Series II / Paper 01

品質不推出成功：作品—市場系統中的基本非等價理論

Quality Does Not Imply Success: A Basic Non-Equivalence Theory for Artifact–Market Systems

作者：Neo.K（許筌崴）
機構：EveMissLab
系列：品質—發現—傳播—成功解耦理論（Series II）
版本：v0.1
日期：2026-08-14

摘要

「好作品終究會成功」是一個常見但過強的直覺。遊戲、書籍、論文、軟體、影片、藝術品與新產品的公共結果，並不只由作品本身的品質決定；它還受到可發現度、受眾匹配、平台推薦、早期曝光、社會影響、價格、競爭、時機、品牌、分發能力與隨機歷史路徑影響。反過來，高人氣或高商業成功也不能直接推出高品質。

本文提出「作品—市場非等價狀態空間」（Artifact–Market Non-Equivalence State Space, AMNESS），將品質 $Q$ 、可見度 $V$ 、可發現度 $D$ 、受眾匹配 $M$ 、轉換率 $C$ 、口碑再生 $W$ 、人氣 $P$ 與成功 $S$ 分離。本文首先證明品質非決定定理：若成功映射

S=F(Q,\mathbf z)

對至少一個非品質狀態變數 $\mathbf z$ 具有非退化依賴，則不存在普遍函數 $g$ 使

S=g(Q)

對所有合法市場狀態成立。因而可以存在相同品質、不同成功結果，也可以存在較低品質作品在某些合法市場狀態下取得高於較高品質作品的成功。

本文再區分四個常被混淆的敘述：

Q\not\Rightarrow P,

Q\not\Rightarrow S,

P\not\Rightarrow Q,

S\not\Rightarrow Q.

其中 $P$ 表示 popularity， $S$ 表示依研究目標定義的商業、採用、引用或文化成功。

既有人工文化市場研究已顯示，社會影響會增加成功分布的不平等與不可預測性；推薦系統研究顯示更熱門項目即使在使用者偏好條件相近時仍可能獲得較高推薦機會；近期 cold-start 研究更直接指出，新項目可能因推薦機制而無法有效找到適合受眾。這些結果共同支持本文的核心方法論：品質、發現與成功必須先拆開，才能研究它們何時耦合。

本文並不否定品質的重要性。相反地，本文提出條件品質效應：在固定或可比較的市場狀態下，品質可以提高轉換、留存、口碑與長期成功概率；但這是一個條件性、分布性命題，不是邏輯蘊含。

關鍵詞： 品質、成功、可發現度、人氣、推薦系統、冷啟動、社會影響、文化市場、作品成功、非等價性

1. 從公共實體轉向作品與產品

Series I 研究的是：

\boxed{ \text{一個人、品牌或公共實體如何存在、被辨識、被認為有名並被外部持續再生}. }

Series II 改變研究主體。

令：

A

表示 artifact。

它可以是：

遊戲；
書籍；
論文；
軟體；
開源專案；
電影；
音樂；
影片；
產品；
理論；
藝術作品。

Series II 的核心問題是：

一個作品「很好」，到底能推出什麼？

最強的民間直覺是：

Q(A)\uparrow \Rightarrow S(A)\uparrow.

更強甚至是：

Q(A)\gg0 \Rightarrow S(A)\gg0.

本文將證明：

\boxed{ \text{這不是普遍邏輯蘊含}. }

2. 品質不是成功

首先定義：

Q(A) \in[0,1].

它表示在預先指定的品質評估函數下，artifact 的內在或使用者體驗品質。

但：

S(A)

表示成功。

成功可以是：

銷售量；
收入；
使用者數；
市占率；
引用量；
adoption；
cultural impact；
retention；
profitability；
awards；
long-term survival。

所以：

\boxed{ Q \neq S. }

這不是經驗發現，而是定義上的分離。

真正需要研究的是：

Q

是否足以決定：

S.

3. Artifact–Market State Space

本文定義：

\mathbf y_A = (Q,V,D,M,C,W,P,S).

其中：

$Q$ ：Quality，品質；
$V$ ：Visibility，介面曝光；
$D$ ：Discoverability，被未知受眾發現的概率；
$M$ ：Audience Match，作品與受眾匹配度；
$C$ ：Conversion，看見後採用／購買的概率；
$W$ ：Word-of-Mouth Reproduction，口碑再生能力；
$P$ ：Popularity，當前人氣／注意力；
$S$ ：Success，研究目標下的最終成功。

因此：

\boxed{ \mathcal Y = [0,1]^8 }

是最簡作品—市場狀態空間。

實際研究可再加入：

\text{Price}, \text{Timing}, \text{Competition}, \text{Brand}, \text{Platform}, \text{Budget}, \text{Region}.

4. Quality 需要條件化

品質不能總是脫離受眾定義。

更完整地：

Q(A\mid u,d,\tau),

其中：

$u$ ：使用者；
$d$ ：領域／類型；
$\tau$ ：任務或使用目標。

因此同一遊戲可以：

Q(A\mid u_1)\gg Q(A\mid u_2).

一個高度複雜的策略遊戲可能對其目標玩家品質極高，但對不喜歡策略遊戲的使用者完全沒有吸引力。

所以本文區分：

Q_{\mathrm{target}}

與：

Q_{\mathrm{population}}.

5. Audience Match

定義：

M(A,u) \in[0,1]

為 artifact 與使用者 $u$ 的匹配度。

對受眾分布：

u\sim\mathcal U,

定義：

\bar M_A = E_{u\sim\mathcal U} [M(A,u)].

因此高：

Q_{\mathrm{target}}

完全可以與小：

|\mathcal U_{\mathrm{target}}|

共存。

這就是：

\boxed{ \text{high-quality niche artifact}. }

6. 可見度與可發現度

令：

V(A,p,t)

表示平台 $p$ 在時間 $t$ 對 artifact 的實際曝光程度。

令：

D(A,p,t)

表示一個尚不知道 artifact 的潛在匹配使用者，在沒有精確搜尋名稱的前提下遇見它的概率。

因此：

\boxed{ \text{Searchable} \neq \text{Discoverable}. }

一個作品可以在商店中永久存在、精確搜尋即可找到，但：

D\approx0.

7. Conversion

令：

C(A\mid \text{exposure})

表示使用者在看到 artifact 後進一步：

購買；
下載；
閱讀；
點擊；
試玩；
引用；
採用

的概率。

品質通常可能影響：

C,

但不是唯一因素。

例如：

C = f (Q, M, \text{price}, \text{trust}, \text{presentation}, \text{reviews}).

因此：

Q\uparrow

不保證：

C\uparrow

在所有觀察條件下成立。

8. Word-of-Mouth Reproduction

令：

W(A)

表示一次採用後，平均能產生多少新的有效採用機會。

其概念與 Series I 的：

\mathcal R_{\mathrm{ext}}

相鄰，但研究對象不同。

Series I：

\text{public discussion reproduction}.

Series II：

\text{artifact adoption / recommendation reproduction}.

一個 artifact 可以品質高，但：

W\ll1.

例如：

很好用但不值得談；
好玩但不適合直播；
高品質但沒有社交傳播性；
專業價值高但受眾極少。

9. Popularity

定義：

P(A,t)

表示 artifact 在時間 $t$ 的公共注意力或採用規模。

可由：

views；
downloads；
players；
buyers；
citations；
mentions；
followers

估計。

重要的是：

\boxed{ P \neq Q. }

人氣是一個群體結果。

品質是 artifact 與評估條件的函數。

10. Success

成功是研究目的依賴的。

定義：

S_\Gamma(A,t),

其中：

\Gamma

是 success criterion。

例如：

商業成功

S_{\mathrm{rev}} = \text{revenue}.

採用成功

S_{\mathrm{adopt}} = \text{active users}.

學術成功

S_{\mathrm{cite}} = \text{citations}.

文化成功

S_{\mathrm{culture}} = \text{persistent public influence}.

同一 artifact 可以：

S_{\mathrm{quality}}\gg0

但：

S_{\mathrm{rev}}\ll1.

所以「成功」也不是唯一標量。

11. 品質非決定定理

考慮市場結果映射：

S = F(Q,\mathbf z),

其中：

\mathbf z = (V,D,M,C,W,P,\ldots)

包含非品質狀態。

定理 1：Quality Non-Determinacy Theorem

若存在：

Q^\star

與兩個合法市場狀態：

\mathbf z_1\neq\mathbf z_2

使：

F(Q^\star,\mathbf z_1) \neq F(Q^\star,\mathbf z_2),

則不存在函數：

g

使：

S=g(Q)

對全部合法狀態成立。

證明

假設存在：

S=g(Q).

則對相同品質：

Q^\star

必有：

F(Q^\star,\mathbf z_1) = g(Q^\star) = F(Q^\star,\mathbf z_2),

這與：

F(Q^\star,\mathbf z_1) \neq F(Q^\star,\mathbf z_2)

矛盾。

因此不存在普遍：

S=g(Q).

\boxed{\square}

12. 同品質、不同成功

定理 1 直接允許：

Q_A=Q_B

但：

S_A\neq S_B.

例如：

D_A\gg D_B.

即使兩個產品同品質，一個被推薦給大量適合使用者，另一個幾乎沒有曝光，其成功結果可以完全不同。

13. Quality Rank Reversal

更強地，可以有：

Q_A>Q_B

但：

S_A<S_B.

命題 1：Quality–Success Rank Reversal

若成功函數對某個市場狀態：

z

具有足夠大的變動範圍，則可以選擇兩個合法狀態，使較低品質 artifact 的成功高於較高品質 artifact。

構造

令：

S=QD.

選：

Q_A=0.9, \qquad D_A=0.05,

則：

S_A=0.045.

選：

Q_B=0.6, \qquad D_B=0.8,

則：

S_B=0.48.

因此：

Q_A>Q_B

但：

S_A<S_B.

\boxed{\square}

此例不是聲稱現實成功等於 $QD$ 。

它只是構造性證明：

只要成功仍依賴其他具有足夠動態範圍的變數，品質排序不保證成功排序。

14. 四個基本非蘊含

本文正式提出：

\boxed{ Q\not\Rightarrow P. }

高品質不推出高人氣。

\boxed{ Q\not\Rightarrow S. }

高品質不推出高成功。

\boxed{ P\not\Rightarrow Q. }

高人氣不推出高品質。

\boxed{ S\not\Rightarrow Q. }

高成功不推出高品質。

其中：

\not\Rightarrow

表示「不存在無條件的普遍邏輯蘊含」。

15. Popularity 不推出 Quality

人氣可以受到：

早期曝光；
品牌；
網路效應；
promotion；
platform placement；
influencer；
controversy；
social proof；
price；
timing

影響。

因此可以：

P\gg0

但：

Q

只是普通。

同樣：

P\ll1

也不能推出：

Q\ll1.

16. 成功不推出品質

如果：

S

定義為銷售量，

則：

S

同時受到：

\text{market size}, \text{price}, \text{promotion}, \text{distribution}, \text{brand}, \text{competition}

影響。

所以：

S_A>S_B

不表示：

Q_A>Q_B.

17. 品質的條件效應

否定：

Q\Rightarrow S

不等於否定品質有作用。

本文提出較弱也較合理的：

Conditional Quality Effect

在固定市場狀態：

\mathbf z

下，若：

\frac{\partial F}{\partial Q}>0,

則品質提升會增加成功。

即：

\boxed{ Q\uparrow \Rightarrow E[S\mid\mathbf z]\uparrow }

可以成立。

所以真正主張是：

\boxed{ \text{quality matters conditionally, not deterministically}. }

18. Probability of Success

更一般：

P(S\ge\tau\mid Q,\mathbf z).

若：

\frac{\partial}{\partial Q} P(S\ge\tau\mid Q,\mathbf z) >0,

則品質提高成功概率。

但：

P(S\ge\tau\mid Q)

仍可能因：

\mathbf z

分布高度分散而非常不確定。

19. 社會影響造成成功分歧

人工文化市場實驗顯示：

當參與者能看到別人的選擇時，成功分布變得更不平等，且個別作品最終成功更不可預測。

因此：

\boxed{ \text{artifact characteristics} + \text{social influence history} \rightarrow \text{success}. }

而不是：

\text{artifact characteristics} \rightarrow \text{success}.

這直接支持本文的非決定模型。

20. Early Success Feedback

近期跨領域 success 研究總結指出，早期成功、社會網路、聲譽與累積優勢可形成後續成功的 feedback。

因此可以寫：

P_{t+1} = F (P_t,Q,D,\mathcal N,t).

若：

\frac{\partial P_{t+1}}{\partial P_t}>0,

則存在 success feedback。

因此兩個初始品質相近的 artifact 也可能因：

P_0

微小差異形成長期巨大差距。

21. Recommendation Opportunity

推薦系統會決定：

V

與：

D.

Popularity-opportunity bias 的研究顯示：

即使使用者偏好兩個 item，較熱門的 item 仍更可能被推薦或排名更高。

所以：

\boxed{ \text{relevance parity} \not\Rightarrow \text{exposure parity}. }

這是一個非常直接的品質—發現解耦機制。

22. Popularity Feedback Loop

推薦系統中可以形成：

P_t\uparrow \Rightarrow V_{t+1}\uparrow \Rightarrow P_{t+1}\uparrow.

若新 item：

P_0\approx0,

則：

V_1\approx0

可能造成 cold-start trap。

因此：

\boxed{ \text{unknown quality} }

和：

\boxed{ \text{low quality} }

在被推薦系統低曝光時可能產生相似觀察結果。

23. Cold-Start Obscuration

2025 年 item-centric exploration 工作指出：

在快速增長的大型 item inventory 中，傳統 user-centric recommendation 可能無法為新 item 找到最合適的受眾。

因此：

D

不是由：

Q

自動產生。

一個新 item 可以：

Q_{\mathrm{target}}\gg0

但：

D\ll1.

這是：

\boxed{ \text{quality without audience discovery}. }

24. Audience Discovery Probability

定義：

D_A = P \left( u\in\mathcal U_{\mathrm{target}} \text{ encounters }A \right).

實際有效發現量：

N_{\mathrm{match}} = |\mathcal U_{\mathrm{target}}| D_A.

所以：

|\mathcal U_{\mathrm{target}}|

與：

D_A

同時重要。

25. Niche Quality Ceiling

假設：

|\mathcal U_{\mathrm{target}}| = K.

即使：

Q_{\mathrm{target}}=1

且：

D=1,

最大採用數仍受到：

K

限制。

因此：

\boxed{ \text{perfect niche fit} \not\Rightarrow \text{mass success}. }

這是作品品質與市場規模的基本分離。

26. Conversion Funnel

可以把採用過程寫成：

N_{\mathrm{success}} = N_{\mathrm{addressable}} \times D \times C \times R_t,

其中：

R_t

代表 retention／repeat-use 等後續因素。

此式只是最簡 funnel approximation。

它直接表示：

C\gg0

若：

D\approx0,

仍然：

N_{\mathrm{success}}\approx0.

所以：

\boxed{ \text{high conversion} \text{ cannot compensate for zero discovery}. }

27. Quality 對不同階段作用不同

品質可能影響：

C,

R_t,

W,

但對：

D

的直接控制很弱。

因此：

Q \rightarrow \{ C,R_t,W \}

與：

Q \rightarrow D

應分開研究。

這正是「好東西不一定自然被發現」的形式核心。

28. Promotion 與 Presentation

2025 年對高影響期刊論文的大型研究顯示，摘要中的 promotional language 與更多引用、全文瀏覽、媒體提及與 Altmetric attention 相關。

這不能證明 promotion 造成所有成功。

但它至少再次說明：

\boxed{ \text{communication strategy} }

是與研究內容本身不同、又與外部 impact 關聯的變數。

所以：

Q

與：

\text{presentation/promotion}

不能合併。

29. Attention 與 Quality Proxy

市場常使用：

rating；
review count；
popularity；
citation；
bestseller rank

作為品質 proxy。

但 proxy 可能由：

Q + V + P + \text{selection}

共同產生。

因此：

\boxed{ \text{observed success signal} \neq \text{pure quality signal}. }

30. Success State Quadrants

為直覺化，先看：

(Q,S)

二維。

Quadrant I

Q\gg0, \qquad S\gg0.

高品質、高成功。

Quadrant II

Q\ll1, \qquad S\gg0.

低／普通品質、高成功。

Quadrant III

Q\ll1, \qquad S\ll1.

低品質、低成功。

Quadrant IV

Q\gg0, \qquad S\ll1.

高品質、低成功。

本文最重要的是證明：

\boxed{ \text{四個象限在一般 artifact–market model 中都合法}. }

31. 三維狀態：Quality–Popularity–Success

加入：

P.

則至少有：

2^3=8

種高／低組合。

例如：

高品質、高人氣、低商業成功

Q\uparrow, \quad P\uparrow, \quad S_{\mathrm{rev}}\downarrow.

可能原因：

免費產品；
低 monetization；
高成本；
非營利內容。

高品質、低人氣、高單位收益

Q\uparrow, \quad P\downarrow, \quad S_{\mathrm{profit}}\uparrow.

例如高價 niche 專業工具。

因此「成功」本身也必須指定 metric。

32. 市場成功映射

更完整地：

S = F \left( Q, D, M, C, W, P_0, B, R, T, K, \epsilon \right),

其中：

$B$ ：brand；
$R$ ：resources／distribution；
$T$ ：timing；
$K$ ：competition；
$\epsilon$ ：不可觀測隨機因素。

所以：

\boxed{ S }

是高維 artifact–market interaction 的結果。

33. Path Dependence

若：

P_{t+1} = F(P_t,Q,\mathbf z_t),

則最終：

S_T

依賴整條歷史：

(P_0,P_1,\ldots,P_T).

所以：

S_T

不是只由最終品質決定。

這就是：

\boxed{ \text{success is path-dependent}. }

34. Luck

令：

\epsilon_t

表示不能被模型完全解釋的隨機或不可觀測衝擊：

大型 streamer 偶然玩到；
一篇意外 viral review；
平台首頁；
時事事件；
競品延遲；
演算法更新。

則：

P_{t+1} = F(P_t,Q,\mathbf z_t,\epsilon_t).

因此成功具有：

\boxed{ \text{irreducible uncertainty} }

的可能。

35. 好品質是否完全沒用？

不是。

如果：

D>0,

且：

M>0,

品質可以提高：

C, R_t,W.

例如：

\frac{\partial C}{\partial Q}>0,

\frac{\partial W}{\partial Q}>0.

所以長期：

Q

可以改善 survival probability。

但若：

D=0,

所有後續品質效應都無法被市場觀察。

36. Quality Activation Condition

本文提出：

定義：Quality Activation

若：

D\ge D_0>0

且：

M\ge M_0>0,

則稱品質進入 market-active regime。

只有此時：

Q

才有機會透過：

C,W,R_t

實際影響市場結果。

因此：

\boxed{ \text{quality must be activated by exposure and audience match}. }

37. Dormant Quality

如果：

Q\gg0

但：

D\approx0,

則稱：

\boxed{ \text{Dormant Quality State}. }

品質存在，但沒有足夠 observation channel 讓它影響 adoption。

這是 Series II 後續最重要的狀態之一。

38. Misallocated Quality

如果：

D\gg0

但實際被展示的主要人群具有：

M\ll1,

則：

C\ll1

可能被錯誤解讀為：

Q\ll1.

因此：

\boxed{ \text{poor audience targeting} \rightarrow \text{false low-quality inference}. }

這也是 item-centric exploration 的核心工程動機之一。

39. Popularity as Signal and Cause

Popularity：

P

同時可能是：

Result

Q,D,C,W \rightarrow P.

也是：

Cause

P \rightarrow V,D,\text{social proof}.

因此：

P

是 endogenous state。

這會形成：

\boxed{ \text{success feedback loop}. }

40. Quality–Popularity Feedback

可以建立：

\frac{dP}{dt} = \alpha D + \beta CQ + \gamma WP + \delta R - \mu P.

此式只是 phenomenological model。

若：

\gamma>0,

則 popularity 具有自我增強。

因此品質的效果可能被：

P

的動態放大，也可能被低初始人氣壓住。

41. Threshold Effect

可能存在：

P<P_c

時：

D\approx D_{\mathrm{low}}.

當：

P\ge P_c,

平台推薦突然增加：

D\approx D_{\mathrm{high}}.

且：

D_{\mathrm{high}}\gg D_{\mathrm{low}}.

因此一點早期差異可以跨過推薦閾值，產生巨大 success divergence。

42. Success Is Not Meritocracy by Construction

如果：

S = F(Q,\mathbf z),

且：

\operatorname{Var}(\mathbf z)>0,

則成功系統不是純品質排序器。

即使：

\frac{\partial S}{\partial Q}>0,

仍然可能：

\operatorname{rank}(S) \neq \operatorname{rank}(Q).

因此：

\boxed{ \text{quality-sensitive} \neq \text{quality-determined}. }

43. Empirical Identification Problem

實證上：

Q

很難直接測。

常見 rating：

R_{\mathrm{obs}}

本身受到 selection：

R_{\mathrm{obs}} = f(Q,\mathcal U_{\mathrm{raters}},P,D).

所以：

\text{average rating}

也不是純品質。

高人氣作品可能被更廣泛人群評分；

低人氣作品可能只剩核心受眾評分。

因此品質估計本身就有 selection problem。

44. Review Count

令：

N_R

為 review count。

它通常與：

N_{\mathrm{buyer}}

相關。

可以粗略：

N_R = r N_{\mathrm{buyer}},

其中：

r

是 review propensity。

因此：

\hat N_{\mathrm{buyer}} = \frac{N_R}{r}.

但：

r

不是常數。

它依賴：

platform；
genre；
region；
price；
age；
community engagement。

所以固定：

\text{reviews}\times k

只能當粗略 estimator。

45. Proxy Error

若估計：

\hat S=kN_R,

但真實：

S=\frac{N_R}{r},

則：

\frac{\hat S}{S} = kr.

只有：

k=\frac1r

時無偏。

因：

r

跨作品不同，單一固定乘數不能保證準確。

這將在 Series II 後續處理 popularity proxy。

46. Cross-Domain Applicability

這個框架不只適用遊戲。

論文

Q = \text{research quality},

D = \text{search/citation discoverability},

S = \text{citations / uptake}.

書籍

Q = \text{reader-perceived quality},

D = \text{store / social discovery},

S = \text{sales}.

軟體

Q = \text{utility / reliability},

D = \text{developer discovery},

S = \text{adoption}.

因此本理論研究的是一個普遍 artifact–distribution problem。

47. 與 Series I 的接口

Series I 處理：

\text{Entity Prominence}.

Series II 處理：

\text{Artifact Success}.

但兩者透過 attribution 連接：

A_{\mathrm{artifact}} \rightarrow E_{\mathrm{creator}}.

如果：

R_{\mathrm{artifact}\rightarrow E}

很低，

作品可以成功但創作者仍不知名。

反過來，高知名創作者可以提高新作品：

V_0,D_0,P_0.

所以：

\boxed{ \text{creator fame} \leftrightarrow \text{artifact discovery} }

是一個雙向耦合接口。

48. Quality–Success Non-Equivalence Principle

本文將基本原理寫成：

\boxed{ \text{For an artifact embedded in a nondegenerate social, market, and algorithmic environment, quality is generally neither a sufficient statistic nor a necessary observable proxy for success.} }

更簡潔：

\boxed{ Q \neq D \neq P \neq S. }

49. 可檢驗假說

H1：Quality–Success Residual Variance

控制：

Q

後：

\operatorname{Var}(S\mid Q)>0.

應在多數公共 artifact markets 顯著存在。

H2：Discovery Mediation

D

應中介部分：

Q\rightarrow S

效果。

H3：Cold-Start Suppression

新 artifact 中：

D

低會壓低高品質 artifact 的成功機率。

H4：Popularity Opportunity

控制 relevance／match 後：

P_t

仍能預測：

V_{t+1}.

H5：Quality Activation

高：

Q

對：

C,W,R_t

的正向效果，在：

D>D_0, \quad M>M_0

後更容易被觀察。

50. AMNESS Benchmark

本文提出：

Artifact–Market Non-Equivalence Benchmark（AMNESS）

涵蓋：

獨立遊戲；
商業遊戲；
書籍；
電影；
音樂；
論文；
開源軟體；
行動 App；
數位產品；
創作者內容。

每個 artifact 記錄：

(Q,V,D,M,C,W,P,S).

51. 因果實驗優先

真正驗證品質作用需要：

隨機曝光；
推薦 A/B test；
價格控制；
相同 presentation；
audience matching；
counterfactual exposure estimation。

否則觀察資料容易把：

P

與：

Q

混在一起。

推薦系統文獻的大量 exposure-bias 研究正是因此重要。

52. 理論邊界

本文不主張：

品質不重要；
成功完全是運氣；
高品質一定賣不好；
低品質一定能靠宣傳成功；
所有市場的成功函數相同；
rating 可以直接當品質；
popularity 是純偏差；
promotion 與品質互斥；
社會影響永遠壓過品質；
artifact quality 可以被唯一客觀標量完整描述。

本文只主張：

\boxed{ \text{Quality is not universally sufficient to determine success}. }

53. 結論

本文完成 Series II 的第一個基礎拆分。

最核心結果是：

若：

S = F(Q,\mathbf z)

且存在：

\mathbf z_1,\mathbf z_2

使：

F(Q^\star,\mathbf z_1) \neq F(Q^\star,\mathbf z_2),

則不存在：

S=g(Q)

作為普遍成功函數。

因此：

\boxed{ Q_A=Q_B \not\Rightarrow S_A=S_B. }

更進一步：

\boxed{ Q_A>Q_B \not\Rightarrow S_A>S_B. }

這意味：

\boxed{ \text{Quality} \neq \text{Discoverability} \neq \text{Popularity} \neq \text{Success}. }

但品質仍可以在固定市場條件下，提高：

C, W, R_t

與成功概率。

因此本文最終立場不是：

好東西沒有用。

而是：

\boxed{ \text{Good things still need a route through the information and market system before quality can act.} }

或者：

\boxed{ \text{品質必須先被發現、被送到正確受眾、被實際體驗，才有機會轉化為成功。} }

下一篇將不再只說：

Q\not\Rightarrow S.

而會專門研究那個最容易被忽略的中介層：

\boxed{ \text{Existence} \neq \text{Searchability} \neq \text{Discoverability}. }

參考文獻

[1] Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market. Science, 311(5762), 854–856. DOI: 10.1126/science.1121066.

[2] Horvat, E.-A., Vlasceanu, M., Robertson, C., & Watts, D. J. (2024). Collective Dynamics Behind Success: Regularities, Mechanisms, and Predictive Signals. Nature Communications, 15, Article 10701. DOI: 10.1038/s41467-024-54612-4.

[3] Zhu, Z., He, Y., Zhao, X., Zhang, Y., Wang, J., & Caverlee, J. (2021). Popularity-Opportunity Bias in Collaborative Filtering. Proceedings of WSDM 2021. DOI: 10.1145/3437963.3441820.

[4] Wang, D., Jiao, J., Bhadury, A., Zhang, Y., Gao, M., & Dalal, O. (2025). Item-centric Exploration for Cold Start Problem. Proceedings of the Nineteenth ACM Conference on Recommender Systems, 987–990. DOI: 10.1145/3705328.3748113.

[5] Stavrova, O., Kleinberg, B., Evans, A. M., & Ivanović, M. (2025). Scientific Publications That Use Promotional Language in the Abstract Receive More Citations and Public Attention. Communications Psychology, 3, Article 118. DOI: 10.1038/s44271-025-00293-8.

[6] Kang, D., Danziger, R. S., Rehman, J., et al. (2025). Limited Diffusion of Scientific Knowledge Forecasts Collapse. Nature Human Behaviour, 9, 268–276. DOI: 10.1038/s41562-024-02041-0.

[7] Lorenz-Spreen, P., Mønsted, B. M., Hövel, P., & Lehmann, S. (2019). Accelerating Dynamics of Collective Attention. Nature Communications, 10, 1759. DOI: 10.1038/s41467-019-09311-w.

Series II 位置

Paper 01：品質不推出成功：基本非等價理論
Paper 02：Discoverability：存在、可搜尋與被發現的區別
Paper 03：注意力路由與轉換場
Paper 04：窄域高品質與受眾上界
Paper 05：口碑、知名度、銷量與採用率的動態耦合
Paper 06：品質—名氣—成功象限與非單調動力學