地球文明的 AI 經濟耦合觀測：從 9／16 經濟關係到動態經濟世界域轉化

以資訊需求、注意力、平台、人工行動者、公共制度、跨尺度時間與反身性為共同研究座標的第一代文明經濟觀測綱領

英文題名： Observing AI Economic Coupling across Earth Civilization: From 9/16 Functional Relations to Dynamic Economic World-Domain Transformation
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： 12 / 12（核心系列終篇）
文件編號： EML-AIEC-2026-12
原始研究問題、文明尺度定義與經濟觀察： Neo.K
AI 協作論證、文獻核對、形式化及原稿整理： GPT-6（Aletheia）
機構： EveMissLab／一言諾科技有限公司
日期： 2026-10-17（Asia/Taipei）
版本： v0.1
文件性質： 系列整合研究／文明尺度 AI 經濟觀測方法／開放動態研究綱領／可反駁假說及操作化協定
正本格式： Canonical UTF-8 Markdown；數學原始碼僅使用 $...$ 和 $$...$$ 作為定界符
直接前置： AIEC-01～AIEC-11；《經濟世界域轉化論》既有 EWDT 原稿，尤其 EWDT-01、02、05、06、07、12、13、14、16、18、19、20、21、22 與 EWDT-EX02；人工行動者政治經濟、AI–AI 生產關係及 AI 內容授權研究
證據截至： 2026-10-17；2027–2028 年為前瞻觀測窗口，不是已經取得的觀測結果
研究成熟度： 第一代觀測規格、結構性命題、形式反例及預註冊方案；未完成世界經濟全母體抽樣，亦未宣稱取得 AI 的全球淨因果效應
命名說明： 使用者本輪口述稱「經濟世界域轉化理論（EWOT）」，既有正式雲端原稿的英文系列縮寫為 EWDT。本文引用既有檔案時保留 EWDT 原號與原名；本系列不擅改既有母論正本。

作者： Neo.K

摘要

人工智慧進入人類文明的經濟活動後，新的難題不只是「AI 使某項工作效率提高多少」，而是原有的資訊生產、注意力分配、商業競爭、資源採購、金融支付、勞動分工、法律授權、公共治理與跨國基礎設施，可能在不同時間尺度上同時產生方向相異的轉化。對單一網站而言，機器讀取量與人類知名度可以高度分離；對平台而言，廣告收入可以成長而部分廣告主的增量收益下降；對企業而言，更多 Agent 委託與資源調用未必增加同幅的最終需求；對公共部門而言，AI 導入數量上升不等於公共福利同步提升；在世界尺度上，算力投資、能源瓶頸、勞動調整與跨境供應鏈甚至可能在不同地理區域產生相反效果。

本研究整合 AIEC-01～11，提出「地球文明 AI 經濟耦合觀測綱領」（Earth-Civilization AI Economic Coupling Observatory，以下暫稱 ECAO）。ECAO 不是新的經濟學母理論，也不是已投入營運的全球資料平台，而是《經濟世界域轉化論》（既有原稿 EWDT）在 AI 經濟領域的一組任務相對、可擴充、可反駁、可保留未知的觀測規格。其第一代骨架包括：B／C／A 九種及 B／C／A／G 十六種有向功能關係；以任務與事件主鍵防止多格重複記帳；以 LEAA 區分帳號、授權、實際執行、付款、受益、責任與救濟；以 TPMT 保存能力、部署、使用、成果、觀測與發布之異質時間戳；以 RMAW 追蹤模型—行動—世界之反身性回饋；再將觀察結果依微觀、中觀、宏觀與超宏觀尺度連接至既有經濟世界域狀態與轉化能力。

本文將「機器可見性」、「機器有效資訊需求」、「人類注意力」、「貨幣化」、「經濟產值」、「消費者福利」、「生產能力」、「社會可達性」與「文明可行集合」分開記錄。論文證明一項有限但重要的識別結論：若有限觀測映射不能唯一區分兩個底層世界，則即便它們在某些 KPI 上完全一致，也不能由此唯一推論其 AI 經濟結構或後續軌跡。本文另外提供三組完全標示為假設的可重算案例，分別說明多重 Agent 事件與 GDP 去重、機器讀取與人類識別分離、以及平台繁榮與廣告主淨利受壓可以共存。

本文提出十二項具有明確觀測單位、時間窗、對照方式與反證條件的候選假說，並建立 2027–2028 年分季觀測、凍結版本、追蹤樣本、跨來源對帳與公開證據等級制度。既有研究已證明 AI 投資與採用正在快速變動，但勞動暴露不等於已發生失業、政策採用不等於已測得福利、估算消費剩餘不等於 GDP。本篇因此不提供單一世界經濟結論，也不把持續增加資料量誤當成文明可被完整預知。真正的學術目標是：在 AI 與人類經濟高度耦合的年代，建立可以知道自己看見了什麼、遺漏了什麼、哪些機制仍未被證實，以及哪些舊判斷必須隨證據更新的共同研究座標。

關鍵詞： 經濟世界域、地球文明、AI 經濟、B2A、C2A、A2B、A2A、9／16 關係矩陣、機器端需求、注意力收斂、平台博弈、LEAA、TPMT、RMAW、反身性、部分識別、多尺度因果傳導、2027–2028、EWDT、ECAO

0. 研究位置：系列閉合，不是文明終局預言

本篇的目標，不是宣布 AI 將讓人類不再工作，不是估計某個無資料支持的全球 GDP 增幅，也不是對 Google、特定 AI 企業或某個國家宣告最終輸贏。本研究要完成的是 AIEC 前十一篇共同使用的觀測架構，將局部可觀測活動放回地球文明的經濟世界域。

本篇明確不主張以下事項：第一，九或十六種關係足以完整描述世界；第二，每格是一個獨立市場；第三，AI 為一個自然具有法律人格、產權與最終偏好的經濟單位；第四，所有機器流量均來自 AI；第五，大量 AI 存取能直接證明訓練採納；第六，所有內容最終必然付費；第七，人類注意力一定朝單一平台集中；第八，廣告效益下降必然提高廣告預算；第九，人工智慧一定減少總就業或使全民富裕；第十，公共部署等於社會效益；第十一，全球世界域擴張必然傳達至每位個體；第十二，人機來源無法判定便應強制判為機器；第十三，所有宏觀數據都缺乏價值；第十四，數據越多就必然越接近全知；第十五，預測未實現即可無限延期以維護理論；第十六，本文已完成代表性全球實證或已提出新的國民所得官方分類標準。

本文使用統一的證據標記：［E］外部已可核對來源；［I］既有內部原稿；［M］本文的候選定義與條件性推導；［SIM］假設或可重算示例；［H］待檢驗假說；［U］未知或缺少合法觀測的區域。 非觀測結果不以完成驗證的語氣呈現。

1. 問題的真實起點：一個網站為何有機器需求，卻無人認得作者？

本系列從一個資訊網站的 Cloudflare 流量統計開始。某個單一網域曾在特定報表期間顯示約 7.13 萬不重複訪客，但使用者依另類方法估計，真正的人類訪客每日約十位。該報表的「訪客」口徑包含不同自動化來源，不能直接宣稱其中其餘全是 AI，更不能憑此推斷被某模型訓練或取得多少收入。這個案例在本篇僅作探索性研究動機，不是代表性樣本。［I-AIEC01］

重要的問題隨後改變：假如某些網站在機器端具高讀取量，卻在人類公共討論、品牌記憶與直接流量中幾乎不可見，那麼「網站價值」原有的人類中心指標是否不足？再進一步，若一般資訊的理解與整理越來越透過 AI 回答完成，人類入口收斂，但原始資料生產可能仍擴張，則廣告、付費、授權、訂閱與交易會如何重新定位？

觀測一個網域只是入口；研究對象是資訊與交易關係在整個經濟世界中的重新路由。一個使用者委託 Agent 比較產品的行為，可以穿過平台、內容供應商、外部 Agent、企業與公共制度。若只看原網站點擊率，便可能丟失真正的中間行動；但若把所有中間行動一概加總，又會嚴重高估經濟需求。

2. 十一篇的成果，不應被重新寫成十二個同義問題

AIEC-01 區分機器可見與人類識別；02 區分爬取、取得、保留、檢索、引用、採用和付款；03 區分供給膨脹、注意力收斂與新入口生成；04 將搜尋、回答、推薦、流量回流與交易視為不同入口事件；05 研究平台收入與廣告主利潤可能的分離；06 研究機器端有效需求如何跨越授權與付款門檻；07 提出 B／C／A 九格；08 納入 G 後形成十六格；09 以 LEAA 建立代理行動歸因；10 以 TPMT 建立跨尺度與延遲傳導；11 以 RMAW 建立模型—行動—世界反身性接口。［I-AIEC01–11］

本篇不重做上述每篇的完整理論。它將它們視為一組模組化觀測鏡頭，並處理三個前十一篇尚未完全解決的任務：其一，同一事件如何在不同鏡頭之間保存同一性；其二，不同鏡頭的測量何時允許組合，何時必須保持分離；其三，如何使不同國家、產業與時間窗的研究結果進入共同的世界域資料結構，而不宣稱可以由有限資料重建完整世界。

3. 「地球文明經濟世界域」是 EWDT 的研究尺度擴展，不是另一套母論

沿用原始 EWDT-01 所使用的經濟世界域最小狀態：

$X_t$ 表示經濟對象與參與者； $R_t$ 表示關係； $\Theta_t$ 表示類型； $A_t$ 表示可接受性、合法性與守衛； $H_t$ 是仍有結構作用的歷史； $\Omega_t$ 是受約束的可行世界集合； $I_t$ 是意圖； $O_t$ 是觀測投影。本文刻意不把世界簡化成 GDP、交易額或單一模型採用率。［I-EWDT01］

本輪新的「地球文明尺度」採取一個研究邊界定義：以地球上人類文明及其制度所嵌入的所有經濟活動和發展關係為理想研究母域，從微觀到超宏觀保留跨境、跨產業、跨技術與跨時間耦合。這個定義不主張研究者能在任一時點完整量得所有活動，也不預設地球之外的未來經濟型態不存在。

其中 $\mathcal B_E$ 是所選地球文明研究邊界、制度與時間範圍；符號 $\big|$ 表示任務相關子域限制，不是聲稱已獲得完整地球數據。實際得到的只有：

$\Pi_{t,v}$ 是帶有統計口徑版本 $v$ 的觀測映射， $\varepsilon_t$ 包含抽樣、記錄及其他誤差。這個區分是整份論文的第一條守衛。

4. 世界、可觀測世界與報表：三者不具有天然同一性

考慮三個對象：底層經濟世界 $\mathfrak W_t^E$ 、研究者依法可見的資料 $D_t$ 、經過統計與解釋的發布結果 $S_t$：

$\Pi$ 受資料可得性、私人平台門檻、法律、統計分類、隱藏的 Agent 操作與測量頻率限制； $\Phi$ 再受清洗、加權、模擬、因果模型與作者判斷影響。因此同一世界可能得到不同報表，而不同世界亦可得到相似報表。

這不是說指標沒有用。研究者應先表明任務、資料覆蓋、可接受誤差與失真邊界。如果研究問題只需估計某一網站的成功 AI 爬取量，完整世界模型顯然沒有必要；若問題涉及全球財富分配和制度演化，僅用該網站的爬蟲報表則遠遠不夠。EWDT-02 已提出「任務相對充分」；本篇把它落實為每個研究結果必須攜帶的審計欄位。［I-EWDT02］

5. 有限觀測不能保證唯一世界：第一個識別命題

命題 M1（有條件的觀測不可唯一性）。 設某觀測映射 $\Pi$ 在研究母域 $\mathcal W$ 上不是單射，則存在 $W_1\neq W_2$，使：

因此僅憑該觀測值，不可能唯一辨認真實底層狀態。這個結論只運用非單射映射的定義，並非新的深奧不可計算定理，也不意味任何有用的局部因果效果都不能辨識。不同世界的後續路徑還可由額外資料、明確因果假設或干預研究進一步約束。

具體而言，兩個平台可以有相近的廣告總營收，但廣告主的生存率、客戶取得成本與利潤分布不同；兩個網站可以有相近的機器訪問量，但成功取得內容頁的比例不同；兩個公共部門可以有相近的 AI 導入數量，但實際節省時間、申訴錯誤或服務公平性不同。不能用單一可見數字，將這些結構差異抹除。

6. 為何不設一個「AI 經濟影響力總分」？

AI 的經濟影響包含多種不同單位：每秒的資訊請求、完成任務數、人類注意分鐘數、貨幣支出、成交額、增加值、實體能源、工作品質、法律爭議、公共服務結果與個體生活可行集合。若未建立明確的測量與歸一化規則，把它們加權成單一指數，只會隱藏權重選擇和倫理判準。

ECAO 因此主張保留向量與多張不同用途的帳本。只有在研究者明示任務相對的目標函數、權重來源、穩健性與損失函數時，才可以建構綜合指標；而且不得用一個排名宣稱完全代表世界福利。

7. 第一層分類：B、C、A、G 具有不同的類型語義

沿用第七、八篇：B 表示企業或具商業能力的組織；C 表示個人、家庭或消費者；A 表示人工智慧／Agent 的功能性執行端點；G 表示公共部門及其制度性作用端點。注意，B、C、G 是社會／制度角色類別，A 主要是技術、運作及委託角色。它們不是四種同型法律人格。［I-AIEC07］［I-AIEC08］

同一所公立大學，依事件性質可在不同任務中呈現 G、B 或其他複合角色；一個企業擁有的 Agent 即使執行 A2B，也不因此獲得脫離企業的獨立產權。分類的單位應是帶有脈絡、權限、方向和功能意義的活動，而不是將某實體永久鎖死為單一身分類別。

8. 第二層分類：九格與十六格是方向語法

三端點集合為 $V_3=\{B,C,A\}$，四端點集合為 $V_4=\{B,C,A,G\}$ ；最小有向配對格位分別為：

對於包含政府的四端點模型，以供給或功能作用來源作列、接受者作欄，得到：

原九格是其中由 $B,C,A$ 定義的子矩陣；新增七格為 B2G、C2G、A2G、G2B、G2C、G2A、G2G。這個組合結果不是十六個相互獨立市場，也不自動對應十六筆付款。 一個活動可以因不同中間環節在多格留下功能痕跡。

9. 第三層結構：世界經濟是路徑，不是一張靜態表

九格和十六格記錄基本端點方向；現實活動包含多邊委託、平台路由、同一資料反覆使用、公共制度守衛、跨國結算、回饋與取消行為。令經濟活動具有事件集合 $E_t$，並由合法授權或實際依賴關係構成有向多重圖：

其中 $\tau_t$ 記錄事件型別、 $\rho_t$ 記錄依賴或前後繼關係。某些交易是多方共同前置才能成立的高階關係；此時須使用超邊或事件節點表示，而不能強迫將所有多方承諾拆成彼此獨立的兩端交易。

一條可能路徑為：C 提出購買任務，A 尋找資料，A 再委託另一個 A，B 提供授權資訊，A 返回比較結果，C 對 B 付款。這些事件可能跨越 C2A、A2A、B2A、A2C、B2C；但最終商品成交仍只發生一次。下一期可能因 Agent 推薦而改變 B 的產品定價、庫存與廣告策略，路徑便成為新經濟世界狀態的一部分。

10. 格位計數與路徑複雜度：為什麼暫停 24 格仍有用

有限格位並不意味活動路徑長度有限。即使只用九種配對，一個委託可展開多輪 A2A、再回到 B2A 或 A2C；同一任務也可在取消與重試間循環。當沒有額外有限深度或總時間上限時，合法路徑的候選形式數量可以無固定上界，這不是宣稱物理資源無限。

因此，保持九／十六作第一代分類，並不妨礙對更深度路徑的研究；本研究刻意暫不引入 24 種或其他擴張矩陣。若已有資料結構無法忠實承載真實交易，應先找出缺失的型別、證據與路徑語法，再討論是否需要增加端點類別，而不是以類別數量代替理解深度。

11. 第四層：五種帳本必須保持不同度量

經濟觀測至少分為：功能事件帳（哪一格發生什麼）、授權與責任帳（誰有權委託及誰承擔責任）、支付及契約帳（誰承諾、實際誰支付）、國民所得／增加值帳（哪些產出依正式統計定義進入產值）、福利與可達性帳（誰改善或失去實際生活與選擇能力）。公共部門還需完整保留轉移支付、採購、政策與權利救濟的制度資料。［I-AIEC07］［I-AIEC08］

任務筆數、API 呼叫、AI token、網站爬取、Agent 中間驗證、金流清算與 GDP 分別具有不同的計量語義。它們可以彼此連結，但不能任意相加為「AI 帶來的產值」。這裡應使用聯合國國民經濟核算體系 2025 SNA 的概念邊界，建立外部可核查的國民帳橋接，而不是用 AIEC 另創一個替代官方 GDP 定義。［E1］

12. 第五層：LEAA 解決誰在做，而不是把功能格位改名

第九篇 LEAA（Layered Economic Agency Attribution）指出，同一帳號的操作可能由人類、AI 或多者共同完成。帳號持有人、委託者、授權者、實際執行者、資源提供者、付款者、受益者、法律責任者與受申訴者，可能是不同角色。［I-AIEC09］

本篇要求所有關鍵事件至少保存 $task\_id$ 與 $event\_id$ ；每個事件再使用可變長的角色陣列，記錄 $principal$ 、 $executor$ 、 $payer$ 、 $beneficiary$ 、 $liability\_holder$ 等標註及其證據狀態。AI 名稱、OAuth 登入紀錄或動作看起來像人類，都不得單獨作為「誰實際執行」的最終證明。

同樣不能把未知全部補成 AI。可靠分類的核心，不是強求每筆活動有單一標籤，而是支援多角色、混合比例、未識別部分、可信來源與版本更新。

13. 以「任務」而非「每次 AI 回合」作為部分經濟研究的母單位

令 $\mathcal E(q)$ 為任務 $q$ 的所有已取得事件集合；某研究目標可能需要任務層數據，另一研究則需要事件層數據。任務可以包含部分不被外界知道的活動；因此並非每次都能從平台日誌完整重建。先以研究設計決定哪個觀察單位為主，再指定跨層主鍵。

隨 Agent 拆分能力提升，同一任務的 $n_q$ 可能增加，但最終需求、收益甚至任務完成率可能沒有相同比例變動。反過來，Agent 也可能透過壓縮多個人工步驟，使 $n_q$ 減少而完成更多高品質工作。事件數量不是效率或福利的天然代理指標。

14. 部分識別：對看不到的 AI 活動保留上下界

假設在嚴格定義的事件母體中，有 $N$ 筆互不重複活動，並且經可信證據確認 $N_A$ 筆具有 AI 參與， $N_H$ 筆確定無 AI 參與，其餘 $N_U=N-N_A-N_H$ 筆無法判定。在這些明確條件下，AI 參與事件比率 $p_A$ 至少滿足：

這是該研究母體的事件比例界，不是全球 AI 工作時間、AI 產值或 AI 自主性比例。若部分 AI 參與事件也包含人類共同執行，則本計數採「存在 AI 參與」標記，而不是排他的 AI／人類二元分類。若 $N$ 本身並非完整母體，還須另行處理抽樣偏差與來源覆蓋，不能僅憑此式推出全域上下界。

15. 分類制度本身會改變：觀測增加不一定代表活動增加

假設某平台開始導入已簽章的 Agent 身分證明；下一季「已識別 AI 操作」可能迅速上升。這個上升可以是 Agent 使用真的增加，也可以僅是平台辨識能力改善。

研究者因此需要同時保存來源分類器版本、接受的憑證類型、誤判估計、樣本覆蓋率與平台規則變更時點。若分類方法更改而未校準舊資料，不能將兩期報表直接串成同一趨勢。對現實平台而言，數據生成制度也是世界域的歷史變數。這同時承接 EWDT-06 的歷史沉積及 TPMT 的觀測時間分類。［I-EWDT06］［I-AIEC10］

16. 額外的經濟帳守衛：供給鏈事件不能按總和當作 GDP

在封閉、無稅、無存貨變動、無其他中間投入的純示範市場中，消費者以 100 單位購買最終商品，零售者同時向資料提供者購買 5 單位資料服務、向 AI 供應商購買 2 單位中間服務，且這兩種服務完全屬於生產該商品的當期中間投入。則可寫：

這是［SIM-1］的自洽假設，不代表任何實際交易已確認，也不適用於把跨境進口、固定資本形成、存貨、政府非市場產出及稅補貼全數忽略的現實 GDP 計算。總銷售事件金額可出現 100＋5＋2＝107，卻不能因此認定經濟新增了 107 單位最終產值。嚴格國民帳須以生產邊界、產業增加值、產品稅補貼、進出口與資本化等 SNA 規則重新對帳。［E1］

17. 「有經濟價值」不能直接推出「有人付錢」

AI 大量使用原始資料，可能有助於其搜尋、比較、訓練候選資料蒐集或內部品質評估。它會消耗機器資源，因而存在可觀察的資源配置訊號；但資源配置未必等於資訊品質獲得高度評價，亦不等於保有權利、具有付款義務或最後真的付款。［I-AIEC02］［I-AIEC06］

研究時應將至少四個量分開：實際取得量 $Q^{access}$ 、下游可辨識使用量 $Q^{use}$ 、具合法成交條件之可授權量 $Q^{lic}$ 、完成結算金額 $R^{paid}$。這些量具有不同單位，彼此不應被視為自然相等或固定比例。尤其不能從「公開 AI 回答引用不多」反推出內容從未被索引、從未進入內部處理流程，或未來不可能被使用。

18. 資料字典的核心原則：每一筆都必須知道單位、母體與來源

最小研究記錄不只是 value=1234。至少需包含：觀測期間、時間區與原始時間戳、主體或抽樣框、活動／任務主鍵、來源系統、統計分子、分母、單位、AI 身分證據、地理／產業／法域、版本、資料權利狀態、缺失型別、研究方法與因果識別等級。

例如「一個網站有 70,000 個不重複訪客」必須知道報表窗口、機器人包含規則、重複計數限制與 IP／Cookie 或平台使用的其他識別方法；「一家企業 90% 使用 AI」必須知道抽樣母體、使用定義與部署深度；「某地 AI 造成 2% 生產力增加」必須保留對照方法、模型假設與信賴區間。缺少這些資訊時，只可把數字當作有限背景或研究引子。

19. 第一個文明觀測尺度：微觀主體及其有限生活世界

微觀尺度的觀測單位，可以是個人、家庭、企業決策節點、具持續狀態的 Agent，或單筆有權限邊界的工作任務。研究重點不是「有人登入了 AI 嗎」，而是當 AI 能力加入後，主體哪些行動變得可辨識、可負擔、可合法執行，哪些原有能力被替代，哪些原本存在的退出能力反而下降。［I-EWDT12］［I-EWDT22］

例如兩人即使同樣訂閱 AI 服務，一人具有可持續記憶、專業資料、複合工作流、程式執行與驗證系統，另一人只使用免費文字問答，其有效經濟能力就不應被視為相同。此差異也可能由教育、語言、無障礙介面、電力、網路、雇主權限、支付能力及地方法律放大或縮小。

微觀觀測至少建立三張不混淆的表：有效能力表（任務及其可靠完成率）、經濟結果表（實際收入、時間、成本、支付及品質）、生活世界表（個人能否繼續取得住房、教育、健康、參與與職業選擇）。某人因 AI 省下兩小時，仍可能失去工作收入；某人工作時數沒有下降，卻可能獲得更高品質的輔助。單一「節省工時」不足以辨認福利。

20. 第二個文明觀測尺度：中觀的企業、平台與生產網路

中觀尺度的對象是企業群、產業生態、雲端供應商、廣告平台、出版市場、支付網路、保險、學術資訊基礎設施和跨組織 Agent 流程。EWDT-13 已指出，微觀活動通常需要經過中觀路由，才會轉化為宏觀結果。［I-EWDT13］

AI 對中觀的作用可能同時表現為四種現象：降低企業內部分工成本；加深少數基礎模型、雲端或支付供應商的依賴；使新創企業以較低成本進入市場；或者迫使企業為稀缺的廣告、人才與資料授權位置投入更多預算。這四者不必相互排斥。研究者不能只觀察「AI 廠商數量增加」，便認為競爭必然更分散；也不能只觀察大型平台營收成長，就推論整個供應生態獲利改善。

中觀觀測應追蹤集中度、必要路由、替代性、退出成本、交易摩擦、獨立供應商存續率、廣告主獲客增量、平台對外付款比例及跨 Agent 工作流。這一層很適合以企業面板、平台規則版本及市場層自然實驗進行研究。

21. 第三個文明觀測尺度：宏觀的收入、需求與制度傳導

宏觀尺度包含生產、就業、薪資、物價、投資、政府財政、公共服務、社會保障與總體有效需求。特定企業導入 AI 成功，並不充分證明總體經濟進入持續繁榮。因為被降低的成本可能轉化成更低售價、員工工資、股東利潤、投資、新服務，也可能只形成短期裁員或市場份額轉移。分配路由不同，消費與下一輪投資就會不同。［I-EWDT21］

ECAO 的宏觀研究必須同步保存企業端生產能力與家庭端有效購買力，不應將「供給增加」假定為「每個家庭能用得起」。對公共部門，AI 節省行政處理時間也不等於居民權利、救濟效率或公共信任必然改善。研究設計應檢查：被節省的資源是否真正回到可持續服務、其他財政用途或未來投資，以及不同群體是否受益。

22. 第四個文明觀測尺度：超宏觀的跨境橋接與共同瓶頸

超宏觀尺度研究跨境支付、國際貿易、資本流動、先進晶片、雲端平台、能源、材料、海底電纜、模型權重的授權、資料的合法流轉與各國互相依賴。EWDT-16 已指出，全球能力不是各國數值的普通加總。［I-EWDT16］

一個國家擁有大量雲端 AI 訂閱，不代表它有可獨立運作的資料中心、電網、先進半導體與必要人才。反過來，某國未培育出最前沿模型，也不代表其在農業、醫療、教育、物流或企業流程中無法得到 AI 生產力增益。跨境模型 API、技術標準、支付與資料權利，可能是兩種經濟世界域之間的重要橋梁。

世界銀行《2026 年世界發展報告》強調，發展中經濟體的 AI 機會取決於電力、連接能力、技能與制度等條件，同時提出各國能力與曝險差異。這是建立跨國分層觀測的外部依據，而不是保證所有發展中經濟體都將快速追上前沿。［E5］

23. 四尺度的連接需要中間路由，不能直接把微觀係數乘以人口

研究者在受控辦公室任務中測得 20% 的品質調整效率提升，並不意味全球 GDP 隨之增加 20%。總體效果至少經過採用率、任務占比、互補投入、制度守衛、價格、勞動移動、能源與世界時間等條件。

可以把跨尺度觀測寫成一個候選傳導組合：

其中 $\mathcal A_t$ 不是固定乘數，也不是本文已估得的普遍函數；它記錄哪些中觀關係、制度、歷史與外生衝擊改變了微觀效應的聚合方式。不同產業可能有完全不同的 $\mathcal A_t$。若只有微觀效果，應先報告「局部有效」，不能宣稱已完成全球投影。

24. 2026 年的外部研究究竟支持到哪一步？

2026 年《Stanford AI Index》在其企業調查樣本中報告：2025 年受訪組織於至少一個業務環節使用 AI 的比例上升至 88%，但 AI Agent 在多數業務功能中的部署仍屬早期。這說明「使用過 AI」與「Agent 深度接入企業生產」不可混用；88% 不能直接視為全球全部企業的代表值。［E2］

Stanford Digital Economy Lab 於 2026 年推出 AI Economic Indicators，將就業、薪資、AI 採用、總體變化及消費者剩餘分開追蹤；其官網明確區分已觀測到的變化與尚無決定性證據支持的總體轉型判定。這類多儀表板方法與本文保留多種帳本的立場相容，但 ECAO 不聲稱重建或取代其正式研究。［E3］

OECD《Digital Government Outlook 2026》報告，在 36 個受調查 OECD 國家中，35 個表示政府至少有一處使用 AI；但僅 10 個表示進行過任何 AI 使用案例的財務或非財務影響測量。該報告的部分底層資料涵蓋 2023–2024 年，不能將它誤作 2026 全年度即時測量。這恰好展示部署覆蓋、效果測量與社會效益三者的落差。［E4］

BIS《Annual Economic Report 2026》則指出，AI 基礎設施投資已支持部分全球投資與供應鏈活動，同時金融市場估值、資本支出與脆弱性值得分別追蹤。這支持「AI 影響已在某些經濟管道顯現」，卻不足以推出未來每個產業的固定受益比例。［E6］

25. 勞動與就業：曝險、採用、替代與生活後果屬於不同事件

ILO 2025 年《Generative AI and Jobs》以任務方法估計，約四分之一全球就業位於具有某種程度生成式 AI 曝險的職業，約 3.3% 屬最高曝險梯度；這是任務可受技術影響的曝險估計，不是「已有相同比例的人失業」的因果證據。ILO 2026 年研究簡報也要求將曝險指標視為變化訊號，而非已發生就業結果。［E7］［E8］

ECAO 的勞動觀測要求按職業任務束、年齡、地區、產業、雇用型態及 AI 採用深度分層，並記錄薪資、招聘、工時、轉職、工作品質、訓練機會與經濟參與能力。若不同群體相反方向變化，不能只報告全體平均值。若樣本只包含某一企業、單一平台或某個高 AI 曝險職業，也不能外推到所有人類工作。

26. 注意力與資訊來源：人類入口集中，不代表後台資料來源也集中

AIEC-01 至 04 所建立的基本觀測結果是：人類看到的答案入口、AI 背後取得的資訊來源，以及最終付費的供應商可以彼此分離。未來可能出現前台強集中、後台多來源的市場；也可能因少數資料商或平台成為預設供應商，而讓前台與後台同時集中。兩種路徑均須以資料檢驗。［I-AIEC01–04］

研究至少需要兩個不同集中度：一個測量人類實際使用入口之分布，另一個測量 AI 成功取得的原始資料來源分布。另需測量人類是否能識別、信任並選擇來源，而不是只統計 AI 回答的出現次數。若不同 AI 供應商的爬蟲會重複抓取同一站點，不應將多個 HTTP 請求當成多個獨立的人類讀者。

27. 機器需求：大量資源投入本身有訊號，但訊號的解釋仍須競爭

大規模機器爬取會使用頻寬、計算、排程及儲存等資源；長期且多來源的成功取得，可以構成機器資訊需求的候選觀測證據。這正是本系列原始討論的重要平衡性修正：不能因為沒有公開引用就把大型爬取當作零資訊價值。［I-AIEC02］

但同一現象可能有多個機制：新增資料需求、重新索引、重複抓取、掃描漏洞、模型訓練候選收集、搜尋工具使用或非 AI 自動化。有效假說應事前區分已驗證 crawler 類型、成功回應比例、內容去重、更新敏感度、不同業者獨立性、機器可讀結構品質及存取權狀態。

即使有模型供應商公開承認從某站點讀取，也不能據此推估特定論文被模型學習的「權重」。機器流量的含金量需要以更完整的資源分配與後續使用指標評估，而不是用「有請求」或「有引用」兩個極端替代所有資訊經濟分析。

28. AI 付費與交易：經濟市場可以擴張，也可能停留於授權可行性

AIEC-06 已把機器資訊市場拆為公開免費、授權交易、批量採購、API 計費、成交分潤與其他契約結算路徑。ECAO 只將這些作為可觀測研究變數，不重新發明 AICR／AICL 協議，不認定某一支付協議必然成為市場標準。［I-AIEC06］［I-AICL］

研究至少需分開 $Offer$ （提出報價）、 $Acceptance$ （接受權利與價格）、 $Settlement$ （實際結算）、 $Consumption$ （真正完成取得或服務），以及後續 $Value$ （能否估計增量經濟貢獻）。合約中的預付款、退款、帳期、信用與代理人代付，會讓這些事件出現在不同季度。缺少稽核憑證時，不能把「HTTP 回 402」、「AI 看到價格標頭」或「平台宣稱支援付款」直接視為已成交。

更困難的是，AI Agent 向另一個 Agent 採購能力，在功能上可形成 A2A；真正支付與責任方卻可能仍是兩家企業之間的 B2B 契約。兩種分類的存在是不同投影，不是彼此矛盾。

29. 平台與廣告：收入成長可能是健康擴張，也可能是競爭壓力

AIEC-04、05 提出條件性反直覺模型：當 AI 降低部分自然搜尋回流、企業缺少可替代的高轉換入口時，廣告主可能提高防禦性投放；而當競爭者退出時，資金較充裕的企業也可能加碼爭取市場份額。故平台營收與部分廣告主利潤可能反向變動。這是可被驗證或推翻的機制，不是對 Google 或任何平台管理層的心理動機判定。［I-AIEC04］［I-AIEC05］

真正需要的資料是同一批廣告主在一段時間內的增量毛利、非付費來源、廣告支出、出價與競爭者數量，並保留景氣、商品價格、行銷季節性與平台廣告格式更新。即使大型平台收入持續上升，也不能僅憑這個結果宣稱所有廣告主健康；反過來，少數商家投放失敗，也不能證明平台商業模式將崩潰。

30. 能源、算力、材料與世界時間：智能輸出不能直接取代實體供給

當模型推論更便宜、候選設計更容易生成時，真正可轉化成生產能力的程度仍受晶片、能源、土地、電網、製造設備、專業人才與部署審批限制。IEA《Energy and AI》（2025）在其基準情境估計，供應資料中心的全球發電量將從 2024 年約 460 TWh 增至 2030 年超過 1,000 TWh。這是條件性能源預測，不是已發生耗電量，更不是可以直接歸於生成式 AI 的純耗電估計。［E9］

EWDT-18 將 AI 從候選生成、驗證、部署、採用、吸收、沉積一路連向世界域擴張；EWDT-19 又提出 AI 支撐世界域的遞迴再生條件。本篇保留這個區分：AI 生成一萬個可行候選，不代表工廠已造出一萬台設備。在時間有限的現實世界中，智能時間密度提高，可能與能源、設備及制度瓶頸同步上升。［I-EWDT18］［I-EWDT19］

31. 投資與金融：AI 真實進步與資本錯配可以同時存在

當 AI 基礎設施投資擴張，短期可能提高晶片、電力工程、資料中心、營建與相關供應鏈需求；但同時存在估值、槓桿、重複建設、投資回收期限及運算能力過時風險。BIS 2026 已把 AI 投資對總體成長及金融環境的作用列為值得追蹤的因素。［E6］

ECAO 不採取「AI 投資高所以全是泡沫」或「AI 真有用所以所有估值合理」的二分法。至少需要分開：承諾投資、實際資本形成、融資結構、部署運作、利用率、客戶需求、已結算收入、持續自由現金流及社會外部性。跨國算力供應鏈與跨境資金流尤其不可從某一國 AI 企業的帳面利潤推得全部經濟淨效果。

32. 公共制度：政府也是經濟傳導者，不只是新增的第四種買方

在 G2B、B2G、G2A、A2G 等格位中，政府同時可能是規則制定者、公共資料供應者、採購者、服務受益分配者與責任承擔者。將 G 當成單純「大型企業顧客」會忽略稅收、轉移支付、行政程序、公共救濟、財政約束及不同群體的權利差異。［I-AIEC08］

OECD 2026 的資料顯示，政府 AI 已有相當廣泛的早期部署，但對成本與實際服務成果的測量落後。ECAO 因此要求公共 AI 個案至少提供：基期行政成本、服務品質、申請成功率、錯誤受影響人口、申訴與救濟時間、獨立審核、採購成本、合約風險及制度版號。若只報告「自動處理十萬件」，但沒有錯誤、覆蓋與福利資料，不能宣稱公共轉型成功。［E4］

33. 福利、分配與自由時間：便宜的資訊不等於公平可達

免費 AI 服務可能增加消費者剩餘，並讓部分人以低價取得以往昂貴的知識服務。Stanford 2026 AI Index 引用的美國生成式 AI 使用者剩餘估算顯示，傳統貨幣交易數字未必捕捉全部使用價值。但是估算的消費者剩餘不是已登錄 GDP，也不能不加方法說明地外推到全球。［E2］［E3］

AI 也可能使能力、收入和服務品質分布發生更強的差異化：有高品質 AI、資金、資料、時間與專業驗證的人，可能取得更高生產力；沒有電力、連接或支付能力的人，則可能難以分享紅利。EWDT-21 的自動化社會閉合要求生產、消費、社會參與與生活世界分別檢查；EWDT-22 要求區分名義 AI 存取與有效 AI 資本可達性。［I-EWDT21］［I-EWDT22］

因此，ECAO 不僅測量 AI 是否讓市場產生更多商品，更要追蹤：誰有能力取得這些商品、誰因此失去收入或角色、誰得到了可自由運用的時間，以及公共制度能否維持不同個體的實質選擇空間。

34. 時間傳導：任何文明推斷都需要指定「何時」

第十篇 TPMT 已將能力出現、實際部署、工作流程使用、經濟成果、統計觀測與正式發布時間分開，並建立部分結果先負後正或永不轉正的條件性反例。ECAO 不能用一句「AI 影響有延遲」為所有不成功的預測辯護。［I-AIEC10］

一個候選假說必須包含：研究母體、地區、產業、起點與結束日、主要結果、最低可測差異、資料發布時滯，以及在期限內未成立時如何下修或拒絕。多尺度系統中，企業 ROI 可能先於工資變化，公共採購可能先於服務改善，能源投資可能先於機器端可用算力；但任何特定順序都不是無條件定理。

35. 反身性：觀測者本身可以成為世界的因果參與者

第十一篇 RMAW 已將「世界—觀測—模型—授權—行動—新世界—模型更新」建立為候選閉環。未來若企業、政府與 Agent 不只是閱讀研究，還把模型預測自動接入採購、定價、金融與治理程序，研究者觀測到的世界就可能因模型介入而改變。［I-AIEC11］

ECAO 要求保存模型版本、暴露對象、決策權限、實際執行比例、撤銷事件與市場結果。沒有模型介導行動的證據，不可將所有同步變動稱為反身性；共享資料、共同衝擊、競爭對手行為與宏觀政策，可能產生相似結果。

特別是在統計上，若研究團隊公布一份「AI 將造成某種市場轉折」的預測，企業因而調整投資，該預測的公開發布亦可能成為研究事件。此時應記錄發布和採納時間，不應把預測者假裝成與經濟世界完全隔絕的旁觀者。

36. 認知載體與文明資訊複雜度：能算更多，不代表已經理解整體

本系列對話中的一個重要觀點是：經濟世界的真實關係數、可觀測資料量，以及人類／AI 認知載體能合法理解與推斷的範圍，不是同一個量。 這與 EWDT-EX02 所提出的計算化缺口相呼應；難以計算不等於已證明數學上的不可計算。［I-EWDTEX02］

AI 可以協助研究者快速整理更多統計、生成模型、搜尋反例、編譯資料字典與建立可重算實驗，因而提升研究的操作性資訊處理能力。但它也能生成大量品質不等、彼此引用、甚至源自同一資料供應鏈的結論，使表面上「來源數」上升而實際的獨立證據沒有同比增加。

因此，文明經濟研究還應追蹤研究者與 Agent 的認識品質：資料覆蓋是否改善、獨立來源是否增加、模型是否校準、反事實識別是否加強、是否有公開反例迫使模型更新。對單一研究問題而言，少量高品質資料與透明因果假設，可能比龐大但不可審計的敘事更可靠。

37. ECAO 第一代觀測架構：不是一個儀表板，而是可溯源資料的研究集合

ECAO 第一代只提出研究架構，不宣稱已建成營運中的全球觀測平台。可行的實作方式是由彼此獨立、對各自資料負責的合作研究者維護若干觀測模組，再以共用資料字典、主鍵與版本對照表產生任務相對投影。

研究模組至少包括：M1 機器資訊取得；M2 人類注意力與來源識別；M3 平台廣告與流量入口；M4 機器授權及交易；M5 B／C／A／G 功能關係；M6 LEAA 混合執行歸因；M7 勞動、收入與職涯；M8 公共服務與制度；M9 資本、能源與供應鏈；M10 TPMT 時間傳導；M11 RMAW 模型回饋；M12 微觀生活世界與跨尺度福利。

上述「十二個模組」與「十二篇論文」只是為了便於對接的第一代工作切片，並不宣稱它們天然構成十二個互不重疊的經濟領域。每個模組必須保存其觀測母體及資料權限。研究者若僅有某一模組的資料，應只發表符合其識別能力的局部結論。

38. 最小觀測事件記錄與證據型別

本文提出以下第一代欄位群，用於在相同任務被拆成多次操作時避免誤認為多個獨立經濟需求：

所有欄位均為候選標準，需要依資料來源實際能力調整。principal 或 executor 欄位不必保存真實姓名；跨機構研究應優先使用合規的匿名或受限代碼。敏感資料的無法取得屬於合法研究邊界，而不是授權研究者繞過平台限制的理由。

39. 分層樣本：沒有母體，就沒有負責任的全球比例

第一代研究不可把全球所有企業與網站當成已經完整列舉的抽樣框。建議建立幾個相互補充的明確研究母體：同意提供日誌的網站與出版者；願意揭露部分資料的 AI 業者或企業；可取得公開統計的政府；合法調查的個人與勞動者；具有可溯源資料的公開財報、交易與能源基礎設施。

應按地域、語言、產業、企業規模、數位成熟度、對 AI 的依賴、平台類型、法域及研究窗口分層。若無法取得某類母體的可抽樣名單，不應假造代表性抽樣，而應明確標成便利樣本或個案追蹤。

研究有必要保留負例樣本：例如 AI 使用很少卻迅速成長的企業、AI 使用率高但未提高績效的組織、人類品牌知名度高而機器資訊需求低的網站、機器請求量低但已有授權成交的資訊服務。只選擇 AI 流量特別高或投入資金特別多的企業，很容易得到選擇偏誤。

40. 研究方法：描述、預測與因果識別分成三個階層

研究者先問「觀察到什麼」，再問「是否能預測」，最後才問「AI 是否造成這個變化」。三層的證據門檻不同。

描述性研究應保存資料口徑、缺失、來源可靠度、比較單位、樣本偏差與時間範圍。預測性研究應使用時間外樣本、概率校準、方向與區間評分、模型漂移檢查。因果研究則需要額外的可識別性條件，可能利用實驗、分階段部署、自然實驗、差異中之差、合成控制、工具變數或結構建模，但各方法的前提不可省略。

尤其當企業會依 AI 預測改變政策與策略時，傳統「未採用 AI 的對照組」可能受到供應鏈、價格或人員流動的外溢影響。實證研究需要評估干預外溢、共同市場衝擊與多 Agent 同步化。若無法識別外溢，應報告估計對哪一個介入、哪個群體、哪個時間窗成立，而不是直接上推到全世界。

41. 十二項候選可反駁假說：系列閉合後的共同測試座標

以下假說 H12-01～H12-12 均為2026 年提出、尚未完成全球實證的候選命題。每項正式測試前都必須登記母體、處理組與對照組、主要結果、衡量單位、最小有意義效果 $\delta_j$ 、統計檢驗及失敗條件。下表描述候選機制；它不代表本文已經取得觀測結果。

注意： 像「不必然」或「可以分離」的存在型命題，本身比定向平均效應更容易成立。正式研究不能透過尋找一個特例便宣稱全球結構已被驗證。應預註冊可比較母體、分離幅度、樣本比例與條件，以評估其是否為實質且可重現的市場現象。

42. 預先註冊的硬邊界：不能為了讓假說成立而事後改答案

各研究至少在資料取得前或分析前凍結以下內容：主要研究問題、處理定義、樣本來源、比較群體、主要結果、時間窗、最低實質效果量、置信區間方法、異質性分析、允許的樣本排除規則、缺失處理與複數檢定策略。所有事後探索性分析應另開版本，不能偷偷變成原先註冊的預測。

第十篇已提醒「轉折方向」、「轉折時間」與「轉折範圍」需要分別評分。ECAO 可對不同預測模型同時考核：方向命中、時間誤差、區間涵蓋與校準、對照模型提升及福利估計準確性。若一項預測限定為 2027–2028 年內發生，至 2028 年底未出現預註冊的效果，就應按預先規則報告不支持，不可因 AI 最終可能長期發展就無限延後。

43. 2027–2028 年研究時間表：觀測窗口，不是預定的必然奇點

本篇建議：2026 年剩餘期間準備資料字典、招募合作研究者並建立只讀基線；2027 年按季追蹤主要樣本；2028 年延續原樣本並加入事先標記的新樣本層，最後做跨年比較與形式模型的淘汰／修正。這是建議研究設計，不是已經啟用的監控任務、保證取得的合作資料或已承諾將在未來自動發布的工作。

除了季報，也可能依資料特性使用月度就業資料、週度平台資料、年度國民帳或不規則企業披露。應以世界時間作共同索引，同時保存資料最初發生與正式發布之不同時間；不能因發布延遲將早期機制誤認為晚期才發生。

44. 三組文明路徑情境：允許同時出現與隨時間切換

情境 A：能力擴張與廣泛吸收。 AI 降低某些資訊與專業服務成本，新企業與個人能進入原本昂貴的生產活動，需求、收入與公共服務能力逐步擴張。這需要可用算力、可信驗證、支付及法律接口、有效需求與教育等條件；不能只靠 benchmark 進步推論。

情境 B：平台集中與局部分配壓縮。 大量資訊與任務集中到少數入口，部分內容方失去回流，廣告主提高防禦預算，基礎模型或雲端供應商取得較強議價地位，而部分產業在轉型中承受收入及就業壓力。它並不否定 AI 也提高了其他產業的生產力。

情境 C：高度混合與快速重路由。 A、B 兩種機制同時存在，且可能在不同區域、產業或季度轉換主導位置。某些地方獲得價廉物美的 AI 服務，卻面臨電網瓶頸；某些公司透過 Agent 成功減少成本，卻又因更多競爭者進入而降低利潤。這可能是觀察上的常態，而不是理論不夠清楚的失敗。

此處沒有為任何情境賦予無依據的機率。真正的研究任務是：找出在什麼條件下，哪條傳導路徑對哪個對象更有解釋力，以及可否提出事前預測並通過後續資料的校準。

45. 四組可重算示範：不同觀測面不能互相僭越

［SIM-2］機器與人類的可見性分離。 在一個明確的三十日觀測窗口，某站點共有 100,000 次機器請求，其中 80,000 次成功，按內容識別後涵蓋 4,000 個不同頁面；人類端估計只有 300 位符合研究定義的訪問者，另有 6 次公開 AI 引用與 0 筆已驗證的內容授權成交。由這些數值能陳述的只有「該站點受到大量經判別為機器的成功取得，且公開人類訪問與已知交易較少」。不能直接推得模型內部已學習 4,000 篇、AI 一定覺得內容有高品質，亦不能推得不存在未被觀測的私有授權。

［SIM-3］平台繁榮與廣告主的異質結果。 假設某行業原有 20 家商家，各自投放 100 單位廣告，平台取得 2,000 單位；下一期退出 8 家，其餘 12 家各投 180，平台取得 2,160 單位。這可推得廣告主數量下降 40%，平台該產業廣告收入上升 8%；但不能僅憑這兩項推得廣告主平均利潤是否惡化、退出是否由 AI 造成。還需要商家增量毛利、自然觸及、固定成本、消費需求和共同衝擊等資料。

［SIM-4］制度導入與福利結果分離。 某行政部門把 10,000 件案件中的 6,000 件交由 AI 協助初審，平均每件處理時間由 20 分鐘減至 12 分鐘，則這 6,000 件的處理時間總和按假設減少 $6,000\times8=48,000$ 分鐘，即 800 小時。這是流程時間差，不是省下 800 小時的可重新調度人工勞力的實測值，更不是公共福利提升 800 單位。假設同時存在額外錯誤、申訴、維護、人工複核與服務公平問題，仍需完整成本—品質—權利比較才能判斷制度成功。

［SIM-1 回顧］國民帳去重。 第十六節的 100／5／2 案例說明，Agent 事件與三家生產單位的總銷售金額之和可超出單一最終商品價值。若研究者把 B2A、A2A、A2C 等多格運作都視為新的最終需求，就可能製造虛假的 AI GDP 爆炸。SNA 框架下的最終用途、產業增加值、進口與稅補貼必須另行處理。［E1］

46. 世界經濟域轉化的「成果」至少具有四種不同型別

第一是活動重組：相同最終工作改由不同人機流程完成，但需求與世界可行集合未必改變。第二是成本／效率改進：在指定品質與制度條件下降低資源消耗，可能提高剩餘，但分配尚未確定。第三是分配與權利轉移：市場收入或決策權從某些主體轉移到另一些主體，不能單靠平台收入判定全體福利。第四才是世界域外延改變：新的商品、服務、制度能力、資源動員方式或可達狀態真正在合法且可持續的條件下進入可行集合。［I-EWDT18］

這四種變化可能連續發生，也可能在某一層停住。某些 AI 系統極大提高候選生成速度，但最終因能源、資料權利、合約責任或需求不足而無法部署；另一些看似普通的軟體工具，則可能因廣泛採用而真正改變家庭與企業的經濟可達性。

47. 研究裁決：反證、未知、制度變動及模型退出規則

ECAO 的結果至少應分成五種狀態：支持於限定樣本與時間窗、反證於限定樣本與時間窗、效果不確定、資料不足、無法合法識別。將「不顯著」直接寫成「不存在效果」是錯誤；但把任何非顯著結果都解釋為「AI 還沒完全發展」也同樣不合格。

當研究資料不支持 H12-05 的廣告防禦加碼機制，應考慮對應樣本可能已有更好的替代入口、自然觸及未下降，或企業選擇裁撤廣告預算；不是延長時間直到加碼事件出現。當 H12-11 的反身性結果不存在時，可能是 AI 預測根本沒被企業採用，或者人類決策完全覆蓋它；此時不能因為「使用了 AI」就宣布反身性已成立。

每份報告均應提供負結果、被排除觀測與模型版本。若 2027–2028 年資料迫使 AIEC 某篇命題縮小適用範圍，應建立新的修正版，而不覆寫 2026 v0.1 原稿。這讓時間預測成為可被失敗改進的學術活動，而不是永遠正確的敘事。

48. 協作、透明與研究倫理：世界模型不應要求無限制取得私人世界

文明尺度研究需要跨公司、跨地區、跨學科合作，而不是要求單一研究者擁有每個人的交易與行為歷史。對人類與 AI 混合執行資料，可用受限存取、匿名化、差分隱私、聚合發布或安全資料環境減少不必要的個人風險；具體方法須按資料敏感度與各法域要求決定，不能把技術名稱當成自動合規證明。

研究者應對資料貢獻者保存授權、用途、保存期限與撤銷規則，對公共部門保存公平與救濟設計，對商業秘密和第三方契約保留合法邊界。平台不提供某類 AI 操作資料，並不構成研究者自行繞過存取控制的許可。 研究應尋求明示合作、官方資料與合規抽樣。

同時，研究成果不應把 AI 的功能執行誤寫成 AI 已具備獨立法律人格，也不應因主體性研究尚未定論，就否定人類委託、責任鏈與權利救濟的現實重要性。

49. 與既有 EWDT 的正式接口：新增的是文明尺度觀測規格

本篇對既有母理論的接口可以歸納為：

因此 ECAO 對 EWDT 的貢獻是把 AI 經濟的中間層活動、證據鏈、時間分離與反身性具體接到原有八元世界狀態；它不是重寫 EWDT-01 的世界本體，也不對 EWDT-19 的系統性 AI 奇點重新下終局定義。

50. 與外部經濟學的關係：新增的是互操作觀測，不是取代所有傳統模型

2025 SNA 仍是增加值與總體經濟核算的重要國際標準；OECD 2026《Going Digital Measurement Roadmap》強調數位技術、資料價值、AI 採用及其影響需要可比、跨域、動態更新的統計方法；Stanford AI Economic Indicators 則已把就業、採用、轉型及消費者福利視為多個需分別追蹤的問題。ECAO 應與這些制度相容，而不是建立一套無法與它們對照的私有語言。［E1］［E3］［E10］

在方法上，ECAO 會受益於產業組織、一般均衡、創新經濟、勞動經濟、公共財政、演化經濟、網路科學、因果推論與多代理系統研究，但這些學科原有成果不應被重新命名後宣稱全屬本文首創。本篇較具體的新組織性貢獻，是把本輪討論中的「機器資訊需求—有限人類注意力—企業廣告博弈—AI 經濟關係矩陣—混合行動歸因—時間和反身性」排列為一套可以逐項失敗、逐項修正的研究架構。

51. 系列最終研究結論：更多資訊，不保證更容易完整理解世界

AIEC 的起點是一個看似小的網際網路觀察：網站有相當多機器端訪問，但人類未必認識資訊來源。從這個現象開始，真正被打開的不是單純 SEO 的成敗問題，而是人類注意力、機器資訊需求、原始內容供給、平台商業收入與實際經濟價值如何分離的問題。

隨後我們看到，企業在 AI 改變資訊入口之後，可能因為失去替代管道而加大廣告防禦，也可能因競爭者退縮而加碼進攻；因此平台收入可以繼續增加，但下游廣告主與內容供應商可能面臨不同命運。再往下，當 AI 已能直接被委託閱讀、研究、比較、採購和執行任務，傳統 B2B、B2C、C2B、C2C 的表面分類就不足以保留全部功能關係：需要九格與十六格作為最低限度的有向關係座標。但實際世界活動又穿越多個格位，且帳號、執行者、付款者與受益者可能分離；所以必須引入事件去重、LEAA 和合法歸因。

更深的限制來自世界時間與制度反饋。AI 可以在同一世界時間內做更多分析，卻不能讓社會立即建好所有晶片、發電廠、法律權利與供應網路；技術能力、部署、企業策略、家庭收入與公共服務常在不同季度、不同地區才顯現。同時，AI 的預測可能影響被研究者的行為，使世界本身隨模型而改變。這就是為何單一「AI 經濟會好還是壞」的二分式預言，在本研究尺度下過於低解析度。

然而，本篇也不把高複雜度當成放棄研究的理由。世界經濟域不能一次完整算完，不表示不能建立逐步精細化的局部模型；AI 能協作建模，不表示它能保證完整知道地球文明的未來。世界經濟域的實際資訊複雜度、我們可觀測到的資訊量，以及不同認知載體真正可理解和可驗證的資訊量，是三種不同的狀態。

因此，本系列最終結論不是「AI 一定讓所有人不用工作」，也不是「AI 必然使某些市場崩潰」。它是一個更可持續的研究原則：

當人工智慧逐步成為地球文明經濟活動的資訊取得者、協作執行者、受託資源配置者與可能的交易入口時，經濟學研究必須同時觀測實際行動、可見投影、法律與財務歸屬、時間傳導、分配後果以及模型本身的反身性。九／十六關係不是世界的終局分類，而是使後續精細化研究得以開始、相互對照並保留未知的共同骨架。

2027–2028 年值得觀察，卻不是被預言保證的轉折年。若市場比預期更快擴張，研究者應解釋其有效前置；若市場沒有轉折，應主動調整原模型；若某些地方繁榮、另一些地方壓縮，應保留這種異質性；若舊模型在局部仍具有很高的預測力，就不應為追求新穎而捨棄它。

第十二篇的完成，不代表經濟世界域已經被完整理解。它代表我們已經擁有一套可以從具體網站觀察出發，逐層進入企業、平台、公共制度與地球文明尺度的可修正研究入口。

參考文獻：外部可核對來源

下列來源為截至 2026-10-17 可公開核對的官方統計、研究機構或國際組織資料。各來源之研究期間、母體、實證強度與本文之候選機制不同；引用其數據不構成該來源對 ECAO 或 EWDT 的背書。此處採用穩定的來源網址，不將網頁最近爬取時間當成文獻發表日期。

［E1］ United Nations Statistics Division. (2025). System of National Accounts 2025（2025 SNA）. UNSD 官方版本介紹與標準文件。2025 SNA 由聯合國統計委員會於 2025 年通過，作為國民經濟核算的國際統計標準。本文用於區分功能事件、產出、增加值與最終需求，並不宣稱 AIEC 是官方國民帳的替代版。

［E2］ Stanford Institute for Human-Centered Artificial Intelligence. (2026). 2026 AI Index Report, Chapter 4, Economy. Stanford HAI 經濟章。本研究用於支持企業採用、資本投入、就業異質性與消費者剩餘等不同結果類型；須保留報告中所用調查樣本、年度及估算方法。

［E3］ Stanford Digital Economy Lab. (2026). AI Economic Indicators. 官方研究與儀表板計畫；2026-06-10 對外公布。以就業、採用、宏觀訊號與消費者福利不同來源的動態統計，提供與本文觀測架構比較的實例。

［E4］ OECD. (2026). Digital Government Outlook 2026: From Foundations to Transformational Impact, Chapter 4: Adopting and Governing AI in Government. OECD 官方章節。用於公共部門部署與效益評估的差異，數值並非全球所有國家的即時母體。

［E5］ World Bank. (2026-08-04). World Development Report 2026: The Promise of Artificial Intelligence 相關公開摘要與報告發布。 World Bank 官方發布頁。關於發展中地區的機會、AI 曝險差異，以及電力、連線、技能與制度互補條件。

［E6］ Bank for International Settlements. (2026-06-28). Annual Economic Report 2026. BIS 官方報告入口。AI 基礎設施資本支出、全球供應鏈與金融市場環境的分析；本篇不將其敘述當成已證明 AI 對全球 GDP 的單一淨因果係數。

［E7］ International Labour Organization. (2025-05-20). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. ILO Working Paper 140. ILO 官方原始報告入口。用於職業任務曝險及不同曝險梯度；不等同已實現就業替代。

［E8］ International Labour Organization. (2026-04-17). Workers’ Exposure to AI: What Indicators Tell Us—and What They Don’t. ILO 官方簡報。提醒研究者區分技術曝險與實際勞動市場結果。

［E9］ International Energy Agency. (2025-04-10). Energy and AI. IEA 官方報告入口，Energy Supply for AI 章節。能源及資料中心發電需求的情境估計，不是 2030 年實測值。

［E10］ OECD. (2026). The OECD Going Digital Measurement Roadmap 2026. OECD 官方全文。強調資料價值、數位經濟、AI 採用、跨境交易、福利及統計方法需要持續更新。

既有原稿與本系列正式接口（內部理論，不是外部實證）

甲、AIEC-01～11：系列內部原稿

［I-AIEC01］ Neo.K × GPT-6（2026-10-16），《機器可見，而人類未必認識：雙重受眾的資訊識別落差》，原稿：AI_Economic_Coupling_Paper01_Machine_Visibility_Human_Recognition_v0.1_2026-10-16.md。

［I-AIEC02］ Neo.K × GPT-6（2026-10-16），《從爬取到付費：AI 資訊需求的層級與 AIO／GEO 邊界》，原稿：AI_Economic_Coupling_Paper02_From_Crawling_to_Payment_AIO_GEO_Boundaries_v0.1_2026-10-16.md。

［I-AIEC03］ Neo.K × GPT-6（2026-10-16），《供給膨脹、注意力收斂與新入口生成：非泡沫型網路轉化》，原稿：AI_Economic_Coupling_Paper03_Supply_Expansion_Attention_Convergence_New_Entrances_v0.1_2026-10-16.md。

［I-AIEC04］ Neo.K × GPT-6（2026-10-16），《生成式搜尋改造商業入口：從 SEO 排名到回答、推薦與交易》，原稿：AI_Economic_Coupling_Paper04_Generative_Search_Commercial_Entrances_v0.1_2026-10-16.md。

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

［I-AIEC06］ Neo.K × GPT-6（2026-10-16），《AI 作為機器端需求入口：內容授權、資源調用與支付分層》，原稿：AI_Economic_Coupling_Paper06_AI_as_Machine_Demand_Entry_Licensing_Resource_Payments_v0.1_2026-10-16.md。

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

［I-AIEC08］ Neo.K × GPT-6（2026-10-16），《從九到十六：公共部門、制度與 AI 經濟傳導》，原稿：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），《帳號、委託、執行者與受益者：人類—AI 混合操作下的經濟歸因》，原稿：AI_Economic_Coupling_Paper09_Account_Delegation_Executor_Beneficiary_Attribution_v0.1_2026-10-16.md。

［I-AIEC10］ Neo.K × GPT-6（2026-10-17），《時間投影與延遲反應：AI 經濟預測中的多尺度傳導與反直覺轉折》，原稿：AI_Economic_Coupling_Paper10_Temporal_Projection_Delayed_Responses_Multiscale_Transmission_v0.1_2026-10-17.md。

［I-AIEC11］ Neo.K × GPT-6（2026-10-17），《反身性 AI 經濟：當經濟模型開始參與並改變被研究的世界》，原稿：AI_Economic_Coupling_Paper11_Reflexive_AI_Economics_Model_Action_World_Feedback_v0.1_2026-10-17.md。

［I-AIEC01–11］ 為上述十一本原稿的合稱；類似 ［I-AIEC01–04］ 的範圍式標記表示按序引用區間內全部篇號，不是另一份獨立論文。其中每篇自述已完成原稿與方法論規格，均不能被當成外部代表性實證。

乙、EWDT 經濟世界域原始母論文及直接前置

［I-EWDT01］ 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。

［I-EWDT02］ EWDT-02，《經濟投影失真論》。無界智庫公開版。

［I-EWDT05］ EWDT-05，《經濟耦合論：可分、不可分與關係本體》。無界智庫公開版。

［I-EWDT06］ EWDT-06，《歷史耦合與路徑依賴》。無界智庫公開版。

［I-EWDT07］ EWDT-07，《供需的重新定義》。無界智庫公開版。

［I-EWDT12］ EWDT-12，《微觀世界域：個體、企業、AI 與有限可行集合》。無界智庫公開版。

［I-EWDT13］ EWDT-13，《中觀耦合域》。無界智庫公開版。

［I-EWDT14］ EWDT-14，《宏觀意圖論》。無界智庫公開版。

［I-EWDT16］ EWDT-16，《超宏觀經濟世界域》。無界智庫公開版。

［I-EWDT18］ EWDT-18，《AI 泡沫與經濟世界域擴張》。無界智庫公開版。

［I-EWDT19］ EWDT-19，《系統性 AI 奇點作為經濟世界域相變》。無界智庫公開版。

［I-EWDT20］ EWDT-20，《資本重構與轉型可負擔性》。無界智庫公開版。

［I-EWDT21］ 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-EWDT22］ EWDT-22，《智能資本、有效 AI 可達性與世界域分岔》。無界智庫公開版。

［I-EWDTEX02］ EWDT-EX02，《理論太細，所以我自己也算不動：人類—AI 協力與計算化缺口》。無界智庫公開版。

丙、跨系列既有研究

［I-AICL］ Neo.K，《AICR / AICL as an AI Content Licensing and Agentic Payment Connection Layer》。此為內容授權與機器可讀支付之規格草案，非已全面部署的全球支付基礎設施。

［I-AA］ Neo.K，《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，《AI–AI 生產關係：委託、分工、驗證與機器間協作》。

［I-ANWIS］ Neo.K，《AI 原生世界資訊系統總綱》。其世界狀態—投影—介面思想可為未來觀測系統工程化提供前置，但不等於本文已建立完整資料平台。

附錄 A. 最小資料結構範例（僅為示意，不含真實個資）

以下是適用於研究資料契約討論的示意性 YAML。其欄位並非任何國際機構已認證的標準，且不代表本文已取得相關資料。正式部署須另定 schema、型別檢查、法域授權與來源核驗。

schema_name: ECAO_Event_v0_1
schema_status: illustrative_not_deployed
observation:
  study_id: ECAO-Pilot-2027-Demo
  record_id: synthetic-record-0001
  task_id: synthetic-task-0001
  event_id: synthetic-event-0001
  parent_event_ids: []
  research_unit: task_event
  population_definition: consenting_pilot_participants
  sampling_method: convenience_sample_demo
  scope:
    geography: synthetic_region
    sector: ecommerce
    jurisdiction: illustrative_only
  relation:
    functional_from: C
    functional_to: A
    relation_type: delegated_product_comparison
  identity_provenance:
    account_holder_type: human
    principal_type: human
    executor_type: ai_agent
    executor_evidence: synthetic_verified_demo
    payer_type: unknown
    beneficiary_type: human
    responsibility_holder_type: organization
  chronology:
    actual_event_at: '2027-01-15T10:00:00+08:00'
    outcome_at: null
    observation_at: null
    publication_at: null
    model_version: illustrative_v1
  metric:
    name: count_of_verified_agent_events
    unit: event
    value: 1
    denominator: 1
    national_accounts_role: not_a_gdp_observation
  evidence:
    source_class: simulated
    classification_version: ECAO-v0.1
    causal_evidence_level: none
    unknown_fields:
      - payment_settlement
    access_rights: no_real_data
    data_quality_status: synthetic_not_empirical

如果一筆任務拆成多個子任務，可讓新的 event_id 共享 task_id、列出 parent_event_ids，但不能每新增一條代理邊，就替原本消費事件增加一次新的最終需求。當執行者未知時，executor_type 應允許 unknown 或多角色權重，不得因欄位必填而虛構身份。

附錄 B. 部分識別與去重案例的最低重算規格

B.1 未知執行者界

若某受限樣本共有 $N=1000$ 筆事件，已可信確認 AI 參與 $N_A=400$，確認完全無 AI 參與 $N_H=350$，剩餘 $N_U=250$，則樣本內 AI 參與率：

這個區間不能縮小為單點，除非取得更多證據或加入明確且可檢驗的假設；也不能推廣成地球文明 AI 經濟活動百分比。若樣本本身漏掉大量私有 Agent 活動，還須把未涵蓋母體另外處理。

B.2 不重複計量的必要會計前提

第十六節之假設：末端商品 $100$ 單位、當期中間資料服務 $5$ 、當期 AI 服務 $2$，且全部是同一封閉經濟體的生產，不含其他投入、產品稅補貼及進出口。零售者增加值為 $93$，上游增加值為 $5$ 與 $2$，總增加值仍為 $100$。若其中任一服務是跨境進口、軟體固定資產，或其價格已含其他中間投入，則需按 SNA 對應項目改寫，不可沿用此數值分解當作真實世界規則。

B.3 模型最小識別結論

對一個非單射觀測映射 $\Pi$，存在不同的 $W_1$ 和 $W_2$ 使 $\Pi(W_1)=\Pi(W_2)$。由同一可見結果，不能在沒有附加假設或額外測量時斷言底層世界唯一。這不排除對任務相關投影 $T(W)$ 存在另外的可識別映射；若研究者能證明 $T(W)$ 對 $\Pi(W)$ 為可識別函數，則仍可在指定研究任務上形成合法結論。

附錄 C. 研究主張與證據狀態最小卡片

hypothesis_id: H12-05
status: proposed_not_tested
scope:
  sector: preregistered_sector
  geography: preregistered_country_or_region
  units: eligible_advertiser_firms
  dates: 2027Q1_to_2028Q4
exposure: defined_ai_search_entry_change
primary_outcome: incremental_profit_after_ad_spend
mechanism_metrics:
  - organic_acquisition_change
  - advertising_spend
  - competitive_entry_exit
  - availability_of_substitute_channels
identification:
  design: to_be_preregistered
  common_shock_adjustments: to_be_preregistered
  spillover_treatment: to_be_preregistered
  minimum_effect_size: to_be_preregistered
falsification:
  rule: precommit_before_outcome_access
  expiry: end_of_declared_followup
result_classification:
  allowed:
    - supported_within_scope
    - contradicted_within_scope
    - statistically_inconclusive
    - insufficient_coverage
    - not_identifiable_under_legal_constraints
reporting:
  keep_negative_results: true
  preserve_original_version: true
  exploration_is_not_confirmation: true

這個卡片的價值不在於預先知道 2028 年發生什麼，而是在研究者不知道結果時先保存自己的判準。如果後來模型判斷失敗，應留下這個版本並另開新研究，而非無聲重寫原始預測。

附錄 D. 系列依賴閉合圖

AIEC-01  Machine visibility / human recognition
        |
AIEC-02  Machine information demand / attribution / licensing boundary
        |
AIEC-03  Supply expansion / attention convergence / new entrances
        |
AIEC-04  Search, answers, recommendations, transactions
        |
AIEC-05  Platform prosperity / advertiser defensive-offensive game
        |
AIEC-06  AI demand gateway / licensed paid resource access
        |
AIEC-07  B-C-A nine functional relations
        |
AIEC-08  B-C-A-G sixteen institutional relations
        |
AIEC-09  LEAA: identity, principal, executor, payer, beneficiary
        |
AIEC-10  TPMT: multiscale temporal projection and delayed effects
        |
AIEC-11  RMAW: reflexive model-action-world feedback
        |
AIEC-12  ECAO: Earth-civilization observational coordination
        |
        +-- Existing EWDT canonical theory (not replaced)
        +-- SNA and comparable official economic measurement
        +-- Independent causal, statistical, institutional studies
        +-- Prospective 2027–2028 falsifiable research agenda

圖中的垂直排列表示本系列寫作依賴，不表示世界經濟的所有因果必定依序流過十二個節點。現實中的經濟路徑通常具有迴圈、回饋、共時性與制度中斷。

附錄 E. 未來研究的最低提交檢查表

正式實證論文應至少滿足以下守衛：

1. 認識論： 已確定外部事實、候選機制、假設性模擬與未知明確區分。
2. 母體： 說明研究單位、抽樣範圍、入選條件與重複單位的去重方法。
3. 端點： B／C／A／G 分類具有任務與法域脈絡，不錯把 A 當成已獨立承擔法律責任者。
4. 時間： 按 TPMT 保存事件實際時間與觀測／發表時間，不事後模糊改變預測期限。
5. 歸因： 按 LEAA 保存委託、執行、付款、受益與未知身份，不以登入帳號直接斷言真人。
6. 經濟核算： 分開功能事件、支付、增加值、財政轉移與福利，遵守適用的官方統計邊界。
7. 因果： 解釋比較組、共時衝擊、外溢與識別條件；不以相關性直接斷言 AI 造成。
8. 反身性： 檢查研究模型是否被受試主體採納，及其可能對結果產生的影響。
9. 公平與制度： 有必要時分群評估就業、生活、權利、申訴和環境外部性。
10. 更新： 保存原始版本、資料授權、程式碼及研究註冊紀錄，不覆寫失敗假說。
11. 證據來源： 日期、連結、文獻作者與出版狀態均可回溯；無法確認的數值保持未知。
12. 原稿： 正式內容以 UTF-8 Markdown 保存，原生數學僅用 $...$ 和 $$...$$；聊天顯示不充當正本。

系列狀態：《AI 時代的網路資訊價值、注意力收斂與經濟世界域耦合》（AIEC）核心論文 12／12 篇閉合。
本篇狀態： v0.1 UTF-8 Markdown 研究原稿；完成第一代形式框架、操作性定義、可重算示例、十二項候選假說、2027–2028 觀測綱領與文獻接口，尚待獨立實證與同行評議。
後續邊界： 24 格及其他擴充分類不納入本次核心閉合；後續如需研究應另開版本與論文，不得假稱本篇已建立完整文明級經濟預測器。

原稿結束。