從玩家數到模型增長率：AI 原生互動平台的有效成長、資料收益與資本估值

From Player Metrics to Model Growth Rate: Effective Growth, Data Yield, and Capital Valuation in AI-Native Interactive Platforms

系列：生成式互動平台與人工世界資料飛輪，第 6 篇／共 7 篇
系列英文名：Generative Interactive Platforms and Artificial-World Data Flywheels
系列代碼：GIAW
文件編號：EML-GIAW-2026-06-v0.1
作者：Neo.K with Aletheia（GPT-5.6 Sol）
機構：EveMissLab／一言諾科技有限公司
版本：v0.1
日期：2026-09-12
性質：AI Platform Metrics／Model Economics／Data Flywheel／Venture Valuation／Interactive Systems
狀態：Public Theory Draft
直接前置：GIAW-01 至 GIAW-05
後續接口：GIAW-07《人工世界資料飛輪：從遊戲訓練 AI 到自生成世界中的自我成長》

摘要

AI 原生互動平台經常使用 MAU、DAU、plays、games created、session count、retention 與 creator count 等指標描述成長。然而，如果平台真正的長期資產不只是廣告、訂閱或內容交易，而包括人類意圖資料、人工世界、行動軌跡與模型能力，那麼傳統 consumer metrics 只能描述「表面活動量」，不能直接描述「模型真正增加了多少能力」。

本文提出「能力產生成長」（Capability-Producing Growth）框架，區分：

G_H = \text{Headline Growth}

與：

G_C = \text{Capability-Producing Growth}.

其中 $G_H$ 可由 MAU、plays、created worlds 等可見數量組成； $G_C$ 則必須考慮互動是否有效、資料是否具有新信息、世界是否足夠多樣、資料能否被合法對齊、模型是否真正從資料中得到可測量能力增益。

本文定義「有效互動收益」（Effective Interaction Yield）：

Y_{\mathrm{eff}} = N_{\mathrm{interaction}} \cdot q \cdot d \cdot a \cdot n \cdot c,

其中：

$q$ ：資料品質；
$d$ ：世界與行為多樣性；
$a$ ：Creator–World–Player 對齊程度；
$n$ ：新信息／非重複程度；
$c$ ：合規與可用性。

再定義模型能力增益：

\Delta Q_M = F(Y_{\mathrm{eff}},A_M,T_M),

其中 $A_M$ 是模型／訓練架構， $T_M$ 是訓練與評估程序。

由此，平台成長的真正核心不再是：

\frac{dU}{dt}

而可能是：

\boxed{ \frac{dQ_M}{dt} }

即模型能力對時間的增長率。

本文進一步分析 paid acquisition、低品質流量、短 session、重複世界、推薦集中與 Runtime 限制如何造成「指標膨脹但模型增益不足」；並提出 Model Growth Efficiency、Capability CAC、Data-to-Capability Conversion Rate、Organic Capability Yield、Retention-Adjusted Interaction Value、Growth Quality Matrix 等指標，用以區分「看起來很大的平台」與「真正能持續產生能力的平台」。

本文不對任何特定現實公司之未公開數據做判斷，而提供一套可用於 AI 原生遊戲平台、互動世界生成器、Agent 平台與資料飛輪公司的投資與技術分析框架。

關鍵詞：MAU、Plays、Data Yield、Model Growth Rate、Capability-Producing Growth、AI Platform Metrics、CAC、Retention、Venture Valuation、Data Flywheel

1. 問題提出：五百萬 MAU 到底代表什麼？

若某平台宣稱：

MAU=5M,

這至少可能代表五種完全不同的事情。

Case A：高留存核心社群

大量使用者：

經常回來；
深度互動；
主動創作；
有高 organic share。

Case B：大量短期新奇使用者

大量使用者：

因 novelty 進入；
玩幾次；
很快流失。

Case C：大量 paid acquisition

平台持續付費導入：

U_{\mathrm{paid}}.

MAU 很高，但：

\text{OrganicRetention}

不一定高。

Case D：Creator-heavy MAU

很多使用者主要在：

生成；
測試；
修改；

而非傳統意義的玩家。

Case E：高頻低深度 session

同一人產生大量：

\text{plays},

但每次 interaction 很短。

因此：

\boxed{ MAU }

本身不能回答：

\boxed{ \text{How much model-relevant learning occurred?} }

2. Headline Growth

本文定義：

G_H = f( MAU, DAU, \text{Plays}, \text{Sessions}, \text{CreatedWorlds}, \text{Creators} ).

這些指標具有：

易懂；
易比較；
適合投資簡報；
適合媒體敘事；

的優點。

但它們的共同問題是：

\boxed{ \text{Quantity of activity} \neq \text{quality of learning}. }

3. Capability-Producing Growth

定義：

G_C = f( \text{EffectiveData}, \text{ModelGain}, \text{Retention}, \text{Diversity}, \text{Alignment}, \text{OrganicDemand} ).

更進一步：

\boxed{ G_C = \frac{dQ_M}{dt} }

其中：

Q_M

代表模型能力。

因此一個平台可以：

G_H\gg0

但：

G_C\approx0.

這就是本文最重要的區分之一。

4. Raw Interaction 與 Effective Interaction

設總互動數：

N_R.

其中可能包含：

真正遊玩；
idle；
accidental click；
duplicate session；
bot-like behavior；
creator self-test；
low-information repetition。

因此定義有效互動：

N_E = N_R \cdot q \cdot r,

其中：

$q$ ：互動品質；
$r$ ：可用比例。

因此：

N_R\uparrow

不代表：

N_E\uparrow

等比例。

5. Effective Interaction Yield

完整定義：

\boxed{ Y_{\mathrm{eff}} = N_R \cdot q \cdot d \cdot a \cdot n \cdot c. }

其中：

5.1 Quality

q

表示：

是否有真實 action；
是否可還原 state；
是否排除 idle；
是否有 outcome。

5.2 Diversity

d

表示：

世界多樣性；
玩家策略多樣性；
行動多樣性；
裝置與情境多樣性。

5.3 Alignment

a

表示能否對齊：

\text{Creator} \leftrightarrow \text{World} \leftrightarrow \text{Player}.

5.4 Novelty

n

表示新資料相對歷史資料的新信息量。

5.5 Compliance

c

表示資料是否：

有權使用；
符合政策；
可進入訓練；
未被刪除／退出。

6. 有效資料不是事件數

若：

N_R=10^9

但：

q=d=a=n=c=0.1,

則：

Y_{\mathrm{eff}} = 10^9 \times 10^{-5} = 10^4.

也就是十億原始事件可能只相當於：

10,000

個高價值有效單位。

這只是示例，但指出：

\boxed{ \text{Raw Scale} \neq \text{Effective Scale}. }

7. Data Novelty Decay

資料會有邊際遞減。

若前：

10^6

筆資料已覆蓋某類玩法，

後續：

10^8

筆高度相似資料，

其增量信息可能很低。

定義第 $i$ 筆資料新穎度：

n_i.

隨重複增加：

n_i\downarrow.

所以：

\boxed{ \text{Interaction Growth} \not\Rightarrow \text{Information Growth}. }

8. 世界多樣性折扣

GIAW-04 與 GIAW-05 已指出：

D_W

可能因推薦與 Runtime 收斂。

因此平台資料量：

N_D

應乘上：

d_W.

有效資料：

D_{\mathrm{eff}} = D_{\mathrm{raw}} \cdot d_W.

如果所有世界只是：

\text{same loop + different skin},

則：

d_W\ll1.

9. Player Diversity

同樣，若全部使用者來自高度相似群體：

d_U\downarrow.

那模型學到：

P(A\mid W,U_{\mathrm{sample}})

不一定泛化到：

U_{\mathrm{global}}.

因此：

D_{\mathrm{eff}} = D_{\mathrm{raw}} \cdot d_W \cdot d_U.

10. Model Gain

資料真正的價值應以：

\Delta Q_M

衡量。

定義：

Q_M = ( q_{\mathrm{generation}}, q_{\mathrm{world}}, q_{\mathrm{planning}}, q_{\mathrm{preference}}, q_{\mathrm{repair}}, q_{\mathrm{prediction}} ).

模型更新前：

Q_M^{(t)}.

更新後：

Q_M^{(t+1)}.

則：

\Delta Q_M = Q_M^{(t+1)} - Q_M^{(t)}.

11. Model Growth Rate

定義：

\boxed{ g_M = \frac{dQ_M}{dt}. }

若離散：

g_M^{(t)} = \frac{ Q_M^{(t+1)} - Q_M^{(t)} }{ \Delta t }.

這比：

\frac{dMAU}{dt}

更接近模型公司的核心技術成長率。

12. Data-to-Capability Conversion Rate

定義：

\eta_{D\rightarrow M} = \frac{\Delta Q_M}{Y_{\mathrm{eff}}}.

其中：

\eta_{D\rightarrow M}

表示：

每單位有效資料能轉成多少模型能力。

平台可以有：

Y_{\mathrm{eff}}\uparrow

但：

\eta_{D\rightarrow M}\downarrow,

例如模型已飽和。

因此：

\boxed{ \text{More Useful Data} \neq \text{Guaranteed More Capability}. }

13. Model Growth Efficiency

定義總投入：

C_T = C_{\mathrm{creator}} + C_{\mathrm{player}} + C_{\mathrm{compute}} + C_{\mathrm{infra}} + C_{\mathrm{training}}.

則：

\boxed{ MGE = \frac{\Delta Q_M}{C_T}. }

稱為：

Model Growth Efficiency。

這是 AI 原生平台比單純 CAC 更深的單位經濟指標。

14. Capability CAC

傳統：

CAC_U = \frac{\text{MarketingCost}}{\text{NewUsers}}.

本文提出：

\boxed{ CAC_Q = \frac{\text{TotalAcquisitionCost}}{\Delta Q_M}. }

即：

取得一單位模型能力需要多少成本？

這裡的 acquisition 不只買使用者，也包括：

creator incentives；
player incentives；
compute；
training；
data processing。

15. Interaction CAC

若平台關心互動資料：

CAC_I = \frac{C_{\mathrm{acquisition}}}{N_E}.

但更合理：

CAC_{I^\star} = \frac{C_{\mathrm{acquisition}}}{Y_{\mathrm{eff}}}.

因為：

N_E

仍未處理：

diversity；
novelty；
alignment。

16. Paid Acquisition 的表面價值

付費導流：

C_P \rightarrow U_P.

增加：

MAU.

如果：

\text{Retention}_P

低，

其長期產品價值可能弱。

但即使使用者不留下，

若仍產生：

D_P,

則可能有資料價值。

所以：

\boxed{ \text{Low LTV user} \not\Rightarrow \text{Zero data value user}. }

17. Paid User 的雙重 LTV

定義：

LTV_U = LTV_{\mathrm{revenue}} + LTV_{\mathrm{data}}.

傳統 consumer app 主要看：

LTV_{\mathrm{revenue}}.

AI 平台可能同時看：

LTV_{\mathrm{data}}.

因此某些 acquisition campaign 即使：

Revenue<CAC,

若：

\text{Revenue} + \text{DataValue} > CAC,

仍可能被公司視為合理。

18. 但 Data Value 很難估

V_D

不是市場直接報價。

它取決於：

V_D = f( \text{Novelty}, \text{Quality}, \text{Alignment}, \text{ModelNeed}, \text{Trainability}, \text{Exclusivity} ).

如果模型已經知道：

D_i,

則：

MarginalValue(D_i)\approx0.

所以不能粗暴地把：

\text{每個使用者}

都當成固定資料價值。

19. Organic Capability Yield

定義 organic user 產生的能力：

\Delta Q_O.

paid user 產生：

\Delta Q_P.

成本分別：

C_O, C_P.

則：

Y_O = \frac{\Delta Q_O}{C_O},

Y_P = \frac{\Delta Q_P}{C_P}.

這可分析：

\boxed{ \text{Organic Capability Yield} }

是否高於 paid acquisition。

20. Retention 的重新解讀

傳統 retention：

R_{D1},R_{D7},R_{D30}.

對模型平台仍然重要。

因為留存高表示：

\text{Repeated Interaction}.

但重複資料也可能：

n\downarrow.

所以需要：

\boxed{ \text{Retention-Adjusted Novelty}. }

21. Retention-Adjusted Interaction Value

對使用者 $u$ ：

V_I(u) = \sum_{t=1}^{T} q_t d_t a_t n_t.

不是簡單：

T.

因此同一個玩家玩：

1000

次相同 loop，

可能不如：

20

次跨不同世界探索有模型價值。

22. Deep User 與 Broad User

Deep User：

\text{few worlds} + \text{many interactions}.

Broad User：

\text{many worlds} + \text{fewer interactions}.

對：

agent planning；

Deep 可能更值錢。

對：

preference modeling；
world diversity；

Broad 可能更值錢。

因此：

\boxed{ \text{User Value is task-dependent}. }

23. Creator MAU 與 Player MAU 應分開

若：

MAU_C

與：

MAU_P

混合，

會遮蔽平台真實結構。

應區分：

MAU = MAU_C + MAU_P - MAU_{C\cap P}.

其中：

MAU_{C\cap P}

是 prosumer。

這三類產生的資料不同。

24. Creator Yield

每個 creator 產生：

Y_C = D_{\mathrm{intent}} + D_{\mathrm{revision}} + D_{\mathrm{world}} + D_{\mathrm{player-induced}}.

因此：

\boxed{ \text{Creator Count} }

不如：

\boxed{ \text{Creator Effective Yield} }

有意義。

25. Created Worlds 指標的陷阱

宣稱：

1M\text{ worlds created}

可能看起來很大。

但如果：

90\%

是：

一次生成；
沒發布；
沒玩家；
模板複製；
幾乎相同。

那：

\text{WorldCount}

高，

\text{WorldValue}

未必高。

26. Published World Yield

定義：

PWY = \frac{ Worlds_{\mathrm{published}} }{ Worlds_{\mathrm{created}} }.

再定義：

EPWY = PWY \cdot d_W \cdot q_W.

其中：

$d_W$ ：多樣性；
$q_W$ ：可玩品質。

這比 created count 更有意義。

27. Play Count 的陷阱

\text{Play}

可能只表示：

\text{session started}.

但真正模型價值可能需要：

ActionCount>0,

Duration>\tau,

StateTransition>0.

因此：

\boxed{ \text{Play} \neq \text{Meaningful Interaction}. }

28. Significant Interaction

本文定義：

I^\star

至少需滿足：

ActionDensity>\alpha,

StateChange>\beta,

ObservationActionCoupling>\gamma.

也就是不應只用：

Duration>\tau.

因為停留時間可被 idle 破壞。

29. Action Density

定義：

\rho_A = \frac{N_A}{T}.

其中：

N_A

是有效 action 次數。

但高：

\rho_A

也不一定高品質。

例如無腦 spam。

因此還需：

\text{StateResponse}.

30. Action Effectiveness

定義：

E_A = \frac{ N_{\mathrm{meaningful\ state\ transitions}} }{ N_A }.

若：

E_A\approx0,

表示大量行動沒有產生有用世界變化。

31. Interaction Information Density

本文提出：

\boxed{ IID = \frac{I(\tau)}{T} }

其中：

I(\tau)

是 trajectory 的信息量。

兩個 session 都 $10$ 分鐘，

但：

IID_A \gg IID_B

可能成立。

32. Headline Metric Inflation

定義：

M_H

為 headline metric。

實際有效值：

M_E.

則：

\boxed{ \text{InflationRatio} = \frac{M_H}{M_E}. }

例如：

\text{Plays}

相對：

\text{SignificantInteractions}.

若：

InflationRatio\gg1,

平台的 headline scale 與模型有效 scale 差距大。

33. Metric Inflation 不等於造假

必須區分：

\text{Inflated Interpretation}

與：

\text{Fabricated Data}.

一個數字可以完全真實：

140M\ plays,

但如果外界把：

\text{Play}

誤解成：

\text{deep gameplay session},

仍會產生錯誤結論。

因此：

\boxed{ \text{Metric Semantics} }

與：

\boxed{ \text{Metric Truthfulness} }

是兩個問題。

34. Growth Quality Matrix

本文建立兩軸：

橫軸：

G_H.

縱軸：

G_C.

形成四象限。

Q1：高 Headline／高 Capability

最佳狀態。

Q2：高 Headline／低 Capability

典型：

\boxed{ \text{Vanity Growth}. }

Q3：低 Headline／高 Capability

可能是高品質但規模尚小的研究平台。

Q4：低 Headline／低 Capability

平台尚未形成有效飛輪。

35. Vanity Growth

定義：

VG = G_H-G_C^\prime,

其中：

G_C^\prime

是經標準化後 capability growth。

如果：

VG\gg0,

表示表面成長遠快於能力成長。

這不代表造假。

可能只是：

paid acquisition；
low retention；
low information density；
duplicate worlds。

36. Capability-Producing User

本文提出：

CPU_u

不是 Central Processing Unit，

而是：

Capability-Producing User。

使用者 $u$ 若滿足：

\Delta Q_M(u)>0,

則是 capability-producing user。

平台真正想最大化的可能不是：

MAU,

而是：

\boxed{ MAU_{CPU}. }

37. Capability-Producing Session

同理：

CPS_s

為 capability-producing session。

若 session 只是：

\text{idle},

則：

CPS_s=0.

若產生新策略、新世界互動或高價值修正：

CPS_s>0.

38. Capability-Producing Play Rate

定義：

CPR = \frac{ N_{\mathrm{capability-producing\ plays}} }{ N_{\mathrm{plays}} }.

這個指標可能比：

\text{SignificantPlayRate}

更接近模型公司真正需要的東西。

39. Model-Need Weighting

並非所有資料在所有時期都同樣重要。

若模型目前最弱：

q_{\mathrm{long-horizon}},

則長時世界資料權重應：

w_{\mathrm{long}}\uparrow.

若最弱：

q_{\mathrm{visual}},

則視覺互動資料更重要。

所以：

Y_{\mathrm{eff}}

應乘：

w_{\mathrm{need}}.

40. Weighted Effective Yield

完整：

\boxed{ Y_{\mathrm{eff}}^\star = N_R \cdot q \cdot d \cdot a \cdot n \cdot c \cdot w_{\mathrm{need}}. }

這使資料價值變成：

\text{Model-State Dependent}.

41. Saturation

資料類型 $D_i$ 的價值：

V(D_i)

通常有：

\frac{dV}{dN}>0,

但：

\frac{d^2V}{dN^2}<0.

即邊際收益遞減。

所以同一玩法資料持續增加：

N_i\rightarrow\infty

不會無限增加能力。

42. Exploration Value

未知世界：

W_{\mathrm{new}}

可能當下 engagement 低，

但其：

n

很高。

因此對模型：

V_{\mathrm{model}}(W_{\mathrm{new}})

可能高。

這與 GIAW-04 的 diversity budget 直接相連。

43. Recommendation Objective 的雙目標

傳統推薦：

\max J_{\mathrm{user}}.

模型平台可能需要：

\boxed{ \max \left( J_{\mathrm{user}} + \lambda J_{\mathrm{learning}} \right). }

其中：

J_{\mathrm{learning}}

表示預期能力增益。

但：

\lambda

不能太高，

否則使用者變成實驗對象而產品體驗下降。

44. Learning Externality

某次推薦：

R(G,u)

除了當前 utility：

U_t,

還產生未來模型價值：

L_{t+1}.

所以：

V_R = U_t+\lambda L_{t+1}.

這是 AI-native recommender 與一般 recommender 的新差異。

45. Ethical Constraint

即使：

L_{t+1}

很高，

平台也不能無限犧牲：

U_t.

因此：

\boxed{ J = U_t + \lambda L_{t+1} - \mu H_{\mathrm{harm}}. }

其中：

H_{\mathrm{harm}}

包括：

manipulation；
dark pattern；
hidden experimentation；
privacy harm。

46. Investor View

投資人可能觀察：

U_t, D_t,G_t,Q_t.

其中：

$U_t$ ：users；
$D_t$ ：data；
$G_t$ ：growth；
$Q_t$ ：model capability。

估值可概念化：

V_{\mathrm{firm}} = f( U_t, D_t, Q_t, g_U, g_Q, N, M ).

其中：

$N$ ：network effect；
$M$ ：market option value。

47. Growth Rate vs Level

平台 A：

Q_A=80,

g_A=1.

平台 B：

Q_B=50,

g_B=10.

投資人可能更重視 B，

因為：

g_B\gg g_A.

所以：

\boxed{ \text{Slope can matter more than state}. }

48. Second Derivative

甚至可看：

a_M = \frac{d^2Q_M}{dt^2}.

如果：

a_M>0,

表示模型增長在加速。

這更接近真正 data flywheel。

若：

a_M<0,

可能代表：

saturation；
data redundancy；
model ceiling。

49. Flywheel Test

真正飛輪應滿足：

Q_{t+1}>Q_t,

導致：

U_{t+1}>U_t,

進而：

D_{t+1}>D_t,

再：

Q_{t+2}-Q_{t+1} > Q_{t+1}-Q_t.

即：

\boxed{ \frac{d^2Q}{dt^2}>0 }

至少在某一階段成立。

50. Pseudo-Flywheel

若：

U\uparrow,

D\uparrow,

但：

Q_M\approx \text{constant},

那不是模型飛輪。

只是：

\boxed{ \text{Traffic Flywheel}. }

或者：

\boxed{ \text{Content Flywheel}. }

不能混稱。

51. Data Flywheel vs Model Flywheel

Data Flywheel：

U \rightarrow D \rightarrow \text{MoreD}.

Model Flywheel：

D \rightarrow Q_M \rightarrow \text{BetterProduct} \rightarrow \text{MoreU} \rightarrow \text{MoreD}.

只有後者：

\boxed{ \text{Capability Loop Closed}. }

52. Better Product 的可觀測證據

如果：

Q_M\uparrow,

應該在產品看到：

generation success 提升；
repair success 提升；
runtime quality 提升；
user satisfaction 提升；
creation time 下降；
world diversity 增加。

若完全看不到，

則：

\Delta Q_M

的實際產品價值值得懷疑。

53. Model Gain Attribution

模型可能同時由：

platform data；
public data；
synthetic data；
third-party model；
architecture change；

提升。

所以：

\Delta Q_M

不能自動歸因於平台資料。

需要：

\boxed{ \text{Attribution Experiment}. }

54. Data Ablation

建立：

M_A

使用平台資料。

M_B

不使用。

比較：

\Delta Q = Q(M_A)-Q(M_B).

這是驗證：

V_D

最直接的方法之一。

55. Counterfactual Data Value

資料真正價值：

V_D = Q(M\mid D) - Q(M\mid \neg D).

如果：

V_D\approx0,

再多互動都不構成真正護城河。

56. Exclusivity

資料如果只有該平台擁有：

E_D\uparrow.

則戰略價值上升。

如果競爭者很容易：

synthetic replicate；
scrape；
generate；

則：

E_D\downarrow.

所以：

\boxed{ \text{Unique Data} > \text{Large Commodity Data}. }

在某些情況成立。

57. Human Causality Advantage

人工世界資料一個可能優勢是：

(S_t,A_t,S_{t+1})

具有明確 action label。

相較：

\text{Video}_t\rightarrow \text{Video}_{t+1},

其：

\text{CausalIdentifiability}

可能更高。

因此資料護城河不只在量，

而在：

\boxed{ \text{Structural Observability}. }

58. Creator Intent Advantage

同時存在：

\text{Intent} \rightarrow \text{World}

使平台獲得：

\text{Constructional Supervision}.

若再有：

\text{World} \rightarrow \text{PlayerTrajectory},

則形成：

\boxed{ \text{Intent} \rightarrow \text{World} \rightarrow \text{Outcome}. }

這種資料結構可能比單純 UGC 更有價值。

59. Model Growth Moat

真正護城河可寫：

\text{Moat} = \text{DataUniqueness} \times \text{ConversionEfficiency} \times \text{Distribution} \times \text{IterationSpeed}.

如果任何一項接近零：

\text{Moat}\downarrow.

所以：

\text{Users}

不是護城河本身。

60. Paid Growth Trap

若：

CAC_U\uparrow,

\text{Retention}\downarrow,

平台需要持續：

\text{Spend}\uparrow

維持：

MAU.

形成：

\boxed{ \text{Paid Growth Trap}. }

即使：

MAU

維持高位，

其 organic engine 弱。

61. Capability Paid Growth Trap

更深一層：

如果 paid users 產生的資料：

Y_P

高度低質，

那：

CAC_Q

非常高。

此時：

\boxed{ \text{Paid Acquisition} }

既沒有高：

LTV_{\mathrm{revenue}},

也沒有高：

LTV_{\mathrm{data}}.

這是最差狀態。

62. Healthy Paid Acquisition

相反，若：

CAC_U<LTV_U,

而且：

CAC_Q

低，

paid growth 可以是：

\boxed{ \text{Data Flywheel Accelerator}. }

不能簡單把所有付費流量視為壞事。

63. Growth Quality Ratio

本文提出：

\boxed{ GQR = \frac{G_C}{G_H}. }

若：

GQR\approx1,

headline growth 與 capability growth 同步。

若：

GQR\ll1,

表面成長遠高於能力成長。

64. Data Yield per MAU

定義：

Y_{MAU} = \frac{Y_{\mathrm{eff}}}{MAU}.

這能回答：

每個月活使用者到底貢獻多少有效學習資料？

兩平台同樣：

5M\ MAU,

但：

Y_{MAU}^{A} \gg Y_{MAU}^{B}

可能成立。

65. Model Gain per MAU

更進一步：

Q_{MAU} = \frac{\Delta Q_M}{MAU}.

如果：

MAU\uparrow

但：

Q_{MAU}\downarrow,

平台使用者成長的邊際模型價值正在下降。

66. Model Gain per Play

同理：

Q_{\mathrm{play}} = \frac{\Delta Q_M}{N_{\mathrm{plays}}}.

如果：

Q_{\mathrm{play}}\rightarrow0,

表示 play count 越來越像 vanity metric。

67. Retention-Weighted MAU

傳統：

MAU.

可以修正：

MAU_R = \sum_u w(R_u).

其中高 D30：

w\uparrow.

但模型公司還應再乘：

Y_u.

所以：

\boxed{ MAU^\star = \sum_u w(R_u)Y_u. }

68. Capability-Weighted MAU

定義：

\boxed{ CWMAU = \sum_{u\in MAU} \Delta Q_M(u). }

實務無法精確計算每個人，

但可用 cohort proxy。

這比原始：

MAU

更接近模型經濟。

69. Cohort Analysis

應比較不同 acquisition cohort：

C_1,C_2,\ldots.

測：

retention；
world diversity；
interaction density；
creator conversion；
model-relevant yield。

而不是只看總 MAU。

70. Cohort Capability Curve

定義 cohort $c$ ：

Y_c(t).

如果：

Y_c(t)

快速衰減，

表示使用者很快不再提供新信息。

如果長期：

Y_c(t)>0,

表示 cohort 持續產生新能力資料。

71. Novelty Half-Life

定義：

T_{1/2}^{N}

為 cohort 資料新穎度降到一半的時間。

短：

T_{1/2}^{N}

代表：

高重複；
快速飽和。

長：

T_{1/2}^{N}

代表使用者持續探索／創作新世界。

72. Growth Without Novelty

平台可以：

MAU\uparrow,

但如果每個新 cohort 都做相同事情：

n\downarrow.

所以：

\boxed{ \text{User Growth} \neq \text{Knowledge Frontier Growth}. }

73. Knowledge Frontier Expansion

定義平台已覆蓋人工世界空間：

\Omega_D^{(t)}.

新增資料擴張：

\Delta\Omega_D = \Omega_D^{(t+1)} - \Omega_D^{(t)}.

真正強的平台應：

\mu(\Delta\Omega_D)>0.

而不只是：

N_D\uparrow.

74. Capability Frontier Expansion

模型能力可行域：

\Omega_M^{(t)}.

更新後：

\Omega_M^{(t+1)}.

若：

\Omega_M^{(t+1)} \supset \Omega_M^{(t)},

才是真正 frontier expansion。

因此：

\boxed{ \text{Best Growth Metric} \approx \Delta\Omega_M. }

75. Model Growth Dashboard

理想 dashboard 不只顯示：

MAU；
plays；
creators。

還應顯示：

Y_{\mathrm{eff}},

D_W,

GQR,

MGE,

CAC_Q,

\Delta Q_M,

\Delta\Omega_M.

76. Investor Due Diligence Questions

對 AI-native 互動平台，應問：

Plays 的最小定義是什麼？
Significant interaction 如何定義？
DAU/MAU 是自然還是 paid？
D1/D7/D30 retention？
creator 與 player cohort 是否分開？
世界多樣性是否增加？
資料如何進入模型？
有無 ablation 證明資料有效？
模型能力是否隨資料規模提升？
paid acquisition 對模型增益的 ROI？
多少資料可合法用於訓練？
模型提升是否回流產品？

77. 投資估值的錯誤捷徑

錯誤：

MAU\uparrow \Rightarrow \text{Valuation}\uparrow

沒有中介。

更完整：

MAU \rightarrow Y_{\mathrm{eff}} \rightarrow \Delta Q_M \rightarrow \text{ProductGain} \rightarrow \text{FutureCashflow/StrategicValue}.

中間任一步失效，

MAU

的估值意義下降。

78. Strategic Value

即使短期：

\text{Revenue}\approx0,

若：

\Delta Q_M\gg0,

且模型具有：

licensing；
API；
cross-domain use；
acquisition value；

則：

\text{StrategicValue}

仍可能很高。

所以：

\boxed{ \text{Low Revenue} \neq \text{Low Enterprise Value}. }

79. 但 Capability Narrative 不能免驗證

反過來：

「我們有很多資料，所以未來模型會很強。」

不夠。

必須證明：

D \rightarrow Q_M.

如果沒有：

\boxed{ \text{Measured Capability Gain}, }

資料飛輪只能算 hypothesis。

80. Minimum Evidence for Model Flywheel

至少需要：

data lineage；
training eligibility；
dataset quality audit；
model ablation；
benchmark gain；
product gain；
cohort repeatability。

即：

\boxed{ \text{Data} \rightarrow \text{Training} \rightarrow \text{Capability} \rightarrow \text{Product} }

四層證據。

81. Benchmark Leakage Problem

若 benchmark：

B

與訓練資料高度重疊，

\Delta Q_B

可能虛高。

因此模型飛輪驗證需：

held-out worlds；
unseen mechanics；
unseen creator intents；
OOD player behavior。

82. World-Generalization Benchmark

可以建立：

B_W = \{ W_{\mathrm{seen}}, W_{\mathrm{near}}, W_{\mathrm{novel}} \}.

測：

state prediction；
planning；
generation；
repair；
preference prediction。

若只在：

W_{\mathrm{seen}}

提升，

不是 robust world-model gain。

83. Creator-Generalization Benchmark

測：

I_{\mathrm{new}}

新型 creator intent。

模型能否：

I_{\mathrm{new}} \rightarrow W_{\mathrm{valid}}.

這比 memorizing common template 更重要。

84. Behavioral-Generalization Benchmark

在未見玩家策略：

\pi_{\mathrm{new}}

下，

模型是否能預測：

S_{t+1}

與：

\text{Outcome}.

這是玩家軌跡資料的真正價值測試。

85. Model Growth Decay

即使早期：

g_M>0,

也可能逐漸：

g_M\rightarrow0.

原因：

model saturation；
data redundancy；
architecture ceiling；
runtime ceiling。

所以投資人不能只看早期斜率。

86. Structural Break

若平台升級：

Runtime；
model architecture；
world IR；

可能使：

g_M

重新上升。

因此：

g_M(t)

可能不是平滑曲線，

而是：

\boxed{ \text{piecewise capability acceleration}. }

87. Capability Compounding

若模型提升後：

Q_M\uparrow

能生成更複雜：

W\uparrow,

則資料多樣性：

D_W\uparrow.

再讓：

Q_M\uparrow.

形成真正：

\boxed{ \text{Capability Compounding}. }

88. 但 Runtime 必須同步擴張

GIAW-05 已指出：

Q_{\mathrm{effective}} = \min( Q_M, Q_R, Q_T ).

所以若：

Q_M\uparrow

但：

Q_R

不變，

則：

g_{\mathrm{effective}}\rightarrow0.

模型能力被 infrastructure 卡死。

89. Investor Growth Equation

本文提出概念式：

\boxed{ V_{\mathrm{future}} \propto U \cdot Y_{\mathrm{eff}} \cdot \eta_{D\rightarrow M} \cdot Q_{\mathrm{monetize}} \cdot N_{\mathrm{moat}}. }

其中：

$U$ ：使用者規模；
$Y_{\mathrm{eff}}$ ：每使用者有效資料收益；
$\eta_{D\rightarrow M}$ ：資料轉能力效率；
$Q_{\mathrm{monetize}}$ ：能力商業化能力；
$N_{\mathrm{moat}}$ ：護城河。

任何一項接近零，

估值論述都會變弱。

90. Headline Growth 可以是真的，仍然沒那麼值錢

這是本文重要結論。

一個平台可以完全真實地擁有：

\text{Millions of MAU},

\text{Hundreds of Millions of Plays},

但如果：

Y_{\mathrm{eff}}\ll1,

或：

\eta_{D\rightarrow M}\ll1,

則模型價值仍可能低。

因此：

\boxed{ \text{Real Metric} \neq \text{High Economic Meaning}. }

91. 反過來，小平台也可能很值錢

若：

MAU

不高，

但每個使用者產生：

Y_{\mathrm{eff}}\gg1,

且：

\eta_{D\rightarrow M}\gg1,

則：

G_C

仍可能很高。

例如：

專業 simulation；
robotics；
scientific environments；
expert creators。

所以：

\boxed{ \text{Capability Density} }

可能比：

\text{User Density}

更重要。

92. Capability Density

定義：

CD = \frac{ \Delta Q_M }{ U }.

或者：

CD_I = \frac{ \Delta Q_M }{ N_{\mathrm{interaction}} }.

這衡量每個使用者／互動帶來多少能力。

93. Revenue Density 與 Capability Density

平台可以有：

RD = \frac{\text{Revenue}}{MAU}

與：

CD = \frac{\Delta Q_M}{MAU}.

傳統平台最大化：

RD.

AI 研究平台可能先最大化：

CD.

成熟後再提高：

RD.

94. Two-Stage Monetization

可能路徑：

第一階段：

\max CD.

第二階段：

\max RD.

也就是先：

\boxed{ \text{Accumulate Capability} }

再：

\boxed{ \text{Monetize Capability}. }

這可解釋某些平台早期低直接營收仍有高投資價值。

95. 三種平台本體

本文區分：

Type A — Revenue Platform

核心：

\text{Revenue}.

Type B — Data Platform

核心：

D.

Type C — Capability Platform

核心：

Q_M.

最成熟 AI-native 平台可能是：

\boxed{ A+B+C }

混合。

96. 指標必須對齊平台本體

如果平台是 Type C，

卻只看：

MAU, \text{Revenue},

會低估／誤判。

反之，

如果平台實際只有：

\text{Traffic},

卻用「未來模型能力」敘事，

也會高估。

所以：

\boxed{ \text{Metric System} \rightarrow \text{Platform Ontology}. }

97. 可證偽命題

H1：Headline–Capability Divergence Hypothesis

若：

G_H\uparrow

但：

G_C

長期不增加，

則 headline growth 不能作為模型飛輪 proxy。

H2：Effective Yield Hypothesis

若使用：

Y_{\mathrm{eff}}

比 raw plays 更能預測：

\Delta Q_M,

則本文有效互動收益框架成立。

H3：Paid Acquisition Capability Hypothesis

若 paid cohort 與 organic cohort 在：

Y_{\mathrm{eff}}

與：

\Delta Q_M

無顯著差異，

則「paid traffic 一定低模型價值」的假設不成立。

H4：Data Saturation Hypothesis

若同類互動持續增加而：

\eta_{D\rightarrow M}

不下降，

則資料邊際遞減低於本文預期。

H5：Runtime Bottleneck Hypothesis

若模型能力提升後，Runtime 不升級仍能顯著擴張：

\Omega_M,

則 GIAW-05 的 Runtime bottleneck 影響較小。

98. 最小實驗

建立三類資料：

D_A: \text{high volume / low diversity},

D_B: \text{medium volume / high diversity},

D_C: \text{low volume / expert interaction}.

控制：

\text{Compute}.

訓練：

M_A,M_B,M_C.

比較：

\Delta Q.

如果：

Q_B>Q_A

或：

Q_C>Q_A,

表示 raw volume 不是主要決定因子。

99. 平台實驗

A/B：

Route A：

\max \text{Engagement}.

Route B：

\max \text{Engagement}+\lambda \text{InformationGain}.

長期比較：

retention；
world diversity；
model gain；
user satisfaction。

這能測：

\boxed{ \text{Learning-Aware Recommendation}. }

100. 投資 DD 最小儀表板

platform_growth:
  mau:
  dau:
  paid_share:
  organic_share:

retention:
  d1:
  d7:
  d30:

interaction:
  raw_plays:
  meaningful_interactions:
  action_density:
  information_density:

creators:
  active_creators:
  published_worlds:
  creator_retention:

worlds:
  world_diversity:
  mechanic_entropy:
  runtime_complexity_frontier:

data:
  effective_yield:
  training_eligible_share:
  novelty_half_life:

model:
  benchmark_gain:
  ood_gain:
  generation_gain:
  repair_gain:
  world_prediction_gain:

economics:
  user_cac:
  interaction_cac:
  capability_cac:
  model_growth_efficiency:

101. 與 GIAW-01 的連接

GIAW-01 提出：

\text{Game Surface} \neq \text{Underlying Productive Asset}.

本文進一步指出：

\boxed{ \text{User Metric} \neq \text{Underlying Capability Metric}. }

因此：

MAU

只是 surface metric。

102. 與 GIAW-02 的連接

GIAW-02：

\mathcal D = \mathcal D_C \oplus \mathcal D_P.

本文：

\boxed{ \mathcal D \rightarrow Y_{\mathrm{eff}} \rightarrow \Delta Q_M. }

把資料結構轉成能力成長指標。

103. 與 GIAW-03 的連接

GIAW-03：

\text{CreatorFund} \rightarrow \text{DataFlywheelInvestment}.

本文提供判斷：

ROI_{\mathrm{creator}} = \frac{\Delta Q_M}{\text{CreatorFund}}.

如果：

ROI_{\mathrm{creator}}\le0,

則 Creator Fund 的模型投資論述失效。

104. 與 GIAW-04 的連接

推薦器決定：

D_{\mathrm{future}}.

因此推薦系統不只影響：

\text{Engagement},

還影響：

Y_{\mathrm{eff}}.

所以：

\boxed{ \text{Recommendation Policy} \rightarrow \text{Model Growth Rate}. }

105. 與 GIAW-05 的連接

Runtime 限制：

\Omega_{\mathrm{run}}

決定資料世界的可達域。

因此：

\Omega_{\mathrm{run}}\downarrow \Rightarrow D_W\downarrow \Rightarrow Y_{\mathrm{eff}}\downarrow.

所以 infrastructure 也是 model economics 的一部分。

106. 核心命題

本文最終提出：

\boxed{ \text{The true growth rate of an AI-native interactive platform may be the rate at which human interaction expands model capability.} }

中文：

AI 原生互動平台真正值得關注的成長率，可能不是使用者數成長率，而是人類互動能以多快速度轉換成模型能力增長。

即：

\boxed{ g_{\mathrm{true}} \approx \frac{dQ_M}{dt}. }

107. 最終結論

平台可以擁有：

MAU\uparrow,

Plays\uparrow,

WorldsCreated\uparrow,

卻仍然：

\Delta Q_M\approx0.

因此：

\boxed{ \text{Scale without learning is not a model flywheel.} }

反過來，

一個平台即使：

MAU

尚小，

但：

Y_{\mathrm{eff}}\uparrow,

\eta_{D\rightarrow M}\uparrow,

\Delta Q_M\uparrow,

則可能具有更高長期 AI 價值。

因此 AI-native 平台分析需要從：

\text{How many users?}

升級為：

\boxed{ \text{How much new capability does each marginal user, creator, world, and interaction actually create?} }

這才是真正把：

\text{consumer growth}

與：

\text{model growth}

統一起來的問題。

108. 對最終篇的接口

GIAW-07 將收束整個系列。

前六篇已建立：

\text{CreatorIntent} \rightarrow \text{ArtificialWorld} \rightarrow \text{PlayerTrajectory} \rightarrow \text{EffectiveData} \rightarrow \text{ModelGain}.

最終篇將正式提出：

\boxed{ AI_t \rightarrow World_t \rightarrow Human/AIInteraction_t \rightarrow Data_t \rightarrow AI_{t+1} }

並分析當：

AI_{t+1}

又能生成比：

AI_t

更複雜的新世界時，

是否形成：

\boxed{ \text{Self-Expanding Artificial-World Capability Loop}. }

那將把整個系列重新接回：

遊戲本體論；
遊戲即人工世界；
Controlled World-Model Laboratory；
Agent Game；
Capability Compilation；
AI 自生成環境；
開放式能力成長。

附錄 A：Growth Quality Matrix

growth_quality:
  headline_growth:
    mau_growth:
    play_growth:
    creator_growth:
    world_growth:

  capability_growth:
    effective_data_growth:
    model_gain:
    world_diversity_gain:
    ood_gain:

  ratios:
    growth_quality_ratio:
    data_yield_per_mau:
    model_gain_per_mau:
    model_gain_per_play:

附錄 B：Effective Interaction Yield

effective_interaction_yield:
  raw_interactions:
  quality:
  diversity:
  alignment:
  novelty:
  compliance:
  model_need_weight:

  effective_yield:

附錄 C：Model Growth Economics

model_growth_economics:
  costs:
    creator_acquisition:
    player_acquisition:
    inference:
    storage:
    training:
    evaluation:

  capability:
    benchmark_delta:
    ood_delta:
    product_delta:

  metrics:
    capability_cac:
    model_growth_efficiency:
    data_to_capability_conversion:

附錄 D：投資判斷最小鏈

Users
  ↓
Effective Interactions
  ↓
Effective Data Yield
  ↓
Measured Model Gain
  ↓
Product Improvement
  ↓
Organic Retention / Strategic Value
  ↓
Enterprise Value

如果任一箭頭不能被證明：

Growth Narrative ≠ Closed Model Flywheel

附錄 E：一句話版本

對 AI 原生互動平台而言，MAU、播放數與作品數只是表面活動量；真正決定長期價值的是這些活動能否以可驗證、可持續的效率轉換為新的模型能力。