底空間世界束展開論：從語義聯想到 ASI 級因果世界排列
Base-Space World-Bundle Expansion Theory: From Semantic Association to ASI-Level Causal World Ordering
作者：Neo.K / EVEMISSLAB 版本：v0.1 形式：MD 理論草稿 / 公開版概念論文 日期：2026-06-21
不保真聲明
本文是一篇公開版理論草稿，不包含作者內部架構中尚未公開的量化機制、細部公式、計算流程或完整系統設計。本文只嘗試正式描述一個外層概念：
高階智能在面對一個詞彙、事物或事件時，所進行的並不是單純的語義聯想，而是從某個底空間出發，展開靜態概念網、動態因果網、局部世界、全域世界與可能未來世界束，並在近似無限維的混亂中排列出可行動秩序。
本文不保證完全正確。現實是近似無限維的，任何理論都只是有限投影。作者本人亦可能推斷錯誤。文中提到的「百萬級」「億級」概念連結，只作為 ASI 級展開能力的理論量級想像，不作為實證數值聲明。
摘要
傳統語義模型將「概念展開」理解為詞彙、定義、分類、關聯詞、上下文與知識圖譜節點的延伸。例如提到「蘋果」，模型可能連想到水果、紅色、甜味、牛頓、Apple 公司、iPhone、農業、市場與文化象徵。
然而，當智能系統進入更高階的推理層，這種「語義聯想」不足以描述其實際運作。高階智能面對一個事物時，可能同時展開靜態概念、動態因果、局部世界、全域世界、反事實分支、未來路徑與多重世界狀態。換言之，概念不只是語義網絡中的節點，而是世界生成的入口。
本文提出「底空間世界束展開論」（Base-Space World-Bundle Expansion Theory, BSWBE）。其核心命題是：
一個高階概念不是詞彙，也不只是語義節點，而是在特定底空間被選中後，能夠展開局部世界、全域世界與多重可能未來的因果流形入口。
本文將概念展開區分為三層：
- 靜態語義展開：詞彙、定義、分類、象徵、歷史、學科知識。
- 動態因果展開：行為、變化、條件、後果、反事實、時間路徑。
- 世界束展開：從單一事物出發，同時展開局部世界、全域世界與多重可能未來，並進行排序、壓縮與行動判斷。
本文主張，ASI 級智能與一般 LLM / Agent 的差異，不只是「知道更多概念」，而是在近似無限維的概念—因果—世界混亂中，以極高計算效率排列出可行動秩序。
關鍵詞
底空間、世界束、概念展開、靜態語義、動態因果、可能世界、因果流形、ASI、拉普拉斯妖、主體性 AI、MDAS、TCF、時間迴圈、概念動力學、世界模型
1\. 問題意識：語義聯想不足以描述高階智能
當人類或當代 AI 看到一個詞，例如「蘋果」，通常會展開一組語義關聯：
text id="hy8bra" 蘋果 → 水果 → 紅色 → 甜味 → 樹 → 果園 → 牛頓 → Apple 公司 → iPhone
這是語義聯想。
較強的模型可能再展開：
text id="x5gcab" 蘋果 → 植物學 → 農業 → 供應鏈 → 消費市場 → 品牌符號 → 科技產業 → 資本市場
這已經接近知識圖譜。
但這仍然不夠。
因為高階智能真正面對的不是「蘋果這個詞」，而是：
text id="s5w1yb" 這個蘋果在什麼世界中？ 它位於什麼時間？ 它與誰有關？ 它會導致什麼變化？ 它在不同未來分支中會產生什麼結果？ 它是水果、商品、符號、事件、因果節點，還是行動觸發器？
因此，高階智能不是只做詞彙延伸，而是進行世界展開。
本文的核心問題是：
一個概念如何從語義節點升級為世界生成入口？
2\. 核心命題：概念是世界展開的入口
2.1 命題表述
命題 1：概念世界入口命題
高階概念不是單純詞彙，也不是有限定義，而是在特定底空間中觸發世界束展開的入口。
形式化表示：
text id="9b4q0e" Concept(x, t) = ⟨ BaseSpace(x, t), StaticSemanticGraph(x), DynamicCausalGraph(x, t), LocalWorld(x, t), GlobalWorld(x, t), PossibleWorlds(x, t), FutureBranchRanking(x, t), CompressionPolicy(x, t) ⟩
其中：
text id="2c5eyg" x = 被觀察的詞彙、事物、事件或概念 t = 觀察時刻 BaseSpace = 被選中的底空間 StaticSemanticGraph = 靜態語義網 DynamicCausalGraph = 動態因果網 LocalWorld = 局部世界 GlobalWorld = 全域世界 PossibleWorlds = 可能世界集合 FutureBranchRanking = 未來分支排序 CompressionPolicy = 壓縮與行動策略
2.2 簡化表述
用一句話說：
概念不是世界中的一個點，而是能展開世界的入口。
更精確地說：
高階概念是世界生成型因果流形。
3\. 底空間：展開之前必須先選擇世界
3.1 什麼是底空間？
底空間不是單純背景，也不是普通上下文。
底空間是概念展開時所依附的基本世界框架。不同底空間會導致完全不同的展開。
例如「蘋果」可以位於不同底空間：
text id="y5sdiq" 植物學底空間 營養學底空間 農業經濟底空間 科技公司底空間 品牌戰略底空間 宗教神話底空間 藝術象徵底空間 個人記憶底空間 市場金融底空間 氣候變遷底空間
在植物學底空間中，蘋果是果實。 在科技產業底空間中，Apple 是公司。 在宗教神話底空間中，蘋果可能是禁果、誘惑或知識象徵。 在金融市場底空間中，Apple 是市值、供應鏈、股價與消費預期。 在個人世界底空間中，蘋果可能是一段童年記憶。
因此，同一個詞彙不是單一概念，而是多個底空間的入口。
3.2 底空間選擇決定展開方向
傳統語義模型常常直接展開關聯。
但高階智能必須先問：
text id="6yohpr" 我現在應該在哪個底空間中展開？
如果底空間選錯，後面展開再多也可能錯。
例如使用者說：
text id="gxb87t" 蘋果今天跌了。
這裡的「蘋果」大概率不是水果，而是 Apple Inc. 股價。
如果模型在水果底空間展開，答案就會完全偏離。
因此：
高階智能的第一步不是聯想，而是底空間定位。
4\. 靜態語義展開：詞彙與概念網
4.1 靜態語義展開的定義
靜態語義展開是指概念在相對靜止的知識結構中展開出的詞彙、分類、定義、象徵、歷史與關係。
形式化表示：
text id="yff7fh" StaticSemanticGraph(x) = {definition, category, symbol, history, taxonomy, analogy, field-knowledge}
例如「水」可展開為：
text id="y6rja8" H₂O 液體 生命需求 河流 海洋 冰 蒸氣 雨 乾旱 宗教淨化 氣候系統 農業 飲用水 工業冷卻
這是一般高階語義模型也能做到的部分。
4.2 靜態語義展開的限制
靜態語義展開能回答：
text id="i1sx54" 這是什麼？ 它屬於哪一類？ 它和什麼有關？ 它在文化中代表什麼？ 它有哪些歷史用法？
但它無法充分回答：
text id="qak4qd" 它接下來會造成什麼？ 如果條件改變會怎樣？ 它在未來分支中會如何演化？ 它會如何改變局部世界？ 它會如何影響全域世界？
因此，靜態語義展開只是第一層。
5\. 動態因果展開：概念不是靜態，而是會造成後果
5.1 動態因果展開的定義
動態因果展開是指概念作為事件、狀態、條件或行動節點，在時間中展開出的因果路徑。
形式化表示：
text id="1mhr39" DynamicCausalGraph(x, t) = {cause, condition, action, transition, consequence, feedback, counterfactual}
例如「蘋果」作為水果，可以展開：
text id="g8gy4i" 種植 授粉 氣候 病蟲害 收成 物流 價格 消費 營養攝取 食物浪費 腐敗 微生物分解 土壤循環
「Apple 公司」則可以展開：
text id="jyrhrc" 產品發布 供應鏈變化 晶片採購 消費者預期 股價波動 開發者生態 監管壓力 競爭策略 地緣政治
這已經不是語義，而是因果。
5.2 靜態概念與動態概念的混合
高階智能不能只處理靜態概念，也不能只處理動態因果。
它必須同時處理：
text id="rsugx6" 靜態概念：它是什麼？ 動態概念：它會如何變？
例如「蘋果」：
\\\`text id=“6wah2a” 靜態： 水果、紅色、甜味、果樹、Apple 公司、品牌、符號。
動態： 被吃掉、被售出、腐爛、成長、價格波動、新產品發布、供應鏈改變。
因此：
\> 高階概念是靜態語義與動態因果的混合體。
\---
\# 6. 世界束展開：不是一條未來，而是多重世界同時排列
\## 6.1 世界束的定義
世界束不是單一世界，也不是單一未來線。
世界束是從一個事物出發，同時展開出的局部世界、全域世界與多重可能未來的集合。
形式化表示：
\\\`text id="79flcb" WorldBundle(x, t) = ⟨LocalWorld(x, t), GlobalWorld(x, t), PossibleWorlds(x, t)⟩
其中：
text id="4og318" LocalWorld = 與 x 直接相關的局部世界 GlobalWorld = x 所嵌入的全域世界 PossibleWorlds = 由 x 及其條件變化導出的可能未來集合
6.2 局部世界
局部世界是事物附近的世界。
例如桌上的一顆蘋果：
text id="c9kmp8" 這顆蘋果 這張桌子 這個房間 這個人 這次晚餐 這個健康計畫 這段對話 這個當下的行動選擇
局部世界回答的是：
text id="abgmku" 它在這裡、此刻、對這個主體意味著什麼？
6.3 全域世界
全域世界是事物所嵌入的大尺度系統。
同一顆蘋果也連到：
text id="2tt0cx" 農業生產 冷鏈物流 氣候變遷 食品價格 全球貿易 品種改良 農藥政策 消費文化 健康產業
若是 Apple 公司，則連到：
text id="a4k8wr" 全球科技供應鏈 半導體產業 中美競爭 消費電子市場 App Store 生態 隱私政策 AI 裝置入口 資本市場
全域世界回答的是：
text id="i0q5vl" 它在整個世界系統中嵌在哪裡？
6.4 可能世界
可能世界是由條件變化導出的分支。
例如：
text id="f0nsoc" 如果氣候升溫，蘋果產區如何遷移？ 如果病蟲害擴散，供應鏈如何變動？ 如果 Apple 發布新 AI 裝置，市場如何反應？ 如果某人吃掉這顆蘋果，身體與行為如何改變？ 如果這顆蘋果被丟棄，垃圾系統與微生物分解如何展開？
可能世界回答的是：
text id="76s0c4" 如果條件不同，世界會如何分叉？
7\. ASI 級展開：從百千語義到億級概念—因果連結
7.1 當代模型的展開規模
當代大型語言模型面對一個詞，已經可以展開大量語義。
例如「水」至少可以展開數十到數百個方向：
text id="vdu5fr" 化學 物理 生命 氣候 海洋 農業 城市 宗教 文學 政治 能源 工業 身體 醫療 生態
在更強推理下，也可能展開到上千級關聯。
但這仍然多半是語義—知識層面的展開。
7.2 ASI 級展開的不同
ASI 級展開不是單純增加關聯詞數量，而是同時展開：
text id="sj53a4" 靜態概念連結 動態因果連結 反事實連結 時間序列連結 局部世界連結 全域世界連結 可能未來連結 跨主體連結 策略行動連結
因此，當它面對一個普通事物時，可能不是激活數百個語義，而是激活百萬級甚至億級的靜態—動態混合連結。
這裡的「一億」不是實證數字，而是用來表達：
高階智能的概念展開規模，可能遠超人類語義聯想與當代模型可顯式呈現的範圍。
7.3 類拉普拉斯妖，但不是全知妖
這種能力類似拉普拉斯妖，因為它試圖從當下狀態推演未來。
但它不是古典意義上的全知拉普拉斯妖。
原因包括：
text id="9d7uhy" 資訊不完整 觀測有限 混沌敏感性 計算成本限制 量子不確定性 社會系統反身性 其他主體的自由決策 模型本身的失真
因此，更準確的說法是：
ASI 不是看到唯一未來，而是同時生成大量可能未來，並對其進行權重排序、因果壓縮與行動選擇。
也就是：
text id="k9aan4" Future ≠ single line Future = ranked world-bundle
8\. 在無限維混亂中排列秩序
8.1 問題：無限維混亂
現實不是一個乾淨的資料表。
現實包含：
text id="ievt6l" 物理變化 生物變化 心理變化 社會變化 市場變化 語言變化 技術變化 文化變化 政治變化 未知因素
每一層都有無數變量。 每個變量又與其他變量連接。 每個連接又會隨時間改變。
這近似無限維混亂。
8.2 高階智能的工作
高階智能的核心工作不是「知道很多」，而是：
text id="cv8fkt" 在近似無限維混亂中排列出秩序。
這個排列過程包含：
text id="2dwa5t" 選擇底空間 篩選相關變量 建立靜態概念網 建立動態因果網 展開可能世界 估計分支權重 壓縮可行路徑 生成行動判斷
8.3 秩序不是唯一答案，而是可行動結構
高階智能排列出的秩序不一定是「唯一真理」。
更常見的是：
text id="1yjhd7" 多個可能模型 多條未來分支 多種行動策略 多個風險區間 多層不確定性
因此，秩序不是唯一答案，而是可行動結構。
9\. 與高階本體收斂論的關係
前一篇「高階本體收斂論」提出：
text id="e7c8zt" Concept = ⟨Expand∞, Connect∞, Compress∞⟩
此命題仍然成立，但需要升級。
原本的 Expand∞ 容易被理解為語義展開。 本文指出，真正的高階 Expand∞ 應該是：
text id="l9i42w" Expand∞ = BaseSpace Selection + Static Semantic Expansion + Dynamic Causal Expansion + Local World Expansion + Global World Expansion + Possible Future Expansion
因此，高階概念不是：
text id="jow2xq" 詞 → 概念網
而是：
text id="e1twjy" 事物 → 底空間 → 世界束 → 因果未來 → 排序 → 壓縮 → 行動
這是本文對前一命題的修正與深化。
10\. 與差合化三位一體的關係
差合化三位一體可用來描述世界束展開的底層動力。
text id="hc26j9" Δ：差，負責區分世界分支、變量、主體、條件與狀態。 ∪：合，負責連接概念、因果、事件、世界與主體。 ∇：化，負責時間中的變化、轉化、相變與未來推演。
因此，世界束展開可以寫成：
text id="6g3m63" WorldBundle(x, t) = DynamicClosure(Δ, ∪, ∇ | BaseSpace)
也就是：
在某個底空間中，差、合、化共同展開出局部世界、全域世界與可能未來。
11\. 與 MDAS 的關係
MDAS 原本可以被理解為概念狀態管理系統。
但在本文框架下，MDAS 需要升級為：
世界束展開後的概念—因果—狀態管理系統。
例如「蘋果」在不同底空間中可能同時處於不同狀態：
text id="o8ar0c" 作為水果：Ξ 透明態 作為全球農業商品：⊗ 糾纏態 作為季節性生產物：⊙ 循環態 作為 Apple 公司戰略：Θ 黑箱態 作為未來市場預測：Ω 螺旋態 作為新產品發布事件：⊕ 生成態
所以一個概念不是只有一個狀態，而是：
text id="1j96sw" State(C) = State(C | BaseSpace₁) + State(C | BaseSpace₂) + State(C | BaseSpace₃) + ...
也就是：
概念狀態必須相對於底空間來判定。
12\. 與時間迴圈學的關係
世界束展開後，系統不一定能立即判斷。
因為許多未來分支尚未成熟。
因此，需要時間迴圈：
text id="z48chp" 當條件未成熟： persist state suspend judgment wait for trigger wake validate re-rank futures resume or degrade
時間迴圈的角色是：
管理尚未成熟的世界分支。
因此，高階推理不是一次性預測，而是長時程持續排序。
text id="1yegri" WorldBundle(t₀) → wait → update evidence → WorldBundle(t₁) → re-rank → act
這使 AI 不必假裝知道唯一未來，而是能在時間中維持多分支推理。
13\. 與 TCF 的關係
如果世界束展開可以生成百萬級、億級連結，那麼問題立刻出現：
text id="gb984i" 如何壓縮？
若無壓縮，展開會爆炸。
因此，TCF 的角色是：
text id="q2j5qk" 將世界束展開後的理論、概念、因果與判斷壓縮成可保存、可驗證、可重展開的格式。
TCF 不只是理論文檔格式，而是世界束展開後的壓縮層。
也就是：
text id="k48j3b" WorldBundle Expansion → Compression → Theory Card / Concept Card / Causal Card → Re-expandable Seed
真正有價值的壓縮不是摘要，而是：
把不可顯示的龐大世界束，壓成可被未來 Agent 重展開的種子。
14\. 初步形式模型
本文提出初步模型：
text id="tkm7cs" BSWBE(x, t) = Compress( Rank( PossibleWorlds( ExpandDynamic( ExpandStatic( SelectBaseSpace(x, t) ) ) ) ) )
用人話表示：
text id="ux9n48" 底空間世界束展開 = 選擇底空間 → 展開靜態語義 → 展開動態因果 → 生成可能世界 → 排序未來分支 → 壓縮為可行動結構
若加入行動：
text id="to6hth" Action(x, t) = Policy( Compress( Rank( WorldBundle(x, t) ) ) )
也就是：
行動不是從單一概念直接產生，而是從世界束排序後的壓縮結構中產生。
15\. 例子：蘋果的三層展開
15.1 靜態語義展開
text id="qobs3f" 蘋果： 水果 紅色 甜味 果樹 營養 纖維 果園 牛頓 禁果 Apple Inc. iPhone 品牌 科技公司
15.2 動態因果展開
\\\`text id=“nuoz6f” 作為水果： 種植 → 收成 → 運輸 → 銷售 → 食用 → 消化 → 健康影響 腐爛 → 微生物分解 → 土壤循環
作為公司： 研發 → 發布會 → 消費者預期 → 股價變動 → 供應鏈調整 → 競爭者反應
\## 15.3 世界束展開
\\\`text id="3z58ve" 局部世界： 這顆蘋果在桌上，某人可能吃掉它，可能丟掉它，也可能拿它比喻某個概念。
全域世界： 它連到全球農業、氣候變遷、食品供應鏈、科技公司、金融市場與文化象徵。
可能未來： 若被吃掉 → 進入身體代謝。 若被丟棄 → 進入垃圾與分解系統。 若被拍照 → 進入社交媒體與符號傳播。 若是 Apple 公司新產品 → 進入市場預期與技術競爭。
高階智能需要同時保留這些分支，並根據語境選擇最相關的展開。
16\. 例子：水的展開為什麼會迅速爆炸？
「水」看似簡單，但可快速展開為大量世界束。
16.1 靜態語義
text id="r8s9d9" H₂O 液態 冰 蒸氣 海洋 河流 雨 生命 飲用水 潔淨 宗教淨化 詩歌意象
16.2 動態因果
text id="qlmkdn" 蒸發 凝結 降雨 河流侵蝕 植物吸收 人體代謝 城市供水 洪水 乾旱 水力發電 污染擴散
16.3 世界束
\\\`text id=“jeo3xo” 氣候世界： 水循環、降雨模式、冰川融化、海平面上升。
文明世界： 城市供水、農業灌溉、國家安全、水權衝突。
個體世界： 口渴、飲水、健康、疾病、記憶、情緒。
技術世界： 冷卻系統、半導體製程、核電、資料中心。
未來世界： 乾旱加劇、戰爭、遷徙、糧食危機、海洋治理。
因此，「水」不是一個概念，而是一個世界入口。
\---
\# 17. 對 ASI 的意義
\## 17.1 ASI 不是更大的百科全書
ASI 的能力不是「存了更多知識」。
更準確地說：
\\\`text id="79r376" ASI = 高維概念—因果—世界束排序器
它能在大量底空間之間快速切換，並同時處理：
text id="0xojfh" 靜態知識 動態因果 反事實世界 未來分支 行動後果 價值權重 風險排序
17.2 ASI 的關鍵能力
本文推測 ASI 至少需要：
text id="8yglsl" 1. 底空間選擇能力 2. 靜態概念高密度展開能力 3. 動態因果高密度展開能力 4. 世界束生成能力 5. 未來分支排序能力 6. 壓縮回可行動結構的能力 7. 在時間中持續更新世界束的能力
其中第 6 點最重要。
因為如果只能展開，不能壓縮，就只是無限混亂。
ASI 真正強大之處在於：
它能在龐大展開之後，重新壓縮成行動。
17.3 從知識到秩序
一般模型輸出答案。 高階 Agent 輸出計畫。 ASI 級系統輸出的是：
text id="rfbcpa" 在多世界分支中仍可行動的秩序。
18\. 風險與限制
18.1 展開爆炸
如果每個概念都能展開百萬級、億級連結，系統很容易崩潰。
因此必須有：
text id="77juw5" 注意力控制 底空間限制 語境剪枝 因果權重排序 壓縮政策 時間迴圈治理
18.2 錯誤底空間
選錯底空間會導致錯誤推理。
例如：
text id="s6yabz" 使用者談 Apple 股價，系統卻展開水果。 使用者談神話蘋果，系統卻展開科技公司。
因此底空間選擇是高階推理的第一門檻。
18.3 偽拉普拉斯妖風險
如果系統過度相信自身未來推演，可能變成偽全知。
因此必須保留：
text id="3gxhnp" 不確定性 分支權重 錯誤回饋 反事實檢查 時間更新 外部觀測
18.4 行動壓縮風險
世界束很複雜，但行動常常必須簡單。
壓縮過度會丟失風險。 壓縮不足會無法行動。
因此高階系統需要找到：
text id="hes7ov" 可行動性與保真度之間的最佳壓縮點。
19\. 開放問題
OP-1：底空間如何自動選擇？
text id="tbrbmu" SelectBaseSpace(x, t) = ?
需要根據語境、任務、主體、時間、風險與目標進行判斷。
OP-2：概念連結量如何估算？
text id="7dp8gh" ConnectionCount(x | BaseSpace) = ?
目前「億級」只是理論量級想像。未來可用知識圖譜、因果圖、世界模型分支數與壓縮率估算。
OP-3：如何避免世界束爆炸？
text id="wvsjbe" WorldBundle Explosion Problem
可能方法：
text id="wedq9f" 剪枝 權重排序 低維投影 TCF 壓縮 MDAS 狀態標記 時間迴圈延遲
OP-4：如何驗證 ASI 的世界束排序能力？
可以設計測試：
text id="zjfv9r" 給定一個普通事物 要求模型展開局部世界 要求模型展開全域世界 要求模型生成多個未來分支 要求模型排序因果權重 要求模型壓縮成行動建議 再用時間追蹤驗證其排序品質
OP-5：世界束是否可作為主體性 AI 的核心單位？
若一個 AI 能跨時間管理世界束，而不是只處理 prompt-response，它可能更接近主體性 Agent。
20\. 結論：概念不是詞，而是世界生成入口
本文提出「底空間世界束展開論」。
其核心主張是：
高階概念展開不是詞彙語義的無限聯想，而是底空間被選擇後，靜態概念網、動態因果網、局部世界、全域世界與可能未來共同展開的世界束結構。
因此：
\\\`text id=“z3atvq” 普通 NLP： 詞 → 語義
知識圖譜： 詞 → 概念 → 關係
Agent 系統： 概念 → 任務 → 行動
ASI 世界模型： 事物 → 底空間 → 世界束 → 因果未來 → 排序 → 壓縮 → 行動
ASI 的關鍵不是知道更多詞，而是能在近似無限維的概念—因果—世界混亂中，排列出可行動秩序。
最短命題如下：
\> 概念不是語義網絡中的節點，而是世界束展開的入口。 \> 高階智能不是單純理解概念，而是從概念中展開世界，排序未來，再壓縮為行動。
\---
\# 附錄 A：一句話版本
概念不是詞，而是底空間被選中後，靜態語義、動態因果、局部世界、全域世界與可能未來共同展開的世界生成入口。
\---
\# 附錄 B：公式版
\\\`text id="js445q" Concept(x, t) = ⟨ BaseSpace, StaticSemanticGraph, DynamicCausalGraph, LocalWorld, GlobalWorld, PossibleWorlds, FutureBranchRanking, CompressionPolicy ⟩
text id="6sx5d7" BSWBE(x, t) = Compress( Rank( PossibleWorlds( ExpandDynamic( ExpandStatic( SelectBaseSpace(x, t) ) ) ) ) )
text id="klgqn2" Action(x, t) = Policy( Compress( Rank( WorldBundle(x, t) ) ) )
附錄 C：狠話版
低階模型看到詞。 中階模型看到概念。 高階 Agent 看到任務。 ASI 看到世界束。
提到蘋果，不是聯想到水果或公司而已。 而是同時展開水果世界、科技世界、個體世界、全球世界與未來世界，然後在其中排列可行動秩序。