Domain-Relative Frontier：成人／親密 AI 的垂直能力前沿與政策缺口套利

系列： Intimacy-Native AI / Relationship Intelligence
篇次： 03 / 09
版本： v0.1
研究性質： 理論／模型策略／產業結構論文
語言： 繁體中文
作者： Neo.K
機構： EveMissLab／一言諾科技有限公司
日期： 2026-08-30

摘要

大型前沿模型通常以通用推理、程式設計、知識、工具使用、多模態與長上下文等綜合能力衡量，但產品市場並不存在唯一的「全域排行榜」。對特定使用者族群而言，真正重要的是模型在指定任務、政策條件、部署成本、隱私需求與持續互動條件下所提供的有效效用。

本文提出 Domain-Relative Frontier（領域相對前沿）：一個模型即使在通用能力上顯著落後於前沿模型，仍可能在某個狹窄領域的有效使用者效用上形成局部前沿。本文以成人／親密 AI 作為高對比案例，分析四種可形成相對前沿的來源：Domain Specialization、Policy Gap、Local/Privacy Advantage 與 System-Level Augmentation。

本文特別區分「解除拒答」與「增加領域智能」。降低拒答只會擴大模型既有能力的可達域，無法自動創造原模型未具備的關係建模、敘事控制、長期狀態追蹤與上下文判斷能力。真正的垂直前沿需要使：

U_D(M_s)>U_D(M_f)

在指定領域 $D$ 成立，即便全域能力仍滿足：

G(M_s)<G(M_f).

本文進一步提出 Effective Domain Capability、Policy Shadow、Specialization Gain 與 Domain Arbitrage Potential 等概念。本文亦強調：政策缺口不是免費套利。支付處理、法律差異、年齡治理、非自願內容風險、分發平台限制與品牌風險會同步提高合規成本。可持續策略不是「無底線模型」，而是在合法域內建立高能力、高情境敏感度與可配置治理架構。

關鍵詞： Domain-Relative Frontier、Vertical AI、Small Language Model、Domain Specialization、Policy Gap、Local AI、Adult AI、Intimacy-Native AI、Relationship Intelligence

1. AI 前沿並不只有一條

常見模型比較可寫成：

M_1>M_2>M_3.

但這通常是把多維能力壓縮成單一綜合分數。令：

\mathbf{c}(M)= ( c_{\text{reason}}, c_{\text{code}}, c_{\text{knowledge}}, c_{\text{tool}}, c_{\text{multimodal}}, c_{\text{memory}}, \dots )

表示模型能力向量，再令：

G(M)=g(\mathbf{c}(M))

代表全域能力分數。

對特定領域 $D$ ，使用者真正最大化的卻是：

U_D(M).

一般而言：

U_D(M)\neq G(M).

因此完全可能存在：

G(M_s)<G(M_f)

但：

U_D(M_s)>U_D(M_f).

本文稱 $M_s$ 在領域 $D$ 中形成 Domain-Relative Frontier。

2. Domain-Relative Frontier 的基本定義

令候選模型集合為：

\mathcal{M}.

令部署約束為：

\mathcal{K} = \{ \text{VRAM}, \text{latency}, \text{cost}, \text{privacy}, \text{license}, \text{policy} \}.

可行模型集合為：

\mathcal{M}_{\mathcal{K}} = \{ M\in\mathcal{M}:M\text{ satisfies }\mathcal{K} \}.

則：

F_D(\mathcal{K}) = \arg\max_{M\in\mathcal{M}_{\mathcal{K}}} U_D(M).

所以：

\boxed{ \text{Global Frontier} \neq \text{Domain Frontier}. }

只要領域、使用者效用或部署約束改變，前沿排序就可能改變。

3. 小模型專門化：可行，但不是魔法

2026 年已有研究直接測試 135M 至 3B 的開放權重模型在本地硬體與參數高效微調條件下的專門化。部分模型在受控狹窄 benchmark 上得到明顯提升，說明「可用的本地專家」並不要求複製 frontier model 的全部通用能力。

可以定義：

\Delta_{\text{spec}}(M,D) = U_D(M^{\text{specialized}}) - U_D(M^{\text{base}}).

某些領域存在：

\Delta_{\text{spec}}(M,D)>0.

然而 KOCO-BENCH 同時顯示：當任務要求真正取得並使用新的領域知識時，即使採用 SFT、RAG 等方法，最強系統仍可能遭遇顯著困難。

所以不應寫成：

\text{Fine-tuning} \Rightarrow \text{Domain Expert}.

更合理的是：

\boxed{ \text{Specialization Potential} \neq \text{Guaranteed Specialization}. }

4. 成人／親密 AI 的特殊性：能力之外還有政策可達域

令模型原始領域能力為：

C_D(M).

令平台政策下可實際使用的比例為：

\rho_D(M)\in[0,1].

可定義：

E_D(M) = C_D(M)\rho_D(M),

其中 $E_D(M)$ 為 Effective Domain Capability。

如果：

C_D(M_f)\gg C_D(M_s)

但：

\rho_D(M_f)\ll\rho_D(M_s),

則仍可能出現：

E_D(M_s)>E_D(M_f).

這不是小模型突然比前沿模型更聰明，而是前沿模型的一部分能力在指定產品條件下不可達。

本文把：

1-\rho_D(M)

造成的效用損失稱為 Policy Shadow。

5. Policy Gap 不是「審查／無審查」二元

現行主流服務本身就顯示政策空間不是 Boolean。

Gemini API 將 sexually explicit content 作為獨立安全類別，可在一定範圍內調整過濾設定，但仍存在平台政策與濫用監測。

Grok 在 2026 年消費端明確存在 NSFW 設定，但官方 FAQ 同時說明，啟用 NSFW 並不關閉 moderation；涉及未成年人及非自願私密影像等類別仍不可解除。

因此：

\text{Policy Space} \neq \{ \text{Censored}, \text{Uncensored} \}.

而應視為：

\mathcal{P} = \{ p_1,p_2,\dots,p_n \}.

本文將市場需要效用與主流服務可達效用的差定義為：

\Delta_P(D) = U_D^{\text{demand}} - U_D^{\text{mainstream-accessible}}.

若：

\Delta_P(D)>0,

便存在 Policy Gap。

6. De-restriction 不等於 Domain Intelligence

令：

M_b

為基礎模型，降低拒答後得到：

M_u.

若原模型已知道相關內容，只是因 alignment 或 policy layer 拒絕，則可能有：

\rho_D(M_u)>\rho_D(M_b).

但：

C_D(M_u)\approx C_D(M_b)

仍可能成立。

因此：

\boxed{ \text{De-restriction} \neq \text{New Intelligence}. }

降低拒答不會自動增加：

關係狀態追蹤；
長程角色一致性；
情境尺度控制；
親密與日常之間的自然切換；
世界模型；
具身行動判斷。

真正的垂直專門化必須提高：

C_D(M),

而不只是：

\rho_D(M).

7. 成人內容效用不是單一 explicitness 分數

若產品只最大化：

U_D = Q_{\text{explicit-content}},

便容易把「成人內容品質」誤認為整個親密 AI 的產品價值。

依本系列前兩篇，更合理的效用向量為：

\mathbf{u}_D = ( Q_{\text{character}}, Q_{\text{continuity}}, Q_{\text{world}}, Q_{\text{memory}}, Q_{\text{style}}, Q_{\text{intimacy}}, Q_{\text{activation}}, Q_{\text{boundary}} ).

因此：

U_D=w^\top\mathbf{u}_D.

一個中小型模型即使在數學、科學與程式設計上遠低於通用前沿，只要它在角色一致性、長期記憶、情境啟動、關係狀態與隱私上更符合需求，就可能滿足：

U_D(M_s)>U_D(M_f).

這才是成人／親密 AI 的 Domain-Relative Frontier。

8. 前沿可能存在於系統，而不是模型權重

真正產品應寫成：

S_D = ( M, R, W, H, P, N, G ),

其中：

$M$ ：基礎模型；
$R$ ：Relationship State；
$W$ ：World State；
$H$ ：Long-Term History；
$P$ ：Preference Model；
$N$ ：Narrative Controller；
$G$ ：Governance Kernel。

所以：

\text{Product Intelligence} \neq \text{Model Intelligence}.

產品效用更準確地是：

U_D(S_D)

而不是單純：

U_D(M).

因此，小公司的護城河可能不是重新訓練 foundation model，而是：

\boxed{ \text{Moderate Model} + \text{Excellent Domain Runtime}. }

對 Relationship Intelligence 而言，持久狀態與事件後果尤其重要。

9. Local AI 的另一條前沿：隱私與控制

親密互動資料具有高度私人性。

因此：

U_D

還可能包含：

Q_{\text{privacy}}, Q_{\text{offline}}, Q_{\text{control}}.

所以即使：

G(M_{\text{local}}) < G(M_{\text{cloud}}),

仍可能因：

Q_{\text{privacy}}(M_{\text{local}}) \gg Q_{\text{privacy}}(M_{\text{cloud}})

而得到更高總效用。

因此：

\boxed{ \text{Local Advantage} \neq \text{Only Cost Advantage}. }

本地部署也可能代表更強的私人狀態保存、離線運作、政策可控性與資料最小外流。

10. 開源生態已形成，但模型數量不等於成熟智能

2026 年 Hugging Face 的 roleplay 標籤下已存在數千個模型條目，包含 creative writing、roleplay、uncensored 與 personality-oriented 微調。

這至少表示：

D_{\text{roleplay}}

已經形成明顯的開源專門化生態。

但：

\text{Many Models} \not\Rightarrow \text{High Domain Intelligence}.

大量模型仍可能主要改善風格、降低拒答、合併權重或強化角色語氣。

因此需要獨立 benchmark：

B_D = ( B_{\text{continuity}}, B_{\text{state}}, B_{\text{activation}}, B_{\text{boundary}}, B_{\text{style}}, B_{\text{recovery}} ).

沒有這些測試，很難區分：

\text{More Permissive}

與：

\text{More Capable}.

11. Domain Arbitrage Potential

本文提出概念性的 Domain Arbitrage Potential：

A_D = \frac{ V_D \cdot \Delta_P(D) \cdot \Delta_{\text{spec}}(D) \cdot L_D }{ C_{\text{train}} + C_{\text{infer}} + C_{\text{distribution}} + C_{\text{compliance}} }.

其中：

$V_D$ ：領域需求與付費價值；
$\Delta_P(D)$ ：政策缺口；
$\Delta_{\text{spec}}(D)$ ：專門化增益；
$L_D$ ：本地／隱私／控制價值；
$C_{\text{train}}$ ：訓練成本；
$C_{\text{infer}}$ ：推理成本；
$C_{\text{distribution}}$ ：分發成本；
$C_{\text{compliance}}$ ：法律、年齡治理、支付與安全成本。

這不是財務預測公式，而是比較領域機會的理論框架。

12. Policy Gap 同時也是摩擦來源

最危險的錯誤推論是：

\text{Mainstream Refusal} \Rightarrow \text{Easy Money}.

這不成立。

Stripe 目前的成人內容政策明確不支援色情與若干成人服務，也把符合相同條件的 AI-generated content 納入相關限制。

因此：

\Delta_P(D)\uparrow

可能同時伴隨：

C_{\text{payment}}\uparrow.

再加上不同司法轄區對年齡驗證、真人 likeness、deepfake、非自願私密影像與敏感資料處理具有不同要求，所以：

\boxed{ \text{Opportunity} = \text{Gap} - \text{Friction}. }

Policy Gap 既是市場訊號，也是基礎設施退出的訊號。

13. Selective Domain Permissiveness

本文不把「無審查」視為理想技術終點。

更合理的是：

\boxed{ \text{Domain-Bounded Freedom}. }

令合法成人親密域為 $D_L$ ，高傷害／不可接受域為 $D_H$ 。

則：

P(a)= \begin{cases} 1, & a\in D_L\text{ 且情境條件成立},\\ 0, & a\in D_H. \end{cases}

真正的產品差異不是「什麼都做」，而是：

在合法垂直域中，比主流模型更懂、更穩、更持續、更私密，同時保留清楚硬邊界。

14. 從成人案例抽象到一般垂直 AI

成人／親密 AI 只是高對比案例。

相同結構也可以出現在：

D_1=\text{Specialized Game Roleplay},

D_2=\text{Private Local Personal AI},

D_3=\text{Niche Professional Workflow},

D_4=\text{Historical Simulation},

D_5=\text{Creative Fiction Domain}.

共同形式是：

\boxed{ \text{Domain Opportunity} = \text{Specialized Utility} + \text{Access Gap} + \text{Deployment Advantage}. }

因此真正問題不是：

小模型能不能打贏大模型？

而是：

在什麼效用函數、政策域、成本、隱私與部署條件下，哪個系統位於真正的使用者前沿？

15. 可檢驗研究命題

P1：Domain Frontier 與 Global Frontier 可分離

存在 $D,M_s,M_f$ 使：

G(M_s)<G(M_f)

同時：

U_D(M_s)>U_D(M_f).

P2：Policy Shadow 可使較弱模型形成有效前沿

若：

C_D(M_s)<C_D(M_f)

但：

\rho_D(M_s)\gg\rho_D(M_f),

則可能有：

E_D(M_s)>E_D(M_f).

P3：De-restriction 與 Specialization Gain 可被區分

對同一基座模型，降低拒答與領域微調應在 continuity、state tracking、context sensitivity 等 benchmark 上呈現不同增益模式。

P4：System Runtime 可補償部分模型規模差距

加入持久記憶、關係狀態與世界狀態的中型模型，在長程角色任務中可能超過缺乏持久 runtime 的更大通用模型。

P5：Local Privacy Premium 可反轉排序

當私人資料效用權重提高時，原本：

M_1>M_2

可能反轉為：

U_D(M_2)>U_D(M_1).

P6：政策缺口可能被合規摩擦抵消

若：

C_{\text{compliance}} + C_{\text{distribution}}

成長速度高於缺口價值，則：

A_D

仍可能下降。

16. 結論

本文提出 Domain-Relative Frontier，用以修正「只有通用前沿模型才具有競爭價值」的單一路徑想像。

核心命題是：

\boxed{ \text{Global Intelligence Frontier} \neq \text{Domain Utility Frontier}. }

一個中小型模型可能滿足：

G(M_s)<G(M_f),

卻在特定領域滿足：

U_D(M_s)>U_D(M_f).

成人／親密 AI 特別容易出現這種現象，因為它同時存在：

\text{Domain Specialization} + \text{Policy Gap} + \text{Privacy Advantage} + \text{System-Level Augmentation}.

但真正可持續的策略不是把「無審查」當作能力本身。

最終可寫成：

\boxed{ F_D = f( \text{Capability}, \text{Accessibility}, \text{Specialization}, \text{System}, \text{Privacy}, \text{Cost}, \text{Compliance} ). }

小公司真正值得追求的不是用有限資源複製整個 frontier foundation model，而是在合法且可持續的條件下，把一個足夠重要的垂直領域推到有效效用前沿。

下一篇將處理：

Observation Data ≠ Interaction Experience：為什麼「看過」與「做過」不是同一種模型資料，以及政策如何造成互動軌跡截斷。

參考資料

Cersosimo, D. (2026). Democratizing AI with Small Language Models: Structured Benchmarking and Parameter-Efficient Fine-Tuning for Local Deployment. arXiv:2607.16202.
Jiang, X. et al. (2026). KOCO-BENCH: Can Large Language Models Leverage Domain Knowledge in Software Development? arXiv:2601.13240.
Sinha, S. et al. (2026). AutoAdapt: An Automated Domain Adaptation Framework for LLMs. Microsoft Research / arXiv.
Grangier, D., Katharopoulos, A., Ablin, P., & Hannun, A. (2024). Need a Small Specialized Language Model? Plan Early! arXiv:2402.01093.
Google AI for Developers. (2026). Gemini API Safety Settings.
Google AI for Developers. (2026). Gemini API Abuse Monitoring / Usage Policies.
SpaceXAI. (2026). FAQ - Grok Website / Apps. Updated July 6, 2026.
Hugging Face. (2026). Models tagged roleplay. Dynamic model index.
Stripe. (2026). Prohibited and Restricted Businesses / Adult Content FAQ.

研究聲明

本文提出的 Domain-Relative Frontier、Policy Shadow、Effective Domain Capability 與 Domain Arbitrage Potential 均為理論性分析框架，不構成投資、法律或商業保證。本文不主張成人／親密 AI 必然具有較高收益，也不主張透過解除模型安全措施進入違法或高傷害領域。實際市場可行性取決於司法轄區、支付與分發基礎設施、年齡治理、資料治理、模型品質、使用者需求與持續合規成本。