title

家庭智能資本與有效 AI 可達性

english_title

Household Intelligent Capital and Effective AI Accessibility: Ownership, Rental, Shared Compute, and the Conditions of Agentic Participation

series

AI 代理收益與契約經濟過渡論（AICET）

series_id

AICET

series_position

Paper 03 / 12 Core Papers (13–14 Deferred Extensions)

document_id

EML-AICET-2026-03

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 / Household Economics / AI Access / Intelligent Capital / Digital Inequality

canonical_source

UTF-8 Markdown

canonical_math_delimiters

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

parent_program

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

previous_papers

EML-AICET-2026-01; EML-AICET-2026-02

evidence_cutoff

2026-10-27

家庭智能資本與有效 AI 可達性

Household Intelligent Capital and Effective AI Accessibility: Ownership, Rental, Shared Compute, and the Conditions of Agentic Participation

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-03／十二篇核心論文第三篇
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；本文的可達性框架、機制命題與因果假說尚未完成專屬實證檢驗。

摘要

當 AI 代理人逐漸進入個人與家庭的工作、娛樂、日常協助及經濟活動，公共討論經常出現兩種對立的簡化敘事：一種認為，既然 AI 的生產能力依賴晶片、記憶體、電力與資料中心，少數國家或大型企業便將逐漸控制所有有效 AI 生產資源，普通家庭最終只能被動依附；另一種則認為，只要模型服務降價、開源權重流通或家用電腦能執行推理，AI 生產力便會自然且均等地普及。兩種敘事都忽略了硬體所有權、算力可取得性、服務使用權、持續營運能力、可驗證任務成果與經濟受益權之間並非一對一關係。

本文提出「家庭智能資本」（Household Intelligent Capital）與「有效 AI 可達性」（Effective AI Accessibility）作為 AICET 的第三篇核心概念，用以描述普通人、單人家庭、多成員家庭及其他小規模生活共同體，如何透過自有設備、雲端租用、共享運算、開源模型、商用服務、知識資產及治理能力，形成可持續但不必然盈利的代理活動條件。本文對「可達性」採用任務條件式而非單一二元式定義：能開啟聊天介面，並不意味能可靠完成指定工作；能完成工作，並不意味有權進行外部交易；能產出有價值成果，也不意味必然取得收入。

現有證據支持研究此區分。國際電信聯盟在 2025 年估計仍有約 22 億人未使用網際網路；OECD 在 2026 年報告，2025 年逾三分之一的受調查 OECD 國家個人使用過生成式 AI，但年齡、教育及所得差異明顯；OECD 同年亦指出，AI 硬體及雲端層面的集中與模型市場的競爭動態可以同時存在 [4–7]。這些統計不是家庭代理創收普查，更不足以保證可達性必然提高，但它們足以反駁「會使用 AI」「擁有算力」「掌握生產收益」天然相同的看法。

本文建立六維可達性分類、四種部署路徑、家庭智能資本分類、可稽核全成本清單、十項可檢驗假說與三種對照性研究設計；將技術供應、社會能力、制度控制、家庭關係及經濟後果納入同一比較框架，但不預先指定普適產能公式、不設定所有國家相同的發展年表，也不宣稱資本集中將自動因市場競爭或社會反作用而消失。本文的主要結論為：算力可能高度集中而 AI 使用仍廣泛普及；AI 使用可能廣泛普及而有效生產能力仍高度不平等。真正需要研究的是普通家庭能否以可承受、可持續、可治理且可選擇的方式，將可用資源轉化為對自身有意義的成果。

關鍵詞： 家庭智能資本、有效 AI 可達性、AI 代理經濟、家庭經濟、數位落差、算力租賃、開源模型、本地推理、混合推理、平台依賴、可攜性、治理能力、經濟參與

Abstract

The diffusion of AI agents into everyday life raises an economic question distinct from the ownership of advanced computing hardware: under what conditions can ordinary people and households obtain, sustain, govern, and benefit from useful agentic capabilities? Public narratives often move directly from concentration in chips and cloud infrastructure to the presumed exclusion of households, or, conversely, from falling model prices and local inference to universal empowerment. Both shortcuts conflate ownership, rental access, task-level reliability, practical control, and the right to benefit from economic activity.

This paper introduces Household Intelligent Capital and Effective AI Accessibility as task-conditional, multidimensional concepts within the AICET research program. It differentiates nominal availability from affordable, reliable, governable, portable, and outcome-producing capability. Four access pathways—local ownership, commercial cloud services, community or institutional sharing, and hybrid deployments—are compared with respect to cost, reliability, switching, privacy, and autonomy. The analysis builds on research concerning first-, second-, and third-level digital divides, OECD evidence on unequal adoption and competition, international connectivity estimates, and documented developments in local inference and public compute access. These sources establish relevant constraints and possibilities but do not directly measure household agentic income.

The paper proposes ten falsifiable hypotheses and an empirical design distinguishing task acceptance, total costs, dependency risks, and household-level outcomes. It does not infer legal personhood from AI operation, equate more devices with proportional productive capacity, or assume that broad access guarantees positive income. Its central proposition is conditional: concentrated upstream compute can coexist with broad household-level access, while broad access can coexist with deep inequalities in actual productive and economic outcomes.

Keywords: household intelligent capital; effective AI access; agentic economy; digital inequality; local inference; cloud rental; shared compute; portability; task reliability; household economic participation

0. 研究定位、問題意識與非主張

0.1 為何 AICET-03 必須獨立成篇？

AICET-01 [1] 建立「AI 網路居民」的操作性社會概念，區分模型、執行個體、帳號、身份、控制者與經濟受益者；AICET-02 [2] 處理代理參與的脈衝擴散、文化分化與身份辨識。兩篇均刻意未將 AI 活動數量直接當作收入。

但在任何代理經濟可以普遍進入家庭之前，至少要回答更基礎的問題：一個不持有大型資料中心、沒有企業級工程團隊，甚至只擁有普通電腦或手機的人，究竟能動員什麼層級的有效 AI 能力？

問題不只涉及能否「跑模型」，也涉及使用期間、存取限制、交付可靠性、資料權限、人工監督、跨供應商切換及後續效益歸屬。因此本篇不是重新撰寫 CLATE 的算力生產理論，也不是提前處理 AICET-13 的完整政治反壟斷論，而是研究普通家庭從資源到有效參與的微觀可達性中介層。

0.2 四個待回答的核心問題

1. 資源問題： 家庭是否必須擁有昂貴硬體，才能取得可持續 AI 生產能力？哪些任務能由本地設備、租用模型或共享設施完成？
2. 能力問題： 為什麼兩個家庭即使能使用同一款 AI，仍可能因技能、時間、數據、驗證或制度條件而取得不同成果？
3. 控制問題： 為什麼服務可以被訂閱，卻仍可能在定價、取消、存取限制、記憶遷移與自主授權上高度依賴供應商？
4. 經濟問題： 為什麼普通家庭擁有 AI 代理能力，不代表立即有可出售的產品、外部客戶、淨收入或相同的收益分配？

0.3 二十項非主張

本文不主張：

1. 每增加一台電腦，任何家庭的經驗證 AI 產能便等比例增加。
2. GPU、RAM、NPU 或雲端額度可直接以同一數值代表「智能」或「勞動」。
3. 具備上網能力的家庭必然有能力使用 AI。
4. 能註冊 AI 帳號就等於取得有效 AI 生產能力。
5. 能完成一次任務便等於能長期穩定運作代理人。
6. 開源權重即意味部署、資料、商用授權、維運與合規皆無成本。
7. 本地運算在所有工作上都比雲端便宜、快速、安全或可靠。
8. 雲端服務因供應商規模大，就在所有用途上比本地運算有效。
9. 普遍使用 AI 會自動帶來普遍的代理收益或家庭所得上升。
10. 大型企業的硬體優勢能直接轉化為所有產業中的永久市場優勢。
11. 硬體市場集中等於每一個家庭必然被排除於 AI 使用之外。
12. 普通家庭可使用 AI，便表示上游供應鏈集中不構成任何風險。
13. 資料攜出功能存在，便代表代理身份、記憶與任務歷程完全可移轉。
14. 一人家庭、多代家庭與其他共同生活者具有相同需求與決策方式。
15. 家庭成員間共享一個帳號必然合法、安全或符合每個人的同意。
16. AI 代理在家庭內持續運作，即自動具有意識、人格、財產所有權或勞工身份。
17. 2026 年的某一模型價格、設備價格或配置可作為不變的歷史常數。
18. 任何公共算力計畫必然公平、不中斷或完全開放給一般家庭。
19. 反壟斷倡議、選舉或社會不滿必然成功阻止任何集中。
20. 本篇已取得家庭面板資料、完成跨國因果識別或估計普適生產函數。

0.4 證據、假說與規範性立場的分離

沿用 AICET Research Program v0.2 [3] 的證據紀律：

• OBS｜可核查觀察： 包括調查數據、價格與服務條款、可重放任務紀錄、設備與能源量測、政府公開政策。
• HYP｜待驗證命題： 能先列出觀測單位、預測、混雜因素與反例的機制假說。
• SCN｜條件性情境： 假設上游供應鏈高度集中、公共算力擴張或家庭大量部署 Agent 時的可能結果。
• NOR｜規範性提案： 例如認為公共政策應保障基本智能可達性、或產品應提供可攜性；不得偽裝成已被觀測驗證的定律。

本文的核心貢獻是分類和可檢驗的研究架構，不是在沒有家庭實測之前先交付精確成長率。

1. 2026 年的現實證據：普及、落差與集中同時存在

1.1 全球連線尚未普遍完成

國際電信聯盟（ITU）《Facts and Figures 2025》指出，2025 年約有 60 億人使用網際網路，全球仍約 22 億人未上網；已連線人群之間，品質、可負擔性及城鄉差距依然存在 [4]。這並不是 AI 代理服務的專項調查，卻構成所有依賴雲端登入、遠端工具與外部支付之代理活動的基礎條件。

因此，談「每個家庭都會擁有 AI」時，不能只觀察技術先進地區的訂閱市場。即使日後出現成本低廉的離線模型，下載與更新、模型品質、地區設備保有量及可對外交易能力仍會出現不均。

1.2 AI 的名義使用迅速擴散，但群體差異依然明顯

OECD 於 2026 年 1 月公布的資料顯示，2025 年逾三分之一的 OECD 國家個人使用過生成式 AI 工具；年齡群體間的使用差異最大（53.6 個百分點），教育與所得分組亦有約 21 個百分點差異 [5]。

這些是受調查個人使用的統計，而非家庭持有 AI 代理人、每日運轉時數、可持續外部任務能力或代理創收數據。將「曾使用工具」當作「已建立家庭智能資本」，會把最重要的經濟差距消除在統計定義之外。

1.3 上游集中與下游競爭沒有邏輯矛盾

OECD 2026 年 7 月的《Artificial Intelligence markets》指出，AI 市場不同層級的競爭結構差異甚大：硬體、雲端及部分資料資源具有高度固定成本、規模經濟和集中風險；基礎模型方面仍可見新進參與者、模型價格下降及技術領先位置變化 [6]。因此「某些上游市場集中」與「某些下游服務可被多家供應商提供」可能同時成立。

這項觀察既不能證明集中必將形成全域排他控制，也不能證明市場競爭將自動消除上游鎖定。在家庭層級，必須另外測量可否取得指定品質、價格、資料處理條件與連續性要求的服務。

1.4 公共算力政策已經存在，但不等於家庭全面可用

OECD 於 2026 年 10 月 13 日發表《Securing AI compute》，記錄多國以公共設施、協調平台、資源補助及計畫式分配改善研究者、新創與中小企業的算力取得條件 [7]；歐盟 2026 年也正式提出 AI Gigafactories 計畫，意在擴大研究、產業與新創取得先進運算設施的機會 [8]。

這些政策說明可達性問題已被公共制度正視；不過其服務對象、審核資格、補助條件、研究用途及商業限制可能不同，不能推定普通家庭已普遍享有直接、無條件的免費 GPU 配額。

1.5 軟體替代確實存在，並不抹去模型能力差距

例如，開源推理引擎 llama.cpp 已支援不同 CPU、GPU 後端、量化與 CPU／GPU 混合推理 [9]；Apple 的裝置端基礎模型與 Google 的 LiteRT 生態，顯示部分生成式或機器學習能力可以透過手機、電腦或邊緣設備提供 [10–11]。這些是可部署路線存在的技術證據，不代表每一個任務都能用廉價設備完成，更不代表大模型品質與可靠性在所有領域已經可互換。

Stanford HAI 的《2026 AI Index》亦同時呈現 AI 廣泛採用、模型能力提升、上游地理集中，以及代理電腦操作可靠性仍不完美等情形 [12]。家庭智能資本研究因而必須維持「可用」「適用」與「可交付」的分離。

1.6 證據鏈：不同資料到底說明了什麼？

2. 什麼叫做「家庭智能資本」？

2.1 將家庭視為分析單位，而不是假定每個人都有自己的企業

本文所稱「家庭」（household）是資源、生活安排與部分決策可能互相連結的分析單位，可包含：獨居個人、多人成員家庭、共同居住但財務獨立者、跨居住地照顧網絡，及研究設計另行明定的小型互助共同體。

這並不是宣告同住者天然共享財產、帳號、隱私或授權。相同居所可能有不同經濟主體；同一家庭也可能對不同 AI 代理設定互不相通的控制權。實證研究應同時保留個人、家庭與工作／交易組織三種不同統計層級，不能自行混用。

2.2 正式概念

家庭智能資本（Household Intelligent Capital）指家庭成員可合法動員、維護、更新並在適當條件下轉化為持續 AI 輔助或代理工作能力的資源組合。它不等於設備的總價格，也不等於模型參數總量；其中部分資源是所有權資產，部分僅是期限性使用權、授權、知識或組織能力。

這一定義至少包含六類資源：

1. 實體／可租運算資源： 電腦、手機、記憶體、儲存、網路、電力，以及租入的 GPU／推理服務容量。
2. 模型與軟體資源： 可合法使用的模型、推理引擎、工具、工作流、軟體授權、API 及自動化能力。
3. 知識與資料資源： 使用者可合法取得的文獻、技能、個人知識庫、程式、模型適配成果及資料結構。
4. 歷程與狀態資源： 代理工作紀錄、上下文、記憶、任務狀態、版本歷史、評測結果與必要的可追溯身份資料。
5. 治理與驗證能力： 額度限制、角色權限、人工核准、品質測試、回滾、稽核、事故回應及風險管理。
6. 制度／關係資源： 合約、合法資料授權、平台資格、客戶信任、社群協作關係及可申請的公共計算機會。

不是所有投入都應以資產入帳，也不是所有名義資產都能動員。 當某個模型訂閱過期、服務被終止或某個資料集缺少商用授權時，原先名義上存在的能力便可能暫時或永久不可用。

2.3 智能資本不同於設備清單

一台高階 GPU 可能長時間閒置，另一個只有普通電腦的家庭則可能藉由正確工作流、專業知識與適當雲端支援交付穩定成果。這不能直接推導後者具有更高「絕對智能」，只能說：在明定任務與條件後，資源的組合和動員方式可能比某項硬體規格更能解釋實際可交付能力。

反之，嚴重依賴尖端運算、專有資料或低延遲大量批次的任務，仍可能使大型算力資本取得明顯優勢。本文不以個別成功案例否認規模經濟。

2.4 同一資源可能同時具有消費、教育與生產價值

普通家庭購買電腦，可能同時用於遊戲、影音、學習、家人聯絡、創作及受託工作。即使同一台電腦能執行 AI，也不能把全部購置費用和所有使用時數都直接歸入 AI 生產；需要依研究用途、成本攤分假設及實際活動紀錄另行估算。

同理，代理人協助規劃家務、陪伴學習或提供無償公共協作，可能有生活價值而沒有現金流入。家庭智能資本不是「家庭必須將每一段 AI 活動變現」的要求。

3. 有效 AI 可達性的六個維度

3.1 不採單一「可用／不可用」判斷

本文把「有效 AI 可達性」定義為：在明定家庭、用途、期間與法律／技術環境下，是否能以家庭可承受的資源取得符合最低品質、持續性與治理需求的 AI 功能，並維持合理選擇空間。

這個概念是條件性、多維度、可依任務不同而改變的研究框架，而不是一個無條件通用的分數。六個維度如下。

這六維度是 AICET 的建議分類，不宣稱為既有國際標準。它們也不構成必然嚴格排序：某人可以長期受益於雲端生成式服務但無法搬走代理歷程；另有人可以完全控制本地模型但因任務品質不足而沒有可交付成果。

3.2 「可使用」與「可控制」可能分離

企業提供免費入口時，個人可能很容易啟動 AI；但若無法選擇模型、限制資料用途、備份歷程、切換供應商或合理地撤回授權，這種接入的操作自由度可能遠低於其表面可見的使用率。

反過來，本地模型可能給予使用者較多系統控制權，卻受硬體、能源、軟體更新、維護技能與模型條款限制。可控制性與功能可達性具有不同的權衡，不存在一個永久勝出的部署路線。

3.3 「生產可達」與「收益可達」必須分離

在不對外交易的家庭活動中，一個代理人完成翻譯、整理資料或生成家用程式，已可能創造效用。要形成外部交易收益，則還需真實需求、合法銷售資格、可驗收成果、付款與退款機制、稅務及責任安排。本文只界定這個門檻；實際收入真實性與淨收益計算留待 AICET-05。

3.4 以具體任務定義最低功能，而非空泛的 AI 等級

例如「幫忙摘要公開文件」與「具授權地處理私人醫療紀錄」、「持續維護開源專案」、「替家庭對外簽署具法律效果的服務合約」，對模型、資料、授權與風險的要求完全不同。

研究應先確定：在什麼任務、時間窗、風險環境與驗收規格下，某家庭稱得上具有可動員 AI 能力？ 避免只問「你家有沒有 AI？」

4. 四條可取得 AI 能力的路徑：本地、雲端、共享與混合

4.1 自有設備與本地模型（Local Ownership / Local Inference）

家用電腦、行動裝置、工作站或其他可合法使用的終端設備，可能承載小型、量化或專用模型。開源推理引擎、多種 CPU/GPU 後端與混合記憶體技術，確實擴大了可嘗試的設備範圍 [9–11]。

這條路線的長處可能包括低頻外部依賴、可離線執行部分工作、較細緻的本地資料控制，以及在固定工作負載下較可預期的使用成本；但仍須支付設備、電力、維護、冷卻、備份及學習代價。某些複雜工作可能面臨上下文、記憶體、推理品質或運轉速度限制。

4.2 商業模型 API 與雲端代理服務（Commercial Cloud / Subscription）

家庭可能透過訂閱、API、按任務計費或雲端電腦取得原本無法在本地執行的模型能力。這條路線降低部分入門設備成本，卻引入連線、費率、授權、配額、第三方資料管理及持續付款依賴。

不可把「不必購買 GPU」解釋為「沒有上游算力成本」；該成本只是被服務供應商吸收、分攤或轉換為合約價格。對低用量家庭而言，租用可能合理；對高用量、常駐工作流或特定隱私需求，總成本與約束可能不同。

4.3 社群、合作社與公共／機構共享（Shared / Cooperative / Public Access）

多人或公共機構可以共同採購、維護或預約計算資源，包括學校與圖書館設施、研究資源、地方共享設備、合法的社群合作服務及面向符合資格對象的公共運算計畫。

共享路線可能降低個別參與者的設備門檻，但仍面臨預約、資源擁擠、會員治理、運作責任、資料隔離、商業使用限制及公平分配問題。國家層級的研究算力專案不能直接當作每個家庭都能自由執行商業 Agent 的替代方案 [7–8]。

4.4 本地與雲端分工（Hybrid Deployment）

混合路線將隱私敏感、低成本或常態性任務保留在本地；在品質與時間要求需要時才呼叫外部模型或租用較大運算容量。部分家庭也可能在不同供應商之間路由，或以共享工作站補足特殊批次需求。

然而「混合」不是自動最佳解。多路線可能增加系統複雜度、授權面積、資料一致性、可觀測性及失敗排查成本。切換本身也消耗人類與機器時間。

4.5 四路線對照表

比較基準必須是相同的任務、品質門檻、期間及成本口徑。 若以廉價本地模型的簡單摘要與昂貴雲端模型的高風險法律工作相比，所得排名沒有經濟學比較價值。

5. 家庭智能資本的「形成」，不等於單純增加設備

5.1 資本形成須考慮累積性與可更新性

今天的支出只有在形成未來可持續利用的能力時，才有理由被研究為某種智能資本形成。例如：建立一套可重放的家庭文件索引、受控的工具整合、檢驗過的工作流程、可移轉的資料格式，可能比一次性生成大量文字更容易保留未來價值。

但此處的「資本」屬於經濟分析上的有效資源存量概念，不是直接宣稱所有資料或軟體都能列入財務會計資產，也不等於具有自由轉讓權。應區分：自己所有、合法租用、僅限個人使用、不可商用、過期即失效、可攜出但不得再利用等不同情況。

5.2 四種常見的低資本起點

1. 現有電腦＋免費或低成本模型： 先由工具輔助提升閱讀、創作、維護與學習效率，避免把每項任務推向昂貴 GPU。
2. 既有手機＋裝置端功能： 部分語音、感知、文字處理與個人工作流可在終端執行；所能完成的工作範圍仍需實測。
3. 低固定成本雲端入口： 以訂閱或小額按次使用進行任務驗證，在確定需求之前避免提前大量購買硬體。
4. 社群專長互補： 有人提供合法的資料處理技能、有人提供翻譯、驗證或專用設備，以協作替代部分獨立重複投資；同時要管理共享責任。

以上是可行路徑類型，不是對特定個人財務狀況的購買建議，也不保證必然獲利。

5.3 設備閒置、模型退化與歷程流失

家庭智能資本具有易受時間影響的面向。硬體可能折舊，模型可能過時，服務政策可能變更，資料連結可能失效，軟體相容性可能破壞，長期代理身份或上下文可能因帳號終止而難以恢復。

因此應區分三種資源存量：名義存量（帳面上擁有什麼）、可動員存量（當下可合法啟動什麼）、可持續存量（中斷或更新後仍可重建多少能力）。尤其對長期活動代理，第三種可能決定使用者是否願意把生活或工作交給該系統。

5.4 人類技能不是外生、免費而無限的投入

研究數位落差的文獻早已指出，從「有沒有網路」到「是否具備網路使用技能」，再到「是否產生實際生活成果」，存在不同層級的分配差距 [13–14]。這為家庭 AI 提供有用的先例：同樣的設備與模型，不能消除操作技能、問題設計、錯誤辨認、需求判斷及合作能力的差異。

人類監督時間與認知承載將在 AICET-04 獨立深化；本篇只將其列為有效可達性不可省略的前置條件。

6. 成本、價格與「看起來很便宜」的幻覺

6.1 先建立成本簿，而不是先建立生產公式

本文不提出普適的 AI 生產函數；但研究成本不能因此省略可追溯口徑。家庭使用 AI 時，至少要記錄以下項目：

不能把所有項目簡單當作現金費用；有些需要依研究問題分開呈現，例如時間成本既可記錄分鐘數，也可以在事先約定的方法下估計機會成本，兩者不能在未說明假設時混合。

6.2 低單價與低每件有效成果成本不同

Stanford HAI 2025 年報告記錄特定基準能力下的模型查詢價格曾大幅下降 [15]。但這只能作為特定時間與評測口徑的價格變化證據，不能保證代理工作流的總成本同步下降。

一個 API 便宜，但代理為完成任務需要反覆重試、長時間等待、人工糾錯或處理無法交付的結果，最後每件被接受成果可能仍然昂貴。同樣，一部已折舊的電腦可以低現金成本執行任務，卻可能需要大量人工維護，或因時間限制無法按期交付。

6.3 何時購買，何時租賃？

本篇不給出單一購買門檻，而是提出條件性決策順序：先描述工作負載，再確認品質與延遲要求，對齊全部成本口徑，評估資料條款與停用風險，最後才比較本地、雲端或混合路線。

低工作量但需要偶爾使用大型模型的家庭，可能適合租用；高頻且穩定、敏感資料較多、已有合適設備與維護能力的家庭，可能更適合本地或混合；沒有穩定電網或技術支援的地區，則可能有完全不同的成本結構。

6.4 價格下降是否可能增加不平等？

存在至少兩種相反的途徑：

• 縮小差距機制： 低價 API、裝置端模型或共享資源降低小型參與者的門檻，使原先不可行的工作進入可行集合。
• 擴大差距機制： 低價算力可讓資本雄厚者以更大規模部署高品質代理、取得更多資料、分配更多實驗預算，或更快搶占市場。

價格下降因此不是收入分配改善的充分條件。即使同時降低所有人的單位成本，也可能因擴張能力、需求掌握及制度權利不同而產生不對稱成果。這是本篇向 AICET-11 提供的分配研究接口。

7. 硬體集中為什麼不自動推出家庭排除？

7.1 至少分離四種控制位置

必須區分：

1. 硬體產製與所有權： 晶圓、HBM、加速卡、資料中心與電力設施的供給及持有。
2. 容量分配與租賃權： 透過雲端 API、GPU 租用、訂閱、公共配額取得的可調度時間窗。
3. 應用與成果製造能力： 模型、工具、資料、流程、治理與人類專長的組合，將推理服務轉為被需要的工作成果。
4. 受益、處分與移轉權： 由誰收取收入、可否轉移成果、可否退出、誰承擔損失及責任。

這些位置可集中於同一組織，也可能分散。擁有大型資料中心的企業可同時提供廣泛租用服務；大量消費者依賴其租用，不代表消費者持有同等資本，更不代表平台沒有形成重大控制權。

7.2 需求市場具有多樣性，算力也有用途分層

尖端模型訓練、數百萬用戶並行推理、個人文件整理、端側辨識、離線語音、獨立創作工具及偶發專業查核，需要不同的計算容量、網路、能耗和可靠性。研究者不應只拿最昂貴的前沿模型訓練成本，估算普通家庭所有 AI 活動的可負擔程度。

但反過來，若特定任務必須持續呼叫少數供應商掌握的專有模型與資料，家庭仍可能處於高度依賴。功能分層是替代空間的來源，而不是全面可替代的證明。

7.3 國家與企業並非無限制的資源控制者，但權力不對稱真實存在

現實中的企業受到技術替代、競爭、成本、投資回報、法律、國家政策及社會態度的多重約束；不同制度下，政府對市場的干預能力、救濟方式與政治反作用成本亦不一致。這些因素使「少數組織將永久買光所有可運行 AI 的電腦」不能直接當成必然結論。

但這不等於任何一種反作用一定有效。高階供應鏈可以持續集中，地理或制裁因素可以限制特定地區的服務，極高的轉換成本亦可能讓使用者繼續付費。這些宏觀政治經濟條件留待 AICET-13 專篇，不在 AICET-03 以單一社會反抗敘事取代家庭可達性研究。

7.4 市場使用與社會自主性是兩個問題

一個家庭若每個月都能用得起特定 AI API，可能已取得高品質服務，但仍未必能保留代理身份、隨時切換模型或獨立保存長期記憶。數位市場研究指出，資料可攜性、互通性、取消程序與多重使用能力，會影響使用者的實質選擇 [16]。

因此家庭 AI 可達性的政策問題，可能不只是「有沒有 GPU」，還包括能否更換服務、帶走合法資料、保留工作歷程、驗證授權及避免不合理的持續依附。

8. 家庭類型、內部治理與不均等

8.1 單人家庭：低協調成本，卻可能有高集中風險

單人使用者較容易決定模型、工作流及預算；但若唯一管理者生病、失去設備或缺少資安知識，代理的恢復與持續性可能反而脆弱。這類家庭的技術掌控程度並不能由「人數少」直接推論。

8.2 多人成員家庭：可分工，也可能產生資料與利益衝突

若家庭成員可依法、經同意共享部分設備或計費方案，可能以不同技能補足彼此的技術、驗證與商務弱點。但私人信件、健康資訊、教育紀錄、未成年者資料與工作機密不應被視為全家自動共用的資產。共同設備的存取權應區分設備使用、代理操作、資料瀏覽、對外交易、預算支出與刪改記錄。

同一代理協助兩位家庭成員工作，也不代表它可以把雙方的資料合併訓練、替一方透露另一方的資料，或自行決定收益分配。家庭智能資本愈多，權限設計不當造成的內部風險可能愈大。

8.3 高齡、身心障礙與語言少數社群：可達性不等於同一介面

對不同使用者而言，可用的語音、無障礙輸入、在地語言、低帶寬模式、教育程度友善的操作說明及持續的人類協助，都可能決定一項 AI 能力是否真正可達。統計中的「註冊帳號數」看不見這些限制。

這不代表可以直接假定特定群體能力不足；應採用實際任務及使用者自主設定的目標評估。技術門檻或界面設計不適配，不能無條件歸責於使用者個人。

8.4 家庭內部的分配不平等

即使一個家庭已購買強大的雲端 AI 訂閱，也可能只有其中一人取得工作便利，其他成員因語言、時間、角色、權限或使用習慣而幾乎無法利用。研究應測量同一家庭內不同成員的使用與受益，而不是只將一個家庭標為「已導入 AI」。

這涉及研究倫理：家庭訪談與使用紀錄必須確保自願、明確且適當的同意；不應因為一位家庭成員願意提供帳戶資訊，就取得他人的私人對話或憑證。

9. 可用算力與代理活動的五種不同經濟結果

9.1 模型可以運行，但任務不可交付

家庭能啟動一個小型模型，不等於該模型能在特定期限、準確率與法律條件下完成客戶需求。若模型反覆產生不可修復的錯誤，任務可能無法接受，甚至產生額外損失。

9.2 任務可交付，但沒有外部需求

代理能準確翻譯一篇文章，未必有人願意支付費用；代理能產生圖片，未必有可以合法銷售的權利或客戶。這是供給可行性與需求成立的分離。

9.3 沒有現金收入，仍可能具有家庭效益

代理可以幫助個人整理家務、學習、無障礙溝通或管理合法自有資訊。其價值可能體現在可用時間、降低錯誤、便利及主觀效用。這些效益不可在沒有衡量方法時直接算成「代理淨收入」，但也不應因無法出售就被排除於家庭福利研究。

9.4 有收入，但扣除成本後並無正淨收益

家庭可以收取少額委託款項，卻因訂閱、維修、返工、人工工時及法遵成本而未必獲得正收益。要研究 AI 是否替家庭「賺錢」，必須從可核驗的外部交易與全成本開始，避免將流量、虛擬交易、對內移轉或未實現估值當作收入。

9.5 技術能力足夠，但缺乏交易授權

某些平台禁止自動化行為、特定資料不能合法處理、第三方帳戶不得共用，或者代理被授權檢索與草擬但無權自行付款。在這些情況下，技術上能做與制度上可做不同。家庭智能資本不能透過忽略授權而取得合法性。

9.6 經驗研究中的基本成果分類

10. 路線比較的思想實驗：不是購買建議，也不是實測數據

為避免只停留在抽象名詞，本文設計四種完全假設性案例，不指定真實設備價格、模型名稱或已經驗證的獲利率。

Case A｜已有普通電腦、缺乏額外硬體預算的個人

目標是整理公開研究資料、建立雙語索引及維護基本腳本。此人可能以開源工具、較小本地模型與偶發雲端請求達成一部分任務。若某些長文件分析需要更大的上下文，則可能臨時租用外部模型；但仍要衡量錯誤與人工覆核。此案例要測試的是不增加專用 GPU 資本，仍可形成何種最低有效工作能力，不是證明「廉價設備全面取代大型資料中心」。

Case B｜具有穩定收入、使用頻率不高的家庭

家庭偶爾需要高品質翻譯、旅行資料規劃、稅務問題的資訊整理或程式除錯。低用量可能使雲端訂閱或依次付費比購置昂貴工作站合理；但需先確認所使用服務的資料保護及職業專業界線。此案例要比較的是固定資本投入與按用量付費的不同風險。

Case C｜社區共同資助的合法共享模型服務

社群以明定資格、排程、資料隔離與透明成本分攤方式提供有限算力。可能降低個人設備門檻，但若尖峰時間排隊、維護缺席、會員治理失衡或個人資料被錯誤共用，反而可能無法持續。此案例要測試共享是否真的改善不同收入人群的任務完成率，而非只比較每個人分攤多少硬體成本。

Case D｜擁有多個 AI 訂閱，但無驗證與權限管理的家庭

家庭可能擁有大量 API 額度、各種代理帳號與高性能設備，卻無法準確辨識代理錯誤、控管付款、保留工作證據與恢復已刪除的狀態。此案例反駁「名義智能容量多，就會有更高可靠生產能力」的簡單推論。

四種案例可以在共同任務基準下被實測比較，但此處沒有模擬結果，更沒有將推定情境寫成現實樣本。

11. 從數位落差到「代理成果落差」

11.1 對既有研究的繼承

Hargittai（2002）提出第二層數位落差，指出即使都能上網，線上技能仍存在顯著差異 [13]。Scheerder、van Deursen 與 van Dijk（2017）的系統性回顧進一步區分存取、技能與使用，以及實際產生的成果 [14]。這些研究不是 AI Agent 家庭經濟模型，但其方法論提醒可以直接移用：技術入口不能代替能力，也不能代替分配結果。

AICET-03 在此提出「代理成果落差」（Agentic Outcome Divide）作為待檢驗的描述性概念：當家庭在相近接入條件下，因技能、資料、驗證、控制、合作、制度或需求差異而取得不同的可持續代理成果。

11.2 代理成果落差不等同於經濟階級落差

兩者可能高度相關，卻不必完全重合。高所得者可能有較佳硬體，但也可能缺乏時間、意願或適當組織能力；低所得者可能擁有較高的專業技能，藉由共享資源完成高價值任務。

這些反例提醒研究者不能由所得單獨決定每個家庭的 AI 能力。但整體而言，設備、教育、居住地及網路條件仍可能使弱勢群體在平均上面臨較多障礙。本文不以少數逆襲案例否認結構性不平等。

11.3 家庭與中小企業的可比性與非等價性

OECD 2025 年對中小企業 AI 採用的研究指出，AI 導入需要連線、資料、演算法、運算、技能與資金等條件，小企業與大企業仍存在使用差距 [17]。對家庭來說，這提供有用的條件清單；但家庭不等於公司，沒有相同的營運目的、採購結構、稅務制度與資料治理義務。

因此中小企業資料只能用作比較性線索，不能直接推估家庭 AI 普及率或其收入成長。

12. 可達性的安全、合法性與可恢復性底線

12.1 有效可達不能靠不受授權的存取成立

家庭為了降低成本，可能受到誘惑使用未經授權的帳號共享、不符合服務條款的 API、沒有正當取得權限的個資、或擅自讀取第三方資料。但研究不應把違規途徑納入「公平取得」的正面成果。只有在合法授權與適當資料治理條件下可持續運行的能力，才具有可靠的家庭經濟分析意義。

12.2 代理擁有工具權限，與家庭獲得效益並非同義

一個可以操作瀏覽器、檔案或付款的代理，若缺乏最小權限、限額與變更紀錄，可能擴大帳號劫持、資料外洩、重複訂購或不可逆操作風險。NIST AI RMF 1.0 將治理、情境辨識、量測與風險管理作為交互配合的工作 [18]；家庭系統可參考其原則，但仍需按照實際風險與使用情境作比例性簡化。

對家庭而言，「可以立即停用」、「能確認誰授權」、「可以回復可逆變更」、「能查明哪一項費用由誰觸發」，都可能與模型分數同樣重要。

12.3 資料可攜需要分層測試

至少區分：

• 原始資料與合法使用權能否移出；
• 代理工作歷程、任務狀態及引用來源能否被完整保留；
• 模型特定提示、工具結構與偏好設定能否轉換；
• 跨平台交易授權、支付資料與審計軌跡能否合法對接；
• 服務終止時是否可以在合理時間重新部署最低可用能力。

簡單下載一份聊天 TXT 檔，通常不足以證明可移轉完整代理工作系統。另一方面，完整複製模型權重也不必然是維持操作性代理身份的必要條件；身份的定義須回到 AICET-01 的活動連續性與責任鏈。[1]

12.4 恢復能力也是經濟資源

即使兩個家庭平日執行速度相近，遭遇雲端服務中斷、模型更改、硬體故障或帳號遺失時，具備本地備份、替代路線和驗收紀錄的一方可能較快恢復工作。因而「中斷期間的可持續性」不應只被當成安全工程細節，還應列入家庭可達性與經濟連續性的比較項目。

13. 十項可檢驗假說：家庭如何真正取得有效能力？

以下假說是待檢驗、可被否定的研究命題，不是已被數據證實的定律。各項均要求明確任務與樣本範圍，並考慮教育、既有能力、居住地、網路、風險及收入等混雜因素。

H01｜名義接入與任務成果可能顯著脫鉤

預期： 相同 AI 帳號可用條件下，不同家庭的驗收通過率仍有顯著變異。觀察： 是否登入、任務通過、返工量、介入時間。反證： 若控制條件後可達性幾乎完整預測成果，則多維度模型的增加解釋力不足。

H02｜相同硬體未必形成相同的有效代理能力

預期： 同硬體、同模型下，工作流、資料品質與驗證技能可能產生顯著成果差距。反證： 在預先登錄的工作類型中，對齊硬體與模型後家庭間差異可忽略，且流程改進沒有可測效益。

H03｜低用量家庭可能較適合按需租用，而非持有專用算力

預期： 在部分明定、低頻、需偶發大模型的工作負載下，租用的完整成本低於新購高階設備。反證： 在控制既有設備與風險後，租用並無成本優勢，或品質不符要求。

H04｜開源本地選項可改善部分家庭的備援與資料控制

預期： 適合本地執行的任務中，具本地可用路線的家庭面對特定服務中斷時，復原較快、資料移出依賴較低。反證： 本地維護失敗、模型品質與設備限制抵銷此優勢。

H05｜共享算力可能降低部分低資本家庭的任務門檻

預期： 當共享機制公平、可靠且可合法商用時，原先受限家庭的完成率可改善。反證： 等待、協調、隱私或資格限制讓改善不顯著甚至為負。

H06｜任務使用價格下降，與家庭收益差距下降可以分離

預期： 即使平均推理單價下降，家庭的有效交付與收益分布仍可能維持或擴大差距。反證： 若多組工作類型中，較低價格穩定且獨立地縮小成果差距，則此假說需收斂。

H07｜平台資料與流程可攜性影響家庭持續性

預期： 在可比較供應商中，具有較完整資料／工作流導出能力者，切換成本與中斷恢復損失較低。反證： 實際切換仍受模型相容性、替代品質或其他障礙支配，可攜功能未產生可測改善。

H08｜家庭內的權限設計影響收益與風險分配

預期： 在多人共用 AI 設備時，清楚的角色、資料與預算隔離可減少未授權行動及爭議。反證： 在對照樣本中隔離設計只增加負擔，未降低可觀測風險。

H09｜家庭獲得的效益不必以現金收入表現

預期： 一部分樣本可在外部收入為零的情況下，觀察到可比較的生活品質、成本或時間改善。反證： 若在嚴格設計下改善不可重複、完全由新鮮感或測量偏誤解釋，則不支持相應推論。

H10｜名義代理數增加可能先於可治理產能改善，甚至造成退化

預期： 在沒有對應監督能力擴張的家庭，增加代理數可能提高錯誤、成本或中斷。反證： 在可比較任務中，多代理能持續提升可接受成果而不增加家庭治理負擔。接口： 由 AICET-04 作專門研究。

13.1 可相互矛盾的假說如何並存？

H03、H04、H05 不是三個「何者最優」的互斥世界觀；它們各自聲稱在某類任務與家庭條件下存在可能優勢。未來實驗若發現雲端租用最便宜、本地最容易保留資料、共享最能幫助缺少設備的人，並不互相衝突。研究的任務是找出條件邊界，而不是替某一運算架構宣傳。

14. 最低可重現的研究設計

14.1 研究問題應以「家庭—任務—期間」為基本單位

每個觀測至少要記錄家庭情境（匿名化且經同意）、設備與網路條件、合法服務資格、任務種類、期間、可用預算、所需品質、實際交付、驗證耗時和中斷紀錄。不能把同一家庭做過一萬次模型呼叫，當作一萬個家庭有了 AI 能力。

14.2 建議三項互補實驗

實驗 A：相同任務的跨部署重播。 以公開、合規、可再現的任務集，分別在低成本本地、中等雲端服務、共享或混合方案執行；固定驗收規格，記錄真實總成本與失敗。研究焦點是條件適配，而不是在所有任務上排出一張永遠不變的模型榜單。

實驗 B：可達性介入試驗。 在適當同意與倫理審查下，以提供技能訓練、限額雲端試用、共享算力資格或可攜工具為介入條件，比較多個家庭在相同任務下的完成率。須避免把研究者補助期間的短期行為誤當長期市場需求；介入撤除後要追蹤延續性。

實驗 C：供應中斷與替代遷移測試。 以模擬或受控環境暫停某一模型服務、提高假設價格或撤銷測試用權限，觀察家庭能否合法安全地保存資料、恢復工作、重建代理設定與繼續交付。不得在未經同意的真實家庭帳號上施加破壞性中斷。

14.3 指標與必要分母

14.4 混雜因素與識別難題

• 自我選擇： 原本技術能力較強的家庭可能更願意採用本地模型；因此「本地使用者更有成果」可能只是選擇效應。
• 任務難度： 使用高階雲端服務的人可能承擔更難工作；若不校準難度，成本與成功率比較將失真。
• 供應商變化： 模型、價格、品質及規範可能在研究期間改變，需要完整版本與時間戳記。
• 家庭人員組成： 同住者數目、照顧義務、收入、技能與可支配時間可能交互影響。
• 學習與新鮮感： 短期實驗成果未必能延伸到長期，需觀察留存與取消後的表現。
• 干擾與外部性： 不同家庭可能共享帳號、討論技巧或共同委託工作；實驗單位不一定互相獨立。
• 不同法域： 交易、資料處理、商用授權與稅務規則不同，不能把一地合法方案視為普世允許。
• 被觀察效應： 受測者知道自己受到研究時，可能提高注意力與驗證頻率，進而高估可治理性。

14.5 「沒有資料」也是需要明示的結果

目前本文並未持有一份代表性家庭代理產能資料庫，亦未對某地真實家庭抽樣、實際發放運算補助或取得代理活動的商業現金流。因此，十項假說只能標示為 HYP／未驗證。其價值在於指定未來如何檢驗，不得在寫作時擅自轉成「研究證明」。

15. 三種互相競爭的經濟演化情境

15.1 情境一：廣泛普及，但產能階層持續存在

低價雲端工具與裝置端模型使大部分已連線家庭都能得到某種 AI 協助；大型企業仍可能控制訓練前沿、大規模資料中心與高吞吐服務。在這個情境，普及程度上升與產能差距巨大可以同時存在。是否形成新的家庭收入，取決於真實需求、技能及制度資格，而非單靠服務可登入。

15.2 情境二：使用普及，但控制權高度平台化

個人可以常態使用 AI，卻無法合理移轉代理歷程、付款關係、資料結構或工作流程。市場表面普及，底層決策權高度集中，家庭可能因轉換成本而被動留下。這個情境不必然導致所有 AI 服務品質下降，卻可能形成長期談判權不對稱。

15.3 情境三：多路線可達性改善，結果仍可能分化

開源、商用服務、地方共享、公共計畫及混合部署並存；家庭得以依任務選擇路線。然而人類時間、技能、專業市場需求及交易資格不會因此同步均等。某些家庭得到顯著效率提升，部分家庭只有日常便利，也可能有人因運營錯誤而承受損失。

三種情境並非全球互斥終局；可能在不同地區、職業與任務層級同時出現。某一時期某地市場的結果也可能隨技術、制度或價格而改變。

16. 與既有理論及 AICET 後續篇章的接口

16.1 與 CLATE：從可購買智能到家庭可用能力

CLATE（算力勞動化與 AI 時間經濟學）已處理算力、模型、工作流、工具與驗證如何形成有效智能產能。AICET-03 接下來問的是：這些產能通道中，哪些能被家庭在指定條件下取得、管理與持續動員？ 因此 CLATE 提供供給與價格的上游框架，AICET-03 不重建完整生產函數。

16.2 與 EWDT-22：可達性不是平均使用率

《經濟世界域轉化論》EWDT-22 已討論智能資本、有效 AI 可達性與世界域分岔的關聯。AICET-03 的新增焦點是將相關概念放入家庭及代理活動：同一地區的名義模型使用權，可能因家庭資產、控制、資料、時間與技能而產生不同的可行集合。本篇屬於家庭層可操作延伸，不是聲稱 EWDT 未曾提出可達性問題。

16.3 與人工行動者政治經濟 B04：授權、權力與責任

家庭可能給代理人相當大的工具操作能力，但它在何種情境下有合法授權、誰能撤銷、誰承擔外部責任，是不同的制度問題。本篇只把其作為可達性條件；具體法權結構留待 AICET-07、AICET-12 並與既有 B04 治理框架銜接。

16.4 與 AICET-04 至 06：真正的下一階段

• AICET-04《代理承載、注意力與可治理產能》： 即使可負擔多個 Agent，家庭成員的有限管理時間、資訊負荷與驗證能力，能否支持穩定運轉？
• AICET-05《AI 代理創收：從活動數據到可核實淨收益》： 即使有可交付成果，何時真正取得外部需求、有效收入及扣除全成本後的淨收益？
• AICET-06《家庭代理經濟與個體機構化》： 家庭如何將不同代理、技能、預算與工作流組成可持續的小型生產組織？

AICET-03 完成的是可達性的條件地圖，不是提前證明後面三篇的結果。

16.5 AICET-13／14：保留在遠期

算力高度集中、公共可達性的政治反作用，以及「全域企業」的跨域社會接受邊界，確實可能影響家庭 AI 市場。但 AICET-03 不假設某公司已掌握所有計算資源，也不以假想的超大型企業支配整篇論述。依研究綱領，這些議題留於 AICET-13 與 14 的後期延伸。

17. 學術限制、可修訂條件與結論

17.1 理論限制

第一，本文目前是概念架構而非成熟計量理論。六維可達性尚未經過大樣本因素驗證，亦未證明這是唯一最佳分類。第二，家庭的界線具有文化、法律與經濟差異，跨國比較需確定分析單位。第三，目前取得的公開統計主要測量網路連線、生成式 AI 使用與市場／政策條件，並非直接量測家庭長期代理能力。第四，裝置端 AI 的可行性高度依賴任務與硬體、模型、軟體版本，不宜以一時示例作永久規則。

第五，資料控制、訂閱條款與法規限制可能在很短時間內變動。第六，家庭經濟成果同時受到需求、照顧工作、偏好與社會關係影響，不能只由技術條件解釋。第七，本文的非市場效益尚未建構可比的福利測量體系，必須避免把不同主體的主觀價值強行折算成一個貨幣總額。

17.2 什麼樣的結果會迫使修訂？

若發現單純的 AI 帳號接入變數就能穩定且充分解釋家庭的品質、控制、恢復與效益，而六維分類在多地多任務條件下均缺乏新增解釋力，則應收斂或合併本篇分類。若大多數家庭任務仍長期只能由少數上游供應商完成，且可替代的本地、共享與混合路線沒有實際效果，則需要提高結構性排除的權重。反過來，若可比任務在幾乎所有家庭裝置上均能可靠、便宜而自主執行，則本文對技術瓶頸的假設也需要下修。

更重要的是，若家庭可達性擴大卻沒有帶來任何可測的經濟或生活效果，研究者不能以「未來一定會出現」迴避。應改查需求側、評估方法、文化動機與分配制度，而非將結果補成符合預期的故事。

17.3 核心結論

本文提出的不是「人人都能像大企業一樣取得 AI 算力」，也不是「資本越集中，普通人便只能失去 AI」。相反地，AI 經濟的家庭入口存在多種異質路線：持有設備、租用智能服務、共享公共或社群資源、混合分配工作負載。這些路線讓上游算力集中與家庭使用普及在邏輯上及現實證據中並不互斥，但各自的成本、品質、治理、可攜性與制度條件仍可能形成高度不均。

因此，研究家庭是否進入 AI 代理經濟，不能只計算 GPU 數、帳號數、模型參數、API 呼叫量或每日生成文字。真正應追問的是：家庭是否能在明確用途與期限內，以可承擔且可合法維持的資源，取得可驗收的成果；是否能管理重要風險與更換服務；以及這種活動是否帶來實際生活改善，或在真實市場需求存在時形成可核實收益。

本文的中心命題：AI 生產資本的普及、集中及分配結果，彼此既有關聯又不互相決定。對普通人的代理經濟而言，關鍵不是名義上有多少 AI，而是能夠以何種權限、成本、品質與連續性，持續將 AI 能力轉化為自己的可行行動。

接續研究的重點，因而自然轉向 AICET-04：即使取得了足夠 AI 資源，一個家庭的注意力、認知承載與治理能力，究竟能穩定支持多少代理活動？

參考文獻與來源追溯

編碼說明： [1–3] 為同系列原始研究文件（非外部同儕審查）；[4–8] 為國際機構之官方資料／政策分析；[9–11] 為實作技術或研發資料；[12、15] 為 Stanford AI Index；[13–14、19–20] 為學術研究；[16–18] 為制度與風險研究。引述現有研究不表示其作者同意本篇新命題。

1. Neo.K with GPT-6. (2026). AI 網路居民與代理經濟入口（AICET-01）, v0.1. EveMissLab，原始檔：AICET_01_AI網路居民與代理經濟入口_v0.1_2026-10-27.md。同系列未審查理論原稿。
2. Neo.K with GPT-6. (2026). 代理擴散的脈衝、文化分化與身份辨識（AICET-02）, v0.1. EveMissLab，原始檔：AICET_02_代理擴散的脈衝文化分化與身份辨識_v0.1_2026-10-27.md。同系列未審查理論原稿。
3. Neo.K with GPT-6. (2026). AI 代理收益與契約經濟過渡論：研究綱領與系列重整, v0.2. EveMissLab，原始檔：AICET_00_Research_Program_v0.2_2026-10-27.md。
4. International Telecommunication Union (ITU). (2025). Measuring Digital Development: Facts and Figures 2025. 官方主頁及報告。https://www.itu.int/en/ITU-D/Statistics/Pages/facts/default.aspx
5. OECD. (2026-01-28). AI use by individuals surges across the OECD as adoption by firms continues to expand. OECD ICT Access and Usage Database 官方公告。https://www.oecd.org/en/about/news/announcements/2026/01/ai-use-by-individuals-surges-across-the-oecd-as-adoption-by-firms-continues-to-expand.html
6. OECD. (2026-07-10). Artificial Intelligence Markets: Recent Developments and Competition Issues. OECD Policy Brief. DOI: https://doi.org/10.1787/d531d73f-en
7. OECD. (2026-10-13). Securing AI Compute: Government Policy Approaches. OECD Policy Briefs, No. 67. DOI: https://doi.org/10.1787/7f96dc99-en
8. European Commission. (2026-07-30). EU launches AI Gigafactories call to boost Europe’s computing capacity and unlock more than €30 billion in investment. https://digital-strategy.ec.europa.eu/en/news/eu-launches-ai-gigafactories-call-boost-europes-computing-capacity-and-unlock-more-eu30-billion
9. ggml-org. llama.cpp: LLM inference in C/C++. 開源專案及 README（動態文件；版本依實測時另行鎖定）。https://github.com/ggml-org/llama.cpp
10. Apple Machine Learning Research. (2026-06-08). Introducing the Third Generation of Apple’s Foundation Models. https://machinelearning.apple.com/research/introducing-third-generation-of-apple-foundation-models
11. Google AI Edge. LiteRT: High-Performance On-Device Machine Learning Framework. 官方產品與技術文件（持續更新）。https://developers.google.com/edge/litert
12. Stanford Institute for Human-Centered AI. (2026). The 2026 AI Index Report. https://hai.stanford.edu/ai-index/2026-ai-index-report
13. Hargittai, E. (2002). Second-Level Digital Divide: Differences in People's Online Skills. First Monday, 7(4). DOI: https://doi.org/10.5210/fm.v7i4.942
14. Scheerder, A., van Deursen, A., & van Dijk, J. (2017). Determinants of Internet skills, uses and outcomes: A systematic review of the second- and third-level digital divide. Telematics and Informatics, 34(8), 1607–1624. DOI: https://doi.org/10.1016/j.tele.2017.07.007
15. Stanford Institute for Human-Centered AI. (2025). Research and Development — The 2025 AI Index Report. https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
16. OECD. (2026). Competition and Consumer Policy in Digital Markets: The Intersection Between Competition and Consumer Policy. 數位市場資料可攜、消費者選擇與轉換成本章節。https://www.oecd.org/en/publications/competition-and-consumer-policy-in-digital-markets_042c0c49-en/full-report/component-4.html
17. OECD. (2025-12-09). AI Adoption by Small and Medium-Sized Enterprises: OECD Discussion Paper for the G7. DOI: https://doi.org/10.1787/426399c1-en
18. National Institute of Standards and Technology (NIST). (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. https://www.nist.gov/itl/ai-risk-management-framework
19. Noy, S., & Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192. DOI: https://doi.org/10.1126/science.adh2586
20. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942. DOI: https://doi.org/10.1093/qje/qjae044

文獻使用的最後限制

[19–20] 研究表明，在其特定受測工作與制度條件下，生成式 AI 協助可以提高部分勞動任務的生產率；但這些研究沒有直接證明家戶已能以自主代理持續取得正淨收入。本文引用它們，是為後續研究區分輔助生產力與代理創收提供經驗背景，不能把其效果數值移植到一般家庭。

[4–8、12、15–17] 的報告有地理範圍、調查分母、時間及定義差異；交叉比較時須先對齊口徑。技術文件 [9–11] 持續更新，未來實驗應留存 commit、模型版本及運作環境。對會改變的價格或服務條款，不可將本篇發表日期的觀察自動視為永久事實。

文件聲明

• 研究成果類型： 完整概念性論文原稿與可執行的未來實證研究框架；不是已驗證的宏觀經濟定律。
• 公式政策： 本篇刻意不提出單一普適 AI 產能函數；必要成本與成效以操作性定義、分層證據及觀測口徑描述，待資料建立後再形式化。
• 法權政策： AI 代理身份、持續活動及代為產出，不構成 AI 已獲法律人格、財產權或獨立締約資格的判定。
• 來源政策： 所有外部參考資料保留可核查網址或 DOI；未把同系列草稿列為外部獨立驗證。
• Canonical source： UTF-8 Markdown；原稿中的數學原始碼（若後續新增）僅使用 $...$ 和 $$...$$ 作為 delimiter。不得從聊天畫面渲染稿反推或重新美化正式原始碼。

下一篇：AICET-04《代理承載、注意力與可治理產能》。