資料飛輪與創作平台的本體分岔：當模型成長目標開始偏離創作者生態

The Ontological Divergence Between Data Flywheels and Creation Platforms: When Model-Growth Objectives Depart from Creator Ecosystems

系列：生成式互動平台與人工世界資料飛輪・補充論文 01
系列英文名：Generative Interactive Platforms and Artificial-World Data Flywheels
系列代碼：GIAW-S01
文件編號：EML-GIAW-S01-2026-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：2026-09-14
性質：AI Platform Theory／Creator Economy／Data Flywheel／Professional Production Infrastructure
狀態：Public Theory Draft
直接前置：GIAW-01 至 GIAW-07
研究對象：抽象 AI 原生互動平台，不指涉任何單一現實公司
案例代號：GIP-X

摘要

生成式互動平台常同時具備兩種看似相容、實際上可能逐漸分岔的目標。第一種目標是建立高效率資料飛輪：以低成本吸引創作者生成大量人工世界，再由玩家與 Agent 產生互動軌跡，將人類意圖、修訂歷史、狀態—行動—結果資料與偏好訊號轉化為模型能力。第二種目標則是建立真正可供專業創作者長期生產、持有、維護、移植、商業化並形成職業生態的 AI 原生創作平台。

兩者並非同義。本文提出「平台本體分岔」（Platform Ontological Divergence）命題：

\boxed{ \text{A successful data-flywheel platform} \not\Rightarrow \text{a successful professional creation platform}. }

本文分別定義「資料飛輪效率」（Data-Flywheel Efficiency, DFE）與「專業創作完整性」（Production-Creator Integrity, PCI）：

DFE = f( \text{DataYield}, \text{InteractionCost}, \text{ModelGain}, \text{IterationSpeed}, \text{Diversity} ),

PCI = f( \text{Ownership}, \text{Exportability}, \text{RuntimeDepth}, \text{Maintainability}, \text{DiscoveryDepth}, \text{CreatorSurvivability} ).

由此得到一個二維平台分類：高 DFE／高 PCI 為理想混合型平台；高 DFE／低 PCI 為資料飛輪型平台；低 DFE／高 PCI 為專業創作工具型平台；兩者皆低則為弱平台。

本文進一步提出五個重要機制：其一，「壓縮冷啟動選擇窗」（Compressed Cold-Start Selection Window）可能使作品生命週期高度依賴發布初期少量互動，而非長期內容品質；其二，「彩票型 Creator Economy」與「職業型 Creator Economy」具有不同收益拓撲；其三，若平台缺乏 Creator Survival Layer，中間職業層會被抽空；其四，若作品無法完整匯出、資產不可攜、Runtime 無法支援中大型系統，平台會形成 Professional Production Ceiling；其五，創意價值與資料價值並不等價，低成本、高頻率、淺層但結構清楚的互動，對資料飛輪可能很有價值，卻未必形成高品質的專業創作生態。

本文主張：未來真正具有「AI 遊戲製作平台」地位的系統，不能只最佳化模型的學習迴路，也必須同時最佳化創作者的所有權、可攜性、生存性、發現性與世界建構前沿。否則平台即使能成為優秀的資料飛輪公司，也未必會演化成未來的專業 AI 遊戲製作基礎設施。

關鍵詞：Data Flywheel、Creator Economy、Professional Creation Platform、Platform Ontology、Cold Start、Creator Survival Layer、Portability、Asset Sovereignty、Runtime Ceiling、AI Game Production

1. 問題提出：同一平台可能同時追求兩種成功

AI 原生互動平台常被描述為：

\text{Creator} \rightarrow AI \rightarrow \text{Game} \rightarrow \text{Player}.

但 GIAW 主系列已指出，其背後還可能存在另一條閉環：

\text{Creator} \rightarrow \text{IntentData} \rightarrow \text{ArtificialWorld} \rightarrow \text{PlayerTrajectory} \rightarrow \text{ModelGain}.

因此同一平台同時可能最佳化：

J_D = \text{Data-Flywheel Objective},

與：

J_P = \text{Professional-Creation Objective}.

核心問題是：

\boxed{J_D\neq J_P.}

兩者在部分區域相容，但沒有理論保證永遠同向。

2. 資料飛輪目標與專業創作目標

資料飛輪平台偏好：

J_D = f( N_I, Y_D, C_I^{-1}, V_D, \Delta Q_M, T_I^{-1} ),

其中 $N_I$ 是互動數， $Y_D$ 是有效資料收益， $C_I$ 是單位互動成本， $V_D$ 是資料多樣性， $\Delta Q_M$ 是模型能力增益， $T_I$ 是資料迭代週期。

專業創作平台則更關心：

J_P = f( O, E, R, M, D, S, C ),

其中 $O$ 是 ownership， $E$ 是 exportability， $R$ 是 Runtime depth， $M$ 是 maintainability， $D$ 是 discovery depth， $S$ 是 creator survivability， $C$ 是 commercializability。

因此：

\boxed{ \text{More useful interactions at lower cost} }

與：

\boxed{ \text{More durable production capacity for creators} }

是兩種不同的效用函數。

3. 平台本體分岔

若：

\nabla J_D\cdot\nabla J_P>0,

兩種目標互相強化。

若：

\nabla J_D\cdot\nabla J_P\approx0,

兩者近似獨立。

若：

\boxed{ \nabla J_D\cdot\nabla J_P<0, }

則平台進入本體分岔區：某些讓資料飛輪更有效率的決策，開始降低專業創作者的長期生產價值。

4. Data-Flywheel Efficiency

本文定義：

\boxed{ DFE = w_1Y_D +w_2C_I^{-1} +w_3\Delta Q_M +w_4V_D +w_5T_I^{-1}. }

高 DFE 表示平台能有效把人類—人工世界活動轉換成低成本、高價值、可用於模型成長的資料。

其核心不是作品是否能長期獨立存在，而是：

\boxed{ \text{How efficiently can interaction become model-relevant learning?} }

5. Production-Creator Integrity

本文定義：

\boxed{ PCI = v_1O +v_2E +v_3R +v_4M +v_5D +v_6S +v_7C. }

PCI 高表示創作者不只可以「做出東西」，還能真正：

擁有作品；
匯出作品；
長期維護；
擴展世界；
被持續發現；
商業化；
將收入與資產重新投入下一個作品。

因此 PCI 衡量的是：

\boxed{ \text{creator-side production continuity}. }

6. DFE–PCI 四象限

建立：

x=DFE, \qquad y=PCI.

可得到四種平台本體。

6.1 高 DFE／高 PCI：Hybrid AI Production Platform

同時是好資料飛輪與好創作平台。

6.2 高 DFE／低 PCI：Data-Flywheel Platform

互動多、資料便宜、模型可成長，但創作者生產天花板、可攜性與職業生態偏弱。

6.3 低 DFE／高 PCI：Professional Creation Tool

可完整匯出、維護與商業化，但沒有大型玩家／資料飛輪。

6.4 低 DFE／低 PCI：Weak Platform

既無模型資料優勢，也無專業生產優勢。

7. 壓縮冷啟動選擇窗

生成式互動平台常採：

\text{Publish} \rightarrow \text{SmallTestAudience} \rightarrow \text{MetricEvaluation} \rightarrow \text{Promotion/Suppression}.

若初始窗口 $T_{\mathrm{cold}}$ 很短，測試量 $N_{\mathrm{cold}}$ 很小，則形成：

\boxed{ \text{Compressed Cold-Start Selection Window}. }

對平台而言，這提高資料效率：

T_{\mathrm{cold}}\downarrow \Rightarrow DFE\uparrow.

但若作品真正價值需要更長時間才顯現：

T_{\mathrm{evaluation}} \ll T_{\mathrm{value}},

則：

\text{FalseNegative}\uparrow.

8. Lifetime Opportunity Compression

若平台又缺乏強：

search；
semantic retrieval；
catalog；
long-tail resurfacing；
niche routing；

則：

\boxed{ \text{InitialWindow} \approx \text{LifetimeOpportunity}. }

作品是否有長期價值，被壓縮成發布初期極短時間內能否跨過推薦閾值。

這對快速資料採樣很有效，卻不一定適合成熟內容市場。

9. 彩票型 Creator Economy

本文定義彩票型 Creator Economy：

Income_C = \begin{cases} \approx0, & \text{most creators},\\ \gg0, & \text{rare viral winners}. \end{cases}

其收益拓撲為：

\boxed{ \text{Near Zero} \rightarrow \text{Near Zero} \rightarrow \text{Jackpot}. }

此模式可以產生頭部明星，卻不等於存在穩定職業層。

10. 職業型 Creator Economy

職業型 Creator Economy 具有：

\boxed{ \text{Survival Floor} \rightarrow \text{Professional Income} \rightarrow \text{Superstar Income}. }

其核心不是保證每個人高收入，而是至少存在一個可持續的中間層，使穩定、高投入的創作者有機會全職生產。

因此：

\boxed{ \text{Superstar success} \neq \text{ecosystem health}. }

11. Creator Survival Layer

本文提出：

\boxed{CSL=\text{Creator Survival Layer}.}

最低持續條件為：

U_C = \text{Income} +\text{NonMonetaryUtility} -\text{TimeCost} -\text{OpportunityCost} \ge0.

若長期：

U_C<0,

則專業創作者退出機率上升。

12. Base Reward 與 Performance Reward

一個更偏職業型的制度可以是：

\boxed{ Income_C = B_C +rN_{\mathrm{meaningful}}. }

其中 $B_C$ 是 base creator reward， $r$ 是 performance reward。

若平台真正需要世界多樣性， $B_C$ 可以被理解為：

\boxed{ \text{Diversity Procurement Cost}. }

它用來維持高品質 niche、專業創作者與長時世界探索，而非單純慈善補貼。

13. 低分潤與高門檻的乘法效應

若單位回報 $r$ 很低，而門檻 $N_{\mathrm{threshold}}$ 很高，則生態難度是：

\boxed{ \text{High Threshold} \times \text{Low Unit Reward}. }

全職收入所需流量：

N = \frac{1000I_{\mathrm{professional}}}{r}.

因此當：

r\downarrow,

所需流量線性上升。

14. Creator Exit 與資料飛輪反噬

低 payout 的第一階段可能提高：

DFE_S,

因為資料取得成本下降。

但長期若造成高技能 Creator 退出：

D_W\downarrow,

K_W\downarrow,

n_D\downarrow.

最終可能：

DFE_L\downarrow.

所以真正應最佳化：

\boxed{\max DFE_L}

而不是只最大化短期資料取得效率。

15. Portability 與 Asset Sovereignty

真正專業的創作平台應允許：

\text{Create} \rightarrow \text{Own} \rightarrow \text{Export} \rightarrow \text{Modify} \rightarrow \text{Port} \rightarrow \text{Commercialize}.

本文定義：

\boxed{AS=\text{Asset Sovereignty}.}

包括：

code；
image assets；
audio；
project metadata；
dependencies；
state schema；
build configuration。

只有程式碼能匯出，而其他核心資產不可移動，並不等於完整可攜。

16. Project Sovereignty

定義：

\boxed{PS=\text{Project Sovereignty}.}

要求完整專案可被重建：

\text{Project} = \text{Code} +\text{Assets} +\text{StateSchema} +\text{Metadata} +\text{Dependencies} +\text{BuildConfig}.

若退出平台後作品幾乎失去全部殘值：

\text{ResidualAssetValue}\approx0,

則高成本專業投入的合理性顯著下降。

17. Portability Ladder

本文提出：

P0：無法匯出；
P1：部分 code export；
P2：code + assets；
P3：完整可重建 project；
P4：cross-runtime portable；
P5：canonical World IR。

專業平台長期至少應進入：

P\ge3.

18. Runtime Ceiling 與 Professional Production Ceiling

GIAW-05 已建立：

\Omega_{\mathrm{run}}.

本文進一步定義：

\boxed{PPC=\text{Professional Production Ceiling}.}

其來源不只是 FPS 或記憶體，也包括：

modularity；
collaboration；
versioning；
testing；
asset pipeline；
persistence；
networking；
deployment。

若專業作品需要複雜度 $K_P$ ，平台上限為 $K_{\max}$ ，而：

K_P>K_{\max},

則：

\boxed{ \text{Professional production cannot enter the platform.} }

19. 強模型也會被弱平台困住

模型能力：

Q_M\uparrow,

若平台能力 $Q_P$ 不升，則：

\boxed{ Q_{\mathrm{effective}} = \min(Q_M,Q_P). }

因此：

\boxed{ \text{A strong AI inside a weak production shell remains a weak production system.} }

真正完整的 stack 必須包含：

\text{AI} +\text{Editor} +\text{Runtime} +\text{AssetPipeline} +\text{VersionControl} +\text{Testing} +\text{Export} +\text{Deployment} +\text{Commerce}.

20. Creation Surface 與 Production Infrastructure

Creation Surface 解決：

\text{Idea} \rightarrow \text{PlayablePrototype}.

Production Infrastructure 解決：

\text{Prototype} \rightarrow \text{Product} \rightarrow \text{Maintenance} \rightarrow \text{CommercialLifecycle}.

所以：

\boxed{ \text{Creation} \neq \text{Production}. }

一個平台可以是極好的 prototype platform，而不是完整 commercial production platform。

21. 創意價值與資料價值的脫鉤

定義：

V_{\mathrm{creative}}(W)

為原創性、深度、文化價值與 IP 潛力。

定義：

V_{\mathrm{data}}(W)

為互動密度、因果清晰度、新信息、便宜程度與訓練可用性。

則：

\boxed{ V_{\mathrm{creative}}(W) \neq V_{\mathrm{data}}(W). }

一個簡單世界可能創意價值低，卻非常適合產生清楚的 action-conditioned data；一個高深度作品也可能因 episode 太長、Runtime 成本高而不是高效率資料來源。

22. Creative Underinvestment

若平台效用：

J = \alpha V_{\mathrm{data}} +\beta V_{\mathrm{creative}} +\gamma V_{\mathrm{commercial}},

而：

\beta\approx0,

則平台會系統性：

\boxed{ \text{underinvest in creative depth}. }

不是因為創意無價值，而是創意沒有進入主要目標函數。

23. Algorithmic Cultural Selection

推薦器先選出高適存作品：

W_{\mathrm{winner}}.

平台再抽取：

\text{Pattern}(W_{\mathrm{winner}}),

將其制度化為 creator guide：

\boxed{ \text{Recommendation} \rightarrow \text{WinnerPattern} \rightarrow \text{OfficialDoctrine} \rightarrow \text{CreatorAdaptation}. }

本文將此稱為：

\boxed{ \text{Algorithmic Cultural Selection}. }

演算法不只選作品，也逐步選擇整個創作文化。

24. 創作民主化不等於創作專業化

AI 使：

C_{\mathrm{entry}}\downarrow,

因此：

\text{CreationDemocratization}\uparrow.

但專業化需要：

PCI\uparrow.

所以：

\boxed{ \text{Democratized creation} \not\Rightarrow \text{professionalized creation}. }

一個平台可以同時具有：

\boxed{ \text{Low Floor} + \text{Low Ceiling}. }

25. 未來型平台：Low Floor, High Ceiling

理想 AI 製作平台應具：

\boxed{ \text{Low Entry Floor} + \text{High Production Ceiling}. }

新手可以：

\text{Prompt} \rightarrow \text{Prototype}.

專業者可以：

\text{WorldIR} \rightarrow \text{Modules} \rightarrow \text{PersistentWorld} \rightarrow \text{CommercialProduct}.

26. Creator Progression Ladder

本文提出：

C0：Prompt User；
C1：Casual Creator；
C2：Structured Creator；
C3：Professional Creator；
C4：Studio。

真正的未來型 AI production platform 應允許：

\boxed{C0\rightarrow C4.}

若平台結構只能停留 C0–C1，則它更適合 consumer creation 與 data acquisition，而不是完整遊戲產業基礎設施。

27. Discovery Depth

本文定義：

\boxed{D_D=\text{Discovery Depth}.}

成熟 discovery 應包含：

\text{ColdStart} +\text{Feed} +\text{Search} +\text{SemanticRetrieval} +\text{Collections} +\text{CreatorGraph} +\text{LongTailResurfacing}.

如果只有：

\text{ColdStart}+\text{PopularFeed},

則：

D_D\ll1.

作品價值高度依賴發布初期是否跨過演算法門檻。

28. Creator Health Metrics

評估職業型 Creator Economy，不能只看 top earner。

至少應觀察：

\text{MedianIncome},

\text{CreatorRetention},

\text{ProfessionalShare},

\text{CreatorGini}.

本文提出：

\boxed{ PVR = \frac{N_{\mathrm{creators\ above\ professional\ threshold}}} {N_{\mathrm{active\ creators}}} }

與：

\boxed{ CSR = \frac{N_{\mathrm{creators\ above\ survival\ floor}}} {N_{\mathrm{active\ creators}}}. }

兩者比「有沒有少數暴富者」更能描述專業生態。

29. 創作資本複利

真正 studio 不只追求單次 payout，而是累積：

\boxed{ \text{IP} +\text{Codebase} +\text{Assets} +\text{Tools} +\text{Audience} +\text{Data}. }

這些形成：

\boxed{ \text{Compounding Creative Capital}. }

若每個 project 都不能完整帶到下一個 project，則：

\text{CreativeCapitalCompounding}\downarrow.

因此 portability 與 ownership 其實是創作資本形成機制，而不是便利功能。

30. Model Flywheel 與 Creator Capital Loop

資料閉環：

\text{Creation} \rightarrow \text{Interaction} \rightarrow \text{Data} \rightarrow \text{Model} \rightarrow \text{BetterGeneration}.

創作者閉環：

\text{Creation} \rightarrow \text{Ownership} \rightarrow \text{Distribution} \rightarrow \text{Income} \rightarrow \text{Reinvestment} \rightarrow \text{BetterCreation}.

真正的 Type-H 平台需要：

\boxed{ \text{DataLoop} \leftrightarrow \text{CreatorLoop}. }

而不是只有 Creator Loop 單向餵資料給 Model Loop。

31. Model Dividend to Creators

本文提出：

\boxed{MD=\text{Model Dividend to Creators}.}

模型變強後，應回流成：

更好工具；
更深 Runtime；
更低成本；
更好 export；
更好 discovery；
更高 creator productivity。

定義：

\boxed{ MDR = \frac{\Delta Q_C} {\Delta Q_M+\epsilon}. }

其中 $\Delta Q_C$ 是 creator capability gain， $\Delta Q_M$ 是 model capability gain。

若：

MDR\approx0,

模型持續成長，但創作者生產能力沒有得到同等紅利。

32. Type-D、Type-P 與 Type-H

本文正式區分：

\boxed{Type_D=\text{Data-Flywheel Dominant Platform}.}

\boxed{Type_P=\text{Professional Production Dominant Platform}.}

\boxed{Type_H=\text{Hybrid AI Production Platform}.}

Type-D 並不是失敗。它可以成為非常成功的 AI 資料／模型公司。

Type-P 也不需要龐大內建玩家社群；它可以是很強的製作工具。

真正最困難的是 Type-H，因為它必須同時處理模型、Runtime、Creator Economy、rights、discovery 與商業化。

33. Type-H 的最低必要條件

本文提出：

\boxed{ \{ \text{LowFloor}, \text{HighCeiling}, \text{Ownership}, \text{Portability}, \text{Discovery}, \text{Survivability} \}. }

也就是：

新手能快速進場；
專業者能做到足夠深；
Creator 擁有作品；
作品能完整帶走；
好作品有長尾被找到的機會；
中層 Creator 有持續創作可能。

34. 可證偽命題

H1：DFE–PCI Divergence Hypothesis

若平台 DFE 提升時 PCI 也長期同步提升，則本體分岔不是必然。

H2：Creator Survival Hypothesis

若完全缺乏 Survival Layer 的平台仍能長期保留高比例專業 Creator，則 CSL 的必要性被削弱。

H3：Portability Investment Hypothesis

若提高 exportability 不會提升 creator investment、retention 或 project complexity，則 portability 的專業價值低於本文預期。

H4：Cold-Start Compression Hypothesis

若作品在初期失敗後仍常透過 search／long-tail discovery 大量復活，則 Lifetime Opportunity Compression 不成立。

H5：Professional Ceiling Hypothesis

若低 Runtime 深度平台仍可持續產生中大型商業作品，則 PPC 框架需修正。

35. 實驗設計

35.1 DFE–PCI Mapping

對不同平台估計：

(DFE_i,PCI_i).

再比較：

creator retention；
professional share；
model gain；
data yield。

35.2 Cold-Start Survival Curve

追蹤：

P_i(\tau).

估計作品停止取得 meaningful exposure 的 hazard function。

35.3 Long-Tail Resurfacing

對沉寂作品測：

P( \text{Resurface} \mid t>30d ).

35.4 Portability Experiment

比較完整 export 與封閉平台的：

project size；
creator retention；
external commercialization；
reinvestment。

35.5 Creator Survival Experiment

比較：

\text{NoBaseReward}

與：

\text{BaseReward}+\text{PerformanceReward}.

測專業 Creator 比例與世界多樣性。

36. 對投資人與創作者的不同含義

高 DFE／低 PCI 平台可以是非常好的投資，只要投資 thesis 是：

\text{AIDataCompany}.

因此：

\boxed{ \text{Low PCI does not imply bad investment}. }

但創作者真正關心的是：

PCI.

所以：

\boxed{ \text{Good AI investment} \not\Rightarrow \text{good creator platform}. }

這是本文最重要的角色分離之一。

37. 最終六個命題

命題一

\boxed{ \text{A platform may optimize the production of training interactions while underinvesting in the production capacity of creators themselves.} }

命題二

\boxed{ \text{Data-flywheel efficiency and professional-creation integrity are separate platform axes.} }

命題三

\boxed{ \text{A creator economy without a survival layer tends toward lottery dynamics rather than professional dynamics.} }

命題四

\boxed{ \text{Portability and ownership are mechanisms of creative capital formation.} }

命題五

\boxed{ \text{Low creation barriers do not guarantee a high professional production ceiling.} }

命題六

\boxed{ \text{The future AI game-production platform must compound both model capability and creator capability.} }

38. 最終統一式

理想 Type-H 平台需要：

\boxed{\Delta Q_M>0,}

\boxed{\Delta Q_C>0,}

\boxed{\Delta\Omega_W>0.}

同時：

\text{Ownership}>0,

\text{Portability}>0,

\text{CreatorSurvival}>0.

因此：

\boxed{ \text{Future AI Production Platform} = \text{Model Flywheel} \cap \text{Creator Capital Loop} \cap \text{World Frontier Expansion}. }

39. 結論

AI 原生互動平台可以在沒有完整 Creator Economy、沒有深 Runtime、沒有強 portability 的情況下仍然非常成功。只要：

DFE\gg0,

它就可能成為優秀的 AI 資料／模型成長公司。

但若目標是成為未來的 AI 遊戲製作平台，則還需要：

PCI\gg0.

所以：

\boxed{ \text{Data success} \not\Rightarrow \text{production success}. }

真正未來型平台必須從：

\text{Make something quickly}

進一步走到：

\boxed{ \text{Own it, export it, grow it, maintain it, distribute it, and build a livelihood around it.} }

生成能力只是入口；專業製作能力、資產主權、可攜性、長尾發現與 Creator Survival Layer，才決定一個平台是否真的能成為 AI 時代的遊戲生產基礎設施。

附錄 A：DFE 指標草案

data_flywheel_efficiency:
  effective_data_yield:
  interaction_acquisition_cost:
  measured_model_gain:
  world_diversity:
  iteration_speed:
  training_eligible_share:

附錄 B：PCI 指標草案

production_creator_integrity:
  rights:
    ownership:
    training_transparency:
    derivative_rights:

  portability:
    code_export:
    asset_export:
    project_export:
    cross_runtime:

  infrastructure:
    runtime_depth:
    modularity:
    persistence:
    networking:
    testing:
    versioning:

  discovery:
    cold_start:
    search:
    semantic_retrieval:
    long_tail_resurfacing:
    creator_graph:

  economics:
    median_creator_income:
    creator_survival_ratio:
    professional_viability_ratio:
    creator_gini:

附錄 C：平台四象限

                    High PCI
                       ↑
                       │
      Professional     │     Hybrid AI
      Creation Tool    │     Production Platform
      (Low DFE)        │     (High DFE)
                       │
───────────────────────┼──────────────────────→ DFE
                       │
      Weak Platform    │     Data-Flywheel
      (Low DFE)        │     Platform
                       │     (High DFE)
                       ↓
                    Low PCI

附錄 D：Creator Survival Layer

creator_survival_layer:
  base_reward:
  performance_reward:
  professional_threshold:
  survival_threshold:

  health:
    median_income:
    creator_retention:
    professional_share:
    survival_ratio:

附錄 E：Portability Ladder

portability:
  p0:
    description: platform-only
  p1:
    description: code export
  p2:
    description: code + assets
  p3:
    description: rebuildable full project
  p4:
    description: cross-runtime portable
  p5:
    description: canonical world representation

附錄 F：一句話版本

一個平台可以成為優秀的 AI 資料飛輪公司，卻不一定會自然成為優秀的 AI 遊戲製作平台；後者還必須讓創作者真正擁有、匯出、維護、發現、商業化並持續累積自己的創作資本。