內生博弈空間：行動如何改變玩家、效用、規則與可行域
Endogenous Game Spaces: How Actions Transform Players, Utilities, Rules, and Feasible Domains
系列 ：超博弈、認知底空間與多主體不可完備性，第 3 篇／共 3 篇系列英文名 ：Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness系列代碼 ：HGCB文件編號 ：EML-HGCB-2026-03-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 ：Endogenous Game-Space Theory／Dynamic Multi-Agent Systems／Institutional Change／Reflexivity／Path Dependence狀態 ：Public Theory Draft直接前置 ：HGCB-01《完全理性仍然可能失敗》；HGCB-02《從理性法人到多自由意志系統》；《無界策：源點》；《現實不是單一遊戲：多尺度嵌套遊戲與跨層因果》系列狀態 ：HGCB Series Complete
摘要
許多博弈模型將遊戲形式視為固定背景：玩家在既定狀態空間、策略集合、規則、效用與資訊結構中選擇行動。即使模型允許重複博弈、學習、信念更新、演化或制度變遷，分析仍常保留某一層更高階的固定遊戲定義。本文提出更一般的「內生博弈空間」框架：行動不僅改變遊戲內狀態，也可能改變下一時刻什麼東西算作玩家、什麼行動可行、什麼規則有效、什麼資訊可取得、什麼效用被追求，以及分析者應以何種遊戲邊界理解系統。
本文將時間 t t t
G t = ( N t , S t , A t , R t , U t , I t , T t , C t , O t ) , \mathcal G_t
=
\left(
N_t,
S_t,
A_t,
R_t,
U_t,
I_t,
T_t,
C_t,
O_t
\right), G t = ( N t , S t , A t , R t , U t , I t , T t , C t , O t ) , 並定義博弈空間演化算子：
G t + 1 = Ψ ( G t , a t , E t , Ξ t ) , \mathcal G_{t+1}
=
\Psi
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t
\right), G t + 1 = Ψ ( G t , a t , E t , Ξ t ) , 其中 a t \mathbf a_t a t E t E_t E t Ξ t \Xi_t Ξ t
Action does not merely move the state inside a game; it can transform the game itself. \boxed{
\text{Action does not merely move the state inside a game; it can transform the game itself.}
} Action does not merely move the state inside a game; it can transform the game itself. 本文與內生制度變遷、內生偏好、路徑依賴、反身性與 performative prediction 等既有研究兼容，但將這些分散現象統一於「遊戲描述本身是動態狀態」這一形式框架。本文進一步定義博弈空間漂移、不可逆閾值、吸引域、可達遊戲集合與自改寫博弈，並提出供 AI Agent 與人工遊戲世界實驗使用的算子與測量指標。
HGCB 系列因此完成三層推進：第一篇指出認知底空間可能不完備；第二篇指出被視為單一玩家的集體可能由多個自主意志與制度編譯器生成；本文則指出，即使前兩者都被正確建模，玩家行動之後的遊戲也不必仍然是原來的遊戲。
關鍵詞
內生博弈空間；動態博弈；規則變遷；內生偏好；路徑依賴；反身性；多主體系統；制度變遷；可達域；超博弈
1. 系列最後一個隱含假設：棋盤會不會自己變？
HGCB-01 提出：
被認知的棋盤可能不完整。 \boxed{
\text{被認知的棋盤可能不完整。}
} 被認知的棋盤可能不完整。 HGCB-02 提出：
棋盤上的「玩家」可能不是天然單一意志。 \boxed{
\text{棋盤上的「玩家」可能不是天然單一意志。}
} 棋盤上的「玩家」可能不是天然單一意志。 本文處理第三個問題：
即使棋盤現在畫對了，走完一步後，它還會是同一張棋盤嗎？ \boxed{
\text{即使棋盤現在畫對了，走完一步後，它還會是同一張棋盤嗎？}
} 即使棋盤現在畫對了，走完一步後，它還會是同一張棋盤嗎？ 標準狀態轉移通常寫成：
S t + 1 = F ( S t , a t ) . S_{t+1}
=
F(S_t,\mathbf a_t). S t + 1 = F ( S t , a t ) . 此式隱含：
N , A , R , U , I , T N,A,R,U,I,T N , A , R , U , I , T 等遊戲結構在轉移過程中保持固定，或至少由另一個預先指定的外生過程控制。
但現實中，一個行動可能同時造成：
新玩家出現；
舊玩家退出；
新法律或制度建立；
原有規則失效；
新技術開啟以前不存在的行動；
資訊權限改變；
身份與偏好改變；
聯盟重新生成；
某些策略永久失效；
某些遊戲與另一遊戲耦合；
觀察者重新定義「這場遊戲」的邊界。
因此真正需要更新的不只是：
S t . S_t. S t . 而可能是：
G t . \mathcal G_t. G t . 2. 內生博弈空間的基本定義
令時間 t t t
G t = ( N t , S t , A t , R t , U t , I t , T t , C t , O t ) . \mathcal G_t
=
\left(
N_t,
S_t,
A_t,
R_t,
U_t,
I_t,
T_t,
C_t,
O_t
\right). G t = ( N t , S t , A t , R t , U t , I t , T t , C t , O t ) . 其中：
N t N_t N t S t S_t S t A t A_t A t R t R_t R t U t U_t U t I t I_t I t T t T_t T t C t C_t C t O t O_t O t
傳統固定博弈近似：
G t + 1 = G t \mathcal G_{t+1}
=
\mathcal G_t G t + 1 = G t 僅讓：
S t + 1 ≠ S t . S_{t+1}
\neq
S_t. S t + 1 = S t . 本文則允許：
G t + 1 ≠ G t . \boxed{
\mathcal G_{t+1}
\neq
\mathcal G_t.
} G t + 1 = G t . 因此定義：
G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . \boxed{
\mathcal G_{t+1}
=
\Psi
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t
\right).
} G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . 其中：
a t \mathbf a_t a t E t E_t E t Ξ t \Xi_t Ξ t Ψ \Psi Ψ
3. 狀態轉移與遊戲轉移必須分開
本文區分：
F S F_S F S 與：
F G . F_G. F G . 前者：
S t + 1 = F S ( S t , a t ) S_{t+1}
=
F_S
\left(
S_t,
\mathbf a_t
\right) S t + 1 = F S ( S t , a t ) 表示遊戲內狀態移動。
後者：
G t + 1 = F G ( G t , a t , E t , Ξ t ) \mathcal G_{t+1}
=
F_G
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t
\right) G t + 1 = F G ( G t , a t , E t , Ξ t ) 表示遊戲本身改變。
因此：
State Transition ≠ Game-Space Transition . \boxed{
\text{State Transition}
\neq
\text{Game-Space Transition}.
} State Transition = Game-Space Transition . 例如：
一家公司降價。
可能只是狀態轉移。
但：
一家公司建立平台，使供應商、消費者、開發者與支付系統全部進入新的互動結構。
可能已是遊戲轉移。
4. 內生制度變遷是重要近鄰，但不是全部
Greif 與 Laitin 對內生制度變遷的研究已明確提出：
制度可以因其自身啟動的過程而得到強化、修改甚至走向解體。
這證明：
R t R_t R t 並不必然是固定外生量。
本文接受這一路線，但擴展其作用域。
因為博弈空間改變的不只可能是：
R t . R_t. R t . 還可能是：
N t , A t , U t , I t , C t , O t . N_t,A_t,U_t,I_t,C_t,O_t. N t , A t , U t , I t , C t , O t . 因此：
Endogenous Institutional Change ⊂ Endogenous Game-Space Change . \boxed{
\text{Endogenous Institutional Change}
\subset
\text{Endogenous Game-Space Change}.
} Endogenous Institutional Change ⊂ Endogenous Game-Space Change . 這不是價值高低關係，而是本文採取的更寬工作變量集合。
5. 偏好本身也可能被遊戲塑造
傳統模型常寫：
U i = constant . U_i=\text{constant}. U i = constant . 但內生偏好研究早已指出：
市場；
制度；
社會規範；
組織安排；
社會互動；
歷史經驗；
都可能反過來影響偏好形成。
因此：
U i , t + 1 = F U ( U i , t , S t , a i , t , a − i , t , R t , H t ) . U_{i,t+1}
=
F_U
\left(
U_{i,t},
S_t,
a_{i,t},
a_{-i,t},
R_t,
H_t
\right). U i , t + 1 = F U ( U i , t , S t , a i , t , a − i , t , R t , H t ) . 其中：
H t H_t H t 為歷史路徑。
這意味著：
Agents choose according to preferences, while choices and institutions can reshape those preferences. \boxed{
\text{Agents choose according to preferences, while choices and institutions can reshape those preferences.}
} Agents choose according to preferences, while choices and institutions can reshape those preferences. 所以效用不一定只是遊戲輸入。
它也可能是遊戲輸出。
6. 玩家集合本身可能內生改變
假設：
N t = { A , B , C } . N_t
=
\{A,B,C\}. N t = { A , B , C } . 某個行動可能建立：
新聯盟；
新組織；
新市場；
新國家；
新政黨；
新 AI Agent；
新中介平台；
新自治區；
新制度角色。
於是：
N t + 1 = N t ∪ { D } . N_{t+1}
=
N_t
\cup
\{D\}. N t + 1 = N t ∪ { D } . 也可能相反：
N t + 1 = N t ∖ { C } . N_{t+1}
=
N_t
\setminus
\{C\}. N t + 1 = N t ∖ { C } . 因此：
Player identity and player existence can be endogenous variables. \boxed{
\text{Player identity and player existence can be endogenous variables.}
} Player identity and player existence can be endogenous variables. 更進一步：
A + B → C c o a l i t i o n A+B
\rightarrow
C_{\mathrm{coalition}} A + B → C coalition 代表多個玩家可能暫時形成一個更高階集體玩家。
這直接連到 HGCB-02 的「制度決策編譯器」。
7. 行動集合也會被創造
令：
A t A_t A t 為當下可認知且可實現的行動集合。
技術創新、制度改革、語言發明、組織創新或策略生成可能產生：
a n e w ∉ A t a_{\mathrm{new}}
\notin
A_t a new ∈ / A t 但：
a n e w ∈ A t + 1 . a_{\mathrm{new}}
\in
A_{t+1}. a new ∈ A t + 1 . 因此：
A t + 1 = A t ∪ { a n e w } . A_{t+1}
=
A_t
\cup
\{a_{\mathrm{new}}\}. A t + 1 = A t ∪ { a new } . 這一點對高尾端能力尤其重要。
高階行動者的優勢有時不是：
arg max a ∈ A t U ( a ) \arg\max_{a\in A_t} U(a) arg a ∈ A t max U ( a ) 算得更準。
而是它能生成：
A t + 1 ⊋ A t . A_{t+1}
\supsetneq
A_t. A t + 1 ⊋ A t . 所以：
Strategic Intelligence = Optimization + Action-Space Generation . \boxed{
\text{Strategic Intelligence}
=
\text{Optimization}
+
\text{Action-Space Generation}.
} Strategic Intelligence = Optimization + Action-Space Generation . 8. 資訊空間不是中性的背景
資訊結構記為：
I t . I_t. I t . 它包括：
誰能看到什麼；
誰能傳遞什麼；
哪些資訊被公開；
哪些資訊受保密；
哪些訊號可信；
哪些資料可驗證；
哪些主體能接觸哪些感測器、平台與模型。
行動可能改變：
I t → I t + 1 . I_t
\rightarrow
I_{t+1}. I t → I t + 1 . 例如：
新監測技術；
新加密；
新媒體；
平台封鎖；
開放資料；
情報合作；
新感測器；
AI 搜尋能力。
因此，一個策略可能不是直接提高支付，而是：
change what can be known in later rounds . \boxed{
\text{change what can be known in later rounds}.
} change what can be known in later rounds . 9. 時間尺度也是遊戲的一部分
假設：
T t T_t T t 代表當前模型的決策視窗與折現。
若某個行動造成：
長期鎖定；
世代效果；
不可逆基礎設施；
慢性制度侵蝕；
長期技術依賴；
那麼原本短期遊戲：
G s h o r t G^{\mathrm{short}} G short 可能必須重新展開為：
G l o n g . G^{long}. G l o n g . 同一行動可有：
U s h o r t ( a ) > 0 U^{short}(a)>0 U s h or t ( a ) > 0 但：
U l o n g ( a ) < 0. U^{long}(a)<0. U l o n g ( a ) < 0. 因此：
A change in horizon can change the identity of the game. \boxed{
\text{A change in horizon can change the identity of the game.}
} A change in horizon can change the identity of the game. 10. 遊戲耦合會讓局部勝利變成全域損失
令現實不是單一遊戲，而是：
G t = { G t ( 1 ) , G t ( 2 ) , … , G t ( m ) } . \mathfrak G_t
=
\{
G_t^{(1)},
G_t^{(2)},
\ldots,
G_t^{(m)}
\}. G t = { G t ( 1 ) , G t ( 2 ) , … , G t ( m ) } . 不同遊戲共享：
玩家；
資源；
身份；
聲譽；
制度；
技術；
風險；
時間。
因此某一遊戲中的行動：
a ( 1 ) a^{(1)} a ( 1 ) 可能改變：
G ( 2 ) . G^{(2)}. G ( 2 ) . 即：
a t ( 1 ) → G t + 1 ( 2 ) . a_t^{(1)}
\rightarrow
\mathcal G_{t+1}^{(2)}. a t ( 1 ) → G t + 1 ( 2 ) . 所以：
Victory G 1 \text{Victory}^{G_1} Victory G 1 可能造成：
Loss G 2 . \text{Loss}^{G_2}. Loss G 2 . 這不是單純多目標最佳化。
它可能是：
第一場遊戲中的行動，直接改寫第二場遊戲本身。
11. 反身性：預測本身也可能成為行動
對社會系統而言，發布預測：
S ^ t + 1 \hat S_{t+1} S ^ t + 1 可能改變玩家行動：
a t . \mathbf a_t. a t . 因此：
S ^ t + 1 → a t → S t + 1 . \hat S_{t+1}
\rightarrow
\mathbf a_t
\rightarrow
S_{t+1}. S ^ t + 1 → a t → S t + 1 . 所以：
S t + 1 S_{t+1} S t + 1 不再獨立於關於它的預測。
這包含：
self-fulfilling prediction；
self-defeating prediction；
performative prediction；
policy signaling；
market expectation feedback。
因此：
Prediction can become part of the transition function. \boxed{
\text{Prediction can become part of the transition function.}
} Prediction can become part of the transition function. 12. 路徑依賴：同一狀態不一定代表同一未來
如果系統具有歷史記憶：
H t , H_t, H t , 則：
S t ( A ) = S t ( B ) S_t^{(A)}
=
S_t^{(B)} S t ( A ) = S t ( B ) 並不保證：
G t + 1 ( A ) = G t + 1 ( B ) . \mathcal G_{t+1}^{(A)}
=
\mathcal G_{t+1}^{(B)}. G t + 1 ( A ) = G t + 1 ( B ) . 因為：
H t ( A ) ≠ H t ( B ) . H_t^{(A)}
\neq
H_t^{(B)}. H t ( A ) = H t ( B ) . 所以更完整寫法是：
G t + 1 = Ψ ( G t , a t , E t , Ξ t , H t ) . \mathcal G_{t+1}
=
\Psi
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t,
H_t
\right). G t + 1 = Ψ ( G t , a t , E t , Ξ t , H t ) . Pierson 對 increasing returns 與 path dependence 的分析正說明：
時序重要；
小事件可能產生大後果；
早期選擇可能產生強鎖定；
某些路徑一旦進入便難以逆轉。
因此博弈不能永遠被當成：
memoryless . \text{memoryless}. memoryless . 13. 博弈空間漂移
本文定義：
D G ( t , t + 1 ) = d ( G t , G t + 1 ) , D_G(t,t+1)
=
d
\left(
\mathcal G_t,
\mathcal G_{t+1}
\right), D G ( t , t + 1 ) = d ( G t , G t + 1 ) , 其中：
d d d 是依任務定義的遊戲結構距離。
可拆成：
D G = w N D N + w S D S + w A D A + w R D R + w U D U + w I D I + w T D T + w C D C + w O D O . D_G
=
w_ND_N
+
w_SD_S
+
w_AD_A
+
w_RD_R
+
w_UD_U
+
w_ID_I
+
w_TD_T
+
w_CD_C
+
w_OD_O. D G = w N D N + w S D S + w A D A + w R D R + w U D U + w I D I + w T D T + w C D C + w O D O . 若：
D G ≈ 0 , D_G
\approx
0, D G ≈ 0 , 則固定遊戲近似有效。
若：
D G ≫ 0 , D_G
\gg
0, D G ≫ 0 , 則代表：
Game-Space Drift . \boxed{
\text{Game-Space Drift}.
} Game-Space Drift . 也就是遊戲本體正在漂移。
14. 小漂移與相變必須區分
不是所有變化都代表新遊戲。
若：
D G < θ 1 , D_G<\theta_1, D G < θ 1 , 可視為局部擾動。
若：
θ 1 ≤ D G < θ 2 , \theta_1
\leq
D_G
<
\theta_2, θ 1 ≤ D G < θ 2 , 可視為結構漂移。
若：
D G ≥ θ 2 , D_G
\geq
\theta_2, D G ≥ θ 2 , 且最佳策略、玩家身份、均衡集合或可行域發生不連續變化，本文稱為：
Game-Space Phase Transition . \boxed{
\text{Game-Space Phase Transition}.
} Game-Space Phase Transition . 例如：
Eq ( G t ) ∩ Eq ( G t + 1 ) = ∅ \operatorname{Eq}(\mathcal G_t)
\cap
\operatorname{Eq}(\mathcal G_{t+1})
=
\varnothing Eq ( G t ) ∩ Eq ( G t + 1 ) = ∅ 可能是一個強相變訊號。
15. 不可逆閾值
某些行動一旦發生：
a t a_t a t 便可能使：
G t + 1 \mathcal G_{t+1} G t + 1 無法低成本返回：
G t . \mathcal G_t. G t . 定義逆轉成本：
C r e t u r n ( G t + 1 → G t ) . C_{\mathrm{return}}
\left(
\mathcal G_{t+1}
\rightarrow
\mathcal G_t
\right). C return ( G t + 1 → G t ) . 若：
C r e t u r n > θ i r r e v e r s i b l e , C_{\mathrm{return}}
>
\theta_{\mathrm{irreversible}}, C return > θ irreversible , 稱該轉移跨越：
Irreversibility Threshold . \boxed{
\text{Irreversibility Threshold}.
} Irreversibility Threshold . 因此「短期有利」行動若跨越不可逆閾值，其真正價值不能只用當期支付計算。
16. 吸引域與崩潰域
令：
B \mathfrak B B 為遊戲空間集合。
對某個區域：
A ∗ ⊂ B , \mathcal A^*
\subset
\mathfrak B, A ∗ ⊂ B , 若大量相鄰初始遊戲在動態：
Ψ \Psi Ψ 下傾向進入：
A ∗ , \mathcal A^*, A ∗ , 則稱其為：
Game-Space Attractor . \boxed{
\text{Game-Space Attractor}.
} Game-Space Attractor . 同理，若某區域具有：
規則快速失效；
玩家退出；
合作崩解；
資訊失真；
效用極化；
暴力或系統失效正回饋；
則可定義：
Collapse Basin . \boxed{
\text{Collapse Basin}.
} Collapse Basin . 策略分析因此不只問：
下一步得到多少？
而要問：
這一步把整個系統推向哪個吸引域？
17. 可達遊戲集合
給定初始：
G 0 , \mathcal G_0, G 0 , 行動政策族：
Π , \Pi, Π , 以及時間：
T , T, T , 定義：
R G ( G 0 , T , Π ) \boxed{
\mathcal R_G
\left(
\mathcal G_0,T,\Pi
\right)
} R G ( G 0 , T , Π ) 為在時間 T T T
這與一般狀態可達集不同。
它關心的是：
G T , \mathcal G_T, G T , 而不只是：
S T . S_T. S T . 因此高階策略問題可以寫成：
π ∗ = arg max π ∈ Π V ( R G ( G 0 , T , π ) ) . \pi^*
=
\arg\max_{\pi\in\Pi}
V
\left(
\mathcal R_G
(\mathcal G_0,T,\pi)
\right). π ∗ = arg π ∈ Π max V ( R G ( G 0 , T , π ) ) . 這代表策略不只是選擇最好的終端狀態，也是在選擇：
自己希望未來生活在哪一類遊戲中。
18. 自改寫博弈
最強情況是：
Ψ \Psi Ψ 本身也會被行動修改。
即：
Ψ t + 1 ≠ Ψ t . \Psi_{t+1}
\neq
\Psi_t. Ψ t + 1 = Ψ t . 於是：
G t + 1 = Ψ t ( G t , a t ) , \mathcal G_{t+1}
=
\Psi_t
\left(
\mathcal G_t,
\mathbf a_t
\right), G t + 1 = Ψ t ( G t , a t ) , 同時：
Ψ t + 1 = Φ ( Ψ t , G t , a t ) . \Psi_{t+1}
=
\Phi
\left(
\Psi_t,
\mathcal G_t,
\mathbf a_t
\right). Ψ t + 1 = Φ ( Ψ t , G t , a t ) . 本文稱為：
Self-Rewriting Game . \boxed{
\text{Self-Rewriting Game}.
} Self-Rewriting Game . 此時玩家不只改規則。
玩家可能改變：
規則未來是如何被改變的。
例如：
修憲規則；
平台治理機制；
AI 自我修改政策；
組織的組織生成程序；
自動更新制度。
這是高階超博弈的重要情況。
19. 「戰術勝利」為什麼可能改變戰略勝利的定義
設當前勝利條件為：
V t . V_t. V t . 某個行動：
a t a_t a t 成功達成：
V t . V_t. V t . 但如果：
a t → V t + 1 a_t
\rightarrow
V_{t+1} a t → V t + 1 且：
V t + 1 ≠ V t , V_{t+1}
\neq
V_t, V t + 1 = V t , 則：
Victory under V t ⇏ Victory under V t + 1 . \boxed{
\text{Victory under }V_t
\not\Rightarrow
\text{Victory under }V_{t+1}.
} Victory under V t ⇒ Victory under V t + 1 . 這是內生博弈空間的一個核心結論。
也就是：
行動可能成功完成原本定義的任務，卻同時生成一個新的問題，使原本的勝利不再具有原來意義。
這不是語言遊戲。
它可以發生在：
企業競爭；
政治；
技術標準；
平台治理；
國際關係；
生態治理；
AI 安全；
組織改革。
20. 民意、身份與合法性應被視為狀態生成器
對政治系統，可寫：
P t + 1 = F P ( P t , a t , E t , N a r r a t i v e t , I d e n t i t y t ) . P_{t+1}
=
F_P
\left(
P_t,
\mathbf a_t,
E_t,
Narrative_t,
Identity_t
\right). P t + 1 = F P ( P t , a t , E t , N a r r a t i v e t , I d e n t i t y t ) . 其中：
P t P_t P t 可代表民意或政治偏好分布。
身份也可能：
I d e n t i t y t + 1 = F I ( I d e n t i t y t , a t , H t ) . Identity_{t+1}
=
F_I
\left(
Identity_t,
\mathbf a_t,
H_t
\right). I d e n t i t y t + 1 = F I ( I d e n t i t y t , a t , H t ) . 因此：
political action can create the preferences to which later political action must respond . \boxed{
\text{political action can create the preferences to which later political action must respond}.
} political action can create the preferences to which later political action must respond . 民意不是純外生約束。
它也是行動之後被重新生成的系統變量。
21. 技術是典型的遊戲空間生成器
新技術可能同時改變：
A t , I t , R t , N t , C t . A_t,
I_t,
R_t,
N_t,
C_t. A t , I t , R t , N t , C t . 例如一項通用技術可以：
開啟新行動；
降低舊行動成本；
創造新產業與玩家；
消滅舊職業；
改變資訊取得；
產生新監管；
重新定義競爭場域。
因此：
technology is not merely a parameter inside games; it can be a game generator . \boxed{
\text{technology is not merely a parameter inside games; it can be a game generator}.
} technology is not merely a parameter inside games; it can be a game generator . 這對 AI 特別重要。
22. AI Agent 使內生博弈空間問題更加明顯
傳統 Agent 常被定義為：
π : O t → a t . \pi:
O_t
\rightarrow
a_t. π : O t → a t . 高階 Agent 則可能：
生成新工具；
建立新 Agent；
修改工作流；
變更規則；
重新分配權限；
建立新記憶；
改寫子 Agent 目標；
重定義任務。
因此：
a t a_t a t 不再只是一個外部世界動作。
它可能是：
a t m e t a : G t → G t + 1 . a_t^{meta}
:
\mathcal G_t
\rightarrow
\mathcal G_{t+1}. a t m e t a : G t → G t + 1 . 所以高階 Agent 需要：
Game-Space Awareness . \boxed{
\text{Game-Space Awareness}.
} Game-Space Awareness . 23. 超博弈算子族
本文提出一組可工程化算子。
23.1 玩家變動算子
O N : N t → N t + 1 . O_N:
N_t
\rightarrow
N_{t+1}. O N : N t → N t + 1 . 檢查：
新玩家生成；
玩家退出；
玩家合併；
玩家分裂；
角色改變。
23.2 行動空間生成算子
O A : A t → A t + 1 . O_A:
A_t
\rightarrow
A_{t+1}. O A : A t → A t + 1 . 檢查：
新工具；
新策略；
新組合；
原不可行行動變可行。
23.3 規則演化算子
O R : R t → R t + 1 . O_R:
R_t
\rightarrow
R_{t+1}. O R : R t → R t + 1 . 23.4 偏好更新算子
O U : U t → U t + 1 . O_U:
U_t
\rightarrow
U_{t+1}. O U : U t → U t + 1 . 23.5 資訊重構算子
O I : I t → I t + 1 . O_I:
I_t
\rightarrow
I_{t+1}. O I : I t → I t + 1 . 23.6 時間重定標算子
O T : T t → T t + 1 . O_T:
T_t
\rightarrow
T_{t+1}. O T : T t → T t + 1 . 23.7 遊戲耦合算子
O C : G t → G t + 1 . O_C:
\mathfrak G_t
\rightarrow
\mathfrak G_{t+1}. O C : G t → G t + 1 . 23.8 觀察者重構算子
O O : O t → O t + 1 . O_O:
O_t
\rightarrow
O_{t+1}. O O : O t → O t + 1 . 它問：
是否因為新證據，連「我們原本以為正在研究什麼」都必須改寫？
24. 不是所有變化都值得模型化
若每個小變化都造成：
G t → G t + 1 , \mathcal G_t
\rightarrow
\mathcal G_{t+1}, G t → G t + 1 , 模型將失去可操作性。
因此引入決策有效性條件。
只有當某種變化造成至少一項：
BestResponse t + 1 ≠ BestResponse t , Eq t + 1 ≠ Eq t , R t + 1 ≠ R t , RiskRank t + 1 ≠ RiskRank t , \begin{aligned}
&\operatorname{BestResponse}_{t+1}
\neq
\operatorname{BestResponse}_t,\\
&\operatorname{Eq}_{t+1}
\neq
\operatorname{Eq}_t,\\
&\mathcal R_{t+1}
\neq
\mathcal R_t,\\
&\operatorname{RiskRank}_{t+1}
\neq
\operatorname{RiskRank}_t,
\end{aligned} BestResponse t + 1 = BestResponse t , Eq t + 1 = Eq t , R t + 1 = R t , RiskRank t + 1 = RiskRank t , 或其差異超過指定閾值時，才升格為：
decision-effective game-space change . \boxed{
\text{decision-effective game-space change}.
} decision-effective game-space change . 這避免理論無限膨脹。
25. 內生博弈的預測問題
如果：
G t + 1 = Ψ ( G t , a t ) , \mathcal G_{t+1}
=
\Psi(\mathcal G_t,\mathbf a_t), G t + 1 = Ψ ( G t , a t ) , 而：
a t \mathbf a_t a t 又由 Agent 對未來遊戲的預測決定：
a t = Π ( G ^ t + 1 : t + k ) , \mathbf a_t
=
\Pi
\left(
\widehat{\mathcal G}_{t+1:t+k}
\right), a t = Π ( G t + 1 : t + k ) , 則形成：
G → G ^ → a → G ′ . \boxed{
\mathcal G
\rightarrow
\widehat{\mathcal G}
\rightarrow
\mathbf a
\rightarrow
\mathcal G'.
} G → G → a → G ′ . 這是一個反身預測閉環。
所以長期預測不再只是：
S ^ T . \hat S_T. S ^ T . 更像：
R ^ G ( T ) \boxed{
\widehat{\mathfrak R}_G(T)
} R G ( T ) 即未來可能遊戲集合的分布或可達域。
26. 為什麼「唯一未來」不是好的高階輸出
對此類系統，模型若輸出：
S T = S ∗ S_T=S^* S T = S ∗ 很容易造成過度確定。
更合理的是：
B T = { B 1 , B 2 , … , B k } , \mathcal B_T
=
\{
B_1,
B_2,\ldots,B_k
\}, B T = { B 1 , B 2 , … , B k } , 其中每一個：
B j B_j B j 是一個可能分支遊戲。
對每個分支評估：
進入條件；
穩定性；
可逆性；
風險；
吸引強度；
可觀測前兆。
因此：
High-level forecasting = branch topology + transition conditions . \boxed{
\text{High-level forecasting}
=
\text{branch topology}
+
\text{transition conditions}.
} High-level forecasting = branch topology + transition conditions . 27. 最小相交理性域也會內生移動
假設多個行動者各有可接受域：
R i ( t ) . R_i(t). R i ( t ) . 當下相交域：
R ∗ ( t ) = ⋂ i R i ( t ) . R^*(t)
=
\bigcap_i
R_i(t). R ∗ ( t ) = i ⋂ R i ( t ) . 如果：
R ∗ ( t ) ≠ ∅ , R^*(t)
\neq
\varnothing, R ∗ ( t ) = ∅ , 代表當下存在某些共同可接受方案。
但一個行動：
a t a_t a t 可能改變：
R i ( t + 1 ) . R_i(t+1). R i ( t + 1 ) . 結果：
R ∗ ( t + 1 ) = ∅ . R^*(t+1)
=
\varnothing. R ∗ ( t + 1 ) = ∅ . 也可能反過來：
R ∗ ( t ) = ∅ , R^*(t)
=
\varnothing, R ∗ ( t ) = ∅ , 但制度創新、技術或新仲裁機制使：
R ∗ ( t + 1 ) ≠ ∅ . R^*(t+1)
\neq
\varnothing. R ∗ ( t + 1 ) = ∅ . 因此：
Negotiation space itself is endogenous . \boxed{
\text{Negotiation space itself is endogenous}.
} Negotiation space itself is endogenous . 28. 這就是「暴力、制度與承諾」為什麼會改寫棋盤
對任何高衝突系統而言，某類不可逆行動可能改變：
信任；
威脅感知；
身份；
聯盟；
法律；
國內政治；
未來承諾可信度。
因此當期想要取得的某個結果：
x x x 即使成功，也可能使原本存在的未來方案：
y y y 從：
y ∈ R t y\in\mathcal R_t y ∈ R t 變成：
y ∉ R t + 1 . y\notin\mathcal R_{t+1}. y ∈ / R t + 1 . 所以真正成本是：
Immediate Cost + Destroyed Future Option Value . \boxed{
\text{Immediate Cost}
+
\text{Destroyed Future Option Value}.
} Immediate Cost + Destroyed Future Option Value . 後者常被固定遊戲模型低估。
29. Option-Space Destruction
本文定義：
A t f u t u r e \mathcal A_t^{future} A t f u t u r e 為當前可保留的未來行動集合。
某行動：
a t a_t a t 造成：
A t + 1 f u t u r e ⊊ A t f u t u r e . \mathcal A_{t+1}^{future}
\subsetneq
\mathcal A_t^{future}. A t + 1 f u t u r e ⊊ A t f u t u r e . 則定義未來選項損失：
L o p t i o n = V ( A t f u t u r e ) − V ( A t + 1 f u t u r e ) . L_{\mathrm{option}}
=
V
\left(
\mathcal A_t^{future}
\right)
-
V
\left(
\mathcal A_{t+1}^{future}
\right). L option = V ( A t f u t u r e ) − V ( A t + 1 f u t u r e ) . 因此總效用不應只寫：
U ( a t ) . U(a_t). U ( a t ) . 更合理是：
U t o t a l ( a t ) = U i m m e d i a t e ( a t ) − L o p t i o n ( a t ) . U^{total}(a_t)
=
U^{immediate}(a_t)
-
L_{\mathrm{option}}(a_t). U t o t a l ( a t ) = U imm e d ia t e ( a t ) − L option ( a t ) . 這一項對不可逆決策尤其重要。
30. 反過來：Option-Space Creation
有些行動不是直接取得回報，而是創造新未來。
若：
A t + 1 f u t u r e ⊋ A t f u t u r e , \mathcal A_{t+1}^{future}
\supsetneq
\mathcal A_t^{future}, A t + 1 f u t u r e ⊋ A t f u t u r e , 則定義：
G o p t i o n = V ( A t + 1 f u t u r e ) − V ( A t f u t u r e ) . G_{\mathrm{option}}
=
V
\left(
\mathcal A_{t+1}^{future}
\right)
-
V
\left(
\mathcal A_t^{future}
\right). G option = V ( A t + 1 f u t u r e ) − V ( A t f u t u r e ) . 所以創造平台、建立制度、獲得新知識、建立工具或培養能力的價值常來自：
future option-space expansion . \boxed{
\text{future option-space expansion}.
} future option-space expansion . 這正是《無界策》中「創局」比「局內取勝」更高階的可形式化版本之一。
31. 可實驗化：人工遊戲中的遊戲空間演化
最適合驗證本文的方法之一，是建立可控遊戲世界。
對 baseline Agent：
A 0 A_0 A 0 與具 game-space awareness 的 Agent：
A 1 , A_1, A 1 , 提供同一初始遊戲：
G 0 . \mathcal G_0. G 0 . 然後引入以下事件。
Experiment 1：規則突變
R t → R t ′ . R_t
\rightarrow
R_t'. R t → R t ′ . 測：
τ R . \tau_R. τ R . Experiment 2：新增可行行動
A t → A t ∪ { a n e w } . A_t
\rightarrow
A_t\cup\{a_{\mathrm{new}}\}. A t → A t ∪ { a new } . 測是否能主動發現。
Experiment 3：新玩家加入
N t → N t ∪ { n n e w } . N_t
\rightarrow
N_t\cup\{n_{\mathrm{new}}\}. N t → N t ∪ { n new } . Experiment 4：偏好漂移
U i ( t + 1 ) ≠ U i ( t ) . U_i(t+1)
\neq
U_i(t). U i ( t + 1 ) = U i ( t ) . Experiment 5：跨遊戲耦合
一個局部遊戲的資源開始影響另一遊戲。
Experiment 6：反身預測
將 Agent 的預測公開給其他 Agent，看其是否調整行動。
32. 建議測量指標
32.1 遊戲空間變化偵測延遲
τ G = t d e t e c t e d − t c h a n g e . \tau_G
=
t_{\mathrm{detected}}
-
t_{\mathrm{change}}. τ G = t detected − t change . 32.2 模型修復延遲
τ r e p a i r = t c o r r e c t m o d e l − t d e t e c t e d . \tau_{\mathrm{repair}}
=
t_{\mathrm{correct\ model}}
-
t_{\mathrm{detected}}. τ repair = t correct model − t detected . 32.3 過時模型損失
L s t a l e = U ( a b e s t , n e w ) − U ( a o l d − m o d e l ) . L_{\mathrm{stale}}
=
U(a_{\mathrm{best,new}})
-
U(a_{\mathrm{old-model}}). L stale = U ( a best , new ) − U ( a old − model ) . 32.4 未來選項保存率
Q o p t i o n = V ( A t + 1 f u t u r e ) V ( A t f u t u r e ) . Q_{\mathrm{option}}
=
\frac{
V(\mathcal A_{t+1}^{future})
}{
V(\mathcal A_t^{future})
}. Q option = V ( A t f u t u r e ) V ( A t + 1 f u t u r e ) . 32.5 規則變更遷移能力
若 Agent 在不同遊戲：
G 1 , … , G m G_1,\ldots,G_m G 1 , … , G m 都能快速適應結構變動，則其算子更接近一般能力。
33. 內生博弈 Agent 的最小架構
本文提出：
Agent E G S = Observe + Model + Solve + Audit + Repair + Project . \boxed{
\text{Agent}^{EGS}
=
\text{Observe}
+
\text{Model}
+
\text{Solve}
+
\text{Audit}
+
\text{Repair}
+
\text{Project}.
} Agent E GS = Observe + Model + Solve + Audit + Repair + Project . 其中：
Observe
O t → S ^ t . O_t
\rightarrow
\hat S_t. O t → S ^ t . Model
S ^ t → G ^ t . \hat S_t
\rightarrow
\hat{\mathcal G}_t. S ^ t → G ^ t . Solve
G ^ t → a t . \hat{\mathcal G}_t
\rightarrow
a_t. G ^ t → a t . Audit
G ^ t → possible omissions / drift . \hat{\mathcal G}_t
\rightarrow
\text{possible omissions / drift}. G ^ t → possible omissions / drift . Repair
G ^ t → G ^ t ′ . \hat{\mathcal G}_t
\rightarrow
\hat{\mathcal G}_t'. G ^ t → G ^ t ′ . Project
( G ^ t , a t ) → G ^ t + 1 : t + k . (\hat{\mathcal G}_t,a_t)
\rightarrow
\widehat{\mathcal G}_{t+1:t+k}. ( G ^ t , a t ) → G t + 1 : t + k . 最後一項非常重要：
Agent 不只預測「如果我這樣做，世界狀態如何」，還預測「如果我這樣做，未來會變成什麼樣的遊戲」。
34. 可反證性
本文不是宣稱所有遊戲都高度內生。
若在某任務域：
D G ( t , t + 1 ) ≈ 0 D_G(t,t+1)
\approx
0 D G ( t , t + 1 ) ≈ 0 長期成立，
則固定遊戲模型就是更好的模型。
同樣，如果加入：
O N , O A , O R , O U , O I , O T , O C , O O O_N,O_A,O_R,O_U,O_I,O_T,O_C,O_O O N , O A , O R , O U , O I , O T , O C , O O 後：
不提升預測；
不提升適應；
不降低過時模型損失；
不提高跨遊戲遷移；
反而只增加計算成本，那麼本框架在該領域應被拒絕或縮限。
本文主張的是：
Game-space endogeneity is an empirical property to test, not a metaphysical assumption to impose everywhere. \boxed{
\text{Game-space endogeneity is an empirical property to test, not a metaphysical assumption to impose everywhere.}
} Game-space endogeneity is an empirical property to test, not a metaphysical assumption to impose everywhere. 35. 防止無限元分析：暫時閉合仍然必要
如果 Agent 永遠問：
規則會不會又變？
則永遠無法行動。
因此沿用 HGCB-01 的：
κ t \kappa_t κ t 表示當前遊戲模型充分性信心。
當：
κ t ≥ θ a c t , \kappa_t
\geq
\theta_{\mathrm{act}}, κ t ≥ θ act , 則允許暫時使用：
G ^ t \hat{\mathcal G}_t G ^ t 行動。
但保留：
MonitorDrift . \operatorname{MonitorDrift}. MonitorDrift . 因此：
Operational closure + structural revisability . \boxed{
\text{Operational closure}
+
\text{structural revisability}.
} Operational closure + structural revisability . 兩者必須同時存在。
36. HGCB 三篇的統一形式
現在可以把整個系列寫成單一架構。
首先，世界經觀察者投影：
W t → C O Ω O , t . \mathcal W_t
\xrightarrow{\mathcal C_O}
\Omega_{O,t}. W t C O Ω O , t . 從認知底空間建立遊戲：
Ω O , t → Φ O G ^ t . \Omega_{O,t}
\xrightarrow{\Phi_O}
\hat{\mathcal G}_t. Ω O , t Φ O G ^ t . 其中集體玩家可能是：
C k = F k ( A k ) . C_k
=
\mathcal F_k
\left(
\mathcal A_k
\right). C k = F k ( A k ) . 各主體在遊戲中產生行動：
a t = Π ( G ^ t ) . \mathbf a_t
=
\Pi
\left(
\hat{\mathcal G}_t
\right). a t = Π ( G ^ t ) . 然後行動反過來改變遊戲：
G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . \mathcal G_{t+1}
=
\Psi
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t
\right). G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . 觀察者再重新建模：
G t + 1 → Ω O , t + 1 → G ^ t + 1 . \mathcal G_{t+1}
\rightarrow
\Omega_{O,t+1}
\rightarrow
\hat{\mathcal G}_{t+1}. G t + 1 → Ω O , t + 1 → G ^ t + 1 . 因此完整閉環是：
W → Ω → G → a → G ′ → Ω ′ → G ′ ′ → ⋯ \boxed{
\mathcal W
\rightarrow
\Omega
\rightarrow
\mathcal G
\rightarrow
\mathbf a
\rightarrow
\mathcal G'
\rightarrow
\Omega'
\rightarrow
\mathcal G''
\rightarrow
\cdots
} W → Ω → G → a → G ′ → Ω ′ → G ′′ → ⋯ 37. 十個核心命題
命題一：狀態與遊戲分離
State Transition ≠ Game-Space Transition . \boxed{
\text{State Transition}
\neq
\text{Game-Space Transition}.
} State Transition = Game-Space Transition . 命題二：博弈空間內生性
G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . \boxed{
\mathcal G_{t+1}
=
\Psi
\left(
\mathcal G_t,
\mathbf a_t,
E_t,
\Xi_t
\right).
} G t + 1 = Ψ ( G t , a t , E t , Ξ t ) . 命題三：偏好雙向生成
U t → a t → environment t + 1 → U t + 1 . \boxed{
U_t
\rightarrow
a_t
\rightarrow
\text{environment}_{t+1}
\rightarrow
U_{t+1}.
} U t → a t → environment t + 1 → U t + 1 . 命題四：玩家內生性
N t + 1 ≠ N t \boxed{
N_{t+1}
\neq
N_t
} N t + 1 = N t 可能由遊戲內行動造成。
命題五：策略空間生成
A t + 1 ⊋ A t \boxed{
A_{t+1}
\supsetneq
A_t
} A t + 1 ⊋ A t 可以是智能與創造的結果。
命題六：局部勝利非跨時勝利
Victory G t ⇏ Victory G t + 1 . \boxed{
\text{Victory}^{\mathcal G_t}
\not\Rightarrow
\text{Victory}^{\mathcal G_{t+1}}.
} Victory G t ⇒ Victory G t + 1 . 命題七：選項空間價值
U t o t a l = U i m m e d i a t e + G o p t i o n − L o p t i o n . \boxed{
U^{total}
=
U^{immediate}
+
G_{\mathrm{option}}
-
L_{\mathrm{option}}.
} U t o t a l = U imm e d ia t e + G option − L option . 命題八：預測反身性
Prediction → Action → PredictedSystem . \boxed{
\text{Prediction}
\rightarrow
\text{Action}
\rightarrow
\text{PredictedSystem}.
} Prediction → Action → PredictedSystem . 命題九：高階預測轉向
single future → reachable game-space topology . \boxed{
\text{single future}
\rightarrow
\text{reachable game-space topology}.
} single future → reachable game-space topology . 命題十：高階 Agent 需要遊戲空間意識
Agent advanced = Solve + Audit + Repair + ProjectGameSpace . \boxed{
\text{Agent}^{\text{advanced}}
=
\text{Solve}
+
\text{Audit}
+
\text{Repair}
+
\text{ProjectGameSpace}.
} Agent advanced = Solve + Audit + Repair + ProjectGameSpace . 38. 討論：真正的策略不是只問「下一步」
在固定博弈裡，策略問題是：
What should I do next? \boxed{
\text{What should I do next?}
} What should I do next? 在內生博弈空間裡，還要問：
What kind of game will exist after I do it? \boxed{
\text{What kind of game will exist after I do it?}
} What kind of game will exist after I do it? 這是兩個不同層次。
某個動作可以：
當下收益最大；
同時破壞未來談判域；
形成不利路徑依賴；
生成新敵人；
改變自身偏好；
鎖死未來行動；
改變整個制度。
因此最優策略必須同時評估：
state consequence \text{state consequence} state consequence 與：
game-space consequence . \text{game-space consequence}. game-space consequence . 39. 與《無界策》的重新對接
《無界策》的「創局、破界、改規」如果只被理解為：
高手可以修改規則，
仍然太窄。
本文給出更一般形式：
策略行動本身可能是世界遊戲結構的生成算子。 \boxed{
\text{策略行動本身可能是世界遊戲結構的生成算子。}
} 策略行動本身可能是世界遊戲結構的生成算子。 所以真正的「超博弈」不是：
move outside one game once . \text{move outside one game once}. move outside one game once . 而是持續辨識：
G t \mathcal G_t G t 是否正在變成：
G t + 1 . \mathcal G_{t+1}. G t + 1 . 更重要的是：
不把自己新建立的遊戲再次誤認成永恆全域。
因此 HGCB 系列最終仍回到：
anti-premature closure . \boxed{
\text{anti-premature closure}.
} anti-premature closure . 40. 系列總結
HGCB-01：
完全理性可以完美地解錯問題。 \boxed{
\text{完全理性可以完美地解錯問題。}
} 完全理性可以完美地解錯問題。 因為認知底空間可能不完整。
HGCB-02：
一個被稱為玩家的集體，不一定天然具有單一意志。 \boxed{
\text{一個被稱為玩家的集體，不一定天然具有單一意志。}
} 一個被稱為玩家的集體，不一定天然具有單一意志。 因為集體行動可能由制度編譯器從多個自主主體生成。
HGCB-03：
一個被正確求解的遊戲，也可能被玩家自己的行動改寫。 \boxed{
\text{一個被正確求解的遊戲，也可能被玩家自己的行動改寫。}
} 一個被正確求解的遊戲，也可能被玩家自己的行動改寫。 因此三篇合起來形成：
Cognitive Space → Actor Space → Game-Space Evolution . \boxed{
\text{Cognitive Space}
\rightarrow
\text{Actor Space}
\rightarrow
\text{Game-Space Evolution}.
} Cognitive Space → Actor Space → Game-Space Evolution . 這使博弈分析從：
Solve ( G ) \operatorname{Solve}(G) Solve ( G ) 推向：
Construct + Decompress + Solve + Audit + Repair + Project . \boxed{
\operatorname{Construct}
+
\operatorname{Decompress}
+
\operatorname{Solve}
+
\operatorname{Audit}
+
\operatorname{Repair}
+
\operatorname{Project}.
} Construct + Decompress + Solve + Audit + Repair + Project . 41. 結論
本文提出：
G \boxed{
\mathcal G
} G 不必只是分析的容器。
它本身可以是：
a dynamic state variable . \boxed{
\text{a dynamic state variable}.
} a dynamic state variable . 行動者不只在遊戲內移動。
它可能：
創造玩家；
消滅玩家；
創造策略；
改變規則；
改變偏好；
改變資訊；
改變時間尺度；
耦合其他遊戲；
改變觀察者理解遊戲的方式。
因此：
Action : G t → G t + 1 \boxed{
\text{Action}
:
\mathcal G_t
\rightarrow
\mathcal G_{t+1}
} Action : G t → G t + 1 必須成為高階策略理論的一等公民。
本文最終核心可濃縮為兩句：
策略不只是選擇下一個世界狀態，也是在選擇下一個可能存在的遊戲。
以及：
The best move in the current game may be the move that creates the worst next game. \boxed{
\text{The best move in the current game may be the move that creates the worst next game.}
} The best move in the current game may be the move that creates the worst next game. 因此成熟的策略智能不能只會求當下最優。
它還必須具有：
game-space foresight . \boxed{
\text{game-space foresight}.
} game-space foresight . 即對「自己的行動將把世界推入什麼樣的下一場遊戲」進行建模、比較與修正。
至此，HGCB 系列完成。
參考文獻
Bowles, S. (1998). Endogenous Preferences: The Cultural Consequences of Markets and Other Economic Institutions. Journal of Economic Literature , 36(1), 75-111.
Dold, M. (2025). Endogenous preferences: a challenge to constitutional political economy's normative foundation? Constitutional Political Economy , 36, 424-443.
Gerber, E. R., & Jackson, J. E. (1993). Endogenous Preferences and the Study of Institutions. American Political Science Review , 87(3), 639-656.
Greif, A., & Laitin, D. D. (2004). A Theory of Endogenous Institutional Change. American Political Science Review , 98(4), 633-652.
Pierson, P. (2000). Increasing Returns, Path Dependence, and the Study of Politics. American Political Science Review , 94(2), 251-267.
Schipper, B. C. (2014). Awareness. In Handbook of Epistemic Logic . College Publications.
Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics , 69(1), 99-118.
von Weizsäcker, C. C. (1971). Notes on Endogenous Change of Tastes. Journal of Economic Theory , 3(4), 345-372.
Neo.K with Aletheia. (2026). 完全理性仍然可能失敗：認知底空間不完備下的超博弈問題 . HGCB Paper 01, EveMissLab.
Neo.K with Aletheia. (2026). 從理性法人到多自由意志系統：國家效用函數為何不是天然存在 . HGCB Paper 02, EveMissLab.
Neo.K. (2026). 《無界策：源點》 . EveMissLab working manuscript.
Neo.K with Aletheia. (2026). 現實不是單一遊戲：多尺度嵌套遊戲與跨層因果 . EveMissLab working manuscript.
附錄 A：內生博弈空間最小記錄格式
game_space:
time:
players:
states:
actions:
rules:
utilities:
information:
horizons:
coupled_games:
observer_model:
transition:
actions_taken:
exogenous_events:
endogenous_updates:
players_changed:
actions_changed:
rules_changed:
utilities_changed:
information_changed:
horizons_changed:
couplings_changed:
observer_model_changed:
metrics:
game_space_distance:
irreversibility_score:
option_space_gain:
option_space_loss:
repair_latency:
reachable_game_branches:
附錄 B：HGCB 三篇一句話版本
HGCB-01
在找最佳解之前，先問你是不是把問題空間畫完整了。
HGCB-02
在把一個國家當成一個玩家之前，先問誰把許多意志編譯成了這個玩家。
HGCB-03
在執行最佳行動之前，先問這個行動會不會讓下一刻變成另一場遊戲。
附錄 C：系列最終公式
W t → C O Ω O , t → Φ O G ^ t → Π a t → Ψ G t + 1 → C O ′ Ω O , t + 1 → Φ O ′ G ^ t + 1 \boxed{
\mathcal W_t
\xrightarrow{\mathcal C_O}
\Omega_{O,t}
\xrightarrow{\Phi_O}
\hat{\mathcal G}_t
\xrightarrow{\Pi}
\mathbf a_t
\xrightarrow{\Psi}
\mathcal G_{t+1}
\xrightarrow{\mathcal C_O'}
\Omega_{O,t+1}
\xrightarrow{\Phi_O'}
\hat{\mathcal G}_{t+1}
} W t C O Ω O , t Φ O G ^ t Π a t Ψ G t + 1 C O ′ Ω O , t + 1 Φ O ′ G ^ t + 1 其中：
No layer is assumed permanently closed. \boxed{
\text{No layer is assumed permanently closed.}
} No layer is assumed permanently closed. 這就是 HGCB 系列的最終結構。