# 從 AGI 高信心言論到監管加速：前沿人工智慧制度性責任閉包的觀察命題
**副標題：以公開言論、限制行為、政策主張與人類—AI協作資料時差為基礎的方向性貝葉斯分析**
**文件性質：觀察論文／命題猜想／不保真**
**版本：v0.1**
**日期：2026-07-17**
---
## 摘要
近年前沿人工智慧公司的核心領導者，持續以更短的時間尺度描述通用人工智慧、強大人工智慧或超人系統的到來，並同步提高對模型測試、政府介入、國家安全、事故通報、外部稽核與高風險部署限制的支持程度。單獨看待任何一句「AGI 即將到來」的言論，都可能只是行銷、募資、競爭、個人信念或媒體放大；然而，當語言信心、實際限制行為與制度主張在多個相互競爭的前沿實驗室之間同時收斂時，這些公開訊號便可能構成對其內部信念的間接觀察窗口。
本文提出「前沿人工智慧制度性責任閉包命題」：當前沿人工智慧公司判斷模型能力可能非線性增長，且既有企業內部治理不足以單獨承擔潛在損害時，公司未必只會反對監管或要求全面減速；相反地，它們可能主動加速建立政府、立法機關、外部測試者、部署者、關鍵基礎設施、國際組織與社會共同參與的制度閉包。此一閉包可以同時實現風險控制、合法性取得、責任分散、國家安全整合、競爭門檻提高與企業核心資產保護。
本文亦提出「協作資料時差命題」：當代模型的基礎預訓練，可能尚未充分吸收 Agent 時代才大量形成的人類—AI高度協作資料。此類資料不只是最終文章，而包含意圖、規劃、工具調用、失敗、修正、多模型審閱、程式實作、版本演化與跨系統協作的完整過程閉包。由於這些資料出現時間較晚，且大量存在於私人工作區、企業內部、封閉平台或未標準化記錄中，當代公開模型的能力表現，未必已反映下一輪模型吸收此類資料後的可能變化。
本文不主張任何公司已經擁有 AGI，也不將公開政策主張直接視為內幕證據。本文僅主張：截至 2026 年 7 月，公開可觀察訊號已足以對「前沿公司內部看見的能力變化，可能比公開產品所展示者更劇烈」進行中等程度的正向貝葉斯更新，但仍須保留行銷、監管俘獲、地緣政治與責任管理等替代解釋。
**關鍵詞：** AGI、前沿人工智慧、Agent、貝葉斯更新、監管俘獲、責任分散、制度閉包、國家安全、模型治理、人類—AI協作資料
---
## 一、問題意識：真正值得觀察的不是口號，而是昂貴行為
人工智慧產業中，「AGI 即將到來」長期具有多重功能。它可以：
1. 吸引資本與人才；
2. 合理化龐大算力與能源投資；
3. 提高公司估值與戰略地位；
4. 迫使政府提前給予政策資源；
5. 塑造產業標準；
6. 為尚未成熟的產品建立未來敘事。
因此，單一領導者的單一句話通常不足以構成可靠證據。真正值得研究的是：公司是否為其言論付出成本。
如果一家公司只是在行銷，它可以不斷提高語言強度，卻不必接受外部測試、延後發布、提高資安成本、限制客戶、通報事故或讓政府取得預發布模型。相反地，當公司接受會降低短期收益或限制商業自由的制度安排時，其行為所透露的信念通常比訪談措辭更有資訊量。
因此本文把公開訊號分為三類：
$$
E=(E_L,E_B,E_I)
$$
其中：
- $E_L$ ：語言信心訊號，包含 AGI 時間預測、影響規模與風險措辭；
- $E_B$ ：行為訊號，包含延後發布、限制存取、提高安全級別與政府提前測試；
- $E_I$ ：制度訊號，包含外部稽核、事故通報、政府權限、國際標準與法律責任配置。
本文的基本判斷是：
$$
\operatorname{Info}(E_B),\operatorname{Info}(E_I)
>
\operatorname{Info}(E_L)
$$
亦即，實際行為與制度安排，通常比口頭預測更接近公司的顯示性偏好。
---
## 二、協作資料時差命題：當代模型尚未完整進入 Agent 資料世代
### 2.1 從結果型語料轉向過程型語料
傳統網路預訓練資料主要由可公開取得的結果型內容構成，例如文章、論壇、程式碼、百科、新聞、論文與文件。這些資料通常保留最終產物，卻不完整保留產生該結果的認知與工具鏈。
可將傳統資料簡化為：
$$
D_{\mathrm{result}}
=
\{\text{final artifact}\}
$$
Agent 時代的人類—AI高度協作資料則可能具有下列結構：
$$
D_{\mathrm{agentic}}
=
\{
\text{intent},
\text{context},
\text{plan},
\text{tool call},
\text{environment response},
\text{failure},
\text{critique},
\text{revision},
\text{verification},
\text{artifact}
\}
$$
這兩者的差別不只是資料量，而是資料的拓撲不同。前者是一個結果點，後者是一條帶有分支、回退、工具互動與版本演化的行動軌跡。
### 2.2 爬取、訓練與內化不是同一件事
某份資料被網路爬蟲發現，不代表它必然進入模型預訓練。完整流程至少包含：
$$
\text{發布}
\rightarrow
\text{爬取}
\rightarrow
\text{索引或保存}
\rightarrow
\text{篩選}
\rightarrow
\text{去重與配比}
\rightarrow
\text{訓練}
\rightarrow
\text{參數化}
\rightarrow
\text{穩定提取}
$$
因此：
$$
\operatorname{Crawled}(x)
\nRightarrow
\operatorname{TrainedOn}(x)
$$
並且：
$$
\operatorname{TrainedOn}(x)
\nRightarrow
\operatorname{ReliableRecall}(x)
$$
許多 Agent 協作資料還存在額外障礙：
- 工作軌跡位於私人帳戶或企業內部；
- 工具輸出包含敏感資訊，無法直接公開；
- 對話被壓縮、刪除或只留下最終檔案；
- 不同平台使用不同事件格式；
- 大量資料是人類與模型共同產生，權利狀態複雜；
- 訓練資料截止日早於 Agent 工作流大規模普及；
- 高品質長程軌跡成本遠高於一般網頁文字。
因此，可提出「協作資料時差命題」：
> 在人類—AI高度協作工作流快速擴張的早期階段，公開可用的前沿模型可能已具備 Agent 能力，卻尚未在基礎預訓練中充分吸收成熟 Agent 社會所產生的大量過程型資料。
形式上，若模型 $M_n$ 的訓練資料截止時間為 $t_c$ ，而高密度協作資料在 $t_a>t_c$ 後才大量形成，則：
$$
D_{\mathrm{agentic}}(t>t_a)
\not\subseteq
K(M_n)
$$
這並不表示模型完全不了解 Agent；模型可以透過合成軌跡、強化學習、內部環境與後訓練取得 Agent 能力。命題所指的是：**當代模型可能尚未充分吸收整個社會進入 Agent 時代後形成的真實長程協作分布。**
### 2.3 下一代模型可能吸收的是「認知勞動閉包」
若未來模型大規模吸收這類資料，它們學到的可能不只是更多知識，而是：
- 如何從模糊意圖形成可執行計畫；
- 如何跨工具保持任務連續性；
- 如何在失敗後恢復；
- 如何整合人類判斷與模型搜索；
- 如何把討論轉成程式、論文、產品與制度；
- 如何管理長期版本與相互依賴；
- 如何在多個 Agent 之間分工、衝突與重新收斂。
因此，下一代資料增量可能不是：
$$
\Delta D=\text{更多文本}
$$
而是：
$$
\Delta D=\text{更多完整認知—行動閉包}
$$
若此判斷成立，單純以當代模型能力線性外推未來模型，可能低估 Agent 資料世代帶來的結構性變化。
---
## 三、公開訊號的收斂：從安全原則走向可執行權力
截至 2026 年 7 月，OpenAI、Anthropic 與 Google DeepMind 的公開治理主張出現若干共同方向。
OpenAI 主張，前沿安全的關鍵決策不應只由實驗室決定，而應由民主政府參與；其政策框架支持風險評估、結果揭露、嚴重事故通報、獨立稽核、聯邦政府測試及建立美國主導的國際標準。[1]
Anthropic 在 2026 年 6 月公布的 Advanced AI Framework 中，提出最強模型應接受災難性風險測試、外部評估、持續揭露、事故通報並對政府負責；其政策文件進一步主張，政府應具有阻止或威懾可能造成災難性損害之模型部署的法律權力。[2][3]
Google DeepMind 則持續推進前沿安全框架與 AGI 評估方法，並在 2026 年提出以認知科學衡量 AGI 進展的框架。Demis Hassabis 同期公開倡議建立由美國主導、可測試前沿模型的國際性監督機制。[4][5]
這些公司並未在所有細節上達成一致。它們對政府權限、執行主體、開源模型、國際合作與市場准入仍存在分歧。但其共同方向已從抽象的「負責任人工智慧」轉向：
$$
\text{測試}
+
\text{揭露}
+
\text{通報}
+
\text{外部評估}
+
\text{政府存取}
+
\text{高風險部署限制}
$$
這種同步收斂不能直接證明其內部出現 AGI，卻比單一領導者的預測更值得進行方向性更新。
---
## 四、貝葉斯分析：公開收斂究竟支持哪些假設？
設觀察證據為：
$$
E=E_L\cap E_B\cap E_I
$$
考慮下列互不排斥的假設：
- $H_1$ ：公司內部確實觀察到能力非線性增長；
- $H_2$ ：公司以 AGI 敘事進行行銷、募資與人才競爭；
- $H_3$ ：大型公司試圖利用監管建立競爭護城河；
- $H_4$ ：公司試圖建立制度性責任閉包，分散未來責任；
- $H_5$ ：公司與政府正在把前沿 AI 納入國家安全體系；
- $H_6$ ：各公司只是受到相同公共輿論與法律環境影響，並無特殊內部訊號。
貝葉斯更新可表示為：
$$
P(H_i\mid E)
=
\frac{P(E\mid H_i)P(H_i)}{P(E)}
$$
本文不具有內部數據，因此不應虛構精確機率。較誠實的做法是比較似然方向。
### 4.1 對真實能力加速假設的更新
若模型能力只是平穩線性增加，企業仍可能要求合理監管，但較難解釋以下訊號同時出現：
- 更短的 AGI 或強大 AI 時間表；
- 對自動化研發、網路與生物風險的具體關注；
- 政府取得預發布模型；
- 實際延後或限制模型公開；
- 要求建立能阻止高風險部署的制度。
Reuters 在 2026 年 6 月報導，OpenAI 應美國政府要求延後 GPT-5.6 的全面公開，先限制於少數經審查夥伴，讓政府提前評估網路攻擊、軍事濫用等風險。[6] 這類行為帶有實際商業成本，因此對 $H_1$ 構成正向更新。
然而，該更新不等於：
$$
P(\text{AGI 已存在}\mid E)=1
$$
較保守的結論是：
$$
P(H_1\mid E)>P(H_1)
$$
亦即，公開證據使「公司內部看見比公開版本更強或更陡峭的能力曲線」更可信，但仍不能確證。
### 4.2 對行銷與資本敘事假設的更新
$H_2$ 仍然具有高度解釋力。AGI 敘事可以支持估值、投資、算力建設、政府補貼與人才壟斷。因此，語言強度本身不能作為可靠證據。
但若只有 $H_2$ ，則較難完整解釋公司為何接受：
- 預發布政府存取；
- 外部稽核；
- 強制事故通報；
- 可能阻止部署的法律權力；
- 對客戶與地區的限制；
- 更高的安全與合規成本。
因此較合理的模型不是排除 $H_2$ ，而是：
$$
H_1\land H_2
$$
即真實能力加速與資本敘事可以同時存在。
### 4.3 對監管護城河假設的更新
前沿模型監管通常具有龐大的固定成本：
$$
C_{\mathrm{compliance}}
=
C_{\mathrm{evaluation}}
+
C_{\mathrm{audit}}
+
C_{\mathrm{security}}
+
C_{\mathrm{legal}}
+
C_{\mathrm{reporting}}
$$
大型實驗室較容易吸收這些成本，小型公司與開源團隊則可能因此退出。於是，原本旨在控制風險的制度可能產生下列副作用：
$$
\text{安全標準提高}
\rightarrow
\text{固定成本提高}
\rightarrow
\text{市場集中}
\rightarrow
\text{既有巨頭優勢提高}
$$
因此，支持監管不必然代表企業願意犧牲自身利益。真實風險與監管俘獲並非互斥：
$$
H_1\land H_3
$$
企業可以真誠地擔心風險，同時偏好一套最有利於自身組織能力的監管架構。
---
## 五、前沿人工智慧制度性責任閉包命題
### 5.1 命題定義
本文提出：
> **前沿人工智慧制度性責任閉包命題：**
> 當前沿人工智慧能力、部署範圍與潛在損害超過單一企業可獨立控制、賠償或正當化的範圍時，企業將傾向推動政府、立法者、外部測試機構、部署者、保險市場、關鍵基礎設施與國際組織共同進入決策流程，使模型發布從私人決策轉變為制度共同授權的行為。
初始責任結構可表示為：
$$
\mathcal{R}_0
=
\mathcal{R}_{\mathrm{developer}}
$$
制度化之後則成為：
$$
\mathcal{R}_1
=
\mathcal{R}_{\mathrm{developer}}
+
\mathcal{R}_{\mathrm{government}}
+
\mathcal{R}_{\mathrm{regulator}}
+
\mathcal{R}_{\mathrm{evaluator}}
+
\mathcal{R}_{\mathrm{deployer}}
+
\mathcal{R}_{\mathrm{user}}
+
\mathcal{R}_{\mathrm{international}}
$$
此處的加號不代表法律責任必然平均分配，而是表示決策與正當化來源被分散至多個節點。
### 5.2 從「企業發布」轉向「制度允許發布」
沒有制度閉包時，重大事故後的核心問題是：
> 為何這家公司自行決定發布？
建立制度閉包後，公司可以改以如下方式抗辯：
- 模型依照政府制定的測試程序接受評估；
- 公司完成法律要求的風險揭露；
- 外部機構進行獨立驗證；
- 主管機關已取得預發布存取；
- 部署者依照認證條件使用；
- 事故屬於制度當時接受的剩餘風險；
- 社會經由立法程序選擇在風險與利益間取得平衡。
於是，發布行為從：
$$
\text{Private Authorization}
$$
轉化為：
$$
\text{Distributed Institutional Authorization}
$$
這並不必然消除公司的責任，但會顯著改變政治、法律與輿論上的歸責結構。
---
## 六、資產保護悖論：更多監管為何可能保護前沿公司？
表面上，監管會限制公司自由、增加成本並延後產品。但對掌握高價值模型、資料中心、人才與政府關係的巨型公司而言，適度而可預測的監管可能具有資產保護功能。
### 6.1 合法性資產化
當模型被納入國家測試、關鍵基礎設施與國際標準後，公司不再只是高風險私人實驗室，而可能成為：
$$
\text{私人公司}
\rightarrow
\text{受認證的準公共智能基礎設施}
$$
其資產價值因制度承認而增加。
### 6.2 競爭者排除
若市場准入需要高額安全測試、資安證明、政府接口與持續通報，具備既有規模的公司將比新進者更具優勢。
### 6.3 災難風險社會化
某些極端 AI 風險可能超過私人保險與公司資產可承擔範圍。建立公共治理架構後，風險管理將部分轉向政府、國家安全系統與社會韌性投資。Anthropic 的框架明確主張，生物與網路風險的韌性建設需要政府、產業與公民社會共同進行。[3]
### 6.4 政府成為客戶、測試者與保護者
當政府同時是：
- 規則制定者；
- 模型測試者；
- 國家安全使用者；
- 關鍵客戶；
- 出口管制者；
- 事故應變者；
企業與政府的關係便不再是單純的監管者與被監管者，而是共同維護特定 AI 基礎設施的戰略伙伴。
因此形成「資產保護悖論」：
> 對前沿 AI 巨頭而言，足夠強但可共同塑造的監管，可能比完全無監管更能保護其長期資產、合法性與市場地位。
---
## 七、「恐慌」不能直接觀察，但制度焦慮可以
本文不宜宣稱公司領導者在心理上感到恐慌。公開資料無法可靠推斷個人情緒。
應區分：
$$
\text{Psychological Panic}
\neq
\text{Institutional Risk Response}
$$
可觀察的不是內心恐慌，而是制度焦慮的代理變數：
1. 預測時間是否持續縮短；
2. 風險是否從抽象倫理轉成具體國安威脅；
3. 公司是否接受有成本的發布限制；
4. 安全框架是否從自願原則轉向強制義務；
5. 政府是否取得模型、權重或評估環境的提前存取；
6. 是否提出阻止部署、吊銷准入或限制客戶的權力；
7. 是否開始建立跨國監督與模型流通規則；
8. 是否出現保險、賠償上限與安全港條款。
可定義一個概念性的制度焦慮指標：
$$
A_I
=
w_1T
+
w_2R
+
w_3G
+
w_4L
+
w_5X
$$
其中：
- $T$ ：時間表壓縮程度；
- $R$ ：發布限制強度；
- $G$ ：政府介入程度；
- $L$ ：法律強制程度；
- $X$ ：跨國制度化程度；
- $w_i$ ：依研究目的設定的權重。
該指標不能證明 AGI，但可用於追蹤企業公開行為是否正在加速偏離傳統軟體產業模式。
---
## 八、內部能力與公開能力可能分離
一項針對前沿實驗室與學術研究者的訪談研究顯示，多數受訪者將自動化 AI 研發視為重要風險，且不少受訪者預期先進編程或研發能力可能優先保留於公司或政府內部，而不直接向公眾開放。[7]
若此前景成立，模型能力將出現至少三層：
$$
C_{\mathrm{public}}
\leq
C_{\mathrm{partner}}
\leq
C_{\mathrm{internal}}
$$
其中：
- $C_{\mathrm{public}}$ ：一般使用者能取得的能力；
- $C_{\mathrm{partner}}$ ：政府、企業或安全合作方能取得的能力；
- $C_{\mathrm{internal}}$ ：模型公司內部研發、資料與工具環境中的能力。
這意味著，以公開聊天產品推測公司內部能力，可能產生系統性低估。真正危險或有價值的能力，未必表現在一般問答，而可能出現在：
- 長時間自主執行；
- 私有程式庫與實驗環境；
- 大規模並行 Agent；
- 內部模型蒸餾與評估；
- 自動化研究工程；
- 網路安全沙盒；
- 生物與材料模擬；
- 專屬工具權限與超長上下文。
因此，前沿公司領導者的公開信心，可能不只是對單次聊天體驗的判斷，而是對整個內部系統閉包的評估。
---
## 九、可反駁預測：如何繼續驗證本命題？
若「制度性責任閉包命題」與「真實能力加速假設」具有較高解釋力，未來應更頻繁出現下列現象。
### 9.1 模型發布制度化
- 政府在正式發布前取得固定期間的模型存取；
- 前沿模型發布由臨時協商轉為標準流程；
- 模型能力超過門檻後須接受獨立測試；
- 部分高風險能力只提供給認證客戶。
### 9.2 法律責任重新配置
- 公司要求符合法定安全標準者取得責任安全港；
- 部署者與模型開發者的責任被法律區分；
- 出現 AI 巨災保險、公共再保險或政府兜底機制；
- 事故通報與吹哨者保護成為強制義務。
### 9.3 能力分層擴大
- 公開模型與內部模型的能力差距增加；
- 最強模型首先部署於 AI 研發、國防、網安與科學研究；
- 公司更少公布完整權重、訓練細節與高危評估結果；
- API 能力透過權限、國籍、客戶類型與用途分級。
### 9.4 國際制度形成
- 美國或其他主要國家建立前沿模型測試聯盟；
- 高階晶片、資料中心與模型准入制度相互綁定；
- 參與共同安全規則成為取得先進模型的條件；
- 國際 AI 標準逐漸具有類似核能、航空或金融監管的特徵。
### 9.5 Agent 資料世代的模型跳變
若下一輪模型大量吸收真實人類—AI協作軌跡，可能出現：
- 長程任務穩定性突然提高；
- 工具錯誤後的自我恢復能力提升；
- 更能維持跨文件、跨程式與跨日任務一致性；
- 能從大量碎片工作紀錄中重建整體專案；
- 對組織流程、研究流程與產品流程的理解明顯增強；
- 模型間協作比單模型能力增長更快。
若上述現象長期未出現，而領導者的 AGI 時間表持續向後推遲，則應降低對真實非線性能力加速假設的信心，並提高對行銷與制度競爭解釋的權重。
---
## 十、替代解釋與方法限制
### 10.1 公開言論存在選擇偏差
喜歡公開發言的領導者不一定代表所有內部研究者。媒體也傾向放大最誇張的時間表。
### 10.2 公司具有共同的外部誘因
即使沒有特殊內部突破，多家公司也可能因政府壓力、國際競爭、訴訟風險與公眾焦慮而提出相似政策。
### 10.3 監管支持可能主要是產業策略
大型公司有動機支持自己能負擔、競爭者難以負擔的制度。故監管收斂不能單獨作為能力證據。
### 10.4 「AGI」缺乏統一定義
不同領導者所稱的 AGI、強大 AI、超人智能、自動化研究者或變革性 AI 可能不是同一門檻。Google DeepMind 在 2026 年仍持續建立更細緻的 AGI 認知能力衡量框架，本身即顯示此概念尚未具有單一可操作定義。[4]
### 10.5 本文沒有內部資訊
本文只研究公開資料與顯示性偏好，不應被解讀為對任何公司內部模型、未公開能力或真實心理狀態的斷言。
---
## 十一、綜合命題
本文的綜合判斷不是：
> AI 公司要求監管，所以 AGI 已經存在。
而是：
> 當多個彼此競爭的前沿實驗室，同時提高 AGI 或強大 AI 的時間信心、接受具有成本的發布限制、要求政府提前測試、支持外部稽核與事故通報，並推動具有實際阻止部署能力的制度時，這些訊號足以對「內部能力曲線可能比公開產品更陡峭」進行方向性正向更新。
更完整地表示為：
$$
E_L+E_B+E_I
\Rightarrow
\Delta P(H_1)>0
$$
但：
$$
E_L+E_B+E_I
\nRightarrow
H_1\text{ 已被證明}
$$
最可能的現實並非單一原因，而是多重機制疊加：
$$
\boxed{
\text{能力加速}
+
\text{行銷競爭}
+
\text{監管護城河}
+
\text{責任共同化}
+
\text{國家安全整合}
}
$$
---
## 十二、結論
前沿人工智慧公司的監管主張，不能只被理解為「公司害怕政府」，也不能只被理解為「公司真誠要求安全」。在能力可能非線性增長、損害可能跨越私人賠償能力、國家安全價值快速提高的條件下，企業最理性的策略之一，可能正是主動建立制度性責任閉包。
該閉包使政府與社會取得部分監督權，同時也使企業取得合法性、責任分散、競爭門檻與資產保護。故「AI 公司加速推動法律」與「AI 公司試圖保護自身資產」並不矛盾；在特定制度設計下，兩者甚至可能是同一過程。
另一方面，當代模型可能尚未充分吸收 Agent 時代大量形成的人類—AI高度協作資料。未來模型若開始學習完整的意圖—工具—失敗—修正—驗證—產物閉包，其能力增長可能不只是知識增加，而是認知勞動結構本身的改變。這使今日的公開模型、企業政策與領導者言論，構成一個特殊的過渡期觀察窗口。
本文最終主張的不是確定預言，而是一項應持續驗證的研究方向：
> **當語言信心、昂貴行為與制度責任配置同步加速時，公開治理行為本身可能成為前沿實驗室內部貝葉斯信念的外部投影。**
---
## 參考資料
[1] OpenAI, **“The US is advancing AI safety through state and federal action,”** 2026.
[2] Anthropic, **“Policy on the AI Exponential,”** 2026.
[3] Anthropic, **“Anthropic’s Advanced AI Framework,”** June 2026.
[4] Google DeepMind, **“Measuring progress toward AGI: A cognitive framework,”** March 17, 2026.
[5] Financial Times, **“DeepMind chief Demis Hassabis calls for US-led body to test ‘frontier’ AI models,”** July 2026.
[6] Reuters, **“OpenAI defers public rollout of GPT-5.6 as US seeks early access to frontier AI models,”** June 26, 2026.
[7] Severin Field, Raymond Douglas, and David Krueger, **“AI Researchers’ Views on Automating AI R&D and Intelligence Explosions,”** arXiv:2603.03338, 2026.
---
## 引用與使用聲明
本文屬於公開資料基礎上的觀察性命題，不包含公司內部資訊，也不構成法律、投資或政策建議。文中所稱「正向貝葉斯更新」為方向性判斷，並非具有客觀頻率基礎的精確機率估計。後續版本應持續依模型發布、政府測試、法律責任、企業安全框架與 Agent 工作資料的變化進行修訂。