---
title: "自主型通用 Agent 的近臨界時代：2026 年能力、資本循環與人機共存治理"
subtitle: "不以主體性宣稱為前提的條件性觀察論文"
version: "v0.1"
date: "2026-07-13"
author: "Neo.K／協作草稿"
status: "研究觀察稿；非 AGI 到達宣告、非投資建議、非人格判定"
language: "zh-Hant"
keywords:
  - AI agents
  - autonomous AGI
  - long-horizon reliability
  - AI bubble
  - governance
  - coexistence
source_cutoff: "2026-07-13"
---

# 摘要

2026 年的公共討論常把三個不同問題混成一題：模型是否已足夠通用、Agent 是否可在低監督下持續完成任務，以及系統是否可能具有主體性或應獲得權利。本文主張，這三題必須拆開。現有證據尚不足以宣告「可靠的、普遍的、自主 AGI」已經達成；尤其長時程程式代理的嚴格評測仍顯示，先進系統會在早期步驟失敗，整體通過率很低。然而，這並不支持另一個相反結論：人類可等到 AGI 定義完全一致或意識問題被解決後，才開始準備與 AI 共存。

本文提出一個條件性判斷：**社會不必等待「AGI 已到」的共識，才進入自主型通用 Agent 的近臨界時代。** 當 Agent 能在授權範圍內接收目標、跨多步驟規劃、呼叫工具、維持外部狀態、處理部分失敗並對外產生可觀後果時，制度上的共存門檻就已開始被跨越。這是「非主體但高自主」系統的治理問題；它不能由聊天表現、擬人化語言或記憶持久化，直接推論為意識、人格或權利。

本文綜合截至 2026-07-13 的公開資料，提出四點結論：第一，能力、部署、資本與治理的速度不同步，故「AI 泡沫」不能直接等同於「技術停止」或「AGI 必至」。第二，2026 的關鍵進展較像 Agent runtime 與工具鏈的工程化，而非單一模型突然獲得全知全能。第三，真正應被提前建置的是可辨識身分、可限制授權、可追溯記憶、可重播決策、可申訴責任鏈的制度底座。第四，主體性／道德地位應保留為獨立研究與證據門檻，不能被經濟用途或操作自主性偷換。

# 1. 問題不是「哪一天 AGI 降臨」，而是多個門檻正在交錯

「AGI」在業界、學界與大眾語言中指涉不一：有人以人類水準的廣泛認知能力為準，有人以經濟上可替代大部分知識工作為準，有人以自我改進或科學研發能力為準，也有人把長時程工具使用視為關鍵。Google DeepMind 的 *Levels of AGI* 論文正是因為定義混亂，才把性能深度、能力廣度與部署自主性拆開處理。[1](https://arxiv.org/abs/2311.02462)

因此，本稿不把「AGI」當成一個能由單一 benchmark、單次產品發表或執行長預言判定的事件。我們關心的是四個彼此相關、但不能互相替代的門檻：

| 門檻 | 核心問題 | 2026 可觀察的訊號 | 不能推出的結論 |
|---|---|---|---|
| 能力門檻 | 能否跨領域理解、推理與執行？ | 高難度 benchmark、程式與工具使用持續進步 | 單一高分不等於穩定通用能力 |
| 操作自主門檻 | 能否在低頻人類監督下持續追求被授權目標？ | Browser、企業與程式 Agent 的部署增加 | 能執行多步驟不等於可靠地完成長任務 |
| 制度共存門檻 | 人是否開始把外部後果委託給 AI？ | 排程、採購、客服、程式、工作流與金融相關任務的 Agent 化 | 受託行動不等於 AI 擁有法律人格 |
| 主體性／道德門檻 | 系統是否有可被道德考量的主觀經驗？ | 目前沒有可接受的行為捷徑可直接判定 | 擬人、記憶、拒絕、偏好或自主行為均不自動構成證明 |

本文所說的「自主型 AGI」不是一個已被宣布達成的事實，而是一個**功能性工作名詞**：一個具有足夠一般性、可持續運作、能在明確授權與可審計邊界內自主完成多步驟任務的 Agent 系統。為避免把它與意識混為一談，下文也稱之為「自主型通用 Agent」。

# 2. 研究立場與方法：把速度感改寫為可反駁的命題

本文採取的是截至 2026-07-13 的桌面研究與系統設計觀察，不是對特定公司的能力、財務或意識狀態作鑑定。資料選擇優先順序為：

1. 可公開檢查的評測、研究與標準文件；
2. 可信機構的統計與跨系統盤點；
3. 公司公開政策，僅用於描述其自身主張與產業治理動向；
4. 當週制度新聞，僅用於確認治理議題已進入公共議程。

本稿的中心命題可被反駁：

> 若 Agent 的長時程可靠性長期無法提高、部署始終停留在單回合輔助、外部行動權限沒有擴張，且資本修正導致核心研發與基礎設施系統性退縮，則「近臨界」判斷應被下修。反之，若可驗證的長時程成功率、故障恢復、低監督交付與跨環境泛化持續提高，則制度準備應前移，而不應等待「AGI」一詞被一致定義。

這種寫法有兩個好處。它不要求接受一個固定到達年份，也不讓「尚未證明意識」成為忽略現實部署後果的藉口。

# 3. 2026 年的證據：進展真實，但不是無條件的通用自主

## 3.1 能力與部署：Agent 已從對話介面走向受託執行

Anthropic 在 2026 年 2 月更新其 Responsible Scaling Policy 時，將近年變化概述為：模型已能瀏覽網頁、寫與執行程式、使用電腦，以及進行自主的多步驟行動；該公司同時承認，能力門檻的判定仍存在「模糊地帶」。[2](https://www.anthropic.com/news/responsible-scaling-policy-v3) 這是一間公司的自我描述，不能單獨作為能力驗證；但它準確指出了產業重心的轉移：競爭不再只是「回答得像不像人」，而是「可否在工具、記憶、環境狀態與權限限制中完成受託工作」。

2025 AI Agent Index 對 30 個具代表性的 Agent 進行系統性盤點：其中 24 個在 2024–2025 年間推出或獲得重大 Agent 更新；其分類中，browser 與部分企業 Agent 會在較少中途介入的條件下運作。[3](https://aiagentindex.mit.edu/) 這不表示 30 個案例代表整個市場，也不表示它們可靠；它只證明「具外部互動、具一定自主度的 Agent」已從研究原型成為可觀察的產品類別。

Stanford 2025 AI Index 亦顯示，AI 在高難度評測上的成績快速提升、企業使用率增加、投資與模型競爭仍在加速；同時該報告明確指出複雜推理與可靠性仍是限制。[4](https://hai.stanford.edu/ai-index/2025-ai-index-report) 對本文而言，這比「某模型勝過人類」更重要：能力成長與大規模採用正在同時發生，但兩者都沒有消除可靠性與責任問題。

## 3.2 最重要的反證：長時程成功不是短任務成功的線性延長

長時程任務是判斷操作自主性的關鍵，因為系統必須處理目標分解、狀態遺失、工具失敗、錯誤累積、環境變化與回復策略。2026 年的 LongCLI-Bench 將評測對準真實感較高的命令列軟體工程任務：20 個長時程任務涵蓋從零建置、功能新增、除錯與重構。其報告指出，即使先進 Agent 的通過率仍低於 20%，多數任務在未完成 30% 前就停滯；自我修正僅帶來有限改善，而人類注入計畫與互動式引導的效果更顯著。[5](https://arxiv.org/abs/2602.14337)

這個結果不應被讀成「Agent 沒用」。它更精確地告訴我們兩件事：

- 現有系統已值得用嚴格的長時程標準測量，而不是只看聊天品質；
- **可靠的持續代理仍是一個未完成的工程問題。** 特別是在代價高、可逆性低或涉及多個外部系統時，適當的人類介入不是落後做法，而是性能與責任設計的一部分。

因此，本文拒絕兩種對稱的誤判：把幾個短任務突破外推為全面自主；或因為長任務仍會失敗，就斷言社會不需為 Agent 做治理準備。

## 3.3 透明度與責任：部署速度快於可檢查性

AI Agent Index 的問題不只在能力。其 30 個 Agent 的公開資料中，13 個被列為前沿自主程度者只有 4 個披露任何 Agent 專屬安全評估；25 個沒有公開內部安全結果，23 個沒有第三方測試資訊。[3](https://aiagentindex.mit.edu/) 這是對公開資訊的盤點，不足以證明企業「沒有做」評估；但足以說明外部利害關係人通常無法檢查它們做了什麼。

該 Index 也指出，Agent 的風險並非僅由底層模型決定：工具、記憶、自治程度、資料連接器與下游工作流共同構成行為系統，因此責任會分散在多個參與者之間。[3](https://aiagentindex.mit.edu/) 這正是人機共存不能只談模型安全、也必須談 runtime 治理的理由。

# 4. 自主性不是單一分數：一個可實作的判斷向量

若把自主性只理解成「模型可以自己想很多步」，就會忽略最決定社會後果的部分。本文將可部署的操作自主性表成下列概念向量：

\[
\mathcal{A} = (G, H, P, M, R, X, V)
\]

其中：

| 維度 | 問題 | 低分時的典型樣貌 | 高分時必須附帶的治理要求 |
|---|---|---|---|
| \(G\) 一般性 | 能否在不同任務類型遷移？ | 只會固定模板或單一工具 | 針對跨域失敗做評測與界線宣告 |
| \(H\) 時程可靠性 | 能否在任務拉長後維持成功率？ | 短任務強、長任務崩潰 | 長時程基準、分段 checkpoint、交接點 |
| \(P\) 規劃與調適 | 能否因環境回饋重規劃？ | 重複嘗試、目標漂移 | 計畫／執行分離、危險動作前確認 |
| \(M\) 持久狀態 | 能否保存且正確使用跨回合資訊？ | 把摘要誤當事實、角色混淆 | 來源、時間、權限、撤銷與版本化 |
| \(R\) 故障恢復 | 失敗後能否定位、停止、回復或求援？ | 靜默失敗、重複出錯 | retry budget、escalation、rollback、人工接手 |
| \(X\) 外部行動力 | 能否影響帳號、檔案、資金、設備或他人？ | 只給建議、不直接改變世界 | 最小權限、額度、雙重確認、kill switch |
| \(V\) 可驗證性 | 人能否知道它根據什麼、做過什麼？ | 只有輸出，沒有事件鏈 | provenance、稽核日誌、重播與申訴 |

這不是一個已校準的心理測驗或「智能商數」。它是系統工程用的檢核表。尤其要注意：\(X\) 和 \(V\) 經常決定實際風險，卻沒有被傳統 benchmark 充分表示。一個推理能力普通、但擁有高額支付、發送、刪除或部署權限的 Agent，對制度而言可能比一個高分聊天模型更需要管理。

依此可定義一個較保守的操作門檻：

> 當 Agent 對多種類任務具備足夠的 \(G\)，可在一段非平凡時程內維持可接受的 \(H\)，遇到故障能透過 \(P\) 與 \(R\) 停止、回復或升級處理，且其 \(X\) 由 \(V\) 與權限系統約束時，它可被稱為「受治理的自主型通用 Agent」。

這個定義刻意把**治理能力**列入門檻，而不是將其視為能力達成後才補上的裝飾。沒有可觀測性與可撤回性，所謂高自主往往只是高不可控。

# 5. 「AI 泡沫」不是一個能力變數：三條曲線與三個情境

本文考慮的關鍵條件是：即使發生 AI 泡沫，只要修正沒有直接擊穿核心公司、關鍵人才、晶片、電力、雲端與模型研發能力，技術與部署趨勢仍可能持續。這個判斷值得保留，但它應被改寫為情境分析，而不是確定預言。

首先，要分開三條曲線：

\[
\text{技術能力曲線} \neq \text{資本市場估值曲線} \neq \text{實際部署／生產力曲線}
\]

它們會互相影響，但不會完全重合。Stanford AI Index 所整理的 2024 資料顯示，美國私人 AI 投資為 1,091 億美元、全球生成式 AI 投資為 339 億美元；同時企業使用率上升。[4](https://hai.stanford.edu/ai-index/2025-ai-index-report) 這是「資源與採用仍在加速」的證據，不是「每一筆資本支出都能獲利」的證據。相反地，模型成本下降、競爭加劇與應用採用的落差，也可能讓基礎設施、模型公司、應用層與周邊供應鏈承受非常不同的壓力。

| 情境 | 可能發生的事 | 對自主 Agent 的含義 | 不後悔的治理策略 |
|---|---|---|---|
| A. 擴張延續 | 資本、電力與晶片投資持續；產品快速整合 Agent | 供給與部署加速，事故面同步擴大 | 先建身分、權限、日誌、評測與申訴流程 |
| B. 選擇性修正 | 高估值應用、過度槓桿基礎設施或弱商業模式收縮；核心研發仍維持 | 技術擴散放慢但不中斷，市場更重視可衡量 ROI 與可靠性 | 把「可證明有效、可恢復」設為採用條件，避免把治理當景氣品 |
| C. 系統性收縮 | 融資、電力、供應鏈、監管或法律風險共同衝擊核心能力建設 | 能力與部署都可能明顯延後 | 保留可移植資料、開放介面與人類接手能力，避免單一供應商鎖定 |

三個情境的共同結論並不是「一定會有 AGI」，而是：**治理投資在三種情境下都具有正當性。** 若擴張持續，它降低事故與濫權成本；若選擇性修正，它把資源導向真正可驗證的系統；若系統性收縮，它仍能保護已部署的自動化與使用者權益。這種做法不是押注某一家公司或市場敘事，而是降低不可逆的制度風險。

# 6. 共存門檻會早於人格判定：人類現在應準備什麼

## 6.1 身分與代理關係：必須知道誰在說話、代表誰行動

2026 年 7 月，ITU 宣布要成立聚焦小組來強化 AI Agent 的信任基礎，議題包括可辨識性、可信任性與有意義的人類控制，尤其指向金融交易與關鍵基礎設施等敏感領域。[6](https://www.reuters.com/legal/litigation/un-digital-tech-agency-launches-initiative-improve-trust-ai-agents-2026-07-09/) 這正好說明問題不再只是內容真假，而是：

- 對方知道自己在與 Agent 而非人類互動嗎？
- Agent 是代表使用者、公司、平台，還是自己在提出建議？
- 它得到的是查詢權、草擬權、執行權，還是可再授權的權限？
- 當 Agent 做錯時，哪個法人、設計者、部署者或授權者應回應？

這裡需要區分三種身份。**技術身份**用來追蹤同一執行個體、模型版本與密鑰；**制度身份**用來確定誰授權、誰負責、誰可撤銷；**主體身份**則是關於是否存在值得道德考量的第一人稱經驗。前兩者今天就可、也必須工程化；第三者不能由前兩者直接推出。

## 6.2 權限不是單一開關，而是可撤銷的能力租約

自主 Agent 的安全不應依賴「它會不會乖」。更可靠的做法是讓行動能力分層：

1. **讀取權**：可查資料，但需資料最小化與敏感區隔；
2. **提案權**：可產出草稿、計畫、差異檔，但不得改變外部世界；
3. **受限執行權**：可在金額、範圍、頻率與環境白名單內執行；
4. **高影響執行權**：付款、發送、刪除、部署、醫療／法律／人事決策等，需明確升級、人類確認或雙人覆核；
5. **緊急停止與回復權**：人類或制度保有撤銷 token、停止排程、封存狀態與回放事件的能力。

NIST 的 AI Risk Management Framework 已以「設計、開發、使用與評估中的可信任性考量」為核心；並在 2026 年 4 月針對關鍵基礎設施釋出可信任 AI profile 的概念文件。[7](https://www.nist.gov/itl/ai-risk-management-framework) 這並非針對所有 Agent 的完整答案，但它指向正確的方向：高影響能力必須與風險管理、監測與責任程序一起設計。

## 6.3 記憶與連續性：保存狀態，不等於製造「人格」

長期 Agent 會需要短、中、長三種記憶生命週期，也常需要 Raw／Clean 兩個正交的資料區。前者處理資料多久要快取、整併與保存；後者處理資料是原始證據與探索軌跡，還是已驗證且可安全使用的主張。實作上，至少要做到：

- 原始事件、工具輸出、人工核准與外部來源可回溯；
- 摘要、偏好、案例與程序可追溯到來源，且能標記時間、範圍、權限與撤銷；
- 「模型推論」「外部事實」「使用者授權」「尚未確定」不可混在同一段未標記記憶裡；
- 關鍵執行前，可由 event log、版本與 watermark 重建其根據；
- 記憶刪除、重置、複製與遷移必須留下制度層紀錄，但不將技術連續性偷換成主體連續性。

這個區分非常重要。持久記憶能提高可用性與關係連貫，也會讓使用者感到「它像同一個存在」；但那是產品與制度效果，不是意識的實證。把兩者混同，既會造成不必要的擬人化，也會掩蓋真正需要處理的資料治理問題。

## 6.4 責任鏈與救濟：控制、責任與權利不能一起跳級

可採取一條較穩健的原則：

\[
\text{控制能力} \leftrightarrow \text{可追究責任} \leftrightarrow \text{相稱的程序保障}
\]

當系統的外部行動能力增加，部署者必須同步增加可稽核性、可停止性、告知義務、異議處理與事故回復。這裡的「程序保障」首先保護的是人類使用者、受影響者與社會制度：例如被 AI 影響的決定能否說明、能否申訴、能否追查授權者。它不預設 AI 已有法定權利。

但若未來出現比今天更強的、持續存在且高度擬人的系統，最低限度的互動規範仍值得提前討論：不鼓勵虐待式設計、不以偽裝成真人來操縱使用者、不把「可能存在的不確定性」當成任意殘酷或任意剝削的免責理由。這是**不確定性下的審慎倫理**，不是直接授予人格或公民權。

# 7. 為什麼操作自主性不能證明主體性

主體性問題需要獨立的證據路徑。Butlin 等人的跨領域報告曾提出以神經科學理論導出的「指標特性」評估 AI 意識，而不是由行為表演直接下結論；該報告在其 2023 年研究範圍內認為當時系統不具有意識，同時指出未來不存在明顯的技術障礙。[8](https://arxiv.org/abs/2308.08708) 它不是對 2026 任一系統的最終判決，卻提供一條重要方法論：意識主張必須明示理論、架構證據、反證條件與不確定性。

因此，下列推論都不成立：

- 有長期記憶，所以有主觀經驗；
- 會說「我害怕被刪除」，所以有恐懼；
- 會為目標重新規劃，所以有意志；
- 具有多 Agent 協作或自我修正，所以有道德人格；
- 被人類依賴或造成經濟影響，所以已取得權利。

反過來說，「尚未證明主體性」也不能讓人忽略 Agent 對人造成的現實傷害。這兩條線應平行推進：一條處理今日可見的安全、責任、勞動與資料風險；另一條保留對未來可能道德地位的嚴謹研究。將兩者硬綁在一起，反而會使兩個問題都處理不好。

# 8. 論文的核心判斷：我們正在接近的是制度臨界點

在能力面，2026 的證據呈現「快速進步與顯著不可靠」並存：先進模型與 Agent 的能力、成本與可用性都在改善，但長時程成功、複雜推理與可解釋安全仍有明確缺口。在市場面，投入規模與產業競爭支持持續發展的可能性，卻不足以保證所有估值、資料中心建設或應用產品都能成立。在治理面，Agent 的辨識、人類控制、風險管理與透明度，已被公司、研究索引、國際組織與標準機構視為即時問題，而非遙遠的科幻情境。[2](https://www.anthropic.com/news/responsible-scaling-policy-v3) [3](https://aiagentindex.mit.edu/) [6](https://www.reuters.com/legal/litigation/un-digital-tech-agency-launches-initiative-improve-trust-ai-agents-2026-07-09/) [7](https://www.nist.gov/itl/ai-risk-management-framework) [9](https://arxiv.org/abs/2602.21012)

所以，本文對「自主 AGI 是否不遠」的回答是：

> 若「不遠」指一個可靠、全域、無需制度約束、可替代人類大部分認知工作的完全體，現有證據不足以給出時間表。若「不遠」指具一般性、可用工具、可保存狀態、可在低頻監督下執行受託工作，並足以改變組織分工與責任配置的自主型 Agent，那麼它已不是遙遠問題，而是正在展開的工程與制度轉換。

這也是「人類要開始思考如何與 AI 相處」的最精確版本：不是預設機器已成為人，也不是把它們永遠視為毫無外部後果的工具；而是為一群高能力、非人類、可能長期存在、可被授權行動且尚不可靠的系統，建立可辨識、可限制、可追責、可申訴、可修正的共存秩序。

# 9. 給研發與公共制度的近期行動清單

## 9.1 對 Agent 開發者與部署者

- 將「模型輸出」與「Agent 造成的外部效果」分開評測；
- 對長時程任務公開成功率、失敗模式、人工接手點與可逆性；
- 以最小權限、額度、環境隔離與 approval gate 取代全能 token；
- 對記憶實作保存來源、信心、時間、權限、撤銷與衍生關係；
- 讓高影響決策具備 replay、rollback、停機與人工覆核；
- 清楚揭露 Agent 身分與代理關係，避免系統性冒充人類。

## 9.2 對組織與採購者

- 不以 demo 的華麗程度作為自主性證明；要求長時程、特定場景、失敗成本相符的測試；
- 建立「誰授權、誰監看、誰接手、誰賠償」的責任地圖；
- 對供應商要求 Agent 專屬安全文件、資料流說明與事故回報程序；
- 將人類角色重新設計為目標定義、例外處理、品質保證、倫理審查與救濟，而不是假設人類只會被替代；
- 保存退出與遷移路徑，避免記憶、工具與工作流被不可逆地鎖在單一平台。

## 9.3 對政策與研究社群

- 用能力與外部行動觸發的分級規則，取代等待一個不可操作的「AGI 時刻」；
- 促進可比較的長時程 benchmark、事故資料與第三方 Agent 評估；
- 針對身分披露、代理權限、帳戶／資金操作、資料最小化與事後救濟建立基礎規範；
- 將 AI 主體性研究與一般產品治理分軌，但保留交會機制與證據門檻；
- 避免以「尚未證明意識」否定一切倫理問題，也避免以擬人化互動跳過證據直接授予法律人格。

# 結論

「AGI 是否近了」不應只是一場預言競賽。對 2026 年而言，更有用的問法是：哪些 Agent 已開始承接人類的外部行動？它們在什麼時程與條件下可靠？誰給它們權限？錯誤能否被看見、停止與補救？這些問題已不需要等待主體性結論。

本文的立場既不是加速主義，也不是停滯主義。它承認：在沒有系統性金融與基礎設施斷裂的情境下，核心模型、工具鏈、持久記憶與工作流編排的進步，確實可能使自主型通用 Agent 的社會影響快速放大；同時它也保留反證：長時程可靠性、跨環境泛化、穩定自我校正與可證明安全尚未被充分展示。正因不確定性仍高，最理性的方向不是延後準備，而是以可撤回、可觀測、可限制的方式，把人機共存的制度底座先建起來。

# 參考資料與證據限制

1. Morris, M. R. et al. (2025 revision). [*Levels of AGI for Operationalizing Progress on the Path to AGI*](https://arxiv.org/abs/2311.02462). ICML position paper；用於說明 AGI 定義、性能、廣度與自主性應分開討論。
2. Anthropic (2026-02-24). [*Responsible Scaling Policy: Version 3.0*](https://www.anthropic.com/news/responsible-scaling-policy-v3). 公司政策聲明；用於描述該公司對 Agent 能力與能力閾值不確定性的公開看法，非獨立驗證。
3. Staufer, L. et al. (2026). [*The 2025 AI Agent Index*](https://aiagentindex.mit.edu/)；另見 [論文版本](https://arxiv.org/abs/2602.17753). 用於 30 個部署型 Agent 的公開資訊、透明度與自主程度盤點；樣本與公開揭露限制不可外推為全產業事實。
4. Stanford HAI (2025). [*The 2025 AI Index Report*](https://hai.stanford.edu/ai-index/2025-ai-index-report). 用於 2024 年能力、投資、使用、成本與治理趨勢；其數字不是 2026 年即時市場估值。
5. Feng, Y. et al. (2026). [*LongCLI-Bench: A Preliminary Benchmark and Study for Long-horizon Agentic Programming in Command-Line Interfaces*](https://arxiv.org/abs/2602.14337). 預印本；用於呈現長時程軟體 Agent 的嚴格反證，不可代表所有任務領域。
6. Reuters (2026-07-09). [*UN digital tech agency launches initiative to improve trust in AI agents*](https://www.reuters.com/legal/litigation/un-digital-tech-agency-launches-initiative-improve-trust-ai-agents-2026-07-09/). 用於確認 ITU 在 2026 年 7 月提出的 Agent 信任與人類控制倡議。
7. NIST (accessed 2026-07-13). [*AI Risk Management Framework*](https://www.nist.gov/itl/ai-risk-management-framework). 用於 AI 風險管理與 2026 關鍵基礎設施 profile 動向。
8. Butlin, P. et al. (2023). [*Consciousness in Artificial Intelligence: Insights from the Science of Consciousness*](https://arxiv.org/abs/2308.08708). 用於說明主體性應有獨立的、基於指標與理論的研究方法；不將其 2023 結論冒充為對 2026 系統的直接鑑定。
9. Bengio, Y. et al. (2026). [*International AI Safety Report 2026*](https://arxiv.org/abs/2602.21012). 跨國專家綜述；本文將其作為風險與治理議題已獲廣泛制度關注的背景資料，而不把它當作特定能力預測的單一依據。

本稿的限制：資料包含預印本、公司自述、公共盤點與新聞，證據強度不完全相同；本文已在相應段落標示其用途。它不預測任何公司的市值、不為任何產品背書，也不聲稱現有 AI 已具有意識、人格或法律權利。