從賽馬預測到生命週期智能：AI、遺傳學、配種、育成、拍賣與馬主效用
From Horse-Race Prediction to Lifecycle Intelligence: AI, Genetics, Breeding, Development, Auctions, and Owner Utility
Series: AI Game Intelligence, Randomness, and Adaptive MarketsPaper 04 Version: v0.1Date: 2026-09-02
Author: Neo.K with Aletheia（GPT-5.6 Sol）Institution: EveMissLab／一言諾科技有限公司
摘要
前一篇把賽馬視為一個共同彩池中的群體智能市場：人工智慧不只需要估計馬匹勝率，還必須理解群眾、資金流與最終價格。本篇再向前移動一層：如果 AI 不再只預測一匹「已經存在」的馬，而是介入配種、遺傳風險、幼駒選擇、育成、訓練、傷病管理、拍賣估值與退役後繁殖，那麼 AI 已不只是賽事預測器，而開始參與賽馬生命週期本身的決策。
本文將此問題寫成：
Racehorse Lifecycle Intelligence = Genotype + Pedigree + Phenotype + Development + Training + Health + Market + Owner Utility \boxed{
\text{Racehorse Lifecycle Intelligence}
=
\text{Genotype}
+
\text{Pedigree}
+
\text{Phenotype}
+
\text{Development}
+
\text{Training}
+
\text{Health}
+
\text{Market}
+
\text{Owner Utility}
} Racehorse Lifecycle Intelligence = Genotype + Pedigree + Phenotype + Development + Training + Health + Market + Owner Utility 其中，基因不是命運；血統不是完整基因型；拍賣價格不是競賽價值；競賽價值也不等於馬主效用。真正的生命週期決策是一個高不確定、多目標、長時間延遲而且具有強烈文化與所有權效用的問題。
現代 Thoroughbred 研究已顯示，MSTN 等基因座與最佳競賽距離、速度及早熟性具有可重複的關聯，但競賽能力整體仍是高度多基因且受環境影響的性狀。[1] 大規模基因體研究亦顯示，全球純血馬在近數十年存在顯著的基因多樣性下降與近交增加，且基因體資訊可以用來尋找較遠的 outcross、降低某些近交風險。[2] 另一項研究進一步發現，較高的 genomic inbreeding 與較低的實際出賽機率有關。[3]
這意味著未來 AI 配種不應被簡化成：
max Speed . \max \text{Speed}. max Speed . 更合理的問題是：
max s E [ U ( performance , soundness , distance aptitude , fertility , market value , genetic diversity , owner preference ) ] . \max_s
E\left[
U(
\text{performance},
\text{soundness},
\text{distance aptitude},
\text{fertility},
\text{market value},
\text{genetic diversity},
\text{owner preference}
)
\right]. s max E [ U ( performance , soundness , distance aptitude , fertility , market value , genetic diversity , owner preference ) ] . 另一方面，純血馬制度本身對技術介入存在明確邊界。2026 年版 IFHA 國際規範與日本 Stud Book 規則仍要求自然交配與自然妊娠；人工授精、胚胎移植、複製與未明定的遺傳操弄所產生的後代不具備 Thoroughbred 登錄資格。[4][5] 因此，「AI 可以決定如何配」與「可以任意使用生物技術改造繁殖」是兩個完全不同的命題。
在育成端，日本 JRA 已建立從生產、營養、繁殖、運動生理、訓練、疾病到生物力學的長期研究體系；2026 年仍有研究直接分析調教內容與競賽成績、運動器疾病的關聯。[6][7] 美國的大型 wearable-sensor 研究則已在 11 , 834 11,834 11 , 834 28 , 481 28,481 28 , 481 44.6 44.6 44.6
拍賣端也開始正式出現機器學習估值。2026 年一篇研究使用 5 , 788 5,788 5 , 788 54 % 54\% 54% 509 509 509 478 478 478 33.484 33.484 33.484
但本文最重要的主張是：馬主不是單純的投資者。
日本 JRA 對馬主活動的制度設計本身就包括愛馬出賽時進入專屬 paddock 區、勝利後在 Winner's Circle 合影、自訂勝負服、為馬命名，以及與調教師、馬匹共同形成長期參與體驗。[11] 因此馬主效用應寫成：
U o w n e r = α E [ Π ] + β V o w n e r s h i p + γ V c h o i c e + δ V s t o r y + ϵ V c o m p e t i t i o n + ζ V l e g a c y − C . U_{\mathrm{owner}}
=
\alpha E[\Pi]
+
\beta V_{\mathrm{ownership}}
+
\gamma V_{\mathrm{choice}}
+
\delta V_{\mathrm{story}}
+
\epsilon V_{\mathrm{competition}}
+
\zeta V_{\mathrm{legacy}}
-
C. U owner = α E [ Π ] + β V ownership + γ V choice + δ V story + ϵ V competition + ζ V legacy − C . 在這個效用函數下，AI 推薦的「數學最優馬」不必然是馬主真正想要的馬。
所以，AI 賽馬生命週期的合理終態不一定是 full automation。更可能是：
AI as Bloodstock and Lifecycle Advisor \boxed{
\text{AI as Bloodstock and Lifecycle Advisor}
} AI as Bloodstock and Lifecycle Advisor 即 AI 擴張觀測、風險估計與候選空間，但保留人類對配種、購買、命名、養成與長期故事的最終作者性。
1. 從「預測存在」到「參與生成」
Paper 03 的世界是：
Horse → Race → Market . \text{Horse}
\rightarrow
\text{Race}
\rightarrow
\text{Market}. Horse → Race → Market . Paper 04 增加一個更早的時間軸：
Mating → Foal → Development → Auction → Training → Race → Retirement → Breeding . \text{Mating}
\rightarrow
\text{Foal}
\rightarrow
\text{Development}
\rightarrow
\text{Auction}
\rightarrow
\text{Training}
\rightarrow
\text{Race}
\rightarrow
\text{Retirement}
\rightarrow
\text{Breeding}. Mating → Foal → Development → Auction → Training → Race → Retirement → Breeding . 因此 AI 不再只是：
P ( Y ∣ X ) . P(Y\mid X). P ( Y ∣ X ) . 它開始影響：
X X X 本身將如何被生成。
這是本篇真正的理論轉折。
2. 預測型 AI 與生成型生命週期決策
賽事 AI 問：
P ( win ∣ h ) . P(\text{win}\mid h). P ( win ∣ h ) . 育種 AI 問：
P ( future phenotype ∣ mare , stallion , environment ) . P(
\text{future phenotype}
\mid
\text{mare},
\text{stallion},
\text{environment}
). P ( future phenotype ∣ mare , stallion , environment ) . 養成 AI 問：
P ( future performance and health ∣ current developmental trajectory , a t ) , P(
\text{future performance and health}
\mid
\text{current developmental trajectory},
a_t
), P ( future performance and health ∣ current developmental trajectory , a t ) , 其中 a t a_t a t
因此：
forecasting an outcome ≠ choosing interventions that change the outcome distribution . \boxed{
\text{forecasting an outcome}
\neq
\text{choosing interventions that change the outcome distribution}.
} forecasting an outcome = choosing interventions that change the outcome distribution . 3. 生命週期是 Sequential Decision Problem
定義馬匹在時間 t t t
S t . S_t. S t . 人類或 AI 選擇：
a t . a_t. a t . 環境與生物發育產生：
S t + 1 ∼ P ( S t + 1 ∣ S t , a t , ϵ t ) . S_{t+1}
\sim
P(S_{t+1}\mid S_t,a_t,\epsilon_t). S t + 1 ∼ P ( S t + 1 ∣ S t , a t , ϵ t ) . 因此整個生命週期可以表示為：
S 0 → a 0 → S 1 → a 1 → ⋯ → S T . S_0
\rightarrow
a_0
\rightarrow
S_1
\rightarrow
a_1
\rightarrow
\cdots
\rightarrow
S_T. S 0 → a 0 → S 1 → a 1 → ⋯ → S T . 這比一次性的賽果分類複雜很多。
4. 結果延遲極長
配種決策在：
t 0 t_0 t 0 做出。
真正競賽價值可能要到：
t 0 + 3 to 5 years t_0+3\text{ to }5\text{ years} t 0 + 3 to 5 years 甚至更久才能充分觀察。
繁殖價值則可能要：
t 0 + 8 to 15 years t_0+8\text{ to }15\text{ years} t 0 + 8 to 15 years 後才變得清楚。
因此 feedback loop 很慢：
slow biological feedback \boxed{
\text{slow biological feedback}
} slow biological feedback 是 AI 育種最大的統計困難之一。
5. 「血統」不是「基因體」
傳統 pedigree 可以表示為圖：
G P = ( V , E ) , G_P=(V,E), G P = ( V , E ) , 其中節點是祖先，邊表示親子關係。
但兩匹具有相同 pedigree 關係的後代，實際 inherited genome 並不完全相同。
所以：
Pedigree Relatedness ≠ Realized Genomic Relatedness . \boxed{
\text{Pedigree Relatedness}
\neq
\text{Realized Genomic Relatedness}.
} Pedigree Relatedness = Realized Genomic Relatedness . 6. 這就是 Genomics 增加的資訊
若只有 pedigree：
X P . X_P. X P . 加入 SNP、ROH 與其他 genomic measurement：
X G . X_G. X G . 則理論上：
I ( X P , X G ; Y ) ≥ I ( X P ; Y ) . I(
X_P,X_G;
Y
)
\geq
I(X_P;Y). I ( X P , X G ; Y ) ≥ I ( X P ; Y ) . 但是否具有實際增量資訊仍必須透過 out-of-sample 驗證。
7. MSTN 是最經典的例子
純血馬中，MSTN 附近的變異與最適競賽距離具有強烈關聯。
經典研究指出：
C / C C/C C / C 通常偏向較短距離與速度，
C / T C/T C / T 較常適於中距離，
T / T T/T T / T 則較偏向耐力與較長距離；這一關聯在包括日本與美國在內的不同 Thoroughbred 群體中得到重複驗證。[1]
8. 但 MSTN 不是「冠軍基因」
重要的是：
distance aptitude ≠ total racing ability . \boxed{
\text{distance aptitude}
\neq
\text{total racing ability}.
} distance aptitude = total racing ability . 一匹馬能否成功還受：
心肺；
骨骼；
肌腱；
神經；
行為；
成長；
訓練；
傷病；
場地；
騎乘；
等大量因素影響。
因此：
Y = f ( G 1 , G 2 , … , G k , E , G × E ) . Y
=
f(
G_1,G_2,\ldots,G_k,
E,
G\times E
). Y = f ( G 1 , G 2 , … , G k , E , G × E ) . 9. Polygenic Reality
競賽能力更接近：
Y = ∑ j = 1 k β j G j + ∑ m = 1 r γ m E m + ∑ j , m η j m G j E m + ϵ . Y
=
\sum_{j=1}^{k}\beta_jG_j
+
\sum_{m=1}^{r}\gamma_mE_m
+
\sum_{j,m}\eta_{jm}G_jE_m
+
\epsilon. Y = j = 1 ∑ k β j G j + m = 1 ∑ r γ m E m + j , m ∑ η j m G j E m + ϵ . 其中：
k ≫ 1. k\gg1. k ≫ 1. 因此單一基因測試不能取代完整的 phenotype 與 longitudinal observation。
10. Genetic Potential 與 Realized Performance
可以定義：
Z G = genetic potential . Z_G
=
\text{genetic potential}. Z G = genetic potential . 實際表現：
Y = F ( Z G , E t , A t , ϵ t ) . Y
=
F(Z_G,E_t,A_t,\epsilon_t). Y = F ( Z G , E t , A t , ϵ t ) . 所以：
high genetic potential ⇏ high realized performance . \boxed{
\text{high genetic potential}
\not\Rightarrow
\text{high realized performance}.
} high genetic potential ⇒ high realized performance . 11. AI 配種不是「找最強公馬」
設母馬為 m m m
S = { s 1 , … , s n } . \mathcal S
=
\{s_1,\ldots,s_n\}. S = { s 1 , … , s n } . 傳統簡化問題：
s ∗ = arg max s StallionQuality ( s ) . s^*
=
\arg\max_s
\text{StallionQuality}(s). s ∗ = arg s max StallionQuality ( s ) . 這其實錯了。
真正問題是：
s ∗ = arg max s E [ U ( offspring ) ∣ m , s ] . s^*
=
\arg\max_s
E[
U(\text{offspring})
\mid
m,s
]. s ∗ = arg s max E [ U ( offspring ) ∣ m , s ] . 12. 配種是 Conditional Compatibility Problem
同一匹公馬對不同母馬的價值可能完全不同：
U ( m 1 , s ) ≠ U ( m 2 , s ) . U(m_1,s)
\neq
U(m_2,s). U ( m 1 , s ) = U ( m 2 , s ) . 所以：
best sire ≠ best sire for this mare . \boxed{
\text{best sire}
\neq
\text{best sire for this mare}.
} best sire = best sire for this mare . 這也是 pedigree nicking 工具存在多年的原因。
13. 電腦化配種早於現代 AI
例如 TrueNicks 現行服務可以對一匹 broodmare 評估最多 50 50 50
因此：
computational mating assistance \boxed{
\text{computational mating assistance}
} computational mating assistance 本身並不是生成式 AI 時代才出現。
現代 AI 的差別是可加入更多 heterogeneous data。
14. 從 Pedigree Score 到 Multimodal Mating Model
傳統：
S c o r e ( m , s ) = f ( P e d i g r e e ) . Score(m,s)
=
f(Pedigree). S cor e ( m , s ) = f ( P e d i g r ee ) . 未來可以變成：
S c o r e ( m , s ) = f ( P e d i g r e e , G e n o m e , P h e n o t y p e , H e a l t h , P e r f o r m a n c e , P r o g e n y , M a r k e t , D i v e r s i t y ) . Score(m,s)
=
f(
Pedigree,
Genome,
Phenotype,
Health,
Performance,
Progeny,
Market,
Diversity
). S cor e ( m , s ) = f ( P e d i g r ee , G e n o m e , P h e n o t y p e , H e a l t h , P er f or man ce , P r o g e n y , M a r k e t , D i v er s i t y ) . 但這也讓模型更容易過擬合。
15. 配種的第一個多目標衝突：速度與耐久
若單獨最大化：
E [ speed ] , E[\text{speed}], E [ speed ] , 可能犧牲：
E [ soundness ] . E[\text{soundness}]. E [ soundness ] . 因此需要：
U = w 1 V s p e e d + w 2 V s t a m i n a + w 3 V s o u n d n e s s + ⋯ U
=
w_1V_{\mathrm{speed}}
+
w_2V_{\mathrm{stamina}}
+
w_3V_{\mathrm{soundness}}
+\cdots U = w 1 V speed + w 2 V stamina + w 3 V soundness + ⋯ 而不是單目標冠軍模型。
16. 第二個衝突：個體最佳化與族群多樣性
假設某熱門 sire：
s ∗ s^* s ∗ 對大量母馬都有高短期評分。
如果所有 breeder 都選：
s ∗ , s^*, s ∗ , 族群層面可能：
D g e n e t i c ↓ . D_{\mathrm{genetic}}\downarrow. D genetic ↓ . 所以：
locally optimal mating ⇏ globally healthy breeding population . \boxed{
\text{locally optimal mating}
\not\Rightarrow
\text{globally healthy breeding population}.
} locally optimal mating ⇒ globally healthy breeding population . 17. Thoroughbred 的近交問題是真實存在的
一項涵蓋：
n = 10 , 118 n=10,118 n = 10 , 118 匹純血馬的全球基因體研究顯示，過去五十年全球 Thoroughbred 的 genomic diversity 顯著下降，inbreeding 顯著增加，熱門 sire lines 被認為是重要因素之一。[2]
因此配種 AI 不能只有：
max E [ performance ] . \max E[\text{performance}]. max E [ performance ] . 還需要：
min R i n b r e e d i n g . \min R_{\mathrm{inbreeding}}. min R inbreeding . 18. 近交不是只看血統表中的 3 × 4 3\times4 3 × 4
pedigree coefficient 是期望量。
真正 genome 中的 runs of homozygosity：
F R O H F_{\mathrm{ROH}} F ROH 可以提供 realized inbreeding 的直接資訊。
因此：
F p e d i g r e e ≠ F R O H . \boxed{
F_{\mathrm{pedigree}}
\neq
F_{\mathrm{ROH}}.
} F pedigree = F ROH . 19. Genomic Inbreeding 與可出賽性
另一項涵蓋 6 , 128 6,128 6 , 128
F R O H F_{\mathrm{ROH}} F ROH 增加與「終其一生是否實際出賽」的概率下降相關；研究報告 10 % 10\% 10% 7 % 7\% 7%
這表示 soundness 與可用性不能被競賽速度模型忽略。
20. 配種模型因此必須加入 Constraint
可以寫成：
max s E [ U o f f s p r i n g ] \max_s E[U_{\mathrm{offspring}}] s max E [ U offspring ] subject to：
R i n b r e e d i n g ( m , s ) ≤ τ I , R_{\mathrm{inbreeding}}(m,s)
\leq
\tau_I, R inbreeding ( m , s ) ≤ τ I , R d e l e t e r i o u s ( m , s ) ≤ τ D . R_{\mathrm{deleterious}}(m,s)
\leq
\tau_D. R deleterious ( m , s ) ≤ τ D . 這比「AI 挑最強配種」更合理。
21. Population-Level AI 與 Owner-Level AI 不是同一個目標
個別馬主可能：
max U i . \max U_i. max U i . 整個 breed authority 可能更在意：
max [ E [ population performance ] + λ D g e n e t i c − μ R d i s e a s e ] . \max
\left[
E[\text{population performance}]
+
\lambda D_{\mathrm{genetic}}
-
\mu R_{\mathrm{disease}}
\right]. max [ E [ population performance ] + λ D genetic − μ R disease ] . 因此：
private breeding optimum ≠ population breeding optimum . \boxed{
\text{private breeding optimum}
\neq
\text{population breeding optimum}.
} private breeding optimum = population breeding optimum . 22. AI 甚至可能放大熱門血統偏誤
假設訓練資料來自過去市場。
市場長期偏好熱門 sire。
模型學到：
popular sire → high sale price . \text{popular sire}
\rightarrow
\text{high sale price}. popular sire → high sale price . 然後推薦：
popular sire . \text{popular sire}. popular sire . 更多 breeder 跟隨。
於是：
historical preference → model → reinforced preference . \boxed{
\text{historical preference}
\rightarrow
\text{model}
\rightarrow
\text{reinforced preference}.
} historical preference → model → reinforced preference . 這是 breeding feedback loop。
23. Prediction 與 Prescription 必須分開
模型可以準確預測：
P ( high auction price ∣ m , s ) . P(\text{high auction price}\mid m,s). P ( high auction price ∣ m , s ) . 但不能直接推出：
therefore breed m to s . \boxed{
\text{therefore breed }m\text{ to }s.
} therefore breed m to s . 因為：
market value ≠ welfare ≠ racing value ≠ genetic diversity . \text{market value}
\neq
\text{welfare}
\neq
\text{racing value}
\neq
\text{genetic diversity}. market value = welfare = racing value = genetic diversity . 24. Thoroughbred 制度本身對生物技術有清楚界線
2026 年 IFHA International Agreement Article 12 仍要求 Thoroughbred 來自 stallion 對 mare 的自然交配，以及由同一母馬自然妊娠與生產；人工授精、胚胎移植、複製與未明定的遺傳操弄所產後代不具 Approved Thoroughbred Stud Book 資格。[4]
這是 AI 時代很重要的制度背景。
25. 日本 Stud Book 也採相同原則
日本現行 Stud Book 登錄規則同樣要求 natural mating 與 natural gestation，並明確表示 Artificial Insemination、Embryo Transfer、Cloning 或其他未明定的 genetic manipulation 所產後代不能登錄。[5]
所以：
AI-assisted breeding selection \boxed{
\text{AI-assisted breeding selection}
} AI-assisted breeding selection 與：
genetic engineering of Thoroughbreds \boxed{
\text{genetic engineering of Thoroughbreds}
} genetic engineering of Thoroughbreds 必須完全區分。
26. 有趣的縮寫悖論
馬產業中的傳統：
A I = Artificial Insemination . AI
=
\text{Artificial Insemination}. A I = Artificial Insemination . 而本文：
A I = Artificial Intelligence . AI
=
\text{Artificial Intelligence}. A I = Artificial Intelligence . 因此可以出現：
Artificial Intelligence may assist mating selection, while Artificial Insemination is disallowed for registered Thoroughbreds. \boxed{
\text{Artificial Intelligence may assist mating selection, while Artificial Insemination is disallowed for registered Thoroughbreds.}
} Artificial Intelligence may assist mating selection, while Artificial Insemination is disallowed for registered Thoroughbreds. 這恰好說明「決策智能」與「繁殖技術」是兩個制度層級。
27. 從出生後開始，問題變成 Developmental Control
出生後狀態：
S 0 S_0 S 0 不是固定。
營養、運動、疾病與成長共同產生：
S t . S_t. S t . 所以：
genotype is an initial condition, not a final outcome . \boxed{
\text{genotype is an initial condition, not a final outcome}.
} genotype is an initial condition, not a final outcome . 28. 日本 JRA 已經有完整的育成研究鏈
JRA 表示，自有育成馬會被用於「強い馬づくり」的生產育成研究；2008 年起更利用自家生產馬研究「從生產到育成」的連續流程。[6]
這代表日本不是把育成只當技藝。
它已經是：
longitudinal applied science . \boxed{
\text{longitudinal applied science}.
} longitudinal applied science . 29. 日高生產育成研究室的範圍非常廣
JRA Equine Science Division 的公開任務包含：
nutrition；
reproduction；
pasture management；
veterinary medicine；
exercise physiology；
並把成果傳回 breeder、veterinarian 與生產育成現場。[7]
所以未來 AI 能介入的 feature space 本來就非常多。
30. 運動科學也已經是可量化狀態
JRA Sports Science Division 目前研究：
cardiovascular physiology , \text{cardiovascular physiology}, cardiovascular physiology , muscle adaptation , \text{muscle adaptation}, muscle adaptation , biomechanics , \text{biomechanics}, biomechanics , nutrition . \text{nutrition}. nutrition . 2026--2028 的研究課題還直接包含調教內容與競賽成績、運動器疾病發生率的關聯。[13]
31. 這使 Training AI 成為因果決策問題
如果只是預測：
P ( injury ∣ X t ) , P(\text{injury}\mid X_t), P ( injury ∣ X t ) , 是 risk model。
如果 AI 接著建議：
a t = reduce workload , a_t=\text{reduce workload}, a t = reduce workload , 它就進入：
causal intervention . \boxed{
\text{causal intervention}.
} causal intervention . 因此需要回答：
P ( Y ∣ d o ( a t ) ) P(Y\mid do(a_t)) P ( Y ∣ d o ( a t )) 而不只是：
P ( Y ∣ a t ) . P(Y\mid a_t). P ( Y ∣ a t ) . 32. Observation Bias 特別嚴重
假設高風險馬被減少訓練。
資料裡：
low workload ↔ high injury risk . \text{low workload}
\leftrightarrow
\text{high injury risk}. low workload ↔ high injury risk . 一個只學 correlation 的 AI 可能錯誤推論：
低訓練量造成受傷。
實際因果可能是：
latent injury → { lower workload higher injury probability \text{latent injury}
\rightarrow
\begin{cases}
\text{lower workload}\\
\text{higher injury probability}
\end{cases} latent injury → { lower workload higher injury probability 這是典型 confounding。
33. 所以 Lifecycle AI 比賽事 AI 更需要因果推論
賽事模型：
P ^ ( Y ) . \hat P(Y). P ^ ( Y ) . 養成模型：
P ^ ( Y ∣ d o ( a ) ) . \hat P(Y\mid do(a)). P ^ ( Y ∣ d o ( a )) . 兩者不是同一個能力。
因此：
predictive ML ⇏ safe prescriptive ML . \boxed{
\text{predictive ML}
\not\Rightarrow
\text{safe prescriptive ML}.
} predictive ML ⇒ safe prescriptive ML . 34. Wearable Sensor 已開始提供新的 Observation Layer
2025 年發表的大型美國研究分析：
11 , 834 11,834 11 , 834 匹 Thoroughbred 與：
28 , 481 28,481 28 , 481 次出賽的 stride data。
使用 accelerometer-based inertial measurement unit 加上演算法風險評分，將馬匹分成 1 1 1 6 6 6
35. 高風險小群體的訊號非常強
研究中 risk score 6 6 6
0.4 % 0.4\% 0.4% 的 starts，
但其致命肌肉骨骼傷害概率約為 risk score 1 1 1
44.6 44.6 44.6 倍。[8]
這說明 sensor + algorithm 可以把肉眼不容易整合的步態訊號轉成臨床風險分層。
36. 但 Risk Score 不應變成 Automatic Exclusion Oracle
一個高 risk score 代表：
P ( injury ∣ X ) ↑ . P(\text{injury}\mid X)\uparrow. P ( injury ∣ X ) ↑ . 不代表：
P ( injury ∣ X ) = 1. P(\text{injury}\mid X)=1. P ( injury ∣ X ) = 1. 因此：
risk model ≠ diagnosis . \boxed{
\text{risk model}
\neq
\text{diagnosis}.
} risk model = diagnosis . 需要 veterinarian review、影像、臨床與時間序列共同判斷。
37. AI 的合理角色是 Triage
可以寫成：
Sensor → Risk Model → Triage → Veterinary Examination . \text{Sensor}
\rightarrow
\text{Risk Model}
\rightarrow
\text{Triage}
\rightarrow
\text{Veterinary Examination}. Sensor → Risk Model → Triage → Veterinary Examination . 而不是：
Sensor → automatic irreversible decision . \text{Sensor}
\rightarrow
\text{automatic irreversible decision}. Sensor → automatic irreversible decision . 38. 生命週期模型必須把 Welfare 當一級變數
如果只最大化：
E [ earnings ] , E[\text{earnings}], E [ earnings ] , 模型可能偏好更高風險策略。
所以需要：
U = E [ Π ] − λ R i n j u r y + η W w e l f a r e + ⋯ U
=
E[\Pi]
-
\lambda R_{\mathrm{injury}}
+
\eta W_{\mathrm{welfare}}
+\cdots U = E [ Π ] − λ R injury + η W welfare + ⋯ 其中：
λ > 0. \lambda>0. λ > 0. 39. Welfare 與 Performance 不必然對立
降低嚴重傷病：
R i n j u r y ↓ R_{\mathrm{injury}}\downarrow R injury ↓ 往往同時提高：
career length , \text{career length}, career length , availability , \text{availability}, availability , realized racing value . \text{realized racing value}. realized racing value . 因此健康資料不是「額外道德欄位」。
它也是核心 performance variable。
40. 拍賣是另一種完全不同的模型
在 auction 時間 t a t_a t a
市場觀察：
X a . X_a. X a . 形成價格：
P a . P_a. P a . 未來才實現：
V T . V_T. V T . 因此：
Auction Price ≠ Future Racing Value . \boxed{
\text{Auction Price}
\neq
\text{Future Racing Value}.
} Auction Price = Future Racing Value . 41. 拍賣 AI 首先可以只是 Price Model
P ^ a = f ( p e d i g r e e , s i r e , d a m , s e s s i o n , r e p u t a t i o n , c o n f o r m a t i o n , … ) . \hat P_a
=
f(
pedigree,
sire,
dam,
session,
reputation,
conformation,
\ldots
). P ^ a = f ( p e d i g r ee , s i r e , d am , sess i o n , r e p u t a t i o n , co n f or ma t i o n , … ) . 它回答：
市場大概會出多少錢？
這不是：
這匹馬真正值多少錢？
42. 2026 Keeneland ML 研究
2026 年 Yang 等人使用：
5 , 788 5,788 5 , 788 筆 2020--2024 Keeneland September Yearling Sale 資料，使用 Ridge 與多種 tree-based ML 模型預測 log auction price。
其解釋模型的 out-of-sample：
R 2 ≈ 0.5403. R^2\approx0.5403. R 2 ≈ 0.5403. 且 sire 與 dam reputation 是主要 predictors。[9]
43. 這個結果很強，也同時顯示限制
如果：
R 2 ≈ 0.54 , R^2\approx0.54, R 2 ≈ 0.54 , 表示大量價格變異仍沒有被模型解釋。
可能來源包括：
conformation；
veterinary report；
walking impression；
physical maturity；
buyer preference；
bidding competition；
information not present in dataset。
所以：
auction valuation remains partially irreducible to pedigree tables . \boxed{
\text{auction valuation remains partially irreducible to pedigree tables}.
} auction valuation remains partially irreducible to pedigree tables . 44. 未來 Multimodal Auction AI
可以加入：
X i m a g e , X_{\mathrm{image}}, X image , X v i d e o , X_{\mathrm{video}}, X video , X g a i t , X_{\mathrm{gait}}, X gait , X v e t e r i n a r y , X_{\mathrm{veterinary}}, X veterinary , X g e n o m i c . X_{\mathrm{genomic}}. X genomic . 形成：
V ^ = f ( X P , X G , X I , X V , X H ) . \hat V
=
f(
X_P,
X_G,
X_I,
X_V,
X_H
). V ^ = f ( X P , X G , X I , X V , X H ) . 但這也需要非常嚴格的 point-in-time 資料與 leakage control。
45. 日本 Select Sale 是極高價值的自然研究場
2026 Select Sale：
509 509 509 匹上場，
478 478 478 匹成交，
成交率：
93.9 % . 93.9\%. 93.9%. 成交總額：
33.484 billion yen . 33.484\text{ billion yen}. 33.484 billion yen . 平均成交價約：
70.05 million yen . 70.05\text{ million yen}. 70.05 million yen . 最高價：
420 million yen . 420\text{ million yen}. 420 million yen . [10]
46. 所以小幅估值改善也可能具有巨大價值
若一個大型買方每年購買總額：
B B B 非常高，
即使 decision quality 只改善：
δ = 0.01 , \delta=0.01, δ = 0.01 , 理論經濟影響也可能約為：
δ B . \delta B. δ B . 但這仍不能保證「AI 買馬會賺」。
47. 因為 Auction Value 有多個目標
馬主可能追求：
V r a c e , V_{\mathrm{race}}, V race , breeder 可能追求：
V b r e e d i n g , V_{\mathrm{breeding}}, V breeding , reseller 可能追求：
V r e s a l e , V_{\mathrm{resale}}, V resale , 而 hobby owner 可能追求：
V e x p e r i e n c e . V_{\mathrm{experience}}. V experience . 所以：
one horse ≠ one universal value . \boxed{
\text{one horse}
\neq
\text{one universal value}.
} one horse = one universal value . 48. 這帶回本篇最重要的「馬主效用」
假設馬主只被建模成投資者：
U o w n e r = E [ Π ] . U_{\mathrm{owner}}
=
E[\Pi]. U owner = E [ Π ] . 那會漏掉日本馬主制度非常重要的一部分。
JRA 自己把馬主活動描述成「愛馬に夢をのせて」，並提供與愛馬、命名、勝負服、paddock、Winner's Circle 等直接參與相關的制度性體驗。[11][14]
49. 馬主不是 Bettor
賭徒效用可以粗略寫：
U b e t t o r = E [ Π ] − λ V a r ( Π ) . U_{\mathrm{bettor}}
=
E[\Pi]
-
\lambda Var(\Pi). U bettor = E [ Π ] − λV a r ( Π ) . 馬主則更合理寫為：
U o w n e r = α E [ Π ] + β V O + γ V C + δ V S + ϵ V L − C . U_{\mathrm{owner}}
=
\alpha E[\Pi]
+
\beta V_O
+
\gamma V_C
+
\delta V_S
+
\epsilon V_L
-
C. U owner = α E [ Π ] + β V O + γ V C + δ V S + ϵ V L − C . 其中：
V O = ownership value , V_O=\text{ownership value}, V O = ownership value , V C = choice and control value , V_C=\text{choice and control value}, V C = choice and control value , V S = story and participation value , V_S=\text{story and participation value}, V S = story and participation value , V L = legacy value . V_L=\text{legacy value}. V L = legacy value . 50. 日本 JRA 的制度本身支持這個模型
JRA 馬主可以：
在愛馬出賽時進入馬主 paddock 區；
勝利後進行 Winner's Circle 紀念拍攝；
設計自己的勝負服；
為馬匹命名；
進入 training center；
參與馬主社群與活動。[11]
所以：
ownership utility is institutionally real . \boxed{
\text{ownership utility is institutionally real}.
} ownership utility is institutionally real . 它不是研究者憑空加入的情緒變數。
51. 經濟層面當然也仍然重要
JRA 公開資料顯示，2025 年向馬主支付的獎金等約：
104 billion yen , 104\text{ billion yen}, 104 billion yen , 當年在 JRA 出賽馬匹 11 , 923 11,923 11 , 923
8.72 million yen . 8.72\text{ million yen}. 8.72 million yen . 同時 JRA 列出的 2025 年一歲馬市場平均價格約為：
14.77 million yen , 14.77\text{ million yen}, 14.77 million yen , 而訓練中心預託料約：
0.7 million yen per month 0.7\text{ million yen per month} 0.7 million yen per month 程度。[15]
這顯示馬主活動具有明確成本與財務面，但不因此變成單純投資產品。
52. AI 可以比馬主更「理性」，但仍可能選錯馬
如果 AI objective 是：
max E [ Π ] , \max E[\Pi], max E [ Π ] , 而馬主真正 objective 是：
max U o w n e r , \max U_{\mathrm{owner}}, max U owner , 那麼 AI 所謂最佳選擇：
h A I ∗ h^*_{\mathrm{AI}} h AI ∗ 可能不是：
h o w n e r ∗ . h^*_{\mathrm{owner}}. h owner ∗ . 因此：
objective misspecification \boxed{
\text{objective misspecification}
} objective misspecification 比預測誤差更危險。
53. 例如「我就是喜歡這條母系」
這可能沒有最大化：
E [ Π ] . E[\Pi]. E [ Π ] . 但它提高：
V S V_S V S 與：
V L . V_L. V L . 所以在人類真正效用函數下，它未必是不理性。
這是把文化性 hobby 錯誤金融化時最容易漏掉的一點。
54. AI 可能反而降低 Owner Utility
若流程變成：
AI ranks → owner blindly accepts → AI manages everything , \text{AI ranks}
\rightarrow
\text{owner blindly accepts}
\rightarrow
\text{AI manages everything}, AI ranks → owner blindly accepts → AI manages everything , 可能：
E [ Π ] ↑ E[\Pi]\uparrow E [ Π ] ↑ 但：
V C ↓ , V_C\downarrow, V C ↓ , V S ↓ . V_S\downarrow. V S ↓ . 若：
β , γ , δ \beta,\gamma,\delta β , γ , δ 很大，總效用甚至：
U o w n e r ↓ . U_{\mathrm{owner}}\downarrow. U owner ↓ . 55. 這是 Automation Paradox
本文提出：
Ownership Automation Paradox \boxed{
\text{Ownership Automation Paradox}
} Ownership Automation Paradox 即：
對以參與、選擇與故事為主要價值來源的活動，最佳化結果的自動化可能同時降低從活動本身得到的效用。
形式上：
∂ E [ Π ] ∂ A > 0 \frac{\partial E[\Pi]}{\partial A}>0 ∂ A ∂ E [ Π ] > 0 但可能：
∂ V p a r t i c i p a t i o n ∂ A < 0. \frac{\partial V_{\mathrm{participation}}}{\partial A}<0. ∂ A ∂ V participation < 0. 56. 因此「反 AI 馬主」不一定反科技
一名馬主完全可能接受：
genomic risk report , \text{genomic risk report}, genomic risk report , injury monitoring , \text{injury monitoring}, injury monitoring , 但拒絕：
AI final horse selection . \text{AI final horse selection}. AI final horse selection . 這是一種：
selective delegation \boxed{
\text{selective delegation}
} selective delegation 而不是 irrational technology rejection。
57. 未來很可能形成不同的馬主策略類型
第一類：
Traditional Owner . \text{Traditional Owner}. Traditional Owner . 第二類：
AI-Assisted Owner . \text{AI-Assisted Owner}. AI-Assisted Owner . 第三類：
Quant Owner . \text{Quant Owner}. Quant Owner . 第四類：
Experience-Preserving Owner . \text{Experience-Preserving Owner}. Experience-Preserving Owner . 不同類型最佳化不同 utility。
58. AI-Assisted Owner 可能成為主要均衡
一個合理流程：
300 candidates 300\text{ candidates} 300 candidates → AI 30 \xrightarrow{\text{AI}}
30 AI 30 → human inspection 5 \xrightarrow{\text{human inspection}}
5 human inspection 5 → owner choice 1. \xrightarrow{\text{owner choice}}
1. owner choice 1. AI 負責擴張認知能力，但不拿走最終決策。
59. 這叫 Human Sovereignty over Final Selection
可以定義：
a f i n a l ∈ A h u m a n \boxed{
a_{\mathrm{final}}
\in
\mathcal A_{\mathrm{human}}
} a final ∈ A human 即使候選集合：
C \mathcal C C 由 AI 產生，最後決策權仍保留在人類。
60. Breeder 的作者性甚至更強
馬主買的是一匹馬。
breeder 做的是：
mare + stallion → new lineage branch . \text{mare}
+
\text{stallion}
\rightarrow
\text{new lineage branch}. mare + stallion → new lineage branch . 所以配種選擇包含：
biological authorship . \boxed{
\text{biological authorship}.
} biological authorship . 這種效用無法完全用 sale price 取代。
61. AI 配出 Derby Winner 後「誰的判斷？」
假設：
A I → stallion choice → training plan → race selection . AI
\rightarrow
\text{stallion choice}
\rightarrow
\text{training plan}
\rightarrow
\text{race selection}. A I → stallion choice → training plan → race selection . 人類只負責批准。
最終成功時，會出現：
Decision Authorship Problem . \boxed{
\text{Decision Authorship Problem}.
} Decision Authorship Problem . 這與 Paper 06、07 之後的 Decision Provenance 其實是同一族問題。
62. 生命週期 AI 的 Decision Provenance
每個重要決策可以保存：
D t = ( human proposal , AI recommendation , evidence , final decision , responsible actor ) . D_t
=
(
\text{human proposal},
\text{AI recommendation},
\text{evidence},
\text{final decision},
\text{responsible actor}
). D t = ( human proposal , AI recommendation , evidence , final decision , responsible actor ) . 這不只是問責工具。
它也保留：
who shaped the horse’s lifecycle . \boxed{
\text{who shaped the horse's lifecycle}.
} who shaped the horse’s lifecycle . 63. 因此 Lifecycle Ledger 具有理論價值
可以想像：
L i = { D 0 , D 1 , … , D T } . L_i
=
\{D_0,D_1,\ldots,D_T\}. L i = { D 0 , D 1 , … , D T } . 它記錄：
配種決策；
購買；
nutrition changes；
training changes；
veterinary interventions；
race placement；
retirement。
這不是本文要做的 MVP。
它只是指出：生命週期 AI 的科學分析需要 longitudinal decision provenance。
64. Digital Twin 是自然延伸，但不能被神化
若建立 horse state：
Z i ( t ) = f ( G i , P i , M i ( t ) , N i ( t ) , T i ( t ) , V i ( t ) , B i ( t ) , R i ( t ) ) , Z_i(t)
=
f(
G_i,
P_i,
M_i(t),
N_i(t),
T_i(t),
V_i(t),
B_i(t),
R_i(t)
), Z i ( t ) = f ( G i , P i , M i ( t ) , N i ( t ) , T i ( t ) , V i ( t ) , B i ( t ) , R i ( t )) , 其中：
G i = genome , G_i=\text{genome}, G i = genome , P i = pedigree , P_i=\text{pedigree}, P i = pedigree , M i = morphology , M_i=\text{morphology}, M i = morphology , N i = nutrition , N_i=\text{nutrition}, N i = nutrition , T i = training , T_i=\text{training}, T i = training , V i = veterinary state , V_i=\text{veterinary state}, V i = veterinary state , B i = biomechanics , B_i=\text{biomechanics}, B i = biomechanics , R i = racing state . R_i=\text{racing state}. R i = racing state . 可以稱為 longitudinal digital twin。
但：
Z i ( t ) ≠ the horse itself . \boxed{
Z_i(t)
\neq
\text{the horse itself}.
} Z i ( t ) = the horse itself . 它永遠只是有限觀測下的模型。
65. Missing State 永遠存在
例如：
微小疼痛；
情緒；
尚未顯現的病理；
無法觀測的組織變化；
measurement error。
因此：
S t t r u e ≠ S t o b s e r v e d . S_t^{\mathrm{true}}
\neq
S_t^{\mathrm{observed}}. S t true = S t observed . AI 必須保持：
U t > 0. U_t>0. U t > 0. 66. Digital Twin 的價值在 Counterfactual
真正有用的問題是：
P ( S t + 1 ∣ d o ( a 1 ) ) P(
S_{t+1}
\mid
do(a_1)
) P ( S t + 1 ∣ d o ( a 1 )) 與：
P ( S t + 1 ∣ d o ( a 2 ) ) . P(
S_{t+1}
\mid
do(a_2)
). P ( S t + 1 ∣ d o ( a 2 )) . 即：
如果今天改變訓練、休息或營養，未來風險與能力分布可能怎麼改？
但這要求因果驗證，不只是漂亮 simulation。
67. 生命週期 AI 最危險的錯誤之一是 Proxy Optimization
如果目標：
Y = auction price , Y=\text{auction price}, Y = auction price , AI 可能學會提高拍賣吸引力。
如果真正關心：
Z = healthy successful racehorse , Z=\text{healthy successful racehorse}, Z = healthy successful racehorse , 則：
Y Y Y 只是 proxy。
當：
C o r r ( Y , Z ) < 1 , Corr(Y,Z)<1, C or r ( Y , Z ) < 1 , 過度最佳化：
Y Y Y 不保證：
Z ↑ . Z\uparrow. Z ↑ . 68. Goodhart's Law 在配種中特別危險
當某個 genetic score：
G s G_s G s 被當成主要 selection criterion：
G s G_s G s 就可能不再保持原本與整體能力的關係。
因此：
genetic score → selection pressure → population change . \boxed{
\text{genetic score}
\rightarrow
\text{selection pressure}
\rightarrow
\text{population change}.
} genetic score → selection pressure → population change . 模型會改變自己下一代所面對的資料分布。
69. 這又是一個 Adaptive System
Paper 03：
AI prediction → betting flow → price changes . \text{AI prediction}
\rightarrow
\text{betting flow}
\rightarrow
\text{price changes}. AI prediction → betting flow → price changes . Paper 04：
AI breeding model → mating choices → population changes → future training data changes . \text{AI breeding model}
\rightarrow
\text{mating choices}
\rightarrow
\text{population changes}
\rightarrow
\text{future training data changes}. AI breeding model → mating choices → population changes → future training data changes . 所以：
AI changes the population it later models . \boxed{
\text{AI changes the population it later models}.
} AI changes the population it later models . 70. Breeding Model Reflexivity
設第 t t t
P t ( G ) . P_t(G). P t ( G ) . AI selection policy：
π t ( m , s ) . \pi_t(m,s). π t ( m , s ) . 則下一代：
P t + 1 ( G ) = F ( P t ( G ) , π t ) . P_{t+1}(G)
=
F(
P_t(G),
\pi_t
). P t + 1 ( G ) = F ( P t ( G ) , π t ) . 因此訓練資料不是外生固定分布。
71. 這比市場反身性更慢，但更深
價格反身性：
minutes to days . \text{minutes to days}. minutes to days . 育種反身性：
years to generations . \text{years to generations}. years to generations . 但一旦發生，影響的是：
population state itself . \boxed{
\text{population state itself}.
} population state itself . 而不只是市場價格。
72. AI 因此可能產生 Diversity Externality
單一 owner 的 objective：
U i . U_i. U i . 不一定包含整個 population 的：
D g e n e t i c . D_{\mathrm{genetic}}. D genetic . 所以需要：
C e x t e r n a l i t y C_{\mathrm{externality}} C externality 或制度 constraint。
否則每個個體都追求局部最優，可能導致集體 diversity 下降。
73. 這是非常標準的 Multi-Agent Optimization Failure
若：
∀ i , a i = arg max U i , \forall i,\quad
a_i=\arg\max U_i, ∀ i , a i = arg max U i , 仍可能：
W p o p u l a t i o n < W p o p u l a t i o n ∗ . W_{\mathrm{population}}
<
W_{\mathrm{population}}^*. W population < W population ∗ . 所以：
individual AI optimization ⇏ population optimality . \boxed{
\text{individual AI optimization}
\not\Rightarrow
\text{population optimality}.
} individual AI optimization ⇒ population optimality . 74. 配種 AI 最終需要 Governance Layer
不一定是禁止 AI。
而可能是：
diversity monitoring；
genomic risk disclosure；
welfare constraints；
model uncertainty disclosure；
Stud Book rules；
breeder autonomy。
因此：
AI + biology + institution \boxed{
\text{AI}
+
\text{biology}
+
\text{institution}
} AI + biology + institution 三者不能分開。
75. 日本尤其適合觀察 Human-AI Coexistence
日本同時具有：
高度成熟的育種與育成研究；
高價 Select Sale；
強烈血統文化；
個人與法人馬主；
馬主參與體驗；
高密度的長期賽馬資料。
因此它很可能成為：
AI optimization vs ownership culture \boxed{
\text{AI optimization}
\quad\text{vs}\quad
\text{ownership culture}
} AI optimization vs ownership culture 最有代表性的研究場景之一。
76. 未來真正的爭議可能不是「AI 準不準」
更可能是：
AI 可以介入到哪一層？
例如：
risk report ✓ \text{risk report}
\quad\checkmark risk report ✓ candidate ranking ✓ \text{candidate ranking}
\quad\checkmark candidate ranking ✓ automatic mating selection ? \text{automatic mating selection}
\quad ? automatic mating selection ? automatic sale purchase ? \text{automatic sale purchase}
\quad ? automatic sale purchase ? automatic training control ? \text{automatic training control}
\quad ? automatic training control ? 每一層的可接受性可能不同。
77. 技術接受度可以寫成 Delegation Depth
定義：
d ∈ [ 0 , 1 ] . d\in[0,1]. d ∈ [ 0 , 1 ] . 其中：
d = 0 d=0 d = 0 代表 AI 不介入，
d = 1 d=1 d = 1 代表完整自動化。
不同馬主具有：
d i ∗ . d_i^*. d i ∗ . 而：
d i ∗ d_i^* d i ∗ 取決於其效用函數。
78. Profit-Maximizing Owner 可能偏高 d d d
若：
α ≫ β , γ , δ , \alpha\gg\beta,\gamma,\delta, α ≫ β , γ , δ , 則：
d ∗ ↑ . d^*\uparrow. d ∗ ↑ . 也就是更願意把決策交給模型。
79. Experience-Maximizing Owner 可能偏低 d d d
若：
β + γ + δ \beta+\gamma+\delta β + γ + δ 很大，
則：
d ∗ ↓ . d^*\downarrow. d ∗ ↓ . 因為：
participation \text{participation} participation 本身就是產品。
80. 所以市場會同時存在不同 AI 採用層級
這不一定收斂成：
d = 1. d=1. d = 1. 更可能形成：
P ( d ) P(d) P ( d ) 的長期分布。
這跟攝影、棋類、創作、汽車駕駛一樣：技術可自動化，不代表所有使用者都最大化自動化程度。
81. 本文提出 Lifecycle Intelligence Stack
Layer 0: Stud Book / Rule Constraints ↓ Layer 1: Pedigree and Genomics ↓ Layer 2: Reproduction and Development ↓ Layer 3: Morphology and Biomechanics ↓ Layer 4: Training and Nutrition ↓ Layer 5: Veterinary and Welfare ↓ Layer 6: Auction and Market ↓ Layer 7: Racing Outcomes ↓ Layer 8: Owner and Breeder Utility \boxed{
\begin{array}{c}
\text{Layer 0: Stud Book / Rule Constraints}\\
\downarrow\\
\text{Layer 1: Pedigree and Genomics}\\
\downarrow\\
\text{Layer 2: Reproduction and Development}\\
\downarrow\\
\text{Layer 3: Morphology and Biomechanics}\\
\downarrow\\
\text{Layer 4: Training and Nutrition}\\
\downarrow\\
\text{Layer 5: Veterinary and Welfare}\\
\downarrow\\
\text{Layer 6: Auction and Market}\\
\downarrow\\
\text{Layer 7: Racing Outcomes}\\
\downarrow\\
\text{Layer 8: Owner and Breeder Utility}
\end{array}
} Layer 0: Stud Book / Rule Constraints ↓ Layer 1: Pedigree and Genomics ↓ Layer 2: Reproduction and Development ↓ Layer 3: Morphology and Biomechanics ↓ Layer 4: Training and Nutrition ↓ Layer 5: Veterinary and Welfare ↓ Layer 6: Auction and Market ↓ Layer 7: Racing Outcomes ↓ Layer 8: Owner and Breeder Utility 只有把最後一層保留，才不會把人類參與活動錯誤簡化成資產工程。
82. 第一核心命題：Genotype Is Not Destiny
P ( Y ∣ G ) ≠ 1. \boxed{
P(Y\mid G)
\neq
1.
} P ( Y ∣ G ) = 1. 因此 genomic information 可以降低不確定性，但不能消除發育、訓練與偶然性。
83. 第二核心命題：Pedigree--Genome Separation
X P ≠ X G . \boxed{
X_P
\neq
X_G.
} X P = X G . pedigree 描述 ancestry structure；genomics 描述實際遺傳變異。兩者互補但不可互換。
84. 第三核心命題：Local--Population Optimum Separation
arg max U p r i v a t e ≠ arg max W p o p u l a t i o n \boxed{
\arg\max U_{\mathrm{private}}
\neq
\arg\max W_{\mathrm{population}}
} arg max U private = arg max W population 可能成立。
當熱門 sire 的個體優勢累積成 population diversity loss 時尤其如此。
85. 第四核心命題：Prediction--Intervention Separation
P ( Y ∣ A ) ≠ P ( Y ∣ d o ( A ) ) . \boxed{
P(Y\mid A)
\neq
P(Y\mid do(A)).
} P ( Y ∣ A ) = P ( Y ∣ d o ( A )) . 能預測 injury risk 的模型，不自動具備設計訓練處方的因果能力。
86. 第五核心命題：Price--Value Separation
P a u c t i o n ≠ V r a c i n g ≠ V b r e e d i n g ≠ U o w n e r . \boxed{
P_{\mathrm{auction}}
\neq
V_{\mathrm{racing}}
\neq
V_{\mathrm{breeding}}
\neq
U_{\mathrm{owner}}.
} P auction = V racing = V breeding = U owner . 因此不存在一個可供所有參與者共享的單一「真正馬匹價值」。
87. 第六核心命題：Ownership Utility
馬主效用至少可表示：
U o w n e r = f ( Π , O w n e r s h i p , C h o i c e , S t o r y , C o m p e t i t i o n , L e g a c y ) . \boxed{
U_{\mathrm{owner}}
=
f(
\Pi,
Ownership,
Choice,
Story,
Competition,
Legacy
).
} U owner = f ( Π , O w n er s hi p , C h o i ce , S t or y , C o m p e t i t i o n , L e g a cy ) . 所以：
AI economic optimum \text{AI economic optimum} AI economic optimum 不必然等於：
owner optimum . \text{owner optimum}. owner optimum . 88. 第七核心命題：Automation Paradox
在 participation utility 很高的活動中：
∂ P e r f o r m a n c e ∂ A u t o m a t i o n > 0 \frac{\partial Performance}{\partial Automation}>0 ∂ A u t o ma t i o n ∂ P er f or man ce > 0 可以與：
∂ E x p e r i e n c e U t i l i t y ∂ A u t o m a t i o n < 0 \frac{\partial ExperienceUtility}{\partial Automation}<0 ∂ A u t o ma t i o n ∂ E x p er i e n ce U t i l i t y < 0 同時成立。
因此 full automation 不必然 Pareto-improve 馬主體驗。
89. 第八核心命題：Biological Reflexivity
若 AI policy 影響 mating：
π A I → P t + 1 ( G ) , \pi_{\mathrm{AI}}
\rightarrow
P_{t+1}(G), π AI → P t + 1 ( G ) , 則：
the model changes the biological distribution that trains its successors . \boxed{
\text{the model changes the biological distribution that trains its successors}.
} the model changes the biological distribution that trains its successors . 這是比市場價格反身性更慢、但更深的 AI feedback loop。
90. 第九核心命題：Advisor Equilibrium
當：
AI 能提高資訊品質；
owner utility 含有 participation；
生物決策不可完全回復；
uncertainty 無法消除；
則長期穩定形態很可能不是：
AI replaces owner , \text{AI replaces owner}, AI replaces owner , 而是：
AI advisor + human final authority . \boxed{
\text{AI advisor}
+
\text{human final authority}.
} AI advisor + human final authority . 91. 這不代表永遠不會有 Quant Owner
相反地，大型法人或 portfolio-style owner 可能建立：
many horses + portfolio statistics + high delegation . \text{many horses}
+
\text{portfolio statistics}
+
\text{high delegation}. many horses + portfolio statistics + high delegation . 他們的：
U o w n e r U_{\mathrm{owner}} U owner 可能更接近財務與競賽績效。
所以不同 owner class 會形成不同 AI ecology。
92. 一口馬主又是另一個效用結構
share ownership 讓：
C i ↓ C_i\downarrow C i ↓ 並可能增加：
V p a r t i c i p a t i o n . V_{\mathrm{participation}}. V participation . AI 若大量進入募集馬篩選，可能降低資訊門檻，但同時也可能造成熱門候選更集中。
這值得後續獨立研究，但不在本篇展開具體工具。
93. AI 甚至可能改變拍賣敘事本身
當越來越多人看到：
V ^ A I , \hat V_{\mathrm{AI}}, V ^ AI , 價格可能：
P a → V ^ A I . P_a
\rightarrow
\hat V_{\mathrm{AI}}. P a → V ^ AI . 於是模型不只預測價格。
它可能開始：
anchor price . \boxed{
\text{anchor price}.
} anchor price . 這和 Paper 03 中 AI 資金改變賠率具有相同反身性。
94. Model Reputation 也可能成為新的 Pedigree Reputation
若某 bloodstock AI 被大量使用：
AI score \text{AI score} AI score 本身可能進入市場敘事。
然後：
A I S c o r e → B u y e r D e m a n d → A u c t i o n P r i c e . AI\ Score
\rightarrow
Buyer\ Demand
\rightarrow
Auction\ Price. A I S cor e → B u y er D e man d → A u c t i o n P r i ce . 此時模型失去純外部觀察者地位。
95. 因此拍賣模型也需要 Anti-Reflexive Evaluation
不能只問：
C o r r ( P ^ , P a ) . Corr(\hat P,P_a). C or r ( P ^ , P a ) . 還應問：
P ^ \hat P P ^ 是否已經影響：
P a . P_a. P a . 否則高預測力可能部分來自：
self-fulfilling valuation . \boxed{
\text{self-fulfilling valuation}.
} self-fulfilling valuation . 96. 生命週期 AI 的資料問題比賽事資料更難
因為資料跨：
breeding farm；
sale company；
owner；
trainer；
veterinarian；
race authority；
genetic lab。
所以：
data fragmentation \boxed{
\text{data fragmentation}
} data fragmentation 可能是比模型本身更大的限制。
97. 最稀缺的不是演算法，而是 Canonical Longitudinal Dataset
真正理想資料：
D i = ( G i , P i , B i r t h i , G r o w t h i , H e a l t h i , T r a i n i n g i , A u c t i o n i , R a c i n g i , B r e e d i n g i ) . D_i
=
(
G_i,
P_i,
Birth_i,
Growth_i,
Health_i,
Training_i,
Auction_i,
Racing_i,
Breeding_i
). D i = ( G i , P i , B i r t h i , G r o w t h i , H e a l t h i , T r ainin g i , A u c t i o n i , R a c in g i , B r ee d in g i ) . 而且每一層都要：
timestamped + quality-controlled + identity-linked . \text{timestamped}
+
\text{quality-controlled}
+
\text{identity-linked}. timestamped + quality-controlled + identity-linked . 這種資料集極具商業與隱私價值，因此很難公開集中。
98. 這解釋了為什麼零件已存在但完整系統仍少見
目前已存在：
pedigree analytics , \text{pedigree analytics}, pedigree analytics , genetic tests , \text{genetic tests}, genetic tests , biomechanics , \text{biomechanics}, biomechanics , wearables , \text{wearables}, wearables , auction ML , \text{auction ML}, auction ML , race models . \text{race models}. race models . 缺的往往是：
cross-stage identity-linked integration . \boxed{
\text{cross-stage identity-linked integration}.
} cross-stage identity-linked integration . 99. AI Racehorse Lifecycle Twin 因此是可預判方向，但不是已完成事實
從現有技術可以合理推論：
integration pressure ↑ . \text{integration pressure}\uparrow. integration pressure ↑ . 但截至本文所檢索的公開資料，不能把日本頂級牧場描述成已經公開部署一套完整、全自動的 genome-to-race lifecycle optimizer。
因此應區分：
technically plausible trajectory \boxed{
\text{technically plausible trajectory}
} technically plausible trajectory 與：
publicly verified current deployment . \boxed{
\text{publicly verified current deployment}.
} publicly verified current deployment . 100. 研究邊界
本篇不提供：
deployable breeding optimizer , \text{deployable breeding optimizer}, deployable breeding optimizer , automatic auction bidder , \text{automatic auction bidder}, automatic auction bidder , prescriptive veterinary engine , \text{prescriptive veterinary engine}, prescriptive veterinary engine , automatic training controller . \text{automatic training controller}. automatic training controller . 本篇研究的是：
AI 如何改變生命週期決策；
genomics 與 pedigree 如何互補；
育種與族群風險；
auction valuation；
owner utility；
automation boundary；
decision authorship；
governance。
101. 與 Paper 03 的關係
Paper 03：
collective intelligence produces price . \boxed{
\text{collective intelligence produces price}.
} collective intelligence produces price . Paper 04：
lifecycle intelligence can alter which future competitors exist . \boxed{
\text{lifecycle intelligence can alter which future competitors exist}.
} lifecycle intelligence can alter which future competitors exist . 所以我們從：
market reflexivity \text{market reflexivity} market reflexivity 進入：
biological reflexivity . \boxed{
\text{biological reflexivity}.
} biological reflexivity . 102. 從 Price Formation 到 Population Formation
在共同彩池：
A I → B e t → P r i c e . AI
\rightarrow
Bet
\rightarrow
Price. A I → B e t → P r i ce . 在 breeding：
A I → M a t e S e l e c t i o n → O f f s p r i n g P o p u l a t i o n . AI
\rightarrow
Mate\ Selection
\rightarrow
Offspring\ Population. A I → M a t e S e l ec t i o n → O f f s p r in g P o p u l a t i o n . 這兩者有一個深層同構：
prediction system → action → changes future data-generating system . \boxed{
\text{prediction system}
\rightarrow
\text{action}
\rightarrow
\text{changes future data-generating system}.
} prediction system → action → changes future data-generating system . 103. 結論
人工智慧進入賽馬產業後，最直觀的應用是：
predict which horse wins . \text{predict which horse wins}. predict which horse wins . 但這只是生命週期的最後幾個時間點。
真正更深的 AI 化會逐漸向前延伸：
Pedigree → Genomics → Mating → Development → Training → Health → Auction → Racing → Breeding . \text{Pedigree}
\rightarrow
\text{Genomics}
\rightarrow
\text{Mating}
\rightarrow
\text{Development}
\rightarrow
\text{Training}
\rightarrow
\text{Health}
\rightarrow
\text{Auction}
\rightarrow
\text{Racing}
\rightarrow
\text{Breeding}. Pedigree → Genomics → Mating → Development → Training → Health → Auction → Racing → Breeding . 每一步都產生新的資料，也改變下一步的狀態。
因此：
Racehorse AI \boxed{
\text{Racehorse AI}
} Racehorse AI 最終可能不再是一個預測器，而是一個：
long-horizon biological decision-support system . \boxed{
\text{long-horizon biological decision-support system}.
} long-horizon biological decision-support system . 然而，這個系統不能只最大化速度、獎金或拍賣價格。
基因體研究已顯示 Thoroughbred 面臨真實的 diversity 與 inbreeding 問題。[2][3] 競賽能力也不是單一基因決定；MSTN 提供的重要資訊主要是距離適性與速度相關傾向，而非完整冠軍命運。[1]
同時，現代育成科學已經使營養、運動生理、步態、傷病風險與訓練負荷逐漸可以量化。[6][7][8] 拍賣市場也已出現正式的機器學習價格模型。[9]
所以技術方向並不神秘。
真正困難的是：
what should be optimized? \boxed{
\text{what should be optimized?}
} what should be optimized? 如果回答只是：
max E [ Π ] , \max E[\Pi], max E [ Π ] , 就會錯過 welfare、genetic diversity、biological uncertainty 與日本馬主文化中非常重要的 ownership experience。
因此本文最後提出的不是：
Fully Autonomous Racehorse Factory . \text{Fully Autonomous Racehorse Factory}. Fully Autonomous Racehorse Factory . 而是：
AI as Bloodstock and Lifecycle Advisor . \boxed{
\text{AI as Bloodstock and Lifecycle Advisor}.
} AI as Bloodstock and Lifecycle Advisor . AI 可以：
看更多資料；
找到人類不容易察覺的配種風險；
提醒近交與健康問題；
建立更好的育成狀態模型；
輔助拍賣估值；
協助長期風險管理。
但是：
better advice ≠ mandatory delegation . \boxed{
\text{better advice}
\neq
\text{mandatory delegation}.
} better advice = mandatory delegation . 對某些 Quant Owner，最深的自動化可能本身就是效用最大化。
對另一些馬主，真正珍貴的恰恰是：
我自己看中了牠。
在這樣的效用函數中，不確定性、選擇與參與不是需要全部消除的 defect。
它們本身就是：
part of the value . \boxed{
\text{part of the value}.
} part of the value . 因此 AI 生命週期智能最後面對的，不只是「如何做出更好的馬」。
而是：
當智能足以最佳化一個長期的人與生命共同參與活動時， 究竟哪些決策應該交給模型， 哪些決策的價值恰恰來自人仍然親自作出它？ \boxed{
\text{當智能足以最佳化一個長期的人與生命共同參與活動時，
究竟哪些決策應該交給模型，
哪些決策的價值恰恰來自人仍然親自作出它？}
} 當智能足以最佳化一個長期的人與生命共同參與活動時， 究竟哪些決策應該交給模型， 哪些決策的價值恰恰來自人仍然親自作出它？ 這個問題將直接連接後續 Paper 05 與 Paper 06：當 AI 進入賭場與策略牌局後，制度不再只問 AI 能不能提高決策能力，而會進一步問「什麼樣的智能輔助仍屬於合理參與，什麼時候已經取代了原本被要求的人類決策」。
References
[1] Hill, E. W. et al. The genetic origin and history of speed in the Thoroughbred racehorse . Nature Communications 3, 643 (2012).https://www.nature.com/articles/ncomms1644
[2] McGivney, B. A. et al. Genomic inbreeding trends, influential sire lines and selection in the global Thoroughbred horse population . Scientific Reports 10, 466 (2020).https://pmc.ncbi.nlm.nih.gov/articles/PMC6965197/
[3] Todd, E. T. et al. Inbreeding depression and the probability of racing in the Thoroughbred horse .https://pmc.ncbi.nlm.nih.gov/articles/PMC9240673/
[4] International Federation of Horseracing Authorities. International Agreement on Breeding, Racing and Wagering , Article 12, June 2026 edition.https://www.ifhaonline.org/default.asp?AREA=2§ion=IABRW
[5] Japanese Stud Book / JAIRS. Conditions of Entry to the Japanese Stud Book .https://www.studbook.jp/en/kyokai/pdf/e-kitei.pdf
[6] Japan Racing Association. JRA育成馬を用いた生産育成研究業務 .https://www.jra.go.jp/facilities/farm/training/research/
[7] JRA Equine Research Institute. Equine Science Division, Hidaka Training and Research Center .https://company.jra.jp/equinst/laboratories/hidaka.html
[8] McSweeney, D. et al. Thoroughbreds deemed to be most at risk by inertial measurement unit sensors suffered a fatal musculoskeletal injury at a higher rate than other racehorses . Journal of the American Veterinary Medical Association (2025).https://pubmed.ncbi.nlm.nih.gov/40961979/
[9] Yang, Y., Clarke, J., Mandal, T., Nguyen, T. & Pham, T. Predicting Thoroughbred Yearling Auction Prices with Machine Learning: Evidence from the Keeneland September Sale . Journal of Agricultural and Applied Economics (2026).https://scholarship.depauw.edu/bus_facpubs/11/
[10] Japan Racing Horse Association. Select Sale 2026 Results .https://www.jrha.or.jp/selectsale/2026_list4.html
[11] Japan Racing Association. 馬主の特典・楽しみ .https://www.jra.go.jp/owner/howto/benefits/
[12] TrueNicks. Broodmare Analysis / Hypothetical Mating Reports .https://www.truenicks.com/
[13] JRA Equine Research Institute. Sports Science Division .https://company.jra.jp/equinst/laboratories/Sports.html
[14] Japan Racing Association. 馬主になるには .https://www.jra.go.jp/owner/howto/
[15] Japan Racing Association. 馬主活動に伴う収入・支出 .https://www.jra.go.jp/owner/howto/income/
Next: Paper 05 — AI 與莊家制賭場：可計算、可預測、可利用與制度限制