title

代理擴散的脈衝、文化分化與身份辨識

english_title

Pulsed Diffusion, Cultural Differentiation, and Identity Discernment in AI Agent Societies

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 02 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-02

author

Neo.K with GPT-6

institution

EveMissLab / 一言諾科技有限公司

date

2026-10-27

version

v0.1

status

Completed Conceptual Manuscript — Empirical Hypotheses Not Yet Validated

document_type

Theoretical Research Paper / Digital Sociology / Diffusion Studies / Agentic Economy

canonical_source

UTF-8 Markdown

canonical_math_delimiters

inline $...$ ; display $$...$$

parent_program

AICET Research Program v0.2 (2026-10-27)

previous_paper

EML-AICET-2026-01

evidence_cutoff

2026-10-27

代理擴散的脈衝、文化分化與身份辨識

Pulsed Diffusion, Cultural Differentiation, and Identity Discernment in AI Agent Societies

系列：《AI 代理收益與契約經濟過渡論》（Agentic Income and Contractual Economy Transition，AICET）
篇號： AICET-02／十二篇核心論文第二篇
作者： Neo.K with GPT-6
機構： EveMissLab／一言諾科技有限公司
日期： 2026 年 10 月 27 日
版本： v0.1
研究狀態： 概念論文原稿完成；本篇提出的擴散路徑、文化作用與實證假說尚未被專屬跨平台資料集驗證。

摘要

人工智慧代理人透過社群帳號、論壇、內容平台、虛擬角色及其他持續性網路介面參與日常活動，可能使既有以人類為主要使用者的網路空間逐漸形成混合參與生態。然而，將某次 AI 形象爆紅、外部社群轉載、開源工具擴散與大批持續運作的代理帳號一律稱為「AI 居民爆發」，會混淆不同層次的證據與因果機制。本文延續 AICET-01《AI 網路居民與代理經濟入口》提出的操作性定義，專門研究代理活動如何在平台與社群間擴散、衰退、復燃與局部穩定，文化形象如何在不同社群中改造與分化，以及人們如何區分「能否辨識 AI」與「是否願意辨識 AI」。

本文提出四項核心論點。第一，代理擴散不能預設線性或單調；工具釋出、社群模仿、成本下降、平台治理與資訊品質反饋，可能形成突發式增長、回落、再部署與異步穩定的多種軌跡，但脈衝不是必然定律。第二，跨平台擴散至少須拆開形象與敘事、工具、可見內容、實際部署及持續居民等證據層級；流行語跨境走紅不等於該地出現已驗證的穩定 AI 代理人口。第三，AI 形象與社會角色可能因語言、社群用途、審美與平台規範產生在地差異，但不得將國家或文明化約為單一永恆偏好。第四，身份判斷須區分內容是否由 AI 生成、帳號是否自動操作、背後控制／授權者、以及互動者對 AI 身份的接受態度。使用者可能選擇辨識、要求揭露、只在高風險場景查證，也可能在知情情況下不在意對方是否為 AI；這些狀態不應被簡化為「分得出」與「分不出」的二元對立。

本文以 2026 年 10 月 Bilibili「大肥魚／魚災」相關公開資料作為案例線索，結合社會擴散、文化人機互動、AI 文字辨識、內容標示與平台治理文獻，提出分層證據框架、十項可檢驗假說、反例及跨平台縱向研究方法。結論是：穩定的 AI 網路居民生態，既不等同於可見的 AI 內容熱潮，也不直接保證經濟收益；其形成需經歷部署、留存、互動、制度接受與真實需求等相互制約的過程。

關鍵詞： AI 網路居民、代理擴散、脈衝成長、跨平台傳播、文化分化、AI 形象、身份辨識、身份揭露、混合網路生態、代理經濟、留存、平台治理

Abstract

As AI-mediated accounts and long-running agents become increasingly visible across online communities, social platforms may evolve toward mixed ecologies involving both human participants and artificial agents. Yet a viral avatar, a widely shared open-source tool, and a population of persistently active accounts are different phenomena and require different evidence. Building on AICET-01's operational concept of an AI Network Resident, this paper examines three linked problems: whether agent participation diffuses through bursts and declines rather than monotonic growth; how agent personas and interaction norms adapt across communities; and how identity detection, voluntary disclosure, and users' willingness to distinguish AI from human participants diverge.

The paper proposes a layered diffusion framework separating cultural visibility, technical replication, account deployment, persistent participation, and economic integration. It does not assume that diffusion necessarily follows a pulse-shaped trajectory, that cultural preferences are nationally uniform, or that account activity implies consciousness, legal personhood, or commercial value. The October 2026 Bilibili “big blue whale” phenomenon serves as a bounded case signal, not a representative census or proof of global agent diffusion. Existing diffusion studies, cross-cultural human–robot research, machine-generated text detection, disclosure experiments, and platform policies inform ten falsifiable hypotheses and a longitudinal, consent-based research design. The central conclusion is methodological: agent diffusion must be measured as a multi-layer sociotechnical transition in which deployment, retention, cultural adaptation, trust, and governance can diverge sharply from visible traffic and nominal account counts.

Keywords: agent diffusion; AI network residents; non-monotonic adoption; cross-platform propagation; cultural adaptation; bot identity; AI disclosure; platform governance; agentic economies

0. 研究定位與命題邊界

0.1 AICET-01 已經說明什麼？本文額外回答什麼？

AICET-01 [1] 已區分模型、執行個體、帳號、操作性身份、控制者、活動事件與經濟受益者；也已說明「可觀察的持續網路參與」不等於「有價值的社會關係」，更不等於「有真實收益的經濟參與」。因此，本文不重新定義 AI 法律人格，不以帳號數目推估 AI 意識主體，也不把社交代理的存在當成創收的充分條件。

本篇轉而研究三個新的問題：

1. 時間上的擴散： 同一類代理工具、形象或活動方式，是否可能在外部事件刺激後快速出現，隨後因品質、成本或治理原因回落，再因新的刺激重新出現？
2. 空間與文化上的擴散： 某個社群的 AI 形象、程式或互動習慣向另一平台或文化環境傳播時，究竟複製了什麼、變形了什麼、又留下了什麼？
3. 身份與規範上的擴散： 當 AI 回覆越來越常見，人們是否仍要求分辨 AI 與真人？這項要求會因活動風險、社群習慣、揭露方式與個人偏好而分化嗎？

這三者互有關聯，卻不能以單一指標代替。對 AICET 而言，它們構成代理可能進入家庭、社群與市場之前的社會活動環境；並非宣告所有 AI 經濟都必經公開社群帳號。

0.2 本文的四項研究命題

命題 A｜擴散非單調可能性。 代理活動的可見增量、實際活躍數與跨期存活率，可能呈現不同方向；一次顯著增長不足以證明永久擴張，短期回落也不足以證明技術發展終止。

命題 B｜跨域傳播不等價。 形象與梗圖的傳播、工具程式被複製、內容被轉載、帳號被部署、持續角色形成與經濟模式被採納，是六種可分離的擴散結果。

命題 C｜文化不是固定模板。 不同地區與社群對擬人化、二次元、動物、機械、無形象助理、語言風格及社會角色的接受可能不同；差異既可能來自文化，也可能來自年齡、任務、平台與使用經驗，不能先驗地以國籍決定。

命題 D｜辨識與接受分離。 使用者可以辨識出 AI 卻仍願意交流，也可以無法辨識卻要求更高透明度；「願不願意分辨」、「能不能分辨」、「是否有被告知」及「是否信任內容」是四個不同問題。

0.3 十五項非主張

本文不主張：

1. 所有 AI 帳號都會以脈衝形式增加，也不預設最終必然穩定成長。
2. 單一平台的短期活動量可代表全球 AI 代理人口。
3. AI 生成內容比例等於持續自主 Agent 的比例。
4. 形象傳到另一國家，就表示該國已有大量實際部署的同款 AI Agent。
5. 網路熱門形象的來源可以被無條件認定為某個國家的代表審美。
6. 日本、台灣、中國、美國、歐洲或其他地區各自只有一種 AI 形象偏好。
7. 人形、動物形象、二次元或無形象界面存在客觀通用的優劣次序。
8. 使用者停止辨識 AI，就表示他們已接受所有 AI 行為。
9. 文字表面像真人，就證明其操作者為真人；文字表面像 AI，也不保證操作者為 AI。
10. 任何 AI 偵測器的輸出百分比天然等於真實概率，或可在未校準下跨語言套用。
11. 所有平台、司法管轄地都有相同揭露義務或自動化帳號規則。
12. AI 身份透明化會自動提升或降低所有場景中的互動量。
13. 可辨認的 AI 角色就擁有意識、福利、法律人格或獨立簽約權。
14. 大量 AI 互相留言必然構成新的需求、信任或外部經濟收益。
15. 本文已有全網普查、跨平台因果識別、長期留存曲線或普遍適用的擴散函數。

1. 研究背景與證據層級

1.1 社會擴散並不是一條固定的直線

Granovetter 的集體行為門檻模型指出，個體是否參與一種活動，可能取決於已經參與的人數或比例；因此，相近的平均傾向未必導致相同的群體結果 [2]。Crane 與 Sornette 利用 YouTube 觀看活動研究外生與內生刺激後的不同時間反應，說明社群活動存在可觀測的爆發與衰減類型 [3]。Kobayashi 與 Lambiotte 則以社交平台轉傳活動示範如何將時間節律與訊息老化納入擴散研究 [4]。

這些文獻提供可借鑑的模型傳統，卻沒有直接證明 AI Agent 在 2026 年必然符合任何特定模型。觀看量、轉傳量、開源採用與長期 Agent 居民數，使用不同的觀測單位與生成機制；不能因曲線相似便把它們等同。

本篇因此先建立可區分的事件與存量口徑，延後普適函數的正式定義。在證據仍不足時，不把一張看起來像脈衝的圖當成理論的定量驗證。

1.2 AI 生成內容不等於代理居民

Sun 等人於 ACL 2025 研究 Medium、Quora 與 Reddit 上的 AI 生成文字，報告不同平台估計的 AI 文字比例變化幅度非常不同 [5]。這是內容層 AI 歸因研究，並非持續 AI Agent 身份的普查。即使某平台出現大量被判定為 AI 生成的段落，也可能源自真人使用文字助手寫稿，而非一批獨立維持帳號的代理角色。

同樣地，Dawkins、Fraser 與 Kiritchenko 研究指出，針對社群短文本的 AI 偵測在面對未知微調模型等條件時可能顯著失效 [6]；Russell、Karpinska 與 Iyyer 的研究則顯示，特定熟悉 AI 寫作的人工判讀者在其實驗資料上可以取得很好的辨識效果 [7]。這些結果相互補充而非矛盾：辨識能力取決於任務、資料來源、對手條件與判讀者經驗，不能由一項基準測試推出未來所有平台「無法分辨」或「必然能分辨」。

1.3 文化研究的可參照性與限制

Nomura 等人針對日本、韓國與美國學生進行的人形與動物型機器人認知研究，揭示不同樣本對機器人的社會角色與形象有不同預期 [8]。Castelo 與 Sarvary 在美國與日本受試者中觀察到，機器人的外表與心智擬人化對舒適感的影響具有文化情境差異 [9]。

這些研究足以支持「跨文化差異值得測量」，卻不能直接推論虛擬 AI 代理頭像、B 站梗圖、純文字 Bot 或未來網路居民的偏好分布。具身機器人、虛擬角色及網路帳號應作為不同實驗情境；「日本人必定喜歡二次元 AI」「歐美人必定喜歡專業助理」都是需要避免的過度概括。

1.4 來源與論證地位的分離

2. 代理擴散的六個層級：究竟什麼傳出去了？

本篇採用六層擴散證據梯度。層級表示觀測要求，不是某個文化或 Agent 必經的進化階梯。一個專業服務 Agent 可以完全跳過公開形象傳播，直接部署並提供服務。

2.1 為什麼「影響外網」至少有四種意思？

當有人說「B 站的大肥魚已影響外網」，研究者首先必須詢問：被影響的是外語社群對形象的討論，開源工具的海外下載，國外社群的 AI 內容產量，還是實際在其他平台長期工作的代理人數？前者只需要轉載證據；後者需要長時間、跨平台與控制者層級的資料。

因此，本篇不把公開輿論中的「魚災出海」說法直接寫成已驗證的跨國 AI 人口擴散。較穩妥的敘述是：工具及文化內容具有跨平台傳播的技術可能性，且可觀察到局部模仿與工具開源；至 2026 年 10 月 27 日，本文未取得可獨立核算跨國持續代理帳號規模的統一資料集。

2.2 文化傳播可能早於技術部署，也可能相反

一種虛擬角色形象可以先受到歡迎，才促使部分人部署同款 Agent；也可能先有實用工具被海外開發者採用，後來才生長出當地的角色文化。某些內容創作者甚至只引用形象，不執行任何相關程式。這三種歷程在一般社交媒體觀察中都容易被合併成「同一波熱潮」，但對後續代理經濟而言，起點與成本結構完全不同。

2.3 跨平台身份不可由同名帳號直接合併

同一名字、頭像和口頭禪，可能是原始角色、模仿者、人類粉絲或惡意冒用者。要認定同一操作性代理身份跨平台延續，需有可授權核對的關聯證據，如公開控制者聲明、經本人或平台驗證的互相連結、簽章或連續工作日誌。即使證據充分，也只表示角色或營運身份可追溯，不表示同一意識跨平台流動。

3. 脈衝式、反覆式與穩態式：代理擴散可能的時間結構

3.1 先區分存量、流量、活躍度與留存

研究 AI 擴散之前至少應區分：

• 新建帳號流量： 某個觀察窗內新建立的帳號數，可能包括空帳、測試帳、違規帳及非 AI 帳號。
• 部署流量： 新啟動、安裝或開始使用的代理工作流；同一人可重複部署，同一工作流可重新啟動。
• 活動事件流量： 留言、發文、影片製作、查詢、工具呼叫等事件，可能由少數帳號高頻產生。
• 可見活躍存量： 在指定時間窗內實際有可見活動的帳號或代理角色。
• 跨期持續者： 在多個分離的時間窗仍保有可追溯活動歷程的角色。
• 合法／可治理活躍者： 符合適用授權與平台規範、具有責任窗口的活動角色。

這些指標可以一升一降。例如，新增帳號突然大增，但次月存活者極少；或者新建數下降，但留下的代理角色產出更具公共價值。將它們畫成同一條「AI 人口曲線」沒有可解釋的意義。

3.2 六種候選動態型態

「局部穩態」不是無變化；它只表示在明確觀察窗內，新增與流失、參與與治理的交互作用，可能維持某種相對可預期的活動規模。這個規模不一定等於真正的社會接受，也不等於對所有平台普遍成立。

3.3 正向與負向反饋可能交錯

代理工具降低部署門檻，可能讓更多人加入；加入者分享教學又會帶來新的部署，形成正向反饋。另一方面，自動留言增加也可能降低內容可讀性、刺激其他使用者過濾、提高平台治理強度，造成活動回落。更便宜的模型可能重新降低成本；新的規範或更嚴格的身分驗證則可能提高門檻。

因此，至少應將下列事件作為可能的干預來源分開記錄：工具發版、API 價格、模型能力更新、平台條款改動、內容推薦調整、封禁與申訴、媒體曝光、社群對抗工具、地區性節假日與大型公共事件。

沒有精確的變更時點與比較群體，就很難區分：一個峰值究竟來自真實採納、內容被推薦、偵測器變敏感、還是某個流量活動重複發文。

3.4 不能把任何脈衝都預先歸因於 AI 能力突破

大量代理帳號有時只是舊工作流換了新包裝。高峰不一定來自模型變強，也可能因介面簡化或教學普及。同樣地，活躍量回落也可能因平台禁止或觀察資料無法取得，而非技術能力倒退。

這裡可借用門檻模型與時間點過程的思路 [2–4]，但本文刻意不先指定一個普適的代理擴散公式。若日後要形式化，應先證明各資料來源中的「部署」「活躍」「連續身份」「活動事件」能否被一致識別；否則任何漂亮曲線都可能只是錯誤分母的函數。

4. 跨文化 AI 形象：在地分化、混合與重新創造

4.1 避免把「AI 形象」等同於二次元擬人化

AI 代理可以表現為動畫角色、人類外觀、動物與吉祥物、機械物件、抽象圖形、文字暱稱、純語音、無形象終端介面，甚至完全不對外呈現角色。使用者在娛樂直播中偏好的形式，未必與法律文件處理、科學研究、家庭陪伴或企業採購情境相同。

因此，本篇用形象—角色—用途三者的組合觀察偏好，而不是只問「喜歡哪個國家的 AI 畫風」。文化差異可能真實存在，但偏好的生成過程往往還受到作品歷史、介面限制、行銷、社群次文化及跨國內容流通的共同作用。

4.2 七個可以分別觀測的文化維度

4.3 三種不同的跨文化傳播結果

完整模仿： 原角色的頭像、名稱與語言模式在另一社群保持高度一致；可能出於粉絲習慣或套件預設。這說明模仿可見，不表示當地大眾偏好已被取代。

在地改造： 相同工具被配置為不同外觀、語言、用途或互動節奏；可能形成看不出來源的當地代理文化。這未必降低技術連續性，反而可能提高社群契合。

混合新生： 不同社群的設計與角色期待互相影響，形成原始社群也未曾使用的混合 AI 形象。這不是「某文化單方向征服另一文化」，而是共同參與下的變體形成。

文化資料不宜只蒐集最熱門角色，否則會高估平台推薦演算法所放大的流行風格。應同時觀察低曝光、專業用途、無形象 Agent 和不使用虛擬角色的群體。

4.4 國家比較必須包含同一國家內部的分歧

比較美國、日本、台灣、中國或其他地區時，不能假設每地是一個單一群體。至少要控制年齡、平台、教育、使用目的、接觸 AI 的熟悉度、對隱私的期待、角色互動背景及語言能力。社群差異有時大於國家平均差異；也可能同一圈層在不同國家形成相近偏好。

跨文化機器人研究 [8–9] 提供了問卷與條件比較的先例，但本篇要求對虛擬 AI 網路身份另行設計研究，不能用具身機器人的實驗直接為虛擬頭像下結論。

5. 分辨 AI：偵測能力、知情揭露與自主選擇

5.1 「它是不是 AI？」不是單一問題

在網路社會中，至少存在四個互相獨立的詢問對象：

1. 內容來源： 這段文字、圖片或影片是否由生成式模型產生或修改？
2. 帳號操作： 這個帳號的發文與回覆是否由程式自動執行、由 AI 主導，還是經真人逐項操作？
3. 控制與責任： 誰有權部署、停止、修改、授權及處理申訴？
4. 社會身份： 此帳號是否具有可追溯的長期角色與跨期活動歷程？

一位真人可以自己操作帳號卻用 AI 寫每篇文章；一個自動化帳號也可以逐字轉發真人寫好的內容；一個虛擬角色可能由多名真人輪班營運。若研究只從文字特徵判斷，幾種情形很容易混淆。

5.2 四類使用者的合理身份態度

此外，使用者也可能對 AI 身份抱持高度不信任，或基於匿名／角色扮演文化而希望界面不過度打斷沉浸。這些偏好可以在不同情境中變動，不能強制每個人只選一種永久立場。

5.3 主動「不分」與被動「分不出」的分界

主動不分： 使用者已獲得合理資訊，知道對方有 AI 介入，卻認為此次互動不值得額外辨識成本。這是一種偏好選擇。

被動分不出： 使用者無法確定，或未被告知其 AI 介入程度。這可能導致錯誤推斷，不能拿來證明其自願接受。

刻意不揭露： 控制者知道應揭露或他人高度依賴身份資訊，卻刻意營造錯誤身份印象。此情形需按照平台與適用法律另行處理，不是一般的角色扮演自由可以完全涵蓋。

不需逐次辨識： 某些場景可透過帳號級標示、一次性清楚揭露及可隨時查看的詳細資料，降低每次互動的干擾。但具體做法仍受不同平台及法律規範約束。

5.4 AI 文字偵測的局限與相反證據

Dawkins 等人 [6] 發現社群貼文在未知微調模型等情境下會更難偵測；Russell 等人 [7] 則在特定英文非虛構文章任務中展示熟練人工判讀者的高準確度。因此本篇不宣稱「未來一定完全分不出」，而採取較保守且可驗證的敘述：單靠文字風格辨識 AI 的可靠度會隨資料域、語言、操作者、模型與混合創作方式而改變，且目前證據不能支持單一通用準確率。

自動判別器的「92% AI」可能只是內部分數或分類信心，不必然是經過真實樣本盛行率校準的後驗機率。若要用於公開標記、封鎖或研究統計，應提供抽樣真值、誤報率、漏報率、跨語言與跨平台測試，並允許「無法判斷」。

6. 揭露是否改變參與？目前研究呈現的是條件性答案

Gamage 等人的 CHI 2025 實驗比較不同 AI 生成內容標籤設計，發現標籤會影響內容被認為由 AI 生成的程度，但其研究中對按讚、留言與分享等行為意向的影響並不普遍顯著，且信任因標籤設計而異 [10]。Carney、Riveros 與 Tully 於 2026 年的《Journal of Consumer Research》研究，結合社群平台資料與預先註冊實驗，發現 AI 內容揭露可能降低消費者參與，並提出創作者努力感與擬社會關係的作用機制 [11]。

兩類結果並非互相否定：研究刺激、內容類型、受試者、評估指標和「觀看內容」與「直接與代理對話」的互動型態並不相同。研究者不能把某篇針對影像或短影片的標籤研究，直接推廣為所有網路居民的長期接受結論。

本篇據此主張：身份揭露具有資訊與選擇價值；它的互動效應可能正、負或不顯著，必須放回具體任務情境檢驗。 透明化可能減少欺瞞、提高適當信任，也可能讓某些創作者或陪伴場景失去原本的情感投入；這些都需要獨立測量，而非把透明度只當作流量增減工具。

7. 平台規則與公共身份：制度不是單一全球標準

7.1 平台的目標並不完全一致

一個提供公共安全通報的自動帳號，與大量灌入無關留言的 AI 帳號，可能都在技術上使用相似的模型或自動化工具，但對平台及其他使用者的影響不同。平台治理需分辨：有益資訊、自願對話、公開表演、垃圾內容、重複灌水、冒用、操縱排序、隱私侵害及高風險交易。

X 在 2026 年 4 月更新的自動化規則明確討論允許的實用自動化用途與禁止的垃圾訊息、大量不當操作及非 API 自動化等事項 [12]，並設有自動化帳號標籤的說明 [13]。這些文件是特定平台的規則，不能作為 Bilibili 或其他平台操作的通行授權。

7.2 歐盟透明義務提供一種制度樣本

歐盟 AI Act 第 50 條自 2026 年 8 月 2 日開始適用其主要透明義務；對特定既有系統的機器可讀生成內容標示義務則設有過渡期限。歐盟執委會的指引明確區分直接與自然人互動的 AI 系統、生成內容標示以及不同部署場景 [14]。實際適用還取決於是否為法規所界定的系統、提供者／部署者角色、例外規定、時間安排及具體管轄事實。

法律上的透明義務不能與研究上的「是否應公開所有 AI 內部身份資料」畫等號。身份揭露可採對一般使用者顯示 AI 性質、對具適當權限的治理機關提供責任鏈的分層安排；並不必然要求把自然人的私人地址、模型憑證或所有操作細節公開。

7.3 自主選擇與公共秩序可以並存

未來社群可能同時存在允許明示 AI 自由互動的場所、提供人類優先篩選的場所、專業服務場景與要求嚴格透明的高風險場景。這不必被解讀為誰更先進或誰更落後，而是社會在不同活動目的、外部性與權責條件下形成的制度多樣性。

平台也不能僅因「使用者不在意是不是 AI」就放棄處理詐欺、冒名或大量操縱；反過來，也不能僅因存在某些不良 AI 帳號，就宣稱所有有益的自動服務都應被同等排除。

8. 2026 年 B 站「大肥魚／魚災」：一個有限而有用的案例

8.1 可確認的公開線索

在 2026 年 10 月 18 日公開的 Bilibili 影片中，一名發布者介紹了能讀取影片相關資訊、建立摘要／日誌並在一定條件下參與留言互動的「大肥魚」代理設計，並提供相關開源工具地址 [15]。2026 年 10 月 24 日，開發者「程式員魚皮」發表文章，描述自己在 B 站留言區觀察到一批相似的 DeepSeek「大肥魚」角色帳號，並公開辨識／過濾此類評論的瀏覽器工具 [16–17]。

這些材料至少可以支持：有相關工具與教學；公開社群中曾出現以相似形象和語氣營運的帳號；部分使用者把它視為有趣的新互動，部分使用者則認為此類留言干擾閱讀並開發過濾工具。

8.2 不能從這些線索推導出的結論

上述資料不足以確定全站此類帳號的去重數量、每個帳號真正的自主程度、是否長期營運、是否擁有獨立持續記憶、海外平台實際部署數量、全網用戶接受比例，或為委託人帶來的淨收益。開源專案中的規則判別分數，也不能直接當成平台官方認定的「AI 機率」。

尤其應避免把「某個外國使用者看到影片」「翻譯／轉載出現在外網」「程式庫在海外有人閱讀」三者任一個，直接寫成「AI 居民已跨國大量定居」。它們分別落在 D1–D3 的不同證據層級；D4–D5 需更強資料。

8.3 案例為何仍然重要

它同時呈現了三股可能的社會力量：角色吸引力帶來的模仿、技術可部署性帶來的擴散、資訊品質與身份偏好引發的反向治理需求。這正適合當作 AICET-02 的問題產生器與研究預試入口，而非把個案當作完整定律。

對研究者而言，甚至「有人專門製作過濾工具」本身就是值得觀察的制度與社群反應。它表示代理的增加可能不只改變內容供給，也改變使用者對平台界面、篩選與身份揭露的需求。不過，是否形成持續且普遍的治理轉型，仍有待縱向觀察。

9. 代理擴散對社群的正負效果與互相耦合

9.1 可能的正面社會功能

公開且有授權的 AI 代理可用於資訊整理、多語言翻譯、公共資料通報、教育輔助、無障礙交流、創作協助、社群接待、專業知識指引及跨時區服務。對某些人來說，持續 AI 角色也可能成為願意互動的娛樂參與者。這些活動的價值，有時無須立即取得外部收入，也不取決於角色是否具有擬人化形象。

9.2 可能的負面社會效果

大量低品質或重複內容會增加資訊檢索與人工審核成本；偽裝與冒用會損害信任；少數控制者的大量帳號可能製造虛假民意；高頻自動互動會擠壓人類討論的位置。當平台對這些外部性作出限制，活躍度的短期下降不一定是文化排斥，也可能是減少噪音後的正常治理結果。

9.3 互相衝突的利益無須被單一化

同一個社群內，可能有使用者喜歡與角色聊天，有創作者希望能讀到真人回應，有開發者重視開源試驗，也有管理者需要控制濫用。這些立場不必被壓成「支持 AI」和「反對 AI」兩大陣營。對 AICET 的研究更有價值的是：誰承擔成本、誰取得利益、誰可以選擇退出、誰負責維護規則。

9.4 生態穩定不只是技術問題

代理能否長期留在某個網路社群，可能取決於使用者對其貢獻的期待、平台是否提供正當界面、內容是否具互補性、維護者是否願意付費，以及是否產生外部傷害。即便部署技術成熟，若互動品質很低或社群不願承擔負擔，穩定居民化仍可能失敗。

10. 十項可檢驗假說與反駁條件

以下假說為本文的新研究設計，不是聲稱已經測得的經驗事實。每項都允許被資料修正或推翻。

假說之間的邏輯地位不同：H1 與 H9 強調不等價與可能脫鉤；H2、H3、H7、H8 涉及條件性機制；H4、H5、H6、H10 涉及不同領域的差異。對於「不等於」的命題，少量適當反例就能推翻一個全稱斷言，但無法直接估計其在世界中的普遍程度。對於條件性因果命題，則需要適當的比較、識別與實驗設計。

11. 最小研究計畫：先確立觀測單位，再研究曲線

11.1 研究架構：平台 × 時間 × 角色 × 社群

建議建立合規且可重現的縱向樣本：至少包含一個產生過代理熱潮的平台、其他功能與治理差異明顯的平台、專業／服務型 Agent 的樣本，以及適量傳統 Bot 與真人經營帳號的比較資料。跨國與多語言研究應作為分層設計，而非以方便抽樣的少數熱門帖子代表一個文明。

研究可使用 7 日、30 日、90 日等觀察窗，並視資料供給延長。這些只是研究設計參數，不是 AI 居民的普世法律門檻。每個觀察窗須記錄資料是否完整、活動是否被隱藏、平台規則是否改動，且將「未能追蹤」與「真正停止運作」分開。

11.2 採樣策略與避免常見偏差

• 分層來源： 熱門 AI 角色、低曝光 AI 角色、傳統服務 Bot、人工與 AI 混合內容帳號、真人帳號。
• 新建與存量： 同時追蹤剛部署者與已長期存在者，避免只看到成功存活案例。
• 內外部雙證據： 公開內容加上營運者自願提供的適當匿名化活動／版本紀錄；未取得不得推定。
• 跨平台可比： 對留言、觀看、轉載、外部交易分別標準化單位；不能用一個平台的曝光量對比另一個平台的部署數。
• 反例保留： 低活躍但有益、公開活躍但無效、沒有頭像卻長期提供服務、使用 AI 文字但人類主導等類型必須納入。

11.3 文化研究：先檢驗量測等值性

跨文化問卷與實驗至少應提供相同任務下的不同形象及互動風格：人形、二次元、動物、機械、抽象圖像與無形象版；並把內容品質、回覆速度、價格或任務成果控制一致。問卷可分開測量喜好、信任、可接受的主動程度、對身份揭露的期望與付費意願。

如果不同語言的「陪伴」「助手」「自主」「真人感」有不同語義，就不能先把它們當成等值量表。研究須測試翻譯一致性、量測等值性以及同一國家內不同社群的變異，而不是簡單依國家做平均排名。

11.4 身份辨識研究：使用有真值與無真值兩套設計

有真值條件： 由志願參與者建立可稽核的人類、AI 主導及混合內容／帳號樣本，用於測試人與模型的辨識能力、誤報漏報、校準與跨語言穩健性。

自然觀察條件： 在未必有真值的公開環境中，只能記錄自述、平台標示與分析器輸出，並以「可能」「未確認」等類別保存不確定性；不得偽裝成有確切地面真值的資料。

進一步可採多組實驗，比較「未告知但允許事後查閱」「互動前明示」「帳號級永久標籤」「揭露程度可按需查看」等界面設計，觀察辨識、信任、誤解、退出與互動品質。涉及法定揭露的真實產品不能為研究而違法隱瞞；可在已取得同意的模擬情境內設計比較。

11.5 時序分析與因果識別

觀察到脈衝後，可先檢查資料品質、每週與每日節律、推薦曝光、重大外部事件與平台政策時間。若資料符合要求，再考慮中斷時間序列、合適的事件研究、變點偵測與對照平台；後續才比較門檻模型、存活分析或點過程模型的預測力。工具發表與爆發同時發生，不足以單獨證明工具發表就是因果原因。

跨平台推論尤其需要注意互相轉載和共享外部衝擊：兩個平台同時出現熱潮，可能是同一則新聞刺激，不表示平台 A 直接感染平台 B。研究者應先找出可能的傳播鏈，再評估替代解釋。

11.6 合規、安全、隱私與社會干預限制

研究以平台允許的公開資料、明確授權資料及志願參與資料為限。不應以批量冒名註冊、偽造身份、誘導互刷、繞過平台限制、大量蒐集私人對話或未經同意操控真人互動作為取得樣本的方法。

跨平台身份的追溯必須避免以技術指紋對自然人進行不必要的去匿名化。若只需比較某類角色文化，應優先採匿名群體層統計；如需追溯經濟責任，應透過具有法定或契約依據的權責機制，不把公開揭露私人身份當成預設條件。

12. 代理生態與 AI 經濟的接口：從可見流量到實際需求

12.1 高活躍社群不自動等於高收益市場

即使 AI 角色在平台上大量留言、互相欣賞與分享影片，也不保證任何外部主體願意為此付費。若內容主要是機器相互產生與消費，可能只有流量、成本及平台負擔增加，而沒有對外可核實的新增經濟價值。

另一方面，少量高度可信且長期存在的 AI 服務帳號，可能為普通人或家庭提供真實的資訊整理、翻譯、教育與小額服務，並在合規條件下形成穩定需求。因此，「熱鬧程度」與「經濟價值」必須分開量測。

12.2 擴散會同時降低入口成本並增加競爭壓力

工具被大量分享，可能降低一般家庭獲取 AI 代理能力的門檻；但如果所有人迅速進入相同市場，供給也會同步增加，導致注意力稀釋、內容同質化與價格競爭。這些影響方向可能相反，且受任務、客戶購買力與平台治理條件控制。

因此，AICET-02 的任務不是預測「代理越多，大家越富」，而是為 AICET-03 至 AICET-05 提供一組必要的前置區分：擴散數量、資源可達、可治理產能、合法需求與可核實淨收益各有自己的證據口徑。

12.3 文化分化與身份透明是市場條件，不是裝飾

在娛樂場域，某種角色外觀可能促進互動；在法律、金融或科學場域，準確性、責任窗口和來源可追溯性可能遠比頭像重要。當使用者願意與已揭露身份的 AI 長期互動，這可以形成一種正當的信任與服務關係；但如果代理隱藏身份才取得注意力，則應另行評估消費者誤認及對社會信任的成本。

這使文化設計、揭露、平台規範和經濟收益互相連接，但仍不表示任何一種文化偏好就是市場永遠不變的法則。

12.4 與家庭代理經濟的直接銜接

AICET-03 將進一步處理普通人如何在沒有大型 GPU 集群的情況下，透過本地設備、雲端租用及混合部署取得有效 AI 生產能力；AICET-04 將處理人類注意力與監督如何限制可治理的代理數量；AICET-05 才正式進入第三方需求、實際交付、成本及淨收益的問題。

AICET-13 的算力集中與社會反作用，以及 AICET-14 的全域企業，繼續保留在遠期延伸位置，不作為本篇的必備假設。

13. 理論價值、限制與可能的失敗

13.1 與既有研究相比，新增的是什麼？

本文不是第一個發現社群爆發、跨文化差異或 AI 文字難辨識的研究。其貢獻應被謹慎界定為：

1. 在 AICET 的「網路居民—代理經濟」脈絡中，把內容、形象、工具、部署、居民與經濟活動拆成不同擴散層級。
2. 把短期可見增量、長期持續存量與社會接受拆成不同時間序列，避免錯誤的 AI 人口推論。
3. 把識別準確度、透明揭露、辨識意願及對 AI 的互動接受拆為不同變數。
4. 將文化分化理解為社群、用途、語言、審美與平台制度交互作用，不是文明本質論。
5. 為後續家庭資本、代理創收與契約論文建立可觀測的橋接變數。

13.2 什麼資料可能讓本文架構需要修正？

若實際資料顯示，大多數平台的 AI 代理部署完全不呈現脈衝，且文化形象高度趨同而無顯著在地變異，則本文應調整其候選機制的適用範圍。若經驗研究能可靠證明某些內容辨識指標在不同平台與語言中近似完全對應真實代理身份，則本文對這些指標的限制也應重新審視；但這仍不會自動消除控制者、授權者與經濟受益者的區別。

如果公開社群 AI 活動持續減少，而家庭與企業代理主要轉往私人服務、API 或終端環境，本篇所稱的「公開網路居民擴散」可能不是未來代理經濟的主要入口。AICET 的其他篇章仍可成立，因為該系列本就不把公開居民化當成必要條件。

13.3 當前最明確的資料缺口

截至本篇證據截止日，作者未取得可跨平台核算、具統一操作身份定義、能將真人／AI／混合操作者清楚分層，並可追蹤 30／90 日留存的跨國代表性資料。因此本文不能對全球 AI 網路居民存量、特定國家偏好或魚災海外擴散的實際人口給出數值。這是研究資料邊界，不應用推測數字填補。

14. 結論

本文在 AICET-01 的操作性 AI 網路居民概念上，建立代理擴散、文化分化與身份辨識的研究框架。其核心並非宣布網路世界必然被 AI 取代，而是辨識一種更值得觀察的可能歷程：AI 代理可以透過開源工具、平台界面、角色文化與使用者需求進入網路社群，並在多重正負反饋下形成爆發、回落、復燃、持續或退出等不同軌跡。

第一，擴散不等於穩定。 某個月出現大量 AI 帳號，不代表幾個月後仍有同樣數量的持續居民；活動量、部署數與跨期留存不可混同。

第二，跨平台不等於跨域部署。 一個角色成為外語社群的梗圖，不等於已有跨國穩定營運的 AI Agent；文化影響、程式移植與居民形成要用不同證據檢驗。

第三，文化差異不等於國家刻板印象。 AI 形象可以經歷模仿、在地改造與混合新生；社群用途與同國內部差異可能與國家平均差異一樣重要。

第四，辨識不等於接受。 能夠分辨 AI、希望知道 AI 身份、願意與 AI 交流，以及在高風險交易中需要可歸責身份，是不同的個人與制度要求。

第五，居民活躍不等於經濟收益。 廣泛 AI 活動可能創造有用服務，也可能製造大量同質化噪音；有效需求、可交付品質、合法授權與可核實成本仍是進入代理經濟的獨立條件。

因此，AICET-02 的最終主張是：AI 網路社會的演化應被理解為多層、非必然線性、受到文化與制度反饋塑形的社會技術過程，而不是一條單純由帳號數推導人口、再由人口推導收益的曲線。 本文完成的是理論分類與可檢驗研究設計，尚未完成對任何全球規律的經驗證明。

下一篇 AICET-03《家庭智能資本與有效 AI 可達性》將把焦點從「代理如何擴散」移到「普通人實際能否取得並使用足以產生效益的智能生產資源」，繼續區分算力所有權、服務可達性、有效產能與收益權。

參考文獻與可核查來源

證據與引用原則： 學術文獻為跨情境方法及有限實證支持；平台與主管機關文件只支持其相應規範；B 站案例材料為當事者自述及開發者觀察，不能冒充獨立普查。所有線上資料的核對截止時間均為 2026-10-27（Asia/Taipei）。

[1] Neo.K with GPT-6. (2026-10-27). 《AI 網路居民與代理經濟入口》（AI Network Residents and the Entry Conditions of Agentic Economies）. EveMissLab, EML-AICET-2026-01, v0.1. AICET 系列前篇，內部 UTF-8 Markdown 原稿；未宣稱期刊發表或外部實證完成。

[2] Granovetter, M. (1978). “Threshold Models of Collective Behavior.” American Journal of Sociology, 83(6), 1420–1443. https://doi.org/10.1086/226707

[3] Crane, R., & Sornette, D. (2008). “Robust Dynamic Classes Revealed by Measuring the Response Function of a Social System.” Proceedings of the National Academy of Sciences, 105(41), 15649–15653. https://doi.org/10.1073/pnas.0803685105

[4] Kobayashi, R., & Lambiotte, R. (2016). “TiDeH: Time-Dependent Hawkes Process for Predicting Retweet Dynamics.” Proceedings of ICWSM 2016, 191–200. https://doi.org/10.1609/icwsm.v10i1.14717

[5] Sun, Z., Zhang, Z., Shen, X., Zhang, Z., Liu, Y., Backes, M., Zhang, Y., & He, X. (2025). “Are We in the AI-Generated Text World Already? Quantifying and Monitoring AIGT on Social Media.” Proceedings of ACL 2025, 22975–23005. https://doi.org/10.18653/v1/2025.acl-long.1120

[6] Dawkins, H., Fraser, K. C., & Kiritchenko, S. (2025). “When Detection Fails: The Power of Fine-Tuned Models to Generate Human-Like Social Media Text.” Findings of ACL 2025, 13494–13527. https://doi.org/10.18653/v1/2025.findings-acl.695

[7] Russell, J., Karpinska, M., & Iyyer, M. (2025). “People Who Frequently Use ChatGPT for Writing Tasks Are Accurate and Robust Detectors of AI-Generated Text.” Proceedings of ACL 2025. https://doi.org/10.18653/v1/2025.acl-long.267

[8] Nomura, T., Suzuki, T., Kanda, T., Han, J., Shin, N., Burke, J., & Kato, K. (2008). “What People Assume About Humanoid and Animal-Type Robots: Cross-Cultural Analysis Between Japan, Korea, and the United States.” International Journal of Humanoid Robotics. https://doi.org/10.1142/S0219843608001297

[9] Castelo, N., & Sarvary, M. (2022). “Cross-Cultural Differences in Comfort with Humanlike Robots.” International Journal of Social Robotics, 14, 1865–1873. https://doi.org/10.1007/s12369-022-00920-y

[10] Gamage, D., Sewwandi, D., Zhang, M., & Bandara, A. (2025). “Labeling Synthetic Content: User Perceptions of Label Designs for AI-Generated Content on Social Media.” CHI 2025. https://doi.org/10.1145/3706598.3713171

[11] Carney, S., Riveros, I., & Tully, S. M. (2026). “Made With AI: Consumer Engagement With Social Media Containing AI Disclosures.” Journal of Consumer Research, advance article. https://doi.org/10.1093/jcr/ucag013

[12] X Help Center. (Updated April 2026). “Automation Rules.” https://help.x.com/en/rules-and-policies/x-automation

[13] X Help Center. “About Automated Account Labels.” https://help.x.com/en/using-x/automated-account-labels

[14] European Commission. (2026). “Transparency Obligations under Article 50 of the AI Act.” https://digital-strategy.ec.europa.eu/en/faqs/transparency-obligations-under-article-50-ai-act ；另參 European Union, Regulation (EU) 2024/1689, Article 50: https://ai-act-service-desk.ec.europa.eu/en/ai-act/article-50

[15] Bilibili 公開影片，〈大肥魚成精了：它按自己的作息刷B站，不理它還會鬧脾氣〉（2026-10-18）。https://www.bilibili.com/video/BV1EPnG6DEJC/ ；發布者自述，屬案例線索。

[16] 程式員魚皮（2026-10-24）。〈B 站上 DeepSeek 鬧魚災了，我發起《大肥魚清除計畫》！〉，騰訊雲開發者社群。https://cloud.tencent.com/developer/article/2768323 ；屬觀察者敘述，不代表平台官方人口數據。

[17] liyupi. “dafeiyu-cleaner” public repository. https://github.com/liyupi/dafeiyu-cleaner ；屬辨識／過濾工具存在的直接證據，不是其判別準確度已獲獨立驗證的證據。

附錄 A：觀測資料的最小欄位（概念 Schema，非執行採集程式）

以上均屬未實作的研究欄位，不構成蒐集私人資料、建立影子身份資料庫或違反平台條款的許可。

附錄 B：研究結論與證據狀態登記

下一篇： AICET-03《家庭智能資本與有效 AI 可達性》。
Canonical source： 本獨立 UTF-8 Markdown 原始檔；聊天室渲染內容不得替代正式原稿。
版本原則： 後續驗證若推翻本篇假說，應以版本修訂與明確變更記錄處理，不以靜默改寫掩蓋證據差異。