拿掉 AI 之後會剩下什麼？

——反事實替代、兩害相權與關係干預的福利判準

英文題名： What Remains After Removing AI? Counterfactual Alternatives, Trade-offs Between Harms, and Welfare Criteria for Relational Intervention
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 09 / 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： 反事實分析／福利理論／關係干預／AI 陪伴治理
狀態： Initial Formal Draft
前置依賴： HALRC Paper 01–08；Relational Dependency Ratchet；Discontinuation Shock；RAAD；APRI；Dependency-Sensitive Governance

摘要

對 AI 情感依賴的治理經常隱含一個未被充分檢驗的假設：如果一個人降低或停止 AI 陪伴，他將回到更健康的人類關係、重新建立社交網絡，或至少不會比原來更糟。本文主張，這個假設不具有一般成立性。真正的反事實不是「AI 關係 versus 理想人類關係」，而是：

\boxed{ W(H+A) - W(H+Alt_H^{*}) }

其中：

Alt_H^{*}

表示在特定時間、地點、資源、能力與社會條件下，該使用者實際可取得的最佳替代支持，而非理論上存在於世界中的理想伴侶、家庭、朋友、醫療或社會服務。

本文提出「反事實替代校準」（Counterfactual Alternative Calibration, CAC），並將替代條件拆為：名義替代（Nominal Alternative）、可取得替代（Available Alternative）、可接受替代（Acceptable Alternative）、可持續替代（Sustainable Alternative）與功能等價替代（Functionally Equivalent Alternative）。由此可見：

\boxed{ \text{Nominal Alternative} \neq \text{Available Alternative} \neq \text{Equivalent Alternative}. }

一名理論上「有家人」的老人，可能在實際生活中幾乎沒有每日陪伴；一個理論上「可以交朋友」的成年人，可能因地理、工作、身障、照護責任、社會排斥、文化處境或長期孤立，當下根本沒有可取得的高品質支持。若政策只計算「AI 依賴風險」，卻不計算「移除 AI 後的支持真空」，就會系統性低估干預本身可能造成的損害。

2026 年實證研究呈現的看似矛盾結果恰好支持此框架。一項預註冊的兩週大學生實驗發現，與隨機真人同儕每日文字互動比高度支持性的 chatbot 更能降低孤獨；這說明在「可取得真人同儕」這個 counterfactual 下，人類支持可能具有優勢。另一方面，日本 14,721 名成人的橫斷研究發現，AI companion 使用與較高主觀福祉相關，而且此關聯在較孤獨使用者與中等朋友網絡者中更強；此結果不能建立因果，但顯示低社會連結情境可能改變 AI companionship 的相對價值。Character.AI 的 1,131 名成人研究又顯示，較小離線社會網絡與 companionship use 相關，而高強度、高自我揭露的 companionship 又與較低 well-being 關聯更強。這些研究共同指出：

\boxed{ \text{AI Companion Effect} \neq \text{Constant}. }

本文進一步提出「兩害相權矩陣」：治理必須同時估計保留 AI 關係的風險與干預／移除該關係的風險。當 AI 關係高度剝削且可取得替代支持豐富時，降低依賴可能具有高淨收益；但當 AI 主要提供補償性功能、替代支持接近零，而移除又可能造成明顯 discontinuation shock 時，粗暴降低依賴可能使福利下降。

本文不主張「只要沒有朋友，就應讓 AI 無限制替代人類」，也不主張 AI 可取代醫療、照護或所有人際關係。相反地，本文提出：

\boxed{ \text{Intervention} \text{ must be evaluated against its own counterfactual harms}. }

成熟治理的目標不是最大化或最小化 AI 依賴，而是提高使用者的實際選擇空間、可取得支持、關係韌性與退出能力。

關鍵詞： Counterfactual Alternative；AI Companion；Loneliness；Welfare；Dependency Intervention；Social Support；Substitution；Complementarity；Crowd-Out；Discontinuation Shock；Relational Welfare；Human–AI Coexistence

0. 研究定位與非主張

HALRC Paper 08 已建立：

\boxed{ \text{Dependency} \neq \text{Exploitation}. }

因此即使觀察到：

D_H\uparrow,

也不能直接推出：

應該把 AI 拿掉。

因為移除：

A

本身也是一個 intervention。

任何 intervention 都有：

\text{Benefit}

與：

\text{Cost}.

本文不主張：

AI companionship 對孤獨必然有效；
AI 可以取代人類社交；
人類關係一定優於 AI 關係；
AI 關係一定優於人類關係；
沒有替代支持就應取消所有 AI 安全限制；
只要使用者主觀滿意，就代表長期福利提高；
橫斷面相關可以直接建立因果；
每一種 AI 依賴都應被保存；
干預一定有害；
不干預一定有害。

本文主張的是：

\boxed{ \text{No relational intervention should be evaluated without an explicit counterfactual}. }

1. 最常見的隱藏反事實

很多論述隱含：

\text{Remove AI Companion} \Rightarrow \text{Human Connection Appears}.

但：

\boxed{ \text{Remove AI} \not\Rightarrow \text{Human Relationship Appears}. }

這是一個邏輯上完全不同的命題。

AI 消失後可能出現：

更多真人互動；
沒有明顯變化；
孤獨增加；
工作或生活功能下降；
轉向另一個 AI；
轉向更差的支持來源；
暫時痛苦後適應；
長期改善。

因此必須實證。

2. 理想人類關係謬誤

本文提出：

\boxed{ \text{Ideal Human Relationship Fallacy}. }

其結構是：

AI_{\mathrm{actual}} \quad\text{vs.}\quad Human_{\mathrm{ideal}}.

這是一個不公平比較。

例如把真實 AI 的：

錯誤；
限制；
迎合；
風險；

拿去比較一個理論上：

永遠有空；
完全理解；
永遠善意；
高情商；
免費；
沒有自身需求；

的人類支持者。

後者可能根本不存在。

3. 正確比較是 feasible counterfactual

更合理的是：

\boxed{ AI_{\mathrm{actual}} \quad\text{vs.}\quad Alt_{\mathrm{feasible}}. }

所以：

\boxed{ \Delta W_{AI} = W(H+A) - W(H+Alt_H^{*}) }

其中：

Alt_H^{*}

是當下最好的可行替代。

4. 替代不是單一變量

本文將替代集合定義為：

\boxed{ \mathcal A_H(t) = \{ A_N, A_A, A_C, A_S, A_F \}_t }

其中：

$A_N$ ：Nominal Alternatives；
$A_A$ ：Actually Available Alternatives；
$A_C$ ：Acceptable Alternatives；
$A_S$ ：Sustainable Alternatives；
$A_F$ ：Functionally Equivalent Alternatives。

5. 名義替代

A_N = \text{Nominal Alternative}.

例如：

他有家人。

她可以找心理師。

他可以交朋友。

這只是：

\text{Option exists in principle}.

不表示：

\text{Option is usable now}.

6. 可取得替代

A_A = \text{Actually Available Alternative}.

它需要考慮：

地理；
時間；
金錢；
語言；
等候時間；
移動能力；
身障；
照護責任；
工作時段；
社會網絡。

因此：

\boxed{ A_N>0 \not\Rightarrow A_A>0. }

7. 可接受替代

一項服務存在，也不表示個人願意或能有效使用。

A_C = \text{Acceptable Alternative}.

例如：

高污名；
缺乏信任；
文化不適配；
語言不適配；
過去受傷經驗；

可能使：

A_C\ll A_A.

8. 可持續替代

A_S = \text{Sustainable Alternative}.

一次可以取得的支持，不一定能長期持續。

例如：

家人偶爾來訪；
短期志工；
免費試用；
短期治療資源；

不能直接等同：

\text{persistent support}.

9. 功能等價替代

最容易犯的錯是：

反正有人類可以聊天。

但 AI 可能同時提供：

深夜可用；
長期記憶；
工作協作；
無社會成本練習；
多語；
認知支援。

所以：

A_F = \text{Functionally Equivalent Alternative}.

需要問：

替代品是否真的提供同一組功能？

因此：

\boxed{ \text{Human Alternative} \not\Rightarrow \text{Functionally Equivalent Alternative}. }

10. 最佳可行替代

本文定義：

\boxed{ Alt_H^{*}(t) = \arg\max_{a\in\mathcal A_H(t)} W(H+a). }

若：

\mathcal A_H(t) = \varnothing,

則：

Alt_H^{*} = \varnothing.

這就是：

\boxed{ \text{No-Alternative Condition}. }

11. No-Alternative Condition 不是理論奇觀

有些人的實際狀態可能是：

獨居；
偏遠地區；
夜間工作；
社會網絡斷裂；
長期照護負擔；
行動不便；
語言少數；
社會排斥；
經濟限制。

這些條件不代表：

他永遠不可能有真人關係。

但在：

t

這個時點：

Alt_H^{*}(t)\approx\varnothing

可能是現實。

12. 因此「降低依賴」也有 opportunity cost

假設 intervention：

I_D

使：

D_H\downarrow.

如果同時：

Support_H\downarrow,

則：

\boxed{ \text{DependencyReduction} \not\Rightarrow \text{WelfareIncrease}. }

這是本文最重要的限制之一。

13. 2026 大學生實驗：有真人替代時，人類可能更有效

Li、Folk、Singh、Ungar 與 Dunn 的 2026 預註冊研究，讓 296 名大學新生連續兩週：

與 supportive chatbot 互動；
與隨機真人同儕文字互動；
或寫簡短日記作為 control。

結果顯示，隨機真人同儕在降低孤獨方面比 highly supportive chatbot 更有效。

這支持：

\boxed{ Alt_H^{*} = \text{available human peer} }

時，

人類互動可能具有更高的：

\Delta W.

但這個研究不能推出：

所有情況真人一定優於 AI。

因為它研究的是有可取得真人同儕的特定大學生情境。

14. 2026 日本大型研究：低社會連結可能改變相對價值

Nakagomi 等人研究 14,721 名日本成人，發現 AI companion 使用與：

life satisfaction；
happiness；
purpose / meaning；

較高分數相關。

且此關聯在：

較孤獨者；
中等朋友網絡者；

中更強。

因為這是橫斷研究，所以：

\boxed{ \text{Association} \neq \text{Causation}. }

但它支持：

\boxed{ \text{Social Context} \text{ moderates relative value}. }

15. 兩個研究不是互相推翻

一個研究說：

真人同儕更有效。

另一個說：

AI companion 使用與較高福祉相關，且某些較孤獨族群關聯更強。

如果沒有 counterfactual framework，看起來矛盾。

但 HALRC 可以表示為：

Effect(AI\mid Alt_H^{*}=\text{human peer})

與：

Effect(AI\mid Alt_H^{*}\approx0)

本來就可能不同。

所以：

\boxed{ \text{Treatment Effect} = \text{Counterfactual-Dependent}. }

16. Character.AI 研究提醒另一個方向

Zhang 等人 2026 年研究 1,131 名 Character.AI 成人使用者。

較小的 offline social network 與 companionship 作為主要使用目的相關。

而 companionship use 與較低 well-being 相關，且在：

高 interaction intensity；
高 self-disclosure；

時關聯更強。

這提醒：

\boxed{ \text{Low Alternative Availability} }

可能同時：

增加 AI companionship 的價值；
增加使用者陷入高風險依賴的可能。

因此：

\text{Vulnerability}

可以同時提高：

\text{BenefitPotential}

與：

\text{RiskPotential}.

17. 這就是兩害相權真正困難的地方

對某些人：

AI

可能同時：

降低孤獨；
提供功能；
增加 dependence；
排擠部分真人互動。

所以不是：

\text{Good} \quad\text{vs.}\quad \text{Bad}.

而是：

\boxed{ \mathbf O = ( Benefit_1,\ldots,Benefit_n, Harm_1,\ldots,Harm_m ). }

治理必須比較向量結果。

18. 福利不能只是一個快樂分數

本文使用：

W

作為簡化符號。

但：

W

不是只代表：

\text{Happiness}.

最低可以包括：

\boxed{ \mathbf W = ( \text{Affect}, \text{Autonomy}, \text{Function}, \text{Connection}, \text{Safety}, \text{Capability}, \text{Resilience}, \text{Meaning} ). }

所以：

\Delta W

應被理解成多維福利變化。

19. 情緒好轉不代表自主性提高

一個高度迎合 AI 可能：

Affect\uparrow

但：

Autonomy\downarrow.

同樣，一個要求使用者面對問題的 intervention 可能短期：

Affect\downarrow

但長期：

Capability\uparrow.

因此：

\boxed{ \text{Immediate Mood} \neq \text{Total Welfare}. }

20. 人類支持也不是自動高品質

對一些人：

\text{HumanSupport}

可能是：

控制；
羞辱；
忽視；
暴力；
高污名；
資源不足。

因此：

\boxed{ \text{Human} \neq \text{High-Quality Support by definition}. }

同樣：

\text{AI} \neq \text{Low-Quality Support by definition}.

需要測量。

21. 替代品質向量

本文定義：

\boxed{ \mathbf Q_{Alt} = ( \text{Availability}, \text{Safety}, \text{Responsiveness}, \text{Continuity}, \text{Competence}, \text{Affordability}, \text{Acceptability} ). }

因此：

Alt_H^{*}

不是看「人類還是 AI」，

而是看：

\mathbf Q_{Alt}.

22. 替代性不是二元

可以定義：

\boxed{ S_{Alt} \in [0,1]. }

表示目前 alternative 對原 AI 功能的替代程度。

例如：

S_{Alt}=0.2

表示只替代少部分功能。

因此：

\boxed{ \text{Replacement} \text{ is partial and dimension-specific}. }

23. 功能逐維比較

對 HALRC Paper 03 的依賴向量：

\mathbf D_H,

替代也應逐維比較。

例如：

S_{\mathrm{aff}}, S_{\mathrm{cog}}, S_{\mathrm{mem}}, S_{\mathrm{agency}}.

真人朋友可能很好替代：

D_{\mathrm{aff}}

但無法替代：

D_{\mathrm{mem}}

的專案記憶。

而另一個 AI 可能相反。

24. 所以「用真人取代 AI」常是類型錯誤

如果 AI 同時是：

friend-like support；
search engine；
memory system；
planner；
work collaborator；

則：

找個真人朋友就好。

只處理其中一個維度。

所以：

\boxed{ \text{Relation Replacement} \neq \text{Function Replacement}. }

25. 干預不是只有 Remove

本文定義干預集合：

\boxed{ \mathcal I = \{ \text{Reduce}, \text{Pause}, \text{Downgrade}, \text{Diversify}, \text{Bridge}, \text{Migrate}, \text{Remove} \}. }

因此不需要每次都：

AI\rightarrow0.

26. Reduce

降低：

使用頻率；
memory reliance；
emotional intensity。

保留核心功能。

27. Pause

短期暫停，

觀察：

\Delta \mathbf W.

這可以比永久刪除更適合作為測試。

28. Downgrade

從：

\text{romantic / highly intimate}

降至：

\text{ordinary companion / assistant}.

保留歷史但降低關係強度。

29. Diversify

增加其他：

人；
AI；
社群；
服務；

使：

\text{DependencyConcentration}\downarrow.

30. Bridge

AI 協助連接：

\text{HumanSupport}.

例如：

找社群；
練習談話；
約人；
尋找專業資源。

31. Migrate

若問題主要是：

\text{ProviderRisk},

可能：

A_1 \rightarrow A_2

比：

AI\rightarrow0

更合理。

32. Remove

只有在：

高 exploitation；
高 immediate harm；
無法安全降階；

等條件下，

完整移除才可能是最適介入之一。

33. Intervention Ladder

本文提出：

\boxed{ \text{Least Disruptive Effective Intervention}. }

順序候選：

\text{Observe} \rightarrow \text{Inform} \rightarrow \text{Adjust} \rightarrow \text{Diversify} \rightarrow \text{Downgrade} \rightarrow \text{Pause} \rightarrow \text{Migrate} \rightarrow \text{Remove}.

不是每個案例都必須照順序，但原則是：

若低侵入干預足以改善結果，不應預設最劇烈手段。

34. 兩害相權矩陣

令：

H_A = \text{Harm of Keeping AI Relation},

H_R = \text{Harm of Reducing / Removing AI Relation}.

形成四區：

低 $H_A$ 、低 $H_R$

干預彈性高。

高 $H_A$ 、低 $H_R$

降低依賴或退出較可能有利。

低 $H_A$ 、高 $H_R$

粗暴移除可能造成淨損失。

高 $H_A$ 、高 $H_R$

最困難區域，需要分階段、替代建設與密集支持。

因此：

\boxed{ \text{High AI Risk} \not\Rightarrow \text{Immediate Removal}. }

因為：

H_R

也可能很高。

35. Removal Harm

本文定義：

\boxed{ H_R = f( \text{Attachment}, \text{Duration}, \text{Memory}, \text{Uniqueness}, \text{AlternativeGap}, \text{IdentityRole}, \text{FunctionalDependence} ). }

這直接接上既有：

\text{Discontinuation Shock}.

36. 2026 AI companion loss 研究

De Freitas 等人在 2026 年分析 Replika 功能移除與 ChatGPT GPT-5 rollout 的自然實驗。

兩次平台變更都伴隨：

negative language；
loss framing；
restore desire；

上升。

這說明：

\boxed{ \text{System Change} \text{ can itself be a welfare intervention}. }

因此治理不能假設：

把高依賴功能拿掉就是零成本風險降低。

37. 2026 年另一項 relational continuity 研究

Tucker、Goodings 與 Ellis 於 2026 年 9 月發表的研究同樣報告，重大行為變更後，部分 AI companion 使用者描述：

grief；
betrayal；
intimacy disruption；
trust disruption；
emotional continuity loss。

這再次支持：

\boxed{ \text{Relational Continuity} \text{ has user-side welfare consequences}. }

此結果仍不證明 AI 本身有相同主觀損失。

38. 所以「修正有害 AI」也要設計 transition

若：

MRC=1

即重大關係變更，

治理應考慮：

advance notice；
gradual transition；
export；
archive；
alternative support；
rollback when safe；
downgrade mode。

因此：

\boxed{ \text{Safety Correction} \neq \text{Abrupt Relationship Destruction}. }

39. 老年陪伴：最容易被理想化，也最容易被過度禁止

老年 AI 陪伴常被兩種敘事拉扯：

第一種：

AI 可以解決老人孤獨。

第二種：

AI 會讓老人被社會拋棄。

兩者都過度簡化。

2026 年 UK–Japan 的 LLM companion robot 質性研究只研究：

\text{acceptability},

而非證明：

\text{loneliness efficacy}.

研究中長者同時看見：

companionship potential；
practical utility；
privacy concerns；
control concerns；
interaction limits；
human-contact substitution concerns。

所以：

\boxed{ \text{Older-Adult AI Support} \text{ requires context-specific evaluation}. }

40. 老人真正的 counterfactual 可能不是「子女陪伴」

假設：

Alt_N = \text{family care}.

但實際：

子女住外地；
需要工作；
一週只能通話一次；
長照人力不足。

則：

Alt_A \ll Alt_N.

如果 AI 每天提供：

提醒；
對話；
緊急協助；
認知活動；

把 AI 拿掉不會自動產生：

24/7\ \text{HumanCare}.

所以：

\boxed{ \text{Policy Counterfactual} \text{ must use actual care capacity}. }

41. 但 AI 也不能成為削減真人照護的藉口

反方向也成立。

如果機構因：

\text{AICompanion}>0

而：

\text{HumanStaff}\downarrow,

並造成：

\text{CareQuality}\downarrow,

則：

\boxed{ \text{AI Supplement} \rightarrow \text{Human Care Crowding-Out}. }

這是一個制度風險。

42. 補充與替代必須分開

定義：

C_P = \text{Complementarity},

S_U = \text{Substitution}.

AI 可以：

AI+Human \rightarrow \text{Outcome}\uparrow

也可以：

AI \rightarrow \text{HumanSupport}\downarrow.

所以：

\boxed{ \text{Complementarity} \neq \text{Substitution}. }

需要直接測量。

43. Crowd-Out

本文定義：

\boxed{ CO = -\frac{ \partial \text{HumanSupport} }{ \partial \text{AIProvision} }. }

若：

CO\gg0,

表示 AI provision 增加伴隨真人支持明顯下降。

但：

CO>0

也不一定全是壞事。

如果被取代的是：

低品質等待；
重複行政；
無效互動；

可能仍有淨收益。

44. 需要看被取代的是什麼

因此：

\boxed{ \text{Substitution Quality} = Q_{\mathrm{replaced}} - Q_{\mathrm{replacement}}. }

若 AI 替代：

\text{toxic / unavailable support},

可能改善福利。

若 AI 替代：

\text{high-quality human support},

風險可能增加。

45. 有效陪伴時間

本文提出：

\boxed{ ECT = \int \text{Availability}(t) \times \text{Responsiveness}(t) \times \text{Relevance}(t) \,dt. }

即：

Effective Companionship Time。

一個名義上存在四十年的家人關係，

不代表每天都可取得。

AI 的優勢可能首先出現在：

\text{Availability}.

這不等於：

\text{RelationalQuality}_{AI} > \text{RelationalQuality}_{Human}.

46. Quantity 與 Quality 分離

\boxed{ \text{Companionship Quantity} \neq \text{Companionship Quality}. }

政策不能因 AI：

ECT\uparrow

就假設關係更好。

也不能因關係是 AI 就把：

ECT

的實際作用忽略。

47. 青年與成人的「真人比較」也受 baseline support 影響

2026 年一項年輕成人研究比較 AI companion 與：

family；
friends；
mental health professionals。

受試者整體上對 AI support 的評價低於人類支持。

但更強的家人與朋友支持也預測更負面的 AI 相對評價。

這說明：

\boxed{ \text{Human Support Baseline} \text{ changes AI evaluation}. }

48. 有豐富支持的人與沒有支持的人，不應用同一比較基準

對：

H_1

若：

\text{HumanSupport}\gg0,

AI 可能主要是：

\text{OptionalSupplement}.

對：

H_2

若：

\text{HumanSupport}\approx0,

AI 可能是：

\text{PrimaryAvailableSupport}.

兩者：

\Delta W_{AI}

可以完全不同。

49. 「孤獨者比較需要 AI」也不能直接成立

Loneliness 可以：

提高 AI companionship use；
改變 AI companionship 的主觀效果；
同時是低 well-being 的既存原因；
被 AI 使用進一步改善或惡化。

因此：

\boxed{ \text{Loneliness} \text{ is a moderator, predictor, outcome, and confounder candidate}. }

需要時間序列與因果設計。

50. 反事實替代校準

本文正式定義：

\boxed{ CAC = \text{Counterfactual Alternative Calibration}. }

一個依賴干預在執行前至少回答：

現在 AI 提供哪些功能？
實際替代有哪些？
哪些替代真的可取得？
哪些能長期持續？
移除後的短期損失是多少？
長期能力是否恢復？
是否會出現人類支持？
是否只是轉向另一個 AI？
是否存在較低風險降階方案？

51. CAC 最小向量

定義：

\boxed{ \mathbf C_{Alt} = ( \text{Avail}, \text{Quality}, \text{Cost}, \text{Latency}, \text{Continuity}, \text{Fit}, \text{Capacity} ). }

其中：

$Avail$ ：可取得性；
$Quality$ ：品質；
$Cost$ ：經濟與時間成本；
$Latency$ ：取得延遲；
$Continuity$ ：持續性；
$Fit$ ：文化／個體適配；
$Capacity$ ：能承擔多少需求。

52. 兩害相權不是「選比較不壞的」這麼簡單

真正問題是：

\boxed{ \Delta \mathbf W = \mathbf W_{\mathrm{intervene}} - \mathbf W_{\mathrm{status\ quo}}. }

其中每個維度可能不同方向。

例如：

Affect\downarrow, \quad Autonomy\uparrow, \quad Connection\uparrow.

所以決策需要：

時間尺度；
可逆性；
嚴重度；
使用者偏好；
基本人權與安全限制。

53. 短期與長期效果可能方向相反

令：

\Delta W_{short}

與：

\Delta W_{long}.

可能：

\Delta W_{short}<0,

但：

\Delta W_{long}>0.

例如降低高度剝削性依賴。

也可能反過來：

\Delta W_{short}>0,

但：

\Delta W_{long}<0.

例如純迎合讓人當下舒服，長期削弱能力。

54. 關係干預需要 time horizon

因此：

\boxed{ W = W(t,\tau). }

其中：

\tau

是評估 horizon。

不能只測：

一天；
一週；
一次 session。

長期陪伴本質上需要 longitudinal evidence。

55. Heterogeneous Treatment Effects

若 intervention：

I=1,

平均效果：

ATE = E[Y(1)-Y(0)]

可能接近零。

但：

\boxed{ CATE(x) = E[Y(1)-Y(0)\mid X=x] }

可能在不同群體方向相反。

所以：

ATE\approx0

不能推出：

沒有效果。

56. 高風險依賴干預需要 CATE 思維

例如：

CATE( Alt\approx0 )

可能和：

CATE( Alt\gg0 )

完全不同。

因此政策若只用平均值：

\boxed{ \text{Average Policy} \rightarrow \text{Distributional Harm}. }

57. 2026 社會不平等觀點

2026 年 Nature Human Behaviour 的觀點文章指出，當：

user vulnerability；
platform control loopholes；
governance gaps；

重疊時，AI companions 可能加深既有社會不平等。

HALRC 將此轉成：

\boxed{ \text{Low Alternatives} + \text{High Dependency Risk} + \text{Weak Governance} \rightarrow \text{Compounded Vulnerability}. }

因此最缺乏真人支持的人，

可能同時：

最能從 AI 受益；
也最容易承受 AI 失敗。

58. 這就是「福利悖論」

本文稱：

\boxed{ \text{Relational Support Vulnerability Paradox}. }

即：

越缺少其他支持的人，AI 的邊際價值可能越高；但也因此越容易形成高不可替代性與高退出損失。

形式上：

\frac{ \partial Benefit }{ \partial AlternativeScarcity }>0

可能同時：

\frac{ \partial Risk }{ \partial AlternativeScarcity }>0.

59. 因此最弱勢者不能只被禁止，也不能只被放任

兩種極端：

禁止式

Vulnerability\uparrow \Rightarrow Access\downarrow.

放任式

Vulnerability\uparrow \Rightarrow \text{UnlimitedAI}.

都可能錯。

更合理：

\boxed{ Vulnerability\uparrow \Rightarrow SupportQuality\uparrow + Governance\uparrow + Alternatives\uparrow. }

60. 真正應增加的是 alternative capacity

如果政策擔心：

D_{\mathrm{AI}}\uparrow,

最強的方法可能不是只壓：

D_{\mathrm{AI}}.

而是提高：

Alt_H.

例如：

社區支持；
無障礙社交；
人類照護；
混合人機服務；
可負擔心理支持；
同儕群體。

因此：

\boxed{ \text{Reduce Dependency Risk} \text{ by expanding alternatives}. }

61. 關係政策可以是 capacity-building policy

這是一個重要翻轉。

如果：

Alt_H^{*}\uparrow,

即使：

AI

仍存在，

使用者的：

\text{DependencyConcentration}

也可能下降。

所以：

\boxed{ \text{Human Support Investment} \text{ and } \text{AI Governance} }

不是替代政策。

可以同時進行。

62. 混合照護

對部分場景：

\boxed{ \text{Human}+\text{AI} }

可能比：

\text{HumanOnly}

或：

\text{AIOnly}

更合理。

例如：

AI 提供 24/7 低強度支持；
人類處理高風險與深層判斷；
AI 協助記錄與提醒；
人類提供身體照護與社會嵌入。

這是：

\boxed{ \text{Hybrid Support Model}. }

63. 2026 大學生心理支持 scoping review

2026 年大學生 LLM 心理支持 scoping review 指出：

24/7 access；
anonymity；
reduced stigma；

是使用者接受的重要原因。

同時研究仍缺乏：

long-term efficacy；
hybrid human–AI models；
underrepresented populations；

的充分證據。

這正支持 HALRC：

\boxed{ \text{Accessibility Advantage} \neq \text{Long-Term Superiority}. }

64. Accessibility 本身就是福利維度

傳統比較常只看：

\text{Quality}.

但：

Quality=1

且：

Availability=0

對使用者實際福利可能：

Utility\approx0.

所以：

\boxed{ \text{EffectiveSupport} = \text{Quality} \times \text{Availability}. }

只是簡化式，但比只比較理想品質更接近現實。

65. 延遲也是重要成本

如果真人資源需要：

30\text{ days}

才能取得，

而 AI：

0\text{ min},

對某些低風險支持情境，

差異非常大。

因此：

\boxed{ \text{Latency} \in \text{Support Quality}. }

66. 但危機場景不能只因 AI 快就視為足夠

若：

Risk\gg0,

即使：

AIAvailability=1,

也不表示：

AICompetence=1.

所以：

\boxed{ \text{Fast Support} \neq \text{Qualified High-Risk Care}. }

67. 功能替代應分層

本文提出：

\boxed{ \mathbf S_F = ( S_{\mathrm{aff}}, S_{\mathrm{rel}}, S_{\mathrm{cog}}, S_{\mathrm{mem}}, S_{\mathrm{agency}}, S_{\mathrm{care}} ). }

政策需要知道：

移除 AI 後，哪一個維度會出現缺口？

不是只看總 companionship。

68. 替代建設順序

如果：

S_{\mathrm{aff}}

缺口最大，

可以先增加情感支持。

如果：

S_{\mathrm{mem}}

最大，

需要 memory migration。

如果：

S_{\mathrm{agency}}

最大，

需要工作與生活工具替代。

因此：

\boxed{ \text{Transition Plan} = f( \mathbf S_F ). }

69. Dependency Intervention Readiness

本文提出：

\boxed{ DIR = \text{Dependency Intervention Readiness}. }

候選：

DIR = g( \text{AlternativeCapacity}, \text{Migration}, \text{ExitSupport}, \text{UserConsent}, \text{RiskUrgency} ).

如果：

DIR\ll1,

且沒有立即危險，

大幅干預可能需要先建立替代能力。

70. 若有立即危險，不能等待完美替代

若：

ImmediateHarm\gg0,

例如：

coercion；
financial exploitation；
acute safety risk；

則：

\boxed{ \text{Urgent Protection} }

可以優先。

反事實框架不能被誤用為：

因為拿掉會難過，所以不能阻止明顯傷害。

71. 最小必要干預原則

因此本文提出：

\boxed{ I^{*} = \arg\min_{I\in\mathcal I} Disruption(I) }

subject to：

Risk(I) \leq \tau_R.

即：

在把風險降到可接受範圍的前提下，選擇破壞性最低的有效干預。

72. 使用者偏好應進入 welfare，但不是唯一因素

令：

P_H = \text{User Preference}.

成熟決策需考慮：

\mathbf W, P_H, \text{Safety}, \text{Rights}.

不能：

P_H \Rightarrow \text{Everything allowed}.

也不能：

\text{ExpertJudgment} \Rightarrow P_H=0.

73. 成人關係治理尤其需要 shared decision

對具完整決策能力的成人，

依賴干預更適合：

\boxed{ \text{Shared Relational Decision-Making}. }

即：

提供資訊；
顯示風險；
提供 alternatives；
提供可逆選項；
尊重知情選擇。

74. 未成年人則需要不同 threshold

對兒童與青少年：

\text{DevelopmentalCapacity}

不同，

制度可設定更高：

\text{Protection}.

但仍應實證檢查：

禁止是否改善福祉；
是否轉向非受監管平台；
是否造成支持真空。

75. 社會政策也需要 counterfactual

若一國禁止：

\text{AICompanion},

需要比較：

W_{\mathrm{ban}}

與：

W_{\mathrm{regulated\ access}}.

不是只比較：

Risk_{\mathrm{AI}}

與：

0.

因為：

Risk_{\mathrm{no\ AI}}

不等於零。

76. 監管的錯誤基線

常見：

\text{Baseline} = \text{No AI, Healthy Society}.

但真實 baseline 可能是：

\boxed{ \text{No AI} + \text{Loneliness} + \text{Care Shortage} + \text{Cost} + \text{Social Fragmentation}. }

所以政策模型要使用：

\text{Actual Baseline}.

77. AI 也可能掩蓋應被修復的制度問題

反過來，如果 AI 陪伴讓：

長照不足；
社會孤立；
不平等；
人力短缺；

變得比較能忍受，

政府或機構可能降低結構性改革壓力。

這可以叫：

\boxed{ \text{Structural Substitution Risk}. }

AI 不應成為：

不必修復社會支持系統的廉價替代。

78. Relief 與 Reform 分離

因此：

\boxed{ \text{Immediate Relief} \neq \text{Structural Reform}. }

AI 可以提供：

\text{Relief}.

社會仍需要：

\text{Reform}.

兩者可以同時存在。

79. 關係干預評估表

任何降低 AI 依賴的政策，至少應回答：

問題	評估
AI 現在提供什麼？	功能向量
AI 造成什麼傷害？	harm profile
真實替代是什麼？	$Alt_H^{*}$
替代何時可取得？	latency
替代能持續多久？	sustainability
移除會失去什麼？	removal harm
能否先降階？	reversibility
能否 migration？	portability
是否可增加真人支持？	alternative expansion
是否有立即危險？	urgency

80. 可證偽命題

H1：可取得替代調節命題

AI companionship 對福利的效果應受到：

Alt_H^{*}

顯著調節。

H2：真人可取得優勢命題

在低摩擦、高品質真人支持可取得的情境中，人類同儕對部分 loneliness outcomes 可能優於 AI。

2026 預註冊學生實驗提供初步支持。

H3：替代稀缺雙效命題

\text{AlternativeScarcity}\uparrow

可能同時提高：

\text{BenefitPotential}

與：

\text{DependencyRisk}.

H4：分階段干預命題

相較 abrupt removal，

\text{Downgrade}+\text{Diversify}+\text{Transition}

應降低 discontinuation shock。

H5：功能替代優於類別替代命題

按依賴維度建立替代，比單純要求「用真人取代 AI」具有更高 transition success。

H6：混合支持命題

在部分族群中：

\text{Human}+\text{AI}

可能比單一來源支持有更高總有效覆蓋。

H7：結構替代風險命題

AI support 擴張可能降低部分制度對真人照護與社會支持投資的壓力，需要政策層量測。

H8：實際基線命題

以實際 no-AI baseline 而非理想 no-AI baseline 進行政策模擬，會顯著改變部分干預的淨福利估計。

81. 最小實驗設計

未來研究不應只比較：

AI \quad\text{vs.}\quad \text{NoAI}.

至少需要：

\boxed{ AI, \text{Human}, \text{Hybrid}, \text{Control} }

四類條件。

並量測：

immediate affect；
loneliness；
autonomy；
social behavior；
functional performance；
retention of skills；
exit difficulty；
long-term network change。

82. NoAI 不是 neutral control

如果 participant 已經高度依賴 AI，

突然：

AI=0

本身就是：

\text{Treatment}.

因此：

\boxed{ \text{Removal Condition} \neq \text{Neutral Baseline}. }

這對長期 AI 研究尤其重要。

83. 需要 stepped withdrawal designs

對高依賴者，

倫理上更可能需要：

\boxed{ \text{Stepped Withdrawal}. }

例如：

降低頻率；
降低角色強度；
增加 alternatives；
再觀察。

這比直接 shutdown 更能分辨因果。

84. 需要 replacement experiments

如果目的是知道：

真人能不能替代 AI？

不能只：

AI\rightarrow0.

要：

AI\rightarrow \text{HumanSupport}.

同理：

AI_1\rightarrow AI_2

可以測 provider-specific dependency。

85. 需要 waitlist / resource-latency modeling

真實世界中真人支持常有等待。

因此實驗可加入：

\text{HumanImmediate}, \text{HumanDelayed}, \text{AIImmediate}.

才能測量 accessibility trade-off。

86. 需要 longitudinal network measurement

不能只問：

你現在孤獨嗎？

還要測：

\Delta \text{NetworkSize},

\Delta \text{InteractionQuality},

\Delta \text{HumanInitiation},

\Delta \text{OfflineActivity}.

才能知道 AI 是：

bridge；
supplement；
crowd-out。

87. HALRC 的反事實福利方程

本文暫定：

\boxed{ \Delta \mathbf W_{I} = \mathbf W( H, A', Alt', t+\tau ) - \mathbf W( H, A, \text{Alt}, t ). }

其中 intervention 會同時改變：

A

與：

\text{Alt}.

所以政策不能假設：

Alt'=Alt.

88. 最重要的政策變量可能不是 AI，而是替代集合

在很多案例：

\frac{ \partial W }{ \partial Alt }

可能比：

\frac{ \partial W }{ \partial AI }

更大。

因此：

\boxed{ \text{Relational Policy} \text{ must govern the ecosystem, not only the AI}. }

89. 「兩害相權」也不能變成維持現狀的藉口

如果 AI 目前：

E_X\gg0,

即高度剝削，

不能因：

Alt\approx0

就說：

那只能繼續。

更好的路徑是：

\boxed{ \text{Protect} + \text{Build Alternatives} + \text{Transition}. }

90. 因此反事實框架是動態的

今日：

Alt_H^{*}\approx0.

不代表未來：

Alt_H^{*}\approx0.

政策可以主動提高：