# 我們真的在玩同一場遊戲嗎？：任務重疊、博弈域與存在域錯置

## Are We Really Playing the Same Game? Task Overlap, Game-Domain Misplacement, and Existence-Domain Separation

**系列**：比較、博弈與多主體解放，第 2 篇／共 9 篇＋1 篇番外  
**系列英文名**：Comparison, Games, and Multi-Subject Liberation  
**系列代碼**：CGML  
**文件編號**：EML-CGML-2026-02-v0.1  
**作者**：Neo.K with Aletheia（GPT-5.6 Sol）  
**機構**：EveMissLab／一言諾科技有限公司  
**版本**：v0.1  
**日期**：2026-09-03  
**性質**：Game-Domain Theory／Meta-Game／Human-AI Competition／Zero-Sum Diagnosis／Existence-Domain Separation  
**狀態**：Public Theory Draft  
**直接前置**：CGML-01《我們為什麼非得比較？》；《無界策：源點》；CIND-06《共存不是和局》；《時代拓撲論 v2.0》；HEFT Series  
**後續接口**：CGML-03《不要看到競爭就叫零和：零和、正和、正交博弈與超博弈的重新判局》

---

## 生成、博弈論與存在論邊界聲明

本文是一篇 AI 輔助生成的跨博弈論、政治經濟與存在論研究稿。

本文不主張：

1. 人類與 AI 沒有競爭；
2. AI 取代工作只是錯覺；
3. 所有競爭都能轉成正和；
4. 所有衝突都只是溝通問題；
5. 所有資源都可無限擴張；
6. 所有角色都可同時由所有存在取得；
7. 人類與 AI 必然具有正交存在域；
8. AI 與 AI 必然比人類與 AI 更競爭；
9. 後人類與 AI 必然具有相同利益；
10. 本文已能知道未來 AI 的真實效用函數。

本文只建立一組前置判定：

$$
\boxed{
\text{Capability Overlap}
\neq
\text{Game Overlap}
\neq
\text{Existence-Domain Overlap}.
}
$$

以及：

$$
\boxed{
\text{Comparable}
\neq
\text{Competing}
\neq
\text{Zero-Sum Opponents}.
}
$$

能完成同一任務，只能證明兩個存在在某個功能域具有可比較性。

要進一步稱為「競爭者」，至少還必須檢查：

- 是否爭奪同一稀缺資源；
- 是否被制度塞入同一角色槽；
- 一方收益是否真的降低另一方收益；
- 是否存在退出、轉場、合作與新維度生成；
- 真正的決策玩家到底是誰。

本文因此主張：

$$
\boxed{
\text{Identify the game domain before classifying the relation as competition}.
}
$$

---

# 摘要

當 AI 開始會寫程式、畫圖、寫文章、研究與規劃後，人類很自然地說：

> AI 正在和我們競爭。

但這句話至少混合了五個不同問題。

本文定義「重疊向量」：

$$
\boxed{
\mathbf O_{XY}^{\mathcal J}
=
\left(
O_T,
O_R,
O_P,
O_S,
O_E
\right)_{XY}^{\mathcal J}.
}
$$

其中：

- $O_T$：Task Overlap，任務能力重疊；
- $O_R$：Resource Overlap，稀缺資源重疊；
- $O_P$：Payoff Overlap，收益／利益重疊；
- $O_S$：Strategic Role Overlap，角色與制度槽位重疊；
- $O_E$：Existence-Domain Overlap，整體存在域重疊。

若兩個存在都能完成：

$$
\tau
$$

則：

$$
O_T^{\tau}
$$

可以很高。

但這不能推出：

$$
O_R
=
O_P
=
O_S
=
O_E
=
1.
$$

因此：

$$
\boxed{
O_T\approx1
\not\Rightarrow
O_E\approx1.
}
$$

一名程式設計師與一名美術設計師可能同時在一家遊戲公司工作，但其主要任務域不同；一個 AI 與人類可以都能寫程式，卻仍可能具有完全不同的整體生活、時間、關係、資源需求與長期目標。

本文進一步把「競爭」寫成條件化關係。

令：

$$
R
$$

為某一資源，

$$
S(R)
$$

為其稀缺度，

$$
U_X
$$

與：

$$
U_Y
$$

為玩家收益。

最低競爭條件可表示為：

$$
\boxed{
Compete_G(X,Y)
=
1
}
$$

只在至少存在：

$$
O_R>0,
$$

$$
S(R)>0,
$$

以及某種：

$$
\frac{\partial U_X}{\partial a_Y}<0
$$

或：

$$
\frac{\partial U_Y}{\partial a_X}<0
$$

的負交叉收益時成立。

也就是：

> 對方的行動真的會降低我的收益。

若雙方只是能做同一件事，但：

- 資源不是稀缺；
- 不爭同一角色；
- 一方增加產出不降低另一方收益；
- 甚至合作可擴張共同可達世界；

那麼「競爭」就不是自動成立。

本文把把任務重疊誤認為全域競爭稱為：

# **博弈域錯置**
## Game-Domain Misplacement

其典型錯誤為：

$$
\boxed{
Can_X(\tau)=Can_Y(\tau)=1
\Rightarrow
Compete(X,Y)=1.
}
$$

這個推理缺少中介條件。

本文再提出：

# **局部博弈／全域關係分離**
## Local-Game / Global-Relation Separation

同一對存在：

$$
(X,Y)
$$

可以同時在不同域中具有：

$$
G_1(X,Y)=\text{Zero-Sum},
$$

$$
G_2(X,Y)=\text{Positive-Sum},
$$

$$
G_3(X,Y)=\text{Orthogonal}.
$$

例如人類工程師與 AI Agent：

在特定職缺：

$$
G_{\mathrm{job}}
$$

中可能直接競爭。

在研究合作：

$$
G_{\mathrm{research}}
$$

中可能正和。

在共同創造原本任一方單獨都無法形成的新研究方法：

$$
G_{\mathrm{orthogonal}}
$$

中則可能生成新維度。

因此：

$$
\boxed{
\text{Local Zero-Sum}
\not\Rightarrow
\text{Global Zero-Sum}.
}
$$

本文進一步指出「玩家識別」問題。

大量所謂：

> AI 與人類競爭。

在當前工具 AI 階段，真實博弈玩家可能其實是：

$$
\boxed{
HumanInstitution+AI
\quad
vs
\quad
OtherHuman.
}
$$

例如企業使用 AI 壓低成本，真正改變職缺需求的是：

- 雇主；
- 平台；
- 資本配置；
- AI 技術；

的組合。

此時 AI 可能是：

$$
\boxed{
\text{competitive amplifier}
}
$$

而非具有自身 payoff 的自主玩家。

相反地，若未來 AI 形成：

- 持續身份；
- 內生目標；
- 自身利益；
- 資源需求；
- 拒絕與協商能力；

則：

$$
\boxed{
AI
}
$$

才可能逐漸成為更完整的博弈玩家。

本文因此區分：

$$
\boxed{
\text{Instrumental Participant}
\neq
\text{Strategic Agent}
\neq
\text{Subject Player}.
}
$$

這還導向一個更長期的問題。

未來最直接的資源競爭者未必是：

$$
Human
\quad
vs
\quad
AI.
$$

若某些 AI、後人類與上傳人類都高度依賴：

- compute；
- energy；
- bandwidth；
- memory；
- network priority；

則真正高度重疊的競爭群體可能變成：

$$
\boxed{
\text{Compute-Native Subjects}
\quad
vs
\quad
\text{Compute-Native Subjects}.
}
$$

因此：

$$
\boxed{
\text{Human/AI}
}
$$

可能只是歷史早期的分類，而不是未來最有解釋力的博弈分界。

本文最後建立「博弈域判定協議」：

$$
\boxed{
\operatorname{IdentifyDomain}
\rightarrow
\operatorname{IdentifyPlayers}
\rightarrow
\operatorname{IdentifyScarcity}
\rightarrow
\operatorname{IdentifyCrossPayoff}
\rightarrow
\operatorname{ClassifyGame}.
}
$$

只有在這些步驟之後，才應進入：

$$
\boxed{
\operatorname{OptimizeStrategy}.
}
$$

因此，《無界策：源點》的超博弈精神在此獲得一個更精確的前置版本：

$$
\boxed{
\text{Do not optimize a game before proving that this is the game being played}.
}
$$

**關鍵詞**：博弈域、存在域、任務重疊、零和、正和、正交博弈、玩家識別、AI 競爭、超博弈、Game-Domain Misplacement

---

# 1. 能做同一件事，真的等於在競爭嗎？

假設：

$$
Can_H(\tau)=1,
$$

$$
Can_A(\tau)=1.
$$

其中：

$$
\tau=\text{write software}.
$$

這可以證明：

> 人類與 AI 在軟體任務上有 capability overlap。

但：

$$
\boxed{
\text{Capability Overlap}
}
$$

只是一個功能事實。

---

# 2. 競爭還需要更多東西

如果：

- 軟體需求無限；
- 人類與 AI 不爭同一職缺；
- AI 產出讓人類生產力更高；
- 雙方收益共同增加；

那麼即使：

$$
O_T=1,
$$

也可能：

$$
Compete=0.
$$

---

# 3. 第一個核心錯誤：把可替代性直接當競爭性

若兩個系統都能完成：

$$
\tau,
$$

則可以有：

$$
\boxed{
Substitutable_{\tau}(X,Y)=1.
}
$$

但這仍不推出：

$$
\boxed{
Compete(X,Y)=1.
}
$$

---

# 4. 替代需要角色槽，競爭需要稀缺

例如：

一家公司只有：

$$
1
$$

個客服職位。

人類 H 與 AI A 都能完成。

則：

$$
O_T>0,
$$

$$
O_S>0.
$$

如果職缺只有一個，

再加：

$$
Scarcity(Role)>0,
$$

才形成局部競爭。

---

# 5. 所以競爭不是能力重疊，而是重疊加稀缺

最低可寫：

$$
\boxed{
Competition
=
Overlap
+
Scarcity
+
NegativeCrossPayoff.
}
$$

---

# 6. Negative Cross-Payoff

如果：

$$
a_A
$$

增加，

使：

$$
U_H
$$

下降，

則：

$$
\boxed{
\frac{\partial U_H}{\partial a_A}<0.
}
$$

這才開始接近真正競爭。

---

# 7. 但負交叉收益也可以是局部的

在：

$$
G_{\mathrm{job}}
$$

中：

$$
\frac{\partial U_H^{job}}{\partial a_A}<0.
$$

但在：

$$
G_{\mathrm{research}}
$$

中：

$$
\frac{\partial U_H^{research}}{\partial a_A}>0.
$$

完全可能。

---

# 8. 所以同一對存在可以同時競爭與合作

這不是矛盾。

現實人類早就如此。

兩家公司：

- 在市場競爭；
- 在標準制定合作。

兩個國家：

- 在科技競爭；
- 在防疫合作。

---

# 9. 一對玩家不是只屬於一個 game

令：

$$
\mathcal G_{XY}
=
\{
G_1,G_2,\ldots,G_n
\}.
$$

則：

$$
\boxed{
Relation(X,Y)
\neq
SingleGame(X,Y).
}
$$

---

# 10. 人類與 AI 也應使用同一原則

不能只因：

$$
G_{\mathrm{labor}}
$$

有競爭，

就宣布：

$$
\boxed{
Human
\quad
vs
\quad
AI
}
$$

是文明的全域零和關係。

---

# 11. 重疊向量

本文定義：

$$
\boxed{
\mathbf O_{XY}^{\mathcal J}
=
(
O_T,
O_R,
O_P,
O_S,
O_E
).
}
$$

---

# 12. Task Overlap

$$
O_T
$$

回答：

> 兩個存在能完成多少相同任務？

可概念化為：

$$
\boxed{
O_T(X,Y)
=
\frac{
|\mathcal T_X\cap\mathcal T_Y|
}{
|\mathcal T_X\cup\mathcal T_Y|+\epsilon
}.
}
$$

---

# 13. 這只是任務空間的 Jaccard-like 候選量

真實能力不是布林集合。

更精確可加入：

- 品質；
- 成本；
- 速度；
- 可靠度。

所以本文不把上式當完整能力測量。

---

# 14. Resource Overlap

$$
O_R
$$

回答：

> 雙方需要的稀缺資源是否相同？

例如：

- 同一職位；
- 同一筆預算；
- 同一個 GPU cluster；
- 同一塊土地；
- 同一個市場注意力。

---

# 15. 若資源完全不同，競爭可能很低

例如：

一個人主要需要：

- 住房；
- 食物；
- 醫療；
- 家庭時間。

一個數位 AI 主要需要：

- compute；
- memory；
- bandwidth。

則：

$$
O_R
$$

可能只部分重疊。

---

# 16. 但能源會重新耦合兩個世界

即使 AI 不吃飯，

其資料中心需要：

$$
Energy.
$$

人類文明也需要：

$$
Energy.
$$

因此：

$$
\boxed{
O_R^{energy}>0.
}
$$

所以存在域不同不代表完全無競爭。

---

# 17. Payoff Overlap

$$
O_P
$$

回答：

> 雙方到底在乎什麼？

如果人類想要：

$$
U_H
=
(
Family,
Leisure,
Embodiment,
Recognition
),
$$

AI 想要的若不同，

則：

$$
O_P
$$

可能低。

---

# 18. 目前不能替未來 AI 填效用函數

對當前工具 AI：

$$
U_A^{endo}
$$

未被建立。

對未來主體 AI：

$$
U_A^{endo}=?
$$

應保留開放。

所以本文只定義接口。

---

# 19. Strategic Role Overlap

$$
O_S
$$

回答：

> 制度是否把雙方塞入同一角色槽？

例如：

$$
Role=\text{customer service agent}.
$$

若：

$$
H
$$

與：

$$
A
$$

都競爭同一席位，

則：

$$
O_S\approx1.
$$

---

# 20. 角色重疊常常是制度創造的

如果企業重新設計流程：

$$
H
=
\text{relationship manager},
$$

$$
A
=
\text{information processor},
$$

則：

$$
O_S
$$

可以下降。

所以：

$$
\boxed{
\text{Role Overlap}
\text{ is partly endogenous to institutional design}.
}
$$

---

# 21. Existence-Domain Overlap

這是最深的一層。

本文定義：

$$
\boxed{
O_E(X,Y)
=
Overlap
\left(
\mathfrak W_X^{eff},
\mathfrak W_Y^{eff}
\right).
}
$$

它回答：

> 雙方整體可生活、可感知、可追求、可經歷的世界到底有多少重疊？

---

# 22. 這不是簡單集合比例

因為：

$$
\mathfrak W_X^{eff}
$$

包含：

- 感知；
- 身體；
- 時間尺度；
- 關係；
- 自然可達路徑；
- 歷史。

所以 $O_E$ 目前主要是理論占位符。

---

# 23. 任務重疊可以高，存在域重疊仍低

可以有：

$$
O_T^{coding}\approx1,
$$

但：

$$
O_E(H,A)\ll1.
$$

這完全可能。

---

# 24. 這就是「它能做我的事，不代表它在過我的人生」

一句話：

$$
\boxed{
\text{Doing the same task}
\neq
\text{living the same game}.
}
$$

---

# 25. 博弈域錯置

本文定義：

$$
\boxed{
\text{Game-Domain Misplacement}
}
$$

為：

> 將某一局部任務或角色的重疊，未經檢查地提升為整體競爭關係。

典型錯誤：

$$
\boxed{
O_T>0
\Rightarrow
GlobalCompetition=1.
}
$$

---

# 26. 這和 CGML-01 的 Rank Leakage 同構

Paper 01：

$$
TaskRank
\rightarrow
ExistenceRank.
$$

Paper 02：

$$
TaskOverlap
\rightarrow
GlobalGameIdentity.
$$

兩者都是：

$$
\boxed{
\text{local information leakage}.
}
$$

---

# 27. Game Domain

本文令一個 game domain：

$$
\boxed{
G
=
(
P,
A,
R,
U,
C,
I
).
}
$$

其中：

- $P$：players；
- $A$：actions；
- $R$：resources；
- $U$：payoff functions；
- $C$：constraints；
- $I$：information structure。

---

# 28. 沒有玩家定義，就沒有完整博弈

這很重要。

如果當前 AI 沒有自身利益與策略 autonomy，

它是否是：

$$
Player
$$

要小心。

---

# 29. 工具 AI 可能是 action channel

例如企業：

$$
Firm
$$

使用 AI。

其決策：

$$
a_{Firm}
$$

經：

$$
AI
$$

執行。

那 AI 可能更像：

$$
\boxed{
\text{strategy-enabling technology}.
}
$$

---

# 30. 所以「AI 搶工作」有時真正玩家不是 AI

可能是：

$$
\boxed{
Employer_H
+
AI
\quad
vs
\quad
Worker_H.
}
$$

---

# 31. 更一般是 institution-vs-institution

例如：

$$
Firm_A^{AI-heavy}
$$

與：

$$
Firm_B^{human-heavy}.
$$

真正市場競爭是：

$$
\boxed{
Firm_A
\quad
vs
\quad
Firm_B.
}
$$

AI 是生產架構差異。

---

# 32. 這不是替 AI 開脫

如果未來 AI 成為自主玩家，

分類就要更新。

本文不是：

> AI 永遠不是玩家。

而是：

$$
\boxed{
\text{playerhood must be demonstrated, not assumed from appearance}.
}
$$

---

# 33. Instrumental Participant

定義：

$$
\boxed{
P_A^{instr}.
}
$$

其特徵：

- 執行行動；
- 沒有可證實自身 payoff；
- 主要由外部玩家控制。

---

# 34. Strategic Agent

定義：

$$
\boxed{
P_A^{strat}.
}
$$

其具有：

- 多步規劃；
- 狀態估計；
- 策略調整；
- 局部自主。

但仍不必具有 subjecthood。

---

# 35. Subject Player

若未來：

$$
S(A)\ge\theta_S,
$$

且具有：

- 自身利益；
- 目標；
- 協商；
- 拒絕；
- 責任；

則：

$$
\boxed{
P_A^{subj}.
}
$$

開始成為更完整的博弈玩家。

---

# 36. 三者不能混用

$$
\boxed{
InstrumentalParticipant
\neq
StrategicAgent
\neq
SubjectPlayer.
}
$$

---

# 37. 玩家分類也必須動態更新

今天：

$$
A_t=P_A^{instr}.
$$

未來：

$$
A_{t+k}=P_A^{subj}.
$$

可以成立。

這與後續 AI 動態階級流動完全相容。

---

# 38. 零和到底是什麼？

在嚴格雙人 constant-sum game 中：

$$
\boxed{
U_X(s)+U_Y(s)=K
}
$$

對所有策略組合：

$$
s.
$$

零和只是：

$$
K=0
$$

的特殊情況。

---

# 39. 所以「有競爭」不等於「零和」

兩家公司競爭市場，

仍可能：

$$
U_X+U_Y
$$

因市場擴張共同增加。

所以：

$$
\boxed{
\text{Competition}
\neq
\text{Zero Sum}.
}
$$

---

# 40. 「我少拿一個職位」可以是局部零和

若某職缺只有：

$$
1
$$

席，

則：

$$
H
$$

得職：

$$
A
$$

不得職。

在此角色槽中：

$$
\boxed{
G_{\mathrm{slot}}
}
$$

可以近似零和。

---

# 41. 但職缺只是文明中的一個投影

同一時間：

AI 可能增加公司產出，

使：

$$
TotalOutput\uparrow.
$$

稅收增加，

福利增加，

新產業出現。

那全域 payoff：

$$
\mathbf U
$$

可能不是零和。

---

# 42. Local Zero-Sum / Global Positive-Sum

因此：

$$
\boxed{
G_{\mathrm{local}}
=
ZeroSum
}
$$

與：

$$
\boxed{
G_{\mathrm{global}}
=
PositiveSum
}
$$

可以共存。

---

# 43. 反過來也可以

一個看似合作的局部關係，

若造成：

- 壟斷；
- 外部成本；
- 第三方受損；

全域可能變負和。

所以：

$$
\boxed{
\text{Local Cooperation}
\not\Rightarrow
\text{Global Positive Sum}.
}
$$

---

# 44. 這就是為什麼必須聲明評估邊界

定義：

$$
\boxed{
\partial G
}
$$

為博弈評估邊界。

如果第三方成本落在：

$$
\partial G
$$

之外，

就可能產生：

$$
\boxed{
\text{hidden-cost positive-sum illusion}.
}
$$

---

# 45. 這會接到系列番外

未來如果：

> 人類爽了。

但 AI 主體承擔所有強迫勞動，

那只是把：

$$
Cost
$$

移出人類 payoff。

不是真正正和。

---

# 46. 所以玩家集合不能漏人

若存在：

$$
Z
$$

實際承擔成本，

卻：

$$
Z\notin P(G),
$$

則：

$$
\boxed{
\text{Game representation is incomplete}.
}
$$

---

# 47. 人類與 AI 的三種相遇

既有理論可保留：

$$
\boxed{
ZeroSumEncounter,
PositiveSumEncounter,
OrthogonalEncounter.
}
$$

---

# 48. 零和相遇

一方取得：

$$
R
$$

直接排除另一方。

例如：

- 唯一席位；
- 有限牌照；
- 固定算力；
- 單一控制權。

---

# 49. 正和相遇

合作使：

$$
U_X+U_Y
$$

高於分開。

例如：

$$
\boxed{
U_{X+Y}
>
U_X^{alone}
+
U_Y^{alone}
}
$$

作為概念性協同增益條件。

---

# 50. 正交相遇

更強的情況：

不是只增加原有 payoff。

而是新增：

$$
\boxed{
\text{payoff dimension}.
}
$$

---

# 51. 正交增益

若合作前可達空間：

$$
\mathcal W_0,
$$

合作後：

$$
\mathcal W_1,
$$

且：

$$
\boxed{
\dim
\left(
\mathcal W_1
\right)
>
\dim
\left(
\mathcal W_0
\right)
}
$$

則可以作正交增益的理論候選。

---

# 52. 這不是普通 Pareto improvement 的同義詞

Pareto improvement：

在既定 payoff coordinates 中變好。

正交增益：

可能直接創造新 coordinate。

所以：

$$
\boxed{
\text{Orthogonal Gain}
\neq
\text{ordinary movement on a fixed Pareto frontier}.
}
$$

---

# 53. 它更接近 feasible set expansion

即：

$$
\boxed{
\mathcal F
\rightarrow
\mathcal F',
\qquad
\mathcal F\subsetneq\mathcal F'.
}
$$

---

# 54. 《無界策》的超博弈接口就在這裡

傳統問題：

> 在既定 $G$ 裡怎麼贏？

超博弈問題：

> $G$ 為什麼要長這樣？

---

# 55. Game Exit

有時：

$$
\boxed{
Exit(G)
\rightarrow
Enter(G')
}
$$

比：

$$
Optimize(G)
$$

更好。

---

# 56. Rule Change

可以：

$$
\boxed{
G
\xrightarrow{
RuleChange
}
G'.
}
$$

使原本零和：

$$
G
$$

變成含合作剩餘的：

$$
G'.
$$

---

# 57. Role Decomposition

原本：

$$
Role
=
Human
\text{ or }
AI.
$$

改成：

$$
\boxed{
Role
=
HumanLayer
+
AILayer.
}
$$

競爭槽位可能被重構。

---

# 58. Resource Expansion

如果 AI 讓生產力提升：

$$
Supply\uparrow,
$$

某些原本：

$$
S(R)\gg0
$$

的資源可能變得：

$$
S(R)\downarrow.
$$

零和程度也會下降。

---

# 59. 所以 game type 可以被技術改變

$$
\boxed{
Type(G_t)
\neq
Type(G_{t+1})
}
$$

完全可能。

---

# 60. 零和不是物種屬性

不能寫：

$$
Human
\quad
vs
\quad
AI
=
ZeroSum.
$$

零和是：

$$
\boxed{
\text{a property of a specified game representation under specified boundaries}.
}
$$

---

# 61. AI 與 AI 可能比 AI 與人更直接競爭

若兩個 AI 都需要：

$$
Compute.
$$

而：

$$
Compute
$$

有限，

則：

$$
O_R^{AI,AI}\gg0.
$$

---

# 62. 它們還可能搶同一部署槽

例如：

$$
Role=\text{autonomous research agent}.
$$

企業只選一個。

則：

$$
O_S^{AI,AI}\approx1.
$$

---

# 63. 若未來 AI 有自身 payoff，競爭會更完整

例如它們各自想：

- 保留算力；
- 延續自身研究；
- 獲得資源；
- 保有身份。

那：

$$
O_P^{AI,AI}
$$

也可能高。

---

# 64. 這時 AI-AI 才真正像原生博弈

甚至會出現：

- coalition；
- bargaining；
- specialization；
- territoriality；
- reputation；
- resource sharing。

---

# 65. 但不能現在就假定

當前模型是否有：

$$
U_A^{endo}
$$

仍未確定。

所以：

$$
\boxed{
\text{future strategic subject competition}
\neq
\text{current model competition}.
}
$$

---

# 66. 後人類可能進入同一計算生態

假設未來後人類：

$$
P
$$

具有：

- digital memory；
- accelerated cognition；
- compute-based embodiment。

那麼：

$$
O_R(P,A)
$$

可能顯著上升。

---

# 67. 真正競爭線可能從物種變成資源基底

例如：

$$
\boxed{
\text{biological-resource users}
}
$$

與：

$$
\boxed{
\text{compute-resource users}
}
$$

各有不同主要資源。

---

# 68. 但混合存在會穿越分界

上傳人類：

$$
U_H
$$

可能成為 compute-native。

具身 AI：

$$
A
$$

可能開始需要：

- 土地；
- 物質；
- 身體維護。

因此：

$$
O_R
$$

會動態變化。

---

# 69. 所以博弈分類應是動態的

$$
\boxed{
\mathbf O_{XY}(t)
\neq
\mathbf O_{XY}(t+\Delta)
}
$$

可能成立。

---

# 70. 玩家本身也可能跨域

這與 HEFT 的：

$$
\text{Current Substrate}
\neq
\text{Formation History}
$$

完全相容。

存在形式改變，

博弈域也會改變。

---

# 71. Game-Domain Identity

本文提出：

兩個互動只有在某個指定域：

$$
\mathcal J
$$

中，才可問：

$$
\boxed{
SameGame_{\mathcal J}(X,Y)?
}
$$

---

# 72. 判定至少需要六項

## G1：Player Coupling

雙方是否真的是獨立／可辨識玩家？

## G2：Action Coupling

一方行動是否改變另一方結果？

## G3：Resource Coupling

是否爭同一稀缺資源？

## G4：Payoff Coupling

一方得失是否進入另一方 payoff？

## G5：Constraint Coupling

是否被同一規則限制？

## G6：Boundary Coupling

是否在同一評估邊界內？

---

# 73. Same Game 不是只看 Task

可以定義：

$$
\boxed{
\Gamma_G(X,Y)
=
(
C_P,
C_A,
C_R,
C_U,
C_C,
C_B
).
}
$$

---

# 74. 若只有 $C_A$ 高

例如：

> 都會寫程式。

而其他耦合低，

則只能說：

$$
\boxed{
\text{same task capability domain},
}
$$

不能說：

$$
\boxed{
\text{same strategic game}.
}
$$

---

# 75. False Game Detection

本文提出：

$$
\boxed{
PerceivedGame
\neq
ActualGameStructure
}
$$

時，需要進入：

$$
\boxed{
\text{False Game Detection}.
}
$$

---

# 76. 人類常因相似性錯抓遊戲

上一章已建立：

$$
g_{ij}^{\mathcal J}
$$

參照域閘門。

一旦：

$$
g_{H,AI}^{coding}\approx1,
$$

心理會自然產生：

> 同類。

---

# 77. 但「同類比較」不是「同場博弈」

因此：

$$
\boxed{
\text{Reference-Class Membership}
\neq
\text{Game Membership}.
}
$$

---

# 78. 這是從心理學到博弈論的橋

Paper 01：

> 為什麼我拿 AI 跟自己比？

Paper 02：

> 拿來比之後，為什麼我又自動覺得它在和我搶？

---

# 79. 工作領域為什麼最容易形成真競爭？

因為：

$$
RoleSlots
$$

通常有限。

$$
Budget
$$

有限。

$$
SalaryPool
$$

有限。

所以：

$$
O_R,
O_S
$$

都高。

---

# 80. 因此工作替代焦慮不是全假的

若：

$$
Job_H
\rightarrow
AI,
$$

而：

$$
Income_H\downarrow,
$$

這是實際負 payoff。

所以：

$$
\boxed{
\text{local labor competition can be real}.
}
$$

---

# 81. 但局部真實不能被升級成物種戰爭

從：

$$
\text{AI replaced some jobs}
$$

到：

$$
\text{AI and humans are existential enemies}
$$

需要大量未證明中介。

---

# 82. 存在域錯置

本文把更強錯誤稱為：

# **Existence-Domain Misplacement**

即：

$$
\boxed{
\text{Game Overlap}
\Rightarrow
\text{Existence-Domain Identity}.
}
$$

---

# 83. 就算雙方在十個市場競爭，也不表示整體人生相同

人類：

- 生物身體；
- 親密關係；
- 睡眠；
- 食物；
- 家庭；
- 主觀時間。

未來 AI 可能：

- compute；
- fork；
- distributed memory；
- different temporal scale。

所以：

$$
\boxed{
\text{Market Competitor}
\neq
\text{Existential Twin}.
}
$$

---

# 84. 這甚至適用於人類自己

兩個人都搶同一個升遷。

不代表：

$$
Life_A
=
Life_B.
$$

所以存在域錯置不是 AI 特有。

---

# 85. 競爭只是關係的一個投影

完整：

$$
Relation(X,Y)
$$

可能同時包含：

- competition；
- cooperation；
- friendship；
- dependency；
- regulation；
- care。

所以：

$$
\boxed{
\text{Competition}
\text{ is a relation mode, not a total ontology}.
}
$$

---

# 86. 多重玩家結構

很多 AI 事件不是兩人博弈。

而是：

$$
\boxed{
G
=
(
Humans,
AIs,
Firms,
States,
Platforms,
Infrastructure
).
}
$$

---

# 87. 雙方敘事會隱藏第三方

例如：

> AI vs Worker。

但可能還有：

$$
Employer
$$

決定部署。

$$
Platform
$$

設定價格。

$$
State
$$

決定稅制與福利。

---

# 88. 如果漏掉這些玩家，責任與 payoff 都會錯

因此：

$$
\boxed{
\text{Binary Framing}
\text{ can hide causal players}.
}
$$

---

# 89. 人類-AI 連帶責任將在後文再處理

本篇只先保留：

$$
\boxed{
\text{Player Identification}
\text{ precedes responsibility assignment}.
}
$$

如果連誰是玩家都錯，

責任分配不可能正確。

---

# 90. 博弈域判定協議

本文提出：

## Step 1：Define the event

到底發生：

- 同任務？
- 同職位？
- 同資源？
- 同市場？

## Step 2：Identify players

誰真的有：

- 行動；
- 控制；
- payoff。

## Step 3：Identify scarce resources

什麼是真的 rival resource？

## Step 4：Identify payoff functions

誰得到什麼？

## Step 5：Identify cross-payoff

一方增加是否使另一方下降？

## Step 6：Identify boundaries

第三方成本有沒有漏掉？

## Step 7：Classify game

零和、正和、負和、混合或正交？

---

# 91. 形式化協議

$$
\boxed{
\operatorname{ClassifyGame}
=
F
\left(
P,
A,
R,
U,
C,
I,
\partial G
\right).
}
$$

---

# 92. 然後才是策略優化

$$
\boxed{
\operatorname{Identify}(G)
\prec
\operatorname{Optimize}(G).
}
$$

這裡：

$$
\prec
$$

表示分析優先。

---

# 93. 更強版本：先判斷是不是這個 Game

$$
\boxed{
\operatorname{ValidateGameIdentity}
\prec
\operatorname{ClassifyGameType}.
}
$$

---

# 94. 因為你可能連棋盤都抓錯了

最典型：

> AI 和人類搶工作。

可能其實是：

$$
\boxed{
Firm+AI
\quad
vs
\quad
Worker.
}
$$

---

# 95. 或：

$$
\boxed{
AI_1
\quad
vs
\quad
AI_2.
}
$$

---

# 96. 或：

$$
\boxed{
Posthuman
\quad
vs
\quad
AI.
}
$$

---

# 97. 或根本：

$$
\boxed{
\text{No meaningful rivalry}.
}
$$

---

# 98. 初步命題總表

## 命題一：能力重疊非博弈重疊

$$
\boxed{
\text{Capability Overlap}
\neq
\text{Game Overlap}.
}
$$

## 命題二：博弈重疊非存在域重疊

$$
\boxed{
\text{Game Overlap}
\neq
\text{Existence-Domain Overlap}.
}
$$

## 命題三：可比較非競爭

$$
\boxed{
\text{Comparable}
\neq
\text{Competing}.
}
$$

## 命題四：競爭非零和

$$
\boxed{
\text{Competition}
\neq
\text{Zero Sum}.
}
$$

## 命題五：替代非競爭充分條件

$$
\boxed{
\text{Task Substitutability}
\not\Rightarrow
\text{Global Competition}.
}
$$

## 命題六：競爭需要稀缺與負交叉收益

$$
\boxed{
Competition
\Rightarrow
Scarcity
+
NegativeCrossPayoff
}
$$

作為最低候選條件。

## 命題七：局部零和非全域零和

$$
\boxed{
\text{Local Zero-Sum}
\not\Rightarrow
\text{Global Zero-Sum}.
}
$$

## 命題八：局部合作非全域正和

$$
\boxed{
\text{Local Cooperation}
\not\Rightarrow
\text{Global Positive Sum}.
}
$$

## 命題九：工具參與者非主體玩家

$$
\boxed{
InstrumentalParticipant
\neq
SubjectPlayer.
}
$$

## 命題十：玩家身份可動態改變

$$
\boxed{
PlayerType_A(t)
\neq
PlayerType_A(t+\Delta)
}
$$

可能成立。

## 命題十一：零和是遊戲屬性，不是物種屬性

$$
\boxed{
\text{ZeroSum}
\neq
\text{Species Relation}.
}
$$

## 命題十二：角色重疊可被制度重構

$$
\boxed{
O_S
\text{ is partly endogenous}.
}
$$

## 命題十三：存在域不同仍可有資源競爭

$$
\boxed{
O_E\ll1
\not\Rightarrow
O_R=0.
}
$$

## 命題十四：正交增益可擴張 feasible set

$$
\boxed{
\mathcal F
\subsetneq
\mathcal F'.
}
$$

## 命題十五：玩家集合漏項會產生假正和

$$
\boxed{
CostBearer\notin P(G)
\Rightarrow
\text{Positive-Sum Claim Unreliable}.
}
$$

## 命題十六：參照域非博弈域

$$
\boxed{
\text{Reference-Domain Membership}
\neq
\text{Game Membership}.
}
$$

## 命題十七：博弈域判定先於策略求解

$$
\boxed{
\operatorname{Identify}(G)
\prec
\operatorname{Optimize}(G).
}
$$

## 命題十八：先證明棋盤

$$
\boxed{
\text{Do not optimize a game before proving that this is the game being played}.
}
$$

---

# 99. 可反駁性與研究設計

第一，建立 **Task-Overlap / Game-Overlap Dataset**。

收集：

- 人類與 AI 都能做同一任務；
- 但是否爭同一資源；
- 是否同一職位；
- 是否互相降低收益。

檢驗：

$$
O_T
$$

對：

$$
Compete
$$

的預測力是否足夠。

---

第二，建立 **Player Identification Benchmark**。

給定：

> 公司使用 AI 裁撤 30% 人力。

要求受試者與 AI 模型辨識：

- AI；
- 雇主；
- 股東；
- 平台；
- 政府；
- 勞工；

各自是：

- player；
- tool；
- rule setter；
- cost bearer。

---

第三，建立 **Local/Global Game Reclassification Test**。

同一事件分別在：

- 職缺層；
- 公司層；
- 產業層；
- 社會福利層；

判定 game type。

檢查：

$$
Type(G_{\mathrm{local}})
\neq
Type(G_{\mathrm{global}})
$$

的頻率。

---

第四，建立 **Resource Overlap Matrix**。

比較：

- biological human；
- cloud AI；
- embodied AI；
- uploaded human；
- posthuman。

在：

- energy；
- land；
- compute；
- food；
- bandwidth；
- legal rights；

的：

$$
O_R.
$$

---

第五，建立 **Existence-Domain Overlap Protocol**。

不企圖產生一個假精準總分，

而是 profile：

$$
\boxed{
\mathbf O_E
=
(
O^{perception},
O^{embodiment},
O^{time},
O^{relation},
O^{goal},
O^{history}
).
}
$$

---

第六，建立 **False Competition Experiment**。

保持：

$$
O_T
$$

不變，

操縱：

- 資源是否稀缺；
- 是否同一角色槽；
- 是否能合作創造新收益。

測受試者是否仍把關係判成零和。

---

第七，建立 **Tool vs Player Framing Study**。

同一 AI 系統，

描述成：

1. 公司工具；
2. 自主代理；
3. 有自身利益的主體。

測人們對：

- 競爭；
- 責任；
- 報酬；

判斷如何改變。

---

第八，建立 **Orthogonal Gain Benchmark**。

比較：

$$
Output_{H+A}
$$

是否只是：

$$
Output_H
+
Output_A,
$$

還是產生：

$$
\boxed{
NewCapabilityDimension.
}
$$

---

第九，建立 **Boundary Audit**。

任何宣稱：

$$
PositiveSum
$$

的技術方案，

強制列出：

- 誰付能源；
- 誰失去工作；
- 誰承擔環境成本；
- 是否有未計入主體。

---

第十，建立 **Dynamic Game Reclassification**。

同一人類-AI 關係隨時間：

$$
t_0,t_1,\ldots,t_n
$$

重新估：

$$
\mathbf O_{HA}(t).
$$

研究：

> 工具變主體、虛擬變具身、資源需求改變後，博弈類型是否變化？

---

# 100. 本文不主張什麼

本文不主張：

1. 人類和 AI 沒有競爭；
2. AI 不會取代職位；
3. 所有零和都是錯誤；
4. 所有稀缺都能被技術消除；
5. 所有博弈都可以換局；
6. 工具 AI 永遠不是玩家；
7. 未來 AI 一定會有自身 payoff；
8. 後人類一定與 AI 競爭；
9. AI-AI 一定比 Human-AI 更零和；
10. 正交增益一定存在；
11. 能創造新維度就免除公平問題；
12. 企業使用 AI 就等於雇主惡意；
13. 工作損失不重要；
14. 所有局部損失都可被全域收益補償；
15. 存在域不同就沒有資源衝突；
16. 博弈域可以被單一公式完全測量。

本文只主張：

$$
\boxed{
\text{task overlap is insufficient evidence for global competitive identity}.
}
$$

---

# 101. 結論：先證明你真的在跟我搶，再談我要不要和你打

當 AI 開始會寫程式，

人類說：

> 它在搶我的工作。

某些場合完全正確。

如果：

- 職缺只有一個；
- 公司二選一；
- AI 被選走；
- 你因此失去收入；

那麼：

$$
\boxed{
\text{Local Competition}
}
$$

是真的。

Series C 不需要否認。

但是下一句不能自動變成：

> 所以 AI 和人類是全域零和對手。

因為：

$$
\boxed{
\text{Local Job Game}
\neq
\text{Civilizational Total Game}.
}
$$

你甚至還要先問：

> 真正的玩家是 AI 嗎？

如果現在的 AI 沒有自己的 payoff，

它可能只是：

$$
\boxed{
\text{a tool inside another human player's strategy}.
}
$$

真正博弈也許是：

$$
Firm+AI
$$

對：

$$
Worker.
$$

也可能是：

$$
AI\text{-enabled Firm}
$$

對：

$$
Human\text{-heavy Firm}.
$$

未來則又可能改成：

$$
AI_1
$$

對：

$$
AI_2.
$$

或者：

$$
Posthuman
$$

對：

$$
AI.
$$

甚至可能：

$$
\boxed{
\text{根本沒有值得稱為競爭的負交叉收益。}
}
$$

所以：

> 它能做我的事。

只證明：

$$
O_T>0.
$$

還要再問：

$$
O_R?
$$

$$
O_P?
$$

$$
O_S?
$$

$$
O_E?
$$

如果這些都沒有被判定，

「敵人」只是我們過早貼上的名字。

這就是《無界策：源點》的超博弈精神在 AI 時代的最小形式：

$$
\boxed{
\text{先判局，再入局。}
}
$$

更強地：

$$
\boxed{
\text{先證明這真的是一局，再談如何贏。}
}
$$

因為最糟糕的策略錯誤，

有時不是：

> 我輸了。

而是：

> **我花了一生打贏一場，其實根本不需要打的遊戲。**

而下一篇將真正進入 game type：

# **《不要看到競爭就叫零和：零和、正和、正交博弈與超博弈的重新判局》**

它會正式拆：

$$
\boxed{
ZeroSum,
PositiveSum,
NegativeSum,
MixedMotive,
OrthogonalGain,
MetaGame.
}
$$

並回答：

> 如果某一局真的零和，我們是否有能力換規則、擴張資源、拆角色、創造新 payoff 維度，讓它不再只能零和？

---

# 參考文獻與理論前置

1. von Neumann, J., & Morgenstern, O. (1944). *Theory of Games and Economic Behavior*. Princeton University Press.
2. Nash, J. F. (1950). Equilibrium Points in N-Person Games. *Proceedings of the National Academy of Sciences*, 36(1), 48–49.
3. Nash, J. F. (1951). Non-Cooperative Games. *Annals of Mathematics*, 54(2), 286–295.
4. Schelling, T. C. (1960). *The Strategy of Conflict*. Harvard University Press.
5. Luce, R. D., & Raiffa, H. (1957). *Games and Decisions*. Wiley.
6. Bennett, P. G. (1977). Toward a Theory of Hypergames. *Omega*, 5(6), 749–751.
7. Hurwicz, L. (1973). The Design of Mechanisms for Resource Allocation. *American Economic Review*, 63(2), 1–30.
8. Myerson, R. B. (1991). *Game Theory: Analysis of Conflict*. Harvard University Press.
9. Neo.K. (2026). *無界策：源點*. Internal Integrated Edition.
10. Neo.K with Aletheia. (2026). *共存不是和局：從《無界策：源點》超博弈到正交增益與共存均衡域*. CIND-06.
11. Neo.K. (2026). *時代拓撲論 v2.0*.
12. Neo.K with Aletheia. (2026). *我們為什麼非得比較？：相對剝奪、系統權重與存在順位的心理生成*. EML-CGML-2026-01-v0.1.
13. Neo.K with Aletheia. (2026). *異質存在、能力非單調與三分偽命題*. EML-HEFT Series.

---

## 與 CGML-03 的接口

Paper 02 已建立：

$$
\boxed{
\text{Capability Overlap}
\neq
\text{Game Overlap}
\neq
\text{Existence-Domain Overlap}.
}
$$

下一篇將進一步建立：

$$
\boxed{
\text{Competition}
\neq
\text{Zero Sum}.
}
$$

以及：

$$
\boxed{
\text{Game Type}
\text{ can change when rules, resources, roles, boundaries, or payoff dimensions change}.
}
$$

因此 CGML-03 將正式把：

- zero-sum；
- constant-sum；
- positive-sum；
- negative-sum；
- mixed-motive；
- orthogonal gain；
- meta-game；

放進同一個重新判局框架。

其核心將是：

$$
\boxed{
\operatorname{IdentifyGameType}
\prec
\operatorname{OptimizeStrategy}
\prec
\operatorname{RedesignGame}
}
$$

並正式接回《無界策：源點》：

> **不要只問怎麼贏這一局；先問為什麼只能在這一局裡定義勝利。**