為什麼 AI 小鎮最後仍會回去上班睡覺

——Stochastic Homeostatic Attractor、Event Emergence 與 Structural Emergence

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-07（整理日期；原稿未標註日期）
版本： 原稿未標註（本次整理版）

摘要

一個 AI 世界可以每天發生大量從未預先寫好的事情：

居民臨時改變行程；
咖啡館突然缺人；
某人答應幫助另一個居民；
兩個 Agent 爆發爭執；
有人旁聽到私人對話；
工作任務延誤；
天氣改變居民決策。

從表面看，這似乎已經是一個高度湧現的世界。

然而，如果觀察足夠長時間，可能會發現另一個現象：

無論每天細節多麼不同，居民最後仍然回去工作、吃飯、休息、聊天、睡覺；服務問題被解決、傷勢被恢復、衝突逐漸冷卻，然後下一天重新開始。

這表示系統可能同時具有：

\text{High Event Diversity}

與：

\text{Low Structural Drift}.

本篇將這種世界描述為：

\boxed{ Stochastic\ Homeostatic\ Attractor }

也就是：

世界存在大量隨機性、Agent 自主性與局部事件，但主要動力仍然將系統拉回一組可持續生活狀態。

這不是缺陷。

對生活模擬而言，Homeostasis 是世界能長期運作的基礎。

真正需要區分的是：

\boxed{ Event\ Emergence \neq Structural\ Emergence }

前者回答：

今天發生了什麼意外事情？

後者回答：

今天發生的事情，有沒有改變明天「能發生什麼」？

這將成為判斷 AI 世界是否真正具有歷史的核心標準。

1. 「每天不一樣」不等於「世界正在演化」

假設 Day 1：

A 上班；
B 去咖啡館；
C 因為下雨待在室內；
D 與 E 爭吵。

Day 2：

A 睡過頭；
B 去圖書館；
C 幫市場工作；
D 與 E 和好。

Day 3 又完全不同。

如果只看 Event Sequence：

E_1\neq E_2\neq E_3.

我們很容易判斷：

世界非常有湧現性。

但如果每天結束後，世界的核心可能性仍然近似：

\Omega_{Day1} \approx \Omega_{Day2} \approx \Omega_{Day3},

那麼世界真正發生的只是：

\boxed{ TrajectoryVariation }

而不是：

\boxed{ StateSpaceEvolution. }

2. Event Emergence

本系列將：

\boxed{ Event\ Emergence }

定義為：

在固定或近似固定的世界規則、角色能力與制度空間中，產生未被作者逐項指定的事件序列。

例如：

[ A ]

今天選擇：

[ Cafe ]

而不是：

[ Library. ]

或者：

[ A ]

接受了某個臨時工作，

另一局卻選擇拒絕。

事件：

E_t

是 emergent 的。

但：

[ Rules(W) ]

仍然沒有改變。

3. Structural Emergence

另一種更強的情況是：

E_t

使未來狀態空間本身改變。

例如：

Event_t \rightarrow Capability_{t+1}.

之後：

\Omega_i(t+1) \neq \Omega_i(t).

這就是：

\boxed{ Structural\ Emergence. }

也就是：

發生過什麼，開始決定之後「有哪些事情仍然可能發生」。

4. 吸引子：世界為什麼會回到某些狀態

在動力系統中，可以把世界狀態寫成：

W_t.

經過轉移函數：

W_{t+1}=F(W_t,\xi_t),

其中：

\xi_t

包含：

Agent 選擇；
隨機因素；
外部事件。

如果大量不同初始狀態最後都傾向某一區域：

W_t\rightarrow\mathcal A,

那麼：

\mathcal A

可視為系統的吸引域。

生活模擬中最常見的就是：

\boxed{ Homeostatic\ Attractor. }

5. Need System 本身就是典型負回饋

my_ai_town 的居民活動狀態包含：

[ energy, satiety, stress, socialNeed, solitudeNeed ]

等標量，預設值位於中間區間，而且更新被限制在 $0\sim100$ ；例如 energy 降至 35 以下即構成睡眠需求，satiety 穿越 35 門檻時則可觸發重新決策。

這種設計形成非常清楚的：

\boxed{ Negative\ Feedback. }

例如：

Energy\downarrow \rightarrow Sleep \rightarrow Energy\uparrow.

6. 飢餓也會把世界拉回平衡

居民在沒有執行正式活動且沒有睡覺時，Passive Need Runtime 會週期性降低：

[ energy ]

與：

[ satiety. ]

目前每次被動更新包括：

[ energy-2 ]

與：

[ satiety-3. ]

而 satiety 跨過飢餓決策門檻時，World 會重新排程該居民的決策。

因此形成：

Satiety\downarrow \rightarrow Wake \rightarrow SeekFood \rightarrow Satiety\uparrow.

這就是一個典型 homeostatic loop。

7. 社交需求本身也是雙向調節

同一套被動需求更新甚至根據附近是否有人調整：

[ socialNeed ]

與：

[ solitudeNeed. ]

附近有人時：

socialNeed\downarrow

而：

solitudeNeed\uparrow.

獨處時方向反轉。

這表示系統不是只有：

越社交越好。

而是存在一個：

\boxed{ SocialHomeostasis. }

居民可能：

Lonely \rightarrow SeekPeople \rightarrow OverSocialized \rightarrow SeekSolitude.

8. 日常節律也是一種吸引場

世界還具有生活節奏：

深夜；
起床／晨間活動；
上午工作；
午餐與休息；
下午工作；
晚間自由活動；
夜間休息。

而且工作與睡眠仍保留一定彈性，例如可以遲到、請假、晚睡或不睡。

所以它不是完全 deterministic schedule。

但仍存在：

\boxed{ TemporalAttractor. }

例如：

Morning\rightarrow Work

Noon\rightarrow Meal

Night\rightarrow Rest.

9. 於是基本生活循環自然形成

可以將居民日常壓縮成：

\boxed{ Work \rightarrow NeedAccumulation \rightarrow Food/Rest \rightarrow Leisure/Social \rightarrow Sleep \rightarrow Work. }

LLM 可以改變：

去哪裡吃；
跟誰聊天；
今天是否請假；
下班之後做什麼。

所以事件序列高度多樣。

但宏觀 attractor 仍然非常穩定。

10. 隨機性不會自動打破吸引子

這裡很容易產生另一個誤解：

只要加入 randomness，世界就會持續演化。

並不成立。

令：

W_{t+1} = F(W_t)+\epsilon_t.

如果：

[ F ]

本身具有強烈回復力，那麼：

\epsilon_t

只是讓世界在吸引域附近抖動。

例如：

\boxed{ StableEquilibrium + Noise }

仍然可能長期維持：

[ StableEquilibrium. ]

11. 因此「天氣會變」不等於歷史會變

天氣可以改變：

行程；
身體狀態；
活動偏好。

今天下雨：

Route_A.

明天晴天：

Route_B.

確實產生：

[ EventVariation. ]

但如果晴雨沒有累積形成新的：

資產；
技術；
地形；
制度；

那麼：

[ Weather ]

主要仍是：

\boxed{ Perturbation. }

不是 Structural Evolution。

12. Social Matter 也可能主要是一種修復器

第 4 篇證明：

WorldMismatch \rightarrow SocialMatter.

例如：

Demand>Capacity.

Matter 產生居民回應：

[ Help. ]

最後：

Demand\le Capacity.

所以：

Problem \rightarrow Response \rightarrow Closure.

這其實又是一個：

\boxed{ NegativeFeedbackLoop. }

13. 這不是 Social Matter 的缺點

相反，這正是它的必要功能。

如果：

[ Problem ]

永遠不被解決，

世界會快速積累：

UnresolvedState\rightarrow Infinity.

所以任何可長期運作的社會模擬都必須具有：

\boxed{ StabilizationMechanisms. }

例如：

補貨；
找人；
修理；
治療；
解決服務壓力；
完成承諾。

問題不在：

有沒有負回饋。

真正的問題是：

除了負回饋之外，有沒有正向累積？

14. Conflict 也可以只是瞬時擾動

例如：

[ A\ attacks\ B. ]

產生：

injury；
conflict；
tension；
memory。

如果後續：

[ Recovery ]

[ Cooldown ]

[ Apology ]

把系統逐漸拉回：

[ NormalSocialState, ]

那麼：

[ Conflict ]

仍主要是：

[ Perturbation. ]

但如果衝突導致：

[ PermanentTrustLoss ]

[ FactionFormation ]

[ OwnershipTransfer ]

[ InstitutionalChange, ]

它才開始具有：

[ StructuralConsequence. ]

15. 所以「有打架」不是高階 Emergence 的證據

這個判準很重要。

很多 AI Simulation Demo 會展示：

NPC 自己吵起來了。

這可以證明：

[ BehavioralEmergence. ]

但不能直接證明：

[ StructuralEmergence. ]

因為：

Fight_t

可能只是一個孤立 Episode。

真正關鍵的是：

Fight_t \rightarrow State_{t+n}.

16. 可逆狀態與不可逆狀態

我們可以先把 World Variables 分成兩種。

Reversible State

例如：

[ Hunger. ]

可以：

50\rightarrow20\rightarrow80.

最後回到熟悉區間。

Persistent Differentiating State

例如：

Qualification=false \rightarrow true.

它會改變之後的 Capability Set。

因此：

\boxed{ Reversibility }

是判斷世界是否容易回到原 attractor 的重要指標。

17. 完全不可逆不是必要條件

當然，歷史不要求所有變數永久不可逆。

例如職業可以再次改變。

真正需要的是：

\boxed{ PathDependence. }

也就是：

W_{t+1}

不能只由當下瞬時狀態決定。

還應依賴：

History_{0:t}.

形式上：

P(W_{t+1}|W_t)

不足以描述全部結構。

而需要：

P(W_{t+1}|W_t,H_{0:t}).

18. 歷史的真正判準是「可能性空間改變」

定義 Agent (i) 的可行行動集合：

\Omega_i(t).

若居民今天吃飯：

\Omega_i(t+1) \approx \Omega_i(t).

只是需求數值變了。

但如果居民取得新資格：

\Omega_i(t+1) \supset \Omega_i(t).

那麼：

\boxed{ HistoryChangedCapability. }

這比問：

Save file 裡有沒有存這個數值？

更加重要。

19. Persistence 不等於 History

假設系統保存：

Hunger=17.

關閉遊戲再開：

Hunger=17.

它當然具有：

[ Persistence. ]

但不表示：

[ StructuralHistory. ]

因為吃飯後：

Hunger\rightarrow80.

幾個週期後：

Hunger\rightarrow17.

系統回到了相同類型的狀態。

因此：

\boxed{ PersistentState \neq HistoricalState. }

20. 我們需要時間尺度分層

因此可以把狀態分成三個時間尺度。

T1：Cyclic State

例如：

hunger；
energy；
weather；
work backlog；
inventory fluctuations。

它們主要：

[ Oscillate. ]

T2：Slow Historical State

例如：

long-term memory；
relationship；
qualification。

它們：

[ Accumulate ]

或緩慢改變。

T3：Structural State

例如：

occupation identity；
institutional knowledge；
population identity；
ownership；
organization；
spatial structure。

它們能改變：

[ FutureStateSpace. ]

21. 一個有趣的世界需要三層同時存在

只有 T1：

World=\text{循環模擬器}.

只有 T3：

World=\text{不穩定結構變換器}.

更合理的是：

\boxed{ T1+T2+T3. }

T1 讓生活持續。

T2 讓角色具有經驗。

T3 讓世界具有歷史。

22. Stochastic Homeostatic Attractor

因此，我們可以正式提出：

\boxed{ Stochastic\ Homeostatic\ Attractor }

描述一類 Agent World：

個體行動具有隨機性與生成式多樣性，但宏觀狀態主要由需求滿足、服務修復、衝突恢復與生活節律拉回穩定域。

可以寫成：

W_{t+1} = H(W_t) + A_t + \xi_t,

其中：

(H)：強 homeostatic restoring dynamics；
$A_t$ ：Agent 自主行動；
$\xi_t$ ：隨機擾動。

如果：

||H|| \gg LongTermDrift,

則：

W_t

長期仍被吸引在：

\mathcal A_H.

23. LLM 會增加軌跡熵，但不一定增加結構熵

這可以用一個更有意思的方式描述。

引入 LLM 後：

H(EventSequence)\uparrow.

也就是：

可出現的事件序列種類大幅增加。

但未必有：

H(WorldStructure)\uparrow.

所以：

\boxed{ TrajectoryEntropy \neq StructuralEntropy. }

這也許是評估 AI 原生遊戲時非常重要的一個指標。

24. 傳統內容多樣性很容易被誤認成 World Evolution

例如 LLM 可以生成一千種：

今天下班後去做什麼。

因此：

NarrativeVariety\gg TraditionalNPC.

但如果所有選擇最後仍映射：

[ { Eat, Socialize, Relax, Sleep }, ]

真正的 ontology 並沒有增加。

所以：

\boxed{ LexicalDiversity \neq OntologicalDiversity. }

25. 世界真正演化需要 State Promotion

如果某個事件只存在：

[ EventLog, ]

它不一定會影響未來。

真正重要的是把某些 Event 結果提升為 Durable State。

本系列可以稱：

\boxed{ History\text{-}to\text{-}Ontology\ Promotion. }

形式上：

Promote: Event \rightarrow PersistentPrimitive.

例如：

RepeatedSuccessfulWork \rightarrow Qualification.

此時事件才真正離開：

[ Log ]

進入：

[ Ontology. ]

26. 什麼值得被 Promote？

不是每件事。

如果所有事件都永久改變世界：

[ StateExplosion. ]

因此需要選擇：

\boxed{ StructuralThreshold. }

例如：

反覆經驗；
重要承諾；
正式認證；
所有權轉移；
制度決策；
研究成果。

也就是：

History \rightarrow Compression \rightarrow DurableState.

27. Memory 本身就是一種 State Promotion

其實第 3 篇已經展示一個例子。

普通 Event：

[ ConversationTurn. ]

如果被判定重要：

Event \rightarrow FormalMemory.

於是：

[ PastEvent ]

成為：

[ CurrentCognitiveState. ]

所以：

[ Memory ]

本質上就是：

\boxed{ Event\rightarrow AgentOntology. }

只是它主要改變 Agent 內部。

28. 真正還需要 World-level Promotion

更高一層則是：

Event \rightarrow WorldOntology.

例如：

TrialSuccess \rightarrow Qualification.

或者：

Discovery \rightarrow KnowledgeRecord.

未來甚至：

RepeatedTrade \rightarrow BusinessRelation.

RepeatedConflict \rightarrow Faction.

這才會形成：

\boxed{ HistoricalWorld. }

29. Cross-Domain Coupling 是真正關鍵

即使世界擁有多個 Persistent State：

P_1,P_2,P_3

若它們彼此完全獨立：

P_1\nrightarrow P_2,

結構演化仍然有限。

真正強大的歷史需要：

\boxed{ Cross\text{-}Domain\ Persistent\ Coupling. }

例如：

Research \rightarrow Technology \rightarrow Production \rightarrow Wealth \rightarrow Influence.

30. 單一持久變量只能形成 Micro-History

例如：

A 取得某職業資格。

這已經是真實歷史：

[ MicroHistory. ]

但若沒有進一步影響：

收入；
社會關係；
生產能力；
權力；
知識；

它仍然是局部歷史。

所以：

\boxed{ MicroHistory }

和：

\boxed{ MacroHistory }

還要分開。

31. Macro-History 需要因果鏈跨系統

例如：

[ ResearchDiscovery ]

先改變：

[ Capability. ]

然後：

Capability \rightarrow ProductionYield.

再：

ProductionYield \rightarrow AssetDistribution.

然後：

AssetDistribution \rightarrow SocialPower.

最後：

SocialPower \rightarrow Institution.

如此：

E_t

才能逐層放大為：

WorldStructure_{t+n}.

32. Positive Feedback 是歷史形成的重要來源

Homeostasis 主要靠：

[ NegativeFeedback. ]

但歷史分化往往需要一定程度：

[ PositiveFeedback. ]

例如：

Skill \rightarrow BetterWork \rightarrow MoreExperience \rightarrow MoreSkill.

或者：

Trust \rightarrow MoreInformation \rightarrow BetterDecisions \rightarrow MoreTrust.

這些會產生：

\boxed{ Divergence. }

33. 但 Positive Feedback 也不能無限制

如果：

Rich\rightarrow Richer

永遠沒有約束，

世界很快：

Divergence\rightarrow Collapse.

所以成熟 AI Society 應該同時具有：

[ NegativeFeedback ]

負責穩定，

與：

[ PositiveFeedback ]

負責歷史分化。

兩者形成：

\boxed{ StableEvolution. }

34. Stable Evolution

因此可以定義：

\boxed{ StableEvolution = Homeostasis + PersistentDifferentiation. }

Homeostasis 保證：

世界活得下去。

Persistent Differentiation 保證：

世界不會永遠只是昨天的另一種排列。

這可能是 AI 原生生活模擬真正需要的核心平衡。

35. Day 100 Test

這裡可以提出一個很簡單的判定方法：

Day 100 Test

問：

如果讓世界自主跑 100 個遊戲日，Day 100 和 Day 1 的差異到底是什麼？

如果答案只是：

記憶更多；
聊天不同；
每個人今天位置不同；

那麼：

[ StructuralDrift ]

仍然有限。

如果答案變成：

有人學會新的職業；
某些知識永久存在；
某些人已死亡／替換；
地點功能改變；
生產方式不同；
新組織形成；
資源與權力重新分配；

那麼：

\boxed{ WorldHistory }

開始真正成立。

36. Day 100 不應能從 Day 1 直接重建

更嚴格地說：

如果知道：

[ Day1State ]

與 random seed，

就幾乎可以預測世界仍然會回到同樣結構，

那麼：

[ HistoryDependence ]

仍低。

真正歷史化的世界應該讓：

Path_1

與：

Path_2

產生：

W_{100}^{(1)} \neq W_{100}^{(2)}

而且差異存在於 ontology，而不是只有 log。

37. 可用「可行域差異」衡量歷史

因此比起單純 State Difference：

||W_t-W_0||

更值得衡量的是：

\boxed{ D_\Omega = Distance( \Omega(W_t), \Omega(W_0) ) }

其中：

\Omega(W)

表示在世界狀態 (W) 下的整體可能行動空間。

如果：

D_\Omega\approx0,

世界雖然發生很多事，結構幾乎沒變。

38. Emergence 也可以分成四階

因此本篇可以把 Emergence 再細分為：

E1：Behavioral Emergence

Agent 做出未預寫行為。

E2：Event Emergence

多 Agent 互動產生未預寫事件。

E3：Historical Emergence

事件形成持久、路徑依賴的角色／世界狀態。

E4：Structural Emergence

持久狀態進一步改變未來世界 ontology 與 possibility space。

也就是：

E1\rightarrow E2\rightarrow E3\rightarrow E4.

39. 這也修正「Emergent Gameplay」這個詞

很多系統只做到：

[ E1/E2 ]

就宣稱：

emergent world。

這不一定錯。

但描述力不夠。

更精確應該說：

具有高度 Behavioral / Event Emergence。

而真正：

[ E4 ]

才接近：

\boxed{ Self\text{-}Evolving\ World. }

40. `my_ai_town` 應該放在哪裡？

經過前面幾輪研究，現在已經不能簡單說它只是：

[ StochasticHomeostaticAttractor. ]

因為它已經存在一些真正的：

[ PersistentDifferentiation. ]

例如個體記憶會持續改變其後續決策，正式 belief 也能因證據而強化、懷疑與修正；這些都不是單純每日歸零的 transient state。

所以更加準確的是：

\boxed{ Homeostatic\ Core + MicroHistorical\ Channels. }

41. 它已經有一隻腳跨入 L5

按照第 0 篇的成熟度框架：

L4= EndogenousDynamics.

這一層它已相當明確。

而部分：

L5= PersistentDifferentiation

也已經存在。

真正不足的是：

\boxed{ CrossDomainPersistentCoupling. }

也就是：

各種歷史變化還沒有大量互相放大。

42. 因此問題不再是「多做幾個事件」

這點非常重要。

如果現在想提升世界演化能力，最直覺的方法可能是加入：

火災；
節慶；
更多衝突；
更多活動；
更多天氣；
更多對話類型。

這會提高：

[ EventEntropy. ]

但未必提高：

[ StructuralDrift. ]

所以真正的方向不是：

\boxed{ MoreEvents. }

而是：

\boxed{ MorePersistentCouplings. }

43. 一個小系統也可以產生巨大歷史

其實不需要一百套新功能。

假設只加入三個 primitives：

[ Asset ]

[ Capability ]

[ Claim. ]

然後允許事件持續修改它們。

例如：

Work \rightarrow Capability.

Trade \rightarrow Asset.

Promise \rightarrow Claim.

只要三者彼此耦合：

Capability \rightarrow Asset \rightarrow Claim \rightarrow Capability,

世界就可能產生遠高於大量獨立 Feature 的組合空間。

44. Emergence 來自可組合 primitive，不是 feature count

這裡可以得到：

\boxed{ EmergencePotential \propto ComposableCouplings }

而不只是：

[ FeatureCount. ]

一百個彼此獨立的 Feature：

F_1,F_2,\dots,F_{100}

可能比不上五個可以互相作用的 primitives。

這也是下一篇要處理的核心。

45. 真正需要的是「歷史放大器」

我們可以把：

[ PersistentCoupling ]

稱為：

\boxed{ HistoricalAmplifier. }

例如：

SmallEvent \rightarrow PersistentState \rightarrow NewOpportunity \rightarrow NewEvent.

然後：

[ NewEvent ]

再次留下 persistent state。

形成：

\boxed{ History \rightarrow Opportunity \rightarrow History'. }

這才是真正從 attractor 中逐漸長出歷史的方法。

46. 一個真正演化的世界仍然需要吸引子

這篇並不是主張：

把所有 Homeostasis 拿掉。

恰恰相反。

如果沒有：

[ Food ]

[ Sleep ]

[ Recovery ]

[ Repair ]

[ SocialClosure, ]

世界可能迅速變成：

[ Chaos. ]

真正需要的是：

\boxed{ LocalHomeostasis + GlobalEvolution. }

47. Local Homeostasis, Global Evolution

個體：

[ Energy ]

仍然回復。

商店：

[ Inventory ]

仍然補貨。

傷勢：

[ Injury ]

仍然治療。

但宏觀：

[ CareerDistribution ]

[ KnowledgeStock ]

[ AssetDistribution ]

[ InstitutionStructure ]

可以持續改變。

因此：

\boxed{ MicroStability + MacroHistory. }

可能才是理想 AI Society。

48. 這與真實社會其實很像

每天人類都：

吃飯；
睡覺；
工作；
恢復體力。

所以微觀：

[ LifeCycle ]

高度重複。

但宏觀：

技術累積；
制度改變；
公司成立；
財富轉移；
人口替換；
知識增加。

因此：

Civilization_{2100} \neq Civilization_{1900}.

即使：

HumanDailyNeeds_{2100} \approx HumanDailyNeeds_{1900}.

這正是：

\boxed{ Homeostasis + History }

可以同時成立的證明。

49. AI 原生世界真正的目標不是逃離所有 attractor

更加準確的目標應是：

\boxed{ NestedAttractors. }

底層：

[ Biological/LifeAttractor. ]

中層：

[ SocialAttractor. ]

高層：

[ InstitutionalEvolution. ]

居民每天還是會睡。

但：

睡醒後的世界，不一定還是昨天那一個世界。

50. 結論：世界一直發生事情，和世界真的改變，是兩回事

本篇最核心的區分是：

\boxed{ EventEmergence \neq StructuralEmergence. }

一個世界可以：

充滿自主 Agent；
每天都有新對話；
有衝突；
有臨時工作；
有隨機天氣；

卻仍然主要被：

[ HomeostaticForces ]

拉回同一組宏觀生活狀態。

這可以描述為：

\boxed{ Stochastic\ Homeostatic\ Attractor. }

而這並不是失敗。

相反，它是可持續生活模擬的重要底盤。

真正需要增加的是：

\boxed{ PersistentDifferentiation. }

也就是：

Event_t \rightarrow State_{t+1} \rightarrow NewPossibility_{t+2}.

因此，一個真正具有歷史的 AI 世界應該同時滿足：

\boxed{ LocalHomeostasis + PersistentStatePromotion + CrossDomainCoupling }

最後形成：

\boxed{ MicroStability + MacroEvolution. }

判斷世界是否真正演化，可以問一個非常簡單的問題：

Day 100 的居民，不只是記得 Day 1 發生過什麼，而是真的因為 Day 1～99 發生過那些事情，活在一個 Day 1 已經不可能直接得到的世界裡嗎？

如果答案是肯定的：

\boxed{ HistoryExists. }

而下一篇將直接研究這個「歷史究竟存在哪裡」：

第 7 篇

《歷史如何真正產生：Persistent Differentiation 與跨域耦合》

我們將把已經找到的：

Qualification；
Career Change；
Memory；
Knowledge Archive；
Population Replacement；
Spatial Change；

放進同一個時間尺度框架，並正式提出：

\boxed{ Asset + Capability + Claim }

作為一套可以把微型歷史逐漸提升成宏觀世界史的持久本體 primitive。

也就是：

如果第 6 篇是在問「為什麼世界會回到原點」，第 7 篇就要回答「什麼東西能讓它回不去」。

為什麼 AI 小鎮最後仍會回去上班睡覺

為什麼 AI 小鎮最後仍會回去上班睡覺

——Stochastic Homeostatic Attractor、Event Emergence 與 Structural Emergence

摘要

1. 「每天不一樣」不等於「世界正在演化」

2. Event Emergence

3. Structural Emergence

4. 吸引子：世界為什麼會回到某些狀態

5. Need System 本身就是典型負回饋

6. 飢餓也會把世界拉回平衡

7. 社交需求本身也是雙向調節

8. 日常節律也是一種吸引場

9. 於是基本生活循環自然形成

10. 隨機性不會自動打破吸引子

11. 因此「天氣會變」不等於歷史會變

12. Social Matter 也可能主要是一種修復器

13. 這不是 Social Matter 的缺點

14. Conflict 也可以只是瞬時擾動

15. 所以「有打架」不是高階 Emergence 的證據

16. 可逆狀態與不可逆狀態

Reversible State

Persistent Differentiating State

17. 完全不可逆不是必要條件

18. 歷史的真正判準是「可能性空間改變」

19. Persistence 不等於 History

20. 我們需要時間尺度分層

T1：Cyclic State

T2：Slow Historical State

T3：Structural State

21. 一個有趣的世界需要三層同時存在

22. Stochastic Homeostatic Attractor

23. LLM 會增加軌跡熵，但不一定增加結構熵

24. 傳統內容多樣性很容易被誤認成 World Evolution

25. 世界真正演化需要 State Promotion

26. 什麼值得被 Promote？

27. Memory 本身就是一種 State Promotion

28. 真正還需要 World-level Promotion

29. Cross-Domain Coupling 是真正關鍵

30. 單一持久變量只能形成 Micro-History

31. Macro-History 需要因果鏈跨系統

32. Positive Feedback 是歷史形成的重要來源

33. 但 Positive Feedback 也不能無限制

34. Stable Evolution

35. Day 100 Test

36. Day 100 不應能從 Day 1 直接重建

37. 可用「可行域差異」衡量歷史

38. Emergence 也可以分成四階

E1：Behavioral Emergence

E2：Event Emergence

E3：Historical Emergence

E4：Structural Emergence

39. 這也修正「Emergent Gameplay」這個詞

40. my_ai_town 應該放在哪裡？

41. 它已經有一隻腳跨入 L5

42. 因此問題不再是「多做幾個事件」

43. 一個小系統也可以產生巨大歷史

44. Emergence 來自可組合 primitive，不是 feature count

45. 真正需要的是「歷史放大器」

46. 一個真正演化的世界仍然需要吸引子

47. Local Homeostasis, Global Evolution

48. 這與真實社會其實很像

49. AI 原生世界真正的目標不是逃離所有 attractor

50. 結論：世界一直發生事情，和世界真的改變，是兩回事

第 7 篇

《歷史如何真正產生：Persistent Differentiation 與跨域耦合》

40. `my_ai_town` 應該放在哪裡？