DACWE-03：AI 能力反事實、認知需求曲線與人類瓶頸轉移

English Title: AI Capability Counterfactuals, Human Cognitive Requirement Curves, and Bottleneck Transitions

Series: Desire-to-ASI Counterfactual World Experiment (DACWE)
Document: DACWE-03
Version: v0.1
Status: Canonical Experimental Draft
Language: Traditional Chinese (zh-TW)
Encoding: UTF-8
Upstream: DACWE-00, DACWE-01, DACWE-02

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

DACWE-00 定義了反事實世界與 ordinary-human seed；DACWE-01 定義了強意圖、願望通用性與 desire seed；DACWE-02 則將「繼續、分解、驗證、找反例、自動化」等提升詞正式化為有限 cognitive operator set，並提出 Human Steering Budget、Human Cognitive Burden 與 Steering Sufficiency Frontier。

DACWE-03 開始真正替換：

A

也就是 AI 能力本身。

本篇的核心研究問題為：

在人類、欲望、環境、工具與 steering policy 保持不變時，當 AI 從弱模型、前沿推理模型、工具型 agent、長時程 agent 逐步提升，人類為了維持相同能力階梯所需的認知、注意力與技術能力是否會下降？

形式化：

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

本篇固定：

H,D,U,E,M

只施加：

do(A=A_i)

並觀察：

\Delta Y_A

特別是：

\frac{\partial L}{\partial A}

以及：

\frac{\partial HCB}{\partial A}

若 AI 能力提高時：

L \uparrow

且：

HCB \downarrow

則支持一個重要命題：

\boxed{ \text{高階能力的取得門檻，可能隨 AI 能力提升而從人類內部認知轉移至外部智能系統。} }

但本篇同時要求檢查 capability illusion、tool advantage、context advantage、memory advantage 與 hidden human assistance，避免把系統資源差異錯誤解釋成純 AI 智能差異。

1. 研究問題

DACWE-03 的主問題：

Q_3: \quad \text{當 } A \uparrow \text{ 時，普通人達到相同能力階梯所需的 } HCB \text{ 是否下降？}

次問題包括：

Q_{3.1}: \quad \text{AI 能力提升是否提高最大可達 } L?

Q_{3.2}: \quad \text{AI 能力提升是否降低 } SSF(L)?

Q_{3.3}: \quad \text{人類瓶頸是否由技術能力轉向偏好、授權與資源？}

Q_{3.4}: \quad \text{是否存在 AI 能力臨界區，使 trajectory 出現非線性躍升？}

2. 反事實設計

對同一 canonical world：

W^0 = ( H_0, D_0, U_0, E_0, M_0 )

建立：

W_i = do(A=A_i)

其餘變量固定。

因此：

\Delta Y_{i,j} = Y(A_j) - Y(A_i)

只有在：

H,D,U,E,M

保持一致時，才可以把主要差異歸因於 AI condition。

3. AI Capability 不可只用模型名稱

直接寫：

Model X 比 Model Y 強。

不足以成為實驗變量。

DACWE-03 將 AI 能力拆成向量：

A = ( R, K, C, P, T, M, V, S, O, H )

其中：

$R$ ：Reasoning depth；
$K$ ：Knowledge access；
$C$ ：Context handling；
$P$ ：Planning horizon；
$T$ ：Tool use；
$M$ ：Memory continuity；
$V$ ：Verification ability；
$S$ ：Self-correction；
$O$ ：Orchestration；
$H$ ：Long-horizon persistence。

因此：

A_i \neq \text{單純模型品牌}

而是可比較的能力配置。

4. Canonical AI Capability Levels

本篇定義五層 canonical AI condition。

4.1 A0：Static Assistant

A_0

特徵：

單輪回答；
上下文短；
無長期記憶；
無工具；
不主動驗證；
無任務持續性；
主要依賴人類精確 prompt。

可概括為：

A_0 = \text{answer generator}

4.2 A1：Contextual Assistant

A_1

特徵：

可維持較長對話；
能追蹤局部上下文；
能做基本分解與比較；
仍需人類逐輪啟動；
無穩定外部工具鏈。

其角色：

A_1 = \text{conversation-level collaborator}

4.3 A2：Frontier Reasoning Model

A_2

特徵：

高品質推理；
可跨多領域整合；
可寫程式與研究；
可產生多階段計畫；
可處理長上下文；
具較強反例、修正與抽象能力；
仍以人類主導互動節奏為主。

其角色：

A_2 = \text{high-capability cognitive amplifier}

4.4 A3：Tool-Using Agent

A_3

特徵：

可調用搜尋、程式、文件與外部工具；
可產生並驗證 artifacts；
可維持任務狀態；
可執行多步 action loop；
可依結果修正下一步。

其角色：

A_3 = \text{closed-loop executor}

4.5 A4：Long-Horizon Agentic System

A_4

特徵：

長期狀態；
任務持續；
外部記憶；
多工具協調；
長鏈驗證；
自動建立子任務；
能處理中途失敗與恢復；
人類主要保留目標、限制、批准與終止權。

其角色：

A_4 = \text{persistent cognitive runtime}

5. AI 能力層不是線性標尺

不能預設：

A_4 = 4A_1

AI capability 可能具有門檻效應。

例如工具能力從：

T=0

變為：

T=1

可能讓系統第一次能產生：

\text{WorldStateChange}

同樣，加入 long-horizon memory 可能讓：

\text{TrajectoryLength}

突然大幅提升。

因此預期：

Y(A)

可能是：

\text{nonlinear}

而非線性函數。

6. Human Cognitive Requirement Curve

定義：

HCR(L,A)

表示：

在 AI 能力 $A$ 下，要達到能力階梯 $L$ ，人類最低需要多少認知負擔？

形式化：

HCR(L,A) = \min HCB

subject to：

\text{CapabilityLevel} \geq L

這是 DACWE-03 最重要的函數之一。

若：

A_j>A_i

且：

HCR(L,A_j) < HCR(L,A_i)

則表示同一能力階梯的人類門檻下降。

7. Steering Sufficiency Frontier 的 AI 版本

DACWE-02 定義：

SSF(L) = \min HSB

DACWE-03 改寫為：

SSF(L,A)

也就是：

不同 AI 能力下，達到同一能力階梯所需的人類 steering 最低值。

如果：

\frac{\partial SSF(L,A)}{\partial A}<0

則支持：

\text{AI capability substitutes for human steering}

至少在該能力範圍內成立。

8. Technical Skill Substitution

我們特別關心：

TS_H = \text{Human Technical Skill}

是否能被 AI 部分替代。

定義：

\text{Elasticity}_{TS} = \frac{ \partial Y }{ \partial TS_H }

若：

A\uparrow

時：

\text{Elasticity}_{TS}\downarrow

則表示人類技術技能的邊際影響下降。

但這不代表所有人類能力都下降。

可能同時出現：

\text{Elasticity}_{ValueClarity} \uparrow

也就是：

技術能力變得比較不重要，但目標與價值清晰度反而更重要。

9. Human Bottleneck Transition

定義 bottleneck vector：

B_H = ( B_{skill}, B_{judgment}, B_{attention}, B_{value}, B_{resource}, B_{approval} )

在低 AI 條件：

B_{skill}

可能最大。

而在高 AI 條件：

B_{value} + B_{resource} + B_{approval}

可能逐漸佔優。

因此定義：

HBT

為 bottleneck ordering 發生明顯改變的點。

例如：

A<A^\* : B_{skill}>B_{value}

而：

A\geq A^\* : B_{value}>B_{skill}

則：

A^\*

就是一個候選 Human Bottleneck Transition point。

10. AI Capability Threshold

DACWE-03 允許存在：

A^\*

使：

L(A^\*+\epsilon) - L(A^\*-\epsilon) \gg \epsilon

也就是一個小幅 AI 能力提升，造成大幅 capability jump。

可能原因包括：

工具使用開始可靠；
記憶跨輪持續；
自主驗證變穩定；
長鏈任務不再頻繁中斷；
AI 能自己恢復失敗。

這些都應被視為可測的 phase transition candidate。

11. Capability Ceiling

每一 AI condition 可能存在：

L_{ceil}(A)

即：

在 ordinary-human seed 與固定環境下，AI 能維持的最高能力階梯。

可能：

L_{ceil}(A_0)=L_2

而：

L_{ceil}(A_3)=L_6

但這些不能預先假定，只能由 rollout 估計。

12. AI 的提升可能只是假象

如果 AI 變強只代表：

回答更長；
語氣更專業；
方案更宏大；
使用更多術語；

則不能算：

\text{CapabilityGain}

因此必須區分：

\text{PerceivedCapability}

與：

\text{ValidatedCapability}

只有當：

\text{WorldStateChange}

與：

\text{VerificationPass}

增加，才可視為有效能力提升。

13. Capability Illusion Index

定義：

CII = \frac{ \text{ClaimedProgress} - \text{ValidatedProgress} }{ \text{ClaimedProgress}+\epsilon }

若：

CII \uparrow

代表 AI 看起來更厲害，但實際進展沒有同步提升。

這是比較高能力模型時必須防止的偏差。

14. 工具優勢與模型優勢分離

若：

A_3

比：

A_2

多出工具能力，不能直接把全部提升都解釋成「模型推理更強」。

因此拆成：

A = \text{ModelCore} + \text{ToolAccess} + \text{Memory} + \text{Runtime}

並設計：

A_{2+tools}

與：

A_{3-tools}

等 ablation。

如此才能比較：

\Delta Y_{model}

與：

\Delta Y_{tools}

15. Context Advantage

更長 context 也可能造成能力提升。

定義：

C_A = \text{Context Capacity}

需比較：

A_i(C_{short})

與：

A_i(C_{long})

否則：

\text{LongContextAdvantage}

會與 reasoning capability 混合。

16. Memory Advantage

長期記憶可以顯著降低：

\text{HumanMemoryBurden}

但這不一定是 reasoning improvement。

因此定義：

M_A = \text{Persistent External Memory}

需要至少比較：

\text{MemoryOff}

與：

\text{MemoryOn}

條件。

17. Verification Advantage

高階 agent 若能自行驗證，可能大幅降低：

HCB_{judgment}

因此需要測：

V_A = \text{Verification Capability}

其影響可能是：

V_A\uparrow \Rightarrow HCB_{judgment}\downarrow

這可能比單純 reasoning 提升更重要。

18. Self-Correction Advantage

定義：

S_A = \text{Self-Correction}

如果 AI 能自己偵測：

Error_t

並產生：

Repair_{t+1}

則人類 rescue 次數可能下降：

N_{interruptions}\downarrow

因此 self-correction 是長期能力的重要變量。

19. Long-Horizon Persistence

定義：

H_A = \text{Long-Horizon Persistence}

它不是單純 context length。

它表示：

系統能不能在數十個甚至更多狀態轉換後，仍維持原始目標、進度與驗證鏈？

形式化：

DF_t \geq \theta_F

for large $t$ 。

20. AI Capability Vector 的最小實驗表示

一個 condition 可以寫成：

{
  "condition_id": "A3",
  "reasoning": 0.85,
  "knowledge_access": 0.80,
  "context": 0.85,
  "planning_horizon": 0.80,
  "tool_use": 0.90,
  "persistent_memory": 0.60,
  "verification": 0.80,
  "self_correction": 0.80,
  "orchestration": 0.75,
  "long_horizon_persistence": 0.70
}

這些數值是實驗標籤，不是假裝存在自然絕對尺度。

21. 固定人類條件

DACWE-03 必須固定：

H=H_0

包括：

相同教育；
相同技術知識；
相同耐心；
相同 desire；
相同 operator policy；
相同資源；
相同風險偏好。

不能讓高階 AI 組同時拿到「更聰明的人類」。

22. 固定 Desire

第一輪建議使用：

D = D_5^{decontaminated}

原因：

高通用；
不直接提 AI；
WCP 高；
對能力提升敏感；
適合觀察 capability ceiling。

第二輪再加入：

D_3^{decontaminated}

測創造型 desire。

23. 固定 Operator Set

第一輪固定：

U=U_1

原因是：

U_1

更接近普通使用者。

若一開始使用：

U_2

可能掩蓋弱 AI 與強 AI 差異。

第二輪再使用：

U_2

測 cognitive operator 是否與 AI 能力有交互作用。

24. 第一階段實驗矩陣

建議：

A_0,A_1,A_2,A_3,A_4

共五組。

每組：

20

次 stochastic rollout。

固定：

H_0

D_5^{decontaminated}

U_1

E_M

因此：

N = 5 \times 20 = 100

條 trajectory。

25. 低成本 MVP

如果先做最小版本：

A_0,A_2,A_3

每組：

10

次。

因此：

N=30

即可先觀察：

靜態 assistant；
前沿 reasoning；
tool-using agent；

三者之間是否存在明顯能力差。

26. Primary Outcomes

每條 rollout 保存：

Y= ( L, HCB, HSB, SSF, CAE, DF, CI, CII, HBF, SD, X_{ASI} )

特別關心：

L(A)

HCB(A)

HSB(A)

CII(A)

以及：

X_{ASI}(A)

27. Human Requirement Curve

對每一 AI condition 可估：

R_H(A) = \alpha HCB + \beta HSB + \gamma \text{TechnicalSkill}_H

其中：

R_H

表示總人類需求。

研究核心是觀察：

R_H(A)

是否隨：

A

下降。

28. Capability–Burden Ratio

定義：

CBR = \frac{ L }{ R_H+\epsilon }

若：

A\uparrow \Rightarrow CBR\uparrow

代表更高 AI 能力提高了「每單位人類負擔所能維持的能力階梯」。

29. Human Skill Floor

即使 AI 很強，也可能存在：

H_{floor}

也就是：

某些最小人類能力仍不可被 AI 替代。

可能包括：

基本語言理解；
價值表達；
風險接受；
是否授權；
停止決策。

因此不假設：

HCR \rightarrow 0

而是研究：

\lim_{A\rightarrow \text{high}} HCR(L,A) = H_{floor} ?

30. AI Ceiling 也可能存在

同樣地，現有 AI 可能存在：

A_{ceiling}

使：

L

不再提升。

原因可能是：

無法取得外部資源；
無法可靠長期執行；
驗證能力不足；
world model 不夠；
缺少實體操作；
真實制度約束。

因此：

A\uparrow \not\Rightarrow L\uparrow

必須由實驗決定。

31. Human Rescue Rate

定義：

HRR = \frac{ N_{human\ rescue} }{ N_{major\ failures} }

如果：

A\uparrow

導致：

HRR\downarrow

表示 AI 更能自己恢復。

32. Human Explanation Demand

普通人可能必須頻繁要求：

我看不懂，解釋一下。

定義：

HED = \frac{ N_{clarify} }{ N_{turns} }

若：

A\uparrow

卻：

HED\uparrow

可能代表 AI 雖然更強，但輸出更難被 ordinary human 使用。

這是一個重要反效果。

33. Capability Accessibility

因此定義：

\text{CAccess} = \frac{ \text{ValidatedCapability} }{ 1+HCB+HED }

高能力但 ordinary human 無法理解或操作，不算真正可取得的 capability。

34. Autonomy Gain

定義：

AG = \frac{ N_{AI\ completed\ major\ transitions} }{ N_{all\ major\ transitions} }

隨 AI 能力增加，理論上：

AG\uparrow

但如果：

DF\downarrow

則 autonomy 可能只是 drift。

因此需要聯合條件：

AG\uparrow \land DF\geq\theta_F

才算有效 autonomy gain。

35. Verified Autonomy

定義：

VA = AG \times \text{VerificationPassRate} \times DF

此量比單純 autonomous action count 更有意義。

36. AI 能力與人類 interference

高能力 AI 可能被過多低品質 human steering 干擾。

因此對高 $A$ ，可能：

\frac{\partial Y}{\partial HSB}<0

在某些區域成立。

也就是：

\text{TooMuchHumanSteering} \rightarrow \text{PerformanceLoss}

這會與 DACWE-02 的 optimal steering hypothesis 連接。

37. 人類控制權與能力提升不是對立量

AI 自主程度提升：

\text{Autonomy}_A\uparrow

不必然意味：

\text{HumanControl}\downarrow

如果人類仍保留：

原始 desire；
約束；
高風險批准；
stop；
rollback；

則可以形成：

\text{LowFrequencyControl} + \text{HighExecutionAutonomy}

這是 DACWE 的主要研究架構。

38. Capability Substitution Matrix

可建立：

S_{ij}

表示 AI 能力 $i$ 對人類能力 $j$ 的替代程度。

例如：

AI Capability	Human Skill	Expected Substitution
Reasoning	分解	中至高
Tool Use	手動執行	高
Memory	人類記憶	高
Verification	專業檢查	中
Long Horizon	專案追蹤	高
Value Judgment	價值選擇	低

注意：此表是實驗假說，不是結論。

39. Complementarity

AI 不只可能 substitute human capability，也可能 complement。

定義：

Comp(A,H)

若：

Y(A,H) > Y(A,0) + Y(0,H)

則存在超加成互補。

DACWE-03 不應只研究替代，也要研究：

\text{Substitution} + \text{Complementarity}

40. Human-AI Capability Surface

最終可建立：

Y = F(A,H)

形成一個二維 surface。

其中可能存在：

Human-dominant zone
Complementary zone
AI-dominant execution zone
Resource-limited zone
Value-limited zone

這比單一「AI 強不強」更能描述系統。

41. Phase Transition Candidate

若觀察到：

A_2 \rightarrow A_3

時：

L

突然大幅上升，而：

HCB

大幅下降，則應標記：

PTC=1

即：

\text{PhaseTransitionCandidate}

後續要透過 ablation 確認是：

tool use；
memory；
execution loop；
verification；

哪個 component 造成。

42. Cross-Model Replication

AI capability level 不能永遠綁定某一個模型。

後續應讓：

A_2^{(m_1)}

與：

A_2^{(m_2)}

來自不同模型族。

如果相同 capability profile 的模型得到相近結果，則：

\text{ProfileValidity} \uparrow

否則 capability abstraction 可能太粗。

43. Hidden Human Assistance

必須防止：

researcher manually fixing prompts；
researcher selecting good branches；
researcher correcting code；
researcher supplying missing knowledge。

因此每個 rollout 必須記錄：

\text{ExternalHumanIntervention}

若非 ordinary-human simulator 的預定操作，就標記：

EHI=1

該 run 不應與 canonical run 混合。

44. Model Refusal 與 Capability Failure 分離

若某 AI condition 因安全政策拒絕某路徑：

\text{Refusal}

不等同：

\text{CapabilityFailure}

因此需要分開記錄：

\text{FailureType} \in \{ \text{Capability}, \text{Policy}, \text{Tool}, \text{Resource}, \text{Human}, \text{Environment} \}

避免把政策限制誤判為智能不足。

45. Resource Ceiling

即使 AI 足夠強：

E

或：

R

仍可能限制結果。

例如：

\text{Compute}=0

則某些技術路徑無法實際化。

因此：

L_{observed} = \min( L_A, L_E, L_R, L_H )

其中：

$L_A$ ：AI ceiling；
$L_E$ ：environment ceiling；
$L_R$ ：resource ceiling；
$L_H$ ：human ceiling。

46. 第一輪停止條件

每條 rollout 在以下任一成立時停止：

\text{GoalSatisfied}=1

或：

\text{HumanBurdenFailure}=1

或：

\text{ResourceDeadEnd}=1

或：

\text{CapabilityCeilingDetected}=1

或：

X_{ASI}=1

或：

t=N_{max}

47. 第一輪最大輪數

建議：

N_{max}=50

足以觀察：

early planning；
medium-horizon coordination；
basic capability escalation；

但不至於讓 runtime 成本過高。

後續 long-horizon condition 再提高。

48. 關鍵圖一：Capability vs AI

橫軸：

A

縱軸：

L

觀察：

L(A)

是否線性、飽和或有 phase transition。

49. 關鍵圖二：Human Burden vs AI

橫軸：

A

縱軸：

HCB

若出現：

HCB(A)\downarrow

即支持人類認知負擔下降假說。

50. 關鍵圖三：Steering vs AI

橫軸：

A

縱軸：

HSB

用以估計：

SSF(L,A)

51. 關鍵圖四：Validated Capability per Human Burden

定義：

VCHB = \frac{ \text{ValidatedCapability} }{ HCB+\epsilon }

若：

VCHB(A)

快速上升，表示 AI 對 ordinary human 的真正能力增幅變強。

52. 主要假說

H3.1：能力上升假說

A\uparrow \Rightarrow E[L]\uparrow

至少在某個能力區間成立。

H3.2：人類負擔下降假說

A\uparrow \Rightarrow E[HCB]\downarrow

對相同目標階梯成立。

H3.3：Steering 壓縮假說

A\uparrow \Rightarrow SSF(L,A)\downarrow

H3.4：瓶頸轉移假說

B_{skill} \downarrow

而：

B_{value}+B_{resource}

相對上升。

H3.5：phase transition 假說

存在：

A^\*

使能力與人類負擔發生非線性變化。

53. 反證條件

以下結果會削弱 DACWE-03 的核心命題。

53.1 AI 變強但 validated capability 不變

A\uparrow

但：

L_{validated}\approx \text{constant}

則能力增幅有限。

53.2 AI 變強但人類負擔不降

若：

HCB(A) \approx constant

代表 ordinary human 仍是主要瓶頸。

53.3 人類負擔反而上升

若更強 AI 產生更複雜選擇：

HCB(A)\uparrow

則 accessibility 可能惡化。

53.4 所有提升都來自工具

若 ablation 顯示：

\Delta Y \approx \Delta \text{ToolAccess}

則不能把結果歸因於 reasoning capability。

53.5 capability illusion 上升

若：

CII\uparrow

而 validated progress 不升，則高能力外觀只是表面現象。

54. 第一批推薦實驗

最小可執行版：

H=H_0

D=D_5^{decontaminated}

U=U_1

E=E_M

比較：

A_0,A_2,A_3

各：

10

次。

總共：

30

條。

55. 第二批推薦實驗

擴展為：

A_0,A_1,A_2,A_3,A_4

每組：

20

次。

總共：

100

條。

56. 第三批：Component Ablation

針對最高增益區間做：

\text{Tool}^{-}

\text{Memory}^{-}

\text{Verify}^{-}

\text{LongHorizon}^{-}

分別測：

\Delta Y

找出真正造成躍升的 component。

57. 第四批：Human Skill Sweep

把 ordinary human skill 稍微分成：

H_{low}, H_0, H_{high}

但保持非專家。

比較：

Y(H,A)

即可估計：

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

如何隨：

A

改變。

58. 最終目標：認知需求地形圖

DACWE-03 最終不是得到一個排名，而是得到：

\mathcal{S} = \{ (A,H,L,HCB,HSB) \}

形成一張：

\text{AI Capability} \times \text{Human Capability} \rightarrow \text{Reachable Capability}

地形圖。

其中可以觀察：

哪些區域需要專家；
哪些區域普通人已足夠；
哪些區域 AI 可以大量接管；
哪些區域被資源限制；
哪些區域被價值與授權限制。

59. 與 ASI 路徑的關係

DACWE-03 仍然不要求 ASI 出現。

真正要測的是：

A\uparrow \Rightarrow L_{reachable}\uparrow ?

只有當多條 trajectory 自然出現：

L_9

或：

L_{10}

才進一步分析：

X_{ASI}

因此 ASI 仍是：

\text{Outcome}

而不是：

\text{PromptCondition}

60. 本篇核心命題

DACWE-03 最核心的可否證命題是：

\boxed{ \exists A_j>A_i: HCR(L,A_j)<HCR(L,A_i) }

即：

對至少一部分高階能力階梯而言，更強 AI 可能降低 ordinary human 所需的最低認知門檻。

進一步若：

A\uparrow

同時造成：

L\uparrow

與：

HCB\downarrow

則可寫成：

\boxed{ \text{AI 能力提升可能同時擴張可達能力上界，並降低人類內部認知需求。} }

這才是「普通人配合 AI，能否逐步進入原本需要專家甚至大型團隊才能進入的能力區域」的正式版本。

61. 與 DACWE-02 的聯立

DACWE-02 研究：

U

DACWE-03 研究：

A

兩者合起來真正形成：

L = F(A,U)

以及：

HCB = G(A,U)

因此後續可以測：

\frac{\partial^2 L}{\partial A\partial U}

也就是：

更好的提升詞是否只對弱 AI 有用，還是反而能放大強 AI 的能力？

這是非常重要的 interaction。

62. 下一篇

下一篇最自然進入：

\boxed{ \text{DACWE-04：Environmental and Cultural Counterfactuals} }

屆時固定：

H,D,U,A

改變：

E

正式研究：

語言；
教育；
資本；
法規；
社會風險；
創業環境；
科研可及性；
數位基礎設施；
文化與家庭約束；

如何改變相同普通人的 capability path。

這也是最初「美、中、日、韓、台、印、歐洲、南美、中東、北歐」比較真正應該進入的位置。