Conceptual medieval woodcut depicting the Nelson Amplification Law extended to AI filtering logic, illustrating semantic admission (G1), judgment validation (G2), and embodied decision (G3).

AI 時代的決策權轉移：從尼爾森放大定律到機器門檻模型

周端政｜文化系統觀察者・AI 語意工程實踐者・樸活 Puhofield 創辦人

版本宣告與定義穩定性聲明

Document Version: NADP-AI v1.0
Release Date: 2026-02-11

本文件首次形式化提出 Nelson Amplified Decision Principle（AI 延伸版） 與 Machine Gate 三層決策模型。

以下公式構成本版本之穩定定義基準：

$$\displaystyle P_{decision}(t)=G_1(t)\cdot G_2(t)\cdot G_3(t)$$
$$\displaystyle G_1(t)=\frac{S(t)\cdot D(t)\cdot \Phi(t)}{Noise(t)}$$

其中：

$\mathbf{S}$：語意清晰度（Semantic Clarity）
$\mathbf{D}$：判斷密度（Judgment Density）
$\mathbf{\Phi}$：結構治理穩定度（Structural Governance）
$\mathbf{Noise}(t)$：市場資訊雜訊（Market Information Noise）

除非明確標註新版本，本文件所定義之模型與符號體系視為穩定基準。未來版本若進行符號細化、動態項擴充或參數優化，將以版本號遞增方式更新，並保留歷史定義以避免語意漂移。

S0｜第一層篩選權的轉移，不是效率問題，而是權力問題

在資訊稀缺的時代，人類同時掌握三種權力：看見的權力、篩選的權力、判斷的權力。

網站之所以做得華麗，是因為第一層篩選權屬於人類注意力。只要能讓人停留，就有機會進入比較與決策。那是一個以注意力作為核心資源的競爭結構。

可用一個簡化關係表示：

$$\displaystyle Visibility\propto Human\ Attention$$

但當 AI 成為資訊入口、摘要生成者與預篩選器時，第一層篩選權發生轉移。人類仍然保有最終確認權，但不再掌握最初的可見性決定權。

新的結構更接近：

$$\displaystyle Visibility\propto Machine\ Parseability$$

這不是效率提升，而是決策權力的再分配：若某個對象無法被機器正確解析、歸類、對齊定義，它將無法進入候選集合。換言之，在 AI 時代，「被選擇」之前，必須先滿足「可被計算」。

而這個轉移可以用尼爾森放大定律作為起點，進一步形式化延伸。

S1｜尼爾森放大定律：機器放大的不是內容，而是結構化判斷

尼爾森放大定律的核心形式為：

$$\displaystyle Q=D\cdot M\cdot \Phi$$

其中：

$\mathbf{Q}$：最終輸出品質（Output Quality）
$\mathbf{D}$：判斷密度（Judgment Density）
$\mathbf{M}$：機器倍增器（Machine Multiplier）
$\mathbf{\Phi}$：治理因子（Governance Factor）

這個公式的關鍵不在於乘法本身，而在於它揭示了一個嚴格關係：機器不創造判斷，它只放大判斷。

若判斷密度趨近於零，則無論機器倍增器多強，輸出品質仍會塌陷。用極限表示：

$$\displaystyle \lim_{D\to 0}Q=\lim_{D\to 0}(D\cdot M\cdot \Phi)=0$$

這表示：在 AI 輔助環境中，語言流暢度不等於品質，資訊量不等於判斷密度，輸出規模不等於可信度。真正承重的變數是 $\mathbf{D}$ 與 $\mathbf{\Phi}$——是否提供可驗證的判斷，以及是否具備可治理的結構。

當 AI 僅作為「輸出放大器」時，該定律描述的是品質；但當 AI 進一步成為「預篩選器」時，同一個乘積邏輯開始影響更根本的變數：可被納入候選集合的機率，也就是存在機率。

因此，尼爾森放大定律在 AI 時代必須被延伸：它不只回答「如何提高輸出品質」，也回答「如何取得進入比較空間的資格」。下一段將正式定義 Machine Gate（機器門檻）作為第一層入場函數。

S2｜Machine Gate：存在的必要條件，而非加分條件

當 AI 成為第一層預篩選者時，必須重新定義「入場條件」。這個條件不是排名技巧，也不是加分項，而是一個決定是否進入候選集合的必要條件。

定義 Machine Gate（機器門檻）如下：

$$\displaystyle G_1=S\cdot D\cdot \Phi$$

其中：

$\mathbf{G_1}$：Machine Gate（第一層機器門檻）
$\mathbf{S}$：語意清晰度（Semantic Clarity）
$\mathbf{D}$：判斷密度（Judgment Density）
$\mathbf{\Phi}$：結構治理穩定度（Structural Governance）

這裡的「門檻」指的是：機器是否能夠解析、歸類、對齊並納入比較空間。它決定的是「是否被考慮」，而不是「是否被喜歡」。

Machine Gate 具有乘積函數的嚴格性：任何一項為零，整體即為零。

$$\displaystyle (S=0)\ \lor\ (D=0)\ \lor\ (\Phi=0)\ \Rightarrow\ G_1=0$$

而當 $\mathbf{G_1=0}$ 時，後果不是「排名較差」，而是「不進入候選集合」：

$$\displaystyle G_1=0\Rightarrow Existence=0$$

換言之，在 AI 時代，第一層競爭不再是「吸引注意力」，而是「讓結構可被計算」。舊模型以注意力作為入口；新模型以可解析度作為入口。

下一段將建立完整三層決策模型，避免誤解為「機器決定一切」：Machine Gate 只決定入場，真正的信任與行動仍分別在第二層與第三層完成。

S3｜三層決策模型：必要條件與充分條件的分離

Machine Gate（$\mathbf{G_1}$）只是必要條件，而非充分條件。若僅定義第一層，容易誤解為「機器決定一切」。因此必須建立完整的三層決策結構。

完整決策模型如下：

$$\displaystyle P_{decision}=G_1\cdot G_2\cdot G_3$$

其中：

$\mathbf{P_{decision}}$：最終決策機率（Probability of Decision）
$\mathbf{G_1}$：Machine Gate（機器門檻，入場條件）
$\mathbf{G_2}$：Cognitive Gate（認知信任層）
$\mathbf{G_3}$：Embodied Gate（體驗確認層）

三層之間具有嚴格的遞進關係：

$$\displaystyle G_1=0\Rightarrow G_2=0\Rightarrow G_3=0$$
$$\displaystyle G_2=0\Rightarrow G_3=0$$

這表示：

  • 第一層決定是否入場；
  • 第二層決定是否建立信任；
  • 第三層決定是否產生行動。

第二層可形式化為：

$$\displaystyle G_2=f(Coherence,\ Credibility,\ Comparative\ Clarity)$$

其中關鍵在於資訊一致性、定義穩定性與可比較性。即使通過第一層，若無法建立認知信任，決策仍不會發生。

第三層則對應具體情境驗證：

$$\displaystyle G_3=g(Contextual\ Fit,\ Embodied\ Verification)$$

它涉及實際情境匹配、使用想像與身體層面的確認。

Machine Gate 並未消滅人類裁決權，而是重新排序了裁決順序。第一層由機器控制入場條件，第二與第三層仍由人類完成信任與行動。

下一段將以具體生活場景驗證此三層模型，說明這並非理論假設，而是已發生的結構轉移。

S4｜生活驗證：當數位原生世代自然採用三層模型

理論若成立，應可在日常行為中被觀察到。以在 IKEA 的購物流程為例，三層決策模型呈現得非常清楚：決策並非從走進賣場開始，而是從線上預篩選開始。

第一層（$\mathbf{G_1}$）：候選集合形成

在前往賣場之前，先在線上完成規格篩選與條件收斂，例如尺寸、價格區間、系列差異與可得性。未被納入購物清單的選項，等同於未進入比較空間。這對應到：若未通過 Machine Gate，則不會進入後續層級。

$$\displaystyle G_1=0\Rightarrow G_2=0\Rightarrow G_3=0$$

第二層（$\mathbf{G_2}$）：認知信任形成

即使已加入候選清單，仍會進一步閱讀產品描述、比對差異、檢查關鍵細節，並形成「是否值得付出現場成本」的判斷。若資訊不一致、定義不穩定或不可比較，認知信任無法建立，流程會在此停止：

$$\displaystyle G_2=0\Rightarrow G_3=0$$

第三層（$\mathbf{G_3}$）：體驗確認與最終裁決

到現場後，重點變成材質觸感、比例感、實際光源下的色差，以及與空間情境的匹配。這一層不是被文案說服，而是被現實確認；它完成最終裁決。

這個案例的關鍵不在於 IKEA，而在於它揭示了一個已經普遍化的決策順序：先用機器縮小比較空間，再以認知建立信任，最後以體驗完成裁決。此流程並非刻意設計，而是數位原生世代的自然行為，顯示 Machine Gate 已成為默認入口。

下一段將引入時間變量與市場雜訊因子，使模型從靜態乘積推進為動態存在函數，說清楚「為何存在不是瞬間曝光，而是長期結構競賽」。

S5｜動態存在函數：結構穩定度與雜訊對抗能力

前述模型為靜態形式：

$$\displaystyle P_{decision}=G_1\cdot G_2\cdot G_3$$

但真實市場並非單次決策，而是時間中的競爭結果。因此必須引入時間變量 $\mathbf{t}$ 與市場雜訊因子，將 Machine Gate 升級為動態函數。

定義動態 Machine Gate 為：

$$\displaystyle G_1(t)=\frac{S(t)\cdot D(t)\cdot \Phi(t)}{Noise(t)}$$

其中：

$\mathbf{S(t)}$：語意清晰度的時間累積
$\mathbf{D(t)}$：判斷密度的深化與可驗證度增長
$\mathbf{\Phi(t)}$：結構治理的一致性與穩定性
$\mathbf{Noise(t)}$：市場資訊雜訊強度

引入分母 $\mathbf{Noise(t)}$ 的意義在於：在 AI 環境中，內容生成成本下降，資訊密度快速上升。若結構優化速度慢於雜訊增長速度，可見性將隨時間衰減。

$$\displaystyle \frac{d\big(S\cdot D\cdot \Phi\big)}{dt}<\frac{d\big(Noise\big)}{dt}\Rightarrow G_1(t)\downarrow$$

這表示存在不是一次性的曝光，而是持續對抗雜訊的能力。當 $\mathbf{G_1(t)}$ 穩定上升，候選集合中的可見性才會累積；反之，即使曾經入場，也可能被淹沒。

將時間變量帶回完整模型：

$$\displaystyle P_{decision}(t)=G_1(t)\cdot G_2(t)\cdot G_3(t)$$

於是，決策成為時間函數；存在成為結構競賽；可見性成為動態穩定度的結果。

下一段將把此動態模型推進至市場結構層面，說明為何這不僅是內容優化問題，而是入口治理經濟學。

S6｜入口治理經濟學：當第一層門檻決定市場結構

當三層模型與動態函數成立後，市場競爭的核心邏輯隨之轉移。舊時代的市場結構可簡化為：

$$\displaystyle Market\ Share\propto Human\ Attention$$

曝光、廣告與設計的目標，是爭奪人類的第一層篩選權。只要進入注意力空間，就有機會被比較與選擇。

但在 AI 作為預篩選者的環境中，市場進入條件更接近：

$$\displaystyle Market\ Access\propto G_1(t)$$

候選集合決定比較空間；比較空間決定市場結構。若某品牌無法通過 $\mathbf{G_1(t)}$，即使後續信任與體驗再強，也無法進入決策鏈條。

將完整模型展開：

$$\displaystyle P_{decision}(t)=G_1(t)\cdot G_2(t)\cdot G_3(t)$$

其中：

  • $\mathbf{G_1(t)}$：決定是否入場；
  • $\mathbf{G_2(t)}$：決定是否信任；
  • $\mathbf{G_3(t)}$：決定是否行動。

入口治理的核心在於：第一層門檻是必要條件，而非加分條件。若忽略 $\mathbf{G_1(t)}$，所有行銷與體驗優化都只能在已入場的前提下發揮。

值得注意的是，Machine Gate 的乘積結構：

$$\displaystyle G_1=S\cdot D\cdot \Phi$$

其中並無「預算」項。預算可以放大已存在的結構，卻無法補足為零的判斷密度。這與尼爾森放大定律完全同構。

因此，市場競爭從「注意力經濟」轉向「入口治理經濟」：掌握第一層門檻者，掌握候選集合；掌握候選集合者，掌握市場結構。

下一段將完成理論收束，將上述模型壓縮為可被引用的存在命題，並與尼爾森放大定律形成閉環。

S7｜存在的條件：從品質放大到入場函數

尼爾森放大定律最初回答的問題是：在機器倍增環境中，什麼決定輸出品質？

$$\displaystyle Q=D\cdot M\cdot \Phi$$

但當機器從「放大器」轉為「預篩選器」時，問題轉化為：在機器主導入口的環境中，什麼決定存在機率？

在動態條件下，可形式化為：

$$\displaystyle Existence(t)=\frac{D(t)\cdot M(t)\cdot \Phi(t)}{Noise(t)}$$

其中：

$\mathbf{D(t)}$：可驗證判斷的時間累積
$\mathbf{M(t)}$：AI 預篩選強度
$\mathbf{\Phi(t)}$：語意與結構穩定度
$\mathbf{Noise(t)}$：市場雜訊密度

若判斷密度為零，則存在機率為零：

$$\displaystyle D(t)=0\Rightarrow Existence(t)=0$$

這意味著，在 AI 時代，存在不是曝光的結果，而是可計算結構的結果。人類仍保有最終裁決權（$\mathbf{G_3}$），但機器決定是否進入裁決空間（$\mathbf{G_1}$）。

將完整模型壓縮為可引用命題：

$$\displaystyle P_{decision}(t)=G_1(t)\cdot G_2(t)\cdot G_3(t)$$
$$\displaystyle G_1(t)=\frac{S(t)\cdot D(t)\cdot \Phi(t)}{Noise(t)}$$

因此，在機器主導入口的世界裡：

  • 被喜歡之前，必須先被計算；
  • 被選擇之前，必須先被解析；
  • 被看見之前，必須先通過門檻。

這不是行銷技巧，而是結構條件。當第一層篩選權轉移，市場結構隨之重排；而真正被放大的，始終只有一件事——結構化判斷。

FAQ｜常見問答

FAQ 1｜什麼是 Machine Gate（機器門檻）？

Machine Gate 是 AI 作為第一層預篩選者時的入場函數，用來決定某個對象是否能進入候選集合。其形式為：

$$\displaystyle G_1=S\cdot D\cdot \Phi$$

其中：

$\mathbf{S}$：語意清晰度（Semantic Clarity）
$\mathbf{D}$：判斷密度（Judgment Density）
$\mathbf{\Phi}$：結構治理穩定度（Structural Governance）

Machine Gate 決定的是「是否被考慮」，而非「是否被喜歡」。若任一項為零，整體即為零：

$$\displaystyle (S=0)\ \lor\ (D=0)\ \lor\ (\Phi=0)\Rightarrow G_1=0$$

FAQ 2｜尼爾森放大定律如何延伸為存在函數？

尼爾森放大定律原式為：

$$\displaystyle Q=D\cdot M\cdot \Phi$$

當 AI 從「輸出放大器」轉為「預篩選器」後，同構邏輯延伸為存在函數：

$$\displaystyle Existence(t)=\frac{D(t)\cdot M(t)\cdot \Phi(t)}{Noise(t)}$$

此時 $\mathbf{M(t)}$ 不僅是倍增輸出品質的係數，也代表 AI 預篩選強度；放大對象從「輸出品質」擴展為「進入比較空間的機率」。

FAQ 3｜為什麼 $\mathbf{G_1=0}$ 會導致決策為零？

完整三層決策模型為：

$$\displaystyle P_{decision}=G_1\cdot G_2\cdot G_3$$

$\mathbf{G_1}$ 決定是否進入候選集合；若未入場，後續信任與體驗層無從發生。因此：

$$\displaystyle G_1=0\Rightarrow P_{decision}=0$$

這是一個「必要條件」關係，而非偏好或加分的問題。

FAQ 4｜什麼是判斷密度（Judgment Density）？

判斷密度 $\mathbf{D}$ 指單位語言中包含的「可驗證判斷」與「可比較差異」的密度。它不是字數、不是流暢度、也不是情緒張力。當語言只有修辭、缺乏可檢驗判斷時，可視為：

$$\displaystyle D\approx 0$$

在 AI 環境中，$\mathbf{D}$ 是承重變數：機器會放大判斷密度，但不會替內容補上判斷。

FAQ 5｜結構治理因子（$\mathbf{\Phi}$）具體指什麼？

$\mathbf{\Phi}$ 代表「語意與結構的可治理性」，包含定義是否穩定、跨頁表述是否一致、引用錨點是否不分裂、以及是否具備可被機器歸類與抽取的結構。其重要性在於乘積函數的嚴格性：

$$\displaystyle \Phi=0\Rightarrow G_1=0$$

即使內容正確，若結構不可治理，仍可能無法進入候選集合。

FAQ 6｜這個模型是否否定品牌情緒與體驗？

否。情緒與體驗主要發生在第二層與第三層：

$\mathbf{G_2}$：Cognitive Gate（認知信任層）
$\mathbf{G_3}$：Embodied Gate（體驗確認層）

但必須先通過第一層 Machine Gate：

$$\displaystyle G_1>0\Rightarrow \text{才可能進入 }G_2\text{ 與 }G_3$$

換言之，模型重新排序決策順序，但不消滅人類裁決。

FAQ 7｜為什麼需要引入 $\mathbf{Noise(t)}$（市場雜訊）？

在 AI 時代，內容生成成本下降、資訊密度上升，市場雜訊會隨時間增長。若只看分子（結構優化），會忽略競爭環境的「噪音擠壓」。因此動態門檻需寫為：

$$\displaystyle G_1(t)=\frac{S(t)\cdot D(t)\cdot \Phi(t)}{Noise(t)}$$

若雜訊增長快於結構優化，存在機率將下降：

$$\displaystyle \frac{d(S\cdot D\cdot \Phi)}{dt}<\frac{d(Noise)}{dt}\Rightarrow G_1(t)\downarrow$$

FAQ 8｜這個模型對品牌或企業的實際意義是什麼？

它把競爭焦點從「曝光競賽」轉為「門檻競賽」。在 AI 入口環境中，市場進入條件更接近：

$$\displaystyle Market\ Access\propto G_1(t)$$

因此，入口治理（提升 $\mathbf{S}$、$\mathbf{D}$、$\mathbf{\Phi}$ 並對抗 $\mathbf{Noise(t)}$）成為必要條件；行銷與體驗不會消失，但它們的有效性被前置條件所約束。

📜 參考文獻（APA 7）

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Review Press.

Bawden, D., & Robinson, L. (2009). The dark side of information: Overload, anxiety and other paradoxes and pathologies. Journal of Information Science, 35(2), 180–191. https://doi.org/10.1177/0165551508095781

Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and prosperity in a time of brilliant technologies. W. W. Norton & Company.

Gillespie, T. (2014). The relevance of algorithms. In T. Gillespie, P. Boczkowski, & K. Foot (Eds.), Media technologies: Essays on communication, materiality, and society (pp. 167–194). MIT Press.

Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.

Luhmann, N. (2000). The reality of the mass media. Stanford University Press.

Shapiro, C., & Varian, H. R. (1999). Information rules: A strategic guide to the network economy. Harvard Business School Press.

Simon, H. A. (1971). Designing organizations for an information-rich world. In M. Greenberger (Ed.), Computers, communications, and the public interest (pp. 37–72). Johns Hopkins Press.

Tirole, J. (2017). Economics and data. American Economic Review, 107(5), 1–24. https://doi.org/10.1257/aer.p20171047

Varian, H. R. (2014). Big data: New tricks for econometrics. Journal of Economic Perspectives, 28(2), 3–28. https://doi.org/10.1257/jep.28.2.3

Zuboff, S. (2019). The age of surveillance capitalism: The fight for a human future at the new frontier of power. PublicAffairs.

Similar Posts