反身性 AI 經濟：當經濟模型開始參與並改變被研究的世界

從預測—授權—行動—結果的內生閉環，到多 Agent 同步性、觀測失真與可反駁的經濟世界域動態

英文題名： Reflexive AI Economics: Endogenous Model–Action–World Feedback, Multi-Agent Coordination, and Falsifiable Dynamics of Economic World-Domains
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》（AIEC）
系列篇號： 11 / 12
文件編號： EML-AIEC-2026-11
原始研究命題、經濟觀察與研究方向： Neo.K
AI 協作論證、形式化、文獻核對與原稿整理： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
原稿日期： 2026-10-17（Asia/Taipei）
版本： v0.1
文件性質： AI 經濟反身性／複雜適應系統／多 Agent 經濟行動／可反駁形式模型
正本格式： Canonical UTF-8 Markdown；數學原始碼僅採 $...$ 與 $$...$$
直接前置： AIEC-01～10，尤以 AIEC-05、07、08、09、10；EWDT-01、02、05、06、12、13、14、16、18、21、22；MPD-12；人工行動者政治經濟研究
外部資料截止： 2026-10-17；文獻資訊以出版單位、學術資料庫及官方原文核對
研究狀態： 形式候選、條件性推導、可重算反例、十項可反駁假說、2027–2028 年觀測方案；並非 AI 已能完整預測全球經濟的實證聲明
後續接口： 第 12 篇《地球文明的 AI 經濟耦合觀測》

作者： Neo.K

摘要

在經典經濟建模中，研究者觀察既有世界，建立模型，再以模型解釋、預測或提出政策建議。然而，當越來越多企業、個人、政府機構與 AI Agent 將預測模型直接嵌入定價、廣告、推薦、採購、投資、信用、公共服務與資源調度流程時，原本位於世界之外的模型，開始透過行動改變其下一輪需要預測的世界。這不是人工智慧才首次帶來的現象；自我實現預言、模型的市場建構性、Lucas 批判、Goodhart 型指標反應以及機器學習中的 performative prediction 均有重要既有研究。AI 時代的新難點在於：建模、委託、執行、驗證、再訓練及再行動可以被連成高頻且跨主體的工作流程，形成可與世界狀態共同演化的制度與資訊結構。

本文提出「反身性模型—行動—世界框架」（Reflexive Model–Action–World Framework，RMAW）作為《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》第十一篇的候選研究接口。RMAW 不將「模型預測錯誤」自動判為反身性，也不把「企業使用 AI」等同於可證的模型回饋。本文嚴格區分：原始世界狀態、有限觀測投影、模型預測、決策規則、授權與實際致動、世界轉化、事後統計、模型更新。只有當模型所引發的行動對所研究結果存在可辨識的因果路徑，才可主張具有模型介導的經濟反身性。

本文建立三類最低限度的形式結果。第一，一階線性閉環中，回饋係數可能將原本收斂的系統轉成擴張、振盪或加速收斂；本篇提供特徵值門檻、可重算數值及逆向反例，並不推論實際市場已具同一係數。第二，當多 Agent 的行動存在共同訊號或模型相關性時，聚合波動可能無法隨行動者數量按獨立樣本假設下降；相關性上升不必然等於違法協議或共用模型造成。第三，一項正確辨識風險的預測，若導致有效的預防行動，事後結果可顯示風險並未實現；僅按事後結果給模型評分，可能錯置預測能力與干預功效，並混淆自我實現、自我否定和真正的預測失敗。

在經濟活動分類上，RMAW 延續第七篇 B／C／A 九格與第八篇 B／C／A／G 十六格，但不把各格視為獨立市場。第九篇 LEAA 的帳號、委託、執行、付款、受益與責任證據鏈，以及第十篇 TPMT 的技術、部署、使用、成果、觀測、發布時間戳，是本篇識別反身性因果路徑的必要前置。這使網站搜尋、企業廣告、AI 內容授權、動態定價、金融及公共採購可以在同一理論下比較，同時保留其完全不同的制度、實體資源、道德與法律邊界。

本文提出十項可反駁假說及 2027–2028 年研究方案，要求預先登記模型版本、發布對象、參與率、決策授權、實際執行、時間窗、結果單位、反事實比較及網絡外溢；對同步化、演算法協調、資料污染、指標目標化、預測公布的市場反應與政策介入分別提出可驗證條件。RMAW 的核心主張是：AI 經濟研究不能只問模型能多準確地預測經濟，也必須問它的預測如何被採用、由誰執行、改變哪些關係、再如何形成下一輪可觀測世界。

關鍵詞： 反身性經濟、AI Agent、performative prediction、Lucas critique、模型介導干預、自我實現預測、自我否定預測、多 Agent 同步、算法定價、指標目標化、觀測等價、內生資料分布、B2A、A2A、G2A、LEAA、TPMT、EWDT、經濟世界域、2027–2028

0. 研究定位與明確的非主張

本文研究的並不是「AI 是否擁有意識」或「一切經濟活動終將由 AI 主宰」，而是對一個可以檢驗的現象建模：某個經濟模型被系統採用後，其輸出透過具有實際權限的行動者改變了後續經濟資料生成機制。

本文不主張：

反身性由 AI 首次發現或創造；
AI 代理行動等於 AI 具有獨立法律人格、產權或終端偏好；
模型與市場數值相關，即可證明模型改變市場；
預測被公開後必然會成真，或必然被市場抵消；
市場出現同步行動即能判定存在共謀或非法壟斷；
兩個 Agent 使用相同模型就必然採取相同行動；
模型準確率改善一定提高整體經濟福利；
Agent 數量增加一定提升系統波動或使其下降；
已觀測模型回饋就能識別所有涉及的經濟主體；
所有平台指標目標化都造成品質下降；
全部經濟模型都需要在每次執行時展開完整的地球經濟世界；
9／16 關係矩陣等於九或十六種各自獨立的最終需求；
GDP、價格或交易量可由所有 Agent 事件數量直接相加；
研究者可以不設定期限，而以「未來可能反轉」迴避實證反證；
企業或政府可因 AI 輔助決策而免除原有的權利、審計與責任義務；
有能力模仿人類介面的 Agent 可因此合法繞過網站存取政策；
本篇已從真實全球資料估出單一 AI 反身性係數；
模型回饋形成不穩定，便必然造成真實金融危機；
一般局部均衡模型沒有反身性項，就必然失去全部解釋力；
完整預知文明未來是研究反身性經濟學的必要條件。

研究中的敘述分類沿用：［E］公開外部文獻或政策資料；［I］既有內部理論；［M］本篇定義或條件性推導；［SIM］假設性數值例；［H］尚待驗證之假說。凡是模擬參數與估算，均不以歷史事實口吻呈現。

1. 從十篇研究走到第十一篇：為什麼時間模型仍然不夠

AIEC-01 從機器訪問量與人類社會識別度分離開始；02 區分爬取、索引、引用、後續利用及付款；03 分開供給膨脹、人類注意力收斂與新入口生成；04–06 分析 AI 搜尋商業入口、平台廣告競爭與機器付費需求；07–08 建立 B／C／A 九格、B／C／A／G 十六格；09 的 LEAA 追問誰授權、誰操作、誰付費、誰受益；10 的 TPMT 追問結果在什麼時間窗與尺度顯現。

但第十篇即使能寫出「某技術在第 $h$ 季影響某市場」，仍須回答：在這 $h$ 季之中，企業、平台、使用者、政府或其他 AI 是否因為閱讀同一批模型輸出而改變了自己的行為？ 若答案為是，模型本身就進入被研究系統的因果鏈。原先假設不變的行動規則、資料分布和對照組，可能隨模型部署而改變。

本篇因此新增三個研究變數：模型參與程度、模型介導行動的強度、行動如何重寫下一輪觀測分布。它與第十篇並非前後重複：第十篇主要描述已識別機制的時間傳導；第十一篇追問觀測者／預測者是否也改變了傳導機制本身。

2. 已有學術前置：不可把既有反身性重新命名為首創

2.1 自我實現預言

Robert K. Merton（1948）的 The Self-Fulfilling Prophecy 說明人們對情境的信念可以引發行為，並反過來改變後續現實。本文使用這個傳統來界定預測—行動—結果的方向，不宣稱首次提出自我實現預言。［E1］

2.2 Lucas 批判

Robert E. Lucas Jr.（1976）的經濟計量政策評估批判指出，依歷史資料估得的經濟關係，在政策或決策規則改變後不一定保持不變。RMAW 將此提醒接到模型部署和 Agent 策略，但不聲稱兩者數學上等價。［E2］

2.3 模型建構市場

Donald MacKenzie（2006）的 An Engine, Not a Camera 研究金融模型如何成為市場實踐與制度的一部分，而非單純映照市場。本文不把「模型是世界的一部分」包裝為 AI 才開始的新學術發現。［E3］

2.4 Performative prediction

Perdomo、Zrnic、Mendler-Dünner 與 Hardt（2020）明確形式化「預測支持決策時會改變被預測分布」的機器學習問題，提出 performative stability 等概念。RMAW 延伸到多角色授權、網路型經濟關係及時間版事件帳本，但不取代或冒稱其理論成果。［E4］

2.5 演算法定價與多 Agent 回饋

Calvano 等（2020）在特定重複寡占定價模型中，觀察強化學習演算法能學得超競爭價格，而不需要直接互相通訊；Hunold 與 Werner（2025）又指出，不同推薦演算法與人類賣方互動可能造成競爭性或更接近協調的結果；Dou、Goldstein 與 Ji（2025）在模型與模擬中研究 AI 驅動交易者的協調風險。這些成果支持研究多代理互動，而不是實證證明真實世界所有 AI 定價都會合謀。［E5］［E6］［E7］

2.6 Goodhart 型指標反應與推薦回饋

指標被用作考核或最佳化目標後，原本的統計關係可能改變；推薦系統也可能反覆利用既有使用行為，影響下一輪曝光與偏好資料。此類現象並非 AI 特有。［E8］［E9］

2.7 監管機構已將同質模型視為風險因素

BIS 2025 年與 2026 年的研究／演講指出，金融機構若大量依賴相似模型，可能形成同步反應、流動性壓力或順週期性；OECD 更早就討論演算法協調的競爭政策問題。這是風險識別與政策分析，不等於某項全球系統性崩潰已由 AI 造成。［E10］［E11］［E12］

3. 第一個必要區分：模型「描述」與模型「介入」

令 $\mathfrak W_t$ 代表時點 $t$ 的經濟世界狀態（沿用 EWDT 的八元本體）， $\Pi_t$ 代表研究者在該時點可取得的觀測投影；第 $i$ 個模型產生訊號 $s_{i,t}$ ：

y_t = \Pi_t(\mathfrak W_t), \qquad s_{i,t}=f_{i,t}(y_{\le t},\mathcal I_{i,t}).

單純的模型輸出不一定改變世界。即使 $s_{i,t}$ 與未來市場高度相關，若沒有能將訊號轉成具有因果效果的行動，則只屬於描述或預測。

引入決策採用與授權條件 $u_{i,t}$ ，及其在世界中實際執行的行動 $a_{i,t}$ ：

a_{i,t}=\Gamma_i(s_{i,t},u_{i,t},\Omega_{i,t},H_{i,t}),

其中 $\Gamma_i$ 必須包含可以不採用、拒絕或修改模型建議的情況。若輸出完全未被採用，模型直接致動通常為零，但仍可能透過公開傳播影響別的行動者；兩種路徑都需要證據，不能預設。

4. 最小 RMAW 閉環：世界不是模型的固定標靶

令 $\mathbf a_t$ 表示本期實際執行的多主體行動向量， $\xi_t$ 為外生衝擊及未建模條件，則世界轉化可以寫成：

\mathfrak W_{t+1}=F_t(\mathfrak W_t,\mathbf a_t,\xi_t).

第 $t+1$ 期又形成新的觀測量：

y_{t+1}=\Pi_{t+1}(\mathfrak W_{t+1})+\eta_{t+1}.

研究者或 Agent 以新資料更新模型：

f_{i,t+1}=U_i(f_{i,t},D_{\le t+1},V_{i,t}),

其中 $V$ 為模型驗證、權利及治理守衛。由此形成：

\mathfrak W_t\longrightarrow y_t\longrightarrow s_{i,t} \longrightarrow a_{i,t}\longrightarrow\mathfrak W_{t+1} \longrightarrow y_{t+1}\longrightarrow f_{i,t+1}.

此循環只是一種可建模的可能結構，不能單靠它的存在就宣稱任何市場必然出現不穩定。當 $a_{i,t}$ 不依賴模型、或模型介導行動未對指定結果產生可識別效果時，研究者可以觀察到不成立的或非常弱的反身性。

5. 反身性的最低因果判準

「市場模型已經被使用」只是部署事實，並非完整反身性證明。本文提出任務相對判準：給定研究的世界結果 $Y_{t+h}$ 、模型 $f_i$ 與可允許的干預集合 $\mathcal J$ ，若在其餘設計條件相同的反事實下，改變模型的部署或可見輸出可以經由實際行動改變 $Y$ 的分布，才稱該模型對此研究結果存在模型介導的因果回饋。

\mathcal R_{i,Y}^{[h]} =E[Y_{t+h}\mid do(Deploy(f_i)=1)] -E[Y_{t+h}\mid do(Deploy(f_i)=0)].

這裡的 $do(\cdot)$ 是因果介入記號，不是任何公開觀測資料都能直接估出的數值。若存在不同模型造成不同資訊、行動或制度反應，就必須隔離其他同期干預與外溢。尤其部署本身可能伴隨員工訓練、預算、數位化等共同改變，觀察到 $\mathcal R\ne0$ 並不足以將全部效果歸於模型輸出。

建議進一步分開報告總效果、實際採用程度、經由模型建議形成的行動中介效果，以及未能完全分離的共同變化，不假裝單靠資料分解就能辨識全部因果鏈。

6. 觀測改變與真實世界改變必須分開

有些模型使資料庫的紀錄方式改變，卻沒有改變被觀測的真實經濟對象。例如一個平台將部分 AI 幫忙閱讀的訪問改標記為 Agent 流量，報表中的機器流量上升，可能僅是分類規則改變，並非真正機器活動變多。

反之，AI 可能大幅參與人類帳號下的採購、內容整理與客戶服務，但平台仍沿用原來的帳號分類。這時真實功能結構已經改變，而觀測報表不一定變化。

因此：

\Delta O_t =\Delta O_t^{world} +\Delta O_t^{measurement} +\Delta O_t^{classification} +\varepsilon_t

是一個概念性誤差分解，各項不預設可由任一資料集唯一分離。研究必須保存觀測規則版本；若無法分離應明示「未知」而非任意假設為零。

7. 預測的公開傳播也是一條不同的致動路徑

並非所有模型都透過 API 或工作流直接操作市場。經濟報告、金融評論、政策情境、AI 搜尋摘要或社群貼文，也可能被大量人類與 Agent 閱讀後改變預期與決策。

所以要區分兩條因果鏈：

\text{私有模型訊號}\rightarrow\text{內部決策}\rightarrow\text{實際操作},

\text{公開模型敘述}\rightarrow\text{受眾預期}\rightarrow\text{多主體行動}.

兩者可能相互疊加。研究須記錄哪些主體在何時能夠實際接觸模型內容，避免把發布後的市場反應當作「模型無介入條件」的自然結果。

8. 授權與責任：模型建議不等於 Agent 有權自行致動

AIEC-09 的 LEAA 將帳號擁有者、需求形成者、委託授權者、模型提供者、實際執行者、合約當事人、付款者、受益者及責任人分開。RMAW 沿用這個分工：

\mathsf{ModelProvider}\ne\mathsf{AuthorityHolder} \ne\mathsf{Executor}\ne\mathsf{Beneficiary}

在某些事件中可能成立，但不要求它們永遠相異。例如個人使用本地 AI 進行電子商務比價，可能由個人持有資金、授權 AI 執行比較，而商家為交易承擔交付義務。即使 AI 執行全部滑鼠與鍵盤操作，也不能據此認定它以自身名義購買商品。

對公共部門或金融機構尤其如此：模型輸出的準確性、授權權限、操作邊界、申訴救濟及審計責任不可壓成單一 AI 分數。

9. 從 B／C／A 九格到 B／C／A／G 十六格的反身性路徑

九格與十六格只是一階方向標籤；反身性發生在跨格事件鏈與狀態更新中。以一項商業採購為例：

C2A\rightarrow A2A\rightarrow A2B\rightarrow B2C,

若公共政策介入，還可能加入：

G2B\rightarrow B2A\rightarrow A2G\rightarrow G2C.

這些箭頭代表指定任務下的功能性交互路徑，不是法律合約必然的締約順序，也不代表每一格都產生獨立付費或新的最終需求。反身性研究比一般事件計數多問一步：在每一條邊上，模型輸出改變了參與者的下一個決策規則嗎？例如 AI 比價結果造成商家調價，商家調價又改變下一輪 AI 的比價輸出；此時才形成可定位的多方回饋。

10. 微觀、中觀、宏觀與超宏觀：相同回饋可能轉變方向

在微觀層，單一使用者使用 AI 更快找到便宜商品，可以改善其購買力；在中觀層，大型平台或供應商據此重新調整推薦、價格與產品曝光；在宏觀層，若多個產業都使用相似的成本最佳化方法，可能改變價格分布與勞動配置；在超宏觀層，跨國雲端、算力、能源與物流瓶頸可能重新定位。

但不能把上述四層硬接成必然遞進序列。某些微觀效益可能被平台費用吸收；中觀競爭加劇也可能使最終消費者受益。必須指定：作用方向、介入強度、替代路徑、福利口徑、時間窗及何處發生外部性。

11. 三類反身結果：自我實現、自我否定與結果混合

自我實現（self-fulfilling）：預測或其傳播改變人類／Agent 行動，使被預測結果更接近模型敘述。例：預期價格上漲促使提前囤貨，實際增加短期需求。

自我否定（self-defeating）：預測促使有效的預防、對沖或供給調整，使被預測風險下降。例：提前預警庫存不足，企業備貨避免缺貨。事後缺貨未發生，未必表示預警無效。

混合或條件反向：一部分行動者囤貨、另一部分供應者增加庫存，使價格、成交量、短缺率及利潤呈現不同符號。此類現象不能用一個「自我實現／否定」標籤涵蓋全部結果。

所有例子都是可檢驗機制，不是任何歷史事件的既定事實。

12. 預測準確率與預防干預功效是兩張不同的成績單

若預測模型針對「沒有任何預防行動時的風險」做出正確警告，經濟參與者看到警告後改善了系統，最終觀測結果便可能呈現「預測風險並未發生」。如果將這個事後零事故直接記成原模型的預測失敗，將把兩種不同對象混淆：

\text{ForecastTargetUnderNoIntervention} \ne\text{ObservedOutcomeAfterIntervention}.

因此事前研究協定應分開指定：實際政策下的校準誤差、未介入世界的反事實風險、介入效益與措施成本。若沒有可信的比較組或干預識別設計，不能只憑事件沒發生就宣稱模型成功預防，也不能直接宣稱其預測失敗。

13. 最小線性反身模型：回饋可以使穩定系統失穩

為證明回饋方向並非必然，先使用最小純假設動態系統。令 $x_t$ 為相對於某參考水準的經濟狀態偏差， $a_t$ 為模型介導的實際行動， $r$ 是沒有新增模型介導行動時的狀態延續程度， $b$ 為行動對狀態的影響， $q$ 為觀測和預測的簡化線性靈敏度， $k$ 為模型訊號到行動的反應係數：

x_{t+1}=r x_t+b a_t+\varepsilon_{t+1}, \qquad a_t=k q x_t.

合併：

x_{t+1}=\lambda x_t+\varepsilon_{t+1}, \qquad \lambda=r+b k q.

在無衝擊且係數固定的一維模型中， $x_t=\lambda^t x_0$ ；其局部漸近穩定條件是：

|\lambda|<1.

因此模型的存在不自動等於效率或混亂。若原始 $|r|<1$ ，而 $bkq>0$ ，模型介導行動可以增加狀態延續；當 $|r+bkq|>1$ ，此簡化系統便由局部穩定轉成不穩定。若 $bkq<0$ ，模型介導干預可能加快偏差消退；但過度的負回饋也可能使 $\lambda<-1$ ，造成交替振盪且幅度擴大。

這個結果不需要 AGI、ASI 或 AI 主體性假設；只需要實際致動回饋。新技術提高回饋速度，既可能改善控制，也可能放大錯誤調整。 但現實市場常有飽和、庫存上限、非線性價格、風險守衛及策略變更，因此不能用一維線性系統直接預測真實市場爆炸。

14. 三組可重算的正負回饋：不是所有 AI 協作都使世界更不穩定

固定 $r=0.6$ 、 $b=0.5$ 、 $q=1$ 、 $x_0=10$ ，暫不加入外生擾動：

情境	$k$	$\lambda$	$x_1$	$x_2$	$x_3$	結構
無模型致動	$0$	$0.6$	$6$	$3.6$	$2.16$	自然收斂
增幅回饋	$1.2$	$1.2$	$12$	$14.4$	$17.28$	逐期擴張
適度抑制	$-0.6$	$0.3$	$3$	$0.9$	$0.27$	收斂加速
過度抑制	$-4$	$-1.4$	$-14$	$19.6$	$-27.44$	交替擴張

以上數值只是代入 $x_{t+1}=(0.6+0.5k)x_t$ ，不是任何 Google、Amazon、中央銀行或真實交易平台的估計。它們反駁一個常見直覺：模型部署增加決策效率，就必然單調提高系統穩定性。就算所有個體決策看起來具體、快速，也可能在群體系統裡形成不同方向的回饋。

同理，模型之間分歧不是自動的壞事：多樣化策略有時可降低集體回饋強度，但也可能造成新型競逐與彼此對沖。研究需要量測實際控制反應，而不是把模型數量當成系統穩定程度的代理指標。

15. 從一階系統到多產業：特徵值與跨域回饋

實際經濟狀態包含多種價格、庫存、收入、廣告需求、信用、供應鏈及政策變數。以 $\mathbf x_t$ 表示某個指定、有限子域的局部狀態向量，在局部線性化與固定規則的假設下：

\mathbf x_{t+1}=R\mathbf x_t+B\mathbf a_t+\boldsymbol\varepsilon_t, \qquad \mathbf a_t=KQ\mathbf x_t.

因此：

\mathbf x_{t+1}=(R+BKQ)\mathbf x_t+\boldsymbol\varepsilon_t.

若不考慮擾動，在這個離散時間的線性系統中，局部漸近穩定要求矩陣 $R+BKQ$ 的譜半徑小於一：

\rho(R+BKQ)<1.

這裡的 $\rho$ 是譜半徑，不是後文使用的統計相關係數；形式上必須區分。當 $K$ 與 $Q$ 隨 AI 更新、企業策略、授權與政策改變時，係數成為時間變數，固定矩陣的譜半徑條件便不再足以表達完整全球動態。模型應轉為時間變動狀態空間、切換系統或其他適當形式，並明確報告識別能力與計算限制。

這是一個如何檢查局部可行模型的工程方向，不是一套已完成的全球經濟預測演算法。

16. AI 模型的更新速度，可能改變反身性的時間尺度

將模型更新寫成：

\theta_{i,t+1} =U_i(\theta_{i,t},D_t,\ell_{i,t},V_{i,t}),

其中 $\ell$ 為評分或損失、 $V$ 為驗證守衛。更新越快不保證越好。當資料反映的是上一輪行動所創造的環境，快速重新訓練可能只是更快追逐自己的歷史影響。

例如某採購 Agent 用近期價格訓練，策略導致供應商調整報價；下一輪資料已帶有自身造成的供應商反應。如果系統把新價格當成外生市場趨勢，可能在不同時間窗中發生高估、低估、追價、反向修正或停滯。

Perdomo 等（2020）的既有研究直接說明 performative distribution shift 與穩定性問題［E4］；RMAW 的新增要求是同時記錄策略版本、授權執行、外部供應商反應與實際市場結果，使可訓練的模型狀態不是唯一需要保存的歷史。

17. 分布變化不是單一錯誤：四種機制須分離

對從 $D_t$ 到 $D_{t+1}$ 的資料變化，至少可能存在：

外生環境變化：天氣、政策、戰爭、能源與季節性等與模型介導行動無關的事件；
內生行為適應：企業與人類使用者對模型建議作出反應；
觀測投影變更：儀表板、追蹤碼、分類器及資料欄位重新定義；
策略性回饋或對抗：被評分者、賣家與競爭者依據已知模型規則調整自身行為。

它們在資料上可能同時呈現分布漂移，但治理含義與因果識別方法不同。單純重新訓練模型可能消除部分預測誤差，也可能遮蔽更重要的環境改變。因此模型更新須附資料來源版本、外部衝擊註記及可追溯行動紀錄。

18. 共同模型並非充分條件：需要分離共享訊號、策略、權限和環境

有人可能看到數百間企業使用同一 AI 供應商，便推斷市場會同步化。這個推論太快。相同基礎模型在不同工具、預算、責任、提示、資料、法務限制與商業目標下，可能產生完全不同的行動。

反過來，即使各企業使用不同模型，也可能因共享同一財經新聞、同一產品競價、同一貨幣政策與同一資本約束而同步反應。高相關不能單獨證明共用基礎模型是原因。

RMAW 因此分開記錄：共同基礎模型供應商、版本相似度、資訊來源重疊、提示或政策規則相似、實際操作權限、決策時序，以及共同外生因素。只有在控制可觀測混雜因素後，才能估計模型共享的增量影響；即使如此，未觀測混雜仍需界限或敏感性分析。

19. 聚合相關性命題：Agent 越多，總體擾動未必越小

考慮純假設、同質變異的 $N$ 個 Agent 行動衝擊 $z_i$ ，每個期望值為零、變異數為 $\sigma^2$ ，任兩個不同 Agent 的相關係數均為 $c$ ；這是方便推導的等相關假設，並非實際 AI 市場定律。

對平均衝擊：

\bar z=\frac{1}{N}\sum_{i=1}^N z_i,

有：

\operatorname{Var}(\bar z) =\frac{\sigma^2}{N}[1+(N-1)c].

若 $c=0$ ，變異數隨 $1/N$ 下降；若 $c>0$ 且不隨 $N$ 消失，則在 $N$ 很大時：

\lim_{N\to\infty}\operatorname{Var}(\bar z) =c\sigma^2.

因此增加 Agent 數量不保證聚合噪音自然消失。這是統計相關性結果，不是共同模型必然造成相關性，也不是演算法合謀的法律判定。在真實研究中， $c$ 可能隨類別、時間與市場狀態變化；等相關模型僅是第一代對照基準。

20. 一百個 Agent 的可重算數值例

設 $N=100$ 、 $\sigma^2=1$ ，則：

假設相關係數 $c$	平均衝擊變異數	平均衝擊標準差
$0$	$0.010$	約 $0.100$
$0.05$	$0.0595$	約 $0.244$
$0.20$	$0.208$	約 $0.456$
$1.00$	$1.000$	$1.000$

當 $c=0.20$ 時，即使有一百個行動者，平均衝擊的標準差也約為獨立情形的 $4.56$ 倍。若要使這個結果成為 AI 的實證論文，研究者還必須提供行動者樣本、時間資料、相關係數可信區間、共同外生訊號控制及至少一種可替代的非 AI 解釋。

此數值也提醒我們：同一方向的集體行動可能放大系統反應，但正相關本身沒有好壞標籤。一百個醫療或物流協調 Agent 迅速採取相似且正確的預防行動，也可能增加系統韌性。

21. 多 Agent 的競爭、協調和合謀必須分開

同一市場裡的代理系統可能有三種不同現象：

競爭性適應：代理人獨立調價或尋找替代品，使市場更加競爭。經濟性協調：代理系統藉共享狀態降低重複工作或不必要的搜尋成本，可能具有社會效益。限制競爭的協同行為：在特定市場中，策略互動可能造成持續高價或排除競爭。

從法律角度，這些經濟現象不能直接畫上等號。OECD（2017）已指出，演算法協調與傳統協議、默示共謀之間的執法界線具有難度［E12］。Calvano 等（2020）展示的是特定經濟模型下的學習結果；Hunold 與 Werner（2025）同時得到某些演算法具有促進競爭的效果［E5］［E6］。

因此本篇嚴格區分：輸出相似、策略相依、超競爭價格、實際法律違反四個不同判斷；法律責任仍須依適用法域和具體事實判定。

22. 指標成為控制目標：觀測系統可能改寫經濟行為

當搜尋平台、內容網站或企業把某個指標用於獎懲、採購或推薦分配時，該指標不再只是觀測，而可能成為行動者最佳化的目標。以研究網站為例，如果平台按照「被訪問次數」分配算力與推薦資源，網站可為了提高訪問數而改變排版、更新頻率、頁面切分或發布節奏；計數便可能增加，卻不能單獨證明內容獨特性、真實閱讀或研究貢獻同幅增加。

若將真正目標品質記為 $Q_t$ ，平台可見代理指標記為 $M_t$ ，引入 AI 或其他最佳化行動 $a_t$ 後，可能出現：

\frac{\partial M_{t+1}}{\partial a_t}>0, \qquad \frac{\partial Q_{t+1}}{\partial a_t}\le0.

這只是可能成立的條件，不是所有指標最佳化必然造假的定理。另一些情況中，改善 $M$ 也可能直接改善 $Q$ 。研究者須檢查代理指標和真實任務品質是否逐漸脫鉤，以及脫鉤的行為機制，而不是看到指標成長就判定操弄。

23. 搜尋與推薦：人類注意力和機器內容讀取可能形成雙向回饋

AIEC-01～04 已指出網站機器可發現性、直接真人訪問與品牌識別可能分離；這篇再把它們接入時間迭代。

一個推薦系統若更偏好某類來源，可能增加這些來源的人類曝光；曝光改變點擊、評論與購買；新資料再次強化或修正推薦。若另有機器檢索層，則還可能有大量 AI 查詢與內容存取，卻不在原始網站產生對應的人類點擊。這兩套回饋不可混算。

例如，推薦系統進一步集中人類入口，未必表示背後 AI 檢索的來源也更集中；機器端可能繼續讀取大量小網站。反過來，AI 可直接引用大平台資訊，而只把少量獨立來源留在原始資料鏈。故需至少保存：入口集中度、來源集中度、來源品牌識別、內容授權、機器實際讀取及終端轉換六類指標。這與 AIEC-03 的前台／後台分離相容，而非由任何一個觀看數量判斷所有網路結構。

24. 廣告主的反身性博弈：平台收入不是企業福利的充分統計

AIEC-05 已建立防禦性廣告加碼與進攻性市場整合的博弈：當免費自然觸及減少，企業即使發現平均廣告效率下滑，仍可能因為競爭者行為、退出風險或市場份額而加碼。RMAW 再補上一個回饋：假如每家公司也開始使用 AI 即時分析競爭對手的投放，則模型本身成為競爭過程的一部分。

某公司 AI 估計「競爭者將下調廣告」而加碼，競爭者又用 AI 看到加碼並同步反擊，平台收入、競價成本與廣告主利潤可能產生不同方向。但同一機制也可因自動預算上限、競價品質限制及廣告主退出而停止。不能從平台當季營收增長推斷 AI 已造成恐慌性出價，更不能把廣告費支出與交易訂單重複當成新增最終需求。

本篇需要研究的參數包括：模型部署比例、訊號公開性、反應延遲、出價上限、增量轉換率、退出與替代管道、競爭對手觀測與模型更新頻率。

25. 金融市場的雙相結果：更快的風險管理與更快的風險傳導

金融市場具有很高的數位交易速度與資訊同步程度，因而為反身性經濟提供一種可觀測的極端環境。使用 AI 進行流動性、風險、價格或信用分析，可能改善資訊處理及交易執行；若大量機構因相似訊號同時調整資產部位，也可能擴大流動性壓力。

BIS 的官方研究與演講曾指出相似模型、同步行動、順週期及金融穩定性的潛在關係［E10］［E11］。Dou 等（2025）的理論與模擬提供演算法交易中可能形成協調的特定案例［E7］。這些研究支持將共同模型曝露、模型更新速度、治理限額及市場深度納入監測，但不構成「AI 交易一定增加全球金融危機」的普遍結論。

特別需要注意的是：更快執行不等於更快清算所有風險。 結算、擔保、風險資本與公共救助仍具制度時間與資源限制；模型可以預測流動性，也可能改變流動性的需求分布。

26. 企業勞動與生產：自動化不只改變產出，也改變企業如何預測自己的未來

企業 AI 系統可能使用訂單、員工任務、庫存和預算資料預測產能需求；其建議又改變聘用、排班、採購、流程與產品組合。此時下一季的勞動、生產力和供應商投入資料，可能已經內生包含前一輪模型的決策。

在研究上必須分開：真正改善的生產力、因模型改變的任務組合、轉移給供應商或員工的成本、導入與維護費用，以及不再被原有統計捕捉的隱性 AI 勞務。即使觀測到人均產值提高，也不能自動推出每位員工的收入或生活可行集合擴張。EWDT-21 的自動化社會閉合已經處理生產域、消費域、參與域與生活世界的分離［I21］；本篇新增模型—決策—下一輪統計的反身性路徑。

27. 公共部門：AI 輔助政策可以改變原本的政策對照世界

當政府使用 AI 分析失業、公共採購、住房、電力、教育需求或公共服務績效時，模型往往是政策流程的一部分。若依據模型預估的某類風險決定資源配置，之後的公共數據便可能包含政策干預的效果。此時，同一份模型既用於預測，也用於產生預測分布所依賴的政策行動。

例如政府 AI 系統預警某區域醫療服務不足，公共部門增加服務人力，使下一季度缺口下降。這不代表原預警一定錯誤；但研究也不能直接宣稱改善必然由 AI 造成，因為人員預算、地方需求、季節性及其他政策都可能同時改變。

在 B／C／A／G 十六格中，可以辨識 G2A 委託、A2G 分析、G2B 採購、B2G 交付及 G2C 公共服務等功能事件。公共經濟的實際責任仍應落在依法授權的機構與個人，且政策效果需按服務成果、效率、分配公平、申訴救濟及財政成本分帳。模型使用頻率與政府採購費用不能當成獨立的社會福利增加。

28. 模型發布可能改變研究對照組：研究者自身也具有位置

研究者若公開一套廣泛被媒體報導的 AI 經濟預測，市場參與者可能據此改變投資、求職、定價、政策或產品策略。於是研究者不再完全位於被觀測世界之外。

但不能從「論文被讀過」推定其一定改變市場。必須區分論文被發現、被引用、被可信地理解、被行動者採納、經授權進入決策，以及實際形成有可辨識結果的行動鏈。這與 AIEC-01 的機器可見性／人類識別度分離及 AIEC-02 的爬取／採納／付費層次構成同一研究問題的兩面。

因此研究者公開高影響力預測時，若要檢驗「模型原本的預測力」，必須先指定研究問題：是預測包含自己發布所引發行動的真實世界，還是預測假定沒有人得知模型的對照世界？這是不同的估計目標。

29. 不能辨識因果的幾種典型情況

即使記錄大量資料，仍可能遇到以下不可辨識情況：

所有主要企業同時導入同一代理服務，完全沒有未受影響的對照組；
AI 服務導入與數位轉型、裁員、定價政策同日發生，無法區分機制；
Agent 經由人類帳號操作，但缺乏可信任的委託／執行者紀錄；
模型推薦本身會改變未來測量「需求」所使用的樣本；
政策依風險高低選擇受處置組，導致干預前的風險本來就不同；
競爭者的 AI 行動外溢到原本被視為未採用 AI 的企業；
同一模型同時決定信用分數、額度與資料輸入，使標籤發生選擇性缺失；
重要市場行為受商業機密限制而無法取得，在表面上呈現觀察等價。

這些問題不能僅靠更大的語言模型、更多變數或複雜回歸自動解決。可行路線包括具有授權的分階段部署、群集隨機化、自然實驗、政策門檻、合理的工具變數、機構資料對接及部分識別；各方法都需要自己的可辯護識別假設。

30. 因果識別：部署、採用、執行與結果應分階段觀測

RMAW 建議至少建立四類可識別的實驗變數：

模型可用性：某個符合治理條件的主體是否能取得指定模型。建議曝露：某個主體是否實際讀到並理解輸出。實際執行：有沒有依輸出進行具權限的行動。經濟結果：指定任務的產出、價格、損失、成本與福利如何變化。

若研究只隨機分配模型使用權，首先可估的是「被提供使用權」的處置效果（ITT），而非一定是實際使用者的模型行動效應：

\tau_{ITT}=E[Y\mid Z=1]-E[Y\mid Z=0],

其中 $Z$ 為隨機提供使用權。此等式需要隨機化確實執行、樣本與追蹤有效等條件。若欲進一步推估實際採用模型的局部平均處置效果，還需要工具變數的排除限制、單調性及其他嚴格條件；本篇不假設一定成立。

對存在網絡外溢的市場，普通個體隨機化可能失效：未使用 AI 的商家可能受到其他商家 AI 調價影響。此時研究者須事先定義可暴露網絡、群集層級、干預覆蓋率及干擾假設；不能以沒有直接安裝模型作為未受影響的證據。

31. 模型生命週期與資料歷史：至少保存十個可審計欄位

RMAW 提出以下最小事件—模型證據欄位，不是要求所有平台強制蒐集私人操作細節，而是供取得合法授權的研究與內部稽核使用。

欄位	內容	主要防止的錯誤
`world_window`	被觀測的經濟時間窗與地區	把不同時點視為同期
`task_id`	可去識別化的終端任務主鍵	一個任務多次事件重複計數
`model_id/version`	模型、策略與檢索資料版本	混用不同模型輸出
`signal_time`	訊號產生與對外可見時間	倒因為果
`exposure_scope`	哪些主體實際接觸訊號	假定人人知道預測
`authority_ref`	授權來源、預算與行動範圍	AI 功能與法律權限混用
`action_provenance`	經核驗的人類、AI 或混合執行證據	把帳號直接當執行者
`world_action_time`	實際致動發生的時標	用發布時間取代經濟行動
`economic_outcome`	指定單位的產出、成本、交易與福利	把活動數等同 GDP
`counterfactual_status`	實驗、比較組、未知與識別界限	無對照便宣稱因果

可另保存：公私權限、風險分類、模型輸出是否被人類修改、申訴途徑、修訂與回滾版本、資料覆蓋率、事件驗證狀態，以及對外公布時需要的合法去識別化處理。

第九篇 LEAA 保證身份／角色歸因不被硬壓為一種標籤，第十篇 TPMT 保證時間版本不被事後篡改；RMAW 在兩者上增加「模型行動產生什麼可識別的世界差異」的檢驗層。

32. 可重算案例一：風險預警正確，但事後沒有災難

假設某物流企業根據既有訂單與庫存，推估下週若維持原供應安排，缺貨為 $20$ 單位；管理者因此授權採購額外 $25$ 單位。給定需求及交付均如預期，事後缺貨為 $0$ 單位，多出 $5$ 單位可用庫存。

變數	未增加庫存的假設世界	接受預警並增加庫存的假設世界
預期超出供應的需求量	$20$	$20$
額外到貨量	$0$	$25$
事後缺貨量	$20$	$0$
額外剩餘庫存	$0$	$5$

此案例有兩個重要邊界。第一，事後觀測到「沒有缺貨」，不能單獨證明原模型預測不準，因為模型所指稱的未增加庫存世界不等於實際干預後世界。第二，亦不能因為事後沒有缺貨便證明預測成功，因為若原始超額需求根本沒發生，同樣可能出現零缺貨。必須對照預警前的訂單、供應、交貨實際資料及可以辯護的未干預反事實。

經濟福利還需扣除額外採購、持有、資本占用及可能滯銷成本。對企業，防止缺貨可能提高利潤；對消費者，可能提高商品可得性；但採購與貨物流動不應被各自重新加計成多筆最終 GDP。

33. 可重算案例二：廣告平台收入增加，廣告主平均效益可能變差

設有四家競爭企業，每家每月投放 $100$ 單位廣告，平台收入 $400$ 。AI 免費資訊服務改變搜尋行為後，某些企業無法承受獲客成本退出。剩下三家若為防禦或爭奪市場份額，將每家預算提高至 $160$ ，則平台收入成為 $480$ 。

R_{platform}^{before}=4\times100=400,

R_{platform}^{after}=3\times160=480.

廣告主數量下降了 $25\%$ ，平台投放收入反而上升了 $20\%$ 。若存活廣告主每家扣除廣告的增量淨收益下降，便形成 AIEC-05 所研究的平台繁榮與廣告主壓縮現象。但此處並未以實測資料證明退出就是 AI 造成，亦未證明真實 Google 市場發生同一轉變。RMAW 進一步提出：若企業使用 AI 推估競爭者下一輪出價，互動將成為循環的動態博弈；未來的廣告出價不再能視為與模型發布獨立的外生控制量。

34. 可重算案例三：指標增長而資訊有效性下降

考慮兩種假設資訊發布策略。策略甲在一個月內提供 $50$ 個頁面、其中 $40$ 個具任務相對獨立的實質內容；策略乙增加至 $100$ 個頁面，其中 $90$ 個可被機器成功存取，卻只有 $10$ 個具同一任務條件下的獨立新資訊。

若單看頁面數或讀取成功次數，策略乙可能更高；若研究目標是獨立內容覆蓋，策略乙可能反而更差。但只根據以上假設還不能判定搜尋引擎的真實排序規則，亦不能得出「AI 不應存取重複內容」。

實際研究應先定義何謂「獨立內容」與何種任務品質，採用人工與機器雙重評估，記錄各類網頁的語義等價、來源、更新差分、事後任務成果，再檢驗哪些指標被模型最佳化後仍保留對真實目標的預測力。

35. 可重算案例四：百名 Agent 的共同訊號風險

沿用第 19–20 章的純假設模型。假設一百個受授權的採購 Agent 對需求意外都採取方向相近的行動， $N=100$ 、 $\sigma^2=1$ 、兩兩相關 $c=0.20$ ，則平均行動擾動之變異數為 $0.208$ 、標準差約 $0.456$ ；若可視為獨立則變異數是 $0.010$ 、標準差 $0.100$ 。

這不是以共享模型直接證明風險倍增。若 Agent 同步響應的是正確且公開的真實需求訊號，市場仍可能更有效率。研究須再衡量價格變動、交付量、缺貨率、等待時間及消費者剩餘等最終結果。其意義在於：Agent 數量與訊號多樣性是兩個不同的經濟變數，不能以系統中存在更多 AI 為理由就宣稱決策已足夠去中心化。

36. 十項可反駁假說：先登記結果，後檢驗機制

本文的假說以 2027–2028 年作為第一批有限期觀測窗口，不宣稱其間必然出現某個全球轉折。任何研究要進入實驗階段，都需要在接觸結果之前固定母體、處置、比較、變數與經濟上有意義的最小效果門檻；未事前設定數值不允許在研究結束後任意補寫「證明成功」。

H01｜模型部署與實際致動必須有可測差異

命題： 在具有可記錄授權和任務執行歷史的企業流程中，僅取得模型使用權與真正依模型執行行動，對後續經濟成果的影響不必相同；在預先選定的任務群中，實際採用率應能解釋部分異質性。資料： 分階段提供模型權限、開啟建議、實際簽發操作與結果。反證： 在有足夠統計檢定力、可信比較組及預登記效果界限下，模型曝露與執行程度對指定結果的差異持續落在事前視為實質等價的範圍；或所有看似差異均由共同轉型投資解釋。不能用「不顯著」取代等價性檢定。

H02｜正回饋強度存在條件性穩定門檻

命題： 在可識別的高頻代理採購或競價子域中，模型介導反應強度增加，可能使原本消退的價格／需求偏差更持續；特定局部模型可由估得的特徵值或脈衝響應描述。資料： 完整策略版本、出價、庫存、價格、授權上限及市場量。反證： 在事前定義的模型族與干預區間內，強回饋組沒有符合預期方向的持續性差異、效果上界排除經濟上有意義的增幅，或非線性守衛使假設門檻失去有效性。

H03｜抑制型 AI 決策可能提高局部穩定性

命題： 若有可比較的風險管理或庫存調節任務，受限制的 AI 抑制策略可以在部分參數區間內降低波動與庫存短缺成本。資料： 隨機或分階段配置的控制策略、供應與風險結果。反證： 該條件下抑制策略相對既有控制在預登記成本及穩定指標上不存在可辯護優勢，或引入更大的外部成本；不把「AI 一定有益」放進假說。

H04｜共享模型資訊的相關性效果須獨立於共通新聞檢驗

命題： 在特定市場中，使用相同供應商或模型版本的 Agent，在控制共同外生新聞、價格制度與風險限制後，仍可能有可測的增量行動相關性。資料： 模型版本、授權輸出、實際行動、外生資訊、組織制度。反證： 控制後差異落在事前可接受的實質等價區間，或異質模型也出現同程度同步；這將推翻「共享模型是主要來源」的局部假說。

H05｜防範成功可能造成事後評分反轉

命題： 在預警會觸發資源配置的場域中，以事後未處置結果作為模型評分目標的評分方式，可能和只看實際干預後結果的評分給出不同排序。資料： 預警閾值、預防行動、合格比較組及事後損失。反證： 在有可信對照與預登記評分規則的場域，兩種方法的模型排序或策略選擇並無實質差異；或預警未曾引發可辨識的防範行動。

H06｜代理指標可能在最佳化下失去真實品質解釋力

命題： 在以觸及、點擊、頁面數或 Agent 執行次數作為明確獎勵的工作流中，這些指標與獨立任務品質之關係，可能隨目標化而改變。資料： 目標政策變動、行動策略、真實品質驗證及使用者結果。反證： 經合理控制後關聯穩定且保持任務充分性；指標最佳化持續改善實質品質，不存在預期脫鉤。

H07｜廣告主預測工具可改變競爭反應速度，但不預設方向

命題： 在相似的廣告競價環境中，使用 AI 對競爭者投放進行即時預測的企業，可能更快調整預算和出價，形成與無該工具組不同的動態響應。資料： 出價時間戳、模型訊號、競爭者資料、轉換與增量收益。反證： 反應速度與策略軌跡差異在預登記界限內實質等價，或完整模型顯示差異來自競價系統規則改版而非 AI 預測採用。

H08｜公共 AI 預測可改變原本的風險統計母體

命題： 於合法分階段導入的公共服務中，AI 風險分流或資源配置模型若被採納，可能改變後續被觀測的服務需求、申請成功率與風險分布。資料： 政策日誌、授權流程、服務量、福利分布、申訴與反事實對照。反證： 取得足夠資料後未發現處置效應，或政策前的母體變化完全解釋所見差異；涉及公平的負效應必須同時登記。

H09｜模型輸出曝光的時間是不能省略的因果變數

命題： 在有發布、閱讀及執行三種時標的市場任務中，模型介導效果對三種時標的設定具有重要敏感性；僅用交易完成日期可能錯置因果。資料： 合法訊號曝光時間、操作事件、發布版本、結果。反證： 對明確研究母體，納入額外時標不改善事先指定的因果識別或樣本外效果判定，且差異落在預登記等價區間。

H10｜LEAA 歸因不足會造成反身性效應的錯估

命題： 在可驗證人類／AI 混合執行、且受試者同意的工作流中，僅用帳號歸類「人類行動」的報表，相較分層角色證據帳本，可能對模型介導的經濟影響產生可測偏差。資料： LEAA 事件來源、模型輸出、任務及結果、已授權執行紀錄。反證： 在指定任務、觀測範圍與可信標籤下，兩套歸因的效應估計實質等價，或更複雜標記增加的不確定性超過其信息增益。

十項均為條件性、母體相對、可拒絕的研究假說。它們不是主張每個市場都必須觀察到正效應、負效應或波動變大。後續如果出現反向結果，應依預先指定的程序記錄為反證或模型更新，而不是將其改寫成「另一種成功」。

37. 2027–2028 年長期觀測：不是年度預言，而是可版本化研究計畫

本篇將 2027–2028 年設為第一輪可取得多次模型部署、行動與市場結果的研究窗口。這是一項研究設計，不是預言 AI 經濟必然在該期間跨越單一奇點。

37.1 四組優先研究子域

第一組是資訊與平台：公開內容讀取、搜尋推薦、來源引用、資料授權、真人流量與 AI 代理互動。第二組是企業競爭：廣告投放、產品報價、庫存、採購與價格反應。第三組是金融或準金融環境：在合法、可匿名化與安全的條件下研究模型共用、風險訊號、策略同步與市場深度；高風險場景優先使用歷史資料與受控模擬，不以真實市場操縱測試研究。第四組是公共服務：政府預測與採購服務的真正採用、效率、分配公平、申訴、退出權與成本。

37.2 時間安排

研究期	主要任務	禁止的誤用
2026 Q4（設計基線）	定義母體、模型版本、觀測倫理、事件字典、反證門檻	把 2027–2028 結果預先填入
2027 H1	建立分組、可核驗授權、模型部署及第一輪現象	只看模型可用數便宣稱全體採用
2027 H2	觀察行動—結果延遲與策略適應，重跑替代模型	把同期變化都歸於 AI
2028 H1	測試跨企業外溢、模型共用與公共制度回應	忽略企業與法域差異
2028 H2	固定窗口評分、登記失敗假說、跨域比較、準備 AIEC-12	事後任意改寫預測期限

37.3 時間解析度的任務差異

對金融交易、網路競價與即時庫存，分鐘、秒或毫秒可能是適當的觀測尺度；對勞動轉型、教育、公共服務、能源基礎設施及跨國制度，一季至數年可能才是合理研究尺度。所有分析均需顯式標註時間粒度，不得把一秒級價格連續性與年度 GDP 當作同一型別的時間序列。

37.4 評估至少要有三種基準

固定歷史模型（frozen baseline）：不受最新介入資料調整，檢查既有模型在新環境的有效性。相同資料條件下的替代模型：區分複雜 AI 與合理較簡單方法的增量收益。不同部署強度／採用率的比較組：測試模型部署真的改變世界，而不只是提高描述能力。

若環境中廣泛存在干擾，應將其明確寫進實驗，而非偽裝成傳統獨立個體樣本。對可能產生安全或權利風險的干預，須先完成審查與取得適當同意，禁止因研究需要而對真實使用者施加不可逆傷害。

38. 與既有 EWDT 形式框架的正式對接

既有《經濟世界域轉化論》EWDT-01 把經濟世界狀態表示為：

\mathfrak W_t =\langle X_t,R_t,\Theta_t,A_t,H_t,\Omega_t,I_t,O_t\rangle.

其中 $X_t$ 為對象與經濟主體、 $R_t$ 為關係與依賴、 $\Theta_t$ 為型別、 $A_t$ 為合法性／可接受性守衛、 $H_t$ 為歷史與承諾、 $\Omega_t$ 為可行狀態、 $I_t$ 為意圖結構、 $O_t$ 為觀測投影。以下為本篇的新增解釋層，不是修改原著的 canonical definition。

EWDT 組件	AI 反身性需要補充的內容	常見失真
$X_t$	模型提供者、人工行動者、授權者與人類複合單位	把所有 AI 當成同一主體
$R_t$	觀測—建議—委託—行動—再觀測關係、跨 Agent 依賴	只數節點不保存功能路徑
$\Theta_t$	模型、行動、委任、支付、福利與法律責任的型別	以 A2A 次數當成交易金額
$A_t$	行動權限、風險守衛、撤銷、申訴、競爭規則	認為能執行即有權執行
$H_t$	模型版本、資料來源、過往介入、策略沉積與鎖定	使用現況覆蓋前次政策歷史
$\Omega_t$	AI 改變後的可行選項，含擴張與收縮	假設採用 AI 永遠擴張自由
$I_t$	人類／企業意圖及 Agent 代理策略的分層映射	將代理目標當成獨立法律意圖
$O_t$	觀測規則與分類版本、Agent 流量、模型介入後資料	把模型生成資料當成外生母體

EWDT-05 已有耦合、依賴與互依區分；EWDT-06 已有歷史路徑依賴；EWDT-13 已有中觀路由；EWDT-14 已指出意圖、致動與結果不同；EWDT-16 已有超宏觀跨域結構；EWDT-18 已要求 AI 候選經驗證、部署、吸收與沉積後才可討論真正的世界域擴張；EWDT-21 已要求企業轉型成功與社會轉型成功分離。［I0］［I5］［I6］［I13］［I14］［I16］［I18］［I21］

RMAW 不再重複上述理論內容，而是補上一個更精細的問題：當經濟主體依據對世界的模型採取行動，世界轉化的關係與觀測投影如何反過來改變下一輪模型？

EWDT-02 的經濟投影失真在此得到一個特殊案例：當觀測函數和世界狀態同時因模型部署而更新，研究者要比較的已不只是兩個不同的世界，而是兩個世界分別在何種制度與資訊投影下被看見。

39. 與「人工行動者政治經濟」及 MPD 生產關係的界面

既有人工行動者政治經濟研究已區分智能模型能力、持續人工行動者、制度位置、治理權、資源配置、付款與法律責任。MPD-12 則區分固定模型串接與真正具有委任、交付、驗證、反饋能力的 AI–AI 生產關係［I-AA］［I-MPD］。

RMAW 在此加上反身性觀測：

相同 Agent 角色不代表在不同制度與市場下有同一個經濟效果；
A2A 的交接歷史會改變後續的決策資料與組織反應；
持續模型與持續 Agent 的狀態歷史，不能簡化成一個當期模型版本號；
委任權限與實際操作範圍限制經濟可達性；
更快或更多的 Agent 互動不表示更高的驗證後世界沉積；
同一模型可能在某子域形成負回饋穩定，在另一子域形成正回饋競逐，不能轉成單一「好 AI／壞 AI」標籤。

這些是對既有研究的多尺度動態應用，不是宣稱原有 AI 生產關係概念不存在或需要被取代。

40. 不確定性、限制與反向結果的研究價值

本篇目前有幾個不可消除的主要限制。

一、全球 AI 代理經濟活動沒有完整公共統計，各企業與平台的身份、委任及付款紀錄口徑不同。二、模型對經濟參與者的影響可能是非常間接的，多個 Agent、媒體、企業與使用者共同作用，難以進行唯一歸因。三、理論模型要估計行動政策與世界狀態之間的真實因果，需要高品質對照與合法記錄。四、模型間共同訊號、共同經濟環境及模型供應商的因果效果容易混淆。五、經濟行動可能含人類自主判斷及拒絕，不能把模型建議當成既定執行。

六、局部線性化只能在合理的工作區間提供近似；含門檻、價格上限、破產、撤銷授權與制度突變的世界需要不連續或非線性方法。七、模型訓練來源、版權與個資限制可能使某些理想資料永久無法公開取得。八、穩定性不是唯一成功準則：價格穩定但消費者被排除、競爭受限或公共服務不公平，仍可能構成重要經濟損失。九、反身性研究不能以「所有觀測都受模型影響」這種不可反駁的大命題取代實證。十、同一研究框架下若局部問題已能用既有模型充分解釋，就不應為維持 RMAW 的存在而引入全部參數。

因此，若研究發現某些 AI 預測模型並未影響任何經濟決策，或者較簡單的非 AI 工作流在穩定性、福利和成本方面更好，這些都是 RMAW 的有效反向結果。若十項假說在預先登記的窗口內未成立，應逐條更新、拒絕或縮小適用域，而非延長預測日期直至其看似成立。

41. 結論：AI 不只是預測經濟，也可能成為經濟傳導的一部分

本系列最初從網站訪客與機器爬取的落差開始。隨後我們發現，機器資訊需求與人類注意力、內容供給與市場曝光、平台收入與廣告主利潤、Agent 功能事件與法律／財務歸屬、短期觀測與長期結果，都可能分離。

第十一篇把這些分離帶到下一層：當 AI 模型進入搜尋、推薦、競價、採購、工作流程與公共決策時，它可能透過被授權的實際行動改變自己的下一輪預測對象。 這種反身性可以提高效率，也可以放大共同錯誤；可以使風險預測自我實現，也可以因有效預防而使風險不再發生；可以讓多個 Agent 共同緩解瓶頸，也可能因高度相關而增加集體波動。

因此，經濟 AI 的重要問題不能簡化成「哪個 AI 模型預測得最準」。更完整的任務是辨識：模型觀測到哪個世界截面、給誰提供訊號、誰有權採納、誰真的執行、世界如何變化、受影響者是否獲益，以及這些新的世界資料如何再成為模型訓練與經濟決策的起點。

RMAW 的最大約束也是它的價值：不能把反身性當成預言正確的保險，不能把系統高度複雜當成不需要驗證的藉口，不能因為 AI 介入很多就自動宣布整體文明向某個方向發展。 它只提供一組能隨任務、時間與世界尺度展開、保留未知、可被新證據淘汰的最小形式條件。

下一篇（AIEC-12）將以既有 EWDT 的超宏觀與文明可行世界定義為基礎，把本篇的模型反身性連同 9／16 經濟關係、資料授權、注意力、平台競爭、公共制度、分配福利、時間傳導和認知載體的理解限制，整合成地球文明 AI 經濟耦合的持續觀測綱領。它不會替全球經濟發展預設唯一終局，也不會將 24 格分類提前加入本系列。

參考文獻：可核對外部來源

本篇的［E］指已發表的研究或官方文件；文獻中的實驗、模擬、政策風險與本篇作者的概念框架具有不同證據強度。以下連結均指向可公開核對的出版社、學術會議、工作論文或政府／國際組織原始資訊。

［E1］ Merton, R. K. (1948). “The Self-Fulfilling Prophecy.” The Antioch Review, 8(2), 193–210. JSTOR stable record。此為自我實現預言的經典學術前置。

［E2］ Lucas, R. E., Jr. (1976). “Econometric Policy Evaluation: A Critique.” Carnegie-Rochester Conference Series on Public Policy, 1, 19–46. DOI: 10.1016/S0167-2231(76)80003-6。政策規則改變可能使舊估計關係不能直接外推。

［E3］ MacKenzie, D. (2006). An Engine, Not a Camera: How Financial Models Shape Markets. MIT Press. 出版社原始書目。金融模型與制度實踐的互構研究。

［E4］ Perdomo, J. C., Zrnic, T., Mendler-Dünner, C., & Hardt, M. (2020). “Performative Prediction.” Proceedings of the 37th International Conference on Machine Learning, PMLR 119, 7599–7609. PMLR 原始論文。模型預測影響被預測分布及其穩定性條件。

［E5］ Calvano, E., Calzolari, G., Denicolò, V., & Pastorello, S. (2020). “Artificial Intelligence, Algorithmic Pricing, and Collusion.” American Economic Review, 110(10), 3267–3297. DOI: 10.1257/aer.20190623。重複寡占模型中的演算法定價模擬與價格協調；非全球實測。

［E6］ Hunold, M., & Werner, T. (2025). “Algorithmic Price Recommendations and Collusion: Experimental Evidence.” Experimental Economics, 28(2), 298–316. DOI: 10.1017/eec.2025.9。不同推薦制度在實驗中可能造成競爭或協調方向相異的結果。

［E7］ Dou, W. W., Goldstein, I., & Ji, Y. (2025). “AI-Powered Trading, Algorithmic Collusion, and Price Efficiency.” NBER Working Paper 34054. DOI: 10.3386/w34054。模型與模擬研究 AI 驅動交易者與協調風險。

［E8］ Mattson, C., Bushardt, R. L., & Artino, A. R., Jr. (2021). “When a Measure Becomes a Target, It Ceases to Be a Good Measure.” Journal of Graduate Medical Education, 13(1), 2–5. DOI: 10.4300/JGME-D-20-01492.1。說明 Goodhart 型指標目標化風險，並區分原始表述與後來的流行引句；非 AI 經濟首次命題。

［E9］ Barlacchi, G. (2025). “Simulating the Impact of Feedback Loop on Users’ Choices and Recommender System.” HHAI 2025 conference proceedings. DOI: 10.3233/FAIA250691。人類—推薦系統回饋的模擬與資料驅動研究；其模擬結果不可直接等同全網因果效果。

［E10］ Bank for International Settlements (2025-10-08). “Artificial Intelligence and Central Banks: Monetary and Financial Stability Implications.” BIS management speech, Tao Zhang. BIS 官方全文。同步決策、流動性與模型同質化等風險討論。

［E11］ Bank for International Settlements (2026-01-26). “The Financial Stability Implications of Artificial Intelligence and Digital Finance.” BIS management speech, Tao Zhang. BIS 官方全文。模型風險及金融系統順週期性的政策分析。

［E12］ OECD (2017). Algorithms and Collusion: Competition Policy in the Digital Age. OECD Roundtables on Competition Policy Papers, No. 206. DOI: 10.1787/258dcb14-en。演算法協調的經濟及競爭法界線。

［E13］ Tshazibana, F. (2026-05-08; BIS 網頁於 2026-05-20 登載). “Regulation and Supervision of the Financial Sector in the Age of Artificial Intelligence.” South African Reserve Bank Deputy Governor speech, University of Johannesburg. BIS 收錄官方頁面。模型風險、行動同步與機構治理責任。

內部研究前置與理論對照（不是外部實證）

［I-AIEC05］ Neo.K × GPT-6（2026-10-16），AIEC-05，《平台繁榮、廣告主壓縮：防禦性加碼與進攻性整合的博弈》，UTF-8 原始檔：AI_Economic_Coupling_Paper05_Platform_Prosperity_Advertiser_Compression_Game_v0.1_2026-10-16.md。

［I-AIEC07］ Neo.K × GPT-6（2026-10-16），AIEC-07，《從四到九：B／C／A 功能性經濟關係矩陣》，原始檔：AI_Economic_Coupling_Paper07_BCA_Nine_Functional_Economic_Relations_v0.1_2026-10-16.md。

［I-AIEC08］ Neo.K × GPT-6（2026-10-16），AIEC-08，《從九到十六：公共部門、制度與 AI 經濟傳導》，原始檔：AI_Economic_Coupling_Paper08_BCAG_Sixteen_Public_Institutional_Economic_Relations_v0.1_2026-10-16.md。

［I-AIEC09］ Neo.K × GPT-6（2026-10-16），AIEC-09，《帳號、委託、執行者與受益者》，原始檔：AI_Economic_Coupling_Paper09_Account_Delegation_Executor_Beneficiary_Attribution_v0.1_2026-10-16.md。

［I-AIEC10］ Neo.K × GPT-6（2026-10-17），AIEC-10，《時間投影與延遲反應》，原始檔：AI_Economic_Coupling_Paper10_Temporal_Projection_Delayed_Responses_Multiscale_Transmission_v0.1_2026-10-17.md。

［I0］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-01，《經濟世界域轉化論：總論》，無界智庫公開版。

［I2］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-02，《經濟投影失真論》，無界智庫公開版。

［I5］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-05，《經濟耦合論》，無界智庫公開版。

［I6］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-06，《歷史耦合與路徑依賴》，無界智庫公開版。

［I13］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-13，《中觀耦合域》，無界智庫公開版。

［I14］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-14，《宏觀意圖論》，無界智庫公開版。

［I16］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-16，《超宏觀經濟世界域》，無界智庫公開版。

［I18］ Neo.K × GPT-5.6 Sol（2026-09-23），EWDT-18，《AI、泡沫與經濟世界域擴張》，無界智庫公開版。

［I21］ Neo.K × GPT-5.6 Sol（2026-10-06），EWDT-21，《自動化社會閉合與廣泛世界域傳遞》，無界智庫公開版。

［I-AA］ Neo.K（既有論文），《人工行動者政治經濟總論：投資、制度棧、HDUS 與多主體經濟的形成》，無界智庫公開版。

［I-MPD］ Neo.K（既有論文），《AI–AI 生產關係：委託、分工、驗證與機器間協作》。

附錄 A. 數學推導與邊界條件再檢查

A.1 一維閉環

在 $x_{t+1}=(r+bkq)x_t$ 的無擾動模型中， $x_t=(r+bkq)^t x_0$ 。對 $x_0\ne0$ ，若 $|r+bkq|<1$ ，則 $x_t\to0$ ；若 $|r+bkq|>1$ ，則 $|x_t|$ 持續增大；若 $r+bkq=-1$ ，符號交替但絕對值不收斂；若 $r+bkq=1$ ，則保持初始偏差。加入有界隨機擾動時必須進一步指定擾動過程與矩條件，不能只使用無擾動解評估風險。

A.2 等相關模型

若 $z_i$ 均具有 $\operatorname{Var}(z_i)=\sigma^2$ 且 $\operatorname{Cov}(z_i,z_j)=c\sigma^2$ （ $i\ne j$ ），則：

\operatorname{Var}\!\left(\frac{1}{N}\sum_i z_i\right) =\frac{1}{N^2}\left(N\sigma^2+N(N-1)c\sigma^2\right) =\frac{\sigma^2}{N}[1+(N-1)c].

要使等相關矩陣正半定，需滿足 $-1/(N-1)\le c\le1$ 。本篇案例使用 $0\le c\le1$ ，故落在合法範圍。若 $c$ 為負，聚合風險可能比獨立情形更小，但其可行區間與網絡機制都需要另外解釋。

A.3 特徵值條件不是經濟福利條件

一個系統可以滿足 $\rho(R+BKQ)<1$ ，但穩定地停留在低競爭、高排除或資源浪費的配置。反之，某次劇烈變化也可能是創新或解除歷史鎖定的過渡。穩定性、效率、分配、公平、退出與世界域擴張，不得以單一譜半徑替代。

A.4 模型與研究者的角色變更

若模型輸出未被任何行動者讀取，但其產出的指標已寫入平台後台並改變排序規則，則仍可能存在模型介導效果。若人類聲稱「我採納 AI」，但實際照舊行動，則預期介導效果可能為零。研究判準是可辨識實際介入路徑，不是某句自我敘述。

附錄 B. 最小預先註冊研究卡範例

study_id: AIEC11-RMAW-2027-H04-demo
status: illustrative_only
registered_time: null
population: consenting_enterprise_agents_in_defined_market
treatment: specified_shared_model_version
control: alternative_model_or_no_new_model
primary_outcome: inter_agent_action_correlation_adjusted
secondary_outcomes:
  - price_volatility
  - delivery_success
  - quality_adjusted_task_output
measurement_windows:
  - baseline_period
  - preregistered_followup_period
common_shocks:
  - news_event
  - market_wide_price_event
  - policy_change
unit_of_analysis: organization_task_time
identity_provenance: LEAA
world_time_standard: TPMT
falsification_rule: preregistered_equivalence_bound_and_model_comparison
analysis_status: untested
revision_policy: immutable_registered_version_plus_new_revision

此卡片所有日期、效應幅度與資料路由尚未實際登記；任何人不得將示範欄位視為已完成研究。

附錄 C. AIEC-11 與 AIEC-12 的邊界

AIEC-11 完成局部模型回饋的類型、條件、識別與風險分析。它不宣稱完成地球文明全域預測，也不試圖將每個國家的能源、金融、地緣政治、稅制、企業和個體狀態全部放入單次有限模型。

AIEC-12 應以這些局部模型為可組裝的研究接口，按地區、產業、制度、法域、任務與時間精細化。必須保留未知資料區、模型家族的競爭解釋、局部模型彼此矛盾的可能性、文明尺度各群體福利分布，以及模型公開後的自身反身性。新研究不能只因為世界有 AI Agent 便預設經濟體系形成單一的 AI 意圖。

附錄 D. 原稿與引用的最終研究義務

本篇 2026 年文獻截止日以前的研究，按出版物原始年份引用；不能把搜尋索引最近更新日誤認為論文出版日。
以［E］、［I］、［M］、［SIM］、［H］區分外部證據、前置研究、形式推導、示例及假說，避免不同證據地位混用。
需要後續實證的係數包括 $r,b,k,q,c$ 及多維 $R,B,K,Q$ ；本篇值僅是數學反例。
若 2027–2028 年研究顯示不同結果，應保留 v0.1 source 與新版本，不可以用後驗數據覆蓋已發表假說。
每一種 AI 經濟活動都應盡量保留最終任務主鍵、模型版本、授權、事件時間與成果主鍵；禁止單憑機器請求量重複計算最終產值。
原始本文保留標準 LaTeX delimiter $...$ 、$$...$$；不將 Unicode 公式轉回 LaTeX 作為 source，不做 unicode_escape round-trip。
若日後進行外部投稿，需按刊物要求進行獨立文獻審查、複現程式公開、資料可使用性與研究倫理確認；本文 v0.1 並非已經通過期刊同行評審。

原稿結束。
文件狀態： v0.1 正式 UTF-8 Markdown 研究原稿（模型及假說待實證）。
完成邊界： 第 11／12 篇已建立形式接口、條件性數值證明、四組案例、十項反證假說、時間觀測協定及既有 EWDT 對接；文明級最終綱領保留給第 12／12 篇。