供給膨脹、注意力收斂與新入口生成：非泡沫型網路轉化

從 AI 生成式資訊供給、有限人類注意力與平台分配，到機器需求、新市場入口及經濟世界域的非同步演化

英文題名： Supply Expansion, Attention Convergence, and the Formation of New Entrances: Non-Bubble Transformations of the Internet Economy
研究系列：《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》
系列篇號： 03 / 12
文件編號： EML-AIEC-2026-03
研究命題與市場案例： Neo.K
AI 協作整理： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
原稿日期： 2026-10-16（Asia/Taipei）
版本： v0.1
文件性質： 概念經濟學論文／開放市場動態模型／可反駁假說／探索性研究設計
正本格式： Canonical UTF-8 Markdown；數學原始碼使用 $...$ 與 $$...$$
研究狀態： 已提出機制、形式化與驗證方案；尚未以新的跨平台面板資料完成因果識別
直接前置： 本系列 Paper 01、02；EWDT-02、05、06、07、13、18；既有「注意力不是生產域」及「推薦、冷啟動與創作者生態退化」研究

作者： Neo.K

摘要

生成式人工智慧降低內容整理、初步寫作、資訊重組、程式實作、圖片製作與部分數位產品開發的邊際成本，數位出版與應用平台也已長期降低上架及分發門檻。由此，一個看似反直覺的數位市場結構變得值得重新研究：網頁、電子書、應用程式、研究資料與內容物件的供給可以持續增加，人類實際頻繁使用的入口、直接訪問原始來源的次數及可由創作者取得的注意力卻不必同步擴張。更強時，入口集中度可能提高、單件作品取得首次有效曝光的難度增加；但這並不等於整體網路供給收縮、內容泡沫必然破裂，亦不表示新平台、新需求或新注意力無法生成。

本文提出「供給膨脹—注意力收斂—新入口生成」三元動態分析框架（Supply Expansion–Attention Convergence–Entrance Formation, SEACEF），將資訊供給存量及進入流量、人類直接注意力容量、入口／內容雙重集中度、平台推薦與付費曝光、作品與來源的持續關係資產、機器端資訊取得需求，以及需求新生分成可獨立記錄的變數。本文明確拒絕由「供給增加」直接推出「注意力集中」：相同供給成長既可能導致少數入口占比提高，也可能因搜尋成本降低、利基市場形成與新入口崛起而使來源分布更分散。收斂必須透過分配規則、搜尋與理解成本、使用者有限時間、社會影響、內容可替代性以及新需求形成能力等機制被條件性證成。

本文區分四個常被混用的指標：來源或作品總數、真正獲得有效曝光的作品數、使用者直接消費的入口分布，以及人類和機器經不同中介所消費的資訊成果。這項區分容許一種「前台收斂、後台擴張」的候選狀態：人類更多在少數整合介面完成問題處理，但機器仍從大量異質來源取得內容；原始網站直接流量減少，不必然表示其內容不再參與下游任務；反之，機器大量取得資料，也不能直接證明內容具有不可替代性、已被模型訓練採用或產生授權收入。本框架因而與前兩篇的雙重受眾落差及機器資訊需求分層相接，但不取代其證據規則。

本文將 2025 年美國 ISBN 登記自出版書籍量、Amazon Kindle Direct Publishing 的免費上架制度、Steam Direct 的逐產品提交費、搜尋 AI 摘要的瀏覽觀測資料以及文化市場社會影響實驗，作為不同機制的參照。美國自出版數量上升證實某一出版統計口徑的作品進入量擴張，卻不能代表所有作品的銷量或 Amazon 平台整體表現；搜尋 AI 摘要與點擊量關聯亦可能受到查詢意圖及使用情境影響，不應把特定研究估計視為全球所有網站的永久係數。研究者自身「書籍經廣告取得一筆銷售」的敘述，被保留為假說生成個案，而非代表其他作者的母體推論。

形式化部分建立供給存量方程、人類注意力預算、入口與內容的分層集中度、有效可發現性及冷啟動回饋、非貨幣化創作者效用、機器中介資訊消費與新需求生成條件；同時給出反例以證明供給膨脹不必然導致集中。本文進一步提出可辨識的四類市場狀態、十項可反駁假說，以及 2027–2028 年跨平台縱向觀測設計。在既有《經濟世界域轉化論》（EWDT）下，本文將內容增加理解為候選供給外延擴大，將注意力入口視為中觀轉化路由，並以實際使用、支付、持續沉積與新可達關係的形成判斷世界域是否發生實質轉化，而不將點擊數或產品上架數等同文明經濟成長。

核心結論是： 數位供給膨脹、人類入口集中、機器資訊需求擴張及新經濟入口生成，可以在同一時間並存；其淨效果必須依領域、時間尺度、平台制度與資料口徑個別驗證。「非泡沫型收斂」是一條有條件的候選轉化路徑，不是宣告所有內容市場沒有泡沫或所有小型網站注定失去人類受眾。

關鍵詞： AI 經濟、注意力收斂、供給膨脹、生成式搜尋、長尾市場、平台入口、冷啟動、創作者經濟、非貨幣效用、機器資訊需求、數位出版、經濟世界域轉化

0. 研究定位、證據層級與非主張

本篇的研究問題不是「AI 是否造成網路死亡」，更不是「所有中小網站都將消失」。問題是：當可發布內容的數量與變體快速增加，而人類直接注意力、品牌記憶與日常操作時間仍受約束時，數位市場的供給、入口、使用及收益如何重新分配？

本研究明確區分四種證據地位：

既有文獻與官方制度：已能核對原始研究、官方平台文件或明確來源的事實；以［E#］標記。
本輪可追溯觀察：如網站流量與自出版銷售的個案陳述；保留當事人估計、測量方法與限制，不當成代表性抽樣。
本文原創分析命題：由前述現象形成的條件性經濟推論，需另行驗證。
數值示意與反事實情境：專供展示機制，絕不是外部企業或平台的實測資料。

本文不主張：

AI 使所有數位市場的供給量單調增加；
內容增加就必然出現平台集中、收入不均或品質下降；
人類注意力是跨年度、跨技術永遠不變的固定常數；
網站直接點擊減少必然降低消費者福利；
機器讀取資料就等於被模型訓練、有效使用、來源被認識或成功付款；
可被 AI 摘要的一般資訊不再具有原創、真實實驗、實務經驗或其他價值；
新平台、新產品、新受眾不能重塑總注意力或帶來新市場；
所有創作者都以商業利潤最大化為唯一目標；
ISBN 數等於書籍銷量、閱讀人數、作者人數或 Amazon 單平台上架量；
書籍的免費上架等於完整創作、印刷、行銷或機會成本為零；
SEO、廣告與 AIO／GEO 已全部失效，或在所有領域的效果一致；
流量集中就是經濟世界域收縮，或內容增加就是經濟世界域擴張；
既有供給未立刻產生收入便必須退出，或未來一定實現收入；
將市場變化稱為「收斂」，就可排除特定資產泡沫、產能過剩與投機性錯配；
本篇可以用單一全球係數，解釋所有地域、平台、產業與文化產品；
已有外部實證足以預告 2027 或 2028 年必然出現明確轉折。

本文提出的最低可檢驗主張是：

當進入與生產成本下降時，市場可供選擇的內容可以擴張；而有效人類注意力的分配，受時間、入口路由、推薦制度、搜尋成本與社會回饋共同制約，故不必與供給同步增加。若同時出現新需求和新入口，則集中與擴散必須在多個尺度分別測量。

1. 與 Paper 01、02 的承接：不是再寫一次爬蟲或 GEO

Paper 01 已將「機器端接觸量、人類直接接觸量、來源識別、品牌認知及後續成果」分開；Paper 02 則將 AI 資訊需求拆為有效取得、可能索引或訓練候選、檢索引用、功能使用及授權付款等可區分的事件。因此，本篇不以機器流量重新證明資訊已被 AI 學習，也不以沒有真人回流斷定資料毫無價值。

本篇新增的是市場總體與分配面：當供給方可更低成本地產生內容，為何市場入口、作品曝光與收入分布未必同樣擴張？當新一代 AI 介面將多來源資訊整合成答案，原始供給者如何可能失去直接接觸，卻仍保有機器端供給角色？若不同企業、創作者或平台創造新的活動類型，為何又不能把收斂誤寫成最終結局？

此定位與後續篇章具有邊界：第 04 篇再處理搜尋與交易入口的廣告商業化；第 05 篇再研究廣告主的防禦性加碼與市場整合博弈；第 06 篇再建立機器資訊市場的付款與授權條件；第 07–09 篇再將 AI 正式置入 B／C／A／G 關係矩陣與代理執行者歸因。

2. 既有研究：注意力稀缺、長尾與社會回饋並存

2.1 資訊豐富不會取消注意力約束

Herbert A. Simon 於 1971 年對「資訊豐富世界」的討論，指出資訊量上升會使接收者的注意力成為關鍵稀缺資源［E1］。此論點不等於「所有人的注意力分鐘數完全固定」，而是指出資訊供給與有效認知處理能力受不同約束，不能將兩者視為同一種容量。

AI 的加入進一步產生新問題：人類可以透過 AI 摘要、篩選與視覺化，在有限時間內取得更多資訊成果，卻不一定增加對原始來源的直接訪問。換言之，「人類取得更多有效資訊」與「人類分散地瀏覽更多網站」，在邏輯上不是同一事件。

2.2 長尾並非被動等待死亡

Brynjolfsson、Hu 與 Smith（2006）對數位市場長尾的研究指出，網路分發及搜尋、推薦工具的改善，能降低尋找利基商品的成本，讓過去難以接觸的多樣化商品進入有效需求範圍［E2］。因此，供給選項增加不必然造成全部注意力流向少數明星商品。即使平台入口集中，平台內的商品消費仍可能相當分散。

這提供本篇一個必要反命題：人類經常使用的入口可能更少，透過那些入口取得的獨立來源反而可能更多。

2.3 社會回饋可能造成贏者集中與不可預測性

Salganik、Dodds 與 Watts（2006）在人工音樂市場的實驗中觀察到，社會影響越強，成功分布的不平等與不可預測程度越高［E3］。因此，內容的品質、真實效用、上架時間與後續曝光之間，可能經由推薦、他人選擇及累積互動形成非線性回饋。

然而，此實驗不等於證明所有數位平台推薦都具有相同的集中強度，更不能用來斷言任何特定一本書缺乏銷售是因演算法不公平。它僅提供「平台社會回饋能改變分配結果」的機制參照。

2.4 AI 搜尋的點擊替代不是全領域常數

Pew Research Center 於 2025 年使用 900 位美國成人的瀏覽資料，觀察到帶有 Google AI 摘要的搜尋中，點擊傳統結果連結的比例為 8%，未出現摘要的搜尋則為 15%；在有摘要的搜尋中，點擊摘要來源的比例約為 1%［E4］。由於查詢類型、問題長度與意圖分布不同，這一觀測關聯不能單獨當成 AI 摘要造成每一個點擊差異的因果估計。

Semrush 在 2025 年分析逾千萬關鍵字與部分點擊流資料，發現 AI Overview 的出現頻率、查詢類型和零點擊率具有明顯異質性；在一部分同關鍵字前後比較中，零點擊率不一定隨摘要出現而提高［E5］。另一方面，2026 年已有採用田野實驗或近似實驗的研究，辨識特定 AI 搜尋配置對原始出版者點擊的負面影響［E6］。不同樣本、實驗設計及目標結果變數不應直接互相取代。

本篇因此不把「AI 一定消滅搜尋點擊」作為公理，而把以下兩件事作為可同時成立的條件性機制：直接訪問某些原始來源的必要性可能下降；同時 AI 也可能創造新問題、新搜尋頻率、較佳匹配與新的利基發現機會。

3. 最小經濟本體：供給、入口、直接注意力、機器使用與收益

本篇先固定不同計量單位，避免將網站數、曝光數、使用時間、AI 回答、商品銷售及平台收入任意加總。

分析量	建議記號	最小單位	不可直接推出
可供給內容存量	$S_t$	指定範圍內的有效內容物件數	有等量需求或產值
新進入與退出	$E_t,X_t$	每期間新增、下架或不再可取得的內容物件	作品品質或作者是否盈利
人類直接注意力	$H_{i,t}$	指向物件／來源的可驗證人類時間或有效操作	長期品牌認知
入口使用份額	$p_{g,t}$	入口 $g$ 占觀測人類注意力之比例	平台內所有內容集中
來源有效曝光	$V_{i,t}$	來源被真人看到的可驗證機會	已閱讀、已記住或購買
機器有效內容取得	$M_{i,t}$	去重後、已分類之有效取得事件／bytes／物件數	訓練採用、公開引用或付費
AI 中介任務成果	$Q_{u,t}$	人類使用者完成的資訊任務成果	曾直接訪問原始網站
來源關係資產	$K_{i,t}$	可持續訂閱、回訪、信任、可遷移關係之多維指標	當期已實現營收
內容方收益	$Y_{i,t}$	實收銷售、廣告、授權與服務收入	可完整衡量社會福利
新入口與新需求	$N^{ent}_t,D^{new}_t$	新使用入口數、原先不存在的有效任務／支付需求	新入口必然存活

兩個重要邊界：

第一， $S_t$ 必須依內容型別與版本定義。同一本書可能有多種 ISBN、版本或語言；同一網站可以包含大量文章，亦可以只有少數原始內容。只數網域或標題會產生不同估計結果。

第二，人類注意力與機器資訊取得不是可以直接相加的共同單位；若要研究其聯合經濟效應，需先選擇任務及價值函數，再建立可解釋的轉換映射，而不是將 HTTP requests 與人類閱讀分鐘數相加。

4. 供給存量動態：低門檻創作不是零成本創作

4.1 存量與流量的基本區分

令 $S_t$ 為在指定平台或跨平台範圍內，時點 $t$ 仍可合法取得的內容物件存量， $E_t$ 為該期間有效新進入， $X_t$ 為有效退出／下架，則：

S_{t+1}=S_t+E_t-X_t.

因此，若 $E_t>X_t$ ，供給存量增加；若 $E_t<X_t$ ，存量減少。技術進步可能使 $E_t$ 增加，但平台治理、垃圾內容過濾、著作權爭議、供應商退出與經營成本也可能使 $X_t$ 增加。供給不必然單調上升。

4.2 創作與進入成本至少分成四個部位

對某創作者 $i$ 發行物件 $j$ ，可將其成本寫成：

C_{ij}^{total}=C_{ij}^{create}+C_{ij}^{publish}+C_{ij}^{discover}+C_{ij}^{maintain}.

其中：

$C^{create}$ ：研究、創作、編輯、設計、驗證與機會成本；
$C^{publish}$ ：平台審核、上架費、分潤、實體製作或技術封裝；
$C^{discover}$ ：讓有效受眾得知作品存在的搜尋、社群、行銷及認知轉換成本；
$C^{maintain}$ ：版本更新、客服、內容修訂、網站維運與授權管理。

生成式 AI 可能顯著降低部分 $C^{create}$ ，而像 KDP 這樣的平台可將特定 $C^{publish}$ 降至零上架費；但這不保證 $C^{discover}$ 或 $C^{maintain}$ 同幅下降。最容易出現「作品很多卻沒什麼人買」的情況，可能是供給進入成本快速下降，而有效發現與轉換成本尚未同比下降。

4.3 內容的數量、差異性與新增效用應分開

若 AI 快速生成一千份語義高度重複的說明文章， $S_t$ 可能在「URL 物件數」口徑增加一千，但在「可區分資訊內容」或「可改善決策的知識差異」口徑未必同比增加。

本文因此建議在資料層額外保存內容版本、主題、近似重複群、來源權利、已驗證原創成分與任務效用。這既不是先驗宣稱 AI 生成內容品質低，也不是預設人工內容一定更有價值，而是避免以單純物件數取代有效差異量。

5. 人類注意力有限，但可用資訊成果並非固定總量

5.1 有限個體時間的最低約束

對人類個體 $u$ ，令指定時段內可投入某組資訊任務的世界時間預算為 $T_{u,t}^{info}$ ，其直接閱讀、操作與比較時間為 $h_{u,i,t}$ ，則有：

\sum_i h_{u,i,t}\leq T_{u,t}^{info}.

這個約束表示個體無法在同一時段無限延展直接操作時間；它不表示跨人群的總數、時間分配或資訊處理效率永遠固定，也不排除多任務、無障礙技術、新人口與新增數位生活時間。

5.2 「看多少來源」與「完成多少資訊任務」分離

對個體 $u$ ，令 $Q_{u,t}$ 為品質調整後完成的資訊任務， $H_{u,t}^{direct}$ 為親自訪問來源所花的時間， $A_{u,t}^{mediated}$ 為透過 AI 或其他中介取得的資訊成果。可以存在：

Q_{u,t+1}>Q_{u,t},

同時：

H_{u,t+1}^{direct}<H_{u,t}^{direct}.

例如以前比較六個商品需要打開六個網站；之後使用一個 AI 介面取得可追溯的比較表，再只打開其中一個來源核對。若結果品質足夠，人類完成的任務可能增加，而原始網站瀏覽次數減少。這不是必然的普遍效果，但在分析上完全一致。

5.3 注意力是可重新配置的稀缺資源，而非一個死數字

在 AI 協助降低任務完成時間之後，使用者可能把省下的時間用於工作、遊戲、社交、更多資訊查詢或新的探索。因此 AI 可以同時造成某類網頁訪問下降、總體資訊任務增加，以及另一類內容需求增加。

若把全部市場僅寫成「注意力不變，所以每新增一篇文章都要稀釋原有文章」，會忽略新增任務、人口、時間重配、沉浸式消費、搜尋成本降低及新媒介帶來的反向效果。因此，本文只把個體有限時段內的可用注意力約束視為一般條件，不將全體市場視為永恆固定的零和常數。

6. 收斂必須指定尺度：入口集中與來源集中可能方向相反

6.1 兩種不同的集中度

令 $g$ 代表人類資訊活動入口（搜尋服務、AI 助理、社群平台、書店、應用商店等）， $p_{g,t}$ 為某一類任務中的入口份額。入口 Herfindahl 型集中度為：

HHI_t^{entry}=\sum_g p_{g,t}^2.

令 $i$ 為原始內容來源或商品， $q_{i,t}$ 為可歸因的人類直接注意力／有效內容使用份額，則來源集中度為：

HHI_t^{source}=\sum_i q_{i,t}^2.

兩個指標通常需要不同的識別與去重方法。某一個 AI 介面可能集中接收更多人類需求，卻為每個需求從大量不同供給者取得資訊，使來源使用更加分散；也可能只偏向少數高權重來源，使入口及來源同時集中。

6.2 一個必要的反例

假設舊世界只有兩個入口，各占人類資訊任務的 50%；它們分別通向十個被均勻使用的來源。則：

HHI^{entry}=0.5^2+0.5^2=0.5,

而在二十個均勻來源的示意條件下：

HHI^{source}=20\left(\frac{1}{20}\right)^2=0.05.

之後若所有人只使用一個統一 AI 入口，但它能把有效資訊需求平均分配至一百個獨立來源，則：

HHI^{entry}=1,

HHI^{source}=100\left(\frac{1}{100}\right)^2=0.01.

入口更集中，來源反而更分散。 此處只是數學反例，不代表現存 AI 平台已達到平均路由或公平採用。

反過來，同一 AI 入口也可能只依賴幾家大型來源，形成兩個集中度同步提高的結果。只有實際來源歸因、任務取樣與供應商資料能判斷屬於哪一種情況。

6.3 作品、來源、企業及平台還有不同層級

同一企業可能擁有多個網域；同一網站可能擁有數萬篇文章；一本書可有多種語言和版本；同一原始研究可能被鏡像、轉載或整理成多篇摘要。若集中度以 URL、原始著作、出版品牌、企業所有權或資訊入口為單位，結論可能完全不同。

因此，任何「網路正在收斂」的實證主張，至少應在標題中說明收斂的尺度與觀察單位，例如「人類搜尋入口份額收斂」，不能未經定義就提升成整個網際網路的全部結構收斂。

7. 最小形式命題：供給增加不必然導致注意力集中

命題 P3-1（無直接蘊涵）：在沒有指定平台分配規則、使用者效用、搜尋成本與新需求形成條件時，內容供給存量 $S_t$ 的增加不能單獨決定 $HHI_t^{source}$ 或 $HHI_t^{entry}$ 的變化方向。

證明方式：構造反例。 令某一期存在 $n$ 個來源，且有效注意力均分，則：

HHI_n=\sum_{i=1}^n\left(\frac{1}{n}\right)^2=\frac{1}{n}.

當來源由 $n$ 增至 $2n$ 且份額仍均分時：

HHI_{2n}=\frac{1}{2n}<\frac{1}{n}.

因此即使供給翻倍，集中度反而下降。另一方面，若新增來源後絕大部分注意力轉向單一既有明星來源，其份額趨近 1，則 $HHI$ 可以趨近 1，無論市場內有多少未被使用的其他來源。兩種結果都與供給擴大相容，故不存在只由 $S_{t+1}>S_t$ 推出某種固定集中方向的一般定理。證畢。

推論： 想讓「非泡沫型注意力收斂」成為科學命題，必須加上可以測試的路由、偏好、成本及制度條件；單純以資訊增產描述收斂，不具有足夠辨識力。

8. 從看得見到買得到：冷啟動、回饋迴圈與有效進入

8.1 上架是一個事件，被看見是另一個事件

當創作者將作品成功上架時，平台內會新增一個供給對象。但這不表示平台必然為作品配置足夠的測試曝光，更不表示有效受眾曾經有機會比較或拒絕它。故應區分：

Entry_{i,t}\neq Exposure_{i,t}\neq Evaluation_{i,t}\neq Adoption_{i,t}.

特別是沒有得到足夠觀察機會的作品，其低互動量不能與「消費者已充分比較後不需要」等同。這一點已由 EveMissLab 既有 A05〈推薦、冷啟動與創作者生態退化〉用「證據飢餓」（Evidence-Starved Cold Start）系統展開［I2］。本篇不重新發明 A05 的完整模型，而是將此問題放在市場總供給持續進入的條件下研究。

8.2 有效曝光的機率性框架

可對來源 $i$ 定義在任務 $z$ 、入口 $g$ 、時間 $t$ 下取得有效曝光的候選機率：

P_{i,g,t}^{exp}=F_g\left(q_{i,t},r_{i,t},n_{i,t},a_{i,t},h_{i,t},z,\mathcal C_{g,t}\right).

其中： $q$ 表示任務適配品質， $r$ 表示歷史互動或信任訊號， $n$ 表示新穎性與時效性， $a$ 表示付費推廣或其他合法分配條件， $h$ 表示過去曝光的回饋， $\mathcal C_g$ 是平台排序規則與治理邊界。

此函數僅是研究變數清單，不聲稱知道 Amazon、Google、Steam 或特定 AI 助理的私有推薦公式，更不能假設曝光只由付款決定。

8.3 冷啟動回饋與因果循環

在某些推薦機制下，作品需要先有互動，系統才能較好估計受眾；但要先有互動，作品又需要被曝光。可形成以下候選循環：

新作品上架
  -> 缺乏有效受眾觀察
  -> 排序模型的不確定性較高
  -> 初始曝光較少
  -> 可學到的受眾回饋更少
  -> 曝光機會難以提升

平台也可能有探索流量、公平曝光、新品扶植、編輯推薦及站外導流機制打斷此循環。因此它是一種有條件的市場風險，不是一切平台都採用的固定過程。

8.4 供給膨脹可能讓分配機制更有權力

當使用者不可能逐一查看全部作品，平台的分類、搜尋、推薦與聚合會更重要。若平台越來越能決定哪些內容先被看見，創作者對入口條件的依賴可能增加。此處「平台權力」指流量路由、接觸機會與使用者決策前沿的分配能力，而不是對全部商品價值具有絕對控制力。

然而開放索引、互通協議、獨立 AI Agent、可遷移受眾和直接交易管線，也可能重配分配權。故供給膨脹不必然提高單一平台權力，只是在注意力有限時提高了發現與路由機制的經濟重要性。

9. 為什麼即使一本都賣不出去，內容供給仍可能增加？

9.1 利潤不等於創作者的全部效用

純商業模型可能預測：若作品預期收益不足以覆蓋成本，創作者就不進入市場。但現實中的創作還可能具有保存、表達、學習、社會互動、履歷、聲譽、文化延續、個人成就感或長期可選擇性。

對創作者 $i$ 發布作品 $j$ ，令其主觀效用為：

U_{ij}=\pi_{ij}+\alpha_i E_{ij}+\beta_i K_{ij}+\gamma_i O_{ij}-C_{ij}^{total}.

其中 $\pi$ 是預期可貨幣化收益， $E$ 為表達或成就效用， $K$ 為知識保存與關係效用， $O$ 為後續合作與轉用選擇權。即使 $\pi_{ij}\leq0$ ，只要非貨幣效用足以支持成本，仍可能有 $U_{ij}>0$ ，使作品繼續出版。此式不表示所有心理價值可實際精確貨幣化。

9.2 KDP 的低費用進入與 Steam 的提交費

Amazon Kindle Direct Publishing 官方允許以免費方式自行出版電子書、平裝及精裝書［E7］；「免費」指特定出版與上架服務，不代表編輯、封面、行銷、印刷或作者時間成本均為零。

相對而言，Steam Direct 官方要求每款產品支付 100 美元提交費，符合 1,000 美元調整後總收入等條件時，該費用可以透過後續付款回收［E8］。兩者的產品型態、審核規則及市場環境不同，不能直接以費用差額推導供給增長比例。

但對比足以提出待驗證問題：當某市場上架現金門檻相對低時，不以銷量最大化為目標的供給是否更容易長期累積？

9.3 2025 年自出版 ISBN 數的真正意義

依《Publishers Weekly》2026 年 3 月報導的 Bowker 美國 ISBN 出版量統計，2024 年自出版量為 2,545,885，2025 年增至 3,529,980，年增約 38.7%［E9］。同期傳統出版約 642,242 種。

統計口徑	2024	2025	可支持的結論
美國 ISBN 登記自出版書籍	2,545,885	3,529,980	特定口徑下出版數量顯著增加
美國傳統出版書籍	602,428	642,242	同期傳統出版亦增加

這些是出版識別層級的數量，不是全球全部出版物、Amazon KDP 官方上架量、作者人數、總銷量或零銷售比例。多格式、多版本和 ISBN 制度也會影響計數。不能由出版量高推定平均收益一定下降；那需要銷量、價格與作者面板資料。

9.4 「只賣出一本」是探索性個案

研究命題提出者報告：其一部自行出版作品曾僅取得一筆銷售，且該筆銷售與付費廣告推廣相關。這具有假說生成價值：內容成功進入平台目錄，不表示有效讀者自動到來；額外付費分配可能改變可觀察結果。

但此敘述沒有未投放廣告時的有效對照組，不能確認成交完全由廣告因果造成，也不能推論其他作者的銷售情況。本篇僅保留其探索性、非代表性的證據地位。

10. 「前台收斂、後台擴張」：人類消費與機器需求的重新配置

10.1 直接點擊與下游資訊使用分離

令 $H_{i,t}^{direct}$ 為人類親自接觸來源 $i$ 的活動， $M_{i,t}^{effective}$ 為經核驗的機器有效內容取得， $U_{i,t}^{downstream}$ 為內容可歸因地參與後續資訊任務的程度。三者不存在一般性的固定一對一函數。

可以發生：

H_{i,t+1}^{direct}<H_{i,t}^{direct},

而同時：

M_{i,t+1}^{effective}>M_{i,t}^{effective}.

但對 $U_{i,t}^{downstream}$ 的推論還需要事件級證據：部分已擷取內容可能被檢索，部分只形成快取或候選資料，部分根本被丟棄。即使內容數月後被使用，也不保證會有公開引用。這裡直接沿用 Paper 02 的 LMID 分層，不另造同義分類。

10.2 「一個入口、多個來源」的候選結構

若人類透過同一 AI 介面詢問多種問題，該系統可以依任務使用不同來源。從人類入口統計看，活動可能高度集中；從可歸因來源覆蓋看，機器資訊取得卻可能多元。若來源名稱未充分展示，機器處理的來源與人類能辨識的品牌之間又可能形成 Paper 01 的識別落差。

          人類資訊任務與意圖
                  |
                  v
             少數整合入口
                  |
        +---------+---------+
        |         |         |
        v         v         v
      原始 A     原始 B     原始 C ... N
        \         |         /
         \        |        /
          中介整理／比對／執行
                  |
                  v
              人類使用成果

這只是概念路由圖，並不聲稱現存平台必然每次連到所有原始來源。

10.3 機器端需求也可能向少數供給者集中

若 AI 系統偏好穩定、易解析、更新頻繁、來源明確與授權清楚的資料，可能使小型網站更難被選用，形成「人類入口集中＋機器資訊來源集中」的雙重集中。反之，專業資料、原始實驗、垂直 API 與長尾研究若不可替代，機器端來源可能更分散。

因此「機器閱讀更多來源」不能當成固定的樂觀預言；該命題要以不同內容物件的有效取得、跨業者覆蓋率及下游使用證據檢驗。

10.4 人類福利可能與原始網站流量反向變動

若消費者能用更低成本取得正確資訊、減少比較時間並作出更適合的決策，可能出現福利改善、來源網站直接廣告收益卻減少的分離。反之，若回答錯誤、來源被遮蔽或少數平台壟斷資訊，福利可能下降。

因此「點擊減少」不是足夠的福利結論，「AI 使用量上升」也不是。至少應觀察任務成功率、錯誤率、使用成本、選擇多樣性、消費者剩餘、供給者長期投入與公共知識維護成本。

11. 人類創作者的相對競爭優勢可能如何變化？

11.1 一般整理性內容的稀缺性可能下降

當使用者需要的是已公開且可核對的資訊，如普通食譜比例、一般產品規格或基礎語法整理，AI 可依個別限制重組。此時「把既有資訊重新包裝成可讀頁面」的相對稀缺性可能降低。

但這是針對特定資訊功能，不是對全部人類創作的價值判決。真實試作、原始實驗、獨特觀察、文化脈絡、專業責任、實際交易與社群信任，可能提供不同於一般整理的價值。AI 也可能參與其中；「人類原創」與「AI 協作」不是必然互斥的二元分類。

11.2 來源必要性隨任務改變

需求情境	AI 可直接滿足的部分	原始來源或真實活動仍可能必要的部分
家常食譜	食材替換、份量換算、步驟重排	真實試作、特殊口感、食品安全、文化社群
科技產品比較	規格摘要、需求匹配、候選清單	實測、最新價格、保固、售後、實物驗證
學術論文	概念整理、文獻搜尋	原始資料、證明、反例、獨立核驗
遊戲娛樂	攻略整理、生成輔助內容	真實遊玩、社交參與、作品體驗與互動
電商服務	比較、價格監測、推薦	支付、履約、退款、信任與配送

此表是功能分析，不是各行業 AI 替代比例的實測數據。不同使用者亦可能因習慣、文化、品質和法規保留大量直接訪問。

11.3 長期優勢可能從頁面數量轉向可持續差異

當純資訊改寫的成本下降，能持續產生新事實、可靠驗證、獨特互動、可依賴服務與直接關係的供給者，可能較難被完全替代。這不是建議所有網站放棄 SEO，而是提出可檢驗的相對優勢假說：在控制價格、曝光和內容品質後，真正具備不可低成本複製差異的來源，其忠誠讀者留存或直接交易表現是否較佳？

這也連接既有 MPD 研究〈注意力不是生產域〉［I1］：短期曝光只有在轉為可維持、可遷移的關係、資料、資產或工作能力時，才可能形成長期競爭基礎。

12. 新入口生成：為什麼收斂不等於全面封閉？

12.1 入口集合不是永遠固定

傳統網站、搜尋、社群、電子商務與 App 商店並非永久封閉分類。AI 介面、垂直 Agent、持續研究助理、互動娛樂、多模態工作空間與機器資料供應市場，都可能建立新的使用入口。

令 $G_t$ 為已達到研究操作定義的有效入口集合，則：

G_{t+1}=(G_t\cup G_t^{new})\setminus G_t^{exit}.

若觀測者只在原有平台集合中計算集中度，卻排除新產品型態，便可能誤把舊平台總份額變化當成整體注意力經濟的方向。

12.2 搜尋成本下降可以生成過去不存在的需求

某些人原本不願花兩小時理解的小問題，若 AI 能在幾分鐘內可靠處理，他可能開始提出更多問題、比較更多可能性或採用原先未被考慮的服務。

對觀察期間新增的有效任務，可將其標註為：原需求維持、舊通道替代或新任務生成。這是任務分類，不是可以不經去重就直接相加的貨幣總需求。尤其同一問題由搜尋改為 AI 完成，只是通道轉移，不能算作全新需求。

12.3 新媒介可能帶來新注意力與新效用

新的遊戲、社群、研究工具或沉浸式互動形式，可能提供舊產品原本無法完成的體驗。新增使用時間通常仍須從其他活動重配，但其效用、交易形式與產出結構可以是新的。因此不能把所有新產品成功都寫成舊入口間的零和移轉。

若利基匹配改善，也可能讓原本無法找到買方的供給形成有效需求。這是長尾研究［E2］提醒我們必須保留的路徑。

12.4 收斂之後還可能再分岔

一種候選動態是：新一代整合技術先使人類入口集中於少數通用供應者；待能力普及、成本下降、互通性改善及特定需求被證明後，又形成大量專業入口。另一條路徑則是通用入口持續強化市場支配力。

因此某個年份集中度提高，是當期現象，不足以直接推斷十年後的必然結構；但也不能因未來可能重新分散，就否認當期已可測得的集中。

13. 泡沫、收斂、轉移與擴張：四個不能混用的概念

13.1 泡沫不等於內容很多

在金融與投資語境中，泡沫涉及資產價格、融資預期及可支撐的現金流或其他基本面之間的可能偏離。大量書籍、網站或軟體作品出現，不代表全部以高估值融資，也不表示整個網路必然存在同一類投機泡沫。

既有 EWDT-18［I3］已區分 AI 候選生成、技術驗證、部署、實際採納、需求吸收、沉積與可行集合擴張。因此數位供給膨脹可能僅是候選增加，並不代表已形成持續收入或文明級生產能力。

13.2 收斂是分配結構，不是總量增減同義詞

當人類使用入口份額向少數系統集中，可稱特定口徑的注意力入口收斂。當出版量上升而某些創作者的有效曝光下降，可稱供給與注意力分配的脫鉤。這些命題都不意味內容總數必然下降。

13.3 轉移與擴張需要不同的反事實

若使用者從十個網站改到一個整合介面完成原有任務，主要是路由轉移；若新介面讓原本不存在或不可負擔的任務變得可完成且被實際使用，才可能涉及新需求生成或可行集合擴張。兩者可同時存在，但不能無條件將所有「透過 AI 完成的任務」認列為新經濟活動。

13.4 題名中「非泡沫型」的限定範圍

本篇挑戰的過強敘事是：「某些網站未來較少被人類直接訪問，因此數位網路總體是正在破裂的泡沫。」但本文完全不排除特定 AI 資產、廣告市場、創作者產能或平台估值存在泡沫。

要判斷金融泡沫，需要價格、槓桿、現金流、預期與償付能力；要判斷注意力收斂，需要入口份額、來源份額與使用行為。把後者的某個網站流量當成前者的金融證明，屬於觀測尺度錯配。

14. 四類基本市場狀態：供給與集中可以同向或反向

令 $\Delta S$ 為有效供給存量變化， $\Delta C$ 為預先指定口徑的注意力集中度變化。第一代類型表如下：

	集中度提高 $\Delta C>0$	集中度下降 $\Delta C<0$
供給增加 $\Delta S>0$	I：供給膨脹、少數入口／來源更集中	II：供給膨脹、長尾發現／新入口分散
供給減少 $\Delta S<0$	III：作品退出與整併、剩餘注意力集中	IV：供給減少但使用仍重新分散

此表只是二變數初始分類，不包含 $\Delta S=0$ 或 $\Delta C=0$ 等邊界狀態；正式資料須設定可接受誤差及不確定區間。 $\Delta C$ 也至少可再分為入口集中、來源集中、企業所有權集中與收入集中，因此同一產業在不同集中尺度中可能落入不同象限。

本篇特別研究象限 I 的成立條件，但它必須與象限 II 進行競爭性比較。若新入口與利基匹配使集中度下降，研究不應把結果一概當成暫時雜訊而拒絕修正假說。

15. 注意力與收入的非同步：更多使用不一定讓所有供給者獲益

15.1 分開觀察五種量

對一個內容平台，至少區分：

供給數量：有效出版與上架物件總數；
有效曝光：具有合理機會被相關受眾實際看見的作品數；
人類注意力：人類在各入口、作品上的實際閱讀與操作；
資訊使用：包含部分 AI 中介下的有效來源取得或可歸因成果；
收入與福利：付款、利潤、消費者剩餘及長期內容再投資能力。

這五個量可能同向，也可能分化。一個平台的出版品數量和總銷售額同時增加，仍可能存在大量作品沒有足夠曝光；一個內容類別的人類直接閱讀量下降，也可能因 AI 任務使用而帶來其他授權或服務需求。但後者的實現需要具體商業制度，不是自動發生。

15.2 「平台繁榮」與「創作者壓縮」可共存

若平台有效集合需求、降低搜索成本並擴大總交易量，其營收可能成長；若大量新供給同時競爭有限曝光，某些創作者的單件平均可得注意力仍可能下降。平台成功不代表創作者平均回報必然提高；個別創作者低收入也不能反推整個平台需求下降。

這是後續第 05 篇「平台繁榮、廣告主壓縮」的結構前置。本篇只建立分配與統計的非同步性，不提前下結論說企業已經普遍加碼廣告或 Google 已經承受某種特定壓力。

15.3 可見注意力不等於可留存資產

既有〈注意力不是生產域〉［I1］區分短期流量、分配權、關係資產與可持續生產能力。本篇承接此區分：一則內容短暫爆紅可以帶來大量曝光，但若平台不容許建立可遷移關係、可維持產品能力或獨立收入管道，其注意力未必等量沉積為經濟資產。

反過來，某項技術文檔即使沒有廣泛的公眾知名度，也可能透過少量高價值專業採用或機器工作流取得持續功能性地位。不能用相同的觀看次數標準衡量兩種供給者。

15.4 需要區分總收入與單件／單作者分布

在資料充分時，應同時比較平台的實際總收入、活躍作者數、作者收入中位數、分位數、零收益比例及持續留存率。單純用平均銷售額可能被頭部作品大幅拉高；只看頭部案例又無法描繪長尾。對零收益比例，必須明示觀察時窗、上架時長、內容種類與作品是否真的可購買。

16. 十項可反駁假說：讓收斂模型有可能被推翻

本篇採取條件性假說而非普遍定律。每項假說都必須指定樣本、時間窗、受眾、觀測尺度與可接受的替代解釋。以下標籤 P3-H1 至 P3-H10 是研究識別碼，不代表已經得到實證支持。

P3-H1｜供給—直接注意力非同比增長假說

假說： 在生成成本明顯下降且上架門檻維持低位的資訊品類中，若有效人類注意力的總成長較慢，則新增作品的平均首次有效曝光可能下降。

可反駁方式： 若控制作品發布時間、品質與品類後，新作品的首次有效曝光持續等比或更快上升，且平台探索流量足以吸收供給增長，則本條件假說不成立或需收縮範圍。

P3-H2｜入口集中與來源分布分離假說

假說： AI 整合入口的份額上升，可以伴隨下游實質資訊來源覆蓋數增加或來源集中度下降。

可反駁方式： 若在可觀測的代表性任務中，入口份額與來源集中度長期緊密同步增加，且不同來源的可歸因有效使用不升反降，則本假說的廣泛適用性受到削弱。

P3-H3｜原始點擊與任務完成分離假說

假說： 對部分以既有資訊為主的任務，AI 整合答案可以減少原始來源訪問，同時不降低、或提高使用者任務完成率。

可反駁方式： 在隨機指派的同類任務中，如果直接瀏覽減少時，品質調整後的任務完成率也持續顯著下降，便不能以「更有效率」替代對來源流量減少的評估。

P3-H4｜內容可替代性差異假說

假說： 高度重複、低原始證據必要性的解說類資訊，比依賴原始資料、真實履約、版本精確性或專業責任的資訊，更可能在生成式回答後減少人類直接點擊。

可反駁方式： 若控制查詢意圖、AI 功能可用性和內容品質後，兩類資訊在點擊、留存與付費上的替代程度沒有可辨識差異，則假說不成立。

P3-H5｜低上架費與非營利供給持續性假說

假說： 在現金上架成本低、保存成本小且創作者非貨幣動機明顯的市場，即使大量作品短期不盈利，內容供給仍可能持續淨增加。

可反駁方式： 若可追蹤的創作者在低收益時迅速退出、舊作品大量下架，致使低上架成本沒有產生供給存量增加，則此路徑缺乏證據。

P3-H6｜推薦冷啟動與供給增長的互動假說

假說： 當新增作品成長快於平台可提供的有效探索機會，初期未獲足夠曝光的作品比例可能提高，並加重歷史互動資料的分配優勢。

可反駁方式： 若平台的探索推薦、主動搜尋或站外導流改善足以維持新作者的曝光與存活分布，且初始曝光不再預測後續長期劣勢，則該失衡機制應被修正。

P3-H7｜新入口對集中度的反向效應假說

假說： 新的 AI 原生產品、垂直工具或互動媒介，可以在既有入口集中的背景下，產生新任務與新的有效注意力市場，使部分來源或任務分布更分散。

可反駁方式： 若新入口主要只是重新包裝既有任務、缺乏獨立長期留存與有效需求，則不能把新增 App 數量直接視為市場擴張。

P3-H8｜機器需求與人類品牌知名度分離假說

假說： 在部分高資訊密度、低大眾認知需求的網站中，已核驗的機器有效取得可顯著增加，但人類主動品牌回憶與公共討論不必同步提高。

可反駁方式： 若長期、跨領域代表性資料顯示機器取得與人類品牌認知具有幾乎固定且短延遲的轉換關係，則應削弱此假說的適用範圍。網站日誌無法單獨驗證模型訓練採納。

P3-H9｜資訊消費增加而直接來源訪問下降假說

假說： 隨 AI 中介效率提高，某些使用者的品質調整資訊任務完成量可以增加，同時直接來源訪問次數下降。

可反駁方式： 若在任務數量固定、資訊需求校準、時間與品質控制後，AI 中介始終無法改善任務量或效率，而只是降低來源訪問及回答品質，則本假說在該領域不成立。

P3-H10｜多尺度集中方向不一致假說

假說： 在指定時間窗，同一市場的入口集中、內容來源集中、企業所有權集中與創作者收入集中，可以呈現不同方向。

可反駁方式： 若跨多平台、多時段與多產業的高品質資料顯示它們始終具有近似相同的方向、變化幅度與時間位置，則保留多尺度分解的預測增益可能很小。

共同限制： 上述各假說不能以單一個案「看起來符合」就宣告通過；亦不能用「未來還沒到」無限期推遲反證。必須事先指定最小效果量、時間窗、分析單位、退出規則與再檢驗程序。

17. 識別策略：如何分辨 AI 的作用與舊有數位化趨勢？

17.1 必須避免「一切都是 AI」的因果歸因

數位內容大量增加、搜尋結果集中、排行榜鎖定、推薦冷啟動、零點擊搜尋與平台抽成，很多在生成式 AI 普及之前已經存在。AI 可能加速、重組或部分抵消這些機制，但不能因此將全部變化歸因於 AI。

最基本的識別策略是先分離三個時間：平台原有推薦制度變更時間、AI 功能部署時間與內容供給成本下降時間。若三者高度同時發生，單純前後比較不能辨識各自的獨立效果。

17.2 代表性縱向面板的基本單位

建議最初建立兩層面板：

內容面板：content_id × version × source × platform × category × week，追蹤有效上架、實際曝光、真實閱讀、導購、銷售、退款、修訂、下架和權利狀態。
入口面板：entry_id × task_type × region × week，追蹤使用者任務、AI 功能配置、直接跳轉、來源引用及跨入口轉換。

若資料允許，再以不暴露個人身分的方式建立使用者任務面板，避免僅以聚合數據誤認為同一群使用者發生轉移。

17.3 三組自然比較

比較 A：同類任務、不同 AI 顯示條件。 例如對查詢意圖相近的題目，隨機或準實驗地比較有無 AI 答案時的資訊完成率、正確率、原始點擊與來源認知。2026 年已出現相關田野實驗研究，可作研究設計前置［E6］。

比較 B：同一平台、不同內容可替代性。 比較一般整理、真實實驗、最新交易服務與專業原始證據等類型，控制發布時間、價格、既有品牌、查詢量與 AI 曝光機會。

比較 C：同一來源、不同分發入口。 追蹤網站直訪、社交轉介、搜尋轉介、生成式搜尋與機器取得，評估直接訪問變化是否有相對應的其他使用增減；不能只看單一推薦管道。

17.4 差異中的差異與實驗的識別限制

若採用差異中的差異（DiD）研究 AI 功能導入前後的變化，需要檢查處置組與比較組原本趨勢是否合理、功能推出是否與其他更新同時發生，以及是否有預期效應。

生成式搜尋存在特別重要的干擾：AI 平台可能同時改變使用者查詢語句；出版者可能因流量壓力改變上架、SEO 或付費推廣；競爭者也可能在同一市場調整策略。因此，除了 AI 入口直接效果，還須設計市場層級與作者層級的外溢檢查。

隨機試驗也不是萬能：短期測試可辨識部分點擊與任務品質，卻未必能辨識兩年後的創作者退出、資產沉積與新市場生成。這正是本篇需要同時設計短期實驗與縱向觀察的原因。

17.5 人類與機器的計數不可偷換

伺服器日誌的請求數不等於獨立人類；AI 相關 user agent 也可能被誤分類。人類使用 AI 操作瀏覽器時，帳號或一般網頁事件又未必顯示真實執行者。故需將「來源可觀測事件」「使用者自報」「Agent 委託與執行日誌」「平台可核驗身分」分成不同證據層。

第 09 篇將專門處理人機共用帳號與執行歸因；本篇不以行為風格、所謂 AI 味或滑鼠軌跡單獨認定某次瀏覽必定屬於機器。

18. 資料字典與量測面：避免從單一指標推斷整體世界

18.1 最小資料欄位

欄位	觀測定義	主要來源	主要偏誤
`content_object_id`	跨 URL 追蹤的原始內容物件	出版者登錄、內容雜湊與版本對照	改版、翻譯及近似重複內容
`active_supply_stock`	指定週期仍可合法取得的內容存量	平台目錄快照	幽靈商品、失效連結、隱藏庫存
`new_entry_flow`	新進入且滿足最小有效條件的物件	首次上架紀錄	改名、重新上架造成重複
`exit_flow`	已不再可取得的退出物件	下架與訪問查證	區域限制、暫時故障
`human_entry_time`	人類在指定入口的有效使用時間	經同意的端點面板	多裝置、背景分頁、代操作
`first_qualified_exposure`	新作品第一次被相關受眾有效看見	平台曝光紀錄或同意的用戶研究	看到位置不等於注意或理解
`original_referral_rate`	對原始來源的成功跳轉比例	平台、來源與端點資料	搜尋意圖、阻擋器、跳轉失敗
`direct_source_attention`	人類在原始來源的有效閱讀或操作	網站端同意資料與實驗	不能用 HTTP 請求直接代理
`entry_hhi`	指定任務的入口份額平方和	多平台使用面板	漏掉新入口或重複裝置
`source_hhi`	指定任務的來源使用份額平方和	可追溯使用／閱讀事件	中介系統遮蔽來源、重複引用
`effective_source_count`	指定分布下的有效來源多樣性	分來源注意力份額	來源粒度不一致
`machine_effective_access`	已驗證機器請求的實質內容取得	日誌＋可信分類＋正文驗證	偽裝、重試、鏡像與目的不明
`machine_downstream_use`	內容參與可核驗後續任務	使用方審計、授權 API	供給方通常不可見
`human_source_recall`	無即時提示的來源回憶或辨識	抽樣調查	記憶效應、選樣與品牌提示
`creator_income`	指定期間實收淨收益及其分布	稅後或平台分潤報表	未計入平台外業務與非貨幣效用
`paid_promotion`	已支付推廣費與曝光條件	廣告主或平台資料	點擊歸因和增量效果不同
`new_task_generation`	相對基準期新出現的有效任務	使用者實驗與縱向訪談	舊任務重新命名為新需求
`durable_relation_stock`	可持續直接關係、訂閱與可遷移客戶資產	出版者及授權資料	人氣與實際控制權混淆

要注意，市場中沒有任何單一機構必然掌握全部欄位。資料共享、合規、商業保密與隱私限制本身會形成觀測缺口。因此研究可以先構建任務相對的最小充分資料集合，而不是宣稱完成「所有網路活動的全知資料庫」。

18.2 三種建議集中度互補指標

除入口與來源的 $HHI$ 外，可計算前 $k$ 個對象占比：

CR_{k,t}=\sum_{i\in Top_k(t)}p_{i,t}.

也可計算分布熵與有效來源數：

\mathcal H_t=-\sum_{i:p_{i,t}>0}p_{i,t}\log p_{i,t},

N_{eff,t}=\exp(\mathcal H_t).

其中對數採自然底；若份額均等， $N_{eff}$ 可直觀理解為具有相同熵的均等來源數。然而 $N_{eff}$ 依據的是實際使用份額，不等於平台目錄中全部可供給作品數。若 $S_t$ 持續增加但 $N_{eff,t}$ 不變，應先研究是否存在發現率或需求分配瓶頸，而非立即推斷內容品質整體崩潰。

18.3 注意力與資訊品質必須另設量測

人類停留時間較長，可能代表內容非常有價值，也可能代表頁面很難理解；停留時間短，可能代表一眼得到答案，也可能完全未閱讀。故人類有效注意力的任務相對校準應包含資訊回憶、完成任務、修正錯誤或後續操作等指標。

同理，機器有效取得次數反映接觸與資源配置，卻不直接代表下游資訊貢獻。即使研究加入「品質調整資訊使用」，也不得假定單一品質指標適用所有任務與文化作品。

19. 2027–2028 年動態研究方案：觀測轉化，不預定必然轉折

19.1 研究時間與事件日誌

建議 2026 年第四季作為資料口徑校準與可行性測試期，2027–2028 年採每月及每季觀測；在 AI 功能、平台推薦、分潤或政策發生重要變更時，另記錄具體事件日與適用地域，不把所有平台視為同一天改變。

此窗口不是預測 2027 或 2028 必然出現某個數值臨界點，而是確保觀測包含足夠長的短期行為、創作者存活與入口競爭過程。若只能取得公開資料，則至少應報告資料覆蓋率與不可觀測部分。

19.2 分層抽樣與追蹤策略

第一階段可選擇四種不同機制的領域：資訊型內容（一般食譜與常識）；原始專業內容（論文與技術文件）；交易型內容（產品比較與電商）；體驗型數位產品（遊戲、互動網站與創作作品）。各領域再依來源規模、新舊程度、發布模式、是否投放廣告、是否提供機器可讀服務分層。

在資源允許時，可先以每一領域數百至數千個內容物件作探索性面板，再以正式檢定的效果量、基準變異、群聚相關與資料可得性估計所需樣本，而不是宣稱某個固定樣本數對全部產業足夠。

19.3 四個季度研究評估重點

研究節點	主要工作	應避免的過強結論
2026 Q4	建立來源版本、入口分類與資料觀測契約	把初始快照當成歷史趨勢
2027 上半年	測量 AI 搜尋導入與原始點擊的異質性	把不同查詢意圖的平均差當成因果
2027 下半年	測量自出版與數位產品冷啟動、留存及推廣轉換	把發行量當成銷量
2028 上半年	測量入口集中與來源分散是否共同存在	把入口 HHI 當成來源 HHI
2028 下半年	追蹤創作者收入、機器使用、授權與新任務生成	把機器請求直接換算成 AI 經濟產值

若研究進入 2029 年以後，可再加長創作者生命周期、技術分岔與收入沉積的追蹤，但延長觀察不能用來取消原先預註冊的反證條件。

19.4 四組領先與滯後指標

領先或早期指標可能包含新作品進入速度、AI 功能開放範圍、有效機器取得、初次合格曝光、使用者查詢型態及新入口安裝／啟用。中期指標可能包含回訪、持續任務使用、跨平台轉換、付費推廣效率與來源多樣性。滯後指標可能包含作者收入分布、公司持續經營、已驗證授權收入及長期關係資產。以上分組是建議的測量假說，不預設每個指標在所有領域都具有固定滯後週期。

19.5 模型更新規則

每個時間點應保存：原始證據、觀測口徑版本、模型版本、當期預測、反事實假設及已發現的未知因素。遇到矛盾資料時，應依事前規則修正作用條件、效果方向或研究邊界，而不是把所有不符合的事實改稱「尚未顯現的長期效應」。

20. 接入 EWDT：內容入口不是世界，卻可以改寫世界的轉化路徑

20.1 接入投影失真論（EWDT-02）

EWDT-02［I4］指出任何指標都有資訊邊界。本篇的直接應用是：內容總數、點擊率、平台市占、機器請求、品牌回憶與收入，只是同一數位經濟世界的不同投影。

同一個總內容量可以對應極不相同的品質、可發現性與經濟結構；同樣的網站直接訪客減少，也可對應任務被 AI 取代、平台推薦調整、競爭者上升、網站故障、內容更新減少等多種原因。不能從單一投影回推唯一因果世界。

20.2 接入經濟耦合與歷史沉積（EWDT-05、06）

平台與創作者之間的關係可能從一次性的流量分發逐漸轉為長期依賴；使用者習慣、平台標準、訂閱和搜索權重會成為未來新入口的進入成本。這些關係具有歷史性，不能只憑今天的市占變化預測明日是否可以無成本切換［I5］。

同樣，新的 AI 入口既可能降低資訊摩擦，也可能形成新的依賴節點；耦合增加既可能提高協作效率，也可能提高共同失效風險。

20.3 接入供需與中觀路由（EWDT-07、13）

EWDT-07 已將有效需求與主觀想要、支付能力、可交付性分開；EWDT-13 則將平台、支付、供應鏈與基礎設施視為中觀轉化路由［I6］。本篇中的推薦入口、AI 答案、書籍市場及 App 分發，就是此類路由的具體候選應用。

一個作品存在，不等於能被相關需求者發現；被發現，不等於合法可得；合法可得，不等於購買者能支付或願意支付。這些分離已在 EWDT 的類型／合法性語法中具有前置，本篇不重新創立其本體。

20.4 接入候選—世界沉積差異（EWDT-18）

假設某平台新增十萬本書或一萬個網站，這表示有效候選集合可能擴張；但只有當相應內容真正被使用、知識能力被保存、交易形成、可持續服務被部署或新生活選擇被實現時，才有必要進一步討論該候選是否形成可行世界域的實質擴張［I3］。

反過來，數位出版收益不佳也不等於完全沒有世界沉積：非商業作品可能具有個人、社群、教育、保存及文化價值。要比較這些價值，仍應明示任務尺度和可證據化的指標，不能任意換算成 GDP。

20.5 地球文明尺度仍留給系列第 12 篇

供給膨脹與注意力收斂最多先說明資訊市場及中觀平台的一部分。要討論地球文明層級，仍需納入金融、能源、勞動、社會保障、教育、國際貿易、公共治理及 AI Agent 等其他世界域關係。本篇不以一個平台的市場案例取代整個 EWDT 的宏觀或超宏觀模型。

21. 理論競爭、失敗條件與尚未閉合的問題

21.1 可以挑戰本篇的替代解釋

本篇所稱的供給與注意力分離，可能來自多種與 AI 沒有直接關係的機制，包括：

行動網路普及或裝置使用習慣變化；
搜尋引擎或社群平台本來就存在的推薦集中；
大型平台收購、支付網路效應與一般規模經濟；
內容品質變化、重複供給、垃圾內容清除或平台合規調整；
人口、所得、教育、語言與地域組成改變；
內容價格、訂閱制度、版權交易與廣告政策改變；
搜尋需求本來已逐漸轉向直接答案或零點擊；
使用者以其他媒介取得內容，而不是需求真的消失。

實證研究必須逐一控制或記錄這些競爭機制。若 AI 只是同時發生，而不是某項趨勢的因果來源，就不能把技術時間線當成因果證明。

21.2 不能用「認知跟不上」當成不可驗證護身符

當資料矛盾、效果反向或預測未發生時，不能將一切描述為「世界太複雜，所以沒有任何測量能推翻模型」。研究者可承認觀測不足，但仍須提供可觀察的必要條件、局部效應、時間窗、替代解釋和暫時不能判定的原因。

這與既有 EWDT-EX02「理論太細，所以自己也算不動」［I7］的核心護欄一致：計算化困難不是不可計算性證明，也不是免於實證責任的理由。

21.3 本篇不處理的其他經濟問題

本篇尚未完成廣告主的競價均衡、平台交叉補貼、AI 內容授權費率、法律責任、人機共同執行者歸因、政府稅制、全球勞動轉型及金融泡沫估值分析。它們會留給後續篇章與既有 EWDT 的對應研究，而不在注意力收斂論文中提前宣告答案。

21.4 目前最重要的三個未解問題

第一，入口收斂與來源長尾能否穩定並存？ 這取決於 AI 是否實際多元使用內容，以及來源的授權、品質與可替代性。

第二，新需求生成能否抵消原有直接網站訪問的收縮？ 需要比較任務、福利、收入與創作者長期投入，不能只看同一年份的流量。

第三，當大多數一般資訊由 AI 中介供應時，誰維持原始資訊生產的激勵與公共知識品質？ 這涉及第 06 篇的資料交易、第 07–09 篇的多主體關係，以及第 12 篇的文明尺度可持續性。

22. 結論：數位網路可能擴大，注意力配置卻正在變形

本文從一個具體但不具代表性的網站流量觀察，延伸到一個更一般的研究問題：當 AI 降低內容生產與資訊整理成本，數位市場的供給是否可能繼續增加，但人類直接接觸原始來源的頻率、常用入口數與有效品牌識別不隨之同步增加？

本文提出的答案不是無條件的「會」，而是：在有限注意力、非均等平台分配、資訊可替代性提高或高度整合入口的條件下，這種脫鉤具有合理機制；然而新入口形成、長尾搜索成本降低、特殊內容需求及新媒介效用，又可能產生反方向的分散與擴張。因此必須把供給增長、入口集中、來源使用、機器資訊需求、創作者收益與實際福利分開觀測。

文中以構造反例證明，供給增加不能單獨推出集中度提高；以 ISBN 自出版資料說明低進入門檻可能伴隨龐大新增供給，但沒有把出版量誤當銷售量；以 AI 搜尋不同研究的互補與差異，避免將某次點擊比例當成全部領域的永久效果；以創作者非貨幣效用與平台冷啟動，說明為何供給增加及收益困難可能共存。

更重要的是，本文將「前台收斂、後台擴張」維持為可檢驗的候選經濟結構：人類可能透過少數介面完成更多資訊任務，而底層來源仍可能被機器廣泛取得；但機器取得量不等於下游實際使用、來源高品質、模型訓練採納或內容方收入。入口更集中、來源更分散與來源也更集中，皆為邏輯上可成立而待實證區分的路徑。

因此，本篇所謂「非泡沫型網路轉化」，不是宣稱不會發生產業衰退或資本泡沫，而是拒絕把數位內容持續增加、原始網站直接訪問減少、少數平台入口擴張等不同事實，草率合併成單一衰敗敘事。經濟活動可以在某些指標增長、某些指標衰退的同時發生世界域的重新配置。

對既有 EWDT 而言，新增 URL 或出版品屬於候選對象變化；推薦、生成式搜尋與 AI Agent 可能改變關係及中觀路由；只有真正可實現的需求、持續採納、可驗證成果、權利結構及沉積能力發生變化時，研究者才有條件進一步推論經濟世界域的實際轉化。

最後，本文不以「收斂」替代對未來的開放性。下一代網路可能更集中，也可能在集中後重新分岔；可能產生更多內容，亦可能淘汰大量缺乏有效需求的作品；可能讓人類直接訪問更少來源，也可能使人類透過 AI 取得過去難以得到的更多可靠資訊。這些結果不能由單一敘事先行宣判，而應在 2027–2028 年及更長時間尺度中，依具體資料、反事實與研究任務持續辨識。

附錄 A. 純示意數值：供給、總注意力與頭部份額如何脫鉤

以下數值全部為人工構造，目的僅在於展示一組邏輯上可同時成立的結果，不是任何真實平台的資料。

變數	基準期	後一期
目錄內作品數	100	1,000
人類直接注意力總量（抽象單位）	1,000	1,200
頭部 10 件作品占全部注意力	30%	65%
頭部 10 件作品得到的注意力	300	780
其他作品合計注意力	700	420
非頭部作品數	90	990
非頭部作品平均注意力	約 7.78	約 0.42

此例中總體可用注意力增加 20%，作品數增加十倍，頭部注意力由 300 增至 780；同時非頭部作品平均注意力卻大幅下降。這證明總量成長與典型作品曝光惡化可以同時成立，但不能證明現實世界中的頭部份額會自動由 30% 上升為 65%。該份額變化需要獨立的分配機制及實測證據。

另一組同樣相容的情境是：作品增加十倍，但平台透過長尾推薦把份額更均勻分配，使內容 $HHI$ 下降。故正式研究不應用單一示意值取代對競爭模型的檢驗。

附錄 B. 原稿辨識與命名邊界

本研究與 EveMissLab 既有《經濟世界域轉化論》進行理論接口。雲端現有母論文及系列文件的英文正式縮寫為 EWDT（Economic World-Domain Transformation Theory），而近期研究對話曾口述 EWOT。本篇沿用既有原稿 EWDT 的來源標記，不擅自修訂已完成的前置著作名稱。新系列 AIEC 僅作《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》之編輯識別碼，並非取代母理論的新本體名稱。

本篇使用「非泡沫型網路轉化」作為條件性研究敘述，不把它提升為必定正確的歷史定律。

參考文獻與原始來源

外部學術與官方文獻

［E1］ Simon, H. A.（1971）. Designing Organizations for an Information-Rich World. In M. Greenberger (Ed.), Computers, Communications, and the Public Interest. Johns Hopkins Press. 原始文本參考：https://gwern.net/doc/design/1971-simon.pdf 。本文引用其注意力稀缺概念，不將之解釋為全社會注意力總量不變定理。
［E2］ Brynjolfsson, E., Hu, Y. J., & Smith, M. D.（2006）. From Niches to Riches: Anatomy of the Long Tail. MIT Sloan Management Review, 47(4), 67–71. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=918142 。長尾與搜尋／推薦成本下降的反向機制。
［E3］ Salganik, M. J., Dodds, P. S., & Watts, D. J.（2006）. Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market. Science, 311(5762), 854–856. https://doi.org/10.1126/science.1121066 。社會影響、成果不均與不可預測性實驗。
［E4］ Chapekis, A., & Lieb, A.（2025-07-22）. Google Users Are Less Likely to Click on Links When an AI Summary Appears in the Results. Pew Research Center. https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/ 。900 位美國成人瀏覽資料的觀測研究。
［E5］ Semrush（2025-12-15）. Semrush AI Overviews Study: What 2025 SEO Data Tells Us About Google's Search Shift. https://www.semrush.com/blog/semrush-ai-overviews-study/ 。關鍵字、產業與零點擊異質性；方法與抽樣口徑不同於隨機試驗。
［E6］ Wang, S. T., Gleason, J., Bart, Y., Wilson, C., & Metaxa, D.（2026-08）. AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence. arXiv:2608.18352. https://arxiv.org/abs/2608.18352 。預註冊田野實驗；本文僅將其作為特定試驗環境之初步因果證據，不宣稱已完成全市場外推。另可參照 Agarwal, S. & Sen, A.（2026）. The Impact of Google AI Overviews on Publisher Traffic and User Experience: Evidence from a Field Experiment. https://ssrn.com/abstract=6513059 。
［E7］ Amazon Kindle Direct Publishing. Start Publishing with KDP. https://kdp.amazon.com/en_US/help/topic/GHKDSCW2KQ3K4UU4 。官方免費自出版制度說明；不代表完整出版成本為零。
［E8］ Valve / Steamworks. Steam Direct Fee. https://partner.steamgames.com/doc/gettingstarted/appfee 。官方逐產品 100 美元提交費與收入門檻說明。
［E9］ Milliot, J.（2026-03-17）. Book Output Topped Four Million in 2025. Publishers Weekly, 引用 Bowker ISBN 統計。https://www.publishersweekly.com/pw/print/20260323/99943-book-output-topped-4-million-in-2025.html 。相關自出版作品量為 2024 年 2,545,885；2025 年 3,529,980。本文不以 ISBN 統計代替零銷售比率或 KDP 平台全體著作量。

EveMissLab 既有研究前置（獨立於本篇新增命題）

［I0a］ Neo.K／EveMissLab（2026）. 機器可見，而人類未必認識：雙重受眾的資訊識別落差. 本系列 Paper 01，EML-AIEC-2026-01。AI_Economic_Coupling_Paper01_Machine_Visibility_Human_Recognition_v0.1_2026-10-16.md。
［I0b］ Neo.K／EveMissLab（2026）. 從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界. 本系列 Paper 02，EML-AIEC-2026-02。AI_Economic_Coupling_Paper02_From_Crawling_to_Payment_AIO_GEO_Boundaries_v0.1_2026-10-16.md。
［I1］ Neo.K／EveMissLab（2026）. 注意力不是生產域：流量分配權與存量生產能力的重新整合.。注意力流量與可沉積生產資產的分離。
［I2］ Neo.K／EveMissLab（2026）. 推薦、冷啟動與創作者生態退化. A05，Algorithmic Observation, Recommendation & Platform Ecology. https://unboundedaxiom.org/p/lm-003338/ 。曝光不可行與證據飢餓模型。
［I3］ Neo.K／EveMissLab（2026）. EWDT-18：AI 泡沫與經濟世界域擴張. https://unboundedaxiom.org/p/lm-004409/ 。候選、部署、吸收、沉積與世界域擴張的分離。
［I4］ Neo.K／EveMissLab（2026）. EWDT-02：經濟投影失真論. https://unboundedaxiom.org/p/lm-004440/ 。單一觀測指標不能重建完整世界。
［I5］ Neo.K／EveMissLab（2026）. EWDT-05：經濟耦合論. https://unboundedaxiom.org/p/lm-004441/ ；EWDT-06：歷史耦合與路徑依賴. https://unboundedaxiom.org/p/lm-004432/ 。
［I6］ Neo.K／EveMissLab（2026）. EWDT-07：供需的重新定義. https://unboundedaxiom.org/p/lm-004422/ ；EWDT-13：中觀耦合域. https://unboundedaxiom.org/p/lm-004420/ 。
［I7］ Neo.K／EveMissLab（2026）. EWDT-EX02：理論太細，所以我自己也算不動. https://unboundedaxiom.org/p/lm-004410/ 。計算化缺口與任務相對充分。
［I8］ Neo.K／EveMissLab（2026）. 從 Human-Centric Web 到 AI-Readable Web. https://unboundedaxiom.org/p/lm-001202/ 。人機雙重閱讀介面與資訊攝取的技術前置。
［I9］ Neo.K／EveMissLab（2026）. 語義儲備網域命題：Agentic Web 時代的網域價值函數反轉. https://unboundedaxiom.org/p/lm-001266/ 。機器導航價值與人類網域記憶價值可能分離的研究前置。

原稿結束。 本篇所有跨平台或未來市場機制，除清楚標示引用之外，皆屬條件性研究命題或數值示意。後續應以實際資料更新效果方向、適用範圍、研究時間窗及統計不確定性；不可把當前 v0.1 當作已完成的全球 AI 經濟實證定律。