boxed{ \text{High Claims} \rightarrow \text{Higher Premium} \rightarrow \text{Higher Retention / Exclusion} \rightarrow \text{Reduced Deployment}. } $$ 因此保險不必然推動更多 autonomy；它更像一個會把風險差異轉換為 capital price 的制度層。 本文將一個 autonomy deployment $d$ 的保費候選抽象寫成： $$ \boxed{ Premium(d) = EL(d) + C_{\mathrm{capital}}(d) + C_{\mathrm{uncertainty}}(d) + C_{\mathrm{operations}}(d) + M(d), } $$ 其中 $EL$ 是 expected loss， $C_{\mathrm{uncertainty}}$ 特別反映資料稀缺、model drift、novel behavior 與 systemic correlation 的不確定性。 本文進一步提出 **Failure-Domain Graph**： $$ \boxed{ \mathcal G^{F} = ( V_F, E_F, \Delta_F ) } $$ 用來表示哪些 robots / firms / deployments 共同依賴相同： - model； - cloud； - firmware； - sensor； - map； - coordinator； - API； - network； - policy； - software library。 這使 insurer 不再只問： > 一台 robot 的 accident probability 是多少？ 而要問： > **一個 common-mode failure 可以同時擊中多少 insured units？** 這是 autonomous fleet 與 agentic AI 的 accumulation problem。 本文也把 claims evidence 拆成三層： $$ \boxed{ \text{Operational Evidence} \neq \text{Responsibility Evidence} \neq \text{Coverage Evidence}. } $$ Execution Graph 提供 operational evidence；Responsibility Graph 提供 responsibility topology；Insurance Graph 則回答哪些 policy / limit / exclusion / deductible cover 哪些 exposure。三者必須橋接，不能合成一張模糊圖。 本文最後提出，Machine Insurability Infrastructure 可能成為 Institutional AI Ratchet 的一個關鍵驅動：當 telemetry、identity、responsibility、failure-domain、incident recorder 與 governance controls 逐漸成為取得保險 capacity、較低 premium 或較佳 terms 的必要條件，它們就會從「AI safety 額外成本」轉化為企業部署 autonomous systems 的金融基礎設施。 **關鍵詞：** Machine Insurability Infrastructure、AI Insurance、Robot Insurance、Underwriting、Physical AI、Autonomous Systems、Responsibility Graph、Failure-Domain Graph、Telemetry、Claims Attribution、Correlated Risk、Insurance Governance --- # 1. 為什麼保險問題和法律問題不同 法律制度常在事故後問： > 誰依法負責？ 保險制度在事故前就必須問： > 我願不願意承保？ > 承保多少？ > 保費多少？ > deductible多少？ > exclusion怎麼寫？ > aggregate limit多少？ > 需要哪些 risk controls？ 因此： $$ \boxed{ \text{Law is not underwriting}. } $$ --- # 2. 保險人有直接財務激勵要求可觀測性 如果 insurer 對： $$ Loss $$ 真正要支付 claim， 它就有私人利益降低： $$ InformationAsymmetry. $$ 因此會重視： - monitoring； - testing； - maintenance； - incident response； - telemetry； - audit； - governance maturity。 --- # 3. 可保性的第一個條件：Observability 定義： $$ O_d = Observability(d). $$ 回答： > 事故前、事故中、事故後，系統發生什麼是否能知道？ --- # 4. Robot Data Recorder 類比 具身 AI 很自然需要類似： $$ \boxed{ \text{Robot Data Recorder} } $$ 保存 time-bounded incident evidence。 它不是永久錄製世界的一切。 而是針對： - controller； - task； - software； - cyber； - sensor； - safety state； - execution； 保存適當事件窗口。 --- # 5. Telemetry 不等於監控所有人類 MII 不要求： $$ \text{Total Surveillance}. $$ 應採： - event bounded； - purpose limited； - minimum necessary； - privacy protected； - retention controlled。 --- # 6. 可保性的第二個條件：Attributability 定義： $$ A_d = Attributability(d). $$ 回答： > loss path 能否從 incident 回推到 task、execution、maintenance、design、authority 等關鍵因素？ --- # 7. Attribution 不等於法律裁判 即使 technical attribution 找到： $$ SensorFailure, $$ 也不自動推出 manufacturer 100% liability。 因此： $$ \boxed{ TechnicalAttribution \neq LegalLiability. } $$ --- # 8. 可保性的第三個條件：Boundedness 保險人需要知道： $$ L_{\max} $$ 至少大致有多大。 包括： - one-robot loss； - one-facility loss； - fleet-wide loss； - business interruption； - bodily injury； - cyber-induced physical loss； - common-mode failure。 --- # 9. 可保性的第四個條件：Auditability 事故後： $$ State(t_e) $$ 能否重建？ 如果 deployment / model / authority / responsibility 在事故後都被更新，而沒有 historical record，claims attribution會很困難。 --- # 10. 可保性的第五個條件：Control Quality underwriter可能關心： - safety controller； - human oversight； - local veto； - change management； - maintenance； - rollback； - incident response； - access control； - model validation。 --- # 11. 可保性的第六個條件：Loss Data 新型 AI risk 最大困難之一是： $$ HistoricalLossData \approx \text{scarce}. $$ 因此 premium uncertainty高。 --- # 12. 可保性的第七個條件：Correlation Knowledge 大量 deployments可能共享： $$ Model_M. $$ 如果： $$ M $$ 存在 systemic flaw， loss不是 independent。 --- # 13. Machine Insurability Function 本文定義： $$ \boxed{ I_d = f( O_d, A_d, B_d, U_d, Q_d, D_d, K_d ) } $$ 其中： - $O_d$：observability； - $A_d$：attributability； - $B_d$：boundedness； - $U_d$：auditability； - $Q_d$：control quality； - $D_d$：loss-data quality； - $K_d$：correlation knowledge。 --- # 14. Insurability 不是二元值 不是： $$ \text{insured} \lor \text{uninsured}. $$ 而可能表現為： - preferred rate； - high premium； - low limit； - high deductible； - restrictive conditions； - exclusions； - no capacity。 --- # 15. Insurance Capacity 定義： $$ Cap_{\mathrm{ins}} $$ 為 market願意提供的 aggregate risk capacity。 如果 systemic uncertainty高： $$ Cap_{\mathrm{ins}}\downarrow. $$ --- # 16. Underwriting 不只看 Model Benchmark model accuracy高不代表整個 system risk低。 必須看： $$ \boxed{ \text{Model} + \text{Runtime} + \text{Task} + \text{Environment} + \text{Controls}. } $$ --- # 17. Underwriting Unit 未來承保 unit可能不是： > 一個 model。 而是： $$ \boxed{ \text{Deployment Unit}. } $$ 例如： ```text model revision robot class facility task class control profile safety profile ``` --- # 18. Deployment Risk Record 可有： ```text deployment_id robot_class fleet_size model_revision planner_revision firmware_revision task_classes facility_type human_supervision local_safety telemetry_profile maintenance_profile ``` --- # 19. Robot Identity 如果無： $$ RobotID, $$ 事故紀錄難與 maintenance / task / claims連接。 --- # 20. AI Controller Identity 如果無 stable controller / resident / service identity， 也難回答： > 事故時是哪個 AI decision stack？ --- # 21. Task Identity 同一 robot 執行不同 task risk不同。 因此： $$ \boxed{ RobotRisk \neq TaskRisk. } $$ --- # 22. Policy Revision 同一 fleet 在 policy v1 / v2 下 risk不同。 所以： $$ Risk = Risk(PolicyRevision). $$ --- # 23. Responsibility Graph as Underwriting Signal Paper 03 的： $$ \mathcal G^R $$ 可以提供： - closure； - concentration； - handoff； - supervision； - maintenance responsibility； - verification ownership。 --- # 24. Responsibility Closure 如果 critical domain： $$ Closure_R(d)=0, $$ insurer可能把它視為 governance weakness。 --- # 25. Responsibility Concentration Ratio Paper 02： $$ RCR(H) = \frac{ \sum_iw_iE_i }{ C_H^{supervision} }. $$ 高 RCR 可能表示： - key-person risk； - escalation bottleneck； - nominal oversight； - governance overload。 --- # 26. RCD as Risk Signal $$ D_{RC}\gg1 $$ 不直接等於高 premium。 但可以成為 underwriting feature。 --- # 27. Human Supervisor 不等於賠償能力 保險人不會因： > 某員工「全責」 就假設其私人財產可吸收企業級事故。 因此： $$ \boxed{ \text{Responsibility Bearer} \neq \text{Loss-Absorbing Capital}. } $$ --- # 28. Failure-Domain Graph 本文提出： $$ \boxed{ \mathcal G^F = ( V_F, E_F, \Delta_F ) } $$ 其中： - $V_F$：robots / systems / dependencies； - $E_F$：depends-on relations； - $\Delta_F$：failure propagation metadata。 --- # 29. Failure Domain Edge 第一代： ```text uses_model uses_firmware uses_sensor uses_cloud uses_network uses_map uses_planner uses_library uses_policy uses_coordinator ``` --- # 30. Failure Domain 對 dependency $x$： $$ F(x) = \{ d_i \mid DependsOn(d_i,x) \}. $$ --- # 31. Accumulation Risk 若： $$ |F(x)|\gg1, $$ 單點 failure可能造成大量 correlated claims。 --- # 32. Correlation 破壞簡單獨立假設 如果： $$ P(L_i,L_j) \neq P(L_i)P(L_j), $$ portfolio risk會上升。 --- # 33. Foundation / Shared Model Risk 多企業使用同一 upstream model，會形成： $$ \boxed{ \text{Model Concentration Risk}. } $$ --- # 34. Shared Cloud Risk 同樣： $$ CloudFailure \rightarrow ManyDeployments. $$ --- # 35. Shared Firmware Risk 一次 update可能： $$ FleetWideFailure. $$ --- # 36. Cyber-Physical Accumulation cyber compromise可能同時導致 physical loss。 這比純 IT incident更複雜。 --- # 37. Failure-Domain Graph 不等於 Responsibility Graph $$ \boxed{ \mathcal G^F \neq \mathcal G^R. } $$ dependency不是責任。 --- # 38. 但兩者需要 Bridge 可有： ```text responsible_for_dependency maintained_by verified_by covered_dependency ``` --- # 39. Insurance Graph 定義： $$ \boxed{ \mathcal G^I = ( V_I, E_I, \Theta_I ) } $$ 回答： > 哪張 policy、coverage、limit、exclusion 對應哪個 exposure？ --- # 40. Insurance Edge 例如： ```text covered_by excluded_by subject_to_limit subject_to_deductible reinsured_by ``` --- # 41. Insurance Graph 不等於 Compensation Graph Insurance Graph回答 coverage。 Compensation Graph回答實際 money flow。 --- # 42. 三圖分離 必須保持： $$ \boxed{ ResponsibilityGraph \neq InsuranceGraph \neq CompensationGraph. } $$ --- # 43. Operational Evidence Execution Graph提供： > 發生了什麼？ --- # 44. Responsibility Evidence Responsibility Graph提供： > 誰對什麼 domain有責任？ --- # 45. Coverage Evidence Insurance Graph提供： > 什麼 loss在什麼條件下被哪張 policy cover？ --- # 46. Claims Reconstruction incident $E$： $$ E \rightarrow G^E \rightarrow G^R \rightarrow G^F \rightarrow G^I. $$ --- # 47. Claims Settlement 不應只靠 Finger-Pointing 如果沒有 evidence， OEM、software vendor、operator、integrator可能互相歸責。 MII的價值是提高 claims attribution evidence。 --- # 48. Claims Resolution Time 可定義： $$ T_{\mathrm{claims}}. $$ 更完整 data recorder / responsibility graph可能降低： $$ T_{\mathrm{claims}}. $$ --- # 49. Evidence Quality $$ Q_E = f( Completeness, Integrity, Timestamp, Provenance, TamperResistance ). $$ --- # 50. Tamper-Evident Logging 高價值 incident資料需： - digest； - append-only； - signed receipt； - trusted timestamp； - access control。 --- # 51. Data Retention 不能永遠保存一切。 應依： - risk； - claims limitation period； - privacy； - regulation； - cost； 定義 retention。 --- # 52. Near-Miss Data 保險不只看事故。 也可能看： $$ NearMissRate. $$ 因為事故本身太稀少。 --- # 53. Safety Event Taxonomy 第一代： ```text collision near_collision unsafe_path unauthorized_action emergency_stop human_override sensor_degradation maintenance_overdue model_anomaly network_loss cyber_event ``` --- # 54. Exposure Unit premium可按： - robot-hour； - task； - mile； - lift； - facility-hour； - transaction； - deployment； 定價。 --- # 55. Usage-Based Insurance autonomy usage越高： $$ Exposure\uparrow. $$ 保費可跟 actual use變化。 --- # 56. Experience Rating clean safety record： $$ RiskEstimate\downarrow $$ 可能帶來更低 premium。 --- # 57. Bonus-Malus 可： $$ Premium_{t+1} = Premium_t + \Delta_{\mathrm{claims}} - \Delta_{\mathrm{safety}}. $$ --- # 58. Premium Architecture 本文抽象： $$ \boxed{ Premium(d) = EL(d) + C_{\mathrm{capital}}(d) + C_{\mathrm{uncertainty}}(d) + C_{\mathrm{operations}}(d) + M(d). } $$ --- # 59. Expected Loss $$ EL = \sum_s P(s) L(s). $$ 但新 AI system中 $P(s)$ uncertainty很高。 --- # 60. Uncertainty Load 因此： $$ C_{\mathrm{uncertainty}} $$ 可能特別大。 --- # 61. Governance Discount 若 monitoring、audit、maintenance、responsibility closure佳： 可減少 uncertainty / control load。 --- # 62. Governance Loading 反之： - no telemetry； - no identity； - no incident response； - high RCD； - no maintenance ownership； 可能增加 premium / exclusion。 --- # 63. Insurer Is a Governance Actor 保險人不必制定法律，就能透過： - premium； - deductible； - condition； - exclusion； - limit； - capacity； 影響企業行為。 --- # 64. Insurance Governance Feedback 因此： $$ \boxed{ \text{Underwriting} \rightarrow \text{Risk-Control Incentive}. } $$ --- # 65. 保險可能比法律更快調整 法律修改可能慢。 保單 wording / underwriting rule可以更快反映新 loss experience。 --- # 66. 但保險也可能過度保守 uncertainty太大時： $$ Premium\uparrow $$ 或： $$ Capacity\downarrow. $$ 這可能阻礙 innovation。 --- # 67. Insurance Is Not Automatically Socially Optimal $$ \boxed{ \text{Insurer Incentive} \neq \text{Social Welfare}. } $$ 它主要管理 insured risk。 --- # 68. Moral Hazard 如果 coverage太完整： operator可能降低 safety effort。 因此需要： - deductible； - retention； - control conditions； - experience rating。 --- # 69. Adverse Selection 高風險 deployments更想買 insurance。 insurer因此要求更多 data。 --- # 70. Information Asymmetry operator比 insurer更知道 internal system。 MII降低： $$ InformationAsymmetry. $$ --- # 71. Insurability Infrastructure as Market Standard 如果 carriers普遍要求： - robot IDs； - telemetry； - responsibility records； - control evidence； 企業可能為了取得 capacity而標準化。 --- # 72. Standardization Ratchet $$ InsuranceRequirement \rightarrow IndustryStandard \rightarrow VendorSupport \rightarrow LowerImplementationCost. $$ --- # 73. Institutional Ratchet Connection 當這些 controls變成 deployment prerequisite： $$ InstitutionalEmbedding\uparrow. $$ --- # 74. Insurance Could Institutionalize AI Identity 不是因為 insurer相信 AI是「人」。 而是因為它需要 stable risk unit。 --- # 75. Risk Identity 可定義： $$ \boxed{ \text{Risk Identity} } $$ 即： > 可持續連結 exposure、telemetry、loss history與 control state 的識別單位。 --- # 76. Risk Identity 不等於 Legal Identity $$ \boxed{ RiskIdentity \neq LegalPersonhood. } $$ --- # 77. Robot Risk Identity 最直接是： $$ RobotID. $$ --- # 78. AI Controller Risk Identity 如果同一 controller跨多 robots， 也可能需要： $$ ControllerID. $$ --- # 79. Fleet Risk Identity 某 fleet / deployment也可能是 underwriting unit。 --- # 80. Risk Identity Hierarchy $$ Robot \rightarrow Fleet \rightarrow Facility \rightarrow Organization. $$ --- # 81. AI Resident / Controller Identity 的價值 若 AI controller長期負責同一 domain， stable identity可以聚合： - performance； - incident； - near-miss； - upgrade history； - responsibility； - capital。 --- # 82. 但 Insurance 不需要 AI 主體性 再次： $$ \boxed{ Insurability \not\Rightarrow Subjecthood. } $$ --- # 83. Insurability Could Precede Legal Standing risk identity可能先出現。 legal standing後來才討論。 --- # 84. Machine Insurability Infrastructure Layer 本文提出： $$ \boxed{ MII = ( I, E, R, F, T, C, A ) } $$ 其中： - $I$：Identity； - $E$：Execution Evidence； - $R$：Responsibility； - $F$：Failure Domains； - $T$：Telemetry； - $C$：Controls； - $A$：Audit / Claims Reconstruction。 --- # 85. MII-I Identity robot / controller / task / deployment。 --- # 86. MII-E Execution Embodied Execution Graph。 --- # 87. MII-R Responsibility Responsibility Graph。 --- # 88. MII-F Failure Failure-Domain Graph。 --- # 89. MII-T Telemetry event / incident evidence。 --- # 90. MII-C Controls - local safety； - human oversight； - change management； - rollback； - maintenance； - authorization。 --- # 91. MII-A Audit incident-time reconstruction。 --- # 92. Claims Evidence Bundle 可包含： ```text incident_id robot_ref controller_ref task_ref execution_snapshot world_state_refs policy_revision model_revision firmware_revision authority_snapshot responsibility_snapshot maintenance_snapshot telemetry_window failure_domain_refs ``` --- # 93. Claims Bundle 不等於全部 Raw Data 只需適當 evidence window。 --- # 94. Privacy-Preserving Claims 可以： - redaction； - selective disclosure； - cryptographic proof； - digest verification； - scoped access。 --- # 95. Insurer 不必讀 AI 全部 Memory 它需要 claims-relevant evidence。 --- # 96. Trade Secret model vendor可能不願交全部 model weights。 可以提供： - version； - evaluation； - attestation； - incident evidence。 --- # 97. Verifiability without Full Disclosure 因此 MII可以與： $$ \boxed{ \text{Selective Verifiability} } $$ 結合。 --- # 98. Reinsurance 大規模 AI / robot risk可能需要： $$ Insurer \rightarrow Reinsurer. $$ reinsurer更關心 aggregate / systemic risk。 --- # 99. Reinsurance Aggregation reinsurer要知道： > 不同 insured 是否共用同一 model / cloud / vendor？ --- # 100. Hidden Correlation 若每家保險人只看到自己的 client， 可能低估 global concentration。 --- # 101. Systemic AI Risk foundation model或 shared infrastructure可能造成： $$ \boxed{ \text{Systemic Accumulation}. } $$ --- # 102. Portfolio-Level Stress Test 可模擬： ```text model failure cloud outage firmware bug cyber compromise map corruption coordinator failure ``` --- # 103. Stress Loss $$ L_{\mathrm{stress}}(x) = \sum_{d\in F(x)} Exposure(d). $$ --- # 104. Accumulation Limit insurer / reinsurer可能限制： $$ Exposure(F(x)) \le Limit_x. $$ --- # 105. Diversification Incentive 企業可能因 insurance price而： - diversify model vendors； - isolate firmware； - segment fleet； - add fallback。 --- # 106. Insurance Can Shape Architecture 這是重要 institutional feedback： $$ \boxed{ \text{Insurance Price} \rightarrow \text{System Architecture}. } $$ --- # 107. Example：Single Fleet Coordinator 如果所有 robots依賴： $$ F_1, $$ insurer看到： $$ SinglePointFailure. $$ --- # 108. Example：Segmented Coordinators 若 fleet分： $$ F_1,F_2,F_3, $$ 且故障隔離， aggregate loss可能下降。 --- # 109. Premium Signal as Architecture Signal 因此 risk price會把工程架構差異 monetized。 --- # 110. Responsibility Concentration 也可被 Monetized 如果一人負責全部， insurance model可能看到 key-person / governance concentration。 --- # 111. 人類責任天價不是好風控 名義上把責任全部放一個 human， 不等於 insurer認為： $$ Risk=Low. $$ --- # 112. 公司級賠償能力 enterprise operation的 loss absorbing structure應包含： - company capital； - insurance； - deductible； - retention； - vendor indemnity； - reinsurance。 --- # 113. 這為 Paper 05 鋪路 責任 actor： $$ \neq $$ 賠償 actor。 --- # 114. Insurance and Compensation Separation policy response需要看： - insured； - claimant； - coverage； - retention； - limit。 --- # 115. Subrogation insurer支付後可能向： - vendor； - manufacturer； - operator； 追償。 所以 Responsibility Graph有 financial value。 --- # 116. Vendor Contract 責任分配也會被 indemnity clause影響。 但本文不處理具體契約法。 --- # 117. Silent AI Exposure 傳統 policy可能在 wording中沒有明確 AI定位。 因此有： $$ \boxed{ \text{Silent AI Exposure}. } $$ --- # 118. Affirmative Coverage 未來可能更多： $$ \text{Affirmative AI Coverage}. $$ 即明確說哪些 AI risks被 cover。 --- # 119. Exclusions 高 systemic / unknown risk可能被 exclusion。 --- # 120. Insurance Frontier 可把 peril分： ```text affirmatively insured silently exposed explicitly excluded uninsurable/private-market difficult ``` --- # 121. Dynamic Frontier 新 loss data會改變 category。 --- # 122. Physical AI vs Agentic Digital AI 具身 risk有 physical loss。 software agent有： - financial； - cyber； - professional； - operational； 風險。 MII概念可泛化。 --- # 123. Agentic AI Insurability software agent同樣需要： - task identity； - authority； - tool trace； - execution log； - dependency mapping。 --- # 124. MII 不限 Robot 名稱中的 Machine泛指 autonomous machine intelligence deployments。 --- # 125. Underwriting Could Precede Regulation 如果 regulator尚未要求 telemetry， carrier仍可把它列為 coverage condition。 --- # 126. Market Discipline 這形成： $$ \boxed{ \text{Market-Based Governance}. } $$ --- # 127. Market Discipline 不是民主正當性替代 insurance standard不能替代公共 law。 --- # 128. 兩者可能互相影響 insurer practices可能變 industry standard。 後來 regulator參考。 --- # 129. Law Could Also Force Insurance 反過來政府可能要求： - compulsory insurance； - minimum limits； - financial responsibility。 這會再強化MII。 --- # 130. Institutional Feedback Loop $$ \boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurance} \rightarrow \text{Controls} \rightarrow \text{Deployability} \rightarrow \text{More Autonomy}. } $$ --- # 131. 但 Loop 可被 Claims 打斷 $$ Claims\uparrow \rightarrow Premium\uparrow \rightarrow Deployment\downarrow. $$ --- # 132. Insurance Ratchet 的弱形式 本文不說 insurance一定推動 autonomy。 而是： > 一旦 insurance infrastructure形成，AI / robot identity、telemetry、responsibility、control architecture就可能成為持久制度資產。 --- # 133. MII Exit Cost 若 enterprise後來不用 AI， 這些 infrastructure仍可能保留或轉作普通 automation governance。 因此： $$ C_{\mathrm{exit}} $$ 不一定全部消失。 --- # 134. Insurability Infrastructure as Institutional Capital MII本身具有： - data； - tooling； - standards； - workflows； - contracts。 所以是一種 institutional capital。 --- # 135. 可證偽命題一：Telemetry Demand autonomy提高時，carrier是否要求更多 telemetry？ --- # 136. 可證偽命題二：Governance Pricing control quality是否影響 premium / limit / deductible？ --- # 137. 可證偽命題三：Responsibility Graph Value 責任圖完整度是否降低 claims ambiguity / resolution time？ --- # 138. 可證偽命題四：RCD Signal 高 Responsibility-Control Divergence是否與較差 underwriting terms相關？ --- # 139. 可證偽命題五：Failure-Domain Mapping 有 dependency graph的fleet是否更容易獲得capacity？ --- # 140. 可證偽命題六：Correlation Pricing shared model / cloud concentration是否反映在 portfolio limits / reinsurance？ --- # 141. 可證偽命題七：Safety Feedback clean incident record是否降低 premiums？ --- # 142. 可證偽命題八：Institutional Standardization insurance requirements是否促成 industry-wide robot identity / recorder standards？ --- # 143. 反例條件 若： - insurer只看粗略 robot count； - telemetry不影響 pricing； - responsibility trace不影響 claims； - correlated model risk可忽略； - AI-specific coverage長期不發展； 則 MII 假說需弱化。 --- # 144. 第一代 MII 實驗 Paper 01 warehouse fixture： ```text 3 robots 1 fleet AI 1 human supervisor 1 maintainer 2 robot models 1 shared planner ``` --- # 145. 建立 Mock Insurer 輸入： - execution graph； - responsibility graph； - failure domains； - telemetry； - RCD / RCR。 --- # 146. Compare Two Firms Firm A： ```text no recorder single supervisor shared model no failure segmentation ``` Firm B： ```text incident recorder typed responsibility graph segmented coordinators maintenance trace ``` --- # 147. Mock Premium Function $$ Premium = EL + U + K + M. $$ 比較差異。 --- # 148. Claims Experiment 模擬： - collision； - firmware bug； - cyber compromise； - maintenance failure。 --- # 149. Claims Metrics ```text time_to_root_cause responsibility_gap_count coverage_ambiguity evidence_completeness subrogation_target_confidence ``` --- # 150. Failure-Domain Experiment 同一 planner bug擊中： $$ 1,10,100 $$ robots。 觀察 accumulation。 --- # 151. Reinsurance Stress Test 計算： $$ L_{\mathrm{stress}}. $$ --- # 152. Minimum MII Records ```text robot_registry controller_registry deployment_record task_record execution_receipt responsibility_snapshot maintenance_record incident_window failure_dependency insurance_policy_ref ``` --- # 153. Minimum MII Invariants ## MI-1 $$ \boxed{ Insurability \neq LegalPersonhood. } $$ ## MI-2 $$ \boxed{ TechnicalAttribution \neq LegalLiability. } $$ ## MI-3 $$ \boxed{ ResponsibilityBearer \neq LossAbsorbingCapital. } $$ ## MI-4 $$ \boxed{ RobotRisk \neq TaskRisk. } $$ ## MI-5 $$ \boxed{ ResponsibilityGraph \neq FailureDomainGraph. } $$ ## MI-6 $$ \boxed{ ResponsibilityGraph \neq InsuranceGraph. } $$ ## MI-7 $$ \boxed{ InsuranceGraph \neq CompensationGraph. } $$ ## MI-8 $$ \boxed{ Telemetry \neq TotalSurveillance. } $$ ## MI-9 $$ \boxed{ RiskIdentity \neq LegalIdentity. } $$ ## MI-10 $$ \boxed{ InsuranceIncentive \neq SocialOptimality. } $$ --- # 154. Machine Insurability Principle 本文提出： $$ \boxed{ \textbf{Machine Insurability Principle} } $$ 弱形式： > **高自主機器系統若要取得穩定、可擴展的保險 capacity，其風險必須在合理程度上變得可觀測、可歸因、可界定、可審計，且其共同依賴與 correlated-failure exposure 必須能被辨識。** --- # 155. Evidence-Based Claims Principle $$ \boxed{ \textbf{Evidence-Based Claims Principle} } $$ 弱形式： > **事故理賠應盡可能建立在 incident-time execution、responsibility、maintenance、revision 與 telemetry evidence 上，而不是僅依賴事後各方自然語言敘述。** --- # 156. Accumulation Visibility Principle $$ \boxed{ \textbf{Accumulation Visibility Principle} } $$ 弱形式： > **任何被大量 deployments 共用的 model、firmware、cloud、planner、policy 或 coordinator，都應被視為可能的 correlated-loss node，並在 underwriting / reinsurance 層具有可觀測 exposure mapping。** --- # 157. Insurance Governance Principle $$ \boxed{ \textbf{Insurance Governance Principle} } $$ 弱形式： > **當保費、limit、deductible、coverage condition 與 capacity 對 governance quality 作差異化定價時，保險可成為 AI safety / accountability 的市場型治理機制之一，但不能取代公共法律與民主治理。** --- # 158. 與 Paper 00 的關係 Paper 00提出 Insurance Ratchet。 本文給出其工程 substrate。 --- # 159. 與 Paper 01 的關係 Execution Graph提供 claims factual chain。 --- # 160. 與 Paper 02 的關係 RCD / RCR成為 governance concentration signals。 --- # 161. 與 Paper 03 的關係 Responsibility Graph提供 responsibility evidence。 --- # 162. 與 Paper 05 的關係 下一篇將從 insurance coverage進一步區分： $$ \boxed{ \text{誰負責} \neq \text{誰先賠}. } $$ --- # 163. 與 Paper 06 的關係 Insurance deductible / retention / reserve 會直接引出： $$ CapitalFollowsAutonomy. $$ --- # 164. 與 Paper 07 的關係 若 AI-specific reserve / account能改善 underwriting，企業會產生私人利益。 --- # 165. 與 Paper 08 的關係 MII一旦成為大規模 autonomous deployment prerequisite，就成為 Institutional AI Ratchet的重要制度層。 --- # 166. 2026 年現實錨點 2026 年已出現幾個值得注意、但仍屬早期市場訊號的方向： 1. autonomous vehicle ecosystem 開始出現整合 developers、fleet operators、manufacturers / owners 與 OEM 的專門 insurance facility； 2. physical-AI / robotics insurance 新創開始把 robot-specific liability、robot damage、cyber-physical loss、business interruption 與 incident recorder evidence放在同一產品架構中； 3. AI insurance研究開始把缺乏歷史 loss data、dynamic model behavior、correlated / systemic failure、governance signals、usage-based coverage與 assurance integration列為核心 underwriting 問題； 4. agentic-AI insurance研究也開始把 autonomy、delegated authority、dependency mapping、telemetry與 dedicated AI aggregates視為保險架構要素。 這些訊號不足以證明 MII 必然成為全球標準，但足以支持本文的研究方向：**保險市場已經開始把 AI / autonomous-system governance 當成可以直接影響 coverage 與 risk price 的工程問題，而不只是抽象倫理問題。** --- # 167. 最終命題 本文提出： $$ \boxed{ \textbf{Machine Insurability Infrastructure Thesis} } $$ 弱形式為： > **當 autonomous AI / robotics 進入足以造成企業級、物理級或 systemic loss 的規模後，保險市場若要提供穩定 capacity，就會增加對 identity、telemetry、responsibility、control quality、revision history、failure-domain mapping 與 incident reconstruction 的需求。這些需求可能在法律正式賦予 AI 任何新制度地位之前，就先促成 AI / robot accountability infrastructure 的標準化。** --- # 168. 更簡潔的形式 $$ \boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurability Demand} \rightarrow \text{Accountability Infrastructure}. } $$ --- # 169. 最終結論 保險公司不需要先回答： > AI 是不是人？ 它只需要回答： > **這個風險我到底怎麼算？** 而只要 autonomous system 的 loss path開始跨越： - model； - software； - robot； - operator； - maintainer； - fleet AI； - human supervisor； - vendor； 保險人就很難只接受： > 「我們公司有一位總負責人。」 作為完整風控答案。 真正有價值的是： $$ \boxed{ \text{Identity} + \text{Execution Evidence} + \text{Responsibility} + \text{Failure Domains} + \text{Telemetry} + \text{Controls} + \text{Audit}. } $$ 當這些東西逐漸變成「沒有就拿不到合理保費／保額／capacity」的條件，AI accountability architecture就不再只是企業願不願意做的倫理附加項。 它會變成： $$ \boxed{ \text{financial infrastructure for autonomy}. } $$ 更重要的是，insurance pricing會把架構差異貨幣化。 同樣 500 台 robots： 一間公司若有： - single coordinator； - single supervisor； - no telemetry； - no responsibility graph； - common model dependency； 另一間公司若有： - segmented failure domains； - local safety veto； - typed responsibility； - incident recorder； - maintenance trace； - independent validation； 兩者的 risk topology並不相同。 因此： $$ \boxed{ \text{Same Robot Count} \neq \text{Same Insurable Risk}. } $$ 這也使保險開始反向影響工程架構： $$ \boxed{ \text{Insurance Price} \rightarrow \text{System Architecture}. } $$ 一旦發生這種 feedback，Machine Insurability Infrastructure 就成為 Institutional AI Ratchet 的一部分。 下一篇因此要處理更尖銳的一個問題： > **即使 Responsibility Graph 已經能告訴我們誰對事故負責，受害人真正拿錢時，究竟是誰先賠？公司、員工、保險人、vendor 與 AI responsibility domain 之間，責任與賠償為什麼必須拆開？** 這就是 Paper 05。 --- ## 系列進度 1. **Paper 00 — 從能力不可凍結到制度不可逆：UFI 之後的第二條 AI 棘輪** 2. **Paper 01 — 從 Conversation Graph 到 Embodied Execution Graph：分散式 AI 如何跨多具身端點行動** 3. **Paper 02 — 責任—控制背離：高自主系統為什麼不能把全部責任壓回一個人類主管** 4. **Paper 03 — Responsibility Graph：分散式具身 AI 的設計、授權、委派、執行與維護責任拓撲** 5. **Paper 04 — Machine Insurability Infrastructure：為什麼保險可能比法律更早逼出 AI 責任架構** 6. **Paper 05 — 誰負責不等於誰先賠：AI 時代的 Responsibility–Compensation Separation** 7. **Paper 06 — Capital Follows Autonomy：為什麼高自主 AI 可能開始需要自己的經濟帳戶與責任資本** 8. **Paper 07 — 私人利益如何創造 AI 經濟主體：股東、保險、會計與稅制的內生激勵** 9. **Paper 08 — 制度棘輪：從工具 AI 到責任實體、經濟實體與有限法律主體** --- ## 參考資料與現實錨點 1. Marsh Risk & Apollo ibott. **Autonomous Vehicle Insurance Program for Uber**, 2026-03-12. 2. Boop Insurance. **Robot insurance / Robot Data Recorder product materials**, accessed 2026. 3. Szpruch, L., Orfanoudaki, A., Maple, C., Wicker, M., Bengio, Y., Lam, K.-Y., & Detyniecki, M. **Insuring AI: Incentivising Safe and Secure Deployment**, Harvard Data Science Review, 2026. 4. Leung, A., Zhang, R., Ling, E., Toyoda, K., & Loh, S. **The Insurability Frontier of AI Risk: Mapping Threats to Affirmative Coverage, Silent Exposures, and Exclusions**, 2026. 5. Zhu, Q. **Insurance of Agentic AI**, 2026. --- ## 內部理論銜接 本文直接承接： - Embodied Execution Graph； - Responsibility–Control Divergence； - Responsibility Graph； - Institutional AI Ratchet； - NACR identity / authority / receipts； - UFI dependency / institutional path-dependence line。 本文新增核心抽象： $$ \boxed{ MII = ( I, E, R, F, T, C, A ) } $$ 與： $$ \boxed{ \mathcal G^F = ( V_F, E_F, \Delta_F ) } $$ 以及： $$ \boxed{ \text{Autonomy} \rightarrow \text{Risk} \rightarrow \text{Insurability Demand} \rightarrow \text{Accountability Infrastructure}. } $$