Series I / Paper 06
第三方生成相變與自我繁殖公共圖：從外部提及到可持續公共顯著性
Third-Party Generation Transitions and Externally Reproducing Public Graphs: From External Mentions to Self-Sustaining Public Prominence
作者：Neo.K（許筌崴） 機構：EveMissLab 系列：公共顯著性場與實體可辨識理論（Series I） 版本：v0.1 日期：2026-08-14
摘要
一個實體被第三方提及，並不等於它已經形成可持續的公共顯著性。單次媒體報導、一次大型社群帳號轉發、搜尋引擎高排名或 AI 回答引用，都可能造成巨大曝光，但在沒有後續外部再生成時，這些事件仍可能快速衰減。反過來，一個目前總曝光不高的實體，若已形成多代外部內容生成鏈，則可能具有比單次大型 broadcast 更高的結構性自我延續能力。
本文提出「外部再生公共圖」（Externally Reproducing Public Graph, ERPG），將公共內容表示為帶有來源控制權、因果／衍生關係、時間、身份歸因與獨立性權重的有向圖。本文區分三個不同狀態：外部首次出現、外部持續生成與外部自我繁殖。第三方內容數量 X e x t X_{\mathrm{ext}} X ext
本文引入外部再生數：
R e x t = E [ K v ∣ v ∈ V e x t ] , \mathcal R_{\mathrm{ext}}
=
E[K_v\mid v\in V_{\mathrm{ext}}], R ext = E [ K v ∣ v ∈ V ext ] , 其中 K v K_v K v
R e x t = 1. \mathcal R_{\mathrm{ext}}=1. R ext = 1. 若：
R e x t ≤ 1 , \mathcal R_{\mathrm{ext}}\le1, R ext ≤ 1 , 外部級聯幾乎必然最終消亡；若：
R e x t > 1 , \mathcal R_{\mathrm{ext}}>1, R ext > 1 , 則存在嚴格正的永久存續概率。此結果提供一個清楚但模型依賴的「相變」定義。本文進一步給出多類型再生矩陣、Hawkes 型 endogenous/exogenous 分解、外部自主度、代際深度、結構病毒性與持久性指標。
既有網路擴散研究顯示，熱門事件可以由單次大規模 broadcast 或多代 viral diffusion 產生，而且兩者在總曝光量相似時具有完全不同的擴散結構；Hawkes 類模型則提供區分外生推廣與內生自激反應的自然工具。本文因此主張：
Third-Party Attention ≠ Third-Party Reproduction ≠ Self-Sustaining Public Prominence . \boxed{
\text{Third-Party Attention}
\neq
\text{Third-Party Reproduction}
\neq
\text{Self-Sustaining Public Prominence}.
} Third-Party Attention = Third-Party Reproduction = Self-Sustaining Public Prominence . 最後，本文將 AI 搜尋與生成式回答加入模型：AI 可以增加瞬時曝光與外部發現，但只有在回答被持久化、索引、引用或再生成時，才形成 ERPG 中的新公共節點。這使「機器辨識」與「機器驅動的公共再生」得到明確區分。
關鍵詞： 第三方生成、公共圖、自我繁殖、資訊級聯、branching process、Hawkes process、structural virality、公共顯著性、AI 搜尋、資訊擴散
1. Series I 的最後一個問題
前五篇已建立完整的前置結構。
Paper 01：
x E Ω = ( I , S , V , D , R , M , H , A , ρ ) . \mathbf{x}_E^{\Omega}
=
(I,S,V,D,R,M,H,A,\rho). x E Ω = ( I , S , V , D , R , M , H , A , ρ ) . Paper 02：
R = Φ ( Σ E , w Ω , T E Ω , D , K ) . R
=
\Phi
\left(
\Sigma_E,
\mathbf w^{\Omega},
\mathfrak T_E^{\Omega},
\mathcal D,
\mathbf K
\right). R = Φ ( Σ E , w Ω , T E Ω , D , K ) . Paper 03：
( P S , M L , H 0 ) . (P_S,M_L,H_0). ( P S , M L , H 0 ) . Paper 04：
Π o ( E ) = G θ o ( x E Ω ) . \Pi_o(E)
=
G_{\theta_o}
\left(
\mathbf{x}_E^{\Omega}
\right). Π o ( E ) = G θ o ( x E Ω ) . Paper 05：
∑ p n = ∞ ⇒ P ( eventual effective external contact ) = 1. \sum p_n=\infty
\Rightarrow
P(\text{eventual effective external contact})=1. ∑ p n = ∞ ⇒ P ( eventual effective external contact ) = 1. 但 Paper 05 刻意沒有回答：
外部人看見之後，什麼時候才算公共資訊開始「自己長」？
這就是本文問題。
2. 第三方提及不是相變
令：
X e x t ( t ) X_{\mathrm{ext}}(t) X ext ( t ) 表示時間 t t t E E E
如果：
X e x t ( t ) > 0 , X_{\mathrm{ext}}(t)>0, X ext ( t ) > 0 , 只能推出：
external public mention exists . \boxed{
\text{external public mention exists}.
} external public mention exists . 它不能推出：
external reproduction exists . \boxed{
\text{external reproduction exists}.
} external reproduction exists . 例如：
一篇新聞報導；
一次大型 influencer 轉發；
一次熱門論壇貼文；
一個搜尋首頁結果；
一次 AI 回答引用；
都可能帶來巨大流量，但後續完全停止。
因此：
X e x t ≫ 0 X_{\mathrm{ext}}\gg0 X ext ≫ 0 仍不等於：
R e x t > 1. \mathcal R_{\mathrm{ext}}>1. R ext > 1. 3. Public Artifact Graph
定義公共內容圖：
G E ( t ) = ( V t , E t ) . \mathcal G_E(t)
=
(V_t,E_t). G E ( t ) = ( V t , E t ) . 每個節點：
v ∈ V t v\in V_t v ∈ V t 是一個可識別公共資訊 artifact，例如：
網頁；
新聞；
論文；
書籍頁；
Git commit／repository page；
社群貼文；
影片；
公開資料集；
可持久索引的 AI 生成內容。
對節點定義標記：
χ ( v ) ∈ { s e l f , e x t e r n a l } . \chi(v)
\in
\{
\mathrm{self},
\mathrm{external}
\}. χ ( v ) ∈ { self , external } . 其中：
χ ( v ) = s e l f \chi(v)=\mathrm{self} χ ( v ) = self 代表該 artifact 由實體 E E E
χ ( v ) = e x t e r n a l \chi(v)=\mathrm{external} χ ( v ) = external 代表由獨立第三方控制來源生成。
4. 邊的意義
有向邊：
u → v u\rightarrow v u → v 表示：
節點 v v v u u u
邊可以攜帶：
e u v = ( τ u v , c u v , r u v ) , e_{uv}
=
(\tau_{uv},c_{uv},r_{uv}), e uv = ( τ uv , c uv , r uv ) , 其中：
τ u v \tau_{uv} τ uv c u v c_{uv} c uv r u v r_{uv} r uv
可能的 r u v r_{uv} r uv
citation；
repost；
response；
coverage；
review；
commentary；
derivative analysis；
recommendation；
AI-mediated discovery。
因此本文不是把所有「同時出現」都當成擴散因果。
5. 外部節點必須折扣鏡像與複製
一百個自動鏡像不能當成一百個獨立第三方再生事件。
對外部節點：
v v v 定義：
ν ( v ) ∈ [ 0 , 1 ] \nu(v)\in[0,1] ν ( v ) ∈ [ 0 , 1 ] 為來源獨立性；
u ( v ) ∈ [ 0 , 1 ] u(v)\in[0,1] u ( v ) ∈ [ 0 , 1 ] 為新增資訊／重組程度；
a ( v ) ∈ [ 0 , 1 ] a(v)\in[0,1] a ( v ) ∈ [ 0 , 1 ] 為對實體的身份歸因強度。
定義有效外部節點權重：
w e x t ( v ) = ν ( v ) u ( v ) a ( v ) . w_{\mathrm{ext}}(v)
=
\nu(v)u(v)a(v). w ext ( v ) = ν ( v ) u ( v ) a ( v ) . 因此：
X e x t e f f ( t ) = ∑ v ∈ V t χ ( v ) = e x t e r n a l w e x t ( v ) . X_{\mathrm{ext}}^{\mathrm{eff}}(t)
=
\sum_{\substack{v\in V_t\\\chi(v)=\mathrm{external}}}
w_{\mathrm{ext}}(v). X ext eff ( t ) = v ∈ V t χ ( v ) = external ∑ w ext ( v ) . 所以：
external page count ≠ effective external generation mass . \boxed{
\text{external page count}
\neq
\text{effective external generation mass}.
} external page count = effective external generation mass . 6. Self-Generated Information Graph
如果幾乎所有有效節點都滿足：
χ ( v ) = s e l f , \chi(v)=\mathrm{self}, χ ( v ) = self , 則稱：
G E \mathcal G_E G E 處於：
Self-Generated Information Graph regime . \boxed{
\text{Self-Generated Information Graph regime}.
} Self-Generated Information Graph regime . 其典型特徵：
X s e l f ≫ X e x t . X_{\mathrm{self}}\gg X_{\mathrm{ext}}. X self ≫ X ext . 這個實體可以：
網路資料非常多；
搜尋顯著度很高；
AI 很容易辨識；
身份閉合很好；
但外部社會仍沒有替它持續產生新資訊。
7. External-Onset Regime
若首次出現：
v ∈ V e x t v\in V_{\mathrm{ext}} v ∈ V ext 且：
w e x t ( v ) > 0 , w_{\mathrm{ext}}(v)>0, w ext ( v ) > 0 , 則進入：
External-Onset Regime . \boxed{
\text{External-Onset Regime}.
} External-Onset Regime . 這只是：
self → external \text{self}
\rightarrow
\text{external} self → external 第一次跨越。
它不是本文所稱的真正相變。
8. 外部對外部再生
對任一外部節點：
v ∈ V e x t , v\in V_{\mathrm{ext}}, v ∈ V ext , 定義其有效外部 offspring 集合：
Child e x t ( v ) = { u : v → u , χ ( u ) = e x t e r n a l } . \operatorname{Child}_{\mathrm{ext}}(v)
=
\{
u:
v\rightarrow u,
\chi(u)=\mathrm{external}
\}. Child ext ( v ) = { u : v → u , χ ( u ) = external } . 定義：
K v = ∑ u ∈ Child e x t ( v ) w e x t ( u ) c v u . K_v
=
\sum_{u\in\operatorname{Child}_{\mathrm{ext}}(v)}
w_{\mathrm{ext}}(u)c_{vu}. K v = u ∈ Child ext ( v ) ∑ w ext ( u ) c v u . K v K_v K v
一個外部節點在下一代實際生成多少有效、獨立、可歸因的新外部內容。
9. External Reproduction Number
定義：
R e x t = E [ K v ∣ v ∈ V e x t ] . \boxed{
\mathcal R_{\mathrm{ext}}
=
E
\left[
K_v
\mid
v\in V_{\mathrm{ext}}
\right].
} R ext = E [ K v ∣ v ∈ V ext ] . 它不是總第三方文章數。
它測量的是：
external → external \boxed{
\text{external}
\rightarrow
\text{external}
} external → external 的平均再生能力。
如果：
R e x t = 0 , \mathcal R_{\mathrm{ext}}=0, R ext = 0 , 所有第三方內容都是 dead ends。
如果：
0 < R e x t < 1 , 0<\mathcal R_{\mathrm{ext}}<1, 0 < R ext < 1 , 外部傳播可以形成多代 cascade，但在簡單 branching approximation 下傾向消亡。
如果：
R e x t > 1 , \mathcal R_{\mathrm{ext}}>1, R ext > 1 , 則開始具有自我持續的可能。
10. 為什麼不是只看外部比例？
Paper 05 定義：
η e x t = X e x t X s e l f + X e x t . \eta_{\mathrm{ext}}
=
\frac{
X_{\mathrm{ext}}
}{
X_{\mathrm{self}}+X_{\mathrm{ext}}
}. η ext = X self + X ext X ext . 這很有用，但仍不充分。
可能有：
η e x t ≈ 1 \eta_{\mathrm{ext}}\approx1 η ext ≈ 1 卻：
R e x t = 0. \mathcal R_{\mathrm{ext}}=0. R ext = 0. 例如：
一個巨大媒體同時觸發很多獨立報導，但沒有任何報導再引發下一代討論。
反之，可以有：
η e x t \eta_{\mathrm{ext}} η ext 目前不高，但：
R e x t > 1. \mathcal R_{\mathrm{ext}}>1. R ext > 1. 表示小型但可持續的外部鏈已經形成。
所以：
external share ≠ external reproduction . \boxed{
\text{external share}
\neq
\text{external reproduction}.
} external share = external reproduction . 11. Broadcast 與 Viral Structure
令一個外部 diffusion tree 為：
T . T. T . 若一個 root 直接產生大量子節點：
d r o o t ≫ 0 , d_{\mathrm{root}}\gg0, d root ≫ 0 , 而後續深度很低，這是：
broadcast-dominated diffusion . \boxed{
\text{broadcast-dominated diffusion}.
} broadcast-dominated diffusion . 如果資訊透過多代：
v 0 → v 1 → v 2 → ⋯ v_0
\rightarrow
v_1
\rightarrow
v_2
\rightarrow
\cdots v 0 → v 1 → v 2 → ⋯ 逐步傳播，則更接近：
viral / generational diffusion . \boxed{
\text{viral / generational diffusion}.
} viral / generational diffusion . 兩者可能具有相似總節點數，但結構完全不同。
12. Structural Virality
對 diffusion tree T T T
ν T = 1 n ( n − 1 ) ∑ i ≠ j d T ( i , j ) , \nu_T
=
\frac{
1
}{
n(n-1)
}
\sum_{i\neq j}
d_T(i,j), ν T = n ( n − 1 ) 1 i = j ∑ d T ( i , j ) , 其中：
n = ∣ V ( T ) ∣ . n=|V(T)|. n = ∣ V ( T ) ∣. 高：
ν T \nu_T ν T 通常表示傳播沿多代、分布式路徑成長；
低：
ν T \nu_T ν T 則可能由單次大型 broadcast 主導。
因此：
cascade size ≠ structural virality . \boxed{
\text{cascade size}
\neq
\text{structural virality}.
} cascade size = structural virality . 13. 既有大型實證的警告
對大規模 Twitter diffusion events 的研究顯示，熱門事件可以由 broadcast、viral spreading 及兩者混合產生。
因此：
large popularity ⇏ high generational reproduction . \boxed{
\text{large popularity}
\not\Rightarrow
\text{high generational reproduction}.
} large popularity ⇒ high generational reproduction . 這正是本文不以：
X e x t X_{\mathrm{ext}} X ext 或：
H H H 單獨定義相變的原因。
14. 最簡 branching approximation
現在建立一個理想化模型。
令：
Z g Z_g Z g 表示第 g g g
假設每個外部節點獨立產生 Poisson offspring：
K ∼ Poisson ( R e x t ) . K
\sim
\operatorname{Poisson}
(\mathcal R_{\mathrm{ext}}). K ∼ Poisson ( R ext ) . 則：
Z g + 1 = ∑ i = 1 Z g K i . Z_{g+1}
=
\sum_{i=1}^{Z_g}K_i. Z g + 1 = i = 1 ∑ Z g K i . 這是一個單類型 Galton–Watson branching process。
15. Extinction Probability
令：
q q q 表示從一個外部節點開始，外部再生鏈最終消亡的概率。
Poisson offspring 的 probability-generating function：
f ( s ) = exp [ R e x t ( s − 1 ) ] . f(s)
=
\exp
\left[
\mathcal R_{\mathrm{ext}}(s-1)
\right]. f ( s ) = exp [ R ext ( s − 1 ) ] . branching-process extinction probability 滿足：
q = f ( q ) . q=f(q). q = f ( q ) . 因此：
q = exp [ R e x t ( q − 1 ) ] . \boxed{
q
=
\exp
\left[
\mathcal R_{\mathrm{ext}}(q-1)
\right].
} q = exp [ R ext ( q − 1 ) ] . 16. 定理 1：Poisson External-Reproduction Threshold
在上述模型中：
若
R e x t ≤ 1 , \mathcal R_{\mathrm{ext}}\le1, R ext ≤ 1 , 則：
q = 1. q=1. q = 1. 也就是外部 cascade 幾乎必然最終消亡。
若
R e x t > 1 , \mathcal R_{\mathrm{ext}}>1, R ext > 1 , 則存在唯一：
q ⋆ ∈ ( 0 , 1 ) q^\star\in(0,1) q ⋆ ∈ ( 0 , 1 ) 滿足：
q ⋆ = exp [ R e x t ( q ⋆ − 1 ) ] . q^\star
=
\exp
\left[
\mathcal R_{\mathrm{ext}}
(q^\star-1)
\right]. q ⋆ = exp [ R ext ( q ⋆ − 1 ) ] . 因此：
1 − q ⋆ > 0 1-q^\star>0 1 − q ⋆ > 0 是永久存續概率。
17. 定理 1 證明
定義：
g ( q ) = e R ( q − 1 ) − q . g(q)
=
e^{\mathcal R(q-1)}-q. g ( q ) = e R ( q − 1 ) − q . 顯然：
g ( 1 ) = 0. g(1)=0. g ( 1 ) = 0. 若：
R ≤ 1 , \mathcal R\le1, R ≤ 1 , 則對：
q ∈ [ 0 , 1 ] , q\in[0,1], q ∈ [ 0 , 1 ] , 有：
g ′ ( q ) = R e R ( q − 1 ) − 1 ≤ R − 1 ≤ 0. g'(q)
=
\mathcal R
e^{\mathcal R(q-1)}
-1
\le
\mathcal R-1
\le0. g ′ ( q ) = R e R ( q − 1 ) − 1 ≤ R − 1 ≤ 0. 所以 g g g [ 0 , 1 ] [0,1] [ 0 , 1 ]
g ( 1 ) = 0. g(1)=0. g ( 1 ) = 0. 因此對：
q < 1 , q<1, q < 1 , 有：
g ( q ) ≥ 0. g(q)\ge0. g ( q ) ≥ 0. 唯一固定點為：
q = 1. q=1. q = 1. 再考慮：
R > 1. \mathcal R>1. R > 1. 有：
g ( 0 ) = e − R > 0 , g(0)=e^{-\mathcal R}>0, g ( 0 ) = e − R > 0 , 以及：
g ′ ( 1 ) = R − 1 > 0. g'(1)=\mathcal R-1>0. g ′ ( 1 ) = R − 1 > 0. 所以對充分小的：
ϵ > 0 , \epsilon>0, ϵ > 0 , 有：
g ( 1 − ϵ ) < 0. g(1-\epsilon)<0. g ( 1 − ϵ ) < 0. 由連續性，在：
( 0 , 1 ) (0,1) ( 0 , 1 ) 存在至少一個根。
又因：
g ′ ′ ( q ) = R 2 e R ( q − 1 ) > 0 , g''(q)
=
\mathcal R^2
e^{\mathcal R(q-1)}
>0, g ′′ ( q ) = R 2 e R ( q − 1 ) > 0 , 所以 g g g
已知：
q = 1 q=1 q = 1 是一個根，因此 [ 0 , 1 ) [0,1) [ 0 , 1 )
故存在唯一：
q ⋆ ∈ ( 0 , 1 ) . q^\star\in(0,1). q ⋆ ∈ ( 0 , 1 ) . 所以：
1 − q ⋆ > 0. 1-q^\star>0. 1 − q ⋆ > 0. □ \boxed{\square} □ 18. 模型內的相變
因此在這個理想模型中：
R e x t = 1 \boxed{
\mathcal R_{\mathrm{ext}}=1
} R ext = 1 是一個真正的臨界點。
Subcritical
R e x t < 1. \mathcal R_{\mathrm{ext}}<1. R ext < 1. 每次外部討論最終都消亡。
Critical
R e x t = 1. \mathcal R_{\mathrm{ext}}=1. R ext = 1. 系統位於臨界邊界；有限 cascade 仍幾乎必然消亡，但其尺度與壽命可以變得高度變異。
Supercritical
R e x t > 1. \mathcal R_{\mathrm{ext}}>1. R ext > 1. 存在正概率形成永久外部再生鏈。
這就是本文最嚴格的「第三方生成相變」。
19. 這個相變不是普遍現實定理
真實資訊網路具有：
有限人口；
時間衰減；
演算法推薦；
平台切換；
重複受眾；
多種類型內容；
競爭議題；
大型媒體 broadcast；
外生新聞事件；
自我再次投入；
AI 中介。
所以：
R e x t = 1 \mathcal R_{\mathrm{ext}}=1 R ext = 1 只能被視為：
branching approximation 的結構臨界值 . \boxed{
\text{branching approximation 的結構臨界值}.
} branching approximation 的結構臨界值 . 不能宣稱所有公共名氣都存在相同的物理常數臨界點。
20. 多類型再生矩陣
不同通道具有不同再生能力。
令：
C = { news , social , academic , video , AI , … } . \mathcal C
=
\{
\text{news},
\text{social},
\text{academic},
\text{video},
\text{AI},
\ldots
\}. C = { news , social , academic , video , AI , … } . 定義：
B i j = E [ type i external node generates type j offspring ] . B_{ij}
=
E
\left[
\text{type }i
\text{ external node generates type }j
\text{ offspring}
\right]. B ij = E [ type i external node generates type j offspring ] . 得到：
B = [ B i j ] . \mathbf B
=
[B_{ij}]. B = [ B ij ] . 在標準多類型 branching approximation 中，自我持續條件與：
ρ ( B ) \rho(\mathbf B) ρ ( B ) 即 reproduction matrix 的 spectral radius 有關。
因此比單一：
R e x t \mathcal R_{\mathrm{ext}} R ext 更完整的控制參數是：
ρ ( B ) . \boxed{
\rho(\mathbf B).
} ρ ( B ) . 21. 為什麼跨平台可能很重要？
假設：
B n e w s , s o c i a l ≫ 0 , B_{\mathrm{news,social}}\gg0, B news , social ≫ 0 , B s o c i a l , v i d e o ≫ 0 , B_{\mathrm{social,video}}\gg0, B social , video ≫ 0 , B v i d e o , s e a r c h ≫ 0. B_{\mathrm{video,search}}\gg0. B video , search ≫ 0. 即使每個單一平台內的再生能力都低，跨平台循環：
news → social → video → search → news \text{news}
\rightarrow
\text{social}
\rightarrow
\text{video}
\rightarrow
\text{search}
\rightarrow
\text{news} news → social → video → search → news 仍可能形成高：
ρ ( B ) . \rho(\mathbf B). ρ ( B ) . 因此公共顯著性相變可能是一個：
cross-channel eigenvalue problem . \boxed{
\text{cross-channel eigenvalue problem}.
} cross-channel eigenvalue problem . 22. 停止自我注入測試
本文提出一個比「外部比例」更強的操作性測試。
選定：
t 0 . t_0. t 0 . 假設從：
t ≥ t 0 t\ge t_0 t ≥ t 0 開始：
λ s e l f ( t ) = 0. \lambda_{\mathrm{self}}(t)=0. λ self ( t ) = 0. 也就是實體不再新增任何自有宣傳／內容。
觀察：
X e x t ( t ) . X_{\mathrm{ext}}(t). X ext ( t ) . 若：
X e x t X_{\mathrm{ext}} X ext 快速停止，系統仍是：
externally dependent . \boxed{
\text{externally dependent}.
} externally dependent . 若外部內容仍可跨多代持續生成，則系統具有：
external autonomous persistence . \boxed{
\text{external autonomous persistence}.
} external autonomous persistence . 23. Autonomous Persistence Index
定義：
A p e r s ( T ) = X e x t ( t 0 + T ) − X e x t ( t 0 ) X e x t ( t 0 ) + ϵ . A_{\mathrm{pers}}(T)
=
\frac{
X_{\mathrm{ext}}(t_0+T)-X_{\mathrm{ext}}(t_0)
}{
X_{\mathrm{ext}}(t_0)
+\epsilon
}. A pers ( T ) = X ext ( t 0 ) + ϵ X ext ( t 0 + T ) − X ext ( t 0 ) . 此量衡量停止 self-seeding 後，外部圖在窗口 T T T
更強地，定義：
P s u r v ( T ) = P ( Z g > 0 for all generations up to T ) . P_{\mathrm{surv}}(T)
=
P
\left(
Z_g>0
\text{ for all generations up to }T
\right). P surv ( T ) = P ( Z g > 0 for all generations up to T ) . 只有外部內容能在無新增自我投入時延續，才接近本文的「自我繁殖」。
24. Externally Reproducing Public Graph
定義 1：ERPG
若公共圖：
G E \mathcal G_E G E 滿足：
存在有效外部節點；
存在外部到外部的有效生成邊；
外部生成具有至少二代以上深度；
停止新增 self-seeding 後仍有正外部生成概率；
在指定模型與時間尺度下，外部再生結構具有非退化持久性；
則稱：
G E is an Externally Reproducing Public Graph . \boxed{
\mathcal G_E
\text{ is an Externally Reproducing Public Graph}.
} G E is an Externally Reproducing Public Graph . 如果進一步在 branching approximation 下：
R e x t > 1 , \mathcal R_{\mathrm{ext}}>1, R ext > 1 , 則稱為：
supercritical ERPG . \boxed{
\text{supercritical ERPG}.
} supercritical ERPG . 25. 三個外部階段
Phase I：External Mention
X e x t > 0. X_{\mathrm{ext}}>0. X ext > 0. 有人談論。
Phase II：External Cascade
存在：
external → external \text{external}
\rightarrow
\text{external} external → external 多代結構。
Phase III：External Self-Reproduction
在指定尺度下：
R e x t > 1 \mathcal R_{\mathrm{ext}}>1 R ext > 1 或：
ρ ( B ) > 1 , \rho(\mathbf B)>1, ρ ( B ) > 1 , 並在停止 self-seeding 後仍存在正持續概率。
因此：
Mention ≠ Cascade ≠ Self-Reproduction . \boxed{
\text{Mention}
\neq
\text{Cascade}
\neq
\text{Self-Reproduction}.
} Mention = Cascade = Self-Reproduction . 26. Hawkes 型連續時間模型
branching generation 適合離散代。
對真實連續時間事件，可以使用 Hawkes 型表示：
λ e x t ( t ) = μ e x o ( t ) + ∑ t i < t κ ( t − t i ) . \lambda_{\mathrm{ext}}(t)
=
\mu_{\mathrm{exo}}(t)
+
\sum_{t_i<t}
\kappa(t-t_i). λ ext ( t ) = μ exo ( t ) + t i < t ∑ κ ( t − t i ) . 其中：
μ e x o ( t ) \mu_{\mathrm{exo}}(t) μ exo ( t ) 表示外生輸入，例如：
自有發布；
新聞事件；
平台推薦；
大型 influencer；
搜尋首頁突然曝光。
而：
∑ κ ( t − t i ) \sum\kappa(t-t_i) ∑ κ ( t − t i ) 代表既有外部事件所造成的內生自激。
27. Hawkes Branching Ratio
定義：
n H = ∫ 0 ∞ κ ( s ) d s . n_H
=
\int_0^\infty
\kappa(s)\,ds. n H = ∫ 0 ∞ κ ( s ) d s . 它可以被解讀為：
一個事件平均引發多少內生後代事件。
因此：
n H n_H n H 與：
R e x t \mathcal R_{\mathrm{ext}} R ext 在概念上相鄰。
本文可以用：
n H n_H n H 估計連續時間 endogenous reproduction。
28. Exogenous 與 Endogenous Popularity
如果：
μ e x o ≫ 0 \mu_{\mathrm{exo}}\gg0 μ exo ≫ 0 但：
n H ≪ 1 , n_H\ll1, n H ≪ 1 , 則高曝光主要由外部 broadcast／promotion 推動。
如果：
n H n_H n H 較高，則較多後續活動由既有事件本身誘發。
因此：
popularity magnitude ≠ endogenous reproduction strength . \boxed{
\text{popularity magnitude}
\neq
\text{endogenous reproduction strength}.
} popularity magnitude = endogenous reproduction strength . 這與 structural virality 的圖結構觀點互補。
29. 2025 年擴散模型仍在處理競爭場
當多個議題同時競爭注意力時：
λ E ( t ) \lambda_E(t) λ E ( t ) 不只受到自身事件影響。
可以寫成：
λ i ( t ) = μ i ( t ) + ∑ j ∑ t j k < t κ i j ( t − t j k ) , \lambda_i(t)
=
\mu_i(t)
+
\sum_j
\sum_{t_{jk}<t}
\kappa_{ij}(t-t_{jk}), λ i ( t ) = μ i ( t ) + j ∑ t j k < t ∑ κ ij ( t − t j k ) , 其中：
κ i j \kappa_{ij} κ ij 允許不同議題／內容彼此促進或抑制。
因此真正的外部自我繁殖不是孤立的：
R e x t ( E ) \mathcal R_{\mathrm{ext}}(E) R ext ( E ) 而是存在於競爭注意力場中。
30. Endogenous External Fraction
定義所有有效外部節點集合：
V e x t . V_{\mathrm{ext}}. V ext . 其中具有至少一個外部父節點者：
V e n d o = { v ∈ V e x t : ∃ u ∈ V e x t , u → v } . V_{\mathrm{endo}}
=
\{
v\in V_{\mathrm{ext}}:
\exists u\in V_{\mathrm{ext}},
u\rightarrow v
\}. V endo = { v ∈ V ext : ∃ u ∈ V ext , u → v } . 定義：
ϕ e n d o = ∑ v ∈ V e n d o w e x t ( v ) ∑ v ∈ V e x t w e x t ( v ) . \phi_{\mathrm{endo}}
=
\frac{
\sum_{v\in V_{\mathrm{endo}}}
w_{\mathrm{ext}}(v)
}{
\sum_{v\in V_{\mathrm{ext}}}
w_{\mathrm{ext}}(v)
}. ϕ endo = ∑ v ∈ V ext w ext ( v ) ∑ v ∈ V endo w ext ( v ) . 如果：
ϕ e n d o ≈ 0 , \phi_{\mathrm{endo}}\approx0, ϕ endo ≈ 0 , 外部活動主要由 self/exogenous seeds 直接觸發。
如果：
ϕ e n d o ≫ 0 , \phi_{\mathrm{endo}}\gg0, ϕ endo ≫ 0 , 更多外部內容由其他外部內容誘發。
31. Generational Depth
定義：
L e x t = max { external-to-external path length } . L_{\mathrm{ext}}
=
\max
\{
\text{external-to-external path length}
\}. L ext = max { external-to-external path length } . 若：
L e x t = 0 , L_{\mathrm{ext}}=0, L ext = 0 , 只有外部 root。
若：
L e x t = 1 , L_{\mathrm{ext}}=1, L ext = 1 , 外部節點只產生一代外部子節點。
若：
L e x t ≫ 1 , L_{\mathrm{ext}}\gg1, L ext ≫ 1 , 則存在真正多代資訊鏈。
因此：
L e x t L_{\mathrm{ext}} L ext 是對：
X e x t X_{\mathrm{ext}} X ext 的重要補充。
32. Public Autonomy Vector
本文建議用向量而不是單一數字描述外部自主性：
A E = ( η e x t , ϕ e n d o , R e x t , L e x t , ν T , A p e r s ) . \mathbf A_E
=
\left(
\eta_{\mathrm{ext}},
\phi_{\mathrm{endo}},
\mathcal R_{\mathrm{ext}},
L_{\mathrm{ext}},
\nu_T,
A_{\mathrm{pers}}
\right). A E = ( η ext , ϕ endo , R ext , L ext , ν T , A pers ) . 其中：
η e x t \eta_{\mathrm{ext}} η ext ϕ e n d o \phi_{\mathrm{endo}} ϕ endo R e x t \mathcal R_{\mathrm{ext}} R ext L e x t L_{\mathrm{ext}} L ext ν T \nu_T ν T A p e r s A_{\mathrm{pers}} A pers
真正的 ERPG 應在多個座標上同時非退化。
33. 為什麼「第三方開始講」是一個重要轉折？
在 self-generated regime：
d X s e l f d t \frac{dX_{\mathrm{self}}}{dt} d t d X self 主要由實體自己控制。
但在外部生成 regime：
d X e x t d t \frac{dX_{\mathrm{ext}}}{dt} d t d X ext 部分由：
N e x t e r n a l \mathcal N_{\mathrm{external}} N external 即外部社會網路決定。
因此系統控制權發生改變：
content production control : E → E + N e x t e r n a l . \boxed{
\text{content production control}
:
E
\rightarrow
E+\mathcal N_{\mathrm{external}}.
} content production control : E → E + N external . 這是公共顯著性最重要的結構轉換之一。
34. 相變是控制權與動力學的改變
因此本文不是把：
X e x t = 1 X_{\mathrm{ext}}=1 X ext = 1 稱為相變。
真正的相變候選是：
external production changes from forced response to self-sustaining dynamics . \boxed{
\text{external production changes from forced response to self-sustaining dynamics}.
} external production changes from forced response to self-sustaining dynamics . 也就是從：
λ e x t ≈ F ( λ s e l f ) \lambda_{\mathrm{ext}}
\approx
F(\lambda_{\mathrm{self}}) λ ext ≈ F ( λ self ) 跨到：
λ e x t ≈ F ( λ e x t ) + exogenous terms . \lambda_{\mathrm{ext}}
\approx
F(\lambda_{\mathrm{ext}})
+
\text{exogenous terms}. λ ext ≈ F ( λ ext ) + exogenous terms . 35. Public Prominence 與 ERPG 不是同一個量
可能存在：
H 0 ≫ 0 H_0\gg0 H 0 ≫ 0 但：
R e x t ≪ 1. \mathcal R_{\mathrm{ext}}\ll1. R ext ≪ 1. 例如極大型 broadcast 讓幾百萬人瞬間知道某實體，但沒有長期第三方生成鏈。
反過來也可能：
H 0 H_0 H 0 目前仍低，但：
R e x t > 1 \mathcal R_{\mathrm{ext}}>1 R ext > 1 在一個小而持續的專業社群中成立。
因此：
fame level ≠ reproduction regime . \boxed{
\text{fame level}
\neq
\text{reproduction regime}.
} fame level = reproduction regime . 36. Niche Supercriticality
令領域：
d . d. d . 定義：
R e x t ( d ) . \mathcal R_{\mathrm{ext}}^{(d)}. R ext ( d ) . 可能存在：
R e x t ( m a t h ) > 1 \mathcal R_{\mathrm{ext}}^{(\mathrm{math})}>1 R ext ( math ) > 1 但：
R e x t ( p u b l i c ) < 1. \mathcal R_{\mathrm{ext}}^{(\mathrm{public})}<1. R ext ( public ) < 1. 這意味實體在專業圈已具有自我繁殖的討論結構，但尚未跨入大眾社會。
因此「有名」仍然需要領域條件化。
37. 負面自我繁殖
ERPG 不要求：
ρ > 0. \rho>0. ρ > 0. 可能存在：
R e x t > 1 \mathcal R_{\mathrm{ext}}>1 R ext > 1 且：
ρ < 0. \rho<0. ρ < 0. 也就是：
negative self-sustaining prominence . \boxed{
\text{negative self-sustaining prominence}.
} negative self-sustaining prominence . 批評、爭議與負面新聞同樣可以形成自我繁殖公共圖。
所以：
public reproduction ≠ positive reputation . \boxed{
\text{public reproduction}
\neq
\text{positive reputation}.
} public reproduction = positive reputation . 38. AI 回答是不是第三方節點？
這需要分情況。
一次私人、不可索引、沒有公開持久 URL 的 AI 回答：
y A I t r a n s i e n t y_{\mathrm{AI}}^{\mathrm{transient}} y AI transient 主要是一個：
exposure event . \boxed{
\text{exposure event}.
} exposure event . 它不一定是：
persistent public artifact . \boxed{
\text{persistent public artifact}.
} persistent public artifact . 因此不應自動計入：
V e x t . V_{\mathrm{ext}}. V ext . 39. Persistent AI Artifact
若 AI 生成內容被：
公開分享；
建立永久頁面；
被搜尋引擎索引；
被新聞或論壇引用；
被下一個 AI 系統抓取；
被用於新的公開內容；
則可以形成：
v A I ∈ V e x t . v_{\mathrm{AI}}
\in
V_{\mathrm{ext}}. v AI ∈ V ext . 因此：
AI generation → public reproduction \boxed{
\text{AI generation}
\rightarrow
\text{public reproduction}
} AI generation → public reproduction 需要 persistent-publication transition。
40. Machine-Mediated Edge
即使 AI 回答本身不公開，它仍可能造成：
u → AI answer → v , u
\rightarrow
\text{AI answer}
\rightarrow
v, u → AI answer → v , 其中使用者看到 AI 回答後生成公開內容 v v v
此時可以將其壓縮成 machine-mediated edge：
u → A I v . u
\xrightarrow{\mathrm{AI}}
v. u AI v . 所以 AI 可以提高：
R e x t \mathcal R_{\mathrm{ext}} R ext 而不必自身成為持久 artifact。
41. AI Reproduction Number
可進一步定義：
R A I = E [ 每一次 AI-mediated exposure 所生成的新公共外部 artifacts ] . \mathcal R_{\mathrm{AI}}
=
E
\left[
\text{每一次 AI-mediated exposure 所生成的新公共外部 artifacts}
\right]. R AI = E [ 每一次 AI-mediated exposure 所生成的新公共外部 artifacts ] . 若未來大量人類 discovery 都透過 AI：
R A I \mathcal R_{\mathrm{AI}} R AI 可能成為 ERPG 的重要組成。
但現階段本文只把它作為可測量擴展，不宣稱其已是主要公共傳播機制。
42. Search Engine 與 AI 的差異
搜尋引擎主要增加：
P S . P_S. P S . AI 搜尋代理可能同時提高：
M L M_L M L 與：
D . D. D . 但只有當結果轉成：
X e x t p e r s i s t e n t X_{\mathrm{ext}}^{\mathrm{persistent}} X ext persistent 或 machine-mediated public generation 時，才直接改變：
R e x t . \mathcal R_{\mathrm{ext}}. R ext . 因此：
machine recognizability ≠ machine-mediated reproduction . \boxed{
\text{machine recognizability}
\neq
\text{machine-mediated reproduction}.
} machine recognizability = machine-mediated reproduction . 43. Third-Party Transition Indicator
本文提出實證型指標：
Θ E = σ [ a 1 η e x t + a 2 ϕ e n d o + a 3 ( R e x t − 1 ) + a 4 L e x t + a 5 A p e r s ] , \Theta_E
=
\sigma
\left[
a_1\eta_{\mathrm{ext}}
+
a_2\phi_{\mathrm{endo}}
+
a_3(\mathcal R_{\mathrm{ext}}-1)
+
a_4L_{\mathrm{ext}}
+
a_5A_{\mathrm{pers}}
\right], Θ E = σ [ a 1 η ext + a 2 ϕ endo + a 3 ( R ext − 1 ) + a 4 L ext + a 5 A pers ] , 其中：
σ \sigma σ 為 logistic map。
Θ E \Theta_E Θ E
transition diagnostic score . \boxed{
\text{transition diagnostic score}.
} transition diagnostic score . 真正的研究應保留原始向量：
A E . \mathbf A_E. A E . 44. Operational Transition Criterion
可先使用以下操作性定義。
若在連續 K K K
R e x t > 1 , \mathcal R_{\mathrm{ext}}>1, R ext > 1 , 且：
ϕ e n d o > ϕ 0 , \phi_{\mathrm{endo}}>\phi_0, ϕ endo > ϕ 0 , L e x t ≥ L 0 , L_{\mathrm{ext}}\ge L_0, L ext ≥ L 0 , 並在 self-seeding 停止／控制後：
A p e r s > a 0 , A_{\mathrm{pers}}>a_0, A pers > a 0 , 則標記為：
candidate ERPG transition . \boxed{
\text{candidate ERPG transition}.
} candidate ERPG transition . 此定義可被資料修正，而不是先宣稱宇宙存在唯一臨界值。
45. Hysteresis
公共顯著性相變可能具有 hysteresis。
假設實體曾經跨入：
R e x t > 1. \mathcal R_{\mathrm{ext}}>1. R ext > 1. 即使之後：
R e x t < 1 , \mathcal R_{\mathrm{ext}}<1, R ext < 1 , 既有：
Wikipedia；
書籍；
新聞 archive；
citation；
followers；
backlinks；
search authority；
仍然可以使：
H 0 , P S , A H_0,
P_S,A H 0 , P S , A 保持高值。
因此：
entering prominence ≠ leaving prominence by reversing the same path . \boxed{
\text{entering prominence}
\neq
\text{leaving prominence by reversing the same path}.
} entering prominence = leaving prominence by reversing the same path . 這使公共顯著性具有歷史依賴。
46. Persistence Reservoir
令：
Q E ( t ) Q_E(t) Q E ( t ) 表示累積不可輕易消失的公共資產：
歷史報導；
引用；
archived pages；
follower base；
知識庫條目；
institutional records。
建立：
d Q E d t = α X e x t − δ Q Q E . \frac{dQ_E}{dt}
=
\alpha X_{\mathrm{ext}}
-
\delta_QQ_E. d t d Q E = α X ext − δ Q Q E . 若：
δ Q \delta_Q δ Q 很小，則即使外部生成速率下降，歷史 reservoir 仍能維持較高：
P S , H 0 , M L . P_S,H_0,M_L. P S , H 0 , M L . 因此相變可能產生長期記憶。
47. Extinction 不等於被遺忘
即使某一次外部 cascade：
Z g → 0 , Z_g
\rightarrow0, Z g → 0 , 也不表示：
H 0 → 0. H_0\rightarrow0. H 0 → 0. 因為 cascade 是事件過程；
知名度是狀態變量。
所以：
diffusion extinction ≠ recognition extinction . \boxed{
\text{diffusion extinction}
\neq
\text{recognition extinction}.
} diffusion extinction = recognition extinction . 這是 branching model 與 PPSS 必須分開的原因。
48. 多次 Exogenous Seeding
即使：
R e x t < 1 , \mathcal R_{\mathrm{ext}}<1, R ext < 1 , 若外生 seed rate：
μ e x o ( t ) \mu_{\mathrm{exo}}(t) μ exo ( t ) 長期很高，仍可以觀察到持續大量第三方內容。
因此：
persistent activity ⇏ R e x t > 1. \boxed{
\text{persistent activity}
\not\Rightarrow
\mathcal R_{\mathrm{ext}}>1.
} persistent activity ⇒ R ext > 1. 必須估計：
exo \text{exo} exo 與：
endo \text{endo} endo 兩部分。
這也是 Hawkes 類模型特別有價值的地方。
49. 競爭與抑制
當多個人物、產品或話題競爭同一注意力場：
λ i ( t ) \lambda_i(t) λ i ( t ) 可能受到其他實體：
j j j 的抑制。
因此可擴展：
λ i ( t ) = μ i ( t ) + ∑ j ∫ κ i j ( t − s ) d N j ( s ) . \lambda_i(t)
=
\mu_i(t)
+
\sum_j
\int
\kappa_{ij}(t-s)\,dN_j(s). λ i ( t ) = μ i ( t ) + j ∑ ∫ κ ij ( t − s ) d N j ( s ) . 其中：
κ i j < 0 \kappa_{ij}<0 κ ij < 0 可以概念性表示注意力競爭或替代。
實際 Hawkes positivity 條件需要使用相應 constrained model；此處只表示多實體耦合的理論需要。
50. ERPG 與 Prominence Pressure 的關係
Paper 05 的：
h τ h_\tau h τ 描述離開低顯著狀態的 hazard。
Paper 06 的：
R e x t \mathcal R_{\mathrm{ext}} R ext 描述外部內容本身的再生能力。
因此可能有：
h τ = F ( μ E , P S , M L , D , R e x t , Q E ) . h_\tau
=
F
\left(
\mu_E,
P_S,
M_L,
D,
\mathcal R_{\mathrm{ext}},
Q_E
\right). h τ = F ( μ E , P S , M L , D , R ext , Q E ) . 尤其：
R e x t > 1 \mathcal R_{\mathrm{ext}}>1 R ext > 1 可能成為：
h τ h_\tau h τ 快速增加的一個重要結構條件。
但不是唯一條件，因為大型 broadcast 同樣可能使：
h τ h_\tau h τ 瞬間很高。
51. 兩種跨越顯著度的方法
因此存在至少兩條路徑。
Broadcast Route
large external source → H 0 ↑ ↑ \text{large external source}
\rightarrow
H_0\uparrow\uparrow large external source → H 0 ↑↑ 但：
R e x t ≤ 1. \mathcal R_{\mathrm{ext}}\le1. R ext ≤ 1. Reproductive Route
small seeds → multi-generation external cascade → R e x t > 1. \text{small seeds}
\rightarrow
\text{multi-generation external cascade}
\rightarrow
\mathcal R_{\mathrm{ext}}>1. small seeds → multi-generation external cascade → R ext > 1. 兩者都可能導致 fame，但結構不同。
52. 這解釋了「有名但不自我繁殖」
某些人物可能靠：
電視；
一次重大事件；
大平台推薦；
一個超大型媒體；
迅速得到：
H 0 ≫ 0. H_0\gg0. H 0 ≫ 0. 但只要停止大型 broadcast：
X e x t X_{\mathrm{ext}} X ext 迅速衰退。
所以：
high fame + low reproduction \boxed{
\text{high fame}
+
\text{low reproduction}
} high fame + low reproduction 是一個合法狀態。
53. 也解釋了「還不有名但已開始自己長」
在某些專業社群：
H g l o b a l ≪ 1 , H_{\mathrm{global}}\ll1, H global ≪ 1 , 但：
R e x t ( d ) > 1. \mathcal R_{\mathrm{ext}}^{(d)}>1. R ext ( d ) > 1. 則外部討論可以在該領域自行延續。
這是一種：
pre-mass-fame reproductive state . \boxed{
\text{pre-mass-fame reproductive state}.
} pre-mass-fame reproductive state . 它可能永遠停留在 niche，也可能後續跨域。
54. Cross-Domain Escape
令：
B i j B_{ij} B ij 表示領域 i i i j j j
若某 niche：
i i i 已 supercritical：
B i i > 1 , B_{ii}>1, B ii > 1 , 但跨域：
B i j ≈ 0 , B_{ij}\approx0, B ij ≈ 0 , 則公共顯著度可能長期被困在專業社群。
真正的 mass fame 可能要求：
cross-domain reproduction paths \boxed{
\text{cross-domain reproduction paths}
} cross-domain reproduction paths 被打開。
55. 外部再生與品牌歸因
外部討論如果只談作品而不連回創作者：
R w o r k → E ≪ 1 , R_{\mathrm{work}\rightarrow E}\ll1, R work → E ≪ 1 , 則作品可以：
R e x t ( w o r k ) > 1 , \mathcal R_{\mathrm{ext}}^{(\mathrm{work})}>1, R ext ( work ) > 1 , 但人物本身：
R e x t ( E ) < 1. \mathcal R_{\mathrm{ext}}^{(E)}<1. R ext ( E ) < 1. 因此：
artifact fame ≠ creator fame . \boxed{
\text{artifact fame}
\neq
\text{creator fame}.
} artifact fame = creator fame . 這將直接接向 Series II 的作品成功理論。
56. Multi-Entity Attribution
一個公開 artifact 可以同時指向：
E 1 , E 2 , … , E k . E_1,E_2,\ldots,E_k. E 1 , E 2 , … , E k . 因此外部再生圖本質上可以是：
entity–artifact hypergraph . \boxed{
\text{entity–artifact hypergraph}.
} entity–artifact hypergraph . 一篇文章可能同時增加：
作者顯著度；
公司顯著度；
產品顯著度；
理論顯著度。
但增加幅度受到 attribution weights 影響。
57. ERPG Benchmark
本文提出：
PPSS External Reproduction Benchmark（PPSS-ERPG）
實體類型包括：
人物；
新創品牌；
開源專案；
論文／理論；
遊戲；
書籍；
影片；
事件；
小型社群人物；
高 broadcast 低 viral 案例；
低 broadcast 高 generational 案例。
58. Benchmark 資料欄
每一個 public artifact 記錄：
( t , χ , source , entity , parent , ν , u , a , channel ) . (
t,
\chi,
\text{source},
\text{entity},
\text{parent},
\nu,
u,
a,
\text{channel}
). ( t , χ , source , entity , parent , ν , u , a , channel ) . 因此可以重建：
G E ( t ) . \mathcal G_E(t). G E ( t ) . 並估計：
X e x t e f f , X_{\mathrm{ext}}^{\mathrm{eff}}, X ext eff , η e x t , \eta_{\mathrm{ext}}, η ext , ϕ e n d o , \phi_{\mathrm{endo}}, ϕ endo , R e x t , \mathcal R_{\mathrm{ext}}, R ext , L e x t , L_{\mathrm{ext}}, L ext , ν T , \nu_T, ν T , A p e r s . A_{\mathrm{pers}}. A pers . 59. 因果識別困難
從觀察資料推斷：
u → v u\rightarrow v u → v 並不容易。
兩篇文章相似可能因：
共同新聞事件；
同一 press release；
同時看到第三個來源；
搜尋引擎推薦；
真正引用；
獨立發現。
所以 ERPG benchmark 必須標記：
c u v c_{uv} c uv 而不是假裝知道全部因果。
60. Evidence Tiers
可定義：
Tier 3：Explicit
明確 hyperlink、citation、quote、reply、retweet。
Tier 2：Strong inferred
時間順序、內容特徵與來源敘述高度支持。
Tier 1：Weak inferred
只有語義相似與時序。
Tier 0：Unknown
不能判定。
R e x t \mathcal R_{\mathrm{ext}} R ext
61. 可檢驗假說
H1：External Count Insufficiency
控制：
X e x t X_{\mathrm{ext}} X ext 後，
R e x t \mathcal R_{\mathrm{ext}} R ext 與：
L e x t L_{\mathrm{ext}} L ext 仍能額外預測 future external persistence。
H2：Broadcast–Viral Decoupling
總曝光相近的實體可以具有顯著不同：
ν T \nu_T ν T 與：
R e x t . \mathcal R_{\mathrm{ext}}. R ext . H3：Self-Seeding Removal Test
對：
R e x t > 1 \mathcal R_{\mathrm{ext}}>1 R ext > 1 的候選實體，在控制 self-seeding 後：
A p e r s A_{\mathrm{pers}} A pers 應顯著高於：
R e x t < 1 \mathcal R_{\mathrm{ext}}<1 R ext < 1 實體。
H4：Machine-Mediated Reproduction
對 AI-search 依賴高的資訊類型，machine-mediated edges 的比例將隨時間上升。
H5：Cross-Domain Escape
從 niche prominence 進入 broad prominence 的案例，在 transition 前後應顯示：
ρ ( B c r o s s ) \rho(\mathbf B_{\mathrm{cross}}) ρ ( B cross ) 或跨域 offspring rate 上升。
62. 與 Watts Cascade Model 的關係
Watts 的 threshold cascade model 說明：
小型 seed 是否能造成 global cascade，高度依賴 network connectivity 與 vulnerable cluster。
因此本文的：
R e x t \mathcal R_{\mathrm{ext}} R ext 不取代 threshold cascade theory。
branching approximation 關心：
average reproduction . \text{average reproduction}. average reproduction . threshold model 關心：
node activation condition + network topology . \text{node activation condition}
+
\text{network topology}. node activation condition + network topology . 兩者描述不同機制。
63. 與 Structural Virality 的關係
Structural virality 告訴我們：
cascade shape \text{cascade shape} cascade shape 不能由：
cascade size \text{cascade size} cascade size 推出。
本文進一步問：
cascade shape + offspring generation \text{cascade shape}
+
\text{offspring generation} cascade shape + offspring generation 是否已進入：
self-sustaining regime . \text{self-sustaining regime}. self-sustaining regime . 因此：
ν T \nu_T ν T 與：
R e x t \mathcal R_{\mathrm{ext}} R ext 互補而不等價。
64. 與 Hawkes Popularity Models 的關係
HIP 類模型把：
exogenous promotion \text{exogenous promotion} exogenous promotion 與：
endogenous response \text{endogenous response} endogenous response 分開。
本文沿用這個思想，但將研究對象改為：
public entity prominence and third-party artifact generation . \boxed{
\text{public entity prominence and third-party artifact generation}.
} public entity prominence and third-party artifact generation . 也就是：
外部網路是否開始在沒有新的 self-seeding 下替實體持續生產內容？
65. 與 2025 Popularity Prediction 的關係
近期 Hawkes-based information-popularity models 已進一步把多話題共同存在與注意力競爭納入模型。
這說明現實擴散不能只估：
R e x t ( E ) \mathcal R_{\mathrm{ext}}(E) R ext ( E ) 而忽略：
E a t t e n t i o n ( t ) . \mathcal E_{\mathrm{attention}}(t). E attention ( t ) . 因此 ERPG 是：
entity-conditioned, environment-dependent . \boxed{
\text{entity-conditioned, environment-dependent}.
} entity-conditioned, environment-dependent . 66. Series I 的完整鏈
現在六篇形成：
Paper 01
What is fame? → multidimensional public state . \text{What is fame?}
\rightarrow
\text{multidimensional public state}. What is fame? → multidimensional public state . Paper 02
How is identity closed? → non-uniform higher-order symbol coupling . \text{How is identity closed?}
\rightarrow
\text{non-uniform higher-order symbol coupling}. How is identity closed? → non-uniform higher-order symbol coupling . Paper 03
Who can recognize it? → search/machine/human decoupling . \text{Who can recognize it?}
\rightarrow
\text{search/machine/human decoupling}. Who can recognize it? → search/machine/human decoupling . Paper 04
How does an observer judge fame? → observer-conditioned projection . \text{How does an observer judge fame?}
\rightarrow
\text{observer-conditioned projection}. How does an observer judge fame? → observer-conditioned projection . Paper 05
Does continued production pressure obscurity? → effective mass + contact hazard . \text{Does continued production pressure obscurity?}
\rightarrow
\text{effective mass + contact hazard}. Does continued production pressure obscurity? → effective mass + contact hazard . Paper 06
When does outside attention begin reproducing itself? → ERPG transition . \text{When does outside attention begin reproducing itself?}
\rightarrow
\text{ERPG transition}. When does outside attention begin reproducing itself? → ERPG transition . 67. Series I Unified State
完整公共狀態可暫時寫成：
P E ( t ) = ( x E , I E , P S , M L , H 0 , Π o , μ E , Ψ τ , A E , Q E ) . \mathfrak P_E(t)
=
\left(
\mathbf x_E,
\mathcal I_E,
P_S,
M_L,
H_0,
\Pi_o,
\mu_E,
\Psi_\tau,
\mathbf A_E,
Q_E
\right). P E ( t ) = ( x E , I E , P S , M L , H 0 , Π o , μ E , Ψ τ , A E , Q E ) . 其中：
x E = ( I , S , V , D , R , M , H , A , ρ ) , \mathbf x_E
=
(I,S,V,D,R,M,H,A,\rho), x E = ( I , S , V , D , R , M , H , A , ρ ) , I E = ( Σ E , w , T E , D , K ) , \mathcal I_E
=
(
\Sigma_E,
\mathbf w,
\mathfrak T_E,
\mathcal D,
\mathbf K
), I E = ( Σ E , w , T E , D , K ) , A E = ( η e x t , ϕ e n d o , R e x t , L e x t , ν T , A p e r s ) . \mathbf A_E
=
(
\eta_{\mathrm{ext}},
\phi_{\mathrm{endo}},
\mathcal R_{\mathrm{ext}},
L_{\mathrm{ext}},
\nu_T,
A_{\mathrm{pers}}
). A E = ( η ext , ϕ endo , R ext , L ext , ν T , A pers ) . 因此 fame 不再是：
F ( E ) . F(E). F ( E ) . 而是一個：
observer-dependent, time-dependent, multi-layer public-information dynamical state . \boxed{
\text{observer-dependent, time-dependent, multi-layer public-information dynamical state}.
} observer-dependent, time-dependent, multi-layer public-information dynamical state . 68. 理論邊界
本文不主張：
所有第三方內容都具有可辨識的父節點；
所有公共擴散都可用 branching process 精確描述；
R e x t = 1 \mathcal R_{\mathrm{ext}}=1 R ext = 1 高 structural virality 必然代表高知名度；
高第三方內容數等於自我繁殖；
AI 回答自動等於公開 artifact；
外部自我繁殖必然帶來正面聲譽；
niche supercriticality 必然跨成 mass fame；
外部 cascade 消亡等於人物被遺忘；
可以從單次 snapshot 正確估計 ERPG transition。
本文只主張：
third-party presence ≠ third-party reproduction ≠ self-sustaining prominence . \boxed{
\text{third-party presence}
\neq
\text{third-party reproduction}
\neq
\text{self-sustaining prominence}.
} third-party presence = third-party reproduction = self-sustaining prominence . 以及在明確的 branching approximation 中，存在可證明的：
R e x t = 1 \boxed{
\mathcal R_{\mathrm{ext}}=1
} R ext = 1 臨界結構。
69. 結論
本文完成 Series I 的最後一層。
一個實體最早可能只有：
E → C s e l f . E
\rightarrow
C_{\mathrm{self}}. E → C self . 之後出現：
C s e l f → C e x t . C_{\mathrm{self}}
\rightarrow
C_{\mathrm{ext}}. C self → C ext . 但真正重要的轉折不是第一次第三方提及。
而是：
C e x t → C e x t ′ → C e x t ′ ′ → ⋯ . \boxed{
C_{\mathrm{ext}}
\rightarrow
C_{\mathrm{ext}}'
\rightarrow
C_{\mathrm{ext}}''
\rightarrow
\cdots.
} C ext → C ext ′ → C ext ′′ → ⋯ . 亦即外部資訊開始生產外部資訊。
因此本文提出：
R e x t = E [ K v ] . \boxed{
\mathcal R_{\mathrm{ext}}
=
E[K_v].
} R ext = E [ K v ] . 在 Poisson branching approximation 下：
R e x t ≤ 1 ⇒ q = 1 , \mathcal R_{\mathrm{ext}}\le1
\Rightarrow
q=1, R ext ≤ 1 ⇒ q = 1 , 而：
R e x t > 1 ⇒ q < 1. \mathcal R_{\mathrm{ext}}>1
\Rightarrow
q<1. R ext > 1 ⇒ q < 1. 這提供一個嚴格、但模型限定的外部再生相變。
然而現實公共顯著性還需要同時觀察：
η e x t , \eta_{\mathrm{ext}}, η ext , ϕ e n d o , \phi_{\mathrm{endo}}, ϕ endo , L e x t , L_{\mathrm{ext}}, L ext , ν T , \nu_T, ν T , A p e r s , A_{\mathrm{pers}}, A pers , 以及跨通道 reproduction matrix：
B . \mathbf B. B . 因此 Series I 的最終核心可以寫成：
Public fame is not merely being present in information space; it is a dynamical relation among existence, recognition, observation, and reproduction. \boxed{
\text{Public fame is not merely being present in information space;
it is a dynamical relation among existence, recognition, observation, and reproduction.}
} Public fame is not merely being present in information space; it is a dynamical relation among existence, recognition, observation, and reproduction. 更簡潔地：
存在 ≠ 被找到 ≠ 被辨識 ≠ 被認為有名 ≠ 被外部持續再生 . \boxed{
\text{存在}
\neq
\text{被找到}
\neq
\text{被辨識}
\neq
\text{被認為有名}
\neq
\text{被外部持續再生}.
} 存在 = 被找到 = 被辨識 = 被認為有名 = 被外部持續再生 . Series I 到此完成。
下一系列將把主體從「人／品牌／實體」移向「作品／產品／遊戲／論文」，研究另一個高度同構但不能等同的問題：
Quality ≠ Discoverability ≠ Popularity ≠ Success . \boxed{
\text{Quality}
\neq
\text{Discoverability}
\neq
\text{Popularity}
\neq
\text{Success}.
} Quality = Discoverability = Popularity = Success . 參考文獻
[1] Watts, D. J. (2002). A Simple Model of Global Cascades on Random Networks. Proceedings of the National Academy of Sciences , 99(9), 5766–5771. DOI: 10.1073/pnas.082090499.
[2] 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.
[3] 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. Proceedings of the 26th International Conference on World Wide Web , 735–744. DOI: 10.1145/3038912.3052650.
[4] Li, J., Yang, Y., Zhang, Y., Hu, Q., Zhao, A., & Gao, H. (2025). Public Opinion Field Effect and Hawkes Process Join Hands for Information Popularity Prediction. Proceedings of the AAAI Conference on Artificial Intelligence , 39(11), 12076–12083. DOI: 10.1609/aaai.v39i11.33315.
[5] 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.
[6] 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.
Series I 完整位置
Paper 01：有名—無名的多維狀態空間
Paper 02：多符號非均勻權重與高階語義耦合
Paper 03：搜尋顯著度、人類知名度與機器可辨識度的解耦
Paper 04：觀察者依賴的感知顯著度理論
Paper 05：資訊質量累積與顯著性壓力猜想
Paper 06：第三方生成相變與自我繁殖公共圖