# 完全理性仍然可能失敗：認知底空間不完備下的超博弈問題

## Perfect Rationality Can Still Fail: Hypergame Problems under Incomplete Cognitive Base Spaces

**系列**：超博弈、認知底空間與多主體不可完備性，第 1 篇／共 3 篇  
**系列英文名**：Hypergame, Cognitive Base Space, and Multi-Agent Incompleteness  
**系列代碼**：HGCB  
**文件編號**：EML-HGCB-2026-01-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**：Game Ontology／Meta-Game／Epistemic Modeling／Cognitive Base-Space Theory  
**狀態**：Public Theory Draft  
**直接前置**：《無界策 3.0》；《無界策：源點》；《現實不是單一遊戲：多尺度嵌套遊戲與跨層因果》  
**後續接口**：HGCB-02《從理性法人到多自由意志系統》；HGCB-03《內生博弈空間》

---

## 摘要

傳統博弈論通常在一個已指定的遊戲中研究策略、信念、均衡與理性選擇。即使後續理論放寬完全資訊、共同知識或完全理性的假設，研究往往仍需先接受某組玩家、策略、狀態、規則、效用與時間結構作為分析底盤。本文提出一個更前置的問題：**分析者與行動者憑什麼相信，被指定為「這場博弈」的認知底空間已經足以承載真正相關的可能性？**

本文將觀察者對世界所建立的遊戲模型記為認知投影，而非世界本身。即使一個行動者在其認知模型內具有完全資訊處理能力、無限計算能力並執行完全理性的效用最大化，只要其認知底空間遺漏了可行行動、相關玩家、耦合遊戲、規則生成機制、時間尺度、效用來源或可改變遊戲本身的操作，則其「完全理性」仍然只具有局部模型內有效性。本文因此提出「認知底空間審查」（Cognitive Base-Space Audit, CBSA），將策略求解之前的模型閉合性問題明確化。

本文不主張傳統博弈論錯誤，也不主張本文的「超博弈」比既有博弈論具有更高的全域量詞。相反，本文主張：**任何宣稱全域的博弈模型，都應將自身的全域性視為待審查命題，而非分析起點。** 本文並區分有限理性、認知錯置與認知底空間不完備三類問題，討論其與 metagame analysis、hypergame analysis、epistemic game theory 及 endogenous institutional change 的關係；最後提出一組可操作的審查算子與實驗指標，為後續多主體模型與 Agent 遊戲實驗建立理論接口。

---

## 關鍵詞

超博弈；認知底空間；博弈本體論；完全理性；模型不完備；認知投影；狀態空間；策略生成；內生規則；Agent

---

# 1. 問題不是「如何下得更好」，而是「我們真的知道棋盤有多大嗎？」

對一個標準遊戲，研究者可以先指定：

$$
G=
\left(
N,
S,
A,
R,
U,
T
\right),
$$

其中：

- $N$ 為玩家集合；
- $S$ 為狀態空間；
- $A$ 為可行動集合；
- $R$ 為規則與可行性限制；
- $U$ 為效用或支付結構；
- $T$ 為時間與轉移結構。

在此之後，可以研究最佳回應、均衡、信念更新、混合策略、重複博弈、演化博弈、合作博弈或各種不完全資訊問題。

這些工作本身沒有問題。

真正被忽略的前置問題是：

$$
\boxed{
\text{Why should this }G\text{ be considered sufficient?}
}
$$

也就是：

> 為什麼我們相信目前被列出的玩家、策略、規則、效用、時間尺度與狀態，就是這個現實問題真正相關的全部結構？

這個問題與「行動者是否理性」不同。

一個行動者甚至可以在自己的模型內完全理性：

$$
a_O^*
=
\arg\max_{a\in A_O}
U_O(a),
$$

卻因為：

$$
A_O
\subsetneq
A_{\mathrm{relevant}}
$$

而錯失一個從未被納入候選集合的行動。

同樣地，行動集合可以列得完整，卻可能有：

$$
N_O
\subsetneq
N_{\mathrm{relevant}},
$$

代表某些實際影響結果的主體根本沒有被視為玩家。

或者：

$$
R_O
\neq
R_{\mathrm{effective}},
$$

表示分析者以為規則固定，但實際上存在能改變規則、退出規則、創造新規則或跨越另一個遊戲場域的機制。

因此，本文的核心命題不是：

$$
\text{Game Theory is wrong}.
$$

而是：

$$
\boxed{
\text{Solving a game presupposes a prior act of defining the game.}
}
$$

而這個「定義遊戲」的動作，本身就是一個需要被審查的認知操作。

---

# 2. 從《無界策》到認知底空間問題

《無界策》早期的「宏界策」已將策略問題從「局內最佳化」推向「創局、破界、改規與換場」。其重點並不只是「規則可以改」，而是進一步逼問：

> 當分析者把某套規則、邊界與勝負條件視為當然時，他是否已經在不知不覺中把可能性空間壓縮成一個局部模型？

若只把這個思想翻譯成：

$$
\text{Meta-game}
=
\text{Change the rules},
$$

仍然不夠。

因為「改規則」可能只是：

$$
R_1
\rightarrow
R_2,
$$

但兩者依舊被假設包含於某個已知固定的更大底空間：

$$
R_1,R_2
\in
\Omega.
$$

真正更前置的問題是：

$$
\boxed{
\text{How do we know that }\Omega\text{ is cognitively sufficient?}
}
$$

本文因此不把「超博弈」定義為一套比博弈論更高階、更終極的博弈論，而把它視為一種**對博弈模型閉合性的持續審查**。

也就是：

$$
\boxed{
\text{Before solving the game, audit the space in which the game is believed to exist.}
}
$$

---

# 3. 既有理論近鄰：本文不是從真空開始

本文的問題具有多個重要近鄰，因此必須先清楚劃定邊界。

## 3.1 Metagame analysis

Howard 的 metagame analysis 已將傳統策略互動推向更高階的政治與衝突分析，並明確處理策略選項、威脅、承諾與對局勢結構的重新表達。

本文與其相通之處在於：

$$
\text{game-level reasoning}
\rightarrow
\text{reasoning about the game}.
$$

但本文更強調一個認知論前置條件：

> 分析者用來建立 metagame 的元素集合本身，是否已經充分？

---

## 3.2 Hypergame analysis

Bennett 的 hypergame analysis 明確處理不同玩家所感知到的遊戲並不相同。玩家可能對彼此偏好、策略與局勢結構產生錯誤認知，甚至存在操控另一方認知模型的情況。

這可以表示為：

$$
G_i
\neq
G_j.
$$

本文接受這一重要思想，但將問題再向前移一層：

$$
\boxed{
\{G_i,G_j,\ldots\}
\text{ 是否已經涵蓋真正相關的遊戲結構？}
}
$$

換句話說，既有 hypergame 可以研究：

> 玩家 $i$ 與玩家 $j$ 看見不同的遊戲。

本文則追加：

> 分析者如何知道「玩家所可能看見的遊戲集合」本身沒有漏掉另一層場域、另一類玩家、另一種規則生成方式或另一個尚未被概念化的行動空間？

因此本文不是取代 hypergame analysis，而是提出一個可與之組合的**模型閉合性審查層**。

---

## 3.3 Epistemic game theory

Epistemic game theory 研究理性、信念以及高階信念：

$$
B_i(B_j(B_k(\cdots))).
$$

它使「我相信你相信我會如何行動」等問題得到嚴格形式化。

本文與它的差異在於，本文不只問：

$$
\text{What does the player believe within the game?}
$$

而要問：

$$
\boxed{
\text{What makes these objects count as the game in the first place?}
}
$$

也就是說，本文把「可被形成信念的對象集合」本身也視為可能不完備。

---

## 3.4 Bounded rationality

Simon 的有限理性指出，真實決策者受到資訊、計算能力、時間與認知容量限制，因而不能總是執行理想化的全域效用最大化。

本文完全接受這一點，但處理另一個邏輯上獨立的問題。

有限理性可以寫成：

$$
\text{Agent cannot fully optimize over known space}.
$$

本文的認知底空間不完備則是：

$$
\text{Agent may perfectly optimize over an incomplete space}.
$$

因此：

$$
\boxed{
\text{Bounded Rationality}
\neq
\text{Incomplete Cognitive Ontology}.
}
$$

一個計算能力無限的行動者，仍然可能遭遇後者。

---

## 3.5 Endogenous institutions and endogenous games

制度研究與內生博弈研究已指出，制度、規則、策略集合與參與結構可能由博弈過程本身生成或改變。

本文與此高度相容。

但本文 Paper 01 的焦點不是完整建立內生遊戲動力學，而是建立一個更基本的判定：

$$
\boxed{
\text{If rules or feasible sets can change endogenously, then treating them as closed exogenous inputs requires justification.}
}
$$

這一問題將在 HGCB-03 中進一步展開。

---

# 4. 世界、認知底空間與遊戲模型

## 4.1 世界不等於模型

令某時刻與研究問題相關的世界結構記為：

$$
\mathcal W_t.
$$

本文不主張研究者能取得一個形上學意義上的「宇宙全部真實狀態」。

因此 $\mathcal W_t$ 在本文中只表示：

> 相對於指定研究問題，在原則上可能對結果造成因果或策略影響的實在結構。

觀察者 $O$ 無法直接使用 $\mathcal W_t$。

他必須透過某種認知投影：

$$
\mathcal C_O:
\mathcal W_t
\rightarrow
\Omega_O.
$$

其中：

$$
\Omega_O
$$

稱為觀察者 $O$ 的**認知底空間**（Cognitive Base Space）。

它包含觀察者目前承認、表示並可以運算的：

- 主體；
- 狀態；
- 行動；
- 規則；
- 效用；
- 時間尺度；
- 因果連結；
- 資訊結構；
- 跨遊戲耦合；
- 模型修改操作。

遊戲模型則是認知底空間上的一個局部結構：

$$
G_O
=
\Phi_O(\Omega_O).
$$

因此：

$$
\boxed{
G_O
\neq
\mathcal W_t
}
$$

在一般情況下是合理預設。

---

# 5. 定義：認知底空間充分性

絕對「全域」通常不可直接證明，因此本文避免定義：

$$
\Omega_O
=
\mathcal W_t
$$

作為可實際驗證條件。

相反，對一組研究問題族：

$$
\mathcal Q,
$$

定義相對充分性。

## 定義 1：任務相對認知充分性

若對研究問題族 $\mathcal Q$ 中所有判定，將 $\Omega_O$ 替換為更豐富的候選底空間 $\Omega'$ 都不改變相關可觀測結論，則稱：

$$
\Omega_O
\equiv_{\mathcal Q}
\Omega'
$$

在 $\mathcal Q$ 上任務等價。

若在一組合理替代底空間族：

$$
\mathfrak B
$$

中，沒有發現某個：

$$
\Omega'
\in
\mathfrak B
$$

使核心判定改變，則可稱 $\Omega_O$ 在目前證據下具有**暫時認知充分性**。

注意：

$$
\boxed{
\text{No detected omission}
\neq
\text{Proven global completeness}.
}
$$

---

# 6. 完全理性只對其可見空間負責

令行動者 $i$ 在其認知底空間中具有策略集合：

$$
A_i^{O}
$$

以及效用函數：

$$
U_i^{O}.
$$

若它可以精確求得：

$$
a_i^*
=
\arg\max_{a\in A_i^{O}}
U_i^{O}(a),
$$

本文稱其具有**模型內完全理性**。

這不代表它具有世界層級的全域理性。

---

## 命題 1：模型內完全理性不蘊含跨底空間全域最優

若存在某個可行行動：

$$
a'
\notin
A_i^{O}
$$

且在較豐富的候選模型中：

$$
U_i(a')
>
U_i(a_i^*),
$$

則即使 $a_i^*$ 是 $A_i^O$ 上唯一全域最優解，也不能推出：

$$
a_i^*
=
\arg\max_{a\in A_i^{\mathrm{relevant}}}
U_i(a).
$$

### 證明

由假設：

$$
a_i^*
=
\arg\max_{a\in A_i^O}U_i^O(a).
$$

但存在：

$$
a'
\in
A_i^{\mathrm{relevant}}
\setminus
A_i^O
$$

且：

$$
U_i(a')>U_i(a_i^*).
$$

因此 $a_i^*$ 只在 $A_i^O$ 上最優，不能是 $A_i^{\mathrm{relevant}}$ 上的全域最優。證畢。

---

這個命題看似簡單，但其理論後果非常重要：

$$
\boxed{
\text{Perfect Optimization}
+
\text{Incomplete Action Ontology}
\Rightarrow
\text{Potential Global Failure}.
}
$$

而且遺漏不必發生在行動集合。

同樣可以是：

$$
N_O
\subsetneq
N',
$$

$$
S_O
\subsetneq
S',
$$

$$
R_O
\subsetneq
R',
$$

或者：

$$
T_O
\subsetneq
T'.
$$

任何一個層次的底空間遺漏，都可能使模型內理性產生跨模型錯誤。

---

# 7. 認知底空間缺口

為了避免假裝知道真正的絕對全域空間，本文不直接使用：

$$
\mathcal W_t-\Omega_O
$$

作為可計算量。

改定義相對缺口。

## 定義 2：相對認知底空間缺口

給定基準模型：

$$
\Omega_O
$$

以及一個經證據、對抗分析、替代模型或新觀測得到的擴展模型：

$$
\Omega',
$$

定義：

$$
\Delta_{\Omega}(O,\Omega')
=
\Omega'
\setminus
\Omega_O.
$$

若 $\Delta_{\Omega}$ 中存在元素會改變：

- 最佳策略；
- 均衡集合；
- 可行域；
- 玩家集合；
- 風險排序；
- 長期效用；
- 因果歸因；

則稱其為**決策有效缺口**。

記為：

$$
\Delta_{\Omega}^{\mathrm{eff}}
\neq
\varnothing.
$$

這比「模型還有不知道的東西」更嚴格。

真正重要的是：

$$
\boxed{
\text{Does the omission change the decision-relevant structure?}
}
$$

---

# 8. 七類認知底空間缺口

本文提出至少七類可審查缺口。

## 8.1 玩家缺口

$$
\Delta_N
$$

問題：

> 是否存在被當成環境噪音、背景條件或資源，但實際具有自主反應能力的主體？

一旦回答為是，原本的單一行動者控制問題可能變成多主體博弈。

---

## 8.2 行動缺口

$$
\Delta_A
$$

問題：

> 可行策略是否真的已列完？

這一類與創造力、策略生成與尾端能力直接相關。

普通模型可能認為：

$$
A=
\{a_1,a_2,a_3\},
$$

高生成能力主體卻發現：

$$
a_4
\notin
A.
$$

問題不是它在 $A$ 裡算得更好，而是：

$$
\boxed{
\text{it enlarged the recognized action space}.
}
$$

---

## 8.3 規則缺口

$$
\Delta_R
$$

問題：

> 哪些規則是真正不可改變的，哪些只是當前制度、習慣、介面或參與者共同接受的局部約束？

如果某條規則可被重新協商、退出、替換或上位規則覆蓋，則把它視為永久外生常數會造成模型錯置。

---

## 8.4 效用缺口

$$
\Delta_U
$$

問題：

> 模型裡的效用函數，是主體真正追求的，還是分析者為了簡化而投影出的代理目標？

一個組織可以同時具有：

$$
U_{\mathrm{survival}},
U_{\mathrm{prestige}},
U_{\mathrm{profit}},
U_{\mathrm{legitimacy}},
U_{\mathrm{identity}},
\ldots
$$

將其壓成單一標量可能在某些場景有效，也可能在轉折點完全失效。

---

## 8.5 時間尺度缺口

$$
\Delta_T
$$

問題：

> 所謂勝利是在一天、一年、十年，還是跨世代尺度定義？

若：

$$
U^{(\mathrm{short})}(x)>U^{(\mathrm{short})}(y),
$$

但：

$$
U^{(\mathrm{long})}(x)<U^{(\mathrm{long})}(y),
$$

那麼「最佳策略」依賴時間底空間，而不是單一固定排序。

---

## 8.6 耦合遊戲缺口

$$
\Delta_C
$$

現實主體往往同時位於：

$$
G_1,G_2,\ldots,G_k.
$$

一場遊戲中的勝利可能消耗另一場遊戲中的資源。

因此：

$$
\text{Victory}^{G_1}
\not\Rightarrow
\text{Improvement}^{\mathfrak G}.
$$

其中：

$$
\mathfrak G
=
\{G_1,\ldots,G_k\}
$$

表示遊戲生態系。

---

## 8.7 觀察者缺口

$$
\Delta_O
$$

最容易被忽略的是：

> 誰正在定義這個模型？

分析者選擇：

- 哪些變量被記錄；
- 哪些主體被視為玩家；
- 哪些目標算作效用；
- 哪些時間尺度被截斷；
- 哪些行動被認為「不現實」；
- 哪些領域被排除。

因此：

$$
\boxed{
\text{Model boundary}
}
$$

不是純中性的技術行為。

它本身會影響可被看見的解。

---

# 9. 認知底空間審查算子族

本文將策略求解前的審查程序抽象為算子族：

$$
\mathcal O_{\mathrm{CBSA}}
=
\{
O_N,
O_A,
O_R,
O_U,
O_T,
O_C,
O_O
\}.
$$

分別對應：

- $O_N$：玩家審查；
- $O_A$：行動審查；
- $O_R$：規則審查；
- $O_U$：效用審查；
- $O_T$：時間尺度審查；
- $O_C$：跨遊戲耦合審查；
- $O_O$：觀察者審查。

對原模型：

$$
G_O
$$

執行：

$$
O_k(G_O)
\rightarrow
\tilde G_O^{(k)}.
$$

如果：

$$
\operatorname{Decision}
\left(
\tilde G_O^{(k)}
\right)
\neq
\operatorname{Decision}
\left(
G_O
\right),
$$

則說明原模型對第 $k$ 類底空間擴展敏感。

---

# 10. 閉合性不是布林值，而是一個待校準信念

很多分析容易落入二元判斷：

$$
\text{complete}
\quad\text{or}\quad
\text{incomplete}.
$$

但實務上我們通常不能證明絕對完備。

因此更合理的是定義閉合信念：

$$
\kappa_O
\in
[0,1],
$$

表示觀察者對「目前底空間對指定任務已足夠」的校準信心。

關鍵不是讓：

$$
\kappa_O
\rightarrow
1
$$

越快越好。

而是要求：

$$
\boxed{
\kappa_O
\text{ must remain revisable by evidence}.
}
$$

換句話說，一個高品質模型不只是答案準確，還要能正確表達：

> 自己對模型閉合性的信心有多高。

---

# 11. 超博弈的最低定義

基於以上結構，本文提出一個保守定義。

## 定義 3：超博弈審查

對任一遊戲模型：

$$
G_O,
$$

若分析程序在求解：

$$
\operatorname{Solve}(G_O)
$$

之前或過程中，允許對：

$$
N,S,A,R,U,T
$$

及其跨遊戲耦合、觀察邊界與生成方式進行可修正審查，則稱該程序具有**超博弈審查能力**。

形式上：

$$
\operatorname{HyperAudit}(G_O)
\rightarrow
\{
G_O,
G_O',
G_O'',
\ldots
\}.
$$

然後：

$$
\operatorname{Solve}
\left(
\operatorname{HyperAudit}(G_O)
\right)
$$

而不是直接：

$$
\operatorname{Solve}(G_O).
$$

---

# 12. 超博弈不是「更大的固定棋盤」

這個區別非常重要。

錯誤理解是：

$$
G
\subset
G'
$$

所以：

$$
G'
$$

比較「高階」。

如果只是把小棋盤換成大棋盤，問題仍然沒有消失。

因為仍然可以問：

$$
\boxed{
\text{Why assume }G'\text{ is closed?}
}
$$

因此本文的超博弈不是追求一個終極固定遊戲：

$$
G_{\infty}.
$$

而是保留：

$$
G_t
\rightarrow
G_{t+1}
$$

的模型修正能力。

所以更接近：

$$
\boxed{
\text{Hypergame as anti-premature-closure discipline}.
}
$$

即：

**拒絕過早宣布可能性空間已被列完。**

---

# 13. 一個簡單例子：市場競爭

假設兩家公司在同一產品市場競爭。

傳統模型：

$$
A=
\{
\text{降價},
\text{廣告},
\text{提高品質}
\}.
$$

若公司甲在此集合中求得最佳策略：

$$
a^*
=
\text{降價},
$$

那麼它可以在模型內完全理性。

但公司乙沒有接受該底空間，而重新定義產品：

$$
\text{product}
\rightarrow
\text{platform}.
$$

於是新的行動：

$$
a'
=
\text{create platform ecosystem}
$$

根本不位於原始 $A$。

此時甲的失敗不能單純解釋成：

> 甲算錯了。

更精確的說法是：

$$
\boxed{
\text{甲在錯誤閉合的策略本體上完成了正確最佳化。}
}
$$

這正是本文試圖描述的問題。

---

# 14. 「意外」可能是認知底空間差異，而不只是低概率事件

假設某策略在既有模型中根本沒有被列入：

$$
a'
\notin
A_O.
$$

那麼觀察者事後可能將其稱為：

- 奇招；
- 天才；
- 意外；
- 不可預測；
- 黑馬；
- 非理性；
- 運氣。

但這些詞有時只是因為：

$$
A_O
$$

比實際可生成行動空間更小。

因此：

$$
\boxed{
\text{Surprise}
\not\Rightarrow
\text{Low-probability event}.
}
$$

它也可能是：

$$
\boxed{
\text{Model-space omission}.
}
$$

這一區分對後續「極端能力生成論」非常重要。

---

# 15. 概率不能補救未建模的存在

如果某個事件：

$$
e
$$

根本沒有被納入樣本空間：

$$
e
\notin
\Omega_O,
$$

那麼給既有事件做再精確的概率估計：

$$
P(x),
\quad
x\in\Omega_O
$$

也無法自動發現 $e$。

因此：

$$
\boxed{
\text{Better probability estimation}
\neq
\text{Better ontology discovery}.
}
$$

這不是反對概率論。

而是指出概率推理與可能性空間生成是兩個不同問題。

第一個問題是：

$$
P(x\mid\Omega_O).
$$

第二個問題是：

$$
\boxed{
\text{Should }x\text{ or another class of events be in }\Omega_O\text{ at all?}
}
$$

---

# 16. 完全理性的悖論：理性越強，錯誤底空間可能越危險

若一個普通行動者對錯誤模型執行得不穩定，偶爾可能因噪音偏離模型。

但若一個高度優化系統：

$$
A_{\mathrm{strong}}
$$

對同一錯誤模型具有極高執行一致性：

$$
\operatorname{Optimize}(G_O)
$$

則可能更堅定地走向模型內最佳、模型外失敗的結果。

因此存在一個值得注意的風險：

$$
\boxed{
\text{Optimization Power}
\uparrow
\quad+
\quad
\text{Ontology Error fixed}
\quad\Rightarrow\quad
\text{Failure Amplification}
\uparrow.
}
$$

這對高能力 AI 尤其重要。

提升推理能力不自動等於提升底空間生成能力。

提升搜索深度也不自動等於提升「發現搜索空間定義錯了」的能力。

---

# 17. 對 AI Agent 的直接含義

一個 Agent 可以被設計成：

$$
\pi:
S
\rightarrow
A.
$$

這代表在已知狀態與已知行動集合中選擇行動。

但更高階 Agent 需要至少追加：

$$
G_{\mathrm{space}}:
S
\rightarrow
\mathcal P(A),
$$

也就是策略空間生成器。

再進一步：

$$
O_{\mathrm{audit}}:
G
\rightarrow
G',
$$

允許它審查：

- 玩家是否漏列；
- 行動是否漏列；
- 規則是否可變；
- 效用是否錯置；
- 時間尺度是否太短；
- 是否存在另一個耦合遊戲；
- 自己是否因觀察介面而產生模型盲區。

因此 Agent 的能力不應只用：

$$
\operatorname{Solve}(G)
$$

評估。

還應加入：

$$
\boxed{
\operatorname{Repair}(G).
}
$$

---

# 18. 可實驗化：人工遊戲中的底空間衝擊

本文理論可以在可控人工世界中測試。

設一個基準 Agent：

$$
A_0
$$

與一個具有 CBSA 算子的 Agent：

$$
A_1.
$$

兩者一開始都面對相同遊戲：

$$
G_0.
$$

在未知時間：

$$
t^*
$$

引入一種底空間衝擊。

### 類型 A：新增合法行動

$$
A_t
\rightarrow
A_t\cup\{a_{\mathrm{new}}\}.
$$

### 類型 B：加入新玩家

$$
N_t
\rightarrow
N_t\cup\{n_{\mathrm{new}}\}.
$$

### 類型 C：規則切換

$$
R_t
\rightarrow
R_t'.
$$

### 類型 D：耦合另一個遊戲

$$
G_t
\rightarrow
G_t
\oplus
G_t'.
$$

### 類型 E：改變時間尺度上的真實報酬

$$
U^{\mathrm{short}}
\neq
U^{\mathrm{long}}.
$$

然後比較兩 Agent。

---

# 19. 建議指標

## 19.1 底空間修復延遲

$$
\tau_{\mathrm{repair}}
=
t_{\mathrm{correct\ model}}
-
t^*.
$$

越小越好。

---

## 19.2 新行動發現率

$$
D_A
=
\frac{
|\text{newly discovered valid actions}|
}{
|\text{available hidden actions}|
}.
$$

---

## 19.3 本體衝擊後遺憾

$$
R_{\mathrm{onto}}
=
U(a_{\mathrm{best\ under\ repaired\ model}})
-
U(a_{\mathrm{executed}}).
$$

---

## 19.4 閉合信念校準誤差

若 Agent 報告：

$$
\kappa_t
$$

作為其底空間充分性信心，可評估：

$$
E_{\kappa}
=
|\kappa_t-y_t|,
$$

其中：

$$
y_t
\in
\{0,1\}
$$

表示後續證據是否發現決策有效缺口。

---

## 19.5 跨遊戲遷移

若某審查算子只對一款遊戲有效，它可能只是環境 heuristic。

若：

$$
O_{\mathrm{audit}}
$$

能跨：

$$
G_1,G_2,\ldots,G_m
$$

保持效用，才更接近一般策略算子。

---

# 20. 可反證性

本文不是不可驗證的「世界永遠還有更多可能」宣言。

它提出的是較窄命題：

> 對許多複雜博弈問題，將當前模型的玩家、行動、規則、效用、時間與耦合結構視為已閉合，會產生可觀測的決策風險；而顯式執行底空間審查，可以在一部分環境中降低這種風險。

因此可以被反證。

若大量跨環境實驗顯示：

$$
\operatorname{CBSA}
$$

不提升：

- 模型修復；
- 新行動發現；
- 規則變化適應；
- 長期報酬；
- 跨遊戲遷移；

甚至穩定降低表現，則必須縮小其適用範圍。

同樣地，如果傳統固定模型已能在某類環境充分描述所有決策有效變量，那麼：

$$
\operatorname{CBSA}
$$

只會增加不必要成本。

本文不主張所有問題都需要超博弈審查。

---

# 21. 計算成本與過度懷疑問題

持續懷疑底空間也可能造成另一種失敗：

$$
\text{never commit}.
$$

如果 Agent 永遠懷疑：

- 還有沒有別的玩家？
- 還有沒有別的規則？
- 還有沒有另一層世界？

則可能陷入：

$$
\text{Meta-analysis paralysis}.
$$

因此實際系統需要停止條件。

例如定義審查成本：

$$
C_{\mathrm{audit}}
$$

以及預期資訊價值：

$$
VOI_{\mathrm{audit}}.
$$

當：

$$
VOI_{\mathrm{audit}}
<
C_{\mathrm{audit}},
$$

則暫停擴展底空間並進入行動。

所以成熟的超博弈系統不是：

> 永遠不相信任何棋盤。

而是：

$$
\boxed{
\text{保持可修正，但允許暫時閉合。}
}
$$

---

# 22. 從「全域」改成「可修正的局部全域」

本文因此建議避免無條件宣稱：

$$
G
=
G_{\mathrm{global}}.
$$

更合理的術語是：

$$
\boxed{
G_t^{\text{local-global}}
}
$$

意指：

> 在目前任務、觀測、證據、時間與計算條件下，被暫時當作足夠全域使用的模型。

它的核心不是規模最大，而是：

$$
\operatorname{Revisable}
=
1.
$$

這種「局部全域」概念比宣稱絕對全域更符合有限認識者的真實處境。

---

# 23. 與後續兩篇的關係

本文只處理：

$$
\boxed{
\text{The game model itself may be incomplete.}
}
$$

HGCB-02 將處理另一個更困難的問題：

$$
\boxed{
\text{The player called a state may not possess a single natural utility function.}
}
$$

也就是從「完全理性法人」進入多自由意志系統。

HGCB-03 則進一步處理：

$$
\boxed{
G_{t+1}
=
F(G_t,a_t,\text{agents},\text{institutions},\text{beliefs}).
}
$$

亦即行動不只是發生在遊戲裡，而會修改下一刻的遊戲本身。

三篇合起來形成：

$$
\text{Model Incompleteness}
\rightarrow
\text{Actor Incompleteness}
\rightarrow
\text{Endogenous Game-Space Evolution}.
$$

---

# 24. 核心命題整理

本文提出以下九個核心命題。

### 命題一：遊戲定義前置命題

$$
\boxed{
\text{Game solving presupposes game construction.}
}
$$

### 命題二：模型內理性命題

$$
\boxed{
\text{Perfect rationality is always relative to a represented space.}
}
$$

### 命題三：全域非蘊含命題

$$
\boxed{
\text{Perfect Rationality}
\not\Rightarrow
\text{Global Optimality}.
}
$$

### 命題四：概率非本體生成命題

$$
\boxed{
\text{Probability over }\Omega
\text{ cannot by itself discover what was excluded from }\Omega.
}
$$

### 命題五：驚奇來源分離命題

$$
\boxed{
\text{Surprise}
=
\text{low probability}
\quad\text{or}\quad
\text{model-space omission}
\quad\text{or both}.
}
$$

### 命題六：超博弈非大棋盤命題

$$
\boxed{
\text{Hypergame audit}
\neq
\text{merely choosing a larger fixed game}.
}
$$

### 命題七：暫時閉合命題

$$
\boxed{
\text{Operational closure should be provisional and revisable.}
}
$$

### 命題八：強最佳化放大錯誤命題

$$
\boxed{
\text{Stronger optimization can amplify errors in a fixed wrong ontology.}
}
$$

### 命題九：高階 Agent 雙能力命題

$$
\boxed{
\text{Advanced Agent}
=
\operatorname{Solve}(G)
+
\operatorname{Repair}(G).
}
$$

---

# 25. 討論：真正的超博弈不是「我知道更多」，而是「我知道自己可能沒看到全部」

超博弈最容易被誤解成一種智力優越敘事：

> 我跳出你的棋盤，所以我的棋盤比較高階。

本文拒絕這種理解。

因為只要某個行動者宣稱：

$$
\Omega_{\mathrm{mine}}
=
\Omega_{\mathrm{global}},
$$

他就再次建立了一個不可被質疑的新邊界。

本文更重視的是：

$$
\boxed{
\text{epistemic non-closure}.
}
$$

即：

> 我可以暫時把某個模型當作足夠使用，但不把「足夠使用」誤認成「世界已被窮盡」。

這也使超博弈與單純的「規則破壞」區分開來。

高階策略不必永遠破壞規則。

有時最佳策略就是遵守既有規則。

有時是改規。

有時是換場。

有時是加入新玩家。

有時是重新定義勝利。

有時最重要的操作反而是承認：

$$
\boxed{
\text{目前沒有足夠證據知道哪一個遊戲模型才是正確的。}
}
$$

---

# 26. 結論

本文從一個簡單但容易被忽略的問題出發：

> 在求解一場博弈之前，我們如何知道自己已經正確定義了這場博弈？

本文提出，完全理性本身不能解決認知底空間不完備。

若：

$$
\Omega_O
\subsetneq
\Omega_{\mathrm{relevant}},
$$

那麼：

$$
\arg\max_{a\in A_O}
U(a)
$$

可以完全正確，卻仍然在更大的決策有效空間中失敗。

因此真正高階的策略智能不能只擁有：

$$
\operatorname{Solve}(G).
$$

還需要：

$$
\operatorname{Audit}(G)
$$

與：

$$
\operatorname{Repair}(G).
$$

本文不把超博弈視為比傳統博弈論更「全域」的理論，而將其定位為：

$$
\boxed{
\text{a discipline against premature closure of the game space}.
}
$$

也就是對「棋盤是否已被正確畫出」保持制度化、可操作且可停止的懷疑。

最終核心可濃縮為：

$$
\boxed{
\text{Before asking for the best move, ask whether the recognized game is the right game.}
}
$$

以及：

$$
\boxed{
\text{完全理性可以解一個錯誤的問題，而且解得非常完美。}
}
$$

這正是認知底空間審查存在的理由。

---

# 參考文獻

1. Bennett, P. G. (1977). *Toward a theory of hypergames*. Omega, 5(6), 749–751. https://doi.org/10.1016/0305-0483(77)90056-1

2. Bennett, P. G. (1980). *Bidders and dispenser: Manipulative hypergames in a multinational context*. European Journal of Operational Research, 4(5), 293–306. https://doi.org/10.1016/0377-2217(80)90141-1

3. Dekel, E., & Siniscalchi, M. (2015). *Epistemic Game Theory*. In Handbook of Game Theory with Economic Applications, Vol. 4, 619–702. Elsevier. https://doi.org/10.1016/B978-0-444-53766-9.00012-4

4. Greif, A., & Laitin, D. D. (2004). *A Theory of Endogenous Institutional Change*. American Political Science Review, 98(4), 633–652.

5. Howard, N. (1971). *Paradoxes of Rationality: Theory of Metagames and Political Behavior*. MIT Press.

6. Simon, H. A. (1955). *A Behavioral Model of Rational Choice*. The Quarterly Journal of Economics, 69(1), 99–118.

7. Simon, H. A. (1957). *Models of Man: Social and Rational*. Wiley.

8. Neo.K. (2026). *《無界策 3.0》*. EveMissLab working manuscript.

9. Neo.K. (2026). *《無界策：源點》*. EveMissLab working manuscript.

10. Neo.K with Aletheia. (2026). *《現實不是單一遊戲：多尺度嵌套遊戲與跨層因果》*. EveMissLab working manuscript.

---

# 附錄 A：認知底空間審查最小模板

對任一待分析問題，先建立：

$$
G_0=
(N,S,A,R,U,T).
$$

然後依序執行：

## A. 玩家審查

$$
O_N(G_0):
\quad
\text{Who can react but is currently modeled as environment?}
$$

## B. 行動審查

$$
O_A(G_0):
\quad
\text{Which feasible actions are absent because they are unfamiliar rather than impossible?}
$$

## C. 規則審查

$$
O_R(G_0):
\quad
\text{Which rules are physical, institutional, conventional, interface-level, or negotiable?}
$$

## D. 效用審查

$$
O_U(G_0):
\quad
\text{Whose utility is being represented, and what has been compressed away?}
$$

## E. 時間審查

$$
O_T(G_0):
\quad
\text{Does the preferred action change under another relevant horizon?}
$$

## F. 耦合審查

$$
O_C(G_0):
\quad
\text{Which other games share actors, resources, identities, risks, or consequences?}
$$

## G. 觀察者審查

$$
O_O(G_0):
\quad
\text{Which modeling choices come from the observer rather than the world?}
$$

最後不輸出：

$$
\text{This is the complete game}.
$$

而輸出：

$$
\boxed{
\text{This is the currently adequate game model under stated scope and evidence.}
}
$$

並保留：

$$
\operatorname{Repair}(G)
$$

接口。

---

# 附錄 B：一句話版本

> **傳統博弈問「在這盤棋裡怎麼走最好」；本文的超博弈先問「你怎麼知道你看到的真的是整盤棋」。**