Z1.05.4Aggregation of invisibility costs设计研究
代价随设备数量增加而累积，单个设备的代价看似很小
别名: 不可见性代价累积 · cost scaling · 累积代价
概念解释
隐形计算的三类代价——故障无线索、状态不可判、边界不认知——在单设备上都很小，小到购买决策时不可见。但代价不是按设备独立结算的：每加一台隐形设备，系统的总认知负债按组合数增长——两台设备之间有 1 条关系，十台之间有 45 条，关系（谁触发谁、谁依赖谁、谁的数据给谁）正是代价发生的地方。
购买视角与使用视角在这里错位：每个设备进门时都只带着自己的小代价，用户从不会为「第 45 条关系」做一次决策，但账单最终按关系总数送达。智能家居「单件都好用、整体管不住」的普遍体验，就是这个错位的后果。
机制
累积为什么快于线性？三个乘子。
交互路径数。 诊断与控制的成本不取决于设备数，取决于「症状-设备」的候选配对数。N 台设备有 N 个故障可能来源，一次异常的排除链长度随 N 增长——用户面对「灯没亮」时，要排查的触发源从 1 个（开关）变成所有可能触发它的传感器、规则与自动化。
心智模型的维护成本。 每台设备向用户的心智模型征收一份「更新税」。单设备模型靠偶尔使用就能维持；多设备模型的正确性还依赖关系的记忆——哪条联动改过、谁连着谁——这些信息没有任何日常使用机会来巩固，只靠当初配置时的记忆，衰减是必然的。
小概率事件的总和。 单设备故障率可能只有年百分之一，但用户体验的不是率而是事件间隔：40 台设备的家，故障不是稀有事件而是常态环境。系统从「平时没事、坏了修」变成「持续有地方坏」，而每次故障的诊断成本又随 N 增长——两个增长相乘。
怎么研究
- 规模比较研究：按设备数分层招募家庭（个位数/十几台/几十台），比较故障频率、诊断时长、放弃率与心理健康度量。智能家居长期部署研究中「规模是复杂度的主导变量」是可复现的方向性结论。
- 配置记忆衰减研究：配置后隔不同时长测用户对自家联动关系的回忆准确率，与日志比对，量化「更新税」。
- 弃用轨迹分析：追踪从「全部自动化」到「关掉一切」的用户，识别弃用决策的触发事件——通常是某次跨多设备的故障，而不是单设备问题。
方法论注意点：横断比较混入自选择（爱折腾的人设备多），有条件时用同一家庭的纵向追踪；设备数要与自动化规则数分开统计——复杂度的乘子在规则，不在硬件。
边界
- 累积的是不可见性的代价，不是设备本身的代价。 可见、边界清晰的多设备系统（一屋子传统电器）同样有数量效应，但每台的边界认知是完好的；这里说的乘子特指状态、线索、边界三者不可判读时才生效。
- 平台级管理工具能压平曲线但不能归零。 统一入口把排除链从「遍历设备」变成「查一条记录」，把线性乘数变常数；但前提仍是用户信得过工具本身给出的状态。
- 小系统内这个结论不成立。 三五台设备、无联动时，关系数仍是个位数，单设备小代价确实就只是小代价——不要把累积代价的结论外推到任何多设备场景。
怎么落地
- 把关系显性化作为规模决策的一部分：设备超过十台前，给用户一张可查看的联动关系图；关系的可见性是乘子的直接对冲。
- 设置规模台阶：在设备/规则数跨过阈值时提示（「你已有 30 条自动化」），并主动提供复核与清理入口——累积代价的决策点不该只在购买时。
- 默认做减法：长期未触发的自动化主动建议停用；关系的衰减（联动早已不适用）比设备的损坏更隐蔽。
- 验证办法：统计两个数——用户的自动化规则数与其中 90 天未触发数；后者占比随规模上升，就是认知负债在账单化。