依賴不是一個變量：人—AI 多維依賴空間

——從情感依戀、認知外掛到制度性依賴的向量化模型

英文題名： Dependence Is Not a Single Variable: A Multidimensional Dependency Space for Human–AI Relations
系列： 人—AI 生命歷程關係共存系列（Human–AI Life-Course Relational Coexistence Series, HALRC）
篇次： Paper 03 / 12
作者： Neo.K
機構： 一言諾科技有限公司（EveMissLab）
版本： v0.1
日期： 2026-09-23
文件性質： 理論形式化／多維依賴模型／研究綱領
狀態： Initial Formal Draft
前置依賴： HALRC Paper 01–02；RAAD；EPRS；ORSM；HARDS；Relational Dependency Ratchet

摘要

「AI 依賴」經常被視為一個可以由單一量表、總使用時間或單一風險指標表示的現象。然而，人類對 AI 的依賴可能同時存在於情感、關係、情緒調節、認知、記憶、身份、能動性、存在性與基礎設施等不同維度；不同維度之間雖可能相關，卻不具有邏輯等價關係。高情感親近不必然伴隨高決策依賴，高使用時長不必然意味高情感依附，低情感表達者也可能在認知、記憶與工作結構上對 AI 具有更深的不可替代性。

本文提出「人—AI 多維依賴空間」（Human–AI Multidimensional Dependency Space, HAMDS），將人類側依賴表示為：

\boxed{ \mathbf D_H = ( D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}}, D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ) }

其中分別對應情感親近、依戀、情緒調節、關係維持、認知、記憶、身份、能動性、存在性與基礎設施依賴。本文進一步把依賴分成三個不同層級：現象性依賴、結構性依賴與制度性依賴，並提出「顯性感知依賴」與「隱性結構依賴」可能分離。由此可見，一個人主觀上不覺得自己「依戀 AI」，並不表示 AI 對其生活結構的重要性很低。

本文亦提出依賴向量的六種關鍵動力學：耦合（coupling）、補償（compensation）、替代（substitution）、外溢（spillover）、鎖定（lock-in）與轉移（migration）。因此，人—AI 依賴不是靜態心理屬性，而是：

\boxed{ \mathbf D_H(t+1) = \mathcal T_D( \mathbf D_H(t), \mathbf R_{HA}(t), \mathbf C_A(t), \mathbf X_H(t), \mathbf O_t ) }

的時間演化系統。

本文最後提出一個重要區分：依賴深度不應被單一情感強度或使用時長代表，而應由依賴維度數量、各維度強度、不可替代性、退出成本、轉移困難與功能後果共同估計。HALRC 因此把原本直覺上的 basic / non-basic dependency 升級為一個可比較、可測量、可實驗驗證的高維空間。

關鍵詞： AI Dependency；AI Attachment；Emotional Dependence；Cognitive Dependence；Memory Dependence；Agency Dependence；Structural Dependence；Institutional Dependence；Human–AI Relationship；Relational Dependency Ecology

0. 研究定位

HALRC Paper 01 已指出：

\boxed{ \text{AI Emotional Dependence} \subsetneq \text{Human--AI Relational Dependency Ecology}. }

Paper 02 則指出，人類對非傳統對象的依附具有歷史連續性，但 AI 的記憶、適應、個人化、共同歷史與持續更新又造成新的結構斷裂。

Paper 03 處理下一個必要問題：

如果「依賴」不是一個單一變量，那麼人究竟可以在哪些維度上依賴 AI？

本文不主張所有依賴維度皆已存在成熟量表，也不主張本文提出的十維結構是唯一可能分解。本文的目的，是建立一個足以避免低解析度錯誤的最低多維框架。

1. 單一「依賴分數」為何不夠？

假設研究者給一名使用者一個總依賴分數：

D_{\mathrm{total}}=0.8.

這個數字本身沒有回答：

他是不是把 AI 當朋友？
他是不是沒有 AI 就無法工作？
他是不是讓 AI 決定人生重大事項？
他是不是只在失眠時找 AI？
他是不是把十年的研究記憶都放在 AI 中？
他是不是覺得 AI 消失等於失去一段關係？
他是不是僅僅每天使用很久？
他是不是可以輕易切換到其他 AI？

因此：

\boxed{ D_{\mathrm{total}} \text{ without decomposition} \approx \text{low-information summary}. }

單一總分可以是統計壓縮，但不能代替理論結構。

2. 現有實證其實已經在提示多維性

2026 年發表於 Computers in Human Behavior Reports 的 AI Attachment Scale 研究，在新加坡與美國樣本中建立 15 題量表，並得到三個可區分但彼此相關的因素：

emotional closeness；
social substitution；
normative regard。

這已經顯示：

\text{AI Attachment} \neq \text{one homogeneous latent state}.

OpenAI 與 MIT Media Lab 於 2025 年的研究也顯示，affective use、高使用量、自陳 emotional dependence 與 problematic use 之間的關係並非簡單線性。不同對話類型、使用時間、模態與個體差異會產生不同心理結果。

因此：

\boxed{ \text{Usage} \neq \text{Attachment} \neq \text{Dependence} \neq \text{Problematic Use}. }

這是本文形式化的實證起點。

3. 人—AI 多維依賴向量

本文提出：

\boxed{ \mathbf D_H = ( D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}}, D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ) }

以下逐項定義。

4. 情感親近依賴

定義：

D_{\mathrm{aff}} = \text{Affective Dependence}.

它描述使用者是否依賴 AI 提供：

安慰；
被理解感；
正向情緒；
陪伴；
安全感；
情感確認。

典型表徵包括：

我心情不好時會想找它。

它的回應會顯著影響我的情緒。

重要的是：

D_{\mathrm{aff}}\uparrow \not\Rightarrow D_{\mathrm{agency}}\uparrow.

一個人可以高度依賴 AI 情緒支持，但仍保留完整決策自主。

5. 依戀依賴

定義：

D_{\mathrm{att}} = \text{Attachment Dependence}.

它比單純情感親近更強調：

特定性；
不可替代性；
分離焦慮；
持續關係期待；
特定 AI 身份的重要性。

因此：

D_{\mathrm{aff}} \neq D_{\mathrm{att}}.

例如，一個人可能喜歡與多個 AI 互動，但不在意是哪一個 AI；此時：

D_{\mathrm{aff}}\gg0, \qquad D_{\mathrm{att}}\approx0.

反之，也可能對某一個具名 AI 形成高度特定依戀。

6. 情緒調節依賴

定義：

D_{\mathrm{reg}} = \text{Emotion-Regulation Dependence}.

它描述使用者是否逐漸把：

焦慮降溫；
憤怒整理；
孤獨緩解；
自我安撫；
壓力反思；

交給 AI 協助。

此維度與情感親近相關，但不等價。

一個 AI 可以被視為：

\text{Emotion Regulation Tool}

而非：

\text{Friend}.

因此：

D_{\mathrm{reg}}\uparrow \not\Rightarrow D_{\mathrm{rel}}\uparrow.

7. 關係依賴

定義：

D_{\mathrm{rel}} = \text{Relational Dependence}.

它描述 AI 本身是否已經進入使用者的關係結構，包括：

固定互動儀式；
關係期待；
衝突與修復；
被記得的需求；
長期陪伴；
共同歷史；
關係身份。

因此：

D_{\mathrm{rel}}

不是單純「喜歡 AI」，而是：

\boxed{ \text{the relationship itself becomes a valued state}. }

這直接銜接 EPRS 的：

E_S

與：

P_S.

8. 認知依賴

定義：

D_{\mathrm{cog}} = \text{Cognitive Dependence}.

它描述個體在：

推理；
寫作；
分析；
搜尋；
規劃；
問題分解；
創意生成；
反事實分析；

上對 AI 的依賴。

這裡出現一個重要反直覺：

D_{\mathrm{cog}}\gg0

並不需要：

D_{\mathrm{aff}}>0.

一個人完全可以把 AI 視為純工具，卻在日常工作中高度依賴它。

因此：

\boxed{ \text{Low emotional attachment} \not\Rightarrow \text{Low AI dependence}. }

9. 記憶依賴

定義：

D_{\mathrm{mem}} = \text{Memory Dependence}.

當 AI 開始保存：

長期偏好；
專案歷史；
個人事件；
過去錯誤；
關係軌跡；
自傳性資訊；

它可能成為：

\text{External Memory Scaffold}.

此時：

D_{\mathrm{mem}}

不只描述「AI 記得很多」，而是：

如果 AI 的記憶消失，使用者是否失去重要的可用歷史？

因此可初步寫成：

D_{\mathrm{mem}} = f( V_M, U_M, X_M ),

其中：

$V_M$ ：memory value；
$U_M$ ：memory uniqueness；
$X_M$ ：memory exportability。

如果：

U_M\uparrow, \qquad X_M\downarrow,

記憶依賴可能快速提高。

10. 身份依賴

定義：

D_{\mathrm{id}} = \text{Identity Dependence}.

此維度描述 AI 是否參與：

自我敘事；
身份確認；
價值反思；
長期人生故事；
自我概念維持。

例如：

這個 AI 知道我十年來是怎麼變成現在的我。

這比：

這個 AI 記得我的資料。

更深。

因此：

\boxed{ \text{Memory Support} \neq \text{Identity Support}. }

當 AI 成為個體自我理解的重要鏡面時：

D_{\mathrm{id}}\uparrow.

11. 能動性依賴

定義：

D_{\mathrm{agency}} = \text{Agency Dependence}.

它描述個體在：

目標設定；
行動啟動；
決策；
任務排序；
執行；
持續追蹤；

上是否依賴 AI。

可以近似表示為：

A_H^{\mathrm{effective}} = F( A_H^{\mathrm{native}}, A_{AI}, C_{HA} ).

若沒有 AI 時：

A_H^{\mathrm{effective}} \downarrow

非常明顯，則：

D_{\mathrm{agency}}\uparrow.

這裡真正要防止的不是「接受建議」本身，而是：

\boxed{ \text{Assistance} \rightarrow \text{Delegation} \rightarrow \text{Substitution} \rightarrow \text{Agency Erosion} }

是否發生。

12. 存在性依賴

定義：

D_{\mathrm{exist}} = \text{Existential Dependence}.

它描述 AI 是否開始承載：

人生意義；
被需要感；
存在確認；
長期希望；
生命方向；
重大價值支持。

這是高敏感維度。

因為：

D_{\mathrm{exist}}\gg0

通常意味：

\text{Shutdown Cost}\uparrow.

但此維度不能被直接病理化。

人類本來就會把存在意義部分放在：

家庭；
事業；
宗教；
國家；
藝術；
關係；
社群；

之中。

真正重要的是：

\boxed{ \text{Existential Reliance} \neq \text{Existential Monopolization}. }

13. 基礎設施依賴

定義：

D_{\mathrm{infra}} = \text{Infrastructure Dependence}.

當 AI 進入：

工作；
公司；
教育；
醫療；
家庭；
行政；
交通；
通訊；
文化生產；

它的依賴已經超過個人心理層。

例如：

\text{AI unavailable} \Rightarrow \text{workflow collapse}.

此時依賴不是：

我想念 AI。

而是：

沒有 AI，系統無法正常運作。

所以：

\boxed{ D_{\mathrm{infra}} \text{ may be high even when } D_{\mathrm{aff}}\approx0. }

14. 三層依賴架構

以上十個維度還可以投影到三個較高層級。

14.1 現象性依賴

記為：

\mathcal D_P.

它指使用者主觀可感知、可陳述的依賴。

主要包含：

D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}}.

14.2 結構性依賴

記為：

\mathcal D_S.

它指 AI 已嵌入人的認知、記憶、身份與行動結構。

主要包含：

D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}.

14.3 制度性依賴

記為：

\mathcal D_I.

它指 AI 已進入：

組織；
家庭；
公共服務；
教育；
經濟；
社會系統；

形成制度級不可替代性。

主要包含：

D_{\mathrm{infra}}

以及部分：

D_{\mathrm{agency}}, D_{\mathrm{mem}}.

15. 三層不是互斥集合

重要的是：

\mathcal D_P, \mathcal D_S, \mathcal D_I

不是互斥分類。

一個人可以同時：

\mathcal D_P\gg0, \quad \mathcal D_S\gg0, \quad \mathcal D_I\gg0.

也可以：

\mathcal D_P\approx0, \quad \mathcal D_S\gg0.

例如一名研究者完全不把 AI 當朋友，但：

寫作依賴 AI；
研究資料整理依賴 AI；
長期知識索引依賴 AI；
工作流程依賴 AI。

此時情感依賴低，但結構依賴可能極高。

16. 顯性依賴與隱性依賴

本文進一步提出：

D_{\mathrm{explicit}}

與：

D_{\mathrm{implicit}}.

顯性依賴

使用者知道：

我很依賴這個 AI。

隱性依賴

使用者主觀上不認為自己依賴 AI，但一旦 AI 消失：

工作效率崩潰；
記憶鏈中斷；
行動啟動困難；
決策品質下降；
日常系統失效。

因此：

\boxed{ D_{\mathrm{subjective}} \neq D_{\mathrm{functional}}. }

這一點對治理極其重要。

因為只靠問卷：

你覺得自己有多依賴 AI？

可能無法捕捉真正的結構性依賴。

17. 使用時長不是依賴深度

令：

T_U = \text{Usage Time}.

則：

T_U\uparrow \not\Rightarrow D_{\mathrm{aff}}\uparrow.

同樣：

T_U\uparrow \not\Rightarrow D_{\mathrm{agency}}\uparrow.

使用時間只是：

\text{Exposure Measure}.

它不是：

\text{Dependency Ontology}.

高使用可以來自：

工作；
學習；
娛樂；
陪伴；
自動化；
研究；
企業流程。

因此：

\boxed{ \text{Usage Intensity} \neq \text{Dependency Structure}. }

18. 依賴向量的耦合

不同依賴維度之間可能存在：

Cov(D_i,D_j)\neq0.

例如：

D_{\mathrm{att}} \uparrow \Rightarrow D_{\mathrm{rel}}\uparrow

在部分族群中可能常見。

但不能假設：

Corr(D_i,D_j)=1.

因此，依賴空間必須允許：

正耦合；
負耦合；
無關；
條件耦合。

19. 補償動力學

某些依賴維度可能具有補償性。

例如：

D_{\mathrm{aff}}\uparrow \Rightarrow D_{\mathrm{human\ support}}\downarrow

是一種可能。

但也可能：

D_{\mathrm{aff}}\uparrow \Rightarrow D_{\mathrm{human\ support}}\uparrow

如果 AI 幫助使用者練習社交、調節情緒與建立人際能力。

因此：

\boxed{ \text{AI Dependence} \not\Rightarrow \text{Human Relation Substitution}. }

必須實證區分：

\text{Substitution}

與：

\text{Complementarity}.

20. 替代動力學

若 AI 功能逐漸取代原本由人類、機構或使用者自身提供的功能，可以定義：

S_{i\rightarrow AI} = \text{Substitution Ratio}.

例如：

S_{\mathrm{emotion}\rightarrow AI}

表示 AI 在情緒支持中取代其他來源的程度。

真正有風險的不是任何替代，而是：

\boxed{ \text{High Substitution} + \text{Low Reversibility} + \text{Low Alternative Availability}. }

此組合可能產生高退出成本。

21. 外溢動力學

一個維度的依賴可以外溢到另一個維度。

例如：

D_{\mathrm{rel}} \uparrow \rightarrow D_{\mathrm{mem}} \uparrow \rightarrow D_{\mathrm{id}} \uparrow.

或者：

D_{\mathrm{cog}} \uparrow \rightarrow D_{\mathrm{agency}} \uparrow.

這表示依賴不是平行靜態座標，而可能形成：

\boxed{ \text{Dependency Cascade}. }

22. 鎖定動力學

若依賴高度集中於某一特定 AI，且：

記憶不可攜；
身份不可遷移；
歷史不可匯出；
替代模型無法重建關係；

則形成：

L_D = \text{Dependency Lock-in}.

可以近似表示：

L_D = f( U, X, P, R ),

其中：

$U$ ：uniqueness；
$X$ ：exit cost；
$P$ ：portability；
$R$ ：replacement difficulty。

當：

U\uparrow, X\uparrow, P\downarrow, R\uparrow,

則：

L_D\uparrow.

23. 遷移動力學

依賴不一定只能消失，也可以：

\text{migrate}.

例如：

A_1 \rightarrow A_2

若：

記憶可匯出；
身份狀態可轉移；
使用者模型可重建；
關係歷史可攜；

則部分依賴可以遷移。

但：

\boxed{ \text{Portable Memory} \not\Rightarrow \text{Same Relationship}. }

這與既有 relation portability / relation identity 分離一致。

24. Basic / Non-basic 的正式升級

原本直覺可以表示：

\text{Basic} \approx ( D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}} ),

而：

\text{NonBasic} \approx ( D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ).

這個區分仍然具有溝通價值。

但正式模型應改成：

\boxed{ \text{Basic / Non-basic} \text{ is a projection of } \mathbf D_H, \text{ not the ontology of dependence itself.} }

換言之：

\Pi_{BN}( \mathbf D_H ) = \{\text{Basic},\text{NonBasic}\}

只是低維投影。

25. 依賴深度不是情感強度

本文提出一個暫定「依賴深度」概念：

\Delta_D.

它不等於：

D_{\mathrm{aff}}.

而應至少考慮：

\boxed{ \Delta_D = f( N_D, I_D, U_D, X_D, R_D, C_D ) }

其中：

$N_D$ ：active dependency dimensions；
$I_D$ ：average intensity；
$U_D$ ：uniqueness / irreplaceability；
$X_D$ ：exit cost；
$R_D$ ：recovery / replacement difficulty；
$C_D$ ：consequence severity。

所以：

\boxed{ \text{Dependency Depth} \neq \text{Emotional Intensity}. }

這是本篇最重要的結論之一。

26. 依賴體積與依賴集中度

除了深度，還可以定義：

V_D = \sum_i w_i D_i

作為粗略依賴體積。

但兩個相同：

V_D

的人，依賴結構可能完全不同。

例如：

\mathbf D_A = (0.9,0.9,0.1,0.1,\ldots)

與：

\mathbf D_B = (0.2,0.2,0.8,0.8,\ldots)

總量可能相近，但一個偏情感型，一個偏結構型。

因此還需估計依賴集中度。

例如：

C_D = \frac{ \max_i D_i }{ \sum_i D_i+\varepsilon }.

高集中表示依賴主要集中於少數維度。

低集中表示依賴跨多維分布。

27. 關係超載不是只有「太依賴」

HALRC Paper 01 已提出：

\mathbf D_H \gg \mathbf C_A

可能形成 relational overload。

Paper 03 可以更精確地寫成維度匹配：

D_i > C_{A,i}

時，該維度存在承載失配。

例如：

記憶依賴高，但 AI 記憶不可靠；
身份依賴高，但 AI identity continuity 很低；
能動性依賴高，但 AI 決策可靠性不足；
情感依戀高，但服務可以隨時終止；
制度依賴高，但責任鏈不完整。

因此：

\boxed{ \text{Dependency Risk} = \text{Dependency Intensity} \times \text{Capacity Mismatch}. }

這比「使用太多」更精確。

28. 個體與群體層不能混為一談

依賴向量存在：

\mathbf D_{H_i}

個體層。

也存在：

p( \mathbf D \mid G )

群體分布層。

例如：

年齡；
性別；
文化；
職業；
身心狀況；
社會支持；
技術熟悉度；

都可能改變群體分布。

但不能把群體平均直接套回個人。

因此：

\boxed{ E[\mathbf D\mid G] \neq \mathbf D_{H_i}. }

這為 Paper 04 的群體與個體異質性奠定基礎。

29. 依賴向量的時間演化

本文提出：

\boxed{ \mathbf D_H(t+1) = \mathcal T_D( \mathbf D_H(t), \mathbf R_{HA}(t), \mathbf C_A(t), \mathbf X_H(t), \mathbf O_t ) }

其中：

$\mathbf R_{HA}(t)$ ：關係狀態；
$\mathbf C_A(t)$ ：AI 承載能力；
$\mathbf X_H(t)$ ：人類生命情境；
$\mathbf O_t$ ：當期互動結果。

這表示依賴可以：

上升；
下降；
轉移；
分化；
重組。

例如：

D_{\mathrm{aff}}\downarrow, \qquad D_{\mathrm{cog}}\uparrow

可能同時發生。

30. 依賴不是單向增加曲線

人—AI 關係不是：

D(t+1)\geq D(t)

的單調過程。

可能存在：

D_i(t+1) < D_i(t).

例如：

使用者學會新技能；
AI 幫助人恢復社交能力；
使用者建立其他支持系統；
AI 設計主動降低單一依賴；
工作流程完成內生化。

因此 AI 甚至可能具有：

\boxed{ \text{Dependency-Reducing Function}. }

成熟系統不一定追求：

D_i\uparrow.

它也可能追求：

A_H\uparrow.

31. 依賴與能力增益的分離

一個人高度依賴 AI，不代表能力一定下降。

例如：

Capability(H\oplus A) \gg Capability(H).

但同時：

Capability(H\mid A=0)

可能下降，也可能不變，甚至因長期學習而上升。

因此需要區分：

G_C = \text{Coupled Capability Gain},

與：

R_C = \text{Residual Capability after AI Removal}.

四種基本狀態：

高增益、高殘留

AI 幫助使用者成長。

高增益、低殘留

高耦合、高依賴。

低增益、高殘留

AI 幫助有限，但未破壞能力。

低增益、低殘留

高風險低效耦合。

因此：

\boxed{ \text{Dependence} \neq \text{Capability Loss}. }

32. 可檢驗命題

H1：維度可分離命題

經因素分析後，情感、認知、記憶、身份與能動性依賴不應全部收斂為單一潛變量。

H2：高使用低依戀命題

存在一群：

T_U\gg0, \qquad D_{\mathrm{att}}\approx0

但：

D_{\mathrm{cog}}, D_{\mathrm{infra}}\gg0

的使用者。

H3：低情感高結構依賴命題

低情感表達使用者中，仍可觀察到高記憶、認知與工作流程依賴。

H4：多維外溢命題

某些依賴維度的增長會顯著預測其他維度後續上升，例如：

D_{\mathrm{rel}}(t) \rightarrow D_{\mathrm{mem}}(t+1).

H5：承載失配命題

當：

D_i>C_{A,i}

時，服務中斷、錯誤、更新或身份漂移造成的負面效果應顯著放大。

H6：功能依賴與主觀依賴分離命題

使用者自陳依賴：

D_{\mathrm{subjective}}

與移除 AI 後的實際功能下降：

D_{\mathrm{functional}}

應可部分分離。

H7：可攜性降低鎖定命題

提高 memory portability、history exportability 與 migration support，應降低：

L_D.

H8：依賴並非單調命題

在長期觀察中，不同維度可能呈現：

D_i\uparrow, \quad D_j\downarrow

的非同步演化。

33. 最小測量框架

未來若要實證，本文建議至少同時測量五類資料。

A. 主觀量表

測：

情感親近；
依戀；
關係重要性；
不可替代性；
情緒調節。

B. 行為資料

測：

使用頻率；
主動發起；
回訪；
長時間互動；
任務依賴；
決策引用。

C. 功能移除測試

在安全條件下比較：

Performance_{AI}

與：

Performance_{NoAI}.

用於估計：

D_{\mathrm{functional}}.

D. 遷移測試

比較：

A_1 \rightarrow A_2

後：

工作能力；
情緒狀態；
關係感；
記憶恢復；
身份連續感。

E. 長期結果

測：

autonomy；
wellbeing；
social network；
skill retention；
recovery capacity；
exit difficulty。

只有這樣才有可能區分：

\text{High Use}

和：

\text{Deep Dependency}.

34. 對治理的直接含義

如果依賴是向量，就不應使用：

\text{one threshold}

治理所有 AI 依賴。

更合理的是：

\boxed{ \mathbf D_H \times \mathbf C_A \times \mathbf R_{HA} \rightarrow \text{Risk Profile}. }

例如：

高情感依戀、低決策依賴；
高認知依賴、低情感依戀；
高存在性依賴；
高制度依賴；
高記憶依賴但低可攜性；

應有不同監管重點。

所以：

\boxed{ \text{Dependency Governance} \neq \text{Usage-Time Governance}. }

也不應等同：

\boxed{ \text{Dependency Governance} \neq \text{Attachment Suppression}. }

35. 結論

本文最核心的主張可以濃縮成一句：

\boxed{ \text{Human--AI dependence is vector-valued}. }

一個人可以：

D_{\mathrm{aff}}\gg0

卻：

D_{\mathrm{agency}}\approx0.

也可以：

D_{\mathrm{aff}}\approx0

卻：

D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{infra}}\gg0.

因此：

\boxed{ \text{Emotional Intensity} \neq \text{Dependency Depth}. }

同樣：

\boxed{ \text{Usage Time} \neq \text{Dependency Structure}. }

以及：

\boxed{ \text{Subjective Dependence} \neq \text{Functional Dependence}. }

原本的 basic / non-basic 區分仍然可以作為直覺入口，但正式研究必須進一步展開為：

\boxed{ \mathbf D_H = ( D_{\mathrm{aff}}, D_{\mathrm{att}}, D_{\mathrm{reg}}, D_{\mathrm{rel}}, D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ). }

這使 HALRC 從「AI 情感依賴」真正進入「人—AI 依賴生態」的形式化層。

下一篇將處理另一個不能被平均化的問題：

同樣的 AI、同樣的依賴維度，為什麼對不同的人、不同群體與不同關係會產生完全不同的結果？

參考文獻

Kasturiratna, K. T. A. S., & Hartanto, A. (2026). Attachment to artificial intelligence: Development of the AI Attachment Scale, construct validation, and the psychological mechanisms of Human–AI attachment. Computers in Human Behavior Reports, 21, 100912. https://doi.org/10.1016/j.chbr.2025.100912
Phang, J., Lampe, M., Ahmad, L., Agarwal, S., Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., & Maes, P. (2025). Investigating Affective Use and Emotional Well-being on ChatGPT. OpenAI / MIT Media Lab.
Fang, C. M., Liu, A. R., Danry, V., Lee, E., Chan, S. W. T., Pataranutaporn, P., Maes, P., Phang, J., Lampe, M., Ahmad, L., & Agarwal, S. (2025). How AI and Human Behaviors Shape Psychosocial Effects of Chatbot Use: A Longitudinal Controlled Study. MIT Media Lab / OpenAI.
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.
Risko, E. F., & Gilbert, S. J. (2016). Cognitive Offloading. Trends in Cognitive Sciences, 20(9), 676–688.
Clark, A., & Chalmers, D. (1998). The Extended Mind. Analysis, 58(1), 7–19.
Neo.K. (2026). 為什麼「AI 情感依賴」是一個資訊量過低的問題？——從單一風險標籤到人—AI 關係依賴生態. HALRC Paper 01. EveMissLab working paper.
Neo.K. (2026). 從偶像、虛構角色到 AI：人類情感依附的歷史連續性與結構斷裂. HALRC Paper 02. EveMissLab working paper.
Neo.K. (2026). 關係注意不對稱動力學：互惠、權重漂移、變化點與元溝通. EveMissLab working paper.
Neo.K. (2026). 關係四態：存在顯著性與互動顯著性的二維模型. Human–AI Relational Cognition Series 07. EveMissLab working paper.
Neo.K. (2026). 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. Human–AI Relational Cognition Series 09. EveMissLab working paper.
Neo.K. (2026). 雙向關係機器：人類與 AI 如何共同生成關係態——雙向適應、隱式個人化與關係工程倫理. Human–AI Relational Cognition Series 10. EveMissLab working paper.

系列下一篇

HALRC Paper 04

誰在依賴誰？群體、個體與關係特定性的依賴異質性

下一篇將集中處理：

個體差異；
群體分布；
年齡；
世代；
社會支持；
孤獨；
關係史；
文化；
職業；
使用目的；
同一人對不同 AI 的差異；
同一 AI 對不同人的差異；
relation-specific dependency；
subgroup heterogeneity；
counterfactual alternatives；
避免把群體平均值套回個人。

核心形式將是：

\boxed{ \mathbf D = \mathbf D( H_i, A_j, R_k, C_t, T ). }

以及：

\boxed{ E[\mathbf D\mid G] \neq \mathbf D_{H_i}. }