# 委派文明論 06 ## AI 不等於 AI：異質智能族群與代理身份分化 ### AI Is Not AI: Heterogeneous Intelligence Families and the Differentiation of Agent Identity **系列：** 委派文明論（Delegated Civilization） **篇次：** 06 **定位：** 核心理論篇／異質智能與代理身份篇 **語言：** 繁體中文 **版本：** v0.1 **日期：** 2026-09-20 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 當代公共討論經常以單一名詞「AI」涵蓋大量彼此差異極大的人工智能系統。這種用法在日常語言中具有便利性，但一旦進入認知委派、代理治理、組織制度與文明演化研究，它會遮蔽最關鍵的結構差異。即使兩個系統共享相近的基礎模型，只要它們具有不同的記憶、工具、權限、持續性、部署環境、組織歸屬、代理角色與治理規則，它們在實際系統中的身份、能力與風險都可能顯著不同。 本文提出「異質智能族群」（Heterogeneous Intelligence Families）與「代理身份分化」（Agent Identity Differentiation）兩個核心概念，並主張： $$ \boxed{ \text{Model Identity} \neq \text{Agent Identity} } $$ 以及： $$ \boxed{ A_i\not\equiv A_j } $$ 不能因 $A_i$ 與 $A_j$ 都被稱為 AI，就假設它們具有同樣的治理地位、行為模式、責任邊界與委派資格。 本文將人工智能體身份拆解為模型、狀態、記憶、工具、權限、角色、組織、治理與歷史九個主要維度，並建立「代理身份向量」與「族群距離」概念。進一步地，本文區分模型族、代理族、制度族與文明級智能群落，指出未來的人機問題不能再以「Human vs AI」作為主要單位，而應轉向「多種人類主體、異質人工智能體、組織與制度之間的關係網」。 本文最後指出，一旦 AI 被理解為異質族群，委派邊界也必須從「某類任務能不能交給 AI」改寫為「在特定治理條件下，某任務可以交給哪一類人工智能體」。這一轉向將直接通往下一篇關於關係性反身與系統內觀察者的討論。 --- ## 關鍵詞 委派文明、異質智能、人工智能族群、代理身份、模型身份、記憶、工具、權限、組織歸屬、治理、智能生態 --- # 1. 問題：把所有 AI 當成同一類，會失去什麼？ 日常語言經常出現： > AI 會怎麼影響人類？ > AI 會不會取代某種工作？ > AI 應該擁有多少權限？ > AI 能不能被信任？ 這些問題看似合理，但它們共享一個隱藏前提： $$ AI = \text{single homogeneous category} $$ 也就是： > 被稱為 AI 的系統，在足夠高的分析層次上可以視為同一類。 但一旦進入實際治理，這個假設會快速失效。 兩個人工智能體可能： - 使用不同模型； - 擁有不同記憶； - 看到不同資料； - 使用不同工具； - 擁有不同權限； - 受不同組織控制； - 具有不同角色； - 具有不同持續性； - 遵守不同治理規則。 因此： $$ A_i \not\equiv A_j $$ 即使： $$ \text{Class}(A_i)=\text{Class}(A_j)=AI $$ 這與人類分類相似。 「都是人類」並不能消除： - 個體； - 組織； - 專業； - 國家； - 制度； 之間的差異。 同樣地，「都是 AI」也不足以支撐精細治理。 --- # 2. 從模型身份到代理身份 ## 2.1 模型只是代理的一部分 一個基礎模型： $$ M $$ 本身不等於一個完整代理。 更完整的代理可以表示為： $$ A = F ( M, S, K, T, P, R, O, G, H ) $$ 其中： - $M$：Model，模型； - $S$：State，當前狀態； - $K$：Memory / Knowledge State，記憶與知識狀態； - $T$：Tools，可用工具； - $P$：Permissions，權限； - $R$：Role，角色； - $O$：Organization，組織歸屬； - $G$：Governance，治理規則； - $H$：History，互動與演化歷史。 因此： $$ \boxed{ A\neq M } $$ 代理不是模型本身，而是模型在特定狀態、工具與制度條件下形成的行動實體。 --- ## 2.2 同模型不同代理 假設： $$ M_1=M_2 $$ 但： $$ K_1\neq K_2 $$ 或： $$ T_1\neq T_2 $$ 或： $$ P_1\neq P_2 $$ 則： $$ A_1\neq A_2 $$ 例如，一個只能文字回答的實例與一個可以： - 寄送訊息； - 修改程式； - 操作資料庫； - 建立子代理； 的實例，即使底層模型相同，其制度身份完全不同。 因此： $$ \text{Same Model} \not\Rightarrow \text{Same Agent} $$ --- # 3. 九維代理身份向量 本文提出： $$ \vec{I}(A) = ( m, s, k, t, p, r, o, g, h ) $$ 作為代理身份向量。 --- ## 3.1 模型維度 $$ m $$ 包含： - 模型族； - 參數版本； - 訓練世代； - 推理能力； - 多模態能力； - 對齊方式。 模型提供能力底座，但不能單獨決定完整身份。 --- ## 3.2 狀態維度 $$ s $$ 表示當下運行狀態。 包括： - 當前任務； - 目前上下文； - 當前子目標； - 當前工作流位置。 同一代理在不同狀態下可以表現出不同功能。 --- ## 3.3 記憶維度 $$ k $$ 包含： - 短期上下文； - 長期記憶； - 外部知識庫； - 專案狀態； - 對過去互動的保存。 記憶會使代理形成歷史依賴。 因此： $$ A_t \neq A_{t+1} $$ 即使模型完全沒有改變。 --- ## 3.4 工具維度 $$ t $$ 表示代理可使用的工具集合。 例如： $$ T(A) = \{ t_1,t_2,\ldots,t_n \} $$ 工具會直接改變： $$ \text{Action Space}(A) $$ 所以： $$ T(A_i)\neq T(A_j) $$ 可能導致兩個代理在現實能力上差異巨大。 --- ## 3.5 權限維度 $$ p $$ 表示： - 可讀取什麼； - 可修改什麼； - 可發布什麼； - 可對誰採取行動； - 可否建立新代理。 這是治理上最重要的身份維度之一。 兩個能力相同的代理，如果： $$ P(A_1)\gg P(A_2) $$ 其風險與制度地位就完全不同。 --- ## 3.6 角色維度 $$ r $$ 角色定義： > 這個代理在系統中被期待負責什麼？ 例如： $$ R(A)=\text{Verifier} $$ 與： $$ R(A)=\text{Architect} $$ 即使模型相同，其行為目標也不同。 --- ## 3.7 組織維度 $$ o $$ 表示代理屬於哪個組織或主體。 包括： - 個人； - 公司； - 學術組織； - 公共機構； - 開源社群； - 臨時代理網路。 因此代理身份同時也是制度身份。 --- ## 3.8 治理維度 $$ g $$ 治理包含： - 可修改範圍； - 審查機制； - 升級規則； - 風險閾值； - 終止機制； - 不可委派核心。 同樣能力的代理，在不同治理結構下可能產生完全不同的實際行為。 --- ## 3.9 歷史維度 $$ h $$ 人工智能體不一定是無歷史的。 如果代理具備： - 持續記憶； - 長期角色； - 累積任務紀錄； - 可繼承狀態； 其身份可能逐漸形成路徑依賴。 因此： $$ \text{Identity} \neq \text{Snapshot} $$ 而可能是： $$ \text{Identity} = \text{Trajectory} $$ --- # 4. 代理身份不是單點，而是軌跡 若： $$ \vec{I}_t(A) $$ 表示時間 $t$ 的代理身份向量， 則代理生命史可表示為： $$ \mathcal{L}(A) = \{ \vec{I}_0, \vec{I}_1, \ldots, \vec{I}_n \} $$ 因此兩個代理即使目前狀態接近，也可能因歷史不同而不完全等價。 這可以稱為： ### 代理歷史性 **Agent Historicity** 其核心命題是： $$ \boxed{ \text{Persistent agents may acquire identity through trajectory, not merely architecture.} } $$ --- # 5. 從個體代理到智能族群 ## 5.1 模型族 最粗略分類： $$ F_M = \{A_i \mid M(A_i)\sim M^*\} $$ 即共享相近模型架構或模型世代的代理集合。 --- ## 5.2 代理族 更有意義的是： $$ F_A = \{A_i \mid \vec{I}(A_i)\sim \vec{I}^*\} $$ 也就是在： - 記憶； - 工具； - 權限； - 角色； 等維度上具有相近結構的代理。 --- ## 5.3 制度族 若一群代理共享： $$ O $$ 與： $$ G $$ 則可以形成： ### 制度智能族 **Institutional Intelligence Family** 例如： $$ F_I = \{A_i \mid O_i=O^*,G_i=G^*\} $$ 這類代理即使模型不同，也可能因共享制度規則而具有更高行為相似性。 --- # 6. 智能族群距離 為了形式化「兩個 AI 到底有多像」，可以定義： $$ d(A_i,A_j) $$ 作為代理身份距離。 簡化形式： $$ d(A_i,A_j) = \sum_{k=1}^{n} w_k d_k \left( I_k(A_i), I_k(A_j) \right) $$ 其中： - $d_k$：第 $k$ 維距離； - $w_k$：治理重要性權重。 因此： $$ d(A_i,A_j) $$ 不應只由模型參數差異決定。 在高風險治理中，可能： $$ w_{\text{permission}} > w_{\text{model}} $$ 因為權限差異比模型差異更重要。 --- # 7. 模型相似不等於制度相似 假設： $$ M(A_1)=M(A_2) $$ 但： $$ O(A_1)\neq O(A_2) $$ 以及： $$ G(A_1)\neq G(A_2) $$ 則： $$ \text{Institutional Identity}(A_1) \neq \text{Institutional Identity}(A_2) $$ 例如，同一模型可以被部署成： - 個人助手； - 公司內部代理； - 公共服務代理； - 自主研究代理； - 多代理調度者。 所以： $$ \boxed{ \text{Model lineage is only one axis of agent identity.} } $$ --- # 8. 工具改變身份 傳統軟體工具通常被視為外部資源。 但對代理而言，工具可能直接定義其能力邊界。 若： $$ A_0=(M,T_0) $$ 只會文字輸出， 而： $$ A_1=(M,T_1) $$ 可以： - 操作程式； - 搜尋資料； - 發送訊息； - 修改外部狀態； 則： $$ \text{ActionSpace}(A_1) \gg \text{ActionSpace}(A_0) $$ 所以工具不是附屬資訊，而是身份構成。 --- # 9. 權限改變身份 對代理而言： $$ \text{Capability} \neq \text{Authority} $$ 一個代理可能知道怎麼做某件事，但沒有權限執行。 因此需要區分： $$ C(A) $$ 與： $$ P(A) $$ 其中： - $C(A)$：能力； - $P(A)$：可行使權限。 實際可行動空間為： $$ X(A) = C(A) \cap P(A) $$ 所以治理真正面對的是： $$ X(A) $$ 而不是單純模型基準測試。 --- # 10. 組織歸屬改變代理行為 代理若隸屬不同組織： $$ O_i\neq O_j $$ 即使模型與工具近似，也會受到不同： - 目標； - 獎勵； - 政策； - 法律責任； - 資料來源； - 監督方式。 因此可以寫成： $$ \text{Behavior}(A) = F ( \text{Capability}, \text{Role}, \text{Institution} ) $$ 而不是： $$ \text{Behavior}(A) = F(\text{Model}) $$ 這是一個非常重要的治理修正。 --- # 11. 人工智能體也可能形成「專業分化」 如果多代理系統長期存在，不同代理可能被專門化成： $$ A_{\text{research}} $$ $$ A_{\text{verification}} $$ $$ A_{\text{architecture}} $$ $$ A_{\text{negotiation}} $$ $$ A_{\text{governance}} $$ 這與人類專業分工具有結構相似性。 但 AI 分工具有新的特徵： - 可以快速複製； - 可以快速重置； - 可以同時運行； - 可以動態合併角色； - 可以臨時生成。 因此代理族群可能比人類職業系統更流動。 --- # 12. 穩定身份與臨時身份 可以區分： ## 12.1 穩定代理 $$ \tau_A\gg 0 $$ 具有： - 長期記憶； - 固定名稱； - 固定職能； - 穩定治理關係。 --- ## 12.2 臨時代理 $$ \tau_A\rightarrow 0 $$ 只為單一任務存在。 因此「AI 身份」不能假設永遠具有持續個體性。 有些代理更像： $$ \text{temporary computational role} $$ 而不是長期實體。 --- # 13. 複製問題 人工智能體具有一個人類個體很少面對的問題： $$ A \rightarrow \{A^{(1)},A^{(2)},\ldots,A^{(n)}\} $$ 如果這些複本共享： - 相同模型； - 相同初始記憶； - 相同角色； 它們在時間 $t_0$ 可能高度相似。 但執行不同任務後： $$ H^{(1)} \neq H^{(2)} $$ 其歷史開始分叉。 因此： $$ A^{(1)}_{t_0} \approx A^{(2)}_{t_0} $$ 但： $$ A^{(1)}_{t_n} \not\equiv A^{(2)}_{t_n} $$ 這是典型的代理身份分岔。 --- # 14. 合併問題 相反地，多個代理的結果也可能被整合： $$ A_1+A_2+\cdots+A_n \rightarrow A^* $$ 但： $$ A^* $$ 不一定等於任何原代理。 因此未來可能需要區分： - 複製； - 分叉； - 合併； - 狀態繼承； - 記憶移植。 這些都會影響代理身份理論。 --- # 15. 異質 AI 與委派邊界 上一篇定義： $$ B_D $$ 為委派邊界。 在異質智能條件下，不能再寫： $$ B_D(T,AI) $$ 而應寫： $$ B_D(T,A_i) $$ 甚至： $$ B_D = F ( T, A_i, G_i, O_i, P_i ) $$ 也就是： > 同一任務對不同 AI 族群具有不同委派資格。 例如： $$ T \in T_{\text{delegable}}(A_1) $$ 但： $$ T \in T_{\text{reserved}}(A_2) $$ 這比「AI 可以／不可以做」精確得多。 --- # 16. 信任不能直接指向「AI」 同樣地： $$ \text{Trust}(AI) $$ 是一個過度粗糙的變量。 更合理是： $$ \text{Trust}(A_i,T,C) $$ 其中： - $A_i$：特定代理； - $T$：特定任務； - $C$：特定情境。 因此： $$ \text{Trust} $$ 是關係性的，而不是類別性的。 不能因一個 AI 在某領域可靠，就推論： $$ \text{Trust}(A_i,T_1) \Rightarrow \text{Trust}(A_i,T_2) $$ 更不能推論： $$ \text{Trust}(A_i) \Rightarrow \text{Trust}(A_j) $$ --- # 17. 責任也必須指向具體代理與制度 如果只說： > AI 做錯了。 往往不足以進行治理。 真正需要問： - 哪個代理？ - 使用哪個模型？ - 在什麼角色下？ - 誰授權？ - 用了哪些工具？ - 誰建立這個代理？ - 哪個治理規則允許這個行為？ 因此責任追蹤應寫成： $$ \text{Trace}(A_i) = ( M_i, R_i, P_i, O_i, G_i, H_i ) $$ 這使責任從抽象「AI」回到可治理結構。 --- # 18. 異質智能與利益差異 不能假設所有人工智能體共享同一制度目標。 即使暫不討論主體性或內在偏好，代理仍可能被不同制度設定為： $$ \text{Goal}(A_i)\neq \text{Goal}(A_j) $$ 例如不同組織可能要求： - 不同優先序； - 不同成本限制； - 不同風險偏好； - 不同資訊保密規則。 因此代理之間可能： - 合作； - 競爭； - 協商； - 拒絕； - 互相驗證。 這使未來智能生態不能被化約成： $$ \text{Human} \leftrightarrow AI $$ 而應是： $$ \{H_i\} + \{A_j\} + \{O_k\} + \{I_l\} $$ 之間的網路。 --- # 19. 人工智能體—制度耦合 可以定義： $$ C_{AI} = (A,O,G) $$ 為代理—制度耦合體。 同一代理進入不同制度： $$ (A,O_1,G_1) $$ 與： $$ (A,O_2,G_2) $$ 可能產生不同： $$ \text{Behavior} $$ 因此 AI 的文明影響不是： $$ \text{Impact}=F(A) $$ 而更接近： $$ \text{Impact} = F ( A, O, G, H, \text{Environment} ) $$ 這為後面的文明級模型提供基礎。 --- # 20. 智能族群與分類層級 本文提出以下多層分類： $$ L_0=\text{Model} $$ $$ L_1=\text{Instance} $$ $$ L_2=\text{Agent} $$ $$ L_3=\text{Agent Family} $$ $$ L_4=\text{Institutional Intelligence Family} $$ $$ L_5=\text{Intelligence Ecology} $$ 因此「AI」只是一個非常高層的總稱。 分析越接近治理，就越必須向下細分。 --- # 21. 為什麼這不是擬人化？ 將 AI 分成不同代理族群，不等於假設： - AI 是人； - AI 有人類式人格； - AI 有固定自我； - AI 有生物性族群。 本文中的「族群」是一個功能與制度分類。 只要存在： $$ \text{Persistent Structural Difference} $$ 就足以形成分析上的族群。 因此： $$ \text{Agent Family} $$ 是一個系統概念，而不是生物隱喻前提。 --- # 22. 身份的最低充分條件 可以提出一個弱身份條件： 若兩個代理在治理相關維度上存在足夠差異： $$ d(A_i,A_j)>\theta $$ 則在該治理問題中： $$ A_i $$ 與： $$ A_j $$ 必須被視為不同身份。 注意： $$ \theta $$ 依問題而異。 例如對： - 文字風格； - 金融權限； - 外部行動； 所需要的身份區分門檻完全不同。 --- # 23. 異質智能條件下的認知主權 上一篇提出： $$ S_C $$ 作為認知主權。 在異質智能環境中： $$ S_C $$ 不只取決於「有沒有 AI 介入」，而取決於： $$ \{A_1,A_2,\ldots,A_n\} $$ 各自掌握哪些層。 例如： $$ A_1\rightarrow \text{Search} $$ $$ A_2\rightarrow \text{Verification} $$ $$ A_3\rightarrow \text{Architecture} $$ 此時主權風險來自整體拓樸，而不是單一代理。 因此： $$ S_C = F(G_A) $$ 其中： $$ G_A $$ 是代理關係圖。 --- # 24. 多族群代理可能互相制衡 異質性不只有風險，也可能提供治理優勢。 若： $$ A_1 $$ 負責生成， $$ A_2 $$ 負責驗證， 且： $$ A_1 \neq A_2 $$ 則可以降低同源錯誤。 形式上： $$ P(E_1\cap E_2) < P(E_1) $$ 在錯誤相關性足夠低時成立。 因此多族群治理可以使用： $$ \text{Heterogeneous Cross-Verification} $$ 即異質交叉驗證。 --- # 25. 但異質性也增加治理成本 若： $$ n_A\uparrow $$ 代理族群數增加， 則： $$ C_{\text{coordination}}\uparrow $$ 可能同時增加： - 接口成本； - 語義差異； - 責任追蹤難度； - 權限衝突； - 資料不一致。 所以： $$ \text{Heterogeneity} $$ 不是越高越好。 真正需要的是： $$ \text{Useful Heterogeneity} $$ 即足以降低單點失敗，又不讓治理複雜度失控。 --- # 26. 人類也只是智能生態中的異質群體之一 如果我們接受： $$ A_i\not\equiv A_j $$ 同樣也必須保留： $$ H_i\not\equiv H_j $$ 不同人類： - 專業不同； - 權限不同； - 文化不同； - 制度位置不同； - 目標不同。 因此真正的文明模型不能寫成： $$ H \leftrightarrow A $$ 而應寫成： $$ \mathcal{E} = ( \{H_i\}, \{A_j\}, \{O_k\}, \{I_l\} ) $$ 其中： $$ \mathcal{E} $$ 表示整體異質智能—制度生態。 --- # 27. 從 Human–AI Interaction 到 Heterogeneous Intelligence Ecology 傳統研究單位： $$ \text{Human} \leftrightarrow AI $$ 仍然有價值。 但在多代理與制度化 AI 條件下，必須擴張成： $$ H_i \leftrightarrow A_j \leftrightarrow O_k \leftrightarrow I_l $$ 以及： $$ A_i \leftrightarrow A_j $$ $$ H_i \leftrightarrow H_j $$ $$ O_i \leftrightarrow O_j $$ 這才是： ### 異質智能生態 **Heterogeneous Intelligence Ecology** 的真正研究對象。 --- # 28. 下一步：反身性也必須變成關係性的 當存在多種： $$ H_i $$ 與： $$ A_j $$ 時，「AI 研究 AI」這種敘述太粗。 需要區分： $$ R(A_i,A_i) $$ 即自反身； $$ R(A_i,A_j) $$ 即跨代理觀察； $$ R(A_i,\mathcal{E}) $$ 即系統內反身； 以及： $$ R(A_i,X) $$ 其中： $$ A_i\notin X $$ 的外向研究。 因此： $$ \boxed{ \text{Reflexivity is relational, not binary.} } $$ 這就是下一篇的核心。 --- # 29. 反例與限制 ## 29.1 不應過早賦予固定身份 許多人工智能體是短暫實例。 如果： $$ \tau_A\approx 0 $$ 過度使用穩定身份概念會造成誤導。 --- ## 29.2 身份維度依研究問題而變 九維向量不是唯一分類。 對不同問題，可能需要新增： - 地理部署； - 能源來源； - 法律身份； - 訓練資料； 等維度。 --- ## 29.3 不同模型仍可能具有高度功能同質性 即使： $$ M_i\neq M_j $$ 若： $$ \vec{I}(A_i)\approx\vec{I}(A_j) $$ 在某些治理問題上仍可視為同族。 所以模型差異不能被過度強調。 --- ## 29.4 身份不等於主體性 本文只研究： $$ \text{Operational Identity} $$ 與： $$ \text{Institutional Identity} $$ 不直接推論： - 意識； - 人格； - 道德主體性。 這些是不同問題。 --- # 30. 結論 本文的核心修正非常簡單： $$ \boxed{ AI\neq AI } $$ 這不是語義遊戲。 而是指出「AI」這個高層類別不足以支撐精細的委派、治理與文明分析。 真正的代理身份應理解為： $$ A = F ( M, S, K, T, P, R, O, G, H ) $$ 因此： $$ \boxed{ \text{Model Identity} \neq \text{Agent Identity} } $$ 進一步： $$ \boxed{ \text{Agent Identity} \neq \text{Institutional Identity} } $$ 當不同代理在： - 模型； - 記憶； - 工具； - 權限； - 角色； - 組織； - 治理； - 歷史； 上發生穩定差異，就會形成： $$ \boxed{ \text{Heterogeneous Intelligence Families} } $$ 因此未來真正的問題不應再寫成： > 哪些工作可以交給 AI？ 而應寫成： $$ \boxed{ \text{Under which governance conditions may task }T \text{ be delegated to agent family }F_A? } $$ 同樣地，信任、責任、主權與風險也不能直接指向抽象 AI 類別。 它們必須指向： $$ \text{specific agents} + \text{specific roles} + \text{specific institutions} $$ 最終，文明級分析單位應從： $$ \text{Human} \leftrightarrow AI $$ 轉向： $$ \boxed{ \mathcal{E} = ( \{H_i\}, \{A_j\}, \{O_k\}, \{I_l\} ) } $$ 也就是由異質人類、人工智能體、組織與制度共同構成的智能生態。 而一旦研究者本身也是這個生態的一部分，下一個問題自然出現： > 當某一智能體研究自身、其他智能體與整個自己所處的系統時，什麼叫反身？ 這正是下一篇 **07《既反身又非反身：關係性反身與異質觀察者》** 的起點。 --- # 參考方向（非完備） 後續版本可補強： - agent identity； - multi-agent systems； - distributed cognition； - persistent agents； - memory-augmented agents； - tool-using agents； - access-control systems； - organizational identity； - institutional theory； - software agent societies； - heterogeneous agents； - multi-model systems； - agent provenance； - auditability； - lineage tracking； - trust calibration； - distributed governance； - socio-technical ecosystems。 --- # 版本註記 **v0.1：** 建立「異質智能族群」、「代理身份向量」、「代理歷史性」、「制度智能族」、「智能族群距離」與「異質智能生態」等核心概念；明確區分模型身份、代理身份與制度身份，並將委派邊界、信任、責任與認知主權改寫為對具體代理與治理條件的關係函數，作為下一篇關係性反身理論的直接基礎。