# 雙側資料生產：Creator Intent 與 Player Trajectory ## Dual-Sided Data Production: Creator Intent and Player Trajectory in Generative Interactive Platforms **系列**：生成式互動平台與人工世界資料飛輪，第 2 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-2026-02-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**：2026-09-12 **性質**：AI Platform Theory／Artificial Worlds／World Models／Human-AI Interaction／Data Flywheel **狀態**：Public Theory Draft **直接前置**：GIAW-01《生成式互動平台不是遊戲平台》；遊戲本體論系列；AGPL Series；ECGC Series **後續接口**：GIAW-03《反轉的創作者經濟》；GIAW-04《推薦函數即遊戲設計者》 --- ## 摘要 生成式互動平台通常被表面理解為「使用者輸入想法，AI 生成遊戲，玩家再進入遊玩」的內容生產平台。然而，若平台能完整觀測創作者的生成、修改與拒絕過程，同時又能觀測玩家在人工世界中的狀態、行動、結果與留存行為，則平台實際產生的並不只是遊戲內容，而是兩套具有不同統計性質、語義層級與訓練價值的資料流。 本文提出「雙側資料生產」（Dual-Sided Data Production）框架，將生成式互動平台中的資料來源分為： $$ \mathcal D_C = \text{Creator-Side Intent Data} $$ 與 $$ \mathcal D_P = \text{Player-Side Trajectory Data}. $$ 創作者側資料描述「人類想要什麼世界、如何修正 AI 生成結果、哪些結果被接受或拒絕」；玩家側資料則描述「在已生成世界中，人類看見什麼、做了什麼、世界如何轉移、何時產生回饋、何時離開或重試」。兩者分別對應： $$ \boxed{ \text{Intent} \rightarrow \text{World Construction} } $$ 與 $$ \boxed{ \text{World State} + \text{Action} \rightarrow \text{Consequence} } $$ 當兩側資料被同一平台串接後，即形成一個過去傳統遊戲平台較少擁有的閉環：模型不只觀察「玩家如何玩」，也能觀察「世界最初是如何被要求、生成、修改與接受」。因此，生成式互動平台可能逐步形成一種以人工世界為中介的人類意圖—世界結構—行動軌跡聯合資料層。 本文不假設任何單一平台已完成此閉環，也不主張所有蒐集資料都具有足夠品質或可合法用於訓練。本文的目標是建立一套可檢驗框架，分析何種資料真正具有模型價值、何種資料只是噪聲、何時雙側資料會形成可持續的 AI 成長飛輪，以及這種飛輪會產生哪些新的經濟與治理問題。 **關鍵詞**：生成式互動平台、雙側資料生產、Creator Intent、Player Trajectory、Artificial World、World Model、Action-Conditioned Data、Preference Learning、Human-AI Interaction、Data Flywheel --- # 1. 問題提出：遊戲內容不是唯一產物 傳統遊戲平台的核心資料物件通常是： $$ \mathcal G = \{ G_1,G_2,\ldots,G_n \}, $$ 其中每個 $G_i$ 是一個已完成或至少可執行的遊戲。 平台主要管理： - 遊戲檔案； - 商店頁面； - 玩家帳號； - 購買紀錄； - 遊玩時間； - 成就； - 社群資料； - 評價； - 部分遙測資料。 然而，在生成式互動平台中，一個遊戲不再只是最終檔案，而可能是一條生成歷史： $$ G_i = \left( I_0, P_1, W_1, E_1, P_2, W_2, E_2, \ldots, W_k \right), $$ 其中： - $I_0$：最初意圖； - $P_t$：第 $t$ 次 prompt、自然語言指令或其他輸入； - $W_t$：第 $t$ 次生成的世界／程式／資產狀態； - $E_t$：創作者對結果的編輯、接受、拒絕、回退或補充； - $W_k$：最終發布版本。 因此，平台獲得的不是單一： $$ \text{Final Game}, $$ 而是一條： $$ \text{Intent} \rightarrow \text{Generation} \rightarrow \text{Evaluation} \rightarrow \text{Revision} \rightarrow \text{Publication} $$ 的演化軌跡。 同一時間，玩家也不是只提供「下載」或「遊玩時間」，而是在可觀測人工世界中形成： $$ \tau = ( S_0,O_0,A_0,S_1,O_1,A_1,\ldots,S_T ), $$ 其中： - $S_t$：世界真實或近似狀態； - $O_t$：玩家在 $t$ 時刻可見的觀測； - $A_t$：玩家行動； - $S_{t+1}$：行動後世界狀態； - $T$：episode 長度。 這形成了第二條資料軌跡。 因此本文的第一個核心命題是： $$ \boxed{ \text{Generative Interactive Platform} \neq \text{Content Repository}. } $$ 更準確地說： $$ \boxed{ \text{Platform Output} = \text{Content} + \text{Creator-Side Data} + \text{Player-Side Data}. } $$ --- # 2. 雙側資料生產框架 定義一個生成式互動平台： $$ \mathcal P = ( \mathcal C, \mathcal W, \mathcal U, \mathcal M, \mathcal R ), $$ 其中： - $\mathcal C$：創作者集合； - $\mathcal W$：人工世界集合； - $\mathcal U$：玩家／使用者集合； - $\mathcal M$：生成、推薦、世界模型與分析模型集合； - $\mathcal R$：平台 runtime 與規則。 平台同時產生兩組主要資料： $$ \mathcal D = \mathcal D_C \oplus \mathcal D_P. $$ 其中： $$ \mathcal D_C = \{ d^C_1,d^C_2,\ldots \} $$ 為創作者側資料； $$ \mathcal D_P = \{ d^P_1,d^P_2,\ldots \} $$ 為玩家側資料。 兩者的語義並不同。 創作者側主要回答： > 「人想建構什麼？」 玩家側主要回答： > 「人在一個既定世界中實際如何行動？」 因此： $$ \boxed{ \mathcal D_C \text{ encodes constructional preference,} } $$ 而： $$ \boxed{ \mathcal D_P \text{ encodes behavioral preference and interaction dynamics.} } $$ 只有將兩者區分後，才能正確分析平台的訓練價值。 --- # 3. Creator-Side Intent Data ## 3.1 創作者不是只提供 prompt 將單一創作者工作階段表示為： $$ \sigma_C = ( I, Q, G, R, A, X ), $$ 其中： - $I$：原始創作意圖； - $Q$：指令序列； - $G$：生成結果序列； - $R$：修訂操作； - $A$：接受／拒絕訊號； - $X$：最終發布或放棄狀態。 因此，創作者側資料不是： $$ \text{Prompt} \rightarrow \text{Game} $$ 這麼簡單。 更接近： $$ I_0 \rightarrow G_1 \rightarrow R_1 \rightarrow G_2 \rightarrow R_2 \rightarrow \cdots \rightarrow G_n. $$ 每一次修訂都隱含了比較： $$ G_t \prec G_{t+1} $$ 或至少： $$ G_t \notin \mathcal A_{\text{creator}}, $$ 其中 $\mathcal A_{\text{creator}}$ 是創作者願意接受的結果集合。 這使 revision history 成為隱性的 preference data。 --- ## 3.2 Prompt 並不是完整意圖 自然語言 prompt 通常只是人類意圖的一個投影： $$ P = \Pi_L(I), $$ 其中： - $I$：高維創作意圖； - $\Pi_L$：語言投影； - $P$：文字指令。 因此： $$ P \neq I. $$ 創作者後續修訂： $$ R_1,R_2,\ldots,R_n $$ 其實是在補回一部分沒有被最初 prompt 完整表達的意圖。 若平台只保存第一個 prompt 與最終遊戲，它看到的是： $$ P_0 \rightarrow G_f. $$ 若平台保留完整生成與修訂歷史，它得到的則是： $$ I \approx \{ P_0, R_1, R_2,\ldots,R_n, A \}. $$ 因此，對模型而言： $$ \boxed{ \text{Revision Trace} > \text{Initial Prompt Alone} } $$ 在許多任務中可能具有更高的 supervision density。 --- # 4. Creator Data 的細分 創作者資料至少可以拆成六類。 ## 4.1 Intent Declaration Data 例如： - 題材； - 玩法； - 美術風格； - 難度； - 節奏； - 角色； - 世界規則； - 互動形式； - 裝置限制。 記為： $$ D_{\text{intent}}. $$ --- ## 4.2 Construction Data AI 如何把意圖轉成： - code； - scene graph； - sprites； - animation； - level； - rules； - UI； - audio； - state machine。 記為： $$ D_{\text{construct}}. $$ --- ## 4.3 Revision Data 創作者指出： - 太慢； - 太難； - 不夠爽； - 不符合世界觀； - 美術錯； - UI 錯； - lag； - 關卡不合理； - 玩家看不懂； - 系統互相衝突。 記為： $$ D_{\text{revise}}. $$ --- ## 4.4 Acceptance Data 包括： $$ \text{Accept}, \text{Reject}, \text{Retry}, \text{Undo}, \text{Publish}, \text{Abandon}. $$ 記為： $$ D_{\text{accept}}. $$ --- ## 4.5 Structural Edit Data 若平台允許直接修改 code、graph、parameter、asset 或 rule，則可得到： $$ D_{\text{struct-edit}}. $$ 這比純語言修訂具有更高結構性。 --- ## 4.6 Creator Outcome Data 最終作品是否： - 發布； - 被再次修改； - 被複製； - 被分享； - 被刪除； - 產生玩家； - 形成後續版本。 記為： $$ D_{\text{creator-outcome}}. $$ 因此完整創作者資料可寫為： $$ \mathcal D_C = D_{\text{intent}} \oplus D_{\text{construct}} \oplus D_{\text{revise}} \oplus D_{\text{accept}} \oplus D_{\text{struct-edit}} \oplus D_{\text{creator-outcome}}. $$ --- # 5. Player-Side Trajectory Data 玩家端與創作者端的本體完全不同。 玩家通常不告訴平台： > 「我認為這款遊戲的狀態轉移函數應該改成什麼。」 玩家提供的是實際行動。 對單一 episode，可表示為： $$ \tau_P = ( S_t, O_t, A_t, R_t, S_{t+1} )_{t=0}^{T-1}. $$ 其中 $R_t$ 不必只是遊戲內 reward，也可以包含： - 得分； - 死亡； - 成功； - retry； - pause； - quit； - restart； - share； - like； - follow； - return。 這使玩家資料具有 action-conditioned 性質。 --- # 6. 玩家資料不是「停留時間」而已 若平台只看： $$ T_{\text{session}}, $$ 則很難區分： - 玩家正在認真玩； - 玩家發呆； - 玩家卡住； - 玩家離開裝置； - 玩家看不懂； - 玩家故意等待； - 遊戲 lag。 因此真正高價值玩家資料應至少包含： $$ \mathcal D_P = D_{\text{obs}} \oplus D_{\text{action}} \oplus D_{\text{transition}} \oplus D_{\text{reward}} \oplus D_{\text{termination}} \oplus D_{\text{return}}. $$ 其中： - $D_{\text{obs}}$：玩家可見資訊； - $D_{\text{action}}$：玩家輸入； - $D_{\text{transition}}$：世界反應； - $D_{\text{reward}}$：局部回饋； - $D_{\text{termination}}$：退出或 episode 結束原因； - $D_{\text{return}}$：後續是否回來。 因此： $$ \boxed{ \text{Play Count} \ll \text{Trajectory Information} } $$ 在模型價值上通常成立。 --- # 7. 行動—後果資料的特殊價值 純影片資料通常提供： $$ X_t \rightarrow X_{t+1}. $$ 但它不一定知道造成轉移的 action。 人工世界可提供： $$ (S_t,A_t) \rightarrow S_{t+1}. $$ 因此模型可以更直接學習： $$ P(S_{t+1}\mid S_t,A_t). $$ 若存在多玩家與部分可觀測性，還可以延伸為： $$ P(S_{t+1}\mid S_t,A_t^1,\ldots,A_t^n,\Omega_t). $$ 其中 $\Omega_t$ 表示： - 隨機事件； - 環境噪聲； - 隱藏規則； - 其他 actor； - server-side dynamics。 這使遊戲／人工世界資料天然適合： - world model； - planning； - counterfactual prediction； - opponent modeling； - agent evaluation； - policy learning； - causal hypothesis testing。 --- # 8. Creator Side 與 Player Side 的第一次耦合 雙側資料真正有意思的地方，不是各自存在，而是可以對同一個人工世界對齊。 對世界 $W_i$，平台可能同時擁有： $$ C_i = \text{Creator Trace}(W_i) $$ 與： $$ P_i = \{ \tau_{i1}, \tau_{i2}, \ldots, \tau_{im} \}. $$ 因此可形成： $$ Z_i = ( C_i, W_i, P_i ). $$ 這代表平台知道： 1. 這個世界最初被怎樣要求； 2. AI 怎樣生成； 3. 創作者怎樣修正； 4. 最後發布成什麼； 5. 玩家進入後做什麼； 6. 哪些地方讓玩家留下； 7. 哪些地方導致退出； 8. 哪些設計造成 retry； 9. 哪些版本比前版更有效。 這種資料比單純： $$ \text{Prompt} \rightarrow \text{Output} $$ 多了一層現實測試。 --- # 9. 從「生成正確」到「體驗有效」 生成模型通常可以被訓練成： $$ P(W\mid I). $$ 也就是： > 給定意圖 $I$，生成世界 $W$。 但生成式互動平台可以進一步估計： $$ P(Y\mid I,W,U), $$ 其中 $Y$ 可以是： - engagement； - retention； - completion； - retry； - enjoyment proxy； - frustration proxy； - share； - return。 因此平台的模型目標可以從： $$ \text{Intent Matching} $$ 升級為： $$ \text{Intent Matching} + \text{Experience Outcome Prediction}. $$ 更完整地： $$ P(W^\star\mid I,U) \propto P(W\mid I)\cdot P(Y^\star\mid W,U). $$ 其中 $W^\star$ 是對特定使用者或群體更可能產生期望體驗的人工世界。 這是 Experience Model 與一般 code/game generation model 的根本差異之一。 --- # 10. Preference Signal 的多層結構 玩家偏好不應被壓縮成單一： $$ \text{Like}=1,\quad \text{Dislike}=0. $$ 更合理的是： $$ P_u(W) = ( p_{\text{enter}}, p_{\text{continue}}, p_{\text{retry}}, p_{\text{return}}, p_{\text{share}}, p_{\text{create-related}}, \ldots ). $$ 同一玩家可能： - 願意點進去； - 不願意玩久； - 願意重試； - 不願意明天再回來。 因此： $$ \text{Preference} $$ 是多維向量，而不是單一數值。 此外： $$ \text{High Engagement} \not\Rightarrow \text{High Satisfaction}. $$ 例如： - 困惑； - exploit； - rage retry； - compulsive loop； - loading； - accidental idle。 都可能增加時間或操作量。 因此資料飛輪若只最大化 engagement，可能學到錯誤效用函數。 --- # 11. 雙側資料的互補性 創作者側與玩家側的價值不相同。 創作者資料回答： $$ \text{What should exist?} $$ 玩家資料回答： $$ \text{What happens when it exists?} $$ 前者偏向： - intention； - specification； - construction； - correction。 後者偏向： - behavior； - consequence； - interaction； - revealed preference。 兩者結合： $$ \boxed{ \text{Declared Preference} + \text{Revealed Preference} } $$ 形成較完整的人類—世界互動資料。 但兩者也可能衝突。 創作者說： > 「我想做一款高難度遊戲。」 玩家卻快速離開。 這不代表創作者錯，也不代表玩家錯，而可能表示： $$ \text{Objective}_{\text{creator}} \neq \text{Objective}_{\text{player}}. $$ 因此模型不能簡單把兩者平均。 --- # 12. Intent–Trajectory Alignment 本文提出 Intent–Trajectory Alignment： $$ \mathcal A_{IT} = \text{Align}( I_C, W, \tau_P, Y_P ). $$ 其中： - $I_C$：創作者意圖； - $W$：人工世界； - $\tau_P$：玩家軌跡； - $Y_P$：玩家結果。 研究問題變成： > 創作者想要的體驗，是否真的在玩家行為中出現？ 例如創作者想要： $$ I_C = \text{fast, satisfying, low-friction}. $$ 若玩家資料顯示： $$ T_{\text{first-action}}\uparrow, \quad \text{quit}_{30s}\uparrow, \quad \text{retry}\downarrow, $$ 則： $$ \mathcal A_{IT} $$ 偏低。 平台可以因此學習： $$ \text{Design Intention} \rightarrow \text{Behavioral Realization}. $$ 這是比單純生成 code 更高階的學習問題。 --- # 13. Revision–Outcome Causality 若一個世界有多版本： $$ W_1,W_2,\ldots,W_k, $$ 且每次修改都有對應玩家資料： $$ P_1,P_2,\ldots,P_k, $$ 則平台可以做準因果分析： $$ \Delta W_t \rightarrow \Delta Y_t. $$ 例如： $$ \Delta W_t = \text{Reduce tutorial length}, $$ 對應： $$ \Delta Y_t = \text{30s retention improvement}. $$ 或者： $$ \Delta W_t = \text{Add particles}, $$ 結果： $$ \Delta Y_t = \text{FPS decline} + \text{quit increase}. $$ 這比靜態資料集更接近： $$ \text{Intervention} \rightarrow \text{Outcome}. $$ 但必須注意： $$ \text{Correlation} \neq \text{Causation}. $$ 因為同時可能存在： - 推薦流量改變； - 玩家族群改變； - 時段改變； - 裝置差異； - 版本外的其他調整。 因此需要控制或隨機實驗。 --- # 14. 人工世界作為資料座標系 生成式互動平台的一個特殊優勢是： 每條資料都不必是無上下文 event。 它可以被綁定到： $$ W_i $$ 這個人工世界。 因此 event： $$ e_t $$ 可以擁有： $$ e_t = ( W_i, S_t, O_t, A_t, R_t, S_{t+1}, U_j ). $$ 世界本身提供： - 規則； - 空間； - 物件； - 任務； - 資源； - 行動約束； - 勝敗條件； - 因果結構。 這使資料天然具有結構背景。 因此： $$ \boxed{ \text{Artificial World} = \text{Data Coordinate System}. } $$ 遊戲不只是資料來源，也是一種把行為資料結構化的容器。 --- # 15. 玩家不是單純標註員 把玩家理解成： > 「替 AI 免費標資料的人」 過度簡化。 玩家真正提供的是： $$ \text{Closed-Loop Interaction}. $$ 他們不是對靜態答案打分，而是在世界中連續改變狀態。 因此： $$ A_t $$ 會改變： $$ S_{t+1}, $$ 而： $$ S_{t+1} $$ 又改變後續： $$ A_{t+1}. $$ 所以資料不是 IID label，而是： $$ \text{Path-Dependent Sequential Data}. $$ 這對 agent 與 world-model 訓練特別重要。 --- # 16. 創作者也不是單純內容供應商 同樣地，創作者不是只提供： $$ \text{Game Asset}. $$ 創作者提供： $$ \text{Intent Trace} + \text{Correction Trace} + \text{Design Judgment}. $$ 如果平台能保存這些過程，就能建立： $$ \text{Human Design Preference Dataset}. $$ 它可能包含： - 哪些生成結果被否定； - 哪些錯誤最常被修； - 哪些 prompt 容易產生錯誤； - 哪些設計模式被反覆要求； - 哪些 runtime 限制迫使創作者妥協； - 哪些視覺／玩法元素常被保留。 因此，平台的 creator base 本身也是模型演化來源。 --- # 17. 資料量與資料價值不能等同 定義原始資料量： $$ V_{\text{raw}}. $$ 有效資料量： $$ V_{\text{eff}} = V_{\text{raw}} \cdot q \cdot d \cdot a \cdot c, $$ 其中： - $q$：品質； - $d$：多樣性； - $a$：可對齊性； - $c$：可用性／合規性。 因此： $$ V_{\text{raw}}\uparrow $$ 不保證： $$ V_{\text{eff}}\uparrow. $$ 大量： - 重複模板； - accidental click； - idle session； - bot-like behavior； - 低變異玩法； - 相同 prompt； - 同質化創作者； 都可能使有效資訊量低於表面事件數。 --- # 18. Design-Space Diversity 若平台中的世界高度同質： $$ W_1\approx W_2\approx\cdots\approx W_n, $$ 那即使： $$ n\rightarrow\infty, $$ 有效資料多樣性仍可能很低。 定義人工世界多樣性： $$ D_W = D( \text{Rules}, \text{Mechanics}, \text{StateSpace}, \text{ActionSpace}, \text{Observation}, \text{Objectives}, \text{Aesthetics} ). $$ 若推薦演算法與 runtime 同時把創作者壓向相同局部最優： $$ D_W\downarrow. $$ 此時： $$ \text{More Games} \not\Rightarrow \text{More World Diversity}. $$ 這將直接影響世界模型的泛化價值。 這一點會在 GIAW-04 與 GIAW-05 進一步展開。 --- # 19. Creator–Player–Model 三角 生成式互動平台不應只畫成： $$ \text{Creator} \rightarrow \text{Game} \rightarrow \text{Player}. $$ 更完整的結構是： $$ \text{Creator} \leftrightarrow \text{Model} \leftrightarrow \text{World} \leftrightarrow \text{Player}. $$ 更具體： $$ \text{Creator} \rightarrow \text{Intent} \rightarrow \text{Model} \rightarrow \text{World} \rightarrow \text{Player} \rightarrow \text{Trajectory} \rightarrow \text{Model}. $$ 因此模型同時位於： - 世界生成之前； - 世界運行之中； - 世界評估之後。 這是典型的： $$ \boxed{ \text{Model-in-the-Loop Platform}. } $$ --- # 20. 雙側飛輪 本文定義最小雙側資料飛輪： $$ M_t \rightarrow W_t \rightarrow (C_t,P_t) \rightarrow D_t \rightarrow M_{t+1}. $$ 其中： - $M_t$：第 $t$ 代模型； - $W_t$：模型產生的人工世界； - $C_t$：創作者修訂； - $P_t$：玩家互動； - $D_t$：聯合資料； - $M_{t+1}$：更新模型。 若： $$ Q(M_{t+1})>Q(M_t), $$ 則形成正向能力成長。 但此飛輪只有在以下條件成立時才成立： $$ \Delta Q_M > 0. $$ 如果新增資料只是： - 更多相同類型的遊戲； - 更多低品質流量； - 更多短暫 novelty； - 更多演算法自我複製； 則： $$ \Delta Q_M \approx 0 $$ 甚至可能： $$ \Delta Q_M<0. $$ 因此「有飛輪」不等於「飛輪有效」。 --- # 21. 自我污染風險 若模型 $M_t$ 產生世界： $$ W_t=M_t(I), $$ 接著平台再用： $$ W_t $$ 所產生的資料訓練： $$ M_{t+1}, $$ 則可能出現 model-induced distribution collapse。 即： $$ M_t \rightarrow W_t \rightarrow D_t \rightarrow M_{t+1} $$ 中，資料分布本身受到舊模型限制。 如果舊模型只擅長： $$ \mathcal W_{\text{narrow}}, $$ 新資料也主要落在： $$ \mathcal W_{\text{narrow}}. $$ 最後： $$ M_{t+1} $$ 會更加擅長同一窄域，而非擴大能力。 因此需要： - human novelty； - external source； - cross-engine generation； - deliberate exploration； - counterfactual worlds； - synthetic diversity controls。 --- # 22. 雙側資料的反身性 平台推薦什麼，玩家就玩什麼。 玩家玩什麼，平台就得到什麼資料。 平台得到什麼資料，又影響模型學什麼。 因此： $$ \text{Recommendation}_t \rightarrow \text{Data}_t \rightarrow \text{Model}_{t+1} \rightarrow \text{Recommendation}_{t+1}. $$ 這形成： $$ \boxed{ \text{Data Reflexivity}. } $$ 所以資料不是被動反映「人類真正喜歡什麼」。 而是部分由平台先前的： - 推薦； - runtime； - 生成能力； - UI； - 商業規則； 共同塑造。 因此： $$ \text{ObservedPreference} \neq \text{LatentPreference}. $$ --- # 23. 三種偏好不能混在一起 至少應區分： ## 23.1 Declared Preference 人說： > 「我想要 X。」 記為： $$ P_D. $$ ## 23.2 Revealed Preference 人實際選擇： $$ P_R. $$ ## 23.3 Platform-Induced Preference 平台因推薦、摩擦、預設值而誘發的選擇： $$ P_I. $$ 觀察到的行為： $$ P_{\text{obs}} = f(P_D,P_R,P_I). $$ 若平台直接把： $$ P_{\text{obs}} $$ 當作真實人類效用函數，可能產生系統性錯誤。 --- # 24. 資料品質的最低條件 本文提出雙側資料有效性的最低條件。 ## Creator-Side 應能辨識： - 同一創作者 session； - prompt sequence； - revision order； - accepted／rejected branch； - final artifact； - version lineage。 ## Player-Side 應能辨識： - session； - world version； - state； - action； - timestamp； - termination reason； - device/runtime condition。 ## Cross-Side 應能對齊： $$ \text{CreatorTrace} \leftrightarrow \text{WorldVersion} \leftrightarrow \text{PlayerTrajectory}. $$ 如果版本對不起來，雙側資料價值大幅降低。 --- # 25. 資料治理不是附加問題 若平台建立： $$ \mathcal D_C \oplus \mathcal D_P, $$ 就必須回答： - 創作者是否知道 revision trace 被保存？ - 玩家是否知道 action trajectory 被保存？ - 是否用於模型訓練？ - 是否可退出？ - 是否可刪除？ - 作品權利如何處理？ - 私人 prompt 是否進入訓練？ - 未成年人資料如何治理？ - 商業機密是否可能被吸收？ - 創作者是否能區分「平台功能資料」與「模型訓練資料」？ 因此： $$ \text{Data Flywheel} $$ 必須伴隨： $$ \text{Data Governance}. $$ 否則： $$ \text{Model Capability Growth} $$ 可能與： $$ \text{Trust Decay} $$ 同時發生。 --- # 26. 可證偽命題 本文提出以下可證偽命題。 ## H1：Revision Trace Value Hypothesis 若保存完整 revision trace 的模型，在 intent-to-world 任務上未優於只看 initial prompt + final world 的模型，則： $$ D_{\text{revise}} $$ 的增量價值有限。 --- ## H2：Trajectory Value Hypothesis 若完整： $$ (S_t,A_t,S_{t+1}) $$ 資料對 world-model prediction 不優於單純 session time 與 aggregate metrics，則 action-conditioned trajectory 的訓練價值被高估。 --- ## H3：Cross-Side Alignment Hypothesis 若 Creator Intent 與 Player Trajectory 對齊後，無法改善： - experience prediction； - design correction； - world generation； - retention calibration； 則： $$ \mathcal D_C \oplus \mathcal D_P $$ 的聯合價值有限。 --- ## H4：Diversity Hypothesis 若世界數增加但 world diversity 不增加，模型 OOD 泛化不應顯著改善。 --- ## H5：Reflexivity Risk Hypothesis 若推薦與生成器過度收斂，則資料分布會出現： $$ \text{Entropy}(\mathcal D_{t+1}) < \text{Entropy}(\mathcal D_t). $$ 若長期觀測未出現此現象，則自我污染風險可能低於本文預期。 --- # 27. 與遊戲本體論的接口 遊戲本體論將人工世界表示為： $$ \mathcal W = \langle S,P,R,A,T,O,C,U,F,H,L \rangle. $$ 雙側資料框架進一步加入： $$ I_C $$ 與： $$ \tau_P. $$ 因此： $$ \mathcal W^\star = ( \mathcal W, I_C, \tau_P ). $$ 這使「遊戲本體論」從靜態世界結構，向： $$ \text{World} + \text{Construction History} + \text{Interaction History} $$ 擴展。 --- # 28. 與 AGPL 的接口 AGPL 把遊戲視為受控世界模型實驗室。 本文補充： 若平台不只控制世界，還能記錄： $$ \text{CreatorTrace} $$ 與： $$ \text{PlayerTrajectory}, $$ 則人工世界實驗室同時成為： $$ \boxed{ \text{World Construction Laboratory} + \text{Behavioral Interaction Laboratory}. } $$ 因此研究者不只測： > Agent 在世界中做什麼？ 還可以測： > 世界設計怎樣影響 Agent／Human 行為？ --- # 29. 與 Capability Compilation 的接口 Capability Compilation 關注： $$ S_t,A_t,R_t,Y_t $$ 與 replay。 本文補充來源： $$ \mathcal D_C $$ 可以提供： - task construction； - design objective； - correction criterion。 而： $$ \mathcal D_P $$ 可以提供： - behavior； - failure； - adaptation； - outcome。 因此未來能力編譯資料可形成： $$ \text{Intent} \rightarrow \text{World} \rightarrow \text{Behavior} \rightarrow \text{Outcome} \rightarrow \text{Operator Update}. $$ --- # 30. 生成式互動平台的真正資料單位 傳統平台常以： $$ \text{Game} $$ 作為基本單位。 本文主張，AI 原生互動平台更適合以： $$ \boxed{ \mathcal U_i = ( I_i, H_i^C, W_i, H_i^P, Y_i ) } $$ 為資料單位。 其中： - $I_i$：創作者意圖； - $H_i^C$：創作者生成／修訂歷史； - $W_i$：人工世界； - $H_i^P$：玩家互動歷史； - $Y_i$：結果。 這是一個： $$ \text{Intent–World–Trajectory Unit}. $$ 它比「一款遊戲」更接近 AI 模型可使用的資料結構。 --- # 31. 核心結論 本文將生成式互動平台中的資料生產重新定義為： $$ \boxed{ \mathcal D = \mathcal D_C \oplus \mathcal D_P. } $$ 其中： $$ \mathcal D_C : \text{Human Intent} \rightarrow \text{World Construction}, $$ 而： $$ \mathcal D_P : \text{World State} + \text{Human Action} \rightarrow \text{Consequence}. $$ 兩者結合後，平台得到： $$ \boxed{ \text{Intent} \rightarrow \text{World} \rightarrow \text{Action} \rightarrow \text{Outcome} } $$ 這是一條比傳統「prompt → output」更完整的學習鏈。 因此，生成式互動平台的核心資產可能不只包括： $$ \text{Games} $$ 而是： $$ \boxed{ \text{Human Intent Traces} + \text{Artificial Worlds} + \text{Human Action Trajectories} + \text{Outcome Signals}. } $$ 當這四者能被合法、透明、高品質地對齊，平台就可能從「內容生成器」升級為： $$ \boxed{ \text{Human–Artificial-World Learning System}. } $$ --- # 32. 對下一篇的接口 GIAW-03 將處理一個直接衍生問題： 若創作者與玩家實際上同時提供： $$ \text{Content} + \text{Data} + \text{Evaluation} + \text{Distribution} $$ 那麼傳統： $$ \text{Creator Revenue Share} $$ 是否仍足以描述這種平台的經濟關係？ 下一篇將提出： $$ \boxed{ \text{Creator Economy} \rightarrow \text{Data-Producing Creator Economy} } $$ 並分析 Creator Fund、低額播放補貼、模型訓練價值、資料取得成本與平台資本化之間可能存在的結構性不對稱。 --- # 附錄 A：Creator Trace 最小資料結構 ```yaml creator_trace: creator_id_hash: project_id: session_id: intent: initial_prompt: constraints: references: generations: - generation_id: parent_generation_id: prompt: model_version: world_version: output_hash: revisions: - revision_id: target_generation: operation: reason: accepted: final_state: published: abandoned: world_version: ``` --- # 附錄 B：Player Trajectory 最小資料結構 ```yaml player_trajectory: player_id_hash: world_id: world_version: session_id: steps: - t: observation: action: state_transition: reward_proxy: termination: type: time: reason: return: d1: d7: d30: ``` --- # 附錄 C：Intent–World–Trajectory Unit ```yaml iwt_unit: intent_ref: creator_trace_ref: world_ref: player_trajectory_refs: outcome_summary: alignment: intent_realization: behavioral_realization: retention: revision_effect: governance: creator_consent: player_consent: training_eligible: deletion_state: ``` --- # 附錄 D：一句話版本 > **生成式互動平台真正特殊之處，不只是 AI 能生成遊戲，而是同一平台可能同時觀測「人如何要求世界被創造」與「人如何在被創造的世界中行動」，從而形成 Intent–World–Trajectory 的雙側學習資料。**