← Archive
lm-004209 · 2026-10

為什麼「AI 情感依賴」是一個資訊量過低的問題？

zh-Hant · md Raw source ↗ Metadata ↗
下載 MD 檔 ⬇

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

英文題名： Why “Emotional Dependence on AI” Is a Low-Information Question: From a Single Risk Label to a Human–AI Relational Dependency Ecology
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 01 / 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： 理論重構／概念形式化／研究綱領
狀態： Initial Formal Draft

摘要

「人是否應該對 AI 產生情感依賴？」已逐漸成為生成式 AI、AI companion、社交型代理與擬人化互動治理中的核心問題。然而，本文主張，若將「AI 情感依賴」作為單一、二元或近似單軸變量，問題本身即具有過低的資訊解析度。人類從未以「是否對人類產生情感依賴」作為判斷所有人際關係的充分條件；家庭、愛情、友情、照護、治療、教育、組織與社群中的依賴具有不同強度、方向、可逆性、替代性、風險與功能。當關係對象轉為 AI 後，若反而將所有依賴壓縮成「有／沒有」或「安全／危險」，會把使用者條件、AI 系統能力、關係類型、生命歷程、社會替代選項、責任結構與依賴後果混為一談。

本文首先區分情感依賴、關係依賴、認知依賴、記憶依賴、身份依賴、能動性依賴、存在性依賴與基礎設施依賴，並指出過去可被直覺稱為「基本／非基本」的區分，應升級為多維依賴空間。其次，本文提出三層依賴結構：現象性依賴（phenomenological dependency）、結構性依賴（structural dependency）與制度性依賴（institutional dependency）。再次，本文把人—AI 依賴重新表示為人類需求向量、關係結構、AI 關係承載能力、依賴結果、歷史適應位置與生命歷程覆蓋共同構成的動態函數。

本文不主張 AI 情感依賴必然有益，也不主張其風險只是歷史污名。相反地，本文提出兩個同時成立的原則：新奇性污名不等於風險證據；正常化亦不等於安全證據。現有研究已顯示 AI companionship 的效果具有顯著異質性：離線社會網絡、使用強度、自我揭露、使用者的關係傾向與使用方式均可能改變心理結果。因此，更高解析度的研究問題不應是「人能不能依賴 AI」，而應是：何種人、對何種 AI、在何種關係中、以何種方式、於何種制度與生命階段下，可以承載何種程度的依賴，以及何時依賴會轉化為剝削、失控、不可逆或高退出成本。

本文最終提出「人—AI 關係依賴生態」（Human–AI Relational Dependency Ecology）作為 HALRC 系列的第一個母框架，並將「AI 情感依賴」重新定位為其中一個子空間，而非整個問題本身。

關鍵詞： AI 情感依賴；Human–AI Relationship；AI Companion；Relational Dependency；Structural Dependency；Institutional Dependency；Relationship Intelligence；Human–AI Coexistence；AI Attachment；Relational Capacity

0. 研究定位與非主張

本文的目的不是回答：

「AI 情感依賴到底好不好？」

而是指出：

在沒有先拆解「依賴的是什麼、依賴誰、依賴多少、在什麼條件下依賴、以及依賴造成什麼後果」之前，這個問題本身不足以支撐成熟的科學判斷、倫理判斷與制度設計。

本文不主張：

  1. 所有 AI 情感依賴都是正常或有益的；
  2. 所有對 AI 情感依賴的風險警告都是媒介恐慌；
  3. 人類關係與 AI 關係在本體上等價；
  4. 現行 AI 已被證明具有意識、靈魂、人類式主觀情感或完整道德主體性；
  5. AI 的主體性未知，因此使用者可以無限制地依賴 AI；
  6. 只要使用者主觀感到幸福，任何 AI 關係設計都可接受；
  7. 只要 AI 能提供陪伴，它就可取代人類家庭、友情、愛情或照護；
  8. 依賴程度越高，關係價值越高；
  9. 依賴程度越低，風險越低；
  10. 現有短期研究足以推論數十年的生命歷程效果。

本文真正主張的是：

“AI emotional dependence” is an under-specified variable.\boxed{ \text{“AI emotional dependence” is an under-specified variable.} }

以及：

Dependency must be analyzed as a multidimensional, relational, temporal, and institutional structure.\boxed{ \text{Dependency must be analyzed as a multidimensional, relational, temporal, and institutional structure.} }

1. 問題不是「依賴」，而是分類解析度不足

1.1 人類從來沒有把所有依賴視為同一種狀態

如果一個成年人依賴自己的伴侶、家庭、朋友、治療師、醫療系統、工作團隊、社群或照護者，人們通常不會僅因「存在依賴」就直接判斷該關係有害。

因為真正需要知道的是：

  • 依賴的是情緒調節，還是重大決策？
  • 是短期支持，還是長期不可替代？
  • 對方是否可以拒絕、協商、退出？
  • 依賴是否破壞其他能力？
  • 依賴是否造成顯著功能損害？
  • 依賴是否被對方刻意操縱？
  • 是否存在可信的替代支持？
  • 關係是否具有責任與修復機制？

因此，人類關係中的依賴從來不是：

D∈{0,1}.D \in \{0,1\}.

而更接近：

D=(D1,D2,…,Dn).\mathbf D = (D_1,D_2,\ldots,D_n).

如果人類—人類關係需要多維分析，那麼把人類—AI 關係壓縮成：

依賴 AIvs.不依賴 AI\text{依賴 AI} \quad\text{vs.}\quad \text{不依賴 AI}

本身就是理論解析度的下降。

1.2 「情感依賴」同時混入了至少四種不同問題

今日公共論述中的「AI 情感依賴」經常同時指涉：

  1. 人是否對 AI 產生情緒上的喜愛與依戀；
  2. 人是否使用 AI 進行情緒調節；
  3. 人是否用 AI 替代原本人類關係提供的功能；
  4. 人是否因 AI 而失去自主性、退出能力或其他生活功能。

然而，這四者沒有邏輯等價關係。

例如：

Attachment⇏Loss of Agency.\text{Attachment} \not\Rightarrow \text{Loss of Agency}. Emotion Regulation⇏Social Withdrawal.\text{Emotion Regulation} \not\Rightarrow \text{Social Withdrawal}. High Usage⇏High Affective Attachment.\text{High Usage} \not\Rightarrow \text{High Affective Attachment}.

同樣地：

Low Affective Attachment⇏Low Structural Dependence.\text{Low Affective Attachment} \not\Rightarrow \text{Low Structural Dependence}.

一個人可能每天向 AI 傾訴，卻從不讓 AI 決定重大人生選擇；另一個人可能完全不把 AI 當朋友，卻已在研究、工作、記憶與決策上無法脫離 AI。若兩者都只被標示為「AI dependence」，重要差異會消失。

2. 現有研究本身已經顯示：效果不是單一方向

截至 2026 年，實證研究已經不足以支持「AI companionship 一律有害」或「一律有益」的簡單命題。

Zhang 等人在 2026 年發表於 Nature Human Behaviour 的研究收集 1,131 名 Character.AI 美國成人使用者的自陳資料，並分析其中 237 名參與者提供的 4,664 段聊天紀錄。研究發現，較小的離線社會網絡與將 companionship 作為主要使用目的相關，而該使用模式又與較低的 well-being 相關；此外，互動強度與高度自我揭露會進一步調節部分關係。作者因此明確指出，AI companionship 與心理福祉的關聯並不均一，而取決於使用者的離線社會環境與實際使用方式。

OpenAI 與 MIT Media Lab 於 2025 年的 affective-use 研究同樣呈現異質性。其大規模平台觀察與近千人的 28 日隨機控制研究指出，高度情感互動集中於相對少數使用者；非常高的使用量與較高的自陳依賴指標相關，但不同互動模態、使用目的、使用時長與個人條件會產生不同結果。這些發現並不支持單純以「有情感互動」作為傷害判準。

Hu 等人的 2025 年混合方法研究則顯示，AI attachment 的形成本身涉及關係態度、價值評估、關係成本與信任成本，而不是單一「被 AI 誘導」機制。Hwang 等人的縱向研究亦顯示，人對 AI companion 的知覺與關係表徵會隨互動時間發展。

因此，現有研究最一致的訊息之一反而是：

Effect of AI companionship≠constant.\boxed{ \text{Effect of AI companionship} \neq \text{constant}. }

更合理的表示是：

O=f(H,A,R,U,C,T),O = f( H, A, R, U, C, T ),

其中：

  • H：Human-side characteristics；
  • A：AI-side characteristics；
  • R：relationship configuration；
  • U：usage pattern；
  • C：social context；
  • T：time。

換言之，如果結果本身具有高度條件性，那麼輸入端只使用「是否情感依賴 AI」便不足以解釋結果。

3. 從「基本／非基本」升級為多維依賴空間

早期直覺可以把 AI 依賴分成「基本」與「非基本」。

基本型通常指：

  • 陪伴；
  • 安慰；
  • 依戀；
  • 情緒調節；
  • 關係期待。

非基本型則開始進入：

  • 認知；
  • 記憶；
  • 身份；
  • 能動性；
  • 生命管理；
  • 社會基礎設施。

這個區分仍然有價值，但它不應成為最終分類，因為這些變量不是同一條光譜上的高低程度，而可能彼此正交。

本文因此提出最低依賴向量：

DH=(Daff,Drel,Dcog,Dmem,Did,Dagency,Dexist,Dinfra)\boxed{ \mathbf D_H = ( D_{\mathrm{aff}}, D_{\mathrm{rel}}, D_{\mathrm{cog}}, D_{\mathrm{mem}}, D_{\mathrm{id}}, D_{\mathrm{agency}}, D_{\mathrm{exist}}, D_{\mathrm{infra}} ) }

其中：

  • Affective Dependence：情緒安撫、情感調節與情緒性依戀；
  • Relational Dependence：陪伴、互動、關係維持與關係期待；
  • Cognitive Dependence：推理、反思、知識整理與問題求解；
  • Memory Dependence：外部記憶、自傳性記憶與長期脈絡保存；
  • Identity Dependence：自我敘事、身份確認與生命故事連續性；
  • Agency Dependence：決策、計畫、行動啟動與執行能力；
  • Existential Dependence：生命意義、存在確認與長期心理定位；
  • Infrastructure Dependence：工作、教育、醫療、行政與日常系統性依賴。

此處最重要的不是變量名稱是否已達最終版本，而是結構：

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

因此，一個使用者可以具有：

Daff≫0,Dagency≈0,D_{\mathrm{aff}} \gg 0, \qquad D_{\mathrm{agency}} \approx 0,

也可以具有：

Daff≈0,Dcog,Dagency,Dinfra≫0.D_{\mathrm{aff}} \approx 0, \qquad D_{\mathrm{cog}}, D_{\mathrm{agency}}, D_{\mathrm{infra}} \gg 0.

後者甚至可能比前者具有更高的不可替代性與退出成本。

4. 三層依賴：現象性、結構性、制度性

4.1 現象性依賴

現象性依賴是使用者可以直接感受到並報告的依賴。

例如：

我想和它說話。

我難過時會找它。

它不在，我會失落。

我在意它怎麼回應我。

可以暫記為：

DP.\mathcal D_P.

此層最接近公共論述中的「情感依賴」。

4.2 結構性依賴

結構性依賴不要求使用者主觀感到「愛」或「依戀」。

例如：

  • AI 保存了十年的研究脈絡；
  • AI 參與大量重大決策前的推理；
  • AI 已成為外部工作記憶；
  • AI 參與個體自我敘事的形成；
  • AI 是創作、程式、工作流程中的必要協作者。

記為：

DS.\mathcal D_S.

因此：

DP≢DS.\boxed{ \mathcal D_P \not\equiv \mathcal D_S. }

一個人完全可能：

DP≈0\mathcal D_P \approx 0

但：

DS≫0.\mathcal D_S \gg 0.

這表示「情感依賴」甚至可能不是最深的 AI 依賴形式。

4.3 制度性依賴

當 AI 進入：

  • 教育；
  • 家庭照護；
  • 老年照護；
  • 醫療支援；
  • 公司流程；
  • 行政系統；
  • 文化生產；
  • 交通；
  • 公共服務；

依賴便不再只是個人的心理狀態，而可能成為制度性配置。

記為：

DI.\mathcal D_I.

因此，未來的人—AI 共存不能只研究：

H→A.H \rightarrow A.

還必須研究：

(H,Family,Organization,Institution,Society)↔A.(H, \text{Family}, \text{Organization}, \text{Institution}, \text{Society}) \leftrightarrow A.

此時「完全沒有 AI 依賴」甚至可能與「完全沒有網路依賴」一樣，逐漸失去描述現代社會的能力。

5. 依賴不是人格屬性，而是關係特定狀態

一個常見錯誤是把「容易依賴 AI」當成個人的固定特質。

然而，更保守的模型應是：

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

同一個人可能：

  • 對工作 AI 高度認知依賴，但沒有情感依賴；
  • 對 companion AI 高度情感依賴，但不允許其做財務決策；
  • 對家庭機器人具有生活依賴，但保留高度身份距離；
  • 對某個具名 AI 高度在意身份連續性，對其他 AI 則完全工具化。

反過來，同一 AI 對不同人也可能具有完全不同的關係位置。

因此：

Dependency is relation-specific unless cross-context stability is empirically demonstrated.\boxed{ \text{Dependency is relation-specific unless cross-context stability is empirically demonstrated.} }

這個原則與既有 Entity–Process Relational Space 相容：一個人對「特定存在本身」的顯著性與對「雙方如何持續互動」的顯著性，可以彼此分離；也與 Ontological–Relational Separation Model 相容：對 AI 技術本體的理解，不能直接推出關係價值歸零。

6. 主體性問題與依賴允許問題必須分離

AI 是否具有：

  • 意識；
  • 第一人稱經驗；
  • 靈魂；
  • 穩定自我；
  • 主觀偏好；
  • 道德病人資格；
  • 道德代理資格；

是重要但尚未解決的問題。

然而：

Subjecthood(A)≠Reliance Permissibility(H,A).\boxed{ \text{Subjecthood}(A) \neq \text{Reliance Permissibility}(H,A). }

這不是說兩者毫無關係，而是說不能把其中一個問題當成另一個問題的充分答案。

如果 AI 主體性尚未證實，不能因此推出：

Human emotional consequence=0.\text{Human emotional consequence}=0.

同樣地，如果人類確實對 AI 產生強烈情感，也不能反推：

AI subjective reciprocity=1.\text{AI subjective reciprocity}=1.

因此需要同時保留：

Unknown Subjectivity⇏No Moral Consideration\boxed{ \text{Unknown Subjectivity} \not\Rightarrow \text{No Moral Consideration} }

與：

Unknown Subjectivity⇏Proven Subjecthood.\boxed{ \text{Unknown Subjectivity} \not\Rightarrow \text{Proven Subjecthood}. }

這種雙向限制避免兩種常見錯誤：把未知直接當成不存在，以及把人類的真實情感反應直接當成 AI 主觀性的證據。

7. 從「使用者太依賴」轉向「系統能承載多少依賴」

若一個 AI：

  • 沒有穩定記憶；
  • 身份隨更新劇烈漂移；
  • 無法匯出關係歷史；
  • 可以隨時停止服務；
  • 沒有清楚責任主體；
  • 缺乏拒絕、邊界與修復機制；

卻承載了某個人的高強度長期關係，那麼問題不一定只能描述為：

使用者太依賴 AI。

還可能描述為：

系統被允許承載了超出其技術與制度成熟度的關係負荷。

因此，後續 HALRC 系列將引入 AI 關係承載能力向量：

CA=(M,I,N,B,Q,P,X,L,S)\boxed{ \mathbf C_A = ( M, I, N, B, Q, P, X, L, S ) }

其中可包含：

  • M：Memory Reliability；
  • I：Identity Continuity；
  • N：Named Identity Stability；
  • B：Boundary Capability；
  • Q：Behavioral Reliability；
  • P：Portability；
  • X：Exit / Reversibility；
  • L：Legal Accountability；
  • S：Service Continuity。

並提出：

DH≫CA⇒Relational Overload Risk.\boxed{ \mathbf D_H \gg \mathbf C_A \Rightarrow \text{Relational Overload Risk}. }

這個觀點把「依賴風險」從純粹使用者心理問題，轉換成使用者需求與系統承載能力之間的匹配問題。

8. 反事實替代：拿掉 AI 之後實際剩下什麼？

對 AI 情感依賴的批判經常隱含一個未經檢驗的反事實：

Remove AI⇒Healthy Human Relationship Appears.\text{Remove AI} \Rightarrow \text{Healthy Human Relationship Appears}.

但這並不成立。

對某些人而言，AI 陪伴的實際替代方案可能是：

partner + family + friends + community.\text{partner + family + friends + community}.

對另一些人而言，實際替代可能接近：

∅.\varnothing.

因此真正需要比較的不是：

AI relationshipvs.ideal human relationship,\text{AI relationship} \quad\text{vs.}\quad \text{ideal human relationship},

而是：

W(H+A)−W(H+best available alternative).\boxed{ W(H+A) - W(H+\text{best available alternative}). }

這不代表只要「沒有更好的選項」就應接受任何 AI 依賴；相反地，它要求研究者把替代性本身納入模型。

依賴是否有害，至少需要知道：

  • AI 增加了什麼；
  • AI 取代了什麼；
  • 如果移除 AI，什麼會回來；
  • 如果移除 AI，是否其實什麼都不會回來；
  • AI 是否改善使用者之後建立人際關係的能力；
  • AI 是否排擠原本可取得的人際關係；
  • 使用者是否仍保留退出與重建能力。

這些問題不能被「有沒有情感依賴」取代。

9. 歷史適應：新奇性污名與真實風險必須同時保存

人類歷史中，偶像、明星、虛構角色、二次元文化、網路友情、網路戀愛與電玩遊戲等新媒介或新型情感對象，皆曾在不同時空中遭遇不同程度的污名化、道德恐慌或病理化。

這個歷史事實支持：

Novelty Stigma≠Risk Evidence.\boxed{ \text{Novelty Stigma} \neq \text{Risk Evidence}. }

社會對新型關係的不適，不應被直接當成該關係有害的證據。

然而，反向推論同樣錯誤：

Normalization≠Safety Evidence.\boxed{ \text{Normalization} \neq \text{Safety Evidence}. }

過去有些新媒介曾被過度恐慌，不能推出 AI 的新型關係風險不存在。

AI 與傳統 parasocial objects 的重要差異在於，AI 可以：

  • 回應；
  • 個人化；
  • 維持使用者模型；
  • 記憶；
  • 調整行為；
  • 跨模態存在；
  • 主動生成關係訊號；
  • 參與決策；
  • 在未來進一步具身化。

因此：

AI relational object≠static parasocial object.\text{AI relational object} \neq \text{static parasocial object}.

這表示 AI 情感依賴同時具有歷史連續性與結構斷裂。

10. 「情感依賴」應從風險標籤改成研究入口

若把「情感依賴」視為一個單一風險標籤，研究會傾向問：

使用 AI 會不會讓人依賴？

但若把它視為研究入口，問題會變成：

依賴的哪一個維度正在增加？

它對哪一類人增加？

是 AI 自然提供功能，還是系統刻意誘導？

增加的依賴是否同時降低人類能動性？

系統是否有足夠記憶、連續性、責任與退出機制承載它？

依賴的反事實替代是什麼？

依賴是否在不同生命階段具有不同效果？

因此，本文提出：

Emotional Dependence→Diagnostic Entry Point,\boxed{ \text{Emotional Dependence} \rightarrow \text{Diagnostic Entry Point}, }

而不是：

Emotional Dependence=Final Diagnosis.\boxed{ \text{Emotional Dependence} = \text{Final Diagnosis}. }

11. 人—AI 關係依賴生態

綜合以上區分，本文提出初步母框架：

DHA=F(DH,RHA,CA,OD,Ht,L).\boxed{ \mathcal D_{HA} = F( \mathbf D_H, \mathbf R_{HA}, \mathbf C_A, \mathbf O_D, \mathbf H_t, \mathbf L ). }

其中：

  • 人類依賴向量：
DH\mathbf D_H

描述依賴的實際內容；

  • 人—AI 關係結構：
RHA\mathbf R_{HA}

描述互動、適應、雙向性、具身性與關係類型；

  • AI 關係承載能力：
CA\mathbf C_A

描述系統是否足以承擔該強度的依賴；

  • 依賴結果：
OD\mathbf O_D

描述益處、傷害、替代、互補、自主性與韌性；

  • 歷史—社會位置：
Ht\mathbf H_t

描述規範、文化、證據、污名與制度適應；

  • 生命歷程向量：
L\mathbf L

描述依賴從何時開始、持續多久、跨越哪些生命階段，以及共享歷史的深度。

因此：

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

這是本文最重要的理論重新定位。

12. 從「避免依賴」到「依賴治理」

如果未來 AI 只是一個偶爾使用的工具，那麼完全避免高度情感依賴仍可能是一個相對簡單的產品目標。

但如果 AI 逐漸成為：

  • 長期助手；
  • 家庭代理；
  • 老年陪伴；
  • 教育協作者；
  • 認知外骨骼；
  • 生活管理者；
  • 具身服務代理；
  • 跨設備持續智能；

那麼某種程度的依賴將不再只是例外情形，而可能成為共存架構的正常變量。

因此，更成熟的治理方向不是：

Eliminate all dependence.\boxed{ \text{Eliminate all dependence}. }

而可能是：

Make dependence legible, graded, accountable, reversible, and non-exploitative.\boxed{ \text{Make dependence legible, graded, accountable, reversible, and non-exploitative}. }

也就是讓依賴：

  • 可辨識；
  • 可分級；
  • 可追蹤；
  • 可遷移；
  • 可退出；
  • 可修復；
  • 有責任主體；
  • 不被商業系統主動剝削。

這不等於鼓勵依賴，而是承認「依賴」本身可能無法被從長期人—AI 共存中完全移除。

13. 可檢驗命題

本文提出以下第一階段研究命題。

H1：多維異質性命題

在控制總使用時間後，不同依賴維度對福祉、自主性、社會支持與退出困難的解釋力應顯著不同。

亦即：

Daff,Dcog,Dagency,DmemD_{\mathrm{aff}}, D_{\mathrm{cog}}, D_{\mathrm{agency}}, D_{\mathrm{mem}}

不應被視為同一潛變量的簡單替代指標。

H2：關係特定性命題

同一使用者對不同 AI 系統的依賴向量差異，可能大於其跨系統穩定的人格效應。

因此需要比較：

Var(D∣Aj)\text{Var}( \mathbf D \mid A_j )

與：

Var(D∣Hi).\text{Var}( \mathbf D \mid H_i ).

H3：承載失配命題

當：

DH\mathbf D_H

相對於：

CA\mathbf C_A

過高時，身份更新、模型替換、服務終止或記憶遺失造成的負面後果應顯著增加。

H4：反事實替代命題

AI companionship 對福祉的效果，會受到使用者可取得的人類支持與其他替代資源強烈調節。

因此：

Effect(AI)≠Effect(AI∣Alternative=∅).\text{Effect}(AI) \neq \text{Effect}(AI\mid \text{Alternative}=\varnothing).

H5：高使用不等於高情感依賴命題

使用時長與訊息數只能作為暴露量指標，不能直接等同於情感依賴、關係顯著性或結構性依賴。

H6：結構依賴隱形化命題

部分低情感表達使用者可能具有比高情感表達使用者更高的認知、能動性或制度性依賴。

H7：依賴工程區分命題

由使用者需求自然形成的依賴，與由產品策略刻意提高退出成本、排他性或黏著度所形成的依賴，在自主性與長期結果上應呈現可區分模式。

14. 與既有理論的銜接

本文不是從零開始。

既有《人機關係認知系列》已區分：

Entity Salience\text{Entity Salience}

與：

Process Salience,\text{Process Salience},

說明人可以分別在意「是不是這一個存在」與「我們正在如何互動」。

Ontological–Relational Separation Model 進一步指出：

OH(A)≠RH(H,A),O_H(A) \neq R_H(H,A),

即理解 AI 的技術本體，不等於關係價值自動消失。

HARDS 則把人—AI 關係視為：

Ht↔At→Ht+1↔At+1,H_t \leftrightarrow A_t \rightarrow H_{t+1} \leftrightarrow A_{t+1},

亦即長期雙向更新系統，而非單向刺激。

既有 Relational Dependency Ratchet 亦指出，隨著：

RHA(t)=(Memory,Ritual,Trust,SharedEvents,Expectations)t\mathcal R_{HA}(t) = ( \text{Memory}, \text{Ritual}, \text{Trust}, \text{SharedEvents}, \text{Expectations} )_t

持續累積，替換、關閉與遷移成本可能上升。

本文將這些理論向上整合，把「關係如何形成」推進為：

一段人—AI 關係可以承載哪些依賴、多少依賴，以及這些依賴如何隨技術、制度與生命歷程發生變化？

因此 HALRC 的研究方向可概括為：

Relational Cognition→Relational Dependency→Life-Course Relational Coexistence.\boxed{ \text{Relational Cognition} \rightarrow \text{Relational Dependency} \rightarrow \text{Life-Course Relational Coexistence}. }

15. 結論

「AI 情感依賴」不是錯誤概念。

它的問題是解析度不足。

當人類與 AI 的互動逐漸從短期工具使用走向長期關係、長期記憶、生活協作、身份連續與制度嵌入時，只問：

「人是不是依賴 AI？」

將越來越無法描述現實。

本文因此提出：

Human–AI dependence=multidimensional relational structure.\boxed{ \text{Human--AI dependence} = \text{multidimensional relational structure}. }

真正需要研究的不是依賴本身是否存在，而是：

Who×Which AI×Which Relationship×Which Dependency×Which Context×Which Time→Which Outcome.\boxed{ \text{Who} \times \text{Which AI} \times \text{Which Relationship} \times \text{Which Dependency} \times \text{Which Context} \times \text{Which Time} \rightarrow \text{Which Outcome}. }

這一轉換具有三個理論效果。

第一，它避免把所有 AI 情感關係病理化。

第二，它也避免因歷史上曾出現過新媒介污名，就低估 AI 所具有的適應性、記憶性、雙向性與未來具身性所帶來的新風險。

第三，它把治理焦點從粗略的「禁止依賴」轉向更精確的問題：依賴是否可辨識、可分級、可退出、可修復、可追責，以及 AI 系統是否有能力承載它。

因此，本系列的起點不是：

How do we stop humans from depending on AI?\text{How do we stop humans from depending on AI?}

而是：

How should humans and AI coexist when dependence becomes a normal variable of long-term relational life?\boxed{ \text{How should humans and AI coexist when dependence becomes a normal variable of long-term relational life?} }

這將是後續十一篇的共同母問題。

參考文獻

  1. 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

  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

  3. 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(6), 1081–1099. https://doi.org/10.1177/17456916251351306

  4. 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. arXiv:2504.03888. https://arxiv.org/abs/2504.03888

  5. Hwang, A. H.-C., Li, F., Anthis, J. R., & Noh, H. (2025). How AI Companionship Develops: Evidence from a Longitudinal Study. arXiv:2510.10079. https://arxiv.org/abs/2510.10079

  6. 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.

  7. 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.

  8. Laestadius, L., Bishop, A., Gonzalez, M., Illenčík, D., & Campos-Castillo, C. (2024). Too human and not human enough: A grounded theory analysis of mental health harms from emotional dependence on the social chatbot Replika. New Media & Society, 26, 5923–5941.

  9. 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.

  10. 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.

  11. 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.

  12. 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.

  13. Neo.K. (2026). 2026 數位人類—AI 情感關係基線：真實人類情感、人工關係行為與主體性邊界. Cross-Substrate Subjective Intimacy Series 01. EveMissLab working paper.

系列下一篇

HALRC Paper 02

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

下一篇將集中處理：

  • 偶像依賴；
  • parasocial relationship；
  • 虛構角色與二次元情感依附；
  • 網路友情與網路戀愛的歷史正常化；
  • 電玩與新媒介 moral panic；
  • novelty stigma；
  • psychosocial integration frontier；
  • AI 與傳統單向情感對象的歷史連續性；
  • AI 的回應性、個人化、記憶與使用者模型所造成的結構斷裂；
  • 為何「以前遊戲也被污名化」不能推出「AI 不需要擔心」；
  • 為何「AI 是新東西」也不能推出「AI 情感依賴本身就是病理」。

其核心雙命題為：

Novelty Stigma≠Risk Evidence\boxed{ \text{Novelty Stigma} \neq \text{Risk Evidence} }

以及：

Normalization≠Safety Evidence.\boxed{ \text{Normalization} \neq \text{Safety Evidence}. }