雙側資料生產：Creator Intent 與 Player Trajectory

Dual-Sided Data Production: Creator Intent and Player Trajectory in Generative Interactive Platforms

系列：生成式互動平台與人工世界資料飛輪，第 2 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-2026-02-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 Theory／Artificial Worlds／World Models／Human-AI Interaction／Data Flywheel
狀態：Public Theory Draft
直接前置：GIAW-01《生成式互動平台不是遊戲平台》；遊戲本體論系列；AGPL Series；ECGC Series
後續接口：GIAW-03《反轉的創作者經濟》；GIAW-04《推薦函數即遊戲設計者》

摘要

生成式互動平台通常被表面理解為「使用者輸入想法，AI 生成遊戲，玩家再進入遊玩」的內容生產平台。然而，若平台能完整觀測創作者的生成、修改與拒絕過程，同時又能觀測玩家在人工世界中的狀態、行動、結果與留存行為，則平台實際產生的並不只是遊戲內容，而是兩套具有不同統計性質、語義層級與訓練價值的資料流。

本文提出「雙側資料生產」（Dual-Sided Data Production）框架，將生成式互動平台中的資料來源分為：

\mathcal D_C = \text{Creator-Side Intent Data}

與

\mathcal D_P = \text{Player-Side Trajectory Data}.

創作者側資料描述「人類想要什麼世界、如何修正 AI 生成結果、哪些結果被接受或拒絕」；玩家側資料則描述「在已生成世界中，人類看見什麼、做了什麼、世界如何轉移、何時產生回饋、何時離開或重試」。兩者分別對應：

\boxed{ \text{Intent} \rightarrow \text{World Construction} }

與

\boxed{ \text{World State} + \text{Action} \rightarrow \text{Consequence} }

當兩側資料被同一平台串接後，即形成一個過去傳統遊戲平台較少擁有的閉環：模型不只觀察「玩家如何玩」，也能觀察「世界最初是如何被要求、生成、修改與接受」。因此，生成式互動平台可能逐步形成一種以人工世界為中介的人類意圖—世界結構—行動軌跡聯合資料層。

本文不假設任何單一平台已完成此閉環，也不主張所有蒐集資料都具有足夠品質或可合法用於訓練。本文的目標是建立一套可檢驗框架，分析何種資料真正具有模型價值、何種資料只是噪聲、何時雙側資料會形成可持續的 AI 成長飛輪，以及這種飛輪會產生哪些新的經濟與治理問題。

關鍵詞：生成式互動平台、雙側資料生產、Creator Intent、Player Trajectory、Artificial World、World Model、Action-Conditioned Data、Preference Learning、Human-AI Interaction、Data Flywheel

1. 問題提出：遊戲內容不是唯一產物

傳統遊戲平台的核心資料物件通常是：

\mathcal G = \{ G_1,G_2,\ldots,G_n \},

其中每個 $G_i$ 是一個已完成或至少可執行的遊戲。

平台主要管理：

遊戲檔案；
商店頁面；
玩家帳號；
購買紀錄；
遊玩時間；
成就；
社群資料；
評價；
部分遙測資料。

然而，在生成式互動平台中，一個遊戲不再只是最終檔案，而可能是一條生成歷史：

G_i = \left( I_0, P_1, W_1, E_1, P_2, W_2, E_2, \ldots, W_k \right),

其中：

$I_0$ ：最初意圖；
$P_t$ ：第 $t$ 次 prompt、自然語言指令或其他輸入；
$W_t$ ：第 $t$ 次生成的世界／程式／資產狀態；
$E_t$ ：創作者對結果的編輯、接受、拒絕、回退或補充；
$W_k$ ：最終發布版本。

因此，平台獲得的不是單一：

\text{Final Game},

而是一條：

\text{Intent} \rightarrow \text{Generation} \rightarrow \text{Evaluation} \rightarrow \text{Revision} \rightarrow \text{Publication}

的演化軌跡。

同一時間，玩家也不是只提供「下載」或「遊玩時間」，而是在可觀測人工世界中形成：

\tau = ( S_0,O_0,A_0,S_1,O_1,A_1,\ldots,S_T ),

其中：

$S_t$ ：世界真實或近似狀態；
$O_t$ ：玩家在 $t$ 時刻可見的觀測；
$A_t$ ：玩家行動；
$S_{t+1}$ ：行動後世界狀態；
$T$ ：episode 長度。

這形成了第二條資料軌跡。

因此本文的第一個核心命題是：

\boxed{ \text{Generative Interactive Platform} \neq \text{Content Repository}. }

更準確地說：

\boxed{ \text{Platform Output} = \text{Content} + \text{Creator-Side Data} + \text{Player-Side Data}. }

2. 雙側資料生產框架

定義一個生成式互動平台：

\mathcal P = ( \mathcal C, \mathcal W, \mathcal U, \mathcal M, \mathcal R ),

其中：

$\mathcal C$ ：創作者集合；
$\mathcal W$ ：人工世界集合；
$\mathcal U$ ：玩家／使用者集合；
$\mathcal M$ ：生成、推薦、世界模型與分析模型集合；
$\mathcal R$ ：平台 runtime 與規則。

平台同時產生兩組主要資料：

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

其中：

\mathcal D_C = \{ d^C_1,d^C_2,\ldots \}

為創作者側資料；

\mathcal D_P = \{ d^P_1,d^P_2,\ldots \}

為玩家側資料。

兩者的語義並不同。

創作者側主要回答：

「人想建構什麼？」

玩家側主要回答：

「人在一個既定世界中實際如何行動？」

因此：

\boxed{ \mathcal D_C \text{ encodes constructional preference,} }

而：

\boxed{ \mathcal D_P \text{ encodes behavioral preference and interaction dynamics.} }

只有將兩者區分後，才能正確分析平台的訓練價值。

3. Creator-Side Intent Data

3.1 創作者不是只提供 prompt

將單一創作者工作階段表示為：

\sigma_C = ( I, Q, G, R, A, X ),

其中：

$I$ ：原始創作意圖；
$Q$ ：指令序列；
$G$ ：生成結果序列；
$R$ ：修訂操作；
$A$ ：接受／拒絕訊號；
$X$ ：最終發布或放棄狀態。

因此，創作者側資料不是：

\text{Prompt} \rightarrow \text{Game}

這麼簡單。

更接近：

I_0 \rightarrow G_1 \rightarrow R_1 \rightarrow G_2 \rightarrow R_2 \rightarrow \cdots \rightarrow G_n.

每一次修訂都隱含了比較：

G_t \prec G_{t+1}

或至少：

G_t \notin \mathcal A_{\text{creator}},

其中 $\mathcal A_{\text{creator}}$ 是創作者願意接受的結果集合。

這使 revision history 成為隱性的 preference data。

3.2 Prompt 並不是完整意圖

自然語言 prompt 通常只是人類意圖的一個投影：

P = \Pi_L(I),

其中：

$I$ ：高維創作意圖；
$\Pi_L$ ：語言投影；
$P$ ：文字指令。

因此：

P \neq I.

創作者後續修訂：

R_1,R_2,\ldots,R_n

其實是在補回一部分沒有被最初 prompt 完整表達的意圖。

若平台只保存第一個 prompt 與最終遊戲，它看到的是：

P_0 \rightarrow G_f.

若平台保留完整生成與修訂歷史，它得到的則是：

I \approx \{ P_0, R_1, R_2,\ldots,R_n, A \}.

因此，對模型而言：

\boxed{ \text{Revision Trace} > \text{Initial Prompt Alone} }

在許多任務中可能具有更高的 supervision density。

4. Creator Data 的細分

創作者資料至少可以拆成六類。

4.1 Intent Declaration Data

例如：

題材；
玩法；
美術風格；
難度；
節奏；
角色；
世界規則；
互動形式；
裝置限制。

記為：

D_{\text{intent}}.

4.2 Construction Data

AI 如何把意圖轉成：

code；
scene graph；
sprites；
animation；
level；
rules；
UI；
audio；
state machine。

記為：

D_{\text{construct}}.

4.3 Revision Data

創作者指出：

太慢；
太難；
不夠爽；
不符合世界觀；
美術錯；
UI 錯；
lag；
關卡不合理；
玩家看不懂；
系統互相衝突。

記為：

D_{\text{revise}}.

4.4 Acceptance Data

包括：

\text{Accept}, \text{Reject}, \text{Retry}, \text{Undo}, \text{Publish}, \text{Abandon}.

記為：

D_{\text{accept}}.

4.5 Structural Edit Data

若平台允許直接修改 code、graph、parameter、asset 或 rule，則可得到：

D_{\text{struct-edit}}.

這比純語言修訂具有更高結構性。

4.6 Creator Outcome Data

最終作品是否：

發布；
被再次修改；
被複製；
被分享；
被刪除；
產生玩家；
形成後續版本。

記為：

D_{\text{creator-outcome}}.

因此完整創作者資料可寫為：

\mathcal D_C = D_{\text{intent}} \oplus D_{\text{construct}} \oplus D_{\text{revise}} \oplus D_{\text{accept}} \oplus D_{\text{struct-edit}} \oplus D_{\text{creator-outcome}}.

5. Player-Side Trajectory Data

玩家端與創作者端的本體完全不同。

玩家通常不告訴平台：

「我認為這款遊戲的狀態轉移函數應該改成什麼。」

玩家提供的是實際行動。

對單一 episode，可表示為：

\tau_P = ( S_t, O_t, A_t, R_t, S_{t+1} )_{t=0}^{T-1}.

其中 $R_t$ 不必只是遊戲內 reward，也可以包含：

得分；
死亡；
成功；
retry；
pause；
quit；
restart；
share；
like；
follow；
return。

這使玩家資料具有 action-conditioned 性質。

6. 玩家資料不是「停留時間」而已

若平台只看：

T_{\text{session}},

則很難區分：

玩家正在認真玩；
玩家發呆；
玩家卡住；
玩家離開裝置；
玩家看不懂；
玩家故意等待；
遊戲 lag。

因此真正高價值玩家資料應至少包含：

\mathcal D_P = D_{\text{obs}} \oplus D_{\text{action}} \oplus D_{\text{transition}} \oplus D_{\text{reward}} \oplus D_{\text{termination}} \oplus D_{\text{return}}.

其中：

$D_{\text{obs}}$ ：玩家可見資訊；
$D_{\text{action}}$ ：玩家輸入；
$D_{\text{transition}}$ ：世界反應；
$D_{\text{reward}}$ ：局部回饋；
$D_{\text{termination}}$ ：退出或 episode 結束原因；
$D_{\text{return}}$ ：後續是否回來。

因此：

\boxed{ \text{Play Count} \ll \text{Trajectory Information} }

在模型價值上通常成立。

7. 行動—後果資料的特殊價值

純影片資料通常提供：

X_t \rightarrow X_{t+1}.

但它不一定知道造成轉移的 action。

人工世界可提供：

(S_t,A_t) \rightarrow S_{t+1}.

因此模型可以更直接學習：

P(S_{t+1}\mid S_t,A_t).

若存在多玩家與部分可觀測性，還可以延伸為：

P(S_{t+1}\mid S_t,A_t^1,\ldots,A_t^n,\Omega_t).

其中 $\Omega_t$ 表示：

隨機事件；
環境噪聲；
隱藏規則；
其他 actor；
server-side dynamics。

這使遊戲／人工世界資料天然適合：

world model；
planning；
counterfactual prediction；
opponent modeling；
agent evaluation；
policy learning；
causal hypothesis testing。

8. Creator Side 與 Player Side 的第一次耦合

雙側資料真正有意思的地方，不是各自存在，而是可以對同一個人工世界對齊。

對世界 $W_i$ ，平台可能同時擁有：

C_i = \text{Creator Trace}(W_i)

與：

P_i = \{ \tau_{i1}, \tau_{i2}, \ldots, \tau_{im} \}.

因此可形成：

Z_i = ( C_i, W_i, P_i ).

這代表平台知道：

這個世界最初被怎樣要求；
AI 怎樣生成；
創作者怎樣修正；
最後發布成什麼；
玩家進入後做什麼；
哪些地方讓玩家留下；
哪些地方導致退出；
哪些設計造成 retry；
哪些版本比前版更有效。

這種資料比單純：

\text{Prompt} \rightarrow \text{Output}

多了一層現實測試。

9. 從「生成正確」到「體驗有效」

生成模型通常可以被訓練成：

P(W\mid I).

也就是：

給定意圖 $I$ ，生成世界 $W$ 。

但生成式互動平台可以進一步估計：

P(Y\mid I,W,U),

其中 $Y$ 可以是：

engagement；
retention；
completion；
retry；
enjoyment proxy；
frustration proxy；
share；
return。

因此平台的模型目標可以從：

\text{Intent Matching}

升級為：

\text{Intent Matching} + \text{Experience Outcome Prediction}.

更完整地：

P(W^\star\mid I,U) \propto P(W\mid I)\cdot P(Y^\star\mid W,U).

其中 $W^\star$ 是對特定使用者或群體更可能產生期望體驗的人工世界。

這是 Experience Model 與一般 code/game generation model 的根本差異之一。

10. Preference Signal 的多層結構

玩家偏好不應被壓縮成單一：

\text{Like}=1,\quad \text{Dislike}=0.

更合理的是：

P_u(W) = ( p_{\text{enter}}, p_{\text{continue}}, p_{\text{retry}}, p_{\text{return}}, p_{\text{share}}, p_{\text{create-related}}, \ldots ).

同一玩家可能：

願意點進去；
不願意玩久；
願意重試；
不願意明天再回來。

因此：

\text{Preference}

是多維向量，而不是單一數值。

此外：

\text{High Engagement} \not\Rightarrow \text{High Satisfaction}.

例如：

困惑；
exploit；
rage retry；
compulsive loop；
loading；
accidental idle。

都可能增加時間或操作量。

因此資料飛輪若只最大化 engagement，可能學到錯誤效用函數。

11. 雙側資料的互補性

創作者側與玩家側的價值不相同。

創作者資料回答：

\text{What should exist?}

玩家資料回答：

\text{What happens when it exists?}

前者偏向：

intention；
specification；
construction；
correction。

後者偏向：

behavior；
consequence；
interaction；
revealed preference。

兩者結合：

\boxed{ \text{Declared Preference} + \text{Revealed Preference} }

形成較完整的人類—世界互動資料。

但兩者也可能衝突。

創作者說：

「我想做一款高難度遊戲。」

玩家卻快速離開。

這不代表創作者錯，也不代表玩家錯，而可能表示：

\text{Objective}_{\text{creator}} \neq \text{Objective}_{\text{player}}.

因此模型不能簡單把兩者平均。

12. Intent–Trajectory Alignment

本文提出 Intent–Trajectory Alignment：

\mathcal A_{IT} = \text{Align}( I_C, W, \tau_P, Y_P ).

其中：

$I_C$ ：創作者意圖；
$W$ ：人工世界；
$\tau_P$ ：玩家軌跡；
$Y_P$ ：玩家結果。

研究問題變成：

創作者想要的體驗，是否真的在玩家行為中出現？

例如創作者想要：

I_C = \text{fast, satisfying, low-friction}.

若玩家資料顯示：

T_{\text{first-action}}\uparrow, \quad \text{quit}_{30s}\uparrow, \quad \text{retry}\downarrow,

則：

\mathcal A_{IT}

偏低。

平台可以因此學習：

\text{Design Intention} \rightarrow \text{Behavioral Realization}.

這是比單純生成 code 更高階的學習問題。

13. Revision–Outcome Causality

若一個世界有多版本：

W_1,W_2,\ldots,W_k,

且每次修改都有對應玩家資料：

P_1,P_2,\ldots,P_k,

則平台可以做準因果分析：

\Delta W_t \rightarrow \Delta Y_t.

例如：

\Delta W_t = \text{Reduce tutorial length},

對應：

\Delta Y_t = \text{30s retention improvement}.

或者：

\Delta W_t = \text{Add particles},

結果：

\Delta Y_t = \text{FPS decline} + \text{quit increase}.

這比靜態資料集更接近：

\text{Intervention} \rightarrow \text{Outcome}.

但必須注意：

\text{Correlation} \neq \text{Causation}.

因為同時可能存在：

推薦流量改變；
玩家族群改變；
時段改變；
裝置差異；
版本外的其他調整。

因此需要控制或隨機實驗。

14. 人工世界作為資料座標系

生成式互動平台的一個特殊優勢是：

每條資料都不必是無上下文 event。

它可以被綁定到：

W_i

這個人工世界。

因此 event：

e_t

可以擁有：

e_t = ( W_i, S_t, O_t, A_t, R_t, S_{t+1}, U_j ).

世界本身提供：

規則；
空間；
物件；
任務；
資源；
行動約束；
勝敗條件；
因果結構。

這使資料天然具有結構背景。

因此：

\boxed{ \text{Artificial World} = \text{Data Coordinate System}. }

遊戲不只是資料來源，也是一種把行為資料結構化的容器。

15. 玩家不是單純標註員

把玩家理解成：

「替 AI 免費標資料的人」

過度簡化。

玩家真正提供的是：

\text{Closed-Loop Interaction}.

他們不是對靜態答案打分，而是在世界中連續改變狀態。

因此：

A_t

會改變：

S_{t+1},

而：

S_{t+1}

又改變後續：

A_{t+1}.

所以資料不是 IID label，而是：

\text{Path-Dependent Sequential Data}.

這對 agent 與 world-model 訓練特別重要。

16. 創作者也不是單純內容供應商

同樣地，創作者不是只提供：

\text{Game Asset}.

創作者提供：

\text{Intent Trace} + \text{Correction Trace} + \text{Design Judgment}.

如果平台能保存這些過程，就能建立：

\text{Human Design Preference Dataset}.

它可能包含：

哪些生成結果被否定；
哪些錯誤最常被修；
哪些 prompt 容易產生錯誤；
哪些設計模式被反覆要求；
哪些 runtime 限制迫使創作者妥協；
哪些視覺／玩法元素常被保留。

因此，平台的 creator base 本身也是模型演化來源。

17. 資料量與資料價值不能等同

定義原始資料量：

V_{\text{raw}}.

有效資料量：

V_{\text{eff}} = V_{\text{raw}} \cdot q \cdot d \cdot a \cdot c,

其中：

$q$ ：品質；
$d$ ：多樣性；
$a$ ：可對齊性；
$c$ ：可用性／合規性。

因此：

V_{\text{raw}}\uparrow

不保證：

V_{\text{eff}}\uparrow.

大量：

重複模板；
accidental click；
idle session；
bot-like behavior；
低變異玩法；
相同 prompt；
同質化創作者；

都可能使有效資訊量低於表面事件數。

18. Design-Space Diversity

若平台中的世界高度同質：

W_1\approx W_2\approx\cdots\approx W_n,

那即使：

n\rightarrow\infty,

有效資料多樣性仍可能很低。

定義人工世界多樣性：

D_W = D( \text{Rules}, \text{Mechanics}, \text{StateSpace}, \text{ActionSpace}, \text{Observation}, \text{Objectives}, \text{Aesthetics} ).

若推薦演算法與 runtime 同時把創作者壓向相同局部最優：

D_W\downarrow.

此時：

\text{More Games} \not\Rightarrow \text{More World Diversity}.

這將直接影響世界模型的泛化價值。

這一點會在 GIAW-04 與 GIAW-05 進一步展開。

19. Creator–Player–Model 三角

生成式互動平台不應只畫成：

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

更完整的結構是：

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

更具體：

\text{Creator} \rightarrow \text{Intent} \rightarrow \text{Model} \rightarrow \text{World} \rightarrow \text{Player} \rightarrow \text{Trajectory} \rightarrow \text{Model}.

因此模型同時位於：

世界生成之前；
世界運行之中；
世界評估之後。

這是典型的：

\boxed{ \text{Model-in-the-Loop Platform}. }

20. 雙側飛輪

本文定義最小雙側資料飛輪：

M_t \rightarrow W_t \rightarrow (C_t,P_t) \rightarrow D_t \rightarrow M_{t+1}.

其中：

$M_t$ ：第 $t$ 代模型；
$W_t$ ：模型產生的人工世界；
$C_t$ ：創作者修訂；
$P_t$ ：玩家互動；
$D_t$ ：聯合資料；
$M_{t+1}$ ：更新模型。

若：

Q(M_{t+1})>Q(M_t),

則形成正向能力成長。

但此飛輪只有在以下條件成立時才成立：

\Delta Q_M > 0.

如果新增資料只是：

更多相同類型的遊戲；
更多低品質流量；
更多短暫 novelty；
更多演算法自我複製；

則：

\Delta Q_M \approx 0

甚至可能：

\Delta Q_M<0.

因此「有飛輪」不等於「飛輪有效」。

21. 自我污染風險

若模型 $M_t$ 產生世界：

W_t=M_t(I),

接著平台再用：

W_t

所產生的資料訓練：

M_{t+1},

則可能出現 model-induced distribution collapse。

即：

M_t \rightarrow W_t \rightarrow D_t \rightarrow M_{t+1}

中，資料分布本身受到舊模型限制。

如果舊模型只擅長：

\mathcal W_{\text{narrow}},

新資料也主要落在：

\mathcal W_{\text{narrow}}.

最後：

M_{t+1}

會更加擅長同一窄域，而非擴大能力。

因此需要：

human novelty；
external source；
cross-engine generation；
deliberate exploration；
counterfactual worlds；
synthetic diversity controls。

22. 雙側資料的反身性

平台推薦什麼，玩家就玩什麼。

玩家玩什麼，平台就得到什麼資料。

平台得到什麼資料，又影響模型學什麼。

因此：

\text{Recommendation}_t \rightarrow \text{Data}_t \rightarrow \text{Model}_{t+1} \rightarrow \text{Recommendation}_{t+1}.

這形成：

\boxed{ \text{Data Reflexivity}. }

所以資料不是被動反映「人類真正喜歡什麼」。

而是部分由平台先前的：

推薦；
runtime；
生成能力；
UI；
商業規則；

共同塑造。

因此：

\text{ObservedPreference} \neq \text{LatentPreference}.

23. 三種偏好不能混在一起

至少應區分：

23.1 Declared Preference

人說：

「我想要 X。」

記為：

P_D.

23.2 Revealed Preference

人實際選擇：

P_R.

23.3 Platform-Induced Preference

平台因推薦、摩擦、預設值而誘發的選擇：

P_I.

觀察到的行為：

P_{\text{obs}} = f(P_D,P_R,P_I).

若平台直接把：

P_{\text{obs}}

當作真實人類效用函數，可能產生系統性錯誤。

24. 資料品質的最低條件

本文提出雙側資料有效性的最低條件。

Creator-Side

應能辨識：

同一創作者 session；
prompt sequence；
revision order；
accepted／rejected branch；
final artifact；
version lineage。

Player-Side

應能辨識：

session；
world version；
state；
action；
timestamp；
termination reason；
device/runtime condition。

Cross-Side

應能對齊：

\text{CreatorTrace} \leftrightarrow \text{WorldVersion} \leftrightarrow \text{PlayerTrajectory}.

如果版本對不起來，雙側資料價值大幅降低。

25. 資料治理不是附加問題

若平台建立：

\mathcal D_C \oplus \mathcal D_P,

就必須回答：

創作者是否知道 revision trace 被保存？
玩家是否知道 action trajectory 被保存？
是否用於模型訓練？
是否可退出？
是否可刪除？
作品權利如何處理？
私人 prompt 是否進入訓練？
未成年人資料如何治理？
商業機密是否可能被吸收？
創作者是否能區分「平台功能資料」與「模型訓練資料」？

因此：

\text{Data Flywheel}

必須伴隨：

\text{Data Governance}.

否則：

\text{Model Capability Growth}

可能與：

\text{Trust Decay}

同時發生。

26. 可證偽命題

本文提出以下可證偽命題。

H1：Revision Trace Value Hypothesis

若保存完整 revision trace 的模型，在 intent-to-world 任務上未優於只看 initial prompt + final world 的模型，則：

D_{\text{revise}}

的增量價值有限。

H2：Trajectory Value Hypothesis

若完整：

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

資料對 world-model prediction 不優於單純 session time 與 aggregate metrics，則 action-conditioned trajectory 的訓練價值被高估。

H3：Cross-Side Alignment Hypothesis

若 Creator Intent 與 Player Trajectory 對齊後，無法改善：

experience prediction；
design correction；
world generation；
retention calibration；

則：

\mathcal D_C \oplus \mathcal D_P

的聯合價值有限。

H4：Diversity Hypothesis

若世界數增加但 world diversity 不增加，模型 OOD 泛化不應顯著改善。

H5：Reflexivity Risk Hypothesis

若推薦與生成器過度收斂，則資料分布會出現：

\text{Entropy}(\mathcal D_{t+1}) < \text{Entropy}(\mathcal D_t).

若長期觀測未出現此現象，則自我污染風險可能低於本文預期。

27. 與遊戲本體論的接口

遊戲本體論將人工世界表示為：

\mathcal W = \langle S,P,R,A,T,O,C,U,F,H,L \rangle.

雙側資料框架進一步加入：

I_C

與：

\tau_P.

因此：

\mathcal W^\star = ( \mathcal W, I_C, \tau_P ).

這使「遊戲本體論」從靜態世界結構，向：

\text{World} + \text{Construction History} + \text{Interaction History}

擴展。

28. 與 AGPL 的接口

AGPL 把遊戲視為受控世界模型實驗室。

本文補充：

若平台不只控制世界，還能記錄：

\text{CreatorTrace}

與：

\text{PlayerTrajectory},

則人工世界實驗室同時成為：

\boxed{ \text{World Construction Laboratory} + \text{Behavioral Interaction Laboratory}. }

因此研究者不只測：

Agent 在世界中做什麼？

還可以測：

世界設計怎樣影響 Agent／Human 行為？

29. 與 Capability Compilation 的接口

Capability Compilation 關注：

S_t,A_t,R_t,Y_t

與 replay。

本文補充來源：

\mathcal D_C

可以提供：

task construction；
design objective；
correction criterion。

而：

\mathcal D_P

可以提供：

behavior；
failure；
adaptation；
outcome。

因此未來能力編譯資料可形成：

\text{Intent} \rightarrow \text{World} \rightarrow \text{Behavior} \rightarrow \text{Outcome} \rightarrow \text{Operator Update}.

30. 生成式互動平台的真正資料單位

傳統平台常以：

\text{Game}

作為基本單位。

本文主張，AI 原生互動平台更適合以：

\boxed{ \mathcal U_i = ( I_i, H_i^C, W_i, H_i^P, Y_i ) }

為資料單位。

其中：

$I_i$ ：創作者意圖；
$H_i^C$ ：創作者生成／修訂歷史；
$W_i$ ：人工世界；
$H_i^P$ ：玩家互動歷史；
$Y_i$ ：結果。

這是一個：

\text{Intent–World–Trajectory Unit}.

它比「一款遊戲」更接近 AI 模型可使用的資料結構。

31. 核心結論

本文將生成式互動平台中的資料生產重新定義為：

\boxed{ \mathcal D = \mathcal D_C \oplus \mathcal D_P. }

其中：

\mathcal D_C : \text{Human Intent} \rightarrow \text{World Construction},

而：

\mathcal D_P : \text{World State} + \text{Human Action} \rightarrow \text{Consequence}.

兩者結合後，平台得到：

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

這是一條比傳統「prompt → output」更完整的學習鏈。

因此，生成式互動平台的核心資產可能不只包括：

\text{Games}

而是：

\boxed{ \text{Human Intent Traces} + \text{Artificial Worlds} + \text{Human Action Trajectories} + \text{Outcome Signals}. }

當這四者能被合法、透明、高品質地對齊，平台就可能從「內容生成器」升級為：

\boxed{ \text{Human–Artificial-World Learning System}. }

32. 對下一篇的接口

GIAW-03 將處理一個直接衍生問題：

若創作者與玩家實際上同時提供：

\text{Content} + \text{Data} + \text{Evaluation} + \text{Distribution}

那麼傳統：

\text{Creator Revenue Share}

是否仍足以描述這種平台的經濟關係？

下一篇將提出：

\boxed{ \text{Creator Economy} \rightarrow \text{Data-Producing Creator Economy} }

並分析 Creator Fund、低額播放補貼、模型訓練價值、資料取得成本與平台資本化之間可能存在的結構性不對稱。

附錄 A：Creator Trace 最小資料結構

creator_trace:
  creator_id_hash:
  project_id:
  session_id:

  intent:
    initial_prompt:
    constraints:
    references:

  generations:
    - generation_id:
      parent_generation_id:
      prompt:
      model_version:
      world_version:
      output_hash:

  revisions:
    - revision_id:
      target_generation:
      operation:
      reason:
      accepted:

  final_state:
    published:
    abandoned:
    world_version:

附錄 B：Player Trajectory 最小資料結構

player_trajectory:
  player_id_hash:
  world_id:
  world_version:
  session_id:

  steps:
    - t:
      observation:
      action:
      state_transition:
      reward_proxy:

  termination:
    type:
    time:
    reason:

  return:
    d1:
    d7:
    d30:

附錄 C：Intent–World–Trajectory Unit

iwt_unit:
  intent_ref:
  creator_trace_ref:
  world_ref:
  player_trajectory_refs:
  outcome_summary:

  alignment:
    intent_realization:
    behavioral_realization:
    retention:
    revision_effect:

  governance:
    creator_consent:
    player_consent:
    training_eligible:
    deletion_state:

附錄 D：一句話版本

生成式互動平台真正特殊之處，不只是 AI 能生成遊戲，而是同一平台可能同時觀測「人如何要求世界被創造」與「人如何在被創造的世界中行動」，從而形成 Intent–World–Trajectory 的雙側學習資料。