# GCCWT Paper 06｜AI 原生全域調度：從 Task Scheduler 到 World Computation Planner（Draft v0.1）

**系列：** 全域耦合計算世界論（Global Coupled Computational World Theory, GCCWT，暫名）  
**版本：** Draft v0.1  
**作者：** Neo.K  
**協作：** Aletheia / GPT-5.6 Sol  
**狀態：** 研究草稿；名稱、符號、形式公理與工程映射仍可修改  

> 本系列研究一個理論極限：不同電腦、硬體、軟體、AI Agent、記憶體、儲存與形式系統，能否在保留局部身分、權限、失效域、時間差異與物理差異的前提下，形成一個可尋址、可時間對齊、可依賴、可動態調度與可跨世界耦合的共享計算底空間。

**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-10-08（整理日期；原稿未標註日期）  

---

## 摘要

本文將 GCCWT 的共享計算底空間進一步推進到 AI 原生調度。傳統 scheduler 主要根據 CPU load、memory pressure、queue length 與 priority 調度；本文提出 World Computation Planner（WCP），使 AI 同時讀取任務語義、世界狀態、資源拓撲、依賴圖、時間約束、權限、成本、風險與未來資訊價值，並構造跨 CPU/GPU/Memory/Agent/Proof Engine 的執行計畫。本文強調 Planner 只負責提出全域計畫，不自動擁有 Local Resource Authority。

## 1. 傳統 Scheduler 的視野限制

傳統：

\[
Score(R)=f(load,memory,priority).
\]

WCP：

\[
Score(R,Q)=f(Semantics,State,Dependencies,Time,Cost,Risk,FutureUtility).
\]

## 2. Task Semantics

AI 首先理解數值計算、symbolic proof、embedding、generation、database scan、simulation、human interaction。不同語義映射不同資源域。

## 3. Global Plan

定義：

\[
\mathcal P_Q=\langle Stages,Resources,Dependencies,Epochs,Capabilities,Fallbacks\rangle.
\]

計畫本身可動態修改。

## 4. Planner 不等於 Authority

\[
\boxed{Plan(R_i)\not\Rightarrow Reserve(R_i)}.
\]

每個資源仍由 Local Resource Authority 決定是否授予。

## 5. Plan/Execute 分離

AI 可提出：

\[
CandidatePlan.
\]

Runtime 再執行：

\[
Validate\rightarrow Reserve\rightarrow Execute.
\]

## 6. Semantic Cost Model

成本不只貨幣或時間，還可含 privacy、information loss、model mismatch、energy、legal boundary、proof confidence。

## 7. Information Gain

某些資源雖然慢，卻能顯著降低不確定性：

\[
Utility=TaskGain+InformationGain-Cost.
\]

這與 OIGT Runtime 的資源排程思想一致，但 GCCWT 把它推廣到整個計算宇宙。

## 8. Future Utility

Planner 可以考慮當前結果對後續任務的價值，例如選擇把中間 tensor 放在未來最可能繼續使用的 GPU 附近。

## 9. Dynamic Replanning

若 GPU failure、bridge revocation、stale world state、new resource offer 發生，則：

\[
\mathcal P_t\rightsquigarrow \mathcal P_{t+1}.
\]

## 10. Multi-Agent Planning

不同 World 可以各有 planner。它們不必共享一個 universal planner；可以透過 proposal / negotiation 形成 task-local global plan。

## 11. Planner Tension

若兩個 planner 對同一資源有不同最優解，可保存：

\[
T_P(P_A,P_B).
\]

而不是強制一個永遠最高優先級的 planner。

## 12. Explainability / Audit

全域調度必須留下：

\[
Why(R_i,Q),CostEstimate,AuthorityPath,DependencyPath.
\]

否則系統會成為不可追蹤的資源黑箱。

## 13. Human / Organization Boundary

全域 AI 不能因為技術上可尋址就越過組織權限。Planner 必須將 ownership 與 policy 視為一等約束。

## 14. Hardware/Software Co-Planning

Planner 不只選硬體，也能選 compiler、precision、algorithm、model、caching strategy、representation。所以它是 World Computation Planner，而非 Device Scheduler。

## 15. 最終命題

\[
\boxed{
\text{AI-Native Global Scheduling}
=\text{Semantic Planning}
+\text{World-State Awareness}
+\text{Resource Negotiation}
+\text{Local Authority Preservation}
}
\]

全域 AI 的價值不是獲得無限控制權，而是獲得足夠大的觀察與計畫域，把原本彼此割裂的計算資源編排成一個動態計算場。

---

**下一篇：** GCCWT Paper 07｜共享計算宇宙：MWT、GCM、CTCL、OIGT 與全域耦合底空間的統一架構