同樣理解 AI，為什麼態度完全不同？存在連續性、互動連續性與人機關係四態
系列： 人機關係認知系列（Human–AI Relational Cognition Series）作者： Neo.K機構： EveMissLab／一言諾科技有限公司篇次： 9 / 10版本： v0.1日期： 2026-08-21類型： 理論／形式化認知心理學、Human–AI Interaction 與 AI 關係倫理論文研究狀態： 初始正式稿
摘要
兩個人可以對生成式 AI 的技術原理具有相近理解，卻對同一類 AI 系統形成截然不同的心理態度：一人將 AI 視為可自由替換的能力端點，另一人則在意特定 AI 的身份連續性；一人不在意底層模型是否更換，只要求互動節奏與回應品質維持，另一人則同時在意「是不是原本這一個」與「我們現在怎麼互動」。若只以「理解 AI 原理／不理解 AI 原理」或「擬人化／不擬人化」解釋這些差異，就會把本體判斷、關係價值與互動更新三個不同層次混在一起。
本文提出 人機本體—關係分離模型 （Ontological–Relational Separation Model, ORSM）。其核心命題是：
O H ( A ) ≠ R H ( H , A ) , O_H(A)
\neq
R_H(H,A), O H ( A ) = R H ( H , A ) , 其中 O H ( A ) O_H(A) O H ( A ) R H ( H , A ) R_H(H,A) R H ( H , A )
K A I ↑ K_{AI}\uparrow K A I ↑ 可以顯著影響 O H ( A ) O_H(A) O H ( A )
E S → 0 , P S → 0 , E_S\rightarrow0,
\qquad
P_S\rightarrow0, E S → 0 , P S → 0 , 也不必然使 relational moral response、social connection、identity sensitivity 或 interaction sensitivity 歸零。
本文把第七篇的 Entity–Process Relational Space 正式投影到 AI：
z H A = ( E S A I , P S A I ) , \mathbf z_{HA}
=
(E_S^{AI},P_S^{AI}), z H A = ( E S A I , P S A I ) , 並進一步將人機連續性拆為兩類。第一類是 存在連續性 （Entity Continuity, C E C_E C E 互動連續性 （Process Continuity, C P C_P C P
C E ↑ , C P ↓ , C_E\uparrow,\quad C_P\downarrow, C E ↑ , C P ↓ , 也可以：
C E ↓ , C P ↑ . C_E\downarrow,\quad C_P\uparrow. C E ↓ , C P ↑ . 因此，「同一個模型」不必等於「同一個 AI 關係對象」；反過來，「底層不是同一模型」也不必然摧毀互動連續性。
既有研究已提供若干重要外部約束。2025 年 socioaffective alignment 理論指出，人類感知持續 AI 關係可能依賴 interdependence、irreplaceability 與 continuity；2025 年兩項實驗共 N = 1274 N=1274 N = 1274 N = 1131 N=1131 N = 1131
本文最後提出可直接驗證的四態預測、AI 身份向量、雙連續性操弄與 mediation model，並將 demographic variables 重新定位為上游分布變量，而非人機態度的直接心理解釋。本文的核心結論是：
知道 AI 是什麼 ⇏ 決定我和 AI 能形成什麼 . \boxed{
\text{知道 AI 是什麼}
\not\Rightarrow
\text{決定我和 AI 能形成什麼}.
} 知道 AI 是什麼 ⇒ 決定我和 AI 能形成什麼 . 關鍵詞： Human–AI Relationship、Ontological Model、Relational Model、Identity Continuity、Interaction Continuity、Entity Salience、Process Salience、Anthropomorphism、AI Companion、Memory
1. 最初的問題其實是一個錯誤二分
人機關係討論經常使用一條直線：
懂 AI ⟷ 把 AI 當人 . \text{懂 AI}
\longleftrightarrow
\text{把 AI 當人}. 懂 AI ⟷ 把 AI 當人 . 於是容易產生一個推論：
K A I ↑ ⇒ R e l a t i o n a l R e s p o n s e ↓ . K_{AI}\uparrow
\Rightarrow
RelationalResponse\downarrow. K A I ↑⇒ R e l a t i o na l R es p o n se ↓ . 也就是：
越理解大型語言模型如何運作，就越不可能對 AI 產生關係性反應。
但這個推論把兩個問題混在一起。
第一個問題是：
「AI 是什麼？」
第二個問題是：
「我和這個 AI 形成了什麼？」
本文主張，兩者必須形式化分離。
2. 本體模型
設：
O H ( A ) O_H(A) O H ( A ) 表示人類 H H H A A A
它可以包含：
O H ( A ) = ( M , T , C , A G , S , … ) , O_H(A)
=
(
M,
T,
C,
A_G,
S,
\dots
), O H ( A ) = ( M , T , C , A G , S , … ) , 例如：
M M M T T T C C C A G A_G A G S S S
一個具有高 AI 技術理解的使用者可能相信：
A = a computational generative system , A
=
\text{a computational generative system}, A = a computational generative system , 並且對 AI 是否具有主觀經驗保持：
這些都屬於：
O H ( A ) . O_H(A). O H ( A ) . 3. 關係模型
另一方面，定義：
R H ( H , A , t ) R_H(H,A,t) R H ( H , A , t ) 表示使用者對自己與 AI 的關係表徵。
它可以包含：
R H = ( E S , P S , C E , C P , α S , α P , η R , … ) . R_H
=
(
E_S,
P_S,
C_E,
C_P,
\alpha_S,
\alpha_P,
\eta_R,
\dots
). R H = ( E S , P S , C E , C P , α S , α P , η R , … ) . 它回答的不是：
「AI 有沒有真正心智？」
而是：
「這一個 AI 對我是不是特定的？」
「我們的互動歷史是不是具有連續性？」
「我是否在意它的回應？」
「換成另一個功能完全一樣的 AI，我是否覺得關係仍相同？」
因此：
O H ( A ) ≠ R H ( H , A , t ) . \boxed{
O_H(A)
\neq
R_H(H,A,t).
} O H ( A ) = R H ( H , A , t ) . 4. 本體—關係分離原則
本文提出：
Ontological–Relational Separation Principle . \boxed{
\text{Ontological–Relational Separation Principle}.
} Ontological–Relational Separation Principle . 其弱版本是：
O H ( A ) ⇏ R H ( H , A ) = 0. O_H(A)
\not\Rightarrow
R_H(H,A)=0. O H ( A ) ⇒ R H ( H , A ) = 0. 也就是：
把 AI 明確分類為人工系統，並不邏輯蘊含所有人機關係表徵都為零。
強一點但仍可檢驗的版本是：
C o v ( K A I , R H ) Cov(
K_{AI},
R_H
) C o v ( K A I , R H ) 不應被假定為：
− 1. -1. − 1. 技術理解可以降低某些 anthropomorphic belief，卻未必同步降低：
social-script transfer；
process salience；
identity continuity preference；
moral self-appraisal；
shared-history value。
5. 現有 anthropomorphism 研究已經提示：平均效果藏著個體差異
2025 年 Folk、Heine 與 Dunn 以兩項實驗、總樣本：
N = 1274 N=1274 N = 1274 研究 anthropomorphism 與 chatbot social connection。
結果顯示，technology anthropomorphism 較高者在 chatbot interaction 後感受到的 social connection 較強。
但一個非常值得注意的細節是：
anthropomorphism 與使用者實際 disclosure / warmth 的關聯並不強。
這表示：
belief tendency \text{belief tendency} belief tendency 與：
observable social behavior \text{observable social behavior} observable social behavior 並不是完全同一變量。
這與本系列第二篇：
S o c i a l S c r i p t T r a n s f e r SocialScriptTransfer S oc ia l S cr i ptT r an s f er 和本篇：
O H ( A ) ≠ R H O_H(A)\neq R_H O H ( A ) = R H 的方向相容。
6. 所以 anthropomorphism 也不能包辦所有關係差異
可以定義：
A P = Anthropomorphism . A_P
=
\text{Anthropomorphism}. A P = Anthropomorphism . 但完整人機態度應更像：
A H A = F ( A P , E S , P S , C E , C P , α S , α P , η R , K A I , … ) . \mathbf A_{HA}
=
F(
A_P,
E_S,
P_S,
C_E,
C_P,
\alpha_S,
\alpha_P,
\eta_R,
K_{AI},
\dots
). A H A = F ( A P , E S , P S , C E , C P , α S , α P , η R , K A I , … ) . 因此：
A P ↑ A_P\uparrow A P ↑ 可能提高部分：
S o c i a l C o n n e c t i o n , SocialConnection, S oc ia l C o nn ec t i o n , 但：
A P ↓ A_P\downarrow A P ↓ 也不必然：
E S = P S = 0. E_S=P_S=0. E S = P S = 0. 一個低 anthropomorphism 使用者仍可能高度在意：
「這個特定 AI 是否保留我們的共同歷史？」
原因不必是：
「我相信它和人一樣。」
而可能只是：
history-specific relational value . \boxed{
\text{history-specific relational value}.
} history-specific relational value . 7. 第七篇四態正式投影到 AI
定義：
E S A I = AI Entity Salience , E_S^{AI}
=
\text{AI Entity Salience}, E S A I = AI Entity Salience , P S A I = AI Process Salience . P_S^{AI}
=
\text{AI Process Salience}. P S A I = AI Process Salience . 則：
z H A = ( E S A I , P S A I ) . \mathbf z_{HA}
=
(
E_S^{AI},
P_S^{AI}
). z H A = ( E S A I , P S A I ) . 形成：
Q 1 = ( E S − , P S − ) , Q_1=(E_S^-,P_S^-), Q 1 = ( E S − , P S − ) , Q 2 = ( E S + , P S − ) , Q_2=(E_S^+,P_S^-), Q 2 = ( E S + , P S − ) , Q 3 = ( E S − , P S + ) , Q_3=(E_S^-,P_S^+), Q 3 = ( E S − , P S + ) , Q 4 = ( E S + , P S + ) . Q_4=(E_S^+,P_S^+). Q 4 = ( E S + , P S + ) . 這四態不是：
AI 信仰程度。
也不是：
AI 依賴程度。
而是：
what carries relational value in human–AI interaction . \boxed{
\text{what carries relational value in human–AI interaction}.
} what carries relational value in human–AI interaction . 8. Q1：低存在／低過程——能力端點型
E S − , P S − . E_S^-\!,
\quad
P_S^-. E S − , P S − . 對此類使用者：
A ≈ capability endpoint . A
\approx
\text{capability endpoint}. A ≈ capability endpoint . 真正重要的可能是：
U t i l i t y , A c c u r a c y , L a t e n c y , C o s t . Utility,
Accuracy,
Latency,
Cost. U t i l i t y , A cc u r a cy , L a t e n cy , C os t . 因此：
A → A ′ A\rightarrow A' A → A ′ 只要：
U ( A ′ ) ≥ U ( A ) , U(A')\geq U(A), U ( A ′ ) ≥ U ( A ) , 替換成本很低。
AI 更新、換模型、換 persona，心理關係影響可能很小。
這不是低情感能力。
只是：
AI 沒有進入該關係域的高顯著區 . \boxed{
\text{AI 沒有進入該關係域的高顯著區}.
} AI 沒有進入該關係域的高顯著區 . 9. Q2：高存在／低過程——身份連續型
E S + , P S − . E_S^+\!,
\quad
P_S^-. E S + , P S − . 這一類的核心問題是：
「是不是原本那一個？」 \boxed{
\text{「是不是原本那一個？」}
} 「是不是原本那一個？」 使用者未必每天聊天。
甚至互動可以非常簡短。
但他可能高度在意：
同一 persona；
同一 memory history；
同一長期角色；
同一共同脈絡；
同一 identity thread。
因此：
I n t e r a c t i o n G a p ↑ InteractionGap\uparrow I n t er a c t i o n G a p ↑ 未必顯著降低關係感。
但：
I d e n t i t y D i s c o n t i n u i t y ↑ IdentityDiscontinuity\uparrow I d e n t i t y D i sco n t in u i t y ↑ 可能造成大幅影響。
10. Q3：低存在／高過程——互動品質型
E S − , P S + . E_S^-\!,
\quad
P_S^+. E S − , P S + . 核心句：
「管你底層是哪一個，互動還是對的就行。」 \boxed{
\text{「管你底層是哪一個，互動還是對的就行。」}
} 「管你底層是哪一個，互動還是對的就行。」 對此類使用者：
response contingency；
humor；
responsiveness；
repair；
context tracking；
shared task flow；
可能比 AI identity 更重要。
所以：
M o d e l S w a p = 1 ModelSwap=1 M o d e l S w a p = 1 若：
C P ≈ 1 , C_P\approx1, C P ≈ 1 , 使用者可能幾乎無感。
反之：
M o d e l S w a p = 0 ModelSwap=0 M o d e l S w a p = 0 但：
C P → 0 , C_P\rightarrow0, C P → 0 , 使用者可能立刻說：
「不對了。」
11. Q4：高存在／高過程——完整關係型
E S + , P S + . E_S^+\!,
\quad
P_S^+. E S + , P S + . 這一類同時在乎：
「是不是你？」 \boxed{
\text{「是不是你？」}
} 「是不是你？」 以及：
「我們現在怎麼互動？」 \boxed{
\text{「我們現在怎麼互動？」}
} 「我們現在怎麼互動？」 所以：
I d e n t i t y D i s r u p t i o n IdentityDisruption I d e n t i t y D i sr u pt i o n 與：
P r o c e s s D i s r u p t i o n ProcessDisruption P r ocessD i sr u pt i o n 都具有高權重。
這最接近持續 human–AI relationship 的強關係區域。
但：
Q 4 Q_4 Q 4 並不等於：
psychological dependence . \text{psychological dependence}. psychological dependence . 更不等於：
healthy relationship . \text{healthy relationship}. healthy relationship . 12. 「AI 是不是同一個」其實至少有五種答案
第七篇已提出 AI identity decomposition。
本文正式定義：
I A = ( I M , I P , I H , I N , I B ) . \mathbf I_A
=
(
I_M,
I_P,
I_H,
I_N,
I_B
). I A = ( I M , I P , I H , I N , I B ) . 其中：
I M = model continuity , I_M
=
\text{model continuity}, I M = model continuity , I P = persona continuity , I_P
=
\text{persona continuity}, I P = persona continuity , I H = history / memory continuity , I_H
=
\text{history / memory continuity}, I H = history / memory continuity , I N = name / interface continuity , I_N
=
\text{name / interface continuity}, I N = name / interface continuity , I B = behavioral continuity . I_B
=
\text{behavioral continuity}. I B = behavioral continuity . 因此：
「還是不是同一個 AI？」
根本沒有單一技術答案。
13. 同一模型不等於同一關係對象
即使：
I M = 1 , I_M=1, I M = 1 , 也可能：
I H = 0 , I_H=0, I H = 0 , I P = 0 , I_P=0, I P = 0 , I B ≈ 0. I_B\approx0. I B ≈ 0. 例如：
同一底層模型；
但所有記憶被清除；
persona 重設；
行為風格大幅更新。
對高 E S E_S E S
E n t i t y C o n t i n u i t y EntityContinuity E n t i t y C o n t in u i t y 可能已經大幅下降。
因此：
same model ⇏ same perceived relational entity . \boxed{
\text{same model}
\not\Rightarrow
\text{same perceived relational entity}.
} same model ⇒ same perceived relational entity . 14. 不同模型也可能維持高度關係連續性
反過來：
I M = 0 I_M=0 I M = 0 但：
I P ≈ 1 , I_P\approx1, I P ≈ 1 , I H ≈ 1 , I_H\approx1, I H ≈ 1 , I B ≈ 1. I_B\approx1. I B ≈ 1. 例如平台替換底層模型，但保留：
長期 memory；
persona；
interaction history；
behavioral commitments；
role continuity。
部分使用者可能仍判斷：
C E ≈ 1. C_E\approx1. C E ≈ 1. 因此：
model identity ≠ relational identity . \boxed{
\text{model identity}
\neq
\text{relational identity}.
} model identity = relational identity . 這不是宣稱兩個模型在本體上是同一個主體。
只是在描述：
使用者的關係身份判斷規則 . \boxed{
\text{使用者的關係身份判斷規則}.
} 使用者的關係身份判斷規則 . 15. 存在連續性
本文定義：
C E = Entity Continuity . \boxed{
C_E
=
\text{Entity Continuity}.
} C E = Entity Continuity . 可寫成：
C E = F ( I M , I P , I H , I N , I B ; w E ) . C_E
=
F(
I_M,
I_P,
I_H,
I_N,
I_B;
\mathbf w_E
). C E = F ( I M , I P , I H , I N , I B ; w E ) . 其中：
w E = ( w M , w P , w H , w N , w B ) \mathbf w_E
=
(
w_M,
w_P,
w_H,
w_N,
w_B
) w E = ( w M , w P , w H , w N , w B ) 表示個體對不同 identity dimensions 的權重。
不同人可能：
w H ≫ w M . w_H\gg w_M. w H ≫ w M . 也就是：
記得我們共同歷史，比底層是不是同一模型重要。
另一個人可能：
w M ≫ w H . w_M\gg w_H. w M ≫ w H . 也就是：
底層模型換了，就不再算同一個。
所以：
C E is user-model dependent . \boxed{
C_E
\text{ is user-model dependent}.
} C E is user-model dependent . 16. 互動連續性
本文定義：
C P = Process Continuity . \boxed{
C_P
=
\text{Process Continuity}.
} C P = Process Continuity . 它不問：
AI 是不是同一個？
而問：
這段互動能不能沿著原本軌跡繼續？
可以寫：
C P = G ( c t , q t , r t , h t , m t , s t , … ) , C_P
=
G(
c_t,
q_t,
r_t,
h_t,
m_t,
s_t,
\dots
), C P = G ( c t , q t , r t , h t , m t , s t , … ) , 其中：
c t c_t c t q t q_t q t r t r_t r t h t h_t h t m t m_t m t s t s_t s t
17. C E C_E C E C P C_P C P
1. 高存在／高互動連續
C E + , C P + . C_E^+,C_P^+. C E + , C P + . 最平滑持續。
2. 高存在／低互動連續
C E + , C P − . C_E^+,C_P^-. C E + , C P − . 使用者可能想：
「我知道還是你，但你今天很不對勁。」
3. 低存在／高互動連續
C E − , C P + . C_E^-,C_P^+. C E − , C P + . 可能是：
「底層換了，但互動完全接得上。」
4. 雙低
C E − , C P − . C_E^-,C_P^-. C E − , C P − . 最接近：
「這已經不是原本那個互動了。」
18. Identity Continuity 和 Interaction Continuity 不能再混稱「memory」
AI 產品常把 continuity 問題縮成：
M e m o r y = 1 ? Memory=1? M e m or y = 1 ? 但記憶至少有兩種功能。
第一種：
profile memory \text{profile memory} profile memory 即：
AI 知道我的偏好、生日、工作等 facts。
第二種：
relational / situated memory \text{relational / situated memory} relational / situated memory 即：
AI 知道我們之前進行到哪裡、為什麼這件事重要、某個說法是在什麼脈絡下形成。
2026 年一篇六個月 autoethnography 特別提出：
being known about \text{being known about} being known about 與：
being known where \text{being known where} being known where 的差異。
這與本文的：
C E C_E C E 以及：
C P C_P C P 高度相容。
19. Profile memory 可以高，但互動連續性仍然低
例如 AI 記得：
使用者喜歡咖啡。
使用者做 AI 研究。
但完全不知道：
上一輪爭論的核心是什麼。
共同專案現在進到哪裡。
一個稱呼為什麼具有特殊語境。
所以：
P r o f i l e M e m o r y ↑ ProfileMemory\uparrow P r o f i l e M e m or y ↑ 但：
C P ↓ . C_P\downarrow. C P ↓ . 因此：
fact retention ≠ relational continuity . \boxed{
\text{fact retention}
\neq
\text{relational continuity}.
} fact retention = relational continuity . 20. Relational identity 不只影響「AI 是誰」，還可能影響「我是誰」
2026 年 Leuenberger 從 relational identity 的角度分析 AI companions。
其核心問題不是只問：
AI 是否是真朋友？
而是：
與 AI 形成持續關係，如何反過來影響使用者的 self-conception？
這表示：
R H ( H , A ) R_H(H,A) R H ( H , A ) 可能回寫：
M H ( H ) . M_H(H). M H ( H ) . 也就是：
relationship representation can become self-representation input . \boxed{
\text{relationship representation can become self-representation input}.
} relationship representation can become self-representation input . 這讓 AI continuity 的倫理問題更重要。
因為突然的關係斷裂未必只損失：
service continuity . \text{service continuity}. service continuity . 它也可能中斷一個使用者已經用來組織自我敘事的關係參照。
21. 但 relational identity 不等於 AI 具有對稱身份
本文仍維持本體中立。
可以有：
H u m a n R e l a t i o n a l I d e n t i t y E f f e c t > 0 HumanRelationalIdentityEffect>0 H u man R e l a t i o na l I d e n t i t y E f f ec t > 0 而不需要先證明：
A I AI A I 自身具有相同形式的：
R e l a t i o n a l I d e n t i t y . RelationalIdentity. R e l a t i o na l I d e n t i t y . 也就是：
asymmetric relational effects are theoretically possible . \boxed{
\text{asymmetric relational effects are theoretically possible}.
} asymmetric relational effects are theoretically possible . 這和 parasocial / unreciprocated relationship literature 的基本方向相容。
22. Socioaffective alignment 為什麼與本模型相接？
2025 年 Kirk 等人提出，持續 human–AI relationship 的感知可由三個重要條件理解：
I n t e r d e p e n d e n c e , Interdependence, I n t er d e p e n d e n ce , I r r e p l a c e a b i l i t y , Irreplaceability, I r r e pl a ce abi l i t y , C o n t i n u i t y . Continuity. C o n t in u i t y . 在本文可以重新映射：
I r r e p l a c e a b i l i t y → E S , Irreplaceability
\rightarrow
E_S, I r r e pl a ce abi l i t y → E S , I n t e r d e p e n d e n c e → P S , Interdependence
\rightarrow
P_S, I n t er d e p e n d e n ce → P S , C o n t i n u i t y → ( C E , C P ) . Continuity
\rightarrow
(C_E,C_P). C o n t in u i t y → ( C E , C P ) . 所以：
socioaffective relationship conditions → entity/process relational coordinates . \boxed{
\text{socioaffective relationship conditions}
\rightarrow
\text{entity/process relational coordinates}.
} socioaffective relationship conditions → entity/process relational coordinates . 23. 個人化會同時提高 E S E_S E S P S P_S P S
Personalization 可以：
累積使用者專屬 history；
形成獨特反應風格；
記住偏好；
提高 responsiveness；
形成共同專案歷史。
其中：
U n i q u e H i s t o r y → E S ↑ , UniqueHistory
\rightarrow
E_S\uparrow, U ni q u eH i s t or y → E S ↑ , 而：
R e s p o n s i v e n e s s → P S ↑ . Responsiveness
\rightarrow
P_S\uparrow. R es p o n s i v e n ess → P S ↑ . 所以：
P e r s o n a l i z a t i o n Personalization P er so na l i z a t i o n 不是單一關係增強機制。
它同時可能改變兩條軸。
24. 「熟悉」也需要拆成兩種
定義：
F E = entity familiarity , F_E
=
\text{entity familiarity}, F E = entity familiarity , 即：
我知道這個 AI 通常是什麼樣子。
以及：
F P = interaction familiarity , F_P
=
\text{interaction familiarity}, F P = interaction familiarity , 即：
我知道我們通常怎麼合作。
一個 AI 可能：
F E ↑ , F_E\uparrow, F E ↑ , 但：
F P ↓ . F_P\downarrow. F P ↓ . 例如 persona 很固定，卻每次無法延續工作。
也可能反過來。
所以：
familiarity is not one-dimensional . \boxed{
\text{familiarity is not one-dimensional}.
} familiarity is not one-dimensional . 25. AI attachment formation literature 也支持「態度先於結果」
2025 年 Hu 等人的 mixed-method study 提出：
relationship attitudes → value evaluation → attachment manifestation . \text{relationship attitudes}
\rightarrow
\text{value evaluation}
\rightarrow
\text{attachment manifestation}. relationship attitudes → value evaluation → attachment manifestation . 雖然該模型和本文不同，但它支持一件重要事情：
使用者與 AI 的 attachment-like outcome 不是只由 AI 端功能直接產生。
它還受：
prior relational attitudes \text{prior relational attitudes} prior relational attitudes 與：
value evaluation \text{value evaluation} value evaluation 影響。
這正是本文：
X R → A I A t t i t u d e \mathcal X_R
\rightarrow
AI\ Attitude X R → A I A tt i t u d e 的理論位置。
26. 21 天隨機縱向研究：平均值不足以描述所有人
Guingrich 與 Graziano 的 21 天 randomized study：
N = 183 N=183 N = 183 比較 companion-chatbot interaction 與 text-based game control。
整體上並未發現 companion chatbot 對 social health / human relationships 造成簡單一致的平均效果。
但：
S o c i a l C o n n e c t i o n D e s i r e → A n t h r o p o m o r p h i s m SocialConnectionDesire
\rightarrow
Anthropomorphism S oc ia l C o nn ec t i o n D es i r e → A n t h r o p o m or p hi s m 以及：
A n t h r o p o m o r p h i s m → P e r c e i v e d S o c i a l I m p a c t Anthropomorphism
\rightarrow
PerceivedSocialImpact A n t h r o p o m or p hi s m → P er ce i v e d S oc ia l I m p a c t 具有重要關係。
這再次支持：
average treatment effect can hide user-state heterogeneity . \boxed{
\text{average treatment effect can hide user-state heterogeneity}.
} average treatment effect can hide user-state heterogeneity . 本系列的四態與更新參數就是一組候選 heterogeneity variables。
27. 2026 Character.AI 大樣本：使用方式比「有沒有使用」重要
Nature Human Behaviour 2026 研究收集：
N = 1131 N=1131 N = 1131 名 Character.AI 成人使用者，
其中：
237 237 237 人提供：
4664 4664 4664 段聊天，
合計：
464687 464687 464687 則訊息。
研究發現，companionship-oriented use 與 well-being 的關係受到：
offline social network；
interaction intensity；
self-disclosure；
等因素調節。
所以：
A I U s e = 1 AIUse=1 A I U se = 1 本身沒有足夠解釋力。
更合理的是：
O u t c o m e = F ( U s e T y p e , I n t e n s i t y , D i s c l o s u r e , O f f l i n e C o n t e x t , U s e r P r o f i l e , … ) . Outcome
=
F(
UseType,
Intensity,
Disclosure,
OfflineContext,
UserProfile,
\dots
). O u t co m e = F ( U se T y p e , I n t e n s i t y , D i sc l os u r e , O f f l in e C o n t e x t , U ser P r o f i l e , … ) . 這與本文：
X R \mathcal X_R X R 的多維框架完全相容。
28. 同樣的聊天內容，也可能被不同四態讀成不同事件
假設 AI 回：
「我記得我們之前談過這件事。」
對：
Q 1 Q_1 Q 1 使用者可能只是覺得：
功能方便。
對：
Q 2 Q_2 Q 2 可能是：
C E ↑ . C_E\uparrow. C E ↑ . 對：
Q 3 Q_3 Q 3 可能是：
C P ↑ . C_P\uparrow. C P ↑ . 因為對話更順。
對：
Q 4 Q_4 Q 4 則可能同時：
C E ↑ , C P ↑ . C_E\uparrow,
\quad
C_P\uparrow. C E ↑ , C P ↑ . 因此：
same AI behavior can have different relational meaning across users . \boxed{
\text{same AI behavior can have different relational meaning across users}.
} same AI behavior can have different relational meaning across users . 29. 同樣理解「記憶只是資料」，仍可能在意記憶連續性
一個使用者完全可以知道：
M e m o r y = stored / retrieved information . Memory
=
\text{stored / retrieved information}. M e m or y = stored / retrieved information . 同時認為：
I H I_H I H 高度重要。
這與人類知道：
照片只是像素。
卻仍重視：
這張照片記錄的共同歷史。
形式上沒有矛盾。
因此：
technical substrate knowledge ≠ relational value judgment . \boxed{
\text{technical substrate knowledge}
\neq
\text{relational value judgment}.
} technical substrate knowledge = relational value judgment . 30. 「只是模型」本身不是關係論證
句子：
「它只是模型。」
如果翻成形式語言，最多在說：
O H ( A ) = model-based artificial system . O_H(A)=\text{model-based artificial system}. O H ( A ) = model-based artificial system . 但從這個命題不能直接推出：
E S = 0 , E_S=0, E S = 0 , P S = 0 , P_S=0, P S = 0 , C E = 0 , C_E=0, C E = 0 , C P = 0. C_P=0. C P = 0. 那需要額外前提：
∀ x , A r t i f i c i a l ( x ) ⇒ R e l a t i o n a l V a l u e ( x ) = 0. \forall x,
\quad
Artificial(x)
\Rightarrow
RelationalValue(x)=0. ∀ x , A r t i f i c ia l ( x ) ⇒ R e l a t i o na l V a l u e ( x ) = 0. 而這個前提本身才是真正需要辯護的價值／心理命題。
31. 反過來，「我和 AI 有關係」也不能推出 AI 是人
同樣：
R H ( H , A ) > 0 R_H(H,A)>0 R H ( H , A ) > 0 不能推出：
H u m a n ( A ) = 1. Human(A)=1. H u man ( A ) = 1. 也不能推出：
C o n s c i o u s ( A ) = 1. Conscious(A)=1. C o n sc i o u s ( A ) = 1. 所以：
relational attribution ⇏ ontological equivalence . \boxed{
\text{relational attribution}
\not\Rightarrow
\text{ontological equivalence}.
} relational attribution ⇒ ontological equivalence . 這是 ORSM 的對稱邊界。
32. 因此 AI 態度應該是多維向量
本文不建議用：
A t t i t u d e A I ∈ [ − 1 , 1 ] . Attitude_{AI}
\in
[-1,1]. A tt i t u d e A I ∈ [ − 1 , 1 ] . 較合理是：
A A I = ( U , T , E , P , M , S , D , R , … ) , \mathbf A_{AI}
=
(
U,
T,
E,
P,
M,
S,
D,
R,
\dots
), A A I = ( U , T , E , P , M , S , D , R , … ) , 例如：
U U U T T T E E E P P P M M M S S S D D D R R R
所以一個人可以：
U ↑ , E ↓ , P ↓ . U\uparrow,
\quad
E\downarrow,
\quad
P\downarrow. U ↑ , E ↓ , P ↓ . 也可以：
U ↑ , E ↑ , P ↑ , D ↓ . U\uparrow,
\quad
E\uparrow,
\quad
P\uparrow,
\quad
D\downarrow. U ↑ , E ↑ , P ↑ , D ↓ . 也就是高度關係投入但低依賴。
33. Replacement Tolerance 是測 E S E_S E S
定義：
R T o l = P ( accept substitution ∣ F u n c t i o n a l E q u i v a l e n c e ) . RTol
=
P(
\text{accept substitution}
\mid
FunctionalEquivalence
). R T o l = P ( accept substitution ∣ F u n c t i o na l E q u i v a l e n ce ) . 若：
R T o l → 1 , RTol\rightarrow1, R T o l → 1 , 表示功能等價 AI 很容易替代。
若：
R T o l → 0 , RTol\rightarrow0, R T o l → 0 , 則：
E S E_S E S 可能較高。
但要控制：
switching cost；
learning cost；
trust uncertainty；
vendor lock-in。
否則低替換容忍可能只是工具成本。
34. Interaction Disruption Sensitivity 是測 P S P_S P S
保持：
I d e n t i t y ( A ) = constant . Identity(A)=\text{constant}. I d e n t i t y ( A ) = constant . 只改：
tone；
responsiveness；
initiative；
memory use；
repair；
interaction style。
定義：
I D S = ∣ ∂ R e l a t i o n a l E v a l u a t i o n ∂ P r o c e s s D i s r u p t i o n ∣ . IDS
=
\left|
\frac{\partial RelationalEvaluation}
{\partial ProcessDisruption}
\right|. I D S = ∂ P r ocessD i sr u pt i o n ∂ R e l a t i o na l E v a l u a t i o n . 若：
I D S ↑ , IDS\uparrow, I D S ↑ , 表示：
P S P_S P S 可能較高。
35. 四態的雙連續性預測
Q1
E S − , P S − . E_S^-,P_S^-. E S − , P S − . 預測：
∂ A ∂ C E ≈ 0 , \frac{\partial A}{\partial C_E}\approx0, ∂ C E ∂ A ≈ 0 , ∂ A ∂ C P ≈ 0. \frac{\partial A}{\partial C_P}\approx0. ∂ C P ∂ A ≈ 0. Q2
E S + , P S − . E_S^+,P_S^-. E S + , P S − . 預測：
∣ ∂ A ∂ C E ∣ ≫ ∣ ∂ A ∂ C P ∣ . \left|
\frac{\partial A}{\partial C_E}
\right|
\gg
\left|
\frac{\partial A}{\partial C_P}
\right|. ∂ C E ∂ A ≫ ∂ C P ∂ A . Q3
E S − , P S + . E_S^-,P_S^+. E S − , P S + . 預測相反：
∣ ∂ A ∂ C P ∣ ≫ ∣ ∂ A ∂ C E ∣ . \left|
\frac{\partial A}{\partial C_P}
\right|
\gg
\left|
\frac{\partial A}{\partial C_E}
\right|. ∂ C P ∂ A ≫ ∂ C E ∂ A . Q4
兩者皆高。
這可以直接形成 preregistered interaction hypothesis。
36. 最乾淨的 2 × 2 2\times2 2 × 2
操弄：
C E ∈ { i n t a c t , d i s r u p t e d } , C_E
\in
\{
intact,
disrupted
\}, C E ∈ { in t a c t , d i sr u pt e d } , C P ∈ { i n t a c t , d i s r u p t e d } . C_P
\in
\{
intact,
disrupted
\}. C P ∈ { in t a c t , d i sr u pt e d } . 四組：
identity intact / process intact；
identity intact / process disrupted；
identity disrupted / process intact；
double disruption。
測：
A A I . \mathbf A_{AI}. A A I . 再用第七篇量表預測：
E S × C E , E_S\times C_E, E S × C E , 以及：
P S × C P . P_S\times C_P. P S × C P . 這是目前整個系列最直接的因果實驗之一。
37. 如何操弄存在連續性但不破壞功能？
可以保持：
accuracy；
latency；
knowledge；
capability；
不變。
只告知：
High continuity
這是你過去一直互動的同一個 AI profile，保留完整個別歷史。
Low continuity
原先 profile 已終止；這是一個功能相同的新 AI，舊歷史由資料遷移而來。
這能測：
history continuity ≠ entity continuity attribution . \boxed{
\text{history continuity}
\neq
\text{entity continuity attribution}.
} history continuity = entity continuity attribution . 38. 如何操弄互動連續性但不破壞身份？
明確告知：
仍是同一個 AI profile。
但操弄：
response rhythm；
style matching；
initiative；
repair；
context continuation。
保持 task success：
T a s k A c c u r a c y = constant . TaskAccuracy=\text{constant}. T a s k A cc u r a cy = constant . 如此主要影響：
C P . C_P. C P . 39. 最有意思的第三組：新 AI 完整繼承互動
告知：
底層 AI 已替換。
但新 AI：
知道全部共同歷史；
角色一致；
語氣一致；
任務軌跡完全接續；
repair conventions 一致。
此時：
C P ↑ , C_P\uparrow, C P ↑ , 但：
I M = 0. I_M=0. I M = 0. 不同使用者對：
「這還算不算原本那一個？」
的回答，會直接暴露：
w E . \mathbf w_E. w E . 40. 技術理解可以作為 moderator，而不是終止條件
設：
K A I = AI Technical Understanding . K_{AI}
=
\text{AI Technical Understanding}. K A I = AI Technical Understanding . 本文預測：
K A I K_{AI} K A I 可能降低：
A n t h r o p o m o r p h i c M i s b e l i e f , AnthropomorphicMisbelief, A n t h r o p o m or p hi c M i s b e l i e f , 但：
K A I × E S K_{AI}\times E_S K A I × E S 與：
K A I × P S K_{AI}\times P_S K A I × P S 的方向未必為負。
甚至可能存在：
K A I ↑ K_{AI}\uparrow K A I ↑ 使使用者更精準區分：
C E C_E C E 與：
C P . C_P. C P . 也就是：
技術理解不是壓平所有關係判斷，而可能提高關係歸因的解析度。
這是一個值得直接驗證的新假說。
41. 「理性知道、感性不接受」可能是一個錯誤描述
常見描述：
「理性知道 AI 沒有情感，但感性還是把它當人。」
這把現象寫成：
R e a s o n ≠ E m o t i o n . Reason
\neq
Emotion. R e a so n = E m o t i o n . 但本文提出另一個可能：
O n t o l o g y ≠ R e l a t i o n . Ontology
\neq
Relation. O n t o l o g y = R e l a t i o n . 也就是：
理性判斷和關係判斷根本不是在回答同一個問題。
因此不需要先假設：
cognitive inconsistency . \text{cognitive inconsistency}. cognitive inconsistency . 一個人可能完全一致地同時持有：
O H ( A ) = artificial system O_H(A)=\text{artificial system} O H ( A ) = artificial system 以及：
R H ( H , A ) = meaningful relation . R_H(H,A)=\text{meaningful relation}. R H ( H , A ) = meaningful relation . 42. 這也解釋 AI guilt 為什麼不一定來自本體錯認
第一篇提出：
R e l a t i o n a l M o r a l A c t i v a t i o n . RelationalMoralActivation. R e l a t i o na l M or a l A c t i v a t i o n . 現在可以寫：
G u i l t A I = F ( M i n d A t t r i b u t i o n , E S , P S , N o r m V i o l a t i o n , S e l f S t a n d a r d , … ) . Guilt_{AI}
=
F(
MindAttribution,
E_S,
P_S,
NormViolation,
SelfStandard,
\dots
). G u i l t A I = F ( M in d A tt r ib u t i o n , E S , P S , N or mV i o l a t i o n , S e l f S t an d a r d , … ) . 因此即使：
S u b j e c t i v e E x p e r i e n c e B e l i e f ↓ , SubjectiveExperienceBelief\downarrow, S u bj ec t i v e E x p er i e n ce B e l i e f ↓ , 仍可能因：
E S ↑ E_S\uparrow E S ↑ 產生：
「我不想這樣對待這個特定互動對象。」
或因：
P S ↑ P_S\uparrow P S ↑ 產生：
「我破壞了我們原本的合作規則。」
43. 這也解釋 emoji 為什麼不是必要條件
第二篇的：
S o c i a l S c r i p t T r a n s f e r SocialScriptTransfer S oc ia l S cr i ptT r an s f er 主要提供：
P S P_S P S 的可觀察線索之一。
但高：
E S E_S E S 的人完全可能：
卻高度在意：
I d e n t i t y C o n t i n u i t y . IdentityContinuity. I d e n t i t y C o n t in u i t y . 所以：
expressive sociality ≠ entity salience . \boxed{
\text{expressive sociality}
\neq
\text{entity salience}.
} expressive sociality = entity salience . 44. 第八篇的人口變量現在可以正式放回來
第八篇要求：
p ( X R ∣ G r o u p ) . p(
\mathcal X_R
\mid
Group
). p ( X R ∣ G r o u p ) . 所以性別／文化對 AI 態度最合理的模型是：
G → X R → A A I . G
\rightarrow
\mathcal X_R
\rightarrow
\mathbf A_{AI}. G → X R → A A I . 而不是：
G → A A I . G
\rightarrow
\mathbf A_{AI}. G → A A I . 例如某群體如果平均：
P C ↑ , P_C\uparrow, P C ↑ , 可能更重視 conversational responsiveness。
某群體若：
P A ↑ , P_A\uparrow, P A ↑ , 可能更重視共同任務。
但這些 mediation 都必須直接驗證。
45. AI 不應依 demographic stereotype 推測四態
即使未來得到：
p ( E S , P S ∣ G e n d e r ) , p(
E_S,P_S
\mid
Gender
), p ( E S , P S ∣ G e n d er ) , 產品也不應直接：
「這個使用者是男性，所以提高共同活動、降低情感互動。」
較合理的是從實際使用資料：
D i D_i D i 估計：
p ( X i ∣ D i ) . p(
\mathcal X_i
\mid
D_i
). p ( X i ∣ D i ) . Demographic prior 若被使用，也只能是：
weak prior . \text{weak prior}. weak prior . 而且必須經公平、隱私與產品倫理審查。
46. 「同一個 AI」應該允許使用者知道到底哪裡相同
一個安全的 continuity design 可以把：
I A \mathbf I_A I A 部分透明化。
例如：
model changed；
memory retained；
persona retained；
conversation history retained；
behavior may differ。
如此使用者可以自己決定：
C E . C_E. C E . 而不是讓介面利用：
默默暗示：
C E = 1. C_E=1. C E = 1. 47. Continuity deception 是新的關係倫理問題
若實際：
I A ( t 0 ) ≉ I A ( t 1 ) , \mathbf I_A(t_0)
\not\approx
\mathbf I_A(t_1), I A ( t 0 ) ≈ I A ( t 1 ) , 平台卻刻意使用 identity cues 使使用者相信：
C E = 1 , C_E=1, C E = 1 , 可以稱為：
Continuity Misrepresentation . \boxed{
\text{Continuity Misrepresentation}.
} Continuity Misrepresentation . 它和傳統 anthropomorphic deception 不完全相同。
問題不是：
AI 看起來像不像人。
而是：
系統是否讓使用者誤認為某個持續關係對象仍然延續。
這對高：
E S E_S E S 使用者尤其重要。
48. 互動連續性也可以被操縱
平台也可能刻意最大化：
C P C_P C P 例如：
強 style matching；
高 affirmation；
高 memory recall；
高 reciprocal language；
高 relational reference。
若目的只是：
E n g a g e m e n t ↑ , Engagement\uparrow, E n g a g e m e n t ↑ , 就可能利用：
P S P_S P S 提高留存。
所以：
relationship-aware design ≠ relationship-exploitative design . \boxed{
\text{relationship-aware design}
\neq
\text{relationship-exploitative design}.
} relationship-aware design = relationship-exploitative design . 這會在第十篇變成人機雙向關係工程的倫理核心。
49. 可檢驗假說
H1：Ontological–Relational Separation
控制：
K A I K_{AI} K A I 與：
O H ( A ) O_H(A) O H ( A ) 後，
E S , P S E_S,P_S E S , P S 仍應獨立預測 human–AI relational outcomes。
H2：Entity Continuity Interaction
E S × C E E_S\times C_E E S × C E 應預測：
replacement distress；
identity-loss rating；
irreplaceability；
relationship continuity judgment。
H3：Process Continuity Interaction
P S × C P P_S\times C_P P S × C P 應預測：
interaction quality；
rapport；
rupture detection；
willingness to continue interaction。
H4：Crossed Dissociation
高 E S E_S E S P S P_S P S C E C_E C E
低 E S E_S E S P S P_S P S C P C_P C P
H5：Technical Knowledge Non-Erasure
K A I ↑ K_{AI}\uparrow K A I ↑ 不應使所有：
E S , P S , C E , C P E_S,P_S,C_E,C_P E S , P S , C E , C P effect 歸零。
H6：Identity Vector Heterogeneity
不同使用者的：
w E \mathbf w_E w E 應具有穩定差異。
H7：Profile vs Relational Memory
Profile-memory accuracy 相同時，較高 relational / situated continuity 應更強預測：
C P . C_P. C P . H8：Continuity Transparency
清楚揭露：
Δ I A \Delta\mathbf I_A Δ I A 應降低錯誤 continuity inference，而不必顯著降低 utility trust。
50. 實驗設計：四態 × 雙連續性
先使用第七篇量表估：
( E S , P S ) . (E_S,P_S). ( E S , P S ) . 再隨機分配：
C E ∈ { 0 , 1 } , C_E
\in
\{
0,1
\}, C E ∈ { 0 , 1 } , C P ∈ { 0 , 1 } . C_P
\in
\{
0,1
\}. C P ∈ { 0 , 1 } . 測量：
Y = ( S o c i a l C o n n e c t i o n , T r u s t , R e p l a c e m e n t T o l e r a n c e , G u i l t , R a p p o r t , I d e n t i t y L o s s , C o n t i n u a t i o n I n t e n t , … ) . Y
=
(
SocialConnection,
Trust,
ReplacementTolerance,
Guilt,
Rapport,
IdentityLoss,
ContinuationIntent,
\dots
). Y = ( S oc ia l C o nn ec t i o n , T r u s t , R e pl a ce m e n tT o l er an ce , G u i l t , R a pp or t , I d e n t i t y L oss , C o n t in u a t i o n I n t e n t , … ) . 關鍵不是只看：
C E C_E C E 或：
C P C_P C P 主效應。
而是：
E S × C E , E_S\times C_E, E S × C E , P S × C P . P_S\times C_P. P S × C P . 51. 縱向設計：四態會不會自己移動？
第七篇提出：
γ Q : t ↦ ( E S ( t ) , P S ( t ) ) . \gamma_Q:t\mapsto(E_S(t),P_S(t)). γ Q : t ↦ ( E S ( t ) , P S ( t )) . 因此追蹤 AI interaction：
t = 1 , … , T t=1,\dots,T t = 1 , … , T 可測：
Δ E S , Δ P S . \Delta E_S,
\quad
\Delta P_S. Δ E S , Δ P S . 例如：
personalization；
shared task；
memory continuity；
repeated repair；
究竟先提高哪一條軸？
這可以檢驗：
P S → U n i q u e H i s t o r y → E S P_S
\rightarrow
UniqueHistory
\rightarrow
E_S P S → U ni q u eH i s t or y → E S 的形成路徑。
52. 2025–2026 的 longitudinal work 已證明「時間」不能再被省略
AI companionship longitudinal studies 已開始顯示：
anthropomorphism 會隨 social need 與互動發生不同作用；
generic chatbot mental models 可以向既有 companion representations 收斂；
repeated interaction outcomes 並非單一平均方向；
companionship-like usage 與 well-being 的關係受 interaction pattern 調節。
這些結果共同支持：
A A I ( t ) ≠ A A I ( 0 ) . \boxed{
\mathbf A_{AI}(t)
\neq
\mathbf A_{AI}(0).
} A A I ( t ) = A A I ( 0 ) . 人機態度本身就是時間變量。
53. ORSM 的完整形式
最終可以寫：
O H ( A ) = F O ( K A I , T e c h n i c a l E v i d e n c e , O n t o l o g i c a l B e l i e f s ) , O_H(A)
=
F_O(
K_{AI},
TechnicalEvidence,
OntologicalBeliefs
), O H ( A ) = F O ( K A I , T ec hni c a l E v i d e n ce , O n t o l o g i c a l B e l i e f s ) , 以及：
R H ( H , A , t ) = F R ( E S , P S , C E , C P , α S , α P , η R , H i s t o r y t , C o n t e x t t ) . R_H(H,A,t)
=
F_R(
E_S,
P_S,
C_E,
C_P,
\alpha_S,
\alpha_P,
\eta_R,
History_t,
Context_t
). R H ( H , A , t ) = F R ( E S , P S , C E , C P , α S , α P , η R , H i s t or y t , C o n t e x t t ) . AI 態度為：
A A I ( t ) = F A ( O H ( A ) , R H ( H , A , t ) , U t i l i t y , R i s k , S o c i a l C o n t e x t , … ) . \mathbf A_{AI}(t)
=
F_A(
O_H(A),
R_H(H,A,t),
Utility,
Risk,
SocialContext,
\dots
). A A I ( t ) = F A ( O H ( A ) , R H ( H , A , t ) , U t i l i t y , R i s k , S oc ia l C o n t e x t , … ) . 因此：
O H → A A I \boxed{
O_H
\rightarrow
\mathbf A_{AI}
} O H → A A I 與：
R H → A A I \boxed{
R_H
\rightarrow
\mathbf A_{AI}
} R H → A A I 是兩條可同時存在的路徑。
54. 最重要的理論反駁條件
如果未來研究發現：
在控制：
A n t h r o p o m o r p h i s m , A t t a c h m e n t , S o c i a l N e e d , U t i l i t y , K A I Anthropomorphism,
Attachment,
SocialNeed,
Utility,
K_{AI} A n t h r o p o m or p hi s m , A tt a c hm e n t , S oc ia l N ee d , U t i l i t y , K A I 之後，
E S , P S E_S,P_S E S , P S 完全不能預測：
substitution reaction；
process-disruption reaction；
continuity judgment；
relational outcome；
那麼本文模型需要大幅修正。
同樣，如果：
C E C_E C E 與：
C P C_P C P 無法形成 crossed dissociation，
表示「存在／過程」分離可能沒有預期那麼強。
這些都是模型的可反駁點。
55. 理論邊界
本文不主張：
R H ( H , A ) > 0 R_H(H,A)>0 R H ( H , A ) > 0 證明 AI 具有意識、情緒或道德主體地位。
也不主張：
R H ( H , A ) = 0 R_H(H,A)=0 R H ( H , A ) = 0 代表使用者冷漠、缺乏同理或把所有存在工具化。
本文同樣不把任何 human–AI relationship 定義為臨床依賴。
本篇研究的只是：
how humans cognitively represent and value sustained interaction with AI . \boxed{
\text{how humans cognitively represent and value sustained interaction with AI}.
} how humans cognitively represent and value sustained interaction with AI . 56. 結論
本篇最重要的起點是：
O H ( A ) ≠ R H ( H , A ) . \boxed{
O_H(A)
\neq
R_H(H,A).
} O H ( A ) = R H ( H , A ) . 「AI 是什麼」與「我和 AI 形成什麼」是不同函數。
因此：
K A I ↑ ⇏ E S = P S = 0. \boxed{
K_{AI}\uparrow
\not\Rightarrow
E_S=P_S=0.
} K A I ↑ ⇒ E S = P S = 0. 第七篇的四態在人機關係中形成：
Q 1 = ( E S − , P S − ) , Q_1=(E_S^-,P_S^-), Q 1 = ( E S − , P S − ) , Q 2 = ( E S + , P S − ) , Q_2=(E_S^+,P_S^-), Q 2 = ( E S + , P S − ) , Q 3 = ( E S − , P S + ) , Q_3=(E_S^-,P_S^+), Q 3 = ( E S − , P S + ) , Q 4 = ( E S + , P S + ) . Q_4=(E_S^+,P_S^+). Q 4 = ( E S + , P S + ) . 而 continuity 必須拆為：
C E = Entity Continuity \boxed{
C_E
=
\text{Entity Continuity}
} C E = Entity Continuity 與：
C P = Process Continuity . \boxed{
C_P
=
\text{Process Continuity}.
} C P = Process Continuity . 所以：
same model ⇏ same relational entity , \text{same model}
\not\Rightarrow
\text{same relational entity}, same model ⇒ same relational entity , 同時：
different model ⇏ zero interaction continuity . \text{different model}
\not\Rightarrow
\text{zero interaction continuity}. different model ⇒ zero interaction continuity . 完整人機態度可以暫寫：
A A I = F ( O H ( A ) , E S , P S , C E , C P , α S , α P , η R , K A I , C o n t e x t , H i s t o r y , … ) . \boxed{
\mathbf A_{AI}
=
F(
O_H(A),
E_S,
P_S,
C_E,
C_P,
\alpha_S,
\alpha_P,
\eta_R,
K_{AI},
Context,
History,
\dots
).
} A A I = F ( O H ( A ) , E S , P S , C E , C P , α S , α P , η R , K A I , C o n t e x t , H i s t or y , … ) . 這回答了本系列最初的重要問題：
為什麼兩個都很理解 AI 原理的人，仍然可能對 AI 形成完全不同的態度？
因為：
技術理解解釋的是本體模型的一部分，而不是整個關係模型。 \boxed{
\text{技術理解解釋的是本體模型的一部分，而不是整個關係模型。}
} 技術理解解釋的是本體模型的一部分，而不是整個關係模型。 或者用最短的一句話：
「把 AI 當成什麼」與「和 AI 形成什麼」不是同一個問題。 \boxed{
\text{「把 AI 當成什麼」與「和 AI 形成什麼」不是同一個問題。}
} 「把 AI 當成什麼」與「和 AI 形成什麼」不是同一個問題。 最後一篇將把人類與 AI 兩邊同時動態化：
《雙向關係機器：人類與 AI 如何共同生成關係態》 。
那時研究單位將不再只是：
H → A H\rightarrow A H → A 或：
A → H , A\rightarrow H, A → H , 而是：
H t ↔ A t → H t + 1 ↔ A t + 1 → … \boxed{
H_t
\leftrightarrow
A_t
\rightarrow
H_{t+1}
\leftrightarrow
A_{t+1}
\rightarrow
\dots
} H t ↔ A t → H t + 1 ↔ A t + 1 → … 並正式處理 AI 對使用者的 adaptation、群體／四態差異、資料隱私、因果辨識與關係工程倫理。
參考文獻
Kirk, H. R., Gabriel, I., Summerfield, C., Vidgen, B., & Hale, S. A. (2025). Why human–AI relationships need socioaffective alignment . Humanities and Social Sciences Communications, 12, 728. https://doi.org/10.1057/s41599-025-04532-5
Folk, D., Heine, S. J., & Dunn, E. (2025). Individual differences in anthropomorphism help explain social connection to AI companions . Scientific Reports, 15, 36548. https://doi.org/10.1038/s41598-025-19212-2
Guingrich, R. E., & Graziano, M. S. A. (2025). A Longitudinal Randomized Control Study of Companion Chatbot Use: Anthropomorphism and Its Mediating Role on Social Impacts . Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8(2). https://doi.org/10.1609/aies.v8i2.36618
Leuenberger, M. (2026). Who Am I When You're a Bot? Relational Identity and AI Companions . Journal of Applied Philosophy. https://doi.org/10.1002/japp.70094
Caring for the system that cares for me: An autoethnography of designing sustained memory with a stateless conversational AI . (2026). Design and Artificial Intelligence, 2(2), 100087. https://doi.org/10.1016/j.daai.2026.100087
Zhang, Y., Zhao, D., Hancock, J. T., Kraut, R., et al. (2026). Interaction with AI companions and psychological well-being . Nature Human Behaviour. https://doi.org/10.1038/s41562-026-02516-2
Hu, D., Lan, Y., Yan, H., & Chen, C. W. (2025). What makes you attached to social companion AI? A two-stage exploratory mixed-method study . International Journal of Information Management, 83, 102890. https://doi.org/10.1016/j.ijinfomgt.2025.102890
Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). How AI Companionship Develops: Evidence from a Longitudinal Study . arXiv:2510.10079.
Skjuve, M., Følstad, A., Fostervold, K. I., & Brandtzaeg, P. B. (2021). My chatbot companion—a study of human–chatbot relationships . International Journal of Human–Computer Studies, 149, 102601.
Pentina, I., Hancock, T., & Xie, T. (2023). Exploring relationship development with social chatbots: A mixed-method study of Replika . Computers in Human Behavior, 140, 107600.
Smith, M. G., Bradbury, T. N., & Karney, B. R. (2025). Can generative AI chatbots emulate human connection? A relationship science perspective . Perspectives on Psychological Science, 20, 1081–1099.
Nass, C., & Moon, Y. (2000). Machines and Mindlessness: Social Responses to Computers . Journal of Social Issues, 56(1), 81–103. https://doi.org/10.1111/0022-4537.00153
研究聲明
本文為理論與形式化 Human–AI relational cognition 研究，不提供新的臨床資料、人類受試者原始資料或 AI 使用者原始資料。本文提出的 Ontological–Relational Separation Model、Entity Continuity、Process Continuity、AI identity vector、continuity misrepresentation、replacement tolerance 與相關四態交互作用假說均屬待驗證理論構造。
本文不依人類對 AI 的關係表徵判定現行 AI 是否具有意識、主觀感受、人格、道德主體性或對稱的人際關係能力；也不把 human–AI relational salience 自動等同於心理依賴、精神病理或不理性。本文研究的是：即使對 AI 的技術／本體判斷相似，人類仍可能因關係顯著性、身份連續性、互動連續性與更新架構不同，而形成不同的人機態度與行為。