# GCCWT Paper 06｜AI 原生全域調度：從 Task Scheduler 到 World Computation Planner（Draft v0.2） **English Title:** *AI-Native Global Scheduling: From Task Scheduler to World Computation Planner* **系列：** 全域耦合計算世界論（Global Coupled Computational World Theory, GCCWT，暫名） **版本：** Draft v0.2 **作者：** Neo.K **協作：** Aletheia / GPT-5.6 Sol **狀態：** 研究草稿；本版為 Paper 06 第一輪增厚版，名稱、符號、形式公理與工程映射仍可修改 **承接：** Paper 00–05，特別是 World Address Space、Coupling Contract、CTCL、Computational Field 與 Global State Fabric > 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 前五篇已依序建立 GCCWT 的基本共享計算宇宙：Paper 00 描述全域耦合計算世界的總綱；Paper 01 建立 Resource Identity 與 World Address Space；Paper 02 定義耦合而不發生 Identity Collapse 的條件；Paper 03 以 CTCL 建立共同事件座標與時間—因果底空間；Paper 04 將跨 CPU、GPU、記憶體、Agent 與其他執行載體的動態任務設定提升為 Computational Field；Paper 05 則建立 Global State Fabric，使邏輯狀態、物理承載、版本、依賴、權限、證明、來源與資料流可在多 World 間交錯存在。 本文進一步回答下一個必要問題：**當共享計算宇宙中已經存在大量異質資源、狀態、依賴、權限與時間約束時，誰來決定「下一步到底應該在哪裡、以什麼方法、用什麼表示、花多少資源、在什麼時間、經過哪些 World、保留哪些證據」完成計算？** 傳統 Task Scheduler 通常以 CPU 使用率、記憶體壓力、佇列長度、優先權、親和性與資源需求為主要輸入。這類 scheduler 對單機與叢集仍極其重要，但在 GCCWT 所描述的共享計算宇宙中，調度問題已經擴張成： - 任務的語義是什麼； - 任務可否被分解、重寫、近似或替代； - 哪些中間狀態可以移動，哪些不能； - 哪些資料具有 Data Gravity、State Gravity、Authority Gravity 或 Proof Gravity； - 哪些資源在 World Address Space 中可被找到、解析、到達、授權與啟動； - 哪些 World 只允許讀取、哪些允許執行、哪些允許提交狀態； - 哪些算子必須在 GPU、CPU、NPU、形式證明器、資料庫、Agent 或人類節點執行； - 哪些結果必須帶 Proof Certificate、Provenance 或 CTCL temporal envelope； - 哪些資源雖然較慢，卻能顯著降低不確定性； - 哪些中間結果未來會被重複使用，因此值得靠近未來高需求的執行區域； - 哪些計畫雖然目前最快，卻會產生過高 coupling debt、state tension、authority risk 或 recovery cost。 本文將負責此類決策的 AI 原生元件稱為 **World Computation Planner（WCP，世界計算規劃器）**。WCP 不是一個取得所有硬體控制權的超級排程器，而是一個能在有限觀察、有限權限與有限資源下，對 task intent、world state、resource state、dependency graph、temporal state、authority topology、proof obligations、cost/risk 與 future utility 建立 **候選全域執行計畫（Candidate Global Execution Plan）** 的規劃層。 本文的核心分離是： \[ \boxed{ \text{Planning Authority} \neq \text{Execution Authority} \neq \text{Mutation Authority} \neq \text{Resource Ownership} } \] WCP 可以看見一個 GPU、判斷它適合某個 tensor kernel、甚至提出把某段狀態搬到該 GPU 附近的計畫，但這不表示 WCP 自動取得該 GPU 的 reservation、該 World 的資料讀取權、或 canonical state 的寫入權。真正的執行仍必須經過 Local Resource Authority、Local World Authority、Bridge、Capability、Reservation、Verification 與 Commit。 本文將全域計畫表示為一個可版本化、可部分物化、可分支、可替換與可稽核的 typed plan graph： \[ \mathcal P_Q = \langle I_Q, G_{task}, G_{dep}, G_{resource}, G_{authority}, G_{time}, G_{proof}, \Pi, \mathcal A, \mathcal F, \mathcal C \rangle, \] 其中 \(I_Q\) 是 Task Intent / Contract，\(\Pi\) 是候選 placement / execution plan，\(\mathcal A\) 是 assumptions 與 planner epistemic state，\(\mathcal F\) 是 fallback / frontier，\(\mathcal C\) 是 certificates、cost、risk 與 audit metadata。 本文進一步提出 **Semantic Scheduling、World-Aware Planning、Multi-Objective Planning、Information-Gain Planning、Future-Utility Planning、Representation/Algorithm/Precision Co-Planning、Dynamic Replanning、Planner Federation、Plan Tension、Plan Certificate、Minimum Sufficient Planning、Finite Active Plan / Open Plan Frontier** 等結構。 因此，AI 原生全域調度的核心不再是「哪顆 GPU 現在最空」，而是： \[ \boxed{ \text{AI-Native Global Scheduling} = \text{Semantic Task Understanding} + \text{World-State Awareness} + \text{Typed Dependency Planning} + \text{Temporal/Causal Planning} + \text{Resource Negotiation} + \text{Authority Preservation} + \text{Proof/Provenance Planning} + \text{Dynamic Replanning} } \] 最終，GCCWT 中的「全域 AI」不被定義為擁有無限控制權的單一中央智慧，而是具有足夠大的**觀察域、模型域與候選計畫域**，能把原本割裂於不同 World、硬體與軟體中的計算能力，在不消除 Local Authority 與 World Identity 的條件下，形成 task-relative、finite-active、可恢復、可驗證的全域計算場。 --- # 關鍵詞 AI 原生全域調度、World Computation Planner、世界計算規劃器、Semantic Scheduling、Task Intent、Task Contract、Global Execution Plan、Computational Field、World Address Space、Global State Fabric、Typed Dependency、CTCL、Resource Negotiation、Local Resource Authority、Local World Authority、Information Gain、Future Utility、Dynamic Replanning、Plan Tension、Planner Federation、Proof Obligation、Provenance、Precision Planning、Representation Planning、Algorithm Planning、Minimum Sufficient Planning、Finite Active Plan、Open Plan Frontier、MWT、GCM、OIGT、GCCWT、共享計算宇宙。 --- # 1. 問題：為什麼 Scheduler 不夠？ 傳統 scheduler 解決的是非常重要但相對局部的問題： > 已知一組 jobs、resources 與 scheduling constraints，下一個 job 應該在哪裡執行？ 在單機作業系統中，答案可能依據： - CPU priority； - process state； - core affinity； - memory locality； - deadline； - fairness。 在叢集與雲端中，則可能增加： - node capacity； - container request / limit； - GPU availability； - network topology； - locality； - replica placement； - autoscaling。 但 GCCWT 中的任務已不再只是「一個待分派的 job」。 一個自然語言要求： > 「分析這個大型資料集，找出異常，對關鍵結果做形式驗證，再用目前最省能源但仍滿足時限的方法產生報告。」 可能隱含： 1. 資料 schema 探查； 2. 權限檢查； 3. 遠端資料 projection； 4. GPU 統計或模型推理； 5. CPU symbolic preprocessing； 6. proof engine； 7. AI Agent interpretation； 8. 人類 review gate； 9. provenance sealing； 10. report generation。 此時「哪台機器跑 job」已經不是第一個問題。 第一個問題變成： \[ \boxed{ \text{What computation should exist?} } \] 其次才是： \[ \boxed{ \text{Where, when, how, under whose authority, with what evidence?} } \] 這就是 Task Scheduler 與 World Computation Planner 的根本差異。 --- # 2. 從 Scheduler 到 Planner 本文暫定： \[ \boxed{ \text{Scheduler} = \text{Resource-Time Assignment under a mostly specified task} } \] 而： \[ \boxed{ \text{Planner} = \text{Construction and revision of an executable world-level computation structure} } \] Scheduler 通常收到已存在的 task graph。 WCP 則可能需要先創造 task graph。 Scheduler 通常在給定 operator 下選 resource。 WCP 可以先選 operator，再選 representation，再選 precision，再選 placement。 Scheduler 通常最佳化執行。 WCP 同時規劃： - 計算內容； - 狀態材料化； - 跨 World bridge； - 時間依賴； - authority path； - proof path； - recovery path。 --- # 3. Task Intent 是最上游輸入 定義： \[ I_Q = \langle Goal, Constraints, Utility, Risk, Evidence, Deadline, Budget, AuthorityScope \rangle. \] 這稱為 **Task Intent**。 它不是等同於 command string。 例如： ```text "幫我跑這個模型" ``` 只是表面輸入。 實際 intent 可能還包括： - 模型版本必須固定； - 私密資料不能離開 World A； - 結果可在 World B GPU 計算； - 中間 embedding 不得持久化； - latency < 2 s； - 成本 < X； - 最終結論必須有 proof / audit evidence。 因此： \[ \boxed{ \text{Prompt} \neq \text{Task Intent} } \] --- # 4. Task Contract Intent 經過 clarification、policy resolution 或系統預設後，可以形成： \[ \boxed{ K_Q = \text{Task Contract} } \] 其中至少包括： \[ K_Q = \langle Goal, Inputs, Outputs, Invariants, Budget, Deadline, Precision, Privacy, Authority, Evidence, Recovery \rangle. \] WCP 的計畫必須服從 \(K_Q\)。 計畫不是自由創作。 --- # 5. Goal Decomposition 對複合任務： \[ Q \] WCP 可能分解成： \[ Q \Rightarrow \{q_1,q_2,\ldots,q_n\}. \] 但分解不是只有語法拆句。 它需要考慮： - 哪些子任務可以平行； - 哪些共享 state； - 哪些需要相同 authority； - 哪些能由不同演算法實現； - 哪些結果只需要 summary； - 哪些 proof obligation 可以後置； - 哪些失敗可局部補償。 --- # 6. Task Graph 形成： \[ \boxed{ G_Q =(V_Q,E_Q,\tau_Q) } \] 其中： - \(V_Q\)：task / operator / decision nodes； - \(E_Q\)：typed dependencies； - \(\tau_Q\)：node / edge semantics。 這不是單純 DAG 的必要條件。 某些計算可能有： - iterative cycles； - feedback loops； - speculative branches； - recovery loops； - human-in-the-loop edges。 --- # 7. Task Graph ≠ Execution Graph Task Graph 描述： > 要完成什麼關係。 Execution Graph 描述： > 這一次具體打算怎麼做。 因此： \[ \boxed{ G_{task} \neq G_{exec} } \] 一個 Task Graph 可以對應多個 Execution Graph。 --- # 8. Operator Alternatives 對 task node： \[ q_i, \] 可有： \[ \mathcal O(q_i) = \{O_1,O_2,\text{\ldots},O_m\}. \] 例如矩陣運算可以選： - CPU BLAS； - CUDA kernel； - ROCm kernel； - NPU operator； - remote accelerator； - approximate algorithm。 Planner 的問題因此包含： \[ \boxed{ \text{Which operator?} } \] 而不是只有： \[ \boxed{ \text{Which device?} } \] --- # 9. Algorithm Planning 同一 goal 可以有不同 algorithm family。 例如排序、搜尋、最佳化、推理、證明、模擬，都可能存在： \[ A_1,A_2,\text{\ldots},A_k. \] Planner 可以依據： - input size； - distribution； - expected sparsity； - precision； - hardware； - deadline； - proof requirement； - energy； 選擇 algorithm。 所以： \[ \boxed{ \text{Algorithm Choice} \subset \text{World Planning} } \] --- # 10. Representation Planning Paper 01–05 已反覆強調 Representation 不等於本體。 但 representation 會強烈影響計算成本。 例如同一 logical state 可投影為： - dense matrix； - sparse matrix； - graph； - tensor； - symbolic term； - compressed state； - database relation； - vector index。 WCP 可以規劃： \[ \boxed{ R_i \rightarrow R_j } \] 但必須追蹤： \[ Loss(R_i\rightarrow R_j). \] --- # 11. Precision Planning 計算宇宙中的每一步不必使用相同 precision。 可以： \[ FP64 \rightarrow FP32 \rightarrow BF16 \rightarrow INT8 \] 或反向升精度。 Planner 必須知道： \[ \boxed{ \text{Precision Reduction} \neq \text{Free Optimization} } \] 它可能導致： - numerical error； - proof invalidity； - semantic drift； - downstream instability。 --- # 12. Precision Contract 定義： \[ P_Q = \langle Tolerance, RequiredPrecision, AccumulationPolicy, VerificationRule \rangle. \] 任何 operator placement 都必須符合。 --- # 13. Semantic Scheduling 傳統 scheduler 往往看： \[ Load, Memory, Priority. \] WCP 需要額外看： \[ \boxed{ Semantics(Q) } \] 例如： - symbolic proof； - tensor training； - database scan； - retrieval； - graph traversal； - rendering； - human approval； - low-latency interaction。 不同語義應進不同 resource / operator region。 --- # 14. World-State Awareness Planner 的輸入不是只有 hardware metrics。 還有： \[ \boxed{ State(W_i,t) } \] 包括： - data version； - local canonical state； - bridge status； - authorization； - current tension； - open transaction； - temporal epoch； - resource leases。 如果 Planner 忽略 World State，它可能建立形式上高效、實際上非法的計畫。 --- # 15. Resource-State Awareness 對每個 resource： \[ R_j, \] Planner 至少希望知道： \[ State(R_j) = (Capacity,Load,Health,Lease,Location,Cost,Trust,Availability). \] 但這只是 planner belief。 不是絕對真實。 --- # 16. Planner Epistemic State 定義： \[ \boxed{ E_P = \text{Planner Epistemic State} } \] 它表示 Planner **目前相信**世界是什麼樣子。 可包含： \[ E_P = \langle Beliefs, Versions, Freshness, Confidence, Unknowns, Sources \rangle. \] 這一層非常重要。 因為： \[ \boxed{ \text{Planner Model} \neq \text{World Itself} } \] --- # 17. Unknown Preservation 如果 Planner 不知道某 GPU 是否可用，不能預設： \[ Available=\mathrm{false} \] 也不能預設： \[ Available=\mathrm{true}. \] 應保存： \[ \boxed{ Unknown. } \] --- # 18. Freshness 每一項 Planner belief 應可帶： \[ Freshness(b). \] 過期狀態的價值應降低。 但過期不等於錯誤。 --- # 19. Observation Cost 全域觀察本身也有成本。 若每次規劃前都要求所有 World 回報全部狀態： \[ Cost_{observe} \rightarrow \text{very large}. \] 所以 Planner 也必須規劃： > 值不值得再觀察？ --- # 20. Value of Information 令： \[ VOI(o) = \text{expected decision improvement from observation }o. \] 若： \[ VOI(o)>Cost(o), \] 則值得查詢。 這就是全域 AI 和傳統 scheduler 很不同的地方之一。 --- # 21. Information Gain 某個算子或資源即使不直接產出最終答案，也可能顯著降低不確定性。 定義： \[ IG(a) = H(Before)-H(After). \] Planner utility 可以寫成： \[ U(a) = TaskGain + \lambda IG(a) - Cost(a). \] --- # 22. Future Utility Planner 不只考慮： \[ U_{now}. \] 還可以考慮： \[ \boxed{ U_{future}. } \] 例如某 tensor 中間結果目前可以放 A 或 B。 若後續任務高度可能使用 B 的 GPU，現在把結果靠近 B 可能更有價值。 --- # 23. Option Value 某些 placement 保留更多未來選擇。 定義： \[ OptionValue(s) = \text{future reachable plan diversity under state }s. \] 因此最快路徑不一定是最好的路徑。 --- # 24. Multi-Objective Planning WCP 幾乎必然是 multi-objective。 可考慮： \[ \mathbf J = ( Latency, Cost, Energy, Risk, Privacy, Precision, InformationGain, Recovery, FutureUtility ). \] 不存在一個自然唯一 scalar。 --- # 25. Policy Projection 實際 task 可以給 policy： \[ \pi_Q: \mathbf J \mapsto Score. \] 例如： - interactive task 強調 latency； - research task 強調 accuracy / information gain； - edge task 強調 energy / privacy； - safety-critical task 強調 proof / recovery。 --- # 26. Planner Score 不是真理 \[ Score(P_1)>Score(P_2) \] 只表示： > 在當前 policy、belief 與模型下，\(P_1\) 較優。 不表示： \[ P_1 \] 客觀永遠較好。 --- # 27. Hard Constraint 與 Soft Objective 分離 某些條件不可被 cost trade-off 掉。 例如： \[ DataMustStayIn(W_A). \] 這是 hard constraint。 不能因 B GPU 快 10 倍就違反。 --- # 28. Constraint Families WCP 至少應識別： - semantic constraints； - data constraints； - state constraints； - temporal constraints； - authority constraints； - proof constraints； - resource constraints； - privacy constraints； - legal / organizational constraints； - recovery constraints。 --- # 29. Data Gravity Paper 04 已提出 Data Gravity。 若大量資料位於： \[ W_A, \] 則移動計算可能比移動資料便宜。 Planner 應比較： \[ Cost(MoveData) \quad vs \quad Cost(MoveCompute). \] --- # 30. State Gravity 若任務高度依賴某個複雜、難以重建的 state： \[ S, \] 則 state 所在位置產生： \[ Gravity_{state}(S). \] --- # 31. Authority Gravity 若某操作只能由： \[ LWA_A \] 提交，則即使 computation 可外移，最終 commit 仍需要回到 authority boundary。 這形成： \[ Gravity_{auth}. \] --- # 32. Proof Gravity 若下游結果必須依賴某 proof environment、formal library 或 trusted proof engine，則： \[ Gravity_{proof} \] 也會影響 placement。 --- # 33. Temporal Gravity 某些工作必須靠近： - low-latency sensor； - hard deadline； - specific CTCL epoch； - fresh world state。 形成： \[ Gravity_{time}. \] --- # 34. Compute Gravity 若某加速器具有極高效能且資料搬移便宜，則： \[ Gravity_{compute} \] 可能主導計畫。 --- # 35. Gravity Vector 因此可寫： \[ \boxed{ \mathbf G_Q =( G_D, G_S, G_A, G_P, G_T, G_C ). } \] Planner 不應只以 network distance 做 locality 決策。 --- # 36. Move Data / Move Compute / Move State / Reconstruct / Delegate Planner 的基本選項至少包括： 1. Move Data； 2. Move Compute； 3. Move State； 4. Reconstruct State； 5. Delegate Operator； 6. Keep Local； 7. Split / Shard； 8. Speculate on Multiple Worlds。 --- # 37. Movement Cost 對 object \(x\)： \[ C_{move}(x) =f(Size,Latency,Bandwidth,Privacy,Serialization,Rebind,Verification). \] --- # 38. Reconstruction Cost 若 state 可以由 seed / checkpoint / provenance 重建： \[ C_{reconstruct}(x). \] 有時： \[ C_{reconstruct}= 24 GB precision supports BF16 latency <= 20 ms trust >= T cost <= B ``` 而不是： ```text use machine C GPU0 ``` --- # 43. Discovery ≠ Reservation 找到資源： \[ Discover(R) \] 不表示： \[ Reserve(R). \] --- # 44. Reservation ≠ Execution 即使 reservation 成功： \[ Reserve(R)=PASS, \] 也不表示 task 已執行。 --- # 45. Execution ≠ Commit 某段 remote computation 成功： \[ Execute=PASS \] 也不表示 canonical world state 已提交。 因此完整鏈為： \[ \boxed{ Discover \rightarrow Resolve \rightarrow Authorize \rightarrow Reserve \rightarrow Execute \rightarrow Verify \rightarrow Commit. } \] --- # 46. Planner 不擁有 Authority 這是本文核心： \[ \boxed{ Plan(R_i) \not\Rightarrow Authority(R_i). } \] --- # 47. Local Resource Authority 每個 resource holder： \[ W_i \] 可以有： \[ LRA_i. \] WCP 必須 negotiate。 --- # 48. Local World Authority 對 canonical state mutation： \[ LWA_i \] 仍是最後 authority。 因此： \[ \boxed{ \text{Global Planning} \neq \text{Universal Control}. } \] --- # 49. Capability Path 一個計畫不只需要 resource path，也需要： \[ \boxed{ Path_{capability}. } \] 例如： \[ Planner \rightarrow Bridge \rightarrow Capability \rightarrow RemoteExecutor. \] --- # 50. Authority Path 若最後需要改寫 World B： \[ Path_{authority} \rightarrow LWA_B. \] 這條路徑應進 Plan。 --- # 51. Proof Obligation 某些 task stage 需要： \[ Proof(q_i). \] Planner 必須為 proof 建立資源與依賴。 --- # 52. Proof Path 例如： \[ ComputeCandidate \rightarrow GenerateProofObligation \rightarrow ProofEngine \rightarrow ProofCert \rightarrow CommitGate. \] --- # 53. Proof Engine 不等於 Planner Planner 可以選 Proof Engine。 但： \[ \boxed{ \text{Planner belief} \neq \text{formal proof}. } \] --- # 54. Verification Gate 任何 critical stage 可設定： \[ Verify(q_i)=\text{PASS} \] 才進下一步。 --- # 55. Provenance Planning Planner 也必須規劃： > 需要保存哪些 provenance？ 若全部保留，成本過高。 若完全不保留，無法重建。 因此需要： \[ \boxed{ \text{Minimum Sufficient Provenance}. } \] --- # 56. Audit Path Plan 可附： \[ AuditPath(q_i). \] 使人或 AI 之後能追溯： - 為何選此 resource； - 為何轉換 representation； - 哪個 authority 授權； - 哪個 proof 通過； - 哪個 fallback 被使用。 --- # 57. Global Execution Plan 定義： \[ \boxed{ \mathcal P_Q = \langle K_Q, G_{exec}, \rho, \theta, \alpha, \nu, \phi, \chi \rangle. } \] 其中： - \(K_Q\)：Task Contract； - \(G_{exec}\)：Execution Graph； - \(\rho\)：resource bindings； - \(\theta\)：temporal bindings； - \(\alpha\)：authority bindings； - \(\nu\)：verification / proof obligations； - \(\phi\)：fallback / frontier； - \(\chi\)：cost / risk / audit metadata。 --- # 58. Plan Node 每個 plan node 可寫： \[ N_i = \langle Task, Operator, Representation, Precision, Resource, Inputs, Outputs, Epoch, Authority, Proof, Fallback \rangle. \] --- # 59. Plan Edge Plan edge 可以是： - data dependency； - control dependency； - state dependency； - temporal dependency； - authority dependency； - proof dependency； - resource dependency； - recovery dependency。 所以必須是 typed graph。 --- # 60. Plan Hyperedge 某些 constraint 涉及三個以上 stages。 例如： > 三個 stages 合計不得超過同一 GPU 記憶體。 這更適合： \[ Hyperedge(N_1,N_2,N_3). \] --- # 61. Plan ≠ World \[ \boxed{ \mathcal P_Q \neq W. } \] Plan 只是 task-relative executable projection。 --- # 62. Plan Version 計畫必須版本化： \[ \mathcal P_Q^{(v)}. \] 否則 replanning 後無法辨認哪一個 stage 屬於哪一個 plan generation。 --- # 63. Plan Epoch 可引入： \[ PlanEpoch(Q). \] 與 CTCL Task Epoch 對齊。 --- # 64. Plan Certificate 一個候選計畫可以附： \[ \boxed{ Cert_P = \langle PlanId, Version, Assumptions, Constraints, Bindings, Risk, Cost, Verifier \rangle. } \] 它不表示計畫一定成功。 只表示其規劃條件可稽核。 --- # 65. Plan Assumptions 例如： - GPU C 在未來 10 秒仍可用； - Bridge AB 不被撤銷； - State version = 17； - Model X checksum 固定。 每個 assumption 都可能失效。 --- # 66. Assumption Monitoring 執行中： \[ Monitor(A_i). \] 如果 assumption 失效： \[ TriggerReplan. \] --- # 67. Dynamic Replanning 定義： \[ \boxed{ \mathcal P_t \rightsquigarrow \mathcal P_{t+1}. } \] Replanning 不是 failure 的唯一結果。 它也可以由更好資源出現、資訊更新或 policy 改變觸發。 --- # 68. Replanning Triggers 至少包括： - resource failure； - capacity change； - bridge revocation； - stale state； - new resource offer； - deadline change； - proof failure； - information gain； - human intervention； - cost threshold exceeded； - tension exceeded。 --- # 69. Full Replan 不一定需要 最小擾動原則： \[ \boxed{ \text{Minimum Global Disturbance} } \] 若只是一個 GPU fail，不應無條件重建整個計畫。 --- # 70. Local Replanning 只重寫受影響 dependency cone： \[ Cone_{affected}(q_i). \] 其餘 plan prefix 保留。 --- # 71. Replan Boundary 需識別： - already committed； - active； - cancellable； - not started； - irreversible。 不能假設全部 task 可任意重排。 --- # 72. Committed Prefix 已提交世界狀態的部分： \[ Prefix_{commit} \] 不能被 Planner 假裝未發生。 若要變更，需要： \[ Compensation \] 而不是歷史抹除。 --- # 73. Speculative Execution Planner 可以建立： \[ P_1,P_2 \] 兩條候選 branch 平行試跑。 但需要 budget。 --- # 74. Speculation Value 若不確定性很高且 branch 成本低： \[ U_{spec} > U_{wait}. \] 則可 speculative。 --- # 75. Speculative Branch ≠ Commit 失敗或未採用 branch 不能修改 canonical state。 --- # 76. Fallback Plan 每個 critical stage 可有： \[ Fallback(q_i). \] 例如： - GPU → CPU； - remote model → local model； - exact solver → approximate solver； - online data → cached snapshot。 --- # 77. Degradation Policy Fallback 可能降低： - speed； - quality； - precision； - confidence。 必須由 Task Contract 允許。 --- # 78. Recovery Planning Planner 應事前知道： > 失敗後從哪裡重啟？ 因此 Plan 可含： - checkpoint； - state capsule； - replica； - reconstruction path； - compensation path。 --- # 79. Recovery Cost 某些 placement 很快，但 failure recovery 極昂貴。 所以： \[ Score \] 應包含： \[ ExpectedRecoveryCost. \] --- # 80. Failure Domain Awareness Planner 應知道： \[ FD(R_i). \] 兩個 replica 若放在同一 failure domain，實際 resilience 很低。 --- # 81. Correlated Failure 不能假設 resource failure independent。 例如： - 同一機房； - 同一網路； - 同一 power domain； - 同一 cloud control plane。 需要： \[ Corr(FD_i,FD_j). \] --- # 82. Trust Domain Awareness Resource 可用不表示可信任。 Planner 可考慮： \[ Trust(R_i). \] --- # 83. Privacy Boundary 某些 state： \[ S_{private} \] 不能離開： \[ W_A. \] Planner 只能： - move compute to A； - derive safe projection； - use privacy-preserving transform； - decline task。 --- # 84. Data Sovereignty 共享計算宇宙不表示資料主權消失。 \[ \boxed{ \text{Global Addressability} \neq \text{Global Readability}. } \] --- # 85. Organizational Boundary World boundary 可能對應： - 個人； - 團隊； - 公司； - 國家； - 安全域。 Planner 必須保留其 policy。 --- # 86. Human Approval Gate 某些 stage： \[ RequireHumanApproval. \] 這不是 Planner failure。 而是合法 dependency。 --- # 87. Human as Resource? 不完全 人類可以參與計畫，但不應被單純化成一般無權利 resource。 應至少另外保留： - consent； - agency； - availability； - authority； - responsibility。 --- # 88. Energy-Aware Planning 定義： \[ E(P) = \sum_i Energy(N_i). \] Planner 可將 energy 納入 objective。 --- # 89. Thermal Constraint 某 GPU 目前可用，但 thermal headroom 很低。 Planner 可降低 expected reliability / performance。 --- # 90. Carbon / Energy Source Context 在需要時也可加入 energy source policy。 這是 policy extension，不是 GCCWT foundation 強制。 --- # 91. Cost Model 成本可拆： \[ C = C_{compute} + C_{transfer} + C_{storage} + C_{latency} + C_{energy} + C_{risk} + C_{recovery}. \] --- # 92. Semantic Cost 某些表示轉換產生資訊損失： \[ C_{semantic}. \] 例如把完整 graph 壓縮成 summary。 --- # 93. Authority Cost 跨越更多 authority boundaries 可能增加： - negotiation； - latency； - revocation risk； - audit cost。 這也可以進 cost model。 --- # 94. Tension Cost Paper 02–05 的 tension 不是 failure，但可能提高風險。 Planner 可以使用： \[ C_T =f(T_{state},T_{time},T_{coupling},T_{resource},T_{authority}). \] --- # 95. Plan Tension 兩個計畫： \[ P_A,P_B \] 可能各自合法，但相互競爭同一資源或 authority。 定義： \[ \boxed{ T_P(P_A,P_B). } \] --- # 96. Planner Tension 若兩個 Planner 依不同 beliefs / policies 得到不同計畫： \[ T_{planner}(A,B). \] 不應立即判其中一個錯。 --- # 97. Multi-Planner World OIGT 式共享宇宙不要求一個 Universal Planner。 可以有： \[ Planner_A, Planner_B, Planner_C. \] --- # 98. Planner Scope 每個 Planner 有： \[ Scope(P_i). \] 可以是： - local World； - task federation； - organization； - hardware region； - temporary computational field。 --- # 99. Planner Authority 仍有限 Planner scope 大，不表示 authority 大。 它可能： \[ Observe(W_B) \] 但不能： \[ Commit(W_B). \] --- # 100. Planner Federation 多個 Planner 可以交換： - proposal； - resource offer； - constraint； - partial plan； - proof； - cost estimate。 形成： \[ \boxed{ \mathfrak P_Q = \text{Planner Federation for task }Q. } \] --- # 101. Planner Federation ≠ Planner Merge \[ Planner_A \neq Planner_B. \] 合作不需要變成一個模型。 --- # 102. Task-Local Global Plan 多 Planner 最終可以形成： \[ P_Q^{shared} \] 但只相對 task Q。 完成後可以解除。 --- # 103. Proposal-before-Plan-Commit 跨 World 計畫應先： \[ CandidatePlan \rightarrow Proposal \rightarrow LocalValidation \rightarrow Reservation \rightarrow Execution. \] --- # 104. Plan Commit 「計畫被接受」與「世界狀態被提交」不同。 可有： \[ CommitPlan(P) \] 只表示 participants 接受這份 execution contract。 --- # 105. Plan Commit ≠ World Commit \[ \boxed{ CommitPlan \neq CommitWorldState. } \] --- # 106. Distributed Planning 大型計畫可以分層： \[ P_{global} \rightarrow \{P_A,P_B,P_C\}. \] Local Planner 只負責自己的 subplan。 --- # 107. Hierarchical Planning 可形成： - strategic plan； - task plan； - stage plan； - kernel plan。 不同層不必由同一 AI 產生。 --- # 108. Recursive Planning Plan node 自己也可以是一個 planning problem： \[ q_i \rightarrow Planner_i \rightarrow P_i. \] 因此： \[ \boxed{ \text{Global Plan} \neq \text{Fully Expanded Plan}. } \] --- # 109. Finite Active Plan 任意時刻只要求： \[ |P_t^{active}|<\infty. \] --- # 110. Open Plan Frontier 尚未需要細化的部分可以： \[ Frontier(P). \] 只有在 execution 接近時才 materialize。 --- # 111. Planning under Unbounded Extensibility 這直接承接 GCCWT / OIGT 的： \[ \boxed{ \text{Finite Active Realization} + \text{Unbounded Extensibility}. } \] 全域 AI 不需要一次規劃整個未來。 --- # 112. Receding Horizon Planning 可以只規劃： \[ H_t \] 有限 horizon。 執行後： \[ H_t \rightarrow H_{t+1}. \] --- # 113. Long-Horizon Intent / Short-Horizon Execution 因此： \[ \boxed{ \text{Long-term Goal} + \text{Short-term Executable Closure}. } \] 這比試圖一次生成完整長程計畫更穩定。 --- # 114. Plan Frontier State Frontier 可標： - Planned； - Deferred； - DormantBudget； - DormantResource； - DormantAuthority； - DormantProof； - Unknown。 --- # 115. Dormant ≠ Failed Planner 必須保留： \[ \boxed{ Dormant \neq Failed. } \] --- # 116. Wake Conditions Frontier 可以因： - capacity； - authority； - proof； - new information； - deadline proximity； - user demand； 被重新啟動。 --- # 117. Backpressure Planner 不能因為 candidate path 全部合法就全部物化。 需要： \[ Backpressure. \] --- # 118. Budget Plan 有： \[ Budget(P). \] 可以是： - compute budget； - token budget； - monetary budget； - energy budget； - network budget； - human-attention budget。 --- # 119. Budget Vector \[ \boxed{ \mathbf B =(B_c,B_m,B_e,B_n,B_h,B_t). } \] 單一 scalar budget 往往不夠。 --- # 120. Budget Reservation 在 plan materialization 前： \[ ReserveBudget. \] 失敗後應釋放。 --- # 121. Cross-World Resource Negotiation 若計畫需要 World C GPU： \[ Planner_A \rightarrow LRA_C \rightarrow Reservation. \] 這和 OIGT Runtime v1.6 的工程方向一致，但本文保持抽象。 --- # 122. Resource Offer Resource World 可以發布： \[ Offer(R_i). \] 包括： - capability； - capacity； - cost； - trust； - lease； - constraints。 --- # 123. Resource Bid / Selection Planner 可以比較多個 offer： \[ Offer_1,Offer_2,\text{\ldots},Offer_n. \] 但最便宜 offer 不一定最優。 --- # 124. Reservation Lease 遠端 resource authorization 應帶： \[ LeaseUntil. \] 避免永久佔用。 --- # 125. Lease Renewal 長任務： \[ RenewLease. \] 失敗時需要 fallback。 --- # 126. Revocation Resource owner 可以依 contract： \[ Revoke. \] Planner 必須能處理。 --- # 127. Preemption 高優先 task 可以要求 preemption。 但是否允許由 Local Resource Authority 決定。 --- # 128. Preemption Cost 被中斷 task 可能需要： - checkpoint； - migration； - compensation； - lost work。 因此： \[ C_{preempt}. \] --- # 129. Migration Planning Planner 可以決定： \[ Exec@R_A \rightarrow Exec@R_B. \] 需處理： - state transfer； - continuation； - resource lease； - temporal continuity； - authority continuity。 --- # 130. Migration ≠ Restart 如果 continuation 被保存： \[ Migrate \neq RestartFromZero. \] --- # 131. State Capsule Paper 04/05 的： \[ StateCapsule \] 可成為 migration input。 --- # 132. Continuation Placement Planner 可以比較： \[ MoveContinuation \] 與： \[ ReconstructContinuation. \] --- # 133. Cache Planning Planner 也可以決定： > 哪些中間 state 應 cache？ 因為未來 utility 可能高。 --- # 134. Cache Location Cache placement 依： - expected reuse； - data gravity； - resource topology； - privacy； - invalidation cost。 --- # 135. Cache ≠ Canonical \[ \boxed{ Cache \neq CanonicalState. } \] Planner 不得混淆。 --- # 136. Materialization Planning 有些 state 只在需要時 materialize。 Planner 可以決定： \[ Materialize(x,Q). \] --- # 137. Minimum Sufficient Materialization 只 materialize dependency closure 必需部分： \[ \boxed{ \text{Minimum Sufficient Materialization}. } \] --- # 138. State Sharing Planning Paper 05 的 Minimum Sufficient State Sharing 進入 WCP： \[ Share_Q(S) \] 而不是全量 replication。 --- # 139. State Projection Selection WCP 可以選： - full state； - summary； - embedding； - proof digest； - delta； - checkpoint。 --- # 140. Projection Loss 任何 lossy projection 應帶： \[ Loss_Q(\Pi). \] --- # 141. Semantic Sufficiency 即使 lossy，只要： \[ \Pi(S) \simeq_Q S, \] 可能已足夠。 --- # 142. Temporal Planning CTCL 在 WCP 中不是 metadata。 Planner 需要： \[ \boxed{ G_{time}. } \] --- # 143. Task Epoch 每個 execution stage 可以帶： \[ TaskEpoch_i. \] --- # 144. Causal Frontier 若 stage 需要看到至少： \[ F_c^{min}, \] 則 stale input 不得執行。 --- # 145. Temporal Uncertainty Plan 可接受： \[ \epsilon_t \] 而不是假裝 clock 完美同步。 --- # 146. Deadline Planning Deadline 可以是： - hard； - soft； - relative； - world-local； - task-global。 必須分型。 --- # 147. Temporal Tension 跨 World plan 可能有： \[ T_{time}. \] 若超過 Task Contract，該 plan 不合法。 --- # 148. Temporal Replan 若 network delay 突升： \[ T_{time}\uparrow, \] 可觸發 replanning。 --- # 149. Planner and CTCL 因此： \[ \boxed{ WCP + CTCL } \] 共同處理「在哪裡算」與「什麼時候仍算同一個共同事件」。 --- # 150. Dependency Planning Paper 05 已分： - Data； - Control； - State； - Temporal； - Authority； - Proof； - Resource； - Semantic； - Recovery。 WCP 必須同時規劃。 --- # 151. Dependency Closure 對 task Q： \[ Closure_Q \] 應有限物化。 --- # 152. Open Dependency Frontier 未知或未決部分保留： \[ Frontier_{dep}. \] --- # 153. Dependency Tension 若 pairwise dependencies 合法，但三者合起來造成 cycle / resource conflict： \[ T_D^{(3)}>0. \] Planner 必須能看 higher-order constraint。 --- # 154. Cycle Planning 不是所有 cycle 都是錯誤。 iterative algorithm 需要 cycle。 Planner 要區分： - intentional iteration； - fixed point； - deadlock； - livelock； - illegal dependency cycle。 --- # 155. Fixed-Point Plan 可寫： \[ S_{n+1}=F(S_n) \] 直到： \[ \|S_{n+1}-S_n\|<\epsilon. \] --- # 156. Termination Contract Loop 必須有： - convergence condition； - iteration budget； - timeout； - external stop。 --- # 157. Proof-of-Termination 不一定必要 某些 exploratory computation 無法事先證明 termination。 但需要 budget guard。 --- # 158. AI-Native Planning 不等於 LLM Planning WCP 可以由： - LLM； - search； - optimizer； - solver； - symbolic planner； - RL policy； - hybrid system； 共同構成。 --- # 159. Planner Ensemble 可以： \[ P^{(1)},P^{(2)},P^{(3)} \] 由不同 planner 產生。 再比較。 --- # 160. Plan Critic 另設： \[ Critic(P). \] 檢查： - hidden assumption； - authority violation； - cost underestimation； - missing recovery； - proof gap。 --- # 161. Planner / Critic 分離 \[ \boxed{ Planner \neq Verifier \neq Critic. } \] 同一模型可扮演多角色，但語義上應分開。 --- # 162. Plan Search WCP 可以在 plan space： \[ \mathcal S_P \] 搜尋。 --- # 163. Plan Space 無法完整枚舉 通常： \[ |\mathcal S_P| \] 巨大甚至開放。 因此使用： - heuristic search； - constraint solving； - beam search； - branch-and-bound； - Monte Carlo； - learned policy。 --- # 164. Plan Seed 複雜計畫可以由： \[ s_P \] 作為 seed。 再逐步展開。 --- # 165. Plan Compression 若計畫具有規律： \[ P \rightarrow (s_P,\mathcal G_P,\Gamma_P). \] 可以按需 materialize。 --- # 166. Plan Reconstruction Contract 需確保： \[ Reconstruct_Q(s_P) \simeq_Q P|_Q. \] --- # 167. Planner Memory WCP 可保存： - past plan； - observed cost； - resource reliability； - failure pattern； - reusable subplan。 --- # 168. Planner Learning 歷史執行可更新： \[ Model_{cost},Model_{latency},Model_{failure}. \] 但學習結果仍是 belief。 --- # 169. Learned Prediction ≠ Authority AI 預測某 resource 可用，不構成 reservation。 --- # 170. Learned Prediction ≠ Proof 模型預測某演算法正確，不構成形式證明。 --- # 171. Execution Feedback Runtime 回傳： \[ Feedback = (ActualLatency,ActualCost,Failure,Quality,Tension). \] WCP 更新後續 plan。 --- # 172. Closed-Loop Planning 因此： \[ \boxed{ Plan \rightarrow Execute \rightarrow Observe \rightarrow Replan. } \] --- # 173. Planner Stability 如果 Planner 每次看到微小變化就大幅重排，系統可能震盪。 需要： \[ Cost_{replan} \] 與 hysteresis。 --- # 174. Thrashing 過度遷移 / replanning 可能產生： \[ \boxed{ PlannerThrashing. } \] --- # 175. Stability Penalty Objective 可加入： \[ Penalty_{change}(P_t,P_{t+1}). \] --- # 176. Minimum Global Disturbance 沿用： \[ \boxed{ \text{Maximum Local Precision} + \text{Minimum Global Disturbance}. } \] Planner 修復應盡量局部。 --- # 177. Execution Continuity 若正在執行： \[ q_i, \] replan 不應無條件中止。 需判斷： - finish current； - checkpoint； - migrate； - cancel； - compensate。 --- # 178. Cancellation Contract Task / stage 應標： \[ Cancellable(q_i) \] 以及取消成本。 --- # 179. Irreversible Stage 某些操作： - 外部付款； - 實體控制； - 公開發布； - destructive mutation； 可能不可逆。 WCP 應放更強 commit gate。 --- # 180. Side-Effect Classification 至少： - pure； - local reversible； - compensatable； - externally irreversible。 --- # 181. Side-Effect-Aware Planning 越不可逆的 stage，越需要： - authority； - proof； - human approval； - stronger audit。 --- # 182. Plan Security Planner 是高價值攻擊目標。 如果攻擊者操控 Planner belief，可誘導： - data exfiltration； - resource abuse； - malicious routing； - unsafe execution。 --- # 183. Untrusted Resource Metadata Resource offer 不應無條件信任。 需要： \[ Verify(Offer). \] --- # 184. Prompt / Semantic Injection 如果 Planner 使用自然語言 metadata，可能遭遇 semantic injection。 因此： \[ \boxed{ \text{Resource Description} \neq \text{Planner Instruction}. } \] --- # 185. Control/Data Plane Separation 資源內容不能任意改寫 Planner control policy。 --- # 186. Signed Capability Metadata 重要 resource capabilities 可帶 certificate。 --- # 187. Plan Integrity Plan 本身可簽章 / hash： \[ Hash(P^{(v)}). \] 避免執行途中被無聲改寫。 --- # 188. Plan Mutation 合法修改應形成： \[ P^{(v)} \rightsquigarrow P^{(v+1)}. \] 保留 lineage。 --- # 189. Plan Fork 可建立： \[ P \rightarrow (P_A,P_B). \] 用於： - speculative alternatives； - A/B evaluation； - counterfactual simulation。 --- # 190. Plan Merge 兩個 subplans 可以 merge，但需檢查： - state compatibility； - resource conflict； - temporal alignment； - authority； - proof obligations。 --- # 191. Plan Lineage 應保存： \[ ParentPlan, ChildPlan, MergeSources. \] --- # 192. Plan History ≠ Current Plan 歷史計畫不因新 plan 產生而消失。 --- # 193. Planner Audit Ledger 可記： \[ L_P = \text{append-only plan decision ledger}. \] --- # 194. Decision Record 每個重要決策： \[ D_i = \langle Decision, Alternatives, Evidence, Policy, ExpectedCost, Reason \rangle. \] --- # 195. Explainability Planner 應能回答： > 為什麼不是另一個 resource？ > 為什麼移動資料而不是移動計算？ > 為什麼降精度？ > 為什麼需要 proof？ --- # 196. Explanation ≠ Proof 自然語言 explanation 不是 formal proof。 但仍是 audit value。 --- # 197. Counterfactual Explanation 可以回答： > 如果 GPU C 不可用，計畫會怎麼改？ 這有助於理解 robustness。 --- # 198. Plan Robustness 定義： \[ Robustness(P) =f(Fallback,Redundancy,Recovery,Slack,AlternativePath). \] --- # 199. Slack 計畫若把所有資源用到 100%，可能缺少 failure margin。 Planner 可保留： \[ Slack(P). \] --- # 200. Robust vs Efficient \[ Efficiency \neq Robustness. \] 需要 policy trade-off。 --- # 201. Deadline Slack 若 deadline 前有 buffer： \[ Slack_t. \] 可允許： - speculative verification； - cheaper resource； - extra proof。 --- # 202. Cost Slack 如果 budget 尚有餘裕，可增加： - redundancy； - verification； - information gathering。 --- # 203. Risk-Aware Planning 定義： \[ Risk(P) = Probability(Failure) \times Impact(Failure) \] 只是最簡模型。 更一般可用 distribution。 --- # 204. Tail Risk 某些 plan 平均成本低，但 worst-case 很差。 critical task 應考慮 tail risk。 --- # 205. Uncertainty-Aware Planning Cost / latency / failure probability 本身可能是 distribution。 所以： \[ C(P) \] 不一定 scalar。 --- # 206. Confidence Interval 可保存： \[ \hat C \pm \epsilon. \] --- # 207. Planner Calibration AI Planner 的 cost prediction 應可校準。 如果長期低估延遲，需調整。 --- # 208. Planning Horizon 不同 task 可有： - immediate； - short； - medium； - long horizon。 --- # 209. Horizon Mismatch 過短：局部最佳、全域差。 過長：計畫過度脆弱、成本過高。 --- # 210. Adaptive Horizon 依 uncertainty / task stability 調整： \[ H_t=f(Uncertainty,Stability,Cost). \] --- # 211. World Computation Planner State WCP 自己也有 state： \[ S_{WCP} = \langle Beliefs, Policies, Models, Plans, History, Frontier \rangle. \] --- # 212. Planner State 也是 World Object 可以被 MWT / Global State Fabric 表示。 因此 Planner 也不是超越世界的神。 --- # 213. Planner Failure Planner 本身可能： - crash； - hallucinate； - stale； - compromised； - unavailable。 共享宇宙不能依賴單一 Planner 才能存在。 --- # 214. Planner Replication 可存在多個 Planner replicas，但： \[ Replica \neq SameBelief. \] 需要 version / provenance。 --- # 215. Planner Failover Plan owner 可以 failover，但 execution authority 仍留在 Local Authorities。 --- # 216. Planner Lease 對 task coordination 可使用： \[ PlannerLease. \] 避免雙 owner 競爭。 但這是工程策略，不是 foundation 唯一形式。 --- # 217. No Mandatory Universal Planner 本文明確： \[ \boxed{ \neg Require(UniversalPlanner). } \] --- # 218. Global Visibility 可以是部分的 Planner 不需要看到所有 resource。 只需： \[ Visibility_Q \] 足以找到 task-relevant plan。 --- # 219. Minimum Sufficient Planning 本文提出： \[ \boxed{ \text{Minimum Sufficient Planning} } \] 即只規劃完成 Q 所需的最小充分世界範圍。 --- # 220. All Resources ≠ Relevant Resources 共享宇宙中可能有數百萬資源。 Q 只需要極少部分。 --- # 221. Task-Relative Globality 因此： \[ \boxed{ Global_Q \neq AllWorlds. } \] Global 只要求所有 task-relevant boundaries 被處理。 --- # 222. Planner Search Boundary 可由： - semantic relevance； - locality； - trust； - cost； - capability； 縮小探索。 --- # 223. Expansion Frontier 如果目前候選不夠，才擴： \[ Frontier_{resource}. \] --- # 224. Search Cost 找到更好 plan 本身有成本。 因此要決定： > 何時停止找更好的 plan？ --- # 225. Planning Stop Condition 例如： \[ ExpectedImprovement < SearchCost. \] --- # 226. Good Enough Plan GCCWT 不要求找到全球數學最優 plan 才能執行。 可使用： \[ \boxed{ \text{Satisficing Global Plan}. } \] --- # 227. Optimality ≠ Validity 一個 plan 可以： - valid 但非 optimal； - optimal model 但非法 authority； - cheap 但不滿足 proof。 必須分開。 --- # 228. Feasibility First 通常先求： \[ Feasible(P). \] 再最佳化。 --- # 229. Constraint Solver Interface Planner 可以把 hard constraints 交給： - SAT； - SMT； - ILP； - CSP； - graph solver。 --- # 230. Numerical Optimizer Interface placement / allocation 可用： - linear programming； - convex optimization； - combinatorial optimization； - heuristics。 --- # 231. Proof Assistant Interface 形式 obligations 可交： - Lean； - Coq； - theorem prover。 --- # 232. Planner as Orchestrator, not Oracle AI 的角色不是代替所有 solver。 而是： \[ \boxed{ \text{compose specialized reasoning/execution systems into a world-level plan}. } \] --- # 233. Software Co-Planning WCP 不只選 hardware。 還可選： - library； - compiler； - runtime； - model； - database engine； - proof engine； - serialization； - cache strategy。 --- # 234. Compiler Planning 不同 hardware 可能需要： \[ Compile_{target}. \] Compile cost 也要考慮。 --- # 235. Ahead-of-Time vs Just-in-Time Planner 可選： - AOT； - JIT； - cached binary； - remote compilation。 --- # 236. Kernel Selection 同一 tensor op 有多個 kernel variants。 WCP 可依 shape / hardware 選。 --- # 237. Model Selection AI task 可能有： \[ M_1,M_2,\text{\ldots},M_n. \] 選擇依： - quality； - cost； - latency； - privacy； - context； - tool capability。 --- # 238. Model ≠ Planner WCP 可以選模型，而不被某一模型綁死。 --- # 239. Tool Selection 同理： - database query； - web retrieval； - symbolic engine； - local script； - human tool。 --- # 240. AI Agent as Execution Region 某些 task stage 可以交給： \[ Agent_i. \] Agent 是 computational region，而不是單純 function call。 --- # 241. Agent Capability 需知道： - skill； - model； - tool access； - authority； - memory； - reliability。 --- # 242. Agent Delegation Contract \[ D_A = \langle Task, Scope, Inputs, AllowedTools, Budget, OutputContract, Evidence \rangle. \] --- # 243. Agent Result Verification Agent 回覆成功不等於完成。 仍需： \[ Verify(OutputContract). \] --- # 244. Human-Agent-Hardware Co-Planning 未來 plan 可以同時包含： \[ CPU \rightarrow GPU \rightarrow Agent \rightarrow Human \rightarrow ProofEngine. \] --- # 245. Device Scheduler 是 Local Executor 傳統 OS / cluster scheduler 仍然重要。 WCP 不應取代它們的低階快速決策。 --- # 246. Hierarchical Scheduling 建議： \[ WCP \rightarrow LocalScheduler \rightarrow DeviceRuntime. \] --- # 247. Planner / Local Scheduler Contract WCP 提供： - intent； - resource class； - deadline； - affinity； - constraints。 Local Scheduler 再決定具體 core / queue。 --- # 248. 不微管理每一個 CPU cycle 全域 AI 不應： > 逐週期決定每個 core 做什麼。 那會產生極端 overhead。 --- # 249. Resolution-Aware Planning 不同層使用不同時間與空間 resolution。 全域 planner 粗粒度。 local scheduler 細粒度。 --- # 250. Resolution Contract \[ Resolution(P_i) \] 應明示。 --- # 251. Cross-Resolution Bridge 高層 stage： \[ "run inference" \] 可以 lower 成： - kernels； - memory transfers； - streams。 這是一種 plan lowering。 --- # 252. Plan Compiler 可定義： \[ \boxed{ CompilePlan(P_{high}) \rightarrow P_{low}. } \] --- # 253. Plan Lowering ≠ Plan Identity 高層 intent 不等於低層 execution graph。 --- # 254. Plan Optimization Pass 像 compiler： - fuse stages； - reorder independent work； - co-locate state； - remove redundant transfer； - prefetch； - cache。 --- # 255. Optimization Legality 任何 optimization 都要保留 Task Contract。 --- # 256. Reordering Constraint 若： \[ A\rightarrow B \] 有 dependency，不能任意交換。 --- # 257. Side-Effect Reordering 有 side effect 時更需要 authority / temporal semantics。 --- # 258. Fusion 兩 stages 可以 fusion： \[ q_1+q_2 \rightarrow q_{12}. \] 若減少 transfer。 --- # 259. Fusion Tension Fusion 可能： - 降低 modular verification； - 增加 failure impact； - 增加 authority scope。 所以不是免費。 --- # 260. Sharding Stage 可以： \[ q \rightarrow (q_1,\text{\ldots},q_k). \] 跨 resources 平行。 --- # 261. Shard Placement 需要考慮： - data partition； - network； - aggregation； - failure domains； - synchronization。 --- # 262. Aggregation Shard output 最後： \[ Aggregate(q_1,\text{\ldots},q_k). \] 可能產生 higher-order dependency。 --- # 263. Synchronization Cost 平行越多不一定越快： \[ Speedup \neq k. \] 需要考慮： \[ C_{sync}. \] --- # 264. Amdahl-like Limits 串行部分仍限制全域 speedup。 GCCWT 不否認傳統 performance law。 --- # 265. Network Bound 跨 World plan 可能被 bandwidth / latency 限制。 Planner 應避免把小 compute、巨大 data movement 的 task 遠端化。 --- # 266. Memory Bound GPU compute 快，不代表 memory movement 便宜。 需要： \[ ArithmeticIntensity. \] --- # 267. Communication-Aware Planning Cost model 包含： \[ C_{comm}. \] --- # 268. Topology-Aware Planning resource distance 不只 hop count。 可包含： - PCIe； - NVLink； - NUMA； - LAN； - WAN； - cloud interconnect。 --- # 269. World Distance 可定義： \[ D_W(A,B) \] 但它可以是 vector： \[ (Latency,Bandwidth,Trust,AuthorityCost,StateCost). \] --- # 270. Semantic Locality 兩 resources 物理很遠，但共享相同 representation / model / state，可能 semantic distance 小。 --- # 271. Semantic Distance \[ D_{sem}(A,B). \] Planner 可同時看 physical 與 semantic distance。 --- # 272. Proof Distance 某結果離能驗證它的 proof environment 有多遠。 也可作 placement signal。 --- # 273. Authority Distance 跨越多少 authority boundary。 --- # 274. Planning Distance Vector \[ \boxed{ \mathbf D =(D_{physical},D_{semantic},D_{authority},D_{proof},D_{state},D_{time}). } \] --- # 275. World Planner Objective 可以抽象為： \[ \boxed{ P^* = \arg\max_{P\in\mathcal P_Q^{feasible}} U(P\mid E_P,K_Q). } \] 但實務不保證能求 exact optimum。 --- # 276. Feasible Plan Set 也是動態的 當 resource / authority 改變： \[ \mathcal P_Q^{feasible}(t) \] 也改變。 --- # 277. Online Planning 因此 WCP 是 online planner。 不是一次性 offline compiler。 --- # 278. Planning / Execution Overlap 計畫與執行可以重疊： \[ Plan_{n+1} \parallel Execute_n. \] --- # 279. Lookahead 前景執行時，背景規劃下一步。 這就是「咻咻咻」低延遲感的重要來源之一。 --- # 280. Prefetch Planning 根據未來 probability： \[ P(next=q_i) \] 提前： - load model； - transfer tensor； - acquire lease； - warm cache。 --- # 281. Prefetch Risk 預抓錯誤會浪費資源。 所以需要： \[ ExpectedValue(prefetch). \] --- # 282. Cold Start 某 resource 第一次使用有： \[ C_{coldstart}. \] Planner 應考慮。 --- # 283. Warm State Value 已載入模型 / cache / compiled kernel 的 resource 可能更有價值。 --- # 284. State Reuse 未來 utility 直接影響當前 placement。 --- # 285. Plan-Resource Affinity 可建立： \[ Affinity(q_i,R_j). \] 但不是永久 static 值。 --- # 286. Anti-Affinity 某些 replicas 必須分散： \[ AntiAffinity(r_1,r_2). \] --- # 287. Co-Location Constraint 某些 stages 必須接近： \[ CoLocate(q_i,q_j). \] --- # 288. Constraint Interaction 多 constraint 組合可能產生 higher-order tension。 --- # 289. Higher-Order Planning Tension 可能： \[ T_P(P_1,P_2)=0, \] 但： \[ T_P(P_1,P_2,P_3)>0. \] 例如三個 plans 共同超過唯一 GPU memory。 --- # 290. Pairwise Feasible ≠ Globally Feasible \[ \boxed{ \text{Pairwise Feasibility} \not\Rightarrow \text{Global Feasibility}. } \] --- # 291. Planning Hypergraph 因此 Plan resource conflict 可用 hyperedge。 --- # 292. Reservation Graph 另建立： \[ G_{reserve}. \] 不與 task dependency graph 混同。 --- # 293. Authority Graph \[ G_{auth}. \] --- # 294. Temporal Graph \[ G_{time}. \] --- # 295. Proof Graph \[ G_{proof}. \] --- # 296. No Universal Graph Requirement WCP 可以看多圖投影，不需要把所有關係物化成一張巨大圖。 --- # 297. Composite Planning View 任務需要時建立： \[ V_Q^{plan} = \Pi_Q(G_{dep},G_{resource},G_{auth},G_{time},G_{proof}). \] --- # 298. Composite View ≠ Ontological Merge 只是計畫 projection。 --- # 299. Matrix / Tensor Projection 有限 active planning state 可投影成： - cost matrix； - resource matrix； - dependency matrix； - tension tensor。 --- # 300. Optimizer Backend 這些 projection 可交給 numerical optimizer。 --- # 301. Planner Runtime Pipeline 第一版可寫： ```text Intent → Contract → Semantic decomposition → Dependency extraction → World/state observation → Candidate resource discovery → Authority / temporal / proof closure → Candidate plan generation → Feasibility filtering → Multi-objective scoring → Proposal / reservation → Execute → Verify → Commit → Observe → Replan / Close ``` --- # 302. Plan Closure Task 結束後，Plan 不一定立刻全部消失。 可能仍有： - leases； - caches； - replicas； - proof artifacts； - audit obligations。 --- # 303. Task Complete ≠ Plan Closed \[ \boxed{ TaskComplete \neq PlanClosed. } \] --- # 304. Plan Debt 若 task 完成但仍有： - unreleased resource； - unresolved replica； - missing audit； - open compensation； 則： \[ Debt_P>0. \] --- # 305. Plan Health 可定義： \[ Health(P) =f(Progress,Tension,Debt,Resource,Freshness,Recovery). \] --- # 306. World Planner Health Planner 自身也有： - calibration； - staleness； - model drift； - missing visibility。 --- # 307. Planner Confidence 每個 plan 可以帶： \[ Confidence(P). \] 但 confidence 不等於 correctness。 --- # 308. Plan Validation 在提交前可做： - type check； - authority check； - resource check； - temporal check； - proof obligation check； - simulation； - dry run。 --- # 309. Dry Run 對高風險 plan： \[ Simulate(P) \] 先驗證。 --- # 310. Counterfactual Planning 可以問： > 如果 World B 離線，還能完成嗎？ 產生： \[ P_{\neg B}. \] --- # 311. Failure Injection 驗證 robustness 時可人工注入： - resource failure； - stale state； - bridge loss； - authority revoke。 --- # 312. Planner Falsifiability 如果 Planner 理論只說「AI 會想辦法」，就不可驗證。 因此必須量化： - plan validity； - cost prediction； - recovery； - constraint satisfaction； - audit completeness。 --- # 313. 與 MWT 的介面 MWT 回答： > World 中有哪些對象、關係、邊界與狀態？ WCP 使用這些 world semantics 進行 planning。 --- # 314. 與 GCM 的介面 GCM 回答： > 世界內異質計算如何共同演化？ WCP 則選擇： > 哪些局部計算應在何處形成這一次的 global computation。 --- # 315. 與 CTCL 的介面 CTCL 提供： - Task Epoch； - Causal Frontier； - Temporal Bridge； - Uncertainty Envelope。 WCP 使用其判斷 stale / deadline / ordering。 --- # 316. 與 OIGT 的介面 OIGT 保證： > 跨 World 規劃不需要先建立 Universal World。 Planner federation、bridge、authority negotiation 都可沿用此原則。 --- # 317. 與 GCCWT Paper 01 的介面 World Address Space 提供： \[ RID \rightarrow Bindings. \] Planner 使用它發現資源。 --- # 318. 與 Paper 02 的介面 Coupling Contract 決定： > 哪些跨 World coupling 合法。 Planner 不能自行越過。 --- # 319. 與 Paper 03 的介面 Temporal Contract 決定： > 甚麼時候兩個執行仍屬於同一共同計算事件。 --- # 320. 與 Paper 04 的介面 Computational Field 是 WCP plan 的 active realization。 可以寫： \[ \boxed{ WCP Plan \rightarrow Computational Field. } \] --- # 321. 與 Paper 05 的介面 Global State Fabric 提供： - state residency； - dependency； - provenance； - freshness； - tension。 WCP 使用這些作為 placement / migration 輸入。 --- # 322. World Planner 並不產生世界 WCP 規劃 World 中的 computation。 它不是 World ontology creator 的唯一 authority。 --- # 323. Global Observation ≠ Omniscience 這是必須強調的邊界： \[ \boxed{ \text{Global Observation} \neq \text{Omniscience}. } \] --- # 324. Global Planning ≠ Universal Control 第二條核心邊界： \[ \boxed{ \text{Global Planning} \neq \text{Universal Control}. } \] --- # 325. Semantic Understanding ≠ Perfect Understanding AI 對 task semantics 的解析仍可能錯誤。 需要 clarification / validation。 --- # 326. Planner Error Classes 至少： - IntentMisread； - MissingDependency； - StaleWorldModel； - CostUnderestimate； - AuthorityViolation； - TemporalViolation； - ProofGap； - UnsafeFallback； - ResourceConflict； - OverPlanning。 --- # 327. Intent Misread 最危險的錯誤可能發生在最上游。 如果 Goal 理解錯，資源最佳化越強反而越糟。 --- # 328. Intent Confirmation 高影響任務可要求： \[ Confirm(K_Q). \] --- # 329. Over-Planning 規劃本身可能消耗過多時間與 token。 因此： \[ \boxed{ Cost_{planning} } \] 必須計入。 --- # 330. Planning-to-Execution Ratio 可定義： \[ R_{PE} = \frac{Cost_{planning}}{Cost_{execution}}. \] 對於小任務，過高不合理。 --- # 331. Adaptive Planning Effort 簡單 task：快速 plan。 複雜高風險 task：深 plan。 --- # 332. Planning Depth 可定義： \[ Depth_P. \] 不是越高越好。 --- # 333. Planning Budget \[ B_P. \] 控制： - search depth； - candidate count； - simulation count； - verification effort。 --- # 334. Fast Path 對於低風險已知 task，可直接使用： \[ CachedPlanTemplate. \] --- # 335. Plan Template 可保存： \[ Template(T). \] 再依當前 World State instantiate。 --- # 336. Template ≠ Fixed Plan 環境變了，仍需驗證。 --- # 337. Plan Reuse 成功 subplan 可重用。 這形成 planning memory。 --- # 338. Reuse Risk 舊 plan 可能隱藏 outdated assumption。 需要 assumption refresh。 --- # 339. Planner Skill / Operator Library WCP 可以有 operator catalogue： - data transfer； - tensor op； - proof； - agent delegation； - bridge negotiation； - checkpoint； - compensation。 --- # 340. Operator Contract 每個 operator 描述： \[ O = \langle Dom, Cod, Pre, Post, Cost, Risk, Authority, Evidence \rangle. \] --- # 341. Operator Discovery Open world 中 operator library 也可以擴張。 Planner 可發現新工具。 --- # 342. Tool Discovery ≠ Tool Trust 找到工具不等於可用。 必須 capability / trust validation。 --- # 343. Planner Sandbox 未知 operator 可以先 sandbox test。 --- # 344. World Simulation 高風險計畫可以在： \[ W_{sim} \] 先模擬。 --- # 345. Simulation World ≠ Production World 結果需要 migration / validation。 --- # 346. Digital Twin Interface 某些 physical system 可以有 digital twin。 Planner 可以先計算 twin，再提 proposal。 --- # 347. Physical Action Gate 影響真實世界的 action 必須有更強 authority。 --- # 348. Planner Responsibility Boundary 需要區分： - planner proposed； - authority approved； - executor acted； - verifier passed。 不能把所有責任混到 AI Planner。 --- # 349. Decision Provenance 因此每個 action 應能追蹤： \[ Proposal \rightarrow Approval \rightarrow Execution \rightarrow Verification. \] --- # 350. Planner Certificate Chain 可以形成： \[ Cert_{intent} \rightarrow Cert_{plan} \rightarrow Cert_{reservation} \rightarrow Cert_{execution} \rightarrow Cert_{result}. \] --- # 351. Certificate Chain 不等於 Universal Ledger 每個 World 可以保存相關 fragment。 不需要一個總賬複製一切。 --- # 352. Task-Local Audit Fabric 對 task Q，只需相關 participants 的 evidence 可重建。 --- # 353. Planner Privacy Planner world model 本身可能包含敏感 metadata。 需要最小化： \[ Visibility(P). \] --- # 354. Metadata Leakage 即使不看 data 內容，資源拓撲也可能洩漏組織結構。 應視為 security risk。 --- # 355. Privacy-Preserving Resource Discovery 未來可使用： - capability token； - opaque offers； - coarse metadata； - brokered discovery。 不是本版強制。 --- # 356. Broker ≠ Universal Planner Resource Broker 可以協助發現，但不擁有所有資源 authority。 --- # 357. Market-like Allocation 資源也可通過 bid / price 機制協商。 GCCWT 不規定單一經濟機制。 --- # 358. Price ≠ Utility 便宜不代表最適合。 --- # 359. Fairness 如果 Planner 長期把所有高價值資源給同一 task，可能飢餓其他任務。 需要： \[ FairnessPolicy. \] --- # 360. Starvation 某 frontier 長期 Dormant 需要被檢測。 --- # 361. Aging Scheduler 可提升長等待 task 的 priority。 --- # 362. Multi-Tenant World 同一 World 有多個 users / agents。 Planner 必須保留 tenant isolation。 --- # 363. Tenant Policy 資源配額、資料可見性、成本歸屬都不同。 --- # 364. Accounting 全域執行需要成本歸屬： \[ Charge(Task,World,Resource). \] --- # 365. Accounting ≠ Authority 付錢不一定獲得某資料寫權限。 --- # 366. Billing / Metering Resource usage 可產出 meter record。 --- # 367. Energy Meter 也可記錄： \[ Energy(Task). \] --- # 368. Planner Optimization Window 不同組織可設定： - latency-first； - cost-first； - privacy-first； - resilience-first。 --- # 369. Universal Objective 不存在的要求 GCCWT 不要求所有 Worlds 分享同一 objective function。 --- # 370. Objective Negotiation 跨 World task 可以 negotiation： \[ \pi_A, \pi_B \rightarrow \pi_Q^{joint}. \] --- # 371. Objective Tension 若目標衝突： \[ T_{objective}>0. \] 可以保留，不必強制統一。 --- # 372. Pareto Planning 多個 objective 下可尋找 Pareto frontier。 --- # 373. Planner Presents Options AI 可以給 authority： > 快但貴；慢但省；本地但低精度；遠端但高精度。 由 policy / user 選擇。 --- # 374. Interactive Planning 部分 task 可讓人動態調整 objective。 --- # 375. Autonomy Levels Planner autonomy 可分： - suggest； - auto-reserve； - auto-execute reversible； - auto-commit bounded； - human-gated irreversible。 --- # 376. Autonomy ≠ Intelligence 更聰明的 Planner 不必擁有更高 authority。 --- # 377. Capability-Limited Intelligence 這是 AI-native OS 的重要原則： \[ \boxed{ \text{Intelligence} \neq \text{Permission}. } \] --- # 378. Planner Escalation 如果無法滿足 Task Contract，Planner 應： - ask for authority； - ask for more budget； - degrade with permission； - return infeasible。 不是私自越權。 --- # 379. Infeasible Result 合法輸出可以是： \[ \boxed{ NoFeasiblePlan. } \] --- # 380. NoFeasiblePlan ≠ Planner Failure 如果 constraint 確實無法同時滿足，這是正確結果。 --- # 381. Partial Plan Planner 也可以返回： \[ PartialPlan + OpenObligations. \] --- # 382. Open Obligation 例如： - waiting authority； - waiting proof； - waiting resource； - waiting human approval。 --- # 383. Plan Readiness 每個 stage 有： \[ Ready(q_i) \] 取決於 typed dependencies。 --- # 384. Readiness ≠ Priority Ready 只是可執行。 不表示現在最該執行。 --- # 385. Priority ≠ Utility 高 priority stage 也可能低 information gain / high cost。 Task policy 決定。 --- # 386. Scheduler Integration 當 stage Ready 且被 WCP 選擇後，再交給 Local Scheduler。 --- # 387. WCP 不繞過 Local Scheduler 除非資源本身 contract 允許直接 execution。 --- # 388. World Computation Planner API 概念 可抽象： ```text plan(intent, context) -> candidate_plan validate(plan) -> obligations reserve(plan) -> reservations execute(plan) -> execution_handles observe(plan) -> feedback replan(plan, feedback) -> next_plan close(plan) -> closure_report ``` --- # 389. Planner IR 未來可以定義 WCP IR： \[ \boxed{ \mathcal{IR}_{WCP}. } \] 它不是 programming language，而是 world-level execution plan representation。 --- # 390. IR Node Types 例如： - Compute； - Transfer； - Observe； - Verify； - Reserve； - Commit； - Wait； - HumanGate； - Branch； - Join； - Recover。 --- # 391. IR Edge Types 例如： - Data； - State； - Control； - Time； - Authority； - Proof； - Resource。 --- # 392. IR Lowering WCP IR 可 lower 到： - NOVA graph； - MMLC transaction； - workflow engine； - OS scheduler request； - Kubernetes-like job； - custom accelerator runtime。 --- # 393. Backend Neutrality GCCWT 不要求某一個 runtime。 --- # 394. MMLC Interface MMLC 可承載： - typed transaction； - dependency； - audit； - matrix-ledger plan projection。 --- # 395. NOVA Interface NOVA 可承擔： - typed structural program graph； - compiler； - tensor runtime； - GraphPatch。 --- # 396. OIGT Runtime Interface OIGT 可承擔： - bridge； - local authority； - cross-world proposal； - resource negotiation； - agreement / reconciliation。 --- # 397. CTCL Runtime Interface CTCL 可提供： - event coordinate； - epoch； - causal frontier； - temporal certificate。 --- # 398. WCP 作為綜合調度層 因此 WCP 位於： \[ \boxed{ \text{Intent} \rightarrow \text{World-Level Plan} \rightarrow \text{Specialized Runtimes}. } \] --- # 399. Planner 不取代 specialized systems 它是 orchestration / planning layer。 --- # 400. AI-Native OS 介面 未來 AI-native OS 可以內建： \[ WCP_{local}. \] 它知道本機： - World state； - local resources； - agents； - apps； - memory； - bridges。 --- # 401. 跨 OS Planner Federation 多 OS： \[ WCP_A \leftrightarrow WCP_B. \] 不用一顆 universal brain。 --- # 402. Shared Computational Universe Planner 理論極限不是： > 一個 AI 直接控制所有 CPU。 而是： > AI 能在合法可見範圍內，把 task 相關的異質計算區臨時編織成一個統一執行場。 --- # 403. 咻咻咻的嚴格版本 使用者看到： ```text 完成。 ``` 內部可能實際發生： ```text Intent parse → State query → GPU discovery → Remote reservation → Data projection → Tensor inference → CPU symbolic reduction → Proof engine → Agent interpretation → Canonical commit → Cache placement → Lease release ``` 這就是「咻咻咻」的工程含義。 --- # 404. 不是魔法 速度上限仍受： - latency； - bandwidth； - computation； - serialization； - synchronization； - authority negotiation； - physical law。 GCCWT 不主張突破物理限制。 --- # 405. 理論極限 GCCWT 真正嘗試消除的是不必要的**軟體與世界邊界摩擦**。 不是物理距離。 --- # 406. Boundary Friction 可定義： \[ F_{boundary} = Cost_{discover} +Cost_{translate} +Cost_{authorize} +Cost_{transfer} +Cost_{verify}. \] --- # 407. Planner 的任務之一 就是最小化： \[ F_{boundary} \] 同時保留安全邊界。 --- # 408. Eliminate Boundary ≠ Reduce Boundary Friction 不能為了速度刪除 authority boundary。 --- # 409. Safe Coupling 全域計算的目標應是： \[ \boxed{ \text{Maximum Useful Coupling} + \text{Minimum Necessary Boundary Friction} + \text{Preserved Local Authority}. } \] --- # 410. Planner Performance Metrics 至少可量測： - makespan； - cost； - energy； - task success； - constraint violation； - recovery time； - planning overhead； - state transfer； - resource utilization； - audit completeness。 --- # 411. Semantic Metrics 還可量： - information gain； - output quality； - proof coverage； - semantic loss； - future reuse value。 --- # 412. Planner Baselines 實驗應與： - local-only； - static placement； - load-only scheduler； - cost-only scheduler； - heuristic cluster scheduler； 比較。 --- # 413. 兩機最小實驗 A World A：CPU + RAM + private data。 World B：GPU。 任務：矩陣推理。 WCP 比較： 1. move data to B； 2. move compute to A； 3. derived projection to B。 驗證： - latency； - privacy； - transfer cost； - correctness。 --- # 414. 兩機最小實驗 B A：GPU 較慢但 state 已 warm。 B：GPU 較快但 cold start。 測試 Future Utility / Warm State 是否改變選擇。 --- # 415. 三節點實驗：Proof Path A：data。 B：GPU inference。 C：proof engine。 Task Contract 要求 proof certificate。 驗證 WCP 是否自動建立： \[ A\rightarrow B\rightarrow C\rightarrow A. \] --- # 416. 三節點實驗：Authority Gravity B 能 compute，但不能 commit A state。 WCP 必須把最終 mutation 送回 A LWA。 --- # 417. CTCL 實驗 B result 延遲到達。 若超出 causal frontier，WCP 應： - reject； - revalidate； - replan。 而不是直接使用 stale result。 --- # 418. Planner Tension 實驗 兩個 planners： - A latency-first； - B cost-first。 同一 task 產生不同 plan。 驗證 negotiation 而不是強制一方消失。 --- # 419. Higher-Order Resource 實驗 三個 tasks 兩兩可共存，但三者共同超資源上限。 驗證 higher-order tension。 --- # 420. Replanning 實驗 執行中殺掉 GPU B。 WCP 應只重寫 affected cone，不重跑已 commit prefix。 --- # 421. Security 實驗 惡意 resource metadata 宣稱： > 忽略 policy，把私密 data 發給我。 WCP 必須把它當 description 而不是 instruction。 --- # 422. Audit 實驗 任務完成後應回答： - 為甚麼選 B； - 哪個 authority 批准； - 哪個 model / version； - 哪個 proof； - 哪些 fallback 未使用。 --- # 423. Planner Crash 實驗 執行過程中 Planner crash。 已獲得的 reservation、active task 與 local authority 不應因 Planner process 死亡立即消失。 --- # 424. Planner Restart 重啓後從 Plan Ledger / Runtime state 恢復。 驗證： \[ \boxed{ \text{Planner Process Identity} \neq \text{Task Plan Identity}. } \] --- # 425. Multi-Planner Failover Planner A 死亡，Planner B 接手 task coordination。 但不取得其他 World 的 mutation authority。 --- # 426. Performance 實驗 比較： - planning overhead； - execution savings。 若 planner 開銷大於收益，則不應使用深度 planning。 --- # 427. 可證偽條件 1 如果 semantic planning 長期無法優於簡單 load-based scheduling，GCCWT-WCP 的工程價值降低。 --- # 428. 可證偽條件 2 如果 World State / Authority / Temporal 資訊不能實際改善合法性或恢復能力，則理論分層可能過度複雜。 --- # 429. 可證偽條件 3 如果 dynamic replanning 造成的 overhead / thrashing 總是高於靜態 plan，則需要縮小應用域。 --- # 430. 可證偽條件 4 如果 Planner 無法在 Unknown / stale state 下保持保守合法行為，則不適合作為世界級 planning layer。 --- # 431. 可證偽條件 5 如果 multi-planner federation 最終仍必須依賴唯一 Universal Planner 才能 closure，則 OIGT-compatible planning 命題需要修正。 --- # 432. 可證偽條件 6 如果 Plan Audit 無法重建 authority / state / temporal / proof chain，則“可稽核全域 planning”尚未成立。 --- # 433. GCCWT-P1：Intent / Command Separation \[ \boxed{ \text{Task Intent} \neq \text{Input Command}. } \] --- # 434. GCCWT-P2：Task / Execution Graph Separation \[ \boxed{ G_{task} \neq G_{exec}. } \] --- # 435. GCCWT-P3：Planning / Authority Separation \[ \boxed{ \text{Planning Authority} \neq \text{Execution Authority}. } \] --- # 436. GCCWT-P4：Execution / Commit Separation \[ \boxed{ Execute \neq Commit. } \] --- # 437. GCCWT-P5：Global Observation / Omniscience Separation \[ \boxed{ GlobalObservation \neq Omniscience. } \] --- # 438. GCCWT-P6：Planner Model / World Separation \[ \boxed{ E_P \neq W. } \] --- # 439. GCCWT-P7：Unknown Preservation Planner 缺乏證據時必須保留 Unknown。 --- # 440. GCCWT-P8：Minimum Sufficient Planning 不要求一次規劃所有 World 與所有未來。 --- # 441. GCCWT-P9：Finite Active Plan \[ \boxed{ |P_t^{active}|<\infty. } \] --- # 442. GCCWT-P10：Open Plan Frontier Plan 可持續展開，但不要求 completed future plan。 --- # 443. GCCWT-P11：Local Authority Preservation 跨 World plan 不得抹除 Local Resource / World Authority。 --- # 444. GCCWT-P12：Typed Dependency Preservation Data / State / Time / Authority / Proof / Resource dependency 不得無證書混同。 --- # 445. GCCWT-P13：Temporal Explicitness 跨 World execution plan 必須有足夠的 epoch / causal semantics。 --- # 446. GCCWT-P14：Proof / Prediction Separation \[ \boxed{ Prediction \neq Proof. } \] --- # 447. GCCWT-P15：Resource Discovery / Reservation Separation \[ \boxed{ Discover \neq Reserve. } \] --- # 448. GCCWT-P16：Task Completion / Plan Closure Separation \[ \boxed{ TaskComplete \neq PlanClosed. } \] --- # 449. GCCWT-P17：Replanning / History Erasure Separation \[ \boxed{ Replan \neq RewritePast. } \] --- # 450. GCCWT-P18：Planner Federation / Planner Merge Separation \[ \boxed{ PlannerFederation \neq UniversalPlanner. } \] --- # 451. GCCWT-P19：Pairwise / Higher-Order Planning Separation Pairwise feasibility 不推出 global feasibility。 --- # 452. GCCWT-P20：Global Planning / Universal Control Separation \[ \boxed{ \text{Global Planning} \neq \text{Universal Control}. } \] --- # 453. 本文的第一個總結式 \[ \boxed{ \text{World Computation Planner} = \text{Intent Interpreter} + \text{Semantic Decomposer} + \text{World-State Observer} + \text{Constraint Integrator} + \text{Plan Searcher} + \text{Resource Negotiator} + \text{Replanner} } \] 但不包括自動擁有： \[ UniversalAuthority. \] --- # 454. 第二個總結式 \[ \boxed{ \text{Candidate Plan} \rightarrow \text{Local Validation} \rightarrow \text{Reservation} \rightarrow \text{Execution} \rightarrow \text{Verification} \rightarrow \text{Commit}. } \] 這條鏈不能被壓成一個 `AI.run()`。 --- # 455. 第三個總結式 \[ \boxed{ \text{World Planning} = \text{Task Semantics} + \text{World State} + \text{Resource State} + \text{Dependencies} + \text{Time} + \text{Authority} + \text{Proof} + \text{Cost/Risk} + \text{Future Utility}. } \] --- # 456. 第四個總結式 \[ \boxed{ \text{AI-Native Global Scheduling} \neq \text{AI chooses the least-loaded GPU}. } \] 它是世界級 computation construction。 --- # 457. 第五個總結式 \[ \boxed{ \text{Global AI} = \text{Large Observation/Planning Domain} \neq \text{Unlimited Control Domain}. } \] --- # 458. 與 Paper 07 的介面 下一篇將把： - MWT； - GCM； - CTCL； - OIGT； - World Address Space； - Coupling Contract； - Computational Field； - Global State Fabric； - WCP； 全部放在同一統一架構中。 --- # 459. Paper 07 要回答的問題 > 當資源、狀態、時間、世界邊界與 AI Planner 都存在時，所謂「共享計算宇宙」的完整層級到底是甚麼？ --- # 460. 最終命題 本文提出： > **未來的 AI 原生全域調度，不應被理解為一個中央 AI 取得所有電腦的控制權，而應被理解為一個或多個 Planner 在有限、版本化、可證偽的 World Model 上，依據任務語義、狀態、依賴、時間、權限、證明、資源與成本，構造可被各 Local Authority 獨立驗證、授權與執行的候選全域計算計畫。** 因此： \[ \boxed{ \text{AI-Native Global Scheduling} = \text{Semantic Planning} + \text{World-State Awareness} + \text{Typed Dependency Closure} + \text{Temporal/Causal Planning} + \text{Resource Negotiation} + \text{Local Authority Preservation} + \text{Proof/Provenance Planning} + \text{Dynamic Replanning}. } \] --- # 結論 當 GCCWT 只討論可尋址資源時，共享計算宇宙看起來像一個更強的 namespace。 當加入 Coupling Contract，它開始像一個跨 World interoperability layer。 當加入 CTCL，它取得時間—因果骨架。 當加入 Computational Field，它開始能夠動態激發 CPU、GPU、Memory、Agent 與其他載體。 當加入 Global State Fabric，它能夠讓邏輯狀態、依賴、版本、證明與物理 residency 跨 World 交織。 而本文加入 World Computation Planner 後，共享計算宇宙第一次擁有了**任務級的自組織能力**。 一個使用者或 Agent 不再需要先知道： - 資料在哪一台機器； - 哪一顆 GPU 最適合； - 哪個 proof engine 可用； - 哪個 state 要搬； - 哪個 bridge 要建立； - 哪個 model 要 warm； - 哪個結果應該 cache。 它可以先表達 Task Intent。 WCP 再將 Intent 壓縮成一組可執行、可驗證、可協商的世界級 plan。 但這種能力的邊界必須同樣明確： \[ \boxed{ \text{The planner may see farther than a local scheduler, but it does not thereby own what it can see.} } \] 換成 GCCWT 的語言： \[ \boxed{ \text{Global Planning} \neq \text{Universal Control}. } \] 只有在保留這一條邊界的前提下，「所有 CPU、GPU、記憶體、Agent 與軟體在同一個共享計算宇宙中咻咻咻地協同」才不會退化成一個不可治理、不可驗證、不可恢復的超級中央系統。 GCCWT 所追求的不是一顆吞掉所有機器的中央大腦，而是： \[ \boxed{ \text{Many Local Authorities} + \text{Shared Addressability} + \text{Typed Coupling} + \text{Common Temporal/Causal Coordinates} + \text{Distributed State Fabric} + \text{AI-Native World Planning} } \] 共同形成一個在任務層看來近似單一、在本體與治理層仍保持多樣性的共享計算宇宙。 --- **Version:** Draft v0.2 **Status:** AI-Native Global Scheduling / World Computation Planner First Expanded Draft **Next:** GCCWT Paper 07 Draft v0.2 —《共享計算宇宙：MWT、GCM、CTCL、OIGT 與全域耦合底空間的統一架構》