# 09｜合成資料之後：從模仿既有設計到探索新穎可執行設計空間 ## Beyond Synthetic Data: From Imitating Existing Designs to Exploring Novel Executable Design Spaces **系列：**《可執行資料與深層解構學習》 **篇次：** 09 / 10 **作者：** Neo.K with Aletheia **機構：** EveMissLab／一言諾科技有限公司 **版本：** v0.1 Research Draft **日期：** 2026-08-17 **文件性質：** 合成資料／可執行生成／Novelty Search／Quality-Diversity／World Models／AI 生成式設計 **範圍聲明：** 本文研究在既有系統已可被解構、重建與驗證之後，AI 如何進一步生成結構上新穎且可執行的新系統。本文不主張「新穎」本身等於有價值，也不主張生成世界模型已能替代具有完整邏輯、持久狀態與工程可控性的傳統遊戲 Runtime。 --- ## 摘要 前八篇逐步建立了一條從資料資產、遊戲可執行性、商業遊戲智能考古、研究經濟學、組合架構、深層解構學習，到「若真的理解，就重建給我看」的工程驗收鏈。當 AI 已能對既有系統完成可靠重建後，下一個問題不再是「能不能模仿人類做過的東西」，而是： > AI 能否在已驗證知識空間之外，提出以前沒有出現過、仍可執行、可驗證、可維護的新設計？ 本文提出「可執行新穎設計空間」（Executable Novel Design Space, ENDS）框架。核心生成閉環為： $$ \boxed{ K_t \rightarrow G_\theta \rightarrow x^\* \rightarrow \text{Compile} \rightarrow \text{Execute} \rightarrow \text{Verify} \rightarrow \text{Novelty} \rightarrow \text{Archive} } $$ 其中 $K_t$ 為目前已解構並驗證的知識空間， $G_\theta$ 為生成器， $x^\*$ 為候選設計。候選首先必須進入有效域： $$ \boxed{ x^\*\in\mathcal A } $$ 才有資格進行新穎性比較。本文因此拒絕： $$ \text{Different} = \text{Novel} = \text{Valuable} $$ 的錯誤等號，而將候選區分為表面新穎、結構新穎、行為新穎、功能新穎與可遷移新穎。 本文進一步吸收 Novelty Search 與 Quality-Diversity（QD）思想：單一 objective 最佳化容易收斂到少數高分模式，而真正的探索型設計系統應在多個 behavioral / architectural niches 中保存局部優秀解。近年的 QDHF 研究更顯示，人類相似性判斷可被用來學習 diversity metric；2025 年的 LLM generation diversity 研究則提出 effective semantic diversity，即只在通過品質門檻的輸出中比較真正語義差異，而不是把 lexical variation 誤認為新穎性。 本文同時指出 synthetic generation 的兩個危險。第一，生成模型可能大量產生「高品質重複」；第二，recursive synthetic retraining 可能使資料分布逐步塌縮。2026 年的研究甚至顯示，若 synthetic outputs 被固定 reward 偏好長期篩選，representation 可能收斂到狹窄模式。因此本文提出：生成式探索必須保留歷史 archive、real/human anchors、失敗樣本、distribution tails、genealogy 與多模型差異。 Google DeepMind 的 Genie 3 與 SIMA 2 展示了另一條重要趨勢：AI 不只生成圖片或影片，而開始生成可即時互動的世界，並讓 Agent 在未見生成環境中依高階指令行動。這證明「生成可互動環境」已不再只是理論方向；但本文進一步區分： $$ \boxed{ \text{Interactive Generative World} \neq \text{Verified Executable System Architecture}. } $$ 可視世界能互動，不代表其內部規則、持久狀態、多人一致性、長期因果與可重建介面已被完整形式化。 本文最後提出：下一代遊戲與 Agent 生成系統的真正資料資產，不應只是大量 synthetic examples，而應是： $$ \boxed{ \text{Verified Design Archive} } $$ 其中每個候選包含結構、來源、父代、突變、執行軌跡、失敗、修復、新穎性、局部 niche 與價值／風格座標。這個 archive 不是靜態 Dataset，而是一個持續擴張的可執行設計空間。 **關鍵詞：** Synthetic Data、Novelty Search、Quality-Diversity、Executable Design Space、Genie 3、SIMA 2、World Model、Effective Semantic Diversity、Open-Ended Search、Generative Design --- # 1. 問題：重建成功之後，下一步是什麼？ 第 08 篇的核心驗收是： $$ \boxed{ \text{If you understand it, rebuild it.} } $$ 假設 AI 已經可以： - 解構； - 功能類型化； - 找出不變量； - 找出可替換自由度； - 生成獨立重建； - 通過 hidden tests。 那麼： $$ \boxed{ \text{Reconstruction Capacity} } $$ 已經成立。 下一步自然變成： $$ \boxed{ \text{Creation Capacity}. } $$ --- # 2. 模仿不是創造 如果已知： $$ X_1,X_2,\ldots,X_n, $$ AI 生成： $$ X^\* $$ 但： $$ X^\* \approx X_i $$ 只是： - 換名字； - 換素材； - 換參數； - 換 UI； 那麼： $$ \boxed{ N(X^\*\mid K_t)\approx0. } $$ 即使作品「全新生成」，其結構新穎性仍可能接近零。 --- # 3. Synthetic 不等於 Novel 這是本文最重要的第一個不等式： $$ \boxed{ \text{Synthetic} \not\Rightarrow \text{Novel}. } $$ AI 自己生成的資料仍可能只是既有分布的高機率區域重採樣。 --- # 4. 高品質重複 假設生成器： $$ G_\theta $$ 非常強。 每個候選： $$ x_i $$ 都： - 可編譯； - 可執行； - 沒有 bug； - UI 完整； - 行為合理。 即： $$ Q(x_i)\gg0. $$ 但如果： $$ d_{\mathrm{struct}}(x_i,x_j)\approx0, $$ 則 corpus 可能只是： $$ \boxed{ \text{High-Quality Repetition}. } $$ --- # 5. 生成時代的新瓶頸 因此： $$ C_{\mathrm{generation}}\downarrow $$ 不意味： $$ C_{\mathrm{discovery}}\downarrow $$ 到相同程度。 真正瓶頸可能變成： $$ \boxed{ \text{Search} + \text{Evaluation} + \text{Selection}. } $$ --- # 6. 可執行生成閉環 本文提出： $$ \boxed{ K_t \rightarrow G_\theta \rightarrow x^\* \rightarrow C \rightarrow E \rightarrow V \rightarrow N \rightarrow A } $$ 其中： - $K_t$：knowledge archive； - $G_\theta$：generator； - $x^\*$：candidate； - $C$：compile； - $E$：execute； - $V$：verify； - $N$：novelty measurement； - $A$：archive decision。 --- # 7. 第一關不是新穎，而是有效 候選首先進： $$ \boxed{ \mathcal A = \{ x: Q(x)\geq\tau_Q, R(x)\geq\tau_R, V(x)\geq\tau_V \}. } $$ 其中： - $Q$：基本品質； - $R$：reproducibility； - $V$：verification success。 若： $$ x\notin\mathcal A, $$ 它即使非常奇怪， 也不能直接稱為有價值新穎設計。 --- # 8. 奇怪不是創新 隨機生成： $$ x_{\mathrm{noise}} $$ 可能有： $$ d(x_{\mathrm{noise}},K_t)\gg0. $$ 但： $$ Utility(x_{\mathrm{noise}})\approx0. $$ 因此： $$ \boxed{ \text{Distance} \neq \text{Novelty Value}. } $$ --- # 9. Admissible Novelty 定義： $$ \boxed{ N_A(x\mid K_t) = \mathbf 1[x\in\mathcal A] \cdot N(x\mid K_t). } $$ 只有有效候選才計入真正探索。 --- # 10. 表面新穎 $$ N_{\mathrm{surface}}. $$ 包括： - 新文字； - 新美術； - 新命名； - 新 layout； - 新 skin； - 新 parameter。 這類非常容易生成。 --- # 11. 結構新穎 $$ N_{\mathrm{struct}}. $$ 例如： - module graph 改變； - control hierarchy 改變； - scheduler 改變； - state decomposition 改變； - timing topology 改變。 --- # 12. 行為新穎 $$ N_{\mathrm{behavior}}. $$ 若系統產生新的： - 策略； - trajectory； - 群體行為； - 失敗恢復； - 社會模式； 則行為空間出現擴張。 --- # 13. 功能新穎 $$ N_{\mathrm{function}}. $$ 候選可能達到： > 以前同類系統沒有提供的新功能。 例如： - 新型玩家／NPC 協作； - 新種群體協調； - 新種 persistent simulation； - 新種局部—全域切換。 --- # 14. 可遷移新穎 $$ N_{\mathrm{transfer}}. $$ 如果新機制可被搬到： - 遊戲； - 軟體； - 機器人； - workflow； 則其知識價值更高。 --- # 15. 新穎性向量 因此： $$ \boxed{ \mathbf N(x) = ( N_s, N_{st}, N_b, N_f, N_t ) } $$ 分別表示： - surface； - structural； - behavioral； - functional； - transfer novelty。 --- # 16. 不應太早壓成一個分數 可能： $$ N_{st}(A)>N_{st}(B), $$ 但： $$ N_f(A) 多樣性必須在通過品質門檻的輸出之間衡量。 這與本文完全一致。 不是比較： $$ \text{all outputs}, $$ 而是： $$ \boxed{ \{x:Q(x)\geq\tau_Q\}. } $$ --- # 18. 語法多樣不等於語義多樣 模型可以生成： ```text Use shield. Activate shield. Deploy defensive barrier. Raise protection field. ``` 文字不同， 但 functional policy 可能完全相同。 因此： $$ \boxed{ \text{Lexical Diversity} \not\equiv \text{Semantic / Behavioral Diversity}. } $$ --- # 19. Program Execution 可以測更深多樣性 在程式／系統生成中， 可以直接比較： $$ Behavior(P_i). $$ 因此： $$ \boxed{ d_{\mathrm{exec}} } $$ 往往比： $$ d_{\mathrm{text}} $$ 更有意義。 --- # 20. Quality-Diversity 的核心問題 傳統 optimisation： $$ \boxed{ x^\* = \arg\max_x f(x). } $$ 最終只保留： $$ x^\*. $$ 但 open-ended design 不只需要一個最佳解。 --- # 21. 為什麼一個最佳解不夠？ 遊戲中： - 最有效率 NPC； - 最強敵人； - 最穩定策略； 不一定是： - 最好玩； - 最可讀； - 最有個性； - 最適合所有情境。 因此： $$ \boxed{ \text{One Optimum} } $$ 本身可能是錯誤目標。 --- # 22. Quality-Diversity QD 的目標可概括為： $$ \boxed{ \text{Many High-Quality Solutions across Different Niches}. } $$ 不是： $$ \boxed{ \text{One Best Solution}. } $$ --- # 23. Archive 令： $$ \mathcal B = \{B_1,\ldots,B_m\} $$ 為 behavioral / architectural niches。 每個： $$ B_j $$ 保存： $$ Elite(B_j). $$ --- # 24. MAP-Elites 思想 可將： - aggressiveness； - planning horizon； - cooperation； - resource use； - unpredictability； 等作為 dimensions。 每個 cell： $$ c $$ 保存局部最佳設計。 --- # 25. 這非常適合遊戲 AI 例如敵人 AI： | Aggression | Coordination | Planning | |---|---|---| | low | low | short | | high | low | short | | high | high | long | | low | high | long | 每格都可能存在有效設計。 不是只有： $$ \boxed{ \text{maximum win rate}. } $$ --- # 26. QDHF：人類可以學習 diversity metric QD 的傳統困難： > diversity dimensions 要由誰定？ 如果人類事先只想到： - speed； - size； - score； 可能錯過真正重要的差異。 --- # 27. Human Similarity Feedback Quality Diversity through Human Feedback 提出： $$ \boxed{ \text{Human Similarity Judgments} \rightarrow \text{Learned Diversity Metric}. } $$ 這對遊戲特別重要。 因為玩家可能說： > 這兩個 AI 雖然數值不同，但玩起來一模一樣。 --- # 28. 玩家感知是另一個 embedding 可建立： $$ \phi_H(x) $$ 表示： $$ \boxed{ \text{Human-Perceived Behavior Representation}. } $$ 其距離： $$ d_H(x_i,x_j) $$ 可能比程式結構距離更接近設計價值。 --- # 29. 結構距離與感知距離可能不一致 可能： $$ d_{\mathrm{struct}}(A,B)\gg0 $$ 但： $$ d_H(A,B)\approx0. $$ 也可能反過來。 因此： $$ \boxed{ \text{Architecture Novelty} \neq \text{Experience Novelty}. } $$ --- # 30. 第 09 篇先不判斷「哪個比較好」 這一篇主要建立： $$ \boxed{ \text{Exploration Space}. } $$ 至於： - 好玩； - 美； - 有生命感； - 有張力； - 符合使用者意圖； 會在第 10 篇正式變成： $$ \boxed{ \text{Value / Style Selection}. } $$ --- # 31. Open-Ended Search 真正的生成研究不一定有明確終點： $$ x^\*. $$ 而是持續問： > 還有什麼不同的有效解？ 因此： $$ \boxed{ \text{Open-Ended Search}. } $$ --- # 32. Archive Frontier 令： $$ \mathcal S_t $$ 為已探索設計空間。 其邊界： $$ \partial\mathcal S_t. $$ 下一批候選應優先探索： $$ \boxed{ \operatorname{Neighborhood}( \partial\mathcal S_t ). } $$ --- # 33. Exploit 與 Explore 生成器可以兩種模式： ## Exploit $$ \boxed{ \text{Improve existing elites}. } $$ ## Explore $$ \boxed{ \text{Find unoccupied niches}. } $$ --- # 34. 動態比例 令： $$ \alpha_t $$ 為 exploitation ratio。 $$ 1-\alpha_t $$ 為 exploration ratio。 早期： $$ 1-\alpha_t\uparrow. $$ 成熟產品期： $$ \alpha_t\uparrow. $$ --- # 35. Mutation Operator 候選可以由： $$ x' = M(x) $$ 產生。 Mutation 可作用於： - architecture； - parameters； - timing； - priority； - memory； - communication； - failure handling。 --- # 36. Crossover 也可以： $$ x' = C(x_i,x_j). $$ 例如： $$ \boxed{ \text{Sims-like Autonomy} + \text{RTS Tactical Coordination} } $$ 生成新型 agent society。 --- # 37. 但 cross-over 不是把兩個 feature list 拼起來 真正組合需要： - interface compatibility； - state compatibility； - timing； - resource budget； - conflict resolution。 所以： $$ \boxed{ \text{Concept Merge} \neq \text{Executable Composition}. } $$ --- # 38. Composition Compiler 因此需要： $$ \boxed{ \mathcal C_{\mathrm{compile}} } $$ 檢查： - required inputs； - provided outputs； - type； - state contract； - control ownership； - timing； - failure path。 --- # 39. Generation Contract 每個生成模組可表示： $$ M_i: (I_i,S_i,C_i) \rightarrow (O_i,\Delta S_i,E_i). $$ 組合： $$ M_i\circ M_j $$ 只有在契約相容時合法。 --- # 40. 這讓 novelty search 不再只是文字搜索 候選必須： $$ \boxed{ \text{Type-check} + \text{Compile} + \text{Execute}. } $$ 這是「可執行新穎性」的核心。 --- # 41. Executable Novel Design Space 本文定義： $$ \boxed{ \mathcal E_t = \{ x: Compile(x)=1, Verify(x)=1 \}. } $$ 新穎搜索實際在： $$ \boxed{ \mathcal E_t } $$ 上進行。 --- # 42. Search Space 不是固定的 AI 可以生成新的 primitive： $$ p^\*. $$ 此時： $$ \mathcal P_{t+1} = \mathcal P_t \cup \{p^\*\}. $$ 所以： $$ \boxed{ \text{Design Space Itself Can Expand}. } $$ --- # 43. Meta-Novelty 如果 AI 只是： > 在既有 graph 裡找新節點排列， 這是一級 novelty。 更高一層是： > 發明新的 module type。 即： $$ \boxed{ N_{\mathrm{meta}}. } $$ --- # 44. 新 primitive 必須更嚴格驗證 如果： $$ p^\* $$ 無法對應已知 pattern， 需要： - unit tests； - ablation； - benchmark； - cross-case； - resource profile。 否則「發明」很容易只是命名。 --- # 45. Synthetic Data 的第二個問題：分布塌縮 若： $$ M_t \rightarrow D_t^{syn} \rightarrow M_{t+1}, $$ 反覆進行， 模型可能逐步失去： - rare modes； - tails； - minority patterns。 --- # 46. Model Collapse 已有研究指出： $$ \boxed{ \text{Recursive Synthetic Training} } $$ 在某些條件下會造成 distribution degradation。 因此： $$ \boxed{ \text{More Generations} \not\Rightarrow \text{More Diversity}. } $$ --- # 47. 2026 年的新問題：Curated Collapse 即使不是全部 synthetic， 若每輪都用固定 reward： $$ r(x) $$ 只保留： $$ \arg\max r, $$ 也可能造成： $$ \boxed{ \text{Preference Collapse}. } $$ --- # 48. 固定偏好會壓縮可能空間 例如永遠選： > 玩家評分最高。 久而久之 archive 可能只剩： - 熟悉； - 安全； - 主流； - 容易理解。 新穎區域被淘汰。 --- # 49. 所以不能只使用單一 reward 應使用： $$ \boxed{ \mathbf r(x) = (r_1,\ldots,r_k). } $$ 例如： - validity； - novelty； - efficiency； - readability； - style； - surprise； - transfer。 --- # 50. Pareto Archive 保留： $$ \boxed{ \operatorname{ParetoFront}(\mathbf r). } $$ 而不是全部壓成： $$ \operatorname{Score}(x). $$ --- # 51. Real / Historical Anchor 生成 archive 必須保留： $$ \boxed{ D_{\mathrm{real}} } $$ 與： $$ \boxed{ D_{\mathrm{historical}}. } $$ 其作用是： - distribution anchor； - human surprise； - rare pattern； - external reference。 --- # 52. 失敗 archive 另外保留： $$ \boxed{ D^{-}. } $$ 包含： - compile fail； - runtime fail； - deadlock； - exploit； - boring equilibrium； - resource explosion； - unreadable behavior。 --- # 53. Why Failure Matters 如果只保存成功： $$ D^+, $$ AI 不知道： > 邊界在哪。 失敗樣本可以建立： $$ \boxed{ \partial\mathcal A. } $$ 即有效域邊界。 --- # 54. Genealogy 每個生成候選應保存： ```yaml candidate_id: parents: generator: prompt: mutation: crossover: source_archive: compile_result: runtime_tests: novelty_vector: niche: quality: failure: repair_history: human_feedback: ``` --- # 55. Genealogy 是防止「假創新」的重要工具 如果： $$ x^\* $$ 只是： $$ M(x_1) $$ 中一個微小 parameter change， genealogy 會顯示它與父代距離很近。 --- # 56. Design Lineage 因此可建立： $$ \boxed{ \mathcal L = \text{Design Lineage Graph}. } $$ 不只保存 final artifact， 還保存： > 它怎麼長出來。 --- # 57. 這比普通 synthetic dataset 更有價值 普通 synthetic data： ```text input → output ``` Design lineage： ```text parent → mutation → candidate → test → failure → repair → accepted ``` 這是一種： $$ \boxed{ \text{Process Supervision}. } $$ --- # 58. World Models 開始讓「世界本身」可生成 生成式 AI 已從： - text； - image； - video； 逐漸走向： $$ \boxed{ \text{Interactive World}. } $$ --- # 59. Genie 2024 年 Genie 已展示： > 從未標註網路影片生成 action-controllable virtual worlds。 這代表： $$ \boxed{ \text{Observed Video} \rightarrow \text{Interactive Environment}. } $$ 首次成為大規模生成研究方向之一。 --- # 60. Genie 3 2025 年 Genie 3 進一步展示： - text prompt； - real-time interaction； - 720p； - 20–24 fps； - world consistency； - promptable world events。 因此： $$ \boxed{ \text{Prompt} \rightarrow \text{Real-Time Generated World}. } $$ 已具有實際研究原型。 --- # 61. Promptable World Events 例如使用者可以： - 改天氣； - 加角色； - 加物件。 這等於生成： $$ \boxed{ \text{Counterfactual Environment Variation}. } $$ 對 Agent learning 非常有價值。 --- # 62. SIMA 2 + Genie 3 DeepMind 已展示： $$ \boxed{ \text{Generated World} + \text{Generalist Agent}. } $$ SIMA 2 在未見 Genie 3 世界中仍可： - 定位； - 理解指令； - 朝目標行動。 這意味： $$ \boxed{ \text{World Generation} \rightarrow \text{Agent Curriculum}. } $$ 開始成為實際研究路線。 --- # 63. 但 generated world 不等於可驗證 world 這是本文的重要保留。 Genie 3 的世界主要是生成式 world model。 而我們的 ENDS 還要求： - explicit state； - rules； - invariants； - long-term persistence； - testability； - reproducibility； - module contracts。 因此： $$ \boxed{ \text{Interactive World Model} \neq \text{Auditable Executable World}. } $$ --- # 64. 兩者未來可以結合 生成 world model： $$ W_G $$ 可以提供： - 視覺； - 環境； - 未知場景； - agent curriculum。 結構 runtime： $$ W_R $$ 提供： - state； - rules； - tests； - persistence。 未來可能： $$ \boxed{ W = W_G \otimes W_R. } $$ --- # 65. Neural Exterior + Symbolic / Executable Interior 可以想像： $$ \boxed{ \text{Generated Appearance} + \text{Verified World Kernel}. } $$ 外部世界可以生成， 內部因果與狀態仍可檢查。 --- # 66. 這對遊戲生成非常重要 一句話生成遊戲： $$ \text{Prompt} \rightarrow \text{Game} $$ 如果只生成： - 畫面； - 音樂； - 程式； - 場景； 仍不保證： $$ \boxed{ \text{System Coherence}. } $$ --- # 67. 真正的 One-Prompt Game Generation 至少需要： $$ \boxed{ \text{Prompt} \rightarrow \text{Intent} \rightarrow \text{Spec} \rightarrow \text{Architecture} \rightarrow \text{Content} \rightarrow \text{Runtime} \rightarrow \text{Tests} \rightarrow \text{Playable World}. } $$ 這會在第 10 篇進入意圖重建。 --- # 68. Novelty Search 也能用多模型 不同模型： $$ M_1,\ldots,M_k $$ 具有不同生成偏好。 因此： $$ \boxed{ \text{Model Diversity} } $$ 本身可能成為 search operator diversity。 --- # 69. 異質研究艦隊 例如： - Model A 擅長保守工程； - Model B 擅長結構重組； - Model C 擅長高張力創意； - Model D 擅長驗證。 可以形成： $$ \boxed{ \text{Heterogeneous Generative Search}. } $$ --- # 70. 不需要假裝所有模型一樣 每個： $$ M_i $$ 可被視為： $$ \boxed{ \text{Different Mutation Prior}. } $$ 這是多模型系統真正可能的優勢之一。 --- # 71. 2026 年分散式 QD 搜索的啟示 近期研究已開始探索： > 用異質 LLM 作為不同 mutation operators，進行 distributed quality-diversity search。 這仍是早期研究， 但其方向與本文高度一致： $$ \boxed{ \text{Model Heterogeneity} \rightarrow \text{Search Diversity}. } $$ --- # 72. AI 海戰術需要 archive，而不是只需要更多 Agent 如果只有： $$ 1000 $$ 個 Agent 同時亂生， 可能得到： $$ 1000 $$ 個重複答案。 所以： $$ \boxed{ \text{Parallelism} \neq \text{Exploration}. } $$ --- # 73. Central Archive 每個 Agent 生成前先查： $$ \mathcal A_t. $$ 避免： - 重複； - 已失敗； - 已填滿 niche。 --- # 74. Search Coordinator Coordinator 決定： - 哪些 niche 空； - 哪些 elite 要改進； - 哪些 failure 值得 repair； - 哪些 architecture frontier 尚未探索。 --- # 75. Research Fleet 的成熟形式 $$ \boxed{ \text{Generator Fleet} + \text{Verifier Fleet} + \text{Archive} + \text{Search Coordinator}. } $$ --- # 76. 生成不再是單次 Prompt 真正流程： $$ \boxed{ \text{Search Episode}. } $$ 每次包含： 1. query archive； 2. choose frontier； 3. generate； 4. compile； 5. execute； 6. verify； 7. compare； 8. archive； 9. mutate again。 --- # 77. 停止條件 Open-ended 不等於永遠亂跑。 可以設定： $$ \boxed{ \Delta Coverage<\tau_C } $$ 且： $$ \boxed{ \Delta Novelty<\tau_N } $$ 持續： $$ k $$ 輪時暫停。 --- # 78. 或轉換 search dimension 如果 architecture novelty 已飽和， 可以改找： - style； - efficiency； - robustness； - social behavior。 --- # 79. Search Space 是多尺度的 $$ \boxed{ \Omega = \Omega_{\mathrm{primitive}} \times \Omega_{\mathrm{composition}} \times \Omega_{\mathrm{parameter}} \times \Omega_{\mathrm{behavior}} \times \Omega_{\mathrm{style}}. } $$ 不同階段探索不同尺度。 --- # 80. 低層新穎與高層新穎 低層： $$ \text{new parameter}. $$ 中層： $$ \text{new composition}. $$ 高層： $$ \text{new interaction paradigm}. $$ 元層： $$ \text{new design language}. $$ --- # 81. Novelty Debt 如果大量候選被標： > novel 但沒有真正比較 archive， 會形成： $$ \boxed{ \text{Novelty Debt}. } $$ 未來重新去重會非常昂貴。 --- # 82. 因此 novelty 必須在線評估 候選： $$ x^\* $$ 產生後立即計算： $$ \mathbf N(x^\*\mid\mathcal A_t). $$ 不能等到百萬筆後再說： > 我們來看看有多少其實一樣。 --- # 83. Archive Compression Archive 也不能無限膨脹。 對同 niche： $$ B_j $$ 如果新候選： $$ x' $$ 支配舊： $$ x, $$ 則： $$ x' \succ x. $$ 可以： - 替換； - 壓縮； - 降為 history。 --- # 84. History 不應刪除 被替換： $$ x $$ 仍可保留 lineage pointer。 因為： - failure； - evolution； - provenance； 都有學習價值。 --- # 85. Validity–Novelty–Value 三階段 本文提出： $$ \boxed{ \text{Stage 1: Validity} } $$ $$ \boxed{ \text{Stage 2: Novelty} } $$ $$ \boxed{ \text{Stage 3: Value / Style} } $$ --- # 86. 第 09 篇主要處理前兩層 $$ \boxed{ \text{Can it work?} } $$ 與： $$ \boxed{ \text{Is it genuinely different?} } $$ --- # 87. 第 10 篇處理第三層 即： $$ \boxed{ \text{Do humans actually want it?} } $$ --- # 88. 命題一：Synthetic–Novel 非同一命題 $$ \boxed{ \text{Synthetic Generation} \not\equiv \text{Novel Discovery}. } $$ 生成量增加不保證結構或行為新穎性增加。 --- # 89. 命題二：Validity-Gated Novelty 命題 新穎性應在： $$ \boxed{ x\in\mathcal A } $$ 之後評估。 否則噪聲與失敗會被錯當成創新。 --- # 90. 命題三：Effective Diversity 命題 對 open-ended generation，更有價值的是： $$ \boxed{ \text{Diversity among valid/high-quality outputs} } $$ 而不是所有輸出的形式差異。 --- # 91. 命題四：Executable Novelty 命題 在可執行 domain 中， 應優先測： $$ \boxed{ \text{Behavioral} + \text{Structural} + \text{Functional} } $$ 差異， 而不是只測文本／embedding 差異。 --- # 92. 命題五：QD Archive 命題 若一個 domain 存在多種合法設計風格， 則： $$ \boxed{ \text{Niche-wise Elite Archive} } $$ 比只保存單一 global optimum 更適合作為生成式研究記憶。 --- # 93. 命題六：Fixed-Preference Collapse 命題 即使候選品質高， 若長期只依單一固定偏好篩選， 仍可能造成： $$ \boxed{ \text{Representation Narrowing}. } $$ 因此需要多目標、archive 與外部 anchor。 --- # 94. 命題七：Generated World–Verified World 非同一命題 $$ \boxed{ \text{Interactive Generative World} \not\equiv \text{Auditable Executable World}. } $$ 生成式 world model 與可驗證 state/rule runtime 各自提供不同能力。 --- # 95. 命題八：Search Fleet 命題 大量 AI 的價值不只來自： $$ \boxed{ N_{\mathrm{agents}}. } $$ 而來自： $$ \boxed{ \text{Heterogeneous Priors} + \text{Shared Archive} + \text{Verifier} + \text{Coordinator}. } $$ --- # 96. 命題九：Genealogy 資產命題 生成式系統最有價值的資料不只 final artifact， 還包括： $$ \boxed{ \text{Parent} \rightarrow \text{Mutation} \rightarrow \text{Failure} \rightarrow \text{Repair} \rightarrow \text{Acceptance}. } $$ --- # 97. 命題十：Design Space Expansion 命題 當 AI 不只重組既有 primitive， 而能生成並驗證新的： $$ p^\*, $$ 設計空間本身會： $$ \boxed{ \Omega_t \subsetneq \Omega_{t+1}. } $$ 這才是真正強意義的生成式創新。 --- # 98. 與下一篇的連接 第 09 篇走到這裡， AI 已能： - 解構人類舊設計； - 重建； - 生成； - 驗證； - 探索新穎空間。 但剩下一個最現實的問題： > 所以呢？ 人類不會因為： $$ N(x)\gg0 $$ 就自動喜歡它。 人類會說： > 太複雜。 > 不好玩。 > 我不是要這個。 > 我想要的是有生命感，不是效率最大化。 > 我要像某種感覺，但不要複製它。 因此最後一步不是： $$ \boxed{ \text{More Novelty}. } $$ 而是： $$ \boxed{ \text{Intent Reconstruction} + \text{Value / Style Selection}. } $$ 這就是最後一篇： # **10｜慣老闆測試：意圖重建、設計生成與可執行世界考古** --- # 99. 結論 生成式 AI 將讓： $$ \boxed{ \text{Candidate Generation} } $$ 變得極度便宜。 但候選便宜並不代表發現便宜。 真正難的是： $$ \boxed{ \text{Valid} \land \text{Novel} \land \text{Meaningfully Different}. } $$ 因此下一代 synthetic data pipeline 不應只是： $$ \text{Prompt} \rightarrow \text{Millions of Samples}. $$ 而應是： $$ \boxed{ \text{Knowledge Archive} \rightarrow \text{Frontier Selection} \rightarrow \text{Generation} \rightarrow \text{Execution} \rightarrow \text{Verification} \rightarrow \text{Novelty Measurement} \rightarrow \text{Niche Archive} \rightarrow \text{Iteration}. } $$ 當這套系統成熟後， 我們得到的不再是一個「合成資料集」。 而是一個： # **可執行設計空間** 其狀態隨時間： $$ \boxed{ \mathcal S_0 \subset \mathcal S_1 \subset \cdots } $$ 持續擴張。 資料庫只是它的記憶。 生成器只是它的探索器。 Verifier 是它的現實邊界。 Archive 是它的歷史。 而人類接下來真正要做的事情，是決定： > 在無數有效又新穎的可能世界中，我們到底想要哪一個？ --- # 參考資料 1. Lehman, J., & Stanley, K. O. (2011). **Abandoning Objectives: Evolution Through the Search for Novelty Alone.** Evolutionary Computation, 19(2), 189–223. 2. Mouret, J.-B., & Clune, J. (2015). **Illuminating search spaces by mapping elites.** arXiv:1504.04909. 3. Ding, L., Zhang, J., Clune, J., Spector, L., & Lehman, J. (2024). **Quality Diversity through Human Feedback: Towards Open-Ended Diversity-Driven Optimization.** ICML 2024, PMLR 235:11072–11090. 4. Grillotti, L., Faldor, M., León, B. G., & Cully, A. (2024). **Quality-Diversity Actor-Critic: Learning High-Performing and Diverse Behaviors via Value and Successor Features Critics.** ICML 2024. 5. Shypula, A., Li, S., Zhang, B., Padmakumar, V., Yin, K., & Bastani, O. (2025). **Evaluating the Diversity and Quality of LLM Generated Content.** COLM 2025. 6. Zhang, Y. et al. (2025). **NoveltyBench: Evaluating Language Models for Humanlike Diversity.** COLM 2025. 7. Wan, Z. et al. (2025). **Diversifying Policy Behaviors with Extrinsic Behavioral Curiosity.** ICML 2025, PMLR 267:62135–62154. 8. Shumailov, I. et al. (2024). **AI models collapse when trained on recursively generated data.** Nature 631, 755–759. 9. **Curated Synthetic Data Doesn't Have to Collapse: A Theoretical Study of Generative Retraining with Pluralistic Preferences.** arXiv:2605.07724, 2026. 10. Bruce, J. et al. (2024). **Genie: Generative Interactive Environments.** Google DeepMind. 11. Google DeepMind (2025). **Genie 3: A new frontier for world models.** 12. Google DeepMind (2025). **SIMA 2: An Agent that Plays, Reasons, and Learns With You in Virtual 3D Worlds.** 13. Räisä, O., van Breugel, B., & van der Schaar, M. (2025). **Position: All Current Generative Fidelity and Diversity Metrics are Flawed.** ICML 2025 Position Paper. 14. Donaghy, J., & Rastogi, S. (2026). **DEI: Diversity in Evolutionary Inference for Quality-Diversity Search.** arXiv:2605.27130. --- ## 系列導航 - 01｜AI 時代的資料資產：從「賣資料」到授權可計算知識 - 02｜高品質資料之後：從 Quality Paradigm 到 Novelty Paradigm - 03｜遊戲不是內容資料：遊戲作為可執行因果世界 - 04｜商業遊戲智能考古：從 AI 名作到普通遊戲群 - 05｜遊戲解構經濟學：成本、難度、資訊增益與研究深度 - 06｜商業遊戲 AI 的隱藏層：真正稀缺的是組合，而非基礎演算法 - 07｜餵資料不等於學習：從 Raw Exposure 到深層解構學習 - 08｜理解的工程驗收：如果真的懂，就重建給我看 - 09｜合成資料之後：從模仿既有設計到探索新穎可執行設計空間 - 10｜慣老闆測試：意圖重建、設計生成與可執行世界考古