# 生成過剩後的品質競爭：新奇性、同質化與審美疲勞 **Quality Competition after Generative Abundance: Novelty, Homogenization, and Aesthetic Fatigue** **系列：**《生成過剩與選擇實現論》（Generative Abundance and Selective Realization, GASR） **篇次：**第 4 篇／共 12 篇 **作者／原始研究命題：** Neo.K（EveMissLab） **AI 協作整理與形式化：** GPT-6 **日期：** 2026-10-29（Asia/Taipei） **版本：** v1.0 — 正式研究原稿 **研究狀態：** 理論區分、形式化研究模型與可否證實驗設計完成；本篇專項實證未執行（`EMPIRICAL_NOT_VALIDATED`） **原稿格式：** UTF-8 Markdown；數學原始碼唯一 canonical delimiter 為 ` $...$ ` 與 `$$...$$`。 **作者：** Neo.K **機構：** EveMissLab／一言諾科技有限公司 --- ## 摘要 生成式 AI 降低文字、音樂、圖像、影片與互動內容的部分製作門檻，並使大量品質可觀的作品能以較高速度進入供給端。然而，單件作品的品質提高，並不必然帶來相同比例的持續關注；作品供給快速增加，也不直接證明觀眾已產生審美疲勞。觀察者在有限時間內，仍須對相互排斥的體驗作出選擇，而且其選擇會受到既有歷史、熟悉程度、社群關係、演算法曝光與可達性影響。本篇提出：生成內容的競爭可能由早期的技術新奇性及單件作品品質比較，逐漸轉為品質、差異性、辨識度、持續歷史、觀察者偏好與選擇成本等多個維度的交互競爭。但這是一項需要在特定市場、作品類型與觀察者群體中檢驗的條件性假說，不是必然的歷史階段定律。 本文為《生成過剩與選擇實現論》第 4 篇，承接前三篇對可展開媒介、世界原生動畫與 UFA 功能組合的研究，重新接回 Neo.K 既有注意力經濟的時間本質與選擇排他性。本文嚴格區分五個常被混用的現象：**作品品質提高、生成數量增加、供給集合的同質化、個別觀察者的主觀疲勞，以及觀察者實際時間配置的變化**。先行實驗顯示 AI 輔助創作可能同時提升單件作品評價並降低作品集合的多樣性；音樂重複接觸研究則顯示熟悉程度可能提高或降低喜愛，依個體與呈現條件而異。因而不能直接從 AI 的高產量、內容語義相似或平台播放率，推論普遍的審美疲勞。 本篇提供一套具有可反駁條件的研究模型：區分名目供給、實際曝光、受注意的選擇集合與完成深入體驗的作品；把品質、新奇性、感知重複、歷史／主體線索及可達性作為不同變項；採取分階段隨機實驗、固定時間預算、跨時段追蹤與來源標籤操弄，分別測量品質評分、辨識度、厭倦、主動重訪、選擇放棄與時間主權。本文不聲稱 AI 作品必然同質、不聲稱品質在未來失效，也不把任何既有平台資料解讀為生成供給已因審美疲勞遭到全面拒絕。其主要主張是：**內容生產的技術性充裕，與受限選擇下的持續實現價值，屬於不同的經濟對象**。 **關鍵詞：**生成過剩、品質競爭、技術新奇性、作品同質化、審美疲勞、熟悉性、觀察者偏好、注意力經濟、選擇排他性、持續選擇、主體存在域、實證否證。 ## Abstract Generative AI can raise the average quality of individual creative artifacts while expanding the supply of text, music, images, video, and interactive experiences. Yet an improvement in artifact quality does not necessarily imply a proportional increase in sustained attention, and high output volume alone does not establish aesthetic fatigue. Individuals allocate finite time among partially incompatible experiences, under exposure and recommendation constraints, prior histories, varying preferences, and distinct conceptions of quality. This fourth paper in *Generative Abundance and Selective Realization* develops a falsifiable framework that separates artifact quality, aggregate output diversity, subjective perceived repetition, exposure-induced fatigue, and actual time allocation. Evidence from creative-writing experiments suggests that AI assistance can improve individual evaluations while compressing collective diversity; studies of music familiarity show heterogeneous responses, including both increasing liking and possible overexposure effects. The paper therefore rejects any automatic inference from AI-generated volume or semantic similarity to universal boredom. We propose conditional models of choice under finite time, perceived novelty, familiarity, historical attachment, identity, and discovery costs, and derive propositions with explicit counterexamples. A staged research design distinguishes supply-side generation from accessible and actually chosen offerings, compares quality and diversity under matched exposure, and tests identity/history signals over time without equating platform engagement with observer welfare. The current manuscript specifies hypotheses and methods; it does not report new empirical measurements (`EMPIRICAL_NOT_VALIDATED`). --- ## 1. 研究問題：當高品質生成成為常態，為何不能只用品質解釋競爭？ ### 1.1 從前三篇接續，而不是重新發明注意力經濟 本系列第 1 篇 [E1] 說明固定影片可以成為可展開候選世界的有限觀測入口；第 2 篇 [E2] 區分世界的視角自由、探索自由、時間自由與因果介入；第 3 篇 [E3] 則說明功能可生成與軟體可經驗證重用並不等價。這些研究共同指向一個問題：**如果媒介、世界乃至功能都可以大量生成，被生成的東西究竟有多少會被真正選擇與使用？** 但第 4 篇不能直接跳到「IP 一定上漲」或「虛擬偶像一定勝出」。在分析經典 IP、數位演員、主體存在域之前，必須先研究**品質競爭與觀察者選擇之間是否出現可量測的轉換**。 Neo.K 既有《時間稀缺性的永恆結構：從生命有限到選擇排他》[E4] 已提出：注意力經濟的核心不是流量廣告技巧，而是個體在時間與選擇排他條件下配置注意力的問題。本文保留這個理論位置；不把「注意力」簡化為曝光量、點擊率、觀看秒數或平台營收。 ### 1.2 原始討論真正要主張的內容 本篇的主要問題不是「AI 音樂是否好聽」，而是： > 當技術進步使高品質內容容易取得，新奇性不再由 AI 身分本身保證，而同類作品又大量出現時，觀察者是否逐漸將有限時間轉向不同的差異來源？品質、風格、歷史、主體持續、共同認同與互動，能否形成可區分的選擇效果？ 這裡有三項必須保持獨立的命題： 1. AI 生成系統可以提高一些受測作品的感知品質； 2. 某些生成方法可能使作品集合相對同質； 3. 當觀察者實際暴露於大量類似作品，部分人可能產生疲勞並改變選擇。 **第一項不會推出第二項；第二項亦不會自動推出第三項。** 這條限制貫穿本文。 ### 1.3 研究範圍 本篇以歌曲、短動畫、短劇、影像及有限互動場景作為受測媒介；關心的是**接觸、感知、再選擇及時間配置**。關於經典 IP 的正式授權、真人數位演員的權利可達域、虛擬歌手的持續主體存在域與歷史加權偏好，將分別由第 5–8 篇展開；第 9–12 篇再完整處理時間稀缺、生成／探索不對稱及不要求意識的選擇機制。 ## 2. 先行研究：新奇性、熟悉性與同質化早有不同機制 ### 2.1 注意力的稀缺不是 AI 時代的新發現 Simon [R1] 在資訊充裕與注意力有限的討論中，已將資訊增加所形成的注意力配置問題明確提出。這可作為先行研究背景，但本文**不把 Simon 的資訊處理框架與 [E4] 的時間本質、選擇排他性論證視為完全同一理論**。它們關注相鄰問題，但概念起點、規範含義與一般化範圍不同。 ### 2.2 重複接觸不必然造成疲勞 Chmiel 與 Schubert [R2] 回顧音樂偏好與熟悉度／複雜度的研究，發現許多研究結果與分段倒 U 型關係相容，但不是所有研究均支持同一形式。另有研究 [R3] 在自然式、跨數週的重複聆聽設計中發現喜愛程度隨聆聽增加，未觀察到簡單的倒 U 型下降。這些差異提示：**重複可能帶來熟悉、辨識、親近，也可能帶來飽和或厭倦**；關鍵在於個體、音樂類型、注意方式、接觸密度及時間間隔等條件。 本文使用「審美疲勞」作研究性操作概念，不能在尚無對照實驗時把它當成所有人類或所有生成媒體必然出現的心理定律。 ### 2.3 單件作品品質提高，不等於整體多樣性提高 Doshi 與 Hauser [R4] 的隨機實驗（短篇創作）發現，獲得生成式 AI 構想輔助的作品，被評為較有創意、較好寫及更令人享受；與此同時，這些作品彼此之間更相似。其證據支持一個重要區分：**個體作品評價上升**與**整個作品池的集體差異縮小**可以同時發生。 Moon、Green 與 Kushlev [R5] 對大學生申請作文與 GPT-4 生成作文的多項研究，也指出單篇文本的差異化與隨作品數量增加而形成的集合語義多樣性，不必一致。Meincke、Nave 與 Terwiesch [R6] 針對腦力激盪研究提出相近的多樣性警示。 但這些研究多聚焦文字或構想生成，不足以證明所有 AI 歌曲、所有動畫或未來世界生成系統都必然同質；多樣性也會受到模型版本、提示詞策略、人工編修、資料來源與作品所處文化域影響。 ### 2.4 「知道是 AI」與「實際喜不喜歡」是不同實驗變項 Friedrichsen、Schwarz 與 Clement [R7] 在 2026 年工作論文中報告：在其德語受測群體及使用的歌曲範圍內，受試者不易分辨 AI 與人類創作；告知 AI 來源後，某些喜愛程度及支付意願下降。另一方面，另一項隨機標籤研究 [R8] 對 AI 歌曲標示為 AI／人類，觀察到部分正向情緒評分反而在 AI 標籤下較高，其餘量尺沒有一致差異。 這些結果不應被硬壓成「人類普遍反 AI」或「人類普遍更愛 AI」。**來源標籤與作品感知、付費意願、身份認同是可分開的因素，其方向可能依樣本、場景及因變項改變。** ### 2.5 主體／角色關係是候選解釋，不是目前的定理 Kecić、Rodrigues 與 Lee [R9] 於 2026 年的虛擬偶像調查（K-pop 粉絲 259 人）報告，關係與身分相關因素對接受度與信任具有重要關聯。這提示「可辨識的虛擬藝人」可能不只是歌曲播放器的擬人化外殼；但調查相關性不能直接證明長期存在域使觀眾願意放棄其他高品質作品，也不能證明特定 AI 具備現象意識。 本篇將此留作**待檢驗的身分與歷史調節因素**；第 7 篇再深入討論主體存在域的不同含義。 ## 3. 五個不能混淆的現象 | 概念 | 本篇操作性定義 | 合理觀察指標 | 不得替代的聲稱 | |---|---|---|---| | 品質提升（Quality Gain） | 固定評分程序下作品品質向量的變化 | 盲評音質、可聽性、敘事、視覺／技術及偏好 | 不能自動推出持續關注與收入增加 | | 供給擴張（Supply Expansion） | 在指定期間可合法取得的去重作品數增加 | 去重新增量、有效候選數、生成與上架成本 | 上架數不等於曝光數或被喜愛數 | | 集合同質化（Collective Homogenization） | 在明示特徵、文化與樣本範圍內，作品間差異縮小 | 嵌入距離、主題分布、風格類型、多樣性增長 | 嵌入相似不直接等於主觀厭倦 | | 審美疲勞（Aesthetic Fatigue） | 個體在控制主要條件後，因重複／相似接觸而產生的厭倦或選擇下降 | 重複接觸的因果操弄、主觀厭倦、退出與重訪 | 不能以一次低播放數或普通不喜歡代替 | | 選擇轉移（Choice Reallocation） | 有限時間下從一類候選轉向另一類 | 受試者主動選擇、分配時間、延遲重訪 | 不一定代表福利改善或作品品質下降 | 另需區分**技術新奇性**與**作品內容新奇性**。在早期，「原來 AI 也能唱歌」是技術來源本身引起的好奇；在後期，「這首歌與我聽過的作品有何不同」則是與既有經驗相關的內容差異。前者下降時，後者不一定同步下降。 ## 4. 注意力的時間本質與選擇排他性 ### 4.1 不是流量的另一種說法 依 [E4] 的原有框架，注意力經濟的核心是有限時間中的聚焦與排他選擇；本篇不把平台總播放秒數當作個人主動意圖。觀察者可能被自動播放帶著走、可能背景播放而沒有聚焦，也可能因推薦排序、訊息不完整或退出成本而做出不符合原先意圖的選擇。 因此需區分： - **可支配時間**：觀察者當期可分配的活動時間； - **實際聚焦時間**：對特定體驗的注意力投入，不等於播放器開啟時長； - **自主選擇**：在已知可行選項與合理退出條件下的主動決定； - **被動曝光**：平台或環境提供刺激，但未形成可觀測自主選擇； - **放棄機會**：選擇某條路徑，意味著當下某些互斥體驗未被同等實現。 ### 4.2 有限時間的最小約束 令 $i$ 為觀察者、 $t$ 為可比較的觀察期間， $\mathcal J_{it}$ 為該觀察者**實際可選且已知**的作品或世界集合， $d_{ijt}$ 為其對作品 $j$ 的當期深度注意力時間， $T_{it}$ 為受測活動可用時間。在明示「深度投入互斥」的實驗條件下，要求： $$ \sum_{j\in\mathcal J_{it}}d_{ijt}\leq T_{it},\qquad d_{ijt}\geq0. $$ 此式並不主張所有認知任務只能一個接一個。背景音樂、共視、多人協作與並行 AI 工具可能共用部分時間；研究應在可比較的**特定互斥活動**上定義時間單位，必要時額外記錄重疊注意力與切換成本。 若 $j$ 與 $k$ 在當下被定義為不可同時完整實現，則某段被投入 $j$ 的排他性時間不可能又全額投入 $k$。這是本篇所說的**選擇排他性**，而不是宣稱只要作品數增加，消費者必須更痛苦或福利必然降低。 ### 4.3 供給量與有效選擇集合不同 以同一期間和明確定義的作品單位，建立： $$ \mathcal C_t^{raw}\supseteq\mathcal C_t^{eligible}\supseteq\mathcal C_{it}^{seen}\supseteq\mathcal C_{it}^{chosen}. $$ 這個包含關係是研究設計中**限定經過審核且合法可取得、實際曝光的作品**的資料整理規則，並非聲稱所有現實平台必然先驗證再推薦。若平台向用戶展示了未驗證作品，應明示觀察資料的違規或不同管線，而不是硬把它塞進理想序列。 - $raw$：平台或研究樣本中的原始提交與生成候選； - $eligible$：通過本研究預先指定授權、品質底線與去重規則的候選； - $seen$：當期實際進入觀察者接觸範圍的內容； - $chosen$：觀察者作出有意義的主動選擇、試聽或深入體驗的集合。 任何供給與需求比較，都要標明採用哪一集合；否則「AI 上架幾十萬首歌、播放占比只有多少」不能直接證明人們疲勞。 ## 5. 品質不能只是一個數字 ### 5.1 多維品質向量 把作品 $j$ 的可審核品質表示為向量： $$ \mathbf q_j=(q_{technical},q_{aesthetic},q_{coherence},q_{fit},q_{accessibility}). $$ - $q_{technical}$：音質、畫質、基本製作可靠性； - $q_{aesthetic}$：藝術風格、表現、編排、敘事張力； - $q_{coherence}$：同一作品內的主題、角色或音樂結構一致性； - $q_{fit}$：對特定用途或受眾的適配； - $q_{accessibility}$：能否在可接受的成本、語言與裝置條件下取得。 此為研究者提出的**向量化約定**，不是獨立於文化與觀眾的普遍品質真值。尤其音樂風格、原創性和「符合個人偏好」不能全部塞進一個專家評分後宣稱客觀品質。 ### 5.2 品質門檻與邊際差異 若大量作品都達到特定群體可接受的基本技術品質，品質對選擇的**相對區分力**可能下降。這不意味品質失去效用，也不意味平均品質提高必然使使用者麻木。 一個簡單的示例：固定某群觀察者的選擇集合 $\mathcal J$，令對作品的條件選擇機率服從研究用的多項式 logit： $$ P_i(j\mid\mathcal J)=\frac{e^{\lambda U_{ij}}}{\sum_{h\in\mathcal J}e^{\lambda U_{ih}}},\qquad \lambda>0. $$ 若所有候選的效用同時增加相同常數 $c$，則在**已經決定從這一集合選擇一項**的條件下，各作品的相對選擇機率不變： $$ \frac{e^{\lambda(U_{ij}+c)}}{\sum_{h\in\mathcal J}e^{\lambda(U_{ih}+c)}} =P_i(j\mid\mathcal J). $$ 此式只是模型內的**相對比較性質**，不是聲稱提升全部作品品質在現實中毫無價值。當存在「不消費」「做別的活動」的外部選項，或候選作品品質提升幅度不同時，絕對消費時長與選擇比例仍可能變化。亦不能用這個簡化 logit 模型宣稱一般需求已被解釋。 ## 6. 技術新奇性、內容新奇性與熟悉性的分離 ### 6.1 技術來源的新奇 令 $N^{tech}_{it}$ 表示觀察者 $i$ 對「由 AI 生成」這一技術來源的相對新奇程度。這可以因普及與接觸而下降，但其變化速度依個人社群、教育與使用習慣不同。它不一定是正向效用；有人好奇，有人排斥，也有人不在意。 ### 6.2 相對於個人歷史的內容差異 對已曝光的作品集合 $E_{it}$，假設研究者事先定義且校準了 $sim_i(j,h)\in[0,1]$ 作為觀察者相關的感知相似性估計，可暫定： $$ N^{content}_{ij,t}=1-\max_{h\in E_{it}}sim_i(j,h). $$ 當 $E_{it}$ 為空時，依預註冊規則令本量為 1 或指定缺值，不應在實驗後任意處理。此指標只是候選度量：一首歌可能在旋律上近似，但歌詞、情境、語言或個人記憶非常不同。因此不能把通用 embedding cosine 直接當作個人的完整感知新奇性。 ### 6.3 熟悉和疲勞可能同時存在 令 $R_{ij,t}$ 表示近期相似接觸的加權強度： $$ R_{ij,t}=\sum_{h\in E_{it}}w_i(t-t_h)\,sim_i(j,h),\qquad w_i(\Delta)\geq0. $$ 個體可能因 $R$ 增加而更熟悉、感到安全或產生回憶，也可能因過密重複而疲勞。因而本文不用固定「疲勞與相似度成正比」作普遍假設，而將主觀疲勞寫成有調節因素的待估計函數： $$ F_{ij,t}=f_i(R_{ij,t},m_{it},c_{it},h_{ij,t})+\varepsilon_{ij,t}. $$ $m$ 為當下聆聽／觀看動機， $c$ 為情境與接觸密度， $h$ 為歷史記憶。上式沒有預定 $f_i$ 必須遞增。熟悉性與審美疲勞需要在實驗中分開量測；對同一首歌的重播，與對相似新歌的連續聆聽也必須分開。 ### 6.4 不能把歷史價值當成新奇性的反義詞 一個人反覆選擇多年熟悉的歌曲，可能正是因為其共同記憶、文化語言和私人歷史。這種偏好不表示該歌曲在藝術上比所有新歌「客觀更好」，也不表示觀察者無法欣賞新事物。 本文把「歷史加權偏好」先作為受控協變量與調節假說；第 8 篇才深入研究世代、時間路徑和記憶的作用域。 ## 7. 集合差異、個人感知與推薦供給 ### 7.1 三種「多樣性」 1. **原始生成多樣性**：在所有生成候選中，作品特徵如何分布； 2. **曝光多樣性**：實際被平台推薦或個人搜尋觸及的作品有多少不同； 3. **體驗多樣性**：觀察者實際深度選擇、記得或回訪的類型有多廣。 即使原始生成多樣性提高，演算法仍可能只推送少數熱門模板；相反，平台也可能故意給少量使用者呈現差異很大的作品。研究供給同質化時，至少應同步回報這三層，並固定比較單位與曝光預算。 ### 7.2 集合語義多樣性的測試方式 研究可用事前選定的文本、音訊、影片或跨模態特徵 $z_j$，比較各組相同數量作品的平均兩兩距離： $$ D(\mathcal C)=\frac{2}{n(n-1)}\sum_{1\leq a0. $$ 若受試者完全沒有進行任一受測體驗，應將其標記為 `NO_ACTIVE_CHOICE`，而非用微小分母掩飾缺失。用比例表示時間時，還要同步報告總時長；否則一個人在兩分鐘中花了 100% 的選擇，可能被誤看成比另一個投入兩小時更強烈。 ### 11.4 統計估計與異質性 - 對品質、差異、來源標籤的隨機主效應及交互作用，使用預先固定的估計程序； - 對多次重複評分採考慮受試者與作品群集的模型； - 分別報告效果量、不確定區間與預登錄多重比較校正； - 當結果不顯著或方向相反時，不以事後擷取特定群體掩飾整體失敗； - 若研究含語言、年代、地區與文化因素，採預先註冊分層，避免把某世代的偏好投射為普遍規律； - 建立真正保留到未參與建模的 held-out 受試者與作品，檢查品質以外的變項是否具有增量預測力。 ### 11.5 不能只看準確預測，更要看可識別的原因 即使某個大型模型能高準確度預測觀眾會聽什麼，也不表示它已識別「審美疲勞導致選擇」的因果機制。平台歷史、推薦曝光、基線偏好與未觀測情緒都可提高預測，但不必然提供干預效應。 若研究要聲稱提高差異性降低疲勞，必須實際控制差異與曝光，而不是只在事後用選擇資料估計相關性。 ## 12. 明確可否證的假說與失敗判準 **H1（條件性的品質邊際差異下降）。** 在作品均達高品質門檻且相互品質差距縮小時，品質之外的差異、熟悉、歷史與取得成本對主動選擇的增量預測力可能增加。**否證方向**：在公平暴露與持續追蹤下，品質單獨模型仍完整解釋選擇且其他變項缺乏穩健增量效果。 **H2（單件改善與集合縮窄可以共存）。** 受控 AI 輔助可能提高單件品質，卻降低同組集合多樣性。**否證方向**：在多種模型、媒介和提示策略中，品質提升與集合多樣性持續一同增加，或未見預期差異。這會限制假說適用域，而不是要求重寫資料。 **H3（感知重複可介導部分疲勞）。** 在一部分觀察者及特定集中曝光條件下，較高感知重複可能降低其延遲重訪。**否證方向**：感知重複未被操弄成功，或感知重複增加而疲勞不升、重訪不降。應保留熟悉性正效應的替代解釋。 **H4（技術新奇性與內容新奇性可分離）。** 被告知 AI 來源引起的好奇效應會隨經驗而變，但與內容新奇評分不必同步。**否證方向**：在多次追蹤與標籤操弄中二者不能可靠區分，則需修正定義或量尺。 **H5（身份／歷史線索對部分群體有條件性作用）。** 在控制作品品質與曝光時，連續的藝人／角色身份與可核查歷史可能提高部分觀察者的主動重訪。**否證方向**：線索沒有獨立效果，或增加身份線索反使多數受試者退出。不可因少數粉絲成功而忽略不追星群體。 **H6（供給數量不等於有效探索）。** 在固定注意力時間與合法選擇集合的條件下，可供內容增加不保證每個觀察者完成體驗數同比增長。**否證方向**：若時間限制、體驗時長、並行策略等均有顯著變化，原本的「固定條件」不成立，不能拿結果作對等檢驗。 **H7（推薦機制是獨立的因果來源）。** 控制曲目品質與可選數量後，推薦排序與推薦排除可能顯著改變實際曝光及選擇分布。若結果為零，也應報告；不得把推薦造成的可見性差異歸因到作品價值。 **H8（無普遍必然疲勞）。** 「所有觀察者都會因 AI 作品越來越相似而降低喜愛」是本篇明確拒絕採納的過強命題。只要存在對重複與熟悉持續偏好的可重現群體，就不能維持該全稱說法。 ## 13. 替代解釋及必要的反事實比較 ### 13.1 作品沒有被選擇的其他原因 未選擇某首 AI 歌曲可能因為： - 根本沒有被曝光； - 推薦系統主動降低其可見性； - 作品尚未通過使用者自己的品質底線； - 曲風或語言不合； - 沒有合法授權或不願支付價格； - 對 AI 標籤有偏好或反感； - 當時想做其他事情； - 觀察者已有更熟悉的收藏； - 隱私、社交情境或裝置限制。 研究若不控制這些條件，就不能把「不聽」直接翻譯成「審美疲勞」。 ### 13.2 品質仍然可能主導的情況 在低品質供給市場、專業音樂演奏、劇情長篇、真實錄音或特定技術用途上，品質差異可能繼續成為主要選擇因素。因此本篇沒有預測「一切娛樂產品都只能靠 IP 和角色」，也沒有預測新興作品無法透過獨特品質成功。 ### 13.3 集合差異很大，個人卻感到單調的情況 原始作品池即使風格豐富，若推薦演算法把少數相似作品長期推給同一人，他仍可能感到單調。相反，原始模型產物相似，但使用者只接觸其中少量作品，可能毫無疲勞。這顯示**供給端多樣性**與**觀察端經驗差異**是兩個研究對象。 ### 13.4 被生成的歷史不等於已發生的歷史 可用 AI 生成某歌手的十年虛構傳記，不能因此推論該歌手與觀察者已經歷十年的互動。真實記憶與社群歷史需要時間與可核查事件累積；虛構人設可以產生敘事價值，但不是同一測量單位。 ## 14. 與主體存在域的接續：不要把人格當成行銷裝飾 前述虛擬偶像研究 [R9] 提示，觀察者可能對具持續身份與互動的虛擬藝人形成關係偏好。但在 Neo.K 的「主體存在域」討論中，需要區分至少三個層次： 1. **媒介身份層**：名稱、聲線、形象、作品目錄可以持續辨識； 2. **運行狀態層**：角色具有事件歷史、記憶約束、行為規則及可觀察的持續變化； 3. **本體與權限層**：主體的合法行動範圍、外部互動、判定與作用結構，可能超過一般偶像的人設設計。 **本篇只研究第一、二層的可觀察選擇效應，不宣稱第三層或 AI 現象意識已被證成。** 在第 7 篇深入主體存在域之前，不能把觀眾喜愛虛擬角色的社會心理結果，當成該角色具有主觀意識或獨立法律人格的證明。 同時也不能把「虛擬歌手的歌比匿名 AI 歌曲更容易取得長期關注」說成必然命題。匿名作品也可以因旋律、文化價值、時代記憶而跨世代流傳；虛擬角色亦可能因持續性差、作品品質不佳或干預過多而失去觀眾。 ## 15. 本篇與更大系列的真正連接 | 接續篇章 | 本篇提供的問題 | 後續新增研究責任 | |---|---|---| | 第 5 篇：經典 IP | 為何既有認知可能影響新作品選擇 | 歷史認同、合法性、權利與世界價值 | | 第 6 篇：數位演員 | 一個持續身份如何跨版本供給 | 人格／肖像、形象版本、授權可達域與稀缺 | | 第 7 篇：虛擬偶像 | 為何單曲不等於持續歌手主體 | 主體存在域、互動、歷史與角色狀態 | | 第 8 篇：歷史加權偏好 | 為何不同世代對相同作品有不同偏好 | 個人、文化及跨世代記憶路徑 | | 第 9 篇：時間注意力經濟 | 受限選擇的本質性基礎 | 時間排他、時間主權、注意力品質 | | 第 10 篇：生成／探索不對稱 | 大量候選與有限探索如何動態變化 | 生成、驗證、探索及有效需求速率 | | 第 11–12 篇：一般選擇 | 如何抽象掉人類與 AI 特定載體 | 不要求意識的選擇、判定、作用與世界實現 | 因此，第 4 篇不是突然改成娛樂產業行銷研究，而是研究**從生成供給到實際選擇之間，哪些價值與機制不能被「品質提升」單獨替代**。 ## 16. 研究限制、倫理與稽核 1. **跨媒介外推限制**：文字、音樂、動畫、影視及互動世界的疲勞機制可能不同；一種媒介實驗通過不能直接外推全部。 2. **樣本代表性**：單一國家、平台、年齡或粉絲社群不能代表全體人類。 3. **主觀測量誤差**：審美疲勞、動機與歷史認同需要多題項與重複測量，不宜只問「無聊嗎？」。 4. **時間資料敏感性**：注意力與個人歷史可能透露日常行為；研究需最小蒐集、明確同意、可撤回及去識別化。 5. **平台政策變化**：推薦和支付機制有時比作品品質更快改變；比較不同年份數據須標明政策斷點。 6. **AI 標籤倫理**：來源標籤操弄需通過合適的倫理程序及事後說明，不得作為商業欺騙建議。 7. **不預設生成必然過剩**：不同產業的算力、版權、品質審核、發行成本與受眾時間條件不同。 8. **不將注意力擷取等同福利**：高觀看秒數可能反映偏好，也可能反映無法退出或被動播放。 9. **不把實驗資料當作實際完成**：本文未招募觀察者、未跑正式隨機實驗、未測得本篇提出的主要參數。 10. **研究貢獻判定**：品質競爭、熟悉性、注意力稀缺及多樣性研究均有先行文獻；本文可主張的是跨機制的**整合研究框架與適用域判別提案**，不是發現它們首次存在。 ## 17. 結論：生產端充裕與選擇端實現不是同一件事 生成式 AI 可以讓更多人產生高品質作品，也可能使作品供給與特定風格的密度迅速增加。這些技術變化既可能提升觀眾福利，也可能使注意力搜尋與差異辨識更加困難。單件作品品質、作品池多樣性、主觀審美疲勞與實際消費時間不是同一變項；忽略這些區分，就會得到「AI 歌曲播放率低，所以大家厭倦 AI」「所有作品相似，所以所有人都會無聊」「有虛擬偶像身份，所以歌曲一定成功」等不能成立的過度結論。 本篇承接 [E4] 的時間與選擇排他性：**觀察者究竟願意把自己不可完全重複的活動時間投入什麼，是一個需要研究的獨立問題**。只要實際體驗需要資源與時間，就不能由生成候選的增加，推導每項候選都會被完整選擇。不同觀察者可以因品質、文化風格、熟悉、共同記憶或身份關係而作出不同決定；這些差異不是研究的雜訊，而可能正是研究對象。 本文提出的限定性結論是：**在高品質生成大量可得的條件下，品質仍然重要，但可能不再足以單獨解釋持續選擇。** 至於新奇性是否衰退、同質化是否出現、審美疲勞是否發生，以及歷史與主體線索是否取得更大權重，都必須在公平曝光、可比較品質與有限時間的實際實驗中逐項驗證。 下一篇將承接這個區分，研究經典 IP 如何在生成內容快速擴張時，因既有角色、文化記憶、權利與可進入的數位世界形成新的競爭可能性，而不提前宣稱所有經典 IP 都必然升值。 --- ## 附錄 A：符號、測量單位與狀態 | 記號 | 本篇定義 | 不得混為 | |---|---|---| | $i,j,t$ | 觀察者、作品、時間期 | 同一受試者跨媒體可以有不同偏好 | | $T_{it}$ | 當期可分配的受測注意力時間 | 平台總播放秒數 | | $d_{ijt}$ | 對某作品的深度投入時間 | 被動接觸次數 | | $\mathcal C^{raw}$ | 名目生成／提交集合 | 具有合法權利的可選集合 | | $\mathcal C^{eligible}$ | 研究契約下合格集合 | 已經被用戶看到的集合 | | $E_{it}$ | 個體已有的接觸歷史 | 整個平台的作品清單 | | $\mathbf q_j$ | 多維作品品質描述 | 普遍客觀單一品質分數 | | $N^{tech}$ | 技術來源新奇性 | 作品內容新奇性 | | $N^{content}$ | 相對個人歷史的內容差異指標 | 實際主觀好惡 | | $R_{ij,t}$ | 近期相似接觸強度 | 已證實的疲勞 | | $F_{ij,t}$ | 待測主觀審美疲勞 | 影片結束或不再推薦 | | $H_{ij,t}$ | 與個人／共同歷史相關的線索 | 原始素材的合法性或現象意識 | | $D(\mathcal C)$ | 指定測量下的集合多樣性 | 全體觀眾感知差異 | | `EMPIRICAL_NOT_VALIDATED` | 本篇專項驗證未完成 | 既有引用研究全部無效 | ## 附錄 B：正式實驗前的檢查清單 - [ ] 預先指定受測媒介、作品單位及合法使用權。 - [ ] 品質與差異分開操弄；先進行獨立盲評。 - [ ] 原始上架、合格、曝光、選擇與完整體驗量分開計數。 - [ ] 同一作品重播與多個相似作品接觸採不同條件。 - [ ] 熟悉偏好與厭倦容許同時、反向存在。 - [ ] AI 來源標籤與實際 AI 來源分開記錄。 - [ ] 身份及歷史訊息不偽造成真正經歷過的共同歷史。 - [ ] 推薦排序、曝光數量與退出成本有明確控制。 - [ ] 受試者保留「不選擇」及自願退出選項。 - [ ] 記錄受試者主動時間、主觀滿意與延遲重訪，不僅看停留。 - [ ] 同時評估品質、集合多樣性、感知差異、疲勞與選擇轉移。 - [ ] 分群與個體異質性事前註冊，不從平均值強推普遍性。 - [ ] 顯示失敗、反方向結果、外部效度限制及信賴區間。 - [ ] 不從單一串流平台的供給與播放占比推導審美疲勞。 - [ ] `NOT_RUN`／`UNPROVEN` 不得因文字完成被標成 `PASS`。 - [ ] 原稿經 UTF-8、數學 delimiter、文獻與段落完整性驗證後提交。 ## 附錄 C：可否證的觀察記錄範本（提案） 以下是本文研究團隊可採用的抽象欄位，**不是任何既有 UFA 或 ORDR API 的正式資料格式**： ```yaml schema: gasr-aesthetic-choice-study-proposal/v0.1 experiment_id: not_run source_license_status: to_confirm observer_cohort: preregistered content_unit: preregistered quality_blind_rating_protocol: not_run content_diversity_metric: preregistered exposure_policy: randomized_and_logged time_budget_minutes: preregistered outside_option_allowed: true source_label_randomization: optional_ethics_review identity_history_conditions: preregistered primary_outcomes: - voluntary_deep_engagement_minutes - delayed_voluntary_revisit - perceived_fatigue secondary_outcomes: - quality_ratings - perceived_similarity - voluntary_exit - observer_agency analysis_status: EMPIRICAL_NOT_VALIDATED ``` ## 參考文獻 **外部研究與可核查公開資料（[R#]）。** 查核日期：2026-10-29。文中引用之研究結論只適用於其原始樣本、方法及條件；工作論文與產業公告不是本篇完成新實驗的證據。 - **[R1]** Simon, H. A. (1971). *Designing Organizations for an Information-Rich World*. In *Computers, Communications, and the Public Interest*. （文獻條目與其經典論述的介紹）。 - **[R2]** Chmiel, A., & Schubert, E. (2017). *Back to the inverted-U for music preference: A review of the literature*. *Psychology of Music*. . - **[R3]** *Repeated Listening Increases the Liking for Music Regardless of Its Complexity: Implications for the Appreciation and Aesthetics of Music*. (2017). *Frontiers in Psychology*. . - **[R4]** Doshi, A. R., & Hauser, O. P. (2024). *Generative AI enhances individual creativity but reduces the collective diversity of novel content*. *Science Advances*, 10(28), eadn5290. . - **[R5]** Moon, K., Green, A. E., & Kushlev, K. (2025). *Homogenizing effect of large language models (LLMs) on creative diversity: An empirical comparison of human and ChatGPT writing*. *Computers in Human Behavior: Artificial Humans*, 6, 100207. . - **[R6]** Meincke, L., Nave, G., & Terwiesch, C. (2025). *ChatGPT decreases idea diversity in brainstorming*. *Nature Human Behaviour*, 9, 1107–1109. . - **[R7]** Friedrichsen, J., Schwarz, J., & Clement, M. (2026). *When Music is Made by AI: Effects on Preferences and Willingness to Pay*. CESifo Working Paper No. 12405. . - **[R8]** *Do listeners devalue AI-generated pop music? Exploring negative biases in listeners' responses to AI-labelled vs human-labelled pop music*. (2025). *Computers in Human Behavior: Artificial Humans*. . - **[R9]** Kecić, A., Rodrigues, A. D. G., & Lee, S. K. (2026). *The emerging charisma of 0s and 1s: unraveling the intricacies of virtual idol adoption*. *Communication and Change*, 2, Article 21. . - **[R10]** Deezer Newsroom. (2026-07-21). *Deezer: AI music has surpassed 50% of new music uploads for the first time*. . 平台自述數據含推薦排除政策與異常播放判定，不得用作無偏需求樣本。 **既有 EveMissLab 原稿與工程研究基線（[E#]）。** 這些是本系列對齊的研究來源，而非獨立第三方驗證。 - **[E1]** Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-28). *從固定影像到可展開世界：生成式媒介的結構轉變*. GASR 第 1／12 篇，v1.0；`EMPIRICAL_NOT_VALIDATED`。 - **[E2]** Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-28). *世界原生動畫：觀察者自由、世界持續性與因果分支*. GASR 第 2／12 篇，v1.0；`EMPIRICAL_NOT_VALIDATED`。 - **[E3]** Neo.K / EveMissLab; GPT-6 協作整理. (2026-10-29). *從內容生成到功能生成：UFA 與數位世界的組合式擴張*. GASR 第 3／12 篇，v1.0；`EMPIRICAL_NOT_VALIDATED`。 - **[E4]** Neo.K / EveMissLab. *時間稀缺性的永恆結構：從生命有限到選擇排他*. 既有時間經濟與注意力經濟研究原稿；本文據此保留有限時間、選擇排他、歷史路徑與時間主權的理論位置。 - **[E5]** EveMissLab. (2026-10-28). *Animation-Seeded World Generation × World-Native Animation — ORDR Future Research Proposal v0.1*. ORDR-Adapters `docs/future/`，研究提案，非端到端實證。 --- **原稿結束。** 本文為《生成過剩與選擇實現論》第 4／12 篇的正式 UTF-8 Markdown 原稿。論文撰寫及格式校驗的完成，不應誤寫成本篇已完成受試者實驗、已證實普遍審美疲勞，或已驗證未來 AI 內容市場的單一路徑。研究狀態維持 `EMPIRICAL_NOT_VALIDATED`。