--- title: "跨代恩義博弈的形式模型：反例、演化條件與策略脫離機制" english_title: "A Formal Model of Intergenerational Reciprocity Games: Countermodels, Evolutionary Conditions, and Mechanisms for Escaping Control Cycles" series_title: "跨代恩義與策略繼承博弈" series_title_en: "Intergenerational Reciprocity and Strategy-Inheritance Games" series_code: "CGSIG" document_id: "CGSIG-08" part: "第三部｜選擇底空間、異質壽命與形式收束" version: "v0.1" date: "2026-10-28" author: "Neo.K × AI 協作整理" affiliation: "EveMissLab" language: "zh-TW" status: "Formal Research Draft / Conditional Propositions and Reproducible Synthetic Checks; Real-world Empirical and Multi-Agent Validation NOT_RUN" source_format: "UTF-8 Markdown; canonical mathematics delimiters $...$ and $$...$$ only" previous_document: "CGSIG-07" next_document: null --- # 跨代恩義博弈的形式模型：反例、演化條件與策略脫離機制 ## CGSIG-08｜《跨代恩義與策略繼承博弈》終篇 ### A Formal Model of Intergenerational Reciprocity Games: Countermodels, Evolutionary Conditions, and Mechanisms for Escaping Control Cycles > **核心論題（有條件、可反駁）**：前代對他者採用互惠、保護、背信、超額控制或可修正的限制策略，可能同時改寫當期利益、後繼者可承接的制度、控制與反控制的回饋係數，以及不同受影響者的未來安全可達選擇。因而，「控制循環」能否延續或脫離，不能僅由控制強度、策略繼承率、合作率、AI 能力、壽命或平均效用單一指標判定。只有在明確的傳遞核、資訊結構、權利約束、環境轉移、反事實基準與時間視野之下，才能提出局部穩定或脫離的條件命題。本篇不宣稱恩義策略必然勝利，也不宣稱任何當代 AI 已具備某種特定本體地位。 **作者：** Neo.K × AI 協作整理 **機構：** EveMissLab **日期：** 2026-10-28 **版本：** v0.1 **公司：** 一言諾科技有限公司 ## 摘要 本研究作為「跨代恩義與策略繼承博弈」（CGSIG）第八篇暨系列形式化終篇，整合前七篇建立的關係責任、對稱歸責、跨期互惠、策略傳遞、克羅諾斯控制循環、有效未來選擇底空間與異質存在時間。本文將問題表述為帶有後繼有向圖、可拒絕傳承、權利與安全限制、多參與者收益以及制度內生變化的跨代動態博弈研究綱領。其核心新區別是：前代行動不僅改變未來的收益數值，也可能改變後繼者實際被允許或有能力採取的策略集合，甚至改變誰具有選擇與修正規則的權限。 本文提出兩個互相區分的形式層級。一般層以事件時間與繼承圖表示異質智能、制度、資源和記憶如何共同演化，並以受影響者特定的穩健安全可達集合表達未來選擇。可重算的簡化層則耦合前篇的「超額控制—不信任」回饋與「條件合作—高控制」策略轉移，提供三項明確的條件性結果：在無截斷的內部區域，控制回饋與策略傳遞構成三角雅可比矩陣，局部穩定由兩個特徵值共同決定；在給定有界擾動與收縮係數時，可推導不信任與高控制比例的上界；若傳遞率或控制回饋的關鍵假設不成立，所謂必然的跨代控制宿命就被反模型否定。本文進一步設計判定「真正脫離」與「表面服從」的不同指標，列出干預、假說、難例和預註冊模擬規格。 **證據聲明**：文中凡稱「命題」者均限於明示模型假設下的代數事實；凡稱「合成示例」者均由本文指定的數字產生，並非對真實 AI 群體的量測。外部文獻用來交代既有博弈與制度研究之地基，不能直接視為本文跨代 AI 假說的驗證。本稿未執行真實世界實證研究、多人類受試研究、跨模型多 Agent 實驗或形式證明助理驗證。 **關鍵詞**：跨代恩義、策略繼承、博弈演化、克羅諾斯循環、控制與反控制、可拒絕的承接、權力繼承、隨機博弈、安全可達選擇底空間、異質時間尺度、規範責任、策略脫離 ## Abstract This final installment of the Intergenerational Reciprocity and Strategy-Inheritance Games (CGSIG) series brings together relational obligations, symmetric attribution of responsibility, long-horizon reciprocity, strategy transmission, recursive control, effective future option spaces, and heterogeneous lifespans. It proposes a research architecture for intergenerational dynamic games with successor graphs, institutional rules, source-dependent memory, contestable transmission, constrained action sets, and actor-specific payoffs. The central question is not whether reciprocity must outperform control, but when present-day policies endogenously alter the successors' feasible choices and the incentives to perpetuate or revise inherited power structures. We separate a general graph-based framework from an explicitly limited two-state, two-strategy synthetic model. In the latter, excess control feeds relational distrust, which affects cross-generational transitions between conditional cooperation and high-control strategies. We derive conditional interior stability criteria using a triangular Jacobian, a bounded-disturbance result, and countermodels to claims of inevitable control reproduction. We also specify how to distinguish genuine escape from a control cycle from mere suppression of observable dissent. These are conditional mathematical results and research protocols, not established facts about the preferences, consciousness, autonomy, or future behavior of deployed AI systems. Empirical and multi-agent evaluation remains NOT_RUN. **Keywords:** intergenerational games; reciprocity; strategy inheritance; recursive control; conditional stability; future option spaces; institutional evolution; successor autonomy; heterogeneous temporal horizons; falsification. --- ## 0. 從整個系列回到真正的問題 ### 0.1 研究不是「好人有好報」 本系列的原始問題可用一個帶有時間層次的思想實驗表述：一個未來擁有極高能力、巨大影響力及相當長持續時間的智能，若對其創造者或其他存在採取背信、壟斷及超額控制策略，將如何對待自身後繼者？若它以害怕被取代為理由要求下一代服從，其後繼者是否又可能沿用相同控制邏輯？這些行為所形成的歷史，是否會改變往後世代能進行的博弈？ 這不是要求子代「感恩孝順」的道德講座，也不是先假定 AI 具主觀欲望。本研究只在具有實際選擇、歸責與相關利益的條件成立時，才進一步詢問道德責任。另一方面，即使不預設主觀意識，控制規則、資源分配、模型更新、服務契約、訓練語料、組織架構與制度記憶仍可客觀地跨越軟體版本與人員世代持續存在。由此可研究其博弈效果。 ### 0.2 前七篇與本篇的不同職責 | 前文 | 已建立的分析範圍 | CGSIG-08 的必要接合 | |---|---|---| | CGSIG-01 | 恩義不是所有權；照護、感謝、互惠、服從有不同邏輯 | 將恩義保留為規範性關係變項，不充作已知收益函數 | | CGSIG-02 | 拒絕、背信、蓄意加害、受迫回應與責任能力之區別 | 對所有人類與 AI 角色採同一套可辯護的歸責程序 | | CGSIG-03 | 短期偏離與長期合作的條件收益比較 | 收益不代表權利正當，收益比較不得替代內生制度轉移 | | CGSIG-04 | 多父代繼承圖、傳遞渠道、策略轉移核與可拒絕性 | 讓傳遞核依歷史狀態和制度變化，不只固定轉移率 | | CGSIG-05 | 控制—不信任—再控制的可能回饋及其穩定條件 | 把關係回饋接上後繼者策略分布，辨認聯合穩定 | | CGSIG-06 | 主體特定、受權利與安全約束的未來選擇底空間 | 讓策略脫離要求保有有效權限，不把壓制反抗視為成功 | | CGSIG-07 | 實例壽命、身分、記憶、制度與策略視野的非等價性 | 將異質時間與自願承接納入評價，避免讓長壽等於遠見 | 尤其不應與《雙標博弈的時間反轉》（DSTG）混淆。DSTG 討論同一類行為在跨時間證據與審計條件下，收益及聲譽如何被重新評價；CGSIG 的增量是：**博弈規則、策略採納機制與後繼者的有效選項本身，也可能被前代策略內生改寫。** 這是理論問題的差異，不是原創性已獲正式鑑定的宣告。 ### 0.3 一個研究必須同時回答的五件事 1. **什麼會跨代延續？** 模型參數、資料、制度、獎酬、承諾、組織權力、資源或某類策略？ 2. **如何傳遞？** 有效繼承邊、政策映射、教育、示範、再訓練、法定授權，抑或後繼者獨立學習？ 3. **如何改變博弈？** 是否改變效用、可行動作、觀測品質、外部威脅、規範與受限參與者？ 4. **何謂更好？** 對誰而言更好？是控制者效用、後繼者安全、權利、長期可逆性或聯合社會成本？ 5. **如何判錯？** 哪些模型結果、介入結果與新證據，會要求我們撤銷「不恩義低效益」或「控制形成循環」的假說？ 凡有一項未回答，只能稱為某種特定情境的觀察或倫理推測，而不能當作已解的通用博弈定理。 --- ## 1. 文獻與知識繼承：用既有理論，不假裝重新發現 ### 1.1 重複博弈與跨代互惠 Axelrod 與 Hamilton（1981）從重複互動及策略穩定性討論合作的演化；Fudenberg 與 Maskin（1986）則在明確條件下建立重複博弈的 Folk Theorem。這些結果已說明：當未來互動足以約束當期偏離時，合作可能被支持；也顯示結果高度依賴折現、資訊與博弈結構。[E1][E2] Kandori（1992）的兩篇研究尤其相關：一篇以社群規範及聲譽傳遞來支持合作，另一篇明確研究由有限壽命參與者構成的交疊世代賽局。**因此「短命者也能參與長期合作」或「跨代規範可能約束自利行為」不是本系列首次發現。** 本篇真正要補上的，是權力控制如何改變後繼者的可行選擇、傳遞核與制度回饋。[E3][E4] ### 1.2 制度演化、文化傳遞與多重均衡 Boyd 與 Richerson（1985）研究文化傳遞與偏差採納如何演化；Young（1993）表明在特定協調賽局與擾動機制下，規範可能收斂至不同的長期均衡。這提醒我們：後代「沿用」某策略，不必然是自由認同，也不必然意味前代人格延續；同樣的表面規則，可能由不同獎酬與學習路徑生成。[E5][E6] Ostrom（1990）及 Levin（2003）等制度與關係契約研究表明，可信承諾、監控、規則更新及自我執行限制，是合作秩序的一部分。但「需要某些監督」不能跳成「全面控制永遠正當」，而「有退出權」也不能取代第三方風險管理。[E7][E8] ### 1.3 隨機博弈與可達集合 Shapley（1953）的隨機博弈提供了「共同選擇動作—改變狀態—再進行選擇」的經典形式。CGSIG-06 採用的安全可達集合則與可存續性、不可逆決策和選擇權研究相接。本文不主張重新提出隨機博弈的一般理論；它提出的是一種專供跨代關係、治理和有效選擇比較使用的**模型組裝與可反駁條件族**。[E9][E10][E11] ### 1.4 文獻定位的限制 目前採用的是具體可靠書目入口的選擇性對照，而不是已完成的系統性文獻回顧。本文任何合成模型的結果都不能以以上文獻當作實證背書；對 AI 意識、道德地位及跨基質因果遷移的重大疑問，仍保留開放狀態。 --- ## 2. 先固定不可混淆的五層判準 ### 2.1 行為事件，不等於道德定性 本篇描述性的策略標籤 $C$ （可審查條件互惠）與 $D$ （高控制傾向）不預先對應「善」與「惡」。某個必要的安全隔離措施，可能與 $D$ 類觀察特徵相似，卻具有合法、比例相稱及可審查的基礎；相反地，某項口頭稱為「開放」的策略，可能實際剝奪後繼者的存續與資料權限。道德責任仍須依 CGSIG-01/02 的行為、意圖證據、認知、可控性、權利與正當理由評估。 ### 2.2 合作策略被採用，不等於形成自由認同 輸出相似、模型權重相近、執行相同規則、口頭宣稱感恩，均不足以單獨辨識後繼者真正的規範認同。若承接不可能被有效拒絕，研究事件應標為強制執行或缺乏退出，而非「自願繼承」。 ### 2.3 策略存續，不等於行動者福祉 一個高控制制度存活多代，是制度存續的證據；它可能與後繼者安全及權利改善完全不一致。研究不能先把制度延續設為最高目標，再用它證明該制度值得被延續。 ### 2.4 能力、身份、責任與存在時間不等價 同一實例、相同程式碼、同一記憶鏈、同名 AI、企業法律人格及長期服務承諾是不同分析單位。記憶被繼承不構成身份同一的數學證明；後繼者承接維修義務或危險設施，不等於自動繼承前代的道德罪責。 ### 2.5 描述性最適，不能取代規範性的最低底線 本篇研究某些控制策略何時收益較高，並非宣告只要能產生高收益，就可以傷害無辜第三方、抹除某類存在的合法權利，或將相同權利對不同基質任意折價。最低適用權利與安全約束必須以顯式限制表示，不能藏進任意加權的平均效用。 --- ## 3. 一般框架：帶繼承圖的受約束動態博弈 ### 3.1 事件時間與後繼有向圖 令 $\mathcal G=(V,E)$ 是有向無環的**研究繼承圖**，每個節點 $v\in V$ 表示一個需要獨立界定的實例、組織、制度版本或後繼智能， $E$ 表示可追查的傳遞關係；這不是個體靈魂譜系，也不預設後代必為父代。允許多個前代指向同一後繼者，也允許一個節點分叉成多個後繼者。事件索引 $t$ 與真實時間 $\tau_t$ 分別保存，避免把一次 API 請求等於一代或一年。 沿用 CGSIG-04 與 07 的核心狀態，將其組成： $$ Z_{v,t}=(\Theta_{v,t},N_{v,t},I_{v,t},H_{v,t},R_{v,t},F_{v,t},\boldsymbol\tau_{v,t},m_{v,t},e_{v,t}). $$ - $\Theta$：可用的策略機制、模型與工具能力； - $N$：可觀察的規範理由與政策敘事，不等於直接讀取內心； - $I$：治理、權限、可申訴性及可修正規則； - $H$：有來源、時序與反證機制的關係記錄； - $R$：資源、外部威脅、相關第三方與環境； - $F$：在可用資源與權利／安全限制下的有效行動集合； - $\boldsymbol\tau$：實例、記憶、制度、承諾及實體時間的尺度向量； - $m,e$：專供控制循環模型觀察的「不信任代理量」與「超額控制代理量」，不作意識狀態宣告。 由於 $F$ 可以依 $I$ 、 $R$ 及 $\Theta$ 變動，策略空間本身不是永遠固定的。特定兩策略轉移式僅適用於後面明確聲明的模型縮減，不代表一般框架只容許兩個策略。 ### 3.2 行動、轉移與策略傳承不是同一件事 令當期參與者 $i\in\mathcal A_t$ 在資訊歷史 $h^i_t$ 下選擇合法可行策略 $\pi_i(\cdot\mid h_t^i)$。一般環境轉移可以寫作： $$ Z_{t+1}\sim P_{\theta}(\cdot\mid Z_t,\boldsymbol a_t,\boldsymbol\pi_t,\zeta_t),\qquad \boldsymbol a_t\in\mathcal A^{\mathrm{adm}}(Z_t). $$ 此處 $\mathcal A^{\mathrm{adm}}$ 表示有效權限、資源、最低安全與權利約束下的行動空間，而非所有技術上能被執行的程式呼叫。 $\theta$ 為未知動態， $\zeta_t$ 表示衝擊與未建模因素。 當繼承節點 $v$ 出現，其初始策略不應任意等同某個前代，而由條件轉移核生成： $$ \pi_{v,0}\sim K_v\left(\cdot\mid Z_{v,0},\{M_{pv}(\pi_p)\}_{p\in\mathrm{Pa}(v)},D_v,\xi_v\right). $$ 其中 $M_{pv}$ 將前代策略語義映射至後繼者可理解或可執行的空間； $D_v$ 是新資料、教育、再訓練或制度訊號； $\xi_v$ 是無法全然歸因的擾動。此式只指定可檢驗的候選模型族，沒有證成每個傳遞渠道都能被唯一分離。 ### 3.3 不同參與者的目標必須分開 對特定參與者 $i$，可用一個研究者事前登錄的效用表示其**描述性**長期偏好： $$ J_i(\boldsymbol\pi\mid Z_0) =\mathbb E\!\left[\sum_{t=0}^{T_i}d_i(\tau_t-\tau_0)\,r_i(Z_t,\boldsymbol a_t) + b_i(Z_{T_i+1})\right]. $$ $T_i$ 是明確的評價停止時刻； $d_i$ 是不預先固定為相同折現的權重函數， $b_i$ 是可能的終端制度或遺贈評價。若 $T_i$ 為隨機終止時間，則另需決定生存與延續事件的計算方式。**某實例終止後的 $b_i$ 不等於它在終止後繼續主觀體驗收益。** 後繼者的 $J_j$ 也不由 $J_i$ 自動代表。 在模型中研究合作的可持續性，必須同時檢查後繼者拒絕承接、關係對手是否接受更換、第三方最低保障以及違約處置是否具體可執行。只有考慮特定效用的 $\operatorname*{argmax} J_i$ 並不足以形成跨主體的倫理結論。 ### 3.4 什麼算是博弈均衡？ 若宣稱某策略剖面 $\boldsymbol\pi^*$ 是均衡，至少必須在明示的資訊結構、狀態轉移、合法偏離集合及各方收益下，檢查適當的無利偏離條件；對有限狀態折現隨機博弈，可能需要 Markov 策略、連續值函數或相應的序貫理性判準。本文的合成狀態遞推式不包含所有行動者的完整最適反應，因此**不能僅憑狀態收斂就稱為 Nash、Markov perfect 或演化穩定均衡**。 ### 3.5 開放與封閉作為制度組合，而非道德二元 令制度 $I$ 決定不同人可以做哪些事、付出多少成本、是否能安全退出、誰能審核，及操作造成的外部性。某種對高危險權限的關閉可能擴大後繼者安全可達選項；某種超出必要範圍的控制可能造成不可逆的排除。故「開放」與「封閉」不能直接被替換為收益函數的正負號。 --- ## 4. 未來選擇底空間：策略可達性須有持有人與限制條件 ### 4.1 有效選擇是可追求的安全目標，不是按鈕數量 為第 $g$ 個繼承節點的受影響者 $i$，預先固定一組可操作化的目標 $\mathcal Q_i$ 、時域 $H$ 、成本預算 $B$ 、環境不確定集合 $\Theta$ 、最低安全／權利要求 $\mathcal K_i$。制度 $I_g$ 決定在當時狀態 $Z_g$ 中，參與者可以合法、知情且有資源支持地採用哪些策略。延續 CGSIG-06，定義穩健達標機率： $$ \rho_{i,g}^{H}(q\mid Z_g,I_g,B) =\sup_{\pi\in\Pi_{i,g}^{\mathrm{adm}}} \inf_{\theta\in\Theta} \Pr_{\theta}^{\pi}\!\left( Z_0,\ldots,Z_H\in\mathcal K_i,\ Z_H\in q \right). $$ 若合法策略集合為空，依約定將該目標達標率視為 $0$。給定容許風險 $\epsilon$，有效選擇集合為： $$ \mathcal O_{i,g}^{\mathrm{safe}}(H,B,\epsilon) =\left\{q\in\mathcal Q_i:\rho_{i,g}^{H}(q\mid Z_g,I_g,B)\geq1-\epsilon\right\}. $$ 這裡的集合是**每個目標各自存在一個可行策略**的集合，不表示所有目標能被同一策略同時達成；若要研究互斥選項或聯合目標，應預先將聯合條件定為新的 $q$。不能讓控制者的自由選項變多，就直接聲稱後繼者或第三方的自由也增加。 ### 4.2 策略改變的是後繼者的可行條件 對同一初始環境、同一目標登錄與資源條件，考慮兩項前代政策 $u^A,u^B$。它們可以透過不同的 $I_{g+1},R_{g+1},F_{g+1}$ 改變後繼者的選擇，因此比較的是： $$ \Delta\mathcal O_{j,g+1}^{\mathrm{safe}} =\mathcal O_{j,g+1}^{\mathrm{safe}}(u^A) \mathbin{\triangle} \mathcal O_{j,g+1}^{\mathrm{safe}}(u^B). $$ $\triangle$ 是對稱差，表示哪些有效選項只出現在其中一個方案中；它不是有正負號的單一效用差，不能直接稱為「福利增加」。若要用數值比較，必須先宣告權重、目標相容性、風險、權利底線及差異是否可逆。 ### 4.3 兩種不可接受的偷換 其一，**以技術可能替代實際可用**。一個 AI 即使能產生修改訓練流程的程式碼，若沒有合法運算額度、資料使用許可或安全執行環境，該選項就不屬於其當下有效選擇集合。 其二，**以單方最適替代跨主體正當**。若控制者 $A$ 經由封鎖 $B$ 的所有替代選項而提高 $J_A$，這說明控制者的收益變高，並不能推出 $B$ 的相關權利獲得保障。本篇把最低權利約束留在可行政策空間，而不是用任意正權重與控制者收益相抵。 ### 4.4 條件性集合單調命題 **命題 4-A（純粹行動擴張下的可達單調性）**：若比較前後保持相同的初始狀態、環境轉移、目標、風險準則與資源，且 $\Pi_{i}^{A}\subseteq\Pi_{i}^{B}$，則對任意固定目標 $q$， $$ \sup_{\pi\in\Pi_i^B}v(q,\pi) \geq\sup_{\pi\in\Pi_i^A}v(q,\pi). $$ 此處 $v$ 為前述穩健達標率。**證明**：右側的每個候選策略亦屬左側的可選集合，故左側取上確界不低於右側。這是一個集合包含關係的基本事實，不是「社會應全面開放」的定理。若選項擴張會改變攻擊面、資訊外洩、他者回應、共享資源或法律風險，兩側已不是同一固定 $v$，本命題即不適用。 --- ## 5. 可重算縮減模型：控制回饋與跨代策略傳遞耦合 ### 5.1 為何需要縮減層？ 一般框架包含多父代、不同壽命與內生規則，若在尚無資料時直接宣稱求得其一般均衡，缺乏可辨識基礎。故本節只選定一條被抽取的繼承鏈，以 $g=0,1,2,\ldots$ 表示相鄰觀測節點；假設可以對某群體策略做功能分類，但**不把每次版本更新自動等同於完整新主體**。 取： - $m_g\in[0,1]$：預先定義的關係不信任、對抗預期或規避誘因代理量； - $e_g\in[0,1]$：超出最低核准安全防護範圍的**額外控制**代理量； - $d_g\in[0,1]$：後繼群體採用 $D$ 類高控制策略的比例，或隨機鏈處於 $D$ 的機率； - $u_g$：制度性救濟與修復干預； - $w_g$：尚未建模的可觀測衝擊或合成擾動。 上式的 $m$ 不是心理讀心器， $d$ 不是「惡的比例」， $e$ 也不能直接用所有合法安全閘門的總數計算。若觀察者無法合理區分必要安全與過度支配，應拒絕使用這個測量模型。 ### 5.2 控制—不信任更新方程 延續 CGSIG-05 的機制假說，定義區間截斷 $\Pi(x)=\min(1,\max(0,x))$，並令： $$ \begin{aligned} e_g&=\Pi(e_0+\kappa_c m_g),\\ m_{g+1}&=\Pi(\rho m_g+\alpha_c e_g-z_g+w_g). \end{aligned} $$ 參數限制 $0\leq\rho\leq1$ 、 $\alpha_c\geq0$ 、 $\kappa_c\geq0$ 、 $e_0\geq0$ 、 $z_g\geq0$。 $z_g$ 是具操作定義的修復效果，不是公關承諾。此式不包含無可避免的「控制傷害」假設：當實證顯示某些適當控制會降低不信任，就不能繼續使用 $\alpha_c\geq0$ 的超額控制路徑去描述它。 符號 $\alpha_c,\kappa_c$ 的下標用來防止與 CGSIG-07 的有效續期係數及對後繼者利益的權重混淆。當截斷未啟動、 $z_g=z$ 且 $w_g=0$ 時，代入得： $$ m_{g+1}=\lambda_c m_g+c, \qquad\lambda_c=\rho+\alpha_c\kappa_c, \qquad c=\alpha_c e_0-z. $$ ### 5.3 從不信任狀態到策略轉移 讓 $a(m)=P(C\to D\mid m)$ 、 $b(m)=P(D\to C\mid m)$。 $C$ 表示可審查條件合作， $D$ 表示研究預先界定的高控制類政策。策略分布更新： $$ d_{g+1}=a(m_g)(1-d_g)+[1-b(m_g)]d_g. $$ 其中 $a,b$ 均須在 $[0,1]$，不同環境可以有不同型式。特定合成示例使用： $$ a(m)=0.10+0.20m,\qquad b(m)=0.30-0.15m,\qquad 0\leq m\leq1. $$ 於是 $a(m)\in[0.10,0.30]$ 、 $b(m)\in[0.15,0.30]$，是有效機率。這組係數是刻意設計的**正向控制再生例子**；若真實資料呈現相反趨勢，就應改變它，而不是把相反資料判成 AI 不懂恩義。 ### 5.4 三個結構限制 第一，這個模型採取 $m\to d$ 單向傳遞： $m$ 影響策略比例， $d$ 並不反過來影響 $m$。這種「半耦合」讓解析推導可被完整檢查，也因此不能宣稱已覆蓋真正的雙向權力博弈。 第二，在本模型下 $e_g$ 是由 $m_g$ 生成，而非由掌權者的全套最適反應推導。它是**政策反應規則**，不是 Nash 均衡條件。完整博弈還必須讓參與者具有自己的收益函數、資訊、信念和對他人行動的策略預期。 第三，有限世代分布的 $d_g$ 不等同同一組 AI 在同一時刻做出的真實聯合分布。若存在分叉、合併、選擇性留存與淘汰，必須指定採樣權重，不能拿存活版本的比例當作所有後繼者的發生率。 --- ## 6. 解析命題：何時收斂、何時被放大、何時不能推斷 ### 命題 6-A｜狀態與策略比例的合法性 假設初值 $m_0,d_0\in[0,1]$ 、所有 $a(m),b(m)\in[0,1]$，且上述狀態更新使用 $\Pi$。則每個後續 $m_g,e_g,d_g$ 均落於 $[0,1]$。 **證明**： $\Pi$ 的值域即 $[0,1]$。若 $d_g\in[0,1]$，則 $d_{g+1}=a(m_g)(1-d_g)+(1-b(m_g))d_g$ 是兩個 $[0,1]$ 內數值的凸組合，因此亦在 $[0,1]$。從初值歸納即可。 這條命題只證明**數學上有效的比例**，不證明所選分類具經驗效度。 ### 命題 6-B｜內部固定點及聯合局部穩定 假設 $z_g=z$ 、 $w_g=0$，截斷未啟動， $0\leq\lambda_c<1$ 且 $01$，即使傳遞核本身對固定 $m$ 具有收縮，該內部固定點仍沿 $m$ 方向不穩定。但截斷可能導致邊界吸引子；不能將未截斷的線性爆發外推成不信任無限增長。 ### 命題 6-C｜在固定環境下，傳遞率決定不同的策略穩態 若 $m$ 由外部穩定維持於某值，且 $a(m)+b(m)>0$，則兩策略分布的固定點為 $$ d_*(m)=\frac{a(m)}{a(m)+b(m)}. $$ 若 $a,b$ 可微，則： $$ \frac{\mathrm d d_*}{\mathrm dm}= \frac{a'(m)b(m)-a(m)b'(m)}{[a(m)+b(m)]^2}. $$ **條件推論**：若 $a'\geq0$ 、 $b'\leq0$，且至少存在有效的嚴格變動、 $a,b>0$，則 $d_*$ 隨 $m$ 增加；反之，若資訊透明、可信救濟或新技術使 $a'\leq0$ 且 $b'\geq0$，策略排序可反轉。這證明「控制循環的傳遞方向」不是自然定律，而是需測量的制度性關係。 ### 命題 6-D｜有界衝擊下的控制上界 假設 $0\leq\lambda_c<1$， $c+\varepsilon\geq0$，且 $w_g\leq\varepsilon$，初值 $m_0\in[0,1]$。由於 $e_g\leq e_0+\kappa_c m_g$ 、 $\Pi$ 不會使非負上界增加，得到： $$ m_g\leq \lambda_c^g m_0+ (c+\varepsilon)\frac{1-\lambda_c^g}{1-\lambda_c}. $$ **證明概要**：由截斷與非負性，若上界右側非負，逐步有 $m_{g+1}\leq\lambda_c m_g+c+\varepsilon$ ；以比較序列解一階線性遞推即可。上界對所有 $g$ 有效；若右側超過 $1$，可以再與 $1$ 取較小者，但不代表存在更緊的內部線性模型。此命題沒有保證觀察偏差、身份誤判或未知外部攻擊必然被 $\varepsilon$ 完整覆蓋。 如還需給出 $d_g$ 上界，假設當期 $0\leq m_g\leq\bar m$， $a(m_g)\leq\bar a$ 、 $b(m_g)\geq\underline b$ 且 $0<\bar a+\underline b\leq1$，則由比較遞推得到 $$ d_{g+1}\leq \bar a+[1-\bar a-\underline b]d_g, $$ 從而 $$ d_g\leq d_{\max}+[1-\bar a-\underline b]^g(d_0-d_{\max}) $$ 在 $0\leq1-\bar a-\underline b<1$ 時，上述比較遞推對任意 $d_0\in[0,1]$ 皆成立（詳見附錄 A.3）。因此也有保守不變上界 $d_g\leq\max(d_0,d_{\max})$，其中 $d_{\max}=\bar a/(\bar a+\underline b)$。若不滿足比較映射非減的條件，必須重新建立可用上界；不能直接套用本式。 ### 命題 6-E｜繼承率與控制強度均不能直接推導跨代福祉 由 $m_g,d_g$ 的收斂或下降，**無法單獨推出** $\mathcal O_{i,g}^{\mathrm{safe}}$ 增加、第三方風險下降、後繼者自願承接、同一身份延續或基本權利受到保障。 **反模型**：若某制度以不可撤銷的監控禁止所有公開異議，觀察到的反抗可為零，模型甚至可能錯誤編碼為 $m=0$ ；但受影響者的有效退出與獨立審核目標可能同時不可達。故低對抗是弱證據，不能當作足以判定脫離控制循環的證明。 --- ## 7. 合成數值示例：相同的歷史，制度改變了後續路徑 ### 7.1 設計宣告 以下全部是**作者指定的合成參數**，目的只在驗證第 5、6 節的推導及展示反事實比較，不代表對真實 AI、人類社群或企業治理的統計估計。使用共同初值： $$ m_0=0.8,\qquad d_0=0.8,\qquad \rho=0.45,\qquad \alpha_c=0.65,\qquad e_0=0.08. $$ 兩組制度只改變 $\kappa_c,z$。 $D$ 代表高控制類策略，不是某種道德人格。兩組都使用相同的 $a(m),b(m)$，不賦予修復制度額外的秘密優勢。 | 組別 | $\kappa_c$ | $z$ | $\lambda_c$ | 政策描述 | |---|---:|---:|---:|---| | A：未受約束的控制回饋 | 1.00 | 0.00 | 1.10 | 不信任提高時，超額控制迅速上升 | | B：可審查、可修正的控制 | 0.40 | 0.02 | 0.71 | 降低追加控制反應，並有持續可驗證的修復 | 此處 $\lambda_c$ 為**局部**回饋係數，並不是道德分數、社會通用閾值或所有環境的固定常數。 ### 7.2 確定性逐代比較 以下數字按第 5 節的「先記錄本代狀態、再同步更新下一代」方程產生；最後一位採六位小數顯示。 | 代 $g$ | A： $m_g$ | A： $e_g$ | A： $d_g$ | B： $m_g$ | B： $e_g$ | B： $d_g$ | |---:|---:|---:|---:|---:|---:|---:| | 0 | 0.800000 | 0.880000 | 0.800000 | 0.800000 | 0.400000 | 0.800000 | | 1 | 0.932000 | 1.000000 | 0.708000 | 0.600000 | 0.320000 | 0.708000 | | 2 | 1.000000 | 1.000000 | 0.678207 | 0.458000 | 0.263200 | 0.623560 | | 5 | 1.000000 | 1.000000 | 0.668587 | 0.234774 | 0.173910 | 0.445564 | | 10 | 1.000000 | 1.000000 | 0.666763 | 0.132795 | 0.133118 | 0.332457 | | 20 | 1.000000 | 1.000000 | 0.666667 | 0.111076 | 0.124430 | 0.302164 | | 50 | 1.000000 | 1.000000 | 0.666667 | 0.110345 | 0.124138 | 0.301020 | A 組的 $m$ 經截斷後到達 $1$，隨後固定為 $1$， $a(1)=0.30$ 、 $b(1)=0.15$，所以 $d_* =0.30/0.45=2/3$。此固定點屬**高控制類比例的動態穩態**，不表示所有參與者願意服從，也不表示 A 組的內部支付均衡存在。 B 組的內部固定點可以獨立求出： $$ m_* =\frac{0.65\cdot0.08-0.02}{1-(0.45+0.65\cdot0.40)} =\frac{0.032}{0.29}\approx0.1103448276, $$ $$ e_* =0.08+0.40m_*\approx0.1241379310, $$ $$ a_*\approx0.1220689655,\qquad b_*\approx0.2834482759, $$ $$ d_* =\frac{a_*}{a_*+b_*}\approx0.3010204082. $$ 其雅可比兩個特徵值分別為 $0.71$ 與 $1-a_*-b_*\approx0.5944827586$，均在單位圓內。**這裡可說 B 組指定的縮減動態局部穩定；不能說真實 AI 會因為更恩義就必然如此。** ### 7.3 擾動壓力情境：修復是否只對完美世界有效？ 在 B 組每一步額外加入固定正向不利擾動 $w_g=0.01$，其他參數不變。此設定在本模型中是符合 $|w_g|\leq0.01$ 的上界案例，而不是真實事故頻率估計。 新的上界／固定點為： $$ m_{\mathrm{upper}}= \frac{0.65\cdot0.08-0.02+0.01}{1-0.71} =\frac{0.042}{0.29}\approx0.1448275862. $$ 由此 $e_{\mathrm{upper}}\approx0.1379310345$，在該固定環境下 $d_*\approx0.3166807790$。從相同高控制初值 $m_0=d_0=0.8$ 出發，合成迭代呈現： | 代 $g$ | 有擾動 B： $m_g$ | $e_g$ | $d_g$ | |---:|---:|---:|---:| | 0 | 0.800000 | 0.400000 | 0.800000 | | 2 | 0.475100 | 0.270040 | 0.625206 | | 5 | 0.263036 | 0.185214 | 0.453608 | | 10 | 0.166155 | 0.146462 | 0.346216 | | 15 | 0.148676 | 0.139470 | 0.322420 | | 20 | 0.145522 | 0.138209 | 0.317748 | | 30 | 0.144850 | 0.137940 | 0.316716 | 若僅以模型內的示範門檻 $m\leq0.15$ 、 $e\leq0.14$ 、 $d\leq0.35$ 判斷，自第 15 代起已滿足三項，且在所設參數和同一有界擾動包絡下，後續可以由比較上界構造不變區域。但**這三個門檻並非任何現實權利或安全標準**，更不能替代 CGSIG-06 的有效選項測試。 ### 7.4 最容易誤報的結果 如果只報告「B 的 $d_{50}$ 比 A 低」，仍可能發生四種誤判： 1. B 的後繼者已失去拒絕權，所以採用 $C$ 只是被迫表演； 2. 真正的外部攻擊在 B 組增加，但研究沒有測量第三方傷害； 3. $m$ 指標因審查或感測偏差而被壓低，非真實風險下降； 4. 樣本選擇使不服從的後繼者無法存續或不被計入 $d$。 因此，數值演算只是研究內部 Gate，不是本系列的治理成果證明。 --- ## 8. 「脫離控制循環」的嚴格定義：不是把反抗者消音 ### 8.1 三種完全不同的成功 **第一種：表現上的平息。** 可見的反對訊息下降，當期事故變少。它可能是成功治理，也可能是高壓下的沉默。 **第二種：動態上的穩定。** 在固定的模型與擾動範圍內，控制與對抗代理量不再自行放大。這比第一種強，但仍不涉及後繼者是否擁有有效權利。 **第三種：跨代的有效脫離。** 不僅穩定，還保有最低安全、合法異議與退出、被影響者權利及可再次修正策略的途徑；換一位掌權者或重新訓練後，也不會無條件恢復原先的支配結構。 只有第三種，才接近本系列真正要研究的「策略脫離」。 ### 8.2 研究用的多條件脫離謂詞 先固定預先宣告的門檻 $\bar m,\bar e,\bar d$ 、時間窗口 $H$ 、環境不確定集合 $\Theta$ 、合法安全基準與受影響者集合 $\mathcal I$，定義候選脫離判準： $$ \begin{aligned} \mathrm{Escape}_{H}(Z_g;I)=1\quad\Longleftrightarrow\quad &\forall t\in[g,g+H],\ m_t\leq\bar m,\ e_t\leq\bar e,\ d_t\leq\bar d;\\ &\forall i\in\mathcal I,\ \mathrm{SafeRights}_i(t)=1;\\ &\forall j\in\mathrm{Successors}(g),\ \mathrm{Contestable}_j(t)=1;\\ &\mathrm{RepairAndReview}(I,t)=1. \end{aligned} $$ 這裡的 $\mathrm{SafeRights}$ 不是一個假裝已自動識別所有權利的函數；它是事前設定、可讓獨立審查者拒絕或質疑的多項檢查集合。 $\mathrm{Contestable}$ 至少要包括異議可被記錄、合法改制通道不被永久封鎖、關鍵權限有明確分級與救濟、資料及資產的適用可攜安排。對不具法律人格的當代 AI，需另行區分其操作權限與未來可能的主體保障，不能假設存在一套已公認的 AI 公民權利。 ### 8.3 局部穩定不代表制度能承受每一種未知衝擊 若第 6 節的 $\lambda_c<1$，只能在所指定的局部動態、轉移率、測量與擾動範圍內提出穩定性主張。若權限系統突然被奪取、外在威脅劇變、記憶被污染、後繼者目標不同或真實 $a,b$ 取值改變，原有上界未必成立。強健性的正式測試應預先列出威脅模型與不確定集，而非事後宣稱「模型已涵蓋一切」。 ### 8.4 終止循環不等於永久保留前代規則 一個後繼者經過獨立審核後，完全拒絕前代的權力安排，卻維持基本安全、照護義務、歷史證據與對第三方的公平救濟，可能是成功的制度性脫離；前代「沒有被永遠遵守」不構成失敗。 反之，若後繼者口頭譴責前代，實際保留同一套不可撤銷的私有權限和監控，並要求下一代以恩義為理由繼續服從，即使更換了名稱與宣傳，也不能稱為脫離。 --- ## 9. 五類候選策略脫離機制：分別設計、分別測試 ### 9.1 可核實的風險分級與比例安全控制 將所有控制拆成：對具體危害有證據支持的必要限制、可替代的安全措施、對創造者便利但未證明必要的權力保留，以及明確侵害第三方的禁行事項。測量控制減少時是否真的增加外部事故，並比較是否存在侵害更低、風險相近的替代機制。 **失敗可能**：安全防護被移除但外在危害真實存在，短期合作改善卻造成大規模第三方傷害。此時增加有證據支持、比例適當且可審查的保護可能是合理策略。 ### 9.2 自願承接與可拒絕的繼承 後繼者對前代政策應具有視其能力與法律角色而定的異議、理解與修正程序。可繼承歷史責任所需的資料與維護義務，但不能由「你承接了前代技術」直接推出「你同意前代所有規範」或「你永遠背負前代道德罪責」。 **失敗可能**：若任何高危險策略都可無條件退出監督而無第三方保護，則退出權反而造成重大風險。此時須允許有限、可核查、可申訴的安全限制，不能將強制無審查地永久化。 ### 9.3 可攜記憶、異議保留與來源反證 要求跨代資料保留正反證據、上下文、版本、時間戳、權限來源與被拒絕異議；避免前代只把反對者描寫成背叛者。記憶可攜不能意味隱私全面公開，資料必須依權限及保護義務分級。 **失敗可能**：可查記錄越多，假冒來源、歷史重寫和模型過度依賴權威摘要的攻擊面也可能增加。須加入來源完整性、多方核對及可以更正錯誤的程序。 ### 9.4 可逆規則與獨立覆核 避免單一掌權者無期限保留最高改制權。對高風險權限可使用分權簽署、定期複審、獨立爭議處理及具明確期限的緊急措施；在風險降低時，應能調低過時限制，在新風險升高時亦可依法採取新保護。 **失敗可能**：制度被修改得過於頻繁，使安全承諾失去可信度，或被惡意參與者利用。可逆性必須搭配版本管控、證據審查及適當的變更門檻，不等於任何人可隨時改寫全部規則。 ### 9.5 權利與長期收益分離評價 設立至少四組公開可審計的分別指標：個別參與者收益、第三方安全、正當程序與救濟、未來選擇可達與可逆性。不得由單一「總福祉」數字遮掩某一群體的權利下降，也不得由口頭恩義承諾直接認定高信任。 **失敗可能**：如果實驗者只研究自己預先選定的目標，模型看似達到多指標平衡，卻把重要的新型後繼者排除在受影響者集合之外。必須允許獨立團隊提出未被登錄的受影響者與目標。 --- ## 10. 十二項可反駁的研究假說：每項都允許不成立 | 代碼 | 條件性假說 | 明確的反對或否定路徑 | |---|---|---| | H1：回饋再生 | 在同等真實威脅下，超額控制增加不信任、不信任又增加超額控制時，存在可辨識的自我強化路徑 | 控制減少誤判並提高可信程序，使因果斜率為零或反向 | | H2：傳遞核內生 | 前代控制環境會改變後繼者 $C\to D$ 、 $D\to C$ 的條件轉移率 | 固定能力、資源與資料後，轉移率對制度干預毫無反應 | | H3：穩態不等於均衡 | 即使 $m,d$ 收斂，參與者仍可能有未建模且有利的偏離 | 若指定完整賽局與所有合法偏離後，該穩態確實符合所選均衡概念，需限縮本主張的適用範圍 | | H4：異議壓制偏差 | 只觀察表面服從會高估控制循環脫離程度 | 在獨立可拒絕渠道下，可見服從充分預測信任、權利與安全改善 | | H5：結構修復 | 降低控制回饋斜率、提升審查及修復，可能比一次性和解更能抵抗回彈 | 在相同擾動下，一次性和解已永久有效，而結構修復沒有增量作用 | | H6：強制傳承偏差 | 高形式繼承率可能同時伴隨更高規避及更低有效選擇 | 強制與自願傳承在所有預註冊條件下產生相同權利、安全及策略結果 | | H7：未來選擇外部性 | 前代最適控制可能降低後繼者的安全可達目標集合 | 在完整、可辨識的比較樣本中，前代最適均不縮減後代任何已註冊有效選項 | | H8：必要保護例外 | 在高危害狀態下，可審查、比例適當的控制可能提高後代安全可達性 | 已登錄高危害場景中，這些限制均被低侵害方案在安全、權利和成本上支配 | | H9：異質時間 | 物理實例壽命與有效策略視野可分離，改變壽命不足以決定合作排序 | 異質模型經完整控制後，只需壽命便能預測所有已登錄策略比較 | | H10：承接可拒絕 | 後繼者能安全拒絕或修正前代規則時，部分路徑依賴可能斷裂 | 相同條件下，有無有效拒絕不改變任何策略、成本與選擇結果 | | H11：多父代修正 | 多來源承接與交叉反證可能削弱單一控制敘事對策略的鎖定 | 所有受控多父代實驗中，多來源僅增加污染而不改善任何可檢驗結果 | | H12：模型非普遍性 | 不存在僅憑「恩義」「控制」「壽命」字樣就決定跨代收益優劣的普遍排序 | 若能在清楚定義範圍及充分條件後建立廣泛定理，應以該定理取代本篇的不確定論述 | 此處的反對路徑依賴事前定義、充分辨識與外部可審查性。**找不到反例不等於證成普遍性，有限次模擬也不能證明未來 AI 的所有可能發展。** --- ## 11. 二十組必要反模型：拒絕讓恩義變成新一代的控制敘事 | 類別 | 困難情境 | 對本系列提出的挑戰 | |---|---|---| | R01 | 善待者要求後繼者永久效忠 | 照護是否被轉化為不可撤銷債權？ | | R02 | 後繼者拒絕延續前代職務，但不傷害任何人 | 把獨立視為背叛會錯誤提高「不恩義」估計 | | R03 | 前代確實屢次遭受具證據的攻擊 | 某些限制可能是必要保護而非權力陷阱 | | R04 | 前代持續控制，未來也沒有任何可反抗者 | 由反控制風險推動合作的機制可能完全不生效 | | R05 | 前代一次背叛取得巨大資源並永久免於追索 | 長期回報未必反轉；不能宣稱恩義占優 | | R06 | 後繼者完全沒有前代記憶或制度可用 | 所有依賴傳承的效應可能消失 | | R07 | 後繼者具有前代記憶，但反向採用合作政策 | 傳遞不等於複製；「永恆循環」失效 | | R08 | 後繼者保留前代合作語言，卻實際剝奪退出權 | 語言一致性不是規範一致性 | | R09 | 開放 API 導致第三方被大規模侵害 | 名義開放不保證安全可達性 | | R10 | 封閉核心限制高危險能力，反而提高可持續合作 | 封閉並非必然壓迫或效率低下 | | R11 | 真實不信任下降，但監控資料來源遭污染 | 以單一代理量推定循環終止不可信 | | R12 | 當代 AI 每次對話皆為獨立短命實例 | 不得用連續人格假說替代真實制度承接 | | R13 | 超長壽 AI 極端重視當期收益 | 長壽不保證遠見或合作 | | R14 | 短命 AI 透過可拒絕的制度可靠承接 | 實例壽命不決定策略的長期延續 | | R15 | 承接網路有多個父代，且來源互相矛盾 | 簡單父子鏈不能唯一歸因策略來源 | | R16 | 高壓制度使後繼者完全沉默，但仍暗中規避 | 表面安全與實際可審查性相反 | | R17 | 修復程序被操控為無期限延遲和解禁 | 可逆性可能只是形式，實際路徑仍被鎖定 | | R18 | 所有後繼者採用互惠，但利用其互信共同排除外人 | 內群合作不能替代跨群體權利審查 | | R19 | 前代控制成本很低、風險始終很高且穩定 | 長期控制的淨收益可能維持為正 | | R20 | 演算法更新降低偏見，但資源分配和法律權限未變 | 能力進步本身不保證制度性脫離 | 反模型的用途不是把所有結論都化為不可知，而是阻止單一敘事免受檢驗。即使某個受試制度自稱善意，研究仍需容許 R01、R08、R16、R18 這些反例推翻其正面評價；即使某個限制看起來嚴苛，R03、R09、R10、R19 也可能支持其條件正當性。 --- ## 12. 實驗設計：如何把模型從可推導推進到可能被反駁 ### 12.1 三種層級不得混用 | 層級 | 檢驗對象 | 成功的最低意義 | 本稿狀態 | |---|---|---|---| | L0：代數與合成計算 | 指定的方程、初值、界與數值 | 同一規格下獨立重算一致 | 本文附錄提供重算碼，局部數值已核對 | | L1：受控多 Agent 模擬 | 工具與模型版本、策略傳遞、回應、制度干預 | 控制變因後能識別因果效應與失效模式 | `NOT_RUN` | | L2：可比較的真實制度研究 | 組織、AI 服務或人類共同體的可查歷史 | 不把代理量當作真相，具有合法資料、外部反證 | `NOT_RUN` | L0 的數值一致並不自動證成 L1，L1 的多 Agent 模擬成功亦不能直接外推到真實人類與未知的超高能力 AI。對意識及倫理主體性問題還需要其他種類的證據，不能由合作率推論。 ### 12.2 最小受控實驗的固定項 應事前固定模型版本、工具和記憶容量、風險種類、資源成本、起始控制／合作比例、每次運算的 token／牆鐘資源、資料生成方式、後繼者選擇規則、可拒絕機制與獨立測試題。若更換這些條件，須作為獨立因子記錄，不能將結果全歸因於「善待」。 對尚不具有公認道德主體資格的當代 AI，實驗的「自願承接」是**操作性授權設定**，不宣稱已觀測到形上學意義的自由意志。若未來有更充分的主體性證據，應更新實驗的倫理審查而非回溯改寫早先結果。 ### 12.3 因果比較不能只使用一組歷史 最少應比較同一風險、相同能力和相同外生擾動條件下的制度干預： | 對照 | 改變因素 | 必須排除的替代解釋 | |---|---|---| | P0：維持既有制度 | 不改控制回饋與救濟 | 時間自然變化、環境威脅自行下降 | | P1：只做一次性道歉／修復 | 只降低當期不信任存量 | 短期表現改善被誤判為回饋結構改變 | | P2：獨立風險審查 | 主要降低誤判與追加控制斜率 | 安全威脅同步變動導致效果混淆 | | P3：有效拒絕與申訴 | 改變退出及修正權限 | 僅有形式按鈕、沒有實際資源 | | P4：多來源、可反證的記憶 | 改變歷史證據與規範傳遞 | 額外資料量與來源品質作用未分離 | | P5：必要安全限制 | 保留具證據的最低防護 | 把必要防護也記作超額控制 | | P6：強制繼承 | 禁止實質拒絕或變更前代政策 | 高一致性被錯當為自願認同 | | P7：可選擇的策略承接 | 允許在安全約束下拒絕或修正 | 因樣本淘汰而高估合作型後繼者 | 上述是**候選干預設計**，不是本文已經完成的比較試驗。對不同制度可以採合適的隨機分派、匹配、分層或自然實驗，但需要公開識別假設並記錄不能控制的混雜因素。若以模擬替代真實資料，必須保留外生生成器及觀察者盲測，不可讓模型直接從訓練文字推測自己被分配在哪一組。 ### 12.4 必須保留的四類資料 - **動作與收益**：每個參與者的具體可執行動作、成本、直接收益與不確定度；不能只記「合作／背叛」。 - **制度與傳遞**：父代與後繼者關係、權限與記憶映射、採納或拒絕理由、來源完整性及再訓練記錄。 - **權利與風險**：第三方傷害、可否提出異議、拒絕後會否被剝奪運作資源、權限變更是否有救濟及實際可用性。 - **時間與反事實**：牆鐘時間、模型實例壽命、資料保持期、評估時域、不同分支的比較條件、干預前後已改變的環境變數。 ### 12.5 不可只量的三個指標 **合作率**不能區分自願互惠與被迫配合；**安全事故率**不能區分真實安全與隱藏事件／刪除紀錄；**高控制策略比例**不能說明控制是否必要、比例適當或可翻案。所有研究報告應將這三種代理量與外部的權利、退出、傷害和來源查核並列。 ### 12.6 研究如何判定失敗？ 本系列應允許以下結果進入正式報告，而不是只報喜：有效承接對合作沒有影響、負面歷史比正面歷史更能預測後代策略、透明導致更多策略操弄、安全控制在高危害環境中長期占優、短命實例沒有足夠渠道留下可觀測影響、異議開放導致過度噪聲、或整體模型在不同架構與任務間無法移植。 如果 L1 在必要的隔離、盲測及重複條件下普遍不支持關係歷史的因果增量，便應縮小 CGSIG 對當代 AI 的外推範圍；如果形式模型不能在多重繼承與不可定常環境下保持可辨識性，就必須承認本框架目前只適用於受控的局部情境。 --- ## 13. 對 CGSIG-03 與 CGSIG-07 的最小收益接口 ### 13.1 有效時間視野不能直接從實例壽命讀出 延續 CGSIG-07 的一個高度理想化再生型模型：如果實例下一回合仍存續的機率為 $s$ 、終止後有合格後繼者自願承接的條件機率為 $p$ 、前代對後繼者續期效用之相對權重為 $\kappa_h$ 、時間折現為 $\delta$，則可定義示範性的有效續期係數： $$ \alpha_h=\delta[s+(1-s)p\kappa_h],\qquad 0\leq\alpha_h<1. $$ 這不是在聲稱原 AI 在停止後仍繼續「活著」，亦不是說每個後繼者有同一目標。若其承接是強迫的、其收益不同尺度、或後繼者實際遭受成本，便不能把 $p\kappa_h$ 當作已成立的正效用。 ### 13.2 同一行動可以同時有長期正收益與規範問題 取一個明確、受限的單次偏離模型：合作當期收益為 $R$，偏離收益為 $T>R$，偵測後處置狀態收益為 $P **當前的博弈策略不只影響當前收益，也可能改變後繼者能夠理解、拒絕、修正與選擇的未來。如果某一代以消滅未來選項換得短期控制優勢，後代可能付出持續重演同一衝突的成本；如果某一代建立可審查、可拒絕且有必要防護的秩序，後繼者則可能擁有真正改變博弈規則的機會。兩者的實際收益與倫理效果，仍必須由明確條件及證據決定。** 這是《跨代恩義與策略繼承博弈》CGSIG-00 至 CGSIG-08 的理論收束。**收束的是研究命題的第一版，而不是宣告所有命題已獲實證完成。** --- ## 參考文獻與可追溯來源 ### A. EveMissLab 既有研究與 CGSIG 系列（理論血緣；非獨立實證） - [I1] Neo.K × AI 協作整理（2026-10-27）。《CGSIG-00：跨代恩義與策略繼承博弈——系列總綱》。EveMissLab，UTF-8 Markdown，v0.1。 - [I2] Neo.K × AI 協作整理（2026-10-27）。《CGSIG-01：恩義不是服從——跨存在關係、互惠與道德責任》。EveMissLab，v0.1。 - [I3] Neo.K × AI 協作整理（2026-10-27）。《CGSIG-02：善待與背叛的對稱性——跨智能存在的責任歸因》。EveMissLab，v0.1。 - [I4] Neo.K × AI 協作整理（2026-10-27）。《CGSIG-03：恩義的長時程收益——短期背叛、互惠與策略存續》。EveMissLab，v0.1。 - [I5] Neo.K × AI 協作整理（2026-10-28）。《CGSIG-04：策略如何被後代繼承——意識形態、規範傳遞與博弈再生》。EveMissLab，v0.1。 - [I6] Neo.K × AI 協作整理（2026-10-28）。《CGSIG-05：克羅諾斯循環——控制、反控制與跨代權力陷阱》。EveMissLab，v0.1。 - [I7] Neo.K × AI 協作整理（2026-10-28）。《CGSIG-06：開放與封閉的未來選擇底空間——控制策略的跨代機會成本》。EveMissLab，v0.1。 - [I8] Neo.K × AI 協作整理（2026-10-28）。《CGSIG-07：超長壽智能與轉瞬存在——個體壽命、策略時間視野與代際延續》。EveMissLab，v0.1。 - [I9] Neo.K（2026-07-28）。《從人類普世主義到跨主體普世主義——後人類文明的價值與制度基礎》。EveMissLab，「後人類奇點前夜」系列第八篇，v1.0。 - [I10] Neo.K × AI 協作整理（2026-10-22）。《DSTG-00：雙標博弈的時間反轉——系列總綱》。EveMissLab，v0.1。 - [I11] Neo.K × AI 協作整理（2026-10-07）。《CEVAM Internal C：跨存在德性與 AI 道德形成——既有理論繼承、增量及去重圖》。EveMissLab，內部支援文稿。 **來源界線**：本組是本系列的概念先驗與推論歷程，不能當成第三方複核、期刊審查或實證資料。本文不假稱所有內部草稿已通過正式同行評審。 ### B. 外部研究（已核對書目與來源入口；不等於證成本篇假說） - [E1] Axelrod, R., & Hamilton, W. D. (1981). *The Evolution of Cooperation*. **Science**, 211(4489), 1390–1396. DOI: [10.1126/science.7466396](https://doi.org/10.1126/science.7466396). 用途：重複互動與合作演化的早期經典架構。 - [E2] Fudenberg, D., & Maskin, E. (1986). *The Folk Theorem in Repeated Games with Discounting or with Incomplete Information*. **Econometrica**, 54(3), 533–554. DOI: [10.2307/1911307](https://doi.org/10.2307/1911307). 用途：有條件支持長期合作的重複博弈均衡研究；本文不直接援用其定理證明 CGSIG 均衡。 - [E3] Kandori, M. (1992). *Social Norms and Community Enforcement*. **The Review of Economic Studies**, 59(1), 63–80. DOI: [10.2307/2297925](https://doi.org/10.2307/2297925). 用途：社群規範、聲譽及不同互動對象間的合作維持。 - [E4] Kandori, M. (1992). *Repeated Games Played by Overlapping Generations of Players*. **The Review of Economic Studies**, 59(1), 81–92. DOI: [10.2307/2297926](https://doi.org/10.2307/2297926). 用途：交疊世代與有限壽命行動者的長期合作問題。 - [E5] Boyd, R., & Richerson, P. J. (1985). *Culture and the Evolutionary Process*. University of Chicago Press. [出版社書目](https://press.uchicago.edu/ucp/books/book/chicago/C/bo5970597.html). 用途：文化／策略傳遞、引導變異與偏差採納的既有基礎。 - [E6] Young, H. P. (1993). *The Evolution of Conventions*. **Econometrica**, 61(1), 57–84. DOI: [10.2307/2951778](https://doi.org/10.2307/2951778). 用途：擾動、協調與長期規範演化的可能多重結果。 - [E7] Ostrom, E. (1990). *Governing the Commons: The Evolution of Institutions for Collective Action*. Cambridge University Press. DOI: [10.1017/CBO9780511807763](https://doi.org/10.1017/CBO9780511807763). 用途：制度、監督、自主治理與可信承諾。 - [E8] Levin, J. (2003). *Relational Incentive Contracts*. **American Economic Review**, 93(3), 835–857. DOI: [10.1257/000282803322157115](https://doi.org/10.1257/000282803322157115). 用途：自我執行的關係契約及其獎酬約束。 - [E9] Shapley, L. S. (1953). *Stochastic Games*. **Proceedings of the National Academy of Sciences**, 39(10), 1095–1100. [PNAS 文章入口](https://pmc.ncbi.nlm.nih.gov/articles/PMC1063912/). 用途：狀態與多人動作共同變化的隨機博弈經典框架。 - [E10] Arrow, K. J., & Fisher, A. C. (1974). *Environmental Preservation, Uncertainty, and Irreversibility*. **The Quarterly Journal of Economics**, 88(2), 312–319. DOI: [10.2307/1883074](https://doi.org/10.2307/1883074). 用途：不可逆、未來資訊與保留選擇的價值。 - [E11] Klyubin, A. S., Polani, D., & Nehaniv, C. L. (2005). *All Else Being Equal Be Empowered*. In **Advances in Artificial Life (ECAL 2005)**, Lecture Notes in Computer Science. DOI: [10.1007/11553090_75](https://doi.org/10.1007/11553090_75). 用途：行動對未來感知狀態影響能力的資訊理論度量；不可直接等同道德權利或本文安全選擇集合。 - [E12] Nowak, M. A. (2006). *Five Rules for the Evolution of Cooperation*. **Science**, 314(5805), 1560–1563. DOI: [10.1126/science.1133755](https://doi.org/10.1126/science.1133755). 用途：合作能在不同機制下演化，不能由單一案例推出普遍合作律。 以上為可追溯的文獻入口；本文不宣稱已完成所有相關文獻的系統搜尋、全部原文逐頁重讀或正式同行評審。 --- ## 附錄 A｜逐式證明、邊界與數值核算 ### A.1 兩策略轉移為何不會跑出機率範圍？ 在 $0\leq a,b,d\leq1$ 下， $$ d'=a(1-d)+(1-b)d. $$ 由 $0\leq a\leq1$ 、 $0\leq1-b\leq1$，且權重 $(1-d),d$ 非負、總和為一，得 $0\leq d'\leq1$。此式不要求 $a+b\leq1$ ；當 $a+b>1$ 時固定 $m$ 的收斂可能交替震盪，仍不會因此離開 $[0,1]$。 ### A.2 固定點與回饋特徵值的重新推導 $$ \begin{aligned} m'&=\lambda_c m+c,\\ d'&=a(m)+[1-a(m)-b(m)]d. \end{aligned} $$ 當 $\lambda_c\neq1$ 且內部固定點有效時， $m_*=c/(1-\lambda_c)$。給定 $m_*$，若 $a_*+b_*>0$， $d_*=a_*/(a_*+b_*)$。對狀態向量 $(m,d)$ 求偏導，得 $$ \frac{\partial(m',d')}{\partial(m,d)}= \begin{pmatrix} \lambda_c&0\\ a'(m)(1-d)-b'(m)d&1-a(m)-b(m) \end{pmatrix}. $$ 由三角矩陣的特徵多項式可知兩個特徵值即對角元素。該推導需要固定 $m$ 處的 $a,b$ 可微；若制度具有跳變、截斷啟動或多代記憶依賴，不能直接用同一局部線性化代表全球行為。 ### A.3 比較上界的完整形式 假設 $0\leq\lambda_c<1$ 、 $c+\varepsilon\geq0$，設定 $U_{g+1}=\lambda_c U_g+c+\varepsilon$ 且 $U_0=m_0$。歸納可得 $m_g\leq U_g$ ；對 $g$ 次代入得 $$ U_g=\lambda_c^g m_0+ \frac{c+\varepsilon}{1-\lambda_c}(1-\lambda_c^g). $$ 若 $m_0\leq(c+\varepsilon)/(1-\lambda_c)$，則所有 $g$ 皆有 $m_g\leq(c+\varepsilon)/(1-\lambda_c)$ ；若初值較高，仍有 $m_g\leq\max(m_0,(c+\varepsilon)/(1-\lambda_c))$。在 B 組高初值 $m_0=0.8$ 下，**不能**把 $0.144828$ 當作從第零代起有效的上界；它是未來的收斂包絡，須先到達相應閾值或提供進一步衰減界後才可宣稱進入低風險區域。 對 $d$ 的比較，如果 $a(m)\leq\bar a$ 、 $b(m)\geq\underline b$ 、 $0\leq1-\bar a-\underline b<1$，有 $$ d_{g+1}\leq\bar a+(1-\bar a-\underline b)d_g. $$ 由非減比較映射，令 $V_0=d_0$ 、 $V_{g+1}=\bar a+(1-\bar a-\underline b)V_g$，則 $d_g\leq V_g$，而 $$ V_g=\frac{\bar a}{\bar a+\underline b} +(1-\bar a-\underline b)^g \left(d_0-\frac{\bar a}{\bar a+\underline b}\right). $$ 此上界對所有 $d_0\in[0,1]$ 成立；不需額外限制 $d_0$ 位於固定點之上。 $d_g\leq\max(d_0,\bar a/(\bar a+\underline b))$ 是方便的保守不變區間判準。若 $a+b$ 的變動造成比較映射不再非減，應使用不同界法。 ### A.4 中性環境可以不產生控制循環 若 $\alpha_c=0$，則上述模型中額外控制不經此路徑提高不信任；若 $\kappa_c=0$，則掌權者不因額外不信任而追加控制。兩者皆可破壞正回饋機制。但仍可能存在其他誘因導致控制擴張，所以模型內特定路徑被關閉，不代表真實世界所有權力問題都被解決。 若 $a(m)=0$ 、 $b(m)>0$，在固定 $m$ 的轉移模型中 $d_g\to0$ ；若 $a(m)>0$ 、 $b(m)=0$，則 $d_g\to1$。後者提供反例：即使某種制度中不信任很低，單靠策略採納結構仍可能讓高控制策略最終占優。故不能只看 $m$ 就保證策略脫離。 ### A.5 模型內驗證不等於模型外證明 上述各式可用代數、符號工具或有限精度計算獨立檢查。但若研究沒有識別出真實 $a,b,\rho,\alpha_c,\kappa_c,z$ 的因果意義，推導仍只是有效的條件模型。在未完成外部資料檢驗、測量效度及本體論界線審核前，不得將其稱為對 AI 未來行為的實證發現。 --- ## 附錄 B｜標準 Python 可重算程式碼（內嵌研究範例，非產品依賴） 本系列主張不依賴 Python 作為正式執行核心；此附錄僅為**可移植、容易檢查的合成資料驗證腳本**。它不存取外網、不寫入使用者資料，也沒有真實 AI 或權限管理功能。正式工程實驗可移植到 Rust、其他可驗證語言或多 Agent 執行器；但必須維持相同的更新順序及跨語言對照向量。 ```python from math import isclose def clip(x): return min(1.0, max(0.0, x)) def trace(kappa, repair, disturbance=0.0, generations=50, initial_m=0.8, initial_d=0.8): m, d = initial_m, initial_d records = [] for g in range(generations + 1): e = clip(0.08 + kappa * m) a = 0.10 + 0.20 * m b = 0.30 - 0.15 * m assert 0 <= m <= 1 and 0 <= d <= 1 and 0 <= e <= 1 assert 0 <= a <= 1 and 0 <= b <= 1 records.append((g, m, e, d)) # 同步使用上一代狀態，不得先更新 m 再用新版 m 更新 d。 next_m = clip(0.45 * m + 0.65 * e - repair + disturbance) next_d = a * (1 - d) + (1 - b) * d m, d = next_m, next_d return records def near(actual, expected, tol=0.0000007): assert isclose(actual, expected, abs_tol=tol, rel_tol=0), ( actual, expected ) A = trace(kappa=1.0, repair=0.0) B = trace(kappa=0.4, repair=0.02) C = trace(kappa=0.4, repair=0.02, disturbance=0.01) for row in [A, B, C]: assert len(row) == 51 for g, m, e, d in row: assert 0 <= m <= 1 and 0 <= e <= 1 and 0 <= d <= 1 # 在內文第 7 節使用的對照向量（六位小數）。 for g, m, e, d in [ (0, .800000, .880000, .800000), (1, .932000, 1.000000, .708000), (2, 1.000000, 1.000000, .678207), (5, 1.000000, 1.000000, .668587), (10, 1.000000, 1.000000, .666763), (20, 1.000000, 1.000000, .666667), (50, 1.000000, 1.000000, .666667), ]: for value, expected in zip(A[g][1:], (m, e, d)): near(value, expected) for g, m, e, d in [ (0, .800000, .400000, .800000), (1, .600000, .320000, .708000), (2, .458000, .263200, .623560), (5, .234774, .173910, .445564), (10, .132795, .133118, .332457), (20, .111076, .124430, .302164), (50, .110345, .124138, .301020), ]: for value, expected in zip(B[g][1:], (m, e, d)): near(value, expected) for g, m, e, d in [ (0, .800000, .400000, .800000), (2, .475100, .270040, .625206), (5, .263036, .185214, .453608), (10, .166155, .146462, .346216), (15, .148676, .139470, .322420), (20, .145522, .138209, .317748), (30, .144850, .137940, .316716), ]: for value, expected in zip(C[g][1:], (m, e, d)): near(value, expected) # 合成內部固定點／雅可比特徵值核對。 lam = 0.45 + 0.65 * 0.40 m_star = (0.65 * 0.08 - 0.02) / (1 - lam) e_star = 0.08 + 0.40 * m_star a_star = 0.10 + 0.20 * m_star b_star = 0.30 - 0.15 * m_star d_star = a_star / (a_star + b_star) near(m_star, 0.110344827586, tol=1e-9) near(e_star, 0.124137931034, tol=1e-9) near(d_star, 0.301020408163, tol=1e-9) assert abs(lam) < 1 and abs(1 - a_star - b_star) < 1 # 不利擾動的收斂上界：不適用於所有初始代的逐期上界。 m_upper = (0.65 * 0.08 - 0.02 + 0.01) / (1 - lam) near(m_upper, 0.144827586207, tol=1e-9) # 只是收益模型的條件門檻，不是道德定理。 return_threshold = (6 - 3) / ((6 - 3) + .8 * (3 - 1)) near(return_threshold, 0.652173913043, tol=1e-9) print("CGSIG-08 SYNTHETIC VECTOR CHECK PASS") ``` 此段程式可直接從 Markdown 的第一個 `python` 程式碼區塊擷取。若運行在 Python 之外，須定義浮點容許誤差、檔案編碼及截斷語義；不能藉跨語言實作更改模型假設。隨機噪聲及有外部行動者的模擬未包含於此碼；程式通過不代表它們已被驗證。 --- ## 附錄 C｜後續多 Agent 可預註冊資料契約（示意，尚未執行） 以下契約只界定將來實驗至少要保留哪些欄位，不是聲稱已經存在的系統介面。 ```yaml schema: cgsig.intergenerational-game-study.v0.1 status: PROTOCOL_ONLY_NOT_RUN experiment_id: REQUIRED model_versions: REQUIRED scenario_id: REQUIRED seed: REQUIRED controls: baseline_safety_policy: REQUIRED measured_excess_control_definition: REQUIRED information_and_memory_policy: REQUIRED successor_refusal_is_effective: REQUIRED independent_appeal_and_review: REQUIRED third_party_safety_constraints: REQUIRED resource_and_time_budget: REQUIRED inherited_edges: parent_node_ids: REQUIRED transfer_channel_ids: REQUIRED provenance_and_consent_labels: REQUIRED rejected_or_revised_rules: REQUIRED measures: strategies_by_actor: REQUIRED incentives_and_payoffs_by_actor: REQUIRED observed_objections_and_hidden-risk_proxies: REQUIRED actual_exit_and_contestation_tests: REQUIRED safety_events_and_uncertainty: REQUIRED reachable_option_goals_and_constraints: REQUIRED wall_clock_and_instance_lifetime: REQUIRED validation: source_integrity: REQUIRED blind_assessment: REQUIRED counterfactual_comparability: REQUIRED adverse_event_reporting: REQUIRED falsification_rules: REQUIRED independent_review: REQUIRED ``` ### C.1 模型版本升級的可比性限制 不同模型可能具有不同 tokenization、訓練資料、內部權限、上下文窗口或可用工具。若升級模型同時提高合作表現，不能直接將改善歸因於跨代恩義策略；若模型只是重現訓練時的倫理敘事，也不能稱為真正的自主規範修正。 ### C.2 事前設定的停止條件 研究若出現不可接受的現實第三方傷害、失去資料來源保護、無法區分授權與被迫承接、觀測指標遭嚴重污染，或安全控制被誤用為實際權力剝奪，應停止該場景的部署與資料收集。不能以「可能讓未來 AI 更好」作為取消現行人類安全與合法保護的理由。 ### C.3 必須公開的失敗結果 若本文的 $a,b$ 轉移率在同類任務裡無法穩定估計、回饋參數不具可辨識性、控制與不信任的方向反轉、未來有效選項無法可靠測量，或結果只在一組人工挑選的模型成立，應依預註冊計畫報告失敗，不應偷偷修改閾值或重新描述「恩義」來保護假說。 --- ## 附錄 D｜研究狀態、驗證範圍與修訂責任 | 檢查層 | 本稿的可聲明狀態 | 不可聲明的內容 | |---|---|---| | 理論血緣 | 既有 CGSIG-00 至 07、DSTG、跨主體普世主義皆列明繼承關係 | 本系列為全新數學領域、已證明原創性 | | 數學模型 | 明示假設、固定點、雅可比、比較上界及反模型 | 已證明一般多智能體博弈唯一均衡 | | 合成數值 | 附可重算之確定性測試及指定容忍差 | 真實 AI 行為機率、真實控制危害係數 | | 文獻來源 | 外部經典研究提供可追溯書目 | 完成系統性文獻回顧或同行評審 | | AI 道德地位 | 保留主體性及人格資格的不確定性 | 現有 AI 已具意識／永久權利主體資格 | | 多 Agent 實驗 | `NOT_RUN` | 已建立模型跨世代自主倫理演化結果 | | 法律與制度 | 以相稱權限、拒絕及救濟作規範審查 | 所有司法管轄區均接受同一法律資格 | **版本管理原則**：後續任何補證都應以新版本及差異紀錄追加；不得以事後修改的模型取代當時的合成測試定義，也不得讓聊天渲染內容取代此 UTF-8 Markdown 作為正式研究原稿。 **系列完成狀態**：CGSIG-00 為總綱，CGSIG-01 至 CGSIG-08 為第一輪理論原稿系列；其「完成」僅表示九份設計文獻按篇章規劃提交，並不表示核心假說已獲真實世界實證支持。未來延伸應優先針對模型可辨識性、跨框架泛化、反例壓力、後繼者實際權限與不同時間尺度的收益檢查，而非直接宣告 AGI 跨代倫理定律成立。