具身即佔域，對齊即能力

分布式身體的時序容量、協調稅與規模邊界

Embodiment as Domain Occupation, Alignment as Capability: Temporal Capacity, Coordination Tax, and Scaling Boundaries of Distributed Bodies

系列：《時空域支配智能》系列第 6 篇
文件編號： EML-STDI-EAC-2026-v0.1
作者： Neo.K
協作整理： Aletheia（阿萊）
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 7 月 30 日
文件類型： 形式模型論文／分布式具身容量與排程理論
證據成熟度： E0——形式模型、容量會計與實驗規格
公開狀態： 私人研究稿；公開前應經 EML-CF 的 IP Gate、來源、安全與數學審查
上位理論： STDI｜時空域支配智能
直接前序：

《時空間支配型 AI：從單體具身智能到持續性時空域治理》
《超靈的物理化：從 O-Chip 維度代理人到分布式具身主體》
《Oversoul Station Fabric：固定站、移動站與虛擬站的分布式具身網路》
《持續性指揮控制區：AI 如何佔據、維持並安全解除一個物理時空域》
《語義即物理路由：從資料流治理到物料、能源、站點與行動流治理》

摘要

分布式具身系統最容易產生的錯覺，是把站點數量、機器人數量、儀器數量或標稱吞吐量直接相加，並將其宣稱為系統能力。若一個實驗室新增十台機器人、二十個感測器和五個量測站，表面上似乎獲得數十倍具身能力；但這些節點可能共享同一條通道、同一個交接區、同一套工具、同一個電力峰值、同一名人工批准者、同一個樣本批次，或必須在狹窄時間窗中共同到位。其真實能力不由「有多少節點」決定，而由「多少節點、物料、工具、能源、權限、世界狀態和證據能在需要時被正確對齊」決定。

本文提出：

具身即佔域，對齊即能力。

「具身即佔域」表示，具身能力不只存在於機器人的本體，而表現為系統在有限物理時空域中可觀測、可到達、可操作和可維持的作用範圍。「對齊即能力」則表示，只有在任務所需的時間、位置、狀態、能力、權限、安全與證據條件共同成立時，裝設的具身資源才轉化為有效能力。

本文承接 ODML「對齊即容量」的核心修正：聚合運輸量、單一存取頭可交付量和可對齊容量不能混為同一數字；容量基準中已計入的自由度也不能再次相乘。本文將同一會計紀律遷移到分布式具身系統，區分四種容量：

C_{\mathrm{installed}} \geq C_{\mathrm{available}} \geq C_{\mathrm{aligned}} \geq C_{\mathrm{effective}}.

$C_{\mathrm{installed}}$ ：裝設容量，所有站點的標稱能力；
$C_{\mathrm{available}}$ ：扣除故障、維護、校準失效和不可達後的可用容量；
$C_{\mathrm{aligned}}$ ：在特定任務與時間窗下，能共同滿足能力、物料、空間、能源、權限和一致性條件的容量；
$C_{\mathrm{effective}}$ ：再扣除協調、交接、等待、爭用、恢復、安全和證據成本後，真正形成完成且可信結果的能力。

本文將這些成本定義為 協調稅（Coordination Tax）：

\tau_{\mathrm{coord}} = \tau_{\mathrm{communication}} + \tau_{\mathrm{synchronization}} + \tau_{\mathrm{handoff}} + \tau_{\mathrm{contention}} + \tau_{\mathrm{reconciliation}} + \tau_{\mathrm{safety}} + \tau_{\mathrm{evidence}} + \tau_{\mathrm{recovery}}.

協調稅不是純粹浪費。部分協調成本換取安全、可恢復性、可重現性與正確性；真正應最小化的是沒有產生相應可靠度價值的無效協調。

本文進一步提出：

佔域覆蓋率：系統實際可觀測與可作用的時空區域；
能力聯集會計：重複能力不能直接相加；
共享瓶頸折扣：共用通道、工具、能源和人工批准者會限制總能力；
語義同步等級：只有語義上需要相遇的任務才進入強對齊窗口；
Amdahl 型具身加速界限：不可平行的物理和治理比例封頂多站點加速；
失效域與爆炸半徑：中央化能降低協調成本，也可能放大共同失效；
弱耦合、強耦合與聯盟任務：不同任務具有不同對齊稅；
有效驗證容量：物理動作完成但證據不完整，不計入研究能力。

現有多機器人研究已證明，異質能力、時間窗、能源、聯盟任務與跨機器人依賴會使任務分配和排程成為複雜的組合問題；近期研究使用階層分解、MILP、時間邏輯、局部控制和線上同步，提高大規模團隊的可行性。Open-RMF 也已在實際建築中處理異質機器人、共享交通空間、電梯與門等基礎設施的衝突。這些工作支持本文的工程前提：多機器人價值來自協作，但協作本身會消耗通訊、同步和共享資源。

本文的核心結論是：

分布式具身系統的容量不是身體數量，而是被正確對齊、完成交付且能形成可信證據的物理作用量。

關鍵詞： 具身即佔域、對齊即能力、分布式身體、具身容量、協調稅、可對齊容量、能力重複計數、時序窗口、異質多機器人、聯盟任務、失效域、Amdahl 定律、有效驗證容量、語義同步、規模邊界

0. 版本定位：第六篇補的是「多站點到底增加了多少真實能力」

前五篇建立了：

STDI 的物理域治理；
超靈與多身體；
OSF 站點網；
PCD 跨時間持續存在；
SPR／DomainIR 對物料、能源、行動與證據的編譯。

但尚未正面回答：

增加一個身體、站點或儀器後，系統真實能力究竟增加多少？

若不建立容量會計，系列會出現四種誇張：

把標稱吞吐當成有效能力；
把相同能力的重複配置重複計數；
忽略共享瓶頸；
只計算動作完成，不計算驗證、錯誤與恢復成本。

本文的任務是建立一套可以被模擬、量測和否證的具身容量模型。

1. 血緣：從「對齊即容量」到「對齊即能力」

ODML 已區分：

聚合飛行容量；
單一存取頭可交付頻寬；
可在共同時間窗中交互的可對齊容量。

其核心洞見是：

被分開傳輸不難，難的是讓需要互動的座標在正確時間相遇。

並建立容量會計原則：

若基準吞吐已經計入波長、偏振或其他自由度，不得將同一自由度再次乘入。

STDI 中同樣存在：

裝設多少機器；
單一站點能做多少；
多站點能否共同完成一項任務；
完成結果能否被驗證。

因此具身域需要同樣的分層會計。

2. 具身即佔域

2.1 身體不只是硬體外殼

一個具身節點的價值，包括：

能看到哪裡；
能移動到哪裡；
能作用於哪些物件；
能施加何種力量與能源；
能維持多久；
能在何種安全與權限下行動。

2.2 時空佔域集合

對站點 $N_i$ ，定義其時空作用域：

\mathcal{O}_i = \left\{ (z,t,a) \mid z\in Z_i(t), a\in A_i(t), \operatorname{Permitted}(N_i,z,a,t) \right\}.

其中：

$z$ ：空間位置或區域；
$t$ ：時間；
$a$ ：可執行作用。

整個系統的名義佔域為：

\mathcal{O}_{\mathrm{nominal}} = \bigcup_{i=1}^{n}\mathcal{O}_i.

2.3 真實佔域

真實佔域還需扣除：

不可達；
站點故障；
連線限制；
人類排除；
能源不足；
工具缺失；
權限到期。

\mathcal{O}_{\mathrm{effective}}(t) = \bigcup_i \left( \mathcal{O}_i \cap H_i \cap L_i \cap R_i \cap P_i \right).

2.4 佔域覆蓋率

對目標域 $\Omega^\star$ ：

\eta_{\mathrm{coverage}} = \frac{ \mu\left( \mathcal{O}_{\mathrm{effective}} \cap \Omega^\star \right) }{ \mu\left( \Omega^\star \right) }.

其中 $\mu$ 可以是：

空間體積；
時間加權區域；
任務重要度加權作用域；
可觀測狀態測度。

高覆蓋率不必然表示高容量。系統可以看遍整個房間，卻缺乏任何精密操作能力。

3. 四層具身容量

3.1 裝設容量

對站點 $i$ 的標稱能力向量 $c_i$ ：

C_{\mathrm{installed}} = \bigoplus_{i=1}^{n}c_i.

符號 $\bigoplus$ 不代表普通相加，而表示保留能力類別、參數範圍和適用條件的組合。

3.2 可用容量

定義站點可用係數：

a_i(t) = h_i(t) \cdot k_i(t) \cdot e_i(t) \cdot p_i(t),

其中：

$h_i$ ：健康；
$k_i$ ：校準；
$e_i$ ：能源；
$p_i$ ：權限。

則：

C_{\mathrm{available}}(t) = \bigoplus_i a_i(t)c_i.

3.3 可對齊容量

對任務 $q$ ，需要一個能力、資源與狀態聯盟：

\mathcal{K}_q = \left( C_q, M_q, T_q, E_q, A_q, W_q, V_q \right),

其中：

$C_q$ ：能力；
$M_q$ ：物料與工具；
$T_q$ ：時間；
$E_q$ ：能源；
$A_q$ ：權限；
$W_q$ ：世界狀態；
$V_q$ ：證據。

可對齊聯盟集合：

\mathfrak{C}_q(t) = \left\{ S\subseteq\mathcal{N} \mid S\models\mathcal{K}_q(t) \right\}.

可對齊容量為：

C_{\mathrm{aligned}}(q,t) = \max_{S\in\mathfrak{C}_q(t)} V_q(S),

其中 $V_q(S)$ 是該聯盟能交付的任務價值或吞吐。

3.4 有效容量

定義：

C_{\mathrm{effective}} = C_{\mathrm{aligned}} - C_{\mathrm{coord}} - C_{\mathrm{failure}} - C_{\mathrm{verification}}^{\mathrm{missing}}.

或用比例表示：

C_{\mathrm{effective}} = C_{\mathrm{aligned}} \left( 1- \tau_{\mathrm{coord}} \right) p_{\mathrm{success}} p_{\mathrm{evidence}}.

其中：

$p_{\mathrm{success}}$ ：物理任務成功概率；
$p_{\mathrm{evidence}}$ ：結果满足證據契約的概率。

4. 容量不能隨便相加

4.1 能力聯集，不是設備計數

兩台相同相機提供：

備援；
不同視角；
並行觀測。

但如果它們：

只能看同一位置；
共用同一網路瓶頸；
需要同一人工操作員；

其能力增量不等於兩倍。

4.2 重複能力折扣

對能力 $c$ ：

C_c^{\mathrm{union}} = \sum_i c_i - \sum_{i<j}\rho_{ij}^{(c)} + \sum_{i<j<k}\rho_{ijk}^{(c)} -\cdots.

其中 $\rho$ 表示能力重疊。

工程上不需要完整容斥計算，可以將站點分成：

完全可疊加；
部分重疊；
純備援；
互斥；
必須成組。

4.3 備援不算主動吞吐

一主一備配置的價值主要是可用性：

C_{\mathrm{throughput}} \approx C_{\mathrm{primary}},

而可靠度可能提升：

R_{\mathrm{system}} > R_{\mathrm{primary}}.

不能把備援設備同時計入吞吐和可靠度增益。

4.4 共享瓶頸

若 $n$ 個站點共享容量 $B$ 的資源：

\sum_{i=1}^{n}x_i \leq B.

共享瓶頸可能是：

狹窄走道；
電梯；
交接區；
工具；
儀器；
網路；
電力；
冷卻；
人工批准；
樣本批次。

Open-RMF 對共享空間、電梯、門和交通衝突的治理，正是此類瓶頸的現實範例。

5. 三類任務耦合

5.1 獨立任務

每個站點可單獨執行：

q_i\perp q_j.

例如不同房間的獨立環境觀測。

此時並行收益最接近線性。

5.2 弱耦合任務

需要共享：

最終世界狀態；
同一批材料；
大致時間期限；
結果合併。

但不需要精確同時。

此時可採有界過期和最終一致。

5.3 強耦合任務

需要：

同時抓取；
共同搬運；
精密交接；
同步量測；
共同安全區；
相同世界紀元。

其對齊成本最高。

5.4 聯盟任務

一項任務需多種能力：

\sum_{i\in S}c_i \models C_q.

近期異質 MRTA 研究已明確處理：

不可分割任務；
可分割或中繼任務；
需要機器人聯盟共同完成的任務；
充電與長續航。

這說明「多身體共同完成」本身就是獨立的排程類型。

6. 對齊向量

對任務 $q$ ，定義：

\mathbf{a}_q = \left( a_{\mathrm{cap}}, a_{\mathrm{space}}, a_{\mathrm{time}}, a_{\mathrm{material}}, a_{\mathrm{energy}}, a_{\mathrm{authority}}, a_{\mathrm{world}}, a_{\mathrm{evidence}} \right).

6.1 能力對齊

所需能力必須由一個或多個有效證書滿足。

6.2 空間對齊

站點、樣本、工具和安全區域必須在可行路徑上相遇。

6.3 時間對齊

所有必要窗口必須有非空交集：

\bigcap_{r\in R_q} [t_r^-,t_r^+] \neq \varnothing.

6.4 物料對齊

樣本、容器、工具與校準件必須處於正確保管和狀態。

6.5 能源對齊

功率、能源品質、冷卻與熱預算同時成立。

6.6 權限對齊

所有身體和區域租約有效，人工批准已完成。

6.7 世界狀態對齊

依賴的世界紀元沒有失效。

6.8 證據對齊

所需感測、校準和原始資料管線已準備。

6.9 最弱環節

可以使用保守模型：

A_q = \min_k a_{q,k}.

任一必要對齊維度為零，整項任務不可執行。

7. 協調稅

7.1 定義

理想情況下， $n$ 個單位能力站點提供：

C_{\mathrm{ideal}}(n)=nC_1.

實際：

C_{\mathrm{actual}}(n) = C_{\mathrm{ideal}}(n) - C_{\mathrm{coord}}(n).

協調稅：

\tau_{\mathrm{coord}}(n) = \frac{ C_{\mathrm{coord}}(n) }{ C_{\mathrm{ideal}}(n) }.

7.2 組成

\begin{aligned} \tau_{\mathrm{coord}} ={}& \tau_{\mathrm{communication}} + \tau_{\mathrm{synchronization}} + \tau_{\mathrm{handoff}} \\ &+ \tau_{\mathrm{contention}} + \tau_{\mathrm{reconciliation}} + \tau_{\mathrm{safety}} \\ &+ \tau_{\mathrm{evidence}} + \tau_{\mathrm{recovery}}. \end{aligned}

7.3 通訊稅

狀態回報；
任務協商；
世界模型更新；
心跳；
衝突解決。

在連線受限的多機器人系統中，全時通訊通常不現實。2026 年的事件觸發協調研究以任務和空間事件決定何時通信，報告通訊開銷可下降，同時保持協調性能。這支持「並非所有狀態都值得持續同步」。

7.4 同步稅

等待較慢站點；
共同起點；
時鐘和世界紀元；
共同行動窗口。

7.5 交接稅

移動；
保留；
驗證；
責任轉移；
補償。

7.6 爭用稅

共享：

路徑；
工具；
儀器；
電力；
人工批准。

7.7 狀態調和稅

中央與地方、分叉體、斷線站點之間需要比較並解決：

位置；
樣本；
任務；
權限；
記憶。

7.8 安全稅

速度降低；
雙重確認；
人員排除；
本地互鎖；
安全停機。

安全稅不是應消除的浪費，而是換取事故風險下降的成本。

7.9 證據稅

校準；
原始資料；
影像；
日誌；
簽章；
重複量測。

沒有證據稅，系統或許做得更快，但不能可靠驗證概念產品。

7.10 恢復稅

備援；
快照；
重播；
盤點；
重排。

8. 有價值的協調與無效協調

8.1 淨協調價值

定義：

V_{\mathrm{coord}} = \Delta R_{\mathrm{reliability}} + \Delta S_{\mathrm{safety}} + \Delta V_{\mathrm{evidence}} - C_{\mathrm{coord}}.

若：

V_{\mathrm{coord}}>0,

協調值得。

8.2 過度同步

不是所有資料與站點都需要強同步。

SFRSN 已提出：

只有語義上需要相遇的資料才應消耗對齊預算。

STDI 同樣應：

安全與交接：強同步；
排程與健康：有界過期；
長期學習：最終一致；
獨立實驗：弱同步。

8.3 語義同步策略

\operatorname{SyncClass}(q) \in \{ \text{hard}, \text{bounded}, \text{event-triggered}, \text{eventual}, \text{none} \}.

對齊是昂貴資源，應由任務語義決定。

9. Amdahl 型具身加速界限

9.1 不可平行比例

設任務中不可平行部分為 $s$ ，可平行部分為 $1-s$ 。

理想加速：

S_{\mathrm{ideal}}(n) = \frac{1}{ s+\frac{1-s}{n} }.

9.2 加入協調與爭用

S_{\mathrm{embodied}}(n) = \frac{1}{ s+\frac{1-s}{n} +\kappa(n) +\rho(n) +\phi(n) }.

其中：

$\kappa(n)$ ：協調；
$\rho(n)$ ：共享資源爭用；
$\phi(n)$ ：失敗與恢復。

9.3 物理串行區

不可平行部分可能包括：

樣本固化；
單一稀有儀器；
人工批准；
單一交接區；
安全檢查；
依序加工；
結果驅動下一步。

9.4 最佳站點數

當：

\frac{dS_{\mathrm{embodied}}}{dn} \leq 0,

增加站點不再提高能力。

最佳規模：

n^\star = \arg\max_n S_{\mathrm{embodied}}(n).

因此，系統可能存在「增加機器反而更慢」的區域。

10. 排程容量與時間窗

10.1 任務需求

任務 $q$ ：

q = \left( r_q, [d_q^-,d_q^+], \ell_q, v_q, p_q \right),

其中：

$r_q$ ：資源與能力需求；
$[d_q^-,d_q^+]$ ：時間窗；
$\ell_q$ ：持續時間；
$v_q$ ：價值；
$p_q$ ：成功概率。

10.2 有效吞吐

在區間 $[0,T]$ ：

\Theta_{\mathrm{effective}}(T) = \frac{ \sum_{q\in Q_{\mathrm{verified}}(T)}v_q }{ T }.

只計入：

完成；
驗證；
未被撤銷；
證據完整；

的任務。

10.3 排程可行率

\eta_{\mathrm{sched}} = \frac{ |Q_{\mathrm{aligned}}| }{ |Q_{\mathrm{requested}}| }.

10.4 鬆弛量

任務鬆弛：

\sigma_q = d_q^+ - d_q^- - \ell_q - T_{\mathrm{transfer}} - T_{\mathrm{verify}}.

$\sigma_q$ 越小，對齊越困難。

11. 異質性：不是缺點，也不是免費能力

11.1 異質能力擴大聯集

不同站點可以提供：

移動；
精密抓取；
成像；
熱；
化學；
算力。

11.2 異質性提高轉譯成本

需要：

不同 adapter；
不同控制頻率；
不同錯誤模式；
不同能力證書；
不同維護。

11.3 異質價值條件

新增站點 $N_j$ 的邊際價值：

\Delta V_j = \Delta C_{\mathrm{unique}} + \Delta R_{\mathrm{resilience}} + \Delta O_{\mathrm{coverage}} - \Delta C_{\mathrm{coord}} - \Delta C_{\mathrm{integration}}.

若 $\Delta V_j\leq0$ ，不應為「多一種身體」而加入。

11.4 車隊設計本身是最佳化問題

研究已將異質車隊選型、任務配置、時間窗和預算共同建模，並指出精確 MILP 在規模增長時可擴展性有限，需要啟發式或 Large Neighbourhood Search。這支持 OSF 在採購與架構階段就應評估站點組合，而不是先買設備再尋找用途。

12. 失效域與爆炸半徑

12.1 獨立故障與共同故障

若站點故障獨立，增加站點可提升韌性。

若共享：

電力；
網路；
世界模型；
中央策略；
單一工具；

則可能形成共同失效。

12.2 失效域

定義：

F_k = \left\{ N_i \mid \operatorname{fail}(r_k) \Rightarrow \operatorname{degrade}(N_i) \right\}.

12.3 爆炸半徑

B(r_k) = \sum_{N_i\in F_k} w_i.

中央化可以降低協調稅，但提高某些故障的爆炸半徑。

12.4 容量與韌性不能用同一數字

應分別報告：

正常吞吐；
降級吞吐；
單故障後能力；
平均恢復時間；
最大失效域。

13. 中央、地方與動態不動點

13.1 中央化

優點：

全局資訊；
較少協商；
較容易證據與治理。

缺點：

延遲；
單點失效；
擴展壓力。

13.2 地方自治

優點：

快速反應；
斷線能力；
降低中央負載。

缺點：

狀態分歧；
重複工作；
局部最優；
權限漂移。

13.3 混合式

近期多機器人時間邏輯研究使用：

高階集中配置；
低階地方控制；
線上通信同步；

處理重複任務與延遲，並在九台實體機器人與更大模擬規模上驗證適應性。這支持 STDI 的「中央策略＋地方執行＋事件觸發同步」。

13.4 動態不動點中央

遠期可根據：

資訊完整；
延遲；
信任；
故障；
任務耦合；

動態選擇治理中心。

但中心漂移本身也產生協調稅，不能假設免費。

14. 容量會計規則

規則一：不把裝設數量當有效能力

報告必須列四層容量。

規則二：已計入的能力不得重乘

若單站吞吐已包含多工具或多相機並行，不得再次以工具數乘算。

規則三：共享瓶頸取最小截面

串聯系統能力：

C_{\mathrm{pipeline}} \leq \min_i C_i.

規則四：備援與吞吐分開

備援主要增加可靠度，不自動增加正常吞吐。

規則五：不可替代的異質能力不做標量相加

一台顯微鏡與一台移動機器人的能力不能直接寫成「2 個能力單位」。

規則六：物理完成但證據失敗，不計入驗證容量

規則七：等待不是設備能力

大量排隊中的設備不表示大量可用能力。

規則八：安全限制是容量邊界

不能把取消安全後的理論吞吐當合法容量。

規則九：按任務族報告

同一站網對：

獨立任務；
弱耦合任務；
強耦合任務；

的容量完全不同。

規則十：報告協調稅與邊際收益

每新增一個站點都應量測：

\Delta C_{\mathrm{effective}} \quad\text{與}\quad \Delta\tau_{\mathrm{coord}}.

15. 有效驗證容量

15.1 研究能力不等於動作吞吐

定義物理完成量：

C_{\mathrm{action}}.

定義證據完整量：

C_{\mathrm{verified}}.

通常：

C_{\mathrm{verified}} \leq C_{\mathrm{action}}.

15.2 驗證折扣

\eta_{\mathrm{verify}} = \frac{ C_{\mathrm{verified}} }{ C_{\mathrm{action}} }.

15.3 有效研究容量

C_{\mathrm{research}} = C_{\mathrm{action}} \cdot \eta_{\mathrm{verify}} \cdot \eta_{\mathrm{reproducible}} \cdot \eta_{\mathrm{relevant}}.

其中：

$\eta_{\mathrm{reproducible}}$ ：可重現；
$\eta_{\mathrm{relevant}}$ ：結果對假說有實際資訊價值。

做了一萬次沒有校準或不能區分假說的動作，不代表高研究能力。

16. 第一個容量模型實驗

16.1 目的

量測站點數量從 $1,2,4,8$ 增加時：

裝設容量；
可用容量；
可對齊容量；
有效容量；
協調稅；

如何變化。

16.2 任務族

T1：獨立觀測

多個樣本各自成像。

T2：弱耦合搬運與量測

移動站將樣本送至不同量測站。

T3：強耦合交接

兩個身體在同一交接區完成樣本轉移。

T4：聯盟搬運

兩個或多個身體共同移動大物體。

T5：證據密集任務

每個步驟要求校準、原始數據、影像和保管證據。

16.3 控制變量

相同任務總量；
相同站點能力；
相同區域；
相同能源；
相同安全；
相同證據要求。

16.4 指標

任務完成時間；
等待；
通訊量；
同步次數；
交接失敗；
路徑衝突；
能源峰值；
人工介入；
證據完整；
恢復時間。

17. MVP：Embodied Alignment Benchmark

17.1 軟體

OSF 模擬站網；
DomainIR；
SPR Scheduler；
Open-RMF 或等價交通層；
ROS 2 模擬；
Event／Evidence Journal；
故障注入器。

17.2 物理

兩台移動平台；
一個固定機械臂；
一個量測站；
一個交接區；
一個共享充電或通道瓶頸。

17.3 實驗矩陣

站點數：1 / 2 / 4 / 8
耦合：獨立 / 弱 / 強 / 聯盟
同步：全時 / 有界 / 事件觸發 / 最終
故障：無 / 單站 / 網路 / 共享資源
證據：低 / 標準 / 高

17.4 輸出

Capacity Report；
Coordination Tax Breakdown；
Alignment Failure Matrix；
Scaling Curve；
Failure Domain Map；
Evidence Discount。

18. 可證偽命題

H1：站點數與有效容量不是線性關係

在弱耦合及強耦合任務中， $C_{\mathrm{effective}}(n)$ 應呈現遞減邊際收益。

H2：獨立任務接近線性，強耦合任務較早飽和

若兩者曲線完全相同，對齊分類沒有解釋力。

H3：事件觸發同步可降低通訊稅

在不影響關鍵安全與交接的前提下，事件觸發應比全時同步減少通訊。

H4：證據要求降低表面吞吐，但提高有效驗證率

若高證據模式不降低動作吞吐，可能代表證據成本未被真實計入。

H5：共享瓶頸會使新增站點失去邊際價值

當路徑、儀器或能源飽和後，新增站點可能只增加排隊與協調。

H6：局部自治在斷線時提高能力，在一致性任務中可能增加調和稅

地方自治不是單向增益。

H7：能力重複計數會系統性高估容量

以站點數或標稱吞吐計算的預測，應高於實測有效容量。

H8：存在任務相關的最佳站點數 $n^\star$

對至少部分強耦合任務，增加節點超過 $n^\star$ 後應不再增益，甚至退化。

19. 主要限制

19.1 能力難以壓縮成單一數字

本文建議使用能力向量和任務族，而不是唯一「具身算力」。

19.2 協調稅分解可能重疊

等待可能同時來自同步、爭用和安全，需要統一會計規則。

19.3 任務價值具有主觀性

不同研究計畫對結果價值不同。

19.4 模擬和現實差距

真實設備故障、摩擦、人類介入和網路抖動會改變曲線。

19.5 大型系統的精確最佳化不可擴展

需採階層、啟發式和滾動規劃。

19.6 對齊要求可能動態變化

同一任務在不同階段有不同同步級別。

19.7 安全和倫理不能被折算成純吞吐

不能因提高容量而取消不可違反的限制。

20. 不能宣稱的內容

本篇不主張：

站點越多能力越大；
所有具身能力可以換算成同一單位；
協調稅可以完全消除；
所有同步都應分散化或事件觸發；
Amdahl 型公式能精確描述所有物理系統；
故障彼此獨立；
備援設備可以同時計入吞吐增益；
物理動作完成等於研究驗證完成；
對齊是唯一瓶頸；
中央治理必然優於地方自治；
動態不動點中央沒有切換成本；
模擬得到的規模曲線可直接代表實驗室；
機器人數量可以作為自主研究能力的代理指標。

21. 與後續系列的關係

本文建立容量與對齊理論後，下一篇將專門處理：

當中央超靈、地方 Agent 和多個治理節點都有決策能力時，誰擁有什麼主權？如何在失聯、衝突和多中心狀態下收斂？

因此第 7 篇為：

《中央主權、地方自治與動態不動點中央》

將深入建立：

Authority Lattice；
Local Veto；
Delegation Boundary；
Consensus／Commit；
Split-Brain；
Dynamic Center Election；
Governance Epoch；
Responsibility Partition；
多 AI 衝突和收斂。

22. 結論

分布式具身系統最大的幻覺，是把「身體很多」誤認為「能力很大」。

真實容量至少經過四層折扣：

C_{\mathrm{installed}} \geq C_{\mathrm{available}} \geq C_{\mathrm{aligned}} \geq C_{\mathrm{effective}}.

站點只有在：

正常；
校準；
有工具；
有物料；
有能源；
有權限；
有正確世界狀態；
能在任務窗口相遇；
能完成證據；

時，才真正形成能力。

因此：

\boxed{ \text{具身} \neq \text{擁有一具硬體外殼} }

而是：

\boxed{ \text{具身} = \text{在時空域中取得可觀測、可到達與可作用的位置} }

同時：

\boxed{ \text{能力} \neq \text{站點數量} }

而是：

\boxed{ \text{能力} = \text{被對齊、被交付、被驗證的作用量} }

本文最終將「具身即佔域，對齊即能力」濃縮為：

身體讓智能獲得物理位置；對齊讓位置轉化為共同作用；證據讓共同作用轉化為可信研究能力。

參考文獻與技術資料

Neo.K／Aletheia. 對齊即容量：飛行即定址架構的差分時序界限與分層排程. EML-ODML-2026-v0.5.
Neo.K／Aletheia. 語義即路由：AI 資料中心的語義流站網與直連流時空間. EML-SFRSN-2026-v0.1.
Neo.K／Aletheia. 語義即路由：從 O-Chip 維度代理人到 AI 資料中心語義流治理. EML-SFRSN-2026-v0.2.
Notomista, G., Mayya, S., Hutchinson, S. and Egerstedt, M. An Optimal Task Allocation Strategy for Heterogeneous Multi-Robot Systems. arXiv:1903.08641, 2019.
Luo, X. and Zavlanos, M. M. Temporal Logic Task Allocation in Heterogeneous Multi-Robot Systems. arXiv:2101.05694, 2021.
Giacometti, Z. and Zhang, Y. Allocation of Multi-Robot Tasks with Task Variants. arXiv:2007.00777, 2020.
Wilde, N. and Alonso-Mora, J. Designing Heterogeneous Robot Fleets for Task Allocation and Sequencing. arXiv:2312.07234, 2023.
Nam, C. et al. Heterogeneous Multi-Robot Task Allocation for Long-Endurance Missions in Dynamic Scenarios. arXiv:2411.02062, revised 2025.
Liu, W., Majcherczyk, N. and Pecora, F. Scalable Multi-Robot Task Allocation and Coordination under Signal Temporal Logic Specifications. arXiv:2503.02719, 2025.
Lin, X. and Tron, R. Adaptive Bi-Level Multi-Robot Task Allocation and Learning under Uncertainty with Temporal Logic Constraints. arXiv:2502.10062, 2025.
Peron, D. et al. Efficient Coordination and Synchronization of Multi-Robot Systems Under Recurring Linear Temporal Logic. arXiv:2502.16531, 2025.
Aznar, F. et al. Event-Triggered Adaptive Consensus for Multi-Robot Task Allocation with Communication Awareness. arXiv:2604.06813, 2026.
Open Robotics. Open-RMF demonstrations and multi-fleet traffic coordination.
https://github.com/open-rmf/rmf_demos
ROS 2. Interfaces: Topics, Services and Actions.
https://docs.ros.org/en/ros2_documentation/rolling/Concepts/Basic/Interfaces-Topics-Services-Actions.html
ROS 2. message_filters and time synchronization.
https://docs.ros.org/en/ros2_packages/kilted/api/message_filters/message_filters.html
Neo.K／Aletheia. Oversoul Station Fabric：固定站、移動站與虛擬站的分布式具身網路.
Neo.K／Aletheia. 持續性指揮控制區：AI 如何佔據、維持並安全解除一個物理時空域.
Neo.K／Aletheia. 語義即物理路由：從資料流治理到物料、能源、站點與行動流治理.

附錄 A：容量報告模板

capacity_report:
  domain_id: ""
  task_family: ""
  time_window: ""

  installed:
    stations: 0
    capability_vector: {}

  available:
    stations: 0
    unavailable_reasons: {}

  aligned:
    feasible_coalitions: 0
    limiting_alignment_dimensions: []

  effective:
    verified_tasks: 0
    value_per_hour: 0

  coordination_tax:
    communication: 0
    synchronization: 0
    handoff: 0
    contention: 0
    reconciliation: 0
    safety: 0
    evidence: 0
    recovery: 0

  shared_bottlenecks: []
  failure_domains: []
  evidence_discount: 0

附錄 B：Alignment Requirement

alignment_requirement:
  task_id: ""

  capability:
    required: []
    coalition_allowed: true

  space:
    zones: []
    co_location_required: false

  time:
    window: null
    synchronization_class: "bounded"
    maximum_skew: null

  material:
    objects: []
    custody_required: true

  energy:
    power_profile: null
    cooling_required: null

  authority:
    leases: []
    human_approval: false

  world:
    epoch: ""
    freshness_requirements: {}

  evidence:
    required: []

附錄 C：協調稅事件

coordination_event:
  id: ""
  task_id: ""
  category: "communication | synchronization | handoff | contention |
             reconciliation | safety | evidence | recovery"
  started_at: ""
  ended_at: ""
  affected_stations: []
  affected_resources: []
  value_protected: ""
  avoidable: null
  evidence: []

附錄 D：規模曲線實驗

scaling_experiment:
  task_family: ""
  station_counts: [1, 2, 4, 8]

  coupling:
    - independent
    - weak
    - strong
    - coalition

  synchronization:
    - continuous
    - bounded
    - event_triggered
    - eventual

  failure_modes:
    - none
    - single_station
    - network_partition
    - shared_resource

  metrics:
    - installed_capacity
    - available_capacity
    - aligned_capacity
    - effective_capacity
    - coordination_tax
    - verified_throughput
    - recovery_time

附錄 E：系列血緣

ODML
  聚合容量 ≠ 可對齊容量
        ↓

SFRSN
  只有語義需要相遇的流才消耗對齊預算
        ↓

OSF
  異質固定、移動、儀器與虛擬站點
        ↓

PCD
  跨時間維持狀態、義務和權限
        ↓

SPR
  意圖編譯成物料、能源、行動與證據流
        ↓

本篇
  計算站點數量如何轉化為可對齊、有效且可信的能力
        ↓

第 7 篇
  決策權如何在中央、地方與動態中心之間配置