← Archive
lm-003105 · 2026-08

從存在到成功：資訊空間中的存在—發現—顯著—傳播統一理論

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇
📎 附件 · Companion files — 隨文交付的程式 / 證明 / 資料，可獨立下載重驗

Unified Paper 13

從存在到成功：資訊空間中的存在—發現—顯著—傳播統一理論

From Existence to Success: A Unified Theory of Existence, Discovery, Prominence, Propagation, and Outcome in Information Space

作者：Neo.K（許筌崴）
機構：EveMissLab
統一體系：PPSS Series I + AMNESS Series II
框架名稱：Existence-to-Outcome Information Dynamics（EOID）
版本：v0.1
日期：2026-08-14

摘要

一個人、品牌、理論、作品、遊戲、論文或產品「存在於資訊空間」之後，距離「被找到」、「被辨識」、「被認為重要」、「被第三方傳播」與「取得成功」之間仍存在多個彼此不可等同的中介層。前十二篇已分別處理公共顯著性、身份閉合、搜尋—機器—人類辨識、觀察者依賴、顯著性壓力、第三方再生，以及品質、可發現度、注意力路由、受眾容量、口碑代理與成功動力。本文將兩個系列統一為「從存在到結果的資訊動力學」（Existence-to-Outcome Information Dynamics, EOID）。

EOID 將任意公共資訊對象 O\mathcal O ——包括 entity、artifact 或兩者耦合體——表示為八層路徑：

Intrinsic State→Representation→Searchability / Access→Discoverability→Recognition→Prominence→Propagation→Outcome.\boxed{ \text{Intrinsic State} \rightarrow \text{Representation} \rightarrow \text{Searchability / Access} \rightarrow \text{Discoverability} \rightarrow \text{Recognition} \rightarrow \text{Prominence} \rightarrow \text{Propagation} \rightarrow \text{Outcome}. }

本文的核心統一原理不是「每一步一定發生」，而是：

Xi⇏Xi+1\boxed{ \mathcal X_i \not\Rightarrow \mathcal X_{i+1} }

在一般非退化資訊系統中成立。每一層之間的轉換由條件 kernel：

Ki(dxi+1∣xi,θi,t)\mathbb K_i \left( dx_{i+1} \mid x_i,\theta_i,t \right)

描述，其中 θi\theta_i 包含平台、受眾、演算法、觀察者、競爭、價格、歷史與外部衝擊。若固定 xix_i 時，合法環境 θi\theta_i 的改變可導致不同下游分布，則不存在僅由 xix_i 決定 xi+1x_{i+1} 的普遍函數。

對必須依序通過若干必要階段的採用／辨識流程，本文證明 Necessary-Stage Bottleneck Bound。若 outcome event OO 必須包含於所有必要事件 E1,…,EmE_1,\ldots,E_m，則：

P(O)≤min⁡iP(Ei).\boxed{ P(O) \le \min_i P(E_i). }

若任一必要條件概率為零，則：

P(O)=0.P(O)=0.

此定理把「品質無法穿越零發現」、「存在無法穿越零索引」、「曝光無法穿越零匹配」統一成同一概率上界。

本文再建立 entity–artifact 雙向橋。artifact success 只有在 creator attribution 非零時才會增加 entity prominence；creator fame 只有在能轉成 artifact discovery 與有效 routing 時才會提高 artifact outcome。因此：

Creator Fame⇏Artifact Success,\boxed{ \text{Creator Fame} \not\Rightarrow \text{Artifact Success}, } Artifact Success⇏Creator Fame.\boxed{ \text{Artifact Success} \not\Rightarrow \text{Creator Fame}. }

但兩者可以經 attribution 與 routing 形成雙向回饋。

最後，本文將 machine recognizability、有限集體注意力、Prominence Pressure、Externally Reproducing Public Graph、Audience Capacity、Review Propensity、Word-of-Mouth 與非單調 success dynamics 納入同一動態系統：

Z˙=F(Z,P,N,Θ,t,ξ).\dot{\mathbf Z} = \mathbf F \left( \mathbf Z, \mathcal P, \mathcal N, \Theta, t, \boldsymbol\xi \right).

EOID 因而不是單調漏斗，而是一個帶有 bottleneck、feedback、lag、hysteresis、multiple equilibria、observer dependence 與 measurement error 的多層動態圖。

本文最終提出的統一科學問題不是：

Xi⇒Xi+1,X_i\Rightarrow X_{i+1},

而是：

P(Xi+1∣Xi,Θi,t).\boxed{ P \left( X_{i+1} \mid X_i,\Theta_i,t \right). }

亦即：從存在到成功，上游狀態通常改變的是下游結果的條件分布，而不是邏輯上決定下游結果。

關鍵詞： 資訊空間、存在、Discoverability、Public Prominence、Success、Attention、Propagation、Entity–Artifact Coupling、EOID、動態系統

1. 統一問題

日常語言經常使用：

存在→有人知道,\text{存在} \rightarrow \text{有人知道}, 品質高→會成功,\text{品質高} \rightarrow \text{會成功}, 搜尋得到→有名,\text{搜尋得到} \rightarrow \text{有名}, 有名→作品賣得好,\text{有名} \rightarrow \text{作品賣得好}, 評論多→銷量大.\text{評論多} \rightarrow \text{銷量大}.

前十二篇已經把這些箭頭逐一拆開。

本文將它們重新統一成一個 transition architecture。

2. Universal Informational Object

定義：

O\mathcal O

為公共資訊對象。

其型態：

χ(O)∈{entity,artifact,hybrid}.\chi(\mathcal O) \in \{ \mathrm{entity}, \mathrm{artifact}, \mathrm{hybrid} \}.

entity 包括：

  • 人；
  • 公司；
  • 品牌；
  • 組織；
  • 公共理論主體。

artifact 包括：

  • 遊戲；
  • 書；
  • 論文；
  • 軟體；
  • 產品；
  • 影片；
  • 資料集；
  • 藝術作品。

3. EOID 八層

定義：

X0=Intrinsic State,\mathcal X_0=\text{Intrinsic State}, X1=Representation,\mathcal X_1=\text{Representation}, X2=Searchability / Access,\mathcal X_2=\text{Searchability / Access}, X3=Discoverability,\mathcal X_3=\text{Discoverability}, X4=Recognition,\mathcal X_4=\text{Recognition}, X5=Prominence,\mathcal X_5=\text{Prominence}, X6=Propagation,\mathcal X_6=\text{Propagation}, X7=Outcome.\mathcal X_7=\text{Outcome}.

canonical pipeline：

X0→X1→X2→X3→X4→X5→X6→X7.\boxed{ \mathcal X_0 \rightarrow \mathcal X_1 \rightarrow \mathcal X_2 \rightarrow \mathcal X_3 \rightarrow \mathcal X_4 \rightarrow \mathcal X_5 \rightarrow \mathcal X_6 \rightarrow \mathcal X_7. }

4. Intrinsic State

對 entity：

X0E=(identity,capabilities,works,attributes).\mathcal X_0^{E} = ( \text{identity}, \text{capabilities}, \text{works}, \text{attributes} ).

對 artifact：

X0A=(Q,q,features,compatibility,price structure).\mathcal X_0^{A} = ( Q, \mathbf q, \text{features}, \text{compatibility}, \text{price structure} ).

Intrinsic State 描述 object 本身，但不包含公共系統已經給它多少注意。

所以：

Intrinsic Merit≠Public Outcome.\boxed{ \text{Intrinsic Merit} \neq \text{Public Outcome}. }

5. Representation

令：

RO={r1,…,rn}\mathcal R_{\mathcal O} = \{ r_1,\ldots,r_n \}

為 object 的公開 representations。

entity 可以有：

ΣE={s1,…,sn}.\Sigma_E = \{s_1,\ldots,s_n\}.

artifact 可以有：

  • title；
  • store ID；
  • DOI；
  • repository；
  • product page；
  • metadata。

因此 object 必須先被投影成公共符號，資訊系統才能對它操作。

6. Representation Fidelity

定義：

FR∈[0,1]F_R\in[0,1]

為 representation fidelity。

可能：

Q≫0Q\gg0

但：

FR≪1.F_R\ll1.

例如產品很好，商店頁卻極差。

因此：

Intrinsic Quality⇏Representation Quality.\boxed{ \text{Intrinsic Quality} \not\Rightarrow \text{Representation Quality}. }

7. Searchability / Access

定義：

X=Public Existence,X=\text{Public Existence}, J=Indexability,J=\text{Indexability}, Rk=Retrievability.R_k=\text{Retrievability}.

因此：

X⇏J⇏Rk.\boxed{ X \not\Rightarrow J \not\Rightarrow R_k. }

一個頁面可以真實存在，卻不在有效 candidate pool。

8. Query-Conditional Retrievability

更完整：

Rk(O∣Q,p,t).R_k ( \mathcal O \mid \mathcal Q,p,t ).

所以：

Searchability\boxed{ \text{Searchability} }

是 Object、Query Distribution、Platform 與 Time 的共同函數。

9. Discoverability

EOID 將 exact-name search 與 discovery 分開。

定義：

D0=P(不知道 identifier 的受眾遇見 O).D_0 = P ( \text{不知道 identifier 的受眾遇見 }\mathcal O ).

artifact 再定義：

DM=Match-Weighted Discoverability.D_M = \text{Match-Weighted Discoverability}.

因此：

Rname=1⇏D0>0.\boxed{ R_{\mathrm{name}}=1 \not\Rightarrow D_0>0. }

10. Discovery Channels

令：

C={search,recommendation,social,AI,media,citation,…}.\mathcal C = \{ \text{search}, \text{recommendation}, \text{social}, \text{AI}, \text{media}, \text{citation}, \ldots \}.

則：

D=P(⋃jEj).D = P \left( \bigcup_jE_j \right).

沒有獨立性時：

max⁡jP(Ej)≤D≤min⁡(1,∑jP(Ej)).\max_jP(E_j) \le D \le \min \left( 1, \sum_jP(E_j) \right).

所以：

多入口≠多獨立受眾.\boxed{ \text{多入口} \neq \text{多獨立受眾}. }

11. Attention Routing

即使：

D>0,D>0,

注意力仍需被配置。

令：

ω=(u,c,t,ℓ)\omega=(u,c,t,\ell)

表示受眾、通道、時間與介面位置。

注意力：

a(ω).a(\omega).

artifact route value：

rA(ω).r_A(\omega).

結果：

YA[a]=∫a(ω)rA(ω) dμ(ω).Y_A[a] = \int a(\omega)r_A(\omega)\,d\mu(\omega).

因此：

Same Exposure⇏Same Opportunity.\boxed{ \text{Same Exposure} \not\Rightarrow \text{Same Opportunity}. }

12. Recognition

對 entity，身份可辨識度：

RE=Φ(ΣE,w,TE,D,K).R_E = \Phi \left( \Sigma_E, \mathbf w, \mathfrak T_E, \mathcal D, \mathbf K \right).

machine recognition 分成：

MP,MR,MA,ML.M_P, M_R, M_A, M_L.

human recognition 分成：

H0,H+.H_0, H_+.

因此：

ML≠H0.\boxed{ M_L \neq H_0. }

13. Machine-First Recognition

可以存在：

ML≫H0.M_L\gg H_0.

亦即：

機器在被要求時已能由公開資訊重建 object，但廣泛人類認知仍低。

所以 AI 時代出現一個新的中介狀態，而不是把 recognition 層取消。

14. Prominence

entity prominence 至少需要區分：

PS=Search Prominence,P_S=\text{Search Prominence}, H0=Human Recognition,H_0=\text{Human Recognition}, A=Authority,A=\text{Authority}, ρ=Reputation Polarity.\rho=\text{Reputation Polarity}.

觀察者感知：

Πo(E)=Gθo(xE).\Pi_o(E) = G_{\theta_o} ( \mathbf x_E ).

所以：

Recognized≠Prominent≠Authoritative≠Positively Regarded.\boxed{ \text{Recognized} \neq \text{Prominent} \neq \text{Authoritative} \neq \text{Positively Regarded}. }

15. Observer Dependence

同一 object：

O\mathcal O

對：

o1,o2o_1,o_2

可以：

Πo1(O)≠Πo2(O).\Pi_{o_1}(\mathcal O) \neq \Pi_{o_2}(\mathcal O).

因此「有多有名」本身是 observer-conditioned projection。

16. Propagation

第三方存在：

Xext>0X_{\mathrm{ext}}>0

不等於自我繁殖。

定義：

Rext=E[external offspring per external artifact].\mathcal R_{\mathrm{ext}} = E[ \text{external offspring per external artifact} ].

因此：

Third-Party Mention≠Third-Party Reproduction.\boxed{ \text{Third-Party Mention} \neq \text{Third-Party Reproduction}. }

17. WOM Propagation

對 artifact：

RWOM\mathcal R_{\mathrm{WOM}}

表示一個 WOM artifact 所生成的新 WOM artifacts。

另定義：

RA\mathcal R_A

為 adopter 經 WOM 產生新 adopters 的再生數。

這與 entity public graph 同構，但屬不同層級。

18. Broadcast vs Viral

相同：

PP

可以來自：

one large broadcast\text{one large broadcast}

或：

multi-generation cascade.\text{multi-generation cascade}.

所以：

Popularity Magnitude≠Propagation Structure.\boxed{ \text{Popularity Magnitude} \neq \text{Propagation Structure}. }

19. Endogenous / Exogenous Propagation

連續時間：

λ(t)=μexo(t)+∑ti<tκ(t−ti).\lambda(t) = \mu_{\mathrm{exo}}(t) + \sum_{t_i<t} \kappa(t-t_i).

因此持續高 activity 可以來自持續 promotion，而不必代表 endogenous self-reproduction。

20. Outcome

對 artifact：

SA=(Ssales,Srevenue,Sprofit,Sadopt,Sculture,…).\mathbf S_A = ( S_{\mathrm{sales}}, S_{\mathrm{revenue}}, S_{\mathrm{profit}}, S_{\mathrm{adopt}}, S_{\mathrm{culture}}, \ldots ).

對 entity：

OE=(recognition,authority,career,commercial outcome).\mathbf O_E = ( \text{recognition}, \text{authority}, \text{career}, \text{commercial outcome} ).

所以 Outcome 通常是一個向量。

21. Layer Transition Kernel

對：

i=0,…,6,i=0,\ldots,6,

定義：

Ki(dxi+1∣xi,θi,t).\boxed{ \mathbb K_i \left( dx_{i+1} \mid x_i,\theta_i,t \right). }

θi\theta_i 包含：

  • platform；
  • audience；
  • algorithm；
  • observer；
  • query；
  • price；
  • competition；
  • creator reputation；
  • history；
  • shock。

22. 定理 1：Layer Non-Determinacy

若固定：

xi⋆x_i^\star

時，存在兩組合法環境：

θi(1),θi(2)\theta_i^{(1)}, \theta_i^{(2)}

使：

Ki(⋅∣xi⋆,θi(1))≠Ki(⋅∣xi⋆,θi(2)),\mathbb K_i ( \cdot \mid x_i^\star,\theta_i^{(1)} ) \neq \mathbb K_i ( \cdot \mid x_i^\star,\theta_i^{(2)} ),

則不存在僅由：

xix_i

決定下一層完整分布的普遍函數。

證明

若存在普遍：

Gi(xi),G_i(x_i),

則固定：

xi⋆x_i^\star

時，所有環境都應得到同一下一層分布。

這與前提矛盾。

□\boxed{\square}

23. Unified Non-Implication Principle

定理 1 給出：

Xi⇏Xi+1\boxed{ \mathcal X_i \not\Rightarrow \mathcal X_{i+1} }

在一般非退化系統中成立。

其含義不是「上游沒有影響」，而是：

上游改變下游的條件分布，而非必然決定下游.\boxed{ \text{上游改變下游的條件分布，而非必然決定下游}. }

24. End-to-End Non-Determinacy

若任一中介 layer 對環境非退化，而且 downstream outcome 對該中介結果敏感，則一般不存在：

X7=g(X0)\mathcal X_7 = g(\mathcal X_0)

作為普遍函數。

因此：

Intrinsic Merit Alone⇏Unique Final Outcome.\boxed{ \text{Intrinsic Merit Alone} \not\Rightarrow \text{Unique Final Outcome}. }

25. 必要事件鏈

對 adoption 定義：

E1=represented,E_1=\text{represented}, E2=accessible,E_2=\text{accessible}, E3=discovered,E_3=\text{discovered}, E4=matched,E_4=\text{matched}, E5=converted.E_5=\text{converted}.

若 adoption outcome OO 必須通過所有這些 gate：

O⊆⋂iEi.O \subseteq \bigcap_iE_i.

26. 定理 2：Necessary-Stage Bottleneck Bound

若：

O⊆⋂i=1mEi,O \subseteq \bigcap_{i=1}^{m}E_i,

則：

P(O)≤min⁡iP(Ei).\boxed{ P(O) \le \min_iP(E_i). }

證明

因：

O⊆EiO\subseteq E_i

對每個 ii 成立：

P(O)≤P(Ei).P(O)\le P(E_i).

取最小值即得。

□\boxed{\square}

27. Chain Factorization

若事件按順序發生：

P(O)=P(E1)∏i=1m−1P(Ei+1∣E1,…,Ei)P(O∣E1,…,Em).P(O) = P(E_1) \prod_{i=1}^{m-1} P ( E_{i+1} \mid E_1,\ldots,E_i ) P ( O \mid E_1,\ldots,E_m ).

因此任何一個極低 conditional gate 都可壓低 end-to-end outcome。

28. Zero-Gate Corollary

若某必要 gate：

P(Ej∣E1,…,Ej−1)=0,P ( E_j \mid E_1,\ldots,E_{j-1} ) = 0,

則：

P(O)=0.\boxed{ P(O)=0. }

因此：

D=0⇒P(Adopt)=0D=0 \Rightarrow P(\mathrm{Adopt})=0

只是共同定理的一個特例。

29. Bottleneck vs Strength

如果：

Q→1Q\rightarrow1

但：

D→0,D\rightarrow0,

品質無法補償完全零 discovery。

同理 entity 有大量 content，但 attribution：

RE≈0R_E\approx0

時，資訊不能累積到同一 identity。

所以：

最強優勢不一定能穿過最窄必要 gate.\boxed{ \text{最強優勢不一定能穿過最窄必要 gate}. }

30. Effective Information Mass

內容數：

NN

不是有效資訊的完整描述。

定義：

μO=∑nqnsnanundn.\mu_{\mathcal O} = \sum_n q_ns_na_nu_nd_n.

其中考慮：

  • 有效品質；
  • indexability；
  • attribution；
  • uniqueness；
  • distribution usefulness。

因此：

N→∞⇏μO→∞.\boxed{ N\rightarrow\infty \not\Rightarrow \mu_{\mathcal O}\rightarrow\infty. }

31. Persistent Contact

若第 nn 次有效公開生成具有條件 contact probability：

pnp_n

且：

∑npn=∞,\sum_np_n=\infty,

則永久零 contact 的 probability 為：

0.0.

但：

Contact≠Prominence≠Outcome.\boxed{ \text{Contact} \neq \text{Prominence} \neq \text{Outcome}. }

32. Prominence Pressure

對 prominence threshold：

τ\tau

定義 crossing time：

Tτ.T_\tau.

累積 hazard：

Ψτ(t)=∫0thτ(s)ds.\Psi_\tau(t) = \int_0^t h_\tau(s)ds.

若：

Ψτ(t)→∞,\Psi_\tau(t)\rightarrow\infty,

則：

P(Tτ=∞)=0.P(T_\tau=\infty)=0.

真正問題是哪些 observable information conditions 足以讓 hazard 發散。

33. Finite Attention

令 competing information mass：

Bcomp(t).B_{\mathrm{comp}}(t).

相對資訊份額：

σO(t)=μO(t)μO(t)+Bcomp(t).\sigma_{\mathcal O}(t) = \frac{ \mu_{\mathcal O}(t) }{ \mu_{\mathcal O}(t)+B_{\mathrm{comp}}(t) }.

即使：

μO→∞,\mu_{\mathcal O}\rightarrow\infty,

若背景資訊成長更快：

σO→0.\sigma_{\mathcal O}\rightarrow0.

所以：

Absolute Information Growth⇏Relative Attention Growth.\boxed{ \text{Absolute Information Growth} \not\Rightarrow \text{Relative Attention Growth}. }

34. Entity State Block

Series I 統一為：

PE(t)=(xE,IE,PS,ML,H0,Πo,μE,Ψτ,AE,QEres).\mathfrak P_E(t) = ( \mathbf x_E, \mathcal I_E, P_S, M_L, H_0, \Pi_o, \mu_E, \Psi_\tau, \mathbf A_E, Q_E^{\mathrm{res}} ).

其中：

xE=(I,S,V,D,R,M,H,A,ρ).\mathbf x_E = (I,S,V,D,R,M,H,A,\rho).

35. Artifact State Block

Series II 統一為：

AA(t)=(Q,X,J,Rname,Rneed,DM,ηR,Keff,C,W,P,A,R,S).\mathfrak A_A(t) = ( Q, X, J, R_{\mathrm{name}}, R_{\mathrm{need}}, D_M, \eta_R, K^{\mathrm{eff}}, C, W, P, A, R, \mathbf S ).

36. Entity–Artifact Attribution Bridge

定義：

αA→E∈[0,1]\alpha_{A\rightarrow E} \in[0,1]

表示 artifact success 對 creator/entity 的 attribution。

若：

αA→E=0,\alpha_{A\rightarrow E}=0,

則 artifact 成功可以不提高 creator prominence。

因此：

Artifact Success⇏Creator Fame.\boxed{ \text{Artifact Success} \not\Rightarrow \text{Creator Fame}. }

37. Entity-to-Artifact Attention Bridge

定義：

βE→A∈[0,1]\beta_{E\rightarrow A} \in[0,1]

表示 creator prominence 轉成 artifact discovery / routing 的強度。

若：

βE→A=0,\beta_{E\rightarrow A}=0,

creator fame 無法幫助該 artifact。

因此：

Creator Fame⇏Artifact Success.\boxed{ \text{Creator Fame} \not\Rightarrow \text{Artifact Success}. }

38. Coupled Dynamics

可寫：

dPEdt=FE(PE,αA→ESA,Xext,t),\frac{dP_E}{dt} = F_E ( P_E, \alpha_{A\rightarrow E}S_A, X_{\mathrm{ext}}, t ), dDAdt=FA(DA,βE→APE,PA,P,t).\frac{dD_A}{dt} = F_A ( D_A, \beta_{E\rightarrow A}P_E, P_A, \mathcal P, t ).

若：

α>0,β>0,\alpha>0, \qquad \beta>0,

則 entity 與 artifact 可以形成雙向 reinforcement。

39. Entity-First Route

Creator Prominence→Artifact Discovery→Adoption→More Creator Prominence.\boxed{ \text{Creator Prominence} \rightarrow \text{Artifact Discovery} \rightarrow \text{Adoption} \rightarrow \text{More Creator Prominence}. }

40. Artifact-First Route

Unknown Creator→Artifact→Discovery→Artifact Success→Creator Recognition.\boxed{ \text{Unknown Creator} \rightarrow \text{Artifact} \rightarrow \text{Discovery} \rightarrow \text{Artifact Success} \rightarrow \text{Creator Recognition}. }

因此 creator fame 不是 artifact success 的必要條件。

41. Machine-First Route

Public Information→ML↑→AI-Mediated Discovery→DA↑→Human Adoption / Recognition.\boxed{ \text{Public Information} \rightarrow M_L\uparrow \rightarrow \text{AI-Mediated Discovery} \rightarrow D_A\uparrow \rightarrow \text{Human Adoption / Recognition}. }

但仍需要 query activation、retrieval、routing 與 conversion。

42. AI Is Not Automatic Propagation

即使：

ML≫0,M_L\gg0,

如果：

Qtrigger≈0,Q_{\mathrm{trigger}}\approx0,

實際 machine-mediated exposure 仍可很低。

因此：

Machine Recognizability≠Machine-Mediated Exposure.\boxed{ \text{Machine Recognizability} \neq \text{Machine-Mediated Exposure}. }

43. AI as Transition Modifier

AI agent 可以修改：

K2,K3,K4\mathbb K_2, \mathbb K_3, \mathbb K_4

透過：

  • query expansion；
  • search；
  • browsing；
  • comparison；
  • entity resolution；
  • recommendation。

AI 改變 transition probability，而不是消除所有 layers。

44. Audience Capacity

artifact 有：

KAeff=∫UπAmax⁡(u)dμ(u).K_A^{\mathrm{eff}} = \int_{\mathcal U} \pi_A^{\max}(u)d\mu(u).

且：

E[Nadopt]≤KAeff.E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}}.

因此：

Optimal Discovery⇏Unlimited Market.\boxed{ \text{Optimal Discovery} \not\Rightarrow \text{Unlimited Market}. }

45. Long-Tail Aggregate Value

每個 niche artifact：

Ki≪NK_i\ll N

並不推出：

μ(⋃iUi)≪N.\mu \left( \bigcup_i\mathcal U_i \right) \ll N.

所以：

Per-Artifact Audience Ceiling≠Aggregate Ecosystem Value.\boxed{ \text{Per-Artifact Audience Ceiling} \neq \text{Aggregate Ecosystem Value}. }

46. Reviews as Measurement Layer

最簡：

E[R]=ρA.E[R] = \rho A.

只要：

ρ\rho

會跨 artifact / platform / time 改變，就不存在 universal：

A=kR.A=kR.

所以評論是 measurement layer，不是 adoption counter。

47. Measurement Function

定義：

Yobs=H(Zlatent,ψ,t)+ϵ.\boxed{ \mathbf Y^{\mathrm{obs}} = H ( \mathbf Z^{\mathrm{latent}}, \psi, t ) + \epsilon. }

ψ\psi 包含：

  • review propensity；
  • click propensity；
  • survey sampling；
  • exposure policy。

因此 observed proxy 與 latent state 必須分離。

48. Proxy Collision

若：

Z1≠Z2\mathbf Z_1\neq\mathbf Z_2

但：

H(Z1)=H(Z2),H(\mathbf Z_1)=H(\mathbf Z_2),

則兩個不同 latent states 在觀察上不可區分。

例如：

R=100R=100

可由不同：

(A,ρ)(A,\rho)

生成。

所以：

Observed Equality⇏State Equality.\boxed{ \text{Observed Equality} \not\Rightarrow \text{State Equality}. }

49. Popularity Is Not Quality

social influence 與 reinforcement 可以使：

PP

遠離：

Q.Q.

既有 outcome-quality dip 結果甚至允許：

E[Q∣S]E[Q\mid S]

局部非單調。

因此：

Market Outcome≠Monotonic Merit Proxy.\boxed{ \text{Market Outcome} \neq \text{Monotonic Merit Proxy}. }

50. Quality–Success Non-Monotonicity

構造：

Q(t)=q0+αt,Q(t)=q_0+\alpha t, D(t)=e−βt,D(t)=e^{-\beta t}, S(t)=Q(t)D(t).S(t)=Q(t)D(t).

則：

Q′(t)>0Q'(t)>0

但：

S′(t)S'(t)

可以先正後負。

所以：

Q˙>0⇏S˙≥0.\boxed{ \dot Q>0 \not\Rightarrow \dot S\ge0. }

51. Positive Feedback

可能：

Pt↑⇒Dt+1↑⇒At+1↑⇒Rt+1↑⇒Pt+2↑.P_t\uparrow \Rightarrow D_{t+1}\uparrow \Rightarrow A_{t+1}\uparrow \Rightarrow R_{t+1}\uparrow \Rightarrow P_{t+2}\uparrow.

這形成 success-breeds-success。

52. Negative Feedback

也可能：

At↑⇒Kremaining↓⇒ΔAt+1↓.A_t\uparrow \Rightarrow K_{\mathrm{remaining}}\downarrow \Rightarrow \Delta A_{t+1}\downarrow.

或：

Pt↑⇒fatigue⇒Ct+1↓.P_t\uparrow \Rightarrow \text{fatigue} \Rightarrow C_{t+1}\downarrow.

因此系統可以同時存在正負 feedback。

53. Hysteresis

令：

H(t)H(t)

為歷史 reservoir：

  • reviews；
  • owners；
  • followers；
  • citations；
  • backlinks；
  • brand memory。

若 reservoir 衰減很慢，則即使當前 promotion 或 WOM 降低，object 仍可能保持較高 public state。

所以：

Reversing Inputs⇏Reversing State.\boxed{ \text{Reversing Inputs} \not\Rightarrow \text{Reversing State}. }

54. Multiple Equilibria

正回饋系統可同時具有：

Z(L)\mathbf Z^{(L)}

低曝光低採用 equilibrium，

與：

Z(H)\mathbf Z^{(H)}

高曝光高採用 equilibrium。

同一品質 object 可以因 early history 不同落入不同 basin。

因此：

Same Merit+Different History→Different Long-Run Outcomes.\boxed{ \text{Same Merit} + \text{Different History} \rightarrow \text{Different Long-Run Outcomes}. }

55. Unified Dynamical System

最終：

Z˙=F(Z,P,N,Θ,t,ξ).\boxed{ \dot{\mathbf Z} = \mathbf F \left( \mathbf Z, \mathcal P, \mathcal N, \Theta, t, \boldsymbol\xi \right). }

其中：

  • Z\mathbf Z：entity + artifact state；
  • P\mathcal P：platform policy；
  • N\mathcal N：social / market network；
  • Θ\Theta：observer / audience / market parameters；
  • ξ\boldsymbol\xi：external shocks。

56. Unified State

可寫：

Z=(PE,AA,αA→E,βE→A).\mathbf Z = \left( \mathfrak P_E, \mathfrak A_A, \alpha_{A\rightarrow E}, \beta_{E\rightarrow A} \right).

這使 PPSS 與 AMNESS 成為同一 coupled system。

57. EOID Graph

EOID 也可以表示成：

GEOID=(V,E,Λ).\mathcal G_{\mathrm{EOID}} = (V,E,\Lambda).

節點：

  • entities；
  • artifacts；
  • representations；
  • users；
  • platforms；
  • public artifacts。

邊：

  • represents；
  • retrieves；
  • recommends；
  • recognizes；
  • attributes；
  • adopts；
  • reviews；
  • propagates。

58. Hypergraph Extension

一篇新聞或一則 AI 回答可以同時影響：

  • person；
  • company；
  • product；
  • theory。

因此可進一步寫成：

HEOID.\mathcal H_{\mathrm{EOID}}.

這接續 Series I 的高階語義耦合。

59. Failure Taxonomy

EOID 將低 outcome 分成：

F0：Intrinsic Failure

Q≪1.Q\ll1.

F1：Representation Failure

FR≪1.F_R\ll1.

F2：Access Failure

J,Rk≪1.J,R_k\ll1.

F3：Discovery Failure

D0,DM≪1.D_0,D_M\ll1.

F4：Recognition Failure

RE,ML,H0≪1.R_E,M_L,H_0\ll1.

F5：Prominence Failure

PS,Π,H≪1.P_S,\Pi,H\ll1.

F6：Propagation Failure

Rext,RWOM≪1.\mathcal R_{\mathrm{ext}},\mathcal R_{\mathrm{WOM}}\ll1.

F7：Outcome Failure

C,S≪1.C,S\ll1.

所以：

Low Outcome≠One Failure Type.\boxed{ \text{Low Outcome} \neq \text{One Failure Type}. }

60. Same Outcome, Different Mechanism

兩 artifacts 都：

S≪1S\ll1

但一個：

Q≪1,Q\ll1,

另一個：

Q≫0,D≈0.Q\gg0, \quad D\approx0.

只看 outcome 不能判斷原因。

61. Same Prominence, Different Structure

兩 entities 可有相同 scalar prominence：

Π\Pi

但一個來自：

PSERP,P_{\mathrm{SERP}},

另一個來自：

H0,A.H_0,A.

因此 scalar fame 有 observational aliasing。

62. Same Popularity, Different Propagation

相同：

PP

可以由 broadcast 或 multi-generation cascade 形成。

所以：

Magnitude≠Mechanism.\boxed{ \text{Magnitude} \neq \text{Mechanism}. }

63. Unified Bottleneck Score

對必要 transitions 定義：

bi∈[0,1].b_i\in[0,1].

簡化 chain：

BEOID=∏ibi.B_{\mathrm{EOID}} = \prod_i b_i.

若：

bj≈0,b_j\approx0,

則：

BEOID≈0.B_{\mathrm{EOID}}\approx0.

因此最差必要 gate 常比最強單層優勢更值得優先修復。

64. Minimum Gate

定義：

bmin⁡=min⁡ibi.b_{\min} = \min_i b_i.

由 Bottleneck Bound：

P(O)≤bmin⁡P(O)\le b_{\min}

在適當必要事件定義下成立。

所以 EOID 診斷首先應找：

lowest necessary gate.\boxed{ \text{lowest necessary gate}. }

65. Bottleneck Repair Principle

若：

bj≪bib_j\ll b_i

對所有其他 ii，

則繼續改善已經很高的 bib_i 可能幾乎不改 end-to-end outcome。

例如：

  • 品質很好但 discovery 近零；
  • 流量很大但 audience match 近零；
  • artifact 成功但 creator attribution 近零。

66. Hard Gates vs Soft Gates

Hard Gate

若為零就使目標 outcome 必為零。

Soft Gate

低值降低 outcome，但其他因素可部分補償。

EOID 不要求所有 layer 都是 hard gate。

67. Optional Edges

EOID 的八層是 canonical ordering，但真實系統是 layered directed graph。

例如 niche B2B 可以：

Search→Direct Purchase\text{Search} \rightarrow \text{Direct Purchase}

而不需要 mass prominence。

所以：

Canonical Chain≠Rigid Universal Path.\boxed{ \text{Canonical Chain} \neq \text{Rigid Universal Path}. }

68. Conditional Monotonicity

EOID 不否定：

∂E[Y]∂X>0\frac{\partial E[Y]}{\partial X}>0

在固定：

Θ\Theta

與固定其他變數下成立。

真正區分是：

Local Conditional Monotonicity≠Global Logical Implication.\boxed{ \text{Local Conditional Monotonicity} \neq \text{Global Logical Implication}. }

69. Probabilistic Replacement

因此應以：

P(Xi+1∣Xi,Θi,t)\boxed{ P ( X_{i+1} \mid X_i, \Theta_i, t ) }

取代：

Xi⇒Xi+1.X_i\Rightarrow X_{i+1}.

這是 EOID 最核心的認識論轉換。

70. Causal View

最終可進一步研究：

P(Y∣do(X=x),Θ).P ( Y \mid do(X=x), \Theta ).

例如：

  • 提高品質是否增加成功？
  • 提高 discoverability 是否只是增加不匹配曝光？
  • creator fame 是否真的提高新作品 adoption？
  • AI recommendation 是否提高人類認知？

71. State Identification Before Optimization

如果無法區分：

D≪1D\ll1

與：

Keff≪1,K^{\mathrm{eff}}\ll1,

就可能採取錯誤策略。

因此：

State Identification Precedes Optimization.\boxed{ \text{State Identification Precedes Optimization}. }

72. EOID Unified Benchmark

每個 object：

Oi→(χi,Xi(t),Θi(t),Yiobs(t)).\mathcal O_i \rightarrow ( \chi_i, \mathbf X_i(t), \Theta_i(t), \mathbf Y_i^{\mathrm{obs}}(t) ).

其中：

χi\chi_i

標記 entity / artifact / hybrid。

73. Entity Benchmark

至少記錄：

(I,S,V,D,R,ML,H0,A,ρ,Xext,Rext).( I, S, V, D, R, M_L, H_0, A, \rho, X_{\mathrm{ext}}, \mathcal R_{\mathrm{ext}} ).

74. Artifact Benchmark

至少記錄：

(Q,X,J,Rname,Rneed,DM,ηR,Keff,C,W,P,A,R,S).( Q, X, J, R_{\mathrm{name}}, R_{\mathrm{need}}, D_M, \eta_R, K^{\mathrm{eff}}, C, W, P, A, R, \mathbf S ).

75. Bridge Benchmark

entity–artifact pair：

(αA→E,βE→A).( \alpha_{A\rightarrow E}, \beta_{E\rightarrow A} ).

這使研究可以直接估：

artifact success 有多少流回 creator prominence？

與：

creator fame 有多少轉成新 artifact 有效 discovery？

76. Longitudinal Requirement

EOID 必須追蹤：

t1,…,tTt_1,\ldots,t_T

因為：

  • lag；
  • feedback；
  • lifecycle；
  • reservoir；
  • hysteresis

都無法由單次 snapshot 正確辨識。

77. Layer Elasticity Matrix

定義：

Eij=∂log⁡Xj∂log⁡Xi.E_{ij} = \frac{ \partial\log X_j }{ \partial\log X_i }.

得到：

E=[Eij].\mathbf E = [E_{ij}].

可估：

EQ,S,ED,S,EP,D,ESA,PE.E_{Q,S}, E_{D,S}, E_{P,D}, E_{S_A,P_E}.

78. Intervention Priority

若 intervention cost：

cic_i

與 causal gain：

gi=∂E[O]∂do(Xi)g_i = \frac{ \partial E[O] }{ \partial do(X_i) }

可估，

則：

Πiint=gici.\Pi_i^{\mathrm{int}} = \frac{g_i}{c_i}.

如此可以比較：

  • 改產品；
  • 改 metadata；
  • 改搜尋；
  • 改 routing；
  • 擴 audience；
  • 增 WOM。

79. Relation to Retrievability Research

Information Retrieval 的 retrievability 主要處理：

X1→X2.\mathcal X_1 \rightarrow \mathcal X_2.

EOID 再指出：

X2⇏X3.\mathcal X_2 \not\Rightarrow \mathcal X_3.

即可取回仍不等於 name-free discovery。

80. Relation to Collective Attention

有限 collective attention 主要約束：

X3,X5,X6.\mathcal X_3, \mathcal X_5, \mathcal X_6.

資訊供給增加可以讓 attention cycle 更快，而不是讓每個 object 都獲得更長注意。

因此 EOID 把 attention competition 放入 Θ(t)\Theta(t)。

81. Relation to Artificial Cultural Markets

social influence 可以提高 success inequality 與 unpredictability。

在 EOID 中：

X5↔X6→X7\mathcal X_5 \leftrightarrow \mathcal X_6 \rightarrow \mathcal X_7

構成這種 feedback。

它不屬於 intrinsic quality 本身。

82. Relation to Structural Virality

structural virality 描述：

X6.\mathcal X_6.

它解釋：

同樣 popular\boxed{ \text{同樣 popular} }

為什麼可能具有完全不同 propagation topology。

83. Relation to Hawkes Popularity Models

Hawkes endo-exo decomposition 也是 Layer 6 的機制分解。

EOID 把：

external promotion\text{external promotion}

與：

endogenous response\text{endogenous response}

再接向 Prominence 與 Outcome。

84. Relation to Success Dynamics

跨領域 success research 已指出：

  • early advantage；
  • network；
  • fitness；
  • algorithms；
  • feedback；
  • aging

共同塑造 outcome。

EOID 的工作是把這些因素放回不同 transition layers，而不是統稱「運氣」。

85. Relation to Outcome–Quality Dip

reinforcing processes 可使：

E[Q∣S]E[Q\mid S]

局部下降。

因此 EOID 禁止把：

SS

當成：

QQ

的普遍單調 proxy。

86. Falsifiability

EOID 不禁止特殊 deterministic system。

如果某封閉市場實證：

S=g(Q)S=g(Q)

完整成立，且所有外部狀態在固定 QQ 後沒有額外影響，則該 transition 可以是退化 deterministic map。

EOID 主張的是：

不應在沒有證明這種退化條件時預設它成立.\boxed{ \text{不應在沒有證明這種退化條件時預設它成立}. }

87. Series I 統一結果

Series I 將 entity fame 從單一 scalar 改寫為：

存在、身份閉合、機器／人類辨識、觀察者投影、顯著性壓力與外部再生的動態狀態.\boxed{ \text{存在、身份閉合、機器／人類辨識、觀察者投影、顯著性壓力與外部再生的動態狀態}. }

88. Series II 統一結果

Series II 將 artifact success 改寫為：

品質經 discovery、routing、audience capacity、conversion、WOM 與 popularity feedback 後產生的動態 outcome.\boxed{ \text{品質經 discovery、routing、audience capacity、conversion、WOM 與 popularity feedback 後產生的動態 outcome}. }

89. 兩系列共同骨架

共同結構：

Intrinsic State→Public Representation→Information Access→Discovery / Recognition→Attention / Prominence→Propagation→Outcome.\boxed{ \text{Intrinsic State} \rightarrow \text{Public Representation} \rightarrow \text{Information Access} \rightarrow \text{Discovery / Recognition} \rightarrow \text{Attention / Prominence} \rightarrow \text{Propagation} \rightarrow \text{Outcome}. }

差別只在各 layer 的具體變數。

90. Final Principle I：Non-Equivalence

Existence≠Visibility≠Discoverability≠Recognition≠Prominence≠Propagation≠Success.\boxed{ \text{Existence} \neq \text{Visibility} \neq \text{Discoverability} \neq \text{Recognition} \neq \text{Prominence} \neq \text{Propagation} \neq \text{Success}. }

91. Final Principle II：No Universal Arrow

Xi⇏Xi+1.\boxed{ X_i \not\Rightarrow X_{i+1}. }

除非額外提供足夠強的 transition assumptions。

92. Final Principle III：Conditional Probability

真正的研究對象：

P(Xi+1∣Xi,Θi,t).\boxed{ P ( X_{i+1} \mid X_i,\Theta_i,t ). }

93. Final Principle IV：Bottleneck

若 outcome 需要多個必要 gate：

P(O)≤min⁡iP(Ei).\boxed{ P(O) \le \min_iP(E_i). }

94. Final Principle V：Feedback

下游會回寫上游：

Xi+1(t)→Xi(t+1).\boxed{ X_{i+1}(t) \rightarrow X_i(t+1). }

例如：

Pt→Dt+1,P_t \rightarrow D_{t+1}, SA→PE,S_A \rightarrow P_E, Rt→Dt+1.R_t \rightarrow D_{t+1}.

所以 EOID 不是單向 DAG。

95. Final Principle VI：Path Dependence

因此：

Z(t)=G(Z(0),history,interventions,shocks).\boxed{ \mathbf Z(t) = G ( \mathbf Z(0), \text{history}, \text{interventions}, \text{shocks} ). }

不能只由 current intrinsic merit 唯一決定。

96. Final Principle VII：Observer and Metric Dependence

「有名」依 observer。

「成功」依 metric。

「品質」依 evaluation domain。

所以完整 observation condition：

Ω=(o,p,q,d,t,Γ).\Omega = ( o,p,q,d,t,\Gamma ).

97. Final Principle VIII：Machine–Human Asynchrony

AI 時代新增：

ML.M_L.

因此可能：

ML≫H0.M_L\gg H_0.

AI 同時是 observer、retrieval intermediary 與 routing intermediary。

98. 從「有沒有名」到「有沒有路」

EOID 最後把診斷問題改寫成：

從 object 當前狀態到目標 outcome，究竟有哪些 route？哪一個必要 gate 最窄？\boxed{ \text{從 object 當前狀態到目標 outcome，究竟有哪些 route？哪一個必要 gate 最窄？} }

這比單問「它好不好」或「它有沒有名」更能對應真實資訊系統。

99. Engineering Representation

定義：

EOID⁡(O)={X,K,B,L},\operatorname{EOID}(\mathcal O) = \{ \mathbf X, \mathbf K, \mathbf B, \mathbf L \},

其中：

  • X\mathbf X：layer states；
  • K\mathbf K：transition kernels；
  • B\mathbf B：bottlenecks；
  • L\mathbf L：feedback loops。

可用於：

  • diagnosis；
  • simulation；
  • intervention planning；
  • counterfactual analysis。

100. 理論邊界

本文不主張：

  1. 所有 object 必須走同一 rigid chain；
  2. 所有 layer 都有唯一 scalar；
  3. 所有 transition kernels 都能精確估計；
  4. AI 必然提高 discoverability；
  5. 多資訊必然增加 fame；
  6. fame 必然增加 success；
  7. success 必然增加 creator fame；
  8. propagation 必然符合 branching process；
  9. market dynamics 必然多穩態；
  10. 存在唯一真正 quality；
  11. 存在唯一真正 success；
  12. EOID 取代 Information Retrieval、Marketing、Network Science 或 Recommender Systems。

本文只提出：

一個跨域共同語言與可檢驗的 transition architecture.\boxed{ \text{一個跨域共同語言與可檢驗的 transition architecture}. }

101. 結論

本文完成 Series I 與 Series II 共十二篇理論的統一。

最初看似簡單的：

存在→有名→成功\text{存在} \rightarrow \text{有名} \rightarrow \text{成功}

在完整資訊系統中其實至少包含：

Intrinsic State→Representation→Searchability / Access→Discoverability→Recognition→Prominence→Propagation→Outcome.\boxed{ \text{Intrinsic State} \rightarrow \text{Representation} \rightarrow \text{Searchability / Access} \rightarrow \text{Discoverability} \rightarrow \text{Recognition} \rightarrow \text{Prominence} \rightarrow \text{Propagation} \rightarrow \text{Outcome}. }

每一層都有自己的：

  • state；
  • observer；
  • environment；
  • resource constraint；
  • failure mode；
  • lag；
  • feedback；
  • measurement problem。

第一個最終結論：

Existence≠Discovery≠Prominence≠Propagation≠Success.\boxed{ \text{Existence} \neq \text{Discovery} \neq \text{Prominence} \neq \text{Propagation} \neq \text{Success}. }

第二個：

Xi⇏Xi+1.\boxed{ X_i \not\Rightarrow X_{i+1}. }

第三個：

P(Xi+1∣Xi,Θi,t)\boxed{ P ( X_{i+1} \mid X_i,\Theta_i,t ) }

比：

Xi⇒Xi+1X_i\Rightarrow X_{i+1}

更適合作為真正科學問題。

第四個是 Necessary-Stage Bottleneck Bound：

P(O)≤min⁡iP(Ei).\boxed{ P(O) \le \min_iP(E_i). }

因此 object 的 end-to-end outcome 常被最窄的必要 gate 限制，而不是被最強的單一優勢決定。

第五個是 entity–artifact coupling：

Creator Prominence↔Artifact Success,\boxed{ \text{Creator Prominence} \leftrightarrow \text{Artifact Success}, }

但兩個方向都需要非零 attribution / routing bridge 才能真正成立。

第六個是 AI 使傳統鏈新增 machine-first recognition 與 machine-mediated routing，卻沒有取消 discoverability、attention、audience capacity 或 conversion。

因此這 13 篇體系最後可以濃縮成一句話：

從存在到成功，不是一條必然鏈，而是一個帶有瓶頸、回饋、觀察者、有限注意力與歷史依賴的動態傳播空間。\boxed{ \textbf{從存在到成功，不是一條必然鏈，而是一個帶有瓶頸、回饋、觀察者、有限注意力與歷史依賴的動態傳播空間。} }

參考文獻

[1] Azzopardi, L., & Vinay, V. (2008). Retrievability: An Evaluation Measure for Higher Order Information Access Tasks. CIKM 2008, 561–570. DOI: 10.1145/1458082.1458157.

[2] 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.

[3] 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.

[4] Mariani, M. S., Battiston, F., Horvát, E.-Á., Livan, G., Musciotto, F., et al. (2024). Collective Dynamics Behind Success. Nature Communications, 15, 10701. DOI: 10.1038/s41467-024-54612-4.

[5] Denrell, J., & Liu, C. (2021). When Reinforcing Processes Generate an Outcome-Quality Dip. Organization Science, 32(4), 1079–1099. DOI: 10.1287/orsc.2020.1414.

[6] Goel, S., Anderson, A., Hofman, J., & Watts, D. J. (2016). The Structural Virality of Online Diffusion. Management Science, 62(1), 180–196. DOI: 10.1287/mnsc.2015.2158.

[7] Rizoiu, M.-A., Xie, L., Sanner, S., Cebrian, M., Yu, H., & Van Hentenryck, P. (2017). Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity. WWW 2017, 735–744. DOI: 10.1145/3038912.3052650.

[8] Watts, D. J. (2002). A Simple Model of Global Cascades on Random Networks. PNAS, 99(9), 5766–5771. DOI: 10.1073/pnas.082090499.

[9] Bass, F. M. (1969). A New Product Growth for Model Consumer Durables. Management Science, 15(5), 215–227. DOI: 10.1287/mnsc.15.5.215.

[10] Chevalier, J. A., & Mayzlin, D. (2006). The Effect of Word of Mouth on Sales: Online Book Reviews. Journal of Marketing Research, 43(3), 345–354. DOI: 10.1509/jmkr.43.3.345.

[11] Duan, W., Gu, B., & Whinston, A. B. (2008). The Dynamics of Online Word-of-Mouth and Product Sales—An Empirical Investigation of the Movie Industry. Journal of Retailing, 84(2), 233–242.

[12] Babić Rosario, A., Sotgiu, F., De Valck, K., & Bijmolt, T. H. A. (2016). The Effect of Electronic Word of Mouth on Sales: A Meta-Analytic Review of Platform, Product, and Metric Factors. Journal of Marketing Research, 53(3). DOI: 10.1509/jmr.14.0380.

[13] Brynjolfsson, E., Hu, Y. J., & Simester, D. (2011). Goodbye Pareto Principle, Hello Long Tail: The Effect of Search Costs on the Concentration of Product Sales. Management Science, 57(8), 1373–1386. DOI: 10.1287/mnsc.1110.1371.

[14] Brynjolfsson, E., Chen, L., & Gao, X. (2025). Gains from Product Variety: Evidence from a Large Digital Platform. Information Systems Research, 36(4), 2298–2308. DOI: 10.1287/isre.2023.0410.

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

[16] Du, K., Snæbjarnarson, V., Stoehr, N., White, J., Schein, A., & Cotterell, R. (2024). Context versus Prior Knowledge in Language Models. ACL 2024, 13211–13235. DOI: 10.18653/v1/2024.acl-long.714.

[17] Ghonim, K., Huguet Cabot, P.-L., Orlando, R., & Navigli, R. (2025). RAED: Retrieval-Augmented Entity Description Generation for Emerging Entity Linking and Disambiguation. EMNLP 2025, 34439–34452. DOI: 10.18653/v1/2025.emnlp-main.1746.

[18] Wu, J., Yin, W., Jiang, Y., Wang, Z., et al. (2025). WebWalker: Benchmarking LLMs in Web Traversal. ACL 2025, 10290–10305. DOI: 10.18653/v1/2025.acl-long.508.

13 篇體系位置

Series I：公共顯著性場與實體可辨識理論

  1. 有名—無名的多維狀態空間
  2. 多符號非均勻權重與高階語義耦合
  3. 搜尋顯著度、人類知名度與機器可辨識度的解耦
  4. 觀察者依賴的感知顯著度理論
  5. 資訊質量累積與顯著性壓力猜想
  6. 第三方生成相變與自我繁殖公共圖

Series II：品質—發現—傳播—成功解耦理論

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

Unified Paper

  1. 從存在到成功：資訊空間中的存在—發現—顯著—傳播統一理論