# 從玩家數到模型增長率：AI 原生互動平台的有效成長、資料收益與資本估值 ## From Player Metrics to Model Growth Rate: Effective Growth, Data Yield, and Capital Valuation in AI-Native Interactive Platforms **系列**：生成式互動平台與人工世界資料飛輪，第 6 篇／共 7 篇 **系列英文名**：Generative Interactive Platforms and Artificial-World Data Flywheels **系列代碼**：GIAW **文件編號**：EML-GIAW-2026-06-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**：2026-09-12 **性質**：AI Platform Metrics／Model Economics／Data Flywheel／Venture Valuation／Interactive Systems **狀態**：Public Theory Draft **直接前置**：GIAW-01 至 GIAW-05 **後續接口**：GIAW-07《人工世界資料飛輪：從遊戲訓練 AI 到自生成世界中的自我成長》 --- ## 摘要 AI 原生互動平台經常使用 MAU、DAU、plays、games created、session count、retention 與 creator count 等指標描述成長。然而，如果平台真正的長期資產不只是廣告、訂閱或內容交易，而包括人類意圖資料、人工世界、行動軌跡與模型能力，那麼傳統 consumer metrics 只能描述「表面活動量」，不能直接描述「模型真正增加了多少能力」。 本文提出「能力產生成長」（Capability-Producing Growth）框架，區分： $$ G_H = \text{Headline Growth} $$ 與： $$ G_C = \text{Capability-Producing Growth}. $$ 其中 $G_H$ 可由 MAU、plays、created worlds 等可見數量組成； $G_C$ 則必須考慮互動是否有效、資料是否具有新信息、世界是否足夠多樣、資料能否被合法對齊、模型是否真正從資料中得到可測量能力增益。 本文定義「有效互動收益」（Effective Interaction Yield）： $$ Y_{\mathrm{eff}} = N_{\mathrm{interaction}} \cdot q \cdot d \cdot a \cdot n \cdot c, $$ 其中： - $q$：資料品質； - $d$：世界與行為多樣性； - $a$：Creator–World–Player 對齊程度； - $n$：新信息／非重複程度； - $c$：合規與可用性。 再定義模型能力增益： $$ \Delta Q_M = F(Y_{\mathrm{eff}},A_M,T_M), $$ 其中 $A_M$ 是模型／訓練架構， $T_M$ 是訓練與評估程序。 由此，平台成長的真正核心不再是： $$ \frac{dU}{dt} $$ 而可能是： $$ \boxed{ \frac{dQ_M}{dt} } $$ 即模型能力對時間的增長率。 本文進一步分析 paid acquisition、低品質流量、短 session、重複世界、推薦集中與 Runtime 限制如何造成「指標膨脹但模型增益不足」；並提出 Model Growth Efficiency、Capability CAC、Data-to-Capability Conversion Rate、Organic Capability Yield、Retention-Adjusted Interaction Value、Growth Quality Matrix 等指標，用以區分「看起來很大的平台」與「真正能持續產生能力的平台」。 本文不對任何特定現實公司之未公開數據做判斷，而提供一套可用於 AI 原生遊戲平台、互動世界生成器、Agent 平台與資料飛輪公司的投資與技術分析框架。 **關鍵詞**：MAU、Plays、Data Yield、Model Growth Rate、Capability-Producing Growth、AI Platform Metrics、CAC、Retention、Venture Valuation、Data Flywheel --- # 1. 問題提出：五百萬 MAU 到底代表什麼？ 若某平台宣稱： $$ MAU=5M, $$ 這至少可能代表五種完全不同的事情。 ## Case A：高留存核心社群 大量使用者： - 經常回來； - 深度互動； - 主動創作； - 有高 organic share。 --- ## Case B：大量短期新奇使用者 大量使用者： - 因 novelty 進入； - 玩幾次； - 很快流失。 --- ## Case C：大量 paid acquisition 平台持續付費導入： $$ U_{\mathrm{paid}}. $$ MAU 很高，但： $$ \text{OrganicRetention} $$ 不一定高。 --- ## Case D：Creator-heavy MAU 很多使用者主要在： - 生成； - 測試； - 修改； 而非傳統意義的玩家。 --- ## Case E：高頻低深度 session 同一人產生大量： $$ \text{plays}, $$ 但每次 interaction 很短。 因此： $$ \boxed{ MAU } $$ 本身不能回答： $$ \boxed{ \text{How much model-relevant learning occurred?} } $$ --- # 2. Headline Growth 本文定義： $$ G_H = f( MAU, DAU, \text{Plays}, \text{Sessions}, \text{CreatedWorlds}, \text{Creators} ). $$ 這些指標具有： - 易懂； - 易比較； - 適合投資簡報； - 適合媒體敘事； 的優點。 但它們的共同問題是： $$ \boxed{ \text{Quantity of activity} \neq \text{quality of learning}. } $$ --- # 3. Capability-Producing Growth 定義： $$ G_C = f( \text{EffectiveData}, \text{ModelGain}, \text{Retention}, \text{Diversity}, \text{Alignment}, \text{OrganicDemand} ). $$ 更進一步： $$ \boxed{ G_C = \frac{dQ_M}{dt} } $$ 其中： $$ Q_M $$ 代表模型能力。 因此一個平台可以： $$ G_H\gg0 $$ 但： $$ G_C\approx0. $$ 這就是本文最重要的區分之一。 --- # 4. Raw Interaction 與 Effective Interaction 設總互動數： $$ N_R. $$ 其中可能包含： - 真正遊玩； - idle； - accidental click； - duplicate session； - bot-like behavior； - creator self-test； - low-information repetition。 因此定義有效互動： $$ N_E = N_R \cdot q \cdot r, $$ 其中： - $q$：互動品質； - $r$：可用比例。 因此： $$ N_R\uparrow $$ 不代表： $$ N_E\uparrow $$ 等比例。 --- # 5. Effective Interaction Yield 完整定義： $$ \boxed{ Y_{\mathrm{eff}} = N_R \cdot q \cdot d \cdot a \cdot n \cdot c. } $$ 其中： ## 5.1 Quality $$ q $$ 表示： - 是否有真實 action； - 是否可還原 state； - 是否排除 idle； - 是否有 outcome。 --- ## 5.2 Diversity $$ d $$ 表示： - 世界多樣性； - 玩家策略多樣性； - 行動多樣性； - 裝置與情境多樣性。 --- ## 5.3 Alignment $$ a $$ 表示能否對齊： $$ \text{Creator} \leftrightarrow \text{World} \leftrightarrow \text{Player}. $$ --- ## 5.4 Novelty $$ n $$ 表示新資料相對歷史資料的新信息量。 --- ## 5.5 Compliance $$ c $$ 表示資料是否： - 有權使用； - 符合政策； - 可進入訓練； - 未被刪除／退出。 --- # 6. 有效資料不是事件數 若： $$ N_R=10^9 $$ 但： $$ q=d=a=n=c=0.1, $$ 則： $$ Y_{\mathrm{eff}} = 10^9 \times 10^{-5} = 10^4. $$ 也就是十億原始事件可能只相當於： $$ 10,000 $$ 個高價值有效單位。 這只是示例，但指出： $$ \boxed{ \text{Raw Scale} \neq \text{Effective Scale}. } $$ --- # 7. Data Novelty Decay 資料會有邊際遞減。 若前： $$ 10^6 $$ 筆資料已覆蓋某類玩法， 後續： $$ 10^8 $$ 筆高度相似資料， 其增量信息可能很低。 定義第 $i$ 筆資料新穎度： $$ n_i. $$ 隨重複增加： $$ n_i\downarrow. $$ 所以： $$ \boxed{ \text{Interaction Growth} \not\Rightarrow \text{Information Growth}. } $$ --- # 8. 世界多樣性折扣 GIAW-04 與 GIAW-05 已指出： $$ D_W $$ 可能因推薦與 Runtime 收斂。 因此平台資料量： $$ N_D $$ 應乘上： $$ d_W. $$ 有效資料： $$ D_{\mathrm{eff}} = D_{\mathrm{raw}} \cdot d_W. $$ 如果所有世界只是： $$ \text{same loop + different skin}, $$ 則： $$ d_W\ll1. $$ --- # 9. Player Diversity 同樣，若全部使用者來自高度相似群體： $$ d_U\downarrow. $$ 那模型學到： $$ P(A\mid W,U_{\mathrm{sample}}) $$ 不一定泛化到： $$ U_{\mathrm{global}}. $$ 因此： $$ D_{\mathrm{eff}} = D_{\mathrm{raw}} \cdot d_W \cdot d_U. $$ --- # 10. Model Gain 資料真正的價值應以： $$ \Delta Q_M $$ 衡量。 定義： $$ Q_M = ( q_{\mathrm{generation}}, q_{\mathrm{world}}, q_{\mathrm{planning}}, q_{\mathrm{preference}}, q_{\mathrm{repair}}, q_{\mathrm{prediction}} ). $$ 模型更新前： $$ Q_M^{(t)}. $$ 更新後： $$ Q_M^{(t+1)}. $$ 則： $$ \Delta Q_M = Q_M^{(t+1)} - Q_M^{(t)}. $$ --- # 11. Model Growth Rate 定義： $$ \boxed{ g_M = \frac{dQ_M}{dt}. } $$ 若離散： $$ g_M^{(t)} = \frac{ Q_M^{(t+1)} - Q_M^{(t)} }{ \Delta t }. $$ 這比： $$ \frac{dMAU}{dt} $$ 更接近模型公司的核心技術成長率。 --- # 12. Data-to-Capability Conversion Rate 定義： $$ \eta_{D\rightarrow M} = \frac{\Delta Q_M}{Y_{\mathrm{eff}}}. $$ 其中： $$ \eta_{D\rightarrow M} $$ 表示： > 每單位有效資料能轉成多少模型能力。 平台可以有： $$ Y_{\mathrm{eff}}\uparrow $$ 但： $$ \eta_{D\rightarrow M}\downarrow, $$ 例如模型已飽和。 因此： $$ \boxed{ \text{More Useful Data} \neq \text{Guaranteed More Capability}. } $$ --- # 13. Model Growth Efficiency 定義總投入： $$ C_T = C_{\mathrm{creator}} + C_{\mathrm{player}} + C_{\mathrm{compute}} + C_{\mathrm{infra}} + C_{\mathrm{training}}. $$ 則： $$ \boxed{ MGE = \frac{\Delta Q_M}{C_T}. } $$ 稱為： **Model Growth Efficiency**。 這是 AI 原生平台比單純 CAC 更深的單位經濟指標。 --- # 14. Capability CAC 傳統： $$ CAC_U = \frac{\text{MarketingCost}}{\text{NewUsers}}. $$ 本文提出： $$ \boxed{ CAC_Q = \frac{\text{TotalAcquisitionCost}}{\Delta Q_M}. } $$ 即： > 取得一單位模型能力需要多少成本？ 這裡的 acquisition 不只買使用者，也包括： - creator incentives； - player incentives； - compute； - training； - data processing。 --- # 15. Interaction CAC 若平台關心互動資料： $$ CAC_I = \frac{C_{\mathrm{acquisition}}}{N_E}. $$ 但更合理： $$ CAC_{I^\star} = \frac{C_{\mathrm{acquisition}}}{Y_{\mathrm{eff}}}. $$ 因為： $$ N_E $$ 仍未處理： - diversity； - novelty； - alignment。 --- # 16. Paid Acquisition 的表面價值 付費導流： $$ C_P \rightarrow U_P. $$ 增加： $$ MAU. $$ 如果： $$ \text{Retention}_P $$ 低， 其長期產品價值可能弱。 但即使使用者不留下， 若仍產生： $$ D_P, $$ 則可能有資料價值。 所以： $$ \boxed{ \text{Low LTV user} \not\Rightarrow \text{Zero data value user}. } $$ --- # 17. Paid User 的雙重 LTV 定義： $$ LTV_U = LTV_{\mathrm{revenue}} + LTV_{\mathrm{data}}. $$ 傳統 consumer app 主要看： $$ LTV_{\mathrm{revenue}}. $$ AI 平台可能同時看： $$ LTV_{\mathrm{data}}. $$ 因此某些 acquisition campaign 即使： $$ Revenue CAC, $$ 仍可能被公司視為合理。 --- # 18. 但 Data Value 很難估 $$ V_D $$ 不是市場直接報價。 它取決於： $$ V_D = f( \text{Novelty}, \text{Quality}, \text{Alignment}, \text{ModelNeed}, \text{Trainability}, \text{Exclusivity} ). $$ 如果模型已經知道： $$ D_i, $$ 則： $$ MarginalValue(D_i)\approx0. $$ 所以不能粗暴地把： $$ \text{每個使用者} $$ 都當成固定資料價值。 --- # 19. Organic Capability Yield 定義 organic user 產生的能力： $$ \Delta Q_O. $$ paid user 產生： $$ \Delta Q_P. $$ 成本分別： $$ C_O, C_P. $$ 則： $$ Y_O = \frac{\Delta Q_O}{C_O}, $$ $$ Y_P = \frac{\Delta Q_P}{C_P}. $$ 這可分析： $$ \boxed{ \text{Organic Capability Yield} } $$ 是否高於 paid acquisition。 --- # 20. Retention 的重新解讀 傳統 retention： $$ R_{D1},R_{D7},R_{D30}. $$ 對模型平台仍然重要。 因為留存高表示： $$ \text{Repeated Interaction}. $$ 但重複資料也可能： $$ n\downarrow. $$ 所以需要： $$ \boxed{ \text{Retention-Adjusted Novelty}. } $$ --- # 21. Retention-Adjusted Interaction Value 對使用者 $u$： $$ V_I(u) = \sum_{t=1}^{T} q_t d_t a_t n_t. $$ 不是簡單： $$ T. $$ 因此同一個玩家玩： $$ 1000 $$ 次相同 loop， 可能不如： $$ 20 $$ 次跨不同世界探索有模型價值。 --- # 22. Deep User 與 Broad User Deep User： $$ \text{few worlds} + \text{many interactions}. $$ Broad User： $$ \text{many worlds} + \text{fewer interactions}. $$ 對： - agent planning； Deep 可能更值錢。 對： - preference modeling； - world diversity； Broad 可能更值錢。 因此： $$ \boxed{ \text{User Value is task-dependent}. } $$ --- # 23. Creator MAU 與 Player MAU 應分開 若： $$ MAU_C $$ 與： $$ MAU_P $$ 混合， 會遮蔽平台真實結構。 應區分： $$ MAU = MAU_C + MAU_P - MAU_{C\cap P}. $$ 其中： $$ MAU_{C\cap P} $$ 是 prosumer。 這三類產生的資料不同。 --- # 24. Creator Yield 每個 creator 產生： $$ Y_C = D_{\mathrm{intent}} + D_{\mathrm{revision}} + D_{\mathrm{world}} + D_{\mathrm{player-induced}}. $$ 因此： $$ \boxed{ \text{Creator Count} } $$ 不如： $$ \boxed{ \text{Creator Effective Yield} } $$ 有意義。 --- # 25. Created Worlds 指標的陷阱 宣稱： $$ 1M\text{ worlds created} $$ 可能看起來很大。 但如果： $$ 90\% $$ 是： - 一次生成； - 沒發布； - 沒玩家； - 模板複製； - 幾乎相同。 那： $$ \text{WorldCount} $$ 高， $$ \text{WorldValue} $$ 未必高。 --- # 26. Published World Yield 定義： $$ PWY = \frac{ Worlds_{\mathrm{published}} }{ Worlds_{\mathrm{created}} }. $$ 再定義： $$ EPWY = PWY \cdot d_W \cdot q_W. $$ 其中： - $d_W$：多樣性； - $q_W$：可玩品質。 這比 created count 更有意義。 --- # 27. Play Count 的陷阱 $$ \text{Play} $$ 可能只表示： $$ \text{session started}. $$ 但真正模型價值可能需要： $$ ActionCount>0, $$ $$ Duration>\tau, $$ $$ StateTransition>0. $$ 因此： $$ \boxed{ \text{Play} \neq \text{Meaningful Interaction}. } $$ --- # 28. Significant Interaction 本文定義： $$ I^\star $$ 至少需滿足： $$ ActionDensity>\alpha, $$ $$ StateChange>\beta, $$ $$ ObservationActionCoupling>\gamma. $$ 也就是不應只用： $$ Duration>\tau. $$ 因為停留時間可被 idle 破壞。 --- # 29. Action Density 定義： $$ \rho_A = \frac{N_A}{T}. $$ 其中： $$ N_A $$ 是有效 action 次數。 但高： $$ \rho_A $$ 也不一定高品質。 例如無腦 spam。 因此還需： $$ \text{StateResponse}. $$ --- # 30. Action Effectiveness 定義： $$ E_A = \frac{ N_{\mathrm{meaningful\ state\ transitions}} }{ N_A }. $$ 若： $$ E_A\approx0, $$ 表示大量行動沒有產生有用世界變化。 --- # 31. Interaction Information Density 本文提出： $$ \boxed{ IID = \frac{I(\tau)}{T} } $$ 其中： $$ I(\tau) $$ 是 trajectory 的信息量。 兩個 session 都 $10$ 分鐘， 但： $$ IID_A \gg IID_B $$ 可能成立。 --- # 32. Headline Metric Inflation 定義： $$ M_H $$ 為 headline metric。 實際有效值： $$ M_E. $$ 則： $$ \boxed{ \text{InflationRatio} = \frac{M_H}{M_E}. } $$ 例如： $$ \text{Plays} $$ 相對： $$ \text{SignificantInteractions}. $$ 若： $$ InflationRatio\gg1, $$ 平台的 headline scale 與模型有效 scale 差距大。 --- # 33. Metric Inflation 不等於造假 必須區分： $$ \text{Inflated Interpretation} $$ 與： $$ \text{Fabricated Data}. $$ 一個數字可以完全真實： $$ 140M\ plays, $$ 但如果外界把： $$ \text{Play} $$ 誤解成： $$ \text{deep gameplay session}, $$ 仍會產生錯誤結論。 因此： $$ \boxed{ \text{Metric Semantics} } $$ 與： $$ \boxed{ \text{Metric Truthfulness} } $$ 是兩個問題。 --- # 34. Growth Quality Matrix 本文建立兩軸： 橫軸： $$ G_H. $$ 縱軸： $$ G_C. $$ 形成四象限。 ## Q1：高 Headline／高 Capability 最佳狀態。 --- ## Q2：高 Headline／低 Capability 典型： $$ \boxed{ \text{Vanity Growth}. } $$ --- ## Q3：低 Headline／高 Capability 可能是高品質但規模尚小的研究平台。 --- ## Q4：低 Headline／低 Capability 平台尚未形成有效飛輪。 --- # 35. Vanity Growth 定義： $$ VG = G_H-G_C^\prime, $$ 其中： $$ G_C^\prime $$ 是經標準化後 capability growth。 如果： $$ VG\gg0, $$ 表示表面成長遠快於能力成長。 這不代表造假。 可能只是： - paid acquisition； - low retention； - low information density； - duplicate worlds。 --- # 36. Capability-Producing User 本文提出： $$ CPU_u $$ 不是 Central Processing Unit， 而是： **Capability-Producing User**。 使用者 $u$ 若滿足： $$ \Delta Q_M(u)>0, $$ 則是 capability-producing user。 平台真正想最大化的可能不是： $$ MAU, $$ 而是： $$ \boxed{ MAU_{CPU}. } $$ --- # 37. Capability-Producing Session 同理： $$ CPS_s $$ 為 capability-producing session。 若 session 只是： $$ \text{idle}, $$ 則： $$ CPS_s=0. $$ 若產生新策略、新世界互動或高價值修正： $$ CPS_s>0. $$ --- # 38. Capability-Producing Play Rate 定義： $$ CPR = \frac{ N_{\mathrm{capability-producing\ plays}} }{ N_{\mathrm{plays}} }. $$ 這個指標可能比： $$ \text{SignificantPlayRate} $$ 更接近模型公司真正需要的東西。 --- # 39. Model-Need Weighting 並非所有資料在所有時期都同樣重要。 若模型目前最弱： $$ q_{\mathrm{long-horizon}}, $$ 則長時世界資料權重應： $$ w_{\mathrm{long}}\uparrow. $$ 若最弱： $$ q_{\mathrm{visual}}, $$ 則視覺互動資料更重要。 所以： $$ Y_{\mathrm{eff}} $$ 應乘： $$ w_{\mathrm{need}}. $$ --- # 40. Weighted Effective Yield 完整： $$ \boxed{ Y_{\mathrm{eff}}^\star = N_R \cdot q \cdot d \cdot a \cdot n \cdot c \cdot w_{\mathrm{need}}. } $$ 這使資料價值變成： $$ \text{Model-State Dependent}. $$ --- # 41. Saturation 資料類型 $D_i$ 的價值： $$ V(D_i) $$ 通常有： $$ \frac{dV}{dN}>0, $$ 但： $$ \frac{d^2V}{dN^2}<0. $$ 即邊際收益遞減。 所以同一玩法資料持續增加： $$ N_i\rightarrow\infty $$ 不會無限增加能力。 --- # 42. Exploration Value 未知世界： $$ W_{\mathrm{new}} $$ 可能當下 engagement 低， 但其： $$ n $$ 很高。 因此對模型： $$ V_{\mathrm{model}}(W_{\mathrm{new}}) $$ 可能高。 這與 GIAW-04 的 diversity budget 直接相連。 --- # 43. Recommendation Objective 的雙目標 傳統推薦： $$ \max J_{\mathrm{user}}. $$ 模型平台可能需要： $$ \boxed{ \max \left( J_{\mathrm{user}} + \lambda J_{\mathrm{learning}} \right). } $$ 其中： $$ J_{\mathrm{learning}} $$ 表示預期能力增益。 但： $$ \lambda $$ 不能太高， 否則使用者變成實驗對象而產品體驗下降。 --- # 44. Learning Externality 某次推薦： $$ R(G,u) $$ 除了當前 utility： $$ U_t, $$ 還產生未來模型價值： $$ L_{t+1}. $$ 所以： $$ V_R = U_t+\lambda L_{t+1}. $$ 這是 AI-native recommender 與一般 recommender 的新差異。 --- # 45. Ethical Constraint 即使： $$ L_{t+1} $$ 很高， 平台也不能無限犧牲： $$ U_t. $$ 因此： $$ \boxed{ J = U_t + \lambda L_{t+1} - \mu H_{\mathrm{harm}}. } $$ 其中： $$ H_{\mathrm{harm}} $$ 包括： - manipulation； - dark pattern； - hidden experimentation； - privacy harm。 --- # 46. Investor View 投資人可能觀察： $$ U_t, D_t,G_t,Q_t. $$ 其中： - $U_t$：users； - $D_t$：data； - $G_t$：growth； - $Q_t$：model capability。 估值可概念化： $$ V_{\mathrm{firm}} = f( U_t, D_t, Q_t, g_U, g_Q, N, M ). $$ 其中： - $N$：network effect； - $M$：market option value。 --- # 47. Growth Rate vs Level 平台 A： $$ Q_A=80, $$ $$ g_A=1. $$ 平台 B： $$ Q_B=50, $$ $$ g_B=10. $$ 投資人可能更重視 B， 因為： $$ g_B\gg g_A. $$ 所以： $$ \boxed{ \text{Slope can matter more than state}. } $$ --- # 48. Second Derivative 甚至可看： $$ a_M = \frac{d^2Q_M}{dt^2}. $$ 如果： $$ a_M>0, $$ 表示模型增長在加速。 這更接近真正 data flywheel。 若： $$ a_M<0, $$ 可能代表： - saturation； - data redundancy； - model ceiling。 --- # 49. Flywheel Test 真正飛輪應滿足： $$ Q_{t+1}>Q_t, $$ 導致： $$ U_{t+1}>U_t, $$ 進而： $$ D_{t+1}>D_t, $$ 再： $$ Q_{t+2}-Q_{t+1} > Q_{t+1}-Q_t. $$ 即： $$ \boxed{ \frac{d^2Q}{dt^2}>0 } $$ 至少在某一階段成立。 --- # 50. Pseudo-Flywheel 若： $$ U\uparrow, $$ $$ D\uparrow, $$ 但： $$ Q_M\approx \text{constant}, $$ 那不是模型飛輪。 只是： $$ \boxed{ \text{Traffic Flywheel}. } $$ 或者： $$ \boxed{ \text{Content Flywheel}. } $$ 不能混稱。 --- # 51. Data Flywheel vs Model Flywheel Data Flywheel： $$ U \rightarrow D \rightarrow \text{MoreD}. $$ Model Flywheel： $$ D \rightarrow Q_M \rightarrow \text{BetterProduct} \rightarrow \text{MoreU} \rightarrow \text{MoreD}. $$ 只有後者： $$ \boxed{ \text{Capability Loop Closed}. } $$ --- # 52. Better Product 的可觀測證據 如果： $$ Q_M\uparrow, $$ 應該在產品看到： - generation success 提升； - repair success 提升； - runtime quality 提升； - user satisfaction 提升； - creation time 下降； - world diversity 增加。 若完全看不到， 則： $$ \Delta Q_M $$ 的實際產品價值值得懷疑。 --- # 53. Model Gain Attribution 模型可能同時由： - platform data； - public data； - synthetic data； - third-party model； - architecture change； 提升。 所以： $$ \Delta Q_M $$ 不能自動歸因於平台資料。 需要： $$ \boxed{ \text{Attribution Experiment}. } $$ --- # 54. Data Ablation 建立： $$ M_A $$ 使用平台資料。 $$ M_B $$ 不使用。 比較： $$ \Delta Q = Q(M_A)-Q(M_B). $$ 這是驗證： $$ V_D $$ 最直接的方法之一。 --- # 55. Counterfactual Data Value 資料真正價值： $$ V_D = Q(M\mid D) - Q(M\mid \neg D). $$ 如果： $$ V_D\approx0, $$ 再多互動都不構成真正護城河。 --- # 56. Exclusivity 資料如果只有該平台擁有： $$ E_D\uparrow. $$ 則戰略價值上升。 如果競爭者很容易： - synthetic replicate； - scrape； - generate； 則： $$ E_D\downarrow. $$ 所以： $$ \boxed{ \text{Unique Data} > \text{Large Commodity Data}. } $$ 在某些情況成立。 --- # 57. Human Causality Advantage 人工世界資料一個可能優勢是： $$ (S_t,A_t,S_{t+1}) $$ 具有明確 action label。 相較： $$ \text{Video}_t\rightarrow \text{Video}_{t+1}, $$ 其： $$ \text{CausalIdentifiability} $$ 可能更高。 因此資料護城河不只在量， 而在： $$ \boxed{ \text{Structural Observability}. } $$ --- # 58. Creator Intent Advantage 同時存在： $$ \text{Intent} \rightarrow \text{World} $$ 使平台獲得： $$ \text{Constructional Supervision}. $$ 若再有： $$ \text{World} \rightarrow \text{PlayerTrajectory}, $$ 則形成： $$ \boxed{ \text{Intent} \rightarrow \text{World} \rightarrow \text{Outcome}. } $$ 這種資料結構可能比單純 UGC 更有價值。 --- # 59. Model Growth Moat 真正護城河可寫： $$ \text{Moat} = \text{DataUniqueness} \times \text{ConversionEfficiency} \times \text{Distribution} \times \text{IterationSpeed}. $$ 如果任何一項接近零： $$ \text{Moat}\downarrow. $$ 所以： $$ \text{Users} $$ 不是護城河本身。 --- # 60. Paid Growth Trap 若： $$ CAC_U\uparrow, $$ $$ \text{Retention}\downarrow, $$ 平台需要持續： $$ \text{Spend}\uparrow $$ 維持： $$ MAU. $$ 形成： $$ \boxed{ \text{Paid Growth Trap}. } $$ 即使： $$ MAU $$ 維持高位， 其 organic engine 弱。 --- # 61. Capability Paid Growth Trap 更深一層： 如果 paid users 產生的資料： $$ Y_P $$ 高度低質， 那： $$ CAC_Q $$ 非常高。 此時： $$ \boxed{ \text{Paid Acquisition} } $$ 既沒有高： $$ LTV_{\mathrm{revenue}}, $$ 也沒有高： $$ LTV_{\mathrm{data}}. $$ 這是最差狀態。 --- # 62. Healthy Paid Acquisition 相反，若： $$ CAC_U 每個月活使用者到底貢獻多少有效學習資料？ 兩平台同樣： $$ 5M\ MAU, $$ 但： $$ Y_{MAU}^{A} \gg Y_{MAU}^{B} $$ 可能成立。 --- # 65. Model Gain per MAU 更進一步： $$ Q_{MAU} = \frac{\Delta Q_M}{MAU}. $$ 如果： $$ MAU\uparrow $$ 但： $$ Q_{MAU}\downarrow, $$ 平台使用者成長的邊際模型價值正在下降。 --- # 66. Model Gain per Play 同理： $$ Q_{\mathrm{play}} = \frac{\Delta Q_M}{N_{\mathrm{plays}}}. $$ 如果： $$ Q_{\mathrm{play}}\rightarrow0, $$ 表示 play count 越來越像 vanity metric。 --- # 67. Retention-Weighted MAU 傳統： $$ MAU. $$ 可以修正： $$ MAU_R = \sum_u w(R_u). $$ 其中高 D30： $$ w\uparrow. $$ 但模型公司還應再乘： $$ Y_u. $$ 所以： $$ \boxed{ MAU^\star = \sum_u w(R_u)Y_u. } $$ --- # 68. Capability-Weighted MAU 定義： $$ \boxed{ CWMAU = \sum_{u\in MAU} \Delta Q_M(u). } $$ 實務無法精確計算每個人， 但可用 cohort proxy。 這比原始： $$ MAU $$ 更接近模型經濟。 --- # 69. Cohort Analysis 應比較不同 acquisition cohort： $$ C_1,C_2,\ldots. $$ 測： - retention； - world diversity； - interaction density； - creator conversion； - model-relevant yield。 而不是只看總 MAU。 --- # 70. Cohort Capability Curve 定義 cohort $c$： $$ Y_c(t). $$ 如果： $$ Y_c(t) $$ 快速衰減， 表示使用者很快不再提供新信息。 如果長期： $$ Y_c(t)>0, $$ 表示 cohort 持續產生新能力資料。 --- # 71. Novelty Half-Life 定義： $$ T_{1/2}^{N} $$ 為 cohort 資料新穎度降到一半的時間。 短： $$ T_{1/2}^{N} $$ 代表： - 高重複； - 快速飽和。 長： $$ T_{1/2}^{N} $$ 代表使用者持續探索／創作新世界。 --- # 72. Growth Without Novelty 平台可以： $$ MAU\uparrow, $$ 但如果每個新 cohort 都做相同事情： $$ n\downarrow. $$ 所以： $$ \boxed{ \text{User Growth} \neq \text{Knowledge Frontier Growth}. } $$ --- # 73. Knowledge Frontier Expansion 定義平台已覆蓋人工世界空間： $$ \Omega_D^{(t)}. $$ 新增資料擴張： $$ \Delta\Omega_D = \Omega_D^{(t+1)} - \Omega_D^{(t)}. $$ 真正強的平台應： $$ \mu(\Delta\Omega_D)>0. $$ 而不只是： $$ N_D\uparrow. $$ --- # 74. Capability Frontier Expansion 模型能力可行域： $$ \Omega_M^{(t)}. $$ 更新後： $$ \Omega_M^{(t+1)}. $$ 若： $$ \Omega_M^{(t+1)} \supset \Omega_M^{(t)}, $$ 才是真正 frontier expansion。 因此： $$ \boxed{ \text{Best Growth Metric} \approx \Delta\Omega_M. } $$ --- # 75. Model Growth Dashboard 理想 dashboard 不只顯示： - MAU； - plays； - creators。 還應顯示： $$ Y_{\mathrm{eff}}, $$ $$ D_W, $$ $$ GQR, $$ $$ MGE, $$ $$ CAC_Q, $$ $$ \Delta Q_M, $$ $$ \Delta\Omega_M. $$ --- # 76. Investor Due Diligence Questions 對 AI-native 互動平台，應問： 1. Plays 的最小定義是什麼？ 2. Significant interaction 如何定義？ 3. DAU/MAU 是自然還是 paid？ 4. D1/D7/D30 retention？ 5. creator 與 player cohort 是否分開？ 6. 世界多樣性是否增加？ 7. 資料如何進入模型？ 8. 有無 ablation 證明資料有效？ 9. 模型能力是否隨資料規模提升？ 10. paid acquisition 對模型增益的 ROI？ 11. 多少資料可合法用於訓練？ 12. 模型提升是否回流產品？ --- # 77. 投資估值的錯誤捷徑 錯誤： $$ MAU\uparrow \Rightarrow \text{Valuation}\uparrow $$ 沒有中介。 更完整： $$ MAU \rightarrow Y_{\mathrm{eff}} \rightarrow \Delta Q_M \rightarrow \text{ProductGain} \rightarrow \text{FutureCashflow/StrategicValue}. $$ 中間任一步失效， $$ MAU $$ 的估值意義下降。 --- # 78. Strategic Value 即使短期： $$ \text{Revenue}\approx0, $$ 若： $$ \Delta Q_M\gg0, $$ 且模型具有： - licensing； - API； - cross-domain use； - acquisition value； 則： $$ \text{StrategicValue} $$ 仍可能很高。 所以： $$ \boxed{ \text{Low Revenue} \neq \text{Low Enterprise Value}. } $$ --- # 79. 但 Capability Narrative 不能免驗證 反過來： > 「我們有很多資料，所以未來模型會很強。」 不夠。 必須證明： $$ D \rightarrow Q_M. $$ 如果沒有： $$ \boxed{ \text{Measured Capability Gain}, } $$ 資料飛輪只能算 hypothesis。 --- # 80. Minimum Evidence for Model Flywheel 至少需要： 1. data lineage； 2. training eligibility； 3. dataset quality audit； 4. model ablation； 5. benchmark gain； 6. product gain； 7. cohort repeatability。 即： $$ \boxed{ \text{Data} \rightarrow \text{Training} \rightarrow \text{Capability} \rightarrow \text{Product} } $$ 四層證據。 --- # 81. Benchmark Leakage Problem 若 benchmark： $$ B $$ 與訓練資料高度重疊， $$ \Delta Q_B $$ 可能虛高。 因此模型飛輪驗證需： - held-out worlds； - unseen mechanics； - unseen creator intents； - OOD player behavior。 --- # 82. World-Generalization Benchmark 可以建立： $$ B_W = \{ W_{\mathrm{seen}}, W_{\mathrm{near}}, W_{\mathrm{novel}} \}. $$ 測： - state prediction； - planning； - generation； - repair； - preference prediction。 若只在： $$ W_{\mathrm{seen}} $$ 提升， 不是 robust world-model gain。 --- # 83. Creator-Generalization Benchmark 測： $$ I_{\mathrm{new}} $$ 新型 creator intent。 模型能否： $$ I_{\mathrm{new}} \rightarrow W_{\mathrm{valid}}. $$ 這比 memorizing common template 更重要。 --- # 84. Behavioral-Generalization Benchmark 在未見玩家策略： $$ \pi_{\mathrm{new}} $$ 下， 模型是否能預測： $$ S_{t+1} $$ 與： $$ \text{Outcome}. $$ 這是玩家軌跡資料的真正價值測試。 --- # 85. Model Growth Decay 即使早期： $$ g_M>0, $$ 也可能逐漸： $$ g_M\rightarrow0. $$ 原因： - model saturation； - data redundancy； - architecture ceiling； - runtime ceiling。 所以投資人不能只看早期斜率。 --- # 86. Structural Break 若平台升級： - Runtime； - model architecture； - world IR； 可能使： $$ g_M $$ 重新上升。 因此： $$ g_M(t) $$ 可能不是平滑曲線， 而是： $$ \boxed{ \text{piecewise capability acceleration}. } $$ --- # 87. Capability Compounding 若模型提升後： $$ Q_M\uparrow $$ 能生成更複雜： $$ W\uparrow, $$ 則資料多樣性： $$ D_W\uparrow. $$ 再讓： $$ Q_M\uparrow. $$ 形成真正： $$ \boxed{ \text{Capability Compounding}. } $$ --- # 88. 但 Runtime 必須同步擴張 GIAW-05 已指出： $$ Q_{\mathrm{effective}} = \min( Q_M, Q_R, Q_T ). $$ 所以若： $$ Q_M\uparrow $$ 但： $$ Q_R $$ 不變， 則： $$ g_{\mathrm{effective}}\rightarrow0. $$ 模型能力被 infrastructure 卡死。 --- # 89. Investor Growth Equation 本文提出概念式： $$ \boxed{ V_{\mathrm{future}} \propto U \cdot Y_{\mathrm{eff}} \cdot \eta_{D\rightarrow M} \cdot Q_{\mathrm{monetize}} \cdot N_{\mathrm{moat}}. } $$ 其中： - $U$：使用者規模； - $Y_{\mathrm{eff}}$：每使用者有效資料收益； - $\eta_{D\rightarrow M}$：資料轉能力效率； - $Q_{\mathrm{monetize}}$：能力商業化能力； - $N_{\mathrm{moat}}$：護城河。 任何一項接近零， 估值論述都會變弱。 --- # 90. Headline Growth 可以是真的，仍然沒那麼值錢 這是本文重要結論。 一個平台可以完全真實地擁有： $$ \text{Millions of MAU}, $$ $$ \text{Hundreds of Millions of Plays}, $$ 但如果： $$ Y_{\mathrm{eff}}\ll1, $$ 或： $$ \eta_{D\rightarrow M}\ll1, $$ 則模型價值仍可能低。 因此： $$ \boxed{ \text{Real Metric} \neq \text{High Economic Meaning}. } $$ --- # 91. 反過來，小平台也可能很值錢 若： $$ MAU $$ 不高， 但每個使用者產生： $$ Y_{\mathrm{eff}}\gg1, $$ 且： $$ \eta_{D\rightarrow M}\gg1, $$ 則： $$ G_C $$ 仍可能很高。 例如： - 專業 simulation； - robotics； - scientific environments； - expert creators。 所以： $$ \boxed{ \text{Capability Density} } $$ 可能比： $$ \text{User Density} $$ 更重要。 --- # 92. Capability Density 定義： $$ CD = \frac{ \Delta Q_M }{ U }. $$ 或者： $$ CD_I = \frac{ \Delta Q_M }{ N_{\mathrm{interaction}} }. $$ 這衡量每個使用者／互動帶來多少能力。 --- # 93. Revenue Density 與 Capability Density 平台可以有： $$ RD = \frac{\text{Revenue}}{MAU} $$ 與： $$ CD = \frac{\Delta Q_M}{MAU}. $$ 傳統平台最大化： $$ RD. $$ AI 研究平台可能先最大化： $$ CD. $$ 成熟後再提高： $$ RD. $$ --- # 94. Two-Stage Monetization 可能路徑： 第一階段： $$ \max CD. $$ 第二階段： $$ \max RD. $$ 也就是先： $$ \boxed{ \text{Accumulate Capability} } $$ 再： $$ \boxed{ \text{Monetize Capability}. } $$ 這可解釋某些平台早期低直接營收仍有高投資價值。 --- # 95. 三種平台本體 本文區分： ## Type A — Revenue Platform 核心： $$ \text{Revenue}. $$ --- ## Type B — Data Platform 核心： $$ D. $$ --- ## Type C — Capability Platform 核心： $$ Q_M. $$ 最成熟 AI-native 平台可能是： $$ \boxed{ A+B+C } $$ 混合。 --- # 96. 指標必須對齊平台本體 如果平台是 Type C， 卻只看： $$ MAU, \text{Revenue}, $$ 會低估／誤判。 反之， 如果平台實際只有： $$ \text{Traffic}, $$ 卻用「未來模型能力」敘事， 也會高估。 所以： $$ \boxed{ \text{Metric System} \rightarrow \text{Platform Ontology}. } $$ --- # 97. 可證偽命題 ## H1：Headline–Capability Divergence Hypothesis 若： $$ G_H\uparrow $$ 但： $$ G_C $$ 長期不增加， 則 headline growth 不能作為模型飛輪 proxy。 --- ## H2：Effective Yield Hypothesis 若使用： $$ Y_{\mathrm{eff}} $$ 比 raw plays 更能預測： $$ \Delta Q_M, $$ 則本文有效互動收益框架成立。 --- ## H3：Paid Acquisition Capability Hypothesis 若 paid cohort 與 organic cohort 在： $$ Y_{\mathrm{eff}} $$ 與： $$ \Delta Q_M $$ 無顯著差異， 則「paid traffic 一定低模型價值」的假設不成立。 --- ## H4：Data Saturation Hypothesis 若同類互動持續增加而： $$ \eta_{D\rightarrow M} $$ 不下降， 則資料邊際遞減低於本文預期。 --- ## H5：Runtime Bottleneck Hypothesis 若模型能力提升後，Runtime 不升級仍能顯著擴張： $$ \Omega_M, $$ 則 GIAW-05 的 Runtime bottleneck 影響較小。 --- # 98. 最小實驗 建立三類資料： $$ D_A: \text{high volume / low diversity}, $$ $$ D_B: \text{medium volume / high diversity}, $$ $$ D_C: \text{low volume / expert interaction}. $$ 控制： $$ \text{Compute}. $$ 訓練： $$ M_A,M_B,M_C. $$ 比較： $$ \Delta Q. $$ 如果： $$ Q_B>Q_A $$ 或： $$ Q_C>Q_A, $$ 表示 raw volume 不是主要決定因子。 --- # 99. 平台實驗 A/B： Route A： $$ \max \text{Engagement}. $$ Route B： $$ \max \text{Engagement}+\lambda \text{InformationGain}. $$ 長期比較： - retention； - world diversity； - model gain； - user satisfaction。 這能測： $$ \boxed{ \text{Learning-Aware Recommendation}. } $$ --- # 100. 投資 DD 最小儀表板 ```yaml platform_growth: mau: dau: paid_share: organic_share: retention: d1: d7: d30: interaction: raw_plays: meaningful_interactions: action_density: information_density: creators: active_creators: published_worlds: creator_retention: worlds: world_diversity: mechanic_entropy: runtime_complexity_frontier: data: effective_yield: training_eligible_share: novelty_half_life: model: benchmark_gain: ood_gain: generation_gain: repair_gain: world_prediction_gain: economics: user_cac: interaction_cac: capability_cac: model_growth_efficiency: ``` --- # 101. 與 GIAW-01 的連接 GIAW-01 提出： $$ \text{Game Surface} \neq \text{Underlying Productive Asset}. $$ 本文進一步指出： $$ \boxed{ \text{User Metric} \neq \text{Underlying Capability Metric}. } $$ 因此： $$ MAU $$ 只是 surface metric。 --- # 102. 與 GIAW-02 的連接 GIAW-02： $$ \mathcal D = \mathcal D_C \oplus \mathcal D_P. $$ 本文： $$ \boxed{ \mathcal D \rightarrow Y_{\mathrm{eff}} \rightarrow \Delta Q_M. } $$ 把資料結構轉成能力成長指標。 --- # 103. 與 GIAW-03 的連接 GIAW-03： $$ \text{CreatorFund} \rightarrow \text{DataFlywheelInvestment}. $$ 本文提供判斷： $$ ROI_{\mathrm{creator}} = \frac{\Delta Q_M}{\text{CreatorFund}}. $$ 如果： $$ ROI_{\mathrm{creator}}\le0, $$ 則 Creator Fund 的模型投資論述失效。 --- # 104. 與 GIAW-04 的連接 推薦器決定： $$ D_{\mathrm{future}}. $$ 因此推薦系統不只影響： $$ \text{Engagement}, $$ 還影響： $$ Y_{\mathrm{eff}}. $$ 所以： $$ \boxed{ \text{Recommendation Policy} \rightarrow \text{Model Growth Rate}. } $$ --- # 105. 與 GIAW-05 的連接 Runtime 限制： $$ \Omega_{\mathrm{run}} $$ 決定資料世界的可達域。 因此： $$ \Omega_{\mathrm{run}}\downarrow \Rightarrow D_W\downarrow \Rightarrow Y_{\mathrm{eff}}\downarrow. $$ 所以 infrastructure 也是 model economics 的一部分。 --- # 106. 核心命題 本文最終提出： $$ \boxed{ \text{The true growth rate of an AI-native interactive platform may be the rate at which human interaction expands model capability.} } $$ 中文： > **AI 原生互動平台真正值得關注的成長率，可能不是使用者數成長率，而是人類互動能以多快速度轉換成模型能力增長。** 即： $$ \boxed{ g_{\mathrm{true}} \approx \frac{dQ_M}{dt}. } $$ --- # 107. 最終結論 平台可以擁有： $$ MAU\uparrow, $$ $$ Plays\uparrow, $$ $$ WorldsCreated\uparrow, $$ 卻仍然： $$ \Delta Q_M\approx0. $$ 因此： $$ \boxed{ \text{Scale without learning is not a model flywheel.} } $$ 反過來， 一個平台即使： $$ MAU $$ 尚小， 但： $$ Y_{\mathrm{eff}}\uparrow, $$ $$ \eta_{D\rightarrow M}\uparrow, $$ $$ \Delta Q_M\uparrow, $$ 則可能具有更高長期 AI 價值。 因此 AI-native 平台分析需要從： $$ \text{How many users?} $$ 升級為： $$ \boxed{ \text{How much new capability does each marginal user, creator, world, and interaction actually create?} } $$ 這才是真正把： $$ \text{consumer growth} $$ 與： $$ \text{model growth} $$ 統一起來的問題。 --- # 108. 對最終篇的接口 GIAW-07 將收束整個系列。 前六篇已建立： $$ \text{CreatorIntent} \rightarrow \text{ArtificialWorld} \rightarrow \text{PlayerTrajectory} \rightarrow \text{EffectiveData} \rightarrow \text{ModelGain}. $$ 最終篇將正式提出： $$ \boxed{ AI_t \rightarrow World_t \rightarrow Human/AIInteraction_t \rightarrow Data_t \rightarrow AI_{t+1} } $$ 並分析當： $$ AI_{t+1} $$ 又能生成比： $$ AI_t $$ 更複雜的新世界時， 是否形成： $$ \boxed{ \text{Self-Expanding Artificial-World Capability Loop}. } $$ 那將把整個系列重新接回： - 遊戲本體論； - 遊戲即人工世界； - Controlled World-Model Laboratory； - Agent Game； - Capability Compilation； - AI 自生成環境； - 開放式能力成長。 --- # 附錄 A：Growth Quality Matrix ```yaml growth_quality: headline_growth: mau_growth: play_growth: creator_growth: world_growth: capability_growth: effective_data_growth: model_gain: world_diversity_gain: ood_gain: ratios: growth_quality_ratio: data_yield_per_mau: model_gain_per_mau: model_gain_per_play: ``` --- # 附錄 B：Effective Interaction Yield ```yaml effective_interaction_yield: raw_interactions: quality: diversity: alignment: novelty: compliance: model_need_weight: effective_yield: ``` --- # 附錄 C：Model Growth Economics ```yaml model_growth_economics: costs: creator_acquisition: player_acquisition: inference: storage: training: evaluation: capability: benchmark_delta: ood_delta: product_delta: metrics: capability_cac: model_growth_efficiency: data_to_capability_conversion: ``` --- # 附錄 D：投資判斷最小鏈 ```text Users ↓ Effective Interactions ↓ Effective Data Yield ↓ Measured Model Gain ↓ Product Improvement ↓ Organic Retention / Strategic Value ↓ Enterprise Value ``` 如果任一箭頭不能被證明： ```text Growth Narrative ≠ Closed Model Flywheel ``` --- # 附錄 E：一句話版本 > **對 AI 原生互動平台而言，MAU、播放數與作品數只是表面活動量；真正決定長期價值的是這些活動能否以可驗證、可持續的效率轉換為新的模型能力。**