授权公理：多智能体协调中的摩擦动力学

多智能体系统面临根本性协调问题：智能体必须在异构偏好、不对称利益和不完美信息的情况下进行协调。当协调失败时，摩擦便会出现：可测量的阻力表现为死锁、抖动、通信开销或直接冲突。本文从单一公理出发，建立分析协调摩擦的形式框架：影响智能体的行为需要按比例获得这些智能体的授权。从该授权公理出发，我们建立了资源分配配置的核三元组 $({\alpha}, {\sigma}, {\epsilon})$ (对齐、利益和熵)。摩擦方程 $F = {\sigma} (1 + {\epsilon})/(1 + {\alpha})$ 将协调难度预测为偏好对齐 ${\alpha}$、利益规模 ${\sigma}$ 和通信熵 ${\epsilon}$ 的函数。复制-优化机制(ROM)支配协调策略的演化选择：产生摩擦较少的配置存活时间更长，建立以授权为基础的安排成为动力学吸引子，而非规范理想。我们为资源授权、协调合法性和摩擦感知的资源分配建立了形式定义。该框架产生可测试的预测：奖励对齐更高的强化学习 MARL 系统 exhibits 更快的收敛；考虑利益不对称的分布式分配产生更低的协调失败；在解释能力不足的AI系统中，摩擦与人机对齐差距成正比。针对加密货币治理和政治系统的应用表明，相同的方程跨域 govern 摩擦动力学，提供了一种复杂性科学视角，解释偏好异构性下的协调。