10｜慣老闆測試：意圖重建、設計生成與可執行世界考古

The Demanding-Boss Test: Intent Reconstruction, Design Generation, and Executable World Archaeology

系列：《可執行資料與深層解構學習》
篇次： 10 / 10
作者： Neo.K with Aletheia
機構： EveMissLab／一言諾科技有限公司
版本： v0.1 Research Draft
日期： 2026-08-17
文件性質： 意圖重建／人機共創／偏好學習／生成式設計／可執行世界方法論
範圍聲明： 本文所稱「意圖重建」不是讀心，也不假設 AI 能取得使用者未表達的內在心理真相。它指的是：根據語言、選擇、修正、拒絕、行為、情境與可執行回饋，維持並更新一組可驗證的需求／偏好假說。
系列終章定位： 本篇將前九篇的資料資產、遊戲解構、組合智能、深層學習、重建驗收與可執行新穎性，收斂到一個最實際的終點：AI 最後到底能不能把人類沒有說完整的要求，做成真正可用的東西？

摘要

在生成式 AI 時代，模型可以快速生成文字、圖片、程式、關卡、角色、規則與完整軟體原型。由此產生一個新的現實問題：當「產生候選」本身已不再稀缺，真正困難的事情逐漸變成——AI 是否知道人類真正想要什麼，以及是否能把這種不完整、矛盾、會隨互動更新的需求，轉換成可執行、可驗證、可修改的系統。

本文以「慣老闆測試」（Demanding-Boss Test, DBT）作為工程隱喻。其測試並不是要求 AI 無限服從，而是模擬真實使用者常見的需求型態：

「我要 NPC 更像活人。」
「我要像 Paradox 那樣有世界感，但不要那麼多表格。」
「我要敵人聰明，但不要讓玩家覺得它作弊。」
「我要自動戰鬥，但玩家仍要覺得自己有決策權。」
「不是這個感覺，再改。」

這些輸入不是完整 specification，而是：

\boxed{ \text{Underspecified Intent} }

因此本文提出「意圖重建層級」：

\boxed{ \mathcal I = ( I_S, I_T, I_L, I_V, I_C ) }

其中：

$I_S$ ：Stated Intent，使用者直接說出的要求；
$I_T$ ：Task Intent，實際要完成的工作；
$I_L$ ：Latent Design Hypotheses，未明示但可由上下文推測的候選需求；
$I_V$ ：Value / Style Preferences，風格、取捨與主觀價值；
$I_C$ ：Constraints，成本、平台、時間、權利、性能與安全限制。

AI 不應把：

I_L

當成確定真相，而應維持：

\boxed{ P(I\mid E_t) }

並透過新證據 $E_{t+1}$ 更新。

本文將 Cooperative Inverse Reinforcement Learning、Inverse Reward Design、Preference-Based Reinforcement Learning 與 mixed-initiative co-creation 視為重要先例。CIRL 將人類的 reward function 視為 AI 未知、需在合作中推斷的對象；Inverse Reward Design 指出設計者給出的 reward 本身可能只是特定訓練環境下對真實目標的不完整 proxy；preference-based RL 使用人類對行為軌跡的偏好來學習 reward；遊戲共創研究則已直接研究 designer modeling、自然語言設計、使用者意圖傳達與 AI initiative。

本文在此基礎上提出更廣的「Intent-to-Executable」閉環：

\boxed{ \text{Human Expression} \rightarrow \text{Intent Hypotheses} \rightarrow \text{Functional Specification} \rightarrow \text{Architecture} \rightarrow \text{Executable Candidate} \rightarrow \text{Human / Machine Evaluation} \rightarrow \text{Intent Update} }

並進一步將人類修正資料視為高價值 supervision：

\boxed{ \text{Intent} \rightarrow \text{Candidate} \rightarrow \text{Rejection / Preference} \rightarrow \text{Revision} }

這類「意圖—設計軌跡」比最終成品本身包含更多關於「為什麼選這個而不是那個」的資訊。

本文最後將 Game Intelligence Archaeology 抽象為更廣泛的「可執行世界考古」（Executable World Archaeology, EWA）：凡是具有狀態、行動、轉移、規則、目標、歷史與驗收器的系統，都可以被系統性解構、重建、生成與驗證。遊戲只是其中第一個極為適合的母體。軟體、科研流程、工程設計、商業工作流與具身任務，都可進一步成為深層解構對象。

本系列最終因此形成一條完整鏈：

\boxed{ \text{Data} \rightarrow \text{Asset} \rightarrow \text{Executable Evidence} \rightarrow \text{Deconstruction} \rightarrow \text{Reconstruction} \rightarrow \text{Novel Generation} \rightarrow \text{Intent Reconstruction} \rightarrow \text{Creation} }

真正的終點不是 AI「知道很多」，而是：

\boxed{ \text{Can the AI turn incomplete human intent into a working, revisable, validated artifact?} }

關鍵詞： Intent Reconstruction、Preference Learning、CIRL、Inverse Reward Design、Mixed-Initiative Co-Creation、Designer Modeling、Executable World Archaeology、Generative Design、Human-AI Collaboration

1. 最現實的驗收：所以你到底能做什麼？

前九篇可以讓 AI：

收集資料；
解構；
分類；
正規化；
找不變量；
重建；
生成新架構；
做 novelty search。

但人類最後很可能只問一句：

所以你到底能幫我做什麼？

這就是本文的起點。

2. Knowledge 不是最終商品

令：

K = \text{Knowledge}.

AI 擁有：

K\gg0

並不代表：

\boxed{ \text{User Goal Achieved}. }

真正產品價值來自：

\boxed{ K \rightarrow A }

其中：

A = \text{Action / Artifact}.

3. 人類通常不會提供完整 specification

現實使用者很少說：

Use utility arbitration with three weighted needs,
event-driven interrupts,
a 500ms decision tick,
a shared blackboard,
and an offscreen aggregate simulator.

他更可能說：

NPC 要像活人一點。

這是一個：

\boxed{ \text{Underspecified Request}. }

4. 「像活人」不是可直接編譯的規格

它可能表示：

有記憶；
有日程；
有需求；
有偏好；
會改主意；
會犯錯；
會建立關係；
不會永遠等待玩家；
行為具有可理解原因。

因此：

\boxed{ \text{Natural-Language Desire} \neq \text{Executable Specification}. }

5. 意圖重建不是讀心

本文禁止：

\boxed{ \text{Model Guess} = \text{User's True Mind}. }

AI 只能從證據建立候選。

令：

\mathcal H_I = \{I_1,\ldots,I_n\}

為意圖假說集合。

6. 意圖後驗

根據證據：

E_t

更新：

\boxed{ P(I_i\mid E_t). }

新回饋：

E_{t+1}

使：

P(I_i\mid E_{t+1})

重新分布。

7. 第一層：Stated Intent

I_S.

即使用者直接說的：

我要 NPC 更聰明。

這是最可靠、但通常最不完整的一層。

8. 第二層：Task Intent

I_T.

例如：

NPC 更聰明。

其 task intent 可能是：

讓玩家在戰鬥中感到敵人會根據局勢反應。

這比「聰明」更接近可驗收任務。

9. 第三層：Latent Design Hypotheses

I_L.

可能包含：

玩家應該能讀懂敵人反應；
AI 不應使用玩家不可取得的資訊；
戰鬥要有 counterplay；
難度不應只靠數值作弊。

但這些都只是：

\boxed{ \text{Hypotheses}. }

10. 第四層：Value / Style

I_V.

例如：

戲劇性；
可預測性；
混沌；
真實感；
效率；
美感；
玩家掌控感。

這些維度通常沒有單一 objective。

11. 第五層：Constraints

I_C.

包括：

CPU；
memory；
平台；
團隊大小；
開發時間；
權利；
安全；
可維護性。

一個「理想設計」如果超出：

I_C

就不是有效答案。

12. 意圖五元組

因此：

\boxed{ I = ( I_S, I_T, I_L, I_V, I_C ). }

生成系統應針對不同層採取不同信心水平。

13. CIRL 的重要啟示

Cooperative Inverse Reinforcement Learning 將：

R_H

視為人類 reward。

AI 不知道：

R_H.

人類與 AI 共同作用於環境，

AI 必須從：

human action；
interaction；
state；

推斷人類 objective。

14. 這與慣老闆場景高度相似

老闆說：

再改。

這本身就是：

\boxed{ \text{Preference Evidence}. }

而不是：

\boxed{ \text{Complete Reward Function}. }

15. Inverse Reward Design 的核心提醒

Inverse Reward Design 指出：

設計者明示的 reward function 可能只是特定 training environment 下對真正意圖的不完整代理。

例如使用者說：

敵人越強越好。

如果直接最大化：

EnemyPower,

AI 可能生成：

一擊秒殺玩家。

顯然：

\boxed{ \text{Literal Objective} \neq \text{True Design Intent}. }

16. Goodhart 問題在設計中極常見

若 metric：

M

只是目標：

G

的 proxy，

當 AI 強力最佳化：

M,

可能得到：

\boxed{ M\uparrow \quad\land\quad G\downarrow. }

17. 「敵人聰明」的 proxy 失敗

錯誤 proxy：

M=\text{Win Rate Against Player}.

最大化後：

M\rightarrow1.

但遊戲：

Fun\rightarrow0.

所以真正需要的是多維 design intent。

18. Preference-Based RL 的意義

Preference-based RL 不要求人類直接寫：

R(s,a).

而讓人類比較：

\tau_A \succ \tau_B.

AI 再學：

\hat R.

這非常接近設計迭代。

19. 「這個比較接近」是高價值資料

人類說：

A 比 B 好。

這提供：

\boxed{ I(A>B). }

而不是只提供最後：

A.

20. Rejection 也是 supervision

若：

這個不要。

可以形成：

\boxed{ \text{Negative Preference Data}. }

其資訊量可能很高。

21. Designer Modeling 已存在很久

遊戲 AI 研究早已提出 designer modeling：

從設計者與 creation tool 的互動中學習設計者的偏好、目標與流程。

這與本文的：

\boxed{ I_V }

高度一致。

22. Mixed-Initiative Co-Creation

Mixed-initiative 系統不是：

\text{Human Prompt} \rightarrow \text{AI Output}.

而是：

\boxed{ \text{Human} \leftrightarrow \text{AI} }

雙向調整。

23. CADI：直接把 designer intent 當問題

CADI 的研究明確指出：

mixed-initiative PCG 存在捕捉 designer intent 的困難。

因此使用自然語言介面探索 Pong variations。

這顯示：

\boxed{ \text{Intent Communication} }

本身就是設計工具問題。

24. Creative Wand：溝通不是附屬功能

Creative Wand 指出 co-creative system 的關鍵是：

人類如何把 ideas / intent 傳給 AI，AI 又如何反向溝通。

所以：

\boxed{ \text{Communication Loop} }

不是 UI 裝飾。

25. AI initiative 也不能無限提高

混合主動研究顯示：

AI 更主動不必然讓人更滿意。

若 AI：

太常改；
搶控制權；
打斷創作；

人類會 frustrated。

所以：

\boxed{ \text{AI Agency} \neq \text{User Value}. }

26. Control Preference

意圖模型還應包含：

I_{\mathrm{control}}.

即：

使用者希望 AI 主動到什麼程度？

27. 有人要 Copilot，有人要 Autopilot

同一任務：

T

不同使用者可能希望：

User A

\text{AI Suggests Only}.

User B

\text{AI Executes and Reports}.

所以：

\boxed{ \text{Same Goal} \neq \text{Same Collaboration Style}. }

28. 慣老闆測試的真正形式

DBT 不是：

AI 必須猜對所有隱藏需求。

而是：

\boxed{ \text{Can AI converge toward acceptable intent with minimal human burden?} }

29. Intent Convergence

令：

\hat I_t

為 AI 在時間 $t$ 的意圖模型。

人類理想目標：

I^\*.

我們觀察：

d_I(\hat I_t,I^\*)

是否隨互動下降。

30. 但 $I^\*$ 也可能變動

人類不是固定 reward function。

設計過程中：

I^\*_t

可能改變。

所以：

\boxed{ \text{Intent Reconstruction} }

是 dynamic tracking，而不是一次 inference。

31. 使用者可能自己也不知道

設計者可能只有：

感覺不對。

直到看到：

Candidate_A

與：

Candidate_B

才發現：

原來我要的是 B 的節奏。

因此：

\boxed{ \text{Preference Can Be Elicited by Generation}. }

32. Generation 是 Query

AI 生成候選：

x

不只是交作業。

它也可以是：

\boxed{ \text{Question to the human}. }

33. Active Intent Elicitation

選擇候選：

x^\*

使：

\boxed{ \text{Expected Information Gain about }I }

最大。

即：

x^\* = \arg\max_x \mathbb E[ \Delta H(I\mid feedback(x)) ].

34. 不要每次都用文字問

最笨的方法：

你喜歡什麼？

使用者可能答不出來。

更好的方法：

A 還是 B？

35. Pairwise Preference

x_A \succ x_B.

可以逐步重建：

I_V.

36. Contrastive Candidate

最有資訊量的兩個候選應該：

只差一兩個關鍵維度；
能區分兩個意圖假說。

例如：

A

NPC 高效率、少犯錯。

B

NPC 偶爾低效率，但個性更強。

使用者選擇提供：

\boxed{ \text{Efficiency vs Personality Preference}. }

37. CLARIFY 類方法的啟示

2025 年 preference learning 已直接研究：

如何利用 contrastive preference 解開 ambiguous query。

這支持一個重要思想：

\boxed{ \text{Ambiguity} }

不一定要靠一次澄清問題消除。

可以透過：

\boxed{ \text{Contrastive Interaction}. }

逐步拆開。

38. Intent Reconstruction Pipeline

本文提出：

\boxed{ E_t \rightarrow \mathcal H_I \rightarrow Q_t \rightarrow x_t \rightarrow Feedback_t \rightarrow E_{t+1}. }

其中：

$\mathcal H_I$ ：intent hypotheses；
$Q_t$ ：next informative question；
$x_t$ ：candidate artifact。

39. Question 與 Artifact 都是 probes

可以問：

你比較想要哪種？

也可以直接生成：

A,B.

讓人選。

因此：

\boxed{ \text{Probe} = \text{Question} \cup \text{Candidate}. }

40. 人類負擔也是成本

若每個細節都問：

要 0.43 還是 0.47？

人類會煩死。

因此：

\boxed{ C_H = \text{Human Interaction Cost}. }

41. 慣老闆真正想少做事

DBT 的精神是：

人類只想講結果，不想自己把所有工程參數填完。

所以 AI 應最大化：

\boxed{ \frac{ \text{Intent Information Gain} }{ \text{Human Effort} }. }

42. Default Inference

對低風險／可逆參數，

AI 可以使用：

\boxed{ \text{Domain Prior}. }

例如：

普通單機遊戲的 NPC tick 不需要每幀全量更新。

先採合理 default，

之後再觀察回饋。

43. 高影響決策不應偷偷猜

若改變：

核心玩法；
資料刪除；
權利；
高成本開發方向；

則：

\boxed{ \text{Ask / Escalate}. }

所以：

\boxed{ \text{Autonomy} \propto \frac{ \text{Reversibility} }{ \text{Impact} }. }

這只是一個工程直覺，不是法律／安全通則。

44. Intent Compiler

意圖重建後需要：

\boxed{ \mathcal C_I: I \rightarrow Spec. }

將模糊需求編譯成可執行 specification。

45. Functional Specification

例如：

世界不要等玩家。

可展開為：

offscreen entities continue to evolve
factions change without player presence
time advances independently
events can resolve without player observation
returning player receives historical consequences

46. Style Specification

同一句需求可能包含：

change should be legible
world should not feel random
important events need discoverable traces
player agency should remain meaningful

這些就是：

\boxed{ I_V. }

47. Constraint Specification

例如：

1000 NPC
single-player
consumer CPU
save file < 100 MB
no cloud requirement

這些決定 architecture。

48. Specification 不應是一次 commit

因為：

I_t

持續更新。

所以：

\boxed{ \mathrm{Spec}_t }

也是 versioned object。

49. Intent Versioning

Intent v0.1
→ Candidate
→ Feedback
→ Intent v0.2
→ Candidate
→ Feedback
→ Intent v0.3

這本身是一條重要資料。

50. Intent–Design Trajectory

定義：

\boxed{ \tau_I = ( I_0, x_0, f_0, I_1, x_1, f_1, \ldots ). }

其中：

$I_t$ ：intent model；
$x_t$ ：candidate；
$f_t$ ：feedback。

51. 這種資料可能比 final artifact 更值錢

final artifact：

x_T

只告訴 AI：

最後接受了這個。

而：

\tau_I

告訴 AI：

為什麼 A 被拒絕、B 被修正、C 才接近。

52. Design Preference Dataset

未來可以保存：

request:
candidate_a:
candidate_b:
preference:
reason:
context:
revision:
accepted:

這會直接訓練：

\boxed{ \text{Intent Reconstruction}. }

53. 「理由」不是必要但很有價值

人類如果只選：

A>B,

已經有資料。

若再說：

B 太有效率，像機器。

就得到：

\boxed{ \text{Preference Explanation}. }

可改善 functional typing。

54. Human Feedback 也會有 noise

人類可能：

今天選 A；
明天選 B；
情境不同；
看累了；
表達不準。

所以：

\boxed{ \text{Feedback} \neq \text{Perfect Ground Truth}. }

55. Preference Uncertainty

應維持：

P(I_V).

而不是每次 feedback 後直接硬改。

56. Preference Drift

若：

P_t(I_V)

與：

P_{t+100}(I_V)

不同，

可能是：

真正改變；
context change；
noise。

需要 temporal model。

57. 風格不是單一座標

本文將 style 暫寫為：

\boxed{ \mathbf S = ( s_1,\ldots,s_k ). }

例如：

realism；
drama；
unpredictability；
efficiency；
readability；
autonomy；
difficulty；
elegance。

58. Value–Style Space

第 09 篇建立：

\mathcal E = \text{Executable Novel Design Space}.

本篇加入：

\boxed{ \mathcal V = \text{Value–Style Space}. }

59. 候選映射

每個：

x\in\mathcal E

映射：

\phi_V(x) \in \mathcal V.

使用者真正選的是：

\boxed{ \text{Region in }\mathcal V. }

而不一定是特定演算法。

60. 「像 RimWorld」其實可能是區域查詢

使用者說：

我要像 RimWorld。

不能直接：

Copy(RimWorld).

而應推：

\boxed{ \phi_V(RimWorld) }

可能代表：

persistent consequence；
pawn autonomy；
job economy；
resource pressure；
event director；
emergent narrative。

61. Functional Style Transfer

因此：

\boxed{ \text{Reference Game} \rightarrow \text{Functional / Value Coordinates} \rightarrow \text{New Original System}. }

這比表面 imitation 高一層。

62. Style Transfer 也必須允許排除項

使用者可能說：

像 P 社，但不要表格地獄。

因此：

\boxed{ I = \text{Positive Features} - \text{Rejected Features}. }

63. Negative Style Constraint

定義：

S^{-}.

例如：

不要 micromanagement；
不要 grind；
不要 AI cheat；
不要 hyper-realistic UI。

這些 constraint 很重要。

64. 「更聰明」不等於最優策略

這一點值得再次釘死：

\boxed{ \text{Optimal Agent} \not\equiv \text{Good Game Agent}. }

65. 玩家需要可理解漏洞

好的敵人可能：

會 flank；
會 retreat；
會 coordinate；

但仍需要：

reaction delay；
readable cue；
limited perception；
recoverable mistake。

這些是：

\boxed{ \text{Designed Imperfection}. }

66. Human-Compatible Intelligence

因此遊戲 AI 可以追求：

\boxed{ \text{Believable} + \text{Legible} + \text{Counterable} }

而不是：

\boxed{ \text{Maximally Optimal}. }

67. 慣老闆測試 Level 0：Literal

輸入：

做一個敵人。

AI 做敵人。

這只測：

\boxed{ \text{Instruction Following}. }

68. Level 1：Functional

輸入：

敵人要會找掩體。

AI 建立：

cover query；
path；
reservation；
attack transition。

這測：

\boxed{ \text{Functional Compilation}. }

69. Level 2：Underspecified Intent

輸入：

敵人要聰明但不要作弊。

AI 必須推導：

perception limits；
reaction time；
memory；
fair information；
tactical behavior。

這測：

\boxed{ \text{Intent Reconstruction}. }

70. Level 3：Style / Value

輸入：

聰明，但我要像動作電影，不要軍事模擬。

AI 必須調整：

aggression；
staging；
predictability；
pacing；
spectacle。

71. Level 4：Contradictory Demand

輸入：

要完全自由，但劇情不能失控。

這包含：

\boxed{ \text{Constraint Tension}. }

AI 需要提出：

layered freedom；
protected invariants；
soft rails；
recovery architecture。

72. Level 5：Changing Intent

人類：

做 A。

看到後：

算了，我其實比較想要 B。

AI 要：

保存歷史；
更新 intent；
避免把舊偏好當永恆真理。

73. Level 6：Novel Intent

使用者提出一個：

I^\*

沒有直接對應已知遊戲。

AI 需要：

\boxed{ K + ENDS + I^\* \rightarrow x^\*. }

這是系列真正的終極驗收。

74. DBT 七級

因此：

\boxed{ D_0<D_1<\cdots<D_6. }

分別：

\boxed{ \begin{aligned} D_0 &: \text{Literal Following}\\ D_1 &: \text{Functional Compilation}\\ D_2 &: \text{Intent Reconstruction}\\ D_3 &: \text{Value / Style Alignment}\\ D_4 &: \text{Constraint Reconciliation}\\ D_5 &: \text{Intent Tracking}\\ D_6 &: \text{Novel Intent Realization} \end{aligned} }

75. 最後不能只測「使用者滿意」

滿意度重要，

但：

\boxed{ \text{Satisfaction} }

可能受：

UI；
速度；
期待；
品牌；

影響。

還要測：

task success；
revision count；
time-to-acceptance；
hidden requirement recovery；
robustness。

76. Time-to-Acceptance

定義：

\boxed{ T_A = \text{time / iterations until accepted artifact}. }

較好的 intent system：

T_A\downarrow.

77. Human Effort

H_E = \text{human correction burden}.

如果 AI 最後做對，

但人類先寫了：

200

頁 specification，

那 intent reconstruction 價值有限。

78. Intent Efficiency

可以定義：

\boxed{ \eta_I = \frac{ \text{Accepted Design Quality} }{ H_E+T_A }. }

不是普遍科學指標，

但可作內部 benchmark。

79. Rejection Efficiency

如果 AI 第一版錯，

但第二版快速利用 feedback 改好，

仍是優秀系統。

所以測：

\boxed{ \Delta\text{Quality} / \text{Feedback Unit}. }

80. 可執行驗證仍然不能丟

即使使用者喜歡：

x,

仍須：

compile；
test；
resource；
invariant；
save/load；
security。

所以：

\boxed{ \text{Human Preference} \neq \text{Engineering Validity}. }

81. 最終候選必須雙重通過

\boxed{ x \in \mathcal A_{\mathrm{engineering}} \cap \mathcal A_{\mathrm{human}}. }

82. Engineering Acceptance

檢查：

works；
safe；
stable；
maintainable；
performant。

83. Human Acceptance

檢查：

wanted；
legible；
valuable；
stylistically acceptable。

84. 兩者衝突時不能假裝有單一答案

例如：

更真實但更難玩；
更高效但更無聊；
更自由但更難敘事。

此時是：

\boxed{ \text{Pareto Tradeoff}. }

85. AI 的角色是展示 tradeoff

不是偷偷替人決定：

x^\*.

而是提供：

\boxed{ \{x_1,x_2,\ldots,x_k\} }

位於不同 Pareto regions。

86. 慣老闆可以只選

人類：

第二個。

這就提供：

\boxed{ \text{High-Density Preference Signal}. }

87. 從遊戲到可執行世界考古

到這裡，

Game Intelligence Archaeology 已經可以抽象。

令：

X

為任意可執行系統。

88. 可執行世界八元組

定義：

\boxed{ \mathfrak W = ( S, O, A, T, R, G, H, E ) }

其中：

$S$ ：state；
$O$ ：observation；
$A$ ：action；
$T$ ：transition；
$R$ ：rules；
$G$ ：goal；
$H$ ：history；
$E$ ：evaluation。

89. 只要能建立這八層，就可以考古

例如：

Software

state；
command；
API；
runtime；
tests。

Scientific Workflow

hypothesis；
experiment；
data；
inference；
replication。

Engineering

constraints；
design；
simulation；
failure；
revision。

Business Workflow

state；
authorization；
transaction；
exception；
outcome。

90. Executable World Archaeology

本文提出：

Executable World Archaeology, EWA

其目的不是：

把全世界都逆向工程。

而是：

\boxed{ \text{Recover reusable process structure from implemented systems}. }

91. EWA 的標準流程

\boxed{ \text{Observe} \rightarrow \text{Deconstruct} \rightarrow \text{Type} \rightarrow \text{Normalize} \rightarrow \text{Infer} \rightarrow \text{Reconstruct} \rightarrow \text{Validate} \rightarrow \text{Generate}. }

92. Intent Layer 是 EWA 與純考古的差別

傳統考古問：

以前的人做了什麼？

EWA 再問：

為什麼這樣做？

以及：

如果今天有新目標，怎麼重新做？

因此：

\boxed{ \text{Archaeology} + \text{Intent} = \text{Generative Reconstruction}. }

93. 人類文明留下的不只是資料

我們留下：

buildings；
software；
games；
workflows；
institutions；
experiments；
machines。

這些都是：

\boxed{ \text{Implemented Decisions}. }

94. 解構真正學的是「選擇空間」

最終 AI 不只學：

做了 A。

而是：

在 A、B、C 中為什麼選 A？

以及：

新情況 D 應怎麼選？

這才接近：

\boxed{ \text{Design Intelligence}. }

95. 系列總模型：KURC

可以將整個系列濃縮為：

\boxed{ K \rightarrow U \rightarrow R \rightarrow C }

其中：

$K$ ：Knowledge；
$U$ ：Operational Understanding；
$R$ ：Reconstruction；
$C$ ：Creation。

96. Knowledge

回答：

已知什麼？

97. Understanding

回答：

怎麼運作？

哪些不能動？

哪些可以換？

98. Reconstruction

回答：

能不能重新做出來？

99. Creation

回答：

能不能依新意圖做出以前不存在的有效版本？

100. 慣老闆測試真正測的是 C

人類最後不是問：

你背了多少資料？

而是：

\boxed{ \text{Can you make what I actually need?} }

101. 命題一：Prompt–Intent 非同一命題

\boxed{ \text{Prompt} \not\equiv \text{Intent}. }

Prompt 是 evidence，不是完整心理真相。

102. 命題二：意圖假說命題

對未明示需求，AI 應維持：

\boxed{ P(I\mid E) }

而不是將單一推測視為 certainty。

103. 命題三：Generation-as-Probe 命題

候選生成不只是 output。

它可以作為：

\boxed{ \text{Intent Probe}. }

A/B candidates 可以有效揭露使用者偏好。

104. 命題四：Preference Trajectory Asset 命題

\boxed{ \text{Intent} \rightarrow \text{Candidate} \rightarrow \text{Feedback} \rightarrow \text{Revision} }

形成的軌跡資料，可能比 final artifact 提供更高密度的設計 supervision。

105. 命題五：Optimal–Desirable 非同一命題

\boxed{ \text{Optimal} \not\equiv \text{Desirable}. }

特別在遊戲、創意與人機交互領域，人類價值與風格必須獨立於單一性能 objective。

106. 命題六：Dynamic Intent 命題

\boxed{ I^\*=I^\*(t). }

使用者偏好與需求可以隨互動演化，因此 intent model 必須可版本化與更新。

107. 命題七：Dual Acceptance 命題

最終 artifact 應同時滿足：

\boxed{ \mathcal A_{\mathrm{engineering}} }

與：

\boxed{ \mathcal A_{\mathrm{human}}. }

108. 命題八：Executable World Archaeology 命題

凡是具有：

(S,O,A,T,R,G,H,E)

且具有足夠合法／技術可觀測性的系統，都可能成為深層解構、重建與生成研究的候選域。

109. 命題九：Deep Learning 之後的 Process Learning 命題

當大量 content 已可被模型吸收，

下一個重要資料層可能逐漸轉向：

\boxed{ \text{Process} + \text{Choice} + \text{Failure} + \text{Revision}. }

110. 命題十：真正的 AI 生產能力命題

真正高階的生產型 AI 應逐步具備：

\boxed{ \text{Understand Requirements} + \text{Infer Missing Structure} + \text{Generate} + \text{Verify} + \text{Revise}. }

111. 十篇系列回顧

第 01 篇：

\boxed{ \text{Data} \neq \text{Data Asset}. }

112. 第 02 篇

\boxed{ \text{Quality} \rightarrow \text{Threshold}, \qquad \text{Novelty} \rightarrow \text{Scarcity}. }

113. 第 03 篇

\boxed{ \text{Game} = \text{Content} + \text{Executable Causal Structure}. }

114. 第 04 篇

\boxed{ \text{AI-famous Games} \subset \text{Game Population}. }

115. 第 05 篇

\boxed{ \text{Research} = \text{Information Gain under Cost}. }

116. 第 06 篇

\boxed{ \text{Primitive} \neq \text{Production Composition}. }

117. 第 07 篇

\boxed{ \text{Exposure} \neq \text{Deep Deconstruction}. }

118. 第 08 篇

\boxed{ \text{Understanding Claim} \rightarrow \text{Reconstruction Test}. }

119. 第 09 篇

\boxed{ \text{Synthetic} \neq \text{Novel}, \qquad \text{Novel} \neq \text{Valuable}. }

120. 第 10 篇

\boxed{ \text{Intent} \rightarrow \text{Validated Creation}. }

121. 系列總結式

因此整套方法可以濃縮為：

\boxed{ \text{Observe} \rightarrow \text{Structure} \rightarrow \text{Understand} \rightarrow \text{Rebuild} \rightarrow \text{Explore} \rightarrow \text{Align} \rightarrow \text{Create}. }

122. 最終結論

人類作為「慣老闆」的現實要求，其實非常簡單：

我不想知道你看過多少資料。
我也不想替你把所有規格寫完。
我甚至可能一開始不知道自己真正想要什麼。
我會看你的結果，告訴你哪裡不對。
最後，你要把我要的東西做出來。

這種要求聽起來苛刻，

但它其實非常接近人類所有高階工具最後的價值判準。

因此 AI 的成熟路徑不是：

\boxed{ \text{More Knowledge} }

單向增加。

而是：

\boxed{ \text{Knowledge} \rightarrow \text{Operational Understanding} \rightarrow \text{Reconstruction} \rightarrow \text{Creation} \rightarrow \text{Human Revision} \rightarrow \text{Better Intent Model}. }

當這個閉環成熟後，

「資料」不再只是模型訓練前的一堆內容。

「解構」不再只是逆向分析。

「生成」也不再只是一次 prompt 的輸出。

三者共同形成：

\boxed{ \text{A continuously learning design system}. }

而遊戲只是這條路上特別適合的第一個大型人工世界。

它有：

狀態；
規則；
行動；
失敗；
重置；
歷史；
玩家偏好；
工程約束。

所以我們可以先從遊戲學會：

怎麼解構一個世界。

再從人類回饋學會：

為什麼某種世界值得存在。

最後才真正進入：

\boxed{ \text{How to build a new world from an incomplete human intention}. }

這就是《可執行資料與深層解構學習》系列的終點。

也是下一個研究階段的起點。

參考資料

Hadfield-Menell, D., Russell, S. J., Abbeel, P., & Dragan, A. (2016). Cooperative Inverse Reinforcement Learning. Advances in Neural Information Processing Systems 29.
https://proceedings.neurips.cc/paper/2016/hash/c3395dd46c34fa7fd8d729d8cf88b7a8-Abstract.html
Hadfield-Menell, D., Milli, S., Abbeel, P., Russell, S., & Dragan, A. (2017). Inverse Reward Design. Advances in Neural Information Processing Systems 30.
https://proceedings.neurips.cc/paper/2017/hash/32fdab6559cdfa4f167f8c31b9199643-Abstract.html
Chen, X., Zhong, H., Yang, Z., Wang, Z., & Wang, L. (2022). Human-in-the-loop: Provably Efficient Preference-based Reinforcement Learning with General Function Approximation. ICML 2022, PMLR 162:3773–3793.
https://proceedings.mlr.press/v162/chen22ag.html
Hejna III, D. J., & Sadigh, D. (2023). Few-Shot Preference Learning for Human-in-the-Loop RL. CoRL 2022 / PMLR 205:2014–2025.
https://proceedings.mlr.press/v205/iii23a.html
Cheng, J. et al. (2024). RIME: Robust Preference-based Reinforcement Learning with Noisy Preferences. ICML 2024, PMLR 235:8229–8247.
https://proceedings.mlr.press/v235/cheng24k.html
Mu, N. et al. (2025). CLARIFY: Contrastive Preference Reinforcement Learning for Untangling Ambiguous Queries. ICML 2025, PMLR 267:45050–45068.
https://proceedings.mlr.press/v267/mu25a.html
Liapis, A., Yannakakis, G. N., & Togelius, J. (2013). Designer Modeling for Personalized Game Content Creation Tools. AAAI AIIDE Workshop on Artificial Intelligence and Game Aesthetics.
https://ojs.aaai.org/index.php/AIIDE/article/view/12587
Mobramaein, A., Behrooz, M., & Whitehead, J. (2018). CADI — A Conversational Assistive Design Interface for Discovering Pong Variants. AIIDE 2018.
https://ojs.aaai.org/index.php/AIIDE/article/view/13042
Lin, Z., Agarwal, R., & Riedl, M. (2022). Creative Wand: A System to Study Effects of Communications in Co-creative Settings. AIIDE 2022.
https://ojs.aaai.org/index.php/AIIDE/article/view/21946
Larsson, T., Font, J., & Alvarez, A. (2022). Towards AI as a Creative Colleague in Game Level Design. AIIDE 2022.
https://ojs.aaai.org/index.php/AIIDE/article/view/21957
Aliaga, C. et al. (2023). Level Building Sidekick: An AI-Assisted Level Editor Package for Unity. AIIDE 2023.
https://ojs.aaai.org/index.php/AIIDE/article/view/27535
Guzdial, M., Sturtevant, N., & Yang, C. (2021). The Impact of Visualizing Design Gradients for Human Designers. AIIDE 2021.
https://ojs.aaai.org/index.php/AIIDE/article/view/18886
Grace, K., & Maher, M. (2014). Towards Computational Co-Creation in Modding Communities. AIIDE Experimental AI in Games Workshop.
https://ojs.aaai.org/index.php/AIIDE/article/view/12750
Farrokhi Maleki, M., & Zhao, R. (2024). Procedural Content Generation in Games: A Survey with Insights on Emerging LLM Integration. AIIDE 2024.
https://ojs.aaai.org/index.php/AIIDE/article/view/31877

系列完成

01｜AI 時代的資料資產：從「賣資料」到授權可計算知識
02｜高品質資料之後：從 Quality Paradigm 到 Novelty Paradigm
03｜遊戲不是內容資料：遊戲作為可執行因果世界
04｜商業遊戲智能考古：從 AI 名作到普通遊戲群
05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度
06｜商業遊戲 AI 的隱藏層：真正稀缺的是組合，而非基礎演算法
07｜餵資料不等於學習：從 Raw Exposure 到深層解構學習
08｜理解的工程驗收：如果真的懂，就重建給我看
09｜合成資料之後：從模仿既有設計到探索新穎可執行設計空間
10｜慣老闆測試：意圖重建、設計生成與可執行世界考古

系列狀態：10 / 10 完成。

10｜慣老闆測試：意圖重建、設計生成與可執行世界考古

10｜慣老闆測試：意圖重建、設計生成與可執行世界考古

The Demanding-Boss Test: Intent Reconstruction, Design Generation, and Executable World Archaeology

摘要

1. 最現實的驗收：所以你到底能做什麼？

2. Knowledge 不是最終商品

3. 人類通常不會提供完整 specification

4. 「像活人」不是可直接編譯的規格

5. 意圖重建不是讀心

6. 意圖後驗

7. 第一層：Stated Intent

8. 第二層：Task Intent

9. 第三層：Latent Design Hypotheses

10. 第四層：Value / Style

11. 第五層：Constraints

12. 意圖五元組

13. CIRL 的重要啟示

14. 這與慣老闆場景高度相似

15. Inverse Reward Design 的核心提醒

16. Goodhart 問題在設計中極常見

17. 「敵人聰明」的 proxy 失敗

18. Preference-Based RL 的意義

19. 「這個比較接近」是高價值資料

20. Rejection 也是 supervision

21. Designer Modeling 已存在很久

22. Mixed-Initiative Co-Creation

23. CADI：直接把 designer intent 當問題

24. Creative Wand：溝通不是附屬功能

25. AI initiative 也不能無限提高

26. Control Preference

27. 有人要 Copilot，有人要 Autopilot

User A

User B

28. 慣老闆測試的真正形式

29. Intent Convergence

30. 但 I\*I^\*I\* 也可能變動

31. 使用者可能自己也不知道

32. Generation 是 Query

33. Active Intent Elicitation

34. 不要每次都用文字問

35. Pairwise Preference

36. Contrastive Candidate

A

B

37. CLARIFY 類方法的啟示

38. Intent Reconstruction Pipeline

39. Question 與 Artifact 都是 probes

40. 人類負擔也是成本

41. 慣老闆真正想少做事

42. Default Inference

43. 高影響決策不應偷偷猜

44. Intent Compiler

45. Functional Specification

46. Style Specification

47. Constraint Specification

48. Specification 不應是一次 commit

49. Intent Versioning

50. Intent–Design Trajectory

51. 這種資料可能比 final artifact 更值錢

52. Design Preference Dataset

53. 「理由」不是必要但很有價值

54. Human Feedback 也會有 noise

55. Preference Uncertainty

56. Preference Drift

57. 風格不是單一座標

58. Value–Style Space

59. 候選映射

60. 「像 RimWorld」其實可能是區域查詢

61. Functional Style Transfer

62. Style Transfer 也必須允許排除項

63. Negative Style Constraint

64. 「更聰明」不等於最優策略

65. 玩家需要可理解漏洞

66. Human-Compatible Intelligence

67. 慣老闆測試 Level 0：Literal

68. Level 1：Functional

69. Level 2：Underspecified Intent

70. Level 3：Style / Value

71. Level 4：Contradictory Demand

72. Level 5：Changing Intent

30. 但 $I^\*$ 也可能變動