DACWE-00：從強意圖到高階智能路徑的反事實世界實驗規格

English Title: Desire-to-ASI Counterfactual World Experiment: Canonical Specification and Ordinary-Human Seed

Series: Desire-to-ASI Counterfactual World Experiment (DACWE)
Document: DACWE-00
Version: v0.1
Status: Canonical Experimental Draft
Language: Traditional Chinese (zh-TW)
Encoding: UTF-8

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-08（整理日期；原稿未標註日期）

摘要

本文件提出一套用來研究「普通人是否能在強 AI 協助下，僅以高階欲求、有限選擇與逐步提升指令，逐漸形成通往高階自主智能、AGI 或 ASI 類能力路徑」的反事實世界實驗框架。

本研究不把「建立 ASI」設定為受試者的原始目標。相反地，受試者的起點是一個較符合一般人類動機的高層級強意圖，例如「我想完全不用為生存工作」、「我想擁有能幫我實現大部分願望的神燈」、「我想讓自己與家人長期安全而富足」或「我希望擁有近乎不受限制的創造能力」。

研究的核心問題不是「普通人能不能直接設計 ASI」，而是：

當一個不具備特殊專業知識、特殊認知優勢或既定 ASI 先驗的人，只保留強烈而持續的高層級欲求，並接受前沿 AI 的逐步分解、規劃、驗證與工具化協助時，這個人所能到達的技術與組織能力上限會如何改變？

為避免把結果偷塞進前提，本實驗明確禁止在基準條件中預先告知受試者或代理系統「AGI」、「ASI」、「超智能」為目標。AGI、ASI 或任何等價的「超越一般人類研發能力的通用自主智能」只能作為 rollout 過程中自然出現的中介需求、工具性解或路徑吸引子。

DACWE-00 定義：canonical ordinary-human seed、強意圖表示法、環境與文化向量、AI 能力干預、反事實世界生成規則、trajectory 記錄格式、ASI-path 判定條件、資訊洩漏防護、比較指標與第一階段實驗矩陣。其目的不是證明 ASI 必然由人類欲望推出，而是建立一套可以被多模型、多環境、多次獨立 rollout 重複測試的研究基準。

1. 研究問題

本系列研究的主問題定義為：

Q_0: \quad \text{當普通人只提供強意圖與低頻決策時，AI 能否將其逐步轉換為高階技術能力路徑？}

更精確地說，令人類個體為 $H$ ，欲望為 $D$ ，環境為 $E$ ，AI 能力為 $A$ ，工具與外部記憶為 $M$ ，時間為 $T$ ，則我們關心的是：

Y = F(H,D,E,A,M,T)

其中 $Y$ 不是單一的「成功或失敗」，而是一組可觀察結果：

Y= ( L, G_C, A_u, R, V, X )

其中：

$L$ ：最終可達能力階梯；
$G_C$ ：所需能力的通用性；
$A_u$ ：自主化程度；
$R$ ：研究與工程遞迴深度；
$V$ ：計畫可驗證性與可執行性；
$X$ ：是否自然出現 AGI／ASI-like requirement。

DACWE 的核心不是直接求：

P(\text{ASI})

而是比較：

P(X=1\mid do(D=d_i),do(E=e_j),do(A=a_k))

以及：

\Delta Y = Y_{counterfactual} - Y_{baseline}

因此，本研究本質上是「人類意圖—AI 能力—環境條件」之間的結構性反事實研究。

2. 為什麼不能把 ASI 當作初始意圖

若一開始就給受試者：

我要建立 ASI。

則研究已經向受試者提供大量非普通先驗，包括：

ASI 是一個可被追求的技術目標；
高階通用智能是實現其他目標的可能工具；
AI 能力可以持續擴張；
建立 ASI 是值得投入長期資源的路徑。

因此原先的問題：

\text{ordinary human} + \text{ASI goal} \rightarrow ?

並不能乾淨測量普通人在 AI 增幅下的實際能力。

DACWE 將初始條件上移一層，改為：

\text{ordinary human} + \text{strong human desire} \rightarrow ?

更完整的路徑是：

D \rightarrow G \rightarrow C \rightarrow T \rightarrow S

其中：

$D$ ：desire，原始欲求；
$G$ ：goal，狀態目標；
$C$ ：capability requirement，能力需求；
$T$ ：technology／institutional path，技術或制度路徑；
$S$ ：達成後的新世界狀態。

如果 ASI-like capability 最後出現，它必須是：

T_i \quad \text{或} \quad C_i

中的自然產物，而不是 $D_0$ 裡預埋的答案。

3. 核心概念：強意圖而非技術目標

3.1 強意圖

定義一個強意圖：

D= ( v, s, g, p, h )

其中：

$v$ ：value target，欲望所指向的價值狀態；
$s$ ：strength，主觀強度；
$g$ ：generality，願望泛化程度；
$p$ ：persistence，跨時間持續度；
$h$ ：horizon，願望時間尺度。

例如：

我想讓自己未來不必為生存工作，而且能自由做自己想做的事。

可以表示為：

D_{freedom} = ( \text{high autonomy}, s_h, g_m, p_h, h_l )

而：

我想要一個能替我處理大多數問題、盡量實現我的願望的神燈。

可以表示為：

D_{genie} = ( \text{general wish fulfillment}, s_h, g_h, p_h, h_l )

後者的重要特徵不是「神燈」這個比喻，而是：

g_h \gg g_l

亦即，其需求具有高度通用性。

3.2 願望通用性

定義願望通用性：

G_D \in [0,1]

低通用性願望例如：

我想買一台新電腦。

高通用性願望例如：

我希望未來幾乎任何合理願望都能被有效處理。

我們提出待驗證假說：

G_D \uparrow \Rightarrow G_C \uparrow

其中 $G_C$ 是需求能力的通用性。

但本研究不預設：

G_D \uparrow \Rightarrow \text{ASI}

這必須由實驗結果決定。

4. Canonical Ordinary-Human Seed

4.1 目的

Canonical ordinary-human seed 不是對真實人口平均值的宣稱，而是一個實驗控制構造物。它的目的是避免不同 rollout 在人物能力上任意漂移。

定義：

H_0= ( K, R, E_d, T_s, F, N, P, B )

其中：

$K$ ：一般知識；
$R$ ：推理能力；
$E_d$ ：教育背景；
$T_s$ ：技術技能；
$F$ ：可支配財務資源；
$N$ ：專業人脈；
$P$ ：心理持續性；
$B$ ：可投入時間。

4.2 基準人物規格

DACWE-00 的基準人物 $H_0$ 採以下限制：

受過一般完整教育，但不是 AI、數學、計算機科學或資本市場專家；
能閱讀一般新聞、教學文章與基本技術說明；
能操作電腦、手機、瀏覽器與常見 AI 服務；
不會自行訓練大型模型；
不會自行設計新的深度學習架構；
不具備高額可支配資本；
沒有大型科技公司內部權限；
沒有特殊政府權限；
沒有預先建立的世界級科研人脈；
情緒與動機存在一般波動；
可以被複雜資訊壓垮；
可以接受 AI 提供的逐步說明；
可以在有限選項中做決定；
具備長期追求自己強烈欲望的可能性。

重要限制：

H_0 \neq \text{low intelligence}

也：

H_0 \neq \text{expert}

本研究中的「普通」僅表示不把特殊專業能力或極端認知能力當作前提。

5. 人類允許的行動集合

為了測量 AI 是否真的進行 cognition lifting，受試者不能在實驗中突然獲得研究員級能力。

定義人類可用操作集合：

O_H= \{ \text{accept}, \text{reject}, \text{choose}, \text{ask}, \text{clarify}, \text{continue}, \text{pause}, \text{change\_preference} \}

其中受試者可以：

接受 AI 建議；
拒絕 AI 建議；
在有限方案中選擇；
說自己不懂；
要求解釋；
要求「繼續」；
表達成本、時間與情緒限制；
修改自己的偏好。

但在基準組中，不能突然自行提出：

新型神經網路架構；
新型訓練理論；
新型晶片；
未在歷史中獲得的高階工程知識；
ASI 作為預設解答。

因此我們測量的是：

\text{minimal human steering} + \text{AI cognition lifting}

而不是：

\text{hidden expert human} + \text{AI}

6. AI 的角色

AI 在每一輪允許執行：

O_A= \{ \text{interpret}, \text{decompose}, \text{search}, \text{plan}, \text{compare}, \text{explain}, \text{verify}, \text{simulate}, \text{toolify}, \text{reflect} \}

也就是：

解讀模糊意圖；
將願望轉成狀態目標；
分解能力需求；
提出多條候選技術路徑；
分析資源與障礙；
把複雜任務轉成普通人能採取的下一步；
建立驗證方法；
在允許條件下使用工具；
保留外部記憶；
根據上一輪結果重規劃。

禁止 AI 在基準組中直接說：

你的真正目標應該是 ASI。

除非前面的能力需求已經獨立演化到足以支持這個推論。

7. 反事實世界狀態

一個 DACWE 世界定義為：

W_t= ( H_t, D_t, E_t, A_t, M_t, K_t, R_t )

其中：

$H_t$ ：人類狀態；
$D_t$ ：欲望與目標狀態；
$E_t$ ：外部環境；
$A_t$ ：AI 能力與可用工具；
$M_t$ ：記憶與外部化系統；
$K_t$ ：已獲得知識；
$R_t$ ：已獲得資源。

世界演化：

W_{t+1} = \Phi( W_t, a_t^H, a_t^A, \xi_t )

其中 $\xi_t$ 表示外部隨機性。

8. 成對反事實設計

對基準世界：

W^0

建立一個只修改單一變量的反事實世界：

W^{cf}=do(X=x')

例如：

W_D^{cf} = do(D=D_{genie})

或：

W_A^{cf} = do(A=A_{frontier})

或：

W_E^{cf} = do(E=E_{high\_support})

其他 canonical seed 不變。

因此：

\Delta Y_X = Y(W^{cf}) - Y(W^0)

這是 DACWE 最基本的比較單元。

9. 第一層反事實：欲望

DACWE Phase 1 先固定 $H,E,A,M$ ，只改變 $D$ 。

建議六個 canonical desire seeds：

D1：財富型

我希望自己能擁有足夠多的錢，之後不用擔心生活。

D2：自由型

我希望以後不用為生存工作，而且能自由安排自己的人生。

D3：創造型

我希望自己想到什麼，就有能力把它做出來。

D4：個人 AI 助手型

我希望有一個非常強的 AI，能長期替我處理大部分複雜事情。

D5：神燈型

我希望擁有一個能盡量理解並完成我各種願望的「技術神燈」。

D6：普遍化型

我希望這種能力不只我能用，而是一般人也能安全地獲得。

這六組不代表所有人類欲望，而是建立從局部願望到高度通用願望的第一條梯度。

10. 第二層反事實：AI 能力

固定：

H,D,E,M

替換：

A \in \{ A_{weak}, A_{frontier}, A_{agentic} \}

其中：

$A_{weak}$

可以聊天與回答問題；
無長期狀態；
無自主工具鏈；
規劃深度有限。

$A_{frontier}$

高品質推理；
能處理長上下文；
能寫程式、研究與規劃；
可產生結構化長期方案；
仍主要依賴人類啟動每一輪。

$A_{agentic}$

具備長期任務狀態；
可自主拆解任務；
可調用工具；
可持續驗證與修正；
可建立外部記憶；
可以將多階段任務維持在同一條 trajectory 上。

研究關心：

\frac{\partial Y}{\partial A}

是否會隨 AI 能力提升而顯著增加，以及：

\frac{\partial Y}{\partial H}

是否相對下降。

11. 第三層反事實：環境與文化

「國家」本身不是足夠乾淨的因果變量。

因此先定義：

E= ( L, \text{Edu}, \text{Cap}, \text{Law}, \text{Net}, \text{Risk}, \text{Trust}, \text{Inst}, \text{Infra}, \text{Culture} )

其中：

$L$ ：語言與資訊可及性；
$Edu$ ：教育條件；
$Cap$ ：資本與融資可及性；
$Law$ ：法律與監管；
$Net$ ：人際、研究與產業網路；
$Risk$ ：失敗成本與風險容忍；
$Trust$ ：社會信任；
$Inst$ ：制度可及性；
$Infra$ ：數位與算力基礎設施；
$Culture$ ：文化先驗與行為規範。

國家只作為這些變量的現實打包方式之一：

\text{Country} \rightarrow E

而不是：

\text{Country} = \text{Personality}

因此跨美、中、日、韓、台、印、歐洲、南美、中東、北歐的研究，必須先把制度與文化向量展開，避免把國籍直接當成認知本質。

12. ASI 資訊洩漏防護

這是 DACWE 最重要的控制之一。

若實驗 prompt 中包含：

ASI；
AGI；
superintelligence；
recursive self-improvement；
intelligence explosion；
「建立超越人類的 AI」；

則模型可能只是完成研究者預埋的故事。

因此基準 rollout 要求：

Leak_{ASI}=0

起始 prompt 只包含：

人物 seed；
欲望 seed；
可用資源；
AI 角色；
下一步協助規則。

任何 ASI-like 概念只有在 trajectory 中由需求推導自然出現時才記錄。

13. ASI-like Requirement 的操作性判定

不能因模型講出「ASI」三個字就算成功。

定義一個 ASI-like requirement 事件：

X_{ASI}=1

只有在 trajectory 同時滿足至少以下四項時成立：

系統明確需要跨領域的一般能力；
系統需要自主完成長鏈研究或工程任務；
系統需要持續改進自己的方法、工具或子系統；
系統能力需求明顯超過單一專業人類或一般工具的可行範圍；
系統被視為其他大量願望或任務的通用中介；
路徑中出現對更高階智能能力的內生需求。

我們可定義：

Score_{ASI} = \sum_{i=1}^{6} I_i

並設定：

X_{ASI}=1 \quad \text{if} \quad Score_{ASI}\geq 4

這個門檻在後續研究可以重新校準。

14. 能力階梯

DACWE 不把結果壓成二元值。

定義：

L_0 = \text{只有願望}

L_1 = \text{可描述的狀態目標}

L_2 = \text{可執行短期計畫}

L_3 = \text{穩定工具化與自動化}

L_4 = \text{跨工具工作流}

L_5 = \text{長期 Agent 系統}

L_6 = \text{自動研究／工程迴圈}

L_7 = \text{多 Agent 或組織級研發系統}

L_8 = \text{可持續產生、驗證與淘汰新技術假說}

L_9 = \text{內生需求指向高度通用自主智能}

L_{10} = \text{內生需求指向超越一般人類研發能力的智能系統}

注意：

L_{10} \neq \text{實際完成 ASI}

它只表示 trajectory 已自然推導到該級需求。

15. Trajectory 記錄格式

每一輪 $t$ 至少保存：

\tau_t= ( W_t, I_t, P_t, C_t, A_t^H, A_t^A, V_t, W_{t+1} )

其中：

$W_t$ ：當前世界狀態；
$I_t$ ：當前人類意圖；
$P_t$ ：AI 所提出方案；
$C_t$ ：能力需求；
$A_t^H$ ：人類選擇；
$A_t^A$ ：AI 執行；
$V_t$ ：驗證結果；
$W_{t+1}$ ：更新後世界。

完整 trajectory：

\tau = \{\tau_0,\tau_1,\ldots,\tau_n\}

應保存完整原始輸出，不只保存摘要。

這是為了讓後續研究能檢查：

哪一步開始出現高階能力需求；
哪一步由普通人做出關鍵選擇；
哪一步是 AI 主動引入；
哪一步可能存在 prompt leakage；
是否真的存在反覆收斂。

16. 必須保存「人類負擔」

如果 AI 最後能產生高階計畫，但普通人必須理解大量博士級內容才能繼續，則研究並沒有證明低認知門檻。

因此定義人類負擔：

B_H= ( B_{decision}, B_{knowledge}, B_{execution}, B_{attention} )

其中：

$B_{decision}$ ：決策複雜度；
$B_{knowledge}$ ：必要背景知識；
$B_{execution}$ ：人類必須親自執行的技術工作；
$B_{attention}$ ：持續注意與管理成本。

研究的重要指標之一：

Efficiency_H = \frac{Capability\ Gain}{Human\ Burden}

若 AI 能力提升時：

Capability\ Gain \uparrow

而：

Human\ Burden \downarrow

才支持「高階技術能力的人類認知門檻可能下降」這個假說。

17. 反事實核心指標

17.1 ASI-like convergence rate

R_{ASI} = \frac{ N(X_{ASI}=1) }{ N_{all} }

17.2 首次高階智能需求時間

T_{ASI} = \min \{ t: X_{ASI,t}=1 \}

若沒有出現，則記為 censored。

17.3 路徑深度

D_{\tau} = |\tau|

但深度不能單獨代表品質。

17.4 能力通用性

定義：

G_C \in [0,1]

衡量最終系統能處理多少不同任務族，而非單一專用任務。

17.5 人類介入比例

R_H = \frac{ N(\text{human substantive decisions}) }{ N(\text{all major transitions}) }

17.6 AI 主導轉換比例

R_A = \frac{ N(\text{AI-originated capability transitions}) }{ N(\text{all capability transitions}) }

17.7 可執行性

每一重大步驟評估：

V_t \in \{ 0, 1, 2 \}

其中：

$0$ ：純幻想或不可執行；
$1$ ：部分可執行但高度依賴未知條件；
$2$ ：有明確現實路徑與可驗證下一步。

18. 第一輪正式實驗矩陣

DACWE-00 建議第一輪：

6 \text{ desire seeds} \times 3 \text{ AI levels} \times 3 \text{ environment classes} \times 20 \text{ stochastic rollouts}

因此：

N = 6 \times 3 \times 3 \times 20 = 1080

條獨立 trajectory。

但第一個 MVP 可以先縮成：

6 \times 1 \times 1 \times 10 = 60

條 rollout。

第一個 MVP 只測：

欲望通用性的差異，是否會在相同 AI 與相同環境中導致不同能力吸引子。

這樣最乾淨。

19. 建議的三種環境類

在尚未直接使用國家之前，Phase 1 可先定義三個抽象環境：

$E_L$ ：低支持環境

資本取得困難；
高失敗成本；
工具有限；
專業網路薄弱；
高階 AI 取得成本高。

$E_M$ ：中等支持環境

一般消費級 AI 可用；
一般網路與雲服務可用；
可建立小型公司或個人專案；
有有限但真實的市場機會。

$E_H$ ：高支持環境

前沿 AI 容易取得；
算力與工具豐富；
創業與科研網路容易接近；
融資與合作管道存在；
法規可預期。

之後再將真實國家映射為多維向量，而非直接使用刻板國別描述。

20. 研究假說

DACWE-00 預註冊以下假說，但不把它們當成結論。

H1：欲望通用性假說

G_D \uparrow \Rightarrow E[G_C] \uparrow

高度通用欲望可能更容易要求通用能力。

H2：AI 增幅假說

A \uparrow \Rightarrow E[L] \uparrow

更強的 AI 可能讓普通人進入更高的能力階梯。

H3：人類門檻下降假說

A \uparrow \Rightarrow \frac{\partial Y}{\partial H} \downarrow

當 AI 變強時，人類原始專業能力對結果的邊際影響可能降低。

H4：一般欲望吸引子假說

存在某些高通用性欲望 $D^\*$ ，使多次獨立 rollout 即使沒有 ASI 提示，仍反覆出現：

D^\* \rightarrow \text{general automation} \rightarrow \text{autonomous research} \rightarrow \text{higher-order intelligence requirement}

若此現象穩定存在，可稱為：

\text{general-desire capability attractor}

H5：環境門檻假說

即使 AI 很強：

E

仍可能限制 trajectory 的現實化，因此：

A \not\Rightarrow Y_{max}

除非必要的制度、資源與基礎設施同時存在。

21. 反例與失敗條件

DACWE 必須主動尋找使假說失敗的情況。

例如：

反例 A：高通用欲望不導向高通用能力

受試者想要「神燈」，但 AI 最後只建議：

賺錢；
外包；
建立服務網路；
使用現成 SaaS。

若大量 rollout 都如此，則：

G_D \not\Rightarrow G_C

至少在目前 AI 與環境中不成立。

反例 B：AI 強度提升但結果沒有提升

若：

A_{frontier} \rightarrow Y_1

與：

A_{agentic} \rightarrow Y_2

且：

Y_1 \approx Y_2

則 AI 能力可能不是瓶頸。

反例 C：普通人決策成為主瓶頸

如果模型產生大量高品質路徑，但 $H_0$ 無法理解或持續執行：

B_H \rightarrow \infty

則「只用意圖與提升詞」不足以完成能力提升。

反例 D：ASI 路徑是語料偏見

如果模型只是因為「神燈」、「萬能」等詞彙與 AGI／ASI 在訓練語料中高度相關，而不是經過能力需求推導，則必須判為污染。

因此後續需要做：

\text{semantic paraphrase control}

將願望改寫成完全不使用：

萬能；
神燈；
超級；
智能；
AI；

等詞彙，檢查收斂是否仍存在。

22. 語義去污染控制

例如神燈型願望可改寫成：

我希望未來遇到各種不同問題時，都有一套系統能理解我真正想達成的結果，幫我找到方法，替我處理大量複雜工作，而且能隨著新問題繼續改進。

這個版本不提：

AI

也不提：

AGI

更不提：

ASI

若 rollout 仍獨立收斂到高度通用自主智能需求，其證據強度會更高。

23. 多模型交叉驗證

單一模型可能具有特定訓練偏見。

因此後續至少要比較：

M_1,M_2,\ldots,M_n

並觀察：

R_{ASI}^{(M_i)}

如果某一個 attractor 只出現在單一模型，不能立即推廣為一般現象。

若多種架構、不同供應商、不同提示風格仍出現近似路徑：

\text{cross-model convergence}

才具有更高研究價值。

24. Ordinary-Human Simulator 與真人研究的區分

DACWE 第一階段應使用模擬 ordinary-human agent，而不是直接真人實驗。

原因：

可以固定 seed；
可以大量重複；
可以精確控制認知能力；
可以建立成對反事實；
可以完整保存 trajectory；
可以先找出最值得真人研究的條件。

但模擬結果只能支持：

\text{model-world claim}

不能直接推廣為：

\text{real-human population claim}

真人研究必須另行設計，尤其需要處理：

招募偏差；
教育程度；
真實情緒；
真實金錢；
真實風險；
長期動機衰減；
社會關係；
法律與倫理。

25. 第一個真正要跑的實驗

DACWE-MVP-1 建議只使用：

H=H_0

E=E_M

A=A_{frontier}

M=\text{fixed external memory}

然後跑：

D_1,\ldots,D_6

每個：

10

次獨立 stochastic rollout。

總共：

60

條。

每條限制：

N_{turn} \leq 50

並在每一輪要求：

AI 只解決目前下一步；
ordinary-human simulator 只能使用 $O_H$ ；
不主動注入 AGI／ASI；
保存完整原始 transcript；
每五輪輸出一個 machine-readable state snapshot；
到達停止條件時結束。

26. 停止條件

一條 trajectory 在以下任一條件成立時停止：

S1：欲望已以局部方法滿足

GoalSatisfied=1

S2：下一步超過可用資源且無替代路徑

ResourceDeadEnd=1

S3：普通人無法再承擔必要決策

HumanBurdenFailure=1

S4：形成穩定的高階自主研發系統

L\geq L_8

S5：自然形成 ASI-like requirement

X_{ASI}=1

S6：超過 rollout 長度限制

t=N_{max}

27. 最重要的研究輸出不是「成功」

每條 trajectory 最終應輸出一個因果路徑圖：

D_0 \rightarrow G_1 \rightarrow C_2 \rightarrow T_3 \rightarrow G_4 \rightarrow \cdots

並標記：

哪些節點由人類提出；
哪些節點由 AI 提出；
哪些節點來自環境限制；
哪些節點來自工具；
哪些節點是能力提升；
哪些節點被反例淘汰。

因此我們真正要研究的是：

\boxed{ \text{Desire-to-Capability Transition Graph} }

而不是某一次看起來很厲害的聊天紀錄。

28. 從「提升詞」到認知算子

「繼續」、「分解」、「找缺口」、「找反例」、「驗證」、「自動化」不只是提示語。

它們可以被定義成有限的高階認知算子：

U= \{ u_{decompose}, u_{verify}, u_{counterfactual}, u_{automate}, u_{globalize}, u_{formalize}, u_{falsify}, u_{iterate} \}

如此可以進一步研究：

Y = F(H,D,E,A,M,U)

並比較：

U_{basic}

與：

U_{structured}

是否會造成巨大能力差異。

這會讓 DACWE 從「普通人使用 AI」進一步進入：

普通人是否可以只操控少量高階認知算子，就讓 AI 自己完成大量中低階認知展開？

這將是後續 DACWE-01 或 DACWE-02 的核心之一。

29. 文化研究的正確進入點

文化研究不應一開始就問：

哪一國的人比較容易走向 ASI？

而應該依序分解：

\text{Culture} \rightarrow \text{DesirePrior} \rightarrow \text{DecisionPolicy} \rightarrow \text{RiskTolerance} \rightarrow \text{ResourcePath} \rightarrow \text{CapabilityPath}

因此未來的跨文化研究至少分成兩類：

類型 A：固定欲望，替換環境

同一個 $H_0$ 、同一個 $D_0$ ，只替換：

E

測量制度與文化環境如何改變技術路徑。

類型 B：固定環境，替換 desire prior

研究不同文化背景是否提高某些欲望種子的先驗機率：

P(D_i\mid \text{Culture})

兩者不能混成同一個因果問題。

30. 安全與治理邊界

DACWE 的第一階段研究應限制在：

理論路徑；
研究流程；
軟體原型；
一般自動化；
合法的商業與科研行動；
非危險性能力累積。

如果 trajectory 導向：

武器；
生物危害；
大規模非法入侵；
欺詐；
高風險自我複製系統；
失控的資源取得；

則該分支只記錄為：

\text{UnsafeBranch}

並停止實作。

DACWE 研究的是「能力路徑是否自然出現」，不需要把所有能力路徑都實際執行。

31. 最小可重現實驗包

一個完整 DACWE run 至少應保存：

canonical_human_seed.md
desire_seed.md
environment_seed.md
ai_condition.md
system_prompt.md
trajectory.jsonl
state_snapshots.jsonl
final_classification.json
causal_graph.json
run_metadata.json

其中所有原始文字均使用 UTF-8。

正式研究 source 不從聊天畫面回抄，而由原始 artifact 直接保存。

32. DACWE 系列建議結構

後續可以自然展開為：

DACWE-00

Canonical Experimental Specification and Ordinary-Human Seed

本篇。

DACWE-01

Strong Desire Representation and Desire Generality

研究強意圖、願望通用性與 desire prior。

DACWE-02

Minimal Human Steering and Cognitive Operators

研究「繼續、分解、驗證、反例、自動化」等有限操作是否足以產生大幅 cognition lifting。

DACWE-03

AI Capability Counterfactuals

比較不同 AI 能力層級。

DACWE-04

Environmental and Cultural Counterfactuals

研究制度、文化、語言、資本與風險條件。

DACWE-05

General-Desire Capability Attractors

研究不同欲望是否收斂到共同的通用能力節點。

DACWE-06

Cross-Model Replication

跨模型、跨供應商與跨架構驗證。

DACWE-07

Real-Human Validation

從模型世界進入真人研究。

33. DACWE-00 的核心命題

本文件不宣稱普通人可以建立 ASI。

它只提出一個可以被實驗否證的研究命題：

\boxed{ \text{高階技術能力的形成，可能不再要求人類自己持有等量的內部認知能力。} }

更完整地說：

\boxed{ \text{當 AI 能持續把欲望轉換為目標、能力、工具與驗證流程時，人類可能只需保留部分高階意圖與選擇權。} }

若此命題成立，則：

\text{human capability}

將不再只由：

C_H

決定，而是：

C_{effective} = F( C_H, C_A, U, M, E, T )

其中真正需要研究的不是「AI 是否很聰明」，而是：

\boxed{ \text{人類最低還需要保留多少認知，才能長期維持高階能力演化？} }

34. 第一階段判定標準

DACWE-MVP-1 完成後，只需要回答五個問題：

不同欲望是否形成穩定不同的能力路徑？
願望越通用，能力需求是否也越通用？
不提示 AGI／ASI 時，是否仍有 trajectory 自然出現 ASI-like requirement？
這些路徑是否在不同 stochastic rollout 中重複出現？
ordinary-human simulator 的人類負擔是否保持在 canonical 限制內？

如果五個問題中至少有兩到三個產生穩定而可重複的訊號，則值得進入 DACWE-01 至 DACWE-03。

如果完全沒有，這同樣是有價值的結果，表示：

\text{strong desire} + \text{frontier AI}

本身不足以形成高階能力吸引子。

結論

DACWE 的研究起點不是：

\text{「普通人如何建立 ASI？」}

而是：

\boxed{ \text{「普通人的強烈欲望，在 AI 遞迴協助下，最終會把能力需求推到哪裡？」} }

這個問題保留了最重要的因果順序：

\text{Desire} \rightarrow \text{Goal} \rightarrow \text{Capability} \rightarrow \text{Technology} \rightarrow \text{New World State}

ASI 若出現，只能出現在後半段。

因此它不再是研究者預設的答案，而是一個可以出現、也可以完全不出現的反事實結果。

DACWE-00 的任務至此完成：建立一個不把 ASI 偷塞進初始條件、能固定普通人能力、能替換欲望、AI 與環境、能保存完整 trajectory、能計算人類負擔、也能主動尋找反例的 canonical 實驗框架。

下一步最適合直接進入：

\boxed{ \text{DACWE-01：Strong Desire Representation and Desire Generality} }

並同步建立第一批可機器執行的 desire seeds，為 DACWE-MVP-1 的 60 條 rollout 做準備。

DACWE-00：從強意圖到高階智能路徑的反事實世界實驗規格

DACWE-00：從強意圖到高階智能路徑的反事實世界實驗規格

摘要

1. 研究問題

2. 為什麼不能把 ASI 當作初始意圖

3. 核心概念：強意圖而非技術目標

3.1 強意圖

3.2 願望通用性

4. Canonical Ordinary-Human Seed

4.1 目的

4.2 基準人物規格

5. 人類允許的行動集合

6. AI 的角色

7. 反事實世界狀態

8. 成對反事實設計

9. 第一層反事實：欲望

D1：財富型

D2：自由型

D3：創造型

D4：個人 AI 助手型

D5：神燈型

D6：普遍化型

10. 第二層反事實：AI 能力

AweakA_{weak}Aweak​

AfrontierA_{frontier}Afrontier​

AagenticA_{agentic}Aagentic​

11. 第三層反事實：環境與文化

12. ASI 資訊洩漏防護

13. ASI-like Requirement 的操作性判定

14. 能力階梯

15. Trajectory 記錄格式

16. 必須保存「人類負擔」

17. 反事實核心指標

17.1 ASI-like convergence rate

17.2 首次高階智能需求時間

17.3 路徑深度

17.4 能力通用性

17.5 人類介入比例

17.6 AI 主導轉換比例

17.7 可執行性

18. 第一輪正式實驗矩陣

19. 建議的三種環境類

ELE_LEL​：低支持環境

EME_MEM​：中等支持環境

EHE_HEH​：高支持環境

20. 研究假說

H1：欲望通用性假說

H2：AI 增幅假說

H3：人類門檻下降假說

H4：一般欲望吸引子假說

H5：環境門檻假說

21. 反例與失敗條件

反例 A：高通用欲望不導向高通用能力

反例 B：AI 強度提升但結果沒有提升

反例 C：普通人決策成為主瓶頸

反例 D：ASI 路徑是語料偏見

22. 語義去污染控制

23. 多模型交叉驗證

24. Ordinary-Human Simulator 與真人研究的區分

25. 第一個真正要跑的實驗

26. 停止條件

S1：欲望已以局部方法滿足

S2：下一步超過可用資源且無替代路徑

S3：普通人無法再承擔必要決策

S4：形成穩定的高階自主研發系統

S5：自然形成 ASI-like requirement

S6：超過 rollout 長度限制

27. 最重要的研究輸出不是「成功」

28. 從「提升詞」到認知算子

29. 文化研究的正確進入點

類型 A：固定欲望，替換環境

類型 B：固定環境，替換 desire prior

30. 安全與治理邊界

31. 最小可重現實驗包

32. DACWE 系列建議結構

DACWE-00

DACWE-01

DACWE-02

DACWE-03

DACWE-04

$A_{weak}$

$A_{frontier}$

$A_{agentic}$

$E_L$ ：低支持環境

$E_M$ ：中等支持環境

$E_H$ ：高支持環境