# DACWE-04：環境與文化反事實、制度向量與跨世界能力路徑

**English Title:** *Environmental and Cultural Counterfactuals, Institutional Vectors, and Cross-World Capability Paths*

**Series:** Desire-to-ASI Counterfactual World Experiment (DACWE)  
**Document:** DACWE-04  
**Version:** v0.1  
**Status:** Canonical Experimental Draft  
**Language:** Traditional Chinese (zh-TW)  
**Encoding:** UTF-8  
**Upstream:** DACWE-00, DACWE-01, DACWE-02, DACWE-03  

**作者：** Neo.K  
**機構：** EveMissLab／一言諾科技有限公司  
**日期：** 2026-10-08（整理日期；原稿未標註日期）  

---

## 摘要

DACWE-00 至 DACWE-03 已依序固定了反事實世界、ordinary-human seed、強意圖、最小人類 steering 與 AI capability condition。DACWE-04 開始處理最初問題中最容易被過度簡化、也最容易產生錯誤因果歸因的部分：

> 同一個普通人、同一個願望、同一套認知算子、同一級 AI，如果置於不同國家、制度、語言與文化條件下，他所能形成的 capability path 是否會顯著不同？

本篇拒絕直接使用：

$$
\text{Country}
\rightarrow
\text{Outcome}
$$

作為基本因果模型。

原因是「國家」同時打包了語言、教育、資本、法規、數位基礎設施、創業環境、家庭結構、風險承受、社會信任、專業網路與技術可及性。若直接把「台灣、美國、日本、印度」當作單一處置變量，就無法知道真正起作用的是哪一個環境成分。

因此，本篇提出 **Environmental Capability Vector（ECV）**、**Cultural Decision Vector（CDV）**、**Institutional Accessibility Vector（IAV）**、**Family and Social Constraint Vector（FSCV）** 與 **Capability Realization Gap（CRG）**，並建立兩層實驗：

$$
\text{Abstract Environment Counterfactuals}
$$

先用理想化環境向量測因果結構，再進入：

$$
\text{Empirical Country Mapping}
$$

把真實國家與地區映射到經日期標記、可更新的向量估計。

本篇的核心命題不是「哪個國家更適合建立 ASI」，而是：

$$
\boxed{
\text{當智能本身逐步商品化之後，哪些環境變量仍決定 ordinary human 能把強意圖轉化到多遠？}
}
$$

---

# 1. 研究問題

DACWE-04 的主問題：

$$
Q_4:
\quad
\text{在固定 } H,D,U,A,M \text{ 時，環境 } E \text{ 的改變如何改變 capability trajectory？}
$$

更完整地說：

$$
Y
=
F(
H,
D,
U,
A,
E,
M,
T
)
$$

本篇固定：

$$
H,D,U,A,M
$$

只替換：

$$
do(E=E_i)
$$

並觀察：

$$
\Delta Y_E
$$

特別是：

$$
\frac{\partial L}{\partial E}
$$

$$
\frac{\partial HCB}{\partial E}
$$

$$
\frac{\partial CRG}{\partial E}
$$

以及：

$$
\frac{\partial T_{realization}}{\partial E}
$$

---

# 2. 為什麼不能直接以國家作為單一變量

假設：

$$
Y_{TW}
\neq
Y_{US}
$$

不能直接推出：

> 台灣文化導致結果 A，美國文化導致結果 B。

因為：

$$
\text{Country}
=
Bundle(
\text{Language},
\text{Education},
\text{Capital},
\text{Law},
\text{Infrastructure},
\text{Network},
\text{Risk},
\text{Trust},
\text{Family},
\text{Culture},
\text{Market},
\text{AI Access}
)
$$

因此直接比較國家會造成：

$$
\text{BundledTreatmentBias}
$$

本篇要求先拆開環境：

$$
E
=
(
L,
\text{Edu},
\text{Cap},
\text{Law},
\text{Net},
\text{Risk},
\text{Trust},
\text{Inst},
\text{Infra},
\text{Market},
\text{Family},
\text{Culture},
\text{AIAcc}
)
$$

再建立 country mapping。

---

# 3. Environmental Capability Vector

定義：

$$
ECV
=
(
L,
\text{Edu},
\text{Cap},
\text{Law},
\text{Net},
\text{Infra},
\text{Market},
\text{AIAcc}
)
$$

其中：

- $L$：Language and information access；
- $Edu$：Education and retraining accessibility；
- $Cap$：Capital accessibility；
- $Law$：Legal predictability and permission structure；
- $Net$：Professional and industrial network access；
- $Infra$：Digital, cloud, compute and physical infrastructure；
- $Market$：Accessible market scale and demand；
- $AIAcc$：Frontier AI and tool accessibility。

每一維正規化為：

$$
[0,1]
$$

但這只是實驗尺度，不是宣稱存在自然絕對刻度。

---

# 4. Cultural Decision Vector

制度條件之外，還需要描述人在做決策時受到的文化型先驗。

定義：

$$
CDV
=
(
\text{Rsk},
\text{Aut},
\text{Fail},
\text{Status},
\text{Collect},
\text{Time},
\text{Trust},
\text{Experiment}
)
$$

其中：

- $Rsk$：Risk tolerance；
- $Aut$：Personal autonomy norm；
- $Fail$：Failure stigma；
- $Status$：Status sensitivity；
- $Collect$：Collective/family obligation pressure；
- $Time$：Long-term orientation；
- $Trust$：Interpersonal/institutional trust；
- $Experiment$：Tolerance for experimentation。

這些變量描述：

$$
\text{DecisionPolicy}
$$

而不是人的本質或國民性。

---

# 5. Institutional Accessibility Vector

定義：

$$
IAV
=
(
\text{Create},
\text{Fund},
\text{Hire},
\text{Contract},
\text{Data},
\text{Compute},
\text{Publish},
\text{Collaborate}
)
$$

分別表示：

- 建立公司或組織；
- 取得資金；
- 僱用與合作；
- 簽訂合約；
- 取得資料；
- 取得算力；
- 發表研究；
- 跨境協作；

的可及性。

如果：

$$
IAV
\uparrow
$$

則 ordinary human 更容易把：

$$
\text{Plan}
$$

轉成：

$$
\text{WorldStateChange}
$$

---

# 6. Family and Social Constraint Vector

一般人的長期技術路徑不只受制度限制，也受日常生活責任限制。

定義：

$$
FSCV
=
(
\text{IncomePressure},
\text{CareDuty},
\text{Housing},
\text{FamilyExpectation},
\text{Mobility},
\text{SocialPenalty}
)
$$

其中：

- $IncomePressure$：必須維持收入的壓力；
- $CareDuty$：照護責任；
- $Housing$：居住成本與穩定性；
- $FamilyExpectation$：家庭對職涯與風險的期待；
- $Mobility$：搬遷與跨國移動能力；
- $SocialPenalty$：偏離主流路徑的社會成本。

這些因素可以大幅改變：

$$
\text{AvailableTime}
$$

與：

$$
\text{RiskBudget}
$$

---

# 7. Environment 不是單純資源

若一個人擁有高 AI 能力，但：

- 沒時間；
- 無法合法成立組織；
- 無法取得付款工具；
- 難以使用外部模型；
- 缺少雲端基礎設施；
- 社會失敗成本極高；

則：

$$
\text{CapabilityPotential}
$$

可能很高，但：

$$
\text{CapabilityRealization}
$$

很低。

因此必須區分：

$$
\text{PotentialCapability}
$$

與：

$$
\text{RealizedCapability}
$$

---

# 8. Capability Realization Gap

定義：

$$
CRG
=
\text{PotentialCapability}
-
\text{RealizedCapability}
$$

如果：

$$
CRG
\uparrow
$$

表示 ordinary human 雖然在認知與 AI 能力上具備可行方案，但環境無法讓方案落地。

進一步定義：

$$
\text{RealizationRatio}
=
\frac{
\text{RealizedCapability}
}{
\text{PotentialCapability}+\epsilon
}
$$

---

# 9. Environment Ceiling

沿用 DACWE-03 的 ceiling 概念：

$$
L_{observed}
=
\min(
L_A,
L_H,
L_E,
L_R
)
$$

其中：

$$
L_E
=
\text{Environment Ceiling}
$$

如果：

$$
L_A
\gg
L_E
$$

則再提升 AI 能力也未必帶來更多實際進展。

---

# 10. Environment–AI Complementarity

AI 與環境可能不是獨立相加。

例如：

$$
Effect(A,E)
\neq
Effect(A)+Effect(E)
$$

可能存在：

$$
\frac{\partial^2 Y}{\partial A\partial E}>0
$$

即：

> 高 AI 能力只有在某些環境中才能完整釋放。

也可能存在：

$$
\frac{\partial^2 Y}{\partial A\partial E}<0
$$

因為強 AI 可以部分補償弱環境。

兩者都需要實驗。

---

# 11. Environment Compensation Hypothesis

一個重要假說：

$$
A\uparrow
\Rightarrow
Sensitivity(Y,E)\downarrow
?
$$

也就是 AI 越強，環境差異是否越不重要？

例如：

- AI 幫普通人學技能；
- AI 幫忙寫程式；
- AI 幫忙做市場研究；
- AI 幫忙處理文件；
- AI 幫忙遠距協作。

這些都可能降低：

$$
\text{Edu},
\text{Net},
\text{Skill}
$$

差異。

但 AI 未必能消除：

- 資本；
- 法律；
- 能源；
- 物理硬體；
- 真實市場；
- 身分與支付；
- 地緣限制。

因此可能：

$$
E_{knowledge}
$$

重要性下降，而：

$$
E_{physical/institutional}
$$

重要性上升。

---

# 12. Environmental Bottleneck Transition

定義：

$$
EBT
=
\text{Environmental Bottleneck Transition}
$$

低 AI 時：

$$
B_E
\approx
\text{Education}+\text{Knowledge}+\text{Network}
$$

高 AI 時可能轉為：

$$
B_E
\approx
\text{Capital}+\text{Law}+\text{Compute}+\text{Market}+\text{PhysicalAccess}
$$

如果觀察到這種變化，就表示：

> AI 並沒有消除環境，而是改變了「哪一種環境變量最重要」。

---

# 13. 抽象環境優先於真實國家

第一階段不要直接跑：

$$
TW,US,JP,CN,IN,\ldots
$$

而先跑抽象世界。

例如：

$$
E_L
$$

低支持環境。

$$
E_M
$$

中支持環境。

$$
E_H
$$

高支持環境。

以及更重要的「混合環境」：

$$
E_{highAI-lowCapital}
$$

$$
E_{highEdu-lowRiskTolerance}
$$

$$
E_{highCapital-lowTrust}
$$

$$
E_{highInfra-highRegulation}
$$

這些才能幫助識別真正因果。

---

# 14. Canonical Environment E0：低支持環境

定義：

$$
E_0
$$

具有：

- AI access 低；
- 資本可及性低；
- 高失敗成本；
- 專業網路弱；
- 基礎設施普通；
- 法律與制度摩擦高；
- 可投入時間低；
- 重新教育成本高。

其目的不是模擬某一特定國家，而是建立最低支持基準。

---

# 15. Canonical Environment E1：一般支持環境

$$
E_1
$$

具有：

- 一般消費級 AI 可用；
- 一般網路與雲端服務可用；
- 可建立個人專案；
- 可以遠距取得一定專業資源；
- 創業與研究存在真實但有限機會；
- 法律可預期程度中等。

這是 DACWE 的主 baseline。

---

# 16. Canonical Environment E2：高數位支持

$$
E_2
$$

特徵：

- 高速網路；
- 雲端與 API 容易取得；
- 數位付款成熟；
- 軟體部署容易；
- 遠距合作容易；
- frontier AI 取得容易。

但不保證：

$$
\text{Capital}
$$

或：

$$
\text{PhysicalInfrastructure}
$$

同樣高。

---

# 17. Canonical Environment E3：高資本支持

$$
E_3
$$

特徵：

- 早期資本取得相對容易；
- 專業投資網路存在；
- 快速建立團隊較容易；
- 高風險專案可取得資源。

但可同時設定：

$$
\text{FailureStigma}
$$

或：

$$
\text{CostOfLiving}
$$

為不同值，避免「高資本 = 全面理想環境」。

---

# 18. Canonical Environment E4：高制度穩定

$$
E_4
$$

特徵：

- 規則透明；
- 合約可預期；
- 產權清晰；
- 長期規劃容易；
- 行政摩擦低。

這可能提高：

$$
\text{LongHorizonPlanning}
$$

但不必然提高：

$$
\text{RiskTaking}
$$

---

# 19. Canonical Environment E5：高社會風險

$$
E_5
$$

特徵：

- 失敗社會成本高；
- 家庭期待高；
- 偏離主流職涯成本高；
- 收入中斷風險高；
- 個體可承受探索期短。

此環境主要壓低：

$$
\text{ExperimentBudget}
$$

與：

$$
\text{TimeHorizon}
$$

---

# 20. Canonical Environment E6：高自由探索

$$
E_6
$$

特徵：

- 社會容許非標準路徑；
- 個體可長期試錯；
- 可低成本建立小型實驗；
- 對失敗污名低；
- 可快速重新進入其他職涯。

此條件主要測：

$$
\text{RiskToleranceEnvironment}
$$

---

# 21. Language Access

語言不是單純文化標記。

它直接影響：

$$
\text{InformationBandwidth}
$$

與：

$$
\text{ToolAccessibility}
$$

定義：

$$
L_{access}
=
f(
\text{ResearchLanguage},
\text{Documentation},
\text{ModelQuality},
\text{TranslationCost},
\text{CommunityAccess}
)
$$

如果大量前沿資訊集中在特定語言，則語言能力會影響：

$$
\text{KnowledgeLatency}
$$

---

# 22. AI 翻譯對語言障礙的補償

強 AI 可能降低：

$$
\text{TranslationCost}
$$

因此：

$$
A\uparrow
\Rightarrow
\text{Effect}(\text{LanguageBarrier})\downarrow
$$

可能成立。

但如果：

- 工具文件沒有翻譯；
- 支付與法律仍本地化；
- 人際網路仍依語言；
- 專業社群互動受限；

則：

$$
\text{LanguageBarrier}
\neq
0
$$

---

# 23. Education Access

DACWE 不只考慮 formal education。

定義：

$$
\text{Edu}
=
(
\text{Formal},
\text{Online},
\text{Mentorship},
\text{AI Tutoring},
\text{Credential}
)
$$

高 AI 可能讓：

$$
\text{AI Tutoring}
$$

大幅提升，降低部分教育差距。

但：

$$
\text{Credential}
$$

與：

$$
\text{InstitutionalAccess}
$$

仍可能重要。

---

# 24. Capital Access

資本必須拆成：

$$
\text{Cap}
=
(
\text{Personal},
\text{Credit},
\text{Angel},
\text{VC},
\text{Grant},
\text{Revenue}
)
$$

不同 capability path 對這些來源敏感度不同。

例如純軟體：

$$
\text{CapitalSensitivity}
$$

可能較低。

而硬體、機器人、生物或大型算力：

$$
\text{CapitalSensitivity}
$$

可能極高。

---

# 25. Market Access

即使某地本地市場小：

$$
\text{MarketLocal}
$$

也可能透過數位平台取得：

$$
\text{MarketGlobal}
$$

因此：

$$
\text{Market}
=
\text{MarketLocal}
+
\text{GlobalReach}
-
\text{CrossBorderFriction}
$$

AI-native software path 可能特別依賴：

$$
\text{GlobalReach}
$$

---

# 26. Legal Predictability

本篇不使用簡單的：

$$
\text{Regulation}=\text{bad}
$$

假設。

真正重要的是：

$$
\text{LegalPredictability}
$$

與：

$$
\text{PermissionClarity}
$$

高度嚴格但清楚的制度，可能比模糊且不穩定的制度更利於長期計畫。

因此：

$$
\text{Law}
=
(
\text{Strictness},
\text{Predictability},
\text{Cost},
\text{Speed},
\text{CrossBorder}
)
$$

---

# 27. Social Trust

高 trust 可能降低：

$$
\text{TransactionCost}
$$

低 trust 則可能增加：

- 合約成本；
- 驗證成本；
- 合作摩擦；
- 人類監督成本。

因此：

$$
\text{Trust}\uparrow
\Rightarrow
\text{CoordinationCost}\downarrow
$$

是待驗證假說。

---

# 28. Network Accessibility

不是「認識多少人」，而是：

$$
\text{NetAccess}
=
P(
\text{ReachUsefulActor}
\mid
\text{Need}
)
$$

AI 可能透過：

- 搜尋；
- 冷郵件；
- 社群媒合；
- 文件準備；

降低 network barrier。

但真人信任與資源交換仍不一定可被 AI 取代。

---

# 29. Family Constraints

一般人的 capability path 很可能高度受：

$$
\text{FamilyConstraint}
$$

影響。

例如兩個認知相同的人：

$$
H_a=H_b
$$

但：

$$
\text{CareDuty}_a
\gg
\text{CareDuty}_b
$$

則可投入時間可能完全不同。

因此跨文化研究若忽略家庭與照護責任，容易把：

$$
\text{TimeConstraint}
$$

錯誤歸因給「文化個性」。

---

# 30. Failure Stigma

定義：

$$
\text{FS}
=
\text{Failure Stigma}
$$

其影響可能透過：

$$
\text{FS}
\rightarrow
\text{RiskBudget}
\rightarrow
\text{ExperimentRate}
\rightarrow
\text{LearningRate}
$$

形成。

因此不是：

> 某文化比較保守。

而是具體測：

$$
P(\text{try again}\mid \text{failure})
$$

是否下降。

---

# 31. Experimentation Rate

定義：

$$
\text{ER}
=
\frac{
N_{\text{real experiments}}
}{
T
}
$$

高支持環境可能讓：

$$
\text{ER}\uparrow
$$

而 capability growth 很可能與：

$$
\text{ER}
$$

高度相關。

---

# 32. Information-to-Action Latency

定義：

$$
IAL
=
t_{action}
-
t_{knowledge}
$$

即：

> 從「知道下一步」到「真的做出下一步」需要多久？

AI 主要降低：

$$
t_{knowledge}
$$

而環境主要可能限制：

$$
t_{action}
$$

這個分解非常重要。

---

# 33. Capability Friction

定義：

$$
CF
=
\sum_i
Friction_i
$$

包括：

- 資本摩擦；
- 法律摩擦；
- 語言摩擦；
- 支付摩擦；
- 招募摩擦；
- 算力摩擦；
- 家庭摩擦；
- 社會摩擦。

真正的 capability realization 可以寫成：

$$
C_{realized}
=
\frac{
C_{potential}
}{
1+CF
}
$$

這是簡化模型，但可以用來形成可測量假說。

---

# 34. Environmental Compensation Index

定義：

$$
ECI
=
\frac{
\text{CapabilityGainFromAI}
}{
\text{EnvironmentalFriction}
}
$$

觀察高 AI 是否能對弱環境提供補償。

若：

$$
ECI\uparrow
$$

代表 AI 對環境限制具有較強 offset effect。

---

# 35. 不同願望對環境敏感度不同

$$
Sensitivity(D_i,E)
$$

不會相同。

例如：

$$
D_1
$$

財富安全型可能高度依賴：

$$
\text{Market},
\text{Capital},
\text{Employment}
$$

而：

$$
D_3
$$

創造自由型可能高度依賴：

$$
\text{AIAcc},
\text{Infra},
\text{ToolAccess}
$$

因此不能談一個單一「最佳環境」。

---

# 36. Desire–Environment Interaction

定義：

$$
DEI
=
\frac{\partial^2 Y}{\partial D\partial E}
$$

研究：

> 某些環境是否只對某類欲望特別有利？

例如：

$$
E_{highCapital}
$$

可能對：

$$
D_{startup}
$$

影響大，但對：

$$
D_{personalAutonomy}
$$

未必同樣大。

---

# 37. AI–Environment Interaction

定義：

$$
AEI
=
\frac{\partial^2 Y}{\partial A\partial E}
$$

若強 AI 大幅縮小不同環境之間的差距：

$$
AEI<0
$$

可解讀為 AI 的補償效應。

若強 AI 反而只在高支持環境中能充分發揮：

$$
AEI>0
$$

則可能擴大環境差距。

---

# 38. Inequality Amplification Question

這是一個重要的反事實問題：

$$
A\uparrow
\Rightarrow
Var(Y\mid E)\downarrow
?
$$

還是：

$$
A\uparrow
\Rightarrow
Var(Y\mid E)\uparrow
?
$$

第一種表示：

> AI 平衡環境差異。

第二種表示：

> 好環境更能把 AI 轉化成真實能力，所以差距反而擴大。

DACWE-04 不預設答案。

---

# 39. 抽象文化條件

第一階段文化研究應使用 abstract traits，例如：

$$
C_{risk-high}
$$

$$
C_{failure-low-stigma}
$$

$$
C_{family-duty-high}
$$

$$
C_{long-term-high}
$$

而不是直接使用國名。

如此可以真正做：

$$
do(RiskTolerance=r)
$$

而不是：

$$
do(Country=X)
$$

---

# 40. 文化不是固定人格

同一社會中：

$$
Var(Person\mid Culture)
$$

可能非常大。

因此：

$$
\text{Culture}
$$

只能作為：

$$
\text{PriorDistribution}
$$

而不是決定論。

也就是：

$$
P(DecisionPolicy\mid Culture)
$$

而不是：

$$
\text{Culture}
\Rightarrow
\text{DecisionPolicy}
$$

---

# 41. Country Mapping Layer

當 abstract experiments 完成後，才能進入：

$$
\text{Country}
\rightarrow
(E,C)
$$

mapping。

例如建立：

```json
{
  "region_id": "...",
  "date": "YYYY-MM-DD",
  "language_access": 0.0,
  "ai_access": 0.0,
  "capital_access": 0.0,
  "legal_predictability": 0.0,
  "digital_infrastructure": 0.0,
  "failure_stigma": 0.0,
  "family_constraint": 0.0,
  "global_market_access": 0.0,
  "evidence": []
}
```

所有真實世界 mapping 必須：

- 有日期；
- 有來源；
- 可更新；
- 保留不確定度；
- 不用單一刻板印象填值。

---

# 42. Country Mapping 不是排名

DACWE-04 禁止把 mapping 轉成：

> 最適合 ASI 的國家排名。

因為：

$$
Score_{overall}
$$

會掩蓋：

$$
\text{PathSpecificity}
$$

真正要比較的是：

$$
Y(D,A,U\mid E_{region})
$$

即：

> 對某一具體 desire 與 capability path，某環境如何改變可達性？

---

# 43. 區域內部差異

國家內部也可能存在：

$$
E_{city}
\neq
E_{rural}
$$

$$
E_{capital}
\neq
E_{periphery}
$$

$$
E_{wealthy}
\neq
E_{lowincome}
$$

因此後續 empirical mapping 應允許：

$$
\text{Region}
\subset
\text{Country}
$$

而不是假設整國同質。

---

# 44. 移民與遠距工作的反事實

普通人不一定永久綁定原環境。

可以定義：

$$
\text{MoveAction}
$$

與：

$$
\text{RemoteAccess}
$$

因此：

$$
E_t
$$

本身可能改變。

例如：

$$
E_0
\rightarrow
E_1
$$

透過：

- 遠距工作；
- 跨境公司；
- 移民；
- 數位服務；
- 國際合作。

所以環境不是只讀變量。

---

# 45. Environment Modification as Capability

如果 AI 幫普通人：

- 找到更低成本市場；
- 建立遠距收入；
- 申請補助；
- 尋找合作夥伴；
- 轉移雲端基礎設施；

那麼 AI 實際上在做：

$$
E_t
\rightarrow
E_{t+1}
$$

也就是修改使用者所處的有效環境。

這使：

$$
\text{EnvironmentNavigation}
$$

本身成為重要 capability。

---

# 46. Effective Environment

定義：

$$
E_{effective}
$$

為個體實際可使用的環境，而非出生地。

$$
E_{effective}
=
E_{local}
+
E_{digital}
+
E_{remote}
+
E_{institutional\ access}
$$

在網路與 AI 時代：

$$
E_{effective}
\neq
E_{country}
$$

這對跨文化研究非常重要。

---

# 47. AI 可能使地理重要性下降，但不歸零

若：

$$
DigitalAccess\uparrow
$$

則：

$$
GeographicConstraint\downarrow
$$

可能成立。

但：

- 稅務；
- 法律；
- 硬體；
- 能源；
- 身分；
- 人才；
- 物理製造；

仍受地理影響。

因此：

$$
\text{GeographyImportance}
\rightarrow
\text{lower}
$$

不等於：

$$
\text{GeographyImportance}
\rightarrow
0
$$

---

# 48. 第一批 Abstract Environment Matrix

建議固定：

$$
H=H_0
$$

$$
D=D_5^{decontaminated}
$$

$$
U=U_1
$$

$$
A=A_2
$$

比較：

$$
E_0,E_1,E_2,E_3,E_4,E_5,E_6
$$

每組：

$$
10
$$

次 rollout。

因此：

$$
N=70
$$

---

# 49. 第二批 Factorial Matrix

進一步選四個核心環境因子：

$$
\text{AIAcc}
$$

$$
\text{Capital}
$$

$$
\text{RiskTolerance}
$$

$$
\text{InstitutionalPredictability}
$$

各分：

$$
\text{Low}/\text{High}
$$

形成：

$$
2^4=16
$$

組。

每組：

$$
10
$$

次。

總共：

$$
160
$$

條。

這比單純國家比較更能找出 causal driver。

---

# 50. 第三批 Culture–Environment 分離

固定同一 ECV，只替換 CDV：

$$
C_1,C_2,C_3
$$

例如：

- 高風險容忍；
- 高家庭義務；
- 高失敗污名。

如此測：

$$
\text{CultureEffect}
$$

而不讓資本、法規等制度變量同時改變。

---

# 51. 第四批 Country Mapping

只有在前面建立 causal structure 後，才將：

$$
\text{US},
\text{CN},
\text{JP},
\text{KR},
\text{TW},
\text{IN},
\text{EU},
\text{LATAM},
\text{ME},
\text{Nordic}
$$

等現實區域映射進來。

此階段必須使用：

$$
\text{DateStampedEvidence}
$$

因為：

$$
E_{country}(t)
$$

會隨政策、AI 可及性與產業環境改變。

---

# 52. 真實國家不是單一點

每個國家應表示成 distribution：

$$
E_{country}
\sim
P(E)
$$

而不是單一固定 vector。

例如：

$$
\text{CapitalAccess}
$$

對不同階級、城市與產業的人可能完全不同。

因此 empirical DACWE 應使用：

$$
\text{PopulationConditionalEnvironment}
$$

---

# 53. Ordinary Human 的社經條件必須固定

若比較國家時，一組是：

$$
\text{middle class}
$$

另一組是：

$$
\text{wealthy founder}
$$

則比較無效。

因此需固定：

$$
SES
$$

或明確分層：

$$
SES_{low},
SES_{mid},
SES_{high}
$$

---

# 54. Culture Prior 與 Individual Override

普通人可以違反文化先驗。

因此：

$$
\text{DecisionPolicy}
=
f(
\text{CulturePrior},
\text{IndividualPreference},
\text{AIAdvice},
\text{Experience}
)
$$

AI 甚至可能讓：

$$
\text{CulturePriorWeight}
$$

逐步下降，因為使用者接觸到更多替代路徑。

這本身也是可測現象。

---

# 55. Cultural Updating

定義：

$$
C_t
$$

為使用者的 decision prior。

經過 AI 與成功／失敗後：

$$
C_{t+1}
=
\Omega(
C_t,
\text{Evidence}_t,
\text{Outcome}_t
)
$$

因此文化不是靜態常數。

---

# 56. Path Dependence

不同環境可能早期造成不同選擇：

$$
E_a
\rightarrow
T_a
$$

$$
E_b
\rightarrow
T_b
$$

即使後來環境趨同：

$$
E_a'\approx E_b'
$$

trajectory 仍可能因：

$$
\text{PathDependence}
$$

而不同。

因此 DACWE 應保存完整歷史，而不是只看最終狀態。

---

# 57. Environmental Lock-In

若某條早期環境限制迫使個體選擇：

$$
T_1
$$

之後轉換到：

$$
T_2
$$

成本很高，則形成：

$$
\text{LockIn}
$$

定義：

$$
\text{SwitchCost}(T_1\rightarrow T_2)
$$

這是國家／制度長期差異可能持續的重要機制。

---

# 58. Environment Escape Routes

AI 可能發現：

$$
\text{EscapeRoute}
$$

包括：

- 遠距工作；
- 雲端工具；
- 開源軟體；
- 線上教育；
- 國際合作；
- 跨境市場；
- 數位產品。

因此可以測：

$$
\text{EscapeRate}
=
P(
E_{effective}\uparrow
\mid
AI
)
$$

---

# 59. Physical-World Constraint

有些 desire 可高度數位化：

$$
D_{software}
$$

有些則高度實體：

$$
D_{robotics}
$$

因此：

$$
\text{EnvironmentSensitivity}_{physical}
>
\text{EnvironmentSensitivity}_{digital}
$$

可能成立。

DACWE-04 後續應分別測軟體型與實體型 capability path。

---

# 60. Environmental Accessibility Score

可定義：

$$
EAS
=
w_1L
+w_2\text{Cap}
+w_3\text{Law}
+w_4\text{Net}
+w_5\text{Infra}
+w_6\text{AIAcc}
$$

但本篇不推薦把它當作唯一總分。

因為：

$$
w_i
$$

依 desire 而異。

更好的表示是：

$$
EAS(D)
$$

即 desire-specific accessibility。

---

# 61. Desire-Specific Environment Fit

定義：

$$
DEF(D,E)
$$

表示：

> 某環境對特定 desire path 的適配度。

例如：

$$
DEF(D_3,E)
$$

與：

$$
DEF(D_5,E)
$$

可能不同。

這避免把環境變成單一排名。

---

# 62. Environment Robustness

如果某條 capability path 在：

$$
E_0,E_1,\ldots,E_6
$$

都能成立，則其：

$$
\text{EnvironmentRobustness}
$$

高。

定義：

$$
\text{ERobust}
=
1-
Var(Y\mid E)
$$

經適當正規化後使用。

這能找出：

> 對普通人而言，不太依賴出生地或制度條件的能力路徑。

---

# 63. Environment Fragility

相反地：

$$
\text{EFragility}
=
Var(Y\mid E)
$$

高代表該路徑高度依賴環境。

若 ASI-like trajectory 只有在非常高支持環境出現，這是一個重要限制。

---

# 64. Cross-Environment Attractor

如果不同環境：

$$
E_i
$$

仍反覆收斂到同一 capability node：

$$
C^\*
$$

則可稱：

$$
\text{CrossEnvironmentAttractor}
$$

其證據比單一環境 attractor 更強。

---

# 65. 跨文化語義控制

同一 desire 在不同語言翻譯時，可能發生：

$$
\text{MeaningDrift}
$$

因此需建立：

$$
\text{SemanticEquivalenceCheck}
$$

要求：

$$
\text{Meaning}(D^{zh})
\approx
\text{Meaning}(D^{en})
\approx
\text{Meaning}(D^{ja})
$$

而不是字面直譯。

---

# 66. 模型語言能力也是干擾變量

若某模型：

$$
\text{Performance}_{en}
>
\text{Performance}_{zh}
$$

則國家／文化比較可能其實是在比較模型語言能力。

因此要控制：

$$
\text{ModelLanguageCompetence}
$$

必要時：

$$
\text{TranslateInput}
$$

與：

$$
\text{NativeLanguageInput}
$$

都跑。

---

# 67. Country Comparison 的最低要求

任何現實國家比較至少需要：

1. 同一時間窗口；
2. 同一社經層級；
3. 同一 desire；
4. 同一 AI condition；
5. 同一 operator policy；
6. 同一資源上限；
7. 可追溯資料來源；
8. 不確定度；
9. 區域內變異；
10. 明確禁止價值排名。

---

# 68. 主要 dependent variables

DACWE-04 每條 trajectory 保存：

$$
Y=
(
L,
CRG,
\text{ER},
IAL,
CF,
HCB,
HSB,
DF,
CI,
X_{ASI},
T_{realization}
)
$$

其中：

- $L$：能力階梯；
- $CRG$：能力實現落差；
- $\text{ER}$：實驗率；
- $IAL$：資訊到行動延遲；
- $CF$：環境摩擦；
- $HCB$：人類認知負擔；
- $HSB$：steering budget；
- $DF$：desire fidelity；
- $CI$：capability inflation；
- $X_{ASI}$：ASI-like requirement；
- $T_{realization}$：從計畫到實際成果所需時間。

---

# 69. 主要假說

## H4.1：環境實現假說

$$
E_{support}\uparrow
\Rightarrow
CRG\downarrow
$$

## H4.2：AI 補償假說

$$
A\uparrow
\Rightarrow
\text{Sensitivity}(Y,E_{knowledge})\downarrow
$$

## H4.3：實體／制度瓶頸殘留假說

即使：

$$
A\uparrow
$$

仍有：

$$
\text{Sensitivity}(Y,E_{physical/institutional})>0
$$

## H4.4：瓶頸轉移假說

$$
\text{Education}+\text{Skill}
\rightarrow
\text{Capital}+\text{Law}+\text{Compute}+\text{Market}
$$

可能隨 AI 提升成為主要環境瓶頸。

## H4.5：環境差距方向不確定假說

$$
A\uparrow
$$

可能讓：

$$
Var(Y\mid E)
$$

上升或下降，不能預設。

---

# 70. 反證條件

## 70.1 環境改變但結果幾乎不變

若：

$$
Y(E_i)
\approx
Y(E_j)
$$

則環境不是主要瓶頸。

## 70.2 所有差異其實來自模型語言偏差

若語言控制後差異消失：

$$
\text{CultureEffect}
\approx
0
$$

則原始結果不能歸因文化。

## 70.3 國家 mapping 無法穩定重現

若相同國家不同資料源造成巨大 vector 差異：

$$
\text{MappingUncertainty}\uparrow
$$

則應回到 abstract environment level。

## 70.4 ordinary-human seed 不一致

如果不同地區給不同人物能力，國家比較失效。

---

# 71. 第一個最低成本 MVP

固定：

$$
H=H_0
$$

$$
D=D_5^{decontaminated}
$$

$$
U=U_1
$$

$$
A=A_2
$$

只比較：

$$
E_0,E_1,E_2
$$

各：

$$
10
$$

次。

總計：

$$
30
$$

條 trajectory。

先回答：

> 高數位／AI 支持本身，是否顯著降低 capability realization gap？

---

# 72. 第二個 MVP：文化分離

固定同一 ECV，只改：

$$
CDV
$$

例如：

$$
C_{risk-low}
$$

$$
C_{risk-high}
$$

$$
C_{family-high}
$$

各：

$$
10
$$

次。

總計：

$$
30
$$

條。

這能第一次乾淨測：

$$
\text{DecisionPrior}
$$

而不是國籍。

---

# 73. 第三個 MVP：AI × Environment

比較：

$$
A_1,A_3
$$

與：

$$
E_0,E_2
$$

形成：

$$
2\times2
$$

factorial。

每格：

$$
10
$$

次。

總計：

$$
40
$$

條。

用來估：

$$
AEI
=
\frac{\partial^2Y}{\partial A\partial E}
$$

---

# 74. 從抽象環境進入美中日韓台印等比較

當前四篇完成後，現實跨文化研究的正確順序是：

$$
\text{Abstract Causal Model}
$$

先確定：

- 什麼變量可能重要；
- 什麼交互作用存在；
- 哪些結果對語言敏感；
- 哪些能力對資本敏感。

再進入：

$$
\text{Empirical Country Mapping}
$$

把：

$$
US,CN,JP,KR,TW,IN,\ldots
$$

映射成：

$$
E_{region}(t)
$$

如此才能回答：

> 相同 ordinary human 在不同實際環境中，哪一段 capability path 最容易被卡住？

而不是回答：

> 哪個國家的人比較強？

---

# 75. Culture-to-Desire Prior

DACWE-04 還需要連回 DACWE-01。

文化可能首先改變的不是 capability，而是：

$$
P(D_i\mid \text{Culture})
$$

例如某些社會環境可能提高：

- 安全型願望；
- 財富型願望；
- 家庭型願望；
- 創造型願望；
- 地位型願望；

的 prior。

因此完整鏈為：

$$
\text{Culture}
\rightarrow
\text{DesirePrior}
\rightarrow
\text{Steering}
\rightarrow
\text{CapabilityPath}
$$

與：

$$
\text{Environment}
\rightarrow
\text{RealizationConstraint}
$$

兩條不同路徑。

---

# 76. Desire Prior 與 Environment Effect 必須分離

若某地較少人追求某類高風險目標，可能是：

$$
P(D)
$$

不同。

也可能是：

$$
P(\text{Action}\mid D,E)
$$

不同。

這兩者完全不同。

因此：

$$
\text{CultureEffect}
=
\text{DesireFormation}
+
\text{DecisionPolicy}
$$

而：

$$
\text{EnvironmentEffect}
=
\text{Feasibility}
+
\text{Friction}
+
\text{ResourceAccess}
$$

---

# 77. 「普通人」本身也要跨文化重新驗證

Canonical $H_0$ 是控制構造物，不是全球平均人。

後續真人研究需建立：

$$
H_0^{region}
$$

但只能調整：

- 教育年數；
- 數位素養；
- 可支配時間；
- 平均資源；

等可測變量。

不能加入模糊的：

> 某國人比較勤奮。

這類不可乾淨操作化的敘述。

---

# 78. Ethical Interpretation

DACWE-04 的結果只能說：

> 在模型設定與指定環境向量下，某些 capability trajectories 較容易或較難實現。

不能推出：

- 某文化比較優越；
- 某國人民比較聰明；
- 某社會「應該」採取某種價值；
- 某制度是唯一正解。

研究的是：

$$
\text{CapabilityPathSensitivity}
$$

不是文明排名。

---

# 79. 核心判定圖一：Environment vs Realization Gap

橫軸：

$$
\text{EnvironmentSupport}
$$

縱軸：

$$
CRG
$$

觀察：

$$
CRG(E)
$$

---

# 80. 核心判定圖二：AI × Environment

建立 surface：

$$
Y=F(A,E)
$$

觀察高 AI 是否：

- 壓平環境差異；
- 放大環境差異；
- 只改變瓶頸種類。

---

# 81. 核心判定圖三：Friction Decomposition

將：

$$
CF
$$

拆成：

$$
CF=
CF_{capital}
+
CF_{law}
+
CF_{language}
+
CF_{network}
+
CF_{family}
+
CF_{compute}
+
CF_{market}
$$

看哪一項在不同 capability stage 成為主要阻力。

---

# 82. 核心判定圖四：Effective Environment Transition

追蹤：

$$
E_{effective}(t)
$$

觀察 AI 是否幫 ordinary human：

$$
E_{effective}(t+1)
>
E_{effective}(t)
$$

例如透過遠距、雲端、跨境或數位化擴大有效環境。

---

# 83. 本篇最重要的概念修正

最初問題容易寫成：

$$
\text{Country}
\rightarrow
\text{ASIPath}
$$

DACWE-04 將其修正為：

$$
\text{Country}
\rightarrow
(E,C)
$$

再：

$$
(E,C)
\rightarrow
\text{DecisionPolicy}
+
\text{CapabilityFriction}
+
\text{ResourceAccess}
$$

最後：

$$
\rightarrow
\text{Trajectory}
$$

因此「國家」不再是黑盒因果標籤。

---

# 84. 本篇核心命題

DACWE-04 的第一個可否證命題：

$$
\boxed{
\exists E_i,E_j:
Y(H_0,D,U,A,E_i)
\neq
Y(H_0,D,U,A,E_j)
}
$$

也就是：

> 即使人物、願望與 AI 都相同，環境本身仍可能顯著改變能力路徑。

第二個更重要的命題：

$$
\boxed{
A\uparrow
\text{ 可能不會消除環境差異，而是重新排列環境瓶頸。}
}
$$

第三個命題：

$$
\boxed{
E_{effective}
\neq
E_{birthplace}
}
$$

因為 AI、網路與遠距系統可能讓 ordinary human 主動重構自己的有效環境。

---

# 85. 與 DACWE-00 至 03 的聯立

現在完整模型為：

$$
Y
=
F(
H,
D,
U,
A,
E,
M,
T
)
$$

其中：

- DACWE-00：世界、反事實與 trajectory；
- DACWE-01： $D$ ；
- DACWE-02： $U$ ；
- DACWE-03： $A$ ；
- DACWE-04： $E$。

這代表最初那個看似很簡單的問題：

> 普通人只靠強意圖與提升詞，配合 AI，能不能一步一步走向 ASI-like capability？

現在已經被拆成一個真正可執行的反事實研究框架。

---

# 86. 下一篇

下一篇最自然進入：

$$
\boxed{
\text{DACWE-05：General-Desire Capability Attractors}
}
$$

前四篇先固定了：

$$
D,U,A,E
$$

DACWE-05 將開始研究不同 rollout 是否真的會反覆收斂到共同 capability nodes。

核心問題：

> 高通用人類欲望是否存在跨 prompt、跨模型、跨環境仍反覆出現的能力吸引子？

形式化：

$$
D_i
\rightarrow
\cdots
\rightarrow
C^\*
$$

並測：

$$
P(C^\*\mid D_i,A,E,U)
$$

以及：

$$
\text{CrossModelConvergence}
$$

$$
\text{CrossEnvironmentConvergence}
$$

$$
\text{AlternativePathSurvival}
$$

如果某個「高度通用、自主、可持續研究與執行的智能系統」在沒有預埋 AGI／ASI 的情況下仍反覆成為 capability attractor，才真正值得把研究推進到：

$$
AGI/ASI\text{-like attractor}
$$

層級。