# Series II / Paper 06 # 品質—名氣—成功象限與非單調動力學：從靜態非等價到作品—市場相空間 ## Quality–Popularity–Success Quadrants and Non-Monotonic Dynamics: From Static Non-Equivalence to Artifact–Market Phase Space **作者：Neo.K（許筌崴）** **機構：EveMissLab** **系列：品質—發現—傳播—成功解耦理論（Series II）** **版本：v0.1** **日期：2026-08-14** --- ## 摘要 高品質、熱門與成功經常被日常語言壓縮成近乎同一件事，但 Series II 前五篇已分別證明：品質不決定成功、存在不等於可發現、相同曝光不等於相同市場機會、完美路由不能突破受眾容量上界，而且評論、口碑、人氣、銷量與採用也不存在固定倍率。本文將這些分離結果重新放回同一個動態相空間，提出「作品—市場動態相空間」（Artifact–Market Dynamic Phase Space, AMDPS）。 本文以： $$ \mathbf z_A(t) = \left( Q, D, \eta_R, K^{\mathrm{eff}}, C, W, P, A, R, S \right)_t $$ 描述 artifact $A$ 在時間 $t$ 的狀態，其中 $Q$ 為品質、 $D$ 為可發現度、 $\eta_R$ 為注意力路由效率、 $K^{\mathrm{eff}}$ 為有效受眾容量、 $C$ 為轉換、 $W$ 為口碑再生、 $P$ 為即時人氣、 $A$ 為累積採用、 $R$ 為評論狀態、 $S$ 為指定成功向量。 本文首先建立 $Q$ – $P$ – $S$ 的八區域離散相圖，指出高品質低人氣低成功、低品質高人氣高成功、高品質高人氣低盈利等狀態均可在合法 artifact–market system 中存在。本文再證明品質單調增加不保證成功單調增加。構造： $$ Q(t)=q_0+\alpha t, $$ $$ D(t)=e^{-\beta t}, $$ $$ S(t)=Q(t)D(t), $$ 其中 $\alpha,\beta>0$。則： $$ \frac{dQ}{dt}>0 $$ 永遠成立，但： $$ \frac{dS}{dt} = e^{-\beta t} \left[ \alpha-\beta(q_0+\alpha t) \right] $$ 在有限時間後變為負值。故可以出現「作品持續改善、成功先升後降」的非單調軌跡。反方向亦成立：品質固定時，只要 Discoverability、Routing、Popularity feedback、Audience Capacity 或外生衝擊改變，成功仍可大幅上升或下降。 本文進一步提出「No Universal Success Potential」條件：若同一品質值 $Q$ 可對應多個不同的市場向量 $\mathbf z_{-Q}$ 與不同成功結果，且市場狀態具有路徑依賴與正負回饋，則不存在僅由品質 $Q$ 構成、能對所有合法軌跡單調排序成功的普遍一維勢函數。成功因此不是 artifact 內部 merit 的單向投影，而是 artifact、平台、受眾、歷史與社會回饋的聯合軌跡。 既有研究已提供相鄰理論與實證支持。人工文化市場實驗顯示社會影響會增加成功分布的不平等與不可預測性；成功動力的跨領域研究指出 small initial advantages、network effects、aging、feedback 與 intrinsic fitness 共同塑造結果；更直接地，Denrell 與 Liu 的 outcome-quality dip 模型證明，當市場選擇同時受品質與既有人氣影響時，市場成功與品質的關係甚至可以非單調。2025 年推薦系統研究又顯示熱門或頻繁曝光 item 可因 missing-not-at-random 與 topology bias 持續取得額外 interaction，形成演算法強化迴圈。 本文最後統一 Series II： $$ \boxed{ \text{Intrinsic Quality} \rightarrow \text{Discoverability} \rightarrow \text{Attention Routing} \rightarrow \text{Audience-Limited Conversion} \rightarrow \text{WOM / Popularity Feedback} \rightarrow \text{Outcome} } $$ 但每一箭頭都不是邏輯必然，也不是單向不可逆。因此： $$ \boxed{ \text{Quality} \neq \text{Popularity} \neq \text{Success}, } $$ 而且三者之間的動力學一般可以是非單調、遲滯、路徑依賴與多穩態的。 **關鍵詞：** 品質、人氣、成功、非單調動力學、相空間、路徑依賴、推薦迴圈、outcome-quality dip、AMNESS、作品市場 --- ## 1. Series II 的收束問題 前五篇已完成五次分離。 ### Paper 01 $$ \boxed{ Q\not\Rightarrow S. } $$ ### Paper 02 $$ \boxed{ \text{Existence} \neq \text{Discoverability}. } $$ ### Paper 03 $$ \boxed{ \text{Same Exposure} \not\Rightarrow \text{Same Opportunity}. } $$ ### Paper 04 $$ \boxed{ E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}}. } $$ ### Paper 05 $$ \boxed{ \text{Reviews} \neq \text{Popularity} \neq \text{Sales} \neq \text{Adoption}. } $$ 本文最後要問： > 把這些量全部放回時間軸後，artifact 的成功究竟長什麼樣？ --- ## 2. Artifact–Market Dynamic Phase Space 定義： $$ \boxed{ \mathbf z_A(t) = \left( Q, D, \eta_R, K^{\mathrm{eff}}, C, W, P, A, R, S \right)_t. } $$ 其中： - $Q$：品質； - $D$：Match-Weighted Discoverability； - $\eta_R$：Routing Efficiency； - $K^{\mathrm{eff}}$：Effective Audience Capacity； - $C$：Conversion； - $W$：Word-of-Mouth state； - $P$：Popularity； - $A$：Cumulative Adoption； - $R$：Review state； - $S$：Success vector。 因此： $$ \mathcal Z \subseteq \mathbb R^{10} $$ 是最簡動態相空間。 --- ## 3. Success 不是單一標量 定義： $$ \mathbf S_A = ( S_{\mathrm{sales}}, S_{\mathrm{revenue}}, S_{\mathrm{profit}}, S_{\mathrm{adopt}}, S_{\mathrm{culture}}, S_{\mathrm{authority}}, \ldots ). $$ 所以完全可以： $$ S_{\mathrm{adopt}}\gg0 $$ 但： $$ S_{\mathrm{profit}}\ll0. $$ 例如免費產品、低 monetization 或高服務成本。 因此： $$ \boxed{ \text{Success Metric Choice} } $$ 本身就是狀態定義的一部分。 --- ## 4. 三維核心投影 為了視覺化，先投影到： $$ (Q,P,S). $$ 將三者各自簡化為 high / low。 則共有： $$ 2^3=8 $$ 個基本區域。 --- # 5. 八區域狀態 ### State 1：High Q / High P / High S $$ Q\uparrow, \quad P\uparrow, \quad S\uparrow. $$ 最符合直覺的 hit。 ### State 2：High Q / High P / Low S $$ Q\uparrow, \quad P\uparrow, \quad S\downarrow. $$ 例如大量人氣但 monetization 低、免費產品或高成本服務。 ### State 3：High Q / Low P / High S $$ Q\uparrow, \quad P\downarrow, \quad S\uparrow. $$ 例如高價 niche B2B 或小規模高利潤專業產品。 ### State 4：High Q / Low P / Low S $$ Q\uparrow, \quad P\downarrow, \quad S\downarrow. $$ Dormant Quality / Low Discoverability。 ### State 5：Low Q / High P / High S $$ Q\downarrow, \quad P\uparrow, \quad S\uparrow. $$ 品牌、trend、network effects、promotion 或 reinforcement 可以使此狀態存在。 ### State 6：Low Q / High P / Low S $$ Q\downarrow, \quad P\uparrow, \quad S\downarrow. $$ 高爭議、高曝光但低商業轉換。 ### State 7：Low Q / Low P / High S $$ Q\downarrow, \quad P\downarrow, \quad S\uparrow. $$ 若 $S$ 定義為 profit，而產品成本極低、價格高、受眾極窄，仍可能存在。 ### State 8：Low Q / Low P / Low S $$ Q\downarrow, \quad P\downarrow, \quad S\downarrow. $$ 一般低表現狀態。 因此： $$ \boxed{ \text{八個組合在一般 AMNESS 模型中均可合法存在}. } $$ --- ## 6. 八區域不是八種類型作品 同一 artifact 可以隨時間穿越多個區域： $$ \mathcal S_4 \rightarrow \mathcal S_1 \rightarrow \mathcal S_2 \rightarrow \mathcal S_3. $$ 所以這是： $$ \boxed{ \text{phase-state regions}, } $$ 不是固定 personality labels。 --- # 7. Quality–Success Non-Monotonicity Theorem ### 定理 1 存在一個 artifact–market trajectory，使： $$ \frac{dQ}{dt}>0 $$ 對所有 $t\ge0$ 成立，但： $$ S(t) $$ 先增加後下降。 ### 構造 令： $$ Q(t) = q_0+\alpha t, $$ 其中： $$ q_0,\alpha>0. $$ 令 Discoverability： $$ D(t) = e^{-\beta t}, $$ 其中： $$ \beta>0. $$ 定義最簡 success： $$ S(t) = Q(t)D(t). $$ 則： $$ \frac{dQ}{dt} = \alpha>0. $$ 但： $$ \frac{dS}{dt} = e^{-\beta t} \left[ \alpha - \beta(q_0+\alpha t) \right]. $$ 當： $$ t > \frac{ \alpha-\beta q_0 }{ \alpha\beta } $$ 且右側臨界值為正時， 有： $$ \frac{dS}{dt}<0. $$ 若初始： $$ \alpha>\beta q_0, $$ 則： $$ S(t) $$ 先上升後下降。 因此： $$ \boxed{ \frac{dQ}{dt}>0 \not\Rightarrow \frac{dS}{dt}\ge0. } $$ $$ \boxed{\square} $$ --- ## 8. 直觀意義 作品持續變好，但同時： - 平台失去曝光； - genre 熱潮退去； - competitors 增加； - audience capacity 縮小； - routing 失效； 成功仍可以下降。 所以： $$ \boxed{ \text{Improving Product} \neq \text{Improving Market Outcome at Every Time}. } $$ --- # 9. Success Can Rise With Fixed Quality ### 定理 2 存在： $$ Q(t)=Q_0 $$ 常數，但： $$ \frac{dS}{dt}>0. $$ ### 構造 令： $$ S(t) = Q_0D(t), $$ 且： $$ D'(t)>0. $$ 則： $$ S'(t) = Q_0D'(t)>0. $$ 因此： $$ \boxed{ \frac{dS}{dt}>0 \not\Rightarrow \frac{dQ}{dt}>0. } $$ $$ \boxed{\square} $$ 作品完全沒改，市場結果也能因 discoverability、platform placement、creator fame 或推薦演算法改變而成長。 --- # 10. Success Can Fall With Fixed Quality 同理若： $$ Q(t)=Q_0, $$ 但： $$ D'(t)<0, $$ 則： $$ S'(t)<0. $$ 所以 success decline 不足以證明 product deterioration。 --- # 11. Quality Can Fall While Success Rises 令： $$ Q(t) = e^{-\alpha t}, $$ $$ D(t) = e^{\beta t}, $$ 並在有限時間窗內定義： $$ S(t)=Q(t)D(t)=e^{(\beta-\alpha)t}. $$ 若： $$ \beta>\alpha, $$ 則： $$ Q'(t)<0 $$ 但： $$ S'(t)>0. $$ 所以： $$ \boxed{ \text{Lower Quality} + \text{Much Better Distribution} } $$ 仍可以產生更高成功。 --- # 12. No Universal Monotonicity Principle 前三個構造共同得到： $$ \boxed{ \operatorname{sign}(\dot Q) } $$ 不能一般性決定： $$ \boxed{ \operatorname{sign}(\dot S). } $$ 因此品質—成功關係不是一個普遍單調動態關係。 --- # 13. Outcome–Quality Dip 更強的情況不只是在時間上非單調。 市場截面中的： $$ E[Q\mid S] $$ 也可能對 $S$ 非單調。 Denrell 與 Liu 的 reinforcing-process model 已正式展示： > 當市場選擇同時依賴品質與過去人氣時，中等 market outcomes 可對應比更低 outcome 更低的 expected quality，形成 outcome-quality dip。 因此： $$ \boxed{ \text{More Successful} } $$ 甚至可能在某一區間系統性對應： $$ \boxed{ \text{Lower Expected Quality}. } $$ 這比單純「偶爾有爛東西爆紅」更強。 --- # 14. Why a Dip Can Arise 概念上考慮： $$ S = F(Q,R), $$ 其中： $$ R $$ 表示外部資源／reinforcement。 若 $R$ 的配置高度不均： - 一部分 artifact 獲得大量資源； - 大多數幾乎沒有資源； 則中等 success 可能混合： 1. 中高品質、低資源 artifact； 2. 低品質、高資源 artifact。 因此 conditional expected quality： $$ E[Q\mid S] $$ 可能出現局部下降。 --- # 15. Success Is a Noisy and Endogenous Proxy 所以： $$ \boxed{ S } $$ 不只是： $$ Q+\epsilon. $$ 更一般： $$ S_t = F ( Q_t, D_t, \eta_{R,t}, K_t, W_t, P_t, \mathcal N_t, \epsilon_t ). $$ 且其中： $$ P_t, W_t,D_t $$ 又會受到 past success 影響。 因此成功是 endogenous。 --- # 16. Positive Feedback 可以有： $$ P_t\uparrow \Rightarrow D_{t+1}\uparrow \Rightarrow A_{t+1}\uparrow \Rightarrow R_{t+1}\uparrow \Rightarrow P_{t+2}\uparrow. $$ 這形成： $$ \boxed{ \text{Success-Breeds-Success Loop}. } $$ 跨領域 success dynamics 研究已大量觀察到這類累積優勢機制。 --- # 17. Negative Feedback 同樣也可以存在： $$ P_t\uparrow \Rightarrow \text{overexposure} \Rightarrow C_{t+1}\downarrow. $$ 或： $$ A_t\uparrow \Rightarrow K^{\mathrm{remaining}}_t\downarrow \Rightarrow \Delta A_{t+1}\downarrow. $$ 因此： $$ \boxed{ \text{Success} } $$ 也可以產生飽和與負回饋。 --- # 18. Mixed Feedback 完整系統可同時具有： $$ \text{positive feedback} + \text{negative feedback}. $$ 這自然產生： - S-curves； - peaks； - plateaus； - crashes； - hysteresis； - multiple equilibria。 所以非單調不是異常，而是高維耦合系統的自然可能。 --- # 19. AMNESS Dynamic Skeleton 本文提出： $$ \frac{dD}{dt} = F_D ( P,W,\eta_R,\mathcal A,t ) - \delta_DD, $$ $$ \frac{dP}{dt} = F_P ( A,R,W,\text{media} ) - \delta_PP, $$ $$ \frac{dA}{dt} = F_A ( D,C,W,K^{\mathrm{eff}}-A ), $$ $$ \frac{dR}{dt} = \rho(t) \frac{dA}{dt} + \eta_R^{\mathrm{shock}}, $$ $$ \frac{dS}{dt} = F_S ( A,P,\text{price},\text{cost},t ). $$ 品質： $$ \frac{dQ}{dt} = F_Q ( \text{development}, \text{updates}, \text{degradation} ). $$ 這是一個 phenomenological skeleton，不是唯一模型。 --- # 20. State-Dependent Coupling 偏導數本身可以改變符號： $$ \frac{\partial F_A}{\partial P} $$ 在低人氣時為正， 但高人氣造成 audience saturation 後可能接近零。 甚至： $$ \frac{\partial C}{\partial P} $$ 在 social proof 區為正，在 overexposure 區為負。 所以： $$ \boxed{ \text{coupling signs can be state-dependent}. } $$ --- # 21. Popularity Is Not Pure Preference 2025 年 counterfactual implicit-feedback 研究明確指出，熱門或頻繁被推薦 item 會得到更多 clicks，即使使用者沒有顯著較高興趣。 因此： $$ \boxed{ \text{Observed Click Popularity} \neq \text{Latent Preference}. } $$ 這是 $P$ 與 $Q$ / satisfaction 解耦的演算法機制。 --- # 22. Topology Bias Feedback 2025 年 graph recommender 研究進一步顯示，熱門節點會因 interaction graph topology 在 message passing 中被系統性強化。 所以： $$ P_t \rightarrow \text{Graph Advantage}_{t+1} \rightarrow P_{t+1} $$ 可以形成平台內生 feedback。 這表示： $$ \boxed{ \text{algorithmic structure itself can reshape the success phase space}. } $$ --- # 23. Quality Feedback Can Self-Correct 另一方面，cross-domain success review 也總結了某些實驗： > 高 fitness 產品即使一開始被人為標示成不熱門，後續仍可能反超低 fitness、但初始被給予優勢的產品。 因此： $$ \boxed{ \text{feedback does not always permanently defeat quality}. } $$ 所以 Series II 不是悲觀的「一切都是流量」。 真正情況是： $$ \boxed{ \text{Quality and reinforcement compete dynamically}. } $$ --- # 24. Fitness vs Observed Quality 既有 success dynamics 常使用： $$ \text{fitness} $$ 捕捉產品的 intrinsic appeal。 AMNESS 的： $$ Q $$ 則更細分： $$ Q = Q(A\mid u,d,\tau). $$ 因此： $$ \text{fitness} $$ 可視為某種聚合後的市場吸引參數，但不必等同唯一客觀品質。 --- # 25. Bounded Fitness, Fat-Tailed Success success-dynamics 文獻指出： > 即使 intrinsic fitness 差異是 bounded / narrow，success-breeds-success 也能產生 fat-tailed success distribution。 因此： $$ \boxed{ \text{small merit differences} } $$ 可以經 feedback 變成： $$ \boxed{ \text{huge outcome differences}. } $$ 這正是： $$ \operatorname{Var}(S) \gg \operatorname{Var}(Q) $$ 在某些系統中可能出現的原因。 --- # 26. Success Amplification Ratio 定義： $$ \mathcal A_S = \frac{ \operatorname{Var}(\log S+\epsilon) }{ \operatorname{Var}(\log Q+\epsilon) }. $$ 若： $$ \mathcal A_S\gg1, $$ 表示市場／網路機制放大了原始品質差異與隨機差異。 此量只是 diagnostic，而不是普遍常數。 --- # 27. Rank Instability 定義品質排名： $$ \pi_Q(t), $$ 成功排名： $$ \pi_S(t). $$ 可使用： $$ \tau_{QS}(t) = \operatorname{Kendall} ( \pi_Q(t), \pi_S(t) ). $$ 若： $$ \tau_{QS}\approx1, $$ 成功排序高度對齊品質。 若： $$ \tau_{QS}\approx0, $$ 兩者近似無關。 若： $$ \tau_{QS}<0, $$ 甚至存在反排序傾向。 --- # 28. Rank Reversal Rate 定義： $$ \mathcal R_{\mathrm{rev}} = P \left( Q_i>Q_j \text{ but } S_i S_B^{\mathrm{sales}} $$ 但： $$ S_A^{\mathrm{profit}} < S_B^{\mathrm{profit}}. $$ 因此不存在不指定目標的唯一「誰更成功」。 --- # 31. Hysteresis 若 artifact 曾經累積： - reviews； - installed base； - backlinks； - brand awareness； - creator fame； 即使後續： $$ D_t $$ 下降，也可能保有比初始更高的： $$ P_t, A_t, R_t. $$ 所以： $$ \boxed{ \text{returning parameters to old values} \not\Rightarrow \text{returning system to old state}. } $$ 這就是 hysteresis。 --- # 32. Reservoir Variables 令： $$ H_A(t) $$ 表示歷史性市場資產： - review stock； - followers； - owners； - search authority； - creator reputation。 可寫： $$ \frac{dH_A}{dt} = \alpha A_t + \beta R_t - \delta_HH_A. $$ 若： $$ \delta_H $$ 小，系統具有長記憶。 --- # 33. Multiple Equilibria 正回饋系統可產生： $$ \mathbf z^{(L)} $$ 低曝光低採用平衡， 以及： $$ \mathbf z^{(H)} $$ 高曝光高採用平衡。 同品質 artifact 可能因初始條件或早期 shock 落入不同 basin。 因此： $$ \boxed{ \text{same Q} + \text{different history} \rightarrow \text{different long-run outcomes}. } $$ --- # 34. Basin of Attraction 令動力系統： $$ \dot{\mathbf z} = F(\mathbf z). $$ 對 equilibrium： $$ \mathbf z^\star, $$ 定義 basin： $$ \mathcal B(\mathbf z^\star) = \{ \mathbf z_0: \mathbf z(t;\mathbf z_0) \rightarrow \mathbf z^\star \}. $$ 如果存在多個 basin，早期差異可能被長期放大。 --- # 35. Tipping Threshold 若某控制變數： $$ P $$ 跨過： $$ P_c $$ 後 recommendation rate 大幅增加： $$ D(P) $$ 發生 regime shift， 則： $$ P_c $$ 可形成 tipping threshold。 這與 Paper 03 的 recommendation threshold 接軌。 --- # 36. Threshold Does Not Mean Universal Constant 不同 platform、artifact、genre 與時間： $$ P_c $$ 都可能不同。 因此： $$ \boxed{ \text{tipping point} } $$ 是系統條件化值，不是普遍常數。 --- # 37. Non-Monotonic Popularity Lifecycle 人氣可以： $$ P'(t)>0 $$ 在 launch， 之後： $$ P'(t)<0. $$ 但累積 adoption： $$ A'(t)\ge0. $$ 所以舊作品常出現： $$ A\gg0, $$ $$ P\ll1. $$ 這是 Paper 05 的 Legacy Adoption state 在完整相空間中的位置。 --- # 38. Quality Updates and Popularity Decay 持續更新可能： $$ Q'(t)>0 $$ 同時： $$ P'(t)<0. $$ 因此從 snapshot 看： $$ Q_{\mathrm{new}}>Q_{\mathrm{old}} $$ 但： $$ P_{\mathrm{new}}\Phi(Q_2) \Rightarrow S_1>S_2. $$ Paper 01 已由 rank reversal 證明一般不存在。 本文再加入動態： 若同一： $$ Q^\star $$ 可對應： $$ S_1\neq S_2, $$ 則任何只依賴 $Q$ 的 potential 都不能唯一表示 success state。 所以： $$ \boxed{ \text{there is no universal one-dimensional success potential based on quality alone}. } $$ --- # 45. Full-State Success Potential? 即使使用完整： $$ \mathbf z $$ 也未必存在全域 Lyapunov-like scalar。 若系統有： - cycles； - exogenous forcing； - nonstationarity； - changing objectives； 則不必存在單調： $$ V(\mathbf z(t)). $$ 因此市場 success dynamics 不應預設為「一直爬坡」過程。 --- # 46. Cyclic Dynamics 可以存在： $$ P\uparrow \rightarrow \text{fatigue} \rightarrow C\downarrow \rightarrow P\downarrow \rightarrow \text{nostalgia / rediscovery} \rightarrow P\uparrow. $$ 形成週期或準週期。 這種動態在文化產品尤其合理。 --- # 47. Revival State 定義： $$ P(t_1)\gg0, $$ $$ P(t_2)\ll1, $$ $$ P(t_3)\gg0, $$ 其中： $$ t_1 click 不一定代表真正滿意，吸引人的標題可以得到 click，內容卻讓使用者不舒服。 所以： $$ \boxed{ \text{Implicit Engagement} \neq \text{True Satisfaction}. } $$ 這進一步支持： $$ P \neq Q. $$ --- # 53. Measurement Layer 完整 AMNESS 必須區分： $$ \text{latent state} $$ 與： $$ \text{observed proxy}. $$ 例如： $$ Q \rightarrow \hat Q_{\mathrm{rating}}, $$ $$ A \rightarrow R, $$ $$ P \rightarrow \text{rank / views}. $$ 所以可寫： $$ \mathbf y^{\mathrm{obs}} = H ( \mathbf z^{\mathrm{latent}} ) + \epsilon. $$ --- # 54. Proxy Collision 不同 latent states 可以產生同一 observed vector。 例如： $$ R=100 $$ 可以來自不同： $$ (A,\rho). $$ 同樣： $$ P=10000 $$ 可能來自： - high organic WOM； - high paid promotion； - controversy； - recommendation push。 所以： $$ \boxed{ \text{observational equivalence} } $$ 是 success research 的基本難題。 --- # 55. AMNESS State Identification Ladder ### Level 0 只知道： $$ (P,R,S). $$ ### Level 1 加入： $$ Q,D. $$ ### Level 2 加入： $$ \eta_R,K^{\mathrm{eff}},C,W. $$ ### Level 3 加入： $$ \text{counterfactual exposure / causal interventions}. $$ 越往上才能越接近機制判斷。 --- # 56. Quality–Popularity–Success Phase Map 可建立三軸： $$ (Q,P,S). $$ 再用： - point size 表示 $K^{\mathrm{eff}}$ ； - color 表示 $D$ ； - arrow 表示 $\dot{\mathbf z}$ ； - line thickness 表示 WOM strength。 這比只看「銷量排行榜」提供更完整的 artifact diagnosis。 --- # 57. Diagnostic Cases ### Case A：High Q / Low P / Low S 檢查： $$ D,\eta_R,K^{\mathrm{eff}}. $$ ### Case B：High Q / High P / Low Profit 檢查： $$ \text{price}, \text{cost}, \text{monetization}. $$ ### Case C：Low Q / High P / High Sales 檢查： $$ \text{brand}, \text{reinforcement}, \text{platform push}, \text{network effect}. $$ ### Case D：High Rating / Low Sales 檢查： $$ R, \rho, K^{\mathrm{eff}}, D. $$ 因此相同表面結果需要不同診斷。 --- # 58. Policy / Platform Implication 若平台把： $$ P $$ 當成： $$ Q $$ 的 proxy， 並： $$ P_t\uparrow \Rightarrow D_{t+1}\uparrow, $$ 則可能形成： $$ \boxed{ \text{proxy-induced reinforcement}. } $$ 平台不是只觀察成功，而是在塑造成功。 --- # 59. Evaluation Implication 對投資者、編輯、玩家或研究者而言： $$ \boxed{ \text{Observed Outcome} } $$ 不應直接被當作： $$ \boxed{ \text{Merit Measurement}. } $$ 至少應條件化： $$ D, \eta_R,K^{\mathrm{eff}},P_0,W. $$ --- # 60. Prediction Implication 因存在 feedback、path dependence 與 shocks： $$ P(S_T\mid Q) $$ 通常會非常寬。 加入： $$ D,\eta_R,K,W,P_0 $$ 後才可能顯著縮窄。 所以 success prediction 是 state estimation，不只是 quality scoring。 --- # 61. AMNESS-DYN Benchmark 本文提出： **AMNESS Dynamic Phase-Space Benchmark（AMNESS-DYN）** 每個 artifact 按時間記錄： $$ ( Q_t, D_t, \eta_{R,t}, K_t^{\mathrm{eff}}, C_t, W_t, P_t, A_t, R_t, \mathbf S_t ). $$ --- # 62. Benchmark Domains 至少包括： 1. indie games； 2. AAA games； 3. books； 4. papers； 5. apps； 6. open-source software； 7. subscription products； 8. free products； 9. niche B2B； 10. viral cultural products。 --- # 63. Transition Matrix 若將狀態離散成八個： $$ \mathcal S_1,\ldots,\mathcal S_8, $$ 可估： $$ T_{ij} = P ( \mathcal S_{t+1}=j \mid \mathcal S_t=i ). $$ 這讓： $$ \boxed{ \text{artifact lifecycle} } $$ 變成可比較的 transition process。 --- # 64. State Residence Time 定義： $$ \tau_i = E[ \text{time spent in state }i ]. $$ 例如某類 niche software 可能長期停留： $$ \text{High Q / Low P / High Profit}. $$ 某些 viral consumer products 則可能快速穿越： $$ \text{Low P} \rightarrow \text{High P} \rightarrow \text{Low P}. $$ --- # 65. Non-Monotonicity Index 對 success sequence： $$ S_1,\ldots,S_T, $$ 定義導數符號變化次數： $$ N_{\mathrm{turn}} = \sum_{t=2}^{T-1} \mathbf 1 [ (S_t-S_{t-1})(S_{t+1}-S_t)<0 ]. $$ 再定義： $$ \mathcal N_S = \frac{ N_{\mathrm{turn}} }{ T-2 }. $$ 稱： $$ \boxed{ \text{Success Non-Monotonicity Index}. } $$ --- # 66. Quality–Success Decoupling Index 定義： $$ \mathcal D_{QS} = 1- |\tau_K(\pi_Q,\pi_S)|. $$ 或使用 rank-reversal frequency： $$ \mathcal R_{\mathrm{rev}}. $$ 兩者都可以衡量 quality 與 success 排序解耦程度。 --- # 67. Hysteresis Index 對某控制變數： $$ x $$ 在上升與下降 path 下，success 形成： $$ S_\uparrow(x), $$ $$ S_\downarrow(x). $$ 定義： $$ \mathcal H_S = \int | S_\uparrow(x) - S_\downarrow(x) | dx. $$ 若： $$ \mathcal H_S>0, $$ 表示歷史路徑影響狀態。 --- # 68. 可檢驗假說 ### H1：Non-Monotonic Quality–Success Hypothesis 存在 artifact 類別，使： $$ Q_t\uparrow $$ 時： $$ S_t $$ 仍呈顯著非單調。 ### H2：Popularity–Quality Dip Hypothesis 在強 reinforcement 市場中： $$ E[Q\mid P] $$ 更容易出現局部非單調區。 ### H3：Feedback Amplification Hypothesis 高： $$ P_t $$ 對： $$ D_{t+1} $$ 的正 feedback 越強， $$ \mathcal R_{\mathrm{rev}} $$ 越高。 ### H4：State-Identification Hypothesis 加入： $$ D,\eta_R,K^{\mathrm{eff}},W $$ 後，對 future $S$ 的 out-of-sample prediction 顯著優於只使用： $$ Q,P. $$ ### H5：Hysteresis Hypothesis 具有高 installed base / review reservoir 的 artifact： $$ \mathcal H_S $$ 高於低歷史累積 artifact。 --- # 69. Series II 完整理論鏈 ### Paper 01：Non-Equivalence $$ \boxed{ Q\not\Rightarrow S. } $$ ### Paper 02：Discovery $$ \boxed{ \text{Existence} \neq \text{Name-Free Discoverability}. } $$ ### Paper 03：Routing $$ \boxed{ \text{Same Exposure} \not\Rightarrow \text{Same Opportunity}. } $$ ### Paper 04：Capacity $$ \boxed{ E[N_{\mathrm{adopt}}] \le K_A^{\mathrm{eff}}. } $$ ### Paper 05：Feedback Proxies $$ \boxed{ R \neq P \neq A \neq S. } $$ ### Paper 06：Dynamics $$ \boxed{ \operatorname{sign}(\dot Q) \not\Rightarrow \operatorname{sign}(\dot S). } $$ --- # 70. Unified Artifact–Market Equation Series II 可暫時統一為： $$ \boxed{ \dot{\mathbf z}_A = \mathbf F \left( \mathbf z_A, \mathfrak P_E, \mathcal P, \mathcal N, t, \boldsymbol\xi \right), } $$ 其中： - $\mathbf z_A$：artifact state； - $\mathfrak P_E$：creator/entity prominence； - $\mathcal P$：platform policy； - $\mathcal N$：social / market network； - $\boldsymbol\xi$：external shocks。 因此 artifact success 是： $$ \boxed{ \text{coupled dynamical outcome}. } $$ --- # 71. 從 Series II 到統一論文 Series I 處理： $$ \boxed{ \text{Entity Prominence}. } $$ Series II 處理： $$ \boxed{ \text{Artifact Success}. } $$ 兩者共同形成： $$ \boxed{ \text{Entity} \leftrightarrow \text{Artifact} \leftrightarrow \text{Information Space} \leftrightarrow \text{Audience} \leftrightarrow \text{Outcome}. } $$ 最後的統一論文將不再只討論 fame 或 quality。 它會研究： $$ \boxed{ \text{從「存在」到「成功」的整條非必然傳播鏈}. } $$ --- # 72. 理論邊界 本文不主張： 1. 品質與成功永遠負相關； 2. 所有市場都有 outcome-quality dip； 3. 所有推薦系統都只放大 popularity； 4. 成功完全不可預測； 5. intrinsic quality 沒有長期作用； 6. 所有 artifact 都有多穩態； 7. 所有 lifecycle 都有 hysteresis； 8. 八區域足以完整描述高維 AMNESS； 9. 存在普遍相同的 success threshold； 10. 所有 observed popularity 都是 algorithmic artifact。 本文只主張： $$ \boxed{ \text{Quality, Popularity, and Success are dynamically separable state variables}. } $$ 以及其關係在一般 artifact–market system 中不必單調。 --- # 73. 結論 本文完成 Series II。 最簡的民間模型是： $$ \text{Good} \rightarrow \text{Popular} \rightarrow \text{Successful}. $$ Series II 的結果則是： $$ \boxed{ \text{Quality} \rightarrow \text{Discoverability} \rightarrow \text{Attention Routing} \rightarrow \text{Audience-Limited Conversion} \rightarrow \text{WOM / Popularity Feedback} \rightarrow \text{Outcome}, } $$ 但： $$ \boxed{ X_i \not\Rightarrow X_{i+1} } $$ 一般成立。 本文最後進一步證明： $$ \boxed{ \frac{dQ}{dt}>0 \not\Rightarrow \frac{dS}{dt}\ge0. } $$ 而： $$ \boxed{ \frac{dS}{dt}>0 \not\Rightarrow \frac{dQ}{dt}>0. } $$ 因此一個作品可以： - 越改越好但市場衰退； - 完全沒改卻因平台曝光爆紅； - 品質高、人氣低、利潤高； - 品質普通、人氣高、銷量高； - 評論多但採用不一定多； - niche 中幾乎完全成功，但 mass share 仍極低。 這些不是模型的例外。 它們是高維作品—市場系統中的合法區域。 因此 Series II 的最終原理為： $$ \boxed{ \text{Quality} \neq \text{Discoverability} \neq \text{Popularity} \neq \text{Success}. } $$ 更重要的是： $$ \boxed{ \text{它們之間不是一條單調漏斗，而是一個帶有回饋、容量、路由、歷史與外部衝擊的動態場。} } $$ Series II 至此完成。 下一步即為兩系列之上的第 13 篇統一論文： $$ \boxed{ \text{從存在到成功：資訊空間中的存在—發現—顯著—傳播統一理論}. } $$ --- ## 參考文獻 [1] Salganik, M. J., Dodds, P. S., & Watts, D. J. (2006). Experimental Study of Inequality and Unpredictability in an Artificial Cultural Market. *Science*, 311(5762), 854–856. DOI: 10.1126/science.1121066. [2] Mariani, M. S., Battiston, F., Horvát, E.-Á., Livan, G., Musciotto, F., et al. (2024). Collective Dynamics Behind Success. *Nature Communications*, 15, Article 10701. DOI: 10.1038/s41467-024-54612-4. [3] Denrell, J., & Liu, C. (2021). When Reinforcing Processes Generate an Outcome-Quality Dip. *Organization Science*, 32(4), 1079–1099. DOI: 10.1287/orsc.2020.1414. [4] Sinha, A., Gleich, D. F., & Ramani, K. (2016). Deconvolving Feedback Loops in Recommender Systems. *Advances in Neural Information Processing Systems 29*. [5] Zhou, C., Yao, L., Li, H., & Gong, M. (2025). Counterfactual Implicit Feedback Modeling. *Advances in Neural Information Processing Systems 38*. [6] Ji, Y., Ding, Y., Luo, D., Liu, C., Lu, Y., Xin, X., & Lu, H. (2025). How Does Topology Bias Distort Message Passing in Graph Recommender? A Dirichlet Energy Perspective. *Advances in Neural Information Processing Systems 38*. [7] Zhao, M., Gao, Y., Hou, Y., Li, X., Gu, P., Dong, Z., Tang, R., & Cai, Y. (2025). MTRec: Learning to Align with User Preferences via Mental Reward Models. *Advances in Neural Information Processing Systems 38*. [8] Yao, F., Liao, Y., Liu, J., Nie, S., Wang, Q., Xu, H., & Wang, H. (2024). Unveiling User Satisfaction and Creator Productivity Trade-Offs in Recommendation Platforms. *Advances in Neural Information Processing Systems 37*. [9] Brynjolfsson, E., Hu, Y. J., & Smith, M. D. (2010). Long Tails vs. Superstars: The Effect of Information Technology on Product Variety and Sales Concentration Patterns. *Information Systems Research*, 21(4), 736–747. DOI: 10.1287/isre.1100.0325. [10] Lorenz-Spreen, P., Mønsted, B. M., Hövel, P., & Lehmann, S. (2019). Accelerating Dynamics of Collective Attention. *Nature Communications*, 10, 1759. DOI: 10.1038/s41467-019-09311-w. --- ## Series II 完整位置 1. Paper 01：品質不推出成功：基本非等價理論 2. Paper 02：Discoverability：存在、可搜尋與被發現的區別 3. Paper 03：注意力路由與轉換場 4. Paper 04：窄域高品質與受眾上界 5. Paper 05：口碑、知名度、銷量與採用率的動態耦合 6. **Paper 06：品質—名氣—成功象限與非單調動力學**