title: 收入不是價值：人機耦合的潛在產能、經濟選擇權與價值表象不對稱
english_title: Income Is Not Value: Latent Production Possibilities, Economic Options, and Visibility Asymmetry in Human–AI Collaboration
series: AI 成本表象悖論（Artificial Intelligence Cost Appearance Paradox）
series_id: AICAP
paper_id: AICAP-EX01
paper_type: 番外篇／獨立理論研究論文
version: 0.1
date: 2026-11-03
language: zh-Hant
source_format: UTF-8 Markdown
math_delimiters: inline $...$ ; display $$...$$
status: COMPLETE THEORETICAL MANUSCRIPT — NOT PEER REVIEWED; EMPIRICAL CLAIMS REQUIRE VALIDATION
author: Neo.K
research_collaboration: GPT-6（理論形式化、文獻核對與研究稿整理）
license: 未指定；保留權利，不推定開源授權
keywords: 收入與價值分離 · 人機協作 · 潛在生產可能性 · 經濟選擇權 · 知識資產 · 認知互補性 · 收益可捕獲性 · 反事實識別 · 價值表象不對稱

收入不是價值：人機耦合的潛在產能、經濟選擇權與價值表象不對稱

Income Is Not Value: Latent Production Possibilities, Economic Options, and Visibility Asymmetry in Human–AI Collaboration

AICAP-EX01｜《AI 成本表象悖論》系列番外篇｜v0.1｜2026-11-03
研究領域： 創新經濟學、知識經濟學、勞動與企業經濟學、人機協作、實質選擇權、認知互補及反事實評估。
原稿地位： 完整可審閱理論研究稿；形式化結果僅在所述條件下成立，未完成個人、企業或總體經濟的實證估計。
系列關係： 承接 AICAP-00～07 之「價格不等於完整成本」，提出方向相反但不完全對稱的「收入不等於完整價值」問題。

可見的收入是一筆已實現的經濟結果；可驗證的成果是一種已形成的生產能力；尚未執行的可能性則是受條件與風險約束的選擇權。三者可以有關，卻不能互相冒充。

作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-11-03
版本： 0.1
研究協作（原稿所載）： GPT-6（理論形式化、文獻核對與研究稿整理）
原稿狀態： COMPLETE THEORETICAL MANUSCRIPT — NOT PEER REVIEWED; EMPIRICAL CLAIMS REQUIRE VALIDATION

摘要

前沿人工智慧降低了個人與小團隊取得高階認知支援的直接門檻，但這種改變並非只等同於「用更少工時完成既有工作」。對具備跨領域知識整合、問題設定與成果驗證能力的人類協作者而言，AI 可能使原本缺乏相應專業人力、計算資源、時間或資本而無法推進的研究與產品構想，進入新的可行集合。此時，一輪對話或一次協作可能形成知識、演算法、產品設計、可重用工作流程與未來研發方向。然而，當期沒有銷售收入，並不意味該成果沒有任何當下用途；反過來，大量文本、程式候選和推測性商機，也不代表已經形成正的經濟價值，更不能按想像中的最大收入加總。

本篇提出「人機耦合的價值表象不對稱」（Value Appearance Asymmetry in Human–AI Coupling，VAA-HAC）作為待檢驗的研究框架，區分六個不可混淆的觀測層：已實現貨幣收入、品質驗證後的成果存量、尚未行使的生產可能性、在不確定條件下的經濟選擇權、創造的私人與社會效益，以及最終可以由不同參與者捕獲的收益。相較於 AICAP 前七篇追問廉價 AI 背後的投入與分配，本篇追問：人機合作產出的能力為何可能在收入帳上不可見，以及何時這種不可見性是真實低估、何時只是不曾通過驗證的高估。

本文建立一個以工作情境、能力集合、成果狀態、互補性與產品化約束為核心的分層模型；在共同品質規格下以四組反事實情境辨識人機交互效應，並以實質選擇權分析可延後執行的成果。本文證明，在明示假設下，當期零收入與正的未來選擇權可以共存；同樣的可驗證成果不保證相同的收入捕獲；互斥研發方向的選擇權不可機械累加；大量生成在驗證瓶頸下未必增加可交付產能；同時，人機交互效應可為正、零或負，不能由協作量或跨領域自我描述直接推定其方向。

為避免把模型變成不可反駁的潛能敘事，本文提出十二項可反駁假說、六組透明假設案例、分層研究協議及最小資料契約，要求研究者保存生成、驗證、整合、部署、使用、付款、失敗與機會成本的不同證據。本文並以 AI 原生沙盒遊戲的跨系統內容架構作為非實證示例，說明概念文件如何可能形成未來產品能力，而不將未建置、未測試或未銷售的成果當成已實現收入。結論強調：市場收入不是人類價值的總量尺度；但對尚未實現的經濟可能性，也必須承認它可能為零、為負或被其他方案取代。

關鍵詞： 收入—價值分離；人機耦合；知識資產；生產可行集合；實質選擇權；跨領域認知；互補性；收益捕獲；反事實；新創經濟；全域帳本。

0．研究動機、問題與論證界線

0.1 從「便宜 AI」的反向鏡像開始

AICAP-00～07 已經指出：個人付出的訂閱費、完成任務的成本、供應商完整生產成本、獨立取得同級智能的資本門檻及社會資源耗用，不是同一個經濟量。一名創作者以低價格調用前沿模型，背後可能是昂貴而共享的計算基礎設施；但共享的高固定成本，也可能對應很低的單位服務成本及真實效率進步。

現在把觀測方向反轉。某位人類與 AI 共同建立可驗證的知識和產品資產，當期可能尚無收入。若只看薪資、帳戶收款或公司營業額，可能錯過其已建立的有效能力與未來選擇權；但若直接把所有候選構想都估作未來可達的最大市場收益，又會把不確定性、失敗率、資本限制與互斥方案全部抹去。

因此，本研究處理的是衡量層次的錯位，不是宣稱「收入低的人必然有高價值」，也不是宣稱「前沿 AI 合作生成的文件一定是新創資產」。

0.2 五項研究問題

當期收入、有效成果、私人收益、社會效益與選擇權在何種條件下分離？
人類的跨領域認知能力與前沿 AI 是互補、替代，還是同時兼具兩種效果？
如果一輪對話形成新產品或研究的可能路徑，何時可以將其視為有價值的「選擇權」，何時只是尚未驗證的候選？
不同研究路徑共享時間、資金、資料與市場時，如何避免潛在價值重複計算？
當知識可能創造廣泛效益而創作者取得很少收入時，如何辨識收益分配問題，而不是直接將其當作市場失靈或發明者必然受損？

0.3 本文不主張

一個人的年薪、市值、存款、作品數量或 AI 使用量能衡量其人格、尊嚴或智能總價值。
凡是處於「全域認知尾端」的人都可被客觀認定為特殊人才；該術語在本文僅是待操作化的能力分布假說。
生成大量文字等於創造相同比例的知識、可用技術、經濟資產或未來收益。
每次人機對話都具有高額隱藏價值，或未來有機會達到的最高收入應視為目前財富。
人機共同產出必然大於人類或 AI 單獨工作；互補性須依任務與對照組判斷。
用收入衡量經濟結果完全沒有用；本文反對的是將收入作為全部價值的充分統計量。
模型可推導某位具名個人的真實潛能排序或未來財富。

0.4 證據標記

〔D〕定義與恆等式：在指定量測邊界內成立；不構成經驗發現。
〔T〕條件命題：由明示假設推導；不可不經實證直接普遍化。
〔E〕外部研究結果：有具體研究對象、時間、指標與資料範圍。
〔H〕可反駁假說：需實際資料估計方向與效應大小。
〔P〕假設案例／工程協議：用來說明概念及設計可核驗資料，不是現實市場統計。

1．既有研究：本篇沒有重新發明什麼

1.1 知識吸收能力與跨域轉化

Cohen 與 Levinthal（1990）提出「吸收能力」（absorptive capacity），強調辨識外部資訊價值、吸收資訊與運用資訊的能力，受到既有知識與組織學習路徑的影響 [R01]。此研究提供了理解「取得同一個 AI 工具，不同人可能得到不同成果」的先行機制。但它不能直接證明某種跨領域能力的人，在所有前沿 AI 任務上都較有優勢。

1.2 AI 的任務生產力具有異質性

Noy 與 Zhang（2023）在特定專業寫作任務的隨機實驗中，觀察到 AI 組的平均完成時間下降約 40%、品質提高約 18% [R02]。Brynjolfsson、Li 與 Raymond（2025）研究 5,172 名客服人員導入 AI 助理後的表現，報告平均每小時解決的問題增加約 15%，但不同技能與經驗群體的效果並不一致 [R03]。這些結果支持「AI 可以改變生產力」，但不直接識別前沿研究資產的長期私人或社會價值。

1.3 AI 的創意增益不保證多樣性與互補性

Doshi 與 Hauser（2024）發現，生成式 AI 想法可提高實驗參與者所寫短篇故事的個別評價，但 AI 輔助作品的群體內容多樣性可能降低 [R04]。Si、Yang 與 Hashimoto（ICLR 2025）的研究在 NLP 研究構想評估中觀察到 AI 構想的新穎性評價優勢，但可行性及多樣性仍有問題 [R05]。2026 年一項以創意圖片構想為任務的實驗，則未發現人機組合相對於單獨 ChatGPT 的互補性證據 [R06]。Lee 與 Chung（2024）以多組實驗研究 ChatGPT 對創意構想的影響 [R12]；Sun 等（2025）則研究生成式 AI 使用如何在不同人群中影響創造力 [R13]。這些研究共同要求：不應用單一「AI 增加創造力」係數替代實測。

1.4 創造價值與捕獲收益已是不同理論問題

Teece（1986）指出，技術創新成果的商業收益不一定由創新者取得；模仿可能性與互補資產的控制權會影響誰從創新中獲利 [R07]。知識外溢與創作者私益之間可能分離，也可從 Jaffe、Trajtenberg 與 Henderson（1993）對專利引用與知識外溢的研究脈絡看到 [R08]。因此，本篇的新增點不在於首次提出「發明者不一定賺錢」，而在於把此問題置於高頻、多領域、人機共創且單輪對話可形成資產候選的生產制度下。

1.5 實質選擇權與尚未兌現的可能性

Pindyck（1990／1991）與 Dixit（1992）研究不確定性、不可逆投資與延後決策的價值 [R09][R10]。本篇借用其選擇權思路評估「尚未投入商業化資金、但可在未來合法進入某條研發路線」的價值；Pindyck（1992）對不確定完成成本的研究，尤其提醒我們需分開技術完成不確定性與投入成本的不確定性 [R14]。本篇並明確限制：有一個想法不代表免費取得可執行、可出售、可保留的選擇權。

1.6 研究產能不只由人數決定

Bloom、Jones、Van Reenen 與 Webb（2020）指出，多個技術與產業領域的研發投入增加並未等比例轉化為研究生產率提升 [R11]。這意味著創新產出與投入之間本就不呈簡單線性關係；新 AI 工具是否改變這種結構，需在相應研究領域與品質尺度重新測量。

1.7 本篇相對 AICAP、CLATE 與 ANIE 的增量

既有研究線	主要問題	本篇新增
AICAP-01～03	價格、有效成本、固定資本與付費歸屬	從投入帳延伸到創造者的尚未兌現成果與能力
AICAP-04	可驗收成果的完整生產成本	驗收後的成果如何開啟新生產路徑，以及價值未實現問題
AICAP-05	使用權、能力持有、平台依賴與退出	創作者的成果可攜性、商業化控制與捕獲能力
AICAP-06～07	物理資源、反事實與全域帳	私人收益、社會效益與非重複計算的反事實價值
CLATE	算力智能、勞動任務定價與智能時間	當期勞動報酬無法窮盡成果資產與選擇權
ANIE	AI 原生產品的驗證與交付	候選內容如何成為可重複使用的知識與技術路徑

2．六個彼此不可替代的價值層

2.1 第一層：當期貨幣收入

令 $Y_{i,t}$ 為主體 $i$ 在期間 $t$ 的實際貨幣收入。依情境可以進一步分為薪資、營業收入、權利金、利息、資本利得等，但不同分項應依明確會計定義處理；企業營業收入也不能直接等同創辦人的個人所得。

一名研究者當期未出售研究稿，可能有 $Y_{i,t}=0$ ；這個事實只描述其當期已實現收入，不能單獨判定研究稿的品質或未來可能性。

2.2 第二層：可驗證成果存量

令 $K_{i,t}^{v}$ 表示主體可合法使用、已通過相應驗收且具版本可追溯性的成果集合。這是異質資產的集合，不是假設每份文件都能以貨幣直接求和。

可能項目包括：可重現的演算法、可執行程式、通過測試的資料架構、可授權的素材、被獨立驗證的學術成果，以及可轉為新實驗的規格。尚未驗證的假說、待修正的程式或未完成的產品企劃，應以候選或部分完成狀態記載，而不是自動歸入可交付資產。

2.3 第三層：可進入的生產可能性集合

令 $\mathcal F_{i,t}(K,B)$ 為在已知技術、法律權利、時間、資金、人力、模型取得與產品條件 $B$ 下，主體從現有成果 $K$ 可行的未來行動／產品方案集合。

這與幻想中所有可能的事情不同。若沒有權限、關鍵材料、合適的實驗設備或驗收能力，某個構想可以存在於候選空間，卻不一定屬於當期可執行的集合。AI 可能降低其中一些限制，使集合擴大；也可能因額外驗證、算力依賴或法規而增加限制。

2.4 第四層：具成本與風險的經濟選擇權

對一條可延後執行的產品路徑 $j$ ，令 $X_j$ 為在指定時間與狀態下，成功後可取得的、尚未扣除實施成本的折現私人現金流； $K_j$ 為行使成本， $c_j$ 為在期初必須承擔的維持／驗證成本。在簡化的單期風險中立模型下：

O_j=\mathbb E[\max(0,X_j-K_j)]-c_j.

若期初成本可以完全避免，且不用付費即可保有選擇，該選擇權的非負性由「可以不做」保證；若保留路線本身要持續付費，上式可為負。若投資成本與市場資訊可以隨時變化，則應改為多期動態規劃，不可直接沿用單期公式。

2.5 第五層：私人可捕獲經濟價值

私人可捕獲價值是創作者、權利人或企業在法律、契約、品牌、產品、支付、平台和競爭條件下，實際可能取得的淨利益。它不等於技術對所有使用者產生的總效益，更不等於專利或著作權在任何司法區域都一定成立。

2.6 第六層：社會效益與非市場效益

有些成果可能對其他研究者、消費者或公共知識產生外溢價值；也可能造成能源、時間、隱私或其他外部負擔。若要報告社會淨效益，必須指定受益群體、反事實、時間窗與計價方法，而不能直接將企業營收、消費者願付價值、公共收益及中間交易全部相加。

2.7 不可偷換的價值階梯

階段	可觀察的最低證據	禁止的推論
構想候選	原始紀錄、版本、作者與問題定義	「已完成產品」
可檢驗方案	明確規格、可反駁條件、實驗設計	「實驗已成功」
驗收成果	通過測試、再現紀錄、適用域	「市場一定會買」
可部署產品	操作、權利、維運、使用者測試	「已獲利」
市場採用	需求、交易、使用與留存證據	「創作者取得全部價值」
價值捕獲	現金流與成本、所有權及分配	「完全代表社會效益」

3．一個能連接人、AI、成果與未來行動的模型

3.1 觀測單位

令 $u=(i,m,d,t,q,B)$ ，分別代表人類主體 $i$ 、模型／工具配置 $m$ 、任務 $d$ 、時間窗 $t$ 、品質規格 $q$ 及資源／制度邊界 $B$ 。一輪對話是原始事件單位，但不必然就是一件同質成果：一輪可形成多項候選，也可能沒有可驗收產出。

3.2 成果狀態

對產出 $z$ 指定可審計的狀態函數：

S(z)\in\{\mathrm{candidate},\mathrm{testable},\mathrm{verified},\mathrm{integrated},\mathrm{deployed},\mathrm{used}\}.

狀態不必機械地單向提升，例如先部署後發現缺陷，應保留歷史與撤銷／降級證據。不能因模型自我宣稱「已驗證」就改寫狀態。

3.3 可行集合的變化

對已固定資源和制度邊界的觀測情境，考慮人類單獨工作 $H$ 、AI 單獨工作 $A$ 、人機共同工作 $HA$ 所形成的可行路徑集合 $\mathcal F_H,\mathcal F_A,\mathcal F_{HA}$ 。

如果有實證顯示：

\mathcal F_H\subsetneq\mathcal F_{HA},

只能說在該條件下，人機協作擴大了人類基線的可行集合；不能由此直接推出同等條件下 $\mathcal F_A$ 的大小、私人可得收益、社會淨效益或每條新路線的成功機率。

若新增模型使用成本與驗證義務已經超出 $B$ ，此集合包含關係甚至可能不成立；研究必須把算力費率、技能、驗證與資金約束同時放進條件中。

3.4 內容不是價值的單位

對當期 $N$ 項候選，令 $I_j(q)\in\{0,1\}$ 表示第 $j$ 項是否通過預先指定的品質與整合標準：

Q^{v}=\sum_{j=1}^{N}I_j(q),\qquad \mathbb E[Q^{v}]=\sum_{j=1}^{N}\Pr(I_j(q)=1).

第二個等式依期望值線性性成立，不需假設各項候選相互獨立。但若候選高度重複， $Q^v$ 仍不等於不重複的有效功能數，還需要去重、功能等價分組與使用者效用測試。

3.5 收入、經濟價值與福利不共用一個分母

當期收入使用可稽核收款、會計及契約資料。已驗證成果使用相應驗收單位。私人投資價值採未來風險調整的淨現值或選擇權。社會效益則需消費者剩餘、外部性及反事實投入等另行估計。

不存在可由對話字數、模型能力名稱或使用者學歷，直接換算為上述所有尺度的普遍常數。

4．人機耦合的互補性：必須有對照組

4.1 四格反事實

在同一任務與品質度量下，定義四個結果潛在值：

$Q_{00}$ ：沒有指定人類專長與指定 AI 支援時的基線成果。
$Q_{10}$ ：有該人類專長、沒有該 AI 支援。
$Q_{01}$ ：沒有該人類專長、有該 AI 支援。
$Q_{11}$ ：人類專長與該 AI 支援同時存在。

每格都要事先定義可比較的任務、時間和其他資源；實際研究宜採匹配或隨機化設計估計各格的平均結果。

定義交互效應：

\Gamma_Q=\mathbb E[Q_{11}-Q_{10}-Q_{01}+Q_{00}].

當 $\Gamma_Q>0$ 時，表示在這個成果尺度上有正向交互效應； $\Gamma_Q<0$ 則表示負向交互。這不是人類貢獻與 AI 貢獻的普遍倫理分帳，也不是因果貢獻必然可以直接歸給單一個人。

4.2 認知整合能力的操作化

可研究的不是抽象地自稱「全域認知尾端」，而是事先定義可測的能力向量：跨域問題重述、因果約束建立、不同專業成果的相容性判斷、對模型錯誤的偵測、提出可反證假設、將成果整合為可執行產品，以及長期知識與版本管理。

研究者可以測量這些能力在指定樣本中的分布，並檢驗 AI 協作收益與該能力向量的關係。然而「尾端」的百分位數依賴母體、測驗可靠度、抽樣方式和任務域；沒有這些資料，不能宣稱某個具名個體已被證實處於全球分布的特定尾端。

4.3 為什麼需要分清創造與提取

AI 可能協助使用者把既有知識轉成文件，也可能協助發現新的可行問題；使用者又可能透過提問、規格與驗證篩選模型生成的候選。這些工作可能互補，也可能因模型主導方向、重複生成或人工驗收不足，降低最終獨創性或可靠性。研究應從可追溯版本差異判斷發生了什麼，而不是僅看最後對話畫面。

5．十項條件命題及證明

命題 1〔T〕：零當期收入與正的未來選擇權相容

**假設：**當期尚未銷售或領取收入，故 $Y_{i,t}=0$ ；存在未來可行的路徑，其不確定淨收益在某些狀態下為正，且保留選擇的期初成本低於該選擇可實現的期望正收益。

**主張：**可以同時有 $Y_{i,t}=0$ 與 $O_j>0$ 。

**證明：**收入是當期已發生交易的實現量， $O_j$ 則依第 2.4 節在未來狀態的非負行使收益取期望，再扣期初保留成本。依假設 $\mathbb E[\max(0,X_j-K_j)]>c_j$ ，所以 $O_j>0$ ，與當期是否銷售無代數衝突。證畢。

邊界：上述命題是存在性命題，不是「凡零收入者均有正選擇權」。

命題 2〔T〕：當期收入不能單獨識別潛在成果價值

**假設：**研究者只觀測 $Y_{i,t}$ ，未觀測可用成果、需求、後續成本或未來現金流。

**主張：**不能由 $Y_{i,t}$ 唯一推定 $O_j$ 的值或正負。

**證明：**構造兩個都沒有當期收入的項目。項目甲有具備正期望淨收益且保留成本低的投資選擇；項目乙為不可行技術，且要支付驗證維持費。二者當期收入皆為零，但甲的 $O_j>0$ 、乙的 $O_j<0$ 。相同觀測 $Y_{i,t}$ 對應不同選擇權，因此不可識別。證畢。

命題 3〔T〕：生成量增加不必然提高有效成果量

**假設：**生成端候選速率為 $g$ ，驗證與整合端的最大處理速率為 $v$ ，未驗收候選不能算作已交付成果。

**主張：**在固定期間內，交付吞吐率滿足：

q\leq\min(g,v).

**證明：**交付需要先生成、再驗證；兩階段中的任何一段都不能以超過其處理能力的速率輸出已完成件。若 $g>v$ ，繼續增加 $g$ 而不改變 $v$ ，上述上界仍為 $v$ ；因此生成量增加不保證交付量增加。證畢。

**邊界：**批次驗證、規格簡化、錯誤率下降等可能提高 $v$ ；本命題不否認這類技術增益。

命題 4〔T〕：人機協作的交互效應可為正、零或負

**假設：**第 4.1 節四組成果可在共同尺度比較。

**主張：**未附加更強條件時， $\Gamma_Q$ 無固定符號。

**證明：**若四格為 $(Q_{00},Q_{10},Q_{01},Q_{11})=(0,8,7,20)$ ，則 $\Gamma_Q=5>0$ ；若為 $(0,8,7,15)$ ，則 $\Gamma_Q=0$ ；若為 $(0,8,7,11)$ ，則 $\Gamma_Q=-4<0$ 。所有例子可對應非負成果單位。因此單靠「人與 AI 同時參與」無法判定互補性。證畢。

命題 5〔T〕：互斥選擇權不能以逐項最高收益相加

**假設：**同一有限研發資源只能在 $n$ 條路徑中選擇一條；路徑 $j$ 在狀態 $\omega$ 的淨行使收益為 $U_j(\omega)$ ，且可放棄所有路徑。

**主張：**其共同路徑選擇權滿足：

0\leq\mathbb E[\max(0,U_1,\ldots,U_n)]\leq\sum_{j=1}^{n}\mathbb E[\max(0,U_j)].

**證明：**對每一狀態，最大值不小於零，且不大於各非負部分之和。兩端取期望即得。證畢。

**邊界：**若方案可以並行實作，應使用相應資源分配模型；本式不是禁止在可並行情況下累加真實獨立收益。

命題 6〔T〕：同樣的已驗證成果可以對應不同的可捕獲收入

**假設：**兩位創作者具有功能與品質相同的技術成果，但面臨不同的銷售管道、互補資產、議價權或契約分配。令一項可貨幣化成果創造可分配淨收益 $M\geq0$ ，創作者實際捕獲比例分別為 $\alpha_1$ 和 $\alpha_2$ 。

**主張：**若 $\alpha_1\neq\alpha_2$ ，兩位創作者可取得不同的淨現金回報。

**證明：**在暫不計其他個別成本的簡化情況下， $Y_1=\alpha_1M$ 、 $Y_2=\alpha_2M$ ；當 $M>0$ ，二者不同。證畢。

邊界： $M$ 是特定可分配貨幣收益，不是全部社會福利；本命題不把法定權利自動歸屬某一方。

命題 7〔T〕：正的成果外部效益不保證正的創作者利潤

**假設：**某成果對其他人的可估計淨效益 $B_e>0$ ，創作者的可貨幣化淨收入為 $R_i$ ，其研發與維運成本為 $C_i$ 。

**主張：**可以同時存在 $B_e>0$ 與 $R_i-C_i<0$ 。

**證明：**取 $B_e=100$ 、 $R_i=20$ 、 $C_i=40$ （同一抽象貨幣單位）。則外部效益為正，而創作者利潤為 $-20$ 。證畢。

**邊界：**效益估計不能將創作者銷售收入再當成獨立社會資源收益重算；此處只是說兩種帳不必同號。

命題 8〔T〕：可行路徑集合擴大不保證總收益提高

**假設：**新增一批候選路徑，其中需要驗證與維護成本；且研究者只能分配固定時間與資金。

**主張：**即使候選路徑數增加，實際最佳可實現淨收益也未必增加。

**證明：**若新增路徑必須承擔無法取消的共同維護成本 $c>0$ ，但每條路徑的增量毛收益在所有狀態下皆為零，則淨收益減少 $c$ 。若新增路徑完全可免費忽略，最優收益不會下降，但也可以維持不變。故「路徑數增加」不足以推出收益嚴格上升。證畢。

**邊界：**須區分免費新增的可選行動與必須負擔成本的產品組合；不能用同一個集合包含關係混寫兩者。

命題 9〔T〕：較高的可捕獲收入不必然意味較大的社會淨效益

**假設：**存在收入來自稀缺市場地位、轉移支付或價格歧視的情境，而社會效益須扣除實質投入及外部損害。

**主張：**兩個項目按私人收入排序，未必與按社會淨效益排序一致。

**證明：**令甲私人淨收入為 100、社會淨效益為 20；乙私人淨收入為 40、社會淨效益為 90。收入排序甲高於乙，社會效益排序則相反。這兩組值可由不同的轉移、外部性和市場結構構成；故無普遍排序一致性。證畢。

命題 10〔T〕：「全域認知尾端」身分無法由單一協作成果識別

**假設：**只有某人一次人機協作的最終成果，沒有代表性母體、標準化能力測量、模型版本控制或任務難度對照組。

**主張：**不能據此識別該人在某個「全球跨域認知能力」分布中的百分位數。

**證明：**單一成果可由不同的人類能力、不同 AI 參與程度、不同事先準備、不同選樣與不同外部資源組合產生。這些潛在生成機制對應相同觀測成果，故無法唯一反推出人類能力位置。證畢。

**研究意義：**可以研究「高跨域整合能力與 AI 的交互作用」，但不可跳過測量而將假說直接當成人物判定。

6．六組透明的假設案例

**共同聲明：**以下數值是說明命題及提供未來測量模板的假設，不代表任何實際使用者、EveMissLab、AI 供應商、遊戲市場或產品的收入預測。

案例 A〔P〕：沒有當期收入，但可能有正的選擇權

一份已具合法使用權的產品原型尚未出售。假設未來成功狀態（機率 $0.08$ ）下可得到折現毛現金流新台幣 300 萬元，行使成本為 40 萬元；失敗狀態不行使，當期須先投入 6 萬元維持與驗證：

O=0.08\times\max(0,300-40)-6=14.8\quad(\text{萬元}).

當期收入可以是零，而模型下選擇權估計為正。但若成功機率或收益估計被高估，此值便會下降乃至變負；更沒有理由把成功時的 300 萬元稱為當期身家。

案例 B〔P〕：互斥產品方向的重複計價

兩條方案共享同一市場窗口及同一個不可分割的研發團隊。假設有 $30\%$ 的機率同時進入有利狀態：方案甲的可行使淨收益為 100 萬元，方案乙為 80 萬元；其他狀態都為零。若只能選一項：

\mathbb E[\max(0,U_1,U_2)]=0.30\times100=30\quad(\text{萬元}).

若錯誤地將兩條路線當成可同時行使，便得到 $0.30\times100+0.30\times80=54$ 萬元，將選擇權高估 24 萬元。

案例 C〔P〕：互補與替代的不同結果

以相同時間、品質與評分規格評價四組研發試作：無指定資源組 $Q_{00}=0$ 、人類單獨 $Q_{10}=8$ 、AI 單獨 $Q_{01}=7$ 、人機共同 $Q_{11}=20$ ，則交互效應為 $5$ 。但如果共同工作組因反覆討論、方向混亂或驗證不足只得到 $11$ ，交互效應便是 $-4$ 。人機合作的貢獻方向必須測量，而不是從合作本身推定。

案例 D〔P〕：400 個文字候選不等於 400 件有效內容

假設 AI 生成 400 項遊戲對話或事件候選。通過狀態一致性檢查的條件比例為 $0.30$ ；其中通過可整合性測試的條件比例為 $0.40$ ；其中再通過玩家互動品質測試的條件比例為 $0.50$ 。則預期合格候選數為：

400\times0.30\times0.40\times0.50=24.

即使 24 項全部通過測試，若與既有內容高度重複，仍不能保證增加 24 項不同功能。應再記錄非重複率、觸發頻率與實際玩家效用。

案例 E〔P〕：創造效益者未必得到主要收入

假設某技術透過商業合作可產生 1,000 萬元的可分配淨收益池。若創作者依契約可以捕獲 $5\%$ ，其回報為 50 萬元；若可以捕獲 $60\%$ ，則為 600 萬元。兩者成果所提供的功能可相同，分配卻明顯不同。這些比例在現實中需要權利、風險、資金和互補資產證據，不能直接當成應得比例。

案例 F〔P〕：負選擇權與零收入同樣可以共存

假設某尚未商用的研究方向只有 $10\%$ 的機率可實現淨收益 20 萬元，另需立即支付 4 萬元不可回收的維護與驗證成本：

O=0.10\times20-4=-2\quad(\text{萬元}).

它的當期收入同樣為零，但若研究者必須承擔這筆維持費，經濟選擇權在本例為負；理性決策可能是停止維護、封存資料或等待新條件，而不是因「可能有巨大價值」就繼續投入。

7．從對話到經濟成果：不是一條無成本直線

7.1 生產鏈的六道驗收門

提問／概念形成： 有明確研究問題、功能目標、適用域與反事實。
生成／設計： AI 與人類產生文字、原型、程式、數學模型或技術候選。
驗證／反駁： 使用可重現測試、外部證據或同儕審閱；顯示未知與失敗。
整合／可攜： 將成果接入既有系統；保存權利、版本、依賴關係及可替代工具。
使用／需求： 被玩家、用戶、研究者或其他產業實際採用；不只統計生成與瀏覽量。
收益／外部效益： 記錄可核對現金流、節省成本及非市場收益，並辨識由誰承擔代價。

任何一關都可能失敗。這不是要求所有學術成果都必須商業化，而是確保「知識效益」「商業價值」「可捕獲收入」不會混寫。

7.2 版本血統與跨項目複用

同一段演算法若被三個產品引用，必須保留原始資產 ID 和各產品採用證據。它可能有三種合法使用場合，但不能在沒有區分新增收益的情況下，把同一個來源創造出的全部預期收入重複加總。跨項目共用測試也不能把同一次跑過的驗證偽裝成三次獨立驗收。

7.3 最小成果欄位

每一件成果至少需要：artifact_id、version_id、source_turn_or_commit、human_role、model_role、task_domain、candidate_status、quality_gate、test_evidence、dependencies、legal_use_scope、integration_status、deployment_status、actual_use、monetary_flows、estimated_option_assumptions、maintenance_cost、externality_scope。

7.4 避免把人格尊嚴變成經濟資產評分

一個人可在市場上暫時沒有收入，也可以有不以市場收入衡量的生活、社會與文化價值。但這篇研究不將人的整體價值貨幣化；研究對象僅是特定人機生產流程、可識別成果與相關經濟活動。這是經濟估值的邊界，不是對人的本體論判決。

8．可反駁的研究假說與反向可能性

ID	假說〔H〕	主要測量	可能反證或限制
H1	AI 使部分跨域創作者的可驗收新產品路徑增加	等時間與資源下合法新方案數	新增候選無法通過驗證或僅重複既有方案
H2	跨域整合能力可能調節人機互補性	能力測驗與四格交互效應	高能力組交互效應不顯著或較低
H3	當期收入不能有效代理所有新生產選擇權	收入與後續路線採用／收益	嚴格控制後收入已涵蓋主要預測資訊
H4	資產可攜性提高創作者的長期可捕獲收益	匯出能力、替代平台、權利與回報	可攜性對收益無顯著作用或成本大於益處
H5	成果驗證成本可能限制 AI 生成量的轉化	生成數、獨立驗收率、交付數	自動化驗證足以移除瓶頸
H6	高 AI 使用強度未必提高內容獨特性	跨作品相似度、用途差異	使用更多 AI 同時提高品質與差異性
H7	創作者取得收益的比例受互補資產控制影響	渠道、品牌、契約、資產與淨收入	控制適當混雜因素後效果消失
H8	正的知識外部效益可能伴隨低私人收入	使用、引用與可歸因公共收益	無法識別淨外部效益，或觀測只是替代效應
H9	新項目選擇權總估值容易因共用資源而高估	互斥約束、共同風險、採用路徑	項目可完全並行且增量收益彼此獨立
H10	適量 AI 協作可能優於過度協作	人機參與程度與品質曲線	效果單調增加或依任務方向不同
H11	收入低而高成果存量的主體，其未來成果分布可能呈高度異質性	多期真實交付、收益與失敗率	所謂成果存量在獨立複核後大幅縮水
H12	強模型能力與問題設計能力的互動，在部分新任務上可能優於任一單獨方	四格試驗、首次可行解、成本品質	AI 單獨與人機協作結果無差，或人機協作更差

上述假說不應先驗地設定為全部成立。重要的研究成果也包括發現某些路徑價值為零、負值、缺乏辨識資料，或者單獨 AI 完全足以完成任務。

9．實證研究設計：如何真的測量這個悖論？

9.1 研究單位與樣本

至少分成四個層級：單輪對話、同一任務全流程、同一資產跨任務複用、同一產品或研究計畫的多期收益。不要把不同層級的觀測值放在同一張表上直接做平均。

收集不同背景創作者，不得只取成功的研究者或創業者。須預先定義行業、專長、跨域能力量測及抽樣母體；如果研究高能力尾端，必須使用足夠大的代表性樣本與可信的尾端估計，而不是從案例故事中反推出能力等級。

9.2 四組比較與控制條件

人類單獨：相同任務與時限、無指定 AI 工具。
AI 單獨：同等已授權的背景資料與工具、無該人類創作者的額外指導。
人機共同：同一任務、相近總成本與工作時間、由人類和 AI 協作。
常規基線：不使用這兩種特定生產技術的工作流，用來辨識一般任務效應。

隨機分配條件時，需注意任務學習、資訊外溢、同人跨輪記憶與模型版本變更；不能假裝四組可完全隔離。若禁止某組使用其慣常工具會使參與者退出，應記錄選擇偏誤並用敏感度分析處理。

9.3 五類結果指標

品質： 獨立評審、可執行測試、可重現性、實際使用者結果。
新穎與獨特： 對照既有成果、內容去重、不同評審之間的可靠性。
轉化： 具體進入實驗、原型、產品、平台或合作的比率。
收益： 事先規定時間窗內的收入、淨現金流與可核對的成本減省。
選擇權： 在公開假設下估計的情境價值、保留成本、可行權利與放棄策略。

「模型認為很有價值」不能替代任何一項獨立結果。可在盲審程序中使用 AI 作為一名輔助評估者，但不能讓生成者與唯一審核者是同一個模型。

9.4 多期追蹤與截尾

研究至少可用分層窗口（例如 30 天、180 天、365 天）記錄成果是否落地。仍在開發中的作品應標記為右截尾，不應自動視為失敗；另一方面，未公開的商業構想若沒有成交，也不應計入已實現收益。對市場失敗、團隊解散、資本不足與技術不可行，須保留不同原因標記。

9.5 選擇權估值的敏感度分析

對每個路徑，不能只報告一個成功概率；應至少保存：成功概率區間、可出售價格／節省成本區間、剩餘研發成本、維護成本、可行使期間、互斥項目、可能的替代技術，以及資料何時更新。

最好提供悲觀、基準及樂觀情境，並展示參數變動如何使價值由正轉負。無法估計時標記 UNIDENTIFIED，不要用零或任意最高價填補。

9.6 外部效益與可捕獲收入分開

開放研究成果可能被其他人採用而不給原創者付款；也可能因可替代性高而形成很小的增量效益。需透過引用、實際使用、採用時間、替代方案與使用前後效果進行因果評估，不可把網站瀏覽量、爬蟲次數、GitHub 星數直接當成已實現社會貨幣價值。

9.7 最小判定證書

對每個研究項目出具下列其中一種分層結論：

CANDIDATE_ONLY：有候選，尚無可靠驗收。
VERIFIED_ASSET：指定測試下形成可重用成果。
DEPLOYED_AND_USED：已有可追溯實際採用，未必有收入。
PRIVATE_VALUE_ESTIMATED：有完整不確定性與成本假設的私人估值。
INCOME_REALIZED：有實際交易與淨收入／利潤證據。
SOCIAL_EFFECT_ESTIMATED：指定邊界下有可檢驗的外部淨效益估計。
UNIDENTIFIED：缺少關鍵資料，無法判定價值大小或方向。

證書可多標籤並存；它們不是從低到高必然單向通關的升級遊戲。已實現收入可能來自未驗證成果，也不必然證明社會價值高。

10．應用示例：AI 原生自由沙盒的跨系統內容資產

10.1 情境與既有設計意圖

設想一款以百年可玩世界線、單一角色沉浸式體驗、跨物種扮演、動態世界事件與模組化怪物／技能／美術為目標的自由沙盒 RPG。開發者在前沿 AI 的協助下，先寫出世界規格、條件式對話、事件觸發邏輯、角色生命資料契約與組合相容規則，再以遊戲引擎實作。

在這個情境中，AI 生成大量候選，可以讓小團隊以較低直接人工成本建立內容庫。但若沒有可用程式、狀態耦合驗證、內容排程、玩家試玩與商業發行，該資料庫仍不能自動計為已交付遊戲。反過來，一套經過測試的規則系統可以被多次合法複用，從而增加其他產品路徑的可行性。其價值需要逐項記帳，不能因推測「未來可推出十款遊戲」就先列十款全額營收。

10.2 本案例的正確分帳

當期收入： 只有已實際取得的銷售、授權或其他收款。
有效資產： 經測試的遊戲引擎模組、相容內容庫與可用生產管線。
候選資產： 尚未整合的規格、故事、素材與測試失敗的演算法。
路線選擇權： 其他題材或產品能否合法且經濟地使用既有模組，並可在什麼條件下行使。
社會／玩家價值： 由玩家實際體驗、使用與付費／非付費效益觀測，不由企劃長度推導。

10.3 一個反方向反例

假設某團隊產生十萬條 AI 對話，但其中大部分不符合世界角色知識狀態或觸發密度，玩家因此感到干擾。即使檔案容量小、生成成本低，也可能降低遊戲品質。內容候選數目擴大，不保證玩家效用增加。

因此，本研究不是鼓勵無限制生成，而是把內容產生、真實狀態耦合、性能成本、玩家體驗與商業回報放入同一可審計流程。上述案例僅為設計動機，不代表 FFRPG01 已完成上述功能或市場實測。

11．研究倫理、限制與錯誤判讀防線

11.1 研究範圍限制

模型不是用來評定人的存在價值、主體性或人格地位；經濟測量只涉及指定工作與成果。
「全球認知尾端」是一個有待定義的能力分布假說，不能直接作為已經被驗證的個人定位。
跨領域整合有時提升創新，有時增加驗證與協調成本；結果取決於任務與制度。
以研究稿數量衡量生產力可能錯過品質差異；以收入衡量價值可能錯過未商業化資產；兩者都不是充分代理。
尚未實現的選擇權估計可能有嚴重模型風險，不能當成貨幣收入、可出售資產估價或銀行融資擔保。
模型的訓練、推理及供應鏈投入不能只因使用者支付價格低就消失；AICAP 成本帳仍然有效。

11.2 個人與 AI 的貢獻歸因

應區分：問題發起、規格與驗收標準、候選生產、資訊查核、程式整合、資金提供、維運與對外承擔法律責任。若要分配收入，需看正式契約、法律權利、交易和實際貢獻；不能因某一段文字由模型生成就自動宣稱模型或使用者獨占全部產出價值。本研究不作著作權歸屬的跨司法區域法律判斷。

11.3 公開審查與保密界線

可公開對話與研究紀錄應去除不必要的個人資料、商業秘密與第三方敏感資訊。尚未公開的核心產品、合約或技術資料，可用抽象統計量與去識別資產 ID 進行研究；不能為了證明潛在價值而任意公布未授權資訊。

12．結論：價值的三重不可見性與雙重誤判

第一重不可見： 收入帳可能看不到尚未出售、但已通過測試的知識或技術資產。

第二重不可見： 已驗證資產可能開啟多種尚未行使的產品或研究路徑，但路徑價值需扣除成本、風險、資源競爭與互斥選擇。

第三重不可見： 一項技術可能在社會中被廣泛採用，卻因互補資產、契約、市場結構與公共知識外溢，使創作者的貨幣收益和總效益分離。

由此產生兩種相反錯誤：

低估錯誤： 因為當期沒有收入，就推論沒有有效成果、沒有有條件的經濟可能性。
高估錯誤： 因為存在大量構想或 AI 生成內容，就把想像中的最大收入和全部分支相加，視為已經實現的價值。

兩者都忽略了時間、可行性、驗證、商業化與分配。人機耦合的經濟研究應同時反對這兩種錯誤：既不讓收入成為價值的唯一裁判，也不讓「尚有無限可能」成為免除證據的宣言。

本篇提出的人機耦合價值表象不對稱，應被視為可由成果追蹤、對照實驗與收益帳本加以支持或推翻的研究框架。它對 AICAP 的貢獻不是宣稱所有人與 AI 的每輪對話都昂貴或珍貴，而是指出——當一種生產方式改變了可行能力與未來選擇空間時，經濟學不能只在收入已出現後才承認有研究問題；但在收入尚未出現前，也不能用可能性代替證據。

帳面上尚未收到一分錢，不足以證明未創造任何可能性；但世界上存在一萬條可能的道路，也不等於已經走完其中任何一條。

參考文獻

以下優先列出可核對的正式期刊、研究機構或會議來源。其研究結論僅支持文中明示的相應論點，並不直接證成本文的人機耦合價值模型已通過實證。查閱日期：2026-11-03。

[R01] Cohen, Wesley M., and Daniel A. Levinthal (1990). “Absorptive Capacity: A New Perspective on Learning and Innovation.” Administrative Science Quarterly, 35(1), 128–152. DOI: https://doi.org/10.2307/2393553

[R02] Noy, Shakked, and Whitney Zhang (2023). “Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence.” Science, 381(6654), 187–192. DOI: https://doi.org/10.1126/science.adh2586

[R03] Brynjolfsson, Erik, Danielle Li, and Lindsey R. Raymond (2025). “Generative AI at Work.” The Quarterly Journal of Economics, 140(2), 889–942. DOI: https://doi.org/10.1093/qje/qjae044

[R04] Doshi, Anil R., and Oliver P. Hauser (2024). “Generative AI Enhances Individual Creativity but Reduces the Collective Diversity of Novel Content.” Science Advances, 10(28), eadn5290. DOI: https://doi.org/10.1126/sciadv.adn5290

[R05] Si, Chenglei, Diyi Yang, and Tatsunori Hashimoto (2025). “Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers.” International Conference on Learning Representations (ICLR 2025). https://proceedings.iclr.cc/paper_files/paper/2025/hash/ea94957d81b1c1caf87ef5319fa6b467-Abstract-Conference.html

[R06] “Generative AI Adoption in Human Creative Tasks: Experimental Evidence” (2026). Journal of Economic Behavior & Organization, 242, 107414. DOI: https://doi.org/10.1016/j.jebo.2026.107414

[R07] Teece, David J. (1986). “Profiting from Technological Innovation: Implications for Integration, Collaboration, Licensing and Public Policy.” Research Policy, 15(6), 285–305. DOI: https://doi.org/10.1016/0048-7333(86)90027-2

[R08] Jaffe, Adam B., Manuel Trajtenberg, and Rebecca Henderson (1993). “Geographic Localization of Knowledge Spillovers as Evidenced by Patent Citations.” The Quarterly Journal of Economics, 108(3), 577–598. DOI: https://doi.org/10.2307/2118401

[R09] Pindyck, Robert S. (1990). “Irreversibility, Uncertainty, and Investment.” NBER Working Paper No. 3307; subsequently published in Journal of Economic Literature (1991). DOI: https://doi.org/10.3386/w3307

[R10] Dixit, Avinash (1992). “Investment and Hysteresis.” Journal of Economic Perspectives, 6(1), 107–132. DOI: https://doi.org/10.1257/jep.6.1.107

[R11] Bloom, Nicholas, Charles I. Jones, John Van Reenen, and Michael Webb (2020). “Are Ideas Getting Harder to Find?” American Economic Review, 110(4), 1104–1144. DOI: https://doi.org/10.1257/aer.20180338

[R12] Lee, Byung Cheol, and Jaeyeon Chung (2024). “An Empirical Investigation of the Impact of ChatGPT on Creativity.” Nature Human Behaviour, 8, 1906–1914. https://www.nature.com/articles/s41562-024-01953-1

[R13] Sun, Shuhua, et al. (2025). “How and for Whom Using Generative AI Affects Creativity: A Field Experiment.” Journal of Applied Psychology, 110(12), 1561–1573. DOI: https://doi.org/10.1037/apl0001296

[R14] Pindyck, Robert S. (1992). “Investments of Uncertain Cost.” NBER Working Paper 4175; Journal of Financial Economics (1993). DOI: https://doi.org/10.3386/w4175

內部研究依賴與來源效力

AICAP_00_AI成本表象悖論_系列研究總綱_v0.1_2026-11-03.md：研究分類與價格／成本分帳。
AICAP_04_從工時到有效成果_人機協作的完整成本與品質邊界_v0.1_2026-11-03.md：品質驗收及完整交付成本。
AICAP_07_AI究竟省了什麼_全域帳本情境均衡與可反駁檢驗_v0.1_2026-11-03.md：反事實、全域成本與社會效益的不可重複計價規則。
CLATE-07《智能時間價格與算力錨定工資》、ANIE-02《季度單機產品制》：既有理論接口，並非本文實證支持的替代品。
本輪研究對話中的收入與人機耦合價值新命題：作者提出的研究動機；不視為已完成的觀測結果。

附錄 A．最小事件資料契約（示意，非正式 API）

{
  "study_id": "AICAP-EX01-ILLUSTRATION",
  "task_id": "task-example-001",
  "artifact_id": "asset-example-001",
  "version_id": "v0.1",
  "actor_roles": {
    "human": ["problem_definition", "constraints", "review"],
    "ai": ["candidate_generation", "drafting", "test_suggestion"]
  },
  "status": "candidate",
  "verification": {
    "quality_gate": "UNTESTED",
    "evidence_uri": null
  },
  "deployment": {
    "has_integrated_build": false,
    "has_real_users": false
  },
  "finance": {
    "currency": "TWD",
    "realized_income": 0,
    "verified_private_npv": null,
    "option_value_estimate": null
  },
  "counterfactual": {
    "baseline_id": null,
    "comparability_status": "UNIDENTIFIED"
  }
}

資料契約原則： null 表示尚無足夠識別資訊，不可自動改填為 0。任何預測值都要保留假設、單位、時間窗與更新紀錄。此示例沒有提供對任何實際資產的價格或估值。

附錄 B．推導自檢與非主張清單

命題 1 和命題 2 只說收入無法識別選擇權，不說低收入必然有高選擇權。
命題 3 是雙階段處理瓶頸上界，不把它當成所有生成管線的精確吞吐率模型。
命題 4 的交互效應符號依成果尺度、反事實與對照組而變。
命題 5 僅適用於互斥路徑的非負行使選項；共同成本另行處理。
命題 6 的 $M$ 是可分配收益池，不是社會總福利或消費者剩餘。
命題 7 和 9 的貨幣示例僅為邏輯反例，非正式估計。
命題 8 區分增加免費選項與增加必須付費的項目；不偷換成本設定。
命題 10 不推定任何具名者已在認知能力分布尾端。
全文的 $...$ 、$$...$$ 是唯一正式數學定界形式，不轉碼成 Unicode 數學文字作為原稿。
本篇為理論論文：可檢驗的假說、例子、模擬方案與文獻，均未冒充已完成的作者本人財務調查。