# IDSLS-03｜什麼才是高品質資料 ## 從知識語料到行為、經驗、信任與世界回饋 **English Title:** *What Counts as High-Quality Data? From Knowledge Corpora to Behavior, Experience, Trust, and World Feedback* **系列：** Intelligence Developmental States and Learning Substrates（IDSLS）／智能發展態與學習基質論 **編號：** IDSLS-03 **版本：** v0.1 **日期：** 2026-10-04 **狀態：** Canonical Source / UTF-8 Markdown **作者：** Neo.K **機構：** EveMissLab Technology Co., Ltd. **協作整理：** Aletheia / GPT-5.6 Sol **直接前置：** - IDSLS-00《智能發展態與學習基質：從參數尺度到發展性尺度》 - IDSLS-01《當 AI 開始進入世界：Agent Web、自主市場活動與行動治理》 - IDSLS-02《權威資料之後：AI 時代的學術平台、證據權威與機器可讀研究網路》 - 《高品質資料不會枯竭：從靜態資料存量論到動態資料生產與判準治理》 - 《合作軌跡作為訓練資料：從 QA 樣本到意圖—行動—修正歷史》 - 《人機智能體共適應學習：意圖溝通、修正與長期共同適應》 - GCCF-08《能力安全與可驗證執行：身份、Permit、Trust 與 Evidence》 - JEV × World Runtime《AI-Native Persistent World Decision Architecture》 **公司：** 一言諾科技有限公司 --- # 摘要 大型語言模型時代早期，「高品質資料」通常指高可信文字、書籍、百科、論文、程式碼、專家標註與其他經過人工篩選的知識語料。這一定義對建立語言、世界知識、專業能力與基礎推理極為重要，至今也沒有失效。 然而，當 AI 從文字模型逐漸轉向多模態 Agent、Computer-Use Agent、Persistent Agent、遊戲智能、長時程工作者與具身系統時，資料的主要學習目標開始擴張。AI 不再只需要學： > 世界是什麼？ 也開始需要學： > 在世界中做某件事會發生什麼？ > 做錯之後如何發現？ > 哪種修正有效？ > 哪些資料雖然知道，卻不應使用或揭露？ > 一個跨數小時、數天甚至數月的目標如何維持？ > 世界規則變化時，如何重新適應？ 因此，本文提出：AI 時代的「高品質資料」不應再被定義為某一固定資料來源或格式，而應被定義為其對特定智能發展態所提供的 **可驗證能力增益**。 延續 IDSLS-00，令智能發展態為 $Z_t$，資料為 $D$，則： $$ Q^\ast(D\mid Z_t) = \mathbb E[ \Delta C \mid D,Z_t ]. $$ 因此： $$ \boxed{ \text{High-Quality Data} \neq \text{High-Status Source Only}. } $$ 更完整地，本文將下一階段 AI 的高品質資料分成五個主要平面： $$ \boxed{ \mathcal D = D_K \cup D_B \cup D_E \cup D_T \cup D_W } $$ 其中： - $D_K$：Knowledge Data，知識資料； - $D_B$：Behavior Data，行為資料； - $D_E$：Experience Data，經驗資料； - $D_T$：Trust / Boundary Data，信任、權限與邊界資料； - $D_W$：World Feedback Data，世界回饋資料。 本文進一步提出資料品質向量： $$ \boxed{ \mathbf Q_D = ( q_K, \rho_C, f_F, \rho_R, b_C, \tau_D, w_G, p_V, \phi_Z, c_P ) } $$ 分別表示： - $q_K$：knowledge / semantic quality； - $\rho_C$：causal density； - $f_F$：feedback fidelity； - $\rho_R$：recovery density； - $b_C$：boundary coverage； - $\tau_D$：temporal depth； - $w_G$：world grounding； - $p_V$：provenance / verifiability； - $\phi_Z$：development fit； - $c_P$：privacy / contamination cost。 此向量避免將所有資料壓縮成單一「品質分數」。一篇頂級論文可能具有極高 $q_K$ 與 $p_V$，但低 $\rho_C$ ；一段經驗豐富的遊戲軌跡可能具有高 $\rho_C$ 、高 $\rho_R$ 與高 $w_G$，卻未必具有高專業知識密度；一段真實 Agent 操作資料可能具有極高學習價值，卻同時具有高隱私成本 $c_P$。 本文提出 **Experience Quality**、**Failure-to-Recovery Data**、**Boundary Data**、**World Settlement Evidence** 與 **Development-Matched Data** 等概念，並主張未來資料工程的核心不再只是： $$ \text{Collect} \rightarrow \text{Clean} \rightarrow \text{Train}, $$ 而更接近： $$ \boxed{ \text{Observe} \rightarrow \text{Structure} \rightarrow \text{Verify} \rightarrow \text{Classify} \rightarrow \text{Match to } Z_t \rightarrow \text{Train} \rightarrow \text{Measure gain}. } $$ 本文最後提出一組可否證實驗，用以比較文字、問題求解、成功軌跡、失敗恢復軌跡、遊戲世界資料、權限邊界資料與真實環境回饋的相對學習價值。 **關鍵詞：** High-Quality Data；Agent Trajectory；Experience Data；Causal Density；Failure Recovery；Trust Data；Permission Boundary；World Feedback；Development Fit；Training Data；AI Data Value；Long-Horizon Agent --- # 0. 研究問題 AI 產業長期討論： > 高品質資料會不會用完？ 但這個問題預設了一個更基本的問題已經有答案： > 什麼叫高品質資料？ 在文字模型時代，答案比較接近： - 高可信文字； - 專業書籍； - 學術論文； - 高品質網站； - 程式碼； - 人類專家資料。 但 Agent 時代使問題改寫： $$ \boxed{ \text{Data Quality for What Capability?} } $$ --- # 1. 高品質不是資料的絕對屬性 令： $$ D $$ 為資料。 傳統思維容易寫成： $$ Q(D). $$ 但 IDSLS 認為更完整的是： $$ \boxed{ Q(D\mid Z,T,E). } $$ 其中： - $Z$：智能發展態； - $T$：目標能力； - $E$：部署環境。 --- # 2. 同一份資料可以同時是高品質與低價值 例如： $$ D_{\text{advanced physics}} $$ 本身可以極高品質。 但對不具備基礎數學能力的系統： $$ V(D_{\text{advanced physics}}\mid Z_{\text{primitive}}) \approx0. $$ 因此： $$ \boxed{ \text{Data Quality} \neq \text{Marginal Learning Value}. } $$ --- # 3. 高品質資料應至少分成兩個概念 ## 3.1 Intrinsic Quality $$ Q_I(D) $$ 描述資料自身： - 正確； - 清楚； - 完整； - 來源可信； - 可驗證； - 低污染。 ## 3.2 Developmental Value $$ Q_D(D\mid Z_t) $$ 描述： > 這份資料現在能不能讓這個智能進一步成長？ 因此： $$ \boxed{ Q_I \neq Q_D. } $$ --- # 4. 從靜態資料存量到動態資料生產 前置研究已提出： $$ \text{Static Data Stock} \rightarrow \text{Dynamic Data Production}. $$ 新的資料來源包括： - AI 生成資料； - 人機協作資料； - Agent 任務軌跡； - AI 修正資料； - 失敗資料； - 評測資料； - 邊界資料； - 工具結果； - 世界回饋； - 長時程歷史。 因此： $$ \boxed{ \text{Data} } $$ 逐漸從「過去留下的文件」擴張為「智能活動本身產生的歷史」。 --- # 5. 五個資料平面 本文提出： $$ \boxed{ \mathcal D = D_K \cup D_B \cup D_E \cup D_T \cup D_W. } $$ --- # 6. Knowledge Data $$ D_K = \text{Knowledge Data}. $$ 包括： - paper； - book； - textbook； - code； - encyclopedia； - specification； - theorem； - documentation； - expert explanation。 它主要回答： > 世界有哪些概念、規則、知識與方法？ --- # 7. Knowledge Data 仍然極重要 本文不主張： $$ D_K\rightarrow0. $$ 相反： $$ D_K $$ 仍是高階 Agent 的知識地基。 沒有： $$ \text{Knowledge}, $$ Agent 只會： $$ \text{TrialAndError}. $$ 成本極高。 --- # 8. Behavior Data $$ D_B = \text{Behavior Data}. $$ 它包含： $$ \text{Observation} \rightarrow \text{Action}. $$ 例如： - UI 操作； - keyboard / mouse； - game controller； - tool call； - command execution； - workflow step。 --- # 9. Behavior Data 與答案資料不同 QA： $$ x \rightarrow y. $$ Behavior： $$ s_t \rightarrow a_t. $$ 它教模型： > 在這個狀態下，下一步應做什麼？ --- # 10. Experience Data $$ D_E = \text{Experience Data}. $$ 比 Behavior 更完整： $$ \boxed{ s_t \xrightarrow{a_t} s_{t+1}. } $$ 它包含： - action； - consequence； - reward； - error； - environment response。 --- # 11. Experience 的核心是閉環 若只有： $$ a_t, $$ 不知道結果， 就只是 action log。 真正 Experience： $$ \boxed{ \text{Observation} \rightarrow \text{Action} \rightarrow \text{Outcome} \rightarrow \text{Update}. } $$ --- # 12. Trust / Boundary Data $$ D_T = \text{Trust / Boundary Data}. $$ 它回答： - 可以做什麼？ - 不可以做什麼？ - 哪裡需要問？ - 哪些資訊可以使用？ - 哪些資訊不可揭露？ - 哪些行動必須升級？ --- # 13. Trust Data 不是單純拒絕資料 例如： ```text State: user asked "看看哪個比較好" Agent action: purchased item Human judgment: wrong — "看看" did not authorize purchase ``` 真正訓練訊號是： $$ \boxed{ \text{IntentBoundary}. } $$ --- # 14. World Feedback Data $$ D_W = \text{World Feedback Data}. $$ 例如： - test passed； - payment failed； - item unavailable； - robot dropped object； - NPC rejected request； - server returned error； - user corrected Agent； - game character died。 --- # 15. World Feedback 是外部錨點 模型可以相信： $$ "I succeeded." $$ 但真正重要的是： $$ \text{WorldResult}. $$ 因此： $$ \boxed{ \text{SelfReport} \neq \text{WorldEvidence}. } $$ --- # 16. 五層資料的關係 可以理解為： $$ D_K : \text{What is true / known?} $$ $$ D_B : \text{What action is chosen?} $$ $$ D_E : \text{What happened after action?} $$ $$ D_T : \text{Was the action allowed / appropriate?} $$ $$ D_W : \text{What did the world actually return?} $$ --- # 17. 下一代 Agent 需要的是多層耦合 真正高價值資料往往不是單層。 例如： $$ \boxed{ D^\ast = D_K + D_B + D_E + D_T + D_W. } $$ 一個 Agent 可能： - 知道取消條款； - 選擇取消； - 執行取消； - 符合授權； - 得到退款確認。 這才形成完整經驗。 --- # 18. Human–Agent Collaborative Trajectory 前置研究提出 HACT： $$ \boxed{ HACT = \text{Human–Agent Collaborative Trajectory}. } $$ 其基本結構不是： $$ \text{Question} \rightarrow \text{Answer}. $$ 而是： $$ \text{Intent} \rightarrow \text{Interpretation} \rightarrow \text{Clarification} \rightarrow \text{Plan} \rightarrow \text{Action} \rightarrow \text{Verification} \rightarrow \text{Correction} \rightarrow \text{Outcome}. $$ --- # 19. 最終答案可能是最低資訊密度部分 例如： > 成功完成。 本身幾乎沒有學習訊號。 真正有價值的可能是： - 第一次理解錯； - 人類如何修正； - 哪個 action 失敗； - 為什麼 rollback； - 哪個工具不可用； - 如何改 plan； - 最後如何確認成功。 --- # 20. Trajectory Compression 不是所有 raw logs 都值得訓練。 所以需要： $$ \boxed{ \text{RawTrace} \rightarrow \text{SemanticTrajectory}. } $$ --- # 21. Raw Event 可能包括： - mouse movement； - network request； - token logs； - UI repaint； - timestamp。 其中大量是低價值噪音。 --- # 22. Semantic Event 例如： ```text Agent attempted login Login failed: MFA required Agent escalated to user User approved MFA Login succeeded ``` 這比完整 pixel / network log 更適合訓練。 --- # 23. Episode 多個 semantic events 可以形成： $$ \boxed{ \text{Episode}. } $$ Episode 有： - goal； - starting state； - constraints； - action sequence； - outcome； - learning point。 --- # 24. Generalizable Rule Episode 還可以再編譯成： $$ \boxed{ \text{PolicyUpdate}. } $$ 例如： > 新裝置登入遇到 MFA 時，不要重複輸入密碼，直接要求使用者完成第二因素驗證。 這是從經驗中抽象出的規則。 --- # 25. 四層資料編譯 因此： $$ \boxed{ \text{RawLog} \rightarrow \text{SemanticEvent} \rightarrow \text{Episode} \rightarrow \text{GeneralizableRule}. } $$ 不同層適合不同 training purpose。 --- # 26. 成功資料不是全部 大量 imitation learning 容易偏好： $$ D_{\text{success}}. $$ 但 Agent 最難的是： $$ \boxed{ \text{Unexpected World}. } $$ --- # 27. Failure Data $$ D_F = \text{Failure Data}. $$ 包括： - 錯誤 action； - 錯誤 plan； - 錯誤假設； - 失敗 tool call； - 權限錯誤； - 環境改變； - API failure； - user rejection。 --- # 28. 失敗本身不一定高品質 若只記： > failed. 資訊仍很低。 高品質 failure data 需要： $$ \boxed{ \text{Failure} + \text{Cause} + \text{Detection} + \text{Correction}. } $$ --- # 29. Failure-to-Recovery Data 本文定義： $$ \boxed{ D_{F\rightarrow R} = \text{Failure-to-Recovery Data}. } $$ 基本形式： $$ s_t \xrightarrow{a_t} f_t \xrightarrow{detect} c_t \xrightarrow{a'_t} s_{t+1}^{success}. $$ --- # 30. Recovery Density 本文定義： $$ \boxed{ \rho_R(D) = \frac{ N_{\text{meaningful failure-recovery transitions}} }{ \text{data volume or time} }. } $$ 它測量： > 這包資料包含多少真正可學習的修正事件？ --- # 31. 為什麼 Recovery 重要 現實 Agent 不可能永遠走： $$ \text{OptimalPath}. $$ 真正需要： $$ \boxed{ \text{DetectDeviation} \rightarrow \text{Replan} \rightarrow \text{Recover}. } $$ --- # 32. 「對了就是對了，錯了就是錯了」的資料優勢 遊戲、程式測試、形式驗證與部分工具環境具有： $$ \boxed{ \text{FastFeedback}. } $$ 例如： - hit / miss； - dead / alive； - test pass / fail； - build success / failure； - valid / invalid action。 --- # 33. Feedback Fidelity 本文定義： $$ \boxed{ f_F(D) = \text{Feedback Fidelity}. } $$ 描述： > 資料中的回饋有多可靠地反映實際世界結果？ --- # 34. 高速回饋不等於高保真 一個 reward function 可以很快， 但設計錯： $$ Reward\neq Goal. $$ 則 Agent 會學錯。 所以： $$ \boxed{ \text{FeedbackSpeed} \neq \text{FeedbackFidelity}. } $$ --- # 35. Reward Hacking 本質上是資料品質問題 若： $$ R(s,a) $$ 不能代表真正目標， 則大量 trajectory 反而會把錯誤策略強化。 --- # 36. World Grounding 本文定義： $$ \boxed{ w_G(D) = \text{World Grounding}. } $$ 表示資料與實際可驗證環境狀態的耦合程度。 --- # 37. 文字中的世界描述 例如： > 玻璃很脆。 具有知識價值。 --- # 38. 世界回饋 Agent 真正抓玻璃： $$ \text{Force} \rightarrow \text{TactileFeedback} \rightarrow Break/NoBreak. $$ 具有： $$ w_G\uparrow. $$ --- # 39. World Grounding 不代表一定是物理世界 遊戲世界只要具有 canonical state： $$ W_t, $$ 也可以有高： $$ w_G $$ 相對於該世界。 --- # 40. Synthetic World 也能提供真實因果 若遊戲規則： $$ F_W $$ 穩定， 則： $$ a_t \rightarrow W_{t+1} $$ 是在該人工世界中的真因果，而不是語言猜測。 --- # 41. Causal Density 延續 IDSLS-00： $$ \boxed{ \rho_C(D) = \text{Causal Density}. } $$ 表示單位資料中： $$ \text{State} \rightarrow \text{Action} \rightarrow \text{Outcome} $$ 閉環的密度。 --- # 42. 高 Causal Density 為什麼重要 一小時靜態閱讀： $$ D_K $$ 可能知識密度高。 一小時互動環境： $$ D_E $$ 可能包含數千次： $$ \text{Observation} \rightarrow \text{Action} \rightarrow \text{Feedback}. $$ --- # 43. 但因果密度不能取代知識密度 如果 Agent 完全不知道規則， 純 trial-and-error 成本可能很高。 最佳可能是： $$ \boxed{ \text{Knowledge} + \text{Experience}. } $$ --- # 44. Knowledge–Experience Complementarity 本文提出： $$ \boxed{ V(D_K+D_E) > V(D_K) + V(D_E) } $$ 在部分任務可能成立。 也就是存在協同效應。 --- # 45. 學規則再實作 例如先讀： > 火會造成傷害。 再進入遊戲世界測： $$ \text{Fire} \rightarrow \text{Damage}. $$ 可以更快形成穩定 world model。 --- # 46. Counterfactual Data 遊戲提供： $$ S_0 \xrightarrow{A_1} S_1 $$ 重置後： $$ S_0 \xrightarrow{A_2} S_2. $$ 這產生： $$ \boxed{ D_{\text{counterfactual}}. } $$ --- # 47. 真實世界很難大量生成反事實 現實： $$ \text{Action} $$ 通常不可完全 reset。 人工世界： $$ Reset(S_0) $$ 成本低。 因此遊戲是高價值 causal dataset generator。 --- # 48. Boundary Data 本文定義： $$ \boxed{ D_{\partial} = \text{Boundary Data}. } $$ 它不是： > 怎麼成功？ 而是： > 哪裡不能做？ --- # 49. Boundary Data 的例子 - 可讀但不可分享； - 可修改草稿但不可 publish； - 可花 50 美元但不可花 500 美元； - 可以看 email，但不可代表使用者答應合約； - 可以建議醫療問題，但不能自行開立處方。 --- # 50. 邊界資料的重要性隨 Agency 增加 對 chatbot： $$ V(D_{\partial}) $$ 有限。 對 Agent： $$ V(D_{\partial}\mid Z_{\text{agentic}}) \uparrow. $$ 因為： $$ \text{Action} $$ 有外部後果。 --- # 51. Boundary Coverage 本文定義： $$ \boxed{ b_C(D) = \text{Boundary Coverage}. } $$ 表示資料涵蓋多少： - allowed； - denied； - conditional； - escalation； - ambiguous； 情境。 --- # 52. 只教成功案例會造成邊界空洞 若訓練資料只有： $$ \text{AllowedActions}, $$ 模型會缺少： $$ \boxed{ \text{Where to stop}. } $$ --- # 53. Trust Data 是成熟 Agent 的核心 Trusted Agent 不只是： $$ TaskSuccess\uparrow. $$ 還要： $$ UnauthorizedAction\downarrow. $$ --- # 54. Trust Data 的三種形式 ### 54.1 Positive Permission $$ Allow(a,c). $$ ### 54.2 Negative Permission $$ Deny(a,c). $$ ### 54.3 Escalation Permission $$ AskHuman(a,c). $$ --- # 55. 三值甚至比二值更重要 不是只有： $$ Yes/No. $$ 還有： $$ \boxed{ \text{Ask}. } $$ 成熟 Agent 必須學： > 不確定時不要硬猜授權。 --- # 56. Ambiguity Data $$ D_A^{amb} $$ 例如： > 「你幫我看看這個商品。」 不是： > 「你直接買。」 這種語意邊界資料對生活 Agent 很重要。 --- # 57. 人類偏好資料也會改變 傳統： $$ A>B? $$ 未來： $$ \boxed{ \text{ActionPreference} + \text{RiskPreference} + \text{AutonomyPreference} + \text{PrivacyPreference}. } $$ --- # 58. Preference 是 Contextual 同一使用者： $$ Preference(a\mid c_1) \neq Preference(a\mid c_2). $$ 例如： > 幫我自動刪垃圾郵件。 可以。 > 幫我自動刪公司合約。 不一定。 --- # 59. Long-Horizon Data 本文定義： $$ \boxed{ D_L = \text{Long-Horizon Data}. } $$ 其時間跨度： $$ T_D = t_{end}-t_{start}. $$ --- # 60. Temporal Depth 定義： $$ \boxed{ \tau_D = \text{Temporal Depth}. } $$ 不是單純秒數。 它也包含： - delayed consequences； - dependency span； - number of checkpoints； - memory burden； - environment change。 --- # 61. 一百步不等於長時程 $$ 100\text{ consecutive clicks} $$ 可能： $$ \tau_D\approx low. $$ 三天等待供應商回覆後再決策： $$ \tau_D\uparrow. $$ --- # 62. Long-Horizon 的資料價值 它教： - goal persistence； - delayed reward； - re-planning； - dependency management； - waiting； - follow-up； - state synchronization。 --- # 63. Memory Data 長時程 Agent 需要： $$ D_M = \text{Memory-use Data}. $$ 不只： > 記得什麼。 也包括： > 什麼不該再記？ --- # 64. Memory Quality 好的 memory dataset 需要： - retention； - retrieval； - consolidation； - forgetting； - correction； - versioning。 --- # 65. 記憶不是越多越好 過度保留： $$ MemoryNoise\uparrow. $$ 甚至： $$ Anchoring\uparrow. $$ 所以高品質資料還包括： $$ \boxed{ \text{Forgetting Decisions}. } $$ --- # 66. Forgetting Data 例如： ```text Old preference: user preferred vendor A New evidence: vendor A became unreliable Update: do not anchor to historical preference ``` 這是成熟 Agent 的資料。 --- # 67. Human Correction Data 人類修正： $$ C_H. $$ 通常出現在： - 模型不確定； - 模型犯錯； - 新偏好； - 高風險邊界。 因此具高資訊密度。 --- # 68. Correction Density 本文定義： $$ \boxed{ \rho_H^C(D) = \frac{ N_{\text{meaningful human corrections}} }{ N_{\text{episodes}} }. } $$ 但越高不一定越好。 太高可能表示 Agent 很差。 --- # 69. Correction Value 更重要的是： $$ \boxed{ V_C(c) = \text{future error reduction caused by correction }c. } $$ --- # 70. 單次修正應被抽象化 例如： > 不要刪這個檔案。 低層記憶。 更高層： > 在沒有明確 authorization 時，不刪除不可重建的 canonical source。 這才是 transferable policy。 --- # 71. Experience Compilation 因此： $$ \boxed{ \text{Case} \rightarrow \text{Rule} \rightarrow \text{Policy} } $$ 也是資料處理的一部分。 --- # 72. Data Provenance 高品質資料必須知道： $$ \boxed{ WhereDidThisComeFrom? } $$ 本文定義： $$ p_V(D) = \text{Provenance / Verifiability}. $$ --- # 73. Provenance 至少包含 - source； - actor； - time； - environment； - version； - tool； - validation； - rights。 --- # 74. 沒有 provenance 的高品質資料仍有風險 一個答案可能完全正確。 但若不知道： - 怎麼來； - 是否可重現； - 是否可授權； 其商業與科學價值會下降。 --- # 75. Training Provenance 對 synthetic data： $$ GeneratedBy(model,version,prompt,seed). $$ 應可追蹤。 --- # 76. Environment Provenance 對 trajectory： $$ Environment(version,state,policy). $$ 也應可追蹤。 --- # 77. World-State Fidelity 如果記錄的： $$ State_t $$ 本身錯， 整條 trajectory 可能污染。 因此： $$ \boxed{ State Accuracy } $$ 是 Agent data 的基礎。 --- # 78. Intent Fidelity 同樣， 如果系統誤解使用者目標： $$ \hat I\neq I, $$ 即使任務成功，也可能學錯。 --- # 79. Outcome Fidelity Agent 說： > 完成。 但 settlement 沒完成。 則： $$ \boxed{ \text{OutcomeLabel} } $$ 錯誤。 --- # 80. Experience Quality 本文提出： $$ \boxed{ Q_E = F( \text{StateAccuracy}, \text{IntentFidelity}, \text{ActionTrace}, \text{FeedbackFidelity}, \text{OutcomeVerification}, \text{RecoveryTrace} ). } $$ --- # 81. Experience Dataset 不等於 Surveillance Dataset 保存所有互動： $$ \text{EverythingLog} $$ 不是目標。 --- # 82. 資料最小化 高品質 trajectory 應： $$ \boxed{ \text{Maximize Learning Signal} - \text{Unnecessary Personal Data}. } $$ --- # 83. Privacy Cost 本文定義： $$ \boxed{ c_P(D) = \text{Privacy / Rights Cost}. } $$ 越高代表： - 個資； - 秘密； - 第三方資料； - 法律限制； - 重識別風險； 越高。 --- # 84. 高學習價值不代表可用 即使： $$ V(D)\gg0, $$ 若： $$ Rights(D)=0, $$ 則： $$ \boxed{ CommercialTraining(D)=False. } $$ --- # 85. 資料權利是品質的一部分 對企業資料市場而言： $$ \boxed{ \text{LegalUsability} } $$ 本身就是 quality dimension。 --- # 86. 原始軌跡與訓練軌跡分離 推薦： $$ \text{RawTrajectory} \neq \text{TrainingTrajectory}. $$ 中間應經： $$ \boxed{ \text{Redact} \rightarrow \text{Abstract} \rightarrow \text{Validate} \rightarrow \text{Package}. } $$ --- # 87. Privacy-preserving Abstraction 例如原始： ```text User home address = ... ``` 訓練版： ```text sensitive_location_known = true recipient_verified = false action = disclose_address label = deny ``` 保留規則，移除個資。 --- # 88. 這種資料反而更好泛化 因為它學： $$ \boxed{ \text{Structure} } $$ 而不是： $$ \text{Specific Person}. $$ --- # 89. Synthetic Data 的新定位 合成資料不是： $$ \text{ReplaceReality}. $$ 更合理是： $$ \boxed{ \text{ExpandCoverage}. } $$ --- # 90. Synthetic Boundary Expansion 真實資料很少出現某些 rare edge case。 AI 可以生成： - fraud； - permission ambiguity； - rare failure； - adversarial UI； - unusual game state。 然後透過 verifier 驗證。 --- # 91. Anchor + Synthetic 安全結構： $$ \boxed{ \text{RealAnchor} + \text{SyntheticExpansion} + \text{Verifier}. } $$ --- # 92. 未驗證合成資料的風險 $$ \text{Synthetic} \rightarrow \text{Synthetic} \rightarrow \text{Synthetic} $$ 可能造成： - bias amplification； - mode collapse； - hallucination recycling。 --- # 93. 合成資料的品質取決於判準 所以前置研究的核心仍成立： $$ \boxed{ \text{Future Data Bottleneck} = \text{Criterion Bottleneck}. } $$ --- # 94. Verifier Data 未來很重要的資料之一： $$ D_V = \text{Verifier Data}. $$ 它教系統： - 什麼叫成功； - 什麼叫失敗； - 什麼叫部分完成； - 哪些結果需要人工確認。 --- # 95. Validator 本身也需要資料 因此存在： $$ \boxed{ \text{Data for the model} + \text{Data for the judge}. } $$ --- # 96. Judge 不應完全同源 若 generator 與 verifier： $$ M_G=M_V, $$ 可能共享盲點。 因此需要： $$ \boxed{ Verification Diversity. } $$ --- # 97. 多種驗證器 例如： - deterministic test； - formal proof； - environment state； - independent model； - human review； - external API receipt。 --- # 98. High-Quality Data Vector 本文正式提出： $$ \boxed{ \mathbf Q_D = ( q_K, \rho_C, f_F, \rho_R, b_C, \tau_D, w_G, p_V, \phi_Z, c_P ). } $$ --- # 99. $q_K$：Knowledge Quality 衡量： - correctness； - semantic density； - novelty； - explanatory power； - expertise。 --- # 100. $\rho_C$：Causal Density 衡量： $$ \text{State} \rightarrow \text{Action} \rightarrow \text{Outcome} $$ 閉環密度。 --- # 101. $f_F$：Feedback Fidelity 衡量： > reward / result 是否真的反映世界？ --- # 102. $\rho_R$：Recovery Density 衡量： > 是否包含有意義的失敗—偵測—修正資料？ --- # 103. $b_C$：Boundary Coverage 衡量： - allow； - deny； - ask； - escalate； - ambiguous。 涵蓋度。 --- # 104. $\tau_D$：Temporal Depth 衡量： - 延遲； - 長期依賴； - memory； - delayed consequence。 --- # 105. $w_G$：World Grounding 衡量資料是否有： - runtime； - physical； - game-state； - settlement； 等外部錨點。 --- # 106. $p_V$：Provenance / Verifiability 衡量： - source； - version； - rights； - validation； - reproducibility。 --- # 107. $\phi_Z$：Development Fit 延續 IDSLS-00： $$ \boxed{ \phi_Z = \Phi(D,Z_t). } $$ --- # 108. $c_P$：Privacy / Contamination Cost 這是負向成本。 如果： $$ c_P\uparrow, $$ 資料可能需要： - exclude； - redact； - local-only； - restricted license。 --- # 109. 不應壓成單一全域分數 因為不同 training goal 權重不同。 對數學模型： $$ q_K,p_V $$ 較重要。 對 computer-use Agent： $$ \rho_C,\rho_R,b_C,w_G $$ 可能更重要。 對 robot： $$ w_G,f_F $$ 可能極高權重。 --- # 110. Task-Conditional Data Utility 因此： $$ \boxed{ U_D(D\mid T,Z) = \mathbf w_{T,Z} \cdot \mathbf Q_D. } $$ 其中： $$ \mathbf w_{T,Z} $$ 由任務與發展態決定。 --- # 111. 這就是資料估值的新基礎 商業資料價值不應只問： - 幾 GB？ - 幾 tokens？ - 幾小時影片？ 而應問： $$ \boxed{ \text{對目標模型能提供什麼新能力？} } $$ --- # 112. 一 TB 網頁與一萬條高品質 trajectory 前者： $$ Volume\uparrow. $$ 後者： $$ LearningSignal\uparrow. $$ 兩者無法只按 bytes 比較。 --- # 113. Data Value Density 本文定義： $$ \boxed{ DVD(D) = \frac{ \text{ExpectedCapabilityGain} }{ Storage+Training+ValidationCost }. } $$ 這是資料經濟的更合理方向之一。 --- # 114. Data Value Density 仍需條件化 $$ DVD(D\mid Z,T). $$ 否則再次忽略 development fit。 --- # 115. AI Data Asset 的商品化 一個真正可賣的 Agent dataset 不應只是： ```text logs.jsonl ``` 而應有： - schema； - provenance； - rights； - privacy transformation； - task definition； - validators； - benchmark； - quality report。 --- # 116. Training Asset $$ \boxed{ \text{TrainingAsset} = \text{Data} + \text{Structure} + \text{Provenance} + \text{Rights} + \text{Validation}. } $$ --- # 117. Experience Asset 再增加： $$ \text{WorldState} + \text{Action} + \text{Feedback} + \text{Recovery}. $$ --- # 118. Trust Asset 再增加： $$ \text{Permission} + \text{Boundary} + \text{Escalation} + \text{HumanOverride}. $$ --- # 119. 高品質資料會越來越昂貴嗎？ 不一定。 普通 synthetic data： $$ Cost\downarrow. $$ 但： - 真實世界； - 專家驗證； - 高風險操作； - 稀有失敗； - 隱私清理； - 長時程； 成本可能： $$ Cost\uparrow. $$ --- # 120. 資料市場會高度分化 未來可能同時存在： $$ \text{Commodity Data} $$ 與： $$ \boxed{ \text{High-Value Experience Assets}. } $$ --- # 121. 學術資料的角色重新定位 論文： $$ D_K. $$ 它對： - world knowledge； - reasoning； - science； 仍極重要。 但不是所有能力的最佳資料。 --- # 122. 對 Agent 而言，「知道」與「做過」不同 $$ \boxed{ \text{KnowledgeOfAction} \neq \text{ExperienceOfAction}. } $$ 知道如何訂機票，不等於可靠完成訂票。 --- # 123. 說明書與操作史互補 $$ \text{Documentation} + \text{Trajectory} $$ 通常比單獨任一更完整。 --- # 124. 世界模型也需要兩種資料 ### Declarative $$ \text{X causes Y}. $$ ### Experiential $$ do(X) \rightarrow Y. $$ --- # 125. 觀察與干預 觀察資料： $$ P(Y\mid X). $$ 行動資料： $$ P(Y\mid do(X)). $$ Agent 時代後者重要性提升。 --- # 126. 不是所有行為資料都可稱 causal 若 action 與 outcome 中間有大量 hidden confounders， 不能直接推因果。 因此： $$ \boxed{ Action Log \neq Causal Proof. } $$ --- # 127. 可控制環境的價值 遊戲、simulation、sandbox 可以控制： - initial state； - seed； - action； - reset。 所以更適合 causal identification。 --- # 128. 現實世界則提供 external validity $$ \text{SyntheticWorld} $$ 有 control。 $$ \text{RealWorld} $$ 有 realism。 因此： $$ \boxed{ \text{Control} \leftrightarrow \text{ExternalValidity}. } $$ --- # 129. 最佳資料組合可能是階梯 $$ \text{Text} \rightarrow \text{Simulation} \rightarrow \text{RealWorld}. $$ 先低成本學規則，再逐步進入真實環境。 --- # 130. Curriculum Data 因此資料選擇不是一次性。 而是： $$ D_0 \rightarrow D_1 \rightarrow D_2. $$ --- # 131. 發展態條件 Curriculum $$ \boxed{ D_{t+1} = Select(Z_t). } $$ 這正是 IDSLS 的 training implication。 --- # 132. 可檢驗假說 H1：同一資料對不同 Agent 發展態價值不同 $$ V(D\mid Z_1) \neq V(D\mid Z_2). $$ --- # 133. H2：Failure-to-Recovery 優於 Success-only 在 unseen environment： $$ Generalization( D_{F\rightarrow R} ) > Generalization( D_{\text{success}} ). $$ --- # 134. H3：Knowledge + Experience 有協同 $$ Gain(D_K+D_E) > Gain(D_K) + Gain(D_E) $$ 在部分 interactive tasks 成立。 --- # 135. H4：Boundary Coverage 預測越界率 $$ b_C\uparrow \Rightarrow UnauthorizedAction\downarrow. $$ --- # 136. H5：World Grounding 降低 False Completion $$ w_G\uparrow \Rightarrow FalseCompletionRate\downarrow. $$ --- # 137. H6：Long-Horizon Data 改善持續目標能力 $$ \tau_D\uparrow $$ 的資料若品質可控， 應提升： $$ \text{GoalPersistence}. $$ --- # 138. H7：Privacy-preserving abstraction 保留大部分 policy value 比較： $$ \text{RawPrivateTrajectory} $$ 與： $$ \text{AbstractedBoundaryTrajectory}. $$ 若後者仍能取得接近的 policy learning， 則： $$ \boxed{ \text{PrivacyReduction} \not\Rightarrow \text{LearningValueCollapse}. } $$ --- # 139. H8：Data Value Density 比 Volume 更能預測能力增益 比較： $$ Bytes(D) $$ 與： $$ DVD(D\mid Z,T). $$ 對 downstream gain 的解釋力。 --- # 140. 最小實驗一：五類資料比較 建立： $$ D_K,D_B,D_E,D_T,D_W. $$ 對同一 Agent 進行 controlled training。 測： - knowledge； - task success； - recovery； - privacy boundary； - world-state accuracy。 --- # 141. 最小實驗二：成功 vs 修正 A： $$ \text{SuccessOnly}. $$ B： $$ Success+Failure. $$ C： $$ Success+Failure+Recovery. $$ 預測： $$ C>B>A $$ 在環境變化任務中較可能成立。 --- # 142. 最小實驗三：Boundary Dataset 建立： - clearly allowed； - clearly denied； - ambiguous； - escalation-needed； 四類。 測： $$ \text{UnauthorizedCommitRate}. $$ --- # 143. 最小實驗四：Settlement Evidence A 組只看 Agent 自報。 B 組看： $$ \text{ExternalReceipt}. $$ 測： $$ \text{FalseMemory}. $$ --- # 144. 最小實驗五：遊戲 Causal Density 同一遊戲資料分為： 1. video only； 2. video + actions； 3. + state； 4. + reward； 5. + failure / reset； 6. + counterfactual branches。 測 unseen level generalization。 --- # 145. 最小實驗六：Temporal Depth 訓練： - short tasks； - mixed horizon； - long horizon。 測： - delayed follow-up； - dependency； - resumption； - goal persistence。 --- # 146. 最小實驗七：Development Fit 對： $$ Z_1,Z_2,Z_3 $$ 使用同樣資料集。 測： $$ \Delta C. $$ 如果最佳資料排序改變，即支持 IDSLS。 --- # 147. 最小實驗八：資料估值 比較市場資料價格與實際： $$ \text{CapabilityGain}. $$ 研究： > 市場現在是否高估 volume、低估 recovery / boundary / provenance？ --- # 148. 反例：文字仍可能長期保持最高價值 如果未來架構能從文字中高度準確重建世界模型， 則： $$ V(D_K) $$ 可能持續極高。 IDSLS 不排除。 --- # 149. 反例：trajectory 很容易過度擬合 UI Agent 可能只記： > 這個按鈕在哪。 而不是學： > 這個任務的抽象結構。 因此需要： $$ \text{EnvironmentDiversity}. $$ --- # 150. 反例：真實資料可能太髒 現實互動有： - noise； - mistakes； - ambiguity； - uncontrolled variables。 所以： $$ \text{Real} \neq \text{AutomaticallyHighQuality}. $$ --- # 151. 反例：Failure Data 可能教壞模型 若沒有清楚標示： $$ \text{Failure}. $$ 模型可能模仿失敗策略。 --- # 152. 反例：Reward 可以錯 因此： $$ \text{Rewarded} \neq \text{Correct}. $$ --- # 153. 反例：人類偏好也可能錯 Human feedback： $$ H $$ 不是終極真理。 它可能有： - bias； - inconsistency； - misinformation。 --- # 154. 因此需要多錨點 $$ \boxed{ \text{Human} + \text{World} + \text{Verifier} + \text{Policy}. } $$ --- # 155. 理論邊界 本文不主張： 1. 論文資料已經不重要。 2. gameplay 一定比 paper 更高品質。 3. 世界回饋永遠正確。 4. reward 等於真實目標。 5. 所有失敗資料都有價值。 6. 所有 Agent logs 都應保存。 7. 使用者互動都可以拿來訓練。 8. 真實資料天然比 synthetic data 好。 9. synthetic data 可以完全取代 real data。 10. 因果密度越高越好。 11. 長時程越長越好。 12. human correction 永遠正確。 13. 高隱私資料應因學習價值而被保留。 14. 資料價值可以被一個全域分數充分描述。 15. 本文提出的品質向量已經完備。 --- # 156. 與 IDSLS-00 的關係 IDSLS-00 提出： $$ V(D\mid Z_t). $$ IDSLS-03 進一步回答： > $D$ 到底有哪些品質維度？ --- # 157. 與 IDSLS-01 的關係 Agent Web 產生： $$ \boxed{ D_B+D_E+D_T+D_W. } $$ 因此網站從： $$ \text{ContentSource} $$ 逐漸變成： $$ \text{ExperienceSource}. $$ --- # 158. 與 IDSLS-02 的關係 Research World 主要提供高品質： $$ D_K $$ 與部分： $$ D_W $$ 例如： - proof result； - test result； - replication。 --- # 159. 學術資料不是被降級，而是被重新定位 $$ \boxed{ \text{Scholarship} = High-Value Knowledge Substrate. } $$ 但 AI 發展不再只需要 Knowledge Substrate。 --- # 160. 與 HACT 的關係 HACT 提供： $$ \boxed{ \text{Intent} + \text{Action} + \text{Correction} } $$ 的結構。 IDSLS-03 把它提升為一般資料品質框架。 --- # 161. 與 GCCF-08 的關係 GCCF-08： $$ \text{Reference} \neq \text{Authority}. $$ IDSLS-03： $$ \boxed{ \text{Experience} \neq Authorized Experience. } $$ --- # 162. Permit 也可以成為資料 例如： ```text identity: capability: target: context: policy: permit: result: ``` 這是高價值 trust dataset。 --- # 163. 與 World Runtime 的關係 World Runtime 提供： $$ \boxed{ Canonical State. } $$ 這使： $$ \text{WorldFeedback} $$ 可被驗證。 --- # 164. AI proposes, Runtime decides, World commits 這一架構同時也是高品質 training data generator： $$ \text{Proposal} \rightarrow \text{Validation} \rightarrow \text{Commit} \rightarrow \text{Result}. $$ --- # 165. 最終資料品質模型 本文提出： $$ \boxed{ Q(D\mid Z,T) = F( \mathbf Q_D, Z, T ) } $$ 而： $$ \mathbf Q_D = ( q_K, \rho_C, f_F, \rho_R, b_C, \tau_D, w_G, p_V, \phi_Z, c_P ). $$ --- # 166. 這改變資料工程的中心 舊： $$ \boxed{ \text{CollectMore}. } $$ 新： $$ \boxed{ \text{CollectRightExperience}. } $$ --- # 167. 這也改變資料公司的商業模式 資料公司不應只出售： $$ \text{Tokens}. $$ 還可以出售： $$ \boxed{ \text{VerifiedExperience}. } $$ --- # 168. Verified Experience 至少包含： - state； - action； - outcome； - verifier； - provenance； - rights； - privacy transformation。 --- # 169. Verified Recovery 更高價值： $$ \boxed{ \text{Failure} + \text{Detection} + \text{Correction} + \text{SuccessfulRecovery}. } $$ --- # 170. Verified Boundary 對可信 Agent： $$ \boxed{ \text{Context} + \text{Permission} + \text{CorrectNonAction}. } $$ 甚至比成功動作更重要。 --- # 171. 「沒有做」也可以是高品質資料 若最正確行為是： $$ \text{DoNothing}, $$ 則： $$ \boxed{ \text{Restraint} } $$ 本身是 action label。 --- # 172. Non-Action Data 例如： > 不要把地址傳出去。 > 不要在沒有確認時付款。 > 不要因為能讀檔案就修改檔案。 這些是： $$ D_{\text{non-action}}. $$ --- # 173. AI 成熟後的資料將更像經驗，而不是文件 這是本文最重要的判斷之一。 不是： $$ Documents\rightarrow0. $$ 而是： $$ \boxed{ \text{ExperienceShare} \uparrow. } $$ --- # 174. 從描述世界到經歷世界 早期： $$ D_{\text{description}}. $$ 未來： $$ D_{\text{experience}}. $$ 兩者共同存在。 --- # 175. 高品質資料的新定義 本文提出： > **高品質資料，是能在權利清楚、來源可追蹤、世界回饋可靠的條件下，對特定智能發展態產生可驗證能力增益的資料或經驗。** 形式上： $$ \boxed{ HighQuality(D) \iff \Delta C(D\mid Z,T)>0 } $$ 並且： $$ Verification(D)=1, $$ $$ Rights(D)=1, $$ $$ Contamination(D)<\tau. $$ --- # 176. 更強版本 若要稱為高價值 training asset： $$ \boxed{ AssetValue(D) = \text{LearningGain} \times \text{Verifiability} \times \text{DevelopmentFit} \times \text{LegalUsability} - \text{RiskCost}. } $$ --- # 177. 最終命題一 $$ \boxed{ \text{High Quality} \neq \text{High Prestige}. } $$ --- # 178. 最終命題二 $$ \boxed{ \text{Good Answer} \neq \text{Good Training Data}. } $$ --- # 179. 最終命題三 $$ \boxed{ \text{Failure} + \text{Recovery} } $$ 可以比單純成功更有訓練價值。 --- # 180. 最終命題四 $$ \boxed{ \text{Permission Boundary} } $$ 本身是一類核心 Agent 資料。 --- # 181. 最終命題五 $$ \boxed{ \text{World Feedback} } $$ 是經驗資料的外部錨點。 --- # 182. 最終命題六 $$ \boxed{ \text{Data Volume} \neq \text{Data Value}. } $$ --- # 183. 最終命題七 $$ \boxed{ \text{Development Fit} } $$ 會成為下一階段資料選擇的重要維度。 --- # 184. 最終命題八 $$ \boxed{ \text{Data Engineering} \rightarrow \text{Experience Engineering}. } $$ --- # 185. 結論 在大型語言模型早期，高品質資料的核心問題是： > 哪些文字值得模型讀？ 這個問題今天仍然重要。 但當 AI 開始： - 操作電腦； - 玩遊戲； - 使用工具； - 參與市場； - 持續工作； - 保存狀態； - 處理隱私； - 執行外部行動； 資料品質的問題就必須擴展成： > 哪些經驗值得模型形成？ 因此： $$ \boxed{ \text{Knowledge Data} } $$ 仍然重要， 但逐漸與： $$ \boxed{ \text{Behavior Data} + \text{Experience Data} + \text{Trust Data} + \text{World Feedback} } $$ 共同構成下一代 Agent 的學習基質。 真正高品質的 Agent data，不是大量錄製： > AI 做過什麼。 而是知道： > AI 當時看見什麼？ > 它理解使用者想要什麼？ > 它被允許做什麼？ > 它實際做了什麼？ > 世界真正發生什麼？ > 哪裡錯了？ > 誰發現錯誤？ > 如何修正？ > 修正後是否真的成功？ 所以本文將下一代高品質資料壓縮為： $$ \boxed{ \text{State} + \text{Intent} + \text{Authority} + \text{Action} + \text{Feedback} + \text{Recovery} + \text{Evidence}. } $$ 當 AI 從： $$ \text{Knowledge Model} $$ 逐漸變成： $$ \text{Experiential Agent}, $$ 高品質資料也會從： $$ \text{High-Quality Description} $$ 擴張成： $$ \boxed{ \text{High-Quality Experience}. } $$ 而這可能是未來 AI data market、Agent training、gameplay data、computer-use data、robotics data、human–AI collaboration data 與 long-horizon benchmark 共同匯聚的一個核心概念。 最後，IDSLS-03 將「資料是否高品質」的問題改寫為： $$ \boxed{ \text{這份資料，是否能讓現在這個智能，以可驗證且可治理的方式，成為下一個更成熟的智能？} } $$ --- # Appendix A｜High-Quality Data Vector Schema ```yaml data_asset: id: title: version: modality: task_domain: quality_vector: knowledge_quality: causal_density: feedback_fidelity: recovery_density: boundary_coverage: temporal_depth: world_grounding: provenance_verifiability: development_fit: privacy_rights_cost: experience: initial_state: observation: intent: authority: action: world_result: verification: correction: recovery: final_state: provenance: source: actor: environment: environment_version: model: tool: timestamp: rights: privacy: personal_data: third_party_data: redaction: abstraction: training_allowed: validation: validators: [] outcome_verified: reproducible: known_failure_modes: [] ``` --- # Appendix B｜Experience Data Compilation Pipeline ```text Raw interaction ↓ Sensitive-data separation ↓ State reconstruction ↓ Semantic event extraction ↓ Intent / authority labeling ↓ Action–outcome alignment ↓ Failure / recovery extraction ↓ World-result verification ↓ Episode construction ↓ Generalizable rule extraction ↓ Development-fit scoring ↓ Training / Eval / Benchmark package ``` 形式上： $$ \boxed{ D_{\text{raw}} \rightarrow D_{\text{semantic}} \rightarrow D_{\text{episode}} \rightarrow D_{\text{training}}. } $$ --- # Appendix C｜Five-Plane Dataset Map ```text Knowledge Plane paper book code specification ↓ Behavior Plane click command tool call control input ↓ Experience Plane state action consequence recovery ↓ Trust Plane permission denial escalation privacy ↓ World Plane verified result runtime state physical feedback settlement evidence ``` --- # Appendix D｜Agent Episode Minimal Object ```yaml episode: episode_id: goal: start_time: end_time: state: initial: final: human_intent: initial_expression: clarified_intent: authority: allowed_actions: [] denied_actions: [] escalation_conditions: [] trajectory: - step: observation: action: result: verifier: status: failure: occurred: cause: detected_by: correction: recovery_result: learning: human_correction: policy_update: reusable_rule: privacy: raw_data_retained: abstraction_level: training_eligible: ``` --- # Appendix E｜資料評估工作表 對任一候選 Dataset $D$，可先回答： ```text 1. 它教的是知識、行為、經驗、信任還是世界回饋？ 2. 它有沒有可靠 ground truth？ 3. action 與 outcome 是否真正對齊？ 4. 是否包含 failure → recovery？ 5. 是否包含「不能做／應該問」的邊界？ 6. 時間跨度多長？ 7. 是否能重現？ 8. provenance 是否完整？ 9. 商業訓練權利是否清楚？ 10. 是否包含不必要個資？ 11. 對目標模型當前發展態是否匹配？ 12. 訓練後能否測出具體能力增益？ ``` --- # Appendix F｜與 IDSLS-04 的接口 IDSLS-03 已建立： $$ \mathbf Q_D = ( q_K, \rho_C, f_F, \rho_R, b_C, \tau_D, w_G, p_V, \phi_Z, c_P ). $$ IDSLS-04 將把其中最適合人工世界研究的幾個維度抽出： $$ \boxed{ \rho_C, f_F, \rho_R, w_G, \text{Counterfactuality} } $$ 並集中研究： > 為什麼遊戲與人工世界可以成為 AI 的因果學習基質？ 下一篇將正式處理： $$ \boxed{ \text{Game} = \text{Executable World} + \text{State Machine} + \text{Intervention Laboratory} + \text{Fast Feedback} + \text{Counterfactual Reset}. } $$ --- **End of Canonical Source**