# 事情如何自己發生 ## ——Social Matter、Endogenous Problem Generation 與 AI 社會的最小動力學 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 **日期：** 2026-10-07（整理日期；原稿未標註日期） **版本：** 原稿未標註（本次整理版） ### 摘要 很多 AI 遊戲在追求「世界自己發生故事」時，直覺做法是： > 讓大型語言模型定期生成一個新事件。 例如： - 今天市場爆發爭吵； - 某居民突然失蹤； - 酒館出現神秘旅人； - 小鎮發生節慶。 這種方法確實能產生內容，但它仍然是： \[ \boxed{ StoryGenerator \rightarrow World } \] 事件的真正來源不是世界本身，而是另一個內容生成器。 如果希望 AI 世界逐漸具有「社會」，更加重要的問題其實是： > **當世界狀態產生失衡、缺口、需求或承諾時，它能不能自己形成需要居民回應的社會問題？** 因此，本篇提出： \[ \boxed{ WorldState \rightarrow SocialMatter } \] 而不是： \[ LLM \rightarrow RandomEvent. \] `my_ai_town` 的 Social Matter Runtime 已經建立了一套相當清楚的狀態機： \[ latent \rightarrow open \rightarrow collecting \rightarrow assigned \rightarrow executing \rightarrow closed. \] 它同時追蹤： - awareness； - involvement； - exposure； - channels； - candidates； - responses； - participants； - assignments； - result refs。 這表示一件「社會事件」不再只是文字，而是一個具有來源、參與者、知情範圍、行動目標與結算條件的 World Object。 本篇將其抽象為： \[ \boxed{ Problem \rightarrow Awareness \rightarrow Attention \rightarrow Response \rightarrow Commitment \rightarrow Execution \rightarrow Resolution } \] 並主張： > **AI 社會真正的最小單位，不一定是 Agent，而可能是 Agent 與 World 共同形成的 Matter。** --- # 1. 隨機事件不等於內生事件 假設系統每隔一天呼叫一次 LLM： > 「請生成一個今天可能發生在小鎮的新事件。」 得到： > 「咖啡館人手不足。」 這是一個事件。 但它的因果來源其實是： \[ Generator. \] 而不是世界。 另一種方式是： \[ WaitingCustomers=5 \] \[ ActiveWorkers=1 \] \[ ServiceCapacity=2. \] 因此： \[ WaitingCustomers > ServiceCapacity. \] World 根據這個真實狀態建立： \[ Matter(\text{service pressure}). \] 這兩者表面都可能讓玩家看到： > 咖啡館缺人。 但本體完全不同。 前者： \[ Narrative \rightarrow State. \] 後者： \[ State \rightarrow Narrative. \] 本篇研究的是第二種。 --- # 2. Endogenous Problem Generation 我們將內生問題生成定義為： \[ \boxed{ M_t=G(W_t) } \] 其中： - \(W_t\)：當前 World State； - \(G\)：Problem Generation Operator； - \(M_t\)：從世界狀態產生的 Matter。 如果： \[ Condition(W_t)=\mathrm{true} \] 才建立 Matter。 因此： \[ Matter \] 不是作者說： > 「現在應該有故事。」 而是世界自己出現： > **尚未解決的狀態差異。** --- # 3. Social Matter 是「未閉合的世界關係」 可以把 Social Matter 更抽象地理解成： \[ \boxed{ Unresolved\ Relation } \] 例如： ### 服務問題 \[ Demand>Capacity. \] ### 職缺 \[ RequiredRole \land NoWorker. \] ### 居民求助 \[ Need_i \land CannotResolveAlone_i. \] ### 對話承諾 \[ Promise(A,B,X) \land X\ not\ completed. \] 這些本質上都是： \[ \boxed{ CurrentState \neq DesiredClosureState. } \] Social Matter 就是這個差值的社會化表示。 --- # 4. Matter 不只是 Event 普通 Event 常表示： \[ E_t: \text{Something happened.} \] 而 Matter 表示： \[ M_t: \text{Something remains unresolved.} \] 兩者差異很大。 Event： > 咖啡館今天很忙。 Matter： > 咖啡館目前有超過服務能力的需求，需要有人處理。 因此 Matter 至少需要： - source； - current state； - target； - expiry； - capacity； - response options； - resolution rule。 `TownSocialMatterRuntime` 正式保存 `source_state_ref`、`subject_ids`、`resolution_rules`、`capacity`、`expires_at`、`result_refs` 等資料。 這表示： \[ Matter \] 是一個可執行的社會狀態機，而不是一段劇情文字。 --- # 5. Matter 的完整生命周期 目前可以抽象成： \[ \boxed{ Latent \rightarrow Open \rightarrow Collecting \rightarrow Assigned \rightarrow Executing \rightarrow Closed } \] --- ## 5.1 Latent 問題已存在，但尚未進入公開社會處理。 例如： \[ ServicePressure>Threshold. \] --- ## 5.2 Open 問題正式被暴露到可回應狀態。 --- ## 5.3 Collecting World 正在收集： \[ ResidentResponses. \] 包括： - accept； - reject； - defer； - withdraw。 --- ## 5.4 Assigned 某一位或多位居民被正式指派。 --- ## 5.5 Executing 承諾已經轉成真實 World Action。 --- ## 5.6 Closed 問題已： - 完成； - 取消； - 過期； - 失效。 這使 Social Matter 從： \[ NarrativeObject \] 變成： \[ \boxed{ WorldTransaction. } \] --- # 6. Awareness：不知道問題的人不能回應問題 這是這套架構最重要的設計之一。 Social Matter 不應直接： \[ Matter \rightarrow AllAgents. \] 而必須經過： \[ Awareness. \] `TownSocialMatterRuntime` 會保存： \[ awareness[resident]. \] 而 response round 開始時，若某居民根本沒有 awareness： \[ Resident\notin Awareness(M) \] 則不能被放入 response candidates。 系統甚至會返回： ```text id="0vjjdw" SOCIAL_RESPONSE_CANDIDATE_UNAWARE ``` 因此： \[ \boxed{ Participation \Rightarrow PriorKnowledge } \] 成立。 這是 AI 社會非常重要的因果邊界。 --- # 7. Exposure：看到線索不等於知道整件事 更進一步，World 並不一定直接把居民標成： \[ known. \] Social Matter 還有： \[ Exposure. \] 例如： > 你經過咖啡館，看起來有點忙。 居民只得到： \[ clue. \] 而不是完整 Matter State。 Exposure 可以經由： - visible； - audible； - direct request； - bulletin； - relayed； - experienced。 這使： \[ \boxed{ Exposure \neq Awareness. } \] --- # 8. Attention：Agent 可以選擇不注意 `my_ai_town` 的 Exposure 更有意思的一點是，Agent 收到 exposure 後可以選： \[ \{ notice, ignore, defer \}. \] 如果： \[ notice \] 才產生： \[ awareness=partial. \] 如果： \[ ignore \] 那件事可能根本不進入該居民的後續社會決策。 所以： \[ \boxed{ WorldSignal \neq CognitiveAttention. } \] 這是 AI 社會比傳統腳本 NPC 更有價值的地方之一。 --- # 9. Attention 本身是一種有限資源 更重要的是，每次 Agent Wake 目前最多只提供： \[ 1 \] 個 actionable exposure。 這可以抽象為： \[ AttentionCapacity_i(t)=1. \] 並不代表未來永遠只能是一，而是在概念上承認： \[ \boxed{ Attention\ is\ scarce. } \] 世界可能同時存在： \[ M_1,M_2,\dots,M_{10}. \] 但居民不必同時處理全部。 這會產生真正的社會差異： > 有人看到。 > 有人忽略。 > 有人晚點才注意。 --- # 10. Initial Contact Topology 問題出現後，第一批知情者不應隨機挑。 `TownInitialSocialContactPolicy` 已根據 Matter source 決定不同接觸集合。 例如： --- ## 10.1 Place Service Pressure 初始候選主要來自： \[ ResidentsAtPlace. \] 也就是： > 當下真的在現場的人。 --- ## 10.2 Resident Request 由： \[ Requester \rightarrow Recipient. \] 直接形成 awareness。 --- ## 10.3 Job Vacancy 候選職務居民進入： \[ Affected+Aware. \] --- ## 10.4 Conversation Commitment 承諾者與受益者透過： \[ direct\_conversation \] 正式知情。 因此 Matter 的傳播不是： \[ RandomSelection. \] 而是： \[ \boxed{ SourceStructure \rightarrow InitialSocialTopology. } \] --- # 11. Place Service Pressure：世界失衡自己變成社會問題 這是最典型的內生事件。 假設某地點： \[ WaitingCount>ServiceCapacity. \] World 可以產生： \[ Matter_{service}. \] 然後附近居民得到： \[ Exposure. \] 有人選： \[ notice. \] Matter 進一步開放回應： \[ accept/reject/defer. \] World 再依： - 人數； - 資格； - commitment capacity； 選擇參與者。 因此完整鏈： \[ \boxed{ Demand \rightarrow Pressure \rightarrow Exposure \rightarrow Awareness \rightarrow Response \rightarrow Assignment \rightarrow Service } \] 這就是： \[ \boxed{ Endogenous\ Social\ Gameplay. } \] --- # 12. Job Vacancy：制度缺口本身也能產生事件 假設： \[ OccupationPost=Vacant. \] 那麼這不應只是 UI 上顯示： > 缺一個店員。 它可以變成： \[ Matter_{vacancy}. \] 候選居民得知： > 某工作沒人做。 之後可以： - 接受； - 拒絕； - 試做； - 兼職； - 延後。 最終： \[ Matter \rightarrow StaffingArrangement. \] 再接： \[ Trial \rightarrow Qualification \rightarrow Transfer. \] 於是： \[ \boxed{ InstitutionalGap \rightarrow CareerHistory. } \] 這就是從 Social Matter 接到 L5 Persistent Differentiation 的重要橋梁。 --- # 13. Resident Request：Agent 也可以主動製造 Matter Matter 不只來自被動 World Condition。 Agent 本身也可以發起： \[ Request. \] 例如： > 請你去某個地方幫忙。 但重要的是： > LLM 說「你幫我」不應自動變成對方承諾。 因此： \[ Request \rightarrow Matter. \] 接收者： \[ Awareness. \] 再由對方決定： \[ accept/reject/defer. \] 所以： \[ \boxed{ Speech \neq Commitment. } \] 只有 World 正式接受： \[ Response=Accept \] 才產生 Commitment。 --- # 14. Conversation Commitment：語言如何變成世界責任 這是 Social Matter 最有意思的部分之一。 普通對話： > 「我等一下幫你拿。」 如果只是文字： \[ Speech. \] 幾分鐘後 LLM 很可能完全忘記。 更完整的架構需要： \[ Speech \rightarrow StructuredCommitment. \] `my_ai_town` 的 conversation follow-up 能把對話中正式承諾轉成 Social Matter，再將已確認 assignment 轉回 World Action。 因此： \[ \boxed{ Language \rightarrow Commitment \rightarrow Action. } \] 這是 AI 社會非常重要的橋梁。 --- # 15. 承諾不是直接強制完成 即使居民說： > 「好，我去。」 World 也只應建立： \[ Commitment. \] 真正執行仍可能： - 失敗； - 地點關閉； - 被其他事件打斷； - 居民退出； - 超時。 所以： \[ Promise \neq Result. \] 而是： \[ Promise \rightarrow Goal \rightarrow Execution \rightarrow Settlement. \] 這又延續第 1 篇： \[ Intent\neq WorldTruth. \] --- # 16. Commitment Capacity：社會責任不能無限疊加 Social Matter Runtime 還設置： \[ MAX\_ACTIVE\_COMMITMENTS\_PER\_RESIDENT=1. \] 這是一個非常值得注意的設計。 如果 Agent 可以同時答應： \[ 100 \] 件事，那麼「承諾」就沒有成本。 因此： \[ \boxed{ Commitment \rightarrow ResourceOccupation. } \] 也就是： > 答應某件事情，應該降低同時承擔其他事情的能力。 未來這個上限可以更細緻，但概念非常重要。 --- # 17. Response 不是固定 Accept 真正的 Agent Society 不能讓所有人都： > 「好的，我願意幫忙。」 Social Matter 正式提供： \[ accept \] \[ reject \] \[ defer \] \[ withdraw. \] 所以： \[ SocialProblem \] 不保證： \[ Cooperation. \] 而是： \[ \boxed{ Problem \rightarrow Choice. } \] 這是 emergent social dynamics 的必要條件。 --- # 18. Defer 很重要 `defer` 很容易被低估。 如果只有： \[ accept/reject \] 那麼所有社會決策都必須立即二元化。 但 Agent 真實行為常是： > 我現在不確定。 > 我晚點看看。 > 我先把手上的事情做完。 因此： \[ Defer \] 讓 Social Matter 具有： \[ TemporalDecision. \] 這也使： \[ SocialState \] 和： \[ WorldTime \] 真正耦合。 --- # 19. Response Round：社會選擇需要結算 如果多人同時願意： \[ A,B,C \] 幫忙，World 不能隨意讓三人全部成為同一個工作結果。 因此： \[ Responses \rightarrow Settlement. \] World 可以根據： - capacity； - qualification； - availability； - policy； 決定： \[ AssignedResidents. \] 所以： \[ \boxed{ Willingness \neq Assignment. } \] 這再次保持： \[ AgentAgency + WorldAuthority. \] --- # 20. Social Assignment 是真正的世界責任 一旦 Assigned： \[ ParticipantStatus=assigned. \] Social Matter 就開始產生正式的： \[ ActionGoal. \] 例如： \[ Capability=world.go\_to\_place. \] 或： \[ Capability=world.perform\_activity. \] Agent Prompt 也會把已確認 assignment 告訴 Agent： > 你已經承諾這件事。 這使 Agent 的： \[ Moral/SocialObligation \] 不再只是自然語言。 而是： \[ WorldState. \] --- # 21. Obligation 是 Claim 的另一種類型 到這裡可以看出： Social Matter 與前面提出的： \[ Asset+Capability+Claim \] 其實可以直接連接。 一個承諾： \[ Promise(A,B,X) \] 可以表示為： \[ Claim_B(A,X). \] 也就是： > B 對 A 有一項可以期待的責任。 因此： \[ \boxed{ Commitment \subset RelationalClaim. } \] 這會成為後面第 7 篇 Persistent Ontology 的重要基礎。 --- # 22. Matter Resolution：問題必須由世界結果關閉 Matter 不能因為 Agent 說： > 「我處理好了。」 就結束。 必須： \[ WorldResult \rightarrow MatterResolution. \] 例如： \[ ServicePressure \] 只有在： \[ WaitingCount\downarrow \] 或相應工作正式完成後才消失。 因此： \[ \boxed{ Resolution \neq NarrativeClosure. } \] 而是： \[ Resolution = StateClosure. \] --- # 23. Event Generator 與 Problem Generator 的根本差異 現在可以正式比較： ## Event Generator 輸入： \[ Prompt. \] 輸出： \[ StoryEvent. \] 通常： \[ Event \rightarrow Content. \] --- ## Problem Generator 輸入： \[ WorldState. \] 輸出： \[ UnresolvedMatter. \] 然後： \[ Matter \rightarrow AgentResponse \rightarrow WorldChange. \] 所以： \[ \boxed{ ProblemGenerator } \] 不是故事生成器。 它更像： \[ \boxed{ DynamicConstraintExtractor. } \] --- # 24. 世界事件真正有趣的來源是「約束失配」 很多 emergent gameplay 本質上都可以表示成： \[ ConstraintMismatch. \] 例如： ### 經濟 \[ Demand>Supply. \] ### 工作 \[ Task>WorkerCapacity. \] ### 社會 \[ Need>AvailableHelp. \] ### 情報 \[ RequiredKnowledge>KnownKnowledge. \] ### 醫療 \[ Condition>TreatmentCapacity. \] ### 政治 \[ CompetingClaims>InstitutionalResolutionCapacity. \] 因此： \[ \boxed{ EmergentProblem = DetectedConstraintMismatch. } \] 這個框架可以遠遠超出小鎮模擬。 --- # 25. Social Matter 其實是通用 Constraint Object 如果將它一般化： \[ Matter= ( Source, Subjects, Goal, Capacity, Awareness, Participants, Deadline, Resolution ). \] 那麼同一套架構可以表示： - 幫忙； - 職缺； - 邀請； - 承諾； - 選舉； - 工會談判； - 組織任務； - 公共危機。 因此真正可擴張的設計不是： > 為每種社會行為寫一個獨立系統。 而是： \[ \boxed{ One\ Matter\ Ontology \rightarrow Many\ SocialPhenomena. } \] --- # 26. Attention 與 Matter 可以產生「有人沒注意到」 這也是 AI 社會的重要來源。 假設： \[ M \] 在市場發生。 A 在場但： \[ ignore. \] B： \[ notice. \] C 根本不在場。 則： \[ Awareness_A=0 \] \[ Awareness_B=partial \] \[ Awareness_C=0. \] 後來 B 告訴 C： \[ Awareness_C=known. \] 這樣真正的： \[ \boxed{ InformationHistory } \] 就開始形成。 同一個 Matter 的社會生命史，不再只是： > 發生 → 結束。 而是： \[ Problem \rightarrow Spread \rightarrow Response. \] --- # 27. Matter 還可以產生旁觀者，而不是只有參與者 Social Matter 的 involvement role 包括： - creator； - affected； - participant； - observer。 這很重要。 因為一個社會事件不只改變： \[ Participants. \] 還可能改變： \[ Observers. \] 例如： > A 主動幫了陌生人。 C 雖沒有參與，但看到這件事。 未來： \[ Belief_C(A) \] 可能因此改變。 這就是： \[ SocialMatter \rightarrow ReputationEvidence. \] 目前這條還沒有完全一般化，但底座已經存在。 --- # 28. Social Matter 可以成為 Reputation 的證據生成器 如果未來加入： \[ TrustGraph \] 那麼每個 Matter 結果都可以產生： \[ Evidence. \] 例如： ### 履行承諾 \[ Trust_{B\leftarrow A}\uparrow. \] ### 無故退出 \[ Trust_{B\leftarrow A}\downarrow. \] ### 多次公共幫助 \[ PublicReputation_A\uparrow. \] 注意： World 不應直接說： > A 是好人。 World 只記： > A 完成了三次公共承諾。 再由不同居民形成不同 interpretation。 這樣： \[ \boxed{ Matter \rightarrow Evidence \rightarrow Belief } \] 就和第 3 篇接起來。 --- # 29. Matter 是 World 與 Cognition 的中介物 到這裡可以看到： \[ WorldState \] 太底層。 Agent Memory 太主觀。 Social Matter 剛好位於中間。 它把： \[ PhysicalState \] 轉成： \[ SociallyMeaningfulProblem. \] 例如： \[ WaitingCount=5 \] 只是數值。 但： \[ Matter: \text{咖啡館忙不過來} \] 才是 Agent 可以理解與回應的社會語義。 因此： \[ \boxed{ WorldState \rightarrow Matter \rightarrow Cognition. } \] --- # 30. LLM 的角色再次變得更清楚 在這套系統中，LLM 不需要： > 自己發明今天有什麼問題。 它只需要回答： > 我知道了這個問題之後，我想怎麼回應？ 也就是： \[ LLM: Matter \rightarrow Response. \] 而： \[ World: State \rightarrow Matter. \] 這是比「讓 LLM 生成整個故事」穩定得多的分工。 --- # 31. 真正的故事是 Matter Chain 的投影 當多個 Matter 串起來： \[ M_1 \rightarrow M_2 \rightarrow M_3. \] 故事自然出現。 例如： \[ CafePressure \rightarrow TemporaryHelp \] \[ TemporaryHelp \rightarrow Trial \] \[ Trial \rightarrow Qualification \] \[ Qualification \rightarrow JobTransfer. \] 對玩家而言： > 某居民原本只是臨時幫忙，後來竟然真的轉行了。 這就是一條故事。 但沒有 Story Generator。 它只是： \[ \boxed{ CausalProjection(WorldHistory). } \] --- # 32. Endogenous Storytelling 因此我們可以重新定義： \[ \boxed{ Story = ReadableProjection( CausalStateTransitions ) } \] 而不是： \[ Story = GeneratedText. \] 這是 AI 原生遊戲非常重要的一個方向。 大型語言模型可以負責： - 呈現； - 語言； - 角色反應。 但故事骨架： \[ \text{why A led to B} \] 最好由 World 因果產生。 --- # 33. Social Matter 與傳統 Quest 的差異 表面上 Social Matter 很像 Quest。 但兩者不同。 傳統 Quest： \[ Designer \rightarrow QuestDefinition. \] Social Matter： \[ WorldState \rightarrow MatterDefinition. \] Quest 通常有： \[ PredeterminedObjective. \] Matter 則可能： \[ accept/reject/defer/expire. \] 因此它更接近： \[ \boxed{ DynamicSocialConstraint. } \] 而不是任務列表。 --- # 34. AI 原生遊戲真正需要「問題生成」而不是「內容生成」 這篇最核心的設計觀可以濃縮成： \[ \boxed{ GenerateProblems, notStories. } \] 不是： > AI 每天幫我生成十個事件。 而是： > 世界每天自然產生十個尚未閉合的問題。 然後讓： \[ Agents \] 自己去： - 處理； - 忽略； - 拒絕； - 延後； - 搞砸。 故事自然存在於後果裡。 --- # 35. 這也能降低 LLM 成本 如果故事事件全部由 LLM 主動創造： \[ N_{events} \propto N_{LLMCalls}. \] 但如果 Matter 由 deterministic World State 生成： \[ Matter=G(W). \] 那麼： \[ ProblemGenerationCost \ll LLMGenerationCost. \] 只有真的需要角色判斷時： \[ Matter \rightarrow AgentWake. \] 才呼叫模型。 這和第 2 篇的： \[ SparseCognition \] 完全一致。 --- # 36. 從 Individual Agent 到 Agent Society 第 1～3 篇主要描述： \[ Agent_i. \] 到了 Social Matter，系統第一次真正出現： \[ \boxed{ CollectiveState. } \] 因為 Matter 不屬於任何單一 Agent。 它同時連接： - World； - creator； - affected residents； - observers； - candidates； - participants。 因此： \[ Matter \] 可以視為： \[ Hyperedge \] 把多個 Agent 與 World State 連起來。 --- # 37. Social Matter 作為 Hypergraph 假設： \[ G=(V,E). \] 其中： \[ V=\{Agents,Places,Objects,Institutions\}. \] 普通 Relationship 是： \[ Edge(A,B). \] 但 Social Matter 可以同時連接： \[ A,B,C,Place,Task. \] 因此更接近： \[ \boxed{ Hyperedge. } \] 例如： \[ M_{cafe} = \{ Cafe, WorkerA, CustomerB, HelperC \}. \] 這對未來大型 AI 社會非常有潛力。 --- # 38. 從 Matter Graph 可以自然形成制度 如果同類 Matter 一直重複： \[ M_1,M_2,M_3,\dots \] 社會可以開始形成： \[ Institution. \] 例如每週都有人手不足： \[ RepeatedStaffingMatter \] 最終可能產生： \[ NewShiftSystem. \] 如果這條再接上第 7 篇的 Persistent Ontology： \[ RepeatedProblem \rightarrow InstitutionalChange. \] 那麼： \[ \boxed{ SocialMatter \rightarrow InstitutionEvolution. } \] 就會真正把 L4 推往 L6。 --- # 39. 現階段的主要限制 `my_ai_town` 現有 Social Matter 已經相當完整，但目前仍主要用於： - 服務壓力； - 居民求助； - 職缺； - 對話承諾； - 動物關注等。 也就是： \[ LocalCoordination. \] 它尚未普遍擴張成： - 財產爭議； - 長期組織； - 權力競爭； - 制度改革； - 大規模資源衝突。 因此目前比較準確的定位是： \[ \boxed{ SocialCoordinationRuntime } \] 已存在。 而： \[ \boxed{ InstitutionalEvolutionRuntime } \] 尚未完整形成。 --- # 40. 結論：真正活著的世界，不需要每天有人編故事 如果一個世界具有： \[ Needs \] \[ Resources \] \[ Capacity \] \[ Roles \] \[ Promises \] \[ Constraints \] 那麼它自己就會產生： \[ Mismatch. \] 而： \[ Mismatch \rightarrow Matter. \] Matter 又產生： \[ Awareness \rightarrow Response \rightarrow Commitment \rightarrow Action. \] 最後： \[ Action \rightarrow World'. \] 因此完整循環為： \[ \boxed{ WorldState \rightarrow Problem \rightarrow Awareness \rightarrow Choice \rightarrow Commitment \rightarrow Action \rightarrow WorldState' } \] 這就是： \[ \boxed{ Endogenous\ Social\ Dynamics. } \] 一個 AI 社會真正開始存在的時刻，不是當 NPC 可以彼此聊天。 而是當： > **世界本身開始對居民提出問題。** 居民可以： - 注意； - 忽略； - 幫忙； - 拒絕； - 延後； - 承諾； - 退出。 而每一個選擇，都會真的改變： \[ W_{t+1}. \] 因此，本篇的核心命題可以濃縮成： \[ \boxed{ \text{Emergent stories should be consequences of unresolved world states.} } \] 也就是： > **真正的湧現故事，應該是世界未閉合狀態的後果，而不是另一個模型替世界編寫的劇本。** 接下來，問題自然變成： > Matter 出現之後，究竟是誰知道？ > 誰只看見線索？ > 誰可以轉告？ > 為什麼某個消息能傳遍小鎮，另一個秘密卻只存在三個人的記憶中？ 因此下一篇進入： # 第 5 篇 ## 《誰知道什麼：Channel-Grounded Information Topology》 研究： \[ \boxed{ Exposure \neq Awareness \neq Belief } \] 以及： \[ World \rightarrow Channel \rightarrow AgentKnowledge. \] 當這一層完成後，AI 社會才真正具備： - 消息； - 秘密； - 旁聽； - 郵遞； - 流言； 得以存在的資訊空間。